Artificial Intelligence-assisted Diagnosis in Detecting Lung Nodules and Differentiating Benign from Malignant Nodules
-
摘要:
目的：探讨人工智能辅助诊断系统在肺结节的检测及良恶性判断中的应用价值。方法：选择2022年3月至2023年3月行胸部CT检查，跟踪随访明确肺结节病理结果的患者作为研究对象，并制定真阳性结节标准。比较AI软件与影像医师对真阳性结节的检出价值及结节良恶性的判断价值。结果：113名患者中AI软件检出1337个结节，医师检出774个结节，经验证共存在1079个真阳性结节。AI软件对于真阳性结节的检出率（98.98％）高于医师（71.27％），漏检率（1.02％）较医师（28.27％）低，误检率（23.91％）较医师（0.46％）高。AI软件对直径＜5 mm及5～10 mm真阳性结节的检出率（98.69％，100.00％）均高于医师（60.59％，80.25％）；对于直径＞10 mm真阳性结节的检出率（98.08％）稍高于医师（94.87％），但差异不具有统计学意义，需进一步选取临床大样本验证。AI软件对磨玻璃、实性、混合磨玻璃及钙化结节的检出率（98.47％，98.79％，100.00％，100.00％）均高于医师（75.52％，68.02％，72.73％，84.66％）。在结节良恶性判断方面，113名患者中共有115个结节经病理检查确诊，医师对结节良恶性判断的灵敏度（97.47％）、特异度（80.56％）、准确度（92.17％）均较AI（93.67％，66.67％，85.22％）高，但灵敏度和特异度的差异不具有统计学意义，可能与样本选择偏差有关；AI与病理结果对照取得了高度一致性（Kappa值为0.637），医师实现了几乎完全一致（Kappa值为0.811）。结论：AI辅助诊断对肺结节有较高的检出率，能大大降低漏检率，但误检率也随之上升；在肺结节良恶性鉴别中可为临床诊断提供辅助参考，但其准确性无法取代影像医师。
Abstract:Objective: To investigate the applicability of artificial intelligence-assisted diagnosis system in detecting pulmonary nodules and distinguishing benign and malignant nodules. Methods: Patients who underwent chest computed tomography (CT) from March 2022 to March 2023 at our hospital and who were followed-up with CT-guided needle biopsy or surgical procedures to determine the pathological nature were included in the study. The criteria for identifying true positive nodules were identified on the basis of the image analysis based on AI and two radiologists who identified suspicious lesions and referred to multiplanar reconstruction and three-dimensional reconstruction and other images to determine the existence of lung nodules; the findings from the two reports were consistent. The detection value of benign and malignant nodules obtained from AI and radiologists for true-positive nodules were compared. Results: AI detected 1337 nodules in 113 patients; radiologists detected 774 nodules, and verified the coexistence of 1079 true-positive nodules. The detection rate of true positive nodules (98.98%) by AI software was higher than that of radiologists (71.27%), the missed diagnosis rate (1.02%) was lower than that of radiologists (28.27%), and the misdiagnosis rate (23.91%) was higher than that of radiologists (0.46%). The true positive detection rate of AI for nodules with diameters <5 and 5~10 mm (98.69%; 100.00%) was higher than that of radiologists (60.59%; 80.25%); the detection rate of true positive nodules with diameters >10 mm (98.08%) was slightly higher than that of radiologists (94.87%), but the difference was not statistically significant. Further large-sample clinical studies are needed to verify our findings. The detection rates of mixed ground-glass and calcified nodules (98.47%; 98.79%; 100.00%; 100.00%) from AI imaging were higher than those of the radiologists (75.52%; 68.02%; 72.73%; 84.66%). In the identification of benign and malignant nodules, 115 nodules in 113 patients were confirmed by pathological examination, of which 98 nodules were obtained by interventional surgery or CT-guided biopsy in our hospital, and 17 nodules were determined by follow-up diagnosis and during treatment at other hospitals. The sensitivity (97.47%), specificity (80.56%), and accuracy (92.17%) of the radiologists for the identification of benign and malignant nodules were higher than those of AI (93.67%, 66.67%, and 85.22%, respectively); however, the difference in sensitivity and specificity was not significant and might have been caused by sample selection bias. AI achieved high agreement with pathological results (Kappa value, 0.637), and radiologists achieved almost complete agreement (Kappa value, 0.811). Conclusion: AI-assisted diagnosis has a high detection rate and sensitivity for pulmonary nodules, which can greatly reduce the missed diagnosis rate, but increases the misdiagnosis rate. It can serve as an auxiliary aid for clinical diagnosis in identifying benign and malignant pulmonary nodules, but it cannot replace radiologists.
-
Keywords:
- artificial intelligence /
- CT /
- pulmonary nodules /
- application value
-
肺癌是全世界最常见的恶性肿瘤之一，在我国肺癌发病率和死亡率均居于首位[1]，严重危害我国国民的健康和生命，给家庭和社会带来巨大经济负担。提高肺癌生存率最有效的方法是二级预防，即早发现、早诊断和早治疗，筛查是早期发现肺癌和癌前病变的重要途径[2]。2011年，美国国家肺癌检测试验（National Lung Screening Trial，NLST）首次提出低剂量螺旋计算机断层扫描（low-dose computed tomography，LDCT）检测在高危人群中的应用可显著降低肺癌的死亡率[3]，当LDCT上出现异常时可以进一步选择常规CT、高分辨率CT及靶扫描方式对病灶进行甄别。
肺癌的早期常表现为肺部结节病灶，然而肺结节的成因有多种多样，同一对象的CT图像上常有多个肺结节，且表现不一，这对影像诊断医师的筛检和鉴别能力提出了较高的要求。人工智能（artificial intelligence，AI）辅助诊断系统的加入担负了大量枯燥重复的工作，大大提升了影像医师的阅片速度，与医师诊断相比，其具有不受医师的主观性、经验差异及疲劳等人为因素影响的优越性[4]。
鉴于此，本研究回顾性分析113例入组病例的筛检情况来比较AI软件和影像医师的阅片能力，旨在探讨AI辅助诊断系统在肺结节的检测及良恶性判断中的应用价值。
1. 资料与方法
1.1 病例资料
本研究为回顾性研究，选择内蒙古自治区人民医院2022年3月至2023年3月行胸部CT检查，并跟踪随访行CT引导下穿刺活检术或外科手术明确肺结节病理结果的患者作为研究对象。共收集患者113例，其中：男性68例，女性45例。年龄38～77岁，中位约65.20岁。
纳入标准：①在我院至少行 1次胸部CT扫描，并且CT检查前未行干预治疗措施；②符合《肺结节诊治中国专家共识（2018年版）》[5]中肺结节诊断标准且图像质量良好；③涉及结节良恶性判断部分的肺结节均有明确病理诊断。排除标准：①病灶直径＞3 cm；②其他部位恶性肿瘤所致转移瘤；③患者患有严重的基础性疾病，无法进行病理诊断；④患者资料信息不完整或失访。
1.2 检查技术
（1）扫描设备：GE LightSpeed750 64排CT；GE LightSpeedVCT 64排CT；西门子Definition Flash 双64排CT；东芝 TSX-301A 320排CT。
（2）扫描范围：扫描前由专人对每位受检者进行呼吸训练，所有受检者均取仰卧位、双臂上举、头先进、深吸气末屏气扫描，扫描范围由肺尖到后肋膈角（包括全部肺）。
（3）扫描参数：管电压120 kV，自动管电流。层间距0.625 mm，层厚1.25 mm，采用标准算法及高分辨算法进行重建并且将扫描原始数据上传至工作站。肺窗参数设置为：肺窗窗宽1500～2000 HU、窗位 -600～-450 HU；纵隔窗宽250～350 HU、窗位30～50 HU。
1.3 图像分析
影像医师阅片。一名住院医师在ImageFileName.dcm工作站上参阅原始图像（1.25 mm层厚）及重建图像（5 mm层厚），阅片过程中常规参考多平面重建技术多角度分析图像，阅片结果由一名临床经验丰富的主治医师审核后发布，以二者报告一致视为有效，否则与另一名主治医师进行探讨后得出最终结论。
AI软件阅片。应用AI辅助分析软件InferRead CTR12.2，由北京推想医疗科技股份有限公司提供。将原始图像导入系统之后，软件自动识别并标记结节病灶，提供结节位置、大小、性质等信息，同时模型根据这些信息计算恶性概率预测值，当恶性概率预测值＞70％ 时判断为恶性结节。
真阳性结节判断标准。结合两名医师及AI软件图像分析结果，参考多平面重建、三维重建等图像，共同确定肺结节存在，以二者报告一致视为有效。
1.4 数据处理
采用SPSS 25.0软件分析数据，计数资料以（n（％））表示，比较采用卡方检验或Fisher精确概率法，计量资料以
$ \left(\overline{x}\pm s\right) $ 表示。使用Kappa值评价AI、影像医师与病理结果的一致性，0.0～0.20极低的一致性、0.21～0.40一般的一致性、0.41～0.60 中等的一致性、0.61～0.80高度的一致性和0.81～1几乎完全一致。以P<0.01为差异有统计学意义。2. 结果
2.1 总体检出情况
113名患者中，AI软件检出1337个结节，医师检出774个结节，经验证存在1079个真阳性结节。AI软件对于真阳性结节的检出率（98.98％）高于医师（71.27％），漏检率（1.02％）较医师（28.27％）低，误检率（23.91％）较医师（0.46％）高，以上差异均具有统计学意义（表1）。
表 1 AI软件及医师对结节的总体检出情况Table 1. AI software and radiologists’ overall detection of nodules组别 AI 医师 $\chi^2 $ P 共检出（％） 1337（123.91） 774（71.73） 真阳性结节（％） 1068（98.98） 769（71.27） 假阴性结节（％） 11（1.02） 305（28.27） 398.766 ＜0.001 假阳性结节（％） 258（23.91） 5（0.46） 128.199 ＜0.001 2.2 AI软件及医师对不同直径真阳性结节的检出价值
AI软件对直径＜5 mm及5～10 mm真阳性结节的检出率（98.69％，100.00％）均高于医师（60.59％，80.25％），差异具有统计学意义；对于直径＞10 mm真阳性结节的检出率（98.08％）稍高于医师（94.87％），但差异不具有统计意义（表2）。
表 2 AI软件及医师对不同直径真阳性结节的检出价值Table 2. The value of AI software and radiologists in detecting true positive nodules of different diameters组别 真阳性 AI 医师 $\chi^2 $ P ＜5（％） 609 601（98.69） 369（60.59） 272.521 ＜0.001 5～10（％） 314 314（100.00） 252（80.25） 68.792 ＜0.001 ＞10（％） 156 153（98.08） 148（94.87） 2.356 0.125 2.3 AI软件及医师对不同性质真阳性结节的检出价值
AI软件对磨玻璃、实性、混合磨玻璃及钙化结节的检出率（98.47％，98.79％，100.00％，100.00％）均高于医师（75.52％，68.02％，72.73％，84.66％），差异具有统计学意义（表3）。
表 3 AI软件及医师对不同性质真阳性结节的检出价值Table 3. The value of AI software and radiologists in detecting true positive nodules of different nature组别 真阳性 AI 医师 $\chi^2 $ P 磨玻璃（％） 131 129（98.47） 95（72.52） 35.582 ＜0.001 实性（％） 741 732（98.79） 504（68.02） 253.375 ＜0.001 混合磨玻璃（％） 44 44（100.00） 32（72.73） 13.895 ＜0.001 钙化（％） 163 163（100.00） 138（84.66） 27.076 ＜0.001 2.4 AI软件及医师对结节良恶性的判断价值
113名患者中共有115个结节经病理检查确诊，其中98例在我院行干预手术或CT引导下穿刺活检取得病理，17例经随访外院诊疗情况确定。
115个结节的大小和性质见表4，AI软件及医师对结节良恶性的判断价值（表5和表6），两种阅片方法对结节良恶性判断的效能比较（表7）。
表 4 115个结节的大小和性质Table 4. Size and nature of the 115 nodules组别 磨玻璃结节个数 实性结节个数 混合磨玻璃结节个数 钙化结节个数 总和 ＜5 mm 4 9 3 0 16 5～10 mm 6 24 6 1 37 ＞10 mm 6 41 12 3 62 总和 16 74 21 4 115 表 5 AI软件对结节良恶性的判断价值Table 5. The value of AI software in judging benign and malignant nodulesAI 病理 总计 恶性 良性 恶性 74 12 86 良性 5 24 29 总计 79 36 115 表 6 医师对结节良恶性的判断价值Table 6. The value of radiologists in judging benign and malignant nodulesAI 病理 总计 恶性 良性 恶性 77 7 84 良性 2 29 31 总计 79 36 115 表 7 两种方法对结节良恶性判断的效能比较Table 7. Comparison of efficacy of the two methods in judging benign and malignant nodules组别 灵敏度/％ 特异度/％ 准确度/％ AI 93.67 66.67 85.22 医师 97.47 80.56 92.17 P ＞0.01 ＞0.01 ＜0.01 经SPSS 25.0计算，AI的Kappa一致性是0.637，高度一致；医师的Kappa一致性是0.811，几乎完全一致（P＜0.01）。
3. 讨论
本研究对比了AI及影像医师从肺结节的检出到良恶性判断的诊断全过程，真实的反映了AI在实际工作中对于高效诊断的辅助作用，同时该研究在市级三甲医院进行，得到的结果可以大致反映当地的诊疗水平及对新技术的应用程度。
研究结果显示AI软件对真阳性结节的检出率明显高于影像医师，但是误检率较高，与之前研究报道结果基本一致[6-9]。结合误检图像分析，我们考虑是其对于诊断为结节的阈值过低，常将血管、局部增厚的胸膜、肺门淋巴结、肺内索条等饱满结构误认为是肺结节；影像医师的漏检率相对较高，是由于其对于微、小结节的辨识度低，在肺组织背景较杂乱时，难以将肺结节从中检出（图1（a）～图1（c））。医师对于混合磨玻璃结节及钙化结节的检出能力与AI相差不大，但是对于磨玻璃结节和实性结节的检出能力较差，常将边缘欠清晰的磨玻璃结节及较小的实性结节漏检，因此我们应该积极参考AI软件对于不同性质结节的检出结果。
![]()
图 1 部分漏诊及误诊病例影像资料注：（a）右肺下叶血管旁结节，医师检出，AI漏检；（b）右肺下叶胸膜下实性微结节，AI检出，医师漏检；（c） 左侧局部增厚的胸膜，医师检出，AI误检为结节。（d） 右肺上叶实性结节，伴有分叶征，AI及医师均诊断为恶性，病理结果提示错构瘤；（e） 右肺下叶实性结节，形态略欠规整，周围伴有晕征，AI诊断为恶性，医师结合图像及患者痰培养、血象、查体等诊断为良性，病理结果提示肉芽肿；（f）右肺中叶实性结节，有浅分叶和毛刺征象，周围伴有点条状渗出、炎性改变，AI诊断为恶性，医师诊断为良性，病理结果提示浸润性腺癌。Figure 1. Imaging data of some missed and misdiagnosed cases另外，AI软件对于不同直径的肺结节均有很高的检出价值，尤其是在直径小于5 mm及5～10 mm的结节中检出率显著高于医师，但李欣菱等[10]研究认为，AI对较小结节（特别是＜5 mm的结节）诊断的临床意义有待商榷，若完全按照AI的结果进行临床干预会增加医疗负担及造成过度治疗。对于直径大于10 mm的肺结节，医师和AI的检出率相近，二者差异不具有统计学意义，刘亚斌等[11]研究得出专业医师 CT扫描对不同直径真阳性结节检出率均低于基于AI技术CT扫描，但专业医师CT扫描对直径>10 mm真阳性结节检出率可达95.12％。提示虽然医师可能会将部分微、小结节漏检，但其对于恶性程度可能较高的直径大于10 mm结节的检出率也高，伴随着较低的误检率，医师对肺结节的检出更灵活、更有意义。
同时本研究就AI软件及医师对于肺结节良恶性的判断效能做出对比，结果显示医师对肺结节良恶性判断的灵敏度、特异度、准确度均较AI高，与既往研究结果基本一致[12-15]，但灵敏度和特异度的差异不具有统计学意义，可能与样本选择偏差有关。AI软件的判断结果与病理高度一致，医师的判断结果与病理几乎完全一致。
仔细分析误诊病例（图1（d）～图1（f））后我们考虑AI是根据既定的算法来判断结节的良恶性，无法结合患者的临床信息如肿瘤标记物，特殊病原体培养结果，年龄、性别、工作经历、是否吸烟等个人史，因此得出的结论存在一定的片面性，造成误诊率的上升。影像医师判断的准确性与参加工作时间、学习进修经历和学历等有直接关系，再加上肺结节本身的多变性和复杂性，日常工作中误诊是无法彻底避免的[16]。我们应尽可能提高AI和影像医师甄别同病异影、同影异病的能力，将误诊降到最低，提出对患者更加有利的诊疗方案。
综上所述，AI软件辅助诊断对于肺结节确有较高的检出率，能大大降低漏检率，但误检率也随之上升；在肺结节良恶性鉴别中可为临床诊断提供辅助参考，但其准确性无法取代影像医师。计算机的输出结果是定量分析影像资料获得的，而医生面对的病例却是立体的、变化的。因此在将AI软件作为人工检测辅助手段、代替枯燥工作的同时，影像医师需要不断提升自己的辩证能力，充分结合患者临床信息来提高诊断的特异性，使AI软件更好地为诊断服务；且影像医师最能知道如何将来自互补成像技术的信息与临床数据相结合，这对软件的设计开发及数据库扩展至关重要。
本研究还存在局限性，这项回顾性研究的病理结果已经在临床诊断和治疗中得到确认，因此样本选择方面会存在偏差，这些偏差将在后续的前瞻性试验中得到校正；由于试验样本量较小、设备无法统一及对部分病例失访等问题。我们得到的结论还亟待在更多地区、更多医院的大样本中进一步验证。
-
![]()
图 1 部分漏诊及误诊病例影像资料
注：（a）右肺下叶血管旁结节，医师检出，AI漏检；（b）右肺下叶胸膜下实性微结节，AI检出，医师漏检；（c） 左侧局部增厚的胸膜，医师检出，AI误检为结节。（d） 右肺上叶实性结节，伴有分叶征，AI及医师均诊断为恶性，病理结果提示错构瘤；（e） 右肺下叶实性结节，形态略欠规整，周围伴有晕征，AI诊断为恶性，医师结合图像及患者痰培养、血象、查体等诊断为良性，病理结果提示肉芽肿；（f）右肺中叶实性结节，有浅分叶和毛刺征象，周围伴有点条状渗出、炎性改变，AI诊断为恶性，医师诊断为良性，病理结果提示浸润性腺癌。
Figure 1. Imaging data of some missed and misdiagnosed cases
表 1 AI软件及医师对结节的总体检出情况
Table 1 AI software and radiologists’ overall detection of nodules
组别 AI 医师 $\chi^2 $ P 共检出（％） 1337（123.91） 774（71.73） 真阳性结节（％） 1068（98.98） 769（71.27） 假阴性结节（％） 11（1.02） 305（28.27） 398.766 ＜0.001 假阳性结节（％） 258（23.91） 5（0.46） 128.199 ＜0.001 
下载: 导出CSV
表 2 AI软件及医师对不同直径真阳性结节的检出价值
Table 2 The value of AI software and radiologists in detecting true positive nodules of different diameters
组别 真阳性 AI 医师 $\chi^2 $ P ＜5（％） 609 601（98.69） 369（60.59） 272.521 ＜0.001 5～10（％） 314 314（100.00） 252（80.25） 68.792 ＜0.001 ＞10（％） 156 153（98.08） 148（94.87） 2.356 0.125
下载: 导出CSV
表 3 AI软件及医师对不同性质真阳性结节的检出价值
Table 3 The value of AI software and radiologists in detecting true positive nodules of different nature
组别 真阳性 AI 医师 $\chi^2 $ P 磨玻璃（％） 131 129（98.47） 95（72.52） 35.582 ＜0.001 实性（％） 741 732（98.79） 504（68.02） 253.375 ＜0.001 混合磨玻璃（％） 44 44（100.00） 32（72.73） 13.895 ＜0.001 钙化（％） 163 163（100.00） 138（84.66） 27.076 ＜0.001
下载: 导出CSV
表 4 115个结节的大小和性质
Table 4 Size and nature of the 115 nodules
组别 磨玻璃结节个数 实性结节个数 混合磨玻璃结节个数 钙化结节个数 总和 ＜5 mm 4 9 3 0 16 5～10 mm 6 24 6 1 37 ＞10 mm 6 41 12 3 62 总和 16 74 21 4 115
下载: 导出CSV
表 5 AI软件对结节良恶性的判断价值
Table 5 The value of AI software in judging benign and malignant nodules
AI 病理 总计 恶性 良性 恶性 74 12 86 良性 5 24 29 总计 79 36 115
下载: 导出CSV
表 6 医师对结节良恶性的判断价值
Table 6 The value of radiologists in judging benign and malignant nodules
AI 病理 总计 恶性 良性 恶性 77 7 84 良性 2 29 31 总计 79 36 115
下载: 导出CSV
表 7 两种方法对结节良恶性判断的效能比较
Table 7 Comparison of efficacy of the two methods in judging benign and malignant nodules
组别 灵敏度/％ 特异度/％ 准确度/％ AI 93.67 66.67 85.22 医师 97.47 80.56 92.17 P ＞0.01 ＞0.01 ＜0.01
下载: 导出CSV
-
[1] HYUNA S, JACQUES F, REBECCA S L, et al. Global cancer statistics 2020: GLOBOCAN estimates of ncidence and mortality worldwide for 36 cancers in 185 countries[J]. CA: A Cancer Journal for Clinicians, 2021, 71: 209−249. DOI: 10.3322/caac.21660.
[2] 中国肺癌防治联盟, 中华医学会呼吸病学分会肺癌学组, 中国医师协会呼吸医师分会肺癌工作委员会. 肺癌筛查与管理中国专家共识[J]. 国际呼吸杂志, 2019, 39(21): 1604−1615. DOI: 10.3760/cma.j.issn.1673-436X.2019.21002. [3] National Lung Screening Trial Research Team, ABERLE D R, ADAMS A M, et al. Reduced lung-cancer mortality with low-dose computed tomographic screening[J]. The New England Journal of Medicine, 365(5): 395-409. DOI:10.1056/NEJMoa1102873. PMID: 21714641; PMCID: PMC4356534.
[4] HOSNY A, PARMAR C, QUACKENBUSH J, et al. Artificial intelligence in radiology[J]. Nature Reviews. Cancer, 2018, 18(8): 500−510. DOI: 10.1038/s41568-018-0016-5.
[5] 中华医学会呼吸病学分会肺癌学组, 中国肺癌防治联盟专家组. 肺结节诊治中国专家共识(2018年版)[J]. 中华结核和呼吸杂志, 2018, 41(10): 763−771. DOI: 10.3760/cma.j.issn.1001-0939.2018.10.004. [6] 陈新花, 黄晓旗, 李建龙, 等. 基于两种AI软件对肺结节的诊断价值评价研究[J]. CT理论与应用研究, 2023, 32(4): 493−499. DOI: 10.15953/j.ctta.2022.087. CHEN X H, HUANG X Q, LI J L, et al. Evaluation of diagnostic value of pulmonary nodules based on two AI softwares[J]. CT Theory and Applications, 2023, 32(4): 493−499. DOI: 10.15953/j.ctta.2022.087. (in Chinese).
[7] 宋丹丹, 齐星亮, 刘佳林, 等. 人工智能技术在胸部CT恶性及非钙化结节检出中的价值[J]. 医学影像学杂志, 2023, 33(1): 154−157. SONG D D, QI X L, LIU J L, et al. The value of Al technology in the detection of malignant and non-calcified nodules on chest CT[J]. Journal of Medical Imaging, 2023, 33(1): 154−157. (in Chinese).
[8] 耿然. 基于深度学习的人工智能影像辅助诊断系统对肺结节的诊断效能评价[J]. 新乡医学院学报, 2022, 39(11): 1031−1035. GENG R. Evaluation of efficiency of artificial intelligence image aided diagnosis system based on deep learning in the diagnosis of pulmonary nodules[J]. Journal of Xinxiang Medical University, 2022, 39(11): 1031−1035. DOI:10.7683/xxyxyxb.2022.11.006. (in Chinese).
[9] 刘娜, 赵正凯, 邹佳瑜, 等. 基于人工智能的胸部CT肺结节检出及良恶性诊断效能评估[J]. CT理论与应用研究, 2021, 30(6): 709−715. DOI: 10.15953/j.1004-4140.2021.30.06.06. LIU N, ZHAO Z K, ZOU J Y, et al. Evaluation of detection and diagnostic efficiency of pulmonary nodules by chest CT based on artificial intelligence[J]. CT Theory and Applications, 2021, 30(6): 709−715. DOI: 10.15953/j.1004-4140.2021.30.06.06. (in Chinese).
[10] 李欣菱, 郭芳芳, 周振, 等. 基于深度学习的人工智能胸部CT肺结节检测效能评估[J]. 中国肺癌杂志, 2019, 22(6): 336−340. DOI: 10.3779/j.issn.1009-3419.2019.06.02. LI X L, GUO F F, ZHOU Z, et al. Performance of deep-learningbased artificial intelligence on detection of pulmonary nodules in chest CT[J]. Chinese Journal of Lung Cancer, 2019, 22(6): 336−340. DOI: 10.3779/j.issn.1009-3419.2019.06.02. (in Chinese).
[11] 刘亚斌, 周围, 白琛, 等. 基于人工智能技术的肺部CT扫描在肺结节筛查及良恶性鉴别诊断中的应用分析[J]. 中国CT和MRI杂志, 2022, 20(9): 52−54. DOI: 10.3969/j.issn.1672-5131.2022.09.019. LIU Y B, ZHOU W, BAI C, et al. Application of lung CT scan based on artificial intelligence technology in lung nodule screening and benign and malignant differential diagnosis[J]. Chinese Journal of CT and MR, 2022, 20(9): 52−54. DOI: 10.3969/j.issn.1672-5131.2022.09.019. (in Chinese).
[12] 崔晓剑, 吴晓明, 舒锦尔, 等. 基于人工智能诊断系统的胸部CT肺结节检出率及良恶性诊断研究[J]. 中国现代医生, 2022, 60(34): 34−37. CUI X J, WU X M, SHU J E, et al. Detection rate and diagnosis of benign and malignant pulmonary nodules on chest CT based on artificial intelligence diagnostic system[J]. China Modern Doctor, 2022, 60(34): 34−37. (in Chinese).
[13] 李娟娟, 刘敏, 杨斌, 等. 人工智能辅助肺结节筛查及定性诊断的应用研究[J]. 实用临床医药杂志, 2022, 26(8): 8−12. DOI: 10.7619/jcmp.20214698. LI J J, LIU M, YANG B, et al. Application of artificial intelligence-assisted pulmonary nodule screening and qualitative diagnosis[J]. Journal of Clinical Medicine in Practice, 2022, 26(8): 8−12. DOI: 10.7619/jcmp.20214698. (in Chinese).
[14] GAO Y, CHEN Y, JIANG Y, et al. Artificial intelligence algorithm-based feature extraction of computed tomography images and analysis of benign and malignant pulmonary nodules[J]. Computational Intelligence and Neuroscience, 2022: 5762623. DOI:10.1155/2022/5762623.PMID:36156972; PMCID: PMC9492375.
[15] 黄玲玲, 吴皎姣. 基于胸部平扫CT的深度学习模型对肺结节良恶性的鉴别诊断价值[J]. 中国CT和MRI杂志, 2021, 19(12): 53−56. DOI: 10.3969/j.issn.1672-5131.2021.12.017. HUANG L L, WU J J. The value of deep learning model based on chest plain CT in the differential diagnosis of benign and malignant pulmonary nodules[J]. Chinese Journal of CT and MR, 2021, 19(12): 53−56. DOI: 10.3969/j.issn.1672-5131.2021.12.017. (in Chinese).
[16] 郭红剑. 肺部良性病灶误诊肺癌的CT影像学分析[J]. 中国CT和MRI杂志, 2022, 20(12): 71−72, 126. DOI: 10.3969/j.issn.1672-5131.2022.12.028. GUO H J. CT imaging analysis of benign pulmonary lesions misdiagnosed as lung cancer[J]. Chinese Journal of CT and MR, 2022, 20(12): 71−72, 126. DOI: 10.3969/j.issn.1672-5131.2022.12.028. (in Chinese).
-
期刊类型引用(2)
1. 刘洋，孙旭，王涟. 国内医疗健康领域人工智能研究热点及趋势分析. 中国医药导报. 2024(25): 191-196 . 
百度学术
2. 康文文，韩贺东，吕镗烽，宋勇. 精准医疗时代下肺癌筛查的难点与对策. 中华结核和呼吸杂志. 2024(12): 1211-1216 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 273
- HTML全文浏览量: 94
- PDF下载量: 44
- 被引次数: 3
