宾大医学院AI模型Percival可从CT扫描中发现检查目的之外的隐藏疾病

据发表于**《npj Digital Medicine》、并于2026年10月16日公布的一项研究，宾夕法尼亚大学医学院（Penn Medicine）的研究人员开发了名为Percival的人工智能模型，可在CT扫描中发现检查原定目的之外**的疾病迹象和未来健康风险。

研究要点

• Percival使用约5万名患者的约40万次CT扫描进行训练，数据来自宾大医学院生物样本库，该库二十年来收集了超过35万人的信息。
• 模型发现了心房颤动（一种心律失常）和慢性肾病等慢性疾病的迹象。
• 据宾大医学院介绍，与另一款AI模型TotalSegmentator相比，Percival识别胰腺癌、肝硬化和细菌性肺炎等疾病”可靠得多”。
• 目标是实现**“机会性筛查”**，例如在为排查肺炎而做的扫描中发现癌症的早期迹象。
• 模型代码和训练规格已开源。

局限性

• Percival仍处于临床前测试阶段，尚未用于常规临床。团队希望明年初开始测试，以推动临床应用。
• 模型仅基于单一医疗系统的数据训练；研究人员正在研究更大规模、跨机构的数据以提高其稳健性。
• 本文依据大学新闻稿撰写，新闻稿未提供详细的准确率数据。偶然发现也可能导致额外检查和误报，因此前瞻性验证十分重要。

本文为科研新闻，不构成医疗建议。请与医生讨论您自己的影像检查结果。