超聲影像組學(xué)在乳腺癌中的研究進(jìn)展

[摘要]"當(dāng)前，乳腺癌已成為威脅全球女性生命健康的第一大腫瘤。乳腺癌的早期診斷對(duì)于患者預(yù)后十分重要。影像組學(xué)因其具有無創(chuàng)、準(zhǔn)確性高等特點(diǎn)而成為近年來醫(yī)學(xué)影像學(xué)領(lǐng)域的研究熱點(diǎn)之一。超聲影像組學(xué)可提高影像科醫(yī)生的診斷效能，減輕工作壓力。本文綜述影像組學(xué)發(fā)展史、相關(guān)概念及超聲影像組學(xué)在乳腺癌中的應(yīng)用進(jìn)展。

[關(guān)鍵詞]"超聲；乳腺癌；影像組學(xué)

[中圖分類號(hào)]"R445.1；R737.9""""""[文獻(xiàn)標(biāo)識(shí)碼]"A""""""[DOI]"10.3969/j.issn.1673-9701.2025.06.024

21世紀(jì)以來，女性乳腺癌的發(fā)病率與死亡率呈逐年上升趨勢[1]。2020年，全球女性乳腺癌新發(fā)病例高達(dá)230萬例，在女性腫瘤病例中約占1/4，在女性因腫瘤死亡病例中約占1/6，即每6例因腫瘤死亡的女性中就有1例死于乳腺癌[2-3]。早發(fā)現(xiàn)、早診斷、早治療可有效提高乳腺癌患者的生存率，提高其生活質(zhì)量[4]。目前，乳腺癌的術(shù)前診斷主要依賴穿刺病理活檢，但其為有創(chuàng)操作，取材受限，無法反映腫瘤全部特征且可重復(fù)性差。影像學(xué)檢查作為一種無創(chuàng)且能較全面顯示腫瘤特征的檢查手段，可提供腫瘤的整體形狀信息、異質(zhì)性信息等。超聲成像具有方便、實(shí)時(shí)、無輻射、可重復(fù)性好等特點(diǎn)，尤其對(duì)致密性乳腺癌的診斷效果好，已逐漸成為乳腺診療工作中的一線影像學(xué)檢查方法。超聲在乳腺癌精準(zhǔn)診療的應(yīng)用中具有一定的局限性，其結(jié)果的穩(wěn)定性受圖像質(zhì)量、醫(yī)生經(jīng)驗(yàn)等因素的影響。影像組學(xué)可從醫(yī)學(xué)圖像中高通量提取人眼無法識(shí)別的定量特征，反映腫瘤的生物學(xué)行為和微觀環(huán)境變化，具有客觀、準(zhǔn)確性高、無創(chuàng)等特點(diǎn)。本文綜述影像組學(xué)發(fā)展史、相關(guān)概念及超聲影像組學(xué)在乳腺癌中的應(yīng)用進(jìn)展，旨在為乳腺癌的精準(zhǔn)醫(yī)療提供參考。

1""影像組學(xué)發(fā)展史及相關(guān)概念

Gillies等[5]于2010年首次提出影像組學(xué)概念，認(rèn)為潛在的分子生物學(xué)行為可影響解剖學(xué)形態(tài)，而解剖學(xué)信息可從醫(yī)學(xué)圖像中獲得；腫瘤影像組學(xué)的中心假設(shè)是腫瘤成像特征可反映潛在的基因表達(dá)模式，即特定基因表達(dá)的變化可影響特定的成像參數(shù)。因此，可使用醫(yī)學(xué)影像學(xué)特征的定量分析推斷潛在的基因表達(dá)模式。Lambin等[6]于2012年對(duì)“影像組學(xué)”的正式框架進(jìn)行全面描述，將其定義為從放射線圖像中高通量提取大量圖像特征，因此當(dāng)時(shí)稱之為“放射組學(xué)”。同年，Kumar等[7]將影像組學(xué)定義為從CT、正電子發(fā)射體層成像或磁共振成像（magnetic"resonance"imaging，MRI）獲得的醫(yī)學(xué)圖像中高通量提取和分析大量高級(jí)定量影像特征，將傳統(tǒng)影像轉(zhuǎn)化成可挖掘的高維度數(shù)據(jù)信息的影像學(xué)分析新方法。影像組學(xué)方法已應(yīng)用于X線、MRI等，用于乳腺癌檢測、治療反應(yīng)評(píng)估和疾病進(jìn)展監(jiān)測，并取得令人鼓舞的成績[8-9]。越來越多的學(xué)者將影像組學(xué)分析應(yīng)用于超聲技術(shù)，包括基于傳統(tǒng)灰階超聲及一些超聲新技術(shù)的影像組學(xué)，如剪切波彈性成像（shear"wave"elastography，SWE）、聲觸診組織成像（virtual"touch"tissue"imaging，VTI）、超聲造影（contrast-enhanced"ultrasound，CEUS）、自動(dòng)乳腺全容積成像（automated"breast"volume"scanner，ABVS）等技術(shù)。

影像組學(xué)是指利用機(jī)器學(xué)習(xí)算法深度挖掘醫(yī)學(xué)圖像中的高維度定量信息特征。在乳腺癌中，這些信息與乳腺病灶的良惡性、乳腺癌分子分型、腋窩淋巴結(jié)狀態(tài)、治療反應(yīng)、腫瘤復(fù)發(fā)、生存時(shí)間以及患者的其他特征相關(guān)聯(lián)，利用這種關(guān)系構(gòu)建預(yù)測或預(yù)后模型，可提供常規(guī)超聲以外的附加信息，提高影像診斷的準(zhǔn)確性，為臨床決策提供循證支持。根據(jù)算法的不同，影像組學(xué)可分為兩種形式：一為傳統(tǒng)影像組學(xué)，又稱手工影像組學(xué)（handcrafted"radiomics，HCR）；二為深度學(xué)習(xí)影像組學(xué)（deep"learning"radiomics，DLR）[10]。后者是在前者基礎(chǔ)上的進(jìn)一步演變。二者都可劃分為圖像獲取和預(yù)處理、特征提取、建模3個(gè)階段。其中，預(yù)處理包括圖像分割、圖像灰度調(diào)節(jié)等步驟。HCR需要手動(dòng)分割圖像的感興趣區(qū)域（area"of"interest，ROI），再通過傳統(tǒng)機(jī)器學(xué)習(xí)算法提取特征并構(gòu)建模型。HCR常用的建模方法包括邏輯回歸（logistic"regression，LR）、決策樹、支持向量機(jī)、k-近鄰算法、XGBoost、樸素貝葉斯分類器等。深度學(xué)習(xí)也屬于一種機(jī)器學(xué)習(xí)方法，是基于人工神經(jīng)網(wǎng)絡(luò)概念，利用神經(jīng)元及其相互連接的原理模擬人類的學(xué)習(xí)能力。DRL最大的特點(diǎn)是能夠自動(dòng)地從訓(xùn)練集的大量真實(shí)圖像中學(xué)習(xí)并提取主要特征，并在測試集上自動(dòng)識(shí)別[11]。目前，醫(yī)學(xué)領(lǐng)域發(fā)展最成功、應(yīng)用最廣泛的深度學(xué)習(xí)模型是卷積神經(jīng)網(wǎng)絡(luò)（convolutional"neural"network，CNN）模型[12]。

2""超聲影像組學(xué)在乳腺癌中的應(yīng)用進(jìn)展及現(xiàn)狀

2.1""乳腺結(jié)節(jié)的辨別診斷

2013年美國放射學(xué)會(huì)提出的乳腺影像報(bào)告與數(shù)據(jù)系統(tǒng)（breast"imaging"reporting"and"data"system，BI-RADS），將乳腺結(jié)節(jié)分為6類，其中BI-RADS"4類的惡性符合率為2%～95%，跨越度較大，且一旦確定為4類結(jié)節(jié)則建議進(jìn)行組織病理學(xué)活檢[13-14]。因此，不明確的診斷結(jié)果往往帶來不必要的穿刺組織活檢，其在耗費(fèi)人力、物力、財(cái)力的同時(shí)也增加患者心理和身體的不適。

超聲影像組學(xué)可通過對(duì)良惡性超聲圖像特征的提取輔助診斷乳腺癌。肖榕[15]基于362例患者乳腺病灶的二維超聲圖像構(gòu)建模型鑒別乳腺良惡性結(jié)節(jié)，發(fā)現(xiàn)影像組學(xué)模型在訓(xùn)練集中的曲線下面積（area"under"the"curve，AUC）為0.84，預(yù)測效能與10～12年的中年資醫(yī)生的水平相當(dāng)。但該研究樣本量不大，且未用機(jī)器學(xué)習(xí)方法進(jìn)行二分類任務(wù)，模型的預(yù)測能力有限。2023年，Zhong等[16]收集379例患者的BI-RADS"3～5類乳腺病灶超聲資料，在分割腫瘤納入瘤內(nèi)信息的基礎(chǔ)上，向外擴(kuò)展5mm，將瘤周信息也作為研究內(nèi)容，分別構(gòu)建瘤內(nèi)、瘤內(nèi)+瘤周的預(yù)測模型鑒別其良惡性，發(fā)現(xiàn)瘤內(nèi)+瘤周的預(yù)測效果遠(yuǎn)遠(yuǎn)好于單獨(dú)的瘤內(nèi)特征（訓(xùn)練集AUC分別為0.910和0.797）。因此瘤周圖像特征的觀察和提取對(duì)乳腺病灶的良惡性預(yù)測也十分重要。除較常用的二維超聲外，也有不少學(xué)者基于一種或多種超聲新技術(shù)構(gòu)建單模態(tài)或多模態(tài)模型進(jìn)行乳腺病灶良惡性的預(yù)測。研究發(fā)現(xiàn)基于ABVS提取的影像組學(xué)特征，結(jié)合彈性成像中的剪切波速度（shear"wave"velocity，SWV）、VTI評(píng)分及年齡構(gòu)建諾莫圖對(duì)乳腺BI-RADS"4A類結(jié)節(jié)也有較好的預(yù)測效果[17]。有學(xué)者收集190例患者的乳腺CEUS視頻資料，比較基于CEUS的DLR、結(jié)合XGBoost的HCR及高年資醫(yī)生對(duì)乳腺良惡性病變的診斷效能，DLR應(yīng)用的是在同時(shí)處理空間特征和時(shí)間特征方面具有良好性能的3D-ResNet-"50模型；結(jié)果顯示CNN模型在3D-ResNet-50模型的測試隊(duì)列中能實(shí)現(xiàn)0.84的最佳AUC[18]。綜上，超聲作為非常便捷和實(shí)用的檢查方法，與影像組學(xué)結(jié)合應(yīng)用可提高乳腺癌風(fēng)險(xiǎn)預(yù)測的準(zhǔn)確性。

2.2""預(yù)測受體狀態(tài)及分子分型

根據(jù)細(xì)胞膜表面雌激素受體、孕激素受體、人表皮生長因子受體2（human"epidermal"growth"factor"receptor"2，HER2）和增殖標(biāo)志物Ki-67，可將乳腺癌分為Luminal"A型、Luminal"B型、HER2過表達(dá)型和三陰性乳腺癌[13]。近年來，HER2低表達(dá)乳腺癌表現(xiàn)出獨(dú)特的信號(hào)傳導(dǎo)途徑、分子改變、生物學(xué)特征和臨床結(jié)果，被認(rèn)為可能是一種新的乳腺癌亞型[19]。乳腺癌受體狀態(tài)和分子亞型與患者治療方案、預(yù)后、患者對(duì)新輔助治療的反應(yīng)及轉(zhuǎn)移部位等密切相關(guān)[20-23]。區(qū)分不同分子亞型乳腺癌十分重要。HCR中最常用到聯(lián)合臨床特征和影像組學(xué)特征的諾莫圖，兩者結(jié)合對(duì)生物標(biāo)志物和分子分型的預(yù)測更準(zhǔn)確。2022年，Liu等[24]研究發(fā)現(xiàn)腫瘤最大徑、SWE中腫瘤的硬緣征、腋窩淋巴結(jié)狀態(tài)是區(qū)分Ki-67水平的獨(dú)立預(yù)測因子，三者與影像組學(xué)評(píng)分結(jié)合后對(duì)Ki-67的預(yù)測效果較好（訓(xùn)練集中AUC為0.904）。同年，孫芳等[25]回顧性分析529例浸潤性乳腺癌患者的超聲圖像，選擇預(yù)測效能較好的支持向量機(jī)構(gòu)建模型，發(fā)現(xiàn)結(jié)節(jié)大小、邊緣和鈣化與影像組學(xué)特征結(jié)合可有效鑒別Luminal型和非Luminal型乳腺癌。Wu等[26]的研究結(jié)果也佐證了這一點(diǎn)。2024年，有學(xué)者對(duì)222例乳腺癌患者的超聲圖像進(jìn)行分析，聯(lián)合影像組學(xué)特征和腫瘤形狀、微鈣化、邊界等可有效預(yù)測HER2低表達(dá)型乳腺癌（訓(xùn)練集中AUC高達(dá)0.89）[27]。以上研究均基于二維超聲圖像的HCR，其在乳腺癌分子分型中有不少應(yīng)用。一項(xiàng)研究對(duì)5961個(gè)乳腺超聲圖像進(jìn)行分析，構(gòu)建CNN模型對(duì)乳腺癌的分子分型進(jìn)行評(píng)估，該模型在區(qū)分4種亞型乳腺癌時(shí)訓(xùn)練集的準(zhǔn)確度為80.07%～97.02%，區(qū)分Luminal型乳腺癌時(shí)訓(xùn)練集的陽性預(yù)測值為93.29%[28]。該研究在一定程度上彌補(bǔ)既往單中心、樣本量較小研究的缺陷。

2.3""預(yù)測淋巴結(jié)狀態(tài)

腋窩淋巴結(jié)（axillary"lymph"node，ALN）是最常見的乳腺癌轉(zhuǎn)移部位，其轉(zhuǎn)移狀態(tài)是評(píng)估患者腫瘤分期、制定治療策略、評(píng)估患者預(yù)后的重要指標(biāo)[29]。前哨淋巴結(jié)（sentinel"lymph"node，SLN）是乳腺癌淋巴結(jié)引流的第一站。超聲成像具有體積增大、形狀不規(guī)則、邊緣不清晰和脂肪組織缺失等特征，其表示淋巴結(jié)可疑受累，但一些病理陽性淋巴結(jié)在二維超聲上卻沒有惡性征象。超聲影像組學(xué)可無創(chuàng)、準(zhǔn)確、客觀地評(píng)價(jià)ALN的狀態(tài)。2021年，Jiang等[29]基于兩中心433例早期原發(fā)性乳腺癌患者的二維超聲和SWE圖像預(yù)測乳腺癌ALN狀態(tài)，結(jié)果顯示二維超聲的ALN狀態(tài)、基于SWE的影像組學(xué)特征及分子分型共同構(gòu)成的聯(lián)合模型對(duì)ALN是否轉(zhuǎn)移顯示出較好的預(yù)測效果，該模型可檢測出82.1%的隱匿性ALN轉(zhuǎn)移灶，這些病灶沒有典型的超聲征象。2023年，Chen等[30]研究發(fā)現(xiàn)，將基于ABVS的影像組學(xué)特征、ABVS的回縮現(xiàn)象與超聲圖像中ALN狀態(tài)相結(jié)合，可較準(zhǔn)確預(yù)測ALN的腫瘤負(fù)荷（訓(xùn)練集和測試集的AUC分別為0.876和0.851）。同時(shí)，也有學(xué)者利用DLR對(duì)乳腺癌ALN狀態(tài)進(jìn)行預(yù)測。Wang[31]等收集來自兩中心的359例乳腺癌患者的乳腺傳統(tǒng)灰度超聲、彩色多普勒血流成像（color"Doppler"flow"imaging，CDFI）及SWE圖像，用ResNet-18模式分別對(duì)3類圖像進(jìn)行自動(dòng)特征提取，分別構(gòu)建DL-灰度、DL-CDFI、DL-彈性模型，得出DL-彈性成像模型在內(nèi)部驗(yàn)證隊(duì)列的AUC為0.879，準(zhǔn)確率為86.13%，在3個(gè)模型中表現(xiàn)最好。綜上，無論HCR還是DLR，對(duì)乳腺癌ALN狀態(tài)的評(píng)估都具有較高的準(zhǔn)確性。

2.4""預(yù)后、療效評(píng)估

乳腺癌具有高度異質(zhì)性，預(yù)后差異很大，常規(guī)影像學(xué)檢查缺乏定量預(yù)測[32]。Xiong等[33]基于二維超聲圖像影像組學(xué)特征模型預(yù)測浸潤性乳腺癌的無病生存率（disease-free"survival，DFS），結(jié)果顯示影像組學(xué)特征與DFS存在顯著相關(guān)性，獨(dú)立于臨床病理學(xué)預(yù)測因素。影像組學(xué)列線圖的表現(xiàn)優(yōu)于臨床病理列線圖。新輔助化療（neoadjuvant"chemotherapy，NAC）可有效降低乳腺腫瘤的分級(jí)，進(jìn)而可行小范圍手術(shù)而不是全切手術(shù)，作為局部晚期乳腺癌患者的常見治療選擇[34-35]。Yu等[35]進(jìn)行一項(xiàng)多中心研究，應(yīng)用DLR模型預(yù)測乳腺癌NAC效能，該研究共納入603例患者，分別取超聲圖像的縱向、橫向最大切面并進(jìn)行預(yù)處理，預(yù)訓(xùn)練4個(gè)模型作為基礎(chǔ)CNN分類模型，ResNet"50表現(xiàn)最好，結(jié)合臨床病理信息時(shí)AUC可達(dá)0.962，深度學(xué)習(xí)模型可很好地輔助超聲科醫(yī)生評(píng)估NAC的效果。

3""展望

與基于CT、MRI、X線的影像組學(xué)相比，超聲影像組學(xué)的發(fā)展起步較晚，但超聲具有實(shí)時(shí)觀察、應(yīng)用靈活、價(jià)格低等特點(diǎn)。超聲影像組學(xué)在乳腺腫瘤的良惡性鑒別、分子分型、區(qū)域淋巴結(jié)轉(zhuǎn)移、治療效果和預(yù)后的預(yù)測研究中都展現(xiàn)出巨大潛力，有望在未來無須病理學(xué)組織活檢的情況下輔助臨床醫(yī)生對(duì)乳腺疾病進(jìn)行診斷及治療，為乳腺癌精準(zhǔn)醫(yī)療提供新的便利手段。但同時(shí)，超聲影像組學(xué)也存在一些弊端，如HCR中腫瘤ROI分割方式、特征提取過程等流程的不規(guī)范性可能對(duì)結(jié)果的穩(wěn)定性產(chǎn)生一定影響，需要高年資醫(yī)生嚴(yán)格把控。DRL中固有的“黑匣子”效應(yīng)使得模型的可解釋性成為一大難題，過擬合問題的解決仍任重道遠(yuǎn)。由于人工智能模型訓(xùn)練需要大量樣本的積累，大樣本（gt;1000例）和多中心數(shù)據(jù)是構(gòu)建模型的有力基礎(chǔ)，這可能成為將來研究的趨勢之一。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻(xiàn)]

[1] 何思怡，"李賀，"曹毛毛，"等."全球及我國女性乳腺癌疾病負(fù)擔(dān)年齡分布及變化趨勢[J]."中國腫瘤，"2023，"32（1）："1–7.

[2] Arnold"M，"Morgan"E，"Rumgay"H，"et"al."Current"and"future"burden"of"breast"cancer："Global"statistics"for"2020"and"2040[J]."Breast，"2022，"66："15–23.

[3] Sung"H，"Ferlay"J，"Siegel"R"L，"et"al."Global"cancer"statistics"2020："GLOBOCAN"estimates"of"incidence"and"mortality"worldwidenbsp;for"36"cancers"in"185"countries[J]."CA"Cancer"J"Clin，"2021，"71（3）："209–249.

[4] Ngan"T"T，"Nguyen"N"T"Q，"Van"Minh"H，"et"al."Effectiveness"of"clinical"breast"examination"as"a"‘stand-alone’"screening"modality："An"overview"of"systematic"reviews[J]."BMC"Cancer，"2020，"20（1）："1070.

[5] Gillies"R"J，"Anderson"A"R，"Gatenby"R"A，"et"al."The"biology"underlying"molecular"imaging"in"oncology："From"genome"to"anatome"and"back"again[J]."Clin"Radiol，"2010，"65（7）："517–521.

[6] Lambin"P，"Rios-Velazquez"E，"Leijenaar"R，""et"al."Radiomics："Extracting"more"information"from"medical"images"using"advanced"feature"analysis[J]."Eur"J"Cancer，"2012，"48（4）："441–446.

[7] Kumar"V，"Gu"Y，"Basu"S，"et"al."Radiomics："The"process"and"the"challenges[J]."Magn"Reson"Imaging，"2012，"30（9）："1234–1248.

[8] Militello"C，"Rundo"L，"Dimarco"M，"et"al."3D"DCE-MRI"radiomic"analysis"for"malignant"lesion"prediction"in"breast"cancer"patients[J]."Acad"Radiol，"2022，"29（6）："830–840.

[9] Tagliafico"A"S，"Piana"M，"Schenone"D，"et"al."Overview"of"radiomics"in"breast"cancer"diagnosis"and"prognostication[J]."Breast，"2020，"49："74–80.

[10] Afshar"P，"Mohammadi"A，"Plataniotis"K"N，""""et"al."From"handcrafted"to"deep-learning-based"cancer"radiomics："Challenges"and"opportunities[J]."IEEE"Signal"Process"Mag，"2019，"36（4）："132–160.

[11] Lambin"P，"Leijenaar"R"T"H，"Deist"T"M，"et"al."Radiomics："The"bridge"between"medical"imaging"and"personalized"medicine[J]."Nat"Rev"Clin"Oncol，"2017，"14（12）："749–762.

[12] Saleh"G"A，"Batouty"N"M，"Gamal"A，"et"al."Impact"of"imaging"biomarkers"and"AI"on"breast"cancer"management："A"brief"review[J]."Cancers"（Basel），"2023，"15（21）："5216.

[13] Untch"M，"Gerber"B，"Harbeck"N，"et"al."13th"St."Gallen"International"Breast"Cancer"Conference"2013："Primary"therapy"of"early"breast"cancer"evidence，"controversies，"consensus"-"Opinion"of"a"German"team"of"experts"（Zurich"2013）[J]."Breast"Care"（Basel），"2013，"8（3）："221–229.

[14] 中國抗癌協(xié)會(huì)乳腺癌專業(yè)委員會(huì)，"中華醫(yī)學(xué)會(huì)腫瘤學(xué)分會(huì)乳腺腫瘤學(xué)組."中國抗癌協(xié)會(huì)乳腺癌診治指南與規(guī)范（2024年版）[J]."中國癌癥雜志，"2024，"33（12）："1092–1186.

[15] 肖榕."基于灰階超聲的影像組學(xué)預(yù)測乳腺腫瘤良惡性的價(jià)值[D]."合肥："安徽醫(yī)科大學(xué)，"2021.

[16] Zhong"L，"Shi"L，"Zhou"L，"et"al."Development"of"a"nomogram-based"model"combining"intra-"and"peritumoral"ultrasound"radiomics"with"clinical"features"for"differentiating"benign"from"malignant"in"breast"imaging"reporting"and"data"system"category"3-5"nodules[J]."Quant"Imaging"Med"Surg，"2023，"13（10）："6899–6910.

[17] Ma"Q，"Wang"J，"Xu"D，"et"al."Automatic"breast"volume"scanner"and"B-ultrasound-based"radiomics"nomogram"for"clinician"management"of"BI-RADS"4A"lesions[J]."Acad"Radiol，"2023，"30（8）："1628–1637.

[18] ZHU"J"Y，"HE"H"L，"LIN"Z"M，"et"al."Ultrasound-based"radiomics"analysis"for"differentiating"benign"and"malignant"breast"lesions："From"static"images"to"CEUS"video"analysis[J]."Front"Oncol，"2022，"12："951973.

[19] MOLINELLI"C，"JACOBS"F，"MARCHIò"C，"et"al."HER2-low"breast"cancer："Where"are"we？[J]."Breast"Care"（Basel），"2022，"17（6）："533–545.

[20] Li"Y，"Wang"S，"Yang"W，"et"al."Prognostic"significance"of"molecular"subtype，"metastatic"site"and"primary"tumor"surgery"for"survival"in"primary"metastatic"breast"cancer："A"SEER-based"study[J]."Medicine"（Baltimore），"2021，"100（27）："e26619.

[21] Zhu"S，"Li"Y，"Chen"W，"et"al."Molecular"subtype"may"be"more"associated"with"prognosis"and"chemotherapy"benefit"than"tumor"size"in"T1N0"breast"cancer"patients："An"analysis"of"2168"patients"for"possible"de-escalation"treatment[J]."Front"Oncol，"2021，"11："636266.

[22] GLAESER"A，"SINN"H"P，"GARCIA-ETIENNE"C，"et"al."Heterogeneous"responses"of"axillary"lymph"node"metastases"to"neoadjuvant"chemotherapy"are"common"and"depend"on"breast"cancer"subtype[J]."Ann"Surg"Oncol，"2019，"26（13）："4381–4389.

[23] Phung"M"T，"Tin"Tin"S，"Elwood"J"M."Prognostic"models"for"breast"cancer："A"systematic"review[J]."BMC"Cancer，"2019，"19（1）："230.

[24] Liu"J，"Wang"X，"Hu"M，"et"al."Development"of"an"ultrasound-based"radiomics"nomogram"to"preoperatively"predict"Ki-67"expression"level"in"patients"with"breast"cancer[J]."Front"Oncol，"2022，"12："963925.

[25] 孫芳，"許永波，"崔廣和，"等."基于超聲特征構(gòu)建機(jī)器學(xué)習(xí)模型預(yù)測浸潤性乳腺癌Luminal分型[J]."實(shí)用醫(yī)學(xué)雜志，"2022，"38（18）："2279–2283.

[26] Wu"J，"Ge"L，"Jin"Y，"et"al."Development"and"validation"of"an"ultrasound-based"radiomics"nomogram"for"predicting"the"luminal"from"non-luminal"type"in"patients"with"breast"carcinoma[J]."Front"Oncol，"2022，"12："993466.

[27] Zhang"X，"Wu"S，"Zu"X，"et"al."Ultrasound-based"radiomics"nomogram"for"predicting"HER2-low"expression"breast"cancer[J]."Front"Oncol，"2024，"14："1438923.

[28] JIANG"M，"ZHANG"D，"TANG"S"C，"et"al."Deep"learning"with"convolutional"neural"network"in"the"assessment"of"breast"cancer"molecular"subtypes"based"on"US"images："A"multicenter"retrospective"study[J]."Eur"Radiol，"2020，"31（6）："3673–3682.

[29] JIANG"M，"LI"C"L，"LUO"X"M，"et"al."Radiomics"model"based"on"shear-wave"elastography"in"the"assessment"of"axillary"lymph"node"status"in"early-stage"breast"cancer[J]."Eur"Radiol，"2021，"32（4）："2313–2325.

[30] Chen"Y，"Xie"Y，"Li"B，"et"al."Automated"breast"ultrasound"（ABUS）-based"radiomics"nomogram："An"individualized"tool"for"predicting"axillary"lymph"node"tumor"burden"in"patients"with"early"breast"cancer[J]."BMC"Cancer，"2023，"23（1）："340.

[31] Wang"C，"Zhao"Y，"Wan"M，"et"al."Prediction"of"sentinel"lymph"node"metastasis"in"breast"cancer"by"using"deep"learning"radiomics"based"on"ultrasound"images[J]."Medicine"（Baltimore），"2023，"102（44）："e35868.

[32] LIU"S"Q，"GAO"Z"J，"WU"J，"et"al."Single-cell"and"spatially"resolved"analysis"uncovers"cell"heterogeneity"of"breast"cancer[J]."J"Hematol"Oncol，"2022，"15（1）："19.

[33] Xiong"L，"Chen"H，"Tang"X，"et"al."Ultrasound-based"radiomics"analysis"for"predicting"disease-free"survival"of"invasive"breast"cancer[J]."Front"Oncol，"2021，"11："621993.

[34] Gradishar"W"J，"Anderson"B"O，"Abraham"J，""et"al."Breast"cancer，"version"3.2020，"NCCN"clinical"practice"guidelines"in"oncology[J]."J"Natl"Compr"Canc"Netw，"2020，"18（4）："452–478.

[35] YU"F"H，"MIAO"S"M，"LI"C"Y，"et"al."Pretreatment"ultrasound-based"deep"learning"radiomics"model"for"the"early"prediction"of"pathologic"response"to"neoadjuvant"chemotherapy"in"breast"cancer[J]."Eur"Radiol，"2023，"33（8）："5634–5644.

（收稿日期：2024–11–26）

（修回日期：2025–02–08）