分析目的

影像組學（Radiomics）作為一項新興技術(shù)，從PET/CT、SPECT/CT等影像中高通量地挖掘并分析更多客觀定量、肉眼難以識別的特征參數(shù)，打通宏觀影像信息和微觀病理分子信息的關(guān)聯(lián)，從而為臨床疾病的無創(chuàng)診療輔助決策提供量化依據(jù)。通過利用多組學大數(shù)據(jù)，再加上多重機器學習算法，影像組生信分析更容易產(chǎn)出高分文章。

數(shù)據(jù)來源

自己提供影像片子或利用數(shù)據(jù)庫影像片子，TCGA，GEO等公共數(shù)據(jù)庫。

分析方法

基于影像、臨床數(shù)據(jù)、多組學數(shù)據(jù)，利用深度神經(jīng)網(wǎng)絡(luò)強大的特征學習能力，挖掘與疾病顯著相關(guān)的特征，分析篩選出臨床顯著變量并建立臨床模型；用軟件勾畫腫瘤感興趣區(qū)并提取影像組學特征；用最小絕對值收縮和選擇算子降維篩選特征；通過隨機森林構(gòu)建影像組學模型，并轉(zhuǎn)化為隨機森林評分；聯(lián)合臨床顯著變量和隨機森林評分構(gòu)建融合模型并可視化為列線圖；根據(jù)受試者工作特征曲線及曲線下面積（AUC）評估模型的預(yù)測效能，采用決策曲線分析評估臨床實用性。

分析內(nèi)容

患者數(shù)據(jù)提取、圖像獲取、確定感興趣區(qū)、圖像分割、特征的提取與量化、多組學數(shù)據(jù)篩選、患者的風險分層分析、預(yù)后模型構(gòu)建、模型驗證。

分析結(jié)果示例圖