前言

“請問特徵提取之後我該如何分析？”
“我想找出有統計學差異的特徵，要用什麼統計學方法？”
“LASSO的內涵是什麼？真的這麼厲害？”
“Rad-score是什麼？到底要怎麼算？”
“那張一條一條的橫線，有分值的….,對就是 落-寞-gram！ 是什麼意思？怎麼畫？？”
“鄙人課題簡單粗暴，有哪些高大上的統計圖可以撐場面”？
“我想做一批基於影像組學的膠質瘤鑑別應用研究，最少需要蒐集多少病例？”
“這是我的病例集、數據分佈情況，請問我可以怎麼分析？”
“我的Statistical analysis寫的不好，你幫檢查檢查？！”
“老鐵，這課題咋設計？至少需要多少病例”
“影像組學還可以在哪些方面應用？核心是什麼？怎麼實現？”
“我需要具備什麼才能上手radiomics？怎麼做？能發幾分兒啊？有什麼瓶頸？未來“K”線圖走向？”
“有人説影像組學就是統計學的一種高級應用？是這樣嗎？”
“……？？？”

這些問題是否經常困擾你影像組學多年的科研旅程？
幾年前鄙人剛開始接觸影像組學的時候也有過類似的困惑，經過這幾年的摸爬滾打，深入學習，我對這塊更加熟悉，終於能總結出一些方法經驗和簡化代碼。希望基於本公眾號平台，可以給大家在影像組學Radiomics和醫學統計學等方面上提供一些思路和參考。
影像組學作為一門新生學科，需要不斷深入研究和探索，希望通過此平台，與各位路人和大神多溝通，多學習，共同進步。
由於篇幅過長，我將分成多期推送，希望大家在研究的路上張弛有度，高效學習。

第一部分 影像組學官網定義

“Radiomics”最早是由荷蘭的學者Philippe Lambin提出來的（見下圖），簡言之，旨在用“高級特徵分析法”從醫學影像中提取出更多的信息來協助臨牀的一種輔助診斷方式。

解讀：“高級特徵法”其實就是針對“影像”中的某個“區域”，用特定的“工具”提取“信息”、“分析”信息，進而對臨牀進行“輔助診斷”。

**“影像”：**常見的有平掃/增強CT、磁共振MRI、PET影像、超聲、X-ray等（甚至簡單至單張圖片也可以執行，但基本不做），圖像蒐集完畢後可能需要進行格式轉化、配準的內容。

“區域”：區域就是指需被研究的內容，官方稱“ROI，即Region Of Interest感興趣區域”，這個ROI是需要被勾畫出來的，也可以稱“分割”，目前分割的方法有①全自動分割法（滑降區域生長法（region-growing methods）、圖割法（graph cut methods）、基於容量CT的分割法（volumetric CT-based segmentation）或是基於深度學習模型結晶而成等等）；②半自動分割算法（semiautomatic segmentations）；③打工人手動分割法（ITK-SNAP(地址http://www.itksnap.org/pmwiki/pmwiki.php)、3D-slice(地址https://www.slicer.org/)）是目前最常用的，為什麼？你懂得。

**“工具”：**目前常用的、公認的有①Pyradiomics（網址：https://pyradiomics.readthedocs.io/en/latest/index.html），這是一個基於Python語言環境下的開源庫，可以理解為R語言內的函數包，可以用來提取特徵，但需在Python環境下進行編碼，才能完成，也有很多其他資料，請參考官網；②IBSI(Image Biomarker Standardisation Initiative)，這是特徵的定義、公式等純理論具體內容，常用MATLAB、C++等語言實現；③IBEX，是MATLAB的一個程序，也是可以用於提取特徵；④公司開發的軟件，比如GE公司的AK、IF等。

**“信息”：**目前為止大家絕大多數在探索組學特徵，常用有①IBSI(Image Biomarker Standardisation Initiative)，因此也可以稱影像組學特徵為影像(腫瘤/病理)標誌物；②Pyradiomics。這些本質上是基於計算機視覺領域的圖像分析領域-數據圖像，因為説白了圖像就是數字本身，因此可以通過一定的公式運算，形成有計算機含義的特徵，①②基本上是一樣的，只是在分類和數量上有點差異，大家選擇其一使用即可。公式中存在幾個如步長、翻轉角的參數，改變他們就可以算出同名系列特徵，這就是為什麼有的人只提取幾百個，而有的人能提取幾千個特徵的區別，但不一定越多越好，這目前尚無實證研究。特徵的種類大致有以下幾類（參考Pyradiomics）

中文可以這麼翻譯：一階統計特徵、2D/3D形狀特徵、灰度共生矩陣、灰度遊程長度矩陣、灰度大小區域矩陣等等。找一個感受一下：

**“信息”**指的就是這些晦澀難懂的特徵變量，研究到目前，除了組學特徵，目前還常常引入稍微好理解的基因數據、病理、臨牀指標。

“分析信息”：具體指的就是統計分析，影像組學絕大部分都是在做統計分析的工作，挖掘內在聯繫和模型構建與驗證，這部分內容比較多，後續將一一推出核心內容和實現方法。

“輔助診斷”：沒錯，就是字面意思。醫學影像輔助診斷，輔助是的臨牀大夫對疾病的判斷（比如肺結節的良性or惡性，腸癌/胃癌等良惡性判斷、腫瘤分子分型、病理分級、療效評估、預後預測等等，還有什麼？那還不趕緊關注公眾號，下期分享）起初是針對腫瘤，除了良惡性判斷，慢慢延伸至量化病情、治療方案等，這具有重要的臨牀意義。影像均為數字圖像，因此也成為“計算機輔助診斷（computer aided diagnosis，CAD）”

影像組學（&深度學習）也是醫工交叉類的產物，具有廣闊與深遠的前景。雖然目前影像組學看似很完善，但其實流程上還有很多不足和難題，慢慢將在後期推出各種難題供大家思考，先賣個關子，比如最常見的Rad-score結合臨牀發現radiomics比臨牀貢獻度更大，真的是這樣嗎？你品，你細品。

上圖也是影像組學開山之作paper內的一張圖，簡單闡述了其運作模式：

獲取圖像 -> 勾畫 -> 特徵提取 -> 統計分析

其中，前三步驟是一個“清洗”與“標準化”的過程，目的是為統計分析做準備，因此重點在最後的統計分析模塊。説到底，影像組學核心底層實際上就是統計分析內容，比如特徵數據的清洗、不平衡處理、PCA等特徵篩選、機器學習模型構建，預測手段和評價指標，基本都是統計學領域，本公眾號“挺煩的統計”就是專門研究和探索Radiomics、Medicine Statistics Analysis等等方面的頻道。

第二部分：具體應用方向？十大維度供您參考

我們已經知道，影像組學是在一羣影像上提取出肉眼看不見的“特徵”，結合臨牀的資料與病理標準，分析他們，並且構建出一定的模型，應用於患者的影像上，從而協助臨牀醫生，判斷患者是否需要用藥？腫瘤是良性還是惡性？腫瘤處在第幾期？他們的3年生存概率為多少？他們接下來的最佳治療方案是？
在上一篇我們談到“影像組學的官方定義”，後台大部分的留言並不是在提問，而是在。。。催更！好吧，如今……她來了！
“影像組學可以應用在什麼方面？”這是許多研究者經常和我交流的問題。這個問題非常大，相信大家理解後感覺絕大部分的影像類研究都能蹭上一點組學技術。
小編根據文獻和自己的經驗簡單總結了影像組學的幾個應用方面，從以下十大維度供大家參考！（所有參考文獻下載鏈接見文末）

【第一維度】

大咖田捷教授在其PPT內展示，圍繞基於結直腸癌診療全過程，説明人工智能中的影像組學是如何使得醫學治療更加精準的，這個案例從臨牀出發，提出3個問題：
（1）術前，新輔助治療是否達到pCR？
（2）術中，是否需要進行淋巴結清掃？
（3）術後，是否需要進行輔助放化療？

“影像組學可以應用在什麼方面？”這是許多研究者經常和我交流的問題。這個問題非常大，相信大家理解後感覺絕大部分的影像類研究都能蹭上一點組學技術。
我們可以看出這麼一個邏輯：

參考文獻：1.1、1.2、1.3

在術前階段：

外科大夫一般會對患者做一個輔助化療（PCR）來控制癌症發展，後續再對輔助化療失敗（或者説還尚存癌細胞）的進行開刀手術。這裏可以利用影像組學將PCR緩解的患者挑出來，這部分病人即可免除開刀手術，只需要密切觀察和隨訪即可。文章就發表CCR，現IF10.1分！[1.1]（參考下圖）

在術中階段：

經過化療後，有大部分患者沒有達到PCR緩解效果，因此需要進行開刀手術進行淋巴結清掃。在實際臨牀清掃過程結果顯示，有70%的患者竟然是假陽性！因此針對患者病理、影像數據，可以利用影像組學方法，給出是否需要進行淋巴結清掃的答案，可以將假陽性率從70%降到30%！該文章發表JCO上[1.2]，目前IF為32.956！！！合作單位是廣東省人民醫院劉再毅大咖！（參考下圖）

在術後階段：

一般術後均會進行放化療以防手術後的復發或轉移。但他們發現，實際上經過手術後的只有20%的結直腸癌患者會有遠處轉移情況，這意味着約有80%的患者花了錢且承受放化療的痛苦，來預防不可能發生（或者説發生的概率極小）的遠處轉移。因此他們利用影像組學技術，把發生轉移概率較大的患者挑選出來，再去做放化療，其他患者只需要後續持續隨訪、觀察即可。文章是上篇提到的影像組學提出者lambin發表的，同樣是JCO！[1.3]（參考下圖）

這個維度需要從長計議，首先是圖像的標準化採集，各位學者以後當上主任後，在診治疾病的同時，建議將病例標準化採集、保存，日後必定有大用處。

【第二維度】

根據疾病就診、發現、治療和預後等過程，結合臨牀的應用與作用，一般可以總結為以下4個方面：
第一方面為輔助鑑別診斷，可以理解為腫瘤（分子）分型，其核心為對(轉移)腫瘤進行分類，以協助臨牀的判斷、提高疾病診斷效率和提供治療方式參考。如乙肝纖維化程度等同病理診斷[2.1]；肺結節良惡性鑑別；非小細胞肺癌（NSCLC）分類[2.2]；原發、轉移瘤鑑別等；HIV損傷鑑別[2.3]；眼眶淋巴瘤和炎性假瘤的無創定量鑑別[2.4]；如肝纖維化鑑別以取代肝穿（理論上）。
第二方面為腫瘤分期（分級），其臨牀目的為提高患者生存期。主要核心算法為生存分析。如非功能性垂體瘤亞型的精準預測[2.5]、非小細胞肺癌病理分型的精準預測[2.2]、肥厚型心肌病[2.6]。
第三方面為預後評估/監測(post-treatment monitoring)/療效預測，其臨牀目的為緩解患者醫療負擔[2.7-2.9]，如肺癌頭頸癌預後分析、晚期肺癌預後預測[2.10]、對病患的鼻煙癌給出判斷及生存期預測、晚期肺癌EGFR突變靶向治療無進展生存期進行個性化的精準預測[2.11]、腫瘤壞死&復發[2.7/2.12]。
第四方面為治療方案，其目的是緩解醫院就診壓力，提高就診、治療效率，如晚期直腸癌放化療後的反應研究[2.13]，EGFR突變/風險分級[2.14]。

【第三維度】

部位相互參考。從疾病或者部位角度，我們可以快速閲覽各類可應用的疾病：
腦腫瘤[2.12]、鼻咽癌(晚期鼻咽癌無進展生存期精準預測[3.1/3.2])、食管癌[3.3]、肺癌(預測肺癌遠端轉移[3.4])、乳腺癌(組學特徵與乳腺癌復發風險聯繫[發表Nature、新英格蘭、JCO等3.5-3.7]、影像組學評估乳腺癌患者新輔助化療患者的反應[3.8])、結直腸癌[1.2]、膠質瘤、胃腸道癌(胃癌腹膜轉移預測[3.9])、腎癌、膀胱癌、前列腺癌、頭頸部腫瘤、婦科腫瘤、甲狀腺等太多就不一一列舉了。

【第四維度】

影像&基因。從生物技術角度看，影像組學是推斷蛋白質基因組和表型信息，因此目前更傾向把他們結合一起分析即放射基因組學（Radigenomics）分析，如影像與基因迴路關聯分析（論文）；將影像組學特徵基因組聯合進行miRNA關聯分析[4.2竟然發表了6分+的Cancers！]；將腫瘤的水腫/浸潤部分或空間異質性與基因組信息相關聯[4.3,IF=10]；MGMT啓動子的甲基化狀態[4.4]、基因突變(影像組學實現結直腸癌KRAS/NRAS/BRAF基因突變精準預測[4.5/4.6/4.7])。

【第五維度】

方法學比較。從方法學上，分析的角度有監督學習(考慮金標準)、無監督學習(不考慮金標準)等模式，業界內基本為監督學習，其主要的模型為統計機器學習，多數為二分類、多分類和迴歸模型等，如果結合隨訪時間，隨訪重點事件，就可以構建生存分析迴歸模型；無監督模型主要是單純分析組學特徵與疾病的相關性，不存在病理的比較，主要方法有聚類分析、因子分析等；也可以和deep learning深度學習方法相結合，這個方向就多了，目前業界也都在探索中[5.1/7.1]。

【第六維度】

二維、三維影像的比較。主流的影像組學文章重在腫瘤鑑別，運用三維數據，那麼是否可以從二維的角度去評估呢？能否運用二維數據的最大或者某幾層去評價？再做個比較？趕快查查你的方向是否有人做吧，動起來！[6.1/6.2]

【第七維度】

影像成像技術的影響分析。如田教授PPT內，超聲中的彈性成像應用中，炎症會不會對診斷結果產生影響？（參考下圖）[7.1]

【第八維度】

模態比較。可以將多模態一一對比、或者融合做比較，比如CT中的平掃、增強、能譜CT等，MRI中有T1WI、T2WI、FLAIR、SWI、PWI、SWAN、灌注DSC等不同序列圖像；PET影像中根據藥物不同也可以得出不同種類影像，如FDG、MET、PSMA等藥物；對比劑增強；PET/CT融合圖像；PET/MR融合圖像等。

【第九維度】

研究對象。在常人眼裏，一個病例就是一個樣本，科裏只有50個病例，一眼看，“做不了組學”，結束，就這樣錯過一個機會。其實不然，深入討論，存在許多內幕，研究對象不一定按照傳統思想（以病例為單位），打開統計學角度的思維，樣本其實可以是一個病灶、一層CT/MR圖、甚至是患者其中一個時間點的影像，還可以是什麼？那就得根據實際病種的特殊性考慮了。但是！這些樣本可以直接簡單粗暴拿來建模分析麼？（課後作業吧，好好思考哦）

【第十維度】

設備之間的比較。説實話，不同影像設備之間的差異性確實非常大，GPSU各大廠家設備雖説都能成像，肉眼看差不多，其內在重建算法、設備參數調整、分辨率、藥劑藥量、等待時間等多種因素導致最後成像差異比較大，但是是否可以從統計學角度思考，控制變量法，找到只有部分差異的設備，進行比較呢？如某廠家新款設備發佈（一般這種都是基於上一款迭代而成的），或許新增某項功能，但是成像效率可能更高，那理論上是否可以代替上一代呢[10.1]？這也是一種思路供大家思考。

以上10個維度僅供大家思考，如果大家有新想法，歡迎留言區分享一起學習！

那到底有什麼疾病可以應用影像組學？想了解這個問題，需要從影像組學的基本條件開始瞭解。

第一，必須要依託於某種影像，如平掃/增強CT、磁共振MRI、PET影像、超聲、X-ray等；

第二，能夠在該影像上勾畫出某個區域。由於大部分影像是切片式斷層顯像（腫瘤當然也是鑲嵌在某些層面上）。因此一般的操作是，在二維的圖像上勾畫，形成ROI（region of interest），其他層類似操作後，合併起來，可以以三維立體的形式展現某個腫瘤，進而形成VOI（volume of interest），如下圖B至A；當然，單張圖像如X射線也是可以操作的，只需在一張圖上進行勾畫即可。

第三，針對某種疾病，在您的數據庫內存在大量病例集，可以重複第二個條件，再根據臨牀需求，實際病種、用統計學方法實現量化。