绝大多数EC LVSI的影像组学研究都是从各医疗中心的影像归档和通信系统（picture archiving and communication system, PACS）中获取影像资料的回顾性研究，但由于各医院的设备型号、扫描方式、扫描参数等有一定的差异，给影像组学分析带来了一定的干扰，为了减小这种差异，可以在分析过程中尽量选取不同患者之间重复性较高、动态范围足够大并且对图像获取协议和重建算法不敏感的特征^[16]。定量成像生物标志物联盟^[17]建议制订一系列医学图像采集的规范，提供更为详细的成像协议（如机器的型号、成像参数、成像过程中使用的对比剂等），尽最大可能使参数之间的差异缩小，为后续组学研究的进行提供便利。

在EC LVSI的影像组学研究中，为了实现对肿瘤区域的精准定位，提高病变的诊出率，就需要进行图像分割获取ROI，ROI的分割对特征量化、特征提取和统计分析起着十分重要的作用。ROI的分割方式包括手动分割、半自动分割和全自动分割，目前国内外的ROI分割大都选择手动分割。FASMER等^[18]选用影像科医师在ITK-SNAP软件上手动勾画子宫的ROI，最后构建的模型性能较好。但手动分割不仅耗时还易受主观因素的影响，更不适用于大数据量的图像分割。KURATA等^[19]使用全自动算法在有子宫疾病和无子宫疾病的MRI图像上对ROI进行分割，结果显示两者之间视觉评分没有显著差异，表明使用全自动算法对子宫ROI分割也是可行的。实际操作中选择哪种分割方式应针对肿瘤及其特征灵活选择。

影像组学最关键也是最核心的步骤就是高通量地提取影像特征。付宝月等^[20]对EC肿瘤逐层勾画ROI并进行了特征提取。LIU等^[21]在Pyradiomics软件上对EC患者的多期图像进行了三维特征的提取。特征选择过程中，除了要考虑高信息量和非冗余性，高可重复性也是需要考虑的指标。但是在实际操作中受设备成像参数和操作者经验及水平等因素的影响，所获取特征的可重复性往往较低^[22]。PARK等^[23]在不同参数下对宫颈癌提取到的影像组学特征进行了比较，发现绝大部分特征的一致性普遍较好，特别是一阶直方图特征，表明即使在不同的参数下，一阶直方图特征有着较好的可重复性。原因可能是一阶直方图仅表示病变的一维特征，不体现各体素之间的空间关系^[24]。通常提取到的特征维度远远大于样本量，对组学研究来说，不是所有特征都有用，应该对所提取的大量特征进行降维处理，选出与相关性最强的特征。

筛选出相关性最强的特征后，可选择不同的算法进行模型构建，最常见的算法有K-最邻近、朴素贝叶斯、逻辑回归、随机森林、支持向量机、神经网络和深度学习等，逻辑回归模型操作简单、易于理解，是组学建模最常用的方法。LONG等^[25]在构建EC LVSI预测模型时，使用基于随机森林的Boruta算法检测出预测LVSI状态的关键特征，最后针对这些关键特征，使用径向基函数和支持向量机构建模型。ZHANG等^[26]使用逻辑回归算法建立了模型来术前预测EC组织学分级，模型的效能也较好。模型的选择与研究者的偏好及经验高度相关，虽然在文献中选择算法似乎是任意的，但最佳实践是通过多次试验选择最佳算法，尽可能提高模型的预测效能。

扩散加权成像（diffusion-weighted imaging, DWI）将水分子由于其热能而产生的运动作为物理性质进行分析，是现阶段临床上常用的反映病灶组织内水分子扩散分布状况的功能成像参考指标^[27]。DWI尤其适用于无法静脉注射钆基对比剂的患者，或在对比增强（contrast enhanced, CE）图像上具有与子宫肌层等强度或高强度的肿瘤^[28]。由DWI得出的表观扩散系数（apparent diffusion coefficient, ADC）值有助于评估肿瘤组织学分级和子宫肌层浸润深度^[29]，所以研究人员大多使用ADC值来预测各肿瘤的临床病理学等级、转移和预后。学者们在组学研究中发现，如果把提取到的组学数据与临床因素相结合，建立的预测模型性能通常较好，可以提高病变的诊出率^{[30, 31]}。崔玉杰等^[32]的研究结果与上述结论一致，他们将组学数据与临床因素相结合构建的模型预测性能较好，但他们的研究是回顾性的并且数据来自单中心，希望以后能够使用新的数据对模型的泛化能力加以验证。ZHANG等^[33]开发了ADC值结合影像组学特征的诺模图模型，他们的模型预测效能处于中等水平，可能是他们仅提取了T2WI图像的组学特征，得到的肿瘤信息有限。所以在今后的研究中，应该从多个序列提取组学特征，以获得更全面的肿瘤信息。BEREBY-KAHANE等^[34]基于ADC值和二维MRI的纹理特征、肿瘤体积和肿瘤短轴进行了回顾性研究，该研究的模型预测能力有限，可能与他们所纳入的患者数量过少有关。但是他们发现肿瘤短轴是预测高级别肿瘤的最佳指标，最佳阈值为≥20 mm，预测LVSI的最佳阈值为≥26 mm。LAVAUD等^[35]的研究结果与BEREBY-KAHANE等^[34]的研究结果相似，他们发现在FIGO分期为Ⅰ期的EC患者中，肿瘤短轴＞24 mm与LVSI的存在具有相关性。

MRI常规序列能够提供的信息有限，基于单个MRI序列分析肿瘤的特征也有局限性。肿瘤的异质性不仅反映在DWI或ADC序列中受限的水分子上，更多信息也可以由其他MRI序列如CE序列提供^[36]。付宝月等^[20]基于ADC值联合T2WI和CE-T1WI序列的三维纹理特征构建了预测EC病理分级、肌层浸润深度和LVSI的模型，他们发现将两个序列图像所提取的纹理特征联合ADC值所构建的模型精准性更高、实用性更强。但他们的研究没有纳入EC相关的临床指标，可能对模型的精准性有所影响。彭永佳等^[7]在202例EC患者的T2WI、ADC、CE-T1WI图像中提取组学信息，构建了具有较高效能的模型和列线图。因为在绘制列线图时结合了临床病理特征，所以列线图的预测性能更好。LUO等^[36]引用不同的临床指标绘制了列线图，列线图的性能也较好，但是由于引入的样本量较少，所以模型的性能较彭永佳^[7]等的研究低。UENO等^[37]绘制的列线图与彭永佳等^[7]和LUO等^[36]的列线图相比性能较差，因为他们的研究不仅样本量小还没有结合临床指标，并且仅研究了肿瘤的一维特征，得到的肿瘤信息有限。LIU等^[21]回顾性地对来自5个中心的患者的资料进行研究，他们从T1WI、T2WI、CE-T1WI、DWI和ADC图中手动勾画ROI并提取特征，将组学特征与临床指标结合构建出影像组学列线图。他们绘制的列线图性能高于先前研究的报道，原因可能是他们提取了肿瘤的三维特征，并基于包含更多代表肿瘤异质性信息的肿瘤体积建立的列线图，从而可以提供更为准确的肿瘤信息。

动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）不仅可以反映组织血流动力学改变还可以反映病变组织的强化特点，由于肿瘤与正常组织的强化特点不同，所以能更清晰地显示肿瘤的大小、范围及其周边的侵犯情况，提供更全面的信息。DCE-MRI最常用到的定量参数包括容积转运常数（transfer rate constant, K^trans）、速率常数（intravasation rate constant, K_ep）、血管外细胞外间隙容积分数（fraction volume of extra vascular extracellular space, V_e）等^[38]。白志强等^[39]对25例宫颈鳞癌患者进行研究发现，LVSI阳性组比阴性组的K^trans、K_ep、V_e值更高，但是他们引入的患者数量较少且每位患者之间的差异不大，希望今后的研究中可以纳入更多的病例进行更深入的研究。DCE-MRI可以更清晰、准确地描绘EC肿瘤的边界，所以基于DCE-MRI提取肿瘤定量影像组学特征后建立的模型有较好的预测能力。周静怡等^[40]在DCE-MRI的K_ep、K^trans和V_e定量参数图上逐层勾画ROI，将三个参数联合后建立的模型性能较好，他们发现，患者年龄越大、肿瘤直径越大，存在LVSI的风险就越高。但是他们的单中心研究所引入的样本量较少，后续应增加新的病例来对模型的效能加以验证并提倡多中心研究。