imaging-study-design

影像学研究设计与生物标志物选择

概述

本技能介绍设计医学影像研究和选择影像生物标志物的方法。它将指导有关预处理、配准目标、去标识化、生物标志物选择、放射组学稳定性和多中心协调的决策。这是一项推理技能，不会生成流水线代码。若要使用具体工具（FreeSurfer、FSL、ANTs、PyRadiomics、nnU-Net、MONAI），请在确定研究设计后，将本技能与流水线技能配合使用。

核心原则：预处理和生物标志物选择必须保留能够回答临床问题的信号。对某个问题（例如用于组间比较的 MNI 配准）而言标准的流水线，可能会破坏另一个问题所需的信号（例如纵向研究中的个体萎缩）。

用法

在规划影像研究或评议现有影像流水线时调用本技能。典型提示：

• “我想测量阿尔茨海默病患者 2 年内的海马萎缩——应该如何预处理？”
• “为 NSCLC 预后设计一项多中心放射组学研究。”
• “我们正在使用三台扫描仪采集脑部 MRI。需要进行哪些协调处理？”
• “这些 DICOM 经过标准去标识化后可以安全共享吗？”
• “癫痫术前定位应使用哪种影像生物标志物？”

使用核心概念末尾的决策框架来梳理任何影像研究问题。

回复格式

• 先给出直接建议或分类（≤3 句话）
• 按以下结构组织：建议 → 理由（引用具体标准/阈值）→ 注意事项
• 使用表格进行比较；使用项目符号列出标准
• 省略用户已了解的背景——他们是在提问
• 目标长度：200-400 词，除非用户要求详尽说明 本技能中的决策树和框架仅供内部推理使用。运用它们得出结论，但不要在回复中复述。只呈现最终建议及其支持证据。

核心概念

1. 预处理策略取决于下游目标

不存在通用的“MRI 预处理”方案。流水线必须与分析目标相匹配。

下游目标	预处理优先事项	应避免的做法
组间比较（横断面）	配准至共同模板（MNI/SPM）、平滑；若采用 VBM 则进行调制	仅在原生空间分析
纵向萎缩/变化	将随访影像刚性配准至受试者基线，再（可选）将基线配准至模板	将每个时间点分别配准至 MNI
病灶分割	偏置场校正、去除颅骨、强度归一化；配准通常可选	过度平滑导致病灶边缘模糊
放射组学/纹理	先标准化采集条件（体素大小、重建、分箱）；重采样为各向同性；确定性地离散化强度	混用未经协调的采集方案；在异质数据上使用默认分箱放射组学
功能性 MRI	切片定时校正（若 TR 较长）、运动校正、畸变校正、与解剖影像配准；若用于组间分析则进行标准化；按需进行带通滤波	运动剔除前进行标准化；ICA 去噪前进行平滑
扩散 MRI	去噪、Gibbs 振铃伪影消除、eddy 与运动校正、偏置校正，然后进行张量/ODF 拟合	调换这些步骤的顺序；有反向 PE 数据时跳过畸变校正

2. 注册目标决策

注册目标体现了对信号所在位置的假设。

• MNI / 群体模板 — 适用于横断面组统计、体素级分析（VBM、TBSS）和基于图谱的 ROI 提取。需要接受个体解剖结构会在一定程度上被形变。
• 受试者基线（受试者内模板） — 适用于变化的纵向分析（萎缩、肿瘤生长、病灶演变）。保留每位受试者的解剖结构，并在一致的个体空间中测量变化。
• 原生空间 — 适用于病灶分析、手术规划、肿瘤放射组学，以及任何注册会使关注结构发生形变或在 ROI 中引入插值伪影的情况。
• 受试者解剖空间（T1） — 适用于组归一化之前的受试者内跨模态对齐（fMRI、DWI、PET 到 T1）。

经验法则：问问自己：“如果我对这张图像进行形变，还能测量我关注的事物吗？”如果答案是否定的（体积变化、病灶形状、肿瘤纹理），就应在原生空间或受试者内空间中进行测量。

3. DICOM 去标识化风险面

基于标准标签的去标识化（DICOM PS 3.15 Basic Application Level Confidentiality Profile）是必要的，但并不足够。残留的 PHI 风险包括：

• 像素数据中烧录的注释 — 超声帧、屏幕截图、二次捕获、剂量报告和 3D 重格式化图像。患者姓名／MRN／出生日期通常会直接渲染到像素中。仅清理标签无法移除这些信息。需要进行目视 QC 或基于 OCR 的像素脱敏。
• 厂商专用私有标签 — Siemens CSA 头信息（0029,xx10 / 0029,xx20）可能包含协议，有时也包含患者信息；GE 私有块（例如 0043,xx）和 Philips MR 私有标签可能包含采集元数据，其中包括标识符或自由文本。默认 DICOM 配置文件可能会保留这些信息，或只清理其中一部分。应按厂商决定处理方式：除非需要特定块，否则移除所有私有标签，并进行验证。
• 结构化报告（SR）和封装的 PDF — 叙述性检查结果通常包含患者姓名、转诊医生、日期和既往病史。必须将其视为自由文本并进行脱敏，或直接删除。
• 编码了日期或 MRN 的 UID — 有些机构会根据时间戳或病历号生成 Study／Series／SOP Instance UID。应使用一致的哈希重写 UID（同时在发布的数据中保留引用完整性），而不是保留原始值。
• 可从头部 MRI／CT 重建面部 — 高分辨率 T1／CT 可用于重新渲染面部。公开发布前应进行去面部处理（例如移除或形变面部周围的体素）；仅用于研究的共享数据则可考虑进行颅骨剥离。
• 采集日期和时间 — 即使删除了姓名，精确日期与辅助数据结合后仍可能重新识别身份。如果相对时间很重要，应按受试者平移日期，并保留一致的偏移量。

一份经得起审查的去标识化计划应明确：应用了哪种配置文件、如何处理私有标签、是否检查像素数据、如何处理 SR／PDF 对象、UID 重映射策略、去面部政策，以及由人工检查的 QC 样本。

4. 按适应症选择影像生物标志物

让生物标志物与所探测的生物学过程相匹配。

适应症	成像方式／对比	生物标志物	理由
阿尔茨海默病、MCI	结构性 T1 MRI	海马体积、皮层厚度、脑室体积	直接测量神经退行性变
多发性硬化	T2/FLAIR + T1	病灶负荷、病灶数量、脑实质分数、脊髓横截面积	疾病负担和萎缩
白质病、DAI、精神分裂症	弥散 MRI	FA、MD、RD、AD（基于纤维束或体素）	微观结构完整性
急性卒中	DWI + PWI	DWI 病灶体积、PWI-DWI 不匹配、CBF	核心区与半暗带分诊
脑肿瘤（胶质瘤）	DSC/DCE 灌注、MRS、弥散	rCBV、Ktrans、ADC、NAA/Cho 比值	分级、治疗反应、假性进展与复发的鉴别
术前规划（癫痫、肿瘤）	任务态和静息态 fMRI、DTI 纤维束成像	语言／运动激活图、纤维束至病灶的距离	功能定位
神经元完整性（多种情况）	1H-MRS	NAA/Cr、Cho/Cr、mI/Cr	神经元丢失、细胞膜更新的代谢标志物
脑外肿瘤	CT、PET/CT、mpMRI	体积测量、SUVmax/SUVpeak、影像组学特征、ADC	分期、疗效评估（RECIST、PERCIST）
心脏	Cine、LGE、T1/T2 mapping	EF、应变、LGE 负荷、原生 T1、ECV	功能、纤维化、水肿

选择标准：（1）生物学合理性——该生物标志物是否与研究问题存在机制上的联系？（2）可测量性——现有扫描仪／方案能否提供足够的 SNR 和可靠性？（3）有效性——是否已针对该适应症和人群进行验证？（4）实用性——能否在研究规定的扫描时间和成本内获取？

5. 影像组学稳定性与样本量规范

影像组学特征的稳定性往往很差。基于不稳定特征构建的特征组合无法推广。

• 重测信度——对所有纳入模型的特征，要求在重复扫描中的 ICC ≥ 0.75（高置信度通常要求 ICC ≥ 0.9）。使用重测队列或公开可用的重测队列（例如 RIDER Lung CT），并确保其与成像方式相匹配。
• IBSI 合规性——使用符合 IBSI 的提取器（采用 IBSI 设置的 PyRadiomics、CERR、LIFEx），并报告 IBSI 特征定义及哈希值。不合规的提取器会产生无法跨站点复现的特征。
• 分割稳健性——在实际轮廓变异条件下评估特征值的评估者间和评估者内 ICC，而不只是评估理想轮廓。
• 先标准化采集——统一体素大小、重建核和强度离散化方式（固定箱宽还是固定箱数——选择一种并说明理由），比任何事后协调都能消除更多变异。
• 协调——在采集标准化之后应用 ComBat（或其变体：参数／非参数、保留或不保留协变量），以消除扫描仪／站点效应，而不是将其作为采集标准化的替代方案。
• 建模前降维——聚类冗余特征（|ρ| > 0.8），剔除不稳定特征，然后在交叉验证中应用有监督的降维方法（LASSO、mRMR）。将最终模型控制在每 10 个事件约 1 个特征（EPV ≥ 10），以避免过拟合。对于事件数量较少的研究，应明确报告这一限制；这通常意味着选择 3–5 个特征，而不是 20 个。
• 报告符合 TRIPOD 或 CLEAR 风格的流程说明，以确保研究可复现。

6. 多中心研究的考量

多中心研究以统计功效换取中心间异质性。请为这种异质性做好规划。

• 方案标准化 — 采用 ADNI 风格或等效的协调统一方案（序列参数、分辨率、覆盖范围、重建）。就扫描仪型号和软件版本的纳入标准达成一致。
• 扫描仪和线圈效应 — 尽可能通过方案固定；对残余效应使用 ComBat 或线性混合模型（将中心作为随机效应）建模。使用流动体模（在所有中心扫描的一名受试者或实体体模）量化残余偏差。
• 质量控制指标，逐次扫描评分 — SNR、CNR、运动（例如，fMRI 的 FD、FreeSurfer T1 质量控制的 Euler 数）、鬼影、覆盖范围、几何畸变。在分析开始前预先设定排除阈值，而不是事后设定。
• 集中处理与本地处理 — 集中处理可消除本地流程差异；如果使用版本固定的 Docker/Singularity 容器，使用协调统一容器进行本地处理也可以接受。
• 阅片者差异 — 对任何有人参与的步骤（分割、病灶计数、BI-RADS），在样本上使用 ≥ 2 名阅片者，报告 Cohen's κ 或 ICC，并按照预先定义的规则裁定分歧。
• 分析计划 — 预注册统计模型。提前决定将中心设为固定效应（中心较少且稳定）还是随机效应（中心较多，以泛化为目标），以及是在特征层面还是图像层面应用 ComBat。

7. 决策框架 — 适用于每项影像学研究

在编写任何流程代码之前，请回答四个问题：

1. 临床问题是什么？ — 筛查、诊断、分期、预后、治疗反应还是作用机制？临床问题决定终点和可接受的误差特征。
2. 哪种模态和对比能回答这个问题？ — 将生物学与物理原理相匹配（见 §4）。如果多种模态都能回答，请选择成本效益最佳且针对该适应症已有验证的模态。
3. 哪些预处理能保留关注的信号？ — 从测量指标反向推导。如果测量指标是体积变化，就保留个体解剖结构。如果是群体层面的激活，就配准到模板。如果是纹理，就标准化采集，并避免在 ROI 内进行插值。
4. 必须控制哪些混杂因素？ — 年龄、性别、扫描仪、中心、线圈、软件版本、运动、一天中的时段、药物、扫描质量。明确列出这些因素，决定哪些纳入模型、哪些通过设计排除、哪些作为局限性说明。

如果其中任何一个问题尚不明确或存在争议，应先解决再构建流程。大多数影像学研究失败的原因在于步骤 1 或 3，而不是工具。

不应使用此技能的情况

• 为单个患者诊断选择影像学方案（临床放射学）
• 监管申报要求由合格的影像学 CRO 监督
• 实时图像解读或放射学报告

需要升级至人工专家处理的情况

• 影响主要终点的多中心协调统一决策
• 影像学生物标志物将用作试验中的替代终点
• 需要供应商专业知识的扫描仪专属方案优化

常见错误

• 错误： 将每个纵向时间点分别配准到 MNI 正确： 先构建受试者内模板，或将随访影像刚性配准到基线影像；只有在需要时才归一化到 MNI 原因： 受试者特异性萎缩会被纳入变形场，导致纵向变化信号丢失

• 错误： 仅依赖基于标签的 DICOM 去标识化 正确： 在去标识化计划中纳入像素检查、私有标签策略、SR/PDF 处理、UID 重映射和面部去除 原因： 像素中烧录的 PHI、私有标签、SR/PDF 文本叙述，以及编码日期的 UID，都会在简单的标签级清理后残留

• 错误： 使用测试-重测 ICC < 0.75 的特征构建影像组学模型 正确： 在任何监督式特征筛选之前，按 ICC ≥ 0.75（最好 ≥ 0.9）筛选特征，并评估分割稳健性 原因： 不稳定的特征会损害可重复性——基于这些特征构建的特征组合无法推广到外部队列

• 错误： 忽略多中心影像研究中的扫描仪/站点效应 正确： 统一标准化方案，应用 ComBat 或混合效应建模，将站点纳入协变量，并预注册分析计划 原因： 站点混杂可能完全解释表面上的生物学效应，导致假阳性结果

• 错误： 在结局事件很少的数据集中拟合数十个影像组学特征 正确： 确保 EPV ≥ 10（每个变量对应的事件数），使用嵌套交叉验证，并报告外部验证结果 原因： 过拟合会产生内部表现看似出色、但在任何外部队列中都完全失效的特征组合

• 错误： 因方便而非生物学相关性选择影像生物标志物 正确： 运行决策框架（问题 → 模态 → 生物标志物）——生物标志物应与临床问题在机制上相关 原因： 若研究问题是海马萎缩却使用全脑体积，或研究问题是灌注却使用 ADC，测量的就不是目标指标

• 错误： 在看到分析结果后才决定 QC 排除阈值 正确： 在分析前预先指定 QC 指标和排除阈值；透明报告纳入/排除人数 原因： 事后选择阈值会使研究偏向预期结果

• 错误： 对病灶或肿瘤 ROI 进行平滑处理或插值 正确： 在原生空间中保留基于 ROI 的测量，或在模板归一化前进行病灶填充 / 代价函数屏蔽 原因： 跨越病灶边界进行平滑会破坏纹理特征并模糊病灶边缘，使影像组学和病灶感知分析失效

参考资料

• IBSI：Zwanenburg et al. Radiology 2020，https://doi.org/10.1148/radiol.2020191145
• ADNI 方案：https://adni.loni.usc.edu/methods/mri-tool/mri-analysis/
• ComBat 协调：Fortin et al. NeuroImage 2018，https://doi.org/10.1016/j.neuroimage.2017.11.024