《Frontiers in Oncology》：Radiomics and artificial intelligence in precision radiotherapy for cervical cancer: a narrative review
编辑推荐：
本文系统回顾了影像组学与人工智能在宫颈癌精准放疗中的应用进展与挑战。文章重点阐述了AI在靶区自动勾画、预后与治疗反应预测（OS、DFS、PFS）及放化疗毒性（如放射性直肠炎、骨髓抑制）预测三大核心领域的潜力，并评估了现有研究的临床转化现况。尽管技术表现亮眼，但其临床应用仍受限于回顾性研究居多、标准化不足、模型可解释性有限等挑战，未来需加强多中心验证与前瞻性评估，以真正实现临床整合，改善患者预后。
宫颈癌（CC）仍然是全球女性最常见的恶性肿瘤之一，放疗是其局部晚期疾病治疗的基石。然而，治疗反应和预后的个体差异巨大，且治疗相关毒性（如放射性直肠炎、骨髓抑制等）发生率较高。在精准肿瘤学的背景下，影像组学与人工智能（AI）已成为极具前景的工具，旨在通过个性化放疗，改善治疗结果。
影像组学与人工智能在宫颈癌放疗中的核心应用
影像组学通过对医学影像图像进行高通量特征提取，实现对肿瘤内异质性的定量描述。AI（特别是机器学习ML和深度学习DL）则能够整合高维影像数据与临床变量，建立预测模型。其应用可概括为三大核心领域。
AI驱动的靶区自动勾画与工作流优化
精准放疗始于准确的靶区勾画。然而，临床靶区（CTV）的边界在影像上常不明确，高度依赖医生经验，导致主观性强、观察者间差异大且耗时。AI，尤其是基于卷积神经网络（CNN）和Transformer架构的深度学习模型，为自动分割提供了解决方案。
多项研究显示，AI模型在自动勾画宫颈癌的CTV、计划靶区（PTV）及危及器官（OARs）方面展现出良好性能。例如，Xu等人开发的多中心深度学习模型对PTV和CTV分割的Dice相似系数（DSC）分别达到83.42%和81.23%。Rouhi等人比较了八种深度学习架构用于肿瘤体积（GTV）分割，发现针对二维MRI序列，2D网络性能优于3D模型。Shi等人基于621例患者数据构建的双先验模型，DSC达到81.33%。MFFUNet等混合架构在分割OARs时，可将勾画时间缩短至每分钟以内。
AI的应用已从单纯的靶区勾画扩展到整个放疗工作流的优化，包括自动计划设计和在线自适应放疗（oART）。Liang等人比较了三种校准策略用于剂量预测，均能生成临床可接受的治疗计划。Sun等人基于671个治疗分次数据，开发了用于在线自适应放疗决策的AI模型，其中基于轮廓的深度学习模型准确率最高（0.869）。Mason等人提出的U-Seg3系统结合预设定量标准，实现了与经验丰富的放疗师相当的计划选择率。
尽管如此，大多数研究仍为回顾性、单中心设计，缺乏严格的外部验证。模型性能多以DSC等技术指标衡量，其对剂量学的影响、临床决策的改进以及最终患者获益的影响尚未得到充分评估。因此，当前证据多处于探索或早期验证阶段。
影像组学与人工智能在预后评估中的作用
预测治疗反应和生存结局是影像组学的另一重要应用，有助于早期识别应答者与非应答者，并实现风险分层。
在早期治疗反应预测方面，Gui等人基于MRI影像组学特征构建的随机森林模型，预测病理完全缓解的AUC达到0.80。Zhang等人结合体素内不相干运动参数与三维纹理特征构建的模型，在训练和验证队列中AUC分别高达0.987和0.984，但在小样本队列中如此高的性能需警惕过拟合。动态成像标志物如弥散加权成像的表观弥散系数（ADC）早期变化，也被证实与治疗反应相关。
在生存结局预测方面，研究更为广泛。Lin等人在一项包含582例患者的多中心研究中，将影像组学评分与运动校正影像结合，预测3年总生存期（OS）的AUC达0.862，优于TNM分期。Wang等人开发的CerviPro模型整合了临床变量、传统影像组学特征和深度学习架构，在内部验证中表现优异，但在外部验证中性能有所下降，提示了泛化性的挑战。研究视野已超越原发灶，Park等人发现淋巴结的MRI直方图特征对无病生存期（DFS）的预测（C-index=0.72）优于原发灶特征。Li等人则将脾脏影像组学特征与全身炎症标志物结合，预测无进展生存期（PFS）的AUC达0.895。
在复发与转移风险预测方面，Kawahara等人基于多序列MRI的复发预测模型AUC为0.94。Yusufaly等人整合了肌肉和脂肪的非肿瘤PET/CT影像组学特征，显著改善了复发风险分层。Mu等人利用PET/CT habitat影像组学识别出具有侵袭性的肿瘤亚区，可预测PFS和OS。
总体而言，预后模型虽显示出良好的区分能力，但存在方法学异质性大、外部验证不足、与临床决策路径联系不明确等问题。大多数模型仍处于探索性阶段。
影像组学与人工智能在放疗毒性预测中的应用
预测并减轻放疗毒性是提高患者生活质量的关键。传统剂量体积直方图（DVH）参数预测能力有限，而影像组学可捕获正常组织对辐射敏感性的细微影像表型。
在胃肠道与泌尿生殖系统毒性预测中，Zhang等人利用深度学习分割框架SAM-Med2D从CCRT前CT图像提取特征，预测放射性直肠炎的AUC为0.73。Lucia等人将DVH参数与临床变量结合，构建的正常组织并发症概率（NTCP）模型预测晚期直肠毒性和泌尿生殖毒性的AUC分别为0.83和0.82。Xue等人基于CCRT前后MRI影像组学特征构建的模型，预测放射性直肠炎的AUC达0.90，结合临床变量后升至0.98，但其在单中心小样本中的完美性能需谨慎看待。
血液学毒性（HT）与骨髓损伤是研究热点。Luo等人结合临床因素与盆腔骨髓MRI特征，预测急性血液学毒性的AUC达0.927。Yue等人整合CT骨髓影像组学特征、剂量学指标和临床变量，在CCRT患者中预测急性HT的AUC为0.802。Tang等人结合剂量评分与临床影像组学评分预测中重度骨髓抑制，综合模型AUC为0.743。机理研究方面，Wang等人使用IDEAL IQ MRI序列量化骨髓脂肪含量，发现CCRT后骨髓脂肪平均增加58.5%，且5-10 Gy低剂量区的脂肪变化与中性粒细胞和淋巴细胞最低值相关，提示低剂量照射对造血功能有显著影响。
尽管毒性预测模型前景可观，但大多数研究仍为回顾性，验证策略不一致，且如何将风险分层转化为具体的剂量优化或预防性干预策略，仍有待明确。
挑战与未来方向
当前研究面临核心挑战包括数据标准化不足、模型泛化能力有限以及临床转化壁垒。现状多为单中心、小样本研究，模型性能不稳定，且缺乏前瞻性研究证据。
未来发展方向应聚焦于：1）开展多中心标准化数据收集与共享，以提升模型稳健性；2）推动可解释人工智能与跨中心验证，增强临床信任度；3）实现真正的临床整合与个性化应用，通过前瞻性试验验证其对临床决策和患者结局的改善作用。
结论
影像组学与人工智能为宫颈癌精准放疗在靶区勾画、预后评估和毒性预测方面带来了革新潜力。然而，现有证据大多处于方法学探索和早期验证阶段，出色的统计性能尚未转化为明确的临床获益。在将其整合进常规临床实践之前，必须进行严格的前瞻性验证，并开展能够证明其对患者有明确获益的决策影响研究。
