0 引言

       妇科恶性肿瘤是一类严重影响女性健康的疾病，宫颈癌（cervical cancer, CC）是我国最常见的妇科恶性肿瘤^[1]，根据国家癌症中心报告的统计数据，在2000年至2016年期间，我国CC发病率和死亡率显著增加^[2]；另外，随着肥胖率的升高和生育率的持续下降，子宫内膜癌（endometrial cancer, EC）的发病率和死亡率在全球范围内也呈上升趋势，成为西欧等发达国家最常见的妇科恶性肿瘤^[3]；而卵巢癌（ovarian cancer, OC）的发病率虽低于CC和EC，但死亡率却居妇科恶性肿瘤首位^[4]；可见，CC、OC和EC等常见妇科恶性肿瘤的诊治水平仍需进一步提高。计算机体层成像（computed tomography, CT）、MRI等传统影像学检查在CC、OC和EC等常见妇科恶性肿瘤的诊疗中发挥着重要作用，是术前分期、疗效评估、治疗后随访的重要手段^{[5, 6, 7]}。然而，影像科医生依据医学图像上观测到的肿瘤解剖学及形态学特征进行诊断，主观性较强，存在较大的观察者间差异性，部分反映肿瘤异质性的影像特征无法被肉眼识别，会影响临床诊断准确性^[8]。病理检查能反映肿瘤的病理生理变化，是肿瘤确诊的金标准，但组织活检取材有限，病理结果只能反映取样局部的特性，不能反映机体全部肿瘤特征，因此，影像学及病理学检查在评估肿瘤全貌特征上均受到主、客观因素的制约影响，存在一定局限性。

       近年来，影像组学在肿瘤领域发展迅速，国内外许多研究发现，影像组学基于医学影像大数据对肿瘤进行整体分析，可定量评估肿瘤病灶异质性，在CC、OC和EC等常见妇科恶性肿瘤的诊断、评估及预测等方面具有巨大的应用价值。目前，基于MRI的影像组学研究较多，已经从单一模态发展为多模态，研究内容侧重于对淋巴结转移（lymph node metastasis, LNM）和预后的预测，研究发现影像组学具有定量、动态、可重复、无创等优点，能够提高诊断和疗效评估的准确性^{[9, 10, 11]}，但影像组学研究方法尚未标准化，且多数研究样本量较小、缺乏外部验证和前瞻性研究，这些都是目前存在的挑战^[12]。本文主要介绍影像组学的基本概念及工作流程，通过对影像组学在妇科常见三大恶性肿瘤的诊断、鉴别诊断、病理分型、组织学分级、LNM、淋巴血管间隙浸润（lymphovascular space invasion, LVSI）、分子表达、疗效评估及预后预测等方面的研究进展进行综述，向读者揭示目前存在的不足及发展前景，以期促进个体化精准医疗的发展。

1 影像组学概述

1.1 基本概念

       2012年，LAMBIN等^[13]首次提出影像组学的概念，即从放射成像图像中高通量提取定量特征的一门技术。2016年，GILLIES等^[14]对其进一步完善，将其定义为从CT、MRI、PET/CT等医学图像中高通量地提取能全面、客观地描述肿瘤异质性及量化局部微环境的高维影像特征，从而将图像感兴趣区（region of interest, ROI）内潜在的病理生理学信息转化为可挖掘的数据，随后通过复杂的生物信息学方法进行分析，构建出具有诊断或预测价值的模型，以支持临床决策。

1.2 工作流程

1.2.1 图像获取

       高质量、标准化医学图像的获取是进行影像组学分析的基础。由于不同医疗中心对CT、MRI以及PET/CT等医学图像的采集和重建协议的实行标准不同，使得采集和重建的图像参数间存在差异^[14]，为了保证研究的可重复性和可比性，需要对医学图像进行预处理^[15]（重采样、标准化、归一化及高通滤波等），以保证图像参数（磁场强度、层厚、矩阵等）的一致性。

1.2.2 图像分割

       ROI分割是影像组学研究的关键一步。根据研究目的不同，ROI可为病变或正常区域，可为肿瘤、肿瘤周围或淋巴结区域。3D Slicer、ITK-SNAP等是常用的图像分割软件，常用的分割方法有手动、半自动及全自动3种。手动分割准确性较高，但主观性较强且费时费力；自动与半自动分割利用计算机辅助勾画ROI，速度快，但精度较低^[16]。目前，正常器官和组织的勾画可以完全自动化，但病变区域的勾画仍以手动分割为主。

1.2.3 特征提取

       特征提取是影像组学研究的核心步骤。通常将提取出的影像组学特征分为语义特征和不可知特征两大类^{[17, 18]}。第一类是指放射科医生常用于描述肿瘤的形状特征，如表面积、体积、球形度等。第二类是指通过数学方法提取出的定量特征，包括一阶、二阶和高阶特征。一阶特征描述ROI内单个体素的强度分布，如直方图特征，包括能量、一致性、熵、标准差等。二阶特征描述各体素之间的灰度级分布和关系，如纹理特征，包括灰度大小矩阵（gray level size zone matrix, GLSZM）、灰度共生矩阵（gray level co-occurrence matrix, GLCM）和灰度距离区域矩阵（gray level distance zone matrix, GLDZM）等。高阶特征通过对图像进行滤波获得，是基于三个或更多体素计算出的特征，如小波变换特征（wavelets）。通常提取到的特征数量庞大，需要进行特征降维以去除冗余特征、消除噪声，防止模型过拟合。常用的特征降维方法有主成分分析、反向特征消除等。

1.2.4 模型构建

       模型构建是指通过机器学习或统计分析方法，将筛选出的关键影像组学特征单独或结合临床病理参数、基因检测数据用于建立模型并加以验证。常用的模型构建方法有随机森林（random forest, RF）、logistic回归、支持向量机（support vector machine, SVM）及聚类算法等。通常经过独立外部数据验证的模型更可信，常用的模型评价指标包括受试者工作特征曲线下面积（area under the curve, AUC）、准确度、敏感度和特异度等^[15]。

2 影像组学在CC、OC及EC的研究进展

       现有常规的诊疗手段难以获得对妇科恶性肿瘤多维度、系统且精准的个体化无创性全程评估，CT、MRI、PET/CT等传统影像学检查是临床诊断的重要工具，明确诊断后依据分期制订治疗方案，但因个体差异，同样的治疗方案在分期相同的患者间疗效和预后不尽相同。影像组学的发展有望突破这一局面，通过从医学影像中提取大量不可视特征用于个体化诊断及预测模型的建立，能够提高诊断准确性及实现对LNM、LVSI、分子表达、疗效和预后的预测，进而实现精准医疗。

2.1 诊断及鉴别诊断

       肿瘤的诊断包括定位和定性诊断，定位诊断主要依赖于影像学检查，早期病灶较小时，妇科恶性肿瘤与正常组织、良性病变在影像上难以区分，容易误诊；定性诊断则依据病理检查，但需通过有创性操作来获取标本，通常费时费力又具有一定风险。大量研究表明^{[19, 20, 21, 22, 23]}影像组学能够突破人眼阅片的限制，提高常规影像的诊断效能。在鉴别诊断方面，早期基于表观扩散系数（apparent diffusion coefficient, ADC）直方图分析得出的影像组学一阶特征（如熵）有助于区分CC患者和正常人^[19]。国内学者^[20]从术前MRI图像中提取特征建立的影像组学RF模型能够较好地区分ⅠA期CC与高级别鳞状上皮内瘤变患者，筛选出的特征大多为小波变换特征；另外，针对宫颈黏膜的基于T2加权成像（T2-weighted imaging, T2WI）、对比增强T1加权成像（contrast-enhanced T1-weighted imaging, CE-T1WI）的影像组学分析在预测MRI无法观测到的早期CC方面也具有潜力^[21]。而SONG等^[22]基于动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）构建的分类模型对卵巢肿瘤具有良好的区分效果，三分类模型在良性组、交界组和恶性组的AUC分别为0.893、0.944和0.891。HU等^[23]的回顾性研究发现，结合CT动脉期影像组学特征和临床参数（影像组学评分、癌胚抗原、糖类抗原125）建立的列线图可用于鉴别原发性和继发性OC，其鉴别性能优于单纯的影像组学模型和临床模型。另外，BI等^[24]纳入2个中心共371例患者进行影像组学分析，发现基于多参数MRI的影像组学模型能够提高影像科医生对ⅠA期EC和良性子宫内膜病变的鉴别能力，使用logistic回归算法构建的模型具有良好、稳健的诊断效能，在内外验证组中的平均AUC和准确度分别为0.854、80.2%。以上研究初步证实了影像组学在三大常见妇科恶性肿瘤良恶性鉴别方面的应用价值。目前，OC鉴别诊断方面的研究较多，大多基于MRI、CT图像；而在CC、EC良恶性鉴别方面，几乎均为基于MRI的研究，基于CT的研究极少，可能是由于CC组织密度与正常宫颈组织相近，CT对肿瘤组织与正常组织的分辨能力较差，而MRI具有良好的软组织分辨率，在CC、EC中应用较为广泛所致。但基于CT成像技术影像组学模型的构建，对于MRI资源缺乏的区域或留置宫腔节育环等MRI检查禁忌的患者，将来可能也是一种选择。此外，当前的研究多数集中于对T2WI、CE-T1WI等MRI序列图像进行影像组学分析，发现一阶特征、纹理特征、小波变换特征等影像组学特征可作为一种无创性影像标志物，用于鉴别妇科恶性肿瘤的良恶性，影像组学列线图模型具有较好的诊断性能，但CC良恶性鉴别方面的影像组学研究目前局限于影像特征的分析，缺乏与临床参数结合，未来可以量化地引入肿瘤标志物及免疫组织化学相关指标进行综合分析，以提高模型诊断性能。

2.2 病理分型及组织学分级

       病理分型是影响妇科恶性肿瘤患者治疗决策及预后的重要因素。鳞状细胞癌是CC最常见的病理类型，对放疗相对敏感，预后较好，腺癌对放化疗的敏感性不及鳞癌，预后较差。有研究^[25]发现，从PET/CT中提取出的GLSZM特征在鳞状和非鳞状CC间存在定量差异（P<0.05），提示影像组学特征可能有助于区分CC病理类型；另外，WANG等^[26]纳入5个不同MRI序列（横断位及矢状位T2WI、横断位及矢状位CE-T1WI、ADC）图像进行影像组学分析后发现，腺癌的结构异质性大于鳞癌（P<0.05），MRI影像组学模型有助于鉴别宫颈鳞癌和腺癌。在OC方面，上皮性OC（epithelial OC, EOC）是最常见的病理类型，Ⅰ型EOC为高分化癌，预后较好；Ⅱ型EOC为低分化癌，大多数发现时已属晚期，总体预后较差。WEI等^[27]开发并验证了基于T2WI的深度学习影像组学列线图，在测试集、内部和外部验证集的AUC分别为0.945、0.888和0.866，对Ⅰ型和Ⅱ型EOC显示出了良好的鉴别能力。此外，基于CT图像的影像组学列线图可以鉴别上皮性和非上皮性OC^[28]。在EC方面，Ⅰ型EC为雌激素依赖型，较常见且预后较好；Ⅱ型EC为非雌激素依赖型，恶性程度高，预后差。目前，扩张刮除术（dilatation and curettage, D&C）是获取EC病理学特征的常规方法，但因取材局限，活检标本相较大体肿瘤标本，在诊断上容易出现误诊及漏诊可能，准确性受到影响。LIU等^[29]研究发现，相较于D&C活检病理，基于ADC的影像组学列线图对Ⅰ/Ⅱ型EC的鉴别性能较好，训练集的AUC 0.85 vs. 0.93、敏感度75% vs. 87%、特异度95% vs. 91%，测试集的AUC 0.82 vs. 0.91、敏感度71% vs. 82%、特异度93% vs. 88%。在这三大常见妇科恶性肿瘤的病理分型方面，基于T1WI、T2WI、ADC等序列图像的多模态MRI影像组学研究较多，提取出的关键特征多为纹理特征（如GLSZM特征），研究发现结合影像组学特征和临床参数构建的列线图模型对OC及EC的病理分型具有较高预测效能，但尚未有学者构建列线图用于CC病理分型的预测，这可能成为未来的一个研究方向。另外，在研究内容方面，目前侧重于研究影像组学对于Ⅰ/Ⅱ型EOC、宫颈腺/鳞癌以及Ⅰ/Ⅱ型EC的区分价值，或许可以进一步探讨影像组学对于上皮性与非上皮性OC、宫颈鳞癌与腺鳞癌、角化型与非角化性宫颈鳞癌的鉴别价值。

       组织学分级是描述肿瘤恶性程度的一个指标，根据癌细胞的分化程度、排列方式、核分裂数等，可将妇科恶性肿瘤分为低级别（高分化）、中级别（中分化）及高级别（低分化）3个级别。通常，高级别的肿瘤侵袭性更强，更具异质性，预后较差，及早明确肿瘤的病理学分级，对制订治疗方案和评估预后具有重要意义。LIU等^[30]的多中心回顾性研究发现，基于T2压脂序列和CE-T1WI序列图像的影像组学模型能够无创鉴别中分化和低分化CC。LI等^[31]回顾性分析138例浆液性OC患者的T2压脂、扩散加权成像（diffusion-weighted imaging, DWI）和增强T1WI序列图像，发现结合多参数MRI影像组学特征和临床参数建立的列线图有助于识别高级别和低级别浆液性OC，在训练队列的AUC、准确度、敏感度和特异度分别为0.98、90%、91%、90%，在验证队列中分别为0.95、87%、91%、83%。同样，基于多参数MRI（T2WI、DWI、CE-T1WI）的影像组学列线图在EC组织学分级方面也展现出了良好的预测性能，在验证集和测试集的AUC分别为0.923、0.914，优于D&C术后病理的诊断性能^[32]。另外，基于3.0 T MRI的ADC直方图分析也能够预测EC病理分级，分化级别越高的肿瘤ADC值越低^[33]。总体而言，在组织学分级方面的影像组学研究较少，大多在T2WI、增强T1WI、DWI等MRI序列图像上手动勾画ROI，能提取出与肿瘤异质性有关的重要信息，为常见妇科恶性肿瘤的分级提供更丰富、更精细的信息，从而有助于个体化、精准化地诊疗。但是，目前的研究均为回顾性分析，未来需要进行更多研究，特别是多中心、前瞻性的大样本研究。另外，在CC方面，当前研究侧重于探讨影像组学模型对宫颈鳞癌组织学分级的预测价值，缺乏针对宫颈腺癌组织学分级的影像组学研究，可能是由于宫颈腺癌患者数量较少导致，但它仍是具有研究价值的课题方向。

2.3 LNM及LVSI

       淋巴结病理状态会影响患者临床分期、后续治疗方案选择及预后。超声、CT、MRI等常规影像学方法主要根据大小（短径>1 cm）和形态学特征（如圆形或形态不规则、边界不清楚、中心坏死、回声不均匀及不均匀强化等）^{[34, 35]}来判断LNM，准确性较低，对于短径≤1 cm但存在癌转移的淋巴结，常规影像难以诊断；DCE-MRI、DWI、体素内不相干运动扩散加权成像（intravoxel incoherent motion diffusion weighted imaging, IVIM-DWI）、扩散张量成像（diffusion tensor imaging, DTI）等功能性MRI技术可提供与组织灌注及水分子运动相关的信息，进而提高LNM的诊断准确性^[36]；PET/CT根据代谢活性来判断淋巴结性质，诊断性能较好，但因成本较高使得临床应用可及性较低；淋巴结活检或术中淋巴结清扫的病理结果是诊断的金标准，但因其为侵入性方法，不常规应用。目前，影像组学在CC LNM方面有了很大进展，涉及超声、CT、MRI和PET/CT等影像检查手段，研究范围从原发肿瘤扩展到瘤周区域及淋巴结区域。LUCIA等^[37]纳入2个中心共178例CC患者进行回顾性分析，发现从PET/CT原发肿瘤中提取的GLDZM特征能够辅助判断CC主动脉旁LNM状态，进而决定是否需要对患者进行延伸野照射。另外，在T2WI、DWI序列图像上，从距离原发肿瘤边界1、3、5、7 mm的肿瘤周围区域中提取的影像组学特征也包含与淋巴结状态相关的信息^[38]，结合瘤周特征建立模型可以提高对LNM的预测能力。而SONG等^[39]的回顾性分析表明，结合T2WI影像组学特征和临床形态学特征建立的列线图有望预测CC患者中大小正常但存在癌转移的盆腔淋巴结。而在OC LNM方面，相关的研究报道较少，CHEN等^[40]研究发现CT图像纹理特征在高级别浆液性OC（high-grade serous OC, HGSOC）LNM方面具有较大的预测价值。在EC方面，一项前瞻性研究^[41]利用计算机辅助勾画ROI，并利用机器学习方法构建结合MRI影像组学特征、传统ADC值和临床参数的联合模型，发现该模型对EC LNM的诊断性能优于传统ADC值和淋巴结大小标准（P<0.05）。综上，影像组学可作为一种术前无创评估LNM的方法。在CC和EC方面的研究较多，以基于MRI图像的研究居多，研究发现反映肿瘤各体素之间空间关系的纹理特征与LNM关系密切，相较于常规影像学，影像组学模型对LNM的诊断性能较好。但是，当前的影像组学研究多针对常规MRI图像进行回顾性分析，由于功能成像序列在CC、EC中的应用尚处于初级阶段，基于DCE-MRI、DWI、IVIM-DWI、DTI等功能成像序列的影像组学研究较少。另外，虽然有少数研究前瞻性验证了影像组学在LNM方面的预测价值，但是仍需要更多大样本、多中心的前瞻性研究来支持。

       LVSI是恶性肿瘤发生的一种临床病理状态，与癌细胞转移、侵犯等生物学特性密切相关，是影响妇科恶性肿瘤患者预后的独立因素，术前有效评估LVSI状态，对手术、放化疗等治疗方案的选择起着指导性作用。目前，LVSI仅能通过病理诊断，其准确性受病理科医生水平及样本质量影响。DU等^[42]研究发现，从T2WI图像中提取出的小波变换特征与LVSI密切相关，联合影像组学特征和临床参数建立的列线图是预测CC LVSI的有效工具，在训练集的AUC、准确度、敏感度和特异度分别为0.943、89.5%、85.4%、92.9%，在测试集中为0.923、84.6%、84.0%、85.1%，其性能优于单纯的影像组学模型和临床模型。另一项研究表明^[43]，基于深度学习的影像组学方法能够帮助放射科医生在术前预测CC患者的血管浸润状态。“栖息地（Habitat）”是指对图像中的相似体素进行聚类，将肿瘤划分为不同的子区域^[44]，这种方法有助于更精准地分析肿瘤内部的异质性。一项多中心回顾性研究发现^[44]，从CE-T1WI图像上肿瘤子区域中提取特征建立的栖息地模型对CC LVSI的预测能力优于从整个肿瘤中提取特征建立的全肿瘤模型。另外，国内外均有研究^{[45, 46]}证实基于MRI的影像组学列线图也能够预测早期EC的LVSI状态，LIU等^[45]联合影像组学特征与临床参数（年龄、糖类抗原125）建立的列线图在训练集和测试集的AUC分别为0.89和0.85；彭永佳等^[46]联合MRI影像组学特征和LVSI危险因素（年龄、病理学分级及影像组学评分）构建的列线图在训练集和验证集中的C指数分别为0.87和0.81，在EC的LVSI术前评估方面表现出了良好的诊断效能。可见，影像组学方法有助于实现在术前对CC和EC的LVSI状态进行无创、重复评估，对于制订个体化治疗方案、预判疾病进展有着极其重要的意义。然而，在OC LVSI方面，尚缺乏相关的影像组学研究，有待于学者去研究探讨影像组学在OC LVSI方面的预测价值。另外，LVSI分为淋巴和血管浸润，当前绝大多数研究并未明确区分，有待于未来进一步深入研究。

2.4 分子表达

       器官和肿瘤的生理和解剖是由基因表达模式驱动的，影像组学以此为基础假设基因微观层面的改变可能体现在宏观影像特征上，并可能从影像中提取出能够预测基因表达的无创性影像生物标志物，为临床靶向治疗药物的选择提供有用的信息。在CC方面，血管内皮生长因子（vascular endothelial growth factor, VEGF）是目前研究较多的分子，它与肿瘤的生长、转移及预后密切相关，DENG等^[47]从CE-T1WI和T2WI图像中提取特征构建的多模态影像组学模型在CC VEGF表达方面表现出了良好的预测性能，在训练集和测试集的AUC分别为0.82和0.70；e-钙黏蛋白（E-cadherin, E-cad）表达降低与肿瘤侵袭、转移、耐辐射及预后不良等有关，整合PET/CT原发肿瘤和瘤周区域影像组学特征建立的联合模型可以预测早期CC E-cad表达^[48]。而在OC方面，研究较多的基因是乳腺癌易感基因（breast cancer susceptibility gene, BRCA），CAO等^[49]研究发现，基于CT图像建立的列线图对HGSOC患者BRCA基因突变状态的预测性能较好，在初始队列中的AUC、准确度、敏感度、特异度分别为0.89、90%、83%、95%，在验证队列中为0.87、86%、82%、88%，优于临床模型（初始队列：0.69、68%、47%、84%；验证队列：0.81、82%、64%、94%）和影像组学模型（初始队列：0.87、84%、87%、82%；验证队列：0.81、75%、73%、76%）。此外，基于CT图像的影像组学模型在OC C-C趋化因子受体5型^[50]、C-X-C基序趋化因子配体9^[51]、淋巴细胞特异性蛋白酪氨酸激酶^[52]等分子表达方面的预测价值也得到了证实。在EC方面，关于微卫星不稳定性（microsatellite instability, MSI）的研究较多，MSI与EC的发生、发展及预后高度相关，SONG等^[53]发现基于多参数MRI图像建立的影像组学模型在预测EC的MSI状态方面具有良好的应用前景，利用SVM算法建立的模型在训练集、内部和外部验证集的AUC分别为0.921、0.903和0.937；而WANG等^[54]的研究发现，从PET/CT中提取出的GLCMEntropy影像组学特征可能是EC PD1表达的潜在预测因子。此外，影像组学在妇科恶性肿瘤Ki-67表达方面的预测价值也被证实^[55]。以上研究表明，影像组学分析可为临床医生提供基因状态相关信息，从而指导个体化靶向治疗策略的制订。目前，在CC和EC分子表达方面的影像组学研究，大多基于MRI成像，而在OC中，对CT图像进行分析的研究偏多，PET/CT因价格昂贵临床应用相对较少，因此，这三大常见妇科恶性肿瘤中基于PET/CT的研究较少，期待未来有更多研究探讨基于PET/CT的影像组学模型在分子表达方面的预测价值。

2.5 疗效评估及预后预测

       由于个体差异，妇科恶性肿瘤患者对手术、放化疗等治疗手段表现出不同的敏感性。若能在治疗之前或治疗早期准确预测治疗反应，则有助于优化治疗策略，进而改善治疗效果和预后。目前，疗效评估通常基于治疗中或治疗后的MRI检查，根据图像上的形态学变化来评价疗效，但肿瘤的形态学变化晚于其内部结构和功能的变化，它仍是一个滞后的临床指标。FANG等^[56]发现，基于多参数MRI图像的影像组学模型能够预测局部晚期宫颈癌（locally advanced cervical cancer, LACC）对同步放化疗（concurrent chemoradiotherapy, CCRT）的治疗反应，在训练集和测试集的AUC分别为0.820、0.798。另外，基于MRI图像的机器学习影像组学模型在预测宫颈鳞癌对新辅助化疗（neoadjuvant chemotherapy, NACT）的敏感性方面也取得了令人满意的效果^[57]。在OC方面，RUNDO等^[58]研究发现，从CT图像中提取出的形状特征及GLCM特征（低均匀性、低熵）与HGSOC对NACT的治疗反应密切相关；LI等^[59]结合MRI影像组学特征及临床参数（国际妇产科联盟分期、糖类抗原125和残余肿瘤）建立的列线图有助于识别对铂类化疗药物耐药的HGSOC患者，在训练集的AUC、准确度、敏感度和特异度分别为0.812、77.0%、77.5%、76.5%，在测试集中为0.799、77.5%、73.7%、78.6%，优于临床模型（训练集：0.785、72.3%、75.4%、70.0%；测试集：0.747、65.2%、79.0%、61.4%）。由此可见，影像组学方法在CC和OC疗效评估方面具有一定的临床应用价值，目前，基于MRI、CT成像技术的影像组学研究较多，发现二阶纹理特征与疗效密切相关，结合影像组学特征和临床参数建立的列线图模型在疗效预测方面更具有优势。虽然影像组学在CC疗效评估方面得到了很大发展，涉及新辅助治疗、CCRT、根治性放疗等方面，但是，关于CCRT和NACT的研究居多，对于接受CCRT及后装治疗后肿瘤未控的患者，其进行辅助化疗（adjuvant chemotherapy, ACT）的疗效评估方面的研究极少；与OC疗效评估相关的影像组学研究也较少，未来需要更多的研究探索。另外，在EC治疗领域，虽然已有少数影像组学研究通过分析预后因素，尝试筛选出适合进行保留生育功能治疗的患者群体^[60]，但是针对早期有保留生育功能意愿的年轻患者及晚期、复发性或无法手术的患者接受激素治疗的疗效评估，目前相关研究相对匮乏，鉴于此，影像组学在预测EC对激素治疗反应方面的潜力，是一个值得深入探讨和研究的领域。

       随着治疗水平的提高，妇科恶性肿瘤的生存率有所提升，但仍有较多患者会出现局部复发及远处转移，倘若能在治疗前准确预测预后差的患者，将有助于指导制订个体化的治疗决策及随访时间，以改善预后，延长生存期。分期、病理分型等临床参数与预后密切相关，但不能提供全面、精确且特异的预后信息；医学图像包含着与预后有关的潜在的病理生理信息，但人眼阅片获得的视觉信息有限。AUTORINO等^[61]研究发现，基于治疗前T2WI图像建立的影像组学模型能够预测接受新辅助放化疗（neoadjuvant chemoradiotherapy, NACRT）的CC患者的2年总生存期（overall survival, OS），在训练集和测试集的AUC分别为0.77和0.91。另外，结合临床参数和MRI影像组学特征构建的列线图能够预测接受单纯CCRT或CCRT联合ACT的LACC患者的预后^{[62, 63]}，在无进展生存期（progression-free survival, PFS）、OS方面均具有良好的预测价值。在OC方面，有研究发现^[64]，从术前T2WI、CE-T1WI图像中提取特征构建的影像组学模型能够预测HGSOC患者的无复发生存，帮助临床医生识别具有高复发风险的患者，结合影像组学特征和临床参数建立的融合模型表现出比临床模型更高的预测效能，AUC和准确度分别为0.86 vs. 0.72和78.6% vs. 70.1%。而LIU等^[65]的研究提示基于多参数MRI的影像组学列线图是预测EC患者子宫切除术后5年PFS的有效方法，在训练集和测试集的AUC分别为0.840和0.958。另外，结合临床病理参数和MRI影像组学特征建立的融合模型在EC复发风险方面的预测价值也得到了证实^[66]。综上，在预后预测方面，多数学者选择MRI图像进行分析，研究提示影像组学可作为预测妇科恶性肿瘤患者生存期和复发的有效工具。在CC方面，对接受CCRT的CC患者进行预后预测的影像组学研究较多，关于NACRT、NACT、ACT预后预测方面的研究极少，这些领域值得更多关注和深入研究。而在OC和EC方面，多数研究探讨影像组学对术后复发风险及生存期的预测价值，关于早期EC术后不同辅助治疗模式的预后预测以及不同基因状态对预后影响的预测，仍有待进一步探讨研究。

3 小结及展望

       目前，影像组学在CC、OC和EC这三大常见妇科恶性肿瘤方面得到了快速发展，涉及的图像序列数不断增加，使用的计算机算法也在不断精进，研究的内容不再局限于影像组学特征，还包含临床、病理、生物信息、基因等多组学因素。越来越多的研究表明，影像组学特征作为一种无创性影像标志物，在常见妇科恶性肿瘤的诊断、鉴别诊断及病理分型、组织学分级、LNM、LVSI、分子表达、疗效和预后预测等方面具有广阔的应用前景。但是，影像组学在CC、OC和EC这三大常见妇科恶性肿瘤方面的研究尚处于发展阶段，仍存在诸多不足：首先，影像组学研究方法尚未标准化，在这三大常见妇科恶性肿瘤方面的影像组学研究，采用的图像预处理、图像分割、特征提取和筛选、组学分析和模型建立方法不统一，重复性差。其次，研究设计存在不足，关于这三大常见妇科恶性肿瘤的影像组学研究多为单中心、小样本、回顾性研究，仅有极少数前瞻性研究，多数研究缺乏外部验证。现有的研究，多围绕EOC、宫颈鳞癌及子宫内膜样腺癌等常见病理分型展开，针对特殊病理分型的研究极少。再者，影像资料单一，在CC、OC和EC方面的影像组学研究大多基于MRI图像，对超声、CT、PET/CT等其他成像技术进行影像组学分析的研究较少。最后，临床转化存在难度，这三大常见妇科恶性肿瘤的影像组学研究成果均尚未应用于临床实践。因此，未来的研究应将重点放在这些局限性上，通过标准化影像组学分析的各个环节、扩大样本量、进行多中心验证及前瞻性临床试验验证、增加对其他病理分型及影像资料的研究，来改进影像组学模型性能，使影像组学研究成果更适用于临床实践。未来，随着人工智能和计算机技术的日臻成熟与完善，影像组学有望在常见妇科恶性肿瘤诊治领域辅助临床医生实现精准医疗。