医学影像检查是辅助临床诊断的重要手段，充分挖掘影像资料的各种信息，在指导临床精准诊断、智能决策以及预后评估中发挥着重要的作用。近年来，人工智能技术已逐渐深入到临床医学领域的各个环节，利用计算机分析影像学征象和特点已成为当前研究的主流和为未来的方向。   
      深度学习技术属于机器学习的主要分支，是目前实现人工智能分析的重要手段。本组系列研究主要是通过多层螺旋CT扫描仿真胸部体模内肺结节以及脑出血患者的头颅，证实了深度学习技术对体模内肺结节及脑出血的检测识别结果是可信的，提示今后可以借助深度学习技术应用于肺内、脑内疾病的定量、定性诊断研究。在本研究初期，通过回顾性分析肺内/外常见单发良性结节（如硬化性血管瘤、孤立性纤维瘤）的影像征象，提出了影像征象的诊断和鉴别诊断要点，提高了影像科医师对良恶性病变的辨别能力，从而提升对疾病的诊断能力；通过回顾性分析冠状病毒肺炎的动态变化，掌握了肺内炎性病变不同时期的影像征象和鉴别要点；同时综述了肺内孤立性结节影像征象和进展。初期研究结果为深度学习技术在肿瘤性、非肿瘤性病变的研究中，奠定了影像诊断、病灶识别和精准勾画的基础。在此基础上，今后的研究将聚焦利用深度学习技术对肺结节/肿瘤性病变的影像学特点进行分析，最终实现对病变病理分型、分期、基因表型、预后评估（其复发、转移可能性）的精准评估。   
      综上，本组研究开展了肺内病变的影像征象研究，且利用深度学习技术的体模研究证实了深度学习在影像研究中的可信度，为进一步开展临床应用研究奠定了基础。本研究组发表相关学术论文9篇。