目的利用基于深度卷积神经网络的方法,构建三种深度学习模型进行尘肺病异常的诊断,评价各模型的诊断效能并挑选出最优的模型以作为尘肺病的人工智能诊断方法。方法与北京、河南、宁夏,江西等省市共7家医院进行合作,收集其在2017年6月到2020年12月期间拍摄的数字化X线摄影（Digital radiography,DR）胸片并对胸片进行质量控制。收集的DR胸片中尘肺诊断阳性胸片为阳性组,无尘肺胸片为阴性组。选择2位尘肺病诊断医师对收集的胸片初筛,排除三级片和四级片。对邀请的尘肺病诊断专家进行阅片考核,考核合格者纳入标注专家库对收集胸片进行标注。标注过程中不断进行基于最大期望算法的一致性考核。将所有标注后的数据进行数据清洗、数据归档以及图像预处理,预处理后数据纳入训练集和验证集。构建TMNet、Res Net-50和Res Ne Xt-50三种深度学习模型,各模型先在Inmage Net（一个拥有超过1400万张图像的大型可视化数据库）数据集上预训练,随后迁移学习到Chest X-ray 14（含有超过十万张胸部X光图像的数据库,包含14种常见胸部疾病）数据集继续训练,最后迁移学习到尘肺病数据集。训练采用十折交叉验证法对模型进行评估得到最优模型。挑选未纳入训练集和验证集的500例DR胸片,经由5位资深专家共同鉴定作为金标准成为测试集。随着收集胸片数量的增加（共测试3次）,统计三种模型的准确率、F1值、灵敏度、特异度、AUC等指标,评价各模型效能挑选出最优模型。结果1胸片数据显示,最终共有24867例数据纳入研究,阳性组为28.06%,阴性组为71.94%。阳性组中主要为煤工尘肺+矽肺,共占90.82%,石棉肺为5.74%,剩余为其他尘肺病。胸片质量一级片占25.19%,二级片占比74.81%。阳性组中尘肺病壹期、贰期、叁期比例分别为56.51%、25.09%、18.40%。测试集胸片共500例,其中阳性组298例（59.60%）,阴性组202例（40.40%）,阳性组中尘肺病壹期201例（67.45%）,贰期68例（22.82%）,叁期29例（9.73%）。胸片质量方面,一级片数量占比20.60%,二级片数量占比79.40%。收集胸片中肺部异常情况如气胸、肺结核等共有312例,其中活动性肺结核达93例。2专家标注结果显示,尘肺有无（不分期）标注一致性率均在88%以上,尘肺分期的标注一致性率在84.68%～93.66%。3第一轮模型测试的数据量为8341例,TMNet模型诊断效能优于Res Net-50和Res Ne Xt-50,其准确率、灵敏度和特异度分别为85.00%、85.23%、84.65%,AUC为0.887,模型TMNet和模型Res Net-50、模型TMNet和模型Res Ne Xt-50的AUC值之间差异均有统计学意义（P<0.05）。4第二轮模型测试的数据量为14319例,TMNet模型的准确率、灵敏度、特异度均出现提升,分别为92.60%、94.30%、90.10%,AUC为0.948,TMNet模型和另外两个模型的AUC差异均有统计学意义（P<0.05）。5第三轮模型测试数据量为24867例,与前两轮类似,TMNet模型与另外两个模型的AUC差异有统计学意义（P<0.05）,TMNet模型的诊断准确率、灵敏度、特异度分别为95.20%、99.66%、88.61%,AUC为0.987。6同一模型不同数据量训练后进行比较,随着数据量的增大,模型的性能随之提高,模型前后两两AUC差值有统计学意义（P<0.05）。结论三种卷积神经网络模型均能对尘肺病进行诊断,性能会随着数据量的增加而提升,综合比较下深度学习模型TMNet的诊断效能最优,其准确率可达95%,且灵敏度和特异度极高,能够最为准确的诊断尘肺病的异常。图25幅;表15个;参97篇。