我们已经知道，影像组学是在一群影像上提取出肉眼看不见的“特征”，结合临床的资料与病理标准，分析他们，并且构建出一定的模型，应用于患者的影像上，从而协助临床医生，判断患者是否需要用药？肿瘤是良性还是恶性？肿瘤处在第几期？他们的3年生存概率为多少？他们接下来的最佳治疗方案是？
在上一篇我们谈到“影像组学的官方定义”，后台大部分的留言并不是在提问，而是在。。。催更！好吧，如今……她来了！
“影像组学可以应用在什么方面？”这是许多研究者经常与我交流的问题。这个问题非常大，相信大家理解后感觉绝大部分的影像类研究都能蹭上一点组学技术。
小编根据文献和自己的经验简单总结了影像组学的几个应用方面，从以下 十大维度 供大家参考！（所有参考文献下载链接见文末）
【第一维度】
大咖田捷教授在其PPT内展示，围绕基于结直肠癌诊疗全过程，说明人工智能中的影像组学是如何使得医学治疗更加精准的，这个案例从临床出发，提出3个问题：
（1）术前，新辅助治疗是否达到pCR？
（2）术中，是否需要进行淋巴结清扫？
（3）术后，是否需要进行辅助放化疗？
我们可以看出这么一个逻辑：
术前新辅助疗效评估
↓
术中淋巴结转移预测
↓
术后化疗必要性预测
参考文献：1.1、1.2、1.3
在术前阶段：
外科大夫一般会对患者做一个辅助化疗（PCR）来控制癌症发展，后续再对辅助化疗失败（或者说还尚存癌细胞）的进行开刀手术。这里可以利用影像组学将PCR缓解的患者挑出来，这部分病人即可免除开刀手术，只需要密切观察和随访即可。文章就发表CCR，现IF10.1分！[1.1]（参考下图）
在术中阶段：
经过化疗后，有大部分患者没有达到PCR缓解效果，因此需要进行开刀手术进行淋巴结清扫。在实际临床清扫过程结果显示，有70%的患者竟然是假阳性！因此针对患者病理、影像数据，可以利用影像组学方法，给出是否需要进行淋巴结清扫的答案，可以将假阳性率从70%降到30%！该文章发表JCO上[1.2]，目前IF为32.956！！！合作单位是广东省人民医院刘再毅大咖！（参考下图）
在术后阶段：
一般术后均会进行放化疗以防手术后的复发或转移。但他们发现，实际上经过手术后的只有20%的结直肠癌患者会有远处转移情况，这意味着约有80%的患者花了钱且承受放化疗的痛苦，来预防不可能发生（或者说发生的概率极小）的远处转移。因此他们利用影像组学技术，把发生转移概率较大的患者挑选出来，再去做放化疗，其他患者只需要后续持续随访、观察即可。文章是上篇提到的影像组学提出者lambin发表的，同样是JCO！[1.3]（参考下图）
这个维度需要从长计议，首先是图像的标准化采集，各位学者以后当上主任后，在诊治疾病的同时，建议将病例标准化采集、保存，日后必定有大用处。
【第二维度】
根据疾病就诊、发现、治疗和预后等过程，结合临床的应用与作用，一般可以总结为以下4个方面：
第一方面为辅助鉴别诊断，可以理解为肿瘤（分子）分型，其核心为对(转移)肿瘤进行分类，以协助临床的判断、提高疾病诊断效率和提供治疗方式参考。如乙肝纤维化程度等同病理诊断[2.1]；肺结节良恶性鉴别；非小细胞肺癌（NSCLC）分类[2.2]；原发、转移瘤鉴别等；HIV损伤鉴别[2.3]；眼眶淋巴瘤和炎性假瘤的无创定量鉴别[2.4]；如肝纤维化鉴别以取代肝穿（理论上）。
第二方面为肿瘤分期（分级），其临床目的为提高患者生存期。主要核心算法为生存分析。如非功能性垂体瘤亚型的精准预测[2.5]、非小细胞肺癌病理分型的精准预测[2.2]、肥厚型心肌病[2.6]。
第三方面为预后评估/监测(post-treatment monitoring)/疗效预测，其临床目的为缓解患者医疗负担[2.7-2.9]，如肺癌头颈癌预后分析、晚期肺癌预后预测[2.10]、对病患的鼻烟癌给出判断及生存期预测、晚期肺癌EGFR突变靶向治疗无进展生存期进行个性化的精准预测[2.11]、肿瘤坏死&复发[2.7/2.12]。
第四方面为治疗方案，其目的是缓解医院就诊压力，提高就诊、治疗效率，如晚期直肠癌放化疗后的反应研究[2.13]，EGFR突变/风险分级[2.14]。
【第三维度】
部位相互参考。从疾病或者部位角度，我们可以快速阅览各类可应用的疾病：
脑肿瘤[2.12]、鼻咽癌(晚期鼻咽癌无进展生存期精准预测[3.1/3.2])、食管癌[3.3]、肺癌(预测肺癌远端转移[3.4])、乳腺癌(组学特征与乳腺癌复发风险联系[发表Nature、新英格兰、JCO等3.5-3.7]、影像组学评估乳腺癌患者新辅助化疗患者的反应[3.8])、结直肠癌[1.2]、胶质瘤、胃肠道癌(胃癌腹膜转移预测[3.9])、肾癌、膀胱癌、前列腺癌、头颈部肿瘤、妇科肿瘤、甲状腺等太多就不一一列举了。
【第四维度】
影像&基因。从生物技术角度看，影像组学是推断蛋白质基因组和表型信息，因此目前更倾向把他们结合一起分析即放射基因组学（Radigenomics）分析，如影像与基因回路关联分析（论文）；将影像组学特征基因组联合进行miRNA关联分析[4.2竟然发表了6分+的Cancers！]；将肿瘤的水肿/浸润部分或空间异质性与基因组信息相关联[4.3,IF=10]；MGMT启动子的甲基化状态[4.4]、基因突变(影像组学实现结直肠癌KRAS/NRAS/BRAF基因突变精准预测[4.5/4.6/4.7])。
【第五维度】
方法学比较。从方法学上，分析的角度有监督学习(考虑金标准)、无监督学习(不考虑金标准)等模式，业界内基本为监督学习，其主要的模型为统计机器学习，多数为二分类、多分类和回归模型等，如果结合随访时间，随访重点事件，就可以构建生存分析回归模型；无监督模型主要是单纯分析组学特征与疾病的相关性，不存在病理的比较，主要方法有聚类分析、因子分析等；也可以和deep learning深度学习方法相结合，这个方向就多了，目前业界也都在探索中[5.1/7.1]。
【第六维度】
二维、三维影像的比较。主流的影像组学文章重在肿瘤鉴别，运用三维数据，那么是否可以从二维的角度去评估呢？能否运用二维数据的最大或者某几层去评价？再做个比较？赶快查查你的方向是否有人做吧，动起来！[6.1/6.2]
【第七维度】
影像成像技术的影响分析。如田教授PPT内，超声中的弹性成像应用中，炎症会不会对诊断结果产生影响？（参考下图）[7.1]
【第八维度】
模态比较。可以将多模态一一对比、或者融合做比较，比如CT中的平扫、增强、能谱CT等，MRI中有T1WI、T2WI、FLAIR、SWI、PWI、SWAN、灌注DSC等不同序列图像；PET影像中根据药物不同也可以得出不同种类影像，如FDG、MET、PSMA等药物；对比剂增强；PET/CT融合图像；PET/MR融合图像等。
【第九维度】
研究对象。在常人眼里，一个病例就是一个样本，科里只有50个病例，一眼看，“做不了组学”，结束，就这样错过一个机会。其实不然，深入讨论，存在许多内幕，研究对象不一定按照传统思想（以病例为单位），打开统计学角度的思维，样本其实可以是一个病灶、一层CT/MR图、甚至是患者其中一个时间点的影像，还可以是什么？那就得根据实际病种的特殊性考虑了。但是！这些样本可以直接简单粗暴拿来建模分析么？（课后作业吧，好好思考哦）
【第十维度】
设备之间的比较。说实话，不同影像设备之间的差异性确实非常大，GPSU各大厂家设备虽说都能成像，肉眼看差不多，其内在重建算法、设备参数调整、分辨率、药剂药量、等待时间等多种因素导致最后成像差异比较大，但是是否可以从统计学角度思考，控制变量法，找到只有部分差异的设备，进行比较呢？如某厂家新款设备发布（一般这种都是基于上一款迭代而成的），或许新增某项功能，但是成像效率可能更高，那理论上是否可以代替上一代呢[10.1]？这也是一种思路供大家思考。
以上10个维度仅供大家思考，如果大家有新想法，欢迎留言区分享一起学习！
那到底有什么疾病可以应用影像组学？想了解这个问题，需要从影像组学的基本条件开始了解。
第一，必须要依托于某种影像，如平扫/增强CT、磁共振MRI、PET影像、超声、X-ray等；
第二，能够在该影像上勾画出某个区域。由于大部分影像是切片式断层显像（肿瘤当然也是镶嵌在某些层面上）。因此一般的操作是，在二维的图像上勾画，形成ROI（region of interest），其他层类似操作后，合并起来，可以以三维立体的形式展现某个肿瘤，进而形成VOI（volume of interest），如下图B至A；当然，单张图像如X射线也是可以操作的，只需在一张图上进行勾画即可。
第三，针对某种疾病，在您的数据库内存在大量病例集，可以重复第二个条件，再根据临床需求，实际病种、用统计学方法实现量化。
文章中提到的参考文献：
“挺烦的统计”留言区回复paper1
如果有觉得不错的文章可以分享解读，也请留言一起学习。
希望大家在“挺烦的统计”这里能够消除烦恼，打开新视界，更上一层楼！
PS：
全篇内容属笔者整理，如有不妥，敬请批评指正！
整理不易，如果觉得内容不错，欢迎点赞和转发，共同交流学习！
往期回顾：
