目的 探讨基于深度学习的人工智能(AI)辅助诊断系统对肺小结节的CT检出效能,并观察不同图像层厚与结节特征对其检出效能的影响.方法 选取我院胸部CT平扫检查200例,导入人工智能软件工作站中,根据不同CT图像层厚、结节类型、结节大小以及机型,分别记录AI与医师对结节的检出情况,比较其检出率、灵敏度、假阳性率以及检出时间,并比较AI及医师的检出情况.结果 AI在厚层(5 mm)与薄层(1.5 mm)对于pGGN的检出差异无统计学意义(P＞0.05);AI在厚层对于mGGN的检出高于薄层(t=2.282,P=0.025);AI在薄层对于SN的检出明显高于厚层(t=-10.377,P＜0.001),AI在薄层对pGGN、mGGN及SN检出灵敏度均明显高于厚层,经统计学分析分别为,t=-4.823,P＜0.001,t=-4.048,P＜0.001,t=-10.186,P＜0.001.AI在64排CT机型及16排CT机型中共检出肺小结节分别为491、627枚,t=-0.428,P=0.427,P＞0.05,二者差异无统计学意义.结论CT扫描层厚越厚,基于深度学习的AI对肺小结节检出的漏诊率越高,CT扫描层厚越薄,AI对肺小结节的检出越有利,但其假阳性率和检出时间也随之增高.
作者：周围；胡富碧；刘亚斌；李书平；吴少平
来源：医学影像学杂志 2021 年 31卷 2期
