编辑推荐 | 《柳叶刀-数字医疗》编辑精选人工智能相关论文合集

柳叶刀TheLancet

2026-09-22 17:31发布于北京柳叶刀TheLancet官方账号

问AI · PanCAM模型如何降低淋巴结漏诊风险？

近日，《柳叶刀-数字医疗》(The Lancet Digital Health) 与《柳叶刀-全球健康》(The Lancet Global Health) 的编辑及特邀专家在网络研讨会中，围绕“人工智能与全球健康”展开了深入讨论，探讨了人工智能在医疗健康领域的发展与应用。

研讨会后，两本期刊的编辑为我们特别推荐了人工智能话题相关论文，与读者分享。本期我们整理出《柳叶刀-数字医疗》主编 Hugh Thomas 的精心推荐，与大家共同研读。识别或扫描对应文章图中二维码，即可阅读原文。

《柳叶刀-数字医疗》编辑推荐

应对健康数据集中的算法偏倚并促进透明度：STANDING Together 共识建议

如果不仔细剖析偏倚如何被编码进人工智能（AI）健康技术，就有可能在大规模应用中延续现有的健康不平等。偏倚的一个主要来源是支撑此类技术的数据。STANDING Together 建议旨在鼓励提高健康数据集局限性的透明度，并主动评估这些局限性对不同人群的影响。建议草案条目依据系统综述和利益相关方调查结果制定。建议采用德尔菲法（Delphi approach）制定，并辅以公众咨询和国际访谈研究。总体而言，来自58个国家的350多名代表为本项目提供了意见。来自25个国家的194名德尔菲参与者通过三轮电子调查和一次线下共识会议，对32项候选条目进行了投票并发表了评论。

29项 STANDING Together 共识建议分两部分呈现。针对健康数据集文档记录（Documentation of Health Datasets）的建议，为数据集管理者提供指导，以提高数据组成及其局限性的透明度。针对健康数据集使用（Use of Health Datasets）的建议，旨在帮助识别和减轻可能加剧健康不平等的算法偏倚。这些建议旨在促进主动探究，而非作为一份核查清单。我们希望提高公众认识：任何数据集都不可避免地存在局限性，因此，应将对数据局限性的透明沟通视为一种价值，而将缺乏此类信息视为一种局限。我们希望，AI健康技术生命周期中的各利益相关方能够采纳 STANDING Together 建议，从而使社会中的每个人都能从安全有效的技术中受益。

https://doi.org/10.1016/S2589-7500(24)00224-3

利用数字技术减少中低收入国家的癌症差距

在乌干达西南部一家乡村诊所中，Sarah 医生正在通过智能手机查看宫颈图像，并获得一位远在数百英里之外的妇科肿瘤学专家借助人工智能（AI）提供的实时诊疗指导。曾经只存在于想象中的场景，如今正日益成为数字医疗创新改变全球癌症护理的高度可期的未来。预计到2050年，全球癌症新发病例将超过3500万例，预计高达70%的癌症死亡将不成比例地发生在中低收入国家（LMICs）。在这一背景下，数字化解决方案有望被充分利用，以加速缩小癌症护理方面存在的差距。

面对这一迫在眉睫的危机，全球肿瘤学界已经提出了多项干预措施，包括：促进卫生服务人员教育、导师指导和任务转移；通过整合诊断支持早期诊断和转诊；优先实施烟草戒断、宫颈癌筛查和疫苗接种等预防策略；通过扩大临床试验参与和提供基本抗癌药物来实现治疗的标准化和个体化；以及加强卫生保健体系建设。在上述所有战略支柱中，数字健康工具对于推动癌症护理发展以及缩小中低收入国家现有的全球性和区域性差距都至关重要。在本专辑文章中，我们评估了这些数字创新在癌症护理领域中的现状。

https://doi.org/10.1016/j.landig.2025.100937

在医疗保健中落实负责任且公平的人工智能实践框架：应对偏倚、不平等与实施挑战

人工智能（AI）有潜力彻底改变医疗保健；然而，要成功将AI融入医疗体系，必须克服诸多障碍，例如数据和AI模型中的偏倚，以及解决生成充分临床证据以应对部署的挑战

在本文中，我们提出了一个基于社区的共识、具有可操作性的框架，用于指导AI解决方案在医疗保健领域中的负责任和合乎伦理的开发、部署及整合，重点关注偏倚减轻和临床证据生成。我们的框架适用于所有与AI解决方案互动的医疗团队成员，包括软件开发人员、数据科学家、研究人员、临床医生、医院管理者以及机构伦理和监管团队。

我们对在医疗保健领域应用此类AI框架所面临的挑战进行了批判性讨论。该框架汇集多学科专业知识，并由四个阶段组成：问题识别与研究设计、模型训练与开发、静默部署与临床评估，以及运营部署与全生命周期监测。该框架与 SPIRIT-AI、CONSORT-AI 和 TRIPOD+AI 等报告规范保持一致，并提供切实可行的步骤，以应对偏倚问题、确保公平性以及验证临床有效性。该框架提出了以行动为导向的指导原则，医疗机构既可以直接采用，也可以结合自身资源对其进行本地化调整，以支持AI在医疗保健领域中的合乎伦理且高效的整合，并实现公平的患者结局。

https://doi.org/10.1016/j.landig.2025.100957

通过应用于视网膜图像的深度学习对糖尿病肾病进行无创活检诊断：一项基于人群的研究

背景

提高糖尿病肾病（DKD）筛查的可及性，以及区分单纯糖尿病肾病与非糖尿病肾脏疾病（NDKD），是糖尿病诊疗领域面临的两项重大挑战。我们旨在开发并验证一种基于人工智能（AI）深度学习系统的方法，以利用视网膜眼底图像检测DKD及单纯糖尿病肾病。

方法

在这项基于人群的研究中，我们开发了一种基于视网膜图像的AI深度学习系统DeepDKD，该系统使用734,084张视网膜眼底图像进行了预训练。首先，在DKD检测方面，我们利用来自上海市糖尿病综合防治体系的121,578名参与者的486,312张视网膜图像进行模型开发和内部验证，并采用来自中国、新加坡、马来西亚、澳大利亚和英国的10个多民族数据集（共65,406名参与者）进行外部验证。其次，在区分单纯糖尿病肾病与NDKD方面，我们使用267名参与者的1,068张视网膜图像进行模型开发和内部验证，并使用来自中国、马来西亚和英国的3个多民族数据集（共244名参与者）进行外部验证。最后，我们开展了两项概念验证研究：一项为期3个月随访的前瞻性真实世界研究，用于评估DeepDKD在DKD筛查中的有效性；另一项为期4.6年随访的纵向分析，用于评估DeepDKD在区分单纯糖尿病肾病与NDKD时对肾功能变化的有效性。

结果

在DKD检测方面，DeepDKD在内部验证数据集上取得了0.842（95% CI 0.838–0.846）的受试者工作特征曲线下面积（AUC），在各外部验证数据集上的AUC为0.791–0.826。在区分单纯糖尿病肾病与NDKD方面，DeepDKD在内部验证数据集上的AUC为0.906（95% CI 0.825–0.966），在各外部验证数据集上的AUC为0.733–0.844。在前瞻性研究中，与基于元数据的模型相比，DeepDKD检测DKD具有更高的灵敏度（89.8% vs 66.3%，p<0.0001）。在纵向研究中，经DeepDKD识别为单纯糖尿病肾病的参与者与识别为NDKD的参与者，其肾功能结局存在显著差异（估算肾小球滤过率下降比例：27.45% vs 52.56%，p=0.0010）。

解释

在不同背景的多民族糖尿病人群中，基于视网膜图像的AI深度学习系统展现出在临床实践中检测DKD以及区分单纯糖尿病肾病与NDKD的潜力。

https://doi.org/10.1016/j.landig.2025.02.008

4%被病理医生遗漏的淋巴结转移，或可被人工智能模型PanCAM检出

背景

准确检测淋巴结转移对于精确的肿瘤分期和治疗规划至关重要。传统的病理学检查容易遗漏淋巴结微小转移病灶，从而导致诊断不足和不良的临床预后。本研究旨在开发一种泛癌种人工智能诊断模型（PanCAM），适用于检测不同肿瘤类型的淋巴转移。

方法

这项多中心诊断研究纳入了来自中国 17 家医院接受肿瘤根治术和淋巴结清扫术的患者，涵盖9 种常见肿瘤和 24 种罕见肿瘤[1]。本研究收集手术清扫淋巴结的组织病理切片并扫描为全切片数字病理图像（WSI），另外从公开的 CAMELYON16 数据集中获取了WSI用于国际验证。PanCAM 是基于监督学习和增量学习策略开发的。PanCAM在中山大学孙逸仙纪念医院（广州，中国）的9种常见癌种的WSI上进行训练与内部验证，并使用来自中国15家外部医院和荷兰CAMELYON16数据集的WSI（涵盖常见癌种和罕见癌种）对其泛化能力进行了回顾性验证。在中国 9 家医院开展的一项多中心研究（NCT06517979）进一步对PanCAM在真实世界中的应用价值进行了前瞻性验证。主要结局指标是PanCAM检测淋巴结转移的诊断敏感性。在次要指标分析中，我们比较了 PanCAM 与病理学家的诊断效能。

图1 研究工作流

图2 PanCAM开发

结果

在2013年1月1日至2024年11月30日之间，共纳入了来自中国17家医院的9256名患者（4735名男性[51.2%]；4521名女性[48.8%]；中位年龄60岁[四分位距50-69]；3486名患者[37.7%]有淋巴转移）。该数据集包括训练集1303名患者，内部验证集558名患者，外部验证集6006名患者，以及前瞻性验证集1389 名患者，共计69502张WSI、153985枚淋巴结。CAMELYON16数据集包含399 张WSI。在回顾性验证中，PanCAM检测淋巴转移的诊断敏感性在16家医院验证集中介于 0.97（95% CI 0.92-0.99）至 1.00（0.98-1.00）之间，在CAMELYON16数据集上保持为0.96（0.92-0.99）。在前瞻性验证中，PanCAM的诊断敏感性在9家医院验证集中介于0.93（0.78-0.99）至1.00（0.98-1.00）之间。尽管只使用常见癌种的WSI进行训练，PanCAM在回顾性和前瞻性验证中对罕见癌种的诊断敏感性也达到了0.98（0.95-1.00）。在患者级别诊断层面，PanCAM在回顾性研究中检测出了被病理医生遗漏的120例淋巴转移患者（4.0%, 120/2974），在前瞻性研究中检测出了21例（4.1%, 21/512）。

解释

PanCAM为不同肿瘤的病理淋巴转移检测提供了一种通用解决方案。该系统具有高敏感性和稳健的泛化性能，能够协助病理医生诊断淋巴结转移，提高诊断准确性，避免因漏诊而导致的分期低估与治疗延误，最终改善患者预后。

https://doi.org/10.1016/j.landig.2025.100961

中文翻译仅供参考，一切内容以英文原文为准。

关注柳叶刀服务号，探索更多科研服务！

#柳叶刀数字医疗 #人工智能模型