發展簡史
近年來，隨著計算機技術的高速發展，CAD技術在一些醫療已開發國家的相應領域取得了較快的發展，特別是在涉及醫學影像學的領域。實踐證明，CAD在提高診斷準確率、減少漏診、提高工作效率等方面起到了極大的積極促進作用。
計算機輔助診斷在醫學中的套用可追溯到20世紀50年代。
1959年，美國學者Ledley等首次將數學模型引入臨床醫學提出了計算機輔助診斷的數學模型，並診斷了一組肺癌病例，開創了計算機輔助診斷的先河；
1966年，Ledley首次提出"計算機輔助診斷"(computer-aided diagnosis, CAD)的概念。20世紀80年代初，計算機輔助診斷系統獲得進一步發展，其中套用在中醫領域的專家系統最為引人注目。計算機輔助診斷的過程包括病人一般資料和檢查資料的蒐集、醫學信息的量化處理、統計學分析，直至最後得出診斷。當時較為流行的模型有Bayes定理、最大似然法模型、序貫模型等。
20世紀90年代以來，人工神經網路（artificial neural network，ANN）快速發展，它是模仿人大腦神經元工作原理的一種數學處理方法。由於它具有自學習能力、記憶能力、預測事件發展等能力，因此可以起到輔助診斷的作用，在分類、診斷方面，人工神經網路方法比傳統的方法(機率統計法、數學模型等)有更優越的性能。可以說，人工神經元網路是代表當前最先進的人工智慧技術之一。
CAD研究在20世紀60年代之後一度陷入低谷，究其原因，一方面，由於人們對於CAD期望過高，希望能夠藉助計算機實現自動診斷(automated diagnosis) ；另一方面CAD的研究發展仍然受限於相應的理論算法和原理分析的匱乏。這種內外皆有的雙重困境直到八九十年代，由於計算機技術及各種數學、統計學的快速發展，才得以有了質的改善，在一些已開發國家的醫學影像學領域才獲得較快發展，並取得了可喜的成就。目前，國外學者對於計算機輔助診斷在醫學影像學中的含義基本達成共識，即：套用計算機輔助診斷系統時最終診斷結果仍是由醫生決定的（並不是完全的由機器進行自動診斷），只是醫生在判斷時會參考計算機的輸出結果，這樣使得診斷結果更客觀更準確。目前國外學者強調計算機的輸出結果只是作為一種參考(second opinion)，這與最初六七十年代的計算機自動診斷的觀念以及現在某些人對於CAD的理解是不同的。醫學影像學中，計算機的輸出結果是定量分析相關影像資料特點而獲得的，其作用是幫助放射科醫師提高診斷準確性以及對於圖像、疾病解釋的一致性（consistency)，另言之，計算機的輸出結果只可以作為一種輔助手段，而不能完全由其進行相應的診斷。CAD之所以能夠提高醫生的診斷準確性，原因在於，在傳統診斷方法中，放射科醫生的診斷完全是主觀判斷過程因而會受到診斷醫生經驗及知識水平的限制和影響；其次，醫生診斷時易於遺漏某些細微改變；再次，不同醫師間及同一醫師間的閱片差異的影響。而計算機客觀的判斷對於糾正這些錯誤和不足具有巨大的優勢 。
基本原理
通常醫學影像學中計算機輔助診斷分為三步：
步驟一
計算機輔助診斷圖像的處理過程（預處理），其目的是把病變從正常結構中提取出來。在這裡圖像處理的目的是使計算機易於識別可能存在的病變，讓計算機能夠從複雜的解剖背景中將病變及可疑結構識別出來。通常此過程先將圖像數位化（經過一定的AD轉換），一般用掃瞄器將圖像掃描，如果原始圖像已經為數位化圖像，如DR、CT、MRI圖像則可省去此步。針對不同的病變，需要採用不同的圖像處理和計算方法，基本原則是可以較好地實現圖像增強和圖像濾過，並達成通過上述設計好的處理過程，計算機得以將可疑病變從正常解剖背景中分離、顯示出來。
步驟二
圖像徵象的提取（特徵提取）或圖像特徵的量化過程。目的是將第一步提取的病變特徵進一步量化，即病變的徵象分析量化過程。所分析徵象是指對病變診斷具有價值的影像學表現，如病變的大小、密度、形態特徵等。
步驟三
數據處理過程。將第二步獲得的圖像徵象的數據資料輸入人工神經元網路等各種數學或統計算法中，形成CAD診斷系統，運用診斷系統，可以對病變進行分類處理，進而區分各種病變，即實現疾病的診斷。這一步中常用的方法包括決策樹、神經元網路(ANN)、Bayes網路、規則提取等方法，目前ANN套用十分廣泛，並取得較好的效果。
計算機輔助診斷的研究套用
計算機輔助診斷目前，CAD研究大多局限在乳腺和胸部肺節節性病變，在CT虛擬結腸內鏡（CTC）、肝臟疾病CT診斷、腦腫瘤MRI診斷等的CAD研究仍很少，而且較不成熟。因而，乳腺及肺結節病變的CAD研究基本上可以代表目前CAD在醫學影像學中的最高水平和現狀 。
