肺癌筛查如何发现易漏诊的气道结节？医学影像AI检测与良恶性分类模型及其多中心验证

肺癌筛查里，放射科医生往往盯着肺实质里那些圆圆的结节，却容易忽略另一种更隐蔽的病灶——气道结节（airway nodule）。它长在段级及更近端的支气管上，形态扁平、贴着气道壁，常被当作正常气道结构一带而过，而恰恰是这类病灶，与相当一部分「间期癌」（两次筛查之间冒出来的癌）和筛查后确诊的肺癌相关。2026 年 11 月，中南大学湘雅医院放射科周辉、廖卫华团队联合南华大学衡阳医学院附属南华医院、数坤科技等机构，在《Insights into Imaging》（欧洲放射学会官方期刊）发表研究，用一套「先检测、再定性」的深度学习系统专攻气道结节：多中心独立验证里，检测模型灵敏度达 73.7%；更关键的是，AI 辅助让放射科医生的检出灵敏度从 39.5% 翻倍到 72.9%、漏诊率从 60.5% 降到 27.1%，阅片时间还从 83.8 秒缩短到 61.8 秒。

研究背景：气道结节为什么总在肺癌筛查里被漏掉？

低剂量 CT（LDCT）肺癌筛查能显著降低肺癌死亡率，但「结节」并不都是肺实质里的球形病灶。气道结节沿支气管壁生长，几个特点让它成了漏诊重灾区：

• 形态扁平、没有清晰的球形边界，容易和正常气道壁、血管断面混淆；
• 位置「偏」——贴着段级支气管，不在放射科医生习惯扫视的肺野中心；
• 阅片量大、疲劳之下，这类不显眼的病灶最容易被当成正常结构一笔带过。

研究指出，气道病灶在「间期癌」和筛查后确诊的肺癌中相当常见，而专门针对气道结节的 AI 工具却长期缺位——主流肺结节检测模型默认目标都是「圆形的肺实质结节」。

创新点：把「检测」与「良恶性分类」串成一条完整链路

这项研究没有止步于「找到结节」，而是补齐了临床真正需要的第二步——判断它到底是良性还是恶性。

• 检测环节：把成熟的肺结节检测网络「迁移」到气道结节上，专门适配这类扁平、贴壁的病灶；
• 分类环节：单独训练一个三维网络，对检出的气道结节做良恶性鉴别，直接服务「要不要早期干预」的决策；
• 人机协作：把模型接进真实阅片流程，验证 AI 作为「第二阅片人」到底能给医生帮多少忙。

一句话，它把「定位病灶 → 判断风险 → 辅助决策」串成了一条可落地的完整链路。

技术原理：CT影像AI分析如何「先定位、再定性」

方法上分两段走，各有分工。

• 检测模型基于中心点匹配网络（SCPM-Net），融入坐标注意力（coordinate attention）与多尺度注意力机制，先在肺实质结节上预训练，再通过**联合适应网络（JAN）**做深度迁移来适配气道结节，并配合气道分割网络 WingsNet 圈定气道范围；
• 分类模型采用 3D SEResNeXt101（一种带「挤压—激励」注意力模块的深度卷积网络），输入 224×224×224 体素的三维斑块，判断检出结节是良性还是恶性。

两阶段设计的好处很直接：检测负责「别漏」，分类负责「别误报」，再串联输出。

数据说话：多中心验证与人机协作的硬数据

研究数据规模不小：共纳入 1107 例 LDCT、1813 个气道结节，检测模型独立测试集覆盖 4 家湖南医院 738 个结节。

• 检测：独立测试灵敏度 73.7%、F1 69.6%；直径大于 8mm 的结节灵敏度 77.2%；在 136 例无结节阴性对照里，平均每次扫描仅 0.29 个假阳性，74.3% 的阴性病例零假阳性；
• 分类：外部独立测试集灵敏度 72.7%、特异度 87.5%、AUC 0.80；
• 人机协作（50 例 CT、4 名放射科医生）最能说明价值：

研究还提到一个细节：有两例放射科医生直到第三次随访才发现的恶性气道结节，AI 模型在更早的扫描里就成功检出了。

应用前景与局限

这套系统的价值定位很清晰：作为肺癌筛查里的「第二阅片人」，专门补上放射科医生容易忽视的气道结节盲区，让「早期干预」真正落到早期。

局限同样要说透。第一，分类模型样本量偏小，良恶性分类只有 286 例训练、62 例外部验证，泛化能力有待更大队列检验；第二，外部验证多来自单一省份，跨地区、跨设备、跨人种的稳健性仍需更多中心数据；第三，模型只覆盖段级及更近端的气道结节，对更远端、更小结节的检出能力仍不足；第四，这是回顾性研究，真实筛查流程中的临床获益仍需前瞻性队列来证明。研究团队也强调，AI 的定位是辅助，最终诊断要由放射科医生结合完整影像与临床信息来把握。

结论

气道结节是肺癌筛查里一块长期被低估的漏诊盲区，而专门针对它的 AI 工具过去一直缺位。这项来自中南大学湘雅医院联合多家机构的研究，用「检测 + 良恶性分类」的两阶段深度学习系统专攻这一盲区，多中心独立验证检测灵敏度达 73.7%，并在人机协作里把放射科医生的检出灵敏度从 39.5% 拉到 72.9%、漏诊率砍半，同时缩短阅片时间。它最有价值的启示不是「AI 比人强」，而是**「定位 + 定性 + 人机协作」的组合，能让医学影像AI真正嵌入筛查工作流、补上人的注意力短板**。下一步要过的关，是更大规模、跨地区的前瞻性验证。

论文原文信息地址：https://www.simomia.com/blog/2026-11-13-airway-nodule-detection-classification/

参考文献

1. Liu S, Yi P, Zhou H, Liao W, et al. Deep learning-based detection and classification of airway nodules on CT for early medical intervention. Insights into Imaging. 2026;17:282. DOI: 10.1186/s13244-026-02446-7
2. Hu J, Shen L, Sun G. Squeeze-and-Excitation Networks. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2018:7132–7141. DOI: 10.1109/CVPR.2018.00745

相关问题 FAQ

CT影像AI诊断是什么？这项研究如何用它发现气道结节？

CT影像AI诊断，指的是用深度学习模型自动分析 CT 影像、辅助医生完成检出、定性等判断。这项研究的做法很有代表性：先用中心点匹配网络（SCPM-Net）在低剂量 CT 上自动定位气道结节，再用 3D SEResNeXt101 网络对检出结节做良恶性分类，最后把人机协作纳入阅片流程。结果显示 AI 辅助让放射科医生的检出灵敏度从 39.5% 提升到 72.9%、漏诊率从 60.5% 降到 27.1%，说明「检测 + 分类 + 人机协作」的组合，能把医学影像AI真正嵌进肺癌筛查工作流。

气道结节为什么比肺实质结节更容易漏诊？

主要在于形态和位置。气道结节沿支气管壁生长，形态扁平、没有清晰的球形边界，容易和正常气道壁、血管断面混淆；同时它贴着段级支气管，不在放射科医生习惯扫视的肺野中心。再加上阅片量大、疲劳等因素，这类不显眼的病灶最容易被当成正常结构一带而过，这也是它在「间期癌」和筛查后肺癌中相当常见的原因。

AI 检出气道结节，能替代放射科医生下诊断吗？

不能，也不应该。这项研究里的系统是「第二阅片人」定位：检测模型独立灵敏度约 73.7%，仍有近三成结节需要靠人机协作补上；而且研究本身是回顾性的，分类模型样本量偏小、外部验证多来自单一省份，模型也只覆盖段级及更近端的气道结节。它的正确用法是给放射科医生提个醒、补上注意力盲区，最终诊断仍需由医生结合完整影像与临床信息来把握。