影像组学实战体系 · 第 1 卷 / 共 6 卷

从临床问题、研究设计到可复现的计算环境

本卷导读

建立影像组学的学科边界、标准流程、样本量设计、统计效能与工程基础，讨论编程工具链、硬件配置与报告规范，为后续的数据处理与建模提供统一框架。

知识结构

  1. 学科定位与标准流程
  2. 样本量与统计效能
  3. 计算环境与工具链
  4. 文献阅读与研究报告

学科定位与标准流程

影像组学把医学图像从阅片对象转化为可计算的高维表型。其价值取决于流程是否可追溯、特征是否可重复、结论是否经过独立验证，而不是模型在单中心数据上的表观精度。

  1. 影像获取及预处理；
  2. 感兴趣区(ROI)标定；
  3. 影像组学特征提取；
  4. 特征降维；
  5. 模型建立、优化。

在标准计算医学影像学与定量影像组学（Radiomics）研究范式中，上述五大核心阶段构成了从临床原始影像（DICOM/NIfTI）向高维定量生物标志物（Imaging Biomarkers）转化的完整闭环。其中，图像预处理决定特征在不同扫描设备间的可重复性，ROI 分割界定肿瘤空间异质性的分析边界，符合 IBSI（Image Biomarker Standardisation Initiative）标准的特征提取实现高通量表型量化，多阶段特征降维克服高维小样本（p ≫ n）过拟合风险，最终结合交叉验证与独立外部验证构建具备临床可解释性与决策获益的预测模型。

通过分析医学影像中的大量信息，影像组学可以揭示生物组织的潜在模式和关联，为诊断、预后和个性化治疗提供重要信息。

影像组学的研究和应用也面临着一些挑战，例如数据质量、数据不平衡、方法的可解释性等。随着技术的发展和研究者对这些挑战的深入了解，影像组学的潜力将逐渐得到释放。许多研究已经证明了影像组学在肿瘤诊断、疾病分型、预后评估等方面的价值。

样本量与统计效能

高维特征与小样本之间的张力，是影像组学最常见的失效来源。样本量不能只按总例数估算，还要同时约束结局事件数、候选特征数与验证方式。

样本量设计需兼顾统计学效能（Statistical Power）与机器学习防过拟合准则。在二分类与生存预后建模中，通常遵循 EPV（Events Per Variable，每个自变量对应的结局事件数）≥ 10（严格标准为 10～15）的经验法则：若最终入模特征数为 5～8 个，则阳性（或少数类）结局事件数至少需达到 50～80 例。对于探索性研究，单组样本量不宜少于 40～50 例；对于旨在发表高影响力成果并完成多中心外部验证的研究，总队列规模通常需达到数百例以上，并保证训练集与独立测试集具有合理的事件发生率分布。

  1. 研究目的：确定样本数据量时需要考虑研究的目的，是为了探究变量之间的关系，还是为了建立预测模型。如果是前者，可能需要较小的样本量；如果是后者，可能需要更大的样本量。

  2. 诊断目标：影像组学研究通常需要考虑的诊断目标包括分类和分割等。对于分类问题，通常需要更大的样本量来确保模型的可靠性和鲁棒性。而对于分割问题，通常需要更多的数据来支持准确地定位和分割目标区域。

  3. 数据质量：数据质量对样本量的确定也有影响。如果数据质量较差，需要更大的样本量来减小误差。

  4. 统计分析方法：不同的统计分析方法对样本量的要求也不同。一些复杂的模型需要更大的样本量来获得可靠的结果，而一些简单的模型可能需要较小的样本量。

综合考虑以上因素，可以通过统计方法来确定样本数据量，例如计算统计功效、进行样本量估计等。并且，影像组学研究中还需要考虑到数据的多样性和复杂性，因此，建议在确定样本数据量时，尽可能选择多个来源和类型的数据，并且保证数据质量和可靠性。

影像组学研究的样本数据量确定是一个关键因素，它直接影响到研究的可靠性和统计效力。

  1. 研究目标：根据研究目标，例如分类、回归或生存分析等，不同类型的研究可能需要不同数量的样本。例如，对于分类问题，通常需要足够多的样本来训练模型并进行有效的验证。

  2. 特征数量：影像组学研究通常涉及大量特征的提取和分析。当特征数量较多时，需要更多的样本数据来避免过拟合现象。样本数量应至少是特征数量的5-10倍，但这个比例因研究具体情况而异。

  3. 预期效果大小：预期效果大小是指影像组学特征对研究目标的预期影响程度。当预期效果较大时，可能需要较少的样本数据。反之，预期效果较小时，需要更多的样本数据来确保研究的统计效力。

  4. 数据不平衡：在影像组学研究中，可能会出现数据不平衡的情况，如某些类别的样本数量远大于其他类别。在这种情况下，需要增加较少类别的样本数量，以确保模型可以充分学习到所有类别的特征。

  5. 实验设计：影像组学研究的实验设计也会影响样本数据量的确定。例如，当使用交叉验证进行模型验证时，需要确保每个验证集具有足够的样本数据来评估模型性能。

  6. 统计方法：影像组学研究中常用的统计方法是假设检验。样本数据量的确定需要考虑实验的统计显著性水平、统计效力以及预期效应大小。可以使用一些样本量计算工具，如G*Power，来帮助确定合适的样本数据量。

  7. 可用数据：实际研究中，可用数据的数量可能受到诸如数据收集难度、成本等因素的限制。在确定样本数据量时，还需要考虑实际可用数据的数量。如果可用数据有限，研究者可能需要采用抽样方法，如分层抽样或随机抽样，来确保所选样本能够充分代表研究总体。

  8. 多中心研究：在多中心影像组学研究中，样本数据量可能来自不同的中心和设备。这种情况下，为了确保研究结果的可靠性和稳定性，通常需要更多的样本数据来克服不同中心间的差异和技术偏差。

计算环境与工具链

影像组学并不要求昂贵硬件，但要求稳定的内存、可复现的软件版本和清晰的数据流。

传统影像组学研究对电脑硬件的要求并不高，以3D Slicer软件为例，官方推荐配置要求：

Memory: more than 4GB (8 or more is recommended). As a general rule, have 10x more memory than the amount of data that you load.。Display: a minimum resolution of 1024 by 768 (1280 by 1024 or better is recommended).

内存：超过4GB（推荐8G以上）。

显示：最小分辨率为1024×768（推荐为1280×1024或更好）。

专用图形硬件和内存（建议使用1GB）。

Slicer中的许多计算都是多线程的，并且将受益于多核，多CPU配置。

在实际科研计算中，内存容量是影响高分辨率三维影像加载与多线程特征计算稳定性的关键瓶颈；若物理内存不足，极易在批量处理三维体数据时触发内存溢出。因此工程实践中建议配置 16 GB 及以上内存（处理大规模多中心队列或体素级特征时建议 32 GB 以上）；若进一步涉及三维卷积神经网络（3D CNN）等深度学习影像组学建模，则需根据网络参数规模配备相应显存容量的独立 GPU（如 NVIDIA 12 GB～24 GB 显存及以上）。

理论上讲三大主流平台Windows, Linux和MacOS均可进行影像组学研究。Windows系统的电脑可通过虚拟机或双系统解决这一问题。以3D Slicer为例，对系统版本的推荐如下：

尽管有软件将分类、回归算法"傻瓜化"，简单地点击鼠标、敲键盘即可实现。

在零代码或低代码图形界面平台（如 3D Slicer 的 SlicerRadiomics 插件、LIFEx、FeAture Explorer [FAE] 或商用科研平台）辅助下，研究者可以完成单模态特征提取与基础统计建模；但在面对多中心批量图像重采样、自定义滤波参数、ComBat 批次效应校正、多模态特征融合、嵌套交叉验证（Nested CV）以及可重复性流水线部署时，掌握 Python 或 R 编程仍是开展高水平、可溯源影像组学研究的核心基础。

C, C++, Matlab等诸多编程语言均可进行影像组学研究。

在当前影像组学与医学人工智能科研实践中，最推荐优先掌握 Python 与 R 语言。

在主流影像组学科研生态中，Python 与 R 构成了互补性最强的双核心工具链：Python 凭借 SimpleITK、NiBabel、PyRadiomics、Scikit-learn、lifelines 及 PyTorch 等成熟库，在医学图像空间变换、高通量特征提取、机器学习与深度学习特征融合方面具备极高的工程效率；R 语言则依托 glmnet（LASSO 回归）、rms（列线图 Nomogram 与校准曲线）、rmda（决策曲线分析 DCA）、survival/survminer（生存分析）及 caret 等统计包，在生物统计建模、临床转化评估与发表级科研绘图方面具有显著优势。

从"实用"的角度讲除会一门编程语言外，常用的统计方法应该了解，常用的机器学习方法应该会用。

开展系统化的影像组学研究需构建跨学科的三维知识结构：（1）医学影像与临床专科基础：理解 CT、MRI、PET 等模态的物理成像机制、伪影来源及疾病解剖/病理边界；（2）生物统计学与实验设计：掌握假设检验（t 检验、Mann-Whitney U 检验）、组内相关系数（ICC）、多重共线性分析（Pearson/Spearman 相关）、生存分析（Kaplan-Meier、Cox 比例风险回归）及样本量估算（EPV 准则）；（3）机器学习与编程工程：熟练运用特征选择（mRMR、LASSO、递归特征消除 RFE）、分类/回归算法（逻辑回归、SVM、随机森林、XGBoost）及模型泛化评估体系（ROC-AUC、PR-AUC、Brier Score、DeLong 检验）。

在使用Python进行影像组学研究时，以下是一些重要的工具包：

  1. NumPy：用于进行大量数学计算和操作，如线性代数、矩阵操作等。

  2. Pandas：用于数据处理和分析的库，提供数据结构和函数，方便操作和分析结构化数据。

  3. Scikit-learn：一个强大的机器学习库，提供广泛的监督和无监督学习算法、特征提取、模型评估和调优等功能。

  4. SimpleITK：用于处理医学图像的库，提供图像处理、分割和配准等功能，方便处理医学图像数据。

  5. Nibabel：一个用于读取和写入神经影像数据格式（如NIfTI）的库。

  6. Dicom：一个用于处理DICOM格式医学图像数据的库，提供读取、修改和写入DICOM文件的功能。

  7. PyRadiomics：一个用于提取大量放射学特征的库，可从医学图像中提取一系列特征，用于机器学习模型的训练。

  8. Matplotlib：一个用于创建高质量图形的库，方便生成各种图表以展示实验结果。

  9. Seaborn：一个基于Matplotlib的数据可视化库，提供更高级的接口和更美观的图形样式。

  10. OpenCV：一个用于实时计算机视觉的库，提供图像处理、特征检测和对象识别等功能，可以辅助影像组学特征提取。

  11. TensorFlow或PyTorch：深度学习框架，可以用于开发和训练深度学习模型，如卷积神经网络（CNN），用于影像组学特征提取和分类任务。

这些工具包涵盖了影像组学研究的各个方面，从数据处理和特征提取到模型开发和评估。使用这些工具包可以帮助您更有效地进行研究。

文献阅读与研究报告

研究质量既取决于实验，也取决于报告是否完整。本章把文献阅读、方法学批判与报告清单放在同一框架下，便于把研究设计前置到写作之前。

  1. 首先精读论文摘要（Abstract），快速把握研究背景、核心方法、队列规模与主要结论，评估文献与当前课题的相关性。
  2. 第二步是看图、表（包括图表的标题、注释），如果你对一个研究领域很熟悉，那一篇好文章的图表基本能够让你了解文章的大部分内容。
  3. Introduction的前半部分通常是背景介绍，刚接触某研究领域时要重点关注。
  4. Introduction的后半部分，作者通常会提出问题和假说。
  5. Method部分应重点关注与其他文章的不同之处，或是你不了解的内容。
  6. Discussion部分关注文章的结论以及从结果到结论的逻辑。思考自己能从这篇文献收获什么，是内容上的收获，还是研究思路方法的收获。

影像组学（radiomics）是一种研究方法，通过从医学影像中提取大量的定量特征来揭示与生物学过程、疾病特征和治疗反应相关的模式。影像组学研究报告应当包含以下内容：

  1. 引言：简要介绍研究背景、研究问题、目的和意义。阐述影像组学在此研究领域的应用和潜在价值。

a. 数据来源：说明使用的医学影像数据集，包括数据类型（如CT、MRI等）、数据量、研究对象的病理类型及临床特征等。

b. 影像预处理：描述对原始影像进行的预处理步骤，像重采样、噪声去除、强度标准化等。

c. 影像分割：介绍用于提取感兴趣区域（ROI/VOI）的分割方法，如手动分割、半自动分割或自动分割算法等。

d. 特征提取：列举从影像中提取的特征类型，如形状特征、强度特征、纹理特征等，并描述特征提取的具体方法和工具。

e. 特征选择和降维：介绍用于筛选最有意义特征的方法，如相关性分析、主成分分析（PCA）等。

f. 建模和验证：说明所采用的机器学习或统计模型，如支持向量机、随机森林等。描述模型训练和验证的方法，如交叉验证、自助法等。明确评估模型性能的指标，如准确率、敏感性、特异性等。

d. 若适用，可展示散点图、热力图、ROC曲线等结果可视化图形。

  1. 讨论：分析研究结果的意义，探讨影像组学特征与生物学过程、临床特征或预后的关联。讨论研究局限和可能的改进方向。可以与其他研究进行对比和讨论。

  2. 结论：总结研究的主要发现和贡献，概括影像组学在此领域的潜在应用和价值。明确研究的创新点和未来研究方向。

  3. 参考文献：列出在研究过程中引用的文献，确保所有引用均遵循相应的引用格式。

  4. 表格和图像：如果需要，可以在报告中插入表格和图像来辅助说明研究过程和结果。确保所有表格和图像均有清晰的标题和图例，并在正文中进行解释和引用。

  5. 附录：可选部分，可以包含研究中使用的代码、算法、详细的实验步骤和结果等补充材料。

— 感谢阅读 —
# 影像组学

一起交流

分享你的思考，让讨论更进一步。