肺癌作为全球范围内致死率最高的恶性肿瘤[1]，严重威胁人类健康与生命安全，其高死亡率的核心原因在于早期筛查困难[2]，多数患者确诊时已进展至晚期[2-3]。同时，肺癌本身具有高度的肿瘤异质性[4]，增加了诊断难度，加之治疗过程中复杂的耐药机制及患者个体差异[5-6]，进一步加剧了临床诊疗挑战，成为我国恶性肿瘤防控的重中之重。

在精准医学向智慧医学升级的关键阶段，人工智能为破解肺癌筛查、诊断、治疗与预后评估全流程痛点提供了全新技术路径，对提升早期检出率、降低漏诊误诊、优化资源配置、推动个体化治疗落地具有重大临床价值与社会意义。

依托人工智能（AI）技术构建标准化、智能化、普惠化的肺癌诊疗体系，既是应对肿瘤疾病负担的现实需要，也是落实 “健康中国 2030” 战略、实现肿瘤防治高质量发展的核心方向。本文系统梳理了AI在肺癌诊疗领域的最新研究进展，以及在改善患者临床结局与提升诊疗效率方面的价值，并分析其在真实临床场景中应用的现实障碍与未来发展方向。

1 AI驱动的肺癌诊疗范式重构

在过去二十年间，肺癌诊疗模式经历了代际演变[7]。从早期依赖医生个人经验的“经验医学”，发展至基于大规模临床试验的“循证医学”，到如今以分子靶点为核心的“精准医学”，每一次跨越均延长了患者的生存期[8]。

随着AI技术的不断突破，肺癌诊疗迈向“智慧医学”新纪元。AI技术凭借其强大的高维特征提取与数据整合能力，正在成为连接生物大数据与临床决策的桥梁[9]，有望改变肺癌在筛查、诊断、治疗选择等环节的管理模式[10]，重塑肺癌诊疗的底层逻辑。不同于传统诊疗手段，多模态AI大模型能够处理和融合涵盖基因组、转录组、表观组、蛋白质组等微观分子信息，以及影像组学、数字病理等宏观表型信息的海量异构数据，有效整合跨尺度数据，克服单一组学难以揭示复杂生物学规律的难题(图1)。

图1 AI驱动的肺癌诊疗范式框架图

AI：人工智能；LDCT：低剂量计算机体层成像；TCR：T细胞受体；CT：计算机体层成像；PET/CT：正电子发射断层显像/计算机体层成像；WSI：全视野数字病理切片

2 AI在肺癌诊疗中的数据基石与模态融合

AI在肺癌诊疗中的应用深度与广度，取决于其底层数据质量、维度特征及多模态融合效能。传统的单一模态数据分析往往仅可捕捉肿瘤生物学的“冰山一角”，而AI时代的核心竞争力在于通过构建肺癌的全息数字画像，实现对疾病本质的深度洞察，进而辅助临床诊疗决策。

2.1多模态数据的全息构建

构建肺癌全息画像的基础在于四大核心数据的数字化与标准化。

首先，肺癌患者的临床表型数据涵盖人口学特征及电子病历中的非结构化文本。借助自然语言处理和大语言模型，可将主诉、病史等文本信息转化为可计算的高维向量[11]。

其次，影像数据方面，深度学习算法使得低剂量计算机体层成像（LDCT）、正电子发射断层显像/计算机体层成像(PET/CT)等超越了传统视觉图像范畴，成为蕴含纹理、边缘梯度等深层特征的“影像组学”矿藏[12]。

最后，多组学检测数据涵盖基因组、转录组、表观组及蛋白质组，为解析肿瘤驱动机制提供了微观视角。然而，上述数据来源异构、尺度差异显著，因此选择合适的融合策略至关重要。

2.2融合架构与算法创新

多模态数据融合旨在将不同模态的特征进行组合、交互与建模，以实现对目标的统一理解或预测。“早期特征拼接”策略在原始或基础特征层面融合多模态数据，要求不同模态间实现良好对齐，从而使模型能够学习模态之间的相关性与依赖性；“决策层融合”策略则对每种模态分别建模后再进行决策整合，训练相对简单，但信息共享有限，难以捕捉模态间的非线性交互；相比之下，“交叉融合”策略在模型中间层引入注意力机制、Transformer结构等交互模块，在特征交互与计算效率之间提供了良好平衡，能够有效实现模态间的深层融合[14]。在算法架构的创新方面，为更好地处理生物医学数据的时空动态特性，研究者开始探索更具生物学合理性的计算模型。如脉冲神经网络通过模拟生物神经元的膜电位动态过程[15]，为多模态肺癌数据的关联分析提供了更高生物解释性的建模框架。

在多模态融合的临床落地层面，仍面临数据异质性、缺失、可解释性不足及算力需求高等现实挑战。不同模态数据（影像组学、基因组学、电子健康记录）的对齐与规模化处理复杂度高，真实世界场景下多模态数据集常存在信息缺失，模型复杂度提升导致可解释性下降，同时对计算与基础设施的要求也更为严苛。针对上述问题，可采用差异化融合策略、生成式补全与注意力机制等方案进行优化：如采用“决策层融合”构建模块化、可解释的模型，或通过“早期特征拼接”捕捉深度的跨模态交互；借助生成对抗网络（GANs）或变分自编码器（VAEs）生成合理的合成数据，以填补缺失模态；引入跨模态注意力机制，突出关键贡献数据源，从而增强模型的可解释性。

3 AI在肺癌临床诊疗场景中的应用与突破

3.1 AI辅助肺癌筛查

为进一步优化LDCT的筛查路径，液体活检作为一种非侵入性检测技术，具备实时动态监测、有效克服肿瘤异质性等优势，在肺癌早期筛查领域具有较大应用潜力。当前，基于液体活检的多模态涵盖DNA甲基化检测[19]、片段组学分析[20]、T细胞受体（TCR）[21]及多维度指标整合[22]等组学策略。其中，PKU-LCSMS[23]作为代表性成果之一，其整合了两类核心模型：基于血液循环游离DNA（cfDNA）甲基化与蛋白质标志物的肺癌筛查模型，以及整合CT影像与cfDNA甲基化特征的AI辅助肺结节诊断模型，AUC高达0.963，简化了肺癌筛查及结节管理流程，提升了良恶性肿瘤鉴别的精准度，助力早期肺癌精准筛查。

尽管AI在肺癌筛查中表现出优异效能，但其临床落地需明确适用场景、警惕失败模式、明确落地门槛。

1 适用场景：符合《肺癌筛查与早诊早治方案》[24]推荐的筛查人群，临床信息需完整（如年龄、吸烟史、职业暴露、既往肺部疾病等），且医疗机构需配备 LDCT 设备及规范的影像存储能力。

2 需警惕的失败模式：Sybil等模型在亚洲从不吸烟人群中的预测效能下降；不同CT设备及扫描参数的差异可导致影像特征分布改变，引发数据漂移；筛查人群基线风险的变化可造成模型最优阈值的偏移。

3 最低落地门槛：应至少完成5家医疗中心的多中心外部验证（覆盖不同年龄、吸烟状态、结节大小、磨玻璃状态等，单中心样本量≥1000 例）；建立人工强制复核机制，对于风险概率处于0.4~0.6灰区的病例必须由医生复核。

未来研究建议：

1开展前瞻性队列研究，重点关注AI对肺结节生长速率的预测能力，尤其是对磨玻璃结节的精细化风险分层；

2纳入不同风险人群，评估AI辅助筛查在肺癌死亡率下降、过度诊断率降低等方面的临床净获益；

3增加患者报告结局（PROM），评价筛查体验与心理负担；

4开展卫生经济学评价，明确AI辅助筛查的成本效益比。

3.2 AI辅助肺癌诊断

肺结节的良恶性鉴别、介入治疗时机及手术治疗方案选择是肺癌临床诊断的核心问题，决定临床诊疗路径与患者预后，而 AI 技术凭借精准的风险预测、多维度病情评估能力，可成为肺结节临床管理与决策的重要支撑。

在肺结节良恶性鉴别与手术指征判定方面，AI模型可基于CT影像特征精准预测高危患者的肺结节性质，为是否开展手术干预提供参考依据。在此基础上，将深度卷积神经网络与不确定性量化技术相结合的AI方案，还可通过术后组织病理切片，对Ⅰ～Ⅲ 期非小细胞肺癌（NSCLC）患者的复发风险进行精准预测并标注置信度[25]，为术后是否需进行辅助治疗提供量化依据。

在手术规划与病情评估方面，AI驱动的影像组学与深度学习模型可实现对肺癌骨转移[26]、气腔播散等关键临床指标的定量预测[27]，为手术切除范围的制订提供关键参考。AI辅助的三维重建与术前规划系统可精准评估肿瘤与血管、支气管的空间关系，优化手术治疗方案[28]。近年来，增强现实技术与AI三维重建的融合应用，使虚拟解剖模型能够实时叠加于手术视野，从而提升手术的精准度与安全性[29]。

在手术策略与治疗方式的选择层面，AI可对Ⅰ期NSCLC患者的影像、临床及病理多维度数据进行评估，在肺叶切除术、肺段切除术、楔形切除术、立体定向体部放疗、消融治疗等多种方案中开展量化分析，为临床选择最优干预方式提供循证依据[30]。

AI 技术为临床提供了更精准、更细致的管理和决策依据，有效减少了过度治疗与治疗不足的情况。

1 适用场景：肺结节良恶性鉴别、Ⅰ～Ⅲ期 NSCLC术后复发风险分层（包括手术策略决策、骨转移、气腔播散等关键指标预测及术前精准规划）。

2 需警惕的失败模式：黑箱效应，模型决策路径不透明，缺乏可解释的医学逻辑；标注偏差，病理或影像学专家间的判读差异可导致模型训练与预测产生偏倚。

3 最低落地门槛：所有 AI 诊断输出必须附带置信度，无置信度的模型不建议临床使用；进行设备标准化校准，采用统一色彩与强度校准算法，消除不同设备及扫描参数带来的系统误差。

未来研究建议：

1强化模型可解释性模块，引入 SHAP 值直观展示各影像/临床特征对最终决策的贡献度；

2开展多中心前瞻性研究，验证AI诊断在真实世界中对手术并发症、预后及医疗资源消耗的改善作用。

3.3 AI赋能肺癌个体化治疗

3.3.1 分子分型与生物标志物评估

综上，基于病理切片与医学影像的AI辅助分子分型及生物标志物检测，突破了传统分子检测耗时久、样本要求高等局限。

1 适用场景：当临床需要无创、快速、低成本获取关键生物标志物信息，或晚期肺癌患者无法获取足量肿瘤组织时，均可采用 AI 辅助评估。

2 需警惕的失败模式：全切片图像数据量庞大，易造成算力瓶颈，导致模型推理速度慢、临床部署成本高；对于NTRK、RET等罕见突变，因其发生率低、训练样本匮乏，易引发模型过拟合，进而降低泛化能力。

3 最低落地门槛：需搭建多专家共识标注平台，推行联合标注与裁决机制，严控标签质量，缩小判读差异；采用标准化色彩校正与强度校准算法，适配不同扫描设备和实验流程，保证数据一致性。

未来研究建议：

1基于联邦学习构建全国肺癌罕见靶点加密数据网络，打破数据孤岛，提升罕见突变模型的预测性能；

2强化模型可解释性，建立统一的影像或病理与分子关联规则，提高临床认可度；

3开展前瞻性临床试验，验证“AI初筛”路径对患者结局、医疗费用及误诊率等方面的实际改善效果。

3.3.2 加速个体化疫苗开发

3.3.3 分子残留病灶指导个体化治疗

分子残留病灶（MRD）可用于评估术后复发风险。MRD阳性患者的预后显著劣于阴性患者，且MRD 检测较传统影像学检查提前5～6个月提示疾病进展[39]。基于循环肿瘤DNA（ctDNA）的 MRD 检测技术，可作为重要的疗效预测标志物，其临床价值已在多项真实世界研究及关键临床试验中得以验证，涵盖新辅助治疗（如CheckMate-816[40]、AEGEAN[41]、NADIM[42]）及辅助治疗（如CALIBRATE[43]、IMPOWER010[44]、ADAURA[45]）等代表性研究。FDA与欧洲内科肿瘤学会相继发布了相关指南及实体瘤液体活检疗效评估标准（LB-RECIST）[6]，进一步提出可将MRD作为核心依据，指导临床开展个体化升阶或降阶治疗。

2 需警惕的失败模式：不同MRD检测技术平台存在差异，固定化 panel 与定制化 panel、监测位点数量及覆盖范围各不相同，难以通过单一AI-MRD模型适配所有临床场景，模型需根据检测策略与目标人群重新训练，并进行外部验证。

3 最低落地门槛：AI驱动的MRD检测需保证核心灵敏度，即在每个监测位点均可稳定检出丰度≥0.02%的ctDNA，以满足临床对MRD的监测需求。

未来研究建议：

1开展多中心、多场景真实世界验证，纳入不少于3家临床研究中心；

2在NSCLC患者术后复发监测与预后分层、新辅助/辅助治疗疗效预测、晚期患者升阶/降阶适应性治疗决策等场景中全面评估模型效能，推动AI-MRD的规范化临床应用。

3.4 AI优化肺癌诊疗结局与效率

将AI整合至肺癌筛查、诊断及个体化治疗全流程，有望提升成本效益、改善临床结局，优化自动化工作流程并节约医疗成本。对于肺癌诊疗流程标准化不足的医疗机构或高负荷肿瘤诊疗中心，若具备完整的真实世界数据采集与分析能力，则适用于引入AI以优化诊疗自动化流程。

在肺癌筛查阶段，Grenier等[47]提出，可将AI作为二次阅片者，有望降低假阳性率，减少不必要的随访检查与活检，从而节省成本，提升筛查项目的整体成本效益。Behar Harpaz等[48]基于NLST、NELSON等临床试验结果，对澳大利亚肺癌筛查项目进行了成本效益分析，计算了增量成本效益比（ICER）。结果显示，筛查相关的死亡率获益是影响ICER的最敏感参数，且筛查成本对ICER的影响大于治疗成本。在诊断环节，Dellamonica等[49]综述了利用AI多模态技术将影像、临床及分子等异构数据整合至统一分析框架的研究进展，指出这种整合不仅提高了诊断精度，还减少了传统诊断流程所需的时间与资源。Wale等[50]综述了包括机器学习、深度学习在内的AI模型在癌症诊断中的效能，认为这些模型有望简化诊断工作流程、减少诊断延迟、提高早期检出率，而这些对于成本效益管控至关重要。

在治疗优化领域，Bonci等[51]比较了AI模型与传统研究方法及标准治疗方案对NSCLC患者的PROM测量、总生存期及成本效果的影响。该研究支持AI模型与NSCLC总生存期预后分层之间存在探索性关联，但目前尚无关于PROM或成本效果的可评估证据。建议未来的前瞻性研究在关注临床终点的同时，需纳入经过验证的PROM及规范的经济学评价。

4 未来发展趋势：构建数据驱动的智慧生态

肺癌诊疗的未来将不再局限于单一的技术突破，而是通过数据、算法与临床深度融合，构建一个自我进化的智慧诊疗生态系统。

4.1数据标准与多模态融合的规范化

《数字化智慧病理科建设白皮书》指出，影像标注和病理切片数字化等流程缺乏统一标准，导致数据难以直接融合。医疗数据的“孤岛效应”和非结构化是当前AI应用的最大障碍。未来的趋势是建立国家级乃至国际级的统一数据标准（如FHIR标准、OMOP通用数据模型），实现临床、影像、病理及组学数据的规范化采集和互联互通。

4.2通过联邦学习打破数据壁垒

为训练出泛化能力强、鲁棒性高的通用大模型，需汇聚多中心数据。然而，数据隐私法规限制了原始数据共享。联邦学习提供了一种 “数据不动模型动”的解决方案：在联邦学习框架（如NVIDIA FLARE）下，各医疗机构可在本地利用私有数据训练模型，仅将加密的模型参数（梯度）传输至中心服务器进行聚合更新。未来，基于联邦学习的“全球肺癌AI全息模型”将成为可能，其能够实时学习全球各地的新病例，不断提升诊断精度。

然而，联邦学习在医疗场景中的实际部署面临多重挑战[52-53]。不同机构间数据分布的异质性（non-IID问题）可导致聚合模型性能下降；模型梯度仍可能通过反演攻击或成员推断攻击泄露患者信息；此外，各机构间的网络带宽限制、模型版本管理及责任归属等工程化问题也制约着大规模部署。目前，真正意义上的“全球肺癌AI全息模型”仍处于概念验证阶段，距离临床常规应用尚需技术成熟与政策配套。

4.3肺癌罕见靶点汇总网络

基于分子分型的个体化治疗是未来发展趋势。随着基因检测技术的普及，越来越多的“长尾”罕见突变和潜在靶点被发现，如NTRK融合（发生率约0.2%）、RET融合（约2%）及BRAF V600E突变（约2%）。单个临床研究中心往往难以积累足够数量的病例以形成高质量循证医学证据。未来可构建基于联邦学习与区块链技术的“全国肺癌罕见靶点加密数据网络”。该网络连接各大肿瘤专科医院及研究中心，当医生输入1例罕见靶点病例时，AI系统能够在网络中执行安全的相似度匹配，迅速检索到全国乃至全球范围内的相似病例，汇总其治疗方案、疗效及预后信息，进而生成基于真实世界证据的治疗建议。这不仅可辅助临床决策，还可通过“合成对照臂”的方法加速罕见靶点药物的审批流程。

需指出的是，这一愿景的落地面临多重现实障碍。在数据层面，罕见突变的低发生率（如NTRK融合的发生率仅0.2%）意味着即使构建全国性网络，特定靶点的可积累病例数依然极为有限，模型训练面临样本量不足的根本困境。此外，区块链技术在医疗数据共享中的应用尚处于早期探索阶段[54]，面临链上存储容量有限、交易吞吐量低[55]、智能合约安全性待验证等技术瓶颈，且各医疗机构间数据治理框架的差异也增加了跨机构协作的复杂性。“合成对照臂”方法虽在监管领域受到关注，但FDA和中国国家药品监督管理局对其用于加速审批的接受度仍较为审慎，需结合真实世界证据质量评估框架（如FDA真实世界证据框架）进行个案论证[56]。因此，尽管该网络构想具有重要临床与科研价值，但其真正落地仍需技术、治理与监管三方面协同突破。

4.4 政策引导与伦理合规

我国发布的《“数据要素×”三年行动计划（2024—2026年）》明确将医疗健康作为数据要素应用的重点领域，鼓励探索电子病历与医学影像数据的共享与互认，并支持AI大模型在精准医疗中的应用。与此同时，随着AI介入临床决策的程度不断加深，算法的可解释性及伦理问题日益凸显。未来的AI系统需内置可解释性模块（如SHAP值、注意力热图），以揭示模型作出特定判断的“原因”，从而建立人机信任。此外，还必须建立严格的数据脱敏和隐私保护机制（如差分隐私），确保在挖掘数据价值的同时，坚守患者的隐私保护底线。

5 小结与展望

本文系统梳理了AI在肺癌筛查、诊断及个体化治疗等关键环节的应用进展，揭示了多模态数据融合、深度学习架构创新等技术在提升诊疗精准度与效率方面的巨大潜力。然而，技术突破与临床落地之间仍存在显著鸿沟。当前，AI模型在真实世界中的泛化能力、可解释性、鲁棒性及伦理合规性，仍是制约其广泛应用的瓶颈。

数据层面的“孤岛效应”、标注标准缺失及多模态融合策略不统一，导致模型难以在不同人群、设备及医疗体系中稳定复现；算法层面的“黑箱”特性也制约了临床医生对AI输出的信任与采纳。此外，监管路径尚不明确，AI产品的审批、验证与更新机制仍处于探索阶段。目前，AI可作为辅助临床诊断与决策的工具，但尚无法完全替代医生完成肺癌筛查、诊断与治疗全流程。

面向未来，构建一个数据驱动、模型共享、伦理可控、政策协同的智慧肺癌诊疗生态系统，将成为发展的主旋律。具体路径包括：数据标准化与互联互通、联邦学习与隐私计算、可解释性与人机协同、政策引导与监管创新、真实世界研究与临床转化等。总之，AI驱动的肺癌诊疗正处于技术爆发与临床深度融合的历史交汇点。在“健康中国”战略指引下，依托新质生产力的培育与科学监管的护航，通过多模态算法的持续创新与数据标准的不断完善，AI将引领肺癌诊疗进入一个更加精准、高效、普惠的智慧医疗新时代。

（本文编辑：李玉乐）