基于多视角卷积神经网络的新型肺结节随访低剂量CT分辨率预测模型研究

本研究针对肺癌筛查中新型中等大小肺结节随访CT的必要性问题，开发了一种创新的多视角卷积神经网络(CNN)模型。研究人员通过整合三个二维(2D)和一个三维(3D)ResNet-18模块，在NELSON试验数据集上实现了0.81的AUC值和93%的特异性，可减少14%的不必要随访扫描，为临床决策提供了智能化辅助工具。

　　

肺癌筛查中一个令人困扰的临床难题是：在低剂量CT(LDCT)随访过程中，约18%新发现的中等大小肺结节(50-500 mm³)会自行消退，但现行管理方案仍需对所有结节进行随访。这不仅造成医疗资源浪费，还给患者带来不必要的辐射暴露和心理负担。荷兰格罗宁根大学医学中心联合中荷多学科团队在《Insights into Imaging》发表的研究，开创性地将多视角深度学习技术引入这一领域。

研究团队从著名的NELSON试验(荷兰-比利时随机肺癌筛查研究)中筛选出344个新发中等大小结节，创新性地构建了融合2D与3D特征的多视角CNN模型。该模型通过轴向、冠状、矢状三个平面的2D ResNet-18网络捕捉结节截面特征，同时采用3D ResNet-18提取空间信息，最终通过特征融合实现综合判断。研究采用四折交叉验证，并引入Grad-CAM++技术增强模型可解释性。

模型性能比较
多视角模型以0.81的AUC值显著优于单一视角模型(p<0.01)，特异性达0.93意味着仅7%需随访的结节被误判。在保持90%特异性前提下，可避免14%参与者的不必要随访。

临床转化价值
参与者层面分析显示，模型正确识别63%仅含消退性结节的个体，同时94%特异性确保非消退结节不被漏诊。值得注意的是，即便对10个"近乎消退"结节（无固体成分但未完全消失），模型表现依然稳定。

技术方法亮点

1. 数据来自NELSON试验多中心LDCT筛查队列
2. 创新性采用2D三平面+3D体积的多视角特征融合策略
3. 应用B样条插值实现1mm³各向同性分辨率
4. 引入Grad-CAM++可视化关键决策区域

这项研究突破了传统仅依赖结节大小和形态的评估局限，首次证明深度学习可预测结节消退趋势。其临床意义在于：当模型提示结节可能消退时，医生可更有信心地调整随访策略。未来通过纳入更多"近乎消退"结节样本和时间动态信息，模型性能有望进一步提升，为个性化肺癌筛查提供新范式。