编辑推荐：
本文聚焦肺癌影像组学（Radiomics）。其通过提取医学影像定量特征，结合 AI 提升肺癌诊断准确性、预测治疗反应等。文章介绍了影像组学在肺癌诊疗各阶段的应用，探讨未来与大语言模型（LLMs）等结合的发展方向，对肺癌精准医疗意义重大。
引言
肺癌是全球癌症相关死亡的首要原因，每年约 180 万人因此丧生。医学影像在肺癌的早期检测、诊断、治疗规划、监测及图像引导干预中发挥着关键作用。影像组学作为新兴研究领域，能将标准医疗影像转化为定量图像特征，与其他数据源融合后，借助传统统计或人工智能（AI）方法进行分析。
影像组学面临诸多挑战，如成像采集、重建、分割、软件及后处理的可变性。为此，人们开展了标准化工作，像 Image Biomarker Standardisation Initiative，还有质量控制、软件协调等措施，旨在降低研究间的差异。评估分割的影响至关重要，Lambin 等人提出的影像组学质量评分以及 METhodological RadiomICs Score（METRICS）等大语言模型可用于质量评估。在影像采集和重建方面，各向同性体素大小插值等因素会造成较大差异，而重建核归一化（RKN）、ComBat 协调和体素大小插值等预处理和后处理协调方法能提高特征的可重复性。此外，CheckList for EvaluAtion of Radiomics research（CLEAR）等影像组学特定清单可指导研究报告。
传统影像组学依靠标准手工方法计算，如今已采用卷积神经网络（CNN）、深度自动编码器和视觉变换器等更复杂的深度学习（DL）框架，实现自动化、高通量的特征提取。这种转变不仅能自动评估确定性客观特征和概率方法，还以前所未有的速度和规模量化肿瘤微环境（TMEs）。深度学习不仅能在无观察者间差异的情况下量化已有的手工显著特征，还能揭示未知特征和关系，评估三维分割是否准确反映生物样本中的肿瘤异质性。
所有医学成像模态，包括计算机断层扫描（CT）、磁共振成像和正电子发射断层扫描，都可支持手工影像组学或深度学习特征分析，且工作流程相似。在肺癌成像中，CT 是临床最常用的模态。手工影像组学研究致力于构建更可靠的特征提取使用指南，而基于 CT 的深度学习模型则通过重新定义视觉变换器和图的架构不断改进。近年来，多模态分析逐渐受到关注，它利用深度学习架构从不同视角分析癌症。由于单一模态可能无法一致、充分地捕捉肺癌的异质性，难以制定个性化治疗方案，因此有效的多模态融合变得愈发重要。许多研究致力于整合不同模态，以揭示癌症等多因素疾病的生物学过程。单一数据模态可能存在噪声或不完整，与其他模态的冗余信号结合后，在诊断、预后评估或治疗反应评估方面会更敏感、可靠。
鉴于多模态方法在其他领域的前景以及手工影像组学的大量研究，本文重点探讨深度学习方法，包括涉及大语言模型（LLMs）、可解释人工智能（XAI）和超分辨率（SR）的多模态架构，并对影像组学在肺癌应用中的未来进行展望。
诊断
通过影像组学进行肺癌诊断的流程涵盖检测、诊断、组织学特征描述和分期四个关键阶段。每个阶段都可将先进的 AI 模型与定量图像分析相结合，以加强早期检测、提高诊断特异性并支持个性化治疗策略。
肺结节检测与筛查
诊断始于基于 CT 的肺结节检测，这是在早期可治疗阶段识别恶性病变的基础步骤。结合 YOLOv5 和 ResNet-50 的 AI 框架利用 CNN，在检测良性结节、原发性肺癌和转移瘤方面表现出色，检测率分别达到 94.3%（82/87，95% CI：88.1–98.8%）、96.9%（31/32，95% CI：91.7–100%）和 92.0%（104/113，95% CI：88.5–95.5%），该框架显著降低了假阳性率。
肺癌管理
肺癌确诊后，AI 和影像组学有助于实现精准医学。通过辅助制定个性化治疗方案、预测治疗反应、进行适应性治疗调整、预后评估和监测，最终改善患者的治疗效果。
未来展望
综上所述，AI 和影像组学在提供个性化肺癌医疗方面前景广阔。然而，要提升这些影像组学模型的性能并应对关键挑战，需采取多方面策略。包括通过多中心合作扩大训练数据集、采用先进的机器学习和深度学习技术，以及遵循标准化的成像协议。这些关键步骤有助于减少过拟合，提高模型性能。
结论
影像组学和 AI 正在革新肺癌的诊断、治疗和个性化医疗，改善肺癌的检测、分期和治疗预测。大语言模型（LLMs）、可解释人工智能（XAI）和超分辨率成像等新兴技术，能够增强模型的可解释性、集成性和图像质量。未来应着重开展多中心验证与合作，确保这些工具符合临床标准，改善患者的治疗结果。目前的主要挑战在于从监管审批阶段过渡，以推动这些技术在临床实践中的广泛应用。
