软组织瘤是一组由软组织细胞构成的恶性肉瘤的统称,包括脂肪、肌肉、神经、肌腱、血管及淋巴管等来源,可能发生在全身各个部位,尤其是肢体部分。软组织瘤相当地不常见,发病率约1/50000,而新发现的病例中多数达到了中、高级恶化水平。一般情况下,不同形式的治疗手段可以在一定程度上控制软组织瘤的复发,但大部分患者容易在治疗之后发生远处转移。肺脏是最常见的远处转移播散部位,肺转移是威胁患者存活的重要因素。目前软组织瘤肺转移的预后还十分地不理想,发生肺转移的多数患者会在2~3年后死亡。因此,对于软组织瘤早期阶段的肺转移风险评估具有重要的意义,有助于医生更好地调整治疗方案,最终改善整体生存率。放射组学是医学影像学的一个新的研究领域,采用先进的定量特征分析方法对从医学图像中提取的大量特征进行数字化地高通量分析,得到高保真的目标信息,从而对肿瘤的各种表型进行综合地评价。放射组学涉及机器学习、数据挖掘、统计学习等一系列学科的方法,主要的研究内容包括医学图像采集与重建、图像分割、特征提取及特征选择和样本分析等。研究表明,放射组学能够揭示有关肿瘤发展的预测性信息,对肿瘤预后研究提供帮助。本文基于放射组学,对软组织瘤发生肺转移的风险进行早期评估。对TCIA网站soft tissue sarcomas数据库的51例软组织瘤病例进行了回顾性分析。首先分别从每个患者的计算机断层扫描(computed tomography,CT)、核磁共振成像(magnetic resonance imaging,MRI)的T1及T2FS影像中提取了4类三维形态特征,在图像经过小波去噪、各向同性地重采样和灰度级量化等图像预处理过程之后,提取了42类三维纹理特征。然后,基于斯皮尔曼等级相关系数和最大信息系数的过滤式特征选择方法,将所有影像特征分单模态、两模态和三模态三种形式组合而成七个影像集分别进行了特征预筛选,每个影像集保留25个特征。接着对七个影像集采用多种特征选择方法进一步进行了特征选择,且对多种样本重采样方法在评估分类性能优劣方面进行了比较。最后,选择合适的样本重采样方法,评估了七个预筛选后的影像特征集在11种特征选择方法与13种分类器相结合时的分类性能,并对各个影像集的特征数目对于分类性能的影响进行了分析。结果表明,随着特征数目的增加,分类器对于每个影像集特征的软组织瘤肺转移平均预测准确率在总体上呈现下降趋势,并且发现K近邻分类器与迹比准则特征选择方法结合,分类性能最佳,分类准确率达87.6%,曲线下面积值(area under roc curve,AUC)这一性能指标为90.8%。另外,多模态影像预后效果普遍优于单模态影像的预后效果。但以上研究结果的得出仅仅局限于小样本研究,且缺乏独立的验证集。所提取的图像特征、特征选择方法及分类方法方面并未有所创新,方法的比较方面也不够全面。这些都需要在未来的研究中进一步努力。