简介：摘要目的基于肺区CT图像最大密度投影（MIP）与深度卷积神经网络（CNN）构建慢性阻塞性肺疾病（慢阻肺）识别模型，并探讨其意义。方法选取2010年1月—2021年5月就诊于大连医科大学附属第二医院的符合入组标准的研究对象共201例，其中慢阻肺组101例，健康对照组100例。研究对象均进行胸部薄层CT图像扫描及肺功能测试。首先，获取所有CT图像序列肺区的MIP图像；其次，以MIP图像为输入，基于改进的残差网络（ResNet）构建慢阻肺识别模型；最后，考察不同层数的ResNet模型对性能的影响。应用准确率、灵敏度、特异度、阳性预测值、阴性预测值、受试者工作特征（ROC）曲线及其下面积（AUC）评估网络的识别效能。结果ResNet26的慢阻肺识别准确率、灵敏度、特异度、阳性预测值、阴性预测值分别为76.1%、76.2%、76.0%、76.2%、76.0%，AUC为0.855（95%CI：0.799~0.901）；ResNet50的慢阻肺识别准确率、灵敏度、特异度、阳性预测值、阴性预测值分别为77.6%、76.2%、79.0%、78.6%、76.7%，AUC为0.854（95%CI：0.797~0.900）；ResNet26d的慢阻肺识别准确率、灵敏度、特异度、阳性预测值、阴性预测值分别为82.1%、83.2%、81.0%、81.6%、82.7%，AUC为0.885（95%CI：0.830~0.926）。结论本研究成功构建的基于肺区CT图像MIP与深度CNN的慢阻肺识别模型，可实现准确的慢阻肺识别，为慢阻肺早期筛查提供了一种有效工具。