0 引言

       宫颈癌是全球范围内女性恶性肿瘤中的发病率和死亡率第四大的癌症，是威胁女性生命健康的重要疾病^[1]。近年来，免疫检查点抑制剂（immune checkpoint inhibitor, ICI）在宫颈癌的治疗中取得了令人信服的结果^{[2, 3, 4]}，以程序性死亡受体-1（programmed death 1, PD-1）及其配体（PD-1 ligand, PD-L1）为主的免疫检查点备受关注。ICI通过阻断抑制性免疫检查点通路，增强免疫系统对癌细胞的识别和攻击能力，从而实现抗肿瘤效果^{[5, 6]}。既往研究表明肿瘤中PD-L1的表达状态与患者免疫治疗反应密切相关，高表达PD-L1患者更容易从免疫治疗中获益^{[7, 8]}。因此了解治疗前PD-L1表达状态对于选择合适的治疗方式进而改善宫颈癌预后具有重要的临床意义。

       目前检测PD-L1表达程度主要依赖于手术或活检肿瘤标本的PD-L1免疫组织化学（immunohistochemistry, IHC）染色，但其为有创性检查且准确性有待提高^[9]。影像组学能够以非侵入性的方式反映整个肿瘤的信息，并避免受肿瘤异质性的影响^{[10, 11]}，在预测非小细胞肺癌、肝细胞癌等恶性肿瘤患者的PD-L1表达水平中具有良好的应用价值^{[12, 13, 14]}。目前，国内已有研究利用MRI影像组学特征评估宫颈癌PD-L1表达相关性的研究^[15]，但该研究选取的患者群体较少且未联合临床相关特征构建预测模型，本研究在弥补上述不足的基础上通过一种系统的、可量化的方法，整合了多参数MRI和关键临床风险因素，旨在提供一个更稳健、更具泛化性的预测工具，为宫颈癌患者治疗决策提供更可靠的依据。

1 材料与方法

1.1 研究对象

       本研究遵守《赫尔辛基宣言》，经辽宁省肿瘤医院伦理委员会批准，免除受试者知情同意，批准文号：LH20250311。回顾性分析2021年1月至2024年9月于本院接受MR增强检查的宫颈癌患者临床和影像资料。纳入标准：（1）经病理证实为宫颈癌；（2）所取样本可以测定PD-L1表达状态；（3）术前2周内行MRI增强扫描；（4）临床及影像学资料完整。排除标准：（1）MRI图像有伪影或其他因素导致图像无法评估；（2）同时存在其他肿瘤。患者的临床病理资料包括年龄、2018国际妇产科联盟（International Federation of Gynecology and Obstetrics, FIGO）分期、病理类型、鳞癌相关抗原（squamous cell carcinoma antigen, SCC-Ag）、人乳头瘤病毒（human papillomavirus, HPV）感染、分化程度。

1.2 宫颈癌病理检查

       根据实体肿瘤PD-L1免疫组织化学检测专家共识（2021版）^[9]，术后石蜡包埋的肿瘤组织样本切片4 μm厚的整张切片进行PD-L1 IHC染色，应用抗体为22C3（美国Dako公司，稀释比例1∶50，检测平台为DAKO Autostainer Link 48）。报告形式采用PD-L1组合阳性评分（combined positive score, CPS），即CPS=（PD-L1膜染色阳性肿瘤细胞+PD-L1膜染色阳性肿瘤相关免疫细胞）/总肿瘤细胞数×100。根据PD-L1表达水平分为两组：PD-L1低表达组（CPS<10%）和PD-L1高表达组（CPS≥10%）。

1.3 MR图像采集和测量

       使用8通道相控阵线圈的3.0 T超导MRI扫描仪（Verio syngo, Siemens）进行盆腔增强MRI扫描，对比剂使用钆特酸葡胺（北京北陆药业股份有限公司，中国），注射速率2.5 mL/s，注射剂量0.2 mmol/kg，随后立即以相同流率追加注射生理盐水20 mL。扫描系列及参数：轴位T1WI，TR 514 ms，TE 11 ms，层厚5.0 mm，层间距2.0 mm，矩阵516×640，激励次数2；轴位脂肪抑制T2WI（fat suppression-T2WI, FS-T2WI），TR 3000 ms，TE 88 ms，层厚5.0 mm，层间距2.0 mm，矩阵294×448，激励次数2；轴位对比增强T1WI（contrast enhancement-T1WI, CE-T1WI），TR 677 ms，TE 11 ms，层厚5.0 mm，层间距2.0 mm，矩阵432×640，激励次数2。

1.4 图像分割和特征提取

       将原始图像导入ITK-SNAP软件，由一名具有5年阅片经验的放射科主治医师于MRI图像上沿肿瘤边缘绘制感兴趣区（region of interest, ROI）。为评价影像组学特征是否稳定，随机选取50位患者，由另一位有10年阅片经验的放射科主治医师重新勾画ROI，用于后续影像组学特征的组间相关系数（intra-class correlation coefficient, ICC）检验。

       对上传的MRI图像进行灰度一致化处理，随后进行特征提取。影像组学特征提取的算法基于Python的PyRadiomics（v3.1.0）实现。最终从每个ROI提取了2261个影像组学特征，包括一阶统计特征（Firstorder）、形状特征（shape）、灰度共生矩阵（grey level co-occurrence matrix, GLCM）、灰度相关矩阵（gray level dependence matrix, GLDM）、灰度游程矩阵（grey level run length matrix, GLRLM）、灰度区域大小矩阵（gray level size zone matrix, GLSZM）、邻域灰度差矩阵（neighbouring gray tone difference matrix, NGTDM）。

       通过ICC对提取的影像组学特征进行一致性检验，将ICC≥0.75的影像组学特征纳入后续研究。采用Z-score归一化消除不同特征之间维度的影响，计算公式为Z=（x-μ）/σ，其中μ为所有特征值的均值，σ为所有特征值的标准差。特征相关性分析使用皮尔逊相关系数，对于相关系数>0.9的特征，只保留一个。然后通过卡方检验、方差检验筛选出差异具有统计学意义的特征。最后采用递归特征消除算法，利用随机森林作为基模型，递归地移除对模型贡献较小的特征，筛选出对模型预测最为关键的特征。

1.5 模型构建

       筛选与降维后选择的影像组学特征与临床病理特征被应用于预测模型的建立，采用极端梯度提升（extreme gradient boosting, XGBoost）分类器分别构建临床病理模型、影像组学模型和临床病理+影像组学特征的联合模型以预测宫颈癌PD-L1表达水平。

1.6 统计学分析

       采用SPSS 26.0统计分析各项临床和影像指标。使用Kolmogorov-Smirnov对计量资料进行正态分布检验，对满足正态分布的数据使用独立样本t检验，用均数±标准差表示，不符合正态分布的采用Mann-Whistney U检验，用四分位数间距表示。计数资料对比用卡方检验。利用受试者工作特征（receiver operating characteristic, ROC）曲线分析得出影像组学模型的曲线下面积（area under the curve, AUC）、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为差异有统计学意义。使用R软件（V4.4.2）的“rms”包绘制校准曲线、决策分析曲线（decision curve analysis, DCA）及列线图。

2 结果

2.1 临床病理特征

       最终共纳入327例患者，按照7∶3比例随机分成训练集（n=228）和验证集（n=99）。患者的临床和病理指标见表1。PD-L1高表达组与PD-L1低表达组患者的HPV感染及分化程度差异有统计学意义（P<0.05）。年龄、病理类型、SCC-Ag、FIGO分期及原发肿瘤最大径差异均无统计学意义（P>0.05）。基于HPV感染及分化程度构建临床病理诊断模型。

点击查看表格

表1  训练集与验证集临床病理资料比较
Tab. 1  Comparison of clinicopathological data in the training and test sets

2.2 特征筛选及模型构建

       依据PD-L1低、高表达患者病灶的MRI图像及IHC图像（图1、2）分别提取了2261个特征，排除了ICC≥0.75的1462个特征，剩余799个特征是稳定的，包括Firstorder特征166个、shape特征16个、GLCM特征157个、GLDM特征139个、GLRLM特征193个、GLSZM特征95个、NGTDM特征33个。最终筛选出7个最具代表性的影像组学特征构建影像组学模型，2个特征来自T2WI，5个特征来自T1WI（表2）；基于7个影像组学特征和2个临床病理特征构建联合模型。特征筛选流程如图3。两位影像学医师评估各指标的一致性良好，wavelet-LHL_gldm_DependenceVariance、exponential_gldm_DependenceNonUniformity、gradient_gldm_LargeDependenceHighGrayLevelEmphasis、original_glcm_MaximumProbability、original_glcm_ClusterTendency、exponential_glcm_Imc1、logarithm_gldm_DependenceNonUniformity特征的ICC值分别为：0.912、0.965、0.919、0.889、0.877、0.891、0.850。

点击查看大图

图1  女，58岁，宫颈鳞癌，PD-L1低表达。1A~1B：对比增强T1WI横截面图像（1A）及ROI勾画示意图（1B）；1C~1D：脂肪抑制T2WI横截面图像（1C）及ROI勾画示意图（1D）；1E：免疫组化染色图像（× 40）。PD-L1：程序性死亡受体配体1；ROI：感兴趣区。
Fig. 1  Female, 58 years old, cervical squamous cell carcinoma, low expression of PD-L1. 1A-1B: Cross section of contrast enhancement-T1WI image (1A) and schematic diagram of ROI sketch (1B);1C-1D: Cross section of fat suppression-T2WI image (1C) and schematic diagram of ROI sketch (1D); 1E: Immunohistochemical staining image (× 40). PD-L1: programmed death-ligand 1; ROI: region of interest.

点击查看大图

图2  女，55岁，宫颈鳞癌，PD-L1高表达。2A~2B：对比增强T1WI横截面图像（2A）及ROI勾画示意图（2B）；2C~2D：脂肪抑制T2WI横截面图像（2C）及ROI勾画示意图（2D）；2E：免疫组化染色图像（× 40）。PD-L1：程序性死亡受体配体1；ROI：感兴趣区。
Fig. 2  Female, 55 years old, cervical squamous cell carcinoma, high expression of PD-L1. 2A-2B: Cross section of contrast enhancement-T1WI image (2A) and schematic diagram of ROI sketch (2B); 2C-2D: Cross section of fat suppression-T2WI image (2C) and schematic diagram of ROI sketch (2D); 2E: Immunohistochemical staining image (× 40). PD-L1: programmed death-ligand 1; ROI: region of interest.

点击查看大图

图3  组学特征筛选流程图。CE：对比增强；FS：脂肪抑制。
Fig. 3  A flowchart for radiomics feature selection. CE: contrast enhancement; FS: fat suppression.

点击查看表格

表2  特征降维得到的影像组学特征
Tab. 2  Radiomics features are obtained through feature dimensionality reduction

2.3 模型诊断效能评估

       联合模型在训练集和验证集中预测PD-L1表达程度效果最好，AUC分别为0.932 [95%置信区间（confidence interval, CI）：0.898~0.967]和0.805（95% CI：0.694~0.916）（图4、表3）；两两DeLong检验表明，临床病理模型与影像组学模型、临床病理模型与联合模型、影像组学模型与联合模型的AUC差异均有统计学意义（P<0.05），联合模型明显优于单影像组学模型或单临床模型。联合模型表现出良好的校准效果（图5）。PD-L1预测模型的DCA显示联合模型比影像组学模型或临床病理模型增加了更多的净收益（图6）。列线图（图7）用于预测PD-L1表达。

点击查看大图

图4  训练集（4A）、验证集（4B）的ROC曲线。ROC：受试者工作特征；AUC：曲线下面积。
Fig. 4  ROC curve for the training set (4A), the validation set (4B). ROC: receiver operating characteristic; AUC: area under the curve.

点击查看大图

图5  联合模型在训练集（5A）、验证集（5B）的校准曲线。
Fig. 5  Calibration curves of combined models on the training set (5A) and validation set (5B).

点击查看大图

图6  各模型在训练集的临床决策曲线。Y轴表示临床净收益，X轴表示高风险阈值。
Fig. 6  Clinical decision curves of various models on the training set. The Y-axis represents the clinical net benefit and the X-axis represents the high risk threshold.

点击查看大图

图7  联合模型的列线图。Radscore：影像组学评分；HPV：人乳头瘤病毒。
Fig. 7  Nomogram of the combined model. Radiomics: radiomics score; HPV: Human papillomavirus.

点击查看表格

表3  各模型诊断效能对比
Tab. 3  The diagnostic performance of each model was compared

3 讨论

       本研究基于MR影像组学特征（CE-T1WI、FS-T2WI）与临床病理指标（分化程度、HPV感染）构建临床-影像组学联合模型，实现对宫颈癌PD-L1表达程度的无创鉴别。验证集结果显示：联合模型AUC达0.805，显著优于单一临床病理模型（AUC=0.698）及影像组学模型（AUC=0.712）。与近几年同类研究相比^{[16, 17]}，本研究的联合模型在样本量及诊断效能上具有显著优势，AUC值处于同类研究较高水平。该模型可无创评估宫颈癌患者的PD-L1表达水平，显著提升预测准确性，推动个体化治疗，为宫颈癌的治疗决策提供更多参考依据。

3.1 临床病理特征与宫颈癌PD-L1表达程度的关系

       本研究临床病理特征的分析结果显示，HPV感染阳性、分化程度较低的宫颈癌更容易出现PD-L1高表达。已有研究显示，PD-L1的表达受HPV正向调控^[18]。可能HPV通过E6蛋白结合细胞抑癌基因产物P53蛋白，使得P53蛋白表达异常，引起TGF-β1过表达，诱发炎症反应，促进PD-1与PD-L1蛋白的结合^[19]，提示HPV感染阳性与PD-L高表达密切相关，与本研究结果表现一致。同时，免疫细胞和肿瘤细胞表面PD-L1高表达，更容易通过结合T细胞表面PD-1受体，削弱T细胞对肿瘤细胞的杀伤能力，让机体的免疫监视无法探测到，从而抑制免疫反应，加速宫颈癌细胞生长蔓延^{[20, 21, 22]}，因此发现在分化程度低的患者中PD-L1高表达。这与其他相关病理特征与PD-L1表达水平的研究结果相似^{[23, 24, 25]}，PD-L1在侵袭性更强的肿瘤中表达更高。

       既往研究显示PD-L1表达在不同FIGO分期，不同肿瘤大小中表达不同^[26]。本研究结果并未发现PD-L1与FIGO分期的相关性，原因可能与本研究样本量较小有关。此外有研究表明病理类型中鳞癌相较于非鳞癌的宫颈癌CPS评分更高，提示组织学亚型可能与宫颈癌PD-L1表达相关^[27]。但在本研究中纳入的病理类型在宫颈癌PD-L1高、低表达组之间差异无统计学意义，这可能与研究中纳入的非鳞癌患者数量较少有关，存在选择偏移。未来还需纳入更多非鳞癌患者，进一步探索病理类型与PD-L1表达相关性。SCC-Ag在宫颈癌免疫治疗反应及预后之间的潜在相关性已有研究报道^[28]，TURATO等^[29]研究显示食管癌中SCC-Ag水平与PD-L1表达呈正相关。本研究中SCC-Ag与宫颈癌PD-L1表达水平之间差异并无统计学意义。与高雯等^[30]研究结果一致，可能因为纳入的宫颈癌患者SCC-Ag变化范围较大，之后将进行更精细的患者分组，以排除特定亚组的异质性影响。

3.2 影像组学特征与宫颈癌PD-L1表达程度的关系

       在本研究中最终获得7个对于PD-L1表达有鉴别意义的影像组学特征包括4个GLDM及3个GLCM特征。从特征性质看，GLDM和GLCM均属于二阶纹理特征，二阶纹理特征能够计算肿瘤的复杂程度和纹理厚度，规避主观因素的影响，客观地提取病灶内肉眼无法识别的特征信息^{[31, 32]}。提取的影像组学特征中权重系数排名最高的特征为依赖非均匀性、其次为高灰度大依赖优势，均属于GLDM特征。依赖非均匀性用于量化整个图像中依赖关系的相似性，值越高表示图像中依赖关系之间的异质性越高，依赖分布越不均；灰度大依赖优势可量化具有较高灰度值和体素强相关关系的联合分布情况，值越低说明图像中高灰度区域依赖更小，图像异质化纹理越多，纹理越不均匀^[33]，表明在MR图像中，宫颈癌患者图像纹理异质性和灰度差异与宫颈癌PD-L1表达水平有关。本研究结果显示PD-L1高表达组病灶异质性更高，可能因为高表达PD-L1的病灶生长中后期CD8⁺ T淋巴细胞处于耗竭状态，且CD4⁺ T淋巴细胞浸润减少，从而促进肿瘤细胞增殖活跃度更高^[34]，故表现出更高的异质性。既往研究表明结肠腺癌肿瘤细胞上PD-L1表达水平比在肿瘤浸润免疫细胞上表达更不均匀^[35]。肿瘤内部微环境的局部差异通过影响细胞的表型和功能，进而影响PD-L1的表达和免疫细胞的浸润。未来研究中，可以通过免疫荧光和定量IHC技术，进一步在不同的肿瘤亚区精确测量PD-L1表达水平和免疫细胞的空间密度。将这些IHC信息与同一亚区提取的影像组学特征进行关联分析，提高模型预测精准性。

3.3 联合模型对PD-L1表达程度的预测价值

       本研究构建的联合模型通过整合分化程度、HPV感染及MR影像组学特征，将验证集诊断效能显著提升（AUC=0.805）。该联合模型的核心优势在于实现了临床病理指标与MR影像组学特征的深度融合与协同互补：一方面病理分化程度与HPV感染能够从肿瘤恶性演进潜能及病毒致癌机制角度揭示PD-L1表达的内在驱动因素；另一方面，影像组学通过二阶纹理特征量化肿瘤异质性及微观结构异常，突破了传统病理IHC染色的局限，从而提高PD-L1检测准确性。这与其他疾病中临床-影像多维度整合提高模型效能的结果一致^{[36, 37, 38, 39]}。

3.4 本研究的局限性

       尽管基于临床和MRI影像组学研究取得了较好的结果，但本研究仍存在一些局限性：（1）本研究属于回顾性研究且研究在单一机构中进行，因此需要大样本、多中心的研究来验证模型以提高模型的预测能力。（2）本研究使用的手动勾画ROI和图像分割法在重复性和操作者所需的专业知识等方面存在局限性。未来研究应致力于开发可靠且准确的自动化分割方法。（3）本研究部分研究对象来自活检标本，鉴于PD-L1表达在肿瘤内部存在时空异质性，这可能无法完全代表整个肿瘤的PD-L1表达，从而在理论上构成了“金标准”的潜在偏差。在后续研究中，我们将优先收集接受根治性手术患者的样本。通过将术前影像与完整的术后标本进行影像-病理空间配准，提高模型准确性。

4 结论

       综上所述，本研究表明MR影像组学特征、分化程度、HPV感染与宫颈癌PD-L1表达程度独立相关，基于上述参数构建的联合模型在预测宫颈癌PD-L1表达水平中具有更好的效能，有希望作为病理学金标准的补充，为患者选择合适的治疗方案。