布法罗大学和罗斯韦尔公园综合癌症中心的研究人员正在开发一种人工智能工具，帮助外科医生更好地识别术后可能出现并发症的肺癌患者风险。这项工作建立在两机构长期合作的基础上，结合了布法罗大学在人工智能领域的优势和罗斯韦尔公园在胸部肿瘤学方面的专业知识。
该系统被称为MIRACLE（多模态综合放射组学与临床语言解释系统），据信是首个将临床数据、CT影像和大型语言模型(LLM)生成的解释相结合，为可能接受肺癌手术的患者提供个性化风险评估的工具。它还生成一份摘要，供外科医生审阅和修改，以反映他们自己的临床见解。
"五十多年来，布法罗大学一直是人工智能公益应用的领导者，"研究资深作者、负责研究、创新和经济发展的高级副总裁Venu Govindaraju博士表示，"如今，这种专业知识正在改变癌症研究，利用人工智能更早地检测疾病，并开辟预防和治愈的新途径。"
肺癌是全球癌症相关死亡的首要原因，而手术仍然是最有效的治疗选择之一。由于许多患者存在复杂的医疗状况，术后并发症可能影响高达40%的病例，因此准确的风险评估至关重要。然而，现有的风险计算器通常依赖于人群层面的数据和主观的临床医生判断，这可能限制了它们对个体患者的有效性。
罗斯韦尔公园的胸外科医生、该研究的共同作者Kenneth Patrick Seastedt博士表示，这可能导致困难的决策：一些本可以安全接受手术的患者未被推荐进行手术，而其他高风险患者则在没有足够术前和术后规划的情况下进行了手术。
Seastedt是罗斯韦尔公园胸外科的助理教授，同时在布法罗大学雅各布斯医学院和生物医学科学学院担任外科助理教授。他表示："胸外科医生面临的最大挑战之一是术前风险计算器非常通用，无法捕捉我们每天看到的患者的真实复杂性。许多肺癌患者年龄较大，有多种合并症，或表现出通用模型无法捕捉的微妙影像特征。"
"我们的目标是通过将临床细微差别、影像细节和医生见解结合起来，改进外科医生评估风险、规划围手术期护理和向患者提供咨询的方式，从而直接支持更个性化的护理。"
研究团队设计的MIRACLE系统整合了三种术前数据形式：
- 年龄、吸烟史、肺功能和其他健康状况等临床信息
- 从CT扫描中获取的可测量特征，捕捉患者解剖结构的重要细节
- 基于外科肿瘤学文献和临床指南生成的自然语言解释。
MIRACLE将这些输入结合起来，估计患者出现并发症的风险。该模型通过整合先验知识和患者特定数据来更新风险估计。
"这种多模态框架的优势在于它将临床医生所知、影像显示内容以及人工智能可以帮助解释的内容结合在一起，"该研究的共同作者、布法罗大学人工智能与数据科学研究所副所长Srirangaraj（Ranga）Setlur表示，"每个部分都捕捉了患者状况的不同方面，帮助我们以针对个体的方式评估术后风险。"
MIRACLE的一个核心功能是能够生成外科医生可以编辑的患者风险因素摘要。例如，外科医生可以添加结构化数据中未捕获的细节——如虚弱或功能限制——模型会相应地重新计算风险估计。
"允许外科医生考虑数据之外的因素有助于使该工具与现实世界的临床决策保持一致。这对于赢得临床医生的信任和接受至关重要，"Seastedt说。
为确保这些编辑基于临床数据，研究团队建立了防止LLM引入无支持信息或幻觉的安全措施。包括年龄、性别和体重指数在内的关键临床因素被锁定，无法由模型修改。
此外，MIRACLE仅在会话期间处理临床输入，并在之后立即删除，确保患者数据既不被保留也不传输到外部。这种方法支持HIPAA合规性，使该工具更容易在实践中实施。
研究人员使用2009年至2023年间在罗斯韦尔公园接受手术的3,094名肺癌患者的数据集评估了MIRACLE。该模型的表现优于五种机器学习方法、三种开源LLM以及执业胸外科医生，外科医生正确识别并发症的准确率约为45%，而该模型的敏感度为75-80%。
表现最佳的版本在区分高风险和低风险患者方面达到了约81%的准确率，并保持了低假阳性率。
一组胸外科医生还审查了该模型的解释，发现许多解释与他们的临床推理一致。同时，他们指出，该模型可能会高估风险或忽略合并症之间的微妙相互作用，这强化了临床医生在解释和优化其输出时判断的重要性。
"我们的结果表明，多模态方法比单一来源模型生成更准确和临床一致的预测。通过使解释可编辑，我们已经从静态预测模型转变为交互式和透明的决策支持工具，"Setlur说。
研究团队最近在图森举行的IEEE/CVF计算机视觉应用冬季会议(WACV 2026)上展示了他们的研究，该会议于3月6日至10日举行。研究标题为"用于肺癌手术术后并发症预测的LLM增强可干预多模态适配器"。其他贡献者包括布法罗大学校友Bhavin Jawade博士和目前在布法罗大学攻读博士学位的Shubham Pandey，两人均在Govindaraju和Setlur的指导下工作。该研究已在arXiv预印本服务器上发布。
Seastedt说："布法罗大学和罗斯韦尔公园之间的这种合作使此类项目成为可能。你需要将深入的临床洞察与真正的技术专长结合起来的团队，才能构建真正服务于患者的工具。否则，行业会为我们做这件事，而其优先事项并不总是与患者护理保持一致。当临床医生和科学家并肩工作时，我们可以设计出将患者最佳利益放在首位的解决方案。这就是为什么这种合作关系如此重要。"
研究团队的下一步包括通过在罗斯韦尔公园实时测试MIRACLE来前瞻性验证该系统，以确认它能否可靠地识别高风险患者。如果成功，他们希望将该模型适应于其他外科专业。
出版详情
Shubham Pandey等人，用于肺癌手术术后并发症预测的LLM增强可干预多模态适配器，arXiv (2026)。DOI: 10.48550/arxiv.2601.14154
关键医学概念
术后并发症
肺癌
CT扫描
放射组学
临床类别
肿瘤学
肺病学
由布法罗大学提供
【全文结束】
