超声影像组学

PRECISIONMEDICINE超声影像组学：从图像到决策的精准医学新范式定量特征·智能诊断·精准预后日期2026年8月内容导览01概念与原理从影像组学到超声影像组学的理论基石02核心技术流程数据采集、特征提取到模型构建的全链条03临床应用图谱甲状腺、乳腺、肝脏等多癌种实践验证04前沿与展望放射基因组学、AI大模型与未来方向CHAPTER概念与原理让超声图像开口说话，从主观判读到定量解析影像组学将医学图像转化为高维可挖掘数据，超声影像组学是其独立分支，核心在于提取肉眼无法识别的亚视觉特征。01影像组学：从定性阅片到定量解析2012年，荷兰学者

PhilippeLambin

正式提出影像组学概念，旨在用高级特征分析法从医学影像中高通量提取并分析大量高级、定量的影像学特征传统阅片主观视觉判断孤立分析单一指标依赖肉眼可见信息影像组学客观、量化的分析手段"组学"系统综合研究挖掘亚视觉信息影像组学让医学影像从"看"进化为"算"VS超声影像组学的独特价值与核心假设2018年，"超声组学"（Ultrasomics）被正式提出为独立分支，标志超声定量分析进入组学时代超声影像组学：构建病灶的"数字指纹"无辐射安全性显著优于CT低成本临床普及性远超MRI实时动态可捕捉功能变化可重复性强随访监测更可靠核心假设医学影像蕴含肉眼无法识别的亚视觉信息，通过数学算法分析信号强度和像素关系，可测量纹理特征，且这些特征与疾病的生物学行为密切相关每一张超声图像都隐藏着远超肉眼所见的信息维度CHAPTER核心技术流程从像素到决策，每一步都决定最终精度涵盖图像采集与预处理、ROI分割、特征提取与筛选、机器学习建模及多中心验证五大核心环节。02多模态数据采集：输入质量决定输出上限"垃圾进，垃圾出"——输入质量决定输出上限多模态来源与预处理B超彩色多普勒超声造影（CEUS）剪切波弹性成像（SWE）01重采样统一空间分辨率02bin宽度设置确定像素强度分组间隔03归一化标准化像素强度值标准化实践北美放射学会倡议推出定量成像生物标志物测量准确性倡议，推动跨设备、跨中心图像标准化武汉协和医院案例从5亿张影像中筛选2.45亿张高质量图像作为预训练教材ROI分割：病灶边界的精准定义图像分割是影像组学最关键的步骤之一，微小的边界偏差可能导致特征值数量级变化手动分割精度高，依赖经验，需双医师共识精度金标准建立小样本研究半自动分割区域生长/阈值分割加速，需医师校正效率回声不均匀病灶乳腺超声全自动分割U-Net系列为主流，nnU-Net/TransUNetDice系数近人类专家适用场景大规模数据标准化流程选择ROI（二维）还是VOI（三维）取决于图像类型与研究目标，肿瘤学中需根据临床目的权衡特征提取：从像素到高维数据空间特征类型代表参数揭示信息形状特征体积、表面积、球形度、紧凑度病灶宏观几何属性一阶统计特征均值、方差、偏度、峰度、熵灰度直方图整体分布高阶纹理特征GLCM对比度、GLRLM游程、GLSZM区域空间灰度关系与异质性超千维初始特征池，手工量化与深度语义形成互补手工提取工具链PyRadiomics等开源工具PyRadiomics、MaZda、3DSlicer、IBEX、A.K.预处理增强支持小波分解、LoG滤波等预处理后重复提取深度学习自动特征VGG19深层卷积自动捕捉微小结构差异互补突破突破人眼可辨识的亚视觉边界特征筛选与模型构建：从高维到精炼特征提取后可达数百至数十万维，样本量有限，直接建模将导致严重过拟合，必须降维特征筛选方法筛选方法核心机制特点LASSO回归惩罚项约束同步完成变量筛选与系数估计，最为常用mRMR互信息度量保留高相关特征，剔除冗余变量随机森林特征重要性排序提供可解释的筛选依据建模算法选择算法适用场景SVM/随机森林样本量适中时表现最稳定Logistic回归二分类任务，可解释性强深度神经网络样本量

>1000

时考虑，小样本不适宜样本量≥预测类别

50倍，且≥特征数量

10倍，保障模型稳定性；模型须通过

内部验证

与

独立外部验证，确保泛化能力模型评估：从统计指标到临床决策多指标综合评估与多中心外部验证，是高质量影像组学研究的必要条件区分能力指标AUC核心指标，越接近1.0判别效能越高辅助指标敏感度、特异度、阳性/阴性预测值、F1分数校准与决策评估校准曲线检验预测概率与实际观测的一致性DCA从临床净获益角度评估真实应用场景价值泛化与稳定性多中心外部验证检验跨设备、跨人群的模型泛化能力ICC评估特征可重复性，≥0.75为可接受阈值CHAPTER临床应用图谱从实验室到临床，多癌种验证精准诊断价值覆盖甲状腺癌、乳腺癌、前列腺癌、肝纤维化、卵巢癌及胎儿筛查等核心应用场景。03甲状腺癌：联合模型实现精准鉴别PTMC占甲状腺癌70%以上，但死亡率低于1%——过度治疗问题突出技术要素特征筛选10个关键特征（含GLRLM、GLSZM矩阵）深度学习VGG19深层卷积层捕捉微小结构差异0.946AUC0.900准确率联合模型0.946VS单一模型0.822影像组学—深度学习联合模型可替代多模态超声（CEUS+SWE），降低检查成本，为PTMC精准鉴别提供非侵入性工具，减少不必要手术乳腺癌：多模型诊断效能对比联合模型整合光声影像组学特征与临床变量，测试集

AUC0.915，在所有模型中判别能力最高判别能力最优四模型AUC诊断效能对比判别能力最优：联合模型AUC0.915显著高于单一模态模型临床转化潜力突出：决策曲线分析证实广泛阈值范围内净获益曲线更优肝纤维化与前列腺癌：多器官验证肝纤维化诊断动物实验0.929AUCGLCM对比度小区域突出（SAE）0.929敏感度0.800特异度0.929F1分数前列腺癌诊断临床研究13.42万例中国前列腺癌年发病数死亡约4.75万例传统路径从超声射频信号提取放射组学特征及频谱特征，SVM区分癌区与非癌区进阶路径超声造影+剪切波弹性成像多模态融合，诊断性能优于单模态卵巢癌与胎儿筛查：影像组学的新疆域"从肿瘤鉴别到生命守护，双轨并进"多维度评估超声影像组学联合CEUS与弹性成像，从结构、血流动力学、生物力学三维解析卵巢肿瘤单模态突破CNN-CAE去噪卷积自编码器模型，肿瘤检测准确率97.2%，恶性鉴别准确率90.12%多模态融合超声图像+绝经状态+CA125+HE4联合模型，AUC提升至0.984，显著优于单一模态卵巢癌诊断多维度评估：超声影像组学联合CEUS与弹性成像，从结构、血流动力学、生物力学三维解析卵巢肿瘤单模态突破：CNN-CAE模型，肿瘤检测准确率97.2%，恶性鉴别准确率90.12%多模态融合：超声+绝经状态+CA125+HE4联合模型，AUC0.984，显著优于单一模态胎儿筛查2026年最新研究多任务架构：YOLOv11/SwinTransformer+TabTransformer，孕早期自动检测分类9种关键胎儿解剖结构多中心验证：9个中心4532例数据，外部测试集准确率96.1%，AUC96.89%临床价值：为胎儿异常早期客观筛查提供标准化、可复现的决策工具CHAPTER前沿与展望放射基因组学与AI大模型，开启精准医学新纪元聚焦影像组学+基因组学融合、超声AI大模型、空间组学协同及医学影像基础模型范式转变。04放射基因组学：无创预测分子分型影像组学成为连接影像表型与分子生物学之间的桥梁肺癌EGFR突变预测安徽省胸科医院闵旭红团队构建多任务深度学习模型，首次实现非小细胞肺癌

EGFR突变无创预测，成果发表于《npjDigitalMedicine》（IF18.0）深度学习无创预测乳腺癌CAF比例预测深度可解释放射基因组学工作流从乳腺MRI解码肿瘤微环境，预测癌症相关成纤维细胞比例准确率达

0.87，发表于《npjPrecisionOncology》可解释AI肿瘤微环境影像-空间组学协同2026年《FrontiersinImmunology》综述系统总结膀胱癌TME分析中的协同应用AACR年会报道整合Xenium空间转录组学与影像组学的多模态AI框架空间组学多模态AI放射基因组学将影像表型与分子数据无缝整合，提供非侵入性手段解析肿瘤的潜在生物学特征超声AI大模型与未来挑战5亿张医学影像预训练2.45亿张高质量精选图像250+标注数据集70种诊断任务95%+器官诊断准确率全国二等奖2025"数据要素×"大赛范式转变：医学影像大模型正经历从"单任务专用模型"向"多模态基础模型"的范式转变——海量数据自监督预训练，少量微调即可适配多种下游任务核心挑战数据标准化：不同设备协议下的数据标准化难题