影像组学在子宫颈癌中的应用现状及研究进展

影像组学在子宫颈癌的应用是一个较新的研究领域[1],2018年国际妇产介绍了影像学检查在子宫颈癌分期中的应用[2]。目前，影像学检查基于定性或半定量指标，如通过磁共振成像(magneticresonan观察到的代谢活动来评估疾病程度、采用正电子发射体层摄影(positronemissiontomography,PET)-CT检查评估淋巴结转移和远处转移情况，但在预测潜在的肿瘤特征和生物学特征[3]。随着人工智能的快速发展，影像组学已成2010年，Gillies等[4]首先提出了影像组学的概念；2012年，Kumar等 潜力(如肿瘤异质性和肿瘤微环境)[3,6]。影像组学的工作流程主要包括：概率和生存率等进行预测[7]。(一)中危风险预测侵入性方法，对术前评估LVSI具有重要意义。Huang等[10]从纵向弛豫时间 比，影像组学-临床联合模型可更好地识别LVSI,影像组学组学-临床联合模型的验证集AUC为0.940,训练集AUC为0.9yclooxygenase-2,COX-2)、腱糖蛋白C(tenascinC,TN-C)建立的医师评估LVSI,均取得了较为满意的结果[11-14]。总体来说，影像组学-的AUC为0.879、敏感度为87.9%,显著优于高年资放射科医师阅片。体积转移常数(Ktrans)联合SCC-Ag水平预测Ib组学模型的AUC为0.951,临床模型的AUC为0.769,影像组学-临床联合模型(二)高危风险预测分别达94.3%和100.0%。Wu等[21]的进一步研究发现，单独提取瘤内或瘤周7%。Zhang等[22]基于T2WI和弥散加权成像(diffusionweightedimaging,均达到了最高，分别为0.868、0.846。Shi等[23]在增强T1WI(CE-T1WI)转移状态。Yang等[25]纳入106例接受PET-CT检查的子宫颈癌患者，提取en等[27]使用手工勾画肿瘤最大横截面积的二维ROI,建立基于CT检查的深i等[28]使用卷积神经网络(convolutionalneuralnetwork,CNN)提取影VM)模型，训练集的AUC为0.946,特异度和敏感度分别为0.940和0.714,而验证集的AUC为0.921,特异度和敏感度分别为0.963和0.600,该模型在预测将235例患者的MRI图像数据分为训练集(194例)、验证集(41例),建立3含4个临床特征和2个影像特征(肿瘤最大径和肿瘤体积)],在验证集中，临5、0.751、0.801,敏感度分别为0.789、0.632、0.737,特异度分别为0.818、0.636、0.682),临床-影像组学模型的AUC分别与临床模型(P=0.007)和临预测对NACT的反应。Tian等[35]提取了277例接受NACT的局部晚期子宫颈un等[37]提取了92例接受NACT的局部晚期子宫颈癌患者的MRI图像特征，VM模型在测试集和外部验证集中的AUC最高(分别为0.880-40],然而若对CCRT不敏感，则会延误其接受其他有效治疗的时机，因此，sioncoefficient,ADC)图像中提取200个影像组学特征，最终选取4个影像组学特征和2个临床特征构建联合列线图，训练集的AUC为0.857,敏感度和特异度分别为0.658和0.870,显著高于单一的临床模型(P=0.003),而验证集的AUC为0.842,敏感度和特异度分别为0.750和0.818,发现联合列线图对肿Fang等[43]基于MRI图像数据将影像组学与机间方面更加准确[44-45]。Fang等[45]通过设计模型预测Ib~IⅡa期子宫颈癌患者的无病生存(diseasefreesurvival,DFS)时间，收集248例子宫颈癌提取影像组学特征，构建结合影像组学评分(radiomicscor项研究中却显示，联合模型能够更好地预测子宫颈癌的DFS时间，其从CE-T1WI、T2WI图像和ADC图像中提取影像组学特征，使用基于LASS0方法的Cox回归分析构建3种Rad-score,分别为肿瘤区域Rad-score[Rad-score(VI0entire)]、肿瘤外扩5mmRad-score[Rad-score(VIO+5mm)]、肿瘤内缩5mmRad-score[Rad-score(VI0-5mm)],Kaplan-Meier法生存曲线分析表明，年龄、FIGO分期、LVSI和Rad-score(VIO+5mm)与较短的DFS时间显著相关，从CE-T1WI图像中提取的影像组学特征占50%,表明，瘤内和瘤周的CE-T1WI图像特征可能与肿瘤异质性相关[44]。此前的研究通常基于肿Mu等[46]研究从PET-CT图像中提取影像组学特征用于预测接受CCRT的的联合列线图预测患者无进展生存(progression-freesurvival,PFS)和总测试集的一致性指数为0.85和0.82,在0S时间方面，训练集和测试集的一致性指数为0.86和0.80,均具有较高的一致性。联合列线图可以进一步促进放化疗前的个体化PFS和OS时间的预测。Zhou等[44]收集115例接受CCRT并持数(perfusionfraction)、治疗前后的Rad-score是影响局部晚期子宫颈癌CRT后子宫颈癌复发的AUC为0.977,内部和外部验证的一致性指数分别为0.977和0.962,模型二预测1年、3年和5年DFS率的AUC分别为0.895、0.888和0.916,内部和外部验证的一致性指数分别为0.860和0.892。发现模型一有助患者CCRT后的复发概率。因此，影像组学可以无创预测局部晚子宫颈癌LVSI、淋巴结转移状态、疗效和生存时间等方面提供了重要的信息，但大多局限于理论研究，尚无法广泛应用于临床[47],造成这种现象的原因有： (1)复杂的深度学习模型通常以“黑箱”形式运行，难以了解其运行过程，造成影像组学的研究缺乏标准化、可重复性；(2)大部分为单中心、小样本量研究，并缺乏外部验证，导致无法适用于其他数据集，缺乏普适性；(3)影像组Kocak等[48]制定了影像组学评估清单(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.实践，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分期的价值[J].中国医学计算机成像杂志，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