分享:
分享到微信朋友圈
X
经验交流
基于MRI影像组学列线图预测乳腺癌腋窝淋巴结转移
夏旭东 段成洲 李铭 王亚龙 周小山 王功夏 王海彬 崔振华

Cite this article as: Xia XD, Duan CZ, Li M, et al. Prediction of axillary lymph node metastasis in breast cancer based on radiomics nomogram of MRI[J]. Chin J Magn Reson Imaging, 2022, 13(1): 118-122.本文引用格式:夏旭东, 段成洲, 李铭, 等. 基于MRI影像组学列线图预测乳腺癌腋窝淋巴结转移[J]. 磁共振成像, 2022, 13(1): 118-122. DOI:10.12015/issn.1674-8034.2022.01.024.


[摘要] 目的 本研究旨在建立和验证基于MRI的影像组学列线图来预测乳腺癌较小体积的腋窝淋巴结(axillary lymph node,ALN)转移。材料与方法 回顾性分析2018年1月至2021年4月238例经病理证实的乳腺癌患者,基于动态对比增强磁共振成像(dynamic contrast enhanced magnetic resonance imaging,DCE-MRI)及T2脂肪抑制序列提取ALN纹理特征,采用分层抽样的方式按照7∶3比例分为训练组(n=168)和测试组(n=70),线性回归和LASSO回归用于特征筛选。结合影像组学和MRI影像学特征中的独立因素建立多因素Logistic回归模型,以列线图形式表现。采用受试者工作特征(receiver operating characteristic,ROC)曲线来评价模型的性能。使用Hosmer-Lemeshow检验并绘制校准曲线来评价模型的拟合优度。采用决策曲线分析(decision curve analysis,DCA)评价模型的临床应用价值。结果 单因素和多因素分析显示,影像组学标签评分(radiomics score,Rad-score)、短长轴比及ADC值为鉴别淋巴结转移的独立影响因素;Rad-score是最为重要的影响因素(0R=1.413,P<0.001),训练组和测试组ROC曲线下面积(area under the curve,AUC)分别为0.867、0.887;列线图由MRI影像学和影像组学特征组成,该模型显示出良好的校准和区分能力,AUC在训练集中为0.972 (95% CI:0.950~0.994),在测试集中为0.938 (95% CI:0.882~0.993)。决策曲线分析表明具有临床使用价值。结论 基于MRI影像组学列线图可用于乳腺癌ALN转移的术前预测。
[Abstract] Objective To establish and verify a radiomics nomogram based on MRI for predicting small axillary lymph node (ALN) metastasis in breast cancer.Materials and Methods: A retrospective analysis of 238 patients with breast cancer confirmed by pathological from January 2018 to April 2021. ALN texture features were extracted based on dynamic contrast enhanced magnetic resonance imaging (DCE-MRI) and T2 fat suppression sequence, and stratified sampling was used to divide the group into training (n=168) and testing (n=70) groups according to ratio of 7∶3, linear regression and the least absolute shrinkage and selection operator (LASSO) algorithm were used to select the feature. Based on the regression coefficients of the screened features. Multi-factor Logistic regression models combining independent factors from radiomic signature and MR imaging characteristics were developed and presented in the form of nomogram. Receiver operating characteristic (ROC) curve was used to evaluate the performance of the model. Hosmer-Lemeshow test was used and calibration curve was plotted to evaluate the goodness of fit of the model. Decision curve analysis (DCA) was used to evaluate the clinical application value of the model.Results Univariate and multivariate analysis showed that Rad-score, short-to-long axis ratio and ADC value were independent factors in identifying lymph node metastases. Rad-score was the most important factor (OR=1.413, P<0.001) with areas under the ROC curve (AUC) of 0.867 and 0.887 for the training and testing groups, respectively. The model showed good calibration and discrimination with AUC of 0.972 (95% CI: 0.950—0.994) in the training set and 0.938 (95% CI: 0.882—0.993) in the validation set. DCA findings indicated that the nomogram model was clinically useful.Conclusions The MRI-based radiomics nomogram model could be used to preoperatively predict the ALN metastasis of breast cancer.
[关键词] 乳腺肿瘤;腋窝淋巴结;磁共振成像;影像组学
[Keywords] breast tumor;axillary lymph node;magnetic resonance imaging;radiomic

夏旭东    段成洲 *   李铭    王亚龙    周小山    王功夏    王海彬    崔振华   

安阳市肿瘤医院影像科,安阳 455000

段成洲,E-mail:ayduancz@126.com

全部作者均声明无利益冲突。


基金项目: 安阳市重点研发及推广专项项目 20313
收稿日期:2021-08-08
接受日期:2021-11-09
中图分类号:R445.2  R737.9 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.01.024
本文引用格式:夏旭东, 段成洲, 李铭, 等. 基于MRI影像组学列线图预测乳腺癌腋窝淋巴结转移[J]. 磁共振成像, 2022, 13(1): 118-122. DOI:10.12015/issn.1674-8034.2022.01.024

       腋窝淋巴结(axillary lymph node,ALN)状态的准确判断对乳腺癌预后评估和治疗决策至关重要[1]。前哨淋巴结活检作为目前ALN分期的标准方法[2],是一种侵入性的手术,可能引起淋巴水肿、手臂功能受损等并发症[3],且假阴性率高[4, 5]。与电子计算机断层扫描(computed tomography,CT)、超声(ultrasound,US)、正电子发射计算机断层显像(positron emission tomography-computed tomography,PET-CT)等无创性检查方式相比,MRI在评估ALN时具有优势[6]。但是常规MRI在区分体积较小淋巴结性质时是有困难的[7]。影像组学的出现已成为乳腺癌精准医学中一种非侵入性且成本较低的方法[8]。目前已有影像组学模型用于评估ALN的研究报道[9, 10, 11]。然而,这些研究集中以乳腺肿瘤作为感兴趣区域(regions of interest,ROI)预测ALN转移,而不是以淋巴结本身。本研究的目的是以ALN为研究对象,建立并验证基于MRI影像组学的列线图来预测乳腺癌较小体积的ALN转移。

1 资料与方法

1.1 研究对象

       该研究得到了安阳市肿瘤医院医学伦理委员会批准(批准文号:2021WZ08K01),免除受试者知情同意。回顾性分析2018年1月至2021年4月在我院治疗的乳腺癌患者,根据病理结果分为淋巴结转移阳性和阴性。本研究的纳入标准包括:① ALN阳性病例均经淋巴结清扫或超声细针穿刺抽吸活检确诊,阴性病例均经淋巴结清扫确诊;②术前行MRI平扫及动态增强检查;③淋巴结短径为5~10 mm。排除标准包括:①术前放疗、化疗或内分泌治疗史;② MR图像序列不完整或图像质量较差。共纳入238名患者,采用分层抽样的方式按照7∶3比例分割为训练组(n=168)和测试组(n=70)。

1.2 仪器与方法

       采用Philips Achieva/Intera 3.0 T MR扫描仪,8通道乳腺专用相控阵线圈。患者取俯卧位,乳房放于支架上以保持稳定。对于绝经前妇女,MRI在月经周期的第7天至第15天进行,以减少背景实质强化的影响。磁共振成像序列包括轴向脂肪抑制T2加权成像(T2 weighted fat saturation,T2-FS)、动态对比增强磁共振成像(dynamic contrast enhanced magnetic resonance imaging,DCE-MRI)扫描及弥散加权成像(diffusion weighted imaging,DWI)。扫描参数:轴向T2-FS (TR 5200 ms,TE 85 ms);轴向DWI (SE-EPI序列,TR 6000 ms,TE 64 ms,FOV 34 cm×34 cm,b=0、1000 s/mm2);DCE-MRI采用高分辨各向同性容积激发(e-THRIVE) T1WI轴向扫描,TR=4.8 ms,TE=2.5 ms,FOV 34 cm×34 cm,对比剂为钆特酸葡胺[钆特酸葡胺注射液,国药准字H200153167,15 mL∶5.63 g (以钆特酸葡胺计),江苏恒瑞医药有限公司],剂量=0.2 mL/kg,流速=3 mL/s,时相=8,总时间=8 min,使用高压注射器注射,随后追加15 mL生理盐水以相同流速注射。

1.3 MRI影像学特征观察指标

       由2名高年资(具有15年以上工作经验) MR诊断医师在PACS系统采用双盲法共同阅片,意见不一致时协商解决。观察分析并记录淋巴结MRI影像学特征,包括:短径、边缘(清晰与否)、强化(均匀与否)、轴比(短轴与长轴之比)、DWI (低、中、高信号,与胸壁肌肉相比)、表观弥散系数(apparent diffusion coefficient,ADC)值(ROI置于淋巴结内缘测量3次,并获得平均值)、时间-信号强度曲线(time-signal intensity curve,TIC)曲线(Ⅰ、Ⅱ、Ⅲ,Ⅰ型:持续上升型;Ⅱ型:平台型;Ⅲ型:流出型)。

1.4 影像组学特征提取

       图像经灰度标准化后,分别由2名影像医师(分别具有10、15年以上工作经验)在淋巴结最大横截面手动勾画ROI,使用MaZda软件在DCE-MRI和T2-FS序列各提取20个纹理参数值,包括9个灰度直方图参数(均值、偏度、峰度、变异度及第1、10、50、90、99百分位数)和11个灰度共生矩阵(grey-level co-occurrence matrix,GLCM)参数(对比度、相关、平方和、能量、逆差矩、均和、和方差、熵和、熵、差方差和差熵)。2名医师分别勾画1次,取平均值为结果。

1.5 影像组学特征筛选

       对提取的纹理特征参数进行数据预处理和Z-score标准化之后,为了减少不相关和冗余信息,训练队列采用两阶段特征选择。首先,采用线性回归评估共线性的程度,以方差膨胀系数(variance inflation factor,VIF)>10剔除存在多重共线性的特征。然后采用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)方法进行特征筛选,通过使用选定特征及其回归系数进行线性组合来计算每位患者的影像组学标签评分(radiomic score)

1.6 统计学分析

       采用SPSS 24.0及R (4.1.0)语言进行统计分析。计量资料以(x¯±s) (符合正态分布)或中位数(上下四分位数) (非正态分布)表示,定性资料通过频数和百分比(%)进行统计描述。卡方检验或Fisher精确概率法用于分类变量的比较,t检验或Mann-Whitney U检验用于连续变量的比较。采用组内相关系数(intraclass correlation coefficient,ICC)评价2名医师提取纹理参数特征的一致性。采用多因素Logistic回归构建预测模型,并以列线图的形式表现。使用受试者工作特征(receiver operating characteristic,ROC)曲线来评价训练集和验证集的列线图的性能,通过计算净重新分类指数(Net Reclassification Index,NRI)、综合判别改善指数(Integrated Discrimination Improvement,IDI)及Delong检验来比较MRI特征和列线图的诊断性能,使用Hosmer-Lemeshow检验并绘制校准曲线以评估列线图的拟合优度。通过决策曲线分析计算不同阈值概率下的净收益评价列线图的临床有效性。P<0.05为差异有统计学意义。

2 结果

2.1 一般资料

       本研究共纳入238例患者,平均年龄为(50.2±10.7)岁,训练组和测试组中年龄在两组淋巴结中分布差异均无统计学意义(P>0.05;表1)。训练组和测试组的ALN转移率分别为53.0% (89/168)和54.3% (38/70),两组之间的分布无显著差异。

表1  训练组和测试组患者的特征

2.2 MRI影像学特征

       单因素分析显示淋巴结短径、边缘、强化、TIC曲线及DWI信号在两组淋巴结间差异无统计学意义(P均>0.05;表1)。单因素和多因素分析显示淋巴结轴比及ADC值在两组间差异有统计学意义(P均<0.05;表2)。训练队列中阴性组ADC值为(1.377±0.152)×10-3 s/mm2,阳性组ADC值为(0.951±0.150)×10-3 s/mm2,使用ADC<1.0×10-3 s/mm2作为阈值预测淋巴结转移,训练组和测试组AUC分别为0.822、0.812。转移淋巴结具有较高的轴比值(P<0.05),使用轴比0.70为阈值,训练组和测试组AUC分别为0.712、0.633 (表3)。

表2  乳腺癌腋窝淋巴结转移的危险因素分析
表3  乳腺癌腋窝淋巴结转移的危险因素预测效能

2.3 纹理特征筛选及影像组学标签评分

       从每个患者的T2-FS和DCE-MRI图像的ROI中共提取40个纹理特征参数。2位医师提取数据一致性良好(ICC=0.542~0.871,P均<0.01)。经线性回归及LASSO回归分析去冗余,共获得7个纹理参数特征(图1),包括基于T2-FS的4个纹理参数和DCE-MRI的3个纹理参数。基于这些特征及其回归系数,建立影像组学标签评分公式:Rad-score=-4.320+特征×系数(表4)。两组间Rad-score分布差异有显著统计学意义(P<0.05;表1;图2)。

图1  二元Logistic回归模型选择纹理特征。LASSO回归模型使用10倍交叉验证法,最优log (λ)得到7个非零系数。A:LASSO回归交叉验证图;B:LASSO回归系数分布图。
图2  训练组和测试组淋巴结影像组学标签评分(Rad-score)分布。A:训练组;B:测试组。
图3  列线图校准曲线及ROC曲线图。A:列线图;B:训练组和测试组ROC曲线;C:校准曲线(训练组);D:校准曲线(测试组)。
图4  临床决策曲线。黑色直线假设全为非淋巴结转移,蓝色曲线假设全部为淋巴结转移,红色曲线代表列线图。纵轴(Y轴)为净获益率,横轴(X轴)为概率阈值。A:训练组;B:测试组。
表4  LASSO筛选获得的影像组学特征及其回归系数

2.4 列线图建立及评估

       表2示Rad-score、轴比和ADC值是ALN转移的独立危险因素,其中Rad-score为鉴别ALN状态最为重要的独立影响因素(OR=1.413,P<0.001),训练组和测试组AUC分别为0.867、0.887 (表3)。将ALN转移的独立影响因素相结合,采用多因素Logistic回归分析并建立列线图(图3A)。校准曲线显示ALN转移预测概率和实际结果有较好的一致性,Hosmer-Lemeshow检验显示训练组(χ2=3.406,P=0.886)及测试组(χ2=5.780,P=0.670)均具有较好拟合度(图3C、3D);训练组列线图的AUC=0.972,敏感度、特异度分别为89.9%、94.4%。在测试组中,其预测精度也很高,AUC为0.938,敏感度为90.6%,特异度为86.8% (表3;图3B)。Delong检验显示列线图在所有模型中具有最好的诊断效能(P均<0.05;表5)。在影像学模型中加入Rad-score后,列线图在训练集、测试集NRI分别为0.259 (Z=3.967,P<0.001)、0.253 (Z=2.344,P=0.019);IDI分别为0.374 (Z=4.683,P<0.001)、0.283 (Z=2.315,P=0.021),预测能力较影像学模型均得到了改善。决策曲线分析表明,当阈值概率在0.1~1.0范围内时,使用列线图预测淋巴结转移的净收益大于全部治疗或不治疗方案(图4)。

表5  列线图与不同模型训练组与验证组ROC Delong检验

3 讨论

       本研究开发了一种基于MRI的影像组学列线图,用于无创性预测乳腺癌患者术前ALN转移。列线图由影像学特征和影像组学特征构成,并使用独立的数据集进行验证,在训练集及验证集均有较好诊断效能,AUC分别为0.972、0.938。据我们所知,本研究是国内首次尝试通过直接分割患者的ALN而不是肿瘤组织来构建影像组学列线图,同时也尝试为较小体积淋巴结的诊断探索一种新的诊断技术。

3.1 ALN的MRI影像学特征

       目前,乳腺癌患者术前对ALN的评估主要依赖于腋窝US、乳腺X线摄影和MRI[12]。乳腺X线摄影对ALN评估不太理想,因为其敏感度和准确性较低。US由于受操作者影响,主观性较强。而MRI软组织分辨率较高,在乳腺癌患者术前评估中优于X线和US[6]。常规MRI检查评估淋巴结状态大多侧重于形态学特征,如淋巴结大小、皮质厚度、淋巴门缺失等[13]。Schrembs等[14]在结肠癌淋巴预后意义的研究中发现单纯依靠淋巴结大小并不能准确判断淋巴结转移。本研究中良恶性淋巴结短径差异无统计学意义,提示淋巴结体积较小时,大小并不是区分ALN转移与否的准确标准。ADC作为一种影像学工具在乳腺癌的不同领域的研究中显示了良好的结果,同样被用于评估ALN状态[15]。本研究发现转移性淋巴结的平均ADC值明显低于同侧良性淋巴结,当使用ADC<1.03×10-3 mm/s2作为阈值预测淋巴结转移时,训练组和测试组具有较好性能(AUC分别为0.822、0.812)。另外我们发现恶性淋巴结具有较高轴比值(P<0.05),与以往研究相符[16]。在多因素分析中,轴比和ADC值在两组淋巴结间亦有统计学意义,提示ADC值和轴比是鉴别淋巴结性质的重要的MRI特征。

3.2 以ALN为ROI的影像组学分析的可行性

       影像组学能充分反映肿瘤的异质性,已成为改善诊断、治疗决策和预测治疗反应的可靠的潜在生物学标志物[17]。目前多个基于乳腺X线、US和MRI的影像组学的研究,显示了影像组学在ALN转移预测中的潜力[9, 10, 11]。然而,这些研究集中于把乳腺肿瘤作为ROI预测ANL转移,而不是从淋巴结本身,虽然对预测ALN意义较大,但是对转移淋巴结无法准确定位。Samiei等[18]认为以ALN为ROI不能构建有效的影像组学预测模型,可能因为ROI包含体素过少、MR图像扫描采集和重建参数差异的影响。但是越来越多的研究证实以淋巴结为研究对象的影像组学分析,可以有效预测ALN的转移状态。罗红兵等[19]发现DCE-MRI影像组学特征在ALN转移性与非转移性淋巴结间存在明显差异。Yang等[20]以ALN为研究对象,基于CT增强图像建立的影像组学ALN转移预测模型有较好表现(AUC为0.92)。为了探索一种新的诊断方法用于评估较小体积的ALN状态,本研究纳入的淋巴结短径为5~10 mm,得益于MR的高分辨率优势,ALN的ROI勾画易于实现,同时我们在相同的MR扫描仪上使用相同的采集协议,并在提取特征前对图像进行标准化处理,用于消除图像扫描和重建差异对影像组学特征提取的影响。单因素和多因素分析显示Rad-score为鉴别ALN状态最为重要的独立影响因素(OR=1.413,P<0.001),提示以较小体积的淋巴结(短5~10 mm)为ROI亦可用于影像组分析。

3.3 ALN转移预测列线图的开发

       近年来,越来越多的研究开发了列线图,以直观地帮助临床决策过程,使乳腺癌患者的治疗策略更加精准和个性化[21]。Yu等[22]开发了一项包含影像组学特征和临床特征的列线图,以提供早期乳腺癌患者ALN转移和疾病复发风险的个体化预测。Tan等[23]基于T2-FS图像使用线性回归模型建立了包含临床-病理特征的放射组学特征的列线图(AUC=0.805)。Shan等[24]结合了动力学曲线模型和从DCE-MRI中提取影像组学特征,验证了一种列线图模型来有创性检测乳腺癌患者的ALN转移。这些列线图是建立在分析乳腺肿瘤影像组学特征的基础上的,虽然对预测ALN意义较大,但是对转移淋巴结无法准确定位。本研究开发的列线图是由影像学(ADC、轴比)和影像组学特征组成,其中Rad-score为鉴别ALN状态最为重要的独立影响因素(OR=1.413,P<0.001)。将Rad-score加入影像学特征预测模型后,我们发现列线图的诊断效能较单独使用影像学或影像组学特征均有显著提高(Delong检验,P均<0.05),NRI和IDI显示在测试集和训练集判断正确的比例较MRI特征模型均得到改善,内部及外部验证均显示有良好的区分和校准能力,决策曲线分析表明具有临床使用价值。综上所述,以ROI的影像组学分析,用于预测乳腺癌较小体积的ALN转移,可以提高传统MRI技术预测的准确性,为临床决策提供帮助。

       本研究有几个局限性:①仅纳入大于5 mm的ALN,更小体积的淋巴结ROI体素含量少,限制了影像学特征的有效提取;② ALN图像的采集为标准乳房磁共振成像,使用专用腋窝磁共振成像可能提供更精确的描绘,这可能对影像组学分析有附加价值;③对ALN图像仅进行二维分割,较三维图像可能丢失重要的空间信息;④这是一个相对较小的回顾性研究,需展开多中心、大样本的前瞻性研究为临床应用提供更可靠的依据。

       综上,以乳腺癌ALN作为研究对象进行影像组学分析,结合MRI影像学特征建立预测模型,可以对体积较小的ALN进行有效地评估并准确定位,为临床治疗提供帮助。

[1]
Ahmed M, Purushotham AD, Douek M. Novel techniques for sentinel lymph node biopsy in breast cancer: a systematic review[J]. Lancet Oncology, 2014, 15(8): e351-362. DOI: 10.1016/S1470-2045(13)70590-4.
[2]
Motomura K. Sentinel node biopsy for breast cancer: past, present, and future[J]. Breast Cancer, 2015, 22(3): 212-220. DOI: 10.1007/s12282-012-0421-7.
[3]
Killelea BK, Long JB, Dang W, et al. Associations between sentinel lymph node biopsy and complications for patients with ductal carcinoma in situ[J]. Ann Surg Oncol, 2018, 25(6): 1521-1529. DOI: 10.1245/s10434-018-6410-0.
[4]
Hindié E, Groheux D, Brenot-Rossi I, et al. The sentinel node procedure in breast cancer: nuclear medicine as the starting point[J]. J Nucl Med, 2011, 52(3): 405-414. DOI: 10.2967/jnumed.110.081711.
[5]
Layfield LJ, Zhang T, Esebua M, et al. Axillary lymph node metastasis: Fine-needle aspiration biopsy sensitivity as a function of node size, percent replacement of lymph node by tumor and tumor deposit size[J]. Diagn Cytopathol, 2021, 49(2): 181-186. DOI: 10.1002/dc.24617.
[6]
Yu FH, Wang JX, Ye XH, et al. Ultrasound-Based Radiomics Nomogram: A Potential Biomarker to Predict Axillary Lymph Node Metastasis in Early-Stage Invasive Breast Cancer[J]. Eur J Radiol,2019, 119: 108658. DOI: 10.1016/j.ejrad.2019.108658.
[7]
Borggreve AS, Goense L, Brenkman HJF, et al. Imaging strategies in the management of gastric cancer: current role and future potential of MRI[J]. Br J Radiol, 2019, 92(1097): 20181044. DOI: 10.1259/bjr.20181044.
[8]
McKinney SM, Sieniek M, Godbole V, et al. International evaluation of an AI system for breast cancer screening[J]. Nature, 2020, 577(7788): 89-94. DOI: 10.1038/s41586-019-1799-6.
[9]
Xu D, Yu C, Zhang X. Differentiating the lymph node metastasis of breast cancer through dynamic contrast-enhanced magnetic resonance imaging[J]. BJR Open, 2019, 1(1): 20180023. DOI: 10.1259/bjro.20180023.
[10]
Zong Q, Deng J, Ge W, et al. Establishment of Simple Nomograms for Predicting Axillary Lymph Node Involvement in Early Breast Cancer[J]. Cancer Manag Res, 2020, 12: 2025. DOI: 10.2147/CMAR.S241641.
[11]
Zhou WJ, Zhang YD, Kong WT, et al. Preoperative prediction of axillary lymph node metastasis in patients with breast cancer based on radiomics of gray-scale ultrasonography[J]. Gland Surg, 2021, 10(6): 1989-2001. DOI: 10.21037/gs-21-315.
[12]
Chang JM, Leung JWT, Moy L, et al. Axillary nodal evaluation in breast cancer: state of the art[J]. Radiology, 2020, 295: 500-15. DOI: 10.1148/radiol.2020192534.
[13]
Atallah D, Moubarak M, Arab W, et al.MRI-based predictive factors of axillary lymph node status in breast cancer[J]. Breast J, 2020, 26(11): 2177-2182. DOI: 10.1111/tbj.14089.
[14]
Schrembs P, Martin B, Anthuber M, et al. The prognostic significance of lymph node size in node-positive colon cancer[J]. Plos one, 2018, 13(8): e0201072. DOI: 10.1371/journal.pone.0201072.
[15]
Guvenc I, Whitman GJ, Liu P, et al. Diffusion-weighted MR imaging increases diagnostic accuracy of breast MR imaging for predicting axillary metastases in breast cancer patients[J]. Breast J, 2019, 25(1): 47-55. DOI: 10.1111/tbj.13151.
[16]
Razek AA, Lattif MA, Denewer A, et al. Assessment of axillary lymph nodes in patients with breast cancer with diffusion-weighted MR imaging in combination with routine and dynamic contrast MR imaging[J]. Breast Cancer, 2016, 23(3): 525-532. DOI: 10.1007/s12282-015-0598-7.
[17]
Yu Y, He Z, Ouyang J, et al. Magnetic resonance imaging radiomics predicts preoperative axillary lymph node metastasis to support surgical decisions and is associated with tumor microenvironment in invasive breast cancer: A machine learning, multicenter study[J]. EBioMedicine, 2021, 69: 103460. DOI: 10.1016/j.ebiom.2021.103460.
[18]
Samiei S, Granzier RWY, Ibrahim A, et al. Dedicated Axillary MRI-Based Radiomics Analysis for the Prediction of Axillary Lymph Node Metastasis in Breast Cancer[J]. Cancers, 2021, 13(4): 757. DOI: 10.3390/cancers13040757.
[19]
罗红兵, 刘圆圆, 青浩渺, 等. 乳腺癌腋窝淋巴结的DCE-MRI影像组学特征对诊断其转移状态价值的初步研究[J]. 临床放射学杂志, 2021, 40(3): 442-447. DOI: 10.13437/j.cnki.jcr.2021.03.008.
Luo HB, Liu YY, Qing HM, et al. Preliminary study of DCE-MRI imaging features of axillary lymph nodes in breast cancer for the diagnosis of metastatic status[J]. J Clin Radiol, 2021, 40(3): 442-447. DOI: 10.13437/j.cnki.jcr.2021.03.008.
[20]
Yang C, Dong J, Liu Z, et al. Prediction of Metastasis in the Axillary Lymph Nodes of Patients With Breast Cancer: A Radiomics Method Based on Contrast-Enhanced Computed Tomography[J]. Front Oncol, 2021, 11: 726240. DOI: 10.3389/fonc.2021.726240.
[21]
Calabrese A, Santucci D, Landi R, et al. Radiomics MRI for lymph node status prediction in breast cancer patients: the state of art. J Cancer Res Clin Oncol, 2021, 147(6): 1587-1597. DOI: 10.1007/s00432-021-03606-6.
[22]
Yu YF, Tan YJ, Xie CM, et al. Development and Validation of a Preoperative Magnetic Resonance Imaging Radiomics-Based Signature to Predict Axillary Lymph Node Metastasis and Disease-Free Survival in Patients With Early-Stage Breast Cancer[J]. JAMA network open, 2020, 3(12): e2028086. DOI: 10.1001/jamanetworkopen.2020.28086.
[23]
Tan HN, Gan FW, Wu YP et al. Preoperative Prediction of Axillary Lymph Node Metastasis in Breast Carcinoma Using Radiomics Features Based on the Fat-Suppressed T2 Sequence[J]. Acad Radiol, 2020, 27(9): 1217-1225. DOI: 10.1016/j.acra.2019.11.004.
[24]
Shan YN, Xu W, Wang R et al. A Nomogram Combined Radiomics and Kinetic Curve Pattern as Imaging Biomarker for Detecting Metastatic Axillary Lymph Node in Invasive Breast Cancer[J]. Front Oncol, 2020, 10: 1463. DOI: 10.3389/fonc.2020.01463.

上一篇 不同类型原发性青光眼的扩散张量成像研究
下一篇 术前MRI对早期子宫内膜癌的诊断及分期价值
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2