Page 200 - 耳鼻咽喉科常见疾病的诊治

耳鼻咽喉科常见疾病的诊治
Diagnosis and Treatment of Common Diseases in Otolaryngology

手动分割，以提高勾画的准确性。但是由于医师间存在不同的临床经验，手动分
割存在勾画者间的差异，在临床研究中通常需要两名以上经验丰富的医师进行勾
画，同时还需对勾画的感兴趣区域进行一致性检验。基于机器学习的（半）自动
分割，可取代耗时且存在差异的手工分割过程，而且这种算法有助于减少感兴趣

区域轮廓勾画的不确定性，从而提高感兴趣区域勾画的可重复性及准确性。
（三）特征提取
特征的选择主要取决于临床问题、研究队列大小以及相关解剖结构的位置和
时间变化。图像特征作为数据分析的输入参数应该是完整和可重复的且与临床需

求相关，图像生物标志物标准化倡议（image biomarker standardization initiative，
IBSI）为标准化的特征提取提供了基准。特征：强度统计特征、强度直方图特征、
强度体积直方图特征、形态特征、局部强度特征和纹理矩阵特征。前 5 组可以联
合称为非纹理特征，均为旋转和平移不变的，而纹理矩阵是尺度变换的。

（四）特征降维与模型构建
特征降维的目的是降低计算成本及减少过拟合。目前，特征降维的方法：第
一，传统数据分析：对于二分类变量使用 Mann-Whitney U 测试；对于多分类变
量使用 Kruskal-Wallis 测试。第二，机器学习是基于充分的数据样本，教会机器

去学习一些知识从而预测患者相关结果，其常用算法有人工神经网络、支持向量
机、朴素贝叶斯、随机森林。第三，深度学习拓展了人工神经网络的宽度及深度，
可以分层提取特征，其常用算法有卷积神经网络、循环神经网络、深度信念网络。
从图像中提取的大量特征数据需要被强大的计算机技术，如机器学习、深度学习

或传统的统计处理降维，所以特征降维及模型建立是影像组学工作流程中最重要
的一步，需要进一步临床验证才能产生可靠的结果。

二、影像组学在头颈部肿瘤中的应用

（一）头颈部肿瘤分期

头颈部肿瘤术前分期主要依靠传统的影像学检查，由于患者经济条件限制、
体内金属植入及头颈部肿瘤解剖结构复杂等情况，可进行的影像学检查通常无法
确定肿瘤侵犯边界、淋巴结转移数目及远处转移情况，这会造成头颈部肿瘤分期

不准确从而影响治疗方案的选择。Ren 等在 127 例头颈部鳞癌患者的 MRI 图像
中提取 970 个影像组学特征，其中有 3 个影像组学特征在Ⅲ ~ Ⅳ期头颈部鳞癌高

192