肺结节的图像属性，作为人类可命名的高级语义标签，很少用于构建卷积神经网络(CNN)。本文提出了一种新的方法，将肺结节良性 - 恶性分类和肺结节图像属性分类两个分类的优点结合到一个深度学习网络中，以提高肺结节分类的准确性。为此，建立了独特的3D CNN，以同时学习图像属性和良性 - 恶性分类。设计一种新的损失函数来平衡两种不同类别的影响。CNN由公共可用的肺部图像数据库联盟(LIDC)数据集训练，并通过交叉验证方法进行测试，以预测肺结节是恶性的风险。该方法产生的准确率为91.47%，优于现有的许多模型。实验结果表明，如果CNN构建正确，结节属性分类和良性 - 恶性分类可以相互受益。通过使用结节属性学习作为深度学习方案中的控制因素，通过使用深度学习方案可以显着提高肺结节分类的准确性。这比许多现有的模型更好。实验结果表明，如果CNN构建正确，结节属性分类和良性 - 恶性分类可以相互受益。通过使用结节属性学习作为深度学习方案中的控制因素，通过使用深度学习方案可以显着提高肺结部节分类的准确性。这比许多现有的模型更好。实验结果表明，如果CNN构建正确，结节属性分类和良性 - 恶性分类可以相互受益。通过使用结节属性学习作为深度学习方案中的控制因素，通过使用深度学习方案可以显着提高肺结节分类的准确性。
　　 肺癌是世界上所有癌症中死亡率最高的。根据2000年的全球癌症统计数据，每年有120万人被诊断患有肺癌。同时，在这些患者中，每年有110万人死于肺癌。然而，如果肺癌可以在早期诊断和治疗，患者的五年生存率将从14%上升到49%。因此，早期诊断和及时治疗对于提高肺癌患者的生存率和降低患者的死亡率至关重要。根据Schneider的研究，早期可发现90%的肺癌病变。通常，这些肺癌病变在医学图像上显示为肺结节。低剂量计算机断层扫描(CT)是最常用的非侵入性肺结节评估方法。因此，在诊断阶段和进一步治疗阶段，医生必须正确分类肺结节是良性还是恶性的CT图像。
　　 尽管已经通过使用基于深度学习的算法开发了许多用于肺结节分类的计算机辅助方案并且在文献中报道，但是该研究具有许多优点和独特的特征。首先，我们提出了一种独特的ALNC分类模型。根据研究结果，无论在2D还是3D网络中，ALNC都证明了其提高肺结节良性 - 恶性分类准确性的能力。ALNC产生优异结果的决定性原因在于它有效地结合了属性分类和良性 - 恶性分类。肺结节的CT图像包含病变的像素相关信息，它也可以用于提取肺结节分类的几种病变图像特征，就像放射科医师在临床实践中阅读和解释肺部CT图像一样。此外，结节属性是结节的高级语义表示，由实验放射科医师注释。它可以为放射科医师提供重要的视觉参考或信息，以预测结节恶化的可能性。ALNC旨在充分利用结节属性，良性恶性标签和CT图像数据来提高良性 - 恶性分类准确性。它可以为放射科医师提供重要的视觉参考或信息，以预测结节恶化的可能性。ALNC旨在充分利用结节属性，良性恶性标签和CT图像数据来提高良性 - 恶性分类准确性。它可以为放射科医师提供重要的视觉参考或信息，以预测结节恶化的可能性。ALNC旨在充分利用结节属性，良性恶性标签和CT图像数据来提高良性-恶性分类准确性。其次，与先前从一个CT切片中选择感兴趣区域(ROI)作为基于CNN的深度学习算法的输入的研究不同，我们考虑了三维肺结节存在与CNN的二维输入之间的变化。在本文中，我们利用3D网络将CT图像中的肺结节分类为良性或恶性类别。与使用2D切片或具有多视图的近似3D图像的那些算法相比，当切片厚度一致时，ALNC直接在3D体积上工作产生更好的肺结节分类问题的结果。
　　 第三，尽管之前的研究已经尝试将属性信息添加到肺结节良性 - 恶性分类中，但它们没有解决维持良性 - 恶性分类与属性分类之间平衡的问题。卷积神经网络
　　 目前，基于深度学习的计算机辅助分类良性和恶性肺结节主要集中在图像和良性恶性标签上。作为人类可知的高级语义标签，结节属性也可以在一定程度上帮助改善肺结节的分类。然而，这两种信息来源尚未在现有方法中有效结合。
　　 为了解决这个问题，养牛人员提出并测试了一种将结节属性学习与结节分类深度学习相结合的新方法。在数据预处理方面，选择使用肺结节3D CT立方体作为网络的输入样本。在网络架构方面，提出了一种ALNC网络结构，并设计了一种损失函数来平衡两种网络训练分类的效果。本研究的目的不仅是提高良性和恶性肺结节的分类准确性，而且还提高属性分类能力。实验结果表明，ALNC网络获得的肺结节的属性分类准确性和良恶性分类的准确性高于现有网络。
　　 医学图像只是某种疾病信息的一部分，即使是训练有素的放射科医生也不能仅仅依靠医学图像来确认某些疾病的诊断。研究人员研究图像与良性恶性标签之间的相关性是不够的。在医生注释之后，属性可以包含大量有关患者疾病的有价值信息。通过将属性信息成功地整合到深度学习中，ALNC在帮助医生基于具有大量高质量属性标签的医学图像数据集进行诊断方面具有良好前景。从理论上讲，ALNC可以广泛应用于基于相应的中间图像和属性数据集来提高其他疾病的诊断准确性。