人工智能在消化系統(tǒng)腫瘤外科診療中的應(yīng)用2025

人工智能在消化系統(tǒng)腫瘤外科診療中的應(yīng)用2025消化系統(tǒng)腫瘤(包括食管、胃腸道、肝膽胰等癌種)占全球新發(fā)腫瘤發(fā)病率的26.4%,并占總體癌癥相關(guān)死亡的36.3%[1]。盡管以手術(shù)切除為核心的根治性治療是現(xiàn)階段臨床指南推薦的首選方案[2],但傳統(tǒng)外科診療模式長期面臨兩大瓶頸：其一，手術(shù)決策通常依賴外科醫(yī)師的經(jīng)驗(yàn)，存在主觀判斷偏倚風(fēng)險(xiǎn)[3];其二，腫瘤生物學(xué)行為的多樣性導(dǎo)致患者術(shù)后的復(fù)發(fā)轉(zhuǎn)移風(fēng)險(xiǎn)難以精準(zhǔn)預(yù)測[4]。雖然系統(tǒng)治療(化療、靶向及免疫治療)與局部治療(消融、介入及放射治療)在一定程度上拓展了外科治療的適應(yīng)證并改善患者預(yù)后，但仍未能從參數(shù)等多維度的信息[5]與自適應(yīng)計(jì)算建模[6],AI系統(tǒng)可實(shí)現(xiàn)對(duì)消化系統(tǒng)腫瘤的手術(shù)和治療方案的動(dòng)態(tài)支持?！ň矸e神經(jīng)網(wǎng)絡(luò)(CNN)、圖神經(jīng)網(wǎng)絡(luò)(GNN)以及Transformer模型——已逐步突破傳統(tǒng)算法的性能邊界[7-9]。這些技術(shù)突破正推動(dòng)外科決策從經(jīng)驗(yàn)驅(qū)動(dòng)轉(zhuǎn)向“數(shù)據(jù)-知識(shí)雙驅(qū)動(dòng)”模式。AI在消化系腫瘤術(shù)前精準(zhǔn)診斷與分層中的應(yīng)用(一)智能輔助診斷與功能評(píng)估基于深度學(xué)習(xí)的計(jì)算機(jī)輔助檢測(CADe)系統(tǒng)和在革新消化系統(tǒng)腫瘤的術(shù)前評(píng)估范式[10]。在食管癌篩查領(lǐng)域，多中心RCT研究[11]證實(shí)CADe系統(tǒng)可使食管鱗狀細(xì)胞癌及癌前病變檢出率顯著提升(AI組比常規(guī)組：1.8%比1.3%,P=0.030),同時(shí)單病灶漏診風(fēng)險(xiǎn)降低5%。最新開發(fā)的胰腺癌CADe系統(tǒng)[12]在包含144,249個(gè)癌性斑塊與807,911個(gè)非癌性斑塊的外部驗(yàn)證集中顯示，其門靜脈CT診斷敏感度達(dá)到0.983,展現(xiàn)出超越放射科醫(yī)師的微小病灶識(shí)別能力(△+5.4%)。深度學(xué)習(xí)網(wǎng)絡(luò)(DNN)架構(gòu)的迭代升級(jí)推動(dòng)CADx系統(tǒng)深度分類和診斷效能持續(xù)突破：(1)組織病理分型：Chen等[13]開發(fā)96.3%,并且診斷耗時(shí)較專家縮短70.8%。(2)實(shí)時(shí)動(dòng)態(tài)診斷：Ebigbo等[14]采用改進(jìn)型DeepLabV3+解碼器與殘差網(wǎng)絡(luò)融合架構(gòu)，首次實(shí)現(xiàn)在內(nèi)鏡診斷時(shí)對(duì)巴雷特食管病變進(jìn)行全局預(yù)測(腺癌/非癌)與局部(浸潤深度)實(shí)時(shí)診斷，其整體準(zhǔn)確率達(dá)89.9%。(3)集成診斷：GRAIDS系統(tǒng)通過整合CADe與CADx的功能，突破單一數(shù)據(jù)的局限性，在五個(gè)獨(dú)立驗(yàn)證集中達(dá)成91.5%~97.7%的診斷準(zhǔn)確率，證實(shí)了AI優(yōu)化術(shù)前診成像(NBI)及共聚焦激光顯微內(nèi)鏡(CLE)等多源異構(gòu)數(shù)據(jù)，已被投入商用，實(shí)現(xiàn)跨設(shè)備、跨機(jī)構(gòu)運(yùn)行[15]。AI突破傳統(tǒng)靜態(tài)評(píng)估的局限實(shí)現(xiàn)對(duì)術(shù)前功能和手術(shù)耐受度評(píng)估的的優(yōu)化，如：(1)營養(yǎng)狀態(tài)動(dòng)態(tài)監(jiān)測：由于疾病的特異性，消化系統(tǒng)腫瘤患者可能出現(xiàn)吞咽、吸收困難等問題，術(shù)前營養(yǎng)不良問題高發(fā)[16]。Huang等[17]建立了基于CT數(shù)據(jù)的深度學(xué)習(xí)模型和混合模型，用于預(yù)測胃癌患者為76.6%和86.1%,曲線下面積(AUC)為0.769和0.857,顯著優(yōu)于傳統(tǒng)評(píng)估方法。AI營養(yǎng)師結(jié)合可穿戴設(shè)備和APP實(shí)時(shí)收集并評(píng)估患者營養(yǎng)狀態(tài)和膳食攝入水平，實(shí)現(xiàn)對(duì)患者營養(yǎng)功能的遠(yuǎn)程管理[18]。(2)從而確定患者的手術(shù)耐受程度。Kang等[19]開發(fā)的肝切除安全體積預(yù) (傳統(tǒng)方法僅為45%~48%)。(二)手術(shù)風(fēng)險(xiǎn)分層與預(yù)后建模傳統(tǒng)風(fēng)險(xiǎn)評(píng)估系統(tǒng)(如ASA-PA分級(jí))面臨假陽性率高與人工依賴度強(qiáng)的雙重困境[20]。機(jī)器學(xué)習(xí)(ML)和DNN模型的發(fā)展通過以下路徑實(shí)現(xiàn)精準(zhǔn)風(fēng)險(xiǎn)分層：(1)手術(shù)適應(yīng)證優(yōu)化：Cotter等[21]開發(fā)的ML術(shù)的禁忌。Ichimasa等[22]建立了一個(gè)基于45個(gè)臨床特征的ML模型用于預(yù)測T1期結(jié)直腸癌患者術(shù)前淋巴結(jié)轉(zhuǎn)移，對(duì)比美國、歐洲和日本的指南降低了8%~14%的額外手術(shù)率。(2)手術(shù)死亡風(fēng)險(xiǎn)預(yù)警：一項(xiàng)西班牙的多中心研究[23]基于術(shù)前臨床數(shù)據(jù)構(gòu)建的胃癌根治術(shù)后90d死亡風(fēng)險(xiǎn)隨機(jī)森林模型，AUC達(dá)到0.844(95%CI:0.841~0.848),顯的術(shù)后生存的獨(dú)立風(fēng)險(xiǎn)因素之一，但無法在術(shù)前準(zhǔn)確預(yù)測和判斷[24]。Song等[25]開發(fā)了一個(gè)深度學(xué)習(xí)結(jié)合臨床參數(shù)的模型(DLC),通過整合8種DCE-MRI序列特征與臨床參數(shù)在術(shù)前預(yù)測HCCMVI狀態(tài)，模型的AUC達(dá)0.931,優(yōu)于單模態(tài)模型(AUC=0.915)。Li等[26]結(jié)與KRAS突變狀態(tài)，AUC分別達(dá)0.793和0.862,為靶向新輔助治療提(三)數(shù)字外科與智能決策有利于減少由于個(gè)體差異帶來的工作負(fù)擔(dān)和醫(yī)療錯(cuò)誤。得益于AI肝臟影像分析技術(shù)的革新，肝臟AI局灶性分割的準(zhǔn)確率(DSC系數(shù))從2018年的0.69躍升至2022年的0.87[27]。分割速度更是較手動(dòng)操作提升6.7倍。不過，在形態(tài)復(fù)雜程度和個(gè)體差異性比較大的胰腺中，AI目前更常用于整體分割，且DSC低于肝臟(78%±8%)[28]。同時(shí)，AI可以更迅速地利用CNN算法將肝臟及其周圍組織的結(jié)構(gòu)以3D立體的形式重建。如Synapse3D第6版軟件通過深度學(xué)習(xí)將三維重建時(shí)間縮短至2.1min,極大提高了虛擬肝切除術(shù)的臨床應(yīng)用可行性，使虛擬肝切除術(shù)前規(guī)劃常規(guī)化[29]。2.治療響應(yīng)動(dòng)態(tài)建模：深度學(xué)習(xí)的發(fā)展為無創(chuàng)個(gè)性化制定轉(zhuǎn)化治療策略提供可能。Hu等[30]構(gòu)建的CT影像組學(xué)模型可預(yù)測胃癌新輔助化療反應(yīng)(外部驗(yàn)證AUC=0.82),指導(dǎo)個(gè)體化治療路徑選擇。Jia等[31]對(duì)結(jié)合MRI數(shù)據(jù)的AI對(duì)直腸癌新輔助化療后達(dá)到病理完全緩解的預(yù)測模型進(jìn)行Meta分析，模型的合并AUC達(dá)0.91,敏感度為0.82,合并特異度為0.86,表明其在助力精準(zhǔn)篩選新輔助化療獲益人群方面的巨大潛能。與此同時(shí)，包含放射組學(xué)的DLC模型可以更好地(TACE)治療獲益情況進(jìn)行預(yù)測[32]。不過目前大多數(shù)模型仍以監(jiān)督掘出新輔助治療相關(guān)的特征組合以及隱藏的異常助治療方案選擇的決策支持。3.醫(yī)患共同決策賴醫(yī)師作出決策而不參與討論手術(shù)治療方案的選擇和細(xì)節(jié)內(nèi)容[33]。單方?jīng)Q定權(quán)不但容易加重醫(yī)師的決策疲勞和責(zé)患者價(jià)值觀偏好的個(gè)性化選擇[34]。生成式AI有機(jī)會(huì)將患者納入治療決策團(tuán)隊(duì)之中?；赥ransformer架構(gòu)的大型語言模型(LLM)驅(qū)動(dòng)的個(gè)性化風(fēng)險(xiǎn)分析[35]。據(jù)報(bào)道，LLM可解答81%胰腺切除手術(shù)相關(guān)問題，但僅25%的專家認(rèn)為其能達(dá)到深度醫(yī)患溝通水平，其瓶頸在于其缺乏手術(shù)過程可視化呈現(xiàn)能力，限制了患者決策參與度[36]。AI在消化系腫瘤外科手術(shù)中的應(yīng)用(一)智能決策支持系統(tǒng)(1)手術(shù)時(shí)相識(shí)別算法：手術(shù)時(shí)相自動(dòng)識(shí)別技術(shù)有潛力通過數(shù)據(jù)注釋和具。Sasaki等[37]構(gòu)建了腹腔鏡肝切除術(shù)手術(shù)時(shí)相自動(dòng)識(shí)別的兩個(gè)CNN模型，精確度達(dá)到0.891和0.947,在不同病例中表現(xiàn)高度一致(SD=0.04)。Kitaguchi等[38]利用CNN對(duì)腹腔鏡結(jié)直腸手術(shù)視頻進(jìn)行手術(shù)流程識(shí)別，手術(shù)階段和動(dòng)作分類的準(zhǔn)確率分別為81.0%和83.2%。盡管該技術(shù)在部分流程清晰的腹腔鏡術(shù)式中腫瘤復(fù)雜開放術(shù)式中的實(shí)踐仍然相對(duì)困難[39],重要原因之一是這些術(shù)式缺乏足夠統(tǒng)一的手術(shù)時(shí)相劃定標(biāo)準(zhǔn)[40]。(2)術(shù)中病理：AI能夠縮短單次約30min的常規(guī)病理診斷程序[41],并可進(jìn)行分子光譜診斷。2.生理風(fēng)險(xiǎn)預(yù)警：基于多變量時(shí)間序列的AI模型在術(shù)中生理監(jiān)測領(lǐng)域也展現(xiàn)出卓越預(yù)警效能。(1)出血事件預(yù)測：22.6%~45.1%的胃癌患者出現(xiàn)術(shù)中出血[42-43],而輕量梯度提升模型對(duì)胃癌術(shù)中出血預(yù)警率提升肝切除術(shù)視頻中隨機(jī)選擇出血場景并轉(zhuǎn)換為視頻數(shù)據(jù)集，召回率達(dá)79% [45]。(2)失血量精準(zhǔn)計(jì)算：Li等[46]開發(fā)了一個(gè)醫(yī)用海綿AI監(jiān)(二)增強(qiáng)術(shù)中導(dǎo)航功能可以對(duì)圖像進(jìn)行分類和集合，尤其在腹腔鏡加補(bǔ)充信息，以減少醫(yī)師缺乏觸覺反饋可能帶來的失誤[47]。在腹腔鏡膽囊切除術(shù)中，Madani等[48]開發(fā)的二分類模型可在術(shù)中精確劃定肝肝切除術(shù)用于識(shí)別肝血管的三分類模型可以進(jìn)一步區(qū)分肝Glissonean蒂[49]。而最新研發(fā)的“Eureka”系統(tǒng)在胃癌根治術(shù)中實(shí)現(xiàn)胰腺與結(jié)締組織雙重高亮顯示，同樣驗(yàn)證了AI導(dǎo)航在更多復(fù)雜的消化系統(tǒng)腫瘤手術(shù)中的擴(kuò)展?jié)摿50]。2.空間配準(zhǔn)技術(shù)創(chuàng)新：增強(qiáng)現(xiàn)實(shí)技術(shù)(AR)和混合現(xiàn)實(shí)技術(shù)(MR)與AI的融合是術(shù)中導(dǎo)航系統(tǒng)發(fā)展的一呼吸運(yùn)動(dòng)、氣胸、血腫或設(shè)備等外部壓迫而導(dǎo)致的器官變形精確的動(dòng)態(tài)配準(zhǔn)[51]。腹腔鏡AI+AR系統(tǒng)LARN進(jìn)行實(shí)時(shí)術(shù)中導(dǎo)航能將住院時(shí)間縮短2d(P=0.003)[52]。(2)多模態(tài)交互升級(jí)：AI+MRWierzbicki等[53]報(bào)道了一款用于消化系統(tǒng)腫瘤的3D全息可視化導(dǎo)航系統(tǒng)，在術(shù)中通過語音/手勢控制實(shí)現(xiàn)交互，而不會(huì)破壞無菌場，將手術(shù)效率提高了1/3。(三)機(jī)器人手術(shù)范式的演進(jìn)5G通訊使遠(yuǎn)程手術(shù)成為現(xiàn)實(shí)，盡管在泌尿外科[54]和骨科[55]等領(lǐng)域已經(jīng)推廣，但其在消化系統(tǒng)腫瘤領(lǐng)域的應(yīng)用仍需進(jìn)一步研究證實(shí)[56],其核心挑戰(zhàn)可能是穩(wěn)定控制網(wǎng)絡(luò)延遲并減少丟主性，減少對(duì)醫(yī)師經(jīng)驗(yàn)的依賴[57],醫(yī)療機(jī)器人的自主性水平(LoA)分為六個(gè)等級(jí)，從LoAO到LoA5代表機(jī)器人自主性的逐層增加[58]。性(LoA3)。其融合了多測組織形變、GNN識(shí)別縫合位置和器械防碰撞等，確性和手術(shù)安全性[59]。目前外科的重點(diǎn)可能是更新現(xiàn)在的低自主權(quán)機(jī)器人手術(shù)系統(tǒng)，使其達(dá)到任務(wù)自主性和條件自主性[60-61]。要實(shí)現(xiàn)這程序。(四)智能外科教育系統(tǒng)需要耗費(fèi)大量人力對(duì)手術(shù)視頻進(jìn)行評(píng)估，并且容易產(chǎn)生主觀偏差[62]。等[64]開發(fā)的器械運(yùn)動(dòng)學(xué)分析系統(tǒng)可自動(dòng)識(shí)別機(jī)器人遠(yuǎn)端胃切除術(shù)中的等[65]建立的3DCNN模型使用基于內(nèi)鏡手術(shù)資格系統(tǒng)進(jìn)行評(píng)分的視頻操作的動(dòng)態(tài)變化將腹腔鏡結(jié)直腸手術(shù)視頻片段自水平，平均分類準(zhǔn)確率達(dá)到75.0%,低水平病例篩查特異度96.5%。2.無經(jīng)驗(yàn)醫(yī)師提供真實(shí)沉浸的手術(shù)環(huán)境，也無法客觀評(píng)估培訓(xùn)效果[66]。AI支持的VR可以重現(xiàn)真實(shí)病例，在更可控的環(huán)境中完成培訓(xùn)計(jì)劃。一項(xiàng)多中心RCT研究[67]證實(shí)，使用AI+VR組的學(xué)員腦腫瘤切除培訓(xùn)技能評(píng)分較傳統(tǒng)培訓(xùn)提升0.66分(95%CI:0.40~0.67,P<0.001),但該技術(shù)在消化腫瘤專用模塊的開發(fā)率仍然不足[68]。術(shù)后全程管理的應(yīng)用(一)結(jié)局的智能預(yù)測目前的研究致力于尋找最優(yōu)的ML算法以優(yōu)化對(duì)消化系統(tǒng)腫瘤手術(shù)結(jié)局的預(yù)測效能，如Shao等[69]比較了四種主流ML算法后，基于隨機(jī)森林方法建立了對(duì)胃癌術(shù)后吻合口瘺的最優(yōu)預(yù)測模型感性81.8%,特異性82.2%),AUC達(dá)到0.89,較傳統(tǒng)Logistic回歸AUC提升0.17,并同步開發(fā)了實(shí)時(shí)在線預(yù)測工具。Ber選擇可解釋的最佳分類樹模型訓(xùn)練胃腸道間質(zhì)瘤部驗(yàn)證和外部驗(yàn)證的表現(xiàn)均優(yōu)于傳統(tǒng)的紀(jì)念斯隆凱特琳癌癥中心列線圖。Osipov等[71]首次提出并建立了分子孿生AI平臺(tái)，通過整合胰腺導(dǎo)管腺癌切除術(shù)后患者的6636個(gè)臨床和多組學(xué)分子特征數(shù)據(jù)集，并使用留一法交叉驗(yàn)證七個(gè)ML模型，準(zhǔn)確預(yù)測了患者的術(shù)后生存期。(二)精準(zhǔn)輔助治療決策AI可以更快速地篩選不同輔助治療方案的潛在獲益人群。Kleppe等[72]開發(fā)的臨床決策支持系統(tǒng)使用了基于病理切以降低發(fā)病率、死亡率和費(fèi)用。Kather等[73]證實(shí)深度學(xué)習(xí)可直接基于HE染色切片識(shí)別微衛(wèi)星不穩(wěn)定(MSI)狀態(tài)，為胃腺癌和結(jié)直腸癌免疫治療精準(zhǔn)篩選獲益人群。Zeng等[74]建立了一個(gè)肝癌靶向治療反應(yīng)(三)智能康復(fù)體系的構(gòu)建電子健康記錄系統(tǒng)(EHR)收集了大量患者的術(shù)后數(shù)據(jù)，為AI驅(qū)動(dòng)術(shù)后監(jiān)測提供了根基。Jo等[75]基于11896例消化系統(tǒng)腫瘤患者的數(shù)據(jù)(AUC=0.87)?；贏I的遠(yuǎn)程康復(fù)管理被認(rèn)為是緩解醫(yī)護(hù)工作負(fù)荷和提出的ClinAIOps計(jì)算框架，利用可穿戴設(shè)備持續(xù)反饋的生理信息在合Tang等[77]開發(fā)了一個(gè)遠(yuǎn)程患者報(bào)告結(jié)局自動(dòng)分診系統(tǒng)，使用AI聊天機(jī)器人與患者對(duì)話完成癥狀采集與報(bào)告生成，醫(yī)護(hù)可以根據(jù)AI生成的報(bào)告給予患者指導(dǎo)建議。值得注意的是，盡管AI在慢病領(lǐng)域的遠(yuǎn)程管理中挑戰(zhàn)與應(yīng)對(duì)路徑(一)倫理與法律體系的重構(gòu)使用者還是其他相關(guān)方難以界定[78]。盡管在2018年，歐洲頒布《通用數(shù)據(jù)保護(hù)條例》,將AI產(chǎn)品歸為醫(yī)療器械，并強(qiáng)調(diào)患者有權(quán)知情同意但歐盟首部綜合性《人工智能法案》直至2024年7月方正式頒布，立法進(jìn)程明顯滯后于技術(shù)發(fā)展速度。2.數(shù)據(jù)倫理挑戰(zhàn)與對(duì)策：(1)醫(yī)療數(shù)據(jù)法，以及配套生物醫(yī)學(xué)匿名化工具(例如ARX)[80]。(2)訓(xùn)練數(shù)據(jù)中可能繼承了已知的人類偏見和算法偏見，代表性不足群體(如術(shù)中脈搏血氧監(jiān)測對(duì)于高海拔地區(qū)的少數(shù)群體)在肝癌AI診斷模型中的假陰性率效路徑。其要求所有利益相關(guān)者從早期階段就參與到AI開發(fā)設(shè)計(jì)決策之建立多中心平衡數(shù)據(jù)集，公布按用戶類型分類的模型結(jié)果[81]。(二)技術(shù)瓶頸與突破方向多模態(tài)數(shù)據(jù)融合是AI的巨大優(yōu)勢，但也會(huì)反向帶來過度擬合的問題。尤其是當(dāng)與實(shí)際結(jié)果并無關(guān)聯(lián)的變量數(shù)過多時(shí)然無法向醫(yī)患提供內(nèi)鏡和病理診斷、治療決策支持系統(tǒng)的結(jié)論推導(dǎo)過程[82]。與此同時(shí)，模型本身可能是基于相關(guān)性輸出數(shù)據(jù)，因此只代表了概率最大化[5],似乎無法完全解釋某些特征與手術(shù)結(jié)局之間的因果機(jī)制