人工智能輔助CT肺結(jié)節(jié)良惡性鑒別的研究進展

陳師 胡劍鵬 徐偉 張驥 吳吉明

[摘要] 肺癌屬于臨床常見的惡性腫瘤之一，當(dāng)前胸部CT是進行早期肺癌鑒別的重要方式，但是因其存在“異病同影”等情況，加之受到臨床經(jīng)驗等因素影響，在病灶良惡性鑒別方面有較大差異，極易出現(xiàn)誤診或漏診情況。近年來人工智能被逐漸應(yīng)用于臨床，其在肺結(jié)節(jié)良惡性鑒別方面也發(fā)揮著一定作用。本文從人工智能評估肺結(jié)節(jié)良惡性的基本過程、人工智能模型在鑒別肺結(jié)節(jié)良惡性方面效能、人工智能診斷肺結(jié)節(jié)效能的影響因素、問題及展望方面進行分析，以期提升人工智能輔助CT鑒別肺結(jié)節(jié)良惡性效果。

[關(guān)鍵詞] 良惡性;肺結(jié)節(jié);計算機斷層掃描成像;人工智能;手動分割

[中圖分類號] R445? ? ? ? ? [文獻標識碼] A? ? ? ? ? [文章編號] 1673-9701（2021）30-0184-04

[Abstract] Lung cancer is one of the common clinical malignant tumors. At present， chest CT is an important way to differentiate early lung cancer. However， because of its "different diseases with the same shadow" and the influence of clinical experience， there are significant differences in the differentiation of benign and malignant lesions， and it is easy to have misdiagnosis or missed diagnosis. In recent years， artificial intelligence has been gradually applied in clinical practice， which also plays a role in differentiating benign from malignant pulmonary tuberculosis. This article analyzes the basic process of artificial intelligence in evaluating benign and malignant pulmonary nodules， the efficacy of the artificial intelligence model in differentiating benign and malignant pulmonary nodules， and the influencing factors， problems and prospects of artificial intelligence in diagnosing pulmonary nodules， in order to improve the effect of artificial intelligence assisted CT in differentiating benign and malignant pulmonary nodules.

[Key words] Benign and malignant; Pulmonary nodules; Computed tomography imaging; Artificial intelligence; Manual segmentation

據(jù)一項臨床調(diào)查顯示[1]，男性肺癌患病率和死亡率約占全部惡性腫瘤首位，而女性肺癌患病率居于惡性腫瘤第三位，死亡率則僅次于乳腺癌。伴隨科學(xué)技術(shù)水平的進步，人工智能技術(shù)被逐漸應(yīng)用于臨床中，其在鑒別疾病良惡性時能夠發(fā)揮良好作用[2]。機器學(xué)習(xí)作為人工智能的關(guān)鍵技術(shù)，而深度學(xué)習(xí)計算方法作為新研發(fā)的一種方式，其展示形式為嵌套層次概念，能夠發(fā)揮較強的功能性和靈活性[3]。對于傳統(tǒng)機器學(xué)習(xí)而言，該種方式無需手動提取特征，僅需將病理檢查情況和肺結(jié)節(jié)影像數(shù)據(jù)錄入，則自動生成對應(yīng)關(guān)系。所以，將其應(yīng)用于高通量圖像分析中，可發(fā)揮診斷價值高及效率快等特點。本文在參閱臨床大量文獻的基礎(chǔ)上，對人工智能輔助CT在鑒別肺結(jié)節(jié)良惡性方面情況進行研究，現(xiàn)就相關(guān)內(nèi)容作出綜述。

1 人工智能判斷肺結(jié)節(jié)性質(zhì)的流程

1.1 獲得圖像并重新組合

在檢查者數(shù)量方面，傳統(tǒng)機器學(xué)習(xí)無特殊要求，但是對于深度學(xué)習(xí)而言，其需要更多的檢查數(shù)量才可有效開展檢查。當(dāng)前主要是通過公開數(shù)據(jù)庫和臨床大型醫(yī)院獲取有關(guān)肺結(jié)節(jié)的CT圖像數(shù)據(jù)。在數(shù)據(jù)采集及處理方面，傳統(tǒng)機器學(xué)習(xí)困難度較高，出自不同醫(yī)院的CT影像，采用傳統(tǒng)機器學(xué)習(xí)進行計算時，針對掃描參數(shù)和重組參數(shù)需開展重新規(guī)范，步驟繁瑣。人工智能利用公開數(shù)據(jù)庫，例如美國肺圖像數(shù)據(jù)庫聯(lián)盟等，其能夠規(guī)范采集圖像，并提供全面的資料，操作容易，但是病理結(jié)果和臨床數(shù)據(jù)缺乏真實性，因此一定程度上使準確度下降，僅能最大限度接近影像科醫(yī)師的判斷。當(dāng)病例數(shù)量較少時，能夠通過開展圖像處理方式，例如移動、翻轉(zhuǎn)及旋轉(zhuǎn)等提升圖像多樣性，進而相對性增加病例數(shù)量[4]。CT圖像中介質(zhì)衰減、噪聲及運動偽影會使影像發(fā)生失真情況，無法準確的將肺結(jié)節(jié)有效分類。所以，獲取影像后，利用平滑、歸一化及增強等方式進行預(yù)處理，可提升穩(wěn)定性。在黃云開[5]的研究中，其在肺結(jié)節(jié)良惡性診斷中采用人工智能及CT進行干預(yù)，結(jié)果發(fā)現(xiàn)醫(yī)師閱片診斷準確性為90.00%，而人工智能診斷準確性為94.00%。因此其認為在肺結(jié)節(jié)診斷中采用人工智能閱片，可提升準確度，進而減少誤診及漏診情況。在范鴻禹等[6]的研究中，其發(fā)現(xiàn)對于低年資的醫(yī)師而言，其在利用人工智能進行閱片后，診斷準確性及敏感度有明顯提升，同時有效縮短閱片時間。因此，其認為采用人工智能方式進行閱片，有利于提升低年資醫(yī)師閱片診斷效能，提高準確性。

1.2 分割輪廓

以往將人工勾畫輪廓作為分割主要標準，但是近年來發(fā)現(xiàn)，為盡可能多地包含特征，勾畫者所標記的感興趣區(qū)域一般超過實際范圍，進而導(dǎo)致結(jié)果準確性較差。并且進行人工勾畫可重復(fù)性差、效率低下。二十世紀八十年代出現(xiàn)自動分割方式，其將區(qū)域生長方式作為基礎(chǔ)，當(dāng)前在全自動與半自動分割方面已經(jīng)研發(fā)出更有效的方法。據(jù)臨床一項調(diào)查顯示[7]，自動勾畫法相較于人工分割方式有更高的診斷效能，并且相較于磨玻璃結(jié)節(jié)，實性結(jié)節(jié)采用自動分割所獲得的效果更佳，而對于肺外緣結(jié)節(jié)而言，肺內(nèi)結(jié)節(jié)分割效果更佳。若肺結(jié)節(jié)鄰近縱膈或胸壁處，會導(dǎo)致所識別的感興趣位置沿著周圍結(jié)構(gòu)盲目性擴大。其中肺磨玻璃樣結(jié)節(jié)相較于四周結(jié)構(gòu)對比性不高，并且分隔情況也較低，但是也存在有效進展。盡管其有較多優(yōu)勢，但是也出現(xiàn)一些問題，由于計算方式存在差異，導(dǎo)致分隔情況也發(fā)生差異，尤其在不規(guī)則胸膜旁結(jié)節(jié)方面更加突出，一定程度上限制其在臨床的使用。伴隨卷積神經(jīng)網(wǎng)絡(luò)方式的發(fā)展，可以在計算方式內(nèi)采用隱式方式處理分割，期待可提供同結(jié)節(jié)分割同時開展的機會。在孟祥鹿等[8]的研究中，其在構(gòu)建模型時通過3D深度卷積神經(jīng)網(wǎng)絡(luò)及遞歸神經(jīng)網(wǎng)絡(luò)結(jié)合方式，對肺結(jié)節(jié)密度類型進行分類及分割，結(jié)果發(fā)現(xiàn)骨重建、縱膈重建及肺重建在對肺結(jié)節(jié)密度類型分類準確度依次是（97.89±7.32）%、（98.38±6.61）%、（98.67±5.70）%。因此其認為當(dāng)深度學(xué)習(xí)算法在結(jié)合遞歸神經(jīng)網(wǎng)絡(luò)以及3D卷積神經(jīng)網(wǎng)絡(luò)后，針對不同CT重建計算方法圖像內(nèi)肺結(jié)節(jié)分類及分割均有較穩(wěn)定作用。

1.3 提取特征及篩選

由CT影像內(nèi)采集肺結(jié)節(jié)硬度、形狀和紋理情況，CT水平和分布數(shù)據(jù)代表強度，形態(tài)作為重要補充數(shù)據(jù)，紋理作為顯示肺結(jié)節(jié)內(nèi)部性質(zhì)的關(guān)鍵數(shù)據(jù)。對于惡性結(jié)節(jié)而言，其內(nèi)部異質(zhì)性較明顯，相較于良性肺結(jié)節(jié)而言，惡性肺結(jié)節(jié)峰度更高、偏度更低，另外其熵、熵和、熵差值和對比水平等相較于良性肺結(jié)節(jié)有明顯升高，其中在一致性、相關(guān)度、能量和灰度值方面，惡性結(jié)節(jié)均低于良性[9]。當(dāng)對肺結(jié)節(jié)影像內(nèi)采集的全部特征進行利用，則會出現(xiàn)“過擬合”情況，在新數(shù)據(jù)集上無法重現(xiàn)模型的高準確度，故而需要開展篩選。由影像學(xué)專家篩選出可靠性高、鑒別度高和獨特性征象，可助于建立良好的肺結(jié)節(jié)評估模型。在開展深度學(xué)習(xí)時，能夠通過采用部分方法對圖像進行約束，強制模型對輸入進行選擇，對肺結(jié)節(jié)圖像中重要特征進行自動提取，可一定程度上避免手工標記，發(fā)揮良好的標記效果。在張曉宇等[10]的研究中，其發(fā)現(xiàn)采用雙路徑自動提取深度特征，并與殘差網(wǎng)絡(luò)以及密集連接網(wǎng)絡(luò)進行結(jié)合，進而達到特征復(fù)用，在候選框提取時應(yīng)用三維編碼解碼網(wǎng)絡(luò)結(jié)構(gòu)，并與結(jié)節(jié)空間信息以及上下文信息進行融合，對結(jié)節(jié)位置進行準確定位，生成多尺度候選框，并在全卷積網(wǎng)絡(luò)框架內(nèi)嵌入網(wǎng)絡(luò)，進而對結(jié)節(jié)進行分類。上述計算方法能夠提升肺結(jié)節(jié)檢測速度以及檢出率，敏感度可達到90.50%，在一個序列的肺部CT圖像方面，處理時間僅為5.9 s。

1.4 構(gòu)建預(yù)測模型并進行驗證

傳統(tǒng)機器學(xué)習(xí)方法主要是采用支持向量機，在臨床應(yīng)用過程中發(fā)現(xiàn)，其在運行時對內(nèi)存提出很大要求，同時在調(diào)節(jié)參數(shù)時難度較高，當(dāng)需要開展分類的肺結(jié)節(jié)數(shù)量過多時，會明顯提升運行時間，并且調(diào)控性較差。另外，傳統(tǒng)肺結(jié)節(jié)分類方法有隨機森林和Logistic回歸，在祁聞等[11]的研究中，其發(fā)現(xiàn)利用χ2檢驗對良惡性磨玻璃結(jié)節(jié)的有關(guān)因素進行篩選，并通過構(gòu)建多因素Logistic回歸模型，并繪制出ROC曲線，結(jié)果發(fā)現(xiàn)密度、囊狀透亮影、界面征、毛刺征及分葉征在鑒別肺結(jié)節(jié)良惡性方面具有重要作用，并進行分析發(fā)現(xiàn)毛刺征、毛糙邊界及分葉征同肺結(jié)節(jié)惡性有關(guān)。因此其認為對于磨玻璃結(jié)節(jié)病患而言，出現(xiàn)毛糙邊界、毛刺征以及分葉征時，則提示有惡性病變。在孔令重等[12]的研究中，其對發(fā)現(xiàn)采用Fire Voxel軟件對肺結(jié)節(jié)CT影像內(nèi)紋理參數(shù)進行自動提取，結(jié)果發(fā)現(xiàn)多因素Logistic回歸分析提示熵、能量、胸膜牽拉征、分葉征、毛刺征以及邊界光整是惡性肺結(jié)節(jié)的獨立預(yù)測因素，并依據(jù)其建立ROC曲線，曲線下面積為0.894，而敏感度及特異性依次為93.43%、84.18%。因此其認為對構(gòu)建預(yù)測模型，進行紋理分析，能夠提升早期肺癌預(yù)測價值。卷積神經(jīng)網(wǎng)絡(luò)獲得廣泛應(yīng)用，采用卷積操作可將目標同周圍的像素點進行關(guān)聯(lián)性計算，降低參數(shù)數(shù)量以及內(nèi)存量。依據(jù)卷積神經(jīng)網(wǎng)絡(luò)，有延伸并發(fā)展出較多變型，例如多尺度卷積神經(jīng)網(wǎng)絡(luò)，其對不同尺度肺結(jié)節(jié)圖像塊特征分別訓(xùn)練分類器進行提取，一方面能夠提升準確性，另一方面對不同噪聲的魯棒性較高[13]。但多尺度卷積神經(jīng)網(wǎng)絡(luò)也存在一定缺點，例如提取耗時等。針對該項問題，通過實施多區(qū)域池化，在對不同區(qū)域進行提取時，使用不同次數(shù)的池化操作，能夠有效規(guī)避耗時長問題。在高慧明等[14]的研究中，其對每個候選肺結(jié)節(jié)分別輸入不同尺度的三維卷積神經(jīng)網(wǎng)絡(luò)，并開展訓(xùn)練，結(jié)果發(fā)現(xiàn)在每次掃描一次以及四次假陽性時，敏感度依次為84.90%、90.90%。因此其認為在體積式醫(yī)學(xué)CT數(shù)據(jù)開展特征學(xué)習(xí)時應(yīng)用多尺度三維卷積神經(jīng)網(wǎng)絡(luò)，能夠一定程度上降低假陽性，提升診斷有效性。

2 人工智能模型用于鑒別肺結(jié)節(jié)性質(zhì)的效能

紋理分析是傳統(tǒng)機器學(xué)習(xí)的重要方式，其效果已經(jīng)獲得臨床認可。在李曉卿等[15]的研究中，其發(fā)現(xiàn)熵敏感度為57.10%、特異性為93.20%，熵和敏感度為78.60%、特異性為52.30%，熵差敏感度為85.70%、特異性為70.50%。其認為CT紋理分析在鑒別肺結(jié)節(jié)良惡性方面具有一定價值，其聯(lián)合診斷敏感度較高。臨床還有研究顯示[16]，肺結(jié)節(jié)邊緣部位增殖速度快、微血管密度高，相較于中心而言，邊緣紋理特征更加具有診斷價值。由于腫瘤病灶部位血管生成以及缺氧，在腫瘤位置有大量血管形成和處于缺氧狀態(tài)，通過開展增強掃描可以更加有效的顯示病灶內(nèi)異質(zhì)性。但存在研究發(fā)現(xiàn)，通過增強掃描會影響病灶紋理[17]。傳統(tǒng)機器學(xué)習(xí)方式，需要進行多項圖像分析和模式選擇操作才可對腫瘤進行定量鑒別，前一步性能會對下一步產(chǎn)生重要影響，故而調(diào)整分類性能困難度較高。在梁淑芬等[18]的研究中，其聯(lián)合極限學(xué)習(xí)機進行分類計算，結(jié)果顯示分類準確度為94.12%。因此其認為相較于其他分類計算方法，極限學(xué)習(xí)機分類計算方式能夠提升分類準確性。

3 人工智能診斷肺結(jié)節(jié)效能的影響因素

3.1 數(shù)據(jù)量差異

模型數(shù)據(jù)量越高，其質(zhì)量越優(yōu)，在分類準確度方面則更加好。傳統(tǒng)機器在進行學(xué)習(xí)時，僅需數(shù)十例即可獲得良好效果，數(shù)據(jù)過度則會增加計算量，同時對其準確性也有一定影響。故而，深度進行深入學(xué)習(xí)有利于提升自我進化學(xué)習(xí)功能，通過采集大量數(shù)據(jù)開展訓(xùn)練，進而改善模型瓶頸情況。

3.2 采集特征的方式

相較于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，2D卷積神經(jīng)網(wǎng)絡(luò)增加降采樣層以及卷積層，可降低肺結(jié)節(jié)圖像特征維數(shù)。但是2D卷積神經(jīng)網(wǎng)絡(luò)提取時僅為單張圖像特征，極易出現(xiàn)模型過擬合情況，從而降低診斷效能。3D卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)螐圕T圖像通過堆積方式形成連續(xù)肺結(jié)節(jié)立方體，將每張圖像與卷積核開展連接以及計算，故而在肺結(jié)節(jié)識別率方面，3D卷積神經(jīng)網(wǎng)絡(luò)顯著高于2D卷積神經(jīng)網(wǎng)絡(luò)。在王祥等[19]的研究中，其發(fā)現(xiàn)3D卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)深度學(xué)習(xí)算法模型檢出敏感度是90.00%，準確性是71.00%，平均每例假陽性2.8個。因此其認為3D卷積神經(jīng)網(wǎng)絡(luò)相較于傳統(tǒng)的CAD系統(tǒng)，能夠提升肺結(jié)節(jié)檢出敏感度。但是因受到訓(xùn)練數(shù)據(jù)集偏倚等因素的影響，會對其敏感度造成一定影響。通過實施針對性補充訓(xùn)練數(shù)據(jù)集，例如提升磨玻璃結(jié)節(jié)的比重，能夠進一步增加肺結(jié)節(jié)檢出敏感度。在苗光等[20]的研究中，其對針對肺結(jié)節(jié)診斷效率不高和大量假陽性等問題，提出首先實施2D卷積神經(jīng)網(wǎng)絡(luò)檢測CT圖像，針對圖像中疑似結(jié)節(jié)部位進行快速識別以及定位，并輸出一張同原圖尺寸一樣且有明顯標記的圖像，之后計算出疑似結(jié)節(jié)區(qū)域坐標，依據(jù)坐標值提取疑似結(jié)節(jié)的三維立體圖像塊訓(xùn)練構(gòu)建的3D卷積神經(jīng)網(wǎng)絡(luò)框架，最終使用訓(xùn)練的3D模型對候選結(jié)節(jié)實施二分類處理，進而將假陽性去除。研究后發(fā)現(xiàn)，在將假陽性去除后，假陽性在1時及4時準確率依次為87.30%、97.00%。

3.3 不同重建核

當(dāng)重建核不相同時，在圖像像素值分布方式及噪聲模式方面也有一定差異。在像素間關(guān)系改變的基礎(chǔ)上，提取肺結(jié)節(jié)特征也已經(jīng)出現(xiàn)改變。在劉珍娟等[21]的研究中，其分別觀察骨窗重建、縱膈重建以及肺窗重建在診斷肺結(jié)節(jié)方面的作用，結(jié)果發(fā)現(xiàn)上述三種重建方式診斷肺結(jié)節(jié)敏感度依次為92.73%、86.97%、92.33%，準確性依次為27.84%、37.91%、23.55%。因此其認為在骨窗、縱膈以及肺窗重建下檢測肺結(jié)節(jié)，能夠獲得良好性能，有利于提升工作效率及診斷質(zhì)量。

4 討論

肺癌主要是指起源自氣管、支氣管黏膜或是腺體的一種惡性腫瘤，同時其也是作為常見的肺部原發(fā)性惡性腫瘤[22]。在全世界范圍內(nèi)，肺癌患病率及死亡率均較高，并且呈現(xiàn)升高趨勢。目前，影像學(xué)檢查方式是臨床診斷肺結(jié)節(jié)的常用手段，其中胸部計算機斷層掃描成像技術(shù)（CT）在早期肺癌診斷中較為常用。醫(yī)師在進行良惡性肺結(jié)節(jié)鑒別時主要是依據(jù)CT影像進行判斷[23]。但是由于CT檢查時會出現(xiàn)不同疾病同樣影像及相同疾病不同影像等特點，并且不同年資及臨床經(jīng)驗的醫(yī)師，在鑒別肺結(jié)節(jié)良惡性方面也存在一定差異，使得肺癌誤診或是過度診斷情況時常發(fā)生[24]。盡管臨床將肺組織穿刺活檢作為診斷肺結(jié)節(jié)良惡性的主要依據(jù)，但是該種檢查方式會對機體造成損傷，并且重復(fù)操作性不高，容易出現(xiàn)漏檢等情況，病患滿意度也相對較低[25]。因此，采用新型技術(shù)輔助CT進行肺結(jié)節(jié)良惡性鑒別具有重要意義。

本文包含機器學(xué)習(xí)以及深度學(xué)習(xí)方式，在人工智能評估肺結(jié)節(jié)方面，建立初步認識框架。隨著臨床大數(shù)據(jù)和人工智能算法的進步，其低鑒定肺結(jié)節(jié)性質(zhì)方面將會獲得更加優(yōu)異的效果，并且還可對惡性結(jié)節(jié)進行分級以及分期，并為制定診療措施提供依據(jù)[26]。通過確定基于人工智能的模型，能夠?qū)Y(jié)節(jié)類型進行有效分類，并診斷癌癥，有利于減少病死率，改善疾病預(yù)后。盡管已經(jīng)有大量研究顯示人工智能能夠提升影像科醫(yī)師診斷準確性，但是其在臨床上依舊未能有效推廣和使用。傳統(tǒng)機器學(xué)習(xí)在重復(fù)性方面較差，受到疾病進展和成像形式不同的影響，其紋理特征也會發(fā)生顯著改變[27]。而深度學(xué)習(xí)自身也有部分不足，神經(jīng)網(wǎng)絡(luò)僅是將最終結(jié)果同圖像進行聯(lián)系，但是無法了解分類過程，盡管已經(jīng)存在多任務(wù)和多屬性丟失來協(xié)助模型嘻嘻分葉以及惡性腫瘤等特征，但大部分特征仍是未知的[28]。并且在模型建立時會受到高質(zhì)量胸部CT標注影像缺乏的影響。圖像分割困難，人工分割和標注復(fù)雜等均是導(dǎo)致圖像互通性較差的因素[29]。相信伴隨臨床研究的不斷深入，在突破數(shù)據(jù)數(shù)量限制方面，利用遷移學(xué)習(xí)能夠有效進行規(guī)避，利用遷移學(xué)習(xí)，在極易獲得的大數(shù)據(jù)上對參數(shù)進行訓(xùn)練，隨后通過以訓(xùn)練肺結(jié)節(jié)診斷的神經(jīng)網(wǎng)絡(luò)提升診斷準確性[30]。目前，在人工智能肺結(jié)節(jié)診斷模型方面，臨床已經(jīng)有多種形式，在小范圍內(nèi)進行驗證可以獲得良好的診斷效果，但是依舊無規(guī)范化尺度和權(quán)威研究機構(gòu)評估、對比。因此，希望在今后能夠擁有公開、共同以及共享的數(shù)據(jù)集，為不同模型衡量提供標準，為人工智能可反復(fù)操作奠定基礎(chǔ)。當(dāng)前還需從多方面實施深入研究，進而為人工智能在未來成為輔助診斷肺結(jié)節(jié)重要方式提供可能性。

[參考文獻]

[1] 李會榮，鐘秀，王江川，等.miR-140-5 p通過調(diào)控Wnt1通路對非小細胞肺癌遷移與侵襲能力的影響[J].中國免疫學(xué)雜志，2021，37（2）：186-190，200.

[2] 潘元威，董軍強，胡麗麗，等.螺旋CT灌注成像聯(lián)合血清microRNA-20 a、microRNA-210水平對非小細胞肺癌同步放化療預(yù)后的預(yù)測價值[J].鄭州大學(xué)學(xué)報（醫(yī)學(xué)版），2020，55（2）：281-286.

[3] 王娟，楊震，朱強，等.一種基于人工智能的細胞病理診斷系統(tǒng)在肺癌診斷中的初步應(yīng)用[J].解放軍醫(yī)學(xué)院學(xué)報，2020，41（9）：897-900.

[4] 宋冬冬，朱曉明，朱麗娟，等.雙能CT融合圖像在人工智能肺結(jié)節(jié)篩查中檢測效能的探索研究[J].中國醫(yī)療設(shè)備，2021，36（2）：73-76.

[5] 黃云開.CT高分辨重建聯(lián)合人工智能在肺結(jié)節(jié)識別診斷中的應(yīng)用效果分析[J].現(xiàn)代醫(yī)用影像學(xué)，2021，30（1）：87-89.

[6] 范鴻禹，孫丹丹，張清，等.人工智能輔助低、高年資規(guī)培醫(yī)師對CT肺結(jié)節(jié)檢測效能的對比研究[J]. 中國中西醫(yī)結(jié)合影像學(xué)雜志，2021，19（2）：175-179.

[7] Yang Wenjian，Ding? Huafeng，He Yong，et al.Studying the optimal layout of topological graphs to facilitate the automatic sketching of kinematic chains[J].Journal of Mechanical Design，2017，139（8）：182-185.

[8] 孟祥鹿，幸子健，盧山.基于深度學(xué)習(xí)的肺結(jié)節(jié)分類分割算法及其在不同CT重建算法下的效能評估[J].中華醫(yī)學(xué)雜志，2021，101（7）：476-480.

[9] 崔效楠，劉穎，葉兆祥，等.影像組學(xué)特征對肺純磨玻璃結(jié)節(jié)侵襲性腺癌與非侵襲性腺癌的鑒別價值[J].國際醫(yī)學(xué)放射學(xué)雜志，2018，41（4）：375-378.

[10] 張曉宇，強彥.Ziaur REHMAN.基于雙路徑網(wǎng)絡(luò)的端到端肺結(jié)節(jié)檢測模型[J].計算機工程與設(shè)計，2020，41（12）：3503-3509.

[11] 祁聞，趙紅，王龍勝，等.應(yīng)用Logistic回歸分析方法研究肺部良、惡性磨玻璃結(jié)節(jié)的HRCT影像特征[J].醫(yī)學(xué)研究雜志，2019，48（11）：41-45.

[12] 孔令重，姜壯國，曹小江，等. Logistic回歸分析高分別率CT的紋理特征對孤立性肺結(jié)節(jié)診斷價值[J].新疆醫(yī)科大學(xué)學(xué)報，2019，42（2）：198-202.

[13] 周圍，胡富碧，劉亞斌，等.人工智能CT定量參數(shù)預(yù)測肺腺癌磨玻璃結(jié)節(jié)的侵襲性[J].成都醫(yī)學(xué)院學(xué)報，2021， 16（1）：50-53.

[14] 高慧明，趙涓涓，劉繼華，等.多尺度卷積神經(jīng)網(wǎng)絡(luò)用于肺結(jié)節(jié)假陽性降低[J].計算機工程與設(shè)計，2019，40（9）：2718-2724.

[15] 李曉卿，徐志豪，齊銀萍.CT紋理分析與MSCT三維重建對孤立性肺結(jié)節(jié)良惡性鑒別診斷效能分析[J].影像科學(xué)與光化學(xué)，2020，38（5）：914-918.

[16] 尹泚，毛文杰，李斌，等.人工智能系統(tǒng)在肺結(jié)節(jié)檢出及良惡性鑒別中的應(yīng)用研究[J].中華胸心血管外科雜志，2020，36（9）：553-556.

[17] 高晨，葉劍鋒，吳林玉，等.平掃與增強CT影像組學(xué)特征診斷肺腺癌浸潤性的應(yīng)用研究[J].浙江臨床醫(yī)學(xué)，2019，21（8）：1009-1011.

[18] 梁淑芬，付迎迎，秦傳波，等.正則化極限學(xué)習(xí)機的改進及其在肺結(jié)節(jié)良惡性分類中的應(yīng)用[J].五邑大學(xué)學(xué)報（自然科學(xué)版），2019，33（2）：63-69.

[19] 王祥，李清楚，邵影，等.基于三維卷積神經(jīng)網(wǎng)絡(luò)肺結(jié)節(jié)深度學(xué)習(xí)算法模型臨床效能初步評估[J].放射學(xué)實踐，2019，34（9）：942-946.

[20] 苗光，李朝鋒.二維和三維卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的CT圖像肺結(jié)節(jié)檢測方法[J].激光與光電子學(xué)進展，2018， 55（5）：129-137.

[21] 劉珍娟，傅迎霞，張羽，等.不同CT圖像重建算法下基于深度學(xué)習(xí)的肺結(jié)節(jié)檢測算法效能[J].中國醫(yī)學(xué)影像技術(shù)，2019，35（12）：1775-1779.

[22] 戴正行，胡春洪，王希明，等.基于DenseNet網(wǎng)絡(luò)深度學(xué)習(xí)法CT圖像人工智能分析技術(shù)判斷肺結(jié)節(jié)良惡性[J].放射學(xué)實踐，2020，35（4）：484-488.

[23] 楊鋒，樊軍，田周俊逸，等.人群肺亞實性結(jié)節(jié)CT篩查及人工智能應(yīng)用研究初探[J].中華胸心血管外科雜志，2020，36（3）：145-150.

[24] 李甜，李曉東，劉敬禹.人工智能輔助診斷肺結(jié)節(jié)的臨床價值研究[J].中國全科醫(yī)學(xué)，2020，23（7）：828-831，836.

[25] 宋振春，于鐵鏈.基于人工智能肺結(jié)節(jié)CT特征性診斷優(yōu)勢分析[J].影像研究與醫(yī)學(xué)應(yīng)用，2020，4（20）：67-68.

[26] 陳長波.肺部影像人工智能診斷系統(tǒng)對肺結(jié)節(jié)性質(zhì)的診斷價值分析[J].中國數(shù)字醫(yī)學(xué)，2020，15（11）：40-42，131.

[27] 崔兆國，吳昊，湯敏，等.重建層厚（1/2/3 mm）對人工智能檢測肺結(jié)節(jié)效能的影響[J].中國醫(yī)療設(shè)備，2020，35（10）：103-105.

[28] 馬寧強，趙子光，樊瑋，等.人工智能與人工閱片不同聯(lián)合方法在肺結(jié)節(jié)CT篩查中的比較[J].實用放射學(xué)雜志，2020，36（8）：1317-1321.

[29] 南巖東，李玉娟，劉苗苗，等.人工智能在肺結(jié)節(jié)良惡性鑒別診斷中的價值分析[J].中華肺部疾病雜志（電子版），2020，13（6）：760-763.

[30] 趙呈華.人工智能輔助診斷系統(tǒng)聯(lián)合CT檢查肺結(jié)節(jié)的診斷價值[J].實用臨床醫(yī)藥雜志，2020，24（19）：9-11.

（收稿日期：2021-04-29）