摘要：今天为大家分享一项由荷兰马斯特里赫特大学于9月3日发表在《Nature Reviews Clinical Oncology》（IF82.1 / TOP顶刊）的重磅影像组学综述文章。该研究针对影像组学临床转化瓶颈，升级推出影像组学质量评分 2.0（RQS 2.0

今天为大家分享一项由 荷兰马斯特里赫特大学 于9月3日发表在《Nature Reviews Clinical Oncology》（IF82.1 / TOP顶刊）的重磅影像组学综述文章。该研究针对影像组学临床转化瓶颈，升级推出 影像组学质量评分 2.0（RQS 2.0） ，创新性融入 “影像组学准备水平（RRLs）”体系 ，为精准肿瘤学中 影像组学的规范化应用与临床转化提供权威指导 。

【小编寄语：影像组学一直以重技术、轻转化落地被诟病，是因为确实存在很多局限性限制了影像组学技术的落地转化。荷兰学者的RQS2.0方案从多个方面优化了影像组学技术的可靠性与落地转化的潜力，这能将Radiomics带入到下一阶段的发展么？】

图1：手工影像组学特征（HCR）与深度学习特征（DLR）的工作流程图 （RQS2.0中加入深度特征考核评分）

明确标注两类方法的共性步骤（如多模态数据采集、可解释性分析、临床终点评估）与专属步骤 ——HCR 需手动定义感兴趣区域（ROI）并提取形状、强度、纹理等预设特征，再经特征选择与机器学习建模；DLR 则通过卷积神经网络（CNN）、视觉 Transformer、图神经网络（GNN）等模型自动学习特征，还可结合基础模型与 SHAP 分析等工具，直观呈现两类方法在技术路径上的核心差异。

背景

• 技术定位： 影像组学通过复杂算法量化分析医学影像，挖掘肉眼难辨的模式，已在肿瘤诊断、分型、治疗响应预测等精准肿瘤学场景中展现潜力，是连接影像数据与临床决策的核心工具。

• 初代局限： 2017 年推出的 RQS 1.0 虽推动研究质量提升，但存在明显短板 —— 未覆盖深度学习特有的挑战（如模型可解释性）、缺乏成本效益分析与前瞻性设计考量。

• 转化瓶颈： 当前影像组学临床转化率低，核心障碍包括方法学不统一、外部验证不足、模型公平性与鲁棒性缺失，以及临床场景适配性差。

影像组学质量评分2.0与准备水平体系解读

• RQS 2.0核心升级：

分类评估： 首次区分 “手工特征影像组学（HCR）” 与 “深度学习影像组学（DLR）”，针对两类方法的独特 workflow 制定差异化标准（如 HCR 侧重特征鲁棒性验证，DLR 强调模型可解释性）。

权重优化： 基于多轮专家共识调整指标权重，核心临床相关指标（如前瞻性验证）权重更高，避免 “一刀切” 评分导致的偏差。

新增维度： 纳入公平性评估（如检测模型在不同种族、年龄亚组的性能差异）、可解释性分析（如 HCR 用 SHAP 值、DLR 用 Grad-CAM）、数据 harmonization（如跨中心影像标准化）等当代关键需求。

• RRLs 九阶段体系（每个阶段对应明确目标，引导迈向临床）：

基础探索（RRL1）： 明确详细记录 影像设备参数 （如型号、制造商）、定义影像协议质量（分 0-4 级，4 级需符合 FAIR 原则并保留原始数据）。

数据准备（RRL2）： 通过体模研究、测试-重测验证特征鲁棒性，采用 自动分割 减少观察者偏差，遵循 国际标准（IBSI）提取特征 。

模型开发（RRL3）： 开展 特征降维 避免过拟合，探索 HCR 与 DLR 的融合策略， 整合临床、基因组等多组学数据 构建综合模型。

内部验证（RRL4）： 基于单中心数据 验证 ，报告鉴别度（如 AUC、灵敏度）与校准度指标， 公开代码 与数据确保可复现。

能力测试（RRL5）： 完成 多中心外部验证 （数据未参与训练），对比现有临床金标准（如 TNM 分期）与既往研究 性能分析 ，评估临床应用潜力（如 DCA ）。

可信度评估（RRL6）： 通过 生物学关联分析 （如影像特征与基因表达关联）增强模型说服力。

前瞻性验证（RRL7）： 开展前瞻性试验（需预先注册），计算样本量确保统计效力，在真实临床场景中评估 “人 - 模型” 协作效果。

适用性与可持续性（RRL8）： 建立软件可追溯体系（如版本控制），分析成本效益，制定性能漂移应对策略与持续学习方案。

临床部署（RRL9）： 定义自动化等级（0-5 级，5 级为完全无人干预），符合质量管理体系，通过监管审批并实现市场落地。

图2：RRLs 分为 9 个递进阶段

RRLs 分为 9 个递进阶段（从基础探索到临床部署），每个阶段明确关键任务，清晰展现 RQS 2.0 如何通过 RRLs 引导影像组学研究从技术开发逐步迈向临床落地，为研究质量评估与进度推进提供结构化路径。

图3：RQS2.0评估案例

左图为 “各 RRL 阶段累计得分趋势图”，展示某非小细胞肺癌 EGFR 突变预测研究在 RRL1-RRL9 的累计得分与满分对比，体现早期阶段（RRL1-RRL5）得分较高、后期阶段（RRL7-RRL9）得分断层的特点；右图为 “各 RRL 阶段标准满足率百分比图”，通过 “已满足” 与 “未满足” 比例直观呈现该研究在不同阶段的合规情况，例如 RRL6 仅满足部分可信性评估标准、RRL7-RRL9 未满足任何标准，清晰暴露研究距临床转化的核心短板。

影像组学的未来方向

• 多组学整合： 将影像组学与基因组、蛋白组、病理组学数据融合，构建 “全景式”肿瘤模型 。

• 基础模型应用： 基于大规模数据预训练的基础模型可实现 “零样本 / 少样本” 迁移，同时支持多模态数据处理，降低数据依赖。

• 数据创新方案： 通过 生成式 AI 合成影像数据，解决罕见病数据稀缺与隐私保护问题；采用 联邦学习 实现多中心数据协作训练，避免原始数据共享风险；依托 通用数据模型 标准化影像与临床数据，提升跨机构兼容性。

• 临床评估体系 ：建立 “三步式” 评估框架 —— 先通过模拟试验验证模型性能，再开展小规模临床可行性测试，最终通过大规模随机对照试验验证患者获益（如是否提升诊断效率、改善生存结局）。

核心发现：重构影像组学临床转化路径

本文RQS 2.0 与 RRLs 体系的核心价值，在于打破了影像组学 “重技术、轻转化” （影像组学的落地化产品寥寥无几） 的传统模式 —— 不再仅以 “模型性能” 为单一目标，而是通过九阶段递进式框架，将 “临床需求定义”“数据标准化”“监管合规” 等转化关键要素嵌入研究全流程，使影像组学从 “实验室工具” 向 “临床级产品” 的升级有章可循。

参考文献：Lambin P, Woodruff HC, Mali SA, Zhong X, Kuang S, Lavrova E, Khan H, Lekadir K, Zwanenburg A, Deasy J, Bobowicz M, Marti-Bonmati L, Maidment A, Dumontier M, Kinahan PE, Nobel JM, Amirrajab S, Salahuddin Z. Radiomics Quality Score 2.0: towards radiomics readiness levels and clinical translation for personalized medicine. Nat Rev Clin Oncol. 2025 Sep 3.

来源：寂寞的咖啡