人工智能在肺结节精准诊断与胸外科手术决策中的应用进展

何立超 吕博文 尹明泽 林星^通讯作者    

延边大学附属医院 吉林 延吉 133000

摘要：随着肺癌筛查的普及，肺结节检出率显著上升，临床管理面临巨大挑战。人工智能（AI）技术，尤其是深度学习算法，正深度参与肺结节从早期检测到手术决策的全流程管理。本文系统综述AI在肺结节影像检出与动态追踪、良恶性风险分层与分子特征预测方面的研究进展，重点分析AI在术前三维规划、术中导航及术后随访等胸外科手术决策环节的应用价值。研究表明，AI辅助系统可提高肺结节检出率与诊断一致性，深度学习模型在良恶性鉴别中AUC可达0.90以上，多组学融合进一步提升了预测精度。在手术决策层面，AI驱动的三维重建与增强现实技术已初步应用于术中导航，机器学习模型可预测术后并发症与远期生存。然而，AI在泛化能力、决策可解释性及数据标准化方面仍面临挑战。未来，多模态数据融合与可解释性AI的突破将推动肺结节诊疗向更精准、个体化的方向演进。

关键词：人工智能；肺结节；深度学习；手术决策；多组学

1 引言

本文系统梳理AI在肺结节精准诊断与胸外科手术决策中的研究进展，分析当前挑战并展望未来方向。

2 AI在肺结节早期检测与动态评估中的应用

2.1 影像检出效能的提升

AI辅助系统在胸部X线片与LDCT的肺结节检出中已展现出显著价值。Nam等开展的随机对照试验表明，基于AI的计算机辅助检测软件可将≥6 mm实性结节的检出率由0.25%提升至0.59%。在算法层面，以ImageNet预训练的ResNet等CNN架构为主流，在外部验证集中受试者工作特征曲线下面积（AUC）可达0.91。

在超低剂量CT（ULDCT）场景下，深度学习图像重建（DLIR）技术的应用尤为值得关注。研究显示，DLIR高强度模式在0.07~0.14 mSv辐射水平下（接近胸部X线片剂量），结节检出率达75.8%，体积测量精度优于传统迭代重建方法。此外，基于卷积与Transformer混合架构的图像合成技术，可将厚层CT转化为高质量薄层图像，在资源有限地区具有重要的推广价值。

2.2 动态追踪与体积演变建模

随访观察是肺结节管理的重要策略，但传统人工测量易受主观误差干扰。AI在动态追踪中的应用正在改变这一局面。研究显示，大语言模型GPT-4o分析肺结节长期CT随访数据，预测恶性结节的准确率达88%，与医师测量高度一致。更有研究通过孪生编码器的时空混合模型，捕捉结节随时间演变的细微形态差异，在国立肺癌筛查试验数据集中展现出较强的趋势建模能力。NoFoNet等变形场模型可基于既往影像预测结节体积变化趋势，自动配准系统在无需人工标注的情况下结节追踪成功率可达94%。

3 AI辅助肺结节风险分层与多维预测

3.1 良恶性鉴别

肺结节良恶性鉴别是治疗决策的核心前提。谷歌与斯坦福大学联合开发的三维卷积神经网络（3D-CNN）模型，从LDCT原始图像自动学习恶性风险特征，验证集AUC达0.944。国内华西医院联合联影智造开发的C-Lung-RADS智能系统，基于逾4.5万例体检CT数据，融合影像特征、人口学信息及随访变化，实现了“发现-评估-决策”闭环管理。

在临床实践层面，一项纳入87例结节的多中心研究显示，AI辅助胸部CT鉴别良恶性结节的敏感度为89.86%，特异度为77.78%（AUC=0.838），而与多学科诊疗（MDT）模式联合后，AUC可提升至0.917，准确率达96.55%。这一结果提示，AI与临床决策的深度融合优于各自单独应用。

3.2 病理亚型与分子特征预测

AI的预测能力已从良恶性二分类拓展至病理亚型判别与分子标志物预测。针对原位癌、微浸润性腺癌与浸润性腺癌的三分类模型，通过模拟多医师评估过程，为术式选择提供潜在支持。海淀医院团队开发的基于TabPFN和AI直方图特征的预测模型，在IA期肺腺癌亚型三分类中外部验证Macro-AUC达0.911，在复杂病例中诊断准确率（67.2%）甚至优于术中冰冻病理分析（43.1%）。

在分子层面，深度学习模型可通过分析HE染色切片预测EGFR等驱动基因突变状态，AUC可达0.87。影像组学特征与转录组数据的关联分析揭示了肺腺癌影像表型与分子进展机制之间的潜在对应关系，为无创动态监测肿瘤生物学行为提供了可能。

3.3 多组学融合的探索

多组学整合是提升预测精度的前沿方向。He等构建了融合临床信息、影像特征及循环游离DNA甲基化标志物的综合模型，外部验证AUC为0.848。Lastwika等基于125项血浆蛋白标志物联合放射语义特征，在独立验证队列中AUC达0.897。这些研究表明，多组学数据与AI的深度融合有望突破单一模态的信息瓶颈。

4 AI在胸外科手术决策中的应用

4.1 术前三维规划与个体化手术方案

精准的术前规划是胸外科手术成功的基石。AI驱动的三维重建技术可将CT影像转化为立体解剖模型，清晰显示肺结节与周围血管、支气管的空间毗邻关系，辅助术者规划最佳切除范围。AI系统可整合患者风险因素、解剖特征、疾病进展等多维信息，预测不同术式的获益与风险，为亚肺叶切除与肺叶切除的抉择提供决策支持。

4.2 术中导航与增强现实技术

AI与增强现实（AR）技术的融合正在改变手术方式。AI驱动的AR系统可在机器人辅助肺手术中实现实时解剖结构识别，提升手术精准度。2024年，纽约大学朗格尼医学中心完成的全机器人双肺移植手术，采用Da Vinci Xi系统，通过更小切口实现更快恢复，标志着AI赋能手术的新高度。

4.3 术后风险预测与随访管理

机器学习模型在预测术后并发症与远期生存方面展现出良好潜力。神经网络模型预测术后并发症的阳性预测值可达95%，敏感度90%。AI还可通过影像随访与智能预警系统，实现术后复发风险的动态监测，优化随访策略。这些应用正推动胸外科从“一刀切”模式向精准化、个体化转变。

5 挑战与展望

尽管进展显著，AI在肺结节诊疗中的临床应用仍面临多重挑战。其一，泛化能力不足，不同医院设备与人群差异可能导致模型性能下降，需要广泛的多中心验证。其二，决策“黑箱”问题，深度学习模型的可解释性不足，影响临床信任与法规审批。其三，数据标准化与共享机制尚未健全，制约了大规模高质量数据集的构建。

《人工智能应用于肺癌筛诊疗的专家共识（2026版）》指出，AI应明确定位为临床辅助决策工具，其适用范围、验证标准与伦理规范需要进一步明确。未来，联邦学习、可解释性AI与多模态大模型的突破，有望推动AI从实验室走向临床常规实践。

6 结语

AI技术正在深刻改变肺结节的诊疗路径，从影像筛查的“第二双眼睛”，到良恶性鉴别的“智能判读师”，再到手术规划与导航的“精准助手”，其应用贯穿肺结节管理的全链条。尽管挑战犹存，但AI与临床实践的深度融合已成为不可逆转的趋势。未来的成功，不仅依赖算法创新，更需要多学科协作、标准化验证与伦理规范的共同推进。

参考文献：

[1] 周正, 吴俊翰, 卢国杰, 等. 肺结节管理中人工智能多维应用：从早期检测到手术决策支持[J]. 中国胸心血管外科临床杂志, 2025, 32(12): 1786-1791.

[2] 中国抗癌协会. 肺癌前病变研究进展篇，《中国恶性肿瘤学科发展报告（2024）》[R]. 2025.

[3] Liu XY, et al. Analysis on artificial intelligence-based chest computed tomography in multidisciplinary treatment models for discriminating benign and malignant pulmonary nodules[J]. Clinics (Sao Paulo), 2025, 80: 100734.

[4] 人工智能应用于肺癌筛诊疗的专家共识（2026版）[J]. 中国肺癌杂志, 2026.

[5] Ijlal A, Mumtaz H, Hassan SM, et al. Bridging surgical oncology and personalized medicine: the role of artificial intelligence and machine learning in thoracic surgery[J]. Ann Med Surg, 2025, 87(6): 3566-3572.

[6] 海淀医院胸外科. 基于TabPFN和AI直方图特征的IA期肺腺癌亚型三分类研究[J]. International Journal of Surgery, 2025.

[7] 李想, 阎石, 王荃讷, 等. 人工智能辅助下肺癌全程管理[J]. 中国胸心血管外科临床杂志, 2025, 32(10): 1368-1375.

...