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。

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。

1）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。

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。

1）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。

2）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。

" 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。

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"，关注更多 AI 前沿资讯请移步这里