肖园园 景德龙 韩忠杰 娄晶

    结直肠癌(colorectal cancer，CRC)是最为常见的消化系统恶性肿瘤之一，其发病率及死亡率在国内癌症中逐年增高，分别位于第三位和第二位[1]。目前诊断CRC 最有效的方式依然是肠镜下活体组织检查，存在出血、穿孔等风险，影像学检查能够直观、全面地显示CRC 的部位、形态、大小、周围侵犯及远处转移等情况，是临床诊疗过程中的重要一环，传统术前影像检查方法包括CT、MRI 和PETCT 等，但是这些检查对CRC 异质性描述效果不甚理想。近年来，影像组学作为一项非侵入新兴技术在肿瘤学领域备受关注，多项研究表明，影像组学可以应用于各种肿瘤的TNM 分期、组织学分级、疗效评价和预后评估[2-3]，其在CRC 诊疗过程中也广泛应用，本文就近年来影像组学技术在CRC 诊疗中的研究进行总结及探讨。

    1 影像组学技术基本原理和工作流程

    影像组学是一个新兴的转化研究领域，旨在通过从传统的医学影像(如CT、MRI 和PET-CT 等)中高通量地提取大量医学影像特征，将这些影像特征转化为高维数据，运用专门的计算机软件筛选出定量的、可挖掘的影像特征用以评价肿瘤时间上、空间上的各种异质性，从而为指导临床决策提供数据支持[4]。

    影像组学工作流程主要包括：(1)数据采集。包括医学图像、临床数据及分子数据，获取图像后，应对图像进行预处理，以提高图像质量[5]。(2)图像分割。通常包括手动、半自动、自动三种方式，以获取病灶感兴趣区域(region of interest，ROI)。(3)特征提取及降维，即从分割的ROI 中提取影像组学特征，包括形状特征、直方图特征、纹理特征及基于过滤器的特征(如小波特征、Gabor 特征等)，为防止过拟合，需采用聚类分析法、主成分分析法(principal component analysis，PCA)等机器学习方法降维[6]，去除冗余、不稳定的特征，选取高性能的特征。(4)模型构建、分类及验证，建立预测/分类模型常用方法有逻辑回归分析、K 近邻算法(k-nearest neighbour，KNN)、支持向量机(support vector machine，SVM)、深度学习等[7-8]，构建的预测模型需要进行训练和验证。

    2 影像组学技术在CRC诊疗中的应用

    近年来，影像组学技术在CRC 诊疗中的应用主要集中在以下几方面：(1)评估术前TNM 分期；(2)预测CRC 的Kirsten 大鼠肉瘤病毒癌(Kirsten rat sarcoma viral oncogene ......