研究说了什么
影像组学把图像里的灰度分布、纹理与形状转成数百到上千个数值特征，再用机器学习建模。问题在于这些特征对扫描参数极其敏感。一项体模与患者结合的重复性研究让同一批人在短时间内接受两次 CT，层厚、重建算法与感兴趣区的勾画都由同一组人完成，结果只有约三成特征的组内相关系数超过零点九，约五成在零点七五到零点九之间，剩下两成低于零点七五，被视为不可重复。层厚从一毫米改为三毫米，部分纹理特征变化超过三成；重建核从软组织换成肺算法，一阶特征的方向直接反转。勾画者之间的差异同样显著，同一病灶两位医生勾出的边界，让形状特征的变异系数达到百分之十到二十。研究进一步做了重复扫描的模拟：把噪声、呼吸相位与体位差异逐一加入，发现灰度共生矩阵类特征最脆弱，而体积、均值这类一阶特征相对稳健。这意味着一个声称 AUC 零点九的模型，若特征表里混入大量低重复性指标，外部验证时性能会明显下滑，跌幅可达零点一以上。研究者还发现，同一台设备在不同日期扫描，部分特征的均值漂移可达百分之五，足以让一个固定阈值在复测时失效。
为什么重要
影像组学被寄望于从常规片子里挖出额外信息，但若特征本身不可重复，模型学到的可能是扫描仪的指纹，而不是生物学。临床上常见的后果是：同一患者在两家医院做同样部位的 CT，模型给出的风险评分差异很大，医生无法判断是病情变化还是设备差异。对研究者，报告特征稳定性应成为标配，至少给出重复扫描的 ICC 或变异系数，并说明预处理流程。对医院，推进影像组学落地的前提是扫描协议标准化，层厚、重建核、对比剂方案尽量统一，否则模型只在原厂设备上有效。对个人，看到人工智能读片准确率超过九成的报道时，可以问一句：训练与测试是否来自同一台机器、同一套参数。这不是挑剔，而是判断结论能否外推的基本功。需要强调，影像组学目前多处于研究阶段，任何基于其输出的风险提示都应由医生结合影像与临床判读，不能作为独立诊断依据。另一个常被忽略的细节是勾画顺序，先画病灶再画对照与反过来，会让部分纹理统计量出现系统性偏移，幅度虽小，却足以改变风险分层。
证据与边界
影像组学的重复性研究已有一定积累，但多数样本量小、单中心，且集中在少数瘤种。体模研究能控制变量，却无法完全模拟患者的呼吸运动、金属伪影与组织异质性；患者研究更真实，却难以把扫描间变异与真实的生物学变化分开。另一个边界是特征定义不统一，不同软件对同一名称的特征可能采用不同公式，跨平台比较因此失真。报告规范如 IBSI 试图统一计算方式，但落地程度参差。模型层面，过拟合普遍存在：特征数远多于事件数时，AUC 可以轻易冲到零点九以上，外部验证却掉到零点七以下。校准比区分度更容易被忽略，一个区分度尚可但校准差的模型，会把风险系统性高估或低估。此外，影像组学多作为辅助信息，其增量价值应通过与临床变量的对比来体现，若加入大量特征只让 AUC 提升零点零二，实际意义有限。对读者，理性预期是把它看作研究工具而非现成诊断产品，具体解读交给放射科与临床医生。这些因素叠加后，模型在真实队列中的表现往往低于论文数字，读者对这类报道应保留一份合理预期。