达摩院 EAGLE 团队把食管癌早筛 AI 嵌进了肺癌低剂量 CT（LDCT）的扫描流程——做一次肺癌筛查的同时，食管癌的评估顺带完成，患者不增加一次检查、不增加一次辐射、不增加一次排队。这项研究以 3 国 8 万例数据在 Nature Medicine 落地，敏感性约 90%。更值得注意的是，这是一周之内达摩院「通用基座+专病适配」范式的第二张顶刊门票：上周 RADAR 直肠癌 AI 刚登 Science。本文按五段拆开：为什么「嵌入」比「新建」更可行、8 万例的验证设计、对高发区的意义、与食管镜的成本对比、以及商业化路径。
肿瘤早筛 AI 过去几年踩过的最大的坑，不是模型不准，而是没人来做。一套再准的筛查产品，如果要求受检者「专门请一天假、空腹、排队两小时、做一次不舒服的检查」，依从性就会断崖式下跌。中国食管癌高发区过去二十年推过多种筛查方案，最终能长期跑下来的项目，无一例外都在回答同一个问题：怎么把检查的边际成本压到接近零。
EAGLE 的思路是把这个思路推到极致。肺癌低剂量 CT 已经在国内三甲医院常规开展——高危人群（吸烟史、年龄 50 岁以上）本来就要做这一次胸部 CT。扫描范围从肺尖到膈顶，物理上已经把食管中下段完整覆盖在影像里。EAGLE 做的事情，是在这张「本来就要拍」的 CT 影像上，额外跑一遍食管癌风险评估。患者侧的体验是零增量：不多拍一次、不多吃一次辐射、不多花一次挂号费。
这是产品设计层面的关键分野。传统早筛 AI 的商业模型是「新建一个筛查项目」——需要院方立项、需要宣传、需要动员受检者、需要证明 ROI。EAGLE 的商业模型是「搭一个顺风车」——LDCT 项目已经在跑，EAGLE 作为附加输出加进报告流。前者是从 0 到 1 的教育市场成本，后者是从 1 到 N 的边际渗透成本。
再往深一层看，「嵌入」路径还解决了医学 AI 落地最隐蔽的一个障碍：报告责任归属。一个独立筛查产品出了漏诊，责任链条要重新定义——谁发起筛查、谁做判读、谁负责随访，每一环都是扯皮空间。而挂在 LDCT 报告流里的附加输出，天然继承了已有报告的责任框架：放射科医生在已有工作流里多看一行食管癌风险提示，签字责任不变、随访路径不变、法律框架不变。这种「对现有流程零扰动」的设计，才是医院信息科敢上线的真正原因。待验证：LDCT 受检人群与食管癌高危人群（40 岁以上、家族史、烫食/烟酒）的重合度到底有多高，这决定了「嵌入」路径的真实覆盖效率。
顶刊论文的含金量，一半在模型，一半在验证设计。EAGLE 这篇 Nature Medicine 的关键不是「敏感性 90%」这个数字本身，而是这个数字是怎么算出来的。
需要注意的是，90% 是总体数字。临床上真正关心的是早期病变（0 期/I 期）的敏感性——如果模型对早期病灶的敏感性掉到 70% 以下，它的早筛价值就会大打折扣。待验证：亚组分析里早期病变的具体敏感性/特异性数字，需要读原文 Supplemental 表。
食管癌在中国的分布高度集中：河南、河北、山西三省交界的太行山区，是全球发病率最高的区域之一，病理类型以鳞癌为主，与欧美腺癌为主的发病谱显著不同。这个分布特征带来两个直接后果：
从公共卫生角度，EAGLE 这类产品如果要真正改变高发区的食管癌死亡率，需要三件事同时成立：第一，模型在县医院设备上保持三甲医院水平（设备漂移问题）；第二，高风险者能被可靠地转诊到有内镜能力的上级医院；第三，随访机制能闭环——发现风险不等于完成筛查，从「提示风险」到「确诊治疗」的链路每断一环，公共卫生价值就折损一半。待验证：EAGLE 是否已经在高发区的县医院做了前瞻性试点，而不只是回顾性数据验证。
食管癌早筛的金标准至今是色素内镜/碘染内镜。它的诊断准确性最高，但也是体验最差、成本最高的路径：
从卫生经济学角度算一笔粗账：假设一次食管镜含活检的直接成本是 800 元，动员一个食管癌高危人群每年筛查一轮，1 万人就是 800 万的直接检查成本，还没算受检者请假、交通、误工的间接成本。如果 EAGLE 能把低风险的 70% 人挡在内镜之外，同样的内镜资源可以覆盖 3 倍人口——这个杠杆效应对高发区县医院的意义，比模型精度本身更重要。
正确的使用方式不是「EAGLE 替代食管镜」，而是「EAGLE 先做人群分层」——把 80% 低风险者挡在食管镜之外，把有限的内镜资源集中给高风险者。这个逻辑在肺癌筛查里已经被 LDCT 验证过：LDCT 替代 X 光胸片做肺癌早筛，不是因为 LDCT 能直接确诊肺癌，而是因为它能把低危人群筛掉。EAGLE 在食管癌路径上扮演的就是同一个角色。待验证：EAGLE 高风险人群后续内镜确诊率（PPV）——如果 PPV 太低，等于把内镜资源浪费在大量假阳性上。
EAGLE 这篇论文落地之后，商业化路径有两条主岔路：
路径 A：医院按项目采购。软件按医院/按年付费，挂在 PACS/报告系统里，作为 LDCT 报告的附加输出。这条路径上线快、决策链短（信息科+放射科主任），但天花板明显——单院采购预算有限，且不进入医保支付意味着受检者要额外出钱，依从性优势被削弱。国内大多数医疗 AI 产品目前停在这条路径。
路径 B：进医保/立项筛查项目。作为肿瘤早筛公共卫生项目的一部分打包支付。这条路径天花板高（覆盖人群从「主动来院的人」变成「被动员的高危人群」），但审批周期长，需要真实世界研究数据支撑卫生经济学证据。RADAR 和 EAGLE 一周两刊，客观上是在为路径 B 攒证据——顶刊论文是医保谈判和立项答辩里最硬的材料。
对达摩院/阿里医疗团队来说，「通用基座+专病适配」的产品化意义在这里才真正显现：每一个专病模型（肺癌 LDCT 上挂食管癌、肠镜影像上挂直肠癌）都不是孤立产品，而是在同一个影像基座上长出的功能模块。基座研发一次，专病适配边际成本递减，这是它能在一周内连发两刊的工程基础，也是商业化上能摊薄研发成本的结构原因。待验证：具体的采购合同、定价模式、是否进入地方医保试点，均为非公开信息，本文不做推断。
三点说明：① 本文基于 2026-09-26 医疗大模型日报对 EAGLE 研究的公开报道整理，未能逐字核对 Nature Medicine 原文，亚组分析、具体敏感性/特异性数值、早期病变 PPV 等关键数字以原文为准，文中已以「待验证」标签标注；② 商业化路径分析为基于行业常识的推断，具体采购合同、定价、医保试点情况均为非公开信息，本文不做事实性陈述；③ 达摩院/阿里为公开研究主体，本文不代表其官方立场，亦不构成投资或采购建议。