李惠明 张军*

胶质瘤是成人中最常见的原发性脑肿瘤[1]，高级别胶质瘤的放化疗后中位生存时间仅12.8个月[2]，胶质瘤的分级诊断、放化疗后影像学评估、对胶质瘤生存期的预测一直是临床及科研工作者关注的重点。MRI是目前临床上诊断及评估脑胶质瘤最重要的方法，但有时胶质瘤的影像表现不典型会使得诊断及其与一些非肿瘤组织（例如瘤周水肿和治疗后改变）的鉴别变得困难，人工诊断及评价胶质瘤需要耗费大量的时间和精力，而基于影像组学的人工智能（artificial intelligence,AI）技术诊断胶质瘤有助于提高诊断效率。

1 AI及影像组学概述

AI是人类智能在机器上的模拟，即让计算机“学习”和“解决”问题。目前阶段的AI十分依赖于大数据，医学影像学的大数据即影像组学。影像组学是高通量地从医学影像中提取大量特征，采用自动或半自动分析方法将影像数据转化为具有高分辨率的可挖掘数据集[3]。相较于仅仅从视觉层面解读医学影像，影像组学可深入挖掘影像的生物学本质，并提供临床决策支持。影像组学工作流程如图1所示。采用不同算法可以实现计算机“学习”影像组学的大数据，将影像学特征整合至预测模型，提高整合效率和精确度，进而实现AI“诊断”。

1.1 工作流程 主要包括图像预处理、图像分割和特征提取。预处理包括图像去噪、图像增强等操作。图像分割是基于像素的特征（如颜色、形状或纹理）将图像划分为不同区域以挖掘信息，精确地将胶质瘤瘤体的不同成分进行分割，不仅可以辅助分级诊断与鉴别诊断，还可以为评估治疗反应、预测生存期提供重要的证据。……