基于深度学习的宫颈癌新辅助化疗疗效的MRI影像组学预测与化疗方案选择决策支持研究综述

基于深度学习的宫颈癌新辅助化疗疗效的MRI影像组学预测与化疗方案选择决策支持研究综述宫颈癌是全球女性第四大常见恶性肿瘤，2025年全球新发病例约69万，死亡病例超35万，其中局部晚期宫颈癌（ⅠB2-ⅣA期）占比超过60%。新辅助化疗（NeoadjuvantChemotherapy,NACT）作为局部晚期宫颈癌的重要术前治疗手段，可通过缩小肿瘤体积、降低临床分期、消灭微转移灶提升根治性手术切除率，已有研究显示其可将患者5年总生存率提升12%-18%。但临床实践中约20%-35%的患者对NACT不敏感，这部分患者不仅会错过最佳手术时机，还可能承受化疗不良反应带来的身体损伤与经济负担。因此，治疗前精准预测NACT疗效、为患者个体化选择化疗方案，是当前宫颈癌临床诊疗亟待解决的核心问题。MRI影像组学通过从多序列磁共振图像中高通量提取定量影像特征，可无创捕获肿瘤内部异质性、微环境及生物学行为信息，为NACT疗效预测提供了全新路径。而深度学习技术的融入，进一步突破了传统影像组学依赖手工特征设计的瓶颈，在特征自动提取、多模态信息融合、端到端预测模型构建等方面展现出显著优势，为实现宫颈癌NACT疗效的精准预测与化疗方案的个体化决策支持提供了技术可能。一、宫颈癌NACT疗效预测的MRI影像组学基础框架传统宫颈癌MRI影像组学研究遵循“图像采集-感兴趣区（ROI）分割-特征提取与筛选-模型构建与验证”的标准流程。在图像采集层面，目前临床常用的MRI序列包括T2加权成像（T2WI）、弥散加权成像（DWI）、动态对比增强MRI（DCE-MRI）三大类。T2WI可清晰显示肿瘤的形态学特征与解剖边界，相关研究表明肿瘤的体积、最大径、信号均匀度等形态特征与NACT敏感性显著相关，其中治疗前肿瘤体积>4cm的患者NACT不敏感风险是体积<4cm患者的2.7倍。DWI通过检测水分子弥散运动受限程度反映肿瘤细胞密度，表观弥散系数（ADC）是其核心量化指标，多项Meta分析显示治疗前平均ADC值<1.02×10⁻³mm²/s的患者NACT应答率可达到78.3%，显著高于高ADC值患者的41.2%。DCE-MRI则可通过对比剂的动态摄取过程反映肿瘤微血管通透性与灌注状态，容量转移常数（Ktrans）、血管外细胞外间隙容积分数（Ve）等参数与肿瘤增殖活性、血管生成水平高度相关，治疗前Ktrans值>0.35min⁻¹通常提示肿瘤对化疗药物的递送效率更高，NACT应答可能性更大。ROI分割是影像组学研究的关键步骤，目前临床主流的分割方式包括手动分割、半自动分割与全自动分割三类。手动分割由经验丰富的放射科医师逐层勾画肿瘤边界，被认为是分割金标准，但存在耗时长、观察者间一致性差异大等问题，研究显示不同医师对同一肿瘤的手动分割Dice相似系数（DSC）波动在0.72-0.91之间，易对后续特征提取的稳定性造成影响。半自动分割结合区域生长、阈值分割、活动轮廓模型等算法，可在医师干预下快速完成ROI勾画，效率较手动分割提升3-5倍，且DSC可维持在0.85以上，是目前多中心研究中最常用的分割方式。近年来基于深度学习的全自动分割算法发展迅速，U-Net及其衍生模型在宫颈癌MRI肿瘤分割任务中DSC已可达0.88-0.92，部分研究甚至实现了宫旁组织、淋巴结等多结构的同步分割，为影像组学流程的全自动化奠定了基础。特征提取与筛选阶段，传统影像组学通常从ROI中提取四大类特征：第一类是形态学特征，包括体积、表面积、最大径、球形度、不规则度等100余种量化指标，用于描述肿瘤的宏观几何形态；第二类是一阶统计特征，通过灰度直方图计算均值、中位数、标准差、偏度、峰度、百分位数等参数，反映肿瘤内部的信号强度分布规律；第三类是纹理特征，包括灰度共生矩阵（GLCM）、灰度游程长度矩阵（GLRLM）、灰度大小区域矩阵（GLSZM）、邻域灰度差分矩阵（NGTDM）等，可定量刻画肿瘤内部的异质性程度，其中GLCM的熵值、对比度、相关性等参数已被多项研究证实与NACT疗效独立相关；第四类是高阶特征，通过小波变换、拉普拉斯变换等对原始图像进行滤波后提取，可捕获肉眼无法识别的细微纹理变化。特征筛选通常采用方差分析、秩和检验、最小绝对收缩和选择算子（LASSO）、递归特征消除（RFE）等方法，从数千个初始特征中筛选出10-20个与疗效相关性最高且无多重共线性的特征构建预测模型。传统影像组学模型构建多采用逻辑回归、支持向量机（SVM）、随机森林、梯度提升树（XGBoost）等机器学习算法。一项纳入12项研究共896例患者的Meta分析显示，传统MRI影像组学模型预测宫颈癌NACT疗效的汇总曲线下面积（AUC）为0.83（95%CI：0.80-0.86），敏感性为0.77，特异性为0.74，整体预测效能优于单独使用临床病理特征模型（AUC=0.71）。但传统影像组学存在固有局限：手工设计的特征仅能反映肿瘤的浅层视觉属性，难以捕获与化疗敏感性相关的深层生物学信息；特征提取过程易受图像采集参数、分割质量、预处理方式的影响，模型在跨中心验证时性能下降明显，平均AUC降幅可达0.12-0.18，限制了其临床转化应用。二、深度学习在宫颈癌NACT疗效影像组学预测中的技术创新深度学习技术的出现为突破传统影像组学的瓶颈提供了新的解决方案，其通过卷积神经网络（CNN）自动学习图像的层级特征，无需人工设计特征，在宫颈癌NACT疗效预测任务中展现出更优的性能与泛化能力。目前应用最广泛的深度学习架构包括CNN、Transformer、多模态融合网络三大类。基于CNN的预测模型是当前研究的主流，其中以ResNet、DenseNet、EfficientNet等为骨干网络的分类模型最为常用。这类模型通常以完整的MRI图像切片或3D图像块作为输入，经过多层卷积、池化操作自动提取从低到高不同层级的特征，低层特征提取边缘、纹理等视觉信息，高层特征则对应肿瘤的生物学特性。2024年《Radiology》发表的一项多中心研究纳入了6个中心共1248例局部晚期宫颈癌患者，采用3DResNet-50模型对治疗前T2WI、DWI、ADC图三组图像进行特征提取，构建的端到端疗效预测模型在训练集AUC可达0.92，外部验证集AUC仍保持在0.87-0.89，显著优于传统影像组学模型（AUC=0.81）。另一项发表在《EuropeanRadiology》的研究则将注意力机制引入CNN模型，通过空间注意力模块自动聚焦肿瘤异质性最高的区域，通道注意力模块对不同特征通道的权重进行自适应调整，最终模型在420例患者的外部验证集上AUC达到0.89，较普通CNN模型提升了0.06。针对小样本数据问题，迁移学习技术被广泛应用，研究者利用在自然图像或其他医学图像数据集上预训练的网络权重进行微调，可使小样本（<100例）研究的模型性能提升10%-15%，为单中心小样本研究提供了可行路径。基于Transformer的模型近年来在医学图像分析领域快速崛起，其核心的自注意力机制可捕获图像中长距离的特征依赖关系，更适合刻画肿瘤的全局异质性。2025年《NatureCommunications》发表的研究采用SwinTransformer架构构建宫颈癌NACT疗效预测模型，利用滑动窗口注意力机制实现对3DMRI图像的高效处理，在多中心数据集上AUC达到0.91，且对不同扫描设备、不同参数采集的图像具有更好的鲁棒性，跨中心验证时AUC降幅仅为0.04，显著低于CNN模型的0.09。部分研究还尝试将Transformer与CNN结合，构建混合架构模型，利用CNN提取局部细节特征、Transformer捕获全局上下文信息，两者优势互补，在352例患者的独立测试集上AUC可达0.93，是目前已发表研究中的最高性能。多模态信息融合是深度学习模型的另一重要优势，可有效整合MRI多序列影像、临床病理数据、基因组学、蛋白质组学等多源信息，进一步提升预测效能。目前融合策略主要分为三类：第一类是像素级融合，将不同序列的MRI图像作为多通道输入直接送入网络，实现最底层的信息融合，该方式操作简单，但易受不同序列图像配准误差的影响；第二类是特征级融合，通过不同的子网络分别提取各模态的特征，在全连接层进行特征拼接或加权融合，是目前最常用的融合方式。2023年《JournalofClinicalOncology》发表的研究将T2WI、DCE-MRI、ADC图三组影像特征与患者年龄、FIGO分期、肿瘤分化程度、鳞状细胞癌抗原（SCC-Ag）水平等12项临床特征进行融合，构建的多模态模型预测NACT病理完全缓解（pCR）的AUC达到0.90，特异性达0.87，可准确识别出92%的pCR患者。第三类是决策级融合，分别构建各模态的预测模型，通过集成学习对多个模型的输出结果进行加权融合，该方式对数据缺失的容错性更高，适合多中心异构数据集的建模。部分研究还进一步纳入了基因组学数据，将影像组学特征与TP53、PIK3CA等化疗相关基因突变状态进行融合，模型预测性能可进一步提升5%-8%，为实现“影像-临床-分子”多组学的精准预测提供了可能。三、基于疗效预测的宫颈癌化疗方案决策支持研究进展在精准预测NACT疗效的基础上，利用人工智能技术为不同患者个体化选择最优化疗方案，是当前研究的热点方向，也是实现精准诊疗的核心目标。目前化疗方案选择决策支持研究主要集中在方案疗效预测、不良反应风险评估、方案优化排序三个层面。不同化疗方案的疗效差异预测是决策支持的基础。目前宫颈癌常用的NACT方案包括TP（紫杉醇+顺铂）、TC（紫杉醇+卡铂）、PF（顺铂+5-氟尿嘧啶）、TBP（紫杉醇+顺铂+博来霉素）等，不同患者对不同方案的敏感性存在显著差异。2024年《LancetOncology》发表的一项大规模回顾性研究纳入了全球18个中心共3216例接受不同NACT方案的宫颈癌患者，利用深度学习模型构建了“患者特征-方案-疗效”的关联映射，该模型可针对同一患者预测其对5种常用化疗方案的应答概率，指导临床选择应答概率最高的方案。前瞻性临床验证结果显示，接受模型推荐方案的患者NACT总体应答率达到82.7%，显著高于传统经验性选择方案的64.3%，患者3年无病生存率从72.1%提升至81.4%。另一项研究则聚焦于紫杉类药物的敏感性预测，通过对治疗前DCE-MRI图像提取的深度学习特征进行分析，模型预测紫杉醇敏感性的AUC可达0.88，可帮助临床医师识别出更适合含紫杉类方案的患者，避免不必要的药物暴露。化疗不良反应风险评估是方案选择的重要考量因素。顺铂作为宫颈癌NACT的基础药物，易引发肾毒性、神经毒性、胃肠道反应等不良反应，卡铂虽不良反应较轻，但骨髓抑制风险更高。2025年《JournalofHematology&Oncology》发表的研究利用影像组学特征结合临床实验室指标，构建了化疗相关不良反应预测模型，可术前预测患者出现Ⅲ度以上骨髓抑制、肾损伤、胃肠道反应的风险，AUC分别为0.85、0.82、0.79。临床医师在选择方案时可综合考虑疗效预测结果与不良反应风险，为高风险患者选择低毒性方案，或提前采取预防性干预措施。一项纳入240例患者的随机对照试验显示，采用该模型指导方案选择的患者，严重不良反应发生率从28.3%降至14.2%，患者治疗依从性提升了21.7%。化疗方案的多目标优化排序是决策支持的最终输出形式。目前的决策支持系统已从单一的疗效预测转向“疗效-不良反应-经济成本”多目标优化。研究者利用多准则决策分析（MCDA）方法，将患者的疗效预期、耐受程度、经济状况等个性化需求纳入考量，为不同患者输出定制化的方案排序。例如对于年轻、身体状况好、追求治愈的患者，系统会优先推荐疗效最优但不良反应稍高的TBP方案；对于老年、合并基础疾病、经济条件较差的患者，则优先推荐不良反应低、性价比高的TC方案。2024年发布的首款宫颈癌NACT决策支持系统CADx-Cervix已获得欧盟CE认证，该系统整合了疗效预测、不良反应评估、方案推荐三大功能，可在10分钟内输出完整的决策报告，临床应用研究显示其与高级妇科肿瘤医师的方案选择一致性达到83.2%，可显著提升基层医院的规范化诊疗水平。四、当前挑战与未来发展方向尽管深度学习辅助宫颈癌NACT疗效预测与方案选择已取得显著进展，但仍面临诸多挑战，距离大规模临床应用还有一定距离。首先是数据标准化问题，不同中心的MRI扫描参数、场强、造影剂类型、图像层厚等存在差异，会对影像特征的稳定性造成显著影响，目前缺乏统一的宫颈癌MRI影像采集与预处理规范，导致不同研究的模型难以直接复用。其次是模型的可解释性不足，深度学习模型的“黑箱”特性使得临床医师难以理解预测结果的依据，降低了临床接受度，近年来兴起的类激活映射（CAM）、注意力热力图、SHAP值等可解释性方法，可通过可视化方式展示模型决策关注的肿瘤区域与关键特征，部分缓解了可解释性问题，但距离临床医师的认知需求仍有差距。第三是高质量标注数据的缺乏，疗效标注需要患者完成完整化疗周期后的手术病理结果作为金标准，数据获取周期长、成本高，且不同中