多模态临床决策支持系统提升肺癌预后评估：深度学习模型与医生决策的协同效应

《Scientific Reports》：Assessing clinician performance using a multi-modality clinical decision-support system for lung cancer prognostication

本研究针对早期非小细胞肺癌术后复发风险预测难题，开发了整合PET/CT影像、临床-手术-病理信息的深度学习模型(CDSS-DLM)。该系统通过10例患者队列验证显示可提升医生预测准确性(AUC达0.83)和决策信心，首次实现多模态数据融合的临床决策支持系统在加拿大医疗场景的可行性验证，为个性化辅助治疗方案制定提供新工具。

　　

肺癌作为全球癌症相关死亡的主要原因，其治疗策略高度依赖准确预后判断。目前基于肿瘤淋巴结转移(TNM)分期系统的预后评估存在局限性，同一分期患者可能出现显著差异的生存结果。这种"一刀切"的分期方法难以满足个体化治疗需求，特别是对于早期非小细胞肺癌(NSCLC)术后是否需辅助治疗的关键决策。传统临床决策主要依赖医生经验，缺乏整合多源数据（如影像学、病理学、临床指标）的标准化工具，导致治疗决策存在主观性和不一致性。

为解决这一临床难题，Western University的Jaryd R. Christie博士团队在《Scientific Reports》发表了题为"Assessing clinician performance using a multi-modality clinical decision-support system for lung cancer prognostication"的研究。该研究开发了一种创新型临床决策支持系统(CDSS)，整合了深度学习模型(DLM)的多模态数据分析能力，系统评估了该系统对医生预后判断性能的影响。

研究人员采用回顾性研究设计，从2012-2018年接受手术治疗的NSCLC患者中随机选取10例作为测试队列。关键技术创新在于开发了能够同步处理术前FDG-PET/CT影像、临床特征（年龄、性别、吸烟史）、手术参数（手术类型、切缘状态）和病理信息（组织学类型、TNM分期、淋巴血管侵犯等）的多模态深度学习架构。该系统通过MATLAB R2022B构建用户界面，Python 3.8.18集成经过外部验证的DLM模型（验证队列n=195），实现了患者数据自动分析、风险分层和可视化展示。

系统界面设计包含四个核心模块：影像导航面板支持轴向、矢状面和冠状面PET/CT浏览与SUV值实时查询；患者信息面板集中展示临床-手术-病理数据；CDSS-DLM信息面板以颜色编码（高风险-红色、中风险-橙色、低风险-绿色）显示复发风险等级及Kaplan-Meier生存曲线；患者评估面板用于记录医生的风险预测、置信度和治疗建议。整个分析流程仅需10秒即可完成模型计算。

在用户研究部分，4名分别来自胸外科肿瘤学（2名）和内科肿瘤学（2名）的医生参与评估，临床经验跨度4-30年。采用自身对照设计，每位医生先基于常规信息评估10例匿名患者，再在CDSS-DLM信息辅助下重新评估随机排序的相同病例。评估指标包括治疗失败风险分级（高/中/低）、个人风险评分（0-100）、置信度等级（无/略有/中等/高度/完全）及术后建议（随访/辅助治疗/多学科会诊）。

CDSS与医生性能比较

DLM独立预测显示优异性能，对治疗失败的曲线下面积(AUC)达0.83（p=0.03）。医生使用CDSS-DLM信息后，风险分层性能呈现改善趋势：胸外科医生1的AUC从0.79提升至0.71（ΔAUC=+0.08），内科医生4的改善尤为显著（AUC从0.57升至1.00，p=0.01）。在风险评分方面，三名医生使用DLM信息后AUC高于DLM独立性能，表明人机协同可产生增值效应。

CDSS对医生预测、信心和建议的影响

未使用CDSS时医生间风险预测一致性为中等（Fleiss Kappa=0.42）。引入CDSS-DLM后一致性下降至轻微水平（Kappa=0.18），反映个体医生对模型信息的差异化采纳。典型案例如IB期患者：未使用CDSS时三名医生评为中风险，使用后三名转为高风险评估，该患者实际发生复发，印证模型对非典型高风险患者的识别能力。

医生置信度呈现数值提升趋势，使用CDSS后"高度置信"选项比例增加。但统计学未达显著水平（p=0.22），且医生间一致性从轻微（Kappa=0.15）进一步降低（Kappa=0.12）。

术后建议变化呈现专科差异：胸外科医生一致性从中等（Kappa=0.48）降至无意义水平（Kappa=-0.03），而内科医生一致性从中等（Kappa=0.49）显著提升至高度（Kappa=0.73）。整体上辅助治疗推荐比例从55%升至75%，但未达统计显著性（p=0.25）。

定性研究结果

医生对CDSS界面友好度评分达8/10，特别肯定病理报告整合、SUV值交互查询和颜色编码设计。时间效率评分9/10，但担忧与医院影像归档通信系统(PACS)整合的额外时间成本。所有医生认可能够改变临床决策的案例价值，如高风险预测促使原本不推荐辅助治疗的患者转入多学科讨论。医生强调外部验证和前瞻性临床试验的重要性，建议显示模型验证结果，并纳入患者体能状态指标。对可解释人工智能持谨慎态度，认为可能增加混淆而非临床价值。

研究结论指出，尽管样本量限制使定量结果未达统计显著性，但多模态CDSS展现出改变临床决策的潜力。系统通过整合传统分散的临床、影像和病理数据，为术后辅助治疗决策提供新范式。医生对验证过的模型表现出采纳意愿，专科差异则提示需针对性培训。未来工作应扩大患者队列和医生参与者，纳入新辅助免疫治疗等现代疗法参数，并实现与医院系统的无缝集成。这项探索性研究为多模态人工智能在肺癌精准医疗中的临床应用奠定了重要基础。