据美国2019年癌症统计分析：妇科恶性肿瘤占女性所有恶性肿瘤的12.2%，其中子宫内膜癌的发病率最高，其次是卵巢癌及宫颈癌，已经成为威胁女性健康的重要原因。早发现、早诊断、早治疗对改善其预后至关重要。目前，传统的影像学（CT、MRI、超声、PET-CT）是妇科恶性肿瘤诊断及疗效评估的重要辅助工具，但其缺乏客观的定量指标，存在较大的观察者间差异性，同时难以观察到肿瘤组织内部的异质性。
影像组学（radiomics）是从医学图像中高通量提取定量特征的一门新兴技术，可以从医学图像中提取大量不可视的客观信息，定量地评估病变，近年来已逐渐用于妇科恶性肿瘤的组织病理分级、淋巴结转移预测、预后及疗效评估。本文将针对影像组学在宫颈癌及子宫内膜癌两种主要妇科恶性肿瘤应用的研究进展进行综述。
1.影像组学概述
1.1基本概念
“影像组学”的概念由Gillies等于2010年首次提出，后经Lambin等进一步完善，定义为从医学图像中高通量地提取并分析多维度、定量的特征数据用作临床分析。其核心假设为医学图像包含了反映疾病病理生理学的信息，如肿瘤内部的异质性，通过图像定量分析可以揭示图像数据与临床生物学信息之间的联系。
1.2影像组学的分析流程
影像组学的分析流程如下：
（1）图像采集与重建。影像组学研究依赖大量的医学图像及相应的临床数据来揭示其间存在的相关性，因此获取高质量、标准化的图像是整个流程的基础。（2）感兴趣区（region of interest，ROI）分割。图像的分割方法有手动、半自动、全自动3种，当前常用的图像分割软件有MIM、3DSlicer、ITK-SNAP、MITK、ImageJ等。（3）特征数据提取。此为研究的核心步骤，常用的特征包括形状特征、一阶灰度直方图特征、灰度共生矩阵特征、灰度游程长度矩阵特征等。（4）特征降维和筛选。提取的特征数量巨大，部分特征之间高度相关，易导致模型的过拟合，故该步骤是后续分析的必要步骤。（5）数据整合及模型的建立与验证。用机器学习的方法构建模型，并通过独立的、足量的数据训练和验证以得到最准确高效的预测模型，经外部验证的模型比内部验证更可靠。
2.影像组学在妇科恶性肿瘤中的应用
2.1影像组学在宫颈癌中的应用
影像组学在宫颈癌的应用主要集中于术前预测宫颈癌的病理学分级、临床分期、淋巴血管间隙侵犯（lymphovascular space invasion，LVSI）、淋巴结转移（lymph node metastasis，LNM）、预测放化疗疗效及远期复发等。宫颈癌患者的个体化治疗需要可靠的参数来评估其侵袭性，包括肿瘤的病理学分级、临床分期等。多个研究表明影像组学特征有预测宫颈癌侵袭性的潜能。
Schob等指出应用表观扩散系数（ADC）直方图分析可以在一定程度上区分宫颈癌的病理学分级及临床分期，其中低级别（G1/G2）肿瘤的ADC最小值明显低于高级别（G3）肿瘤（P＜0.05）；T分期晚期肿瘤（T3/4）ADC熵显著高于T分期早期肿瘤（T2）（P=0.046）。Becker等指出基于ADC图的灰度矩阵中的长游程高灰度增强、区域百分比、小区域增强与肿瘤分化程度相关（P值均＜0.05）。
Guan等发现一阶统计量中偏度、峰度、熵及纹理特征中熵H［entropy（H）］、同质性与FIGO分期呈正相关，纹理特征中能量与FIGO分期呈负相关（P值均＜0.05）。LVSI是提示宫颈癌预后不良的因素，但目前尚无术前预测LVSI的工具。
Li等通过一个包含105例患者的回顾性研究，利用轴位T1增强（T1contrast-enhance，T1CE）图像的三个组学特征及一个临床特征建立诺模图，可以较好地区分LVSI组与非LVSI组（训练组/验证组：AUC=0.754/0.727，特异性0.756/0.773，敏感性0.828/0.692），得出以T1CE图像为基础的影像组学特征可作为术前预测宫颈癌是否存在LVSI的一种非侵入性生物标记物。
Wu等对56例宫颈鳞癌患者进行多参数MRI影像组学研究，得出解剖、扩散和渗透参数T2、ADC、Ktrans、Ve、Vp对是否存在LVSI有较好的鉴别能力（AUC=0.659～0.814），其中Ve具有最佳的判别性能。宫颈癌2018版FIGO分期中将淋巴结（lymphnode，LN）状态作为重要的分期因素，存在LNM直接定义为IIIC期，因此，早期准确地评估LN状态对决定临床分期及治疗方案至关重要。多个研究表明通过影像组学的方法可以早期预测宫颈癌LNM情况。
Kan等从143例患者的T2WI和T1CE图像中提取970个影像组学特征结合7个临床特征，利用最小冗余/最大相关性和支持向量机算法进行特征选取及建模，采用Mann-WhitneyU检验及卡方检验进行统计分析，结果表明该模型能较好地区分LNM组和非LNM组（训练组/验证组AUC=0.753/0.754），说明基于多序列MRI影像组学特征的模型在LNM状态预测方面有一定的潜力。
Schob等利用ADC直方图预测淋巴结转移情况，结果表明LNM阳性者ADC最小值、均值、中位数、第10、25、75、90百分位数明显低于LNM阴性者（P值均＜0.05）。Li等报道在早期宫颈鳞癌患者中，LNM阳性患者糖酵解及血管内皮生长因子（VEGF）表达水平明显高于LNM阴性患者；并通过基于PET-CT组学分析得出直方图的偏度对盆腔LNM有一定的预测效能（训练组/验证组AUC=0.803/0.757），将组学特征与VEGF表达水平的联合模型，能够明显提高预测效能（AUC=0.878）。
放化疗作为宫颈癌重要的治疗手段，已在临床中得到广泛应用。早期准确地预测放化疗对于肿瘤的远期疗效，有助于及时调整辐射剂量及治疗方案。目前已有多项针对影像组学特征预测宫颈癌放化疗远期疗效的研究。Altazi等研究基于影像组学特征的模型与放化疗后两种治疗结果的相关性，分别为远处转移（distant metastases，DM）及局部复发（loco-regional recurrent disease，LRR），得到6个多变量Logistic回归模型在两种结果中表现出了优越的预测效能，其中预测LRR的2个模型AUC分别为0.92、0.88；预测DM的4个模型AUC分别为0.86、0.88、0.92、0.89。
Lucia等在基于18F-FDGPET-CT和MRI的影像组学特征对局灶性晚期宫颈癌放化疗疗效预测的研究中，得出DWI-MRI的ADC灰度共生矩阵的熵及PET-CT的灰度游程长度矩阵的灰度不均匀性分别是复发（准确性94%，敏感性90%，特异性96%）和局部区域控制（loco-regional control，LCC）（准确性94%，敏感性100%，特异性93%）的独立预测因子，预测效能显著高于通常的临床参数（准确性均为50%～60%），且两者组合构建模型预测LCC的准确性高达100%。此后，两个预测模型经过调整，成功地通过2个独立外部队列的验证。
2.2影像组学在子宫内膜癌中的应用
目前影像组学在子宫内膜癌应用方面的研究较少，主要集中于术前对肿瘤进行风险分层，评估是否存在深肌层浸润（deep myometrial invasion，DMI）、LVSI、预测肿瘤的病理学分级以及LNM情况、癌前病变（子宫内膜不典型增生）与早期癌的鉴别。另有研究者将纹理分析运用到子宫内膜癌的生存分析，进行了探索性的研究。病理学分级、有无DMI、LVSI及LNM是子宫内膜癌重要的预后因素，目前这些结果只能从手术后的标本中获得。多个研究表明影像组学可能成为术前预测子宫内膜癌危险因素的非侵入性工具。
Ueno等利用提取的MRI纹理特征对诸危险因素分别建立随机森林模型，结果表明各模型均具有较好的预测效能，其中预测DMI模型的AUC、敏感性及特异性分别为0.84，79.3%，82.3%，且预测结果与人眼视觉评估结果有较高的一致性（k=0.63）；预测LVSI模型的AUC、敏感性及特异性分别为0.80，80.9%，72.5%；预测高级别肿瘤模型的AUC、敏感性及特异性分别为0.83，81.0%，76.8%，结论表明基于影像组学特征的模型能够较好地预测子宫内膜癌的病理学分级、DMI、LVSI情况。
DeBernar等研究表明影像组学特征灰度区域大小矩阵的区域百分比对LNM具有较好的预测效能（训练组/验证组：敏感性75%/89%，特异性81%/80%）；预测敏感性远高于视觉评估（训练组：50%；验证组：33%）；将两者结合得出预测模型（训练组/验证组：敏感性94%/89%，特异性67%/75%），结论表明影像组学特征可提高子宫内膜癌LNM检出的敏感性。
子宫内膜不典型增生（endometrial atypical hyperplasia，EAH）通常被认为是子宫内膜癌的癌前病变，据报道约有15%～46%的EAH可能发展成为子宫内膜癌，目前两者的鉴别主要依赖病理，常规影像检查手段无法提供确切的鉴别诊断信息。为避免育龄期女性不必要的子宫切除，临床迫切需要一种非侵入性的鉴别诊断工具。
Wang等在利用18F-FDGPET-CT的定量参数及纹理特征鉴别EAH、局灶性子宫内膜癌（EAH with field cancerization，FC）及ⅠA期子宫内膜癌（stageⅠAendometrial carcinoma，ECⅠa）的研究中得出结论，PET标准摄取值SUV最大值及纹理特征线性模型鉴别EAH及FC的AUC值、敏感性、特异性分别为0.857、82.2%、84.2%；0.851、87.1%、69.2%；SUV峰值及2个纹理特征（第10百分位数等）鉴别FC及ECⅠa的AUC值、敏感性、特异性分别为0.715、67.6%、77.8%；0.819、76.6%、87.1%，该结果表明纹理特征及PET定量参数可能成为鉴别子宫内膜癌及癌前病变的非侵入性工具。
3.现存不足与展望
目前影像组学在宫颈癌及子宫内膜癌的应用研究仍处于初始阶段，其发展仍面临诸多挑战：
（1）标准化问题。不同的扫描设备、扫描序列及成像参数的研究结果均存在差异；且图像分割的方法尚未统一，受诸多主观因素影响，提取特征的可重复性有待进一步验证；另外组学分析及建模方法亦不同，无法达成统一的标准。针对以上问题，需建立统一的标准，开发全自动标准分割软件及更优质高效的组学分析方法。
（2）单中心研究。该综述所搜集的文献中，除一篇经过多中心验证，其余均为单中心研究，样本量少，利用有限样本建立的模型需大量的数据集进行验证。未来多中心合作势在必行。
（3）回顾性研究。目前影像组学的研究多是回顾性研究，未来需经过大样本多中心的前瞻性研究验证。
（4）目前宫颈癌及子宫内膜癌的影像组学研究多局限在图像特征的分析，与临床参数结合较少。未来的研究中，可以量化地引入肿瘤标志物及免疫组织化学相关指标，以更精确地评估和预测宫颈癌及子宫内膜癌的疗效和预后。
（5）多数宫颈癌及子宫内膜癌的影像组学研究均为提高ROI的准确性而将体积较小的病变排除，导致构建的模型有一定的盲区。为提高模型的精确性与全面性，应对小体积的病灶进行更深层次的研究，其有赖于影像医师丰富的经验及图像分割技术的不断成熟。
总之，随着技术的不断进展和完善，未来影像组学将因其可重复、非侵入性的特点，在术前预测宫颈癌及子宫内膜癌侵袭性、疗效评估及预后预测等方面发挥重要的作用，从而帮助临床早日实现肿瘤的个性化精准化治疗。