近年来，肺癌的发病率、致死率已屡创新高。早期肺癌多表现为肺部结节，它们尺寸小、对比度低、形状异质化高，因此早发现、早预防、早诊断、早治疗能够在很大程度上降低肺癌的发病率。而肺癌防治的重要手段是早期筛查，其中胸部低剂量CT是国际公认的有效手段。但是随着胸部CT筛查人群的日益增多，影像科医师工作量的日益增长。繁重、枯燥的阅片工作使影像科医师的疲劳度增加，同时漏诊、误诊的风险也在增加。

在我国，医疗领域是AI发展相对蓬勃的领域之一。基于深度学习的AI应用目前已经覆盖病灶检测、病理诊断、放疗规划和术后预测等各临床阶段。AI算法模型的应用大大减轻了影像科医师的工作量。目前，多家三级甲等医院已经合作研发了各种肺结节AI模型，并将其应用于临床工作中，均取得了较好的效果。

虽然深度神经网络在诊断问题的有效性上已初步得到验证，但是医学影像临床工作中往往交织着多种不同任务。从肺结节的筛查与诊断方面不难看出，AI需要在发现异常、量化测量、随访跟踪和鉴别诊断中发挥可靠作用，最终才能具有临床应用价值。除了将深度神经网络应用于医学影像的分类问题（诊断），研究者们还需要继续探索AI技术在医学影像检测问题（发现异常）、分割问题（量化测量）及配准问题（随访跟踪）中的应用。

肺结节影像辅助诊断系统是基于胸部CT成像，通过“AI+医疗”的密切配合实现肺部疾病的诊疗。该方案是按照影像科医师的日常工作模式，利用深度学习神经网络对标注的肺结节进行分割，由医学影像专家根据多年在医院的经验积累和工作总结，在影像上识别出所有的肺结节，并对结节的大小、密度、体素、形态等进行完整的描述，判断结节的生长规律和结节类型，为临床干预做出重要的决策准备。极大地提高了影像科医师的工作效率；降低了漏诊、误诊的发生率。

1、  根据上传的影像资源，自动解析病人和影像的详细信息。

2、  提供根据影像的设备类型、检查部位、影响号、检查时间段、上传时间段等字段的查询功能。

3、  可根据需要对影片的灰度、窗宽窗位等进行调整。

4、  逐层判读，可利用不同的标注工具标出结节的位置和备注信息。

5、  自动计算出每个结节的大小、密度、体素等重要信息，医师可对每个结节的形态、性质、位置做出准确的判断。

6、  对疑似病灶进行统计。

7、  把已上传的影像及其详细信息和病灶信息记录入库，为后期的病灶随访和临床诊断提供支持。