在科学领域增加术语“组学”起源于基础科学。它现在是临床医学研究中广泛使用的后缀，表示检查大量复杂数据以识别精确特征或结果的概念。在肺结节和肺癌的设定，radiomics旨在导出自动定量成像特征，可以预测结节和肿瘤行为的非侵入性。
　　 肺结节是CT常见的偶然发现，放射科医师和临床医生面临的挑战是区分良性结节和恶性结节。中鉴定的CT电流实践肺结节是根据广为接受的准则。这些指南建议忽略结节，保持监视或进行进一步测试。结节管理背后的主要推动力是基础上的结节大小呈指数与结节大小。另外，还描述了可预测恶性肿瘤的许多主观视觉符号。然而，现有的指南受到限制：最终大多数小结节需要监测，并且确切地预测单个CT的恶性可能性是具有挑战性的，甚至是不可能的。此外，基于视觉形态迹象结节评价，都受到相当大的解释和可变性并且肺结节中可视识别的鉴别器的数量是有限的。相比之下，在放射学中，可提取的结节特征的数量明显更大，并且可以以更高的再现性来识别。例如，在一项肺癌患者的研究中，总共提取了440个放射学特征，这些特征能够从单个时间点CT预测肿瘤组织学亚型。
　　 放射学特征分析的应用可能特别适合肺结节的评估和管理有很多原因。
　　 如果要以可重复且稳健的方式评估图像特征，则准确描绘来自邻近肺实质和其他结构的结节是至关重要的。在肺结节的情况下，肺结节和肺实质之间的高对比度分辨率使其成为体积分割的理想候选者。然而，需要做更多的工作来开发强大的分割方法，以确保精确和可重复的结节分割。
　　 另一个重要特征是在肺结节体积内存在基因组异质性，其表现为结节物质内的细微差异，肉眼不易理解。然而，这种异质性可以用放射组学表示，允许对图像数据集进行统计评估以产生诊断，预测和预测模型。
　　 最后，可以通过大型机构间数据库访问非常多的肺癌数据集，例如国家癌症研究所定量成像网络以及国家肺癌筛查线等大型路径。从这些大群组中提取的信息的足够高功率的统计分析对于提取有用的定量成像特征是必要的。
　　 肺结节放射学特征的复杂性可能有很大差异。在最基本的层面上，自动放射学特征旨在复制传统上由放射科医师通过视觉评估捕获的特征，例如结节大小，形状和轮廓。结节直方图和纹理分析是更复杂的放射组学形式。肺结节的典型直方图分析表示结节内的密度分布。例如，熵是描述灰度图像内的离散相邻强度的随机性的术语，而偏斜是样本均值周围的数据集的对称性或更精确地不对称性的标记。
　　 更复杂的纹理分析形式使用数学方程来描述相邻像素之间的关系及其通过结节的分布。例如，被称为小波分析的广泛使用的放射学模型描述了将成像数据分解成称为小波的不同频率分量并使用该数据来提取与图像纹理和强度有关的特征的概念。
　　 虽然直方图分析的主观相关性通常不可能用肉眼进行，但感兴趣区域内的Hounsfield单位分布的概念是大多数放射科医师可以容易理解的概念。甚至一些不太容易理解的更复杂的纹理分析形式，仍然具有视觉描述性相关性，例如“粗糙度”。
　　 一旦提取了特征，放射组学的下一个过程就是建立特征模式和临床变量之间的关系，也称为数据挖掘。这可以从基于先验假设的直接统计分析到机器学习方法。机器学习是计算机科学领域，它结合了模式识别和计算学习理论的研究，构建了可以从数据中学习并对结果进行预测以及发现隐藏见解的算法。随机森林是机器学习算法的一个例子，它通过构建决策树的集合来工作。
　　 在基于CT的肺癌筛查和偶然检测到不确定的肺结节中，许多研究表明，放射组学可以提高诊断准确性，以区分癌症与良性肺结节。
　　 与使用手动卡尺测量相比，使用容量软件可以更准确和定量地评估结节尺寸。通过计算结节的体积倍增时间，还可以更自信地评估结节稳定性和生长速率。来自荷兰-比利时肺癌筛查试验肺癌筛查试验的数据表明，可以根据体积倍增时间估计恶性肿瘤的可能性。实际上，这种放射学结节评估的基本形式已被纳入英国胸科协会指南，用于初步评估和监测孤立性肺结节。
　　 一项研究说明可以从肺结节中提取的潜在的大量放射学纹理特征。作者评估了127个不确定的肺结节，并确定了结节强度，形状和异质性的583个特征。通过分析这些特征，他们在恶性原发性肺结节和良性结节的分类中达到了82.7%的准确性。
　　 在另一项研究中，组装了两组104名和92名患有筛查检出肺癌的患者，与两组208和196名良性肺结节筛查对象相匹配。从每个结节中提取图像特征并用于预测随后的癌症出现。随机森林分类器中的23个稳定特征可以预测1和2年后会发生癌变的结节。
　　 放射学分析也被证明在评估亚固体结节方面发挥作用。研究已经确定了能够区分短暂炎症性结节和恶性部分实性结节的结构特征，并且还能区分惰性腺癌和浸润性腺癌。
　　 有学者评估了86个部分实心结节的纹理特征。他们发现，低平均衰减，较低的5百分位CT数和较高的衰减正偏度是对持续部分实性结节的短暂性的显着鉴别。当纹理分析与临床和CT特征结合使用时，与单独的临床和CT特征相比，分化功率显着增加。
　　 另一项关于86份固体磨玻璃结节的研究。使用基于纹理的特征与具有较高峰度和较小质量的组合成功区分侵袭性肺腺癌的侵袭性病变是特别好的分化因子。
　　 有许多研究已成功地展示了radiomic特征和非小细胞肺癌 肿瘤组织学之间的关联。
　　 在350例患者的预处理CT上从分割的肺肿瘤中提取了440个放射学特征。他们观察到53个放射学特征与肿瘤组织学显着相关。通过使用基于小波的特征分析的组合，可以可靠地预测肿瘤组织学亚型。
　　 一种应用专门用于肺结节的病理学评估。这种放射免疫学工具已被证明具有非侵入性风险，可将肺腺癌分为侵袭性和更惰性的形式。通过使用聚类分析，CANARY旨在减少肺结节内所见的体素密度的广泛和复杂模式，降至九个代表性的所谓样本。这些样本对应于肺腺癌谱中的主要组织病理学。
　　 这些结果突出了非侵入性和成本效益放射组学工具的令人印象深刻的长期潜力，为肺癌患者的治疗选择和个性化治疗提供信息。
　　 有新的证据表明放射组学可用于非小细胞肺癌的潜在基因表达谱，并已用于预测非小细胞肺癌 中的表皮生长因子受体和KRAS突变状态。目前，肺癌的遗传亚型通常需要对肺结节进行活组织检查和再次活组织检查，通常需要采集多个样本。未来准确预测CT遗传标记的能力提供了巨大的临床益处。
　　有学者回顾性评估了基于CT的放射学特征预测299例手术切除的外周肺腺癌中表皮生长因子受体突变状态的能力。在表皮生长因子受体突变体和野生型组之间的11个放射学特征中发现了统计学上显着的差异。他们发现突变表皮生长因子受体状态可以通过一组5个放射学特征预测。当放射学特征被添加到临床模型时，预测能力显着增加。
　　 另一项研究评估了结构分析在区分K-ras突变体与泛野生型肿瘤方面的潜力，以及通过将放射学组学应用于48例非小细胞肺癌 治疗前非造影CT研究的预后潜力。结果发现，具有细纹理的正偏斜和具有粗糙纹理的较低峰度与K-ras突变显着相关。他们还证明，定量CT结构分析可以准确地区分89.6%的病例中K-ras突变体与泛野生型肿瘤，并且峰度是总体存活和无病生存的重要预测因子，较低的峰度值与较差的存活率相关。
　　 在非小细胞肺癌中，已经为接受手术，放射疗法或靶向治疗的患者开发了预后模型。在每一种情况下分类器已被用于预测反应或存活。
　　 检查治疗前放射组学数据是否可以预测局部晚期非小细胞肺癌 患者新辅助治疗后的病理反应。在一组127名非小细胞肺癌 患者中，他们发现7种放射学特征可预测病理性残留病，1例可用于病理完全缓解。相比之下，没有传统的成像特征是预测性的。对新辅助治疗反应不佳的肿瘤更可能呈现更圆润的形状和异质结构。
　　 其他研究表明，从肺癌CT图像中提取的放射学特征可用于区分放射诱导的纤维化和肿瘤复发，以及识别患有远处转移风险的局部晚期肺腺癌患者。
　　 评估放射组学的准确性，根据45例早期非小细胞肺癌患者立体定向烧蚀放疗6个月内获得的CT图像预测最终局部复发。五个放射学特征的组合在立体定向烧蚀放疗后2-5个月显示出0.85的AUC。在同一时间点，三位医生将大多数图像评估为良性损伤。这些结果表明放射组学可以检测与局部复发相关的早期变化，这些变化通常不被临床医生考虑。这可能会导致决策支持系统，这可能有助于立体定向烧蚀放疗后局部复发患者的早期抢救治疗。
　　 偶然或在基于CT的肺癌筛查期间检测到的不确定肺结节的数量不断增加，提供了相当大的诊断和管理挑战。然而，它也为早期表征和量身定制的干预提供了极好的机会，并且使得能够开发新的研究领域，即放射学。Radiomics还有可能彻底改变肺癌的诊断，监测和治疗计划，允许以非侵入性和成本效益的方式进行个性化管理。
　　 尽管最初的证据是有希望的，但在将这些结果应用于临床实践之前，还需要做更多的工作来提高这些结果的有效性。肺结节评估中放射组学所面临的当前挑战中最重要的是开发CT描述符的通用语言，以及图像采集参数的协调。