基于深度学习的宫颈癌新辅助化疗疗效的MRI影像组学预测与化疗方案选择决策支持研究综述.docVIP

基于深度学习的宫颈癌新辅助化疗疗效的MRI影像组学预测与化疗方案选择决策支持研究综述

宫颈癌是全球女性第四大常见恶性肿瘤，2025年全球新发病例约69万，死亡病例超35万，其中局部晚期宫颈癌（ⅠB2-ⅣA期）占比超过60%。新辅助化疗（NeoadjuvantChemotherapy,NACT）作为局部晚期宫颈癌的重要术前治疗手段，可通过缩小肿瘤体积、降低临床分期、消灭微转移灶提升根治性手术切除率，已有研究显示其可将患者5年总生存率提升12%-18%。但临床实践中约20%-35%的患者对NACT不敏感，这部分患者不仅会错过最佳手术时机，还可能承受化疗不良反应带来的身体损伤与经济负担。因此，治疗前精准预测NACT疗效、为患者个体化选择化疗方案，是当前宫颈癌临床诊疗亟待解决的核心问题。

MRI影像组学通过从多序列磁共振图像中高通量提取定量影像特征，可无创捕获肿瘤内部异质性、微环境及生物学行为信息，为NACT疗效预测提供了全新路径。而深度学习技术的融入，进一步突破了传统影像组学依赖手工特征设计的瓶颈，在特征自动提取、多模态信息融合、端到端预测模型构建等方面展现出显著优势，为实现宫颈癌NACT疗效的精准预测与化疗方案的个体化决策支持提供了技术可能。

一、宫颈癌NACT疗效预测的MRI影像组学基础框架

传统宫颈癌MRI影像组学研究遵循“图像采集-感兴趣区（ROI）分割-特征提取与筛选-模型