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

 摘  要 

随着肺癌筛查的普及与全民健康意识的提高，肺结节检出率显著上升，临床管理需求日益增长。人工智能（artificial intelligence，AI）作为当前医学影像领域的重要技术手段，正深度参与肺结节的全流程管理。AI不仅能提升胸部X线片与低剂量CT在早期筛查中的检出率和一致性，更在良恶性风险评估、分子亚型预测、术前三维规划、术中导航及术后随访等关键环节中展现出巨大价值。本文系统梳理了AI在肺结节筛查、动态追踪、病理预测、多组学整合及围术期管理中的研究进展，概括各类模型的技术特点与临床表现，并分析当前面临的挑战与未来发展方向。AI技术的不断演进，正推动肺结节诊疗路径向更高效、个体化的方向转型。

正  文

随着肺癌筛查普及和全民健康意识提高，肺结节的检出率显著上升，但也加重了患者的心理负担与临床资源压力[1]。近年来，人工智能（artificial intelligence，AI），尤其是以深度学习为代表的计算机视觉技术，在医学影像领域取得突破性进展。AI不仅可以在早期肺癌的筛查中辅助放射科医师提高检出率与一致性，还在良恶性风险评估、分子亚型预测、术前三维规划乃至术中导航等多个环节发挥重要作用[2-3]。

本文旨在系统整合AI在肺结节全程管理中的关键应用场景（图1），涵盖早期检出到手术决策的完整链条；重点关注AI模型的研究进展、潜在挑战及未来发展方向，为肺结节精准诊疗提供参考。

图1　人工智能在肺结节领域的应用及优势

1 人工智能在肺结节早期发现与动态评估中的应用

1.1   人工智能辅助胸部X线片与低剂量CT提高肺结节检出率

肺结节的早期检测是肺癌筛查的关键环节，目前最常用的影像手段包括胸部X线片和低剂量CT（low-dose computed tomography，LDCT），其中胸部X线片因成本低、辐射小而广泛用于初步筛查，但对微小或重叠病灶的检出率较低，而LDCT虽具备更高敏感性，但对于低密度结节或与周围组织关系密切的病灶仍有一定识别难度。近年来，AI技术在影像领域快速发展，显著提高肺结节在这些检查中的检出稳定性与读取效率。

多项研究[4-6]证实，AI辅助系统能够显著提高胸部CT和X线片的肺结节检出率。Nam等[4]开展的随机对照试验表明，基于AI的CAD软件可将≥6 mm实性或≥8 mm亚实性结节的检出率由0.25%提升至0.59%。这类AI系统的训练通常依赖高质量CT作为参考标准，研究者采用配对CT生成的像素级胸部X线片标注进行训练，在2个外部验证集中受试者工作特征曲线下面积（area under the curve，AUC）分别为0.91、0.86[5]。在算法实现方面，目前主流方法以卷积神经网络（convolutional neural network，CNN）架构为核心，依托大规模公开数据集开展预训练或迁移学习[6]。以Tang等[6]的研究为例，其采用ImageNet预训练的ResNet-18模型，在胸部X线片的异常分类任务中AUC为0.9824，敏感性为96.5%，特异性为92.9%。当前AI在胸部X线片中的应用已逐步拓展至更为复杂的诊断任务，包括病灶密度类型判定、病灶随访变化趋势分析、感染性病变与肿瘤的鉴别，以及术前肺功能风险评估等方面[7-9]。借助可视化机制，AI模型不仅能提供预测结果，同时能标示模型聚焦区域，提升其临床可解释性，辅助放射科医师理解模型推导依据[10]。

AI在LDCT及超低剂量CT（ultra-low-dose computed tomography，ULDCT）图像分析中展现出显著优势，尤其在微小、亚实性或血管邻近结节的识别方面提升明显。以LDCT为例，通过优化图像对比度、降低血管干扰，有研究[11]报道其对亚实性结节的识别效能显著提升，AUC由约0.70增至0.80，敏感性和特异性同步提高。在ULDCT环境下，深度学习图像重建（deep learning image reconstruction，DLIR）相较于传统迭代重建技术（adaptive statistical iterative reconstruction，ASIR-V），不仅结节检出率由74.0%提升至83.4%，且体积测量误差减小，整体诊断精度接近标准剂量CT水平[12]。另一项前瞻性研究[13]进一步证实，DLIR高强度模式在0.07～0.14 mSv的ULDCT扫描中显著降低图像噪声，结节检出率达75.8%，测量精度优于ASIR-V与传统滤波反投影方法，在接近胸部X线片剂量的辐射水平下仍能维持良好成像质量。此外，针对厚层CT分辨率不足、细节显示受限的问题，有研究提出利用深度学习模型合成高质量薄层CT图像。该方法基于卷积与Transformer混合架构，可在无需重新采集薄层扫描的前提下，将现有厚层图像转化为1 mm薄层图像。多中心研究[14]显示，合成图像在肺炎和肺结节等常见胸部疾病的诊断准确性上，明显优于厚层CT，并与真实薄层CT相当，具备良好的通用性与稳定性。该技术可替代真实薄层CT的采集需求，尤其适用于资源有限的地区，可以减少设备升级成本并提升筛查效率。

1.2   分割与体积追踪：人工智能在肺结节动态管理中的角色

随访观察是肺结节重要的管理策略，通过动态观察结节变化，有助于评估结节良恶性。传统方法主要依赖人工测量不同时间点的体积或密度差异，但容易受到主观测量误差和图像配准误差干扰。近年来，AI在肺结节动态追踪中的研究和应用逐渐增多。研究[15]表明，大语言模型GPT-4o能有效分析肺结节的长期CT随访数据。在647例患者中，该模型预测恶性结节的准确率达88%，测量结节大小的结果与医师高度一致，且其特征变化识别能力表现优秀。也有研究者[16]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，在美国国家肺癌筛查试验数据集上表现出较强的趋势建模能力。

此外，已有研究提出面向结节动态演变的变形场建模方法。例如，NoFoNet模型可基于既往影像预测结节体积的变化趋势及其潜在恶性概率[17]。此类模型多采用配对时间点的图像进行训练，通过引入注意力机制与特征对齐策略，实现病灶空间位置的自动追踪，减少对人工干预的依赖。相关临床研究亦在逐步展开。一项基于49例患者、共368次随访CT的真实世界研究[18]显示，该类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%。随着大规模模型架构、时空对齐算法及无监督配准方法的持续演进，相关技术有望优化结节随访的策略与间隔、降低不必要复查并减轻读片负担，从而提升随访效率与质量。

2 人工智能辅助肺结节风险分层与多维预测

2.1   人工智能预测肺结节良恶性

肺结节良恶性鉴别是结节治疗策略制定的重要基础。既往评估主要依赖于医师对影像学特征的主观判断，或基于如Brock、Mayo等风险评估模型。随着AI技术的快速发展，深度学习模型通过对大量CT图像的多维特征深度挖掘，逐渐展现出在肺结节良恶性鉴别中的独特优势。

在较早的研究[19]中，谷歌联合斯坦福大学开发了一项端到端的三维卷积神经网络（3D-CNN）模型，从LDCT原始图像中自动学习与恶性风险相关的影像特征，在验证集中AUC可达0.944，结果表明若没有既往影像参考，其模型性能优于放射科医师。在国内研究[20]中，四川大学华西医院联合联影智造开发了C-Lung-RADS智能系统，基于西南地区逾4.5万例体检CT构建真实世界数据集，并采用分阶段策略：先以结节大小与密度进行初筛，随后融合影像特征、人口学信息及随访变化信息，实现良恶性风险的综合判别与动态分层。该模型在多中心验证中表现稳定，在肺结节“发现-评估-决策”闭环管理中展现出实际应用潜力。

2.2   人工智能预测病理亚型及分子特征

在预测任务范围上，相关研究已从传统的良恶性二分类逐步拓展至病理亚型判别与预后风险建模等更具临床意义的方向。例如，有模型针对原位癌、微浸润性腺癌与浸润性腺癌三类亚型进行识别，引入流程化的特征判读机制，模拟多医师评估过程，在提升亚型识别精度的同时，为术式选择提供潜在支持[21]。也有研究[22]通过融合影像信息与临床变量，构建多模态模型以预测Ⅰ期非小细胞肺癌患者术前N2淋巴结转移风险及生存结局，对于术前决策和风险评估具有重要意义。此外，也有研究[23] 通过对影像组学特征进行无监督聚类并与转录组数据关联，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。结果显示，不同影像亚群对应差异化的病理级别、免疫微环境状态及生物学增殖能力，提示影像特征可用于分层刻画肺结节的生物学异质性。除上述特征外，越来越多研究涉及胸膜侵犯、脉管癌栓、气腔播散、肿瘤坏死、黏液成分等重要临床病理指标，相关研究正尝试通过多模态联合建模与多任务学习策略，以更全面反映结节的生物学行为和潜在进展风险。

2.3   多组学融合在肺结节分类中的探索

在肺结节良恶性鉴别中，多组学技术的引入也为单一影像分析提供了重要补充。血液甲基化组学研究显示，循环游离DNA的甲基化特征可作为早期肺癌的重要生物标志物。He 等[24]构建了一种融合临床信息、影像特征及循环游离DNA甲基化标志物的综合模型，外部验证集中 AUC为 0.848，敏感度为 91.7%，特异度为 84.5%，其性能显著优于单一数据源模型。蛋白质组学方面，Lastwika 等[25]基于 125 项血浆蛋白标志物，结合放射语义特征与影像组学数据，在独立验证队列中 AUC 高达 0.897，优于传统临床模型，凸显非侵入性多模态融合方法在肺结节早期分类中的应用潜力。此外，循环游离DNA片段组学通过片段长度分布、与核小体占位/转录因子结合位点相关的片段化特征以及片段末端序列特征等信息，已用于肺结节的恶性风险评估，并可一定程度上推断组织来源[26]。部分研究[27]进一步将无监督聚类与影像组学、转录组学及免疫特征结合，通过关联分析揭示影像表型与分子特征之间的异质性对应，为肺结节的分子分型及个体化风险分层策略提供依据。这些多组学手段与AI深度融合，为肺结节的精准诊断及个性化管理提供了新的方向。

尽管已有多项研究实现了AUC接近或超过0.90的高准确性（表1），但现有模型在泛化能力、随访信息利用效率与少数亚群体稳定性等方面仍存在不足[28]。后续研究亟需依托大规模、跨区域、结构化数据平台，结合更具解释性与任务适应性的建模策略，进一步提升其在实际临床环境中的可用性与可信度。

３ 人工智能在肺结节围术期管理中的探索

随着AI技术的快速发展，其应用已逐步拓展至肺结节手术治疗的各个环节，包括术前评估、术中导航与术后管理。AI系统通过对结构化与非结构化医学数据的深度学习，正不断优化临床决策支持系统，为精准外科提供技术支撑[32]。

在术前阶段，AI主要用于肺功能储备评估、结节三维重建与术前规划，以及区域淋巴结状态的预测。传统肺功能评估需依赖肺通气灌注显像、肺功能试验等检查，成本高且易受患者配合影响。AI模型则可基于胸部CT图像预测肺功能参数，显著简化流程[33]。同时，基于AI的术前三维重建系统，可自动标注肺段及支气管结构，为肺亚段切除路径规划提供重要参考。部分研究[22]还尝试利用影像与临床变量构建AI模型以预测N2淋巴结转移，辅助术式选择和是否联合淋巴清扫的判断。术中阶段，AI辅助的图像识别系统被应用于精准定位病灶与肺段边界，提升微创手术的安全性[34]。以“肺流域地形图”为代表的导航技术，结合AI分割与配准算法，能在术中实时匹配患者解剖结构，支持肺段与肺亚段精确切除[35]。在手术结束后，AI还可通过视频分析识别术中漏气位置，为术后并发症防控提供保障[36]。此外，AI与手术机器人系统的融合也在快速推进，未来有望实现自主图像理解与操作引导，推动自动化胸外科的发展[37]。术后管理方面，AI被用于高风险患者的早期识别、预后风险分层以及辅助治疗策略的制定[38]。已有模型可融合术后影像、病理信息与临床变量，对患者的复发概率与辅助治疗获益进行预测，尤其适用于ⅠB期等存在争议的早期肺癌患者[39]。此外，通过AI构建的动态监测系统还能识别术后并发症，如肺不张、胸腔积液或感染，为术后个体化随访与干预提供支撑[40]。

AI正逐步成为推动肺结节精准管理的重要技术力量，其在筛查、诊断、治疗与随访中的多维应用，正在重塑传统临床路径。面向未来，通过加强多学科协作、优化模型训练机制与完善数据平台建设，AI有望更深入地融入临床决策支持体系，提升肺癌早诊率、精准率与患者管理质量。

利益冲突：无。

作者贡献：周正、吴俊翰、卢国杰负责撰写和修改文章；乔贵宾对文章的相关内容进行指导、审阅和修正。