深度解析医学证据，lxfs.net为你支撑决策

结直肠癌是全球发病率与死亡率均位居前列的恶性肿瘤，其精准诊疗在临床实践中仍面临诸多挑战。影像学检查能够为结直肠癌诊疗提供重要的决策支撑^[1-2]，但传统影像评估依赖医师的主观经验，难以量化肿瘤内部的异质性，这一固有局限在很大程度上制约了其在结直肠癌精准诊疗中的实际效能。近年来，人工智能（AI）技术的飞速发展与融合，为突破这一困境带来了新的可能。然而，在该技术广阔的应用前景下，医学影像AI的临床落地依然步履蹒跚：大量算法模型相继发表，但能够通过前瞻性随机对照试验（RCT）验证并真正嵌入真实临床路径者，仍属凤毛麟角。本文聚焦结直肠癌，系统阐述医学影像AI在辅助肿瘤诊疗决策中的突破性进展、临床转化面临的挑战，以及未来发展方向。

1 从视觉评估到数据挖掘：医学影像的范式革命

当前，结直肠癌的防治形势依然严峻。传统影像评估方法虽可为其诊疗提供一定的参考依据，但阅片结果高度依赖医师的主观经验，限制了该技术在疾病精准诊疗中的应用价值突破。此外，定性分析的局限性使得肿瘤内部异质性难以准确量化，进而导致图像中蕴含的丰富生物学信息无法被充分挖掘，这已成为制约精准医疗领域发展的关键瓶颈。

破局之道在于根本性的范式转变：将医学影像重新定义为可量化挖掘的数据源。影像组学作为这一变革的先驱，通过高通量技术提取数百乃至上千个定量特征，可实现肿瘤数字表型的构建^[3]。深度学习技术的崛起则将这一进程推向新的高度——通过端到端的学习架构，模型能够直接从海量图像中捕捉肉眼难以识别的深层特征，实现了从“看见”到“看懂”的本质跨越^[4-5]。

在这一范式转变的推动下，结直肠癌影像分析领域正积极探索可辅助各类诊疗难题的AI技术体系。早期的重要突破体现在淋巴结转移预测方面：首个结直肠癌淋巴结转移影像组学列线图的开发，确凿证实了从常规CT图像中挖掘深层量化信息的可行性^[6]。此类研究为领域发展提供了重要的概念验证和探索经验，标志着影像分析开始从传统的形态学描述迈向肿瘤异质性的深度解析^[7]。随着技术不断演进，研究前沿逐步向预后预测和疗效评估等精准肿瘤学的核心领域拓展。越来越多的证据表明，基于深度学习的预测模型能够从影像数据中提取有价值的临床结局相关信息，为个体化治疗决策提供客观依据^[8]。这一进展使得基于医学影像的个体化诊疗从理论构想逐步走向临床实践，为肿瘤精准医疗提供了强大的无创工具。

然而，这一范式仍面临多项内在且尚未解决的技术局限。这些局限并非结直肠癌所独有，在肺癌、乳腺癌等其他瘤种的影像AI研究中同样被广泛报道，反映出该领域面临的共性技术瓶颈^[8]：

其一，数据与特征层面的异质性及可重复性不足。影像组学特征（尤其是高阶纹理特征）对扫描仪型号、层厚、重建算法及兴趣区勾画差异高度敏感；深度学习特征虽相对鲁棒，但仍受图像预处理和采集协议的影响；与此同时，多中心、多设备、多协议带来的数据异质性远未被现有方法有效解决，表现为一个模型在某中心数据上表现优异，而在另一中心却出现性能骤降^[5,8]。

其二，模型可解释性缺失与生物学关联断裂^[9]。深度学习模型难以提供临床医生可理解的决策依据。Grad-CAM等可视化技术是否忠实反映模型内部逻辑仍存争议。此种缺乏因果关系的学习机制直接削弱了临床医师对模型输出的信任度。更深层次的问题在于，影像表型与潜在分子病理机制之间的关联性尚不明确。传统影像-基因关联分析多停留在统计相关性层面，缺乏独立的外部验证和生物学通路验证。影像、病理、基因组学等多模态数据的对齐、尺度归一化与联合建模在技术上仍未成熟，限制了模型对肿瘤异质性的全面刻画。

其三，临床工作流整合的工程壁垒^[9]。现有模型多为“离线”批处理设计，难以嵌入实时的影像存档与通信系统（PACS）及放射科日常工作流。与电子病历系统的标准接口缺失、推理耗时无法满足实时需求、模型更新与持续学习机制欠缺，共同构成了从技术原型到临床部署的工程障碍。

2 从算法预测到治疗决策：医学影像AI迈向临床转化

然而，即便上述数据、模型与工程层面的局限得以逐步缓解，医学影像AI的临床落地仍面临更为根本的障碍——临床信任的缺失。这一缺失并非源于算法性能不足，而在于从“技术性能”到“临床获益”之间的证据鸿沟，其核心是研究终点与临床获益之间的脱节^[10]。

在这一方向上，结直肠癌医学影像AI领域已有值得关注的正面探索。以Ⅱ期结直肠癌辅助化疗决策这一经典困境为例，IRIS-CRC风险分层系统^[11]通过融合基于深度学习的CT影像表型分析与指南推荐的临床病理指标，实现了对传统方法易误判患者群体的精准再分层。验证研究显示，该系统能够将27.1%的传统“高危”患者重新划分为低风险，从而避免非必要的化疗毒性；同时，识别出了6.5%风险被低估的患者，并提示其需强化治疗。该研究的价值不仅在于技术性能的突破，更在于其终点指标——即治疗分流引导的风险分层，其直接与临床获益挂钩。

这一研究标志着AI在医疗领域的角色正在发生根本性转变：从辅助诊断工具演进为直接参与治疗选择的决策支持系统。相关述评指出，该研究代表了领域内从诊断性AI向治疗决策指导式AI跨越性进展^[12]。这一范例提示，医学影像AI研究的未来方向，应将终点指标从“模型预测准确与否”转向“预测所引导的决策改变能否让患者真正获益”。

值得关注的是，世界卫生大会决议中引用的研究表明^[1,13]，在全球范围内扩大影像服务，并将其与治疗及护理质量提升相结合，可预防12.5%的癌症相关死亡；每投入1美元可获得12.43美元的经济回报，其效益是单纯扩大治疗服务的两倍以上。这一数据充分说明，影像不仅是临床诊疗的技术支撑，更是具有显著卫生经济学价值的战略投资。

由于上述数据仅基于传统影像服务，并未包含AI系统部署、维护及监管合规所产生的额外成本，临床对该结果进行解读时尚需谨慎。医学影像AI在结直肠癌领域能否复现这一经济价值，仍是尚未明确的实证问题。这也进一步提示，未来医学影像AI的临床转化研究，需将卫生经济学终点纳入评价体系，使技术价值最终落脚于患者获益与社会资源的合理配置。

3 未来展望：以高级别循证医学证据推动医学影像AI临床落地

结直肠癌医学影像AI正处于从技术验证向临床价值实现的关键转型期。当前，大多数医学影像AI工具仍主要服务于肿瘤分割、检出环节，能够直接指导治疗决策的成果依然稀缺^[12,14]。截至2024年，针对医学影像AI的RCT数量在全部AI临床研究中的占比不足3%^[14]，其中尚未见涉及结直肠癌影像AI的RCT开展。这一证据缺口在很大程度上制约了影像AI在结直肠癌临床实践中的深入应用与推广。

值得关注的是，领域内已逐渐形成共识：医学影像AI的下一阶段发展须建立在更严谨的临床验证基础之上，呼吁更多研究者开展多中心、前瞻性RCT研究，系统评估AI工具在真实医疗场景中的有效性与安全性^[12]。未来3～5年，结直肠癌影像AI研究应将RCT、多中心外部验证作为评价临床价值的核心标准，而非仅报告技术效能指标。

具体而言，应优先回答以下两个关键问题：

1	AI辅助是否改变医师的治疗决策？

2	这种决策改变是否能转化为患者生存期或生活质量的改善？

展望未来，医学影像AI在结直肠癌诊疗中的角色将进一步演进。以智能体（AI Agent）为代表的自主智能系统正在成为新的研究前沿^[15-17]。不同于传统模型仅输出预测结果，智能体具备自主感知、推理、规划与执行能力，能够模拟人类专家的思维链。在医学影像领域，智能体的探索价值日益凸显^[18]。例如，其可在多源异构数据（如影像、病理、基因组学、临床文本等）之间建立动态关联，并辅助或自主执行复杂的临床工作流。

以结直肠癌诊疗为例，一个部署完善的智能体系统有望高效整合影像、内镜、病理报告、实验室检查及临床病史，依据指南自主完成从影像判读到风险分层、再到治疗建议的完整决策链，为临床医师提供端到端的智能化支持。可以预见，从决策支持迈向自主代理式AI（Agentic AI），将是医学影像AI实现高阶认知智能的关键跨越。

然而，在畅想智能体未来的同时，影像AI在结直肠癌临床落地过程中的现实困惑同样值得审慎审视。

其一，若将自主智能系统定位为“自主决策者”，大语言模型与视觉模型固有的“幻觉”问题可能在结直肠癌诊疗场景中引发错误决策^[19]；即便将其定位为辅助角色，当其提出与现行指南/常规诊疗推荐相左的建议时，医师仍面临两难困境——例如，当AI系统为Ⅱ期结直肠癌患者建议豁免辅助化疗，而指南倾向于推荐化疗时，医师应如何抉择？这不仅是技术层面的信任问题，更涉及临床决策权的根本性困惑。

其二，AI智能体的链式推理过程缺乏可审计的确定性^[15]，一旦出现决策错误，责任归属（开发者、部署者或使用者）在法律与伦理层面尚属空白。因此，即便在结直肠癌这一相对成熟的影像AI研究领域，未来的医疗AI智能体也应严格遵循“人在回路”（Human-in-the-Loop）的设计原则：AI系统可完成信息检索、结构化报告生成、初步风险分层等高级辅助任务，但任何涉及治疗启动、变更或终止的决策，必须由临床医师作为最终责任主体进行确认。这一进程也对智能体的透明性、安全性及临床验证体系提出了前所未有的要求^[18]。唯有在严谨的循证医学框架下，通过前瞻性、多中心的研究设计，方能确保这些新兴技术在真实世界中安全、有效地服务于结直肠癌患者。

4 小结

医学影像与AI的深度融合，正在深刻重塑结直肠癌诊疗的技术路径与临床决策模式。从影像数据中挖掘深层信息，以智能算法赋能个体化治疗决策，最终使患者获得更为精准适宜的治疗，是影像医学在智能时代的重要使命。随着高质量临床证据的不断积累以及新一代自主智能系统的成熟，医学影像AI有望跨越从技术性能到临床获益的“最后一公里”，从而为结直肠癌精准诊疗提供更可靠的决策支持，实现改善患者长期预后的根本目标。

参考文献

［1］World Health Organization. Strengthening medical imaging capacity［EB/OL］.(2025-05-27)［2026-03-23］. https://apps.who.int/gb/ebwha/pdf_files/WHA78/A78_R13-en.pdf.

［2］Hricak H, Cerri G G, Brkljacic B, et al. World health assembly resolution strengthening medical imaging capacity: impact on medical imaging globally［J］. Radiology, 2026, 318(3): e253580.

［3］Lambin P, Rios-Velazquez E, Leijenaar R, et al. Radiomics: extracting more information from medical images using advanced feature analysis［J］. Eur J Cancer, 2012, 48(4): 441-446.

［4］Bi W L, Hosny A, Schabath M B, et al. Artificial intelligence in cancer imaging: clinical challenges and applications［J］. CA Cancer J Clin, 2019, 69(2): 127-157.

［5］Bera K, Braman N, Gupta A, et al. Predicting cancer outcomes with radiomics and artificial intelligence in radiology［J］. Nat Rev Clin Oncol, 2022, 19(2): 132-146.

［6］Huang Y Q, Liang C H, He L, et al. Development and validation of a radiomics nomogram for preoperative prediction of lymph node metastasis in colorectal cancer［J］. J Clin Oncol, 2016, 34(18): 2157-2164.

［7］Lambin P, Leijenaar R T H, Deist T M, et al. Radiomics: the bridge between medical imaging and personalized medicine［J］. Nat Rev Clin Oncol, 2017, 14(12): 749-762.

［8］Chang T G, Park S, Schäffer A A, et al. Hallmarks of artificial intelligence contributions to precision oncology［J］. Nat Cancer, 2025, 6(3): 417-431.

［9］Lekadir K, Frangi A F, Porras A R, et al. FUTURE-AI: international consensus guideline for trustworthy and deployable artificial intelligence in healthcare［J］. BMJ, 2025, 388: e081554.

［10］Vasey B, Nagendran M, Campbell B, et al. Reporting guideline for the early stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI［J］. BMJ, 2022, 377: e070904.

［11］Huang Y Q, Chen X B, Cui Y F, et al. Enhanced risk stratification for stage II colorectal cancer using deep learning-based CT classifier and pathological markers to optimize adjuvant therapy decision［J］. Ann Oncol, 2025, 36(10): 1178-1189.

［12］Cyll K, Skrede O J, Kleppe A. Can radiology be first to use prognostic deep learning models for oncological treatment?［J］. Ann Oncol, 2025, 36(10): 1119-1122.

［13］Dako F, Moraes F Y, Doo F, et al. Digital health and artificial intelligence innovations for oncology in sub-Saharan Africa［J］. Lancet Oncol, 2025, 26(10): e547-e557.

［14］Han R, Acosta J N, Shakeri Z, et al. Randomised controlled trials evaluating artificial intelligence in clinical practice: a scoping review［J］. Lancet Digit Health, 2024, 6(5): e367-e373.

［15］Truhn D, Azizi S, Zou J, et al. Artificial intelligence agents in cancer research and oncology［J］. Nat Rev Cancer, 2026, 26(4): 256-269.

［16］Ferber D, El Nahhas O S M, Wlflein G, et al. Development and validation of an autonomous artificial intelligence agent for clinical decision-making in oncology［J］. Nat Cancer, 2025, 6(8): 1337-1349.

［17］Zou J, Topol E J. The rise of agentic AI teammates in medicine［J］. Lancet, 2025, 405(10477): 457.

［18］Tripathi S, Cook T S, Kim W. Agentic AI in radiology［J］. Radiology, 2026, 318(2): e252730.

［19］Thirunavukarasu A J, Ting D S J, Elangovan K, et al. Large language models in medicine［J］. Nat Med, 2023, 29(8): 1930-1940.

阅读全文

小提示：本篇资讯仅在梅斯医学APP中开放阅读，请扫描二维码直接下载APP