但是实际工作中，由于患者焦虑，过度诊断为“可疑”肺结节为恶性结节，随后对这些患者进行后续处理或治疗会导致不必要的成本和并发症，因为如果不治疗，这种情况可能并不会对患者不构成威胁。

所以研究者假设定量影像学图像特征（“radiomics”）能够通过基线时（T0）IPN特征准确预测第一次（T1）或第二次（T2）随访时发展为肿瘤。 Radiomics将医学图像视为可以挖掘信息的数据。

为了证实该假设，Samuel Hawkins教授等创建了匹配的CT筛查受试者队列，队列中的IPNs确诊为肿瘤或非肿瘤。从分割体积中提取大小，形状，位置和纹理等213个三维图像特征，开发预测分类器模型，可以通过基线特征预测肺癌的发生率。

研究者纳入NLST（ACRIN 6684）的公开数据中的104例和92例肺癌（SDLC）患者，然后将其与208例和196例良性肺结节（bPN）进行匹配。 从每个肺结节提取图像特征并用于预测随后发展成为肿瘤的可能性。

The top images are from a patient with a benign pulmonary nodule, bPN, in cohort 1. The bottom images are from a patient with a screen-detected lung cancer, SDLC group, in cohort 1. The T0 scans appear similar to the eye, and growth can clearly be seen on the T1 SDLC scan, relative to no growth of the T1 bPN scan. Select radiomic features from the T0 scans that discriminated the groups are shown in the text boxes.

最后研究者在随机森林分类器中使用23个稳定特征（大小、衰减率等）开发出最佳预测模型，并且可以预测1年和2年内出现癌变的结节，准确率分别为80％（AUC 0.83）和79％（AUC 0.75）。Radiomics优于Lung-RADS和体积。 McWilliams的风险评估模型与之相称。

所以，研究者认为Radiomics可以通过肺结节的CT基线特征评估发展为肺癌的风险。该预测模型可以为我们的临床工作带来便利，但需要更大量的临床样本予以矫正和完善。