近年来，随着社会经济的迅猛发展和大数据信息的爆发式增长，影像组学作为一个新兴的学科受到越来越多的关注，且被广泛地应用于医学领域，在疾病的诊疗中起到重要作用^[1-3]。影像组学可从医学图像数据中获得海量的肉眼无法观察到的深层特征及信息，同时，通过高保真、高通量的方法提供可供挖掘的定量特征，深入分析大数据中所蕴含的临床病理信息，为医疗决策提供更加客观、准确的辅助信息^[4-6]。目前，影像组学已被应用于结直肠癌的术前诊断^[7-9]、疗效评价^[10-12]，以及预后预测^[13-15]等方面，并取得了可喜的成果；但影像组学在临床实践过程中仍存在一定的困难与挑战，有必要提高对影像组学的认识，以促进其在临床中的应用。

1 影像组学协助结直肠癌的诊断

结直肠癌的术前准确诊断和分期对制订最佳个体化治疗方案和患者风险分层十分重要。根据结直肠癌临床实践指南，早期结直肠癌可直接行手术切除，局部进展期则主张在术前行新辅助放化疗，使肿瘤降低分期后再手术，从而达到提高肿瘤可切除性、降低术后局部复发的目的^[16]。Yin等^[7]从直肠癌患者DWI图像中提取影像组学特征，通过逻辑回归算法对T分期问题进行分类，结果显示：b=0 s/mm²时，提取到的不相似性、总平均和、信息相关性和游程不均匀性是T₃、T₄期的独立预测因子，模型取得了较好的预测效果。此外，还有学者通过联合矢状位脂肪抑制序列和横轴位T₂WI图像行直肠癌T分期影像组学分析，共纳入患者174例，通过单因素和多因素分析发现联合序列中得到的影像组学特征与直肠癌的T分期相关^[17]。

影像组学还被应用于结直肠癌的N分期中。Zhu等^[18]从直肠MRI图像上所有可见的淋巴结及原发病灶中分别提取影像组学特征，然后通过L1正则化的逻辑回归构建淋巴结模型和肿瘤模型；研究表明，基于淋巴结特征的影像组学模型能够准确预测局部进展期直肠癌患者的淋巴结病理状态，且预测精度优于基于原发灶特征建立的影像组学模型。还有研究者在影像组学特征的基础上引入临床相关变量，如癌胚抗原（carcinoembryonic antigen，CEA）、糖类抗原19-9（carbohydrate antigen 19-9，CA19-9）、血管外侵犯（extramural vascular invasion，EMVI）等，建立直肠癌N分期综合诊断模型，研究发现基于影像组学的预测模型优于单纯MRI的诊断效能^[19]。

结直肠癌最易发生转移的器官为肝脏。结直肠癌肝转移占结直肠癌转移的75%~83%^[20]。早期准确诊断结直肠癌肝转移对患者治疗方式的选择具有重要意义。Taghavi等^[21]进行了一项多中心研究用于探究影像组学预测模型是否可有效预测结直肠癌异时性肝转移，对91例患者的临床和影像数据分析后发现，影像组学模型可准确识别出具有异时性肝转移风险的患者，且预测效能优于临床模型。最近的一项研究在常规影像组学的基础上引入基因组学，从影像、基因和临床多角度预测结直肠癌肝转移并将模型以列线图的形式可视化，便于术前对患者进行个体化评估^[22]。以上研究表明影像组学在结直肠癌术前诊断方面前景可期，能够辅助临床风险分层。

2 影像组学评估结直肠癌患者的治疗反应

影像组学不仅在结直肠癌术前诊断方面取得了令人满意的效果，其还能够对新辅助治疗后的疗效进行评估预测。新辅助放化疗是临床治疗结直肠癌的重要方式之一，2020年第6版美国国立综合癌症网络（National Comprehensive Cancer Network，NCCN）指南^[16]推荐局部进展期患者首先行新辅助治疗。部分患者在新辅助治疗后可达到病理上的完全缓解，但还有部分患者对治疗无反应，甚至发生疾病进展的情况，据统计数据显示约30%的患者无法从新辅助治疗中受益^[23]。因此，准确评估肿瘤的变化，对确认整体治疗方案的效果，以及对后续方案的拟定都起到非常重要的作用。

Wang等^[24]开发了一种基于治疗前多参数MRI的影像组学列线图模型区分接受新辅助放化疗的局部晚期直肠癌患者的应答反应，并对模型进行了验证；研究通过列线图的形式对治疗后产生良好应答的相关因素进行可视化，方法简单易行，在训练集和验证集内都展现出较好预测性能。与上述研究不同的是，首尔国立大学学者基于患者放化疗后的MRI图像构建深度学习模型，用于评估疗效反应，其在预训练模型ShuffleNet的基础上引入长短期记忆网络模型，研究显示，基于深度学习构建的影像组学预测模型可用于疗效评估中，并且是辅助临床采取“观察和等待”策略的潜在工具之一^[25]。

3 影像组学预测结直肠癌患者的预后

结直肠癌患者的预后具有高度异质性，如何准确判断预后是当前研究的重点和难点。影像组学大量研究结果的涌现，提示影像组学可为结直肠癌的预后判断提供新方法。复旦大学一研究团队通过回顾性分析411例局部晚期直肠癌患者的CT图像和临床病理信息，使用机构内部的组学软件提取271个影像组学特征，然后采用Spearman相关分析，保留系数 > 0.7的特征，最终共纳入21个影像组学特征构建模型，用于预测局部晚期直肠癌患者新辅助治疗后的总生存期，结果提示加入影像组学特征后可提升模型的预测能力^[26]。宾夕法尼亚大学生物医学图像计算和分析中心的Liu等^[27]则采取了一种无监督的机器学习方法用于预测直肠癌患者的总生存期，同时根据患者的影像组学特征将其分为不同的风险组，以期对临床结局进行稳健预测。

4 影像组学面临的挑战

随着医学图像分析处理技术和人工智能的快速发展，影像组学在结直肠癌的临床诊疗中取得了可喜的成果。影像组学通过高通量地提取大量医学图像特征，深入挖掘其中潜在的临床病理信息，通过非侵入式的方法动态评估肿瘤异质性，有望为临床决策提供重要辅助信息，促进并助力精准医学的发展。但影像组学在临床实践过程中还存在一些问题：①当数据来源多样时，需对数据进行标准化管理以降低数据变异度，进而保证研究的质量和可重复性^[28]。②由于医学领域对人工智能算法的可解释性与模型结果的可信度有较高的要求，算法结构的复杂性、多维性使得人工智能系统决策过程透明性降低，“黑箱技术”使得模型在临床实际诊疗工作中的应用面临巨大阻力^[29]。③在医疗大数据使用、传输，以及监督管理方面需建立完善的体系，保护患者隐私，保障数据安全，防范数据泄露^[30]。

随着大数据和精准医疗时代的到来，影像组学以一种客观、无创、定量的方式在医学实践过程中发挥出优势，通过聚焦深层信息，赋能诊疗各环节，辅助临床决策，助力实现个体化治疗。虽然现阶段影像组学仍存在不足，但相信在国内外研究学者的共同努力下，影像组学将会得到长足的发展，并对临床医学产生深远影响。