影像学是医学检查中的一项重要技术，用于辅助临床决策。影像组学(radiomics)作为一种新兴的、人工智能化的影像学分析方法，应用强大的计算机图像处理能力和多元的大数据挖掘方法，从保存有研究相关信息的数字加密医学图像(CT、MRI、PET等)中，提取人眼无法识别的多维特征，如形状特征、一阶特征和经滤波器转换的高阶特征。这些特征可精准量化图像中ROI的表型及微环境信息，同时避免人工阅片带来的主观差异。因此，影像组学进行特征提取的目的，是通过量化医学图像上的各种ROI表型描述其异质性。利用提取的上千个特征作为临床结果的自变量，结合其他信息，采用特征降维方法生成特征空间，并利用机器学习算法，建立具有诊断、预后或预测价值的模型，为个体化精准诊疗提供有价值的信息[1]。

本文以"影像组学""放射组学""机器学习"和"radiomics""machine learning"为中英文关键词，在中国知网、万方数据和PubMed等数据库中检索2020年2月前发表的与影像组学研究相关的文献932篇，其中中文258篇、英文674篇。文献的纳入标准：(1)医学证据水平等级较高；(2)研究方法可靠，质量较高；(3)与影像组学分析流程与临床应用密切相关。排除标准：内容不符、质量差、重复研究、存在设计缺陷。根据纳入、排除标准，最终纳入37篇文献，包括16篇中文、21篇英文。本文从影像组学的分析流程以及影像组学技术的临床应用等方面进行总结。

影像组学研究可分为四个阶段：数据收集、图像分割、特征提取及模型建立，见图1。

图片

图片

影像数据来源广泛，最常见的有MRI、CT、PET、超声等数字图像。通常，对肿瘤的影像分析应与临床可用的结果(如生存率、是否转移)相关联，在前期明确研究方向后收集相关数据[2]。

相关研究表明，在影像组学研究过程中，数据收集应注意以下问题：(1)为避免过多特征组建的模型产生过拟合现象，数据集应尽可能包含更多的样本量。样本量≥30，研究数据才足以支撑统计模型；样本量≥80，建立的机器学习算法模型的均方根误差才低于0.01；对于线性模型，特征确定数量与分析样本量的比例为1∶10左右[3]。(2)肿瘤的影像组学特征是根据研究者勾画的肿瘤ROI计算，当肿瘤尺寸过小时，部分特征会没有意义甚至无法计算[1]。(3)在影像组学研究中，为获得更准确的结果，需要避免各种伪影，使用同一机型扫描，造影剂用量、层厚、层间距、管电压/管电流等尽量保持一致，以减少图像的异质性。若采用多中心影像数据，应注意影像特征提取前的标准化过程[3]。

分割方式包括自动分割及手动分割。影像组学研究中，分割区域决定了影像的被分析体素，分割的可变性操作会直接导致影像组学特征提取的偏差[1]。目前，可供科研工作者使用的影像分割工具有3D Slicer、ITK-SNAP和MITK等[4,5,6]。图像分割是影像组学研究中最关键、最具挑战并最具争议性的一部分：关键性在于后续提取的海量特征值来源于被分割的ROI；挑战性在于许多肿瘤边界不清，对分割技术提出一定要求；争议性在于图像分割究竟是求实还是再现，以及多大程度依赖手工分割或自动分割。目前形成共识的是通过计算机辅助边缘检测及人工筛选可以实现最优的可重复分割[7]。但是，不同操作者对肿瘤进行分割时，分割结果变异率较高，需要进行一致性分析以保证数据的可靠性；而对于正常的结构分割(如骨骼元素和器官)，可以实现完全自动化[8]。对于前期样本量较小或ROI边界识别不清的情况，手工分割仍然占据主要位置。由于不同研究者间手动分割方式存在主观差异性，因此，进行多次图像分割、计算前后ROI特征的一致性来验证提取影像特征的稳定性十分必要。

高通量提取定量图像的特征以表征ROI，是影像组学的本质。目前常用的影像组学特征包括四大类：(1)一阶统计量特征，如图像ROI的最小值、最大值、中位数、均值等；(2)空间几何特征，如体积、表面积、球形度、最大直径等；(3)纹理特征，如灰度共生矩阵、灰度行程矩阵、灰度级带矩阵、邻域灰度差分矩阵等；(4)变换特征，如对数变换、指数变换、小波变换、平方根变换等。值得注意的是，采用不同的图像预处理(如滤波或强度离散化)及图像重建(如滤波反投影或迭代重建)方法，可得到不同的影像组学特征[9]。此外，在应用特征提取算法时，特征命名和软件实现等方面都存在差异。因此，为了促进影像组学特征的互操作性，必须阐明命名、算法、软件实现和其他方法论方面的差异[10,11]。

影像组学模型建立包含三个方面：特征选择、模型建立和模型验证。

特征选择是在大量可能存在的影像组学特征数据集下驱动的；为了实现模型的完整性、应用性，还应考虑影像组学之外的特征，如临床记录数据、治疗过程中所获得的生物学如基因数据等[12]。特征选择不经过变换，直接从原始特征集中选择目标特征。根据算法过滤器数量、特征类别和其他可调参数，选择的影像组学特征数量可以无限多[12]。但一个模型若包含所有可能的特征，无疑会导致过拟合问题。因此，对特征进行预处理，消除对变量源表现不稳健特征、特征间高度相关的特征，并结合降维技术，选出可重复性好、信息量大且无冗余的特征，可有效避免过拟合问题的产生。数据分析过程中，针对原始特征，可采用方差阈值法剔除变化范围小的特征；针对单个特征与自变量的关系，可采用Pearson相关系数、互信息和最大信息系数等方法，按照某一阈值进行特征筛选；针对特征与自变量的函数式关系，可采用回归模型与非回归模型进行特征降维；也可以采用反复构建模型的方式，最终选出最优的特征，如递归特征消除法。见图2。

图片

图片

确定影像组学应用的最佳机器学习算法是达到精准预测的关键步骤[13]，因此，模型建立应使用多种机器学习算法反复试验，并对模型实现过程进行全面记录。模型选择与研究者的偏好及经验相关，根据不同的目标问题，影像组学可以选择不同的算法模型[14]。根据数据是否存在标记结果，机器学习算法模型可分为有监督学习、无监督学习及半监督学习：(1)有监督学习模型需要明确的输出以作为算法学习的依据，常用的有监督分类器包括决策树、支持向量机、贝叶斯分类器等。(2)无监督学习模型，通过距离判定规则将新样本划分到相应的类别中。常见的无监督分类器包括K均值、高斯混合聚类、密度聚类等[15]。(3)半监督学习，将有监督学习及无监督学习结合起来，同时使用标记数据和未标记数据，在减少人力的情况下保证较高的准确性。常用的半监督模型包括图论推理和拉普拉斯支持向量机等。见图3。影像组学中，模型的算法选择已被证明会影响预测性能[1]。因此，研究者应选择不同的算法模型进行分析，直至模型达到最大预测性能。此外，研究者所报告的内容，读者是否能完全可重复实现，也是影像组学研究的关键。理想情况下，这个目标可以通过提供软件代码实现。

模型建立后必须进行内部验证，理想情况下，还应进行外部验证[16]。较之于内部验证，外部验证模型更可靠，因为外部验证模型数据普遍被认为更具独立性、更加强了验证力度[17,18]。研究工作中，对于训练数据和验证数据，都应该说明其所用的统计学方法，有效模型在训练集和验证集中应表现出统计学一致性。模型验证过程中，通过辨别和校准来衡量模型性能。辨别通过ROC曲线及其AUC表示。AUC值量化了模型的灵敏度和特异度，其意义为：随机选择匹配结果的患者较不匹配结果的患者，被预测模型正确分配到该结果的概率更大[19,20]。校准则反映观测结果与模型预测结果的一致性，可用校准图和斜率校准表示。布里尔分数(Brier score，预测误差平方的平均值)可衡量模型整体表现。

应用影像组学技术，结合不同机器学习算法模型，可以对不同肿瘤进行早期诊断预测。唐玉洪等[21]通过梯度提升决策树联合矢状面影像组学特征，能高效诊断早期肺腺癌侵袭。李定杰等[22]对33例经过放疗的食管癌患者的研究显示，CT图像的特征数据能够早期预测放疗的疗效。王苏丹等[23]将无创的影像检查技术与基因组学技术整合成放射基因组学，为实现肝细胞癌的无创早期诊断提供可能。此外，影像组学还可用于其他疾病的早期诊断研究。Neisius等[24]采用支持向量机分类器对高血压性心脏病和肥厚性心肌病进行分类预测，最终选择了6个纹理特征用于这两种疾病的诊断，支持向量机在训练集和测试集(4∶1)的AUC分别为0.862和0.800。张臻等[25]基于肺癌患者胸部定位CT图像，对行根治性调强放疗的86例Ⅲ期非小细胞肺癌患者进行放射学肺炎诊断研究，通过融合影像组学特征与临床特征进行支持向量机模型构建，采用5折验证方式检测模型预测性能，最终测试集平均AUC为0.71，证明影像组学在放射性肺炎上具有诊断价值。

多项研究证明，组合多种影像组学特征能够显著区分早期和晚期肿瘤，利用其他治疗信息，还可对肿瘤类型早期预测。刘平平等[26]基于CT影像数据采用ReliefF算法筛选出14个纹理特征用于支持向量机建模，实现胃肠道间质瘤的良恶性鉴别，结果显示，该模型于验证集的AUC和准确率分别为0.852、0.831。张文等[27]基于病灶三维图像提取影像组学特征，利用LASSO算法进行特征筛选并采用ROC曲线评价影像组学标签对三阴性乳腺癌的鉴别诊断效能，结果证明，术前分期CT建立的影像组学标签有助于三阴性与非三阴性乳腺癌的鉴别。此外，舒震宇等[28]从T2WI图像提取的328个纹理特征中筛选出7个预测因子，结合多因素logistic回归模型，实现直肠癌同步肝转移精准预测(训练集和验证集的准确率分别为0.862和0.844)。由此可见，早期运用影像组学特征进行肿瘤分期识别，有助于临床医生选择最佳的治疗方案。

在许多疾病类型中，影像组学特征也被用于恶性组织和其他组织的鉴别。20世纪90年代，Lerski等[29]首次报道从MR T1WI和T2WI的二维病灶图像中获得的纹理特征，能够区分脑肿瘤患者的肿瘤组织、脑脊液、白质和灰质等信息。近期，杨熠等[30]基于18例乏脂肪血管平滑肌脂肪瘤和肾透明细胞癌患者的CT图像，建立KNN、Rand Forest、支持向量机和AdaBoost四种机器学习模型进行两者的鉴别诊断，证明支持向量机模型最能提高这两种疾病的分类准确率。潘洁琳等[31]基于平扫T1WI和T2WI-压脂两个序列数据的影像组学技术对软骨肉瘤与内生软骨瘤进行鉴别诊断，采用方差选择法、单变量特征选择、最小绝对收缩与选择算子算法对组学特征进行筛选和降维，采用多因素logistic回归分析基于T1WI和T2WI-压脂序列构建的组学模型，并与放射科医师常规MR序列的诊断效能进行对比，结果显示，T1WI、T2WI-压脂序列组学模型与常规MRI诊断的AUC分别为0.955、0.901、0.569，说明两个序列的组学模型诊断准确性均高于放射科医生的诊断效能(P<0.01)。陈永晔等[32]回顾性分析61例脊柱转移患者的MR动态对比增强序列影像，提取了3个影像组学特征，利用随机森林、卷积神经网络和卷积长短时间记忆神经元网络进行脊柱转移鉴别诊断。结果显示，影像组学诊断的准确率为0.71,卷积神经网络和卷积长短时间记忆的平均诊断准确率分别为0.71、0.81。证明影像组学技术和深度学习技术均可为肺癌脊柱转移的诊断提供有价值的信息。

利用影像组学进行辅助诊疗的疗效预测，也是当下研究热点之一。李华秀等[33]回顾性分析了168例新辅助治疗后行根治术的局部进展期直肠癌患者，利用CT影像组学特征结合临床特征建立logistic回归模型，实现局部进展期直肠癌新辅助治疗效果预测。孙跃军等[34]基于70例介入治疗的大肝癌患者术前MRI的影像组学特征进行大肝癌近期进展风险预测，使用Pearson相关系数剔除冗余特征、mRMR特征排序方法筛选，得到组学标签，结果显示准确率为0.714，证明基于MRI的影像组学特征能对介入治疗的大肝癌进展期风险进行预测，为联合治疗提供有价值的参考。李宁等[35]对43例局部晚期直肠癌新辅助同步放化疗患者的DWI序列进行放化疗反应的有效性研究，通过重复20次分层4倍交叉验证评估模型性能，结果显示，使用基于深度学习技术构建模型的平均AUC为0.73(标准误为0.58～0.80)。此外，CT和MRI影像结合临床数据、生物学标记物等信息，运用于咽癌、胃癌、肝癌、肺炎、肌骨等领域的疗效及预后预测，已有大量的研究报道[36,37]。影像组学、基因组学、病理组学及其他治疗信息的结合，在患者的预后预测方面存在极大的研究空间。

影像组学虽然能够实现各种疾病的无创早期诊断、疗效预测、生存分析等，但同时该技术也存在以下局限：(1)精准医疗时代，每个患者都存在数十亿字节数据，而影像组学数据则为其中的重要组成部分。然而，数据收集宽泛、多重共线性产生、计算成本增大成为大数据时代难以避免的问题。(2)由于医疗数据采集成本高昂，影像组学前期研究中普遍存在样本量偏小问题。随着医疗数据的不断积累及多中心合作研究趋势的加强，一定程度上解决了研究者们数据集较小问题。但从不同设备上收集数据，难以保证图像质量、重建算法、参数设置的信息的统一。即使使用同一台设备收集数据，对比剂的用量、扫描层厚、脉冲序列、成像深度等参数不同，也会对图像质量产生影响。因此，要获得相同或相似参数的大量影像数据十分困难，导致研究者们往往基于大量非标准化数据进行相关研究。(3)由于数据归属、权益分配、文化、管理等各方面差异，让数据共享成为增大研究样本量的难点。同时，考虑到数据安全、患者隐私等问题，数据储存也是一项庞大的开支，增加科学研究的直接成本。

影像组学技术早期仅用于无创评估放疗效果和鉴别肿瘤类型，目前已发展成为融合影像、病理、基因、临床等信息的辅助诊断、分析和预测工具，成为全球临床医学和生物医学工程领域的研究热点，涉及多类疾病的智能筛查、诊断、治疗和评估，并取得了相当乐观的结果。今后，影像组学技术将会进一步得到临床医生在多学科、多疾病中的研究及可重复性检验。同时，处于发展中的影像组学正面临一系列的机遇与挑战，例如，人工进行ROI的病灶分割耗时耗力，自动分割算法的鲁棒性和精确度却无法保证。但随着深度学习日益广泛地推动，基于深度学习的分析预测方法将是影像组学技术未来的发展方向之一。

利益冲突　所有作者均声明不存在利益冲突