在多达57%的肺癌筛查受试者中遇到小肺结节，并且由于它们与癌症相关而成为焦虑的来源。对于每位患者，大量变量会影响恶性肿瘤的可能性，包括年龄，性别和吸烟史，以及图像特征，如结节大小，位置，形态，多样性以及潜在的肺气肿或纤维化的存在。已经广泛研究了用于预测癌症可能性的每个特征的相对效用，但是在这方面没有单一特征或组合被证明是可靠的标准。这可能部分归因于缺乏任何一致或可重复的总体形态特征定量评分方法，以及缺乏关于更微妙特征的临床意义的数据。
　　专业组织制定了基于结节大小，形态和个体风险因素的筛查和偶然发生的结节的管理指南，建议采用计算机断层扫描(CT)随访检测生长间隔。虽然这种方法有助于标准化管理，但大多数后续研究仍然针对最终证明稳定和良性的结节进行。使用基于人口统计和图像特征的公式的风险模型试图进一步降低结核管理的不确定性程度。其中最着名的是2013年McWilliams模型，它将加权因子分配给多个变量，包括放射科医师观察到的特定形态结节特征，以确定筛查检测到的结节中癌症的可能性。它在独立数据集中取得了令人印象深刻的准确性，包括来自全国肺部筛查试验(NLST)和丹麦筛查试验的病例，与美国放射学会肺部CT筛查报告和数据系统或肺部相比具有更高的预测恶性肿瘤的能力。 RADS和国家综合癌症网络指南。然而，最近与人类观察者的比较表明该模型具有显着的局限性，至少部分是因为其简化的结节形态分类参数。在最近的一次实验中。
　　人们越来越关注结核形态的直接计算机分析，包括内部结构，以提高预测良性或恶性的准确性。2009年，一些研究人员使用基于规则的自动化形态和纹理特征分析来区分良性和恶性结节并取得一些成功。最近，研究人员开始关注“深度学习”技术的应用，这种技术使用卷积神经网络对医学图像中的各种模式进行分类，包括与癌症相关的模式。与传统的基于规则的计算机辅助诊断相比，这些方法具有很大的优点，因为它们具有在检测和分类特征时独立识别模式的潜力，其中一些特征可能尚未被人类观察者识别。在最近的一项研究中，一些专家应用深度学习技术进行自动结节分类，如固体，部分固体，非固体，钙化，周围或毛刺，并报告准确性，这是四名经验丰富的胸部放射科医师观察者介入者间的变异性。其他研究人员已经证明CT纹理测量和组织病理学特征的相关性可以预测肿瘤复发的预后和可能性。通过使用深度学习技术来区分良性结节和恶性结节的尝试已经描述了优于传统计算机化方法的结果。
　　黄和同事在本期放射学中的文章描述了将计算机分析应用于一组选定的活检证实的良性和恶性肺结节的CT图像的实验结果，该结节的大小范围为NLST数据库的4至20 mm。所选择的图像集，根据受试者吸烟状况和放射照相特征(它们都被认为足够可疑以保证活检)，被随机分为训练组和测试组。由研究人员开发并且不是商业上可获得的计算机算法使用半自动结节分割来概述所讨论的结节。然后分析内部纹理和周围组织，包括结节内，周围结节和结节外区域，以区分良性和恶性特征。根据训练图像集的结果，最初提取的变量数量从1342减少到38。测试和训练组中的良性和恶性结节的大小相匹配，这意味着大小(临床实践中的主要标准)不能用作确定癌症可能性的参数。
　　计算机分析的预测直接与在盲法环境中阅读相同病例的胸部放射科医师进行了比较。尽管验证集中的总数很少(20个癌症和26个良性对照)，但结果令人印象深刻。尽管三位放射科医师关于恶性肿瘤可能性的综合结果产生了敏感性，特异性，阳性预测值和阴性预测值0.70,0.69,0.64和0.75，但相应的计算结果为0.95,0.88,0.86和0.96。这一结果令人兴奋，因为与放射科医师在这些病例中的观点相比，它表明在估计癌症风险方面的准确性有显着和极显着的提高。
　　有趣的是，计算机分析在一些恶性病例中正确预测了活检结果，这些病例被认为具有典型的良性形态，并且在具有明显典型恶性特征的其他病例中正确预测良性。作者提出，计算结果的高精度可能是由于从图像中提取的独立信息，这表明计算机分析可能已经识别出未被识别或未被认可的细微特征或总体特征的组合。放射科医生。如果能够证实这一假设，它将对临床实践产生重大影响。令人惊讶的是，通过使用超过10年前从NLST试验中获得的研究可以检测出细微的特征，重建截面厚度为2-3.2 mm，这不足以通过现行标准进行详细的结核表征。这提出了一个问题，即使用现代CT扫描仪可用的亚毫米厚度，是否可以提供更高的精确度。
　　值得注意的是，实验中的计算分析和放射科医师都根据对每个结节的单一CT研究进行了估计，并且无法获得以前的图像，这些图像可以自动估计生长率和可能进一步提高准确性的特征。更准确地预测风险可以减少对良性结节的不必要的随访检查，并减少恶性肿瘤诊断的延误。
　　与任何实验一样，在临床实施自动化结节分析和风险评估之前，使用大量病例和观察者的独立小组进行验证将非常重要。尽管如此，Huang及其同事的工作对越来越多的证据做出了重要贡献，这些证据支持将自动定量图像分析引入临床实践，以降低主观性，同时提高癌症诊断的准确性。