90s解读AI | 清华大学张学工教授: 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。

全文导读

综述 | 清华张学工教授: 肺癌影像组学中的机器学习

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