陳穎志博士 香港理工大學 醫療科技及資訊學系
2020-03-17
放射組學是透過人工智能技術對醫學圖像進行高通量數據分析，從而提高癌症診斷的精確性。放射組學分析更深層次了解腫瘤的生物學特徵，協助醫生準確判斷腫瘤的種類與分期，對計劃全面的癌症治療和預測結果有重大的幫助。
放射組學（Radiomics）是新興的概念，通過定量圖像分析提取生物醫學圖像中的人類視覺看不見的隱藏信息，揭示身體組織的生物學特徵（Lambin et al., 2017）。通過自動化軟件對醫學圖像數據進行高通量定量分析，從醫學圖像中的關注區域自動高通量提取大量放射組特徵，其數據量和復雜程度與基因測序相當，因此放射組學亦被稱為醫學圖像的高通量測序（Ashrafi, et al., 2018）。與人類視覺相比，放射組特徵提供更豐富，全面和客觀的生物學定量信息。
放射組學特徵可以歸類為統計，形態，質地和濾波器特徵，總數超過800個。圖1顯示了從腹部計算機斷層掃描（Computed Tomography, CT）圖像中提取的兩個像素塊（腫瘤和正常肝組織）及其放射組學統計類特徵例子（表1）。儘管經驗豐富的放射科醫生可以輕鬆地將腫瘤與正常肝組織區分，但可能無法系統地描述和量化某些區別特徵。
圖1 右圖顯示病人腹部的計算機斷層掃描（Computed Tomography, CT）；左上圖顯示腫瘤區域的像素塊；左下圖顯示正常肝組織區域的像素塊
|
腫瘤區域 |
正常肝組織區域 |
|
|
平均值 (mean) |
104.28 |
74.258 |
|
標準偏差 (standard deviation) |
22.883 |
17.81 |
|
眾數 (mode) |
107 |
70 |
|
最小值 (minimum) |
36 |
1 |
|
最大值 (maximum) |
163 |
131 |
|
中位數 (median) |
105 |
74 |
|
分佈偏度 (skewness) |
-0.244 |
0.073 |
|
分佈峰度 (kurtosis) |
-0.144 |
0.175 |
表1 放射組學統計類特徵
我們對40個病例及其51個放射組學特徵進行了聚類分析。圖2清楚地顯示，腫瘤病例（21至40）和正常對照（1至20）形成兩個明顯不同的簇類，表明具有相同肝臟病理的像素圖案具有相似的放射組學特徵。特徵，例如能量（Energy），均勻性（Uniformity），球形歧化（Spherical Disproportion）和熵值（Entropy），對於區分肝臟病理學非常有用。從這個例子中，我們觀察到腫瘤與正常肝組織在放射組學特徵上的顯著差異。研究證明，放射組學可以提高診斷準確性以及癌症的分期和分級，有助於計劃治療和預測結果（Zhang et al., 2017）。
圖2 40個病例（上）及其51個放射組學特徵（右）的聚類分析
特別鳴謝 Dr. Keith Chiu (香港大學醫學院放射診斷學臨床助理教授趙允恒醫生) 對此研究所作出的貢獻。
相關文章:
1. Lambin, et al. Nat Rev Clin Oncol. 2017; 14(12):749–762.
2. Ashrafi, et al. Curr Opin Urol. 2018 Nov; 28(6):536-543.
3. Zhang, et al. J Magn Reson Imaging. 2017; 46:1281–1288.
陳穎志博士
香港理工大學醫療科技及資訊學系副教授
浙江大學核醫學與分子影像研究所客席教授
港澳抗癌協會常務理事
「健康及醫療人工智能」系列:
- 「健康及醫療人工智能」系列(1):人工智能於臨床和研究應用中的卓越特性
- 「健康及醫療人工智能」系列(2):人工智能基礎知識及醫學分析模型
- 「健康及醫療人工智能」系列(3):電子病歷搜索引擎
- 「健康及醫療人工智能」系列(4):醫學文件搜索算法
- 「健康及醫療人工智能」系列(5):搜索引擎輔助製定放射治療計劃
- 「健康及醫療人工智能」系列(6): 搜索類似放射治療計劃的算法
- 「健康及醫療人工智能」系列(7): 基於功能性磁力共振數據的神經元連接模型
- 「健康及醫療人工智能」系列(8): 使用遺傳算法和GPU改善神經元連接模型
- 「健康及醫療人工智能」系列(9): 放射組學：醫學圖像的高通量測序
- 「健康及醫療人工智能」系列(10): 輔助醫學圖像分析的計算機視覺
