1 AI驅動的肺癌診療範式重構

在精准醫學向智慧醫學升級的關鍵階段，人工智能為破解肺癌篩查、診斷、治療與預後評估全流程痛點提供了全新技術路徑，對提升早期檢出率、降低漏診誤診、優化資源配置、推動個體化治療落地具有重大臨床價值與社會意義。

依托人工智能（AI）技術構建標准化、智能化、普惠化的肺癌診療體系，既是應對腫瘤疾病負擔的現實需要，也是落實 “健康中國 2030” 戰略、實現腫瘤防治高質量發展的核心方向。本文系統梳理了AI在肺癌診療領域的最新研究進展，以及在改善患者臨床結局與提升診療效率方面的價值，並分析其在真實臨床場景中應用的現實障礙與未來發展方向。

1 AI驅動的肺癌診療範式重構

在過去二十年間，肺癌診療模式經歷了代際演變[7]。從早期依賴醫生個人經驗的“經驗醫學”，發展至基於大規模臨床試驗的“循證醫學”，到如今以分子靶點為核心的“精准醫學”，每一次跨越均延長了患者的生存期[8]。

隨著AI技術的不斷突破，肺癌診療邁向“智慧醫學”新紀元。AI技術憑借其強大的高維特征提取與數據整合能力，正在成為連接生物大數據與臨床決策的橋梁[9]，有望改變肺癌在篩查、診斷、治療選擇等環節的管理模式[10]，重塑肺癌診療的底層邏輯。不同於傳統診療手段，多模態AI大模型能夠處理和融合涵蓋基因組、轉錄組、表觀組、蛋白質組等微觀分子信息，以及影像組學、數字病理等宏觀表型信息的海量異構數據，有效整合跨尺度數據，克服單一組學難以揭示複雜生物學規律的難題(圖1)。

展開全文

圖1 AI驅動的肺癌診療範式框架圖

AI：人工智能；LDCT：低劑量計算機體層成像；TCR：T細胞受體；CT：計算機體層成像；PET/CT：正電子發射斷層顯像/計算機體層成像；WSI：全視野數字病理切片

2 AI在肺癌診療中的數據基石與模態融合

AI在肺癌診療中的應用深度與廣度，取決於其底層數據質量、維度特征及多模態融合效能。傳統的單一模態數據分析往往僅可捕捉腫瘤生物學的“冰山一角”，而AI時代的核心競爭力在於通過構建肺癌的全息數字畫像，實現對疾病本質的深度洞察，進而輔助臨床診療決策。

2.1多模態數據的全息構建

構建肺癌全息畫像的基礎在於四大核心數據的數字化與標准化。

首先，肺癌患者的臨床表型數據涵蓋人口學特征及電子病歷中的非結構化文本。借助自然語言處理和大語言模型，可將主訴、病史等文本信息轉化為可計算的高維向量[11]。

其次，影像數據方面，深度學習算法使得低劑量計算機體層成像（LDCT）、正電子發射斷層顯像/計算機體層成像(PET/CT)等超越了傳統視覺圖像範疇，成為蘊含紋理、邊緣梯度等深層特征的“影像組學”礦藏[12]。

最後，多組學檢測數據涵蓋基因組、轉錄組、表觀組及蛋白質組，為解析腫瘤驅動機制提供了微觀視角。然而，上述數據來源異構、尺度差異顯著，因此選擇合適的融合策略至關重要。

2.2融合架構與算法創新

多模態數據融合旨在將不同模態的特征進行組合、交互與建模，以實現對目標的統一理解或預測。“早期特征拼接”策略在原始或基礎特征層面融合多模態數據，要求不同模態間實現良好對齊，從而使模型能夠學習模態之間的相關性與依賴性；“決策層融合”策略則對每種模態分別建模後再進行決策整合，訓練相對簡單，但信息共享有限，難以捕捉模態間的非線性交互；相比之下，“交叉融合”策略在模型中間層引入注意力機制、Transformer結構等交互模塊，在特征交互與計算效率之間提供了良好平衡，能夠有效實現模態間的深層融合[14]。在算法架構的創新方面，為更好地處理生物醫學數據的時空動態特性，研究者開始探索更具生物學合理性的計算模型。如脈沖神經網絡通過模擬生物神經元的膜電位動態過程[15]，為多模態肺癌數據的關聯分析提供了更高生物解釋性的建模框架。

在多模態融合的臨床落地層面，仍面臨數據異質性、缺失、可解釋性不足及算力需求高等現實挑戰。不同模態數據（影像組學、基因組學、電子健康記錄）的對齊與規模化處理複雜度高，真實世界場景下多模態數據集常存在信息缺失，模型複雜度提升導致可解釋性下降，同時對計算與基礎設施的要求也更為嚴苛。針對上述問題，可采用差異化融合策略、生成式補全與注意力機制等方案進行優化：如采用“決策層融合”構建模塊化、可解釋的模型，或通過“早期特征拼接”捕捉深度的跨模態交互；借助生成對抗網絡（GANs）或變分自編碼器（VAEs）生成合理的合成數據，以填補缺失模態；引入跨模態注意力機制，突出關鍵貢獻數據源，從而增強模型的可解釋性。

3 AI在肺癌臨床診療場景中的應用與突破

3.1 AI輔助肺癌篩查

為進一步優化LDCT的篩查路徑，液體活檢作為一種非侵入性檢測技術，具備實時動態監測、有效克服腫瘤異質性等優勢，在肺癌早期篩查領域具有較大應用潛力。當前，基於液體活檢的多模態涵蓋DNA甲基化檢測[19]、片段組學分析[20]、T細胞受體（TCR）[21]及多維度指標整合[22]等組學策略。其中，PKU-LCSMS[23]作為代表性成果之一，其整合了兩類核心模型：基於血液循環遊離DNA（cfDNA）甲基化與蛋白質標志物的肺癌篩查模型，以及整合CT影像與cfDNA甲基化特征的AI輔助肺結節診斷模型，AUC高達0.963，簡化了肺癌篩查及結節管理流程，提升了良惡性腫瘤鑒別的精准度，助力早期肺癌精准篩查。

盡管AI在肺癌篩查中表現出優異效能，但其臨床落地需明確適用場景、警惕失敗模式、明確落地門檻。

1 適用場景：符合《肺癌篩查與早診早治方案》[24]推薦的篩查人群，臨床信息需完整（如年齡、吸煙史、職業暴露、既往肺部疾病等），且醫療機構需配備 LDCT 設備及規範的影像存儲能力。

2 需警惕的失敗模式：Sybil等模型在亞洲從不吸煙人群中的預測效能下降；不同CT設備及掃描參數的差異可導致影像特征分布改變，引發數據漂移；篩查人群基線風險的變化可造成模型最優閾值的偏移。

3 最低落地門檻：應至少完成5家醫療中心的多中心外部驗證（覆蓋不同年齡、吸煙狀態、結節大小、磨玻璃狀態等，單中心樣本量≥1000 例）；建立人工強制複核機制，對於風險概率處於0.4~0.6灰區的病例必須由醫生複核。

未來研究建議：

1開展前瞻性隊列研究，重點關注AI對肺結節生長速率的預測能力，尤其是對磨玻璃結節的精細化風險分層；

2納入不同風險人群，評估AI輔助篩查在肺癌死亡率下降、過度診斷率降低等方面的臨床淨獲益；

3增加患者報告結局（PROM），評價篩查體驗與心理負擔；

4開展衛生經濟學評價，明確AI輔助篩查的成本效益比。

3.2 AI輔助肺癌診斷

肺結節的良惡性鑒別、介入治療時機及手術治療方案選擇是肺癌臨床診斷的核心問題，決定臨床診療路徑與患者預後，而 AI 技術憑借精准的風險預測、多維度病情評估能力，可成為肺結節臨床管理與決策的重要支撐。

在肺結節良惡性鑒別與手術指征判定方面，AI模型可基於CT影像特征精准預測高危患者的肺結節性質，為是否開展手術乾預提供參考依據。在此基礎上，將深度卷積神經網絡與不確定性量化技術相結合的AI方案，還可通過術後組織病理切片，對Ⅰ～Ⅲ 期非小細胞肺癌（NSCLC）患者的複發風險進行精准預測並標注置信度[25]，為術後是否需進行輔助治療提供量化依據。

在手術規劃與病情評估方面，AI驅動的影像組學與深度學習模型可實現對肺癌骨轉移[26]、氣腔播散等關鍵臨床指標的定量預測[27]，為手術切除範圍的制訂提供關鍵參考。AI輔助的三維重建與術前規劃系統可精准評估腫瘤與血管、支氣管的空間關系，優化手術治療方案[28]。近年來，增強現實技術與AI三維重建的融合應用，使虛擬解剖模型能夠實時疊加於手術視野，從而提升手術的精准度與安全性[29]。

在手術策略與治療方式的選擇層面，AI可對Ⅰ期NSCLC患者的影像、臨床及病理多維度數據進行評估，在肺葉切除術、肺段切除術、楔形切除術、立體定向體部放療、消融治療等多種方案中開展量化分析，為臨床選擇最優乾預方式提供循證依據[30]。

AI 技術為臨床提供了更精准、更細致的管理和決策依據，有效減少了過度治療與治療不足的情況。

1 適用場景：肺結節良惡性鑒別、Ⅰ～Ⅲ期 NSCLC術後複發風險分層（包括手術策略決策、骨轉移、氣腔播散等關鍵指標預測及術前精准規劃）。

2 需警惕的失敗模式：黑箱效應，模型決策路徑不透明，缺乏可解釋的醫學邏輯；標注偏差，病理或影像學專家間的判讀差異可導致模型訓練與預測產生偏倚。

3 最低落地門檻：所有 AI 診斷輸出必須附帶置信度，無置信度的模型不建議臨床使用；進行設備標准化校准，采用統一色彩與強度校准算法，消除不同設備及掃描參數帶來的系統誤差。

未來研究建議：

1強化模型可解釋性模塊，引入 SHAP 值直觀展示各影像/臨床特征對最終決策的貢獻度；

2開展多中心前瞻性研究，驗證AI診斷在真實世界中對手術並發症、預後及醫療資源消耗的改善作用。

3.3 AI賦能肺癌個體化治療

3.3.1 分子分型與生物標志物評估

綜上，基於病理切片與醫學影像的AI輔助分子分型及生物標志物檢測，突破了傳統分子檢測耗時久、樣本要求高等局限。

1 適用場景：當臨床需要無創、快速、低成本獲取關鍵生物標志物信息，或晚期肺癌患者無法獲取足量腫瘤組織時，均可采用 AI 輔助評估。

2 需警惕的失敗模式：全切片圖像數據量龐大，易造成算力瓶頸，導致模型推理速度慢、臨床部署成本高；對於NTRK、RET等罕見突變，因其發生率低、訓練樣本匱乏，易引發模型過擬合，進而降低泛化能力。

3 最低落地門檻：需搭建多專家共識標注平台，推行聯合標注與裁決機制，嚴控標簽質量，縮小判讀差異；采用標准化色彩校正與強度校准算法，適配不同掃描設備和實驗流程，保證數據一致性。

未來研究建議：

1基於聯邦學習構建全國肺癌罕見靶點加密數據網絡，打破數據孤島，提升罕見突變模型的預測性能；

2強化模型可解釋性，建立統一的影像或病理與分子關聯規則，提高臨床認可度；

3開展前瞻性臨床試驗，驗證“AI初篩”路徑對患者結局、醫療費用及誤診率等方面的實際改善效果。

3.3.2 加速個體化疫苗開發

3.3.3 分子殘留病灶指導個體化治療

分子殘留病灶（MRD）可用於評估術後複發風險。MRD陽性患者的預後顯著劣於陰性患者，且MRD 檢測較傳統影像學檢查提前5～6個月提示疾病進展[39]。基於循環腫瘤DNA（ctDNA）的 MRD 檢測技術，可作為重要的療效預測標志物，其臨床價值已在多項真實世界研究及關鍵臨床試驗中得以驗證，涵蓋新輔助治療（如CheckMate-816[40]、AEGEAN[41]、NADIM[42]）及輔助治療（如CALIBRATE[43]、IMPOWER010[44]、ADAURA[45]）等代表性研究。FDA與歐洲內科腫瘤學會相繼發布了相關指南及實體瘤液體活檢療效評估標准（LB-RECIST）[6]，進一步提出可將MRD作為核心依據，指導臨床開展個體化升階或降階治療。

2 需警惕的失敗模式：不同MRD檢測技術平台存在差異，固定化 panel 與定制化 panel、監測位點數量及覆蓋範圍各不相同，難以通過單一AI-MRD模型適配所有臨床場景，模型需根據檢測策略與目標人群重新訓練，並進行外部驗證。

3 最低落地門檻：AI驅動的MRD檢測需保證核心靈敏度，即在每個監測位點均可穩定檢出豐度≥0.02%的ctDNA，以滿足臨床對MRD的監測需求。

未來研究建議：

1開展多中心、多場景真實世界驗證，納入不少於3家臨床研究中心；

2在NSCLC患者術後複發監測與預後分層、新輔助/輔助治療療效預測、晚期患者升階/降階適應性治療決策等場景中全面評估模型效能，推動AI-MRD的規範化臨床應用。

3.4 AI優化肺癌診療結局與效率

將AI整合至肺癌篩查、診斷及個體化治療全流程，有望提升成本效益、改善臨床結局，優化自動化工作流程並節約醫療成本。對於肺癌診療流程標准化不足的醫療機構或高負荷腫瘤診療中心，若具備完整的真實世界數據采集與分析能力，則適用於引入AI以優化診療自動化流程。

在肺癌篩查階段，Grenier等[47]提出，可將AI作為二次閱片者，有望降低假陽性率，減少不必要的隨訪檢查與活檢，從而節省成本，提升篩查項目的整體成本效益。Behar Harpaz等[48]基於NLST、NELSON等臨床試驗結果，對澳大利亞肺癌篩查項目進行了成本效益分析，計算了增量成本效益比（ICER）。結果顯示，篩查相關的死亡率獲益是影響ICER的最敏感參數，且篩查成本對ICER的影響大於治療成本。在診斷環節，Dellamonica等[49]綜述了利用AI多模態技術將影像、臨床及分子等異構數據整合至統一分析框架的研究進展，指出這種整合不僅提高了診斷精度，還減少了傳統診斷流程所需的時間與資源。Wale等[50]綜述了包括機器學習、深度學習在內的AI模型在癌症診斷中的效能，認為這些模型有望簡化診斷工作流程、減少診斷延遲、提高早期檢出率，而這些對於成本效益管控至關重要。

在治療優化領域，Bonci等[51]比較了AI模型與傳統研究方法及標准治療方案對NSCLC患者的PROM測量、總生存期及成本效果的影響。該研究支持AI模型與NSCLC總生存期預後分層之間存在探索性關聯，但目前尚無關於PROM或成本效果的可評估證據。建議未來的前瞻性研究在關注臨床終點的同時，需納入經過驗證的PROM及規範的經濟學評價。

4 未來發展趨勢：構建數據驅動的智慧生態

肺癌診療的未來將不再局限於單一的技術突破，而是通過數據、算法與臨床深度融合，構建一個自我進化的智慧診療生態系統。

4.1數據標准與多模態融合的規範化

《數字化智慧病理科建設白皮書》指出，影像標注和病理切片數字化等流程缺乏統一標准，導致數據難以直接融合。醫療數據的“孤島效應”和非結構化是當前AI應用的最大障礙。未來的趨勢是建立國家級乃至國際級的統一數據標准（如FHIR標准、OMOP通用數據模型），實現臨床、影像、病理及組學數據的規範化采集和互聯互通。

4.2通過聯邦學習打破數據壁壘

為訓練出泛化能力強、魯棒性高的通用大模型，需匯聚多中心數據。然而，數據隱私法規限制了原始數據共享。聯邦學習提供了一種 “數據不動模型動”的解決方案：在聯邦學習框架（如NVIDIA FLARE）下，各醫療機構可在本地利用私有數據訓練模型，僅將加密的模型參數（梯度）傳輸至中心服務器進行聚合更新。未來，基於聯邦學習的“全球肺癌AI全息模型”將成為可能，其能夠實時學習全球各地的新病例，不斷提升診斷精度。

然而，聯邦學習在醫療場景中的實際部署面臨多重挑戰[52-53]。不同機構間數據分布的異質性（non-IID問題）可導致聚合模型性能下降；模型梯度仍可能通過反演攻擊或成員推斷攻擊泄露患者信息；此外，各機構間的網絡帶寬限制、模型版本管理及責任歸屬等工程化問題也制約著大規模部署。目前，真正意義上的“全球肺癌AI全息模型”仍處於概念驗證階段，距離臨床常規應用尚需技術成熟與政策配套。

4.3肺癌罕見靶點匯總網絡

基於分子分型的個體化治療是未來發展趨勢。隨著基因檢測技術的普及，越來越多的“長尾”罕見突變和潛在靶點被發現，如NTRK融合（發生率約0.2%）、RET融合（約2%）及BRAF V600E突變（約2%）。單個臨床研究中心往往難以積累足夠數量的病例以形成高質量循證醫學證據。未來可構建基於聯邦學習與區塊鏈技術的“全國肺癌罕見靶點加密數據網絡”。該網絡連接各大腫瘤專科醫院及研究中心，當醫生輸入1例罕見靶點病例時，AI系統能夠在網絡中執行安全的相似度匹配，迅速檢索到全國乃至全球範圍內的相似病例，匯總其治療方案、療效及預後信息，進而生成基於真實世界證據的治療建議。這不僅可輔助臨床決策，還可通過“合成對照臂”的方法加速罕見靶點藥物的審批流程。

需指出的是，這一願景的落地面臨多重現實障礙。在數據層面，罕見突變的低發生率（如NTRK融合的發生率僅0.2%）意味著即使構建全國性網絡，特定靶點的可積累病例數依然極為有限，模型訓練面臨樣本量不足的根本困境。此外，區塊鏈技術在醫療數據共享中的應用尚處於早期探索階段[54]，面臨鏈上存儲容量有限、交易吞吐量低[55]、智能合約安全性待驗證等技術瓶頸，且各醫療機構間數據治理框架的差異也增加了跨機構協作的複雜性。“合成對照臂”方法雖在監管領域受到關注，但FDA和中國國家藥品監督管理局對其用於加速審批的接受度仍較為審慎，需結合真實世界證據質量評估框架（如FDA真實世界證據框架）進行個案論證[56]。因此，盡管該網絡構想具有重要臨床與科研價值，但其真正落地仍需技術、治理與監管三方面協同突破。

4.4 政策引導與倫理合規

我國發布的《“數據要素×”三年行動計劃（2024—2026年）》明確將醫療健康作為數據要素應用的重點領域，鼓勵探索電子病歷與醫學影像數據的共享與互認，並支持AI大模型在精准醫療中的應用。與此同時，隨著AI介入臨床決策的程度不斷加深，算法的可解釋性及倫理問題日益凸顯。未來的AI系統需內置可解釋性模塊（如SHAP值、注意力熱圖），以揭示模型作出特定判斷的“原因”，從而建立人機信任。此外，還必須建立嚴格的數據脫敏和隱私保護機制（如差分隱私），確保在挖掘數據價值的同時，堅守患者的隱私保護底線。

5 小結與展望

本文系統梳理了AI在肺癌篩查、診斷及個體化治療等關鍵環節的應用進展，揭示了多模態數據融合、深度學習架構創新等技術在提升診療精准度與效率方面的巨大潛力。然而，技術突破與臨床落地之間仍存在顯著鴻溝。當前，AI模型在真實世界中的泛化能力、可解釋性、魯棒性及倫理合規性，仍是制約其廣泛應用的瓶頸。

數據層面的“孤島效應”、標注標准缺失及多模態融合策略不統一，導致模型難以在不同人群、設備及醫療體系中穩定複現；算法層面的“黑箱”特性也制約了臨床醫生對AI輸出的信任與采納。此外，監管路徑尚不明確，AI產品的審批、驗證與更新機制仍處於探索階段。目前，AI可作為輔助臨床診斷與決策的工具，但尚無法完全替代醫生完成肺癌篩查、診斷與治療全流程。

面向未來，構建一個數據驅動、模型共享、倫理可控、政策協同的智慧肺癌診療生態系統，將成為發展的主旋律。具體路徑包括：數據標准化與互聯互通、聯邦學習與隱私計算、可解釋性與人機協同、政策引導與監管創新、真實世界研究與臨床轉化等。總之，AI驅動的肺癌診療正處於技術爆發與臨床深度融合的歷史交匯點。在“健康中國”戰略指引下，依托新質生產力的培育與科學監管的護航，通過多模態算法的持續創新與數據標准的不斷完善，AI將引領肺癌診療進入一個更加精准、高效、普惠的智慧醫療新時代。

（本文編輯：李玉樂）

返回搜狐，查看更多