0 引言

       宫颈癌是女性生殖系统中第四常见的恶性肿瘤，也是全球女性肿瘤患者死因的第四位^[1]。淋巴血管间隙侵犯（lymphovascular space invasion, LVSI）与肿瘤浸润、转移、疾病复发等密切相关，是决定宫颈癌患者预后的重要因素^{[2, 3]}。宫颈癌的治疗以手术联合放化疗为主，其术后总生存时间和无病生存期与LVSI密切相关^{[4, 5, 6]}。术前有效评估LVSI状态对宫颈癌患者手术及后续放化疗治疗方案的制订具有指导性作用^{[7, 8]}。然而，目前临床上对宫颈癌LVSI的判定主要依赖病理活检，尚缺乏术前有效预测的无创性方法。

       MRI作为一种非侵入性的成像方法，能清晰显示宫颈病变与邻近结构的关系。目前已广泛用于评估宫颈癌LVSI状态^{[9, 10, 11, 12, 13, 14, 15]}。酰胺质子转移加权（amide proton transfer weighted, APTw）成像作为一种新兴的无对比剂MRI分子影像技术，能够无创检测体内游离蛋白或多肽分子酰胺质子的浓度和交换率，反映组织游离蛋白含量及pH值变化^{[16, 17]}。SONG等^[13]的研究发现APTw有望成为术前评估宫颈癌LVSI的潜在生物标志物。

       影像组学因其能够高通量地从影像图像中提取并分析大量与肿瘤生物学行为潜在相关的影像学特征，从而实现无创、全面定量评估肿瘤异质性的能力而备受关注^{[18, 19]}。然而，既往的影像组学研究主要集中在常规MRI序列^{[20, 21, 22]}、扩散加权成像（diffusion weighted imaging, DWI）^{[23, 24]}以及动态对比增强磁共振成像（dynamic contrast enhanced magnetic resonance imaging, DCE-MRI）^[23]等序列，并未充分考虑到APTw在术前预测宫颈癌LVSI方面的价值。因此，本研究旨在探讨基于APTw影像组学术前预测宫颈癌LVSI的可行性与临床价值。

1 材料与方法

1.1 研究对象

       本研究为回顾性研究，遵守《赫尔辛基宣言》，经大连医科大学附属第一医院伦理委员会批准，免除受试者知情同意，批准文号：PJ-KS-KY-2021-180。收集2019年7月至2023年5月因怀疑有子宫疾病于我院行盆腔3.0 T MRI检查的186例患者病例及影像资料。纳入标准：（1）经手术病理证实为宫颈癌；（2）术前行盆腔3.0 T MRI检查（含轴位T2WI、矢状位T2WI、DCE-MRI和3D-APTw序列）。排除标准：（1）患者术前接受其他治疗或处置；（2）病理信息及临床资料不完整；（3）图像质量不佳，伪影明显并影响病灶的观察和数据测量。最后本研究纳入宫颈癌患者病例及影像资料共计66例。按照4∶1比例将入组病例随机分为训练集和测试集。查阅临床病例管理系统，回顾性收集年龄、是否绝经、有无异常阴道出血、国际妇产科联盟（International Federation of Gynecology and Obstetrics, FIGO）分期以及组织分化程度等临床及病理资料。

1.2 扫描方法及参数

       采用3.0 T MRI扫描仪（Ingenia CX，Philips Healthcare，Best，荷兰），32通道腹部线圈，行子宫轴位T2WI、矢状位T2WI、3D-APTw和DCE-MRI序列扫描。各序列具体扫描参数如表1所示。APTw序列采用3D快速自旋回波DIXON序列扫描，并使用化学位移频率选择方法进行脂肪抑制，采集7个饱和频率点（±2.7、±3.5、±4.3和1540 ppm）的数据并通过信号拟合和B0场校正计算最终的APTw图像。在各频点的饱和功率和饱和时间分别为2 µT和2 s，B0场图是通过在+3.5 ppm饱和频点处进行三次不同回波时间的数据采集计算得到的；DCE-MRI序列采用T1高分辨各向同性容积激发（enhanced-T1 high resolution isotropic volume excitation, e-THRIVE）序列扫描，先用21 mL生理盐水进行冲洗，在第1期相扫描结束后，以2.5 mL/s的流率和0.2 mL/kg的剂量注射对比剂Gd-DTPA（钆喷酸葡胺，北京北陆药业股份有限公司，中国北京），随后以相同流率注入21 mL生理盐水，共扫描40期图像。

点击查看表格

表1  T2WI、APTw和DCE-MRI序列扫描参数
Tab. 1  Scan parameters of T2WI, APTw and DCE-MRI sequences

1.3 图像预处理及病灶分割

       在不知晓病理结果的前提下使用ITK-SNAP软件（4.0版，开源软件，http://www.itksnap.org），参照T2WI及增强扫描图像，在APTw图最大层面沿肿瘤边缘手动逐层勾画ROI，最后合成3D容积感兴趣区（volume of interest, VOI）。ROI需包含变性、坏死和出血区^[19]。在IntelliSpace Portal（ISP v10, Philips Healthcare）工作站上，选择APTw-T2WI融合图像上病灶最大层面对肿瘤实质区域进行ROI勾画并记录APT值，避开出血、囊变及坏死区域（图1）^[8]。由具有3年盆腔放射学诊断经验的住院医师A如前所述完成最终入组的66例患者的ROI以及VOI的勾画。一个月后随机抽取20例，由医师A和具有5年盆腔放射学诊断经验的主治医师B采用双盲法分别如前所述完成ROI以及VOI的勾画。

点击查看大图

图1  宫颈癌MRI感兴趣区（ROI）勾画。1A：矢状位T2WI显示宫颈病变呈稍高信号，位于子宫颈管内（箭）；1B：动态对比增强（DCE）显示动脉早期肿瘤明显强化（箭）；1C：酰胺质子转移加权成像（APTw）和T2WI矢状位融合图显示病灶呈高信号（箭）；1D：逐层勾画ROI融合而成的3D容积感兴趣区（VOI）；1E：淋巴血管间隙侵犯（LVSI）阳性病理图（HE ×200）显示脉管内见癌栓形成（箭）。
Fig. 1  Delineation of MRI region of interest (ROI) in cervical cancer. 1A: Sagittal T2WI image shows slightly high signal intensity lesions within the cervical canal (arrow); 1B: Dynamic contrast enhanced (DCE) image demonstrates significant early arterial enhancement of the tumor (arrow); 1C: Fusion image of amide proton transfer weighted (APTw) and sagittal T2WI images shows high signal intensity of the lesion (arrow); 1D: Layer by layer delineating the three-dimensional volume of interest (VOI) formed by the fusion of ROI; 1E: The pathological image (HE ×200) of positive lymphovascular space invasion (LVSI) exhibits cancer emboli formation within vessels (arrow).

1.4 一致性检验

       为确保APT值测量以及影像组学特征提取的可重复性，采用组内相关系数（intra-class correlation coefficient, ICC）对观察者内（医师A前后两次）和观察者间（医师A和医师B）测量的APT值以及提取特征的一致性进行评估。选择ICC>0.900的影像组学特征作为具有良好复测信度的特征，以便进行进一步的特征选择。

1.5 特征提取

       基于uAI Research Portal软件（20240130版，上海联影智能医疗科技有限公司，中国），将NII.格式的原始图像与VOI图像导入以提取特征。于APTw图提取464个影像组学特征，包括90个一阶特征、14个形状特征、360个纹理特征（灰度共生矩阵特征GLCM、灰度依赖矩阵特征GLDM、灰度游程矩阵特征GLRLM、灰度区域大小矩阵特征GLSZM和邻域灰度差矩阵特征NGTDM）。

1.6 特征降维和模型建立

       采用递归特征消除法（recursive feature elimination, RFE）及最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）算法筛选最优组学特征。进一步，通过五折交叉验证方法选择最优惩罚参数，根据logistic回归分类器建立APTw影像组学模型。然后根据剩余特征的加权系数得到影像组学评分（radiomics score, Radscore）。最后，使用APTw影像组学模型的Radscore值和临床独立预测因素基于logistic回归分类器共同构建联合组学模型。

1.7 统计学分析

       使用IBM SPSS Statistics 25.0软件（IBM Corp, Armonk, NY, USA）进行统计分析。Mann-Whitney U检验用于比较LVSI（+）组和LVSI（-）组之间以及训练集和测试集之间的计量资料的差异，Chi-squared检验或Fisher精确检验用于比较两组之间的计数资料的差异。应用受试者工作特征（receiver operating characteristic, ROC）曲线分析APT值、临床模型、APTw影像组学模型和联合组学模型的诊断效能，各曲线下面积（area under the curve, AUC）之间的差异性比较采用DeLong检验。通过决策曲线分析（decision curve analysis, DCA）以确定预测模型的临床实用性。P<0.05认为差异具有统计学意义。

2 结果

2.1 一般临床资料

       本研究最终纳入宫颈癌患者66例。根据病理结果分为LVSI（+）组38例，年龄30~72岁，中位年龄56.50岁；LVSI（-）组28例，年龄38~69岁，中位年龄56.00岁。LVSI（+）组和LVSI（-）组之间的年龄、绝经状态、不规则阴道流血和组织分化程度的差异均无统计学意义（P>0.05），而FIGO分期的差异具有统计学意义（P<0.05）（表2）。训练集和测试集之间的一般临床病理资料差异均无统计学意义（P>0.05；表3）。

点击查看表格

表2  一般临床资料
Tab. 2  General clinical data

点击查看表格

表3  训练集和测试集的一般临床资料
Tab. 3  General clinical data between the training set and the test set

2.2 一致性分析

       一致性分析结果显示，观察者内和观察者间APT值测量的一致性较好，ICC值分别为0.936和0.885；基于APTw图像所提取的464个影像组学特征中共筛选出269个复测信度较好（ICC>0.900）的特征用于后续分析，其中包括59个一阶特征、5个形状特征以及205个纹理特征。

2.3 LVSI（+）组和LVSI（-）组间APT值的比较

       LVSI（+）组的APT值（3.31%±0.66%）大于LVSI（-）组[2.75%（2.45%，3.00%）]，差异有统计学意义（P=0.001）（图2）。

点击查看大图

图2  LVSI（+）组和LVSI（-）组的APT值的比较。
图3  APT值预测宫颈癌LVSI的ROC曲线。LVSI：淋巴血管间隙侵犯；APT：酰胺基质子转移；ROC：受试者工作特征。
Fig. 2  The comparison of APT values between LVSI (+) group and LVSI (-) group.
Fig. 3  The ROC curves of the APT value for predicting LVSI of cervical cancer. LVSI: lymphovascular space invasion; APT: amide proton transfer; ROC: receiver operating characteristic.

2.4 APT值预测宫颈癌LVSI的效能

       APT值预测宫颈癌LVSI的AUC值、敏感度和特异度分别为0.744、57.9%和85.7%（图3）。

2.5 临床模型、APTw影像组学模型和联合组学模型的建立与评价

2.5.1 临床模型

       经单因素和多因素分析后，最终筛选出FIGO分期是预测LVSI的独立因素（P=0.012）。基于FIGO分期构建的临床模型在评估LVSI的效能上表现一般，在训练集和测试集中的AUC值分别为0.675和0.600（表4，图4）。

点击查看大图

图4  在训练集（4A）和测试集（4B）中临床模型、APTw影像组学模型和联合模型预测宫颈癌LVSI的ROC曲线分析。APTw：酰胺质子转移加权成像；LVSI：淋巴血管间隙侵犯；ROC：受试者工作特征。
Fig. 4  The ROC curves of the clinical model, APTw radiomics model and the combined model for predicting LVSI of cervical cancer in the train set (4A) and test set (4B). ROC: receiver operating characteristic; APTw: amide proton transfer weighted; LVSI: lymphovascular space invasion.

点击查看大图

图5  递归特征消除法保留的20个特征及权重。
图6  最小绝对收缩和选择算子降维路径图。
Fig. 5  The 20 features retained by recursive feature elimination and their weights.
Fig. 6  The least absolute shrinkage and selection operator dimensionality reduction path diagram.

点击查看表格

表4  临床模型、APTw影像组学模型和联合组学模型预测宫颈癌LVSI的效能
Tab.4  Performance of the clinical model, APTw radiomics model and the combined model in predicting LVSI of cervical cancer

2.5.2 APTw影像组学模型

       269个复测信度较好的影像组学特征经过RFE分析后，保留了20个特征（图5）。使用LASSO分析后剩余了19个特征（图6）。最终剩余的19个特征用于构建APTw影像组学模型，该模型的各特征加权系数如表5所示。

       APTw影像组学模型预测宫颈癌LVSI的AUC、敏感度和特异度在训练集和测试集中分别为0.826、76.7%、69.6%和0.800、62.5%、80.0%（表4，图4）。DeLong检验结果显示，在训练集中，APTw影像组学模型预测宫颈癌LVSI的效能显著高于临床模型，差异有统计学意义（P<0.05）。

点击查看表格

表5  APTw影像组学模型剩余特征的加权系数
Tab. 5  The weighted coefficients of remaining features in the APTw radiomics mode

2.5.3 联合组学模型

       在训练集中，联合组学模型（AUC=0.838）术前评估宫颈癌LVSI的效能显著高于临床模型（AUC=0.675）及APTw影像组学模型（AUC=0.826）（DeLong检验P均<0.05），其敏感度和特异度分别为90.0%和65.2%。在测试集中，临床模型、APTw影像组学模型和联合组学模型之间的效能差异无统计学意义（DeLong检验P均>0.05）（表4，图4）。

2.5.4 临床效益

       DCA结果显示，在训练集和测试集中的大部分阈值概率范围内，APTw影像组学模型和联合组学模型在预测宫颈癌LVSI方面的临床效益优于临床模型（图7）。

点击查看大图

图7  训练集（7A）和测试集（7B）中的临床模型、APTw影像组学模型和联合组学模型的决策曲线。APTw：酰胺质子转移加权成像。
Fig. 7  The decision curve of the clinical model, APTw radiomics model and combined model in the training set (7A) and the test set (7B). APTw: amide proton transfer weighted.

3 讨论

       本研究首次探讨了APTw影像组学在术前预测宫颈癌LVSI状态方面的临床应用价值。结果显示，仅凭临床因素构建的传统模型术前预测LVSI的价值有限，相比之下，基于APTw影像组学预测模型以及纳入临床因素的联合组学预测模型在术前预测宫颈癌LVSI方面表现出较高的潜力，有望为宫颈癌患者的个体化治疗和预后评估提供重要支持。

3.1 APT值在术前预测宫颈癌LVSI方面的应用价值

       APTw成像作为一种新型的化学交换饱和转移（chemical exchange saturation transfer, CEST）MRI分子成像技术，能够从细胞及分子水平无创检测内源性游离蛋白质和多肽分子的含量以及pH值变化，从而间接反映肿瘤细胞内代谢变化及病理生理信息^{[16, 25]}。在宫颈癌的病理分化程度^[26]、组织学分级^[27]和预后^{[28, 29]}评估中具有重要的临床应用价值。近期，本团队SONG等^[13]研究发现，APTw定量参数在术前预测宫颈癌的LVSI方面表现出较高的效能，其AUC值为0.824。该研究强调了APTw技术在术前评估宫颈癌LVSI中的重要作用。在本研究中，我们同样探讨了APT值在预测宫颈癌LVSI方面的应用价值。结果显示其AUC值为0.744，与SONG等^[13]的研究结果基本一致，这一结果进一步验证了APTw在术前评估宫颈癌LVSI方面的优势。

3.2 APTw影像组学预测模型在术前预测宫颈癌LVSI方面的应用价值

       在本研究中，基于APTw图像对肿瘤病灶提取原始及高级特征（包括小波特征和LoG特征），共提取464个影像组学特征。最终筛选出19个最具稳定性和预测性的特征，包括1个形状特征（表面积体积比）、1个一阶特征（均匀度）、1个GLCM特征（相关性）、2个GLRLM（游程熵）、4个GLDM特征（低灰度小依赖强调、依赖方差、依赖熵）和10个GLSZM特征（区域方差、区域百分比、区域熵、大/小区域高灰度强调度、大/小区域强调度、正则化的大小区域不均匀性、大小区域不均匀性）。其中，表面积体积比作为常见的形状特征能够量化了肿瘤边界的不规则程度^[30]。其在预测LVSI阳性方面占有较高的权重，可能是由于LVSI阳性肿瘤更具侵袭性、生长速度更快，形状更不规则。均匀度是每个强度值的平方和的度量，属于一阶特征范畴，均匀度越高，意味着图像的离散强度值范围越小^[31]。GLCM特征能够反映灰度的分布特征以及具有相同灰度或接近灰度的像素之间的位置分布特性，GLRLM特征可以提供一个或多个方向上具有相同灰度的连续像素在二维或三维空间上的空间分布信息，GLDM特征能够量化图像中各个灰度值之间的依赖关系强弱，GLSZM特征描述了具有一定大小和强度的体积像素内的同质连接区域的数量^{[32, 33, 34]}。与形状特征和一阶特征相比，GLCM、GLRLM、GLDM和GLSZM特征作为常用的纹理特征能够实现对肿瘤体积内的同质区域以及从区域尺度上对肿瘤的异质性进行描述，目前已广泛用于评估肿瘤内异质性以及灰度和纹理水平特征的细微差异^{[35, 36]}。相较于LVSI阴性肿瘤，LVSI阳性肿瘤具有更强的侵袭性，其肿瘤细胞可能具有更高的恶性增殖潜力，并产生和释放更多的蛋白质和多肽，从而导致APTw图像上能够反映微观病理变化的形状特征、一阶特征以及纹理特征之间存在差异。

       此外，我们还观察到19个关键特征中LoG特征占比最大（14/19），其原因可能是因为LoG滤波器不仅可以通过设置不同的参数比例来实现图像的平滑和降噪，还可以增强纹理细节，从而能够更高效地提取与肿瘤异质性相关的表型特征^[37]。因此，LoG特征参数更能反映肿瘤内异质性，能够提供更多的与宫颈癌LVSI相关的预测信息。这一结果与贾亚菊等^[38]和侯丽娜等^[39]研究结果相似。因此，我们认为LoG特征参数有望成为术前预测宫颈癌LVSI的潜在影像生物标志物。

       在本研究中，我们还发现基于FIGO分期构建的临床模型无论在训练集还是测试集中术前预测LVSI的价值有限（AUC值分别为0.675和0.600）。相比之下，基于APTw的影像组学模型和纳入临床因素的联合组学模型表现出明显的优势，二者在训练集中预测宫颈癌LVSI的AUC值分别达到0.826和0.838。我们的研究结果较优于姜文研等^[40]研究，后者通过结合T1CE和T2WI序列构建的影像组学模型在预测宫颈癌LVSI方面的表现稍逊，其在训练集和测试集中的AUC值分别为0.812和0.775。崔雅琼等^[41]研究显示，相较于单独利用6个单一序列（T1c_SAG、T1c_TRA、T2W_P2、T2W_SAG、T2W_TRA、DWI）的影像组学模型，利用多参数MRI影像组学特征构建的联合模型以及联合临床因素构建的结合模型在宫颈癌LVSI预测方面表现更加出色，其AUC值分别为0.804和0.823。这一结果与本研究仅使用APTw序列以及联合临床因素构建的宫颈癌LVSI术前预测模型结果相仿。此外，我们还发现无论在训练集还是在测试集中，APTw影像组学模型以及联合组学模型术前预测宫颈癌LVSI的效能均高于单纯APT值。这些结果表明基于APTw影像组学预测模型以及联合组学预测模型在术前预测宫颈癌LVSI方面具有较高的潜力，有望为宫颈癌患者的个体化治疗和预后评估提供重要支持。然而，在测试集中，虽然临床模型、APTw影像组学模型以及联合组学模型预测宫颈癌LVSI的AUC值依次提高，但三者之间效能的差异无统计学意义，其原因可能是由于测试集的样本量有限，未来仍需扩大样本量进行更深入的研究。

3.3 本研究的局限性

       本研究尚存在一定的局限性：（1）单中心数据来源，所有数据均来自本院，应与其他研究中心合作进行外部验证，以提高预测模型的普适性；（2）纳入研究的患者数量相对较少，应进一步增加病例数，以提高模型的预测效能；（3）回顾性研究，可能存在选择偏倚的问题；（4）在未来研究中，应考虑引入更为先进的分析方法，比如深度学习和生境分析等，以提升模型的预测效能。

４ 结论

       综上所述，基于APTw的影像组学预测模型和联合组学预测模型可以有效地在术前预测宫颈癌患者LVSI状态。这种无创性预测技术为宫颈癌患者的术前病情评估、手术治疗方案的指导以及预后预测提供了重要信息，具有广阔的临床应用前景。