计算机断层扫描（CT）的广泛应用增加了肺结节的检出率。然而，用于良恶性结节分类的深度学习方法往往难以全面整合全局与局部特征，且大多数方法尚未通过临床试验验证。
2026年4月22日，香港大学俞益洲、北京大学人民医院洪楠、北京协和医院金征宇、宋兰共同通讯在Nature Cancer（IF=28.5）在线发表题为TMEM87A suppresses ferroptosis and increases cancer immunotherapy resistance by maintaining the Golgi apparatus pH homeostasis的研究论文。
该研究表明开发了一个基于 Transformer 的 AI 模型—DeepFAN，DeepFAN在内部测试集上实现了0.939的AUC值，在涉及三个独立医疗机构400例病例的临床试验数据集上实现了0.954的AUC值。
在临床试验验证中，DeepFAN显著提高了 12 名初级放射科医生（1-5 年工作经验）的诊断 AUC 值，以及诊断准确率、敏感度和特异度。且将医生之间的诊断一致性从“一般”提升到“中等”。这些结果表明，DeepFAN 能够有效辅助初级放射科医生，并有助于使诊断质量趋于一致，减少对肺部结节性质不明确患者的不必要的随访。
肺癌是全球癌症相关死亡的主要原因，每年估计有180万人因此死亡。在中国，肺癌既是最常见也是致死率最高的癌症，每年新增病例超过100万，占所有癌症相关死亡的28.5%，远高于全球平均水平18.7%。
2017年，中国肺癌的经济负担估计为250.69亿美元（占国内生产总值的0.121%），并且持续增加，尤其是在诊断延迟导致预后较差的欠发达地区。因此，及时识别和早期诊断对于减轻肺癌负担至关重要。
计算机断层扫描（CT）是早期识别肺癌的主要影像学技术。随着胸部CT可及性的提高，每年可发现数百万个偶发性肺结节（IPN），肺癌筛查项目的实施更是放大了这一数字。影像量的激增显著增加了放射科医生的工作负荷，常常限制了每个病例的阅片时间。
研究表明，在评估肺结节的恶性风险时，不同阅片者之间存在显著差异，这可能导致患者管理决策的不一致。由此带来的诊断不确定性常引起患者焦虑，并可能引发不必要的下游检测、过度随访甚至过度治疗。
DeepFAN的架构（图源自Nature Cancer）
在该研究中，研究人员提出了DeepFAN——一种基于Transformer的深度神经网络，用于IPN的良恶性分类。DeepFAN融合了三个关键模块：视觉Transformer（ViT）模块用于捕捉全局上下文特征，带有反事实注意力学习和注意力丢弃层的三维残差网络（CAL-ADL 3D ResNet）用于提取精细的局部特征，以及图卷积网络（GCN）用于融合全局与局部表征。
DeepFAN是国内首个通过严格MRMC临床试验验证、并获得NMPA三类认证的肺结节AI辅助诊断产品。它不仅证明了融合全局与局部特征的Transformer模型的有效性，更关键的是，在真实的临床测试中证实了AI能切实帮助初级医生提高诊断水平、缩小不同医院间的诊疗差距。
参考消息：https://www.nature.com/articles/s43018-026-01147-w