S-Detect联合声触诊组织成像定量技术对乳腺癌腋窝淋巴结转移的预测价值研究

doi:10.12114/j.issn.1007-9572.2024.0160

中国全科医学 ›› 2025, Vol. 28 ›› Issue (17): 2149-2155.DOI: 10.12114/j.issn.1007-9572.2024.0160

所属专题：乳腺癌最新文章合辑

S-Detect联合声触诊组织成像定量技术对乳腺癌腋窝淋巴结转移的预测价值研究

邓雅倩¹, 曹春莉¹, 马金梅¹, 李文肖¹, 徐泽林¹, 成静¹, 李军¹^,²^,^*()

¹832008　新疆维吾尔自治区石河子市，石河子大学第一附属医院超声科
²832008　新疆维吾尔自治区石河子市，石河子大学第一附属医院国家卫健委中亚高发病防治重点实验室

收稿日期:2024-04-21 修回日期:2024-08-24 出版日期:2025-06-15 发布日期:2025-04-22
通讯作者: 李军
作者贡献：
邓雅倩负责文章的构思与设计，撰写论文；曹春莉负责研究的实施与可行性分析；邓雅倩、马金梅进行数据收集；李文肖、徐泽林负责数据整理；徐泽林负责统计学处理；邓雅倩、曹春莉负责结果的分析与解释；邓雅倩、马金梅进行论文的修订；成静负责文章的质量控制及审校；李军对文章整体负责，监督管理。
基金资助:
国家自然科学基金资助项目(82060318); 中国医学科学院中央级公益性科研院所基本科研业务费专项资金资助项目(2020-PT330-003); 兵团科技攻关计划项目(2019DB012); 石河子大学第一附属医院青年基金项目(QN202126，QN202107)

Predictive Value of S-Detect Combined with Virtual Touch Tissue Imaging Quantification in Axillary Lymph Node Metastasis of Breast Cancer

DENG Yaqian¹, CAO Chunli¹, MA Jinmei¹, LI Wenxiao¹, XU Zelin¹, CHENG Jing¹, LI Jun¹^,²^,^*()

¹Department of Ultrasound, First Affiliated Hospital, Shihezi University, Shihezi 832008, China
²First Affiliated Hospital, Shihezi University, NHC Key Laboratory of Prevention and Treatment of Central Asia High Incidence Diseases, Shihezi 832008, China

Received:2024-04-21 Revised:2024-08-24 Published:2025-06-15 Online:2025-04-22
Contact: LI Jun

分享到

摘要/Abstract

摘要： 背景乳腺癌腋窝淋巴结转移是评估疾病进展和预后的重要因素，目前亟需无创、准确的方法来评估腋窝淋巴结状态。近年来，人工智能与医学影像技术的融合展现出巨大潜力。其中，S-Detect技术具有强大的图像分析能力，结合声触诊组织成像定量（VTIQ）技术的精准量化评估，为乳腺癌腋窝淋巴结转移的预测提供了新的可能。目的探讨基于常规超声的人工智能S-Detect联合VTIQ技术预测乳腺癌腋窝淋巴结转移的价值。方法回顾性收集2022年2月—2024年2月于石河子大学第一附属医院进行手术的148例女性乳腺癌患者（共166个肿块）资料，依据腋窝淋巴结病理结果分为转移者（n=61）与未转移者（n=105）。所有患者术前行常规超声、VTIQ及S-Detect检查。采用单因素和多因素Logistic回归分析探讨各观察指标对腋窝淋巴结转移的影响，筛选有意义的指标并建立Logistic回归预测模型，采用受试者工作特征（ROC）曲线评价该模型的预测价值。结果多因素Logistic回归分析结果显示，乳腺癌肿块边界（OR=0.619，95%CI=0.540~0.693）、边缘（OR=0.563，95%CI=0.484~0.640）、钙化（OR=0.559，95%CI=0.480~0.636）、纵横比（OR=0.540，95%CI=0.461~0.617）及剪切波速度平均值（SWVmean）（OR=0.794，95%CI=0.725~0.853）是预测乳腺癌腋窝淋巴结转移的独立影响因素（P<0.05）。依此构建Logistic方程：Logistic（P）＝-14.293+1.664×边界+1.315×边缘+1.757×钙化+1.341×纵横比+1.196×血流分级+0.736×SWV最大值（SWVmax）-3.942×SWV中间值（SWVcentre）+0.710×SWVmean。该联合预测模型的ROC曲线下面积（AUC）为0.902（95%CI=0.847~0.943），均大于各独立影响因素的AUC（P<0.05），且联合预测模型的AUC值均大于常规超声（AUC=0.605，95%CI=0.526~0.680）、S-Detect（AUC=0.672，95%CI=0.595~0.743）以及VTIQ（AUC=0.794，95%CI=0.725~0.853）各独立预测模型的AUC（P<0.05），该联合预测模型与病理结果的一致性良好（Kappa=0.732，P<0.05）。结论基于常规超声的S-Detect联合VTIQ技术构建的预测模型对乳腺癌腋窝淋巴结转移有一定临床预测价值。

关键词: 乳腺癌, 腋窝淋巴结转移, 常规超声, S-Detect智能辅助诊断, 声触诊组织成像定量技术

Abstract:

Background

Axillary lymph node metastasis in breast cancer is an important factor in assessing disease progression and prognosis, and there is an urgent need for non-invasive and accurate methods to assess axillary lymph node status. In recent years, the integration of artificial intelligence and medical imaging technology has shown great potential. Among them, S-Detect technology, with its powerful image analysis capability, combined with the accurate quantitative assessment of virtual touch tissue imaging quantification (VTIQ) technology, provides new possibilities for the prediction of axillary lymph node metastasis in breast cancer.

Objective

To explore the value of the conventional ultrasound-based artificial intelligence S-Detect combined with VTIQ technique to predict axillary lymph node metastasis in breast cancer.

Methods

Data of 148 female breast cancer patients (166 masses in total) who underwent surgery at the First Affiliated Hospital, Shihezi University from February 2022 to February 2024 were retrospectively collected and divided into metastatic group (n=61) and non-metastatic group (n=105) based on axillary lymph node pathology results. All patients underwent routine ultrasound, VTIQ and S-Detect examinations before surgery. Univariate and multivariate Logistic regression analyses were used to explore the influence of each observational index on axillary lymph node metastasis, screen meaningful indexes and establish a Logistic regression prediction model. The predictive value of the model was evaluated by the ROC curve.

Results

The results of multivariate Logistic regression analysis showed that breast cancer mass border (OR=0.619, 95%CI=0.540-0.693), margin (OR=0.563, 95%CI=0.484-0.640), calcification (OR=0.559, 95%CI=0.480-0.636), aspect ratio (OR=0.540, 95%CI=0.461-0.617) and SWVmean (OR=0.794, 95%CI=0.725-0.853) were independent influences in predicting axillary lymph node metastasis in breast cancer (P<0.05). Logistic equations were constructed: Logistic (P) =-14.293+1.664×border+1.315×margin+1.757×calcification+1.341×aspect ratio+1.196×blood flow classification+0.736×SWVmax-3.942×SWVcentre+0.710×SWVmean. The AUC of this joint prediction model was 0.902 (95%CI=0.847-0.943), which was greater than the AUCs of each independent influencing factor (all P<0.05), and the AUC values of the joint prediction model were greater than the AUCs of the independent prediction models of conventional ultrasound (AUC=0.605, 95%CI=0.526-0.680), S-Detect (AUC=0.672, 95%CI=0.595-0.743), and VTIQ (AUC=0.794, 95%CI=0.725-0.853). The agreement between this joint prediction model and pathological results was good (Kappa=0.732, P<0.05) .

Conclusion

The prediction model constructed by combining S-Detect and VTIQ techniques based on conventional ultrasound has certain clinical predictive value for axillary lymph node metastasis in breast cancer.

Key words: Breast cancer, Axillary lymph node metastasis, Ultrasound, S-Detect intelligent assisted diagnosis, Virtual touch tissue imaging quantification

中图分类号:

R 737.9

邓雅倩,曹春莉,马金梅,等. S-Detect联合声触诊组织成像定量技术对乳腺癌腋窝淋巴结转移的预测价值研究[J]. 中国全科医学, 2025, 28(17): 2149-2155. DOI: 10.12114/j.issn.1007-9572.2024.0160.
DENG Yaqian,CAO Chunli,MA Jinmei, et al. Predictive Value of S-Detect Combined with Virtual Touch Tissue Imaging Quantification in Axillary Lymph Node Metastasis of Breast Cancer[J]. Chinese General Practice, 2025, 28(17): 2149-2155. DOI: 10.12114/j.issn.1007-9572.2024.0160.

图/表 9

表1 乳腺癌腋窝淋巴结转移者与未转移者年龄和病理类型比较

Table 1 Comparison of age and pathological types between axillary lymph node metastatic breast cancer patients and non-metastatic breast cancer patients

分类	个数	年龄[M（P₂₅，P₇₅），岁]	病理类型[例（%）]
分类	个数	年龄[M（P₂₅，P₇₅），岁]	浸润性导管癌	原位癌	浸润性小叶癌	黏液癌	髓样癌	乳头状癌
未转移者	105	51.0（42.0，60.0）	76（72.4）	18（17.1）	4（3.8）	3（2.9）	3（2.9）	1（0.9）
转移者	61	52.0（39.0，65.0）	56（91.8）	2（3.3）	2（3.3）	1（1.6）	0	0
χ²（Z）值		-0.746^a	10.577
P值		0.456	0.600

表2 乳腺癌腋窝淋巴结转移者与未转移者常规超声、S-Detect特征及VTIQ指标比较

Table 2 Comparison of conventional ultrasound, S-Detect characteristics and VTIQ indexes between axillary lymph node metastatic breast cancer patients and non-metastatic breast cancer patients

分类	个数	肿块最大径[例（%）]		肿块象限[例（%）]					形状[例（%）]
分类	个数	≤2 cm	>2 cm	外上	外下	乳晕	内上	内下	规则	不规则
未转移者	105	51（48.6）	54（51.4）	49（46.7）	20（19.0）	4（3.8）	27（25.7）	5（4.8）	15（14.3）	90（85.7）
转移者	61	29（47.5）	32（52.5）	26（42.6）	9（14.8）	2（2.3）	17（27.9）	7（11.5）	4（6.6）	57（93.4）
检验统计量值		0.016		3.050					2.274
P值		0.898		0.549					0.132
分类	边界[例（%）]		边缘[例（%）]		钙化[例（%）]		血流分级[例（%）]		纵横比[例（%）]
分类	清晰	不清晰	光整	不光整	无	有	０~Ⅰ级	Ⅱ~Ⅲ级	≤1	>1
未转移者	40（38.1）	65（61.9）	19（18.1）	86（81.9）	65（61.9）	40（38.1）	63（60.0）	42（40.0）	92（87.6）	13（12.4）
转移者	13（21.3）	48（78.7）	4（6.6）	57（93.4）	26（42.6）	35（57.4）	26（42.6）	35（57.4）	45（73.8）	16（26.2）
检验统计量值	5.001		4.303		5.792		4.685		5.131
P值	0.025		0.038		0.016		0.030		0.023
分类	内部回声[例（%）]		后方回声[例（%）]		生长方向[例（%）]		SWVmax [M（P₂₅，P₇₅），m/s]	SWVmin [M（P₂₅，P₇₅），m/s]	SWVcentre （±s，m/s）	SWVmean [M（P₂₅，P₇₅），m/s]
分类	均匀	不均匀	未衰减	衰减或消失	平行	不平行	SWVmax [M（P₂₅，P₇₅），m/s]	SWVmin [M（P₂₅，P₇₅），m/s]	SWVcentre （±s，m/s）	SWVmean [M（P₂₅，P₇₅），m/s]
未转移者	7（6.7）	98（93.3）	57（54.3）	48（45.7）	78（74.3）	27（25.7）	5.8（4.6，6.9）	2.9（1.3，4.5）	4.1±0.9	4.2（3.7，4.7）
转移者	5（8.2）	56（91.8）	27（44.3）	34（55.7）	37（60.7）	24（39.3）	7.9（6.0，9.8）	3.3（2.4，4.2）	4.7±0.9	4.9（4.5，5.3）
检验统计量值	0.003		1.551		3.369		-9.210^a	-1.226^a	-4.083^b	-8.537^a
P值	0.955		0.213		0.066		<0.001	0.220	<0.001	<0.001

表2 乳腺癌腋窝淋巴结转移者与未转移者常规超声、S-Detect特征及VTIQ指标比较

Table 2 Comparison of conventional ultrasound, S-Detect characteristics and VTIQ indexes between axillary lymph node metastatic breast cancer patients and non-metastatic breast cancer patients

分类	个数	肿块最大径[例（%）]		肿块象限[例（%）]					形状[例（%）]
分类	个数	≤2 cm	>2 cm	外上	外下	乳晕	内上	内下	规则	不规则
未转移者	105	51（48.6）	54（51.4）	49（46.7）	20（19.0）	4（3.8）	27（25.7）	5（4.8）	15（14.3）	90（85.7）
转移者	61	29（47.5）	32（52.5）	26（42.6）	9（14.8）	2（2.3）	17（27.9）	7（11.5）	4（6.6）	57（93.4）
检验统计量值		0.016		3.050					2.274
P值		0.898		0.549					0.132
分类	边界[例（%）]		边缘[例（%）]		钙化[例（%）]		血流分级[例（%）]		纵横比[例（%）]
分类	清晰	不清晰	光整	不光整	无	有	０~Ⅰ级	Ⅱ~Ⅲ级	≤1	>1
未转移者	40（38.1）	65（61.9）	19（18.1）	86（81.9）	65（61.9）	40（38.1）	63（60.0）	42（40.0）	92（87.6）	13（12.4）
转移者	13（21.3）	48（78.7）	4（6.6）	57（93.4）	26（42.6）	35（57.4）	26（42.6）	35（57.4）	45（73.8）	16（26.2）
检验统计量值	5.001		4.303		5.792		4.685		5.131
P值	0.025		0.038		0.016		0.030		0.023
分类	内部回声[例（%）]		后方回声[例（%）]		生长方向[例（%）]		SWVmax [M（P₂₅，P₇₅），m/s]	SWVmin [M（P₂₅，P₇₅），m/s]	SWVcentre （±s，m/s）	SWVmean [M（P₂₅，P₇₅），m/s]
分类	均匀	不均匀	未衰减	衰减或消失	平行	不平行	SWVmax [M（P₂₅，P₇₅），m/s]	SWVmin [M（P₂₅，P₇₅），m/s]	SWVcentre （±s，m/s）	SWVmean [M（P₂₅，P₇₅），m/s]
未转移者	7（6.7）	98（93.3）	57（54.3）	48（45.7）	78（74.3）	27（25.7）	5.8（4.6，6.9）	2.9（1.3，4.5）	4.1±0.9	4.2（3.7，4.7）
转移者	5（8.2）	56（91.8）	27（44.3）	34（55.7）	37（60.7）	24（39.3）	7.9（6.0，9.8）	3.3（2.4，4.2）	4.7±0.9	4.9（4.5，5.3）
检验统计量值	0.003		1.551		3.369		-9.210^a	-1.226^a	-4.083^b	-8.537^a
P值	0.955		0.213		0.066		<0.001	0.220	<0.001	<0.001

图1 乳腺浸润性导管癌伴腋窝淋巴结转移常规超声、S-Detect检查、VTIQ检查及病理结果注：A为常规超声检查显示肿块位于内下象限，纵横比>1，未见钙化；B为S-Detect检查显示肿块的形状不规则，方向不平行，边缘不光整，呈浅分叶，后方低回声；C为声触诊组织量化成像（VTIQ）技术检查示剪切波速度最大值（SWVmax）=8.71 m/s，剪切波速度最小值（SWVmin）=4.30 m/s，剪切波速度中间值（SWVcentre）=6.03 m/s，肿块周边剪切波速度平均值（SWVmean）=6.84 m/s；D为HE染色显示病理学类型为浸润性导管癌（100×）。

Figure 1 Invasive ductal carcinoma of the breast with axillary lymph node metastasis routine ultrasound，S-Detect examination，VTIQ examination and pathological findings

图2 乳腺浸润性导管癌不伴腋窝淋巴结转移常规超声、S-Detect检查、VTIQ检查及病理结果注：A为常规超声检查显示肿块位于外上象限，纵横比<1，未见钙化；B为S-Detect检查显示肿块的形状不规则，方向平行，边缘不光整，呈针状，后方低回声；C为VTIQ技术检查示SWVmax=3.59 m/s，SWVmin=2.37 m/s，SWVcentre=2.51 m/s，SWVmean=2.68 m/s；D为HE染色显示病理学类型为浸润性导管癌（100×）。

Figure 2 Invasive ductal carcinoma of the breast without axillary lymph node metastasis routine ultrasound，S-Detect examination，VTIQ examination and pathological findings

表3 乳腺癌腋窝淋巴结转移影响因素的多因素Logistic回归分析变量赋值表

Table 3 Assignments for multivariate Logistic regression analysis of influencing factors for axillary lymph node metastasis in breast cancer

自变量	赋值
边界	清楚=0，不清楚=1
边缘	光整=0，不光整=1
钙化	无=0，有=1
纵横比	≤1=0，>1=1
血流分级	0~Ⅰ级=0，Ⅱ~Ⅲ级=1
SWVmax	连续变量
SWVcentre	连续变量
SWVmean	连续变量

表4 乳腺癌腋窝淋巴结转移影响因素的多因素Logistic回归分析

Table 4 Multivariate Logistic regression analysis of influencing factors for axillary lymph node metastasis in breast cancer

变量	B	SE	Wald χ²值	P值	OR值（95%CI）
边界	1.664	0.232	0.845	0.003	2.998（1.488~5.085）
边缘	1.315	0.250	5.581	0.018	3.339（1.473~10.140）
钙化	1.757	0.947	8.470	0.004	2.759（1.461~8.645）
纵横比	1.341	0.286	6.749	0.009	8.244（2.271~31.242）
血流分级	1.196	0.817	2.143	0.143	3.308（0.667~9.913）
SWVmax	0.736	0.409	0.772	0.052	1.424（0.275~3.931）
SWVcentre	-3.942	2.473	2.540	0.111	0.019（0~2.475）
SWVmean	0.710	0.458	2.885	0.005	2.173（1.773~4.775）

图3 乳腺癌肿块边界不清晰、边缘不光整、纵横比>1、有钙化及高SWVmean单独及联合预测乳腺癌腋窝淋巴结转移的ROC曲线注：SWVmean=肿块周边剪切波速度平均值。

Figure 3 ROC curves of breast cancer tumors with poorly defined boundaries, uneven edges, aspect ratio >1, calcification, and high SWVmean alone and in combination predicted axillary lymph node metastasis of breast cancer

图4 乳腺癌肿块常规超声、S-Detect及VTIQ单独及联合预测乳腺癌腋窝淋巴结转移的ROC曲线

Figure 4 ROC curves of ultrasound，S-Detect and VTIQ alone and in combination predicted axillary lymph node metastasis of breast cancer

表5 各独立及联合预测模型预测乳腺癌腋窝淋巴结转移的情况与病理学结果对比（个）

Table 5 Prediction of metastasis by each independent and combine prediction model versus pathological findings

预测结果	未转移者（n=105）		转移者（n=61）		Kappa值	P值
预测结果	转移	未转移	转移	未转移	Kappa值	P值
VTIQ	14	91	51	10	0.693	<0.005
S-Detect	18	87	49	12	0.619	<0.005
常规超声	20	87	47	14	0.568	<0.005
Logistic（P）	13	92	53	8	0.732	<0.005

参考文献 30

[1]	SUNG H, FERLAY J, SIEGEL R L, et al. Global cancer statistics 2020：GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA Cancer J Clin，2021，71(3)：209-249. DOI：10.3322/caac.21660.
[2]	WANG Y J, YE F Z, LIANG Y R, et al. Breast cancer brain metastasis：insight into molecular mechanisms and therapeutic strategies[J]. Br J Cancer，2021，125(8)：1056-1067. DOI：10.1038/s41416-021-01424-8.
[3]	ZHA H L, ZONG M, LIU X P, et al. Preoperative ultrasound-based radiomics score can improve the accuracy of the Memorial Sloan Kettering Cancer Center nomogram for predicting sentinel lymph node metastasis in breast cancer[J]. Eur J Radiol，2021，135：109512. DOI：10.1016/j.ejrad.2020.109512.
[4]	ZHOU L Q, WU X L, HUANG S Y, et al. Lymph node metastasis prediction from primary breast cancer US images using deep learning[J]. Radiology，2020，294(1)：19-28. DOI：10.1148/radiol.2019190372.
[5]	MARINO M A, AVENDANO D, ZAPATA P, et al. Lymph node imaging in patients with primary breast cancer：concurrent diagnostic tools[J]. Oncologist，2020，25(2)：e231-242. DOI：10.1634/theoncologist.2019-0427.
[6]	JAMARIS S, JAMALUDDIN J, ISLAM T, et al. Is pre-operative axillary ultrasound alone sufficient to determine need for axillary dissection in early breast cancer patients?[J]. Medicine，2021，100(19)：e25412. DOI：10.1097/MD.0000000000025412.
[7]	张冬雪，李卓琳，李振辉，等. 基于DCE-MRI及临床病理特征的模型预测乳腺癌前哨淋巴结状态[J]. 放射学实践，2022，37(9)：1104-1108. DOI：10.13609/j.cnki.1000-0313.2022.09.009.
[8]	桑田. 超声联合免疫组化预测乳腺癌腋窝淋巴结转移的价值[D]. 石河子：石河子大学，2022.
[9]	SUN J W, WANG X L, ZHAO Q, et al. Virtual touch tissue imaging and quantification（VTIQ）in the evaluation of breast lesions：the associated factors leading to misdiagnosis[J]. Eur J Radiol，2019，110：97-104. DOI：10.1016/j.ejrad.2018.11.021.
[10]	汪媛媛. 乳腺癌腋窝淋巴结转移的影像及影像组学研究进展[J]. 放射学实践，2023，38(5)：662-666. DOI：10.13609/j.cnki.1000-0313.2023.05.024.
[11]	黄华芳，刘珍. 超声弹性成像联合灰阶超声在乳腺癌腋窝淋巴结转移中的诊断价值[J]. 影像研究与医学应用，2023，7(9)：13-15. DOI：10.3969/j.issn.2096-3807.2023.09.005.
[12]	DEGNIM A C, SCOW J S, HOSKIN T L, et al. Randomized controlled trial to reduce bacterial colonization of surgical drains after breast and axillary operations[J]. Ann Surg，2013，258(2)：240-247. DOI：10.1097/SLA.0b013e31828c0b85.
[13]	DENT R, TRUDEAU M, PRITCHARD K I, et al. Triple-negative breast cancer：clinical features and patterns of recurrence[J]. Clin Cancer Res，2007，13(15 Pt 1)：4429-4434. DOI：10.1158/1078-0432.CCR-06-3045.
[14]	向永涛，甘兵，赵亮. 乳腺癌原发灶超声特征与腋窝淋巴结转移的关系[J]. 中国免疫学杂志，2019，35(10)：1251-1254. DOI：10.3969/j.issn.1000-484X.2019.10.021.
[15]	ZONG Q Q, DENG J, GE W L, et al. Establishment of simple nomograms for predicting axillary lymph node involvement in early breast cancer[J]. Cancer Manag Res，2020，12：2025-2035. DOI：10.2147/CMAR.S241641.
[16]	CUNNINGHAM J E, JURJ A L, OMAN L, et al. Is risk of axillary lymph node metastasis associated with proximity of breast cancer to the skin?[J]. Breast Cancer Res Treat，2006，100(3)：319-328. DOI：10.1007/s10549-006-9256-2.
[17]	LIU H, XU G, YAO M H, et al. Association of conventional ultrasound，elastography and clinicopathological factors with axillary lymph node status in invasive ductal breast carcinoma with sizes >10 mm[J]. Oncotarget，2018，9(2)：2819-2828. DOI：10.18632/oncotarget.18969.
[18]	LI X L, XU H X, LI D D, et al. A risk model based on ultrasound，ultrasound elastography，and histologic parameters for predicting axillary lymph node metastasis in breast invasive ductal carcinoma[J]. Sci Rep，2017，7(1)：3029. DOI：10.1038/s41598-017-03582-3.
[19]	姚东. 乳腺癌发生腋窝淋巴结转移与多项超声特征的关系[D]. 衡阳：南华大学，2019.
[20]	BARTOLOTTA T V, ORLANDO A A M, SPATAFORA L, et al. S-Detect characterization of focal breast lesions according to the US BI RADS lexicon：a pictorial essay[J]. J Ultrasound，2020，23(2)：207-215. DOI：10.1007/s40477-020-00447-w.
[21]	ZHAO C Y, XIAO M S, LIU H, et al. Reducing the number of unnecessary biopsies of US-BI-RADS 4a lesions through a deep learning method for residents-in-training：a cross-sectional study[J]. BMJ Open，2020，10(6)：e035757. DOI：10.1136/bmjopen-2019-035757.
[22]	LIU Y, WANG Y, WANG Y X, et al. Early prediction of treatment response to neoadjuvant chemotherapy based on longitudinal ultrasound images of HER2-positive breast cancer patients by Siamese multi-task network：a multicentre，retrospective cohort study[J]. EClinicalMedicine，2022，52：101562. DOI：10.1016/j.eclinm.2022.101562.
[23]	QIU X Y, JIANG Y L, ZHAO Q Y, et al. Could ultrasound-based radiomics noninvasively predict axillary lymph node metastasis in breast cancer?[J]. J Ultrasound Med，2020，39(10)：1897-1905. DOI：10.1002/jum.15294.
[24]	吴楠楠，温卫琴，王文娟，等. 剪切波弹性成像联合S-Detect智能辅助诊断技术在甲状腺微小乳头状癌淋巴结转移中的诊断价值[J]. 中国临床实用医学，2021，12(4)：43-47. DOI：10.3760/cma.j.cn115570-20210331.00937.
[25]	杨灵敏.分析超声诊断乳腺癌腋窝淋巴结转移的影像学表现及其临床效果[J]. 中国医药指南，2023，21(9)：106-108. DOI：10.15912/j.cnki.gocm.2023.09.012.
[26]	ZHENG X Y, YAO Z, HUANG Y N, et al. Deep learning radiomics can predict axillary lymph node status in early-stage breast cancer[J]. Nat Commun，2020，11(1)：1236. DOI：10.1038/s41467-020-15027-z.
[27]	YI C B, DING Z Y, DENG J, et al. Combining the ultrasound features of primary tumor and axillary lymph nodes can reduce false-negative rate during the prediction of high axillary node burden in BI-RADS category 4 or 5 breast cancer lesions[J]. Ultrasound Med Biol，2020，46(8)：1941-1948. DOI：10.1016/j.ultrasmedbio.2020.04.003.
[28]	ZHAO Q, SUN J W, ZHOU H, et al. Pre-operative conventional ultrasound and sonoelastography evaluation for predicting axillary lymph node metastasis in patients with malignant breast lesions[J]. Ultrasound Med Biol，2018，44(12)：2587-2595. DOI：10.1016/j.ultrasmedbio.2018.07.017.
[29]	ZHU A Q, LI X L, AN L W, et al. Predicting axillary lymph node metastasis in patients with breast invasive ductal carcinoma with negative axillary ultrasound results using conventional ultrasound and contrast-enhanced ultrasound[J]. J Ultrasound Med，2020，39(10)：2059-2070. DOI：10.1002/jum.15314.
[30]	兰梦. 声触诊组织成像定量技术与常规超声在乳腺癌腋窝淋巴结良恶性诊断中的价值[D]. 济南：山东第一医科大学，2019.

S-Detect联合声触诊组织成像定量技术对乳腺癌腋窝淋巴结转移的预测价值研究

Predictive Value of S-Detect Combined with Virtual Touch Tissue Imaging Quantification in Axillary Lymph Node Metastasis of Breast Cancer

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 30

相关文章 11

编辑推荐

Metrics

留言

[1]	何芸, 范焕芳, 马盼, 许绍青, 杨柳, 金明哲, 张明蕊, 陈佳琪. 不同针灸治疗方式干预乳腺癌术后上肢淋巴水肿效果的网状Meta分析[J]. 中国全科医学, 2025, 28(14): 1788-1794.
[2]	吴梦娟, 张涛, 高春洁, 赵婷, 王蕾. 病例队列设计下乳腺癌患者雌二醇水平及其生存数据的联合建模研究[J]. 中国全科医学, 2025, 28(14): 1765-1772.
[3]	周静, 贾建国, 林艺鑫, 吴爽, 戴世龙, 王明君, 张青松. 不同代谢肥胖表型与女性乳腺癌发病风险关联：一项前瞻性队列研究[J]. 中国全科医学, 2024, 27(02): 150-155.
[4]	马金梅, 刘文, 曹春莉, 康燕飞, 张晓梅, 李军. 常规超声与^99mTc-MIBI显像在甲状旁腺增生与甲状旁腺腺瘤鉴别诊断中的价值[J]. 中国全科医学, 2023, 26(36): 4552-4557.
[5]	沈傲梅, 路潜, 符鑫, 韦小夏, 卞静如, 张丽媛, 强万敏, 庞冬. 基于前瞻性队列研究的Meta分析构建乳腺癌相关淋巴水肿风险预测模型研究[J]. 中国全科医学, 2023, 26(17): 2078-2088.
[6]	张浩，刘锐芮，朱琳，柏丁兮，钟懿珠，梁芸，高静. 中国女性乳腺癌相关淋巴水肿危险因素的Meta分析[J]. 中国全科医学, 2021, 24(26): 3349-3358.
[7]	吴文霞，张萌. 基线血脂水平对非三阴性乳腺癌患者预后的影响研究[J]. 中国全科医学, 2021, 24(26): 3316-3322.
[8]	李孝彬，王斌. 乳腺癌皮肤转移患者误诊为皮脂腺囊肿伴感染一例诊断过程分析[J]. 中国全科医学, 2020, 23(20): 2604-2606.
[9]	罗悦琼，廖大忠. 参白扶正颗粒联合阿帕替尼治疗多线治疗失败的转移性乳腺癌的疗效研究[J]. 中国全科医学, 2018, 21(25): 3107-3112.
[10]	陈庸，魏杨辉*，黄耀. 自制绷带在乳腺癌术后的应用效果研究[J]. 中国全科医学, 2018, 21(20): 2502-2505.
[11]	段卫明1，姚利2，陶敏1*，陈子兴2. 三阴性乳腺癌患者miR-155表达水平及其对预后的预测价值研究[J]. 中国全科医学, 2017, 20(22): 2763-2767.