Radiology：影像組學(xué)：圖像不僅僅是圖片它們還是數(shù)據(jù)

Radiology：影像組學(xué)：圖像不僅僅是圖片，它們還是數(shù)據(jù)在過去十年中，隨著模式識別方法的增加和數(shù)據(jù)集大小的增加，醫(yī)學(xué)圖像分析領(lǐng)域的爭論越來越多。這些爭論促進了對圖像定量特征高通量提取過程的進展，從而將圖像轉(zhuǎn)換為可挖掘數(shù)據(jù)特征，并隨后對這些數(shù)據(jù)進展分析，以供給臨床決策支持；這種做法被稱為影像組學(xué)。這與將醫(yī)學(xué)圖像僅視為用于視覺解釋的圖片的傳統(tǒng)做法形成了對比。影像組學(xué)特征包含一階、二階和高階統(tǒng)計量。這些數(shù)據(jù)與其他患者數(shù)據(jù)相結(jié)合，并結(jié)合簡單的生物信息學(xué)方法進展挖掘，以開發(fā)能夠提高診斷、預(yù)后和推測準確性的模型。由于影像組學(xué)分析旨在使用標準圖像進展，因此將數(shù)字圖像轉(zhuǎn)換為可分析的數(shù)據(jù)最終將成為常規(guī)做法。本文描述了影像組學(xué)的流程、面臨的挑戰(zhàn)以及發(fā)揮更好的臨床決策的潛在力量，尤其是在癌癥患者的預(yù)前方面。本文發(fā)表在Radiology通過高通量計算，現(xiàn)在可以從斷層圖像〔計算機斷層掃描 [CT]、磁共振[MR]或正電子放射斷層掃描[PET]圖像〕中快速提取大量定量特征。將數(shù)字醫(yī)學(xué)圖像轉(zhuǎn)換為可挖掘的高維數(shù)據(jù)，這一過程被稱為影像組學(xué)，其目的是通過定量圖像分析，可以提醒生物醫(yī)學(xué)圖像包含反映潛在的病理生理學(xué)的信息。盡管影像組學(xué)是計算機關(guān)心診斷和檢測〔CAD〕系統(tǒng)的自然延長，但它與計算機關(guān)心診斷和檢測〔CAD〕系統(tǒng)有著顯著的不同。CAD系統(tǒng)通常是獨立的系統(tǒng)，由食品和藥物治理局指定用于檢測或診斷疾?。?1).CAD的早期成功在乳腺癌成像方面最為顯著。與CAD系統(tǒng)不同，CAD系統(tǒng)的目標是供給單一答案〔即，是否存在病變或癌癥〕，影像組學(xué)是一個明確的過程，旨在從數(shù)字圖像中提取大量定量特征，將這些數(shù)據(jù)放入共享數(shù)據(jù)庫，隨后，挖掘數(shù)據(jù)以生成假設(shè)、進展檢驗或兩者兼而有之。Radiomics旨在開發(fā)決策支持工具；因此，它涉及將影像數(shù)據(jù)與其他患者特征〔如可用〕相結(jié)合，以提高決策支持模型的力量。由于影像組學(xué)旨在從標準圖像中提取最大信息，因此可以預(yù)見將數(shù)百萬患者的大量影像組學(xué)數(shù)據(jù)〔以及抱負狀況下的其他補充數(shù)據(jù)〕結(jié)合起來的數(shù)據(jù)庫的創(chuàng)立。盡管影像組學(xué)可以應(yīng)用于很多狀況，但由于國家癌癥爭論所〔NCI〕定量成像網(wǎng)絡(luò)〔QIN〕的支持以及NCI癌癥成像工程的其他舉措，影像組學(xué)在腫瘤學(xué)領(lǐng)域得到了最充分的進展。正如本文后續(xù)章節(jié)所述，隨著學(xué)問和分析工具的進展，影像組學(xué)在腫瘤學(xué)決策支持方面的潛力也在增長。基于強度、外形、大小或體積以及紋理的定量圖像特征供給了有關(guān)腫瘤表型和微環(huán)境的信息，這些信息不同于臨床報告、試驗室測試結(jié)果以及基因組或蛋白質(zhì)組分析所供給的信息。這些特征，連同其他信息，可以與臨床結(jié)果數(shù)據(jù)相關(guān)聯(lián)，并用于臨床決策支持〔圖1〕。影像組學(xué)似乎供給了幾乎無限的成像生物標記物，可能有助于癌癥的檢測、診斷和治療，預(yù)后評估、治療反響推測和疾病狀態(tài)監(jiān)測。圖1，流程圖顯示了影像組學(xué)過程以及在決策支持中的使用?；颊邫z查需要將來自不同來源的信息合并到一個連貫的模型中，以描述病變的位置、部位和作用。影像組學(xué)從獵取高質(zhì)量圖像開頭。從這些圖像中，可以識別包含整個腫瘤或腫瘤內(nèi)的子區(qū)域的感興趣區(qū)域〔ROI〕。這些圖像通過分割，最終以三維〔3D〕形式呈現(xiàn)。從這些感興趣區(qū)中提取定量特征以生成特征，該特征與其他數(shù)據(jù)〔如臨床和基因組數(shù)據(jù)〕一起放置在數(shù)據(jù)庫中。然后對這些數(shù)據(jù)進展挖掘，為感興趣的結(jié)果開發(fā)診斷、推測或預(yù)后模型挖掘影像數(shù)據(jù)以檢測與基因組模式的相關(guān)性被稱為影像基因組學(xué)，它在爭論界引起了特別大的興趣。為避開混淆，應(yīng)留意，影像基因組學(xué)一詞也用于影像腫瘤學(xué)領(lǐng)域，旨在基于全基因組分析來確定影像敏感性變異的遺傳緣由。此后，在本文中，我們將僅將影像基因組學(xué)稱為影像特征與基因組數(shù)據(jù)的結(jié)合，以實現(xiàn)決策支持。影像基因組學(xué)的價值源于這樣一個事實：盡管幾乎全部癌癥患者在治療期間都會在某個時間點進展成像，而且往往是屢次，但并不是全部患者都對其疾病進展了基因組分析。此外，當進展基因組分析時，固定位置進展，并且易受樣本誤差影響。因此，影像基因組學(xué)有兩種潛在用途，將在影像基因組學(xué)結(jié)果局部的例如中具體描述。首先，影像數(shù)據(jù)的一個子集可以用來提示基因表達或突變狀態(tài)，這可能需要進一步的檢測。這一點很重要，由于影像數(shù)據(jù)來自整個腫瘤〔或多個腫瘤〕，而不僅僅是樣本。因此，影像組學(xué)可以供給有關(guān)樣本基因組學(xué)的重要信息，并可用于穿插驗證。其次，影像特征的一個子集與基因表達或突變數(shù)據(jù)沒有顯著相關(guān)性，因此有可能供給額外的獨立信息。這一影像特征子集與基因組數(shù)據(jù)的結(jié)合可能會提高診斷、預(yù)后和推測力量。雖然影像組學(xué)最初起源于根底爭論，但最近它也引起了臨床爭論人員以及日常臨床實踐人員的興趣。對于臨床影像科醫(yī)生來說，影像組學(xué)有可能幫助診斷常見和罕見的腫瘤。腫瘤異質(zhì)性的可視化對于評估腫瘤的侵襲性和預(yù)后可能至關(guān)重要。例如，爭論已經(jīng)說明，影像組學(xué)分析有助于區(qū)分前列腺癌和良性前列腺組織，或增加有關(guān)前列腺癌侵襲性的信息。在肺癌和多形性膠質(zhì)母細胞瘤的評估中，影像組學(xué)已被證明是評估患者預(yù)后的工具。為影像組學(xué)開發(fā)的工具可以幫助日常臨床工作，而影像科醫(yī)生可以在持續(xù)構(gòu)建的用于將來決策支持的數(shù)據(jù)庫方面發(fā)揮關(guān)鍵作用。XX-組學(xué)是源于分子生物學(xué)學(xué)科的一個術(shù)語，用于描述生物分子的具體特征，如DNA〔基因組學(xué)〕、RNA〔轉(zhuǎn)錄組學(xué)〕、蛋白質(zhì)〔蛋白質(zhì)組學(xué)〕和代謝物〔代謝組學(xué)〕?，F(xiàn)在，這個術(shù)語也被用于其他醫(yī)學(xué)爭論領(lǐng)域，這些領(lǐng)域從單個物體或樣本中生成簡單的高維數(shù)據(jù)。組學(xué)數(shù)據(jù)的優(yōu)勢是這些數(shù)據(jù)是可挖掘的，因此可以用于探究和假設(shè)生成。組學(xué)概念很簡潔應(yīng)用于多層定量斷層成像：來自一名患者的一張多層面或三維圖像可能很簡潔包含數(shù)百萬個體素。此外，一個腫瘤〔或其他特別實體〕可能包含數(shù)百個描述大小、外形和紋理的可測量特征。影像組學(xué)分析是準確醫(yī)學(xué)追求的縮影，在準確醫(yī)學(xué)中，分子和其他生物標志物被用來推測在正確的時間對正確的患者進展正確的治療。可靠且經(jīng)過驗證的生物標志物的可用性對于推動精準醫(yī)學(xué)至關(guān)重要。全世界都在努力提高這類生物標志物的可用性，而在美國，這一努力最顯著的是通過精準醫(yī)學(xué)建議。這項建議將為一種的以患者為動力的爭論模式供給資金，該模式有望加速生物醫(yī)學(xué)覺察，并為臨床醫(yī)生提供的工具、學(xué)問和療法，從而實現(xiàn)更準確的共性化護理。針對癌癥的影像組學(xué)方法的一個主要優(yōu)點是，幾乎每一位癌癥患者都能獲得數(shù)字影像圖像，全部這些圖像都是潛在的治療來源的影像組學(xué)數(shù)據(jù)集。僅在美國，每年就有大約160萬的癌癥病例。大多數(shù)患者將承受多重CT、MR成像和PET檢查。在將來，全部這些爭論的圖像解釋都有可能通過使用影像組學(xué)來增加，從而建立一個前所未有的大數(shù)據(jù)源，擴大覺察有用相關(guān)性的潛力。盡管影像組學(xué)將通過基因組學(xué)的應(yīng)用和改進的分型方法更好地描述患者及其疾病，但它也將增加數(shù)據(jù)治理的挑戰(zhàn)，我們將在本文后面爭論。影像組學(xué)為腫瘤生物學(xué)的評估供給了重要的優(yōu)勢。人們現(xiàn)在生疏到，大多數(shù)臨床相關(guān)實體瘤在表型、生理學(xué)和基因組水平〔13-15〕上具有高度異質(zhì)性，并且它們會隨著時間的推移不斷進化。在這個靶向治療的興時代，值得留意的是，大多數(shù)反響都不是長久的，而且效益通常是以月而不是年來衡量的。例如：〔a〕表皮生長因子受體突變型肺癌患者使用吉非替尼，〔b〕人類表皮生長因子受體2〔或HER2〕過度表達乳腺癌患者使用曲妥扎單抗，〔c〕b-Raf突變型黑色素瘤患者使用維穆拉非尼。同一患者腫瘤內(nèi)和轉(zhuǎn)移瘤部位的基因組異質(zhì)性是治療失敗和消滅治療耐藥性的主要緣由。因此，準確醫(yī)學(xué)不僅需要體外生物標記物和關(guān)心診斷，而且還需要在空間和時間上區(qū)分的腫瘤生物標記物。推動影像組學(xué)爭論的一個核心假設(shè)是，影像組學(xué)有可能實現(xiàn)腫瘤內(nèi)和腫瘤間異質(zhì)性的定量測量。此外，影像組學(xué)供給了在治療監(jiān)測和優(yōu)化或主動監(jiān)測中縱向使用的可能性。盡管影像組學(xué)的此類應(yīng)用尚待深入探究，但它們可能供給了最具價值的將來。應(yīng)當強調(diào)的是，影像和影像基因分析可用于確定相關(guān)性，而不是病理機制；因此，它們不能僅通過成像對組織的遺傳或其他內(nèi)容進展最終評估。然而，影像學(xué)數(shù)據(jù)與基因組或其他組學(xué)數(shù)據(jù)的相關(guān)性不僅可以打算是否檢測活檢樣本中的某些基因轉(zhuǎn)變，還可以打算活檢部位的選擇。它還可以供給證明性信息，以支持組織病理學(xué)覺察。這一點很重要，由于據(jù)估量，癌癥組織病理學(xué)的錯誤率可能高達23%。病理組織學(xué)中的錯誤是由于采樣錯誤和觀看者的可變性造成的；因此，格外需要額外的定量診斷信息。我們信任，影像組學(xué)正在快速超越最正確爭論領(lǐng)域，并正在成為一種轉(zhuǎn)化技術(shù)。因此，現(xiàn)在是開頭建立數(shù)據(jù)提取、分析和建立標準的適當時機。本報告的目的是向包括影像科醫(yī)生在內(nèi)的寬闊臨床醫(yī)生介紹影像組學(xué)的實踐，讓更廣泛的社區(qū)參與建立標準。在這樣做的過程中，我們將描述影像組學(xué)技術(shù)所涉及的過程和它供給的獨特信息，以及它所面臨的挑戰(zhàn)和潛在的解決方案。我們還將重點介紹一些最的重要覺察，最終為將來的影像組學(xué)供給展望。影像組學(xué)流程雖然從概念上講很簡潔，但影像組學(xué)的實踐涉及不連續(xù)的步驟，每個流程都有相對的挑戰(zhàn)。這些步驟如圖1所示，包括：〔a〕獵取圖像，〔b〕識別感興趣的體積〔即，可能包含預(yù)后價值的體積〕，〔c〕分割體積〔即，用計算機關(guān)心輪廓描繪體積的邊界〕，〔d〕從體積中提取和確認描述性特征，〔e〕使用這些數(shù)據(jù)填充可搜尋的數(shù)據(jù)庫，以及〔f〕挖掘這些數(shù)據(jù)以構(gòu)建分類器模型，單獨或結(jié)合其他信息〔如人口統(tǒng)計學(xué)、臨床、共病或基因組數(shù)據(jù)〕推測結(jié)果。我們將依次爭論這些過程。圖像獵取現(xiàn)代CT、MR成像和PET/CT組合使得在采集和圖像重建協(xié)議方面有很大的差異，而醫(yī)療成像中心通常缺乏這些協(xié)議的標準化。在臨床實踐中使用的常規(guī)影像學(xué)特征的識別中，這通常不是問題。然而，當對圖像進展數(shù)值分析以提取有意義的數(shù)據(jù)時，采集和圖像重建參數(shù)的變化可能會導(dǎo)致非潛在生物效應(yīng)引起的變化。這一點在興的定量成像領(lǐng)域得到了廣泛認可，該領(lǐng)域的目的是生成具有可描述的偏差和方差限制的醫(yī)學(xué)圖像。換句話說，僅僅報告一個或一組從圖像中提取的數(shù)字是不夠的；相反，我們還必需能夠供給誤差標準，就像其他全部牢靠的試驗室測量一樣。在過去的15年里，為推動定量成像做出了多項努力，包括確定采集和重建標準〔26,27〕。QIN是NCI起的一個合作網(wǎng)絡(luò)，其目標是開發(fā)定量成像方法，以提高癌癥療法臨床試驗的有效性?！癚IN”是NCI的一項重大建議，可以被視為成像方法的前沿，包括影像組學(xué)。并且北美影像學(xué)會〔RSNA〕和美國國家生物醫(yī)學(xué)成像和生物工程爭論所〔NationalInstituteforBiomedicalImagingandBioengineering〕贊助了定量成像生物標記物聯(lián)盟〔QIBA〕，這是定量成像領(lǐng)域的一項重大努力〔 29〕。QIBA的目標是通過將參與其開發(fā)和實施的全部團隊聚攏在一起，實現(xiàn)定量成像的標準化。QIBA的主要產(chǎn)品是一種型文件，稱為剖面圖，該文件就特定用途的定量成像生物標記物的測量精度以及到達該測量精度水平所需的要求和程序達成共識。超過100名參與者參與創(chuàng)立了最初的齊巴氟脫氧葡萄糖 PET/CT檔案，該檔案于 2023年公布〔30,31〕。美國醫(yī)學(xué)物理學(xué)家協(xié)會〔AmericanAssociationofPhysicalsinMedicine〕正在以成像儀操作和測試的模式相關(guān)報告的形式供給定量成像的技術(shù)指南。最終，相關(guān)專業(yè)協(xié)會，如美國影像學(xué)會、RSNA、核醫(yī)學(xué)和分子成像學(xué)會、國際醫(yī)學(xué)磁共振學(xué)會和世界分子成像學(xué)會，正在越來越多地將定量成像根底的各個方面納入其指南。感興趣區(qū)識別確定具有預(yù)后價值的組織體積是腫瘤學(xué)影像學(xué)實踐的核心。雖然在診斷時可以在一個或多個腫瘤部位檢測到癌癥，但大多數(shù)癌癥轉(zhuǎn)移患者都有多個病灶。在這兩種狀況下，我們都需要將腫瘤和疑似腫瘤確定為感興趣的體積。然而，由于數(shù)字圖像的空間和對比度限制，影像學(xué)報告中通常沒有對可能具有預(yù)后價值的腫瘤內(nèi)亞體積〔腫瘤異質(zhì)性的表現(xiàn)〕進展具體分析。雖然異質(zhì)性不包括在固體腫瘤1.1版〔32〕的反響評估標準中，但一些紋理描述符已被納入更簡單的診斷成像報告和數(shù)據(jù)系統(tǒng)，如乳腺成像報告和數(shù)據(jù)系統(tǒng)〔 BI-RADS〕〔33〕、前列腺成像報告和數(shù)據(jù)系統(tǒng)〔PI-RADS〕〔34〕，以及肺成像報告和數(shù)據(jù)系統(tǒng)〔LungRADS〕〔35〕。在影像組學(xué)的實踐中，可以捕獲所謂的感興趣的子體積，并將其添加到分析中。在過程中其根本理念是在前端捕獲盡可能多的數(shù)據(jù)，并使用數(shù)據(jù)庫挖掘來識別具有最高預(yù)后價值的特征。最近，使用圖像數(shù)據(jù)識別病變在生理上不同區(qū)域的特征概念已經(jīng)被發(fā)表〔36〕。在這種方法中，具有不同采集參數(shù)的圖像〔例如，比照T1WI磁共振成像、集中加權(quán)和流體衰減序列〕可以組合，以產(chǎn)生具有定量圖像數(shù)據(jù)特定組合的區(qū)域。值得注意的是，當執(zhí)行此操作時，組合位于腫瘤的空間明確區(qū)域〔圖2〕。我們之所以稱這些區(qū)域為感興趣區(qū)，是由于它們在生理上代表不同的體積都有特定的血流、細胞密度、壞死和水腫組合?？梢詮拿總€感興趣區(qū)提取額外的影像特征，以獲得癌癥病變的高粒度描述。例如，在多形性膠質(zhì)母細胞瘤患者中，這些感興趣區(qū)的分布可以使我們區(qū)分進展快速的癌癥〔存活400天〕和更緩慢的癌癥〔37〕。此外，這些感興趣區(qū)在治療后發(fā)生變化〔例如，用放療和替馬唑胺治療〕，觀看到的變化模式可以推測反響。圖2：多形性膠質(zhì)母細胞瘤患者。通過結(jié)合平掃和比照增加T1加權(quán)、T2加權(quán)和液體衰減反轉(zhuǎn)恢復(fù)〔FLAIR〕圖像來確定感興趣區(qū)。通過直方圖分析，將每次采集的數(shù)據(jù)分為低值和高值，得出八種不同組合的可能性。實際上，只觀看到四種不同的組合。它們對應(yīng)于紅色〔低T1、高T2和FLAIR〕、黃色〔低T1和T2、高FLAIR〕、藍色〔高T1和FLAIR、低T2〕和綠色〔高T1、低FLAIR和T2〕區(qū)域。值得留意的是，雖然單個體素是通過數(shù)學(xué)確定的，但它們在空間上聚集成連續(xù)區(qū)域，反映不同的生理微環(huán)境。分割分割是影像組學(xué)中最關(guān)鍵、最具挑戰(zhàn)性和最具爭議的局部。這一點至關(guān)重要，由于后續(xù)的特征數(shù)據(jù)是從分割的體積生成的。這很有挑戰(zhàn)性，由于很多腫瘤邊界模糊。這是一個有爭議的問題，由于關(guān)于是否尋求根本原理或再現(xiàn)性，以及在多大程度上依靠手動或自動分割，目前仍存在爭論。然而，一個共識正在形成，通過計算機關(guān)心邊緣檢測，然后進展手動處理，可以實現(xiàn)最正確的可重復(fù)分割。眾所周知，手動輪廓腫瘤的變異性很高〔38,39〕。正常構(gòu)造的分割，如骨骼元素和器官，現(xiàn)在可以實現(xiàn)完全自動化。然而，任何疾病，尤其是癌癥，都需要醫(yī)生診斷輸入，由于在初始檢查時受試者之間和受試者內(nèi)部的形態(tài)學(xué)和比照度具有異質(zhì)性。特征選擇和量化影像組學(xué)的核心是提取高維特征數(shù)據(jù)，以定量描述感興趣區(qū)的屬性。實際上，“語義”和“潛在”特征是影像組學(xué)中提取的兩種類型的特征。語義特征是影像學(xué)詞匯中常用于描述感興趣區(qū)域的特征，而不行知特征是那些試圖通過定量描述來捕獲病變異質(zhì)性的特征。語義特征-雖然影像科醫(yī)生通常使用語義特征來描述病變，但在本文中，我們使用計算機關(guān)心對其進展量化。基于語義特征具有預(yù)后價值，影像組學(xué)的早期爭論開發(fā)了影像學(xué)詞匯，與 BI-RAD、PI-RAD和Lung-RAD的描述格外相像。Segal等人在這方面發(fā)表了一篇權(quán)威的文章，他在影像基因組學(xué)的早期例子中，使用了一系列有限的影像科醫(yī)生評分的定量特征來推測肝細胞癌的基因表達模式〔40〕。這種方法仍舊具有很高的價值，并且有一種趨勢，即在計算機的幫助下捕獲此類語義數(shù)據(jù)，以實現(xiàn)更高的組間全都性、更快的診斷量和更小的差異。潛在特征-圖像上的不行知影像特征是通過數(shù)學(xué)方法提取的定量描述符，通常不屬于影像科醫(yī)生的詞匯。這些可分為第一、其次或更高階的統(tǒng)計輸出。一階統(tǒng)計量描述單個體素值的分布，而不考慮空間關(guān)系。這些通常是基于直方圖的方法，并將感興趣的區(qū)域削減為圖像上強度的平均值、中值、最大值、最小值、均勻性或隨機性〔熵〕，以及直方圖的偏度〔不對稱〕和峰度〔平坦度〕的單個值。二階統(tǒng)計描述符通常被描述為“紋理”特征；它們描述了具有相像〔或不同〕比照度值的體素之間的統(tǒng)計相互關(guān)系。1973年，Haralick等人首次引入圖像紋理分析〔41〕。在影像組學(xué)中，紋理分析可以很簡潔地供給腫瘤內(nèi)異質(zhì)性的測量。在實踐中，有幾十種方法和多個變量可用于提取紋理特征，導(dǎo)致數(shù)百個值太多，無法在本文中具體闡述。本文參考了一些關(guān)于該爭論的優(yōu)秀綜述，特別是關(guān)于腫瘤內(nèi)異質(zhì)性的綜述。高階統(tǒng)計方法對圖像施加過濾，以提取重復(fù)或非重復(fù)特征。這些包括分形分析，其中濾波被施加在圖像上，并且包含指定值的體素的計算〔44〕；Minkowski泛函，用于評估強度高于閾值的體素特征；小波，是將圖像乘以簡單線性或徑向“波”矩陣的濾波變換；高斯帶通濾波器的拉普拉斯變換，可以從圖像中提取紋理圖案越來越粗糙的區(qū)域。人們始終在努力識別、定義和提取更多的潛在特征。第一個這樣的爭論使用182個紋理特征和22個語義特征來描述肺癌的CT圖像。然后是442個組合的特征集，其中也包含小波。最近，這已經(jīng)擴展到662個特征，其中還包含高斯擬合的拉普拉斯變換；以及522個特征的組合，其中包括紋理和分形維數(shù)特征。這些特征可能可以從個體感興趣區(qū)中提取，從而產(chǎn)生數(shù)千個數(shù)據(jù)元素來描述每個感興趣的體積，每個患者都有很多感興趣的體積。因此，很明顯，描述圖像特征的數(shù)量可以接近通過基因表達譜獲得的數(shù)據(jù)的簡單性，這通常會產(chǎn)生超過30000個不同序列的信息。如此簡單的狀況下，存在過度擬合分析的危急，因此，必需通過優(yōu)先考慮主要特征來降低維度。最系統(tǒng)的方法是首先確定可能是冗余的特征〔即那些彼此高度相關(guān)的特征〕。圖 3是從143例非小細胞肺癌患者的CT掃描中提取的219個特征的協(xié)方差矩陣。那些彼此高度相關(guān)〔R2.0.95〕的特征顯示為紅色非獨角區(qū)域。高度相關(guān)的特征簇可以折疊成一個具有代表性的特征，通常是主體間可變性最大或動態(tài)范圍最高的特征。圖3還為其他組學(xué)領(lǐng)域供給了一個概念橋梁，其中圖像的數(shù)據(jù)內(nèi)容由假彩色圖表示。假設(shè)可用，復(fù)測數(shù)據(jù)也格外有用，由于它們可以幫助依據(jù)特征的再現(xiàn)性確定特征的優(yōu)先級。Aerts等人描述的另一個優(yōu)先級別是，在代表不同潛在和語義特征類別〔例如大小、外形和一階二階高階特征〕的單獨類別中對挨次特征進展排序。然后，可以使用每個類中的兩個或三個最高優(yōu)先級的特征構(gòu)建分類器模型。歸根結(jié)底，特征集的價值取決于它們對通過數(shù)據(jù)庫挖掘創(chuàng)立的分類器模型的奉獻。3：特征的協(xié)方差矩陣。共從235名患者的每個非小細胞肺癌腫瘤中提取了219個特征。在全部腫瘤中，通過使用回歸分析將每個特征與全部其他特征單獨比較，從而產(chǎn)生相關(guān)系數(shù)〔R2〕。然后沿著兩個軸對各個特征進展聚類和繪制，R2顯示為熱圖，高相關(guān)性區(qū)域〔R2.0.95〕顯示為紅色。因此，對角線上的每個紅色方塊都包含一組相互高度相關(guān)的特征，因此是冗余的。為了進展數(shù)據(jù)分析，選擇了一個特征來代表這些群體。選擇的代表性特征是在整個患者數(shù)據(jù)集中具有顯著〔患者間變異性〕的特征，明確假設(shè)顯示最高患者間變異性的特征將是信息量最大的特征。建立數(shù)據(jù)庫：保證數(shù)量和質(zhì)量在影像組學(xué)和其他領(lǐng)域，推測分類器模型的力量取決于是否有足夠的數(shù)據(jù)。依據(jù)我們的閱歷，合理的經(jīng)驗法則是，基于二元分類器的模型中的每個特征需要10個樣本〔患者數(shù)據(jù)〕。此外，最好的模型是那些能夠容納額外的臨床或基因組協(xié)變量的模型，這增加了對大型高質(zhì)量數(shù)據(jù)集的需求。盡管更大的數(shù)據(jù)集供給了更大的準確率，但僅需100名患者就可以進展影像成像。從回憶性數(shù)據(jù)中獵取和整理大型高質(zhì)量數(shù)據(jù)集格外耗時。例如，在最近的一項爭論中，我們整理了一組具有基因表達譜的非小細胞肺癌腺癌患者的數(shù)據(jù)。在當?shù)財?shù)據(jù)庫中，285名此類患者很簡潔被確定為此類隊列爭論的潛在候選者。需要通過圖表和病理學(xué)檢查來驗證這些結(jié)果需要188小時，由于數(shù)據(jù)缺失或組織病理學(xué)覺察不明確，導(dǎo)致爭論隊列中失去了50名患者。當組織病理學(xué)覺察模棱兩可時，病理學(xué)家檢查了圖像；這只會增加時間。通過標準化的圖像采集和重建系統(tǒng)，需要92小時的標準化圖像采集。將特征分割和提取到數(shù)據(jù)庫中需要額外 145小時。因此，143名患者的數(shù)據(jù)集的爭論需要285名患者〔約50%的損耗〕的訓(xùn)練集，需要430小時的處理，或每個患者大約3小時的處理。由于這些患者沒有進展醫(yī)療或人口統(tǒng)計篩選。在將來，以更高的質(zhì)量和標準前瞻性地捕獲圖像和其他數(shù)據(jù)將削減數(shù)據(jù)消耗，并使過程更高效。建模一旦有了高質(zhì)量和細心籌劃的大型數(shù)據(jù)集，它們就可以用于數(shù)據(jù)挖掘，即在大型數(shù)據(jù)集中構(gòu)建模型的過程。這個過程可以使用人工智能、機器學(xué)習(xí)或統(tǒng)計方法。一方面，這些方法包括有監(jiān)視和無監(jiān)視機器學(xué)習(xí)方法，如神經(jīng)網(wǎng)絡(luò)、支持向量機或貝葉斯網(wǎng)絡(luò)。盡管這些方法通過訓(xùn)練集使用先驗學(xué)問，但它們是不行知的，由于它們不對單個特征的含義進展假設(shè)。因此，在開頭學(xué)習(xí)時，全部特征都被同等重視。數(shù)據(jù)挖掘領(lǐng)域的另一端是假設(shè)驅(qū)動的方法，它們依據(jù)預(yù)定義的信息內(nèi)容對特征進展聚類。雖然這兩種方法都有優(yōu)點，但最好的模型是那些依據(jù)特定醫(yī)學(xué)背景量身定制的，因此從定義明確的終點開頭。理想狀況下，穩(wěn)健的模型能夠適應(yīng)試驗以外的患者特征。協(xié)變量包括基因組圖譜〔表達、突變、多態(tài)性〕、組織學(xué)、血清標記物、病史和符合特定用例的生物標記物〔圖1〕。實際上，并非全部患者都能獲得全部信息；因此，模型的設(shè)計也應(yīng)當適應(yīng)稀疏數(shù)據(jù)。如前所述，模型的魯棒性完全取決于數(shù)據(jù)庫中數(shù)據(jù)的大小和質(zhì)量。質(zhì)量不僅取決于圖像采集條件，還取決于協(xié)變量的可用性和牢靠性。例如，總體存活率是很多爭論的共同終點，但這包括全部緣由的死亡，這可能與正在爭論的疾病無關(guān)。相對準確的爭論終點包括無進展生存和無疾病生存或復(fù)發(fā)；然而，這些數(shù)據(jù)并不簡潔獲得，需要通過圖表審查進展特地的抽象工作。因此，迫切需要獵取此類數(shù)據(jù)，并在各機構(gòu)之間共享數(shù)據(jù)，以積存足夠的數(shù)據(jù)，增加統(tǒng)計力量。這種數(shù)據(jù)共享是秦的一項重大舉措，QIN的成員致力于將細心籌劃的數(shù)據(jù)集存入癌癥成像檔案庫，用于公共和私人數(shù)據(jù)挖掘工作。影像組學(xué)結(jié)果舉例在過去10年中，影像組學(xué)和影像基因組學(xué)在斷層成像〔CT、MR成像和PET〕方面的爭論顯著增加。兩篇寫得很好且相對較的評論描述了2023年的一些進展〔42,43〕。在接下來的局部中，我們將重點介紹一些顯著的覺察，其中一些是最近的，這些覺察顯示了影像組學(xué)在多個領(lǐng)域?qū)嵸|(zhì)性地幫助臨床護理的潛力。關(guān)心診斷在一項對147名經(jīng)活檢證明患有前列腺癌的男性進展的爭論中，Wibmer等人說明，Haralick紋理分析有可能在T2加權(quán)MR圖像和集中加權(quán)MR圖像得出的表觀集中系數(shù)〔ADC〕圖上區(qū)分癌性前列腺組織和非癌性前列腺組織〔圖4〕。在前列腺四周區(qū)域，評估的全部五個特征〔熵、慣性、能量、相關(guān)性和同質(zhì)性〕在兩種類型的圖像上的良性組織和癌組織之間存在顯著差異；然而，在過渡區(qū)，ADC圖上的全部五個特征和T2加權(quán)圖像上的兩個特征〔慣性和相關(guān)性〕都存在顯著差異。在后續(xù)爭論中，這些特征被用于自動計算Gleason分級，并被覺察能夠區(qū)分Gleason評分為6〔3+3〕的癌癥和Gleason評分為7或以上的癌癥，準確率為93%。此外，這些分析可用于區(qū)分兩種不同形式的Gleason7〔4+3vs3+4〕，92%。圖4：紋理分析在前列腺癌T2加權(quán)MR圖像和ADC圖中的應(yīng)用。過渡區(qū)的病變在T2加權(quán)圖像〔左上〕上幾乎看不見，在ADC圖〔右上〕上具有更高的顯著性。紋理特征是基于每個體素從手動分割的感興趣區(qū)域計算出來的，識別正常周邊區(qū)域〔藍色輪廓〕和癌癥〔紅色輪廓〕。依據(jù)計算出的紋理特征，承受機器學(xué)習(xí)方法來區(qū)分正常構(gòu)造和癌性構(gòu)造，并對格里森模式進展分級。熱圖圖像顯示了安康組織和癌癥之間的明顯差異，描繪了腫瘤內(nèi)的異質(zhì)性，這可能有助于評估腫瘤的侵襲性，并為融合磁共振成像-超聲活檢供給信息。腫瘤預(yù)后遺傳學(xué)爭論首次顯示了癌癥患者的定量圖像特征與基因表達模式之間的關(guān)系。在第一項爭論中，爭論人員將從肝細胞癌患者比照增加CT圖像中提取的影像科醫(yī)生定義的語義特征與使用機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的基因表達模式進展了比較。他們覺察，28種成像特征的組合可用于重建78%的整體基因表達譜，而這些基因表達譜又與細胞增殖、肝臟合成功能和患者預(yù)后有關(guān)。在隨后的一項爭論中，爭論人員承受類似的方法，比較了從MR圖像中提取的圖像特征，以推測多形性膠質(zhì)母細胞瘤患者的整體基因表達模式。他們覺察，“浸潤性”成像表型與顯著縮短的生存期相關(guān)。肺癌患者中，有確鑿的證據(jù)說明肺部CT圖像上存在腫瘤內(nèi)異質(zhì)性。這些異質(zhì)性可以通過紋理或熵梯度等特征來捕獲。Grove等人覺察，這些指標是早期肺癌患者強有力的預(yù)后指標〔P，.01〕。Aerts等人的一項爭論說明，影像特征可用于推測來自兩個獨立機構(gòu)的完全獨立肺癌患者隊列的結(jié)果。此外，同樣的特征也可以應(yīng)用于具有同等預(yù)后力量的頭頸癌患者隊列。值得留意的是，該特征由來自四個類別〔大小、外形、紋理和小波〕的頂級特征組成，這些特征通過使用測試-再測試再現(xiàn)性和主體間范圍從442個特征的數(shù)據(jù)庫中進展優(yōu)先排序。這項爭論展現(xiàn)影像組學(xué)從一般影像學(xué)表型在識別多種癌癥預(yù)前方面的潛力。影像學(xué)界眾所周知，磁共振成像的比照度增加通常是不均勻的，具有簡單的模式。在一篇具有里程碑意義的文章中，Rose等人分析了23例膠質(zhì)瘤患者的動態(tài)比照增加MR圖像的增加模態(tài)，使用二階和更高的統(tǒng)計指標來表示增加異質(zhì)性。他們說明，動態(tài)比照增加MR圖像的紋理異質(zhì)性的簡單度量轉(zhuǎn)移系數(shù)圖可用于區(qū)分高級別和低級別膠質(zhì)瘤，其統(tǒng)計成效〔P，.00005〕遠高于單獨的中值轉(zhuǎn)移系數(shù)圖〔P=.005〕。在最近的一項爭論中，Gevaert等人提取了55例承受基因表達譜分析的膠質(zhì)瘤患者的大量語義和潛在特征。然后對特征集進展重復(fù)性篩選，產(chǎn)生18個特征，并在三個不同的感興趣區(qū)進展評估。在潛在特征中，大局部與語義特征相關(guān)；54人中有3人與生存有關(guān)，7例與基因表達有關(guān)。當通過通路評估基因表達時，大約一半的成像特征顯示出與基因組學(xué)的強相關(guān)性。這些分析說明，基于影像組學(xué)的方法可以顯著提高推測基因表達模式、預(yù)后和膠質(zhì)瘤分期的力量。最近，Vignati等人對49例前列腺癌患者的集中和T2加權(quán)磁共振成像檢查進展了徹底的前瞻性影像組學(xué)分析。將從T2ADC圖中提取的潛在特征與更傳統(tǒng)的ADC截止指標進展比較，以驗證紋理有助于區(qū)分病理性Gleason評分為6的男性和病理性Gleason評分為7或更高的男性的假設(shè)。這是一個重要的臨界點，由于病理學(xué)Gleason評分為6分的男性可能是樂觀監(jiān)測的候選對象。對于標準ADC截止指標，AUC特性曲線下的面積范圍為0.82至0.85。當分析ADC和T2圖的異質(zhì)性時，曲線下的面積分別提高到0.92和0.96。盡管這項爭論可能數(shù)據(jù)量缺乏，但它顯示了定量分析腫瘤異質(zhì)性在評估腫瘤侵襲性和告知重大臨床決策〔如是否治療癌癥〕方面的潛在價值。值得留意的是，其他爭論人員也覺察，即使在掌握了ADC中位數(shù)后從ADC圖確定的熵與病理性Gleason評分顯著相關(guān)。Kuo等人確定了與阿霉素藥物反應(yīng)基因表達程序相關(guān)的肝細胞癌影像學(xué)表型。他們的結(jié)果說明，影像基因分析可用于指導(dǎo)個體腫瘤的治療選擇。最近，一項對58名承受局部晚期乳腺癌治療的女性的爭論說明，紋理分析動態(tài)比照增加磁共振成像可以幫助推測關(guān)心化療開頭前的反響。指導(dǎo)活檢或切除圖像可以用來指導(dǎo)活檢是不言而喻的。我們認為，對區(qū)域不同的影像特征進展定量分析也可以準確地確定活檢；也就是說，它們可以用于先驗地識別簡單腫瘤中最可能包含重要診斷、預(yù)后或推測信息的位置。使用PET將功能信息疊加在CT或MR圖像上，以更好地指導(dǎo)腹部和骨病患者的活檢，已經(jīng)證明白這一點。圖4、圖6和圖7分別顯示了影像組學(xué)在前列腺癌、膀胱癌和轉(zhuǎn)移性乳腺癌患者的MR成像、CT和PET/CT中應(yīng)用的最實例，并顯示了影像組學(xué)在更明智地打算在哪里進展活檢方面的潛力。影像組學(xué)挑戰(zhàn)在這篇文章中，我們已經(jīng)爭論了影像醫(yī)學(xué)過程中各個步驟的技術(shù)挑戰(zhàn)。現(xiàn)在，我們將介紹從整體上看，從影像組學(xué)引起的更廣泛關(guān)注。再現(xiàn)性影像組學(xué)是一門興的學(xué)科。與以分子生物學(xué)為動機的治療一樣，影像組學(xué)在加速準確醫(yī)學(xué)方面具有巨大潛力。然而，影像組學(xué)也有可能經(jīng)受與基于分子生物學(xué)的系統(tǒng)診斷技術(shù)和治療一樣的緩慢進展。這一緩慢進展可歸因于多種緣由，包括技術(shù)簡單性、糟糕的研究設(shè)計〔尤其是假設(shè)生成與假設(shè)檢驗的混合〕和數(shù)據(jù)擬合過度，缺乏驗證結(jié)果的標準，結(jié)果報告不完整，所用數(shù)據(jù)庫中未識別的混雜變量，尤其是假設(shè)數(shù)據(jù)是回憶性得出的。因此，與任何生物標志物爭論一樣，回憶性影像組學(xué)爭論必需依據(jù)完全獨立的數(shù)據(jù)集進展驗證，最好是來自另一個機構(gòu)。此外，最嚴格的生物標志物鑒定要求進展前瞻性多中心試驗，其中生物標志物是主要終點之一。雖然已經(jīng)開發(fā)出了用于基因組分析的標準化工具〔前列腺癌的GenomeDx[GenomeDxBiosciences，加利福尼亞州圣地亞哥]、乳腺癌的OncotypeDx[genomicHealth，加利福尼亞州紅杉城]〕，但它們并沒有得到普遍認可，也沒有在各個醫(yī)療中心得到應(yīng)用，這阻礙了數(shù)據(jù)共享和結(jié)果重現(xiàn)的進展。爭論已經(jīng)在生物醫(yī)學(xué)爭論和分子靶向藥物開發(fā)中記錄了這些問題。2023年對生物醫(yī)學(xué)爭論報告的分析覺察，至少50%的爭論太差、不夠充分或不完整，無法使用。拜耳醫(yī)療保健公司〔德國勒沃庫森〕的科學(xué)家報告稱，他們僅能成功復(fù)制的67項爭論中四分之一的已發(fā)表結(jié)果。此外，當安進〔加利福尼亞州千橡園〕的科學(xué)家試圖復(fù)制癌癥根底科學(xué)中53項里程碑式的爭論時，他們只復(fù)制了6項〔67項〕的原始結(jié)果。這些問題已經(jīng)變得足夠嚴峻，來自30多家高影響因子生物醫(yī)學(xué)期刊的編輯已經(jīng)聯(lián)合起來，實施統(tǒng)計測試的共同標準，并改善原始數(shù)據(jù)的獵取。這些標準已被美國國立衛(wèi)生爭論院承受。盡管這些標準是為解決臨床前數(shù)據(jù)而制定的，但它們可以應(yīng)用于全部爭論領(lǐng)域，并可以為解決與影像組學(xué)固有的高維數(shù)據(jù)采集和分析相關(guān)的復(fù)雜問題供給標準參考。Equatornetwork供給了一個極好的概述，該網(wǎng)絡(luò)促進了安康爭論的質(zhì)量和透亮度。醫(yī)學(xué)爭論所2023年的《組學(xué)》報告也指出了爭論設(shè)計的挑戰(zhàn)。解決這些挑戰(zhàn)的一個明確方法是為影像組學(xué)爭論的開展及其在文獻中的報告建立基準。大數(shù)據(jù)在準確醫(yī)學(xué)時代，每個患者都會收集到千兆字節(jié)的數(shù)據(jù)?；颊邤?shù)量的指數(shù)增長以及從中獵取的數(shù)據(jù)元素被通俗地稱為“大數(shù)據(jù)”。大數(shù)據(jù)建議的目的是從并非源自細心掌握的試驗的大數(shù)據(jù)集中得出推論。雖然觀測值之間的相關(guān)性可能數(shù)量浩大且簡潔獲得，但因果關(guān)系更難評估和建立，局部緣由是它對于簡單系統(tǒng)來說是一個模糊且缺乏明確規(guī)定的構(gòu)造。在大數(shù)據(jù)學(xué)科中，有一些根本問題：獵取海量數(shù)據(jù)是否是理解根底科學(xué)和應(yīng)用科學(xué)根本問題的關(guān)鍵？或者，數(shù)據(jù)的大量增加是否會混淆分析，產(chǎn)生計算瓶頸，并降低得出有效因果推斷的力量？與影像組學(xué)技術(shù)一樣，大數(shù)據(jù)領(lǐng)域也處于早期階段。上述問題在美國國家科學(xué)院〔NationalAcademyofSciences71〕主辦的一次大數(shù)據(jù)會議上得到了解決，影像醫(yī)學(xué)領(lǐng)域?qū)倪@一努力中受益。數(shù)據(jù)共享建立基于影像組學(xué)的模型作為用于決策支持的生物標記物的最大挑戰(zhàn)是在多個地點共享圖像數(shù)據(jù)和元數(shù)據(jù)。多站點試驗需要詢問不同的患者隊列，并創(chuàng)立足夠大的數(shù)據(jù)庫進展統(tǒng)計分析。數(shù)據(jù)共享是全部生物醫(yī)學(xué)爭論的共同挑戰(zhàn)，必需抑制文化、行政、監(jiān)管問題。值得留意的是，像兒童腫瘤學(xué)小組這樣的社區(qū)已經(jīng)建立了數(shù)據(jù)共享的歷史和文化，因此可以擴大他們的爭論，包括影像圖像分析。影像組學(xué)中的數(shù)據(jù)共享尤其令人望而生畏，由于共享數(shù)據(jù)必需包括圖像，并且共享必需符合《安康保險便攜性和責任法案》，由于構(gòu)建足夠簡單的模型需要大量個人安康信息。應(yīng)對這一挑戰(zhàn)的解決方案有很多，可以包括：〔a〕大型集中數(shù)據(jù)存儲庫，如癌癥成像檔案館和癌癥基因組圖譜，其中的訪問權(quán)限僅限于機構(gòu)審查委員會——批準的用戶或數(shù)據(jù)可以被剝奪個人安康信息；〔b〕聯(lián)合方法1，其中每個機構(gòu)維護各自的數(shù)據(jù)，并發(fā)送查詢模型以提取相關(guān)元數(shù)據(jù)；〔c〕聯(lián)合方法2，其中全部機構(gòu)都可以由誠懇的經(jīng)紀人訪問〔即，擁有多站點機構(gòu)審查委員會批準訪問權(quán)限的超級用戶〕。無論承受哪種解決方案，根底設(shè)施成本都可能是巨大的。標準雖然在本文中已經(jīng)提到的很多領(lǐng)域已經(jīng)存在或正在制定標準，但仍舊存在差距。例如，盡管重測試受試者或患者爭論的價值得到了廣泛認可，但很多已發(fā)表的爭論樣本量較小。抱負狀況下，這些研究應(yīng)當結(jié)合起來進展meta分析；然而，如前所述，報告結(jié)果的方式往往存在問題。雖然有報告指南，但還沒有定量成像結(jié)果的報告指南，更不用說更簡單的影像組學(xué)結(jié)果的報告了。紋理分析核心技術(shù)的測試也缺乏標準。假設(shè)該領(lǐng)域要實現(xiàn)其潛力，就有必要為影像組學(xué)的各個方面供給標準。影像組學(xué)：臨床決策的下一個前沿我們對影像組學(xué)的愿景是樂觀而明確的。在可預(yù)見的將來，我們估量從世界各地的影像學(xué)檢查中收集的數(shù)據(jù)將轉(zhuǎn)化為定量特征數(shù)據(jù)，這