人工智能作为一种新兴科技，将人的理论、技术等用于机器人，来研究、开发、学习、识别的技术。胸外科医生通过直接使用人工智能技术，或通过相关医学领域（放射学、病理学和呼吸医学）间接使用，可影响其日常实践。本文回顾了与胸外科相关的人工智能的应用现状和未来发展，人工智能相关肺癌的诊断、预后辅助决策项目及机器人手术等。虽然人工智能技术在许多领域取得了迅速进展，但医疗行业仅占人工智能使用的一小部分，目前人工智能技术在疾病的诊断、治疗、康复和护理中正在逐步广泛应用。胸外科已就人工智能进行了有价值的探索和实践，今后将会越来越多地受到人工智能技术的影响和推动。
引用本文： 姜杰, 耿国军, 朱晓雷, 张潇文. 人工智能（AI）在胸外科中的应用. 中国胸心血管外科临床杂志, 2021, 28(10): 1156-1159. doi: 10.7507/1007-4848.202102020 复制
1 人工智能辅助肺癌诊疗一体化
人工智能（AI）辅助肺癌诊疗一体化指充分运用可供利用的、合适的计算机技术，针对半结构化或非结构化医学问题，通过人机交互方式来改善和提高决策效率[1]。现有 AI 均存在高假阳性率（FP）及低灵敏度的问题，所以任何用于检测肺结节的计算机辅助决策（CAD）目标都是实现低 FP 和高灵敏度[2]。其解决方案包括 4 个方面：（1）AI 辅助肺癌的影像学诊断；（2）AI 辅助肺癌病理学诊断；（3）AI 辅助肺癌诊疗决策系统；（4）AI 辅助肺癌单病种数据库的建设和使用。
针对肺癌领域，目前研究的热点和难点问题主要是如何在术前准确判断肺结节的良恶性。因为肺结节的良恶性会决定术中手术方案，但是术中冰冻的等待时间过长，这样不仅会延长手术时间，还会限制当日手术台次，AI 辅助肺癌诊疗一体化可以极大提升就诊效率，缩短患者就诊时间。目前 AI 阅片在国内已经在小范围内实施，主要的问题还是肺结节的漏诊率及误诊率问题，有不少学者针对这方面进行了研究，包括采用自动双读系统来检测肺结节的差异[3]，建立针对磨玻璃结节、混合磨玻璃结节及实性结节的专门的 CAD 模型[4]，且对良恶性不同表现特征进行分类[5]，使用 AI 能基于 CT 对肺结节进行分类[6]、3D 卷积深度学习[7]，不受监督的学习图像特征，并自动学习、更新、纠正错误[8]。
由厦门大学附属第一医院以及国内领先医疗大数据及 AI 开发企业零氪科技共同建设搭建“人工智能肺部小结节辅助诊断及肺癌诊疗辅助决策系统临床应用数据平台”。该平台的创新性在于：（1）数据平台的数据将整合多种临床数据（如既往病史、影像、手术、病理、基因等），这些不同维度的临床数据将按照时间线为轴进行整合与结构化，可用于整个肺癌患者从早期筛查、诊断、治疗、预后整个路径上各类 AI 产品应用的训练与验证；并且利用双人标注加专家仲裁的方式保证数据的专业性与准确性[9]；（2）整个数据库按照时间为主线，将患者从入院检查到最终出院康复的多种临床数据予以整合，可用于早期筛查、辅助诊断、推荐治疗、预后预测等不同方向的肺癌 AI 产品的训练与临床验证；适用的 AI 场景：患者从入院检查到出院随访整个路径上的重要节点均适用（如早期筛查、辅助诊断、治疗推荐、预后预测等）。
患者从就诊至手术当日需要做大量的检查以便进行术前评估，同时我们也需要收集大量的临床信息，而将信息整合及标签化的过程复杂，涉及多种类型数据的读取与传输，此外，多种临床数据时间存在跨度，整合难度大。肺癌诊疗辅助决策及带标签整合数据自动生成系统，通过辅助决策系统的应用，由临床医生确认并编辑，并经过在线双重标注系统比对后，实时向数据平台扩充带标签的整合数据。数据库中所有数据都会以时间线为轴统一整合，某时间节点新增特征的加入可以影响此时间节点前的整合数据标签。同时，整合标签数据库可支持多任务 AI 的验证，灵活根据应用场景切换输入特征与验证标签。
患者就诊日当天会常规检查胸部 CT，但是随着薄层扫描的普及及应用，就诊量大的情况下，影像学医生的阅片量会增加。而肺小结节辅助诊断系统根据带结节标签的胸部 CT 影像数据，应用多种算法处理，最终输出一份肺部结节诊断报告，以供医生参考辅助诊断。诊断报告内容包含所有结节的位置（x、y、z 轴坐标）、长径、密度、体积、性质及结节良恶性等信息[10]。因此，系统模块主要包含原始 CT 影像的读取二次检验、肺部区域识别、肺内结节检测、结节大小信息测量、结节密度信息测量、结节维度良恶性判别、患者维度良恶性判别以及报告自动生成等。本系统应用了多种图像处理技术和主流深度学习算法对 CT 影像数据进行处理，如图像形态学变换算法和 3D 卷积神经网络，深度学习被认为是一种很有前途的恶性结节分类工具。目前，这些工具的灵敏度仅为中等，大多数研究包括直径达 30 mm 的较大结节。较大的结节导致数据集有偏差，因为大多数肺癌通常比良性结节大。因此，深度学习方法是识别肺癌特有的结节特征，还是主要根据大小对结节进行简单分层，仍然存在争议。有学者[11]通过使用卷积神经网络以高度确定的方式识别良性结节，并建议可以排除这些结节，从而避免了进一步检查的需要，这将大大减少临床医师的工作量。在我们的研究中，经过医生检验的带标签的影像数据也通过结合系统预测结果和医生修改记录自动生成。所有影像标签均会通过在线双重标注及标注质量验证系统进行检验和仲裁，保证肺结节影像数据库标签准确率达 98% 以上，肺结节属性特征覆盖率达 90% 以上。目前数据方面已经储备了超过万例的肺癌影像数据，肺小结节辅助诊断系统也已进入小试阶段，经过一系列的开发与完善，系统成功应用并构建出万例以上高质量标签的影像数据库具有可行性。
但 AI 所有的诊断都是基于人的思考，AI 所学会的东西都是人脑先学会再将程序录入其中，当样本量越来越大，AI 形成一定的记忆，再进行不断的锻炼及发现错误，才有了诊断准确率更高的 AI 辅助系统，所以 AI 结果不是百分百正确的，会存在一定的误差，我们要做的就是将误差降到最低，利用现有的临床数据最大程度地造福患者[12]。
2 术前三维重建和手术计划系统
三维重建技术作为 AI 辅助外科的一部分在临床应用中越来越多，使用计算机软件通过对 CT、磁共振成像（MRI）、正电子发射计算机断层显像（PET-CT）、数字减影血管造影（DSA）等图像信息进行三维图像重建，医生可以更加直观地看清楚病灶及病灶周围血管，术者在手术前心中更加有底，手术中借助三维重建图像看清患者肺部精细结构，帮助医生制定合理的手术方案。这种方法对于复杂而又精细的外科手术来说，可以大大提高肿瘤定位的精确度[13]。CT 三维重建肺血管、支气管图像有助于进行精准的解剖性肺段切除，使胸腔镜复杂肺段切除安全、便利，特别是对于结节位置较深、血管解剖有变异的患者来说，三维重建的优势就特别明显。根据患者 CT、超声、MRI 的检查数据，计算机绘制三维影像，直观重现人体组织和器官的病理特征及数据，辅助临床医生制定术前手术规划。但是，术前重建图像与术中的实际解剖有一定差异。这是因为患者在做胸部 CT 检查时，肺是处于膨胀的状态；而胸腔镜手术时肺往往处于萎陷状态。两种不同状态下，肺血管、支气管的走行不是完全一致的。其次，三维重建极其依赖图像的扫描质量，一旦扫描期相把握不好，会增加重建的难度，从而影响后续的工作开展。且并非每例患者都有做增强 CT 的必要，因而，为了让 CT 三维成像导航肺小结节在肺段切除中得到广泛的应用，还需要放射科医生的帮助[14]。肺部三维重建对于医生的解剖要求较高，并且费时，但其对于患者却是非常有利的，特别是对于肺段切除术、解剖有变异的患者来说，三维重建可以一定程度上降低手术风险。
通过术前三维重建结合达芬奇机器人手术选择的手术切口，符合机器人手术操作系统的要求，不仅给术者提供了清晰视野及方便的操作空间，而且此方法简单易行，加快术前准备速度，缩短手术时间、提高效率[15]；且可克服胸腔镜辅助胸外科（VATS）的现有局限性，特别是在延长切除的情况下，从而能够进一步提高微创操作的比例。
3 机器人手术中的人工智能
达芬奇手术系统使外科医生在胸内手腕运动中有 7 个自由度，并提供了高清晰度三维视觉的新可能性。该系统通过提高手术每一步的精度和在干预过程中消除任何震颤来帮助外科医生。虽然一般术语“机器人手术”通常适用于达芬奇手术系统，但它不是严格意义上的机器人手术，因为它不能被编程，也不能自己决定移动或执行任何类型的手术操作。有研究[16]表明，与腔镜手术相比较，达芬奇机器人手术治疗Ⅰ期非小细胞肺癌，淋巴结清扫更加彻底，虽然机器人手术的手术时间及手术费用长于和高于普通腔镜手术，但是其疗效更好、并发症更少。从达芬奇机器人问世至今十几年的时间，我们对于其研究正在慢慢深入，虽然目前还处在不断摸索的阶段，但相信在不远的未来，达芬奇机器人的应用会越来越多，并更多地为大家所接受。
机器人辅助手术的定义不是 AI，尽管这个术语在这个背景下经常被错误地使用。达芬奇外科系统为临床实践提供了许多智能解决方案，但它不是自主机器人手术。该机器人是一个用来增强外科医生能力的工具，而不是替代外科医生。外科医生可以控制机器人的每一个动作；该系统实时模拟外科医生的手部动作。如果有任何可能使患者面临危险的困难，外科医生可以转换并切换到一个传统的切口。但随着 AI 的出现，未来机器人系统似乎有可能能够完全自己进行干预，并适应不同的场景。事实上，在 2016 年，Shademan 等[17]比较了监督自主系统［智能组织自主机器人（STAR）］、人工腹腔镜手术和临床使用的机器人辅助手术之间的肠吻合指标（平均吻合间距、吻合泄漏的压力、需要从组织中取针的错误次数、完成时间和肠吻合腔减少的一致性）。基于这些指标，STAR 的监督自主性超过了机器人辅助手术、腹腔镜方法和手动手术的性能。此研究表明，自主手术是可行的。外科医生和 STAR 系统之间的交互式适应决策和执行为有趣地新增加外科医生的可能性铺平了道路。STAR 系统证明了在猪身上进行缝合的可行性，但尽管有进一步的研究，到目前为止还没有申请食品药品监督管理局的批准。
4 人工智能在肺癌辅助诊断中应用的发展与展望
AI 改变筛选、诊断和医疗保健管理方法的规模是巨大的，因为它能够分析大数据的非结构化数据，从错误中学习，得出相关结论，这可能是决策的宝贵帮助。胸外科医生应该增加他们在这一领域的知识，并了解 AI 技术如何影响他们的临床实践，以及他们与呼吸学家、病理学家和放射学家的合作。胸外科医生应该是评估 AI 的相关性和验证其在日常实践中应用的关键参与者。这将需要与 AI 工程师、AI 程序员、AI 开发人员、医院管理和医疗保健管理领导建立密切的合作。AI 是未来创新医疗的发展方向。而高质量数据的建设不是单单依靠社会资本及企业能够独立完成及实现的，需要通过国内权威医疗机构、医学专家的主导，对患者诊疗病案进行梳理、建模、标注，建立数据标准及验证体系，才能更加系统、有效地带动 AI 医疗技术水平的提升[18]。
我国人口众多，肺癌的发病率一直居高不下，中晚期肺癌的 5 年生存率仍然低，肺癌的早期筛查就极为重要。尽管肺结节的发病率和临床意义很大，放射科医生偶尔还是不能发现肺结节[19]。在我国，薄层 CT 扫描技术已经普及至基层医院，如果将人工阅片技术推广应用，将会大大提高基层医院早期肺癌的检出率。未来希望推动我国肺癌治疗领域中 AI 类辅助诊断和诊疗系统的技术水平不断发展，通过 AI 系统应用于临床实践，以达到准确、快捷、简便的临床辅助诊断及决策，推动一二级医院诊疗水平[20]。
利益冲突：无。
作者贡献：姜杰设计思路、撰写并修改论文；耿国军撰写并修改论文；朱晓雷、张潇文查阅资料、参与撰写论文。
1 人工智能辅助肺癌诊疗一体化
人工智能（AI）辅助肺癌诊疗一体化指充分运用可供利用的、合适的计算机技术，针对半结构化或非结构化医学问题，通过人机交互方式来改善和提高决策效率[1]。现有 AI 均存在高假阳性率（FP）及低灵敏度的问题，所以任何用于检测肺结节的计算机辅助决策（CAD）目标都是实现低 FP 和高灵敏度[2]。其解决方案包括 4 个方面：（1）AI 辅助肺癌的影像学诊断；（2）AI 辅助肺癌病理学诊断；（3）AI 辅助肺癌诊疗决策系统；（4）AI 辅助肺癌单病种数据库的建设和使用。
针对肺癌领域，目前研究的热点和难点问题主要是如何在术前准确判断肺结节的良恶性。因为肺结节的良恶性会决定术中手术方案，但是术中冰冻的等待时间过长，这样不仅会延长手术时间，还会限制当日手术台次，AI 辅助肺癌诊疗一体化可以极大提升就诊效率，缩短患者就诊时间。目前 AI 阅片在国内已经在小范围内实施，主要的问题还是肺结节的漏诊率及误诊率问题，有不少学者针对这方面进行了研究，包括采用自动双读系统来检测肺结节的差异[3]，建立针对磨玻璃结节、混合磨玻璃结节及实性结节的专门的 CAD 模型[4]，且对良恶性不同表现特征进行分类[5]，使用 AI 能基于 CT 对肺结节进行分类[6]、3D 卷积深度学习[7]，不受监督的学习图像特征，并自动学习、更新、纠正错误[8]。
由厦门大学附属第一医院以及国内领先医疗大数据及 AI 开发企业零氪科技共同建设搭建“人工智能肺部小结节辅助诊断及肺癌诊疗辅助决策系统临床应用数据平台”。该平台的创新性在于：（1）数据平台的数据将整合多种临床数据（如既往病史、影像、手术、病理、基因等），这些不同维度的临床数据将按照时间线为轴进行整合与结构化，可用于整个肺癌患者从早期筛查、诊断、治疗、预后整个路径上各类 AI 产品应用的训练与验证；并且利用双人标注加专家仲裁的方式保证数据的专业性与准确性[9]；（2）整个数据库按照时间为主线，将患者从入院检查到最终出院康复的多种临床数据予以整合，可用于早期筛查、辅助诊断、推荐治疗、预后预测等不同方向的肺癌 AI 产品的训练与临床验证；适用的 AI 场景：患者从入院检查到出院随访整个路径上的重要节点均适用（如早期筛查、辅助诊断、治疗推荐、预后预测等）。
患者从就诊至手术当日需要做大量的检查以便进行术前评估，同时我们也需要收集大量的临床信息，而将信息整合及标签化的过程复杂，涉及多种类型数据的读取与传输，此外，多种临床数据时间存在跨度，整合难度大。肺癌诊疗辅助决策及带标签整合数据自动生成系统，通过辅助决策系统的应用，由临床医生确认并编辑，并经过在线双重标注系统比对后，实时向数据平台扩充带标签的整合数据。数据库中所有数据都会以时间线为轴统一整合，某时间节点新增特征的加入可以影响此时间节点前的整合数据标签。同时，整合标签数据库可支持多任务 AI 的验证，灵活根据应用场景切换输入特征与验证标签。
患者就诊日当天会常规检查胸部 CT，但是随着薄层扫描的普及及应用，就诊量大的情况下，影像学医生的阅片量会增加。而肺小结节辅助诊断系统根据带结节标签的胸部 CT 影像数据，应用多种算法处理，最终输出一份肺部结节诊断报告，以供医生参考辅助诊断。诊断报告内容包含所有结节的位置（x、y、z 轴坐标）、长径、密度、体积、性质及结节良恶性等信息[10]。因此，系统模块主要包含原始 CT 影像的读取二次检验、肺部区域识别、肺内结节检测、结节大小信息测量、结节密度信息测量、结节维度良恶性判别、患者维度良恶性判别以及报告自动生成等。本系统应用了多种图像处理技术和主流深度学习算法对 CT 影像数据进行处理，如图像形态学变换算法和 3D 卷积神经网络，深度学习被认为是一种很有前途的恶性结节分类工具。目前，这些工具的灵敏度仅为中等，大多数研究包括直径达 30 mm 的较大结节。较大的结节导致数据集有偏差，因为大多数肺癌通常比良性结节大。因此，深度学习方法是识别肺癌特有的结节特征，还是主要根据大小对结节进行简单分层，仍然存在争议。有学者[11]通过使用卷积神经网络以高度确定的方式识别良性结节，并建议可以排除这些结节，从而避免了进一步检查的需要，这将大大减少临床医师的工作量。在我们的研究中，经过医生检验的带标签的影像数据也通过结合系统预测结果和医生修改记录自动生成。所有影像标签均会通过在线双重标注及标注质量验证系统进行检验和仲裁，保证肺结节影像数据库标签准确率达 98% 以上，肺结节属性特征覆盖率达 90% 以上。目前数据方面已经储备了超过万例的肺癌影像数据，肺小结节辅助诊断系统也已进入小试阶段，经过一系列的开发与完善，系统成功应用并构建出万例以上高质量标签的影像数据库具有可行性。
但 AI 所有的诊断都是基于人的思考，AI 所学会的东西都是人脑先学会再将程序录入其中，当样本量越来越大，AI 形成一定的记忆，再进行不断的锻炼及发现错误，才有了诊断准确率更高的 AI 辅助系统，所以 AI 结果不是百分百正确的，会存在一定的误差，我们要做的就是将误差降到最低，利用现有的临床数据最大程度地造福患者[12]。
2 术前三维重建和手术计划系统
三维重建技术作为 AI 辅助外科的一部分在临床应用中越来越多，使用计算机软件通过对 CT、磁共振成像（MRI）、正电子发射计算机断层显像（PET-CT）、数字减影血管造影（DSA）等图像信息进行三维图像重建，医生可以更加直观地看清楚病灶及病灶周围血管，术者在手术前心中更加有底，手术中借助三维重建图像看清患者肺部精细结构，帮助医生制定合理的手术方案。这种方法对于复杂而又精细的外科手术来说，可以大大提高肿瘤定位的精确度[13]。CT 三维重建肺血管、支气管图像有助于进行精准的解剖性肺段切除，使胸腔镜复杂肺段切除安全、便利，特别是对于结节位置较深、血管解剖有变异的患者来说，三维重建的优势就特别明显。根据患者 CT、超声、MRI 的检查数据，计算机绘制三维影像，直观重现人体组织和器官的病理特征及数据，辅助临床医生制定术前手术规划。但是，术前重建图像与术中的实际解剖有一定差异。这是因为患者在做胸部 CT 检查时，肺是处于膨胀的状态；而胸腔镜手术时肺往往处于萎陷状态。两种不同状态下，肺血管、支气管的走行不是完全一致的。其次，三维重建极其依赖图像的扫描质量，一旦扫描期相把握不好，会增加重建的难度，从而影响后续的工作开展。且并非每例患者都有做增强 CT 的必要，因而，为了让 CT 三维成像导航肺小结节在肺段切除中得到广泛的应用，还需要放射科医生的帮助[14]。肺部三维重建对于医生的解剖要求较高，并且费时，但其对于患者却是非常有利的，特别是对于肺段切除术、解剖有变异的患者来说，三维重建可以一定程度上降低手术风险。
通过术前三维重建结合达芬奇机器人手术选择的手术切口，符合机器人手术操作系统的要求，不仅给术者提供了清晰视野及方便的操作空间，而且此方法简单易行，加快术前准备速度，缩短手术时间、提高效率[15]；且可克服胸腔镜辅助胸外科（VATS）的现有局限性，特别是在延长切除的情况下，从而能够进一步提高微创操作的比例。
3 机器人手术中的人工智能
达芬奇手术系统使外科医生在胸内手腕运动中有 7 个自由度，并提供了高清晰度三维视觉的新可能性。该系统通过提高手术每一步的精度和在干预过程中消除任何震颤来帮助外科医生。虽然一般术语“机器人手术”通常适用于达芬奇手术系统，但它不是严格意义上的机器人手术，因为它不能被编程，也不能自己决定移动或执行任何类型的手术操作。有研究[16]表明，与腔镜手术相比较，达芬奇机器人手术治疗Ⅰ期非小细胞肺癌，淋巴结清扫更加彻底，虽然机器人手术的手术时间及手术费用长于和高于普通腔镜手术，但是其疗效更好、并发症更少。从达芬奇机器人问世至今十几年的时间，我们对于其研究正在慢慢深入，虽然目前还处在不断摸索的阶段，但相信在不远的未来，达芬奇机器人的应用会越来越多，并更多地为大家所接受。
机器人辅助手术的定义不是 AI，尽管这个术语在这个背景下经常被错误地使用。达芬奇外科系统为临床实践提供了许多智能解决方案，但它不是自主机器人手术。该机器人是一个用来增强外科医生能力的工具，而不是替代外科医生。外科医生可以控制机器人的每一个动作；该系统实时模拟外科医生的手部动作。如果有任何可能使患者面临危险的困难，外科医生可以转换并切换到一个传统的切口。但随着 AI 的出现，未来机器人系统似乎有可能能够完全自己进行干预，并适应不同的场景。事实上，在 2016 年，Shademan 等[17]比较了监督自主系统［智能组织自主机器人（STAR）］、人工腹腔镜手术和临床使用的机器人辅助手术之间的肠吻合指标（平均吻合间距、吻合泄漏的压力、需要从组织中取针的错误次数、完成时间和肠吻合腔减少的一致性）。基于这些指标，STAR 的监督自主性超过了机器人辅助手术、腹腔镜方法和手动手术的性能。此研究表明，自主手术是可行的。外科医生和 STAR 系统之间的交互式适应决策和执行为有趣地新增加外科医生的可能性铺平了道路。STAR 系统证明了在猪身上进行缝合的可行性，但尽管有进一步的研究，到目前为止还没有申请食品药品监督管理局的批准。
4 人工智能在肺癌辅助诊断中应用的发展与展望
AI 改变筛选、诊断和医疗保健管理方法的规模是巨大的，因为它能够分析大数据的非结构化数据，从错误中学习，得出相关结论，这可能是决策的宝贵帮助。胸外科医生应该增加他们在这一领域的知识，并了解 AI 技术如何影响他们的临床实践，以及他们与呼吸学家、病理学家和放射学家的合作。胸外科医生应该是评估 AI 的相关性和验证其在日常实践中应用的关键参与者。这将需要与 AI 工程师、AI 程序员、AI 开发人员、医院管理和医疗保健管理领导建立密切的合作。AI 是未来创新医疗的发展方向。而高质量数据的建设不是单单依靠社会资本及企业能够独立完成及实现的，需要通过国内权威医疗机构、医学专家的主导，对患者诊疗病案进行梳理、建模、标注，建立数据标准及验证体系，才能更加系统、有效地带动 AI 医疗技术水平的提升[18]。
我国人口众多，肺癌的发病率一直居高不下，中晚期肺癌的 5 年生存率仍然低，肺癌的早期筛查就极为重要。尽管肺结节的发病率和临床意义很大，放射科医生偶尔还是不能发现肺结节[19]。在我国，薄层 CT 扫描技术已经普及至基层医院，如果将人工阅片技术推广应用，将会大大提高基层医院早期肺癌的检出率。未来希望推动我国肺癌治疗领域中 AI 类辅助诊断和诊疗系统的技术水平不断发展，通过 AI 系统应用于临床实践，以达到准确、快捷、简便的临床辅助诊断及决策，推动一二级医院诊疗水平[20]。
利益冲突：无。
作者贡献：姜杰设计思路、撰写并修改论文；耿国军撰写并修改论文；朱晓雷、张潇文查阅资料、参与撰写论文。