Google Research 介绍基础模型如何用于全球结核病筛查

能否及时获得医疗服务，往往取决于地理位置这一偶然因素：你居住在哪里、当地诊所拥有何种资源，以及是否有触手可及的专科医生。

结核病（TB）防治领域的不平等尤为严重。尽管结核病可以预防和治愈，但每年仍夺走超过 1.23 million 条生命。一个主要瓶颈在于放射科：对于高负担地区的人群而言，从居住在偏远农村地区的人到在地下深处工作的矿工，放射科医生都十分稀缺，而影像基础设施往往远在数日路程之外。因此，数百万例活动性结核病未被发现，使传播持续下去。

过去几年间，我们在 Google Research 和 Google for Health 的团队一直致力于改变这一局面：从基于 我们现有医学影像研究成果 的 AI 工具，到识别疑似结核病患者以进行后续检测，再到开展前瞻性临床试验、与本地合作伙伴共同获得监管许可，最终推出像 MedGemma 这样的开放基础模型，使全球公共卫生系统能够从中受益。本周，在华盛顿特区举行的 IDWeek 2026 大会上，我们将分享如何把健康 AI 研究转化为现实，以及基础模型如何在全球范围内实现结核病筛查民主化。

证明基于 AI 的工具能够解读胸部 X 光片

我们的工作始于一个基本问题：基于 AI 的工具能否以专业放射科医生的准确度解读 胸部 X 光片（CXR），用于结核病筛查？

胸部 X 光摄影是肺部筛查的一线影像方式，但要发现结核病的细微迹象，例如肺尖浸润（肺部顶部区域积液）和空洞性病变（组织损伤），需要专业知识，而这在农村诊所十分罕见。2019 年，我们在 Radiology 上发表了一项基准研究，证明深度学习算法能够检测活动性肺结核，其表现水平可与经验丰富的放射科医生相媲美。

然而，实际应用价值需要独立验证。2021 年 8 月，Stop TB Partnership 在涵盖不同患者群体的研究中，对自动化计算机辅助检测（CAD）软件进行了评估，并在 The Lancet Digital Health 上将我们的模型评为全球表现最佳的结核病筛查算法之一。同年，WHO 也建议将 CAD 用于结核病筛查和分诊。2024 年 9 月，我们在 NEJM AI 上详细介绍了一项前瞻性、多中心验证研究，证明 AI 辅助筛查在不同患者群体中都能保持较高的敏感度（尽量减少漏诊），同时还能可靠地发现其他偶发的肺部和心脏异常。

跨越转化鸿沟

在医疗 AI 领域，发表论文只是起点。从算法模型到值得信赖的临床工具之间，存在一条“转化鸿沟”：让软件能够在各种 X 光机和离线环境中可靠运行，将其整合进临床工作流程，并满足医疗器械监管要求。

基于这一考虑，我们与总部位于比勒陀利亚的医疗科技公司 Nexus AI 合作，由该公司将我们的胸部 X 光算法转化为经过认证的临床诊断工具。应对监管环境需要进行广泛审计：

• CE MDR IIb 类认证：根据欧盟《医疗器械法规》（EU MDR 2017/745），Nexus AI 获得了 IIb 类认证——这是一项严格的认证，基于前瞻性临床评估，验证该工具可安全用于真实世界的患者护理。
• 质量标准：Nexus AI 获得了符合医疗器械质量管理标准 ISO 13485 的认证。
• 全球可及性：Nexus AI 与 FIND 签署协议，以推进申请世界卫生组织预认证（WHO PQ），这是通过全球机构进行国际采购的必要条件；与此同时，公司也在持续推进美国FDA 许可流程。

一线影响：让患者在所处之地获得服务

如今，Nexus Intelligence 正积极将这项技术部署到最迫切需要诊断服务的地区。

在六个国家——南非、塞拉利昂和科特迪瓦，以及正在扩展部署的刚果民主共和国、赞比亚和喀麦隆——Nexus AI 的工具已在约 40 家医疗机构运行。截至目前，已有超过 90 名临床医生评估了逾 25,000 份胸部 X 光片，将周级别的周转时间缩短至 45 秒以内，在加速快速分诊的同时，帮助医疗专业人员作出最终临床决策。

我们的合作致力于实现健康公平：Nexus AI 已向资源不足的公立诊所提供超过 3,000 次免费筛查，正朝着每年提供 10,000 次资助筛查的目标迈进。

极端环境下的筛查：Mponeng 金矿

或许没有哪项部署比在南非Mponeng 金矿开展的工作更能体现让患者在所处之地获得服务。Mponeng 金矿是世界上最深的矿井之一。深井矿工长期暴露于二氧化硅粉尘中，面临更高的肺部疾病风险。Nexus AI 与Stop TB Partnership、Harmony Gold Mine以及南非卫生部合作，在地下四公里处部署了超便携式数字 X 射线设备和离线 AI。矿工可在现场于数秒内完成筛查，被初步判定为结核病的人员则可立即转诊接受分子确诊检测。如今，筛查、分诊和确诊检测可以在一次就诊中完成，将原本通常需要数周的流程大幅压缩。

从单点解决方案到开放基础设施：HAI-DEF 与 MedGemma

单个合作伙伴的定制解决方案无法独自应对全球结核病负担。为了扩大影响，我们已从孤立部署转向构建开放、可适配的基础设施，让开发者和卫生部委能够创建符合当地需求的解决方案。

通过Health AI Developer Foundations（HAI-DEF），我们将胸部 X 光片嵌入和MedSigLIP开源。MedSigLIP 是一种轻量级视觉语言模型，经过训练可将胸部 X 光片等医学图像与用于描述这些图像的临床语言对齐。由于 MedSigLIP 同时理解图像和文本，开发者可以使用普通语言标签对图像进行分类或搜索，也可以仅使用少量本地示例针对特定任务对其进行微调。这样一来，本地团队便能利用规模适中的区域数据集构建专用模型，并在无需大量计算资源的情况下实现出色性能。

在此基础上，我们发布了 MedGemma，这是一个开放权重多模态模型系列（提供 4B 和 27B 参数配置）。MedGemma 将能力从基础分类拓展至多模态临床推理：综合分析放射影像结果与病史，以自然语言回答临床医生的提问，并可在设备本地运行，无需互联网连接。自发布以来，MedGemma 在全球的下载量已超过 10 million downloads。

主权规模：支持印度尼西亚国家结核病计划

开放模型有助于公共卫生系统构建保护患者隐私的自主解决方案。在东南亚，印度尼西亚卫生部正应对全球第二严重的结核病负担，并设定了一个雄心勃勃的目标：每年筛查 50 million citizens，以消灭这一疾病。

人工审阅 50 million 张 X 光片并不可行，而专有云软件则会带来数据驻留方面的挑战。因此，卫生部正在使用本国的胸部 X 光片对 MedGemma 和 MedSigLIP进行微调。由于这些模型运行在本地基础设施上，患者数据始终留在国境内，使卫生部门负责人能够完全自主地部署临床应用。

互补筛查：使用 HeAR 进行生物声学分析

考虑到成像设备无法覆盖每个偏远卫生站，Google Research 还开发了 Health Acoustic Representations (HeAR)。HeAR 使用超过 300 million 个音频片段进行训练，可通过标准智能手机麦克风录制的咳嗽声，开展无创声学筛查。

HeAR 正通过撒哈拉以南非洲地区的合作研究得到应用，合作方包括 CIDRZ（赞比亚）、Aurum Institute（加纳，获 Google.org 250,000 美元资助），以及 HELINA 的 1.5 million 美元区域合作项目。声学分诊（HeAR）、移动 X 光筛查（HAI-DEF）和多模态临床推理（MedGemma）相结合，为医疗服务不足的人群提供了一套整合式诊断流程工具。

展望未来

从实验室算法到获得 CE 认证、在六个国家的诊所中使用的工具，这段历程让我们看到，要将研究转化为现实世界的影响，需要严谨的科学、开放的开发者平台以及本地合作伙伴的全力投入。合作伙伴最了解自己的社区，因此他们如今正将这项工作推向更远。Nexus AI 正在拓展至新的国家，印度尼西亚正在将结核病筛查纳入国家计划，而 CIDRZ、Aurum Institute 和 HELINA 正在积累咳嗽分诊的临床证据。我们的职责是通过开放模型、基础研究和持续支持为他们提供助力，让更多结核病患者能够更早得到诊断和治疗。

在 IDWeek 2026 上，我们期待与传染病和公共卫生领域的同仁交流，并携手推动公平医疗服务的普及。

致谢

我们感谢以下合作伙伴： Nexus AI、 Stop TB Partnership、 UNOPS、 CIDRZ、 Aurum Institute、 HELINA、 Harmony Gold Mine、 南非卫生部以及印度尼西亚卫生部，感谢他们在临床领域的领导作用，以及为实现全球健康公平所付出的努力。