作者：张颐，中国医科大学附属第一医院，上海交通大学医学院附属仁济医院
01背景
02共识制定方法学
2.1 共识制定标准 本共识的制定遵循2014年发布的《世界卫生组织指南制订手册》［14］和《中国制订/修订临床诊疗指南的指导原则》［15］，并在国际实践指南注册与透明化平台进行注册（注册网址：http：//www.guidelines-registry.org/），注册号：PREPARE-2025CN196。
2.2 目标人群与使用者 本共识主要供各等级医院的妇科医师、相关专科医师及其他医疗工作者参考；目标人群为EC患者，旨在更加高效、准确评估患者的复发风险，实现个体化精准治疗，最大限度地提高患者预后。
2.3 临床问题的遴选与确定 本共识组建编写团队，设立文献检索小组确定检索策略，重点关注前沿内容，通过会议讨论确定相关临床问题，包括不同评估方法预测EC患者的临床复发情况，根据目前现有文献证据提出推荐意见，为临床实践提供指导依据。
2.4 文献检索与筛选 依据目标患者群体以及采用的预测患者预后的方法进行系统检索。（1）检索数据库：中国知网、万方、维普、Medline、PubMed数据库。（2）检索时间：涉及文献限于2000年至2024年。（3）中、英文检索关键词：子宫内膜癌、复发、预后、危险因素、预测模型、endometrial cancer、recurrence、prognosis、risk factor、predict model。（4）检索文献的类型：涉及EC复发预测模型的正式发表的原创结果，包括系统评价、回顾性队列研究和病例对照研究的循证医学证据。
2.5 证据的评价与分级 本共识的证据质量与推荐强度采用评估、制定及评价分级（grades of recommendation，assessment，development and evaluation，GRADE）系统进行评估［16］。证据质量分为4个等级：高（A）、中（B）、低（C）和极低（D）；推荐强度根据证据质量和治疗效果分为强推荐和弱推荐（表1）。
03EC复发的风险评估
3.1 EC复发的危险因素 2014年欧洲肿瘤内科学会（the European Society of Medical Oncology，ESMO）联合欧洲妇科肿瘤学会（the European Society of Gynaecological Oncology，ESGO）、欧洲
推荐意见：整合分子分型（如POLEmut、dMMR、p53abn），将子宫内膜癌复发风险从传统病理分层（分期、分级、LVSI）升级为分子-病理联合分层，精准识别低危、中危、高危人群（证据质量等级：B ；推荐强度：强推荐）。
3.2 预测EC复发风险相关模型 病理分期具有一定的主观性，分子分型成本较高，因而联合用以预测患者复发风险具有一定的经济局限性。随着机器学习在临床研究中的应用，不同研究团队开发出更多成本低廉、高效可靠的预测模型［19］。
3.2.1 HECTOR多模态深度学习模型 HECTOR模型整合了影像组学、基因组学、临床病理参数及动态治疗反应数据，通过分层融合策略实现精准风险分层［20］。该模型纳入了8个EC队列（包括PORTEC-1/2/3随机对照试验）患者的临床数据［21-23］，主要包含苏木素-伊红（Hematoxylin and Eosin，H&E）染色全切片图像、肿瘤的临床病理信息、分子分型以及远处复发的临床结局。模型由两部分组成：自监督学习肿瘤图像表征以及多模态的远处复发预测。在自监督学习阶段，研究团队使用视觉转换器（Vision Transformer，ViT）对H&E染色全切片图像进行处理，从图像中分割出肿瘤组织区域，再将其分割成多个180 μm的图像块，使用ViT对图像块进行自监督学习，从中提取图像特征。采用五部交叉法训练和验证HECTOR模型，采用一致性指数（Concordance index，C-index）衡量模型预测的准确性，C-index越高提示模型的一致性越好，更具有临床应用价值。
HECTOR的内部测试集和2个外部测试集的C-index分别为0.789、0.828和0.815，显著优于病理联合分子分型检测的方法。Kaplan-Meier分析显示，HECTOR能够将患者分为不同的风险组，低、中、高风险组的10年远处无复发率分别为97%、77.7%和58.1%。该模型不仅能预测远处复发风险，还可预测辅助化疗的获益，在PORTEC-3随机对照试验中，HECTOR高风险组患者接受辅助化疗后，远处无复发率显著提高。
HECTOR模型使用临床常规诊断中较易获得的参数，具备广泛的可行性和成本效益。通过该模型预测的低风险组与免疫细胞浸润相关，而高风险组则表现出L1细胞黏附分子（L1CAM）和紧密链接蛋白的上调，可能为未来EC的靶向治疗提供新的潜在靶点。该模型是目前样本量最大的模型，通过深度融合多模态数据，突破了传统单维度分层的局限，为EC提供了从诊断到随访的全周期复发风险管理工具，结论具有较高的可靠性，更适用于临床，但评估方法复杂，推广尚有一定难度。
总之，HECTOR模型具有预测精度高（C-index＞0.78）、能整合多模态数据（H&E切片、临床、分子信息）、能预测化疗获益的优点，且其成本效益优于分子分型。然而，该模型也具有一定的局限型，模型对算法的要求高，依赖高质量的数字化病理切片，目前推广难度较大。尽管如此，HECTOR模型仍然是目前为止基于多个大型随机对照试验队列数据建立的证据等级较高的模型。
推荐意见：HECTOR预测模型较分子分型更具成本效益，预测辅助治疗效果优于现有方法，HECTOR评估高风险者，恰当的辅助治疗可提高无复发生存率（证据质量等级：B ；推荐强度：强推荐）。
3.2.2 Nomogram（列线图）预测模型 Nomogram模型是一种基于多因素回归分析的可视化预测工具，通过二维平面的刻度线段整合多个预测指标，直观展示变量与目标结局（如复发风险）的概率关系［24］。其核心优势在于将复杂数学模型转化为临床医生可直接解读的图形化工具。
在EC领域，法国妇科肿瘤学协会（French Association of Gynecologic Oncology，FRANCOGYN）首次应用Nomogram模型评估复发风险［4］。该研究基于前瞻性多中心研究数据库（n=861），以2∶1的比例划分训练集和验证集，通过单因素及多因素分析明确年龄、组织学类型与分级、淋巴脉管间隙浸润状态、FIGO分期和淋巴结转移为独立危险因素，构建了首个针对Ⅰ~Ⅲ期EC患者的复发预测模型，为后续研究奠定了方法学基础。另有研究表明，血小板与肿瘤之间也存在着密切关系，血小板数量以及功能异常在肿瘤进展中也起着重要作用［25］，Chen等［26］利用Nomogram建立血小板指数评分（platelet index score，PIS）预测EC患者的复发模型，将血小板计数（platelet，PLT）、平均血小板体积（mean platelet volume，MPV）以及血小板分布宽度（platelet distribution width，PDW）纳入到PIS评分中，将PLT＜350×109/L，MPV＜8.8fL以及PDW≥12.1fL定义为0分，3项中任意1项异常计为1分，3项中任意2项异常计为2分，所有指标均异常计为3分，通过Nomogram模型预测的结果提示，高PIS患者的无复发生存期以及总生存期更短。
另有一些研究纳入了更多可能与EC复发相关的临床因素，利用Nomogram构建更加精准的复发模型。Miao等［27］开发包含8个变量的模型（年龄、临床分期、化疗史、超声结果、术后血清糖类抗原125（CA125）、子宫颈侵犯、血管侵犯及手术入路），其C-index显著优于传统ESMO-ESGO-ESTRO分层系统，证实Nomogram在识别高危人群中的优势。
除了利用临床参数构建的相关列线图，部分研究将术后免疫组化参数也纳入分析［28-31］。Zheng等［28］将临床参数与免疫组化结果联合分析，构建早发型EC患者（年龄＜50岁）术后复发模型，多中心回顾性研究结果提示，组织学亚型、FIGO分期、肌层浸润、LVSI、p53表达以及MMR状态是EC复发的独立危险因素，由此构建的Nomogram模型预测患者3年及5年复发的C-index分别为0.844及0.876。Li等［30］和Yao等［31］利用Nomogram算法进行多中心回顾性研究，将年龄、CA125、病理组织学类型、组织学分级、LVSI、淋巴结转移（lymph node metastasis，LNM）、子宫颈间质有无受累、FIGO分期、
此外，也有小部分研究将血液学指标纳入Nomogram模型构建。Jiang等［33］将炎症-免疫-营养评分（inflammation-immunity-nutrition score， IINS）与传统的预测指标结合建立预测EC复发模型。该研究基于患者术前的C反应蛋白、淋巴细胞和白蛋白水平构建患者IINS，利用单因素和多因素Cox回归分析筛选与EC复发相关的独立危险因素并建立Nomogram模型，将患者IINS、年龄、FIGO分期、病理类型、肌层浸润、LVSI、Ki67、ER、P53的表达纳入模型构建，该模型相比传统的预测指标能更加精准地预测患者的复发。Hu等［34］和Liu等［35］分别将
Nomogram模型具有直观易懂、可操作性强、灵活整合多种临床、病理及生化指标（如PIS、IINS、免疫组化标志物）、模型构建相对简单等优点。然而，该模型多基于回顾性研究，存在选择偏倚；不同研究纳入变量不一，缺乏统一标准。此外，Nomogram模型多为静态模型，未纳入动态治疗反应，未来需通过前瞻性多中心队列验证及动态指标融合推动Nomogram向精准化、实时化方向演进。该模型的优势使其适用于绝大多数医疗机构，尤其适合拥有完整临床病理资料、需要快速进行风险评估，然后与患者沟通的医疗中心。尽管Nomogram模型大多数基于回顾性研究，但其较强的实用性可成为临床医生的选择之一。
推荐意见：Nomogram模型可操作性强，通过单因素、多因素分析预测与复发风险相关的临床参数并计算其贡献系数，以图形化方式提供快速、直观的临床决策支持，对于具有详细临床信息的患者，联合多种临床参数可用以建模并预测患者复发风险（证据质量等级：C；推荐强度：强推荐）。
3.2.3 NaroNet模型 NaroNet是第一个分析多路复用图像的弱监督深度学习（weakly-supervised deep learning，WSDL）框架。NaroNet既往被用于开发高级别EC DNA聚合酶ε（POLE）突变的预测模型，该模型的总体准确率为83.3%，并利用免疫细胞的空间浸润模式、T细胞活化标志物CD137的表达和程序性细胞死亡-1受体（PD-1）16在多路免疫荧光图像上进行了训练和验证［36］。
Jiménez-Sánchez等［37］通过多重免疫荧光图像构建用于预测低级别EC复发风险的NaroNet模型。该模型通过深度学习，从局部表型、细胞周围特点以及组织所在区域3个层面，通过多通路免疫荧光可视化以及CD68+巨噬细胞、CD8+ T细胞、FOXP3+调节T细胞、PD-L1/PD 1蛋白表达和肿瘤细胞定量建立模型。模型纳入250例患者489个肿瘤标本，训练多级深度学习模型，经过十折交叉验证，曲线下面积0.9（95%置信区间：0.83～0.95），预测复发的一致性可达96.8%。该模型通过综合多路免疫荧光，发现肿瘤免疫微环境是预测低级别早期EC复发的最重要因素，优于目前使用的包括分子亚型的预后变量。
该模型的独特之处在于其解析肿瘤免疫微环境的空间构象，在低级别早期EC复发风险的预测中精度较高，可能更适用于该类EC患者，然而该模型需要较为专业的计算平台，技术门槛较高，目前所基于的研究样本量相对较小使其具有一定局限性。
推荐意见：基于NaroNet模型对肿瘤免疫微环境空间互作网络的解析能力，建议将其用于低级别早期EC患者的复发风险分层，作为现有分子分型系统的补充决策工具（证据质量等级：C；推荐强度：强推荐）。
3.2.4 基于AIC参数筛选最优复发预测指标 “赤池信息量准则（Akaike Information Criterion）”又称AIC。AIC通过平衡模型的拟合优
Song等［38］基于患者的临床及组织学特点，通过比较AIC值对早期EC患者手术后复发风险进行预测模型构建，其中纳入的患者临床信息包括：年龄、
该参数主要提供了一种统计学上较为严谨的变量筛选方法，有助于临床医生从众多指标中筛选出最优预测复发的指标，从众多参数中筛选出最高效的模型，避免过拟合。该参数作为一种方法论，可靠性较高，但基于其所建模型需要外部验证。
推荐意见：AIC参数可以用来筛选出最适建模的临床参数，大样本临床数据推荐基于AIC参数筛选与EC复发相关的临床参数构建预测EC复发的模型（证据质量等级：C；推荐强度：强推荐）。
3.2.5 放射组学相关方法 影像学检查是EC术前评估的重要手段之一，不仅能够提供肿瘤的大小、形态、结构、浸润范围等信息，同时还包含肿瘤异质性、侵袭性、免疫水平等生物学信息［39-43］，然而影像学检查对于判断患者的病理组织学类型以及LSVI具有一定的局限性。
放射组学分析是从影像学资料中提取有用的像素定量分析感兴趣区域（region of interest，ROI），通过分析纹理特征预测患者的临床结局［44-45］。
Reton等［53］通过T2信号加权、表观扩散系数以及T1加权动态对比增强系列，对71例EC患者的术前MRI图像进行分割，从分割的图像中提取包含一阶直方图统计、形状描述、灰度依赖矩阵、灰度共生矩阵、灰度运行长度矩阵、灰度大小区域矩阵以及相邻灰度差异矩阵在内的7个放射学特征，计算其纹理特征进而预测患者的无复发生存期，该研究尚处于起步阶段，其预测EC的复发风险尚未取得阶段性成果。
放射组学具有无创、可重复的优势，利用常规的图像挖掘深层信息，在术前即可进行评估［55］。然而，该预测方法尚处于研究初期，临床转化证据有限，预测性能尚不稳定，目前主要适用于临床研究队列，未来可能用于术前辅助决策，识别隐匿的高危患者。当前多为探索性、小样本研究，证据等级较低。
推荐意见：放射组学预测患者预后的临床证据有限，推荐各医疗中心应积极建立EC患者队列，鼓励患者入组以促进放射组学的临床转化（证据质量等级：C；推荐强度：强推荐）。
3.3 模型比较与临床整合策略 以上预测模型各有其优劣与适用场景，临床选择需结合目的、资源和技术可及性。HECTOR和放射组学代表了数据驱动的尖端方向，精度高但实施门槛同样高；Nomogram体现了知识驱动的实用主义，灵活且易于落地；NaroNet聚焦于肿瘤微环境这一特定生物学维度，提供了独特的预测视角；AIC则是优化模型的重要工具，这些模型之间存在互补与整合的潜力，未来的趋势可能是构建分层次、整合式的决策系统。对于资源有限的基层医院，可采用基于Nomogram的临床病理模型进行初步风险分层。对于初筛中危或不确定的患者，可进一步利用HECTOR（如有数字化病理）或分子分型进行精准复核。对于特定人群（如低级别早期患者），NaroNet模型可提供额外的免疫微环境信息，辅助制定个体化随访或免疫治疗策略。放射组学模型成熟后，可作为有价值的术前评估工具，指导手术范围和术前咨询。目前，Nomogram因其最佳的可及性和灵活性，仍是临床应用的主力。HECTOR模型展现了卓越的性能，是未来推广的重要方向。任何模型都应作为临床决策的辅助工具，必须由医生结合患者的具体情况进行综合判断。
04总结和声明
本共识对目前常用的几种评估EC复发风险的模型方法进行详细阐述，并予以不同级别的推荐。这些方法纳入了传统的临床参数，通过不同的统计学方法来预测EC的复发风险。随着多组学测序的逐渐开展，以及深度学习法的广泛应用，二者联合预测EC的复发可能成为更加客观、高效的手段［56-57］。然而目前大部分的研究都属于回顾性分析，如何将这些预测方法应用到真实世界的大数据中还有待进一步的探究。另外，前瞻性研究的开展将更有助于临床医生构建准确、高效、个体化的预测模型。本共识并非惟一的实践指南，不排除其他共识、意见与建议的合理性。
利益冲突 专家组所有成员均声明不存在利益冲突
参考文献
来源：中国医师协会妇产科医师分会 ，中国医院协会妇产医院分会妇科肿瘤专业学组.子宫内膜癌复发风险评估方法学中国专家共识（2025年版）［J］.中国实用妇科与产科杂志，2025,41(11)：1124-1130
(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。)
