液基細胞學聯合HPV—DNA檢測在宮頸癌前病變中的臨床價值
論著
作者：周天蘭 趙淑麗
[摘要] 目的 探討在宮頸癌前病變篩查中應用薄層液基細胞學聯合人乳頭瘤病毒HPV-DNA檢測的價值。 方法 根據入選標準，選擇2007年4月～2012年6月由本院宮頸科診斷為宮頸癌前病變並收婦科病房住院治療的患者151例，同時運用HPV-DNA基因分型檢測方法對其中46例進行檢測，並對相關數據進行統計分析。 結果 對151例入選病例進行ROC曲線統計分析，結果表明宮頸病變程度為中度上皮內瘤變及以上病變的病例，其TCT結果和術前病理的曲線下麵積存在以下關係：AUC細胞學=0.603（P
[關鍵詞] ROC曲線；液基細胞學；HPV-DNA檢測；宮頸癌前病變
[中圖分類號] R737.33 [文獻標識碼] A [文章編號] 1673-9701（2015）03-0001-03
宮頸癌大多發生在從未進行過篩查或篩選不充分的女性中[1，2]。早期發現宮頸癌前病變並及時治療，可大大降低宮頸癌的發生。因此，及時檢查出宮頸癌前病變並進行有效治療已成為現代宮頸癌篩查的最終目的。上世紀90年代，美國首次將薄層液基細胞學技術用於臨床，提高了傳統細胞學塗片的有效性[3]。隨著樣本準確率的提高，尤其是在鱗狀上皮內瘤變（SIL）的檢出率方麵的進展，細胞學檢查的診斷價值有了顯著提高。
1976年Zur Hausen H首次提出人乳頭瘤病毒和宮頸癌存在密切關聯[4]。Keerti Shah等在1989年曾報道，99.7%的宮頸癌與HPV感染有關，且證實了宮頸癌與HPV感染有直接關係，此後不同學者均有證實[5，6]。從癌前病變發展到宮頸癌需要多年時間（5～8年以上），而且病情的發展具有可逆性，如果篩查和治療的及時、徹底，病變就會消失[7，8]。
2002年經過最後審查和更新，美國癌症協會（ACS）第一次將人類乳頭狀瘤病毒（HPV）DNA測試納入宮頸癌的早期篩查之中[9]。高危人乳頭瘤病毒類型結合細胞學檢查已經成為如今一種高效準確的篩查模式，不僅可以保持高靈敏度的優點，有效地提高特異性，而且大大減少了重複細胞學檢查和陰道鏡檢查造成的經濟浪費。這個篩選模型也得到2013年亞太生殖道感染和腫瘤研究組織（AOGIN）年度會議的認可。本文利用ROC曲線研究應用薄層液基細胞學聯合人乳頭瘤病毒HPV-DNA檢測方法在宮頸癌前病變篩查中的價值。
1 資料與方法
1.1 一般資料
根據入選標準，選擇151例由本院宮頸科診斷為宮頸癌前病變並收婦科病房住院治療的病例（2007年4月～2012年6月），年齡42～67歲，平均（53.5±6.5）歲，同時運用HPV-DNA基因分型檢測方法對其中46例進行檢測，年齡43～65歲，平均（54.1±5.9）歲。入選標準：①因宮頸病變接受手術治療；②術前6個月內進行過TCT檢查；③術前行活檢病理檢查；④所有患者均排除肝腎功能不全、心功能不全以及精神神經係統疾病患者。
1.2觀察指標及評價標準
1.2.1 細胞學診斷標準 根據TBS分類法記錄細胞學診斷結果：即無上皮內病變或惡性病變（NILM）意義不明的不典型魚鱗狀細胞（ASC-US）及高度上皮內病變的不典型鱗狀細胞（ASC-H），鱗狀上皮內瘤變（SIL），意義不明的不典型腺細胞（AGUS）、鱗癌細胞（SCC）和腺癌細胞（AdC）。其中鱗狀上皮內瘤變包括鱗狀上皮內低度病變（LSIL）和鱗狀上皮內高度病變（HSIL）。
1.2.2 HPV-DNA基因分型標準 高危型HPV病毒亞型共有18型：16、18、31、33、35、39、45、51、52、53、56、58、59、66、68、73、82、83。低危型HPV病毒亞型共有5型，分別為6、11、42、43、81。
1.2.3 病理學分型標準 根據NCCN宮頸癌篩查指南，分為無上皮內病變或惡性病變（NILM）、非典型增生（輕、中、重）、微小浸潤癌（MICA）、浸潤性鱗癌（ISCC）和腺癌（AdC）。
1.3 統計學分析
所有數據均采用SPSS 17.0 軟件分析。計量資料用均數±標準差（x±s）表示。建立並計算ROC曲線下麵積。根據各個工作點繪製ROC曲線[10]，坐標橫軸表示1-特異性，縱軸表示敏感性。ROC曲線特性由曲線下麵積（AUC）能綜合反映，曲線下麵積與診斷價值呈正相關。薄層液基細胞學和HPV-DNA基因分型聯合檢測，使用SPSS作多變量觀察值的ROC曲線分析。根據2011年的TBS分類係統記錄，變量X1表示TCT診斷結果：NILM=0，ASC-US=1，ASC-H=2，LSIL=3，HSIL=4，SCC=5，AGUS=6，ADC=7；變量X2表示HPV-DNA檢測結果：陰性=0，低危型=1，高危型=2；術前病理按輕度不典型增生=0、中度不典型增生=1、重度不典型增生=2、鱗癌=3、腺上皮不典型增生=4、腺癌=5。從而求出各個體的預測概率，使用Binary Logistic過程進行Logistic回歸分析，產生含各個體預測概率的新變量。使用ROC Curve過程，以新變量為檢驗變量（Test variable），術後病理結果為狀態變量（State variable）作ROC曲線分析。