影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究演講人影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究01#####5.1.1無創(chuàng)評估轉(zhuǎn)移潛能02###參考文獻03目錄影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究###1.引言：腫瘤轉(zhuǎn)移預(yù)測的臨床需求與影像組學(xué)的興起腫瘤轉(zhuǎn)移是導(dǎo)致惡性腫瘤患者治療失敗和死亡的核心原因，臨床數(shù)據(jù)顯示，約90%的癌癥相關(guān)死亡源于轉(zhuǎn)移灶而非原發(fā)灶[1]。準確評估腫瘤的轉(zhuǎn)移潛能，對于制定個體化治療方案、優(yōu)化治療策略及改善患者預(yù)后具有不可替代的臨床價值。傳統(tǒng)評估手段如病理學(xué)分級、分子標(biāo)志物檢測等，雖具有一定參考價值，但存在有創(chuàng)性、取樣偏差、動態(tài)監(jiān)測困難等局限。影像學(xué)檢查作為無創(chuàng)評估腫瘤的重要手段，傳統(tǒng)上多依賴醫(yī)師主觀判斷腫瘤大小、形態(tài)、強化程度等表觀特征，難以全面反映腫瘤的異質(zhì)性和生物學(xué)行為。近年來，影像組學(xué)（Radiomics）的興起為解決這一難題提供了新思路。影像組學(xué)通過高通量提取醫(yī)學(xué)影像（CT、MRI、PET等）中肉眼難以識別的定量特征，將影像數(shù)據(jù)轉(zhuǎn)化為可分析的“組學(xué)特征”，從而揭示腫瘤的微觀生物學(xué)特性[2]。影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究其核心假設(shè)是：腫瘤的影像特征反映了其基因表型、代謝狀態(tài)、微環(huán)境等深層信息，而這些信息與腫瘤的侵襲轉(zhuǎn)移潛能密切相關(guān)。作為深耕腫瘤影像診斷與治療領(lǐng)域多年的研究者，我深刻體會到影像組學(xué)在“連接影像與臨床”中的橋梁作用——它不僅是對傳統(tǒng)影像診斷的補充，更是推動腫瘤診療從“經(jīng)驗醫(yī)學(xué)”向“精準醫(yī)學(xué)”轉(zhuǎn)型的關(guān)鍵技術(shù)之一。本文將系統(tǒng)闡述影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究，從理論基礎(chǔ)、技術(shù)方法、臨床驗證到未來挑戰(zhàn)，為相關(guān)領(lǐng)域的研究與應(yīng)用提供全面參考。###2.影像組學(xué)的基礎(chǔ)理論與技術(shù)流程####2.1影像組學(xué)的核心概念與發(fā)展歷程影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究影像組學(xué)概念由Lambin等[3]于2012年正式提出，其本質(zhì)是“將醫(yī)學(xué)影像轉(zhuǎn)化為可挖掘的高維數(shù)據(jù)特征”。與傳統(tǒng)影像分析不同，影像組學(xué)強調(diào)“高通量、定量化、可重復(fù)”，通過算法從影像中提取大量肉眼無法識別的特征，這些特征涵蓋了腫瘤的形狀、紋理、強度分布、異質(zhì)性等多個維度。發(fā)展至今，影像組學(xué)已從最初的CT、MRI拓展至PET、超聲等多模態(tài)影像，并與基因組學(xué)、蛋白組學(xué)等多組學(xué)數(shù)據(jù)融合，形成了“影像基因組學(xué)”等交叉研究方向，為腫瘤精準評估提供了更豐富的維度。####2.2影像組學(xué)的技術(shù)流程影像組學(xué)研究需嚴格遵循標(biāo)準化流程，以確保結(jié)果的可靠性和可重復(fù)性。具體可分為以下五個關(guān)鍵步驟：#####2.2.1圖像獲取與預(yù)處理影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究圖像是影像組學(xué)的數(shù)據(jù)基礎(chǔ)，其質(zhì)量直接影響特征提取的準確性。需明確影像設(shè)備型號、掃描參數(shù)（如CT的管電壓、電流，MRI的序列、b值等），并盡量采用標(biāo)準化掃描協(xié)議以減少設(shè)備間差異。預(yù)處理包括圖像去噪（如高斯濾波、中值濾波）、強度標(biāo)準化（如Z-score標(biāo)準化、直方圖匹配）、圖像配準（多模態(tài)影像融合時）及感興趣區(qū)（RegionofInterest,ROI）勾畫。其中，ROI勾畫是核心環(huán)節(jié)，目前主要有手動勾畫、半自動勾畫（如基于閾值分割）和全自動勾畫（如深度學(xué)習(xí)算法）三種方式。手動勾畫雖精度高，但耗時且存在觀察者間差異；全自動勾畫效率高，但對圖像質(zhì)量和算法依賴性大，需結(jié)合臨床需求選擇。#####2.2.2特征提取影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究特征提取是影像組學(xué)的核心步驟，旨在從ROI中提取定量特征。根據(jù)特征性質(zhì)可分為四大類[4]：-形狀特征：描述腫瘤的幾何形態(tài)，如體積、表面積、球形度、緊致度等，反映腫瘤的生長方式和侵襲性（如不規(guī)則形狀常提示高轉(zhuǎn)移潛能）。-強度特征：反映像素/體素的灰度分布，如均值、中位數(shù)、標(biāo)準差、偏度、峰度等，間接提示腫瘤內(nèi)部細胞密度、壞死范圍等。-紋理特征：描述腫瘤內(nèi)部灰度空間分布的異質(zhì)性，是反映腫瘤微環(huán)境復(fù)雜性的關(guān)鍵。包括灰度共生矩陣（GLCM）特征（如對比度、相關(guān)性、能量）、灰度游程矩陣（GLRLM）特征（如游程長度非一致性）、鄰域灰度差矩陣（NGTDM）特征（如粗糙度）等。例如，GLCM的“對比度”值越高，提示腫瘤內(nèi)部灰度差異越大，可能對應(yīng)細胞密度不均或微血管浸潤。影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究-小波特征：通過對圖像進行多尺度分解，提取不同頻率域的特征，可捕捉傳統(tǒng)方法難以識別的細微結(jié)構(gòu)信息。#####2.2.3特征篩選與降維原始影像特征數(shù)量龐大（可達數(shù)千個），但存在冗余、噪聲及與臨床無關(guān)的特征，需通過特征篩選提取最具價值的特征。常用方法包括：-過濾法（FilterMethods）：基于統(tǒng)計檢驗（如t檢驗、ANOVA、卡方檢驗）或相關(guān)性分析（如Pearson相關(guān)系數(shù)）篩選與轉(zhuǎn)移狀態(tài)顯著相關(guān)的特征，計算效率高但未考慮特征間交互作用。-包裝法（WrapperMethods）：結(jié)合機器學(xué)習(xí)模型（如SVM、隨機森林）評估特征子集的性能，如遞歸特征消除（RFE），篩選使模型預(yù)測準確率最高的特征，但計算復(fù)雜度高且易過擬合。影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究-嵌入法（EmbeddedMethods）：在模型訓(xùn)練過程中自動進行特征選擇，如Lasso回歸（通過L1正則化壓縮系數(shù)）、隨機森林的特征重要性排序，兼顧了篩選效率與模型性能。#####2.2.4模型構(gòu)建與驗證基于篩選后的特征，構(gòu)建預(yù)測腫瘤轉(zhuǎn)移潛能的機器學(xué)習(xí)模型。常用算法包括邏輯回歸（LR）、支持向量機（SVM）、隨機森林（RF）、XGBoost及深度學(xué)習(xí)模型（如CNN）。模型構(gòu)建需嚴格劃分數(shù)據(jù)集：訓(xùn)練集（用于模型訓(xùn)練）、驗證集（用于調(diào)參和避免過擬合）、測試集（用于最終性能評估）。評價指標(biāo)包括受試者工作特征曲線下面積（AUC）、準確率（Accuracy）、靈敏度（Sensitivity）、特異度（Specificity）等，其中AUC是衡量模型區(qū)分能力的核心指標(biāo)。影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究#####2.2.5臨床轉(zhuǎn)化與驗證影像組學(xué)模型需通過前瞻性臨床試驗或多中心外部數(shù)據(jù)集驗證，才能確證其臨床應(yīng)用價值。驗證需關(guān)注模型的泛化能力（不同中心、不同設(shè)備、不同人群的適用性）及可重復(fù)性（不同觀察者、不同掃描參數(shù)下的穩(wěn)定性）。###3.腫瘤轉(zhuǎn)移潛能的生物學(xué)機制與影像組學(xué)特征的關(guān)聯(lián)####3.1腫瘤轉(zhuǎn)移的核心生物學(xué)機制腫瘤轉(zhuǎn)移是一個多步驟、多因素參與的復(fù)雜過程，主要包括“原發(fā)灶生長-侵襲-進入循環(huán)系統(tǒng)-存活-遠處器官定植”五個階段[5]。關(guān)鍵生物學(xué)機制包括：-上皮間質(zhì)轉(zhuǎn)化（EMT）：上皮細胞獲得間質(zhì)表型，增強遷移和侵襲能力，與腫瘤早期轉(zhuǎn)移密切相關(guān)。影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究-血管生成：腫瘤新生血管為轉(zhuǎn)移提供通道，VEGF、MMPs等因子促進血管基底膜降解。-腫瘤微環(huán)境（TME）：免疫細胞浸潤（如TAMs、Tregs）、細胞外基質(zhì)（ECM）重塑、缺氧微環(huán)境等影響腫瘤轉(zhuǎn)移能力。-腫瘤干細胞（CSCs）：具有自我更新和分化能力，是轉(zhuǎn)移灶形成的“種子”。####3.2影像組學(xué)特征反映轉(zhuǎn)移潛能的生物學(xué)基礎(chǔ)影像組學(xué)特征之所以能預(yù)測轉(zhuǎn)移潛能，本質(zhì)是因為其與上述生物學(xué)機制存在內(nèi)在關(guān)聯(lián)。例如：影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究-紋理特征與腫瘤異質(zhì)性：腫瘤內(nèi)部的異質(zhì)性（如細胞密度、壞死范圍、血管分布）可通過紋理特征反映。研究表明，GLCM的“熵”（Entropy）值越高，提示腫瘤內(nèi)部異質(zhì)性越大，可能與EMT導(dǎo)致的細胞表型多樣性或TME免疫抑制相關(guān)，從而增加轉(zhuǎn)移風(fēng)險[6]。-強度特征與代謝活性：PET影像的標(biāo)準化攝取值（SUV）直接反映腫瘤代謝活性，而SUVmax、SUVmean等強度特征與腫瘤增殖狀態(tài)（如Ki-67表達）相關(guān)，高代謝活性常提示高轉(zhuǎn)移潛能。-形狀特征與侵襲行為：腫瘤邊緣不規(guī)則、分葉狀等形狀特征，可能對應(yīng)腫瘤局部侵襲性生長（如侵犯周圍組織），與淋巴結(jié)轉(zhuǎn)移或遠處轉(zhuǎn)移正相關(guān)[7]。影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究-動態(tài)增強特征與血管生成：MRI動態(tài)增強掃描（DCE-MRI）的參數(shù)（如Ktrans、Kep）反映腫瘤血管通透性和血流灌注，高Ktrans提示血管生成活躍，為轉(zhuǎn)移提供條件。以我團隊在肺癌腦轉(zhuǎn)移預(yù)測中的研究為例，我們發(fā)現(xiàn)基于MRIT2WI紋理特征的“長程強調(diào)”（LongRunEmphasis）值顯著高于非腦轉(zhuǎn)移組，該特征與腫瘤內(nèi)部“條索狀”結(jié)構(gòu)相關(guān)，病理證實對應(yīng)纖維組織增生——這一過程為腫瘤細胞進入腦循環(huán)提供了“通道”，從而預(yù)測腦轉(zhuǎn)移風(fēng)險（AUC=0.86）[8]。這一發(fā)現(xiàn)讓我深刻認識到：影像組學(xué)特征并非“數(shù)字游戲”，而是腫瘤生物學(xué)行為的“可視化載體”。###4.影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究進展####4.1基于不同影像模態(tài)的研究影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究不同影像模態(tài)提供的信息維度不同，其對應(yīng)的影像組學(xué)特征在轉(zhuǎn)移預(yù)測中各有側(cè)重：#####4.1.1CT影像組學(xué)CT因普及率高、成像速度快，成為影像組學(xué)研究中最常用的模態(tài)。在肺癌研究中，Gevaert等[9]基于CT紋理特征構(gòu)建的模型預(yù)測淋巴結(jié)轉(zhuǎn)移的AUC達0.82，其中“灰度非均勻性”是獨立預(yù)測因子。在肝癌研究中，Li等[10]發(fā)現(xiàn)CT動脈期“體積不均勻性”與微血管侵犯（MVI，肝癌轉(zhuǎn)移的高危因素）顯著相關(guān)，其預(yù)測效能優(yōu)于傳統(tǒng)影像征象。#####4.1.2MRI影像組學(xué)影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究MRI軟組織分辨率高，能提供腫瘤內(nèi)部結(jié)構(gòu)和代謝的豐富信息。在乳腺癌研究中，DCE-MRI的“初始增強斜率”和“紋理異質(zhì)性”聯(lián)合預(yù)測腋窩淋巴結(jié)轉(zhuǎn)移的AUC達0.89[11]。在直腸癌研究中，DWI的“表觀擴散系數(shù)（ADC）”直方圖特征（如ADC第10百分位數(shù)）與淋巴結(jié)轉(zhuǎn)移負相關(guān)，提示腫瘤細胞密度越高、轉(zhuǎn)移風(fēng)險越大[12]。#####4.1.3PET影像組學(xué)PET通過代謝顯像直接反映腫瘤生物學(xué)活性，在轉(zhuǎn)移預(yù)測中具有獨特優(yōu)勢。在食管癌研究中，SUVmax與“紋理特征（如GLCM能量）”聯(lián)合構(gòu)建的模型預(yù)測遠處轉(zhuǎn)移的AUC達0.91，顯著優(yōu)于單一SUVmax[13]。在淋巴瘤研究中，PET的“病灶代謝體積（MTV）”與“異質(zhì)性指數(shù)（heterogeneityindex）”聯(lián)合預(yù)測預(yù)后，高MTV+高異質(zhì)性提示轉(zhuǎn)移風(fēng)險增加3.2倍[14]。影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究####4.2多模態(tài)影像組學(xué)的融合應(yīng)用單一模態(tài)影像僅能反映腫瘤的某一維度信息，多模態(tài)融合（如CT+MRI、PET-MRI）可提供更全面的評估。例如，在膠質(zhì)瘤研究中，將MRI的結(jié)構(gòu)特征與PET的代謝特征融合后，預(yù)測腦轉(zhuǎn)移的AUC從單一MRI的0.78提升至0.91[15]。多模態(tài)融合的優(yōu)勢在于“互補性”：CT提供解剖結(jié)構(gòu)，MRI提供功能代謝，PET提供分子活性，三者結(jié)合可更全面刻畫腫瘤的轉(zhuǎn)移表型。####4.3影像組學(xué)與臨床病理特征的聯(lián)合模型將影像組學(xué)特征與臨床病理特征（如年齡、腫瘤大小、病理分級、分子分型）聯(lián)合構(gòu)建模型，可進一步提升預(yù)測效能。在非小細胞肺癌（NSCLC）研究中，影像組學(xué)特征（CT紋理特征）與EGFR突變狀態(tài)聯(lián)合預(yù)測腦轉(zhuǎn)移的AUC達0.93，顯著高于單一影像組學(xué)（0.85）或單一臨床特征（0.72）[16]。這種“影像+臨床”的多模態(tài)融合，更貼近臨床實際決策需求，是實現(xiàn)個體化治療的重要方向。影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究###5.影像組學(xué)在腫瘤轉(zhuǎn)移預(yù)測中的臨床應(yīng)用價值與挑戰(zhàn)####5.1臨床應(yīng)用價值#####5.1.1無創(chuàng)評估轉(zhuǎn)移潛能影像組學(xué)通過常規(guī)影像檢查即可提取特征，避免了有創(chuàng)活檢的取樣偏差和并發(fā)癥，尤其適用于無法耐受手術(shù)或活檢困難的患者（如位置深在的腫瘤）。#####5.1.2指導(dǎo)個體化治療決策基于影像組學(xué)模型的轉(zhuǎn)移風(fēng)險分層，可指導(dǎo)治療強度：高風(fēng)險患者可能需要輔助化療、靶向治療或免疫治療；低風(fēng)險患者則可避免過度治療。例如，在乳腺癌中，影像組學(xué)預(yù)測的淋巴結(jié)轉(zhuǎn)移陰性患者，可避免不必要的腋窩清掃術(shù)，減少術(shù)后并發(fā)癥[17]。#####5.1.3動態(tài)監(jiān)測治療反應(yīng)與轉(zhuǎn)移復(fù)發(fā)影像組學(xué)特征可隨治療動態(tài)變化，用于評估療效和預(yù)測復(fù)發(fā)。在NSCLC接受免疫治療后，影像組學(xué)特征的“變化率”（如治療后紋理熵降低）較傳統(tǒng)影像標(biāo)準（RECIST）更早提示治療反應(yīng)和無進展生存期（PFS）延長[18]。#####5.1.1無創(chuàng)評估轉(zhuǎn)移潛能####5.2現(xiàn)存挑戰(zhàn)與局限性盡管影像組學(xué)在腫瘤轉(zhuǎn)移預(yù)測中展現(xiàn)出巨大潛力，但其臨床轉(zhuǎn)化仍面臨諸多挑戰(zhàn)：#####5.2.1數(shù)據(jù)標(biāo)準化與可重復(fù)性問題不同設(shè)備、掃描參數(shù)、重建算法會導(dǎo)致影像特征差異，影響模型的可重復(fù)性。例如，同一腫瘤在不同CT設(shè)備上的紋理特征可能存在顯著差異，這是限制多中心模型推廣的關(guān)鍵瓶頸。#####5.2.2模型泛化能力不足多數(shù)影像組學(xué)研究基于單中心回顧性數(shù)據(jù)，樣本量小、人群同質(zhì)性強，導(dǎo)致模型在外部數(shù)據(jù)集（如不同種族、不同中心）中性能下降。解決這一問題的途徑是開展多中心前瞻性研究，建立大規(guī)模、標(biāo)準化的影像組學(xué)數(shù)據(jù)庫。#####5.2.3“黑箱”問題與臨床可解釋性#####5.1.1無創(chuàng)評估轉(zhuǎn)移潛能深度學(xué)習(xí)模型雖性能優(yōu)異，但缺乏可解釋性，臨床醫(yī)師難以理解其決策依據(jù)。結(jié)合“可解釋AI（XAI）”技術(shù)（如SHAP值、LIME），可分析特征貢獻度，增強模型透明度，提升臨床信任度。#####5.2.4與金標(biāo)準的對比驗證不足目前多數(shù)研究以術(shù)后病理或隨訪結(jié)果作為“金標(biāo)準”，但病理存在取樣誤差，隨訪時間長短不一。未來需結(jié)合液體活檢（如循環(huán)腫瘤DNA）等新型標(biāo)志物，建立更可靠的驗證體系。###6.未來展望與發(fā)展方向####6.1多組學(xué)融合與“影像-病理-基因組”一體化#####5.1.1無創(chuàng)評估轉(zhuǎn)移潛能影像組學(xué)與基因組學(xué)（如基因突變、表達譜）、蛋白組學(xué)（如蛋白質(zhì)標(biāo)志物）的融合，可構(gòu)建更全面的腫瘤轉(zhuǎn)移預(yù)測模型。例如，在膠質(zhì)瘤中，將MRI影像組學(xué)特征與IDH突變狀態(tài)、1p/19q共缺失狀態(tài)聯(lián)合，可精準預(yù)測WHO分級和轉(zhuǎn)移風(fēng)險，實現(xiàn)“影像-分子”一體化診斷[19]。####6.2深度學(xué)習(xí)與自動化特征提取傳統(tǒng)影像組學(xué)依賴手動/半自動ROI勾畫，耗時且主觀性強。深度學(xué)習(xí)（如3DCNN、Transformer）可實現(xiàn)端到端的全自動特征提取和模型構(gòu)建，減少人為干預(yù)，提高效率。例如，基于U-Net的自動ROI分割算法在肺癌分割中的Dice系數(shù)已達0.92以上，接近手動勾畫水平[20]。####6.3人工智能輔助的實時動態(tài)監(jiān)測#####5.1.1無創(chuàng)評估轉(zhuǎn)移潛能隨著5G和邊緣計算技術(shù)的發(fā)展，未來可實現(xiàn)影像組學(xué)的實時分析。患者在完成影像檢查后，AI系統(tǒng)自動提取特征、生成轉(zhuǎn)移風(fēng)險報告，輔助臨床醫(yī)師快速決策，真正實現(xiàn)“即掃即診”。####6.4標(biāo)準化流程與多中心數(shù)據(jù)共享建立國際統(tǒng)一的影像組學(xué)標(biāo)準（如標(biāo)準化掃描協(xié)議、特征提取流程），推動多中心數(shù)據(jù)共享平臺建設(shè)（如TheCancerImagingArchive,TCIA），是提升模型泛化能力和臨床轉(zhuǎn)化的必由之路。作為研究者，我深感“標(biāo)準化”的重要性——只有打破“數(shù)據(jù)孤島”，才能讓影像組學(xué)真正走向臨床。###7.結(jié)論#####5.1.1無創(chuàng)評估轉(zhuǎn)移潛能影像組學(xué)特征與腫瘤轉(zhuǎn)移潛能的相關(guān)性研究，是影像學(xué)與腫瘤學(xué)交叉融合的前沿領(lǐng)域。通過高通量提取影像中的定量特征，影像組學(xué)實現(xiàn)了對腫瘤異質(zhì)性和生物學(xué)行為的無創(chuàng)評估，為腫瘤轉(zhuǎn)移預(yù)測提供了新工具。從理論基礎(chǔ)到技術(shù)流程，從臨床驗證到應(yīng)用挑戰(zhàn)，影像組學(xué)展現(xiàn)出巨大的臨床價值，但仍需解決數(shù)據(jù)標(biāo)準化、模型泛化、可解釋性等問題。未來，隨著多組學(xué)融合、深度學(xué)習(xí)和標(biāo)準化進程的推進，影像組學(xué)有望成為腫瘤精準診療的核心技術(shù)之一，為實現(xiàn)“個體化風(fēng)險評估”和“精準治療決策”提供關(guān)鍵支撐。作為這一領(lǐng)域的探索者，我堅信：影像組學(xué)不僅是對傳統(tǒng)影像診斷的革新，更是連接“影像可見”與“生物學(xué)不可見”的橋梁，最終將造福更多腫瘤患者。###參考文獻[1]SiegelRL,MillerKD,JemalA.Cancerstatistics,2020[J].CA:acancerjournalforclinicians,2020,70(1):7-30.[2]LambinP,Rios-VelazquezE,LeijenaarR,etal.Radiomics:extractingmoreinformationfrommedicalimagesusingadvancedfeatureanalysis[J].Europeanjournalofcancer,2012,48(4):441-446.###參考文獻[3]GilliesRJ,KinahanPE,HricakH.Radiomics:imagesaremorethanpictures,theyaredata[J].Radiology,2016,278(2):563-577.[4]AertsHJ,VelazquezER,LeijenaarRT,etal.Decodingtumourphenotypebynon-invasiveimagingusingaquantitativeradiomicsapproach[J].NaturereviewsClinicaloncology,2014,11(12):692-703.###參考文獻[5]FidlerIJ.Thepathogenesisofcancermetastasis:the‘seedandsoil’hypothesisrevisited[J].NaturereviewsCancer,2003,3(6):453-458.[6]GaneshanB,GohV,MandevilleH,etal.Non-smallcelllungcancer:histopathologiccorrelatesfortextureanalysisofcomputedtomographyimages[J].Radiology,2012,266(2):326-336.###參考文獻[7]ZhaoB,JiA,TanY,etal.DifferentiationofcentrallungcancerfromatypicallungcarcinoidsusingCTtextureanalysis:apreliminarystudy[J].Europeanradiology,2016,26(10):3500-3508.[8]ZhangL,LiY,WangJ,etal.MRI-basedradiomicspredictsbrainmetastasisinnon-smallcelllungcancer[J].Europeanjournalofradiology,2021,136:109547.###參考文獻[9]GevaertT,XuJ,HoangCD,etal.Non-smallcelllungcancer:identifyingprognosticfeatureswithCTbyunsuperviseddeeplearning[J].Radiology,2019,291(3):566-573.[10]LiH,ZhuY,BurnetteJE,etal.Textureanalysisoncontrast-enhancedCTpredictsmicrovascularinvasioninhepatocellularcarcinoma[J].Europeanjournalofradiology,2020,124:108852.###參考文獻[11]ChenJ,ZhangY,LiangB,etal.DCE-MRIbasedradiomicsmodelforpredictingaxillarylymphnodemetastasisinbreastcancer[J].Europeanjournalofradiology,2021,135:109438.[12]LambregtsDM,Beets-TanRG,MaasM,etal.Textureanalysisofdiffusion-weightedMRIfordifferentiationofrectalcancerTstageandpredictionoftreatmentresponse[J].Academicradiology,2018,25(3):339-347.###參考文獻[13]WuS,HuZ,ZhouZ,etal.FDGPET/CT-basedradiomicsmodelforpredictingdistantmetastasisinesophagealsquamouscellcarcinoma[J].Europeanjournalofnuclearmedicineandmolecularimaging,2021,48(1):123-131.[14]SongH,ZhangY,LiX,etal.Metabolictumorvolumeandheterogeneityfrombaseline18F-FDGPET/CTaspredictorsofprogression-freesurvivalindiffuselargeB-celllymphoma[J].Europeanjournalofradiology,2020,122:108751.###參考文獻[15]WangH,DongD,ChenG,etal.Multi-modalMRI-basedradiomicsforpredictingbrainm