影像組學在子宮頸癌的應用是一個較新的研究領域[1],2018年國際婦產介紹了影像學檢查在子宮頸癌分期中的應用[2]。目前，影像學檢查基于定性或半定量指標，如通過磁共振成像(magneticresonan觀察到的代謝活動來評估疾病程度、采用正電子發射體層攝影(positronemissiontomography,PET)-CT檢查評估淋巴結轉移和遠處轉移情況，但在預測潛在的腫瘤特征和生物學特征[3]。隨著人工智能的快速發展，影像組學已成2010年，Gillies等[4]首先提出了影像組學的概念；2012年，Kumar等 潛力(如腫瘤異質性和腫瘤微環境)[3,6]。影像組學的工作流程主要包括：概率和生存率等進行預測[7]。(一)中危風險預測侵入性方法，對術前評估LVSI具有重要意義。Huang等[10]從縱向弛豫時間 比，影像組學-臨床聯合模型可更好地識別LVSI,影像組學組學-臨床聯合模型的驗證集AUC為0.940,訓練集AUC為0.9yclooxygenase-2,COX-2)、腱糖蛋白C(tenascinC,TN-C)建立的醫師評估LVSI,均取得了較為滿意的結果[11-14]?？傮w來說，影像組學-的AUC為0.879、敏感度為87.9%,顯著優于高年資放射科醫師閱片。體積轉移常數(Ktrans)聯合SCC-Ag水平預測Ib組學模型的AUC為0.951,臨床模型的AUC為0.769,影像組學-臨床聯合模型(二)高危風險預測分別達94.3%和100.0%。Wu等[21]的進一步研究發現，單獨提取瘤內或瘤周7%。Zhang等[22]基于T2WI和彌散加權成像(diffusionweightedimaging,均達到了最高，分別為0.868、0.846。Shi等[23]在增強T1WI(CE-T1WI)轉移狀態。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]使用卷積神經網絡(convolutionalneuralnetwork,CNN)提取影VM)模型，訓練集的AUC為0.946,特異度和敏感度分別為0.940和0.714,而驗證集的AUC為0.921,特異度和敏感度分別為0.963和0.600,該模型在預測將235例患者的MRI圖像數據分為訓練集(194例)、驗證集(41例),建立3含4個臨床特征和2個影像特征(腫瘤最大徑和腫瘤體積)],在驗證集中，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-影像組學模型的AUC分別與臨床模型(P=0.007)和臨預測對NACT的反應。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模型在測試集和外部驗證集中的AUC最高(分別為0.880-40],然而若對CCRT不敏感，則會延誤其接受其他有效治療的時機，因此，sioncoefficient,ADC)圖像中提取200個影像組學特征，最終選取4個影像組學特征和2個臨床特征構建聯合列線圖，訓練集的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),而驗證集的AUC為0.842,敏感度和特異度分別為0.750和0.818,發現聯合列線圖對腫Fang等[43]基于MRI圖像數據將影像組學與機間方面更加準確[44-45]。Fang等[45]通過設計模型預測Ib~IⅡa期子宮頸癌患者的無病生存(diseasefreesurvival,DFS)時間，收集248例子宮頸癌提取影像組學特征，構建結合影像組學評分(radiomicscor項研究中卻顯示，聯合模型能夠更好地預測子宮頸癌的DFS時間，其從CE-T1WI、T2WI圖像和ADC圖像中提取影像組學特征，使用基于LASS0方法的Cox回歸分析構建3種Rad-score,分別為腫瘤區域Rad-score[Rad-score(VI0entire)]、腫瘤外擴5mmRad-score[Rad-score(VIO+5mm)]、腫瘤內縮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時間顯著相關，從CE-T1WI圖像中提取的影像組學特征占50%,表明，瘤內和瘤周的CE-T1WI圖像特征可能與腫瘤異質性相關[44]。此前的研究通常基于腫Mu等[46]研究從PET-CT圖像中提取影像組學特征用于預測接受CCRT的的聯合列線圖預測患者無進展生存(progression-freesurvival,PFS)和總測試集的一致性指數為0.85和0.82,在0S時間方面，訓練集和測試集的一致性指數為0.86和0.80,均具有較高的一致性。聯合列線圖可以進一步促進放化療前的個體化PFS和OS時間的預測。Zhou等[44]收集115例接受CCRT并持數(perfusionfraction)、治療前后的Rad-score是影響局部晚期子宮頸癌CRT后子宮頸癌復發的AUC為0.977,內部和外部驗證的一致性指數分別為0.977和0.962,模型二預測1年、3年和5年DFS率的AUC分別為0.895、0.888和0.916,內部和外部驗證的一致性指數分別為0.860和0.892。發現模型一有助患者CCRT后的復發概率。因此，影像組學可以無創預測局部晚子宮頸癌LVSI、淋巴結轉移狀態、療效和生存時間等方面提供了重要的信息，但大多局限于理論研究，尚無法廣泛應用于臨床[47],造成這種現象的原因有： (1)復雜的深度學習模型通常以“黑箱”形式運行，難以了解其運行過程，造成影像組學的研究缺乏標準化、可重復性；(2)大部分為單中心、小樣本量研究，并缺乏外部驗證，導致無法適用于其他數據集，缺乏普適性；(3)影像組Kocak等[48]制定了影像組學評估清單(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分期的價值[J].中國醫學計算機成像雜志，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