［摘要］ 目的：探討雙能量CT多參數(shù)圖像的影像組學(xué)模型列線圖對頭頸部鱗狀細(xì)胞癌（HNSCC）患者程序性死亡配體1（PD-L1）表達(dá)水平的術(shù)前預(yù)測價(jià)值。方法：收集行雙能量CT頸部增強(qiáng)雙期掃描并經(jīng)病理證實(shí)的HNSCC患者173例，按7∶3比例隨機(jī)分為訓(xùn)練集121例和測試集52例。根據(jù)免疫組化結(jié)果，訓(xùn)練集與測試集進(jìn)一步分為PD-L1陰性組和PD-L1陽性組。在多能量圖像上勾畫病灶VOI，并匹配至碘密度、有效原子序數(shù)和虛擬單能量圖像。提取所有參數(shù)圖像中病灶的影像組學(xué)特征并進(jìn)一步降維，使用支持向量機(jī)（SVM）建立相應(yīng)的單參數(shù)和多參數(shù)融合模型。采用ROC曲線評(píng)價(jià)模型的預(yù)測性能，選擇性能最高的作為最佳影像組學(xué)模型，并將其結(jié)果轉(zhuǎn)換為影像組學(xué)評(píng)分。多因素logistic回歸分析用于篩選獨(dú)立危險(xiǎn)因素，建立常規(guī)模型，并進(jìn)一步結(jié)合最佳影像組學(xué)模型的影像組學(xué)評(píng)分構(gòu)建綜合模型。結(jié)果：在訓(xùn)練集和測試集中，多參數(shù)融合模型預(yù)測性能最高，AUC分別為0.918、0.859。年齡＜60歲和腫瘤位于口腔/口咽是預(yù)測HNSCC患者PD-L1陽性的獨(dú)立危險(xiǎn)因素。進(jìn)一步結(jié)合上述危險(xiǎn)因素和多參數(shù)融合模型的影像組學(xué)評(píng)分構(gòu)建的綜合模型可更好地提升預(yù)測性能，在訓(xùn)練集和測試集的AUC分別為0.946、0.909。結(jié)論：雙能量CT多參數(shù)圖像的影像組學(xué)模型列線圖可在術(shù)前有效預(yù)測HNSCC患者的PD-L1表達(dá)水平。

［關(guān)鍵詞］ 頭頸部鱗狀細(xì)胞癌；程序性死亡配體1；體層攝影術(shù)，X線計(jì)算機(jī)；能量成像；影像組學(xué)

Preoperative prediction of PD-L1 expression in head and neck squamous cell carcinoma using dual-energy CT radiomics nomogram

WANG Weikang，CHEN Weiyue，YING Haifeng，XIA Shuiwei，JI Jiansong

Radiology Department of the Fifth Affiliated Hospital of Wenzhou Medical University，Zhejiang Province Key Laboratory of Imaging Diagnosis and Interventional Minimally Invasive Research，Lishui 323000，China.

［Abstract］ Objective：To develop and validate a radiomics nomogram based on dual-energy CT （DECT） multiparametric features for preoperative prediction of programmed death-ligand 1 （PD-L1） expression in head and neck squamous cell carcinoma （HNSCC）. Methods：This study enrolled 173 pathologically confirmed HNSCC patients who underwent dual-phase DECT enhancement. Patients were randomly allocated to a training cohort （121 cases） and a validation cohort （52 cases） at a 7∶3 ratio. Immunohistochemical PD-L1 status defined negative and positive subgroups. Volumes of interest （VOIs） were segmented on polyenergetic images and co-registered to iodine density （ID） images，effective atomic number （Zeff） images，and virtual monoenergetic images （VMI）. Radiomics features were extracted from all parametric maps，followed by dimensionality reduction. Support vector machine （SVM） classifiers were built for single-parameter and multiparametric fusion models. The ROC curve was used to evaluate the predictive performance of these models. The model with the highest performance was selected as the best radiomics model，and its results were converted into radiomics scores （Rad-score）. Then，the Rad-score was incorporated into a nomogram with clinical risk factors identified via multivariate logistic regression. Results：The multiparametric fusion model achieved superior PD-L1 prediction performance with AUC of 0.918 and 0.859 for the training cohort and the validation cohort. Age lt;60 years old and oral cavity/oropharyngeal tumor location were independent clinical predictors. The combined nomogram integrating Rad-score with clinical factors demonstrated enhanced discrimination，AUC of 0.946 and 0.909 for the training cohort and the validation cohort. Conclusions：The DECT-derived radiomics nomogram provides a noninvasive tool for preoperative PD-L1 status assessment in HNSCC，potentially guiding immunotherapy strategies.

［Key words］ Head and neck squamous cell carcinoma；Programmed death-ligand 1；Tomography，X-ray computed；Spectral imaging；Radiomics

頭頸部鱗狀細(xì)胞癌（head and neck squamous cell carcinoma，HNSCC）是一種起源于口腔、咽部和喉部黏膜上皮的惡性腫瘤［1］。2022年我國HNSCC的發(fā)病人數(shù)約14萬，在所有腫瘤死亡率中位列第7［2］。盡管多學(xué)科模式在HNSCC治療領(lǐng)域取得了顯著進(jìn)展，但患者5年生存率仍不足50%［3］。近年來，以程序性死亡受體1（programmed death-1，PD-1）及程序性死亡配體1（programmed death-ligand 1，PD-L1）為主的免疫療法被廣泛用于治療多種惡性腫瘤［4-5］。根據(jù)美國臨床腫瘤學(xué)會(huì)建議，對PD-L1陽性的復(fù)發(fā)或轉(zhuǎn)移性HNSCC患者，帕博利珠單抗單藥或聯(lián)合化療可作為一線治療方案［6］。因此，術(shù)前準(zhǔn)確評(píng)估PD-L1表達(dá)水平對HNSCC患者最佳治療策略的制訂至關(guān)重要。影像組學(xué)可將醫(yī)學(xué)圖像轉(zhuǎn)換為高通量且可挖掘的定量特征，為臨床決策提供重要支持［7］。雙能量CT是一種新興的成像技術(shù)，不僅可提供病灶的常規(guī)形態(tài)學(xué)信息，還能生成多種定量圖像，如多能量圖像、碘密度（iodine density，ID）圖像、有效原子序數(shù)（effective atomic number，Zeff）圖像和虛擬單能量圖像（virtual monoenergetic image，VMI）等［8］。本研究旨在探討雙能量CT多參數(shù)圖像的影像組學(xué)模型列線圖在術(shù)前預(yù)測HNSCC患者PD-L1表達(dá)水平中的應(yīng)用價(jià)值。

1" 資料與方法

1.1" 一般資料

回顧性選取2018年1月至2024年5月我院經(jīng)手術(shù)病理確診的HNSCC患者173例，按7∶3比例隨機(jī)分為訓(xùn)練集121例和測試集52例，收集患者臨床及病理資料。納入標(biāo)準(zhǔn)：①經(jīng)免疫組織化學(xué)檢測PD-L1表達(dá)水平；②術(shù)前2周內(nèi)行雙能量CT頸部增強(qiáng)雙期掃描，且圖像質(zhì)量良好；③臨床資料完整。排除標(biāo)準(zhǔn)：①HNSCC位于唾液腺、甲狀腺或皮膚；②合并其他惡性腫瘤；③術(shù)前接受放化療。本研究經(jīng)醫(yī)院倫理委員會(huì)批準(zhǔn)（批號(hào)：2023-729），患者均知情同意。

術(shù)后1周內(nèi)行組織病理學(xué)檢查。使用PD-L1 IHC 22C3 pharmDx檢測HNSCC腫瘤組織的PD-L1表達(dá)情況；使用綜合陽性評(píng)分（combined positive score，CPS）對PD-L1表達(dá)水平進(jìn)行評(píng)分。參考既往標(biāo)準(zhǔn)［9］，以CPS ≥ 1%和＜1%分別定義為PD-L1陽性和PD-L1陰性。

1.2" 儀器與方法

采用Siemens Somatom Force CT掃描儀進(jìn)行檢查。掃描參數(shù)：A球管90 kV、223 mAs，B球管Sn 150 kV、68 mAs，螺距0.8，轉(zhuǎn)速0.5 s/r，探測器寬度192×0.6 mm，矩陣512×512，層厚1.0 mm，層距0.5 mm。增強(qiáng)掃描經(jīng)肘靜脈注射碘海醇，劑量60～80 mL，流率2.5～3.0 mL/s，開始注射后延遲25、60 s分別獲取動(dòng)脈期和靜脈期圖像。掃描結(jié)束后，在后處理平臺(tái)手動(dòng)重建動(dòng)脈期和靜脈期的雙能量CT多參數(shù)圖像，包括多能量圖像、ID圖像、Zeff圖像和VMI（40 keV水平）。

由分別具有11、15年影像診斷經(jīng)驗(yàn)的副主任醫(yī)師A和醫(yī)師B采用盲法評(píng)估病灶的影像學(xué)特征，包括腫瘤位置和CT報(bào)告淋巴結(jié)狀態(tài)。淋巴結(jié)陽性應(yīng)至少滿足下列條件之一［10］：①淋巴結(jié)短徑＞10 mm；②增強(qiáng)掃描呈環(huán)形強(qiáng)化，中心壞死明顯；③ ≥ 3個(gè)呈簇分布的淋巴結(jié)群，短徑＞0.8～0.9 cm。

1.3" ROI勾畫及組學(xué)特征提取

所有參數(shù)圖像上傳至Radcloud平臺(tái)，由醫(yī)師A在多能量圖像上沿病灶邊界逐層勾畫ROI，疊加生成全腫瘤VOI；將VOI分別匹配至ID圖像、Zeff圖像和VMI上，并根據(jù)腫瘤實(shí)際范圍調(diào)整VOI大小。病灶呈非腫塊形態(tài)時(shí)，采取沿黏膜不規(guī)則增厚區(qū)域勾畫的方式，以精準(zhǔn)捕捉病灶邊界。勾畫完成后，由醫(yī)師B進(jìn)行復(fù)核。對VOI勾畫不一致的病灶，通過協(xié)商解決。利用Radcloud平臺(tái)對每個(gè)VOI進(jìn)行特征提取，包括形狀、一階、紋理和小波特征。

1.4" 特征降維與模型構(gòu)建

依次采用方差分析、單變量特征選擇及最小絕對收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）算法對特征進(jìn)行降維，以獲得最佳特征子集。采用支持向量機(jī)（support vector machine，SVM）算法建立9個(gè)影像組學(xué)模型，包括8個(gè)單參數(shù)模型（動(dòng)脈期與靜脈期的多能量圖像、ID圖像、Zeff圖像、VMI）和1個(gè)多參數(shù)融合模型。以上過程先在訓(xùn)練集中進(jìn)行，隨后在測試集中完成驗(yàn)證。采用ROC曲線對上述模型進(jìn)行綜合評(píng)估，選擇其中性能最高的模型作為最佳影像組學(xué)模型，并將其結(jié)果轉(zhuǎn)換為影像組學(xué)評(píng)分。

1.5" 常規(guī)模型與綜合模型列線圖

將單因素分析中P＜0.05的臨床、病理和影像學(xué)特征納入到多因素logistic回歸分析中，獲得獨(dú)立危險(xiǎn)因素并建立常規(guī)模型。為進(jìn)一步提高預(yù)測模型的性能，結(jié)合獨(dú)立危險(xiǎn)因素和最佳影像組學(xué)模型的影像組學(xué)評(píng)分構(gòu)建綜合模型，并繪制列線圖。

1.6" 統(tǒng)計(jì)學(xué)分析

統(tǒng)計(jì)分析均使用SPSS 26.0和R 4.1.2軟件完成。計(jì)數(shù)資料以例（%）表示，2組間比較采用[χ]2檢驗(yàn)或Fisher精確概率法。繪制不同模型的ROC曲線，計(jì)算AUC、敏感度、特異度和準(zhǔn)確率。采用校準(zhǔn)曲線評(píng)價(jià)模型穩(wěn)定性，決策曲線評(píng)價(jià)模型的臨床實(shí)用性。以P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2" 結(jié)果

2.1" 訓(xùn)練集及測試集中PD-L1陰性組與陽性組的臨床和影像學(xué)特征比較（表1）

訓(xùn)練集PD-L1陽性占67.8%（82/121），測試集PD-L1陽性占67.3%（35/52）。訓(xùn)練集中PD-L1陽性組和PD-L1陰性組的年齡、臨床T分期和腫瘤部位比較，差異均有統(tǒng)計(jì)學(xué)意義（均P＜0.05）；訓(xùn)練集中PD-L1陽性組和PD-L1陰性組的年齡和腫瘤部位比較，差異均有統(tǒng)計(jì)學(xué)意義（均P＜0.05）。

2.2" 特征降維及模型構(gòu)建

從每個(gè)參數(shù)圖像中分別提取1 688個(gè)影像組學(xué)特征，通過降維獲得相應(yīng)的最佳特征。其中，多參數(shù)融合模型最終保留了14個(gè)與PD-L1表達(dá)水平相關(guān)的最佳影像組學(xué)特征（表2）。隨后，采用SVM算法建立基于單參數(shù)和多參數(shù)融合的預(yù)測模型。ROC曲線分析顯示，多參數(shù)融合模型預(yù)測性能最高，訓(xùn)練集和測試集中AUC分別為0.918、0.859（表3），均高于單一參數(shù)模型。

2.3" 常規(guī)模型和綜合模型的預(yù)測性能

多因素logistic回歸分析顯示，年齡＜60歲（OR=3.533，P=0.007）和腫瘤位于口腔/口咽（OR=1.119，P=0.002）是預(yù)測HNSCC患者PD-L1陽性的獨(dú)立危險(xiǎn)因素，并用于構(gòu)建常規(guī)模型。ROC曲線分析顯示，該模型在訓(xùn)練集和測試集中的AUC分別為0.739、0.691。進(jìn)一步基于上述危險(xiǎn)因素和多參數(shù)融合模型的影像組學(xué)評(píng)分建立綜合模型，并繪制列線圖（圖1），該模型預(yù)測性能最佳，在訓(xùn)練集中的AUC、敏感度、特異度、準(zhǔn)確率分別為0.946、0.890、0.897、0.893；在測試集中的AUC、敏感度、特異度、準(zhǔn)確率分別為0.909、0.800、0.941、0.846（表4，圖2）。校準(zhǔn)曲線表明，綜合模型對PD-L1陽性的預(yù)測概率和實(shí)際概率一致性較高（圖3）。決策曲線分析顯示，與常規(guī)模型或多參數(shù)融合模型相比，綜合模型具有更高的臨床實(shí)用性（圖4）。

3" 討論

HNSCC是頭頸部腫瘤最常見的病理類型，其發(fā)病率呈逐年上升趨勢。近年來，PD-1/PD-L1免疫檢查點(diǎn)抑制劑因其在HNSCC治療領(lǐng)域取得的顯著進(jìn)展而備受關(guān)注［4］，術(shù)前對PD-L1表達(dá)水平的準(zhǔn)確評(píng)估尤為重要。基于穿刺標(biāo)本的病理學(xué)分析仍是術(shù)前評(píng)估PD-L1表達(dá)水平的金標(biāo)準(zhǔn)。但該方法具有一定的局限性，如侵入性、取樣不足及費(fèi)用較高等。雖常規(guī)影像檢查可對腫瘤進(jìn)行初步定性診斷，但無法提供基因?qū)用娴臐撛谛畔?。因此，本研究旨在?gòu)建一個(gè)精準(zhǔn)無創(chuàng)的PD-L1表達(dá)水平預(yù)測模型，用于術(shù)前輔助臨床個(gè)體化治療方案的實(shí)施，從而改善HNSCC患者的預(yù)后。

影像組學(xué)通過提取醫(yī)學(xué)圖像中高維的定量特征，可為疾病的診斷和預(yù)后提供客觀有效的預(yù)測信息。而雙能量CT不僅能顯示病灶的常規(guī)CT特征，還能反映其在能量層面的異質(zhì)性。有研究比較了基于雙能量CT和常規(guī)CT的影像組學(xué)模型對肺腺癌病理分級(jí)預(yù)測性能的差異，AUC分別為0.763和0.529［11］。Li等［12］研究發(fā)現(xiàn)，雙能量CT影像組學(xué)模型在識(shí)別胃癌漿膜侵犯、淋巴結(jié)轉(zhuǎn)移和淋巴管血管侵犯方面均優(yōu)于常規(guī)CT影像組學(xué)模型。與常規(guī)CT圖像相比，針對雙能量CT圖像的影像組學(xué)分析能獲取更深層次的疾病信息。因此，本研究基于雙能量CT多參數(shù)圖像的影像組學(xué)特征分別構(gòu)建了單參數(shù)和多參數(shù)融合模型，用于預(yù)測HNSCC患者的PD-L1表達(dá)水平，發(fā)現(xiàn)多參數(shù)融合模型的預(yù)測性能最高，在訓(xùn)練集和驗(yàn)證集中的AUC分別為0.918、0.859。Zheng等［13］研究證實(shí)，基于CT增強(qiáng)掃描的影像組學(xué)模型可較好地預(yù)測HNSCC的PD-L1表達(dá)水平，其在訓(xùn)練集和測試集的AUC分別為0.852、0.802，均低于本研究結(jié)果；推測原因可能是本研究結(jié)合了雙能量CT的多種參數(shù)圖像，豐富了輸入特征的多樣性，提升了模型對腫瘤異質(zhì)性的捕捉能力，而Zheng等［13］僅對常規(guī)CT圖像進(jìn)行分析，獲取的關(guān)鍵信息相對有限。

LASSO算法對特征降維后，多參數(shù)融合模型共保留了14個(gè)與PD-L1表達(dá)水平相關(guān)的最佳影像組學(xué)特征，其中小波特征占大多數(shù)（9/14）。小波特征通過分析圖像的灰度變化及其空間分布，能間接反映腫瘤的異質(zhì)性信息［14］。在這些特征中，自灰度尺寸區(qū)域矩陣派生而來、代表尺寸區(qū)域非均勻性的SizeZoneNonUniformity相關(guān)系數(shù)最高。該特征反映了圖像中相同灰度級(jí)區(qū)域大小的變化程度。通常情況下，較高的SizeZoneNonUniformity值表示圖像中存在更多不規(guī)則且分散的尺寸區(qū)域，意味著腫瘤組織在空間上具有較大的異質(zhì)性，而這種異質(zhì)性可能與腫瘤微環(huán)境的復(fù)雜性和免疫特征相關(guān)聯(lián)。因此，基于雙能量CT提取的影像組學(xué)特征可作為術(shù)前預(yù)測PD-L1表達(dá)水平的非侵入性手段，為HNSCC患者的個(gè)性化精準(zhǔn)治療提供重要支持。

多因素logistic回歸分析顯示，年齡和腫瘤部位是預(yù)測PD-L1表達(dá)水平的獨(dú)立危險(xiǎn)因素。既往研究發(fā)現(xiàn)，隨著年齡的增大，抗腫瘤免疫反應(yīng)會(huì)隨之降低［15］。這與本研究中PD-L1陽性更易發(fā)生于60歲以下人群的結(jié)論相符。此外，本研究還發(fā)現(xiàn)PD-L1陽性組的腫瘤多見于口腔或口咽，這與Lenouvel等［16］研究結(jié)果一致，其認(rèn)為PD-L1陽性在口腔鱗狀細(xì)胞癌中更常見。為進(jìn)一步提升模型的預(yù)測性能，本研究結(jié)合多參數(shù)融合模型的影像組學(xué)評(píng)分和獨(dú)立危險(xiǎn)因素構(gòu)建綜合模型的列線圖，實(shí)現(xiàn)了對HNSCC患者PD-L1表達(dá)水平的可視化評(píng)估。ROC曲線分析顯示，綜合模型在PD-L1表達(dá)水平預(yù)測方面具有優(yōu)異表現(xiàn)，訓(xùn)練集和測試集的AUC分別達(dá)0.946、0.909，優(yōu)于常規(guī)模型或多參數(shù)融合模型。此外，校準(zhǔn)曲線和決策曲線表明，綜合模型具有較好的穩(wěn)定性和臨床實(shí)用性。

本研究的局限性：①為回顧性研究，可能存在選擇偏倚，在今后的研究中應(yīng)設(shè)計(jì)前瞻性、多中心隊(duì)列來驗(yàn)證模型的泛化能力；②未進(jìn)一步劃分PD-L1低表達(dá)和高表達(dá)人群，未來仍需根據(jù)CPS設(shè)置亞組進(jìn)行深入分析；③手動(dòng)勾畫腫瘤VOI可能導(dǎo)致一定的誤差，未來研究需通過自動(dòng)分割方法提高病灶檢出的準(zhǔn)確性。

綜上所述，基于雙能量CT多參數(shù)圖像的影像組學(xué)模型可在術(shù)前較好地預(yù)測HNSCC患者的PD-L1表達(dá)水平，進(jìn)一步結(jié)合獨(dú)立危險(xiǎn)因素建立的列線圖可直觀、便捷地顯示NHSCC的風(fēng)險(xiǎn)分層。

［參考文獻(xiàn)］

［1］ 赫聰慧，李曉明. 頭頸部鱗狀細(xì)胞癌免疫治療研究進(jìn)展［J］. 中華耳鼻咽喉頭頸外科雜志，2022，57（1）：82-88.

［2］ XIA C，DONG X，LI H，et al. Cancer statistics in China and United States，2022：profiles，trends，and determinants［J］. Chin Med J （Engl），2022，135（5）：584-590.

［3］ CHENG G，DONG H，YANG C，et al. A review on the advances and challenges of immunotherapy for head and neck cancer［J］. Cancer Cell Int，2021，21（1）：406.

［4］ 劉紹嚴(yán)，宋藝璇，朱一鳴. 頭頸部鱗狀細(xì)胞癌免疫新輔助治療的現(xiàn)狀與展望［J］. 中華耳鼻咽喉頭頸外科雜志，2024，59（4）：301-305.

［5］ 孔月虹，馬一夫，趙向榮，等. 放療增敏PD-1/PD-L1抑制劑療效的研究進(jìn)展［J］. 中華放射腫瘤學(xué)雜志，2021，30（9）：984-988.

［6］ BURTNESS B，HARRINGTON K J，GREIL R，et al. Pembrolizumab alone or with chemotherapy versus cetuximab with chemotherapy for recurrent or metastatic squamous cell carcinoma of the head and neck （KEYNOTE-048）：a randomised，open-label，phase 3 study［J］. Lancet，2019，394（10212）：1915-1928.

［7］ 鄒穎，夏爽. 深度學(xué)習(xí)和影像組學(xué)在頭頸部惡性腫瘤影像學(xué)中的研究進(jìn)展［J］. 中華放射學(xué)雜志，2020，54（10）：1021-1024.

［8］ 吳天斌，林桂涵，陳煒越，等. 雙能量CT定量參數(shù)聯(lián)合形態(tài)學(xué)特征在乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移診斷中的應(yīng)用價(jià)值［J］. 中國中西醫(yī)結(jié)合影像學(xué)雜志，2023，21（3）：304-309.

［9］ 郭曄，張陳平. 復(fù)發(fā)/轉(zhuǎn)移性頭頸部鱗癌免疫檢查點(diǎn)抑制劑治療專家共識(shí)（2024年版）［J］.中國癌癥雜志，2024，34（4）：425-438.

［10］ 郭峰，羅琦，鄭伊能，等. 基于CT影像組學(xué)模型術(shù)前預(yù)測喉癌淋巴結(jié)轉(zhuǎn)移［J］. 放射學(xué)實(shí)踐，2021，36（11）：1365-1370.

［11］ ZHENG Y，LI H，ZHANG K，et al. Dual-energy CT-based radiomics for predicting pathological grading of invasive lung adenocarcinoma［J］. Clin Radiol，2024，79（10）：e1226-e1234.

［12］ LI J，YIN H，ZHANG H，et al. Preoperative risk stratification for gastric cancer：the establishment of dual-energy CT-based radiomics using prospective datasets at two centers［J］. Acad Radiol，2024：S1076-6332（24）00243-5.

［13］ ZHENG Y M，YUAN M G，ZHOU R Q，et al. A computed tomography-based radiomics signature for predicting expression of programmed death ligand 1 in head and neck squamous cell carcinoma［J］. Eur Radiol，2022，32（8）：5362-5370.

［14］ 趙錦瑫，崔艷芬，賈亞菊，等. 基于多參數(shù)MRI的影像組學(xué)模型對子宮內(nèi)膜樣腺癌微衛(wèi)星不穩(wěn)定狀態(tài)的術(shù)前預(yù)測價(jià)值［J］. 中華解剖與臨床雜志，2024，29（2）：88-96.

［15］ SAGLAM O，ZHOU J，WANG X，et al. PD-L1 expression correlates with young age and CD8+ TIL density in poorly differentiated cervical squamous cell carcinoma［J］. Int J Gynecol Pathol，2020，39（5）：428-435.

［16］ LENOUVEL D，GONZALEZ-MOLES M á，RRIZ-áVILA I，et al. Clinicopathological and prognostic significance of PD-L1 in oral cancer：a preliminary retrospective immunohistochemistry study［J］. Oral Dis，2021，27（2）：173-182.

（收稿日期" 2024-08-21）