摘要目的 探讨不同重建算法和层厚对基于人工智能(AI)获得的纯磨玻璃结节(pGGN)一阶特征的影响,选取最佳重建算法和重建层厚.方法 回顾性分析我院同一台CT机上行胸部高分辨率平扫者CT影像,在AI辅助下由一名副主任医师筛选出最小径≥5 mm的pGGN 158例,分别记录相同重建算法不同层厚(0.625、1.250、2.500 mm)和相同层厚不同重建算法(标准算法和肺算法)数据,在AI软件中标准敏感度下获得16个一阶特征(总体积、总质量、CT最大值、CT最小值、CT平均值、CT值方差、球型度、最大面面积、表面积、3D长径、长短径平均值、峰度、偏度、能量、紧凑度、熵),并进行统计分析.结果 2.500 mm层厚数据中有7例pGGN无论标准算法还是肺算法在AI上均未识别,其余层厚和算法组合均能准确识别;另有4例pGGN在肺算法中未识别,而在标准算法及其他层厚组合中均能识别.不管标准算法还是肺算法0.625 mm组和1.250 mm组只有能量(Z=3.39、3.34,P＜0.05)、熵(Z=6.49、6.77,P＜0.05)差异有统计学意义;0.625 mm组和2.500 mm组在标准算法中总体积、CT最大值、CT最小值、CT平均值、表面积、球型度、紧凑度、能量、熵差异有统计学意义(Z=3.67～13.40,P＜0.05),在肺算法中除上述特征外还有CT值方差、峰度差异有统计学意义(Z=2.64～13.34,P＜0.05);1.250 mm组和2.500 mm组在标准算法中CT平均值、CT最大值、球型度、表面积、紧凑度、能量、熵差异有统计学意义(Z=2.43～6.98,P＜0.05),在肺算法中CT最大值、CT最小值、CT值方差、球型度、表面积、紧凑度、峰度、熵差异有统计学意义(Z=2.54～8.51,P＜0.05).结论 不同的重建算法和层厚对AI获得的pGGN 一阶特征均会产生影响,建议采用1.250 mm层厚、标准算法数据进行一阶特征分析.