首页 > 文章详情

从辅助识别到临床决策：AI参与临床诊疗的边界在哪里？

07月13日

编译：肿瘤资讯

来源：肿瘤资讯

近年来，人工智能（AI）在医学领域的应用不断扩展，已从影像识别和文书处理，逐渐延伸至辅助诊断、风险评估和治疗决策支持。例如，在肺癌诊疗中，AI也开始进入筛查诊断、治疗辅助和随访管理等环节，成为临床实践中需要纳入临床管理和规范讨论的新工具。
随着AI应用场景逐渐增多，临床关注点也在发生变化。相比讨论AI是否会进入肺癌诊疗，更现实的问题是：AI已经参与部分临床流程后，应如何明确其适用场景、复核责任和使用边界。虽然AI可以提高信息处理效率，但在治疗选择和处方等高风险环节，仍需要医生结合患者具体情况进行判断。
基于此，本文结合肺癌专病共识、肺结节相关研究及近期泛肿瘤/泛医学AI文献，围绕AI在临床中的应用边界、医生核验和患者信任展开讨论。

AI目前更多用于可复核的临床环节

在肺癌领域，2026版《人工智能应用于肺癌筛诊疗的专家共识》已经将AI纳入筛查、诊断和治疗辅助等具体流程中讨论，涉及肺结节检出、良恶性鉴别、数字病理、驱动基因无创预测、手术规划、放疗靶区勾画和随访预警等方向[1]。这说明，AI在肺癌诊疗中的应用正在从技术探索转向规范化讨论。
从目前证据看，AI更适合优先用于任务边界清楚、结果可复核的环节。2026年发表于JAMA Network Open的一项肺结节研究显示，机器学习算法联合术中分子影像，可为肺结节恶性潜能判断提供较快的辅助参考[2]。这类应用的价值在于补充医生判断，提高局部流程效率，而不是替代诊断。

因此，在肺癌诊疗中，AI较适合先进入筛查影像评估、病理与分子信息提示、手术或放疗辅助规划、随访风险预警等环节。这些场景的共同特点是输入相对明确、结果可以由医生复核，AI输出也更容易被纳入现有临床流程。

从辅助识别到治疗决策，医生核验不能缺位

肺癌治疗决策较难被完全标准化。相比影像识别，治疗方案制定更依赖患者完整病程，包括疾病阶段、分子检测结果、既往治疗反应和患者耐受情况等。尤其在靶向治疗、免疫治疗及耐药后方案调整中，临床医生面对的往往是连续决策，而非单一判断。

因此，AI在治疗决策中的价值，更适合作为信息整理和方案提示。目前，AI工具已经被用于信息检索、病例整理和辅助判断等场景，但临床人员仍需要对AI输出进行高频核验[3]。这一结果提示，AI可以进入肿瘤临床工作流，但其输出仍需医生结合患者具体情况进行判断。

而在处方环节中更需要审慎处理。JAMA文章《The First AI Drug Prescriber》讨论了AI无医生参与续方所引发的监管、责任和患者安全问题[4]。该案例为AI进入处方行为提供了重要提醒：当AI建议进一步影响用药决策时，临床不仅要关注模型表现，还需要明确责任边界和风险告知。AI可以用于辅助证据整理和方案参考，但最终治疗选择和处方决策仍应由医生结合患者病情、循证证据和沟通结果完成。

用好AI，需要医生能力和患者信任共同支撑

AI进入临床后，医生需要理解AI的适用范围，识别其可能存在的偏倚，并评估输出结果是否可靠[5]。这意味着医生不必成为算法专家，但需要判断AI建议是否适用于具体患者。

患者信任同样影响AI的临床落地，患者对AI的接受度与AI性能、医生参与、监管批准、数据代表性和透明告知等因素相关[6]，医生需要向患者说明AI用于哪个环节、结果如何被复核，以及最终决策如何形成。

因此，AI的规范使用不只依赖技术本身，也需要较清晰的临床流程。医疗机构应明确工具准入和人工复核要求，医生则需要在使用过程中保留判断和解释责任。只有在医生能够理解并核验AI输出、患者能够理解其作用边界的前提下，AI才更可能成为稳定的临床辅助工具。

总结

AI进入临床诊疗已经成为明确趋势。它可以帮助医生提高信息处理效率，优化部分临床流程，也可能在筛查、影像评估、术中辅助和随访预警等场景中发挥实际价值。

但越接近治疗选择和处方环节，AI的应用越需要保持审慎。未来的重点，应是先明确哪些场景适合使用，再通过医生核验保证结果可靠，并在医患沟通和制度建设中逐步固定其作用边界。只有这一过程不断完善，AI才可能成为肺癌诊疗中稳定、可靠的辅助工具。

责任编辑：肿瘤资讯-Yume
排版编辑：肿瘤资讯-Yume

参考文献

1. 中国医师协会胸外科医师分会. 人工智能应用于肺癌筛诊疗的专家共识（2026版）. 中国胸心血管外科临床杂志. 2026;33(6):1-9.、2. Azari F, Kennedy GT, Hanna A, et al. Machine Learning–Guided Detection of Malignancy of Lung Nodules With Molecular Imaging–Guided Surgery. JAMA Netw Open. 2026;9(1):e2551734.
3. Leyfman Y, Yost C, Nadar S, et al. Real-world artificial intelligence use in oncology practice: High clinician verification amid critical governance gaps. J Clin Oncol. 2026;44(19_suppl):353.
4. Aaron DG, Robertson C. The First AI Drug Prescriber. JAMA. 2026;335(18):1567-1568.
5. Hunt VM, Sprehe LK, de Lomba WC, et al. What the AI era doctor should know: a scoping review of proposed artificial intelligence competencies for medical education. npj Digit Med. 2026. doi:10.1038/s41746-026-02761-9 I
6. Bracic A, Spector-Bagdady K, Towle S, et al. Factors for Patient Trust and Acceptance of Medical Artificial Intelligence. JAMA Netw Open. 2026;9(3):e260815.