基于深度学习的肺结节放射组学特征提取与恶性风险分层研究综述.docVIP

基于深度学习的肺结节放射组学特征提取与恶性风险分层研究综述

一、放射组学与肺结节诊断的临床需求背景

肺癌是全球范围内发病率与死亡率最高的恶性肿瘤之一，2025年全球新发肺癌病例约220万例，死亡病例达180万例，其中85%的患者确诊时已处于中晚期，5年生存率不足20%。肺结节作为肺癌早期最常见的影像学表现，其良恶性鉴别是实现肺癌早诊早治、降低死亡率的核心环节。目前临床对肺结节的评估主要依赖胸部CT影像的人工判读，受医师经验、主观认知差异影响，对直径8mm的微小结节诊断准确率仅为60%-70%，且存在高假阳性率导致的过度诊疗风险。

放射组学概念自2012年提出以来，通过高通量提取医学影像中的定量特征，将视觉影像信息转化为可挖掘的高维特征空间，为肺结节的无创评估提供了全新路径。传统放射组学流程包括图像预处理、感兴趣区域（ROI）分割、手工特征提取、特征筛选与模型构建五大步骤，其中特征提取阶段主要依赖人工定义的形态学、灰度统计、纹理特征三类指标。形态学特征涵盖结节直径、体积、分叶征、毛刺征等临床常用形态参数；灰度统计特征包括灰度均值、方差、偏度、峰度等反映像素值分布的指标；纹理特征则通过灰度共生矩阵、灰度游程矩阵、灰度级带矩阵等方法捕捉结节内部的异质性信息。尽管传统放射组学在肺结节良恶性鉴别中已展现出一定价值，但手工特征的设计高度依赖领域先验知识，难以全面挖掘影像中隐含的微观生物学信息，