听说师兄一个月发了2篇高分SCI？这是我可以展开说的吗？

解螺旋公众号·陪伴你科研的第2870天

拿来吧，高分SCI

大家好，这里是yangtaisu课题组论文经验交流现场。

坐在我对面的师兄，一个月之内中了2篇高分SCI，于是，我上来就忍不住问他：“师兄，知道大家需要投顶刊，会给大家点写作建议吗，比如课题方向之类的。

一向高冷的师兄冷冷地回答我说：“啊，大家需要的话。”

见师兄没有分享的欲望，我又问：“听说师兄去年接连撤稿，还有一篇二审中的也撤回了。可以展开说说吗？我听到的说法是因为试剂污染，boss下令撤的。师兄要辟个谣吗？

师兄听到这个问题差点惊掉下巴，翻了白眼，连忙回答我说：“哦哦，求你别再说了！我现在就跟大家展开分享下我的发高分SCI的宝藏课题方向——影像组学。还没接触过的师弟师妹们，你们一定要考虑一下这个方向！”

三师姐憋不住开口了：“师兄，你为啥会突然转方向去做这个影像组学呢？”

师兄：“这个嘛，我想大家应该还不知道，影像组学目前在医学影像科研界的热度很高，可以说是一片蓝海，不需要做基础科研就能发高分SCI，实在很适合我们实验技能差或是没什么时间做实验的医学狗。

我能在短时间内发高分文章就是最好的证明。影像组学绝对是咱们申请国自然、发SCI不可错过的优质赛道，现在我和大家一样急需高含金量的课题和高分SCI，于是我趁着大部队还没进来卷，赶紧开干。

以我个人的学习经验，使用影像组学的大多能在短短3个月的时间里发一篇3至5分的SCI。毫无疑问，它绝对可以及时拯救在座的。可以这么说，它是咱们晋升打擂台中获胜的法宝，也是咱们请求升职或是跳槽时，增加身价的利器......”

师兄还没说完，大家就都动心了，为了预防我再来烦他，师兄反手就分享给我们一篇影像组学达人小高老师的《影像组学花式玩法的七重境界》，以下是小高的独门秘诀，在此，送给大家毕业保命，升职加薪！

影像组学花式玩法的七重境界

今天我们来讲讲影像组学花式玩法的七重境界，包括入门篇（一到三重）和进阶篇（四到七重）。注：本次分享的是入门篇。

第一重：从预测变量X入手

影像组学的主要原材料就是影像，这也是影像科最方便拿到手的数据。整合多模态或者多靶区的玩法，可以说是影像口或者影像科的人员经常爱玩的套路。

如果有关注相关领域的标书或者课题的研究人员，应该会经常看到这样的标题：整合多模态的MRI影像组学用于预测XXX的研究。

传统的多模态指融合了CT、MRI、超声、PET等多种影像学技术的玩法，而现在的多模态也可表示单种影像设备中整合多个成像技术的方式。

多模态MRI指多个MRI序列的联合，比如在常规序列基础上整合DWI, DKI, PWI等功能序列；多模态CT包括平扫CT、增强CT、CT血管成像（CTA）和CT灌注成像（CTP）等；多模态超声包括有普通二维超声、弹性成像等。 

多模态文献示例：基于多模态超声影像的影像组学对肝细胞癌进行术前诊断和预测（PMID: 30419849）——采用了B型超声(BMUS)、剪切波弹性成像(SWE)和剪切波黏度成像(SWV)。 

多靶区是指对不同的区域进行研究。比如胶质母细胞瘤GBM除了整个肿瘤区域，肿瘤内还有多个子区域，如肿瘤增强区域（T1WI增强序列出现强化呈高信号）、非增强水肿区域（T1WI增强序列上不强化呈低信号，在T2WI、T2WI-flair序列呈高信号）。

展开来说，增强区域与致密肿瘤相关，破坏血脑屏障血脑屏障（BBB）的完整性，是外科手术切除的典型靶点；而非增强水肿区域，反映了细胞浸润和血管源性水肿的结合，该区域的肿瘤细胞对治疗的最终疗效具有深远影响。

那么除了肿瘤的子区域，其实还能对肿瘤周围区域进行研究，称之为瘤周区域。比如肿瘤区域融合瘤周区域的影像组学特征以预测早期非小细胞肺癌淋巴结转移。

多靶区文献示例：MRI影像组学鉴别低级别胶质瘤和胶质母细胞瘤瘤周区域（PMID: 34694564）——研究了低级别胶质瘤LGG的全瘤区域与GBM瘤周区域。

此外，结合临床因素也是个常见玩法，即把影像组学作为主变量，临床因素作为协变量。临床资料是我们在写文章时常规用到的最基本数据，主要包括基本人口学特征（如年龄、性别、疾病家族史）、肿瘤相关参数（如AJCC分期、病灶大小）、病理指标（如病理类型、分化程度）和血液指标（如白蛋白、中性粒细胞/淋巴细胞比值）等。

同理，影像学征象也可以作为协变量加入。

如果收集的数据中包含以往研究证明过的危险因素或保护因素，我们可以在建立影像组学模型的同时，构建临床/影像学/临床-影像学预测模型，再将各模型进行对比，以观察影像组学相比于传统模型是否更有价值，或者将各模型结合以获得最综合的模型。

还可以将影像组学与临床因素/影像学特征进行相关性分析、亚组分析等，以丰富文章内容。

结合临床因素文献示例：预测胃间质瘤复发和转移的新型CT影像组学诺莫图（PMID: 34249449）——建立了影像组学模型与临床模型，并将二者联合构建融合模型。

第二重：从结局变量Y入手

一起来思考这样一个问题，我们是不是可以采用相同的预测变量X，只对结局变量Y进行更换，就能获得一篇新的文章了？这当然是可行的了。不过要注意一个大前提，即Y具有临床意义与价值。

我们知道结局变量Y有远期疗效（如总体生存期OS、无进展生存期PFS）、近期疗效（如影像学的完全缓解CR/部分缓解PR/无变化SD/进展PD、病理学的病理完全缓解）、肿瘤相关参数（如肿瘤组织学分级、TNM分期）、病理指标（如脉管癌栓、PD-L1表达）和毒副反应（如II级以上放射性肺炎）等。

接下来就用文献来举例说明具体的Y玩法。

远期疗效文献示例：术前影像组学标志物预测 I 期非小细胞肺癌远处转移（PMID: 30527455） 难度系数：⭐⭐⭐⭐

近期疗效文献示例：基于MRI的影像组学诺莫图可预测局部晚期鼻咽癌诱导化疗反应及远期生存（PMID: 31372781） 难度系数：⭐⭐⭐⭐

肿瘤相关参数文献示例：整合原发肿瘤和淋巴结影像组学以预测胃癌的淋巴结转移（PMID: 32531334） 难度系数：⭐

病理指标文献示例：影像组学术前预测宫颈癌淋巴-血管侵犯（PMID: 34322375） 难度系数：⭐

毒副反应文献示例：影像组学预测免疫治疗相关性肺炎（PMID: 29075985）难度系数：⭐⭐⭐⭐

再来一篇大神级别的文章。

文献示例：对肿瘤免疫微环境进行无创性影像学评估以预测胃癌的预后（PMID: 32240794） 难度系数：⭐⭐⭐⭐⭐——无创性影像学评估，指的就是影像组学方法。先采用影像组学构建肿瘤免疫微环境（病理指标）的标志物，再进行生存分析（OS、DFS）（远期疗效）并预测化疗效果（近期疗效）以评估影像组学的效能。

这篇SCI既在病理层面进行研究，又在临床层面进行了分析，充分地验证了影像组学的价值。

第三重：从分析方法入手

对影像组学比较熟悉的朋友，就会发现影像组学的分析算法还是比较多样的，主流的是各种机器学习的算法，也有不少深度学习的算法。

所以，我们也能够从分析方法入手，比如数据处理方法、特征筛选算法、模型建立算法、深度学习等。

文献示例：基于机器学习的超声影像组学对原发性和转移性肝癌进行术前分类（PMID: 33447862）——基于Python的scikit-learn包采用多种建模算法，包括K最邻近法(KNN)、逻辑回归(LR)、多层感知机(MLP)、随机森林(RF)和支持向量机(SVM)。

在这里可能会有同学问了，这些算法难吗，有现成的代码可以用吗？

有自学过python、R语言或其他编程语言的同学，会发现说我们大多时候只是代码的搬运工。但是呢，搬运代码也是有技巧的。

比如想要找到具体功能的代码或碰到bug时，可以根据关键词进行检索，常用的网站有CSDN、stackflow、github等等。

此外，微信“搜一搜”的功能也十分强大，毕竟有那么多优质的公众号在，比如咱们的解螺旋。在我们即将推出的【分析算法】专栏，将会持续有具体算法和优质代码的讲解，敬请期待。

结语：

影像组学可以基于多模态、多区域影像（预测变量）开展研究，还可与临床指标和影像学征象（预测变量）等相融合，发展成为高效辅助诊断或预测的工具。它作为医工交叉的产物，其应用先进的计算机方法（分析方法）解决临床具体问题（结局变量），如肿瘤的定性、分级分期、基因分析、疗效评估和预后预测等。

篇幅有限，今天的影像组学花式玩法的七重境界之入门篇就分享到这里。进阶篇已在路上了，我们将为大家带来更多干货宝典。

据我所知，学完以上影像组学七重境界，很多人还是会陷入一看就会，一学就废的自学困境。

为了帮大家把握这个难得的发SCI、申请国自然机遇，进阶实战状态，解螺旋决定来拯救大家了，TCGA影像组学一站式挖掘服务正式开启！想要省时省力无中生有发SCI，乘风破浪的各位，看过来哈！