0 引言

       子宫内膜癌（endometrial carcinoma, EC）和宫颈癌（cervical carcinoma, CC）是全球女性发病率较高的恶性肿瘤^[1]。EC为发达国家和我国部分发达城市女性生殖系统最常见的恶性肿瘤，居美国妇科恶性肿瘤发病和死亡首位，是我国第二常见的子宫恶性肿瘤，其发病率在过去几十年中一直在上升^[2]。CC发病率居妇科三大恶性肿瘤之首，也是全球女性癌症相关死亡的第四大原因^{[3, 4]}。欧洲泌尿生殖放射学会（European Society of Urogenital Radiology, ESUR）推荐EC和CC术前评估的首选检查为MRI^{[5, 6]}，其在妇科恶性肿瘤的诊疗中发挥着越来越重要的作用，随着保育治疗的普及，对术前精准分期和风险评估提出了更高的要求。术前诊刮是EC和CC确诊的金标准，由于取材的局限性，往往不能从整体上反映肿瘤的分化程度与分级^{[7, 8]}。放射科医师依据常规MRI图像，对于肿瘤的形态学评估具有重要价值，但在全面反映肿瘤内部异质性和微观病理特征方面仍存在局限性，且判读结果的主观性较强，观察者之间存在差异。随着影像组学的发展，基于特征参数的分析方法用于定量评估，可以从多个维度更客观、更全面地提供感兴趣区（region of interest, ROI）的复杂性和异质性，一定程度上弥补了常规图像的不足。基于直方图特征参数的分析方法是数据量相对比较少的一种简洁方法，便于临床应用，目前已被广泛用于评估多种器官病变^{[9, 10, 11, 12, 13, 14, 15]}。然而，现有综述侧重于表观扩散系数（apparent diffusion coefficient, ADC）直方图分析在多种肿瘤中的应用进展^[16]，缺乏专门针对EC和CC，系统性地梳理扩散加权成像（diffusion weighted imaging, DWI）、扩散峰度成像（diffusion kurtosis imaging, DKI）、体素内不相干运动（intravoxel incoherent motion, IVIM）、连续时间随机漫步模型（continuous-time random-walk, CTRW）等多种参数直方图分析的应用价值。因此，本文综合各种MRI参数，对其在EC和CC诊断、分期、组织病理学特征、疗效及预后评估等方面的研究进展进行综述，旨在为该疾病的个体化精准诊疗提供指导性的客观依据。

1 MRI直方图分析

       直方图特征属于影像组学的一阶特征，相较于涉及复杂空间关系的纹理或高阶特征，其数据量相对较小，计算方法简洁，更易于临床转化和应用^[10]。MRI通过不同成像序列能够提供一系列定量参数，如反映水分子扩散信息的DWI、IVIM、DKI及扩散张量成像（diffusion tensor imaging, DTI）等，反映组织灌注信息的动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）。利用直方图分析可以量化MRI定量参数图中ROI内所有体素值的频率分布，其基本流程涵盖图像采集、感兴趣区域分割及特征提取三个核心环节。提取的常用直方图特征包括第n百分位数、最大值、最小值、平均值、中位数、四分位间距、能量、熵、峰度、偏度、均匀性和方差，它们可以间接反映目标组织区域的复杂性和异质性，从而能更有效地结合生理信息以反映肿瘤的多方面特征，这些均是通过肉眼无法察觉的。

2 MRI直方图分析在EC的研究进展

2.1 诊断及鉴别诊断

       由于EC与宫腔内良性病变的影像学特征存在重叠，常规MRI对宫腔内病变的术前评估仍然具有挑战性^[17]。MRI直方图分析能够突破人眼阅片的限制，提高常规MRI的诊断效能。在区分IA期EC和子宫内膜息肉方面，ZHAO等^[7]和周欣等^[18]分别报道ADC第25和第1百分位数（ADC25th、ADC1th）鉴别效能最佳。另外，ZHANG等^[19]的研究中，良性子宫内膜病变患者队列纳入了子宫内膜不典型增生患者、子宫内膜息肉患者，结果显示ADC中位数区分IA期EC与良性子宫内膜病变的效能最佳，AUC为0.928。

       综上，以上研究初步证实了MRI直方图分析，特别是低百分位数参数值，在EC与宫腔内良性病变鉴别方面的应用价值。低百分位数ADC值表现出较好的诊断性能，这是因为ADC的较小百分位数值分布在直方图左侧，代表了肿瘤内细胞密度较高的部分^[20]，这一现象也正是良、恶性病变最大的微观差异。但尚存在局限性：一是不同研究中ADC直方图定量参数结果存在差异，受患者特征、样本量及ROI勾画方法等因素影响，缺乏统一诊断标准；二是目前此方面的研究主要针对ADC图。未来研究方向包括开展大样本多中心研究，明确参数变化规律，建立统一诊断标准；进一步探索其他扩散模型或功能成像衍生参数直方图分析对宫腔内良、恶性病变的鉴别能力。

2.2 临床病理分型及病理分级

       不同病理类型及分级的EC患者的治疗方式及预后差异很大^[2]。目前研究已探索了多种MRI参数的直方图分析在此方面的价值，包括DWI、DTI、DKI、IVIM及DCE-MRI。在EC组织学分型方面，EC病理分型分为子宫内膜样癌（endometrioid carcinoma, EEC）和非EEC（浆液性腺癌、透明细胞腺癌、黏液腺癌、未分化癌和癌肉瘤），EEC最为常见，约占EC的80%，大多预后良好^[21]。按发病机制和生物学行为特点，EC临床分型分为雌激素依赖型（Ⅰ型）和非雌激素依赖型（Ⅱ型），Ⅱ型EC包括G3级EEC和非EEC，占EC复发和死亡的50%以上，预后较差^[22]。相比传统病理组织检查和常规MRI，MRI直方图分析可无创性进一步全面分析组织结构。表1展示了2020年至2025年间MRI直方图分析在预测EC组织学分型方面的应用。

       基于上述研究，可以看出ADC可能并不足以用于EC组织学分型，关于ADC值相互矛盾的结果可能与ROI的选取、肿瘤内坏死程度等有关。DTI、DKI作为传统DWI基础上发展而来的扩散模型，在区分EC组织学分型方面可能比传统DWI更具优势，并且直方图的分布形态比绝对值更有鉴别价值。

       在EC病理分级方面，有研究表明^[27]，相比术后病理结果，术前子宫内膜活检可能低估或高估了EC病理分级，从而增加了手术过度或治疗不足的风险。发展非侵入性方法用于术前确定EC病理分级至关重要。多参数MRI直方图分析为EC病理分级提供了来自不同维度的评估。首先，基于细胞密度评估的DWI序列展现出稳定价值：MA等^[24]的研究结果显示ADC平均值可鉴别G1级和G2/G3级EEC，AUC为0.818。CHRYSSOU等^[28]则进一步利用IVIM模型，发现真扩散系数D的四分位间距区分G1/G2和G3级EEC的AUC为0.754。更为重要的是，基于组织微循环灌注和血管通透性评估的DCE-MRI提供了更优的预测效能^[29]。总体而言，MRI直方图分析能够为术前预测EC病理分级提供更为丰富的信息。

       综上，MRI直方图分析为EC术前分型和分级提供了互补的多维度信息，构建多序列参数的整合模型已成为实现EC术前全面评估的关键方向。另外，浆液性腺癌和透明细胞腺癌均为临床少见的EC病理类型，但两者的预后存在显著差异，透明细胞腺癌恶性程度更高，预后较差^[30]。随着分子时代的到来，EC的治疗日益精准化，未来研究应加强各亚型的精细鉴别，以期早日实现对少见病理类型EC的精准诊疗。

点击查看表格

表 1  MRI直方图分析在预测EC组织学分型方面的应用
Tab. 1  Application of MRI histogram analysis in predicting EC histologic types

2.3 国际妇产科联盟分期

       根据2023版国际妇产科联盟（International Federation of Gynecology and Obstetrics, FIGO）分期标准，肌层浸润、淋巴血管间隙浸润（lymphovascular space invasion, LVSI）及分子分型均属于EC手术病理分期的主要内容^[31]。不同分期影响手术切除范围及术后辅助治疗，术前通过影像学手段评估EC分期对于制订治疗方案至关重要^[32]。

       MRI是评估EC肌层浸润的首选影像学检查方法，然而，由于子宫角EC、EC并发子宫肌瘤或腺肌症致子宫内膜与肌层分界欠清、绝经妇女子宫萎缩致内膜变薄以及结合带显示不清等影响因素，常规MRI评估EC肌层浸润的准确性受到限制^{[33, 34, 35]}。DTI、DKI衍生参数直方图分析可以预测EC肌层浸润情况。GHOSH等^[25]的研究结果显示：全域DTI参数直方图特征中，FA均值可以预测肌层未受侵的EC，FA、平均扩散系数（mean diffusivity, MD）分布的均匀性、熵、能量可有效区分子宫浅、深肌层浸润，AUC分别为0.827、0.821、0.796和0.809、0.815、0.84。SONG等^[36]基于全域DKI参数图的直方图分析显示MD10th、平均峰度系数（mean kurtosis, MK）的均值可区分EC浅、深肌层浸润，AUC分别为0.72、0.66。具体而言，DTI在此方面的初步探索展现出潜力，其鉴别价值可能与FA能够间接反映子宫肌层纤维走行方向有关；当肿瘤肌层受侵时，肌层纤维结构的破坏导致FA值分布改变。然而，其纳入样本数仅27例，这在一定程度上限制了其结果的外推性。未来仍需要在前瞻性、大样本研究中验证这些发现。另外，当前MRI直方图分析大多针对预测EC浅、深肌层浸润方面进行，而对于需保留生育能力的G1级EEC患者，未来可进一步深入探讨MRI直方图分析对侵肌与否的鉴别价值。

       2023版FIGO分期突出强调了评估LVSI程度的重要性，指出非侵袭性组织类型的EC无论肌层浸润深度、宫颈间质是否受累，若存在大量LVSI（≥5个淋巴血管间隙受累）均为FIGO Ⅱ期，预后相对较差^[31]。然而，当前大多数研究仍局限于LVSI状态（阳性或阴性）的评估，且集中于MRI功能成像研究，而MRI直方图分析方面的研究较少。MA等^[37]的研究中，ADC均值、ADC90th可分别预测Ⅰa期、Ⅰb期EEC LVSI状态。未来可针对临床需求，探索其他扩散模型或功能成像参数直方图分析量化LVSI程度（无、局灶性、广泛性）的价值。

       2023版FIGO分期的另一主要更新，即要求对所有EC进行分子分型，包括POLE突变型（POLE mutation, POLEmut），错配修复缺陷型（mismatch repair deficiency, MMRd），无特异性分子改变型（no specific molecular profile, NSMP）和p53突变型（p53abnormal, p53abn）。分子分型具有客观性，且各分型基本无重叠，为个体化治疗奠定了基础。目前，MRI在EC分子分型方面的研究较少，尚处于起步阶段。SUN等^[38]的初步探索性研究中，ADC10th、ADC最小值、ADC峰度对p53abn和非p53abn型EC具有一定的鉴别价值，且ADC最小值诊断效能更优，然而根据DeLong检验结果，这些直方图参数间的AUC无显著差异。值得注意的是，NING等^[39]的研究中，对比增强T1WI是区分p53abn与非p53abn型EC的最佳MRI序列，提示对比增强T1WI可能是更具前景的影像指标，未来可基于此深入研究。

       综上，MRI直方图分析为EC的术前FIGO分期提供了新视角。在评估肌层浸润方面，DTI与DKI可以作为常规DWI评估方法的重要补充；在评估LVSI与分子分型方面，MRI直方图分析虽初显价值，但相关研究仍处于起步阶段，是未来需要重点探索的方向。未来MRI直方图分析有望与分子分型等指标深度融合，构建更精准的术前风险评估体系。

2.4 风险分层及疗效评估

       精准的风险分层及疗效监测是指导EC个体化治疗、改善患者预后的关键环节。ADC直方图分析在此方面展现出潜在应用前景。

       欧洲肿瘤内科学会（European Society for Medical Oncology, ESMO）临床实践指南规定^[2]EC分为5个风险类别：低风险、中风险、中高风险、高风险和晚期/转移性，不同风险分层患者推荐不同手术方式及术后辅助治疗方式。影像学用于预测EC风险分层可以弥补术后标本不足导致的准确性下降。目前的研究表明ADC直方图分析可用于EC风险分层^{[23, 40]}。在MA等^[40]的研究中，ADC75th是预测低风险EEC的最佳单一参数，其与肿瘤体积结合可提高预测效能，AUC为0.780；ADC均值结合肿瘤体积可识别低/中风险EEC，AUC为0.775。但目前尚无MRI直方图分析识别中危、中高危、晚期/转移性EC的研究，未来可深入探讨。

       EC患者疗效评估依赖于MRI检查，由于肿瘤形态学改变常常滞后于肿瘤内部微观结构和功能的变化，常规MRI难以及时反映肿瘤的变化。MA等^[41]研究发现治疗前ADC最小值可预测EC患者的保育治疗效果，年龄和HE4水平具有附加价值。然而，此前研究报道治疗前ADC值并不能预测EC治疗反应^[42]，可能是因为此前的研究中纳入了多种EC病理类型，模糊了ADC值的预测效应。此外，ROI勾画方法、治疗方案等的差异也可能导致结果不一致。提示未来的研究需要统一入组标准、针对特定病理类型EC患者，探索稳定、可靠的影像学标志物。

       综上，MRI直方图分析为低风险EC的识别和保育治疗效果的预测提供了重要参考。未来研究需突破当前研究的局限，通过统一标准、扩大样本量，并进一步探索其在中高危、晚期转移及复发EC中的价值。

3 MRI直方图分析在CC的研究进展

       EC与CC的生物学特征、影像学表现及临床管理有所不同，但其精准诊疗共同面临着常规MRI能力有限的挑战。MRI直方图分析可以提供有关肿瘤生物学特征更客观、全面的信息，在EC的诊断、分期、组织病理学特征、疗效及预后评估中展现出重要的应用价值。在CC中，由于放化疗的核心地位，目前的研究更侧重于探索其在新辅助或同步放化疗疗效监测、淋巴结转移等预后判断中的价值。值得注意的是，诸如CTRW模型、分数微积分模型（fractional order calculus，FROC）等前沿非高斯扩散模型，目前其探索性应用更多地集中于CC领域。

3.1 组织病理学特征评估

       肿瘤组织病理学特征是影响CC患者治疗决策及预后的重要因素。目前的研究重点讨论了ADC直方图分析在CC病理亚型、LVSI及肿瘤间质比（tumor stroma ratio, TSR）方面的应用价值。

       在病理亚型鉴别方面，XIAO等^[43]研究发现，全域ADC直方图参数（ADC10th、ADC中位数、ADC偏度）在区分CC腺鳞癌/腺癌、鳞状细胞癌/腺癌、腺鳞癌/鳞状细胞癌中具有一定价值（AUC=0.713~0.807）。值得注意的是，2020年第五版WHO分类强调了病理诊断与临床治疗相结合的重要性，该分类根据是否与HPV相关将宫颈腺癌分为不同类型^[44]，未来研究可以在此分类基础上进一步深入。在LVSI方面，LVSI是指在淋巴管或血管内发现至少一簇肿瘤细胞，常提示肿瘤细胞发生转移扩散，对患者的预后有良好的预测作用^[45]，目前LVSI仅能通过病理诊断。CHENG等^[46]研究发现，ADCmax预测ⅠB~ⅡA期CC的LVSI状态效能最佳（AUC=0.75）。然而，当前大多数研究并未明确区分局灶性、弥漫性LVSI，未来需要更多的研究探索。在TSR方面，TSR指肿瘤组织内肿瘤细胞与间质部分的比例，是CC进展、侵袭和转移的关键因素^[47]，通常需要通过术后病理切片获得，依赖于操作者的主观判断，准确性受到影响。SUROV等^[48]回顾性研究ADC直方图参数与鳞状细胞癌TSR的关联，发现ADC多个参数值与其高度相关，且其相关性取决于肿瘤的病理分级；另外，ADC均值可有效预测鳞状细胞癌的高TSR（TSR>30%），AUC为0.91。显然，ADC直方图分析不仅可以区分CC的病理类型、预测LVSI状态，还能够预测肿瘤的微观病理特征，这对临床术前获取充足的信息都非常有益。

3.2 淋巴结转移

       2018版FIGO分期将淋巴结转移纳入分期标准，淋巴结阳性归为ⅢC期^[49]。但径线正常的淋巴结（<10 mm）也可能存在微小转移，此时常规MRI常难以诊断。QIAN等^[50]创新性地比较单次回波平面DWI和读出分段回波平面DWI所获得的全域ADC直方图参数，发现读出分段回波平面ADC峰度识别ⅠB~ⅡA期CC正常大小的淋巴结（5~10 mm）转移的能力最佳（AUC=0.792），研究者认为相较于直方图分布形态，极端ADC值（ADC最小值、最大值）易受噪声、伪影和邻近结构的影响，对于淋巴结的评估是不可靠的。总的来说，读出分段回波平面DWI通过优化图像质量可以提高对微小淋巴结转移的鉴别能力，且直方图的分布形态是更为可靠的影像学生物标志物。但当前研究多基于原发肿瘤间接评估淋巴结状态，未来需要探索基于淋巴结水平进行直接评估的研究方法。

3.3 疗效评估

       肿瘤异质性所致的放化疗抵抗是CC患者死亡的主要原因^[51]。准确预测治疗反应有助于临床医生优化治疗策略。近年来，功能MRI为早期、无创评估治疗反应提供了新视角。PERUCHO等^[52]和SALEH等^[53]报道了基于全域ADC图的直方图分析预测局部晚期CC患者同步放化疗治疗反应的核心价值。其中，SALEH等^[53]发现，治疗前ADC最小值是治疗反应的独立显著预测因子，治疗前后ADC均值变化率可以预测治疗反应。ZHANG等^[54]的研究则探索了多参数MRI预测ⅠB2~ⅡA2期CC新辅助化疗疗效的能力，发现治疗前K^trans90th联合ADC90th的预测效能优于单一参数。我们可以注意到SALEH等^[53]发现低ADC值的肿瘤对治疗更为敏感，而ZHANG等^[54]则得出了相反的结果，可能与治疗机制不同有关，新辅助化疗依赖于药物输送，ADC值高的肿瘤更利于药物渗透。综上，当前针对同步放化疗和新辅助化疗的研究居多，对于持续性、复发或转移性CC，其进行靶向治疗或免疫治疗的疗效评估方面的研究极少，未来可以深入研究。另外，与单个参数相比，组合参数表现出了更好的诊断性能，未来可以进一步优化和评估不同参数组合的预测效能。

4 基于MRI直方图特征的影像组学在EC和CC的研究进展

       近年来，影像组学已成为无创、客观、定量评估肿瘤病灶异质性与微观生物学特征的有力工具。然而，影像组学通常依赖高通量特征提取（包括形态学、直方图、纹理和高阶滤波特征等），存在泛化性及临床易用性差等问题。相比之下，基于MRI直方图特征的影像组学是数据量比较少的一种简洁方法，能更高效地量化肿瘤灰度分布异质性，有望提升模型的稳健性和临床适用性。表2展示了2022年至2024年间基于MRI直方图特征的影像组学在EC和CC的应用。

       基于上述研究，可以看出直方图参数与临床参数结合的影像组学模型展现出了更高的预测能力。非高斯扩散模型（IVIM、DKI、CTRW、FROC）直方图分析在CC的研究中展现了巨大的潜力，这些模型不仅提供了描述水分子扩散的相关参数，还提供了有关组织微观结构的时间[水分子运动所需时间（α）]与空间异质性[水分子扩散距离（β）]信息^[59]。值得注意的是，CTRW的α参数在CC的研究中具有出色的性能，表明它可能作为一种有效的生物标志物用于CC生物学特征的研究。但目前研究尚存在单中心、小样本研究、多技术联合应用模式与参数权重不明确等局限性。未来的研究应尽可能扩大样本量，结合临床特征，充分发挥非高斯扩散模型在CC方面的研究潜力；运用机器学习等技术优化联合模式，确定参数权重，构建更精准的联合诊断模型。

点击查看表格

表2  基于MRI直方图特征的影像组学在EC和CC的应用
Tab. 2  Application of MRI histogram feature-based radiomics in EC and CC

5 多模态MRI直方图分析在EC和CC中的应用进展

       常规MRI序列以其卓越的软组织分辨能力，成为EC和CC术前评估的首选影像学检查方法。近年来，随着多种MRI功能序列的发展，肿瘤影像学评估的准确性显著提升。

       传统ADC直方图分析作为研究最为广泛的定量分析方法，在EC和CC评估中具有重要价值。其在鉴别ⅠA期EC与宫腔内良性病变方面展现出优异性能，特别是低百分位数参数值^{[7, 18, 19]}。传统的MRI序列（如T2WI）在区分肿瘤组织与活检后反应性变化时存在一定局限，而DWI凭借对肿瘤细胞密度的敏感度，能够更准确地界定肿瘤边界，其与T2WI联合显著提升了EC肌层浸润的诊断准确性^[21]。在CC研究中，ADC直方图同样被证实能够区分不同病理亚型^[43]并预测LVSI状态^[46]。然而，DWI的单指数模型假设水分子扩散是理想的高斯分布，其不能准确反映生物组织中复杂的水分子扩散特性和微循环灌注^[60]。为此，多种先进的扩散模型应运而生。DKI基于水分子扩散非高斯分布假设，可以更准确地捕捉微观结构的复杂性和异质性，在预测EC病理分型及肌层浸润方面展现出优于传统DWI的性能^{[26, 36]}；在生物组织中，微循环灌注也是不可或缺的，IVIM能够对组织的微循环灌注效应和水分子扩散进行量化分析，在CC病理分化鉴别中显示出独特优势^[8]。值得注意的是，新兴非高斯扩散模型取得突破性进展，CTRW模型认为组织中的水分子运动在时空维度均存在异质性^[61]。其中，空间异质性反映组织结构的复杂性，时间异质性则反映水分子在复杂组织结构中扩散时被“捕获”的可能性。与传统的扩散模型相比，它考虑了更多的随机性与不规则性，使得它能够应对多种真实情况下的挑战。CTRW模型通过α和β两个参数量化这种时空异质性，在均匀介质中的α和β均等于1，而随着组织异质性增加，这两个参数逐渐减小。FROC模型作为CTRW模型的简化，主要关注空间异质性。SU等^[58]研究首次提出基于IVIM、DKI、CTRW、FROC四种非高斯模型的多参数直方图特征评价CC的Ki-67增殖指数，联合预测模型的AUC为0.845。另外，导出的3个独立预测因素都是源自CTRW模型的α相关特征，这表明CTRW模型优于其他模型，且α参数是CTRW模型中最有用的参数。YANG等^[8]以同样的方法建立影像组学logistic回归模型区分CC病理类型、肿瘤分化及预测p16表达，在预测CC肿瘤分化方面，除了DKI模型，其他三个单独模型均表现出了良好的预测效能；FROC模型在预测CC的P16表达方面具有独特优势；四种模型的派生参数的组合在预测CC病理类型方面的表现优于单一参数。另外，DCE-MRI的高trans值通常反映肿瘤血管高通透性及较低的缺氧水平，而ADC值可以反映肿瘤细胞的密集程度，这些特征均与化疗药物的输送和分布有关，将DCE-MRI和DWI结合应用，可以提高CC新辅助化疗疗效的预测效能，优于单一成像技术的使用^[54]。

       综上所述，多模态MRI在EC和CC中具有广阔的应用前景，并且这些新兴模型通过不同的数学原理量化肿瘤异质性，为CC评估提供了超越ADC的影像学生物标志物。随着人工智能技术，尤其是深度学习技术的快速发展，通过从复杂的多模态数据中提取深层特征，有望进一步显著提高诊断效率与准确性。

6 总结与展望

       MRI直方图分析突破了常规MRI图像的局限性，在EC和CC的诊断、分期、组织病理学特征、疗效及预后评估等方面展现了广阔的应用前景。整合多序列成像数据、结合临床特征的影像组学研究近年来不断增加，进一步拓展了MRI直方图分析的潜力。但其仍存在诸多不足：（1）研究方法尚未标准化，MRI直方图分析采用的图像采集、分割、特征提取方法不统一，重复性差；（2）研究设计存在不足，多基于单中心、小样本、回顾性研究，多数研究缺乏外部验证，另外，研究多针对EC和CC常见组织学分型，针对其他亚型的研究极少；（3）尚缺乏融合基因、分子表型、代谢等多组学的研究；（4）当前研究的ROI勾画多基于原发肿瘤病灶进行，基于淋巴结水平、瘤周组织的勾画研究较少。针对目前研究的不足，未来研究应关注：（1）标准化图像采集、分割、特征提取等各环节，通过开源平台等促进多中心大样本研究的实施；（2）近年来，深度学习快速发展，其能够从大量数据中自动提取特征并进行学习和预测。深度学习的对比学习可以忽略噪声、伪影等无关信息，提取区分度高的高质量特征^[62]。迁移学习和生成对抗网络可用于数据增强，解决罕见亚型样本量不足的问题，缓解模型对大量高质量标注数据的依赖^{[63, 64]}。结合深度学习和自监督学习的多模态模型可以克服数据异质性和标签偏差的问题，提高模型鲁棒性，有望用于结合分子标志物预测超分辨率细胞空间图谱^[65]。

       综上，多模态成像技术与人工智能的进一步融合，EC和CC的影像学评估有望迈向更加精准化、智能化的方向，为临床实践提供全面而可靠的诊断支持。