综述 | 清华张学工教授: 肺癌影像组学中的机器学习

肺癌是全球范围导致癌症相关死亡的主要原因。医学影像技术，如计算机断层扫描(CT)和正电子发射断层扫描(PET)，常被应用于非侵入性肺癌诊断。在临床实践中，医生根据从CT和PET图像中提取肿瘤的特征做出决策，如大小、形状和位置。近年来，研究人员提出了各种影像特征，能够捕捉比人眼可感知到范围更大的信息，这促进了影像组学的发展。影像组学是一个利用数据驱动方法将医学图像转化为高维特征，以帮助后续数据挖掘进而更好支持临床决策的研究领域。影像组学分析主要包括四个步骤：图像预处理、肿瘤分割、特征提取和临床预测。机器学习（包括受到广泛关注的深度学习）促进了影像组学方法的发展和应用。学界近来提出了各种影像组学方法，例如构建影像标志物、肿瘤生境分析、聚类样式研究和肿瘤性质的端到端预测。这些方法已被应用于许多研究，用以帮助肺癌的诊断、治疗和监测，为未来肺结节恶性程度、组织学亚型、基因组特性和治疗反应的非侵入性评估提供了启示。清华大学张学工教授团队最新综述总结归纳了有关机器学习在肺癌影像组学研究中的一般工作流程、临床预测方法和临床应用的研究，介绍了一些常用的软件工具，并讨论了当前方法的局限性和未来可能的发展方向。

图片来自Springer

全文下载：

Machine Learning in Lung Cancer Radiomics

Jiaqi Li, Zhuofeng Li, Lei Wei, Xuegong Zhang

https://link.springer.com/article/10.1007/s11633-022-1364-x

https://www.mi-research.net/en/article/doi/10.1007/s11633-022-1364-x

全文导读

肺癌是世界上导致癌症相关死亡的主要原因。2020年，全球新发肺癌病例约为220万例，死亡人数达180万人。肺癌的诊断、治疗和监测需要了解肿瘤的准确特征。计算机断层扫描(CT)是一种非侵入性技术，在临床上广泛应用，它以图像的形式提供了肿瘤的全面信息，肿瘤细胞群体的空间位置及其差异以不同灰阶的形式在CT影像中呈现。此外，正电子发射断层扫描(PET)通常与CT一起使用，作为一种功能性成像技术，利用18F-脱氧葡萄糖(18F-FDG)等示踪剂来描述葡萄糖的代谢活动。在临床实践中，从CT和PET图像来直观检查肿瘤的大小、形状和位置是一种方便且有效的方式。

过去二十年，学界对于利用AI进行医学图像分析的兴趣日益增长，催生了"影像组学"这个新研究领域。这个术语最早由Lambin等人于2012年提出，它指的是从医学图像中提取可挖掘的高维特征的过程。影像组学研究提出了多种类型的图像特征，包括定性语义特征，人眼可感知的定量特征，以及与肿瘤内部结构相关的定量特征。这些人为设计的特征能够体现肿瘤的普遍特性和肿瘤内部的异质性，通常被应用于机器学习模型，用于预测肿瘤表型、基因型或患者预后。近年来，深度学习在许多模式识别任务中都展现了其强大之处，例如计算机视觉和自然语言处理。深度学习取得成功的一个重要原因在于其出色的特征提取能力。不同于预定义特征，深度学习方法能够在训练过程中持续优化模型参数，调整特征提取过程以实现更好的临床预测。深度学习将影像组学从预定义特征扩展到更广泛的抽象特征范围，能够提供有效的诊断信息和预后能力。

本综述首先介绍了肺癌影像组学研究的四个连续步骤：图像预处理、肿瘤分割、特征提取、临床预测(见图1)。随后，本文总结了临床预测方法的近期相关研究，这些方法在肺癌影像组学中的潜在应用，以及一些常用的软件工具。这一类研究通常从胸部CT或其他模态图像的预处理开始。对于下游分析来说，使用特定组织的窗宽和窗位对像素强度进行阈值处理是非常必要的。如果涉及多种图像模态，则需要进行图像配准，以将不同模态下的人体结构对齐到相同的坐标系统。对于关注于肿瘤区域的研究，往往会进行肿瘤分割以便进行详细分析。下一步是特征提取，将图像表示为预定义的影像特征或深度影像特征。随后，影像组学研究会专门开发使用提取特征进行不同任务的临床预测方法。这些临床预测方法主要分为四大类：影像标志物构建、肿瘤生境分析、聚类样式研究和肿瘤特性的端到端预测。肿瘤基因型和表型通常被用作预测目标，如恶性程度、组织学亚型以及治疗结果。

图1 影像组学流程图

本文的其余部分组织如下。第2节总结了影像组学分析的一般工作流程和每个步骤中常见实现方式。第3节介绍了临床预测的四大类方法。第4节综述了近年来影像组学研究在肺癌中的临床应用。第5节介绍了影像组学研究中常用的一些软件工具。第6节讨论了当前面临的挑战与未来的研究方向。

本文作者

全文下载：

Machine Learning in Lung Cancer Radiomics

Jiaqi Li, Zhuofeng Li, Lei Wei, Xuegong Zhang

https://link.springer.com/article/10.1007/s11633-022-1364-x

https://www.mi-research.net/en/article/doi/10.1007/s11633-022-1364-x

BibTex:

@Article{MIR-2022-05-156,

author={Jiaqi Li and Zhuofeng Li and Lei Wei and Xuegong Zhang},

journal={Machine Intelligence Research},

title={Machine Learning in Lung Cancer Radiomics},

year={2023},

volume={20},

number={6},

pages={753-782},

doi={10.1007/s11633-022-1364-x}

}