根据2022年全球癌症统计，全世界约有
2018年国际妇产科联合会（FIGO）首次建议使用“任何可用的”影像成像方式（包括CT、MRI及PET等）进行宫颈癌的诊断及分期。病理是确诊宫颈癌的“金标准”，但其有创、费时且活检样本量较小很难代表整个肿瘤内部异质性。寻找无创、简便的生物标志物来准确的预测宫颈癌具有重要的临床意义。
当下，人工智能（AI）快速发展并与影像组学紧密结合，通过分析宫颈癌患者的临床数据、影像学检查与病理类型、分化程度、治疗反应、基因表达之间的关系，在宫颈癌的无创诊断、鉴别诊断、疗效监测、预测复发及转移、提供潜在治疗靶点等方面取得了一定的成绩。然而，影像组学在宫颈癌中的研究缺乏标准化、大样本、前瞻性以及缺乏外部验证、可重复性及开放性等挑战。本文将系统性地探讨基于MRI的影像组学联合AI在宫颈癌诊断及管理中的应用现状、未来挑战与发展，以期推动其广泛纳入临床实践。
1. 影像组学及人工智能概述及发展现状
1.1 影像组学及人工智能概述
影像组学为从影像图像（如MRI、CT、PET/CT）中挖掘高维信息特征，并将特征转化为数字化数据，进而构建预测模型，由Gillies 等于2010 年首次提出；在2012 年进行了更为详尽的阐述，其能够摈弃影像医师主观判断，提供对肿瘤病理类型、组织分化、疗效和生存率的良好预测能力。
目前，影像组学工作流程包括图像采集、重建分割；特征提取、筛选；模型建立、验证、测试及评估等环节。AI的核心是学习并识别数据之间的模式与关系，进而应用于新数据的分析与决策。机器学习（ML）和深度学习（DL）是实现AI的主要方法，传统ML方法包括逻辑回归、支持向量机、随机森林、最小绝对收缩等；DL则通过多层神经网络在医学图像分类、目标检测及语义分割中展现出重要作用。
1.2 影像组学及AI研究现状
目前，AI在医学上的应用正在迅速发展和普及，影像组学与AI技术结合，通过将手动提取的成像生物标志物整合到机器或DL模型中，或利用DL实现影像组学管道端到端自动化。现已应用于肿瘤的检测、诊断、病理分级及分子表型、患者预后、疗效预测及个性化治疗、放疗的工作流程、抗癌药物的研究和临床试验等各个方面，其有可能增强癌症诊断和治疗。
影像组学结合AI也广泛应用于肿瘤的评估、
AI与影像组学在常见疾病的诊断及治疗方面取得了一定的成果，在未来需进一步对一些罕见病、复杂疾病的诊治提供更大的管理平台。
2. 影像组学及联合AI在宫颈癌中的应用现状
在妇产科领域，放射组学与AI对宫颈癌的研究一直处于前沿，当前正朝着利用多参数、多模态MRI的三维数据的研究方向发展，ML、DL与临床数据的集成促成更复杂模型的发展，又有助于提高模型的性能。
2.1 宫颈癌的诊断、鉴别病理类型及分化程度
传统MRI主要依赖于诊断医师的主观判断及临床经验诊断宫颈癌，而影像组学基于T2WI、对比增强T1WI（CE-T1WI）及扩散峰度成像等技术提取特征，显著提高了宫颈癌的诊断及病理类型鉴别的准确性。此外，基于DWI的高斯扩散模型在肿瘤病理特征方面应用广泛。有研究学者采用高b值下多种非高斯扩散模型提取特征，发现各参数与宫颈癌的病理类型、分化程度存在显著关联，其对于宫颈癌生物标志物（如P16、Ki-67）也具有良好的预测性能。
有研究发现
2.2 术前分期
宫颈癌患者的治疗方式因分期不同而有不同的治疗决策，因此，准确分期对患者制定个性化的治疗方案至关重要。一项多中心研究发现从SPAIR-T2WI 和CE-T1WI图像中提取特征并构建的影像组学模型与宫颈癌FIGO分期显著相关，其联合模型具有更高的预测性能，表明影像组学模型有望无创辅助宫颈癌分期和治疗。
同样有学者筛选了基于T2WI和ADC图像的放射组学特征建立的联合模型对早期与局部晚期宫颈癌（I~IIa 期与IIb~IV期）的鉴别具有较好的预测效果。也有学者从小视野ADC图筛选出16 个最佳影像组学特征并将患者年龄以及是否
2.3 宫颈癌的深部间质浸润（DOI）及淋巴血管间隙浸润（LVSI）
早期宫颈癌行根治性手术的患者在最终组织学上可能存在肿瘤大小、DOI和LVSI状态等危险因素。一项荟萃分析对2024 年3 月前发表在PubMed 数据库中的与宫颈癌相关的放射组学研究进行分析后发现术前MRI模型预测DOI、LVSI和淋巴结转移（LNM）均具有相当大的潜力。既往有学者采用单中心或多中心研究，从多序列MRI图像提取影像组学特征、整合临床独立危险因素，采用ML或DL的方法构建宫颈癌患者深部间质浸润的术前诊断模型，发现联合临床因素的模型评估深部间质浸润具有较好的效果，可帮助临床医生早期识别并及时干预。
也有研究发现，基于多模态MRI影像组学可以准确判断宫颈癌的LNM与LVSI，并且功能成像所提取的组学特征的诊断性能要优于信号强度。也有学者基于多参数MRI成像通过不同种类的ML方法构建的列线图模型可以很好的预测宫颈癌的LVSI。影像组学模型结合AI技术，对DOI与LVSI的术前诊断表现出较高的敏感度和特异度，为临床医生提供了重要参考。
2.4 LNM
LNM是宫颈癌的高危因素，是否存在转移将影响患者的后续治疗。一项回顾性研究纳入153例于术前行MRI检查的IB~IIA期宫颈鳞癌患者，从ADC图中提取放射组学特征，发现临床分期、肿瘤直径和MR报告的淋巴结状态与LNM显著相关，其组成的放射组学模型在训练组和验证组中显示出良好的预测性能。有研究学者构建了T2WI、T2WI-SPAIR、ADC、组合序列放射组学模型以及结合分化水平、FIGO分期的5 种宫颈癌盆腔淋巴结转移的预测模型，发现相对于使用单个MRI 序列的放射组学评分，多模态融合MRI 与临床数据结合进一步提高了预测性能。
此外，也有学者基于MRI图像采用7种ML算法构建影像组学模型预测早期宫颈癌的LNM，最终发现结合临床病理及影像组学特征的多项式朴素贝叶斯模型可以作为预测LNM 的有效工具。国内有研究发现基于多参数MRI的放射组学特征和神经网络模型在评估宫颈癌淋巴结转移方面具有很高的分类准确率、敏感度。这些研究表明不同的AI技术与影像组学结合在预测宫颈癌术前LNM方面也具有巨大的作用。
2.5 疗效评估
目前，疗效评估通常基于MRI 图像上的形态学变化来评价，但肿瘤的形态学变化晚于其内部结构和功能的变化。一项采用来自多个肿瘤栖息地特征的放射组学模型研究发现，该模型能在同步放化疗之前对局部晚期宫颈癌患者的治疗反应做出准确预测。另外，一项多中心研究发现基于MRI 图像使用逻辑回归、随机森林和支持向量机3种ML方法生成的影像组学预测模型在预测宫颈鳞癌对新辅助化疗方面也有好的效果，支持向量机模型在测试集和外部验证集上的AUC、准确度、灵敏度均优于其他模型。
有学者发现基于T2WI 的影像组学随机森林模型在晚期宫颈癌新辅助放化疗疗效方面有一定预测价值（AUC=0.917）。基于MRI影像组学的AI模型可在治疗前预测患者对同步放化疗的反应，有助于优化治疗策略。
2.6 预后预测
肿瘤不同的生物学行为都影响着患者的预后，同一阶段的患者其预后也存在显著差异。有研究将放射组学、ML及结合患者治疗前后的DWI 衍生的定量ADC值构建模型并使用单调多层感知器神经网络预测复发和转移，表明将放射组学特征添加到ADC值中可以将统计指标的AUC和Kappa值提高。也有通过一些大样本、多中心研究纳入患者的放射组学特征、临床资料构建放射组学、DL及联合模型或建立列线图，发现联合模型或列线图模型预测宫颈癌患者的总生存期或无病生存期方面均显示出更好的预测性能，强调了使用多模式方法，将先进成像技术与临床资料相结合在宫颈癌患者管理中的重要性。
有研究对125例I-II期宫颈癌患者进行前瞻性成像，发现ADC和T2WI 图像的纹理特征在大体积和小体积肿瘤之间存在差异，这些特征可单独或联合预测适合子宫颈切除的小体积肿瘤的复发，对于寻求保持生育能力和减少治疗的年轻患者有很大的帮助。此外，一项系统综述及Meta 分析开发了一个预测模型质量分数的评分系统，对所有预测模型进行评分，发现宫颈癌毒性、局部或远处复发及生存预测模型具有良好的预测效果，预测精度均>0.7，但这些模型还应在外部数据上进行验证，并在前瞻性临床研究中进行评估。通过影像组学特征结合临床病理数据构建的模型，在预测患者的总生存期和无病生存期方面表现出优越性能，为制定精准治疗计划提供了依据。
2.7 基因预测
潜在的基因表达会影响肿瘤的组织构成及生物学行为，也会导致肿瘤图像中的特征发生改变，影像组学可能可以提取出预测基因表达的无创性影像生物标志物。部分学者借助ML技术，将放射组学模型与基因组改变相联系，确定不同患者群体的治疗靶点。有学者从CE-T1WI和T2WI图像中提取特征构建的多模态影像组学模型在宫颈癌VEGF表达方面表现出了良好的预测性能。
有研究基于多序列MRI采用ML算法构建的独立及联合的支持向量机模型和逻辑回归模型评估宫颈癌人乳头状瘤病毒基因表达的准确率高达83%~95%。也有研究利用空间转录组学测序技术、去卷积后的单细胞RNA测序数据以及癌症基因组图谱数据库的方法揭示了APP和TRPS1在调节晚期宫颈
AI目前也成为遗传学、分子医学等领域的关键工具，为罕见遗传疾病、癌症等医学领域各个学科的组学研究提供了坚实的基础。基于AI的影像组学可通过提取影像生物标志物预测肿瘤相关基因表达，提供潜在的治疗靶点及分子机制。
3. 未来挑战及局限性
影像组学与AI相结合具有广阔的前景，然而其广泛纳入临床实践之前，仍需解决诸多挑战与局限性。
首先，AI的有效应用高度依赖大规模、多样化的医疗数据集，然而现阶段医疗数据的获取相对有限，大多数相关的研究仅基于小样本、单中心、回顾性的研究，且普遍缺乏外部验证或仅使用规模有限的外部验证数据集，因此，未来亟需开展多中心、大样本、前瞻性试验研究，以全面评估模型的稳定性及在不同人群中的适用性及可推广性。
其次，由于扫描机器、参数、重建算法及采集时间的差异，医学影像研究缺乏统一的技术标准，严重限制了研究结果的准确性和可重复性，使得数据无法实现互通共享；既往研究结果表明大多数已发表的放射组学模型在技术上是不可重复的，原因在于缺乏对模型、代码和数据的开放共享。
因此，开展具备可重复性和开放性的研究仍有改进的空间。最后，影像组学工作流程中的图像采集与分割、特征选择和处理、组学分析、模型建立缺乏标准化和统一的规范，这不仅影响了研究结果的可靠性，也制约了临床转化的进程。协作研究组织提出的图像生物标志物标准化计划，特别是标准化卷积滤波器的应用，有望增强医学成像中的特定结构和模式的解析能力，并推动放射组学方法的规范化。
来源：李静,王静,姚娟.基于MRI特征的影像组学联合人工智能在宫颈癌诊疗中的研究进展[J].分子影像学杂志,2025,48(02):242-246.
(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。)
