夜雨聆风【肺结节影像识别】最新研究进展综述
低剂量胸部 CT 筛查让越来越多微小肺结节被发现，但真正困难的问题并不是“有没有结节”，而是“这个结节是否值得进一步干预”。2026 年发表在 Radiology: Artificial Intelligence 的一项系统综述和 Meta 分析，聚焦经过外部测试的 AI 模型在胸部 CT 肺结节良恶性分类中的表现，为“AI 能否进入真实临床判断链条”提供了更稳健的证据。
一、研究背景
肺结节影像评估长期依赖放射科医生结合结节大小、密度、边缘、增长速度和患者危险因素进行综合判断。随着肺癌筛查普及，影像数据量快速增长，医生需要在大量良性结节中识别少数高风险病灶。
AI 影像识别的价值正在从单纯“检出结节”转向“风险分层”：它不只是标出 CT 上的可疑区域，还要帮助判断结节是否可能为恶性，从而影响随访间隔、进一步检查和手术决策。
二、研究创新点
这项研究的关键价值在于：它只纳入经过外部测试的 AI 模型，而不是仅在开发数据集上表现良好的模型。外部测试更接近真实临床，因为它能检验模型面对不同医院、不同扫描设备、不同人群和不同疾病谱时是否仍然可靠。
研究共纳入 21 项研究，合计 7454 个肺结节。所有模型均基于深度学习，其中多数采用 2D 或 3D 卷积神经网络。参考标准包括病理结果，或至少 2 年影像随访结果。
三、技术原理
肺结节 AI 恶性分类模型通常包含三个环节：CT 图像预处理与结节定位、深度特征学习，以及风险概率输出。传统影像组学依赖人工设计特征，深度学习模型则通过神经网络自动学习结节的三维形态、内部密度异质性、边缘毛刺、胸膜牵拉等复杂模式。
临床上，模型输出更适合与 Lung-RADS、Brock 模型等传统风险评估工具结合使用，而不应孤立替代医生判断。
四、实验结果
Meta 分析显示，经过外部测试的 AI 模型总体诊断表现较好：汇总敏感度为 88%，特异度为 75%，受试者工作特征曲线下面积为 0.89，诊断优势比为 22.4。
较高的敏感度意味着模型较少漏掉高风险结节；中等偏高的特异度则提醒我们，AI 阳性结果仍可能包含一定比例假阳性，需要医生结合临床背景复核。研究异质性较高，也意味着结果不能简单外推到所有筛查场景。
五、技术优势
AI 肺结节影像识别的优势包括稳定输出、三维信息整合和辅助风险分层。它可以在大量 CT 图像中持续给出一致评分，也能捕捉体积、密度、边缘和纹理联合变化中的复杂模式。
六、应用前景
从临床流程看，AI 更适合被嵌入肺癌筛查和随访管理系统，而不是作为单独诊断结论。一个更合理的场景是：AI 先对结节进行自动检出、测量和风险排序，医生再结合年龄、吸烟史、既往肿瘤史、结节增长速度和影像表现做最终判断。
七、研究局限性与未来方向
这项 Meta 分析提醒我们，AI 肺结节识别距离“可无条件推广”仍有距离。研究异质性较高，部分研究没有预先设定明确阈值，且多数证据来自回顾性数据，真实世界前瞻性验证仍然不足。
另一个值得注意的问题是自动化偏倚。同期 2026 年一项 CAD 辅助阅片研究显示，CAD 可以提高总体敏感度并缩短阅片时间，但对 CAD 未标记结节的检出敏感度反而下降。临床部署时必须设计合适的人机协作流程。
八、结论
最新证据显示，经过外部测试的深度学习模型在胸部 CT 肺结节恶性分类中具有较高敏感度和较好总体诊断效能。它们有潜力成为肺癌筛查和随访管理中的重要辅助工具。
但 AI 的最佳定位不是“替代医生”，而是帮助医生更早发现风险、更稳定地完成分层、更高效地管理随访。
参考文献
1. Asmara L, Steenhuis P, de Jong PA, et al. Externally Tested AI Models for Malignancy Classification of Lung Nodules at Chest CT: A Systematic Review and Meta-Analysis. Radiology: Artificial Intelligence. 2026. PMID: 42233760.
2. Ishiwata Y, Aoki T, Horie M, et al. Risk-Stratified Use of Concurrent Computer-Aided Diagnosis (CAD) in Chest CT. Journal of Imaging Informatics in Medicine. 2026. PMID: 42243598.
3. Sodhi-Kalra D, Jha P, Digumarthy SR. AI in Lung Nodules on Chest CT: Retrospective, Real-World Assessment of AI in Clinical Practice. JMIR Formative Research. 2026. PMID: 42208121.
