人工智能辅助诊断系统在肺结节良恶性鉴别诊断中的应用价值

摘要：目的：评估人工智能辅助诊断系统在肺结节良恶性鉴别诊断中的应用效果。方法：选取2023年5月至2025年5月期间200例行胸部CT检查患者，应用人工智能系统及人工诊断，对肺结节进行检出及良恶性鉴别。以手术探查为肺结节诊断金标准，病理活检为良恶性诊断金标准。结果：确诊肺结节62例，其中恶性5例。人工智能诊断肺结节AUC为0.940，敏感度0.905，特异性0.975；良恶性鉴别AUC为0.966，敏感度0.944，特异性0.988。人工智能漏诊率5.56%，低于人工诊断13.89%。结论：人工智能辅助诊断系统具有较高应用价值，可降低漏诊率，但存在误诊，需人工复核。

关键词：肺结节；人工智能；胸部电子计算机断层扫描；良恶性；鉴别诊断

引言：

肺癌在全球恶性肿瘤发病率及死亡率方面都排在首位，早期发现以及准确诊断对改善患者预后特别重要。随着低剂量螺旋CT筛查广泛得到应用，肺结节的检出率有了显著的提高。肺结节指的是肺部直径小于或等于30mm，并且完全被肺实质包绕的病灶，存在肺结节的患者早期通常没有明显症状，部分结节病变为恶性的患者可能会错失最佳治疗时机。传统胸部CT诊断，存在影像科医师工作量大以及可能出现漏诊等问题，人工智能借助深度学习算法对肺结节进行识别及分类，能够对影像学图像特征加以提取，有助于肺结节的定性诊断并为肺结节筛查提供新思路。

1 资料与方法

1.1 病例资料

本研究采用前瞻性研究设计，纳入2023年5月至2025年5月期间，于本院影像科行胸部CT扫描的200例患者作为研究对象，其中男性90例，女性110例，年龄范围35-75岁，平均年龄（52.33±4.25）岁。纳入标准包括出现咳嗽与胸闷等疑似肺结节的临床症状，符合手术适应证并同意接受手术探查及病理穿刺检查，接受胸部CT检查且符合CT检查适应证与CT图像清晰及病灶明确，认知功能正常，患者及家属知情并签署研究知情同意书[1]。排除标准为合并弥漫性转移与间质性肺病患者，肺部既往有大型手术史患者，病灶出现纤维化与水肿患者，存在严重运动伪影图像患者，有严重脏器功能障碍患者，近期有大型手术史患者。研究设计严格遵循医学研究伦理学原则，所有入组患者均经过详细的病史询问及体格检查，确保研究对象的同质性及代表性，建立完善的随访体系以保证数据的完整性，为人工智能辅助诊断系统评估提供可靠的临床基础数据支撑。

1.2 检查技术

胸部CT检查采用64排128层螺旋CT进行扫描，设备型号为美国通用电气公司Light Speed螺旋CT，患者取仰卧位，扫描范围覆盖胸部区域包括双肺尖至双肺底，两侧包含腋窝等完整肺野范围。扫描参数设置为管电压100～120kV，采用自动管电流调制技术，管电流范围50～200mA，转速设定为0.4s/r，螺距为0.938，准直层厚为0.625mm[2]。肺窗窗位选取范围为-600～-450HU，窗宽设定为1000～1500HU，纵隔窗窗位设定为36～45HU，窗宽设定为300～360HU。图像重建采用5mm及1mm层厚的肺窗，以及纵隔窗图像进行结节观察分析，将1mm的高分辨图像上传至UAI系统进行自动化分析处理。扫描过程中严格控制辐射剂量，确保图像质量的前提下最大限度减少患者辐射暴露，所有扫描操作均由经验丰富的影像技师执行，保证扫描参数的一致性及图像质量的标准化，为人工智能系统的准确分析提供高质量的影像数据基础[3]。

1.3 图像分析

肺结节诊断方面采用双重评估体系，医师人工诊断运用双盲法开展，由两名及以上临床经验丰富放射科医师进行阅片工作，当医师间意见出现不一致情况时，由第3名医师进行分析，若意见全都不一致，则以最高资历影像学医师为主进行最终判定[4]。人工智能诊断，是把胸部CT检查所获得的图像导入，以《肺结节诊治中国专家共识（2018年版）》为依据，研发的人工智能辅助诊断系统，系统会自动识别并且标记肺结节，提取结节形态与大小及边缘状态等关键特征参数。根据共识里肺结节的个体化评估内容判定肺结节性质，将判定的高危结节归类为恶性，中低危结节归类为良性，为临床诊断决策提供量化参考依据。参与阅片的放射科医师，均具备10年以上胸部影像诊断经验，以此确保人工诊断的专业水准及权威性，人工智能系统，运用深度学习算法对海量影像数据进行训练学习，能够识别人眼难以察觉的细微影像特征，实现对肺结节的快速准确识别及定量分析，为临床医师提供客观可靠的辅助诊断信息。

1.4 统计学方法

在进行数据分析时，采用专业统计软件来进行处理，对于计量资料会先经过正态性检验，那些符合正态分布的数据，会以平均数±标准差的形式来进行描述，计数资料则是以例数（百分比）的方式，表示采用检验来进行组间比较。一致性评价采用Kappa检验，其中当Kappa≥0.74时表示一致性处于较好的状态，当0.40≤Kappa<0.74时表示一致性处于一般的水平，当Kappa<0.40时表示一致性较差。绘制受试者工作特征曲线，评价人工智能诊断肺结节及其良恶性的临床应用价值，通过计算曲线下面积与敏感度，以及特异度等指标评估诊断效能。统计学显著性水平设定为P<0.05，表示差异具有统计学意义，为研究结论的可靠性提供统计学支撑[5]。统计分析过程中严格遵循统计学原理，采用多种统计方法进行交叉验证，建立完善的数据质量控制体系，对异常值及缺失值进行合理处理，保证统计结果的科学性及临床指导意义，为人工智能辅助诊断系统的临床推广应用，提供坚实的循证医学证据基础。

2 结果

2.1 总体检出情况

通过对200例患者，进行胸部CT检查及后续手术探查验证，采用严格的病理学诊断作为金标准进行对照分析，运用系统性的数据收集及统计学处理方法，本研究获得了肺结节检出的基础数据分布情况。

表1 肺结节总体检出情况分析

据表1，在200例接受胸部CT检查的患者中，经手术探查明确诊断为肺结节的患者共62例，检出率达到31.00%，这一数据反映了当前临床肺结节的高发现率状况。从结节分布位置来看，外周性结节检出数量最多为23例，占确诊结节的37.10%，胸膜下结节21例占33.87%，中心性结节18例占29.03%，表明外周性结节在临床检出中占据主导地位。在确诊的62例肺结节患者中，经病理活检明确为恶性的患者5例，恶性率为8.06%，良性结节57例，占比91.94%，这一比例与国际相关研究报告中低剂量CT筛查的恶性结节检出率基本一致。

2.2 人工智能及医师对肺结节的检出价值

人工智能系统与传统医师诊断，在肺结节检出能力方面的对比分析，通过严格的统计学方法及多维度评估指标的综合比较，深入探讨了两种诊断技术，在临床实践中的优势与局限性，为评估两种诊断方法的临床应用价值提供了重要依据。

表2 人工智能与人工诊断肺结节检出价值比较

通过表2发现，人工智能诊断肺结节的特异度为97.53%，灵敏度为90.46%，准确率为95.33%，与人工诊断的97.60%与90.22%及95.30%相比较，各项指标差异均无统计学意义（P>0.05），表明人工智能在肺结节检出方面，已达到与经验丰富的影像科医师相当的诊断水平。值得关注的是，人工智能与人工诊断肺结节结果，与金标准的一致性均表现良好，Kappa值分别为0.890及0.889，均达到较好一致性标准（P<0.001）。这一结果说明人工智能系统，在肺结节识别方面具备了可靠的临床应用基础，能够有效辅助临床医师进行肺结节的初步筛查及识别工作。

2.3 人工智能辅助医师诊断对肺结节良恶性鉴别的价值

人工智能在肺结节良恶性鉴别诊断当中，展现出独特技术优势，借助深度学习算法对影像特征开展精细化分析工作，能够从海量的影像数据里面，提取人眼难以识别微观特征信息，给临床决策提供了非常重要的量化支撑依据。研究数据显示，人工智能诊断恶性肺结节的漏诊率为5.56%，明显低于人工诊断所达到的13.89%，这一差异具备统计学方面的显著意义（P<0.05），表明人工智能在降低恶性结节漏诊情况上具有明显优势。

然而，人工智能诊断恶性肺结节误诊率达到1.23%，高于人工诊断的0.35%，且差异有统计学意义（P<0.05），这主要是因为人工智能系统处理复杂病例能力不足。在面对边界模糊或者密度复杂病变时，会出现判断偏差，可能把局部肺实变及肺纤维化灶，以及肺尖部胸膜帽等病变误诊成高危结节。在2023年5月至2025年5月期间，200例胸部CT检查患者当中，通过建立严格质量控制体系及标准化评估流程，采用统一影像采集协议及后处理参数设置，人工智能与人工诊断良恶性肺结节结果，以及病理活检金标准一致性都表现良好（P<0.001），表明两种诊断方法，在肺结节良恶性鉴别方面都有较高可信度，给临床医师提供了重要辅助诊断参考依据。

2.4 人工智能系统及医师在良恶性鉴别诊断中的应用价值

通过采用国际公认的绘制受试者工作特征曲线诊断效能评估方法，运用曲线下面积与敏感度，以及特异度等关键指标开展量化分析工作，结合95%置信区间的统计学处理相关操作，深入评估人工智能及人工诊断，在肺结节良恶性鉴别方面的诊断效能表现。

表3 人工智能与人工诊断ROC曲线分析结果

数据来源：https://kns.cnki.net/kcms2/article/abstract?v=bTgd32KJj6tKSj_feka5amXwJ8Thf7gp2tNcSqehs19Y1WyhiXx3cbUIFr1cRWR9-0sLOoIzeFmwmlqxcIQtH0AtchoLk4GYYjBrUOsh9u5yfLxUbdtv8WBJWFS4iu4vO_UXOXEXEtL_w7FNnJn_prIVUgZ-WlhXGbDRJOMpam0=&uniplatform=NZKPT

据表3结果显示，人工智能诊断肺结节的AUC为0.940，95%CI为0.930～0.950，敏感度为0.905，特异性为0.975，表明人工智能在肺结节检出方面，具有优异的诊断效能。在肺结节良恶性鉴别方面，人工智能的表现更加突出，AUC达到0.966，95%CI为0.941～0.991，敏感度为0.944，特异性为0.988，显著优于人工诊断的相应指标。人工诊断肺结节良恶性的AUC为0.929，敏感度为0.861，特异性为0.996，虽然特异性略高于人工智能，但在敏感度方面存在明显差距。这一结果表明人工智能在肺结节良恶性鉴别诊断中，具有更高的临床应用价值，能够更准确地识别恶性结节，为早期肺癌的诊断及治疗提供重要支撑。

3 讨论

人工智能辅助诊断系统，在肺结节良恶性鉴别中展现出显著的临床应用价值，其深度学习算法，能够通过大量影像数据训练，形成对肺结节微特征的精准识别能力，从而在诊断效能方面达到了令人瞩目的水平[6]。研究结果表明，人工智能诊断肺结节良恶性的AUC值达到0.966，敏感度为0.944，特异性为0.988，这些指标均显著优于传统人工诊断的AUC值0.929，以及敏感度0.861与特异性0.996，充分证明了人工智能技术，在肺结节诊断领域的技术优势及临床价值。尽管人工智能在漏诊率控制方面表现出色，将恶性肺结节的漏诊率降至5.56%，远低于人工诊断的13.89%，但其误诊率为1.23%仍高于人工诊断的0.35%，这主要源于人工智能系统在处理复杂病例时，可能将肺纤维化灶与胸膜帽等良性病变误判为高危结节，因此在临床实践中，应将人工智能作为辅助工具与经验丰富的影像医师协同工作。

结语

人工智能辅助诊断系统，在肺结节筛查与诊断里有较高应用价值，能有效降低肺结节筛查诊断过程中的漏诊率，还可显著缩短影像科医生的阅片时间。研究结果显示，人工智能诊断恶性肺结节漏诊率为5.56%，明显低于人工诊断的13.89%这一数值，其平均阅片时间从8.93分钟缩短到了2.34分钟，人工智能在肺结节良恶性鉴别方面的AUC达到了0.966，体现出较高的诊断效能。不过，人工智能诊断恶性肺结节的误诊率为1.23%，高于人工诊断的0.35%这个比例，依旧存在一定的误诊风险，建议把人工智能当作辅助手段，与影像科医师复审相结合，以此确保整体诊断效能，并避免单独出具诊断报告。

参考文献

[1] 陈明梅,曾诺,邬文远,等.人工智能对肺结节良恶性的诊断价值[J].中国现代医药杂志,2025,27(03):100-103.

[2] 苏寅晨,张晓琴.人工智能辅助诊断系统在肺结节检测及良恶性判断中的应用价值[J].CT理论与应用研究,2024,33(03):325-331.

[3] 张卉,李艳若,郭伟.人工智能辅助诊断对肺结节检出及良恶性鉴别的影响[J].实用医学影像杂志,2024,25(04):273-276.

[4] 黄邵芳,洪秀英,邹安民,等.人工智能联合医师阅片在CT鉴别诊断肺结节良恶性中的应用[J].医疗装备,2025,38(07):32-34+39.

[5] 陆启芳,张宏伟,朱宇凯,等.人工智能在良/恶性肺结节诊断中的应用价值[J].滨州医学院学报,2025,48(01):82-85.

[6] 段秀秀,王梦坤,王丽君,等.肺结节影像学特征与人工智能对肺结节良恶性的诊断价值[J].临床肺科杂志,2025,30(07):1050-1054+1063.