特征提取是影像组学的核心步骤，其中常用的特征包括以下三大类：①形态学特征，即通过提取肿瘤的三维表面信息来描述肿瘤的几何形状，如表面积、体积、致密性和球面性等;②直方图特征，即将病灶的三维数据转换成单一的直方图来表示每个体素的值，可计算均值、中位数、方差、偏度、峰度等;③纹理特征，即影像灰度在空间上的变化和重复。现阶段纹理分析方法多种多样，其中基于统计纹理分析的灰度共生矩阵最为常用，该方法可以计算同质度、对比度、非相似性、相关性、熵和能量等参数[5-8]。特征提取可产生数百个原始特征，并非所有的特征都具有统计学意义，这就需要研究者对这些特征进行选择。目前，常用的特征选择方法包括方差分析、秩和检验、相关性检验、主成分分析、LASSO方法等。

    经过上述一系列操作，研究者选择性的剔除无用、冗余的特征，留下最具预测价值的关键特征构建分类或回归模型，并通过模型的内部和外部验证，评估模型是否具有预测性。现阶段常用的模型包括Logistic回归、支持向量机(Support vector machine， SVM)、K-最邻近、决策树、随机森林、朴素贝叶斯、神经网络等[9-10] ......