摘要：在肿瘤影像分析里，“异质性”（Intratumor Heterogeneity，简称 ITH）是个绕不开的关键词。它描述的是同一个肿瘤内部的“多样性”：不同位置可能有不同的结构、密度、代谢活性，甚至不同的微环境。ITH 越高，往往意味着肿瘤更复杂、更难预测，也
在肿瘤影像分析里，“异质性”（Intratumor Heterogeneity，简称 ITH）是个绕不开的关键词。它描述的是同一个肿瘤内部的“多样性”：不同位置可能有不同的结构、密度、代谢活性，甚至不同的微环境。ITH 越高，往往意味着肿瘤更复杂、更难预测，也可能与不良预后相关。
本文用通俗方式，带你理解几种常见的，PixelmedAI支持的 ITH 评分思路：
基于连通性聚类的 ITH（cluster map）基于图像区域特征的 ITH（regionprops）基于空间自相关的 ITH（全局莫兰指数 Moran’s I）基于机器学习预测概率的 ITH（模型输出概率）想象一座“城市”（肿瘤），这座城市里有不同的“街区”（病灶的局部区域）：
有的街区房屋整齐、密度类似（低异质性）；有的街区新旧混杂、风格迥异（高异质性）。ITH 要做的，就是量化这种“混杂”的程度。不同的方法，相当于不同的“城市规划视角”。
核心问题：肿瘤内部被划分为多个类别/亚区后，这些类别在空间上是“一整块为主”还是“碎碎散散”？直觉理解： 如果每个类别都能形成“大块连续区域”，说明结构比较统一，异质性较低；如果各类别都被撕碎成很多小块，彼此交错分布，说明内部很不一致，异质性较高。评分思路： 看“每个类别的连通片数量”和“最大的连通片有多大”，再与整体肿瘤大小比较；连通片越多、越碎，评分越高（更“杂”）。适合场景： 已经有了明确的肿瘤“亚区分割”或“分型标签”（比如不同功能区域、不同增强模式）；关注空间“碎片化”程度对临床结果的影响（如预后、治疗反应）。小结：这是“拼图视角”——同一种颜色是连成大块，还是被撕成碎片散落一地？
核心问题：同样是看类别/亚区在肿瘤内部的空间形态，但从“区域形态统计”的角度概括。直觉理解： 我们不逐片数，而是用区域的“面积”“填充程度”等特征，概括这个类别在空间上是“稳态大块”还是“分散破碎”。评分思路： 汇总每个区域的“典型形态指标”，再做整体的归纳；当“大片连续区域”占主导时，倾向低异质性；当“形态破碎、填充不足”的区域增多时，倾向高异质性。适合场景： 同样适用于已经分好类/分好区的肿瘤；强调用“形态学统计”来概括异质性，更便于与其他形态学指标联动（如紧致度、圆度等）。小结：这是“形态学视角”——用区域的形状与填充特征，来概括内部一致性。
核心问题：肿瘤内部的“相似值”是否更喜欢“扎堆”在一起？还是彼此交错混合？直觉理解： 如果“高值挨着高值、低值挨着低值”很多，说明空间上“物以类聚”，整体更有规律，异质性相对较低；如果“高值和低值像盐和胡椒一样撒在一起”，则空间结构更混乱，异质性更高。评分思路： 把肿瘤里的每个体素看成地图上的一个格子，观察相邻格子的数值是否相似；相似的格子越爱扎堆，指数越高；越是“你中有我、我中有你”，指数越低，甚至呈反相关。适合场景： 你有一个“连续型的影像特征”（比如强度、纹理响应、功能参数），想量化它的空间“聚集”还是“混杂”；想从“全局空间模式”的角度定义 ITH，而不是依赖明确的类别标签。小结：这是“地图视角”——看相似区域是否成群结队，还是打散重叠。
核心问题：如果用机器学习模型来判断肿瘤的某种属性（如分子分型、复发风险），模型的“信心分布”能否反映肿瘤的异质性？直觉理解： 对同一个肿瘤，若模型在不同位置给出的“属于某类的概率”起伏很大（有的地方很确定，有的地方很不确定），说明内部信息不一致，可能更“异质”；如果整块肿瘤模型都很“笃定”同一类，说明内部较一致，异质性可能较低。评分思路： 用模型输出的“概率地图”或“整块概率分布”的离散度（比如波动程度、置信-不确定对比）作为 ITH 的替代指标；概率越分散、越不稳定，ITH 越高。适合场景： 你已经训练了一个稳定的模型，希望把“模型对空间的理解”转化为异质性的量化表达；希望把 ITH 与“预测不确定性”结合起来，服务于决策。小结：这是“模型视角”——用模型的“信心波动”侧写肿瘤内部是否一致。
已有明确的“亚区标签/分区图”，想看空间是否碎片化：
首选：基于“连通性聚类”的 ITH（cluster map）辅助：基于“区域特征”的 ITH（regionprops）没有明确标签，但有“连续型影像特征”（强度、功能参数等），想看整体空间模式：
首选：全局莫兰指数 Moran’s I已有成熟模型，希望结合模型“信心地图/概率分布”来量化内部一致性：
可用：模型输出概率作为 ITH 替代指标强调可解释性与空间直观可视化：
连通性/区域特征更直观（看“碎片”与“大块”）Moran’s I 更像“整体空间规律”的温度计模型概率强调“预测不确定性”的角度实践中的注意事项数据一致性 同一项目中尽量统一邻域定义（2D 的 8 邻域、3D 的 26 邻域）和空间分辨率，以保证可比性。掩膜与标签质量 ITH 完全建立在“掩膜”和“分区/特征”之上。掩膜粗糙或标签漂移都会放大量化误差。显著性与统计学稳健性 如果需要“统计显著”的说法，应考虑置换检验或多重比较校正，而非只用阈值硬切分。解释与临床关联 ITH 是“中间指标”。一定要结合结局（预后、治疗反应）去验证其临床意义，而非只看数值大小。它们都是 ITH 的不同侧面，没有绝对的“谁更好”，只有“谁更适合你的数据与问题”。最好的做法，是在一个清晰的实验设计中，用两三种互补的方法，交叉验证你的发现，让 ITH 的刻画更全面、更稳健。
来源：影像诊断小札记一点号
