基于深度学习的肺结节筛检和定性诊断分析

摘要

目的探讨基于深度学习的人工智能(AI)在肺结节检测和定性诊断中的临床价值。方法收集行胸部CT平扫的250例患者。分为住院医(A组)、AI(B组)和住院医结合AI(C组)三组,比较三组对肺结节检出的误诊率、漏诊率、敏感度、阳性预测值和平均诊断时间。同时分别比较实性结节和磨玻璃结节(GGN)良恶性的AI量化参数,对有统计学差异的参数行ROC曲线分析。结果以两名高年资主任医师共同阅片结果为参照标准,确认有2230个结节。B组的误诊率明显高于A、C两组,阳性预测值明显小于A、C两组(P<0.05)。A组的漏诊率明显高于B、C两组,敏感度明显低于B、C两组(P<0.05)。B组平均诊断时间明显少于A、C两组(P<0.05)。实性良、恶性结节的长径、最大面积、体积、最小CT值和恶性概率差异均有统计学意义(P<0.05),ROC曲线下面积(AUC)大于0.7的参数为:长径、最大面积、体积、恶性概率。GGN良、恶性结节的长径、最大面积、体积、平均CT值、最大CT值和恶性概率差异均有统计学意义(P<0.05),对各参数行ROC曲线分析,AUC均大于0.7。结论AI协助阅片可明显提高工作效率和肺结节检出敏感度,并减少误诊率和漏诊率,同时AI对肺结节良恶性的预判具有一定参考价值。