谷歌将基础模型引入结核病筛查前线

能否及时获得医疗服务，往往取决于地理环境的偶然性：你居住在哪里、当地诊所拥有哪些资源，以及是否有专科医生在可及范围内。

这种差距在抗击结核病（TB）的斗争中尤为尖锐。尽管结核病可预防且可治愈，但每年仍夺去超过 123 万人的生命。放射学诊断是主要瓶颈之一：对于高负担地区的人群——从居住在偏远农村地区的人们到在地下深处工作的矿工——放射科医生稀缺，影像基础设施往往遥不可及。结果导致数百万活动性病例未被发现，从而助长了传播。

过去几年里，我们横跨 Google Research.. 和 Google for Health 的团队一直在努力改变这一轨迹：从基于 AI 的工具出发，该工具建立在我们现有的医学影像工作基础之上，用于识别疑似结核病患者以进行后续检测；进而推进至前瞻性临床试验、与当地合作伙伴共同获得监管批准；最终推出像 MedGemma 这样的开放基础模型，赋能全球公共卫生系统。本周在华盛顿特区举行的 IDWeek 2026 上，我们将分享如何将健康 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的民主化。

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根本性问题：基于 AI 的工具能否以专家放射科医生的准确度解读胸部 X 光片 (CXRs)，用于结核病筛查？

胸部 X 线摄影是肺部筛查的一线影像手段，但检测结核病的细微征象——如 肺尖浸润（肺部上叶积液）和 空洞病变（组织损伤）——需要专业 expertise，而这在农村诊所中往往难以获得。2019 年，我们在 Radiology 期刊上 发表了一项基准测试，证明深度学习算法在检测活动性肺结核方面，其性能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，终止结核病伙伴关系 在 The Lancet Digital Health 期刊上评估了针对多样化患者队列的 自动计算机辅助检测 (CAD) 软件，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 推荐将 CAD 用于 结核病筛查和分诊。2024 年 9 月，我们在 NEJM AI 上详细阐述了一项 前瞻性多中心验证研究，结果表明 AI 辅助筛查在不同患者群体中均能保持高灵敏度（最大限度减少漏诊），同时还能可靠地检测其他偶发的肺部和心脏异常。

跨越转化鸿沟

在医疗 AI 领域，发表论文仅仅是开始。从算法模型到值得信赖的临床床旁工具之间存在着“转化鸿沟”：即确保软件在各种 X 光机和离线环境中稳定运行，将其整合进临床工作流程，并符合医疗器械监管要求。

鉴于此，我们与总部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 光算法转化为经认证的临床诊断工具。应对监管环境需要进行广泛的审计：

• 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——这一严格的设计认定基于前瞻性临床评估，验证了该工具在真实世界患者护理中的安全性。
• 质量标准：Nexus AI 已获得符合 ISO 13485 医疗器械质量管理体系的认证合规性。
• 全球准入：Nexus AI 与 FIND 签署协议，以推进 世界卫生组织预认证 (WHO PQ)，这对于通过全球机构进行国际采购至关重要；同时，该公司也在积极寻求美国 FDA 许可 的途径。

一线影响：将服务延伸至患者所在地

如今，Nexus Intelligence 正积极在诊断需求最为迫切的地区部署这项技术。

在 六个国家 —— 南非、塞拉利昂和科特迪瓦，以及正在扩展的刚果民主共和国、赞比亚和喀麦隆 —— Nexus AI 的工具已在约 40 家医疗机构运行。迄今为止，超过 90 名临床医生已评估了逾 25,000 张 胸部 X 光片，将周转时间从数周缩短至不到 45 秒，从而加速快速分诊，同时赋能医疗专业人员做出最终的临床决策。

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

极端环境下的筛查：Mponeng 金矿

也许没有哪个部署案例比南非 Mponeng 金矿（世界上最深的矿井之一）的工作更能体现“在患者所在之处提供服务”这一理念了。深井矿工长期暴露于二氧化硅粉尘中，面临 肺部疾病风险升高 的问题。Nexus AI 与 停止结核病伙伴关系组织、Harmony 金矿 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 光设备和离线 AI 系统。矿工可在现场数秒内完成筛查，被标记为疑似结核病的矿工可立即转介进行分子确诊检测。如今，筛查、分诊和确诊检测可在一次就诊中完成，将原本往往需要数周时间的流程大幅压缩。

从单点解决方案到开放基础：HAI-DEF 和 MedGemma

仅靠与单一合作伙伴定制的解决方案无法解决全球结核病负担。为了扩大影响力，我们从孤立的部署转向构建开放、可适应的基础设施，使开发者和卫生部门能够创建符合当地需求的解决方案。

通过 健康 AI 开发者基础 (HAI-DEF)，我们开源了 胸部 X 光嵌入模型 和 MedSigLIP。MedSigLIP 是一个轻量级视觉语言模型，经过训练以将医学图像（如胸部 X 光片）与其临床描述语言对齐。由于 MedSigLIP 同时理解图像和文本，开发者可以使用它通过自然语言标签对图像进行分类或搜索，或者仅使用少量本地示例对其进行微调以适应特定任务。这使得本地团队能够在适度的区域数据集上构建专用模型，并在无需大量计算资源的情况下实现强劲的性能。

在此基础上，我们发布了 MedGemma，这是一系列开源权重的多模态模型（包含 4B 和 27B 参数配置）。MedGemma 实现了从基础分类到多模态临床推理的跨越：它能够综合影像发现与临床病史，以自然语言回答临床医生的查询，并可在本地设备上离线运行。自发布以来，MedGemma 在全球范围内的下载量已超过 1000 万次。

主权规模：支持印度尼西亚的国家结核病防治计划

开源模型有助于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致力于应对全球第二高的结核病负担，并设定了一个雄心勃勃的目标：每年筛查 5000 万公民，以消除该疾病。

人工审阅 5000 万张 X 光片是不切实际的，而专有云软件则带来了数据驻留方面的挑战。因此，卫生部正在利用国内的 胸部 X 光片对 MedGemma 和 MedSigLIP 进行微调。由于这些模型在本地基础设施上运行，患者数据始终保留在国家边界之内，从而让卫生领导者对临床部署拥有完全的主权控制权。

互补性筛查：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地区的卫生站，Google Research 还开发了 健康声学表征模型 (HeAR)。HeAR 基于超过 3 亿个音频片段进行训练，能够通过标准智能手机 麦克风录制的咳嗽声实现无创声学筛查。

HeAR 正通过与撒哈拉以南非洲地区的合作研究加以应用，合作方包括 CIDRZ（赞比亚）、Aurum Institute（加纳，获 Google.org 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）和多模态临床推理（MedGemma）相结合，为服务不足的人群提供了一套集成的诊断工具链。

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，这一历程让我们认识到将研究成果转化为现实世界影响力所需的要素：严谨的科学、开放的开发者平台以及专注的本地合作伙伴关系。由于我们的合作伙伴最了解其所在社区，他们正在推动这项工作迈向新阶段。Nexus AI 正在拓展至新的国家，印度尼西亚正将结核病筛查纳入其国家项目，而 CIDRZ、Aurum Institute 和 HELINA 正在构建基于咳嗽声分诊的临床证据。我们的角色是协助他们配备开放模型、基础研究和持续支持，从而让更多结核病患者能够更早得到诊断和治疗。

在 2026 年 IDWeek 会议上，我们期待与传染病和公共卫生界建立联系，共同致力于扩大公平医疗服务的覆盖范围。

致谢

感谢我们在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在临床领导力和对全球健康公平承诺方面所做出的贡献。