作者：
常规T1WI 及T2WI 主要通过淋巴结短径、长短径比、是否存在坏死、针状边界等形态学特征来预测LNM，缺乏定量参数，难以区分增生、炎症导致的淋巴结肿大和LNM，会造成过高的假阴性率，使宫颈癌过低分期，导致部分病人手术后仍需辅助放化疗。定量MRI 技术兼具形态学和功能学的双重优势，是无创预测宫颈癌治疗前LNM 的主要手段之一。
本文综述了多种定量MRI技术、基于MRI 影像组学和深度学习的定量分析方法在预测宫颈癌LNM 方面的研究进展，对比不同技术的应用价值和局限性，以期为宫颈癌精准分期和治疗选择提供参考依据。
1. 定量MRI 技术
1.1 扩散加权成像(DWI)
DWI 从微观水平量化水分子在组织中的扩散运动速度，其定量参数为表观扩散系数(ADC)，已广泛应用于病变诊断和疗效评估。Qian 等研究表明，宫颈癌肿瘤ADC 值在预测正常大小LNM 方面具有巨大潜力，阈值为5.24×10-3 mm2/s 时，曲线下面积(AUC)为0.79，敏感度为80.00%，特异度为73.77%。Song 等研究发现，淋巴结ADC 阈值为0.91×10-3 mm2/s 时，预测正常大小转移淋巴结的敏感度仅为71.10%、特异度为88.60%，结合淋巴结短径、短径与长径之比与ADC 值共同构建预测模型诊断效能较高(AUC 为0.94)，敏感度达到90.90%，特异度为87.10%。但根据正常大小转移淋巴结ADC 值预测LNM 存在一些问题，如正常形态的转移淋巴结通常容易被漏诊造成样本偏差；淋巴结体积过小测量ADC 值会受到部分容积效应影响；淋巴结难以与组织学结果一一对应。
因此，Fan 等认为宫颈癌原发肿瘤的ADC 值能更好地预测LNM，LNM 组ADC 值较非LNM 组低[(0.82±0.14)×10-3 mm2/s 和(1.06±0.35)×10-3 mm2/s]，ADC 值以0.95×10-3 mm2/s 为阈值，预测LNM 的敏感度为86.00%，特异度为50.00%。Mi 等基于宫颈癌原发肿瘤DWI 参数来预测LNM，研究通过测量肿瘤边缘的ADC 值预测LNM，阈值为0.77×10-3 mm2/s 时，敏感度为91.00%，特异度为63.00%，准确度为71.20%，可能由于肿瘤外周组织富含肿瘤干细胞，比肿瘤中心有更多的功能性血管和淋巴管，导致LNM 的概率增高。
综上，通过测量转移淋巴结或原发肿瘤的ADC 值预测宫颈癌LNM 均是可行的方法，但DWI 容易受到扫描条件的影响，不同研究的预测阈值与预测效能差异较大，需与形态学特征相结合进一步提高预测的准确性。
1.2 体素内不相干运动(IVIM)
IVIM 可以反映组织内水分子扩散及灌注信息，其核心参数包括实际扩散系数(D)、伪扩散系数(D*)和灌注分数(f)，其中f 反映了有多少比例的水分子运动是来源于毛细血管内的血流灌注。IVIM 已广泛用于宫颈癌的诊断、鉴别病理亚型和组织学分级、评价疗效等研究中。Xu 等研究显示，转移性淋巴结代谢高，扩散受限、f 值降低，D 阈值为1.06×10-3 mm2/s 时，预测LNM 的敏感度为89.66%，特异度为66.67%，f 阈值为0.31 时敏感度为72.41%，特异度为80.00%，与转移性淋巴结具有高核质血浆比值、细胞体积增加和细胞外空间扩散受限有关。
Zhang 等探讨了IVIM技术从宫颈癌原发肿瘤及淋巴结两方面对LNM 的预测价值，结果发现LNM 组原发肿瘤f 值升高，而转移性淋巴结的D* 降低，f 值升高。f 值升高反映微循环灌注增加，与肿瘤的血管内皮生长因子水平升高有关，f 值减低可能与肿瘤缺氧相关。肿瘤血管生成和缺氧均与LNM 密切相关。但也有研究表明，原发肿瘤的f 和D* 值对于预测LNM 没有帮助。目前IVIM 定量参数变化与肿瘤微环境之间的关联性尚待明确，需要更多基础性、大样本、前瞻性的研究来探究。
1.3 扩散峰度成像(DKI)
DKI 可以检测水分子在组织中非高斯分布的运动，具有量化反映组织微观结构异质性的潜力。异质性较高的肿瘤更容易发生LNM。DKI 参数中的平均峰度系数(mean kurtosis，MK)与肿瘤异质性呈正相关，平均扩散系数(mean diffusion，MD)表示水在组织中的扩散自由程度，MD减低表示扩散受限。DKI 参数在宫颈癌亚型、分期、分级的鉴别方面有重要的价值。
Huang 等研究发现LNM 组宫颈癌原发肿瘤MK 值升高，而MD 值减低；当MK 阈值为0.93 时，预测LNM 敏感度为88.20%，特异度为52.30%；MD 阈值为1.17×10-3 mm2/s 时，预测LNM 的敏感度为88.20%，特异度为43.20%。DKI可反映原发肿瘤异质性和细胞密集程度，在预测宫颈癌LNM 中具有良好的应用前景，但研究中b值的选择和扩散方向数目尚不统一，高b 值条件下影像信噪比偏低。
1.4 扩散张量成像(DTI)
DTI 能捕捉水分子扩散的方向性信息，通过各向异性分数(fractional anisotropy， FA)、平均扩散率(mean diffusivity， MD)和轴向扩散率(axial diffusivity， AD)3 个参数反映组织细胞密度、纤维束走行，其在神经系统中的应用最为广泛和成熟，在肿瘤、腹部、骨肌等方面亦显示出独特价值。
Yamada 等研究表明，转移性淋巴结FA、MD、AD 值均降低，FA 阈值为0.36 时预测LNM的敏感度为100%，特异度为83.33%；MD 阈值为0.64×10-3 mm2/s 时的敏感度为100%，特异度为91.67%；AD 阈值为0.65×10-3 mm2/s 时的敏感度为75.00%，特异度为100%。但该研究中仅纳入了1 例宫颈癌病人的4 个转移淋巴结样本和12 个非转移淋巴结样本，结果的变异性高、泛化能力差。
DTI 在预测宫颈癌LNM 转移方面的研究还处于起步阶段，质量控制和影像预处理、结果可视化还没有达成共识，限制了其在该领域的深入应用。
1.5 酰胺质子转移加权(amide proton transfer weighted， APTw)成像
APTw MRI 能够测量水分子与内源性移动蛋白、肽或多肽之间的化学交换速率，揭示了组织内部蛋白的含量，更深入地反映了酸碱环境的动态变化，有利于早期发现及诊断肿瘤、检测肿瘤治疗的反应、预后评估等。Huang 等探讨了APTw 联合DKI 预测宫颈癌LNM 的可行性，发现LNM 组原发肿瘤APTw 信号强度较非LNM组升高[(3.70±1.10)%和(2.40±1.00)%]，APTw 阈值为2.86%时，预测LNM 的敏感度为82.40%，特异度为70.50%；APTw 在预测宫颈癌LNM 方面优于DKI，APTw 联合DKI 可提高预测宫颈癌LNM 的特异度(88.60%)。
综上，APTw 成像的信号变化影响因素较多，成像稳定性和影像质量有待提高；其与其他模态MRI 相结合有望进一步提高对LNM 预测的价值。
1.6 动态增强MRI (DCE-MRI)
DCE-MRI 通过定量参数[容积转移常数(Ktrans)、速率常数(kep)、血管外细胞外容积分数(ve)]表征肿瘤微血管系统，从而间接反映肿瘤灌注状态。Kim 等研究显示转移淋巴结的Ktrans 减低，以0.08 min-1 为阈值预测ⅠB3、ⅡA2 期宫颈癌LNM，AUC 分别为0.74、0.78，敏感度为61.70%、60.20%，特异度为81.80%、80.20%。
Xu 等研究表明转移淋巴结Ktrans 和ve 值升高，Ktrans阈值为0.52 min-1 时，敏感度为90.30%，特异度为96.50%，准确度为91.40%；ve 阈值为0.53 min-1 时，敏感度为89.30%，特异度为98.20%，准确度为92.40%。
Zhang 等研究显示，宫颈癌原发肿瘤的Ktrans、kep、ve 在LNM 组与非LNM 组间差异均无统计学意义，可能是由于只纳入了ⅠB1-ⅡA1 期宫颈癌病人，LNM 率相近，而转移性淋巴结Ktrans、kep、ve 升高，阈值分别为0.78、0.65、0.70 min-1 时预测LNM的敏感度分别为66.70%、60.00%、63.30%，特异度分别为85.90%、68.70%、73.40%。
Bai 等在前瞻性研究中纳入66 例病人，通过分析宫颈癌原发肿瘤的DCE-MRI 参数，发现LNM 组kep 值升高，阈值为1.11 min-1 时，预测LNM 的敏感度为85.00%、特异度为67.40%，预测正常大小LNM 的敏感度和特异度分别为90.90%和66.70%。缺氧是导致宫颈癌LNM 的重要因素之一，有研究表明DCE-MRI参数能够反映肿瘤内部的缺氧状态，因此利用DCE-MRI 能够进一步揭示缺氧与LNM 的关系。
2. MRI 影像组学和深度学习
2.1 影像组学
影像组学将图像转换为定量特征，量化地反映肿瘤的空间和时间异质性。Liu 等结合宫颈癌肿瘤T1WI 和T2WI 的影像组学特征与临床特征构建宫颈癌LNM 预测模型，研究显示模型预测的准确度为77.80%，敏感度为42.90%，特异度为90.00%。Wang 等结合宫颈癌原发肿瘤T2WI、T2WI抑脂、ADC 及影像组学特征构建LNM 预测模型，结果显示模型的AUC 值为0.92，敏感度为81.80%，特异度为85.90%。
Zhang 等通过宫颈癌肿瘤内部及其周围3 mm 区域的T2WI、DWI 组学特征构建LNM预测模型，结果显示模型的AUC 为0.85，敏感度为78.40%，特异度为83.30%，准确度为80.80%。Zhang等通过肿瘤f 值与纹理参数联合构建模型来预测LNM，结果显示其敏感度为88.90%，特异度为78.50%，而在此基础上结合淋巴结ADC、D* 构建的模型预测LNM 的敏感度为100%， 特异度为77.10%，优于淋巴结形态学特征。
Song 等通过结合T2WI 淋巴结影像组学特征及原发肿瘤评分预测正常大小LNM 的AUC 为0.82，敏感度为57.00%，特异度为92.00%，准确度为78.00%。综上，基于T1WI 及T2WI 的影像组学预测LNM 特异度高、敏感度较低，多序列MRI 影像组学与临床特征相结合具有良好的互补性，能够更为全面地分析宫颈癌LNM影响因素，提高了预测准确性。
2.2 深度学习(DL)
以深度卷积神经网络(convolutional neural networks， CNN) 为代表的DL 技术具有自动地从影像数据中学习并提取更深层次、更具诊断和鉴别能力的特征，已成为医学影像的研究热点。Qin 等通过构建结合临床因素、肿瘤T1WI、T2WI 和DCE-T1WI 特征的DL 模型，预测可手术宫颈癌的LNM，结果显示模型的AUC 为0.83，敏感度为85.00%，特异度为73.00%，优于临床模型。
Wu 等在一项多中心研究中分别利用DCE-T1WI、T2WI、DWI 和肿瘤内及肿瘤周围区域特征构建DL 宫颈癌LNM 预测模型，其中DCE-T1WI 肿瘤+瘤周模型效能最好，AUC 值为0.89，敏感度为88.73%，特异度为71.54%；进一步将DCE-T1WI 肿瘤+瘤周模型与MRI淋巴结状态联合构建DL 模型，其AUC 值为0.96，敏感度为92.96%，特异度为97.38%，这可能由于肿瘤周围区域有较高的淋巴管密度而加剧了LNM 的发生。
Qian 等研究显示基于肿瘤多次激发DWI、ADC 的DL 模型在预测宫颈癌正常大小LNM 的效能优于传统单模态DWI 模型，其AUC 为0.77，敏感度为63.60%，特异度为81.30%；模型中加入临床信息后AUC 为0.84，敏感度为72.70%，特异度为90.60%。与传统影像组学模型相比，DL 模型减少了人工特征选择的主观性且省时，实现了影像数据的全自动分析。
总之，DL 能对数据潜在特征进行最大化挖掘，提高了宫颈癌LNM 预测模型的鲁棒性和可重复性，但也存在可解释性不高，数据量巨大等限制。
3. 小结与展望
LNM 是影响宫颈癌病人治疗决策和预后的重要因素。定量MRI 技术结合影像组学、DL 方法可提高治疗前诊断LNM 的准确性，具有广阔的发展前景。但尚存在以下问题：大多数研究均基于原发肿瘤预测LNM，尚不能实现具体淋巴结的精准预测；同一种技术影响因素多，不同研究者得到的预测阈值各异，难以实现临床推广；影像组学的可重复性、特征的可解释性仍需进一步研究。随着成像技术的精进及扫描的规范化、人工智能的不断发展，加之统一化、多中心、大样本量研究的验证，未来有望探索出更精准的LNM 预测方法，早日实现宫颈癌的个体化及精准治疗。
来源：张静，庞雅萱，郭顺林，等.定量MRI技术预测宫颈癌淋巴结转移的研究进展[J].国际医学放射学杂志，2025，48(01)：102-106.DOI：10.19300/j.2025.Z21475.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
