影像組學(xué)與臨床決策

超越視覺影像組學(xué)與臨床決策什么是影像組學(xué)01/影像組學(xué)的應(yīng)用02/我們?nèi)绾伍_展03/體會與心得04/CONTNTS目錄什么是影像組學(xué)01PART傳統(tǒng)影像學(xué)PART011.形狀與大小2.邊界3.空洞或囊性結(jié)構(gòu)4.鈣化5.增強(qiáng)模式6.動態(tài)變化7.血流和灌注傳統(tǒng)影像學(xué)注重視覺可見的特點(diǎn)，那么圖像中不可見的“細(xì)節(jié)”是否包含更多信息呢？傳統(tǒng)影像學(xué)PART01治療前治療后傳統(tǒng)影像學(xué)只能告訴你，治療后可能有效；而影像組學(xué)能夠告訴你，治療后乳腺癌達(dá)到pCR傳統(tǒng)影像學(xué)PART01肉眼不可見的隱藏細(xì)節(jié)包括：1.形態(tài)學(xué)特征：主軸長度、圓度、扁平度等2.紋理特征：共生矩陣（GLCM）、局部二值模式（LBP）等3.信號強(qiáng)度特征：包括統(tǒng)計(jì)度量，如偏差、偏度和峰度等4.分形特征：病變的粗糙度或復(fù)雜度5.衍生和計(jì)算生物標(biāo)志物：例如血流動力學(xué)參數(shù)、物理學(xué)參數(shù)等......影像組學(xué)PART01

影像組學(xué)的應(yīng)用02PART影像組學(xué)的應(yīng)用PART02常用的影像學(xué)方法1.B超2.CT3.MRI4.鉬靶......臨床應(yīng)用1.病變診斷2.治療反應(yīng)預(yù)測3.預(yù)后評估...4.放射基因組學(xué)：通過將影像組學(xué)與分子和遺傳標(biāo)志物結(jié)合，來研究生物學(xué)機(jī)制、預(yù)測疾病進(jìn)展或治療反應(yīng)5.生物標(biāo)志物開發(fā)：為疾病檢測、預(yù)后和治療策略制定提供新的、非侵入性的影像標(biāo)志物6.疾病分型：通過分析影像組學(xué)特征，將疾病分為不同的亞型或類別，這可能與臨床結(jié)果或治療反應(yīng)有關(guān)...應(yīng)用舉例1-B超預(yù)測乳腺腫物良惡性PART02惡性良性預(yù)測模型AUC為0.917，敏感性為85.7%，特異性為89.3%。應(yīng)用舉例2-MRI預(yù)測乳腺癌新輔助化療后pCRPART02訓(xùn)練集中AUC為0.78測試集中AUC為0.74HR+，HER2-組中AUC為0.83TN/HER2+組中AUC為0.93應(yīng)用舉例3-MRI預(yù)測乳腺癌DFSPART02訓(xùn)練集和驗(yàn)證集中高?；颊吲c較差的無疾病生存（DFS）顯著相關(guān)（分別為P=0.002和0.036）。放射組學(xué)預(yù)測的DFS的C指數(shù)優(yōu)于臨床病理學(xué)。（0.76vs.0.72）我們?nèi)绾伍_展03PART影像組學(xué)科學(xué)問題新穎的想法很重要數(shù)據(jù)收集臨床資料和影像資料數(shù)據(jù)分析統(tǒng)計(jì)軟件及統(tǒng)計(jì)方法如何進(jìn)行影像組學(xué)的研究PART03研究過程舉例-圖像的獲取與分割PART03常用的圖像分割軟件1.

3DSlicer一個開源的跨平臺應(yīng)用程序，廣泛用于醫(yī)學(xué)影像分析。2.

ITK-SNAP主要用于分割結(jié)構(gòu)的3D圖像數(shù)據(jù)，如MRI和CT掃描。......常用的自動分割方法1.閾值分割(Thresholding)基于圖像的灰度值設(shè)定一個或多個閾值，將像素分為目標(biāo)和背景兩類。2.水平集方法(LevelSet)使用數(shù)學(xué)模型描述邊界的演變，常用于捕捉不規(guī)則、復(fù)雜的結(jié)構(gòu)。......研究過程舉例-圖像的特征提取PART03常用的特征類型1.形態(tài)特征：ROI的大小、形狀和結(jié)構(gòu)2.紋理特征：ROI內(nèi)部的模式或粗糙度3.強(qiáng)度特征：ROI信號強(qiáng)度的均值、方差、偏度、峰度4.高階統(tǒng)計(jì)特征：例如小波特征，LoG特征等研究過程舉例-特征選擇PART03常用的特征選擇方法1.基于統(tǒng)計(jì)的方法：如t檢驗(yàn)、ANOVA，回歸分析等2.基于模型的特征選擇：LASSO回歸等。3.遞歸特征消除(RFE)：這是一種迭代方法，每次迭代都會移除一些特征，直到達(dá)到所需的特征數(shù)量。研究過程舉例-模型構(gòu)建與訓(xùn)練PART03模型構(gòu)建：1.邏輯回歸（LogisticRegression）2.隨機(jī)森林（RandomForests）......模型訓(xùn)練：使用訓(xùn)練數(shù)據(jù)集來“教”模型如何進(jìn)行預(yù)測模型驗(yàn)證：1.在驗(yàn)證集上進(jìn)行性能評估2.數(shù)據(jù)分為k個子集，并在這些子集上進(jìn)行多次訓(xùn)練和驗(yàn)證......參數(shù)調(diào)整：1.嘗試多種參數(shù)組合，在驗(yàn)證數(shù)據(jù)集達(dá)到性能最佳的組合。2.調(diào)整參數(shù)：貝葉斯優(yōu)化（Bayesianoptimization）等研究過程舉例-模型評價PART03AUC曲線下面積決策曲線分析校準(zhǔn)曲線體會與心得04PART體會PART041.類似研究最難的點(diǎn)：不是R語言的代碼，而是新穎的idea。2.最大的工作量：是收集臨床資料和影像資料，完成了資料