目的：常规胸部CT检查的应用越来越广泛，乳腺病灶的偶然发现率也随之增加，然而常规CT在乳腺良恶性病变鉴别方面仍较为局限。深度学习算法能够进一步挖掘和分析CT图像中的深层信息，提高病变检测的敏感性和特异性。本研究旨在构建基于常规胸部CT的深度学习模型来鉴别偶发乳腺病变的良恶性，从而提高乳腺癌的早期诊断效率。

方法：回顾性分析2018年1月至2025年8月于山西医科大学第一医院行常规胸部CT检查后行乳腺病灶病理检查的患者资料，共218例被纳入，按7:3比例随机分为训练集和测试集。基于CT平扫图像在3D Slicer软件中勾画病灶最大截面ROI，然后进行数据增强和标准化预处理，利用VGG-16提取深度学习特征，通过LASSO算法筛选特征，对比6种深度学习模型后，选择表现最优的ResNet50卷积神经网络构建分类模型，使用迁移学习（ImageNet数据集）对深度学习网络（ResNet50卷积神经网络）进行预训练，然后对模型进行调优，同时通过单因素和多因素logistic回归分析筛选临床危险因素，最终建立联合分类模型。采用ROC曲线分析、AUC、F1 值和校准曲线评估模型的分类效能和临床实用性。

结果：在218例患者中，乳腺病灶良性组与恶性组分别为92例和126例。肿瘤形状为独立的临床危险因素。特征筛选获得8个深度学习特征。结果显示联合分类模型优于深度学习模型与临床模型，而深度学习模型由于临床模型（联合分类模型AUC=0.885；深度学习模型AUC=0.854；临床模型AUC=0.831；所有比较P值均<0.01）。决策曲线分析证实联合模型具有更高的临床适用性。

结论：本研究成功构建并验证了一种联合临床危险因素与深度学习特征的模型，可准确鉴别常规胸部CT偶发乳腺病灶的良恶性。该模型能提升乳腺恶性病变二级预防（早诊断）效率，为后续诊疗提供参考信息，助力优化临床决策。