计算机断层扫描（CT）已经彻底改变了医学影像技术，提供了高分辨率、三维解剖结构的可视化。其广泛应用显著提高了多个医学领域的诊断准确性。然而，对CT扫描日益增长的依赖引发了对辐射暴露及其潜在长期健康影响的担忧。这带来了一个持续的挑战：在保持最佳图像质量的同时尽量减少辐射剂量。
近年来，人工智能（AI）作为一种有前途的工具来解决这一问题而崭露头角。深度学习算法，作为AI的一个子集，在CT成像的各个方面表现出巨大的潜力，包括图像重建、噪声减少和自动化图像分析。AI驱动的方法旨在提高图像质量并减少辐射剂量，从而可能提高诊断精度和患者安全。
多项研究探索了AI在不同解剖区域和临床场景中CT成像的应用。例如，胡等人研究了深度学习模型在CT血管造影中检测颅内动脉瘤的应用。张等人则探讨了AI驱动的重建算法在运动损伤CT成像中的应用。其他研究评估了AI在乳腺癌放疗计划和肝脏CT成像中的作用。尽管取得了这些进展，但AI在提高CT图像质量和减少辐射剂量方面的总体效果仍然是一个持续的研究领域。研究设计、AI算法和结果测量的差异使得很难得出关于AI对CT成像实践更广泛影响的明确结论。
最近的一项荟萃分析综合了五项临床验证研究的证据，以评估AI在CT图像质量控制和辐射防护中的作用。研究结果表明，基于AI的干预措施显著提高了CT图像质量和图像分析效率，并且有降低辐射剂量的趋势。观察到的图像质量改善具有统计学意义（平均差0.70，95% CI 0.43-0.96；P<.001），表明其在各种临床应用中具有广泛的适用性。
虽然荟萃分析显示基于AI的干预措施有降低CT剂量指数的趋势，但该结果没有统计学意义（平均差0.47，95% CI -0.21至1.15；P=.18）。这突显了需要进一步研究以确定AI在不同CT应用中减少辐射剂量的有效性。尽管如此，图像质量和分析效率的潜在改进表明，AI在未来CT成像中可以发挥关键作用，提高诊断准确性的同时减轻辐射暴露风险。
(全文结束)
