目的:本研究旨在探讨人工智能（AI,artificial intelligence）系统在肺结节筛查和鉴别中的应用价值。共三个研究目标:1、比较AI系统和医师读片对所有结节和不同类别的结节的检出效能,分析两种方法的漏诊、误判。2、评价AI系统对结节进行恶性风险评估的精确度。3、定量分析AI系统提取结节的特征参数,寻找特征参数的临界值,评价其在肺结节良恶性鉴别中的价值。方法:回顾性纳入 PACS 系统（picture archiving and communication system）中的肺结节病例,入组病例全部导入LinkDoc系统,进行筛查并记录结果,医师双读模式筛查结果以影像诊断系统中存档的影像报告为准。1、将所有真性结节按照不同大小、不同类型、不同位置进行分类,分别比较AI系统和医师筛查对总体和三种不同分类标准结节的灵敏度、误判率、漏诊率、准确度,分析两种方法漏诊、误判的原因。2、将有病理结果的结节按良恶性分类,记录AI系统给出的恶性风险度,采用ROC曲线（Receiver Operating characteristic Curve）进行分析。3、记录AI系统提取的结节特征参数,先采用统计学方法对参数进行因子分析,再采用ROC曲线分析参数的诊断价值,对有价值的参数再采用二分类Logistic回归分析,寻找良恶性的临界值。结果:本研究共纳入174例病例,制定金标准确定869个真性结节,有病理结果的结节180个。1、AI系统对总体结节的灵敏度90.2%、漏诊率9.8%、误判率2.8个/例、准确度58.0%,双读模式的灵敏度55.7%、漏诊率44.3%、误判率 0.11 个/例、准确度 54.4%。对实性结节、mGGN（pllre ground-glass nodules）、pGGN（pure ground-glass nodules）,AI 系统灵敏度分别为 95.0%、96.7%、76.4%,双读模式灵敏度70.0%、56.7%、30.1%。对胸膜下、血管旁、孤立性肺结节,AI系统灵敏度分别是89.9%、87.3%、92.6%,误判率是2.8个/例、3.8个/例、1.6个/例,双读模式灵敏度分别是64.7%、37.7%、61.1%,误判率依次为0.17个/例、0.06个/例、0.10个/例。对5mm以下、5到8mm、大于8mm的结节,AI灵敏度依次是91.1%、82.5%、96.7%,双读模式灵敏度为30.0%、70.4%、93.7%,以上差异均具有统计学意义（P<0.05）。2、对180个有病理结果的结节分为良性组与恶性组,AI系统评估恶性风险分数为自变量,结节实际良恶性为因变量,作ROC曲线,AUC=0.687,P<0.001,约登指数最大值0.299,对应恶性风险73.7%,灵敏度48.8%,特异度81.1%。3、记录AI系统提取的最大径、面积、体积、CT值、结节类型,对五个特征参数进行KMO检验及Bartlett’ s球形检验,KMO系数0.525,P<0.001,不适合因子分析。对五个参数作ROC曲线,剔除性质参数,AUC分别为最大径0.683、面积0.819、体积0.665、CT值0.712,临界值分别为8.9mm、87.5mm2、1287.55mm3、-477.15Hu,差异具有统计学意义,P≤0.001。对四个量化参数作二分类Logistic回归,恶性的独立危险因素为面积和CT值,P<0.05,模型预测准确度74.4%。结论:1、AI系统对于整体、不同类型、不同位置、不同大小结节的筛查具有辅助检出价值,灵敏度均高于医师人工读片,假阳性率也明显高于医师人工读片。AI系统误判和医师漏诊主要是小于3mm的微结节。提倡采用“AI初筛十医师排除假阳性结节”的工作模式。2、AI系统对于肺结节恶性风险的评估具有参考价值,能够确定少部分恶性结节、排除少部分良性结节。3、AI系统所提取的特征参数中,CT值、最大面积为恶性结节的独立危险因素具有较高诊断价值,最大径和体积具有中度诊断价值,每个参数都具有特定的临界值,可辅助鉴别结节的良恶性。