广东省人民医院和中国科学院自动化研究所展开医工合作，利用影像组学方法对非小细胞肺癌患者进行早期存活率预测，得出的结果非常有意义。还有研究验证，影像组学可以提高鳞癌和腺癌的分类正确率。该文献指出，在多变量分析中，发现53个影像组学特征和肿瘤组织相关。用小波特征建立的预测模型的曲线下面积可达到0.72。对于一个特定的模型而言，衡量其性能的主要指标是准确率，在分类中所面临的挑战就是如何在没有出现过拟合的情况下尽可能提高准确率，一个好的分类模型不仅要能够很好地拟合训练数据，而且应该对未知样本能够准确分类。

三、影像组学的应用

随着技术的进步、研究水平的提高，影像组学在CT、MRI、PET和基因融合方面有很多新的进展。多中心病例数已经达到上千例，提取一阶统计量、二阶统计量、纹理以及临床等特征数已经达到上百个，序列数也在不断增加，理论化方法也在不断增多。面对国家重大需求，临床生存期无突破，肿瘤异质性难以定量评估等情况，影像组学为实现精准诊断提供了新机遇。下面将详细介绍影像组学在CT、MRI、PET以及基因融合中的应用。

影像组学分析主要应用于医学图像并进行定量处理。在肺癌诊断中最广泛使用的成像方法是CT，肺肿瘤在CT图像中呈现很强的对比度，包括图像中肿瘤灰度值强度差异、肿瘤内纹理差异和肿瘤形状差异。影像组学处理流程与CAD相似，提取特征后进行分析，从而帮助医师做出治疗决策，但是在个别流程存在差异。CAD是检测和诊断病灶，而影像组学是从影像中提取海量特征来进行特征分析。例如，研究人员最近发现，影像组学的特征和肺癌预后高度相关。通过挖掘多维440个特征，得出癌症预后和个别影像组学特征的相关性。

一种基于CT图像的影像组学特征预测远端转移的方法表明：在635个影像特征中，有35个影像特征可以作为远端转移的预测指标，其中一致性指数在0.6以上，错误发现率在0.05以下。上述研究体现了影像组学特征作为一种预后指标来进行临床预测。MRI是医学影像的重要组成部分，从MRI中提取大量特征来进行研究已经成为现阶段的研究热点之一。例如在脑胶质瘤影像组学研究中，MRI作为首选的影像检查被应用于恶性胶质瘤（glioblastoma，GBM）的诊断、外科手术前方案的制定和治疗后的监测中。

随着乳腺癌发病率的逐渐上升，同样需要有一种有效的方法来实现乳腺癌的准确诊断和分析。为了解决这一难题，影像组学在乳腺癌的MRI诊断中也有广泛应用。PET 图像的影像组学分析流程与其他模态的图像类似，包含图像分割、特征提取及选择、信息分析和数据挖掘等环节。在PET图像中，纹理特征可以很好地描述组织，预测治疗效果和存活率。