摘要
背景/目标： 肺癌的预后与早期检测密切相关，这凸显了对准确、鲁棒且可解释的肺结节CT识别方法的需求。本研究提出了一种基于YOLOv8-YOLOv12的多器官解剖上下文框架，在训练过程中将胸廓支持结构作为空间参考纳入，同时保留肺结节作为单一不变病理类别。方法： 模型在LUNG-PET-CT-DX数据集中320名患者的5000张2D轴位CT切片上进行训练和内部验证，并在包含70名患者700张轴位切片的独立LIDC-IDRI子集上进行外部评估，无需重新训练或微调。进行了一项对比"仅结节"与"结节+解剖上下文"的对照消融研究。结果： 解剖上下文方案在所有五种架构中均表现出一致提升，精确度平均绝对提升+0.078，召回率+0.122，F1分数+0.101，mAP@50 +0.079，mAP@50-95 +0.190。在内部验证中，YOLOv10m取得了最高精确度（0.979）和mAP@50（0.987），以及最短推理时间（9.25 ms）；而YOLOv11m取得了最高召回率（0.971）和F1分数（0.962）。在外部评估中，YOLOv10m保持最高精确度（0.924）和mAP@50（0.956），而YOLOv8m取得最高召回率（0.930）和mAP@50-95（0.845）；两个模型的F1分数均为0.922。结论： 这些发现提供了实验证据，表明解剖上下文学习能够改善肺结节检测，同时在跨数据集间保持竞争性性能，支持其作为解剖学知情且可解释的AI辅助胸部CT分析策略的潜力。
