摘  要

本综述深入探讨了人工智能（artificial intelligence，AI）技术在肺癌全程管理中的应用与进展。AI通过计算机视觉、深度学习和自然语言处理等技术手段，应用于肺癌诊疗的各个阶段。早诊阶段，AI辅助识别高危人群，通过结合病理技术，实现肺癌组织学分类、分子标志物预测及免疫组织化学定量分析等功能。治疗阶段，AI整合多模态数据，辅助制定个体化治疗方案，通过临床决策支持系统（CDSS）提升效率。随访阶段，通过影像、远程监测和智能随访系统，实现对患者的连续监测并优化随访策略。AI医疗技术前景广阔，但其仍面临泛化能力弱、AI决策可解释性差、以及伦理和法律问题等。

正  文

肺癌的高发病率和高死亡率给全球的公共卫生带来严峻挑战[1]。针对肺癌患者的全程管理可提高生存率，因此肺癌的早筛、诊治及随访也是当前临床和科研领域共同关注的话题[2-3]。近年来，人工智能（artificial intelligence，AI）技术迅速发展，展现出其在医疗领域的变革潜力。通过计算机视觉、深度学习、自然语言处理等技术，AI可在肺癌诊疗全程管理的各个阶段辅助临床实践。在术前阶段，AI可辅助自动分析医学影像发现可疑病灶、辅助病理诊断分型、构建多模态多学科诊疗辅诊系统；在术中阶段，AI可辅助实现三维虚拟影像进行手术预案及手术导航；在术后阶段，AI辅助的数字诊疗可协助肺癌患者术后康复与随访。本综述以肺癌患者全程管理为主线，分析AI技术在接诊、影像诊断、病理分析、治疗决策、术中辅助以及术后监测与远程随访各阶段中的具体应用、研究进展，以及其优势与面临的挑战。

 1 人工智能辅助智能分诊与早期筛查

AI在肺癌全程管理中，从初诊和高危人群筛查开始发挥作用。传统筛查方式依赖基础生活习惯和病史，易导致漏诊。机器学习模型可利用大量临床数据进行更精准的风险预测。研究[4-5]表明，基于人口学信息、吸烟史、临床实验室结果电子健康档案（electronic health records，EHR）数据的模型，在预测未来3～12个月肺癌风险方面优于剂量CT筛查标准和传统统计模型，能识别更多高风险个体。临床决策中，高风险人群的识别需考虑多种因素，其中许多信息以非结构化形式存在于医疗文书中。自然语言处理（natural language processing，NLP）技术可从非结构化病历中提取信息，提升预测模型效能。Vanderbilt大学医学中心开发的算法通过扫描电子病历中的吸烟描述性线索，使符合肺癌筛查标准的患者人数增加了1.74倍[6]。该NLP算法通过自动化阅读病历记录，提高了对符合低剂量CT筛查标准人群的识别率。因此，结合非结构化数据的AI筛查决策支持系统可显著提高高危人群的发现率。

在患者初诊评估中，AI可辅助症状分析和分诊决策。AI驱动的问诊系统或决策支持工具可通过解析患者症状、体征和简单检查结果，判断其罹患肺癌的可能性，并指导下一步诊疗。例如，对于主诉咳嗽、咯血的患者，AI模型可结合其危险因素给出鉴别诊断建议，提醒进一步完善胸部影像检查[7-8]。AI的优势在于可利用海量数据和文本信息进行个体化风险评估，有助于提升早期肺癌诊断率。但此类模型需要大量高质量标注数据进行训练，不同医院数据差异和记录方式不统一可能影响模型的泛化表现。此外，预测模型在落地、部署过程中也需要大量数据进行反馈优化。

 2 人工智能辅助胸外科医学影像临床应用

医学影像学检查（如胸部低剂量CT）是肺癌早期发现和诊断的关键。计算机视觉和深度学习技术广泛应用于影像领域，重点提升肺结节检出率、良恶性评估准确性及辅助手术预案制定[9-11]。

2.1　肺结节检测与筛查

深度学习算法可自动检测CT影像中的微小肺结节，敏感性（96.7%）显著高于传统放射科医师（78.1%）[12]，并将阅片时间从30～60 min缩短至几分钟[13]。AI有望在大规模筛查中提升早期检出率、降低误报率。欧洲研究[7]证实，AI可筛除无结节的CT扫描，减少79%的放射科工作量且无漏诊。英国的一项试验[14]显示，AI预筛选后，所有确诊肺癌病例均在AI标记的复核范围内，表明AI在排除阴性病例的同时未遗漏阳性病例。

2.2　结节良恶性判断与动态监测

AI可基于影像特征评估结节恶性概率，提供“影像组学”风险分级。其分类准确率接近有经验的放射科医师[15-16]，并能定量分析结节生长变化，优化随访管理[17]。研究团队利用支持向量机（SVM）技术，从肺腺癌影像中提取特征，构建分类模型，区分不同分子特征的肺腺癌，为精准医疗提供潜在影像学标记[18]。

2.3　多模态成像与分期评估

AI还应用于胸部X线、PET-CT等模态。在胸部X线片上，AI有助于发现早期隐匿病灶[19]。在PET-CT中，深度学习技术可提高分期准确性[20]。此外，AI通过超分辨率重建等技术，在降低辐射剂量的同时保持图像质量[21-22]。

AI在医学影像阶段的主要优势在于：自动、高效、一致地处理海量图像数据，大幅提高早期病灶的发现和诊断率，同时减少人为差异和漏诊率。在肺结节检测方面，AI可充当“双读者”甚至初筛者，提高筛查效率，减轻医生负担。在辅助诊断方面，AI提供的恶性概率评估和分期提示可帮助医生制定诊疗计划。

目前AI应用于医学面临的挑战首先是数据和算法的泛化问题，影像AI算法往往需要大量带标注的数据训练，不同医院成像设备和人群的差异可能导致模型在实际应用中性能下降，需要广泛的多中心验证。其次，AI在影像诊断中的决策逻辑多为“黑箱”，缺乏可解释性，临床医师与患者难以完全信任其结果，因此在未来的研发验证过程中，完善可解释性AI系统的研发是研究重点[23]。此外，AI决策逻辑缺乏可解释性，临床信任度有限，未来需完善可解释性AI系统研发。AI检测的大量结节可能引发患者焦虑，需在准确性和特异性间取得平衡。随着算法改进、监管框架完善及更多临床数据积累，AI将更可靠地服务于肺癌影像诊断。

 ３ 人工智能应用于组织病理和分子诊断

肺癌确诊及分型依赖病理学证据，传统方法耗时且存在主观差异。数字病理与深度学习的结合为病理分析带来革新，AI通过分析高分辨率数字图像，在肺癌病理诊断、分型和预后预测中展现出显著成效。

3.1　组织学分类与亚型识别

深度学习模型可从病理切片中自动识别肿瘤并分类肺癌亚型（如腺癌、鳞癌、小细胞癌等）。研究[24]表明，AI模型基于单张苏木精-伊红染色法（HE）染色切片即可高准确率区分肺腺癌与肺鳞癌，与经验丰富的病理医师诊断相当，尤其有限组织材料的病例诊断准确性提升显著。AI还能发现人眼不易察觉的形态学特征，辅助良恶性鉴别，降低漏诊和误诊率[15]。最新研究[25]开发的ANORAK模型，通过大量肺腺癌病理切片训练，精准识别肿瘤细胞形态、结构及分布特征，实现肺腺癌分化程度的准确分级，减少病理医师经验差异导致的误差，为精准诊断与个性化治疗提供支持。

3.2　分子标志物和突变状态预测

AI不仅能分析形态，还能从病理图像中推断肿瘤分子特征。研究[26-27]表明，深度学习模型通过分析H&E切片可预测肺癌基因突变和分子标志物状态。例如，卷积神经网络预测非小细胞肺癌组织中STK11和KRAS基因突变的曲线下面积（AUC）分别达0.84和0.81[24]。一项对2 099例肺腺癌的研究中[28]，模型预测EGFR基因突变状态的AUC达0.87。AI还可推测肿瘤突变负荷（TMB）和微卫星稳定性等，为免疫治疗提供参考[29-30]，展现了AI在个体化医疗中的潜力。

3.3　免疫组化定量和预测

在晚期肺癌治疗中，PD-L1表达水平是免疫检查点抑制剂使用的重要指标。传统PD-L1免疫组化评估耗时且存在主观差异。AI模型可自动定量评估PD-L1表达，减少人为主观偏差，提高评分一致性[26, 31-33]。对于TPS接近临界值的病例，AI的客观计数尤其有助于提升结果可靠性。此外，AI还可用于分析其他免疫组化标记物，如ALK融合基因的染色结果判读[34]。

AI在病理阶段的优势在于高效、客观、一致地分析病理图像，辅助肿瘤分类分型、浸润范围测量及分子标志物检测，缓解病理医生短缺压力，提高诊断效率和精确度。然而，AI面临数据获取与共享困难、模型对图像扫描设备和染色方法差异的适应性验证不足、决策过程不透明等挑战。未来需通过更多前瞻性临床试验评估病理AI系统的实际影响，完善技术标准与法规指南。

 ４ 人工智能在治疗方案制定中的应用

肺癌治疗方案制定涉及多学科知识，包括外科手术、放射治疗、全身治疗（化疗、靶向治疗、免疫治疗）等，需综合考虑肿瘤特征和患者情况。临床决策支持系统（clinical decision support system，CDSS）和机器学习模型为治疗决策提供重要辅助。

4.1　个体化治疗方案推荐

AI系统可整合多模态数据（影像、病理、基因组、临床记录等），辅助制定最佳治疗策略。通过分析大量类似病例的治疗效果，AI模型可预测患者对不同疗法（如免疫治疗、靶向药物或化疗）的响应概率和潜在获益。例如，AI可根据肿瘤突变负荷PD-L1表达及影像学特征，预测患者对PD-1/PD-L1抑制剂的响应率，筛选潜在获益者[35-37]。对于特定驱动基因突变的患者，AI模型可结合基因型和表型数据，推荐靶向药物并预测疗效和不良反应风险[38-39]。多模态深度学习整合病理图像、基因突变列表和临床指标，综合分析后输出治疗建议，提升治疗决策精准度，推动个体化医疗。

4.2　临床决策支持系统与指南辅助

由北京大学肿瘤医院与浙江大学共同研发临床决策支持系统（Tumor Board系统），面向精准肿瘤多学科会诊（MDT）的互动式临床决策支持平台，能够整合复杂信息并提升诊疗效率。其核心功能包括：（1）患者事件自动提取：利用大语言模型从文本中提取关键医疗事件，生成结构化诊疗时间轴，替代人工整理，提取准确率超90%；（2）分子特征解读（MoIST）：通过交互式分级展示变异信息（基因信息、层级、通路、证据可靠性），帮助医生快速获取关键诊疗信息；（3）临床试验推荐：运用NLP解析试验标准，通过加权评分自动匹配患者病历与试验条件，优先推荐契合方案，契合率达85%。该系统实现从分子解读到临床决策的全链条智能化支持，推动精准肿瘤学在多学科会诊场景的落地[40-42]。国际上，IBM的Watson for Oncology是早期著名的肿瘤AI决策支持系统之一，其通过NLP阅读海量医学文献和临床指南，为特定患者提供治疗方案建议。在中国的一项回顾性研究[43]中，Watson系统针对149例肺癌病例的建议与医院多学科团队决策的一致性为65.8%。表明AI在标准化指南应用方面的潜力，尤其对基层医院具有参考价值。随着系统引入更多中国本土数据和指南，其与本地专家决策的符合率有望进一步提高。此外，AI还可帮助匹配临床试验，根据患者肿瘤分子特征快速检索适合的临床药物试验，为患者提供新疗法机会。

4.3　优势与挑战

AI在治疗决策阶段的优势在于知识更新快、信息整合全面，可提醒医生参考最新循证医学证据，避免遗漏潜在治疗选项，减少决策中的人为偏倚，使治疗选择更加标准和透明。然而，AI系统面临以下挑战：（1）因果推理能力不足：当前AI系统基于模式识别的相关性判断，缺乏人类专家的因果推理能力，无法完全替代专业判断。（2）知识库更新滞后：AI系统需持续维护更新知识库，防止其建议滞后于最新医疗进展；（3）医生信任与采纳度：AI推荐的可解释性和合理性影响医生采纳度，若推荐不够直观或曾提出不合理方案，医生可能忽视其输出；（4）伦理与责任问题：AI建议错误时如何归责尚无明确共识，需规范AI在临床决策中的应用边界和责任划分。当前领域内强调“AI辅助决策，医生做最终决定”的原则，确保AI系统成为医生的辅助工具而非替代。未来需出台AI医疗应用指南，规范AI在临床决策中的应用，确保患者安全和数据隐私不受侵犯。

 ５ 人工智能在肺癌外科手术中的应用

手术切除是早中期非小细胞肺癌的主要根治手段，AI技术正逐步应用于术前规划和术中导航，提高手术精度和安全性。

5.1　术前人工智能影像重建与手术规划

AI辅助的三维重建技术（AI-3D）可自动分割CT图像，生成段解剖结构模型，精确定位病灶和细小结构[44]。在部分病例中，借助AI重建发现肿瘤解剖位置与周围结构关系后，外科团队调整了手术策略，例如原计划行肺叶切除改为保留肺组织的肺段切除，而仍能确保肿瘤完全切除。这体现了AI对术前决策的价值，通过更全面的解剖视图，外科医师可以优化手术方案、减少不必要的组织切除。此外，AI生成的3D模型还可用于术前虚拟手术演练和患者沟通，让团队对手术步骤更加胸有成竹。我国研究者[11]曾基于AI技术研发全自动三维虚拟成像系统，内部验证Dice指数达89.2%，研究团队进一步以解剖学作为金标准，通过回顾性及前瞻性研究验证AI系统三维虚拟成像准确性，最终明确AI虚拟成像系统准确率在97%以上，可以缩短肺叶/肺段手术时间达20%左右。该AI系统性工作目前已经在临床投入应用，大幅提升了胸外科临床实践的准确性和效率。

5.2　术中导航和增强现实

AI结合术中导航和增强现实（virtual reality，AR）技术实现术中导航，将3D模型投影至术野，实时显示肿瘤和重要结构位置[45-48]。术者在屏幕或透视眼镜中看到肿瘤和重要血管的虚拟轮廓与真实器官重合，从而实时指导切口下解剖。这种AI支持的增强现实导航有助于确保安全边界、避免误伤重要结构，降低术中并发症风险。尤其当肿瘤较小或位于深部时，术者肉眼和触觉难以直接定位，AR投影提供了直观指引。除了定位导航，AI还可通过计算机视觉分析术中影像，协助判断肿瘤是否完全切除、边缘是否无瘤存在。比如在切除后对残腔拍照，AI可比对术前肿瘤位置，提醒是否需要进一步扩大切缘[48]。这些功能目前多处于研发和初步临床试验阶段，但展现了智能手术的发展前景。

5.3　手术机器人与自动化

AI正提升手术机器人的智能化水平。机器学习算法可分析术中数据，预测术后并发症风险[47-48]。AI辅助的自动化操作在可重复手术环节（如缝合、止血）上具有潜力，但完全自主的外科机器人尚未进入临床。人机协作模式更具现实意义，AI辅助医生完成复杂操作，提高精度和效率。

5.4　技术挑战与未来展望

AI在术中辅助面临技术、数据和临床应用层面的挑战，包括影像与解剖的实时配准、模型泛化能力、成本-效益比等。法律监管尚需完善，明确AI辅助时的责任划分。通过多学科合作和试验，AI术中辅助技术有望逐步成熟，纳入临床标准流程。

 ６ 人工智能用于术后监测与远程随访管理

肺癌患者术后需长期随访，传统方法依赖周期性门诊复查，存在监测盲区。AI技术提供了更连续、主动的监测手段。

6.1　影像随访与复发检测

术后患者通常需要定期随访CT以监测局部复发或新发病灶。AI可自动对比历次随访影像，检测新发结节或手术区域变化，比肉眼更敏感。AI驱动的随访影像分析模型能够结合肿瘤生长模式和影像特征，提早识别复发迹象[49-50]。放射组学和深度学习模型还可预测患者未来复发风险，用于个性化随访策略[51]。这种预测可用于个性化随访策略，对于高风险者增加随访频率或辅助检查，低风险者则避免过度检查，提高随访资源利用效率。

6.2　远程患者监测

借助可穿戴设备和物联网技术，AI技术可以对肺癌患者术后的生理和症状进行远程实时监测。AI驱动的可穿戴设备可连续跟踪患者的呼吸频率、心率、活动量、睡眠情况等生理参数，一旦指标出现异常变化（例如静息心率持续升高、活动耐力下降），AI可分析模式后自动警报，提示可能出现了并发症如感染、肺功能恶化等[52]。对于术后住院患者，AI系统能监测胸腔引流量变化，进而及早发现持续漏气或积液感染等并发症。这些实时监测手段让医疗团队可以在患者症状明显前进行干预，显著降低严重并发症发生率，缩短住院时间[53]。对于已经出院的患者，远程监测还能减少不必要的回院复查次数，提高患者生活质量[54]。

6.3　随访管理和患者支持

AI技术在智能随访管理和患者支持方面展现出显著优势。通过NLP聊天机器人等形式的智能随访系统，可有效提升患者参与度和依从性。系统能够定期询问患者症状（如咳嗽、疼痛等），在发现异常时自动建议就医或安排加急检查，并根据患者个体情况个性化提醒时间、康复锻炼及注意事项[55]。目前，这种远程随访平台已在部分肿瘤中心试点应用，实现了医生、患者与数据的紧密联结，推动了“互联网+”时代的智能随访发展。研究[56]表明，通过整合患者、数据科学家和医生资源，利用AI构建个性化随访仪表板，可使医生及时掌握患者动态信息，并基于统计模型预测高危事件。

AI在术后随访中的优势主要体现在提供主动、连续、个性化的监测，显著扩展了医疗服务覆盖面。相较于传统仅在复查时明确病情的方式，AI与远程设备的结合实现了患者健康的实时监测，可在复发和并发症等异常情况出现时及时干预。同时，智能随访系统有效减轻了医生电话随访的工作负担，提高了随访效率和患者满意度。

然而，AI随访技术仍面临多方面挑战：首先，数据隐私和安全问题亟待解决，远程监测采集的大量个人健康数据需要妥善存储和使用，并严格遵守相关法律法规；其次，患者依从性问题突出，特别是年长患者对新技术的接受度较低，需要加强健康教育；再次，数据处理能力面临考验，如何从海量监测数据中滤除噪声、提炼临床有效信息并及时传达给医生，需要AI算法建立有效的监察机制；最后，从支付和政策层面看，远程AI随访服务的费用报销和规范尚不明确，医疗机构在投入使用时可能面临经济和法律顾虑。随着技术成熟和政策完善，AI有望在肺癌术后随访中发挥更大作用，帮助患者获得长期生存管理的收益。

 ７ 展望与挑战

AI技术正逐步融入肺癌全程管理的各个环节，从早期筛查、精准诊断到个体化治疗决策、手术辅助，再到术后康复监测，展现出广阔的应用前景。AI作为高效工具，为临床医生和科研人员提供了新的视角，能够挖掘海量数据中的有用信息，人类做出更明智的决策。然而，AI技术的医学应用仍面临诸多挑战，需要在技术层面和数据层面实现突破，才能确保其在医疗领域的安全高效应用。

首先是算法和数据层面的挑战。许多AI模型（如深度学习模型）存在"黑箱"效应，缺乏良好的可解释性在临床应用中，明确模型决策依据至关重要，因此提高AI决策透明度是研究重点，例如通过可视化模型关注区域、提供特征重要性等方法。此外，高质量医疗数据集的获取和共享存在困难，不同地区、种族人群数据以及成像设备和操作流程的差异，可能导致模型泛化能力不足。未来需要通过多中心合作建立更大规模、更多元的医学AI数据库，并应用迁移学习等技术提升模型对新环境的适应性。同时，深度学习模型对数据量和算力要求极高，开发高性能医疗AI需要投入大量资源。

其次是临床和管理层面的挑战。将AI技术融入现有工作流程需要医务人员接受专业培训，理解AI系统的医学应用原理，避免过度依赖。临床应用中需明确AI辅助决策的边界，确保人类专家在关键决策中发挥主导作用。此外，AI系统可能存在算法偏倚，若训练数据不平衡，可能对少见亚型或少数族裔患者出现系统性误判。因此，医院和监管机构需对AI算法进行独立验证和持续质量监控，确保其在不同患者亚组中的可靠性。医疗AI还涉及重大伦理和法律议题，如患者数据隐私保护、算法决策责任归属等。在政策层面，美国药品与食品监督管理局和中国NMPA已批准部分肺结节检测AI软件作为影像科阅片助手，并发布相关产品注册指南，强调算法的有效性和安全性验证[57]。中国的《人工智能医疗器械注册审查指导原则》等政策文件为AI产品的研发和应用提供了框架。2023年版《中国肺癌筛低剂量CT查指南》也提及AI在影像判读中的作用，鼓励其用于提高筛查效率[58]。这些政策支持为AI的规范化应用奠定了基础，但也对研发者和使用者提出了更高的合规要求。

人工智能辅助肺癌全程管理已从实验室研究逐步走向临床实践，其精准、高效、个性化的前景令人期待。未来几年，更多经过严格临床试验验证的AI产品有望投入使用。AI与医院信息系统的深度整合将实现各环节数据的实时共享与决策支持，提升医患对AI的认可度。在“人机协作”模式下，AI可快速处理海量信息，而医生则把握全局、做出判断，二者优势互补，共同改善肺癌患者的预后和生活质量。未来，我们应秉持审慎而积极的态度，推动多学科合作和政策完善，在实践中不断学习改进，迎接人工智能赋能肺癌全程管理的目标。

利益冲突：无。

作者贡献: 李想负责概念构思、框架设计、全文撰写与修订、经费获取；王荃讷负责文献检索与整理、协助初稿撰写；阎石较为深度全面的内容审校、语言润色；吴楠负责概念构思、框架设计、质量控制、最终版本审核、通讯联络。

Tags： 人工智能辅助下肺癌全程管理