编辑：ddayh.cn
肺癌是世界上对人类健康和生命威胁最大的恶性肿瘤之一，发病率和病死率目前均居所有恶性肿瘤的首位。降低肺癌病死率、提高患者生存质量，最关键的是早发现、早诊断。肺结节是肺癌的早期表现，CT的出现使得肺结节的检出率大大提高。薄层CT有助于检测出更小的肺癌，但薄层CT明显增加CT成像数量及影像医师的阅片量，从而可能导致肺结节的漏诊和误诊。计算机辅助检测与诊断（computer-aided detection/diagnosis, CAD）系统能够对大量CT图像进行初步筛查并标记可疑病变，从而帮助放射科医师进行二次判别，以减少工作量并提高诊断准确率。肺结节检测与诊断技术是近年来CAD领域的研究热点之一。
随着大数据的应用、计算能力的显著提高以及新的深度学习算法的推动，人们对人工智能（artificial intelligence, AI）的兴趣越来越高。人工智能技术可以从图像中提取肉眼容易忽视的信息，从而提高图像的诊断价值。人工智能的核心是机器学习，深度学习是机器学习的一个分支。深度学习的实质是通过构建含大量隐藏层的机器学习模型和海量的训练集，来学习更有用的特征，从而提升分类或诊断的准确性。随着深度学习在图像处理领域取得了巨大成功，基于深度学习的CAD在肺结节的检测与诊断方面也达到了很高的准确率。常见的深度学习模型包括卷积神经网络（convolutional neural network, CNN）、自编码（auto-encoder, AE）、深度信念网络（deep belief network, DBN）等，而最常用的是卷积神经网络 (CNN) , CNN是一种特别适用于解决图像分类问题的监督学习算法。
传统CAD系统的常见步骤分为肺部分割、结节检测、结节分割和结节分类。精确的肺部区域分割有助于准确地提取胸部CT图像中的结节，进而提高诊断准确性。肺结节的精确分割对辅助放射科医师做出决策至关重要。分类是计算机辅助诊断的核心之一，相关特征的提取和高性能的分类器有助于提高准确率并减少假阳性率。深度学习具有直接从训练数据中发现特征的能力，从而导致CAD框架的设计模式可能会被改变。对于任何CAD系统，较高的敏感度和合理的假阳性率（false positive rate, FPR）十分重要。目前领域内公开的数据主要是标注数据的肺结节CT图像, 因此近年来人工智能用于肺结节的辅助检测与诊断的主流研究集中于CT图像。
随着深度学习在肺结节CAD系统应用的深入，越来越多的深度学习方法应用于其中。有文章提及将深度残差学习（deep residual learning）、课程学习（curriculum learning）和迁移学习（transfer learning）等相结合的方法可以提高肺结节分类的准确率，这可能是肺结节CAD系统的一个有希望的新方向。
热门中医儿科