研究背景早期宫颈癌首选手术治疗,术后需根据复发危险因素和危险分层给予辅助治疗。研究表明,手术治疗和放疗的疗效相仿;多模态治疗可增加毒性。因此,建议术后可能需要辅助治疗的患者首选放疗。但是,目前临床缺乏可术前精准评估复发危险因素并进行危险分层的方法。影像组学已被证实有望全面量化肿瘤异质性,这为早期宫颈癌危险因素的精准评估和危险分层提供新的思路。目的1.探讨手工特征与深度学习特征融合在早期宫颈鳞癌淋巴结转移预测中的价值;2.探讨MR影像组学在早期宫颈鳞癌复发危险分层中的价值。材料和方法第一部分:回顾性收集190例早期宫颈鳞癌并随机分为训练组（100例）和验证组（90例）。从术前矢状位压脂T2WI中提取手工特征和深度学习特征,依次用一致性评价、C统计量、最小冗余度最大相关算法、LASSO算法筛选关键特征,并用多变量logistic回归构建手工特征标签（HC-rad）和深度学习特征标签（DL-rad）,再与鳞状细胞癌相关抗原（SCC-Ag）融合构建淋巴结转移预测模型。最后,用校准曲线、受试者工作特征（ROC）曲线和决策曲线（DCA）评估和验证模型的效能。第二部分:回顾性收集218例早期宫颈鳞癌并按时间分为训练组（145例）和验证组（73例）。根据三个高危因素和三个中危因素（Sedlis标准）的病理结果进行复发危险分层,分为低危险和阳性危险状态,并作为终点观察指标。从术前矢状位T2压脂和T1增强图像中提取和筛选关键影像组学特征,并分别构建影像组学标签（T2-rad和CS-rad）。将影像组学标签与SCC-Ag融合构建危险状态预测模型。最后,用校准曲线、ROC曲线和DCA评估和验证模型的效能。结果第一部分:共筛选出3个关键手工特征和3个关键深度学习特征用于标签构建。融合HC-rad、DL-rad和SCC-Ag构建的融合模型具有较好的校准度和区分度,训练组和验证组的 AUC 分别为 0.852（95%CI:0.761-0.943）和 0.815(（95%CI:0.711-0.919）,高于 HC-rad（AUC=0.794、0.725）、DL-rad（AUC=0.735、0.718）和SCC-Ag（AUC=0.735、0.688）。DCA显示,在大部分合理阈概率范围内,融合模型具有良好的总体净收益。第二部分:从两个序列各筛选出4个关键特征用于标签构建。多因素分析显示T2-rad和CS-rad为独立的预测因素（p<0.05）。融合T2-rad和CS-rad构建的融合模型具有较好的校准度和区分度,训练组和验证组的AUC分别为0.832（95%CI:0.742-0.932）和 0.837（95%CI:0.763-0.902）,高于 T2-rad（AUC=0.810、0.796）和 CS—rad（AUC=0.793、0.781）。DCA 显示,在大部分合理阈概率范围内,融合模型具有良好的总体净收益。结论融合手工特征和深度学习特征标签构建的融合模型可个体化预测早期宫颈鳞癌淋巴结转移;MR影像组学可用于早期宫颈鳞癌的复发危险分层,有望成为临床治疗决策的辅助工具。