建立并评价基于CT图像的深度学习框架（3D-ResNet）在区分非结核性肺结核分枝杆菌病（NTM-LD）和结核性肺结核分枝杆菌病（MTB-LD）方面有效果。回顾性分析经病原微生物检查证实的301例NTM-LD和804例MTB-LD的胸部CT图像。分析两种疾病临床表现的差异。3D ResNet旨在以8:1:1的比例随机抽取数据，用于训练、验证和测试。研究人员还收集了外部测试数据（40个NTM-LD和40个MTB-LD）用于模型的外部验证。使用类激活图评估感兴趣的激活区域。该模型与测试集中的三位放射科医生进行了比较。经过比较，NTM-LD患者比MTB-LD患者年龄大，MTB-LD患者咳嗽较多，NTM-LD患者呼吸困难较多，结果有统计学意义（p<0.05）。该模型在训练、验证和测试数据集上的AUC分别为0.90、0.88和0.86，而在外部测试集上的AUC为0.78。此外，该模型的性能高于放射科医生，并且无需人工标记，该模型自动识别CT上异常的肺部区域的效率比放射科医生高1000倍以上。综上所述，3D-ResNet可作为NTB-LD和MTB-LD的快速辅助诊断工具，它的使用有助于为这些疾病的患者提供及时、准确的治疗策略。
