影像组学论文1：一篇经典影像组学论文的解读
因个人原因，公众号挺长时间没有更新了。虽然处于新型冠状病毒肺炎的特殊时期，学习也要继续。下面给大家介绍一篇影像组学入门必读的经典论文。该文由广东省人民医院放射科刘再毅团队发表于JCO上，IF=28.245。
DOI: 10.1200/JCO.2015.65.9128
Huang Y Q , Liang C H , He L , et al. Development and Validation of a Radiomics Nomogram for Preoperative Prediction of Lymph Node Metastasis in Colorectal Cancer[J]. Journal of Clinical Oncology, 2016
背景
淋巴结转移状况是结直肠癌预后评价及治疗决策的重要依据，术后病理学检查是其诊断金标准。而现有的术前临床评价手段及影像学方法仍无法精准评估术前淋巴结的转移状况。如果能在术前就预测到是否有淋巴结转移，那对辅助治疗和手术方案的制定非常有价值。
研究目的
开发一套结直肠癌淋巴结转移的术前预测方法（影像组学+临床预测模型Nomogram），并做评价。
数据获取
该研究共入组结直肠癌患者526人，其中2007年1月—2010年4月入院的326人作为训练集训练模型，另外2010年5月—2011年12月入院的200人作为独立验证集。（本文采用不同时期的病人数据分为训练组与验证组，也可以采用随机分组的方法。验证能力最强的是采用外部验证数据，即其他医院的病人数据）
影像特征提取
基于术前门静脉期CT影像提取影像组学特征。提取方法参照发表在期刊 Nature Communications的方法实施（采用Matlab软件提取纹理特征150个）。（方法来源Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach[J]. Nature Communications, 2014, 5.）
数据降维及构建影像组学标签
使用LASSO 回归选择与淋巴结转移密切相关的影像组学特征(24个)，随后建立 radiomics signature（影像组学标签）。
预测模型的建立
把lasso得到的Radiomics signature加入CT报告中的淋巴结状态和 CEA水平 ，建立多元Logistic 回归模型并生成影像组学诺模图，评价淋巴结转移风险。
预测模型的评价
区 分 度（Discrimination）
校准度（Calibration）
决策曲线分析（Decision-curve analysis）---影像组学分析加分项
结果
该文回顾分析了广东省人民医院2007-2011年的结直肠癌病例资料，利用已有的CT图像提取并筛选影像组学特征，建立了影像组学标签，成功预测结直肠癌患者的淋巴结转移状况；研究还发现，结合影像组学标签、传统CT淋巴结评估以及临床危险因素建立的预测模型可进一步实现淋巴结个体化精准预测；同时，由该预测模型转化而来的列线图便于临床医师使用，可为结直肠癌患者的预后评估及治疗决策提供辅助。
解读
通过本文我们了解了影像组学的分析流程：
1.定义临床问题：如前所述。
2.影像数据获取：广东省人民医院2007-2011年的结直肠癌的CT数据。
3.ROI的分割：该文未详细提供ROI勾画的内容，常用的ROI勾画软件有Mazda、ITK-SNAP、ImageJ、3D-Slicer等。可参考上一篇文章《影像组学：应用3D slicer进行ROI的勾画》。
4.影像特征的提取：该文采用Matlab软件提取150个特征，与标准的影像组学分析有点区别。目前的影像组学分析特征提取可提取上千个影像组学特征。早期的方法常见使用Matlab软件提取。也可以用pyradiomics来执行特征提取任务，可使用python或者3D-Slicer的pyradiomics插件。
5.数据降维及构建影像组学标签：常用lasso回归来降维，需要使用R语言的glmnet包。目前也有结合深度学习的方法，比如机器学习、随机森林法、向量机等，需要更高级的计算机编程能力。
6.预测模型的建立与验证。需要使用R语言，本文采用临床预测模型Nomogram。
想从事影像组学分析，需要学习R语言或者更高级别的计算机编程语言，除非你找到能与你合作的人——医工结合。本文是广东省人民医院与中国科学院自动化研究所田捷团队的医工结合研究成果。