左玲子，黄艳

沈阳市大众医院 放射科，辽宁 沈阳 110141

引言

人工智能（Artificial Intelligence，AI）是一门新兴的科学技术，在医学领域中已经被广泛应用[1]。目前已经有很多国内外学者采用AI技术对肺结节的检测进行了深入的研究[2]，目前以卷积神经网络（Convolution Neural Network，CNN）为代表的深度学习法在肺结节的检测中得到广泛关注[3-4]，通过测试显示2D CNN与3D CNN在肺结节检测的灵敏度上都能达到95%左右[5-6]。但是与此同时，AI在肺CT上检出的假阳性结节也很多，据文献报道采用深度学习法的假阳性率多在每例肺CT扫描4～22个假结节[7]，这些假阳性结节的识别不但增加了诊断医生的工作负担，也容易被误判为真结节，增加了患者的负担及医疗资源的浪费，所以本研究将从影像角度详细分析假阳性肺结节（False Positive Pulmonary Nodule，FPPN）分布与成因，将有助于放射诊断医生提高假阳性结节的识别能力，为AI在降低假阳性结节方面提供参考。

1 资料与方法

1.1 研究对象

连续收集2020年8至9月来我院做肺CT检查的体检者500例，男309例，女191例，年龄26～84岁，平均（58.2±11.0）岁。样本纳入时排除了肺内弥漫性病变、胸膜多发病变、广泛瘢痕及纤维化病变。

1.2 仪器与方法

采用GE optima CT670 128层螺CT机，体检者取仰卧位、头先进，扫描范围从肺尖至肺底。扫描参数：管电压80 kV，采用自动毫安管电流技术。扫描层厚5 mm，重建层厚1.25 mm，重建间隔1.25 mm，FOV 300～350 mm，矩阵 512×512，肺窗算法重建，窗宽：1500 HU，窗位：-600 HU；软组织窗算法重建，窗宽：350 HU，窗位：40 HU。

1.3 假阳性结节认定与分析方法

将500例肺CT数据依次传输至由依图公司提供的基于深度学习模型的AI软件，AI检出的肺结节经两名医师进行真假结节的认定，以两名医师达成的一致性意见作为最终认定结果，记录假结节的数量、大小和密度，并识别和分析假结节的成因。……