基于影像组学模型的肺部转移的研究表明，纹理特征可以作为一种预后指标预测软组织肉瘤是否发生转移。同时用影像组学特征构建预测模型，纹理作为一种肿瘤内部异质性的生物标记物，可以帮助医师对病理进行更深入的分析。传统的影像诊断主要依赖于医师的判断，而影像组学基于数据进行分析，提取高维图像特征作为新的生物标记物来帮助临床决策。用影像组学特征预测突变型表皮生长因子受体（EGFR）的文献中提到，用5个影像组学特征集和病理分级、是否抽烟等临床特征相结合，可以将仅由临床特征预测突变得到的曲线下面积由0.667提高到0.709。

通常，大规模影像组学数据的提取依赖电脑视觉和图像处理技术，低层次的图像特征描述用于定义肿瘤的形状、清晰度、紧密度及视觉外观。因此，大量的影像组学数据可以实现常规影像学不能达到的医疗数据整合。

另一方面，影像组学将横断面影像阵列转化为可定量的特征，为构建影像基因组学框架奠定了基础。这个框架整合了不同领域的知识，进而得出它们之间因果关系的推论。影像组学的应用领域不仅局限于上述几个方面。有研究显示，非入侵式的影像组学和药物反应有一定相关性。近期，广东省人民医院与中国科学院自动化研究所合作，利用各自的优势把影像组学研究方法应用到了结直肠癌诊断治疗中，建立并验证一种基于影像组学标签的结直肠癌淋巴结转移术前预测模型。此外，影像组学可以实现肿瘤的全面量化分析，以及对不同时期肿瘤的生长状况进行直观检测，可以很容易地观察到肿瘤的转移情况和相关特性。

四、总结与展望

影像组学作为一种新兴的研究方法，通过从不同模态的影像中提取高通量的影像特征，一定程度上实现了肿瘤异质性的评估和肿瘤的预后评估，其方法来源于CAD，早期主要用于评估放疗效果，并逐步在影像领域应用，到目前已经发展成为融合影像、基因、临床等信息的辅助诊断、分析和预测的工具。与活检对比而言，它有明显的优势，不仅可以减少活检带来的痛苦，也在一定程度上提高了工作效率，减轻患者经济上的负担，为将来患者病情复查提供更健康和安全的途径。当然影像组学并不局限于肿瘤领域，其他疾病也可以将其应用其中。

虽然目前影像组学处理流程已经比较完善，但很多流程的优化仍是难题，例如其中关键的分割算法的改进仍是挑战性问题，人工分割耗时耗力，自动分割鲁棒性和精度难以保证。随着近期深度学习浪潮的推动，基于深度机器学习的分析预测方法将是影像学术未来的发展方向之一，为预测准确率的提高提供了突破方向。另一方面，由于目前医院患者人数众多，影像检查费时费力，影像组学也应尽可能与临床特征相融合，成为临床医师更加信赖和认可的方法，从真正意义上发展为一种辅助诊断的工具，提供便捷和放心的服务。