0 引言

       子宫内膜癌（endometrial carcinoma, EC）是女性生殖系统常见恶性肿瘤^[1]，在中国北京、上海等发达城市，其发病率已超越宫颈癌，成为威胁女性生殖健康的首要问题之一^[2]。根据癌症基因组图谱（The Cancer Genome Atlas, TCGA）及ProMisE分类标准将EC分为4种分子亚型：POLE突变型（POLE mutations, POLE Mut）、微卫星不稳定型（microsatellite instability, MSI）、p53异常型（p53 abnormal, p53abn）、无特异性分子特征型（no specific molecular profile, NSMP）^{[3, 4]}。2025年欧洲妇科肿瘤学会（European Society of Gynaecological Oncology, ESGO）指南将EC分子特征置于风险分层和治疗决策的核心^[5]；2023版EC国际妇产科联盟（International Federation of Gynecology and Obstetrics, FIGO）分期也将分子分型纳入分期评估中^[6]。所以术前评估EC分子分型诊断与治疗决策具有重要意义，可为个体化诊疗及随访策略的制定提供关键依据，但其检测依赖有创活检，难以实现无创、全面、动态评估。因此，临床亟须一种无创、可重复、能反映肿瘤整体信息的术前分子分型方法。而影像组学（Radiomics）通过从医学影像中提取并分析海量特征，为多种疾病的诊断、治疗及预后评估提供了全新思路。该概念由LAMBIN等^[7]于2012年提出，可从MRI等医学影像中高通量提取肉眼无法识别的定量特征，建立影像表型与分子病理、预后等之间的关联模型并验证^[8]。此外，深度学习（deep learning, DL）作为机器学习的重要分支，可通过卷积神经网络自动学习高阶影像特征，减少人工干预与主观偏差，与影像组学形成互补^{[9, 10, 11]}。二者已在肝癌^{[12, 13]}、乳腺癌^[14]、肺癌^[15]、脑膜瘤^[16]、骨肉瘤^[17]等肿瘤的无创评估中广泛应用。近年来，基于MRI的影像组学与DL用于EC分子分型预测的相关研究进展迅猛，但尚无针对EC分子分型无创预测、系统整合MRI影像组学与DL前沿成果的专项综述。基于此，本综述旨在系统归纳基于MRI的影像组学、DL技术在EC分子分型预测中的最新研究进展，总结各类技术的应用优势与局限性，剖析当前研究存在的问题与挑战，展望未来研究方向与临床转化前景，以期为后续相关科研工作提供新思路、为临床无创精准评估EC分子分型、制定个体化诊疗方案提供参考依据。

1 文献检索方法

       检索2016年1月至2026年1月PubMed、Embase、Web of Science、CNKI、万方、维普数据库收录的中、英文文献，采用主题词+自由词组合构建检索式。中文检索式：（子宫内膜癌）AND（分子分型OR POLE突变OR MSI OR p53 OR NSMP）AND（MRI OR磁共振）AND（影像组学OR深度学习OR人工智能）；英文检索式：（Endometrial carcinoma）AND（molecular subtyping OR POLE mutation OR MSI OR p53 OR NSMP）AND（MRI OR magnetic resonance imaging）AND（radiomics OR deep learning OR artificial intelligence）。纳入标准：研究基于MRI影像组学/DL开展EC分子分型、MSI及p53状态术前预测，研究方案完整，可提供样本量、预测模型、AUC等诊断效能数据；排除综述、病例报道、动物实验、重复发表、数据缺失及无法获取全文的文献，最终纳入14篇代表性文献作为本综述撰写的核心参考依据。

2 MRI影像组学与DL术前预测EC分子分型的研究进展

2.1 POLE Mut型EC

       POLE Mut型突变负荷最高，此类型患者通常结局优异，复发率显著较低，整体生存期也较高^[4]，常无需辅助治疗。术前准确预测可避免过度治疗。

2.1.1 传统影像组学

       有学者将138例EC患者作为研究对象，分析了POLE Mut型及非POLE Mut型的影像组学特征，结果显示T2WI+扩散加权成像（diffusion-weighted imaging, DWI）+对比增强T1WI（contrast-enhanced T1WI, CE-T1WI）三序列联合模型，对其鉴别效果最佳，其训练集与验证集受试者工作特征（receiver operating characteristic, ROC）曲线下面积（area under the curve, AUC）值分别为0.885和0.810，对POLE Mut型EC具有较好的预测价值^[18]；另有学者进一步聚焦感兴趣区（region of interest, ROI）选择对模型效能的影响，对比分析瘤内ROI与瘤周ROI构建的影像组学模型，发现测试集中瘤内特征、瘤周特征模型预测POLE Mut型的AUC分别为0.764、0.847^[19]。传统影像组学模型可有效实现POLE Mut型与非POLE Mut型EC的鉴别，对POLE Mut型EC具有良好的术前预测价值。

2.1.2 DL及融合模型

       有学者基于多中心的一项回顾性研究来预测MSI状态，结果显示，结合MRI、临床资料及DL构建的临床-MRI影像组学DL模型的诊断效能（AUC=0.79）优于临床模型（AUC=0.62）、传统影像组学模型（AUC=0.73）^[20]，表明多维度数据融合可提升诊断效能。

       以上研究表明，影像组学特征可预测POLE突变型EC，其可能原因是POLE突变导致肿瘤突变负荷升高，会引发肿瘤细胞增殖、凋亡及间质反应的异常，POLE突变型EC具有致密淋巴细胞浸润^[4]，且POLE突变型EC较MSI型及p53abn型侵袭性较低，不同的分子分型在MR影像上可能呈现不一样的特征：T2WI序列可反映肿瘤组织信号不均匀性，DWI序列的信号强度则与肿瘤细胞密度、水分子扩散受限程度相关，POLE突变型EC肿瘤细胞增殖活跃但侵袭性低，其水分子扩散受限程度与非POLE突变型存在差异；而CE-T1WI序列可反映肿瘤血供特点，POLE型EC恶性程度较低，其新生血管及强化方式与非POLE型突变型（MSI型及p53abn型等）可能存在区别，所以不同分子分型的EC患者影像组学特征可能存在差异。此外，不同分子分型的肿瘤侵袭性不同，其肿瘤微环境也不同，故而展现出瘤周间质反应的差异，继而导致瘤周影像组学特征的不同。

2.2 MSI型EC

       MSI型EC患者更容易发生肌层浸润及淋巴脉管间隙浸润（lymphovascular space invasion, LVSI）^[21]，预后相对较差^[22]，且此种类型与林奇综合征密切相关^[23]；但晚期MSI型EC患者对免疫治疗敏感^[24]，所以术前准确评估对EC患者的治疗及全身随访至关重要。

2.2.1 传统影像组学模型及多模态影像组学模型

       赵婧等^[25]分析了EC患者的DWI图像并测量其表观扩散系数（apparent diffusion coefficient, ADC），发现ADC值对MSI不稳定性的诊断效能的AUC为0.771，DWI影像组学预测模型的AUC为0.927，较ADC值显著增加，所以，基于DWI影像组学特征构建的预测模型较ADC值能更好地对EC患者的MSI状态进行术前评估，有望为临床诊疗提供一种新的选择，但该研究仅纳入单个序列特征，单序列MRI只能反映肿瘤的形态、成分、水分子扩散等单一信息，误差相对较大。而有研究回顾性分析了171例EC患者的术前多参数MRI（multi-parameter MRI, mp-MRI）图像并构建影像组学模型来评估MSI状态，分别构建了T2WI模型、DWI模型、CE-T1WI模型及多序列联合模型，结果显示，在测试集中T2WI模型、DWI模型、CE-T1WI模型和联合模型的AUC值分别为0.869、0.768、0.912、0.927；在验证集中T2WI模型、DWI模型、CE-T1WI模型和联合模型的AUC值分别为0.736、0.714、0.856、0.907，故影像组学模型可以在术前较好地预测EC的MSI状态，且与单一序列模型相比，联合模型展现出更高的评估效能^[26]，联合模型体现了肿瘤在T2WI的表现形态、水分子的扩散及强化方式、血运等特点，能够更全面地体现肿瘤内部的病理学变化，进而更准确地预测其MSI状态。

2.2.2 DL及融合模型

       有学者纳入116例EC患者，基于DWI序列分别提取人工影像组学特征与卷积神经网络DL特征，依次构建DL模型、传统影像组学模型、临床模型、ADC定量模型及多源联合预测模型，证实多模态联合模型的MSI预测效能显著优于单一临床、DL、影像组学及ADC参数模型^[27]。另有研究纳入156例病例，融合人工组学特征与深度特征搭建混合组学模型，同步建立3组单源传统影像组学模型作对照；结果显示融合模型鉴别MSI的AUC可达0.945，明显优于三组传统组学模型（AUC分别为0.753、0.665、0.857）^[28]。ZHOU等^[29]整合mp-MRI影像组学与病理来源深度特征，构建病理-影像融合模型，该模型在训练集、验证集的MSI预测AUC分别高达0.960、0.917，为EC术前精准分子评估开辟了病理与影像跨维度融合的新思路。汇总现有研究发现，DL在EC术前MSI预判中具备独特优势：不同于传统影像组学依赖人工病灶勾画、易受分割偏差干扰造成特征信息失真，DL可脱离人工先验干预，直接从原始影像中自主挖掘肉眼无法辨识的隐匿特征，囊括病灶边缘形态、瘤周浸润范围、微观信号异质性等难以人工量化的生物学表征，尤其针对形态不规则、边界模糊的肿瘤病灶，能够自适应耦合病灶局部细节与整体空间关联。在此基础上，联合影像高维定量指标与临床基线信息的多源融合策略，可全方位锚定肿瘤影像学表型与内在生物学特征，进一步提高模型诊断精度与外部泛化性能。此外，还有研究创新性融合体素级影像组学、多序列MRI（T2WI、DWI、CE-T1WI）与Vision-Mamba DL架构搭建双通道预测模型，依托含375例样本的双中心队列完成验证，其MSI鉴别效果全面超越常规影像组学模型^[30]，该融合范式打破了固定病灶容积提取特征的固有局限，从微观体素尺度与新型DL算法两个层面拓展了EC人工智能分子分型的技术边界，也为后续多尺度、多维度AI预测模型的迭代优化提供了崭新的技术参考。

2.3 p53abn型EC

       p53abn型则是抑癌基因TP53突变或功能异常所致，突变后蛋白丧失抑癌功能并可促进肿瘤侵袭与免疫逃逸^{[31, 32, 33]}，在EC的4种分子亚型中，p53abn型预后最差^{[34, 35]}。尽管p53abn型仅占所有EC病例的15%左右，但其在EC死亡病例中的占比高达50%~70%^[36]，是侵袭性最强的亚型，在高级别及进展期EC患者中占比最高^[37]。因此，术前识别p53abn型有助于尽早启动强化治疗与严密随访，改善患者预后^[38]。

2.3.1 传统影像组学模型及多模态影像组学模型

       崔婷婷等^[39]将108例EC患者作为研究对象，按照分子分型分为p53abn组和其他亚型组，建立早期动态增强MRI影像组学模型并随机分为训练集和测试集，运用模型评估108名患者的p53突变状态，结果显示，训练集和测试集对应的AUC值为0.902和0.911，所以该模型预测p53abn型EC具有一定的诊断效能，可为指导个体化治疗提供支持，但该研究仅用于增强MR图像提取特征，仅能反映血供与血管通透性，存在特征维度单一的问题，无法全面刻画病灶病理生理特性。而NING等^[40]回顾性地分析了227名EC患者的临床及影像资料，构建了单一影像组学模型、多参数影像组学模型及临床模型，结果显示，对比增强T1WI是区分p53abn与非p53abn组的最佳MRI序列（AUC=0.800）；基于影像组学的诊断模型（AUC=0.834）在评估p53突变状态方面优于基于临床的诊断模型（AUC=0.682）；且mp-MRI图像模型在p53突变状态的评估中具有更高的准确率（AUC=0.845）。另有研究将145名EC患者作为研究对象，提取瘤内及瘤周影像组学特征，结果显示，影像组学模型中瘤内加瘤周的模型在预测p53突变状态中表现最佳，在训练集和测试集的AUC值分别为0.921、0.773，可能由于p53abn的侵袭性较强，进而影响了肿瘤的微环境，导致肿瘤周围免疫微环境存在明显异质性，从而影响肿瘤瘤周影像特征^[41]。

2.3.2 生境影像组学模型

       恶性肿瘤内部及周围环境常具有异常的细胞增殖、分化和异形血管及淋巴管，导致具有不同程度的灌注、氧合及肿瘤免疫，并导致不同的微环境^[42]。生境成像又称栖息地成像，其通过将肿瘤及其周围区域准确分割来代表肿瘤不同特征的亚区域，可以反映肿瘤内部及肿瘤周围的微环境，为非侵入性识别肿瘤异质性提供了潜力^{[43, 44, 45]}。生境成像可对肿瘤定位定性、肿瘤分型分期、分子病理特征、预后及治疗反应的评估进行精准的判断^{[46, 47, 48]}，有望成为肿瘤精准诊疗中的重要工具，进而帮助临床为患者提供更个体化的治疗方案。生境影像组学在预测EC分子亚型中也有应用。有学者回顾性分析了340例EC患者的临床及影像资料，肿瘤进行生境亚区域分区依据对比增强图像及DWI图像，并在T1WI、T2WI、DWI和CE图像的不同亚区域提取生境影像组学特征后选取最佳模型。应用LR、SVM和RF 3种方法建立预测p53突变状态的模型并进行验证，用同样的方法建立全区域影像组学模型及临床模型，结果显示，生境影像组学具有较好的诊断效能（训练集AUC为0.855，测试集AUC为0.769），且优于全区域影像组学模型（训练集AUC为0.707，测试集AUC为0.703）及临床模型（训练集AUC为0.709，测试集AUC为0.641）^[49]。以上研究表明，生境影像组学聚焦肿瘤内不同生物学特征的亚区域，既能捕捉到与侵袭性相关的高危信号，又能凭借精细化特征实现预后风险的精准分层，可较精准地预测EC患者p53突变。

2.3.3 DL及融合模型

       SHEN等^[50]纳入155例EC患者作为研究对象，分析影像组学特征、基于卷积神经网络的DL特征和临床变量这三种模型以及其联合模型对p53异常型的评估价值，结果显示，与DL（AUC训练=0.830，AUC测试=0.779，AUC外部验证=0.711）、传统影像组学（AUC训练=0.810，AUC测试=0.710，AUC外部验证=0.839）和临床（AUC训练=0.780，AUC测试=0.685，AUC外部验证=0.695）模型相比，联合模型表现出最高的诊断效能（AUC训练=0.949，AUC测试=0.877，AUC外部验证=0.914），该研究说明，DL模型对p53突变状态预测具有较高的价值，但DL模型对EC患者p53突变状态的研究较少，其诊断效能还需大量的研究去证实。

2.4 NSMP型EC

       NSMP型是一种EC患者最常见的分子亚型，其特征为微卫星稳定和中间预后，同时也是保留生育功能治疗最常见的类型^[51]，术前准确评估对年轻女性的手术方式具有重要意义。

2.4.1 传统影像组学模型及多模态影像组学模型

       ZHOU等^[19]的研究表明，基于瘤内特征构建的MRI影像组学模型对NSMP型EC具有良好的预测效能，其AUC值达0.893；在此基础上进一步融合瘤周特征后，模型AUC值可提升至0.943，这一结果提示，瘤内及瘤周的融合模型可提高NSMP型EC的预测效能。

2.4.2 DL及融合模型

       有研究者通过整合MRI影像组学、DL技术及临床数据，构建了针对NSMP型EC的融合模型，研究结果显示，该模型在内部验证集与外部验证集的AUC值分别为0.81、0.73，其诊断效能显著优于单一影像组学模型及影像组学-DL联合模型^[20]。这一结果表明，将影像组学的高维定量特征、DL的自动表征学习优势与临床信息所蕴含的生物学价值相结合，可有效提升模型的泛化能力与临床适用性，为NSMP型EC的精准鉴别提供更为可靠的技术方案。但值得注意的是，相较于EC其他分子亚型，目前针对NSMP亚型的相关研究仍较为匮乏，现有研究所得结论尚需更多的多中心、大样本研究进一步验证与完善。

点击查看表格

表1  EC四种分子亚型预测研究的横向对比
Tab. 1  Horizontal comparison of predictive studies on four molecular subtypes of EC

3 小结与展望

       综上所述，EC分子分型术前的精准评估对患者个体化治疗方案选择至关重要。影像组学与DL作为新兴技术，在EC分子病理学分型评估中潜力巨大：影像组学通过传统算法提取定量特征辅助临床决策，DL则可自动提取特征，减少人工干预，提升诊断客观性；结合影像组学、临床及病理学数据的多模态融合模型，预测效能更优。但目前仍存在明显不足：一是临床转化困难，现有模型多停留在科研层面，缺乏统一标准，可重复性差、实用性不足，临床转化方面依然存在一定的困难，且多为单中心回顾性研究，泛化能力有限；二是多组学可解释性不足，形成“黑箱模型”，特征拼接易产生虚假关联，高维特征缺乏生物学释义，难以被临床采信；三是影像采集及分割方法存在差异，手动分割精度高、贴合临床实际，但耗时费力、主观性强，难以满足大规模研究需求；半自动分割结合人工校正，兼顾精度与效率，可减少主观误差，适用于中等规模样本研究；全自动分割效率高、可重复性强，适配大规模多中心研究，但对边界模糊、形态不规则的病灶分割精度不足，易出现漏分割、误分割。基于此，需构建“全自动分割+人工复核”流程，提升分割精度与效率。基于此，未来需针对性改进：推进影像采集与分割标准化，深化多组学可解释性，引入可解释人工智能（explainable artificial intelligence, XAI）技术破解“黑箱”难题；开展多中心前瞻性研究，提升模型临床实用性；融合ViT（Vision Transformer）及基础模型等AI新技术，构建融合模型，推动EC分子亚型评估向精准化、智能化发展，助力影像组学技术临床转化。