多模态影像组学列线图术前预测乳腺浸润性导管癌腋窝淋巴结转移的价值

张舒妮，赵楠楠，李阳，朱芸，杨静茹，张澳琪，顾一泓，谢宗玉*

作者单位 1.蚌埠医科大学第一附属医院放射科，蚌埠 233004；2.蚌埠医科大学研究生院，蚌埠 233004

0 引言

根据2023 年美国癌症协会最新统计，乳腺癌已超过肺癌成为威胁女性生命健康的第一危险因素，预计2023 年新发病例超过29 万，发病率占女性新增癌症病例的31%[1-2]。乳腺癌是一种侵袭性很强的癌症，包括多种病理类型，其中浸润性导管癌（invasive ductal carcinoma, IDC）占据大约70%[3]，其生存期因诊断阶段及病理类型的不同而有很大差异，腋窝淋巴结（axillary lymph node, ALN）是否转移对乳腺癌患者的临床分期、预后评估和个性化治疗方案至关重要[4]。临床医生曾认为乳腺癌的标准治疗是乳房根治术加ALN 清扫术（axillary lymph node dissection, ALND），但是经研究发现，部分患者存在过度治疗的现象，经ALND 的患者会出现上肢水肿、肩关节疼痛、麻木及活动障碍等并发症，严重影响患者的生活质量[5]。近年来，前哨淋巴结活检（sentinel lymph node biopsy,SLNB）凭借着侵入性小、并发症少的优点，逐步取代ALND成为乳腺癌ALN评估的标准术式，但是SLNB与潜在的高假阴性率相关，假阴性率在5%～10%之间，而且对血管和神经具有一定的损害[6]。因此，现阶段迫切需要一种安全、无创的方法来评估ALN 状态，并且避免在无ALN 转移的患者中进行侵入性的操作，改善患者的预后以及生活质量。临床上，常采用淋巴结触诊来初步诊断患者ALN 状态，但是该方法依赖于临床医师的工作经验、患者皮下脂肪厚度以及配合程度，假阴性率高达45%[7]。影像学检查常采用钼靶（mammography, MG）、MRI 以及超声来评估乳腺癌分期以及ALN 状态，但是根据影像学特征判断ALN 状态依赖于放射科医生的工作经验，主观性较强[8]，而且这些检查方法各有优缺点，MG对钙化敏感度比较高，对部分致密型腺体的检出率低，MRI是多方位、多参数、多序列成像，对软组织分辨能力较高，能够准确鉴别囊性及实性病变，但是对于微小钙化不敏感，因此将MG 与MRI 联合能够更加全面地获得病灶信息。影像组学是指高通量地提取影像学特征，挖掘图像中更深层次的信息，近年来在肿瘤学中应用广泛，可以提高诊断、预测的准确性。既往研究[9-10]大多基于单一MG/MRI 模态或临床病理资料，并且选择单一的机器学习分类器构建影像组学模型，无法筛选出效能最佳的模型，获得的肿瘤信息有限，目前尚未发现将MG 及MRI 联合并且基于多种机器学习分类器构建的影像组学模型预测患者ALN 状态的相关研究。本研究探讨基于多种机器学习的多模态影像组学术前预测乳腺癌患者ALN转移的价值，全面提取了每种影像方法的组学特征，并联合临床高危因素构建列线图模型，预测乳腺癌患者术前ALN 状态，可以实现以非侵入的方式协助临床制订科学有效的诊疗方案。

1 材料与方法

1.1 研究对象

回顾性分析2019 年1 月至2023 年6 月在蚌埠医科大学第一附属医院经手术病理证实为IDC 患者的临床及影像资料。纳入标准：（1）术前及穿刺前常规行乳腺MRI 及MG 检查且图像清晰；（2）病理结果为IDC，并且有完整的ALN 状态病理记录；（3）术前未接受任何辅助性治疗；（4）MG 与MRI 检查的间隔时间不超过1 周。排除标准：（1）病灶过小或者边界显示不清，不能进行感兴趣区勾画；（2）隐匿性、复发性乳腺癌；（3）其他恶性肿瘤病史、全身病变明显或合并远处转移。最终纳入224例患者资料进行分析，所有患者均为女性。本研究遵循《赫尔辛基宣言》，经蚌埠医科大学第一附属医院医学伦理委员会批准，免除受试者知情同意，批准文号：2023-441。

1.2 仪器与方法

1.2.1 仪器设备

所有MG 图像均采用德国Siemens Mammomat Inspiration 乳腺X 线摄影机检查获得，行头尾位和内外斜位标准双体位投照。

MRI 检查均使用荷兰Philips Achieva 3.0 T 双梯度超导型MRI 扫描仪，SENSE 7 通道乳腺专用线圈。患者采取俯卧位，双侧乳房自然对称地落入线圈，定位中心对准线圈中心及两侧乳头连线中点。嘱咐患者尽量降低呼吸频率，以避免呼吸和心跳引起的运动伪影。MRI 扫描序列和参数：（1） T1WI 序列，TR 400 ms，TE 10 ms，层厚5 mm，层间距1 mm，FOV 350 mm×350 mm，矩阵216×194；（2）T2WI 序列，TR 5000 ms，TE 60 ms，层厚5 mm，层间距1 mm，FOV 350 mm×350 mm，矩阵260×274；（3）扩散加权成像（diffusion-weighted imaging, DWI），TR 2500 ms，TE 40 ms，层厚5 mm，层间距1 mm，FOV 350 mm×350 mm，矩阵184×95，b=0、800 s/mm2；（4）DCE-MRI，TR 4.8 ms，TE 2.4 ms，层厚5 mm，层间距1 mm，FOV 350 mm×350 mm，矩阵252×339。分6 个时相采集图像，每个时相扫描60 s，第一个时相为蒙片像，然后经肘正中静脉迅速注入剂量为0.2 mmol/kg的对比剂钆喷酸葡胺（拜耳先灵医药公司，德国），随后以流速1.5 mL/s注射生理盐水20 mL。

1.2.2 临床特征分析

收集患者临床资料，如年龄、临床T分期、触诊及中性粒细胞绝对值（absolute neutrophil count, N）（单位：×109/L）、淋巴细胞绝对值（absolute lymphocyte count, L）（单位：×109/L）及血小板计数（platelet count, P）（单位：×109/L）等临床指标，其中生化指标均来源于患者治疗前一周的血常规检查结果。计算中性粒细胞-淋巴细胞比率（neutrophil lymphocyte ratio, NLR）、血小板- 淋巴细胞比率（platelet lymphocyte rate, PLR），计算公式见式（1）～（2）。

1.2.3 影像特征分析

影像特征由两名分别具有5 年以上乳腺诊断经验的主治医师在Philips Extended MR Workspace 后处理工作站上进行分析。主要评价指标包括：病灶最大径、病灶形态、肿块内部强化特点、表观扩散系数（apparent diffusion coefficient, ADC）、时间-信号强度曲线（time-signal intensity curve, TIC）类型、背景实质强化（background parenchymal enhancemennt, BPE）、毛刺征、钙化、腺体类型、BI-RADS 分类、MRI_ALN及MG_ALN 等。既往研究发现发生ALN 转移的淋巴结特点包括：形状饱满、短径明显增大或较对侧明显增大、淋巴门结构消失、边缘模糊不清、密度增加等[11]。当两名医师对判读结果出现分歧时，通过商议达成一致。

1.2.4 图像分割和特征提取

病灶的分割与特征提取在医准智能科技有限公司的达尔文智能科研平台（http：//www.yizhun-ai.com）上完成。由两名具有5 年以上乳腺诊断经验的主治医师在未接触患者临床及病理资料的情况下间隔一周时间先后在DCE-MRI 序列第二期图像上勾画最大层面，并复制到T2WI 图像上，再严格根据病灶在不同序列的实际形态调整ROI范围；最后在MG的头尾位及内外斜位图像上对病灶进行局部放大，勾画病灶（图1），统一勾画标准。

图1 女，63 岁，病理证实为乳腺浸润性导管癌，腋窝淋巴结状态为阴性，临床触诊未触及肿块，MRI及MG 示右乳外下象限不规则肿块。1A：MG 头尾位原始图像及ROI勾画图；1B：MG内外斜位原始图像及ROI勾画图；1C： T2WI图像病灶最大层面原始图像及ROI勾画图；1D：DCE-MRI第二期病灶最大层面原始图像及ROI勾画图。黄线范围内为病灶ROI。MG：钼靶；ROI：感兴趣区；DCE-MRI：动态对比增强MRI。Fig.1 A 63-year-old female is pathologically confirmed to be invasive ductal carcinoma of the breast, the axillary lymph node status is negative, the mass is not palpated on clinical palpation, and the MRI and MG show an irregular mass in the outer lower quadrant of the right breast.1A: Raw image and ROI outline of the head and tail position of the mammography target; 1B: Raw image and ROI outline of the internal and external oblique position of the mammography target; 1C:Maximal image and ROI outline of the magnetic resonance T2WI image lesion; 1D: Maximal image and ROI outline of DCE-MRI stage Ⅱ lesion.Within the yellow line is the ROI of the lesion.MG: mammography; ROI: region of interest; DCE-MRI: dynamic contrast-enhanced MRI.

1.2.5 特征筛选与机器学习

ROI 勾画完成后对特征进行提取及处理。首先通过最大最小值归一化将提取的特征值预处理至（0，1）之间，计算组内相关系数（intra-class correlation coefficient, ICC），保留ICC＞0.75 的特征，然后通过样本方差F值评估特征与乳腺癌ALN 是否转移的线性相关性，采用最优特征筛选-百分比进行特征降维，多模态、MRI及MG影像组学模型的筛选阈值百分比分别为34%、19%及38%；通过最小绝对收缩和选择算子（least absolute shrinkage and selection operator,LASSO）回归对特征再次进行降维，通过最优超参数筛选得到最主要特征，并且选择均衡准确率（balanced_accuracy）作为评估特征重要性的评价标准；将多模态影像组学筛选出的特征分别纳入5种机器学习分类器中构建多模态影像组学模型预测ALN状态。分类器包括支持向量机（support vector machine, SVM）、K 近邻（K nearest neighbors, KNN）、极端梯度提升决策树（extreme gradient boosting,XGBoost）、逻辑回归（logistic regression, LR）、随机森林（randomforest, RF）。随后，选择筛选出的性能最佳的机器学习分类器，进行MRI、MG 影像组学模型构建，最终将三组模型结果转换为影像组学评分（radiomics score, Rad-score）。绘制多模态影像组学模型、MRI 影像组学模型、MG 影像组学模型受试者工作特征（receiver operating characteristic, ROC）曲线，比较三组影像组学模型的曲线下面积（area under the curve, AUC），得到最佳的影像组学模型。

1.3 列线图模型构建

对评价的临床及影像指标进行单因素分析，将筛选出的单因素指标纳入到多因素logistic 回归分析，选择多因素分析后P＜0.05的指标构建临床模型；最终，基于临床危险因素和最佳组学模型的Rad-score建立列线图模型并将模型可视化。

1.4 统计学分析

统计学分析采用SPSS 26.0、Medcalc 19.1.3 及R 4.3.2 软件进行分析。符合正态分布的计量资料，使用独立样本t检验进行比较；不符合正态分布的计量资料用中位数（上四分位数，下四分位数）表示，采用Mann-WhitneyU检验分析。计数资料用频数表示，使用卡方检验、连续性修正检验及Fisher确切概率法进行比较。通过单-多因素logistic回归筛选临床及影像特征指标。使用ICC描述ROI勾画结果的一致性，ICC＞0.75表示一致性较好。采用Medcalc 19.1.3软件绘制ROC 曲线，并计算AUC、敏感度和特异度评价不同模型的预测性能。使用R 4.3.2 软件构建列线图模型，校准曲线和决策曲线（decision curve analysis,DCA）。P＜0.05表示差异有统计学意义。

2 结果

2.1 训练集与测试集比较

本研究共纳入224 例患者，根据7∶3 比例将样本随机分为训练集156 例和测试集68 例，其中训练集ALN 阴性患者81 例、阳性患者75 例，测试集ALN 阴性患者36 例、阳性患者32 例。经过统计学分析训练集与测试集所有纳入的临床及影像特征分布差异均无统计学意义（P＜0.05）（表1）。

表1 训练集与测试集临床及影像特征分布比较Tab.1 Comparison of the distribution of clinical and imaging features between the training set and the test set

2.2 临床特征及模型构建

以病理为ALN 状态的金标准，分析21 个临床及影像资料。根据Youden 指数计算NLR、PLR 最佳临界值分别为1.81、208.72。最终训练集分别筛选出临床因素（临床T 分期、淋巴结触诊、PLR），MRI 因素（病灶最大径、形态、强化类型、BPE、BI-RADS 分类、MRI_ALN），MG 因素（BI-RADS 分类、MG_ALN）共11 个差异有统计学意义的危险因素（P＜0.05）。测试集临床因素（临床T 分期、淋巴结触诊），MRI 因素（病灶最大径、TIC、强化类型、BI-RADS 分类、MRI_ALN），MG因素（钙化、MG_ALN）共9个差异有统计学意义的危险因素（P＜0.05）（表2～3）。选取训练集及测试集共同的7 个独立危险因素进行多因素logistic回归分析。考虑到独立危险因素较多，变量间可能存在严重多重共线性问题，导致模型方程不稳定，进行多重共线性诊断，结果显示每个因素的方差膨胀因子（variance inflation factor, VIF）均小于10，各因素之间不存在严重共线性问题，因此不需要采取特殊措施进行处理。经多因素logistic回归分析后，最终筛选出淋巴结触诊（P＜0.001）及MRI_ALN（P＝0.005）2 个独立危险因素构建临床模型（表4）。

表2 训练集与测试集与ALN状态相关的临床因素Tab.2 Clinical factors related to ALN status between the training set and the test set

表3 训练集与测试集与ALN状态相关的影像特征Tab.3 Imaging features related to axillary lymph node status between the training set and the test set

表4 训练集多因素logistic回归分析Tab.4 Multivariate logistic regression analysis of the training group

2.3 特征筛选和机器学习

多模态影像组学提取4500 个特征，经方差分析后保留1530 个影像组学特征，再通过最优超参数筛选获得主要特征，基于上述主要特征构建5种机器学习分类器用于评估乳腺癌患者ALN 状态。结果显示，在训练集中5 种机器学习分类器AUC 的范围在0.889～0.993 之间，在测试集中5 种机器学习分类器的AUC 值范围在0.764～0.864 之间，其中SVM 训练集与测试集的AUC值差异最小，并且SVM 的测试集（AUC=0.864）最高，因此选择SVM 构建多模态最佳影像组学模型，并作为构建MRI及MG影像组学模型的机器学习分类器。最终SVM筛选出14个与ALN相关性最大的特征（图2）。MRI影像组学及MG影像组学分别提取2250、2250个特征，经最大最小值归一化及方差分析后分别保留428、855个影像组学特征，再通过最优超参数筛选及SVM分类器最终分别筛选出12、14 个影像组学特征，构建MRI 及MG 影像组学模型。不同机器学习分类器在训练集和测试集中的AUC、敏感度、特异度和准确度（表5）。

表5 不同机器学习分类器在训练集和测试集的预测效能Tab.5 Prediction performance of different machine learning classifiers in the training set and the test set

图2 多模态影像组学模型中SVM筛选的14个与腋窝淋巴结状态相关性最大的影像组学特征。横轴为每个特征对应的权重系数，纵轴为筛选出与腋窝淋巴结状态相关的每个影像组学特征名称。SVM：支持向量机；WAVELET：小波变换；LBP：局部二值模式；GRADIENT：梯度变换；LOG：拉普拉斯变换；EXPONENTIAL：指数变换；FIRSTORDER：一阶纹理特征；NGTDM：邻域灰度差矩阵；GLDM：灰度依赖矩阵；GLCM：灰度共生矩阵；GLSZM：灰度区域大小矩阵。Fig.2 The 14 radiomics features that were most correlated with axillary lymph node status were screened by SVM in the multimodal radiomics model.The horizontal axis is the weight coefficient corresponding to each feature, and the vertical axis is the name of each radiomics feature related to the status of axillary lymph nodes screened out.SVM: support vector machine; WAVELET: wavelet transform; LBP: local binary pattern;GRADIENT: gradient transform; LOG: laplace transform; EXPONENTIAL:exponential transformation; FIRSTORDER: first-order texture features;NGTDM: neighbouring gray tone difference matrix; GLDM: gray level dependence matrix; GLCM: gray level co-occurrence matrix; GLSZM: gray level size zone matrix.

2.4 列线图模型的建立

分别绘制MRI、MG、多模态影像组学模型ROC曲线（图3），比较三个模型的AUC 值，结果显示多模态影像组学模型最高（训练集AUC：0.899；测试集AUC：0.864）。最终选择多模态影像组学模型的Rad-score 联合临床模型构建列线图模型，并将列线图可视化。在训练集中，MG影像组学模型、MRI影像组学模型、多模态影像组学模型、临床模型和列线图模型的AUC 分别为0.821、0.832、0.899、0.837、0.941；在测试集中，MG 影像组学模型、MRI影像组学模型、多模态影像组学模型、临床模型和列线图模型的AUC分别为0.795、0.813、0.864、0.849、0.926（表6、图4）。通过DeLong 检验得出，列线图模型与三种影像组学模型及临床模型之间差异具有统计学意义（P＜0.05），列线图模型诊断性能较好。校准曲线显示列线图模型的实际曲线与理论曲线接近，表示一致性较好（图5），决策曲线显示列线图模型在临床受益方面整体优于三种影像组学模型和临床模型（图6）。

表6 五种模型的预测效能Tab.6 Predictive performance of five models

图3 五种模型的预测效能。3A：训练集五个模型ROC 曲线；3B：测试集五个模型ROC曲线。ROC：受试者工作特征；AUC：曲线下面积。Fig.3 Prediction performance of five model.3A: ROC curves of five models in the training set; 3B: ROC curves of five models in the test set.ROC: receiver operating characteristic; AUC: area under the curve.

图4 多模态影像组学评分及临床特征构建的诺莫图。Palpation：触诊（0=阴性，1=阳性）；MRI_ALN：MRI腋窝淋巴结状态（0=阴性，1=阳性）；根据不同指标对应的分数计算腋窝淋巴结转移的概率。Fig.4 Nomogram constructed by multimodal Rad-score and clinical features.Palpation: palpation (0=negative, 1=positive); MRI_ALN: MRI axillary lymph node status (0=negative, 1=positive).The probability of axillary lymph node metastasis is calculated according to the scores corresponding to different indicators.

图5 训练集（5A）及测试集（5B）的校准曲线。横坐标为预测概率，纵坐标为实际发生概率；当实际曲线与理论曲线接近时，表示模型的校准效果好。Fig.5 Calibration curves of the training set (5A) and the test set (5B).The abscissa is the predicted probability, and the ordinate is the actual occurrence probability.When the actual curve is close to the the oretical curve, it means that the calibration effect of the model is good.

图6 训练集（6A）及测试集（6B）的决策曲线。Fig.6 Decision curves for the training set (6A) and the test set (6B).

3 讨论

本研究选择IDC 为研究对象，开发并验证了一种基于多种机器学习的多模态影像组学模型联合临床高危因素的列线图模型，探究其对评估ALN状态的临床价值。研究结果表明SVM对乳腺癌ALN转移情况的预测优于其他机器学习分类器，列线图模型训练集及测试集的AUC 值分别为0.941、0.926，具有较高的诊断性能。本研究创新性地将MRI 与MG 联合起来，可以充分提取病灶的影像特征，构建出优于单一模态的影像组学模型，为安全无创地预测ALN状态提供可靠的支持，可辅助临床制订科学的诊疗方案。

3.1 与ALN状态相关的机器学习算法分析

乳腺癌是一种高度异质性的肿瘤，影像组学能在一定程度上充分利用医学成像的潜力来反映组织异质性，进行乳腺癌ALN 转移的术前评估[12-13]，在众多机器学习算法中，不同算法对预测乳腺癌ALN 的性能是不同的。本研究选择5 种机器学习分类器进行乳腺癌ALN 状态预测，研究结果表明SVM 的训练集与测试集AUC 值为0.899、0.864，其预测效果优于其他机器学习分类器。CUI 等[14]选择三种机器学习算法预测ALN 状态，结果表明SVM 分类器对乳腺癌ALN 的预测效果显著高于KNN 分类器和线性判别算法（linear discriminant analysis, LDA），与本研究结果一致。YAO 等[15]使用4 种机器学习分类器构建预测SLN转移的影像组学模型，结果显示SVM 的AUC值最高，由此可见SVM 分类器在二元分类问题中应用较为广泛。本研究五种机器学习分类器中LR 在二元分类问题中应用也较为常见，但是其结果略低于SVM。KNN 结果最差，原因可能是KNN 是一种基于实例的学习方法，更加适用于具有相似特征的数据。SVM 算法不仅可以提高模型的鲁棒性和泛化性[16]，还可以通过核函数将数据映射到高维空间，解决非线性的分类问题[17-18]，进而构建出性能较好的模型，协助临床评估ALN状态指导后续治疗。

3.2 与ALN状态相关的影像组学模型性能评估

本研究的MRI 影像组学模型诊断效能高于MAO 等[19]构建的基于DCE-MRI 预测ALN 状态的影像组学模型（训练集、测试集AUC 值分别为0.78、0.79），这可能是因为本研究加入T2WI 序列的原因，由于恶性肿瘤易出现囊变坏死，因此病灶内部及周围含水成分在T2WI 序列上更易观察。TAN 等[20]采用SVM 分类器在脂肪抑制T2WI序列中提取23个影像组学特征构建影像组学模型（训练集、测试集AUC值分别为0.880、0.819），虽然该模型训练集结果高于本研究的MRI 影像组学模型，但是明显低于本研究的多模态影像组学模型，这表明了MRI 与MG 的结合可以相互弥补各自的不足，提升影像组学模型的诊断性能。DONG等[21]首次使用基于脂肪抑制T2WI序列和DWI 序列的影像组学预测患者的ALN 状态，研究结果表明联合模型的预测性能（AUC 为0.805）优于单独使用脂肪抑制T2WI 和DWI 的预测性能（AUC 分别为0.770 和0.787）。ZHAO 等[22]证实了基于MRI 和MG 联合建立的鉴别乳腺良恶性的影像组学模型比单一模型具有更好的诊断准确性，训练集和测试集的准确率分别达到89.6%和83.3%。这些都表明了不同的检查手段可以揭示病灶不同的潜在信息，MG对钙化的敏感度较高，DCE-MRI可以评估血管生成，反映肿瘤内部的血流情况[23]，T2WI序列更易观察囊变坏死的异常信号。因此多模态组学模型可以提高诊断的准确性，可以指导临床治疗方案的制订。

3.3 多模态影像组学重要特征与ALN转移的相关性

本研究通过SVM 构建的多模态影像组学诊断模型最终共提取14 个特征，这些特征均是通过对原始图像进行小波、指数、梯度等滤波器处理后，在衍生图像上进行计算得出的，其中包括7个小波相关特征，经小波变换后的纹理特征可以提供更有价值的肿瘤微环境信息，其细节和复杂度高于原始图像[24]。MG CC 位图像中提取的wavelet-HH-ngtdm-Contrast占比最大，与ALN 是否转移呈负相关。相邻灰度差异矩阵量化了图像强度的总体变化，提供了整个图像上相邻像素之间的对比度量[25]。此外，T2WI 图像上的一阶特征占比较大，一阶统计特征用于反映肿瘤内灰度强分布，判断肿瘤的异质性，其值越大代表肿瘤生物学行为越活跃，转移恶化的度的风险越高[26]。DCE-MRI图像中提取的经过小波变换后的二阶纹理特征wavelet-HH-glcm-Correlation 占比也较大，灰度共生矩阵可以通过相邻方向、变化间隔和变化幅度的综合图像表现出肿瘤纹理信息[27]。ZHOU等[28]构建的基于灰度超声的影像组学模型得出wavet- LH-glcm-Correlation 与ALN 转移的相关性最强，本研究也得出此特征与ALN 转移显著相关。既往研究表明，这些影像组学特征代表了灰度和纹理特征的细微差异，适用于评估肿瘤内部异质性，而肿瘤内部异质性与肿瘤进展和转移行为有关[29-30]。

3.4 术前临床及影像特征与ALN转移的相关性

MAKSIMOVIC 等[9]分析了触诊、超声和MRI 在乳腺癌患者ALN分期中的价值，研究结果显示触诊的假阳性率为53%，假阴性率为36%，乳腺MRI 预测ALN转移假阴性率为18%，由此可见单独的触诊或乳腺MRI预测ALN转移效果较差。本研究临床及影像因素经过单-多因素逻辑回归分析后得出淋巴结触诊、MRI_ALN与ALN转移具有相关性，临床模型的AUC值为0.837、0.849，具有很好的预测价值，与朱芸等[31]基于MRI、MG和病理的列线图预测SLN状态筛选出的临床指标一致。肿瘤进展是肿瘤细胞与健康细胞相互作用的复杂过程。中性粒细胞促进循环肿瘤细胞与远处部位的黏附并诱导肿瘤生长[32]。血小板通过促进肿瘤细胞与内皮的黏附，防止细胞死亡和远处转移，在癌症进展中发挥作用[33]。MORKAVUK 等[34]报道，PLR对早期乳腺癌转移性SLN 的诊断成功率高于超声等影像学方法。本研究临床因素加入了PLR及NLR进行分析，多因素分析结果显示与ALN状态没有显著差异。MA等[35]研究炎症标志物对新辅助化疗患者的远期生存率的预测价值，多因素分析显示淋巴细胞-单核细胞比值和ALN 转移是独立预测因素，而NLR 和PLR与疾病预后没有显著相关性。上述研究结果的差异可能是截断值不同造成的，由此可见炎性指标是否是预测乳腺癌预后的有效指标尚存在很大争议，还有待后续的研究加以论证支撑。

3.5 局限性

本研究具有以下局限性：（1）本研究为单中心研究缺乏外部验证，并且样本量较小，可能导致结果稳定性及可复现性差；（2）ROI 勾画均为2D 勾画，缺乏病灶的三维特征信息，未来会选择进行3D 勾画，并进行比较；（3）本研究忽略了瘤周区域可能存在的一些重要的生物学信息。

4 结论

综上所述，本研究基于多模态影像组学特征及临床特征构建的列线图模型能够在术前有效预测ALN状态，有望为临床治疗方案的制订提供科学指导。

作者利益冲突声明：全体作者均声明无利益冲突。

作者贡献声明：谢宗玉设计本研究的方案，对稿件重要内容进行了修改；张舒妮起草和撰写稿件，获取、分析及解释本研究的数据，对稿件重要内容进行了修改；朱芸、赵楠楠、李阳分析或解释本研究的数据，对稿件重要内容进行了修改；杨静茹、张澳淇、顾一泓完成数据前期收集与整合，对稿件重要内容进行了修改；朱芸获得安徽省教育厅自然科学基金重点项目资助；张舒妮获得蚌埠医学院校级课题资助。全体作者都同意发表最后的修改稿，同意对本研究的所有方面负责，确保本研究的准确性和诚信。