AI+多模态融合在肺结节良恶性鉴别中的应用
Metaverse in Medicine · 30.03.2026 · 3 (1) · 64-71
DOI: 10.61189/290694zrgmsx ↗Kurz gefasst
Fachartikel in der Zeitschrift Metaverse in Medicine, online erschienen am 30.03.2026. Verfasst von 琳 童 und 1 weiteren Autor:innen.
Abstract (Originalsprache)
目的 系统综述人工智能(artificial intelligence,AI)与多模态融合技术在肺结节良恶性鉴别中的研究进展,重点阐述影像、临床资料及血液生物标志物整合决策的理论基础、关键技术、临床价值与应用边界,为肺结节精准分层管理及临床转化提供参考。方法 基于肺结节管理相关国际指南、经典风险预测模型、近年 AI 影像学研究、多组学与液体活检研究以及方法学规范文献,从多模态技术评估肺结节的意义、影像数据与临床资料融合、血液标志物/循环肿瘤 DNA(circulating tumor DNA,ctDNA)/循环染色体异常细胞(circulating genetically abnormal cells,CAC)/蛋白组学协同价值、多模态模型的临床预测潜力、“辅助决策”而非“替代决策”的边界,以及当前挑战与解决路径等方面进行归纳、分析与综合。结果 当前肺结节管理仍以结节大小、体积、密度、边缘特征、增长动力学及患者年龄、吸烟史、既往肿瘤史等临床危险因素为基础,并依托 Fleischner 学会、英国胸科学会(British thoracic society,BTS)、肺结节分级及数据系统(lung imaging reporting and data system,Lung-RADS)、 美国胸外科协会(American association for thoracic surgery,AATS)等指南及 Mayo、Herder、Brock 等经典模型完成风险分层。然而,在亚厘米结节、亚实性结节、多发结节、炎症背景结节及中间风险结节中,单一影像征象或传统模型的校准能力和临床净获益仍有限。AI,尤其是影像组学(radiomics)、深度学习和多模态机器学习,可从 CT 中提取人眼难以稳定识别的高维特征;与年龄、吸烟状态、肺气肿、既往恶性肿瘤史等临床变量融合后,可提升风险评估的稳定性和重分类能力。同时,游离细胞 DNA (cell-free DNA,cfDNA)/ctDNA 甲基化、片段组学、CAC 及蛋白分类器等液体活检手段,为中间风险结节提供了额外的分子与细胞学证据,有助于减少不必要的侵入性操作,并促进真正高危病灶更早进入精准诊断流程。当前多模态模型的主要价值体现在中间风险结节的二次分层、专病门诊流程优化和多学科团队(multidisciplinary team,MDT)决策支持,但其临床落地仍受数据异质性、外部泛化能力不足、前分析标准化不充分、高维低样本、监管与支付机制等因素制约。结论 肺结节良恶性鉴别正 由单模态影像判断向“影像—临床—生物标志物”多模态整合决策转变。AI 在当前阶段最合理的定位仍是辅助决策而非替代决策。未来真正可能改变临床实践的,将是经前瞻性验证、具备可解释性与可审计性、符合指南逻辑并可嵌入肺结节专病中心和 MDT工作流的多模态辅助决策系统。
Zitieren
APA
童, 琳., & 白, 春. (2026). AI+多模态融合在肺结节良恶性鉴别中的应用. Metaverse in Medicine, 3(1), 64-71. https://doi.org/10.61189/290694zrgmsx
Vancouver
童 琳, 白 春. AI+多模态融合在肺结节良恶性鉴别中的应用. Metaverse in Medicine. 2026;3(1):64-71. doi:10.61189/290694zrgmsx
BibTeX
@article{2026,
author = {童, 琳 and 白, 春学},
title = {AI+多模态融合在肺结节良恶性鉴别中的应用},
journal = {Metaverse in Medicine},
year = {2026},
volume = {3},
number = {1},
pages = {64--71},
doi = {10.61189/290694zrgmsx}
}
EUVIMED