基于深度学习的肺癌低剂量CT筛查研究综述

基于深度学习的肺癌低剂量CT筛查研究综述肺癌是全球范围内发病率和死亡率最高的恶性肿瘤之一，据世界卫生组织国际癌症研究机构（IARC）2025年发布的数据，全球每年新增肺癌病例约240万，死亡病例达180万，5年生存率仅为19.7%。肺癌早期通常无明显临床症状，多数患者确诊时已处于中晚期，错失最佳治疗时机。低剂量螺旋CT（LDCT）辐射剂量仅为常规CT的1/5-1/10，且对肺部小结节的检出敏感度显著高于胸部X线检查，美国国家肺癌筛查试验（NLST）结果显示，采用LDCT对高危人群进行定期筛查可降低20%的肺癌死亡率。但LDCT筛查的广泛应用也带来了巨大的影像读片压力，一名放射科医生日均需审阅上百份CT影像，每份影像包含数百层断层图像，人工阅片不仅耗时费力，还易因医生经验差异出现漏诊、误诊情况。近年来深度学习技术在医学影像分析领域取得突破性进展，其强大的特征提取能力为LDCT肺癌筛查的自动化、智能化提供了可行路径，相关研究成果已逐步从实验室走向临床应用。一、深度学习在肺结节检测中的应用肺结节是肺癌早期的重要影像学表现，准确检测肺结节是LDCT筛查的核心环节。传统的计算机辅助检测（CAD）系统多依赖人工设计的特征，如结节的灰度、形状、纹理等，对形态不典型、密度不均的小结节检出效果有限。基于深度学习的目标检测算法可自动学习结节的多层次特征，显著提升检测灵敏度和特异度。两阶段检测算法是早期肺结节检测的主流框架，以FasterR-CNN为代表。这类算法首先通过区域生成网络（RPN）在CT影像中提取可能包含结节的候选区域，再对候选区域进行分类和边界框回归。研究人员针对肺部影像的特点对算法进行了多方面优化：考虑到肺结节尺寸差异大（直径从3mm到30mm以上），通过引入特征金字塔网络（FPN）实现多尺度特征融合，提升对微小结节和大结节的检测能力；针对肺结节与血管、支气管等正常组织相似度高的问题，在主干网络中加入注意力机制，引导模型聚焦于结节区域的特征，抑制背景干扰。2023年某团队提出的改进型FasterR-CNN模型在公开数据集LIDC-IDRI上的检测灵敏度达97.2%，假阳性率仅为0.12个/扫描，性能优于传统CAD系统30%以上。单阶段检测算法凭借更快的推理速度逐渐成为研究热点，YOLO、SSD系列算法被广泛应用于肺结节实时检测场景。与两阶段算法不同，单阶段算法直接在特征图上回归结节的位置和类别，无需单独的候选区域生成步骤，检测速度可提升2-3倍，更适合大规模筛查场景。为解决单阶段算法对小结节检测精度不足的问题，研究人员提出了多种改进策略：例如在输入层采用多分辨率图像金字塔，让模型同时学习不同分辨率下的结节特征；在损失函数中引入焦点损失（FocalLoss），缓解正负样本不均衡问题，提升对难分样本的识别能力。最新的YOLOv8改进模型在肺部CT数据集上的推理速度可达每秒30帧，对直径小于5mm的微小结节检出率超过92%，基本满足临床实时检测需求。除了检测结节的存在和位置，深度学习模型还可实现结节的良恶性初步判别。通过构建3D卷积神经网络，提取结节的三维空间特征，包括结节的生长方式、边缘毛刺征、分叶征、内部钙化情况等影像学征象，这些特征与结节的良恶性高度相关。一项纳入1200例经病理证实肺结节患者的研究显示，深度学习模型对肺结节良恶性判别的AUC值达0.94，准确率为89.3%，与高年资放射科医生的诊断水平相当，且模型判读时间仅为人工的1/20。二、深度学习在肺癌风险分层与预后评估中的价值在肺结节检测的基础上，对筛查发现的结节进行精准风险分层，是实现肺癌早诊早治的关键。目前临床常用的风险评估模型如Mayo模型、Brock模型等多基于患者的年龄、吸烟史、结节大小、形态等临床和影像学特征，对中等风险结节的区分能力有限。深度学习技术可挖掘影像中蕴含的高通量特征，结合临床数据构建更精准的风险分层模型。影像组学与深度学习的融合是当前风险分层研究的重要方向。研究人员首先通过深度学习模型自动分割肺结节区域，然后提取海量影像组学特征，包括一阶统计特征、纹理特征、形状特征等，再通过特征筛选与模型训练，构建风险预测模型。2024年发表在《柳叶刀·呼吸医学》的一项多中心研究，纳入了来自8个国家的15000名LDCT筛查参与者，基于深度学习构建的风险预测模型对2年内进展为肺癌的结节预测AUC达0.91，优于传统Brock模型（AUC=0.83）。该模型将筛查人群分为低危、中危、高危三组，其中高危组2年肺癌发生率为12.3%，低危组仅为0.12%，可有效减少低危人群的不必要随访，节约医疗资源。深度学习还可实现对肺癌分子亚型的无创预测。不同分子亚型的肺癌治疗方案和预后差异显著，传统方法需要通过穿刺活检获取组织样本进行基因检测，属于有创操作，且存在取样误差。研究发现，CT影像特征与肺癌的基因突变、蛋白表达存在密切关联，通过深度学习模型分析LDCT影像特征，可无创预测EGFR、KRAS等常见驱动基因突变状态，以及PD-L1表达水平。2023年一项涉及3000例非小细胞肺癌患者的研究显示，深度学习模型预测EGFR突变的准确率达82.7%，为靶向治疗的患者筛选提供了无创手段，尤其适用于无法耐受穿刺活检的患者。在预后评估方面，深度学习模型可结合影像数据、临床数据、随访数据，预测患者的无病生存期、总生存期等预后指标。通过对治疗前LDCT影像的特征分析，模型可识别出与预后相关的潜在影像标志物，例如肿瘤的异质性、周边血管浸润情况等，这些标志物往往难以通过人工视觉定量评估。一项针对早期肺癌术后患者的研究显示，深度学习模型基于术前LDCT影像构建的预后预测模型，对5年总生存期的预测C-index达0.78，优于传统TNM分期系统（C-index=0.69），可辅助临床医生制定更个体化的术后随访和治疗方案。三、深度学习应用于LDCT肺癌筛查面临的挑战尽管深度学习在LDCT肺癌筛查领域取得了显著进展，但要实现广泛的临床落地应用，仍面临诸多挑战。首先是数据质量与泛化性问题。深度学习模型的性能高度依赖训练数据的规模和质量，目前多数研究使用的是单中心、同源性的数据集，不同中心的CT设备参数、扫描协议、影像标注标准存在差异，导致模型在跨中心应用时性能出现明显下降。例如，在某三甲医院数据集上训练的模型，在基层医院低剂量CT影像上的检测灵敏度可能下降15%-20%，主要原因是基层医院CT设备的图像噪声更高、层厚更大。构建多中心、多设备、多人群的大规模标准化数据集，以及研发更鲁棒的域适应算法，是解决模型泛化性问题的关键。其次是模型的可解释性不足。深度学习模型通常被认为是“黑箱”，其决策过程缺乏透明性，难以向医生和患者解释模型判断的依据。在医疗场景中，模型的可解释性直接关系到临床医生的接受度和信任度。当前多数研究仅关注模型的准确率、灵敏度等性能指标，对模型可解释性的研究相对滞后。虽然注意力热力图、类激活图等方法可一定程度上展示模型关注的影像区域，但无法提供符合临床逻辑的解释，例如模型判断结节为恶性的依据是存在毛刺征还是分叶征，目前的解释方法还难以实现如此精细的特征定位。构建可解释的深度学习模型，使其决策过程与临床诊断逻辑保持一致，是未来需要突破的重要方向。第三是临床工作流的融合问题。目前多数深度学习筛查系统是独立于医院现有影像归档和通信系统（PACS）之外的，医生需要在不同系统间切换操作，反而增加了工作负担。如何将深度学习模型无缝嵌入现有的临床工作流，实现从影像导入、自动分析、结果输出到报告生成的全流程自动化，是提升系统实用性的关键。此外，筛查系统的性能需要在真实临床环境中进行充分验证，目前多数研究的性能结果是在测试集上获得的，而真实筛查场景中结节的患病率更低，假阳性结果可能会带来更多的过度诊断和过度治疗问题，需要在大规模人群筛查中进一步评估模型的成本效益比。第四是监管与伦理问题。深度学习医疗软件属于三类医疗器械，需要通过严格的监管认证才能上市应用。但深度学习模型具有迭代更新快的特点，传统的医疗器械监管流程难以适应模型的快速迭代，如何建立针对人工智能医疗软件的动态监管机制是监管部门面临的新问题。在伦理层面，需要明确深度学习系统在筛查中的责任界定，当系统出现漏诊误诊时，责任如何在生产企业、医疗机构、医生之间划分，相关的法律法规还需进一步完善。同时，患者的影像数据隐私保护也是不可忽视的问题，需要建立完善的数据安全管理机制，避免患者隐私泄露。四、未来研究方向与应用前景随着技术的不断进步，深度学习在LDCT肺癌筛查领域的应用前景广阔。未来的研究方向将集中在以下几个方面：一是多模态数据融合，将LDCT影像数据与患者的临床病史、血液生物标志物、基因数据等多源数据融合，构建更精准的筛查模型，进一步提升早期肺癌的检出率，降低假阳性率。二是动态影像分析，利用患者的多次随访CT影像，通过时序深度学习模型分析结节的生长变化规律，比单次影像分析更能准确判断结节的良恶性，减少不必要的有创检查。三是轻量化模型研发，针对基层医疗机构的设备条件，开发适合边缘端部署的轻量化深度学习模型，无需依赖高性能计算设备即可在基层医院的CT设备上运行，推动肺癌筛查下沉到基层，提升筛查的可及性。从应用场景来看，未来深度学习肺癌筛查系统将在大规模人群筛查中发挥重要作用。在我国