肺癌的发病率和死亡率都很高。它是对人类健康的主要恶性肿瘤威胁。近年来，肺癌新发病例和死亡病例在恶性肿瘤中排名第一。肺结节是肺癌的早期表现，在早期发现，诊断和治疗肺癌以及提高患者的生存率方面起着关键作用。临床上，肺结节诊断的最常见方式是基于肺部的计算机断层扫描(CT)图像。
　　随着CT技术的发展，扫描层之间的空间越来越小。从图像的解剖结构获得的信息越来越多，这需要医生更多的观察。处理的数据量也越来越大，导致医生花费更长的时间进行检测和诊断。根据参考文献进行的调查，胸部放射科医生只有在CT图像中发现肺结节并将其分类为良性或恶性时才使用眼睛是一项非常困难的任务。缺失率和误诊率都非常高。结果，有必要使用肺结节计算机辅助诊断(CAD)，可以帮助减少漏诊率和误诊率，并在诊断肺癌时为影像医生提供足够的支持。
　　事实上，肺结节计算机辅助诊断的过程是模拟医生如何读取胸部CT图像并诊断肺结节的良性和恶性。肺结节CAD第一使用从技术计算机视觉和图像处理，以检测和区段肺结节，然后提取并分析肺结节的图像特征，最后用机器学习来将它们归类为良性或恶性。因此，提高良性和恶性肺结节测试准确性的一个关键是机器学习的表现。目前，在用于肺结节计算机辅助诊断的所有方法中，最常见的是支持向量机。但是，训练时间和诊断准确性仍需要改进。
　　2004年，南洋理工大学黄光斌教授提出了极端学习机(ELM)方法，这是一种简单，充分的单隐层前馈神经网络学习方法。对于ELM，它只需要设置网络隐藏节点号，而不必改变网络的输入权重和隐藏元素的偏移量，然后产生唯一的优化解决方案，其优点包括快速学习速度和良好的广义性。本文提出了一种基于ELM的肺结节CAD，以减少医生的工作量。我们专注于肺结节的良性和恶性诊断。分割超出了本文的范围。为了清楚地评估实验结果，我们选择了由三或四名经验丰富的放射科医师标记的肺结节的轮廓，这是最标准的分割结果。本文的贡献可归纳如下。
　　(1)当不确定的班级数据用于训练时，它们通常可被视为良性和恶性类别。但这种行动是不合理的。因为不确定的类数据包含良性和恶性数据。为了验证这一想法，我们在本手稿中深入研究了不确定数据。首先，我们将不确定的肺部CT图像视为良性，恶性或丢弃类。其次，我们使用这些数据和某些类数据来训练ELM，SVM，PNN和MLP。我们发现当我们丢弃不确定的类数据时，实验结果是最好的。因此，将不确定阶级视为良性和恶性阶级是不合理的。最后，我们比较了ELM，SVM，PNN和MLP的性能。我们发现任何治疗不确定类数据为良性，恶性或丢弃类，ELM的学习速度更快，ELM的测试精度更高。ELM比其他方法具有更好的性能。
　　(2)首先，我们发现将不确定类视为良性，恶性和丢弃类是不合理的，ELM比其他方法具有更好的性能。因此，我们将不确定的类数据视为未标记的数据，并使用SS-ELM处理不确定的类数据。其次，我们将SS-ELM的性能与ELM进行了比较。最后，我们发现SS-ELM在更快的学习速度和更高的测试精度方面取得了比ELM更好的泛化性能。并且将不确定的类数据视为未标记的数据是合理的。
　　(3)使用1018组胸部CT扫描进行了实验。结果表明，与SVM，PNN，MLP相比，基于ELM方法的肺结节CAD在训练时间，检测准确性以及其他评价指标方面具有明显的优势。与ELM算法相比，基于SS-ELM的肺结节CAD不仅解决了无标签数据学习的问题，而且还优化了准确性。
　　这种基于ELM的肺结节计算机辅助诊断算法。首先，它建立了肺结节Haralick特征模型，基于肺部CT图像的肺结节区域。然后，将特征集输入ELM，得到计算机辅助诊断结果，解决了基于SVM的肺结节计算机辅助诊断算法训练时间长，检测精度较低的问题。在此基础上，提出了一种基于SS-ELM的肺结节计算机辅助诊断算法，将某些类特征集和未标记特征集输入SS-ELM进行训练，得到计算机辅助诊断结果。它解决了未标记数据的问题学习。最后，通过实验证明了算法的有效性，该实验使用了1018套来自LIDC-IDRI的胸部CT图像。结果表明，与SVM相比，基于ELM的肺结节CAD在训练时间和准确性方面具有明显优势。与ELM相比，基于SS-ELM的肺结节CAD具有更好的准确性。