0 引言

       食管癌（esophageal cancer, EC）死亡率在全球各类癌症中位列第七，我国EC发病人数占全球50%以上^[1]。EC发病隐匿，确诊时多数的患者已属中晚期，预后通常不佳^[2]。早期诊断、早期干预对提高治愈率和远期预后至关重要。目前，EC的常规影像学在食管癌的诊疗及预后评估中具有重要作用^[3]。然而，常规影像学检查诸如计算机体层成像（computed tomography, CT）、内镜等在挖掘肿瘤内部更深层次特征上具有一定局限性^[4]。影像组学通过高通量提取医学影像中的定量特征，实现对肿瘤全域异质性的无创量化^[5]，目前基于CT和正电子发射计算机体层成像（positron emission tomography/computed tomography, PET/CT）的影像组学在EC诊疗中取得了显著进展，主要在肿瘤分期预测、疗效评估和生存期预测等方面展现出良好效能^{[6, 7, 8, 9, 10]}。MRI可无辐射、多参数成像，比CT有更好的软组织分辨力^[11]，弥散加权成像（diffusion weighted imaging, DWI）、动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）等功能序列能量化肿瘤细胞密度和血流动力学特征^{[12, 13]}，这些优势使得MRI影像组学逐渐成为EC影像组学研究新方向。近两年来，在EC领域鲜见全面整合MRI影像组学最新进展的综述报道。本文就MRI影像组学在EC分期、疗效预测及预后评估中的研究进展予以综述，通过结合国内外研究动态及不足，重点探讨多模态融合、多中心数据标准化和跨组学整合策略，展望其在临床实践中的应用价值。

1 食管癌MRI影像组学研究现状

       自从Lambin提出影像组学概念后，已有大量针对EC的CT和PET/CT影像组学研究^[14]。临床中，MRI并非EC的常规影像学检查手段，因其检查价格昂贵，检查时间长，不可避免会受患者胸部呼吸和心脏运动影响，从而产生伪影，降低影像质量^[15]，甚至出现假性淋巴结^[16]，极大限制了其临床应用。近年来，虽然食管癌MRI影像组学相对于CT和PET/CT的影像组学还存在一些局限（如无法预测放射性肺炎^{[17, 18, 19]}），但随着MRI和呼吸门控技术的进步，EC的MRI影像组学研究有望得到一定突破。如自由呼吸StarVIBE（stack-of-stars volumetric interpolated breath-hold examination, StarVIBE）和周期性旋转重叠平行线增强重建（periodically rotated overlapping parallEL lines with enhanced reconstruction；即西门子BLADE或通用电气螺旋桨序列），可有效减少呼吸伪影，提高图像质量，适用于无法屏住呼吸的患者^[20]。常规MRI（平扫及增强T1WI、T2WI）序列为EC的临床分期提供了重要的形态学信息，在衡量食管癌大小及侵犯等方面具有独特优势，在影像组学研究方面也有了一定应用。相比之下，部分特殊成像序列可提取更多放射组学特征，更能反映肿瘤深层特性。如弥散加权成像（diffusion weighted imaging, DWI）信号反映了人体细胞内水分子运动情况，其中表观弥散系数（apparent diffusion coefficient, ADC）常用来衡量水分子弥散速度^[21]，也是组学分析的一个重要要素。此外，多模态影像学检查手段如PET/MRI融合代谢与解剖信息，可让EC影像组学分析更加准确^[22]。目前MRI影像组学在食管癌中的研究处于起步阶段。表1汇总了近年来食管癌MRI影像组学的主要研究进展，涵盖肿瘤分期、放化疗（chemradiotherapy, CRT）疗效和生存期预测等多个研究方向。表中详细列出了各研究的目标、影像序列、样本量、分析方法及验证结果。这些研究展示了不同方法学及MR影像序列的多样化应用。

2.1 预测肿瘤分期

2.1.1 T分期

       T分期对决定个体化治疗方案具有重要作用，准确评估T分期对于指导EC治疗决策和预测预后具有重要意义。陈思浩等^[23]纳入105例食管鳞癌（esophageal squamous cell carcinoma, ESCC）患者，利用增强T1WI序列图像提取训练组影像组学参数并生成评分（Radscore），通过logistic回归构建影像组学模型，分别绘制训练组和验证组ROC曲线，以评价该模型区分T1~T2期和T3期EC的诊断效能，结果显示训练组和验证组模型的AUC分别为0.71和0.70。刘绅等^[24]分别从径向容积内插屏气检查（radial volumetric interpolated breath-hold examination, r-VIBE）序列食管癌图像感兴趣区域（region of interest, ROI）及瘤周区提取影像组学特征并建模，用筛选的特征组合在一起后进行混合建模，测试集AUC为0.675（敏感度96.6%，特异度53.1%，准确度73.8%）。此外，他们还利用ResNet网络建模，并与影像组学结合，最终模型训练集和验证集AUC为0.765，测试集AUC达到0.783，模型诊断效果和泛化能力显著增强。该研究选择从特殊序列影像中提取特征，纳入瘤周区域，创新性地采用深度学习方法，提高了模型效能。然而，深度学习模型依赖大规模标注数据，且对算力要求高，限制了其在资源有限场景的应用。以上研究表明MRI影像组学模型对EC的T分期具有一定诊断效能，但AUC值相对于CT、PET组学研究仍较低，存在进一步优化、改善的潜力。同期CT、PET影像组学研究报道的AUC可达0.8以上^{[37, 38]}。效能受限的主要原因可能包括：一是解剖分辨率不足。虽然MRI对食管壁分层结构显示较好，但仅通过MRI判断EC原发灶范围仍具有一定难度，因此影响了分期预测准确性。二是功能信息利用不足，现有研究缺乏对特殊序列功能参数的整合。另外设备扫描序列不统一，缺乏标准化，使得MRI影像组学在EC的T分期中面临挑战。

2.1.2 N分期

       N分期是制订个体化治疗方案的关键指标，淋巴结转移是影响患者生存预后的重要因素^[39]。MRI影像组学在预测淋巴结转移上显示出较大潜力。QU等^[25]从181例EC患者T2快速自旋回波（turbo spin echo, TSE）BLADE和增强StarVIBE序列中提取影像组学特征，通过最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）和弹性网回归模型降维，用多变量logistic回归分析筛选出9个关键特征构建预测模型。模型在训练集和验证集均得到了较好的诊断效能（AUC值分别为0.821和0.762）。杨日辉等^[26]提取并筛选120例EC患者T2WI平扫和T1WI增强影像组学特征预测转移淋巴结，利用logistic回归构建三个预测模型：T2WI平扫、T1WI增强和联合模型。研究结果表明，增强T1WI模型的AUC值（0.805）高于T2WI模型（0.779），而联合模型具有更高的AUC值（训练组0.884，验证组0.765），预测效果最佳。得益于MRI良好的软组织分辨力，MRI影像组学模型可很好地区分EC转移性和非转移性淋巴结，其诊断效能与CT、PET相当^{[40, 41, 42]}。但这些研究勾画的ROI体积和范围小，图像容易失真和模糊，且未针对瘤周淋巴结勾勒。未来需探索瘤周影像组学与功能MRI（如DWI、DCE-MRI）的联合分析，以提升预测特异性。

2.1.3 预测临床分期

       EC的早期准确分期有助于制订个体化及有效的治疗方案^[43]。CHEN等^[27]纳入42例ESCC患者，利用DCE-MRI药代动力学参数直方图预测肿瘤T分期及淋巴结转移，发现T1及T2期相关组学参数（如K^trans的中位数和平均值等）均显著低于T3期（P<0.05）。特别是Ve的熵在区分这两期中最为有效，AUC为0.773。与淋巴结阴性患者相比，发生淋巴转移的ESCC患者K^trans的熵等参数增高，Kep的偏度减低，其中Kep的标准差对识别淋巴转移的肿瘤最为有效。杨日辉等^[28]提取并筛选EC患者T2WI平扫和T1WI增强图像组学特征，依据TNM分期第8版标准将EC分为早期（Ⅰ~Ⅱ期）和进展期（Ⅲ~Ⅳ期），运用这些特征和logistic回归分析构建三个影像组学预测模型进行验证：T2WI平扫、T1WI增强以及联合模型。结果显示多模态MRI影像组学联合模型在区分EC早期与进展期时具有最高的AUC值（训练集0.884，验证集0.765），显示出较好的预测效能。这项研究也凸显了多模态影像组学对于提升EC分期准确性的重要作用。目前EC的MRI影像组学在预测临床分期方面的效能与T分期相当，现有研究大部分只纳入了影像组学，在未来可将MRI影像组学与病理组学或基因组学跨组学整合，为临床治疗提供更多依据。

       此外，有研究发现EC的部分MRI影像组学特征与其转移发生率密切相关。BAIOCCO等^[29]对20例胃食管癌患者进行PET/MRI检查，提取了氟代脱氧葡萄糖正电子发射断层扫描（¹⁸F-fluorodeoxyglucose-positron emission tomography, ¹⁸F-FDG PET）、T1WI、T2WI、DWI与ADC图的一阶直方图和二阶灰度共生矩阵特征，并计算PET标准化吸收值（standardized uptake value, SUV），发现低二阶SUV熵和高二阶ADC熵是鉴别肿瘤转移最佳特征，且与更高转移发生率相关。

2.2 CRT疗效预测

       CRT是EC主要治疗方式之一^{[44, 45]}。尽早预测CRT反应可评估其治疗效果，以便制定下一步个性化治疗方案。SUN等^[30]纳入72例局部晚期ESCC患者，用DCE-MRI直方图预测患者CRT反应，结果相关直方图参数与CRT反应密切相关，可作为评价疗效良好指标。HIRATA等^[31]回顾性分析58例接受CRT后手术的ESCC患者，用ROI的ADC直方图预测其病理完全缓解（pathological complete response, pCR）。研究表明，发生pCR的肿瘤ADC更低，峰度和偏度更高，其中偏度是pCR的最佳预测特征（AUC 0.86，敏感度80.0%，特异度87.5%）。QU等^[32]纳入82例未发生远处转移的EC患者，根据Mandard分类肿瘤消退分级（tumor regression grade, TRG）评估后把患者分为反应者（TRG 1+2）和无反应者（TRG 3+4+5），通过DCE-MRI提取并筛选影像组学特征和血管通透性参数建立三种预测模型：放射组学特征模型、DCE-MRI预测模型和联合预测模型，结果发现联合模型AUC最高（训练集0.84，测试集0.86），区分反应者和无反应者效果最佳。LU等^[33]搜集新辅助化疗（neoadjuvant chemotherapy, NACT）前后ESCC患者T2-TSE BLADE MRI图像并从中提取影像组学特征，建立Pre、Post和Delta三种预测模型（分别为利用NACT前、后提取筛选的组学特征及NACT前后提取的特征矩阵相减后得到的差异特征矩阵所建立的模型），将纳入患者分为反应良好（GR，TRG 0+1）和反应不佳（非GR，TRG 2+3）两组。三种预测模型中，Delta模型AUC最高（AUC：训练集0.851，测试集0.831）。在一项纳入了151例ESCC的多中心回顾性研究中，LIU等^[34]利用机器学习开发出一种基于MR图像的集成模型，用于预测新辅助放化疗（neoadjuvant chemoradiotherapy, nCRT）后的病理反应。该模型结合了T2、DWI以及CT的传统和深度学习影像组学特征，在测试集中AUC达到0.868（敏感度88.0%，特异度78.4%），高于临床模型和任意单模态影像参数模型，显著提高了预测效能。

       综上所述，MRI影像组学模型可预测EC患者CRT疗效。一项Meta分析报告^[46]显示，CT、PET或MRI影像组学研究此方向的AUC范围为0.65至0.86。其中MRI影像组学的AUC达到了0.86，其效能不亚于CT和PET^{[47, 48]}。MRI影像组学在EC患者CRT疗效预测方面有一定研究价值。尽管现有的研究模型已能较好地预测EC疗效，但研究多基于回顾性单中心数据，尚未系统性评估肿瘤的动态特征（如治疗前后ADC变化率）等，还存在发展空间。

2.3 预测生存期

       预测EC生存期对于患者预后评估、个性化治疗方案制订都具有重要作用。在模型构建中，多数研究采用分层k折交叉验证（k=5或10）以平衡类别分布，并通过网格搜索或随机搜索优化超参数。CHU等^[35]提取ESCC患者1-mm-isotropic-3D对比增强StarVIBE MRI图像影像组学特征，用随机生存森林（random survival forest, RSF）和变量狩猎法进行筛选，通过LASSO-Cox回归分析构建三种预测1年、2年和3年无病生存期（disease free survival, DFS）和总生存期（overall survival, OS）的模型：单独临床、单独影像组学和临床-影像组学联合模型，发现联合模型在验证组中预测性能最高（C指数：DFS 0.729，OS 0.712）。HIRATA等^[31]纳入58例术前接受CRT的EC患者，利用治疗前ADC衍生直方图分析其与生存率的相关性，发现偏度是预测生存率的最佳特征。褚福宁等^[36]针对410例ESCC患者，利用对比增强CT和StarVIBE序列MRI扫描提取影像组学特征，并结合交叉验证和弹性网络-Cox回归构建1年、2年和3年生存期预测模型。研究发现，基于MRI影像组学的单模态DFS和OS预测模型表现良好，特别是在新辅助治疗组（C指数：DFS 0.721，OS 0.650）。将CT与MRI影像组学特征结合构建的多模态模型进一步提高了预测准确性，特别是在直接手术组（C指数：DFS 0.750，OS 0.898）。结果表明，MRI影像组学结合不同影像成像方式的影像组学能显著提高ESCC患者生存预测能力，为个体化治疗提供支持。其预测能力可进一步结合深度学习等方法改善，以达到CT和PET/CT组学相似水平^{[49, 50]}。但此类研究普遍存在外部验证不足，且缺乏与基因组学（如TP53突变）的整合等问题，未来需设计前瞻性多中心试验验证其临床适用性。

点击查看表格

表1  食管癌MRI影像组学研究一览表
Tab. 1  Summary of MRI-based radiomics studies in esophageal cancer

3 小结与展望

       目前MRI影像组学在食管癌中相比于CT和PET/CT影像组学的研究尚少。MRI影像组学在T分期和临床分期预测中的效能仍相对较低。在预测N分期和CRT疗效方面展现出较高潜力，通过多序列融合效能可进一步提升。在预测3年生存期方面初显价值，但仍需外部验证。总体上，当前研究的普遍局限性仍在于多中心数据标准化不足（扫描设备、协议差异导致特征漂移）和单中心回顾性研究为主导。未来EC的MRI影像组学研究需注重于以下几点：（1）T分期精度的提升，可探索更高空间分辨率的MRI序列、结合DCE-MRI等功能参数的多参数模型，并利用深度学习优化分层能力和特征提取；（2）多中心标准化与验证，应建立统一的食管癌MRI影像组学扫描协议与特征提取流程，并通过前瞻性、多中心、大样本研究严格验证现有模型适用性；（3）进一步研究治疗前后MRI影像组学特征变化对疗效评估和生存预测的价值，并加强MRI与CT及PET/CT等多模态信息的融合；（4）逐渐探索多组学融合，可开展小规模探索性研究，寻找MRI影像组学特征与关键分子标志物（如与治疗反应、预后相关基因）之间的可靠关联，为提升模型效能提供新思路。

       总之，尽管面临各种局限和挑战，MRI影像组学在食管癌精准医疗应用中仍具有独特价值和应用前景。