近年来大数据技术与医学影像辅助诊断的有机融合产生了新的影像组学方法，其通过从影像中提取海量特征来量化肿瘤等重大疾病，可以有效解决肿瘤异质性难以定量评估的问题，具有重要的临床价值。影像组学技术来源于计算机辅助诊断（computer aided diagnosis，CAD），目前已经发展成为融合影像、基因、临床等信息的辅助诊断、分析和预测的方法。

影像组学作为医工交叉的产物，其应用先进的计算机方法解决临床具体问题，将有广阔的应用前景。笔者将对新兴的影像组学技术进行介绍，阐述影像组学的相关概念、具体处理流程及其面临的挑战、应用领域及未来的发展方向。

一、影像组学的基本概念

影像组学的概念最早由荷兰学者在2012年提出，其强调的深层次含义是指从影像（CT、MRI、PET等）中高通量地提取大量影像信息，实现肿瘤分割、特征提取与模型建立，凭借对海量影像数据信息进行更深层次的挖掘、预测和分析来辅助医师做出最准确的诊断。影像组学可直观地理解为将视觉影像信息转化为深层次的特征来进行量化研究。

二、现阶段影像组学的具体流程和面临的挑战

影像组学的处理流程总结归纳为以下部分：（1）影像数据的获取；（2）肿瘤区域的标定；（3）肿瘤区域的分割；（4）特征的提取和量化；（5）影像数据库的建立；（6）分类和预测。下面对其流程和面临的挑战作相应的介绍。

1.影像数据的获取：现代医院影像设备包括CT、MRI、PET等在图像获取和重建协议上都有很大的差异，缺乏一个统一的标准规范这个流程。影像数据的收集以薄层数据最佳。影像组学的入组数据需要具有相同或相似的采集参数，保证数据不会受到机型、参数的影响。虽然国内肿瘤患者较多，但是具体到每家医院，肿瘤患者的数据就相对变少，而影像组学研究需要在众多的医院数据中查找严格符合入组条件的数据来保证一致性，这样做又会使数据量急剧减少。因此，影像组学的研究要从数据量和入组规范中寻找一个折中点，保障基本的数据量，为大样本、多特征、多序列和多方法的研究提供保障。

2.分割算法的实现：图像分割是影像组学方法的第一步，将肿瘤区域和其他组织分离，便于进行下一步肿瘤特征提取。由于肿瘤的异质性和不规则性，针对特定肿瘤的精准分割是一个巨大挑战。

近几年来，多种分割算法已应用到肿瘤区域标定中，其中效果较好的包括滑降区域生长法（region-growing methods）、图割法（graph cut methods）、半自动分割算法（semiautomatic segmentations）、基于容量CT的分割法（volumetric CT-based segmentation）等，人工跟踪分割方法（manually traced segmentations）常被用来作为金标准。对于不同的分割算法，都有其适用范围和条件。目前来看尚无认可度较高的通用分割算法，这将会是广大科研人员的一个重要研究方向。