目的: 评估基于计算机断层扫描 (CT) 的深度学习列线图 (DLN) 在鉴别结核性肉芽肿 (TBG) 和肺腺癌 (LAC) 中的鉴别诊断性能。表现为孤立性实性肺结节 (SSPNs)。方法对两个中心 550 例SSPNs患者的常规CT图像进行回顾性分析。使用卷积神经网络从所有病变中提取深度学习特征。训练集由 218 例患者的数据组成。使用最小绝对收缩和选择算子逻辑回归创建深度学习签名 (DLS)。在临床模型中结合临床因素和基于CT的主观发现。构建了一个结合DLS、临床因素和基于CT的主观发现的个体化DLN，以验证诊断能力。使用内部 (n = 140) 和外部验证队列 (n = 192) 通过区分和校准评估DLN的性能。结果发现DLS、性别、年龄和分叶状是独立的预测因子，并用于建立DLN。组合显示出比使用净再分类改进方法评价的任何单个模型更好的诊断准确性 (p <0.05)。训练、内部验证和外部验证队列中的曲线下面积分别为 0.889 (95% 置信区间 [CI]，0.839-0.927) 、 0.879 (95% CI，0.813-0.928) 和 0.809 (95% CI，0.746-0.862)。决策曲线分析和分层分析表明DLN具有潜在的泛化能力。结论以CT为基础的DLN可在术前区分SSPNs患者的LAC和TBG。要点 • 开发深度学习列线图，在SSPNs患者中术前区分TBG和LAC。•深度学习特征的性能优于放射组学特征。•与深度学习特征、放射组学特征或单独的临床模型相比，深度学习列线图获得了优越的性能。