磨玻璃結節的良惡性判定對肺癌的早期發現、早期診斷、早期治療具有重要意義。影像組學可以通過無創技術，利用結節的特征性表現實現對磨玻璃結節良惡性的早期診斷。本文就 CT 影像組學在輔助磨玻璃結節的診斷方面的最新研究進展進行綜述。
引用本文： 李洪, 韓路, 李響, 虞梁, 袁梅, 顧萬君, 陳亮, 王俊. 影像組學輔助磨玻璃結節診斷的研究進展. 中國胸心血管外科臨床雜志, 2019, 26(8): 805-809. doi: 10.7507/1007-4848.201812001 復制
隨著 CT 技術的快速發展與廣泛應用，肺結節的檢出率和惡性肺結節的比例均不斷升高[1]，肺結節的良惡性判定對肺癌的早期診治意義重大，然而目前對肺結節的定性診斷仍有很多困難。影像組學理念的提出為腫瘤無創診斷開辟了新的視角，Lambin 等[2]于 2012 年提出影像圖像中蘊含腫瘤的大量特征性信息，提取這些特征性信息能夠為無創作出精確診斷提供指導。自此，影像醫師、臨床醫生和科研工作者對影像組學的關注及研究日益深入。影像組學作為一門新興學科，通過分析影像數據和臨床數據的相關性，應用自動和半自動算法對放射影像的感興趣區域（region of interest，ROI）提取大量影像特征，尋找這些特征與臨床診療數據之間的深層關系，提高疾病的診療精準程度，在臨床輔助肺部磨玻璃結節的精確診斷方面也有著非常廣闊的前景。本文就 CT 影像組學在輔助磨玻璃結節的診斷方面的最新研究成果進行綜述。
1 磨玻璃結節定義及其病理基礎
在醫學影像學中，肺內單個邊緣相對光整，直徑不超過 3 cm 的球形或類球形病灶稱為結節，磨玻璃結節（ground-glass nodule，GGN）則指在薄層 CT 影像上，直徑≤3 cm，邊界清楚或者模糊而密度增高的結節影，但結節內的支氣管、血管影尚可辨認，在縱隔窗上此類結節通常并不顯示，或者僅顯示其內所包含的實性成分[3-4]。根據磨玻璃密度以及結節中是否含有實性成分，可以將 GGN 分為純磨玻璃結節（pure ground-glass nodule，pGGN）和混合型磨玻璃結節（mixed ground-glass nodule，mGGN）。
國際癌癥研究機構于 2015 年出版了新的 WHO 肺腺癌分類新標準，將原位腺癌（adenocarcinoma in situ，AIS）和肺泡上皮不典型腺瘤樣增生（atypical adenomatous hyperplasia，AAH）列為非侵襲性病變，微浸潤腺癌（minimally invasive adenocarcinoma，MIA）、浸潤腺癌（invasive adenocarcinoma，IAC）則被列為侵襲性病變[5]，此分類指導的臨床治療方式和預后截然不同，然而 GGN 的病理活檢獲取極為困難，因此新的診斷分類對影像學診斷提出了新的要求。實際上，GGN 在影像學檢查中十分常見，并非僅僅為某一種疾病的特異性表現，其對應的病理基礎包括肺泡上皮細胞增生性改變，肺泡間隔組織炎性增厚，終末氣道內炎性分泌物填充堵塞導致肺泡內含氣量減少[6]。GGN 可以由多種疾病引起，包括良性病變如炎癥感染性改變、局限性間質性纖維化、肺出血、肺水腫等，也可以是肺不典型性腺樣增生、原位癌、微浸潤腺癌甚至浸潤性腺癌的影像學表現[7]。惡性 GGN 也可以表現出分葉征、毛刺征、支氣管截斷征、血管集束征等[8]。已有研究表明，GGN 的影像學表現與新的肺腺癌分型明顯相關，例如，磨玻璃結節的大小、實性成分比例可以判斷 GGN 的侵襲性[9]；因此，根據影像學特征鑒別 GGN 的良惡性具有十分重要的臨床意義。通過早期分析肺部 GGN 的部位、大小、密度、邊緣、轉移情況等生物學行為，可以更好地指導 GGN 的處理，從而達到早期診斷、早期治療肺部 GGN 的目的。
2 影像組學的發展
影像組學又稱放射組學，由荷蘭學者 Lambin 在 2012 年首次提出[2]，其基礎為定量成像技術，其目的是通過深度挖掘臨床影像信息，從海量醫學圖像中獲取特征性的定量數據，通過量化分析提高診斷準確率并進行預測。2014 年，影像組學概念開始應用于臨床，Aerts 等[10]提出了著名的腫瘤無創異質性檢測理念，旨在解決腫瘤時間與空間異質性對細胞學活檢診斷的限制。傳統有創病理檢查方法雖然有可能確定病灶的病理性質，但無法對腫瘤的發生、發展以及治療反應進行動態連續的觀察。而影像組學概念認為組織微環境代謝、包括基因和蛋白水平的變化都可以在宏觀影像組特征上有所表達，而且目前大多研究認為分子水平的變化甚至可以早于宏觀變化幾個月[11]，這種矛盾的原因就在于放射影像特征的挖掘不夠深入，臨床醫生在分析醫學影像圖像時，往往僅關注病灶的大小、密度以及一些特征性形態變化等傳統指標，缺乏挖掘數字化圖像中所蘊含的大量數字信息的能力和工具。
近年來，影像組學相關特征提取、分析方法持續進展，其臨床轉化也日益加速。2016 年，Gillies 等[12]在 Radiology 雜志發表了影像組學的權威性綜合述評，強調“the conversion of digital images to mineable data”是影像組學的核心，并指出在以后臨床工作中，影像圖像將會常規被轉化為客觀數據形式加以應用。目前，影像組學研究在判斷腫瘤的組織學類型[13]、分級[14]、分期[15]、預后評估[16]、治療反應[17]和預測基因變化[18-19]等方面都獲得了一些很好的結果。與既往傳統的有創活檢相比，影像組學有以下明顯優勢：（1）實時、無創、連續地分析病灶特征；（2）觀察病灶內腫瘤細胞的異質性，分析潛在相關基因改變；（3）檢查具有極高的可重復性；（4）具有很好的衛生和社會經濟學價值。這些優勢也奠定了影像組學在制定個體化治療策略時的重要地位。
影像組學從流程上具體包括影像采集、影像重建、影像分割、影像特征提取、選擇和分類，建立預測模型，影像數據的信息學分析等。其中圖像信息采集、重建是影像組學分析的根本和基礎，圖像采集、重建質量決定了特征提取、分析的可靠性。此外，影像組學特征的穩定性也和設備、掃描參數以及算法選擇等因素相關[20]。影像組學研究中常用的特征選擇方法包括穩定度和隨機森林，預測方法則有 Cox 比例風險回歸模型和邏輯回歸等[21-22]。圖像分割作為既往應用傳統機器學習方法進行影像組學研究的關鍵環節，對隨后的特征提取和模型構建至關重要。理想的分割方法應該實現自動化，盡量減少人機交互操作，具有高效準確且高度可重復的特點。
在過去的 20 年的臨床實踐中產生了許多圖像分割算法，例如區域生長法[23]、圖形切割法[24]、分水嶺算法[25]、水平集法[26]，活動輪廓法[27]等。根據算法特點的出發角度，又可以將圖像分割方法歸為兩大類，即基于邊緣的圖像分割算法和基于區域的圖像分割算法[28]。基于邊緣的分割算法往往存在噪聲抑制和邊緣平滑的沖突，在實際應用時無法滿足影像組學的要求。區域分割雖然存在分割空間連續的優勢，但對噪聲敏感，往往會造成對圖像的過分割。特征提取和選擇是影像組學的核心步驟，旨在利用高維的特征數據去定量描述結節特性，包括語義特征和不可知特征，提取選擇的特征越準確越全面，其構建的預測模型越精確。特征選擇的常用方法有穩定度、隨機森林等，預測方法則包括 Cox 比例風險回歸和邏輯回歸模型。Aerts 等[10]根據圖像特征穩定度，篩選出一組具有預測價值的特征定量判定腫瘤表型，進而采用多變量 Cox 比例風險回歸方法構建生存率預測模型。影像組學在預測非小細胞肺癌生物標志物的的研究也正顯露頭角。Yamamoto 等[29]利用隨機森林算法分析非小細胞肺癌患者影像組特征，建立邏輯回歸模型分析漸變性淋巴瘤激酶的突變，獲得較高的準確率。近年來，影像組學和分子生物學的交叉研究越來越多，影像基因組學的概念應運而生，通過探索分析影像組學特征與分子標記物之間關聯，可將基因表達[30]、腫瘤信號通路[31]等分子層次信息融入影像組學，挖掘無創性的生物學可解釋性強的預測及預后相關影像學標記物，為腫瘤療效、預后評估、治療新靶點和腫瘤生物機制理解提供新的途徑。
由于傳統機器學習過程中算法研究需要花費相當多的精力，這導致了雖然醫療影像數據日益增多，傳統機器學習方法對影像大數據并卻沒有表現出足夠優秀的處理性能。近年來，隨著人工智能機器學習技術的快速發展，影像組學也獲得的質的突破。相比于傳統機器學習方法，基于深度學習人工神經網絡的影像組學研究方法首先對影像數據進行預處理，標示病灶位置和類型后再采用卷積神經網絡自動提取和量化影像特征，最后采用回歸算法對病灶進行自動檢測并對影像進行判定[32]。Coudray 等[33]利用癌癥基因組圖譜獲得的全幻燈片圖像訓練了一個深度卷積神經網絡，并將該網絡構建的模型分別在冰凍組織，石蠟包埋組織和活檢組織的獨立數據集驗證后，在對腫瘤亞型和基因突變的診斷上獲得類似于病理科醫生的結果。目前深度學習在影像學中的應用還處于初步階段，在臨床應用轉化中仍然存在一些亟待解決的問題，后續研究需要進一步提高準確率以達到臨床應用標準。
3 影像組學在磨玻璃結節診斷中的應用現況及前景
磨玻璃結節的良惡性、侵襲性是臨床診斷的重點和難點。既往臨床醫生對磨玻璃結節的分析往往僅關注一些表觀現象，如結節直徑、內部密度以及是否具有與腫塊類似的特異性形態學征象，影像內部蘊含的數字化信息無法轉化為直觀的臨床信息，臨床醫師自身則缺乏深度挖掘這些數據的能力和相應工具。影像組學技術通過高速并行地提取影像數據信息，并結合患者的其他臨床特征，從整體特征、邊緣特征、內部特征與周圍組織的關系特征以及倍增時間這幾個方面更加全面、詳細地分析磨玻璃結節[34]并開發決策性的支持工具。
與傳統二維圖像分析比較，影像組學對結節的形態分析更重視結節的整體特征，將既往的直徑、毛刺、空洞等簡單表觀信息細化至三維結構相關數字特征信息，如通過分析結節球形是否對稱推測病灶內部增長是否均一，而體積變化、密度變化、結節表面積/體積比值等都能反映結節生長的信息。例如，腫瘤表面積/體積值越小說明結節形態越趨于光滑對稱，其出現毛刺或分葉的可能性越小，相反，則說明結節出現毛刺或者形態不規則的可能性越大[35-36]、結節的倍增時間往往體現了腫瘤細胞的活躍性和侵襲性[37]。
目前臨床上在測量肺結節體積時，常常主觀地將結節看作球形結構來分析，在 CT 圖像上分別數次測量結節的長徑和短徑，取均值作為球的直徑，進而計算結節體積[39]，其結果往往不夠精確。而影像組學在分析結節體積時，往往先界定感興趣區域內體素的個數以及體素體積，進而累計后計算結節的體積，這種計算方法的結果更符合結節的實際體積[40]。相較于浸潤前病變 AAH、AIS，浸潤性病變 MIA、IAC 的體積明顯增大，因此在缺乏其他典型特征時，影像組學可以獲取更為準確的磨玻璃結節病灶的體積數據，進而為磨玻璃結節的診療提供重要依據。在磨玻璃結節實性成分的計算方面，影像學也有其優勢。
越來越多的研究顯示，純磨玻璃結節也存在浸潤性，而實性成分的多少則和浸潤性明顯相關。傳統二維圖像在區分純磨玻璃結節的浸潤性存在困難。影像組學則可以利用直方圖參數來分析 ROI 內像素灰度、不同灰度像素的出現頻率，通常，病灶的熵值越大、衰減值越高，存在浸潤性成分的可能性也越大[40]。諸多研究也顯示，直方圖方法不僅可以分析病灶內是否存在浸潤性成分，還可以預測結節的進展性變化[41-43]。在影像學組分析中，紋理特征可以通過灰度區域大小矩陣、灰度游程長度矩陣和灰度共生矩陣等方法提取獲得，這些紋理特征與腫瘤內部異質性及侵襲性成分密切相關，在判定腫瘤的分期、治療反應和預后方面有著非常重要的作用[44-46]。
人工智能技術在影像組學對肺部小結節的診斷也呈現快速發展的趨勢。 Suzuki 等[47]使用大量的數據訓練人工神經網絡用于胸部結節良惡性的識別，其中惡性結節的識別準確率為 100.0%（76/76），良性結節的識別準確率為 48.4%（200/413）。Deutsch 團隊利用影像組學數據訓練人工智能，進而分析肺癌患者免疫細胞水平，并預測了患者對免疫治療的相應程度，結果顯示預測對免疫治療有效患者的中位生存期（24.3 個月）比預測無效患者的中位生存期（11.5 個月）提高了 1 倍以上（延長了 1 年多）[17]。Zhao[48]利用深度學習的方法對亞厘米肺腺癌 CT 像素級標注數據和其病理結果進行訓練，通過多任務卷積神經網絡對亞厘米肺腺癌浸潤風險程度進行自動術前評估，這種方法只需要獲取常規 CT 的數據，而不要肺結節分割或者其他預先定義信息，該模型區分浸潤/非浸潤、IAC/非 IAC（0 期/Ⅰ期）、AAH-AIS/MIA/IAC 準確率分別達到了 78.8%、88.0%、63.3%。充分顯示出深度學習在處理肺磨玻璃結節時的優勢和前景。
雖然影像組學在 GGN 診斷方面的研究越來越深入，目前依然缺乏成熟、可應用于臨床的預測模型，多數影像組學研究仍處于回顧性研究階段[49]。期待在不遠的將來，有更多的前瞻性研究能夠整合人工智能、蛋白組學和基因組學等多學科手段，通過多中心、大數據的共享更加全面地提供肺部磨玻璃結節的特征及臨床診療預測信息，進而更加準確地指導磨玻璃結節的診斷及治療。
利益沖突：無。
隨著 CT 技術的快速發展與廣泛應用，肺結節的檢出率和惡性肺結節的比例均不斷升高[1]，肺結節的良惡性判定對肺癌的早期診治意義重大，然而目前對肺結節的定性診斷仍有很多困難。影像組學理念的提出為腫瘤無創診斷開辟了新的視角，Lambin 等[2]于 2012 年提出影像圖像中蘊含腫瘤的大量特征性信息，提取這些特征性信息能夠為無創作出精確診斷提供指導。自此，影像醫師、臨床醫生和科研工作者對影像組學的關注及研究日益深入。影像組學作為一門新興學科，通過分析影像數據和臨床數據的相關性，應用自動和半自動算法對放射影像的感興趣區域（region of interest，ROI）提取大量影像特征，尋找這些特征與臨床診療數據之間的深層關系，提高疾病的診療精準程度，在臨床輔助肺部磨玻璃結節的精確診斷方面也有著非常廣闊的前景。本文就 CT 影像組學在輔助磨玻璃結節的診斷方面的最新研究成果進行綜述。
1 磨玻璃結節定義及其病理基礎
在醫學影像學中，肺內單個邊緣相對光整，直徑不超過 3 cm 的球形或類球形病灶稱為結節，磨玻璃結節（ground-glass nodule，GGN）則指在薄層 CT 影像上，直徑≤3 cm，邊界清楚或者模糊而密度增高的結節影，但結節內的支氣管、血管影尚可辨認，在縱隔窗上此類結節通常并不顯示，或者僅顯示其內所包含的實性成分[3-4]。根據磨玻璃密度以及結節中是否含有實性成分，可以將 GGN 分為純磨玻璃結節（pure ground-glass nodule，pGGN）和混合型磨玻璃結節（mixed ground-glass nodule，mGGN）。
國際癌癥研究機構于 2015 年出版了新的 WHO 肺腺癌分類新標準，將原位腺癌（adenocarcinoma in situ，AIS）和肺泡上皮不典型腺瘤樣增生（atypical adenomatous hyperplasia，AAH）列為非侵襲性病變，微浸潤腺癌（minimally invasive adenocarcinoma，MIA）、浸潤腺癌（invasive adenocarcinoma，IAC）則被列為侵襲性病變[5]，此分類指導的臨床治療方式和預后截然不同，然而 GGN 的病理活檢獲取極為困難，因此新的診斷分類對影像學診斷提出了新的要求。實際上，GGN 在影像學檢查中十分常見，并非僅僅為某一種疾病的特異性表現，其對應的病理基礎包括肺泡上皮細胞增生性改變，肺泡間隔組織炎性增厚，終末氣道內炎性分泌物填充堵塞導致肺泡內含氣量減少[6]。GGN 可以由多種疾病引起，包括良性病變如炎癥感染性改變、局限性間質性纖維化、肺出血、肺水腫等，也可以是肺不典型性腺樣增生、原位癌、微浸潤腺癌甚至浸潤性腺癌的影像學表現[7]。惡性 GGN 也可以表現出分葉征、毛刺征、支氣管截斷征、血管集束征等[8]。已有研究表明，GGN 的影像學表現與新的肺腺癌分型明顯相關，例如，磨玻璃結節的大小、實性成分比例可以判斷 GGN 的侵襲性[9]；因此，根據影像學特征鑒別 GGN 的良惡性具有十分重要的臨床意義。通過早期分析肺部 GGN 的部位、大小、密度、邊緣、轉移情況等生物學行為，可以更好地指導 GGN 的處理，從而達到早期診斷、早期治療肺部 GGN 的目的。
2 影像組學的發展
影像組學又稱放射組學，由荷蘭學者 Lambin 在 2012 年首次提出[2]，其基礎為定量成像技術，其目的是通過深度挖掘臨床影像信息，從海量醫學圖像中獲取特征性的定量數據，通過量化分析提高診斷準確率并進行預測。2014 年，影像組學概念開始應用于臨床，Aerts 等[10]提出了著名的腫瘤無創異質性檢測理念，旨在解決腫瘤時間與空間異質性對細胞學活檢診斷的限制。傳統有創病理檢查方法雖然有可能確定病灶的病理性質，但無法對腫瘤的發生、發展以及治療反應進行動態連續的觀察。而影像組學概念認為組織微環境代謝、包括基因和蛋白水平的變化都可以在宏觀影像組特征上有所表達，而且目前大多研究認為分子水平的變化甚至可以早于宏觀變化幾個月[11]，這種矛盾的原因就在于放射影像特征的挖掘不夠深入，臨床醫生在分析醫學影像圖像時，往往僅關注病灶的大小、密度以及一些特征性形態變化等傳統指標，缺乏挖掘數字化圖像中所蘊含的大量數字信息的能力和工具。
近年來，影像組學相關特征提取、分析方法持續進展，其臨床轉化也日益加速。2016 年，Gillies 等[12]在 Radiology 雜志發表了影像組學的權威性綜合述評，強調“the conversion of digital images to mineable data”是影像組學的核心，并指出在以后臨床工作中，影像圖像將會常規被轉化為客觀數據形式加以應用。目前，影像組學研究在判斷腫瘤的組織學類型[13]、分級[14]、分期[15]、預后評估[16]、治療反應[17]和預測基因變化[18-19]等方面都獲得了一些很好的結果。與既往傳統的有創活檢相比，影像組學有以下明顯優勢：（1）實時、無創、連續地分析病灶特征；（2）觀察病灶內腫瘤細胞的異質性，分析潛在相關基因改變；（3）檢查具有極高的可重復性；（4）具有很好的衛生和社會經濟學價值。這些優勢也奠定了影像組學在制定個體化治療策略時的重要地位。
影像組學從流程上具體包括影像采集、影像重建、影像分割、影像特征提取、選擇和分類，建立預測模型，影像數據的信息學分析等。其中圖像信息采集、重建是影像組學分析的根本和基礎，圖像采集、重建質量決定了特征提取、分析的可靠性。此外，影像組學特征的穩定性也和設備、掃描參數以及算法選擇等因素相關[20]。影像組學研究中常用的特征選擇方法包括穩定度和隨機森林，預測方法則有 Cox 比例風險回歸模型和邏輯回歸等[21-22]。圖像分割作為既往應用傳統機器學習方法進行影像組學研究的關鍵環節，對隨后的特征提取和模型構建至關重要。理想的分割方法應該實現自動化，盡量減少人機交互操作，具有高效準確且高度可重復的特點。
在過去的 20 年的臨床實踐中產生了許多圖像分割算法，例如區域生長法[23]、圖形切割法[24]、分水嶺算法[25]、水平集法[26]，活動輪廓法[27]等。根據算法特點的出發角度，又可以將圖像分割方法歸為兩大類，即基于邊緣的圖像分割算法和基于區域的圖像分割算法[28]。基于邊緣的分割算法往往存在噪聲抑制和邊緣平滑的沖突，在實際應用時無法滿足影像組學的要求。區域分割雖然存在分割空間連續的優勢，但對噪聲敏感，往往會造成對圖像的過分割。特征提取和選擇是影像組學的核心步驟，旨在利用高維的特征數據去定量描述結節特性，包括語義特征和不可知特征，提取選擇的特征越準確越全面，其構建的預測模型越精確。特征選擇的常用方法有穩定度、隨機森林等，預測方法則包括 Cox 比例風險回歸和邏輯回歸模型。Aerts 等[10]根據圖像特征穩定度，篩選出一組具有預測價值的特征定量判定腫瘤表型，進而采用多變量 Cox 比例風險回歸方法構建生存率預測模型。影像組學在預測非小細胞肺癌生物標志物的的研究也正顯露頭角。Yamamoto 等[29]利用隨機森林算法分析非小細胞肺癌患者影像組特征，建立邏輯回歸模型分析漸變性淋巴瘤激酶的突變，獲得較高的準確率。近年來，影像組學和分子生物學的交叉研究越來越多，影像基因組學的概念應運而生，通過探索分析影像組學特征與分子標記物之間關聯，可將基因表達[30]、腫瘤信號通路[31]等分子層次信息融入影像組學，挖掘無創性的生物學可解釋性強的預測及預后相關影像學標記物，為腫瘤療效、預后評估、治療新靶點和腫瘤生物機制理解提供新的途徑。
由于傳統機器學習過程中算法研究需要花費相當多的精力，這導致了雖然醫療影像數據日益增多，傳統機器學習方法對影像大數據并卻沒有表現出足夠優秀的處理性能。近年來，隨著人工智能機器學習技術的快速發展，影像組學也獲得的質的突破。相比于傳統機器學習方法，基于深度學習人工神經網絡的影像組學研究方法首先對影像數據進行預處理，標示病灶位置和類型后再采用卷積神經網絡自動提取和量化影像特征，最后采用回歸算法對病灶進行自動檢測并對影像進行判定[32]。Coudray 等[33]利用癌癥基因組圖譜獲得的全幻燈片圖像訓練了一個深度卷積神經網絡，并將該網絡構建的模型分別在冰凍組織，石蠟包埋組織和活檢組織的獨立數據集驗證后，在對腫瘤亞型和基因突變的診斷上獲得類似于病理科醫生的結果。目前深度學習在影像學中的應用還處于初步階段，在臨床應用轉化中仍然存在一些亟待解決的問題，后續研究需要進一步提高準確率以達到臨床應用標準。
3 影像組學在磨玻璃結節診斷中的應用現況及前景
磨玻璃結節的良惡性、侵襲性是臨床診斷的重點和難點。既往臨床醫生對磨玻璃結節的分析往往僅關注一些表觀現象，如結節直徑、內部密度以及是否具有與腫塊類似的特異性形態學征象，影像內部蘊含的數字化信息無法轉化為直觀的臨床信息，臨床醫師自身則缺乏深度挖掘這些數據的能力和相應工具。影像組學技術通過高速并行地提取影像數據信息，并結合患者的其他臨床特征，從整體特征、邊緣特征、內部特征與周圍組織的關系特征以及倍增時間這幾個方面更加全面、詳細地分析磨玻璃結節[34]并開發決策性的支持工具。
與傳統二維圖像分析比較，影像組學對結節的形態分析更重視結節的整體特征，將既往的直徑、毛刺、空洞等簡單表觀信息細化至三維結構相關數字特征信息，如通過分析結節球形是否對稱推測病灶內部增長是否均一，而體積變化、密度變化、結節表面積/體積比值等都能反映結節生長的信息。例如，腫瘤表面積/體積值越小說明結節形態越趨于光滑對稱，其出現毛刺或分葉的可能性越小，相反，則說明結節出現毛刺或者形態不規則的可能性越大[35-36]、結節的倍增時間往往體現了腫瘤細胞的活躍性和侵襲性[37]。
目前臨床上在測量肺結節體積時，常常主觀地將結節看作球形結構來分析，在 CT 圖像上分別數次測量結節的長徑和短徑，取均值作為球的直徑，進而計算結節體積[39]，其結果往往不夠精確。而影像組學在分析結節體積時，往往先界定感興趣區域內體素的個數以及體素體積，進而累計后計算結節的體積，這種計算方法的結果更符合結節的實際體積[40]。相較于浸潤前病變 AAH、AIS，浸潤性病變 MIA、IAC 的體積明顯增大，因此在缺乏其他典型特征時，影像組學可以獲取更為準確的磨玻璃結節病灶的體積數據，進而為磨玻璃結節的診療提供重要依據。在磨玻璃結節實性成分的計算方面，影像學也有其優勢。
越來越多的研究顯示，純磨玻璃結節也存在浸潤性，而實性成分的多少則和浸潤性明顯相關。傳統二維圖像在區分純磨玻璃結節的浸潤性存在困難。影像組學則可以利用直方圖參數來分析 ROI 內像素灰度、不同灰度像素的出現頻率，通常，病灶的熵值越大、衰減值越高，存在浸潤性成分的可能性也越大[40]。諸多研究也顯示，直方圖方法不僅可以分析病灶內是否存在浸潤性成分，還可以預測結節的進展性變化[41-43]。在影像學組分析中，紋理特征可以通過灰度區域大小矩陣、灰度游程長度矩陣和灰度共生矩陣等方法提取獲得，這些紋理特征與腫瘤內部異質性及侵襲性成分密切相關，在判定腫瘤的分期、治療反應和預后方面有著非常重要的作用[44-46]。
人工智能技術在影像組學對肺部小結節的診斷也呈現快速發展的趨勢。 Suzuki 等[47]使用大量的數據訓練人工神經網絡用于胸部結節良惡性的識別，其中惡性結節的識別準確率為 100.0%（76/76），良性結節的識別準確率為 48.4%（200/413）。Deutsch 團隊利用影像組學數據訓練人工智能，進而分析肺癌患者免疫細胞水平，并預測了患者對免疫治療的相應程度，結果顯示預測對免疫治療有效患者的中位生存期（24.3 個月）比預測無效患者的中位生存期（11.5 個月）提高了 1 倍以上（延長了 1 年多）[17]。Zhao[48]利用深度學習的方法對亞厘米肺腺癌 CT 像素級標注數據和其病理結果進行訓練，通過多任務卷積神經網絡對亞厘米肺腺癌浸潤風險程度進行自動術前評估，這種方法只需要獲取常規 CT 的數據，而不要肺結節分割或者其他預先定義信息，該模型區分浸潤/非浸潤、IAC/非 IAC（0 期/Ⅰ期）、AAH-AIS/MIA/IAC 準確率分別達到了 78.8%、88.0%、63.3%。充分顯示出深度學習在處理肺磨玻璃結節時的優勢和前景。
雖然影像組學在 GGN 診斷方面的研究越來越深入，目前依然缺乏成熟、可應用于臨床的預測模型，多數影像組學研究仍處于回顧性研究階段[49]。期待在不遠的將來，有更多的前瞻性研究能夠整合人工智能、蛋白組學和基因組學等多學科手段，通過多中心、大數據的共享更加全面地提供肺部磨玻璃結節的特征及臨床診療預測信息，進而更加準確地指導磨玻璃結節的診斷及治療。
利益沖突：無。