编辑推荐：
在放射组学中，小波分解（WD）特征的重复性和再现性存疑。研究人员以非小细胞肺癌（NSCLC）患者为对象，探究病变取向对 WD 和非 WD 放射组学特征值及模型性能的影响。结果显示 WD 特征更易受取向变化影响，该研究为放射组学模型构建提供重要参考。
在医学影像分析领域，精准解读病变信息对疾病诊断和治疗至关重要。放射组学作为一种新兴的机器学习技术，通过从医学图像的感兴趣区域提取和分析大量特征，有望实现对病变或组织的无创性精准表征。其中，小波分解（Wavelet Decomposition，WD）作为一种常用的成像滤波器，在放射组学研究中备受关注。然而，目前关于 WD 特征的重复性和再现性问题却一直困扰着科研人员。多数相关研究表明，WD 滤波器组特征在重复性方面不如其他特征，但却未能深入解释其背后的原因。同时，在实际临床应用中，由于患者扫描时体位难以完全一致，病变的取向不可避免地会发生变化，而这种变化对 WD 特征的影响究竟有多大，此前也从未有过系统的评估。正是在这样的背景下，为了深入探究病变取向变化对放射组学特征，尤其是 WD 特征的影响，以及这种影响对放射组学模型性能的作用，来自中国香港中文大学等机构的研究人员开展了此项研究 。该研究成果发表在《Journal of Imaging Informatics in Medicine》上，为放射组学在临床中的可靠应用提供了关键依据。
研究人员主要运用了以下几种关键技术方法：首先，使用公开的非小细胞肺癌（NSCLC）患者数据集，其中包含 422 例患者的胸部 CT 扫描及相关临床信息 。其次，运用 Z-score 归一化等方法对图像进行预处理，并利用 PyRadiomics（v3.1.0）软件包按照默认设置提取放射组学特征，共得到 1674 个特征，包括 744 个 WD 特征和 930 个非 WD 特征 。最后，通过对肿瘤进行 5° - 80° 的随机旋转，结合 Spearman 秩检验等统计学方法评估旋转对特征值和模型性能的影响。
研究结果主要分为以下几个方面：
- 患者数据筛选：在评估 WD 特征稳健性的研究中，422 例患者里有 3 例因 CT 和分割空间对齐不匹配被排除，剩余 419 例患者进入特征水平分析；在评估放射组学模型分类性能时，又排除了组织学标记为 “NOS”“N/A” 以及双侧肺部均有肿瘤分割的患者，最终 314 例患者纳入性能水平分析 。
- 特征水平分析：形状特征方面，14 个形状特征中有 11 个对不同程度旋转表现出良好的稳健性，仅 3 个 2D 形状特征与旋转存在一定相关性 。纹理特征方面，除 LLL 外，7 个 WD 纹理特征分量在旋转后特征值变化显著，IQR 范围为 14.5% - 48.0%，且部分特征与旋转度存在显著相关性；而非 WD 特征，除 “square” 成像滤波器外，其他特征受旋转影响较小，IQR 范围在 3.0% - 7.0% 。
- 性能水平分析：WD 和非 WD 模型分别平均纳入 24.8 个和 21.1 个特征进行训练。未旋转特征测试时，WD 模型准确率为 49.9% ± 2.0% ，高于非 WD 模型的 49.0% ± 2.7%；但旋转特征测试时，WD 模型性能随旋转角度增加呈下降趋势（p < 0.001），非 WD 模型除逻辑回归和 k 近邻算法外，趋势不显著 。
研究结论和讨论部分表明，WD 特征在统计学上比非 WD 特征对取向变化更为敏感。这种敏感性不仅显著影响特征值的重测再现性，还会导致基于 WD 特征构建的模型性能不稳定。这意味着病变取向或扫描位置的变化可能使基于 WD 的放射组学模型得出完全不同的结论。因此，在构建放射组学模型时，对于 WD 特征的纳入应谨慎考虑，尤其是对于无法标准化取向的病变，如 NSCLC。未来研究应探索具有旋转不变性的 WD 算法，以提高放射组学病变表征模型的可靠性。该研究为放射组学在临床实践中的应用提供了重要的参考，有助于推动相关技术更加准确、可靠地服务于疾病诊断和治疗，为患者带来更好的医疗服务和健康保障。
