動態(tài)對比增強磁共振成像預(yù)測乳腺癌預(yù)后的研究進(jìn)展

[摘要]"乳腺癌是女性常見的惡性腫瘤，其發(fā)病率和死亡率居高不下。由于該疾病異質(zhì)性顯著，準(zhǔn)確的預(yù)后預(yù)測對制定有效的治療策略至關(guān)重要。近年來，隨著醫(yī)學(xué)影像技術(shù)的發(fā)展，基于磁共振成像（magnetic"resonance"imaging，MRI）的影像組學(xué)在乳腺癌研究中廣泛應(yīng)用。動態(tài)對比增強磁共振成像（dynamic"contrast"enhanced-magnetic"resonance"imaging?，DCE-MRI）作為一種用于評估組織血管生成和血流動態(tài)變化的功能性MRI技術(shù)，在乳腺癌預(yù)后預(yù)測中展現(xiàn)出巨大的潛力。本文通過探討DCE-MRI在乳腺癌預(yù)后預(yù)測中的應(yīng)用，分析該技術(shù)及其影像組學(xué)的局限性和挑戰(zhàn)，旨在為臨床精準(zhǔn)診療提供新視角，提高對乳腺癌患者預(yù)后評估的準(zhǔn)確性。

[關(guān)鍵詞]"動態(tài)對比增強磁共振成像；影像組學(xué)；乳腺癌；預(yù)后預(yù)測；腋窩淋巴結(jié)轉(zhuǎn)移

[中圖分類號]"R737.9""""""[文獻(xiàn)標(biāo)識碼]"A""""""[DOI]"10.3969/j.issn.1673-9701.2025.06.026

乳腺癌是全球范圍內(nèi)嚴(yán)重威脅女性健康的惡性腫瘤，其發(fā)病率逐年攀升，是不容忽視的公共衛(wèi)生挑戰(zhàn)[1]。病理檢查是乳腺癌診斷的金標(biāo)準(zhǔn)，但這種有創(chuàng)操作僅能提供腫瘤局部信息，難以全面反映腫瘤的特征[2]。磁共振成像（magnetic"resonance"imaging，MRI）作為無創(chuàng)、可重復(fù)性的成像技術(shù)，可提高診斷效率并減少患者創(chuàng)傷。近年來，動態(tài)對比增強磁共振成像（dynamic"contrast"enhanced-magnetic"resonance"imaging，DCE-MRI）在乳腺癌的診斷和預(yù)后評估中提供豐富的功能信息，顯示出其獨特的優(yōu)勢[3]。本文綜述DCE-MRI及其影像組學(xué)在乳腺癌預(yù)后因素研究中的應(yīng)用進(jìn)展，包括分子亞型、腋窩淋巴結(jié)轉(zhuǎn)移、腫瘤微環(huán)境及新輔助療效預(yù)測，并探討其局限性，以期推動DCE-MRI在乳腺癌早期診斷及預(yù)后評估中的應(yīng)用。

1nbsp;"DCE-MRI影像組學(xué)簡述

影像組學(xué)是通過高通量計算方法從多模態(tài)醫(yī)學(xué)影像中提取量化特征，將影像轉(zhuǎn)化為可分析數(shù)據(jù)，揭示潛在的病理生理學(xué)信息[4]。近年來，影像組學(xué)在評估腫瘤分型、預(yù)測治療效果及預(yù)后中逐漸展現(xiàn)其價值[5]。其基本流程包括數(shù)據(jù)采集、腫瘤分割、特征提取、特征篩選和模型構(gòu)建[6]。為確保影像組學(xué)模型在臨床應(yīng)用中的有效性和穩(wěn)定性，必須對其進(jìn)行嚴(yán)格的驗證過程以證實模型的精確度和可信度。

目前在乳腺癌的研究中應(yīng)用多種影像技術(shù)，如超聲、X射線、MRI、正電子發(fā)射斷層掃描（positron"emission"tomography，PET）、PET/CT和PET/MRI等，這些技術(shù)各有優(yōu)勢和局限性[7-9]，見表1。MRI是檢測乳腺癌最重要的成像方法之一，其中DCE-MRI序列通過監(jiān)測對比劑在腫瘤血管中的動態(tài)變化，反映腫瘤的血管生成、通透性及微環(huán)境等生物學(xué)特性，提供病灶的形態(tài)學(xué)及功能性信息，是目前最成熟的乳腺MRI技術(shù)[10-11]。近年來，DCE-MRI在基于MRI影像組學(xué)的研究中被廣泛應(yīng)用，不僅提高對不同乳腺癌亞型的識別能力，還在乳腺癌的預(yù)后預(yù)測中表現(xiàn)出良好的潛力，為個性化治療方案的制定提供支持。

2""DCE-MRI在乳腺癌預(yù)后預(yù)測中的應(yīng)用

2.1""DCE-MRI預(yù)測乳腺癌分子亞型

依據(jù)基因表達(dá)譜分析，乳腺癌可分為Luminal"A型、Luminal"B型、人表皮生長因子受體-2（human"epidermal"growthfactor"receptor"2，HER-2）過表達(dá)型及三陰型乳腺癌（triple"negative"breast"cancer，TNBC）4種主要的分子亞型，各亞型具有獨特的生物學(xué)特性和行為模式[12]。Jiang等[13]在一項860例乳腺癌患者的多中心研究中，通過DCE-MRI影像組學(xué)分析篩選出11個最具判別力的特征，構(gòu)建Logistic分類模型區(qū)分TNBC和其他亞型，其內(nèi)部驗證集的曲線下面積（area"under"curve，AUC）高達(dá)0.922。Huang等[14]從乳腺癌患者的DCE-MRI圖像中提取關(guān)鍵特征并構(gòu)建影像組學(xué)模型，用于區(qū)分Luminal型乳腺癌與非Luminal型乳腺癌。該模型在訓(xùn)練集和驗證集中的AUC分別為0.86、0.80。賈燕茹等[15]研究表明結(jié)合DCE-MRI影像組學(xué)特征和臨床參數(shù)的模型在區(qū)分這兩種亞型時展現(xiàn)出良好的鑒別效能。綜上，通過DCE-MRI構(gòu)建的模型在無創(chuàng)預(yù)測乳腺癌分子分型方面具有顯著優(yōu)勢。

2.2""DCE-MRI預(yù)測乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移

在乳腺癌的臨床分期和預(yù)后評估中，腋窩淋巴結(jié)（axillary"lymph"node，ALN）的轉(zhuǎn)移狀態(tài)是一個至關(guān)重要的指標(biāo)[16]。當(dāng)前，病理學(xué)檢查（如前哨淋巴結(jié)活檢術(shù)和ALN清掃術(shù)）是評估ALN狀態(tài)的金標(biāo)準(zhǔn)，但這些有創(chuàng)操作可能使患者出現(xiàn)感覺異常、淋巴水腫和上肢運動損傷等并發(fā)癥[17]。因此，開發(fā)無創(chuàng)方法提取生物標(biāo)志物判斷ALN的狀態(tài)具有重要價值。DCE-MRI通過提供腫瘤的血流動力學(xué)信息評估病變的血管分布和通透性，從而判斷乳腺癌的生物學(xué)行為和轉(zhuǎn)移潛力[18]。Cui等[19]對乳腺腫瘤進(jìn)行分割和特征提取之后，采用支持向量機(jī)（support"vector"machine，SVM）、K最近鄰和線性判別3種分類器對ALN狀態(tài)進(jìn)行5次交叉驗證，結(jié)果顯示SVM分類器的預(yù)測效能和分類精度最佳，該模型的AUC為0.8615，進(jìn)一步驗證其在乳腺癌ALN轉(zhuǎn)移預(yù)測中的優(yōu)越性。Li等[20]研究中不僅預(yù)測ALN轉(zhuǎn)移的可能性，還評估ALN轉(zhuǎn)移的數(shù)量。此外，研究發(fā)現(xiàn)病灶周圍區(qū)域特征對ALN評估同樣重要。趙楠楠等[21]構(gòu)建結(jié)合DCE-MRI腫瘤內(nèi)部及周圍區(qū)域的影像學(xué)特征和臨床病理資料的綜合性模型，用于預(yù)測ALN轉(zhuǎn)移。研究發(fā)現(xiàn)綜合模型的性能優(yōu)于單獨影像組學(xué)模型。以上研究表明DCE-MRI影像組學(xué)模型在ALN轉(zhuǎn)移的評估中具有顯著意義。

2.3""DCE-MRI在乳腺腫瘤微環(huán)境中的研究

乳腺癌的腫瘤微環(huán)境（tumor"microenvironment，TME）因其在疾病預(yù)后和治療干預(yù)中的作用而備受關(guān)注[22]。腫瘤浸潤性淋巴細(xì)胞（tumor"infiltrating"lymphocytes，TILs）是TME中的關(guān)鍵免疫細(xì)胞，與腫瘤代謝及局部免疫反應(yīng)緊密聯(lián)系[23]。Braman等[24]發(fā)現(xiàn)乳腺瘤周影像特征與TILs密度相關(guān)，提示僅提取乳腺腫瘤自身特征可能不足。Bian等[25]通過術(shù)前DCE-MRI構(gòu)建的列線圖模型在無創(chuàng)評估乳腺癌TILs方面表現(xiàn)出色，影像組學(xué)和列線圖模型的AUC分別為0.86和0.88。Han等[26]利用LASSO"Cox回歸分析建立乳腺癌免疫評分（immunoscore"for"breast"cancer，ISBC），并從DCE-MRI影像中提取腫瘤內(nèi)部及其周邊區(qū)域的479項量化特征以預(yù)測ISBC，同時采用隨機(jī)森林這一機(jī)器學(xué)習(xí)技術(shù)探究ISBC與患者預(yù)后之間的相關(guān)性。結(jié)果顯示以影像組學(xué)為基礎(chǔ)的免疫評分是預(yù)測預(yù)后的有效工具。Tang等[27]結(jié)合T2加權(quán)成像、彌散加權(quán)成像和DCE-MRI建立4種預(yù)測模型以預(yù)測TIL水平，證實從DCE-MRI中提取的影像組學(xué)特征，尤其是延遲期圖像，可幫助提高預(yù)測TILs性能。這些研究表明創(chuàng)新的成像技術(shù)在影像、免疫、病理學(xué)等領(lǐng)域?qū)崿F(xiàn)顯著進(jìn)展，也為今后的研究提供新的方向。

2.4""DCE-MRI在乳腺癌新輔助化療中的研究

新輔助化療（neoadjuvant"chemotherapy，NAC）是針對局部晚期乳腺癌患者的術(shù)前治療手段，通過評估腫瘤對化療藥物的反應(yīng)，為手術(shù)選擇和后續(xù)治療提供依據(jù)；其療效通常以病理完全緩解（pathological"complete"response，pCR）作為評價指標(biāo)。目前基于DCE-MRI序列的影像組學(xué)是探索NAC反應(yīng)的主要方法[28]。Fan等[29]通過對比治療前后的DCE-MRI圖像，發(fā)現(xiàn)NAC應(yīng)答者腫瘤異質(zhì)性顯著降低，且程度高于非應(yīng)答者，為評估化療療效提供新視角。Caballo等[30]基于化療前的DCE-MRI圖像對腫瘤和瘤周區(qū)域進(jìn)行分割，提取出348個可量化紋理時間變化、增強動力學(xué)異質(zhì)性和形態(tài)的影像組學(xué)特征，構(gòu)建四維機(jī)器學(xué)習(xí)模型預(yù)測不同亞型患者的pCR情況，其結(jié)果顯示該模型在Luminal"A型、Luminal"B型、HER-2過表達(dá)型及TNBC患者的AUC分別為0.824、0.823、0.844、0.803，均展現(xiàn)出良好的性能。Park等[31]為預(yù)測ER陽性且HER-2陰性的局部晚期乳腺癌患者接受NAC后的pCR情況，從DCE-MRI的早期和延遲期圖像中提取腫瘤內(nèi)部及瘤周1mm和3mm范圍內(nèi)的影像組學(xué)特征，發(fā)現(xiàn)基于早期圖像中腫瘤內(nèi)部和周圍1mm區(qū)域的特征構(gòu)建的SVM模型預(yù)測性能最優(yōu)，其驗證集AUC達(dá)0.944。上述研究顯示DCE-MRI影像組學(xué)分析對NAC方案的及時調(diào)整具有重要意義，但在選擇最佳時間點進(jìn)行特征提取方面目前尚無統(tǒng)一標(biāo)準(zhǔn)。

2.5""DCE-MRI對乳腺癌預(yù)后評估及復(fù)發(fā)風(fēng)險的預(yù)測

在乳腺癌的診療中，早期復(fù)發(fā)往往與患者較短的生存期相關(guān)。因此，復(fù)發(fā)轉(zhuǎn)移的有效監(jiān)控和長期生存的精準(zhǔn)評估至關(guān)重要。Ma等[32]通過深度學(xué)習(xí)分割模型提取TNBC患者NAC前后DCE-MRI圖像特征，構(gòu)建預(yù)測模型。經(jīng)驗證，融合NAC前后影像組學(xué)特征的聯(lián)合模型在預(yù)測TNBC患者3年復(fù)發(fā)風(fēng)險方面性能最優(yōu)，該模型訓(xùn)練集上AUC為0.963，驗證集AUC為0.933。Lee等[33]為評估40歲以下早期乳腺癌患者的復(fù)發(fā)風(fēng)險，通過篩選DCE-MRI的早期減影圖像、ADC圖像中的特征及臨床病理信息，引入影像組學(xué)評分與ER受體陰性狀態(tài)作為關(guān)鍵參數(shù)構(gòu)建列線圖，結(jié)果顯示這種模型在預(yù)測患者術(shù)后2年的無病生存期方面具有較高的準(zhǔn)確性。21基因檢測通過量化復(fù)發(fā)風(fēng)險評分（recurrence"score，RS）評估早期乳腺癌患者的復(fù)發(fā)風(fēng)險，RS與遠(yuǎn)處轉(zhuǎn)移風(fēng)險、局部復(fù)發(fā)傾向及生存率緊密關(guān)聯(lián)[34-36]。崔雅靜等[37]探究結(jié)合DCE-MRI影像組學(xué)特征和臨床病理資料對ER陽性且ALN陰性患者RS評分的預(yù)測價值。研究發(fā)現(xiàn)有8項影像組學(xué)特征和1項臨床病理特征與RS顯示出顯著的相關(guān)性。僅使用影像組學(xué)特征建立的模型擬合度R2為0.264，而在加入臨床病理特征之后，模型的R2提升至0.295，表明DCE-MRI影像組學(xué)特征和臨床病理信息與RS存在關(guān)聯(lián)。綜上，基于DCE-MRI的影像組學(xué)分析可提供復(fù)發(fā)風(fēng)險評估的關(guān)鍵信息。

3""MRI影像組學(xué)的限制與挑戰(zhàn)

盡管基于MRI的影像組學(xué)在乳腺癌預(yù)后預(yù)測中前景廣闊，但在實際臨床應(yīng)用及未來研究方面仍面臨諸多挑戰(zhàn)與機(jī)遇。①目前多數(shù)研究為單中心、回顧性設(shè)計，樣本量小且易受人群或設(shè)備影響，模型的穩(wěn)定性及準(zhǔn)確性不足。因此，有必要開展大樣本、前瞻性的多中心研究，鼓勵跨機(jī)構(gòu)合作，建立共享數(shù)據(jù)庫，以提升結(jié)果的可靠性與普適性。②現(xiàn)有研究多局限于影像學(xué)、臨床特征及病理信息分析，未來應(yīng)結(jié)合基因組學(xué)、蛋白質(zhì)組學(xué)、代謝組學(xué)等多維度數(shù)據(jù)，構(gòu)建更為全面的疾病表征模型，提高個體化風(fēng)險分層的精確性。③雖然交叉驗證方法和獨立數(shù)據(jù)集檢驗已證實MRI影像組學(xué)在預(yù)后預(yù)測中的卓越效能，但模型的泛化能力仍有待提升，通過結(jié)合多序列或多模態(tài)成像技術(shù)可提供更全面的預(yù)后信息，提高預(yù)測的準(zhǔn)確性與魯棒性。

4""小結(jié)與展望

DCE-MRI由于其無創(chuàng)、可重復(fù)的特性，可在術(shù)前有效評估腫瘤，但面臨標(biāo)準(zhǔn)化不足、分辨率和噪聲問題、假陽性和假陰性結(jié)果及解剖和功能信息整合不足等挑戰(zhàn)。未來可通過標(biāo)準(zhǔn)化成像協(xié)議和分析方法、融合多模態(tài)成像技術(shù)、提高時間和空間分辨率及應(yīng)用人工智能和深度學(xué)習(xí)來解決這些問題。這些改進(jìn)將推動DCE-MRI在乳腺癌的精準(zhǔn)醫(yī)學(xué)和個體化治療中的應(yīng)用，并通過多中心、大規(guī)模研究驗證其價值?？傮w而言，DCE-MRI結(jié)合影像組學(xué)在預(yù)測乳腺癌分子亞型、ALN轉(zhuǎn)移、腫瘤微環(huán)境和新輔助療效等預(yù)后相關(guān)因素方面取得顯著進(jìn)展，為乳腺癌預(yù)后預(yù)測提供有力工具。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻(xiàn)]

[1] 鄭榮壽，"陳茹，"韓冰峰，"等."2022年中國惡性腫瘤流行情況分析[J]."中華腫瘤雜志，"2024，"46（3）："221–231.

[2] KIM"J"H，"KO"E"S，"LIM"Y，"et"al."Breast"cancer"heterogeneity："MR"imaging"texture"analysis"and"survival"outcomes[J]."Radiology，"2017，"282（3）："665–675.

[3] ONISHI"N，"SADINSKI"M，"HUGHES"M"C，"et"al."Ultrafast"dynamic"contrast-enhanced"breast"MRI"may"generate"prognostic"imaging"markers"of"breast"cancer[J]."Breast"Cancer"Res，"2020，"22（1）："58.

[4] GILLIES"R"J，"KINAHAN"P"E，"HRICAK"H."Radiomics："Images"are"more"than"pictures，"they"are"data[J]."Radiology，"2016，"278（2）："563–577.

[5] LIU"Z，"WANG"S，"DONG"D，"et"al."The"applications"of"radiomics"in"precision"diagnosis"and"treatment"of"oncology："Opportunities"and"challenges[J]."Theranostics，"2019，"9（5）："1303–1322.

[6] WITOWSKI"J，"HEACOCK"L，"REIG"B，"et"al."Improving"breast"cancer"diagnostics"with"deep"learning"for"MRI[J]."Sci"Transl"Med，"2022，"14（664）："eabo4802.

[7] HADEBE"B，"HARRY"L，"EBRAHIM"T，"et"al."The"role"of"PET/CT"in"breast"cancer[J]."Diagnostics"（Basel），"2023，"13（4）："597.

[8] PINKER"K，"HELBICH"T"H，"MORRIS"E"A."The"potential"of"multiparametric"MRI"of"the"breast[J]."Br"J"Radiol，"2017，"90（1069）："20160715.

[9] CONTI"A，"DUGGENTO"A，"INDOVINA"I，"et"al."Radiomics"in"breast"cancer"classification"and"prediction[J]."Semin"Cancer"Biol，"2021，"72："238–250.

[10] LEITHNER"D，"MOY"L，"MORRIS"E"A，"et"al."Abbreviated"MRI"of"the"breast："Does"it"provide"value？[J]."J"Magn"Reson"Imaging，"2019，"49（7）："e85–e100.

[11] 馬永剛，"張堃，"黃斌，"等."動態(tài)對比增強和擴(kuò)散加權(quán)成像的多參數(shù)MRI模型預(yù)測乳腺癌腫瘤血管新生的價值[J]."臨床和實驗醫(yī)學(xué)雜志，"2022，"21（4）："443–446.

[12] NGUYEN"P"L，"TAGHIAN"A"G，"KATZ"M"S，"et"al."Breast"cancer"subtype"approximated"by"estrogen"receptor，"progesterone"receptor，"and"HER-2"is"associated"with"local"and"distant"recurrence"after"breast-conserving"therapy[J]."J"Clin"Oncol，"2008，"26（14）："2373–2378.

[13] JIANG"L，"YOU"C，"XIAO"Y，"et"al."Radiogenomic"analysis"reveals"tumor"heterogeneity"of"triple-negative"breast"cancer[J]."Cell"Rep"Med，"2022，"3（7）："100694.

[14] HUANG"T，"FAN"B，"QIU"Y，"et"al."Application"of"DCE-MRI"radiomics"signature"analysis"in"differentiating"molecular"subtypes"of"luminal"and"non-luminal"breast"cancer[J]."Front"Med"（Lausanne），"2023，"10："1140514.

[15] 賈燕茹，"柴軍，"趙建華，nbsp;等."DCE-MRI影像組學(xué)聯(lián)合臨床特征鑒別luminal型與非luminal型乳腺癌的價值[J]."中國CT和MRI雜志，"2024，"22（8）："63–66.

[16] LI"L，"ZHAO"J，"ZHANG"Y，"et"al."Nomogram"based"on"multiparametric"analysis"of"early-stage"breast"cancer："Prediction"of"high"burden"metastatic"axillary"lymph"nodes[J]."Thorac"Cancer，"2023，"14（35）："3465–3474.

[17] BODE"M，"SCHRADING"S，"MASOUMI"A，"et"al."Abbreviated"MRI"for"comprehensive"regional"lymph"node"staging"during"pre-operative"breast"MRI[J]."Cancers"（Basel），"2023，"15（6）："1859.

[18] 梁泓冰，"寧寧，"趙思奇，"等."基于DCE-MRI的3D-MIP重建及多參數(shù)評估BI-RADS"4類乳腺腫瘤[J]."磁共振成像，"2024，"15（5）："94–101.

[19] CUI"X，"WANG"N，"ZHAO"Y，"et"al."Preoperative"prediction"of"axillary"lymph"node"metastasis"in"breast"cancer"Using"radiomics"features"of"DCE-MRI[J]."Sci"Rep，"2019，"9（1）："2240.

[20] LI"L，"YU"T，"SUN"J，"et"al."Prediction"of"the"number"of"metastatic"axillary"lymph"nodes"in"breast"cancer"by"radiomic"signature"based"on"dynamic"contrast-enhanced"MRI[J]."Acta"Radiol，"2022，"63（8）："1014–1022.

[21] 趙楠楠，"朱蕓，"湯曉敏，"等."基于瘤內(nèi)及瘤周MRI影像組學(xué)列線圖預(yù)測乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移[J]."磁共振成像，"2023，"14（3）："81–87，"94.

[22] MITTAL"S，"BROWN"N"J，"HOLEN"I."The"breast"tumor"microenvironment："Role"in"cancer"development，"progression"and"response"to"therapy[J]."Expert"Rev"Mol"Diagn，"2018，"18（3）："227–243.

[23] MURAKAMI"W，"TOZAKI"M，"SASAKI"M，"et"al."Correlation"between"18F-FDG"uptake"on"PET/MRI"and"the"level"of"tumor-infiltrating"lymphocytes"（TILs）"in"triple-negative"and"HER2-positive"breast"cancer[J]."Eur"J"Radiol，"2020，"123："108773.

[24] BRAMAN"N，"PRASANNA"P，"WHITNEY"J，"et"al."Association"of"peritumoral"radiomics"with"tumor"biology"and"pathologic"response"to"preoperative"targeted"therapy"for"HER2"（ERBB2）-positive"breast"cancer[J]."JAMA"Netw"Open，"2019，"2（4）："e192561.

[25] BIAN"T，"WU"Z，"LIN"Q，"et"al."Evaluating"tumor-"infiltrating"lymphocytes"in"breast"cancer"using"preoperative"MRI-based"radiomics[J]."J"Magn"Reson"Imaging，"2022，"55（3）："772–784.

[26] HAN"X，"CAO"W，"WU"L，"et"al."Radiomics"assessment"of"the"tumor"immune"microenvironment"to"predict"outcomes"in"breast"cancer[J]."Front"Immunol，"2021，"12："773581.

[27] TANG"W"J，"KONG"Q"C，"CHENG"Z"X，"et"al."Performance"of"radiomics"models"for"tumour-infiltrating"lymphocyte"（TIL）"prediction"in"breast"cancer："The"role"of"the"dynamic"contrast-enhanced"（DCE）"MRI"phase[J]."Eur"Radiol，"2022，"32（2）："864–875.

[28] YU"Y，"WANG"Z，"WANG"Q，"et"al."Radiomic"model"based"on"magnetic"resonance"imaging"for"predicting"pathological"complete"response"after"neoadjuvant"chemotherapy"in"breast"cancer"patients[J]."Front"Oncol，"2023，"13："1249339.

[29] FAN"M，"CHEN"H，"YOU"C，"et"al."Radiomics"of"tumor"heterogeneity"in"longitudinal"dynamic"contrast-enhanced"magnetic"resonance"imaging"for"predicting"response"to"neoadjuvant"chemotherapy"in"breast"cancer[J]."Front"Mol"Biosci，"2021，"8："622219.

[30] CABALLO"M，"SANDERINK"W"B"G，"HAN"L，"et"al."Four-dimensional"machine"learning"radiomics"for"the"pretreatment"assessment"of"breast"cancer"pathologic"complete"response"to"neoadjuvant"chemotherapy"in"dynamic"contrast-enhanced"MRI[J]."J"Magn"Reson"Imaging，"2023，"57（1）："97–110.

[31] PARK"J，"KIM"M"J，"YOON"J"H，"et"al."Machine"learning"predicts"pathologic"complete"response"to"neoadjuvant"chemotherapy"for"ER+HER2-"breast"cancer："Integrating"tumoral"and"peritumoral"MRI"radiomic"features[J]."Diagnostics"（Basel），"2023，"13（19）："3031.