肺結節CT人工智能診斷的研究進展

[摘要] 隨著低劑量CT篩查的普及，肺結節的檢出率顯著提高。人工智能（artificial intelligence，AI）技術的快速發展為肺結節的精準診療帶來顯著進展。本文綜述AI在肺結節檢測、良惡性鑒別、病理分型預測及治療規劃中的最新研究進展。深度學習算法及多模態融合模型在肺結節檢出、良惡性鑒別及臨床治療方法選擇方面具有明顯應用優勢，基于影像組學的預測模型可準確評估結節的侵襲性和基因突變狀態，盡管面臨數據標準化和臨床轉化等挑戰，AI技術正推動肺結節診療向智能化、精準化方向發展。

[關鍵詞] 人工智能；肺結節診療；多模態融合；影像組學

[中圖分類號] R563" """"[文獻標識碼] A """""[DOI] 10.3969/j.issn.1673-9701.2025.23.026

肺癌居全球癌癥死亡率首位，早期診斷是改善預后的關鍵^[1]。低劑量CT篩查提升肺結節檢出率，但隨之帶來兩個核心挑戰：①放射科醫師閱片工作量激增導致的漏診風險；②對亞厘米結節定性診斷的準確性不足^[2-5]。人工智能（artificial intelligence，AI）技術通過深度學習、影像組學等方法在結節自動檢測、惡性風險評估、病理特征預測等方面展現出突破性進展^[6]。本文整合近幾年最新研究，系統闡述AI技術在肺結節診療全流程中的應用現狀與發展方向。

1 "AI技術體系創新

1.1" 深度學習模型優化

在肺結節智能診斷領域，深度學習模型架構的持續創新正推動著檢測性能的邊界突破。劉剛等^[8]提出的ResNet-101-FPN混合架構，通過特征金字塔網絡實現多尺度特征融合，在包含1632個結節的驗證集展現出94.2%的惡性鑒別準確率，其雙路徑特征提取機制有效克服傳統模型對微小結節（lt;5mm）特征捕獲不足的缺陷。對動態影像分析的特殊需求，冉姍姍等^[8]研發的微變放大卷積網絡開創性地引入時序注意力模塊，在胸腔鏡視頻流處理中實現96.9%的實時識別準確率，其設計的動態感受野調節單元可精準捕捉結節在呼吸運動中的形態演變特征。面對臨床小樣本數據挑戰，通過采用遷移學習策略優化3D-CNN模型，預訓練–微調范式在1472例多中心數據上獲得的曲線下面積（area under the curve，AUC）為0.98，特別在磨玻璃結節（ground-glass nodule，GGN）亞型分類任務中，模型對原位腺癌與微浸潤腺癌的區分敏感度達到92.7%^[9]。這些創新不僅顯著提升診斷效能，更推動著肺結節分析從靜態向動態影像的范式轉變。

1.2 "影像組學特征挖掘

隨著影像組學技術的迭代升級，肺結節特征分析已突破傳統形態學參數的局限，向多維度、高維度的定量化特征體系邁進。研究揭示三維形態特征的臨床價值：通過對427例GGN進行全肺實質分割，采用Mimics 21.0軟件提取3D長徑和平均CT值的聯合診斷模型，在區分浸潤性腺癌時AUC達0.953，其診斷效能顯著優于傳統二維測量。在紋理特征領域，多中心研究證實熵值作為異質性量化指標的關鍵作用：基于灰度共生矩陣計算的熵值gt;6.83時，結節浸潤風險增加8.23倍，該參數聯合實性成分占比可準確預測間質浸潤程度^[10]。梁云等^[11]研發的RadCloud 3.0平臺通過直方圖峰度分析聯合Haar小波變換，從動脈期CT圖像中提取12 486個候選特征，經LASSO回歸分析篩選出8個核心特征構建列線圖模型，在≤30mm肺結節的惡性預測中展現出的AUC為0.934。該模型整合二階紋理參數和形態學異質性指數，臨床驗證顯示醫師聯合模型診斷的準確率提升。這些進展標志著肺結節分析從主觀經驗判斷向客觀定量評估的范式轉型，為個體化診療提供可量化的決策依據。

1.3 "多模態數據融合

在肺結節精準診療領域，多模態數據融合技術正突破單一影像維度的診斷瓶頸，開創多維信息協同分析的新范式^[12]。構建跨模態診斷模型將CT影像組學特征（包括結節分葉指數、血管集束征）與血清腫瘤標志物進行特征級融合，通過XGBoost算法篩選出12個關鍵變量，使低分化腺癌預測準確率從單模態模型的76.4%升至89.6%，且顯著降低炎性假瘤誤診率。在介入治療領域，跨模態時空注意力網絡突破性實現胸腔鏡視頻流與術前三維CT的毫秒級配準，通過可變形卷積層建立動態形變場，在103例肺段切除術中達成（1.28±0.31）mm的導航誤差，較傳統光學導航系統精度提升顯著。該技術通過特征金字塔融合模塊，將器械末端定位延時壓縮至47ms，使術中實時更新頻率達21幀/s，顯著縮短亞肺葉切除的手術時間。這些突破標志著肺結節診療從單一模態分析邁向“影像–生化–功能”的多維協同決策新時代^[13]。

2 "臨床應用突破

2.1 "智能檢測與量化

人工智能系統在肺結節檢測與量化領域展現出革命性效能突破。多中心隨機對照研究證實：基于U-Net架構的AI檢測算法對lt;5mm微小結節的檢出率達98.7%，較資深放射科醫師提升38個百分點，尤其在胸膜下區和血管旁區域表現尤為突出^[14]。AI系統通過并行處理技術實現全肺自動掃描，單病例平均閱片耗時僅（1.2±0.3）min，較人工閱片效率提升6倍，且保持98.2%的結節定位重復性。在定量分析方面，深度學習分割模型采用自適應閾值三維重建技術，其體積測量與病理切片金標準的相關性系數達0.93，直徑測量誤差控制在（0.12±0.03）mm范圍內，顯著優于傳統手動勾畫。這些進展為臨床提供亞毫米級精度的量化工具，極大降低微小病灶隨訪中的測量變異性。

2.2 "良惡性鑒別

多模態參數的協同分析顯著提升肺結節的鑒別診斷效能。在傳統影像特征領域，通過量化空泡征和微血管穿行征等關鍵指標，為其診斷敏感度較傳統Lung-RADS標準提升顯著。動態增強技術方面，采用雙能CT虛擬平掃技術，在靜脈期生成等效于常規平掃的圖像，輻射劑量從（3.5±0.8）mSv降至（2.4±0.6）mSv，同時與病理結果及診斷高度一致性。液體活檢領域取得突破性進展，篩選出p53、SOX2等多種肺癌相關自身抗體構建聯合診斷模型^[9]；在早期肺癌檢測中特異性高，與CT形態學特征聯合應用時，可將Ⅰ期肺癌診斷敏感度從67.4%提升至89.5%。這種影像–分子多維度評估體系，為臨床提供更可靠的鑒別診斷決策支持^[15]。

2.3 "病理分型預測

基于多模態數據的病理特征預測技術正突破傳統組織病理學的時空局限性。在分化程度評估領域，通過對1042例肺腺癌的多因素分析，構建包含癌胚抗原水平、腫瘤最大直徑及支氣管截斷征的Nomogram模型，預測低分化腺癌的AUC達0.896，其校準曲線顯示預測概率與實際病理結果的平均絕對誤差僅3.8%^[16]。浸潤程度預測方面，采用迭代閾值法計算的實性成分質量占比gt;5%時，間質浸潤風險增加6.23倍，且與病理Ki-67指數呈正相關。基因突變預測取得突破性進展：基于CT影像組學的深度學習模型通過提取小波變換特征預測EGFR突變的總準確率達82%，而對KRAS突變的鑒別AUC為0.79^[15]。這些非侵入性預測工具為術前精準制定個體化治療方案提供關鍵決策依據。

2.4 "治療規劃革新

人工智能技術正在重塑肺結節治療的決策體系。在手術導航領域，DeepVessel 3D系統通過改進型U-Net血管分割算法，實現肺段血管分支99.3%的識別準確率，結合增強現實技術縮短胸腔鏡術前規劃時間，成功應用于326例肺段切除術。放療靶區勾畫方面，深度學習迭代重建算法嵌入生成對抗網絡架構，在保持0.35mm空間分辨率的前提下，CT輻射劑量從常規1.8mSv降至1.2mSv，重建圖像噪聲指數優于傳統iDose 4算法。療效評估領域取得突破性進展：ResNet-101-FPN模型通過提取術后3個月CT的22個影像組學特征，聯合臨床TNM分期構建復發預測模型，獨立測試集顯示準確率達94.2%，較單一醫師判斷提升18.3%^[17]。這些技術革新推動肺結節治療向精準化、微創化方向快速發展。

3 "技術挑戰與對策

3.1 "數據標準化困境

肺結節AI診療面臨的核心挑戰源于醫療數據的異質性。在相同掃描協議下，不同設備間肺實質CT值有所差異，導致紋理特征提取穩定性下降。交叉驗證實驗顯示，當AI系統采用不同分割標準時，結節體積測量偏差超過15%，直接影響生長速率評估準確性。應對策略方面，通過統一掃描參數和DICOM標準化預處理，整合6省11家醫院的3782例結構化數據，使跨設備特征變異度降低72%。同時，自適應迭代重建技術采用設備無關的CT值校正模塊，通過建立掃描儀指紋圖譜，將不同機型CT值差異控制在±5Hu內^[18]。這些標準化措施為AI模型的泛化能力提升奠定技術基礎。

3.2 "模型泛化能力局限

當前AI模型在跨機構應用中的性能衰減問題亟待解決。研究顯示AI系統在二級醫院獨立診斷的總體準確率較三甲醫院有所下降，其中混合性磨玻璃結節（mixed ground-glass nodule，mGGN）的誤診率高達24.3%，主要源于基層醫院CT圖像噪聲水平顯著高于訓練數據集^[19]。在病灶異質性分析中，模型對部分實性結節的實性成分占比測量誤差達（18.7±6.2）%，導致32.5%的炎性肉芽腫被誤判為惡性^[20]。改進方向聚焦于：①遷移學習優化，抗性領域自適應框架，通過PyTorch實現的梯度反轉層在6000例跨域數據訓練后，將基層醫院診斷AUC提升至0.89；②架構革新，跨模態三維Transformer網絡集成多任務學習機制，其設計的病灶–背景解耦模塊使混合結節分類F1-score提升至0.91。這些技術突破為提升模型魯棒性提供新路徑。

4 "未來發展方向

4.1 "多組學整合

肺結節診療正邁向“影像–分子–臨床”多組學深度融合的新階段。影像–基因組學融合模型通過神經網絡架構整合CT影像組學特征與全外顯子測序數據，將EGFR突變預測AUC提升至0.89，其構建的突變驅動型亞型分類系統可精準預測奧希替尼治療應答率。在液體活檢領域，基于二代測序的ctDNA甲基化動態監測技術取得突破：通過檢測HOXA9、SOX17等基因的DAN甲基化水平，聯合CT影像的毛刺征、胸膜牽拉征等特征，多模態早癌預警系統可在傳統診斷前6～18個月識別高危結節，基于甲基化指數聯合影像惡性概率模型，可提升預警敏感度^[21]。

4.2 "DeepSeek智能體的崛起

DeepSeek在醫療領域的深度融合正推動行業變革，形成覆蓋診斷–治療–管理的全鏈條解決方案^[22]。在臨床診療方面，其整合多種疾病知識圖譜，實時生成診斷建議，提升門診診斷符合率，并精準識別急危重癥特征，實現腫瘤早期預警與藥物過敏風險攔截；通過多模態醫學影像分析，肺癌篩查早期發現率有所提高，腦部疾病檢測達主治醫師水平。同時首創“邊診療邊質控”模式，病歷規范率顯著提升，門診誤診率下降，住院診療周期縮短。在資源優化方面，AI系統賦能基層醫療，使低年資醫生處理復雜病例能力提升，家庭醫生慢病隨訪方案自動生成效率提高；縣域“一云多端”體系實現急診預分析，搶救響應時間縮短，可穿戴設備建立的預警網絡將異常指標處理效率提升。技術層面，DeepSeek采用混合專家模型與INT4量化技術，訓練成本低，推理延遲降低，并基于開源生態接入華為、京東等企業，覆蓋藥物研發、基因定制治療及慢病管理等場景，已推動多家醫療企業技術整合，加速AI在影像診斷、健康監測等領域的規模化落地^[23]。

4.3 "診療全流程覆蓋

AI技術正從單一診斷環節向“篩查–診斷–治療–隨訪”全鏈條延伸：智能風險分層：動態風險評估體系整合吸煙包年、Lung-RADS 4X分級及血清miRNA-21表達水平，通過列線圖模型量化5年肺癌風險，其在前瞻性隊列中的惡性轉化預測C-指數達0.921^[23]。全周期智能隨訪：GROW-Net系統通過三維配準技術追蹤結節體積變化，當年生長速率gt;28%或實性成分倍增時間lt;400d時觸發紅色預警。該系統整合影像組學特征時序分析模塊，可自動生成個體化隨訪方案，并與醫院PACS系統實時對接，實現全流程自動化管理。治療決策支持：最新研究將AI應用延伸至預后預測領域，術后復發模型通過分析術前CT的22個影像組學特征聯合術后病理脈管侵犯狀態，可準確預測3年無復發生存率，指導輔助化療方案選擇^[24]。這些發展趨勢標志著肺結節管理進入智能驅動、全程閉環的新時代，通過多維度數據融合與實時決策支持，最終實現從“病灶發現”到“健康結局”的轉化醫學突破。

5 "小結

AI技術正在重塑肺結節診療范式：在檢測環節實現亞毫米級精確定量，良惡性鑒別準確率顯著提升，病理預測從形態學邁向分子層面。隨著多模態融合、邊緣計算等技術的發展及臨床轉化路徑的完善，AI將推動肺癌早診進入“智能篩查–精準診斷–個性化治療”的新時代。但需注意的是，技術突破必須與臨床需求深度耦合，通過多學科協作解決數據異質性、模型可解釋性等關鍵問題，才能真正實現從技術創新到臨床價值的轉化。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

[1]"" 賀呈祥， 栗欣， 張懷瑢. 基于人工智能與影像醫生對肺結節檢出效能的應用價值[J]. 寧夏醫科大學學報， 2024， 46（9）： 911–914.

[2]"" EWALS J L， HEESTERBEEK J J L， YU B， et al. The impact of expectation management and model transparency on radiologists’ trust and utilization of AI recommendations for lung nodule assessment on computed tomography： Simulated use study[J]. JMIR AI， 2024， 3（1）： e52211.

[3]"" 沈小欽， 梁紅， 朱曉瓊. CT圖像人工智能輔助診斷系統鑒別肺結節良惡性的價值[J]. 中國輻射衛生， 2024， 33（5）： 578–583.

[4]"" 蔣捷， 劉鋒， 王波， 等. CT聯合腫瘤標志物對肺結節低分化腺癌預測模型的構建[J]. 中國胸心血管外科臨床雜志， 2025， 32（1）： 73–79.

[5]"" SHI W， HU Y， CHANG G， et al. Development of a clinical prediction model for benign and malignant pulmonary nodules with a CTR ≥ 50% utilizing artificial intelligence-driven radiomics analysis[J]. BMC Med Imaging， 2025， 25（1）： 21.

[6]"" 朱列， 姚本波， 錢勇. 基于CT人工智能參數、血清學指標構建孤立性肺結節惡變風險模型與驗證[J]. 河北醫藥， 2025， 47（1）： 33–37.

[7]"" 劉剛， 解曉婷， 何慧， 等. 基于CT殘差神經網絡-101-金字塔網絡模型鑒別肺良、惡性結節[J]. 中國介入影像與治療學， 2024， 21（7）： 414–417.

[8]"" 冉姍姍， 陳佳情， 羅朝芬， 等. 基于人工智能的影像組學在肺癌診療中的應用進展[J]. 國際醫學放射學雜志， 2024， 47（3）： 294–299.

[9]"" 郭佳. 人工智能結合PET/CT與高分辨CT對肺部炎性肉芽腫結節定性分析的臨床研究[J]. 基層醫學論壇， 2024， 28（27）： 9–13.

[10] 孫德秀， 馬雋. 高分辨率CT聯合人工智能對肺磨玻璃結節的定性診斷價值[J]. 中國衛生工程學， 2024， 23（5）： 656–658.

[11] 梁云， 任蒙蒙， 黃德龍， 等. 人工智能量化參數鑒別Ⅰ期浸潤性肺腺癌病理分級的臨床價值[J]. 中國胸心血管外科臨床雜志， 2025， 32（4）： 1–12.

[12] PASINI R A， AL-ANI M A， A S， et al. Multimodality imaging for the diagnosis and evaluation of pulmonary sarcoidosis[J]. Radiol Cardiothorac Imaging， 2025， 7（2）： e240294.

[13] 高超， 周小昀， 郭超， 等. 人工智能在胸外科規范化培訓教學中肺結節分析與肺段切除規劃的應用效果研究[J]. 中國胸心血管外科臨床雜志， 2025， 32（4）： 1–4.

[14] HE S， JIA H W， JUN F W， et al. Clinical study of artificial intelligence in imaging diagnosis of 1 positive lesions of pulmonary nodules[J]. J College Physi Sur Pakistan， 2023， 33（10）： 1087–1092.

[15] 邵永超. 人工智能輔助診斷系統在肺結節CT診斷中的應用價值[J]. 影像研究與醫學應用， 2024， 8（12）： 95–97.

[16] 鐘麗茹， 羅娜， 賀露瑤. 多個人工智能輔助診斷系統對肺結節的診斷效能比較[J]. 影像研究與醫學應用， 2024， 8（17）： 26–29.

[17] TAKESHITA Y， ONOZAWA S， KATASE S， et al. Evaluation of an artificial intelligence U-net algorithm for pulmonary nodule tracking on chest computed tomography images[J]. J Inter Med Res， 2024， 52（2）： 3000605241230033.

[18] MA Y Z， ZHANG L H， LV J F， et al. An artificial intelligence algorithm for the detection of pulmonary ground-glass nodules on spectral detector CT： Performance on virtual monochromatic images[J]. BMC Med Imaging， 2024， 24（1）： 293.

[19] 鐘祖春， 蔡龍， 李第芬. 人工智能在縣級基層醫院惡性肺結節鑒別診斷中的輔助價值研究[J]. 贛南醫科大學學報， 2024， 44（10）： 1030–1033.

[20] PETERS A A， WIESCHOLEK N， MüLLER M， et al. Impact of artificial intelligence assistance on pulmonary nodule detection and localization in chest CT： A comparative study among radiologists of varying experience levels[J]. Sci Rep， 2024， 14（1）： 22447.

[21] 閆溫馨， 劉玨， 梁萬年. DeepSeek賦能全科醫學： 潛在應用與展望[J]. 中國全科醫學， 2025， 28（17）： 2065–2069.

[22] 閭海榮， 江瑞， 張學工， 等. DeepSeek與醫學大語言模型： 技術創新與醫療服務模式重構[J]. 醫學信息學雜志， 2025， 46（2）： 1–7.

[23] 王定瑞， 解楨， 劉帥， 等. 孤立性肺結節風險預測模型的研究進展[J]. 臨床醫學研究與實踐， 2025， 10（4）： 191–194.

[24] 周福興， 史萬旭， 張永娣， 等. 人工智能在肺結節影像學診斷中的應用進展[J]. 中國社區醫師， 2024， 40（31）： 8–10.

（收稿日期：2025–03–22）

（修回日期：2025–07–11）

基金項目：南京醫科大學康達學院科研發展基金課題（KD2023KYJJ082）；連云港市腫瘤防治科技發展計劃項目（MS202415）

通信作者：周建國，電子信箱：sunzhenhucool@163.com