楊易，馮峰，傅愛燕，楊彥松，葛亞瓊，龔海鵬

宮頸癌的發(fā)病率和死亡率均居女性惡性腫瘤的第四位，僅次于乳腺癌、結(jié)直腸癌和肺癌。2018年全球約有57萬例宮頸癌患者和31.1萬的死亡病例[1]。美國國立綜合癌癥網(wǎng)絡(luò)(National Comprehensive Can-cer Network，NCCN)于2015年提出的宮頸癌臨床實(shí)踐指南中將淋巴脈管間隙侵犯(lymphovascual space invasion，LVSI)列為宮頸癌復(fù)發(fā)的中危因素之一，它可導(dǎo)致宮頸癌復(fù)發(fā)的風(fēng)險增加30%[2-4]。當(dāng)存在中危因素時建議行輔助放療或放化療[5]。根據(jù)2018年國際婦產(chǎn)科聯(lián)盟(International Federation of Gynecology and Obstetrics，F(xiàn)IGO)指南，LVSI不會改變宮頸癌分期，但會對治療決策產(chǎn)生影響[6]。LVSI是重要的預(yù)后不良因素，可顯著降低早期宮頸癌患者的生存率[7]。因此，準(zhǔn)確診斷LVSI是目前宮頸癌患者生存期和個體化治療選擇的重要影響因素。由于病理活檢取材受限，在宮頸癌術(shù)前對LVSI狀態(tài)進(jìn)行準(zhǔn)確判斷有一定難度。因此，通過影像學(xué)方法在術(shù)前對宮頸癌LVSI的準(zhǔn)確預(yù)測有重要意義。

MRI具有軟組織分辨力高、多方位、多參數(shù)和多序列成像等特點(diǎn)，可對宮頸癌病灶的大小、有無宮旁和陰道浸潤、淋巴結(jié)轉(zhuǎn)移和治療效果等方面進(jìn)行評估[8-9]。影像組學(xué)(radiomics)是從斷層圖像(如MRI、CT、PET)中提取大量的影像特征，并通過自動化數(shù)據(jù)特征化算法將感興趣區(qū)(region of interest，ROI)內(nèi)的影像信息轉(zhuǎn)化為數(shù)字化數(shù)據(jù)，更深層次的挖掘、預(yù)測和分析影像信息[10-11]。通過建立影像組學(xué)模型得到的定量參數(shù)可作為評估腫瘤異質(zhì)性的影像學(xué)生物指標(biāo)(imaging biomarker，IB)，并且具有非侵入性和可重復(fù)性的優(yōu)點(diǎn)[12-13]。本研究中對宮頸癌的影像組學(xué)特征和臨床危險因素進(jìn)行分析，建立并驗(yàn)證了一種用于預(yù)測宮頸鱗癌LVSI狀態(tài)的影像組學(xué)列線圖。

材料與方法

1.一般資料

回顧性分析2017年6月-2020年4月在本院就診的235例宮頸癌患者的影像和臨床病理資料。納入標(biāo)準(zhǔn)：①手術(shù)病理證實(shí)為宮頸鱗癌；②在MRI檢查及術(shù)前未經(jīng)相關(guān)治療(新輔助放療、化療或錐切術(shù)等)；③術(shù)前2周內(nèi)在本院行MRI檢查。排除標(biāo)準(zhǔn)：①M(fèi)RI上未發(fā)現(xiàn)病灶。②由于呼吸運(yùn)動偽影或磁敏感偽影導(dǎo)致圖像質(zhì)量差，無法準(zhǔn)確在病灶內(nèi)勾畫ROI；③研究期間患有其它惡性腫瘤；④臨床資料和病理資料不完整。最終將92例患者納入本研究，按7:3的比例將其隨機(jī)分為訓(xùn)練集(n=66)和驗(yàn)證集(n=26)。

2.MRI掃描方案

使用Siemens Espree 1.5T MR掃描儀和腹部相控陣線圈?；颊咴跈z查前禁食至少4h，并在檢查前飲用適量的水以充盈膀胱。患者在整個檢查過程中保持仰臥位。常規(guī)掃描序列和參數(shù)如下。①橫軸面快速梯度回波T1WI：視野400 mm×400 mm，矩陣256×256，TR 7.03 ms，TE 2.39 ms，層厚5.0 mm，層間距1.0 mm。②橫軸面FSE T2WI：視野380 mm×380 mm，矩陣256×256，TR 4120 ms，TE 103 ms，層厚5.0 mm，層間距1.0 mm。③矢狀面T2WI：視野256 mm×256 mm，矩陣256×256，TR 6900 ms，TE 85 ms，層厚3.0 mm，層間距0.6 mm。④冠狀面T2WI：視野380 mm×380 mm，矩陣256×256， TR 6000 ms，TE 85 ms，層厚3.0 mm，層間距0.6 mm。⑤三維容積快速梯度回波序列DCE-MRI掃描：對比劑為Gd-DTPA，劑量0.1 mmol/kg，注射流率2.0～3.0 mL/s，TR 5.08 ms，TE 1.74 ms，翻轉(zhuǎn)角15°，掃描時間8.0 s，以宮頸腫瘤組織為中心重復(fù)采集35組圖像，總掃描時間5.0 min；⑥在DCE-MRI掃描后行常規(guī)T1WI增強(qiáng)掃描：視野400 mm×400 mm，矩陣256×256，TR 3.10 ms，TE 1.25 ms,層厚5.0 mm，層間距0 mm。⑦DWI掃描采用單次激發(fā)SE-EPI序列：TR 4600 ms，TE 110 ms，矩陣180×180，視野400 mm×400 mm，層厚6.0 mm，層間距1.2 mm，b值取0、1000 和1500 s/mm2，激勵次數(shù)6。

圖1 宮頸癌患者伴LVSI。a) 橫軸面T2WI中病灶最大截面所在層面，沿病灶邊緣勾畫ROI； b) 紅色區(qū)域?yàn)樵贏圖上所勾畫的腫瘤原發(fā)灶的ROI； c) 橫軸面T1CE圖像中病灶最大截面所在層面，沿病灶邊緣勾畫ROI； d) 紅色區(qū)域?yàn)樵贑圖上所勾畫ROI的示意圖。

3.影像組學(xué)特征提取

將橫軸面T2WI和常規(guī)T1WI增強(qiáng)掃描(T1-weighted contrast-enhanced,T1CE)圖像以醫(yī)學(xué)數(shù)字成像和通信(Digital Imaging and Communications in Medicine，DICOM)格式從影像存儲與傳輸系統(tǒng)(picture archiving and communication system，PACS)導(dǎo)出至ITK-SNAP(version 3.8.0;www.itk-snap.org)軟件進(jìn)行圖像手動分割，由2位分別具有10和15年MRI診斷經(jīng)驗(yàn)的放射科醫(yī)師共同確定ROI范圍后，在橫軸面T2WI及橫軸面T1CE圖像上，選取病灶最大截面所在層面，沿腫瘤邊緣手動勾畫ROI(圖1)?？紤]到腫瘤的異質(zhì)性，勾畫時包括病灶內(nèi)的出血、壞死和囊變區(qū)，但要避開正常的解剖結(jié)構(gòu)。

使用GE AK 3.2.0軟件對病灶的影像組學(xué)特征進(jìn)行提取，每個序列分別提取出396個影像組學(xué)特征，其中包括直方圖特征42個、形態(tài)特征20個和紋理特征334個。

4.建立影像組學(xué)特征模型

應(yīng)用兩種特征選擇方法，即最大相關(guān)最小冗余(max-relevance and min-redundancy，mRMR)和最小絕對收縮選擇算子(least absolute shrinkage and selection operator，LASSO)，對提取的影像組學(xué)特征進(jìn)行初步篩選。首先，應(yīng)用mRMR法消除冗余和不相關(guān)的特征。隨后，采用LASSO回歸分析，并通過10折交叉驗(yàn)證篩選LASSO回歸模型得到最優(yōu)超參數(shù)λ值。在最優(yōu)λ值時，把系數(shù)非零的特征用于構(gòu)建影像組學(xué)評分(Radscore)[15-16]。基于T2WI、T1CE和雙序列圖像分別構(gòu)建了其Radscore。Radscore是通過對最終選擇的特征與對應(yīng)系數(shù)進(jìn)行加權(quán)之后進(jìn)行線性加和來計算的，公式：

Radscore=截距+βi×Xi

(1)

其中β代表系數(shù)，X代表特征，i代表序數(shù)，例如β1代表第一個特征的系數(shù)，X1代表第一個特征。

應(yīng)用wilcoxon檢驗(yàn)來分別在訓(xùn)練集和驗(yàn)證集中比較LVSI陽性組與陰性組之間Radscore的差異是否具有統(tǒng)計學(xué)意義。模型的預(yù)測能力采用受試者工作特征曲線(receiver operating characteristic curve，ROC)來評估。

5.選擇最優(yōu)影像組學(xué)模型

本研究分別基于T2WI、T1CE及雙序列(T2WI+T1CE)提取影像組學(xué)特征來建立影像組學(xué)模型，并用ROC曲線評估這3個模型對宮頸鱗癌LVSI狀態(tài)的預(yù)測效能。應(yīng)用Delong檢驗(yàn)分別比較基于T2WI和T1CE建立模型的ROC曲線與基于雙序列(T2WI+T1CE)之間的差異。選擇預(yù)測效能最優(yōu)影像組學(xué)模型來建立影像組學(xué)列線圖。

6.建立影像組學(xué)列線圖

對患者年齡、FIGO分期、腫瘤分化、CEA、CA125、SCC和Radscore進(jìn)行單因素logistic回歸分析，篩選出宮頸癌LVSI狀態(tài)的獨(dú)立預(yù)測因子；再通過多因素logistic回歸分析構(gòu)建影像組學(xué)列線圖；影像組學(xué)列線圖是結(jié)合影像組學(xué)特征和獨(dú)立臨床危險因素建立，而臨床模型是基于獨(dú)立臨床危險因素建立；兩個模型均在驗(yàn)證集中進(jìn)行驗(yàn)證；應(yīng)用校準(zhǔn)曲線來評價影像組學(xué)列線圖的校準(zhǔn)效能，并采用Hosmer-Lemeshow檢驗(yàn)分析擬合度來評價的影像組學(xué)列線圖的校準(zhǔn)能力。ROC曲線評價影像組學(xué)列線圖的診斷效能；應(yīng)用決策曲線分析(decision curve analysis，DCA)來預(yù)測模型的臨床應(yīng)用價值(具體流程見圖2)。

7.病理學(xué)檢查及分析

圖2 本研究的技術(shù)路線圖。

表1 LVSI陽性組與陰性組、訓(xùn)練集與驗(yàn)證集臨床病理特征的比較

病理學(xué)檢查是評估LVSI的金標(biāo)準(zhǔn)。納入本研究的所有患者均接受手術(shù)治療，術(shù)式為廣泛全子宮切除±雙側(cè)卵巢切除+盆腔淋巴清掃±腹主動脈旁淋巴結(jié)清掃。LVSI的定義為淋巴管和/或血管內(nèi)存在癌細(xì)胞，是腫瘤細(xì)胞擴(kuò)散的關(guān)鍵步驟[14]。LVSI陽性是指在光學(xué)顯微鏡下，在瘤周由內(nèi)皮細(xì)胞圍繞的間隙中見到至少一簇腫瘤細(xì)胞，這里的間隙包括淋巴管間隙和血管間隙。

8.數(shù)據(jù)處理與分析

使用R語言(Version 3.5.1，www.R-project.org)和SPSS 20.0軟件進(jìn)行統(tǒng)計學(xué)分析。應(yīng)用mRMRe程序包進(jìn)行影像組學(xué)特征的初步篩選。采用glmnet程序包對具有最大預(yù)測效能的特征進(jìn)行LASSO回歸分析，構(gòu)建影像組學(xué)模型。使用pROC程序包繪制ROC曲線評估模型的預(yù)測效能。應(yīng)用ModelGood程序包校準(zhǔn)模型。使用rms程序包構(gòu)建列線圖。使用rmda程序包來繪制DCA曲線來驗(yàn)證模型的臨床實(shí)用性。應(yīng)用Delong檢驗(yàn)分別比較基于T2WI和T1CE序列建立模型的ROC曲線與雙序列(T2WI+T1CE)之間的差異。采用獨(dú)立樣本t檢驗(yàn)比較患者年齡的組間差異，采用χ2檢驗(yàn)比較FIGO分期、分化程度、CEA、CA125和SCC的組間差異。以P<0.05為差異具有統(tǒng)計學(xué)意義。

結(jié) 果

1.臨床病理資料

手術(shù)病理結(jié)果顯示92例宮頸鱗癌患者中，LVSI陽性36例，陰性56例?；颊叩闹饕R床和病理資料分析結(jié)果見表1。LVSI陽性組的FIGO分期較LVSI陰性組高，腫瘤分化程度較LVSI陰性組低，組間差異均具有統(tǒng)計學(xué)意義(P=0.001和0.019)。LVSI陽性組和LVSI陰性組之間年齡及CEA、CA125和SCC值的差異均無統(tǒng)計學(xué)意義(P>0.05)。訓(xùn)練集和驗(yàn)證集之間患者各項臨床和病理資料之間的差異均無統(tǒng)計學(xué)意義(P>0.05)。

2.構(gòu)建影像組學(xué)預(yù)測模型

分別從T2WI、T1CE和雙序列(T2WI和T1CE)圖像中提取影像組學(xué)特征，提取的影像組學(xué)特征分別為396、396和792個，采用mRMR和LASSO回歸分析分別對從T2WI、T1CE和雙序列(T2WI和T1CE)提取的影像組學(xué)特征進(jìn)行初步篩選，隨后應(yīng)用10折交叉驗(yàn)證篩選LASSO回歸模型得到最優(yōu)超參數(shù)λ值，最終分別得到6、6和14個具有最大預(yù)測效能的特征。基于雙序列應(yīng)用LASSO法10折交叉驗(yàn)證圖篩選出14個影像組學(xué)特征如圖3所示，最終選擇的特征及其相應(yīng)的回歸系數(shù)如圖4所示。特征系數(shù)的絕對值越大，表明其與宮頸鱗癌LVSI狀態(tài)之間的相關(guān)性越大，預(yù)測價值越高。

圖3 LASSO法10折交叉驗(yàn)證圖。a)用10折交叉驗(yàn)證篩選LASSO回歸模型得到最優(yōu)超參數(shù)λ值，即模型偏差最低點(diǎn)所對應(yīng)的橫坐標(biāo)，即第一個虛線所對應(yīng)的位置；b)每條彩色實(shí)線代表特征系數(shù)隨λ值變化而變化的曲線。通過圖a得到的最優(yōu)超參數(shù)λ值(虛線所在的位置)來尋找系數(shù)非零的特征，用于影像組學(xué)模型的構(gòu)建。 圖4 影像組學(xué)特征及其相關(guān)系數(shù)。

應(yīng)用ROC曲線分別評估基于T2WI、T1CE和雙序列(T2WI和T1CE)這三個影像組學(xué)模型在訓(xùn)練集和驗(yàn)證集中對宮頸鱗癌LVSI狀態(tài)的預(yù)測效能。結(jié)果如表2所示。Delong檢驗(yàn)顯示，基于T1CE的影像組學(xué)模型與雙序列影像組模型的ROC曲線之間AUC的差異具有統(tǒng)計學(xué)意義(P=0.025)，提示雙序列模型的預(yù)測效能明顯優(yōu)于T1CE模型；而基于T2WI影像組學(xué)模型與雙序列影像組模型的AUC之間的差異無統(tǒng)計學(xué)意義(P=0.086)，但基于雙序列模型的準(zhǔn)確率、敏感性及特異性均高于T2WI影像組學(xué)模型。所以，本研究選擇雙序列MRI建立影像組學(xué)模型。

表2 建立影像組學(xué)模型在訓(xùn)練集和驗(yàn)證集中的評價結(jié)果

3.驗(yàn)證影像組學(xué)模型的預(yù)測效能

本研究中獲得的Radscore=-0.247×T2_OneVoxelVolume-0.287×T2_ShortRunEmphasis_angle45_ offset4-0.112×T1_MaxIntensity-0.235×T2_Correlation_angle0_offset7+0.21×T1_LongRunHighGreyLevel Emphasis_angle45_offset4+0.013×T1_HighGreyLevelRunEmphasis_AllDirection_offset7_SD-0.263×T2_ Correlation_AllDirection_offset4+0.219×T1_HaralickCorrelation_angle0_offset7-0.235×T1_ShortRun Emphasis_AllDirection_offset1_SD-0.042×T2_stdDeviation-0.168×T1_Correlation_angle45_offset7+0.006 ×T2_ShortRunEmphasis_AllDirection_offset1_SD+0.537×T1_ClusterShade_angle90_offset4+0.093×T2_Elongation-0.491。

Wilcoxon檢驗(yàn)結(jié)果顯示，在訓(xùn)練集和驗(yàn)證集中，宮頸鱗癌LVSI陽性組的Radscore高于陰性組(圖5)，組間差異均具有統(tǒng)計學(xué)意義(P<0.05)，表明Radscore與宮頸鱗癌LVSI狀態(tài)之間具有相關(guān)性。

使用ROC曲線評估基于雙序列MRI構(gòu)建的影像組學(xué)特征模型對宮頸鱗癌LVSI狀態(tài)的預(yù)測效能，訓(xùn)練集中ROC曲線下面積(area under curve，AUC)為0.91(95% CI：0.84～0.98)，驗(yàn)證集中AUC為0.81(95% CI：0.63～1.00)，詳見圖6。

4.驗(yàn)證影像組學(xué)列線圖的預(yù)測效能

通過多因素logistic回歸分析構(gòu)建基于Radscore和獨(dú)立臨床危險因素的雙序列MRI影像組學(xué)列線圖(圖7)。校準(zhǔn)曲線顯示在訓(xùn)練集和驗(yàn)證集中影像組學(xué)列線圖具有較好的校準(zhǔn)效能(圖8)。Hosmer-Leme-show檢驗(yàn)顯示在訓(xùn)練集和驗(yàn)證集中模型預(yù)測值與實(shí)際觀測值之間的差異均無統(tǒng)計學(xué)意義(P<0.05)，說明不存在偏離擬合?；谟跋窠M學(xué)列線圖、基于雙序列的影像組學(xué)模型和獨(dú)立臨床危險因素預(yù)測宮頸鱗癌LVSI狀態(tài)的AUC，在訓(xùn)練集中分別為0.96、0.91和0.70，在驗(yàn)證集中分別為0.87、0.81和0.71(圖9)。本研究結(jié)果顯示，影像組學(xué)列線圖具有更優(yōu)的預(yù)測效能，在訓(xùn)練集中的診斷符合率、敏感度和特異度分別為0.90、0.88和0.92，在驗(yàn)證集中分別為0.84、0.82和0.80。

圖5 Radscore預(yù)測宮頸鱗癌LVSI的箱式散點(diǎn)圖。橫坐標(biāo)Label 0代表LVSI陰性、Label 1代表LVSI陽性，縱坐標(biāo)代表Radscore。a)在訓(xùn)練集中，宮頸鱗癌LVSI陽性組的Radscore高于陰性組；b)在驗(yàn)證集中，宮頸鱗癌LVSI陽性組的Radscore高于陰性組。 圖6 基于雙序列影像組學(xué)模型預(yù)測宮頸鱗癌LVSI狀態(tài)的ROC曲線。a)訓(xùn)練集；b)驗(yàn)證集。

圖7 預(yù)測宮頸鱗癌LVSI狀態(tài)的影像組學(xué)列線圖。 圖8 影像組學(xué)列線圖的校準(zhǔn)曲線。實(shí)線代表理想的預(yù)測性能，虛線代表列線圖的預(yù)測性能。虛線越靠近實(shí)線表示列線圖的預(yù)測精度越好。a)訓(xùn)練集；b)驗(yàn)證集。 圖9 基于影像組學(xué)列線圖、影像組學(xué)特征和獨(dú)立臨床危險因素預(yù)測宮頸鱗癌LVSI狀態(tài)的ROC曲線。a)訓(xùn)練集；b)驗(yàn)證集。 圖10 影像組學(xué)模型的DCA圖。橫坐標(biāo)代表閾值概率，縱坐標(biāo)代表凈收益。藍(lán)色曲線代表所有患者都接受干預(yù)，黑色線代表所有患者都不接受干預(yù)，收益率為0。顯示危險閾值在0.01～1.00范圍內(nèi)該影像組學(xué)模型的凈收益最大。

使用DCA來評價所構(gòu)建的基于雙序列MRI影像組學(xué)列線圖的臨床應(yīng)用價值，DCA曲線圖顯示閾值在0.01～1.00時模型的凈收益較大(圖10)，即在這個閾值范圍內(nèi)使用該列線圖對預(yù)測宮頸鱗癌LVSI狀態(tài)的臨床應(yīng)用價值較大。

討 論

為了預(yù)測宮頸鱗癌術(shù)前LVSI狀態(tài)，本研究中建立了結(jié)合雙序列MRI影像組學(xué)特征和兩個臨床病理特征(FIGO分期和分化程度)影像組學(xué)列線圖并驗(yàn)證了其預(yù)測效能。結(jié)果顯示，影像組學(xué)列線圖有助于提高預(yù)測效能，在訓(xùn)練集中的AUC為0.96(95% CI：0.92～1.00)，在驗(yàn)證集中為0.87(95% CI：0.73～1.00)。因此，本研究建立的影像組學(xué)列線圖可有效地對宮頸鱗癌術(shù)前LVSI狀態(tài)進(jìn)行個體化預(yù)測。

傳統(tǒng)的影像學(xué)圖像特征及方法，如腫瘤體積、最大直徑和功能MRI等，雖然對宮頸癌術(shù)前LVSI狀態(tài)有一定預(yù)測價值，但忽略了腫瘤內(nèi)部潛在的特征[17-18]。影像組學(xué)可從體層圖像中提取大量高維特征，是評價腫瘤異質(zhì)性的無創(chuàng)性方法[10]，具有一定的優(yōu)越性，可以提供更多信息。Wu等[19]回顧性分析了56例宮頸癌患者的多參數(shù)MRI資料，自多個序列MR圖像(橫軸面T2WI、脂肪抑制T2WI、ADC圖以及DCE-MRI的Ktrans、Ve和Vp圖)上共提取出66個影像組學(xué)特征，所建立的聯(lián)合模型預(yù)測LVSI的AUC為0.831，敏感度為86.2%，特異度為73.9%，符合率為79.6%。Li等[20]從105例宮頸癌患者的T1CE圖像上提取影像組學(xué)特征，并結(jié)合臨床特征建立的影像組學(xué)列線圖，在訓(xùn)練集中的AUC為0.75(95% CI：0.6326～0.8745)，在驗(yàn)證集中為 0.727(95% CI：0.5449～0.9097)。因此，基于T1CE-MRI的影像組學(xué)列線圖可作為術(shù)前預(yù)測宮頸癌有無LVSI的無創(chuàng)性生物標(biāo)志物。上述研究中所構(gòu)建的影像組學(xué)列線圖中納入的特征為一階直方圖紋理特征和形態(tài)學(xué)特征，這些特征反映了腫瘤邊緣的灰度變化和形狀，這些特征對預(yù)測LVSI狀態(tài)十分重要。因此，本研究中也選擇基于T1CE序列來提取影像組學(xué)特征對宮頸癌LVSI狀態(tài)進(jìn)行預(yù)測。由于解剖成像更能提供腫瘤形態(tài)特征的信息[21]，因此本研究將T2WI序列也納入研究。目前，有較多關(guān)于宮頸癌影像組學(xué)的研究是基于T2WI及T1CE序列來提取影像組學(xué)特征的，包括預(yù)測宮頸癌分化程度、淋巴結(jié)轉(zhuǎn)移及無病生存率等[19,22-23]。本研究結(jié)果顯示，基于MR雙序列構(gòu)建的影像組學(xué)列線圖的預(yù)測效能優(yōu)于單序列(T2WI或 T1CE)。所以，本研究最終選擇基于雙序列MRI來建立影像組學(xué)模型。結(jié)果顯示，雙序列影像組學(xué)模型的預(yù)測符合率在驗(yàn)證集和訓(xùn)練集中分別為0.83和0.73，模型的可靠性較高。

本研究中共提取了14個影像組學(xué)特征，包括2個形態(tài)特征、2個一階直方圖特征、10個紋理特征(歸屬于5個游程矩陣和5個灰度共生矩陣)。其中，2個形態(tài)學(xué)特征和2個一階直方圖特征顯示出對預(yù)測宮頸鱗癌LVSI狀態(tài)具有較好的相關(guān)性，這反映了MRI所顯示的腫瘤邊緣灰度的變化和形態(tài)對于預(yù)測LVSI狀態(tài)十分重要?；叶裙采仃囀且环N通過研究灰度的空間相關(guān)特性來描述紋理的常用方法，本研究提取的5個灰度共生矩陣，包含了兩種特征值，即相關(guān)性(correlation)和簇陰影(cluster shade)?；叶扔纬叹仃嚪从沉藞D像灰度關(guān)于方向、相鄰間隔和變化幅度等信息。其中，長步長在越光滑的圖像上值越大，而短步長在越粗糙的圖像上值越大[24]。腫瘤的異質(zhì)性往往會反映在圖像灰度的改變上，因此，歸屬于灰度共生矩陣和灰度游程矩陣的特征對宮頸鱗癌LVSI狀態(tài)的預(yù)測具有一定的相關(guān)性。因此，基于MRI影像組學(xué)模型的客觀性及準(zhǔn)確性在本研究得到體現(xiàn)。

通過多因素logistic回歸分析建立的影像組學(xué)列線圖為臨床提供了一種易于使用的工具，在訓(xùn)練集和驗(yàn)證集中均顯示出較好的預(yù)測效能。在驗(yàn)證集中，影像組學(xué)列線圖預(yù)測符合率為0.84，而僅基于影像組學(xué)特征模型和僅基于臨床病理特征的預(yù)測符合率分別為0.73和0.65，這表明影像組學(xué)列線圖具有較高的預(yù)測效能。并且，DCA顯示該列線圖在0.01～1.00閾值范圍內(nèi)對預(yù)測宮頸鱗癌LVSI狀態(tài)的臨床應(yīng)用價值較大，顯示了較好的臨床實(shí)用性。

臨床病理指標(biāo)有助于評價LVSI狀態(tài)，結(jié)合臨床病理特征和影像組學(xué)特征建立影像組學(xué)列線圖，預(yù)測性能明顯提高，尤其是在準(zhǔn)確性和特異性方面。這可能與FIGO分期和分化程度與LVSI狀態(tài)有關(guān)。國內(nèi)外研究顯示FIGO分期、分化程度可在一定程度上預(yù)測宮頸癌LVSI狀態(tài)[25-27]。LVSI狀態(tài)與FIGO分期具有相關(guān)性，腫瘤直徑越大，周圍浸潤和淋巴結(jié)轉(zhuǎn)移的風(fēng)險越大，LVSI陽性率就會越高。LVSI陽性與組織學(xué)低分化亦具有相關(guān)性，癌細(xì)胞進(jìn)入脈管系統(tǒng)是轉(zhuǎn)移的基礎(chǔ)，腫瘤分化程度越差，惡性程度越高，提示腫瘤細(xì)胞具有很強(qiáng)的侵襲和轉(zhuǎn)移能力，因此更容易發(fā)生LVSI陽性。本研究也證實(shí)了上述結(jié)果。

本研究目前尚存在一定的局限性：①模型缺乏外部驗(yàn)證，樣本量相對較少，今后將進(jìn)一步擴(kuò)大樣本量及進(jìn)行多中心研究；②Ⅰb期以下宮頸癌患者被排除，原因是Ⅰb期以下腫瘤在MRI圖像上通常不易被顯示。③基因特征未列入本研究，相關(guān)研究顯示DLL4蛋白水平與宮頸癌LVSI狀態(tài)相關(guān)[28]。

綜上所述，本研究建立并驗(yàn)證了雙序列MRI和臨床病理因素提取的影像組學(xué)列線圖來預(yù)測術(shù)前宮頸鱗癌LVSI狀態(tài)，可作為無創(chuàng)性生物標(biāo)志物較好地預(yù)測宮頸鱗癌患者LVSI狀態(tài)，并為宮頸鱗癌患者制訂個體化治療方案提供依據(jù)，以減少術(shù)后復(fù)發(fā)并提高宮頸癌患者的生存率。