GitHub Radar

這篇是 Google Research 與 Google for Health 團隊（Preeti Singh、Shravya Shetty）在 IDWeek 2026 期間發表的回顧，說明他們如何把結核病（TB）篩檢 AI 從研究帶到臨床現場，最後走向開放的基礎模型。TB 可預防也可治癒，但每年仍奪走逾 123 萬條人命；在高負擔地區，從偏遠農村到地底礦工，放射科醫師稀缺、影像設備常在數天路程外，大量活動性病例因此未被發現。

證明 AI 能讀胸部 X 光

胸部 X 光是肺部篩檢的第一線工具，但辨識肺尖浸潤、空洞病灶等細微徵象需要專業。2019 年他們在 Radiology 發表基準研究，顯示深度學習偵測活動性肺結核的表現可媲美資深放射科醫師。2021 年 8 月，Stop TB Partnership 在 The Lancet Digital Health 評估多款電腦輔助偵測（CAD）軟體，Google 的模型名列全球表現最佳之列；同年 WHO 也建議以 CAD 進行 TB 篩檢與分流。2024 年 9 月，他們在 NEJM AI 發表前瞻性多中心驗證，顯示 AI 輔助篩檢在多元族群中維持高敏感度，並能偵測其他附帶的肺部與心臟異常。

跨越轉譯鴻溝

論文只是開始，演算法與可信的床邊工具之間隔著「轉譯鴻溝」：要在各種 X 光機與離線環境穩定運作、整合進臨床流程、符合醫療器材法規。他們與南非 Pretoria 的 Nexus AI 合作，將演算法轉成認證的臨床診斷工具：取得歐盟 MDR 第 IIb 類認證、ISO 13485 品質管理認證，並與 FIND 簽約申請 WHO 預審（國際採購所必需），同時推進美國 FDA 許可。該裝置最快 45 秒完成胸部 X 光的肺病篩檢。

第一線成果

Nexus AI 的工具目前在南非、獅子山、象牙海岸運作，並擴展至剛果民主共和國、尚比亞、喀麥隆，共約 40 家醫療機構；90 多位臨床人員已用它判讀超過 25,000 張胸部 X 光，報告時間從數週縮短到 45 秒內，最終臨床決策仍由醫療人員做出。Nexus AI 已向資源不足的公立診所提供逾 3,000 次免費篩檢，目標每年 10,000 次。最具代表性的是南非 Mponeng 金礦：與 Stop TB Partnership、Harmony Gold Mine 及南非衛生部合作，把超攜帶式數位 X 光與離線 AI 帶到地下四公里，礦工現場數秒內完成篩檢，疑似個案可立即轉介分子檢測，讓篩檢、分流、確診在一次就診內完成。

從單點方案到開放基礎模型

單一夥伴的客製方案無法解決全球 TB 負擔，因此他們轉向開放、可調整的基礎模型。透過 Health AI Developer Foundations（HAI-DEF）開源胸部 X 光嵌入與 MedSigLIP，這是一個對齊醫學影像與臨床描述語言的輕量視覺語言模型，可用自然語言標籤分類或搜尋影像，或只用少量在地樣本微調。接著推出 MedGemma 開放權重多模態模型（4B 與 27B），從分類進一步到多模態臨床推理，能結合影像發現與病史、以自然語言回答臨床問題，並可離線在裝置上執行，累計下載超過 1,000 萬次。

印尼的主權規模應用

印尼是全球 TB 負擔第二高的國家，衛生部目標每年篩檢 5,000 萬人。人工判讀不可行，專有雲端軟體又有資料落地問題，因此衛生部正以國內胸部 X 光微調 MedGemma 與 MedSigLIP，模型在本地基礎設施運行，病患資料不出國境。

聲學篩檢 HeAR

考量影像設備無法抵達每個偏遠站點，Google Research 也開發了 Health Acoustic Representations（HeAR），以超過 3 億段音訊訓練，可用一般手機麥克風錄下的咳嗽聲進行非侵入式篩檢。目前與尚比亞 CIDRZ、迦納 Aurum Institute（獲 Google.org 25 萬美元資助）及 HELINA 的 150 萬美元區域合作計畫共同研究。聲學分流（HeAR）、行動 X 光篩檢（HAI-DEF）與多模態臨床推理（MedGemma）組成一條整合式診斷鏈。

展望

從實驗室演算法到在六國診所使用的 CE 認證工具，靠的是嚴謹科學、開放開發平台與在地夥伴。接下來 Nexus AI 將擴展至更多國家，印尼把 TB 篩檢納入國家計畫，CIDRZ、Aurum 與 HELINA 則在累積咳嗽分流的臨床證據；Google 的角色是提供開放模型、基礎研究與持續支援。