临床研究的3，2，1 逻辑

昨天最后一部分，我提到了临床研究的3，2，1法则，不少同学还有一些疑惑

不知大家是否还记得，我说过弄懂影像组学的概念，可以和小护士讲明白我们做什么研究，但真正的高逼格在于一句话就把能把整个研究讲个大概

3，2，1；

3

3包括X（自变量，也叫预测变量），Y（因变量，也叫结局变量），Z（协变量）。
举个俗套也是最好理解的例子，探究吸烟对肺癌的影响；
这里吸烟就是X自变量，是否得肺癌就是Y因变量，这里得Y就是一个二分类变量，不同的因变量Y决定了具体研究方法的选择

那么协变量Z是什么呢r> 比如我们发现性别，年龄，工作压力，睡眠时间，甚至家族史等等都会对肺癌产生影响，如果在数据收集的时候，不收集这些数据，或者分析时不对这些因素进行调整，那我们得到的X对Y的作用不能真实反应X与Y间的情况。而这些因素，就称作协变量

昨天不明白321的，3理解了嘛；

2

好，那我们接下来介绍2，就是研究人群，和研究样本量
纳入的人群（范围）越精确，研究的样本量在数据完整的前提下越大越好
当然这涉及到样本量的计算方式我们后面会介绍

不过对于影像组学，鑫仔也发现一个小规律，一般高分文章样本量：提取的特征比大约都在1：10或1：20左右，就是训练集有60人，可以按1：20提取前3个特征，训练集30人也可以按1：10提选择的TOP的3个特征，欢迎同学们打脸；
特征从ROV/VOI中提取；

1

最后介绍1；就是研究类型了，对于影像组学基本全都是回顾性队列研究。这里不多提，这个需要回去看下流病书
掌握了321原则就能准确的对研究有个描述了！

影像组学花式玩法的七重境界

有了这个铺垫，我们就可以顺利的进入今天的影像组学花式玩法七重境界之前三重！这是我们的小糕老师的绝妙之作，我这里仅作分享

总共有哪7重r>

就像这张图，就是在分割过程中对瘤周进行了勾画，从瘤周提取特征；

此外，结合临床因素也是个常见玩法，即把影像组学作为主变量，临床因素作为协变量

临床资料是我们在写文章时常规用到的最基本数据，主要包括基本人口学特征（如年龄、性别、疾病家族史）、肿瘤相关参数（如AJCC分期、病灶大小）、病理指标（如病理类型、分化程度）和血液指标（如白蛋白、中性粒细胞/淋巴细胞比值）等。同理，影像学征象也可以作为协变量加入。

体会下区别，如果收集的数据中包含以往研究证明过的危险因素或保护因素，我们可以在建立影像组学模型的同时，构建临床/影像学/临床-影像学预测模型，再将各模型进行对比，以观察影像组学相比于传统模型是否更有价值，或者将各模型结合以获得最综合的模型。还可以将影像组学与临床因素/影像学特征进行相关性分析、亚组分析等，以丰富文章内容。
这个我们君莲数据库周五就会分享一篇这样的文章，我们明天的分享也会有所提及；

第一重境界从321准则3的自变量X入手，大家理解了嘛多模态多靶标以及与临床特征进行结合

搞懂临床逻辑，影像组学难在我昨天说得几步而已，但对你的文章是全方位升级；

第二重：从结局变量Y入手

时间关系，我们先分享第二重境界
一起来思考这样一个问题，我们是不是可以采用相同的预测变量X，只对结局变量Y进行更换，就能获得一篇新的文章了p>

这个我昨天也提到了，那五个圈圈
所以当然是可行的了。不过要注意一个大前提，即Y具有临床意义与价值。

我们知道结局变量Y有远期疗效（如总体生存期OS、无进展生存期PFS）、近期疗效（如影像学的完全缓解CR/部分缓解PR/无变化SD/进展PD、病理学的病理完全缓解）、肿瘤相关参数（如肿瘤组织学分级、TNM分期）、病理指标（如脉管癌栓、PD-L1表达）和毒副反应（如II级以上放射性肺炎）等。

接下来就用文献来举例说明具体的Y玩法：远期疗效文献示例：术前影像组学标志物预测 I 期非小细胞肺癌远处转移（PMID: 30527455）

毒副反应文献示例：影像组学预测免疫治疗相关性肺炎（PMID: 29075985）

这里面思路比代码重要，有了思路，代码就是短短几行换个参数。
说起python，昨天有小伙伴问，不用python可不可以，是可以的。但是昨天因为时间太晚了。
我没有说特征提取这一步应该应用的工具；
目前比较主流的影像组学特征提取工具包括 IBEX、MaZda（基于C++和Delphi）、 Pyradiomics（基于Python）、CERR（主要用于放疗）、LIFEx 站、MARLAB、Radiomics（基于R）等。
目前来讲，兼顾功能强大，开源，操作较为简单等特质的特征提取方式首推Pyradiomics。
当然3Dslicer也是可以做特征提取的，而这个pyradiomics是基于python的；
3Dslicer还是不够强大，主要用于靶区勾画，高通量提取最好还是用pyradiomics，其实也就是几行代码，手把手教学很快就会，不用懂原理，达到目的就可以；那么我们今天的入门级影像组学的前三重境界就介绍完了；

总结一下：
影像组学可以基于多模态、多区域影像（预测变量）开展研究，还可与临床指标和影像学征象（预测变量）等相融合，发展成为高效辅助诊断或预测的工具。它作为医工交叉的产物，其应用先进的计算机方法（分析方法）解决临床具体问题（结局变量），如肿瘤的定性、分级分期、基因分析、疗效评估和预后预测等。

大家的讨论：
超声不是很好做，跟检查医生手法关系很大，不像钼靶、ct，mri比较标准，超声的高分的大多都是多模态
对呀 切面不容易标准化
有些图片伪影很多
很多都是画个boundingbox，就是因为roi不好画

我们提取出来的特征，会符合某种分布嘛，比如正态，我们在特征提取的时候是直接参数检验（t检验），还是非参数检验
这个问题问的非常好，一般都是符合正态分布的，像我看的多组学的文章，他们在比如说影像组，病理组，还有基因组，他们之间做相关的时候用的都是皮尔森，相关都没有用，斯皮尔斯皮尔曼，说明他做了那个，那个正态性，还有方差急性检验，这些都是的

因为我在医院可能就是发文献没那么没有昨天那么快，但是这样的文献我可以在我回去以后，或者是明天有空的时候发给你们，多组学的文章里面，他们相关的时候都是用的，皮尔森就说明这个数据是符合正太的。

我们最后的准确率要在一个什么样的区间算是比较好的r> AUC的话通过我们做文献综述总结，从0.6几到0.9几都有发表，还是看你的科学问题跟你的数据质量。
比如说多中心的，还有那个前瞻性的，还有用了多组学数据的，或者是数字量非常大的，他们哪怕是AUC不是很高，还是发了一区。
如果是个人意见的话，看近一年的文章就是最好在0.7，训练集和验证期都在0.7以上，发表的可能性比较大吧。如果有0.80.9，那就更好了，如果实在是达不到0.7，至少要达到。