肺癌是全球范围内发病率和病死率最高的恶性肿瘤 ^[1]。肺癌的早期诊断和精准治疗对提高患者生存率至关重要，然而传统诊断方法存在主观性强、效率低等局限 ^[2]。近年来，人工智能尤其是深度学习技术在医疗领域展现出巨大潜力 ^[3-5]。深度学习能够从大量数据中自动学习数据的特征和规律，在图像识别、自然语言处理和预测分析等方面表现出色。在肺癌研究中，深度学习已广泛应用于计算机断层成像（computed tomography，CT）影像分析、病理切片解读、基因组数据分析及临床决策支持等多个方面。本综述旨在系统总结深度学习在肺癌研究中的应用进展，为相关领域研究人员提供参考。

1 深度学习的优势及发展支柱

深度学习是机器学习的重要分支，本质是基于多层神经网络模拟人类大脑神经元的信息处理机制，可以实现从原始数据到数据高阶特征的自动提取与建模。与传统机器学习依赖人工设计的模式不同，深度学习通过由输入层、隐藏层（可包含数十至数百层）和输出层构成的网络结构，直接从海量数据中自主学习数据分布规律与特征关联，尤其擅长处理图像、文本、基因组序列等复杂高维数据。其核心优势体现在三方面：一是端到端学习能力，无需人工特征工程（由人工参与设计、选择或转换原始数据）即可完成从数据输入到结果输出的全流程建模，如直接从 CT 影像中识别肺部结节特征；二是特征层级提取，通过卷积、池化等操作逐层捕捉低级（如边缘、纹理）到高级（如病灶形态）特征，实现对复杂医学数据的精准解析；三是泛化适配性，通过模型微调与迁移学习，可快速适配不同医学任务场景，显著降低对特定数据集的依赖。

深度学习的发展依托三大核心支柱：廉价算力的普及（如图形处理器并行计算技术）、高质量大数据的积累（如医学影像数据库、多组学数据集）及算法的持续突破。其发展历程可划分为3 个阶段：1970 年至 2000 年为技术萌芽期，以规则基础系统为代表，受限于算力与数据未能广泛应用；2010 年为快速发展期，2012 年 AlexNet 在图像识别任务中突破传统方法性能，推动卷积神经网络（convolutional neural networks，CNN）在医学影像领域的初步应用；2020 年至今为深度应用期，Transformer 架构突破、自监督学习（self-supervised learning，SSL）兴起及多组学数据整合技术成熟，使深度学习全面渗透至疾病诊断、预后预测、治疗优化等医疗场景 ^[6]。

2 深度学习在肺癌中的应用进展

2.1 肺部结节检测与分割

CT 是肺癌筛查和诊断的主要影像学手段。深度学习算法，特别是 CNN 在肺部结节自动检测和分割方面取得了显著成果。与传统计算机辅助检测（computer aideddetection，CAD）系统相比，基于深度学习的系统能够更准确地识别微小结节并减少假阳性。KATASE 等 ^[7] 验证了基于 3D Faster R-CNN 的肺结节 CAD 系统，结果显示，经 1 997 例CT 数据训练后，该系统对公开测试集的灵敏度为0.96~0.98，且其检测性能不受辐射剂量影响；该系统作为影像资料的第二阅读者，可以显著提升医师对随访患者肺部结节的检出率，其中，对磨玻璃结节及≤ 1 cm 的小结节检出率尤佳，且未增加阅片耗时。JIANG 等 ^[8] 探讨了 SSL 在医学图像分析中的应用，特别是针对非小细胞肺癌的 3D CT 图像分割任务。研究比较了两种预训练策略：野外预训练（使用未标注的多样化 CT 数据集）和自预训练（使用下游任务特定的标注数据集），并评估了 CNN、视觉变换器（vision transformer，ViT）和分层移位窗口（shifted window，Swin）模型的性能。结果表明，Swin 模型在野外预训练下表现出更高的特征重用率和对成像差异（如对比度、切片厚度和重建核）的鲁棒性，而 ViT 和 CNN 模型则未显示出野外预训练的明显优势。此外，基于掩码图像预测的任务（学习局部结构）相较于对比性任务（建模全局信息）产生了更高的分割精度。OU 等 ^[9] 提出深度学习方法检测并分割胸部 X 光图像中的肺结核病灶（采用 U-Net 系列模型及集成学习优化），经数据增强预处理，结果显示，集成模型最大平均交并比为 0.70、精确率为 0.88、召回率为 0.75、F1 为 0.81、准确率为 1.0，说明该方法优于单一模型监测，可辅助临床诊断。但是，该研究存在一定局限性，包括训练数据量较小（110 张训练图像、14 张验证图像和 98 张测试图像）可能影响模型的泛化能力。

2.2 肺部结节良恶性分类

除了结节检测，深度学习在肺结节良恶性分类方面也表现出色。通过分析结节的形态学特征、纹理特征和生长速率，深度学习模型能够提供恶性概率评估，辅助临床决策。ALSHAMRANI 等 ^[10]提出了一种基于协作深度学习（collaborative deep learning，CDL）的模型，用于在有限数据条件下区分胸部 CT 扫描中的癌性和非癌性肺结节。该研究的主要贡献在于通过分解结节的 6 种特征来学习其详细特征，并结合自适应加权方法优化分类性能。研究方法上，作者利用预训练的 ResNet-50 网络，并引入六个特征块子模型进行微调，最终实现了 93.24% 的分类准确率。然而，该研究的局限性在于其对小型数据集的依赖，可能影响模型在不同人群中的泛化能力。GAUTAM 等 ^[11] 提出一种融 合 ResNet-152、DenseNet-169 和 EfficientNet-B7 的加权集成深度学习框架，通过融合 ROC-AUC 与 F1-score 自动优化权重，并以召回率进一步调优，用于肺部图像数据库（the lung image database consortium and image database resource initiative，LIDC-IDRI）肺结节良恶性分类。试验显示该方法准确度为 97.23%、灵敏度为 98.6%，优于现有单模型及传统集成策略，可以显著降低假阴性率，为临床早期肺癌筛查提供可靠工具。KUMAR 等 ^[12]基于 LIDC-IDRI 的 1 000 张胸部 CT 图像， 构建ResNet-50/101 + EfficientNet-B3 的迁移学习系统，将肺结节分为正常、大细胞癌、腺癌、鳞癌四类，通过数据增广、Dense-Dropout 与分数级融合，融合模型在测试集上平均精度为 99.44%，对鳞癌实现了 100% 的精准识别，显著优于单一模型，为早期肺癌亚型诊断提供了高效、低假阴性度的诊断工具。

2.3 肺癌风险分层

影像组学通过从医学影像中提取大量疾病定量特征，为肺癌诊断和预后预测提供了新途径。深度学习与影像组学的结合进一步提升了肺癌风险评估的准确性。GONG 等 ^[13] 的研究聚焦于非小细胞肺癌患者的脑转移风险预测，提出了一种结合深度学习分割技术和 CT 影像组学的集成学习模型。该方法旨在提升晚期非小细胞肺癌患者在3 年内出现脑转移的风险预测能力。此研究的关键贡献在于整合了多模态数据（CT 影像与临床特征）并通过集成学习优化预测性能，但模型的泛化能力需要更多外部数据验证。JU 等 ^[14] 探讨了如何结合正电子发射断层显像 / 计算机断层成像（positron emission tomography/computed tomography，PET/CT） 的深度学习特征与全身代谢肿瘤体积（metabolic tumor volume，MTVwb）构建非小细胞肺癌的风险分层模型，以补充原发肿瘤、淋巴结转移和远处转移（tumor node metastasis，TNM）分期在预测总体生存期（overall survival，OS）和无进展生存期（progression-free survival，PFS）方面的不足。该研究纳入 590 例非小细胞肺癌患者（训练集413 例，测试集 177 例），通过 CNN 提取特征，并结合 MTVwb 构建联合风险分层（combined risk stratification，CRS）。研究发现，CRS 可作为 OS和 PFS 的独立预测因子，并在大多数情况下优于传统的 TNM 分期。此外，结合 CRS 和 TNM 分期的列线图表现出最佳模型性能。作者认为，CRS 的引入提高了 TNM 分期的预测能力，有望成为辅助临床决策的有效工具。PARK 等 ^[15] 开发了一种基于深度学习的增强模型（mask R-CNN），旨在通过术前 CT 图像精准定位肺癌病灶并预测患者的术后复发风险。该研究的目标是帮助临床医师识别高复发风险患者，从而调整手术方案、缩短监测间隔或加强辅助治疗。研究提出了一种预处理流程，包含动态学习率调整和超参数优化。该研究实现了对肺癌病灶的准确定位，并通过风险整合与分类评分量化了复发风险。模型在验证数据集上展现了部分优势，如分类误差较低，为 0.034，但边界框精度仅为 0.390，表明其定位能力有限。该研究的主要局限性在于未进行外部验证，也未评估临床实际应用的可行性。

2.4 肺癌病理图像分析

组织病理学是肺癌诊断的金标准。深度学习在该领域的应用主要包括肿瘤分割、组织学分类和预后生物标志物挖掘。深度学习同样可以用于病理图像中肿瘤分割任务。KLEIN 等 ^[16] 通过定量图像分析和深度学习模型对小细胞肺癌肿瘤微环境中 M2 巨噬细胞的分布及其预后意义进行了深入探讨，发现高 CD163 表达与不良预后显著相关，提示 M2 巨噬细胞可能与免疫抑制微环境相关。而在预后检测方面，深度学习能够从全切片图像中提取人类难以察觉的形态特征，用于预测患者预后。ZHANG 等 ^[17] 的研究聚焦于小细胞肺癌的预后及治疗反应预测，提出了一种基于组织病理学图像的深度学习方法。该研究通过对比聚类分析苏木精 - 伊红染色切片，识别了 50 个复杂组织形态学表型簇（histomorphological phenotype clusters，HPCS），从中筛选出 2 个具有显著预后价值的 HPCS，构建了病理组学特征，并通过多个队列验证了其在生存预测和治疗响应评估上的有效性，其性能优于传统TNM 分期。

2.5 基因组学与多组学数据整合

随着高通量测序技术的发展，肺癌研究产生了大量基因组学、转录组学和表观遗传学数据。深度学习能够整合这些多组学数据，提升肺癌分类和预测的准确性，甚至发现新的生物标志物和治疗靶点。

MOHAMED 等 ^[18] 提出了一种基于深度学习和多组学数据的新型模型（PCA-SMOTE-CNN），用于提升肺腺癌的分类和预测的准确性。该研究整合了 mRNA、miRNA 和 DNA 甲基化数据，并利用差异分析工具微阵列数据线性模型（linear models for microarray data，LIMMA）识别不同肺癌分期（如TNM 分期）的关键基因。基于此构建的模型在肺癌分类与预测中表现卓越，准确率、精确率、召回率和 F1 分数均超过 0.97。

3 总结与展望

深度学习在肺癌诊断、治疗和研究中展现出巨大潜力，特别是在医学影像分析、病理图像解读和多组学数据整合方面取得了显著进展。然而，仍然面临数据稀缺、模型可解释性和临床转化等挑战 ^[19]。未来研究应注重开发更高效的数据利用方法、提高模型的可解释性，并通过多中心临床试验验证模型的效能，促进深度学习在肺癌临床实践中的应用。

【参考文献】 

［1］BRAY F, LAVERSANNE M, SUNG H, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin, 2024, 74(3): 229-263.

［2］KHANMOHAMMADI A, AGHAIE A, VAHEDI E, et al. Electrochemical biosensors for the detection of lung cancer biomarkers: A review[J]. Talanta, 2020, 206: 120251.

［3］ABDAR M, POURPANAH F, HUSSAIN S, et al. A review of uncertainty quantification in deep learning: Techniques, applications and challenges[J]. Inf Fusion, 2021, 76: 243-297.

［4］ALZUBAIDI L, ZHANG J, HUMAIDI A J, et al. Review of deep learning: Concepts, CNN architectures, challenges, applications, future directions[J]. J Big Data, 2021, 8(1): 53.

［5］LAMBERT B, FORBES F, DOYLE S, et al. Trustworthy clinical AI solutions: A unified review of uncertainty quantification in deep learning models for medical image analysis[J]. Artif Intell Med, 2024, 150: 102830.

［6］GUPTA S, PASSERONE R. An investigation of visual foundation models robustness[J]. Mach Learn, 2025, 114: 281.

［7］K ATASE S, ICHINOSE A, HAYASHI M, et al. Development and performance evaluation of a deep learning lung nodule detection system[J]. BMC Med Imaging, 2022, 22(1): 203.

［8］JIANG J, RANGNEKAR A, VEERARAGHAVAN H. Self-supervised learning improves robustness of deep learning lung tumor segmentation models to CT imaging differences[J]. Med Phys, 2025, 52(3): 1573-1588.

［9］OU C Y, CHEN I Y, CHANG H T, et al. Deep learningbased classification and semantic segmentation of lung tuberculosis lesions in chest X-ray images[J]. diagnostics, 2024, 14(9): 952.

［10］ALSHAMRANI K, ALSHAMRANI H A. Classification of chest CT lung nodules using collaborative deep learning model[J]. J Multidiscip Healthc, 2024, 17: 1459-1472.

［11］GAUTAM N, BASU A, SARKAR R. Lung cancer detection from thoracic CT scans using an ensemble of deep learning models[J]. Neural Comput Appl, 2024, 36(5): 2459-2477.

［12］KUMAR V, PRABHA C, SHARMA P, et al. Unified deep learning models for enhanced lung cancer prediction with ResNet-50–101 and EfficientNet-B3 using DICOM images[J]. BMC Med Imaging, 2024, 24(1): 63.

［13］GONG J, WANG T, WANG Z, et al. Enhancing brain metastasis prediction in non-small cell lung cancer: A deep learning-based segmentation and CT radiomicsbased ensemble learning model[J]. Cancer Imaging, 2024, 24(1): 1.

［14］JU L, LI W, ZUO R, et al. Deep learning features and metabolic tumor volume based on PET/CT to construct rRisk stratification in non-small cell lung Cancer[J]. Acad Radiol, 2024, 31(11): 4661-4675.

［15］PARK J, RHO M J, MOON M H. Enhanced deep learning model for precise nodule localization and recurrence risk prediction following curative-intent surgery for lung cancer[J]. PLoS One, 2024, 19(7): e0300442.

［16］KLEIN S, SCHULTE A, AROLT C, et al. Intratumoral abundance of M2-macrophages is associated with unfavorable prognosis and markers of T-Cell exhaustion in small cell lung cancer patients[J]. Mod Pathol, 2023, 36(10): 100272.

［17］ZHANG Y, YANG Z, CHEN R, et al. Histopathology images-based deep learning prediction of prognosis and therapeutic response in small cell lung cancer[J]. NPJ Digit Med, 2024, 7(1): 15.

［18］MOHAMED T I A, EZUGWU A E S. Enhancing lung cancer classification and prediction with deep learning and multi-omics data[J]. IEEE Access, 2024, 12: 59880-59892.

［19］CHEN J, LIU Y, WEI S, et al. A survey on deep learning in medical image registration: New technologies, uncertainty, evaluation metrics, and beyond[J]. Med Image Anal, 2025, 100: 103385.

内容来源于《医疗装备》杂志，如需转载请注明出处。