3.2.4 模型/分类器的构建 一般来说，影像组学特征数据分为实验数据和验证数据两部分。使用机器学习、高等统计学方法等对实验数据进行深度挖掘，可以建立临床反应的诊断或预测模型，验证数据则被用来验证模型的准确性，最终选取高精度模型。目前可应用的模型既包括经典的Logistic回归模型，也包括人工智能新模型，如人工神经网络、随机森林、支持向量机、聚类分析、卷积神经网络、循环神经网络、深度神经网络等模型，不同的建模方法各有其优缺点，因此Lambin等[9]提出了对影像组学质量进行评分的标准，提高了模型的实用性。

    3.2.5 数据库的建立 利用计算机技术建立高度结构化、便于开发利用的医学资源数据库，对全人类的健康与发展具有极为重要的意义。美国国立卫生研究院(NIH)和国家癌症研究院(NCI)通过与多个国家医疗机构合作，建立了标准化临床影像数据库，例如肺部影像數据库联盟(LIDC/IDRI)，是由经验丰富的放射科医生诊断出有肺结节的影像，并将这些影像建立成肺结节影像数据库。拥有充足、高质量的特征数据的影像组学数据库的建立，为科学家们利用大数据分析方法，结合影像组学对疾病的影像诊断、疗效评价以及预后评估等打下了坚实基础 ......