标题：深度学习和影像组学在头颈部恶性肿瘤影像学中的研究进展
Advanceofdeeplearningandradiomicsinheadandneckcancerimaging
作者：邹颖夏爽
深度学习和影像组学在头颈部恶性肿瘤分期、鉴别诊断、转移淋巴结的评估、肿瘤的基因型预测及预后的辅助判断等方面展开综述。
深度学习：是指通过组合低层特征形成更加抽象的高层特征或类别，进而从大量的输入数据中学习有效特征，并把这些特征用于分类、回归和信息检索的一种技术。其模型种类众多，目前在医学影像学领域，卷积神经网络(convolutionneuralnetwork，CNN)的应用最为广泛。影像组学：是指从CT、MRI、PET-CT等图像中高通量地提取大量信息，包括一阶统计特征、空间几何特征、纹理特征和小波特征，从而将感兴趣区(regionofinterest，ROI)的影像数据转化为具有高分辨率的空间特征数据，进而实现病变特征的提取与模型建立。其中logistic回归模型因其简单易行，是目前最受欢迎且常用的监督分类器，其他常用的分类器还包括决策树、神经网络、支持向量机、贝叶斯分类器和随机森林等。??基于深度学习的影像组学(deeplearning‐basedradiomics，DLR)
头颈部恶性肿瘤影像学中的研究焦点（3个）：①术前指导临床及术前预判②提取基因特征③预后辅助判断
深度学习和影像组学在头颈部恶性肿瘤影像学中的研究进展
①分期:已有研究结果显示，基于T2WI和T1WI增强扫描图像联合的影像组学特征在区分早晚期头颈部鳞状细胞癌方面具有较好的分类性能[10]。对于鼻咽癌患者，基于MRI的影像组学模型证明了其与患者的T分期及总体分期高度一致[11‐12]。基于PET图像的纹理特征可以在一定程度上对口咽癌和下咽癌的肿瘤分期进行预测.已有研究利用常规MRI数据，开发了一种性能良好的DLR模型，用于脑膜瘤分级的无创性个性化预测，受试者操作特征(receiveroperatingcharacteristic，ROC)曲线下面积达0.[5]。②鉴别诊断：已有研究利用最小绝对收缩和选择算子(leastabsoluteshrinkageandselectionoperator，LASSO)logistic回归模型从个放射组学特征中选择的5个特征(1个灰度一阶统计特征、2个纹理特征和2个小波滤波纹理特征)所构建的预测模型成功鉴别了眼附件淋巴瘤与特发性眼眶炎症[14]。建立影像组学模型的关键是寻找最优的分类器。有学者通过比较，认为logistic回归模型效能较好[15]③检测转移淋巴结：目前在头颈部肿瘤淋巴结检测方面，深度学习主要应用于甲状腺癌[16‐17]和头颈部鳞状细胞癌[18]。有学者开发了基于深度学习的计算机辅助诊断(