基于深度学习的肺癌低剂量CT筛查研究综述.docVIP

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