人工智能在消化系统肿瘤外科诊疗中的应用2026

人工智能在消化系统肿瘤外科诊疗中的应用2026消化系统肿瘤（包括食管、胃肠道、肝胆胰等癌种）占全球新发肿瘤发病率的26.4%，并占总体癌症相关死亡的36.3%

［1］

。尽管以手术切除为核心的根治性治疗是现阶段临床指南推荐的首选方案

［2］

，但传统外科诊疗模式长期面临两大瓶颈：其一，手术决策通常依赖外科医师的经验，存在主观判断偏倚风险

［3］

；其二，肿瘤生物学行为的多样性导致患者术后的复发转移风险难以精准预测

［4］

。虽然系统治疗（化疗、靶向及免疫治疗）与局部治疗（消融、介入及放射治疗）在一定程度上拓展了外科治疗的适应证并改善患者预后，但仍未能从根本上突破上述困境。近年来，人工智能（AI）技术通过整合影像组学、病理组学、基因组学及临床参数等多维度的信息

［5］

与自适应计算建模

［6］

，AI系统可实现对消化系统肿瘤的手术和治疗方案的动态支持。以深度学习为核心的技术架构——包括卷积神经网络（CNN）、图神经网络（GNN）以及Transformer模型——已逐步突破传统算法的性能边界

［7,8,9］

。这些技术突破正推动外科决策从经验驱动转向“数据-知识双驱动”模式。本文系统梳理AI在消化系肿瘤外科诊疗中的技术进展，从算法创新性、临床验证等级、技术成熟度三个维度评估其临床转化潜力，并深入探讨跨机构数据应用、模型可解释性、伦理法规适配性等制约技术落地的关键问题。一、AI在消化系肿瘤术前精准诊断与分层中的应用（一）智能辅助诊断与功能评估基于深度学习的计算机辅助检测（CADe）系统和诊断（CADx）系统正在革新消化系统肿瘤的术前评估范式

［10］

。在食管癌筛查领域，多中心RCT研究

［11］

证实CADe系统可使食管鳞状细胞癌及癌前病变检出率显著提升（AI组比常规组：1.8%比1.3%，

P=0.030），同时单病灶漏诊风险降低5%。最新开发的胰腺癌CADe系统

［12］

在包含144，249个癌性斑块与807，911个非癌性斑块的外部验证集中显示，其门静脉CT诊断敏感度达到0.983，展现出超越放射科医师的微小病灶识别能力（Δ+5.4%）。深度学习网络（DNN）架构的迭代升级推动CADx系统深度分类和诊断效能持续突破：（1）组织病理分型：Chen等

［13］

开发的DNN-CAD系统用以区分腺瘤性和增生性结直肠息肉，敏感性达到96.3%，并且诊断耗时较专家缩短70.8%。（2）实时动态诊断：Ebigbo等

［14］

采用改进型DeepLabV3+解码器与残差网络融合架构，首次实现在内镜诊断时对巴雷特食管病变进行全局预测（腺癌/非癌）与局部（浸润深度）实时诊断，其整体准确率达89.9%。（3）集成诊断：GRAIDS系统通过整合CADe与CADx的功能，突破单一数据的局限性，在五个独立验证集中达成91.5%~97.7%的诊断准确率，证实了AI优化术前诊断的可行性。同时，部分内窥镜计算机辅助系统成功整合白光内镜、窄带成像（NBI）及共聚焦激光显微内镜（CLE）等多源异构数据，已被投入商用，实现跨设备、跨机构运行

［15］

。AI突破传统静态评估的局限实现对术前功能和手术耐受度评估的的优化，如：（1）营养状态动态监测：由于疾病的特异性，消化系统肿瘤患者可能出现吞咽、吸收困难等问题，术前营养不良问题高发

［16］

。Huang等

［17］

建立了基于CT数据的深度学习模型和混合模型，用于预测胃癌患者营养不良风险，准确率分别为76.6%和86.1%，曲线下面积（AUC）为0.769和0.857，显著优于传统评估方法。AI营养师结合可穿戴设备和APP实时收集并评估患者营养状态和膳食摄入水平，实现对患者营养功能的远程管理

［18］

。（2）脏器功能定量评估：AI还可用于提高对患者个体肝功能差异的评估能力，从而确定患者的手术耐受程度。Kang等

［19］

开发的肝切除安全体积预测模型，通过融合临床特征与CT肝体积数据，将预测准确度提升至68.8%（传统方法仅为45%~48%）。（二）手术风险分层与预后建模传统风险评估系统（如ASA-PA分级）面临假阳性率高与人工依赖度强的双重困境

［20］

。机器学习（ML）和DNN模型的发展通过以下路径实现精准风险分层：（1）手术适应证优化：Cotter等

［21］

开发的ML分型系统通过分类回归树算法实现四层风险分级，可以帮助外科医师和患者识别手术获益更大的人群。例如在结直肠癌中，淋巴结转移是内镜切除术的禁忌。Ichimasa等

［22］

建立了一个基于45个临床特征的ML模型用于预测T1期结直肠癌患者术前淋巴结转移，对比美国、欧洲和日本的指南降低了8%~14%的额外手术率。（2）手术死亡风险预警：一项西班牙的多中心研究

［23］

基于术前临床数据构建的胃癌根治术后90d死亡风险随机森林模型，AUC达到0.844（95%

CI：0.841~0.848），显著提升围手术期管理效能。深度学习还可以融合跨维度特征，突破对传统手术病理的依赖。例如，虽然微血管侵犯（MVI）是影响肝细胞癌（HCC）的术后生存的独立风险因素之一，但无法在术前准确预测和判断

［24］

。Song等

［25］

开发了一个深度学习结合临床参数的模型（DLC），通过整合8种DCE-MRI序列特征与临床参数在术前预测HCCMVI状态，模型的AUC达0.931，优于单模态模型（AUC=0.915）。Li等

［26］

结合术前放射组学数据开发了ML模型，可预测结肠癌神经周围侵犯（PNI）与KRAS突变状态，AUC分别达0.793和0.862，为靶向新辅助治疗提供决策依据。（三）数字外科与智能决策1.三维重建与虚拟手术：对于肝脏等实质性器官，AI在术前成像中的应用有利于减少由于个体差异带来的工作负担和医疗错误。得益于AI肝脏影像分析技术的革新，肝脏AI局灶性分割的准确率（DSC系数）从2018年的0.69跃升至2022年的0.87

［27］

。分割速度更是较手动操作提升6.7倍。不过，在形态复杂程度和个体差异性比较大的胰腺中，AI目前更常用于整体分割，且DSC低于肝脏（78%±8%）

［28］

。同时，AI可以更迅速地利用CNN算法将肝脏及其周围组织的结构以3D立体的形式重建。如Synapse3D第6版软件通过深度学习将三维重建时间缩短至2.1min，极大提高了虚拟肝切除术的临床应用可行性，使虚拟肝切除术前规划常规化

［29］

。2.治疗响应动态建模：深度学习的发展为无创个性化制定转化治疗策略提供可能。Hu等

［30］

构建的CT影像组学模型可预测胃癌新辅助化疗反应（外部验证AUC=0.82），指导个体化治疗路径选择。Jia等

［31］

对结合MRI数据的AI对直肠癌新辅助化疗后达到病理完全缓解的预测模型进行Meta分析，模型的合并AUC达0.91，敏感度为0.82，合并特异度为0.86，表明其在助力精准筛选新辅助化疗获益人群方面的巨大潜能。与此同时，包含放射组学的DLC模型可以更好地识别影像数据中人眼通常无法察觉的关键特征，对经动脉化疗栓塞术（TACE）治疗获益情况进行预测

［32］

。不过目前大多数模型仍以监督学习为主，无监督模型或许在未来能够更高效地进行降维和特征提取，挖掘出新辅助治疗相关的特征组合以及隐藏的异常数据模式，以实现对新辅助治疗方案选择的决策支持。3.医患共同决策：过去，大多数患者完全依赖医师作出决策而不参与讨论手术治疗方案的选择和细节内容

［33］

。单方决定权不但容易加重医师的决策疲劳和责任焦虑，也不利于作出更符合患者价值观偏好的个性化选择

［34］

。生成式AI有机会将患者纳入治疗决策团队之中。基于Transformer架构的大型语言模型（LLM）驱动的聊天平台能为患者解答有关术前优化的问题，并协助患者对质量方法进行个性化风险分析

［35］

。据报道，LLM可解答81%胰腺切除手术相关问题，但仅25%的专家认为其能达到深度医患沟通水平，其瓶颈在于其缺乏手术过程可视化呈现能力，限制了患者决策参与度

［36］

。二、AI在消化系肿瘤外科手术中的应用（一）智能决策支持系统1.推进手术进程：（1）手术时相识别算法：手术时相自动识别技术有潜力通过数据注释和AI算法监督手术操作的效率和偏差，成为具有高时效性的智能手术引导工具。Sasaki等

［37］

构建了腹腔镜肝切除术手术时相自动识别的两个CNN模型，精确度达到0.891和0.947，在不同病例中表现高度一致（

SD=0.04）。Kitaguchi等

［38］

利用CNN对腹腔镜结直肠手术视频进行手术流程识别，手术阶段和动作分类的准确率分别为81.0%和83.2%。尽管该技术在部分流程清晰的腹腔镜术式中已经取得进展，但在更多消化肿瘤复杂开放术式中的实践仍然相对困难

［39］

，重要原因之一是这些术式缺乏足够统一的手术时相划定标准

［40］

。（2）术中病理：AI能够缩短单次约30min的常规病理诊断程序

［41］

，并可进行分子光谱诊断。2.生理风险预警：基于多变量时间序列的AI模型在术中生理监测领域也展现出卓越预警效能。（1）出血事件预测：22.6%~45.1%的胃癌患者出现术中出血

［42,43］

，而轻量梯度提升模型对胃癌术中出血预警率提升至90%

［44］

。GNN算法可以自动化识别出血事件。一项研究从腹腔镜肝切除术视频中随机选择出血场景并转换为视频数据集，召回率达79%

［45］

。（2）失血量精准计算：Li等

［46］

开发了一个医用海绵AI监测系统，在术中实时测算开放手术失血量，为液体复苏决策提供有力依据。（二）增强术中导航功能1.解剖结构智能识别：语义分割是一种结合计算机视觉与深度学习的算法，可以对图像进行分类和集合，尤其在腹腔镜手术和机器人手术中被用于增加补充信息，以减少医师缺乏触觉反馈可能带来的失误

［47］

。在腹腔镜胆囊切除术中，Madani等

［48］

开发的二分类模型可在术中精确划定肝脏、胆囊和胆囊三角安全区，降低术中不良事件发生。与二分类模型相比，多分类模型则可以为复杂的解剖导航提供更详细的信息，如一项腹腔镜下肝切除术用于识别肝血管的三分类模型可以进一步区分肝静脉和Glissonean蒂

［49］

。而最新研发的“Eureka”系统在胃癌根治术中实现胰腺与结缔组织双重高亮显示，同样验证了AI导航在更多复杂的消化系统肿瘤手术中的扩展潜力

［50］

。2.空间配准技术创新：增强现实技术（AR）和混合现实技术（MR）与AI的融合是术中导航系统发展的一个亮点，其可实现：（1）器官形变补偿：AR系统可实时校正因患者体位、呼吸运动、气胸、血肿或设备等外部压迫而导致的器官变形难题，实现更精确的动态配准

［51］

。腹腔镜AI+AR系统LARN进行实时术中导航能显著降低肝切除术的出血量（LARN组：200ml，常规组：300ml）并将住院时间缩短2d（

P=0.003）

［52］

。（2）多模态交互升级：AI+MR技术帮助用户更自然地融入虚拟对象及现实环境构成的整体情境之中。Wierzbicki等

［53］

报道了一款用于消化系统肿瘤的3D全息可视化导航系统，在术中通过语音/手势控制实现交互，而不会破坏无菌场，将手术效率提高了1/3。（三）机器人手术范式的演进1.远程手术的突破：远程机器人辅助手术使专家可以不受地理限制完成手术，有助于提高偏远和经济文化落后地区的手术水平，改善医疗公平

［10］

。5G通讯使远程手术成为现实，尽管在泌尿外科

［54］

和骨科

［55］

等领域已经推广，但其在消化系统肿瘤领域的应用仍需进一步研究证实

［56］

，其核心挑战可能是稳定控制网络延迟并减少丢包率。2.机器人手术的自主性分级：机器人手术可以大量收集与储存手术数据，有利于训练其监督自主性，减少对医师经验的依赖

［57］

，医疗机器人的自主性水平（LoA）分为六个等级，从LoA0到LoA5代表机器人自主性的逐层增加

［58］

。在消化系统中，腹腔镜肠吻合术自主机器人STAR系统已经实现条件自主性（LoA3）。其融合了多项AI技术，包括CNN跟踪组织运动、ML检测组织形变、GNN识别缝合位置和器械防碰撞等，表现出较高的缝合准确性和手术安全性

［59］

。目前外科的重点可能是更新现在的低自主权机器人手术系统，使其达到任务自主性和条件自主性

［60,61］

。要实现这一目标，可能要针对消化系统肿瘤手术的特征配套更复杂的算法和自适应程序。（四）智能外科教育系统1.技能评估自动化：外科医师的手术技能可能受多种因素产生波动，通常需要耗费大量人力对手术视频进行评估，并且容易产生主观偏差

［62］

。人工智能可以通过GNN自动分析手术视频，使用自然语言处理技术（NLP）获取医师的沟通内容，最后通过分类算法评定技能水平等级

［63］

。Strong等

［64］

开发的器械运动学分析系统可自动识别机器人远端胃切除术中的关键操作参数，量化评估器械使用情况来反映手术操作的流畅度，指导低技能水平医师改善器械使用方式。Kitaguchi等

［65］

建立的3DCNN模型使用基于内镜手术资格系统进行评分的视频进行时空建模，捕捉手术操作的动态变化将腹腔镜结直肠手术视频片段自动分类为低、中、高技能水平，平均分类准确率达到75.0%，低水平病例筛查特异度96.5%。2.虚拟现实（VR）训练革新：仅使用视听材料作为补充教学资料可能无法为无经验医师提供真实沉浸的手术环境，也无法客观评估培训效果

［66］

。AI支持的VR可以重现真实病例，在更可控的环境中完成培训计划。一项多中心RCT研究

［67］

证实，使用AI+VR组的学员脑肿瘤切除培训技能评分较传统培训提升0.66分（95%

CI：0.40~0.67，

P<0.001），但该技术在消化肿瘤专用模块的开发率仍然不足

［68］

。三、术后全程管理的应用（一）结局的智能预测目前的研究致力于寻找最优的ML算法以优化对消化系统肿瘤手术结局的预测效能，如Shao等

［69］

比较了四种主流ML算法后，基于随机森林方法建立了对胃癌术后吻合口瘘的最优预测模型，实现“双80+”指标（敏感性81.8%，特异性82.2%），AUC达到0.89，较传统Logistic回归AUC提升0.17，并同步开发了实时在线预测工具。Bertsimas等

［70］

选择可解释的最佳分类树模型训练胃肠道间质瘤术后复发风险模型，在内部验证和外部验证的表现均优于传统的纪念斯隆凯特琳癌症中心列线图。Osipov等

［71］

首次提出并建立了分子孪生AI平台，通过整合胰腺导管腺癌切除术后患者的6636个临床和多组学分子特征数据集，并使用留一法交叉验证七个ML模型，准确预测了患者的术后生存期。（二）精准辅助治疗决策AI可以更快速地筛选不同辅助治疗方案的潜在获益人群。Kleppe等

［72］

开发的临床决策支持系统使用了基于病理切片的深度学习分层模型，将结直肠癌患者分为3个风险组，证实低风险的结直肠癌患者可免于辅助化疗，以降低发病率、死亡率和费用。Kather等

［73］

证实深度学习可直接基于HE染色切片识别微卫星不稳定（MSI）状态，为胃腺癌和结直肠癌免疫治疗精准筛选获益人群。Zeng等

［74］

建立了一个肝癌靶向治疗反应模型，评估HCC患者中应用阿替利珠单抗和贝伐利珠单抗后的反应特征，在两个独立队列中验证了高表达组患者的生存优势。AI在术后应用层面的优势是更少的成本和时间，以及对细微信息的精准识别。（三）智能康复体系的构建电子健康记录系统（EHR）收集了大量患者的术后数据，为AI驱动术后监测提供了根基。Jo等

［75］

基于11896例消化系统肿瘤患者的数据开发了手术后住院时间延长的预测模型，在胃癌患者中展现最优效能（AUC=0.87）。基于AI的远程康复管理被认为是缓解医护工作负荷和患者就医负担的突破口，尤其是结合可穿戴设备和表面传感器技术在术后早期和远程环境采集客观数据，以识别恢复不良的患者。Chen等

［76］

提出的ClinAIOps计算框架，利用可穿戴设备持续反馈的生理信息在合理范围内自动调整治疗方案，同时帮助医师获得动态的疗效反应数据。Tang等

［77］

开发了一个远程患者报告结局自动分诊系统，使用AI聊天机器人与患者对话完成症状采集与报告生成，医护可以根据AI生成的报告给予患者指导建议。值得注意的是，尽管AI在慢病领域的远程管理中展现出时间与成本方面的优势，但在本领域的发展仍是一片蓝海，几乎没有大规模肿瘤外科术后临床验证被报道。四、挑战与应对路径（一）伦理与法律体系的重构1.责任归属困境与对策：AI终端产品在消化系统肿瘤外科诊疗推广面临伦理与法律的双重制约。传统情况下，手术责任由外科医师承担。但随着自主化AI的发展，当其出现错误导致不良后果时，责任主体被归为开发者、使用者还是其他相关方难以界定

［78］

。尽管在2018年，欧洲颁布《通用数据保护条例》，将AI产品归为医疗器械，并强调患者有权知情同意自身数据在AI开发中的利益和风险，同时保有对数据使用的监督权

［79］

。但欧盟首部综合性《人工智能法案》直至2024年7月方正式颁布，立法进程明显滞后于技术发展速度。2.数据伦理挑战与对策：（1）医疗数据的信息安全、隐私泄露问题。对策是使用联邦学习和多方安全加密计算方法，以及配套生物医学匿名化工具（例如ARX）

［80］

。（2）训练数据中可能继承了已知的人类偏见和算法偏见，代表性不足群体（如术中脉搏血氧监测对于高海拔地区的少数群体）在肝癌AI诊断模型中的假阴性率升高。WHO提出AI开发的全周期伦理评估机制将成为破解伦理困局的有效路径。其要求所有利益相关者从早期阶段就参与到AI开发设计决策之中，并积极提出伦理意见；同时引入独立第三方进行数据保护和人权评估，建立多中心平衡数据集，公布按用户类型分类的模型结果

［81］

。（二）技术瓶颈与突破方向多模态数据融合是AI的巨大优势，但也会反向带来过度拟合的问题。尤其是当与实际结果并无关联的变量数过多时，算法可能会使用不恰当的特征进行预测。更深层的挑战在于算法缺失可解释性。绝大部分黑箱模型仍然无法向医患提供内镜和病理诊断、治疗决策支持系统的结论推导过程

［82］

。与此同时，模型本身可能是基于相关性输出数据，因此只代表了概率最大化

［5］

，似乎无法完全解释某些特征与手术结局之间的因果机制。因此，AI似乎只能成为一种实践辅助工具，在手术治疗过程使用AI得出的经验或理论可能会受到质疑。并且，不透明的工具在临床实践和监管中也可能因无法被医师和患者理解而诱发信任危机。使用结构化质量评估工具或许是一条可行的解决路径，尤其是在评估体系中规范数据的规模、代表性和外部验证程序

［35］

。一些可解释人工智能技术，如神经网络广义加性模型（GAM-NN）已经在围手术期风险预测中将关键特征贡献度可视化

［83］