2012年荷兰学者Lambin在先前学者工作的基础上提出了影像组学(Radiomics) 的概念[1]。Lambin认为“高通量地从医学影像中提取大量特征，通过自动或半自动分析方法将影像学数据转化为具有高分辨率的可挖掘数据空间”医学影像可以全面、无创、定量地观察肿瘤的空间和时间异质性。Kumar等又对影像组学的定义进行了拓展，影像组学是指从CT、PET或MRI等医学影像图像中高通量地提取并分析大量高级且定量的影像学特征。这个理念的提出在随后的七年迅速被越来越多的学者改进与完善。
所以，从概念可以知道最基本的信息：
1）影像组学的基础是影像数据；
2）影像组学是针对肿瘤的；
3）影像组学研究依靠大量潜在影像信息；
4）影像组学研究绝大部分包含统计方面的数据挖掘工作；
5）辅助临床医师进行诊断。
一、影像组学的主要应用包括：
1.组织定性研究；
2.肿瘤的基因分析；
3.临床分级分期；
4.疗效评估和预后；
5.更多有趣的研究方向和方法不断涌现。
二、影像组学主要步骤及流程
1.标准医学影像数据获取和筛选：数据收集前，首先需要根据明确的研究方向进行数据筛选，例如做肿瘤分型或肺炎分型的鉴别诊断，所选影像数据是否有病理或病原学检测金标准进行对照；做影像学疗效评估时，是否具有多期治疗相应的影像资料匹配等。
2.ROI勾画：这一步很多软件都能做到，如下图。请留意使用的工具应能勾画三维的ROI，并且体素大小、层间距等几何信息能计算准确，否则跟形态/轮廓相关的特征会计算错误。
3.特征提取：影像组学的核心步骤就是提取高通量的特征来定量分析ROI的实质属性。常将影像组学特征分为形状特征(Shape features)、一阶统计学特征（First order statistics features）、纹理特征 (texture-basedfeatures)、高阶特征(high-order features)以及基于模型转换的特征。
现在有很多平台可以实现影像特征提取的功能，比如Artificial Intelligent Kit（A.K.）、Mazda，IBEX，3D Slicer，PyRadiomics等。
4.特征选择（降维）上述通过特征提取，提取到的特征数量可能有几百到几万不等，而并不是每一个特征都与要解决的临床问题相关联；另一方面，在实践中，由于特征数量相对较多，而样本数量较少，容易导致随后的模型出现过拟合的现象，从而影响模型的准确率。
特征选择方法有很多：
1）过滤式：卡方检验、信息增益、相关系数（初步使用，但通常会筛掉大部分特征）；
2）包裹式：递归特征消除（反复的构建模型，然后选出最好的特征）；
3）嵌入式：岭回归、lasso回归（使用频率最高）
4）机器学习模型：支持向量机、决策树（DT）、随机森林（RF）等（虽然这些机器学习模型自带了特征选择功能，能自动对特征的重要度进行排序）。
5.建立模型与应用：针对医生具体的临床问题，在临床研究问题标签的基础上建立由上述特征筛选出来的关键特征，或进一步结合影像组学以外的特征（如临床体征、病理、基因检测数据）组合而成的预测模型。组学分析中常用的机器学习模型大多既可以做分类也可以做预测，如logistics、SVM，KNN，DT（RF，GBDT，XGBOOST：贝叶斯、神经网络等。实际操作中SVM和RF两个模型表现相对稳定。神经网络虽然特别火，但样本量小（不超过1000）时，不建议使用。
联系客服
