摘要目的评价基于深度学习卷积神经网络（convolutional neural networks，CNN）的肺结核CT辅助诊断模型在临床中的应用价值。方法收集2017年3月至2018年3月河北省胸科医院影像科菌阳并接受胸部高分辨率CT平扫检查的1 764例患者的病例资料，其中男937例，女827例，年龄17～73岁，平均年龄38.4岁。由4名影像科医师对含病变的20 139幅CT图像进行分类标注（17种影像特征），以此作为训练数据集，构建肺结核CT图像CNN诊断模型。训练数据集数量最多的前5种影像特征依次为：浸润型肺结核、空洞型肺结核、胸膜增厚、干酪性肺炎和胸腔积液。从已标注图像中随机抽取302幅图像作为测试数据集，以2名高级职称医师的诊断为“金标准”，比较CNN诊断模型和医师在肺结核CT诊断中敏感度和准确率的差异，统计CNN诊断模型分类错误的类型、数量，并绘制自由响应受试者工作特征（FROC）曲线，以测量该模型的最大诊断效能。结果CNN诊断模型对测试数据集中浸润型肺结核、空洞型肺结核、胸膜增厚、干酪性肺炎和胸腔积液的诊断准确率分别为：95.33%（10 982/11 520）、73.68%（2 151/2 920）、73.07%（1 128/1 544）、83.33%（1 020/1 225）和94.11%（814/865）；CNN诊断模型的总体诊断敏感度和准确率分别为95.49%（339/355）和90.40%（339/375），医师的对应数值分别为：93.80%（348/371）和92.80%（348/375），CNN模型和医师诊断比较差异无统计学意义（敏感度χ2=1.022，P=0.312；准确率χ2=1.404，P=0.236）；FROC曲线显示，当敏感度为78%，假阳性区域个数为2.48时，该模型诊断效能最大。CNN诊断模型诊断结核病变的分类错误主要集中于纤维条索灶、空洞型肺结核、干酪性肺炎与浸润型肺结核的混淆上。结论基于深度学习CNN的肺结核CT辅助诊断模型有较高的诊断敏感度和准确率，该模型可辅助影像科医师的肺结核诊断工作，值得在临床工作中推广应用。
