PET影像组学临床应用进展

影像组学可以从标准医学图像中提取和分析大量特征数据，量化描述肿瘤内部的结构异质性，并探索其与疗效及预后等的相关性，已在放射学领域深入应用。PET影像组学能够提取丰富的肿瘤代谢异质性信息，有助于推动肿瘤临床诊疗，日益得到广泛关注。本文对PET影像组学的概念、工作流程及其临床应用进行系统综述。     

MRI影像组学预测较低级别胶质瘤免疫亚型的临床研究

目的:探讨影像组学特征预测较低级别胶质瘤(LGG)与不同免疫亚型的相关性。方法:对133例LGG患者的MRI影像特征和免疫相关基因数据进行影像基因组学分析。利用3D-slicer软件提取胶质瘤患者的影像组学特征，通过最小绝对收缩和选择算子(LASSO)回归进一步筛选与预后显著相关的特征构建影像组学评分。利用聚类算法确定最佳的免疫分型，为了探索不同影像分型预后差异的遗传背景，差异性分析不同免疫分型与影像组学评分的关系。结果:共纳入133例LGG患者，异柠檬酸脱氢酶(IDH)野生型28例，IDH突变型105例，其中野生型1p19q共缺失68例。最终由11个影像组学特征构建影像组学风险评分，影像组学风险评分中位值将患者分为高风险组(n=66)和低风险组(n=67),高评分组患者生存期预后明显较差。受试者操作特征(ROC)曲线表明影像组学预测LGG患者1年、5年生存风险的ROC曲线下面积(AUC)分别为0.79和0.86。聚类分析将LGG患者分为免疫炎症型(n=13)和免疫沙漠型两种亚型(n=113)。免疫炎症型患者影像组学评分较高，提示肿瘤纯度较低，异质性较高，预后较差。结论:影像组学评分可...     

基于3D-CT影像组学预测小细胞肺癌经铂类化疗后脑转移的研究

目的 利用3D-CT影像组学预测小细胞肺癌(SCLC)经铂类化疗后脑转移的发生情况。方法 回顾性分析采用铂类化疗方案的148例SCLC患者的影像资料，其中发生脑转移者共57例，未发生脑转移者共91例。利用慧影大数据科研平台将数据集按照4∶1随机分成训练集和测试集，提取所勾画病灶上的影像组学特征，利用支持向量机建立影像组学鉴别模型，通过对受试者工作特征曲线下面积、敏感度、特异度及准确率进行分析，预测SCLC在铂类治疗过程中发生脑转移的概率。结果 发生脑转移和未发生脑转移组的训练集及测试集的受试者工作特征曲线下面积分别为0.798、0.789,0.798、0.789;训练集未发生脑转移组特异性0.72,准确率为0.80,发生脑转移组中特异性0.71,准确率为0.62,测试集中未发生脑转移组特异性0.83,准确率为0.87,发生脑转移组中特异性0.68,准确率为0.62。结论 基于经铂类治疗的SCLC患者肺部CT 3D影像组学特征预测脑转移具有一定临床价值，能对患者进行早期临床干预，从而改善患者预后，提高生存期。     

基于影像组学的人工智能在脑胶质瘤 MRI诊断中的应用

影像组学能够从影像大数据中挖掘潜在的信息以利于实现精准医疗。基于影像组学的人工智能（AI）技术能实现计算机模拟人类思维,代替人工高效地进行数据挖掘。医学影像学的AI技术能有效辅助放射科医生对脑胶质瘤的MR影像诊断。综述基于影像组学的AI技术在脑胶质瘤的分级诊断、鉴别诊断、预后评估等方面的应用研究。     

图像获取与重建中影像组学特征可重复性的研究进展

影像组学研究分析的主要对象是影像组学特征,其可重复性受到多种因素的影响,从而影响最终建模的准确性。而图像获取与重建作为影像组学研究的起始步骤,对整个研究起着至关重要的作用,其中涉及的多种扫描参数会对影像组学特征的可重复性产生不同的影响。主要介绍影像组学特征分类,明确影像组学特征的可重复性的重要性及特征选择的方法,并对CT和MRI图像获取与重建过程中对影像组学特征可重复性的影响因素及进展进行综述。     

PET影像组学在消化系统肿瘤诊疗中的研究进展

影像组学采用医工相结合的方式,将传统图像转化为高维度、深层次的数字定量特征,挖掘图像的潜在生物标志物和异质性。消化系统恶性肿瘤在中国的发病率和死亡率均较高,近年来在人工智能发展和大数据时代的推动下,PET影像组学应用发展迅速,并在消化系统肿瘤的诊断、鉴别、疗效及预后评估等方面取得了一些有前景的研究成果,向无创性精确医学分析迈进。本文对PET影像组学在消化系统肿瘤中的诊疗进展进行综述,并分析面临的挑战与展望。     

基于乳腺影像的跨尺度多组学研究

专家引言:上海交通大学医学院附属新华医院汪登斌教授指出, 近年来, 复旦大学附属肿瘤医院顾雅佳教授团队围绕乳腺癌诊治相关的影像研究, 深耕影像组学与深度学习领域。他们聚焦于乳腺影像新技术、新方法及跨尺度融合数据挖掘的研究。作为乳腺多学科团队重要的一分子, 该团队持续进行深度交流, 积极推进多学科医工交叉合作, 在乳腺癌的精准影像诊断上取得了一系列的研究成果, 助力大数据时代下肿瘤影像的精准诊疗, 为进一步推动临床应用转化夯实基础。顾雅佳教授团队围绕三阴性乳腺癌复旦分型, 实现MRI组学的无创分型诊断, 并挖掘模型背后的生物学科解释性;围绕关键基因及分子的可视化, 通过影像组学实现无创预测并关联多组学数据验证, 探索潜在治疗靶点;针对新辅助疗效的精准预测, 创新性融合影像组学和体细胞突变特征, 构建新辅助化疗的病理完全缓解的预测模型, 并探究高频基因突变与耐药事件之间的关联。同济大学医学院同济医院王培军教授指出, 以影像为主导的跨尺度多组学研究, 以多组学为驱动, 为乳腺肿瘤的演进发展提供影像学依据, 是大数据时代下乳腺肿瘤影像研究的新方向。顾雅佳教授团队探寻影像肿瘤内异质性的潜在治疗策...     

影像组学在肺癌中的应用研究进展

影像组学(radiomics)借助计算机软件高通量地从医学影像数据中挖掘大量的定量信息,筛选最有价值的影像组学特征来解析临床信息,指导疾病的诊疗,在肿瘤的诊断和鉴别诊断、分期分级、基因表型预测、治疗方案决策、疗效评估及预后预测等方面均显示出巨大价值.本文从影像组学概述、在肺癌中的应用研究进展、挑战及展望三方面进行论述,旨在提高对肺癌影像组学的认识.     

影像组学在预测非小细胞肺癌表皮生长因子受体基因突变中的应用

【摘要】非小细胞肺癌表皮生长因子受体（EGFR）基因突变与否对患者治疗方案的选择以及预后评估具有重要的作用。目前，临床上主要依靠有创手段获得肿瘤的病理组织并进行分子检测来确定非小细胞肺癌患者的EGFR基因突变状况，但由于采样和分析的局限性，检测到的结果可能无法完全反应病灶部位肿瘤内和肿瘤间的异质性。影像组学可从影像图像中高通量地提取并分析大量影像组学特征数据，并将其与肿瘤基因表达相关联，可为临床诊断和治疗提供更多的参考依据。本文将对影像组学辅助诊断非小细胞肺癌EGFR基因突变的研究进行综述。     

积极推动影像组学的临床应用研究

近年来,医学影像设备不断升级换代,随着精准医学模式的提出和发展,传统的医学影像阅片方式已不能满足日益增长的影像学数据的客观需求,亟需开发一种新的方法或技术,为此,影像组学(Radiomics)应运而生.2012年,Lambin等[1]首次提出了影像组学的概念,即从影像图像中提取大量影像学特征,通过高通量定量分析,将影像图像转化为具有高分辨率的、可发掘的空间数据.随后,影像组学的概念得到了进一步拓展,即从CT、MRI或PET等影像图像中提取大量数据,并对之进行高通量定量分析,得到高保真的目标信息来综合评价肿瘤的各种空间、时间上的异质性,包括基因、蛋白质、细胞、微环境、组织和器官等诸多层次的信息[2-4].近3年来,影像组学得到了迅猛发展,成为临床医学和生物医学工程领域的研究热点,在临床实践中的指导价值也受到越来越广泛的重视,并取得了相当可观的结果[5-7].     

基于DBT的瘤内和瘤周影像组学评估乳腺癌HER2状态的研究

目的 探讨基于数字乳腺断层融合成像(DBT)的瘤内和瘤周影像组学评估乳腺癌HER2状态的应用价值。方法 回顾性分析经病理证实的178例乳腺癌患者的影像、临床及病理资料。对头尾位(CC)及内外斜位(MLO)的DBT图像肿瘤感兴趣区(ROI)进行勾画，将瘤内ROI自动外扩3 mm,得到瘤周区域，生成瘤内及瘤周三维容积感兴趣区(VOI)。提取影像组学特征并进行筛选，然后建立瘤内、瘤周及瘤内加瘤周3种影像组学模型。对临床病理资料进行统计学分析并构建临床模型，最终建立基于临床-影像组学的综合模型，并绘制诺莫图。利用ROC曲线及曲线下面积(AUC)评价各模型性能，并绘制校准曲线及决策曲线。结果 瘤内、瘤周及瘤内加瘤周影像组学模型AUC分别为0.800、0.726、0.844,临床模型及联合临床-影像组学的综合模型AUC分别为0.585、0.850。结论 基于DBT的瘤内和瘤周影像组学特征可以评估乳腺癌HER2状态，联合瘤周特征可提升影像组学模型性能，而且结合临床和组学特征的综合模型及诺莫图具有良好预测价值。     

影像组学在宫颈癌中的研究进展

<正>自1895年伦琴发现X线开始,便诞生了医学影像学^[1]。经过一百多年的发展,医学影像学已不再满足单纯的解剖成像,功能成像、分子成像等也成为目前影像检查的核心内容,为病变提供较全面的分析、解读视角。随着医学影像大数据与临床辅助诊断技术的快速发展,加上精准医疗理念的提出,影像组学技术应运而生。本文将从影像组学的概念及影像组学现状、影像组学在宫颈癌中的应用及挑战等方面进行综述。1 影像组学概念及影像组学现状影像组学是使用自动化、     

基于MRI的临床-影像组学模型对前列腺癌根治术后生化复发的预测价值

目的构建基于MRI的临床-影像组学模型, 并探讨其对前列腺癌根治术后生化复发(BCR)的预测价值。方法回顾性分析2015年1月至2018年12月在苏州大学附属第一医院接受根治性前列腺切除术并具有完整随访数据的212例前列腺癌患者, 采用Python语言的random工具包对患者以7∶3的比例进行无放回随机采样, 分为训练集(149例)和测试集(63例)。对患者进行术后随访, 随访终点为发生BCR或至少3年, 训练集中50例患者发生BCR, 测试集中21例患者发生BCR。提取训练集患者术前T2WI、扩散加权像和表观扩散系数图中主病灶区域的影像组学特征, 采用无监督的Kmeans聚类算法进行特征筛选, 筛选出的特征采用多变量Cox回归模型进行模型拟合, 构建影像组学模型。应用单因素Cox回归分析筛选与BCR相关的术前临床资料, 联合影像组学标签(RadScore)构建临床-影像组学模型。在测试集中以患者术后3年是否发生BCR为界, 构建时间依赖性受试者操作特征(ROC)曲线, 计算曲线下面积(AUC), 评估影像组学模型、临床-影像组学模型以及根治术后前列腺癌风险评估(CAPRA-S)评分...     

胸部CT瘤周影像组学在非小细胞肺癌精准诊疗中的应用与挑战

影像组学通过提取医学图像中感兴趣区的定量图像特征,并与肿瘤的生物学特征与异质性进行关联,为个性化精准诊疗提供了关键信息和依据。肿瘤周边蕴含了丰富的微观生物学信息,胸部CT瘤周影像组学通过挖掘肿瘤周围组织的深层异质性信息,为非小细胞肺癌患者提供定量的非侵入性评估方法,展现其在未来临床应用的广阔前景。相信随着计算机、医疗大数据的飞速发展,未来多中心、高质量、大样本数据等工作的深入开展,有望实现影像组学研究的规范化、可重复,推动影像组学研究的临床转化和应用,为肺癌患者精准诊断、治疗和随访等方面奠定基础。     

基于多参数MRI影像组学结合PI-RADS v2.1和临床指标的新型列线图预测临床显著性前列腺癌

目的 建立基于多参数MRI影像组学结合PI-RADS v2.1和临床指标的新型列线图，评价其预测临床显著性前列腺癌(csPCa)的价值。方法 回顾性分析204例患者的资料，进行PI-RADS v2.1评分和影像组学分析。应用受试者工作特征曲线和临床决策曲线评估临床模型、PI-RADS模型、影像组学模型及各联合模型诊断csPCa的效能和临床获益，基于效能最优模型建立列线图并验证。结果 影像组学模型诊断效能显著优于临床模型和PI-RADS评分模型，差异具有统计学意义(P<0.05)。在临床模型或PI-RADS模型中增加影像组学的特征，其联合诊断效能会显著提高(P<0.05)。结论 基于多参数MRI影像组学结合PI-RADS v2.1和临床指标的联合模型所建立的列线图为术前预测csPCa提供了一种无创性的新方法。     

术前预测胰腺癌分化程度的临床-影像组学模型的建立和验证

目的：建立预测胰腺癌分化程度的临床-影像组学模型,并在独立队列中进行验证。方法：收集56例经病理学检查确诊为胰腺癌的患者。基于MaZda将整个病灶作为感兴趣区（region of interest,ROI）,采用软件自带的3种提取方式提取共计30个影像组学特征,并去除重复的特征。然后对影像组学特征进行检测,剔除高共线性特征。依据正态性检验,分别行独立样本t检验和Mann-Whitney U检验。再联合临床指标糖类抗原（carbohydrate antigen,CA）19-9,构建临床-影像组学预测模型。结果：特征Teta2和S(1,0)Entropy在高、中低分化组胰腺癌中存在显著差异,曲线下面积（area under curve,AUC）分别为0.68和0.70。两者联合得到的AUC为0.74。联合肿瘤标志物CA19-9建立的临床-影像组学模型的AUC为0.82,该临床-影像组学模型在验证组中同样获得了较好的诊断效力（AUC为0.78）。结论：联合影像组学特征和临床指标构建的临床-影像组学预测模型可辅助评判胰腺癌分化程度。     

影像组学在骨关节炎早期诊疗中的研究进展

骨关节炎是一种临床常见病及多发病，具有较高的致残率。影像组学作为精准诊疗的新兴技术，通过人工智能对医学影像图像中的异质性信息进行客观、定量的分析及评价，在骨关节炎的诊断窗口前移及精准化诊疗过程中发挥着巨大潜力。本文就影像组学及纹理分析在骨关节炎早期诊疗中的研究进展进行综述，主要包括影像组学概述、骨关节炎的早期诊断、进展预测、疗效评价、预后评估以及骨骼结构评价等方面的应用研究。     

影像组学在肝细胞癌TACE中的应用进展

影像组学是近年来研究肿瘤的个体化治疗、疗效评估和预后的新方向、新热点。其目的是通过将影像特征转化为可量化的数据特征达到探索成像组织病理及生理信息的目的。近年来已有多项研究将影像组学应用于TACE中。本文主要阐述了影像组学在TACE中的疗效预测、肝细胞癌的治疗方案制定及临床-影像组学联合模型预测TACE疗效研究进展,并总结了影像组学的优势及目前面临的难题,就其未来发展做出了展望与设想。     

基于临床及CT影像组学特征构建周围型小细胞肺癌与肺腺癌诊断模型的研究

目的 基于临床及CT影像组学特征建立周围型小细胞肺癌(SCLC)与肺腺癌(ADC)诊断模型，并评估其诊断价值。方法 回顾性搜集周围型肺癌患者临床及CT影像资料，选取治疗前2周内有薄层CT影像的病例分为SCLC组和ADC组，以SCLC组为实验组，采用倾向性评分匹配按1∶2匹配ADC对照组，两组按照7∶3比例随机分为训练集和验证集。依据训练集病例资料采用多因素Logistic回归分析筛选有意义的变量，建立临床、影像组学及临床组学联合预测周围型SCLC诊断模型。采用受试者工作特征(ROC)曲线评价模型诊断效能，建立个体化诊断列线图。结果 周围型SCLC和ADC两组间NSE和13个组学特征有显著性差异。训练集和验证集ROC曲线下面积，临床诊断模型分别为0.793和0.750,影像组学模型分别为0.857和0.838,联合模型分别为0.905和0.882。结论 基于临床及CT影像组学特征建立周围型SCLC与ADC诊断模型可鉴别诊断周围型SCLC及ADC。     

影像基因组学在肝细胞癌诊疗中的应用研究进展

肝细胞癌（HCC）的发病率和病死率较高,早期精准诊疗对病人的预后至关重要。以形态学为主的影像诊断模式已不能满足临床需求。影像组学能深度挖掘影像提供的庞大数据信息,采用定量数据分析综合评价基因遗传、细胞分子、组织形态等各层次HCC的表型,从而对HCC进行精准诊疗和无创监测;基因组学从分子及基因层面揭示HCC的发病机制;影像基因组学主要为HCC形态学特征和影像组学表型特征与基因组学的关联。就HCC的影像基因组学研究进展进行综述。