针对现有深度学习网络普遍存在的长距离特征通道关联性缺失、网络自提取特征会湮没肺结节 病理显性特征等问题, 首先, 将通道注意力和空间注意力结合, 提出一种可以有效建立长距离特征通道关联性 的注意力模块 LCA (long distance channel attention), 让模型能获取肺部 CT 图像的全局显著特征, 提高对肺结 节的良恶性诊断精度. 其次, 将肺结节直径、纹理、钙化度等病理显性特征与其深度特征融合, 以增强这些显性 特征的重要度, 提高模型的分类效果. 最后, 搭建一种特征提取网络 DLCANet (dual-connected long distance channel attention network) 和一种分类器模型 MARTM (multiple additive regression tree model) . 在数据集 LIDC - LDRI 和 LUNA16上进行分类实验, 与基准模型 DPN ( dual path network ) 相比, 准确率提高了 3.63% 假阳性 率下降了 8.66%, 且整体性能优于目前主流模型. [ABSTRACT FROM AUTHOR]