跳到正文
原文
梅斯医学·临床资讯·· 15 天前精选AI 评分85

人工智能辅助肺癌临床决策支持系统的研究现状与展望

AI 导读

文章系统分析了AI在肺癌筛查、诊断、分期、治疗决策等领域的应用进展,强调了多模态融合与智能体技术的重要性,同时指出了数据质量、隐私保护和伦理问题等挑战。

推荐理由

文章系统梳理了AI在肺癌临床决策支持中的应用进展与挑战,为相关研究提供参考。

正文

深度解析医学证据,DeepEvidence为你支撑决策

 导  读 

肺癌作为全球发病率和死亡率最高的恶性肿瘤,对人类健康构成严重威胁。尽管低剂量CT筛查的普及以及手术、靶向、免疫治疗的飞速发展显著改善了患者预后,但不同分期患者间巨大的生存差异仍凸显了精准诊疗的迫切需求。当前临床诊疗面临信息过载、医师工作负荷繁重、阅片主观性强等挑战,大量高维医学图像信息未被充分利用。

同济大学附属上海市肺科医院陈昶教授团队在《人工智能辅助肺癌临床决策支持系统的研究现状与展望》一文中指出,以深度学习为代表的人工智能技术,正为弥合当前肺癌诊疗所面临的挑战提供强大助力。其不仅能有效减轻临床负担、挖掘人眼难以察觉的深层特征,更已发展成为涵盖肺癌筛查、诊断、分期、治疗决策、预后评估及围手术期管理等全方位、多模态的决策支持体系。本文系统梳理人工智能在辅助肺癌临床决策支持领域的最新进展、面临的挑战及未来的发展方向,旨在为胸外科临床实践与相关研究提供有价值的参考。

正  文

肺癌是严重威胁人类健康的恶性肿瘤。据GLOBOCAN 2022统计,全球每年肺癌新发病例约248万例、死亡病例约182万例,发病率和死亡率均位居所有恶性肿瘤首位。近20年来,随着低剂量计算机断层扫描(low-dose computed tomography, LDCT)筛查的普及,肺癌的早期检出逐渐成为可能。美国国家肺癌筛查试验证实,LDCT筛查可使肺癌死亡率有所下降。欧洲的一项研究进一步在基于结节体积评估的策略下验证了LDCT筛查的生存获益。与此同时,手术方式、靶向治疗与免疫治疗的进步显著改善了肺癌患者的预后。然而,肺癌预后仍有待进一步改善,国际肺癌研究协会(International Association for the Study of Lung Cancer, IASLC)第九版TNM分期项目的数据显示,临床ⅠA1期患者的5年生存率可达92%,而ⅢC期患者仅约12%。因此,精准诊疗依然是临床工作的核心命题。

目前,肺癌的临床诊疗路径仍主要依赖医师对影像资料、病理报告等多源信息的综合判读。然而真实的临床场景不仅高度复杂,且临床医师面临大量的重复性工作负荷。对于同一患者的影像学资料,不同医师可能得出不一致的结论,且这一现象往往会进一步被巨大的工作负荷放大。与此同时,医学图像中蕴含大量超出肉眼所能辨识范围的高维信息,而这些信息在以往的临床实践中往往未得到充分的定量评估。以深度学习为代表的人工智能(artificial intelligence, AI)技术不仅有望极大减轻临床医师工作负荷,还能够从海量高维数据中提取人眼难以觉察的特征,为弥合上述鸿沟提供了可能(附件图1)。自深度学习系统引入医学图像分析以来,AI在肿瘤领域的应用已从单一模态的辅助诊断,逐步发展为整合影像、病理、基因组学与临床信息等多模态的决策支持体系,覆盖肺癌筛查、诊断、分期、治疗决策、预后评估及围手术期管理的完整诊疗链条(附件图2)。本文旨在系统探讨AI在辅助肺癌临床决策支持中的应用进展、现存挑战以及未来可能的发展方向,以期为胸外科临床实践与相关研究提供参考。

1 人工智能辅助肺癌早筛与早诊

肺结节筛查是肺癌防治的关键,其核心任务是判断肺内是否存在结节并评估结节的恶性风险。肺结节的早期检出与精准的良恶性鉴别构成了后续治疗或随访策略的决策基础,AI在该领域的应用有望实现更及时的肺结节检出以及无创的结节良恶性诊断,助力精准诊疗。

1.1  人工智能辅助肺癌早筛

肺结节检出的难点在于结节体积小、形态多变,且常与血管断面等正常结构难以区分,阅片医师在高负荷工作下难免发生漏诊。2019年,Google团队报道了一种端到端三维深度学习模型,该模型直接以完整LDCT容积为输入,无需人工勾画即可完成结节检出。这类模型的临床价值不仅在于提高检出率,更在于将医师从繁重的初筛工作中解放出来,同时降低因感官疲劳导致的漏诊及误诊。与此同时,AI对重塑诊疗流程的尝试同样值得关注。近期发表的一项前瞻性随机对照试验考察了基于AI的胸部X线片优先级排序能否缩短疑似肺癌患者从胸部X线片拍摄到CT检查以及从CT检查到确诊的等待时间。尽管主要终点均为阴性,但AI在放射科医师未检出异常时的补充提示价值仍值得关注,该结果并未否定AI辅助可能带来的获益。

肺结节筛查的另一难题在于后续随访间隔的判断,AI通过预测肺结节在未来若干年内发展为肺癌的概率,为个体化随访策略提供了新工具。例如,Mikhael团队开发了基于LDCT图像的深度学习模型Sybil,该模型仅凭单次LDCT即可预测个体未来1~6年内发生肺癌的风险,在内部验证集及多个独立外部队列中均保持了稳定而良好的预测效能,为筛查间隔的个体化制定和高危人群的精准富集提供了依据。与依赖吸烟史、年龄等人口学高危因素的传统风险模型不同,此类模型直接从影像中学习个体独有的解剖与病灶特征,在多个亚组中性能均保持稳定,对因不符合现行筛查标准而未被纳入筛查对象的潜在患者尤具临床意义。

1.2  人工智能辅助肺癌早诊

临床上,肺结节的良恶性诊断通常由放射科医师结合自身经验,依据结节的大小、实性成分、边缘特征及动态随访变化等做出判断,其不可避免地导致观察者间不一致性等问题。由此带来的误诊会产生不必要的有创性操作与心理负担,漏诊恶性结节则可能贻误治疗时机。深度学习的高维特征捕捉能力在这一场景中提供了独特价值。Zhu等基于超万例经病理确诊的肺结节CT图像,构建了名为DeepFAN的Transformer深度特征聚合网络,用于肺结节良恶性的自动判别。该模型独立诊断肺结节良恶性的曲线下面积(area under the curve, AUC)达0.954,明显优于12名低年资医师的诊断水平;更重要的是,在AI辅助下,医师诊断的准确率、敏感度、特异度及诊断一致性均得到显著提升,显示出人机协同阅片的广阔前景。

影像之外,液体活检为无创鉴别提供了另一条路径。2019年,Cristiano等报道了肿瘤细胞凋亡释放的循环游离DNA(cell-free DNA, cfDNA)在基因组上的断裂模式具有肿瘤特异性,为非侵入性肿瘤诊断提供了全新的途径。Mathios等随后在肺癌中证实了基于血液cfDNA片段组学进行肺癌早筛的有效性。在此基础上,He等将cfDNA甲基化标志物与临床特征、CT影像特征联合建模,在外部验证中实现了对肺结节良恶性的准确判别。Zhao等则通过整合临床特征、CT影像特征与cfDNA片段组学特征,构建了名为clinic-RadmC的多组学联合诊断模型,将肺结节良恶性鉴别的准确性进一步提高,其在外部验证集中的AUC可达0.923。从单一影像判断到影像与液体活检相结合,AI为肺癌的早诊早筛揭示了一条前所未有的路径。就临床决策而言,结节恶性风险的量化评估有望为随访间隔的个体化制定与有创检查时机的选择提供客观依据。

2 人工智能驱动肺癌精准分期与风险分层

肺癌治疗方案的决策高度依赖于精准的临床分期,近年来逐渐兴起的新辅助疗法更加凸显了精准分期的重要性。临床分期往往很大程度上决定患者是适合直接手术还是应先行新辅助治疗,以及术后是否需要系统性辅助治疗。与此同时,除临床分期之外,越来越多的证据表明组织学高危因素同样对肺癌患者的预后分层具有重要意义。

2.1  N分期评估与隐匿性淋巴结转移预测

由于新辅助疗法的兴起,术前确定肺癌的N分期尤其是纵隔淋巴结状态至关重要。目前淋巴结状态的术前评估主要依赖正电子发射断层显像/计算机断层扫描(positron emission tomography-computed tomography, PET-CT),然而其敏感性和特异性均有限。术前病理活检虽有较高敏感性和特异性,但其侵入性在一定程度上限制了其应用。为此,Cong等基于术前CT构建影像组学模型,用于预测临床ⅠA期非小细胞肺癌(non-small cell lung cancer, NSCLC)是否存在淋巴结转移,为早期患者的淋巴结状态评估提供了无创工具。随后,Zhong等基于多中心3 096例患者的影像数据开发卷积神经网络,用于预测临床Ⅰ期NSCLC的N2转移风险,在前瞻性验证队列中该模型的AUC达0.81,并展现出一定的预后分层能力。针对PET-CT亦难以发现的隐匿性淋巴结转移,该团队进一步融合PET与CT的跨模态特征,实现了对隐匿性淋巴结转移的无创预测。此类无创预测工具有望在减少不必要侵入性检查的同时,进一步提升术前临床N分期的准确性,从而为后续临床决策提供重要参考。

2.2  M分期与远处转移风险评估

远处转移不仅影响临床分期的判定,其对于后续的随访策略同样具有重要意义。例如,骨转移作为NSCLC术后远处转移的常见形式,若能在术前即评估转移风险,将有助于随访方案的个体化制定。Guo等纳入两家医院共1 547例行根治性切除的NSCLC患者,基于术前多参数CT构建三维卷积神经网络模型,并将其与临床影像因素整合为联合模型,用于预测术后无骨转移生存期。该联合模型在外部验证队列中的C-index达0.834,并能在不同临床分期的患者中将骨转移高、低危人群有效区分开来。此类模型提示,术前影像中蕴含着常规阅片难以捕捉的远处转移风险信息,AI有望为远处转移风险的长期评估提供补充。

2.3  组织学高危因素的术前预测

除解剖学分期外,气腔播散(spread through air spaces, STAS)、脉管侵犯(lymphovascular invasion, LVI)与脏层胸膜侵犯(visceral pleural invasion, VPI)等组织学高危因素同样与较差的预后相关,并可能影响术式的选择,然而这些特征仅在术后病理中方能确认,仅依靠肉眼从术前影像判断其存在并非易事。为了实现高危因素的术前无创评估,术前预测模型的开发不断深入。Chen等基于CT影像组学特征构建机器学习模型,实现了对Ⅰ期肺腺癌STAS的术前预测。针对VPI,Choi等开发的深度学习模型在CT上达到了与放射科医师相当的判别性能,且可根据临床需求调节敏感度与特异度。近期,Yang等纳入2 822例小体积NSCLC患者,构建了融合深度学习特征、影像组学特征与CT征象的多特征集成模型用于识别VPI,在多中心验证中展现出良好的临床实用性。病理分级是另一项影响预后分层的重要组织学因素。2020年,IASLC病理委员会针对浸润性非黏液性腺癌提出了新型分级策略,其预后价值随后在多中心队列中得到验证,且与常见驱动基因突变存在关联。然而该分级依赖术后病理,难以直接指导术前决策。为此,Zhong等利用PET-CT跨模态特征构建深度学习模型,实现了肺腺癌新分级的术前预测,进而为术式选择提供部分参考。组织学高危因素的术前识别为及早规划患者术式提供了额外的参考信息。

 3 人工智能辅助外科决策

3.1  新辅助治疗及系统性治疗疗效预测

新辅助免疫联合化疗已被证明可显著提高可切除NSCLC的病理完全缓解率并延长无事件生存时间,多项指南均推荐新辅助免疫联合化疗作为肺癌的标准治疗。然而,并非所有患者均能从新辅助治疗中获益,在CheckMate-816研究中,新辅助免疫组中仅有24%的患者达到病理完全缓解。无效治疗既带来毒性暴露和不必要的经济成本,还可能延误手术时机,疗效的术前预判由此成为亟待解决的问题。

目前,已有较多研究探索利用AI预测新辅助治疗疗效。程序性死亡配体1(programmed death ligand 1, PD-L1)表达是免疫治疗疗效最常用的预测指标之一,基于CT的深度学习模型已被证实可无创预测PD-L1表达水平及免疫治疗反应,从而借助这一现有指标间接评估患者的获益可能。在此基础上,She等开展的多中心研究更进一步,基于治疗前CT构建深度学习模型,直接预测NSCLC新辅助免疫联合化疗后的主要病理缓解,辅助临床医师筛选真正能从新辅助免疫治疗中获益的患者,避免无效治疗带来的手术延误及相关副反应。除肿瘤本身特征外,宿主免疫状态亦开始进入预测模型的视野,胸腺健康状态等新指标已被证实与免疫治疗结局相关,为疗效预测提供了新的生物学维度。基于深度学习的术前新辅助疗效预测具有传统单一生物标志物预测疗效所不具备的广阔前景,或可在减少无效治疗的同时提升患者群体从该疗法中的实际获益。

3.2  术式规划与术中导航

外科手术是肺癌根治性治疗的核心环节,AI在辅助术式规划与术中导航等方面的应用具有广阔前景。

对于具备根治性切除机会的早期肺癌患者,亚肺叶切除(楔形切除或肺段切除)或肺叶切除的具体术式选择仍是当前极具争议性的话题。JCOG0802研究证实,对于肿瘤直径≤2 cm的外周型NSCLC,肺段切除的总生存不劣于肺叶切除;CALGB140503研究进一步表明,亚肺叶切除的无病生存不劣于肺叶切除。尽管如此,多项研究仍提示,部分高危因素(如STAS、LVI等)的存在仍与接受亚肺叶切除术式的患者局部复发率升高相关。因此,此类高危因素的术前预测,有助于筛选侵袭潜能更强的肺癌亚群,并为该亚群患者提供肿瘤学局部控制能力更强的肺叶切除术式。此外,对于临床N0期的患者,AI预测的淋巴结转移风险亦可为淋巴结清扫范围的确定提供参考,力求在保证肿瘤学根治彻底性的同时取得最小的手术创伤性。

与此同时,肺血管解剖的自动分割与变异识别则进一步揭示肿瘤与关键结构的关系,为切除可行性的最终判断提供解剖学依据。在复杂肺段切除中,血管、支气管走行的个体差异与切缘规划直接决定手术安全。基于深度学习已可实现肺动静脉的自动分割,并揭示了个体间肺血管解剖的系统性差异,为个体化手术路径设计与变异血管的提前预警提供了工具。术中意外出血与切缘受累是肺切除手术中的重要风险,分子影像与增强现实(augmented reality, AR)技术的引入正在改变这一局面:ELUCIDATE试验证实,叶酸受体靶向荧光示踪剂pafolacianine可在术中对肺癌病灶进行实时分子成像,辅助发现隐匿病灶并评估切缘;AR导航引导的术中肺结节定位亦已完成初步临床验证,未来与AI血管走行预测相结合,有望进一步降低术中意外的风险。

3.3  人工智能辅助围手术期管理

围手术期管理方面,Bihorac等开发的MySurgeryRisk系统基于住院手术患者的病历数据,可在术前自动计算数种主要术后并发症以及术后最长24个月死亡的风险评分,该团队随后的前瞻性验证将实时预测结果直接推送至外科医师的移动端应用,证实了此类工具嵌入真实临床工作流的可行性。针对肺癌术后肺部并发症的可解释机器学习模型也已建立,使高危患者的识别与提前干预成为可能。此类风险预测的临床价值在于将量化结果转化为具体的围手术期管理策略,对于预测为高危的患者,术前可针对性优化心肺功能并纠正可逆的危险因素,术中可据此调整麻醉与通气方案,术后则可适当强化监护等级、尽早启动呼吸康复训练与血栓预防,从而将预测信息切实转化为并发症发生率与病死率的下降。

4 人工智能辅助病理与分子诊断

病理诊断是肺癌确诊的金标准,而数字病理图像的发展使得AI在病理学的应用迅速扩张。目前,AI在病理领域的工作已覆盖分型、分级、分子标志物预测乃至虚拟生成等多个层面。

4.1  病理分型与分级

2018年,Coudray等首次证实深度学习模型可从常规苏木精-伊红(hematoxylin-eosin, HE)染色切片中准确区分肺腺癌与鳞状细胞癌,水平与病理医师相当,同时还能从病理形态特征中预测常见驱动基因突变,回答了AI能否胜任病理分型这一基本问题,并展示了病理形态特征与分子特征之间的紧密关联。针对AI可能对从未见过的对象给出过于自信判断的问题,近期研究开始尝试构建通用可信AI框架,使模型能够感知自身对特定对象的不确定性,并在低置信度时主动示警,将最终决定权交予人类医师。在病理分级方面,基于多流注意力机制的ANORAK模型可自动识别并量化肺腺癌的组织学亚型构成,有望改善人工分级存在的观察者间差异,并将病理医师从重复性阅片工作中解放出来。

4.2  驱动基因突变与生物标志物预测

驱动基因检测依赖测序平台,费用不菲且需要一定周期,在标本量少或检测条件受限时难以企及。若常规HE切片即可提示突变状态,便可在低成本下实现分子检测的初筛与前置。继Coudray等从HE切片直接预测常见驱动基因突变的开创性工作之后,Fu等将深度学习分析拓展至泛癌种范围,证实病理图像中不仅蕴含基因突变信息,还可揭示肿瘤组成与患者预后。Zhao等随后在更大规模的多中心回顾性队列中验证了基于组织学图像预测肺癌基因突变的深度学习模型,该模型并保持了稳健的性能。Campanella等的研究则更进一步,对开发出的EAGLE模型进行临床部署验证,在多维度系统评估及静默实验中,模型仍能展现出良好的临床应用潜力,揭示了AI在基因检测领域广阔的应用前景。

4.3  生成式人工智能与虚拟染色

免疫组化、多重免疫荧光与空间组学等检查虽能提供远超HE切片的信息,但成本高昂、耗时较长,对组织标本的消耗又使小活检标本的检测尤为受限。若能从常规图像中提取额外的诊断信息,可带来相当可观的临床价值。利用组织自发荧光图像,深度学习可生成虚拟免疫组化染色,实现无标记的NSCLC病理分型。Pati等开发的生成式AI工具VirtualMultiplexer则可在同一张常规HE切片上虚拟生成多重免疫组化染色图谱,在不增加组织消耗的前提下为病理医师提供多种标志物的蛋白表达信息。这一思路正进一步向空间组学拓展。多模态AI已能从常规病理切片生成虚拟多重免疫荧光图像,并在此基础上构建虚拟人群规模的肿瘤微环境图谱,为在大规模样本中发现具有预后价值的空间特征提供了可能。Li等进一步从常规组织病理图像直接生成虚拟空间蛋白质组图谱,使可解释的生物标志物发现成为可能。与此同时,基于AI预测的空间转录组学特征也已能从病理切片中挖掘治疗相关生物标志物。在影像领域,由CT合成虚拟PET图像同样被证明可改善肺癌的诊断与预后评估。虚拟生成技术有望以较低的边际成本生成可及性较低的特殊染色、组学测序数据与高端检查,对医疗资源相对匮乏地区的病理诊断意义尤甚。

5 人工智能辅助预后评估

精准的预后评估既可能影响治疗方案的选择,也很大程度上影响随访策略的制定。TNM分期虽是预后评估的基石,但同一分期内患者预后仍存在显著差异,IASLC第九版TNM分期的分子分析亦显示,EGFR突变、ALK融合等分子改变可在同一解剖学分期内进一步区分患者的总生存,而传统临床病理因素往往难以刻画这种异质性。基于临床特征的深度学习生存模型可直接预测NSCLC患者的生存。对于临床及病理ⅠA期的纯实性NSCLC,尽管分期较早,其复发风险仍不容忽视,影像组学模型可对这一人群实现生存风险的精细分层,有助于识别需要强化治疗或密切随访的亚组。Chen等则证实,基于全切片病理图像的深度学习模型可细化肺腺癌的预后分层并评估治疗反应。Lin等进一步将影像与病理信息跨模态整合,不仅可预测可切除肺腺癌的预后,还可评估辅助化疗的获益,使预后评估直接服务于治疗决策。整合多模态临床信息的模型则实现了分子表型分析与预后预测的一体化。

6 前沿技术进展与新兴决策模式

6.1 医学基础模型

上述多数应用仍属于针对特定任务训练的专用模型,其泛化能力和训练成本一定程度上制约了实际应用,而近年兴起的基础模型正在改写这一范式。依托大规模数据预训练,基础模型学习了跨任务、跨模态的通用表征能力,具备更强的泛化性能。以病理基础模型CHIEF为例,其预训练使用了来自19个解剖部位、1.94万张全切片图像的1 500万张无标注图像块,完成预训练后在癌症诊断、分子特征预测与患者预后预测等多项下游任务中均展现出优异性能。随后,影像基础模型与多模态基础模型相继涌现。Merlin通过联合CT影像与病历文本训练,实现了三维CT的通用表征学习;TITAN进一步统一了病理图像与文本信息的处理,在多种肿瘤的诊断与预后预测任务中表现优异。这些模型重塑了相关领域研究的设计思路,显著降低了单个研究对标注数据的依赖,使小规模队列乃至罕见亚型的研究亦可开展高质量建模。

6.2  多模态融合策略

多模态数据的融合策略本身直接影响模型的性能与临床可用性。依据融合发生的阶段,现有策略大致可分为三类。早期融合(early fusion)在输入或浅层特征阶段即对各模态数据进行整合,信息保留最为完整,但易受维度灾难困扰且对缺失模态敏感。后期融合(late fusion)由各模态独立建模后在决策层面集成,可解释性较好,却难以刻画模态间的深层交互,前述多组学联合诊断模型clinic-RadmC即采用此策略。中间融合(intermediate fusion)则先对各模态独立编码,再经跨模态交互机制实现联合表征学习,兼顾交互深度与工程可行性,已成为当前的主流范式。总体而言,多模态融合正由简单的决策层面拼接走向联合表征学习,并进一步收敛至多模态基础模型。

6.3  智能体与多智能体协作

大语言模型驱动的智能体代表了AI辅助决策的最新形态。已有研究报道了可自主调用工具、完成端到端诊疗流程的医学AI智能体;在病理领域,智能体框架已能自动提出科学问题并验证假说,展现出自主科学发现的潜力;在多学科诊疗场景中,基于GPT-4的智能体经多模态工具增强后,可整合影像、病理与指南文献给出个体化治疗建议。多智能体协作有望将目前割裂于筛查、诊断、分期、治疗各环节的单一模型串联为贯穿诊疗全程的有机整体,但幻觉、决策失误及责任划分问题仍是其临床部署的巨大障碍,人类医师的严格监督不可或缺。

6.4  可解释性与多中心协作训练

“黑盒”问题是AI赢得临床医师信任的主要障碍,人类医师通常难以采纳一个无法说明理由的建议。多项研究已尝试在乳腺癌形态与分子特征分析、前列腺癌Gleason分级等任务中证明,模型可以给出类似病理医师思维过程的依据,使预测结果能够被审视和质询。试图解决医学AI可解释性的算法也在不断涌现。另一方面,联邦学习使多中心数据不出域即可协作训练模型,为肺癌AI模型的多中心验证与持续迭代提供了兼顾隐私的技术路径。

7 挑战与展望

尽管进展迅速,AI辅助肺癌决策的临床转化仍面临多重挑战(图1)。其一,多数模型建立于单中心回顾性数据,外部验证与前瞻性随机对照试验仍然匮乏,模型在不同人群、不同设备与不同工作流中的泛化能力有待确认,部分研究报告的优异性能可能高估了其真实临床价值。其二,数据质量、标注标准与隐私保护的规范化程度不足,制约了高质量数据集的构建与共享。值得注意的是,金标准本身亦存在不确定性。以病理AI为例,即便作为训练金标准的病理医师标注,在微乳头状成分等组织学亚型的判读上亦存在观察者间不一致。这种不一致会直接影响模型的训练与评估,在NSCLC全切片PD-L1定量任务中,6名病理医师的细胞级判读一致性本身有限,深度学习模型与医师间的一致性虽接近医师-医师间判读一致性,但并未突破一致性上限。上述现象凸显了多专家共识标注与标注一致性评估的重要性,但人类医师内部潜在的系统性偏倚可能无法引导模型突破一致性的上限,因此仍需未来研究进一步探究。此外,罕见亚型与特殊人群的数据稀缺还可能使模型产生系统性偏倚。其三,“黑盒”特性与责任归属问题影响着医师与患者的信任,当AI建议与医师判断相悖时,是否相信AI、如何界定责任,均缺乏明确规范,监管审批与伦理框架尚在完善之中。其四,模型输出如何无缝嵌入现有诊疗流程、与医师形成高效的人机协同而非相互干扰,需要专门的工作流研究与培训体系支撑。其五,技术迭代速度远超临床验证周期,模型获批之时可能已非最优版本,这对传统以固定产品为对象的监管范式提出了新的命题。其六,成本效益与卫生经济学证据仍然缺乏。AI模型的临床落地不仅取决于技术性能,也高度依赖其经济学价值,系统采购、算力与维护构成的前期投入能否被节省阅片时间、减少不必要有创检查与无效治疗所带来的获益所抵消,目前仍缺乏验证。针对人机协作筛查模式的成本效益分析提示,AI的获益高度依赖具体应用场景与人机任务分配方式。虽然已有研究证实AI预测模型可在真实诊疗流程中落地并辅助围手术期决策,但针对肺癌AI决策支持系统的前瞻性成本效益研究仍属空白。在我国按病种分值付费的支付环境下,能够缩短住院时间、减少并发症的AI工具更易获得医院管理者与医保部门的采纳,而规范的人群筛查经济学评价已为此提供了方法学参照,未来亟需将卫生经济学评价纳入AI工具的临床验证体系。

图片

图 1 AI辅助肺癌临床决策的挑战与未来方向

AI:人工智能。

展望未来,基础模型与智能体技术的成熟,有望将分散的AI工具整合为覆盖肺癌诊疗全程的决策支持体系。多模态数据的深度融合将使无创分子分型、虚拟组学数据的获取逐步走向常规,而多中心协作训练与规范化验证体系的建立,则是这一切得以真正临床落地的前提。需要强调的是,AI的定位始终是辅助而非替代,最终决策仍应由临床医师在充分理解模型输出及其局限的基础上作出。胸外科医师既是这场变革的使用者,也应是参与者与推动者,唯有临床与技术的深度协作,方能使AI真正转化为肺癌患者可及的生存获益。

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言

来源:梅斯医学·临床资讯 · news.medsci.cn