影像组学方法在软组织肿瘤中的应用研究进展

【摘要】影像组学方法是医学影像学、计算机视觉和机器学习等多学科交叉的产物,能在宏观影像水平间接反映肿瘤微观水平基因或蛋白质的变化,并且不完全依赖于影像医师的专业技能、临床经验及主观因素,所提供的是医学影像相对客观的定量信息,具有传统影像方法难以做到的独特优势。对于软组织肿瘤而言,肉眼从影像上获取的信息十分有限,明确诊断非常困难,而影像组学方法可以辅助影像医生对其进行诊断,进而帮助影像医生和临床医生更全面、更深入、更透彻地认识和理解软组织肿瘤。本文介绍了影像组学方法在软组织肿瘤中应用研究的流程,并对目前影像组学方法在软组织肿瘤良恶性鉴别、术前预测软组织肉瘤分级、评价软组织肉瘤治疗及预后方面应用研究的进展进行综述。     

食管癌影像组学研究现状

食管癌是胃肠道系统常见的恶性肿瘤,其发病率及死亡率逐年升高。食管癌传统的成像方法主要描述肿瘤形态变化及其大小等,而近年提出的影像组学是通过高通量从CT、MRI等影像中提取并分析大量影像学特征,对肿瘤异质性进行全面分析,可以应用于食管癌的临床分期、放化疗疗效评估以及预后分析等。从影像组学的概念和研究方法、在食管癌中的临床应用及面临的挑战三方面对食管癌影像组学研究进展予以综述。     

食管癌影像组学研究

【摘要】食管癌是全球常见恶性肿瘤之一,准确诊断及精准治疗至关重要。影像组学通过分析从医学影像中提取的病灶高通量影像特征,在食管癌的临床分期、放化疗疗效评价及预后预测等方面提供了多参数定量数据,指导临床诊断和预后。本文就影像组学在食管癌中的研究现状与进展予以综述。     

动脉粥样硬化影像组学研究进展

影像组学作为新兴多学科交叉研究领域,融合数字影像信息、统计学、人工智能、机器学习和深度学习等方法,打破了传统视觉影像评价模式,为动脉粥样硬化研究开辟了新的方向。影像组学在颈动脉、冠状动脉等大动脉血管疾病的诊断,治疗方案的选择,疗效评估及预后判断等方面显示出巨大潜在价值。笔者就动脉粥样硬化影像组学的基本内容及其临床应用进展进行综述。     

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。     

影像组学与深度学习在肿瘤放疗中的研究进展

影像组学作为一种非侵入性的图像分析方法,能够深度发掘隐藏在医学影像背后的临床信息。深度学习技术的发展将影像组学研究提升到了新的高度,大量研究结果证实了其在肿瘤放疗中的应用价值。笔者从影像组学的研究背景出发,就其在肿瘤放疗中的研究进展进行综述。     

脑膜瘤的MRI影像组学应用进展

脑膜瘤是最常见的中枢系统肿瘤,常采用多种影像学检查进行诊断和鉴别诊断。MRI影像组学能够挖掘肉眼无法识别的影像学特征,量化肿瘤的异质性,可用于脑膜瘤术前分型分级、鉴别诊断、肿瘤侵袭性预测、预后评估等方面,辅助临床制定个性化治疗策略。就MRI影像组学在脑膜瘤中的应用进展进行综述。     

肺癌预后及疗效评价的影像组学研究进展

影像组学通过高通量地提取肺癌影像特征并进行分析,获得可视化的定量参数,已逐步成为评估肺癌病人预后的重要工具。利用影像组学可以预测肺癌病人的生存期、淋巴结转移、远处转移以及经过传统治疗、放化疗、免疫治疗及靶向治疗后病人的预后,为病人进行个性化治疗与评估。就影像组学的概况及其在肺癌预后和疗效评价中的研究进展进行综述。     

基于人工智能和影像组学的胸部CT在早期肺腺癌中的研究进展

【摘要】随着高分辨率CT（HRCT）在临床的普及,胸部CT已成为临床筛查早期肺癌、降低肺癌死亡率的重要手段。随影像组学、基因组学、人工智能系统的开发和优化,使HRCT在准确诊断早期肺腺癌侵袭性、预测相关特殊分子生物学信息方面成为了可能。本文就胸部CT在预测早期肺腺癌浸润性、生物学特性、预后等方面的研究进展进行相关综述。     

头颈部肿瘤影像组学研究进展

头颈部恶性肿瘤为全球七大常见的恶性肿瘤之一,其发病隐匿且多伴发远处转移,患者的远期生存率相对较低。目前已有大量运用影像组学对头颈部肿瘤进行研究的报道,均提示影像组学在头颈部肿瘤的早期诊断、预后判断、疗效评估以及人类乳头瘤病毒感染状态检测等方面具有重要意义。本文将简要介绍头颈部肿瘤影像组学研究流程中的特点,对现有研究成果进行综述,并探讨影像组学在头颈部肿瘤诊治中的应用前景,以及未来发展将要应对的挑战。     

阿尔茨海默病与帕金森病的影像组学研究进展

阿尔茨海默病(AD)与帕金森病(PD)是中老年人最常见的神经退行性疾病。影像组学基于其高通量从MRI中提取并解析病变特征,目前已初步应用于对AD、PD及肌萎缩侧索硬化症等神经退行性疾病的早期诊断、进展评估及预后分析等。纹理分析是一种研究神经退行性疾病的潜在影像学生物标志物的方法。就影像组学的起源、发展、特征及其在几种主要神经退行性疾病中的研究进展予以综述。     

肾癌影像组学研究现状及展望

【摘要】影像组学是采用多种技术从图像中提取多种定量特征以提高图像诊断、预后预测准确性的一种技术。它可以和基因组学、代谢组学相结合。在肾细胞癌的诊断、生物学行为预测、治疗后评估中有巨大的临床应用潜能。现就对近五年影像组学在肾癌临床管理中的应用现状及未来发展做一综述,以协助未来肾细胞癌影像组学相关研究更好的发展。     

基于MR T1WI的影像组学机器学习模型预测软组织肉瘤分级的价值

目的 探讨基于MR T1WI的最优影像组学机器学习模型及其预测软组织肉瘤分级的价值。方法 回顾性分析2009年5月至2018年11月青岛大学附属医院113例软组织肉瘤患者的术前MR T1WI资料,采用随机分层抽样的方法将患者随机分为训练组(n=80)和验证组(n=33)。根据法国国家癌症研究中心(FNCLCC)系统将软组织肉瘤病理分级分为Ⅰ~Ⅲ三个级别。Ⅰ级为低级别,Ⅱ、Ⅲ级为高级别。训练组中18例为低级别、62例为高级别病变,验证组中7例低级别、26例高级别病变。图像进行标准化后,采用A.K软件对肿瘤感兴趣区进行特征提取,并基于不同特征选择方法(加入和不加入递归式特征消除)、机器学习算法(随机森林和支持向量机算法)和采样技术(不进行过采样、使用少数样本合成过采样技术、使用随机过采样技术),组合成12种机器学习算法组合,应用弃一法交叉验证进行验证,建立分类模型。采用受试者操作特征(ROC)曲线评价模型预测软组织肉瘤病理级别的效能。结果 在12种机器学习算法建立的软组织肉瘤分级预测模型中,联合使用递归式特征消除和少数样本合成过采样技术的随机森林分类算法效能最佳,其在验证组中预测软组织肉瘤分级的ROC曲线下面积为0.909 (95%可信区间为0.808~1.000),准确率、灵敏度和特异度分别为84.85%、86.21%和75.00%。结论 基于影像组学的机器学习方法在预测软组织肉瘤病理分级方面有较大的应用价值。     

人工智能影像组学在肺癌诊疗应用的可视化分析

目的 分析人工智能影像组学在肺癌诊疗应用研究的发展现状,预测未来研究趋势。方法 通过CiteSpace软件对该领域文章的年度分布、期刊、国家、机构、作者、关键词等进行可视化分析。结果 共纳入1937篇相关文献,反映自2012年以来,发文量逐年增加;现阶段“特征筛选”、“定量成像”、“计算机辅助诊断”、“深度学习”、“机器学习”等词为该领域的热点关键词;“个体化治疗”、“肿瘤成像”、“自然语言处理”是未来的研究趋势。结论 人工智能影像组学在肺癌诊疗应用研究发展前景可观,未来通过自然语言处理等人工智能影像组学技术将肿瘤成像等资料进行全面分析,进而为肺癌患者提供更加精准的个体化医学治疗方案或许是该领域的研究热点及前沿。     

乳腺癌腋窝淋巴结转移的影像及影像组学研究进展

腋窝淋巴结转移是乳腺癌预后的关键因素,术前准确评估淋巴结转移状态有助于制定合理的治疗方案。超声、多模态MRI是目前最常用、效能较高的影像检查方法,可判定部分具有典型影像学征象的转移淋巴结。对于不典型的转移性淋巴结,根据乳腺癌病灶征象可预测转移淋巴结,并且基于影像组学的预测模型对淋巴结转移的预测效能很高。本文就基于超声及磁共振影像及影像组学对乳腺癌腋窝淋巴结转移的研究进行综述。     

基于胸部CT影像组学的肺结节影像学性质判断

【摘要】目的：通过获取实性结节（SN）、部分实性结节（PSN）以及纯磨玻璃密度结节（pGGN）的胸部CT影像特征,分别建立模型1(判断实性结节与亚实性结节的影像组学模型)和模型2(判断部分实性结节与纯磨玻璃密度结节的影像组学模型)。方法：回顾性收集2018年10月-2018年12月于本院行CT胸部平扫的病例资料285例,肺结节共315个,将所有肺结节按影像学性质分为实性结节组、部分实性结节组及pGGN组,三类结节的数目分别为106个、110个、99个。手动勾画VOI,通过提取肺结节的全部特征,在特征降维与选择后,使用不平衡调整逻辑回归的方法分别建立影像组学模型1［判断实性结节与亚实性结节（部分实性结节与pGGN）的组学模型］、影像组学模型2（在亚实性结节中判断部分实性结节与pGGN的组学模型）,并分别在两个模型中通过获得100个自举验证测试样本的平均曲线下面积（AUC）、敏感度、特异度作为该模型的效能。结果：模型1的ROC曲线的AUC为96.1%,符合率为90.1%,敏感度、特异度分别为90.0%、90.2%。模型2的ROC曲线的AUC为82.2%,符合率为74.2%,敏感度及特异度分别为73.2%、75.6%。结论：影像组学模型1对判断实性结节与亚实性结节有较好的性能,影像组学模型2对判断亚实性结节中部分实性结节与非实性结节也有一定的帮助。