精准医疗时代的来临，医疗护理越来越依赖数据驱动。鉴于收集的数据量庞大，若没有合适的工具，临床医生难以迅速且充分地评估这些数据与患者治疗的相关性。影像数据是其中的重要组成部分，人工智能的应用使得数据处理更加高效，能够处理数太字节到拍字节的数据，从而开发出对临床工作流程和试验有积极影响的模型。

放射科医生和核医学医生在实际工作中，除了进行一维测量或半定量分析外，很少充分利用丰富的定量医学影像数据。然而，对感兴趣区域 / 体积进行空间特征描述的纹理分析，可能为深入了解潜在的病理生理学机制提供线索。这种从影像中高通量提取图像特征的方法被称为 “影像组学”，即从射线照相图像中提取手工制作的特征，以作为连接基因组和蛋白质组表达的桥梁。其主要应用于预测建模。但影像组学分析的迅速应用和发展，引发了人们对标准化、工作流程可重复性、高维特征空间、模型稳定性以及临床转化的通用性等方面的担忧。

影像组学质量评分（RQS）是早期为指导研究人员和评审人员根据理想工作流程评估影像组学研究而做出的尝试。该评分范围从- 8到 36（0% 到 100%），涵盖16个标准，每个标准都对可靠开展和报告影像组学研究的某一方面进行评估，并赋予/扣除不同的分值。RQS 注重报告图像采集协议的透明度、使用多个外部数据集进行验证、开展前瞻性研究、将影像特征与潜在生物学机制相关联、采用合适的评估指标，同时鼓励使用开源代码和公开数据集。值得注意的是，外部验证和前瞻性研究的权重较高，分别可获得5分和7分。自推出以来，RQS 已成为影像组学研究事实上的评估工具。

最近，发表在European Radiology 上的一篇文章对影像组学质量评分（RQS）的应用进行了系统评价和荟萃分析。

本项研究在 2022年1月1日至2023年12月31日期间进行检索，以获取实施了影像组学质量评分（RQS）的系统评价。对于2022年之前的文章，通过之前已发表的综述进行识别。提取单个影像组学论文的质量评分、其相关的标准评分以及所有评审者给出的这些评分。记录并纠正影像组学质量评分（RQS）标准应用中的错误。将影像组学论文的 RQS 与可获取的发表日期、成像方式和国家进行匹配。

研究共纳入 130 篇系统评价，提取了 117/130 篇（90.0%）论文的单个质量评分、98/130 篇（75.4%）论文的标准评分以及 24/130 篇（18.5%）论文的多个评审者数据。3258 个质量评分与影像组学研究的发表日期相关联。在 98 篇文章中的 39 篇（39.8%）发现了标准评分错误。总体平均 RQS 为 9.4 ± 6.4（95% 置信区间，9.1 - 9.6）（26.1% ± 17.8%（25.3% - 26.7%））。质量评分与发表年份呈正相关（皮尔逊相关系数 R = 0.32，p < 0.01），且在 RQS 发布后显著更高（2018 年之前，5.6 ± 6.1（5.1 - 6.1）；2018 年及之后，10.1 ± 6.1（9.9 - 10.4）；p < 0.01）。只有 3258 个评分中的 233 个（7.2%）达到或超过了最大 RQS 的 50%。不同成像方式的质量评分存在显著差异（p < 0.01）。有 10 个标准与发表年份呈正相关，1个标准与发表年份呈负相关。

表 放射组学质量评分（RQS）局限性综述

本项研究表明，影像组学研究对影像组学质量评分（RQS）的遵循程度随着时间的推移在增加，尽管绝大多数研究仍处于发展阶段，很少能提供高水平的证据来证明所提出模型的临床转化合理性。

原文出处：

Nathaniel Barry,Jake Kendrick,Kaylee Molin,et al.Evaluating the impact of the Radiomics Quality Score: a systematic review and meta-analysis.DOI:10.1007/s00330-024-11341-y