肺癌篩查計劃的推廣帶來了肺結節檢出率的顯著提高，加重了影像學科的工作負荷，且傳統診斷方法的局限性亦日益凸顯。應用人工智能輔助技術進行肺結節的早期識別、良惡性判斷和病理分型預測可以為臨床決策提供參考，并制定有效的治療、隨訪方案。《人工智能在肺結節診治中的應用專家共識（2022年版）》（以下簡稱《共識》）已于近期正式發布。本文緊密圍繞該《共識》撰寫的背景、重大意義、核心內容以及對今后肺結節診治的影響進行了詳細解讀。希望通過我們大家的共同努力，提高我國肺部結節診療的規范化水平，努力提高肺癌患者的長期生存率和生活質量。
引用本文： 林耀彬, 林勇斌, 趙澤銳, 林志潮, 姜龍, 鄭斌, 廖虎, 閆萬璞, 李斌, 汪路明, 龍浩. 《人工智能在肺結節診治中的應用專家共識（2022年版）》解讀. 中國胸心血管外科臨床雜志, 2023, 30(5): 665-671. doi: 10.7507/1007-4848.202302014 復制
隨著胸部低劑量計算機斷層掃描（computed tomography，CT）篩查的廣泛開展，肺結節的檢出率顯著提高，傳統影像診斷方法的局限性也日益凸顯[1-2]。近年來，人工智能輔助肺結節早期識別及其良惡性判讀等方面的應用逐步引發關注，其有效性已得到初步驗證，但目前尚處于起步階段[3]。而且，能否應用人工智能輔助技術進行肺結節的病理分型預測、隨訪數據判斷及手術規劃等，為臨床決策提供參考，至今仍存在較大爭議。2022年，吳階平醫學基金會模擬醫學部胸外科專委會組織全國該領域專家，基于循證醫學證據，并結合已有相關臨床實踐經驗和專家意見，經過數次會議討論，最終制定了國內首個關于肺結節人工智能診斷的專家共識—《人工智能在肺結節診治中的應用專家共識（2022年版）》[4]（以下簡稱《共識》）。本文將對該《共識》的核心內容及其意義進行解讀，希望可以加速共識的臨床推廣應用，提升國內相關領域研究者對人工智能肺結節診斷的認知度和關注度，進一步提高我國肺部結節的規范化診療水平。
1 制定該《共識》的意義
肺癌是全球發病率和死亡率最高的惡性腫瘤，在我國亦是如此[5]。大量研究證明，應用低劑量CT進行肺癌篩查可以降低肺癌的特異性死亡率。近些年，隨著肺癌篩查計劃的推廣與普及，肺結節的檢出率較前明顯提高。然而，低劑量CT篩查發現的肺結節，其假陽性率較高，惡性結節占比僅約10%～20%[1]。盡管現有指南建議可以使用正電子發射計算機斷層顯像、經皮肺穿刺活檢（transthoracic needle aspiration，TTNA）或者經支氣管活檢（trans-bronchial needle aspiration，TBB）協助進一步評估。不過，相關研究[6]顯示，正電子發射計算機斷層顯像針對亞實性肺結節良惡性判讀的敏感性僅約50%，對于肺純磨玻璃結節，其敏感性更是低于20%；而且TTNA和TBB對于肺小結節的診斷敏感性也較為有限，且作為有創檢查，可能導致出血、針道播散等風險[7-8]。因此，目前亟需新的無創肺結節管理方法。
人工智能依托機器學習和深度學習算法，通過計算機軟件自動檢測原始數據的特征信息并進行分類，再按照非線性模塊化的方式學習到多個層次上的特征，形成獨特的決定和判斷能力[9]。常見的深度學習模型包括了卷積神經網絡、自編碼神經網絡、殘差神經網絡等，其中卷積神經網絡常用于影像數據的分析處理，在圖像識別方面具備一定優勢[10]。有研究[11-12]提示，借助人工智能輔助技術，可從常規影像中提取到更為詳細、更加復雜的圖像特征信息，并通過機器學習方法，對肺結節的影像數據進行深度挖掘和定量分析，可以準確提取出肺結節中具有重要參考價值的微特征，進行肺結節的異質性診斷，具有無創和可重復性等優勢。目前，人工智能在協助肺結節診斷及其個體化治療方案選擇上體現出的有效性已得到了初步驗證，尤其在肺結節的識別及良惡性診斷方面[3, 13-14]。不過，人工智能在肺結節的病理分型預測、多次隨訪數據的綜合判斷以及手術規劃等方面，仍存在很多問題亟待解決。近年來，隨著越來越多的人工智能產品在肺結節領域應用，如何理性看待并規范應用人工智能輔助技術顯得尤為重要。現階段，針對肺結節人工智能診治的共識或指南國內外尚屬空白。
因此，制定一部專門針對肺結節人工智能診斷的專家共識極其必要，且意義重大。該《共識》的出臺，將在一定程度上有助于提高今后肺結節的診斷識別效能，使更多處于肺癌早期階段的患者及時接受必要治療，又可進行科學的隨訪指導，避免過度醫療，同時還有助于外科醫生制定更為個體化的手術方案，指導肺結節精準切除，從而提高肺癌患者的遠期生存率和生活質量。
2 《共識》主要內容
該《共識》制定過程中，我們遵循的主要原則就是科學性要強，要求每個論點的循證醫學證據要充足。《共識》編寫過程中，編寫組閱讀和分析了大量有關人工智能在肺結節診治應用中的國內外最新文獻及相關研究數據，力爭最大程度體現肺結節人工智能診治領域的研究現狀與進展，用數據說話。同時結合專家組的臨床實踐經驗，在肺結節人工智能診治的關鍵內容上形成統一共識，為國內肺結節診治相關人工智能輔助技術的應用、推廣提供寶貴的參考意見。通過以下幾方面分別闡述。
2.1 人工智能輔助肺結節識別優勢明顯
目前，越來越多的早期肺癌臨床上均表現為無癥狀結節，其中無癥狀磨玻璃結節（ground-glass nodule，GGN）最為常見。參照國內外相關診療指南[15-17]，肺結節一般可分為純磨玻璃結節、混合性磨玻璃結節（或部分實性結節）和實性結節；按結節惡性風險程度，又可分為低危、中危及高危結節。
研究[2]顯示，低劑量CT篩查發現的肺結節，假陽性率較高；在國家肺部篩查試驗研究中，對于直徑≥4 mm的肺結節，經過3輪低劑量CT篩查后，肺結節診斷的假陽性率高達96.4%。據報道，應用人工智能輔助進行肺結節診斷，能高效判別出肺小結節和非結節，從而提高肺結節檢出率[18]。有研究[13]證實，在CT閱片過程中，應用人工智能輔助技術進行肺結節的識別，其靈敏度高達96.7%，顯著優于影像科醫生的78.1%，并且擁有更快的讀片速度，提示其在肺癌篩查中具有重要的臨床價值和廣泛的應用前景。因此，專家組一致認為，人工智能在輔助醫生進行肺結節識別方面，具有較大優勢[4]。但是，需要引起注意的是，人工智能對測量實性結節體積準確性更高，但對亞實性肺結節識別的靈敏度較低[19-20]。所以，應用人工智能輔助肺結節識別時，應根據結節類型酌情調整機器設置的敏感度參數，而且針對亞實性結節建議仍需要人工閱片確認以減少誤報[21]。
2.2 人工智能可提高肺結節良惡性鑒別診斷效能
在傳統CT影像診斷方面，影像科醫生主要依賴結節的大小、影像學“紋理”特征及其增長情況來區分良惡性，受人為因素干擾較大[22]。不同的是，人工智能通過應用計算機軟件技術從肺結節影像數據庫中高效提取出更為系統、復雜的圖像信息，借助機器深度學習方法，對其圖像特征進行更深層次的數據挖掘及統計分析，為結節良惡性判斷提供輔助參考[3, 14]。既往研究[3]顯示，應用機器深度學習方法進行肺結節的良惡性分類，基于不同類型數據庫的訓練集和驗證集的診斷模型準確性在79.5%～93.6%，而基于相同類型數據庫的診斷模型的良惡性分類準確性在68%～99.6%，已具備了較高的肺結節診斷準確性。因此，應用人工智能輔助進行肺結節良惡性鑒別診斷，可能具備以下優勢：一方面，人工智能輔助影像學診斷可以快速給出肺結節的良惡性判斷及其惡性風險分級，提高診斷效率的同時，還能突顯肺結節圖像中的可疑征象，并實時呈現給臨床醫生，為肺結節的分類診斷提供重要參考依據，從而有利于降低誤診率[23]；另一方面，人工智能還可用于計算肺結節的體積，相比于手動測量，該方式具有高度的可重復性，優勢明顯，并可通過比較多次影像數據估計肺結節體積的倍增時間，可以協助判斷結節的生長情況，進行良惡性鑒別[24-25]。
不過，相較于傳統人工肺結節分類方法，現階段人工智能輔助技術算法的準確度尚需進一步提高。一項應用人工智能技術輔助進行肺結節分類的研究（LUNGx Challenge） [26]數據顯示，人工智能組診斷模型曲線下面積顯著低于放射科醫師組，表明人工智能算法仍有待進一步改進，目前其鑒別肺結節良惡性的準確度尚無法替代傳統人工閱片模式。此外，相比較于CT診斷，有時磁共振成像能夠提供CT影像數據所缺乏的病灶生物學功能相關的代謝信息，對某些病灶的定性與分類具有重要的輔助參考價值[27]。因此，綜合既往相關研究數據，專家組一致認為，若能應用人工智能技術提取不同方式的有效影像學特征，并融合CT-磁共振多種模態信息，有望得到更加精準的肺癌診斷效果。
2.3 人工智能具備肺結節病理分型預測的潛力
隨著CT篩查的普及，越來越多的無癥狀肺部GGN被發現，已是早期肺腺癌常見的影像學表現之一。然而，盡管影像學上同樣表現為GGN，不同早期肺癌患者的預后差異仍較大，這與其病理亞型顯著相關[28-29]。已有大量臨床研究顯示，對于臨床分期診斷為Ⅰ期非小細胞肺癌（non-small cell lung cancer，NSCLC），部分病理亞型考慮為低危（浸潤前病變、微浸潤腺癌和貼壁為主型腺癌）的患者術后生存率較高，此類患者接受亞肺葉切除的預后與接受肺葉切除者相似[30-31]；而對含有高級別成分（包括微乳頭樣生長模式、實性生長模式以及復雜的腺樣結構）的肺腺癌患者而言，根治性切除術后仍存在較高的復發風險，故往往推薦予行肺葉切除[32]。因此，臨床上能否在術前或術中階段準確診斷肺結節的病理亞型，對手術規劃和手術方式的選擇影響甚大。
有學者提出，是否可以根據肺結節的術中冰凍結果指導肺手術切除范圍？然而，現階段術中冰凍對肺腺癌亞型的判斷與其術后石蠟病理診斷的一致性并不讓人十分滿意；既往研究[33]顯示，針對微乳頭和實性成分這兩大肺腺癌高危亞型，術中冰凍診斷的敏感性僅分別為37%和69%；故根據術中冰凍結果決定手術切除范圍尚有較大爭議。此外，也有學者提出，能否通過術前肺穿刺活檢輔助診斷病理亞型？可是，臨床實踐發現，肺穿刺活檢因結節體積偏小或取材受限，僅憑穿刺活檢病理難以準確判斷病灶的浸潤程度全景，結果具有一定的不確定性，且為有創檢查，存在出血、氣胸等操作風險[7-8]。因此，臨床上迫切需要新的方法在手術前輔助診斷以指導后續治療，尤其是肺小結節的手術模式優化。
相較于傳統CT影像依據結節典型特征進行病灶侵襲性的判斷，人工智能依托機器深度學習方法和計算機軟件技術，可準確提取肺結節中具有重要診斷參考價值的圖像微特征，并結合人工智能算法，有望針對肺結節開展分級診斷及其更深層面的病理亞型預判，指導臨床決策和制定最優手術規劃[11]。已有研究[34-39]顯示，人工智能可以通過機器深度學習、記憶，對肺結節影像數據進行歸納分析，總結其特征規律；目前人工智能技術已被證實可以較好地用于以GGN表現為主的肺腺癌病灶的浸潤性判斷，可以為早期肺癌的個體化診治提供重要的參考依據。因此，專家組一致認為，人工智能具備肺結節病理分型預測潛力，有望協助進行肺結節術前手術規劃，指導精準肺切除；不過，現階段相關研究數據尚比較有限，今后可能需要設計更高質量的多中心前瞻性隨機對照試驗進一步驗證[4]。
2.4 人工智能可協助肺結節多次隨訪的綜合判斷
現階段，肺結節人群較龐大，但并非所有的肺結節發現以后都需要立即接受治療，絕大多數都是建議選擇隨訪觀察為主；具體隨診方案往往需根據肺結節基線檢查特征進行擬定，通常推薦采用高分辨率CT行<1 mm的薄層掃描，同時建議進行肺結節多角度影像重建[40]。目前，相關指南[41]建議將肺結節分類分層管理，隨診方式應按結節分類及惡性風險分層進行區分。
針對肺結節的多次隨訪，相關研究[42-45]提示，在多次隨訪數據監測中，人工智能技術在協助評估肺結節體積及其形態變化方面具備一定優勢，尤其是在結節倍增時間變化和形態學改變等重要觀察數據上，可以為肺結節隨訪提供參考依據，協助制定科學合理的個體化隨訪間期。曾有研究[43]針對6 716例國家肺部篩查試驗入組人群進行分析，結果發現若有患者初次CT影像數據作為基線對比，應用人工智能系統進行肺結節診斷，其準確性與影像科醫師的判讀結果相仿，明顯優于人工智能系統對單次CT影像數據判讀的診斷效能。另有一項研究[44]應用人工智能輔助技術動態評估同一肺結節的兩次影像檢查，結果顯示人工智能系統的參與可顯著提高肺癌的診斷率。此外，亦有文獻[45]報道，人工智能系統與Lung-RADS系統的結合，有望制定更為科學合理的肺結節隨訪策略；相關結果顯示，約有0.2%原Lung-RADS判定分級為1～2級的肺結節，在聯合人工智能系統進行協同評估后，結節分級升至3級，而另有約30%的Lung-RADS 3級結節則降至1～2級；由于肺結節分級的更改，這部分患者的隨訪間期也隨之發生了變化；鑒于不同級別肺結節的隨訪策略并不完全相同，優化肺結節風險分級可以避免過度頻繁的影像學檢查，從而減少醫療支出。因此，人工智能輔助技術在肺結節隨訪中的應用探索，將有助于制定更為科學合理的肺結節隨訪策略，目前仍有待進一步研究。
2.5 人工智能在肺結節手術規劃中的應用前景
如前所述，依托人工智能輔助診斷技術，不僅可以進行肺結節的良惡性鑒別，還有望開展早期肺腺癌的病理亞型預測，從而為制定個體化的治療方案和手術規劃提供重要參考依據。與此同時，借助人工智能手段，還可將患者肺部薄層CT影像數據進行全自動、快速、高效圖像分析和重建。與傳統三維重建技術不同的是，基于人工智能的三維可視化重建技術，可以快速構建肺腫瘤及手術部位肺組織、血管和支氣管的三維可視化模型，省時、穩定[46]。相關研究[47]顯示，新一代人工智能輔助技術融合了實時交互的全定量、定性分析工具，可通過全面定量化的三維影像數據展現個體真實的肺結節、肺血管及支氣管拓撲關系，具備更優的視覺效果和臨床實用性。在此類模型的輔助指導下，術者不僅可以更為全面、直觀地了解肺部病灶的位置、大小、類別等特征，還可分析病灶與其鄰近組織及肺內血管、支氣管的解剖關系，進行術前風險評估和手術方案模擬，有助于外科醫生術中快速定位腫瘤位置及其切除范圍，指導術中精準肺切除，提高手術成功率，實現真正的個體化治療[48-49]。現階段，人工智能輔助技術在肺結節手術規劃的臨床應用已日漸獲得重視，國內胸外科領域專家曾于2019年12月聯合制定了《人工智能平臺下肺結節的三維可視化定位與手術規劃專家共識》[46]，概述了人工智能平臺在該領域的研究現狀。因此，2022版《共識》[4]中，專家組一致認為，可視化與人工智能方法的結合，對于提高肺結節手術的安全性和準確性具有重要意義。
3 《共識》在未來肺結節診治中的積極作用
首先，中國地域遼闊，醫療資源分布不均，針對國內與日俱增的肺結節檢出現狀，不同層級的醫院、不同資歷的醫生對同一肺結節的影像學特征的認識也存在一定差異，其判讀能力也高低不齊，并且傳統影像特征的分析常因其圖像特征特異性不足、受人為因素干擾較大，影響肺結節臨床判斷的準確性及其后續治療決策。人工智能在肺結節診治中的應用可提高早期肺癌診斷的準確率和檢出率，有望實現不同級別醫院對肺結節的高水平“同質化”診斷，進一步提高我國肺部結節的規范化診療水平，從而提高各級醫院的醫療安全質量；同時也有助于減輕因結節檢出率上升而增加的影像學科工作負荷，對減輕相應醫療衛生負擔具有一定的現實意義。
其次，希望《共識》的出臺能有助于提升國內相關領域研究者對人工智能肺結節診斷的知曉度和關注度，推動人工智能輔助技術在肺結節診治中的開展、應用。基于本《共識》意見，應用人工智能輔助技術可以進行肺結節的病理分型預測和手術規劃，可以協助優化術前手術模擬設計，指導肺結節精準切除，從而提高肺癌患者的長期生存率和術后生活質量。
鑒于該版《共識》尚存在不完善的地方，筆者認為后續應該進一步加強人工智能輔助肺結節診治相關的臨床研究探索，尤其是基于大樣本的前瞻性臨床研究。例如，應用人工智能進行肺結節的病理分型預測，現階段仍需要多中心的臨床試驗來證實其準確性和有效性。
總之，2022版《共識》針對人工智能在肺結節診治中的應用達成了初步統一意見，特別在人工智能輔助肺結節識別、良惡性判斷、病理分型預測、多次隨訪數據判斷及手術規劃等方面，有望為國內同行更好地應用人工智能診治肺結節提供參考意見。
利益沖突：無。
作者貢獻：林耀彬、林勇斌、趙澤銳負責文章撰寫和修改；林志潮、姜龍、鄭斌、廖虎、閆萬璞、李斌、汪路明對文章的知識性內容做指導；龍浩對文章的整體內容和框架進行審閱、指導和修改。
隨著胸部低劑量計算機斷層掃描（computed tomography，CT）篩查的廣泛開展，肺結節的檢出率顯著提高，傳統影像診斷方法的局限性也日益凸顯[1-2]。近年來，人工智能輔助肺結節早期識別及其良惡性判讀等方面的應用逐步引發關注，其有效性已得到初步驗證，但目前尚處于起步階段[3]。而且，能否應用人工智能輔助技術進行肺結節的病理分型預測、隨訪數據判斷及手術規劃等，為臨床決策提供參考，至今仍存在較大爭議。2022年，吳階平醫學基金會模擬醫學部胸外科專委會組織全國該領域專家，基于循證醫學證據，并結合已有相關臨床實踐經驗和專家意見，經過數次會議討論，最終制定了國內首個關于肺結節人工智能診斷的專家共識—《人工智能在肺結節診治中的應用專家共識（2022年版）》[4]（以下簡稱《共識》）。本文將對該《共識》的核心內容及其意義進行解讀，希望可以加速共識的臨床推廣應用，提升國內相關領域研究者對人工智能肺結節診斷的認知度和關注度，進一步提高我國肺部結節的規范化診療水平。
1 制定該《共識》的意義
肺癌是全球發病率和死亡率最高的惡性腫瘤，在我國亦是如此[5]。大量研究證明，應用低劑量CT進行肺癌篩查可以降低肺癌的特異性死亡率。近些年，隨著肺癌篩查計劃的推廣與普及，肺結節的檢出率較前明顯提高。然而，低劑量CT篩查發現的肺結節，其假陽性率較高，惡性結節占比僅約10%～20%[1]。盡管現有指南建議可以使用正電子發射計算機斷層顯像、經皮肺穿刺活檢（transthoracic needle aspiration，TTNA）或者經支氣管活檢（trans-bronchial needle aspiration，TBB）協助進一步評估。不過，相關研究[6]顯示，正電子發射計算機斷層顯像針對亞實性肺結節良惡性判讀的敏感性僅約50%，對于肺純磨玻璃結節，其敏感性更是低于20%；而且TTNA和TBB對于肺小結節的診斷敏感性也較為有限，且作為有創檢查，可能導致出血、針道播散等風險[7-8]。因此，目前亟需新的無創肺結節管理方法。
人工智能依托機器學習和深度學習算法，通過計算機軟件自動檢測原始數據的特征信息并進行分類，再按照非線性模塊化的方式學習到多個層次上的特征，形成獨特的決定和判斷能力[9]。常見的深度學習模型包括了卷積神經網絡、自編碼神經網絡、殘差神經網絡等，其中卷積神經網絡常用于影像數據的分析處理，在圖像識別方面具備一定優勢[10]。有研究[11-12]提示，借助人工智能輔助技術，可從常規影像中提取到更為詳細、更加復雜的圖像特征信息，并通過機器學習方法，對肺結節的影像數據進行深度挖掘和定量分析，可以準確提取出肺結節中具有重要參考價值的微特征，進行肺結節的異質性診斷，具有無創和可重復性等優勢。目前，人工智能在協助肺結節診斷及其個體化治療方案選擇上體現出的有效性已得到了初步驗證，尤其在肺結節的識別及良惡性診斷方面[3, 13-14]。不過，人工智能在肺結節的病理分型預測、多次隨訪數據的綜合判斷以及手術規劃等方面，仍存在很多問題亟待解決。近年來，隨著越來越多的人工智能產品在肺結節領域應用，如何理性看待并規范應用人工智能輔助技術顯得尤為重要。現階段，針對肺結節人工智能診治的共識或指南國內外尚屬空白。
因此，制定一部專門針對肺結節人工智能診斷的專家共識極其必要，且意義重大。該《共識》的出臺，將在一定程度上有助于提高今后肺結節的診斷識別效能，使更多處于肺癌早期階段的患者及時接受必要治療，又可進行科學的隨訪指導，避免過度醫療，同時還有助于外科醫生制定更為個體化的手術方案，指導肺結節精準切除，從而提高肺癌患者的遠期生存率和生活質量。
2 《共識》主要內容
該《共識》制定過程中，我們遵循的主要原則就是科學性要強，要求每個論點的循證醫學證據要充足。《共識》編寫過程中，編寫組閱讀和分析了大量有關人工智能在肺結節診治應用中的國內外最新文獻及相關研究數據，力爭最大程度體現肺結節人工智能診治領域的研究現狀與進展，用數據說話。同時結合專家組的臨床實踐經驗，在肺結節人工智能診治的關鍵內容上形成統一共識，為國內肺結節診治相關人工智能輔助技術的應用、推廣提供寶貴的參考意見。通過以下幾方面分別闡述。
2.1 人工智能輔助肺結節識別優勢明顯
目前，越來越多的早期肺癌臨床上均表現為無癥狀結節，其中無癥狀磨玻璃結節（ground-glass nodule，GGN）最為常見。參照國內外相關診療指南[15-17]，肺結節一般可分為純磨玻璃結節、混合性磨玻璃結節（或部分實性結節）和實性結節；按結節惡性風險程度，又可分為低危、中危及高危結節。
研究[2]顯示，低劑量CT篩查發現的肺結節，假陽性率較高；在國家肺部篩查試驗研究中，對于直徑≥4 mm的肺結節，經過3輪低劑量CT篩查后，肺結節診斷的假陽性率高達96.4%。據報道，應用人工智能輔助進行肺結節診斷，能高效判別出肺小結節和非結節，從而提高肺結節檢出率[18]。有研究[13]證實，在CT閱片過程中，應用人工智能輔助技術進行肺結節的識別，其靈敏度高達96.7%，顯著優于影像科醫生的78.1%，并且擁有更快的讀片速度，提示其在肺癌篩查中具有重要的臨床價值和廣泛的應用前景。因此，專家組一致認為，人工智能在輔助醫生進行肺結節識別方面，具有較大優勢[4]。但是，需要引起注意的是，人工智能對測量實性結節體積準確性更高，但對亞實性肺結節識別的靈敏度較低[19-20]。所以，應用人工智能輔助肺結節識別時，應根據結節類型酌情調整機器設置的敏感度參數，而且針對亞實性結節建議仍需要人工閱片確認以減少誤報[21]。
2.2 人工智能可提高肺結節良惡性鑒別診斷效能
在傳統CT影像診斷方面，影像科醫生主要依賴結節的大小、影像學“紋理”特征及其增長情況來區分良惡性，受人為因素干擾較大[22]。不同的是，人工智能通過應用計算機軟件技術從肺結節影像數據庫中高效提取出更為系統、復雜的圖像信息，借助機器深度學習方法，對其圖像特征進行更深層次的數據挖掘及統計分析，為結節良惡性判斷提供輔助參考[3, 14]。既往研究[3]顯示，應用機器深度學習方法進行肺結節的良惡性分類，基于不同類型數據庫的訓練集和驗證集的診斷模型準確性在79.5%～93.6%，而基于相同類型數據庫的診斷模型的良惡性分類準確性在68%～99.6%，已具備了較高的肺結節診斷準確性。因此，應用人工智能輔助進行肺結節良惡性鑒別診斷，可能具備以下優勢：一方面，人工智能輔助影像學診斷可以快速給出肺結節的良惡性判斷及其惡性風險分級，提高診斷效率的同時，還能突顯肺結節圖像中的可疑征象，并實時呈現給臨床醫生，為肺結節的分類診斷提供重要參考依據，從而有利于降低誤診率[23]；另一方面，人工智能還可用于計算肺結節的體積，相比于手動測量，該方式具有高度的可重復性，優勢明顯，并可通過比較多次影像數據估計肺結節體積的倍增時間，可以協助判斷結節的生長情況，進行良惡性鑒別[24-25]。
不過，相較于傳統人工肺結節分類方法，現階段人工智能輔助技術算法的準確度尚需進一步提高。一項應用人工智能技術輔助進行肺結節分類的研究（LUNGx Challenge） [26]數據顯示，人工智能組診斷模型曲線下面積顯著低于放射科醫師組，表明人工智能算法仍有待進一步改進，目前其鑒別肺結節良惡性的準確度尚無法替代傳統人工閱片模式。此外，相比較于CT診斷，有時磁共振成像能夠提供CT影像數據所缺乏的病灶生物學功能相關的代謝信息，對某些病灶的定性與分類具有重要的輔助參考價值[27]。因此，綜合既往相關研究數據，專家組一致認為，若能應用人工智能技術提取不同方式的有效影像學特征，并融合CT-磁共振多種模態信息，有望得到更加精準的肺癌診斷效果。
2.3 人工智能具備肺結節病理分型預測的潛力
隨著CT篩查的普及，越來越多的無癥狀肺部GGN被發現，已是早期肺腺癌常見的影像學表現之一。然而，盡管影像學上同樣表現為GGN，不同早期肺癌患者的預后差異仍較大，這與其病理亞型顯著相關[28-29]。已有大量臨床研究顯示，對于臨床分期診斷為Ⅰ期非小細胞肺癌（non-small cell lung cancer，NSCLC），部分病理亞型考慮為低危（浸潤前病變、微浸潤腺癌和貼壁為主型腺癌）的患者術后生存率較高，此類患者接受亞肺葉切除的預后與接受肺葉切除者相似[30-31]；而對含有高級別成分（包括微乳頭樣生長模式、實性生長模式以及復雜的腺樣結構）的肺腺癌患者而言，根治性切除術后仍存在較高的復發風險，故往往推薦予行肺葉切除[32]。因此，臨床上能否在術前或術中階段準確診斷肺結節的病理亞型，對手術規劃和手術方式的選擇影響甚大。
有學者提出，是否可以根據肺結節的術中冰凍結果指導肺手術切除范圍？然而，現階段術中冰凍對肺腺癌亞型的判斷與其術后石蠟病理診斷的一致性并不讓人十分滿意；既往研究[33]顯示，針對微乳頭和實性成分這兩大肺腺癌高危亞型，術中冰凍診斷的敏感性僅分別為37%和69%；故根據術中冰凍結果決定手術切除范圍尚有較大爭議。此外，也有學者提出，能否通過術前肺穿刺活檢輔助診斷病理亞型？可是，臨床實踐發現，肺穿刺活檢因結節體積偏小或取材受限，僅憑穿刺活檢病理難以準確判斷病灶的浸潤程度全景，結果具有一定的不確定性，且為有創檢查，存在出血、氣胸等操作風險[7-8]。因此，臨床上迫切需要新的方法在手術前輔助診斷以指導后續治療，尤其是肺小結節的手術模式優化。
相較于傳統CT影像依據結節典型特征進行病灶侵襲性的判斷，人工智能依托機器深度學習方法和計算機軟件技術，可準確提取肺結節中具有重要診斷參考價值的圖像微特征，并結合人工智能算法，有望針對肺結節開展分級診斷及其更深層面的病理亞型預判，指導臨床決策和制定最優手術規劃[11]。已有研究[34-39]顯示，人工智能可以通過機器深度學習、記憶，對肺結節影像數據進行歸納分析，總結其特征規律；目前人工智能技術已被證實可以較好地用于以GGN表現為主的肺腺癌病灶的浸潤性判斷，可以為早期肺癌的個體化診治提供重要的參考依據。因此，專家組一致認為，人工智能具備肺結節病理分型預測潛力，有望協助進行肺結節術前手術規劃，指導精準肺切除；不過，現階段相關研究數據尚比較有限，今后可能需要設計更高質量的多中心前瞻性隨機對照試驗進一步驗證[4]。
2.4 人工智能可協助肺結節多次隨訪的綜合判斷
現階段，肺結節人群較龐大，但并非所有的肺結節發現以后都需要立即接受治療，絕大多數都是建議選擇隨訪觀察為主；具體隨診方案往往需根據肺結節基線檢查特征進行擬定，通常推薦采用高分辨率CT行<1 mm的薄層掃描，同時建議進行肺結節多角度影像重建[40]。目前，相關指南[41]建議將肺結節分類分層管理，隨診方式應按結節分類及惡性風險分層進行區分。
針對肺結節的多次隨訪，相關研究[42-45]提示，在多次隨訪數據監測中，人工智能技術在協助評估肺結節體積及其形態變化方面具備一定優勢，尤其是在結節倍增時間變化和形態學改變等重要觀察數據上，可以為肺結節隨訪提供參考依據，協助制定科學合理的個體化隨訪間期。曾有研究[43]針對6 716例國家肺部篩查試驗入組人群進行分析，結果發現若有患者初次CT影像數據作為基線對比，應用人工智能系統進行肺結節診斷，其準確性與影像科醫師的判讀結果相仿，明顯優于人工智能系統對單次CT影像數據判讀的診斷效能。另有一項研究[44]應用人工智能輔助技術動態評估同一肺結節的兩次影像檢查，結果顯示人工智能系統的參與可顯著提高肺癌的診斷率。此外，亦有文獻[45]報道，人工智能系統與Lung-RADS系統的結合，有望制定更為科學合理的肺結節隨訪策略；相關結果顯示，約有0.2%原Lung-RADS判定分級為1～2級的肺結節，在聯合人工智能系統進行協同評估后，結節分級升至3級，而另有約30%的Lung-RADS 3級結節則降至1～2級；由于肺結節分級的更改，這部分患者的隨訪間期也隨之發生了變化；鑒于不同級別肺結節的隨訪策略并不完全相同，優化肺結節風險分級可以避免過度頻繁的影像學檢查，從而減少醫療支出。因此，人工智能輔助技術在肺結節隨訪中的應用探索，將有助于制定更為科學合理的肺結節隨訪策略，目前仍有待進一步研究。
2.5 人工智能在肺結節手術規劃中的應用前景
如前所述，依托人工智能輔助診斷技術，不僅可以進行肺結節的良惡性鑒別，還有望開展早期肺腺癌的病理亞型預測，從而為制定個體化的治療方案和手術規劃提供重要參考依據。與此同時，借助人工智能手段，還可將患者肺部薄層CT影像數據進行全自動、快速、高效圖像分析和重建。與傳統三維重建技術不同的是，基于人工智能的三維可視化重建技術，可以快速構建肺腫瘤及手術部位肺組織、血管和支氣管的三維可視化模型，省時、穩定[46]。相關研究[47]顯示，新一代人工智能輔助技術融合了實時交互的全定量、定性分析工具，可通過全面定量化的三維影像數據展現個體真實的肺結節、肺血管及支氣管拓撲關系，具備更優的視覺效果和臨床實用性。在此類模型的輔助指導下，術者不僅可以更為全面、直觀地了解肺部病灶的位置、大小、類別等特征，還可分析病灶與其鄰近組織及肺內血管、支氣管的解剖關系，進行術前風險評估和手術方案模擬，有助于外科醫生術中快速定位腫瘤位置及其切除范圍，指導術中精準肺切除，提高手術成功率，實現真正的個體化治療[48-49]。現階段，人工智能輔助技術在肺結節手術規劃的臨床應用已日漸獲得重視，國內胸外科領域專家曾于2019年12月聯合制定了《人工智能平臺下肺結節的三維可視化定位與手術規劃專家共識》[46]，概述了人工智能平臺在該領域的研究現狀。因此，2022版《共識》[4]中，專家組一致認為，可視化與人工智能方法的結合，對于提高肺結節手術的安全性和準確性具有重要意義。
3 《共識》在未來肺結節診治中的積極作用
首先，中國地域遼闊，醫療資源分布不均，針對國內與日俱增的肺結節檢出現狀，不同層級的醫院、不同資歷的醫生對同一肺結節的影像學特征的認識也存在一定差異，其判讀能力也高低不齊，并且傳統影像特征的分析常因其圖像特征特異性不足、受人為因素干擾較大，影響肺結節臨床判斷的準確性及其后續治療決策。人工智能在肺結節診治中的應用可提高早期肺癌診斷的準確率和檢出率，有望實現不同級別醫院對肺結節的高水平“同質化”診斷，進一步提高我國肺部結節的規范化診療水平，從而提高各級醫院的醫療安全質量；同時也有助于減輕因結節檢出率上升而增加的影像學科工作負荷，對減輕相應醫療衛生負擔具有一定的現實意義。
其次，希望《共識》的出臺能有助于提升國內相關領域研究者對人工智能肺結節診斷的知曉度和關注度，推動人工智能輔助技術在肺結節診治中的開展、應用。基于本《共識》意見，應用人工智能輔助技術可以進行肺結節的病理分型預測和手術規劃，可以協助優化術前手術模擬設計，指導肺結節精準切除，從而提高肺癌患者的長期生存率和術后生活質量。
鑒于該版《共識》尚存在不完善的地方，筆者認為后續應該進一步加強人工智能輔助肺結節診治相關的臨床研究探索，尤其是基于大樣本的前瞻性臨床研究。例如，應用人工智能進行肺結節的病理分型預測，現階段仍需要多中心的臨床試驗來證實其準確性和有效性。
總之，2022版《共識》針對人工智能在肺結節診治中的應用達成了初步統一意見，特別在人工智能輔助肺結節識別、良惡性判斷、病理分型預測、多次隨訪數據判斷及手術規劃等方面，有望為國內同行更好地應用人工智能診治肺結節提供參考意見。
利益沖突：無。
作者貢獻：林耀彬、林勇斌、趙澤銳負責文章撰寫和修改；林志潮、姜龍、鄭斌、廖虎、閆萬璞、李斌、汪路明對文章的知識性內容做指導；龍浩對文章的整體內容和框架進行審閱、指導和修改。