器官和支气管疾病
顶刊论文
1. How Far Are We from Using Radiomics Assessment of Gliomas in Clinical Practice?
Radiomics从数据中挖掘有临床价值的信息。简而言之，包含图像采集、分割、特征提取和特征选择这4个必要的过程。通常提取到的特征有四类：
- 一阶统计信息：mean, variance, kurtosis, skewness and 描述整个肿瘤直方图分布的entropy
- 纹理特征：homogeneity， contrast，gray-level nonuniformity, cluster tendency, and harder-to-picture features such as short run emphasis
- 小波特征：features dependent on spatial frequencies
- 形状特征：volume, surface area, sphericity, compactness, and flatness
前三类特征是“agnostic” features，他们是数学上定义的量化描述子，还没有被收录到放射学词典中。另一方面形状特征通常指“semantic” features，他们中的一些已经被收录到放射性词典中。
特征的筛选和模型的选择也是需要重点考虑的。
一个典型的例子：Radiomic MRI Phenotyping of Glioblastoma: Improving Survival Prediction 使用variable-hunting feature selection将796个特征whittle为18个，采用RSF(random survival forest)预测。
类似这样的研究raise如下重要的问题：
- 这些特征跟我们已经熟知的疾病生物学特征有什么关联以及如何关联？
这些特征能增加我们对疾病的理解吗？ - 有没有改变或增加我们对疾病已经有的认知？
Some work has begun in this arena: First-order features obtained from histogram-based methods have been shown to relate to tumor cellularity (5). Textural features, on the other hand, reflect tumor heterogeneity. Tey are potential markers for tumor aggressiveness and, possibly, response to therapy (2,6). Tumor shape features (the only “semantic” features) have also been shown to relate to tumor aggressiveness (2).
尽管对radiomic features的知识越来越多，但是困难仍然存在：如何整合这些结果到临床实践中。 （实验结果的可重复性问题以及机器学习的黑箱问题）
