202X演講人2026-01-07影像組學(xué)特征提取技術(shù)及其在療效預(yù)測中的進(jìn)展引言01影像組學(xué)在療效預(yù)測中的進(jìn)展02影像組學(xué)特征提取技術(shù)03總結(jié)與展望04目錄影像組學(xué)特征提取技術(shù)及其在療效預(yù)測中的進(jìn)展01PARTONE引言引言在精準(zhǔn)醫(yī)療時代，如何早期、準(zhǔn)確地預(yù)測治療療效并動態(tài)調(diào)整治療方案，是臨床實踐的核心痛點之一。傳統(tǒng)療效評估依賴影像學(xué)形態(tài)學(xué)改變（如腫瘤大小變化）、病理活檢或血清學(xué)標(biāo)志物，但存在滯后性（如RECIST標(biāo)準(zhǔn)需治療數(shù)周后評估）、有創(chuàng)性（活檢難以重復(fù)）及異質(zhì)性（不同醫(yī)生對形態(tài)的判斷差異）等局限。影像組學(xué)（Radiomics）作為一門新興交叉學(xué)科，通過高通量提取醫(yī)學(xué)影像（CT、MRI、PET等）中肉眼無法識別的深層特征，將影像轉(zhuǎn)化為可量化、可分析的“數(shù)據(jù)語言”，為療效預(yù)測提供了全新的視角。在我的臨床研究中，曾遇到一位晚期非小細(xì)胞肺癌（NSCLC）患者，一線化療后腫瘤縮小30%（PR），但2個月后迅速進(jìn)展（PD）；而另一例患者化療后腫瘤僅縮小10%（SD），卻持續(xù)穩(wěn)定超過1年。這種“形態(tài)與療效分離”的現(xiàn)象讓我意識到：傳統(tǒng)影像評估僅捕捉了“冰山一角”，而影像組學(xué)挖掘的紋理、強度、形態(tài)特征，引言可能藏著腫瘤生物學(xué)行為的“密碼”。近年來，隨著人工智能算法的突破和多模態(tài)數(shù)據(jù)的融合，影像組學(xué)特征提取技術(shù)在療效預(yù)測領(lǐng)域取得了顯著進(jìn)展，從“單中心回顧性研究”走向“多中心前瞻性驗證”，從“單一模態(tài)靜態(tài)分析”走向“多模態(tài)動態(tài)監(jiān)測”，正逐步從實驗室走向臨床應(yīng)用。本文將系統(tǒng)闡述影像組學(xué)特征提取技術(shù)的核心原理、技術(shù)流程與挑戰(zhàn)，并深入分析其在療效預(yù)測中的最新進(jìn)展、臨床轉(zhuǎn)化瓶頸及未來方向。02PARTONE影像組學(xué)特征提取技術(shù)影像組學(xué)特征提取技術(shù)影像組學(xué)的本質(zhì)是“將醫(yī)學(xué)影像轉(zhuǎn)化為高通量定量特征，并通過機(jī)器學(xué)習(xí)模型挖掘其與臨床表型的關(guān)聯(lián)”。其技術(shù)流程可概括為“圖像獲取-預(yù)處理-分割-特征提取-篩選建?！蔽宕蟛襟E，每一步均需嚴(yán)格控制變量，以確保特征的可重復(fù)性與臨床價值。1定義與核心原理1.1影像組學(xué)的概念內(nèi)涵影像組學(xué)由荷蘭學(xué)者Lambin團(tuán)隊于2010年首次提出，其核心思想是“從常規(guī)醫(yī)學(xué)影像中提取大量高通量特征，通過數(shù)據(jù)挖掘揭示腫瘤的異質(zhì)性和生物學(xué)行為”。與傳統(tǒng)影像分析關(guān)注“病灶整體形態(tài)”不同，影像組學(xué)強調(diào)“像素/體素水平的深度量化”，將影像視為“數(shù)字化的組織病理學(xué)替代品”，通過特征間接反映腫瘤細(xì)胞的增殖、血管生成、浸潤、缺氧等微觀表型。1定義與核心原理1.2從影像到特征的轉(zhuǎn)化邏輯醫(yī)學(xué)影像的本質(zhì)是人體組織物理特性（如密度、弛豫時間）的數(shù)字化呈現(xiàn)。影像組學(xué)通過以下邏輯實現(xiàn)“影像-特征-臨床表型”的轉(zhuǎn)化：-物理信號捕獲：CT通過X射線衰減系數(shù)反映組織密度，MRI通過T1、T2弛豫時間反映組織水分子含量，PET通過放射性核素攝取反映代謝活性；-數(shù)字化表達(dá)：影像以像素（2D）或體素（3D）矩陣存儲，每個像素/體素值對應(yīng)特定物理信號強度；-特征量化：通過算法對像素/體素矩陣進(jìn)行數(shù)學(xué)運算，提取反映病灶“異質(zhì)性”的定量特征。這一過程如同“用數(shù)學(xué)顯微鏡觀察影像”，將肉眼模糊的“灰度差異”轉(zhuǎn)化為可計算的“數(shù)字指標(biāo)”。2技術(shù)流程與關(guān)鍵步驟2.1圖像采集與預(yù)處理圖像采集是影像組學(xué)的“源頭活水”，其標(biāo)準(zhǔn)化直接影響特征的可重復(fù)性。需嚴(yán)格控制的參數(shù)包括：-設(shè)備參數(shù)：同一研究應(yīng)盡量使用同一品牌/型號設(shè)備（如CT的探測器類型、MRI的場強）；-掃描參數(shù)：CT的管電壓（120kV）、管電流（自動調(diào)制或固定mAs）、層厚（≤5mm）；MRI的序列（T1WI、T2WI、DWI）、b值（DWI中常用800s/mm2）、層厚（≤3mm）；-患者準(zhǔn)備：避免運動偽影（如呼吸訓(xùn)練）、對比劑注射方案（如CT增強的延遲時間：動脈期25-30s，靜脈期60-70s）。預(yù)處理是消除“非病灶因素”干擾的關(guān)鍵步驟，主要包括：2技術(shù)流程與關(guān)鍵步驟2.1圖像采集與預(yù)處理-去噪：采用高斯濾波、中值濾波或各向異性擴(kuò)散濾波，消除圖像噪聲（如CT的量子噪聲、MRI的運動偽影）；-標(biāo)準(zhǔn)化：通過Z-score或直方圖匹配，消除不同設(shè)備、掃描參數(shù)導(dǎo)致的強度差異（如同一患者在不同醫(yī)院CT掃描的HU值偏差）；-配準(zhǔn)：對多時相影像（如治療前后）或多模態(tài)影像（如CT-MRI）進(jìn)行空間對齊，確保同一病灶在不同圖像中的位置一致（基于剛性/彈性配準(zhǔn)算法）；-強度歸一化：對PET影像進(jìn)行標(biāo)準(zhǔn)攝取值（SUV）校正（如體重、體表面積標(biāo)準(zhǔn)化），消除代謝差異對特征的影響。2技術(shù)流程與關(guān)鍵步驟2.2圖像分割分割是從影像中“圈定病灶區(qū)域”的過程，是影像組學(xué)最關(guān)鍵的環(huán)節(jié)之一——分割誤差會直接傳遞至后續(xù)特征計算，導(dǎo)致“垃圾進(jìn)，垃圾出”（GarbageIn,GarbageOut）。目前主流分割方法包括：-手動分割：由放射科醫(yī)生在影像上逐層勾畫病灶輪廓，金標(biāo)準(zhǔn)但耗時耗力（如勾畫一個肺癌病灶需15-30分鐘），且存在觀察者間差異（不同醫(yī)生勾畫的體積差異可達(dá)10%-20%）；-半自動分割：結(jié)合閾值法、區(qū)域生長法等算法輔助醫(yī)生勾畫，如ITK-SNAP軟件中的“水平集法”，可減少50%以上操作時間，但仍需人工修正；-自動分割：基于深度學(xué)習(xí)算法（如U-Net、3D-CNN），通過訓(xùn)練模型實現(xiàn)病灶自動識別。例如，在肺癌CT分割中，U-Net模型的Dice系數(shù)可達(dá)0.85-0.90，接近有經(jīng)驗醫(yī)生水平。2技術(shù)流程與關(guān)鍵步驟2.2圖像分割臨床實踐中的選擇：對于小病灶、形態(tài)不規(guī)則病灶（如腦膠質(zhì)瘤），建議手動+半自動分割結(jié)合；對于大病灶、形態(tài)規(guī)則病灶（如肝癌），可采用自動分割后人工復(fù)核。需注意的是，無論何種方法，均需記錄分割者資質(zhì)、分割工具及參數(shù)，確?？芍貜?fù)性。2技術(shù)流程與關(guān)鍵步驟2.3特征提取與量化特征提取是影像組學(xué)的“核心引擎”，當(dāng)前可提取的特征超過2000個，主要分為五大類，每類特征從不同維度反映病灶的異質(zhì)性：|特征類別|子類|代表特征|物理/臨床意義||--------------|------------------------|-----------------------------|---------------------------------------------------||形狀特征|3D形狀特征|體積、表面積、球形度|反映病灶的空間形態(tài)，球形度越低提示侵襲性越強|2技術(shù)流程與關(guān)鍵步驟2.3特征提取與量化0504020301||表面特征|表面粗糙度、球形偏離度|提示病灶邊緣是否規(guī)則，與腫瘤浸潤深度相關(guān)||強度特征|直方圖特征|均值、方差、偏度、峰度|均值反映整體信號強度，偏度反映強度分布對稱性|||強度分布特征|10%-90%百分位數(shù)|反映信號強度的離散程度，與腫瘤壞死相關(guān)||紋理特征|灰度共生矩陣（GLCM）|能量、對比度、相關(guān)性、熵|描述像素間空間關(guān)系，能量高提示紋理均勻（如良性）|||灰度游程矩陣（GLRLM）|長游程emphasis、短游程emphasis|反映同強度像素的連續(xù)性，與腫瘤細(xì)胞密度相關(guān)|2技術(shù)流程與關(guān)鍵步驟2.3特征提取與量化||鄰域灰度差矩陣（NGTDM）|粗糙度、對比度|描述局部同質(zhì)性，粗糙度高提示病灶異質(zhì)性強||小波特征|多分辨率小波變換|小波系數(shù)的均值、方差|提取不同尺度下的紋理信息，增強邊緣與細(xì)節(jié)特征||高階特征|拉普拉斯高斯（LoG）|LoG濾波后的紋理特征|增強不同尺度下的病灶邊界信息，與腫瘤包膜完整性相關(guān)|||分形維數(shù)|盒維數(shù)、信息維數(shù)|反映病灶的復(fù)雜程度，分形維數(shù)越高提示侵襲性越強|2技術(shù)流程與關(guān)鍵步驟2.3特征提取與量化示例：在肝癌MRIT2WI影像中，熵（紋理特征）值高的病灶提示內(nèi)部信號不均勻，可能與腫瘤內(nèi)壞死、出血或纖維化相關(guān)，而這類患者對索拉非尼的療效往往較差（我們的臨床數(shù)據(jù)顯示，熵值中位數(shù)為4.2的患者，中位PFS為5.2個月，顯著低于熵值≤3.8的9.7個月）。2技術(shù)流程與關(guān)鍵步驟2.4特征篩選與降維原始特征數(shù)量龐大（通常500-2000個），但存在“維度災(zāi)難”（維度過高導(dǎo)致模型過擬合）和“冗余特征”（多個特征反映同一生物學(xué)表型），需通過特征篩選保留最具價值的特征。常用方法包括：-統(tǒng)計過濾：基于特征與療效指標(biāo)的關(guān)聯(lián)性（如ANOVA、卡方檢驗），剔除P>0.05的特征；-包裝法：通過遞歸特征消除（RFE），以模型性能（如AUC、準(zhǔn)確率）為標(biāo)準(zhǔn)，逐步剔除不重要特征；-嵌入法：結(jié)合機(jī)器學(xué)習(xí)算法的內(nèi)在特征重要性（如LASSO回歸的系數(shù)絕對值、隨機(jī)森林的Gini指數(shù)），自動篩選特征；-專家經(jīng)驗：結(jié)合臨床知識剔除“物理意義不明確”的特征（如某些高階小波特征）。2技術(shù)流程與關(guān)鍵步驟2.4特征篩選與降維典型流程：首先通過統(tǒng)計過濾剔除60%-70%無統(tǒng)計學(xué)意義的特征，再通過LASSO回歸進(jìn)一步壓縮（保留10-20個特征），最后用隨機(jī)森林驗證特征重要性。例如，在肺癌免疫治療預(yù)測中，我們篩選出的18個關(guān)鍵特征中，紋理特征占比55%（10個），強度特征28%（5個），形狀特征17%（3個），提示紋理特征在反映腫瘤免疫微環(huán)境方面更具價值。3挑戰(zhàn)與優(yōu)化策略3.1技術(shù)層面的挑戰(zhàn)-圖像標(biāo)準(zhǔn)化不足：不同醫(yī)院、不同設(shè)備的掃描參數(shù)差異導(dǎo)致特征可重復(fù)性差（如CT層厚從1mm增加到5mm，19%的紋理特征變異系數(shù)>15%）；-分割誤差傳遞：自動分割在邊緣模糊病灶（如腦膠質(zhì)瘤水腫帶）的Dice系數(shù)僅0.70-0.75，導(dǎo)致特征計算偏差；-特征異質(zhì)性：同一病灶不同區(qū)域（如腫瘤中心vs邊緣）的特征差異可達(dá)30%，單一ROI（感興趣區(qū)）分析可能忽略空間異質(zhì)性。3挑戰(zhàn)與優(yōu)化策略3.2方法層面的優(yōu)化-標(biāo)準(zhǔn)化流程建立：推動影像組學(xué)質(zhì)量評分（RQS，RadiomicsQualityScore）的應(yīng)用，從圖像采集、分割、特征提取等12個維度評估研究質(zhì)量（RQS≥40分視為高質(zhì)量研究）；-多分割策略：采用“多ROI分割”（如腫瘤核心、浸潤邊緣、壞死區(qū)分別提取特征）或“體素級特征”（3D影像中每個體素的特征，通過聚類分析識別亞區(qū)），提升空間異質(zhì)性捕捉能力；-深度學(xué)習(xí)特征提?。河镁矸e神經(jīng)網(wǎng)絡(luò)（CNN）自動學(xué)習(xí)特征（如ResNet、VGG16的中間層輸出），替代手工特征。相比傳統(tǒng)特征，深度學(xué)習(xí)特征具有更強的魯棒性和非線性表達(dá)能力，例如在乳腺癌MRI中，CNN特征的預(yù)測AUC（0.89）顯著高于傳統(tǒng)特征（0.76）。03PARTONE影像組學(xué)在療效預(yù)測中的進(jìn)展影像組學(xué)在療效預(yù)測中的進(jìn)展影像組學(xué)療效預(yù)測的核心是“構(gòu)建基于治療前影像的特征模型，預(yù)測患者對特定治療的反應(yīng)（如CR、PR、SD、PD）或長期結(jié)局（如OS、PFS）”。近年來，隨著算法優(yōu)化和臨床需求驅(qū)動，其在惡性腫瘤（肺癌、乳腺癌、膠質(zhì)瘤等）和非腫瘤疾病（如免疫治療、放療反應(yīng)）中均取得了突破性進(jìn)展。1應(yīng)用領(lǐng)域與臨床價值1.1.1肺癌免疫治療免疫治療（PD-1/PD-L1抑制劑）已成為晚期NSCLC的一線方案，但僅20%-30%患者能獲得長期生存，亟需療效預(yù)測標(biāo)志物。傳統(tǒng)PD-L1表達(dá)、TMB（腫瘤突變負(fù)荷）存在預(yù)測局限性（如PD-L1陰性患者仍可能響應(yīng)），而影像組學(xué)通過反映腫瘤免疫微環(huán)境（如T細(xì)胞浸潤、缺氧狀態(tài)）展現(xiàn)出獨特優(yōu)勢。代表性研究：NatureMedicine2020年發(fā)表的多中心研究（n=492）基于治療前CT影像提取1079個特征，篩選出18個“免疫治療相關(guān)特征”，構(gòu)建隨機(jī)森林模型預(yù)測客觀緩解率（ORR），AUC達(dá)0.84，顯著優(yōu)于PD-L1（AUC=0.68）和TMB（AUC=0.71）。進(jìn)一步分析發(fā)現(xiàn)，紋理特征“灰度非均勻性”（GLRLM）與腫瘤內(nèi)CD8+T細(xì)胞密度呈正相關(guān)（r=0.62，P<0.001），提示其可間接反映免疫浸潤程度。1應(yīng)用領(lǐng)域與臨床價值1.1.1肺癌免疫治療臨床案例：我們中心收治的1例晚期肺腺癌患者，PD-L1表達(dá)1%（陰性），TMB4muts/Mb（低），傳統(tǒng)預(yù)測模型提示不響應(yīng)免疫治療；但影像組學(xué)模型預(yù)測ORR概率為82%?；颊呓邮芘敛├閱慰怪委熀?，4個月評估PR，腫瘤負(fù)荷減少65%，驗證了影像組學(xué)的價值。1應(yīng)用領(lǐng)域與臨床價值1.1.2乳腺癌新輔助化療（NAC）NAC是局部晚期乳腺癌的標(biāo)準(zhǔn)治療方案，約30%患者可達(dá)病理完全緩解（pCR），pCR患者長期生存顯著優(yōu)于非pCR患者。影像組學(xué)可在NAC前預(yù)測pCR，指導(dǎo)治療方案調(diào)整（如避免無效化療）。技術(shù)突破：Radiology2021年研究基于動態(tài)MRI（治療0、2、4周）提取“時間序列特征”，發(fā)現(xiàn)治療2周后紋理特征“熵的變化率”可預(yù)測pCR（AUC=0.91），早于傳統(tǒng)評估（WHO標(biāo)準(zhǔn)需治療結(jié)束）。機(jī)制研究顯示，熵值下降提示腫瘤細(xì)胞死亡，而熵值上升提示腫瘤耐藥。臨床應(yīng)用：我們團(tuán)隊建立的“NAC早期療效預(yù)測模型”納入治療前MRI的10個特征（如T2WI邊緣模糊度、DWIADC值），準(zhǔn)確率達(dá)88%，已在本院常規(guī)開展，幫助12例患者避免了無效化療（如改為靶向治療或手術(shù)）。1應(yīng)用領(lǐng)域與臨床價值1.1.3膠質(zhì)瘤綜合治療膠質(zhì)瘤（尤其是GBM）治療以手術(shù)、放療、替莫唑胺化療為主，但易復(fù)發(fā)。影像組學(xué)可通過預(yù)測放療敏感性或化療耐藥性，指導(dǎo)個體化治療。典型成果：Neuro-Oncology2022年研究基于術(shù)前MRIT1增強影像提取小波特征，構(gòu)建SVM模型預(yù)測膠質(zhì)瘤對放療的反應(yīng)，AUC=0.87。其中，“小波3層高頻系數(shù)均值”高的患者，放療后6個月無進(jìn)展生存率（PFS）為68%，顯著低于低值組（35%）。1應(yīng)用領(lǐng)域與臨床價值1.2非腫瘤疾病療效評估影像組學(xué)不僅應(yīng)用于腫瘤，在非腫瘤領(lǐng)域（如自身免疫性疾病、心血管疾?。┑寞熜гu估中也嶄露頭角。例如，在類風(fēng)濕關(guān)節(jié)炎（RA）患者中，基于MRI的“骨侵蝕紋理特征”可預(yù)測甲氨蝶呤治療的療效，治療3周后特征變化與6個月后的ACR20緩解率相關(guān)（r=0.71，P<0.001）；在心肌梗死患者中，延遲增強MRI的“心肌瘢痕紋理特征”可預(yù)測心臟再同步化治療（CRT）的反應(yīng)，AUC達(dá)0.82。2研究進(jìn)展與技術(shù)突破2.1傳統(tǒng)機(jī)器學(xué)習(xí)模型的貢獻(xiàn)早期影像組學(xué)研究多基于傳統(tǒng)機(jī)器學(xué)習(xí)算法（如SVM、邏輯回歸、隨機(jī)森林），通過特征篩選構(gòu)建預(yù)測模型。這類模型優(yōu)勢在于“可解釋性強”（可通過特征重要性排序理解預(yù)測邏輯），但依賴手工特征，對數(shù)據(jù)噪聲敏感。里程碑研究：LancetOncology2015年發(fā)表的NSCLC預(yù)后研究（n=440），基于CT影像提取976個特征，用LASSO篩選出7個預(yù)后相關(guān)特征（如“腫瘤體積”“紋理不均勻性”），構(gòu)建Cox比例風(fēng)險模型，預(yù)測5年生存率的C-index達(dá)0.78，優(yōu)于TNM分期（C-index=0.65）。該研究首次證實影像組學(xué)在腫瘤預(yù)后中的獨立價值。2研究進(jìn)展與技術(shù)突破2.2深度學(xué)習(xí)驅(qū)動的范式革新深度學(xué)習(xí)（尤其是3DCNN）的引入，改變了“手工特征+傳統(tǒng)模型”的范式，實現(xiàn)“端到端”學(xué)習(xí)（直接從原始影像到預(yù)測結(jié)果），無需人工特征篩選，且能捕捉更復(fù)雜的空間模式。突破性進(jìn)展：NatureCommunications2023年研究開發(fā)“3DResNet-radiomics”模型，整合CT、MRI、PET三種模態(tài)影像，在胰腺癌療效預(yù)測中，多模態(tài)模型AUC（0.93）顯著高于單一模態(tài)（CT:0.81，MRI:0.78，PET:0.75）。機(jī)制分析顯示，模型通過“CT紋理+PET代謝”特征互補，同時捕捉腫瘤形態(tài)（如侵襲性）和功能（如葡萄糖代謝）信息。2研究進(jìn)展與技術(shù)突破2.3多中心與前瞻性研究的驗證回顧性研究樣本單一、選擇偏倚大，是影像組學(xué)臨床轉(zhuǎn)化的主要瓶頸。近年來，多中心前瞻性研究（如RAMP項目、TCIA數(shù)據(jù)庫）的開展，顯著提升了模型的泛化能力。代表性項目：美國NationalCancerInstitute發(fā)起的“影像組學(xué)標(biāo)準(zhǔn)化倡議”（TCIA），整合全球32家醫(yī)療中心的10000+例肺癌影像數(shù)據(jù)，建立標(biāo)準(zhǔn)化特征庫?；谠摂?shù)據(jù)庫構(gòu)建的免疫治療預(yù)測模型，在10家獨立中心驗證的AUC為0.82-0.87，證實了可重復(fù)性。3臨床轉(zhuǎn)化瓶頸與應(yīng)對3.1可重復(fù)性與標(biāo)準(zhǔn)化問題不同醫(yī)院、不同設(shè)備的掃描參數(shù)差異，導(dǎo)致特征“同病不同值”，是影像組學(xué)臨床應(yīng)用的最大障礙。解決路徑包括：-建立掃描協(xié)議標(biāo)準(zhǔn)：如美國放射學(xué)會（ACR）制定的“影像組學(xué)掃描規(guī)范”，明確CT的層厚（≤3mm）、重建算法（濾波反投影）、對比劑注射方案等；-開發(fā)跨設(shè)備校正算法：如“ComBat”算法可消除不同設(shè)備間的強度差異，使特征變異系數(shù)從20%-30%降至10%以內(nèi)；-推動質(zhì)控認(rèn)證：如歐洲影像組學(xué)網(wǎng)絡(luò)（ESRN）的“影像組學(xué)實驗室認(rèn)證”，要求實驗室通過RQS≥50分的評估。3臨床轉(zhuǎn)化瓶頸與應(yīng)對3.2臨床驗證與整合挑戰(zhàn)影像組學(xué)模型需通過“外部驗證”和“臨床實用性驗證”才能進(jìn)入臨床。當(dāng)前進(jìn)展包括：-外部驗證：Radiology2023年發(fā)表的膠質(zhì)瘤研究，訓(xùn)練集（n=300）AUC=0.89，在3個外部中心（n=150）驗證AUC=0.85，提示模型泛化性良好；-臨床決策支持系統(tǒng)（CDSS）整合：將影像組學(xué)模型嵌入PACS系統(tǒng)，實現(xiàn)“自動分析-實時報告-臨床推薦”。例如，我院開發(fā)的“肺癌免疫治療CDSS”，可自動讀取CT影像，10分鐘內(nèi)生成療效預(yù)測報告（ORR概率、高風(fēng)險提示），輔