0 引言

       卵巢癌为全球发病率第三的妇科恶性肿瘤，也是死亡率最高的妇科癌症^{[1, 2]}。虽然中国卵巢癌的发病率低于世界总体水平，但我国卵巢癌发病率和死亡率仍较高，其中城市发病率显著高于农村^[3]。卵巢癌的筛查与诊断的成像方式主要有：经阴道超声（transvaginal ultrasonography, TVS）、MRI、计算机断层扫描（computed tomography, CT）^[4]。

       因卵巢癌早期发病隐匿，患者确诊时往往已处于中晚期，并且其具有较高的复发率以及铂耐药性，给治疗带来了极大的挑战^[5]。因此，影像组学在卵巢癌治疗中的应用研究，具有极其重要的临床意义和学术价值。国内外学者通过提取大量影像组学特征，实现了基于图像的数据分析，已被用于卵巢肿瘤的分类、评估异质性和预后预测等方面。通过与基因数据结合，影像基因组学可以实现对卵巢癌基因表达及临床结果的非侵入性评估^[6]。与人工智能（artificial intelligence, AI）结合的影像组学在卵巢癌治疗方面也显现出显著潜力^[7]。然而，影像组学在卵巢癌治疗评估中也面临一些挑战，如何有效利用影像组学方法早期诊断并选择合适治疗方案仍是亟待解决的问题，影像组学在临床应用中的广泛性和普及度还有待提高，并且研究结果的可重复性较差。目前，影像组学在卵巢癌的术前转移、化疗反应和预后预测等方面已经取得了一定的进展。本综述将进一步总结影像组学在卵巢癌治疗中的应用现状，旨在提高卵巢癌的诊断和治疗水平，为患者提供更准确、更有效的诊疗方案，为卵巢癌的临床诊疗提供新的思路和方法。

1 影像组学概述

       影像组学在2012年由荷兰学者LAMBIN等^[8]提出，影像组学通过自动或半自动软件对海量医学图像数据进行定量分析，从中提取基于成像特征的可量化信息，这些成像特征可以是直方图、纹理、模型、变换及形状^[9]。虽然影像科医生可以利用影像学特征对图像进行分类，但一些早期微观变化难以被人眼观察到，AI的兴起推动了影像组学的发展^[10]。机器学习（machine learning, ML）是AI的一个重要分支，ML主要包括逻辑回归、人工神经网络（artificial neural networks, ANNs）、支持向量机（support vector machine, SVM）、深度学习（deep learning, DL）以及卷积神经网络（convolutional neural networks, CNNs）^[11]。影像组学流程为六个步骤^{[12, 13]}：（1）规划，即进行临床问题的识别与研究设计；（2）图像采集；（3）图像预处理和图像分割；（4）影像学特征提取；（5）影像组学模型构建；（6）影像组学模型性能评估与验证。

       影像基因组学是将影像组学的成像数据与基因组学联系在一起的研究方式，近年来其他生物学参数^[14]也更广泛地参与到影像基因组学的研究中。影像基因组学最早并且最主要应用于恶性肿瘤领域。基因突变不仅是癌症致病原因，在化疗效果与复发中的作用也得到证实，肿瘤内蛋白质表达的主要差异可与影像组学特征相关^[8]。因此，影像组学通过非侵入性手段预测肿瘤基因组的变化，可能会使癌症患者在预测风险、提供治疗方案、预后效果评估以及生存期预测等方面受益。

2 卵巢癌临床治疗现状

       上皮性卵巢癌（epithelial ovarian cancer, EOC）占卵巢癌的80%^[15]，其中又分为生物学较惰性的Ⅰ型和侵袭性较高的Ⅱ型。Ⅰ型EOC包括低级别浆液性癌（low grade serous ovarian cancer, LGSOC）、黏液性癌、子宫内膜样癌和透明细胞癌，Ⅱ型EOC包括高级别浆液性癌（high grade serous ovarian cancer, HGSOC）、癌性肉瘤和未分化组织型癌^{[4, 16]}。Ⅰ型癌通常生长缓慢，通过成像手段可以有效检出早期病变，早期手术切除有效，而表现出对常规化疗不敏感。Ⅱ型癌如HGSOC生长迅速，被检出时常已扩散，需要更积极的手术治疗，常规铂类化疗有效，但总体预后较差^[17]。

       手术是卵巢癌治疗的首选方法，手术的目的是实现无残留病灶（R0）。对于ⅠA、ⅠB期EOC患者，手术治疗后往往可以获得较好的预后^[2]。但不幸的是，由于卵巢癌患者多表现为腹痛腹胀等非特异性症状，大多数患者确诊时已处于晚期。经评估可能实现满意减瘤的患者可直接手术，称为初次减瘤手术（primary debulking surgery, PDS）。对于全身治疗效果较差的患者，手术也有助于减轻肿瘤负荷。若评估为难以实现满意减瘤者需在取得病理结果后先行新辅助化疗（neoadjuvant chemotherapy, NACT），再行间隔减瘤手术（interval debulking surgery, IDS）^{[5, 18]}。

       化疗分为NACT和术后维持性化疗，常规化疗给药方式为静脉滴注，部分患者可选择腹腔内化疗（intraperitoneal chemotherapy, IPEC）^[19]。多数卵巢癌患者对铂化疗有良好反应，接受铂类化疗后可得到临床缓解，但患者复发概率也较高，临床工作中常见铂类化疗耐药。接受铂类化疗6个月内出现复发的患者定义为铂类化疗耐药^[20]，卵巢癌复发的诊断要求达到以下两种或两种以上条件：（1）血清糖类抗原125（carbohydrate antigen 125, CA125）水平异常升高；（2）影像学检查显示复发；（3）出现腹腔积液和/或胸腔积液；（4）妇科检查发现肿块或发生不明原因肠梗阻^[21]。

       随着医学影像技术的快速发展，影像组学在肿瘤精准医疗时代展现出巨大的潜力和价值。影像组学模型可以结合临床数据、病理结果等信息，在卵巢癌诊断和治疗效果评估中显现出良好应用价值，为卵巢癌的精准医疗提供了新的思路和方法。

3 影像组学与影像基因组学在卵巢癌治疗及预后的研究进展

       影像学检查有助于术前临床分期、疗效评估及随诊监测复发和进展。TVS是常规观察附件和子宫的成像方式，对CA125异常者进行补充TVS可以对更多的早期癌症和边缘肿瘤进行诊断^[4]。CT可以观察卵巢癌患者肿瘤的大小、位置、腹膜及淋巴结情况。MRI具有良好的软组织分辨率，常应用于卵巢癌的定性诊断中，在肿瘤的分期、指导手术切除以及进行生存期预测等方面体现出较高价值^[22]。正电子发射计算机体层成像（positron emission tomography-computed tomography, PET-CT）可反映病灶代谢状态，在卵巢癌复发与转移的监测中具有优势，但由于其成本高、辐射大，常不作为常规检查。

3.1 影像组学与影像基因组学在卵巢癌术前预测方面的应用

       卵巢癌的术前预测一直是医学研究的热点，特别是在腹膜转移（peritoneal metastases, PM）的预测中，其准确性对于手术方案的制订和患者预后至关重要。近年来，多项研究借助影像组学和ML技术，对卵巢癌术前预测进行了深入探讨。蔚晓玉等^[23]回顾性纳入86例EOC患者，全部患者均接受全子宫切除术加网膜切除术。从术前FS-T2WI、DWI和DCE-MRI图像中提取并选择与PM相关的特征，分别构建模型并建立联合多序列模型，曲线下面积（area under the curve, AUC）分别为0.749、0.765、0.736及0.865。进一步结合影像组学特征和临床病理危险因素构建的列线图，AUC提升至0.953，显著提高了诊断效率，显示出多序列MRI影像组学在术前预测卵巢癌患者PM中的准确性。SONG等^[24]的研究同样证明了基于多序列MRI的影像组学在卵巢癌的PM中良好的预测效果，结合影像组学特征、盆腔积液和CA125水平的影像组学列线图在训练及验证队列中均表现出较高的AUC，显示出组合模型在术前预测中更好的鉴别力。WEI等^[25]的一项多中心研究基于T2WI构建影像组学模型、DL模型、临床模型以及组合模型，结果显示组合模型具有最高的AUC，DL模型和影像组学模型均可在术前预测PM。LI等^[26]基于CT构建影像组学模型，其中偏向性、隔膜增厚和边缘是独立的影像学预测因子，CA125和人附睾蛋白4（human epididymis 4, HE4）是独立的临床预测因子，组合模型显现出最高的净收益，该研究展现出基于CT的影像组学在预测EOC的隐匿性PM中的价值。

       术前淋巴结状态评估有助于制订个性化手术方案和后续治疗计划。CHEN等^[27]开发和验证了基于增强CT的影像组学模型，用于预测HGSOC患者术前淋巴结转移，结果证明基于门脉期图像建立的影像组学列线图在预测HGSOC淋巴结转移方面效果良好。QI等^[28]基于超声的影像组学列线图也显示出对于卵巢癌患者淋巴结转移诊断的良好性能。

       在卵巢癌的术前预测中，除了PM和淋巴结转移外，残留肿瘤（residual tumour, RT）和其他部位转移也是重要的预测目标。LENG等^[29]纳入201名EOC患者，使用多种ML算法由增强CT图像构建模型，其中，光梯度增强机（light gradient boosting machine, LightGBM）模型有较好的预测效能，结合CA125及肿瘤位置的组合模型在EOC术前FIGO分期预测中具有最佳诊断效率。LU等^[30]所构建的基于MRI的影像组学列线图显示，患者骨盆转移情况、HE4水平和中性粒细胞与淋巴细胞比值是卵巢癌RT的独立预测因子，证明了在RT预测中的可行性。AI等^[31]通过对101例接受PDS的卵巢癌患者进行影像学特征提取，结果证实卵巢癌患者的年龄和CA125水平是与转移相关的临床因素，影像组学模型、临床模型、组合模型的AUC分别为0.82、0.83、0.86，证明了基于术前CT的影像组学预测转移状态的可行性。

       综上所述，多项研究均证实了影像组学在卵巢癌术前预测的良好预测能力，通过结合多种影像技术和临床因子，构建的组合模型在术前预测中表现出了较高的准确性和鉴别力，ML算法的加入提高了模型的效率。然而，不同研究的样本量和数据集存在差异，可能影响结果的稳定性和泛化能力。同时，各研究纳入的序列和临床危险因素的数量各不相同，可能使结果在同一研究主题的平行比较中产生偏移。在未来的研究中，需要加强数据质量控制、扩大样本量、建立统一的研究标准以及采用多变量分析方法，以提高研究的准确性与可靠性。

3.2 影像组学与影像基因组学在卵巢癌化疗反应评估方面的应用

       化疗反应评分（chemotherapy response score, CRS）用于评估HGSOC患者对NACT的反应，其局限性在于CRS需在NACT治疗后进行取样，而RUNDO等^[32]开发的基于CT的影像组学模型通过对肿瘤体积的预测可早期和非侵入性地预测患者对NACT的反应，从而避免了不必要的腹部手术。此外，将化疗前影像组学信息加入模型可提高模型预测性能。

       CRISPIN-ORTUZAR等^[33]综合临床、影像组学及血清生物标志物建立ML模型对HGSOC患者NACT反应进行评估，纳入考虑的因素包括不同部位病灶体积、ctDNA、TP53突变状态以及给药模式等。所使用的实体肿瘤疗效评价标准（RECIST 1.1）与靶病灶体积变化密切相关，综合影像组学模型的AUC为0.78，临床模型的AUC为0.47，综合模型显示出更小的误差。ZHANG等^[34]提取了1373个卵巢癌影像组学特征，这些特征可分为几何、强度和纹理特征，通过SVM分类构建模型，其AUC为0.806，总体准确率为83.3%，该研究证明了影像组学在NACT治疗结果预测中的高准确性。

       LI等^[35]的研究则聚焦于全肿瘤体积及瘤周体积的影像组学特征。通过对219名EOC患者的多个轴位MRI图像进行分析，他们发现瘤周大小为2 mm的影像组学特征在评估EOC化疗反应时表现最佳，为全肿瘤体积影像组学评估提供了有效补充。

       影像组学模型在NACT反应的评估中展现出显著优势，特别是预测病灶体积变化方面。然而，未来还需进一步的大规模临床验证来证实其可靠性。同时，综合临床、影像组学及血清生物标志物等多个因素建立模型时，如何确定模型架构和参数设置，以及如何处理不同因素之间的交互作用，也是未来研究的重要方向。此外，鉴于卵巢癌患者易对铂类化疗药物产生耐药性，影像组学在评估耐药性方面的潜力亦值得深入探讨。

3.3 影像组学与影像基因组学在预测卵巢癌铂化疗耐药方面的应用

       在探讨卵巢癌的铂类化疗耐药性及无进展生存期（progression-free survival, PFS）的预测时，影像组学已成为一种有力的工具。VEERARAGHAVAN等^[36]的回顾性研究结合位点内和位点间影像组学测量与临床、基因组测量，对卵巢癌PFS及铂类化疗药物耐药进行了预测，研究结果显示，结合临床基因组变量的模型对铂类化疗耐药具有最佳的预测效果，位点内和位点间影像组学簇差异性的测量可体现肿瘤异质性，其与PFS相关，与wnt信号通路呈负相关，与肿瘤微环境（tumor microenvironment, TME）呈正相关。该研究揭示了影像组学在铂类化疗耐药评估及PFS预测中的可行性。另一项针对EOC铂化疗敏感性的回顾性研究表明^[37]，在纳入的多个临床因素中，RT、中性粒细胞计数、CA199显示出独立预测作用，结合多序列MRI影像学评分构建列线图，该列线图在训练队列和验证队列中都显现出良好的预测效能，AUC值分别达到0.90和0.89，在预测EOC患者铂类化疗的敏感性方面表现出较高的诊断价值，进一步验证了影像组学在预测铂类化疗反应中的有效性。

       LI等^[38]的一多中心研究纳入了多个临床特征及MRI形态特征（最大肿瘤直径、偏侧性和占位特征），结果显示：较高的影像组学评分、较高的FIGO分期、较大的RT直径以及较高的CA125水平（≥600 U/mL）与HGSOC铂耐药性相关，构建的影像组学列线图能有效预测铂化疗耐药性，显示出影像组学在个性化治疗中的潜力。BI等^[39]的一项多中心研究进一步采用了K-means算法构建影像组学模型、DL模型和生境影像组学模型，用于预测卵巢癌患者对铂类化疗的反应。较前二者，生境模型具有更高的AUC，而将生境特征与NACT相结合的列线图有较单独生境模型更高的AUC，净重分类指数（net reclassification index, NRI）和综合鉴别改进（integrated discrimination improvement, IDI）均为阳性，证明了基于生境的影像组学模型在预测铂类耐药性方面的良好性能。此外，YI等^[40]通过将基因组数据与基于治疗前CT影像组学模型以及临床病理学数据相结合，进一步提升了影像组学模型在预测卵巢癌铂化疗耐药方面的可靠性。LEI等^[41]纳入93名EOC患者，基于手动分割的肿瘤体积以及全腹部整体体积作为感兴趣容积构建模型，使用CNNs从CE-T1WI和T2WI提取特征来预测铂敏感性，结果证明基于非手动分割的全腹部DL模型在铂敏感性方面具有更好的预测性能。全腹部模型由于无需手动分割而避免了传统影像组学可重复性较差的问题，为影像组学分析提供了新的思路。

       综上所述，多项研究通过结合临床、基因组与影像组学数据，展现了影像组学在铂类化疗耐药评估中的重要作用，可在手术取病理或基因检测前给予临床下一步治疗方案的选择以可靠的参考。对于铂类耐药患者，还有很多可供选择的药物。抗血管生成药物如贝伐珠单抗^[42]、PARP抑制剂如奥拉帕尼等、抗体-药物偶联物索星-米妥昔单抗^[43]均可明显缓解复发性铂类耐药卵巢癌，然而，对于后续治疗的影像组学评估仍需进一步完善，以更好地指导临床决策，提高患者治疗效果。

3.4 影像组学与影像基因组学在卵巢癌预后预测方面的应用

       影像组学在卵巢癌预后评估中展现出显著潜力，通过提取和分析影像数据，能有效预测关键生物标志物的表达水平，并对患者预后进行分层。多项研究证实了这一点，其中Ki-67^[44]、趋化因子配体9 （CXCL9）、CXCL13等生物标志物与卵巢癌复发和预后紧密相关。WANG等^[45]回顾性纳入161例HGSOC患者，从治疗前PET-CT图像提取整个肿瘤区域的影像组学特征和基于生境的影像组学特征。结果证实基于生境的影像组学可以准确预测肿瘤Ki-67表达，同时可以更好地对预后进行分层。

       GU等^[46]使用癌症影像档案（the cancer imaging archive, TCIA）和癌症基因组图谱（the cancer genome atlas, TCGA）提取了增强CT、转录组测序数据以及CXCL9在卵巢癌中的相应临床特征，构建了预测CXCL9以及60个月总生存期（overall survival, OS）的影像组学模型。揭示了CXCL9水平与患者OS的显著相关性，并且基于CT的影像组学特征可区分CXCL9的表达水平。与之相似，XU等^[47]的研究进一步验证了CXCL13在卵巢癌中的重要性。通过从CT图像中提取影像组学特征，他们发现CXCL13的高表达是OS的保护因素，与嗜酸性粒细胞浸润程度呈正相关。WAN等^[48]则建立了基于CT的影像组学模型，用于预测趋化因子受体5型即CCR5的表达水平，进而预测卵巢癌患者的OS。LU等^[49]纳入364名卵巢癌患者，开发出新的预后载体，并将其命名为影像组学预后向量（radiomic prognostic vector, RPV），RPV由以下四种影像组学特征组成：（1）FD_max_25HUgl（系数为-0.0876）；（2）GLRLM_SRLGLE_LLL_25HUgl（系数为0.0869）；（3）NGTDM_Contra_HLL_25HUgl（系数为0.165）；（4）FOS_Imedian_LHH（系数为0.250）。经过评估与多中心验证，RPV具有强预后能力，并且具有易获取和可重复的优点。RPV在之后的另一项大型独立验证队列中得到验证^[50]。三级淋巴结构（tertiary lymphoid structure, TLS）可在某些癌症的炎症部位观察到，目前的研究发现TLS高的患者有更好的PFS，他们的另一项研究^[51]还利用影像组学特征，预测了TLS的存在，并独立预测了HGSOC患者的PFS。RIZZO等^[52]回顾性纳入101名已进行PDS且有术前CT图像的HGSOC患者，分析影像组学特征（n=516），通过评估证实代表性影像组学特征与RT和12个月内疾病进展具有显著相关性，其中RT是卵巢癌最重要的预后因素。CHEN等^[53]回顾性纳入256名HGSOC患者，构建影像组学模型、临床模型（独立的临床危险因素为FIGO分期和RT）和组合模型，组合模型具有最高的AUC，并且高危组的PFS显著短于低危组（P<0.001），体现了在HGSOC个体化复发预测中良好的预测效能。此外，ZHANG等^[54]、WANG等^[55]的研究也表明，基于MRI的影像组学特征与卵巢癌预后高度相关。

       目前，影像组学在卵巢癌预后及生存期预测方面已有较为丰富的研究，随着基因组学及蛋白质组学的加入，影像组学在卵巢癌预后及生存期预测方面的研究得到了进一步丰富和提升。尽管在过去的研究中多种因素被纳入考虑，但如何确定最佳的预测因子以及它们之间的权重关系仍是下一步研究的重点。目前已经有临床研究利用AI预测卵巢癌致病相关基因^[56]以及信号转导通路^[57]等，更多与卵巢癌预后预测有关的基因和蛋白数据有望加入影像组学研究，以提供更多模型构建所需特征参数、提高模型诊断性能、为个性化治疗提供更有力的支持。

4 不足与展望

       影像组学在卵巢癌的治疗中已有较为丰富的研究进展，但其仍有许多不足之处。首先，影像组学在卵巢癌的治疗中的研究主要聚焦于HGSOC，然而，卵巢癌还包含性索间质细胞肿瘤及生殖细胞肿瘤等多种其他类型，当前的研究未能全面覆盖所有类型的卵巢癌，限制了影像组学在卵巢癌治疗中的广泛应用。其次，尽管影像组学在卵巢癌治疗中具有潜在价值，但其在临床应用方面尚未得到普及。一方面，影像组学的技术和方法需要进一步优化和完善；另一方面，影像组学数据的获取和处理需要专业的技术和设备支持，这对于一些基层医疗机构来说可能存在一定的困难。最后，影像组学的研究需要结合影像学、分子生物学、病理学及临床信息等多学科的知识，然而目前跨学科的合作和研究尚显不足，这在一定程度上限制了影像组学的发展。在之后的研究中应扩大研究范围、优化技术和方法、鼓励基层医院科研以及加强影像组学的跨学科合作，推动影像组学在卵巢癌治疗中的广泛应用和深入发展。影像组学有望与AI等先进技术相结合，为医生提供精准的诊断和治疗建议，提高患者生存质量。此外，影像组学还有望在卵巢癌新药的评估、研发以及免疫治疗等多种方面起作用。

       综上所述，虽然有一些不足与挑战，影像组学在卵巢癌治疗的评估中仍有着诸多优势，我们有理由相信，随着研究的深入和技术的进步，影像组学将为卵巢癌患者带来更加美好的治疗前景。