王佳舟--影像组学在放疗中的初步应用

基于放疗定位CT的影像组学构建局限期小细胞肺癌预后模型的研究吴洁菡;宋家伟;徐畅;王伟;杨成文;刘桂芝;刘宁波【期刊名称】《中国肿瘤临床》【年(卷),期】2023(50)1【摘要】目的:采用影像组学方法分析放疗定位CT影像的组学特点,构建预测局限期小细胞肺癌(limit-stage small cell lung cancer,LS-SCLC)患者总生存(overall survival,OS)期、无进展生存(progression-free survival,PFS)期的组学模型,为个体化治疗提供依据。

方法:回顾性分析天津医科大学肿瘤医院2013年9月至2019年12月193例LS-SCLC患者的放疗定位CT资料,并将患者按照7∶3分为训练组和测试组,勾画患者肿瘤区域(gross tumor volume,GTV)进行特征分析。

随访获得的患者预后数据,以t检验和LASSO筛选特征建立随机森林预测模型,以曲线下面积(area under the receiver operating characteristic curve,AUC)对模型进行验证评估。

结果:患者中位OS为29.77个月,中位PFS为19.03个月。

每例患者提取了1037个影像特征,包含一阶特征、形状特征和纹理特征。

分别以OS≤1年或OS≥3年、OS≤1年或OS≥5年、PFS≤6个月或PFS≥24个月作为标准对患者分组,各测试组模型的AUC均值分别为0.73、0.79、0.70。

组学特征中original_ngtdm_Strength、wavelet-HHL_ngtdm_Busyness、wavelet-LLH_glcm_ClusterShade和wavelet-LLH_glcm_Correlation等参数具有预测价值。

结论:基于放疗定位CT的影像组学获得的影像特征模型对LS-SCLC患者预后有一定预测价值,纳入临床因素建立融合模型综合分析可能获得更为理想的结果。

影像组学及深度学习评估肝细胞癌预后研究进展在医学科技的大海中，影像组学和深度学习如同两艘破浪前行的航船。

它们正携手探索肝细胞癌这片未知的海域，试图为患者带来更加精准的预后评估。

首先，让我们来谈谈影像组学这艘航船。

它利用先进的成像技术，如CT、MRI等，将肝脏内部的结构和功能信息转化为数字化的数据。

这些数据就像一张张精细的地图，揭示了肝细胞癌的每一个细节。

通过对这些数据的深入分析，医生们可以更准确地判断肿瘤的性质、大小、位置以及与周围组织的关系。

这不仅有助于制定个性化的治疗方案，还能为预后评估提供有力的依据。

而深度学习则是另一艘强大的航船。

它通过模拟人脑神经网络的工作原理，能够从海量的数据中学习和提取有用的信息。

在肝细胞癌的预后评估中，深度学习算法能够自动识别和分析影像组学数据中的复杂模式，从而预测患者的治疗效果和生存率。

这种预测不仅速度快、精度高，而且不受人为因素的影响，大大提高了预后评估的客观性和可靠性。

当这两艘航船相遇时，它们的合作更是产生了惊人的效果。

影像组学提供了丰富的数据来源，而深度学习则提供了强大的数据处理能力。

它们相互补充、相互促进，共同推动了肝细胞癌预后评估的研究进展。

然而，我们也不得不面对一些挑战和困难。

比如，如何确保数据的准确性和完整性？如何避免算法的过拟合和欠拟合？如何平衡模型的复杂度和可解释性？这些问题都需要我们进行深入的思考和探讨。

尽管如此，我相信随着技术的不断进步和研究的深入，影像组学和深度学习在肝细胞癌预后评估领域的应用将会越来越广泛、越来越成熟。

它们将为患者带来更好的治疗效果和更高的生存率，为医学科技的发展贡献自己的力量。

在这个充满挑战和机遇的时代里，让我们一起期待影像组学和深度学习这两艘航船能够在医学科技的大海中乘风破浪、扬帆远航！。

影像组学的兴起及其应用进展刘超;鲁际【摘要】影像组学是一个新兴的发展领域,是指从计算机断层成像(CT)、磁共振成像(MRI)或正电子发射断层成像(PET)获得的医学图像中提取和分析大量高通量的成像特征,来评估获得高度保真的肿瘤表型,从而定量地揭示图像与肿瘤异质性之间的关联.目前关于影像组学的研究已经获得了诸多的显著成果.本文主要对影像组学的工作流程、临床上的应用以及面临的挑战进行综述.【期刊名称】《海南医学》【年(卷),期】2018(029)015【总页数】3页(P2164-2166)【关键词】影像组学;高通量;定量成像【作者】刘超;鲁际【作者单位】三峡大学第一临床医学院放射科,湖北宜昌 443000;三峡大学第一临床医学院放射科,湖北宜昌 443000【正文语种】中文【中图分类】R445自从第十九世纪末X射线被发现以来，医学影像学已经发展了100多年。

传统的成像方法是主要是对肿瘤的形态特征进行半定量提取[1]。

然而，这些方法不能够预测肿瘤的异质性，因此我们迫切需要开发更加系统、全面的图像处理技术。

2012年，荷兰研究人员Lambin P首次提出了“影像组学”的概念[2]，并将其定义为:用高通量的方法从影像图像的感兴趣区域(ROI)中提取大量的影像特征。

近年来，影像组学引起了国内外广泛的关注。

随着精准医疗时代的到来，提供多参数形态和功能信息的影像组学正在发挥越来越重要的作用。

本文主要对影像组学的工作流程、临床上的应用以及面临的挑战进行综述。

1 影像组学工作流程1.1 图像采集首先从CT、MRI和PET不同的无创成像方式来获取大量的图像，然后对这些图像进行预处理，以确保它们的一致性。

许多研究机构使用了对比度限制自适应直方图均衡(contrast limited adaptive histogram equlization，CLAHE)技术来增强图像对比度、降噪和除去人为伪影的影响。

最后，将所有的图像都逐渐地汇总在一起，形成一个大型的数据库。

《中国癌症杂志》2018年第28卷第6期 CHINA ONCOLOGY 2018 Vol.28 No.6435欢迎关注本刊公众号·综　述·通信作者：胡伟刚　E-mail: jackhuwg@ 近年来，随着计算机及加速器技术的迅猛发展，逆向调强放疗（intensity-modulated radiation therapy ，IMRT ）技术在保证靶区接收足够照射剂量的同时极大地降低了正常组织的受照剂量。

作为新兴技术，自动计划技术能够提高IMRT 计划的质量和效率，已获得国内外研究者的重视。

自动计划技术是指通过某种自动化的算法或手段生成临床可接受的IMRT 计划的技术。

本研究将通过回顾近年来的文献，就国内外在该领域的研究进展做一综述。

1 放射治疗自动计划研究的临床意义 优质的IMRT 计划需要专用的治疗计划系统（treatment planning system ，TPS ），也需要熟悉该系统的计划设计者不断尝试和反复修改(trial and error)。

不同的计划设计者由于自身的经验、目标函数的设置等诸多方面存在差异，对同一患者可能设计出完全不同的IMRT 计划。

与此同时，不同的放疗中心有不同的IMRT 计划质量标准，大型学术中心与小型临床单位在同一患者的计划质量上有较大的差异。

一项与胰腺癌放疗相关的回顾性研究指出，在治疗计划有偏差的患者中，有45%的患者会引发3级以调强放射治疗自动计划技术的研究进展范嘉伟 综述 王佳舟，胡伟刚 审校复旦大学附属肿瘤医院放射治疗科，复旦大学上海医学院肿瘤学系，上海200032［摘要］ 逆向调强放疗（intensity-modulated radiation therapy ，IMRT ）技术在保证靶区接收足够照射剂量的同时极大地降低了正常组织的受照剂量。

在IMRT 治疗计划的设计过程中，需要进行多次尝试与优化才能在提高靶区覆盖率与减少正常组织受照剂量的矛盾中找到平衡点。

基于CT影像组学预测模型对食管癌放疗后总生存期的预测价值食管癌是一种高发的消化系统恶性肿瘤，对患者的生存期和生活质量造成了严重的影响。

放疗作为食管癌治疗的重要手段之一，在提高患者生存期方面发挥着关键作用。

然而，不同患者对放疗的反应存在差异，因此有必要寻找一种准确、快速预测食管癌放疗后总生存期的方法。

本文将探讨基于CT影像组学预测模型在食管癌放疗后总生存期的预测价值。

1. 引言食管癌是一种严重的消化系统肿瘤，其较低的生存率和高复发率增加了治疗的挑战。

放疗是食管癌常用的治疗方法之一，虽然在提高生存率方面取得了一定的成效，但放疗对不同患者的疗效存在显著的差异。

因此，评估放疗后患者的总生存期对于指导治疗方案和预测预后至关重要。

2. CT影像组学在食管癌预后评估中的应用CT影像组学是一种基于计算机科学和机器学习的方法，通过从医学影像中提取大量的定量特征，并与患者的临床信息进行关联，以预测患者的预后结果。

在食管癌的预后评估中，CT影像组学方法已被广泛研究和应用。

3. 基于CT影像组学的预测模型构建基于CT影像组学的预测模型的构建，包括以下步骤：(1) 影像数据采集：收集多个患者的CT影像数据和临床信息，确保数据的完整性和多样性。

(2) 特征提取：使用计算机视觉和图像处理技术，从CT影像中提取一系列的特征，包括肿瘤形态、纹理特征、周围组织的密度等。

(3) 特征选择：对提取的特征进行筛选和选择，选取与食管癌总生存期相关性最高的特征。

(4) 模型构建：使用机器学习算法构建预测模型，如支持向量机、随机森林等。

(5) 模型验证：将构建好的模型应用于新的患者数据中进行验证，评估模型的准确性和预测能力。

4. CT影像组学预测模型对食管癌放疗后总生存期的预测价值通过基于CT影像组学的预测模型，可以对食管癌放疗后总生存期进行准确预测，从而为临床医生制定个性化的治疗方案和患者的预后评估提供依据。

该预测模型具有以下优点：(1) 非侵入性：基于CT影像的预测模型无需进行额外的检查或采集生物样本，减少了患者的负担。

基于高分辨率T_(2)WI影像组学联合临床特征预测食管癌新辅助放化疗疗效的价值杨日辉;钟怡;范伟雄;程亚宝;陈寿让;张添辉【期刊名称】《放射学实践》【年(卷),期】2024(39)3【摘要】目的:探讨基于高分辨率(HR)T_(2)WI影像组学联合临床特征预测食管癌新辅助放化疗后疗效的价值。

方法:回顾性分析本院2016年1月-2021年12月新辅助放化疗前接受HR T_(2)WI成像检查并经病理证实的95例食管癌患者资料。

依据新辅助放化疗后病理缓解状态结果将患者疗效分为缓解组和未缓解组,在HRT_(2)WI图像上勾画肿瘤感兴趣区(ROI)后采用A.K软件提取影像组学特征,采用最大相关最小冗余(mRMR)算法进行降维,采用逻辑回归模型对筛选出的影像组学特征及临床参数构建模型;采用受试者操作特征(ROC)曲线评估不同模型的预测效能,计算曲线下面积(AUC)、准确率、敏感度和特异度,并采用DeLong检验比较不同模型预测食管癌新辅助放化疗敏感性的效能。

结果:缓解组与未缓解组年龄差异具有统计学意义(P=0.001),其他临床特征差异无统计学意义(P>0.05)。

从1688个组学特征中逐层筛选出4个影像组学特征,构建两个预测模型:基于HR T_(2)WI的影像组学模型、年龄-影像组学模型。

HR T_(2)WI影像组学模型在训练集与验证集预测食管癌新辅助放化疗是否缓解的AUC、准确率、敏感度和特异度分别为0.863、80.0%、88.2%、76.7%,0.809、81.5%、75.0%、84.2%。

年龄-影像组学模型在训练集与验证集预测食管癌新辅助放化疗是否缓解的AUC、准确率、敏感度和特异度分别为0.888、81.7%、94.1%、76.7%,0.836、81.5%、87.5%、78.9%。

年龄-影像组学模型预测食管癌新辅助放化疗是否缓解的AUC、准确率和敏感度均高于HR T_(2)WI影像组学模型,而两者的特异度相仿。

影像组学在核医学影像中的应用随着医学技术的不断发展，影像组学技术在核医学影像中的应用越来越广泛。

影像组学技术是一种基于图像处理和机器学习算法的新兴技术，可以从大量的多维数据中提取有用信息，为医学诊断和治疗提供更加精准的支持。

在核医学影像中，影像组学技术的应用可以帮助医生更好地诊断和治疗疾病。

一、影像组学技术在核医学影像中的应用1. 肿瘤诊断影像组学技术可以对核医学影像中的肿瘤进行识别和分析。

通过对肿瘤的形态、代谢和血液灌注等多个方面的分析，可以提高肿瘤的诊断准确性。

例如，可以通过对PET/CT影像进行分析，预测肿瘤的生长和转移趋势，为肿瘤治疗提供更加精准的支持。

2. 心血管疾病诊断核医学影像在心血管疾病诊断中有着重要的应用，而影像组学技术可以对核医学影像中的心血管疾病进行多维度的分析。

例如，可以通过对PET/CT影像进行分析，评估心肌代谢和灌注的情况，对心血管疾病进行诊断和评估。

3. 脑部疾病诊断影像组学技术可以对核医学影像中的脑部疾病进行分析和诊断。

例如，可以通过对PET/CT影像进行分析，评估脑部代谢和血液灌注的情况，对脑部疾病进行诊断和治疗的决策提供更加精准的支持。

二、影像组学技术在核医学影像中的优势1. 提高诊断准确性影像组学技术可以对核医学影像中的多维数据进行分析和处理，提取有用的信息，提高诊断的准确性。

例如，可以通过对PET/CT影像进行多维度的分析，评估肿瘤的形态、代谢和血液灌注等多个方面的情况，提高肿瘤的诊断准确性。

2. 提高治疗效果影像组学技术可以对核医学影像中的多维数据进行分析和处理，提取有用的信息，为治疗提供更加精准的支持。

例如，可以通过对PET/CT影像进行分析，预测肿瘤的生长和转移趋势，为肿瘤治疗提供更加精准的支持。

3. 提高效率影像组学技术可以对核医学影像中的多维数据进行自动化分析和处理，提高工作效率。

例如，可以通过机器学习算法对大量的核医学影像进行自动化分析和处理，减少医生的工作量，提高工作效率。

基于深度学习算法的病理学图片淋巴细胞浸润检测庄晗;胡伟刚;章真;王佳舟【期刊名称】《中国癌症杂志》【年(卷),期】2024(34)4【摘要】背景与目的:深度学习方法可用来在病理切片上开展淋巴细胞的自动分割和检测。

本研究探讨使用变分自编码模型预训练的方法对病理学图片进行淋巴细胞浸润检测的性能,以及去除肿瘤坏死区域对模型性能的影响。

方法:使用变分自编码模型(variational auto-encoder,VAE)先在来自肿瘤基因组图谱(the Cancer Genome Atlas, TCGA)数据库中的无标注的TCGA-COAD和TCGA-READ病理切片图像上进行预训练,获得一个自编码预训练模型,再在已标注淋巴细胞的公开数据集上进行淋巴细胞浸润检测的模型训练。

为避免与坏死的区域相混淆,还训练了分割肿瘤坏死区域的Unet模型,以去除肿瘤坏死区域对淋巴细胞识别的影响。

分析经过变分自编码模型预训练的淋巴细胞浸润检测模型在训练集和测试集上的受试者工作特征曲线(receiver operating characteristic curve,ROC)的曲线下面积(area under curve,AUC)及其95%置信区间(confidence interval,CI)。

结果:检测模型在训练集上AUC为0.979(95%CI:0.978~0.980),准确率为92.5%(95%CI:92.3%~92.6%),Kappa值为0.849,灵敏度为0.908,特异度为0.941,精确率为0.939,召回率为0.908,F1为0.923。

验证集的AUC为0.968(95%CI:0.964~0.972),准确率为91.3%(95%CI:90.6%~92.0%),Kappa值为0.826,灵敏度为0.898,特异度为0.928,精确率为0.925,召回率为0.898,F1为0.912。

Resnet18模型在已标注的数据集上直接训练的结果为:验证集的准确率为83.2%(95%CI:82.2%~84.1%),Kappa值为0.664,灵敏度为0.823,特异度为0.840,精确率为0.838,召回率为0.823,F1为0.830。

影像组学在脑胶质瘤分级中的应用研究杨志炜，郭天，谢海滨*，杨光*随着生物医学的进步，人们对不同疾病的理解逐渐深入，但癌症仍然是尚未攻克的难题[1]。

脑胶质瘤的临床治疗方案一般由治疗过程中肿瘤的分级情况决定。

目前，脑胶质瘤分级标准严格基于病理学检查，这种方法有一定的局限性，包括侵入性、采样误差、解释的变化性等[2]，而基于影像学检查的分级方法[3]没有侵入性，逐步成为研究的热点。

但是，早期医生往往只能通过肉眼来获取图像信息，耗时较长，自动化的分级方法则能有效缩短诊断与治疗时间。

磁共振成像常被用于脑胶质瘤检查，它能够提供大量的脑部软组织解剖、功能、代谢等信息，有些与疾病相关的特征，肉眼很难发现，这也需要人们开发自动的工具或算法[4-5]。

因此越来越多的研究者参与到脑胶质瘤磁共振图像的自动化分级中。

影像组学是近年来兴起的一种图像分析方法，它从医学图像中自动地高通量地提取大量定量特征。

假设对于给定模态的医学图像数据，通过自动的或半自动的软件对它们进行定量分析，可能可以从图像中发掘出更多更好的信息[6]，就能将影像组学与常规磁共振图像相结合，使其在脑胶质瘤分级的应用中发挥巨大作用。

本研究用影像组学的方法对基于常规磁共振图像的脑胶质瘤进行了分级。

1 材料与方法1.1 数据1.1.1 脑胶质瘤分级根据2016年世界卫生组织(World Health Organization，WHO)中枢神经系统肿瘤分类标准，脑胶质瘤分类包括[7]星形细胞肿瘤、少突胶质细胞肿瘤、室管膜肿瘤、脉络丛肿瘤、神经元及混合神经元神经胶质肿瘤等。

脑胶质瘤可以分级为低评级(low grade glioma，LGG)和高评级(high grade glioma，HGG)。

1.1.2 数据集介绍本研究使用了2017脑胶质瘤分割竞赛数据集(brain tumor segmentation challenge 2017，BRATS2017)[8-9]，该数据集提供了专家手工标记的肿瘤区域以及肿瘤的分级情况，其中提供肿瘤分级信息的有285例数据，LGG有75例，HGG有210例，数据模态为T1加权像、增强T1加权像、T2加权像和液体衰减反转恢复序列(fluid attenuated inversion recovery，FLAIR)像。