手术肿瘤学中人工智能的现状与未来展望
《Oncology and Translational Medicine》:Current status of artificial intelligence in surgical oncology and future perspectives
【字体:
大
中
小
】
时间:2026年10月14日
来源:Oncology and Translational Medicine
编辑推荐:
在肿瘤学中,人工智能(AI)正迅速从辅助诊断工具演变为治疗决策和外科实践的核心组成部分。本文作为一篇综述性评论,评估了AI在外科肿瘤学中的当前应用、面临的挑战以及未来的发展方向。我们系统地回顾了AI技术,包括精确图像分割、三维重建、虚拟手术规划、增强现实引导切除、智能手术机器
在肿瘤学中,人工智能(AI)正迅速从辅助诊断工具演变为治疗决策和外科实践的核心组成部分。本文作为一篇综述性评论,评估了AI在外科肿瘤学中的当前应用、面临的挑战以及未来的发展方向。我们系统地回顾了AI技术,包括精确图像分割、三维重建、虚拟手术规划、增强现实引导切除、智能手术机器人和多模态预后预测,涵盖从术前规划到术中导航和术后管理的整个手术护理连续过程。我们还批判性地讨论了临床转化中的障碍,包括高级别证据有限、成本高、系统集成困难、数据隐私问题、算法透明度和伦理监管困境。我们进一步探讨了新兴技术在外科肿瘤学中的潜在应用,如多模态数据融合、联邦学习、可解释AI和大型语言模型。我们预计,未来AI增强的外科肿瘤学将具有深刻的人机协作特征,AI将作为决策支持工具和外科医生的认知伙伴发挥作用。这些进展将提高癌症治疗的精确性、降低侵入性,同时确保个性化和基于价值的护理。
## 1. 引言
癌症仍是全球发病率和死亡率的主要原因。近期的GLOBOCAN 2022统计数据显示,大约每5人中就有1人会在其一生中患癌,大约每9名男性和每12名女性中就有1人死于该疾病。[1] 手术切除是实体瘤的首选且通常是根治性的局部治疗方法。其完整性和精确性直接关系到患者的预后和生活质量。传统上,外科肿瘤学在很大程度上依赖于外科医生的个人经验、空间想象力和手眼协调能力。然而,外科医生面临着严峻的挑战,包括需要在术前准确评估肿瘤与周围复杂解剖结构之间的空间关系,在术中实时识别肿瘤边界,并尽可能保留有功能的正常组织,这些挑战对外科技能和认知思维提出了极高的要求。[2]
近年来,人工智能(AI)技术取得了突破,特别是深度学习。这种技术在图像识别、数据分析和模式学习方面的强大能力,提供了可能克服传统手术局限性的潜在变革性工具。[3,4] AI可以从大规模医学数据集中提取人眼无法感知信息,从而将传统的影像数据转化为可量化的、直观可视的决策辅助工具,进而增强外科能力,提高肿瘤外科手术的精确性、安全性和效率。[5]
旨在分析AI在外科肿瘤学中的作用,本综述性评论遵循"现状—挑战—前景"的逻辑框架。它系统地阐述了AI在整个围手术期中的具体应用和技术实现,分析了临床转化相关的关键挑战和伦理社会考量,并探讨了智能手术室中新兴技术驱动的趋势。
## 2. 方法
为了构建本综述性评论,我们检索了PubMed、Embase、Web of Science和Google Scholar数据库中2018年1月至2025年12月发表的文章。我们使用了以下检索词及其组合:"人工智能"、"机器学习"、"深度学习"、"肿瘤外科"、"肿瘤切除"、"手术导航"、"增强现实"、"手术机器人"、"术前规划"、"术中引导"、"术后预测"、"联邦学习"、"可解释AI"和"大型语言模型"。纳入标准为以英文发表的原始研究和综述文章,报道了AI在肿瘤外科中的应用。我们手动筛选了检索到的文章参考列表,以识别额外的相关研究。鉴于研究的异质性,我们采用了叙事综合方法,而非正式的系统综述方法。
## 3. AI在肿瘤外科护理连续过程中的应用现状
AI融入外科肿瘤学涉及了一个根本性的范式转变,从一个以工匠式、经验驱动为特征的学科转变为数据密集型、计算增强型科学。这不仅仅是一系列工具的集合,而是一个多模态计算架构,将整个手术过程转变为一个持续学习和优化的反馈循环。表1提供了AI技术在肿瘤外科连续过程中的结构化概述,按阶段(术前至术后)分类,并包括从常规使用到研究阶段的成熟度以及现有临床证据的总结。AI整合了先进的机器学习、计算机视觉和数据融合技术,将多模态患者数据综合为实时可用的手术智能,涵盖基因组学、影像组学到术中视频和术后传感器流等多种数据源。最终,这些进展创造了一个具有情境感知能力的手术助手,能够实现预测分析、精确执行和个性化术后管理,目标是改善患者结局和外科医生体验,同时降低成本并提高公平性和系统健康水平(图1)。
**表1 肿瘤外科中关键AI技术的阶段总结**
| 阶段 | 技术 | 代表性系统 | 应用场景 | 成熟度 | 证据水平 |
|------|------|-----------|---------|--------|---------|
| 术前 | 基于CNN的分割 | U-Net, nnU-Net, Attention U-Net | 肿瘤勾画、体积测量 | 高 | 多项RCT* |
| | 三维重建 | Brainlab, Stryker, Materialise | 虚拟手术规划 | 中等 | 前瞻性队列 |
| | 影像组学 | PyRadiomics, LIFEx | 治疗反应预测 | 中等 | 回顾性研究 |
| 术中 | AR导航 | Brainlab, Medtronic, HoloLens | 实时肿瘤引导 | 中等 | 可行性研究 |
| | 手术机器人 | da Vinci, Versius, Hugo | 运动缩放、震颤过滤 | 高 | 多项RCT* |
| | 高光谱成像 | 组织特异性成像系统 | 实时组织区分 | 低 | 临床前 |
| 术后 | 并发症预测 | MySurgery Risk, POTTER | 风险分层 | 中等 | 验证研究 |
| | 复发预测 | 基于ML的列线图 | 个性化监测 | 低 | 回顾性研究 |
| | 技能评估 | 手术视频分析平台 | 培训和质量控制 | 中等 | 初步研究 |
| 跨阶段 | 联邦学习 | NVIDIA Clara, PySyft | 多中心模型训练 | 低 | 概念验证 |
| | 可解释AI | SHAP, LIME, 注意力可视化 | 临床决策透明度 | 低 | 开发阶段 |
| | 大型语言模型 | GPT-4, Med-PaLM, 领域特定LLMs | 临床推理支持 | 极低 | 早期研究 |
该表格按手术阶段(术前、术中、术后和跨阶段)对AI应用进行了分类,详细列出了代表性系统、具体应用场景、当前成熟度和现有临床证据。成熟度分为四个不同的等级,以明确区分常规临床使用和仅用于研究的应用:高(常规临床使用,具有成熟的工作流程)、中等(正在从研究阶段过渡——正在进行临床验证,采用率有限)、低(原型或早期临床测试,仅限于研究环境,尚未准备好常规使用)和极低(纯研究阶段,无临床应用)。证据水平从多项随机对照试验(RCT)到概念验证研究不等。技术范围从成熟的卷积神经网络(CNN)分割和机器人平台到新兴方法,包括联邦学习、可解释AI技术和大型语言模型。这一综合映射为评估AI整合进外科实践的医生、研究人员和政策制定者提供了结构化概述。
*证据水平列中的"多项RCT"指的是底层手术平台或设备(例如da Vinci机器人系统),而非AI算法本身,因为许多AI特定组件的专门RCT仍然缺乏。
AI,人工智能;AR,增强现实;CNN,卷积神经网络;EHR,电子健康记录;LIME,局部可解释模型不可知解释;LLM,大型语言模型;ML,机器学习;PACS,影像存储与传输系统;RCTs,随机对照试验;SHAP,SHapley加性解释;XAI,可解释人工智能。
**开放多媒体模式**
**图1 AI在肿瘤外科护理连续过程中的应用。** 该图展示了AI整合的三个主要阶段:术前规划(蓝绿色)、术中导航(橙色)和术后管理(绿色)。每个阶段包含特定的AI技术及其代表性系统和应用。底部的时间线描绘了从诊断到长期随访的患者旅程。底层技术层(紫色)显示了支撑基础设施,包括深度学习、计算机视觉、机器人技术、预测分析和联邦学习。AI,人工智能;AR,增强现实;CNN,卷积神经网络。
### 3.1 术前规划与决策支持
术前规划是手术的认知基础,在这一阶段做出的战略决策具有终身影响。作为认知假体,AI增强了外科医生的感知、量化和模拟能力,从而将主观评估转化为客观的、可重复的、具有预测性的规划。
#### 3.1.1 图像分析与精确肿瘤分割
该领域的研究已从卷积归纳偏置演变为更加灵活的注意力驱动架构。[6,7] 视觉Transformer及其层次变体(例如Swin Transformers)在医学图像分割中取得了显著成功。[8–10] 这些模型依赖于自注意力机制,使所有图像块能够相互加权。因此,它们能够捕获理解整体解剖上下文所需的长程依赖关系,[11] 例如原发肿瘤与周围卫星结节或肿瘤周围水肿之间的关系。与卷积神经网络(CNN)相比,这是一个相当大的优势,后者具有更加局部的感受野。受非平衡热力学启发的扩散模型也作为分割的强大生成工具正在兴起。[12] MedSegDiff等模型将分割视为去噪过程,通过迭代优化噪声掩膜使其趋近于真实值。[13] 在模糊区域,这种概率方法通常能锐化边界并提升性能。半监督和自我监督学习策略对于解决专家标注这一关键瓶颈至关重要。[4,14–16] 对比学习(如SimCLR、MoCo)等技术使用大量未标注的医学图像语料库对模型进行预训练,识别属于同一原始图像的增强视图,从而建立丰富的特征表示。[17] 然后,此类模型可以仅使用少量标注样本进行微调以用于分割,这大大减少了标注负担。联邦学习(FL)解决了数据隐私和孤岛问题。在FL框架中,一个全局AI模型在多家医院之间协同训练。[18,19] 每个机构使用本地数据训练模型,并且仅共享和聚合模型参数更新(即不共享数据)。[18] 这使得能够创建强大的、可泛化的分割模型,这些模型从多样化患者群体和影像方案中学习,缓解了当一个中心训练的模型应用于另一个中心时常见的性能下降。验证日益聚焦于临床实用性。除了体积准确性(即Dice分数)之外,研究还调查了AI分割是否减少了放射肿瘤学或外科肿瘤学专家在靶区勾画中的观察者间差异,或缩短了术前规划时间。其他研究探讨了AI定义的肿瘤体积或浸润模式与分子亚型(如胶质瘤中的IDH突变状态)之间的潜在相关性,或对新辅助治疗反应的预测,将AI定位为一种非侵入性生物标志物。[14,15,20,21]
#### 3.1.2 三维重建与虚拟手术规划
AI驱动的三维(3D)规划已从静态可视化演变为动态预测模拟。[22] 越来越多的传统阈值法或区域生长算法正被基于深度学习的分割网络(如nnU-Net)所取代,后者可以从一次CT或MRI扫描中同时分割多个器官和肿瘤,在几分钟内生成标记的3D模型。[23,24] 创建生物力学和生理上精确的"数字孪生"代表了当前的前沿。这种方法涉及将解剖模型与基于物理的模拟相结合。[25,26] 例如,通常由物理信息神经网络加速的有限元分析模型,可以模拟组织变形、血流(使用计算流体力学)以及在涉及肝脏手术时的胆管结构。通过沿不同平面的虚拟切除,外科医生可以立即预测术后肝脏体积、基于吲哚菁绿清除模拟的功能性肝残余量以及剩余肝段静脉淤积的风险。[27] 这些预测使得比较虚拟规划成为可能,例如定量评估保肝的非解剖性切除与正式的解剖性肝切除术,不仅从体积角度,还从预测功能结局和手术复杂度的角度进行评估。与增强现实(AR)和混合现实(MR)平台的集成将3D规划转变为沉浸式体验。[28–30] 使用Microsoft HoloLens 2或Magic Leap 2等头戴设备,外科医生可以将患者的全息3D解剖结构叠加到手术台上的实际身体上(即患者特异性AR),或在虚拟空间中与模型交互进行排练。先进的双手追踪和手势识别AI使外科医生能够使用自然手势(旋转、切片、测量)操作全息图,增强他们的空间理解并促进基于团队的规划讨论。[31,32] 在肝胆领域,AI驱动的可视化和分割流程进一步支持了用于诊断和区分肝病变以及预测早期复发的影像组学特征分析,而机器人辅助消融平台则将这些工具的应用扩展到影像引导的肿瘤消融。[33] 这些进展共同说明了AI和图像处理如何在肝癌的诊断、治疗和预后方面演变。[33]
#### 3.1.3 预后评估与治疗反应预测
目前,该领域正从孤立的图像分析向全面的多模态数据融合范式转变。虽然CNNs被用于深度影像组学中从图像中自动提取预后特征,但与来自其他组学数据的整合至关重要。[34] 在此,图神经网络(GNNs)特别适用,因为它们能够建模不同数据类型之间的关系。[35,36] 一个患者可以被表示为一个图,其中节点是数据点(例如影像组学特征、基因突变或实验室值),边代表已知或学习的交互作用。GNN通过在图中传播信息来进行统一预测。
对于直肠癌,多模态AI模型可能整合以下信息:(1) 来自T2加权成像和扩散加权MRI的放射组学特征,用于预测肿瘤细胞密度和纤维化程度;(2) 来自数字化苏木精-伊红染色活检切片的病理特征,用于量化肿瘤-基质比值和免疫细胞浸润;(3) 基因组数据(如微卫星不稳定性状态);以及(4) 临床数据(如癌胚抗原[CEA]水平)。该模型的输出包括个性化的病理学完全缓解概率,更重要的是,可能的缓解模式(例如同心性缩小与碎片化),这一信息对于决定全直肠系膜切除术与观察等待策略之间至关重要。AI也已被用于发现肿瘤免疫微环境的放射组学特征[37,38]。已发现治疗前CT扫描上的纹理模式与CD8+ T细胞密度或PD-L1表达之间的相关性[39-41];这些因素可能作为无创生物标志物,用于识别治疗反应优异的个体以及系统治疗后可能免于手术或接受较不广泛切除术的潜在候选人。
3.2. 术中导航与实时辅助
对于AI而言,手术室是一个特别具有挑战性的环境,要求对噪声具有鲁棒性、具备实时处理能力,并能无缝集成到动态的高风险工作流程中。手术物联网的整合,作为外科实践的革命性进步,为现代肿瘤外科学中的数据获取和设备编排提供了所需的互联基础设施[42]。下一代AI增强手术的概念框架以未来智能手术室为中心,由四个技术支柱支撑:多模态数据融合、联邦学习(FL)、可解释AI(XAI)和大型语言模型(LLMs)。这些支柱实现了5项关键临床应用,涵盖从个性化规划到并发症预测管理(图2)。
图2. 下一代AI增强肿瘤外科手术的概念框架。中心枢纽代表未来智能手术室,由四个技术支柱支撑:多模态数据融合(蓝色,左上角)实现数字孪生技术;联邦学习(红色,右上角)在保护隐私的同时促进协同智能;可解释AI(绿色,右下角)通过SHAP、LIME和注意力可视化确保透明度和临床信任;大型语言模型(紫色,左下角)作为临床推理的认知伙伴。外围文本标签突出关键使能因素。底层(橙色)展示了5项变革性临床应用:超个性化手术规划、实时风险重算、自主组织识别、并发症预测管理和标准化质量评估。虚线表示组件之间的双向数据流和集成。AI,人工智能。
3.2.1. 智能影像引导手术导航
一个主要挑战是关于软组织变形的补偿,这可能导致术前影像失效。现代AI系统通过将生物力学建模与实时传感器融合相结合来解决这一问题。术前创建器官(如大脑、肝脏)的患者特异性有限元模型。术中,从跟踪的术中超声或立体摄像系统获取稀疏数据。AI算法通常基于贝叶斯滤波或深度学习代理模型,用于在变形的术中数据与术前模型之间执行非刚性配准,从而在接近实时的情况下更新有限元模型以反映当前解剖结构。这一过程称为模型更新影像引导手术[43-45]。AI辅助的手术工作流程分析允许预测性导航[46,47]。通过识别当前手术阶段(例如"皮质切开"、"肿瘤减瘤"),系统可以预见下一个感兴趣解剖结构并预先加载最相关的视图或突出显示可能遇到的关键血管/神经,从而减少认知负荷和搜索时间[48]。除数字导航外,AI导出的患者特异性解剖模型还可转化为3D打印的复制品或手术导板,为肿瘤外科的术前演练和术中定位提供有形的辅助工具[49]。
3.2.2. AR和MR的应用
当前研究集中在解决与外科场景中的AR/MR相关的人机交互挑战。一个主要挑战是关于视觉杂乱和深度感知。在最近先进的AI驱动渲染技术中,对手术视频流进行语义分割使系统能够理解场景并区分器械、组织和血液[50,51]。这一能力实现了情境感知渲染,即仅在相关时显示虚拟叠加层,并且虚拟叠加层被物理对象正确遮挡。注视点渲染利用眼动追踪数据,以高分辨率渲染外科医生注视区域,同时降低周边细节,从而节省计算资源。手势和注视驱动的交互对于保持无菌状态至关重要。AI模型可识别手部手势(即使戴着手套)和注视点估计,使外科医生能够选择菜单、旋转全息图或进行测量而无需触碰物理界面[52,53]。临床研究者正在严格评估下一代光学透视式头戴式显示器的精度(在研究环境中通常达到亚毫米级),以及它们对手术工作流程、人机工程学和团队动态的影响。此类研究测量了操作时间、情境切换次数(即视线离开手术视野)和主观外科医生疲劳度,以确保这些技术提供切实效益。
3.2.3. 实时组织识别与边界界定
"光学活检"的前沿正由多种互补成像模态推进,每种模态均配备专门的AI[54]。高光谱成像为每个像素捕获光谱特征,然后通过AI(通常为卷积神经网络或光谱-空间分类器)分析以实时区分组织类型(如肿瘤、脂肪、神经、血管)[54,55]。光学相干断层扫描提供微米级分辨率的横截面图像[56]。使用大量光学相干断层扫描图像及其对应组织学的大数据集,训练深度学习模型(如CNN)提供即时诊断读出,例如在结肠镜术中区分异型增生息肉与良性息肉,或在皮肤癌的Mohs手术中识别阳性切缘。光声成像(PAI)结合激光激发和超声检测[57],对血红蛋白极为敏感,可可视化血管网络和氧合状态[58]。利用AI,可分析PAI数据以绘制肿瘤血管生成和低氧图,这些通常是切除目标并可预测侵袭性行为。无标记的非线性光学显微镜,如相干反斯托克斯拉曼散射和二次谐波生成显微镜,显示出相当的前景[59]。这些技术分别基于振动光谱或胶原结构提供固有的分子对比度。AI模型(包括支持向量机和深度神经网络)可利用这些丰富的无标记信号以高精度分类组织,提供了一种无需外源性染料或冗长处理的通用切缘评估方法。
3.2.4. 智能手术机器人与程序分析
AI可为手术机器人赋予情境感知能力和有限的自主性。手术阶段识别现在是一个成熟领域,通常结合来自内镜视频的视觉特征与来自机器人手臂的运动学数据。基于时序卷积网络或Transformer的模型可高精度地将手术过程分割为各阶段,从而实现自动化绩效评估和情境敏感辅助。手术手势或技能识别是该技术的下一步进展。从器械运动学(如位置、速度、力、力矩)和视频数据中,AI可以分类基本操作(如"抓持"、"牵引"、"缝合"、"电凝"),并从运动经济性、平滑度和施力程度等方面评估其质量[60],从而促进实时技术反馈和错误预测。例如,AI系统可能检测到表明新手技能水平的无效抖动动作,或基于牵引过程中施加的过大力量预测组织撕裂的高风险,然后提供触觉或听觉警告。强化学习是自主运动领域的前沿[61]。在模拟环境中,机器人智能体通过试错学习缝合或打结等任务的最优控制策略,根据速度、准确性和最小组织损伤给予奖励。尽管在复杂手术中实现完全的机器人自主性既非期望也不即将到来,但共享控制是一个现实的近期目标。在此情景中,机器人提供主动约束(如防止器械进入"禁飞区")、运动缩放(如滤除震颤)或自动化子任务执行(如完成预先规划的、由外科医生触发的缝合线),以增强精度并减少外科医生疲劳。
3.3. 术后评估与随访管理
AI通过实现持续的数据驱动监测和适应性管理,完成手术护理的全过程,将随访从通用时间表转变为个性化的风险适应性方案。对于胸科(如肺、食管、胸腺)肿瘤病例,越来越多的证据支持针对机器人辅助/胸腔镜手术后并发症(如持续性气漏、心房颤动和肺炎)的预测模型[62]。然而,心脏肿瘤学(原发心脏肉瘤或转移性心包/心肌受累)的可用病例量太少,无法得出疾病特异性AI证据;在此情况下,可从非肿瘤心脏手术中推广适用的术后风险分层范式,其中报道描述了使用机器学习模型预测急性肾损伤、谵妄和死亡率[63]。
3.3.1. 术后结果评估
AI还可以自动化手术质量的定量评估,提供客观、可重复且不受观察者偏差影响的指标。实体肿瘤切除术后,将深度学习分割模型应用于首次术后CT或MRI数据,可自动计算切除腔体积并与术前肿瘤体积进行比较,得出精确的切除率百分比[64,65]。更重要的是,这些模型可以识别和量化切除腔旁残余强化组织,作为评估切除完整性(R0、R1、R2)的早期客观指标。在复杂手术(如用于腹膜癌症的减瘤手术[CRS])后,腹膜癌指数(PCI)的主观视觉评估具有挑战性。然而,AI模型可以在术前和术后CT扫描上自动检测、分割和量化腹膜转移灶,生成自动腹膜癌指数评分和减瘤完整性的定量评估(CC评分)[66]。这些步骤为评估热灌注腹腔化疗的反应提供了可靠基线[67]。学术研究正密集地将AI导出的手术指标(如切除体积、残余疾病负荷,甚至从术中视频分析得出的手术复杂度评分)与长期肿瘤学结局进行关联。超越二元的R0/R1分类,正在进行的大规模多机构研究正在为各类癌症的"充分"或"最优"切除建立循证阈值。
3.3.2. 并发症预测与智能监测
范式正从静态风险评分(如ACS NSQIP计算器)转变为AI驱动的动态实时风险预测。现代临床决策支持系统实时整合多流高频多模态数据:连续生命体征(心率、血压、呼吸频率、血氧饱和度)、序列实验室检查结果(白细胞计数、乳酸、肌酐)、用药记录、自然语言处理分析的护理记录,以及可穿戴生物传感器数据(加速度计、用于心率变异性测量的光电容积脉搏波、皮肤温度)[68,69]。这些纵向数据用于训练时序深度学习模型,如长短期记忆网络、门控循环单元和基于Transformer的序列模型,以识别先于临床诊断的细微前驱模式[70,71]。例如,模型可能学会在8小时期间内生命体征和血液参数的早期变化组合高度预测即将到来的手术部位感染或吻合口漏。这些系统可以生成并持续更新早期预警评分,在并发症临床明显前24-48小时提醒临床工作人员注意高风险患者[72]。这使得能够及时干预以防止临床发病。
3.3.3. 复发风险预测与个性化随访
术后监测从以往的"一刀切"时间表演变为动态的、AI引导的、风险适应性策略[73]。AI系统现在不再仅在出院时进行一次性静态风险预测,而是执行纵向风险重新分层[74-76]。对于每位患者,这些系统分析时序数据轨迹:使用AI通过比较序列监测影像数据来检测手术床或淋巴结纹理、大小或密度的亚视觉变化,追踪血清肿瘤标志物趋势(如CEA、CA19-9和PSA),并监测数字平台上的患者报告结局。贝叶斯或循环神经网络非常适合这一任务,因为它们可以在每次随访时纳入新数据以更新患者的复发概率[77,78]。例如,一位II期结肠癌患者术后可能被分类为低风险。然而,如果其CEA水平在6个月随访时显示出即使轻微的持续上升趋势,AI模型将提高其风险评分,并可能建议在下次CT检查前缩短间隔或增加正电子发射断层扫描。相反,对于生物标志物谱稳定或下降且影像轨迹无异常的患者,可以安全延长扫描间隔。这种个性化监测通过最大化在治疗可行阶段发现复发的机会来优化随访的成本效益,同时减少患者的焦虑和低危个体不必要的检查带来的辐射暴露。
3.3.4.
# 手术技能评估与标准化培训
目前,人工智能正在建立评估手术能力的新客观金标准方法,对培训、资质认证和质量改进具有深远影响。[79] 现代系统对手术表现进行层次化分析,在最高层级识别手术阶段。在每个阶段内,表现被细分为离散的技术组成部分(如组织处理、运动效率、器械协调)和术式特异性指标(如胆囊切除术中识别胆囊动脉所需时间、肝切除过程中的失血量)。[80,81] 分类通过将视频数据(使用基于CNN的动作识别模型进行分析)与机器人或腹腔镜系统的运动学数据(使用时间序列模型进行分析)进行融合来实现。通过聚合数百例专家手术中匿名化的数据,人工智能可以定义以数据为驱动的"理想"术式基准,作为循证参考点,这些基准能够适应解剖变异和个体手术风格,而非僵化的、一刀切的处方。[82,83] 利用这些基准,受训者可以获得自动化、客观的评估和细粒度反馈(例如"你在缝合时腕关节活动欠佳,导致针体偏转")。这些数据还可用于新一代手术模拟器,模拟器可生成近乎无限的、针对特定患者解剖和病理的变体,并根据学习者的表现实时调整难度。最后,这种集体智能可以为手术室提供术中决策支持。当外科医生遇到复杂的解剖变异时,系统可以实时检索并显示高水平外科医生在类似病例中采用的技术手段,从而充当集体记忆和指南。这形成了一个良性循环,即临床实践为培训提供依据,而培训的卓越水平又提升了临床效果。
## 4. 临床转化面临的挑战
尽管前景令人振奋,人工智能从技术原型到广泛临床应用的外科转化仍面临诸多重大障碍。
### 4.1 证据缺口:高质量临床证据匮乏
循证医学是临床实践的基石。在任何新技术被采用之前,必须通过严格的随机对照试验(RCT)等方法证明其安全性和有效性,RCT是提供临床证据的金标准。[84] 然而,对于AI辅助肿瘤切除和导航系统而言,高质量证据仍然极为稀缺,尤其是大规模、多中心、前瞻性RCT中报告的硬性临床终点数据,如阴性切缘率、局部复发率、无病生存期或总生存期。[85,86]
对文献和临床试验登记库的调查显示,目前尚无任何公开发表的大规模RCT结果,专门比较AI辅助肿瘤切除系统与标准手术方法在这些终点指标上的差异。已注册的相关试验(NCT06318559)的结果尚未公布。此外,大多数报告长期肿瘤学结局的RCT评估的是机器人平台(如达芬奇),而非独立评估AI组件;因此,现有证据基础主要由回顾性队列研究、小样本单中心前瞻性研究和临床前验证研究构成。同样,AR导航研究仍处于初步概念验证阶段。这一证据缺口限制了指南推荐和保险覆盖,成为临床应用的重大障碍。
### 4.2 临床采纳与整合挑战
即使是有确凿证据的技术,将其整合到复杂的医院生态系统中也面临诸多障碍。
#### 4.2.1 临床采纳率低
尽管投入了大量资金进行研究,人工智能在常规临床实践中的采用仍然有限,特别是在高风险和程序性领域(如外科手术)。[87,88] 调查数据显示,不到25%的外科专科已将AI工具纳入标准工作流程。影响采纳的因素包括外科医生对算法推荐的信任度、改变现有工作流程的意愿、相对于工作量的感知附加价值,以及机构对技术创新的文化态度。[89]
#### 4.2.2 系统整合的技术障碍
医院通常运行着复杂的、异构的信息生态系统,数据仓库彼此孤立。这增加了AI系统与现有电子健康记录、影像存档与通信系统以及手术室设备进行整合的成本和挑战。[90–92] 整合障碍包括陈旧的IT基础设施、不一致的接口标准和专有应用程序编程接口。AI软件、机器人平台与医院信息系统之间的互操作性是另一主要技术障碍。[93]
#### 4.2.3 人员培训与学习曲线
生物医学工程师和外科团队需要经过专门培训才能操作和维护先进的AI增强手术系统。[94] 这会产生额外成本,且新系统相关的学习曲线可能在初期延长手术时间,并引入不熟悉的故障模式,从而在早期实施阶段产生负面的采纳反馈循环。
#### 4.2.4 资源不平等与可及性差异
AI驱动手术平台的可及性常常受到财务限制的影响,尤其是在资源匮乏的环境中。这种差异在基础设施受限的低中收入国家尤为突出,基础设施限制加剧了财务约束,从而可能加重全球癌症外科治疗的健康不平等。低中收入环境的资源约束限制了AI在癌症护理连续性预防端的部署。在初级保健机构中,基于AI的风险预测和临床决策支持可以改进多种癌症(如肺癌、结直肠癌、胰腺癌)的早期发现,在欠服务人群中可能具有成本效益;然而,在工作流整合、临床医生信任与伦理治理方面的持续障碍同样相关,随着AI部署趋势向更大公平性转变,这些议题同样重要。[95]
### 4.3 成本效益:价值与投资之间的平衡
成本效益是任何医疗系统中可持续技术采纳的关键决定因素。
AI手术系统的采购,特别是硬件集成的导航和机器人平台,以及相关的软件授权、定期更新、维护合同和耗材,都构成了巨大的财务负担。[94] 这为许多机构,特别是社区医院和发展地区,设置了很高的准入门槛。AI可能通过提高手术精度和减少并发症相关成本产生长期节省;然而,严格的经济卫生评估仍然匮乏。[96–98] 已发表的报告AI驱动手术导航系统在肿瘤学中增量成本效益比的正式分析极为有限,导致缺乏证据来支持报销和覆盖决策。
除直接经济指标外,AI还产生间接效益,如增强手术能力、提高培训效率、减少机构间医疗质量差异和加速临床研究。在价值导向型护理框架中对这种多维价值进行全面评估,并将此类评估转化为可持续的报销模式,是卫生经济学研究的重要前沿领域。
### 4.4 泛化性与外部验证挑战
AI模型的泛化性有限以及已发表的严格外部验证稀缺,仍然是临床转化中一个被低估的重大障碍。尽管AI算法在内部验证单机构数据集时经常达到较高的准确率,但由于领域偏移——由影像硬件差异、手术技术差异、数据标注实践差异和患者人口学特征差异所驱动——其在接触外部数据时性能通常会下降。[99–101] 一项系统性评估显示,大多数关于AI辅助手术系统的研究仅依赖内部验证;仅有少数进行了真正的外部验证或报告了量化泛化性指标。[102,103]
多个AI模型在外部数据集测试中未能达标。例如,基于深度学习的手术阶段识别和解剖分割模型在其他医院使用不同设备制造商或录制协议的手术视频或影像数据上应用时,准确率大幅下降,部分模型变得临床不可用,尽管在开发队列中表现近乎完美。[104,105] 同样,在高容量三级中心训练的术中不良事件预测算法,在患者合并症和工作流程差异显著的医院使用时,往往校准不良且辨别力下降。[106,107] 这种普遍存在的外部验证缺乏不仅掩盖了AI的真实世界效用,也是监管认可、临床医生信任和广泛采用的基本障碍。
## 5. 伦理、监管与社会考量
AI在外科手术中是一种具有潜在颠覆性的技术,提出了复杂的伦理、法律和社会问题,这些问题必须得到主动应对(见表2)。
**表2 AI辅助肿瘤外科手术中的伦理挑战、监管考量与缓解策略**
| 类别 | 挑战描述 | 潜在影响 | 缓解策略 | 责任利益相关方 |
|------|----------|----------|----------|----------------|
| 算法偏见 | 训练数据不能代表多样化人群 | 健康差异、结果不公平 | 多样化数据收集、跨人群前瞻性验证 | 开发者、机构、监管机构 |
| 黑箱问题 | 深度学习模型中的决策过程不透明 | 信任侵蚀、临床判断受损 | 实施可解释AI技术(SHAP、LIME、注意力图);要求设计上的可解释性 | 开发者、临床医生 |
| 数据隐私 | 大规模健康数据泄露漏洞 | 患者伤害、法律责任、信任侵蚀 | 联邦学习、差分隐私、加密、GDPR/HIPAA合规 | 机构、技术提供商 |
| 责任归属 | AI参与不良事件时责任不明确 | 法律不确定性、抑制创新 | 制定明确的责任框架;要求人在回路监督;专业责任演进 | 法律体系、监管机构、专业学会 |
| 监管框架 | 传统路径不适用于自适应AI系统 | 延迟准入、抑制创新 | 自适应监管机制;预定变更控制计划;上市后监测 | FDA、EMA、WHO、公告机构 |
| 透明度与信任 | AI模型特征披露不足 | 知情同意困难、患者自主权问题 | 强制透明度报告;标准化模型文档;患者教育举措 | 监管机构、机构、临床医生 |
| 劳动力影响 | 潜在的技艺退化或过度依赖自动化 | 外科专长侵蚀、麻痹大意 | 维持刻意练习要求;AI作为决策支持而非替代;持续培训 | 培训项目、专业学会 |
| 全球公平 | 高成本限制资源受限环境的可及性 | 全球癌症护理差异扩大 | 分级定价、开源替代方案、技术转让计划、南南合作 | 产业界、全球卫生组织、政府 |
该表总结了AI在手术肿瘤学中应用面临的六大类伦理和监管挑战,包括算法偏见、"黑箱"可解释性问题、数据隐私与安全问题、责任归属模糊、传统监管框架的局限性以及劳动力/全球公平影响。对于每个挑战,该表列出了潜在的临床和社会影响、建议的缓解策略以及关键的责任利益相关方。
AI,人工智能;EMA,欧洲药品管理局;FDA,美国食品药品监督管理局;GDPR,通用数据保护条例;HIPAA,健康保险携带和责任法案;LIME,局部可解释模型无关解释;SHAP,SHapley加性解释;WHO,世界卫生组织;XAI,可解释人工智能。
### 5.1 伦理挑战
训练数据的质量、多样性和代表性对AI模型性能至关重要。如果训练数据集主要来源于特定人口群体,模型在应用于代表性不足人群时性能可能下降,从而可能加剧现有的健康不平等。[108] 确保多样化、包容性的数据收集实践对于开发公平的AI系统至关重要。[109,110] 此类系统应在临床使用前针对不同患者群体进行前瞻性验证。
许多高性能深度学习模型运行如"黑箱":其内部决策过程对人类理解而言不透明。[94,111] 在高风险的外科场景中,外科医生无法理解AI推荐背后的逻辑,会削弱其信任,使意外情况下的实时临床判断变得复杂,并阻碍有意义的人工监督——这些是安全部署的前提条件。
AI系统处理大量敏感的个人信息和健康数据。[108] 确保从收集、存储到传输和分析的全系统生命周期数据安全,防止未经授权的访问、泄露和滥用,是重大的技术和组织挑战。系统设计必须在每个阶段遵守数据保护法规。
AI辅助手术中不良事件的责任归属在法律上仍然模糊。[111,112] 关于主刀外科医生、AI系统开发者、部署该技术的医院和批准该技术的技术机构的职责问题由此产生。目前没有建立明确的法律框架来界定这种新的人-AI协作范式下的责任,由此产生的法律不确定性可能阻碍开发者和临床采纳者。
除上述技术和监管挑战外,患者和公众参与AI辅助手术系统开发和评估仍被很大程度上忽视。尽管算法偏见、黑箱局限、数据安全和责任问题已受到越来越多的学术关注,但患者对AI辅助手术的视角仍然研究不足。需要与患者和公众进行有意义的参与,以了解他们对AI整合进外科护理的价值、偏好和关切。未来的研究和系统综述应积极让患者和公众参与进来,确保AI手术系统的开发和部署真正以患者为中心、伦理稳健,并与所服务人群的需求相一致。
### 5.2 监管框架与政策格局
传统医疗器械监管路径是为具有固定功能和明确性能特征的静态设备设计的。然而,AI系统,特别是那些包含持续或自适应学习的系统,在接触新数据时可以动态演化,这从根本上挑战了"锁定"获批设备的概念。为监控和重新评估此类"活"算法开发适当的监管机制,是一项全球性挑战。[113,114]
监管机构通常要求在授予市场授权前提供大量前瞻性临床数据来证明安全性和有效性。如4.1节所述,此类数据的匮乏是AI辅助手术系统监管路径的主要瓶颈。
全球社区正在积极开发自适应监管框架。
欧盟的《人工智能法案》、美国食品药品监督管理局(FDA)关于基于人工智能/机器学习的软件作为医疗器械(SaMD)的框架,以及世界卫生组织关于健康领域人工智能伦理与治理的指南,均强调基于风险的分类、算法公平性、透明度、可解释性和人类监督等原则。这些趋同的原则正在推动形成一项全球共识。建立标准化的临床验证路径和统一的技术标准,对于促进医学人工智能的负责任开发和国际化部署至关重要。
**6. 未来方向与新兴技术**
尽管存在上述挑战,持续的技术演进提供了令人振奋的机遇。下一代人工智能系统有望进一步变革肿瘤外科(图2)。
**6.1 多模态数据融合与患者"数字孪生"**
未来,外科决策将整合多样化的数据来源,而不再局限于常规影像。多模态人工智能系统将融合基因组与蛋白质组学图谱、数字病理切片、电子健康档案数据以及实时术中生理信号[115]。利用这些异构数据集,人工智能可以为每位患者构建一个全面的"数字孪生":一种动态计算模型,用于捕获肿瘤及其与宿主相互作用的生物学复杂性[116,117]。数字孪生能够支持精确的个性化手术规划、术中实时风险重估以及个体化的术后管理策略。
**6.2 联邦学习(FL):具有隐私保护功能的协同智能**
多样化、高质量的数据是稳健人工智能的基础;然而,机构间的数据共享受隐私法规和机构政策的约束[118]。联邦学习提供了一种优雅的方案:人工智能模型在每家参与医院使用内部患者数据进行本地训练,原始数据无需离开所在机构。随后,仅将加密的模型参数或梯度传输至中心服务器进行聚合,从而生成一个强大且具备泛化能力的全球模型[118,119]。该方法能够在严格保护患者隐私的前提下利用全球临床数据,促进开发更稳健、更具泛化能力且偏见更少的人工智能应用,尤其适用于单一机构数据集不足以支持的罕见肿瘤类型[120]。然而,关键技术挑战仍然存在,包括处理各站点间非独立同分布数据以及防范模型聚合过程中的对抗性攻击。
**6.3 大语言模型作为认知伙伴**
大语言模型(LLMs),包括GPT-4和医疗领域专用大语言模型,展现出强大的自然语言理解、知识综合和临床推理能力,在肿瘤外科领域具有广阔的应用前景[121]。术前,大语言模型可快速综合患者的完整病史、最新临床实践指南及相关文献,以支持多学科肿瘤委员会讨论和治疗方案制定。术中,与多模态数据分析流程集成的大语言模型可利用其庞大的知识库解读手术视频流和实时生理数据,通过例如针对意外术中发现提供鉴别诊断和治疗建议,或在复杂解剖分离过程中按需提供解剖学参考信息等方式,提供情境感知的决策支持[115]。术后,大语言模型可协助生成结构化手术报告、患者教育材料和个性化康复护理计划。
目前,基于大语言模型的实时术中决策支持系统仍处于早期研究和原型验证阶段[122]。借助CliCARE等框架,人们正在探索将大语言模型安全地整合至临床工作流程中。然而,初步证据表明,虽然大语言模型在某些决策上可能与临床专家达成共识,但在具体治疗建议的准确性方面(例如化疗方案选择)存在重要局限性,且仍然容易产生看似合理但错误的信息(即"幻觉"现象)。主要外科技术企业已大量投资人工智能,但尚未发布经验证的基于大语言模型的实时术中决策支持系统原型或明确的商业化时间表。关键的技术障碍包括在安全关键情境下可靠地消除幻觉、确认知识准确性、实现与医院数据系统的低延迟集成,以及获得临床使用的监管批准。
尽管已有令人鼓舞的证据,但重大的认知和运营风险阻止了大语言模型在手术室中的临床采用。除了事实性错误之外,大语言模型缺乏实时锚定能力;在没有针对实时患者数据进行动态验证的情况下,它们可能生成过时或与情境无关的建议。在高风险的外科环境中,响应时间延迟可能干扰工作流程效率,而关于解剖变异或关键结构的幻觉则直接威胁患者安全。此外,引入大语言模型还引发复杂的医疗法律责任问题。目前尚不清楚因人工智能生成的指导导致不良事件时,责任应由外科医生、医院还是软件开发者承担。迄今为止,没有任何大语言模型获得用于实时术中决策的监管批准,这表明这些系统目前严格属于研究工具,而非临床伙伴。
**6.4 可解释人工智能(XAI):通过透明度建立信任**
可解释人工智能的开发对于解决上述黑箱局限性至关重要[84,123]。XAI涵盖多种技术,包括Shapley加性解释(SHAP)、局部可解释模型无关解释(LIME)、注意力可视化和基于概念的解释,旨在使人工智能的决策过程对人类用户透明[124]。未来的人工智能外科系统不仅应提供建议,还应阐明其背后的推理依据(例如,"该切缘评估基于光谱特征A和B,与组织学模式C及指南推荐D一致")。这种透明度对于赢得外科医生的信任、实现有效的人机协作、促进与患者的有意义知情同意讨论,以及提供确定责任所需的证据清晰度至关重要。因此,XAI是将人工智能转型和整合到外科实践中的一项关键前提。
**7. 结论**
人工智能正在变革肿瘤外科实践。从术前规划的精确"数字蓝图"到术中智能导航以及术后护理的个性化管理,人工智能正在构建一个贯穿整个外科旅程的集成支持系统。它正推动该领域朝着更高精度、更高安全性和更强个性化、更小侵入性的方向发展。
然而,从技术前景到常规临床实践的道路并不平坦。人工智能在肿瘤外科领域的临床应用仍处于早期阶段,面临多重相互关联的挑战,包括缺乏来自严格前瞻性试验的高级别临床证据、系统整合与工作流程适应方面的技术困难、不确定性的成本效益,以及不断演变的伦理和监管框架。应对这些挑战需要技术开发人员、研究人员、临床医生和监管机构的成功协作,以推动技术创新并建立稳健的临床验证框架、负责任的治理框架和公平可及机制。
多模态数据融合、联邦学习、大语言模型和可解释人工智能等前沿技术的开发与应用为乐观前景提供了坚实依据。最终目标不是用人工智能取代人类外科医生,而是促进深度的、协同的人机合作。在这一范式下,外科医生将贡献整体临床判断力、情境智慧和人性化患者照护,而人工智能则提供处理复杂高维信息所需的强大计算能力。这些互补优势的结合有望带来肿瘤外科领域的更佳结局,如更长的生存时间和癌症患者更好的生活质量。人工智能驱动的肿瘤外科转型已经开始,其持续演进将深刻变革癌症诊疗的未来(图3)。
**开放多媒体模态 图3.** 开放多媒体模态
肿瘤外科中人工智能实施的层级架构。该五层堆叠结构从底层到顶层展示了技术基础设施:(1)基础设施层,提供GPU计算、云存储和网络;(2)数据层,整合电子健康档案、影像存储与传输系统、影像及基因组数据;(3)算法层,包含卷积神经网络、Transformer、联邦学习和可解释人工智能方法;(4)应用层,提供分割系统、导航平台、机器人控制器和预测模型;(5)临床接口层,呈现外科医生工作站、AR/VR显示屏、决策支持仪表板和患者端工具。双向箭头表示各层之间的数据流和反馈回路。右侧面板展示了各层的关键特征。从深蓝到浅蓝的颜色渐变代表从硬件到用户界面的抽象程度递增。AI,人工智能;AR,增强现实;GPU,图形处理器;VR,虚拟现实。
**致谢**
作者感谢编辑和行政人员在本文准备过程中的协助。
**资金支持与赞助**
本研究由陆军军医大学第一附属医院2026年科技成果转化培育项目(编号:2026ZHFHA01)资助。资助方未参与研究设计、数据收集与分析或数据解释、论文撰写或结果发表决策。
**利益冲突声明**
FX和XC是《Oncology and Translational Medicine》的编委成员。本文遵循该期刊的标准流程,同行评审由与相关编委及其研究团队独立的人员进行。
**作者贡献**
CG:概念化、数据整理、调查研究、方法论、可视化、撰写——初稿、撰写——审阅与编辑。SL:数据整理、形式化分析、调查研究、方法论、验证、撰写——初稿。QY:数据整理、调查研究、验证、撰写——初稿。XS:数据整理、调查研究、资源获取、撰写——初稿。HB:调查研究、资源获取、验证。FX:概念化、资金获取、项目管理、资源获取、监督、撰写——审阅与编辑。XC:概念化、资金获取、项目管理、资源获取、监督、撰写——审阅与编辑。
**数据可用性声明**
不适用。
**伦理批准**
本研究无需伦理批准,因其不涉及人类受试者、动物实验或可识别个人数据的使用。
**人工智能声明**
本稿件的部分语言编辑借助了基于人工智能的写作工具,仅用于提升清晰度和语法准确性。所有科学内容、解释和结论均由作者独立构思、撰写并经过严格审校,以确保原创性和准确性。