综述：人工智能在提升计算机断层扫描图像质量和放射防护中的有效性：系统综述与荟萃分析

这篇综述通过荟萃分析证实，人工智能（AI）可显著提升CT（计算机断层扫描）图像质量（均值差0.70，95% CI 0.43-0.96；P<.001），并在保持诊断准确性的同时展现降低辐射剂量指数（CTDI）的趋势（P=.18）。AI算法通过深度学习优化图像重建效率（OR=1.57），为平衡影像质量与患者安全提供新范式。

　　

背景
计算机断层扫描（CT）技术的普及带来了高分辨率三维成像的革命，但随之而来的辐射暴露风险引发广泛关注。如何在降低辐射剂量（CTDI）的同时维持诊断级图像质量，成为放射学领域的关键挑战。人工智能（AI）尤其是深度学习算法，通过噪声抑制、自适应重建和自动化分析，为这一难题提供了创新解决方案。

方法
研究团队系统检索了PubMed、Embase等5大数据库截至2024年的文献，纳入5项临床验证研究（共929例受试者）。采用纽卡斯尔-渥太华量表（NOS）评估研究质量（评分7-8分），使用随机效应模型合并数据，并通过I²
统计量评估异质性。主要终点包括图像质量评分、CTDI和诊断效能指标。

结果
• 图像质量：AI组显著优于传统方法（均值差0.70，P<.001），在颅内动脉瘤检测（Hu等研究）和肝脏成像（Lee等研究）中表现尤为突出。
• 辐射剂量：虽未达统计学显著性（P=.18），但CTDI降低趋势明显（均值差0.47），其中膝关节ACL损伤研究（Zhang等）显示最大降幅。
• 诊断效能：AI模型检测动脉瘤的灵敏度达0.974（Hu等），低剂量CT结合AI重建对肝脏病灶的识别非劣于标准剂量。

讨论
AI通过卷积神经网络（CNN）实现"智能降噪"——在原始数据层面区分有效信号与噪声，其自适应重建能力可针对不同组织特性优化对比度。值得注意的是，不同解剖部位对AI算法的响应存在差异：神经血管结构的微小病灶（如₂
mm动脉瘤）增强效果显著，而腹部均匀组织的剂量节约潜力更大。

局限与展望
当前研究存在算法异质性高（I²
=87%）和样本量有限的问题。未来需开展多中心研究验证AI在儿科CT等敏感场景的应用，并建立标准化的效能评估体系。随着量子计算等技术的发展，下一代AI重建算法有望突破现有信噪比瓶颈。

结论
AI已成为CT技术进化的核心驱动力，其"双赢"特性——提升质量的同时控制风险，正在重塑放射科工作流程。临床转化需关注算法透明度与伦理审查，但现有证据已充分证明AI在实现精准放射学（Precision Radiology）中的战略价值。