研究说了什么
肺癌筛查的影像基础来自两项大型随机试验，低剂量 CT 相比胸片降低了肺癌死亡率，同时也带来了大量需要随访的结节。AI 在这条路径上有两个位置：计算机辅助检出负责在薄层图像上标出可疑病灶，计算机辅助诊断则估计恶性概率，常与 Brock 等临床模型结合使用。部分产品已获得监管 clearance，用于结节测量、随访比较与风险提示，有的还能自动匹配既往检查、计算体积倍增时间。研究显示，AI 辅助能把小结节的检出率提高几个百分点，同时缩短阅片时间；代价是假阳性增加，每例筛查的召回率上升，放射科需要处理更多直径不到六毫米的结节。对这类结节，指南通常建议十二个月后复查，而不是立即活检。问题在于，AI 标记的结节越多，医生就越难忽略，哪怕它很可能没有临床意义，这种心理压力会转化为额外的随访。AI 标记还会改变阅片顺序，先看被标出的区域可能让人忽略未标记区域，这种注意力分配需要专门培训。对筛查流程，AI 结果如何写入报告、由谁复核，需要在上线前约定，否则责任容易在环节之间悬空，出现争议时难以追溯。
为什么重要
筛查的收益与伤害是一枚硬币的两面。检出更多早期肿瘤是收益，但检出更多永远不会引起症状的惰性病灶就是过度诊断，患者仍要接受随访、辐射、焦虑，甚至手术。AI 让小结节更容易被发现，也就把这道难题放大了。风险分层工具的价值在于减少不必要的 PET 与穿刺，把资源集中在真正高危的结节上；但如果模型在本地人群上校准不佳，就可能同时制造过度检查与漏诊。对影像科，AI 还改变了工作流：预读、排序与结构化报告需要重新设计，否则节省的时间会被新增的复核吃掉。对患者，理解随访间隔的依据，比知道机器给了多少分更有意义。对筛查项目，评价指标应从检出率转向晚期癌症发生率与死亡率，否则技术越灵敏，账面成绩越好看，实际获益却未必增加。对患者，一次额外复查意味着请假、交通与等待，这些成本不会出现在指南里，却是筛查设计必须考虑的部分。对随访管理，自动提醒能减少失访，但提醒过于频繁也会让人产生抵触，最终反而不来复查，频率与渠道需要本地化调整。
证据与边界
多数研究是回顾性的，训练与测试数据来自筛查人群，而临床实践中大量结节是机会性发现，人群构成与结节谱都不同。结节的恶性标签依赖病理或长期随访，随访不完整会引入错分，惰性病灶与生长缓慢的肿瘤在影像上难以区分。AI 提高检出率的证据相对一致，但能否降低肺癌死亡率、减少晚期诊断，仍缺少前瞻性随机数据。不同厂商的算法在同一批图像上的表现差异明显，跨设备与跨协议的稳健性需要本地验证，层厚与重建算法都会影响结果。相关不等于因果：检出更多早期癌并不自动等于挽救更多生命，筛查试验里的生存改善也可能被领先时间偏倚放大。对个人，是否筛查、间隔多久，应依据年龄、吸烟史与指南综合决定，AI 只是辅助工具，不能替代放射科医生与呼吸专科的判断。对卫生系统，价值最终要看是否减少晚期诊断与不必要活检，而不是论文里多提高了几个百分点的检出率。对成本评估，应把随访影像、专科门诊与不必要活检的费用算进去，单看 AI 软件价格会低估总支出，预算讨论容易失焦。