1. 医学影像组学导论

医学影像组学（Radiomics）是从医学影像中高通量提取定量特征，并借助统计学习或机器学习方法，将这些特征与临床结局、病理信息、基因表型等建立关联的一门交叉学科。它关注的不是“图像看起来像什么”，而是“图像中可被计算出来的数值意味着什么”。一张CT、MRI或PET图像，在放射科医师眼中是灰度与解剖结构的组合，而在影像组学流程中，它同时是一个高维数据矩阵：同一病灶区域可以被描述为数百甚至上千个关于形状、一阶灰度分布、纹理与滤波响应的数值。

理解影像组学，需要先厘清它与传统影像判读的区别。传统判读依赖医师的视觉经验，输出多为定性或半定量的语义描述，如“边缘毛刺”“强化不均匀”。影像组学则通过算法把感兴趣区（ROI）转换为可重复计算的特征向量，例如：

• 形状特征：体积、表面积、球形度、最大三维径；
• 一阶统计特征：均值、方差、偏度、峰度、熵；
• 纹理特征：GLCM对比度、GLRLM游程长度非均匀性、GLSZM区域大小非均匀性；
• 滤波特征：LoG、小波分解后在不同频带上的响应统计。

这些特征本身没有临床含义，只有与标签（如良恶性、病理分级、基因突变状态、治疗反应）建立映射后，才构成“影像组学标签”。因此，影像组学不是单纯的图像处理，而是“影像—特征—标签”的建模问题。

发展脉络：从纹理分析到多中心验证

影像组学的思想可追溯到20世纪70年代的计算机辅助诊断与纹理分析。早期工作多集中在单中心、小样本、二维ROI上，特征数量有限，方法以统计检验和简单分类器为主。2012年前后，随着高通量特征提取工具（如PyRadiomics、IBEX、MaZda）和公开数据集（TCIA、TCGA）的普及，影像组学进入快速发展期。此后，研究重心逐渐从“能否区分”转向“能否泛化”：特征稳定性、扫描仪差异、分割不确定性、多中心外部验证成为关键议题。近年来，深度学习特征与手工特征的融合、影像基因组学、纵向影像组学等方向进一步拓展了其边界。

临床价值：在哪些场景中真正有用

影像组学的临床价值主要体现在三类场景。第一，无创替代或补充有创检查：例如在肺结节中预测浸润性腺癌概率，减少不必要的穿刺；在直肠癌中预测新辅助治疗后的病理完全缓解。第二，预后分层：利用治疗前影像预测无进展生存期或复发风险，辅助制定随访强度。第三，疗效早期评估：在治疗早期通过特征变化判断响应，比传统RECIST更早提示耐药。需要强调的是，影像组学目前多数仍处于研究或辅助决策阶段，不能替代病理金标准，其价值在于提供额外信息维度。

建模与验证的整体流程

一个规范的影像组学研究通常包含以下环节：图像采集与质量控制、ROI分割、特征提取、特征稳定性评估、特征筛选、模型构建、内部验证与外部验证。其中，分割可由医师手动完成，也可用半自动或深度学习模型；特征提取需固定参数（如bin width、重采样体素间距），否则不同软件结果不可比。特征筛选常用ICC（组内相关系数）剔除不稳定特征，再用LASSO、随机森林或单变量筛选降维。模型性能常用AUC、C指数、校准曲线和决策曲线评价。

下面用一张流程图概括从原始影像到临床决策的完整链路，并标注每个环节的关键输出与常见风险点。

流程中的每一步都会影响最终结论。以特征提取为例，同一ROI在不同软件、不同bin width下，GLCM熵可能相差20%以上；若未做重采样，层厚差异会直接改变纹理尺度。因此，规范研究应报告：扫描设备与参数、分割者与分割工具、特征提取软件及版本、特征筛选方法、验证方式与样本量。这些信息决定了结果是否可复现。

影像组学的核心不是某个算法，而是一套从影像到决策的可验证证据链。只有把采集、分割、提取、建模、验证五个环节都做扎实，影像组学标签才可能真正进入临床工作流。