人工智能在消化系统肿瘤外科诊疗中的应用2025
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
一
免疫治疗）与局部治疗（消融、介入及放射治疗）在定程度上拓展了外
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[7-9]。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。
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
0.983
CT诊断敏感度达到,展现出超越放射科医师的微小病灶识别能力
6.+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
一
系统通过整合CADe与CADx的功能，突破单数据的局限性，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[1