2012年荷兰学者首先提出了影像组学的概念。影像组学假设医学图像中的定量影像特征可用于描述疾病的生物学特性，因此对影像特征进行量化分析可用于疾病的预后预测^{［1, 2］}。至今，影像组学已在肿瘤^［3］、心血管^［4］等相关疾病诊疗方面得到了广泛的研究。基于Web of Science核心合集数据库、主题关键词为“Radiomics”和“Radiomic”、论文类型为“Article”、发表时间未限定、截止到2021年8月21日，最终检索到3 503篇影像组学相关论文，由此可见学术界对影像组学临床应用研究的感兴趣程度。

影像组学研究的一般流程分为数据收集、感兴趣区标注、特征提取、特征筛选、模型构建和验证等。从本质上来讲，影像组学研究属于数据驱动型科学，因此，数据的质量、多样性和样本数量是决定最终模型性能的关键因素。此外，从海量的特征中提取出冗余信息、筛选出具有预测能力且鲁棒性高的特征信息、建立预后预测模型，涉及到统计学、计算机科学，以及人工智能相关的知识。因此，需要多学科通力合作，这对影像组学研究者提出了很高的要求^［1］。综上，为顺利开展基于影像组学研究，需要组建一个医工交叉的研究团队，成员包括临床医师、影像诊断医师、图像处理和数据分析人员。然而，目前国内很少有这样的科研队伍，各个研究团队可根据自身的情况组建研发团队或采取多团队合作的方式开展影像组学研究。

在过去的10年间，国内外众多学者纷纷利用影像组学方法对各种肿瘤开展相关研究，临床应用包括肿瘤的定性、临床分级分期、基因分析、疗效评估和预后预测等^［5］。在国内影像组学研究开展方面，有学者以综述的形式向读者介绍了影像组学的相关概念、研究方法和临床应用等^［6］。同时，包括广东省人民医院梁长虹教授、刘再毅教授团队，以及中国科学院自动化研究所田捷教授团队等在内的国内多家科研团队在影像组学方面开展了深入研究。影像组学研究在我国得到了蓬勃发展，也取得了一系列的科研成绩，其中有高水平、高质量的研究结果在临床肿瘤学领域顶级期刊和影像学领域顶级期刊发表^{［3，7, 8, 9］}。在国际影像组学研究开展方面，各国科研团队积极参与其中，研究方向不仅局限于肿瘤，也包含心血管方面的研究，丰富了影像组学研究涉及的领域。此外，一些影像组学领先团队在顶级期刊发表的综述文章介绍了影像组学相关概念和研究方向，极大促进了影像组学研究的推广^{［10, 11, 12, 13］}。

受益于人工智能（AI）与计算设备的巨大进步，影像组学的研究重点已经渐渐从预先定义的手工特征转移到更为抽象的深度学习特征^［13］。其中，以卷积神经网络为代表的深度学习技术在处理医学影像数据方面取得了巨大发展，同时也应运而生各类临床应用，例如基于AI构建的皮肤病和乳腺癌筛查诊断系统已经达到了与专业医生相当的诊断水平^{［14, 15］}，充分证明了AI在医学图像处理方面的潜力和临床应用价值。相信在不久的将来，AI技术有望成为影像医师在临床诊疗工作中的有力工具。为此，影像医师需要对基于AI技术的影像组学数据挖掘有充分的了解，积极参与影像组学研究，掌握相关知识与技能，才能在未来的发展中立足。据影像组学概念的提出不过10年，国内和国外研究几乎处于同一发展阶段，因此，我国学者应当把握机遇，积极推进影像组学理论、技术和临床应用的研究，赶超世界先进水平，推动我国的精准医学发展。

尽管影像组学研究在国内蓬勃发展，但大多数研究依然缺乏深度，未能从根本上探讨影像学特征与肿瘤的发生、表型以及进展之间的关系，仅仅依靠机器学习或统计学方法对数据进行分析或者是变换不同的影像模态和临床终点，缺乏对临床问题与组学方法的创新^［10］。此外，影像组学本质上属于数据驱动型研究，因此数据标注、数据标准化、样本数据和多样性、模型泛化性^［16］、生物学可解释性^［2］、临床易用性等都是影响影像组学模型临床应用的重要因素，同时也是目前此领域研究的重要方向。例如多数影像组学研究缺乏对影像组学特征生物学可解释性的探讨，以及缺乏通过对数据预处理和算法的设计提升影像学模型的泛化性^［11］。最后，在全球范围内对数据隐私保护的重视使数据隐私安全问题愈发突出，加剧了数据孤岛现象的产生^［10］。如何合法合规地联合国内外多中心开展影像组学研究变成了当下的研究热点。综上，距离实现影像组学研究的临床应用依然面临着诸多挑战，但相信在国内国外学者的共同努力下，影像组学研究的未来依旧充满曙光。

为了将国内优秀学者的影像组学研究成果介绍给读者，本期组织了4篇影像组学临床应用研究论文。张源等^［17］基于动态增强MRI影像组学鉴别非肝硬化背景下乏脂肪型肝血管平滑肌脂肪瘤（fp-AML）和甲胎蛋白阴性肝细胞癌（n-HCC），研究结果显示影像组学模型优于两名诊断医生；进而证明了基于动态增强MRI影像组学模型对于术前鉴别非肝硬化背景下肝fp-AML和n-HCC具有临床应用的可能性。吴晓璐等^［18］基于CT影像组学特征预测肺亚实性结节非侵袭性/侵袭性的病理亚型，研究结果显示通过结合影像组学标签、胸膜凹陷征、定量参数（直径、平均密度）构建的模型优于仅使用形态学特征构建的模型。综合构建的CT模型对预测以亚实性结节为表现的侵袭性肺腺癌具有较好的预测效能。毛咪咪等^［19］基于多序列MRI构建影像组学模型预测上皮性卵巢癌（EOC）患者对铂类药物化疗敏感性，最终从T₂加权像、扩散加权成像（DWI）和T₁加权像增强图像（T₁CE）筛选出12个具有最大诊断效能的特征，结合临床信息与影像组学标签构建影像组学列线图，以此证明基于多序列MRI构建的影像组学临床模型预测EOC患者对铂类药物化疗药物的敏感性具有一定价值，有可能指导临床个体化治疗。除此之外，对于影像组学特征稳定性及可重复性的研究同样重要。万齐等^［20］收集了30例接受呼吸状态下接受肺部平面回波成像（EPI）-DWI及快速自旋回波（TSE）-DWI 检查的患者，并重建相应的表观扩散系数（ADC）；使用一致性相关系数（CCC）和动态范围（DR）评价特征稳定性；ICC评价特征再现性。结果显示，无论EPI或TSE技术，基于DWI图提取的稳定特征数量均高于相应的ADC图。396个特征中有 54个（13.6%）在所有序列中均表现出很好的稳定性（CCC和DR≥0.85），且观察者内和观察者间具有很好的再现性（ICC≥0.75）。其次，自由呼吸状态不影响肺DWI影像组学分析的可行性；部分特征在不同扫描间、不同观察者间、甚至不同序列间都有很好的稳定性和再现性，这些稳定特征可为将来DWI影像组学研究提供参考。

最后，希望通过本期影像组学研究专题，广大影像诊断工作者可以对影像组学的基本概念、研究方法和临床应用有初步的认识。在今后的临床工作和科学研究中，结合本单位的自身情况，积极开展影像组学研究，推进影像组学的发展和临床转化。