0 引言

       宫颈癌是全球女性第四高发的恶性肿瘤，也是公共卫生领域的重点防控对象^[1]，根据国际癌症研究机构（International Agency for Research on Cancer, IARC）的GLOBOCAN 2022全球癌症负担公开数据，年新增患者66.1万例左右，死亡患者约34.8万例，其引发的健康问题负担相当沉重，新发病例及死亡数据均位列全球第一梯队，这一态势迫切推动精准诊疗技术的发展^[2]。规范化的临床分期与诊断是优化患者结局的核心要素，但现有诊断方式存在天然短板，国际妇产科联盟（International Federation of Gynecology and Obstetrics, FIGO）制定的分期体系以解剖结构为基础框架，在捕捉肿瘤生物学异质性方面存在局限^[3]，目前诊断的金标准——组织活检，由于存在创伤风险且采样位置单一，对肿瘤组织的空间差异反映有限，这恰是引发治疗耐受和疗效差异的核心原因^[4]。

       近年来，多参数磁共振成像（multi-parametric MRI, mp-MRI）联合人工智能（artificial intelligence, AI）技术的系统融合为上述瓶颈问题带来突破性解决途径，影像学支持证据被2021年FIGO分期修订版正式采用，对临床实施具有重要价值^[3]，学科构建了跨尺度的技术链条，实现从组织水平到分子水平的贯通：深度学习（deep learning, DL）系统实现了病灶区域的智能精准分割，为个体诊疗方案构建空间框架；利用弥散加权成像（diffusion-weighted imaging, DWI）、动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）等功能序列^{[5, 6]}，影像组学结合影像基因组学技术，将医学影像特征与基因突变及免疫微环境等分子指标相连接，在精准治疗领域具有应用潜力^[7]。这一技术体系在临床应用中面临数据标准化欠缺、模型泛化性不足及解释性较差等制约因素^{[8, 9]}，现有研究已对MRI和AI在宫颈癌领域的应用开展综述分析，却大多集中于单类技术或特定范畴，缺少对该递进式技术体系进行整体性梳理的综述研究，因此，本文聚焦AI赋能mp-MRI在宫颈癌中的应用，按照“AI技术如何逐级深化影像信息提取”的逻辑，综述DL辅助分割（第1阶段：空间定位）、AI整合功能参数分析与风险预测（第2阶段：生物学行为量化）^[7]、AI驱动影像组学分子解码及多模态整合（第3阶段：分子表型关联）三大主题，剖析AI在每一阶段的核心技术、增量价值与临床转化挑战^{[8, 9]}。

1 DL自动分割在宫颈癌精准诊疗中的研究进展

       清晰划分宫颈癌原发灶与转移淋巴结的三维解剖区域，作为诊疗定位和手术切除范围判定的解剖基准，直接关系到肿瘤局部控制率和患者生存预后。传统依赖医师手动勾画靶区的方法不仅耗时费力，更因观察者间和观察者内存在的显著差异，直接影响治疗计划的可重复性与疗效评估的准确性，而DL基于mp-MRI数据的学习，可实现自动化、高重复性的分割，其临床价值取决于精度、速度及泛化能力。这一部分作为技术体系的起点，与后续功能分析和分子解码紧密衔接，为AI驱动的量化评估提供精确的感兴趣区（region of interest, ROI）^{[10, 11]}。

1.1 基于卷积神经网络的分割模型与初步临床应用

       卷积神经网络（convolutional neural networks, CNN）及其变体结构（如U-Net）利用局部感受野机制实现图像特征的高效提取，发展为医学图像分割领域的关键支撑，针对宫颈癌病灶，采用立体卷积结构的深度网络，该算法（V-Net）能直接解析MRI三维数据集，识别病灶的空间分布规律^{[10, 12]}。多项分析结果证明，此类模型对肿瘤原发灶（gross tumor volume, GTV）和高危靶区的勾画准确性可比肩专业医师，分割一致性（Dice相似系数>0.80）较人工勾画有显著提升，且勾画时间可实现数十分钟到数分钟的跨越式缩短^{[13, 14]}，而对于边界模糊、浸润性生长的肿瘤组织，由于CNN的局部视野局限，对其边缘分割精度仍存在明显不足。

1.2 集成注意力机制的先进模型对分割性能的提升

       鉴于常规CNN对跨区域关系捕捉的弱势，研究人员提出了融合自注意力机制的Attention U-Net等模型，以及采用Transformer结构的Swin-UNet和状态空间模型（state space models, SSM）的U-Mamba（如VM-UNet）等新一代算法^{[15, 16]}。此类模型擅长提取图像的整体上下文特征，自主聚焦关键部位，进而在宫旁肿瘤侵袭、组织分界困难等复杂情形下展现更好可靠性，定量分析显示，此类增强模型在GTV边界划定准确性（Hausdorff距离显著降低）上显著领先CNN模型^[17]，可更精准地呈现组织结构，这为膀胱、直肠等邻近器官的防护及靶区剂量分布优化建立了更可靠的技术基础^[17]。然而，Transformer架构在带来性能飞跃的同时，也引入了巨大的算力挑战：其核心的自注意力机制计算复杂度随图像尺寸呈二次方增长，在处理高分辨率3D MRI数据（如512×512×120体素）时，单例推理时间往往长达数分钟，严重阻碍了临床实时应用。为突破这一瓶颈，当前研究主要聚焦于轻量化策略：一是引入Swin Transformer的窗口注意力机制，将计算复杂度降低至线性水平；二是探索具有线性计算复杂度的Mamba架构近期，研究人员进一步提出了自适应Mamba注意力与因果共鸣学习机制^[15]，在显著降低显存消耗的同时，有效增强了对宫颈癌复杂病灶边缘的感知能力；三是利用轻量化架构设计（如基于哈希的注意力机制），通过优化特征交互效率，在保持分割精度（Dice相似系数>0.80）的前提下大幅降低了运算成本。这些算法层面的优化平衡了精度与效率，使AI模型的临床实时部署成为可能^[17]。

1.3 多模态融合与模型泛化策略推动临床转化

       当前研究重点在于提升模型泛化能力和临床实用性，mp-MRI数据融合是关键策略之一，联合高分辨率T2WI解剖信息与DWI及其衍生的表观扩散系数（apparent diffusion coefficient, ADC）图或DCE-MRI反映的功能/灌注特征，能为模型提供互补信息并有效提升对异质性肿瘤边界识别的准确性^[18]，针对标注数据稀缺挑战广泛采用迁移学习，在大规模自然图像数据集上预训练后用有限规模宫颈癌MRI数据微调，可显著提升模型小样本条件下性能与泛化能力并避免过拟合。通过这些技术，AI驱动的mp-MRI分割模块不仅实现了病灶的自动化、高精度定位，更通过标准化ROI输出，为后续AI整合mp-MRI功能参数量化生物学行为、解码分子特征奠定了核心空间基础，构建起“分割－功能量化－分子解码”的递进式融合体系^[19]。

2 AI辅助mp-MRI功能参数量化与风险预测

       mp-MRI的定量参数是评估宫颈癌生物学行为的重要指标，但临床应用中常面临模型拟合误差大、计算耗时及单一参数难以反映异质性等问题。近年来，AI技术通过优化拟合算法和高通量特征分析，提高了参数测量的准确性与重复性，并为术前预测提供了新工具。

2.1 基于DWI的参数优化与微观结构评估

       DWI是反映肿瘤细胞密集度的核心序列。常规ADC值测量虽然应用广泛，但其单指数模型易受微循环灌注影响，且单一的平均值无法精准反映肿瘤内部复杂的异质性。AI技术对此进行了针对性的优化：一是解决高阶模型拟合鲁棒性不足的难题。由于体素内不相干运动（intravoxel incoherent motion, IVIM）及扩散峰度成像（diffusion kurtosis imaging, DKI）等模型对噪声高度敏感，传统迭代算法在处理宫颈癌盆腔复杂信号时常面临参数估算偏差大、空间连续性差等挑战。研究人员引入改进的深度神经网络（deep neural networks, DNN），如IVIM-NET架构替代传统拟合方法^[20]，或利用基于DL的DKI影像增强模型^[21]，通过建立信号与物理参数间的非线性映射，显著提升了参数估算的精确度与稳定性。二是深度挖掘微观结构的异质性特征。HOU等^[22]证实DKI的平均扩散峰度值在区分宫颈癌病理分级中具有优异效能。在此基础上，影像组学利用灰度共生矩阵进一步量化纹理细节。近期研究更引入视觉变换器架构^[23]，通过自注意力机制捕捉图像长距离纹理依赖关系，比传统形态学分析更敏感地表征肿瘤的微观异质性。

2.2 DCE-MRI的定量分析改进

       DCE-MRI的药代动力学（pharmacokinetic, PK）参数，如容积转运常数（volume transfer constant, K^trans）主要反映血管通透性。其准确性常受限于动脉输入函数（arterial input function, AIF）选取的主观性。对此，AI技术提供了客观化的解决方案：一是实现分析流程的自动化与标准化。研究者利用基于U-Net改进架构的DL网络构建自动化后处理方案^[24]，通过自动识别大血管并提取AIF，有效规避了传统手工勾画ROI带来的观察者间差异。实验证实，该自动化流程下K^trans等关键参数测量的组内相关系数（intra-class correlation coefficient, ICC）展现出极高的一致性（ICC>0.8），显著提升了定量参数在多中心研究中的可靠性^{[24, 25]}。二是探索基于DL的时间序列分析。鉴于血管灌注的动态特征，卷积长短期记忆网络（convolutional long short-term memory, ConvLSTM）可直接从DCE-MRI的4D数据中提取时空特征，无需预设PK模型，实现了对动态增强信号的端到端特征学习^[26]。

2.3 酰胺质子转移加权成像：基于无监督机器学习的代谢亚区分析

       酰胺质子转移（amide proton transfer, APT）加权成像是一种能够反映组织内游离蛋白质及多肽代谢水平的分子MRI技术。传统的全瘤平均值分析往往掩盖了肿瘤内部显著的代谢空间异质性。针对这一难题，AI技术中的无监督机器学习提供了有效的解决方案。LI等^[27]提出了一种基于K-means聚类算法的生境影像组学分析策略。该方法无需人工设定阈值，而是通过算法自动识别肿瘤内部的信号分布模式，将病灶划分为具有不同代谢活性的亚区。研究结果显示，基于这种AI聚类亚区特征的多参数模型，在预测淋巴脉管间隙浸润（lymphovascular space invasion, LVSI）方面的AUC为0.903（95% CI：0.841~0.952），显著优于传统全瘤平均APT值（AUC=0.796，95% CI：0.709~0.882）。这一发现提示，利用无监督学习挖掘人眼难以识别的代谢异质性特征，有望显著提升功能MRI的临床应用价值^{[27, 28]}。

2.4 mp-MRI联合AI的风险预测价值

       在实现各功能参数精准量化的基础上，AI技术通过整合多维影像信息，实现了对宫颈癌关键风险因素的自动化、高精度预测。在预测淋巴结转移（lymph node metastasis, LNM）方面，AI展现了强大的多模态整合能力。最新的双中心研究显示，融合T2WI、DWI和DCE-MRI序列深度特征（如利用ResNet-50网络提取高维特征）的模型，其预测LNM的AUC可达0.910（95% CI：0.861~0.954），且对微小转移灶的检出敏感性显著优于传统单序列模型^[29]。在术前风险分层方面，整合瘤内及瘤周微环境特征的影像组学模型，在预测LVSI方面展现出稳定的验证效能（AUC=0.862，95% CI：0.792~0.931），证实了瘤周特征对评估肿瘤侵袭性的补充价值^[30]。此外，利用长短期记忆网络（long short-term memory, LSTM）动态分析增强轨迹，能够比传统形态学评估更早地识别放疗后复发的高危患者^[26]。上述研究表明，AI驱动的多参数融合分析显著提升了影像诊断在宫颈癌精准诊疗中的地位。

3 基于AI的分子特征影像学预测

       精准医疗要求从分子水平评估肿瘤特征。AI与影像组学的结合，使得建立MRI表型与基因突变、微环境特征之间的关联成为可能，即“影像基因组学”。这一过程通过高通量特征提取与非线性建模，实现了从影像表型到分子特征的“计算病理学”映射^{[31, 32]}。

3.1 影像组学工作流程与AI核心技术

       传统影像组学流程依赖人工设计特征（如形状、纹理等），存在信息遗漏和主观性偏差。AI驱动的DL影像组学则实现了端到端的特征提取，无需人工干预即可捕捉图像中的高级语义特征及其非线性协同效应，显著提升了肿瘤异质性的量化精度^[33]。尽管DL在表征能力上具有显著优势，但其高维特征易导致过拟合，在临床应用中需通过Dropout、交叉验证及特征降维等策略进行优化，以平衡模型的泛化能力与预测性能。

3.2 分子标志物与微环境特征的预测

       在基因突变预测方面，多项研究利用支持向量机等算法，建立了mp-MRI影像特征与基因突变状态的非线性映射关系。在免疫微环境评估方面，针对程序性死亡受体配体1（programmed cell death ligand 1, PD-L1）表达及CD3⁺ T细胞浸润程度，多模态计算模型展现了极高价值。利用临床特征整合定量ADC参数的模型预测PD-L1表达的AUC达0.908（95% CI：0.854~0.962）^[34]。最新的2025年研究进一步利用AI分析瘤内及瘤周区域特征，实现了对早期宫颈癌CD3表达的无创预测^[35]，为临床评估肿瘤免疫状态提供了重要依据^[36]。

3.3 影像学与液体活检的多模态融合

       循环肿瘤DNA（circulating tumor DNA, ctDNA）可在分子水平反映肿瘤负荷。2025年的研究显示，利用注意力机制整合多参数MRI特征与ctDNA动态数据，在预测联合阳性评分方面显著优于单一模态，为免疫治疗受众的精准筛选提供了强有力的计算工具^{[26, 37]}。

3.4 mp-MRI生物标志物的AI增强应用

       尽管mp-MRI参数与Ki-67、血管内皮生长因子（vascular endothelial growth factor, VEGF）等分子标志物存在理论上的相关性（表1），但单纯的线性相关分析常因肿瘤内部的异质性而导致临床预测效能不足。AI技术通过高维特征提取与非线性建模，弥补了传统单参数分析的短板，显著增强了这些生物标志物的临床价值：AI技术通过高维建模与非线性映射，显著增强了传统单参数生物标志物的临床效能。细胞增殖评估：利用影像组学量化ADC图的高阶纹理特征，预测Ki-67高表达的效能显著优于传统均值模型^[38]。针对反流速率常数（flux rate constant, Kep）与Ki-67线性相关的争议，AI模型通过整合纯扩散系数（D）值与Kep进行多模态非线性融合，揭示了增殖活性与血管动力学之间的深层关联^[29]。血管生成评估：AI优势在于时空特征挖掘。针对DCE-MRI序列，ConvLSTM网络直接从4D增强数据中学习时空特征，比传统PK参数更敏感地反映了由VEGF驱动的微血管密度变化^[26]。疗效监测：纵向影像组学通过追踪治疗早期影像特征的动态轨迹，可敏锐识别细胞崩解引起的微细结构改变，从而辅助预测治疗缓解状态。

点击查看表格

表1  宫颈癌mp-MRI参数与分子标志物的关联及AI应用策略
Tab. 1  Correlations between mp-MRI parameters and molecular biomarkers with AI strategies

4 小结与展望

       尽管AI驱动的mp-MRI技术构建了全链条的精准诊疗体系，但其临床转化仍面临严峻挑战。首先，在研究层面，单中心回顾性设计导致样本量有限及数据标准化不足，限制了模型的泛化能力，而DL的“黑箱”特性也在一定程度上削弱了临床信任。其次，在验证与整合层面，依赖单点活检的验证标准难以评估肿瘤的全局异质性，且AI工具与临床工作流[如医学影像存档与通信系统（picture archiving and communication system, PACS）、治疗计划系统（treatment planning system, TPS）]无缝整合及效能验证还存在着瓶颈，未来想要实现突破需要多路并进，首先要夯实数据与算法基础，急需建立标准化多中心数据库并利用联邦学习等技术挖掘数据价值，同时大力发展可解释性AI提升模型透明度与可靠性，其次要创新验证与评估体系，应该设计前瞻性试验以长期生存等临床终点为金标准实证AI辅助决策临床效用，最后要推动临床落地应用，关键在于实现AI和医院信息系统深度集成（PACS/TPS）并通过真实世界研究持续优化。综上所述，虽然前路挑战重重，但随着技术迭代和临床验证不断深化，AI驱动mp-MRI技术有望成为宫颈癌精准诊疗体系核心支柱推动个体化医疗愿景实现。