0 引言

       在全球范围内，宫颈癌在女性癌症发病率和肿瘤死亡率中均排名第四位^[1]。尤其在发展中国家宫颈癌生存率较低，严重威胁女性生命健康^[2]。程序性死亡受体1（programmed death 1, PD-1）是一种细胞表面受体，程序性死亡配体-1（PD-1 ligand, PD-L1）作为其配体与T细胞上的PD-1结合负性调控T细胞的活化、增殖并诱导其凋亡，宫颈癌患者预后与PD-1表达密切相关^{[3, 4]}。宫颈癌上高表达PD-L1与T细胞上的PD-1结合在一定程度上抑制了机体的细胞免疫反应，造成了免疫逃逸^{[5, 6]}。PD-L1高表达的患者预后往往较差^[7]。抗PD-L1免疫疗法能够有效阻断PD-L1信号通路，增强免疫系统抗肿瘤作用，从而抑制肿瘤进展^[8]。充分地了解在宫颈癌中PD-L1的表达有助于免疫治疗方案的制订^[9]。PD-L1表达检测常通过侵入性穿刺活检获取局部病理组织，不能反映整体肿瘤特征，具有一定的局限性^[10]。宫颈癌的¹⁸F-FDG摄取与PD-L1表达密切相关，可用于预测PD-L1状态^[11]。影像组学是从医学影像中提取并分析大量高级且定量的影像学特征，研究表明影像组学有潜力通过检测人眼无法识别的特征来突破传统参数的局限性^[12]。已有研究表明，PET与MR影像组学在无创预测PD-L1表达上有一定的价值^{[13, 14]}。PET/MR作为一种新兴的无创、降低辐射剂量且提高对病灶定位的准确性的宫颈癌评价手段，既可以提供具有出色软组织对比度的代谢和高分辨率解剖成像^[15]，又可以应用PET分子影像显示肿瘤微环境，可为肿瘤早期精准诊断与治疗干预、疗效评价及预后评估提供重要的生物学信息^[16]。PET/MR一体机使得PET与MR两种模态能够实时成像，获取在同一解剖层面上的结构和功能信息^[17]。这能够更准确地同时评估和比较PET和MR两种模态对于肿瘤PD-L1表达的评估。迄今，国内利用PET/MR影像组学特征评估宫颈癌PD-L1表达相关性的研究尚未报道。本研究旨在探讨PET/MR影像组学特征与宫颈癌PD-L1表达的相关性，在临床上为宫颈癌患者评价PD-L1的表达提供影像依据，以优化个体诊疗方案，改善患者预后。

1 材料与方法

1.1 研究对象

       本研究遵守《赫尔辛基宣言》，经中国医科大学附属盛京医院伦理委员会批准，免除受试者知情同意，批准文号：2023PS1227K。回顾性分析2017年5月至2023年7月于中国医科大学附属盛京医院接受PET/MR检查的宫颈癌患者临床和影像资料。纳入标准：（1）组织学病理检查证实为宫颈癌；（2）患者接受全身PET/MR检查，检查前未接受手术、化学治疗及盆腔放疗。排除标准：（1）PET/MR图像不清晰存在伪影；（2）病灶与周围肿大淋巴结界限不清者。

1.2 扫描方案

       检查前患者禁食4~6小时，空腹血糖<6.1 mmol/L。经静脉注射¹⁸F-FDG（由美国GE MiniTracer回旋加速器生产并通过自动合成模板合成，放化纯度>95%，剂量3.7 MBq/kg），嘱其静卧休息50~60 min后，采用GE Medical Systems WI 53188 3 T PET/MR扫描仪，同时进行PET和MR扫描，范围为阴道至髂骨上缘。在PET扫描过程中，PET图像通过Dixon MR序列进行衰减校正，在192×192矩阵、35 cm视场和2.78 mm层厚情况下，采用TOF-PSF-OSEM算法（光点扩散函数亚序列最大期待值法，3次迭代和32个子集，5 mm截止滤波器）进行PET重建。MR扫描参数：轴位T1加权快速回波序列，TR 500 ms，TE 8 ms，层厚6.0 mm，层间距2.0 mm，FOV 26 cm×26 cm，矩阵384×384，激励次数2；轴位T2WI，TR 498 ms，TE 79 ms，层厚6.0 mm，层间距2.0 mm，FOV 36 cm×36 cm，矩阵384×384，激励次数1.5；矢状位T2加权脂肪抑制序列，TR 4323 ms，TE 65 ms，层厚6.0 mm，层间距1.2 mm，FOV 24 cm×24 cm，矩阵384×384，激励次数4。

1.3 影像学特征的评估

       由两名具有10年以上工作经验的放射与核医学科主治医师标注图像，在不知晓患者临床信息情况下，使用3D Slicer5.4（http：//www.slicer.org/）独自手动在PET图像上逐层勾画肿瘤原发灶感兴趣区（region of interest, ROI）并配准到MR图像（图1~2），当意见不统一时或结果不一致时则由第三名具有15年工作经验的副主任医师进行评估。

点击查看大图

图1  女，57岁，宫颈鳞癌，PD-L1表达阳性。1A：PET图像横截面勾画ROI示意图；1B：T1WI图像横截面；1C：T2WI图像横截面；1D：免疫组化染色（组织整体视野），PD-L1阳性表达，阳性面积比=35.40%。
图2  女，56岁，宫颈鳞癌，PD-L1表达阴性。2A：PET图像横截面勾画ROI示意图；2B：T1WI图像横截面；2C：T2WI图像横截面；2D：免疫组化染色（组织整体视野），PD-L1阴性表达，阳性面积比=1.49%。PD-L1：程序性死亡受体配体1；PET：正电子发射断层成像；ROI：感兴趣区。
Fig. 1  Female, 57 years old, cervical squamous cell carcinoma, PD-L1 expression. 1A: Schematic diagram of PET image cross-sectional drawing of ROI; 1B: Cross section of T1WI image; 1C: Cross section of T2WI image; 1D: PD-L1 positive expression by immunohistochemical staining (overall tissue view) is observed, with a positive area ratio of 35.40%.
Fig. 2  Female, 56 years old, cervical squamous cell carcinoma, negative PD-L1 expression. 2A: Schematic diagram of PET image cross-sectional drawing of ROI; 2B: Cross section of T1WI image; 2C: Cross section of T2WI image; 2D: PD-L1 negative expression by immunohistochemical staining (overall tissue view) is observed, with a positive area ratio of 1.49%. PD-L1: programmed death-ligand 1; PET: positron emission tomography; ROI: region of interest.

1.4 影像组学特征提取

       将每个患者的每个包含ROI横截面作为样本，基于Python的PyRadiomics（v3.1.0，https://pyradiomics.readthedocs.io/en/latest/）从图像中提取基于一阶统计量（Firstorder）影像组学特征。基于每个ROI及其对应的PET图像，我们可以提取到17个一阶统计量特征^[18]，这些特征从ROI中自动提取（表1）。基于每个ROI及其对应的T1WI、T2WI图像，我们可以提取到36个一阶统计量特征，这些特征从ROI中自动提取。

点击查看表格

表1  影像组学特征参数
Tab. 1  Radiomics feature parameters

1.5 PD-L1染色

       以手术标本取样染色，采用Aipathwell软件（v2, Servicebio,https://www.servicebio.cn/）进行数字病理图像分析。使用组织切片数字扫描仪或成像系统采集免疫组化切片上的扫描文件或图像，利用Aipathwell自动读取组织测量区域，先进行阳性等级划分：阴性无着色，计0分；弱阳性淡黄色，计1分；中阳性棕黄色，计2分；强阳性棕褐色计3分。再分别分析计算出测量区域内弱、中、强阳性面积，测量区域组织面积，计算阳性面积比结果以反映阳性强弱程度。在本研究中，考虑到取样流程和检测工艺，以阳性面积比大于5%为表达阳性，以阳性面积比小于5%为表达阴性（图1D、2D）^[19]。

1.6 影像组学模型建立

       将26例患者各自包含的ROI横截面作为样本，每个样本包含同层PET、T1WI、T2WI配准图像，共315个样本，每个患者的病理切片结果作为该患者所有样本PD-L1表达的标签。将样本按照7∶3的比例随机划分为训练集和测试集，并根据相关性结果，将差异有统计学意义的组学特征作为逻辑回归的参数建立PET影像组学模型、MRI影像组学模型及PET/MRI联合模型。运用minmax算法对特征参数进行统一标准化处理，使用逻辑回归建立影像组学预测模型，根据以下公式构建：Y=a1X1+a2X2+…+anXn+b。通过受试者工作特征（receiver operating characteristic, ROC）曲线下的面积（area under the curve, AUC）作为模型评价指标，同时展示了模型的特异度和敏感度，最后对训练数据集进行了5倍的交叉验证。

1.7 统计学分析

       采用SPSS 26.0统计分析软件（v.26.0, IBM, Armonk, NY）用于数据分析，采用Kolmogorov-Smirnov方法检测各参数值是否符合正态分布，符合正态分布及方差齐性的连续性变量使用两独立样本t检验，用平均值±标准差表示；不符合上述标准的连续性变量用Mann-Whistney U检验，用四分位数间距表示；分类变量使用卡方检验。利用ROC曲线分析得出影像组学模型的AUC、95%置信区间（confidence interval, CI）、敏感度、特异度，分析评估模型对PD-L1表达诊断的效能，并采用DeLong检验评估诊断效能的差异。P<0.05表示对比数据差异有统计学意义。

2 结果

2.1 样本特征

       共收集符合标准的患者26例。将26例患者各自包含的ROI横截面作为样本，共315个样本，临床病理特征如表2所示。通过免疫组织化学分析，评估PD-L1状态。将315样本按免疫组化结果分为PD-L1表达阳性组（n=233，73.97%）和PD-L1表达阴性组（n=82，26.03%），样本临床特征参数信息分布如表1所示。年龄差异使用非参数检验（P<0.001），国际妇产科联盟（International Federation of Gynecology and Obstetrics, FIGO）分期差异使用卡方检验（P<0.001），病理类型差异使用卡方检验（P=0.002），结果显示，年龄、病理类型、FIGO分期差异具有统计学意义（P<0.05）。

点击查看表格

表2  样本临床特征参数
Tab. 2  Clinical features and laboratory parameters of the patient

2.2 PD-L1表达阳性组和表达阴性组之间PET图像特征的差异

       两组的10Percentile、90Percentile、Energy、Interquartile Range、Maximum、Mean、MeanAbsoluteDeviation、Median、Minimum、Range、RobustMeanAbsoluteDeviation、RootMeanSquared、TotalEnergy、Uniformity与Variance差异具有统计学意义（P<0.05），其余参数差异无统计学意义（P>0.05），其中PD-L1阳性组样本Maximum、Mean、Median、Minimum、Energy参数均明显小于阴性组（表3）。

点击查看表格

表3  PET图像特征与PD-L1表达之间的相关性
Tab. 3  Correlation between PET image features and PD-L1 expression

2.3 PD-L1表达阳性组和表达阴性组之间T1WI图像特征的差异

       两组的10Percentile、90Percentile、Maximum、Mean、MeanAbsoluteDeviation、Minimum、RootMeanSquared、Skewness与Variance差异具有统计学意义（P<0.05），其余参数差异无统计学意义（P>0.05），且在这些差异有统计学意义的参数中，PD-L1阳性组样本均大于阴性组（表4）。

点击查看表格

表4  T1WI图像特征与PD-L1表达之间的相关性
Tab. 4  Correlation between T1WI image features and PD-L1 expression

2.4 PD-L1表达阳性组和表达阴性组之间T2WI图像特征的差异

       两组的Entropy、Skewness、Energy、InterquartileRange、Kurtosis、Median、RobustMeanAbsoluteDeviation、TotalEnergy与Uniformity差异具有统计学意义（P<0.05），其余参数差异无统计学意义（P>0.05），其中PD-L1阳性组样本Entropy、Energy参数均明显小于阴性组，Skewness参数明显大于阴性组（表5）。

点击查看表格

表5  T2图像特征与PD-L1表达之间的相关性
Tab. 5  Correlation between T2WI image features and PD-L1 expression

2.5 影像组学模型诊断PD-L1表达的效能

       ROC曲线分析显示（图3），训练集（n=220）：PET组学模型AUC值为0.478（95% CI：0.389~0.565）、特异度为15.79%、敏感度为99.39%，MR组学模型AUC值为0.806（95% CI：0.728~0.874）、特异度为61.40%、敏感度为89.57%，PET/MR组学模型AUC值为0.850（95% CI：0.784~0.909）特异度为63.16%、敏感度为96.93%。测试集（n=95）：PET组学模型AUC值为0.528（95% CI：0.381~0.669）、特异度为20.00%、敏感度为98.57%，MR组学模型AUC值为0.737（95% CI：0.623~0.843）、特异度为68.00%、敏感度为75.71%，PET/MR组学模型AUC值为0.817（95% CI：0.715~0.902）特异度为84.00%、敏感度为67.14%。DeLong检验显示，三种模型的诊断效能差异存在统计学意义。PET组学模型与MR组学模型比较（P<0.01），PET组学模型与PET/MR组学模型比较（P<0.01），MR组学模型与PET/MR组学模型比较（P<0.01）。

点击查看大图

图3  受试者工作特征（ROC）曲线。3A：PET组学模型ROC曲线；3B：MR组学模型ROC曲线；3C：PET/MR组学模型ROC曲线。AUC：曲线下面积。
Fig. 3  Receiver operating characteristic (ROC) curves. 3A: ROC curve of the PET radiomics model; 3B: ROC curve of the MR radiomics model; 3C: ROC curve of the PET/MR radiomics model. AUC: area under the curve.

3 讨论

       本研究以手术标本取样染色，将样本分为阳性组、阴性组，比较两组间特征参数的差异。将有差异有统计学意义的组学特征作为逻辑回归的参数建立PET影像组学模型、MR影像组学模型及PET/MR联合模型，评估各模型对PD-L1表达诊断的效能，探讨了¹⁸F-FDG PET/MR影像组学特征与宫颈癌PD-L1表达的相关性。研究表明PET、MR组学特征与宫颈癌PD-L1表达有较强的相关性，因此宫颈癌PD-L1表达对肿瘤的代谢和结构均有影响，PET/MR组学模型在预测PD-L1表达上具有更好的效能。本研究结果证明PET/MR具有无创地预测PD-L1表达的价值，能在临床上为宫颈癌患者评价PD-L1的表达并且对于后续临床诊断、治疗及预后起到积极的作用。

3.1 PET/MR组学特征与宫颈癌PD-L1表达的相关性的研究价值

       免疫治疗为宫颈癌患者带来了新的希望^[20]。充分了解肿瘤上PD-L1表达有助于免疫治疗方案的制订，使后续顺利使用药物阻断该通路，使肿瘤细胞无法逃避机体的免疫监视和杀伤^{[21, 22]}。目前，PD-L1表达检测常通过有创性手术病理或穿刺活检对局部组织进行免疫组化染色，局部组织不能反映整个肿瘤的特征，组学模型可以作为评估PD-L1表达的辅助工具^[23]。PET/MR将形态和功能信息与代谢信息相结合^[24]，影像组学能提供更多肉眼无法观察的肿瘤内部信息，可用于预测恶性肿瘤的生物学行为，目前在宫颈癌中的应用已成为研究热点^[25]。因此，本研究以¹⁸F-FDG PET/MR图像为基础，分析了其组学特征与宫颈癌PD-L1表达的相关性。

3.2 PET组学特征与宫颈癌PD-L1表达的相关性

       以往研究中，传统代谢参数最大标准化摄取值（maximum standardized uptake value, SUVmax）是肿瘤中PD-L1状态的最佳预测因子^[26]，而影像组学具有通过检测人眼难以识别的特征来克服传统参数的局限性的潜力。一阶统计特征用于反映肿瘤内灰度强度的分布，反映肿瘤内的异质性^[27]。Maximum、Mean、Minimum、Energy分别代表PET中SUVmax、SUVmean、SUVmin、糖酵解值（total lesion glycolysis, TLG）。Variance反映ROI内组织的异质性，该值越大，组织异质性越强^[28]。本研究结果显示，PD-L1阳性组样本Maximum、Mean、Median、Minimum、Energy参数均明显小于阴性组，提示阳性组肿瘤较小、代谢活性较低且异质性较低。这表明PET图像参数在评估PD-L1表达上有较高的价值，这与以往的研究结果相符^{[13, 29]}。

3.3 MR组学特征与宫颈癌PD-L1表达的相关性

       肿瘤在T1WI、T2WI图像中分别呈等信号、高信号^[30]。Maximum、Mean、Minimum分别代表图像信号强度的最大值、平均值、最小值；Energy代表整体图像信号强度高低；Entropy指定图像值中的不确定性/随机性可以用来反映ROI内组织的异质性^[31]。T1WI图像中，PD-L1阳性组样本Maximum、Mean、Minimum大于阴性组，T2WI图像中PD-L1阴性组样本Energy 、Entropy明显大于阳性组，这两者也提示了PD-L1阳性组肿瘤较小且异质性较低，这与上述PET结果相符。Skewness用于表示图像中数据分布的不对称性，较低的偏度值则表示数据分布相对均匀^[32]。本研究结果表明PD-L1表达阳性组偏度高于阴性组，PD-L1表达阳性组图像中数据分布相对不均匀，我们认为这可能是由于肿瘤细胞迅速增殖、缺氧坏死、囊变等引起的。

3.4 影像组学模型诊断PD-L1表达的效能

       肿瘤的影像组学可以从医学影像中提取难以用肉眼观察到的高度定量的成像特征，它们可能揭示与临床表现和疾病预后相关的肿瘤特性^[33]。影像组学提供了一种非侵入性的方法来分析肿瘤，从而可以捕捉肿瘤内部的复杂性和异质性^[34]。在本研究中，与单一PET、MR影像组学模型相比，PET/MR联合模型在预测宫颈癌PD-L1表达时具有更好的诊断效能，通过PET/MR影像组学检查，可以在临床上对宫颈癌进行诊断，为制订具有针对性的干预方案提供指导。此外有研究表明，PD-L1表达与其他参数（如年龄、性别、分期和吸烟状况）之间没有显著相关性，PD-L1肿瘤比例评分在鳞状细胞癌中显著较高，在腺癌中较低^[35]。本研究却发现患者的年龄、FIGO分期与PD-L1的表达有相关性。其原因可能是由于本研究患者数较少，且均来源于同一单位，存在选择偏倚。

3.5 本研究的局限性

       本文存在以下一些局限性：（1）本文选取的患者群体相对较少，存在抽样误差，有必要进行具有更大样本量的多中心研究；（2）本研究属于回顾性研究，样本均于同一单位选取，无法避免选择偏倚，我们在后续工作中将持续收集病例，扩大样本量，减小选择偏倚；（3）ROI的勾画区域与病理取材无法保证完全一致，结果可能存在选择偏倚；（4）单层病理切片不能完全反映肿瘤的空间异质性。

4 结论

       综上所述，本研究表明¹⁸FDG PET/MR影像组学特征与宫颈癌PD-L1表达差异有较强的相关性，PET/MR影像组学模型在预测PD-L1表达上具有更好的效能，能在临床上为宫颈癌患者评价PD-L1的表达以优化个体诊疗方案，改善患者预后。