冯 琪，丁忠祥

(浙江大学医学院附属杭州市第一人民医院 放射科，浙江 杭州 310006)

早期诊断和早期治疗是提高恶性肿瘤治疗效果、降低死亡率的关键。影像学在肿瘤的诊疗中发挥着重要的作用，超声、CT、MRI和核医学等检查方法已成为诊断肿瘤疾病不可或缺的手段。但是这些常规影像检查常不能准确反映肿瘤的异质性。随着精准医学的发展和肿瘤个体化治疗的要求，常规影像技术已经不能完全满足临床决策的需要，影像组学(radiomics)应运而生。影像组学是一种新兴的、发展迅速的疾病诊断和辅助检测技术，使用一系列定性和定量的方法分析高通量图像特征，从医学图像中获取诊断、预测和预后信息。近年来，影像组学和深度学习成为医学影像领域的研究热点，尤其是在肿瘤成像领域。影像组学特征与肿瘤的基因表达、突变、组织病理学分级、微血管密度、肿瘤代谢和肿瘤侵袭性密切相关。影像组学技术不仅具有无创性，避免了样本活检的采样错误，而且能够对肿瘤整体进行精准定量分析，为肿瘤的早期诊断、预后和治疗提供了新的依据。

1 影像组学的发展

“影像组学”概念最早由荷兰学者Philippe于2012年提出[1]。事实上，这种分析医学图像的方法在影像组学这个术语出现之前就已经开始应用。比如，通过纹理分析技术证明图像特征反映病变异质性的潜力，证实影像组学特征与临床预后因素和临床终点之间存在统计学上的显著相关性[2-3]。Ganeshan等[4]对17例经病理证实的非小细胞肺癌(non-small cell lung cancer, NSCLC)患者的CT图像进行纹理分析发现，粗纹理及细纹理特征与肿瘤代谢及分期相关。Manduca等[5]使用数字化乳腺X线片进行病例对照研究，评估大量图像纹理特征与乳腺癌风险之间的关系。纹理分析是影像组学中有代表性的方法之一。

大量证据表明[6-7]，人类癌症经常表现出瘤内表型异质性，这种异质性可能对肿瘤的发生发展和治疗结果产生重要的影响。随着对癌症发生发展和癌细胞扩散分子机制研究的深入，体内医学成像在癌症研究领域的作用日益凸显。通过在体内对整个病变进行三维成像并利用现有影像组学分析技术研究癌灶异质性，使影像组学进入了个性化医疗领域。

2 影像组学研究方法

影像组学分析流程通常分为五个步骤：(1)图像获取与预处理：收集解决临床问题需要的数据集。由于使用不同的扫描仪器和不同的扫描模式，采集到的图像参数差别很大。如何获得标准的医学影像数据是当前影像组学研究中亟待解决的基本问题。图像预处理是大多数影像组学研究必须实施的，预处理方法包括配准、去噪、偏场校正、图像不均匀性校正等。图像预处理方法的选择目前还没有统一的标准。(2)感兴趣区(region of interest, ROI)分割：勾画出肿瘤目标区域，图像分割算法主要包括基于阈值的分割算法、基于边缘的分割算法和基于区域的分割算法。分割方法主要包括手动分割、半自动分割和自动分割三种。自动分割将成为未来影像组学研究的主要分割方法，可大大减轻科研人员的负担。(3)特征提取：经常提取的特征分为几大类，包括直方图特征、形状特征、小波特征、灰度共生矩阵和灰度长度矩阵等高阶特征，目前常用的特征提取软件有MaZda、Matlab、FSL和AK软件等。(4)特征降维：如何在复杂的医学图像中选择最具代表性的特征并恰当地描述其属性是影像组学研究的关键问题。特征选择方法主要包括常规的统计方法(t检验、单因素方差分析和相关性分析等)、最小绝对收缩和选择算子、主成分分析和最大相关最小冗余等等。从特征集中选择具有代表性的特征用于模型训练。(5)分类和预测：是影像组学的最终目标，也是临床应用的重点，完成影像组学模型的构建和验证。

3 影像组学的临床应用

3.1 肺癌 Kamiya等[8]对21例良性和72例恶性结节的密度直方图进行分析，发现恶性结节的峰度更高、偏度更低；Coroller等[9]选取127例NSCLC患者，研究发现提取的影像组学特征可以预测局部晚期NSCLC在新辅助化疗后的病理反应；另有研究[10]回顾性分析均接受化疗的141例I～IV期NSCLC患者的训练数据集以及3个外部验证数据集，发现锥束CT影像组学特征在NSCLC患者总体生存和局部复发中具有互补预后价值。无创的影像组学技术可以提高肺癌诊断的准确性，有利于预后预测，可有效地帮助临床医生做出正确的临床决策。

3.2 乳腺癌 Xie等[11]回顾性分析134例经病理证实的侵袭性乳腺导管癌患者，提出了一种结合传统统计和基于机器学习的两阶段特征选择方法，发现多参数MR影像组学的机器学习分析有助于乳腺癌免疫组化亚型的分类。Antunovic等[12]研究79例经过新辅助化疗的乳腺癌患者的PET图像，提取相关影像组学特征并建立多元Logistic回归模型，提出PET影像组学特征可作为局部晚期乳腺癌患者病理完全缓解率的潜在预测因子。乳腺癌是一种异质性很高的肿瘤，影像组学鉴别乳腺癌分子分型在临床诊断及治疗上具有较高的应用价值。

3.3 胶质瘤 Itakura等[13]从121例脑胶质母细胞瘤MR图像中提取定量图像特征，根据这些特征将患者分为3类，发现组间的患者预后差异显著，这种非侵入性的方法为胶质母细胞瘤的个性化治疗提供了重要信息。Su等[14]回顾性分析220例经病理证实的胶质瘤患者的T2FLAIR图像，提取了431个影像组学特征，揭示了影像组学特征与病理标志物之间的相关性，建立的多变量预测模型可以较准确地预测胶质瘤的组织学特征和生物学行为。这些研究结果表明影像组学技术能较好地实现脑胶质瘤的精准诊断和分级。

3.4 直肠癌 广东省人民医院刘再毅教授团队和中国科学院自动化研究所田捷教授团队合作，利用新兴的影像组学方法研究结直肠癌手术患者的资料，将影像组学特征和临床特征相结合，构建并验证了基于影像组学标签的预测诺模图，辅助临床术前对结直肠癌淋巴结转移进行定量预测[15]。影像组学在直肠癌研究领域取得了飞速的进展。

3.5 其他应用 国内还有很多学者致力于肿瘤影像组学研究并取得了一系列成果，包括肺癌、乳腺癌、胶质瘤、肝癌、直肠癌等常见肿瘤疾病的研究[16-20]。从这些研究可以发现，影像组学方法能够提供大量有价值的信息，可更好地辅助临床癌症诊疗。随着人工智能(artificial intelligence, AI)的兴起，许多科学家正在研究机器学习和深度学习的应用，影像组学研究又取得了重大进展。有学者提出了基于知识的多视图协作深度模型在胸部CT上分离良、恶性肺结节，分析9个视图平面上结节的表现和结节的异质性，采用自适应加权方案，取得了较高的分类效能[21]。以卷积神经网络为代表的深度学习技术也引起了研究者们的极大兴趣[22]。

4 影像组学目前存在的问题

影像组学作为一种非侵入性诊断手段，可用于肿瘤患者治疗过程的多个阶段，比如肿瘤的诊断、分期、放化疗方案制定、疗效及预后评估等。然而，目前的影像组学研究还存在一些问题。由于不同研究机构使用的图像采集方法、重建算法、ROI分割方法等存在差异，大多数影像数据没有实现标准化。另外，特征提取的工作流程非常复杂，涉及很多步骤，常常导致方法学报告不完整，因此目前很少有影像组学研究能够完全被复制。还有很多影像组学研究使用的是自己开发的软件，而这些软件并不为大众所共享。再者，用于影像组学研究的病例数量有限、假阳性率较高以及模型诊断效能过于乐观等因素都会影响结论的普适性。虽然机器学习在影像组学研究中占有重要的地位，在机器学习模型中使用的算法更像一个黑盒子，对其中细节的进一步说明仍在研究中。许多科研小组将影像组学方法应用于肿瘤的回顾性研究，缺乏基因遗传方面的数据，很少有研究涉及影像组学特征与患者基因组谱的相关性。大多数研究采取折中的解决方案，如选择组织病理和免疫组化分析，而不是基因组学。目前，放射肿瘤学家认为仅凭影像组学数据不能够决定患者的放射治疗方案，还必须结合临床和基因组学等其他信息。

5 总结与展望

影像组学研究为更好地实现癌症个性化治疗提供了很有前景的方法，目前已应用于多种肿瘤疾病的诊断、预后、组织分子分型及预测肿瘤基因表型。然而，影像组学技术还需要更好的标准化、更大的样本量和更稳定的影像组学特征来支撑，并努力建立与临床相关基因、病理特征和临床结果之间的关联，以提高研究质量，使之更好地应用于临床实践。

随着AI技术的不断进展，AI系统取代简单、重复的诊疗任务不可避免。我们不仅要了解影像组学这一领域的迅速变化，更要积极参与并推动这一领域的发展。最后，汇总多学科意见，加强放射专家、肿瘤学专家、生物学家、物理学家和生物工程师等多学科领域人才的协作，是影像组学未来的发展趋势。