1．计算机算法：
近年来，一些计算机算法，如密度直方图[10]、列线图（nomogram）[11]、微分几何[12]、加权规则[13]、逻辑回归分析[4, 14]、容量分析[5]、Cox比例风险和逻辑回归（Cox proportional hazards and logistic regression）[15]、泊松回归[16]等，在提高GGN诊断准确性、减少漏诊、提高工作效率等方面起到了积极的促进作用，可用于辅助放射科医师判断和鉴定GGN的良恶性。
尽管这些传统的计算机算法处理流程已较为完善，但其中关键的分割算法的改进仍颇具挑战性，人工分割GGN耗时耗力，自动分割GGN难以保证其准确性和鲁棒性，为后续的GGN良恶性鉴别诊断带来困难。随着人工智能和机器学习浪潮的推动，基于深度学习的分类预测方法已成为计算机智能辅助诊断的发展方向之一。
深度学习可通过分层网络自动获取图像分层次的特征信息，本质上取代手动定义的特征图像提取器与手动定义的模型，实现GGN候选位置检测、假阳性减少和良恶性鉴别的自动化过程[17,18]。在医学图像分析中，两大类端到端机器学习方法分别是大规模训练人工神经网络（massive-training artificial neural networks, MTANN）和卷积神经网络（convolutional neural networks, CNN），而运用在GGN良恶性鉴别诊断较为常见的是CNN。Tajbakhsh和Suzulci[19]比较了两类端到端机器学习方法在肺结节检测和良恶性鉴别的性能优劣，结果表明使用有限训练数据训练时，MTANN在肺结节检测和鉴别中的性能高于CNN；使用大量训练数据集训练CNN时，两种模式的性能差距缩小，但差距仍然显著。
2．影像组学：
影像组学来源于计算机辅助诊断（computer aided diagnosis, CAD）技术，工作流程分为图像采集、图像分割、特征提取及筛选、数据分析4部分，可从医学图像中自动化定量评估图像特征[20]。在影像组学图像采集中，CT是最广泛使用的成像模式，可用来评估GGN的影像学征象和形态学特征[21]。近年来，MRI、PET-CT等影像学手段逐渐被引入，用于评估病灶或肿瘤的结构信息、组织密度、代谢信息和结构信息，使影像组学发展成为融合影像、基因、临床等信息的辅助诊断、分析和预测的方法[22]。
影像组学图像分割方法逐渐从人工分割，过渡到半自动分割及全自动分割。其中半自动分割是目前主要的分割方法，但人工分割仍被作为金标准[23]。全自动分割方法目前虽尚无规范化统一准则，但已初见成效，可排除人为因素，工作效率高，适合大数据时代精准医学影像数据处理，将成为GGN影像组学图像分割未来的发展方向之一[24]。
在影像组学特征提取及筛选过程中，提取的特征数据主要包含大小、体积、最大直径、表面体积比、球形度、偏心度等形状特征，平均数、最大值、最小值、标准差、峰度、偏度等直方图特征，灰度共生矩阵纹、分形维数、行程统计等纹理特征[25,26,27]。随着计算机运行速度、处理能力、存储容量的提升，以及并行计算技术和深度学习服务器的运用，在影像组学研究中提取的特征数量，逐渐从几十向几百及更高数量级发展，更多数量的结节特征，具有更好的重复性，可有效解决肿瘤异质性难以定量评估的问题，对GGN的良恶性鉴别诊断具有重要的临床价值。在数据分析方面，影像组学所采用的方法从逻辑回归、LASSO回归、主成分分析（principal component analysis，PCA）等传统的数据统计分类器，逐渐向随机森林、支持向量机（SVM）、人工神经网络等更复杂的机器学习模型发展。
由此可见，多源信息融合、全自动感兴趣区域分割、更高数量级的特征提取、复杂机器学习分类器的运用，已成为GGN良恶性鉴别诊断影像组学的未来发展趋势。
3．诊断模型：
为更好地识别GGN的良恶性，一些学者直接利用年龄、性别、吸烟史、家族肿瘤史等临床信息，直径、分叶征、毛刺征、钙化等放射学信息建立预测模型评估患者的良恶性，辅助临床医师鉴别诊断。Shinohara等[28]收集241例患者影像数据，使用Mayo预测模型鉴别每例患者的恶性率（the probability of malignancy, POM），发现良性和恶性患者在年龄、吸烟史、结节大小和毛刺征方面有显著差异；Zheng等[29]提出了一种改进的术前预测孤立性肺结节良恶性的模型，根据GGN的比例划分病变，这种预测模型能准确识别孤立性肺结节患者的恶性病变，尤其是含≥50%GGN的情况，性能优于Mayo模型；Winkler等[30]评估PanCan模型的判别性能，发现PanCan风险预测模型对于孤立性肺结节具有较高的肺癌风险鉴别性能，还得出肺癌的风险预测主要基于肺结节的尺寸，毛刺征、年龄和家族史也有显著的预测作用；van Riel等[31]比较了PanCan模型、Lung-RADS和NCCN guidelines对同一组肺结节良恶性鉴别时的性能，发现PanCan模型性能明显更优。
4．辅助诊断系统：
通过影像学、医学图像处理技术和其他可能的生理、生化手段，结合计算机的分析计算，很多研究者提出了肺结节CAD系统，可用于GGN良恶性的自动化鉴别诊断。Manos等[32]提出了一个6级肺部报告和数据系统（6-level lung-reporting and data system，LU-RADS），将肺结节基于CT表现分为6大类，每个类别与原发性肺癌的恶性风险和检查的具体建议有关，病变的恶性风险随着LU-RADS级数的增加而增加；Dhara等[33]设计了一种基于上下文图像检索（CBIR）的CAD系统，仅需要提供一个查询结节的种子点用于检索相似结节，就可以快捷便利地供使用者使用；Cheng等[34]提出了一个基于深度学习良恶性结节或病变的计算机辅助诊断综合性研究，将累加降噪自动编码器（the stacked denoising auto-encoder, SDAE）运用在肺部CT结节和乳腺超声病变的鉴别工作中。目前，飞利浦IntelliSpace Portal星云3D影像数据中心、神州德信'数字肺'系统、腾讯觅影早期肺癌智能筛查系统等应用软件已在市场投入使用，提高医师阅片效率，有效辅助医师进行临床判定及决策。
随着低剂量薄层CT在肺癌筛查与诊断中的广泛应用，放射科医师阅片工作量大幅增加，容易疲劳，不可避免导致一定程度的漏诊和误诊。计算机智能辅诊方法以其高速的计算能力、便捷的传输能力、自动的处理能力和直观的显示能力，让图像尽可能准确地反映现实病情，辅助放射科医师更快、更准确地检测GGN，提供更加客观的诊断结果，可视化的三维影像带来更直观的视觉效果，在肺癌诊断过程中起到不可替代的作用。
