-
摘要:
目的：探讨早期新型冠状病毒肺炎（COVID-19）的胸部薄层平扫CT表现特征。材料与方法：收集2022年11月至12月我院感染科确诊COVID-19且胸部CT表现阳性的患者153例，所有患者自发病后1～14天行胸部薄层平扫CT检查和有较完整的临床资料。根据患者年龄（≤60岁和>60岁）和发病与CT检查的时间间隔（≤7天和>7天）将患者各分为两组，比较两组患者的CT表现特征的差异性。结果：153例COVID-19患者中，累及肺部（100％）、血管（93.5％）、气道（73.4％）和胸膜（70.1％），其中年龄组间的对比显示病变数量、部位、大小、容积和束带影的差异有统计学意义；发病与CT检查时间间隔分组患者之间，病变的形态、密度、机化和纤维化以及胸膜受累等差异有统计学意义。结论：胸部薄层平扫CT可明确早期COVID-19的病变位置和范围，对COVID-19的定性诊断和鉴别有一定的特征，即以形态的多样化、胸膜内和血管周分布、肺泡为单元的间质性病变、早期混合性磨玻璃影常伴明显的机化和纤维化、胸膜局限性增厚而胸水极少等有助于COVID-19的诊断和鉴别。
Abstract:Objective: To explore the characteristics findings of early COVID-19 on chest thin-slice non-enhanced CT. Materials and methods: From November to December 2022, data from 153 patients with COVID-19 with positive chest CT findings confirmed by the Department of Infectious Diseases of our hospital were collected. All patients had relatively complete clinical data and underwent chest CT 1-14 days after the onset. The patients were divided into two groups according to their age (≤60 years old and >60 years old) and the time interval between the onset and CT examination (≤7 days old and >7 days old), and the differences in CT features between the two groups were compared. Result: Among 153 patients with COVID-19, the lung (100%), blood vessels (93.5%), airways (73.4%), and pleura (70.1%) were involved. The comparison between the age groups showed statistically significant differences in the number, location, size, volume, and band shadow of the lesions. There were statistically significant differences in the shape, density, organization, fibrosis, and pleural involvement of the lesions between the patients in the time interval between the onset and CT examination. Conclusion: Chest thin-slice CT can clarify the location and scope of early COVID-19. Some characteristics findings can help for accurate diagnosis and differentiation, such as the diversity of morphology, intrapleural and perivascular distribution, interstitial lesions with alveoli as a unit, early mixed ground-glass shadow often accompanied by obvious organization and fibrosis, localized thickening of the pleura, and few pleural effusions.
-
Keywords:
- X-ray computer /
- tomography /
- novel coronavirus pneumonia /
- high resolution
-
肺癌是全世界最常见的恶性肿瘤之一，在我国肺癌发病率和死亡率均居于首位[1]，严重危害我国国民的健康和生命，给家庭和社会带来巨大经济负担。提高肺癌生存率最有效的方法是二级预防，即早发现、早诊断和早治疗，筛查是早期发现肺癌和癌前病变的重要途径[2]。2011年，美国国家肺癌检测试验（National Lung Screening Trial，NLST）首次提出低剂量螺旋计算机断层扫描（low-dose computed tomography，LDCT）检测在高危人群中的应用可显著降低肺癌的死亡率[3]，当LDCT上出现异常时可以进一步选择常规CT、高分辨率CT及靶扫描方式对病灶进行甄别。
肺癌的早期常表现为肺部结节病灶，然而肺结节的成因有多种多样，同一对象的CT图像上常有多个肺结节，且表现不一，这对影像诊断医师的筛检和鉴别能力提出了较高的要求。人工智能（artificial intelligence，AI）辅助诊断系统的加入担负了大量枯燥重复的工作，大大提升了影像医师的阅片速度，与医师诊断相比，其具有不受医师的主观性、经验差异及疲劳等人为因素影响的优越性[4]。
鉴于此，本研究回顾性分析113例入组病例的筛检情况来比较AI软件和影像医师的阅片能力，旨在探讨AI辅助诊断系统在肺结节的检测及良恶性判断中的应用价值。
1. 资料与方法
1.1 病例资料
本研究为回顾性研究，选择内蒙古自治区人民医院2022年3月至2023年3月行胸部CT检查，并跟踪随访行CT引导下穿刺活检术或外科手术明确肺结节病理结果的患者作为研究对象。共收集患者113例，其中：男性68例，女性45例。年龄38～77岁，中位约65.20岁。
纳入标准：①在我院至少行 1次胸部CT扫描，并且CT检查前未行干预治疗措施；②符合《肺结节诊治中国专家共识（2018年版）》[5]中肺结节诊断标准且图像质量良好；③涉及结节良恶性判断部分的肺结节均有明确病理诊断。排除标准：①病灶直径＞3 cm；②其他部位恶性肿瘤所致转移瘤；③患者患有严重的基础性疾病，无法进行病理诊断；④患者资料信息不完整或失访。
1.2 检查技术
（1）扫描设备：GE LightSpeed750 64排CT；GE LightSpeedVCT 64排CT；西门子Definition Flash 双64排CT；东芝 TSX-301A 320排CT。
（2）扫描范围：扫描前由专人对每位受检者进行呼吸训练，所有受检者均取仰卧位、双臂上举、头先进、深吸气末屏气扫描，扫描范围由肺尖到后肋膈角（包括全部肺）。
（3）扫描参数：管电压120 kV，自动管电流。层间距0.625 mm，层厚1.25 mm，采用标准算法及高分辨算法进行重建并且将扫描原始数据上传至工作站。肺窗参数设置为：肺窗窗宽1500～2000 HU、窗位 -600～-450 HU；纵隔窗宽250～350 HU、窗位30～50 HU。
1.3 图像分析
影像医师阅片。一名住院医师在ImageFileName.dcm工作站上参阅原始图像（1.25 mm层厚）及重建图像（5 mm层厚），阅片过程中常规参考多平面重建技术多角度分析图像，阅片结果由一名临床经验丰富的主治医师审核后发布，以二者报告一致视为有效，否则与另一名主治医师进行探讨后得出最终结论。
AI软件阅片。应用AI辅助分析软件InferRead CTR12.2，由北京推想医疗科技股份有限公司提供。将原始图像导入系统之后，软件自动识别并标记结节病灶，提供结节位置、大小、性质等信息，同时模型根据这些信息计算恶性概率预测值，当恶性概率预测值＞70％ 时判断为恶性结节。
真阳性结节判断标准。结合两名医师及AI软件图像分析结果，参考多平面重建、三维重建等图像，共同确定肺结节存在，以二者报告一致视为有效。
1.4 数据处理
采用SPSS 25.0软件分析数据，计数资料以（n（％））表示，比较采用卡方检验或Fisher精确概率法，计量资料以
$ \left(\overline{x}\pm s\right) $ 表示。使用Kappa值评价AI、影像医师与病理结果的一致性，0.0～0.20极低的一致性、0.21～0.40一般的一致性、0.41～0.60 中等的一致性、0.61～0.80高度的一致性和0.81～1几乎完全一致。以P<0.01为差异有统计学意义。2. 结果
2.1 总体检出情况
113名患者中，AI软件检出1337个结节，医师检出774个结节，经验证存在1079个真阳性结节。AI软件对于真阳性结节的检出率（98.98％）高于医师（71.27％），漏检率（1.02％）较医师（28.27％）低，误检率（23.91％）较医师（0.46％）高，以上差异均具有统计学意义（表1）。
表 1 AI软件及医师对结节的总体检出情况Table 1. AI software and radiologists’ overall detection of nodules组别 AI 医师 $\chi^2 $ P 共检出（％） 1337（123.91） 774（71.73） 真阳性结节（％） 1068（98.98） 769（71.27） 假阴性结节（％） 11（1.02） 305（28.27） 398.766 ＜0.001 假阳性结节（％） 258（23.91） 5（0.46） 128.199 ＜0.001 2.2 AI软件及医师对不同直径真阳性结节的检出价值
AI软件对直径＜5 mm及5～10 mm真阳性结节的检出率（98.69％，100.00％）均高于医师（60.59％，80.25％），差异具有统计学意义；对于直径＞10 mm真阳性结节的检出率（98.08％）稍高于医师（94.87％），但差异不具有统计意义（表2）。
表 2 AI软件及医师对不同直径真阳性结节的检出价值Table 2. The value of AI software and radiologists in detecting true positive nodules of different diameters组别 真阳性 AI 医师 $\chi^2 $ P ＜5（％） 609 601（98.69） 369（60.59） 272.521 ＜0.001 5～10（％） 314 314（100.00） 252（80.25） 68.792 ＜0.001 ＞10（％） 156 153（98.08） 148（94.87） 2.356 0.125 2.3 AI软件及医师对不同性质真阳性结节的检出价值
AI软件对磨玻璃、实性、混合磨玻璃及钙化结节的检出率（98.47％，98.79％，100.00％，100.00％）均高于医师（75.52％，68.02％，72.73％，84.66％），差异具有统计学意义（表3）。
表 3 AI软件及医师对不同性质真阳性结节的检出价值Table 3. The value of AI software and radiologists in detecting true positive nodules of different nature组别 真阳性 AI 医师 $\chi^2 $ P 磨玻璃（％） 131 129（98.47） 95（72.52） 35.582 ＜0.001 实性（％） 741 732（98.79） 504（68.02） 253.375 ＜0.001 混合磨玻璃（％） 44 44（100.00） 32（72.73） 13.895 ＜0.001 钙化（％） 163 163（100.00） 138（84.66） 27.076 ＜0.001 2.4 AI软件及医师对结节良恶性的判断价值
113名患者中共有115个结节经病理检查确诊，其中98例在我院行干预手术或CT引导下穿刺活检取得病理，17例经随访外院诊疗情况确定。
115个结节的大小和性质见表4，AI软件及医师对结节良恶性的判断价值（表5和表6），两种阅片方法对结节良恶性判断的效能比较（表7）。
表 4 115个结节的大小和性质Table 4. Size and nature of the 115 nodules组别 磨玻璃结节个数 实性结节个数 混合磨玻璃结节个数 钙化结节个数 总和 ＜5 mm 4 9 3 0 16 5～10 mm 6 24 6 1 37 ＞10 mm 6 41 12 3 62 总和 16 74 21 4 115 表 5 AI软件对结节良恶性的判断价值Table 5. The value of AI software in judging benign and malignant nodulesAI 病理 总计 恶性 良性 恶性 74 12 86 良性 5 24 29 总计 79 36 115 表 6 医师对结节良恶性的判断价值Table 6. The value of radiologists in judging benign and malignant nodulesAI 病理 总计 恶性 良性 恶性 77 7 84 良性 2 29 31 总计 79 36 115 表 7 两种方法对结节良恶性判断的效能比较Table 7. Comparison of efficacy of the two methods in judging benign and malignant nodules组别 灵敏度/％ 特异度/％ 准确度/％ AI 93.67 66.67 85.22 医师 97.47 80.56 92.17 P ＞0.01 ＞0.01 ＜0.01 经SPSS 25.0计算，AI的Kappa一致性是0.637，高度一致；医师的Kappa一致性是0.811，几乎完全一致（P＜0.01）。
3. 讨论
本研究对比了AI及影像医师从肺结节的检出到良恶性判断的诊断全过程，真实的反映了AI在实际工作中对于高效诊断的辅助作用，同时该研究在市级三甲医院进行，得到的结果可以大致反映当地的诊疗水平及对新技术的应用程度。
研究结果显示AI软件对真阳性结节的检出率明显高于影像医师，但是误检率较高，与之前研究报道结果基本一致[6-9]。结合误检图像分析，我们考虑是其对于诊断为结节的阈值过低，常将血管、局部增厚的胸膜、肺门淋巴结、肺内索条等饱满结构误认为是肺结节；影像医师的漏检率相对较高，是由于其对于微、小结节的辨识度低，在肺组织背景较杂乱时，难以将肺结节从中检出（图1（a）～图1（c））。医师对于混合磨玻璃结节及钙化结节的检出能力与AI相差不大，但是对于磨玻璃结节和实性结节的检出能力较差，常将边缘欠清晰的磨玻璃结节及较小的实性结节漏检，因此我们应该积极参考AI软件对于不同性质结节的检出结果。
![]()
图 1 部分漏诊及误诊病例影像资料注：（a）右肺下叶血管旁结节，医师检出，AI漏检；（b）右肺下叶胸膜下实性微结节，AI检出，医师漏检；（c） 左侧局部增厚的胸膜，医师检出，AI误检为结节。（d） 右肺上叶实性结节，伴有分叶征，AI及医师均诊断为恶性，病理结果提示错构瘤；（e） 右肺下叶实性结节，形态略欠规整，周围伴有晕征，AI诊断为恶性，医师结合图像及患者痰培养、血象、查体等诊断为良性，病理结果提示肉芽肿；（f）右肺中叶实性结节，有浅分叶和毛刺征象，周围伴有点条状渗出、炎性改变，AI诊断为恶性，医师诊断为良性，病理结果提示浸润性腺癌。Figure 1. Imaging data of some missed and misdiagnosed cases另外，AI软件对于不同直径的肺结节均有很高的检出价值，尤其是在直径小于5 mm及5～10 mm的结节中检出率显著高于医师，但李欣菱等[10]研究认为，AI对较小结节（特别是＜5 mm的结节）诊断的临床意义有待商榷，若完全按照AI的结果进行临床干预会增加医疗负担及造成过度治疗。对于直径大于10 mm的肺结节，医师和AI的检出率相近，二者差异不具有统计学意义，刘亚斌等[11]研究得出专业医师 CT扫描对不同直径真阳性结节检出率均低于基于AI技术CT扫描，但专业医师CT扫描对直径>10 mm真阳性结节检出率可达95.12％。提示虽然医师可能会将部分微、小结节漏检，但其对于恶性程度可能较高的直径大于10 mm结节的检出率也高，伴随着较低的误检率，医师对肺结节的检出更灵活、更有意义。
同时本研究就AI软件及医师对于肺结节良恶性的判断效能做出对比，结果显示医师对肺结节良恶性判断的灵敏度、特异度、准确度均较AI高，与既往研究结果基本一致[12-15]，但灵敏度和特异度的差异不具有统计学意义，可能与样本选择偏差有关。AI软件的判断结果与病理高度一致，医师的判断结果与病理几乎完全一致。
仔细分析误诊病例（图1（d）～图1（f））后我们考虑AI是根据既定的算法来判断结节的良恶性，无法结合患者的临床信息如肿瘤标记物，特殊病原体培养结果，年龄、性别、工作经历、是否吸烟等个人史，因此得出的结论存在一定的片面性，造成误诊率的上升。影像医师判断的准确性与参加工作时间、学习进修经历和学历等有直接关系，再加上肺结节本身的多变性和复杂性，日常工作中误诊是无法彻底避免的[16]。我们应尽可能提高AI和影像医师甄别同病异影、同影异病的能力，将误诊降到最低，提出对患者更加有利的诊疗方案。
综上所述，AI软件辅助诊断对于肺结节确有较高的检出率，能大大降低漏检率，但误检率也随之上升；在肺结节良恶性鉴别中可为临床诊断提供辅助参考，但其准确性无法取代影像医师。计算机的输出结果是定量分析影像资料获得的，而医生面对的病例却是立体的、变化的。因此在将AI软件作为人工检测辅助手段、代替枯燥工作的同时，影像医师需要不断提升自己的辩证能力，充分结合患者临床信息来提高诊断的特异性，使AI软件更好地为诊断服务；且影像医师最能知道如何将来自互补成像技术的信息与临床数据相结合，这对软件的设计开发及数据库扩展至关重要。
本研究还存在局限性，这项回顾性研究的病理结果已经在临床诊断和治疗中得到确认，因此样本选择方面会存在偏差，这些偏差将在后续的前瞻性试验中得到校正；由于试验样本量较小、设备无法统一及对部分病例失访等问题。我们得到的结论还亟待在更多地区、更多医院的大样本中进一步验证。
-
![]()
图 1 COVID-19肺内病变的CT形态表型
Figure 1. CT morphological phenotype of COVID-19 pulmonary lesions
表 1 不同年龄和CT检查时间患者CT显示病灶数量、部位和病变体积百分比等情况
Table 1 Number and location of lesions and percentage of lesion volume revealed by CT in patients of different ages and CT examination times
分布特征 年齡 统计检验 CT检查时间 统计检验 ≤60岁（n=48）
例（％）>60岁
（n=105）
例（％）χ2 P ≤7天
（n=104）
例（％）>7天
（n=49）
例（％）χ2 P 病变数量 单发 5（10.4） 1（0.95） — 0.012 4（3.9） 2（4.1） — 1.000 多发 43（89.6） 104（99.1） — 0.012 100（96.2） 47（95.9） 0.005 0.944 累及部位 单叶 14（29.1） 3（2.8） 23.087 0.000 11（10.6） 6（12.2） 0.094 0.759 单肺 1（2.1） 6（5.8） — 0.434 3（2.9） 4（8.2） — 0.211 双肺 33（68.8） 96（91.4） 12.810 0.000 90（86.5） 39（79.6） 1.215 0.270 病变百分比 ≦10 37（77.1） 45（42.9） 15.516 0.000 59（56.7） 24（49） 0.806 0.369 ≦30 6（12.5） 22（21） 1.574 0.210 20（19.2） 8（16.3） 0.188 0.665 ≦50 2（4.2） 23（21.9） 7.582 0.006 15（14.4） 10（20.4） 0.873 0.350 >50 3（6.3） 15（14.3） 2.049 0.152 12（11.5） 7（14.3） 0.631 0.231 
下载: 导出CSV
表 2 不同年龄和CT检查时间患者组病灶各类征象占比情况
Table 2 Percentage of various types of signs of lesions in the patient group by age and time of CT examination
影像学征象 年齡 统计检验 CT检查时间 统计检验 ≤60岁（n=48）
例（％）>60岁（n=105）
例（％）χ2 P ≤7天
（n=104）
例（％）>7天（n=49）
例（％）χ2 P 病变分布 胸膜下 27（56.3） 83（79.0） 8.473 0.004 78（75.0） 32（65.3） 1.549 0.213 胸膜内 41（85.4） 99（94.3） 2.290 0.130 96（92.3） 44（89.8） 0.044 0.834 血管周 38（79.2） 90（85.7） 1.033 0.039 87（83.7） 41（83.7） 0.000 0.998 混合性 33（68.7） 89（84.8） 5.227 0.022 83（79.8） 39（79.6） 0.001 0.975 对称性 22（45.8） 58（55.2） 25.734 0.000 56（53.8） 24（49.0） 0.316 0.574 非叶段性 42（87.5） 93（88.6） 0.036 0.849 89（85.6） 43（87.8） 0.133 0.715 病变大小 ≦10 mm 42（87.5） 46（43.8） 25.734 0.000 86（82.7） 40（81.6） 0.026 0.873 10～30 mm 36（75.0） 22（21.0） 40.881 0.000 89（85.6） 39（79.6） 0.873 0.350 >30 mm 20（41.7） 16（15.2） 12.787 0.000 69（66.3） 29（59.2） 0.742 0.389 混合 38（79.2） 84（80.0） 0.014 0.905 86（82.7） 36（73.5） 1.754 0.185 病变形态 小结节 40（83.3） 84（80.0） 0.238 0.625 85（81.7） 39（79.6） 0.099 0.753 斑片状 38（79.2） 89（84.8） 0.731 0.393 89（85.6） 38（77.6） 1.521 0.217 大片状 16（33.3） 68（64.8） 13.141 0.000 59（56.7） 25（51.0） 0.439 0.508 束带状 6（12.5） 50（47.6） 17.508 0.000 38（36.5） 18（36.7） 0.001 0.981 混合性 39（81.3） 98（93.3） 5.136 0.023 94（90.4） 44（89.8） 0.000 1.000 病变密度/例 GGO 41（85.4） 99（94.3） 2.290 0.130 96（92.3） 44（89.8） 0.044 0.834 实变 25（52.1） 45（42.9） 1.130 0.288 33（31.7） 35（75.5） 21.258 0.000 网格影 31（64.6） 91（86.7） 9.943 0.002 77（74.0） 45（91.8） 6.531 0.011 蜂窝影 1（2.1） 10（9.5） 1.732 0.188 3（2.9） 8（16.3） 7.117 0.008 病变边缘/例 模糊 32（66.7） 51（48.6） 4.346 0.037 56（53.8） 27（55.1） 0.021 0.884 不规则 26（54.2） 47（44.8） 1.168 0.280 53（50） 29（59.2） 0.905 0.341 毛刺 10（20.8） 21（20.0） 0.014 0.905 19（18.3） 12（24.5） 0.798 0.372 伴随病变/例 机化灶 29（60.4） 59（56.2） 0.241 0.624 56（53.8） 32（65.3） 1.790 0.181 间质纤维化 27（56.3） 72（68.6） 2.190 0.139 58（55.8） 41（83.7） 11.356 0.001 气道异常 39（81.3） 74（70.5） 1.980 0.159 77（74.0） 36（73.5） 0.006 0.940 血管增粗 45（93.8） 99（94.3） 0.000 1.000 99（95.2） 45（91.8） 0.207 0.649 胸膜增厚 24（50.0） 84（80.0） 14.280 0.000 70（67.3） 38（77.6） 1.683 0.194 胸水形成 1（2.1） 4（3.8） － 1.000 3（2.9） 2（4.1） － 0.656
下载: 导出CSV
-
[1] XIE J, WANG Q, XU Y, et al. Clinical characteristics, laboratory abnormalities and CT findings of COVID-19 patients and risk factors of severe disease: A systematic review and meta-analysis[J]. Annals of Palliative Medicine, 2021, 10(2): 1928-1949.
[2] LIU Y, ZHOU X, LIU X, et al. Systematic review and meta-analysis of the CT imaging characteristics of infectious pneumonia[J]. Annals of Palliative Medicine, 2021, 10(10): 10414−10424. doi: 10.21037/apm-21-2101
[3] Tang Y, Liao H, Wu Q, et al. Chest CT imaging characteristics and their evolution of 48 patients with COVID-19 in Hengyang, China[J]. American Journal of Translational Research, 2021, 13(9): 9983−9992.
[4] PAKDEMIRLI E, MANDALIA U, MONIB S. Characteristics of Chest CT images in patients with COVID-19 Pneumonia in London, UK[J]. Cureus, 2020, 12(9): e10289.
[5] MARCHIORI E, NOBRE L F, HOCHHEGGER B, et al. CT characteristics of COVID-19: Reversed halo sign or target sign?[J]. Diagnostic and Interventional Radiology, 2021, 27(2): 306−307. doi: 10.5152/dir.2020.20734
[6] HUANG C, WANG Y, LI X, et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China[J]. Lancet, 2020, 395(10223): 497−506. doi: 10.1016/S0140-6736(20)30183-5
[7] LIU H, LUO S, LI H, et al. Clinical characteristics and longitudinal chest CT features of healthcare workers hospitalized with coronavirus disease 2019 (COVID-19)[J]. International Journal of Medical Sciences, 2020, 17(17): 2644−2652. doi: 10.7150/ijms.48696
[8] JAFARI R, MAGHSOUDI H, SABURI A. A unique feature of COVID-19 infection in chest CT; "Pulmonary Target" appearance[J]. Academic Radiology, 2021, 28(1): 146−147. doi: 10.1016/j.acra.2020.11.004
[9] WU R, GUAN W, GAO Z, et al. The arch bridge sign: A newly described CT feature of the coronavirus disease-19 (COVID-19) pneumonia[J]. Quantitative Imaging in Medicine and Surgery, 2020, 10(7): 1551−1558. doi: 10.21037/qims-20-688
[10] YOON S H, LEE J H, KIM B N. Chest CT findings in hospitalized patients with SARS-CoV-2: Delta versus Omicron Variants[J]. Radiology, 2023, 306(1): 252−260. doi: 10.1148/radiol.220676
[11] 黄益龙, 张振光, 李翔, 等. CT影像组学联合征象鉴别新型冠状病毒肺炎与其他病毒性肺炎的价值[J]. 中华放射学杂志, 2022,56(1): 36−42. doi: 10.3760/cma.j.cn112149-20201220-01318 HUANG Y L, ZHANG Z G, LI X H, et al. The value of CT signs combined with radiomics in the differentiation of COVID-19 from other viral pneumonias[J]. Chinese Journal of Radiology, 2022, 56(1): 36−42. (in Chinese). doi: 10.3760/cma.j.cn112149-20201220-01318
[12] 赵小二, 邓克学, 王朋. 不同阶段新型冠状病毒肺炎的CT影像演变分析[J]. 实用放射学杂志, 2021,37(8): 1254−1257. doi: 10.3969/j.issn.1002-1671.2021.08.008 ZHAO X E, DENG K X, WANG P. Analysis of the CT manifestations changes of COVID-19 at different stages[J]. Journal of Practical Radiology, 2021, 37(8): 1254−1257. (in Chinese). doi: 10.3969/j.issn.1002-1671.2021.08.008
[13] 吴杰, 肖安岭, 顾金凤. 多层螺旋CT对新型冠状病毒肺炎的临床诊断价值[J]. 实用放射学杂志, 2021,37(5): 746−748. doi: 10.3969/j.issn.1002-1671.2021.05.013 WU J, XIA0 A L, GU J F. Clinical value of MSCT in the diagnosis of COVID-19[J]. Journal of Practical Radiology, 2021, 37(5): 746−748. (in Chinese). doi: 10.3969/j.issn.1002-1671.2021.05.013
[14] 余成成, 杨彦鸿, 胡天丽, 等. 新型冠状病毒B.1.617.2变异株感染者高分辨率CT与临床特点[J]. 中华放射学杂志, 2021,55(10): 1054−1058. YU C C, YANG Y H, HU T L, et al. High resolution CT findings and clinical features of the novel coronavirus B.1.617.2 variant[J]. Journal of Practical Radiology, 2021, 55(10): 1054−1058. (in Chinese).
[15] 李声鸿, 曾献军, 鄢海蓝, 等. 新型冠状病毒肺炎薄层CT评价[J]. 实用放射学杂志, 2021,37(7): 1074−1076,1130. doi: 10.3969/j.issn.1002-1671.2021.07.007 LI S H, ZENG X J, YAN H L, et al. Evaluation of COVID-19 with thin-sclice CT[J]. Journal of Practical Radiology, 2021, 37(7): 1074−1076,1130. (in Chinese). doi: 10.3969/j.issn.1002-1671.2021.07.007
[16] 许玉环, 吕晓艳, 张见增, 等. 新型冠状病毒肺炎不同临床分型的CT特征[J]. 中国医学影像学杂志, 2020,28(12): 887−890, 895. doi: 10.3969/j.issn.1005-5185.2020.12.002 XU Y H, LV X Y, ZHANG J Z, et al. CT features of different clinical types of CoVID-19[J]. Chinese Journal of Medical Imaging, 2020, 28(12): 887−890, 895. (in Chinese). doi: 10.3969/j.issn.1005-5185.2020.12.002
[17] 余鎏, 肖易, 赵泉. 新型冠状病毒肺炎的临床表现及胸部高分辨率CT影像学表现分析[J]. 实用放射学杂志, 2021,37(7): 1081−1085. doi: 10.3969/j.issn.1002-1671.2021.07.009 YU L, XIAO Y, ZHAO Q. The clinical manifestations and chest high resolution CT findings of patients with COVID-19[J]. Journal of Practical Radiology, 2021, 37(7): 1081−1085. (in Chinese). doi: 10.3969/j.issn.1002-1671.2021.07.009
[18] 蒋玮丽, 龙斌, 柏玉涵, 等. 新型冠状病毒肺炎的胸部CT特征[J]. 中国医学影像学杂志, 2020,28(11): 817−819, 824. doi: 10.3969/j.issn.1005-5185.2020.11.005 JIANG W L, LONG B, BAI Y H, et al. Chest CT features of COVID-19[J]. Chinese Journal of Medical Imaging, 2020, 28(11): 817−819, 824. (in Chinese). doi: 10.3969/j.issn.1005-5185.2020.11.005
[19] 纪丙军, 齐庆梅, 王聪, 等. 新型冠状病毒肺炎与其他社区获得性肺炎不同病期的CT表现及动态分析[J]. 实用放射学杂志, 2021,37(8): 1266−1270. doi: 10.3969/j.issn.1002-1671.2021.08.011 JI B J, QI Q M, WANG C, et al. CT manifestations and dynamic change of different stages of COVID-19 and other community acquired pneumonia[J]. Journal of Practical Radiology, 2021, 37(8): 1266−1270. (in Chinese). doi: 10.3969/j.issn.1002-1671.2021.08.011
[20] 张庆, 熊浩, 彭婕, 等. 胸部CT对新型冠状病毒肺炎的诊断价值[J]. 中国医学影像学杂志, 2020,28(12): 896−898. doi: 10.3969/j.issn.1005-5185.2020.12.004 ZHANG Q, XIONG H, PENG J, et al. Diagnostic value of chest CT for COVID-19[J]. Chinese Journal of Medical Imaging, 2020, 28(12): 896−898. (in Chinese). doi: 10.3969/j.issn.1005-5185.2020.12.004
-
期刊类型引用(4)
1. 张彩云，韩志海. 2024年版肺结节诊治中国专家共识解读. 河北医科大学学报. 2025(04): 373-378 . 
百度学术
2. 王皓，白卓杰. 基于CT的人工智能技术在肺结节诊断中的应用进展. 中国临床研究. 2025(05): 667-671+676 . 百度学术
3. 刘洋，孙旭，王涟. 国内医疗健康领域人工智能研究热点及趋势分析. 中国医药导报. 2024(25): 191-196 . 百度学术
4. 康文文，韩贺东，吕镗烽，宋勇. 精准医疗时代下肺癌筛查的难点与对策. 中华结核和呼吸杂志. 2024(12): 1211-1216 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 658
- HTML全文浏览量: 205
- PDF下载量: 63
- 被引次数: 5
