基于深度学习的肺结节检测研究综述

基于深度学习的肺结节检测研究综述一、肺结节检测的临床背景与技术演进肺癌是全球范围内发病率与死亡率最高的恶性肿瘤之一，2025年世界卫生组织发布的癌症报告显示，全球每年新增肺癌病例超过240万，死亡病例达180万，其中85%的患者在确诊时已处于中晚期，5年生存率不足20%。临床研究证实，肺癌的早期表现多为直径小于3cm的肺内结节病灶，若能在结节恶变前实现精准检测与干预，患者5年生存率可提升至80%以上。因此，肺结节的早发现、早诊断成为降低肺癌死亡率的核心突破口。传统肺结节检测主要依赖放射科医师对胸部CT影像的人工阅片，一名经验丰富的医师完成一例胸部CT影像的全片阅片平均需要15-20分钟，而我国每年胸部CT检查量超过5亿人次，放射科医师缺口达20万，供需严重失衡。同时，人工阅片存在明显的主观局限性：对于直径小于5mm的微小结节、磨玻璃密度结节以及位于肺门、纵隔等复杂解剖结构附近的结节，医师漏诊率可达15%-30%，不同医师对同一结节的良恶性判断一致性仅为60%-70%。在此背景下，计算机辅助检测（CAD）系统应运而生，早期传统CAD系统主要基于人工设计的特征提取算法，通过阈值分割、形态学操作、纹理特征计算等步骤定位结节，这类系统对实性结节检测准确率可达70%，但对磨玻璃结节、粘连型结节的检测灵敏度不足50%，且假阳性率高达30%/例，难以满足临床需求。2012年AlexNet在ImageNet竞赛中取得突破性成绩后，深度学习技术开始被引入医学影像分析领域。相较于传统方法依赖人工设计特征，深度学习算法能够自动从海量影像数据中学习病灶的深层特征，对复杂形态病灶的识别能力显著提升。2017年，美国食品药品监督管理局（FDA）批准了首个基于深度学习的肺结节CAD系统，其在10万例胸部CT数据集上的检测灵敏度达94%，假阳性率降至2.5%/例，标志着深度学习成为肺结节检测领域的主流技术方向。二、基于深度学习的肺结节检测主流技术框架当前深度学习肺结节检测算法主要分为两阶段检测、单阶段检测以及Transformer-based检测三大技术路线，不同路线在检测精度、速度、临床适配性上各有侧重。（一）两阶段检测算法两阶段检测算法沿袭了自然图像检测中“候选框生成-分类回归”的经典架构，核心思路是先从CT影像中生成大量可能包含结节的候选区域，再对候选区域进行精细分类与位置校正。代表性算法包括FasterR-CNN系列、MaskR-CNN衍生模型等。在候选框生成阶段，早期算法多采用3D区域候选网络（RPN），通过滑动窗口在CT三维体积上提取不同尺度的候选框，针对肺结节大小差异大的特点，研究者通常会设计多尺度锚框，将锚框尺寸设置为3mm、5mm、10mm、20mm等多个规格，以覆盖从微小结节到大结节的检测需求。为降低候选框冗余，部分研究引入了注意力机制，通过肺实质分割掩码约束候选框生成范围，将候选框数量从平均2000个/例减少至300个/例，大幅提升了后续处理效率。在第二阶段的分类回归中，研究者针对医学影像的特性对网络头进行了大量改进：例如针对结节良恶性分类的需求，在分类分支中加入病灶纹理特征、形态特征的融合模块，将分类准确率提升了6.8%；针对结节边界模糊的问题，引入边缘损失函数，对候选框边界的像素进行加权计算，使结节定位误差从平均2.3mm降至1.1mm。两阶段算法的优势在于检测精度高，对直径小于6mm的微小结节检测灵敏度比单阶段算法高5%-8%，但由于存在两个独立的计算阶段，推理速度较慢，单例CT平均推理时间约为2-3秒，更适合离线批量阅片场景。（二）单阶段检测算法单阶段检测算法取消了单独的候选框生成阶段，直接在特征图上对每个位置进行类别预测与边界框回归，典型代表包括YOLO系列、SSD系列以及RetinaNet的医学影像适配版本。这类算法的核心改进集中在解决肺结节数据的类别不平衡问题与小目标检测难点上。针对肺结节在CT影像中占比极低（平均每例CT中结节区域占比不足0.01%）导致的样本不平衡问题，研究者对损失函数进行了针对性优化：将FocalLoss引入检测框架，通过降低易分类的背景样本的损失权重，提升罕见结节样本的训练贡献，使模型对稀有类型结节的检测灵敏度提升了12%。为提升小目标检测能力，部分研究采用了特征金字塔网络（FPN）与路径聚合网络（PAN）结合的结构，通过跨层特征融合将深层语义信息与浅层高分辨率细节信息充分结合，使模型对3mm以下微小结节的检测率提升了9%。单阶段算法的最大优势是推理速度快，经过轻量化改进的YOLOv8医学版单例CT推理时间可降至0.3秒，能够满足实时阅片需求，适合嵌入CT扫描设备进行实时辅助检测。但在同等算力条件下，其对复杂形态结节的检测精度略低于两阶段算法，假阳性率平均高出1.5%/例。（三）Transformer-based检测算法2020年VisionTransformer（ViT）提出后，基于自注意力机制的检测算法开始被应用于肺结节检测领域，其核心优势是能够捕捉病灶与周围组织的长距离依赖关系，对粘连型、隐匿型结节的识别能力显著优于卷积神经网络（CNN）类算法。早期Transformer检测模型存在计算量大、对小目标不敏感的问题，研究者针对3DCT影像的特点进行了系列优化：采用分块自注意力机制，将3DCT体积划分为非重叠的32×32×32体素块，仅在块内计算自注意力，使计算量降低了70%；引入轴向注意力机制，分别在冠状位、矢状位、横断位三个维度独立计算注意力，既保留了三维空间信息，又减少了冗余计算。2024年发表的Swin-UNETR检测模型在LUNA16公开数据集上的检测灵敏度达97.2%，假阳性率降至0.8%/例，对粘连血管型结节、胸膜下结节的检测准确率较CNN模型分别提升了11%和8.7%，成为当前精度最高的技术路线。但Transformer模型的训练成本较高，需要大规模标注数据集支撑，且推理对硬件算力要求较高，当前普及度仍低于CNN类算法。三、核心技术难点与现有解决方案尽管深度学习肺结节检测技术已取得显著进展，但在临床实际应用中仍面临三大核心挑战，研究者围绕这些挑战开展了大量针对性研究。（一）数据标注稀缺与异质性问题深度学习模型的性能高度依赖大规模高质量标注数据，但医学影像标注成本极高：标注一例包含结节的胸部CT影像需要放射科医师花费30分钟以上，且需要两名高年资医师交叉验证，标注一幅3D结节的掩码成本超过100元。目前公开的肺结节标注数据集总规模不足10万例，难以满足大模型训练需求。针对这一问题，半监督学习与自监督学习成为主流解决方案。半监督学习通过少量标注数据与大量无标注数据结合训练，例如采用均值教师算法，利用标注数据训练教师模型，再通过教师模型对无标注数据生成伪标签，用伪标签训练学生模型，在仅使用10%标注数据的情况下，模型检测精度可达到全监督模型的90%。自监督学习则通过设计预训练任务从无标注数据中学习通用特征，例如基于CT影像的三维重建任务、相邻切片相似度判断任务等，2025年谷歌提出的MedicalMAE预训练模型在100万例无标注胸部CT上进行预训练后，仅需500例标注数据微调，检测性能即可超过在1万例标注数据上训练的传统模型。此外，不同医院的CT设备参数、扫描层厚、造影剂使用情况存在差异，导致影像数据存在明显的域偏移问题，同一模型在不同医院数据上的性能落差可达20%。针对这一问题，域适应技术被广泛应用：通过风格迁移算法将不同来源的影像转换为统一风格，或者采用领域对抗训练方法，让模型学习域不变特征，已有研究证实，经过域适应优化的模型在跨中心测试时性能下降幅度可控制在5%以内。（二）假阳性率过高问题假阳性率过高是限制深度学习肺结节检测系统临床落地的核心瓶颈，现有算法产生的假阳性结果主要分为三类：血管横截面、肺内淋巴结、影像伪影，三类假阳性占比分别为45%、30%、25%。为降低假阳性率，研究者主要从后处理优化与多模态特征融合两个方向入手。在假阳性后处理阶段，通常采用级联分类器结构，将第一阶段检测出的候选结节输入专门训练的假阳性抑制网络，通过提取结节的三维形状特征、局部纹理特征、上下文解剖特征进行二次分类，优秀的假阳性抑制网络可将初始假阳性率降低70%以上。部分研究还引入了临床先验知识，例如根据肺结节的解剖位置分布规则，排除不符合生理位置的候选框，可进一步减少15%的假阳性结果。多模态特征融合则通过结合CT影像以外的临床数据提升分类精度，例如将患者的年龄、吸烟史、肿瘤标志物检测结果等临床信息与影像特征融合，或者结合PET-CT的代谢信息进行联合判断，研究证实，融合临床信息的模型对良恶性结节的分类准确率比单纯影像模型高8%-10%，假阳性率可进一步降低20%。（三）小目标与复杂形态结节检测难题直径小于5mm的微小结节、磨玻璃密度结节、粘连血管或胸膜的结节是当前检测的难点，这类结节的对比度低、边界模糊、形态不典型，传统算法漏诊率普遍超过20%。针对小目标检测，研究者提出了高分辨率特征保持网络，通过减少下采样次数、采用扩张卷积增大感受野，在保留高分辨率特征图的同时覆盖足够的上下文信息，使模型对3mm微小结节的检测灵敏度提升了13%。针对磨玻璃结节密度低、边界模糊的特点，专门设计了多模态输入通道，将CT的肺窗、纵隔窗、骨窗图像作为三个独立通道输入网络，让模型同时学习不同窗宽下的结节特征，对磨玻璃结节的检测准确率提升了11.5%。对于粘连型结节，研究者提出了边缘感知的分割辅助检测方法，在检测网络中加入并行的结节分割分支，通过学习结节的精确边界区分结节与粘连组织，使粘连血管结节的漏诊率从22%降至7%，胸膜下结节漏诊率从18%降至6%。四、临床应用现状与未来发展方向目前基于深度学习的肺结节检测系统已在国内超过2000家三甲医院投入临床使用，主要应用于三个场景：一是体检中心的大规模肺癌筛查，系统可对批量CT影像进行初筛，标记可疑结节供医师复核，将阅片效率提升5-10倍；二是住院患者的常规CT检查辅助诊断，系统自动标注结节位置、大小、密度、形态特征，并给出良恶性概率参考，降低医师漏诊率；三是肺癌患者的随访管理，系统自动对比历史影像中结节的大小、密度变化，生成随访评估报告，辅助医师判断病情进展。但当前临床应用中仍存在明显局限性：多数系统仅能提供结节检测与基础属性分析，无法直接给出临床诊疗建议；对罕见类型结节、合并其他肺部疾病患者的结节检测性能下降明显；模型可解释性不足，无法向医师解释判断依据，导致临床医师信任度有待提升。未来该领域的发展将主要集中在四个方向：一是大模型方向，基于多中心、多模态的百万级医学数据训练通用肺疾病检测大模型，实现肺结节、肺炎、肺癌、肺纤维化等多种肺部疾病的一体化诊断；二是多模态联合诊断，融合CT、病理、基因、临床病史