人工智能辅助阅片模式对血管粘连型肺结节在低剂量胸部CT检出效能的影响

目的 探讨基于深度学习人工智能(DL-AI)系统对辅助低年资医师在低剂量CT(LDCT)肺癌筛查中对血管粘连型肺结节(JVPN)检出效能的影响.方法 选取接受256排宽体胸部低剂量成像早期肺癌筛查受检者104例.2名低年资影像科医师在传统阅片模式(方法A)和DL-AI系统辅助诊断阅片模式(方法B)下进行JVPN检测.记录每种方法检出的每个患者结节总数、结节的位置及大小.最终以2名高年资胸部影像诊断医师共同确认的结节作为金标准.分别计算2种检测模式对JVPN的检出率、漏诊率.利用χ2检验比较2种方法对JVPN检出率的差异;比较不同部位、不同大小JVPN的检测能力.结果 共检出肺结节387个,其中JVPN 216个.方法 B检测出真性JVPN 208个,检出率96.29％(208/216),漏诊率3.71％(8/216),方法A检出真性JVPN 156个,检出率72.22％(156/216),漏诊率27.78％(60/216),方法B的检出率明显高于方法A的检出率(96.29％vs 72.22％;χ2=47.193,P<0.001),低年资医师应用方法B多检出52个真结节,其在不同部位、不同大小结节的检出率均高于方法A(P<0.001).结论 在肺癌早期低剂量筛查患者中,DL-AI系统显著提高低年资影像科医师对JVPN诊断敏感性;减少传统模式阅片的漏诊率.