肺癌作為全球範圍內致死率最高的惡性腫瘤，嚴重威脅人類健康與生命安全，其高死亡率的核心原因在於早期篩查困難[2]，多數患者確診時已進展至晚期[2-3]。同時，肺癌本身具有高度的腫瘤異質性[4]，增加了診斷難度，加之治療過程中複雜的耐藥機制及患者個體差異[5-6]，進一步加劇了臨床診療挑戰，成為我國惡性腫瘤防控的重中之重。
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。