基于0.25毫米超薄层厚U-HRCT图像的深度学习肺结节检测系统性能评估

本研究针对超高清分辨率CT(U-HRCT)中AI辅助肺结节检测的优化需求，由广岛大学团队通过63例临床数据系统评估了0.25/1/5 mm三种层厚对深度学习肺结节检测系统(DL-LND)性能的影响。研究发现1 mm层厚具有最高灵敏度(91.5%)，而0.25 mm层厚未能提升检测效能，为临床CT扫描参数选择提供了重要循证依据。该成果发表于《Japanese Journal of Radiology》，推动了AI在肺部影像精准诊断中的应用。

　　

在肺癌早筛领域，AI辅助的肺结节检测系统(CAD)已成为放射科医生的得力助手。然而随着超高清分辨率CT(U-HRCT)技术的突破，0.25毫米层厚图像能呈现更精细的解剖结构，却也带来图像噪声增加、数据量激增等新挑战。一个关键问题悬而未决：这种突破性的空间分辨率提升，是否真能改善AI系统的检测性能？这直接关系到临床实践中扫描参数的优化选择。

广岛大学的研究团队在《Japanese Journal of Radiology》发表的重要研究，首次系统评估了商用深度学习肺结节检测系统(DL-LND)在U-HRCT三种层厚(5/1/0.25 mm)下的表现。研究采用160排探测器U-HRCT扫描63例患者，通过双盲法建立包含188个结节的参考标准，涵盖4-66 mm不同大小及实性/亚实性结节类型。

关键技术方法包括：使用Canon Aquilion Precision CT进行0.25×160排超薄层扫描；采用AIDR 3D迭代重建技术；通过SYNAPSE SAI viewer V2.4搭载的DL-LND系统进行多厚度图像分析；统计比较灵敏度、阳性预测值(PPV)及假阳性率等核心指标。

【结果】

1. 检测数量比较：1 mm层厚检出均值最高(7.8个/例)，显著优于5 mm(5.1个)和0.25 mm(7.2个)。

   

2. 灵敏度与PPV：1 mm层厚灵敏度达91.5%，显著高于5 mm(79.8%)，但PPV降至34.8%。0.25 mm层厚未显现优势。

   

3. 亚组分析：对4-10 mm小结节和亚实性结节，1 mm层厚灵敏度分别达89.3%和87.0%，0.25 mm层厚因图像噪声导致部分GGN(磨玻璃结节)漏检。

   

4. 假阳性控制：0.25 mm层厚假阳性均值4.7个/例，优于1 mm(5.2个)，显示其在血管结构鉴别上的潜力。

   

这项研究确立了1 mm层厚在U-HRCT肺结节AI检测中的最优地位，同时揭示了当前DL-LND系统在超薄层图像处理上的局限性。其临床价值在于：为平衡检测效率与工作负荷提供了量化依据；指出AI训练数据需纳入超薄层图像以提升适应性；提示未来光子计数探测器CT(PCD-CT)研究中需注意类似技术瓶颈。该成果为AI与先进影像技术的协同优化指明了发展方向。