[论文解读] Radiomics in Cancer Radiotherapy: a Review

Jiwoong Jeong, Arif Ali+4 more|arXiv (Cornell University)|Oct 4, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 134被引用 4

一句话总结

本综述综合评述了放射组学在癌症放疗中的现状，重点阐述其工作流程——影像采集、勾画、特征提取及模型验证，同时强调其在CT、MRI、PET和超声中的应用。该综述指出，放射组学是一种非侵入性、可重复的方法，可用于量化肿瘤表型并预测治疗反应，其在推动个性化肿瘤学方面通过机器学习和定量影像生物标志物发挥了关键作用。

ABSTRACT

Radiomics is a nascent field in quantitative imaging that uses advanced algorithms and considerable computing power to describe tumor phenotypes, monitor treatment response, and assess normal tissue toxicity quantifiably. Remarkable interest has been drawn to the field due to its noninvasive nature and potential for diagnosing and predicting patient prognosis. This review will attempt to comprehensively and critically discuss the various aspects of radiomics including its workflow, applications to different modalities, potential applications in cancer radiotherapy, and limitations.

研究动机与目标

• 提供放射组学在癌症放疗中临床潜力与技术挑战的全面且批判性的综述。
• 分析不同影像模态中放射组学工作流程，包括影像采集、感兴趣区域（ROIs）勾画、特征提取及模型验证。
• 评估放射组学在改善肿瘤表征、治疗反应预测及正常组织毒性评估中的作用。
• 识别关键局限性，如影像采集、特征提取及命名术语在不同机构间缺乏标准化。
• 倡导通过推广标准化、数据共享及验证框架（如TRIPOD和IBEX）实现临床转化。

提出的方法

• 基于PubMed数据库及引用文献的手动回顾，系统性回顾过去十年的放射组学文献。
• 放射组学工作流程分析：影像采集、感兴趣区域（ROIs）勾画、特征提取（形状、纹理、直方图、滤波基特征）及模型开发。
• 应用机器学习与数据挖掘技术，从医学影像（CT、MRI、PET、US）中提取高通量定量特征。
• 利用CERR、CGITA、MaZda和IBEX等标准化平台评估特征的可重复性与鲁棒性。
• 通过独立数据集验证及透明报告标准（如TRIPOD）评估临床适用性。
• 将放射组学特征与临床结局（如生存率、治疗反应）整合，构建个性化放疗的预测模型。

实验结果

研究问题

• RQ1 放射组学如何改善癌症放疗中肿瘤表型的非侵入性、定量表征？
• RQ2 不同医学影像模态中放射组学工作流程的关键组成部分与挑战是什么？
• RQ3 放射组学特征在胶质母细胞瘤、乳腺癌及头颈部癌等癌症中，能在多大程度上预测治疗反应与患者生存率？
• RQ4 放射组学临床转化的主要障碍是什么？标准化如何应对这些障碍？
• RQ5 如何将放射组学整合到常规临床实践中，以增强个性化放疗计划与预后预测？

主要发现

• 放射组学利用先进算法对医学影像进行高通量、客观且定量的肿瘤表型分析，为重复组织活检提供了非侵入性替代方案。
• 从CT、MRI、PET和超声中提取的放射组学特征在多形性胶质母细胞瘤、乳腺癌及肾细胞癌等癌症中表现出显著的预后价值。
• 尽管结果具有前景，但大多数研究仍为回顾性研究，且在影像采集、勾画及特征命名方面缺乏标准化，限制了可重复性与临床采纳。
• IBEX、CERR、CGITA和MaZda等软件平台支持特征提取与数据共享，但机构间普遍标准化仍是一大关键缺口。
• 放射组学在临床实践中的整合取决于三个因素：提升现有预测模型、实现治疗反应的早期检测，以及通过TRIPOD等框架确保稳健验证。
• 放射组学不增加额外辐射负担，因其仅对临床常规已获取的影像进行后处理，因此非常适合用于反复监测肿瘤动态变化。