مروری منتشرشده در JAMA Otolaryngology–Head & Neck Surgery (فوریه ۲۰۲۶) با عنوان Radiomics in Otolaryngology–Head and Neck Surgery به بررسی کاربردهای رادیومیکس در حوزه گوش و حلق و بینی پرداخته است

این مقاله رادیومیکس را به‌عنوان پلی میان تصویربرداری پزشکی و پزشکی شخصی‌سازی‌شده معرفی می‌کند؛ حوزه‌ای که با استخراج ویژگی‌های کمی از تصاویر پزشکی، امکان پیش‌بینی ویژگی‌های بافت‌شناسی و پیامدهای بالینی را فراهم می‌کند.

---

رادیومیکس چیست؟

در رادیومیکس، تصاویر دیجیتال (CT، MRI، PET یا سونوگرافی) به داده‌های عددی تبدیل می‌شوند. هر پیکسل یا وکسل دارای مقدار خاکستری است که پس از سگمنتیشن (تعریف ROI یا VOI)، نرم‌افزارهای تحلیلی مانند PyRadiomics ویژگی‌های کمی را استخراج می‌کنند

انواع ویژگی‌های رادیومیکس (طبق شکل صفحه ۲ مقاله)

1. ویژگی‌های مورفولوژیک
   حجم، قطر، کرویت، نسبت سطح به حجم

2. ویژگی‌های مرتبه اول (Intensity-based)
   میانگین، واریانس، آنتروپی، یکنواختی

3. ویژگی‌های بافتی (Texture features)
   مبتنی بر ماتریس‌هایی مانند GLCM، GLSZM و GLDZM که پیچیدگی فضایی سیگنال را ارزیابی می‌کنند

رادیومیکس و هوش مصنوعی

ویژگی‌های استخراج‌شده وارد مدل‌های یادگیری ماشین (ML) یا یادگیری عمیق (DL) می‌شوند. برخلاف شبکه‌های عصبی عمیق که گاهی «جعبه سیاه» هستند، مدل‌های مبتنی بر رادیومیکس اغلب قابل تفسیرتر و همسو با شهود بالینی هستند

کاربردهای رادیومیکس در گوش و حلق و بینی

۱. سرطان‌های سر و گردن (SCC)

بیشترین مطالعات رادیومیکس در ENT مربوط به کارسینوم سلول سنگفرشی سر و گردن است.

🔹 تشخیص متاستاز غدد لنفاوی مخفی

مدل‌های مبتنی بر CT توانسته‌اند متاستازهای گردنی مخفی را با AUC بالا (تا ۰.۹۸ در برخی مطالعات) پیش‌بینی کنند

🔹 پیش‌بینی گسترش خارج‌گرهی (ENE)

مدل‌های یادگیری عمیق در برخی مطالعات عملکردی بالاتر از رادیولوژیست‌ها داشته‌اند (AUC حدود ۰.۹۱)

🔹 تعیین وضعیت HPV

مدل‌های ترکیبی رادیومیکس–بالینی عملکرد بهتری نسبت به مدل‌های تک‌وجهی نشان داده‌اند (AUC حدود ۰.۸۷)

این کاربردها می‌توانند در جلوگیری از درمان سه‌گانه غیرضروری (جراحی + رادیوشیمی‌درمانی) نقش داشته باشند.

---

۲. پیش‌آگهی و بقا

رادیومیکس در پیش‌بینی موارد زیر کاربرد دارد:

• بقای بدون بیماری (DFS)

• بقای بدون پیشرفت (PFS)

• بقای کلی (OS)

• عود موضعی یا دوردست

در برخی مطالعات، مدل‌های مبتنی بر CT یا MRI توانسته‌اند عود زودرس یا بقا را با AUC حدود ۰.۸۰–۰.۹۴ پیش‌بینی کنند

۳. پیش‌بینی پاسخ به درمان

🔹 دوزیومیکس (Dosiomics)

تحلیل توزیع دوز پرتودرمانی برای پیش‌بینی عود یا پاسخ درمانی

🔹 دلتا-رادیومیکس (δ-radiomics)

تحلیل تغییرات ویژگی‌های تصویری در طول درمان

این روش‌ها در پیش‌بینی پاسخ به رادیوتراپی، هیپوکسی تومور و حتی عوارضی مانند زروستومی کاربرد داشته‌اند

۴. لارنگولوژی

• افتراق سرطان گلوت از هیپرپلازی سنگفرشی

• پیش‌بینی تهاجم غضروف تیروئید در SCC حنجره
  این موارد در مرحله‌بندی و تصمیم جراحی اهمیت مستقیم دارند

۵. اندوکرینولوژی و سونوگرافی تیروئید

رادیومیکس مبتنی بر سونوگرافی در موارد زیر بررسی شده است:

• افتراق ندول‌های بدخیم تیروئید

• پیش‌بینی متاستاز لنفاوی

• پیش‌بینی گسترش خارج‌تیروئیدی

• تیروئیدیت هاشیموتو

۶. نورواوتولوژی

در شوانوم وستیبولار:

• پیش‌بینی پاسخ به رادیوسرجری

• مدل‌سازی خون‌رسانی تومور

• پیش‌بینی وضعیت شنوایی

برخی مطالعات AUC بالای ۰.۹۳ گزارش کرده‌اند، ولی نیاز به اعتبارسنجی بزرگ‌تر وجود دارد

۷. رینولوژی

• افتراق تومورهای بدخیم و خوش‌خیم سینونازال (AUC حدود ۰.۹۱)

• پیش‌بینی بدخیمی پاپیلوم معکوس

• پیش‌بینی عود آدنوم هیپوفیز

چالش‌های رادیومیکس

مقاله به چند مانع مهم اشاره می‌کند:

• تفاوت پروتکل‌های تصویربرداری

• زمان‌بر بودن سگمنتیشن دستی

• حجم نمونه‌های کوچک

• نبود اعتبارسنجی خارجی

• خطر overfitting

• نیاز به تبعیت از استانداردهای TRIPOD+AI

آینده رادیومیکس در ENT

نویسندگان پیشنهاد می‌کنند:

• استانداردسازی پروتکل‌های تصویربرداری

• ایجاد بانک‌های داده چندمرکزی

• ادغام ابزارهای رادیومیکس در سیستم‌های EMR

• استفاده از رادیومیکس به‌عنوان یک «آزمایش تصویری» مشابه مارکرهای آزمایشگاهی

جمع‌بندی برای پزشکان

رادیومیکس در جراحی سر و گردن می‌تواند:

✅ تشخیص زودهنگام را بهبود دهد
✅ پیش‌آگهی دقیق‌تر ارائه دهد
✅ پاسخ به درمان را پیش‌بینی کند
✅ برنامه درمانی شخصی‌سازی‌شده طراحی کند

با وجود چالش‌ها، این فناوری پتانسیل ادغام در جریان کاری بالینی را دارد و می‌تواند در آینده نزدیک بخشی از تصمیم‌گیری استاندارد در ENT شود

منبع::