肺癌筛查：微调后的 MedGemma 对阵十二位 Lung-RADS 放射科医生——更稳定，但更不敏感

法国公司 Median Technologies（瓦尔博讷）的团队，将谷歌的医学视觉-语言模型 MedGemma 与十二位放射科医生进行了比较：医生们对美国国家肺癌筛查试验（National Lung Screening Trial，NLST）中 481 名患者的 CT 按 Lung-RADS v2022 分类，其中 132 人确诊癌症。直接使用时，模型的 AUC 为 0.70；用另外 7 585 名 NLST 患者微调后升至 0.83，而放射科医生平均为 0.90（因人而异，0.80 至 0.94），但此时模型只检出 63% 的癌症，医生为 85%。论文强调模型相对于人类差异的稳定性；这是一个真实的问题，但稳定的模型也可能稳定地出错，而且这里的一切都局限在一个已有二十年历史的单一数据库之内。

背景

用低剂量 CT 进行肺癌筛查可降低重度吸烟者的死亡率：这是 NLST（美国，2011）和 NELSON（荷兰，2020）两项试验的结论。为了把每次检查转化为决策，美国放射学会（American College of Radiology）制定了 Lung-RADS：这套分级把每次 CT 归入 1 类（无可疑）到 4X 类（高度可疑），每一类对应一种处理方式——一年后复查、六个月后、三个月后，或活检。它减少了假阳性，却没有消除阅片者之间的分歧：两位放射科医生经常把同一个结节归入不同类别，也就是把患者送上不同的诊疗路径。

专用 AI 模型——谷歌 2019 年发表的三维网络、MIT 2023 年的 Sybil——在 NLST 上表现良好。新变化是基础模型（foundation model）的出现：在海量语料上预训练的通用模型，旨在适配多种任务。谷歌 2025 年发布的 MedGemma 是一个视觉-语言模型（读取图像、生成文本），能以连续切片序列的形式处理 CT 容积。论文的问题很简单：这样的模型能否完成 Lung-RADS 分类？微调能带来多少提升？与放射科医生之间的差异相比，它处于什么位置？

方法

数据。481 名患者，来自同一团队此前标注并发布在 The Cancer Imaging Archive 上的 NLST 子集。132 例癌症（27.4%），在 CT 后一年内经活检确诊；349 例非癌症，经至少三年无肿瘤随访确认。因此这是一个富集队列：据作者称，NLST 人群中的癌症比例约为 4%。每名患者一次 CT，薄层（小于 5 mm），来自多家厂商。

阅片者。十二位持证放射科医生，分为低年资（执业不足三年）和高年资，均不知晓真实结果和临床资料。每名患者由三位不同的医生独立阅片，共 1 443 次阅片；每位医生约看 120 例。一个重要细节：没有任何既往影像可供参考，而 Lung-RADS 在很大程度上依赖结节随时间的变化。

原生模型。MedGemma 1.5 的 40 亿参数版本，不做任何再训练（零样本，zero-shot）。CT 被切分为每块 25 张连续切片、步长为 5 的片段。对每个片段，一个"由粗到细"的提示词（coarse-to-fine prompt）先要求整体分析肺部，再描述结节，最后给出 Lung-RADS 类别——类别由模型赋予各类别的概率读出。患者得分取所有片段中的最大值，这一选择有利于灵敏度。

微调模型。同一模型，用 QLoRA 适配：不重新训练全部 40 亿参数，而是把模型压缩为 4 位并冻结，只学习少量附加的小矩阵。训练数据：另外 7 585 名 NLST 患者（393 例癌症），含 21 533 个人工标注的结节。只有包含恶性结节的片段被标为阳性，并用焦点损失（focal loss，一种给难例更高权重的损失函数）来弥补类别不平衡。

评估。放射科医生和模型都在同一个 Lung-RADS 有序量表上给分。作者先计算 AUC（癌症病例得分高于非癌症病例的概率；0.5 为随机，1 为完美），再在使 Youden 指数（灵敏度 + 特异度 − 1）最大的阈值处计算灵敏度和特异度。置信区间由 5 000 次自助重抽样得出。医生之间的一致性用 Fleiss kappa 和组内相关系数（ICC）衡量。

结果

放射科医生之间并不一致。Fleiss kappa 为 0.33，属于"一般"一致；ICC 为 0.68，属于"中等"可靠性。高年资医生之间更一致（kappa 0.38），低年资为 0.24。平均而言，两位阅片者相差不到一个类别。

区分能力。放射科医生：AUC 0.90 [0.88-0.92]，最低 0.80，最高 0.94。原生 MedGemma：0.70 [0.64-0.75]。微调 MedGemma：0.83 [0.78-0.87]。在表现最差的那位医生所读的约 120 例上，微调模型为 0.84，医生为 0.80，但区间都很宽（0.76-0.92 与 0.67-0.92）：差异并未得到证明。

工作点。在 Youden 阈值下，放射科医生的灵敏度为 85%，特异度为 90%。微调模型：63% 与 91%。原生模型：75% 与 58%。微调主要提升的是特异度。

临床换算。按作者给出的约 4% 患病率，把这些数字套到 1 000 名受检者身上，即 40 例癌症。放射科医生约能发现 34 例、漏掉 6 例，假阳性约 96 人。微调模型能发现 25 例、漏掉 15 例，假阳性约 86 人。原生模型能发现 30 例，但会产生 400 多个假阳性。这一估算偏乐观：阈值是在测试数据本身上选定的。

做得好的地方

真实的人类对照，并展示其离散程度。十二位放射科医生、每名患者三次独立阅片、共 1 443 次阅片，均为盲读，并使用临床实际采用的分级。许多论文只把模型和"一位放射科医生"或平均值比较；这里可以看到人类表现的整个区间，并把模型放进去，这更诚实。

可靠的金标准，并如实报告失败。癌症经活检确诊，非癌症经三年随访确认。作者也明确报告：直接使用的 MedGemma（0.70）达不到临床可用水平。面对"通用模型无需适配即可处处适用"的说法，这是很有价值的信息。

承认局限，代码开放。论文自己点明了队列富集、缺乏外部验证、可能对 NLST 过拟合以及没有消融实验。代码和流程已在 GitHub 公开，标注子集也已存放在 The Cancer Imaging Archive。

做得不够的地方

没有外部验证，且未排除数据泄漏。模型在 NLST 上微调、在 NLST 上测试：同一年代（2000 年代初）、同一批中心、同一批扫描仪。论文没有明确说明 481 名测试患者与 7 585 名训练患者互不重叠，作者自己也写道无法排除过拟合。这正是数据泄漏（data leakage）和人群偏倚的典型场景：在单一数据库内部取得 0.83 的 AUC，并不能说明它在欧洲或亚洲当今的扫描设备上表现如何。

对照组处于劣势，指标偏向有利。放射科医生阅片时没有既往检查，而结节生长是 Lung-RADS 的核心：这是一个有偏的对照，尽管对所有医生都一样。更重要的是，Youden 阈值是在测试数据上优化的，而 27% 的富集患病率让准确率具有误导性。与"表现最差的医生"相比的有利结果，只基于约 120 例且区间大幅重叠：如果把它理解为"相当"，就是一种误导性指标。而 63% 的灵敏度与人类的 85% 仍相距甚远。

稳定不等于可靠，而且作者既是运动员又是裁判。模型对相同输入总给出相同答案，是因为温度被设为零：这只是机械的可重复性，而非鲁棒性。论文承认，没有针对提示词、重建方式或扫描仪变化做任何测试。一个稳定地每三例漏掉一例癌症的模型，并不比一位表现有波动的医生更安全。最后，所有作者都隶属于 Median Technologies，该公司开发 eyonis 系列筛查辅助软件；预印本未详细说明资金来源或利益冲突。

这改变了什么

对研究界，论文提供了一个有用的参照：一个 40 亿参数、经轻量微调的视觉-语言基础模型，在结构化筛查任务上仍明显落后于放射科医生，差距主要体现在灵敏度上。把人类差异与性能并列衡量是个好思路，但它要求做对称的实验：在真实扰动下测量模型自身的波动，并与现有专用模型（Sybil、三维网络）比较——这些在分析中都缺席了。

对临床医生，目前没有任何改变。一个在 40 例癌症中会漏掉 15 例、而医生只漏 6 例的工具，既不能独立阅片，也不能充当安全网。所谓"在专业力量不足的地区提供支持"并未得到证明：这需要一项让放射科医生分别在有、无该工具辅助下阅片的研究。

对患者和公众，信息应当谨慎：大型通用医学模型尚不能独立解读肺癌筛查 CT。放射科医生之间的分歧是真实的，也是寻找辅助工具的充分理由；但一个稳定却更不敏感的工具，还不是答案。

延伸阅读

论文：Performance vs Consistency: Evaluating a Foundation Model in Lung-RADS Screening，Benjamin Renoust、Pierre Baudot、Tiffany Foriel、Yousra Haddou、Charles Voyton、Pierre-Henri Siot、Ezequiel Geremia、Danny Francis、Jean-Christophe Brisset、Valérie Bourdès、Sylvain Bodard、Benoit Huet（Median Technologies，瓦尔博讷；其他单位：University of Osaka、AP-HP Necker、Memorial Sloan Kettering、Massachusetts General Hospital、Sorbonne Université），arXiv:2609.22281（cs.CV），2026 年 9 月 13 日提交，MICCAI CAPTION 2026 研讨会，DOI 10.48550/arXiv.2609.22281。预印本，未经同行评审。

代码：EYONIS-AIDS-DS/medgemma-miccai。基础模型：MedGemma（Sellergren 等，2025，arXiv:2507.05201）。分级标准：ACR Lung-RADS v2022。关于低剂量 CT 肺癌筛查，另见我们关于 CT 合成退化与结节影像组学的解读。