第一部分 预防性延伸野照射和局部剂量提升改善FIGO（2009）ⅢB期病人预后背景:局部晚期宫颈癌患者的标准治疗是同步放化疗。我们旨在评估FIGO ⅢB宫颈癌患者的治疗效果、治疗失败、毒性和预后因素。方法:采用回顾性分析方法,分析影响ⅢB宫颈癌预后的各种因素。根据病理类型、年龄、治疗前HGB水平、肿瘤大小、盆腔淋巴结（LN）转移、主动脉旁LN转移以及外照射技术、治疗时间、A点EQD2点剂量和同步化疗的周期数等,本研究共纳入223例病理诊断明确的ⅢB期宫颈癌患者。我们分别用单变量分析和多变量分析对这些因素对OS、DFS、LCR、DMFS相关影响进行研究。结果:这些患者中,共有达到207例（92.8%）达到完全反应（CR）和16例（7.2%）达到部分反应（PR）,并具有可以接受的不良反应。值得注意的是,其5年OS、DFS、LCR、DMFS 分别为 61.1%、55.2%、83.6%和 66.4%。重要的是,我们的研究表明,提高A点的EQD2可显著改善FIGO ⅢB期宫颈癌患者的OS、DFS和LCR,此外,接受预防性延伸野照射的无腹主动脉旁LN转移患者相比未接受预防性延伸野照射患者,其DFS结果展示出了显著的生存优势,并有改善OS和DMS的趋势。结论:我们的结果表明,FIGO ⅢB期宫颈癌患者应接受较高的EQD2(≥98Gy10放疗,此外,无腹主动脉旁淋巴结转移的患者应接受预防性延伸野照射,以改善预后。第二部分 FIGO（2018）ⅢB期宫颈癌延伸野治疗后的评价背景:国际妇产科联合会（FIGO）于2018年更新发布了宫颈癌的新分期系统,呼吁对预防性延伸野照射（EFI）对新的ⅢB期宫颈癌患者在接受同步放化疗的疗效进行新的评价。方法:对2002-2010年北京协和医院收治的133例根据2018版FIGO分期中ⅢB宫颈癌患者进行回顾性研究。将患者按照接受单纯盆腔放疗和接受预防性延伸野放疗分为两组。在新的FIGO分期系统框架内评价EFI的治疗效果,毒性和预后因素。结果:与单纯接受盆腔照射的患者相比,预防性EFI患者的远处转移明显减少,5年总体生存率（OS）、无疾病生存率（DFS）、无照射野外复发生存率（OFRFS）和无腹主动脉旁淋巴结转移生存率（PALNMFS）均有显著改善。多因素分析表明,EFI是DFS、OFRFS和PALNMFS的独立预后因素。最后,虽然EFI组观察到更多的急性并发症,但EFI组没有明显的最严重的急性毒性。结论:我们的回顾性分析支持EFI在ⅢB患者同步放化疗中的预防作用,并提示这种预防作用与5年OS、DFS、OFRFS和PALNMFS的明显改善有关。因此,预防性EFI可能是2018版FIGO分期内的ⅢB宫颈癌患者的一个非常有效的治疗方案。第三部分 利用机器学习对接受同步放化疗的局部进展期宫颈癌的局部复发和远处转移预测研究背景:同步放化疗是公认的局部进展期宫颈癌的推荐治疗方法,局部进展期宫颈癌治疗失败的主要原因是局部复发和远处转移。若能在首次治疗前更准确地筛选出疗后复发或转移高风险的病人,并针对局部复发和远处转移高危人群进一步细化和细化治疗方案,这将进一步提高生存。传统逻辑回归的二分法往往受到偏倚影响较大,本研究旨在通过深度学习的思想,利用原始概率,综合患者在治疗前、疗中、疗后随访的完整信息,建立一个更加准确的宫颈癌同步放化疗后局部复发和远处转移的预测模型。方法:对北京协和医院连续进行同步放化疗的1421例局部晚期宫颈癌患者进行分析。利用宫颈癌患者的临床特征和病理类型,使用随机森林、adaboost和逻辑回归的机器学习方法生成模型。最后,组合这些模型成为一个集成模型。将每个因素对结果的相对重要性计算作为对模型的百分比贡献。结果:所有模型在5年以上的时间预测OS,DFS,LC和DMFS中均显示出良好的判别力。在这四个预测模型中,所有指标的准确性相似,其中集成模型表现最佳（OS:82.67%,DFS:80.7%,LC:87.35%,DMFS:88.06%）。根据 ROC曲线（AUC）进行评估时,性能也相似。在最终模型中,最重要的变量是DFS和LC的肿瘤分期和主动脉旁淋巴结转移,OS的化疗时间和DMFS的SCC。结论:利用手工构建的宫颈癌数据集训练的机器学习模型在预测OS、DFS、LC和DMFS的状态方面具有出色的性能,可协助医生制定出更加有效、正确、全面、周到的治疗方案,这在临床上具有重要价值。第四部分 基于深度强化学习与结构化临床数据建立宫颈癌放疗预后预测模型及临床个体化治疗方案推荐的简要研究方案宫颈癌是最常见的妇科恶性肿瘤之一。发达国家以早期为主,而我国以中晚期为主,中晚期的主要治疗手段是放化疗。虽然同步放化疗的应用使中晚期患者预后显著提高,但仍有20-30%患者在治疗后2年内发生复发或转移,严重影响宫颈癌预后的进一步提升,是国际上的难点和热点问题。如何通过患者的特征性表现和指标来准确预测其预后,并据此选择最恰当的治疗方法,迄今无显著突破。近年人工智能出现了新领域,即深度强化学习,其可建立模拟人脑的分析学习神经网络,处理大量数据的准确性较传统方法更显著,在其它领域显示了突出的疾病预后预测能力。但它能否准确预测宫颈癌放疗后的复发转移、提供准确的生存预测及针对患者实际情况制定个性化治疗方案目前尚无报道。本研究基于我院多年的宫颈癌诊治数据,结合人工智能新手段,探索基于特征选择的高效治疗方案推荐技术、基于强化学习的个性化治疗方案推荐技术及探索如何将两种技术高效融合,以提高疗效、改善预后。