| 参考文献 | 数据来源 | 数据预处理 | 分类器 | 分析结果 |
| Liu et al. [14] | 私人数据集 | 提取24个放射学特征 (包含基于尺寸的特征) | 线性分类器 | 肺结节恶性肿瘤分类 准确率达81% |
| Samuel et al. [15] | 国家肺部筛查试验 (ACRIN 6684)公开数据 | 提取了219个3D图像特征， 从中选取23个稳定特征 | 随机森林分类器 | 预测1年和2年后会 癌变的结节，准确率 分别为80%和79% |
| Samantha et al. [16] | 14例来自NLST爱荷华州 队列；另外的36例病例 来自COPDGene研究 | 对CT图像进行结节分割和 实质分割，然后对分割后的 图像提取结节定量特征、 肺实质特征以及全局特征 | 人工神经网络 | 肺结节良恶性分类 准确率96% |
| Hugo et al. [17] | Lung1, Lung3, H&N1, Lung2和H&N2 | 提取肿瘤的强度、肿瘤的形状、 肿瘤的纹理以及小波特征 四个方面的特征 | - | 放射组学特征对肺癌的预后和验证都有很强的作用 |
| Wang et al. [18] | LIDC-IDRI | 提取15个具有预测价值的 放射学特征 | 支持向量机 | 肺肿瘤的良恶性分类达到的最好的准确率为76.1% |