0 引言

       子宫肉瘤（uterine sarcomas, US）是来源于子宫间叶组织的原发性恶性肿瘤，约占所有女性生殖道恶性肿瘤的1%^[1]。近年来，US的发病率呈上升趋势，死亡率高达30%^[2]。2020年WHO将US分为单纯和混合间叶来源；单纯间叶来源的肿瘤包括平滑肌肉瘤（uterine leiomyomas, LMS）、子宫内膜间质肉瘤（endometrial stromal sarcomas, ESS）、未分化子宫肉瘤（undifferentiated uterine sarcoma, UUS）以及其他罕见类型如横纹肌肉瘤、血管周上皮样细胞肿瘤等；混合间叶来源的肿瘤主要为腺肉瘤（adenosarcoma, AS）^[3]。US患者发病高峰年龄较年轻，其危险因素包括肥胖、绝经期使用雌激素和孕激素、口服避孕药、盆腔放疗史和他莫昔芬的使用等^[4]。US患者临床症状无特异性，与良性子宫肌瘤的症状相似，包括异常阴道流血、腹痛、盆腔包块及可触及的快速增长的肿块^[4]。由于肿瘤内部成分的差异、对恶性肿瘤的低估以及病理切片处理的干扰，术前活检及术中冰冻的准确度不高^[5]。行肿瘤粉碎术、肿瘤切除术的US患者，3年复发风险高3~4倍，生存结局更差^[5]。MRI及其功能成像技术是子宫肌层肿瘤表征和分期的最佳工具，能够对肿瘤进行定位、定性诊断和评估周围侵犯情况^[6]。MRI与人工智能结合可能有助于提高US诊断准确度^{[7, 8]}。本综述主要对MRI常规序列、功能成像技术以及MRI结合人工智能领域的应用现状及其局限性进行综述，旨在帮助临床及影像医生了解US术前影像诊断相关的最新研究进展，为实现个体化精准医疗奠定基础。

1 常规及功能MRI在US中的研究现状

1.1 常规MRI

       US通常表现为孤立、边缘不清的肿块，其内包含坏死、出血区域。肿瘤在T1WI呈现局部高信号，在T2WI多呈中-高信号，其内出现低信号区与血管流空效应或病灶内含铁血黄素相关，增强扫描病灶呈不均匀强化，其中无强化区多为坏死囊变区^[9]。VALLETTA等^[10]发现高坏死百分比（60%）有助于鉴别恶性/潜在恶性间质肿瘤与子宫平滑肌瘤。肿瘤的浸润性边缘、内部出血、坏死囊变成分的存在是定性评估US的重要影像征象^[11]。

       此外，不同病理亚型US的MRI征象表现各异。LMS通常位于子宫肌层，而ESS、AS大多起源于子宫内膜间质^{[12, 13]}。肿瘤的定位有助于区分不同亚型的US。但US增长快速、侵袭性强，临床发现时多为较大的肿块，难以准确定位。LMS具有高度侵袭性，高达35%~50%的LMS累及子宫内膜，导致子宫内膜层显示中断^[14]。ESS常表现为子宫内膜腔内信号不均匀的息肉样肿块，肿瘤会沿着平滑肌纤维匍匐生长，在影像上呈“蠕虫状”改变，此征象的出现高度提示淋巴脉管浸润^[15]。高级别ESS较低级别ESS的生物学行为更具侵袭性，出血和坏死更多见，肿瘤内细小束状强化（即“羽毛状”强化）是高级别ESS的特异性表现^[16]。AS多表现为子宫内膜腔内边界清晰，内含分隔、强化不均匀的囊性息肉样肿块，肿瘤可导致内膜腔扩张并通过宫颈管脱出至阴道。肿瘤内部的囊变和坏死区域（T2WI上呈高信号）与滋养细胞疾病的影像表现存在重叠^[14]。AS和ESS极易累及子宫内膜，需要与子宫内膜癌鉴别。UUS病理诊断缺乏特异性，需要广泛取样排除其他亚型进行诊断^[4]。

       常规MRI术前诊断仅能从形态学评估US，其敏感度、特异度及准确度不高，明确诊断US仍具有一定挑战。MRI功能成像技术能够从肿瘤内部成分、供血血管以及代谢等多角度评估肿瘤，有助于恶性肿瘤的识别，辅助诊疗。

1.2 功能MRI

1.2.1 扩散成像相关技术

       扩散加权成像（diffusion weighted imaging, DWI）可通过无创性地评估水分子的布朗运动来量化不同组织特征，在肿瘤评估、局部侵犯以及发现远处转移方面具有较高的敏感性^[17]。其定量指标表观扩散系数（apparent diffusion coefficient, ADC）值可间接反映肿瘤组织的细胞密度^[18]，能够以定量评估的方式鉴别US和良性子宫肌瘤^[19]，但是肿瘤内坏死和囊性成分会导致ADC值升高，有引起误诊的风险。ABDEL WAHAB等^[20]将ADC界值设定为0.905×10^-3 mm²/s，肿瘤阴性预测值可达100%，但敏感度相对较低，导致一些非典型平滑肌瘤被怀疑为恶性，造成不必要的子宫切除。尽管近期的专家共识中提出将肿瘤实性区域的ADC值≤0.905×10^-3 mm²/s作为诊断US的ADC界值^[12]，但是单体素的ADC值是对体素内水的总体扩散速率的测量，受到运动敏感性、磁场强度及序列参数等因素的影响，限制了ADC值的可重复性^[21]。在KIM等^[22]的研究中，为了解决ADC值相关限制，纳入了肿瘤相对对比度（即DWI图像内肿瘤信号与肌肉信号的比值）以量化肿瘤的信号，该模型准确度为87%。另外，MATSUURA等^[16]研究发现高b值（2000 s/mm²）的平均ADC值可作为鉴别T2WI高信号良性子宫肌瘤与US的独立预测因子，但高b值DWI序列的图像信噪比低，对病变的显示较差，目前仍局限于科研领域。

       DWI是根据水分子高斯分布模型来量化水分子扩散速率，与组织内水分子的实际运动分布存在一定偏差^[23]。在盆腔肿瘤中应用较广泛的扩散成像相关序列还包括扩散张量成像（diffusion tensor imaging, DTI）、扩散峰度成像（diffusion kurtosis imaging, DKI）、体素内非相干成像（intra-voxel incoherent imaging, IVIM）^[24]。研究发现DTI定量参数ADCDTI值和分数各向异性（fractional anisotropy, FA）在US中显著降低，且ADCDTI诊断效能最高^{[25, 26]}，这可能是由于DTI利用水分子扩散各向异性成像，可以准确反映常规MRI无法监测到的微观病理变化。DKI较DTI能更准确地检测组织中水分子的运动，反映生物组织的微观结构复杂性。吕军波等^[23]发现基于DKI序列的平均扩散峰度、平均扩散系数、FA有助于鉴别US与子宫富于细胞型肌瘤。IVIM序列可以同时提取扩散和灌注参数，可视化细胞密度与血管分布^[27]，在IVIM中，低级别肿瘤呈现出更高的灌注依赖性参数，能够有效提示肿瘤恶性程度^[28]。

       目前多项研究证明扩散相关技术在US的术前诊断中具有较高的应用价值，然而，DWI序列诊断US亦存在局限性，如富于细胞型平滑肌瘤内的细胞密集，也呈扩散受限表现，与US影像表现重叠^[29]，DTI、DKI等扩散相关成像技术基于不同模型显示水分子运动从而表征肿瘤的微观结构特性、定量评估肿瘤，能够弥补常规DWI序列的局限性。结合多个扩散相关成像参数可能较单参数对US的评估具有更好的效能，未来可进一步联合、比较不同参数诊断US的作用，以提供更多的定量信息。

1.2.2 磁共振波谱成像

       磁共振波谱成像（magnetic resonance spectroscopy, MRS）可以提供与代谢信息相关的生物标记物，能够对选定感兴趣区域的成分进行半定量评估^[4]。MRS中的阳性脂质峰、胆碱峰可提示子宫恶性病变。MALEK等^[30]发现MRS脂质峰鉴别US与平滑肌瘤的准确度为82.5%。但不同场强下代谢物检测的可靠性和稳定性不同、感兴趣区的放置位置以及部分容积效应等因素均限制了其在子宫病变的技术应用。因此需要进一步探索MRS相关技术以获取快速、稳定的高质量数据。

1.2.3 磁共振灌注成像

       灌注加权成像是反映组织内微血管分布和血流灌注情况的功能成像技术，采集注射对比剂之前、期间和之后的MR图像对肿瘤进行评估。动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）是灌注加权成像常用技术之一，对肿瘤病理血管具有较高的评估能力^[31]。HÉLAGE等^[32]基于DCE-MRI发现US与癌性病灶的血管走行不同，US内含有密集、粗大的“梳状”血管，而癌性病灶的血管网络多为细小、曲折走行，这有助于US与子宫内膜癌鉴别。血管的渗漏和压缩导致肿瘤组织中的血液流动不足，阻碍了氧气和营养物质的输送，从而导致肿瘤内出现缺血和坏死区域^[33]，而DCE-MRI较T2WI能够更敏感地检测肿瘤坏死区。另外，坏死的位置也能够在一定程度上区分US与肌瘤。肿瘤中央非强化区（提示坏死区域存在）是鉴别LMS和平滑肌瘤的特征之一^[34]，而子宫肌瘤根据其透明变性程度不同，无强化区往往累及整个肿瘤或在周围散在分布^[35]。但是，在ABDEL WAHAB等^[20]的研究中DCE-MRI并不能区别US与非典型平滑肌瘤，因为不论是US还是良性平滑肌瘤都是高度血管化的病灶。

       基于DCE-MRI的影像征象识别US的作用有限，研究者们探究了DCE-MRI反映组织微循环情况的半定量及定量参数的诊断效能。时间-信号强度曲线（time-intensity curve, TIC）视觉评估有助于观察病灶强化情况，对肿块进行分类^[36]，US多为Ⅲ型TIC曲线，非典型子宫肌瘤表现为Ⅱ型TIC曲线^[37]，但由于半定量参数受到仪器设备限制，无法精确表示肿瘤内对比度量。有学者发现基于DCE定量参数（K^trans、Kep、Vb、初始斜率、峰值、均方误差）的决策树模型鉴别US与子宫平滑肌瘤无显著差异^[36]。另外，US的平均动脉、静脉、延迟增强以及动脉与延迟增强比与退变平滑肌瘤差异无统计学意义^[36]。

       综上所述，DCE-MRI对US血管方面的形态学评估有助于其与子宫内膜癌、子宫肌瘤的鉴别，但利用DCE-MR序列的半定量、定量研究对于US的诊断效能欠佳，可能与样本量较小、机器设备和增强对比剂等因素有关，有待更大样本量及多中心研究进一步探索。另外，DCE-MRI的定量参数需进行复杂计算和分析，限制了该技术广泛应用。

1.2.4 磁敏感相关技术

       磁敏感加权序列（susceptibility weighted imaging, SWI）能够检测脱氧血红蛋白、含铁血黄素以及既往出血区域，对于出血的敏感性比脂肪饱和T1WI序列更高。TAKEUCHI等^[38]发现US在SWI序列中均可检测到信号空洞，提示瘤内出血。但是，SWI可能对于出血过于敏感，在平滑肌瘤内也会出现类似的影像表现，其他良性疾病（如子宫腺肌瘤）也可能会出现多个小信号空洞^[39]。三维增强梯度回波T2^*加权血管成像序列是SWI的补充，可定量评估肿瘤信息^[40]。田士峰等^[41]发现US的相位值和T2^*值大于良性子宫肌瘤，而R2^*小于良性子宫肌瘤。肿瘤的快速增长、新生血管大量形成以及肿瘤细胞浸润血管壁等因素可引起肿瘤反复出血^[16]。

       目前US磁敏感相关研究以形态学评估为主，定量研究为单中心、小样本研究，仍需要外部验证其诊断效能。既往研究^[42]表明定量磁化率成像能够识别肿瘤内部的血管与出血，可以精确识别肿瘤血管微环境，然而尚无定量磁化率成像在US方面的相关研究。在未来的研究中将磁敏感相关序列与灌注成像结合，有望以半定量、定量方式评估肿瘤内部血管密度与新生血管形成，有助于US的识别。

1.2.5 多模态MRI

       多模态MRI比单模态MRI能更准确地识别肿瘤内的出血、坏死和囊变区域，并提供更全面的肿瘤代谢、血流灌注信息^[43]。常规MRI序列与DWI联合使用可以显著提高对US的识别^[29]，ADC值与MRS结合鉴别US和子宫良性肌瘤的准确度高达98.3%^[44]。ABDEL WAHAB等^[20]基于T2WI、DWI、ADC图开发的诊断算法鉴别US和良性非典型平滑肌瘤，敏感度和特异度分别为98%、96%，但该研究并没有将MRI影像特征纳入诊断算法中，可能导致US识别能力下降。在ROSA等^[45]建立的诊断算法中进一步纳入了T1WI和增强MRI，敏感度和特异度分别为100%，93.33%。研究中纳入的样本量不一致可能引起评估参数的差异。

       机器设备、图像噪声等因素会导致不同序列图像以及不同患者间MRI定量特征存在差异，一些学者通过对比肿瘤信号与腰大肌^[30]或臀大肌^[46]的信号将肿瘤信号强度归一化处理，有助于鉴别US与良性子宫肌瘤，这可能是由于骨骼肌T2WI信号强度恒定且低于子宫肌层，故能够提高对US的识别效能^{[47, 48]}。虽然近期的专家共识对于肿瘤T2WI信号的定义仍是以子宫肌层为参考，DWI信号以子宫内膜为参考^{[12, 49]}。但目前观点尚未统一，仍需要纳入更大样本研究比较其诊断效能。

       此外，一些新兴科研序列应用在子宫肌瘤的亚型区分上，T2^*血氧水平依赖成像、磁共振弹性成像、T1 mapping序列、磁化传递对比用于量化子宫肌瘤的信号强度能够鉴别MED12突变阳性与阴性的子宫肌瘤^[50]，能够进一步提高诊断的准确性和特异性，但US的罕见性导致其进行前瞻性研究较为困难。

       多模态MRI包含了常规MRI序列以及功能MRI序列，能够从形态、生物标记物、血管结构以及血流灌注等多方位提供肿瘤信息，能够探测肿瘤侵袭性行为和肿瘤内部的异质性，在US的诊断中发挥了极为重要的作用，且多序列图像参考在识别肿瘤内的不同成分具有重要作用，有助于规范定量参数的提取与对比研究。

2 基于MRI的人工智能在US的研究现状

       基于常规与功能MRI诊断US多依赖于观察者的经验，准确识别US仍存在挑战。人工智能技术进行医学影像分析能够以非侵入性的方式获取肿瘤生物学和遗传信息，在肿瘤的诊断、预测治疗和预后反应均表现出良好效能，有助于辅助临床诊疗^[51]。基于机器学习和深度学习的影像组学在US的诊断及鉴别诊断中表现出良好的发展前景。

       影像组学通过提取超出视觉解释的特征信息有助于对肿瘤进行可信且高效的诊断^[52]。LAKHMAN等^[53]利用纹理分析发现LMS较非典型平滑肌瘤具有更多的结构异质性，基于Gabor边缘图像的纹理特征有助于对子宫肿块进行风险分层，但是该研究仅采用了T2WI序列，采用多模态MRI纹理特征可能会提供更丰富的信息。ZHANG等^[54]从T2WI、ADC和CE-T1WI提取直方图参数，发现基于T2WI和ADC图的直方图参数在ESS和退行性子宫肌瘤之间的差异有统计学意义，基于CE-T1WI直方图的参数在两者之间的差异均无统计学意义。然而，不同方法归一化图像处理对直方图参数的影响有待于更大样本量与不同方法之间进行研究比较。牛淼等^[55]对US和变性肌瘤的患者进行研究，结果发现熵值在鉴别US和变性肌瘤中的诊断效能最佳，受试者工作特征曲线下面积（area under the curve, AUC）为0.94。直方图、纹理分析是影像组学的一部分，侧重于从图像像素强度的灰度差异提取可量化信息研究肿瘤异质性^[56]。有学者报告了ADC图影像组学分析（包含纹理分析与非纹理分析参数）的可行性，与单独从肿瘤提取的特征相比，从肿瘤及其周围组织提取的影像组学特征能够提高诊断性能；并且覆盖全子宫区域的模型具有最高的诊断效能（AUC为0.876，敏感度为76.3%，特异度为84.5%，准确度为82.4%）^{[57, 58]}；但是该项研究包含了不同场强MRI设备的ADC图，图像的规范化处理需要进一步改进。影像组学通过提取灰度级图像、像素相互关系以及光谱图案相关参数评估肿瘤信息^[58]，能够从肿瘤微观异质性信息角度定量评估肿瘤，在US的诊断与评估中展现出良好的效能。

       机器学习能够有效分析大规模数据集，影像组学与机器学习的结合有助于帮助影像医生快速诊断US并提供决策支持。MALEK等^[30]使用监督机器学习模型分析多参数MRI区分子宫良、恶性肿块的性能，其中复杂决策树模型（模型指标包括扩散受限、T2 mapping、肿瘤CE-MRI信号与腰大肌信号比值以及中央坏死区的存在）在区分良性和恶性子宫肌层肿瘤方面具有100%的准确度、敏感度和特异度，但复杂模型面临着更大的过拟合风险，临床应用时性能肯定会低于训练集中展示的性能；并且，模型内采用的T2 mapping序列并不是常规MRI检查序列，限制了其临床应用。NAKAGAWA等^[46]基于多参数MRI机器学习模型（AUC为0.92）识别US相较于正电子发射计算机体层成像（positron emission tomography-computed tomography, PET-CT）模型（AUC为0.85）表现更优异。

       计算机硬件性能的显著提高促进了深度学习的发展，深度学习对图像处理的精确度超过了传统图像处理方法，更有助于US诊断^[59]。TOYOHARA等^[59]基于15个MRI序列训练深度学习模型用于鉴别US与子宫肌瘤，结果发现轴位T2WI、矢状T2WI和DWI三个序列的组合模型的准确度达91.3%，实现了与放射学专家相当的诊断能力（准确度为88.3%）。随后，TOYOHARA等^[60]进一步利用深度学习算法开发的人工智能诊断系统能够自动从MRI图像中提取肿瘤并诊断为子宫肉瘤，准确度为89.32%，敏感度为90.47%，特异度为88.95%。另有研究^[58]发现基于深度学习的迁移学习诊断模型在鉴别US和非典型良性肌瘤中的诊断效能优于影像组学模型，这可能是因为影像组学特征的信息量无法准确区分US与非典型肌瘤间更细微的特征，而深度学习具有更复杂且易于扩展的结构，能从图像中提取更深层、更精确的特征^[61]，但由于深度学习的黑盒性质导致其特征提取的机制尚无法得到解释。总之，深度学习作为辅助诊断工具能够有效提升US的诊断敏感性，从而降低隐匿性US患者误诊的风险。

       机器学习能够将临床参数、常规影像特征与影像组学特征进行整合，较单一模型具有更好的预测效能。NAKAGAWA等^[62]的研究中结合年龄、肿瘤大小以及多参数MRI构建机器学习模型鉴别T2WI高信号子宫肌瘤与US，并发现XGBoost模型的AUC最高（AUC为0.93）。SUZUKI等^[48]的研究中加入血液标志物，将多参数MRI特征与乳酸脱氢酶联合构建诊断算法识别US，在不同观察者中US识别敏感度范围为71%~93%。ROLLER等^[63]近期一项研究中联合常规MRI特征、临床参数（年龄、肿瘤大小）以及3D纹理分析影像组学构建的模型预测US的性能最佳，AUC为0.989。然而该模型的预测性能仅略优于包括常规MRI特征和临床数据的模型（AUC为0.956），另外该模型的复杂性也限制了其临床应用。联合模型从临床、影像不同维度评估肿瘤，在US的诊断中表现最为优异，具有更好的临床实践前景。

       综上，基于MRI的影像组学在预测US性能方面取得了较好的进展，联合模型有助于提高US识别的准确性。但是当前对于US的研究大多为小样本研究，缺乏外部验证，后续需要增加训练集样本量以及多中心验证来探索人工智能模型在US中的临床效益。深度学习与机器学习研究中相关参数的可解释性欠佳，仍需要进一步研究探索。此外，绝大多数研究采用手动分割病灶，限制了模型的泛化能力，未来自动化3D肿瘤分割的发展能够提高影像组学模型的可重复性，以期实现临床应用。另一方面，目前尚无影像-病理组学、影像-基因组学关于US的研究，肿瘤影像、病理以及基因等多组学融合能够以可解释性的方式构建诊断模型，有助于提高人工智能模型的泛化性。

3 MRI在US应用中的不足与展望

       早期明确诊断US对于患者的预后、制订诊疗计划至关重要。多模态MRI（常规MRI和功能MRI）能够从形态学、肿瘤血管评估、肿瘤内部成分以及肿瘤代谢信息等方面多维度评估肿瘤，有助于US的识别，而MRI结合人工智能模型能够提供更有价值的信息。但目前人工智能模型缺乏标准化协议，在样本类型、图像分析和分割方面不统一，尚不能完全准确、可靠地进行评估^[64]。尽管一些复杂的模型（包括人工智能算法）能够在US的诊断和鉴别中具有高度准确性，但耗时长、过程烦琐，临床难以大规模推广应用实践。

4 总结

       综上所述，早期识别US有助于制订个性化的治疗方案，从而减轻患者的负担，避免不必要的二次手术。随着高级MRI技术和计算机人工智能领域的不断发展，更多的科研工作者将多模态MRI与人工智能、影像组学相结合，有望在US的临床诊断、病理亚型的区分等临床路径中提供客观的影像学依据。