癌症是导致死亡的主要原因之一，肺癌是全球最常见的癌症之一 。早期诊断和监测疾病的进展是肺癌治疗中的重要任务，并且计算机辅助诊断系统在这些任务中起着至关重要的作用。CAD系统主要侧重于提高专家作为第二读者做出的决策的准确性。为此，已经提出了各种类型的系统，包括可疑组织的检测和分割，基于内容的类似图像，以及候选结节的分类。
　　在对单一分类器进行早期研究之后，已经开发了各种分类方法。级联方法用于消除观察者不一致，特征选择和结节分类。除形态学特征外，结节特征或临床数据已用于此类级联分类研究。基于特征子集或基础分类器的集合方法也被证明比具有单个分类器的分类方法更有效。在结节分类中使用深度方法相对较新，并且在2014年之后被广泛使用。在医学图像研究的第一个例子中，深度学习用于检测和分割候选结节。在深度模型的训练阶段，必须具有大量标记数据。开发了转移学习方法来应对这一缺点。有各种研究利用不同的深度学习方法。端到端2D-CNN 和3D-CNN ,最近应用于许多研究。基于序贯数据的方法，如长期短期记忆(LSTM)和递归神经网络(RNN)，也用于肺结节的分类。深度方法有利于堆叠自动编码器的特征提取，以及预训练模型的微调。
　　深度学习研究通常通过对恶性肿瘤评级进行分组来进行肺结节的二元或三元分类。需要大量样本来训练深度模型和评级的模糊性可能是这种修改的促成因素。一些研究已经使用了结节特征，并且大多数这些研究直接将这些特征包括在没有分类阶段的模型中。
　　单个RF是在恶性数据集上训练的单个分类器。RF-RF，Adaboost-RF和SVM-RF是级联分类器。SVPS(4)-RF和SVPS(10)-SVM是第一级堆叠方法。这些数字对应于在第一级分类时堆叠的分类器的数量。
　　相同的模型也表现出稍高的特异性评分。SVPS(10)-SVM表现出最高的灵敏度为75.59%。与其他指标相比，SVPS(10)-SVM与其他方法之间的灵敏度差异显着。SVM的第一级堆叠在识别阳性病例(真阳性)方面表现更好，并且在识别阴性病例(真阴性)时在两个水平上的堆叠表现更好。分类准确度和灵敏度之间的差异表明SVPS(10)-SVM在表达不足的类别方面表现更好。
　　根据测试结果，除了Adaboost-RF分类器之外，单RF和其他方法的结果之间存在统计学显着性。还有SVPS(10)-SVM和两种水平堆积方法都显示出统计学意义，并且两种水平堆积方法在分类准确性方面表现出更好的性能。此外，高灵敏度值使得SVPS(10)-SVM成为用于分类的优选方法。已证明结节特征对肺结节有用然而，它们仅在一些研究的文献中进行了评估。分类器的复杂性随着级联层的增加而增加，但结果的重要性证明向分类器提供特征信息的重要性。
　　恶性等级分为三类数据集。SVPS(10)-SVM模型在灵敏度方面并没有像其他方法那样优于五类实验。这说明使用SVM的第一级堆叠在模糊类上表现更好。当模型的性能比较，最佳表现和最差表现方法之间的差异从五级实验减少到三级实验。性能差的最佳和最差的方法之间从5.19%改变到4.56%的分类准确度方面，11.97%至4.68%的灵敏度方面，和1.53%至2.37%的特异性方面。
　　LIDC数据集的使用(地面实况确定，样本消除或类别组合)使得难以比较所提出方法的性能。然而，有必要提及一些研究及其结果以指出在实验中做出的推论。使用来自专家注释的平均恶性评级和低于3的定义评级为良性，高于1的评级为恶性，并从数据集中丢弃相等的评级。他们的分类准确率达到86.84%。韩等人。也将恶性肿瘤评级分组，但他们认为3级(不确定)在他们的实验中是恶性的或良性的。当不确定结节包括在良性类中时，它们大致实现了曲线下面积(AUC)评分为91%，当不确定结节包括在恶性类中时，AUC评分为79%。当他们从数据集中丢弃这些结节时，他们的AUC分数增加了4%。他们得出结论，根据数据集注释不确定结节类似于良性结节，并且他们的结果表明，去除不确定类可以提高分类性能。将不确定结节加入良性或恶性评级的实验性能差异甚至更显著。上述研究提出了二元分类方法。Kaya和Can。对由此生成的五类和三类数据集进行了实验多数投票。他们将评级结合起来(1和2不太可能，3作为不确定，4和5作为可疑)并创建了一个三级数据集。在他们的实验中，当使用三类数据集时，与五类数据集相比，分类器的性能在分类准确性方面提高了3%，在灵敏度方面提高了27%。在二元(两类)和三元(三类)数据集上进行了实验。所提出的方法对二进制数据集的错误率为4.59%，三元数据集的错误率为7.70%。宋等人。将极不可能和中度不太可能的评级归为良性，高度可疑和中等可疑评级为恶性。他们的方法分类准确率为84.15%，灵敏度为83.96%，特异性为84.32%。侯赛因等人。使用至少三名放射科医师注释的结节，去除不确定的结节，同时将其他结节合并为良性或恶性结节。他们获得了平均值1.59 的标准误差。这些研究的结果与我们的结果相似，可以得出结论，不确定性会降低分类性能。
　　所提出的方法可能存在一些可能的实际限制。级联分类器是复杂的算法，其中训练阶段尤其需要相当长的时间。虽然将所提出的方法应用为实时分类器可能具有挑战性，但在实际场景中，鲁棒性更为重要。所提出的算法在独立级联级别上高度并行化。此外，特征选择过程可以提供相当大的改进。根据实验结果，如果存在与CAD系统的性能相关的问题，则在单个级别上的堆叠方法可能优于在两个级别上的堆叠。
　　在这项研究中，提出了级联分类器和三种堆叠方法用于结节分类，并与单一和集合分类方法进行比较。我们进行了一系列实验来定义合适的堆叠框架。主级联分类方法包括两个级别。首先，确定性能最佳的基础分类器和特征组，以确定在第一级分类中使用的结节特征。在不同特征组上使用不同的基础分类器进行实验。堆叠方法分别应用于每个级别，然后最终在两个级别上一起应用。