一、什麼是影像組學？

“組學”的概念已經流傳了幾十年，包括大家過去常聽到的基因組學、蛋白組學、轉錄組學等等。而在醫學影像方面，影像組學（Radiomics）的概念相對較新，最早由荷蘭馬斯特裡赫特大學精準醫學系Philippe Lambin教授于2012年提出。影像組學指從放射影像（CT、MR，也包括PET等）的感興趣區域（Region of Interest，ROI）中高通量地提取影像特征進行自動化分析，通過機器學習方法從其中提取關鍵的信息（也可以理解為biomarker），對病竈進行精準量化評估，并最終用于疾病的輔助診斷、分類或分級。與活檢相比，影像組學繼承了放射影像無侵入、可重複的技術優勢，為患者病情随訪和預後提供了更安全、更可靠的技術途徑。

Radiomics開篇之作

它引已超過2600次

二、怎樣開展組學項目？

如下圖所示，影像組學的步驟流程，大體上可以歸納為：1）影像數據準備；2）感興趣區勾畫；3）特征提取與降維選擇；4）建模分析。

影像組學課題全流程

1、影像數據獲取

不同設備廠商、同一廠商不同型号的影像設備在圖像掃描和重建協議上往往存在着很大的差異，迄今為止仍然缺乏統一的采集标準規範。這就可能給包含影像組學在内的衆多醫工結合項目造成了潛在的影響。盡管對數據存儲傳輸、圖像勾畫和算法運行速度帶來諸多不便，但為了最後的建模評估步驟能達到更好的效果，仍然推薦入組分辨率更高、信息量更為豐富的薄層數據。這些數據最好具有相同（或相近）的采集參數，以盡可能降低數據質量被各種成像因素的幹擾。目前，國内很多醫院都開展過腫瘤的影像組學相關項目，比如肺癌、肝癌、結直腸癌等等。但随着組學科研在全國乃至世界範圍内發生“内卷化”，課題總數據量和多中心研究都已經成為審稿中的決定性因素。這時，在繁雜的醫院數據中，既要嚴控數據入組條件，同時也要滿足項目所需的樣本數量，隻有兼顧兩者才可能取得最優的效果。

僅2020年，PubMed上搜索

标題/摘要含Radiomics的論文就已達1375篇

此外，多模态影像組學時代的開啟給醫工兩方面的研究者都提出了更大的挑戰。數據量的成倍增加、算法工程師的影像專業背景，都可能成為項目推進的阻力。這裡有非常重要的一點，要求影像醫生做好數據篩選：所有的影像醫工交叉項目，數據量的一大原則都是“貴精不貴多”——除了保留與病竈相關的必要序列外，不要有任何冗餘的圖像，否則會成為後續工作中非常不利的因素。至于質量不過關（如包含僞影、掃描序列不完整）、缺乏完整臨床指标的樣本，都是應該被排除在項目之外。

2、感興趣區分割

影像準備完畢，接下來的重要步驟是病竈ROI的勾畫，從而對照影像序列，進一步開展後續的特征提取。醫學圖像分割經過幾十年的發展，目前仍然保持了兩大類别：手動/半自動分割，以及全自動分割。

由于病竈的特質性和不規則性，手動/半自動分割仍然是現有條件下的最佳選擇，即使手動分割耗時較大，它仍然是金标準獲取的唯一途徑。課題中既可以采用3D Slicer、ITK-SNAP等傳統分割軟件，也可以嘗試像Pair等新興工具，甚至可以使用工作站日常診斷中的三維重建結果。全自動分割算法包括阈值/區域生長、分水嶺、水平集等，也有近年來非常火熱的深度學習算法。但很遺憾，盡管學術界和工業界都付出了相當大的努力，但迄今為止，仍然沒有高精度、全自動的通用分割模型可以完美地應用于影像科研的日常流程和基礎IT架構中，自動分割後ROI還是要醫生手動調整确認以保證項目的精度效果。在此做一個額外的推薦，組學課題ROI勾畫之餘，可以将它們保存下來，這就可能會形成下一個AI圖像分割課題的數據來源，也許又是幾篇論文發表的增長點。

繞不開的Slicer和SNAP

3、特征提取與降維選擇

影像組學特征由一系列傳統圖像特征的合集構成，既包含了一階梯度特征（區域内統計信息）、形狀特征（如形态學參數、圓形度等）、紋理特征（灰度共生矩陣、灰度區域大小矩陣、灰度遊程矩陣），也包含了各種圖形濾波變換後的特征，比如高斯-拉普拉斯變換、小波變換、平方根濾波等。這些特征都曾經在醫學圖像分析中有過較為成功的運用，而影像組學正是把高階的圖像特征聚集在一起、進一步提高分析結果質量的方法。每個影像組學特征都有着獨立的計算公式，現在在網上已經可以找到豐富的特征提取工具直接調用，而無需自行學習理解公式、手動編程計算。

時下流行的PyRadiomics組學工具包

提取完畢的影像組學特征，少則成百上千；有些“噱頭”概念也會在多模态 各種圖像預處理後形成高達十萬數量級的特征維度；目前還有一種流行的方法是将組學特征和臨床數據相互結合，以便最大化綜合各種層面的信息優勢。這個時候就需要采用一些特征降維和篩選的手段來對特征數目進行一定的限制，避免冗餘數據影響機器學習模型的精确和穩定性。常見的降維和篩選方法有主成分分析、相關性分析以及基于L1懲罰項的特征選擇法等——其實當維度達到一定級别的時候，再增加特征對最終的結果影響已經降到很低，反而嚴重增加了完成組學流程的時間和空間複雜度。

4、建模分析

課題中需要将樣本分為訓練集和測試集（遵循着7:3或8:2的原則），如果是多中心課題，可以根據不同醫院區分樣本，以其它醫院的數據做外部驗證的測試集，評價建模的魯棒性。

建模時首先使用訓練集，通過學習一個函數，找到各類樣本的最佳區分“界面”。常用的分類器包括了決策樹、邏輯回歸、随機森林、支持向量機（SVM）等。在建模過程中，為了減少過拟合和選擇偏差、保證更好的模型性能，常常會引入交叉驗證（Cross Validation）的方法。交叉驗證将數據的訓練集樣本切割成若幹較小子集，然後先在一個子集上做分析，而其它子集則用來做後續對此分析的驗證，并确定一些模型的參數。

模型訓練完畢後，再采用測試集進行組學預測結果和臨床标簽的對比，進行性能評估。常用于展現影像組學結果的圖或數值有ROC曲線、（95%置信區間下的）AUC值、敏感度、特異度、特征貢獻度、相關系數熱圖等。

ROC曲線與熱力圖

三、有哪些成功的案例？

剛剛提出影像組學概念時，Lambin教授在最早期的兩篇影像組學論文中采用了腫瘤組織為示例。此後，影像組學迅速在腫瘤相關研究領域拓展落地，例如：鑒别正常組織與癌症組織，進一步揭示圖像特征與基因表達的内在聯系，如基于CT圖像的原發性肝細胞肝癌、肺癌、頭頸部腫瘤識别，基于MR圖像的腦膠質瘤、肝囊腫和肝血管瘤識别，基于PET圖像的食道癌新輔助化療療效評估，以及各種腫瘤内部增強、壞死、水腫等區域識别。此外，影像組學也大量應用在腫瘤表型差異分析、良惡性診斷、預後評估與生存期預測等方向。随着研究者對組學理論和應用認識的不斷加深，目前它也外延到其它各類疾病的分類、良惡性預測和療效評估中，比如神經系統病竈、血管斑塊的預後等。

這兩幅圖想必大家都非常熟悉了

四、 影像組學走向何方？

雖然目前影像組學的處理流程已經日益完善，但很多環節仍存在着優化空間。1）在國内的大環境下，它往往需要醫工雙方人員的密切配合，如何能讓雙方更好地理解對方的工作流程和專業背景，安全、省時、高效地推進合作，是項目成功的首要前提。2）像上文中所說，在深度學習算法的不斷疊代出新後，開發全自動、高精度和高魯棒性的分割算法，是降低影像科醫生人工負擔的重中之重。3）影像組學其實是一個“新瓶裝舊酒”的概念，因此繼續挖掘各層信息的手段（比如設計新的特征或者引入新的濾波）是組學科研今後的突破難點。4）而在科研中取得進展後，篩選特征結果的可解釋性也成為了臨床關注的重點。5）最後，如何在放射科現有工作流程中不斷驗證改進，并最終從科研工具發展為解決臨床問題的輔助診斷工具，助力全周期的患者關護，還有很多的未知和空白需要探索。

感謝“天平動”博士的科普分享，也祝各位老師在探索影像組學的征程上一切順利！

參考文獻：

[1] Lambin, Philippe, et al. "Radiomics: extracting more information from medical images using advanced feature analysis." European journal of cancer 48.4 (2012): 441-446.

[2] Kumar, Virendra, et al. "Radiomics: the process and the challenges." Magnetic resonance imaging 30.9 (2012): 1234-1248.

文章來源于：北緯78度 作者天平動

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!