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[7-9]。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
(△+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