تصنيف سرطان الرئة في فحوصات التصوير المقطعي المحوسب (CT) هو أحد أهم المهام للكشف المبكر عن هذا المرض. يمكن إنقاذ العديد من الأرواح إذا تمكنا من تصنيف العقد الرئوية الخبيثة/السرطانية بدقة. نتيجة لذلك، تم اقتراح عدة نماذج تعتمد على التعلم العميق مؤخرًا لتصنيف العقد الرئوية على أنها خبيثة أو حميدة. ومع ذلك، فإن التنوع الكبير في حجم هذه العقد ومظهرها غير المتجانس يجعل هذه المهمة تحديًا شديد الصعوبة. نقترح شبكة تقدمية متنامية مع الانتباه للقنوات غير المحلية (ProCAN) لتصنيف العقد الرئوية. يعالج الطريقة المقترحة هذا التحدي من ثلاثة جوانب مختلفة. أولاً، نثرّي الشبكة غير المحلية بإضافة قدرة الانتباه حسب القنوات إليها. ثانياً، نطبق مبادئ التعلم التدريجي (Curriculum Learning)، حيث نقوم بتدريب النموذج أولاً على الأمثلة السهلة قبل الصعبة. ثالثاً، مع زيادة صعوبة مهمة التصنيف أثناء التعلم التدريجي، يتم تطوير نموذجنا بشكل تدريجي لزيادة قدرته على التعامل مع المهمة الحالية. قدمنا اختبارات لمETHOD المقترحة على مجموعتين مختلفتين من البيانات العامة وقارنا أدائها مع أفضل الأساليب الموجودة في الأدب العلمي. تظهر النتائج أن نموذج ProCAN يتفوق على أفضل الأساليب ويحقق دقة تصنيف (AUC) بنسبة 98.05٪ ودقة بنسبة 95.28٪ على مجموعة بيانات LIDC-IDRI. بالإضافة إلى ذلك، أجرينا دراسات تقليصية موسعة لتحليل مساهمة وتأثير كل عنصر جديد في الطريقة المقترحة.请注意，"METHOD" 应该是 "الطريقة" 或 "الشبكة" 更为合适，这里我选择了 "الطريقة". 如果需要更正，请告知。