基于瘤内与瘤周乳腺断层合成X线摄影影像组学列线图可有效预测乳腺癌腋窝淋巴结转移

摘要：目的 "探讨基于乳腺断层合成X线摄影（DBT）的瘤内联合瘤周影像组学特征及临床因素的列线图在乳腺癌腋窝淋巴结（ALN）转移术前预测中的价值。方法 "回顾性收集2019年1月～2023年12月于蚌埠医科大学第一附属医院行乳腺DBT检查的210例女性乳腺癌患者资料，以7：3比例随机分为训练集（n=147）与验证集（n=63）。选择DBT图像肿块最大层面，医师手动勾画瘤内感兴趣区域，自动外扩3 mm获取瘤周感兴趣区域；提取并筛选影像组学特征，利用支持向量机构建瘤内、瘤周、瘤内+瘤周组学模型并计算预测值；选择效能最高的组学模型预测值联合临床特征构建列线图模型。以ROC曲线、校准曲线及决策曲线评估模型预测性能。结果 "与单一瘤内、瘤周模型相比，由15个最优组学特征构建的瘤内+瘤周组学模型诊断性能最优。ALN触诊、DBT_ALN及瘤内+瘤周模型预测值为独立危险因素（Plt;0.05），所构建的列线图模型敏感度、特异度、准确度、曲线下面积在训练集中分别为82.7%、94.7%、86.4%、0.942，在验证集中分别为90.5%、83.3%、87.3%、0.932，实现了最佳预测效能。结论 "基于DBT瘤内联合瘤周影像组学特征及临床因素的列线图可于术前有效预测乳腺癌ALN转移，可作为一种无创预测方法指导临床决策。

关键词：乳腺癌；腋窝淋巴结；瘤周；数字乳腺断层合成X线摄影；影像组学；列线图

Value of predicting axillary lymph node metastasis of breast cancer based on intra-tumoral and peri-tumoral digital breast tomosynthesis imaging Nomogram

CHEN Xiuting1， 2， LI Xinxin1， 2， ZHOU Dawei1， 2， LI Jie1， 2， GAO Zhizhen1

1Department of Radiology， the First Affiliated Hospital of Bengbu Medical University， Bengbu 233004， China; 2School of Graduate， Bengbu Medical University， Bengbu 233030， China

Abstract： Objective To evaluate the worth of intra‑tumoral and peri‑tumoral radiomics Nomogram in the pre‑operative prognostication of axillary lymph node （ALN） metastasis "based on digital breast tomosynthesis （DBT） for breast cancer. Methods A total of 210 breast cancer patients performed breast DBT examinations were retrospectively collected at the First Affiliated Hospital of Bengbu Medical University from January 2019 to December 2023， all patients were stochastically allocated to a training set （n=147） and a verification set （n=63） in a 7：3 ratio. Select the largest dimension of the tumor in the DBT image to manually delineate the ROI of the intra-tumoral region of interest， and the peri‑tumoral ROI was obtained by expanding outward by 3 mm. Radiomics features were extracted and screened. Support vector machine was used to construct the models of intra‑tumoral， peritumoral and intra-tumoral + peri‑tumoral and calculate predictions. The predicted value of the radiomics model with the highest predictive efficiency was selected， and a Nomogram model was created by combining the clinical features. The forecast power of the model was analyzed using the ROC curve， calibration and decision curves. Results The \"intra‑tumoral+peri‑tumoral\" model constructed from the 15 best radiomics features performed better than the \"intra-tumoral\" and \"peri‑tumoral\" models. ALN palpation， DBT_ALN and \"intra-tumoral + peri‑tumoral\" model's forecast value are separate risk elements （Plt;0.05）， and the best predictive efficacy was achieved by the constructed Nomogram model， with sensitivity of 82.7%， specificity of 94.7%， accuracy of 86.4%， AUC of 0.942 in the training set， and 0.932， 90.5%， 83.3% and 87.3% in the verification set. Conclusion The Nomogram incorporating intra‑tumoural and peri‑tumoural DBT radiomics characteristics and clinical elements are effective in predicting ALN metastasis before the operation of breast cancer， regarding as a noninvasive predictive approach to assist clinical policy development.

Keywords： breast cancer; axillary node; peri-tumoral; digital breast tomosynthesis; radiomics; Nomogram

近年来，乳腺癌已成为女性患癌死亡的主要原因［1］。但大多数晚期乳腺癌患者并非死于乳腺原发肿瘤，而是远处器官转移［2］，腋窝淋巴结（ALN）正是淋巴转移最常见的部位［3］。研究表明，随着转移性ALN数量的增加，患者5年生存率会大大降低［4］，术前准确预测ALN是否发生转移对患者的临床分期及治疗方案至关重要［5］。目前临床上多采用腋窝淋巴结清扫术（ALND）或前哨淋巴结活检术（SLNB）确定ALN状态［6］，但均属于有创性检查，常引起感染、淋巴水肿（见于高达25%的术后患者）及血管和神经损伤等多种并发症［7］，因此亟需一种无创且高敏感度的预测工具用于术前评估ALN状态。乳腺断层合成X线摄影（DBT）三维成像作为一项新兴技术，与传统二维数字乳腺X线摄影（FFDM）相比能更清晰地显示肿瘤及淋巴结的病灶特征［8］，但人眼对微细结构的分辨率有限，很多具有较高诊断价值的图像特征不能被识别。影像组学是一种通过提取肉眼无法识别的影像特征获取肿瘤异质性信息的非侵入性预测方法，而以往预测ALNM的组学研究多基于肿瘤本身特征，近期部分研究表明瘤周区域也存在一些重要的生物学因素会促进肿瘤生长，肿瘤微环境作为乳腺癌潜在治疗靶点日益受到关注［9］。目前此类研究主要集中在超声、MRI与FFDM［10-12］，尚未有报道在DBT基础上联合瘤内与瘤周影像组学特征预测腋窝淋巴结转移（ALNM），其预测价值和效能有待进一步探索。本研究以DBT图像为基础，通过联合临床危险因素及影像组学特征建立瘤内与瘤周影像组学列线图模型，旨在探讨该模型在乳腺癌ALNM术前预测中的价值，为临床精准医疗和个性化治疗提供指导。

1 "资料与方法

1.1 "一般资料

回顾性收集并分析2019年1月～2023年12月蚌埠医科大学第一附属医院的乳腺癌患者资料。纳入标准：DBT检查于术前2周内进行；SLNB 或ALND结果明确；原发性乳腺癌；单侧、单发肿块型乳腺癌；检查前未行手术或放化疗；临床及影像信息完整。排除标准：图像质量较差，肿块无法勾画；非肿块型、多灶性或双侧性乳腺癌；合并其他部位恶性肿瘤；检查前进行过手术或放化疗；临床或影像信息不完整。最终共纳入210例乳腺癌患者，均为女性，年龄26～80（49.25±9.53）岁，所有病例按7：3分为训练集（n=147）和验证集（n=63）。本研究属于回顾性研究，已免除患者知情同意及伦理批准。

1.2 "DBT检查方法

采用德国Siemens MAMMOMAT Inspiration乳腺X线机在“OPDOSE”自动曝光模式下进行头尾位（CC）和内外斜位（MLO）标准摄片。DBT成像时，X线球管在±25°大广角范围内旋转，每转动2°进行1次低剂量照射，共曝光25次，经后处理重建为层厚1 mm的高分辨率薄层图像序列，所有图像均以DICOM格式保存。

1.3 "临床信息纳入

临床特征通过电子病历获取，包括年龄、绝经状态、生育史、临床T分期、ALN转移状态及触诊情况。影像特征由诊断医师分析评估图像得到，包括肿块的位置、边界、最大径、是否伴有可疑钙化、乳腺影像报告与数据系统分类及患者的腺体类型，并在MLO位图像上评估ALN状态，诊断标准：单个圆形肿大ALN且直径≥1cm；多个高密度小淋巴结同时存在，直径lt;1 cm，或有淋巴结融合现象；淋巴结肿大伴微钙化［2］。当满足其中1个标准时，即可诊断为ALN阳性，含有脂肪密度的ALN一般诊断为阴性。ALN最终状态由SLNB或ALND确定，当二者结果不一致时，以ALND为准。

1.4 "影像组学分析

1.4.1 "图像勾画 " 将DBT图像以DICOM格式从PACS下载，由2位未知患者临床信息的放射科医师（具有5年以上乳腺疾病诊断经验）利用3D Slicer软件共同勾画。分别选择患侧CC位和MLO位的DBT图像中肿块最大层面手动勾画瘤内感兴趣区（ROI），以瘤内ROI边界为基础自动外扩3 mm得到瘤内+瘤周ROI，然后去除瘤内ROI部分，继而获取瘤周ROI（图1），保存格式均为nii.gz，2位医师统一勾画标准。最后由1位主任医师审核勾画结果。

1.4.2 "影像组学特征提取及标准化 " 影像组学特征通过 Pyradiomics开源软件包自动提取。为提高数据可比性和模型精度，在特征分析之前进行标准化预处理，将全部特征转化到[-1，1]内。

1.4.3 "特征筛选与降维 " 首先对所有特征进行独立样本t检验，保留Plt;0.05的特征。使用Spearman秩相关将rsgt;0.9的两个特征去除其一。利用最大相关最小冗余算法在保留强相关性特征的同时剔除冗余特征。最后在最小绝对收缩和选择算子（LASSO）回归模型中调整最佳正则化参数（λ）值，通过十折交叉验证使最终λ值产生的误差最小，从而筛选出最优特征（图2）。

1.4.4 "影像组学模型及列线图模型构建 " 将最优影像组学特征输入逻辑回归、支持向量机（SVM）、K临近、随机森林、极度随机树、极端梯度提升机、轻量级梯度提升机及多层感知器8种机器学习模型中，绘制ROC曲线并比较AUC值，选用效能最好的分类器建立瘤内模型、瘤周模型、瘤内+瘤周模型，随后计算每例患者在模型中对应的预测ALN阳性的概率值。选择预测效能最高的模型的预测值联合单-多因素Logistic回归筛选出的临床特征再次进行多因素Logistic回归分析，将最终特征用于构建列线图模型。

1.5 "统计学分析

采用Python3.7.13、R4.3.2、SPSS26.0和MedCalc21.0对数据进行分析，将病理结果作为判断ALN是否发生转移的金标准。计量资料以Kolmogorov-Smirnov检验评价分布正态性，符合正态分布的以均数±标准差表示，组间差异的比较行独立样本t检验；不符合正态分布的以中位数（上、下四分位数）表示，组间差异的比较行Mann-Whitney U检验；计数资料以n（%）表示，组间差异的比较行χ2检验及Fisher确切概率法。以Plt;0.05为差异有统计学意义，通过单-多因素Logistic回归筛选有意义的临床特征。绘制ROC曲线并计算AUC评估各模型的预测效能。利用“rms”包绘制校准曲线，Hosmer-Lemeshow拟合优度检验（Pgt;0.05为拟合较好）评价模型拟合情况，绘制决策曲线评价模型临床实用价值。

2 "结果

2.1 "患者临床信息比较

临床特征及ALN分布在训练集与验证集间的组间差异均无统计学意义（Pgt;0.05，表1），可用于后续模型构建及验证。210例患者中，ALN阳性73例，阴性137例。以病理结果为金标准，对训练集12个临床特征的单因素Logistic回归分析结果显示，临床T分期、ALN触诊、DBT显示ALN状态、肿块位置、是否伴有可疑钙化及患者的BI-RADS分类具有统计学意义（Plt;0.05，表2）。多因素Logistic回归分析筛选出ALN触诊（P=0.002）、DBT_ALN（Plt;0.001）2个临床高危因素建立临床模型（表2）。

2.2 "影像组学模型构建

本研究的瘤内及瘤周特征数据集均是融合了CC和MLO两个体位的特征。每位患者瘤内、瘤周、瘤内+瘤周ROI分别提取了3122、3122、6244个特征，经筛选与降维最终得到瘤内13个、瘤周13个、瘤内+瘤周15个（瘤内6个、瘤周9个）最优影像组学特征（图3）。ROC曲线结果表明，SVM模型表现最佳，训练集AUC0.885、95% CI为0.825～0.945，验证集AUC为0.791、95% CI为0.667～0.916（图4）。最终选用SVM分类器构建瘤内模型、瘤周模型、瘤内+瘤周模型。

2.3 nbsp;列线图模型构建及效能评估

3组模型的ROC曲线分析显示，瘤内+瘤周模型AUC高于瘤内模型及瘤周模型（训练集分别为0.885、0.876、0.870，验证集分别为0.791、0.739、0.737），故以瘤内+瘤周模型的预测值与ALN触诊、DBT_ALN 2个临床特征（表2）构建列线图并将模型可视化（图5），各模型比较（表3，图6）。校准曲线显示列线图模型判断ALNM的概率与理想模型一致性较好，Hosmer-Lemeshow检验显示其在训练集（P=0.058）和验证集（P=0.670）中的拟合度均较高（图7）。决策曲线分析结果提示与不使用预测模型相比，列线图模型的临床预测价值较高（图8）。

3 "讨论

ALN状态是指导乳腺癌患者临床治疗方案的关键因素，ALNM通常表明预后较差、复发风险较高［13］。本研究显示，65.24%（137/210）的患者没有发生ALNM但进行了有创性腋窝手术，导致了不必要的腋窝并发症和较高的医疗费用，因此术前及早且准确地评估ALN状态非常重要。由于影像诊断医师及操作技师经验和知识水平等局限，常规影像学检查诊断ALN状态容易导致高假阴性率［14］，而影像组学技术通过高通量提取影像特征可获取人眼和传统诊断方法无法识别的肿瘤内在异质性信息，因此本研究基于DBT成像技术结合临床高危因素建立了5个预测模型，分别探讨其在术前预测乳腺癌ALN状态中的价值。研究结果初步显示，瘤内+瘤周影像组学模型性能优于单一瘤内模型和瘤周模型，而与单一瘤内+瘤周模型及临床模型相比，利用影像组学特征及临床因素开发的列线图模型实现了最佳预测效能（训练集AUC：0.885 vs 0.870 vs 0.942，验证集AUC：0.791 vs 0.887 vs 0.932），此模型可作为预测ALNM的有效工具，在确保诊断准确率的前提下帮助早期乳腺癌患者减少不必要的ALND甚至是SLNB，对个体化随访及治疗策略指导具有重要临床意义。

现阶段乳腺X线摄影（常用FFDM与DBT）因其操作便捷、价格低廉、适用性广等优势已成为乳腺癌筛查和诊断最常用的方法［15］，但FFDM检查固有局限性较大，有研究以FFDM图像为基础构建组学、临床及联合模型预测ALNM，其组学模型训练集与验证集AUC仅为0.740、0.749，联合模型仅为0.859、0.803［12］，均低于本研究组学模型及联合模型的预测效能，究其原因可能是成像方式不同：FFDM是二维平面成像技术，肿瘤边缘显示常模糊不清，ROI无法准确勾画从而影响了模型的预测效能；而本研究基于DBT成像技术构建的列线图模型训练集与验证集AUC分别达0.942、0.932，与既往研究［16］结论相似，因为DBT是围绕乳腺进行的三维立体成像，可从不同角度更清楚地观察肿瘤及淋巴结的形态、边界、大小等病灶信息，尤其适用于以致密型乳腺为主的亚洲女性［17］。本次研究构建的影像组学模型结合了两个体位的病灶影像学特征，15个最优特征中CC位7个，MLO位8个，不同体位提取的特征并非完全相同，二者联合能更全面地反映肿瘤异质性，这与既往研究［18］结论相仿，但与另一研究［2］的研究方法不同，其仅以CC位图像进行组学分析，所构建的预测模型训练集与验证集AUC为0.883、0.863，低于本研究的0.942、0.932，原因可能是只纳入了一个体位的特征，单体位图像未能全面反映肿瘤信息，以上提示MLO位图像可能会比CC位提供更多有价值信息，但两体位联合建立的组学模型具有最佳预测效果。

近年来针对不同癌症类型的影像组学分析表明，除肿瘤内部特征外，瘤周组织也是临床决策过程中不应忽视的一部分，肿瘤的侵袭浸润会影响周围的正常组织，癌细胞可表现出促结缔组织增生反应或浸润到间质组织中［19， 20］，这表明乳腺癌的进展在一定程度上可通过瘤周区域的变化反映出来，瘤周微环境的改变也会推动ALN状态的进展与转化。本研究结果显示，瘤内+瘤周模型预测性能优于单一瘤内模型及瘤周模型，训练集AUC分别为0.885、0.876、0.870，验证集AUC分别为0.791、0.739、0.737，其中瘤内模型性能优于瘤周模型，但仅通过瘤内或瘤周特征均未能达到最佳预测效果，在瘤内特征基础上融合瘤周特征后，预测模型性能得到了改善，AUC提高到0.885、0.791，这也证明瘤周区域能提供与肿瘤发生及发展密切相关的有效信息。既往有研究探讨了预测模型在1、3、5 mm瘤周范围内对乳腺病变诊断性能的影响，发现3 mm瘤周模型AUC最高，具有较高的预测效能［21］，这提示瘤周3 mm区域可能会为预测ALN状态提供最有价值的信息，故本研究选择瘤周3 mm区域提取影像组学特征。另有研究以瘤内联合4、5、10 mm瘤周特征构建预测模型［19， 22， 23］，预测效能均低于本研究，分析原因可能是瘤周ROI外扩过大，包含过多正常组织而影响了整体预测效能。

本研究单因素Logistic回归分析显示临床T分期、ALN触诊、DBT_ALN、肿块位置、是否伴有可疑钙化及BI-RADS分类均与乳腺癌患者的ALN状态有关，但经多因素分析发现仅ALN触诊、DBT_ALN是预测ALNM的临床独立高危因素。触诊是临床医生初步判断ALNM的一种简单便捷的检查方法，一般来说，触诊阳性的患者更有可能提示ALNM；DBT_ALN为另一重要预测因素，ALNM阳性与阴性患者的影像学表现存在显著差异，癌细胞侵袭ALN致其形态学发生改变，在DBT图像上常表现为单个圆形肿大ALN或数个小ALN，边界模糊，密度高且均匀，而正常ALN多为脂肪密度且不均匀，边缘清晰。本研究基于瘤内+瘤周影像组学特征结合ALN触诊、DBT_ALN所构建的列线图模型AUC（训练集、验证集：0.942、0.932）显著高于单一瘤内+瘤周影像组学模型（训练集、验证集：0.885、0.791），可见ALN触诊及DBT_ALN的纳入大大提高了模型的预测性能，敏感度、特异度及准确性均有不同程度的提高，这与既往研究［9］结论相似，纳入ALN触诊及MRI_ALN后综合模型的训练集AUC由0.884提高到0.945，验证集AUC由0.857提高到0.942。这表明ALN触诊、DBT_ALN作为临床医师及影像诊断医师初步判断ALNM的常用方法，与影像组学相结合有望成为一种无创且高敏感度的ALNM评估工具，为乳腺癌患者的临床决策提供重要信息。

列线图可将复杂的统计学预测模型可视化，为临床医师提供直观且客观的患者个体化风险［24］。本研究用于构建列线图的15个最优特征中，二阶及高阶纹理特征所占比例（53.33%，8/15）高于一阶特征，这与既往研究［25］较为相似，提示纹理特征可能与ALNM相关性更大，更能反映乳腺癌肿瘤的生长、侵袭与转移。其中权重系数最大的是基于小波变换的纹理特征intra_ccwavelet_ccLHH_ccngtdm_ccComplexity，属于邻域灰度差矩阵（NGTDM），可反映体素与特定距离内相邻体素之间的灰度值差异，揭示肿瘤组织学解剖结构的微小变化，此特征与ALNM概率呈正相关，其系数越大，ALN发生转移的概率就越大，表明小波特征包含更多关于乳腺癌的详细信息，可从不同尺度、不同方向全面量化肿瘤异质性，是构建预测模型的关键部分［26］。

本研究仍有以下局限性：医师手动勾画二维ROI，忽略了肿块的三维性质且ROI轮廓的判断受个人经验影响较大，未来可应用半自动或自动分割算法勾画三维ROI；多灶性、双侧性或非肿块型乳腺癌被排除在外，可能会限制此列线图的适用性，未来可进行多类型乳腺癌影像学特征对ALNM状态预测价值的研究；仅选择3 mm作为瘤周ROI，忽略了其他瘤周大小的影响，可在此次研究基础上进行多瘤周范围效能探讨；这是一项未经外部验证的单中心研究，病例数量较小，未来可纳入更多的多中心及外部验证数据。

综上，基于DBT瘤内联合瘤周区域提取的影像组学特征结合临床因素所构建的列线图模型可于术前无创性预测乳腺癌患者ALN状态，减少非必要的ALN清扫，优化临床治疗计划，改善患者预后及生存质量。这项研究为乳腺癌ALNM的诊断与临床管理提供了新视角，随着机器学习的深入发展，基于DBT的影像组学深层次研究有望为乳腺癌的诊断、分期和治疗做出更大贡献。

参考文献：

［1］ " Siegel RL， Miller KD， Wagle NS， et al. Cancer statistics， 2023

［J/OL］. CA： a cancer j clin， 2023， 73（1）： 17-48.

［2］ " Tan HN， Wu YP， Bao FC， et al. Mammography-based radiomics nomogram： a potential biomarker to predict axillary lymph node metastasis in breast cancer［J］. Br J Radiol， 2020， 93（1111）： 20191019.

［3］ " "Arefan D， Chai RM， Sun M， et al. Machine learning prediction of axillary lymph node metastasis in breast cancer： 2D versus 3D radiomic features［J］. Med Phys， 2020， 47（12）： 6334-42.

［4］ " Song DL， Yang F， Zhang YJ， et al. Dynamic contrast-enhanced MRI radiomics nomogram for predicting axillary lymph node metastasis in breast cancer［J］. Cancer Imaging， 2022， 22（1）： 17.

［5］ " Song SE， Woo OH， Cho Y， et al. Prediction of axillary lymph node metastasis in early-stage triple-negative breast cancer using multiparametric and radiomic features of breast MRI［J］. Acad Radiol， 2023， 30（Suppl 2）： S25-S37.

［6］ " 彭卫军. 乳腺影像组学的研究现状与发展前景［J］. 中华放射学杂志， 2022， 56（9）： 935-6.

［7］ " Cardoso F， Kyriakides S， Ohno S， et al. Early breast cancer： ESMO Clinical Practice Guidelines for diagnosis， treatment and follow-up［J］. Ann Oncol， 2019， 30（8）： 1194-220.

［8］ " 李小康， 路 "红， 赵玉梅， 等. 数字乳腺X线摄影、数字乳腺断层摄影及合成X线成像技术在乳腺癌检查中的应用［J］. 临床放射学杂志， 2022， 41（5）： 983-6.

［9］ " 赵楠楠， 朱 "芸， 汤晓敏， 等. 基于瘤内及瘤周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， 2023， 14（3）： 81-7， 94.

[10] Mao N， Shi YH， Lian C， et al. Intratumoral and peritumoral radiomics for preoperative prediction of neoadjuvant chemotherapy effect in breast cancer based on contrast-enhanced spectral mammography［J］. Eur Radiol， 2022， 32（5）： 3207-19.

［11］ "李新华， 卢振东， 丁 "慧， 等. 利用MRI影像组学模型可有效预测乳腺癌前哨淋巴结转移［J］. 分子影像学杂志， 2024， 47（1）： 57-63.

［12］ "宋 "瑞， 马彦云， 崔曹哲， 等. FFDM影像组学在预测乳腺癌腋窝淋巴结转移中的价值［J］. 临床放射学杂志， 2023， 42（11）： 1724-9.

［13］ Chang JM， Leung JWT， Moy L， et al. Axillary nodal evaluation in breast cancer： state of the art［J］. "Radiology， 2020， 295（3）： 500-15.

［14］ "Duan YY， Chen XB， Li WY， et al. Multimodal radiomics and nomogram‑based prediction of axillary lymph node metastasis in breast cancer： an analysis considering optimal peritumoral region［J］. J Clin Ultrasound， 2023， 51（7）： 1231-41.

［15］ "牛焕东， 徐 "菡， 朱卫峰， 等. 多模态X线影像组学列线图预测乳腺肿块良恶性的价值［J］. 中国中西医结合影像学杂志， 2023， 21（3）： 252-8.

［16］ "郭蕴婵， 杨彩仙， 史晋伟. 基于DBT的影像组学在预测乳腺癌分子分型中的价值［J］. 医学影像学杂志， 2023， 33（9）： 1598-602.

［17］ Sheng MH， Ji J， Zhang CY， et al. Optimization of the radiation dose of digital breast tomosynthesis in opportunistic screening by studying the effect of different combinations of FFDM and DBT views[J]. Int J Gen Med， 2021， 14： 1147-54.

［18］ "张红芳， 申晋疆， 王兰云， 等. 基于乳腺X线影像组学对类圆形肿块良恶性的预测价值［J］. 临床放射学杂志， 2022， 41（4）： 617-21.

［19］ "Zhang SJ， Shao HF， Li WJ， et al. Intra- and peritumoral radiomics for predicting malignant BiRADS category 4 breast lesions on contrast-enhanced spectral mammography： a multicenter study［J］. Eur Radiol， 2023， 33（8）： 5411-22.

［20］ "李卓君， 杨晓芳， 姜增誉， 等. 基于DBT的瘤内和瘤周影像组学评估乳腺癌HER2状态的研究［J］. 临床放射学杂志， 2023， 42（9）： 1436-41.

［21］ "Wang SM， Sun YQ， Li RM， et al. Diagnostic performance of perilesional radiomics analysis of contrast‑enhanced mammography for the differentiation of benign and malignant breast lesions［J］. Eur Radiol， 2022， 32（1）： 639-49.

［22］ "Xu ML， Yang HM， Sun J， et al. Development of an intratumoral and peritumoral radiomics nomogram using digital breast tomosynthesis for preoperative assessment of lymphovascular invasion in invasive breast cancer［J］. Acad Radiol， 2023： S1076-S6332（23）00628-1.

［23］ Lin F， Li Q， Wang ZY， et al. Intratumoral and peritumoral radiomics for preoperatively predicting the axillary non-sentinel lymph node metastasis in breast cancer on the basis of contrast-enhanced mammography： a multicenter study［J］. Br J Radiol， 2023， 96（1143）： 20220068.

［24］ 林文华， 杨少玲， 赫 "兰， 等. 基于术前超声及钼靶特征的列线图预测乳腺癌腋窝淋巴结转移的价值［J］. 中国临床医学影像杂志， 2023， 34（9）： 647-53.

［25］ Cheng Y， Xu S， Wang HT， et al. Intra- and peri-tumoral radiomics for predicting the sentinel lymph node metastasis in breast cancer based on preoperative mammography and MRI［J］. Front Oncol， 2022， 12： 1047572.

［26］ "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.

（编辑：郎 "朗）