本文系統(tǒng)闡述了人工智能技術(shù)在肺部腫瘤早期篩查、病理診斷、預(yù)后評(píng)估、手術(shù)導(dǎo)航和免疫治療等方面的研究進(jìn)展，相信人工智能技術(shù)必將為肺癌的診治帶來(lái)新的機(jī)遇，并將有助于提高肺癌患者的總生存率和生活質(zhì)量。
肺癌的發(fā)病率和死亡率在全球排名第一，是全球腫瘤相關(guān)死亡的主要原因。隨著人類癌癥基因組的解碼和針對(duì)驅(qū)動(dòng)突變的療法的出現(xiàn)，目前治療能更精確選擇靶向特定基因進(jìn)行治療。與常規(guī)化學(xué)治療相比，靶向藥物具有更高的反應(yīng)率和更少的毒性。此外，隨著對(duì)腫瘤細(xì)胞與免疫系統(tǒng)相互作用的深入理解，目前還發(fā)展出新的針對(duì)抗腫瘤免疫的治療策略 [1]。
然而，雖然研究人員在診斷和治療方面已取得顯著進(jìn)展，但晚期非小細(xì)胞肺癌（non-small cell lung cancer，NSCLC）患者的 5 年總體生存率變化不顯著，且肺癌的發(fā)病率未見(jiàn)明顯下降 [2]。
對(duì)于肺癌只有做到「早期檢測(cè)、正確診斷、精準(zhǔn)治療」，才能從根本上延長(zhǎng)患者生存期，提高患者生活質(zhì)量。人工智能為當(dāng)前行業(yè)科技化發(fā)展的核心特征，得益于計(jì)算機(jī)技術(shù)的發(fā)展和硬件的提升，將人工智能用于醫(yī)療領(lǐng)域大大加速了醫(yī)學(xué)技術(shù)革命。鑒于肺癌的高發(fā)病率和高死亡率，人工智能在肺癌中的研究和應(yīng)用進(jìn)展極為迅速，本文就人工智能技術(shù)在肺癌中的應(yīng)用現(xiàn)狀作一綜述。
1.人工智能技術(shù)用于肺結(jié)節(jié)篩查
1.1 計(jì)算機(jī)輔助診斷（computer-aided diagnosis，CAD）系統(tǒng)
目前，越來(lái)越多的肺結(jié)節(jié)在檢查中被發(fā)現(xiàn)，雖然大部分肺結(jié)節(jié)為良性病變，但仍有較高比例的早期肺癌。直徑＞3 cm 的肺結(jié)節(jié)惡變的可能性非常高，因此需高度重視肺結(jié)節(jié)的篩查。肺結(jié)節(jié)篩查工作量大，易漏診，且醫(yī)師在檢出肺結(jié)節(jié)后需準(zhǔn)確判別其良惡性，為下一步治療提供建議。
基于上述問(wèn)題，科研人員和企業(yè)投入大量物力和財(cái)力研發(fā)輔助醫(yī)師篩查肺結(jié)節(jié)的人工智能系統(tǒng)，以幫助放射科醫(yī)師迅速定位疑似結(jié)節(jié)，并提出診斷意見(jiàn)和治療建議，從而減少誤診和漏診。基于此，各種 CAD 工具正不斷開(kāi)發(fā)，研究表明 CAD 系統(tǒng)能幫助醫(yī)師識(shí)別更多結(jié)節(jié) [3]；此外，其還可通過(guò)結(jié)節(jié)容積法評(píng)估結(jié)節(jié)惡性腫瘤的惡性程度和治療反應(yīng)，客觀分析結(jié)節(jié)形態(tài)，優(yōu)化工作流程 [4]。
1.2 結(jié)節(jié)圖像數(shù)據(jù)庫(kù)
CAD 系統(tǒng)可幫助放射科醫(yī)師早期快速定位疑似結(jié)節(jié)。然而，其在進(jìn)行肺結(jié)節(jié)檢測(cè)、分類和定量評(píng)估時(shí)必須有一個(gè)完善、可重復(fù)的計(jì)算機(jī)斷層掃描（computed tomography，CT）數(shù)據(jù)庫(kù)，如肺圖像數(shù)據(jù)庫(kù)聯(lián)盟（Lung Image Database Consortium，LIDC）和圖像數(shù)據(jù)庫(kù)資源計(jì)劃（Image Database Resource Initiative，IDRI）聯(lián)合建立的 LIDC/IDRI 數(shù)據(jù)庫(kù)。
該數(shù)據(jù)庫(kù)由國(guó)家癌癥研究所發(fā)起，國(guó)家衛(wèi)生研究院基金會(huì)推動(dòng)，并由食品藥品監(jiān)督管理局、7 個(gè)學(xué)術(shù)中心和 8 個(gè)醫(yī)學(xué)影像公司共同參與，包含 1 018 例病例，每例均包含臨床胸部 CT 掃描圖像和相關(guān)的 XML 文件，且該文件由 4 位經(jīng)驗(yàn)豐富的放射科醫(yī)師進(jìn)行兩階段圖像注釋。
在初始階段，每位放射科醫(yī)師獨(dú)立檢查每次 CT 掃描圖像，并標(biāo)記屬于 3 種類型的病變（結(jié)節(jié) ≥ 3 mm、結(jié)節(jié)＜3 mm 和非結(jié)節(jié) ≥ 3 mm）；在第 2 階段，每位放射科醫(yī)師檢查自己的標(biāo)記和其他 3 位放射科醫(yī)師的匿名標(biāo)記，給出最終意見(jiàn)。最終該數(shù)據(jù)庫(kù)包含至少 1 位放射科醫(yī)師標(biāo)記為「結(jié)節(jié)」的 7 371 例病變，其中 2 669 例被至少 1 位放射科醫(yī)師標(biāo)記為「結(jié)節(jié) ≥ 3 mm」，且有 928 例（34.7%）4 位放射科醫(yī)師均進(jìn)行了如此標(biāo)記。
LIDC/IDRI 數(shù)據(jù)庫(kù)為醫(yī)學(xué)圖像研究社區(qū)提供了一個(gè)公開(kāi)的參考，為推動(dòng) CAD 在臨床實(shí)踐中的發(fā)展、驗(yàn)證和傳播提供重要的醫(yī)學(xué)影像研究資源 [5]。我國(guó)肺癌患者數(shù)量多，目前各大醫(yī)院都有自己的肺結(jié)節(jié) CT 數(shù)據(jù)集，但尚未見(jiàn)類似 LIDC/IDRI 數(shù)據(jù)庫(kù)的中國(guó)版本。
1.3 人工智能技術(shù)在肺結(jié)節(jié)篩查中的應(yīng)用
有學(xué)者研發(fā)了一種檢測(cè)早期肺結(jié)節(jié)的新型 CAD 系統(tǒng)，該系統(tǒng)主要由肺實(shí)質(zhì)分割、結(jié)節(jié)候選檢測(cè)、特征提取（共 22 個(gè)特征）和結(jié)節(jié)分類 4 個(gè)部分組成，并使用 LIDC/IDRI 數(shù)據(jù)集中的公開(kāi)數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試。從 80 個(gè) CT 掃描圖像中選擇 6 400 張圖片，共包含 978 個(gè)結(jié)節(jié)，由 4 位放射學(xué)家標(biāo)記。
該 CAD 系統(tǒng)通過(guò)快速分割法將肺結(jié)節(jié)分為 888 個(gè)真結(jié)節(jié)和 11 379 個(gè)假陽(yáng)性結(jié)節(jié)，采用集成分類器隨機(jī)森林（random forest，RF）診斷良惡性的準(zhǔn)確率、靈敏度、特異度和受試者工作特征（receiver operating characteristic，ROC）曲線下面積（area under curve，AUC）分別為 93.2%、92.4%、94.8% 和 97.6%；與支持向量機(jī)（support vector machine，SVM）分類器相比，其使用的 RF 能降低假陽(yáng)性率，獲得更高的 AUC [6]。
另有研究者利用 LIDC/IDRI 數(shù)據(jù)集的圖像開(kāi)發(fā)了肺結(jié)節(jié)篩查的 CAD 方法。該方法采用圖像處理和模式識(shí)別技術(shù)，還使用閔可夫斯基函數(shù)、距離度量、點(diǎn)度量向量表示、三角度量和羊齒直徑，最后應(yīng)用遺傳算法選擇最優(yōu)模型和 SVM 進(jìn)行分類；最終該方法診斷良惡性的準(zhǔn)確率、靈敏度、特異度分別為 93.19%、92.75%、93.33% [7]。隨后的一項(xiàng)研究也利用 LIDC/IDRI 數(shù)據(jù)集中的圖像開(kāi)發(fā)了一種用于肺結(jié)節(jié)分類的方法。該方法同樣采用圖像處理和模式識(shí)別技術(shù)，并使用形狀測(cè)量，通過(guò)形狀圖、比例測(cè)量和基于圓柱的分析判別結(jié)節(jié)形狀，隨后將該方法應(yīng)用于 LIDC/IDRI 數(shù)據(jù)庫(kù)中的 833 幅圖像，并進(jìn)行 k 重交叉驗(yàn)證，最終其分類結(jié)節(jié)與非結(jié)節(jié)的平均準(zhǔn)確率為 95.33% [8]。
CT 檢測(cè)肺結(jié)節(jié)所得圖像為多維度圖像。三維卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）能充分利用肺結(jié)節(jié)的空間三維上下文信息，采用多視角策略，提高二維 CNN 對(duì)肺結(jié)節(jié)的分類和靈敏度，減少假陽(yáng)性率。有研究對(duì) CT 檢測(cè)肺結(jié)節(jié)的自動(dòng)三維技術(shù)進(jìn)行了綜述，其中有幾項(xiàng)研究被認(rèn)為有助于醫(yī)療診斷輔助工具的構(gòu)建，但仍需注意改善和優(yōu)化算法，以提高對(duì)不同大小和形狀的不同種類結(jié)節(jié)的檢測(cè)能力、與電子病歷系統(tǒng)和相關(guān)圖像存檔和通信系統(tǒng)的整合能力 [9]。
一項(xiàng)研究利用三維 CNN 從 CT 圖像中自動(dòng)檢測(cè)肺結(jié)節(jié)，與二維 CNN 相比，三維 CNN 可對(duì)更豐富的空間信息進(jìn)行編碼，通過(guò)分層提取更有代表性的特征 [10]。
另一項(xiàng)研究利用三維多視點(diǎn)卷積神經(jīng)網(wǎng)絡(luò)（multiple view-convolution neural network，MV-CNN）對(duì)肺結(jié)節(jié)進(jìn)行分類，該網(wǎng)絡(luò)具有鏈結(jié)構(gòu)和有向無(wú)環(huán)圖結(jié)構(gòu)，包括三維 Inception 和三維 Inception-ResNet；對(duì) LIDC/IDRI 數(shù)據(jù)集中的 CT 圖像進(jìn)行二值分類（良性、惡性）和三元分類（良性、原發(fā)性惡性和轉(zhuǎn)移性惡性），可發(fā)現(xiàn)三維 MV-CNN 的性能優(yōu)于二維 MV-CNN，最終三維 Inception 網(wǎng)絡(luò)在二值分類上的錯(cuò)誤率為 4.59%，在三元分類的錯(cuò)誤率為 7.70% [11]。
目前，基于人工智能技術(shù)的肺結(jié)節(jié)篩查大賽也在迅速展開(kāi)，比較知名的有天池醫(yī)療人工智能大賽（TianCHi）、LUNA16 和 Kaggle 大賽。TianCHi 以「人工智能輔助醫(yī)療決策」為主題開(kāi)發(fā)算法模型，檢測(cè) CT 圖像中的肺結(jié)節(jié)區(qū)域；大賽數(shù)據(jù)集包含數(shù)千份高?；颊叩牡蛣┝糠尾?CT 圖像（mhd 格式），每張圖像包含一系列胸腔的多個(gè)軸向切片，層厚＜2 mm，其原始圖像為三維圖像，由不同數(shù)量的二維圖像組成（https://tianchi.aliyun.com/competition）。
LUNA16 使用公開(kāi)可獲得的 LIDC/IDRI 數(shù)據(jù)庫(kù)，數(shù)據(jù)集中切片厚度均＜2.5 mm，共有 888 份肺部 CT 樣本，比賽參考標(biāo)準(zhǔn)是 4 位放射科醫(yī)師中有 3 位接受的＞3 mm 的結(jié)節(jié)；參與者提出的算法模型靈敏度均超過(guò) 95%。4 位放射科醫(yī)師的最終觀察表明，最好的人工智能系統(tǒng)可以檢出那些最初注釋 LIDC/IDRI 數(shù)據(jù)的專家漏診的小結(jié)節(jié) [12]。
Kaggle 數(shù)據(jù)集中有 1 000 張來(lái)自高?；颊叩牡蛣┝糠尾?CT 圖像（dicom 格式），每張圖像包含多個(gè)胸部的軸向切片；該比賽的任務(wù)是建立一種自動(dòng)化方法以確定患者是否會(huì)在 1 年內(nèi)被診斷出惡性腫瘤（https://www.kaggle.com/）。
2.人工智能技術(shù)用于肺癌病理診斷與分類
組織病理和細(xì)胞病理診斷是肺癌診療過(guò)程中不可或缺的一環(huán)。有研究者擬通過(guò)人工智能技術(shù)對(duì)不同類型肺癌（腺癌、鱗狀細(xì)胞癌、小細(xì)胞癌）進(jìn)行分類，以提高病理診斷的準(zhǔn)確性和穩(wěn)定性。該研究開(kāi)發(fā)了一種利用深度卷積神經(jīng)網(wǎng)絡(luò)（deep convolution neural network，DCNN）的自動(dòng)分類方案，由 3 個(gè)卷積層、3 個(gè)池化層和 2 個(gè)全連接層組成，顯微圖像的分辨率為 256×256 像素；為防止過(guò)度擬合，通過(guò)旋轉(zhuǎn)收集圖像增強(qiáng)、翻轉(zhuǎn)、過(guò)濾，利用三重交叉驗(yàn)證對(duì)分類精度進(jìn)行評(píng)估，結(jié)果約 71% 的圖像可被正確分類 [13]。該技術(shù)在識(shí)別肺癌細(xì)胞病理學(xué)過(guò)程中分類正確和錯(cuò)誤的典型圖例見(jiàn)圖 1 [13]。
根據(jù)病理切片富含的信息可對(duì)肺癌患者預(yù)后進(jìn)行精準(zhǔn)的判斷。一項(xiàng)研究使用腫瘤基因組圖譜（The Cancer Genome Atlas，TCGA）的 2 186 張肺腺癌和肺鱗狀細(xì)胞癌的石蠟組織切片的全掃描圖像以及 294 張組織微陣列（tissue microarray，TMA）數(shù)據(jù)庫(kù)的圖像，抽取了 9 879 張圖像的定量特征并運(yùn)用機(jī)器學(xué)習(xí)算法選取排名靠前的特征，結(jié)果顯示這些特征可以很好地預(yù)測(cè)肺腺癌（P＜0.003）和肺鱗狀細(xì)胞癌（P＜0.023）患者的生存時(shí)間。
此外，利用 TMA 數(shù)據(jù)庫(kù)中的數(shù)據(jù)驗(yàn)證評(píng)估模型的準(zhǔn)確性發(fā)現(xiàn)，其預(yù)測(cè)這 2 類腫瘤的準(zhǔn)確性差異有統(tǒng)計(jì)學(xué)意義（P＜0.036），結(jié)果充分表明自動(dòng)獲取的病理圖像特征可幫助預(yù)測(cè)肺癌患者的預(yù)后 [14]。
3.人工智能技術(shù)預(yù)測(cè)肺癌患者的預(yù)后
Sesen 等 [14] 利用貝葉斯網(wǎng)絡(luò)（Bayesian network，BN）結(jié)合肺癌臨床數(shù)據(jù)為肺癌患者制定個(gè)性化的生存預(yù)測(cè)和治療選擇。該研究基于英國(guó)肺癌數(shù)據(jù)庫(kù)（lung cancer audit database，LUCADA）評(píng)估了 BN 進(jìn)行生存預(yù)測(cè)和治療選擇的可行性，同時(shí)比較了各種因果發(fā)現(xiàn)方法的性能，從專家知識(shí)和數(shù)據(jù)中探尋最可行的網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)果顯示 BN 的 ROC AUC 僅為 0.75±0.03，而經(jīng) CAMML（causal minimum message length）混合因果結(jié)構(gòu)發(fā)現(xiàn)算法學(xué)習(xí)后其 AUC 可達(dá) 0.81±0.03。
Lynch 等 [16] 將線性回歸、決策樹、梯度增強(qiáng)機(jī)（gradient boosting machine，GBM）、SVM 和自定義集成等大量監(jiān)督學(xué)習(xí)技術(shù)用于 SEER（Surveillance，Epidemiology and End Results Program）數(shù)據(jù)庫(kù)，通過(guò)對(duì)腫瘤分級(jí)、大小、階段和數(shù)量，以及患者性別、年齡的初選，對(duì)肺癌患者的生存進(jìn)行分類，最終比較不同方法的預(yù)測(cè)能力。
結(jié)果顯示，預(yù)測(cè)性能最好的技術(shù)是自定義集成，其根均方差（RMSE）值為 15.05。在生成的 5 個(gè)單獨(dú)模型中，最精確的模型為 GBM（RMSE 值為 15.32），雖然 SVM 的 RMSE 值為 15.82，但統(tǒng)計(jì)分析將其作為唯一生成獨(dú)特輸出的模型。表明這些監(jiān)督學(xué)習(xí)技術(shù)應(yīng)用到肺癌 SEER 數(shù)據(jù)庫(kù)中可以用來(lái)評(píng)估患者的生存時(shí)間，告知患者護(hù)理決策的最終目標(biāo)。
4.導(dǎo)航輔助的計(jì)算機(jī)視覺(jué)系統(tǒng)與肺癌診療
隨著早期肺癌檢出率的提高，肺癌治療理念也發(fā)生相應(yīng)改變，目前認(rèn)為不僅要消除腫瘤，還要最大程度保留肺功能。因此，介入消融、胸腔鏡切除等微創(chuàng)手術(shù)治療肺癌的方式進(jìn)入了「段時(shí)代」。通過(guò)影像檢查進(jìn)行腫瘤及周邊組織的三維重建可以對(duì)肺癌手術(shù)評(píng)估精準(zhǔn)到肺支氣管段、術(shù)前模擬手術(shù)導(dǎo)航、術(shù)中全程三維量化實(shí)時(shí)導(dǎo)航，最終實(shí)現(xiàn)全面、準(zhǔn)確和直觀助力肺癌的精準(zhǔn)手術(shù)或微創(chuàng)治療。
具體來(lái)說(shuō)，手術(shù)前通過(guò)智能手段精準(zhǔn)定位出病灶位置及病灶與周圍血管、氣管、支氣管段的空間毗鄰關(guān)系，從而通過(guò)交互式三維模型實(shí)施虛擬手術(shù)。術(shù)中將影像實(shí)時(shí)交互定量化技術(shù)帶入微創(chuàng)介入導(dǎo)航，機(jī)器人全程實(shí)時(shí)定位手術(shù)器械，臨床醫(yī)師根據(jù)需要任意調(diào)整分割面的位置、角度、曲度，調(diào)整進(jìn)針點(diǎn)、進(jìn)針角度和深度、進(jìn)針路徑及消融范圍等。
該方式對(duì)各類胸腹部腫瘤微創(chuàng)介入手術(shù)（如射頻消融、微波消融、冷凍消融等）均能起到輔助作用，智能外科理念在手術(shù)治療的各個(gè)環(huán)節(jié)都會(huì)得到體現(xiàn)。
在支氣管鏡檢查中，導(dǎo)航輔助的計(jì)算機(jī)視覺(jué)系統(tǒng)是極具吸引力的低成本解決方案，其可以指導(dǎo)內(nèi)窺鏡醫(yī)師對(duì)周圍病變進(jìn)行活組織檢查和組織學(xué)分析。有研究提出一種解耦的深度學(xué)習(xí)體系結(jié)構(gòu)，將輸入幀投射到 CT 渲染的領(lǐng)域，允許從特定患者的 CT 掃描數(shù)據(jù)中進(jìn)行離線訓(xùn)練。
在圖形處理單元（graphic processing unit，GPU）上實(shí)現(xiàn)了一個(gè)完整的卷積網(wǎng)絡(luò)體系結(jié)構(gòu)，并在一個(gè)包含 32 個(gè)視頻序列和 60 000 幀的偽數(shù)據(jù)集上進(jìn)行測(cè)試；研究結(jié)果顯示該體系的平均深度估計(jì)精度為 1.5 mm，比傳統(tǒng)的輸入幀直接深度估計(jì)高出 60%，計(jì)算時(shí)間為 30 ms，估計(jì)的深度與真實(shí)情況相似 [17]。
計(jì)算機(jī)輔助技術(shù)在肺癌切除中應(yīng)用的研究較多，一項(xiàng)研究分析了機(jī)器人輔助胸椎手術(shù)（robot-assisted thoracic surgery，RATS）與視頻輔助胸椎手術(shù)（video-assisted thoracic surgery，VATS）對(duì) NSCLC 患者肺葉切除的可行性和安全性；該研究納入了 12 項(xiàng)隊(duì)列研究，共 60 959 例患者，結(jié)果顯示 RATS 術(shù)后死亡率明顯低于 VATS，但這與其中 6 項(xiàng)匹配研究的結(jié)果不一致，兩種術(shù)式的發(fā)病率差異并無(wú)統(tǒng)計(jì)學(xué)意義 [18]。
另一項(xiàng)研究開(kāi)發(fā)了一套基于知識(shí)的治療規(guī)劃算法，并將該算法應(yīng)用于行立體定向體放射治療（stereotactic body radiotherapy，SBRT）的肺癌患者。該研究納入了治療肺癌患者的 105 個(gè) SBRT 計(jì)劃，包括 97 個(gè)調(diào)強(qiáng)放射治療（intensity-modulated radiotherapy，IMRT）、6 個(gè)旋轉(zhuǎn)調(diào)強(qiáng)放射治療（volumetric-arcradiotherapy，VMAT）和 2 個(gè)三維適形放射治療（conformal radiation therapy，CRT），結(jié)合上述技術(shù)進(jìn)行基于知識(shí)的模型（knowledge-based model，KBM）訓(xùn)練，多次驗(yàn)證結(jié)果表明 KBM 可用于產(chǎn)生與臨床計(jì)劃相當(dāng)?shù)姆伟?SBRT 計(jì)劃 [19]。
5.人工智能技術(shù)預(yù)測(cè)肺癌的免疫治療療效
腫瘤免疫治療是近幾年腫瘤治療領(lǐng)域最成功的方法之一，免疫治療方法很多，其中免疫檢查點(diǎn)抑制劑是國(guó)際腫瘤免疫治療的主要方向。T 淋巴細(xì)胞為人體免疫細(xì)胞，其表面表達(dá)程序性死亡蛋白 1（programmed cell death 1，PD-1），正常情況下能識(shí)別感染細(xì)胞并予以破壞，而腫瘤細(xì)胞表面表達(dá)程序性死亡蛋白配體 1（programmed cell death ligand 1，PD-L1），其與 T 淋巴細(xì)胞表面的 PD-1 結(jié)合后使 T 淋巴細(xì)胞失去鑒別能力，從而無(wú)法識(shí)別和殺死腫瘤細(xì)胞。PD-1 抑制劑可結(jié)合 PD-1，使 T 淋巴細(xì)胞重新識(shí)別并摧毀腫瘤細(xì)胞。
該療法的目的是調(diào)動(dòng)人體自身的免疫系統(tǒng)，阻斷 PD-1/PD-L1 信號(hào)通路，促使腫瘤細(xì)胞死亡，提高患者總生存率和生活質(zhì)量。如 PD-L1 抑制劑 durvalumab 可延長(zhǎng)局部晚期不可切除的Ⅲ期 NSCLC 患者的無(wú)疾病進(jìn)展時(shí)間（progression-freesurvival，PFS），durvalumab 組患者的中位 PFS 遠(yuǎn)高于安慰劑組（16.8 個(gè)月 vs 5.6 個(gè)月） [20]。
然而，針對(duì)免疫檢查點(diǎn)的治療并非對(duì)所有患者有效，目前主要是通過(guò)檢測(cè)腫瘤細(xì)胞的 PD-L1 表達(dá)水平判斷療效。Keynote-042 研究顯示 PD-L1 的表達(dá)與療效密切相關(guān)，PD-L1 表達(dá)水平越高，免疫治療給 NSCLC 患者帶來(lái)的獲益越明顯 [21]。
PD-L1 檢測(cè)方法簡(jiǎn)單、方便、直接，對(duì)染色技術(shù)要求不高，但存在較多問(wèn)題：（1）醫(yī)療資源的不平衡導(dǎo)致檢測(cè)方法和流程統(tǒng)一性差；（2）醫(yī)師判讀主觀性過(guò)強(qiáng)，主要根據(jù)形態(tài)學(xué)和陽(yáng)性染色分布，存在腫瘤異質(zhì)性、組織細(xì)胞染色、非特異性染色等多種干擾因素，為準(zhǔn)確評(píng)估染色結(jié)果，病理科一般會(huì)安排 2 位合格醫(yī)師對(duì)同一檢測(cè)結(jié)果實(shí)行背靠背判讀，不一致時(shí)則請(qǐng)第 3 位醫(yī)師或科內(nèi)討論，占用了醫(yī)師正常工作時(shí)間；（3）創(chuàng)造性差，顯微鏡下病理醫(yī)師只能判斷是否染色和染色強(qiáng)度，難以給出定量數(shù)據(jù)，而陽(yáng)性染色的定量以及與周圍組織的空間距離可能有助于預(yù)測(cè)療效和評(píng)估預(yù)后。
人工智能技術(shù)已成功應(yīng)用于腫瘤病理圖片中腫瘤細(xì)胞的分割、識(shí)別，也能準(zhǔn)確定量免疫組織化學(xué)染色結(jié)果。深度學(xué)習(xí)技術(shù)同樣可用于識(shí)別肺癌組織中 PD-L1 的表達(dá)，且其結(jié)果的客觀性和重復(fù)性強(qiáng)，不存在人為誤差；此外，其還能識(shí)別切片中的淋巴細(xì)胞、腫瘤細(xì)胞和間質(zhì)，通過(guò)三維重建顯示各種細(xì)胞間的空間分布，而這種空間分布也是判斷免疫治療療效的潛在因素之一 [22]。
綜上所述，人工智能技術(shù)在肺癌早期篩查、病理診斷和分類、預(yù)后評(píng)估、手術(shù)導(dǎo)航和免疫治療等方面都取得了一定進(jìn)展，證實(shí)了人工智能技術(shù)在肺癌診療中的可行性。然而，由于缺乏具體的臨床應(yīng)用場(chǎng)景、標(biāo)準(zhǔn)的數(shù)據(jù)庫(kù)（尤其是國(guó)內(nèi)）、統(tǒng)一的規(guī)范或?qū)＜夜沧R(shí)以及相應(yīng)的國(guó)家政策法規(guī)，肺癌人工智能的落地還需較長(zhǎng)一段時(shí)間，尚需科研工作者和企業(yè)踏實(shí)建立自己的數(shù)據(jù)庫(kù)和行業(yè)標(biāo)準(zhǔn)，突破技術(shù)瓶頸，為肺癌人工智能的發(fā)展作貢獻(xiàn)。
