0 引言

       宫颈癌（cervical cancer, CC）是我国女性第五大癌症，其发病率呈持续增长态势^{[1, 2]}。MR扩散成像技术，主要包括弥散加权成像（diffusion weighted imaging, DWI）、体素内不相干运动（intravoxel incoherent motion, IVIM）、扩散峰度成像（diffusion kurtosis imaging, DKI）等，可量化组织内水分子的扩散行为，反映肿瘤微观结构，是CC研究中重要的功能成像方法^{[3, 4]}。近年来以影像组学和深度学习（deep learning, DL）为代表的人工智能（artificial intelligence, AI）技术广泛应用于MRI研究，其通过提取多模态影像中的高通量特征评估肿瘤恶性程度、转移及治疗反应，提升诊断客观性与可重复性，优化手术或放化疗策略，为CC的个体化精准评估开辟了新的研究方向^[5]。然而，现有综述多限于不同MRI技术AI的研究和应用，缺乏对不同模态扩散成像技术AI模型的横向比较。本综述将弥补这一不足，并分析其临床应用价值和优缺点，探讨改进策略，展望未来发展方向。通过融合多序列影像与临床特征，基于MR扩散成像技术的AI可有效提升CC在病理分型、分期、转移预测及预后评估中的精准度，从而为临床治疗决策与转化提供关键依据。

1 CC评估AI模型构建方法

       目前，AI在CC评估中主要通过影像组学与DL两种方法构建基于医学影像数据的临床预测模型，二者均属于机器学习（machine learning, ML）的技术范畴，区别在于使用不同AI算法来实现图像特征的提取和模型结构的搭建。AI模型的构建通常遵循系统的技术路径（图1）。值得关注的是，影像组学的系统性误差主要源于图像采集（如扫描仪参数、重建算法）与数据分析过程（如过拟合），会显著影响特征可重复性与模型泛化能力^[6]。在模型构建方面，影像组学适用于数据规模有限、单中心及二分类预测等场景，虽在处理复杂数据时存在局限，但可解释性强、易于实施，广泛应用于微环境分析、疗效监测及预后评估的研究^{[7, 8]}；DL模型在病灶检测、图像分割和辅助诊断中表现出更高准确性与效率^{[9, 10, 11]}，然而其依赖大规模标准化数据，构建条件更为严格^[12]，且存在“黑盒”问题导致可解释性不足^[13]，尽管如此，DL模型仍是CC在MRI评估领域未来的重要研究方向。模型验证一般采用交叉验证、独立测试集及外部数据集评估等方法，并结合受试者工作特征（receiver operating characteristic, ROC）曲线、准确率等性能指标，以分析模型的泛化能力与稳健性。

点击查看大图

图1  传统ML/DL模型在医学影像中的典型流程框图。ML：机器学习，DL：深度学习，SVM：支持向量机，CNN：卷积神经网络，Transformer：一种神经网络模型。
Fig. 1  A typical workflow diagram of traditional ML/DL models in medical imaging. ML: machine learning, DL: deep learning, SVM: support vector machine, CNN: convolutional neural networks, Transformer: a type of neural network model.

2 基于MR扩散成像技术的影像组学AI模型在评估CC中的研究

2.1 基于DWI影像组学的AI模型

2.1.1 鉴别病理分型

       WANG等^[14]利用DWI序列中的表观扩散系数（apparent diffusion coefficient, ADC）图、T2WI和增强T1WI图像，通过聚类和逻辑回归分别构建单序列和多序列联合影像组学模型鉴别宫颈鳞状细胞癌（cervical squamous cell carcinoma, CSCC）和腺癌（cervical adenocarcinoma, CAC），研究结果发现联合模型具有最高的诊断效能，ROC曲线下面积（area under the curve, AUC）为0.890。FANG等^[15]利用多序列影像组学（脂肪抑制T2WI、DWI、ADC图和延迟相位对比增强T1WI）结合临床独立危险因素构建模型对CAC和子宫内膜样腺癌进行鉴别，结果显示多序列影像组学—临床危险因素联合模型的鉴别诊断效能优于传统MRI诊断，训练集和验证集的AUC分别为0.970和0.940。

       综上，DWI有助于CC病理分型影像组学模型的构建。联合多序列影像组学及临床因素可显著提升CC亚型及类似病变的鉴别诊断效能，优于形态学诊断。

2.1.2 肿瘤分期

       WU等^[16]基于ADC、T2WI图像通过逻辑回归分别构建单序列和联合影像组学模型对早期CC进行分期，研究结果表明，ADC模型在训练集的诊断效能略高于T2WI模型，但在测试集略低于T2WI模型；联合模型克服单序列局限，诊断效能最佳，训练集AUC为0.934，测试集AUC为0.902。HUANG等^[17]对比了小视野DWI影像组学模型、临床模型、常规MRI模型和影像组学—临床联合模型在CC分期中的效能，发现联合模型在训练集与测试集中均表现出最佳的预测效能，AUC值分别为0.877和0.887，但在测试集中，各模型的AUC差异无统计学意义。

       因此，单独利用DWI序列的影像组学模型在诊断CC分期中并无优势，通过多序列影像组学并融合临床特征的联合模型更具临床价值。小视野DWI图像分辨率更高，可能具有更高的研究潜力，但目前尚缺乏其与其他序列影像组学间的对比，未来需进一步研究。

2.1.3 预测淋巴血管浸润

       HUANG等^[18]从ADC、小视野高分辨T2WI、T2WI、压脂T2WI和增强T1WI图像中提取影像组学特征构建模型来预测淋巴血管浸润（lymph vascular space invasion, LVSI），在测试集中，ADC模型的效能最低（AUC=0.650），联合模型（AUC=0.940）高于所有单一序列模型。董林逍等^[19]基于治疗前多参数MRI（对比增强T1WI、T2WI和DWI）影像组学特征构建逻辑回归模型预测局部晚期CC新辅助化疗（neoadjuvant chemotherapy, NACT）后LVSI状态，研究显示联合序列模型的AUC值为0.829，高于各单序列模型与双序列模型。MA等^[20]对比了单一序列（ADC、脂肪抑制T2WI和T2WI）影像组学模型和多序列联合影像组学模型对LVSI的预测价值，结果表明，联合模型的预测效能最佳，训练集和测试集的AUC值分别为0.897和0.833；在测试集中，ADC模型的AUC值为0.683，略低于脂肪抑制T2WI和T2WI模型。

       总体而言，ADC影像组学模型对LVSI的预测价值低于T2WI相关序列影像组学模型，联合序列模型可有效提高预测效能，但其临床价值有限。

2.1.4 预测淋巴结转移

       赵小菊等^[21]基于ADC和脂肪抑制T2WI图像构建影像组学模型评估淋巴结转移（lymph node metastases, LNM），结果显示，ADC模型对LNM的诊断效能优于脂肪抑制T2WI模型（AUC：0.887 vs. 0.850）。LIU等^[22]研究发现，相较于T2WI和动态增强T1WI，DWI影像组学模型具有更优的预测效能，训练集和测试集AUC分别为0.855、0.753，而融合临床变量的多序列联合影像组学模型对LNM的预测能力最佳，训练集和测试集的AUC为0.889和0.859。SHI等^[23]利用T2WI结合ADC图提取影像组学特征，将收集到的数据分割用于建立支持向量机（support vector machine, SVM）模型预测CC患者LNM，该模型在训练队列（AUC=0.804）和验证队列（AUC=0.811）中均表现出良好的预测性能，拟合度佳。XIAO等^[24]基于DWI、T2WI和增强T1WI影像组学特征构建SVM模型预测术前非CSCC患者的LNM，结果表明，T2WI+DWI并融合形态学特征的联合模型性能最佳（AUC：训练集0.780，测试集0.820），优于MRI形态学诊断。刘金金等^[25]从延迟相位对比增强T1WI、T2WI和DWI提取影像组学特征构建逻辑回归模型预测局部晚期CSCC患者NACT后的LNM，结果表明与单序列模型相比，组合模型在训练集和验证集中具有更好的预测和诊断性能（AUC：训练集0.848，测试集0.827）。WANG等^[26]利用ADC、T2WI和脂肪抑制T2WI图像的影像组学特征构建LNM预测模型，研究发现，联合影像组学模型的预测效能最佳（AUC：训练集0.923，测试集0.820）；单一序列模型中，ADC模型的预测效能最低，训练集和测试集的AUC值仅为0.658和0.513。钱伟亮等^[27]基于超分辨率重建的DWI瘤内和瘤周多层感知器影像组学模型预测CC患者正常大小LNM，瘤内＋瘤周2 mm影像组学模型的预测性能最佳（AUC：训练集0.835，验证集0.816），优于临床模型、其他影像组学模型以及临床＋影像组学组合模型。ZHANG等^[28]提取T2WI和DWI图像中肿瘤内及瘤周区域的影像组学特征构建LNM预测模型，发现在瘤内影像组学模型中T2WI模型的效能均优于DWI；利用T2WI瘤内和T2WI、DWI瘤周3 mm区域的影像组学特征构建联合模型，其效能优于瘤内模型，训练集与测试集的AUC值分别为0.868和0.846。ZHONG等^[29]结合多模态DWI（常规DWI、IVIM和DKI）和形态学参数构建逻辑回归模型检测CC的LNM，结果显示基于独立危险因素（扩散系数、平均峰度、LNs短轴直径和最大原发肿瘤直径）的组合模型表现最优（AUC=0.920）。

       综上所述，DWI序列影像组学模型在预测LNM中展现出一定潜力，但其预测效能与T2WI相关序列影像组学模型对比尚无定论，虽然联合模型有助于提高预测性能，但DWI在联合模型中的作用有待验证。

2.1.5 预后预测

       WAGNER-LARSEN等^[30]从治疗前DWI和T2WI图像中提取影像组学特征构建COX回归模型预测接受包括手术、手术＋辅助治疗和同步放化疗（concurrent chemoradiotherapy, CCRT）的不同治疗方式CC患者的特异性生存期，发现相较于国际妇产科联盟（International Federation of Gynecology and Obstetrics, FIGO）分期、肿瘤最大直径和T2WI影像组学模型，T2WI-DWI联合影像组学模型展现出更好的预测性能（AUC：训练集0.880，测试集0.750）。ZHENG等^[31]利用DWI和T2WI的影像组学特征及临床指标，采用单变量COX回归方法构建早期CC患者术后总生存期（overall survival, OS）和无病生存期（disease-free survival, DFS）的预测模型，研究发现，DWI影像组学模型预测OS和DFS的AUC值在训练集和测试集分别为0.805、0.578和0.771、0.779，均优于T2WI影像组学模型；影像组学—临床特征联合模型的预测效能显著优于单序列的影像组学模型和临床特征模型。CAI等^[32]利用治疗前DWI和T2WI的影像组学特征与临床特征联合构建局部晚期CC患者的无进展生存期（progression-free survival, PFS）预测模型，研究发现联合模型的预测效能显著优于临床模型和影像组学模型（AUC：训练集0.879，验证集0.820）。LI等^[33]利用DWI、T2WI和T1WI影像组学特征通过COX回归构建手术CC患者的OS预测模型，其预测3年、5年OS的AUC值分别为0.840和0.930，显示出影像组学在生存预测中的潜力，但需更大样本与外部验证以证实临床价值。ZHOU等^[34]利用DWI、T2WI和增强T1WI图像中肿瘤、肿瘤内、外侧5 mm区域的影像组学特征构建手术CC患者的DFS预测模型，发现距肿瘤外侧5 mm影像组学模型在训练集和测试集中表现最佳（AUC分别为0.843和0.871）。

       这些研究结果一致表明，相比单一序列影像组学模型或仅依赖临床特征的模型，联合多序列影像组学特征（特别是DWI与T2WI的结合）能够显著提高预测模型的效能。

2.1.6 小结

       基于DWI的影像组学模型在CC评估中具有一定价值，但其单独应用效能有限，多依赖于多序列融合与临床特征联合建模。当前研究在技术层面上面临DWI影像组学特征稳定性不足的挑战，这类特征易受扫描参数、磁场均匀性和运动伪影等因素干扰。同时，多数模型基于单中心、小样本构建，缺乏充分的外部验证，导致其在不同设备和人群中的泛化能力较弱。此外，尽管已有联合模型在AUC等指标上表现良好，但其临床转化路径仍不清晰，实际操作性、模型解释性以及与现有临床决策流程的整合机制尚未明确。未来应着力推动多中心前瞻性研究，加强DWI影像组学特征的标准化与可重复性评估，并探索其在个体化治疗规划中的实时应用价值。DWI序列瘤周影像组学也是值得关注的方向，虽初步研究提示其模型在预测LNM和预后方面具有应用潜力，但目前相关研究较少，瘤周区域的范围界定等问题也仍需进一步探讨。

2.2 基于IVIM影像组学的AI模型

2.2.1 鉴别病理分型

       ZHANG等^[35]利用IVIM影像组学结合形态学特征构建模型对CAC和子宫内膜样腺癌进行鉴别，结果显示由肿瘤位置、ADC和f值组成的联合诊断模型具有最大的AUC值（0.967），优于的单纯影像组学模型和形态学、定量数据诊断。该研究初步验证了IVIM影像组学与形态学特征融合鉴别CAC和子宫内膜样腺癌的可行性，有助于减少侵入性检查需求。

2.2.2 预测LNM

       ZHANG等^[36]基于IVIM提取原发肿瘤与淋巴结纹理特征构建逻辑回归模型预测CC患者盆腔LNM，其预测效能优于常规MRI形态学诊断（AUC：训练集0.907，测试集0.937）。ZHANG等^[37]联合IVIM影像组学和临床因素采用7种ML方法构建多个模型，结果显示，LNM预测模型性能优于常规MRI（AUC：0.848 vs. 0.639）。两项研究表明IVIM影像组学模型预测LNM优于常规MRI形态学诊断。

2.2.3 预测预后和疗效

       ZHANG等^[38]基于IVIM影像组学特征、临床参数和肿瘤标志物利用COX回归构建联合模型预测CC患者术后的无复发生存期（recurrence-free survival, RFS）、DFS、肿瘤特异性生存期（tumor-specific survival, CSS）和OS，结果显示预测1、3和5年的RFS模型效能最好，AUC值分别为0.985、0.929、0.910。ZHANG等^[39]利用治疗前、后的IVIM影像组学特征、MRI定量参数和放疗剂量通过逻辑回归构建联合模型预测局部晚期CC患者CCRT后复发和DFS，该模型在预测复发方面表现出高预测性能（AUC=0.977），并已经过充分验证，内部和外部验证C指数分别为0.977和0.962；在预测1、3和5年DFS方面同样具有较高准确性（AUC分别为0.895、0.888和0.916），内外验证一致性较佳（C指数分别为0.860和0.892）。ZHANG等^[40]研究发现IVIM影像组学特征和FIGO分期的联合模型对局部晚期CC的CCRT敏感性具有良好的预测性能（AUC：训练集0.987，测试集0.984）。

       基于这些发现，IVIM影像组学与定量参数、临床因素的联合模型在预测CC术后、CCRT预后中具有良好的应用潜力，但相关研究较少，结果仍需验证。

2.2.4 小结

       IVIM影像组学能够同时反映组织的微循环灌注与水分子扩散信息，已有初步成果显示其在CC病理分型鉴别、预测LNM及预后评估中具备潜力，尤其是结合形态学特征或临床因素构建的联合模型，展现出优于传统MRI的诊断效能。然而，现有研究在参数稳定性方面存在明显局限，IVIM模型拟合极易受b值数量与分布的影响，导致不同研究中心所获参数差异显著。同时，目前相关文献数量偏少且多为回顾性设计，结论可靠性不足。并且多数模型生物学解释缺失，未能有效建立IVIM参数与肿瘤血管生成、细胞密度等病理特征之间的关联，限制了其临床解释性。未来应加强IVIM图像采集与后处理流程的标准化，并结合动态增强MRI、组织病理等多模态数据，构建更具生物学意义的预测模型。

2.3 基于DKI影像组学的AI模型

       WANG等^[41]利用随机森林算法分别构建DKI、T2WI和DKI-T2WI联合影像组学模型区分组织学亚型、肿瘤分级和FIGO分期，结果发现DKI模型在诊断FIGO分期（AUC=0.868）中优于T2WI模型和DKI-T2WI联合模型；联合模型区分组织学亚型的性能最佳（AUC为0.823）。ZHANG等^[42]从DKI序列的多个功能图像和ADC图中提取纹理特征建立单功能模型和多功能联合模型，研究发现联合模型对鉴别CSCC和CAC具有最佳的性能（AUC=0.932），优于单功能模型和定量参数；单功能模型中径向峰度系数模型在区分肿瘤亚型时表现出良好性能（AUC=0.828）。

       基于DKI影像组学的AI模型在描述非高斯扩散行为方面具有理论优势，但现有研究尚处于初步探索阶段，我们关注到，DKI参数估计对图像信噪比要求较高，且在低扩散敏感度条件下稳定性不足；现有研究多数局限于DKI单一参数图像，缺乏对多参数信息的系统整合；并且其在临床验证方面缺乏与DWI、IVIM等扩散模型的横向比较，增量价值尚不明确。建议未来研究聚焦于DKI多参数融合模型构建，并结合病理亚型或基因表达数据，验证其在肿瘤分期、疗效预测中的独特价值。

3 基于DWI的DL模型在评估CC中的研究进展

       XIAO等^[43]基于DWI、T2WI及增强T1WI图像并结合FIGO分期、绝经状态利用ResNet 34构建DL模型预测LNM，该模型在主要、内部和外部验证组中AUC值（0.790、0.870和0.860）均高于单独使用影像组学及临床模型。QIAN等^[44]基于DWI结合临床资料利用多通道卷积神经网络（convolutional neural networks, CNN）构建DL模型来预测CC患者术前正常体积的LNM，与分别使用不同MR模式的单通道模型相比，整合RESOLVE-DWI和ADC两种MR模式的多通道模型在训练与测试集中均表现出更优性能，AUC分别为0.848和0.767；DL列线图在两组队列中表现最佳，但在测试集（AUC=0.844）中性能略低于训练集（AUC=0.890）。

       AOUADI等^[45]使用深度CNN的ADC图模型对CC患者进行分期，研究显示该模型优于影像组学分析（AUC=0.931 vs. 0.660）。XIAO等^[46]基于DWI、T2WI和增强T1WI图像中肿瘤和瘤周3 mm区域构建DL模型以识别CC深层间质浸润，其诊断性能优于单一临床模型，但略逊于融合临床特征与影像数据所构建的列线图。ZHANG等^[47]基于DWI、T2WI和增强T1WI图像利用CNN构建DL模型，其预测NACT疗效的效能高于临床模型及传统的影像组学模型，在区分NACT后反应者与无反应者方面显示出良好的预测效能。ZHANG等^[48]利用DWI和T2WI的瘤内—瘤周双区域空间异质性的影像组学特征融合DL并联合临床因素构建模型识别早期CC复发高危人群，该模型在预测复发风险方面性能良好，内部和外部验证队列的AUC值分别为0.944和0.885，表现稳定，均优于其他模型。

       基于DWI的DL模型在CC评估中表现出强大的端到端学习能力，尤其在自动特征提取与复杂模式识别方面超越传统影像组学。然而，该技术的应用面临若干挑战：首先，DL模型需大量高质量、标注一致的训练数据，而CC多中心公开数据集稀缺；其次，模型的可解释性普遍较低，其“黑盒”决策机制阻碍临床信任与采纳；此外，当前研究以CNN为主，缺乏对Transformer、图神经网络等新兴架构的探索。未来应推动跨机构数据共享与标注标准统一，发展可解释DL模型（如注意力机制、特征可视化），并探索其在多模态融合、动态疗效评估中的集成应用。

4 局限性与挑战

       现阶段基于MR扩散成像技术的影像组学模型构建具有以下特点：手动或半自动分割病灶，降维筛选后的特征多以纹理特征为主，通过逻辑回归构建二分类模型、COX回归构建预后预测模型，并借助AUC、决策曲线和校准曲线进行评估验证。然而，当前研究仍存在共性问题，其模型效能受到序列物理特性、算法适应性、图像质量及临床任务的共同制约，表现为：（1）数据质量与技术标准化不足^[49]；（2）病灶分割与算法效率低；（3）模型可解释性差；（4）多模态融合要求高；（5）现有AI模型可用性普遍较低，尤其DL模型（仅11.5%完全可用）^[50]；（6）可复现性与临床推广困难。

       基于上述原因，尽管相关研究众多，但目前尚未有模型真正进入临床实践。为此，我们依次提出以下改进建议：（1）统一影像采集与处理流程，提升数据稳定性；（2）开发自动化分割与评估工具；（3）构建可解释、动态预测模型；（4）加强前瞻性多中心验证；（5）推动DL模型标准化轻量化，完善配套机制；（6）推动跨学科合作与平台建设。

       因此，综合来看，在现有AI模型构建中，常规DWI因标准化程度较高、稳健性较好，更具临床实用性。相比之下，IVIM与DKI虽理论优势明显，却受限于参数拟合不稳定、扫描流程复杂、可重复性差及临床验证不足等瓶颈，当前应用风险较高。未来有待技术标准化与算法进步以释放其潜力。

5 小结与展望

       综上，利用包括MR扩散成像技术在内的多序列影像组学特征，结合临床因素所构建的多模态融合模型，在评估CC中展现出最佳应用潜力。动态成像可实时监测疗效变化；多模态融合技术通过整合功能、代谢成像以及临床数据、液体活检等多源信息，显著增强模型的诊断与泛化性能；基因—影像关联分析则有望揭示影像特征背后的分子机制，促进影像组学与基因组学、免疫微环境研究的深度融合，为个体化治疗提供精准靶点。

       然而，这些技术的临床转化仍面临标准化不足、算法可解释性低及临床验证不充分的瓶颈。目前绝大部分研究缺乏外部验证，证据等级有限，且多未结合病理与基因组学数据进行深入关联，也鲜有研究采用如SHAP等方法评估特征权重，这些均表明该领域的整体研究质量有待进一步提升。

       未来的研究可重点关注以下几个方向：建立跨机构MR扩散成像协议，开发开源特征提取与模型验证平台；推动影像—病理—基因多组学融合，构建可解释、动态预测的AI系统；开展前瞻性多中心临床试验，将AI模型嵌入临床决策支持系统，从而最终实现个体化的疗效监控与治疗优化。