一、影像组学的提出

整合如上信息可以优化患者的个体化治疗策略

图1：表示整合如上信息可以优化患者的个体化治疗策略

图2：可从计算机断层扫描（Computed Tomography，CT)看解剖结构 、磁共振检查（Magnetic resonance，MR）功能成像、及正电子发射型计算机断层显像（Positron Emission Computed Tomography，PET）等分子成像的影像图像中获取信息。

因为临床日常工作中会产生大量的影像图像，资源丰富，且无创，是对患者友好的检查方法。所以上篇文章抛砖引玉后，2014年Hugo J.W.L. Aerts等就首次用非侵入性成像的定量影像组学方法来解码肿瘤表型，该模型在肺癌及头颈部肿瘤中创建¹，纳入了1019名患者，提出这是一个前所未有的创新机会，以无创及低成本改善癌症治疗的决策，掀起影像组学研究热潮。我们来一起看看2014年发表的这篇文章（ DOI: 10.1038/ncomms5006 ）。

图1：从CT图像中提取影像组学数据。(a)同种肿瘤仍有不同之处。肺癌患者的计算机断层扫描(CT)图像示例。左边是CT图像，右边为三维可视化立体成像。注意哦，常规CT成像可以捕捉到强烈的表型差异，如肿瘤内的异质性和肿瘤形状。(b)从图像中提取影像组学数据的方法。（I）有经验的临床医生在所有CT片上勾画出肿瘤区域。(II)从CT图像上定义的肿瘤轮廓中提取特征，量化肿瘤强度、形状、纹理和小波纹理等影像组学特征。（III）将影像组学特征与临床数据和基因表达数据进行比较。

 小结 

影像组学可以将肿瘤的异质性信息量化，提取成像基因表达矩阵一样的高通量数据集，并可以和其他组学或临床等数据集联合分析，快赶上最近火热的多组学研究热潮丫。

图2：分析数据。

将定义的影像组学特征算法应用于7个不同的数据集。

该文使用两个数据集，一个来自公共数据库RIDER的31例test-retest CT和21例由5位（大多数文章为2位以上）肿瘤科医师勾画的CT图像，共同测试影像组学特征的稳定性（测试特征稳定性为影像组学必须流程）、（图中均为橙色方框表示）。

Lung1数据集以422例非小细胞肺癌(NSCLC)患者作为训练数据集。

采用Lung2(n=225)、H&N1(n=136)和H&N2(n=95)作为验证数据集。

Lung3数据集(n=89)用于说明影像组学特征与基因表达谱的关联。

在多因素分析中，在验证数据集中只验证了训练集筛选出的4个影像组学特征。

 小结 

这一分析过程主要筛选和验证，先把稳定影像组学特征筛选出来，再将稳定的特征进一步从中筛选出最主要的4个。（常用方法有单因素或多因素、lasso回归，随机森林等）

图3：影像组学特征热图。(a)肺癌患者的无监督聚类(肺1组患者，n=422)和影像组学特征(n=440)，显示了具有相似影像组学特征的患者簇。(b)影像组学特征与原发肿瘤T分期、总分期、和组织学分级的相关性都有统计学意义（卡方检验）。(c)影像组学特征与T、N、M及组织学分级的对应关系。

 小结 

影像组学特征数据集可以和基因表达谱一样，做无监督聚类热图，并且临床分期和病理分级做相关，所以我们会经常看到用无创的影像组学去预测病理和分子信息，为那些拒绝做有创检测的患者带来福音。

图4：影像组学特征的预后情况及与基因表达的相关性。(a)影像组学特征的Kaplan-Meier曲线显示了在肺癌数据集（左)和头颈部癌症数据集(右）上的影像学特征的情况。用虚线和实线分别代表大于和小于4个影像组学特征的中位值，用不同颜色代表来自不同医院的人群，发现无论来自哪个医院的患者，都可以用影像组学特征的高低将其分为预后有统计学差异的两组患者。说明影像组学特征的预后分层不受人群影响。该特征建立在Lung1(n=422)建立后，Lung2（n=225）和H&N1（n=136）和H&N2(n=95)验证数据集，得到C-index都在0.7左右（Wilcoxon test）。(b)Lung3数据集使用基因集富集分析(GSEA)来展现影像特征特征和基因表达的关联(n=89)。在四个影像组学特征中至少有一个显著富集的基因集(FDR=20%)用星号表示。GSEA的主要统计的所有影像组学特征的归一化富集分数(NES)，显示在热图中，其中浅蓝色表示低，深蓝色表示高NES。

 小结 

这样初步将影像组学进行生存预后分层及基因富集分析相联系，可为以后更多联合影像组学的多组学研究的探索打下基础。

二、影像组学走向标准化

然而，在影像组学刚兴起时，大家各自用各自的代码，影像组学特征也不统一，使影像组学的推广具有局限性。后面为了解决这一问题，世界各地做影像组学的学术带头人就把各自的代码和特征公式都进行了统一，文章于2020年发表于Radiology。

原文连接（https://doi.org/10.1148/radiol.2020191145）：

 背景 

影像性组学特征可以量化医学成像中存在的特征。然而，缺乏标准化的定义和有效的参考值阻碍了临床的应用。目的：标准化一组174类影像性组学特征。材料与方法：分三个阶段评估影像性组学特征。在第一阶段，从174类特征的基本集合中得到了487个特征。25个研究团队具有独特的影像组学软件系统，直接从数字图像中计算特征值，而不需要任何额外的图像处理。在第二阶段，15个团队使用肺癌患者的CT图像和预定义的图像处理配置后，计算了1347个派生特征的值。模态值的频率和分类如下：少于三个匹配，弱；3到5个匹配，中等；6到9个匹配，强；10个或更多的匹配，非常强。在最后阶段(III期)，使用51例软组织肉瘤患者的多模态图像(CT、氟18氟脱氧葡萄糖PET和T1加权MRI)前瞻性地评估标准化特征的可重复性。

 结论 

标准化了169类影像组学特征，使不同的影像组学软件能够进行验证和校准。

图1：研究概况流程图。典型影像组学分析的工作流程从医学图像的获取和重建开始。随后，对图像进行分割，以定义感兴趣的区域(ROI)。随后，使用影像组学软件来处理图像和计算感兴趣区域（ROI）的特征。我们专注于标准化的图像处理和特征计算步骤。标准化在两个迭代阶段内进行。在第一阶段，我们使用了一个专门设计的数字影像来直接获得影像组学特征的参考值。在II期，使用肺癌患者的公开CT图像来获得标准化一般影像组学图像处理方案的预定义配置下的特征的参考值。通过评估51例软组织肉瘤患者的公开多模态患者队列中标准化特征的重现性，对影像组学软件中图像处理和特征计算步骤的标准化进行了前瞻性验证。18F-FDG=氟18氟脱氧葡萄糖，t1w=t1加权。

 小结 

影像组学特征标准化的方法流程，展示了方法和样本量

这里只是列举了特征分类及数量，具体每个特征的公式在补充文件，如下有目录截图，本君经下载好，给各位可爱享用。可通过网盘领取。

就把每个影像组学特征想象成数学公式描绘出的一维，二维和三维的东西，比如影像科医生描述的形状不规则，我们就可以用数学体积定量的方法来量化所说的不规则。用体积，表面积，表面积和体积比等等特征去描述。

那么基于现在越来越成熟的影像组学我们有些机遇？

田捷教授的许多成果令人鼓舞，那么小白如何开启自己的小课题？期待下次有机会再聊聊。

百度浏览   来源 : 挑圈联靠 作者 君君   

版权声明：本网站所有注明来源“医微客”的文字、图片和音视频资料，版权均属于医微客所有，非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源：”医微客”。本网所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，转载仅作观点分享，版权归原作者所有。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。 本站拥有对此声明的最终解释权。