2025年6月24日，国际顶级医学期刊《自然·医学》（Nature Medicine）刊发的一篇论文，在中国乃至全球的医疗AI领域投下了一枚重磅炸弹。
由浙江省肿瘤医院与阿里巴巴达摩院联合团队研发的胃癌筛查AI模型GRAPE，宣告仅通过最常规的腹部平扫CT影像，实现对胃癌，特别是早期胃癌的规模化筛查。
在胃癌发病率、死亡率双高，而早期诊断率严重不足的中国，这一成果直指一个规模巨大、却始终未能有效解决的公共卫生痛点。
继胰腺癌筛查模型PANDA之后，达摩院的“平扫CT+AI”多癌筛查战略再下一城，其背后的商业逻辑、市场格局与未来想象空间，值得进行一次彻底的审视与剖析。
01 一道无解的方程：中国的胃癌困局
胃癌，是中国的一场“沉默的流行病”。根据国家癌症中心的数据，中国每年新增胃癌患者约35.87万，死亡人数高达26.04万，占全球总数的近40%。与此相伴的，是“两高一低”的严峻现实：发病率高、死亡率高，以及仅为35.9%的五年生存率。
这道生存率鸿沟，在与邻国日本（60.3%）和韩国（68.9%）的对比中显得尤为刺眼。值得注意的是，这一差距并非源于手术技术或创新药物的代差，其根本原因在于后者自上世纪80、90年代起便推行了全国性的胃镜筛查计划。这些计划将韩国等国的胃癌早诊率（确诊时仍属早期的比例）提升至60-70%的水平；而在中国，超过70%的患者在确诊时已是进展期，错失了最佳治疗窗口。
医学界的共识和数据早已证明，早期发现是逆转胃癌高死亡率的唯一关键。早期胃癌（EGC）经过治疗后的五年生存率高达95-99%，几乎等同于治愈；而晚期患者则不足30%。
因此，GRAPE模型所要解决的，并非一个未知的科学难题，而是一个已被充分验证、但始终无法在中国大规模有效实施的巨大市场缺口。
胃镜的瓶颈与替代方案的集体失效
既然胃镜是金标准，为何在中国难以普及？答案在于其固有的三大瓶颈：侵入性、资源依赖和低效率。
首先，胃镜作为一种侵入性检查，会给患者带来不适与痛苦，导致民众接受度与依从性极低。官方数据显示，中国每年完成的消化道内镜检查不足4000万例，大量人群终身未接受过胃镜检查 。在一些针对性的筛查项目中，依从率甚至低至18-48%。
其次，胃镜检查高度依赖操作医师的经验和麻醉科医生的配合，优质医疗资源分布不均，难以支撑全国范围的普筛。
最后，也是最致命的一点，是其效率低下。传统胃镜筛查的胃癌检出率仅为1.16%至1.20%，这意味着平均需要进行约100次胃镜检查才能发现1例胃癌。这种“大海捞针”式的模式，对于拥有14亿人口的中国而言，无论在经济成本还是医疗资源上，都是难以承受的。
因此，《中国早期胃癌筛查流程专家共识（2022版）》等权威指南明确指出，当前最可行的策略是：先通过非侵入性方法筛选出高风险人群，再对这部分人群进行靶向性胃镜精查。这一策略的核心，在于找到一个精准的“过滤器”。
然而，现有的“过滤器”们表现均不尽如人意。以血清学检测（如胃蛋白酶原PG、胃泌素G-17、幽门螺杆菌Hp抗体等）为代表的传统方法，被证明对检出率的提升极为有限，仅能将检出率从1.20%微升至1.25%。而近年来备受关注的液体活检技术，尽管前景广阔，但目前仍面临成本高昂、灵敏度有待提升等商业化初期的难题。
这就形成了一个清晰的市场真空：市场迫切需要一种全新的、非侵入性的、低成本且高精度的风险分层工具。GRAPE的价值定位，并非要取代胃镜，而是要成为那个高效的“过滤器”，确保每一台宝贵的胃镜检查都能用在“刀刃”上，从而在宏观层面解决整个筛查体系的效率难题。
02 GRAPE蓝图：医疗AI的新范式
GRAPE模型的诞生，本身就是对行业固有认知的一次颠覆。长期以来，医学界普遍认为平扫CT（NCCT）因其对胃、肠等空腔脏器的成像对比度低，且易受气体、蠕动等因素干扰，无法用于胃癌筛查。
达摩院与浙江省肿瘤医院的联合团队，通过构建全球最大规模的胃癌平扫CT影像数据集，并利用深度学习技术，从这些在人眼看来信息量极低的影像中，挖掘出了早期病变的微妙特征。
这一成果建立在达摩院“平扫CT+AI”技术路线的长期积累之上。其早前发布的胰腺癌筛查模型PANDA，同样基于平扫CT，也登上了《自然·医学》，并获得了FDA的“突破性医疗器械”认定，这为GRAPE的技术可靠性提供了强有力的背书。
技术架构：兼顾性能与可解释性
GRAPE模型采用了一个高效且巧妙的两阶段深度学习框架，其核心基于在医学影像分割领域被广泛验证的nnU-Net架构。
- 第一阶段：胃部分割。
模型首先利用一个分割网络，在整个三维CT扫描中精准定位并“框”出胃部区域。
- 第二阶段：联合分类与分割。
随后，一个包含分类和分割双重任务的网络，对分离出的胃部区域进行精细分析。它不仅能输出一个将患者分为胃癌（GC）或非胃癌（NGC）的风险评分，还能同时生成一个像素级的分割掩码，在图像上直接标示出可疑的肿瘤区域。
这种架构设计是其未来临床推广的关键优势之一。它并非一个提供“是”或“否”答案的“黑箱”，其输出的分割图像（即可解释性）为放射科医生提供了直观的视觉证据。医生可以据此验证AI的判断，这极大地增强了临床采纳的信任度，有效解决了许多医疗AI工具因“不可解释”而难以被医生接受的核心痛点。
临床数据深度解读：关键在于早期发现
GRAPE的性能表现经过了极为严苛的多中心、大规模数据验证。模型在包含20个中心、近10万人的数据上进行了开发与验证。
- 内部验证集（1,298例）：
曲线下面积（AUC）高达0.970，敏感性为85.1%，特异性为96.8%。
- 独立外部验证集（来自16个中心，18,160例）：
表现依然稳健，AUC为0.927，敏感性81.7%，特异性90.5%。
在与13名放射科医生的“人机大战”中，GRAPE（AUC 0.92）的表现全面超越了所有人类专家（AUC范围0.76-0.85），平均灵敏度提升21.8%，特异性提升14.0%。
然而，对于一个筛查工具而言，最有价值的指标并非其平均性能，而是其对早期癌症的检出能力。论文数据显示，GRAPE对早期胃癌（EGC, T1/T2期）的检出敏感性约为50%，而对进展期（T3/T4期）则超过90% 。
筛查的全部意义就在于“早”，能将晚期胃癌的发现窗口提前至早期，这正是GRAPE的颠覆性价值。
03 “一扫多查”的雄心
达摩院的雄心不止于胃癌。其公开宣称的“一扫多查”战略，是以一次平扫CT检查为入口，通过AI平台同时对胰腺癌（PANDA）、胃癌（GRAPE）、肝癌、结直肠癌、食管癌乃至骨质疏松等多种疾病进行筛查。此前，达摩院已实现在胰腺癌上的突破。
当前，医疗AI市场高度碎片化，充斥着大量只能解决单一问题的“点解决方案”。对于医院而言，采购、集成、管理数十个来自不同供应商的AI工具，是一场IT和工作流程的噩梦。
如果达摩院的“一扫多查”，能够在多种肿瘤或其他疾病中显示积极作用，对医院来说，它就只需一次性集成该平台，即可获得一个不断扩充的、覆盖多个病种的AI能力库。
04 如何商业化？
商业化的核心是支付。对于GRAPE这类“软件即医疗器械”（SaMD），其报销路径在中国尚不清晰。
因此，对于类似GRAPE的软件即医疗器械类产品商业化可能需要多条腿走路：
- B2B模式（体检机构）：
这是目前最清晰、最可行的主渠道。向美年健康这样的大型连锁体检机构销售“一扫多查”AI服务包，由体检机构作为增值服务向其企业和个人客户推广。
- B2B2C模式（医院自费）：
医院在进行常规CT检查时，向患者提供一个可选的、自费的“AI癌症风险评估”附加项。考虑到中国平扫CT的价格相对低廉（约300-500元），增加一项数百元的AI分析费用，对于关注健康的中产阶层具有吸引力。
- OEM/授权模式（设备厂商）：
将GRAPE算法授权给影像设备巨头，作为其高端CT机型的一大卖点。这是一种轻资产、高杠杆的渠道扩张模式。
- 价值医疗模式（未来探索）：
从卫生经济学的角度，向支付方（包括商业保险和未来的医保政策制定者）证明，投入AI筛查的成本，远低于其所能节省的晚期癌症治疗费用。这需要长期的、大规模的前瞻性队列研究数据支撑，是终极目标，但道阻且长。
不过积极来看，GRAPE有望在未来大幅改善中国胃癌的检出率，提高中国患者生存率，让我们一起期待其大规模的前瞻性验证。
本文来自微信公众号“硬AI”，作者：硬ai，36氪经授权发布。
