Google Research 梳理基础模型走向结核病筛查前线的落地历程

能否及时获得医疗服务，往往取决于地理上的偶然因素：你住在哪里，你当地的诊所拥有什么资源，以及专科医生是否在可及范围之内。

这种不平等在抗击结核病（TB）的斗争中表现得最为尖锐。结核病虽然可以预防和治愈，但每年仍夺走超过123万人的生命。一个主要瓶颈是放射科：对于身处高负担环境的人们——从居住在偏远农村地区的人到在地下深处作业的矿工——放射科医生十分稀缺，而影像基础设施往往远在数天路程之外。结果是数百万活动性病例未能被发现，导致传播持续不断。

过去几年里，我们横跨 Google Research 和 Google for Health 的团队一直致力于改变这一轨迹：从一个基于 我们在医学影像领域现有工作、用于识别疑似结核病患者以进行后续检测的 AI 工具，走到前瞻性临床试验、与当地合作伙伴一起获得监管批准，并最终推出像 MedGemma 这样赋能全球公共卫生系统的开放基础模型。本周在华盛顿特区举行的 IDWeek 2026 上，我们将分享我们如何把健康 AI 研究变为现实，以及基础模型如何在全球范围内普及结核病筛查。

证明 AI 工具能够阅读胸部 X 光片

我们的工作始于一个根本性问题：AI 工具能否以专家放射科医生的准确度解读用于结核病筛查的 胸部 X 光片（CXR）？

胸部 X 光检查是肺部筛查的一线影像手段，但检测结核病的细微征象，例如 肺尖浸润（肺部的顶部积液）和 空洞病变（组织损伤），需要专门的专业知识，而这在农村诊所中极为罕见。2019年，我们在 Radiology 上发表了一项基准研究，证明深度学习算法检测活动性肺结核的性能可与经验丰富的放射科医生相媲美。

然而，要在现实世界中发挥作用，还需要独立的验证。2021年8月，Stop TB Partnership 在 The Lancet Digital Health 上对不同患者群体中的计算机辅助自动检测（CAD）软件进行了评估，将我们的模型列为全球表现最佳的结核病筛查算法之一。同年，世界卫生组织也推荐使用 CAD 进行结核病筛查和分诊。2024年9月，我们在 NEJM AI 上详细介绍了一项前瞻性、多地点验证研究，表明 AI 辅助筛查在不同患者群体中保持高敏感度（最大限度减少漏诊），同时还能可靠地检测出其他偶然发现的肺部和心脏异常。

跨越转化鸿沟

在医学 AI 领域，发表论文仅仅是个开始。从算法模型到值得信赖的床边工具之间，横亘着一道“转化鸿沟”：让软件在各种 X 光机和离线环境下都保持可靠，将其整合到临床工作流程中，并满足医疗器械法规的要求。

基于这一考虑，我们与位于比勒陀利亚的医疗科技公司 Nexus AI 合作，由他们将我们的胸部 X 光算法转化为一款经过认证的临床诊断工具。在监管合规之路上，需要经历大量的审计：

• CE MDR IIb 类认证：依据欧盟医疗器械法规（EU MDR 2017/745），Nexus AI 获得了 IIb 类认证——这是一项严格的资质认定，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诊疗。
• 质量标准：Nexus AI 已获得 ISO 13485 医疗器械质量管理认证。
• 全球可及：Nexus AI 与 FIND 签署协议，以推进 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——同时正在推进美国 FDA 许可的审批路径。

一线影响：把服务送到患者所在之处

如今，Nexus Intelligence 正在诊断资源最紧缺的地区积极部署这项技术。

在六个国家——南非、塞拉利昂和科特迪瓦，并正在向刚果民主共和国、赞比亚和喀麦隆扩展——Nexus AI 的工具已进入约 40 家医疗机构。迄今，90 多名临床医生已评估了超过 25,000 张胸部 X 光片，将周转时间从数周缩短至 45 秒以内，既加快了快速分诊，也赋能医护人员做出最终临床决策。

我们的合作致力于健康公平：Nexus AI 已为资源匮乏的公立诊所提供了 3,000 多次免费筛查，正朝着每年 10,000 次赞助筛查的目标迈进。

极端环境下的筛查：Mponeng 金矿

没有什么比在南非 Mponeng 金矿开展的工作更能体现“把服务送到患者所在之处”了——这是世界上最深的矿井之一。深井矿工长期暴露于硅尘环境，面临肺病风险升高的问题。与 Stop TB Partnership、Harmony Gold Mine 和南非卫生部合作，Nexus AI 将超便携数字 X 光设备和离线 AI 部署到了地下四公里处。矿工在现场数秒内即可完成筛查，被标记为疑似结核病的人员可立即转诊进行确认性分子检测。如今筛查、分诊和确认检测可以在一次就诊中完成，将原本往往需要数周的流程大大压缩。

从单点方案到开放基础：HAI-DEF 与 MedGemma

与单一伙伴定制的方案无法独自应对全球结核病负担。为了扩大影响，我们从孤立的部署转向构建开放、可适配的基础设施，让开发者和各国卫生部门能够打造契合本地需求的解决方案。

通过 Health AI Developer Foundations（HAI-DEF），我们开源了胸部 X 光嵌入模型和 MedSigLIP——一个轻量级视觉-语言模型，经过训练可将胸部 X 光片等医学图像与描述它们的临床语言对齐。由于 MedSigLIP 能同时理解图像和文本，开发者可以用它以自然语言标签对图像进行分类或搜索，或只需少量本地样本即可针对特定任务进行微调。这让本地团队能够基于规模适中的区域数据集构建专用模型，并在无需大量算力资源的情况下达到出色性能。

在此基础上，我们发布了 MedGemma，这是一系列开放权重的多模态模型（有 4B 和 27B 参数两种配置）。MedGemma 从基础分类迈向多模态临床推理：它能综合放射影像发现与临床病史，以自然语言回答临床医生的查询，并且可在本地设备上离线运行。自发布以来，MedGemma 在全球的下載量已超过 1000 万次。

主权规模：支持印度尼西亚国家结核病倡议

开放模型助力公共卫生系统构建保护患者隐私的主权解决方案。在东南亚，印度尼西亚卫生部正在应对全球第二高的结核病负担，目标雄心勃勃：每年筛查 5000 万公民，以消灭这一疾病。

人工审阅 5000 万张 X 光片并不现实，而专有云软件又带来数据驻留难题。为此，该部正在用本国的 胸部 X 光影像对 MedGemma 和 MedSigLIP 进行微调。由于模型在本地基础设施上运行，患者数据留在国境之内，让卫生主管机构对临床部署拥有完全的主权。

互补筛查：基于 HeAR 的生物声学技术

鉴于影像设备无法覆盖每一个偏远卫生站点，Google Research 还开发了 Health Acoustic Representations（HeAR）。HeAR 基于超过 3 亿段音频训练而成，可通过标准智能手机麦克风录制的咳嗽声进行无创声学筛查。

HeAR 正通过撒哈拉以南非洲的合作研究得以应用，合作方包括 CIDRZ（赞比亚）、Aurum Institute（加纳，由 Google.org 提供 25 万美元资助），以及 HELINA 的 150 万美元区域合作项目。声学分诊（HeAR）、移动 X 光筛查（HAI-DEF）与多模态临床推理（MedGemma）相结合，为服务不足的人群提供了一套一体化的诊断工具链。

展望未来

从实验室算法到在六个国家的诊所中使用的 CE 认证工具，这段历程让我们明白了将研究转化为现实世界影响力所需的东西：严谨的科学、开放的开放者平台，以及投入的本地合作伙伴关系。由于我们的合作伙伴最了解自己的社区，他们如今正把这项工作继续推进。Nexus AI 正在扩展到新的国家，印度尼西亚正将结核病筛查纳入其国家项目，CIDRZ、Aurum Institute 和 HELINA 正在为基于咳嗽的分诊积累临床证据。我们的职责是通过开放模型、基础研究和持续支持为他们赋能，让更多结核病患者能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行们交流，共同推进公平可及的医疗。

致谢

我们感谢 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的合作者们，感谢他们在临床工作方面的领导力以及对全球健康公平的执着奉献。