影像组学综述：Radiomics and “radi-…omics” in cancer immunotherapy: a guide for clinicians

一、影像组学的概念

利用算法对医学影像数据进行分析，利用肉眼无法识别的、量化的特征进行建模，用于医学决策(Gillies et al., 2016; Lambin et al., 2012)

二、影像组学整体步骤

• 2.1 图像获取、存储（建库）、数据清洗(选择过滤) ：有研究称(Gillies et al., 2016)数据量上，每种疾病至少10例
• 2.2 感兴趣区域（VOI）勾画：手动、半自动、自动
• 2.3 感兴趣区域纹理特征提取：利用市售或内部软件(Varghese et al., 2019; Lubner et al., 2017)
• 2.4 建模：特征选择、模型选择、模型验证

三、纹理特征的分类((Lambin et al., 2012; Incoronato et al.,

• 3.1 shape-based：最直观的图形特征,如体积、表面积、毛刺、密集度

  
  
  1.shape-based

• 3.2 first-order statistics：主要为直方图为基础的、描述像素值分布情况的，参数，不含有像素间的空间关系，如平均值、标准误、熵、偏度、峰度

  
  
  2. first-order statistics

• 3.3 second-order statistics：又称以纹理为基础的测量值。主要描述相近像素/体素间的空间相对关系，用于衡量某区域or病灶内的异质性；如GLCM、GLSZM、NGTDM、NGLDM

  
  
  3. second-order statistics

• 3.4 higher-order statistics：对图像加以滤波算子后提取得到的特征，如laplacian of Gaussian、 Gabor、wavelet transform、fractal dimensions(分形维数)；对图像加以滤波算子后会再次提取first- and second-order statistics

  
  
  4. higher-order statistics

四、影响影像组学建模准确度的建模前因素

• 4.1 数据搜集的质：搜集过程需要构建标准化流程以部分消除影像数据间差异
  量：(至少超过100)
• 4.2 勾画过程：肿瘤会随时间有所变化，所以时间动态的进行图像数据搜集和建模是必须的；不同肿瘤同周围组织的边界不同，为使得该过程具有最大程度的可重复性，计算机辅助的边缘检测+手工修正是一种解决方案(Gillies et al., 2016)

五、建模：单独的影像组学 or 多组学；本文阐述将建模过程大致分为特征选择、模型选择、模型验证。大体流程对，不过不够详细，可参见本人的应用预测建模过程的理解

建模过程

• 5.1 特征选择与降维: PCA/clustering/LASSO/automatic relevance determination(自动关联性判断)

• 5.2 模型选择：机器学习的方式主要包括有监督学习、无监督学习、强化学习。以上三大类学习算法可以根据任务的需要进行联合运用。其中，当前图像分析绕不开的主流是CNN；而CNN的应用多联合了迁徙学习的思想：一方面是由于医学数据量的限制，又迁徙学习确实在诸多应用中取得了良好的效果(Yuan et al., 2019) ；(Nishio et al., 2018)。

  
  
  List of principal machine learning techniques
• 5.3 模型验证：包括了内部验证和外部验证。衡量分类模型性能的度量，拟在最新的应用预测建模读书笔记中进行详述

六、影像组学在肿瘤免疫治疗中的应用

Ongoing clinical trials of radiomics

• 6.1 Radiomics in immunotherapy for non-small cell lung cancer
  • 影像组学预测免疫微环境(PD-L1表达、TIL)
    • (可读一下：)
    • (Jiang et al., 2019)利用PET-CT预测PD-L1表达
  • (Rabbani et al., 2018) (Mu et al., 2019)利用PET-CT直接预测免疫疗效
  • (Khorrami et al., 2020)利用CT图像的delta-radiomics预测OS和免疫疗效
  • 结合了影像、患者基线、临床和检验数据和突变基因预测免疫超进展
• 6.2 Radiomics in cancer immunotherapy (other types of tumors) and
  adverse events to immunotherapy
  • (Liao et al., 2019)预测了肝癌中CD8+ T细胞浸润程度，思路类似于(Tang et al., 2018)和(Jiang et al., 2019)
  • 其他研究还包括胶质瘤、脑转移、淋巴瘤
  • ：(Colen et al., 2018)/ (Porcu et al., 2019) 预测免疫治疗相关性肺炎。目前有正在进行的此方面的临床研究，如图

七、当前的痛点问题、未来研究方向和思路启迪

7.1 痛点问题 (Park et al., 2020; Deutsch and Paragios, 2019)

• 目前仍缺乏III/IV期临床研究，使得影像组学真正用于临床
• 先前研究和报道的质量参差不齐
• 缺乏统一的执行标准
  • Moons KG et al (Buckler et al., 2011)等人提出应遵循Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (TRIPOD) checklist
  • Lambin et al (Lambin et al., 2012)提出“radiomic quality score” (RQS)用于评估影像组学研究的科学性和质量
  • Park JE et al (Park et al., 2020) 据TRIPOD和RQS认为先前的多数研究其科学性仍有待考证
  • 北美放射委员会(Radiological Society of North America)和美国生物医学影像研究院成立了quantitative imaging biomarkers alliance(QIBA) ；欧洲放射委员会(European Society of Radiology)成立了European Imaging Biomarkers Alliance；其目的都在于促进影像组学标志物的流程标准化。

7.2 未来研究方向和思路启迪

• 1. 多组学融合
• 2. 时间动态的影像组学
• 4. 严格的、前瞻性的临床试验来验证radiomics biomarker的效能