0 引言

       尽管人乳头瘤病毒（human papilloma virus, HPV）疫苗的应用和早期筛查的普及降低了宫颈癌（cervical cancer, CC）发病率和死亡率，CC目前仍然是中国女性第二常见的恶性肿瘤，并伴有年轻化的趋势^{[1, 2, 3, 4]}。IB3-IVA期的CC被定义为局部晚期宫颈癌（locally advanced cervical cancer, LACC），约37%的CC患者发现时即为LACC^[5]。美国国家综合癌症网络（national comprehensive cancer network, NCCN）指南推荐LACC的患者最佳治疗方案为同步放化疗（concurrent chemotherapy and radiotherapy, CCRT）加近距离放疗^{[6, 7]}。然而CC发病率较高的农村地区放疗设备及放疗科的设置严重满足不了LACC患者CCRT的需求^[8]。因此临床上常在手术或放疗前应用新辅助化疗（neoadjuvant chemotherapy, NACT）以缩小肿瘤的体积、降低淋巴结转移率和宫旁浸润率^{[9, 10, 11]}。

       淋巴结转移是CC最常见的转移方式及最重要的预后影响因素，研究证实NACT后淋巴结转移仍是影响LACC患者预后的重要因素^{[12, 13, 14]}。多参数磁共振成像（multi-parametric magnetic resonance imaging, mpMRI）是CC治疗前分期的首选方法^{[15, 16]}。影像组学作为一种能量化肿瘤内部异质性的图像分析方法，是近年来影像研究的热点^[17]。有研究已经证实，基于NACT前、后MRI的图像特征均与NACT后的淋巴结状态有很好的相关性，并已有研究基于NACT后MRI的组学特征预测LACC患者的淋巴结转移^{[18, 19, 20, 21]}。而术后淋巴结状态对CC后续治疗方案选择也至关重要，根据Sedlis标准，术后淋巴结转移阳性患者需行辅助放化疗^{[7, 22]}，因此在治疗前提前预测淋巴结转移，预测结果提示阳性的患者可考虑选择同步放化疗方案，从而避免手术后再行辅助放化疗造成更多的并发症及不良反应。

       然而，目前基于治疗前MRI组学特征预测NACT后LACC患者淋巴结转移的研究尚未见报道。因此，本研究旨在通过分析NACT前的MRI图像组学特征来构建预测NACT治疗后的淋巴结转移模型，为早期无创性诊断LACC患者NACT后淋巴结转移情况并指导治疗提供帮助。

1 材料与方法

1.1 研究对象

       本研究回顾性收集了来自河南省人民医院（中心1）及河南省肿瘤医院（中心2）2013年1月至2022年2月的364例接受完整NACT方案和根治性子宫切除术，并有病理结果明确为局部晚期宫颈鳞癌（locally advanced cervical squamous cell carcinoma, LACSCC）患者病例。纳入标准：（1）患者接受NACT前1周内盆腔mpMRI扫描，包括b值为800 s/mm²的轴位弥散加权成像（axial diffusion-weighted imaging, Ax_DWI）扫描，并明确术后病理结果为局部晚期宫颈鳞状细胞癌；（2）mpMRI检查前未接受过任何抗癌治疗；（3）接受1-3个周期的NACT后行子宫切除术和淋巴结清扫术。排除标准：（1）MRI图像质量差；（2）NACT后仅接受选择性淋巴结清扫而未行子宫切除术。依据纳排标准，中心1的167例患者纳入训练集，中心2的98例患者纳入验证集。根据术后病理淋巴结状态（pathological lymph node status, LNp）分为淋巴结转移阳性[LNp（+）]和阴性组[LNp（-）]。

       本研究遵守《赫尔辛基宣言》，经河南省人民医院医学伦理委员会及河南省肿瘤医院医学伦理委员会批准，并免除患者知情同意。批准号：2021150、20150315。

1.2 MRI图像采集及参数

       患者的MRI原始图像分别来自GE healthcare（discovery MR 750 3.0 T; signa HDxt 1.5 T）和Siemens Healthineers（MAGNETOM TrioTim 3.0 T; Skyra 3.0 T）的MR平台。MRI检查方案包括矢状位T2加权成像（sagittal T1-weighted imaging, Sag_T2WI）、Ax_DWI和延迟期矢状位对比增强T1加权成像（delayed sagittal T1-weighted contrast-enhanced imaging, Sag_T1C）三个序列。各医院MRI采集的综合参数见表1。

点击查看表格

表1  各医院MRI检查各序列扫描参数
Tab. 1  MRI examination parameters for each sequence in each hospital

1.3 NACT方案

       NACT方案包括1~3个周期的铂类为基础的静脉化疗，每3周给药1次，在完成最后一次NACT后3周，由妇科医生评估手术切除可行性，可切除者行根治性子宫切除术和盆腔淋巴结清扫术。如果术前影像学检查或术中发现腹膜后淋巴结肿大（para-aotic lymph nodes, PALN），则行腹主动脉旁淋巴结清扫术。

1.4 临床信息采集

       采集患者年龄、影像学评估的淋巴结状态（radiological lymph node status, LNr）、术前接受NACT的周期及LNp等临床资料。由1名有13年腹盆疾病诊断经验的放射科副主任医师在不知晓病理结果的情况下，LNr满足以下条件之一定义为阳性：（1）淋巴结短径>8 mm^[23]；（2）增强MRI图像中淋巴结表现为质地不均匀或坏死。

1.5 感兴趣区的勾画

       基于Sag_T2WI、Sag_T1C和Ax_DWI（b值为800 s/mm²）序列对原始图像进行后处理，采用ITK-SNAP软件（Version 4.0.0,http://www.itksnap.org）在CC病变区勾画三维感兴趣区（region of interest, ROI）。此过程由一位具有13年阅片经验的放射科医师（副主任医师）在不清楚临床分期的情况下手动完成，3个月后由另一位具有21年阅片经验的更高级职称的放射科医师逐个验证（主任医师），确定最终ROI（图1）。组内相关系数（intra-class correlation coefficients, ICCs）被用来评估在特征提取方面观察者内部和观察者之间的一致性，ICCs≥0.75代表一致性良好。

点击查看大图

图1  宫颈癌病变区感兴趣区（ROI）勾画图。1A：Sag_T2WI；1B：Sag_T1C；1C：Ax_DWI；1D：Sag_T2WI ROI勾画图；1E：Sag_T1C ROI勾画图；1F：Ax_DWI ROI勾画图；1G：病灶矢状位单层ROI；1H：病灶轴位单层ROI；1I：基于ROI融合得到的ROI三维图像。Sag_T2WI：矢状位T2加权成像；Sag_T1C：矢位对比增强T1加权成像；Ax_DWI：轴位弥散加权成像。
Fig. 1  Region of interest (ROI) delineation of cervical cancer. 1A: Sag_T2WI; 1B: Sag_T1C; 1C: Ax_DWI; 1D: Sag_T2WI ROI delineation; 1E: Sag_T1C ROI delineation; 1F: Ax_DWI ROI delineation; 1G: Single-layer ROI of sagittal cancer lesion; 1H: Single-layer ROI of axial cancer lesion; 1I: Volume of interest in cervical cancer based on fusion of single-layer ROI. Sag_T2WI: sagittal T2-weighted imaging; Sag_T1C: sagittal T1-weighted contrast-enhanced imaging; Ax_DWI: axial diffusion-weighted imaging.

1.6 影像组学特征的提取与选择

       在特征提取前，将每幅图像的灰度量化为5个灰度级，并对每一次MRI扫描进行最大相关最小冗余归一化，以获得图像强度的标准正态分布；利用重采样和插值，并使用神经网络的b样条曲面（b-spine）构造方法，将Sag_T1C重建为1 mm×1 mm×1 mm体素大小；将Ax_DWI和Sag_T2WI重建为1 mm×1 mm×5 mm体素大小。使用开源软件PyRadiomics（version 2.3.0）进行影像组学特征提取。从每个序列图像的ROI中提取2264个特征，包括形状特征（shape）、一阶统计特征（firstorder）以及直方图灰度共生矩阵（gray level co-occurrence matrix, GLCM）、灰度依赖矩阵（gray level dependence matrix, GLDM）、邻域灰度差矩阵（neighbouring gray tone difference matrix, NGTDM）、灰度游程长度矩阵（gray level run length matrix, GLRLM）、灰度区域大小矩阵（gray level size zone matrix, GLSZM）特征。

       采用Z-score标准化方法对提取的特征进行归一化，将数据转换为标准化强度范围，降低特征的量纲差异。为减少计算复杂性和防止过度拟合，先采用K-Best方法去除与分类标签相关性低的特征，再采用最小绝对值收缩与选择算法（least absolute shrinkage and selection operator, LASSO）去除冗余特征（图2），最终选择出与CC患者LNp显著相关的影像组学特征，各组学特征间的相关性如图3。

点击查看大图

图2  最小绝对值收缩与选择算子（LASSO）算法降维特征筛选，LASSO模型中调节参数（λ）的选择。
Fig. 2  The least absolute shrinkage and selection operator (LASSO) is used for dimensionality reduction feature screening.

点击查看大图

图3  经K最佳（K-Best）和最小绝对值收缩与选择算法（least absolute shrinkage and selection operator, LASSO）筛选后去除在组学特征间呈高度相关（r>0.8）的特征后的热图。Sag_T1C：矢位对比增强T1加权成像；Ax_DWI：轴位弥散加权成像；Sag_T2：矢状位T2加权成像；LNr：影像学评估的淋巴结状态。
Fig. 3  The heatmap is filtered using K-Best and least absolute shrinkage and selection operator (LASSO) algorithms to remove highly correlated (r>0.8) features between radiomics features. Sag_T1C: sagittal T1-weighted contrast-enhanced imaging; Ax_DWI: axial diffusion-weighted imaging; Sag_T2: sagittal T2-weighted imaging; LNr: radiological lymph node status.

1.7 预测模型的建立与验证

       基于Sag_T2WI、Sag_T1C和Ax_DWI图像中选择的影像组学特征采用随机森林方法分别构建Sag_T2WI、Sag_T1C和Ax_DWI模型。同时，在三个序列选择的所有特征间做相关性分析，对于呈高度相关（r>0.8）的特征，删除其中与LNp相关性较低的特征，以减轻各组学特征间的共线性对模型构建的影响，最终保留12个组学特征（图3），融合临床因素构建一个组合模型。模型的构建和验证均在开源软件PyRadiomics进行。

1.8 统计学分析

       采用SPSS 27.0软件进行统计学分析。连续变量间的差异采用Student t检验或Mann Whitney U检验（适用时）进行评估；分类变量间的差异采用卡方检验；连续变量间的相关性采用Pearson或Spearman相关性分析进行评估；淋巴结转移阳性和淋巴结转移阴性的二分类变量间的比较采用卡方检验。采用DeLong检验比较不同模型间AUC的差异，并通过DeLong检验评价训练集与验证集中不同仪器预测概率之间的差异性。使用Hosmer-Lemeshow拟合优度检验评价验证集中预测淋巴结转移阳性者概率与实际转移阳性率之间的一致性。用开源软件PyRadiomics绘制筛选后特征的热图，使用R软件（版本4.2.1）安装包绘制决策曲线（decision curve analysis, DCA）。DCA用于通过估计验证数据集中一系列阈值概率的净收益来比较不同影像组学模型的临床效用^[24]。双侧P<0.05时差异具有统计学意义。

2 结果

2.1 研究对象特征

       在训练集167例患者中，包括43例LNp（+）患者及124例LNp（-）患者；在验证集98例患者中，包括26例LNp（+）患者及72例LNp（-）患者。在两个数据集中，LNr在病理淋巴结转移阳性和阴性组之间差异具有统计学意义（P<0.05），但年龄和治疗周期差异无统计学意义（P>0.05）（表2）。LNr作为临床因素用于组合模型的构建。

点击查看表格

表2  不同淋巴结状态组患者的临床特征
Tab. 2  Clinical characteristics of patients in the entire cohort and different lymph node status groups

2.2 影像组学特征和临床因素的选择

       共有3个Ax_DWI特征（1个形状特征，2个纹理特征）、7个Sag_T1C特征（2个形状特征，5个纹理特征）及6个Sag_T2WI特征（1个形状特征，5个纹理特征）被选择。其中，排除相关性较高的特征后，共3个Ax_DWI特征、5个Sag_T1C特征及4个Sag_T2WI特征（图3）用于构建组合模型。

2.3 影像组学模型的建立

       使用随机森林回归分类器分别构建Ax_DWI、Sag_T1C、Sag_T2WI影像组学模型，并融合三个序列筛选后的特征与LNr构建组合模型（表3）。各模型测试集及训练集相对应的ROC曲线见图4。

点击查看大图

图4  各模型受试者工作特征曲线（ROC）。4A：训练集；4B：验证集。LNr：影像学评估的淋巴结状态；Ax_DWI：轴位弥散加权成像模型型；Sag_T2WI：矢状位T2加权成像模；Sag_T1C：延迟期矢状位对比增强T1加权成像模型。
Fig. 4  Receiver operating curve (ROC) of models in training dataset (4A) and validation dataset (4B). LNr: radiological lymph node status; Ax_DWI:axial diffusion-weighted imaging; Sag_T2WI: sagittal T2-weighted imaging; Sag_T1C: sagittal T1-weighted contrast-enhanced imaging.

点击查看表格

表3  单序列模型和组合模型的诊断效能
Tab. 3  Diagnostic efficacy of single models and combined model

2.4 模型间预测性能分析

       基于影像组学特征构建的模型对LACC患者淋巴结转移的诊断效能在训练集均优于LNr（图4）。同时，组合模型在训练集和验证集诊断效能优于所有单序列模型。然而，DeLong检验显示组合模型在训练集仅与Sag_T1C模型的差异无统计学意义（组合模型 vs. Sag_T1C模型：P=0.324；组合模型 vs. Ax_DWI模型：P=0.007；组合模型 vs. Sag_T2WI模型：P=0.017），在验证集组合模型仅与Ax_DWI模型差异无统计学意义（组合模型 vs. Sag_T1C模型：P=0.024；组合模型 vs. Ax_DWI模型：P=0.154；组合模型 vs. Sag_T2WI模型：P=0.025）。且不同仪器间各模型的淋巴结转移预测概率在训练集（Sag_T1C模型：P=0.102；Ax_DWI模型：P=0.238；Sag_T2WI模型：P=0.187；组合模型：P=0.163）和验证集（Sag_T1C模型：P=0.091；Ax_DWI模型：P=0.447；Sag_T2WI模型：P=0.435；组合模型：P=0.738）差异均无统计学意义。敏感度、特异度、阳性预测值（positive predictive value, PPV）和阴性预测值（negative predictive value, NPV）见表3。

2.5 模型临床效用分析

       Hosmer-Lemeshow拟合优度检验显示在验证数据集，所有模型在预测淋巴结转移概率和观察到的发生率之间均表现出良好的一致性（Sag_T1C模型：χ²=1.725，P=0.988；Ax_DWI模型：χ²=3.353，P=0.910；Sag_T2WI模型：χ²=7.178，P=0.518；组合模型：χ²=2.673，P=0.953）。

       验证数据集中预测模型的DCA显示，在几乎整个阈值概率范围内，组合模型在区分淋巴结转移阳性者与阴性者方面比LNr及其他单序列模型具有更高的净收益（图5）。

点击查看大图

图5  验证集各模型决策曲线（DCA）。DCA显示如果风险阈值超过60%，则用组合模型预测LACC患者NACT后淋巴结状态可获得更大的收益。LACC：局部晚期宫颈癌；NACT：新辅助化疗；Sag_T2WI：矢状位T2加权成像模；Sag_T1C：延迟期矢状位对比增强T1加权成像模型；Ax_DWI：轴位弥散加权成像模型型；LNr：影像学评估的淋巴结状态。
Fig.5  Decision curve analysis of the predictive models in the validation dataset. The decision curves showed that if the threshold probability is over 60%, the application of combined model to predict lymph node metastasis after NACT adds more benefit than treating all or none of the patients. locally advanced cervical cancer; NACT: neoadjuvant chemotherapy; Sag_T2WI: sagittal T2-weighted imaging; Sag_T1C: sagittal T1-weighted contrast-enhanced imaging; Ax_DWI: axial diffusion-weighted imaging; LNr: radiological lymph node status.

3 讨论

       本研究首次开发并验证了一种基于治疗前MRI的影像组学特征预测NACT后LACC患者淋巴结转移情况的模型，以期实现早期无创性诊断LACC患者NACT后淋巴结转移情况并指导治疗。研究结果显示，结合Sag_T2WI、Ax_DWI、Sag_T1C三个序列的组学特征及LNr的组合模型预测效能最好，被确定为最优模型，有望为LACC患者治疗方案的制订提供帮助。

3.1 影像组学特征分析

       MRI一直是临床实践中常规用于CC术前局部分期和淋巴结转移检测的成像模式^[16]。MRI对淋巴结转移的诊断依赖于淋巴结的形态学标准，如大小、形状和质地等，它们识别淋巴结转移的性能表现为特异度高，敏感度低（27.0%~45.7%）^{[25, 26, 27, 28, 29]}。既往基于多序列（Sag_T2WI、Ax_DWI、Sag_T1C）组学特征建立模型预测恶性肿瘤淋巴结转移的研究使敏感度得到显著提高（57.0%~85.7%）^{[18, 19, 30]}。

       影像组学特征包括形状特征、一阶统计特征和纹理特征，不同特征维度表示不同的肿瘤信息。一阶统计特征描述图像区域内体素的分布；纹理特征描述灰度的变化，反映肿瘤内部异质性特点^[31]。LUCIA等^[30]学者在评价¹⁸F‐FDG PET/CT和MRI影像组学模型预测局部晚期CC腹主动脉旁淋巴结受累情况时在PET/CT和MRI中均未筛选出一阶统计特征。HOU等^[19]学者在DWI序列与T1C序列均筛选出了一阶统计特征用于构建早期CC患者淋巴结转移的预测模型。而本研究中共筛选出2个形状特征和10个纹理特征，同样未筛选出一阶统计特征，一种解释是LACC患者肿瘤内部异质性较高，转移能力较强，因此在预测淋巴结转移时，纹理特征的特性可能掩盖了一阶统计特征的特性。

3.2 影像组学特征预测淋巴结转移模型评价

       本研究在利用单序列影像组学特征建立的模型中，认为Sag_T1C模型表现出较Sag_T2WI和Ax_DWI更优的诊断性能。ROCKALL等^[28]的研究证实了这一点并强调增强MRI的敏感性优于T2WI，且不影响诊断的特异性。这可能与T1C序列不仅可以提供肿瘤的形态学特征，还可反映肿瘤的微循环状态相关。因此T1C序列能从病灶的微循环和血管表面积中提取更多重要的特征^[32]，从而增加了模型的预测性能。然而，HOU等^[19]学者在研究基于MRI影像组学特征来评价早期CC患者淋巴结转移时，认为利用DWI组学特征构建的预测模型要优于T2WI及T1C模型，这可能与DWI序列具有反映水流动性、组织细胞增生和细胞膜完整性等关键信息的能力有关^[33]。但在本研究基于MRI影像组学特征预测LACSCC患者淋巴结转移所构建的单序列模型中，Ax_DWI模型并未表现显著优势，可能相较于早期CC患者，LACSCC患者癌灶的微循环和血管表面积等特征与淋巴结转移的相关性更高。

       由于筛选出的组学特征均是基于癌灶的形状、纹理特征，为充分利用影像中的淋巴结信息，本研究将组学特征与LNr结合构建了组合模型，结果显示，组合模型的预测性能优于所有的单序列模型，训练集AUC达0.848。既往基于NACT后MRI组学特征评价CC患者淋巴结转移的研究也认为联合多个MRI序列组学特征预测CC患者淋巴结转移的性能可优于单个MRI序列组学特征的预测性能^{[18, 19]}，这可能与联合模型涵盖了更多的信息有关。既往基于NACT后mpMRI影像组学特征的研究建立的CC患者淋巴结转移预测模型AUC值为0.753~0.865^{[18, 19, 34]}，预测性能多低于本研究所构建的组合模型，部分略高于本研究构建的组合模型，可能与MR仪器的差异、样本量的限制有关。

3.3 本研究的局限性及展望

       本研究存在一些不足：首先，本研究未纳入非鳞癌病例，可能会影响模型的临床应用；其次，本研究未纳入治疗后MRI图像，因此无法根据治疗后影像淋巴结状态预测NACT后淋巴结状态；最后，本研究为回顾性研究，可能存在不可避免的选择性偏倚。今后随着样本量的增多，我们会进一步纳入非鳞癌病例，完善相关研究，包括基于淋巴结影像组学特征及NACT前后淋巴结变化开发新的模型等。

4 结论

       本研究将影像组学特征应用于预测LACSCC患者淋巴结转移，试验结果表明，本研究提出的模型对于提高LACSCC患者淋巴结转移的诊断效能具有潜在的临床应用价值，能对LACSCC患者淋巴结转移的早期无创性诊断和治疗方案的制订产生积极影响，有望成为LACSCC患者NACT前评估淋巴结转移的辅助工具。