基于深度学习的卵巢癌多参数MRI影像组学特征与分子亚型关联研究综述

基于深度学习的卵巢癌多参数MRI影像组学特征与分子亚型关联研究综述卵巢癌作为女性生殖系统病死率最高的恶性肿瘤，早期临床症状隐匿，约70%患者确诊时已处于FIGOⅢ~Ⅳ期，5年生存率不足30%。不同分子亚型的卵巢癌在治疗响应性、复发风险及预后结局上存在显著异质性，传统组织病理学活检因有创性、取样偏差及难以动态监测等局限，无法满足临床精准分型的需求。多参数MRI（mp-MRI）能够提供肿瘤形态、功能及代谢层面的多维信息，而影像组学通过高通量提取医学图像中的定量特征，可挖掘肉眼无法识别的微观异质性信息。近年来深度学习技术的兴起，进一步突破了传统影像组学依赖人工特征设计的瓶颈，为实现卵巢癌无创、精准的分子亚型预测提供了全新路径。一、卵巢癌分子亚型分类体系及临床价值目前卵巢癌的分子亚型分类主要基于基因组、转录组及蛋白质组特征，其中上皮性卵巢癌占所有卵巢癌的90%以上，其分子分型体系最为成熟。TCGA数据库将高级别浆液性卵巢癌（HGSOC）分为四种分子亚型：分化型、免疫反应型、间充质型和增殖型，四类亚型的中位总生存期分别为56.6个月、50.3个月、38.4个月和36.9个月，免疫检查点抑制剂对免疫反应型患者的响应率可达40%以上，而间充质型患者普遍存在化疗耐药现象。此外，同源重组缺陷（HRD）亚型约占HGSOC的50%，该类患者对PARP抑制剂治疗敏感，无进展生存期可延长2~3倍。除HGSOC外，低级别浆液性癌、子宫内膜样癌、透明细胞癌等病理类型也具有各自独特的分子特征，如透明细胞癌中常存在ARID1A基因突变，对常规化疗不敏感，预后较差。精准的分子亚型诊断是制定个体化治疗方案的前提，但目前临床实践中分子分型依赖术后组织样本或穿刺活检，无法在术前为新辅助化疗方案选择提供参考，且难以动态监测治疗过程中分子表型的演变。因此，构建基于影像学的无创分子亚型预测模型，成为当前卵巢癌精准诊疗领域的研究热点。多参数MRI作为卵巢癌术前评估的首选影像学方法，包含T1加权成像、T2加权成像、扩散加权成像（DWI）、动态对比增强成像（DCE-MRI）等多个序列，不同序列能够反映肿瘤不同维度的生物学特性：T2WI可清晰显示肿瘤的内部结构、坏死区域及周围组织侵犯情况，DWI的表观扩散系数（ADC）值与肿瘤细胞密度呈负相关，DCE-MRI的定量参数如Ktrans、Ve等可反映肿瘤微血管通透性及灌注特征，这些多维度信息为影像组学特征与分子亚型的关联提供了生物学基础。二、传统影像组学在卵巢癌分子亚型预测中的应用现状传统影像组学的分析流程主要包括图像采集与预处理、感兴趣区（ROI）勾画、特征提取、特征筛选及模型构建五个步骤。在卵巢癌分子亚型研究中，研究者已从mp-MRI图像中提取了大量形态学、直方图、纹理及小波特征，探索其与不同分子亚型的关联。2019年一项纳入128例HGSOC患者的研究显示，从T2WI和ADC图像中提取的11个纹理特征（包括灰度共生矩阵的相关性、逆差矩，灰度游程矩阵的短游程强调等）构建的支持向量机模型，对HRD亚型的预测AUC可达0.812（95%CI：0.735~0.889），其中ADC图像的熵值特征与HRD状态呈显著正相关，提示HRD肿瘤内部细胞密度更高、微观结构更不均一。另一项针对HGSOC四种TCGA分子亚型的研究发现，DCE-MRI的Ktrans值直方图的偏度、峰度参数在间充质型与免疫反应型之间存在显著差异，间充质型肿瘤的Ktrans均值明显高于其他亚型，反映了该亚型更丰富的新生血管和更高的微血管通透性。尽管传统影像组学取得了一定进展，但仍存在明显局限性：首先，人工设计的特征受研究者主观经验影响较大，不同研究提取的特征种类、筛选方法差异较大，导致模型泛化性不佳，目前尚无经过多中心验证的成熟模型应用于临床；其次，传统特征仅能捕捉到图像的浅层信息，难以充分挖掘分子层面的细微异质性，对于分子特征相似但预后差异显著的亚型区分能力不足；第三，ROI勾画多采用人工或半自动方式，耗时较长且存在观察者间差异，难以满足临床高效诊疗的需求。此外，传统影像组学通常将不同序列的特征简单拼接，未能充分利用多参数MRI序列之间的关联信息，进一步限制了模型性能的提升。三、深度学习在多参数MRI影像组学中的技术优势及应用进展深度学习技术能够自动从原始图像中学习高层次的抽象特征，无需人工设计特征，为解决传统影像组学的局限提供了新的技术方案。在卵巢癌mp-MRI分析中，常用的深度学习模型包括卷积神经网络（CNN）、视觉Transformer（ViT）、多模态融合模型等，其中多序列融合的深度学习架构是当前研究的主流方向。2021年发表在《Radiology》的一项研究构建了基于3D-CNN的多序列融合模型，纳入4个中心的326例上皮性卵巢癌患者的T2WI、DWI、DCE-MRI图像，用于预测HGSOC的四种TCGA分子亚型，模型在内部验证集的AUC可达0.903，外部独立验证集的AUC为0.872，显著优于传统影像组学模型（AUC=0.764）。该研究通过类激活映射（CAM）发现，模型重点关注的区域与肿瘤内部坏死、微血管密集区域高度重合，提示深度学习特征能够有效捕捉与分子亚型相关的生物学特征。针对HRD亚型预测，2022年一项研究提出了一种跨模态注意力融合的深度学习模型，该模型通过注意力机制自适应学习不同MRI序列对HRD预测的贡献权重，在217例HGSOC患者的数据集上实现了0.89的AUC值，且在不同场强（1.5T/3.0T）、不同扫描设备的数据集上均保持稳定的性能，显示出较好的泛化潜力。此外，基于深度学习的影像组学还能够挖掘传统特征无法识别的关联模式，2023年的一项研究发现，深度学习从T2WI图像中提取的隐式特征与肿瘤的免疫微环境特征（如CD8+T细胞浸润程度、PD-L1表达水平）存在显著相关性，构建的模型对免疫“热肿瘤”的预测AUC可达0.85，为免疫治疗优势人群的筛选提供了无创工具。除了诊断效能的提升，深度学习技术还推动了影像组学分析流程的自动化。目前已有研究开发了端到端的卵巢癌分析pipeline，能够自动完成肿瘤分割、特征提取与分子亚型预测的全流程，ROI自动分割的Dice系数可达0.92，与专业放射科医生的勾画结果一致性较高，将单例患者的分析时间从传统的30分钟缩短至2分钟以内，为临床应用奠定了基础。此外，小样本学习、迁移学习技术的应用也有效缓解了医学影像数据标注困难的问题，通过在大规模自然图像数据集或其他肿瘤影像数据集上预训练模型，再用卵巢癌数据进行微调，能够在小样本数据集上获得较好的模型性能，降低了研究的数据门槛。四、影像组学特征与分子亚型关联的生物学解释研究深度学习模型的“黑箱”特性是制约其临床转化的重要障碍，近年来研究者越来越关注影像组学特征与分子亚型之间关联的生物学机制解释，通过多组学整合分析揭示影像学特征背后的分子基础。2020年一项研究将mp-MRI影像组学特征与转录组数据进行联合分析，发现与间充质亚型相关的影像特征（如高Ktrans值、T2WI高异质性）显著富集于上皮间质转化（EMT）通路、血管生成通路相关基因的表达，EMT相关转录因子Twist、Snail的表达水平与T2WI图像的熵值呈正相关，从分子层面解释了该亚型影像学特征的形成机制。另一项研究通过空间转录组技术，将肿瘤组织的基因表达特征与MRI图像的局部区域进行匹配，发现ADC值较低的区域对应的肿瘤组织中细胞周期相关基因表达显著上调，增殖活性更高，而ADC值较高的坏死区域则富集炎症反应相关基因，为影像特征与分子特征的空间关联提供了直接证据。此外，放射基因组学领域的研究也鉴定出了一系列与卵巢癌影像特征相关的遗传变异，如9p21染色体缺失的肿瘤通常表现出更大的体积、更不规则的边界，17q染色体扩增的肿瘤DCE-MRI的Ktrans值更高。这些研究不仅增强了影像组学模型的可解释性，也为发现新的治疗靶点提供了思路：研究人员发现与间充质亚型相关的影像特征同时与TGF-β通路激活显著相关，提示TGF-β抑制剂可能是该亚型患者的潜在治疗方案，目前相关的临床试验正在开展中。五、当前研究挑战及未来发展方向尽管基于深度学习的卵巢癌mp-MRI影像组学与分子亚型关联研究取得了显著进展，但仍面临诸多挑战。首先是数据标准化问题，不同中心的MRI扫描参数、造影剂注射方案、图像重建方式存在较大差异，导致影像特征的可重复性较差，目前缺乏统一的卵巢癌mp-MRI扫描规范和影像组学分析流程标准，制约了多中心大样本研究的开展。其次是模型的可解释性不足，多数深度学习模型的决策过程难以被临床医生理解，需要进一步开发更有效的模型解释方法，建立“影像特征-生物学机制-临床结局”的完整关联链条，提升临床接受度。第三是临床转化研究滞后，目前大多数研究仍处于回顾性研究阶段，缺乏前瞻性临床试验验证模型的临床价值，需要开展更多的干预性研究，评估影像组学指导下的个体化治疗能否真正改善患者的生存结局。未来的研究方向主要集中在以下几个方面：一是构建多中心、大样本的标准化卵巢癌影像-基因组数据库，统一数据采集标准，为模型训练和验证提供高质量的数据基础；二是开发更先进的多模态融合深度学习模型，整