最近出现了深度学习技术作为有希望的决策支持方法，以自动分析医学图像以用于不同的临床诊断目的。通过计算机辅助诊断诊断肺结节已经接受了大量的理论，计算和实证研究工作，并且已经开发了相当多的方法来检测和分类不同形式的图像上的肺结节，包括胸片，计算机断层扫描(CT)，和过去五十年的正电子发射断层扫描。最近在学术界和工业界取得的肺结节深度学习方面取得了显着而重大的进展，这表明深度学习技术似乎是有效的替代决策支持方案，可有效解决肺结节诊断的核心问题，包括特征提取，结节检测大量胸部扫描数据的假阳性减少和良性恶性分类。
　　这是第一次专门针对肺结节诊断的深度学习技术进行评估。大量胸部扫描数据的假阳性减少和良性恶性分类。本次调查的主要目的是为肺结节诊断的深度学习辅助决策支持提供全面的最新综述。
　　深学习技术最近已成为有前途的决策支持的方法来自动分析不同的临床诊断的目的。在深度学习在学术界和业界取得了肺结节显著的进步已经证明，深度学习技术似乎是有前途的替代决策支持方案，以有效解决在肺结节的中心问题诊断，包括特征提取，结节检测，假阳性的减少。
　　研究人员描绘了对于检测肺结节的深度学习以及关于时间的出版物数量方面的良性和恶性之间的分类的快速兴趣。显示2014年出现了第一篇专门用于肺结节分类深度学习的论文，并于2015年出现了第一篇用于检测肺结节的论文。然后，这两项任务的深度学习正在出现并在2017年蓬勃发展。这是动机本次调查为肺结节诊断的深度学习辅助决策支持提供了全面的最新综述。
　　深度学习技术无缝集成了开发特性和性能调优，从而简化了传统计算机辅助诊断的特设分析流程。在这方面，一些研究致力于在深度学习技术的帮助下进行肺结节诊断。
　　尽管深度学习技术已成为有希望的决策支持方法来自动诊断肺结节，包括特征提取，结节检测，假阳性减少和良性 - 恶性分类，仍然存在一些挑战为诊断肺结节带来了深刻的学习。
　　阻碍医学图像分析中深度学习普遍存在的关键问题之一是标记数据集的不足。为了有效地训练需要估计大量参数的深度学习模型，需要大量标记数据。因此迫切需要建立用于检测肺结节的大规模数据集。然而，与ImageNet显着不同的是，它需要专业人员在评估疾病模式以建立用于医疗目的的数据集时，需要进行长期努力，付出巨大努力和进行复杂化。
　　首先，可以在笛卡尔坐标系的轴向，冠状和矢状视图中从医学图像的直升机视图(即，放大和缩小)生成包含感兴趣区域的多尺度贴片。通常临床放射科医师会在例行程序中识别疾病模式，即探测整个像素信息以检测包含疑似结节的有希望的区域，然后对这些区域进行更严格的审查以确定真实结节的存在。然后诊断过程重新开始，直到检测到所有结节。通过观察临床放射科医师的诊断程序，发现含有可疑结节的贴片以多种不同的尺度进行检查。因此，在网络的学习阶段，应该使用医学图像的多尺度片作为训练样例。副标题数据的副产品优势是标注数据的放大量。
　　其次，包含感兴趣区域的多角度贴片可以在正交坐标系中生成，而不是广泛使用的笛卡尔坐标系。例如，在球面和圆柱坐标系下，多尺度贴片以小角度旋转可以产生更多标记数据。多角度和多尺度贴片的视觉符合临床放射科医师的视力诊断。同时，视觉类型神经网络，例如深CNN，由于其固有的旋转特性和图像上的移位不变性，可以很容易地处理这样的日期。
　　通过深度学习的肺结节的诊断取得了很大进展一直使用它进行培训，以复制/监督学习方案做出模拟人类专家的决定。然而，通过经验丰富的放射科医师设置大的标记数据集是非常昂贵，耗时且不可靠的。因此，少量基于训练样本的监督学习方案导致过度拟合和收敛问题。研究人员注意到在最具挑战性的人工智能领域，例如在Go游戏中，引入了Alpha Zero，它完全基于强化学习，而不依赖于人类指导或超越游戏规则的领域知识。人工智能和计算机科学的这种跨越式发展也揭示了医学诊断的人工智能，尤其是肺结节诊断，并且迫切需要开发和设计新的诊断模型和算法，这些模型和算法可以从最初的医生获得超级医生的能力通过新颖的自我发挥，自我学习，自我反馈机制，超越目前流行的监督学习计划。