《Frontiers in Oncology》:Artificial intelligence in the surgical management for colorectal cancer: current applications and future directions
编辑推荐:
人工智能(AI)在结直肠癌(CRC)管理中的应用正日益增多,其潜在价值在于提高诊断准确性、支持手术决策和优化预后分层。本综述聚焦于AI在CRC外科治疗连续谱中的应用,涵盖内镜筛查与诊断、影像学分期、术中导航、术后并发症预测及预后风险分层。研究人员从以外科医生为
人工智能(AI)在结直肠癌(CRC)管理中的应用正日益增多,其潜在价值在于提高诊断准确性、支持手术决策和优化预后分层。本综述聚焦于AI在CRC外科治疗连续谱中的应用,涵盖内镜筛查与诊断、影像学分期、术中导航、术后并发症预测及预后风险分层。研究人员从以外科医生为中心的视角,批判性分析了模型性能与真实世界临床效用之间的差距,以及关键转化障碍。研究人员认为,本综述可为临床医生和研究人员理解AI在CRC外科治疗中的现状及未来潜力提供基础。
1 引言
结直肠癌(CRC)是全球常见恶性肿瘤,其外科治疗连续谱包括筛查、诊断、分期、手术干预和术后监测。人工智能(AI)有望提升各环节精度,但多数模型仍处于研究阶段,临床转化存在明显缺口。本综述沿外科工作流程归纳AI应用,并从外科医生视角分析转化障碍。
2 结肠镜下筛查与诊断
AI辅助结肠镜主要聚焦病变检测(CADe)、病变定性(CADx)和浸润深度预测。
2.1 病变检测
CADe系统可实时识别息肉。随机对照试验显示,CADe能提高腺瘤检出率(ADR)约20%,并将腺瘤漏诊率(AMR)降低一半以上。但对无蒂锯齿状病变(SSL)的检测效果并不一致;基于多中心富集数据训练的CADe系统可显著提高SSL检出率。CADe可减少漏检,但对手术决策的直接作用有限。
2.2 病变定性
CADx通过光学活检实时预测息肉病理,以决定切除、保留或转手术。多中心前瞻研究中,不同系统性能差异较大,部分准确率接近或超过内镜医师,但另一些对SSL识别能力差、对浸润癌敏感性不稳定。现有CADx尚未一致达到光学活检所需的阴性预测值(NPV)≥90%阈值,因此虽然已有多款系统获得监管批准,临床应用仍有限。
2.3 浸润深度预测
T1a与T1b的区分决定内镜切除是否安全。基于深度学习的模型报告准确率约74%–91%,但多为回顾性、单中心、静态图像研究,缺乏实时前瞻验证。少数研究探索边缘计算实时分类和吲哚菁绿荧光模式分类,仍在验证阶段。临床更应关注如何准确识别需要手术的病变,而不是单纯优化ADR等指标。
3 放射学诊断
CT和MRI是CRC分期的主要工具。AI在放射学中的应用包括原发肿瘤诊断、淋巴结转移预测和远处转移检测。
3.1 原发肿瘤影像组学诊断
增强CT上的深度学习模型检测CRC的AUC可达0.957–0.994,并能提高放射科医生检出准确率。直肠癌T2与T3的鉴别是决策核心;影像组学和自动T分期平台内部验证表现良好,但缺乏外部验证和标准评估框架。自监督基础模型和PET/CT多模态模型也显示出分期潜力。多数研究采用简化的T1–2与T3–4二分法,难以应对类别不平衡和T2/T3影像重叠。
3.2 淋巴结转移影像组学诊断
传统影像依据大小和形态判断淋巴结转移的准确性有限。AI模型可结合MRI、CT影像组学、形态特征和功能影像进行预测,但对单个淋巴结的影像-病理精确匹配仍较难实现。部分弱监督模型可生成热图辅助诊断并提高放射科医生水平。从外科实践看,淋巴引流区域的整体风险分布比单枚淋巴结对应关系更具决策价值。
3.3 远处转移
AI检测结直肠癌肝转移的敏感性仍不足,尤其对<1cm病灶的敏感性仅约56%,假阳性率高于放射科医生。不同病变类型鉴别模型中,深度学习辅助对10–30mm病变有价值,对亚厘米病变无显著获益。影像AI的转化较内镜和手术更接近临床应用,但可解释性和临床结局相关指标仍缺乏。
4 术中应用
AI术中导航主要聚焦手术工作流识别、器械与动作识别、关键结构分割以及吻合口评估。对较大结构如肠系膜下动脉和直肠系膜筋膜,分割Dice系数较高;对自主神经和输尿管等精细结构,Dice多在0.44–0.79。实时处理速度已达12.5–12.7 fps,但多数模型处于研究原型阶段,且缺乏前瞻性效果验证。AI吻合口灌注分析和视频泄漏预测显示了可行性,但组织移动、光照变化、ICG注射动态和黑箱问题限制临床采用。自动化技能评估已在手术视频中实现,能够区分技能水平并识别低技能操作,但多数将质量简化为二元分类,缺乏可操作的反馈。
5 术后管理
5.1 并发症预测
AI/机器学习可用于预测吻合口漏、手术部位感染、出血和死亡等。术前模型AUC多在0.60–0.88之间。多数研究未报告校准曲线和决策曲线分析,外部验证性能常下降。术中实时预测可辅助判断吻合口灌注和造口决策,但假阳性和假阴性之间的权衡仍待解决。早期术后动态标志物预测可支持挽救性干预,但对外科主要决策价值有限。
5.2 辅助化疗风险分层
对于II期CRC,病理深度学习模型可进一步将患者分为高危和低危,并证实辅助化疗获益仅见于高危组。多模态系统整合CT、病理和免疫特征可重新定义风险分层;转录组分类器还可指导化疗和靶向治疗选择。病理基础模型如CTransPath、CHIEF、PROGPATH可从常规H&E切片预测MSI、BRAF、KRAS状态和生存,辅助化疗决策。虽然多数为回顾性研究,但这些工具为低风险患者避免化疗提供了量化依据,且可解释性强的模型更具临床价值。
5.3 预后预测
多模态预后框架整合病理、影像、临床以及转录组和微生物组数据,预测生存的C指数可达0.82–0.83。综合模型在外部验证中性能下降,但有些基础模型在跨癌种数据集中保持中等一致性。极少数前瞻性实施研究显示,将AI风险分层与标准化围手术期干预捆绑可减少严重并发症并节省费用。可解释性、决策时间窗和工作流程整合是转化的关键。
6 讨论
AI从技术走向临床需经历技术验证、临床验证、监管授权和部署后监测。目前多数CRC模型停留在回顾性单中心阶段,存在数据异质性、类别不平衡、