田捷：基于AI和医疗大数据的影像组学研究及其临

撰写 | 田捷 巩立鑫 董迪 （中国科学院分子影像重点实验室）

影像组学是近年来医学影像领域新兴的定量分析技术，其将医学影像转化为可挖掘的数据，并利用人工智能（AI）等技术提取影像中的量化信息，辅助临床进行肿瘤的诊疗。本文针对这一新技术，从影像组学的研究背景、研究进展和发展方向等多方面展开介绍.

影像组学研究背景

1.AI提供影像分析新方法

在肿瘤的常规诊疗流程中，医生通常借助CT、超声和磁共振成像（MRI）等医学影像，基于肉眼对肿瘤等病灶进行诊断。但这种判断大多依赖于医生的个人经验，缺乏统一的量化标准。肿瘤诊断的金标准一般是病灶的活检病理或术后病理，但活检病理作为有创的检查方式，不仅受限于取样点而无法获得全部肿瘤的信息，而且给患者带来极大的痛苦，甚至还可能引发一系列并发症；而术后病理比较滞后，无法指导术前的诊疗。因此亟需一种无创的肿瘤术前定量诊断方式。

现今，从围棋比赛到自动驾驶，AI技术在各个研究领域突飞猛进。在医学影像领域，AI为精准无创的术前诊疗方法提供了新工具，其可利用影像大数据，训练模型辅助医生提高对疾病的诊疗效果，为医学影像分析提供了新的手段。2015年，北卡罗来纳大学提出利用深度学习分割脑MRI图像的方法；2017年，斯坦福大学在Nature上发表论文，表明AI诊断皮肤癌精度已达到专家水平。除此之外，国内外各大公司如微软、IBM、Google、阿里、腾讯等也纷纷加入AI医疗领域。

2.医疗影像大数据爆发式增长  

随着医学成像技术的进步，医学影像科成为临床医学中发展最为迅速的学科之一。从X光检查到超声波、CT、MRI等，医生借助这些成像技术，能更精准地检测人体内部的病变情况。特别是随着医学成像系统性能的不断升级和数据存储能力的增强，医学影像数据呈爆发式增长。相比于以往小样本数据，基于影像大数据可以挖掘更多的潜在规律和信息，建立更为精准和鲁棒的模型来提高对疾病诊断和预测性，使其精确度接近甚至超越主观诊断，以实现辅助诊疗的目的。

3.影像组学助力智能医疗  

在大数据时代，包括深度学习在内的AI技术日新月异，医学影像已经从传统的定性评估转变为定量分析。在此背景下，影像组学的概念应运而生，2010年首次在学术论文中出现，2012年首次在学术论文标题中出现。

影像组学是AI与医学影像大数据结合的一个新的技术，其定义为：利用AI技术将医学影像转化为可挖掘的数据，挖掘海量的定量肿瘤影像特征，实现临床辅助决策。相比于仅仅从视觉层面解读医学影像的传统临床医学，影像组学可挖掘影像背后的高维深层信息，逼近病理和基因信息，进而辅助肿瘤临床诊疗。影像组学技术拓展了医学影像在临床实践中的指导价值，对于患者的个体化诊疗有重要的意义。

影像组学研究进展

中国科学院分子影像重点实验室以临床问题为导向，与全国多家三甲医院开展了深入临床的医工交叉合作，长期专注于影像组学大数据分析的临床应用研究，在肿瘤的辅助诊断、疗效评估、预后预测等方面有一系列典型研究案例。

1.将影像组学应用于辅助诊断 

针对术前难以判断结直肠癌淋巴结是否转移的问题，分子影像重点实验室收集了500余例进行结直肠癌手术患者的资料，利用影像组学方法，构建并验证了淋巴结转移术前预测模型，将预测准确率提高了14.8％。相关研究成果发表在国际临床肿瘤学顶级期刊Journal of Clinical Oncology （2016,34:2157-2164）。

针对胃癌隐匿性腹膜转移难以在术前诊断的问题，分子影像重点实验室收集了554例术前CT诊断为腹膜转移阴性患者的影像和临床数据，构建了基于病灶和腹膜影像特征的预测模型，其对于CT漏诊的腹膜转移患者的敏感性超过85％。相关研究成果发表在临床肿瘤权威期刊Annals of Oncology（2019,30:431-438），并被写入2019年中国临床肿瘤学会胃癌诊疗指南。

针对乙肝患者肝纤维化的无创、精准分期诊断难的问题，分子影像重点实验室收集了约2000张超声弹性图像进行影像组学人工智能诊断，精度达到了97％～100％，实现了与有创肝脏活组织穿刺检测相同的诊断效能。相关研究成果已发表于临床权威期刊Gut（2019,68:729-741）。

2.将影像组学应用于疗效评估  

分子影像重点实验室对314例接受酪氨酸激酶抑制剂治疗的四期表皮生长因子受体突变型非小细胞肺癌患者的治疗前CT影像进行深度解析，构造影像组学预后模型，可将患者分为预后良好组和预后差组，预后差的组无进展生存期获益减少50％，对于辅助临床决策有指导价值。相关研究已被临床肿瘤权威期刊Clinical Cancer Research （2018,24:3583-3592）在线发表。

针对术前结直肠癌新辅助治疗疗效评估的问题，分子影像重点实验室利用222例进展期直肠癌患者多模态磁共振成像数据，构建影像组学模型，对病理学完全缓解的预测效果达到0.976，远远高于已有分析方法，为直肠癌患者新辅助放化疗效果评估提供了新工具。相关研究已被临床肿瘤权威期刊Clinical Cancer Research（2017,23:7253-7262）在线发表。

 3.将影像组学应用于预后预测  

针对中晚期鼻咽癌预后预测的临床问题，分子影像重点实验室回顾性收集707例中晚期鼻咽癌数据，利用影像组学建立Cox比例风险模型，C-index达到0.722，优于临床模型，提示了模型具备指导临床治疗的潜在作用，相关研究成果已发表于临床肿瘤权威期刊Clinical Cancer Research（2019,25:4271-4279）。

依托中国科学院科技服务网络计划（STS）项目“区域远程医疗协同影像诊断科技服务网络”，分子影像重点实验室将上述部分研究工作集成在医学影像分析软件系统MITK/3DMed中，并通过分级诊疗模式在全国百余家医院进行了临床试用，已获得显著的临床效果并产生广泛的社会影响。

影像组学发展方向

大数据时代，得益于AI技术的发展与突破，影像组学在医疗领域正蓬勃发展，不断促进医工的深度合作。与此同时，其发展仍面临着巨大的挑战。

1.医疗影像大数据获取及其标准化 

影像组学技术不仅依赖于医疗数据的规模，对其质量也有较高的要求。超声、CT和MRI作为肿瘤的常规诊断手段，数据量庞大，但不同的医疗机构间采用的检查方式没有统一指南，并且不同厂商的机器在图像获取及机器参数设置等方面有很大差异，缺乏统一标准。未来需要建立更为规范和标准的公开数据库，为影像组学的发展提供基础。

2.多中心前瞻性验证 

现有的影像组学研究大多是单一机构的小样本探索，缺乏外部数据集对模型进行前瞻性验证，在一定程度上影响其推广和使用。因此，未来研究过程中，需要进行更多的多中心临床研究，特别是多中心之间的数据共享和联合，推动影像组学辅助临床医疗。

小结

在影像组学如火如荼发展的同时，也裹挟着很多质疑和排斥，主要问题是人们对于以影像组学为代表的AI将会取代影像科医生的恐慌。国际影像战略策略研讨会副主席Donoso对此给出回答：“AI是否会完全替代影像科医生无法下定论，但可以肯定的是，那些使用AI技术的影像科医生，势必会取代那些不使用AI技术的医生。”未来，需要更多AI和大数据在医疗问题上的典型应用，联合相关产业共同推动AI在医学领域进一步深度应用，产出医生和患者获益的技术应用，才更有意义。

《中华医学信息导报》2019年22期第22版