影像的表现能和基因数据联系到一起。本文对放射组学和放射基因组学做了综述，包含他们的基本原理，技术和临床应用。同时也会展示一些当前结果的例子以及一些出现的用于临床肿瘤的范例，重点关注放疗中可能的应用。最后，我们将要提出这个领域的挑战以及对可能的将来研究方向的一些建议，从而最大化对精准放疗可能的影响。
引言
当前对图像的理解主要依靠视觉的评价，相对较少的量化影响度量。而个性化或者精准医疗需要更加全面的疾病刻画和可信赖的预测。
最近出现的放射组学有希望发现新的影像biomarkers，比如形状，直方图和纹理衡量的肿瘤的异质性。一个相近的领域，放射基因组学，关注组织层面放射组学特征和基因、蛋白质层面潜在分子特征之间的关系。可能发现影像表现潜在的生物学基础。
放射组学的workflow
通常包含多个步骤：图像采集，肿瘤分割，特征提取，预后模拟，模型验证。
2.1 图像采集
临床肿瘤学惯例中，各种各样的模态（CT，MRI，PET）被用来提供病灶直接的可视化和评价。图像采集的目标是为了最大化正常组织和病变的对比度。但是不同机构之间缺少统一的图像采集标准。
2.2 肿瘤分割
采集完图像后，下一步就是分割感兴趣区域，通常是gross tumor。但是不同的oncologists之间分割的肿瘤会有显著的变化。作为替代，肿瘤可以半自动或者全自动的分割出来。在不久的将来，基于深度学习的自动分割工具有望成为现实。
2.3 特征提取
两种类型的放射组学特征：语义和agnostic可以从图中提取出来对肿瘤进行全面的刻画。不少公开/商业软件已经使用了放射组学特征。商业公司汇医慧影基于云平台来做放射组学研究。
2.4 预测建模
肿瘤的表象被编码为特征向量，人工智能算法就可以用来检测和临床/基因特性相关的pattern。实际中，特征会很多，而样本却较少，通常还需要做特征选择。
2.5 模型验证
评估新提出的放射组学signatures和已经知道的临床病理特征，通过将它们组合到一个多变量模型中。
2.6 放射组学量化评分和实际的实现
对于一个典型的放射组学研究，图像采集和肿瘤分割需要专业的放射技师来完成，是最耗时间的部分。特征提取和模型构建、验证可以被自动完成。
3 放射组学在放疗中当前的状态和结果
重点介绍一些例子，可能和提升放疗中病人管理相关的研究。Aerts预测经过放疗的肺癌病人存活时间。他们还调查了MRI特征和存活时间、胶质瘤进展的关系
4 新出现的精准放疗范例：刻画空间异质性的瘤内分割
5 放射基因学：整合影像和基因
两方面的研究：1）对肿瘤特定的基因或者分子表现，找出相关联或者可替代的影像关系。比如肺癌患者CT语义和放射组学影像特征被发现和EGFR突变相关联。2）将肿瘤分类为subtypes基于影像学表现，而不是分子特征。最近Wu等人发现并独立验证了三种乳腺癌的影像subtypes，有均匀的瘤内增强，微小的实质增强或者显著的实质增强。超过1000人的大样本研究发现，每个影像subtypes和不同的预后相关，异常调节分子通路，并且发现和已知的内在分子子类型互补。（Wu J, Cui Y, Sun X et al. Unsupervised clustering of quantitative image phenotypes reveals breast cancer subtypes with distinct prognoses and molecular pathways. Clin Cancer Res 2017;23:3334–42）
一个很重要的方向是利用影像和分子数据互补的力量，进一步提升临床的预测精度。Grossmann等人整合基因表达和CCT放射组学signature来增强肺癌患者存活时间的预测。
放射组学研究的挑战
标准化图像采集协议，特征提取，确保放射组学特征鲁棒性和可重复性，从而最大化转化的可能性，培养数据分享的文化从而整合多中心的病例。
