Google Research 推動基礎模型應用於結核病篩查

能否及時獲得醫療服務，往往取決於地理位置：你住在哪裏、當地診所擁有哪些資源，以及能否找到專科醫生。

結核病（TB）防治工作中的差距尤其嚴重。結核病雖然可以預防和治癒，每年仍奪去超過 1.23 million 人的生命。主要瓶頸之一是放射診斷：在結核病負擔沉重的地區，無論是偏遠鄉郊的居民，還是深入地下工作的礦工，放射科醫生都十分短缺，而影像檢查設施往往遠在數天路程之外。因此，數以百萬計的活動性病例未能被發現，令疾病持續傳播。

過去幾年，Google Research 和 Google for Health 的團隊一直致力扭轉這個局面：從運用 AI 工具，基於我們在醫學影像方面的現有研究，找出疑似結核病患者以安排後續檢測；到進行前瞻性臨牀試驗、與本地合作夥伴取得監管批准；最終推出 MedGemma 等開放式基礎模型，為全球公共衞生系統提供支援。本週在華盛頓特區舉行的 IDWeek 2026 上，我們將分享如何把健康 AI 研究付諸實踐，以及基礎模型如何在全球範圍普及結核病篩查。

證明 AI 工具能判讀胸部X光片

我們的研究始於一個基本問題：AI 工具能否像資深放射科醫生一樣準確地解讀胸部X光片（CXR），用於結核病篩查？

胸部X光檢查是肺部篩查的一線影像檢查方式，但要辨識結核病的細微跡象，例如肺尖浸潤（肺部頂端積液）和空洞性病變（組織受損），需要專業知識，而鄉郊診所往往缺乏這類專業人員。2019 年，我們在 Radiology 發表基準測試，證明深度學習演算法偵測活動性肺結核的表現，足以媲美資深放射科醫生。

然而，要在實際環境中發揮效用，就必須經過獨立驗證。2021 年 8 月，Stop TB Partnership 在不同患者羣組中評估自動化電腦輔助檢測（CAD）軟件，並於 The Lancet Digital Health 發表結果，將我們的模型列為全球表現最佳的結核病篩查演算法之一。同年，WHO 亦建議使用 CAD 進行結核病篩查和分流。2024 年 9 月，我們在 NEJM AI 詳細介紹一項前瞻性多地點驗證研究，證明 AI 輔助篩查在不同患者羣體中均能維持高敏感度（減少漏診），同時可靠地偵測其他偶然發現的肺部及心臟異常。

跨越轉化落差

在醫療 AI 領域，發表論文只是起點。從演算法模型到值得信賴的臨牀工具，中間存在「轉化落差」：軟件必須能在不同的X光機和離線環境中穩定運作，融入臨牀工作流程，並符合醫療器械法規。

有見及此，我們與Nexus AI 合作。這家位於比勒陀利亞的醫療科技公司，將我們的胸部X光演算法轉化為經認證的臨牀診斷工具。要應對複雜的監管環境，必須接受全面審核：

• CE MDR IIb 類認證：根據歐盟《醫療器械規例》（EU MDR 2017/745），Nexus AI 已取得 IIb 類認證。這項嚴格的認證根據前瞻性臨牀評估，確認該工具可安全用於真實病人護理。
• 品質標準：Nexus AI 已獲認證符合醫療器械品質管理標準 ISO 13485。
• 全球應用：Nexus AI 與 FIND 簽訂協議，推進取得世界衞生組織預認證（WHO PQ）。這項認證是透過全球機構進行國際採購的必要條件；同時，Nexus AI 亦持續推進取得美國 FDA 許可。

前線成效：把服務送到病人身邊

目前，Nexus Intelligence 正積極在最迫切需要診斷服務的地方部署這項技術。

Nexus AI 的工具已在六個國家約 40 間醫療機構運作，包括南非、塞拉利昂和科特迪瓦，並正拓展至剛果民主共和國、贊比亞和喀麥隆。至今，超過 90 名臨牀人員已評估逾 25,000 張胸部 X 光影像，將周轉時間由數星期縮短至 45 秒以內，加快快速分流，並讓醫護人員作出最終臨牀決策。

我們的合作致力促進醫療公平：Nexus AI 已為資源不足的公營診所提供超過 3,000 次免費篩查，並朝每年資助 10,000 次篩查的目標邁進。

極端環境下的篩查：Mponeng 金礦

或許，南非Mponeng Gold Mine的工作最能説明如何在病人身處之地提供服務。這座金礦是全球最深的礦場之一。深井礦工長期暴露於矽塵中，患上肺病的風險較高。Nexus AI 與Stop TB Partnership、Harmony Gold Mine及South African Department of Health合作，在地下四公里處部署超便攜數碼 X 光設備套裝及離線 AI。礦工可在現場於數秒內接受篩查；被列為疑似結核病的礦工，可即時轉介接受分子確證檢測。篩查、分流及確證檢測現可在一次就診中完成，將往往需時數週的流程大幅縮短。

從單點解決方案到開放基礎：HAI-DEF 和 MedGemma

單靠為單一合作夥伴度身訂造的方案，無法應對全球結核病負擔。為擴大成效，我們不再只進行零散部署，轉而建立開放、靈活適用的基礎，讓開發者和各地衞生部門能按本地需要建立解決方案。

透過Health AI Developer Foundations（HAI-DEF），我們開放了胸部 X 光嵌入向量及 MedSigLIP。MedSigLIP 是一款輕量級視覺語言模型，經訓練可將胸部 X 光等醫學影像，與用來描述影像的臨牀語言對齊。由於 MedSigLIP 能理解圖像和文字，開發者可使用自然語言標籤為影像分類或搜尋，亦可只用少量本地範例，針對特定任務微調模型。這讓本地團隊可利用規模不大的地區數據集建立專用模型，無需大量運算資源也能達到出色表現。

基於此，我們推出了 MedGemma，這是一系列開放權重多模態模型（4B 和 27B 參數配置）。MedGemma 的能力由基本分類提升至多模態臨牀推理：它會綜合放射影像結果與臨牀病史，以自然語言回答臨牀人員的查詢，並可在裝置本機執行，無需連接互聯網。推出至今，MedGemma 在全球的下載量已超過 10 million 次。

主權規模：支援印尼國家結核病計劃

開放模型有助公共衞生系統建立保障病人私隱的自主方案。在東南亞，印尼衞生部正應對全球第二嚴重的結核病負擔，並訂下宏大目標：每年為50 million 名公民進行篩查，以消除這種疾病。

人手審閲50 million 張 X 光片並不可行，而專有雲端軟件則帶來數據駐留方面的挑戰。因此，衞生部正使用印尼本地的胸部 X 光影像微調 MedGemma 和 MedSigLIP。由於模型在本地基礎設施上執行，病人數據會留在國境之內，讓衞生領導人全面掌控臨牀部署。

互補篩查：運用 HeAR 進行生物聲學篩查

Google Research 留意到，影像設備無法覆蓋每一個偏遠醫療站，因此亦開發了 Health Acoustic Representations (HeAR)。HeAR 以超過 300 million 段音訊訓練而成，可透過標準智能手機的咪高峯錄下的咳嗽聲，進行非侵入式聲學篩查。

HeAR 正透過撒哈拉以南非洲各地的合作研究應用，合作機構包括 CIDRZ（贊比亞）、Aurum Institute（加納，獲 Google.org 提供 $250,000 資助），以及 HELINA 的 $1.5 million 區域合作項目。聲學分流（HeAR）、流動 X 光篩查（HAI-DEF）和多模態臨牀推理（MedGemma）結合起來，為服務不足的社羣提供一套整合式診斷工具流程。

展望未來

從實驗室演算法到獲 CE 認證、在六個國家的診所使用的工具，這段歷程讓我們瞭解到，要將研究轉化為實際影響，需要嚴謹的科學研究、開放的開發者平台，以及投入的本地合作夥伴。合作夥伴最瞭解自己的社羣，現正進一步推進這項工作。Nexus AI 正拓展至新的國家；印尼正將結核病篩查納入國家計劃；CIDRZ、Aurum Institute 和 HELINA 則正為以咳嗽為基礎的分流建立臨牀證據。我們的角色是向他們提供開放模型、基礎研究和持續支援，讓更多結核病患者及早獲得診斷和治療。

在 IDWeek 2026，我們期待與傳染病及公共衞生界交流，攜手擴大公平醫療服務的覆蓋範圍。

致謝

我們感謝以下合作夥伴 Nexus AI、 Stop TB Partnership、 UNOPS、 CIDRZ、 Aurum Institute、 HELINA、 Harmony Gold Mine、 南非衞生部，以及印尼衞生部，感謝他們在臨牀領導工作上的貢獻，並致力於促進全球健康公平。