Sung H ， Ferlay J ， Siegel RL ， et al . Global cancer statistics 2020：GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries [J ] . CA Cancer J Clin ， 2021 ， 71 （ 3 ）： 209 - 249 .

Pennisi E. Genomics . Sequence tells mouse，human genome secrets [J ] . Science ， 2002 ， 298 （ 5600 ）： 1863 - 1865 .

Chen ZH ， Lin L ， Wu CF ， et al . Artificial intelligence for assisting cancer diagnosis and treatment in the era of precision medicine [J ] . Cancer Commun ， 2021 ， 41 （ 11 ）： 1100 - 1115 .

Deng L ， Yu D . Deep learning：methods and applications [J ] . Found Trends Signal Process ， 2014 ， 7 ： 197 - 387 .

Park YR ， Kim YJ ， Ju W ， et al . Comparison of machine and deep learning for the classification of cervical cancer based on cervicography images [J ] . Sci Rep ， 2021 ， 11 （ 1 ）： 16143 .

Shen WC ， Chen SW ， Wu KC ， et al . Prediction of local relapse and distant metastasis in patients with definitive chemoradiotherapy-treated cervical cancer by deep learning from 18 F-fluorodeoxyglucose positron emission tomography/computed tomography [J ] . Eur Radiol ， 2019 ， 29 （ 12 ）： 6741 - 6749 .

Balkenende L ， Teuwen J ， Mann RM . Application of deep learning in breast cancer imaging [J ] . Semin Nucl Med ， 2022 ， 52 （ 5 ）： 584 - 596 .

Avanzo M ， Stancanello J ， Pirrone G ， et al . Radiomics and deep learning in lung cancer [J ] . Strahlenther Onkol ， 2020 ， 196 （ 10 ）： 879 - 887 .

Munir K ， Elahi H ， Ayub A ， et al . Cancer diagnosis using deep learning：a bibliographic review [J ] . Cancers ， 2019 ， 11 （ 9 ）： 1235 .

Yeo-Teh NSL ， Ito Y ， Jha S . High-risk human papillomaviral oncogenes E6 and E7 target key cellular pathways to achieve oncogenesis [J ] . Int J Mol Sci ， 2018 ， 19 （ 6 ）： 1706 .

Sanyal P ， Ganguli P ， Barui S . Performance characteristics of an artificial intelligence based on convolutional neural network for screening conventional Papanicolaou-stained cervical smears [J ] . Med J Armed Forces India ， 2020 ， 76 （ 4 ）： 418 - 424 .

Li XG ， Du MY ， Zuo SR ， et al . Deep convolutional neural networks using an active learning strategy for cervical cancer screening and diagnosis [J ] . Front Bioinform ， 2023 ， 3 ： 1101667 .

Bao HL ， Bi H ， Zhang XS ， et al . Artificial intelligence-assisted cytology for detection of cervical intraepithelial neoplasia or invasive cancer：a multicenter，clinical-based，observational study [J ] . Gynecol Oncol ， 2020 ， 159 （ 1 ）： 171 - 178 .

An HM ， Ding LY ， Ma MY ， et al . Deep learning-based recognition of cervical squamous interepithelial lesions [J ] . Diagnostics ， 2023 ， 13 （ 10 ）： 1720 .

Miyagi Y ， Takehara K ， Miyake T . Application of deep learning to the classification of uterine cervical squamous epithelial lesion from colposcopy images [J ] . Mol Clin Oncol ， 2019 ， 11 （ 6 ）： 583 - 589 .

陈 林 ， 程安然 ， 陈 锐 ， 等 . 淋巴结比率可作为早期宫颈癌生存和复发的预测因子 [J ] . 中山大学学报（医学科学版） ， 2021 ， 42 （ 6 ）： 950 - 954 .

Chen L ， Cheng AR ， Chen R ， et al . Lymph node ratio as a predictive factor for survival and recurrence of early cervical cancer [J ] . Journal of Sun Yat sen University （Medical Science Edition） ， 2021 ， 42 （ 6 ）： 950 - 954 .

Li N ， Franceschi S ， Howell-Jones R ， et al . Human papillomavirus type distribution in 30，848 invasive cervical cancers worldwide：variation by geographical region，histological type and year of publication [J ] . Int J Cancer ， 2011 ， 128 （ 4 ）： 927 - 935 .

O’Connor JP ， Rose CJ ， Waterton JC ， et al . Imaging intratumor heterogeneity：role in therapy response，resistance，and clinical outcome [J ] . Clin Cancer Res ， 2015 ， 21 （ 2 ）： 249 - 257 .

Kuang F ， Ren J ， Zhong Q ， et al . The value of apparent diffusion coefficient in the assessment of cervical cancer [J ] . Eur Radiol ， 2013 ， 23 （ 4 ）： 1050 - 1058 .

Shibata K ， Kajiyama H ， Yamamoto E ， et al . Effectiveness of preoperative concurrent chemoradiation therapy （CCRT） for locally advanced adenocarcinoma of cervix [J ] . Eur J Surg Oncol ， 2009 ， 35 （ 7 ）： 768 - 772 .

Mabuchi S ， Okazawa M ， Matsuo K ， et al . Impact of histological subtype on survival of patients with surgically-treated stage IA2-IIB cervical cancer：adenocarcinoma versus squamous cell carcinoma [J ] . Gynecol Oncol ， 2012 ， 127 （ 1 ）： 114 - 120 .

Wang W ， Jiao YN ， Zhang LC ， et al . Multiparametric MRI-based radiomics analysis：differentiation of subtypes of cervical cancer in the early stage [J ] . Acta Radiol ， 2022 ， 63 （ 6 ）： 847 - 856 .

Li YX ， Chen F ， Shi JJ ， et al . Convolutional neural networks for classifying cervical cancer types using histological images [J ] . J Digit Imaging ， 2023 ， 36 （ 2 ）： 441 - 449 .

邓　力 ， 陈亚军 . 基于深度学习的宫颈鳞癌和腺鳞癌的识别分类 [J ] . 四川文理学院学报 ， 2020 ， 30 （ 5 ）： 10 - 14 ．

Deng L ， Chen YJ . The Classification of Squamous Carcinoma andAdenosquamous Carcinoma of Cervix based on Deep Learning [J ] . Sichuan Univ Arts Sci J ， 2020 ， 30 （ 5 ）： 10 - 14 .

Parra-Herran C ， Taljaard M ， Djordjevic B ， et al . Pattern-based classification of invasive endocervical adenocarcinoma，depth of invasion measurement and distinction from adenocarcinoma in situ：interobserver variation among gynecologic pathologists [J ] . Mod Pathol ， 2016 ， 29 （ 8 ）： 879 - 892 .

Jiang XR ， Li JX ， Kan YY ， et al . MRI based radiomics approach with deep learning for prediction of vessel invasion in early-stage cervical cancer [J ] . IEEE/ACM Trans Comput Biol Bioinform ， 2021 ， 18 （ 3 ）： 995 - 1002 .

Bhatla N ， Berek JS ， Cuello Fredes M ， et al . Revised FIGO staging for carcinoma of the cervix uteri [J ] . Int J Gynaecol Obstet ， 2019 ， 145 （ 1 ）： 129 - 135 .

Nanthamongkolkul K ， Hanprasertpong J . Predictive factors of pelvic lymph node metastasis in early-stage cervical cancer [J ] . Oncol Res Treat ， 2018 ， 41 （ 4 ）： 194 - 198 .

Achouri A ， Huchon C ， Bats AS ， et al . Complications of lymphadenectomy for gynecologic cancer [J ] . Eur J Surg Oncol ， 2013 ， 39 （ 1 ）： 81 - 86 .

Qian WL ， Li ZS ， Chen WD ， et al . RESOLVE-DWI-based deep learning nomogram for prediction of normal-sized lymph node metastasis in cervical cancer：a preliminary study [J ] . BMC Med Imaging ， 2022 ， 22 （ 1 ）： 221 .

Li PJ ， Feng B ， Liu Y ， et al . Deep learning nomogram for predicting lymph node metastasis using computed tomography image in cervical cancer [J ] . Acta Radiol ， 2023 ， 64 （ 1 ）： 360 - 369 .

Jin XC ， Ai Y ， Zhang J ， et al . Noninvasive prediction of lymph node status for patients with early-stage cervical cancer based on radiomics features from ultrasound images [J ] . Eur Radiol ， 2020 ， 30 （ 7 ）： 4117 - 4124 .

Guo QH ， Qu LH ， Zhu J ， et al . Predicting lymph node metastasis from primary cervical squamous cell carcinoma based on deep learning in histopathologic images [J ] . Mod Pathol ， 2023 ， 36 （ 12 ）： 100316 .

Liu QQ ， Jiang N ， Hao YP ， et al . Identification of lymph node metastasis in pre-operation cervical cancer patients by weakly supervised deep learning from histopathological whole-slide biopsy images [J ] . Cancer Med ， 2023 ， 12 （ 17 ）： 17952 - 17966 .

Zhang K ， Sun K ， Zhang CY ， et al . Using deep learning to predict survival outcome in non-surgical cervical cancer patients based on pathological images [J ] . J Cancer Res Clin Oncol ， 2023 ， 149 （ 9 ）： 6075 - 6083 .

Liu S ， Li RK ， Liu QF ， et al . Radiomics model of 18F-FDG PET/CT imaging for predicting disease-free survival of early-stage uterine cervical squamous cancer [J ] . Cancer Biomark ， 2022 ， 33 （ 2 ）： 249 - 259 .

Wang J ， Mao YX ， Gao XN ， et al . Recurrence risk stratification for locally advanced cervical cancer using multi-modality transformer network [J ] . Front Oncol ， 2023 ， 13 ： 1100087 .

Kokka F ， Bryant A ， Olaitan A ， et al . Hysterectomy with radiotherapy or chemotherapy or both for women with locally advanced cervical cancer [J ] . Cochrane Database Syst Rev ， 2022 ， 8 （ 8 ）： CD010260 ．