深度学习辅助精细评估肺结节影像
Metaverse in Medicine · 30.03.2026 · 3 (1) · 72-80
DOI: 10.61189/653155lhssdo ↗Kurz gefasst
Fachartikel in der Zeitschrift Metaverse in Medicine, online erschienen am 30.03.2026. Verfasst von 春学 白 und 1 weiteren Autor:innen.
Abstract (Originalsprache)
随着低剂量螺旋CT(low-dose computed tomography,LDCT)筛查的推广及胸部CT在体检、慢病管理和多学科诊疗中的广泛应用,肺结节检出率持续升高。肺结节管理的重点亦由“发现病灶”逐步转向“精细评估、风险分层和动态随访”。传统影像判读主要依赖结节直径、密度、边缘及增长趋势等指标,虽在临床实践中具有重要价值,但在小结节、血管旁结节、贴胸膜结节、亚实性结节及多发结节等复杂场景中,仍存在评估者差异大、重复性不足和纵向比较困难等问题。深度学习能够直接从二维、三维乃至多时点CT影像中自动提取多尺度表征特征,已被广泛应用于肺结节自动检出、精准分割、表型刻画、良恶性风险评估、动态随访及进展预测等多个环节。本文围绕肺结节影像精细评估的临床基础与管理框架,系统综述深度学习在肺结节检出与分割、影像表型精细刻画、良恶性分层决策、时间序列随访分析及临床转化方面的研究进展,并结合Fleischner学会指南、ACR Lung-RADS、BTS指南及近年亚实性结节相关共识,讨论深度学习在真实世界应用中的主要瓶颈,包括外部验证不足、标注真值异质性、可解释性有限、概率校准不足及流程整合困难等。
Zitieren
APA
白, 春., & 朱, 煜. (2026). 深度学习辅助精细评估肺结节影像. Metaverse in Medicine, 3(1), 72-80. https://doi.org/10.61189/653155lhssdo
Vancouver
白 春, 朱 煜. 深度学习辅助精细评估肺结节影像. Metaverse in Medicine. 2026;3(1):72-80. doi:10.61189/653155lhssdo
BibTeX
@article{2026,
author = {白, 春学 and 朱, 煜},
title = {深度学习辅助精细评估肺结节影像},
journal = {Metaverse in Medicine},
year = {2026},
volume = {3},
number = {1},
pages = {72--80},
doi = {10.61189/653155lhssdo}
}
EUVIMED