朱逸峰，王紹武

軟組織腫瘤(soft tissue tumors，STTs)是一組起源于中胚層間充質(zhì)組織(如黏液、纖維、脂肪、平滑肌、滑膜、橫紋肌、血管和淋巴管等)中多能干細(xì)胞的腫瘤，成分復(fù)雜且種類繁多，臨床、影像及病理表現(xiàn)各異[1]。軟組織腫瘤的治療以手術(shù)切除為主，對(duì)于軟組織肉瘤必要時(shí)還需輔以放化療及靶向治療，準(zhǔn)確的影像學(xué)診斷是臨床制定治療方案的重要依據(jù)，手術(shù)前運(yùn)用影像學(xué)檢查對(duì)腫瘤進(jìn)行全面評(píng)估具有重要意義[2]。MRI檢查具有較高的軟組織分辨力，其憑借多序列、多參數(shù)成像的特點(diǎn)可以更清晰地顯示腫瘤的大小、形態(tài)、內(nèi)部信號(hào)、邊界以及腫瘤對(duì)周圍組織侵犯情況，已經(jīng)成為軟組織腫瘤病變檢出、確定起源、良惡性鑒別診斷、侵襲范圍評(píng)價(jià)和判斷有無(wú)復(fù)發(fā)等方面最重要的臨床檢查方法和術(shù)前診斷依據(jù)[3]。

人工智能是一項(xiàng)用于研究并模擬人類思維與能力的新技術(shù)[4]。醫(yī)學(xué)影像與人工智能的結(jié)合始于上世紀(jì)60年代，自上世紀(jì)80年代以來(lái)，隨著基于人工智能的計(jì)算機(jī)輔助診斷軟件的使用，人工智能開始逐漸整合到影像科的日常工作流程中，如肺結(jié)節(jié)和肺癌篩查、乳腺結(jié)節(jié)和乳腺癌篩查等[5]。影像組學(xué)(Radiomics)方法即是人工智能技術(shù)在醫(yī)學(xué)影像學(xué)領(lǐng)域應(yīng)用的成果，Radiomics的前綴Radio意為影像，而后綴Omics則源于分子生物學(xué)，用于描述生物大分子的詳細(xì)特征，如基因組學(xué)和蛋白質(zhì)組學(xué)等；2012年，該后綴Omics被Lambin等[6]首次用于醫(yī)學(xué)影像學(xué)研究領(lǐng)域，Radiomics一詞便應(yīng)運(yùn)而生，后由Kumar等[7]于同年進(jìn)行了補(bǔ)充和完善，定義為“高通量地從醫(yī)學(xué)影像中提取并分析高級(jí)、定量的影像特征來(lái)深層次反映腫瘤組織的空間異質(zhì)性特征”。

影像組學(xué)方法是醫(yī)學(xué)影像學(xué)、計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)等多學(xué)科交叉的產(chǎn)物，能在宏觀影像水平間接反映腫瘤微觀水平基因或蛋白質(zhì)的變化，并且不完全依賴于影像醫(yī)師的專業(yè)技能、臨床經(jīng)驗(yàn)及主觀因素，所提供的是醫(yī)學(xué)影像相對(duì)客觀的定量信息，具有傳統(tǒng)影像方法難以做到的獨(dú)特優(yōu)勢(shì)[8]。對(duì)于軟組織腫瘤而言，肉眼從影像上獲取的信息十分有限，明確診斷非常困難，這時(shí)就需要使用影像組學(xué)方法來(lái)輔助影像醫(yī)生對(duì)其進(jìn)行診斷，進(jìn)而幫助影像醫(yī)生和臨床醫(yī)生更全面、更深入、更透徹地認(rèn)識(shí)和理解軟組織腫瘤。本文就目前影像組學(xué)方法在軟組織腫瘤中應(yīng)用研究的進(jìn)展進(jìn)行綜述。

影像組學(xué)方法在軟組織腫瘤中應(yīng)用研究的流程

影像組學(xué)方法在軟組織腫瘤中應(yīng)用的流程分為5個(gè)步驟：確定研究目標(biāo)、軟組織腫瘤影像的獲取、軟組織腫瘤病灶的分割、軟組織腫瘤影像特征值的提取與降維、軟組織腫瘤影像組學(xué)模型的建立[9]。

1.確定軟組織腫瘤研究目標(biāo)

準(zhǔn)確地尋找并確定研究目標(biāo)是軟組織腫瘤影像組學(xué)研究的關(guān)鍵，在確定研究目標(biāo)后才能借助影像組學(xué)方法從軟組織腫瘤影像中提取多維度特征以探索其與軟組織肉瘤分級(jí)、軟組織腫瘤良惡性、軟組織肉瘤治療及預(yù)后的相關(guān)性[10-12]，因此軟組織腫瘤影像組學(xué)研究需要緊密的醫(yī)工交叉與結(jié)合來(lái)設(shè)計(jì)合理的研究方案。

2.軟組織腫瘤影像的獲取

在軟組織腫瘤影像組學(xué)研究的過程中，影像特征的可重復(fù)性、穩(wěn)定性是十分重要的，掃描設(shè)備、掃描參數(shù)以及重建方式等都會(huì)對(duì)軟組織腫瘤影像特征的穩(wěn)定性造成影響，因此在獲取軟組織腫瘤影像前需要建立影像檢查與處理的標(biāo)準(zhǔn)流程，保證掃描設(shè)備、掃描參數(shù)的一致性，減少外界因素對(duì)結(jié)果帶來(lái)的誤差，使影像組學(xué)特征更加穩(wěn)定，從而獲得精準(zhǔn)的特征值分析與建模結(jié)果[13]。目前，大部分軟組織腫瘤影像組學(xué)研究使用的均為同一檢查機(jī)器及固定的檢查參數(shù)[9-10,14-18]，但也有部分研究使用了不同機(jī)器及不同檢查參數(shù)[12,19-21]。

3.軟組織腫瘤病灶的分割

準(zhǔn)確地對(duì)軟組織腫瘤病灶進(jìn)行識(shí)別與分割在軟組織腫瘤影像組學(xué)研究中至關(guān)重要。在采集了大量標(biāo)準(zhǔn)化的軟組織腫瘤影像數(shù)據(jù)后，需使用手動(dòng)、半自動(dòng)或全自動(dòng)圖像分割方法對(duì)軟組織腫瘤病灶進(jìn)行分割，其中手動(dòng)分割具有主觀性，準(zhǔn)確性較高，但可重復(fù)性較差，建模結(jié)果會(huì)受到不同醫(yī)生對(duì)影像解讀方式的影響[22]。在半自動(dòng)和全自動(dòng)分割領(lǐng)域，ITK-SNAP、3D Slicer和Image J等軟件的應(yīng)用較為廣泛，ITK-SNAP由賓夕法尼亞大學(xué)開發(fā)，其提供了基于主動(dòng)輪廓的半自動(dòng)分割方法[23]，在軟組織腫瘤影像的半自動(dòng)分割中已經(jīng)得到應(yīng)用[14,24]；3D Slicer由美國(guó)國(guó)家衛(wèi)生研究院開發(fā)，提供了多種分割方法，如基于區(qū)域生長(zhǎng)、基于模板、基于交互和基于統(tǒng)計(jì)等，在軟組織腫瘤影像的半自動(dòng)分割中也已得到了應(yīng)用[17]。另有研究表明，基于3D Slicer的半自動(dòng)分割方法與手動(dòng)分割方法相比具有更佳的可重復(fù)性[25-26]；Image J是一款基于JAVA的圖像處理軟件，已被應(yīng)用于影像組學(xué)鑒別脂肪瘤與脂肪肉瘤的研究之中[20]。半自動(dòng)及自動(dòng)分割方法的優(yōu)點(diǎn)是高效且重復(fù)性高，但使用其分割的興趣區(qū)相對(duì)于手動(dòng)分割的興趣區(qū)精確度會(huì)有偏差，對(duì)于邊界不清晰的軟組織腫瘤可采用手動(dòng)分割方法；而對(duì)于邊界清晰且形態(tài)規(guī)則的軟組織腫瘤，半自動(dòng)或全自動(dòng)分割方法高效且重復(fù)性高，能夠滿足海量數(shù)據(jù)分割的要求[27]。病灶影像的精準(zhǔn)分割是軟組織腫瘤影像組學(xué)分析的前提，但影像的偽影及軟組織腫瘤對(duì)周圍正常組織的浸潤(rùn)會(huì)導(dǎo)致病灶邊緣顯示不清，致使病灶影像的分割存在一定難度。目前，分割精確度高且重復(fù)性好的病灶影像分割算法還有待開發(fā)與研究。

4.軟組織腫瘤影像特征值的提取與降維

軟組織腫瘤影像特征值的提取是使用計(jì)算機(jī)算法在像素水平上將軟組織軟組織腫瘤影像數(shù)據(jù)轉(zhuǎn)化為大量量化的影像特征值數(shù)據(jù)再進(jìn)行分析，是軟組織腫瘤影像組學(xué)研究的核心步驟[9]。不同軟件或平臺(tái)計(jì)算特征值的方法各不相同，特征值可以分為如下幾類，即一階統(tǒng)計(jì)形態(tài)學(xué)特征、二階統(tǒng)計(jì)特征、高階統(tǒng)計(jì)特征、基于模型和基于變換的特征。

一階統(tǒng)計(jì)形態(tài)學(xué)特征主要包括病灶的大小、形狀等，也稱為語(yǔ)義特征，主要量化像素值的分布規(guī)律而不考慮其空間分布關(guān)系，其指標(biāo)包括平均灰度值、標(biāo)準(zhǔn)差、熵值等[28]。二階特征即紋理特征，主要量化興趣區(qū)內(nèi)相同灰度或像素強(qiáng)度間的空間關(guān)系，指標(biāo)有灰度級(jí)共生矩陣、灰度級(jí)長(zhǎng)度矩陣、灰度區(qū)域大小矩陣等，間接反映病變的異質(zhì)性，相當(dāng)于二維直方圖，多用于模式識(shí)別中[28]。

高階特征是利用鄰域灰度差矩陣計(jì)算高階統(tǒng)計(jì)量，研究三個(gè)或更多體素間的空間關(guān)系，包括鄰域灰度差值矩陣和灰度區(qū)域大小矩陣灰度級(jí)形狀矩陣等?；谀Ｐ秃突谧儞Q的特征是將提取的圖像特征進(jìn)行濾過，常用的濾過包括基于拉普拉斯算法的高斯濾過、Gabor濾過、小波變換及分形維數(shù)變換等[29]。

勾畫的軟組織腫瘤興趣區(qū)經(jīng)過特征值提取后可獲得成千上萬(wàn)的特征，這與原始數(shù)據(jù)的樣本量相差懸殊，會(huì)導(dǎo)致模型的過擬合，因此模型的建立有賴于病變主要特征值的降維分析。目前，常用的降維算法包括方差選擇法、單變量選擇法及最小絕對(duì)收縮和選擇算子等[22]。

5.軟組織腫瘤影像組學(xué)模型的建立

軟組織腫瘤影像組學(xué)模型的建立需要通過大數(shù)據(jù)的機(jī)器學(xué)習(xí)來(lái)完成，機(jī)器學(xué)習(xí)是使用程序代碼讓計(jì)算機(jī)模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，達(dá)到獲取新知識(shí)或技能的目的。需要指出的是，機(jī)器學(xué)習(xí)的概念在上世紀(jì)60年代就已經(jīng)被計(jì)算機(jī)科學(xué)家提出[30]，但機(jī)器學(xué)習(xí)技術(shù)于近十年才開始被應(yīng)用于醫(yī)學(xué)影像領(lǐng)域。機(jī)器學(xué)習(xí)的方法包括：無(wú)監(jiān)督機(jī)器學(xué)習(xí)、半監(jiān)督機(jī)器學(xué)習(xí)及監(jiān)督機(jī)器學(xué)習(xí)[29]。

無(wú)監(jiān)督機(jī)器學(xué)習(xí)是對(duì)數(shù)據(jù)采用熱點(diǎn)圖分析或聚類分析，挖掘數(shù)據(jù)的自然結(jié)構(gòu)特征，不預(yù)設(shè)數(shù)據(jù)標(biāo)簽。

監(jiān)督機(jī)器學(xué)習(xí)則需要設(shè)置數(shù)據(jù)標(biāo)簽來(lái)訓(xùn)練模型，常用的監(jiān)督機(jī)器學(xué)習(xí)算法包括支持向量機(jī)(support vector machine，SVM)、隨機(jī)森林(random forests，RF)、決策樹(decision tree，DT)和邏輯回歸(logistic regression，LR)等，其中SVM由Cortes等[31]于1995年提出，一般應(yīng)用于二分類問題當(dāng)中，具有相對(duì)優(yōu)良的性能指標(biāo)，是建立在統(tǒng)計(jì)學(xué)理論基礎(chǔ)上的機(jī)器學(xué)習(xí)方法，能夠?qū)ふ页鰠^(qū)分度較高的支持向量，可以最大化類與類的間隔，因此具有較好的適應(yīng)能力和鑒別能力，在軟組織腫瘤影像組學(xué)研究中得到了廣泛的應(yīng)用[9,11-12,14,19]。SVM只需由各類域邊界樣本的類別來(lái)決定最后的分類結(jié)果，其優(yōu)點(diǎn)是不依賴全部樣本數(shù)據(jù)就可以解決高維度問題，缺點(diǎn)是核函數(shù)的確定有一定難度，且核函數(shù)的選擇會(huì)影響分類結(jié)果[30]。RF是由Breiman[32]于2001年提出的一種利用多個(gè)樹分類器進(jìn)行分類和預(yù)測(cè)的方法，其輸出類別由單個(gè)樹輸出類別的眾數(shù)而定，通過隨機(jī)方法建立一個(gè)由很多棵無(wú)關(guān)聯(lián)決策樹組成的森林，在輸入新樣本時(shí)森林中的每一棵決策樹會(huì)對(duì)其分別進(jìn)行判斷，最終根據(jù)相對(duì)多數(shù)投票法即該樣本被選擇最多的分類給出其分組，RF在軟組織腫瘤影像組學(xué)研究中也有應(yīng)用[9,11-12]，該算法以能夠降低過擬合現(xiàn)象為優(yōu)點(diǎn)，但其不能較好地預(yù)測(cè)超越訓(xùn)練集外的數(shù)據(jù)[30]。DT因其輸出結(jié)果類似一顆倒置的樹而得名“決策樹”，本質(zhì)上可看作一個(gè)樹狀預(yù)測(cè)模型，通過將實(shí)例從根節(jié)點(diǎn)排列到某個(gè)葉子節(jié)點(diǎn)完成分類。DT在軟組織腫瘤影像組學(xué)研究中也有應(yīng)用[19]，其優(yōu)點(diǎn)是計(jì)算省時(shí)，缺點(diǎn)是易出現(xiàn)過擬合現(xiàn)象[30]。LR的基本原理是將標(biāo)記好的數(shù)據(jù)通過機(jī)器學(xué)習(xí)總結(jié)歸納得出分類模型或分類決策函數(shù)，通過輸入離散或連續(xù)變量對(duì)輸出結(jié)果進(jìn)行分類，其缺點(diǎn)是當(dāng)特征維度很大時(shí)該模型的準(zhǔn)確性不佳[33]。LR在軟組織腫瘤影像組學(xué)研究中亦有應(yīng)用[12,14,20]。

半監(jiān)督機(jī)器學(xué)習(xí)則介于無(wú)監(jiān)督機(jī)器學(xué)習(xí)和監(jiān)督機(jī)器學(xué)習(xí)之間，通過使用大量未標(biāo)記的數(shù)據(jù)和少量標(biāo)記的數(shù)據(jù)來(lái)對(duì)模型進(jìn)行訓(xùn)練，主要用于類別標(biāo)簽不明確的數(shù)據(jù)[34]。

不論使用何種機(jī)器學(xué)習(xí)方法，均需對(duì)比訓(xùn)練集及驗(yàn)證集的受試者操作特征曲線(receiver operating characteristic，ROC)的曲線下面積(area under curve，AUC)、敏感度、特異度、符合率、召回率及和F1-Score等指標(biāo)來(lái)評(píng)價(jià)機(jī)器學(xué)習(xí)模型的診斷效能及穩(wěn)定性。

影像組學(xué)方法在軟組織腫瘤中應(yīng)用研究的進(jìn)展

作為一種新興的醫(yī)工結(jié)合手段，影像組學(xué)方法用于軟組織腫瘤的研究與傳統(tǒng)軟組織腫瘤影像研究的不同之處主要體現(xiàn)在傳統(tǒng)影像手段僅能通過興趣區(qū)測(cè)值的方法來(lái)間接反映軟組織腫瘤的局部信息，無(wú)法反映軟組織腫瘤的整體情況，而影像組學(xué)方法則能提取軟組織腫瘤病灶多個(gè)層面乃至全部層面的影像特征，從而對(duì)軟組織腫瘤的異質(zhì)性進(jìn)行全面評(píng)估。

目前，影像組學(xué)方法在軟組織腫瘤良惡性鑒別、術(shù)前預(yù)測(cè)軟組織肉瘤分級(jí)、評(píng)價(jià)軟組織肉瘤治療及預(yù)后等方面都有應(yīng)用研究。

1.影像組學(xué)方法在軟組織腫瘤良、惡性鑒別中應(yīng)用研究的進(jìn)展

軟組織腫瘤的良、惡性鑒別一直是臨床關(guān)注的重要問題，相比于良性軟組織腫瘤，惡性軟組織腫瘤內(nèi)部的異質(zhì)性更明顯，因而可以借助影像組學(xué)方法來(lái)鑒別軟組織腫瘤的良惡性。

Mayerhoefer等[10]通過對(duì)經(jīng)過病理證實(shí)的58例軟組織腫瘤患者(良性30例，惡性28例)的T1WI、T2WI及FS-T2WI圖像進(jìn)行紋理分析，分別比較了K最近鄰算法和人工神經(jīng)網(wǎng)絡(luò)算法的診斷效能，其中基于FS-T2WI序列的人工神經(jīng)網(wǎng)絡(luò)算法取得了90.5%的符合率，故作者指出良惡性軟組織腫瘤在常規(guī)MRI圖像信號(hào)特征上只有很小的差異，機(jī)器學(xué)習(xí)算法可能有助于鑒別軟組織腫瘤的良惡性，但是需要更多數(shù)據(jù)來(lái)證明其臨床價(jià)值。Wang等[14]通過使用91例軟組織腫瘤患者(良性55例，惡性36例)的FS-T2WI圖像進(jìn)行影像組學(xué)諾模圖和決策曲線分析，得出影像諾模圖能夠?qū)盒耘c良性軟組織腫瘤區(qū)分開(AUC為0.94)，且諾模圖的診斷效能優(yōu)于單一的影像組學(xué)模型和臨床模型，由此指出結(jié)合了影像組學(xué)特征和臨床特征的諾模圖是一種無(wú)創(chuàng)且低成本的術(shù)前預(yù)測(cè)軟組織腫瘤良惡性的方法。Juntu等[19]通過對(duì)135例軟組織腫瘤患者(良性86例，惡性49例)患者的T1WI圖像進(jìn)行紋理分析，并將三種機(jī)器學(xué)習(xí)模型(支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、C4.5)的診斷效能與影像科醫(yī)師進(jìn)行比較，得出支持向量機(jī)分類器的符合率為93%，優(yōu)于影像科醫(yī)師(90%)，經(jīng)過紋理分析訓(xùn)練的機(jī)器學(xué)習(xí)分類器對(duì)于在T1WI圖像中檢測(cè)惡性腫瘤具有潛在的價(jià)值，對(duì)分類器的學(xué)習(xí)曲線分析表明小于100個(gè)T1WI圖像的訓(xùn)練數(shù)據(jù)量足以訓(xùn)練出診斷效能和影像科專家一樣的機(jī)器學(xué)習(xí)分類器。Kim等[15]通過對(duì)40例含有粘液成分的軟組織腫瘤患者(良性23例，惡性17例)的ADC圖進(jìn)行紋理分析，發(fā)現(xiàn)惡性組的峰度、能量、相關(guān)性和均質(zhì)性均明顯高于良性組，但對(duì)比度和方差均低于良性組，因此認(rèn)為基于ADC圖的紋理分析有助于鑒別良惡性含黏液成分的軟組織腫瘤。Chen等[35]通過對(duì)114例軟組織腫瘤患者(良性73例，惡性41例)的超聲圖像進(jìn)行紋理分析，通過使用10個(gè)形態(tài)學(xué)特征和6個(gè)灰度共生矩陣特征來(lái)鑒別良惡性軟組織腫瘤，并將紋理分析的診斷效能與四位診斷醫(yī)師進(jìn)行比較，發(fā)現(xiàn)紋理分析的診斷符合率(89.5%)高于診斷醫(yī)師(74%～86%)，這表明在超聲檢查中使用紋理分析進(jìn)行輔助診斷可成功地區(qū)分良性和惡性軟組織腫瘤，以避免不必要的穿刺活檢。Xu等[16]通過對(duì)103例軟組織腫瘤患者(良性44例，惡性59例)的PET/CT圖像進(jìn)行紋理分析，分別對(duì)CT圖像上計(jì)算的紋理參數(shù)、PET圖像上計(jì)算的紋理參數(shù)以及PET和CT組合的紋理參數(shù)進(jìn)行計(jì)算，將它們的診斷效能與標(biāo)準(zhǔn)化攝取值方法進(jìn)行比較，發(fā)現(xiàn)僅使用PET(或CT)紋理參數(shù)的符合率為74.76%(72.82%)，與SUV方法沒有顯著差異，但將PET和CT最佳紋理參數(shù)(PET：熵和粗糙度，CT：熵和相關(guān)性)進(jìn)行聯(lián)合紋理分析的方法表現(xiàn)出更好的診斷效能(符合率為82.52%)，因此得出使用紋理分析的方法能夠顯著提升18F-FDG PET/CT對(duì)軟組織腫瘤良惡性的鑒別診斷能力。Thornhill等[20]通過回顧分析24例脂肪瘤和20例脂肪肉瘤患者的T1WI、T2WI、FS-T2WI及T1WI增強(qiáng)圖像，在T1WI上對(duì)病灶進(jìn)行勾畫并提取灰度級(jí)共生矩陣特征、灰度級(jí)長(zhǎng)度矩陣特征及形態(tài)學(xué)特征，將紋理特征的組合用于訓(xùn)練多個(gè)線性判別分類器，最終使用10折交叉驗(yàn)證評(píng)估每種分類器鑒別脂肪瘤和脂肪肉瘤的診斷效能，并和兩位影像科醫(yī)師的診斷效能進(jìn)行比較，發(fā)現(xiàn)影像組學(xué)模型的診斷效能(91%)高于兩位影像科醫(yī)師(80%、77%)，因此指出計(jì)算機(jī)輔助診斷模型有助于影像科醫(yī)師鑒別脂肪瘤與脂肪肉瘤。

2.影像組學(xué)方法在預(yù)測(cè)軟組織肉瘤組織病理學(xué)分級(jí)中應(yīng)用研究的進(jìn)展

軟組織肉瘤(soft tissue sarcomas，STSs)的組織病理學(xué)分級(jí)關(guān)系到患者的預(yù)后及臨床治療方案的制定[36]，如果能在術(shù)前通過影像組學(xué)方法建立精度逼近病理的軟組織肉瘤組織病理學(xué)分級(jí)預(yù)測(cè)模型，那么對(duì)其臨床治療方案的制定有重要的指導(dǎo)意義。影像組學(xué)特征能間接反映軟組織肉瘤內(nèi)部的異質(zhì)性，而軟組織肉瘤的異質(zhì)性越高則其組織病理學(xué)分級(jí)越高。因此，影像組學(xué)特征與軟組織肉瘤的組織病理學(xué)分級(jí)相關(guān)。

Zhang等[9]通過對(duì)35例STS患者(Ⅰ級(jí)9例，Ⅱ、Ⅲ級(jí)共26例)的磁共振FS-T2WI圖像研究發(fā)現(xiàn)，基于FS-T2WI的隨機(jī)森林、K最近鄰、支持向量機(jī)的機(jī)器學(xué)習(xí)模型均可在術(shù)前預(yù)測(cè)STSs的組織病理學(xué)分級(jí)，且這些模型的診斷效能均比術(shù)前穿刺活檢更高。Corino等[24]通過對(duì)19例軟組織肉瘤患者(Ⅱ級(jí)5例，Ⅲ級(jí)14例)的ADC圖采用合成少數(shù)過采樣技術(shù)進(jìn)行了影像組學(xué)分析，指出基于ADC圖的影像組學(xué)模型能夠鑒別Ⅱ級(jí)與Ⅲ級(jí)STSs，且該模型僅需使用兩個(gè)一階統(tǒng)計(jì)形態(tài)學(xué)特征。Wang等[11]通過使用113例STSs患者(Ⅰ級(jí)25例，Ⅱ、Ⅲ級(jí)共88例)的術(shù)前T1WI和FS-T2WI建立隨機(jī)森林機(jī)器學(xué)習(xí)模型，指出基于影像組學(xué)特征的機(jī)器學(xué)習(xí)模型對(duì)于區(qū)分STSs的分級(jí)非常有意義。

3.影像組學(xué)方法在評(píng)價(jià)軟組織腫瘤治療及預(yù)后的應(yīng)用研究進(jìn)展

軟組織腫瘤的治療和預(yù)后情況亦是臨床關(guān)注的重要問題，研究表明影像組學(xué)特征與軟組織腫瘤的治療及預(yù)后存在相關(guān)性。

Spraker等[21]通過對(duì)來(lái)自兩個(gè)中心的Ⅱ、Ⅲ級(jí)STSs患者共226例的T1WI增強(qiáng)圖像圖像提取30個(gè)影像組學(xué)特征值進(jìn)行分析，并分別構(gòu)建了臨床模型、影像組學(xué)模型、臨床-影像組學(xué)模型，使用Harrell一致性指數(shù)評(píng)估模型的診斷效能。結(jié)論為在考慮年齡和分級(jí)時(shí)，從MRI圖像中提取的影像組學(xué)特征與STSs的總生存期獨(dú)立相關(guān)，使用臨床-影像組學(xué)模型可以改善STSs患者的個(gè)性化治療選擇方案。Crombe等[12]通過對(duì)65名成年高級(jí)別STSs患者新輔助化療前后的T1WI、T2WI和T1WI增強(qiáng)圖像進(jìn)行影像組學(xué)分析，提取了33個(gè)紋理特征和形態(tài)學(xué)特征來(lái)研究Delta影像組學(xué)預(yù)測(cè)接受新輔助化療的STSs患者早期反應(yīng)的價(jià)值。在訓(xùn)練集中，RF算法的符合率為88.1%，而在驗(yàn)證集中，該模型的符合率達(dá)到了74.6%，由此作者指出基于T2WI的Delta影像組學(xué)模型可以憑借有限的特征值來(lái)評(píng)估STSs患者對(duì)早期新輔助化療的反應(yīng)情況。Tagliafico等[17]通過對(duì)11例軟組織肉瘤患者進(jìn)行了33次隨訪，對(duì)其T1WI、T2WI和T1WI增強(qiáng)圖像進(jìn)行了影像組學(xué)分析，指出影像組學(xué)特征可在監(jiān)測(cè)STSs局部復(fù)發(fā)時(shí)將正常組織與病理組織區(qū)分開來(lái)，影像組學(xué)不僅可以用于檢測(cè)STSs，而且可用于病灶表征的量化分析。Tian等[18]對(duì)20例STSs患者進(jìn)行了研究，所有患者均單獨(dú)接受貝伐單抗治療2周，然后在手術(shù)前接受貝伐單抗治療加放療6周，并且均在治療后2周和8周均接受了CT灌注檢查，并測(cè)量了腫瘤血流流速，另使用紋理分析軟件測(cè)量了增強(qiáng)CT動(dòng)脈峰值時(shí)的圖像正像素的平均值作為紋理參數(shù)，并測(cè)量了腫瘤的大小和密度，將這些參數(shù)的百分比變化與病例結(jié)果進(jìn)行對(duì)照，結(jié)果表明8周后圖像正像素平均值的百分比變化與手術(shù)標(biāo)本中的腫瘤壞死有顯著相關(guān)性，而大小、密度和腫瘤血流流速的差異則無(wú)統(tǒng)計(jì)學(xué)意義，因此作者指出圖像正像素平均值的改變是評(píng)價(jià)STSs新輔助化療療效的最佳生物標(biāo)志物。

影像組學(xué)方法用于軟組織腫瘤研究尚存在的問題及展望

作為影像科醫(yī)生的得力助手，影像組學(xué)方法雖然在軟組織腫瘤中的應(yīng)用已取得一定的成果，但我們必須認(rèn)識(shí)到該方法目前尚處于起步階段，并且與普通圖像識(shí)別與分割相比，醫(yī)學(xué)影像診斷學(xué)具有其獨(dú)特的復(fù)雜性，在相關(guān)成果轉(zhuǎn)化為臨床應(yīng)用前還有很多問題亟待解決，例如不同掃描參數(shù)和重建算法缺乏統(tǒng)一標(biāo)準(zhǔn)、缺乏統(tǒng)一規(guī)范的影像組學(xué)研究流程和具有可解釋的專家共識(shí)、現(xiàn)有的影像組學(xué)診斷模型缺乏大樣本多中心的前瞻性研究檢驗(yàn)以及各種診斷模型的魯棒性問題等[37]。另外，現(xiàn)有診斷模型假陽(yáng)性率過高的問題也必須引起我們的重視，如何降低假陽(yáng)性率而不漏診疾病是一個(gè)重要議題[38]。并且，各種診斷模型的適用性還有待更大規(guī)模數(shù)據(jù)的檢驗(yàn)，然而由于發(fā)病率較低，軟組織腫瘤的病例數(shù)通常較少，數(shù)據(jù)的收集需要耗費(fèi)大量的時(shí)間，這都是影像組學(xué)在軟組織腫瘤進(jìn)一步應(yīng)用所需要攻克的問題?？傊?，影像組學(xué)在軟組織腫瘤中應(yīng)用的前景廣闊，它會(huì)在軟組織腫瘤的精準(zhǔn)醫(yī)療中發(fā)揮越來(lái)越重要的作用，影像科醫(yī)生必須與時(shí)俱進(jìn)，理解并掌握影像組學(xué)這個(gè)利器才能在將來(lái)的臨床工作中游刃有余、事半功倍[39]。