综述：人工智能与机器学习在胸外科中的应用——范围综述

这篇综述系统阐述了人工智能(AI)和机器学习(ML)如何通过深度学习(DL)算法、放射组学(Radiomics)和3D重建等技术革新胸外科领域，涵盖肺结节检测(AUC 0.944)、非小细胞肺癌(NSCLC)分型(准确率84.6%)等关键应用，同时指出数据质量、算法可解释性等挑战，为胸外科数字化转型提供全景式展望。

　　

人工智能与机器学习在胸外科中的革命性进展

Abstract
人工智能(AI)和机器学习(ML)正在重塑胸外科诊疗范式。从肺结节检测到术后康复预测，深度学习算法已展现出超越人类专家的潜力，如Ardila模型在CT筛查中达到AUC 0.944，显著优于六名放射科医师团队。然而数据标准化、临床验证等挑战仍需突破。

Introduction
AI/ML技术已渗透胸外科全流程，涵盖影像分析、手术规划、术中导航等核心环节。理解这些技术的优势与局限，对推动精准胸外科发展至关重要。

Methods
基于PRISMA-ScR指南的系统文献检索筛选出18项高质量研究，聚焦2014-2025年间AI/ML在胸外科的应用证据，排除会议摘要等低证据等级文献。

AI/ML关键概念

• AI：执行人类智能任务的计算系统
• ML：通过统计学习提升任务表现的AI子集
• DL：基于多层神经网络(CNN/RNN)的ML分支，擅长处理复杂影像数据

胸外科影像应用
肺结节检测与表征
深度学习算法在CT筛查中表现惊艳：

• Ardila模型通过全CT容积分析实现94.4%的恶性结节识别率
• Nam开发的胸片AI系统达到0.92-0.99的AUC值

胸部X线病理监测
Annalise Enterprise CXR等工具可识别124种胸片征象，显著降低气胸等疾病的漏诊率，缩短肺癌诊疗路径时间。

放射组学与肿瘤表征
Choi团队结合ML的放射组学模型在鉴别肺结节良恶性时准确率达84.6%，较Lung-RADS系统提升12.4%。Bashir研究则证实该技术对NSCLC亚型分类的有效性。

术前规划突破
3D重建与虚拟现实
Hagiwara开发的3D模拟系统显著提升胸腔镜肺段切除术的安全性。PulmoVR平台通过沉浸式VR实现个性化手术规划，初步研究显示其可优化血管评估精度。

风险预测模型
Predicthor算法预测30天死亡率的AUC达0.81，优于传统Thoracoscore(0.72)。Santos-García的神经网络模型对肺切除术后心肺并发症的预测特异性高达100%。

术中技术创新
计算机辅助导航
Li团队将增强现实(AR)与3D打印结合，实现复杂胸腔镜手术的实时解剖可视化。Sauer开发的混合现实(MR)系统允许术者交互式操作全息解剖投影。

机器人手术进展
虽然完全自主的机器人手术尚未实现，但STAR系统在动物实验中已展示出肠道吻合能力，预示未来胸外科机器人可能具备AI驱动的精细操作能力。

术后管理优化
Topalovic证实AI解读肺功能测试的准确性超越呼吸科医师，为术后康复评估提供新工具。MesoNet模型通过全切片数字病理分析预测间皮瘤生存率(AUC 0.91)，较传统方法提升15%。

挑战与展望
当前面临数据异质性、算法黑箱等瓶颈，未来需重点发展：

1. 多模态数据整合系统
2. 实时术中导航AI
3. 自适应持续学习模型
4. 降低资源匮乏地区的应用门槛

Conclusion
AI/ML正在重构胸外科诊疗体系，但其临床转化仍需严谨验证。唯有平衡技术创新与伦理考量，才能充分发挥这些技术在改善患者预后方面的革命性潜力。