基于深度学习的肺结节检测研究综述.docVIP

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