0 引言

       卵巢癌是全球女性中第八大常见癌症及主要癌症死亡原因^[1]，在全球低收入国家和地区呈上升趋势^{[1, 2]}。在我国，卵巢癌年发病患者和死亡患者约达6.11万例和3.26万例^[3]。上皮性卵巢癌（epithelial ovarian cancer, EOC）占所有卵巢癌的约90%，其中70%~80%为高级别浆液性卵巢癌（high grade serous ovarian cancer, HGSOC）^[4]。目前，卵巢癌发病机制尚不明确，子宫内膜异位症、不孕症等均可以导致卵巢癌发病率升高^{[5, 6]}，遗传因素，如BRCA 1/2基因变异者罹患卵巢癌的风险约为20%~70%^[7]，可出现在25%的HGSOC中^[8]。卵巢癌初期症状不典型，目前仍没有有效的早期筛查方法^{[9, 10, 11]}，在确诊时超过70%的患者已处于晚期（国际妇产科联盟分期Ⅲ~Ⅳ期）^[7]。卵巢癌标准治疗方式包括肿瘤细胞减灭术、铂类化疗^{[12, 13]}，含铂化疗期间出现疾病进展或无铂间隔期（platinum-free Interval, PFI）<6个月，归属为铂类耐药性卵巢癌（platinum-resistant ovarian cancer, PROC），预后较差^{[14, 15]}，复发后中位生存期不足1年^[12]，联合靶向治疗患者5年总生存率也仅为10%~40%^[9]。铂类耐药仍是导致HGSOC高死亡率的重要因素之一^[16]。

       卵巢癌患者铂耐药的预测主要依赖于复杂的基因组分析^[17]，但成本高昂。影像组学于2012年由荷兰学者LAMBIN首次提出^{[17, 18]}，可基于计算机软件通过采用最小绝对收缩和选择算子等嵌入式方法，挖掘并筛选表征肿瘤异质性及预测药疗与预后的一阶统计量、高阶纹理特征及小波变换特征，通过逻辑回归、支持向量机及随机森林等构建三维可视化预测模型辅助临床诊疗决策制定^{[19, 20]}。近年来，影像组学在辅助诊断卵巢肿瘤诊断、铂药疗效及预后预测等方面取得了长足的进步^[21]，但针对不同模态影像组学模型预测卵巢癌铂耐药的研究仍然较少，诊断效能差异较大，泛化能力不足。本文将对不同影像组学模态在卵巢癌铂耐药中的研究进展进行综述，梳理并分析不同模态影像组学在铂耐药预测中的方法学及预测效能差异及其优势与局限性，旨在为推动影像组学在卵巢癌铂耐药影像组学研究的进一步发展提供理论参考与实践路径。

1 文献检索方法

       本综述系统检索了中国知网（CNKI）及万方数据库、PubMed、Embase、Web of Science，时间范围为建库日至今，中文关键词包括：“卵巢癌”“上皮性卵巢癌”“高级别浆液性癌”“铂耐药”“铂敏感”“影像组学”“多组学”“计算机体层成像”“磁共振成像”“正电子发射断层显像”“超声”；英文关键词包括：“ovarian cancer”“epithelial ovarian cancer”“high-grade serous carcinoma”“platinum-resistant”“platinum-sensitive”“radiomics”“multi-omics”“computed tomography”“magnetic resonance imaging”“positron emission tomography”“ultrasound”。共检索到卵巢癌铂耐药相关中文文献6篇，英文文献20篇，排除重复发表、研究数据不完整、研究方法不严谨文献及综述类文献，剩余16篇为本研究提供数据支持。

2 计算机体层成像影像组学在铂耐药研究中的进展

       计算机体层成像（computed tomography, CT）凭借快速扫描能力与良好空间分辨率，是术前肿瘤分期与肿瘤负荷评估的重要工具。CT影像组学近年来在EOC的诊断、预后预测和治疗反应评估中展现出重要价值，也是卵巢癌术前评估研究中最常用的影像组学方法^[22]。CHEN等^[23]构建的基于静脉期CT影像组学列线图在预测HGSOC早期复发方面表现出良好性能，联合临床组学模型训练集和测试集的感兴趣区（region of interest, ROI）的受试者工作特征曲线下面积（area under the curve, AUC）分别为0.749（95% CI：0.678~0.821）和0.769（95% CI：0.662~0.877），决策曲线分析（decision curve analysis, DCA）阈值在0.53~0.82范围内时临床净获益最高。HE等^[24]通过一项703例EOC患者的多中心研究，基于增强CT厚层图像构建的预测EOC患者铂敏感性的影像组学模型，在内部验证集的AUC值为0.917（95%CI：0.850~0.970），在两个外部验证集AUC值分别为0.877（95% CI：0.748~0.984）和0.845（95% CI：0.718~0.968），DCA显示阈值设定为0.25时具有显著的净临床获益。焦光丽等^[25]基于静脉期CT影像特征及临床特征构建的联合模型对卵巢癌患者铂类药物化疗敏感性预测效能最佳，AUC值约0.827（95% CI：0.375~0.897），DCA显示联合模型在0.060~0.910取值时，临床净收益最大，其中3D模型较2D模型显示出更高的诊断效能（AUC：0.766，0.677）。唐梦馨^[26]通过提取105例HGSOC患者盆腔CT平扫2D及3D影像组学特征，揭示了肿瘤异质性相关特征与铂耐药性之间存在显著关联，2D+3D影像组学列线图预测训练组和测试组铂耐药的AUC分别为0.93（95% CI：0.87~0.99）和0.90（95% CI：0.78~1.00）。LEI等^[27]对比了全腹肿瘤模型与原发肿瘤模型，在训练队列（AUC：0.97 vs. 0.88）和验证队列（AUC：0.98 vs. 0.81）中全腹模型均优于原发肿瘤模型效能，k折交叉验证和分层分析显示，全腹模型保持稳定性能。

       综上，基于CT影像组学的预测模型可以有效预测卵巢癌铂耐药，其中增强CT可提取更丰富的表征肿瘤异质性与微血管密度的组学特征，在维度比较方面，整合2D平面信息与3D容积空间特征的联合模型，能够更全面地捕捉肿瘤异质性特征，其中全腹肿瘤模型较原发肿瘤模型展现出更高的预测效能；相较于单一影像模型，临床与影像的联合模型通常表现出更优异的稳健性与泛化能力。在横向对比中，尽管唐梦馨等^[26]报道的模型AUC值高于HE等^[24]的研究，但前者受限于较小的样本量，其95%置信区间较宽，提示存在较高的过拟合风险及结果不确定性，同时，研究仅纳入晚期HGSOC患者，且感兴趣区仅选定肿瘤实质，可能存在样本筛选偏倚导致的AUC值畸高，相比之下，HE等基于大样本多中心队列研究，通过Shap分析比较不同模型构建算法达到区分铂类敏感与耐药性时各特征的重要性，其结果可能更贴近真实世界的临床表现。在整个训练过程中，验证队列的数据保持完全未被干预状态。LEI等^[27]则采用深度学习算法进行全腹部分肿瘤分割及模型训练，对肿瘤区域的识别精度显著提升，减少了手动靶区标注时的主观误差，证实了深度学习驱动的全腹肿瘤分割策略及模型训练在铂耐药预测中的可行性与可靠性。

3 磁共振成像影像组学在卵巢癌铂耐药研究中的进展

       磁共振成像（magnetic resonance imaging, MRI）作为一种无创性的术前准确评估卵巢肿瘤的影像技术，因卓越的软组织分辨力及多序列、多参数功能成像能力，能够较为清晰地显示卵巢及其周围结构，其中，扩散加权成像（diffusion-weighted imaging, DWI）在卵巢肿瘤良恶性鉴别、卵巢癌分型及分期中具有重要作用^[28]。基于MRI的影像组学可通过提取高分辨率形态学图像并提取组织氧合、灌注或扩散等多种功能信息，提升精准诊断效率^{[29, 30]}。MRI影像组学结合人工智能算法，能够从常规医学图像中高通量地提取并量化人眼无法识别的深层特征，从而解码肿瘤内部的异质性信息，为实现HGSOC铂类化疗敏感性的术前无创预测提供了一种精准、可靠的定量分析工具^{[31, 32]}。LU等^[33]通过对70例共102个晚期HGSOC病灶分析表明，通过卵巢癌的表观扩散系数（apparent diffusion coefficient, ADC）直方图可预测晚期HGSOC铂化疗反应。毛咪咪等^[34]的研究证实，通过整合T2加权成像（T2-weighted imaging, T2WI）、DWI及对比增强T1加权成像（contrast-enhanced T1-weighted imaging, CE-T1WI）等多序列MRI信息，捕捉肿瘤在形态、细胞密度及血供等方面的异质性特征，MRI影像组学在训练集的AUC为0.90（95% CI：0.82~0.99），验证集AUC为0.89（95% CI：0.78~1.00），有助于预测EOC患者对铂类药物化疗的敏感性。LI等^[35]关于117例HGSOC患者的研究中也发现，基于MRI影像组学特征，特别是经小波变换后的纹理特征，融合影像组学模型在评估无复发生存期（recurrence-free survival, RFS）时获得显著更高的AUC值（0.85），优于单独使用CE-T1WI影像特征或T2WI影像特征的模型（AUC分别为0.79和0.74），能有效预测晚期HGSOC患者的铂类敏感性。LI等^[36]基于卵巢肿瘤内及瘤周区域构建的MRI多序列影像组学模型表明当瘤周间距设定为2 mm时诊断效能最佳（AUC=0.756）。BI等^[37]通过394例多中心EOC研究表明基于T2WI、ADC及CE-T1WI的Habitat影像组学模型在预测铂类化疗对HGSOC铂耐药组与铂敏感组在微环境（表现为弱强化、高ADC值及中等T2WI信号）方面存在显著差异（P<0.05），AUC值约0.710，结合生存特征的列线图在识别铂类耐药患者方面表现最佳。

       以上基于MRI不同序列的影像组学模型可以提取表征卵巢癌异质性组学特征，其中多序列MRI影像组学联合临床特征性能较单一序列效能更高，肿瘤内联合瘤周区域影像组学模型也展现了一定优势。从靶区标注到不同算法路径构建模型，其预测价值不尽相同，方法学差异直接决定了模型的性能高度。毛咪咪等^[34]研究感兴趣区去除出血、坏死、钙化等非肿瘤实质部分，降低了影像组学特征提取过程中的噪声干扰，提升AUC值，但也会导致部分表征肿瘤异质性的生物学信息丢失，影响模型泛化能力。LI等^[36]研究纳入EOC而未进行分组，同时纳入肿瘤内及瘤周区域，可能导致肿瘤异质性及噪声干扰过大，降低其AUC值，而BI等^[37]基于Habitat这一新算法，但图像标准化不充分与匹配失误及缺乏监督的稳定聚类算法，可能导致其实现路径却充满了不确定性，降低其预测效能。LI等^[36]及BI等^[37]基于多中心大样本的研究AUC虽较低，却更真实地反映了模型在复杂临床环境下的鲁棒性与应用上限。

4 超声影像组学在卵巢癌铂耐药中的应用

       超声作为一线影像学检查方法，适用于初诊评估卵巢肿块性质，其便捷性与低成本优势突出。近年来，在术前精准诊断与风险分层领域，超声影像借助影像组学工具其价值得以显著拓展。何丽英等^[38]、YANG等^[39]及XIE等^[40]等基于超声影像组学所构建模型在卵巢癌早期诊断、良恶性鉴别及病理分型方面表现出卓越的性能，具有一定的临床价值。然而，由于卵巢肿瘤确诊时多位于晚期，肿瘤大且腹盆腔转移范围广，而超声视窗受限，无法将肿瘤巨大者最大层面完整纳入视窗，上述研究多将肿瘤无法完整纳入者排除研究，显著缩小了超声影像组学的临床适用范围。ZUO等^[41]探讨了基于超声多ROI影像组学在卵巢癌预后研究中的可行性，其效能优于仅基于最大肿瘤切面ROI的分析。SU等^[42]采用相同ROI标注策略，研究表明多ROI超声影像组学模型预测EOC铂敏感AUC值约0.86，DCA分析显示风险比为3.1和2.9时在内部和外部测试集时临床净收益最大，与此同时其研究存在的样本筛选偏倚与腹腔转移灶无法纳入的缺陷也不应忽视，仍需进一步深入探讨其真实世界的可行性。目前，超声影像组学在卵巢癌铂敏感性的研究仍较少，但上述探索为基于超声的影像组学模型预测患者对铂类药物化疗的反应提供了可能的研究方向与研究方法。

5 正电子发射断层显像影像组学在卵巢癌铂耐药中的应用

       正电子发射断层显像（positron emission tomography, PET）能够反映活体病灶代谢活动，是评估肿瘤分期及肿瘤负荷的重要方法，可以发现腹膜微小卵巢转移瘤。传统依靠正电子发射计算机体层成像（positron emission tomography/computed tomography, PET/CT）检查最大标准摄取值（maximum standard uptake value, SUVmax）、代谢肿瘤体积（metabolic tumor volume, MTV）等代谢参数预测铂类疗效进行预测，已呈现出一定的应用价值。PET影像组学通过采集高通量纹理特征能够进一步捕捉肿瘤内部的异质性，在乳腺癌、骨肉瘤等含铂化疗药物疗效预测的相关探索中体现了良好的应用价值^{[43, 44]}，在卵巢癌铂敏感性评估中的应用价值正逐渐凸显^[45]。2021年WANG等^[46]构建的基于261例晚期HGSOC的PET/CT组学模型显示，联合临床因素模型对无进展生存期的AUC达到0.70，能够独立预测铂类治疗后的早期进展风险。同年，该团队采用Habitat算法将肿瘤划分为高/低代谢亚区并提取纹理特征，显示高代谢区AUC值显著高于全肿瘤模型（AUC：0.835 vs. 0.767），这表明高代谢活跃区特征与肿瘤细胞增殖及铂敏感性紧密相关^[47]。此外，相较于传统的PET/CT，PET/MRI在软组织对比、功能信息维度及辐射安全性方面具有独特优势，尤其适用于卵巢癌等妇科肿瘤对精细解剖结构和微环境敏感的疾病，在评估肿瘤负荷，规划手术流程等方面更具优势^{[48, 49]}。

       综上，PET影像组学通过量化肿瘤代谢异质性，为卵巢癌铂敏感性预测提供了一种无创、可重复且优于传统代谢参数的新手段。

6 多组学在卵巢癌铂耐药中的应用

       卵巢癌的高度异质性决定了铂药化疗敏感性差异。多组学模型能够从DNA损伤修复缺陷、肿瘤微环境重塑到影像特征等从多个生物学多个维度系统解析卵巢癌的分子异质性及铂耐药的生物学基础^{[50, 51]}。GERBER等^[52]通过联合T2WI影像组学特征及循环生物标志物的预测模型，预测铂敏感AUC可达0.973，有研究联合临床-基因-增强CT组学特征预测卵巢癌铂敏感AUC分别可达0.78，0.80，预测效能优于单一模态，其中影像组学特征对预测铂敏感起着决定性作用^{[53, 54]}。这种跨尺度数据融合不仅提升了铂耐药预测的准确性与鲁棒性，更揭示了“影像-分子”关联的潜在机制，为开发无创、动态、个体化的临床决策工具提供了新范式。

7 不足与展望

       以上研究共同表明，基于影像组学模型在卵巢浆液性癌的个体化治疗决策、预后评估和生物学机制探索等方面具有重要的应用前景。然而，在真实世界的卵巢癌铂敏感影像组学研究中，仍存在若干亟待解决的问题。在标注对象上，卵巢癌确诊时多为晚期，肿瘤分布范围广且与邻近组织分界不清，原发灶与转移灶界限模糊，导致ROI分割边界难以精准界定。目前主要依靠人工分割标注，主观性强，虽然ICC均大于0.75，但仍存在一定误差。因此，应明确卵巢癌标注范围与流程，同时通过深度学习训练模型并开展半自动或全自动分割，以降低分割误差。卵巢癌异质性强，肿瘤内部坏死、囊变区域占比高，仅勾画肿瘤实质会丢失部分表征肿瘤异质性信息，但全瘤勾画将导致肿瘤异质性被稀释。基于Habitat算法将肿瘤按代谢高低程度进行分区，可有效减少全瘤勾画对肿瘤异质性信息的稀释效应，同时避免仅关注肿瘤实质区域造成的关键生物学特征缺失，但其算法依赖性强，生物学意义尚不明确，需要开发有监督的Habitat算法并结合病理或基因数据进行严格的关联分析以增强模型可解释性。研究表明腹腔转移灶往往包含表征铂耐药来源的生物学信息，但往往未被纳入研究范畴，基于全肿瘤或多ROI等标注策略，可以系统整合原发灶与转移灶的影像信息，全面捕捉不同病灶间的异质性特征及时空分布关联，但病灶分割及计算难度极高，且可能忽略病灶转移过程中所产生的生物学差异。因此，可引入基于深度学习的全自动或半自动全腹肿瘤分割以降低计算强调，同时根据不同解剖区域对病灶进行分层分析，探究病灶间的相互作用机制和特定区域的肿瘤负荷与卵巢肿瘤铂耐药相关性。在研究模态与序列上，目前针对卵巢癌铂敏感的相关研究较少，且仍主要集中于CT或MRI单一模态，多基于CT单一期像或MRI部分序列展开；在序列组合方面，也尚无统一的研究规范，其中CT或增强MRI多集中于反映肿瘤微循环的静脉期，缺乏反映肿瘤微环境和血管通透性的其他期相信息，这可能导致对铂敏感相关生物学机制的理解存在偏差。未来，应根据研究目的明确序列组合共识，以充分提取肿瘤影像特征；同时可通过构建融合多组学模态的联合数据集，深入挖掘不同模态及序列间的互补信息，进一步提升卵巢癌铂敏感预测模型的性能与可解释性。在研究时间节点上，现有模型多基于术前单次影像数据，无法动态反映新辅助化疗期间或复发后肿瘤细胞异质性与微环境的动态变化过程，因此需要通过采集新辅助化疗前、中、后及复发监测等多个关键时间节点的多模态影像数据，构建纵向动态影像队列，实现对肿瘤形态、代谢活性及功能特征的动态演变规律的实时追踪与量化评估，精准地识别铂敏感向耐药转化的早期预警信号，进而优化治疗策略。

       影像组学研究往往因方法差异导致模型缺乏稳健性、可重复性及生物学可解释性^{[55, 56]}。未来需以多模态、多中心、前瞻性队列验证为核心以提升模型鲁棒性，同步推进针对卵巢癌的“个性化成像－分割－分析”全流程标准化以降低数据偏倚，并基于监督下的深度学习构建融合多影像、多序列、多组学模态，构建可泛化、可解释的铂耐药预警平台，可能有助于实现影像诊断从形态学到智能化精准预后的跨越。