基于深度學(xué)習(xí)的人工智能技術(shù)對(duì)肺亞實(shí)性結(jié)節(jié)檢出與診斷的研究進(jìn)展△

李鳳蘭，齊琳琳，劉嘉寧，王建衛(wèi)

國家癌癥中心/國家腫瘤臨床醫(yī)學(xué)研究中心/中國醫(yī)學(xué)科學(xué)院北京協(xié)和醫(yī)學(xué)院腫瘤醫(yī)院影像診斷科，北京 100021

根據(jù)國家癌癥中心2022年更新的全國癌癥統(tǒng)計(jì)數(shù)據(jù)，肺癌仍為中國發(fā)病率和病死率最高的惡性腫瘤[1]。持續(xù)存在的肺亞實(shí)性結(jié)節(jié)（subsolid nodule，SSN）與早期肺腺癌密切相關(guān)[2]，一項(xiàng)在中國醫(yī)院?jiǎn)T工中進(jìn)行的胸部低劑量CT（low-dose CT，LDCT）篩查研究顯示，95.5%篩查出的肺癌在CT圖像上表現(xiàn)為SSN[3]，包括純磨玻璃結(jié)節(jié)（pure ground glass nodule，pGGN）和混合磨玻璃結(jié)節(jié)（mixed ground glass nodule，mGGN）。隨著LDCT和高分辨率CT（high resolution CT，HRCT）應(yīng)用增多，越來越多的肺SSN 被檢出，放射科醫(yī)師面臨巨大的工作壓力。人工智能（artificial intelligence，AI）可以從大量可靠數(shù)據(jù)中挖掘規(guī)律，自動(dòng)學(xué)習(xí)影像圖像中隱含的特征信息，并對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)，在肺SSN 檢出和肺癌診斷方面具備良好的效能，從而輔助放射科醫(yī)師提高工作效率，降低漏診率。本文對(duì)近年來基于深度學(xué)習(xí)的AI 技術(shù)對(duì)肺SSN 檢出與診斷方面的研究進(jìn)展展開綜述。

1 基于深度學(xué)習(xí)的AI 技術(shù)

深度學(xué)習(xí)是由多層級(jí)聯(lián)的非線性處理單元構(gòu)成，從而進(jìn)行多層次特征學(xué)習(xí)。目前醫(yī)學(xué)影像領(lǐng)域中最常用的有監(jiān)督訓(xùn)練方式的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）模型，是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、卷積層、池化層、全連接層及輸出層構(gòu)成?；谏疃葘W(xué)習(xí)的AI 技術(shù)不斷更新與成熟，包括模型的不同維度、不同算法，采用多視角、多尺度、多任務(wù)以及不同技術(shù)融合等，使AI 輔助肺SSN檢出和診斷的效能不斷提高。

為解決深部CNN 產(chǎn)生的退化問題和消失梯度問題，Gong 等[4]提出基于殘差學(xué)習(xí)的CNN 模型可提高對(duì)肺SSN 中不同亞型肺腺癌分類的性能。Huang 等[5]采用深度遷移學(xué)習(xí)模型對(duì)參數(shù)微調(diào)實(shí)現(xiàn)不同模型間權(quán)重參數(shù)的轉(zhuǎn)移，使模型的泛化性能提升。Wang 等[6]提出兩個(gè)階段深度學(xué)習(xí)策略，先基于多個(gè)3D-CNN 的弱分類器，再采用自適應(yīng)Boost 深度學(xué)習(xí)方法訓(xùn)練強(qiáng)分類器，從而提高肺SSN 分類性能以及降低深層模型的總規(guī)模。

基于深度學(xué)習(xí)的2D 模型轉(zhuǎn)換為3D 模型能有效捕捉肺病灶連續(xù)圖像的立體空間特征并整合全貌信息，從而輔助診斷肺SSN。楊婧等[7]研究結(jié)果顯示，2D 模型預(yù)測(cè)mGGN 病理亞型的效能顯著優(yōu)于3D 模 型[曲線下面積（area under the curve，AUC）：0.8889vs0.6667]。然而，Kim 等[8]研究顯示，2.5D 模型診斷肺SSN 顯示出高特異度（88.2%）和高靈敏度（90.0%），其效能顯著優(yōu)于3D 模型（AUC：0.921vs0.835），可能由于2.5D 模型中描述肺SSN 診斷特征的信息高于3D 模型，且3D 模型存在過擬合的趨勢(shì)。

基于深度學(xué)習(xí)的3D 模型通過多視圖或多感受野對(duì)病灶進(jìn)行采樣和識(shí)別，可緩解訓(xùn)練模型中數(shù)據(jù)不足的問題，并保證數(shù)據(jù)的完整性，提高整體性能，但往往是耗時(shí)的。Han 等[9]采用的融合混合重采樣和分層微調(diào)3D-CNN 模型顯示出比任何單一訓(xùn)練模型更好的性能。Setio 等[10]采用2D 多視圖CNN 模型降低了肺SSN 檢出的假陽性率。

2 肺SSN 檢出情況

放射科醫(yī)師雙閱片模式下對(duì)pGGN 的漏診率仍較高[11]，計(jì)算機(jī)輔助檢測(cè)（computer-aided detection，CAD）系統(tǒng)發(fā)現(xiàn)放射科醫(yī)師漏診了56%～70%的肺癌[12]，基于深度學(xué)習(xí)的AI 技術(shù)在臨床上有較高價(jià)值，可輔助放射科醫(yī)師提高肺SSN 的檢出率，降低漏診率，但假陽性率較高[13-18]?；谏疃葘W(xué)習(xí)的AI 技術(shù)對(duì)實(shí)性結(jié)節(jié)（solid nodule，SN）的檢出效能總體高于肺SSN，但隨著深度學(xué)習(xí)模型的實(shí)踐應(yīng)用，SSN 的檢出效能呈現(xiàn)逐漸增長趨勢(shì)。

Setio 等[10]采用2D 深度學(xué)習(xí)多視角模型對(duì)SN的檢出靈敏度為85.7%，但對(duì)SSN 的檢出靈敏度只有36.1%。Xiao 等[19]研究發(fā)現(xiàn)，異構(gòu)CNN 模型對(duì)SSN 的檢出靈敏度和準(zhǔn)確度均低于SN。Wang 等[20]發(fā)現(xiàn)，基于深度學(xué)習(xí)的3D 多任務(wù)模型對(duì)pGGN 的檢測(cè)效能顯著高于mGGN 和SN（AUC：0.9707vs0.7789vs0.8950），但對(duì)SSN 的檢出靈敏度和準(zhǔn)確度均低于SN。

隨著深度學(xué)習(xí)模型的優(yōu)化和實(shí)踐，其對(duì)SSN的檢出表現(xiàn)出更高的靈敏度[13]。Han 等[9]采用專門針對(duì)SSN 的3D-CNN 模型，使其對(duì)SSN 的檢出靈敏度高達(dá)96.64%。Li 等[18]研究顯示，基于深度學(xué)習(xí)的AI 模型對(duì)pGGN 的檢出靈敏度為100%，特異度為96.1%，與放射科醫(yī)師雙閱片模式相近；但對(duì)mGGN 的檢出靈敏度為55.5%，特異度為93.0%，低于放射科醫(yī)師雙閱片模式，模型假陽性率顯著高于放射科醫(yī)師雙閱片模式。蔡雅倩等[14]發(fā)現(xiàn)，相對(duì)于僅采用AI 軟件或僅放射科醫(yī)師閱片，AI 聯(lián)合放射科醫(yī)師閱片可明顯提高SSN 的檢出靈敏度（96.02%vs93.98%vs65.20%），并降低誤診率和漏診率。孟曉燕等[15]研究顯示，AI 在肺癌LDCT 篩查中對(duì)mGGN 和pGGN 的檢出靈敏度（83%、83%）均顯著高于低年資放射科醫(yī)師（55%、55%），其對(duì)pGGN 的檢出靈敏度較以往有明顯提升，且假陽性率降低。

3 肺SSN 良惡性鑒別、病理亞型預(yù)測(cè)和浸潤性預(yù)測(cè)

2021年發(fā)布的《WHO 胸部腫瘤分類（第5 版）》將肺原位腺癌（adenocarcinoma in situ，AIS）和不典型腺瘤樣增生（atypical adenomatous hyperplasia，AAH）一起劃歸為腺體前驅(qū)病變，為肺腺癌癌前病變，不再稱為浸潤前病變（preinvasive lesion，PL）[21]。目前，對(duì)癌前病變可采取隨訪觀察，肺微浸潤腺癌（minimally invasive adenocarcinoma，MIA）推薦隨訪觀察或行解剖性肺段切除/楔形切除加或不加選擇性縱隔淋巴結(jié)清掃，而肺浸潤腺癌（invasive adenocarcinoma，IA）推薦行肺葉切除術(shù)[22-23]?？傮w而言，SSN 型肺癌比SN 型肺癌預(yù)后好。其中，F(xiàn)u 等[24]報(bào)道，Ⅰ期浸潤性非小細(xì)胞肺癌中pGGN、mGGN和SN 患者的5年無復(fù)發(fā)生存率分別為100%、87.6%和73.2%。Hattori 等[25]研究表明，SSN 組ⅠA期肺腺癌患者的5年總生存率為91.2%，SN 組ⅠA期肺腺癌患者的5年總生存率為68.9%。故術(shù)前對(duì)肺SSN 準(zhǔn)確分類對(duì)患者臨床決策和預(yù)后評(píng)估很有幫助。

3.1 肺SSN 良惡性鑒別

基于深度學(xué)習(xí)的AI 技術(shù)能夠輔助放射科醫(yī)師鑒別SSN 的良惡性以及預(yù)測(cè)惡性概率[26-28]，其診斷惡性SSN 的靈敏度較高，但放射科醫(yī)師對(duì)良惡性SSN 的診斷特異度明顯優(yōu)于AI。Shen 等[29]研究顯示，3D-CNN 模型診斷惡性肺SSN 的靈敏度為86.1%，特異度為83.8%。Hu 等[30]研究發(fā)現(xiàn)，深度神經(jīng)網(wǎng)絡(luò)（deep neural network，DNN）和影像組學(xué)融合模型在鑒別SSN 良惡性方面的效能顯著優(yōu)于DNN 模型和影像組學(xué)模型[AUC：（0.73±0.06）vs（0.62±0.07）vs（0.65±0.06）]，融合模型具有最高準(zhǔn)確度（75.6%）。

3.2 肺SSN 病理亞型及浸潤性預(yù)測(cè)

基于深度學(xué)習(xí)的AI 技術(shù)輔助預(yù)測(cè)肺SSN 浸潤性方面具有較高的效能，相較三分類（AAH+AIS，MIA，IA），二分類（AAH+AIS+MIA，IA；AAH+AIS，MIA+IA；AIS+MIA，IA；AIS，MIA）更為常用且靈敏度、特異度和準(zhǔn)確度均高于三分類。三分類中，Jiang 等[31]采用CNN 模型預(yù)測(cè)肺SSN 為良性與PL、MIA 和IA 的準(zhǔn)確度為93%。Yu 等[32]采用3D多任務(wù)模型預(yù)測(cè)SSN 浸潤情況，三分類的診斷靈敏度、特異度和準(zhǔn)確度分別為65.41%、82.21%和64.9%，均顯著低于二分類（69.57%、95.24%和87.42%）。多項(xiàng)研究顯示，基于深度學(xué)習(xí)的3D-CNN模型在預(yù)測(cè)肺SSN 浸潤性時(shí)，二分類具有較高效能，其靈敏度為83.7%～88.5%，特異度為76.2%～87.0%，準(zhǔn)確度為73.4%～85.2%，AUC 為0.892～0.926，均優(yōu)于傳統(tǒng)方法和放射科醫(yī)師閱片[6,29,33-37]。Kim 等[8]采用2.5D-DenseNet 模型識(shí)別肺SSN 為IA的診斷靈敏度為90.0%，特異度為88.2%。Gong等[4]利用深度殘差學(xué)習(xí)模型預(yù)測(cè)SSN 為IA 的診斷準(zhǔn)確度為83.3%，AUC 為（0.92±0.03）。

此外，基于深度學(xué)習(xí)的AI 技術(shù)融合瘤周模型在預(yù)測(cè)SSN 浸潤性方面具有潛在貢獻(xiàn)。Wang 等[38]指出，融合瘤周的深度學(xué)習(xí)模型在預(yù)測(cè)SSN 浸潤性方面（AAH+AIS+MIA，IA）的效能顯著優(yōu)于基于腫瘤的模型（AUC：0.955vs0.921）。Xu 等[39]研究也顯示該模型具有較高效能，其靈敏度、特異度和準(zhǔn)確度分別為86.7%、73.3%和82.2%，AUC 為0.831。影像組學(xué)在鑒別肺SSN 良惡性方面的AUC為0.79～0.98[40-42]，在鑒別肺SSN 浸潤性方面的AUC可達(dá)0.971[43]，基于深度學(xué)習(xí)的AI 技術(shù)融合影像組學(xué)模型在預(yù)測(cè)肺SSN 浸潤性方面也有不錯(cuò)的效果。Xia 等[44]預(yù)測(cè)SSN 型Ⅰ期肺腺癌為IA 和非IA的研究時(shí)發(fā)現(xiàn)，融合模型的診斷準(zhǔn)確度為80.3%，AUC 為（0.90±0.03），顯著高于深度學(xué)習(xí)模型和影像組學(xué)模型。同樣，Wang 等[45]采用融合模型識(shí)別SSN 浸潤性情況（AAH+AIS+MIA，IA）的準(zhǔn)確度為83.7%，AUC 為0.941，顯著優(yōu)于基于深度學(xué)習(xí)的模型。

4 肺SSN 的自然生長史

研究表明，持續(xù)存在的肺SSN 可能提示PL、MIA 或IA，肺SSN 惡性概率高于SN，但生物學(xué)行為具有惰性，預(yù)后好[46-48]。目前，對(duì)SSN 的隨訪間隔和治療時(shí)機(jī)選擇仍存在很大爭(zhēng)議，這在很大程度上取決于對(duì)SSN 自然生長史、生長特征的認(rèn)識(shí)。AI 技術(shù)能很好地彌補(bǔ)不同放射科醫(yī)師間診斷差異、圖像質(zhì)量、不同設(shè)備及腫瘤異質(zhì)性等方面的問題，通過后續(xù)CT 掃描在未來任何時(shí)間點(diǎn)對(duì)肺結(jié)節(jié)進(jìn)行三維可視化和量化，輔助SSN 動(dòng)態(tài)隨訪及管理策略的制訂。Tao 等[49]通過深度學(xué)習(xí)模型能夠準(zhǔn)確預(yù)測(cè)SSN 的生長模式，輔助放射科醫(yī)師更準(zhǔn)確地評(píng)估SSN 的惡性程度以及后續(xù)管理。Huang等[5]采用深度遷移學(xué)習(xí)模型鑒別暫時(shí)性SSN 和持續(xù)性SSN 的準(zhǔn)確度為0.859，靈敏度為0.863，特異度為0.858，AUC 為0.926，均優(yōu)于放射科醫(yī)師。研究表明，深度學(xué)習(xí)模型有助于準(zhǔn)確闡明肺SSN 的生長模式，并指出預(yù)測(cè)SSN 生長的重要預(yù)測(cè)因子為分葉征、初始大小、體積和質(zhì)量[50-51]。

5 肺SSN 檢出和診斷的影響因素

5.1 SSN 直徑

總的來說，SSN 直徑越大，基于深度學(xué)習(xí)的AI 技術(shù)對(duì)其診斷效能越高。Liu 等[13]發(fā)現(xiàn)，R-CNN 模型對(duì)直徑﹥5 mm 的SSN 檢出靈敏度高于直徑≤5 mm 的SSN。Guo 等[52]研究顯示，CNN模型對(duì)直徑﹤5 mm 的SSN 和SN 檢出靈敏度明顯高于其他CAD 軟件，對(duì)直徑5～10 mm 的SSN 和SN 檢出靈敏度則略高。Qiu 等[53]顯示深度學(xué)習(xí)模型診斷直徑﹥10 mm 的SSN 的準(zhǔn)確度為80.65%，靈敏度為79.82%，AUC 為0.841，顯著優(yōu)于直徑≤10 mm 的SSN（準(zhǔn)確度為70.00%，靈敏度為62.80%，AUC 為0.778）。

5.2 增強(qiáng)與平掃CT

增強(qiáng)CT 與平掃CT 對(duì)AI 技術(shù)輔助肺SSN 檢出和診斷方面效能相仿。陳疆紅等[28]基于深度學(xué)習(xí)CAD 顯示SSN 在平掃期、動(dòng)脈期及延遲期的CT 值與其惡性概率預(yù)測(cè)值呈正相關(guān)，并表明平掃CT 可預(yù)測(cè)SSN 惡性概率，而增強(qiáng)CT 無明顯幫助。

5.3 重建層厚

由于CT 厚層圖像存在部分容積效應(yīng)以及肺SSN 的低對(duì)比度，故圖像層厚越小，AI 輔助SSN 檢出和診斷的效能越高。Park 等[54]研究表明，基于深度學(xué)習(xí)的CAD 在1 mm 層厚圖像上檢出肺SSN 的靈敏度優(yōu)于3 mm 和5 mm 層厚（92%vs90%vs89%），尤其是pGGN（78%vs72%vs66%），可通過超分辨率算法對(duì)CT 圖像減厚來提高厚層圖像對(duì)SSN 的靈敏度，但同時(shí)也增加了假陽性率。Godoy等[55]發(fā)現(xiàn)，對(duì)于薄層（0.67～1.00 mm）CT 圖像的mGGN 和pGGN，放射科醫(yī)師檢出的靈敏度分別為81%和69%，AI 輔助后檢出的靈敏度分別提高了16%和13%；而在厚層（5 mm）CT 圖像上，靈敏度只提高了1%和5%。崔兆國等[56]研究顯示，基于深度學(xué)習(xí)的AI 系統(tǒng)檢測(cè)肺結(jié)節(jié)的最佳效能層厚為1 mm，而對(duì)于肺SSN和直徑﹥4 mm的結(jié)節(jié)，在2 mm層厚圖像上檢出的靈敏度并不弱于1 mm 層厚，且假陽性率降低。然而，劉晶等[16]研究顯示，肺SSN檢出不受圖像層厚（0.625～2.000 mm）影響。楊婧等[7]采用2D-DenseNet 模型檢測(cè)mGGN 型肺腺癌病理亞型的分類研究中發(fā)現(xiàn)，LDCT 厚層（5 mm）圖像也能夠快速提供較為準(zhǔn)確的診斷。

5.4 重建算法

孟詳鹿等[57]采用基于深度學(xué)習(xí)3D-CNN 和遞歸神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法，對(duì)胸部平掃CT 圖像采用不同重建算法（肺重建、縱隔重建、骨重建），結(jié)果顯示，不同重建算法對(duì)SSN 分類和分割均有較為穩(wěn)定的效果，無明顯差異，分類準(zhǔn)確度高達(dá)（98.52±7.77）%。Xiao 等[19]比較不同重建算法發(fā)現(xiàn)“iDose4-YA”和“STD-YA”獲得了更好的性能，尤其是對(duì)SSN 的檢出，且薄層圖像表現(xiàn)優(yōu)于厚層圖像，其中“iDose4-YA”重建算法在不同層厚（1、2、5 mm）CT 圖像上對(duì)SSN 的檢出靈敏度分別為82.4%、79.1%和69.6%。

5.5 掃描參數(shù)

Xiao 等[19]研究顯示，無論層厚和重建方法如何，LDCT 圖像的檢測(cè)性能都低于正常劑量的圖像。Peters 等[58]發(fā)現(xiàn)，基于深度學(xué)習(xí)模型的掃描劑量、管電壓和管電流對(duì)SSN 的檢出率均有顯著影響，檢出最佳管電壓/管電流組合為80 kV/50 mA，而結(jié)節(jié)的大小、密度和位置對(duì)SSN 檢出率沒有顯著影響。楊鋒等[59]發(fā)現(xiàn)，在肺癌LDCT 篩查中，不同管電壓分組（110 kV 組和130 kV 組）的AI 模型與人工閱片相比對(duì)SSN 的檢出效能均無明顯差異。Liu 等[13]研究顯示，以DenseNet 為主干以RCNN 為檢測(cè)器的全自動(dòng)深度學(xué)習(xí)模型不受多種外部因素（輻射劑量、患者年齡和CT機(jī)制造商）影響。

5.6 初始CT 和隨訪CT

Qiu 等[53]發(fā)現(xiàn)，綜合病灶初始和隨訪CT 圖像對(duì)SSN 良惡性鑒別的診斷效能優(yōu)于僅初始CT 圖像或僅隨訪CT 圖像（AUC：0.841vs0.776vs0.744），且隨著兩次CT 掃描間隔時(shí)間的延長，AUC 從0.813增加到0.908。呂文暉等[60]發(fā)現(xiàn)，基于細(xì)粒度特征的深度學(xué)習(xí)模型在基線CT 圖像上能較好地鑒別肺結(jié)節(jié)的良惡性，該模型對(duì)肺SSN 的檢測(cè)效能在最終檢查時(shí)和基線檢查時(shí)相近（AUC：0.759vs0.728），指出對(duì)SSN 的隨訪并不能提高診斷準(zhǔn)確度，而對(duì)SN 的隨訪可在一定程度上提高準(zhǔn)確度。

6 基于深度學(xué)習(xí)的AI技術(shù)的優(yōu)勢(shì)和局限性

放射科醫(yī)師通常逐層閱讀CT 圖像對(duì)肺結(jié)節(jié)進(jìn)行觀察和診斷，這種模式需要高度的技能和專注度，并且耗時(shí)、昂貴。深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺中取得了巨大的成功，構(gòu)建深層網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行多層次特征學(xué)習(xí)的方法，同時(shí)完成三大任務(wù)：結(jié)節(jié)定位、分割和分類，在肺SSN 檢出中表現(xiàn)出巨大的潛力，對(duì)SSN 的診斷具有較高的準(zhǔn)確度、靈敏度及特異度，減少放射科醫(yī)師的工作耗時(shí)。雖然AI 在影像圖像識(shí)別方面取得較大成功，但仍存在較多問題[61-63]。①AI 系統(tǒng)的訓(xùn)練需要通過大量胸部影像專家標(biāo)注過的肺結(jié)節(jié)圖像進(jìn)行學(xué)習(xí)，而醫(yī)療圖像涉及患者隱私，可能會(huì)帶來相關(guān)倫理、法律法規(guī)以及信息安全等問題。②對(duì)于較新的AI 技術(shù)在臨床影像學(xué)中實(shí)施有很大的爭(zhēng)議，完全自動(dòng)化所需時(shí)間則更久。③為確保數(shù)據(jù)可信度和使用合理合法，數(shù)據(jù)監(jiān)管必須由專業(yè)人員來執(zhí)行，監(jiān)管過程無法避免地會(huì)增大成本、增加耗時(shí)。另外，AI 算法由于訓(xùn)練數(shù)據(jù)不足在肺結(jié)節(jié)檢測(cè)中易出現(xiàn)過度擬合，因此通常需要更多數(shù)據(jù)，此外對(duì)算法設(shè)計(jì)者的要求更高。④許多自動(dòng)和半自動(dòng)分割算法的次優(yōu)性能阻礙了它們?cè)诠芾頂?shù)據(jù)中的應(yīng)用，幾乎總是需要人工來驗(yàn)證準(zhǔn)確性，這反而增加放射科醫(yī)師的工作量。⑤AI 不透明的內(nèi)部工作方式使得預(yù)測(cè)故障、隔離特定結(jié)論的邏輯或排除故障難以推廣到不同的成像硬件、掃描協(xié)議和患者群體。

7 小結(jié)與展望

AI 技術(shù)在醫(yī)學(xué)影像領(lǐng)域的應(yīng)用仍處于起步階段，應(yīng)該理性思考和謹(jǐn)慎規(guī)劃AI 的應(yīng)用與發(fā)展，隨著放射科醫(yī)師與AI 的聯(lián)系越來越緊密，它的不同角色功能也將不斷增加，并在培訓(xùn)過程中不斷貢獻(xiàn)知識(shí)和效率，充分利用龐大的數(shù)據(jù)系統(tǒng)來發(fā)掘數(shù)據(jù)背后隱藏的重要信息。目前，基于深度學(xué)習(xí)的AI 技術(shù)在影像中的應(yīng)用還只是停留在圖像的識(shí)別和簡(jiǎn)單分析上，仍需要整合臨床病史、體征、實(shí)驗(yàn)室檢查及其他相關(guān)檢查等信息，綜合判斷以提高診斷準(zhǔn)確度，從而制訂最佳診療方案。此外，AI 在肺結(jié)節(jié)基因預(yù)測(cè)方面取得了令人鼓舞的效果[64-65]，且普遍認(rèn)為具有表皮生長因子受體（epidermal growth factor receptor，EGFR）突變的肺癌中，SSN的檢出率非常高[66-67]，但相關(guān)研究甚少。其中，Yoon 等[68]采用深度學(xué)習(xí)模型預(yù)測(cè)pGGN 型肺腺癌EGFR突變的研究中，驗(yàn)證集AUC 僅為0.72。未來，還需探索AI 技術(shù)在預(yù)測(cè)肺SSN 基因突變方面更精準(zhǔn)的評(píng)估方法，實(shí)現(xiàn)肺癌患者個(gè)體化的基因突變精準(zhǔn)預(yù)測(cè)和靶向治療方案，以及探索SSN 在治療療效和預(yù)后評(píng)估方面的效能，促進(jìn)精準(zhǔn)治療和隨訪管理，均具有極大的臨床應(yīng)用價(jià)值。

綜上所述，基于深度學(xué)習(xí)的AI 技術(shù)在肺SSN檢出、良惡性診斷、病理亞型和浸潤性預(yù)測(cè)以及自然生長史探究中展現(xiàn)出很好的效能，較放射科醫(yī)師和傳統(tǒng)CAD 具有一定優(yōu)勢(shì)，但同時(shí)受諸多因素影響，需不斷提高AI 診斷的可靠性和準(zhǔn)確性，從而減少放射科醫(yī)師對(duì)影像圖像的再解讀和分析。