研究目的1.使用卷积神经网络（convolutional neural network,CNN）的方法,定量计算患者的胸部CT值来反映肺气肿的严重程度。2.使用回归分析的方法,确定慢性阻塞性肺疾病（chronic obstructive pulmonary disease,COPD）患者罹患肺癌的高风险因素。3.利用机器学习的方法建立COPD患者合并肺癌风险的预测模型,与肿瘤标志物联合筛查肺癌,以早期发现肺癌发病高风险的COPD患者。研究方法收集2010年至2021年于大连医科大学附属第二医院住院的患者共154例,单纯COPD患者99例,同时患有COPD和肺癌的患者55例。需在住院期间或者在门诊于我院有胸部薄扫CT及肺功能检查结果。回顾性的收集患者的基本信息,例如年龄、体重指数,吸烟指数等,实验室检查结果:血常规、肝生化、血凝常规、D-二聚体等指标,肺功能结果,影像学是否存在气肿,及使用卷积神经网络定量计算患者胸部CT值,例如:全肺气肿指数、右下肺气肿指数、全肺平均密度、右上肺平均密度、肺组织CT值分布频率图中第15个百分位点所对应的CT值等指标。使用SPSS23.0统计软件进行数据分析,对于计数资料,使用标准差、均数、百分比、频数对获取的资料进行描述,符合正态分布的资料,两组间差异计数资料使用t检验,不符合正态分布的计数资料使用Mann-Whitney U检验,等级资料使用x~2检验,P＜0.05提示两组差异有统计学意义。使用二元logistics回归分析建立COPD患者罹患肺癌的风险预测模型,联合肿瘤标志物,使用机器学习的方法,建立ROC曲线,共同筛查肺癌,提高早期肺癌的诊断率。研究结果1.临床指标中两组间在性别、年龄、体重指数、CT是否存在气肿、吸烟指数等方面,P＞0.05差异无统计学意义。2.实验室检查结果血凝常规中:单纯COPD组凝血酶原时间、凝血酶原时间百分比活动度,凝血酶原时间比值、国际标准化比值与COPD合并肺癌组差异均具有统计学意义（P＜0.05）。两组患者的肝生化中:碱性磷酸酶差异有统计学意义,（P＜0.05）。肺功能:单纯COPD组用力肺活量、第一秒用力呼气容积、用力呼气50%肺活量的瞬间流量、补呼气量较COPD合并肺癌组差异均有统计学意义（P＜0.05）。胸部CT定量:单纯COPD组全肺气肿指数、右下肺叶气肿指数、全肺平均密度、右肺上叶平均密度、右肺中叶平均密度、右肺下叶平均密度较COPD合并肺癌组差异均有统计学意义（P＜0.05）。3.建立COPD患者罹患肺癌的风险预测模型,体重指数下降是COPD患者得肺癌的危险因素（OR=0.872,95%CI 0.771～0.987,P=0.030）;全肺气肿指数增大是COPD患者罹患肺癌的危险因素（OR=379.576,95%CI 5.229～27552.424,P=0.007）;全肺平均密度高是COPD患者罹患肺癌危险因素（OR=1.020,95%CI 1.008～1.031,P=0.001）;用力肺活量升高是COPD患者罹患肺癌的危险因素（OR=2.426,95%CI1.351～4.358,P=0.03）;凝血酶原活动度增加为COPD患者罹患肺癌的危险因素（OR=1.039,95%CI 1.007～1.073,P=0.018）4.使用两种机器学习的方法,建立COPD患者的凝血酶原活动度、全肺气肿指数、全肺平均密度、用力肺活量、BMI联合两种肿瘤标志物:神经元特异性烯醇化酶、细胞角蛋白诊断肺癌的ROC曲线,两种机器学习的方法,AUC值均为0.88。研究结论1.本研究使用CNN的数据处理方法,定量计算患者CT的各项指标,更加客观的反映肺气肿的严重程度。2.体重指数下降、全肺气肿指数增大、全肺平均密度增高、用力肺活量升高、凝血酶原活动度增加是COPD患者合并肺癌的危险因素。3.使用机器学习联合肿瘤标志物检测可提高COPD患者合并肺癌风险预测模型的预测效能,可能在早期肺癌筛查中有一定的应用价值。