影像組學(xué)在子宮頸癌的應(yīng)用是一個(gè)較新的研究領(lǐng)域[1],2018年國(guó)際婦產(chǎn)介紹了影像學(xué)檢查在子宮頸癌分期中的應(yīng)用[2]。目前，影像學(xué)檢查基于定性或半定量指標(biāo)，如通過磁共振成像(magneticresonan觀察到的代謝活動(dòng)來評(píng)估疾病程度、采用正電子發(fā)射體層攝影(positronemissiontomography,PET)-CT檢查評(píng)估淋巴結(jié)轉(zhuǎn)移和遠(yuǎn)處轉(zhuǎn)移情況，但在預(yù)測(cè)潛在的腫瘤特征和生物學(xué)特征[3]。隨著人工智能的快速發(fā)展，影像組學(xué)已成2010年，Gillies等[4]首先提出了影像組學(xué)的概念；2012年，Kumar等 潛力(如腫瘤異質(zhì)性和腫瘤微環(huán)境)[3,6]。影像組學(xué)的工作流程主要包括：概率和生存率等進(jìn)行預(yù)測(cè)[7]。(一)中危風(fēng)險(xiǎn)預(yù)測(cè)侵入性方法，對(duì)術(shù)前評(píng)估LVSI具有重要意義。Huang等[10]從縱向弛豫時(shí)間 比，影像組學(xué)-臨床聯(lián)合模型可更好地識(shí)別LVSI,影像組學(xué)組學(xué)-臨床聯(lián)合模型的驗(yàn)證集AUC為0.940,訓(xùn)練集AUC為0.9yclooxygenase-2,COX-2)、腱糖蛋白C(tenascinC,TN-C)建立的醫(yī)師評(píng)估LVSI,均取得了較為滿意的結(jié)果[11-14]?？傮w來說，影像組學(xué)-的AUC為0.879、敏感度為87.9%,顯著優(yōu)于高年資放射科醫(yī)師閱片。體積轉(zhuǎn)移常數(shù)(Ktrans)聯(lián)合SCC-Ag水平預(yù)測(cè)Ib組學(xué)模型的AUC為0.951,臨床模型的AUC為0.769,影像組學(xué)-臨床聯(lián)合模型(二)高危風(fēng)險(xiǎn)預(yù)測(cè)分別達(dá)94.3%和100.0%。Wu等[21]的進(jìn)一步研究發(fā)現(xiàn)，單獨(dú)提取瘤內(nèi)或瘤周7%。Zhang等[22]基于T2WI和彌散加權(quán)成像(diffusionweightedimaging,均達(dá)到了最高，分別為0.868、0.846。Shi等[23]在增強(qiáng)T1WI(CE-T1WI)轉(zhuǎn)移狀態(tài)。Yang等[25]納入106例接受PET-CT檢查的子宮頸癌患者，提取en等[27]使用手工勾畫腫瘤最大橫截面積的二維ROI,建立基于CT檢查的深i等[28]使用卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneuralnetwork,CNN)提取影VM)模型，訓(xùn)練集的AUC為0.946,特異度和敏感度分別為0.940和0.714,而驗(yàn)證集的AUC為0.921,特異度和敏感度分別為0.963和0.600,該模型在預(yù)測(cè)將235例患者的MRI圖像數(shù)據(jù)分為訓(xùn)練集(194例)、驗(yàn)證集(41例),建立3含4個(gè)臨床特征和2個(gè)影像特征(腫瘤最大徑和腫瘤體積)],在驗(yàn)證集中，臨5、0.751、0.801,敏感度分別為0.789、0.632、0.737,特異度分別為0.818、0.636、0.682),臨床-影像組學(xué)模型的AUC分別與臨床模型(P=0.007)和臨預(yù)測(cè)對(duì)NACT的反應(yīng)。Tian等[35]提取了277例接受NACT的局部晚期子宮頸un等[37]提取了92例接受NACT的局部晚期子宮頸癌患者的MRI圖像特征，VM模型在測(cè)試集和外部驗(yàn)證集中的AUC最高(分別為0.880-40],然而若對(duì)CCRT不敏感，則會(huì)延誤其接受其他有效治療的時(shí)機(jī)，因此，sioncoefficient,ADC)圖像中提取200個(gè)影像組學(xué)特征，最終選取4個(gè)影像組學(xué)特征和2個(gè)臨床特征構(gòu)建聯(lián)合列線圖，訓(xùn)練集的AUC為0.857,敏感度和特異度分別為0.658和0.870,顯著高于單一的臨床模型(P=0.003),而驗(yàn)證集的AUC為0.842,敏感度和特異度分別為0.750和0.818,發(fā)現(xiàn)聯(lián)合列線圖對(duì)腫Fang等[43]基于MRI圖像數(shù)據(jù)將影像組學(xué)與機(jī)間方面更加準(zhǔn)確[44-45]。Fang等[45]通過設(shè)計(jì)模型預(yù)測(cè)Ib~IⅡa期子宮頸癌患者的無病生存(diseasefreesurvival,DFS)時(shí)間，收集248例子宮頸癌提取影像組學(xué)特征，構(gòu)建結(jié)合影像組學(xué)評(píng)分(radiomicscor項(xiàng)研究中卻顯示，聯(lián)合模型能夠更好地預(yù)測(cè)子宮頸癌的DFS時(shí)間，其從CE-T1WI、T2WI圖像和ADC圖像中提取影像組學(xué)特征，使用基于LASS0方法的Cox回歸分析構(gòu)建3種Rad-score,分別為腫瘤區(qū)域Rad-score[Rad-score(VI0entire)]、腫瘤外擴(kuò)5mmRad-score[Rad-score(VIO+5mm)]、腫瘤內(nèi)縮5mmRad-score[Rad-score(VI0-5mm)],Kaplan-Meier法生存曲線分析表明，年齡、FIGO分期、LVSI和Rad-score(VIO+5mm)與較短的DFS時(shí)間顯著相關(guān)，從CE-T1WI圖像中提取的影像組學(xué)特征占50%,表明，瘤內(nèi)和瘤周的CE-T1WI圖像特征可能與腫瘤異質(zhì)性相關(guān)[44]。此前的研究通?；谀[Mu等[46]研究從PET-CT圖像中提取影像組學(xué)特征用于預(yù)測(cè)接受CCRT的的聯(lián)合列線圖預(yù)測(cè)患者無進(jìn)展生存(progression-freesurvival,PFS)和總測(cè)試集的一致性指數(shù)為0.85和0.82,在0S時(shí)間方面，訓(xùn)練集和測(cè)試集的一致性指數(shù)為0.86和0.80,均具有較高的一致性。聯(lián)合列線圖可以進(jìn)一步促進(jìn)放化療前的個(gè)體化PFS和OS時(shí)間的預(yù)測(cè)。Zhou等[44]收集115例接受CCRT并持?jǐn)?shù)(perfusionfraction)、治療前后的Rad-score是影響局部晚期子宮頸癌CRT后子宮頸癌復(fù)發(fā)的AUC為0.977,內(nèi)部和外部驗(yàn)證的一致性指數(shù)分別為0.977和0.962,模型二預(yù)測(cè)1年、3年和5年DFS率的AUC分別為0.895、0.888和0.916,內(nèi)部和外部驗(yàn)證的一致性指數(shù)分別為0.860和0.892。發(fā)現(xiàn)模型一有助患者CCRT后的復(fù)發(fā)概率。因此，影像組學(xué)可以無創(chuàng)預(yù)測(cè)局部晚子宮頸癌LVSI、淋巴結(jié)轉(zhuǎn)移狀態(tài)、療效和生存時(shí)間等方面提供了重要的信息，但大多局限于理論研究，尚無法廣泛應(yīng)用于臨床[47],造成這種現(xiàn)象的原因有： (1)復(fù)雜的深度學(xué)習(xí)模型通常以“黑箱”形式運(yùn)行，難以了解其運(yùn)行過程，造成影像組學(xué)的研究缺乏標(biāo)準(zhǔn)化、可重復(fù)性；(2)大部分為單中心、小樣本量研究，并缺乏外部驗(yàn)證，導(dǎo)致無法適用于其他數(shù)據(jù)集，缺乏普適性；(3)影像組Kocak等[48]制定了影像組學(xué)評(píng)估清單(checklistforevaluationofradtheuseofartificialintelligenceid,stateoftheart,66(3):596-605.DOI:10.1016/j.ygyno.2022.07.024.forcarcinomaofthecervixuteri[J].IntJGynaecol5(1):129-135.DOI:10.1002/ijgo.12749.實(shí)踐，2024,39(1):12-16.DOI:10.13609/ki.1000-0313.2024.01.00[4]GilliesRJ,AndersonAR,Gn[J].ClinRadiol,2010,65(7):517-521.DOI:10.1016/j.crad.2010.04.[5]KumarV,GuY,BasuS,etal.Radiomilenges[J].MagnResonImaging,2012,30(9):1234-1248.DOI:10.j.mri.2012.06.010.[6]LiuZ,WangS,DongD,etal.Theapplicationges[J].Theranostics,2019,9(5):1303-1322.DOI:10.7150/thn[7]ScapicchioC,GabelloniM,Barucciiomics[J].RadiolMed,2021,126(10):1296-1311.DOI:[8]IshizawaC,TaguchiA,TanikawaM,etal.EffectherapyonpatientswithstageIB-IⅡAcervi2023,25(3):112.DOI:10.3892/ol.2023.13698.[9]MargolisB,Cagle-Coloeoflymphovascularspaccancer[J].IntJGynecolijgc-2019-000849.[10]HuangG,CuiY,WangP,etal.Multi-parametnceimaging-basedradiomicsanalysisofcervicaltivepredictionoflymphovascularspaceinvasion[J].F1,11:663370.DOI:10.3389/fo[11]LiX,XuC,YuY,esionusingacombinationoftenascin-C,cox-2,andPET/CTMCCancer,2021,21(1):866.DOI:10.1186/s12885-021-08596-9.[12]CuiL,YuT,KanY,ety-stagecervicalcancer[J].DiagnIntervRadiol,2022,28(4):312-321.DOI:10.5152/dir.2022.20657.calcancer[J].BrJRadiol,2022,[14]LiZ,LiH,WangS,etal.MR-basedradiomicscalcancerinpredictionofthelymph-vascularspaceinvasionpreoperatively[J].JMagnResonImaging,2019,02/jmri.26531.g,2022,13(1):17.DOI:10.1186/s13244-022-01156-0.calcancer[J].FrontOncol,2022,12:916846.DOI:10.338ncer[J].JImagingInformMed,2024,37(1):230-246.DOI:[18]HungP,Zahndre[J].GynecolOncol,2021,160(1):219-226.DOI:10.1016/j.ygyno.20[19]YanL,YaoH,LongR,etal.Apreopetheidentificationoflymphnodemetastasitagecervicalsquamous20200358.DOI:10.1259/bjr.20200358.nanceimagingimprovesdiagnosticperforma1-148.DOI:10.1016/j.rad[21]WuQ,WangS,Zhangeltoidentifylymphnodemetastasisonmagneticresonancepatientswithcervicalcanc25.DOI:10.1001/jamanetworkopen.2020.11625.[22]ZhangZ,WanX,LeiX,etal.Intra-andperi-tumoralMRrly-stagecervicalcancer[J].[23]ShiJ,DongY,JiangW,etal.MRI-basedperitumoralradiomicsanalysisforpreoperaty-stagecervicalcancer:amulti-centerstudy[J].MagnResonImaging,2022,88:1-8.DOI:10.1016/j.mri.2021.12.008.[24]TengY,AiY,LiangT,etal.ThionsonpreoperativelymphnodestatuspredictionmodelswithultrasoolCancerResTreat,2022,21:15330338221099396.DOI:10.1177/153[25]YangS,ZhangW,LiusociationofPET/CTradiomicsonlymphnodemetastasisofcervicalcancer[J].AnnMedSurg(Lond),2024,86(2):805-810.DOI:10.1097/MS9.[26]LiuY,DuanH,DongD,etal.Developmentsednomogramforpredictinglymphnodemetastareoperativepredictionoflymphnodemetastasisinearlycervicalcinoma[J].BrJRadiol,2020,93(1108):20190558.DOI:10.1259/bjr.201ancer[J].ActaRadiol,2023,64(1):360-369.DOI:10[29]LiXX,LinTT,LiuB,etal.Diagnosisofcervicalicresonanceimagingcombinedwithwhole-lesiontextureedonT2-weightedimages[J].FrontBioengBiosnomogram[J].EurRadiol,2020,30(6):3585-3593.DOI:10.1007/s0033分期的價(jià)值[J].中國(guó)醫(yī)學(xué)計(jì)算機(jī)成像雜志，2024,30(1):86-89.DOI:10.3969/j.issn.1006-5741.2024.01.017.[32]LiY,RenJ,YangJJ,etrovesthenoninvasivepretreatmentidentificationofmultimodalityth22,32(6):3985-3995.DOI:10.1007/s00330-021-[33]BhatlaN,AokiD,SharmaDN,etal.Cancerof2021update[J].IntJGynaecolObstet,2021,15[34]ZhangY,YuM,JingY,etal.Baselineiemotherapyonimmunemicroenvironmentincecer,2021,124(2):414-424.DOI:10.1038/s41416-[35]TianX,SunC,Li77.DOI:10.3389/fonc.2020.00077.[36]LupinelliM,SbarraM,KilcoyneA,etal.MRimagingofgynecoloAm,2023,61(4):687-711.DOI:10.1016/j.rcl.2023.02.011.[37]SunC,TianX,LiuZ,etal.Rapredictionofresponsetoneoadjuvantcdcervicalcancer:amulticentre0-169.DOI:10.1016/j.ebiom.2019.07.049.[38]XinZ,YanW,FengY,etal.AnMRI-basedmachinelearnin[J].CancerMed,2023,12(19):19383-19393.DOI:10.1002/cam4.6525.[39]KangJH,ChoWK,YeoHJ,etal.Prognostic regressionrateduringconcurrentchemoradiotherapyinJClinMed,2020,9(11):3471.DOI:10.3390/jcm9113471.[41]ZhangY,ZhangK,JiaH,etcsincervicalcancer:predictiononImaging,2022,91:37-44.DOI:10.1016/j.mri.2022.05.005.[42]ZhangX,ZhangQ,ChenYatmentpredictionofresponsetoconcurrentchemoradiotherapyinloca3,48(1):367-376.DOI:10.1007/s00261-022-03665-4.[43]FangM,KanY,Dong thepredictionoftreatmentresponsetoconcurrentchemotherapyand2020,10:563.DOI:10.3389/fonc.2020.00563.ceimaging-derivedradiomics