AI辅助诊断系统精确定位对肺结节的类型和分级的判断价值

目的:研究AI辅助诊断系统精确定位对肺结节的类型和分级的判断价值。方法:选择2023年1月至2024年1月期间我院肺结节患者200例,分为研究组(n=100)和对照组(n=100),研究组采用AI辅助诊断系统精确定位,对照组采用传统的诊断方法。结果:研究组的灵敏度、特异性、阳性预测值(PPV)、阴性预测值(NPV)明显高于对照组,两组具有统计学意义(P<0.05)。研究组在时间趋势中结节大小、结节形状、结节密度的准确率明显高于对照组,两组具有统计学意义(P<0.05)。结论:AI辅助诊断系统在精确定位结节的同时,能够分析结节的密度、大小、形态特点等信息,从而判断结节的类型和分级。这对于临床医生来说具有很高的价值,因为这样可以更准确地评估患者的病情,制定出更合适的治疗方案。此外,AI辅助诊断系统的精准对比随访功能可以实时监测结节的变化,早期发现可能的恶性转化,从而提高治疗效果和患者的生活质量。总之,AI辅助诊断系统在结节的诊断和治疗过程中具有重要的作用,能够为医生提供有力的支持。

CT与AI肺结节诊断系统对诊断肺结节及鉴别分型的临床价值

目的探讨在肺结节诊断和鉴别分型诊断中采用电子计算机断层扫描(CT)与人工智能(AI)肺结节诊断系统的临床价值。方法选择2021年1月至2022年6月于医院经手术病理检查确诊为肺结节的100例患者作为研究对象,分析所有患者CT检查和AI肺结节诊断系统的影像学资料,以手术病理检查为金标准,比较2种检查方法在良恶性结节中的诊断符合率及在不同结节性质中的诊断符合率。结果手术病理检查结果显示,100例患者中共检查120个结节,其中恶性结节80个,良性结节40个;实性结节40个,部分实性结节30个,磨玻璃结节50个。AI肺结节诊断系统的恶性结节、良性结节、实性结节、部分实性结节和磨玻璃结节的诊断符合率分别为97.50%、97.50%、95.00%、96.67%、96.00%,均高于CT检查的75.00%、75.00%、62.50%、66.67%、60.00%,差异有统计学意义(P<0.05)。结论与CT检查比较,AI肺结节诊断系统在肺结节诊断和鉴别分型中的价值较高,可以显著提高良恶性结节的诊断符合率,辅助临床医师更好地判断不同的结节性质。

人工智能影像辅助诊断系统阅片在鉴别肺结节性质中的价值分析

目的探究人工智能影像辅助诊断系统阅片在鉴别肺结节性质中的价值,为临床诊断肺结节疾病提供参考依据。方法回顾性分析北大医疗潞安医院2022年6月至2023年6月收治的82例肺结节患者的临床资料,所有患者均接受电子计算机断层扫描(CT)检查,获得的CT图像进行人工阅片和人工智能影像辅助诊断阅片,并进行定性诊断。以病理检查为金标准,分析比较两种阅片方式对肺结节的检出情况及两种阅片方式对肺结节良、恶性的诊断效能。结果82例肺结节患者中共检出245个结节,其中结节直径<5 mm者154个,5 mm≤结节直径≤10 mm者66个,结节直径>10 mm者25个。与人工阅片相比,人工智能影像辅助诊断系统阅片对肺结节直径<5 mm、5 mm≤直径≤10 mm的检出率升高;与人工阅片相比,人工智能影像辅助诊断系统阅片对肺结节恶性的诊断特异度降低,灵敏度、阴性预测值均升高(均P<0.05)。结论人工智能影像辅助诊断系统阅片对肺结节的检出率更高,并且诊断灵敏度、阴性预测值较高,但其特异度较低,因此会存在一定的假阳性率,建议临床上将两种阅片方式进行结合,以提高对肺结节的诊断准确性。

胸部CT结合AI诊断系统对疑似肺结节患者的诊断价值

目的:探讨胸部CT结合AI诊断系统对疑似肺结节患者的诊断及对结节类型的评估价值。方法:选取2022年1月至2024年1月我院收治的疑似肺结节患者100例,随机分为两组,其中对照组选择胸部CT诊断,而研究组是对照组基础上结合AI诊断系统;以病理结果为金标准。结果:病理结果表明100例患者中一共有188个结节,其中恶性结节32个(17.0%),良性结节有156个(83.0%);与对照组比,研究组的结节检出率更高(P<0.05);研究组结节性质的临床检出率更高(P<0.05)。结论:胸部CT结合AI诊断系统对疑似肺结节患者的诊断效果更好,能够有效提高结节检出率,准确分辨结节类型,从而制定积极有效的治疗方案,值得推广。

分析AI肺结核辅助诊断系统在SN恶性诊断中的效果分析

分析亚实性结节(SN)恶性诊断中应用人工智能(AI)肺结核辅助诊断系统的应用。方法 回顾性分析本院收治的150例肺结节患者一般资料,均于2022年5年~2024年5月期间就诊,均于术前进行计算机断层扫描(CT)检查,并以术后病理为参考,对诊断效果进行分析,比较诊断效能、诊断效率、不同类型病变检出率。结果 在诊断效能方面,影像医师阳性检出率为88.67%,AI肺结核辅助诊断系统检出率为98.67%,AI肺结核辅助诊断系统阳性检出率较高,P<0.05;在诊断效率方面,AI肺结核辅助诊断系统诊断及候诊时间较短,P<0.05;在不同类型病变检出率方面,AI肺结核辅助诊断系统前驱腺体病变检出率为33.33%,低于影像医师(53.33%),微浸润性腺癌、浸润性腺癌1级、2级及3级检出率分别为32.00%、16.00%、10.67%、6.67%,高于影像医师(21.33%、8.00%、4.00%、2.00%),P<0.05。结论 在SN恶性诊断中应用AI肺结核辅助诊断系统诊断效果较为理想,具有较高的阳性检出率,且诊断及候诊时间较短,诊断效率较高,在不同类型病变中检出率较高,诊断价值较高。

人工智能辅助诊断系统结合低剂量CT在肺小结节筛查中的应用进展

随着医学技术的进步,人工智能(AI)在肺小结节筛查和诊断中的应用引起了广泛关注。本文将介绍AI辅助诊断系统的原理和功能,并探讨低剂量CT在肺小结节筛查中的优势。通过综述和分析现有研究,评估AI辅助诊断系统结合低剂量CT在肺小结节筛查中的应用效果和潜在价值。最后,提出进一步研究和发展该领域的建议。

人工智能辅助诊断系统联合CT检查肺结节的诊断价值

目的探讨人工智能(AI)辅助诊断系统联合CT检查肺结节的应用价值。方法选取本院收治的100例肺结节患者,全部患者均行CT、AI辅助诊断系统联合CT检查,比较2种方法诊断肺结节的检出情况、检查时间。以病理检查结果为参照,评价2种检查方法诊断恶性肺结节的效能。结果 AI辅助诊断系统联合CT检查的肺结节检出率为97.00%(97/100),高于CT检查的86.00%(86/100),差异有统计学意义(P <0.05)。AI辅助诊断系统联合CT检查的肺结节平均检出时间为(391.15±156.08) s,短于CT检查的(482.71±248.03) s,差异有统计学意义(P <0.05)。AI辅助诊断系统联合CT检查对诊断恶性肺结节的准确性、敏感性、特异性高于CT检查,漏诊率、误诊率低于CT检查,差异均有统计学意义(P <0.05)。结论采用AI辅助诊断系统联合CT检查能够有效检出肺结节,降低漏诊率,提高对恶性肺结节的诊断效能。

计算机辅助诊断系统在肺结节教学中的应用

目的:探讨计算机辅助诊断系统(computer-aided diagnosis,CAD)在肺结节教学中的应用价值。方法:选取2020年9-12月在本院呼吸与危重症医学部规培的临床型硕士研究生50名,根据随机法分为常规教学组(n=25)和CAD教学组(n=25)。常规教学组使用传统讲授教学法进行肺结节教学。CAD教学组将计算机辅助诊断系统融入常规肺结节教学。教学结束后进行肺结节考试(包括理论知识考试与实践病例考试),评估两组学生对肺结节特征描述准确率,结节良恶性判断准确率及治疗决策判断准确率。并通过不记名问卷调查方式,由学生进行学习效果及教学满意度评分。结果:常规教学组理论知识考试成绩(44.64±2.69)分,与CAD教学组的(45.08±2.43)分比较,差异无统计学意义(P>0.05);CAD教学组学生实践病例考试成绩(42.12±2.54)分,高于常规教学组的(30.40±2.35)分,差异有统计学意义(P<0.05)。CAD教学组学生对结节特征描述准确率,结节良恶性判断准确率及治疗决策判断准确率均高于常规教学组,差异有统计学意义(P<0.05)。CAD教学组学生学习效果及教学满意度评分高于常规教学组,差异有统计学意义(P<0.05)。结论:利用计算机辅助诊断系统可以提高肺结节教学质量。

肺结节智能辅助诊断系统在肺磨玻璃结节诊断中的应用研究

目的评估肺结节智能辅助诊断系统对肺磨玻璃结节(GGN)的检出与定性诊断的价值。方法回顾性分析77例患者(106个病灶)经手术及病理证实的GGN患者的临床资料与CT图像。利用肺结节智能辅助诊断系统自动测量GGN的CT参数,包括最大径、最小径、体积、平均CT值及恶性概率。按照GGN的病理结果分为良性病变、非典型腺瘤样增生(AAH)、原位腺癌(AIS)、微浸润腺癌(MIA)和浸润性腺癌(IAC)5组,比较各组结节的CT参数间的差异。分析各CT参数与组织病理分组之间的相关性。再以结节的最大径、体积、平均CT值为检验变量绘制受试者工作特性(ROC)曲线,得出各组间的临界值、敏感度和特异度。结果不同病理类型结节的最大径、最小径、体积、平均CT值、恶性概率间的差异存在统计学意义。随着肺腺癌的浸润程度的进展,GGN的平均CT值逐渐增大,平均CT值与肺腺癌浸润程度间存在正相关性,但是GGN的最大径、最小径、体积及恶性概率与浸润程度无明显的线性相关。当GGN的最大径、体积和平均CT值的临界值分别为13.65 mm、684.5 mm3、-524.95 HU时,IAC组与其余组间的AUC分别为0.833、0.798及0.811,其敏感度分别为71.0%,67.7%,90.3%,特异度分别为84.0%,88.0%及68.0%。GGN良性病变与恶性病变(AAH、AIS、MIA和IAC)组间比较,上述指标临界值分别为10.3 mm、391.35 mm3、-636.10 HU,AUC分别为0.647、0.669、0.547,敏感度分别为78.6%,85.7%,42.9%,特异度分别为55.4%,50.0%,85.9%。鉴别肺腺癌浸润前、后组的上述临界值分别为9.05 mm,684.50 mm3,-529.90 HU;AUC分别为0.701,0.692,0.796,敏感度分别为53.2%,87.2%,74.5%,特异度分别为80.0%,48.9%,80.0%。结论肺结节智能辅助诊断系统对GGN具有较高的检出率,通过该系统能够准确的自动定位肺结节,客观的测量GGN的CT影像参数,并对GGN作出比较恰当的恶性概率判断,各CT参数与GGN病理类型之间存在一定关系,GGN的最大径越大,平均密度越高,体积越大,肺腺癌的浸润程度越深。

计算机辅助诊断系统鉴别肺结节良恶性的价值及其影响因素

目的:讨论计算机辅助诊断肺结节良恶性的效能及影响因素。方法:回顾性分析本院2018年10月至2020年2月胸部CT发现并经手术病理证实的肺结节324个(≤30mm),其中恶性244个,良性80个。依据计算机辅助诊断系统(依图“AI系统”)记录每个结节的大小、密度、位置及影像特征,获得最终良恶性诊断并与病理报告进行对比。采用SPSS 23.0软件进行统计学比较。结果:1.结节AI检测率100%,并提取影像特征。准确率、敏感度、特异度、假阳性率、假阴性率分别为0.645、0.684、0.525、0.475、0.316。病灶大小、性别、密度及影像征象在良恶性组之间有统计学差异(P<0.05),病灶大小ROC曲线显示AUC为0.673。最佳界值选择结节为9.5mm,其敏感度为73%,特异度为56.2%;小于等于10mm结节,敏感度、特异度分别为0.115、0.775。2.年龄、性别、病灶大小及征像在假阴性组及真阳性组之间存在统计学差异(P<0.05)。结论:AI肺结节检测效能达100%,结节大于10mm时鉴别诊断效能较高。影响AI诊断准确率的原因是性别、年龄、结节大小及典型征象,特别是女性、年龄小于40岁、磨玻璃或混合密度及小于10mm结节容易误判为良性。

CT结合AI肺结节诊断系统在肺结节诊断及分型鉴别中的应用

目的探讨CT结合AI肺结节诊断系统在肺结节诊断及分型鉴别中的应用效果。方法选取2021年9月至2022年9月我院收治的80例疑似肺结节患者,按照检查方法分为观察组与对照组。对照组采用CT检查诊断,观察组在对照组基础上采用AI肺结节诊断系统。比较两组诊断肺结节及分型的价值。结果病理检查结果显示80例患者共168个结节,其中恶性结节32个(19.05%)、良性结节136个(80.95%)。观察组结节检出率及恶性结节阳性检出率分别为97.62%、96.88%,高于对照组的82.14%、81.25%(P<0.05)。观察组在结节直径5 cm、8~10 cm及实性结节、磨玻璃结节、胸膜中部结节的检出率高于对照组(P<0.05)。结论CT结合AI肺结节诊断系统可提高肺结节检出率,且在鉴别结节分型方面价值较高。

人工智能医学影像辅助诊断系统在肺结节诊断上的应用准确性探讨

目的:分析人工智能医学影像辅助诊断系统在肺结节诊断上的应用准确性。方法:选取2019年5月—2020年12月在昆明市第一人民医院经病理诊断为肺结节的患者98例,采用随机数字法将患者分为对照组和观察组,各49例。对照组接受CT检查诊断,观察组接受人工智能医学影像辅助诊断系统联合CT诊断,对比两组患者的诊断结果、灵敏度、特异度、准确性、漏诊率、误诊率、检查时间、检查满意度。结果:CT诊断为真阳性18例、假阴性6例、假阳性6例、真阴性19例;人工智能医学影像辅助诊断系统联合CT诊断为真阳性23例、假阴性1例、假阳性2例、真阴性23例。观察组患者的诊断灵敏度为95.83%、准确性为93.88%、漏诊率为4.17%,与对照组的75.00%、75.51%、25.00%对比差异显著(P<0.05);两组的诊断特异度与误诊率对比差异不显著(P>0.05);观察组检查所使用的时间短于对照组,差异具有统计学意义(P<0.05);观察组患者对检查的满意度为97.96%,显著高于对照组患者的85.71%(P<0.05)。结论:在对肺结节患者实施检查诊断时,对患者使用人工智能医学影像辅助诊断系统联合CT诊断,可以有效提高疾病的诊断准确率,有效减少了误诊和漏诊的出现,并且两种方法联合可以有效缩短检查所使用的时间,进而快速地诊断病情,对疾病的治疗和预后有积极作用,并且可以显著提升患者对检查的满意度,值得在临床上推广应用。

人工智能医学影像辅助诊断系统在肺结节筛查方面的临床应用探讨

人工智能医学影像辅助诊断系统在肺结节筛查方面的临床应用较为广泛,基于该系统的原理和具体应用中的潜力和优势分析,探讨其在提高肺癌的早期诊断和治疗效果方面的应用价值,发现该技术的不足之处以及进一步完善技术和标准,以确保其应用效果的可靠性和安全性。

计算机辅助诊断在孤立性肺结节CT诊断的应用

目的尝试设计一款计算机辅助诊断系统软件,测试与评价其在肺内孤立性结节的诊断价值。方法收集100例经手术或穿刺病理证实的孤立性肺结节(solitary pulmonary nodule,SPN),其中包括恶性肿瘤、良性肿瘤、结核和炎性假瘤。对其4个临床参数和11个CT扫描评价指标(CT征象、继发改变和其他异常)进行影像学分析与评价,积累肺内孤立性结节的数据以及对数据属性信息进行描述、量化,形成数据集。随机抽选60例用作训练集,40例用作测试集,统计10次结果。分别测试决策树C4.5,贝叶斯网以及支持向量机(support vector machine,SVM)算法对肺结节良恶性的预测效果。对结节特征采用logistic回归分析,建立logistic回归模型,用ROC曲线分析评价logistic模型。结果决策树C4.5,贝叶斯网,SVM算法的敏感度分别为74.4%、76.1%、80.9%,假阳性率分别为30%、21%、15.7%,正确率分别为72.5%、77.5%、82.5%。C4.5,贝叶斯网,SVM算法ROC曲线下面积S分别为0.750、0.775、0.825,标准误分别为0.080、0.077、0.070。咳血,边缘轮廓,毛刺情况,与血管关系,与胸膜关系对癌症分类均有统计学意义。建立logistic诊断模型为:logit(P)=4.5582-(0.8748×咳血)-(0.6913×边缘轮廓)-(0.6045×毛刺)-(1.1710×与血管关系)。ROC曲线下面积为0.8902,特异度为0.78,灵敏度为0.93。结论 SVM算法在预测肺孤立性结节良恶性具有较高的敏感性和准确性及较低的假阳性。计算机辅助诊断系统在肺内孤立性结节良恶性诊断具有一定的临床使用价值。咳血,边缘轮廓,毛刺情况,与血管关系,与胸膜关系对癌症分类均有统计学意义。本软件可以辅助临床医生对孤立性肺结节良恶性进行诊断。

孤立性肺结节在HDCT的计算机辅助诊断

目的本文尝试设计一款基于高清晰度CT(HDCT)图像的孤立性肺结节(SPN)计算机辅助诊断系统(CADS),以提高恶性SPN的检出率,使诊断更加客观、科学。方法收集经临床病理证实的孤立性肺结节120例,包括恶性肿瘤、良性肿瘤、结核和炎性假瘤,随机抽取60例作为实验集,60例作为验证集。实验集HDCT图像经图像预处理、感兴趣区域(ROI)基于标记的分水岭算法分割和ROI纹理特征参数提取,对获得的5项纹理特征参数做统计学处理,将统计结果应用于系统以对SPN做良恶性分析并给出提示信息。验证集HDCT图像输入系统后,对比系统预测结果与主任医师和住院医师预测结果来评价系统的可靠性。结果对比度、相关性、熵、平稳度和二阶矩t检验P值分别为0.000、0.002、0.914、0.295、0.002。对比度、相关性和二阶矩良性区间分别为(903,2003)、(2.76,3.48)、(0.01,1.54),恶性区间分别为(502,898)、(3.49,3.71)、(1.79,29.86)。系统、主任医师和住院医师的敏感度分别为83.3%、93.3%、76.7%,假阳性率分别为13.3%、16.7%、26.7%,正确率分别为85%、88.3%、75%。结论基于标记的分水岭算法对与胸壁或纵隔粘连的结节及磨玻璃病变等均可以较好地将其分割提取出来。对比度、相关性和二阶矩有统计学意义。系统在预测SPN良恶性具有较高的敏感性和准确性及最低的假阳性。CAD在SPN良恶性诊断具有一定的临床使用价值,本系统可以辅助临床医师诊断SPN良恶性。

计算机辅助对肺结节良恶性的诊断效能及影响因素分析

目的探讨计算机辅助对肺结节良恶性的诊断效能及影响因素。方法选取124例肺结节患者,其中良性肺结节64例(良性组),恶性肺结节患者60例(恶性组),均经病理检查明确诊断,均予以计算机辅助诊断系统检查(comouter-aided diagnosis,CAD),分析计算机辅助对肺结节良恶性的诊断效能及影响因素。结果与病理检查结果相比,CAD检查对于良性组、恶性组的诊断准确率分别为96.88%、100%,组间差异无统计学意义(P>0.05);良性组的结节最大径、倍增时间、恶性概率分别为(1.26±0.31)cm、(1176.35±260.27)天、(29.89±3.45)%,恶性组的结节最大径、倍增时间、恶性概率分别为(0.98±0.12)cm,(536.28±179.57)天、(86.57±8.34)%,良性组的结节最大径、倍增时间均高于恶性组,而恶性概率低于恶性组,组间差异有统计学意义(P<0.05);恶性肺结节非浸润者的结节最大径、恶性概率均低于恶性肺结节浸润者,而倍增时间高于恶性肺结节浸润者,组间差异有统计学意义(P<0.05);CAD检查肺结节的影响因素包括结节最大径、倍增时间、恶性概率,差异有统计学意义(P<0.05)。结论肺结节的性质应用(AI),可获得肺结节的倍增时间和恶性概率,同时可对肿瘤浸润情况予以评估,具有高效性及准确性。

肺结节人工智能评估危险度辅助人工阅片的应用价值

目的 探讨基于CT图像的人工智能(AI)在肺结节筛查和评估危险度的临床应用价值。方法 选取2022年1月~2022年12月在国药葛洲坝中心医院接受手术或穿刺并进行病理检查的肺结节患者100例。AI和医师分别进行结节诊断,比较A组(人工诊断,n=98)、B组(AI诊断,n=99)和C组(人工+AI联合诊断,n=99)的敏感度、特异性、阳性预测值和阴性预测值与准确率。以病理结果作为“金标准”,分析AI辅助医师预测良恶性的价值。结果 A与B组评估肺结节危险度差异无统计学意义(P>0.05)。C组的敏感度(98.75%)、阴性预测值(91.67%)和准确性(90.00%)优于A、B组。C组可明显提高诊断效能,优于A和B组单独阅片,且诊断与病理结果有较好一致性(Kappa值=0.632,P<0.01)。结论 基于AI的肺结节筛查和评级能够明显提高敏感度及准确率,并降低漏诊率,对于辅助影像诊断医生的阅片具有显著的临床价值。AI评估危险度辅助人工阅片肺结节的良恶性预判中同样具备较好的参考及临床应用价值。

不同重建算法对人工智能辅助肺结节检测效能的影响

目的探讨不同重建算法[高分辨率算法(B70f)、标准算法(B30f)]对人工智能软件辅助肺结节检测效能的影响。方法选择2019年1月1日至31日在大连大学附属中山医院行常规胸部CT扫描的患者177例,其中男性71例,女性106例;年龄21~77岁,平均年龄51.3岁。行胸部CT扫描,分别使用B70f、B30f,重建原始数据,以获得医学数字成像和通信(DICOM)图像,并将图像数据传送至人工智能服务器进行肺结节自动检测。分别记录每例患者在两种重建算法下被检出肺结节的位置、长径、性质,将检测结果与"金标准"肺结节进行比对,统计"长径<4 mm"组、"长径≥4 mm"组和"所有肺结节"组的真阳性结节数、假阳性结节数、假阴性结节数,分别计算两种重建算法对不同大小肺结节检出的灵敏度、假阳性率,并比较在两种重建算法条件下检测出肺结节的灵敏度、假阳性率是否有差异。结果B70f、B30f对所有结节检出的灵敏度分别为82.83%、71.04%,假阳性率分别为1.58枚/CT、2.46枚/CT,组间差异均具有显著统计学意义(P<0.01);B70f、B30f对长径<4 mm肺结节检出的灵敏度分别为80.49%、67.28%,假阳性率分别为0.58枚/CT、1.06枚/CT,组间差异均具有显著统计学意义(P<0.01);B70f、B30f对长径≥4 mm肺结节检出的灵敏度分别为91.07%、84.29%,假阳性率分别为0.99枚/CT、1.38枚/CT,组间差异具有统计学意义(P<0.05)。结论应用B70f重建算法对人工智能辅助肺结节的检测效能优于B30f。

肺结节人工智能检测系统的临床应用探索

目的研究肺结节人工智能辅助诊断系统在医院门诊中实际临床应用情况以及对于恶性肺结节的诊断准确率分析。方法回顾性收集本院2018年03月-2020年10月之间肺结节人工智能检测系统的使用情况,统计使用AI系统分析的病例数量和肺结节检测数量,以及医生采纳率和诊断用时。对于在本院进行病理检测或手术的病人,随机匹配相同数量的良性结节病例,收集AI系统对这些结节的恶性预测概率,通过受试者工作特征曲线(receiver operating characteristic curve,ROC curve)分析AI系统对于恶性结节的预测准确率。结果2018年03月-2020年10月本院利用AI系统共分析了14510例患者的胸部平扫CT影像,其中在13539例中检测到有肺结节。AI系统总共检测出151782个疑似肺结节,平均每个CT影像发现10.46个,其中有风险的结节(AI预测风险概率大于30%)为7718个,平均每个CT影像发现0.53个。在AI的辅助下,医生的读片时间缩短了68%。共计有69例患者在本院进行了活检病理或手术检查,ROC分析结果表明AI系统在风险概率为47.3%的阈值下的敏感性为100%,特异性为83.13%,对于恶性肺结节诊断的AUC为0.907(95%置信区间,0.845~0.950)。结论肺结节人工智能辅助诊断系统在实际临床应用中可以有效辅助肺结节的检测,且在肺结节良恶性诊断上具有较好的准确率。

CT影像对肺结节各病理类型的鉴别价值

研究CT结合AI肺结节诊断系统在肺结节诊断及分型鉴别中的应用效果。方法 将我院2023年6月-2023年12月收治的348例疑似肺结节患者作为研究对象,分为对照组(n=174)与观察组(n=174),对照组采用CT检查诊断,观察组在对照组基础上采用AI肺结节诊断系统。比较两组诊断肺结节及分型的价值。结果 病理检查结果显示348例患者共436个结节,其中有82个结节为恶性的,占比18.81%,另外354个结节为良性的,占比81.19%。观察组结节检出率和恶性结节阳性检出率均高于对照组(P<0.05)结论 CT结合AI肺结节诊断系统的临床应用价值较大,是提升肺结节检出率的重要方式,值得推广应用。