基于Google AI Studio卷积神经网络(CNN)的胸部CT肺癌自动检测系统性能评估与临床应用价值

本研究创新性地采用Google AI Studio预训练卷积神经网络(CNN)，在公开IQ-OTH/NCCD数据集(含110例CT)上验证AI辅助肺癌检测效能。结果显示模型总体准确率达75.5%(AUC=0.824)，对恶性病变识别优异(AUC=0.902)，但存在磨玻璃影(GGO)过度敏感导致的假阳性。研究为AI在胸部CT影像决策支持系统(DSS)中的应用提供了量化证据，强调人机协同在良恶性鉴别中的必要性。

　　

Highlight

AI-based categorization of lung CT findings

表2展示了病例在不同分类等级中的分布情况。基于设定阈值，AI模型在110例中正确识别83例，总体准确率达75.5%。敏感度74.5%显示其捕捉真实阳性病例的能力，特异度76.4%反映识别阴性病例的准确性（详见表3）。ROC曲线分析显示AUC值为0.824（95%CI:0.745-0.897），表明模型具有优秀的判别能力。

Interpretation of AI performance across normal, benign, and malignant cases

AI辅助胸部CT解读展现出75.5%的总体诊断准确率，证实其作为初步评估支持工具的潜力。虽然74.5%的敏感度和76.4%的特异度表明模型能有效识别阴阳性病例，但14例阳性和13例阴性误诊案例仍凸显人工监督的必要性。该表现优于既往研究报道的0.78 AUC值，特别是在恶性病例检测中展现显著优势。

Conclusions

本研究通过IQ-OTH/NCCD数据集验证了AI模型在CT扫描中检测肺部异常的效能。模型展现出整体优秀的诊断准确性，在恶性病例识别中表现尤为突出（AUC=0.902），但对良性病例的鉴别能力相对有限（AUC=0.615）。这些发现揭示了AI作为肺癌检测辅助工具的价值，尤其适用于恶性肿瘤的筛查，同时指出需要持续优化模型对非恶性病变的判别能力。