1. 影像组学生存分析建模工程导论

影像组学生存分析建模工程，研究的不是“某一个模型能不能跑通”，而是一条从医学影像到生存风险输出的完整工程链路能否稳定、可复现、可解释地运行。它把影像组学（Radiomics）的特征提取能力，与生存分析（Survival Analysis）对“事件—时间”结构的建模能力结合起来，用于回答临床上一个非常具体的问题：这位患者的影像表型，能否帮助判断其未来发生终点事件（如复发、进展、死亡）的风险高低与时间分布？

要理解这门课的定位，先要区分三个层次。第一层是临床问题层：明确终点事件定义、随访起点、删失规则与时间尺度。第二层是数据与特征层：从CT、MRI或PET等影像中勾画感兴趣区（ROI），提取一阶统计、形状、纹理、小波等特征，形成高维特征矩阵。第三层是建模与验证层：把特征矩阵与生存标签结合，训练Cox比例风险、随机生存森林、DeepSurv等模型，并用一致性指数（C-index）、时间依赖AUC、校准曲线评估。工程化思维的核心，就是让这三层之间的接口清晰、可追溯、可复现。

很多初学者会把影像组学生存分析等同于“提取特征 + 跑一个Cox模型”。实际工程中，真正决定结果可信度的往往是那些不显眼的环节：ROI勾画是否由同一标准完成、影像重采样与灰度离散化参数是否固定、特征是否做了批次效应校正、训练集与测试集是否按患者而非按切片划分、删失比例是否被正确纳入。一个典型的教学示例可以这样设定：某研究纳入200例肺癌患者，随访时间以“手术日期”为起点，终点为“复发或死亡”，中位随访28个月，删失率约35%。若把删失样本直接删除，样本量会骤降到130例，且引入严重选择偏倚；正确做法是保留删失样本，在Cox模型的偏似然函数中让删失个体只贡献“到删失时刻仍存活”的信息。

技术栈全景可以用一条“数据流—处理链”来理解。原始DICOM进入图像预处理模块，完成重采样、强度归一化与ROI配准；随后进入特征提取模块，输出数百至数千维特征；特征矩阵再经过缺失值处理、方差过滤、相关性去冗余与降维（如LASSO-Cox、主成分分析）；最后进入生存模型训练与验证。整条链路上，参数关系非常关键：例如灰度离散化bin宽度从25变为50，纹理学特征值会整体偏移；重采样体素从1×1×1 mm³变为2×2×2 mm³，形状特征中的表面积与体积比会改变。这些变化不是“细节”，而是会直接改变C-index的工程变量。

从工程化视角看，这条链路上有三个最容易出问题的“接口”。第一个接口在临床问题与数据之间：如果随访起点不统一（有的从手术算、有的从确诊算），生存时间就不可比。第二个接口在特征与模型之间：高维特征在样本量不足时极易过拟合，必须用嵌套交叉验证或独立验证集来评估真实泛化能力。第三个接口在模型与临床之间：C-index高不等于临床可用，还需要校准曲线判断预测风险与实际观测风险是否一致，并用决策曲线分析评估净获益。

本课程后续章节会沿着这条链路逐段展开：从影像预处理与ROI质量控制，到特征提取与稳定性筛选，再到Cox、随机生存森林、深度学习生存模型的实现与调参，最后落到多中心外部验证与报告规范。学习时建议始终带着三个问题：输入是什么、中间参数如何影响输出、结果用什么指标判断。只要这三个问题在每一节都能回答清楚，影像组学生存分析就不再是黑箱，而是一条可检查、可复现、可改进的工程流水线。