作者：张小勤，吴毅，陆军军医大学生物医学工程与影像医学系数字医学教研室；吴蔚，陆军军医大学第一附属医院胸外科
食管癌治疗方法主要包括内镜下切除、食管切除术、新辅助化疗、免疫治疗、根治性同步放化疗等，主要取决于不同TNM分期，而不同分期情况和治疗方法又会导致预后差异。因此，食管癌术前分期诊断非常关键，可为医师选择治疗决策和预后评估提供重要参考。传统的食管癌分期诊断方法主要包括CT、超声内镜、MRI、PET/CT等，各有优缺点，利用任何单一传统影像技术对食管癌进行分期诊断均不能达到很好的效果。
传统的食管癌预后评估主要是医师根据临床经验和患者分期情况等进行综合分析和判断，速度慢、准确度低。而影响食管癌分期和预后的因素很多，传统的方法不能自动、准确地进行分期诊断和预后评估，无法及时有效地为医师做出治疗决策提供帮助。影像组学是一种无创、定量、低成本的方法，可以从医学影像中挖掘医师肉眼不可见的病灶信息，客观、全面地评价肿瘤异质性，提高分期诊断准确度，辅助医师的治疗决策，为预后评估提供帮助。近年来，影像组学在食管癌分期诊断和预后评估研究中迅速发展，本文对其研究现状和进展进行综述。
1. 影像组学概述
传统医学影像诊断主要集中在对解剖形态的观察上，但还有很多信息通过肉眼无法观察，依赖于医师对影像的主观判断。影像组学方法可以从医学影像中提取深层次、高通量的影像特征进行分析，弥补传统影像和医师经验的不足，其工作流程主要包括图像获取、感兴趣区分割、特征提取与筛选、模型构建等，能够实现对肿瘤的全面、无创、自动的特征分析，提高诊断和预测准确性，可作为传统影像诊断的重要补充工具，为临床决策提供更精准的支持。
2. 影像组学在食管癌临床分期诊断中的应用
2.1 T分期诊断
在食管癌TNM分期中，T分期（肿瘤大小和侵犯范围）尤其关键，可直接影响手术和放化疗决策。影像组学特征能够有效地区分不同T分期的食管癌。Liu等从73例食管癌CT影像中提取肿瘤的纹理特征，结果显示基于对比增强CT图像的特征熵可以区分食管癌T1~T2期与T3~T4期、是否发生淋巴结转移和整体分期（I~II与III~IV）。
朱宗明等研究证实基于CT图像纹理分析可以初步判断食管癌T分期和淋巴结转移情况。但这2项研究仅提取肿瘤的纹理特征，并未提取高阶特征，对肿瘤特征研究不够全面。陈思浩等在影像组学标签基础上联合临床数据构建模型评估食管癌术前T分期，在验证集中的曲线下面积（AUC）为0.79，具有较好的诊断效能。
Yang等使用影像组学方法回顾性分析116例经病理确诊为食管
2.2 淋巴结转移预测
除T分期外，影像组学模型在预测食管癌淋巴结转移方面也具有较高价值。Xie等和Peng等对比基于影像组学分析和基于传统肿瘤大小测量2种方法预测食管癌淋巴结转移情况的性能，发现影像组学模型性能更好。Zhao等研究证实影像组学特征与临床风险因素结合可以更好地预测食管鳞状细胞癌中的淋巴结转移情况。但上述研究均仅提取原发肿瘤的特征，而结合淋巴结的特征可以提高预测食管癌淋巴结转移的敏感度。
既往研究证明，整合原发肿瘤和区域淋巴结的双区域影像组学特征可改善模型预测性能。Ou等选取334例病理确诊为晚期食管癌的CT图像，提取影像组学特征预测是否有淋巴结转移并区分区域性和非区域性淋巴结转移，在验证集中的AUC分别为0.75和0.95。尽管该研究为单中心研究，缺乏多中心验证，但其证实CT影像组学特征不仅有助于预测晚期食管癌的淋巴结转移情况，还能进一步有效区分区域性和非区域性淋巴结。
Geng等开发了基于增强薄层CT影像组学和临床特征的影像组学-临床列线图，用于预测食管鳞状细胞癌患者术前是否存在淋巴结转移，与单独影像组学模型和临床模型相比，预测性能更优。除CT外，Zhang等使用食管腺癌原发肿瘤的PET图像建立临床因素和影像组学组合模型预测是否有淋巴结转移，结果显示模型在训练集和外部验证集中的AUC分别为0.82、0.69，其预测总生存期较临床模型性能更好。因此，影像组学可以辅助医师解决传统影像技术无法准确判断食管癌临床分期的问题，弥补传统影像和经验的不足，并结合临床信息提高分期的准确度，加快术前评估速度。
3. 影像组学在食管癌预后
近年影像组学在食管癌预后评估方面已取得很多进展，进一步证实影像组学在肿瘤异质性评估方面的能力。目前，影像组学在食管癌预后评估中的研究主要集中在治疗效果评价及生存期预测分析两方面。
3.1 治疗疗效评价
Qiu等结合食管癌的临床风险因素和影像组学特征建立模型，预测患者经新辅助放化疗后达到病理完全缓解的无复发生存期，在验证集中的一致性指数为0.724。Tang等基于局部进展期食管癌的增强CT图像建立影像组学集成模型，预测患者经三联疗法治疗后的早期复发风险，在验证集中的准确度为0.733。莫笑开等回顾性分析184例接受手术治疗的食管癌CT图像，构建模型区分术后进展高低风险人群，在验证集中的一致性指数为0.774。
以上研究证实影像组学可以帮助医师对食管癌患者进行有效的个性化治疗和更密切的随访。新辅助放化疗可以改善长期预后，但治疗效果因患者而异。Beukinga等开发了基于18F-FDG PET放射组学的机器学习分类模型，用于预测食管癌对新辅助化疗放疗的反应，展示了影像组学在非侵入性分析肿瘤异质性方面的潜力。
Hu等纳入经新辅助放化疗后接受手术的231例食管癌的对比增强CT图像，提取影像组学特征，建立瘤内和瘤周组合影像组学模型，评估患者经治疗后能否达到病理完全缓解，模型在测试集中的AUC为0.852，准确度为0.843，证实瘤内和瘤周影像组学组合模型可以提高识别食管癌患者经新辅助治疗后是否达到病理完全缓解的预测能力。此外，CT影像组学模型对食管癌患者放化疗完全缓解后肿瘤复发也具有较好的预测性能。
3.2 生存期预测分析
生存期预测可以帮助医师更好地做出治疗决策。Xie等基于133例经根治性同步放化疗的食管癌CT图像建立并验证区域影像组学模型，预测患者生存期，在验证集中的一致性指数为0.705，3年生存期预测的AUC为0.805，该模型具有很好的预测潜力，但还需要在更大队列中进行验证。Luo等纳入221例接受同步放化疗的食管癌，建立影像组学诺模图模型预测其局部无进展生存期，在验证集中的一致性指数为0.723。
Yan等纳入272例食管癌的CT图像构建影像组学模型预测I~III期食管癌患者的无进展生存期，并与传统TNM分期和临床信息模型对比，结果显示加入影像组学特征比单独的传统临床信息和TNM分期的预后性能更好，可以有效区分高风险和低风险患者（AUC为0.857）。Wang等结合临床因素和影像组学特征建立影像组学诺模图模型预测食管癌患者的3年总生存期，结果显示该模型比临床模型的校准和分类能力更好（AUC 0.87比0.67）。
Chu等基于食管癌的MRI图像建立影像组学和临床混合模型预测患者总生存期，发现混合模型性能较临床模型更好（一致性指数0.712比0.706），进一步证实结合影像组学特征和临床因素的混合模型可以作为评估食管癌临床预后的有力工具。但上述关于生存期预测方面的研究均来源于单中心，部分研究使用
Gong等的多中心回顾性研究纳入接受根治性放化疗的397例食管癌，结合CT影像组学特征、深度学习特征与临床数据构建混合影像组学诺模图模型，预测患者的局部无复发生存期，在训练集、内部验证集和外部验证集上一致性指数分别达到0.82、0.78和0.76，表明影像组学特征、临床数据如T分期、同步放化疗信息等与深度学习特征结合可以更好地评估肿瘤预后。但深度学习特征缺乏可解释性，仍需要进一步探索预测性能更好、高度可重复和可解释的特征，帮助制订临床决策。
目前，大部分研究均基于单一影像提取特征，未加入
因此，影像组学可以从医学影像中挖掘深层次的肿瘤特征，通过对这些特征进行分析，综合患者临床数据，可发现与患者预后相关的重要因素，帮助医师评价相关治疗效果，进一步指导治疗决策，改善患者预后，提高生存率，具有良好的临床潜力和应用价值。
4. 总结与展望
目前，影像组学在食管癌中的临床应用主要包括分期诊断、治疗效果评价和生存期预测等。影像组学能客观描述肿瘤异质性和生物学特性，可在一定程度上弥补常规医学影像方法和经验的不足，如耗费时间长、准确度不高等。利用影像组学提取食管肿瘤的高通量特征，辅助食管癌临床分期诊断，在此基础上结合经验特征、病史信息、基因表达和病理信息等临床信息，构建综合的预后评估模型，可进一步全面量化肿瘤异质性，提高食管癌临床分期诊断和预后评估的准确性。
影像组学在临床实际应用中还存在一些挑战：①多中心获取数据标准化程度低，数据质量参差不齐，处理困难；②人工标注食管癌病灶需要有经验的医师花费大量时间完成，精准度和可重复性难以保证；③需要更多的数据和前瞻性研究验证其临床应用价值。
总之，随着医学影像大数据的日益增长和标准化以及影像技术和人工智能的发展，影像组学辅助临床医师实现食管癌的精准分期诊断及预后评估将更容易，能够实际应用到临床的人工智能系统也将越来越完善。
来源：张小勤,吴蔚,吴毅.影像组学在食管癌临床分期诊断及预后评估中的研究进展[J].中国医学影像学杂志,2025,33(06):675-680.
(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。)
