人工智能在骨肿瘤外科应用的研究进展总结2026

人工智能在骨肿瘤外科应用的研究进展总结2026近年来人工智能（artificialintelligence，AI）技术在骨肿瘤外科中展现出广泛的应用潜力。AI可通过深度学习、肿瘤影像组学和多模态数据融合等方法，提高病灶识别、边界评估和治疗反应预测的效率；在术前规划中，AI通过整合影像及临床数据，制定个体化手术方案；在术中，AI结合AR/MR导航、三维配准，辅助病灶精准定位、切缘控制和重要结构保护；在术后，AI通过对生物标志物及临床信息分析，为优化术后随访和个体化管理提供参考。但其临床转化仍受数据异质性、泛化能力、可解释性及前瞻性验证不足等限制，未来需依托多中心数据和标准化流程进一步验证。本文就AI在骨肿瘤诊疗流程中的研究进展进行综述，旨在梳理其在术前规划、术中导航及术后管理中的关键技术，并探讨当前临床转化所面临的挑战与未来发展方向。前言恶性骨肿瘤虽发病率较低，但侵袭性强、局部复发和远处转移风险高。由于骨肿瘤影像表现复杂，常伴有骨质破坏、软组织侵犯及边界不清，传统评估较依赖医师经验，在肿瘤分型、侵犯范围判断和保肢方案制定方面仍存在局限。与此同时，肿瘤异质性和患者个体差异进一步增加了化疗反应、重建方式选择和预后评估的不确定性[1]。随着人工智能技术的不断进步，骨肿瘤外科诊疗模式正在逐步发生转变。人工智能（artificialintelligence，AI）可辅助术前影像诊断、术前设计、术中导航、术后评估等，不仅能帮助医生提高诊断准确性，也能于术前、术后更好地指导治疗工作，改善患者术前、术后不良的结局，为改善患者预后提供新的辅助工具（图1）[2-3]。随着多学科数据融合、新技术、标准化的发展，AI将进一步在骨肿瘤疾病的诊断和治疗方面产生深远的影响，将骨肿瘤精准化和个体化的医疗发展推向了一个新纪元。AI通过整合影像学、病理学、多组学、液体活检及临床信息等多源数据，借助机器学习、深度学习、影像组学、多模态融合、智能分割和风险预测等技术，辅助骨肿瘤外科全流程诊疗。其临床应用主要包括术前评估、外科决策、重建规划、术中支持和术后管理。术前评估侧重于影像诊断、肿瘤分期、局部侵犯评估及坏死率分析；外科决策主要服务于保肢可行性、安全切缘范围和神经血管束保护；重建规划包括重建方式选择、个体化假体设计及3D打印辅助设计；术中支持涉及AR/MR导航、器械规划、机器人辅助手术和实时反馈；术后管理则包括复发/转移预测、生存风险分层、辅助治疗和随访预警。该模式体现了AI在骨肿瘤外科精准诊断、个体化治疗、精准手术及风险分层管理中的潜在应用价值。01骨肿瘤影像学中AI的辅助诊断1.1

影像诊断与病灶分类在骨肉瘤影像学领域，AI通过深度学习技术，特别是卷积神经网络（convolutionalneuralnetwork，CNN），自动化处理CT、MRI、X射线等数据，辅助判断髓腔侵犯范围、骨皮质破坏程度、软组织肿块范围及肿瘤与关节、肌肉间室、筋膜屏障和神经血管束之间的空间关系，从而为安全切缘评估、手术入路设计和保肢治疗决策提供参考[4]。CNN通过逐层处理图像（包括卷积、池化和全连接操作）识别肿瘤的形态、边界、组织类型及其与周围组织的关系，使得其在骨肿瘤影像的自动化分割与分类研究中备受关注[5-6]。如U-Net卷积神经网络结构对MRI图像分析达到较高的检测精度（79.7%），提示深度学习在骨肿瘤相关病灶识别和分割中具有应用潜力。但仍需进一步结合临床诊断流程和患者结局等指标进行前瞻性验证[7]；此外，U-Net卷积神经网络结构在X射线结果分析中的准确度达到99.4%。有研究[8]采用83%分类正确率，显示出较好的检测性能。有研究[9]综合X射线信息，利用CNN辅助医师进行膝周原发性骨肿瘤的高效诊断。Liu等[10]联合MRI信息以及AI技术对骨肉瘤影像中受噪声影响的模糊边界进行辅助分割，结果提示该方法在提高肿瘤边界识别和分割稳定性方面具有一定应用潜力，为骨肿瘤影像评估提供参考。1.2

肿瘤边界识别与治疗反应预测AI在骨肿瘤影像中的另一个重要应用是通过影像特征预测肿瘤的组织学特性和生物学行为[11]。Huang等[12]研究表明，AI辅助的多参数MRI分析模型在区分肿瘤存活区与非存活区时，AUC由单独ADC模型的0.83提高至0.90；在区分软骨性肿瘤存活区与非存活区时，AUC由0.61提高至0.81，提示多参数MRI联合机器学习在术前评估骨肉瘤新辅助化疗反应和坏死情况方面具有一定辅助价值。有研究[13]证明，基于MRI的影像组学AI模型能良好地预测骨肿瘤患者对术前化疗的反应，可为不同化疗反应患者的治疗策略调整提供参考，这为骨肿瘤的临床诊断提供更加稳定、可靠的技术支持。02AI在术前规划和个性化治疗中的应用在骨肿瘤术前方案制定中，AI技术为复杂病例的三维重建、肿瘤边界识别、切除范围设计和个体化重建方案制定提供了新的技术支持。2.1

术前三维重建与手术方案设计通过分析影像资料，AI技术可在短时间内以高清晰度方式重建肿瘤、骨组织、关节结构、软组织肿块及邻近神经血管束的三维关系，更直观地显示肿瘤方位、骨内外侵犯范围以及与周围重要结构之间的空间关系，用于辅助制定手术入路、切除平面、安全距离和个体化假体放置位置，从而在保证肿瘤学安全的基础上尽可能保留肢体功能，降低相关并发症风险[14-15]。2.2

个体化假体设计与骨缺损重建基于AI辅助影像分割、三维重建和重建参数分析的3D打印个体化设计，可更清晰地显示肿瘤切除范围、残余骨量、关节受累情况及软组织覆盖条件，为个体化假体设计和复杂骨缺损重建方案选择提供参考[16-17]。2.3

基于多模态数据的个体化治疗决策在个体化治疗策略制定中，AI可基于randomforest、XGBoost等机器学习算法，整合基因组、分子标志物及临床数据，辅助评估患者对化疗、靶向治疗和免疫治疗的潜在反应，为治疗方案优化和减少无效治疗提供参考。Cao等[18]采用机器学习算法筛选出PABPC3基因可用于辅助评估骨肉瘤免疫治疗效果。Zhang等[19]采用机器学习算法建立一个预后模型，突出了CD36和MYD88作为关键基因用于预后，为新生物标志物的引入及潜在治疗靶点的发现提供了依据，为制定个体化治疗策略开辟了新的思路。03术中导航与机器人辅助手术中的AI技术支持3.1

AR/MR辅助术中导航基于AI辅助影像识别、三维配准和术中信息整合的AR/MR导航技术，可将术前构建的肿瘤三维模型与真实术野融合显示，帮助医生直观理解肿瘤边界、软组织侵犯范围及其与神经血管束、关节结构和重要肌群之间的空间关系，从而提高复杂骨肿瘤手术的可视化程度和操作可控性[20]。3.2

机器人辅助手术路径执行AI辅助机器人手术系统，如达芬奇手术和ROSA平台，在骨肿瘤切除和假体置换手术中也开展探索性应用，有助于降低操作误差，提高手术路径的一致性和稳定性[21-23]。ROSA系统利用AI算法评估患者骨结构特征，确定个体化的手术方案并反馈实时手术导航，不断调整手术路径，有助于优化切除路径，减少对正常组织的损伤，并辅助假体置入[24-25]。3.3

术中实时反馈与风险控制AI算法在骨肿瘤手术中具有实时反馈和手术路径优化的潜在价值。人工智能系统能够实时处理术中数据，并做出相关解析，对操作偏差进行及时反馈，随时处理，确保复杂手术的顺利进行，从而提升了手术的安全性及有效性[26]。04术后评估与预后预测中的AI应用4.1

术后复发与转移预测深度学习技术可用于对骨肿瘤的术后随访及预后情况的判断[27]。利用手术后的影像、生物标志物及临床特征建立的人工智能模型，既可以用于帮助临床医生进行有效的、定量化的术后随访与并发症的管理，还可以基于量化数据分析手段对患者术后肿瘤复发率、转移率及长期生存情况进行综合性评估[28]。AI辅助术后风险评估有助于制定更加个体化的随访方案，并为术后管理提供参考。此外，AI在术后影像学分析中显示出一定辅助价值[29]。有研究[30]显示，AI辅助CT影像学可以提升骨肿瘤术后转移的早期检出率，可为随访管理和后续治疗决策提供参考。AI结合术后MRI影像资料的预测模型诊断骨巨细胞瘤术后局部复发的准确率、灵敏度分别为78.6%和87.5%，是医师判断的64.3%和58.3%的1.2倍和1.5倍[31]。4.2

生存预测与长期风险分层AI在预后预测和风险分层中具有一定应用前景。如AI基于骨肿瘤患者的多组学数据，构建个体化的预后模型，在风险分层的基础上实现个体化的随访和治疗制定[11,32]。AI指导下的预后模型可作为临床决策辅助工具，有望辅助患者风险分层和随访策略制定。4.3

并发症风险评估与恢复管理除了影像数据和生物标志物之外，AI可以通过对临床数据变量的深入挖掘和研究综合评价患者整体健康状况。如基于术前、术后的临床参数特征建立预测模型对患者术后并发症发生情况进行预测，帮助医生更有效地提前进行干预处理，优化术后的整体恢复计划，降低患者风险[33]。05多学科数据融合促进骨肿瘤精准诊疗在骨肿瘤诊疗中，AI融合影像学、病理学、分子组学及液体活检等数据，为骨肿瘤外科保肢可行性评估、切缘范围设计、骨缺损重建方式选择、术后辅助治疗和随访策略提供参考依据[34]。Zhao等[35]基于一项国内研究骨肉瘤队列（SGH-OScohort）的转录组和DNA甲基化数据，采用XGBoost算法并结合贝叶斯优化建立高危骨肉瘤亚型分类器，在内部队列中AUC为0.999、总体准确率为0.989，并在外部TARGET-OS队列中实现了具有不同生存结局患者的风险分层，为患者分层管理和潜在治疗靶点筛选提供依据。06AI临床转化的挑战与局限AI在骨肿瘤诊断和治疗中具有重要应用潜力，但其临床转化仍面临多方面挑战：1）不同医疗机构在影像设备、扫描参数、数据标注标准、患者人群及病理类型构成等方面存在差异，导致模型在跨中心应用时稳定性不足。2）多数深度学习模型虽可获得较好预测性能，但其内部决策过程不够透明，临床医生难以充分理解和验证模型判断依据。3）个体化治疗涉及基因组数据、治疗反应和随访信息等敏感资料，数据安全、隐私保护和伦理规范仍需进一步完善。此外，现有系统在实时数据处理、误差校正和临床流程融合方面仍有提升空间。更重要的是，当前AI在骨肿瘤外科中的证据仍以回顾性研究、小样本研究、算法验证研究和间接证据为主，多中心外部验证及前瞻性临床研究相对不足。因此，AI