Mil Med Res | 香港理工大学蔡璟教授团队：人工智能驱动的癌症影像组学研究-特征工程和建模

世界卫生组织指出，癌症（恶性肿瘤）是全球头号死因之一。放疗、化疗、手术治疗、免疫治疗等是癌症治疗的主要方法。然而，由于肿瘤异质性的普遍存在，使得不同患者同病同治的疗效千差万别。因此，在精准医疗和人工智能的时代背景下，识别可靠的生物标志物来进行有效的诊断和放疗效果预测，从而制定个性化精准治疗方案是目前在癌症治疗领域亟待解决的问题。

近年来随着组学的快速发展使得我们可以从患者治疗的影像资料中高通量地提取海量特征来量化肿瘤、危及器官等视觉和空间位置信息，可以有效解决肿瘤异质性难以定量评估的问题，具有重要的临床价值。基于以上背景，香港理工大学蔡璟教授团队从影像组学特征工程和建模角度出发，梳理并总结了目前的研究现状、面临的挑战以及后续研究建议。

本文首先对影像组学在癌症方面的应用进行了总结，特别关注了癌症诊断、癌症预后预测、癌症治疗反应预测和癌症并发症预测四个临床方面的应用。然后重点介绍了基于影像组学研究的基本流程，总结了特征工程和统计建模中存在的挑战，包括特征的再现性和可解释性，模型的泛化性和可解释性、多模态融合和不平衡数据分类等问题。最后对影像组学特征工程和建模的后续研究提出一定的建议。

文章第一作者为南通大学医学院张远鹏教授（蔡璟教授团队研究人员）、南通大学医学院研究生张馨匀和程煜婷以及河南省肿瘤医院物理师李兵博士（蔡璟教授团队研究人员），通讯作者为香港理工大学蔡璟教授。

基于影像组学研究的工作流程和挑战

影像组学的研究流程包括图像采集、图像重建和预处理、图像分割、特征提取和选择、模型构建以及内部和外部验证。在这个工作流程中仍有一些挑战需要解决，例如特征的稳定性和可重复性、模型的泛化性和可解释性、数据不平衡以及多模态融合等。

参考文献：

Yuan-Peng Zhang, Xin-Yun Zhang, Yu-Ting Cheng, Bing Li, Xin-Zhi Teng, Jiang Zhang, Saikit Lam, Ta Zhou, Zong-Rui Ma, Jia-Bao Sheng, Victor C. W. Tam, Shara W. Y. Lee, Hong Ge & Jing Cai. Artificial intelligence-driven radiomics study in cancer: the role of feature engineering and modeling. Military Med Res 10, 22 (2023). https://doi.org/10.1186/s40779-023-00458-8

转自：“解说科研项目”微信公众号

如有侵权，请联系本站删除！