超声影像组学在子宫内膜癌诊断与预后预测中的研究进展

超声影像组学在子宫内膜癌诊断与预后预测中的研究进展子宫内膜癌（endometrialcarcinoma，EC）是女性生殖系统最常见的恶性肿瘤之一。随着肥胖症的日益流行和生育率的持续下降，该疾病的负担呈显著加重趋势［1］。以美国为例，2024年发布的癌症统计数据显示，EC的新发病例数已位居女性生殖道恶性肿瘤首位，其死亡率亦进入女性恶性肿瘤前十位，成为严重威胁女性健康的重要疾病。尽管多数EC患者在早期诊断时预后较好，但约10%的患者在确诊时病灶已发生转移，其预后极差，中位生存期通常不超过15个月［2］。目前，EC的发病机制尚未完全阐明，因此，早期发现、精准诊断及个体化预后评估对改善患者预后、降低死亡率至关重要［3-4］。超声凭借无创、实时动态、操作简便等优势，已成为国内外评估子宫内膜病变的一线检查手段［5-7］。然而，超声检查对操作者经验依赖性较强，存在主观性强、一致性偏弱等问题。肿瘤本身的异质性给基于形态学和血流特性研究的超声检查带来了极大挑战，尤其在高风险患者识别与预后评估方面［8］。影像组学是一种基于医学图像的定量分析方法，其核心在于突破传统医学影像仅用于视觉解释的局限，从中提取大量定量特征（如形态、纹理、强度及空间分布等），用于描述病变的异质性［9-12］。这些特征可与患者的临床信息、病理数据等结合，借助机器学习算法进行深度挖掘，从而构建诊断、预后预测模型，为疾病的精准评估提供科学依据［9，13］。超声影像组学作为其重要分支，不仅可获取肉眼难以识别的图像信息，还能系统评估肿瘤的异质性、边缘特征及周围组织反应，因此，在EC的早期鉴别、分子分型、预后及生存预测等方面展现出巨大潜力［14-16］。鉴于此，本文将全面综述超声影像组学在EC诊断与预后预测中的应用进展。一、超声影像组学在EC诊断与预后预测中的应用（一）基于超声影像组学的EC鉴别诊断术前准确区分EC与良性病变（如子宫内膜息肉、息肉样病变、子宫内膜增生性病变等），是避免不必要手术或指导适当手术范围的关键［17-18］。传统经阴道超声（transvaginalultrasound，TVUS）评估存在主观性强、异质性明显等局限［19］。多项研究证实，超声影像组学模型在此任务上优于传统超声评估，并能与临床指标形成有效互补。王玉等［20］基于225例早期EC与子宫内膜息肉患者的术前TVUS图像，构建了联合临床指标（高血压、血糖等）、超声诊断结果与影像组学评分的综合模型。该综合模型在验证集的曲线下面积（areaunderthecurve，AUC）达0.905，相比单纯超声诊断模型（AUC=0.677），诊断能力改善了31.28%，表明综合模型可显著提升早期EC与子宫内膜息肉的鉴别准确性。李晴等［21］针对子宫内膜息肉样病变的良恶性鉴别，构建了基于决策树的影像组学模型，该模型在验证集的AUC为0.84，敏感度为74%，特异度为92%，为临床提供了有效的补充诊断手段。上述研究提示，超声影像组学联合临床参数可有效减少因主观判断导致的误诊，尤其适用于需明确鉴别以决定是否进行侵入性检查的患者。高翔［22］聚焦EC与子宫内膜增生性病变的鉴别，采用ImageJ软件提取二维图像和造影图像的灰度特征。单因素分析结果显示，EC组平均二维中心距及平均造影中心距均高于子宫内膜增生组（P＜0.05）。该研究参考了多种超声模态，但结果提示，在EC与子宫内膜增生性病变的鉴别中，超声造影参数与剪切波弹性成像联合可能获益更多。目前，仍需多中心、大样本研究来证实基于超声影像组学方法在鉴别EC与子宫内膜增生性病变中的有效性。（二）基于超声影像组学的EC侵袭性特征评估1.肌层浸润深度预测：肌层浸润深度是EC国际妇产科联盟（InternationalFederationofGynecologyandObstetrics，FIGO）分期的重要指标［23］。深部肌层浸润与淋巴结转移密切相关，是EC最重要的预后危险因素之一，术前精准评估肌层浸润深度对制定合理的手术治疗策略具有关键指导意义。TVUS和磁共振成像（magneticresonanceimaging，MRI）是目前术前评估EC患者子宫肌层浸润深度的常用技术［24］。然而，超声检查高度依赖操作者经验，存在明显主观差异性［25-26］。文献报道，超声评估肌层浸润的敏感度为56%~100%，特异度为64%~90%［27］。Liu等［28］基于多中心1289幅TVUS图像，构建EfficientNet-B6深度学习模型，用于肌层浸润程度判断。该模型外部测试集AUC达0.814，准确性为80.2%，显著优于15名放射科医师的平均诊断水平（AUC=0.678）；尤其值得注意的是，其特异度高达87.9%，可精准识别浅肌层浸润患者，有望避免过度淋巴结清扫。Arezzo等［29］构建的影像组学预测模型，不仅可判别有无肌层浸润，还能实现浸润深度分级（无浸润、＜50%、≥50%）以辅助临床决策，可使诊断准确率提升约10%，尤其优化了对深度浸润病例的识别，为精准手术规划提供了依据。上述研究为肌层浸润评估的标准化、客观化奠定了基础。2.淋巴结转移风险预测：淋巴结转移是EC患者重要的预后影响因素，术前预测淋巴结转移风险可为手术方案的制定提供依据。目前，基于超声影像组学评估EC淋巴结转移的研究较少，相关研究多集中于MRI领域。秦丽莎［30］的研究建立了影像组学模型和综合模型（联合CA125、CA153），其中，综合模型在验证组的AUC为0.85，优于单纯影像组学模型（AUC=0.78），决策曲线分析证实了其临床实用性。该研究表明，基于超声图像的影像组学模型有助于术前淋巴结转移情况的预测，可协助临床诊疗决策，减少不必要的侵入性操作；同时提示，CA125、CA153升高可能是EC淋巴结转移的危险因素。另一项多中心研究基于极端梯度提升（eXtremegradientboosting，XGBoost）算法构建的影像组学模型，预测淋巴结转移的测试集AUC达0.865，联合临床特征的诺模图模型AUC进一步提升至0.884［31］。上述研究结果表明，从超声图像中提取的影像组学特征可有效提供术前盆腔淋巴结状态的评估信息。3.脉管间隙浸润预测：脉管间隙浸润是EC的独立不良预后因素。子宫内膜样腺癌是EC的主要亚型，其预后受肌层浸润深度、组织学分级、FIGO分期、脉管间隙浸润和淋巴结状态等多因素影响［32］。叶学伟［33］联合术前组织学分级与影像组学评分构建综合模型，预测子宫内膜样腺癌患者脉管间隙浸润的训练集AUC为0.835，验证集AUC为0.752，效能显著优于单纯临床模型（训练集AUC=0.710，验证集AUC=0.657）。该研究证实，基于TVUS的影像组学预测模型有望用于术前无创预测EC患者的脉管间隙浸润状态。（三）基于超声影像组学的EC生物学特征评估1.组织学类型与分级预测：依据欧洲肿瘤内科学会-欧洲妇科肿瘤学会-欧洲放射学与肿瘤学会共识，区分高危型与非高危型EC对于辅助治疗方案制定至关重要。Moro等［34］研究发现，单纯超声影像组学模型在区分高危型EC时具有一定效能（AUC=0.80），而临床-超声特征联合模型效能更优（AUC=0.90）。彭小莉等［35］研究同样证实，临床-影像组学联合模型在鉴别早、中晚期EC时效能最佳。上述研究提示，现阶段临床与超声特征融合模型是可靠的临床应用选择。2.分子分型相关预测：微卫星高度不稳定（microsatelliteinstability-high，MSI-H）状态与EC患者治疗方案的选择和预后密切相关，术前精准预测MSI-H状态具有重要临床意义。欧洲肿瘤内科学会-欧洲妇科肿瘤学会-欧洲放射学与肿瘤学会共识推荐所有EC患者行MSI检测，用于术前风险分层、治疗决策及预后评估［36］。2023年FIGO分期亦将分子分型纳入分期系统，推荐进行MSI分型检测［32］。宋静等［37］纳入217例EC患者，采用4种机器学习方法构建影像组学模型，其中支持向量机（supportvectormachine，SVM）模型的诊断效能最优，验证集AUC为0.848；进一步联合绝经状态、分化程度和血流分级3个独立危险因素构建列线图，验证集AUC提升至0.906，校准曲线和决策曲线分析显示模型一致性良好、净收益较高，为MSI-H状态术前无创预测提供了有效工具。张岱等［38］研究进一步印证并拓展了该领域研究方向，通过比较不同感兴趣区域发现，整合瘤内及瘤周2mm区域的影像组学特征所构建的模型效能最佳（AUC=0.80）；同时，明确患者年龄、子宫内膜厚度、既往恶性肿瘤病史为MSI状态相关临床因素，将优选出的影像组学特征与上述临床因素结合所构建的联合预测模型，AUC高达0.97，预测效能卓越。（四）基于超声影像组学的EC预后预测准确评估EC患者预后对个体化治疗方案制定至关重要。目前，基于超声影像组学的预后预测模型相对较少，但已显示出良好的应用前景。Huang等［39］纳入175例EC患者，通过LASSO（leastabsoluteshrinkageandselectionoperator）回归从1130个特征中筛选出9个关键影像组学特征，计算影像组学评分（radiomicsscore，RAD-Score），并根据RAD-Score将患者分为高风险组和低风险组，结果显示，高RAD-Score患者的无病生存期更短（P＜0.0001）；进一步结合独立临床参数（FIGO分期、分化类型、CA125水平）构建的组合诺模图，在训练队列和验证队列中预测3年无病生存期的AUC分别为0.893和0.885，优于单纯临床模型（AUC分别为0.821和0.809）；该研究表明，影像组学特征携带了独立于传统临床指标的预后信息，联合模型有助于实现更精准的预后分层。目前，超声影像组学在预后预测领域的研究尚处于起步阶段，现有文献多集中于无病生存期的预测，对于总生存期、无进展生存期等重点预后指标的研究仍较匮乏。此外，多数研究为单中心回顾性设计，缺乏外部验证，模型泛化能力有待进一步验证。未来还需开展更多大样本、多中心、前瞻性研究，纳入更全面的临床病理参数和随访数据，以推动超声影像组学在预后预测中的临床转化。二、超声影像组学预测模型的效能评价现状影像组学的特征提取和模型构建高度依托人工智能技术，为疾病的临床诊断、风险预测和预后评估提供了高效、可靠的技术支撑工具［40-41］。当前，应用于超声诊断领域的人工智能技术主要包括传统机器学习和深度学习两大类，可有效提升超声图像解读的精准度和工作效率，为超声精准诊断开辟了全新技术路径。其中，传统机器学习凭借良好的可解释性和运算效率，在医学影像分析中具备独特应用优势，得到广泛认可与应用［42］。在EC相关研究中，机器学习技术为疾病的非侵入性诊断和预后预测提供了重要支撑，临床应用价值显著。目前该领域常用的机器学习算法主要包括逻辑回归（Logisticregression，LR）、SVM、随机森林（randomforest，RF）、XGBoost等［43］。现有多项研究证实，机器学习模型在子宫内膜良恶性病变鉴别、淋巴结转移预测等临床任务中，均表现出优异的诊断效能。Li等［44］结合超声组学与临床特征构建模型鉴别子宫内膜良恶性病变，结果显示，RF模型表现最佳，AUC达95%，诊断准确性为89%。Liu等［28］针对EC淋巴结转移预测开展研究，XGBoost模型构建的预测系统在测试集的AUC为0.865，显示出良好的鉴别与风险预测能力。Capasso等［45］研发的全自动子宫内膜分割模型，与临床医师人工分割结果的一致性较高（Dice系数达0.79），依托该模型提取的影像组学特征构建分类器，其在鉴别子宫内膜良性病变、不典型增生与癌变病灶时，AUC可达0.88~0.90，诊断性能稳定可靠。除传统机器学习外，深度学习技术在子宫内膜超声图像智能分析中也展现出突出的应用优势。Li等［46］构建了融合影像组学特征、深度学习特征与机器学习算法的混合诊断模型，该模型在内部测试集和外部测试集中AUC分别为0.893和0.871，可有效提升疾病诊断的特异性，降低临床诊断假阳性率。Liu等［28］基于EfficientNet-B6深度学习模型开展EC肌层侵犯程度评估研究，模型诊断AUC达0.814，显著高于15名放射科医师人工诊断的平均AUC（0.678），这充分证实人工智能技术能够有效提升子宫内膜疾病诊断的一致性，减少人工诊断的主观差异与误差，具备极大的临床应用潜力。综上，传统机器学习和深度学习技术的应用，显著提高了子宫内膜疾病的智能预测与诊断准确性，为临床诊疗决策提供了客观、量化的参考依据。目前，两类人工智能方法在子宫内膜疾病诊断领域的应用研究均呈现出显著增长趋势［42］。尽管人工智能辅助EC诊断已取得阶段性进展，但现有模型仍存在精准度不足、特征关联性有限、可解释性较差等问题，后续研究仍需进一步完善优化，推动人工智能模型更好地落地临床应用。三、研究优势与局限性超声影像组学将传统超声的定性评估转变为定量分析，能够挖掘人眼无法识别的图像特征，显著提升了疾病诊断的客观性和精准性［47］。结合机器学习算法和临床参数构建的综合模型，在病变鉴别、风险预测及预后评估等方面均表现出优于传统超声的效能。作为一种无创检查技术，超声影像组学可重复进行，避免了侵入性检查带来的风险，尤其适用于人群筛查和术前评估［43］。然而，当前研究仍存在诸多局限性。首先，图像采集参数、感兴趣区域勾画方法、特征提取流程缺乏标准化。不同研究采用的超声设备、图像参数、特征提取软件及算法存在差异，导致研究结果难以横向比较，影响模型的稳定性和泛化能力。其次，大多数研究为回顾性设计，亟需大规模、前瞻性、多中心临床试验验证模型的临床实用性和成本效益。此外，如Moro等［34］研究所提示，当临床和超声指标已非常有效时，加入影像组学带来的诊断效能提升可能有限。未来需明确影像组学在哪些具体临床问题中能够提供最大的增量价值。四、结论与展望超声影像组学在EC的诊断与预后预测中展现出巨大潜力。在子宫内膜病变良恶性鉴别、肌层浸润深度、淋巴结转移、脉管间隙浸润等侵袭性特征预测，以及组织学分级、分子分型等生物学特征评估方面，超声影像组学均能提供客观、定量的分析手段，综合模型的诊断效能普遍优于单一指标模型。在预后预测领域，初步研究显示，影像组学评分与患者无病生存期显著相关，联合临床参数构建的诺模图具有良好的预测效能，但相关研究仍较匮乏。未来研究应着重于以下几个方面：（1）推动多中心、大样本、前瞻性研究，纳入不同地区、不同设备采集的数据，提高模型的外部验证能力和泛化性；（2）开发自动化感兴趣区域勾画工具，减少人为操作差异，提高特征提取的一致性和效率；（3）结合多模态影像数据（如超声、MRI、CT）、临床数据及多组学信息（如基因组学、蛋白质组学），构建更全面的综合预测模型；（4）加强预后预测研究，关注总生存期、无进展生存期等终点指标，并探索治疗前后或随访中的组学特征动态变化；（5）开展临床转化研究，明确影像组学的增量价值与目标获益人群，真正实现从科研到临床的转化，为EC的精准医疗提供有力支撑。参考文献1Kokts‐PorietisRL,ElmrayedS,BrennerDR,etal.Obesityandmortalityamongendometrialcancersurvivors:asystematicreviewandmeta‐analysis[J].ObesRev,2021,22(12):e13337.2SiegelRL,GiaquintoAN,JemalA.Cancerstatistics,2024[J].CACancerJClin,2024,74(1):12-49.3DeVitisLA,FumagalliD,SchivardiG,etal.Incidenceofsentinellymphnodemetastasesinapparentearly-stageendometrialcancer:amulticenterobservationalstudy[J].IntJGynecolCancer,2024,34(5):689-696.4KarkiaR,NyakunengwaTR,UwinsC,etal.Endometrialcancer:analysingpatternsofrecurrenceandreal-lifeoutcomedatausingthe2020ESGO-ESTRO-ESPriskstratificationsystem[J].ClinOncol,2024,36(11):719-727.5俞梅,向阳,马晓欣,等.子宫内膜癌筛查规范建议[J].中华妇产科杂志,2020,55(5):307-311.6中华人民共和国国家卫生健康委员会.子宫内膜癌诊治规范(2018年版)[J].肿瘤综合治疗电子杂志,2020,6(4):25-35.7ACOGCommitteeopinionNo.734summary:Theroleoftransvaginalultrasonographyinevaluatingtheendometriumofwomenwithpostmenopausalbleeding[J].ObstetGynecol,2018,131(5):945946．8NijjarS,KastoraS,BajramiA,etal.Endometrialassessmentinabnormaluterinebleeding:transvaginalultrasoundalonemaynotbegoodenough[J].UltrasoundObstetGynecol,2026,67(1):79-88.9GilliesRJ,KinahanPE,HricakH.Radiomics:imagesaremorethanpictures,theyaredata[J].Radiology,2016,278(2):563-577.10LambinP,LeijenaarRTH,DeistTM,etal.Radiomics:thebridgebetweenmedicalimagingandpersonalizedmedicine[J].NatRevClinOncol,2017,14(12):749-762.11ZwanenburgA,VallièresM,AbdalahMA,etal.Theimagebiomarkerstandardizationinitiative:standardizedquantitativeradiomicsforhigh-throughputimage-basedphenotyping[J].Radiology,2020,295(2):328-338.12SalaE,MemaE,HimotoY,etal.Unravellingtumourheterogeneityusingnext-generationimaging:radiomics,radiogenomics,andhabitatimaging[J].ClinRadiol,2017,72(1):3-10.13MoskowitzCS,WelchML,JacobsMA,etal.Radiomicanalysis:studydesign,statisticalanalysis,andotherbiasmitigationstrategies[J].Radiology,2022,304(2):265-273.14ParkJE,KimD,KimHS,etal.Qualityofscienceandreportingofradiomicsinoncologicstudies:roomforimprovementaccordingtoradiomicsqualityscoreandTRIPODstatement[J].EurRadiol,2020,30(1):523-536.15GuiotJ,VaidyanathanA,DeprezL,etal.Areviewinradiomics:makingpersonalizedmedicinearealityviaroutineimaging[J].MedResRev,2022,42(1):426-440.16朱炜宇,张青陵,张绪霞,等.基于超声的影像组学在常见肿瘤应用中的研究进展[J].中国医疗设备,2022,37(2):164-167,178.17张潇斐,范存雷,任国政,等.多模态MRI扫描对子宫内膜癌术前分期的预测价值[J].临床医学工程,2026,33(2):237-240.18吕品,徐小虎,邰兆琴.MSCT增强扫描联合MRI在子宫内膜癌术前诊断中的应用[J].中国CT和MRI杂志,2025,23(12):142-145.19刘明明,梁宇霆.子宫内膜癌的MRI应用现状及研究近况[J].国际医学放射学杂志,2015,38(3):233-236.20王玉,曾乔,杨智利,等.超声影像组学联合临床指标构建综合模型鉴别早期子宫内膜癌与子宫内膜息肉的价值[J].实用临床医学,2025,26(2):80-88,108.21李晴,吴林永,金彬彬,等.探讨影像组学应用于子宫内膜息肉样病变的价值[J].中国临床医学影像杂志,2022,33(1):39-42.22高翔.多模态超声在早期子宫内膜癌与子宫内膜增生中的鉴别价值研究[D].呼和浩特:内蒙古医科大学,2024.23BerekJS,Matias‐GuiuX,CreutzbergC,etal.FIGOstagingofendometrialcancer:2023[J].IntJGynecolObstet,2023,162(2):383-394.24WangY,BiQ,DengY,etal.DevelopmentandvalidationofanMRI-basedradiomicsnomogramforassessingdeepmyometrialinvasioninearlystageendometrialadenocarcinoma[J].AcadRadiol,2023,30(4):668-679.25AlcázarJL,OrozcoR,Martinez‐AstorquizaCorralT,etal.Transvaginalultrasoundforpreoperativeassessmentofmyometrialinvasioninpatientswithendometrialcancer:asystematicreviewandmeta‐analysis[J].UltrasoundObstetGynecol,2015,46(4):405-413.26JónsdóttirB,MarcickiewiczJ,BorgfeldtC,etal.Preoperativeandintraoperativeassessmentofmyometrialinvasioninendometrialcancer—ASwedishGynecologicCancerGroup(SweGCG)study[J].ActaObstetGynecolScand,2021,100(8):1526-1533.27CianciaM,MoroF,BertoniM,etal.Roleofartificialintelligenceappliedtoultrasoundinendometrialcancer:asystematicreview[J].IntJGynecolCancer,2025,35(11):102653.28LiuX,QinX,LuoQ,etal.Atransvaginalultrasound-baseddeeplearningmodelforthenoninvasivediagnosisofmyometrialinvasioninpatientswithendometrialcancer:comparisonwithradiologists[J].AcadRadiol,2024,31(7):2818-2826.29ArezzoF,FanizziA,MancariR,etal.ARadiomic-basedmodeltopredictthedepthofmyometrialinvasioninendometrialcanceronultrasoundimages[J].SciRep,2025,15(1):15901.30秦丽莎.基于超声的影像组学结合临床参数术前预测子宫内膜癌淋巴结转移的价值[D].南宁:广西医科大学,2022.31LiuX,XiaoW,QiaoJ,etal.Predictionoflymphnodemetastasisinendometrialcancerbasedoncolordopplerultrasoundradiomics[J].AcadRadiol,2024,31(11):4499-4508.32BerekJS,Matias-GuiuX,CreutzbergC,etal.FIGOstagingofendometrialcancer:2023[J].JGynecolOncol,2023,34(5):e85.33叶学伟.超声影像组学联合临床参数术前预测子宫内膜样腺癌淋巴血管间隙浸润[D].十堰:湖北医药学院,2024.34MoroF,AlbaneseM,BoldriniL,etal.Developingandvalidatingultrasound‐basedradiomicsmodelsforpredictinghigh‐riskendometrialcancer[J].UltrasoundObstetGynecol,2022,60(2):256-268.35彭小莉,王雪莹,赵露,等.基于超声影像组学鉴别早期与中晚期子宫内膜癌[J].中国医学影像技术,2024,40(11):1739-1744.36ConcinN,Matias-GuiuX,VergoteI,etal.ESGO/ESTRO/ESPguidelinesforthemanagementofpatientswithendometrialcarcinoma[J].IntJGynecolCancer,2021,31(1):12-39.37宋静,张晓兰,金艳霞,等.基于超声影像组学列线图预测子宫内膜癌微卫星高度不稳定状态的价值[J].放射学实践,2025,40(8):1055-1060.38张岱,杨凡,穆佳丽,等.超声影像组学联合临床特征预测子宫内膜癌微卫星不稳定性的初步研究[J].中国肿瘤临床,2025,52(20):1042-1052.39HuangX,DingJ,ZhengR,etal.Anultrasound-basedradiomicsmodelforsurvivalpredictioninpatientswithendometrialcancer[J].