目的：慢阻肺与各种形态和严重程度的气道形态异常有关，然而目前还是缺乏有效表现这些异常的方法，这些异常能否有效区分出慢阻肺和肺功能正常尚不清楚。基于此，我们提出了卷积神经网络的方法从计算机视觉的角度来评估肺实质分类慢阻肺与肺功能正常，从而建立了慢阻肺的双通道深度学习模型（D-CNN）。
方法：从各大医院采集了共857位受试者，数据集按照8:2划分。慢阻肺定义为吸入支气管舒张剂后第一秒用力呼气容积（forced expiratory volume in one second，FEV₁）/用力肺活量（forced vital capacity，FVC）＜0.7。在CT图像的吸气相和呼气相序列获取肺实质后，分别从横断位的二尖瓣、冠状位的升主动脉、矢状位的左右肺门四个标志性解剖位置索引单张二维CT图像拼成一张具有四个肺实质方向的二维图像，标志性解剖位置事先由丰富经验的放射科医生标记好。最后采用五折交叉验证去评估模型的区分度。
结果：基于卷积神经网络的D_CNN模型在150例(75例慢阻肺，75例肺功能正常)的测试集预测是否是慢阻肺的概率为0.946，AUC为0.972。
结论：基于卷积神经网络的D-CNN深度学习模型能够有效区分慢阻肺与肺功能正常。
 

慢阻肺；卷积神经网络；D-CNN