基于深度学习的胸部X光片肺结节计算机辅助检测系统研究综述.docVIP

基于深度学习的胸部X光片肺结节计算机辅助检测系统研究综述

一、研究背景与临床需求

肺癌是全球范围内发病率与死亡率最高的恶性肿瘤之一，国家癌症中心2025年发布的最新数据显示，我国每年新发肺癌病例约87万，死亡病例约76万，5年生存率仅为19.7%，而早期肺癌患者经规范治疗后5年生存率可提升至80%以上。肺结节作为肺癌早期最主要的影像学表现，在胸部X光片（ChestX-ray,CXR）中多呈现为直径≤3cm的类圆形致密影，其形态、密度、边缘特征与良恶性风险高度相关。胸部X光片因操作简便、成本低廉、辐射剂量低，仍是我国基层医疗机构肺癌筛查的首选影像学手段，但人工读片存在显著局限性：高年资放射科医师对CXR中肺结节的平均检出率仅为70%左右，低年资医师检出率不足50%，且不同医师间诊断一致性Kappa值仅为0.52-0.68，漏诊的肺结节中约30%最终被证实为早期肺癌。在此背景下，基于深度学习的计算机辅助检测（Computer-AidedDetection,CADe）系统成为提升肺结节检出效率、降低漏诊率的核心技术方向，其通过自动定位CXR中的可疑结节区域并给出恶性风险提示，可有效辅助医师完成筛查诊断，尤其适用于基层医院大规模人群肺癌早筛场景。

二、深度学习在胸部X光片肺结节检测中的核心技术演进

2.1早期基于候选区域的两阶段检测框架

2017年之前的CXR肺结节CADe系统主