深度学习重建技术提升超低剂量胸部CT肺结节检测与测量精度的临床价值研究

为解决超低剂量CT(ULDCT)肺结节检测率低和测量误差大的问题，研究人员开展深度学习重建(DLR)与混合迭代重建(HIR)的对比研究。结果显示，DLR将ULDCT辐射剂量降至0.16 mSv的同时，结节检出率提升至83.4%，体积测量误差降低至17.9%，为肺癌筛查提供更安全的精准影像方案。

　　

肺癌作为全球癌症相关死亡的首要原因，其早期筛查依赖胸部CT技术。然而，标准剂量CT(SDCT)的辐射暴露（1.77 mSv）与随访复查的累积剂量引发临床担忧。尽管混合迭代重建(HIR)技术已应用于低剂量CT，但图像噪声和结节检测性能的局限阻碍了超低剂量CT(ULDCT，0.16 mSv)的临床应用。这一矛盾促使研究者探索深度学习重建(DLR)技术的突破潜力。

中国医学科学院北京协和医院放射科团队在《BMC Medical Imaging》发表的研究，首次系统评估了DLR在ULDCT中对肺结节检测和定量测量的提升效果。研究采用前瞻性设计，对84例受试者同时进行SDCT和ULDCT扫描，通过商用AI辅助系统(Yitu AICare CT Chest)对比HIR与DLR的重建效果。关键技术包括：1）基于20排探测器CT扫描仪的双剂量协议；2）DLR算法(Advanced Intelligent Clear-IQ Engine)与HIR算法(adaptive iterative dose reduction 3D)的多强度重建；3）三维分割客观噪声分析；4）5分制主观图像质量评估；5）AI系统自动检测535个结节的性能验证。

图像质量评估显示，DLR-Strong(DLR-Str)将ULDCT的肺组织噪声降至55.1±3.4 HU，显著低于HIR-Strong(HIR-Str)的61.5±2.8 HU（P<0.001），甚至优于SDCT的61.4±3.0 HU。主观评分中，DLR-Str获得4.6分（满分5分），与SDCT无统计学差异（P=0.054），而HIR-Str仅3.7分。值得注意的是，DLR在BMI≥25 kg/m²人群中仍保持稳定性能，打破了传统重建技术对肥胖患者的限制。

结节检测率方面，DLR-Str以83.4%的检出率显著超越HIR-Str的74.0%（P<0.001）。多因素分析证实DLR是独立预测因子（OR=2.02）。尤其在亚实性结节中，DLR将检出率从43.8%提升至62.0%，解决了该类结节在低剂量CT中易漏诊的难题。AI系统辅助下，DLR的假阳性率仅2.0%，与HIR相当（1.5%，P=0.61），验证了其临床实用性。

测量准确性研究通过Bland-Altman分析发现，DLR-Str使结节体积的系统百分比误差(SPE)从HIR-Str的17.1%降至8.5%。绝对百分比误差(APE)分析显示，DLR-Str组结节体积中位误差为17.9%（IQR 7.6-33.4%），显著低于HIR-Str组的19.5%（IQR 10.0-37.5%，P<0.001）。对于≥6 mm结节，DLR的体积测量误差降低3.9个百分点，为随访评估提供更可靠的生长速率数据。

该研究证实，DLR技术通过卷积神经网络的优势，在ULDCT中实现了"降噪不降质"的突破。其临床意义在于：1）将筛查剂量降至胸片水平（0.16 mSv），降低91%辐射风险；2）提升亚实性结节检出率19.2个百分点，助力早期肺癌诊断；3）体积测量误差优于20%的临床可接受阈值，满足肺结节管理指南要求。未来研究可探索DLR在BMI>30 kg/m²人群的适用性，以及优化AI算法对DLR图像纹理特征的适应性。这项技术为构建安全、精准的肺癌筛查体系提供了关键解决方案。