目的：探究基于深度学习和多模式特征融合的方法在肺结节 CT 图像分类中的应用效果，提高肺结节良恶性分类的准确性。方法： 选取 2023 年 12 月至 2024 年 12 月某医院的 80 例含有肺结节的 CT 图像病例，按照随机数字表法分为对照组和实验组，每组 40 例。 对照组采用传统的基于单一特征的图像分类方法，实验组运用基于深度学习和多模式特征融合的方法进行肺结节 CT 图像分类。观察两组 的分类准确率、灵敏度和特异度等指标。结果：实验组的分类准确率、灵敏度和特异度分别为 90.0%、87.5%、92.5%，均高于对照组的 70.0%、 65.0%、75.0%，差异具有统计学意义（P < 0.05）。结论：基于深度学习和多模式特征融合的方法能够有效提高肺结节 CT 图像分类的性能， 为肺结节的准确诊断提供了更可靠的依据，在临床应用中具有重要的价值。
