原發性腦腫瘤的自然病史和預后因原發性或繼發性膠質瘤的不同腫瘤行為（低級別病變的高級別轉化）以及MRI上確定影像性壞死、腫瘤進展和假性進展的困境而變得復雜。影像組學和影像基因組學有望提供精確診斷、預測預后，并評估腫瘤對現代化療、免疫治療和影像治療的反應。這是通過形態學、紋理和功能特征的三位一體實現的，這些定量體素級的高通量特征來自對MR圖像提取。然而，采集參數缺乏標準化，研究之間的方法不一致，使得驗證不可靠，因此，涉及異質研究人群的多中心研究是有必要的。本文闡明了新的影像和影像基因組學工作流程，以及MR圖像預處理中最先進的方法，以及有關此類機器學習技術在腦膠質瘤管理中應用的研究。本文發表在British Journal of Cancer雜志。

背景

在美國，原發性腦腫瘤約占所有癌癥的2%，發病率約為23/100000。膠質瘤占所有惡性腦腫瘤的80.6%。膠質母細胞瘤的發病率最高（每10萬人中有3.21人），其次是彌漫性星形細胞瘤（每10萬人中有0.46人）。年齡調整后的死亡率為4.4/100000，5年生存率為35%。然而，由于診斷時的年齡和腫瘤的組織學特點，生存和死亡率顯著變化。

2016年，我們對膠質瘤分子發病機制的理解進展促使世界衛生組織（WHO）對中樞神經系統（CNS）腫瘤的分類發生了重大變化。以前，分類標準僅基于微觀特征。新標準對某些腫瘤中包含遺傳信息的實體進行了重新分類。由于遺傳因素對腫瘤發生和后續治療的影響，這些變化被納入。

在當今的現代成像時代，準確無創地預測膠質瘤的級別/類型、生存率和治療反應仍然具有挑戰性。雖然立體定向活檢具有侵入性且成本高昂，但仍然是組織學和遺傳學分類的參考標準；然而，在7%-15%的患者中，病理診斷可能仍然不確定。這就需要成像標志物來描述腫瘤的異質性。最近，多項研究表明，多參數磁共振成像（MRI）的形態學特征與生存率之間存在密切聯系。同樣地，功能成像技術如灌注加權MRI和磁共振波譜（MRS）與形態學特征一起使用時，已被證明是有效的，但成功率和再現性有限。當前成像技術的局限性為更復雜的亞視覺特征分析提供了機會，以增強形態學特征和當前功能成像的能力。

影像組學是指通過計算機從影像圖像中提取可量化數據，其形式為通常為亞視覺的影像圖像特征。這些提取的數據在影像學圖像中創建了可挖掘的數據庫，可用于診斷、預后特征描述，以及評估或預測對某些療法的反應。基因突變通常決定腫瘤的侵襲性，并已被證明與病變的生長模式和治療反應有關。影像特征已被證明可以識別腫瘤DNA和RNA中的基因組改變。對來自影像學和基因組的數據的綜合研究被稱為影像基因組學。在這篇綜述中，我們從神經影像學家、神經外科醫生和神經腫瘤學家的角度描述了影像組學和影像基因組學的應用。具體來說，我們回顧了一些工作，這些工作強調了在診斷和預測不同類型腦腫瘤患者預后方面不斷發展的重要性。此外，我們還討論了將這些方法集成到影像工作流程中以改善患者護理和預后的潛力和重要性。

影像組學和影像基因組學工作流程概述

影像組學是一個新興的領域，涉及以高通量方式將影像影像圖像轉換為高維的可挖掘的數據。這個多步驟過程包括：

（a）圖像采集和重建，（b）圖像預處理，（c）感興趣區域的分割，（d）特征提取和量化，（e）特征選擇，以及（f）使用機器學習建立預測和預測模型（圖1）。

圖1，影像組學和影像基因組學流程圖

為了解釋MRI強度的不均勻性、不同中心掃描儀的可變性，特征提取前需要進行圖像預處理方法（例如強度歸一化、體素強度校準和偏置場校正）。感興趣區域（ROI）的分割可以通過手動、半自動或全自動方法實現。然后從已分割的ROI中提取影像組學特征。常見特征可分為以下幾組：形態特征、紋理特征和功能特征。

在特征提取之后，使用不同的統計方法來選擇與預期結果相關的顯著特征子集。常用的特征選擇算法包括：最小冗余最大相關（mRMR）算法和排序特征選擇方法。進行特征選擇是為了減少與高維特征集相關的潛在模型過度擬合。一旦確定了顯著特征，機器學習分類器和其他統計方法（如Cox比例風險建模技術）將用于建立預測和預后模型。“影像組學質量評分”工具，用于評估與腫瘤生物學相關的影像組學研究的質量；然而，這些分數結果的可解釋性仍然值得懷疑。

最近影像基因組學的出現也加速了多組學數據的整合，以實現準確診斷和改進個性化癌癥治療。神經腫瘤學影像基因組學的第一步（圖1）是通過新鮮冷凍石蠟包埋（FFPE）樣本或從腦腫瘤內立體定向腦活檢獲得的組織微陣列（TMA）樣本獲取基因組材料。其次，測序等生物信息學技術可以檢測單基因突變。例如，表皮生長因子受體（EGFR）擴增、O6甲基鳥嘌呤甲基轉移酶（MGMT）甲基化可以通過免疫組織化學（IHC）分析和下一代測序（NGS）技術（如mRNA測序）來檢測蛋白質。mRNA測序、全外顯子組測序和全基因組測序有助于檢測多基因表達異常。影像基因組分析的決定性目標是將基因突變和通路與不同的影像學表型直接聯系起來。

影像組學特征形態學特征

形態學影像學特征用于量化增生邊界引起的病變浸潤。這些特征可以進一步分為全局形態特征和局部形態特征。全局特征通過提取測量值（如圓度、周長、長軸和短軸直徑以及延伸系數）來描述病變輪廓。局部形態特征表征了從等值面導出的曲面曲率屬性。這些包括定量測量，如曲率（彎曲度）和銳度。

紋理特征結構紋理特征分析

結構方法通過識別結構特點及其排列規則來描述紋理。Gabor濾波器等多尺度、多分辨率可控帶通濾波器是應用最廣泛的基于方向的結構描述符。通過將原始圖像分解為多個頻率和方向的正弦波的濾波器響應，對Gabor描述符進行建模，以模擬人類視覺系統解碼對象外觀的方式。正如Doyle等人所證明的那樣，Gabor過濾器可以在組織學樣本上區分病理學特征。

統計紋理特征分析統計方法通過計算每個圖像點的局部特征，并從局部特征的分布中導出一組統計數據，來分析灰度值的空間分布。用于識別基于形狀的對象類的一種常用統計技術是方向梯度直方圖（HOG）。傳統上，HOG的適用性已被證明適用于檢測雜亂圖像中的人體形態。多坐標HOG可以在高分辨率斷層圖像中區分不同類別的肺組織。它通過計算局部強度梯度的分布來描述局部對象的外觀和形狀。灰度共生矩陣（GLCM）功能通常被稱為Haralick功能，最初設計用于航空攝影，利用距離和角度值進行灰度組合。結構和統計結合進行紋理特征分析 局部二元模式（LBP）是一種紋理算子，它將統計和結構方法結合在外觀分類中。LBP對于因患者運動偽影而影響的圖像具有魯棒性。該特征將紋理信息表示為中心像素及其相鄰像素強度的聯合分布。Li等人展示了LBP和神經網絡在內窺鏡圖像分類中的應用。結合統計和結構技術的另一個特征是局部各向異性梯度方向（CoLlAGe）描述符，該描述符試圖捕獲和利用體素水平梯度方向中的局部各向異性差異來區分相似的表現型。

功能影像組學

傳統影像特征臨床應用的一個關鍵障礙是其生物學解釋性低。作為生物標志物，屬性不僅應該是可測量和可復制的，而且還應該反映潛在的解剖或生理學意義。迫切需要發現與生物學相關的影像特征。功能性影像標記物是一類新的標記物，通過模擬直接捕捉血管生成等潛在生理特性的特征，專門針對“可解釋性”問題。為病變供血的血管的特性（如卷曲度、密度）在藥物的最終反應中起著重要作用。最近，基于扭曲度的特征捕捉血管網絡排列中的局部和全局紊亂已被證明在診斷和治療反應評估中是有效的。形變描述符是另一類功能性影像組學標記物，旨在測量由于質量效應而導致的腦實質組織變形。這些特征提供了對可見手術邊緣外微環境的洞察。

血管構筑成像（VAI）MRI是一種無創測量參數以描述腦微血管結構異質性的技術。根據血管的結構和生理特性，不同的梯度回波（GE）和自旋回波（SE）圖像在MRI讀數中產生明顯不同的變化。Stadlbauer等人使用血管構筑圖（VAM）評估了膠質瘤（n=60）。他們引入了三種新的VAM生物標記物：（i）微血管類型指示物（MTI），（ii）血管誘導的團注峰值時間偏移（VIPS），以及（iii）曲率（Curv）和適應已知參數、微血管半徑（RU）和密度（NU）。MTI和VIPS參數有助于檢測新生血管，尤其是HGGs（高級別神經膠質瘤）腫瘤核心的新生血管，而曲率顯示瘤周血管源性水腫，與HGG腫瘤核心的新生血管相關。這些生物標記物可以深入了解膠質瘤血管變化的復雜性和異質性，從而區分HGG和LGG。此外，將多參數定量血氧水平依賴性方法（qBOLD）與VAM參數相結合，有助于區分LGGs和HGGs，并以更高的靈敏度識別異檸檬酸脫氫酶（IDH）突變狀態。Stadlbauer等人還結合VAM生物標記物對血管滯后環（VHLs）進行了分析，以評估膠質母細胞瘤對抗血管生成治療的反應。MTI被發現有助于預測有反應區域和無反應區域，而Curv更適合評估血管源性水腫的嚴重程度。Price等人使用彌散張量成像（DTI）結合MR灌注和MRS成像來確定膠質母細胞瘤侵襲性和非侵襲性邊緣的變化，以更好地預測治療效果和總體生存率。

語義特征語義特征，如腫瘤位置、形狀和結構MRI上的幾何特征，是神經影像學家用來描述腫瘤環境的定性特征。以往的研究發現，語義特征與腦腫瘤的遺傳表型有關。TCIA的視覺可訪問倫勃朗圖像（VASARI）項目建立了一個特征集，以便使用一組定義的視覺特征和受控詞匯對膠質瘤進行一致的描述。研究表明，這些特征具有高度的可重復性，為膠質母細胞瘤的治療提供了有意義的指導。語義特征對圖像采集參數和噪聲的變化也具有魯棒性，可以與機器學習環境中更復雜的影像特征一起使用。

診斷應用基于紋理特征的不同腫瘤

許多研究表明，織構分析可用于區分HGG和LGG。Skogen等人。應用過濾直方圖技術描述腫瘤異質性。在95名患者（27名II級、34名III級和34名IV級）的隊列中，通過使用精細結構量表的標準差（SD），他們能夠區分LGG和HGG，其敏感性和特異性分別為93%和81%（AUC 0.91，P<0.0001）。Tian59等人對153名患者的多參數MRI進行了紋理分析，并報告使用SVM分類器對LGG和HGG進行分類的準確率為96.8%，對III級和IV級進行分類的準確率為98.1%。Xie等人評估了42例膠質瘤患者動態增強磁共振（（DCE）-MRI）的五種GLCM特征。他們報告說，熵（AUC=0.885）和IDM（AUC=0.901）分別能夠區分III級和IV級膠質瘤，以及II級和III級膠質瘤。

Suh等人使用基于MRI影像組學的機器學習算法來區分中樞神經系統淋巴瘤（PCNSL；n=54）和非壞死性非典型膠質母細胞瘤（n=23）。首次獲得了6000多個多序列和多區域的影像特征，包括形狀、體積和紋理。AUCs在所使用的三臺機器中均具有統計學意義，表明其診斷性能高于三名影像科醫生。

低級別膠質瘤（LGG）的腫瘤分子亞型特征

與IDH1野生型成人LGG（即IDH1突變陰性）相比，具有IDH1突變的成人LGG具有更好的預后和更長的生存期，后者的作用更為積極。1p/19q編碼缺失與化療反應良好和預后良好有關。無創性影像基因分子分型可用于LGG的個性化治療決策。

多個研究小組評估了影像組學特征，以確定膠質瘤的分子表型。Zhang等人使用SVM遞歸特征消除（SVM-RFE）提取了15個最佳影像組學特征（n=152），該特征可以檢測IDH突變精度達到82.2%。Han等人從42例經組織病理學證實的膠質瘤患者中提取影像特征。他們發現，來自T1加權圖像（T1WI）、T2加權圖像（T2WI）和對比增強T1WI成像直方圖和GLCM特征的變量可用于檢測IDH1突變的膠質瘤。聯合變量T1WI+C預測IDH1突變的AUC為0.984，聯合變量T1WI預測IDH1突變的AUC為0.927。Jakola等人報告說，結構同質性可以區分IDH突變型LGG患者和IDH野生型LGG患者（P=0.005）。用于預測IDH突變的組合參數（腫瘤同質性和腫瘤體積）的AUC為0.940。然而，這種方法不能區分有或沒有1p19q編碼缺失的IDH突變LGG。Bahrami等人測量了61名患者的FLAIR圖像上的組織異質性和邊緣對比度（EC），并報告稱，與IDH突變型相比，IDH野生型腫瘤患者表現出更高的信號異質性（P=0.001）和更低的EC（P=0.008）。在IDH突變腫瘤患者中，1p/19q編碼的腫瘤具有更大的信號異質性（P=0.002）和更低的EC（P=0.005），MGM甲基化腫瘤顯示更低的EC（P=0.03）。

D-2-羥基戊二酸（D-2HG）產生的代謝改變是膠質瘤IDH突變的標志。最近，許多研究小組已經證明使用1H-MRS檢測D-2HG是可靠的。Andronesi等人報道了使用2D相關光譜（COSY）和J-差分光譜在IDH1突變的膠質瘤中檢測D-2HG的明顯活體檢測。Rohle等人通過高通量篩選確定了一種選擇性R132H-IDH1抑制劑，該抑制劑可以以劑量依賴性的方式抑制R-2HG的產生，為靶向治療提供了另一種新的途徑。

區分治療效果（影像性壞死、假性進展）和腫瘤復發

膠質母細胞瘤治療中的一個主要挑戰是，難以準確評估對幾種實體治療的反應，這些實體可以在結構MRI上模擬腫瘤復發或進展，即假進展和影像性壞死（RN）。視覺診斷往往模棱兩可，臨床上仍極具挑戰性。功能性MRI，如MR灌注和MRS，提高了診斷準確性；然而，這可能不是普遍可用的，而且通常很難復制。影像組學提供了一種非侵入性方法，可以可靠地將腫瘤復發與治療效果區分開來，并可能有助于防止不必要的活檢。

通過結合從T1WI增強病變和T2WI\/FLAIR高信號病灶周圍區域提取的3D形狀和表面影像特征，Ismail等人能夠以90.2%的準確率區分真進展和假進展（n=105）。兩個最具辨別力的特征被發現是局部特征，捕捉增強病變的總曲率和T2WI\/FLAIR高信號瘤周區域的曲率。這種差異表達模式可能是由于通過滲透改變白質結構，導致表面形狀不規則。

與假進展類似，由于缺乏客觀的評估方法，在常規MRI上區分腦腫瘤復發（RT）和放射學壞死（RN）可能具有挑戰性。Larroza等人提出的紋理分析基于支持向量機方法可以區分轉移和壞死（n=115），AUC>0.9。CoLlAGe特征在不同分級的壞死和腫瘤中表現不同。與單純的腦RN或腦部主要腫瘤區域RN相比，主要腫瘤部位偏向更高的CoLlAGe熵值。與單獨使用來自主要腫瘤部位RN/RT的特征相比，訓練集中來自單純腦部RN的CoLlAGe特征提高了主要RN/RT的分類性能。這可能在一定程度上證明了單純腦部RN與其混合特征呈現在結構和形態特性上的相似性。病例（RT=15，RN=16，n=31）的平均AUC為0.94。有趣的是，使用ADC特征的性能明顯優于使用常規MRI測量的性能。將異質性的結構測量與示蹤劑攝取動力學相結合，可以更有效地區分腦轉移復發和影像性損傷。使用18F-FET攝取的腫瘤腦比（TBR）診斷準確率為83%，結合粗糙度、短區強調或相關性等紋理參數，診斷準確率提高到85%。這顯示了紋理屬性可能與其他模式一起提供的潛在補充診斷信息。

預后應用膠質母細胞瘤的生存分級

超過40%的膠質母細胞瘤患者對常規放化療無效，并在6-9個月內出現進展。多形性膠質母細胞瘤中的缺氧是已知的促進腫瘤新生血管和健康組織侵襲的關鍵途徑，并導致治療抵抗，導致預后不良。眾所周知，細胞增殖、凋亡和血管生成增加等多種途徑也會導致無進展生存（PFS）不良結果。目前，缺乏有效的生物標志物來監測缺氧水平，并預測抗血管生成藥物的治療反應。Beig等人表明，替代影像描述符可以在治療前MRI上捕捉膠質母細胞瘤的缺氧程度，并預測生存率（圖2）。本研究中，作者利用缺氧患者的腦膠質母細胞表達譜構建了85個腦膠質母細胞表達譜。接下來，訓練與高缺氧富集評分(HES)相關的影像組學模型，然后根據膠質母細胞瘤的總體生存率（OS）對其進行分級。在n=30名患者的驗證集上，與HES密切相關的影像組學特征也可以區分短期幸存者（OS<7個月）和長期幸存者（OS>16個月）（P=0.003）。Kickingereder等人（n=119）的另一項研究提取了超過12190個膠質母細胞瘤的影像組學特征，并得出結論，11個顯著特征的影像特征可以預測PFS和OS。

圖2，缺氧富集評分的構建。

a–c顯示了三名不同GBM患者的2D Gd-T1w MRI切片，分別顯示低、中、高缺氧富集評分（HES），其中有專家注釋的壞死（綠色輪廓）、增強腫瘤（黃色）和水腫區域（棕色）。對于HESlow（d）、Hesmidum（e）和Heshigh（f），相應的反向差分矩（Haralick）特征圖已覆蓋在手動注釋的腫瘤區域上; g來自21個缺氧相關基因的RNAseq數據的無監督聚類分為高缺氧（海藍顯示為Heshigh）、中等缺氧（海藍顯示為Hesmidum）和低缺氧（黃色顯示為Heslow）。

聚類圖中的x軸代表21個基因，y軸代表97個GBM病例的患者群體。

Jain等人研究了在多序列增強MRI上從膠質母細胞瘤非增強區（NER）獲得的成像、基因組和血流動力學參數。研究發現，NER（rCBVNER）和穿過中線的NER的相對腦血容量增加與生存率低有關。野生型EGFR突變是唯一與rCBVNER高的患者生存率顯著低下相關的基因組改變。?Prasanna等人討論了多序列MRI上膠質母細胞瘤的質量效應誘導變形異質性（MEDH）如何影響生存率。MEDH在語言理解、社會認知、視覺感知、情緒、體感、認知和運動控制功能等領域的高表達被發現與較差的生存率相關（圖3）。McGarry等人能夠使用新診斷的膠質母細胞瘤的多序列MRI影像圖譜（RPs），以進一步分層患者預后。每個檢查的體素都分配了一個RP。五個這樣的RP可以預測治療開始前的總體生存率。

圖3，形變影像組學

a、 b代表組織位移的變形向量顯示為疊加在右半球GBM圖像切片上的體積渲染3D抖動。變形量與抖動體積的大小成正比。變形量的較大值分別用“紅色”表示，較小值用“藍色”表示。震顫還顯示組織移位的方向。

c 右半球腫瘤組的AAL區域，MEDH與生存率呈負相關，P<0.05（神經系統視圖）。顏色貼圖顯示負相關值（顯示為正以便于表示）。

低級別膠質瘤的生存分級

Liu等人開發了一種用于預測LGG中PFS的影像組學特征。計算影像風險評分（RRS），并通過影像基因分析確定高風險評分組的遺傳特征。細胞粘附、細胞增殖、分化和血管生成的生物學過程與RRS呈正相關。將RRS與其他臨床特征相結合的列線圖改善了患者分層，并導致更好地評估PFS。

Zhou等人利用自動紋理分析和VASARI特征建立了影像組學模型，以預測彌漫性中低級別膠質瘤患者（n=165）的IDH1突變（AUC=0.86）、1p/19q編碼缺失狀態（AUC=0.96）、組織學分級（AUC=0.86）和腫瘤進展（AUC=0.80）。他們發現，在MRI圖像上，沒有增強和平滑無增強的邊緣可以預測更長的PFS；光滑非增強也是LGG更長PSF的一個重要預測因素。

Li等人選擇了九種可以預測Ki-67表達水平的影像組學特征，在訓練（n=78）和驗證（n=39）集的準確率分別為83.6%和88.6%。在高SDp組患者中，只有球形不均衡（SDp）特征被發現是一個顯著的預后因素。在多變量Cox回歸分析中，Ki67表達水平和SDp是獨立的預后因素。

在選擇最佳療法中的應用復發性膠質母細胞瘤的抗血管生成治療反應分級

抗血管生成治療是復發性膠質母細胞瘤的首選治療方法。Kickingereder等人研究了可能可以預測治療結果的影像標志物。在貝伐單抗抗血管生成治療之前，利用復發性膠質母細胞瘤的多序列MRI，提取并分析了172例患者的磁共振圖像的影像組學特征。利用這些影像組學特征，建立了一個模型來預測低風險和高風險人群中的全氟辛烷磺酸和全氟辛烷磺酸的中位數。作者得出結論，影像組學可能能夠確定貝伐單抗治療最有益的患者。

Bahrami等人在貝伐單抗治療開始前后對33名HGG患者進行了評估。他們在FLAIR高信號區域內分割感興趣體積（VOI），并使用3D-FLAIR圖像的梯度提取每個VOI的邊緣對比度（EC）大小。他們報告說，FLAIR高信號區的EC較低與PFS（P=0.009）和OS（P=0.022）較差有關。

討論

傳統的結構MRI雖然作為一種普遍可用的成像方式很受歡迎，但通常無法用增強、腫塊效應和病灶周圍水腫等經典標準區分腫瘤復發、假性進展和影像性壞死。文獻中所描述的某些增強模式如“瑞士奶酪（Swiss cheese）”、“肥皂泡（soap bubble）”或“切青椒（cut green pepper）”最初被認為有利于影像性壞死的診斷，但它們只有25%的陽性預測值，被認為是治療誘導的，但它們缺乏再現性，需要進一步的紋理分析、光譜或血流研究進行驗證。進展檢測、假進展檢測和混合病變檢測的困境和延遲可能會延遲治療或導致治療中斷。

目前，立體定向腦活檢仍是組織學和遺傳學分類的金標準。然而，膠質瘤的高度異質性可能會降低活檢的準確性，并使約7–15%的患者的病理診斷不確定。基于潛在基因型評估腫瘤局部影像表現的能力可能會減輕活檢過程中與組織取樣相關的偏差。影像分析非侵入性區分膠質瘤分子亞型的潛力不僅可以提供額外的預后信息，還將有助于選擇多基因突變和潛在高級別腫瘤類型患者的靶向化療。

膠質母細胞瘤手術去瘤的中位生存期為15個月，臨床結果取決于初始切除的程度和對化療放療的反應。因此，可以利用影像組學風險模型更好地預測治療反應、全氟辛烷磺酸和全氟辛烷磺酸。通過非侵入性獲取腫瘤的影像基因圖譜，可以評估抗血管生成療法（如貝伐單抗）的效果，而不會對患者造成傷害。迄今為止，抗血管生成治療的療效主要通過MRI和MRS進行監測。抗血管生成治療影響腫瘤的假進展，因為在服用抗血管生成藥物后，腫瘤的標準增強特征可能會假性降低。對比劑增強和血管源性水腫的快速減少表明，當腫瘤可能穩定或進展時，會出現抗血管生成反應。抗血管生成治療后腫瘤MR特征的改變主要與血腦屏障通透性的改變有關。通過在這種情況下使用影像組學，可以監測實際的腫瘤反應，并在腫瘤進展之前進一步調整治療策略。膠質瘤在基因上具有高度異質性。廣泛的基因改變，加上微環境生物化學，在大體組織學和影像學上出現特征性表現。除了在IDH、MGMT和EGFR差異的董事會背景下審查的工作外，其他關聯也得到了支持。對比增強已經證明與缺氧-血管生成通路相關的基因，如血管內皮生長因子（VEGF）。捕捉內囊異常強度的影像組學特征已被證明與MYC癌基因表達相關。有趣的是，多個影像基因相關實驗揭示了成像表型與細胞外基質破壞、細胞侵襲和代謝相關的通路之間的強烈關聯。

此外，影像組學提供了一個機會，可以對完整的腫瘤進行分析，從而減輕采樣誤差的限制，以及由于缺乏腫瘤樣本，神經病理學家無法進行完整的分子和組織病理學評估。通過定量突變值而非二元命名，影像組學可以幫助神經腫瘤學家和神經外科醫生做出個性化的治療決策，并可靠地預測治療反應。

局限性

限制影像量的一個主要特征是，由于缺乏標準化采集參數和研究方法，可變性和缺少一致性導致的再現性差。在不同的數據集上測試時，輻射特征的準確性通常會有所不同。已有多項研究探討了不同采集參數對紋理分析的影響。磁強度、翻轉角度、不同的空間/矩陣大小、T1WI和T2WI中的TR/TE變化以及不同的掃描儀平臺都會影響紋理特征。Molina等人發現，在動態范圍變化下，沒有紋理度量是穩健的，在空間分辨率變化下，熵是唯一穩健的特征。Buch等人得出結論，一些特征更為穩健，一些特征更容易受到不同采集參數的影響，因此需要使用標準化的MRI技術進行紋理分析。此外，紋理分析軟件可用性的變化增加了標準化和再現性的復雜性。多個研究使用了不同算法的軟件，使得這些研究的再現性和可重復性幾乎不可能。需要進一步的研究來評估不同類型軟件結果的準確性，以幫助標準化。

缺乏針對特定臨床領域的帶注釋的影像學研究的公開數據庫，限制了研究人員進行大樣本研究的能力。小樣本量和大量預測變量通常會導致過度擬合，這是機器學習模型的一個主要限制。為防止過度擬合，建議樣本量比分析變量大6-10倍，或僅使用幾個預選的穩健變量進行分析。研究型大學之間需要合作，為更大的隊列研究創建專業注釋的標準化數據集，這些數據集可以分為訓練、測試和驗證數據集，以避免過度擬合。這也將允許研究人員在外部隊列上測試他們的算法，并驗證他們的解決方案的穩健性。實現這一目標的一個最新進展是使用聯邦學習，這有助于多機構驗證機器學習模型，而無需使用分布式框架顯式共享數據。 為特征提取選擇適當感興趣區域的可變性可能會影響某些影像組學屬性，例如基于形狀的度量。目前沒有針對影像科醫生報告定量成像特征的指南，這使得現有的大型圖像存儲庫無法用于治療。為了生成具有分段和注釋的適當感興趣區域的高質量數據，影像科醫生需要成為數據量化和整理的組成部分。缺乏常規獲取的基因表達譜和組織取樣誤差限制了基因表達譜的應用。單個研究所很難創建一個包含輔助數據的大型影像數據庫，如基因組圖譜、人口統計學、治療信息及其結果。癌癥基因組圖譜（TCGA）公開了癌癥數據集，并提供了全面的基因組圖譜目錄，以解決這一問題。影像基因組學的臨床翻譯也受到特定腦腫瘤內空間和時間異質性的阻礙。然而，影像組學對完整腫瘤進行分析的能力可能會解決這一局限性。

促進自動特征學習的深度學習算法最近在從腫瘤分割到生存預測的任務中顯示出巨大的前景。方法結合影像學和病理學數據將膠質瘤分為少突膠質細胞瘤和星形細胞瘤。然而，這種方法除了通常缺乏透明度和可解釋性外，還需要用于訓練的大型數據集。深度學習網絡在醫學成像領域的不確定性和可解釋性是一個靈活的研究領域。作為臨床決策支持系統，影像組學和深度學習算法轉化為臨床工作流程的一個重大挑戰來自監管角度。美國食品和藥物管理局（FDA）嚴格監管依賴機器學習和模式識別技術的CAD（計算機輔助檢測）系統；機器學習模式帶來了新的監管挑戰，需要為尋求批準的提交提供專門指導(https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-software-medical-device)。此外，新的人工智能模型即使在上市后仍在不斷發展，因為它們暴露于更多的數據中。必須在特定的時間間隔內采用定期測試要求，以確保這些模型的自適應變化符合預測。

未來展望

最近的倡議，如圖像生物標記物標準化倡議，根據在影像組學模型上獲得的結果提出了某些指導方針。測試-重新測試實驗設置也被廣泛提議，以便于選擇穩定和可靠的影像測量方法。在第一批此類研究中，CT影像組學的可重復性是在“茶歇”測試中確定的，即在15分鐘的時間間隔內從同一臺掃描儀獲得掃描，然后重新測試。類似的設置也適用于腦成像，以確定適合臨床應用的影像組學特征。癌癥成像檔案館保存了從多個機構獲得的腦腫瘤集合（HGG和LGG）以及其他癌癥的成像數據集。這些數據集已被研究界廣泛用于開發和驗證影像組學和影像基因組學工具。幾乎所有回顧性影像遺傳學研究中的一個明顯缺陷是缺乏關于活檢樣本相對于患者圖像像素位置的信息。影像定位活檢和隨后的影像病理學聯合配準是緩解與MRI上定位活檢區域相關的偏差的必要步驟。Hu等人之前曾將MRI掃描和相應的紋理圖與活檢位置聯合配準，以研究具有空間匹配成像描述符的區域遺傳變異。在后續研究中，Hu等人提出了一種基于高斯過程和傳遞學習的概率模型，用于量化影像基因組流程中的空間不確定性。影像基因組模型中真實標簽的稀疏可用性可以被建模為“弱監督”或“不完全監督”任務。可以實現多實例學習技術來解決這個限制。

影像學領域有望通過實現客觀的腫瘤特征來提升醫學成像的作用。在腫瘤學中，影像組學可以通過生物標記物的利用進行非侵入評估腫瘤的預后信息。在神經外科，它可以用于改進術前和術后的治療計劃。新興公司現在正在提供軟件，通過PACS查看系統提供基于網絡的影像組學分析。來自美國影像學院等學術機構的支持正在增加。這些努力很容易促進影像醫學研究向臨床實踐的過渡。

結論

影像組學的目的不是在未來取代影像科醫生，而是以更高的精確度改進疾病診斷和特征描述。神經影像學、神經外科學和神經腫瘤學的未來必須結合利用影像組學和影像基因組學的進展，以提供少侵入性和腫瘤特異性較小的精確治療策略，并最終優化患者護理。為了使這一領域繼續發展并進入臨床實踐，開發更加標準化和可復制的數據解釋方法、維護可公開獲取的影像研究數據庫以及進行前瞻性大規模多機構臨床試驗至關重要。在未來，影像組學和影像基因組學領域有望提高現有成像模式的效用，并將其引導至個性化醫療。

總結

以上是生活随笔為你收集整理的关于胶质母细胞瘤的影像组学和影像基因组学的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。