基于深度学习的卵巢癌多参数MRI影像组学特征与分子亚型关联研究综述.docVIP

基于深度学习的卵巢癌多参数MRI影像组学特征与分子亚型关联研究综述

卵巢癌作为女性生殖系统病死率最高的恶性肿瘤，早期临床症状隐匿，约70%患者确诊时已处于FIGOⅢ~Ⅳ期，5年生存率不足30%。不同分子亚型的卵巢癌在治疗响应性、复发风险及预后结局上存在显著异质性，传统组织病理学活检因有创性、取样偏差及难以动态监测等局限，无法满足临床精准分型的需求。多参数MRI（mp-MRI）能够提供肿瘤形态、功能及代谢层面的多维信息，而影像组学通过高通量提取医学图像中的定量特征，可挖掘肉眼无法识别的微观异质性信息。近年来深度学习技术的兴起，进一步突破了传统影像组学依赖人工特征设计的瓶颈，为实现卵巢癌无创、精准的分子亚型预测提供了全新路径。

一、卵巢癌分子亚型分类体系及临床价值

目前卵巢癌的分子亚型分类主要基于基因组、转录组及蛋白质组特征，其中上皮性卵巢癌占所有卵巢癌的90%以上，其分子分型体系最为成熟。TCGA数据库将高级别浆液性卵巢癌（HGSOC）分为四种分子亚型：分化型、免疫反应型、间充质型和增殖型，四类亚型的中位总生存期分别为56.6个月、50.3个月、38.4个月和36.9个月，免疫检查点抑制剂对免疫反应型患者的响应率可达40%以上，而间充质型患者普遍存在化疗耐药现象。此外，同源重组缺陷（HRD）亚型约占HGSOC的50%，该类患者对PARP抑制剂治疗敏感，无进展生存期可延长2~3倍。除H