首页 > 文章详情

李焱教授：从临床可控场景到机制验证，审慎推进肝胆肿瘤人工智能转化

09月18日

来源：肿瘤资讯

2026年9月11日至12日，“2026肝胆规范化诊疗示范行—广州站”在广州举行。大会由中国老年保健协会、广东省抗癌协会肝癌专业委员会主办，中国老年保健协会肝癌综合治疗专业委员会承办，中山大学肿瘤防治中心协办，聚焦肝癌早筛早诊、外科治疗、局部联合系统治疗及MDT多学科协作等议题，推动区域肝胆肿瘤诊疗规范化。9月12日主会场，中山大学肿瘤防治中心李焱教授作“人工智能辅助肿瘤诊疗的研究与应用”专题报告。会议期间，【肿瘤资讯】特邀李焱教授接受采访，围绕人工智能在肝胆肿瘤中的临床切入场景、多模态模型的生物学解释及临床转化边界等问题展开学术交流。

点击观看完整采访视频

临床切入：优先选择可复核、可质控的明确任务

李焱教授：探讨人工智能的临床切入点，需兼顾临床应用与医学研究双重维度。立足临床医师视角，首选任务边界清晰、便于人工质控的场景。将人工智能无缝嵌入现行诊疗路径，辅以医师的最终复核与把关，对于其早期临床应用至关重要。

聚焦肝胆肿瘤领域，早筛早诊、手术辅助决策及放疗靶区勾画等任务具备优先探索的价值。此类任务的共性在于，模型输出结果可经由医师结合专业素养进行质量评估与二次校对，从而在风险管控层面具备更高的可操作性，亦能更迅速地兑现其临床价值。医师的深度参与和终末复核，是强化全流程质控的核心环节^[1]。

审视医学研究的纵深发展，跨模态预测等前沿技术值得重点聚焦。此类模型具备解析影像、病理及多组学复杂高维数据的能力。然而，其输出结果往往超出传统医学认知范畴，缺乏直观的可解释性，导致在数据多维整合、模型底层逻辑解析、伦理审查及临床效用评估等维度仍面临严峻挑战^[2]。鉴于技术演进的非线性与不确定性，未来临床探索的边界可伴随算力与算法的迭代适度拓宽，但整体推进策略必须秉持科学审慎的原则。

纵观生成式人工智能的演进轨迹，以GPT的迭代为例，其问世之初并未被广泛预见能在医疗垂直领域引发如此深度的变革。这客观映射出现阶段业界对前沿技术的研判尚存局限。鉴于临床可控任务与跨模态预测研究在验证维度上的显著差异，现阶段既需深耕便于医师开展质控的近期应用，亦应为高阶、复杂的前沿探索预留充足的发展空间。

可解释性：模型关注区域不等同于阐明生物学机制

李焱教授：现阶段，将模型提取特征与肝癌侵袭转移、肿瘤微环境重塑等深层生物学机制进行交叉验证，仍是亟待攻克的行业壁垒。深度学习及大模型架构极为复杂，其对病理或影像数据的解析往往输出为高维、抽象的数学特征。此类特征迥异于临床医师熟稔的单一理化指标，目前尚难以仅凭模型的单向输出，去反推其具象含义及其锚定的底层生物学机制。

目前普遍采用的策略是利用热力图等技术，回溯模型在影像数据中的注意力分布（即“关注区域”）。若该区域聚焦于肿瘤实质或其侵袭边缘，可赋予模型一定程度的直观可解释性。然而，此种解释仅停留在空间维度的定位，无法深入阐释该区域驱动疾病演进的病理生理机制，亦不能构成论证肿瘤转移或微环境互作的直接科学证据。当前主流的可解释性人工智能（XAI）方法均未从根本上突破这一局限^[3]。

相对务实的演进路径在于：由基础医学研究率先破局，揭示关键靶点或核心分子机制；随后引入人工智能，探索对上述病理变化的早期预测能力。即由基础研究凝练并提出确切的生物学命题，人工智能则围绕该命题，在海量数据中挖掘具备前瞻性预测价值的特征信号。二者深度融合的核心诉求，是使基础研究确证的靶点或机制，转化为人工智能预测模型的直接观测对象。这一路径指明了现阶段的前沿探索方向，至于其预测效能与适用边界，则需依托具体的临床研究予以严谨评估。

临床转化：将风险把控作为优先关注方向

李焱教授：伴随部分人工智能科研成果逐步跨越转化鸿沟迈入临床应用，应用风险的系统性管控已成为首要议题。在此进程中，患者数据隐私的有效脱敏与安全屏障构筑，是临床应用不可逾越的红线。与此同时，构建科学合理的人机协同范式至关重要，必须确保临床医师对模型输出结果的最终裁量权与质控权，牢牢守住临床核心决策的底线。在人工智能向临床纵深推进的时代浪潮下，深化隐私保护机制与强化人机协作风险管控，理应成为现阶段集中攻坚与优先推进的核心战略方向^[1]。

专家介绍

李焱

博士后

中山大学肿瘤防治中心
长期从事医学人工智能研究，主要聚焦鼻咽癌风险预测与预后评估、放疗靶区自动勾画、医疗大模型及智能体等方向
近年来，围绕肿瘤精准诊疗中的关键问题开展了一系列研究，相关成果已发表于 EBioMedicine、npj Precision Oncology、IEEE Journal of Biomedical and Health Informatics 等学术期刊

参考文献

[1] World Health Organization. Ethics and governance of artificial intelligence for health. Geneva: World Health Organization; 2021. ISBN: 978-92-4-002920-0.
[2] Acosta JN, Falcone GJ, Rajpurkar P, Topol EJ. Multimodal biomedical AI. Nature Medicine. 2022;28(9):1773-1784. doi:10.1038/s41591-022-01981-2.
[3] Ghassemi M, Oakden-Rayner L, Beam AL. The false hope of current approaches to explainable artificial intelligence in health care. The Lancet Digital Health. 2021;3(11):e745-e750. doi:10.1016/S2589-7500(21)00208-9.

责任编辑：ALFY
排版编辑：HYC