切换至 "中华医学电子期刊资源库"
高级检索
中华医学超声杂志（电子版）

中华医学超声杂志（电子版） ›› 2022, Vol. 19 ›› Issue (08) : 774 -778. doi: 10.3877/cma.j.issn.1672-6448.2022.08.008

浅表器官超声影像学

超声影像组学标签对乳腺癌腋窝淋巴结转移的预测价值
王瑛1, 陈英格1, 叶素敏1, 陈东2, 刘宇3, 刘再毅3, 刘敏4,†()   
  1. 1. 510120　广州医科大学附属第一医院超声科
    2. 650118　昆明医科大学第三附属医院（云南省肿瘤医院）超声科
    3. 510080　广州，广东省人民医院放射科
    4. 510060　广州，华南肿瘤学国家重点实验室　肿瘤医学省部共建协同创新中心　中山大学肿瘤防治中心（中山大学附属肿瘤医院）超声科
  • 收稿日期:2021-02-23 出版日期:2022-08-01
  • 通信作者: 刘敏
  • 基金资助:
    国家重点研发计划资助(2017YFC1309100)

Ultrasound-based radiomics to predict axillary lymph node metastasis in breast cancer

Ying Wang1, Yingge Chen1, Sumin Ye1, Dong Chen2, Yu Liu3, Zaiyi Liu3, Min Liu4,†()   

  1. 1. Department of Ultrasound, the First Affiliated Hospital of Guangzhou Medical University, Guangzhou 510120, China
    2. Department of Ultrasound, the Third Affiliated Hospital of Kunming Medical University, Yunnan Cancer Hospital, Yunnan Cancer Center, Kunming 650118, China
    3. Department of Radiology, Guangdong Provincial People's Hospital, Guangdong Academy of Medical Sciences, Guangzhou 510080, China
    4. Department of Ultrasound, Sun Yat-Sen University Cancer Center, State Key Laboratory of Oncology in South China, Collaborative Innovation Center for Cancer Medicine, Guangzhou 510060, China
  • Received:2021-02-23 Published:2022-08-01
  • Corresponding author: Min Liu
全文 ( ) 下载PDF ( ) 导出引用
引用本文：

王瑛, 陈英格, 叶素敏, 陈东, 刘宇, 刘再毅, 刘敏. 超声影像组学标签对乳腺癌腋窝淋巴结转移的预测价值[J]. 中华医学超声杂志（电子版）, 2022, 19(08): 774-778.

Ying Wang, Yingge Chen, Sumin Ye, Dong Chen, Yu Liu, Zaiyi Liu, Min Liu. Ultrasound-based radiomics to predict axillary lymph node metastasis in breast cancer[J]. Chinese Journal of Medical Ultrasound (Electronic Edition), 2022, 19(08): 774-778.

目的

探讨基于常规超声的影像组学特征预测乳腺癌腋窝淋巴结转移的应用价值。

方法

回顾性收集2020年1月至2020年10月于中山大学肿瘤防治中心就诊经手术病理确诊的265例乳腺癌患者的临床资料和术前超声图像，按超声检查时间顺序，将患者分为训练集（159例）和验证集（106例）。应用ImageJ软件手动勾画病灶区域，使用Pyradiomics从每个病灶区域中提取影像组学特征，采用多种方法逐步筛选特征，应用Logistic回归构建预测乳腺癌腋窝淋巴结转移的超声影像组学标签。在训练集和验证集上采用ROC曲线、校准曲线和决策曲线评估超声影像组学标签预测乳腺癌腋窝淋巴结转移的效能。

结果

最终筛选出8个关键超声影像组学特征用于构建超声影像组学标签。该标签在训练集和验证集中预测乳腺癌腋窝淋巴结转移的ROC曲线下面积分别为0.805（95%CI：0.734~0.876）、0.793（95%CI：0.706~0.880）。在校准曲线中，该标签在训练集和验证集均表现出较好的校准度（P=0.592、0.593），决策曲线分析进一步表明了该标签具有一定的临床实用性。

结论

基于超声的影像组学标签在预测乳腺癌腋窝淋巴结转移方面具有一定价值，可为治疗前乳腺癌的准确分期以及治疗方案的合理选择提供参考依据。

关键词: 超声检查, 影像组学, 乳腺肿瘤, 腋窝淋巴结, 预测模型, 人工智能
Objective

To explore the value of a radiomics model based on ultrasound imaging in predicting the axillary lymph node status of patients with breast cancer.

Methods

A total of 265 patients with early-stage breast cancer were retrospectively analyzed, all of whom underwent preoperative breast ultrasound examination at Sun Yat-sen University Cancer Center from January 2020 to October 2020. According to the order of examination time, the patients were divided into a training group (n=159) and a validation group (n=106). ImageJ software was used to manually delineate the lesion area in the ultrasound image along the tumor boundary. Pyradiomics was used to extract 1130 features from each lesion area, and three statistical methods were used to screen the features. Finally, a logistic regression model was used to construct ultrasound imaging radiomics model. The receive operating characteristic (ROC) curve, calibration curve, and decision curve were used to evaluate the performance and value of the ultrasound imaging radiomics model in predicting axillary lymph node status.

Results

A total of eight key image features were selected to construct the ultrasound imaging radiomics model. The area under the ROC curve values of the model in the training group and the validation group were 0.805 (95% confidence interval [CI]: 0.734-0.876) and 0.793 (95% CI: 0.706-0.880), respectively. The calibration curve showed that the model had a good calibration in both the training and validation groups (P=0.592、0.593); besides, the decision curve analysis confirmed that the model had some clinical practicability.

Conclusion

Ultrasound-based imaging radiomics model is of great value in predicting the axillary lymph node status of patients with breast cancer before surgery, which could guide clinicians in the accurate staging of breast cancer and selection of appropriate therapeutic regimen.

Key words: Ultrasonography, Image omics, Breast neoplasms, Axillary lymph node, Prediction model, Artificial intelligence
图1 乳腺癌腋窝淋巴结转移患者病灶分割图像。图a为常规超声图像示乳腺原发病灶；图b为应用ImageJ软件描记肿瘤边界进行病灶分割
表1 筛选出的8个关键影像组学特征
编号 特征名称 意义
1 sym8.LH_glcm_Imc2 信息相关测度
2 db4.LH_glszm_SizeZoneNonUniformity 小波db4在LH方向上的尺寸区域不均质性
3 sym8.HH_glszm_SizeZoneNonUniformity 小波sym8在HH方向上的尺寸区域不均质性
4 coif3.HH_glszm_SizeZoneNonUniformity 小波coif3在HH方向上的尺寸区域不均质性
5 sym8.LL_glszm_SizeZoneNonUniformity 小波sym8在LL方向上的尺寸区域不均质性
6 original_glszm_SizeZoneNonUniformity 尺寸区域不均质性
7 sym8.LH_glszm_GrayLevelNonUniformity 灰度不均质性
8 sym8.LL_glrlm_RunLengthNonUniformity-Normalized 游程长度非均匀性标准化
图2 超声影像组学模型预测乳腺癌腋窝淋巴结转移的ROC曲线 注：AUC为曲线下面积
表2 超声影像组学模型的预测效能
数据集 AUC 敏感度 特异度 准确性 阳性预测值 阴性预测值
训练集 0.805 0.750 0.709 0.723 0.583 0.839
验证集 0.793 0.723 0.780 0.750 0.723 0.780
图3 超声影像组学模型对乳腺癌腋窝淋巴结转移预测概率的校准曲线
图4 超声影像组学模型预测乳腺癌腋窝淋巴结转移的决策分析曲线（在训练集和验证集中，在极大的阈值区间范围内，净获益均较2条极端曲线高） 注：图中2条极端曲线表示不干预任何患者（粗虚线），净获益为0；干预所有患者（细虚线），净获益为斜率为负值的反斜线
1
Sung H, Ferlay J, Siegel RL, 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.
2
Ehteshami Bejnordi B, Veta M, Johannes van Diest P, et al. Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer [J]. JAMA, 2017, 318(22): 2199-2210.
3
Zheng X, Yao Z, Huang Y, et al. Deep learning radiomics can predict axillary lymph node status in early-stage breast cancer [J]. Nat Commun, 2020, 11(1): 1236.
4
Huang YQ, Liang CH, He L, et al. Development and validation of a radiomics nomogram for preoperative prediction of lymph node metastasis in colorectal cancer [J]. J Clin Oncol, 2016, 34(18): 2157-2164.
5
Dong D, Fang MJ, Tang L, et al. Deep learning radiomic nomogram can predict the number of lymph node metastasis in locally advanced gastric cancer: an international multicenter study [J]. Ann Oncol, 2020, 31(7): 912-920.
6
Fujioka T, Mori M, Kubota K, et al. The utility of deep learning in breast ultrasonic imaging: a review [J]. Diagnostics (Basel), 2020, 10(12): 1055.
7
Quiaoit K, DiCenzo D, Fatima K, et al. Quantitative ultrasound radiomics for therapy response monitoring in patients with locally advanced breast cancer: Multi-institutional study results [J]. PLoS One, 2020, 15(7): e0236182.
8
Mao B, Ma J, Duan S, et al. Preoperative classification of primary and metastatic liver cancer via machine learning-based ultrasound radiomics [J]. Eur Radiol, 2021, 31(7): 4576-4586.
9
Yu J, Deng Y, Liu T, et al. Lymph node metastasis prediction of papillary thyroid carcinoma based on transfer learning radiomics [J]. Nat Commun, 2020, 11(1): 4807.
10
金华, 罗伟权, 纪宗萍, 等. 乳腺癌超声影像组学图像特征Logistic回归方程预测腋窝淋巴结转移风险 [J]. 中国超声医学杂志, 2021, 37(2): 139-142.
11
Zhou LQ, Wu XL, Huang SY, et al. Lymph node metastasis prediction from primary breast cancer US images using deep learning [J]. Radiology, 2020, 294(1): 19-28.
12
谭红娜, 武明辉, 周晶, 等. 乳腺X线影像组学方法预测乳腺癌腋窝淋巴结转移的价值 [J]. 中华放射学杂志, 2020, 9(54): 859-863.
[1] 魏淑婕, 惠品晶, 丁亚芳, 张白, 颜燕红, 周鹏, 黄亚波. 单侧颈内动脉闭塞患者行颞浅动脉-大脑中动脉搭桥术的脑血流动力学评估[J]. 中华医学超声杂志（电子版）, 2023, 20(10): 1046-1055.
[2] 张璇, 马宇童, 苗玉倩, 张云, 吴士文, 党晓楚, 陈颖颖, 钟兆明, 王雪娟, 胡淼, 孙岩峰, 马秀珠, 吕发勤, 寇海燕. 超声对Duchenne肌营养不良儿童膈肌功能的评价[J]. 中华医学超声杂志（电子版）, 2023, 20(10): 1068-1073.
[3] 张茜, 陈佳慧, 高雪萌, 赵傲雪, 黄瑛. 基于高帧频超声造影的影像组学特征鉴别诊断甲状腺结节良恶性的价值[J]. 中华医学超声杂志（电子版）, 2023, 20(09): 895-903.
[4] 朱连华, 费翔, 韩鹏, 姜波, 李楠, 罗渝昆. 高帧频超声造影在胆囊息肉样病变中的鉴别诊断价值[J]. 中华医学超声杂志（电子版）, 2023, 20(09): 904-910.
[5] 张梅芳, 谭莹, 朱巧珍, 温昕, 袁鹰, 秦越, 郭洪波, 侯伶秀, 黄文兰, 彭桂艳, 李胜利. 早孕期胎儿头臀长正中矢状切面超声图像的人工智能质控研究[J]. 中华医学超声杂志（电子版）, 2023, 20(09): 945-950.
[6] 陈舜, 薛恩生, 叶琴. PDCA在持续改进超声危急值管理制度中的价值[J]. 中华医学超声杂志（电子版）, 2023, 20(09): 974-978.
[7] 周钰菡, 肖欢, 唐毅, 杨春江, 周娟, 朱丽容, 徐娟, 牟芳婷. 超声对儿童髋关节暂时性滑膜炎的诊断价值[J]. 中华医学超声杂志（电子版）, 2023, 20(08): 795-800.
[8] 刘欢颜, 华扬, 贾凌云, 赵新宇, 刘蓓蓓. 颈内动脉闭塞病变管腔结构和血流动力学特征分析[J]. 中华医学超声杂志（电子版）, 2023, 20(08): 809-815.
[9] 郏亚平, 曾书娥. 含鳞状细胞癌成分的乳腺化生性癌的超声与病理特征分析[J]. 中华医学超声杂志（电子版）, 2023, 20(08): 844-848.
[10] 张丽丽, 陈莉, 余美琴, 聂小艳, 王婧玲, 刘婷. PDCA循环法在超声浅表器官亚专科建设中的应用[J]. 中华医学超声杂志（电子版）, 2023, 20(07): 717-721.
[11] 罗刚, 泮思林, 陈涛涛, 许茜, 纪志娴, 王思宝, 孙玲玉. 超声心动图在胎儿心脏介入治疗室间隔完整的肺动脉闭锁中的应用[J]. 中华医学超声杂志（电子版）, 2023, 20(06): 605-609.
[12] 黄佳, 石华, 张玉国, 胡佳琪, 陈茜. 胎儿左头臂静脉正常与异常超声图像特征及其临床意义[J]. 中华医学超声杂志（电子版）, 2023, 20(06): 610-617.
[13] 袁泽, 庄丽. 超声检测胎儿脐动脉和大脑中动脉血流对胎儿宫内窘迫的诊断价值[J]. 中华医学超声杂志（电子版）, 2023, 20(06): 618-621.
[14] 蒋佳纯, 王晓冰, 陈培荣, 许世豪. 血清学指标联合常规超声及超声造影评分诊断原发性干燥综合征的临床价值[J]. 中华医学超声杂志（电子版）, 2023, 20(06): 622-630.
[15] 唐旭, 韩冰, 刘威, 陈茹星. 结直肠癌根治术后隐匿性肝转移危险因素分析及预测模型构建[J]. 中华普外科手术学杂志(电子版), 2024, 18(01): 16-20.
阅读次数
全文


摘要

版权所有 中华医学会 中华医学电子音像出版社有限责任公司  京ICP备14006079号-1  网络出版服务许可证：(署)网出证(京)字第075号