治疗一位头颈部肿瘤患者，美国知名医学中心做一次在线自适应放疗计划需要34分钟；在广州，这个数字被压缩到了20.8分钟——而且支撑这个速度的加速器和软件，从硬件到软件全部国产。

9月18日，第七届精准医学大会上，中山大学肿瘤防治中心（简称中肿）副院长孙颖分享了这组数字。在她看来，这背后是肿瘤诊疗正在发生的一场范式转变：AI从帮医生“省点时间”的单点工具，转变成贯穿诊疗全流程的服务生态。

针对诊疗痛点，让AI打通12个节点

对于放疗医生而言，他们心中一直有个“理想模式”：肿瘤在放疗过程中会缩小，病人体位每天都在变，如果每天都能跟着变化重新勾画照射范围、调整计划，放疗就能始终“追着肿瘤打”。

如何能实现这样的想法呢？传统放疗里，病人先做CT扫描，图像传到医生工作站，医生勾画靶区，单这一步就要约200分钟；再传到物理室做放疗计划，计划回传加速器验证、实施。一个治疗计划做下来，一般要3-5天。“大家都觉得这是理想的放疗模式，但传统放疗有技术的限制。”孙颖说。等计划做好，放疗的目标靶（肿瘤）可能已经移动了。

所以，临床医生开始训练AI，它接管的不是一步，而是全流程12个节点。孙颖教授介绍，团队的解法不是让AI只干“勾画”这一件事，而是把AI从单点升级到放疗全流程的12个节点，“每个环节都让它足够快”。AI完成初勾画后，医生只需两三分钟修改确认；整个流程从“以天为单位”缩短到平均20.8分钟。医生、物理师、技师集中在病人治疗室外，现场完成放疗方案。更早前，团队的AI勾画技术已把人体100多个正常器官的勾画交给人工智能，相关产品进入全国近500家医院，服务超100万人次。

快，只是第一步。孙颖表示，团队正在开展全球首个在线自适应放疗的三期临床试验，计划入组490例，目前已入组460例，并在武汉、浙江、上海的多家医院同步推进——此次研究的目的是回答一个重要问题：在保证患者生存的前提下，这项技术能不能显著防止放射性损伤的发生。

“我们投入这么多人力物力财力，最后还得回到临床上去，说明这个技术手段能够解决临床问题，给患者带来一个好的结局。”孙颖说。

AI让鼻咽癌放疗变得高效、准确。孙颖教授介绍，比如一位外地来的鼻咽癌患者，带着当地病理诊断入院，当天上午完成PET-CT和磁共振扫描，约一小时；AI写影像报告，医生审核确认；分期为早期（T2N0M0，Ⅱ 期，局部早期），无需化疗；图像随即进入放疗计划系统，20分钟出方案——中午就能做上放射治疗。

不过，唯一让治疗“减速”的是，病人刚做过PET检查，身上带着射线，会触发监测报警，只能等到第二天。孙颖透露，团队把这套一站式集成了AI诊断与治疗的系统取名“棱镜”。鼻咽癌属于可择期治疗的肿瘤，但对于上腔静脉压迫、脊髓压迫这类需要急诊放疗的病人，这种高度紧凑的智能化技术“就有它的生存空间”；未来专为带射线病人设计的摆位机器人，也可能应运而生。

鼻咽癌分期上，AI提高了所有医生的诊疗水平

鼻咽癌的分期是目前临床医生面临最难的问题。孙颖教授表示，鼻咽癌的T分期涉及34个解剖结构——腭帆提肌、斜坡、海绵窦……团队让12位每天都看鼻咽癌的专科医生，对50例病例做金标准对照：判断单个结构是否被侵犯，准确性约90%；但把结构归类到T1—T4分期，平均准确性只有73%，其中T2的判断准确性还不到50%，只有47%。

“扔硬币的比例都比它高。”孙颖这句话，引来会场一阵笑声。

所以，团队的应对，是让AI学会“像医生一样思考”：先把解剖结构检测出来，再判断有没有被肿瘤侵犯，再映射到分期表——每一步都可视化。大屏上，AI用红框标出它认为被侵犯的结构，绿框表示未侵犯，淋巴结则标注分区、短径、有无包膜外侵。目前这一可解释AI的T分期准确性约80%，N分期约78%。

“有了AI，没有一个人的水平是下降的，无论是高年资的医生，还是年轻医生，都是在提升的。”孙颖强调，AI辅助下治疗决策的准确性提升了5%——“诊断不是目的，最终目的是让病人不要误诊误治。”

利用专病库，AI帮助医生找到了改写指南的中国方案

如果不能做随机对照临床试验，年轻医生利用AI在大数据平台或者专病库上，也是大有可为。孙颖还回顾了她的团队利用AI分析大数据成功改写国际指南的研究。

孙颖说，从20世纪90年代至今，放疗的局部控制率基本翻了一倍，但远处转移率没有明显改善——放疗这种局部技术再进步，也拦不住肿瘤全身转移，答案要靠化疗。可化疗什么时候打、用什么药，困扰了医生20年：早年的指南只有一个方案，放疗后再化疗；而中国科学院院士马骏团队的研究证明，这个方案不提高生存率，还带来更多毒副反应。

此后一系列随机对照试验给出了新答案：放疗前使用吉西他滨联合顺铂诱导化疗，生存率提高8.8%，毒副作用减少三分之二。研究发表于《新英格兰医学杂志》，被称为新标准和里程碑。

但“新标准”也有盲区：约90%的患者用药后肿瘤快速缩小，仍有10%效果不佳，两组生存差异达33%。团队用化疗前后配对的组织样本开展单细胞测序，发现化疗会通过DNA依赖的方式诱导“先天样B细胞”和类三级淋巴样结构——诱导得越多，化疗效果越好；同时肿瘤也可能向衰老方向、向角化癌方向演进，从而抵抗放化疗。

“我们只有回到实验室，才能回答临床为什么有效、小部分病人为什么无效。”孙颖说。

顺着这条线，团队依托医院的专病库找到600多例每次化疗都检测EB病毒DNA的病人，发现变化有规律；又前瞻性设计了1000例研究，在11个时间节点观察EB病毒DNA变化，把病人分成5个型——3年生存率最好的达91%，最差的只有20%，成果发表在《Cancer Cell》。“只要看到这样几组生存差异，谁也不会给这批病人同样的治疗强度。”

随后150例的二期临床试验按DNA“清零”早晚分层干预：低风险组不改变治疗强度；中风险组增加卡培他滨辅助化疗；高风险组DNA不清零甚至上升，放疗一开始就加用PD-1免疫治疗。结果，中、高风险组的生存率分别从80%提升到91%、从67%提升到86%，AI帮助医生真正实现了分子指标引导的适应性个体化治疗。

大模型进诊室，会写病历，还能“纠错”分期

什么样精度大模型够格在临床上使用呢？孙颖说，目前还缺少相应的法规和法律来衡量，在中山大学肿瘤防治中心采用了NPCBench，也就是面向鼻咽癌多模态诊疗路径推理的临床学徒式评测基准。从专科的临床能力到完整的诊疗路径推理。除了对指南和教科书进行拆解，还增加了病历、影像，然后再把它放在具体的病例去打磨。

通过这样的测评，这样的AI才具备了文本、指南应用的能力、多模态证据的能力。在中山大学肿瘤防治中心的门诊，AI大模型已经开始帮医生干活。比如病人预问诊时上传外院报告的照片或截图，OCR识别后由大模型整理，从主诉、现病史、既往史到诊断治疗，一份病历自动生成。孙颖还特别举了个例子：一位舌癌患者的原来的病历上写着cT3N0M0，AI读出其病理报告后，把分期修正为病理分期pT3N2a，并建议术后辅助放疗或同期放化疗。

“这个结果超出我们的想象，AI还是挺聪明的，OCR识别出病理报告，大模型做判断和治疗建议。”孙颖笑着说。不过她也指出，智能体各有分工——专门做分期的智能体准但慢，生成病历的智能体速度快但专业知识略逊。

孙颖认为，大语言模型擅长读文字，直接读原始图像还远不如医生，因此要训练专业的小模型去读片，而医生要了解AI推理的过程，以判断其是否正确。

目前，在中山大学肿瘤防治中心，AI已经赋能鼻咽癌的“防、筛、诊、疗、康”全流程，让AI真正成为一个生产工具和学习工具。“相信，我们未来的医学的教学模式也应该发生明显的变化。”

高质量的数据不是建出来而是用出来的

为什么中山大学肿瘤防治中心能够如此快速地在肿瘤领域应用好AI，孙颖说，医院历经10年完成数据化，建立了46个专病库和236万患者数据。我们就要让AI读万卷书、行万里路，让它从感知、决策到执行。

“今年初DeepSeek刚出来一个多月，我了解到就有1000多家医院部署；三个月以后，几乎没有人说他还在用。”她认为问题出在数据生态——病人资料要能自动流转，而不是靠人手一份份录入。“医院有公开的数据，加自己私域的数据，以及全球、全国行业的金标准，有了这样的数据，AI才能从爬到走。”

“其实，AI的天花板就是数据。”她对现场的学生提醒：“你没啥事的时候，就标注数据，早晚一天会有用。”

对于AI如何更好地为临床服务，孙颖表示，医工交叉融合十分重要。“我跟每一个工科团队合作课题，基本要花半年时间把我们研究项目的名词先讲清楚，我要了解AI的语言，而AI部门也要了解疾病。”因此，她强烈建议医院AI部门要深度参与数据、算法和验证，做好临床与企业的“翻译和红娘”，这样才能达到真正的融合。

AI助力科研这只是起点，真正的落脚点还是要在临床落地，给患者带来获益。演讲结尾，孙颖引用了“向精、向准、向上、向善”8个字要求AI：“对我们医学尤其是肿瘤的诊疗，首先要有‘精’和‘准’，最后才能实现向上向善。”

文、图| 记者 张华　通讯员 杨澜