本文的主要作者是Robert J. Gillies, Paul E. Kinahan和Hedvig Hricak，他们隶属于分别为H. Lee Moffitt Cancer Center and Research Institute, University of Washington, 和Memorial Sloan-Kettering Cancer Center。文章发表于期刊《Radiology》, 2016年2月，第278卷第2期。
本文主题为放射组学（Radiomics），围绕将医学影像从普通观察图像转化为可挖掘数据的实践过程展开。这是一种新兴技术，利用数字医学影像中的定量特征挖掘患者的诊断、预后和治疗反应。传统上，影像用于视觉判断，而Radiomics在过去十年间借助模式识别工具和数据处理能力的飞速发展，已成为一个潜力巨大的领域。
文章中定义的放射组学是指通过高通量计算从影像中提取多维的定量特征，将传统的医学影像视为包含反映病理生理学信息的复杂数据。Radiomics的核心理念是，通过系统地分析这些数据，可以更准确地支持临床决策，尤其是在癌症诊疗中。文章还介绍了放射基因组学（Radiogenomics），即结合影像特征与基因组数据的分析。
放射组学包括从标准医疗影像中提取定量特征并开发诊断与预测模型的六个主要步骤： - 图像采集：使用CT、MRI和PET设备生成宽范围、高质量的医学影像。在这一环节，文章强调影像采集及重建的标准化问题是目前领域的重大挑战，影像采集参数的变化可能对后续数据分析产生显著干扰。 - 感兴趣区域的标注与分割：将影像中的肿瘤或其他病变区域标记为可分析体积（Volume of Interest），分割需要手动编辑并结合软件辅助完成。 - 特征提取与分类：按“语义特征（semantic features）”和“无偏特征（agnostic features）”对图像量化进行特征划分，前者包括大小、形状、位置等，后者则基于直方图、纹理分析（如Haralick纹理法）和高维过滤器提取复杂的统计模式。 - 数据库构建：生成包含患者影像特征、基因和临床信息的可分享数据库，推动分类器（classifier）模型开发。 - 特征优先化与降维：通过统计学相关性分析和测试可重复性等方法对特征进行去冗余处理，从中筛选出预测性能最强的特征。 - 数据挖掘与模型开发：利用机器学习等强大工具对数据进行建模分析，开发诊断、预测和预后模型。
作者列举了放射组学在技术层面、数据处理和大数据分享等方面面临的多重挑战： - 实验设计与可重复性问题：包括多中心试验数据共享困难以及统一标准的缺乏。 - 大数据分析与健康信息整合：随着海量数据的累积，如何在非均质数据中提取因果性关联成为棘手问题，未来需要更先进的云平台、算法优化和跨领域合作。 - 建立客观标准：目前领域缺乏统一的影像分析报告标准，这需借助同行评议推动改善。
放射组学具有促进精准医学的多种潜在价值。它可长时间跟踪肿瘤演变并优化治疗干预策略，通过将影像分析与基因组学结合，降低组织活检的抽样误差。此外，构建大型全球数据集，结合人工智能学习及跨平台互通，可以为临床医生提供个性化诊断与治疗决策支持。
本文从技术原理到应用潜力全面介绍了放射组学的核心流程和研究进展。Radiomics不仅能够提炼出具有临床意义的大量影像生物标志物，还能够通过机器学习与统计方法，为癌症患者量身定制治疗方案，为现代精准医疗提供全新工具与理论框架。同时，文章强调跨学科合作与数据整合的重要性，呼吁建立标准化机制和更强大的国际数据共享网络。
这篇综述文章综合了放射组学的前沿进展，同时对未来挑战进行了深刻分析，为专业领域的研究人员提供了清晰的洞见，极具指导意义。