0 引言

       宫颈癌（cervical cancer, CC）是世界范围内第四大常见癌症，在美国是20~39岁女性癌症死亡的第二大原因^{[1, 2]}，在我国于女性癌症中排名第五^[3]，且其发病率呈现出越来越年轻化。各种生物标志物，包括血管内皮生长因子（vascular endothelial growth factor, VEGF）、细胞增殖核抗原Ki-67（nuclear-associated antigen Ki-67, Ki-67）、缺氧诱导因子-1α（hypoxia inducible factor-1α, HIF-1α）、程序性死亡受体1（programmed death 1, PD-1）/程序性死亡受体配体1（programmed death-ligand 1, PD-L1）等，通过促进血管生成及细胞增殖、介导缺氧及免疫微环境等多种方式参与CC的发生、发展。生物标志物不仅能够用于CC的诊断，而且还可用于表征其潜在的治疗靶点并预测疗效^[4]。尽管病理学检查作为诊断的金标准，但其局限性在于组织样本的有限性，仅能反映局部病变特征，无法全面展现肿瘤的异质性特征。

       鉴于传统方法的不足，无创影像技术的需求日益迫切。依据2025年美国国立综合癌症网络临床指南，建议选择盆腔增强磁共振成像（magnetic resonance imaging, MRI）对CC局部病灶进行评估，为CC的定性诊断、肿瘤分期和疗效评估提供重要依据。通过MRI功能成像技术及其定量分析数据，临床工作者能够获取反映CC病理特征及分子特性的影像学指标，从而揭示肿瘤内部肉眼难以观察到的异质性特征，实现术前非侵入性评估CC治疗及预后相关生物标志物，为临床决策提供依据。本文旨在整合多模态MRI技术与影像组学方法，综述其在预测CC治疗及预后生物标志物中的应用进展，并对MRI高新技术及影像组学新方法的应用加以展望。

1 MRI功能成像技术的进展

       基于T2加权成像（T2-weighedimaging, T2WI）的常规MRI技术虽能清晰呈现肿瘤轮廓、评估间质浸润程度及宫旁组织受累状况，却无法提供定量分析数据。相比之下，MRI的高级功能成像与定量技术则能够从多个维度获取精确的定量参数^[5]，表征肿瘤特点、不同的生物学行为、微环境及代谢变化，在CC病灶术前分期^[6]、淋巴结转移^[7]、疗效评估^[8]、预后预测^[9]等方面已经卓有成效。

1.1 灌注相关序列

       通过静脉注入顺磁性对比剂后，动态对比增强MRI（dynamic contrast enhanced MRI, DCE-MRI）实施连续多时相快速采集，借助药代动力学模型计算定量参数：包括容积转移常数（volume transferconstant, K^trans）、组织间隙血浆速率常数（reversevolum etransfer constant, Kep）、血管外细胞外间隙容积分数（the extravascular extracellular spacevolume perunit volume of tissue, Ve）。DCE-MRI通过监测对比剂在血管系统与细胞外基质间的动态分布，为组织微循环状况提供准确的评估依据。

1.2 扩散相关序列

       扩散加权成像（diffusion-weighted imaging, DWI）是基于水分子布朗运动特性表征组织微观结构的MRI功能成像技术，其定量指标表观扩散系数（apparent diffusion coefficient, ADC）能够反映水分子扩散受限的水平。在恶性肿瘤组织中，由于细胞密度增加及细胞外间隙减小，水分子扩散运动显著受限，因此在DWI上呈现为信号强度增高、同时伴随ADC值显著下降。

       体素内不相关运动（intravoxel incoherent motion, IVIM）扩散加权成像基于双指数模型可同步揭示组织细胞密度与微循环状态，其定量指标真扩散系数（true diffusion coefficient, D）、伪扩散系数（pseudo-diffusion coefficient, D^*）、灌注分数（perfusion fraction, f）分别反映了水分子扩散程度、组织灌注情况及微循环灌注在组织整体扩散中的比例关系。

       扩散峰度成像（diffusion kurtosis imaging, DKI）利用扩散张量和峰度张量实现对水分子扩散过程中受限程度和不均匀性的描述。平均扩散峰度（mean kurtosis, MK）和平均扩散率（mean diffusion, MD）是最为常用的定量指标，MK作为核心参数能够直接反映组织微环境的复杂程度和结构异质性。

1.3 乏氧相关序列

       增强T2^*加权血管成像（enhanced T2 star-weighted angiography, ESWAN）属于多回波重T2^*加权3D梯度回波序列，用于评估组织的磁化率差异。血氧水平依赖MRI（blood oxygenation leveldependent MRI, BOLD-MRI）能够无创、定量评估血管内及灌注血管周围的pO2^[10]。组织氧水平依赖MRI（tissue oxygen level dependent MRI, TOLD-MRI）^[11]又称为氧增强MRI，可用于评估组织氧合，因此在评估肿瘤缺氧状态中较BOLD更有价值。ESWAN、BOLD-MRI、TOLD-MRI通过计算不同回波时间T2^*影像信号强度对数的斜率获得R2^*值，与组织内脱氧血红蛋白的含量呈正相关关系，实现定量评估组织乏氧情况。恶性肿瘤由于细胞代谢活跃及氧耗量增加，常伴随缺氧现象，肿瘤微环境中的缺氧和微血管出血等病理改变均会引起R2^*值上升。

1.4 代谢相关序列

       酰胺质子转移加权（amide proton transfer weighted, APTw）技术无需使用对比剂即可实现活体组织内游离蛋白质与多肽分子中酰胺质子浓度及交换速率的检测，进而间接反映肿瘤细胞内代谢变化及病理生理信息^{[12, 13]}。APTw已在评估恶性肿瘤淋巴血管间隙侵犯（lymphovascular space invasion, LVSI）^[14]、神经侵犯^[15]、疗效评估^[16]、预后评价^[17]等方面展现出良好的临床应用价值。

       磁共振波谱（magnetic resonance spectroscopy, MRS）是一种非侵入性成像技术，其原理是基于原子核在不同化学环境中的共振频率差异，通过采集代谢产物中的质子运动频率信号，并经过傅里叶变换处理生成频谱信息。MRS在肿瘤代谢机制探索及脑功能研究等领域展现出显著的应用价值。近年来，随着MRS技术在高场强MRI（如7 T）和多核素（如磷、钠）成像方向的突破，加之人工智能辅助分析的应用，推动了精准医学的发展^{[18, 19, 20]}。

2 多模态MRI预测CC治疗及预后相关生物标志物

2.1 血管生成相关

2.1.1 微血管密度

       微血管密度（microvessel density, MVD）作为评估肿瘤内血管数量的常用定量指标，影响临床治疗方案的选择及患者预后预测。既往研究发现在宫颈鳞状细胞癌（cervical squamous cell carcinoma, CSCC）中，IVIM序列的D、D^*、f值与MVD存在相关性^[21]。其机制在于当肿瘤内MVD较高时，氧气供应增加，加速其生长及增殖，导致扩散受限。抗血管生成药物（如贝伐单抗）能够通过使肿瘤的微血管系统和微环境正常化，从而增强放、化疗的效果。HAUGE等^[22]研究发现对于MVD相同的肿瘤，贝伐单抗治疗组的DCE-MRI定量参数K^trans值显著高于未治疗组。这一差异与贝伐单抗治疗后肿瘤血管成熟指数高于未治疗肿瘤的组织学结果相一致。

2.1.2 VEGF

       VEGF能够调控肿瘤细胞的侵袭、转移及血管生成过程，其机制主要涉及对血管内皮细胞分裂与增殖的激活作用，同时增强微血管的通透性。在CC患者中，高VEGF表达与较差的生存结果显著相关^[23]。此外，VEGF作为抑制CC肿瘤细胞生长的共同靶点，贝伐单抗联合标准化疗是目前CC的标准一线治疗方案，显著提高患者的生存期^[24]。既往研究^[25]发现基于磁共振背景信号抑制弥散加权成像的定量参数ADC值与CC VEGF、MVD之间具有负相关性。LIU等^[26]通过将低b值与高b值ADC图相减，获得灰阶ADCdifference图并测量最大ADCdifference值。研究结果显示最大ADCdifference值与VEGF、MVD呈正相关，证实最大ADCdifference值能够反映体素中功能血管的比例，可作为评估CC血管生成和侵袭性的指标。DENG等^[27]从增强T1加权成像（T1-weighed imaging，T1WI）和T2WI图像中提取特征，建立并验证了基于原发肿瘤特征的影像组学模型。该研究证实MRI影像组学在预测CC VEGF表达上具有较好的诊断效能，曲线下面积（area under the curve, AUC）分别为0.82（训练集）和0.70（测试集）。

2.1.3 表皮生长因子受体

       表皮生长因子受体（epidermal growth factor receptor, EGFR）通过刺激肿瘤细胞分泌VEGF来诱导血管生成，对多种实体瘤的生长和转移至关重要。CC与EGFR异常表达相关，导致70%~90%的病例预后不良^[28]。临床和临床前研究表明，抗EGFR和抗VEGF联合治疗可提高肿瘤缓解率和生存率^[29]。MEYER等^{[30, 31]}基于DWI、DCE-MRI直方图参数预测CSCC的不同组织病理参数，研究结果显示EGFR表达与多个ADC、增强前后T1WI直方图参数具有显著相关性，尤以ADC p75、T1WI p90、增强T1WI最小值为著。

       功能性MRI（functional MRI, fMRI），如DWI、IVIM、DCE-MRI，可以从扩散、灌注的角度对CC的病理生理变化进行定量分析，进而推断MVD、VEGF、EGFR的水平，并和抗血管生成治疗建立关联，为CC的机制探索和治疗评估提供了新的视角。此外，基于常规MRI及fMRI图像的直方图分析、影像组学模型建立亦在此领域展现出了有价值的应用前景，较单纯定量参数对肿瘤异质性的表征更为全面和准确，具有进一步探索的重要意义。

2.2 缺氧微环境相关

       缺氧微环境是肿瘤微环境（tumor microenvironment, TME）的重要特征之一，通过Warburg效应引起TME酸化，导致肿瘤侵袭及转移潜力增强^{[32, 33]}。HIF-1α是在缺氧条件下调控基因表达的主要转录因子，与肿瘤的发生、发展和不良预后密切相关^[34]。除此之外，HIF还能降低放化疗、免疫治疗等抗癌治疗的有效性，缩短患者生存期^[35]。

       LI等^[36]、LIU等^[37]研究发现HIF-1α高表达组的DCE-MRI定量参数k^trans、Kep值低于低表达组，这一现象可能与肿瘤血管的功能异常相关。新生肿瘤血管由于缺乏成熟的血管运动和流量调节机制，导致其血流速度呈现不稳定状态，且流动方向存在不一致性。LI等^[36]研究发现HIF-1α高表达组的IVIM定量参数D、f值高于低表达组。其中D值评估效果更佳，可能是因为其所反映的肿瘤间质比与肿瘤缺氧存在显著关联。相比之下，f值与HIF-1α表达的相关性较低。此外，DCE-MRI与IVIM联合应用可提高对CC HIF-1α表达水平的诊断能力，联合模型的诊断效能及敏感度、特异度均显著提高。ZHANG等^[38]研究发现HIF-1α表达与R2^*呈中度正相关。

       WALLER等^[39]结合既往研究对影像学方法检测CC的缺氧状态进行了总结。DCE-MRI的半定量指标（如时间-信号强度曲线初始斜率）以及定量指标（如K^trans、ABrix）能够有效表征CC的氧合状态，且与缺氧相关基因表达有较强相关性。DWI可以识别灌注和氧合减少的肿瘤区域，用于治疗前后的对比分析。BOLD-MRI和TOLD-MRI在CC缺氧水平的研究中取得了具有启发性的进展，能够更好地指导放射治疗。鉴于高R2^*值与缺氧状态相关的放射治疗抵抗相关，这种检测和定位方法提示可以向缺氧区域提供额外辐射剂量以改善治疗效果。

       现有证据表明fMRI序列与HIF-1α表达之间存在相关性，但目前研究主要聚焦于单一序列，难以完整阐释由基因驱动产生的复杂病理生理机制。为突破这一局限，后续研究可采用多序列联合建模，并结合高维影像特征提取与分析，以获得更为丰富的影像学生物标志物，探索这些标志物与缺氧相关基因通路的关联性，追溯CC的发生发展过程，寻找治疗靶点。这将有望为CC的个性化治疗方案的选择和疗效评估提供可靠依据。

2.3 细胞增殖相关

       Ki-67是一种存在于细胞周期G1、S、G2和M阶段的增殖标志物，与细胞的生长及分裂密切相关。Ki-67的表达水平与CC的临床分期、肿瘤细胞分化程度、淋巴结转移存在相关性，可作为评估CC患者疾病严重程度、治疗效果及预后的敏感指标^[40]。

       LIU等^[37]研究发现DCE-MRI定量参数K^trans、Kep和CC Ki-67表达水平具有显著正相关。可能的原因是Ki-67高表达时细胞增殖活跃、肿瘤侵袭性增加，引起细胞外基质结构改变并刺激新生血管形成，从而加快血液流速，导致K^trans、Kep值上升。而LAI等^[41]研究得出了相反的结论，即K^trans与CC Ki-67表达水平呈负相关。可能的解释是高增殖状态肿瘤血管外细胞外间隙减小，导致灌注减低所致。此外，该研究表明DWI定量参数ADC值与Ki-67表达呈负相关，这是由于Ki-67高表达组肿瘤细胞增殖活性增加、病变区细胞排列紧密导致扩散受限。LI等^[42]研究发现Ki-67高表达组的IVIM定量参数D、D^∗值低于低表达组，而f值高于低表达组。可能归因于Ki-67高表达组的肿瘤分期更高、细胞密度更大，加之肿瘤内微血管生成丰富但发育不成熟且伴有血栓形成，导致微循环血流减慢。

       SUROV等^[43]研究发现ADC直方图的部分参数与Ki-67表达呈负相关。颜梅等^[44]通过DCE-MRI纹理参数预测CC Ki-67表达水平，结果显示Ki-67高表达组与低表达组间的平均值、短行程高灰度调强（short run high grey level emphasis, SRHGLE）、能量值存在差异显著。提示了Ki-67高表达组的肿瘤血供及异质性更高。SU等^[45]首次利用IVIM、DKI、连续时间随机行走、分数阶微积分四种高级非高斯模型获得的多参数直方图特征来评价CC Ki-67表达水平，联合预测模型的AUC达0.845。刘祎等^[46]构建了基于原发肿瘤特征的无创影像组学模型，纳入MRI序列包括T2频率衰减反转恢复序列（spectral attenuation with inversion recovery, SPAIR）、增强T1WI、ADC图。结果显示该模型能够有效预测CC Ki-67表达状态，联合模型AUC为0.961（训练组）、0.596（验证组）。

       基于fMRI的定量分析技术展现出了无创评估细胞增殖活性的潜力，为预测CC Ki-67表达水平提供了新的可能性。尽管已取得了一定进展，但部分研究结果之间存在差异，尚未形成明确共识。同时，影像组学在标准化流程构建方面仍面临挑战，这使得现有模型稳定性仍有待进一步验证。为增强研究结论的鲁棒性和可重复性，后续研究需要整合多中心、大规模样本数据，并对影像组学分析流程中的关键环节进行优化，包括图像归一化、自动化分割及特征提取、降维、建模等，以提升MRI新技术在CC生物标志物无创辅助诊断中的临床应用效能。

2.4 免疫治疗相关

       PD-1主要表达于T细胞表面。当人体被肿瘤细胞侵袭时，PD-1与肿瘤及其微环境细胞表面的PD-L1结合，抑制T细胞增殖并诱导其凋亡和耗竭，导致肿瘤细胞免疫逃逸而促进其发生、发展^[47]。以PD-1/PD-L1为靶点的免疫疗法在CC治疗中备受关注，能够有效阻断PD-L1信号通路，增强免疫系统的抗肿瘤作用，进而抑制肿瘤进展。因此，明确PD-L1的表达状态有助于制订免疫治疗方案^[48]。此外，CC的预后亦与PD-L1的表达状态相关^[49]。

       刘开惠等^{[50, 51, 52]}研究通过整合临床指标、病理特征与MRI功能成像参数建立多维度预测模型，可实现对PD-1/PD-L1表达的非侵入性精准评估，为免疫治疗方案的制订提供依据。DWI定量参数中的ADCmean、ADCss、ADCmin均与PD-L1阳性表达呈负相关。表明在PD-L1阳性表达的肿瘤病灶中，细胞增殖活性增强、密度增大，导致水分子扩散运动显著受限。ADCmin在其中的诊断效能最高，提示其检测到的水分子扩散受限最严重的区域，恰好对应肿瘤细胞增殖最旺盛、空间分布最密集的部位。联合ADCmin值及临床、病理特征构建列线图，诊断PD-L1表达的效能较高，AUC达0.906。IVIM定量参数中的D值与CC PD-1/PD-L1表达呈负相关。联合D值及临床、病理特征预测CC PD-1、PD-L1表达的效能亦较高，AUC分别达0.85、0.89。

       近年来，分子生物学与免疫学领域的飞速进展推动了肿瘤治疗新策略的探索，其中免疫疗法已成为当前科研关注的焦点。在免疫调节机制中，PD-1/PD-L1信号通路扮演着关键角色，但其表达水平的检测通常依赖于侵入性操作，即通过手术或穿刺获取组织标本后进行免疫组化分析，存在诸多限制。值得注意的是，MRI技术在该领域的应用研究相对匮乏。而fMRI技术因其能够对病变的扩散、灌注、缺氧及代谢状态进行多维度呈现，加之影像组学技术使大量高阶影像特征的精准识别与定量分析成为可能，具有巨大的研究潜力和探索价值，亟待深入挖掘，为免疫治疗策略的优化提供指导。

2.5 其他基因、蛋白相关生物标志物

2.5.1 p53

       p53基因突变与细胞恶性转化及肿瘤的发生、发展密切相关。尽管在CC中p53突变较为少见，但90%以上的CC感染了人类乳头瘤病毒（human papillomavirus, HPV），p53可能通过与病毒蛋白结合而不是通过p53突变而失活。因此激活p53可能是治疗CC的一种潜在抗癌策略^[53]。

       韦明珠等^[54]构建了基于T2WI的机器学习模型，结果提示最大强度、灰度值范围、反转分矩、短运行强度对预测CSCC p53表达有较大的临床价值。HALLE等^[55]的回顾性队列研究表明，MRI放射谱分析可以改善CC患者的预后、治疗和随访方案的选择。通过对132名患者的293个影像学特征进行无监督聚类，产生了三个不同的影像组学患者簇：簇1患者免疫细胞信号通路活跃，与其良好预后相关；簇2患者基因组和转录组分析发现Hippo通路突变导致细胞过度增殖，这部分患者可能从基于细胞周期以及Hippo通路的药物治疗中获益，如细胞周期蛋白依赖性激酶（cyclin-dependent kinases, CDK）4/6抑制剂、yes相关蛋白（yes-associated protein, YAP）-TEA结构域转录因子（TEA domain transcription factor, TEAD）抑制剂；簇3患者基因组和转录组分析发现p53信号通路异常并经免疫组化证实，这可能是导致肿瘤侵袭性表型的原因，能否针对这一异常表达开发出有效药物值得进一步探索。此研究将影像组学谱与特定的基因组改变、转录程序联系起来，推定不同患者群的治疗靶点，可以为患者选择更个性化和有针对性的治疗方案提供信息，例如量身定制的手术、放化疗、免疫治疗等，亦是未来研究的方向，符合当下精准治疗的趋势。

2.5.2 人表皮生长因子受体2

       人表皮生长因子受体2（human epidermal growth factor receptor 2, Her-2）是一种由ERBB2基因编码的膜结合受体酪氨酸激酶，通过介导磷脂酰肌醇3激酶、蛋白激酶B等下游信号传导通路的活化，促进肿瘤进展^[56]。SHI等^[57]研究表明约57.4%的宫颈腺癌（cervical adenocarcinoma, CAC）检测到Her-2基因表达。此外，Her-2表达与国际妇产科学联合会（International Federation of Gynecology and Obstetrics, FIGO）Ⅲ/Ⅳ期、周围神经侵犯和卵巢扩散有较高的相关性。作为靶点，Her-2展现出颇具前景的抗肿瘤活性，如曲妥珠单抗治疗。MEYER等^[31]基于T2WI序列进行直方图分析，其中部分参数能够反映CC Her-2表达状态，尤以偏度值为著。应用fMRI及影像组学方法预测CC Her-2表达状态，并建立与治疗疗效的相关性，是未来值得探索的研究方向。

3 生境分析的概念及在CC中的研究现状、应用潜力

3.1 生境分析的概念、原理及在CC中的初步研究现状

       2012年，LAMBIN等^[58]首次提出影像组学概念。2016年GILLIES等^[59]进一步完善，将其定义为从医学影像中高通量提取信息的方法。影像组学基于器官及肿瘤的生理和解剖特征受基因表达驱动的假设，认为微观基因变化可通过宏观影像特征体现，从而实现非侵入性提取影像生物标志物，用于预测基因及蛋白表达，指导靶向治疗药物选择^[60]。影像组学从灰度直方图、纹理分析到建立机器学习模型，逐步从简单的灰度分布分析发展到复杂的空间结构分析，不断提高医学影像分析的精度和深度。目前，已有研究者将影像组学方法应用于评估CC治疗及预后相关分子标志物，为指导临床治疗及评估预后提供了新的思路。

       然而，传统的影像组学分析通常关注整个肿瘤，而忽略了肿瘤内部的亚区域表型变化。生境分析，又称“栖息地（Habitat）”成像，是指对图像中具有相似成像特征的灰度体素进行聚类，已显示出提高肿瘤异质性区分能力的潜力^[61]。生境分析在CC领域已有初步探索及应用。WANG等^[62]基于增强T1WI的体素值和熵值，使用K-means方法将CC病灶划分为三个栖息地子区域。结果显示三个栖息地子区域较全肿瘤的支持向量机（support vector machine, SVM）模型对CC LVSI的预测效能更高，其中栖息地3最佳（AUC：0.870）。说明生境分析可以更好地量化与肿瘤生长或侵袭性更相关的肿瘤亚区域。FANG等^[63]研究发现基于多栖息地特征的MRI影像组学模型对局部晚期CC同步放化疗（concurrent chemoradiotherapy, CCRT）反应具有良好的预测效能（AUC：0.798~0.820）。局部晚期CC由于高度肿瘤异质性影响CCRT的疗效，通过生境分析寻找表征肿瘤生物学行为的影像标志物，有助于识别那些不太可能从CCRT中受益的患者，并对其使用替代治疗或强化随访方案。

3.2 生境分析预测治疗及预后相关生物标志物的应用潜力及临床价值

       生境分析将肿瘤划分为包含具有相似特征的亚区，这种差异性不仅源于不受抑制的生长所导致的坏死等宏观原因，同样也来自肿瘤之间和肿瘤内部存在的显著遗传异质性，这通常是由随机突变驱动的克隆进化所致。在这一理论的指导下，生境分析在预测肿瘤基因及蛋白相关生物标志物方面具有巨大潜力及应用价值。YANG等^[64]使用增强T1WI、T2WI栖息地成像术前预测非小细胞肺癌（non-small cell lung cancer, NSCLC）脑转移的EGFR突变状态，肿瘤及瘤周的联合影像组学模型具有良好的诊断效能（AUC：0.812~0.955），可以为临床个体化治疗提供指导。CHEN等^[65]构建基于栖息地成像的MRI影像组学模型量化乳腺癌病灶的异质性特征，在预测肿瘤Her-2表达状态中表现出优异的性能（AUC：0.81~0.94），有助于帮助临床更精确地选择从抗Her-2靶向治疗中获益的适当人群。

       随着精准治疗时代的到来，应用影像组学生境分析方法确定肿瘤相关驱动基因的状态已成为临床重点关注的研究方向。目前生境分析用于预测CC治疗及预后相关生物标志物虽暂无文献研究，但是其应用潜能巨大，值得深入挖掘。然而，其在实际应用中仍面临一些挑战，如样本量限制、外部验证缺乏或所用数据集规模有限、图像分割和特征提取耗时等^[66]。在未来的研究中，应开展多中心、大样本、前瞻性研究，并建立标准化研究方法，包括影像数据的获取、预处理、分割、特征提取及筛选、数据分析及建模各个环节。通过人工智能深度学习（deep learning, DL）方法提升自动分割感兴趣区域的准确性，以期降低数据处理的复杂性并增强算法的可信度及通用性，实现术前无创识别CC生物标志物，为制订治疗方案及预测预后提供新的途径。

4 小结与展望

       CC相关生物标志物在临床诊疗策略的优化和预后判断中具有关键性价值，因此在术前实现非侵入性评估至关重要。然而，当前该领域的研究较为分散，缺乏系统性总结和理论框架的构建。鉴于此，本文归纳和整合了多模态MRI功能成像及影像组学在CC治疗及预后相关生物标志物领域的最新进展，深入探讨了其技术优势及局限性，并对未来研究方向进行了前瞻性展望。当前研究结果表明，基于多模态MRI功能成像及定量分析技术、影像组学方法，可有效提取CC分子病理的影像特征，揭示肿瘤内部的微观异质性，为评估治疗反应及预后提供了重要依据。

       然而，该技术体系仍面临若干待解决的问题：一方面，由于影像医师对MRI图像的判读具有主观差异性，且部分表征肿瘤异质性的影像学指标难以通过肉眼直接辨识，导致诊断准确性受到限制。因此影像组学、DL等方法的应用迫在眉睫。另一方面，虽然影像组学方法在改善传统MRI不足方面发挥重要作用，但其研究范式尚未形成统一标准，这成为制约该领域发展的主要挑战。解决策略为对影像组学特征建立标准化参考值，进而实现验证并校准各种影像组学软件^[67]，提高研究结果的可重复性及推广性。

       未来应进一步拓展研究范围，优化多模态MRI功能成像方法，引入APTw、MRS和多核MRI技术，同时联合不同功能MRI序列，从灌注、扩散、乏氧、代谢等多维度评估，挖掘不同MRI参数的潜在联系，建立联合模型以提升预测效能、辅助临床决策。推动与人工智能技术的深度融合，如DL的卷积神经网络（convolutional neural network, CNN）、深度迁移学习（deep transfer learning, DTL）。作为当下的研究热点及趋势，DL已在CC分期、LVSI预测、疗效评估等^{[68, 69, 70]}方面展现出了优势。由于DL较传统影像组学能够从高维度数据中提取更加抽象的特征，使预测模型的信息输入更为丰富并提高其准确性、稳定性^[71]，在评估CC治疗及预后相关生物标志物方面亦具有巨大的研究潜能。加强跨学科和多中心合作，整合影像组学与基因组学、转录组学、蛋白质组学等多领域信息，开展多组学联合分析。这些探索旨在克服目前研究的缺点，促进影像学在CC治疗及预后相关生物标志物研究中的深入发展及临床实践，最终为临床医生提供更准确的生物标志物信息，助力个体化治疗方案的制订、疗效评估及预后预测。