金阳教授：人工智能如何赋能肺结节的临床决策？如何辅助肺叶精准分割、结节检测与鉴别诊断、分析疗效及预后？

　　摘要

　　随着肺结节检出率的上升，规范化管理对于肺癌早诊早治的重要性愈发凸显。近年来，人工智能（AI）在肺结节研究领域的深入，特别是在诊疗及预后分析方面，展现了巨大的潜力。AI对医学图像的处理与多模态数据整合能力，使其在肺结节临床决策中扮演着愈发重要的角色。本文旨在探讨AI在辅助肺结节临床决策方面的最新进展。

　　【关键词】肺结节；人工智能；医学图像；临床决策；精准医疗

　　低剂量CT筛查的普及，使得肺结节检出率持续上升，高分辨率CT的应用则进一步提升了肺部小结节的形态学特征识别精度。研究显示，一次性低剂量CT筛查与肺癌病死率下降31%、全因死亡率下降32%相关。然而，肺结节的多样性和复杂性使得其诊断颇具挑战。

　　近年来，人工智能（AI）技术的快速发展，使其在医疗数据处理方面展现出强大优势。凭借计算能力的提升和强大图形处理单元的支持，传统机器学习及深度学习技术得以对大型医学图像数据集进行高效分析，从而广泛应用于肺结节的早期检测与诊断。AI技术贯穿肺癌筛查流程，包括减少辐射剂量、个性化筛查间隔等。本文重点总结了AI在辅助肺结节临床决策中的应用，涵盖肺部分割、结节检测、结节分类、疗效及预后分析。

　　一、AI辅助肺叶精准分割

　　在肺结节检测前进行肺叶分割，旨在准确定义肺叶解剖结构，区分与结节相关的区域。然而，个体间肺叶形状与大小存在解剖学差异，通常与年龄、性别、身高和身体质量指数相关。多种算法被专门用于肺部分割，包括基于外观纹理信息和形状特征定义肺部边界，基于解剖学知识识别气道和血管从而确认肺叶裂隙。AI算法利用CT图像进行高精度全自动肺叶分割，在肺功能测量、局部图像分析和手术规划应用中展现出巨大潜力。然而，自动分割仍面临多种挑战，包括结节特征异质性阻碍精确分割、分割结果可解释性不足等。

　　二、AI辅助肺结节检测

　　AI算法在肺结节检测中展现出高灵敏度（83%～97%）和准确度（82%～98%）。识别候选结节并从中准确筛选出阳性结节是检测的两个连续过程。基于深度学习的方法不依赖于人工提取结节特征，高度自动化，显著减少人工干预需求。众多研究探索了基于深度学习的肺结节检测工具性能，基础算法包括U-Net、区域生成网络、残差网络（ResNet）等。降低假阳性率是提升检测准确度的关键，但肺结节的多样性和复杂性使得这一任务极具挑战。通过优化模型结构、增强特征提取能力等措施，AI辅助检测技术不断进步。

　　三、AI辅助肺结节鉴别诊断

　　肺结节良恶性鉴别诊断是肺癌筛查的核心部分。AI系统能协助放射科医生快速识别疑似结节并提供诊断意见，减少误诊和漏诊。深度学习分类器高度自动化，从数据中学习并提取特征，完成分类任务。研究表明，基于AI的分类模型在预测恶性结节方面表现出色，显著优于放射科医生人工诊断率。未来，将AI输出结果与诊疗指南结合，可为肺结节管理提供更佳框架。

　　四、AI辅助肺结节疗效及预后分析

　　早期肺癌治疗选择多样，但高费用、耐药性和并发症问题需更有针对性的患者选择方案。AI技术从CT图像中挖掘全肺信息，预测肺癌患者治疗反应和预后。研究利用放射组学特征和临床病理数据构建预测模型，在预测非小细胞肺癌患者对免疫检查点抑制剂治疗反应方面表现出色。基于AI的数字病理在提升病理诊断准确度、可重复性和效率方面展现出巨大潜力。

　　五、展望与挑战

　　CT图像是构建肺结节相关AI模型的关键基础，推进高质量CT筛查至关重要。然而，AI模型泛化能力差、输出结果缺乏解释性等问题需关注并解决。未来研究应聚焦于基于AI算法的大规模测试及多中心临床研究，以验证其改善患者结局的有效性。尽管面临挑战，但AI仍将在肺结节辅助诊疗中发挥重要作用，为患者提供更优质的服务。