[目的]通过对比两种基于深度卷积网络的深度学习模型与不同年资放射科医师在肺结节检出方面的表现,探讨深度学习模型临床应用的意义。[方法]1.研究对象:回顾性选取从2018年8月至2019年1月符合纳入排出标准的225例患者 的胸部CT影像;2.参考标准:两位具有20年以上诊断经验的胸部影像专家对所有影像分别进行标注,确定并记录结节的位置、大小及密度,将两人协商的结果作为真阳性结节的参考标准;3.数据采集:两种基于深度卷积网络的肺结节自动检出模型——模型A和模型B,与具有2-3年工作经验的低年资放射科医师以及具有10年以上工作经验的高年资医师分别判读所有病例,记录阅片时间和检出结节的类型、数目;记录不同年资医师经由模型A辅助后检出的结节数目;4.统计方法:Friedman检验比较不同年资医师和两种深度学习模型的阅片时间;FROC曲线分析对比两种深度学习模型的系统性差异;卡方检验比较不同年资医师和两种深度学习模型在肺结节位置、大小以及密度方面各自的检出率,并对比医师经由深度学习模型辅助后检出率的改变。[结果]1.225例患者胸部CT影像最终确定的肺结节个数为1047:其中分布于叶间裂108个、肺门13个、中央性145个、周围性621个、胸膜下160个;结节大小上,<4mm的572个,4-10mm的404个,≥10mm的71个;依据不同的密度,实性719个,亚实性41个,磨玻璃密度287个;2.225例胸部CT影像每例阅片的中位时间:低年资医师175.83秒,高年资医师177.02秒,模型A为14.92秒,模型B为24.81秒;其中低年资医师和高年资医师的阅片时间差异无统计学显著性(P=1.0);模型A和模型B阅片时间均明显短于人工阅片(P<0.05);模型A与模型B的阅片时间差异具有统计学显著性(P<0.05);3.深度学习模型A和B的FROC曲线分析:在平均每次检查产生2个假阳性结节的情况下,模型A的检出率为94%,模型B的检出率为91.6%;模型A和模型B的FROC分数分别为0.843、0.787;4.低年资医师、高年资医师、模型A和模型B对1047个肺结节的检出率分别为56.92%、70.11%、62.27%、60.08%,各组检出率差异显著(P<0.0001);高年资医师检出率高于其余各组(P<0.05);对于大小≥4mm的结节,模型A的检出率最高(P<0.05);5.人工阅片与深度学习模型对中央性、周围性和胸膜下结节的检出率存在差异(P<0.05);在<4mm以及4-10mm的结节,实性结节与GGO方面,四组检出率存在差异(P<0.0001);高年资医师对中央性及周围性肺结节的检出率较高(P<0.0001,P<0.0001);在实性结节与GGO上,高年资医师也有较高的检出率;对于4-10mm的结节,模型A的检出率较高为80.94%(P<0.05);6.低年资医师、高年资医师结合模型A阅片后,肺结节检出率分别达到70.87%、74.98%,较医师单独阅片有所提高(P<0.0001,P=0.013);低年资医师在结合模型A进行阅片后,其检出率与高年资医师独立阅片检出率无显著性差异(P=0.707)。[结论]应用深度学习模型检出肺结节能大大缩短阅片时间,其检出结果可辅助放射科医师提高肺结节检出率。