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

doi:10.12114/j.issn.1007-9572.2024.0160

Chinese General Practice ›› 2025, Vol. 28 ›› Issue (17): 2149-2155.DOI: 10.12114/j.issn.1007-9572.2024.0160

Special Issue: 乳腺癌最新文章合辑

• Original Research • Previous Articles Next Articles

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

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

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

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

通讯作者: 李军
作者简介:
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)

Abstract

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

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

CLC Number:

R 737.9

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.
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.

Figures/Tables 9

References 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.

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

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

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

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

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

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

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

RichHTML

PDF

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 9

References 30

Related Articles 15

Recommended Articles

Metrics

Comments

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）

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

[1]	WU Mengjuan, ZHANG Tao, GAO Chunjie, ZHAO Ting, WANG Lei. Joint-modeling of Estradiol Levels and Survival Data of Breast Cancer Patients in the Case-cohort Design [J]. Chinese General Practice, 2025, 28(14): 1765-1772.
[2]	HE Yun, FAN Huanfang, MA Pan, XU Shaoqing, YANG Liu, JIN Mingzhe, ZHANG Mingrui, CHEN Jiaqi. Effect of Postoperative Upper Extremity Lymphedema after Breast Cancer Treated with Different Acupuncture and Moxibustion Therapies: a Network Meta-analysis [J]. Chinese General Practice, 2025, 28(14): 1788-1794.
[3]	GAO Shuaiying, YANG Mukun, SUN Mingli, BAI Wenpei. Effects of Menopausal Hormone Therapy Combined with Pelvic Floor Muscle Training on Pelvic Floor Structure in Patients with Stress Urinary Incontinence [J]. Chinese General Practice, 2024, 27(23): 2875-2882.
[4]	DONG Yumeng, LIU Jinghua. Fetal Outcomes of Double Chorion Double Amniotic Sac Twin Pregnancy by Ultrasonographic Soft Marker Combined with Twin Specific Marker in Early Pregnancy [J]. Chinese General Practice, 2024, 27(12): 1460-1467.
[5]	MA Jinmei, LIU Wen, CAO Chunli, KANG Yanfei, ZHANG Xiaomei, LI Jun. Ultrasound and ^99mTc-MIBI Scintigraphy in Differentiating between Parathyroid Hyperplasia and Parathyroid Adenoma [J]. Chinese General Practice, 2023, 26(36): 4552-4557.
[6]	JI Mengying, LI Yujing, CHEN Xing, DAI Huihua, SUN Ying. Prediction Value of B-ultrasound with Tumor Markers for Malignant Transformation of Mucinous Ovarian Tumors [J]. Chinese General Practice, 2023, 26(24): 3022-3027.
[7]	SHEN Aomei, LU Qian, FU Xin, WEI Xiaoxia, BIAN Jingru, ZHANG Liyuan, QIANG Wanmin, PANG Dong. Constructing a Risk Prediction Model of Breast Cancer-related Lymphedema Based on a Meta-analysis of Prospective Cohort Studies [J]. Chinese General Practice, 2023, 26(17): 2078-2088.
[8]	XU Wei, XU Jiyuan, LI Maoqin, LU Fei, CHENG Shuli. Predictive Value of Color Doppler Ultrasound for Acute Kidney Injury in Patients with Septic Shock [J]. Chinese General Practice, 2023, 26(09): 1104-1111.
[9]	HUAI Jiaping, JIANG Chenlin, DENG Hongsheng, YE Xiaohua. Evaluation of Inflammatory Factors from Bronchoalveolar Lavage Fluid on the Potential of Lung Recruitment Maneuvers in Patients with Acute Respiratory Distress Syndrome [J]. Chinese General Practice, 2023, 26(03): 329-334.
[10]	FU Xuming，WANG Jihong，PAN Dianzhu. Diaphragmatic Mobility Function and Its Correlation with Pulmonary Function in Patients with COPD　 [J]. Chinese General Practice, 2021, 24(5): 561-565.
[11]	LI Ning，KAN Yanmin，LI Xiaosong，WANG Yihua，ZHANG Man，MENG Jian，MA Lin. A Multimodal Ultrasound-based Decision-making Tree Model for the Diagnosis of Papillary Thyroid Carcinoma：Development and Efficacy Evaluation　 [J]. Chinese General Practice, 2021, 24(30): 3821-3827.
[12]	ZHANG Hao，LIU Ruirui，ZHU Lin，BO Dingxi，ZHONG Yizhu，LIANG Yun，GAO Jing. Risk Factors for Breast Cancer-related Lymphedema in Chinese Women：a Meta-analysis　 [J]. Chinese General Practice, 2021, 24(26): 3349-3358.
[13]	WU Wenxia，ZHANG Meng. Study on the Effect of Baseline Blood Lipid Level on the Prognosis of Patients with Non-triple-negative Breast Cancer　 [J]. Chinese General Practice, 2021, 24(26): 3316-3322.
[14]	FU Xiaohong，JIA Zhenxi，ZHAO Feng，HUANG Guoqian，ZHANG Tao. General Practitioners' Learning Ultrasound Techniques and Future Applicability of Portable Ultrasound Device in Primary Care：Perspectives from General Practitioners and Sonographers　 [J]. Chinese General Practice, 2021, 24(22): 2832-2837.
[15]	QIN Weibin，HE Guixin，LIN Lin，LIU Pengye，CHEN Yalu，REN Jiayi，CHEN Tianyu. Serum Uric Acid Level and Plaque Characteristics Assessed by Intravascular Ultrasound in Elderly Patients with Coronary Heart Disease　 [J]. Chinese General Practice, 2020, 23(6): 656-661.