应用于胸部CT扫描的计算机辅助检测(CAD)系统可作为第二阅读器检测有意义的结节，并有助于减少结节漏诊情况的发生，特别是在减少错误和提高工作效率方面效果显著。

到目前为止，CAD的重点是对实性结节的检测，然而，亚实性结节(SSNs)的恶性率高于实性结节，在肺癌筛查中SSNs的发生率高达9.4%，因此越来越多的研究关注CAD对SSNs的探讨。当CAD应用于SSNs时，CT的层厚是一个重要的问题。在厚层CT上，由于对比分辨率较低及部分容积效应的存在不利于SSNs的检测和表征。然而，在实际工作中，并非每个机构都可获得薄层CT。在现阶段，CAD对SSNs检测的最佳CT层厚尚不明确，对于最佳层厚的选择尚未达成共识。

近日，发表在Radiology杂志的一项研究评估了CT层厚对CAD检测SSNs性能的影响，并探讨了基于深度学习的超分辨率CT层厚减薄算法是否能提高CT层厚的检测性能，为CAD在人工智能方面的标准化应用提供了参考标准，为CAD进一步扩大临床应用提供了新的理论及技术上的支持。

本研究纳入了2018年3月至2018年12月期间接受手术治疗患者的CT图像，层厚分别为1、3、5mm。对有同时切除的SSNs患者和无SSNs患者(阴性对照)进行了回顾性评估。范围为6 ~ 30mm的SSNs被标记为实性病变。将基于深度学习的CAD系统应用于每个层厚的CT图像的SSN检测，并使用超分辨率算法将3毫米和5毫米层厚图像转换为1毫米层厚CT图像。利用JAFROC分析评价和比较了CAD在各层厚上的性能。

本研究共纳入评估了308例患者(平均年龄±标准差，62岁±10岁;女性183例)，其中SSNs424例(部分实性结节310例，非实性结节114例)，无SSNs182例(平均年龄65±10岁;97名男性)。三种层厚(1、3和5 mm分别为0.92、0.90和0.89;P = 0.04)及1和 5 mm层厚之间的评分差异显著(P = 0.04)。非实性结节的评分差异较大(1、3和5 mm分别为0.78、0.72和0.66,P < .001)，而部分实性结节的评分差异并不显著(范围为0.93-0.94,P = .76)。超分辨率算法提高了CAD在3和5mm层厚上的敏感性(3mm的P = 0.02, 5mm的P < .001)。

图 72岁男性，病理证实左肺上叶浸润型肺腺癌。(a) 1mm层厚，(b) 5mm层厚和从原始（c）3mm和（d）5mm层厚图像经超分辨率算法转换后显示左上叶有一个16mm界限分明的部分实性结节，实性部分为5mm。结节的实性部分(箭头)在1mm图像(a)上显示边界清晰，而在5mm图像(b)上边界欠清。计算机辅助检测(CAD)算法在1mm和3mm层厚图像上显示了结节，但在5mm层厚图像上未显示。应用超分辨率算法(c, d)检索实体部分，CAD在超分辨率3和5 mm图像上均检测到了结节。

表 CAD在不同层厚和超分辨率转换的CT图像上的假阳性分数。

薄层CT对亚实性结节的计算机辅助检测(CAD)优于厚层CT，尤其是在非实性结节上更为突出。基于深度学习的超分辨率算法的应用提高了CAD在厚层CT图像上的敏感性。CAD的改进以及其与阅读者的联合应用可明显减少假阳率。这为临床对CAD的深入应用提供了理论支持，为CAD在人工智能方面的发展铺平了道路。

原文出处：

Sohee Park,Sang Min Lee,Wooil Kim,et al.Computer-aided Detection of Subsolid Nodules at Chest CT: Improved Performance with Deep Learning-based CT Section Thickness Reduction.DOI:10.1148/radiol.2021203387