基于深度学习的肺栓塞CT诊断研究综述.docVIP

基于深度学习的肺栓塞CT诊断研究综述

肺栓塞（PulmonaryEmbolism,PE）是内源性或外源性栓子堵塞肺动脉主干或分支引起肺循环障碍的临床和病理生理综合征，具有发病率高、漏诊率高、病死率高的“三高”特征。据全球血栓栓塞性疾病防控联盟数据，每年全球约有1000万例肺栓塞确诊病例，其中未经及时诊断治疗的患者病死率可达30%，而早期准确诊断并启动抗凝治疗后病死率可降至2%-8%。CT肺动脉造影（ComputedTomographicPulmonaryAngiography,CTPA）是目前临床首选的肺栓塞影像学检查手段，具有扫描速度快、空间分辨率高的优势，可清晰显示肺动脉内的栓子位置、形态及累及范围。但临床阅片过程中，受医师经验差异、微小栓子辨识度低、影像数据量大等因素影响，常规人工诊断的漏诊率可达10%-20%，急诊场景下甚至更高。

深度学习作为人工智能领域的核心技术，能够自动从海量影像数据中学习特征模式，近年来在肺栓塞CT诊断领域展现出巨大应用潜力。围绕栓子检测、分型、风险评估等核心临床需求，国内外研究者已开展大量探索性研究，逐步构建起从图像预处理到临床决策辅助的全流程技术体系，为提升肺栓塞诊断效率与准确性提供了新的解决方案。

一、肺栓塞CT诊断的深度学习基础技术框架

深度学习在肺栓塞CT影像分析中的应用遵循“数据输入-特征提取-任务输出”的典型技术路径，核心技