综述：基于RECIST的实体瘤放射学治疗反应评估中人工智能的应用：影像衍生与报告衍生方法的系统评价

《Cancers》：Artificial Intelligence for RECIST-Based Radiologic Treatment Response Assessment in Solid Tumors: A Systematic Review of Imaging- and Report-Derived Approaches Agnieszka Leszczyńska, Micha? Seweryn, Rafa? Obuchowicz, Micha? Strzelecki, Adam Piórkowski and Pawe? Micha? Potocki

　　

背景/目的：系统评价并严格评估用于基于RECIST的实体瘤放射学治疗反应评估的人工智能方法，比较影像衍生与报告衍生路径，总结其性能、与参考标准的一致性及验证质量。方法：本系统评价遵循PRISMA指南，于2025年12月6日检索Embase、MEDLINE、Web of Science、Scopus及Cochrane Library，纳入2015–2025年发表的英文原创研究，研究对象为实体瘤，人工智能直接分配RECIST反应类别并以参考标准为验证依据；排除未采用RECIST反应终点或非实体瘤人群的研究。研究人员区分了两类技术路径：影像衍生技术直接从成像数据分析并分配RECIST类别，报告衍生技术则利用自然语言处理从放射学报告中推断RECIST类别。结果：证据总体稀疏，共纳入4项符合条件的研究（影像衍生与报告衍生各2项）。报告衍生方法中，DeepSeek-V3-0324与GatorTron在治疗反应评估中均取得较高准确率（分别为96.5%与89%），其中DeepSeek与专家的一致性更高（κ 0.85–0.90）。影像衍生方法中，nnU-Net与3D U-Net流程均表现出较高的分割性能（DSC 0.85，VS 0.89），治疗反应分类准确率为0.77（针对R1），与人工参考标准呈中等一致性（κ = 0.60）；nnU-Net在RECIST 1.1测量中亦取得中等至近乎完美的一致性（Cohen’s κ 0.67–0.81）。结论：基于人工智能的RECIST导向反应评估具备可行性，有望提升标准化水平、效率与可扩展性，但现有证据有限且异质性显著，需在临床推广前开展更大规模、多中心研究并进行严格的外部验证。关键局限包括数据源变异性、参考标准不一致及缺乏稳健的外部验证。

1. 1.
   引言
   实体瘤治疗反应评估是肿瘤治疗管理、后续治疗线资格判定及临床试验疗效评价的核心环节。目前最广泛采用的标准化方法是实体瘤疗效评价标准（Response Evaluation Criteria in Solid Tumors，RECIST），其核心是通过连续影像学检查比较病灶尺寸，将治疗反应划分为完全缓解（complete response，CR）、部分缓解（partial response，PR）、疾病稳定（stable disease，SD）或疾病进展（progressive disease，PD）。尽管应用广泛，RECIST评估耗时较长，且易受观察者间差异影响，例如在靶病灶选择、测量技术及进展判定等环节存在主观性。此外，由于RECIST依赖固定阈值，接近决策临界值的微小测量差异可能导致不同的反应分类，进而影响临床决策的一致性。在此背景下，人工智能（artificial intelligence，AI）为提高RECIST评估的一致性与效率提供了可行路径。基于机器学习（machine learning，ML）的影像分析有助于整合影像生物标志物，减少测量主观性，提升反应评估的可重复性。当前，AI正被探索用于自动化RECIST工作流程的关键步骤，包括病灶检测与分割、RECIST兼容测量提取、跨时间点纵向病灶追踪及反应分类。在实际应用中，这类工具可预填充病灶标注与RECIST测量表供放射科医师核查，关联基线及随访扫描中的病灶以简化纵向评估，并对接近RECIST阈值的临界变化进行标记以便集中审阅，从而在减少工作负荷、降低阅片者变异性的同时增强可重复性，这对基于测量的标准尤为重要。

实体瘤因形状不规则、位置多变及对分辨率各异的成像技术依赖，导致精确尺寸确定与治疗反应评估难度较高。RECIST虽旨在标准化基于影像的反应评估，但仍易产生测量误差与阅片者依赖性选择。AI可作为支持诊断与治疗反应评估的工具，其在图像复杂模式识别方面表现优异，过程客观且可重复，还能在不依赖图像分割的前提下快速从真实世界数据中提取进展信号。此外，AI提供的客观“基准”可用于对比任务，帮助识别放射科医师在基于CT等结果评估治疗反应时的显著差异区域及潜在错误或疏漏来源，从而补充临床决策并作为评估（审计）放射科医师工作的手段。

在临床工作流中，RECIST自动化可作为报告过程中的决策支持，例如自动预填充靶病灶测量与纵向比较，标记潜在进展事件（如新发病灶或非靶病灶进展）供放射科医师确认。在临床试验中，此类工具可通过标准化测量、减少人工工作量来支持盲态独立中心审查，同时保留可追溯的输出结果。相比之下，基于报告的NLP系统主要用于回顾性从常规文档中捕获反应信息，服务于登记库或真实世界证据分析，而非替代图像层面的测量步骤。

当前AI在恶性肿瘤进展分析中的应用主要分为两大方向。第一类为影像衍生方法，直接分析计算机断层扫描（computed tomography，CT）或磁共振成像（magnetic resonance imaging，MRI）等影像数据，检测及/或分割病灶，提取RECIST兼容的尺寸测量值（非淋巴结靶病灶最长径、淋巴结短轴径），并在患者层面分配反应类别。其性能受成像相关因素影响，包括采集协议、重建参数、层厚、对比剂期相及配准/纵向病灶匹配；此外，靶病灶选择与追踪的差异会传导至最终RECIST类别，尤其在进展依赖于新发病灶或非靶病灶时更为明显。因此，影像衍生系统通常以放射科医师测量值与类别（常通过盲态独立中心审查）为基准，采用RECIST类别的一致性及测量误差或方法间一致性的连续指标进行评估。第二类为报告衍生方法，利用自然语言处理（natural language processing，NLP）方法——包括大语言模型（large language models，LLMs）——从放射学报告中推断治疗反应，在不重新处理原始图像的情况下重建RECIST类别（或近似等价物）。这类方法依赖报告放射科医师总结的信息，例如明确的RECIST术语（“部分缓解”“进展”）、尺寸变化描述、新发病灶陈述或印象层面的稳定与进展结论，因此其性能高度依赖报告实践（结构化模板与自由文本）、RECIST语言一致性及本地文档规范。影像衍生与报告衍生方法的优势与局限已在文中通过对比表格予以呈现。

人工智能直接分配RECIST反应类别的证据基础分散于影像衍生与报告衍生两个概念上独立的分支，带来一定挑战。两类方法的结果、参考标准与性能指标不具备直接可比性，导致现有文献难以解读其临床与方法学意义（包括验证强度与普适性）。影像衍生方法试图从底层复现RECIST流程（病灶识别、测量与纵向比较），因此在受控成像条件下以测量准确性、病灶层面一致性及阅片者-模型一致性为基准进行评估。报告衍生方法则从已解读的叙述中推断反应，主要基于文本分类性能（如准确率）与报告、登记库或专家标注得出的标签进行比较。混合这两类结果可能混淆非等效终点——连续测量一致性与分类标签提取——并将源于图像采集与测量的错误同源于文档风格与语言歧义的错误混为一谈。此外，“金标准”的临床含义存在差异：对报告衍生模型而言，目标通常是已记录的结论（所陈述的内容）；而对影像衍生模型而言，目标是影像衍生的评估（扫描中可测量的内容，理想情况下需经标准化审查）。因此，为保持可解释性并避免方法学异质性，本研究将分别对两类方法的结果进行独立分析，分别讨论模态特异性结果、偏倚与适用性问题。

本系统文献评价（systematic literature review，SLR）旨在通过分别综合两类证据，清晰比较其与临床转化相关的任务、参考标准、验证策略及误差来源。本综述的目标是汇编并严格评估AI用于实体瘤基于RECIST的放射学治疗反应评估的证据，明确区分影像衍生与报告衍生方法。综述聚焦于AI直接分配反应类别（CR/PR/SD/PD或等价类别）并以参考标准为正式验证依据的研究，具体回答以下问题：（1）达到何种性能水平，结果与参考评估的一致程度如何——包括影像衍生方法的测量误差与一致性指标，以及报告衍生方法的分类性能；（2）验证（内部/外部）的质量与范围如何；（3）哪些方法学局限可能影响这些工具的普适性与临床实用性。

1. 2.
   材料与方法
   2.1 研究设计与检索策略
   本系统评价遵循《系统评价与荟萃分析优先报告条目》（Preferred Reporting Items for Systematic Reviews and Meta-Analyses，PRISMA）报告指南，以确保方法的全面性与透明度。本研究系统评价方案未在PROSPERO注册。检索于2025年12月6日在Medline、Scopus、Web of Science、Embase及Cochrane Library执行，采用医学主题词（medical subject headings，MeSH）术语、布尔逻辑及相关关键词组合的策略，以获取广泛且精准的研究集合。各数据库的精确检索字符串详见附录A的表A1。

2.2 纳入标准与研究筛选

纳入标准限定为2015年至2025年发表的英文研究，评估用于实体瘤基于RECIST的放射学治疗反应评估的AI方法，且模型直接分配反应类别（CR/PR/SD/PD或等价类别）并以参考标准为正式验证依据。排除标准为：未将RECIST（或RECIST等价类别）作为反应终点，仅自动化RECIST评估的部分环节（即仅分割或直径测量），仅关注检测/诊断或预后预测而无反应评估，使用非LLM方法从放射学报告中提取数据，涉及非人类或非实体瘤研究，或非原创出版物。此外，仅关注体积反应、影像组学特征或替代性AI衍生终点的研究也被排除，因为这些方法虽具参考价值，但无法直接转化为RECIST 1.1反应类别，可能引入显著的临床与方法学异质性。若研究同时包含体积或影像组学分析与RECIST输出，仅提取RECIST相关内容。该方法确保了所选研究具备源自当前AI进展应用的实用临床相关性。

研究筛选由两名研究人员（A.L.与M.S.）独立、盲法进行。首先筛选标题与摘要，随后根据预设纳入标准进行全文审阅。分歧通过讨论解决；若无法达成共识，则由第三名研究人员裁决。筛选流程总结于PRISMA流程图（图1）。

2.3 数据提取与评估

提取的数据包括研究特征、人群与癌症类型、成像模态与时间点、数据源（图像vs放射学报告）、AI应用及RECIST反应的参考标准。对每项研究，记录验证策略（内部/外部）、样本量及性能指标，优先考虑与参考标准的一致性（如Cohen’s/Fleiss’ κ）及反应类别的分类性能。研究结果以表格形式总结，分别针对影像衍生与报告衍生方法。

偏倚风险与适用性由两名研究人员使用诊断准确性研究质量评估工具第2版（Quality Assessment of Diagnostic Accuracy Studies–2，QUADAS-2）独立评估（见附录A表A2），并对评估多变量预测模型（含AI/ML/LLM方法）的研究使用预测模型偏倚风险评估工具（Prediction model Risk Of Bias ASsessment Tool，PROBAST）（见附录A表A3）。QUADAS-2因其透明且被广泛接受的框架被用于评估诊断试验准确性研究中索引试验与参考评估比较的偏倚风险与适用性关切，涵盖四个关键领域：患者选择、索引试验、参考标准、流程与时机。尽管QUADAS-2并非专为AI模型开发，也未明确涵盖AI特有威胁（如数据泄漏、迭代模型/提示优化、域偏移），但其支持对本综述纳入的异质性研究设计进行一致且可比的评估。PROBAST则通过参与者、预测因子、结局与分析四个领域补充QUADAS-2，以解决预测模型开发与验证中的关键偏倚来源。对于QUADAS-2，信号问题评级为“是”“否”或“不清楚”，据此判断各领域偏倚风险为低、不清楚或高；适用性关切针对前三个领域进行评估。对于PROBAST，信号问题评级为“是”“很可能是”“可能不是”“否”或“无信息”，据此判断各领域及总体偏倚风险为低、不清楚或高，同时评估适用性关切。研究人员间的差异通过讨论（必要时咨询第三名研究人员）解决。

1. 3.
   结果
   初步数据库检索返回1947篇文献，剔除183篇重复文献。经标题与摘要筛选后，排除968篇不符合纳入标准的文献。对剩余796篇文献进行全文评估，其中792篇因非RECIST基础、未评估治疗反应或未使用AI/ML方法而被排除。纳入的4篇文献中，2篇采用基于原始影像数据的影像衍生方法，2篇采用报告衍生方法，即语言模型分析放射学报告文本（表2）。

在纳入的研究中，仅Yang等人评估了LLM在多中心队列中的性能，Dahm等人代表了多中心、多阅片者阅读研究，但两者均为回顾性设计。Tan等人提供了一个源自研究者发起的临床试验的外部RECIST验证队列，而Liu等人依赖单中心回顾性数据集，并明确指出需要多中心数据以确立稳健性。由于纳入的研究评估了RECIST工作流程的不同阶段，评估结果按评估层面与指标类型在表3中进行标准化总结，以促进可比性。

3.1 质量评估

使用QUADAS-2工具对纳入研究的methodological质量进行了严格评估。总体而言，证据基础显示出重要的局限性，最一致的关切出现在患者选择与适用性领域。在偏倚风险方面，Dahm等人的研究因随机抽样被判定为患者选择低风险，其余研究则为不清楚至高危险，主要驱动因素为限制性纳入标准和/或大量排除（如可测量病灶要求及排除不确定病例）。索引试验相关偏倚风险总体为低至不清楚，但一项研究因旨在最大化性能的迭代提示优化而被判定为高危险，引发了对过拟合及优化与评估分离不足的关切。参考标准在有明确描述的独立专家裁定时被判定为低风险，但在依赖异质性临床确认和/或报告衍生标签而非直接影像金标准时为不清楚或高风险。关于流程与时机，大多数研究被评为低风险或不清楚，反映了患者流程及分析数据集随访一致性报告的不完整。在适用性方面，关切频率较高，主要因为所调查的人群与工作流高度特异（单一疾病队列、精选“干净”病例、固定靶病灶或基于报告而非影像的评估），这可能限制其对常规临床实践的普适性。PROBAST评估显示证据基础的总体偏倚风险较高，主要由结局与分析领域驱动（见附录A表A3）。

3.2 报告衍生研究结果

报告衍生方法（应用于放射学报告文本的LLM与NLP）的结果由两项研究报道：Tan等人与Yang等人。虽然两者均依赖报告文本，但其评估框架不同：Tan等人使用内部与外部队列评估反应类别预测，主要报告准确率（辅以增强与数据效率的额外分析）；Yang等人则将两种LLM与专家RECIST 1.1注释进行基准比较，同时报告准确率与观察者间一致性（κ），并额外评估了报告时间效率。值得注意的是，这些性能指标在不同研究间不直接可比，因为队列、报告规范、参考定义、类别分布及评估协议的差异会显著影响准确率与κ。因此，研究结果主要用于支持研究内比较，而非跨研究的直接排名。

Tan等人中，基于Transformer的GatorTron模型取得了最高性能，在内部测试集上的准确率为0.8916，在具有RECIST基础反应评估的外部临床试验队列上取得了几乎相同的准确率0.8919；数据增强带来了小幅额外提升（准确率0.8976）。提示微调并未提高预测准确率，但大幅减少了所需训练数据量，仅需500份训练报告即可维持良好性能。

Yang等人的多中心研究中，入组了接受诱导化疗序贯同步放化疗的鼻咽癌患者同质临床队列，并按RECIST 1.1在三个MRI时间点进行评估，两种LLM的头对头比较显示，在治疗反应评估（treatment response evaluation，TRE）中，DeepSeek-V3-0324的准确率显著高于生成式预训练Transformer GPT-4o-latest。DeepSeek在诱导化疗后评估（TRE-1）中取得了更高的准确率（96.5% vs 82.9%，p < 0.001），而在基线T分期（95.3% vs 93.5%，p = 0.24）、基线N分期（93.8% vs 89.6%，p = 0.265）或同步放化疗后评估（TRE-2；94.9% vs 93.2%，p = 0.556）中未观察到显著差异。与专家注释的一致性方面，DeepSeek始终更高（κ 0.85–0.90 vs 0.49–0.86）。此外，在所有参与的放射科医师中，LLM辅助与报告时间效率的显著提升相关（p < 0.001）。

3.3 影像衍生研究结果

影像衍生方法的结果由两项研究报道：Liu等人与Dahm等人。虽然两者均基于影像衍生测量实现RECIST 1.1，但其评估框架不同。Liu等人专注于自动化扩散加权成像（diffusion-weighted imaging，DWI）基MRI肝转移灶分割，结合自动生成的表观扩散系数图，随后进行基于规则的RECIST 1.1反应分配，报告了分割质量指标（如Dice相似系数DSC、体积相似性VS、Hausdorff距离HD）以及与放射科医师对比的反应分类性能。Dahm等人评估了针对预选靶病灶的全自动CT基病灶追踪与分割流程，报告了自动与手动RECIST 1.1测量的一致性，以及时间点反应分类的一致性，采用组内相关系数（intraclass correlation coefficients，ICC）与kappa统计量。同样，这些性能指标不应跨研究直接比较，因为队列、报告规范、参考标准、类别分布及评估协议的差异会实质性地影响准确率与κ。因此，下文结果主要支持研究内比较，而非报告衍生方法的直接排名。

Liu等人中，基于3D U-Net的流程自动分割了基线及治疗后肝脏MRI（DWI基）上的肝转移灶。随后，基于规则的程序选择最多5个可测量靶病灶（最长径 > 10 mm），计算最长径之和，纳入新发病灶检测，并分配RECIST 1.1反应类别。在验证队列中，分割性能为DSC 0.85 ± 0.08，VS 0.89 ± 0.09，HD 25.53 ± 12.11 mm。治疗反应评估方面，分类准确率为：主治医师（R1）0.77，住院医师（R2）0.65，自动化分割方法0.74；对应的曲线下面积（area under the curve，AUC）值分别为0.81、0.73与0.83。自动化反应评估与基于人工标注的参考标准之间的一致性为中等（κ = 0.60；95% CI 0.34–0.84）。

Dahm等人中，基于nnU-Net的流程实现了转移性黑色素瘤基线及首次随访CT中靶病灶的全自动再识别、追踪与分割，随后自动提取RECIST 1.1直径（非淋巴结病灶长径；淋巴结短轴径）并自动分配时间点反应类别（未考虑新发病灶，靶病灶为预定义）。三名放射科医师的手动RECIST 1.1测量显示出极佳的组内与组间可靠性（ICC > 0.90）。基于平均手动直径的时间点反应与基于自动直径评估的反应之间的一致性范围为中等至近乎完美（手动直径基反应与自动体积基反应之间的一致性为显著（Fleiss’ κ 0.66–0.68），而自动直径与体积衍生时间点反应之间的一致性范围为中等至近乎理想（Cohen’s κ 0.81））。总体一致性的Cohen’s kappa介于0.67与0.76之间。

1. 4.
   讨论
   AI正日益影响肿瘤学，不仅通过分类模型，还通过改变整个成像流程——从采集与重建到定量分析——从而改变可测量内容及随时间推移的测量一致性。AI基工作流提升了常规实践与临床试验中反应评估的一致性、效率与可扩展性。正如Smesseim等人所指出的：“问题仍在于AI最终是否会超越传统肿瘤测量标准”。在当前发展阶段，尽管AI在图像分析中提供了有前景的支持，但在整合不同数据源（如图像与报告数据）时需格外谨慎，不当协调可能导致错误解读。目前，AI在基于RECIST的反应评估中的应用仍是一种强有力的辅助工具，并不取代医生的决策。

在实践中，这一概念并不新鲜：自20世纪90年代以来，临床计算机辅助检测（computer-aided detection，CAD）系统就被开发为“第二阅片者”——例如在乳腺摄影中，早期商业解决方案于1998年获得美国食品药品监督管理局（Food and Drug Administration，FDA）批准，以支持解读并标准化异常检测。类似的评估范式——比较“无CAD”与“有CAD”的放射科医师结果——也被应用于其他模态，如CT结肠成像，相关研究考察了CAD作为第二阅片者对诊断准确性及不同经验水平阅片者间变异性的影响。

AI在RECIST导向反应评估中的应用才刚刚兴起。在本系统评价中，仅有4项研究符合纳入标准（影像衍生与报告衍生各2项），突显了证据基础的有限性。重要的是，本研究的RECIST对齐纳入标准优先考虑临床可解释性及与指南工作流的可比性；因此，未纳入仅评估体积或影像组学基终点的研究，这些研究可能具有前景，但在方法学上是独立的证据基础。

Yang等人确定的报告衍生研究表明，并非所有LLM都同样适用于RECIST对齐的治疗反应评估。两种现代LLM在同质鼻咽癌患者队列中与专家RECIST 1.1注释进行了头对头比较，但在诱导化疗后反应评估（TRE-1）中性能差异显著：DeepSeek-V3-0324明显优于GPT-4o-latest（96.5% vs 82.9%，p < 0.001），且与专家的一致性始终更高（κ 0.85–0.90 vs 0.49–0.86），而TRE-2的差异无统计学意义。这表明，模型选择可实质性影响RECIST对齐分类的可靠性，尤其是在基于阈值的标准中，正确解读纵向比较、细微报告措辞及进展定义线索（如新发病灶或非靶病灶进展）至关重要。重要的是，Yang等人还展示了实际益处：使用LLM作为放射科医师助手与报告时间效率的显著提升相关（p < 0.001），支持了AI在增强而非取代专家审阅中的作用。

Tan等人进一步表明，“适用性”不仅取决于架构，还取决于跨报告场景的普适性与数据效率。基于Transformer的GatorTron在内部测试集与具有RECIST基础评估的外部临床试验队列上取得了几乎相同的准确率（0.8916 vs 0.8919），而数据增强仅带来小幅提升（至0.8976）。提示微调并未提高峰值准确率，但通过大幅减少标记数据需求提升了可行性，仅需500份训练报告即可维持良好性能。在此背景下，AI的主要附加值是可扩展性——从大量报告文本中自动分配反应类别，且在各队列间性能相当——支持其在大规模反应提取（如实世界数据分析）中的潜在应用。然而，关于报告基LLM/NLP系统对机构间报告模板、术语及文档实践变异的稳健性，证据仍然有限；因此，在一个场景中观察到的性能可能无法直接迁移至其他场景，除非进行本地验证或校准。放射学报告解析/分类中的相关头对头基准（如BioBERT/RadBERT变体与医院特定域适配对比开源LLM）同样表明，性能具有模型与环境依赖性，强调了在部署RECIST对齐自动化前进行明确验证的必要性。综上所述，这些发现表明，用于RECIST对齐反应分类的报告基NLP/LLM系统并非可互换：模型选择与调优策略可实质性影响普适性、与参考标准的一致性及在真实世界报告条件下的实际可部署性。

对于影像衍生方法（直接分析原始影像），两项研究阐明了自动化关键RECIST步骤的潜力，同时也揭示了其对任务定义及成像/临床条件的强烈依赖。在Liu等人（针对肝转移的DWI基肝脏MRI）中，AI自动化了病灶分割，实现了基于规则的目标选择与RECIST 1.1反应分配。尽管分割指标优异（DSC约0.85），反应分类性能仅为中等（AI准确率0.74，对比两名放射科医师的0.77与0.65），且与参考标准的一致性为中等（κ约0.60）。这表明，高分割质量并不自动转化为高RECIST一致性，因为误差会在多个步骤（目标选择、直径总和、新发病灶检测）中累积。相比之下，Dahm等人采用了更受控的场景：在转移性黑色素瘤基线及首次随访CT中对预定义靶病灶进行全自动再识别与追踪，实现了极佳的人工RECIST可靠性（ICC > 0.90），且与自动反应分类的一致性为中等至近乎理想（κ 0.67–0.76）。

关键见解凸显了模型选择、任务定义及临床背景在AI驱动的RECIST评估中的重要性。对于报告衍生方法，DeepSeek-V3-0324等模型优于GPT-4o-latest，显示出更高的准确率与专家一致性，但性能随报告标准与数据效率而变化，需要本地验证。影像衍生方法揭示，强分割性能并不总导致高RECIST一致性，原因是目标选择与病灶检测中的误差。Liu等人显示了中等准确率（0.74）与一致性（κ约0.60），而Dahm等人通过预定义靶病灶取得了更好的一致性（κ 0.67–0.76）。结果表明，AI可增强治疗反应评估的标准化与自动化，但其普适性取决于捕捉复杂的RECIST组成部分及应对成像变异性。扫描仪与协议的差异影响未被一致分析，限制了模型跨机构的迁移能力。

研究人员区分了两类局限性：RECIST的内在临床约束（基于阈值的分类及临界值附近的模糊性）与自动化流程的技术失效模式（如分割、配准与病灶匹配错误）。从技术角度看，虽然AI模型可在病灶分割等任务中取得高性能，但误差会在多步骤流程中累积，导致与专家衍生的RECIST分类仅呈中等一致性。一个主要挑战是AI系统的普适性，这些系统通常在回顾性、单中心数据集