宫颈癌是全球女性癌症发病和死亡的第四大常见原因^［1］。目前研究比较明确的宫颈癌预后因素包括国际妇产科联盟（FIGO）分期、组织学类型、肿瘤体积、淋巴结转移（LNM）和淋巴血管间隙浸润（LVSI）^{［2, 3］}。在上述已知的预后因素基础上寻求更多的预测方法是目前宫颈癌研究的热点方向之一。目前，MRI和18F-氟脱氧葡萄糖正电子发射断层扫描/计算机断层扫描（PET/CT）已被广泛用于宫颈癌的诊断、治疗决策和预后评估。本综述主要关注影像组学在鉴别宫颈癌肿瘤分期、组织学类型、LNM、LVSI和预测生存、复发和远处转移方面的研究进展和临床价值。

影像组学是指从医学影像中提取大量特征的多种数学方法，提取基于强度、形状、大小或体积的定量影像特征以及纹理特征，作为潜在基因表达模式以及肿瘤相关生物学特征（如肿瘤形态和肿瘤内异质性）的替代标记，进而预测肿瘤患者的分期、淋巴结状态和治疗反应等预后因素^［4］。通常影像组学研究的设计和工作流程包括图像分割、影像组学特征提取、降维和特征选择以及统计分析和模型构建^{［5, 6］}。影像组学的特征主要有以下几个类别：（1）强度特征：是由影像像素强度计算得到的一阶统计量，反映肿瘤的信号强度；（2）形状特征：显示肿瘤的大小和形状信息；（3）纹理特征：测量每个肿瘤体素与其周围环境的关系，量化肿瘤内异质性和使用复杂的肿瘤模式，如大小区域矩阵；（4）小波特征：将图像分解为低频和高频，从每个频率提取影像组学特征，可以量化高维多频肿瘤信息；（5）拉普拉斯-高斯特征：通过拉普拉斯-高斯空间带通滤波器提取纹理特征^{［7, 8］}。

获得准确的肿瘤分期和病理组织学亚型是评估宫颈癌患者预后和进行治疗决策的关键因素。在早期宫颈癌中，仅靠MRI图像对分期判断存在局限性，限制了临床诊断的准确性和治疗效果。Zhao等^［4］应用基于MRI的影像组学来区分57例Ⅰb期和Ⅱa期宫颈癌，共在T₁加权成像（T₁WI）、T₂加权成像（T₂WI）、弥散加权成像、动态对比增强序列和表观扩散系数（ADC）中提取27个特征建立模型。在所有模型中，支持向量机（SVM）分类器构建的T₂WI模型在训练集和测试集均为最佳，受试者工作特征曲线下面积（AUC）分别为0.915和0.907，说明影像组学的纹理特征和一阶统计学特征可用于早期宫颈癌的术前分期。Wang等^［9］发现联合T₂WI和弥散峰度成像（DKI）的影像组学特征在鉴别肿瘤病理分型和分级的效果最佳，AUC为0.823，而单独应用DKI影像组学特征鉴别FIGO分期的效果最佳，AUC为0.868。

LNM是影响宫颈癌患者无病生存期（DFS）和总生存期（OS）的主要因素^［10］。盆腔和主动脉旁淋巴结（PALN）是宫颈癌肿瘤引流和LNM的首要部位^［11］。Wang等^［12］从T₂WI、T₂WI频率衰减反转恢复序列和轴向ADC序列中提取影像组学特征，纳入肿瘤分化程度和FIGO分期，预测宫颈癌患者的盆腔转移时表现出了良好的准确性。Song等^［13］分析132例宫颈癌患者经病理证实正常大小的盆腔淋巴结的术前影像，分别提取T₂WI中淋巴结和肿瘤的影像组学特征，将淋巴结影像组学特征与临床形态学特征相结合提高了正常大小盆腔转移淋巴结的鉴别诊断效能。Lucia等^［14］在239例局部晚期宫颈癌（LACC）患者的PET/CT影像中提取影像组学特征，临床与影像结合模型还纳入了FIGO分期，该模型能够很好地预测PALN受累的风险。研究表明，肿瘤细胞易从原发肿瘤迁移到周围区域并引起MRI形态学改变^［15］。Wu等^［16］在Ⅰb~Ⅱa期宫颈癌患者矢状位T₂WI和ADC图上提取肿瘤内和肿瘤周围组织的影像学特征，比较了单纯提取肿瘤或肿瘤周围特征的模型与同时提取肿瘤和肿瘤周围特征的模型，预测LNM的敏感性从43.0%提高到85.7%。

LVSI被定义为癌细胞在淋巴管和（或）血管内的存在，是肿瘤细胞扩散的关键步骤^［17］。Li等^［18］开发并验证了基于轴向T₁对比增强（CE-T₁WI）MRI的临床联合影像组学模型，该模型能够很好地区分LVSI组和非LVSI组，训练集和验证集的AUC分别为0.754和0.727。最近一项纳入300例患者的双中心研究也筛选了CE-T₁WI序列中与LVSI相关的影像组学特征，采用k-均值聚类方法，与全肿瘤模型相比，生境模型在外部测试队列中可达到更高的预测效能^［19］。生境影像可更好地量化与肿瘤生长或侵袭相关的亚区域^［20］。因此，在未来的研究中可以更多地采用基于生境分析的肿瘤亚区域影像组学模型评估宫颈癌的多种预后因素。

肿瘤出芽是指单个或≤4个肿瘤细胞组成的小细胞簇出现在浸润性肿瘤前缘或主要肿瘤体内^［21］。研究表明，肿瘤出芽状态与宫颈癌的生存结局相关^［22］。目前已有2项研究分别采用MRI和PET/CT影像组学预测宫颈癌肿瘤出芽状态^{［23, 24］}，分别应用逻辑回归、随机森林、SVM和神经网络4种机器学习算法构建MRI影像组学预测模型，各模型在测试集中的平均AUC为0.816，对肿瘤出芽状态具有良好的预测效能；PET/CT影像组学特征与瘤内出芽状态相关，而在瘤周出芽阳性和阴性组之间的影像组学特征没有差异^［24］。

FIGO分期、组织学分级、肿瘤大小和LNM等临床和组织病理学参数是宫颈癌患者生存的预测因素^{［2, 3］}。然而，受个体差异影响，即使临床特征相同，治疗反应和预后也可能有所差异^［25］。目前，已有许多研究应用影像组学早期预测宫颈癌患者治疗反应、生存、复发和远处转移。

包含从多个MRI序列提取特征的影像组学模型较单一序列模型有更低的偏倚风险。Zhang等^［26］在185例宫颈鳞状细胞癌患者的T₂WI、ADC图、动脉和延迟期对比增强MRI这4个序列中提取影像组学特征，影像组学与T分期、LNM位置的联合模型对无进展生存期和OS的预测效果最佳，显著高于仅用影像组学评分。Fang等^［7］在对248例早期宫颈癌患者进行的回顾性研究中探讨了基于治疗前T₂WI和CE-T₁w MRI的影像组学评分对DFS的预测价值。LVSI和LNM是DFS的重要独立预后因素，但是与影像组学模型相比，结合这两项因素的临床与影像联合模型在3年DFS的估测中没有表现出效能改善，这与前文所述的研究不同。这表明影像组学评分可能已经充分包含了临床因素中的信息，而影像组学通过观察整个肿瘤范围并提取高维特征，可以挖掘出比临床因素更多的预后信息。Sun等^［27］在一项多中心研究中采用多序列MRI影像组学预测LACC患者对新辅助化疗的临床反应，结合T₁WI瘤内区域、T₂WI瘤内区域和瘤周区域的组合模型在训练集和测试集中的AUC分别为0.998和0.999，明显优于单一序列和其他组合模型。总之，纳入多个序列的影像组学模型可综合发挥不同序列的优势，提高预后预测效能。

除瘤内和瘤周区域影像外，也有研究利用非肿瘤的其他身体部位影像组学信息来预测宫颈癌预后。Yusufaly等^［28］回顾性分析127例宫颈癌患者PET/CT影像上大体肿瘤体积（GTV）、计划靶区（PTV）、肌肉、骨骼和脂肪的965个影像组学特征，因为这些全身特征可能反映患者整体炎症状态的变化。根据包含肿瘤分期、2个GTV、1个PTV和1个全身（CT骨均方根）影像组学生物标志物的Cox模型将患者分层为高危组和低危组，其风险比为0.019，预测肿瘤无进展生存期效果最佳。

有研究分析了PET/CT和MRI的联合纹理特征以预测生存^{［29, 30］}。Lucia等^［29］在一项纳入102例接受同步放化疗的LACC患者的研究中发现，治疗前ADC灰度共生矩阵熵和PET灰度行程矩阵灰度不均匀性是局部区域控制（LRC）的独立预测因素。此外，他们在其他医疗中心验证了该影像组学模型，预测LACC患者的DFS准确率为90%，预测LRC的模型准确率达到98%^［30］。

许多蛋白分子被作为宫颈癌的预后生物标志物和治疗靶点，已有研究探讨了宫颈癌影像组学特征与这些预后生物标志物的表达之间的联系，其中一部分研究则将影像组学特征与预后生物标志物联合预测宫颈癌的LNM、LVSI、生存和转移，达到了良好的预测效能。

血管内皮生长因子（VEGF）的过表达与多种恶性肿瘤的不良预后相关，包括宫颈癌^［31］。准确且无创地预测VEGF表达可以为靶向药物的选择提供有用的信息^［32］。Li等^［18］探讨PET/CT影像组学特征在预测VEGF表达的价值，发现26个直方图和灰度共生矩阵影像组学特征与VEGF表达相关。Deng等^［33］则采用MRI影像组学预测VEGF表达。这2项研究均证明影像组学与VEGF的结合模型对于LNM具有良好的预测效能。E-钙黏蛋白（E-cad）表达降低可导致肿瘤侵袭、转移、放射抵抗和预后不良^［34］。Li等^［35］研究表明整合原发肿瘤和瘤周区域的PET/CT影像组学可预测早期宫颈癌中E-cad低表达，在训练集和验证集AUC分别为0.915和0.844。Li等^［36］建立PET/CT影像组学、环氧化酶-2（Cox-2）和腱糖蛋白C（TNC）结合的机器学习模型来预测早期宫颈癌患者LVSI，结果表明TNC不仅与LVSI显著相关，也与影像组学评分和Cox-2相关。这两项研究表明影像组学为无创性检测TNC和Cox-2表达提供了新的可能。Zhang等^［37］通过对有无脑转移的宫颈癌患者核糖核酸转录数据进行统计分析，确定β1肾上腺素受体（ADRB1）是与宫颈癌脑神经血管转移相关的危险因素。该研究通过4种临床特征（年龄、分期、N和T）以及1种影像组学特征（original_glszm_GrayLevelVariance Rad-score）构建了基于列线图的模型，在高和低影像组学评分组间ADRB1表达的差异具有统计学意义。表明影像组学特征可以用于预测ADRB1表达，从而预测宫颈癌的脑转移。

近年来，影像组学也越来越多地应用于肿瘤微环境的评估，有关肿瘤浸润淋巴细胞的影像组学研究已应用于乳腺癌、肺癌等多种肿瘤^［38］，但与宫颈癌相关的研究很少。Li等^［39］整合了来自单细胞和批量转录组测序、全外显子组测序、基因分型阵列、免疫组织化学和MRI的多组学数据，分析肿瘤微环境中γδT细胞的特征，阐明γδT细胞通过直接细胞毒性产生抗肿瘤作用的分子机制。高丰度的γδT细胞与宫颈癌的预后呈正相关，且γδT细胞浸润水平高的患者可能更适合免疫疗法。结果表明MRI影像组学特征可以作为γδT细胞浸润水平的指标，有助于宫颈癌患者的个体化治疗。

目前应用于宫颈癌的影像组学模型研究普遍存在一定的局限性。使用联合模型的研究之间所纳入的临床特征有较大的差异，且现有研究以单中心回顾性研究为主，多数研究的样本量较少，且不同的研究之间存在较大的方法学差异，由于尚不完全清楚这些方法学差异的影响，很难对这些影像组学模型报告的效能指标直接进行比较^［26］。因此需要多中心研究和外部队列的研究验证来提高影像组学模型的可重复性和稳定性，使预测模型实现临床转化，在治疗中采取更有针对性和个体化的策略，改善子宫颈癌患者的预后。

综上，影像组学可以提供有关肿瘤特征的大量定量信息，在子宫颈癌的分期、病理组织学分级、LNM、LVSI及预后预测中均展现了实用价值。也有研究提供了新的思路，使影像组学通过预测生物标志物的表达水平和肿瘤免疫微环境中重要的免疫细胞含量来预测宫颈癌的预后。这些影像组学模型绝大多数表现出了优于临床病理特征的预测效能。影像组学与结合了FIGO分期、肿瘤体积、浸润深度、LNM的状态和位置、放疗剂量等临床病理因素的联合模型往往具有更高的预测效能。