影像組學的前沿研究與未來挑戰

郭 翌，周世崇，余錦華，汪源源，常 才

1. 復旦大學電子工程系，上海 200433；

2. 上海市醫學圖像處理與計算機輔助手術重點實驗室，上海 200032；

3. 復旦大學附屬腫瘤醫院超聲科，復旦大學上海醫學院腫瘤學系，上海 200032

·專家述評·

影像組學的前沿研究與未來挑戰

郭 翌1,2，周世崇3，余錦華1,2，汪源源1,2，常 才3

1. 復旦大學電子工程系，上海 200433；

2. 上海市醫學圖像處理與計算機輔助手術重點實驗室，上海 200032；

3. 復旦大學附屬腫瘤醫院超聲科，復旦大學上海醫學院腫瘤學系，上海 200032

郭翌，復旦大學信息科學與工程學院高級工程師，碩士生導師，電子工程系教師黨支部書記，上海市生物醫學工程學會生物醫學信息專業委員會委員。主要研究方向為醫學成像及醫學圖像處理與分析。主持國家自然科學基金青年基金和上海市科委青年科技英才揚帆計劃，先后參與科技部973子課題、國家科技支撐計劃子課題、國家自然科學基金、歐盟第七框架項目瑪麗?居里計劃等項目的研究工作。以第一作者或通信作者發表論文20篇，合作發表論文16篇。申請與授權多項發明專利與軟件著作權。作為主要研究人員，獲2015年度上海市自然科學三等獎和2009年度上海市優秀發明選拔賽金獎。獲得2015年度復旦大學信息學院院長獎。

影像組學指從醫學影像中提取、分析大量高級定量影像特征，從而對疾病進行診療。這一概念誕生不足5年，但已成為全球臨床醫學和生物醫學工程的研究熱點，涉及多類腫瘤的篩查、診斷、治療和評估，并取得了相當樂觀的結果。今后影像組學會基于多中心研究，進一步獲取標準、穩定的特征并完成驗證，從循證醫學角度應用于腫瘤的精準醫療。該研究系統全面地闡述了影像組學的過去、現在與未來。

影像組學；腫瘤學；超聲

由于成像技術的迅速發展，醫學影像已成為疾病管理中的重要模式，為臨床提供了全面的視角和豐富的信息，在疾病篩查、早期診斷、治療選擇和預后評估等方面發揮著舉足輕重的作用。

現已知病灶形態或功能上的變化是由患者個體的基因、細胞、生理微環境、生活習慣和生存大環境等諸多因素共同決定的。若在常規影像學診斷基礎上，通過深度挖掘數據，尋找出疾病的內涵特征，從而反映人體組織、細胞和基因水平的變化，將會對臨床醫學產生重大影響。基于這一理論，影像組學(radiomics)應運而生。它從醫學影像中提取高通量特征來量化腫瘤等重大疾病，在腫瘤表型分型、治療方案選擇和預后分析等方面表現出巨大優勢，是臨床醫學和生物醫學工程的研究熱點。本文系統梳理影像組學歷史，從多方面論述這一學科的應用和發展。

1 影像組學概念及方法框架

2012年，荷蘭學者Lambin首次提出影像組學概念，其思想來源于腫瘤異質性[1]。實體腫瘤在基因、蛋白質、細胞、微環境、組織和器官層面上表現出的空間與時間的異質性，使病理學和分子學等有創檢測方法結果的準確性及代表性受到限制。醫學影像可全面、無創、定量觀察腫瘤整體形態，對腫瘤的發展過程和治療反應隨時進行監測，從而為腫瘤異質性問題提供了可靠的解決方案[1-4]；同時，影像組學假設微觀層面的基因或蛋白質模式改變可在宏觀影像學特征上有所表達[1]。因此，Lambin認為影像組學為“高通量地從放射影像中提取大量特征，采用自動或半自動分析方法將影像學數據轉化為具有高分辨率的可挖掘數據空間”。Kumar等[5]進一步擴展，將影像組學定義為“高通量地從CT、MRI和正電子發射型計算機斷層顯像(positron emission tomography，PET)中提取并分析大量高級的定量影像學特征”。Doroshow等[6]在Nature Reviews Clinical Oncology發表文章，指出影像組學是轉化醫學未來發展方向之一。2014年，北美放射學會(Radiological Society of North America，RSNA)峰會主題即為“Radiomics: From Clinical Images to Omics”。Gillies在大會主題報告中提及，通過對影像的深入分析可量化微環境，預測腫瘤遺傳異質性的程度[7]。他認為，相較于傳統的臨床醫學僅僅從視覺層面解讀醫學影像，影像組學可深入挖掘圖像的生物學本質并提供臨床決策支持[8]。近年來，越來越多的學者關注影像組學，在腫瘤診斷、治療和預后等方面進行探索[9-11]，取得了大量成果，加快了腫瘤學的臨床和轉化研究。

影像組學方法框架一般分為5個部分：① 高質量標準化影像學數據獲取；② 手動或自動圖像分割與重建；③ 高通量特征提取與篩選；④臨床預測模型建立；⑤ 構建共享數據庫[1,5,8,12]。影像組學是一種大數據分析方法，其研究結果必須在多中心進行驗證，對數據的標準化、算法的可重復性和可靠性提出了很高要求，故框架中每一部分都極具挑戰。

2 影像組學的臨床應用

影像組學通過從不同模態影像中提取高通量特征并加以數據挖掘，可用于腫瘤分子分型、鑒別診斷、治療方案選擇、療效檢測和預后評估等多方面。目前，其在肺癌、頭頸癌、乳腺癌、腦腫瘤、直腸癌、食管癌、前列腺癌、肝癌等多種腫瘤疾病中開展了初步探索。

2.1 基因、分子標記和病理分型

影像組學認為，腫瘤宏觀影像特征與微觀基因、蛋白質和分子改變息息相關。2007年，Segal等[13]在Nature Biotechnology發表文章，提出CT影像學特征與原發性肝癌全基因表達之間存在相關性，28個影像學特征可重建78%的基因信息，進而預測肝癌的細胞增殖、肝臟的合成功能和患者的預后，因此肝癌的基因活動可被影像學無損解碼。Yoon等[14]通過對539例肺腺癌患者進行研究，尋找CT和PET影像學特征與間變性淋巴瘤激酶(anaplastic lymphoma kinase，ALK)/c-ros原癌基因1酪氨酸激酶(c-ros oncogene 1 receptor tyrosine kinase，ROS1)/原癌基因RET (rearranged during transfection proto-oncogene)表達模式之間的關系，發現這些影像學特征在ALK基因陽性與ROS/RET融合基因陽性組之間有顯著差異。Gevaert等[15]使用CT影像組學特征預測非小細胞肺癌(non-small cell lung cancer，NSCLC)中突變型表皮生長因子受體(epidermal growth factor receptor，EGFR)，受試者工作特征(receiver operating characteristic，ROC)曲線的曲線下面積(area under curve, AUC)為0.89。其中肺氣腫、氣道畸形與EGFR野生型有關，而毛玻璃樣變預示EGFR突變。Yu等[16]研究腦膠質瘤MRI圖像特征與異檸檬酸脫氫酶1 (isocitrate dehydrogenase 1，IDH1)基因突變的關系，在110例二級腦膠質瘤患者術前MRI圖像中提取671個高通量特征，篩選出110個高相關特征并建立預測模型，獲得80%的IDH1分類準確率。Dang等[17]使用MRI紋理特征預測頭頸部鱗狀細胞癌的腫瘤抑制蛋白p53，也獲得81.3%的準確率。在乳腺癌方面，Wan等[18]和Li等[19]對動態增強MRI (dynamic contrast-enhanced MRI, DCE-MRI)圖像開展研究，提取大小、形狀、邊界、紋理和動力學等特征，分析其與Mamma Print、Oncotype DX等基因檢測系統的關聯，預測乳腺癌復發。Zhu等[20]分析了DCE-MRI圖像特征與基因突變、微核酸表達、蛋白表達、基因通路表達、復制數變異等腫瘤微觀結構的關系。

在分子分型方面，Wu等[21]研究影像組學特征與肺癌組織學亞型(腺癌和鱗狀細胞癌)的關系，從350例患者術前CT圖像中提取440個形狀、大小、灰度和紋理特征，單因素分析發現53個特征與腫瘤組織學顯著相關；多因素分析中，特征篩選后由5個最相關特征建立的分類模型所得AUC為0.72。Yang等[22]從MRI T1WI和T2抑水像(T2 fl uid-attenuated inversion recovery，T2 Flair)橫截面、矢狀面和冠狀面圖像中提取了5類共976個紋理特征，采用隨機森林分類器進行腦膠質瘤分子分型和12個月生存期預測。Li等[23]提取定量化MRI圖像特征，進行浸潤性乳腺癌的分子分型。研究發現，侵襲性強的腫瘤較大，內部回聲不均勻，增強紋理中熵特征與分子分型相關性更大。進一步，Guo等[24]使用影像組學與基因組學聯合預測浸潤性乳腺癌的表型，包括病理分級、淋巴結轉移和免疫組織化學指標，共提取38個影像組學特征和144個基因組學特征，結果表明基因組學在免疫組織化學指標預測方面表現優異，影像組學更適用于預測病理分級，兩種組學的聯合應用并沒有顯著增加預測率。

2.2 診斷與鑒別診斷

影像組學是大數據技術與醫學影像輔助診斷的有機融合。傳統的計算機輔助診斷方法多用于腫瘤篩查和鑒別診斷，而增加了高通量特征和數據挖掘的影像組學方法將有效提高診斷準確率。

Pham等[25]從271例肺癌患者CT圖像中提取兩類紋理特征，實現了縱隔淋巴結良惡性鑒別，AUC為0.89，靈敏度為75%，特異度為90%。有研究[26-27]對肺部圖像影像數據庫(The Lung Image Database Consortium，LIDC)中的CT圖像進行高通量特征提取，構建肺癌影像組學預測模型，用于肺癌良惡性評估。進一步，He等[28]對240例孤立性肺結節患者分別采用普通CT和增強CT進行掃查，比較對比劑、重建層厚和卷積核對診斷的影響。結果表明，普通CT掃描、1.25 mm薄層CT和標準卷積核可為孤立性肺結節的診斷提供更多有價值的信息。在頭頸腫瘤方面，Brown等將影像組學用于甲狀腺結節良惡性鑒別，從多中心采集26例患者的擴散加權成像(diffusion weighted imaging，DWI)數據，從表觀擴散系數(apparent diffusion coefficient，ADC)圖像中提取21個紋理特征，建立線性判別分析模型，分類準確率、靈敏度和特異度均超過90%[29]。Fruehwald-Pallama等[30]也將DWI紋理特征用于腮腺腫塊的識別。Park等[31]從DCE-MRI參數圖中容積轉運常數(Ktrans)、速率常數(Kep)和血管外細胞外容積分數(Ve)提取直方圖特征用于識別口咽鱗狀細胞癌和惡性淋巴瘤，兩種癌癥的Ktrans直方圖中值和眾數，以及Ve直方圖的眾數、偏度和峰度差異較大。Ve峰度是最有效的識別特征(準確率86%，靈敏度83%，特異度90%)。Cameron等[32]和Khalvati等[33]分別在多參數MRI中提取影像組學紋理特征，實現前列腺癌的自動檢測，準確率達87%和88%[32-33]。Khalvati等的研究進一步表明，增加相關擴散成像(correlated diffusion imaging，CD)和高b值DWI (computed high-b DWI，CHBDWI)圖像可有效提高檢測的靈敏度和特異度。Wibmer等[34]研究發現，從MRI圖像提取灰度共生矩陣(gray level co-occurrence matrix，GLCM)特征有助于前列腺癌外周帶與移行帶的識別，并可用于Gleason評分。在T2WI和ADC圖像上，外周帶與高熵值、高惰性值、低能量值、低相關性和低均勻性有關(P＜0.000 1～0.008)。移行帶與ADC圖像特征(P＜0.000 1)及T2WI圖像的相關性(P=0.041)和惰性值(P=0.001)強相關，而Gleason評分與高熵值和低能量值有關。Litjens等[35]通過研究70例前列腺全切患者術前多參數MRI圖像，發現CHB-DWI鑒別前列腺癌與良性增生更有效，DCE-MRI可用于鑒別前列腺癌與前列腺萎縮或炎癥，且ADC是診斷高級別前列腺癌最有效的特征。同樣，影像組學也可在DCE-MRI中識別三陰性乳腺癌，將腫瘤區域特征與背景實質強化特征相結合后，獲得的識別準確率AUC可達0.88[36]。Hassan等[37]在功能MRI圖像中提取與異質性相關的紋理特征，鑒別腦部真正的功能活動區域。GLCM的不相關系數、熵、和方差、熵差值與腦功能相關性最強，回歸模型的識別準確率高達80.19%。

2.3 臨床決策和療效監測

不同于傳統的醫學影像輔助診斷，影像組學基于數據分析的方法從大量醫學圖像中挖掘出圖像特征作為新的生物標記，有助于臨床選擇合適的治療方案并監測治療效果。

Shiradkar等[38]提出基于多參數MRI影像組學特征和形變配準模型架構用于前列腺癌局部靶向放療方案的精準制訂。Lopez等[39]研究MRI和磁共振波譜(magnetic resonance spectroscopy, MRS)影像組學特征與臨床靶向體積和代謝體積的相互關系時，發現N-乙酰天冬氨酸水平異常的腦膠質瘤代謝腫瘤體積與MRI特征密切相關。Cunliffe等[40]研究食管癌放療患者CT數據，發現通過影像組學提取的紋理特征值與放射性肺炎的發生密切相關。

Huynh等[41]、Hunter等[42]和Mattonen等[43]均使用影像組學方法定量評估肺癌放療療效。Huynh等[41]從113例Ⅰ～Ⅱ級NSCLC患者治療前CT圖像中提取1 605個影像組學特征與常規影像學特征，發現小波分解特征與遠處轉移預后有明顯相關性，整體生存期與常規影像學特征和影像組學特征均有關。Hunter等[42]通過定量圖像特征模型分析NSCLC患者放療前CT影像資料，成功預測放療后腫瘤退縮情況，為腫瘤的治療評估和生存率預測提出了新的指標。Mattonen等[43]開展了腫瘤放療專家定性診斷與影像組學定量特征在肺癌放療效果和復發預測中的比較，結果證明影像組學預測在整個隨訪期內與臨床醫師評價基本吻合，但在術后6個月內可早期發現臨床醫師難以發現的不典型復發病灶。Aerts等[44]定量比較早期NSCLC患者治療前后的CT圖像，用于評價吉非替尼(Gefitinib)新輔助療法的療效。類似地，Antunes等[45]在PET/MRI融合圖像中開展研究，早期評估靶向藥物舒尼替尼治療轉移性腎透明細胞癌的療效。基于計算機提取乳腺癌DCEMRI圖像特征發現，紋理分析可為臨床醫師在乳腺癌新輔助化療開始前預測療效提供更為準確的信息[46]。Yip等[47]研究基于腫瘤區域配準的化療前后PET/CT紋理特征分析，預測了食管癌化療效果(AUC＞0.70)。Scalco等[48]使用CT圖像紋理特征研究頭頸癌放療中腮腺結構和功能的改變，發現放療后CT密度均值和分形維數明顯增加，基于體積和分形維數特征預測腮腺縮小的準確率為71.4%。Jansen等[49]基于DCE-MRI藥代動力學模型參數圖的影像學特征，評估頭頸部鱗狀細胞癌放化療效果，紋理分析表明放化療可減少腫瘤異質性。夏凡等[50]探索運用影像組學方法評估肝臟組織特征以預測化療后肝功能異常。

Huang等[51]回顧性分析326例結腸癌患者CT圖像，建立影像組學模型預測結腸癌淋巴結轉移的概率，一致性指數(conformity index，CI)為0.736。Vallières等[52]使用氟脫氧葡萄糖 (fluorodeoxyglucose，FDG)-PET和MRI紋理特征預測軟組織腫瘤的肺轉移，通過邏輯回歸多因素分析獲得的FDG-PET/MRI融合圖像的4個紋理特征預測效果最好(準確率98%，靈敏度95%，特異度93%)。Coroller等[53]也將影像組學方法用于評價肺腺癌遠處轉移的可能性。

以上研究表明，影像組學可用于治療方式的選擇和臨床療效的監測，對多種癌癥的個體化治療方案制訂有指導意義。

2.4 預后預測

2014年，Nature Communication發表了Aerts等[54]的研究，他們從1 019例肺或頭頸部腫瘤患者CT數據中提取了440個量化腫瘤圖像特征，包括灰度分布、形狀和紋理等，這些影像學特征反映腫瘤異質性，與腫瘤病理類型、T分期、基因表達的模式相關。同時，這些特征在多個不典型肺及頭頸部腫瘤數據庫中顯示出較好的預測預后價值，因此認為影像組學在肺癌及頭頸部腫瘤中可識別預后表型。針對相同的數據庫，Parmar等[55-56]研究并尋找可靠的機器學習方法用于預測肺及頭頸部腫瘤預后，以拓展影像組學在精準醫學和腫瘤護理中的應用。Song等[57]研究認為，定量CT的表型特征可發現NSCLC的轉移或侵襲能力，對預判腫瘤轉歸和指導臨床個體化治療具有重要價值。Emaminejad等[58]將基因學生物標記核糖核苷酸還原酶M1 (ribonucleotide reductase catalytic subunit M1，RRM1)和切除修復交叉互補基因1 (excision repair cross-complementation group 1，ERCC1)與CT影像組學特征聯合應用，預測Ⅰ期NSCLC患者術后復發風險，AUC為0.84，顯著高于兩者獨立預測的AUC。Coroller等[59]使用影像組學方法從肺腺癌患者CT圖像中提取635個特征預測遠處轉移和生存期，35個特征與遠處轉移相關，12個特征與生存期有關，其中LoG特征可顯著提升預測的準確率。Paul等[60]進一步通過卷積神經網絡提取CT圖像特征，對肺癌預后預測的準確率最高達82.5%。

Zhou等[61]發現，在不同生存率亞組之間腦膠質瘤MRI區域改變有顯著差異。Yang等[22]分析腦膠質瘤的T1WI和T2 Flair圖像，找到5種紋理特征，認為可預測腦膠質瘤分子亞型(AUC=0.72)和1年生存率(AUC=0.69)，并能取代現有的有創活檢。Cui等[62]通過多區域圖像定量分析方法，確定了量化腫瘤表面積和強度分布的5個影像標記，并證實具有預測腦膠質瘤預后的能力(CI=0.67，P=0.018)，高于傳統預測模型。Rois Velazquez等[63]比較了109例腦膠質瘤MRI圖像自動分割與醫師手動分割的體積吻合度，并分析了與倫勃朗視覺感受圖像(visually accessible rembrandt images，VASARI)特征和預后的關聯性。

Li等[19]認為，MRI定量影像組學特征聯合多種基因檢測可有效評估乳腺癌的復發風險。Vignati等[64]從T2WI圖像中提取GLCM的對比度和均勻性特性，比較其與傳統ADC參數對前列腺癌生物侵襲性預測的效果。結果顯示，GLCM特征比傳統ADC參數與病理Gleason評分的相關性更強，可有效預測低風險的前列腺癌。Zhang等[65]研究72例經過TPF(多西他賽+順鉑+氟尿嘧啶)誘導化療的晚期頭頸部鱗狀細胞癌患者，發現腫瘤大小、淋巴結轉移、臨床變量、CT紋理和直方圖特征與患者的總生存率相關。

Leijenaar等[66]通過研究，發現并驗證542例口咽鱗狀細胞癌患者治療前CT圖像的一些影像組學特征，具有較好的預測預后價值，且不受CT偽影的影響。Chicklore等[67]認為，PET/CT融合成像也可通過影像組學的紋理特征分析來預測部分腫瘤的治療反應和預后。

3 影像組學在超聲中的初步探索

CT、MRI和PET具有標準化的掃查協議，更易于進行醫學大數據分析。Lambin等和Kumar等定義影像組學為從這3種成像技術中提取高通量特征以開展腫瘤異質性的研究，因此上述所有研究均基于CT、MRI、PET及其融合成像。相比以上3種成像技術，超聲因無創無輻射、操作簡單、快速成像和價格便宜等優勢，在我國各級醫院中廣泛用于臨床診療工作，在甲狀腺、乳腺和腹部的早期檢查中尤為重要。因此，若將影像組學方法擴展至超聲圖像，對疾病的早期診斷和預后預測將具有極大的價值。

周世崇等[68]對77例甲狀腺乳頭狀癌單灶患者的超聲圖像開展研究，分析病灶超聲特征與淋巴結轉移之間的關系，發現14個高指向性超聲特征，聯合預測淋巴結轉移的準確率為73%，靈敏度為71%，特異度為74%，優于常規研究中二維超聲掃查的診斷率，也高于一般報道的20%～31%的超聲檢出率。Qiao等[69]設計了基于影像組學特征的定量化乳腺影像報告和數據系統(Breast Imaging Reporting and Data System，BIRADS)，用于B型二維超聲圖像中乳腺腫瘤良惡性鑒別，取得優異的鑒別效果(準確率93%，靈敏度94%，特異度93%)。同樣，Zhang等[70]在超聲彈性圖像中提取364個高通量特征用于乳腺腫瘤鑒別診斷，準確率為88%，靈敏度為86%, 特異度為89%。李佳偉等將超聲影像組學用于預測浸潤性乳腺癌激素受體表達，并與醫師預測結果進行了比較[71]。

以上是影像組學在超聲中的初步嘗試，結果提示超聲影像組學的可行性。但超聲波的直線傳播特性和脈沖回波成像方式使得二維超聲圖像采集受探頭大小和放置位置的影響，操作者依賴性較強，圖像無法標準化。同時，超聲圖像中大量的斑點噪聲部分掩蓋了病灶真實信息，給圖像分割和高通量特征提取帶來困難。因此，影像組學在超聲圖像中的應用有待進一步研究。

4 影像組學發展趨勢與挑戰

4.1 影像獲取及標準化

基于大數據挖掘的影像組學方法對影像學數據的質量提出了嚴格的要求。超聲、CT和MRI是目前腫瘤常規診斷手段，數據量龐大。但不同廠商的機器在圖像獲取、重建算法和參數設置方面有很大差異，缺乏統一標準；即使同一臺設備，造影劑劑量、掃描層厚、脈沖序列、成像深度和增益等也會對圖像產生影響。此外，多模態多參數技術使得同一種疾病可采用多種影像方式觀察。醫療機構針對不同類型疾病的檢查方式并無指南或共識。因此，要獲取相同或相似參數的大影像數據庫十分困難。

美國國立衛生研究院(National Institutes of Health，NIH)和國家癌癥研究院(National Cancer Institute，NCI)通過與多個國家醫療機構合作，建立了標準化臨床影像數據庫，如LIDC、The Cancer Genome Atlas (TCGA)、The Cancer Imaging Archive (TCIA)等，涵蓋肺部、腦部、乳腺、前列腺等重要器官，可用于影像組學研究。

4.2 高通量特征的穩定性

定量描述病灶屬性的高通量特征是影像組學的核心，大數據分析和多中心驗證均需穩定和可重復的特征。常用特征包括大小、形態、邊界、直方圖、紋理、分形維數、小波變換等。有研究證實，定量化特征可反映圖像的細微差別和更深層次的信息，并避免由人為經驗帶來的診斷誤差，在鑒別診斷、療效監控和預后預測方面有重要作用。

然而，由于醫學影像設備缺乏統一的圖像獲取和成像算法標準，同一病灶通過不同設備采集而獲得的圖像差別很大，給基于灰度值的特征如直方圖、紋理分析等帶來影響。同時，特征提取的前提是病灶區域的準確分割。對于邊界模糊不清的腫瘤，手動分割、計算機半自動分割和計算機全自動分割的結果存在明顯差異，降低了基于大小、形態和邊界等特征的穩定性。

Balagurunathan等[72]、He等[28]、Yang等[73]、Zhao等[74]和Fave等[75]對平掃CT和增強CT圖像開展特征穩定性研究，比較對比劑劑量、注射時間、成像方式、重建層厚、卷積核等對特征的影響，用于肺部腫瘤的影像組學分析。在MRI圖像中，RiosVelazquez等采用手動和自動方法分割腦膠質瘤，兩者計算獲得的腫瘤體積高度吻合[63]。Hu等[76]研究399例乳腺癌患者的二維超聲圖像，探索超聲儀器型號、儀器參數和圖像分割算法對影像組學特征的影響，篩選出46個高重復性、非冗余的穩定特征。在另外138幅乳腺腫瘤超聲圖像上進行驗證，良惡性識別效果優異(AUC=0.92，準確率為86%，靈敏度為90%，特異度為81%)[77]。

4.3 特征選擇與建模

有限樣本下用大量特征進行分類和預測，不僅計算時間長，效果也未必最優。數量龐大的高通量影像學特征提取后，需采用特征選擇方法獲得最佳性能表現的特征集，輸入至準確可靠的機器學習算法或統計學途徑建立分類或預測模型。

Parmar等[21,56,77]研究發現，影像組學預測準確率主要受特征個數、特征篩選方法和分類器的影響。他從101例頭頸癌患者CT圖像中提取440個影像組學特征，比較14種特征選擇算法和12個模式識別分類器對生存期的預測。結果發現，最小冗余最大相關方法(AUC=0.69，穩定性=0.66)、互信息特征篩選法(AUC=0.66，穩定性=0.69)和條件最大熵特征篩選法(AUC=0.68，穩定性=0.70)預后效果最好。分類器方面，貝葉斯分類器(AUC=0.67)、隨機森林分類器(AUC=0.61)和最鄰近分類器(AUC=0.62)取得了最佳預測結果[56]。對NSLCL患者的分析也得到類似結果[21,77]。因此，更準確、適用廣泛的特征選擇和模式識別方法是影像組學的突破點。

4.4 多中心驗證

現有的影像組學研究大多是單一機構的小樣本探索，所得結論缺乏廣泛驗證。可預見，未來影像組學必須經過多中心、大樣本、隨機對照臨床試驗反復檢驗和提煉，才能準確、可靠、有效地指導臨床醫療策略。

不同地區的多中心研究能提供多樣性樣本資料，可更好地為影像組學訓練集和驗證集詮釋腫瘤異質性，符合精準醫學的發展需求。影像組學研究的核心是特征分析、提取和應用，但目前各項研究的特征之間缺乏足夠的統一化和標準化，在一定程度上影響了研究結論的推廣和使用，多中心聯合研究通過協調與溝通，可很好地解決這一問題。根據循證醫學要求，任何一種方式應用于臨床都需經過完善檢驗，具備高質量證據。多中心臨床研究是較為常見的方案，通過這樣檢驗獲得的證據，可有力地支持影像組學服務于臨床診療工作。

5 總結與展望

影像組學通過從多模態影像中提取和挖掘大量特征，定量分析隱含在醫學圖像背后的人體分子與基因變化，為解決腫瘤異質性這一難題提供了思路，已在高發腫瘤疾病的診斷、治療和預后方面取得了可靠結果。作為一種新興研究方法，尚有許多關鍵科學問題和技術有待進一步探索。相信隨著醫學影像學數據的不斷積累和標準化，以及各類圖像分割、特征提取、特征選擇和模式識別方法的迅速發展，影像組學將會對臨床醫學產生深遠的影響和巨大的變革。

[1] LAMBIN P, RIOS-VELAQUEZ E, LEIJIENAAR R, et al. Radiomics: extracting more information from medical images using advanced feature analysis [J]. Eur J Cancer, 2012, 48(4): 441-446.

[2] 莊天戈. 從放射攝影到放射影像組學——紀念倫琴發現X-射線120周年 [J]. 生物醫學工程學進展, 2015, 36(4): 189-195.

[3] 蘇會芳, 周國鋒, 謝傳淼, 等. 放射組學的興起和進展研究 [J]. 中華醫學雜志, 2015, 95(7): 553-556.

[4] YIP S, AERTS H. Applications and limitations of radiomics [J]. Phys Med Biol, 2016, 61(13): R150-R166.

[5] KUMAR V, GU Y, BASU S, et al. Radiomics: the process and the challenges [J]. Magn Reson Imaging, 2012, 30(9): 1234-1248.

[6] DOROSHOW J, KUMMAR S. Translational research in oncology—10 years of progress and future prospects [J]. Nat Rev Clin Oncol, 2014, 11(11): 649-662.

[7] GILLIES R. The radiology reading room of the future [C]. RSNA, 2014.

[8] GIILIES R, KINAHAN P, HRICAK H. Radiomics: images are more than pictures, they are data [J]. Radiology, 2016, 278(2): 1-15

[9] SCRIVENER M, JONG E, TIMMEREN J, et al. Radiomics applied to lung cancer: a review [J]. Transl Cancer Res, 2016, 5(4): 398-409.

[10] NARANG S, LEHRER M, YANG D, et al. Radiomics in glioblastoma current status, challenges and potential opportunities [J]. Transl Cancer Res, 2016, 5(4): 383-397.

[11] STOYANOVA R, TAKHAR M, TSCHUDI Y, et al. Prostate cancer radiomics and the promise of radiogenomics [J]. Transl Cancer Res, 2016, 5(4): 432-447.

[12] GILLIES R, GATENBY R. Radiomics of NSCLC [R]. QIN Progress Report.

[13] SEGAL E, SIRLIN C, OOI C, et al. Decoding global gene expression programs in liver cancer by noninvasive imaging [J]. Nat Biotechnol, 2007, 25(6): 675-680.

[14] YOON H, SOHN I, CHO J, et al. Decoding tumor phenotypes for ALK, ROS1, and RET fusions in lung adenocarcinoma using a radiomics approach [J]. Medicine (Baltimore), 2015, 94(41): e1753.

[15] GEVAERT O, ECHEGARAY S, KHUONG A, et al. Predictive radiogenomics modeling of EGFR mutation status in lung cancer [J]. Sci Rep, 2017, 7: 41674.

[16] YU J, SHI Z, LIAN Y, et al. Noninvasive IDH1 mutation estimation based on a quantitative radiomics approach for grade II glioma [J]. Eur Radiol, 2016. doi: 10.1007/ s00330-016-4653-3.

[17] DANG M, LYSACK J, WU T, et al. MRI texture analysis predicts p53 status in head and neck squamous cell carcinoma [J]. AJNR Am J Neuroradiol, 2015, 36(1): 166-170.

[18] WAN T, BLOCH N, PLECHA D, et al. A radiogenomics approach for identifying high risk estrogen receptor-positive breast cancers on DCE-MRI: preliminary results in predicting Oncotype DX risk scores [J]. Sci Rep, 2016, 6: 21394.

[19] LI H, ZHU Y, BURNSIDE E, et al. MR imaging radiomics signatures for predicting the risk of breast cancer recurrence as given by research versions of MammaPrint, Oncotype DX, and PAM50 gene assays [J]. Radiology, 2016, 281(2): 382-391.

[20] ZHU Y, LI H, GUO W, et al. Deciphering genomic underpinnings of quantitative MRI-based radiomic phenotypes of invasive breast carcinoma [J]. Sci Rep, 2015, 5: 17787.

[21] WU W, PARMAR C, GROSSMANN P, et al. Exploratory study to identify radiomics classifiers for lung cancer histology [J]. Front Oncol, 2016, 6: 71.

[22] YANG D, RAO G, MARTINEZ J, et al. Evaluation of tumor-derived MRI-texture features for discrimination of molecular subtypes and prediction of 12-month survival status in glioblastoma [J]. Med Phys, 2015, 42(11): 6725-6735.

[23] LI H, ZHU Y, BURNSIDE S, et al. Quantitative MRI radiomics in the prediction of molecular classifications of breast cancer subtypes in the TCGA/TCIA data set [J]. NPJ Breast Cancer, 2016. doi:10.1038/ npjbcancer.2016.12.

[24] GUO W, LI H, ZHU Y, et al. Prediction of clinical phenotypes in invasive breast carcinomas from the integration of radiomics and genomics data [J]. J Med Imaging (Bellingham), 2015, 2(4): 041007.

[25] PHAM D, WATANABE Y, HIGUCHI M, et al. Texture analysis and synthesis of malignant and benign mediastinal lymph nodes in patients with lung cancer on computed tomography [J]. Sci Rep, 2017, 7: 43209.

[26] 張利文, 劉俠, 汪俊, 等. 基于定量影像組學的肺腫瘤良惡性預測方法 [J/OL]. 自動化學報, 2017 [2017-02-16]. http://www.cnki.net/kcms/detail/11.2109. TP.20170216.1017.001.html.

[27] WANG J, LIU X, DONG D, et al. Prediction of malignant and benign of lung tumor using a quantitative radiomic method [J]. Conf Proc IEEE Eng Med Biol Soc, 2016, 2016: 1272-1275.

[28] HE L, HUANG Y, MA Z, et al. Effects of contrastenhancement, reconstruction slice thickness and convolution kernel on the diagnostic performance of radiomics signature in solitary pulmonary nodule [J]. Sci Rep, 2016, 6: 34921.

[29] BROWN A, NAGALA S, MCLEAN M, et al. Multiinstitutional validation of a novel textural analysis tool for preoperative stratification of suspected thyroid tumors on diffusion-weighted MRI [J]. Magn Reson Med, 2016, 75(4): 1708-1716.

[30] FRUEHWALD-PALLAMAR J, CZERNY C, HOLZER-FRUEHWALD L, et al. Texture-based and diffusion-weighted discrimination of parotid gland lesions on MR images at 3.0 Tesla [J]. NMR Biomed, 2013, 26(11): 1372-1379.

[31] PARK M, KIM J, CHOI Y, et al. Application of dynamic contrast-enhanced MRI parameters for differentiating squamous cell carcinoma and malignant lymphoma of the oropharynx [J]. AJR Am J Roentgenol, 2016, 206(2): 401-407.

[32] CAMERON A, KHALVATI F, HAIDER A, et al. MAPS: A quantitative radiomics approach for prostate cancer detection [J]. IEEE Trans Biomed Eng, 2016, 63(6): 1145-1156.

[33] KHALVATI F, WONG A, HAIDER A. Automated prostate cancer detection via comprehensive multiparametric magnetic resonance imaging texture feature models [J]. BMC Med Imaging, 2015, 15: 27.

[34] WIBMER A, HRICAK H, GONDO T, et al. Haralick texture analysis of prostate MRI: utility for differentiating non-cancerous prostate from prostate cancer and differentiating prostate cancers with different Gleason scores [J]. Eur Radiol, 2015, 25(10): 2840-2850.

[35] LITJENS J, ELLIOTT R, SHIH N, et al. Computerextracted features can distinguish noncancerous confounding disease from prostatic adenocarcinoma at multiparametric MR imaging [J]. Radiology, 2016, 278(1): 135-145.

[36] WANG J, KATO F, OYAMA-MANABE N, et al. Identifying triple-negative breast cancer using background parenchymal enhancement heterogeneity on dynamic contrast-enhanced MRI: a pilot radiomics study [J]. PLoS One, 2015, 10(11): e0143308.

[37] HASSAN I, KOTROTSOU A, BAKHTIARI S, et al. Radiomic texture analysis mapping predicts areas of true functional MRI activity [J]. Sci Rep, 2016, 6: 25295.

[38] SHIRADKAR R, PODDER K, ALGOHARY A, et al. Radiomics based targeted radiotherapy planning (Rad-TRaP): a computational framework for prostate cancer treatment planning with MRI [J]. Radiat Oncol, 2016, 11(1): 148.

[39] LOPEZ J, NAGORNAYA N, PARRA A, et al. Association of radiomics and metabolic tumor volumes in radiation treatment of glioblastoma multiforme [J]. Int J Radiat Oncol Biol Phys, 2017, 97(3): 586-595.

[40] CUNLIFFE A, ARMATO G, CASTILLO R, et al. Lung texture in serial thoracic computed tomography scans: correlation of radiomics-based features with radiation therapy dose and radiation pneumonitis development [J]. Int J Radiat Oncol Biol Phys, 2015, 91(5): 1048-1056.

[41] HUYNH E, COROLLER P, NARAYAN V, et al. CT-based radiomic analysis of stereotactic body radiation therapy patients with lung cancer [J]. Radiother Oncol, 2016, 120(2): 258-266.

[42] HUNTER A, CHEN P, ZHANG L, et al. NSCLC tumor shrinkage prediction using quantitative image features [J]. Comput Med Imaging Graph, 2016, 49: 29-36.

[43] MATTONEN A, PALMA A, JOHNSON C, et al. Detection of local cancer recurrence after stereotactic ablative radiation therapy for lung cancer: physician performance versus radiomic assessment [J]. Int J Radiat Oncol Biol Phys, 2016, 94(5): 1121-1128.

[44] AERTS J, GROSSMANN P, TAN Y, et al. Defining a radiomic response phenotype: a pilot study using targeted therapy in NSCLC [J]. Sci Rep, 2016, 6: 33860.

[45] ANTUNES J, VISWANATH S, RUSU M, et al. Radiomics analysis on FLT-PET/MRI for characterization of early treatment response in renal cell carcinoma: a proof-of-concept study [J]. Transl Oncol, 2016, 9(2): 155-162.

[46] TERUEL R, HELDAHL G, GOA E, et al. Dynamic contrast-enhanced MRI texture analysis for pretreatment prediction of clinical and pathological response to neoadjuvant chemotherapy in patients with locally advanced breast cancer [J]. NMR Biomed, 2014, 27(8): 887-896.

[47] YIP S, COROLLER P, SANFORD N, et al. Use of registration-based contour propagation in texture analysis for esophageal cancer pathologic response prediction [J]. Phys Med Biol, 2016, 61(2): 906-922.

[48] SCALCO E, FIORINO C, CATTANEO M, et al. Texture analysis for the assessment of structural changes in parotid glands induced by radiotherapy [J]. Radiother Oncol, 2013, 109(3): 384-387.

[49] JANSEN F, LU Y, GUPTA G, et al. Texture analysis on parametric maps derived from dynamic contrast-enhanced magnetic resonance imaging in head and neck cancer [J]. World J Radiol, 2016, 8(1): 90-97.

[50] 夏凡, 胡盼盼, 王佳舟, 等. 影像組學應用于肝臟特征分析及其預測治療反應的初步研究 [J]. 中國癌癥雜志, 2016, 26(6): 521-526.

[51] HUANG Q, LIANG H, HE L, et al. Development and validation of a radiomics nomogram for preoperative prediction of lymph node metastasis in colorectal cancer [J]. J Clin Oncol, 2016, 34(18): 2157-2164.

[52] VALLIèRES M, FREEMAN R, SKAMENE R, et al. A radiomics model from joint FDG-PET and MRI texture features for the prediction of lung metastases in soft-tissue sarcomas of the extremities [J]. Phys Med Biol, 2015, 60(14): 5471-5496.

[53] COROLLER P, GROSSMANN P, HOU Y, et al. CT-based radiomic signature predicts distant metastasis in lung adenocarcinoma [J]. Radiother Oncol, 2015, 114(3): 345-350.

[54] AERTS J, VELAZQUEZ R, LEIJENAAR T, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach [J]. Nat Commun, 2014, 5: 4006.

[55] PARMAR C, LEIJENAAR T, GROSSMANN P, et al. Radiomic feature clusters and prognostic signatures specific for lung and head & neck cancer [J]. Sci Rep, 2015, 5: 11044.

[56] PARMAR C, GROSSMANN P, RIETVELD D, et al. Radiomic machine-learning classifiers for prognostic biomarkers of head and neck cancer [J]. Front Oncol, 2015, 5: 272.

[57] SONG J, LIU Z, ZHONG W, et al. Non-small cell lung cancer: quantitative phenotypic analysis of CT images as a potential marker of prognosis [J]. Sci Rep, 2016, 6: 38282. [58] EMAMINEJAD N, QIAN W, GUAN Y, et al. Fusion of quantitative image and genomic biomarkers to improve prognosis assessment of early stage lung cancer patients [J]. IEEE Trans Biomed Eng, 2016, 63(5): 1034-1043.

[59] COROLLER P, GROSSMANN P, HOU Y, et al. CT-based radiomic signature predicts distant metastasis in lung adenocarcinoma [J]. Radiother Oncol, 2015, 114(3): 345-350.

[60] PAUL R, HAWKINS S, HALL L, et al. Combining deep neural network and traditional image features to improve survival prediction accuracy for lung cancer patients from diagnostic CT [C]. IEEE International Conference, 2016. doi:10.1109/SMC.2016.7844626.

[61] ZHOU M, HALL L, GOLDGOF D, et al. Radiologically defined ecological dynamics and clinical outcomes in glioblastoma multiforme: preliminary results [J]. Transl Oncol, 2014, 7(1): 5-13.

[62] CUI Y, THA K, TERASAKA S, et al. Prognostic imaging biomarkers in glioblastoma: development and independent validation on the basis of multiregion and quantitative analysis of MR images [J]. Radiology, 2016, 278(2): 546-553.

[63] RIOS VELAZQUEZ E, MEIER R, DUNN D, et al. Fully automatic GBM segmentation in the TCGA-GBM dataset: prognosis and correlation with VASARI features [J]. Sci Rep, 2015, 5: 16822.

[64] VIGNATI A, MAZZETTI S, GIANNINI V, et al. Texture features on T2-weighted magnetic resonance imaging: new potential biomarkers for prostate cancer aggressiveness [J]. Phys Med Biol, 2015, 60(7): 2685-2701.

[65] ZHANG H, GRAHAM M, ELCI O, et al. Locally advanced squamous cell carcinoma of the head and neck:CT texture and histogram analysis allow independent prediction of overall survival in patients treated with induction chemotherapy [J]. Radiology, 2013, 269(3): 801-809.

[66] LEIJENAAR T, CARVALHO S, HOEBERS J, et al. External validation of a prognostic CT-based radiomic signature in oropharyngeal squamous cell carcinoma [J]. Acta Oncol, 2015, 54(9): 1423-1429.

[67] CHICKLORE S, GOH V, SIDDIQUE M, et al. Quantifying tumour heterogeneity in18F-FDG PET/ CT imaging by texture analysis [J]. Eur J Nucl Med Mol Imaging, 2013, 40(1): 133-140.

[68] 周世崇, 劉桐桐, 周瑾, 等. 影像組學在甲狀腺癌應用的初步研究 [J]. 腫瘤影像學, 2017, 26(2): 102-105.

[69] QIAO M, HU Y, GUO Y, et al. Breast tumor classification based on a computerized BI-RADS feature system [J]. J Ultras Med, 2017, [Epub ahead of print].

[70] ZHANG Q, XIAO Y, SUO J, et al. Sonoelastomics for breast tumor classification: a radiomics approach with clustering-based feature selection on sonoelastography [J]. Ultrasound Med Biol, 2017. doi: 10.1016/ j.ultrasmedbio.2016.12.016.

[71] 李佳偉, 時兆婷, 郭翌, 等. 超聲影像組學對浸潤性乳腺癌激素受體表達預測價值的探索性研究 [J]. 腫瘤影像學, 2017, 26(2): 128-135.

[72] BALAGURUNATHAN Y, KUMAR V, GU Y, et al. Test-retest reproducibility analysis of lung CT image features [J]. J Digit Imaging, 2014, 27(6): 805-823.

[73] YANG J, ZHANG L, FAVE J, et al. Uncertainty analysis of quantitative imaging features extracted from contrastenhanced CT in lung tumors [J]. Comput Med Imaging Graph, 2016, 48: 1-8.

[74] ZHAO B, TAN Y, TSAI Y, et al. Reproducibility of radiomics for deciphering tumor phenotype with imaging [J]. Sci Rep, 2016, 6: 23428.

[75] FAVE X, MACKIN D, YANG J, et al. Can radiomics features be reproducibly measured from CBCT images for patients with non-small cell lung cancer? [J]. Med Phys, 2015, 42(12): 6784-6797.

[76] HU Y, QIAO M, GUO Y, et al. Reproducibility of quantitative high-throughput BI-RADS features extracted from ultrasound images of breast cancer [J]. Med Phys, 2007, [Epub ahead of print].

[77] PARMAR C, GROSSMANN P, BUSSINK J, et al. Machine learning methods for quantitative radiomic biomarkers [J]. Sci Rep, 2015, 5: 13087.

Advanced researches and future challenges of radiomics

GUO Yi1,2, ZHOU Shichong3, YU Jinhua1,2, WANG Yuanyuan1,2, CHANG Cai3
(1. Department of Electronic Engineering, Fudan University, Shanghai 200433, China; 2. Key Laboratory of Medical Imaging, Computing and Computer-Assisted Intervention, Shanghai 200032, China; 3. Department of Ultrasound, Fudan University Shanghai Cancer Center; Department of Oncology, Shanghai Medical College, Fudan University, Shanghai 200032, China)

WANG Yuanyuan E-mail: yywang@fudan.edu.cn

Radiomics refers to the extraction and analysis of a large amounts of advanced quantitative imaging features from medical images, for diagnosis and treatment of diseases. The concept was born less than fi ve years, but has become a research hotspot in global clinical medicine and biomedical engineering. The research of radiomics involves the screening, diagnosis, treatment, and evaluation of several types of tumors, and has achieved considerably optimistic results. Radiomics, which will obtain more standard, stable features and complete validation based on multicenter research, may be applied in precision oncology from evidence-based medicine hereafter. In this paper, a systematic and comprehensive exposition of radiomics in the past, present and future is given.

Radiomics; Oncology; Ultrasound

R445.9

A

1008-617X(2017)02-0081-10

2017-04-01）

國家自然科學基金項目(No：81401422、61401102、81627804)

汪源源 E-mail：yywang@fudan.edu.cn