肺癌在全球所有癌症死亡病例中占比 18.4%，是全球癌症相关死亡的首要原因。肺部结节通常是肺癌的早期征兆，但并不总是意味着恶性病变。早期发现并精确分割肺部结节，对于准确诊断和治疗肺癌至关重要。

胸部计算机断层扫描（CT）被广泛应用于肺部结节的检测。然而，一次 CT 扫描可能会产生数百张图像，放射科医生需要花费大量的时间和精力来进行分析。长时间且艰巨的放射学分析可能会降低诊断的准确性。图像分割能够对感兴趣区域的形状、大小和纹理等表型特征进行分析。这种分析有助于判断病变的恶性可能性。这些信息对于在肺癌研究中开发个性化医疗的诊断和预测模型具有重要价值，进而推动该领域精准医疗的发展。然而，图像分割主要是一个手动或半自动的过程，既耗费人力，又容易出现不同阅片者之间以及同一阅片者自身的差异。因此，对于放射科医生来说，手动检测和分割 CT 扫描中可疑病变区域是一项艰巨的任务。相比之下，自动检测和分割可以直接从输入图像中得出结果，操作简便、速度快、效率高，并且在分割过程中消除了操作者的主观偏差。

深度学习（DL）是人工智能（AI）的一个分支，它利用高灵敏度检测、多方面信息挖掘和高通量计算的优势，在医学领域展现出巨大的潜力 。深度学习已应用于肺癌成像领域，包括肿瘤检测、CT 图像分割以及分类。然而，大多数研究都集中在单个任务上，如检测、分割、分类或预后，并且研究质量参差不齐。此外，目前尚未有针对同时进行肺部结节检测和分割的深度学习研究的质量分析。

最近，发表在European Radiology 上的一篇文章通过深度学习技术，对肺部结节的检测和分割方法进行比较，以填补现有文献中在方法学方面存在的空白和偏差。

本研究采用系统评价的方法，遵循系统评价与 Meta 分析优先报告的条目（PRISMA）指南，在 PubMed、Embase、Web of Science 核心合集以及 Cochrane 图书馆数据库中进行检索，检索时间截至 2023 年 5 月 10 日。使用诊断准确性研究质量评价工具 2（QUADAS-2）标准来评估偏倚风险，并结合医学影像人工智能清单进行调整。本研究对模型性能、数据来源以及任务重点等信息进行了分析和提取。

经过筛选，共有 9 项研究符合我们的纳入标准。这些研究发表于 2019 年至 2023 年之间，主要使用公共数据集，其中最常用的是肺部图像数据库联盟图像集（Lung Image Database Consortium Image Collection）、图像数据库资源计划（Image Database Resource Initiative）以及 2016 年肺部结节分析数据集（Lung Nodule Analysis 2016）。这些研究主要聚焦于检测、分割以及其他相关任务，在模型开发中主要采用卷积神经网络（Convolutional Neural Networks）。性能评估涵盖了多个指标，包括灵敏度和 Dice 系数等。

表 诊断准确性研究第2版质量评估（QUADAS-2）纳入研究的评估结果

本研究凸显了深度学习在肺部结节检测和分割方面的潜在强大能力。强调了在未来的研究中，标准化数据处理、代码和数据共享的重要性，外部测试数据集的价值，以及在模型复杂性和效率之间取得平衡的必要性。

原始出处：

Chuan Gao,Linyu Wu,Wei Wu,et al.Deep learning in pulmonary nodule detection and segmentation: a systematic review.DOI:10.1007/s00330-024-10907-0