文献速递技术与安全CTMRPET

医学影像中的影像组学:「如何做」指南与批判性反思

Radiomics in medical imaging-"how-to" guide and critical reflection.
PubMed 文献 · Insights Imaging · 2020-08-12

本文为影像组学综述,先给出从图像分割、图像处理、特征提取到特征选择与降维的实操流程指南,再讨论当前局限性并提出潜在改进,同时汇总CT、PET、MRI中影响影像组学特征稳健性的技术因素文献。

要点

  • 影像组学通过数学提取信号强度空间分布与像素间关系来量化纹理信息,不意味着诊断流程自动化。
  • 手工或半自动分割需评估观察者内与观察者间可重复性,并剔除不可重复特征。
  • 分割、图像处理、特征提取各环节均有众多因素影响影像组学特征,应使用指南与质量检查表提升研究质量。

核心结论

  • 影像组学可对医学图像进行定量描述,在诊断、预后与预测方面显示出潜力,但该领域仍面临标准化不足、报告不充分、验证缺乏及可解释性有限等挑战。
  • 作者认为应采用指南与质量检查表提升影像组学研究质量,并强调将数据集分为训练集与至少一个独立测试集的重要性。

研究设计与样本

  • 综述类文章,检索并汇总CT、PET、MRI三种模态中评估影像组学特征稳健性的肿瘤影像或体模研究文献。
  • CT部分识别出16项研究评估重测稳定性,常评估公开的RIDER Lung CT数据集;PET重测研究仅少数,为体模或肺癌数据;MRI仅找到4项研究考察重建设置影响,其中1项纳入患者图像。
  • CT有4项、PET有12项研究考察图像离散化对影像组学特征的影响。
  • 特征计算推荐遵循影像生物标志物标准化倡议(IBSI)指南,以统一各特征矩阵的标准化计算。

诊断标准与关键数值

  • MRI数据推荐固定箱数离散化,虽该推荐存在争议;PET图像既往工作推荐固定箱宽。
  • MRI强度离群值滤波常用方法为计算ROI/VOI内灰阶均值μ与标准差σ并排除μ±3σ范围外的灰阶。
  • 插值至各向同性体素间距是多数纹理特征集获得旋转不变性并提高不同数据集间可重复性的必要条件。
  • 离散化范围等于箱数乘以箱宽,三个参数中仅两个可自由设定;最优箱数/箱宽仍是开放问题。

临床应用与阅片要点

  • 影像组学分析流程依次为图像分割、图像处理、特征提取、特征选择/降维,分割界定计算特征的ROI/VOI。
  • 手工与半自动分割(通常含手工校正)最常用但耗时且引入明显观察者偏倚,需评估观察者内与观察者间可重复性。
  • 作者的经验性降维流程为:先剔除不可重复特征,再筛选最相关变量,最后构建相关聚类并每类仅保留一个代表特征。
  • 特征提取时可应用小波或高斯等滤波器,提取特征数量随软件包与滤波器数量从数个到理论无限。

局限性

  • 影像组学研究常基于回顾性收集的数据,证据水平低,主要作为概念验证,需前瞻性研究确认其价值。
  • 由于回顾性性质,采集与重建等成像方案常未受控制或标准化。
  • 影像组学特征的可重复性不一定能推广到不同疾病部位、模态或扫描仪,某一疾病部位的稳健特征在另一部位不一定稳健。
  • 以相关系数截断值评估稳健特征时,这些截断值常为任意选定,且「稳健」特征数量取决于纳入受试者数量。
  • 自动分割算法当前泛化性是主要局限,应用于不同数据集常导致完全失败。
全文中译15 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2020 Aug 12;11:91. doi: 10.1186/s13244-020-00887-2

要点

影像组学是一种对医学图像进行定量描述的方法。

本文提供了一份用于影像组学分析的分步“操作指南”。

在整个影像组学工作流程中,众多因素会影响影像组学特征。

应使用指南和质量检查表来提高影像组学研究质量。

数字体模和开源数据有助于提高影像组学的可重复性。

背景

与过去几十年人类活动的许多其他领域一样,医学领域在临床常规过程中所产生的信息数字化程度不断提高。随着越来越多的医学数据以数字格式提供,人们开发了新的且始终更加复杂的软件来分析这些数据。与此同时,人工智能(AI)研究早已发展到其方法和软件工具不仅功能强大,而且足够易于获取,从而走出计算机科学部门,并在越来越多的领域中找到了应用。因此,近年来AI在医疗领域的应用持续增加,旨在促进临床医生在日常临床工作流程中遇到的重复性任务,并支持临床决策。

AI中使用的不同技术——即主要是机器学习和深度学习算法——在新兴的“大数据”领域尤其有用。大数据被定义为“一个描述大量高速、复杂且多变数据的术语,这些数据需要先进的技术和技术手段来实现信息的捕获、存储、分发、管理和分析。”1 由于存在大量多维信息,需要AI领域的技术来从这些数据中提取所需信息。

在医学中,存在多种生成大数据的方式,包括广为人知的基因组学、蛋白质组学或代谢组学领域。与这些“组学”集群类似,影像学已越来越多地被用于生成一个自身专门的组学集群,称为“影像组学”。影像组学是一种医学成像的定量方法,旨在通过先进的、有时是非直觉的数学分析来增强临床医生可用的现有数据。影像组学的概念最广泛地(但并非 exclusively)应用于肿瘤学领域,其基础是这样一个假设:生物医学图像包含有关疾病特异性过程的信息[1],这些信息是人眼无法感知的[2],因此无法通过传统视觉检查所生成的图像来获取。通过数学提取信号强度的空间分布和像素相互关系,影像组学利用AI领域的分方法对纹理信息进行量化[3, 4]。此外,图像强度、形状或纹理上视觉可察觉的差异可以通过影像组学进行量化,从而克服图像解释的主观性。因此,影像组学并不意味着诊断过程的任何自动化,而是为现有诊断过程提供额外数据。

放射组学分析可对不同模态的医学图像进行,从而允许采用跨模态整合方法,利用所提取影像信息的潜在附加价值,例如来自磁共振成像(MRI)、计算机断层扫描(CT)和正电子发射断层扫描(PET)的信息,而不是分别评估每种模态。然而,目前研究的最新水平仍显示出稳定性和泛化性的不足,具体研究条件和作者的选择对结果仍有很大影响。

在本工作中,我们呈现放射组学分析的典型工作流程,讨论该方法的当前局限性,提出潜在的改进建议,并评述该主题的相关文献。

放射组学——如何做?

以下部分将通过说明放射组学流程中每个所需步骤(如图1所示)并强调要点,给出关于“如何做放射组学”的实用建议。

图1 放射组学工作流程。患者诊疗路径的示意图,包括图像采集、利用放射组学的分析,以及由此得出的患者特异性治疗和预后。在图像采集和分割之后,提取放射组学特征。应用涉及机器学习的高级统计建模进行疾病分类、患者聚类和个体风险分层 查看原图 ↗

步骤1:图像分割

对于任何放射组学方法,在二维(2D)方法中勾画感兴趣区(ROI)或在三维(3D)方法中勾画感兴趣体积(VOI)是流程中关键的第一步。ROI/VOI定义了计算放射组学特征的区域。

图像分割可以手动、半自动(使用标准图像分割算法,如区域生长或阈值法)或全自动(如今使用深度学习算法)完成。有多种不同的软件解决方案——无论是开源还是商业的——可供使用,例如3D Slicer 2 [5]、MITK 3、ITK-SNAP 4、MeVisLab 5、LifEx 6或ImageJ 7 [6],仅举一些常用的开源工具。关于各种不同图像分割工具的综述,请参阅[7, 8]。

手动和半自动图像分割(通常带有手动校正)是最常遇到的方法,但有几个缺点。首先,手动分割耗时——取决于必须分割多少图像和数据集。其次,手动和半自动分割引入了相当大的观察者偏倚,研究表明许多放射组学特征对ROI/VOI勾画的观察者内和观察者间变异不稳健[9]。因此,使用手动或半自动图像分割并带手动校正的研究应评估所衍生放射组学特征的观察者内和观察者间可重复性,并将不可重复的特征从进一步分析中排除。

基于深度学习的图像分割(通常使用某种U-Net [10])正在迅速兴起,许多不同的算法已被训练用于各种器官的图像分割任务(目前,其中大多数适用于整个器官的分割,但不适用于专用肿瘤区域的分割),其中一些已作为开源发布。最近,也有多种可能性将此类算法集成到3D Slicer或MITK等平台中。自动图像分割无疑是最佳选择,因为它避免了影像组学特征的观察者内和观察者间变异性。然而,训练算法的泛化性目前是一个主要限制,将这些算法应用于不同的数据集往往导致完全失败。因此,必须进一步研究开发稳健且可泛化的自动图像分割算法。

步骤2:图像处理

图像处理位于图像分割和特征提取步骤之间。它代表了一种尝试,即对将从中提取影像组学特征的图像进行均一化处理,涉及像素间距、灰度强度、灰度直方图的分箱等。初步结果表明,提取的影像组学特征的重测稳健性在很大程度上取决于所使用的图像处理设置 [11–15]。为了实现可重复研究,因此报告图像处理步骤的每个细节非常重要。

上述几种软件平台(即3D Slicer和LifEx)已集成了影像组学分析功能。3D Slicer集成了一个可安装的开源pyRadiomics包插件 [16](否则可在单独的Python框架中使用),而LifEx是一个独立平台,集成了分割和纹理分析工具以及图形用户界面。pyRadiomics包(目前是影像组学分析最常用的包之一)中的图像处理步骤可以通过编写所谓的参数文件(YAML或JSON结构化文本文件)来定义。该参数文件可加载到3D Slicer中或纳入Python框架。不同模态的示例参数文件可在pyRadiomics GitHub仓库8中找到。

插值为各向同性体素间距对于大多数纹理特征集变得旋转不变以及提高不同数据集之间的可重复性是必要的 [17]。目前,对于上采样还是下采样应为优选方法尚无明确推荐。此外,不同模态的数据可能需要不同的图像插值方法。例如,CT通常提供各向同性数据集,而MRI通常提供非各向同性数据,需要不同的插值方法。在对图像应用插值算法后,勾画的ROI/VOI也应进行插值。关于图像插值和不同插值算法的详细描述,请参阅 [17]。

进行范围重分割和强度异常值过滤(归一化),以从分割区域中去除落在指定灰度范围之外的像素/体素[17]。范围重分割通常是CT和PET数据所需的(例如,用于排除肿瘤ROI/VOI内空气或骨骼的像素/体素),但对于具有任意强度单位的数据(如MRI),范围重分割不可行。对于MRI数据,应用强度异常值过滤。最常用的方法是计算ROI/VOI内灰度的均值μ和标准差σ,并排除μ ± 3σ范围之外的灰度[17–19]。

最后一个图像处理步骤是ROI/VOI内图像强度的离散化(图2)。离散化包括根据特定的范围间隔(箱)对原始值进行分组;该过程在概念上等同于创建直方图。此步骤是使特征计算易于处理所必需的[20]。

三个参数表征离散化:离散化量的范围、箱的数量及其宽度(大小)。范围等于箱数乘以箱宽;因此,三个参数中只有两个可以自由设定。不同的组合可导致不同结果;三个参数的选择通常受背景影响,例如,为简化与使用特定分箱的其他工作的比较:范围通常从原始数据保留,但例外并不罕见,例如当离散化数据需要与某些参考数据集比较时,或当需要分析范围远小于原始的ROI时。值得提及的是,当范围未保留且箱数特别少时,范围边界的选择可能对结果产生强烈影响;

固定箱数(如离散化灰度强度的情况)可归一化图像,并且在具有任意强度单位的数据(如MRI)以及对比度被认为重要的情况下特别有益[17]。因此,这是MRI数据的推荐离散化方法,尽管该推荐并非没有争议(进一步讨论请参阅相关pyRadiomics文档9)。使用固定箱数离散化被认为可使影像组学特征在不同样本间更具可重复性,因为许多特征的绝对值取决于ROI/VOI内灰度级的数量;

固定箱大小可对每个箱所代表的绝对范围进行直接控制,因此允许箱序列与原始强度标度(如Hounsfield单位或标准化摄取值)具有直接关系。此方法使得比较不同范围的离散化数据成为可能,因为属于重叠范围的箱将代表相同的数据间隔。因此,先前的工作推荐对PET图像使用固定箱大小[14]。建议对所有样本使用相同的最小值,由重分割范围的下界定。

一个仍未解决的问题是,在此离散化步骤中应使用的最优箱数/箱宽。考虑到离散化等同于对每个箱内的值取平均,且效果类似于对数据分布施加平滑滤波器,这一问题尤为重要。当箱过宽(箱数过少)时,特征可能被平均掉而丢失;当箱过小(箱数过多)时,特征可能变得与噪声无法区分。当离散化能够滤除噪声同时保留有意义的特征时,即达到平衡;遗憾的是,这意味着分箱的最优选择高度依赖于数据采集参数(噪声)和内容(特征)两者。例如,先前的初步工作已表明,不同的MRI序列可能需要不同的箱数才能获得稳健且可重复的影像组学特征[11]。此外,较少的箱数可能产生对范围及箱边界特定选择的不期望依赖性,从而削弱分析的稳健性。目前的建议是始终先检查待提取影像组学特征数据的直方图,并基于经验为离散化步骤决定一组合理的参数。

图2 图像强度离散化。原始数据(a)和一种通用的离散化版本(b) 查看原图 ↗

步骤3:特征提取

在图像分割和处理之后,最终可以执行影像组学特征的提取。特征提取是指作为最终处理步骤计算特征,其中特征描述符用于量化ROI/VOI内灰度水平的特征[17]。由于存在许多不同的方式和公式来计算这些特征,建议遵循图像生物标志物标准化倡议(IBSI)指南[17]。这些指南为所有影像组学特征矩阵的标准化特征计算提供了共识。影像组学特征存在不同类型(即矩阵),最常遇到的是基于强度(直方图)的特征、形状特征、纹理特征、基于变换的特征和径向特征。此外,在特征提取步骤中通常应用不同类型的滤波器(如小波或高斯滤波器)。在实践中,特征提取意味着只需按下“运行”按钮并等待计算完成。

步骤4:特征选择/降维

取决于用于特征提取的软件包以及过程中应用的滤波器数量,在后续统计分析和机器学习步骤中需要处理的提取特征数量从几个到理论上无限不等。模型中特征/变量数量越多和/或组内病例数越少(例如对于分类任务),模型过拟合的风险就越高。

因此,在称为特征选择或降维的步骤中减少用于构建统计和机器学习模型的特征数量,对于生成有效且可推广的结果至关重要。对于给定样本量下最佳特征数量的定义,可能存在若干“经验法则”,但文献中尚无这些法则的真实证据。关于研究设计或样本量计算的某些指导,请参考文献[21]。降维是一个多步骤过程,最终从数据集中排除不可重复、冗余和不相关的特征。

研究人员中存在多种降维和特征选择的方法。以下步骤反映了我们的个人经验,迄今为止已在多项临床研究中实施[2, 22–27](图3)。

第一步应涉及排除不可重复的特征,如果在图像分割步骤中使用了手动或半自动的感兴趣区(ROI)/感兴趣体积(VOI)勾画。受较高观察者内或观察者间变异性影响的特征不太可能具有信息价值,例如用于评估治疗反应。同样,应评估提取特征的重测稳健性(例如使用体模)。如果研究目的是评估纵向数据,则非稳健特征也应被排除,尽管将特征随时间的关键变化纳入选择程序很重要[28]。仅通过计算组内相关系数(ICC)来评估可重复性/稳健性可能不够充分,因为已知ICC依赖于底层数据的自然方差。关于评估可重复性、重复性和稳健性的建议可见于[29]。

特征选择过程的第二步是为相应任务选择最相关的变量。可用于这一初始特征选择步骤的方法多种多样,通常依赖于机器学习技术,例如敲除滤波器、递归特征消除方法或随机森林算法。

由于这些算法通常不考虑数据中的共线性和相关性,构建相关性聚类是降维工作流程中合乎逻辑的下一步——即第三步。在某些情况下,此步骤可能与前述(第二)步骤合并,因为少数机器学习技术能够考虑数据内的相关性。然而,大多数并不能。相关性聚类(示例见图3)可视化数据中高度相关特征的聚类,并允许每个相关性聚类仅选择一个代表性特征。这一选择过程同样可能基于机器学习算法和/或传统统计方法和数据可视化。作为一般原则,应选择数据集中具有最高生物学-临床变异性的变量,因为它可能最能代表特定患者队列内的变异。一旦数据的维度已降低,数据可视化步骤也高度重要。

最后,剩余的、非相关且高度相关的特征可用于训练模型以完成相应的分类任务。尽管本综述不旨在涵盖模型训练和选择过程,但将数据集分为训练集和至少一个独立测试集(最佳条件下甚至可增加一个验证集)的重要性怎么强调都不为过[30]。鉴于放射组学领域目前所遇到的局限性(如下文所讨论),这一点尤为重要。

图3 降维与特征选择工作流程 查看原图 ↗

放射组学目前的局限性

尽管放射组学在众多研究中已显示出其在诊断、预后和预测方面的潜力,但该领域仍面临若干挑战。知识与临床需求之间存在的差距导致研究缺乏临床实用性。即使考虑了临床相关问题,由于缺乏标准化、报告不充分或开源代码和数据有限,放射组学研究的可重复性往往较差。此外,缺乏适当的验证以及随之而来的假阳性结果风险阻碍了其向临床实践的转化[31]。再者,特征的可解释性——尤其是那些源自纹理矩阵和/或经过滤波后的特征——对结果的错误解读(例如,因果关系与相关性混淆),或缺乏与公认的预后和预测因素的比较,导致人们对其在临床决策支持系统中的应用持保留态度。此外,放射组学研究往往基于回顾性收集的数据,因此证据级别较低,主要作为概念验证,而需要前瞻性研究来确认放射组学的价值。

由于放射组学研究的回顾性性质,成像方案(包括采集和重建设置)往往不受控制或未标准化。对于每种图像模态,多项研究已评估了这些设置对放射组学特征的影响,或试图通过剔除对这些变异性敏感的特征来最小化其影响。尽管这些研究对于认识影响因素具有重要意义,但应注意这些信息往往对未来研究没有直接帮助。放射组学特征的可重复性不一定能推广到不同的疾病部位、模态或扫描仪,例如,在一个疾病部位稳健的特征在另一个疾病部位不一定稳健[32]。此外,在使用相关系数截断值评估稳健放射组学特征时,应当意识到这些截断值往往是任意选择的,且“稳健”特征的数量取决于所涉及的受试者数量。再者,为了使稳健性研究具有可推广性,放射组学特征的计算必须符合IBSI指南[17]。

除了扫描仪和设置的差异外,放射组学特征值还受患者变异性的影响,例如几何形状,其影响图像中的噪声水平和伪影的存在。因此,最近一项研究旨在量化这些所谓的“不可约技术变异”并据此稳定放射组学特征[33]。

下一节概述了评估放射组学特征在不同CT、PET和MRI采集与重建设置下,以及ROI勾画和图像预处理步骤中的稳健性的研究。图4提供了文献中已研究的对放射组学特征值影响因素的总览。在表1、表2和表3中,这些研究分别按本综述考虑的三种模态(CT、MRI和PET)汇总为一个总览。近期的一篇综述概述了已用于三种模态放射组学的现有体模[120]。

图4 影响放射组学稳定性的因素。放射组学工作流程中各步骤中可能降低放射组学特征稳健性、可重复性和分类性能的技术因素总结 查看原图 ↗
表1 肿瘤影像学或体模研究的计算机断层扫描文献综述 查看原表 ↗
表2 肿瘤影像学或体模研究的正电子发射断层扫描文献综述 查看原表 ↗
表3 肿瘤影像学或体模研究的磁共振成像文献综述 查看原表 ↗

CT和PET CT

多项研究(本综述中识别出16项)探讨了CT放射组学在重测场景下的稳定性(表1),其中公开可用的RIDER Lung CT数据集常被评估[121]。对于PET,仅进行了少数重测研究,这些研究要么基于体模,要么基于肺癌数据(表2)。近期发表了一篇关于影响PET放射组学因素的广泛综述[122]。

体素大小是CT中最常被研究的重建影响因素,而对于PET则是高斯滤波器的半高全宽(FWHM)。分别识别出4项和12项研究探讨了图像离散化对CT和PET放射组学特征的影响。图4提供了文献中已研究的对放射组学特征值影响因素的总览。

MRI

迄今为止,对重测、采集和重建设置、分割以及图像预处理影响的探索不如PET和CT广泛。仅发现4项研究探讨了重建设置的影响,其中一项研究纳入了患者图像。分割对MRI放射组学特征的影响已在多种肿瘤部位中得到更广泛的研究。表3总结了目前关于MRI中放射组学特征影响因素的文献。图4提供了文献中已研究的对放射组学特征值影响因素的总览。

降低放射组学的依赖性

关于不同采集和重建设置、ROI勾画以及图像预处理步骤的稳健性的最新文献表明,应对这一问题最常用的方法是剔除对这些因素不稳健的影像组学特征。这种方法的缺点在于可能移除潜在相关信息,而稳定性并不必然意味着信息量。为减少上述因素对影像组学研究的影响,已有少数解决方案被提出。一种提出的解决方案是通过建模特征与某一因素之间的关系并相应施加校正,从而消除特征对该因素的依赖性。近期已在不同CT曝光设置下对此进行了探索[123]。另一种消除依赖性的方法是使用深度学习转换图像,以模拟不同设置下的重建,研究显示该方法提高了不同卷积核重建图像的CT影像组学可重复性[62]。该方法有望在未来解决其他影像组学依赖性问题以提高稳健性。与图像层面的依赖性校正不同,重建后批次协调已被提出,用于协调来自不同机构的影像组学特征集,该方法称为ComBat[124–126]。此外,近期一项研究探讨了数据增强而非特征剔除的性能,以纳入关于影响因素对影像组学特征影响的知识[127]。

开源数据

像RIDER数据集10这样的公开可用数据集有助于了解影像组学中各种因素的影响[121]。此外,一个用于CT影像组学可重复性测试的公共体模数据集的可用性,有助于进一步评估采集设置的影响,以剔除不稳健的影像组学特征[128]。然而,需要研究来证明在体模上获得的稳健性数据能否转化到人体。针对PET和MRI的类似举措将有助于理解设置变化对影像组学的影响。换言之,开源数据在影像组学的未来改进中发挥着重要作用。

解决方案:质量控制与标准化

为提高影像组学研究具有临床相关性和价值的可能性,我们建议在研究开始前核实以下问题是否能够以“是”回答:是否存在实际的临床需求,有可能通过(借助)影像组学来回答?

研究团队中是否有足够的专业知识,最好来自至少两个不同学科,以确保研究的高质量和临床实施的潜力?

是否有足够的数据可获取,以足够的把握度支持结论,包括外部验证数据集?

是否有可能获取已知与研究问题相关的所有其他非影像数据(例如,来自生物学信息、人口统计学信息)?

是否有关于图像采集和重建的信息可用?

成像协议是否标准化?若否,是否有解决方案来协调图像或确保不同设置对建模的影响最小化?

除了这些应在研究开始前提出的通用问题外,该领域近期还有一些旨在促进以更高质量执行影像组学研究的新贡献:(1) IBSI:影像组学实现的协调化及影像组学研究报告指南[17, 129],(2) 影像组学质量评分(RQS):确保影像组学研究质量的检查清单[130],以及(3) 个体预后或诊断多变量预测模型的透明报告(TRIPOD)声明——预后或诊断预测模型的报告指南[30]。对于影像组学特征计算,我们推荐使用符合IBSI的实现,可通过公开可用的数字体模进行验证[129, 130]。此外,关于图像离散化和重采样的选择,我们推荐遵循IBSI指南。除此之外,保持一致性和透明度很重要,并且需要确保详细报告所应用的预处理步骤,以提高影像组学研究的可重复性和可再现性。

近期一项研究使用RQS和TRIPOD评估了77项肿瘤学相关影像组学研究的质量,结论为“影像组学研究的整体科学质量和报告不足”,显示了指南和标准对未来研究的重要性[131]。

展望:工作流程整合

虽然目前许多研究致力于影像组学的标准化,但一旦标准化问题得到充分解决且临床效用在前瞻性临床试验中得到证实,转化为临床实践还需要将影像组学分析充分实施到临床工作流程中。

有用的影像组学工具应无缝整合到临床放射学工作流程中,并纳入现有RIS/PACS系统或与之对接。此类系统应提供分割工具或理想的基于深度学习的自动分割方法,以及标准化特征提取算法和遵循上述标准的模态调整图像处理。在完全自动分割的情况下,应纳入检查并手动校正分割结果的可能性。

在未来的工作流程中,已知的重要影像组学特征可以与其他定量成像生物标志物及图像本身一起显示。放射科医生随后可以使用所有这些信息来支持其临床判断,或在可能的情况下估计例如预后因素。

然而,重要的是要注意,影像组学应仅被视为一种附加工具,而非独立的诊断算法。当然,在影像组学能够整合到我们的日常 routine 之前,仍面临许多挑战:从上述围绕图像标准化的问题到必然出现的关于监管问题的法律问题。尽管如此,它可能被证明是迈向更整合的医疗保健方法的有价值甚至关键的一步。

结论

在整个影像组学工作流程中,已识别出多种影响特征值的因素,包括扫描仪和患者的随机变异、图像采集与重建设置、感兴趣区(ROI)分割以及图像预处理。若干研究提出通过剔除不稳定特征、校正影响因素或对数据集进行协调化处理,以提高影像组学的稳健性。近期发布的指南和清单旨在提升未来影像组学研究的质量,但透明性已被认定为可重复性最重要的因素。在研究启动前评估临床相关性和影响、通过使用数据集足够大的研究和外部验证来提高证据级别,以及将其与已有方法相结合,将有助于推动该领域迈向临床实施。

引用

  1. van Timmeren JE, Cester D, Tanadini-Lang S, et al. Radiomics in medical imaging-"how-to" guide and critical reflection. Insights Imaging. 2020. PMID: 32785796. doi:10.1186/s13244-020-00887-2
  2. 全文:PMC7423816(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7423816/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。