人工智能及影像组学在腹部肿瘤中的应用进展

人工智能(AI)是影像学的发展方向之一,尤其是深度学习等AI在图像识别上取得了不俗的成果。其中,影像组学是AI在肿瘤影像领域的研究热点。AI技术及影像组学在结直肠肿瘤、肝脏肿瘤、肾脏肿瘤中均取得了进展。与此同时,AI与影像的融合仍处于起步阶段,还面临诸多挑战。     

联合CT影像组学与深度学习特征建立列线图预测食管鳞癌放疗近期疗效

目的:探讨基于CT影像组学特征与深度学习特征建立列线图对食管癌放疗近期疗效的预测价值。方法:回顾性分析137例食管鳞癌患者的临床及影像资料。从CT图像中提取影像组学特征和深度学习特征。通过最小绝对收缩和选择算子方法分别对影像组学特征和深度学习特征进行降维并计算得到影像组学得分(Radscore)和深度学习得分(Deepscore)。采用多因素logistic回归分析建立预测模型,并绘制列线图。对列线图的校准度、诊断效能和临床价值进行评价。结果:筛选得到6个影像组学特征参与计算Radscore, 6个深度学习特征参与计算Deepscore。多因素logistic回归结果显示Radscore、Deepscore、TNM分期为联合模型的独立预测因子。联合预测模型在训练集中预测食管鳞癌患者放疗近期疗效的曲线下面积(AUC)为0.904,高于临床模型(AUC=0.662)和影像组学模型(AUC=0.814),且AUC差异均有统计学意义(P<0.001、P=0.004)。验证集中联合模型的AUC为0.938,高于临床模型(AUC=0.644)和影像组学模型(AUC=0.852),联合模型与临...     

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...     

影像组学在脑胶质瘤中的研究进展

影像组学可以高通量地提取医学影像的特征并进行分析,建立影像与肿瘤异质性、基因表达等信息之间的联系,进而提供更为精准的临床决策。目前脑胶质瘤的影像组学研究基于不同的成像方法,可以提取肿瘤灰度直方图特征、形态特征和表征肿瘤异质性的纹理特征等,主要应用于脑胶质瘤的分级和鉴别、预测基因表达及评估生存期和治疗反应等。就影像组学的流程、基于不同成像的影像组学处理方法以及影像组学方法在脑胶质瘤中的应用进展予以综述。     

影像组学在神经系统非肿瘤性疾病中的应用及研究进展

影像组学作为高通量提取CT、MRI等医学影像放射学特征的一种新兴研究方法,通过量化病灶的异质性并进行定量分析,辅助了影像诊断及临床治疗决策,在临床工作中显示出巨大的应用潜能.目前,影像组学在神经系统主要集中在肿瘤病变研究,而对非肿瘤疾病研究较少.现对影像组学在神经系统非肿瘤病变中的临床应用、研究进展进行综述.     

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。     

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。     

影像组学在EGFR突变型非小细胞肺癌的研究

非小细胞肺癌(NSCLC)发生率呈上升趋势,NSCLC的发生与多种基因有关,其中最常见的是EGFR基因突变导致的NSCLC。靶向治疗已成为EGFR突变型NSCLC的一线治疗方案,但特异性靶向治疗依赖于准确的分子分型。肿瘤的异质性决定了活检取材无法全面准确的反映出病灶的完整信息。影像组学基于大量医学影像数据,通过深度挖掘图像的某些成像特征,直观反映出肿瘤的分子表型与影像特征之间的相关性,在疾病的早期诊断、制定个性化治疗方案、疗效评估及预后预测中具有重要价值。本文基于影像组学在EGFR突变型非小细胞肺癌中的研究进行综述。     

肝细胞癌放射治疗的疗效预测及评估的MRI应用进展

放射治疗对肝细胞癌（HCC）的有效性和安全性已得到广泛证实。基于MRI功能序列参数及影像组学的定量分析方法不仅有利于提高评估准确性,也有望通过表征肿瘤内部生物学特征及异质性实现对疗效及预后的早期预测,对指导临床精准实施个体化放疗具有重要意义。就MRI在HCC放疗中的相关研究进展及存在的问题进行综述。     

影像组学在肺磨玻璃结节中的应用研究进展

影像组学能够从CT、MRI或PET/CT影像中高通量地提取和分析大量定量影像特征,可以提供肿瘤表型及病变微环境信息。目前肺磨玻璃结节（GGN）的影像组学研究主要集中在良恶性的鉴别、侵袭性或病理分型的判断及基因变化的预测。就肺GGN概述、影像组学的发展及在肺GGN中的应用研究进展予以综述。     

Classification of early stage non-small cell lung cancers on computed tomographic images into histological types using radiomic features: interobserver delineation variability analysis

Radiomics, which involves the extraction of large numbers of quantitative features from medical images, has attracted attention in cancer research. In radiomics analysis, tumor segmentation is a crucial step. In this study, we evaluated the potential application of radiomics for predicting the histology of early stage non-small cell lung cancer (NSCLC) by analyzing interobserver variability in tumor delineation. Forty patient datasets were included in this study, 21 involving adenocarcinomas and 19 involving squamous cell carcinomas. All patients underwent stereotactic body radiotherapy treatment. In total, 476 features were extracted from each dataset, representing treatment planning, computed tomography images, and gross tumor volume (GTV). The definition of GTV can significantly affect the histology prediction. Therefore, in the present study, the effect of interobserver tumor delineation variability on radiomic features was evaluated by preparing 4 volumes of interest (VOIs) for each patient, as follows: the original GTV (which was delineated at treatment planning); two GTVs delineated retrospectively by radiation oncologists; and a semi-automatic GTV contoured by a medical physicist. Radiomic features extracted from each VOI were then analyzed using a naïve Bayesian model. Area-under-the-curve (AUC) analysis showed that interobserver variability in delineation is a significant factor in radiomics performance. Nevertheless, with 8 selected features, AUC values averaged over the VOIs were high (0.725 ± 0.070). The present study indicated that radiomics has potential for predicting early stage NSCLC histology despite variability in delineation. The high prediction accuracy implies that noninvasive histology evaluation by radiomics is a promising clinical application.     

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。     

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。     

影像组学在肺癌中的研究进展

影像组学(radiomics)技术在可视化、精准定量化以及人工智能技术的推动下,高通量地从CT、MRI、PET等方面提取并分析大量高级的定量影像学数据,最终通过肿瘤异质性对肿瘤诊断及鉴别诊断、分型及分期、转移、基因表达、疗效评估以及预后等方面展现出巨大的价值,加快了肿瘤学的临床和转化研究。本文从影像组学协助肺癌诊断、评估治疗反应及预测患者预后三方面进行论述,旨在提高对肺癌影像组学的认识。     

影像组学在肺癌中的应用进展

目前放射组学的研究涉及各种肿瘤性疾病的疗效评估，其在肺癌方面的研究较早、较多。综述了放射组学的基本步骤及其运用，总结了放射组学涉及的各种重建方式、放射组学特征，归纳了放射组学在肺结节良恶性鉴别、肺癌疗效评估、肺癌复发转移评价的最新进展情况。     

A prediction model for degree of differentiation for resectable locally advanced esophageal squamous cell carcinoma based on CT images using radiomics and machine-learning

Objective:To propose the prediction model for degree of differentiation for locally advanced esophageal cancer patients from the planning CT image by radiomics analysis with machine learning.Methods:Data of 104 patients with esophagus cancer, who underwent chemoradiotherapy followed by surgery at the Hiroshima University hospital from 2003 to 2016 were analyzed. The treatment outcomes of these tumors were known prior to the study. The data were split into 3 sets: 57/16 tumors for the training/validation and 31 tumors for model testing. The degree of differentiation of squamous cell carcinoma was classified into two groups. The first group (Group I) was a poorly differentiated (POR) patients. The second group (Group II) was well and moderately differentiated patients. The radiomics feature was extracted in the tumor and around the tumor regions. A total number of 3480 radiomics features per patient image were extracted from radiotherapy planning CT scan. Models were built with the least absolute shrinkage and selection operator (LASSO) logistic regression and applied to the set of candidate predictors. The radiomics features were used for the input data in the machine learning. To build predictive models with radiomics features, neural network classifiers was used. The precision, accuracy, sensitivity by generating confusion matrices, the area under the curve (AUC) of receiver operating characteristic curve were evaluated.Results:By the LASSO analysis of the training data, we found 13 radiomics features from CT images for the classification. The accuracy of the prediction model was highest for using only CT radiomics features. The accuracy, specificity, and sensitivity of the predictive model were 85.4%, 88.6%, 80.0%, and the AUC was 0.92.Conclusion:The proposed predictive model showed high accuracy for the classification of the degree of the differentiation of esophagus cancer. Because of the good prediction ability of the method, the method may contribute to reducing the pathological examination by biopsy and predicting the local control.Advances in knowledge:For esophageal cancer, the differentiation of degree is the import indexes reflecting the aggressiveness. The current study proposed the prediction model for the differentiation of degree with radiomics analysis.     

影像组学在胰腺导管腺癌中的应用及研究进展

胰腺导管腺癌是一种高度恶性的消化系统肿瘤,其发病隐匿且侵袭性强,5年生存率较低。影像组学能提取大量肉眼无法识别的影像特征,无创地对肿瘤异质性进行全面定量分析,目前已逐步应用于胰腺导管腺癌的鉴别诊断、生物学行为及疗效评估、预后预测等方面。就胰腺导管腺癌影像组学研究进展予以综述。     

CT影像组学在儿童体部常见恶性实体肿瘤中的研究进展

医学图像中包含了大量肉眼不能识别的图像数据,影像组学通过对图像信息的深入挖掘和定量数据分析,在儿童恶性实体肿瘤的鉴别、肿瘤分子表型以及预后预测等方面取得了一定的研究进展,有可能为儿童恶性实体肿瘤的综合治疗提供更为准确的信息,从而有利于临床决策。就基于CT的影像组学在儿童体部常见恶性实体肿瘤中的研究进展进行综述。     

影像组学在胰腺肿瘤中的研究进展

随着影像技术的发展,胰腺肿瘤的检出率逐年提高。相较于传统的影像诊断模式,影像组学能够提取肉眼无法识别的高通量影像特征进行定量分析,目前已逐步运用于胰腺肿瘤的诊断与鉴别诊断、组织学分级和预后预测等方面。就影像组学在胰腺癌、胰腺神经内分泌肿瘤、胰腺囊性肿瘤中的应用进展予以综述。