四、放射组学与肿瘤异质性

放射组学（radiomics）是以定量分析为基础，应用大量自动化数据特征化算法将兴趣区的影像数据转化为可挖掘的高维特征数据的方法。通过对大量的影像数据进行数字化的定量数据分析得到高保真的目标信息，来综合评价肿瘤的各种表型（phenotypes），包括组织形态、细胞分子、基因遗传等各个层次的信息。放射组学可发现肿瘤的预测性信号，区分肿瘤内在的异质性，并与潜在的基因表达类型相关联^[38，39]。

2012年，荷兰学者Lambin首先提出了放射组学的概念^[39]，近几年，随着自动化分析技术和人工智能的发展，放射组学的概念和应用又有了进一步的发展，它的核心理论基础，包括标准化图像的获取、自动化图像分析、分子图像的计算以及构建放射组学在肿瘤预后和治疗反应中的预测模型。

放射组学是基于肿瘤异质性纹理特征分析的一门学科方向，它利用若干影像特征来直观、定量地描述临床中的肿瘤病理学特点。放射组学由数据采集、纹理计算、特征选择、模型训练以及模型预测若干环节构成（图2-19）。

图2-19　放射组学的研究步骤，通过图像特征来构建临床应用的预测模型

在放射组学的各环节中，数据采集部分主要是针对临床问题提供符合标准的影像数据，评价标准应符合放射组学研究的数据规范。纹理特征计算部分为项目提供了可量化的数值基础，为后期的模型建立提供数据源。纹理选择主要利用特征降维的方法对特征本身进行去冗余性，以重要特征的排序，作为模型训练的输入数据，纹理选择是预测模型是否准确的基础。模型训练利用临床数据，根据特征计算的结果，通过回归或者机器学习的算法构建可用于临床数据分析的模型。模型预测是放射组学应用的关键环节，通常使用新的病例对模型的准确性和稳定性进行验证。

放化疗的疗效评估是衡量治疗方案、进行临床决策的重要环节，可以通过放射组学中的特征来进行疗效评估。例如，采用MRI动态增强图像结合DCE-MRI分析方法，比较治疗前后的血流动力学和直方图参数，显示治疗前后的直方图和峰度（kurtosis）具有较高的预测价值。

肿瘤分级在临床中也有重要意义，它影响临床诊疗决策和治疗方案的制定，放射组学特征对早期和晚期肿瘤具有较好的分辨能力。例如，在基于PET图像的食管癌分级研究中，SUV-max、熵和能量都在辨别早期和中晚期肿瘤中具有显著性差异，尤其是熵；在宫颈癌的分级研究中，PET图像的纹理特征可以很好地鉴别早期（Ⅰ，Ⅱ期）和晚期（Ⅲ，Ⅳ期）肿瘤；在肺癌分级研究中，CT图像的高斯滤波纹理特征对鉴别Ⅱ期以上肿瘤有着良好的分辨能力。

放射组学中的特征有助于鉴别肿瘤的良恶性。20世纪90年代就出现了对MRI T₁和T₂图像进行纹理特征分析来辨别脑肿瘤良恶性的研究报道；在其他部位，例如乳腺肿瘤的良恶性辨别上，放射组学也有非常多的应用。例如，有研究结合病灶形状、二维图像矩阵和三维纹理特征，利用人工神经网络作为训练方法，得到了鉴别率较高的乳腺良恶性肿瘤辨别模型。

很多研究发现，肿瘤病理表现与肿瘤基因型之间存在着很强的关联，这样肿瘤遗传学可以给肿瘤诊断提供生物学基础方面的信息，而放射组学恰好是病理学与基因学之间的很好结合，可以作为肿瘤遗传学研究的重要手段。在脑肿瘤遗传学的研究中，通常利用MRI的影像学特征与基因突变、基因表达相结合来用于遗传学研究，例如研究显示，不同恶化程度的胶质瘤类型具有不同的三维体积纹理特征，基于体积，包括增强体积、坏死体积和肿瘤整体体积的纹理参数，对恶性胶质瘤突变类型有着很好的预测效果；高度增生的肿瘤细胞通常具有更复杂的图像特征，例如纹理特征等。

放射组学作为刚刚兴起的前沿学科，由于它将影像、病理与基因信息紧密地联系在一起，利用工程学的方法提供了一整套用于临床决策和科研的解决方案在临床应用中将会起到越来越重要的作用。

放射组学已经被证实在众多临床应用中发挥着重要的作用，它为影像科医生提供了更多的定量信息，通过特征提取、特征选择以及预测模型构建，在基于影像的病理挖掘方面，尤其是肿瘤领域有着广泛的应用。

肿瘤异质性是肿瘤发展过程中的一个显著特征，现在逐渐被作为临床新的诊断标准，异质性分析也是肿瘤影像评价的新工具。肿瘤异质性分析的理论基础是肿瘤在基因和病理组织学中均具有不均匀性，从而在影像表现中也具有图像的不均匀性。由于临床上肿瘤的异质性可以反映肿瘤的恶性程度和预后，而活检等方法并不能全面评估肿瘤的异质性，因此影像学是评价肿瘤异质性的有效手段。

放射组学方法通过纹理特征参数提示肿瘤的异质性，不同的纹理参数从不同角度描述了异质性的信息，包括肿瘤恶性程度、分级、分期等；但是，需要注意众多的参数存在一定的冗余性，需要剔除重复冗余的信息。利用多种影像数据，通过纹理分析以及放射组学方法，结合定量分析和大数据的应用，对临床诊断和治疗提供辅助和指导，就是影像精准医疗的未来。