对于免疫系统较弱的患者而言，肺部感染可能危及生命。CT扫描作为检测肺炎的黄金标准，在临床诊断中发挥着重要作用。然而，频繁进行CT扫描所带来的辐射暴露风险，尤其是累积辐射剂量，一直是令人担忧的问题。

超低剂量CT扫描虽然能够减少辐射暴露，但图像质量往往会因“噪音”增加而受到影响，导致诊断准确性下降。为了解决这一难题，以色列拉马特甘舍巴医疗中心诊断成像部门的放射科医生马克西米利亚诺·克鲁格医学博士及其同事，试图在超低剂量CT扫描中测试深度学习算法的去噪能力。

从2020年9月到2022年12月，54名免疫功能低下且发烧的患者被转诊到克鲁格博士的科室，接受了两次胸部CT扫描：一次正常剂量扫描和一次超低剂量扫描。研究人员采用深度学习算法对所有54次超低剂量CT扫描进行了去噪处理。

经过深度学习算法去噪的超低剂量CT扫描，图像质量和清晰度得到了显著提升，假阳性率也有所降低。在去噪后的扫描图像中，结节更容易被识别。这一发现为更安全的人工智能成像铺平了道路，既减少了辐射暴露，又保持了诊断的准确性。

放射科医生分别对正常剂量CT、超低剂量CT和去噪超低剂量CT扫描的结果进行了评估。他们不知道所有患者的临床信息，以确保评估的客观性。评估结果显示，深度学习算法显著提高了超低剂量CT扫描的诊断性能。

超低剂量扫描的平均有效辐射剂量仅为标准CT扫描平均有效辐射剂量的2%。这一突破性进展有望重新定义临床指南，为免疫功能低下和年轻患者提供更安全的成像选择。

研究人员指出，基于深度学习的超低剂量CT扫描去噪技术可能对其他患者群体同样有益，如年轻患者。克鲁格博士表示：“这项初步研究发现，感染检测仅用了一小部分辐射剂量。这种方法可以推动更大规模的研究，并最终重塑临床指南，使去噪超低剂量CT成为年轻免疫功能低下患者的新标准。”