在美国，肺癌在所有男性和女性癌症中的死亡率最高，并且是全球人类死亡的主要原因之一。计算机辅助诊断系统有可能通过帮助放射科医师做出正确的分类决策并降低手动读取扫描所产生的成本，显着提高基于计算机断层扫描的筛查程序的可行性。本文根据主观人类专家共识解决肺结节分类的具体任务，作为提高计算机辅助诊断系统在肺癌筛查支持方面的能力的一种手段。
　　 本文的重点是直接从裁剪的CT图像中分类肺结节，无需分割或手工制作的特征。相比之下，现有自动结节分类系统采用的常用方法是分割结节，提取手工制作的形态或统计特征，以及根据这些特征对结节进行分类。这个程序的确切细节有所不同。
　　 有迹象表明，从分割的图像中提取手设计特征许多现有的作品或非分段的图，然后它们变成某种分类器等支持向量，决策树，完全连接的神经网络，或分类器集合。相比之下，一些学者提出使用完全连接的自动编码器从结节图像自动学习特征。不幸的是，鉴于许多使用手工制作功能的其他相关作品，结果并不令人满意。
　　 结节分类的另一种方法是使用卷积神经网络。卷积神经网络在各种机器学习任务中拥有最先进的成果，例如估计人体姿势，处理自然语。卷积神经网络相关研究的最新趋势是增加模型的深度，增加的深度在诸如VGG和ResNet的模型中产生更准确的结果。更深层次的神经网络被认为具有更强的代表能力，在结核分类的背景下进行探索。
　　 使用卷积神经网络的一个显着优势是它们不需要从图像中进行任何类型的手工制作的特征工程，而是直接从数据中学习判别特征。已经进行了一些尝试使用浅卷积神经网络架构。能够使用2层卷积神经网络在不同尺度的多个结节上成功地对恶性肺结节进行分类。使用仅有两个卷积层的浅卷积神经网络来执行分类，但在网络输出之前包括两个完全连接的层。研究者使用现有的预训练卷积神经网络对周围结节进行分类。使用OverFeat评估结节的多个视图，并且后部分布组合以产生最终预测。在不同的结节视图上使用九个独立的卷积神经网络进行分类，以确定结节的存在。通过将卷积神经网络输出与完全连接的层融合来获得最终的分类结果。
　　 使用卷积神经网络进行肺结节分类存在一些主要困难。首先，与其他图像分类数据集相比，该任务的公开可用数据集很小。其次，结节分类任务中的示例之间的差异是微妙的，而大多数现有的卷积神经网络分类器处理视觉上不同的类。这些挑战在本文中探讨了三个研究问题：
　　 (1)增加神经网络的深度是否有助于肺结节分类的任务?
　　 在大多数传统的对象识别任务中，存在明确定义的概念层次可以直观地从网络深度中受益。目前尚不清楚CT扫描是否包含足够丰富的层次结构以从非常深的网络中受益。为了探究这种想法，研究人员的体系结构比使用细胞神经网络。这种增加的深度可以通过最近的进步来实现，例如批量标准化和ResNets的残差学习。
　　 (2)如何利用转移学习来获得更高的准确性?
　　 作为人类遇到的每项新任务带来了丰富的先验知识和经验。相反，基于权重的完全随机初始化，通常期望神经网络完全从头开始学习任务。弥合这一初始知识差距的一种方法是转移学习，其中网络在完全不同的任务上进行预训练。在训练前学习的权重然后成为学习所需任务的起点。研究人员通过在训练较小的结节数据集之前预先训练CIFAR-10来实验这一想法。
　　 (3)使用培训课程可以提高准确性吗?
　　 一些学者的工作表明随着训练的进展逐渐增加例子的难度可能是有益的。本文描述了一种量化结节分类任务示例难度的方法，并使用此定义来创建培训课程。结果表明，这种方法提高了结节分类的准确性。
　　 除了上述研究问题，还观察到目前在肺CT分析的不同神经网络架构之间缺乏比较。现有使用细胞神经网络用于分析肺结节不对同一数据集和实验设置比较它们彼此抵靠的结果。由于卷积神经网络架构和培训策略的显着变化，解决这一遗漏很重要。除非在相同的实验条件下比较算法，否则无法客观地得出某些架构选择，并且训练算法比其他算法更好。
　　 研究人员提出两组主要结果。首先，此次报告了更深层次的网络，转移学习和课程学习对系统的分类准确性的积极影响。其次，在相同的训练和测试条件下客观地比较系统与现有模型的实现：(1)简单的基线完全连接的神经网络，(2)强大的先进竞争对手卷积神经网络，(3)OverFeat网络，其在其他图像分类任务中具有可靠的性能。相比之下，最佳的现有神经网络架构实现了86.23%的准确率。结果表明系统在测量的所有指标方面实现了最高性能，包括灵敏度，特异性，精确度和准确度。
　　使用具有预训练，课程学习和3列结构的深度残留网络似乎是肺结节分类任务成功的一个非常强大的方法。一个有趣的观察结果是，它似乎是这些因素的完全组合，可以产生出色的结果。结果表明，浅层卷积网络比ResNet-18更好，没有任何增强。
　　 据推测，ResNet从课程和转移学习中获得的收益比浅层卷积神经网络更多的关键原因在于其较高的代表权力没有得到适当的指导。也就是说，当训练小数据集时，ResNet比浅卷积神经网络更容易过度拟合。一旦克服了两种架构之间的过度拟合差异，增加代表性功率的优势就会越来越大。
　　 研究人员尝试将3D卷积应用于问题，但发现由于它们施加了大量内存需求，它们很笨重。此外，由于数据集内的CT切片深度间距不一致，它们的使用变得复杂。
　　 研究人员已经研究了基于深度残留网络的肺结节恶性肿瘤分类系统的多种变体。此外，这是第一篇在类似的训练和测试条件下客观地比较两种最先进的竞争对手卷积神经网络模型的论文。最好的系统配置通过实验来表现优于所有替代方案，这些实验旨在报告以前未见过的示例的真实分类性能。研究结果表明，深度学习的现代进步也适用于医学成像，并可用于增加涉及CT扫描早期检测的肺癌筛查计划的可行性。
　　 有趣的未来工作包括将此处介绍的系统与基于手工设计功能的解决方案进行比较，并利用深度剩余架构来执行自动结节检测。本文中的模型经过训练，可以重现放射科医师集体的主观评分，对于这与实际临床实践中的表现有何关联仍然是一个悬而未决的问题。