肺结节恶性风险评估对于肺结节的临床管理至关重要。传统肺结节风险评估模型依赖影像征象和临床特征,需要医师标注且存在一定主观差异。深度学习及影像组学在肺结节风险评估有较多研究,但临床应用仍存在困难。目的:1、提出用于深度学习算法临床落地的有序层级网络导向策略（Hierarchical-Ordered Network-ORiented Strategy,HONORS）;构建在不同临床场景用于肺结节恶性风险评估的深度学习算法,过滤器引导的金字塔网络（Filter-guided pyramid network,FGP-NET）,基于 FGP-NET 对 HONORS 的性能进行验证。2、将FGP-NET与传统肺结节风险评估模型对比以及与126名影像科医师的诊断水平对比来探讨其潜在临床应用价值。方法:1、我们基于金陵数据集和国家肺癌筛查实验（National Lung Screening Trial,NLST）数据集进行FGP-NET的训练和验证,共纳入2106例结节（包含筛查结节和临床诊断结节）的胸部计算机断层扫描（computed tomography,CT）图像。并进行来自三家医院的多中心外部测试（n=341）。计算曲线下面积（area under the curve,AUC）评估FGP-NET的性能。基于FGP-NET,我们对HONORS（包含两种策略）进行验证。首先,在人工智能自动诊断策略中,对筛查结节选择高敏感性阈值,对临床诊断结节选择高特异性阈值。其次,在人机耦合策略中选择约登阈值。2、我们在金陵测试集上进行FGP-NET与传统风险评估模型包括Mayo模型和Brock模型,以及FGP-NET和126名影像科医师诊断能力的对比。计算传统风险预测模型的AUC。计算每个医师的敏感性及特异性后求126名医师的平均值。对126名医师的诊断结果进行投票得到多数医师诊断结果。计算126名医师、多数医师诊断结果、FGP-NET的一致性。结果:1、FGP-NET在内部及外部测试集的AUC分别为0.969（95%CI:0.943-0.986）和0.847（95%CI:0.804-0.883）。其中,外部测试集的子集AUC范围为0.890-0.942。在人工智能自动诊断策略中,HONORS介导的FGP-NET在筛查结节中以高敏感性诊断良性结节（敏感性,95.5%,特异性,72.5%）,在临床诊断结节中以高特异性诊断恶性结节（敏感性,31.0%,特异性,97.5%）,这部分结节可以得到模型的可靠精确诊断而不需要医师进一步干预。在人机耦合策略中,剩余的可疑结节也被模型进一步诊断,这些结节需要医师进一步确认。2、在金陵测试集中,FGP-NET 的 AUC 为 0.927（95%CI,0.857-0.969）,高于Mayo 模型（0.684;95%CI,0.583-0.773;P<0.001）和 Brock 模型（0.727;95%CI,0.629-0.811;P<0.001）。126名医师诊断的平均敏感性为72.2±15.1%,特异性为71.7±15.5%。FGP-NET的敏感性（93.3%）高于医师的平均值,而特异性（64.0%）稍低。126个医师的平均读者间一致性一般（kw=0.315±0.139）,多数医师诊断结果和FGP-NET的一致性中等（kw=0.538）,超过了 78个医师。结论:FGP-NET在评估肺结节恶性风险中达到了媲美医师的诊断水平。HONORS有望作为临床策略辅助优化临床流程,减少误诊。