深度卷积神经网络是一种功能强大的模型，已被广泛的应用于各种医学图像处理任务。尽管CNN在处理大规模数据时有着优秀的表现，但在处理时间序列下具有增长关系的数据时，由于它无法有效提取序列图像间完整的空间增长关系，因此CNN在处理时间序列相关任务时效果表现不佳，而基于Transformer的模型可以通过自注意力机制来克服上述问题。本文提出了一种时间序列下双流增强的肺癌生长演变预测模型（DSGNet）。DSGNet充分利用CNN以及Transformer的优势，通过基于CNN的分支来提取肿瘤的静态特征，并用多尺度的方式进行加强所提取到的特征表示。用基于Transformer的分支来获取肿瘤序列图像间的顺序依赖关系，该分支的核心组成部分是本文所提出的多头自注意力层，该分支将病灶序列图像映射成一个特征映射序列，然后将特征映射序列输入包含有多头自注意力的深度网络中，并从多期病灶序列图像的特征映射中，提取完整的肿瘤间生长关系。本文在肺癌NLST以及合作医院的数据集上评估本文所提的算法，综合研究的实验结果表明，DSGNet对肿瘤生长预测的Precision达到了92.45%、Dice系数为82.78%，相比与其他的肿瘤预测算法，本文所提DSGNet在各方面都有一定程度提升，且在多方面被证明能够应用于临床研究。