Связаться с консультантом
Клиническое исследование · редакционное резюме

Пекинская больница Сехэ: DeepFAN — ИИ-модель для диагностики лёгочных узлов

Редакция Wellward China · Опубликовано: 2026
Peking Union Medical College Hospital Пекин Дыхательная система и лёгкие Дыхательная система и лёгкие Лёгочные узлы Искусственный интеллект
Источник и редакционное примечание: это оригинальное резюме на английском, составленное по источникам, перечисленным в разделе «Источники» ниже. Это не полный перевод и не независимая клиническая оценка.

Короткий ответ

По мере распространения КТ-скрининга грудной клетки у радиологов растёт поток случайно выявленных лёгочных узлов, большинство из которых доброкачественны, но часть — ранний рак. DeepFANDeepFAN, модель глубокого обучения, созданная Пекинской больницей Сехэ (PUMCH) совместно с Народной больницей Пекинского университета, Третьей больницей Уханя и Центральной больницей Хуанши [4][5], была проверена в первом в Азии зарегистрированном клиническом исследовании ИИ для классификации узлов «доброкачественный или злокачественный». Она достигла AUC0.939 во внутренней выборке и 0.943 по внешним данным США, а также получила регистрацию медицинского изделия класса III NMPA [1][2][4].

Главное

  • DeepFAN объединяет три модуля: vision transformer для глобального контекста, 3D-остаточную сеть для локальных деталей и графовую свёрточную сеть для их слияния [1].
  • Обучение на 11 438 узлах с гистологическим подтверждением из нескольких центров [1][3].
  • AUC 0,939 на внутреннем тесте; внешняя валидация на Национальном исследовании скрининга лёгких США (NLST) — AUC 0,943 [1][3].
  • Прогностическая ценность для доброкачественных узлов достигла 0,992, что поддерживает безопасное исключение рака [3].
  • Имеет регистрационное удостоверение медицинского изделия класса III NMPA; исследование опубликовано в Nature Cancer [1][2].

Клиническая проблема

Рак лёгкого занимает первое место и по заболеваемости, и по смертности среди всех раков в Китае. Низкодозная КТ находит множество мелких узлов, но большинство из них не рак, а чтобы отличить немногие значимые, нужен опыт, распределённый неравномерно. Результат — одновременно избыточное обследование доброкачественных узлов и задержка диагноза при злокачественных [1].

DeepFAN AI model for lung nodule diagnosis
DeepFAN: ИИ-ассистированная классификация лёгочных узлов «доброкачественный или злокачественный».

Поскольку классификация узлов — это оценочное суждение, различающееся между радиологами и между больницами, модель со стабильным результатом особенно ценна там, где специалистов по торакальной визуализации не хватает. Именно на этот разрыв и нацелен DeepFAN: не заменить радиолога в ведущем центре, а дать небольшим больницам второе мнение, которое ведёт себя одинаково каждый раз [5].

Дизайн DeepFAN отражает эту сложность: злокачественность видна и в собственной текстуре узла (плотность, дольчатость, спикулы), и в его отношениях с окружающими сосудами и плеврой. Transformer захватывает общую картину, 3D-остаточная сеть — мелкие детали, а графовая сеть их объединяет [1].

Что показало исследование

Это было зарегистрированное клиническое исследование, а не только ретроспективный бенчмарк: модель оценивали проспективно по протоколу, что для китайского ИИ в визуализации необычно. Опубликованные результаты приводят внутренний AUC 0,939, внешний AUC 0,943 на NLST и очень высокую отрицательную прогностическую ценность для доброкачественных узлов (0,992) — свойство, которое важнее всего, если инструмент используется, чтобы успокоить пациента и избежать ненужной биопсии [1][3].

Хорошее различение, но с оговорками реальной практики

AUC измеряет способность ранжировать, а не клиническую пользу. Улучшает ли DeepFAN точность радиолога, снижает ли число биопсий или выявляет рак раньше — это вопросы для исследований внедрения. Результативность зависит также от протоколов сканера и популяции, а участвовавшие центры были китайскими академическими больницами [1][3].

Контекст заболевания: лёгочные узлы

Большинство выявленных узлов доброкачественны, но именно меньшинство, оказавшееся раком, и есть причина существования скрининга.

РегионЧто показывают данныеИсточник
Китай Рак лёгкого занимает первое место и по заболеваемости, и по смертности [1]. PUMCH [1]
Скрининг Более широкое применение КТ грудной клетки породило большое число случайно выявленных узлов [1]. PUMCH [1]
Диагностика Классификация «доброкачественный или злокачественный» — центральная задача визуализации [1][3]. PUMCH / Health News [3]

ИИ здесь наиболее полезен как второе мнение, стандартизирующее суждение между радиологами и больницами, а не как замена [1].

Почему это важно

ПотенциалЧто предполагает отчётИсточник
Согласованность Стандартная модель может выровнять диагностику между центрами [1]. [1]
Исключение рака Очень высокая прогностическая ценность для доброкачественных узлов может сократить ненужные процедуры [3]. [3]
Осторожность AUC — не клиническая польза; доказательства внедрения всё ещё нужны [2]. [2]

Доступность и ограничения

  • Это редакционное резюме сообщений больницы и публикаций в журнале, а не клиническая рекомендация [1][2].
  • DeepFAN — инструмент поддержки решений; решение по-прежнему принимают радиолог и часто мультидисциплинарная команда [1].
  • Результаты исследования могут не переноситься на другие сканеры или популяции [3].
  • Устройство имеет регистрацию класса III NMPA в Китае; доступность в других странах не описана [1].
  • Не доказано, что чтение с поддержкой ИИ улучшает исходы для пациентов [2].

Что спросить до записи

ВопросПочему это важно
Будет ли мою КТ читать радиолог, а не только ИИ? ИИ — вспомогательный инструмент, а не замена [1].
Что произойдёт, если модель отметит мой узел? Решения о наблюдении или биопсии требуют клинического маршрута [3].
Какое отделение ведёт иностранных пациентов и на каком языке? PUMCH — действующая больница, которую мы не бронируем; уточняйте координацию через международное отделение и языковую поддержку.
Сопоставим ли протокол сканирования с протоколом исследования? Результативность зависит от техники визуализации [3].

Частые вопросы

Что такое DeepFAN?

Модель глубокого обучения для классификации лёгочных узлов как доброкачественных или злокачественных, созданная PUMCH совместно с несколькими китайскими центрами и опубликованная в Nature Cancer [1][2].

Насколько хорошо она работает?

AUC 0,939 на внутреннем тесте и 0,943 при внешней валидации на данных NLST в США, при прогностической ценности для доброкачественных узлов 0,992 [1][3].

Одобрена ли она?

Она имеет регистрационное удостоверение медицинского изделия класса III NMPA в Китае [1].

Почему исследование примечательно?

Оно описано как первое в Азии зарегистрированное клиническое исследование ИИ для классификации лёгочных узлов «доброкачественный или злокачественный» [1].

Актуально ли это для иностранных пациентов?

Это полезный контекст о китайском ИИ в визуализации. PUMCH — действующая больница, которую мы не бронируем; обращайтесь в её международное отделение напрямую [1].