肿瘤影像组学:实用指南
本文是一篇关于肿瘤影像组学实践指南的综述,介绍了影像组学工作流程,包括图像采集、预处理、分割、特征提取、模型构建与验证,并强调了多学科合作和避免常见陷阱的重要性,旨在帮助研究者规范开展影像组学研究。
要点
- 影像组学工作流程包括分割、预处理、特征提取、模型开发和验证,需多学科团队合作。
- 模型验证至关重要,可采用交叉验证或独立数据集验证,推荐训练集与验证集比例约2:1至9:1。
- 特征提取前需进行图像预处理,如MRI信号归一化、重采样至统一空间分辨率,并注意去除冗余和不稳定特征。
关键影像表现/征象
- 肿瘤异质性在影像上可表现为信号强度不均匀、强化方式差异等,如胰腺黏液性囊腺瘤呈均匀高信号,而肾肉瘤和纤维板层型肝细胞癌则显示不均匀强化。
- 对比增强成像可突出肿瘤血供和空间异质性,有助于影像组学分析。
- 影像组学特征包括形态学、一阶强度特征和二阶纹理特征(如GLCM、GLSZM),可量化肿瘤内部及周围区域的信号分布和空间关系。
诊断标准与关键数值
- 对于二分类研究,建议最终影像组学特征每个特征对应10-15个样本,若类别不平衡则按较小类别计算。
- 验证集样本量通常约为训练集的三分之一,实际比例可在60:40至90:10之间调整。
- 例如10特征模型至少需要133个样本(100训练,33验证),假设50%的数据流失率则需总研究人群266例。
临床应用与阅片要点
- 影像组学研究应明确研究假设和临床问题,确保有足够数据支撑特征选择,并预留验证集。
- 图像预处理(如归一化、重采样、滤波)需谨慎,避免掩盖或降低影像组学信号,建议优先优化采集协议。
- 分割可由手动、自动或半自动完成,自动分割需放射科医生审核,手动分割时应评估特征稳定性。
- 特征提取前需进行强度离散化,CT/PET可用固定箱宽,MRI推荐固定箱数,且所有患者方法一致。
- 模型构建后应在独立数据上验证性能,避免过拟合,并遵循IBSI等标准化指南报告特征。
局限性
- 本文为综述性指南,未提供原始研究数据或具体验证结果。
- 影像组学领域缺乏统一标准,特征定义和计算方法尚未完全标准化。
- 研究设计和数据异质性可能影响模型泛化能力,需注意真实世界数据与严格对照数据之间的权衡。
全文中译19 节 · 点击展开
SA-CME 学习目标
完成本基于期刊的 SA-CME 活动后,参与者将能够:
■ 列出影像组学研究在肿瘤学中的主要应用。
■ 理解图像预处理、分割和验证在影像组学研究中的使用。
■ 描述主要的影像组学特征类别及其计算方法。
引言
影像组学是指从放射学图像中提取可挖掘的高维数据(1–3),并已在肿瘤学中应用于改善诊断和预后判断(4,5),旨在实现精准医学。其前提是影像数据传达关于肿瘤生物学、行为和病理生理学的有意义信息(6),并可能揭示当前放射学和临床解读无法察觉的信息。
影像组学工作流程涉及临床和影像数据的整理,是一个逐步的过程,包括图像预处理、肿瘤分割、特征提取、模型开发和验证(7)。该领域需要来自多学科人员的投入,包括放射科医生、影像科学家和数据科学家。特征在单时间点(通常为治疗前)或多个时间点(例如,δ影像组学)衍生,并可应用于整个影像数据谱。
尽管图像特征提取的许多概念已存在数十年(8),但该领域的研究产出呈指数级增长,2020年包含影像组学一词的出版物超过1500篇(图1)。随着该领域兴趣的增加,需要理解影像组学工作流程及其挑战和局限性,以便得出可靠的结论(9)。本文的目的是为在肿瘤学中实施影像组学研究提供实用的实践指南,并为不太熟悉该主题的读者提供术语表(表1)。
肿瘤学中的应用
肿瘤学中的影像组学研究通常为(a)分类任务或(b)通过时间-事件分析预测临床结局。分类涉及将人群分为不同类别。示例包括良性 versus 恶性、基因组状态、肿瘤分期和转移的存在等。预测模型使用临床结局,基于临床终点(如总生存期或无病生存期)发生的风险将患者分层为不同风险组,并通过时间-事件分析进行评估。
这些应用基于这样的理念:放射组学数据传递关于肿瘤生物学的信息(1)。例如,放射组学特征可能反映时间和空间异质性(图2),已知这是肿瘤行为和对治疗抵抗的关键决定因素(10)。因此,放射组学有潜力充当“虚拟活检”,与标准活检不同,它使用无创成像,允许分析整个肿瘤(而非局灶样本),并且可以更容易地在多个时间点应用于疾病监测,提供与疾病演变相关的潜在重要诊断信息。
规划放射组学研究
在规划放射组学研究时,值得提出基本问题(表2)以评估可行性和成功的可能性。在我们机构,我们发现放射组学研究预案表在评估拟议研究时很有用(附录E1)。与任何研究一样,放射组学研究应有一个可检验的假设,该假设应针对相关的临床问题,通常旨在满足癌症管理中未满足的需求。
一个关键考虑因素是确定是否有足够的数据来支持放射组学特征(定义为从放射组学分析中学习到的用于预测特定临床结果的模型)的开发。作为二分类研究的经验法则,应努力在最终放射组学特征中每个特征获得10-15个样本。这在不同的研究之间可能有所不同,但在开展新研究时是一个有用的指南(11,12)。如果类别大小不相等,该规则应应用于较小的类别(13)。由于放射组学是数据驱动的,可能无法预先知道最终模型中将包含多少个特征,因为特征选择方法通常在模型拟合过程之前或期间应用。同样重要的是要意识到数据损耗是常见的。常见原因包括数据缺失或标记错误、不符合纳入标准或失访以及图像质量差。这些强调了在开展新研究之前获得最终样本量的现实估计的重要性。
模型验证包括使用未用于模型拟合的数据来测量模型的预测性能。应有足够的数据可用于放射组学模型的验证,通常约为训练样本量的三分之一。三分之一的比例代表了在训练集中拥有足够数据以确保模型具有足够预测能力与拥有足够大的测试数据集以确保预测性能估计准确之间的权衡。实践中使用的比例范围为60:40至90:10。例如,使用“三分之一”标准和10个特征的模型,至少需要133个样本,其中100个用于训练,33个用于验证。假设脱落率为50%,则需要总研究人群266例。这凸显了为高质量放射组学研究整理足够大小数据集所面临的挑战。
最后,重要的是考虑数据是否平衡。对于分类任务,平衡数据是指每个类别或结局包含大致相等比例的数据。当比例不相等时,数据是不平衡的,如果非常不平衡,则可能需要更大的样本量才能使所开发的模型具有可推广性。对于时间-事件分析,应估计观察到的事件(事件时间已知)和删失的事件(例如,受试者在事件发生前退出研究或研究在事件发生前结束)的比例。
应考虑数据异质性,包括疾病状态、治疗、成像设备、采集方案和测量方法。在真实世界的异质性数据集(其中噪声可能掩盖潜在的放射组学特征)和良好控制的同质性数据集(噪声较少但可推广性较低)之间存在权衡。数据异质性的评估通过评价研究设计和纳入标准与临床实践中所遇到的情况的相似程度来进行。这将有助于评估成功的可能性以及是否需要后续真实世界研究来建立临床有用的特征。
一旦确定了研究问题和研究人群,应考虑收集预试验数据,以帮助在全面数据收集之前识别和减轻潜在问题。通过具有代表性的数据样本,可以估计缺失数据的频率和通过纳入标准的比率。对于分类研究,已提出每类12例的预试验样本量(14),但在实践中这取决于可用资源和研究人群。尽早将预试验数据通过放射组学处理流程运行可以快速解决问题,任何初步结果可能能够指导最终样本量的确定。例如,如果检测到特征但无统计学显著性,则可能估计获得显著结果所需的样本数量。
放射组学工作流程概述
放射组学工作流程代表了多学科团队的共同努力,包括数据和成像科学家以及放射科医生,并被细分为通常按顺序执行的多个任务(图3、图4)。
图像采集
尽管迄今为止大多数研究使用了CT检查的数据,但影像组学分析可应用于整个影像数据谱,包括来自CT、PET、MRI和US检查的数据。CT和PET数据的一个优势是信号强度(SI)本质上是定量的。与其他模态相比,CT可能也更不易出现PET和MRI中所见的运动伪影。US比其他模态更依赖于操作者;然而,与MRI一样,在重复测试实验中评估特征稳定性是可行的,因为不存在辐射负担。最终,模态的选择往往取决于临床实践中可用和使用的设备。对比增强成像可提供关于肿瘤强化、血管分布和异质性的信息(图2),这些信息在不使用对比剂的情况下可能不明显,但可能带来费用负担并需要特定专业知识(例如,进行对比增强US的能力)。
应清晰定义符合研究纳入和排除标准的合适影像数据。标准化成像方案(即对所有样本使用相同厂商或扫描仪设置的方案)可用于减少不必要的混杂因素和噪声(4),而标准化不那么严格的方案可用于反映真实世界的临床场景。
一旦确定了队列,应对图像进行匿名化处理以去除患者可识别的元数据。然而,相关的不可识别图像数据可以保留。图像应使用无损压缩格式导出为医学数字成像和通信(DICOM)文件,以避免丢失可能具有信息价值的图像特征。值得与图像存档和通信系统(PACS)团队沟通以寻求帮助。
数据管理
非影像学和临床数据通常被整理到一个存储库中进行分析,建议在数据收集前与机构或执业部门的统计学家或数据科学家讨论所需格式。随后可以采取整理步骤来识别缺失或不完整的数据,并在合并临床和影像组学数据之前纠正排版错误或不一致之处。
图像预处理
在特征提取之前,可以通过多种预处理步骤对原始图像数据进行增强,这些步骤总结于表3。尽管这些步骤可能改善图像质量,但应注意它们可能掩盖或降低影像组学特征的信号,更好的做法可能是通过优化和标准化图像采集来减轻这一问题。
与CT不同,MRI信号强度的单位是任意的,因此建议对信号强度进行归一化。尽管目前尚无共识,但z分数是一种简单的方法,其计算方法为从像素信号强度中减去感兴趣区(ROI)的平均信号强度,再将结果除以标准差(19)。还应应用偏置场校正来纠正MRI中遇到的空间场不均匀性(17)。可以对CT数据应用基于体素亨氏单位的阈值处理,以排除假定含有非信息性组织的体素。例如,非常低的值可能对应于肺内空气,高值可能对应于骨或钙化。
由于某些影像组学特征值依赖于体素大小(20),应将图像重采样至所有样本共同的空间分辨率(21)。通常推荐使用线性插值(18,22)。
运动校正可用于纠正配准不良、模糊或运动伪影,并已用于肺部肿瘤的四维CT(23)。然而,这种额外的处理有可能影响图像中潜在的影像组学信息。建议使用呼吸屏气等运动控制技术,因为运动模糊对计算影像组学特征的影响已知具有特征依赖性(24)。
在提取特征之前,可以使用图像滤波作为预处理步骤,以突出特定的图像属性。非空间滤波器增加或降低影像组学特征对高或低强度值的敏感性;示例包括对图像强度取平方或指数。空间滤波器增加或降低特征对图像特定空间属性的敏感性。示例包括高斯拉普拉斯(LoG)滤波器,其强调快速变化的区域(如边缘检测)(图5)(25),以及小波滤波器,其分离高空间频率和低空间频率信息。通过图像滤波生成的影像组学特征(以及因此生成的数据集)数量可能变得很大,因此通常先尝试使用未滤波的图像。
分割
分割可通过在肿瘤、肿瘤亚区(“栖息地”)或瘤周区域绘制ROI来进行,选择由研究假设指导。例如,栖息地成像旨在通过比较离散的功能性肿瘤亚区来表征瘤内空间异质性(26),而瘤周区域可能包含关于肿瘤侵袭或宿主免疫反应的信息(27)。用于治疗计划的放射治疗肿瘤体积数据也可使用,尽管这些数据可能与专门为影像组学分析绘制的ROI不同。
ROI可在二维(2D)(单层面)或三维(3D)(多层面)中手动、自动或半自动勾画(图5)。选择将取决于可用资源和肿瘤类型。三维ROI将捕获额外信息,但当使用手动勾画时,绘制可能耗时。
自动分割可能更快且更具可重复性(28),并且对于手动分割不可行的大型数据集可能是必需的。然而,分割应由放射科医师检查以确保准确性。可使用Dice评分将特征与手动分割后获得的特征进行比较。
当使用手动分割时,应通过对同一肿瘤进行多次分割(由同一或不同读者执行勾画)来评估特征稳定性。
特征提取
特征提取是模型构建和验证之前的最后一步,涉及从将用于模型的每个ROI计算影像组学特征。影像组学特征是“手工制作的”,因为用于生成特征的算法是由数据科学家设计或选择的,而非像深度学习方法那样直接从图像中学习。因此,使用手工制作特征获得的影像组学特征签名可能可以解释,而深度学习特征可能面临可解释性有限的问题。
存在多种特征类别,总结于表4中。定量影像特征集规模庞大,并正在持续更新和完善。已在标准化方面做出努力,例如影像生物标志物标准化倡议(IBSI)(21),我们建议读者参考该资源以获取特征及其属性的最新描述。
形态学特征描述病灶的几何属性,如体积、直径、表面积和伸长率。基于强度的特征,也称为一阶特征,描述感兴趣区(ROI)内强度分布的属性,其中每个体素的空间位置被忽略。一阶特征可大致分为测量分布位置的 feature(均值、中位数、众数等)、测量分布离散程度的特征(方差、四分位距等)、测量分布形状的特征(偏度、峰度等),以及与体素强度异质性较不特定属性相关的其他特征(熵、能量等)。MRI 和 US 等成像模态通常生成具有任意强度标度的图像,如果这对所有受试者不一致,则在计算一阶特征之前有必要进行图像标准化。偏度等特征不受图像标准化影响,因为它们取决于强度分布的形状而非其绝对值。
二阶特征,也称为纹理特征,超越了一阶特征,在计算特征时使用两个或多个像素的空间位置以及 SI。例如,灰度共生矩阵(GLCM)特征考虑相隔给定距离和方向的像素对的 SI,而灰度尺寸区域矩阵(GLSZM)特征考虑离散化后共享相同 SI 的连续区域的大小。
强度离散化涉及将给定强度范围内的像素分配给单个值或“箱”,并在计算二阶特征之前使用。可以指定箱宽度或箱总数。减少箱数(或增加箱宽度)会导致图像细节丢失,但会去除噪声(图6)。相反,增加箱数(或减小箱宽度)将保留更多图像细节,但也会保留图像噪声。使用固定箱大小可保持“分箱”数据与原始强度标度的关系,当强度标度为定量时(如 CT 和 PET 数据)可使用。当图像强度单位为任意时(如 MRI 数据),建议固定箱数(而非箱大小)(21)。无论使用哪种方法,所有患者都应相同。
除了所描述的不可知或定量特征类别外,语义特征如“毛刺状”或“强化”也可用作放射组学模型的输入特征,并将通过视觉检查确定。这些特征通常是分类变量(例如,小、大、高强化)而非数值型。
模型构建
在收集并整理临床和影像组学数据后,拟合统计模型以预测研究终点,例如肿瘤类型或生存时间。典型模型使用输入特征(包括前述影像组学特征以及肿瘤标志物或淋巴结状态等临床特征),此外还使用模型旨在预测的目标数据,例如良性 versus 恶性或复发风险。通过在新测试数据上验证模型,确定影像组学分析所得模型的最终性能和泛化能力(33,34)。
留出法使用训练集开发模型,并使用验证集估计未来在新数据上的性能。为避免使模型性能产生偏倚,验证数据应不参与模型训练过程,且最终验证仅进行一次。理想情况下,验证数据应来自另一机构,但这并非总是可行。将单机构数据拆分为训练集和验证集通常更实际,可通过随机方式、时间方式(使用最近病例作为验证数据)或通过在训练集和验证集中选择相似的类别比例(例如良性 versus 恶性)来完成,后者称为分层抽样。
在建立训练数据集和验证数据集后,重要的是验证两个数据集之间的特征分布相似。这是为了确保在训练数据中获得的任何有信息量的模式也会存在于验证数据中。通常对每个特征进行独立的单变量检验,有用的检验包括 Mann-Whitney U 检验(两个数据集的中位数相等)以及 Komogorov-Smirnov 或 Shapiro-Wilk 检验(两个数据集的分布相等)。这些检验不使用结局数据(它们被称为无监督),因此不违反验证数据应仅用于模型测试的规则。
虽然留出验证是最直接的方法,但它在小型数据集(<100–200 个样本)中效果较差,因为验证数据集中的性能不确定性会很大,而且训练数据的多样性可能不足以发现稳健模型。如果获取更多数据不可行,并且在研究较小的情况下,可使用交叉验证来估计性能。
采用K折交叉验证时,数据被划分为K折(通常为3–10),然后用K-1折训练模型,剩余一折留作测试模型。通过这种方式,共训练K个独立模型,其中每一折轮流充当测试集。最终性能估计为所有折的平均值,性能的标准误可通过各折的标准差来估计。这在比较不同模型时很有用,并反映了模型的稳健性。
许多模型具有调优参数,优化这些参数对获得良好性能至关重要。与模型参数不同,调优参数无法直接从训练数据中学习。调优不当的参数可能导致对训练数据的过拟合或欠拟合——过拟合导致验证数据中的性能相比训练数据变差,而欠拟合发生在模型无法捕捉训练数据中的重要特征时(图7)。拆分验证(等同于留出验证)和交叉验证可用于优化调优参数,从而能够找到在过拟合与欠拟合之间取得平衡的调优参数。类似的验证方法可用于在候选模型之间进行选择。
特征稳定性
当进行手动分割时,重要的是剔除对感兴趣区(ROI)的读者间变异特别敏感的影像组学特征。这通过由一名或多名读者对一部分患者重复进行肿瘤分割来评估。组内相关系数(ICC)可用于剔除低于ICC阈值的不可重复特征(35,36)。
虽然用于测量可重复性的患者可从整个数据集中选择,但当使用留出测试时,选择训练数据中的患者较为方便。在这种情况下,用于特征剔除的ICC阈值可作为模型参数处理并作为调优参数进行优化,但当未进行此操作时,0.75–0.9范围内的ICC阈值是典型的。特征稳定性还受患者因素波动的影响,包括体位;如果可能,应获取一部分患者的重测图像。这在MRI研究中通常可行,但对于涉及电离辐射获得的图像可能较为困难,并且在回顾性研究中通常不可能实现。
单变量特征发现
在影像组学研究中,单个特征能够表现良好并单独使用的情况并不常见,但单变量模型(即仅包含一个特征的模型)仍然可作为基准基线性能,用于与更复杂的多变量模型(即包含多个特征的模型)进行比较。对于二分类任务(即将数据分为两组[例如,良性 vs 恶性]),受试者工作特征曲线下面积是对每个特征单独使用时的分类性能进行排序的合适指标,Mann-Whitney U 检验可用于检验模型是否优于随机猜测。由于将对每个特征测量分类性能,应使用 Bonferroni 校正或错误发现率方法(如 Benjamini-Hochberg 和 Benjamini-Yekutieli 校正)对 P 值进行多重比较校正 (37,38)。
特征选择与降维
当应用特征选择或降维时,多变量模型往往表现更好,因为这倾向于去除噪声并减少冗余(即不为模型增加任何额外信息的特征数量)。表 5 概述了一系列方法,本节将更详细地描述。选择特征选择技术时的一个关键考虑因素是其对最终模型可解释性的影响。
可以通过使用成对相关统计量(如 Pearson 相关)来减少相关特征,以去除相关性高于阈值(例如,0.8)的特征。这是在不知道结局数据的情况下进行的,并且从相关性最高的一对开始迭代进行。对于每一对,与其余特征平均相关性最高的特征被剔除。为了提高可解释性以及稳定性,我们开发了该技术的扩展方法,其中使用高度相关特征的类别(即形状、一阶和纹理)来确定应去除哪个特征 (15)。例如,如果一阶特征和纹理特征相关,则保留一阶特征;如果形状特征和一阶特征相关,则保留形状特征。这产生了一组冗余减少的特征,并倾向于更简单的解释。
降维技术旨在以更少的总体变量数保留特征的信息成分。例如,100 个特征中包含的大多数“有用”信息由包含特征组合的一两个新变量表示。在这种情况下,维度已从 100 降至一或两个。广泛使用的例子包括主成分分析(PCA)、独立成分分析、核 PCA (39) 和自编码器 (40)。一个关键限制是,特征降维后获得的变量可解释性有限,因为它们受到许多或所有输入特征组合的影响。
特征选择方法利用目标数据,这些方法可分为三种类型:过滤法、包装法和嵌入法。
过滤法利用从每个输入特征和目标数据中得出的统计量对输入特征进行排序和选择,并在模型拟合之前应用于训练数据。它们属于监督方法(因为它们利用了目标数据),应注意避免验证数据的数据泄漏。可能的统计量包括t统计量、Mann-Whitney U检验、Fisher评分、联合互信息、最大相关最小冗余以及互信息(41)。
包裹法将所选的多变量模型与特征排序函数相结合,通过迭代方式移除排名较低的特征。为避免过拟合,应使用交叉验证或对训练数据进行分割验证来计算排序。递归特征消除是一种常用的包裹法,大多数统计软件包中均可使用。
嵌入法采用已有的统计模型(如逻辑回归),并添加一个项(称为正则化项),其作用是使与非信息性特征相关的模型参数收缩至零或接近零的值。这种简化特性在试图解释最终模型时具有优势。示例包括最小绝对收缩和选择算子(LASSO)(42)、岭回归和弹性网络正则化(43)。嵌入法具有一个或多个调节参数,应通过交叉验证或分割验证在训练数据中对其进行优化。
多变量模型
多变量模型是指使用多个输入变量的模型,在影像组学研究中经常使用。影像组学研究的主力模型是分类模型和时间-事件(生存)模型(表6)。
分类模型在数据之间生成边界,将数据分隔为离散的组(图7)。这些边界称为决策边界,数据根据其位于边界的哪一侧进行分类。一类广泛使用的分类模型生成线性边界(即直线)或二次边界(曲线)。这些包括线性判别分析(LDA)、高斯朴素贝叶斯和二次判别分析。逻辑回归是一种相关技术,它(与LDA一样)生成线性决策边界,但与LDA不同的是,远离边界的数据点对边界位置的影响较小。这些分类模型的优点是不具有任何调节参数,但缺点是只能生成线性(或二次)决策边界,如果分隔类别的真实边界不是简单的直线或二次函数,则可能导致欠拟合。这些技术可以与前述所有三种特征选择方法结合使用。带LASSO正则化的逻辑回归是这方面广泛使用的示例,其优点是模型参数可以解释为比值比,且正则化倾向于移除非信息性特征,有助于模型解释。
当数据需要更复杂的决策边界时,支持向量机、相关向量机、随机森林和神经网络分类器等非线性分类器可能是合适的选择(33,44)。这些算法可以在类别之间生成更复杂的边界(与线性或二次函数的边界相比),并且具有可对性能产生显著影响的调优参数,因此应使用训练数据上的交叉验证或拆分验证来进行调优参数优化。
评估从数据中学习到的分类模型的性能是放射组学特征开发的关键方面。附录E2中概述了一些较广泛使用的指标及其用途。
放射组学研究中广泛使用的时间-事件模型包括Cox回归和随机森林生存模型。两种模型均考虑了数据删失。在具有大量输入特征的放射组学研究中,带有LASSO正则化的Cox回归可以有效地生成具有少量非零特征的风险特征(45)。时间-事件模型的性能评估大致分为两类:给定时间点的预测准确性或预测整个生存曲线风险的准确性(46)。评估这些性能的常用指标在附录E2中概述。
软件
选择放射组学软件时,主要的初始考虑因素是使用商业软件还是非商业软件。非商业应用程序往往免费、发展迅速,并反映最新研究趋势。商业应用程序不是免费的,但可能更稳定、附带技术支持,并且可能是一个“黑箱”。与所有科学软件一样,用户应考虑所选软件包的成熟度、可用的文档、文献中的先前使用情况以及开发者个人或组织提供支持的潜力。放射组学特有的其他考虑因素包括图像归档和通信系统(PACS)集成、分割工具、支持的放射组学特征、预处理和模型构建。如果有本地专业知识,考虑实施可能针对本地系统优化的内部流程。已开发了大量非商业软件应用程序(附录E3),许多可免费公开下载。
目前,在这一快速发展的领域中,商业软件的选择有限。这可能是因为在许多开源解决方案已经存在的情况下盈利潜力较低,以及开发作为医疗器械销售给医疗保健市场的软件存在较高壁垒。需要注意的是,仅使用经过IBSI测试的软件并不能保证可重复性,还依赖于协调某些设置(这些设置不一定对应于软件的默认值)以及保持每个软件平台版本的一致性(47)。
手稿撰写
解读影像组学研究的结果需要详细了解研究设计过程中所执行的各种步骤,并且在撰写论文时清晰概述这些步骤至关重要。为帮助作者并提供论文写作框架,可参考多种影像组学和人工智能专用的清单、报告指南和影像组学质量评分(4,21,48,49),此外还有熟悉指南的人工智能扩展版,如TRIPOD(多变量预测模型个体预后或诊断的透明报告)、CONSORT(临床试验报告统一标准)和SPIRIT(标准方案条目:干预性试验建议)(52)。这些有助于论文准备,并可深入了解论文在同行评审中将如何被评估。为应对影像组学标准化的挑战,重要的是遵循公认的命名法,例如IBSI(21)所汇总的命名法。
应明确研究各阶段的处理和采集参数,以及软件详情和版本号。有建议鼓励充分利用补充材料,包括成像协议、检查图像、分割、特征提取公式和影像组学模型代码(4)。在无法提供患者特异性数据的情况下,可使用数字体模的计算值(53),并与经验证的容差水平(54)进行比较。
未来方向与挑战
尽管影像组学出版物的数量呈指数级增长,但常规临床实施尚未实现(55,56)。
主要障碍包括不遵守机器学习最佳实践、影像组学工作流程的标准化以及研究方法的清晰报告。只有在此基础上,模型才能得到验证,最好是在外部真实世界数据上进行前瞻性验证,包括多厂商图像和各种采集协议。
数据管理和质量以及足够的样本量对于应对这些挑战至关重要。然而,大型数据集的整理是资源密集型的,从多个机构获取足够的数据可能具有挑战性。数据共享有助于应对这些挑战。然而,障碍仍然存在(57),包括但不限于伦理和法律考量、数据价值、知识产权和资源可用性。
最后,尽管影像组学在很大程度上是一项数据驱动的实践,但在结果获得更广泛接受之前,需要更深入地理解任何衍生影像组学特征的生物学意义(6)。
结论
影像组学在肿瘤学中的应用包括诊断、预后判断和临床结局预测。它是一个多学科领域,涵盖放射科医生以及数据和成像科学家。存在各种挑战,包括需要对工作流程各阶段进行标准化,以及使用真实世界异质性数据集在多个中心进行前瞻性验证。本文提供了多个学习要点,以改进研究设计和执行,并促进影像组学向临床实践的转化。
引用
- Shur JD, Doran SJ, Kumar S, et al. Radiomics in Oncology: A Practical Guide. Radiographics. 2021. PMID: 34597235. doi:10.1148/rg.2021210037
- 全文:PMC8501897(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8501897/
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。