早期区分肺部病变的良恶性对临床管理方案的制订至关重要，MRI影像组学用于肺部良恶性病变鉴别的研究报道较多。WAN等^[11]直接从132名患者（恶性93例、良性39例）的T2WI图像中提取3D和2D特征，使用3种归一化方法、2种降维算法、3种特征选择方法及10种分类器建立了1260个模型，多个模型对于实性孤立性肺结节的鉴别诊断效能表现良好，其中影像组学特征与临床特征联合构建的模型曲线下面积（area under the curve, AUC）最高，达0.836。YAN等^[6]基于单因素分析及最小收缩和选择算子（least absolute shrinkage and selection operator, LASSO）对行T1 mapping扫描的肺结节进行特征提取，最终筛选出5个组学特征，分别选择逻辑回归（logistic regression, LR）、支持向量机（support vector machine, SVM）及决策树等建立模型对肺结节进行良恶性区分，发现LR模型及SVM模型具有良好表现，AUC均达0.82。上述两项研究均仅针对单一序列图像进行分析，未能发挥MRI多序列成像的优势，具有一定的局限性。与T1WI、T2WI图像不同，DWI联合ADC图像可以定量评估水分子在病变组织中的扩散运动，间接反映组织微观结构变化，对肺部病变的定性诊断具有重要价值^[12]。WANG等^[13]使用递归特征消除（recursive feature elimination, RFE）、t检验、LASSO对201例（恶性143例、良性58例）患有肺部疾病患者的T1WI、T2WI及ADC图进行特征筛选，联合线性判别分析、SVM及随机森林（random forest, RF）三种分类器建立单序列和多序列模型，结果显示多序列模型的诊断效能最高（AUC=0.88），且RFE联合SVM为最优模型。该研究不仅样本量较大，且比较了多种单序列模型与多序列模型之间的诊断效能，提高了模型的可靠性。综上所述，MRI影像组学可用于鉴别肺部良恶性病变，且多序列MRI图像中所蕴含的丰富影像组学信息对于模型诊断效能的提高至关重要，未来还可将影像组学与深度学习相结合，进一步提升模型对肺部病变的诊断能力。

肺癌可分为小细胞肺癌（small cell lung cancer, SCLC）和非小细胞肺癌（non-small cell lung cancer, NSCLC），NSCLC又可分为鳞状细胞癌、腺癌和大细胞癌，不同肺癌分型的生物学特性存在差异，相应治疗方法也不同^{[14, 15]}。穿刺活检能够术前明确肺癌的病理分型，但其为有创检查且获取的病变组织有限，而影像学检查无创且能完整评估肿瘤特征，结合组学分析能够更客观地评估病变的异质性。郭炎兵等^[16]搜集了145例肺癌患者的T2WI图像，使用LASSO进行特征筛选并建立区分NSCLC和SCLC的影像组学模型，训练组和验证组的AUC分别达0.874和0.786。TANG等^[17]使用SVM-RFE对T2WI、DWI及ADC图像中提取的特征进行筛选，最终选出13个特征，采用logistics回归建立Radscore模型，并将Radscore与临床特征结合构建诺模图，发现该联合模型在NSCLC病理亚型的鉴别中表现出良好诊断效能（AUC=0.901）。因此，MRI影像组学特征可无创地鉴别肺癌的病理亚型分型，对肺癌患者的治疗方案具有指导意义。

近年来，分子靶向治疗药物在治疗NSCLC中取得了突破性进展，可以显著延长NSCLC患者的无进展生存期^[18]，其中表皮生长因子受体（epidermal growth factor receptor, EGFR）基因突变及间变性淋巴瘤激酶（anaplastic lymphoma kinase, ALK）基因重排是目前较为成熟的治疗靶点^{[19, 20]}，因此治疗前预测基因突变状态具有重要价值。有学者将体素内不相关运动（intravoxel incoherent motion, IVIM）及扩散峰度成像（diffusion kurtosis imaging, DKI）结合直方图用于晚期肺腺癌EGFR基因突变状态的预测，但该研究IVIM及DKI采用的b值缺乏统一标准，且直方图作为一阶特征并不能反映像素间的空间关系，因此其可靠性有待进一步证实^[21]。然而，这为MRI技术用于预测肺癌EGFR基因突变状态奠定了临床实践基础。WANG等^[22]对92例肺腺癌患者的T2WI、DWI及ADC图像进行特征提取，建立5个EGFR基因表型的预测模型，结果显示在单序列模型中ADC的预测效果最好（AUC=0.722），多序列预测模型的预测效能明显提高（AUC=0.838）。唐兴等^[23]回顾性分析74例肺腺癌患者的T2WI、DWI及ADC图像，使用Student-t检验及SVM-RFE建立的EGFR基因表型预测模型AUC达0.826，且当联合性别因素建立预测模型时，预测符合率由75.7%提升至78.9%。以上两项研究均证实了MRI影像组学模型具有预测肺癌患者EGFR基因突变的潜力和价值，且结合临床特征能够提高模型的预测效能，但由于两项研究均为回顾性研究，受样本量的限制，模型未得到充分训练，因此其研究结果的可靠性尚需要大样本、多中心研究进行验证。

肺癌常发生远处转移，其中脑是其最常见的转移部位^[24]。LI等^[25]通过对肺癌脑转移瘤的T1WI增强、T2-液体衰减反转恢复（T2-fluid attenuated inversion recovery, T2-FLAIR）及T2WI图像进行影像组学分析，使用RF建立模型来预测ALK基因重排，结果显示基于脑转移瘤的影像组学特征能够预测肺癌的基因突变状态，其中T2-FLAIR图像模型的预测效能（AUC=0.991）显著高于其他序列。CHEN等^[26]将110例肺癌患者脑转移瘤的T1WI增强及T2-FLAIR图像的组学特征与临床因素结合用于预测ALK基因重排，模型的AUC高达0.985。LI等^[25]及CHEN等^[26]的研究均表明根据肺癌患者脑转移瘤的影像组学特征能够较好地预测肺癌患者ALK基因重排。此外，CAO等^[27]对肺癌患者脊柱转移瘤的T1WI及T2WI图像提取影像组学特征，结合年龄、血清癌胚抗原水平等临床因素建立诺模图，发现其能够有效预测EGFR基因突变亚型（AUC=0.90）。因此，当肺癌原发病灶不能用于明确基因突变状态时，可从其转移瘤的MRI图像中提取影像组学特征对原发肿瘤的基因突变状态进行预测。

淋巴结转移是肺癌最常见的转移途径，其与患者预后息息相关，术前明确是否存在淋巴结转移直接影响着肺癌的治疗及预后^[28]。目前，肺癌术前判断淋巴结有无转移主要依赖胸部CT或PET/CT检查，其中CT主要基于淋巴结的大小、形态、强化特点等进行判断，PET/CT可进一步结合淋巴结代谢状态评估淋巴结转移状态，但其对转移性淋巴结检出的假阳性率较高^{[29, 30, 31]}。近年来，有学者将MRI影像组学应用于肿瘤淋巴结转移的预测，这些研究多集中于乳腺癌、直肠癌、宫颈癌等领域^{[32, 33, 34]}，而用于肺癌淋巴结转移预测的研究较少。王莹等^[35]将磁共振三维超短回波时间成像（three-dimensional ultrashort echo time, 3D-UTE）的影像组学模型用于NSCLC患者淋巴结转移的预测，对48例NSCLC患者肺部原发病灶的3D-UTE图像进行特征提取，并基于SVM建立预测模型（AUC=0.89），结果表明MRI影像组学模型可以预测NSCLC患者是否发生淋巴结转移。然而，该研究样本量较小且仅基于3D-UTE图像建立预测模型，有待进一步基于多模态MRI图像建立组学模型，扩大样本量、完善外部验证，以提高模型的预测效能及其可靠性。

当前对于肺癌患者的治疗方法主要包括手术、化学治疗、放射治疗、靶向治疗以及免疫治疗，非手术患者规律随访，对疗效评估至关重要^{[36, 37]}。目前临床评估肺癌疗效主要采用基于CT的实体肿瘤疗效评价标准，但随着各种新兴治疗药物的应用，部分患者治疗早期可能出现病灶“假进展”表现^[38]。既往研究表明，DWI参数与肿瘤的生长、坏死存在一定联系，通过分析肺癌患者非手术治疗前后的参数变化，能够准确地反映病变治疗后早期改变，从而对肺癌患者非手术治疗的疗效进行评估^{[39, 40, 41, 42]}。目前尚未见有将MRI影像组学用于肺癌非手术治疗疗效评估的研究报道。有学者从乳腺癌患者治疗前、后的影像图像中提取组学特征，发现纹理特征可用于乳腺癌患者新辅助化疗疗效评估^[43]，表明MRI影像组学可用于癌症患者非手术治疗的疗效评估，为今后探索肺癌患者疗效评估提供了新的方向。

另外，影像组学能够提供更全面的特征从而反映肿瘤整体的异质性，在肺癌治疗前对疗效进行预测。蒋洁智等^[44]搜集了30例接受化疗的肺癌患者资料，根据实体肿瘤评价标准将患者分为治疗有效组及无效组，从患者化疗前ADC图像（b=600、800和1000 s/mm²）中提取特征，使用LASSO建立肿瘤疗效预测模型，发现影像组学模型预测肺癌化疗疗效的预测效能要高于单独的ADC值。因此，MRI影像组学对肺癌非手术治疗疗效的预测效能优于传统MRI，能够有效避免无效治疗给患者带来的负担。