陳師 胡劍鵬 徐偉 張驥 吳吉明

[摘要] 肺癌屬于臨床常見的惡性腫瘤之一，當前胸部CT是進行早期肺癌鑒別的重要方式，但是因其存在“異病同影”等情況，加之受到臨床經驗等因素影響，在病灶良惡性鑒別方面有較大差異，極易出現誤診或漏診情況。近年來人工智能被逐漸應用于臨床，其在肺結節(jié)良惡性鑒別方面也發(fā)揮著一定作用。本文從人工智能評估肺結節(jié)良惡性的基本過程、人工智能模型在鑒別肺結節(jié)良惡性方面效能、人工智能診斷肺結節(jié)效能的影響因素、問題及展望方面進行分析，以期提升人工智能輔助CT鑒別肺結節(jié)良惡性效果。

[關鍵詞] 良惡性;肺結節(jié);計算機斷層掃描成像;人工智能;手動分割

[中圖分類號] R445? ? ? ? ? [文獻標識碼] A? ? ? ? ? [文章編號] 1673-9701（2021）30-0184-04

[Abstract] Lung cancer is one of the common clinical malignant tumors. At present， chest CT is an important way to differentiate early lung cancer. However， because of its "different diseases with the same shadow" and the influence of clinical experience， there are significant differences in the differentiation of benign and malignant lesions， and it is easy to have misdiagnosis or missed diagnosis. In recent years， artificial intelligence has been gradually applied in clinical practice， which also plays a role in differentiating benign from malignant pulmonary tuberculosis. This article analyzes the basic process of artificial intelligence in evaluating benign and malignant pulmonary nodules， the efficacy of the artificial intelligence model in differentiating benign and malignant pulmonary nodules， and the influencing factors， problems and prospects of artificial intelligence in diagnosing pulmonary nodules， in order to improve the effect of artificial intelligence assisted CT in differentiating benign and malignant pulmonary nodules.

[Key words] Benign and malignant; Pulmonary nodules; Computed tomography imaging; Artificial intelligence; Manual segmentation

據一項臨床調查顯示[1]，男性肺癌患病率和死亡率約占全部惡性腫瘤首位，而女性肺癌患病率居于惡性腫瘤第三位，死亡率則僅次于乳腺癌。伴隨科學技術水平的進步，人工智能技術被逐漸應用于臨床中，其在鑒別疾病良惡性時能夠發(fā)揮良好作用[2]。機器學習作為人工智能的關鍵技術，而深度學習計算方法作為新研發(fā)的一種方式，其展示形式為嵌套層次概念，能夠發(fā)揮較強的功能性和靈活性[3]。對于傳統(tǒng)機器學習而言，該種方式無需手動提取特征，僅需將病理檢查情況和肺結節(jié)影像數據錄入，則自動生成對應關系。所以，將其應用于高通量圖像分析中，可發(fā)揮診斷價值高及效率快等特點。本文在參閱臨床大量文獻的基礎上，對人工智能輔助CT在鑒別肺結節(jié)良惡性方面情況進行研究，現就相關內容作出綜述。

1 人工智能判斷肺結節(jié)性質的流程

1.1 獲得圖像并重新組合

在檢查者數量方面，傳統(tǒng)機器學習無特殊要求，但是對于深度學習而言，其需要更多的檢查數量才可有效開展檢查。當前主要是通過公開數據庫和臨床大型醫(yī)院獲取有關肺結節(jié)的CT圖像數據。在數據采集及處理方面，傳統(tǒng)機器學習困難度較高，出自不同醫(yī)院的CT影像，采用傳統(tǒng)機器學習進行計算時，針對掃描參數和重組參數需開展重新規(guī)范，步驟繁瑣。人工智能利用公開數據庫，例如美國肺圖像數據庫聯盟等，其能夠規(guī)范采集圖像，并提供全面的資料，操作容易，但是病理結果和臨床數據缺乏真實性，因此一定程度上使準確度下降，僅能最大限度接近影像科醫(yī)師的判斷。當病例數量較少時，能夠通過開展圖像處理方式，例如移動、翻轉及旋轉等提升圖像多樣性，進而相對性增加病例數量[4]。CT圖像中介質衰減、噪聲及運動偽影會使影像發(fā)生失真情況，無法準確的將肺結節(jié)有效分類。所以，獲取影像后，利用平滑、歸一化及增強等方式進行預處理，可提升穩(wěn)定性。在黃云開[5]的研究中，其在肺結節(jié)良惡性診斷中采用人工智能及CT進行干預，結果發(fā)現醫(yī)師閱片診斷準確性為90.00%，而人工智能診斷準確性為94.00%。因此其認為在肺結節(jié)診斷中采用人工智能閱片，可提升準確度，進而減少誤診及漏診情況。在范鴻禹等[6]的研究中，其發(fā)現對于低年資的醫(yī)師而言，其在利用人工智能進行閱片后，診斷準確性及敏感度有明顯提升，同時有效縮短閱片時間。因此，其認為采用人工智能方式進行閱片，有利于提升低年資醫(yī)師閱片診斷效能，提高準確性。

1.2 分割輪廓

以往將人工勾畫輪廓作為分割主要標準，但是近年來發(fā)現，為盡可能多地包含特征，勾畫者所標記的感興趣區(qū)域一般超過實際范圍，進而導致結果準確性較差。并且進行人工勾畫可重復性差、效率低下。二十世紀八十年代出現自動分割方式，其將區(qū)域生長方式作為基礎，當前在全自動與半自動分割方面已經研發(fā)出更有效的方法。據臨床一項調查顯示[7]，自動勾畫法相較于人工分割方式有更高的診斷效能，并且相較于磨玻璃結節(jié)，實性結節(jié)采用自動分割所獲得的效果更佳，而對于肺外緣結節(jié)而言，肺內結節(jié)分割效果更佳。若肺結節(jié)鄰近縱膈或胸壁處，會導致所識別的感興趣位置沿著周圍結構盲目性擴大。其中肺磨玻璃樣結節(jié)相較于四周結構對比性不高，并且分隔情況也較低，但是也存在有效進展。盡管其有較多優(yōu)勢，但是也出現一些問題，由于計算方式存在差異，導致分隔情況也發(fā)生差異，尤其在不規(guī)則胸膜旁結節(jié)方面更加突出，一定程度上限制其在臨床的使用。伴隨卷積神經網絡方式的發(fā)展，可以在計算方式內采用隱式方式處理分割，期待可提供同結節(jié)分割同時開展的機會。在孟祥鹿等[8]的研究中，其在構建模型時通過3D深度卷積神經網絡及遞歸神經網絡結合方式，對肺結節(jié)密度類型進行分類及分割，結果發(fā)現骨重建、縱膈重建及肺重建在對肺結節(jié)密度類型分類準確度依次是（97.89±7.32）%、（98.38±6.61）%、（98.67±5.70）%。因此其認為當深度學習算法在結合遞歸神經網絡以及3D卷積神經網絡后，針對不同CT重建計算方法圖像內肺結節(jié)分類及分割均有較穩(wěn)定作用。

1.3 提取特征及篩選

由CT影像內采集肺結節(jié)硬度、形狀和紋理情況，CT水平和分布數據代表強度，形態(tài)作為重要補充數據，紋理作為顯示肺結節(jié)內部性質的關鍵數據。對于惡性結節(jié)而言，其內部異質性較明顯，相較于良性肺結節(jié)而言，惡性肺結節(jié)峰度更高、偏度更低，另外其熵、熵和、熵差值和對比水平等相較于良性肺結節(jié)有明顯升高，其中在一致性、相關度、能量和灰度值方面，惡性結節(jié)均低于良性[9]。當對肺結節(jié)影像內采集的全部特征進行利用，則會出現“過擬合”情況，在新數據集上無法重現模型的高準確度，故而需要開展篩選。由影像學專家篩選出可靠性高、鑒別度高和獨特性征象，可助于建立良好的肺結節(jié)評估模型。在開展深度學習時，能夠通過采用部分方法對圖像進行約束，強制模型對輸入進行選擇，對肺結節(jié)圖像中重要特征進行自動提取，可一定程度上避免手工標記，發(fā)揮良好的標記效果。在張曉宇等[10]的研究中，其發(fā)現采用雙路徑自動提取深度特征，并與殘差網絡以及密集連接網絡進行結合，進而達到特征復用，在候選框提取時應用三維編碼解碼網絡結構，并與結節(jié)空間信息以及上下文信息進行融合，對結節(jié)位置進行準確定位，生成多尺度候選框，并在全卷積網絡框架內嵌入網絡，進而對結節(jié)進行分類。上述計算方法能夠提升肺結節(jié)檢測速度以及檢出率，敏感度可達到90.50%，在一個序列的肺部CT圖像方面，處理時間僅為5.9 s。

1.4 構建預測模型并進行驗證

傳統(tǒng)機器學習方法主要是采用支持向量機，在臨床應用過程中發(fā)現，其在運行時對內存提出很大要求，同時在調節(jié)參數時難度較高，當需要開展分類的肺結節(jié)數量過多時，會明顯提升運行時間，并且調控性較差。另外，傳統(tǒng)肺結節(jié)分類方法有隨機森林和Logistic回歸，在祁聞等[11]的研究中，其發(fā)現利用χ2檢驗對良惡性磨玻璃結節(jié)的有關因素進行篩選，并通過構建多因素Logistic回歸模型，并繪制出ROC曲線，結果發(fā)現密度、囊狀透亮影、界面征、毛刺征及分葉征在鑒別肺結節(jié)良惡性方面具有重要作用，并進行分析發(fā)現毛刺征、毛糙邊界及分葉征同肺結節(jié)惡性有關。因此其認為對于磨玻璃結節(jié)病患而言，出現毛糙邊界、毛刺征以及分葉征時，則提示有惡性病變。在孔令重等[12]的研究中，其對發(fā)現采用Fire Voxel軟件對肺結節(jié)CT影像內紋理參數進行自動提取，結果發(fā)現多因素Logistic回歸分析提示熵、能量、胸膜牽拉征、分葉征、毛刺征以及邊界光整是惡性肺結節(jié)的獨立預測因素，并依據其建立ROC曲線，曲線下面積為0.894，而敏感度及特異性依次為93.43%、84.18%。因此其認為對構建預測模型，進行紋理分析，能夠提升早期肺癌預測價值。卷積神經網絡獲得廣泛應用，采用卷積操作可將目標同周圍的像素點進行關聯性計算，降低參數數量以及內存量。依據卷積神經網絡，有延伸并發(fā)展出較多變型，例如多尺度卷積神經網絡，其對不同尺度肺結節(jié)圖像塊特征分別訓練分類器進行提取，一方面能夠提升準確性，另一方面對不同噪聲的魯棒性較高[13]。但多尺度卷積神經網絡也存在一定缺點，例如提取耗時等。針對該項問題，通過實施多區(qū)域池化，在對不同區(qū)域進行提取時，使用不同次數的池化操作，能夠有效規(guī)避耗時長問題。在高慧明等[14]的研究中，其對每個候選肺結節(jié)分別輸入不同尺度的三維卷積神經網絡，并開展訓練，結果發(fā)現在每次掃描一次以及四次假陽性時，敏感度依次為84.90%、90.90%。因此其認為在體積式醫(yī)學CT數據開展特征學習時應用多尺度三維卷積神經網絡，能夠一定程度上降低假陽性，提升診斷有效性。

2 人工智能模型用于鑒別肺結節(jié)性質的效能

紋理分析是傳統(tǒng)機器學習的重要方式，其效果已經獲得臨床認可。在李曉卿等[15]的研究中，其發(fā)現熵敏感度為57.10%、特異性為93.20%，熵和敏感度為78.60%、特異性為52.30%，熵差敏感度為85.70%、特異性為70.50%。其認為CT紋理分析在鑒別肺結節(jié)良惡性方面具有一定價值，其聯合診斷敏感度較高。臨床還有研究顯示[16]，肺結節(jié)邊緣部位增殖速度快、微血管密度高，相較于中心而言，邊緣紋理特征更加具有診斷價值。由于腫瘤病灶部位血管生成以及缺氧，在腫瘤位置有大量血管形成和處于缺氧狀態(tài)，通過開展增強掃描可以更加有效的顯示病灶內異質性。但存在研究發(fā)現，通過增強掃描會影響病灶紋理[17]。傳統(tǒng)機器學習方式，需要進行多項圖像分析和模式選擇操作才可對腫瘤進行定量鑒別，前一步性能會對下一步產生重要影響，故而調整分類性能困難度較高。在梁淑芬等[18]的研究中，其聯合極限學習機進行分類計算，結果顯示分類準確度為94.12%。因此其認為相較于其他分類計算方法，極限學習機分類計算方式能夠提升分類準確性。

3 人工智能診斷肺結節(jié)效能的影響因素

3.1 數據量差異

模型數據量越高，其質量越優(yōu)，在分類準確度方面則更加好。傳統(tǒng)機器在進行學習時，僅需數十例即可獲得良好效果，數據過度則會增加計算量，同時對其準確性也有一定影響。故而，深度進行深入學習有利于提升自我進化學習功能，通過采集大量數據開展訓練，進而改善模型瓶頸情況。

3.2 采集特征的方式

相較于傳統(tǒng)神經網絡，2D卷積神經網絡增加降采樣層以及卷積層，可降低肺結節(jié)圖像特征維數。但是2D卷積神經網絡提取時僅為單張圖像特征，極易出現模型過擬合情況，從而降低診斷效能。3D卷積神經網絡能夠將單張CT圖像通過堆積方式形成連續(xù)肺結節(jié)立方體，將每張圖像與卷積核開展連接以及計算，故而在肺結節(jié)識別率方面，3D卷積神經網絡顯著高于2D卷積神經網絡。在王祥等[19]的研究中，其發(fā)現3D卷積神經網絡的肺結節(jié)深度學習算法模型檢出敏感度是90.00%，準確性是71.00%，平均每例假陽性2.8個。因此其認為3D卷積神經網絡相較于傳統(tǒng)的CAD系統(tǒng)，能夠提升肺結節(jié)檢出敏感度。但是因受到訓練數據集偏倚等因素的影響，會對其敏感度造成一定影響。通過實施針對性補充訓練數據集，例如提升磨玻璃結節(jié)的比重，能夠進一步增加肺結節(jié)檢出敏感度。在苗光等[20]的研究中，其對針對肺結節(jié)診斷效率不高和大量假陽性等問題，提出首先實施2D卷積神經網絡檢測CT圖像，針對圖像中疑似結節(jié)部位進行快速識別以及定位，并輸出一張同原圖尺寸一樣且有明顯標記的圖像，之后計算出疑似結節(jié)區(qū)域坐標，依據坐標值提取疑似結節(jié)的三維立體圖像塊訓練構建的3D卷積神經網絡框架，最終使用訓練的3D模型對候選結節(jié)實施二分類處理，進而將假陽性去除。研究后發(fā)現，在將假陽性去除后，假陽性在1時及4時準確率依次為87.30%、97.00%。

3.3 不同重建核

當重建核不相同時，在圖像像素值分布方式及噪聲模式方面也有一定差異。在像素間關系改變的基礎上，提取肺結節(jié)特征也已經出現改變。在劉珍娟等[21]的研究中，其分別觀察骨窗重建、縱膈重建以及肺窗重建在診斷肺結節(jié)方面的作用，結果發(fā)現上述三種重建方式診斷肺結節(jié)敏感度依次為92.73%、86.97%、92.33%，準確性依次為27.84%、37.91%、23.55%。因此其認為在骨窗、縱膈以及肺窗重建下檢測肺結節(jié)，能夠獲得良好性能，有利于提升工作效率及診斷質量。

4 討論

肺癌主要是指起源自氣管、支氣管黏膜或是腺體的一種惡性腫瘤，同時其也是作為常見的肺部原發(fā)性惡性腫瘤[22]。在全世界范圍內，肺癌患病率及死亡率均較高，并且呈現升高趨勢。目前，影像學檢查方式是臨床診斷肺結節(jié)的常用手段，其中胸部計算機斷層掃描成像技術（CT）在早期肺癌診斷中較為常用。醫(yī)師在進行良惡性肺結節(jié)鑒別時主要是依據CT影像進行判斷[23]。但是由于CT檢查時會出現不同疾病同樣影像及相同疾病不同影像等特點，并且不同年資及臨床經驗的醫(yī)師，在鑒別肺結節(jié)良惡性方面也存在一定差異，使得肺癌誤診或是過度診斷情況時常發(fā)生[24]。盡管臨床將肺組織穿刺活檢作為診斷肺結節(jié)良惡性的主要依據，但是該種檢查方式會對機體造成損傷，并且重復操作性不高，容易出現漏檢等情況，病患滿意度也相對較低[25]。因此，采用新型技術輔助CT進行肺結節(jié)良惡性鑒別具有重要意義。

本文包含機器學習以及深度學習方式，在人工智能評估肺結節(jié)方面，建立初步認識框架。隨著臨床大數據和人工智能算法的進步，其低鑒定肺結節(jié)性質方面將會獲得更加優(yōu)異的效果，并且還可對惡性結節(jié)進行分級以及分期，并為制定診療措施提供依據[26]。通過確定基于人工智能的模型，能夠對結節(jié)類型進行有效分類，并診斷癌癥，有利于減少病死率，改善疾病預后。盡管已經有大量研究顯示人工智能能夠提升影像科醫(yī)師診斷準確性，但是其在臨床上依舊未能有效推廣和使用。傳統(tǒng)機器學習在重復性方面較差，受到疾病進展和成像形式不同的影響，其紋理特征也會發(fā)生顯著改變[27]。而深度學習自身也有部分不足，神經網絡僅是將最終結果同圖像進行聯系，但是無法了解分類過程，盡管已經存在多任務和多屬性丟失來協(xié)助模型嘻嘻分葉以及惡性腫瘤等特征，但大部分特征仍是未知的[28]。并且在模型建立時會受到高質量胸部CT標注影像缺乏的影響。圖像分割困難，人工分割和標注復雜等均是導致圖像互通性較差的因素[29]。相信伴隨臨床研究的不斷深入，在突破數據數量限制方面，利用遷移學習能夠有效進行規(guī)避，利用遷移學習，在極易獲得的大數據上對參數進行訓練，隨后通過以訓練肺結節(jié)診斷的神經網絡提升診斷準確性[30]。目前，在人工智能肺結節(jié)診斷模型方面，臨床已經有多種形式，在小范圍內進行驗證可以獲得良好的診斷效果，但是依舊無規(guī)范化尺度和權威研究機構評估、對比。因此，希望在今后能夠擁有公開、共同以及共享的數據集，為不同模型衡量提供標準，為人工智能可反復操作奠定基礎。當前還需從多方面實施深入研究，進而為人工智能在未來成為輔助診斷肺結節(jié)重要方式提供可能性。

[參考文獻]

[1] 李會榮，鐘秀，王江川，等.miR-140-5 p通過調控Wnt1通路對非小細胞肺癌遷移與侵襲能力的影響[J].中國免疫學雜志，2021，37（2）：186-190，200.

[2] 潘元威，董軍強，胡麗麗，等.螺旋CT灌注成像聯合血清microRNA-20 a、microRNA-210水平對非小細胞肺癌同步放化療預后的預測價值[J].鄭州大學學報（醫(yī)學版），2020，55（2）：281-286.

[3] 王娟，楊震，朱強，等.一種基于人工智能的細胞病理診斷系統(tǒng)在肺癌診斷中的初步應用[J].解放軍醫(yī)學院學報，2020，41（9）：897-900.

[4] 宋冬冬，朱曉明，朱麗娟，等.雙能CT融合圖像在人工智能肺結節(jié)篩查中檢測效能的探索研究[J].中國醫(yī)療設備，2021，36（2）：73-76.

[5] 黃云開.CT高分辨重建聯合人工智能在肺結節(jié)識別診斷中的應用效果分析[J].現代醫(yī)用影像學，2021，30（1）：87-89.

[6] 范鴻禹，孫丹丹，張清，等.人工智能輔助低、高年資規(guī)培醫(yī)師對CT肺結節(jié)檢測效能的對比研究[J]. 中國中西醫(yī)結合影像學雜志，2021，19（2）：175-179.

[7] Yang Wenjian，Ding? Huafeng，He Yong，et al.Studying the optimal layout of topological graphs to facilitate the automatic sketching of kinematic chains[J].Journal of Mechanical Design，2017，139（8）：182-185.

[8] 孟祥鹿，幸子健，盧山.基于深度學習的肺結節(jié)分類分割算法及其在不同CT重建算法下的效能評估[J].中華醫(yī)學雜志，2021，101（7）：476-480.

[9] 崔效楠，劉穎，葉兆祥，等.影像組學特征對肺純磨玻璃結節(jié)侵襲性腺癌與非侵襲性腺癌的鑒別價值[J].國際醫(yī)學放射學雜志，2018，41（4）：375-378.

[10] 張曉宇，強彥.Ziaur REHMAN.基于雙路徑網絡的端到端肺結節(jié)檢測模型[J].計算機工程與設計，2020，41（12）：3503-3509.

[11] 祁聞，趙紅，王龍勝，等.應用Logistic回歸分析方法研究肺部良、惡性磨玻璃結節(jié)的HRCT影像特征[J].醫(yī)學研究雜志，2019，48（11）：41-45.

[12] 孔令重，姜壯國，曹小江，等. Logistic回歸分析高分別率CT的紋理特征對孤立性肺結節(jié)診斷價值[J].新疆醫(yī)科大學學報，2019，42（2）：198-202.

[13] 周圍，胡富碧，劉亞斌，等.人工智能CT定量參數預測肺腺癌磨玻璃結節(jié)的侵襲性[J].成都醫(yī)學院學報，2021， 16（1）：50-53.

[14] 高慧明，趙涓涓，劉繼華，等.多尺度卷積神經網絡用于肺結節(jié)假陽性降低[J].計算機工程與設計，2019，40（9）：2718-2724.

[15] 李曉卿，徐志豪，齊銀萍.CT紋理分析與MSCT三維重建對孤立性肺結節(jié)良惡性鑒別診斷效能分析[J].影像科學與光化學，2020，38（5）：914-918.

[16] 尹泚，毛文杰，李斌，等.人工智能系統(tǒng)在肺結節(jié)檢出及良惡性鑒別中的應用研究[J].中華胸心血管外科雜志，2020，36（9）：553-556.

[17] 高晨，葉劍鋒，吳林玉，等.平掃與增強CT影像組學特征診斷肺腺癌浸潤性的應用研究[J].浙江臨床醫(yī)學，2019，21（8）：1009-1011.

[18] 梁淑芬，付迎迎，秦傳波，等.正則化極限學習機的改進及其在肺結節(jié)良惡性分類中的應用[J].五邑大學學報（自然科學版），2019，33（2）：63-69.

[19] 王祥，李清楚，邵影，等.基于三維卷積神經網絡肺結節(jié)深度學習算法模型臨床效能初步評估[J].放射學實踐，2019，34（9）：942-946.

[20] 苗光，李朝鋒.二維和三維卷積神經網絡相結合的CT圖像肺結節(jié)檢測方法[J].激光與光電子學進展，2018， 55（5）：129-137.

[21] 劉珍娟，傅迎霞，張羽，等.不同CT圖像重建算法下基于深度學習的肺結節(jié)檢測算法效能[J].中國醫(yī)學影像技術，2019，35（12）：1775-1779.

[22] 戴正行，胡春洪，王希明，等.基于DenseNet網絡深度學習法CT圖像人工智能分析技術判斷肺結節(jié)良惡性[J].放射學實踐，2020，35（4）：484-488.

[23] 楊鋒，樊軍，田周俊逸，等.人群肺亞實性結節(jié)CT篩查及人工智能應用研究初探[J].中華胸心血管外科雜志，2020，36（3）：145-150.

[24] 李甜，李曉東，劉敬禹.人工智能輔助診斷肺結節(jié)的臨床價值研究[J].中國全科醫(yī)學，2020，23（7）：828-831，836.

[25] 宋振春，于鐵鏈.基于人工智能肺結節(jié)CT特征性診斷優(yōu)勢分析[J].影像研究與醫(yī)學應用，2020，4（20）：67-68.

[26] 陳長波.肺部影像人工智能診斷系統(tǒng)對肺結節(jié)性質的診斷價值分析[J].中國數字醫(yī)學，2020，15（11）：40-42，131.

[27] 崔兆國，吳昊，湯敏，等.重建層厚（1/2/3 mm）對人工智能檢測肺結節(jié)效能的影響[J].中國醫(yī)療設備，2020，35（10）：103-105.

[28] 馬寧強，趙子光，樊瑋，等.人工智能與人工閱片不同聯合方法在肺結節(jié)CT篩查中的比較[J].實用放射學雜志，2020，36（8）：1317-1321.

[29] 南巖東，李玉娟，劉苗苗，等.人工智能在肺結節(jié)良惡性鑒別診斷中的價值分析[J].中華肺部疾病雜志（電子版），2020，13（6）：760-763.

[30] 趙呈華.人工智能輔助診斷系統(tǒng)聯合CT檢查肺結節(jié)的診斷價值[J].實用臨床醫(yī)藥雜志，2020，24（19）：9-11.

（收稿日期：2021-04-29）