摘" " 要" " 目的" " 探討基于超聲影像組學(xué)特征構(gòu)建的聯(lián)合模型對1期三陰性乳腺癌（TNBC）與纖維腺瘤的鑒別診斷價值。方法" " 選取我院經(jīng)病理確診的乳腺病變患者340例，包括1期TNBC患者133例（TNBC組）和纖維腺瘤患者207例（纖維腺瘤組），再將數(shù)據(jù)集以7∶3比例隨機分為訓(xùn)練集（238例）和驗證集（102例）。比較TNBC組與纖維腺瘤組常規(guī)超聲檢查結(jié)果的差異，采用多因素Logistic回歸分析篩選鑒別1期TNBC與纖維腺瘤的獨立影響因素?；谟?xùn)練集數(shù)據(jù)，使用3D-slicer軟件的Radiomics擴展包提取超聲影像組學(xué)特征，通過最小絕對收縮和選擇算子和Logistic回歸篩選最優(yōu)特征，計算影像組學(xué)評分（Radscore）。分別構(gòu)建臨床模型、超聲影像組學(xué)模型及聯(lián)合模型，繪制受試者工作特征（ROC）曲線評估各模型對1期TNBC與纖維腺瘤的鑒別診斷效能。結(jié)果" " TNBC組與纖維腺瘤組BI-RADS分類、縱橫比、后方回聲、鈣化、形態(tài)、Adler血流分級比較差異均有統(tǒng)計學(xué)意義（均Plt;0.05）。多因素Logistic回歸分析顯示，BI-RADS分類為鑒別1期TNBC與纖維腺瘤的獨立危險因素（OR=1.22，P=0.002）。共提取851個超聲影像組學(xué)特征，在對數(shù)據(jù)集進行標(biāo)準(zhǔn)化和歸一化后，最終篩選獲得12個最優(yōu)特征，計算獲得訓(xùn)練集中TNBC組和纖維腺瘤組Radscore分別為（-4.31±0.55）分、（3.75±0.75）分；驗證集中TNBC組和纖維腺瘤組Radscore分別為（-4.24±0.32）分、（2.94±0.68）分，兩組比較差異均有統(tǒng)計學(xué)意義（均Plt;0.05）。由于年齡在鑒別乳腺腫瘤良惡性中具有重要的參考價值，故本研究納入年齡、BI-RADS分類構(gòu)建臨床模型，納入年齡、BI-RADS分類、Radscore構(gòu)建聯(lián)合模型。ROC曲線分析顯示，臨床模型、超聲影像組學(xué)模型、聯(lián)合模型鑒別診斷訓(xùn)練集和驗證集中1期TNBC與纖維腺瘤的曲線下面積分別為0.954、0.837、0.983和0.881、0.815、0.942，以聯(lián)合模型的曲線下面積最高，與其他模型比較差異均有統(tǒng)計學(xué)意義（均Plt;0.05）。結(jié)論" " 基于年齡、BI-RADS分類、超聲影像組學(xué)特征構(gòu)建的聯(lián)合模型對1期TNBC與纖維腺瘤具有良好的鑒別診斷價值。

關(guān)鍵詞" " 超聲檢查；影像組學(xué)；三陰性乳腺癌；纖維腺瘤；鑒別診斷

［中圖法分類號］R445.1；R737.9" " " ［文獻標(biāo)識碼］A

Clinical value of a combined model based on ultrasound radiomics features in

differentiating stage 1 triple negative breast cancer from fibroadenoma

FU Qihuan，YAN Yulian，KONG Yiting，YU Shuqi，LIU Rong

Department of Ultrasound，the First Clinical Medical College of China Three Gorges University，Yichang Central People’s Hospital，Yichang 443000，China

ABSTRACT" " Objective" " To investigate the diagnostic value of a combined model based on ultrasound radiomics features in differentiating stage 1 triple negative breast cancer（TNBC） from fibroadenoma.Methods" " A total of 340 patients with pathologically confirmed breast lesions in our hospital were selected，including 133 patients with stage 1 TNBC（TNBC group） and 207 patients with fibladenoma（fibladenoma group）.The data set was randomly divided into a training set（238 cases） and a validation set（102 cases） in a ratio of 7∶3.The differences of conventional ultrasound examination between the TNBC group and the fibladenoma group were compared，and multivariate Logistic regression analysis was used to screen independent influencing factors for differentiating stage 1 TNBC from fibroadenoma.The Radiomics extension package of 3D-slicer software was used to extract the ultrasound radiomics features，the minimum absolute contraction and selection operator and Logistic regression were used to screen the optimal features，the Radscore was caculated.The clinical model，ultrasound radiomics model and combined model were constructed，and receiver operating characteristic（ROC） curve was drawn to evaluate the differential diagnostic efficacy of stage 1 TNBC and fibroadenoma.Results" " There were gignificant differences in BI-RADS classification，aspect ratio，posterior echo，calcification，morphology and Adler blood flow grading between the TNBC group and the fibroadenoma group（all Plt;0.05）.Multivariate Logistic regression analysis showed that BI-RADS classification was independent risk factors for differentiating stage 1 TNBC from fibroadenoma（OR=1.22，P=0.002）.Totally，851 ultrasound radiomics features were extracted.Following the normalisation of the data set，a total of 12 optimal features were ultimately selected.The Radscore of the TNBC group and fibroadenoma group in training set were （-4.31±0.55）points and （3.75±0.75）points，respectively.The Radscore of the TNBC group and fibronenoma group were in verification set were （-4.24±0.32）points and （2.94±0.68） points，respectively.The differences were statistically significant（all Plt;0.05）.Since age has an important reference value in differentiating benign from malignant breast tumors，age and BI-RADS classification were included in this study to construct a clinical model，age，BI-RADS classification and Radscore were included" to construct a combined model.ROC curve analysis showed that the area under the curve of clinical model，ultrasound radiomics model，combined model for differential diagnosing stage 1 TNBC and fibroadenoma in training set and validation set were 0.954，0.837，0.983 and 0.881，0.815，0.942，respectively.The combined model exhibited the highest area under the curve，and the differences were statistically significant compared with other models （all Plt;0.05）.Conclusion" " The combined model based on age，BI-RADS and ultrasound radiomics features has a good value in the differential diagnosis of stage 1 TNBC and fibroadenoma.

KEY WORDS" " Ultrasonography；Radiomics；Triple negative breast cancer；Fibroadenoma；Differential diagnosis

三陰性乳腺癌（triple negative breast cancer，TNBC）被認(rèn)為是最具侵襲性的乳腺癌類型，其特征在于雌激素受體、孕激素受體及人表皮生長因子受體-2表達(dá)均呈陰性，約占新診斷乳腺癌的10%［1］。與其他分子亞型相比，TNBC更具惡性生物學(xué)行為，且TNBC常表現(xiàn)為無鈣化，因此在乳腺鉬靶檢查中的診斷準(zhǔn)確率相對較低，約18%的TNBC在最初的鉬靶檢查中可能被漏診。乳腺超聲篩查有助于識別高?；颊?，但受超聲醫(yī)師經(jīng)驗及水平的影響，判別體積較小的乳腺腫瘤時可能存在一定難度。TNBC的MRI征象包括腫瘤增強、T2高信號、邊緣光滑及邊緣增強，但亦可呈良性表現(xiàn)如腫瘤呈橢圓形或圓形、邊界清晰、后方回聲增強等［2］，易導(dǎo)致假陰性結(jié)果。影像組學(xué)是一種新興的診斷方法，其可從影像圖像中獲取肉眼難以識別的特征用于疾病診斷、治療反應(yīng)評估和預(yù)后預(yù)測。Hong等［3］研究聯(lián)合影像組學(xué)評分（Radscore）和BI-RADS分類構(gòu)建列線圖模型，發(fā)現(xiàn)其在鑒別BI-RADS 4、5類乳腺腫瘤良惡性中有一定的臨床價值。既往研究［4］也證實基于超聲圖像的紋理特征分析在鑒別早期浸潤性乳腺癌良惡性方面具有潛在的診斷性能。臨床中將1期TNBC定義為腫瘤最大徑lt;2.0 cm、癌細(xì)胞未出現(xiàn)轉(zhuǎn)移的TNBC。本研究旨在探討基于超聲影像組學(xué)特征構(gòu)建的聯(lián)合模型對1期TNBC與纖維腺瘤的鑒別診斷價值。

資料與方法

一、研究對象

選取2020年2月至2023年11月我院收治的女性乳腺病變患者340例，包括1期TNBC患者133例（TNBC組）和纖維腺瘤患者207例（纖維腺瘤組）。TNBC組年齡35～75歲，平均（53.2±12.1）歲，腫瘤最大徑0.5～1.6 cm，平均（1.49±0.40）cm，其中行保乳手術(shù)121例，改良根治術(shù)12例；纖維腺瘤組年齡22～56歲，平均（39.5±10.0）歲，腫瘤最大徑0.6～1.9 cm，平均（1.31±0.40）cm。以7∶3比例隨機分為訓(xùn)練集（238例，TNBC組89例，纖維腺瘤組149例）和驗證集（102例，TNBC組44例，纖維腺瘤組58例）。納入標(biāo)準(zhǔn)：①均行手術(shù)治療，并經(jīng)術(shù)后病理確診；②腫瘤最大徑均lt;2.0 cm；③臨床及影像檢查資料完整；④TNBC組患者未接受過抗癌治療（化療、放療或內(nèi)分泌治療）。排除標(biāo)準(zhǔn)：①病理結(jié)果不明確；②有腋窩淋巴結(jié)及遠(yuǎn)處轉(zhuǎn)移；③靶病灶在超聲圖像中不完全可見；④病理提示有彌漫性廣泛導(dǎo)管內(nèi)成分。本研究經(jīng)我院醫(yī)學(xué)倫理委員會批準(zhǔn)，為回顧性研究故免除患者知情同意。

二、儀器與方法

1.超聲檢查：使用邁瑞Resona 9S彩色多普勒超聲診斷儀，L11-3U探頭，頻率3～11 MHz?；颊呷⊙雠P位，調(diào)整成像參數(shù)使目標(biāo)腫瘤得到最佳可視化，記錄腫瘤最大徑、縱橫比、內(nèi)部回聲類型、后方回聲、鈣化、邊界、形態(tài)、血流情況（Adler血流分級），并進行BI-RADS分類，留存腫瘤最大徑切面的灰階超聲圖像。以上操作均由2名經(jīng)驗豐富的超聲醫(yī)師完成，所有參數(shù)均重復(fù)測量3次取平均值。對于多發(fā)乳腺腫瘤患者，本研究僅納入BI-RADS分類最高者進行分析，以保證每次觀察的統(tǒng)計獨立性。

2.特征提取、篩選及超聲影像組學(xué)模型構(gòu)建：將留存的灰階超聲圖像以DICOM格式導(dǎo)入3D-slicer軟件進行影像組學(xué)分析。由兩名經(jīng)驗豐富的超聲醫(yī)師沿乳腺腫瘤邊緣手動勾畫感興趣區(qū)，使其盡可能包括整個病灶（圖1），應(yīng)用“Radiomics”開源擴展包提取影像組學(xué)特征，包括腫瘤的形態(tài)特征、一階直方圖特征、二階紋理特征等。采用Spearman相關(guān)分析法評估兩名超聲醫(yī)師分割特征的相關(guān)性，確保所選特征的穩(wěn)定性，rgt;0.80則被認(rèn)定為特征穩(wěn)定。采用最大相關(guān)性最小冗余算法優(yōu)化特征選擇，以減少特征間的冗余；采用最小絕對收縮和選擇算子（LASSO）算法和十折交叉驗證法，通過調(diào)整懲罰參數(shù)（λ）篩選出最優(yōu)特征。再分別通過其系數(shù)加權(quán)計算Radscore，并以此作為超聲影像組學(xué)模型。

三、統(tǒng)計學(xué)處理

應(yīng)用SPSS 24.0統(tǒng)計軟件，計量資料以x±s表示，采用t檢驗；計數(shù)資料以例或率表示，采用χ2檢驗。應(yīng)用R 4.2.2語言進行影像組學(xué)分析及模型構(gòu)建。采用多因素Logistic回歸分析篩選鑒別1期TNBC與纖維腺瘤的獨立影響因素。由于既往研究［4-9］認(rèn)為年齡在鑒別乳腺腫瘤良惡性中具有重要的參考價值，故本研究也將年齡納入多因素Logistic回歸并構(gòu)建臨床模型，基于上述獨立影響因素及Radsore構(gòu)建聯(lián)合模型。繪制受試者工作特征（ROC）曲線評估各模型對1期TNBC與纖維腺瘤的鑒別診斷效能，曲線下面積（AUC）比較采用Delong檢驗；校準(zhǔn)曲線評估模型預(yù)測概率與實際概率的一致性。Plt;0.05為差異有統(tǒng)計學(xué)意義。

結(jié)" 果

一、TNBC組與纖維腺瘤組超聲檢查結(jié)果比較

TNBC組與纖維腺瘤組縱橫比、后方回聲、鈣化、形態(tài)、Adler血流分級及BI-RADS分類比較差異均有統(tǒng)計學(xué)意義（均Plt;0.05）；最大徑、內(nèi)部回聲類型、邊界比較差異均無統(tǒng)計學(xué)意義。見表1。

二、多因素Logistic回歸分析及臨床模型構(gòu)建

多因素Logistic回歸分析顯示，年齡、BI-RADS分類均為鑒別1期TNBC與纖維腺瘤的獨立危險因素（OR=1.05、1.22，P=0.024、0.002）。以此構(gòu)建臨床模型，方程式為：Logit（P）=-2.197+1.058×年齡+1.257×BI-RADS分類。

三、超聲影像組學(xué)特征篩選及模型構(gòu)建

基于訓(xùn)練集數(shù)據(jù)，每張圖像均提取了851個超聲影像組學(xué)特征。經(jīng)LASSO回歸和十折交叉驗證法篩選，最終獲得12個系數(shù)非零的特征。見圖2和表2。訓(xùn)練集中TNBC組和纖維腺瘤組Radscore分別為（-4.31±0.55）分、（3.75±0.75）分；驗證集中TNBC組和纖維腺瘤組Radscore分別為（-4.24±0.32）分、（2.94±0.68）分，兩組比較差異均有統(tǒng)計學(xué)意義（均Plt;0.05）。

四、聯(lián)合模型構(gòu)建

納入Radscore、年齡及BI-RADS分類構(gòu)建聯(lián)合模型，方程式為：Logit（P）=-6.718+2.564×年齡+3.256×BI-RADS分類-4.342×Radscore。

五、模型的診斷效能及驗證

ROC曲線分析顯示，臨床模型鑒別診斷訓(xùn)練集和驗證集中1期TNBC與纖維腺瘤的AUC分別為0.837、0.815；超聲影像組學(xué)模型鑒別訓(xùn)練集和驗證集中1期TNBC與纖維腺瘤的AUC分別為0.954、0.881；聯(lián)合模型鑒別訓(xùn)練集和驗證集中1期TNBC與纖維腺瘤的AUC分別為0.983、0.942，均高于臨床模型和超聲影像組學(xué)模型的AUC，差異均有統(tǒng)計學(xué)意義（均Plt;0.05）。見圖3和表3。校準(zhǔn)曲線分析顯示，聯(lián)合模型預(yù)測概率與實際概率具有良好的一致性。見圖4。

討" 論

乳腺癌是我國女性最常見的癌癥類型，占新診斷癌癥病例的16.72%［9］。2023年美國癌癥統(tǒng)計報告［10］顯示乳腺癌發(fā)病率居所有癌癥首位。由于1期TNBC腫瘤體積較小，常規(guī)超聲檢查中肉眼難以分辨其良惡性圖像特征，術(shù)前準(zhǔn)確診斷較為困難。超聲影像組學(xué)可從超聲圖像中提取肉眼無法識別的高通量信息，將影像圖像轉(zhuǎn)化為具有高分辨率、可挖掘的定量數(shù)據(jù)。本研究旨在探討基于超聲影像組學(xué)特征構(gòu)建的聯(lián)合模型對1期TNBC與纖維腺瘤的鑒別診斷價值。

本研究結(jié)果顯示，TNBC組與纖維腺瘤組縱橫比、后方回聲、鈣化、形態(tài)、Adler血流分級及BI-RADS分類比較差異均有統(tǒng)計學(xué)意義（均Plt;0.05），與既往研究［11-14］結(jié)果相符，提示在臨床工作中當(dāng)發(fā)現(xiàn)乳腺腫瘤縱橫比gt;1、后方回聲增強、內(nèi)部有鈣化、形態(tài)不規(guī)則、血流豐富、BI-RADS分類4A及以上時，需警惕惡性病變的可能。Young等［15］研究顯示，TNBC較纖維腺瘤更多表現(xiàn)為內(nèi)部低回聲，但本研究中大部分TNBC（81/133，60.9%）和纖維腺瘤（143/207，69.1%）均表現(xiàn)為內(nèi)部低回聲，兩組比較差異無統(tǒng)計學(xué)意義。這一結(jié)果可以歸因于TNBC的高度去分化特性和易形成壞死性囊腫，超聲表現(xiàn)多為低回聲［16］；纖維腺瘤由腺上皮和纖維組織構(gòu)成，較少出現(xiàn)細(xì)胞壞死或囊性病灶，一般情況下其內(nèi)部回聲較TNBC更高，但當(dāng)病灶體積較小時TNBC與纖維腺瘤的內(nèi)部回聲從肉眼觀察難以準(zhǔn)確分辨。Du等［4］研究顯示，患者年齡、BI-RADS分類及Radscore均為鑒別TNBC與纖維腺瘤的獨立預(yù)測因子，且BI-RADS 4B類及以上的TNBC患者（56例）占比明顯多于纖維腺瘤患者（27例），差異有統(tǒng)計學(xué)意義（Plt;0.01）。本研究中13.0%（27/207）的纖維腺瘤患者和38.3%（51/133）的TNBC患者被歸為BI-RADS 4B類及以上，且二者年齡分別為（39.5±10.0）歲、（53.2±12.1）歲，兩組BI-RADS分類、年齡比較差異均有統(tǒng)計學(xué)意義（均Plt;0.01）。由于大量研究［4-9］認(rèn)為年齡在鑒別乳腺腫瘤良惡性中具有重要的參考價值，故本研究也將年齡納入多因素Logistic回歸，結(jié)果顯示年齡、BI-RADS分類均為鑒別1期TNBC與纖維腺瘤的獨立危險因素（OR=1.05、1.22，P=0.024、0.002），由此構(gòu)建的臨床模型在鑒別1期TNBC與纖維腺瘤中具有良好的診斷效能，其在訓(xùn)練集和驗證集的AUC分別為0.837、0.815，提示在臨床實踐中，患者年齡和BI-RADS分類可以作為鑒別纖維腺瘤與1期TNBC的有效參數(shù)。

既往［17-18］研究顯示，紋理分析在基于超聲形態(tài)學(xué)特征的臨床診斷、區(qū)分病變良惡性和乳腺癌亞型、評估新輔助化療療效及預(yù)測無病生存期［14］等方面均表現(xiàn)良好，充分證實了影像組學(xué)在臨床診治中的重要作用。Lee等［19］研究納入了715 例纖維腺瘤和186例TNBC患者的圖像資料，使用懲罰邏輯回歸和LASSO算法從730個影像組學(xué)特征中最終篩選出26個特征并建立模型，且該模型鑒別纖維腺瘤與TNBC的AUC為0.838，但該研究并未對患者的超聲圖像特征及臨床信息進行分析。此外，Moon等［20］應(yīng)用基于計算機輔助診斷的超聲紋理特征鑒別診斷TNBC與纖維腺瘤，結(jié)果顯示其AUC為0.840，但該研究僅納入了169例患者，其模型的重復(fù)性和魯棒性可能并不理想。本研究從238例乳腺病變患者的超聲圖像中提取影像組學(xué)特征，并對其進行標(biāo)準(zhǔn)化和歸一化處理，經(jīng)特征降維后最終篩選出12個系數(shù)非零的最優(yōu)特征，通過計算獲得訓(xùn)練集和驗證集中TNBC組、纖維腺瘤組在Radscore分別為（-4.31±0.55）分、（3.75±0.75）分和（-4.24±0.32）分、（2.94±0.68）分，兩組比較差異均有統(tǒng)計學(xué)意義（均Plt;0.05），與研究［4，19-20］結(jié)果相似，表明Radscore可作為預(yù)測TNBC和纖維腺瘤的獨立生物標(biāo)志物，對于指導(dǎo)臨床實踐和提高診治水平具有重要的意義。本研究ROC曲線分析顯示，超聲影像組學(xué)模型鑒別訓(xùn)練集和驗證集中1期TNBC與纖維腺瘤的AUC分別為0.954和0.881，表明超聲影像組學(xué)特征在鑒別1期TNBC與纖維腺瘤方面亦具有較高的診斷價值。本研究進一步納入年齡、BI-RADS分類、Radscore構(gòu)建了聯(lián)合模型，ROC曲線分析顯示其鑒別訓(xùn)練集和驗證集中1期TNBC與纖維腺瘤的AUC分別為0.983、0.942，均高于臨床模型和超聲影像組學(xué)模型的AUC，差異均有統(tǒng)計學(xué)意義（均Plt;0.05）；校準(zhǔn)曲線分析顯示聯(lián)合模型在訓(xùn)練集和驗證集的預(yù)測概率與實際概率具有良好的一致性。由此可見，聯(lián)合模型在鑒別1期TNBC與纖維腺瘤中具有最優(yōu)的診斷效能。

本研究的局限性：①為單中心、回顧性研究；②納入患者非連續(xù)病例且樣本量相對較小，可能存在選擇偏倚；③提取超聲影像組學(xué)特征時于腫瘤最大徑切面手動勾畫ROI，可能無法完全準(zhǔn)確地反映整個腫瘤的特征。今后需行多中心的前瞻性研究進一步驗證。

綜上所述，基于超聲影像組學(xué)特征、年齡、BI-RADS分類構(gòu)建的聯(lián)合模型對1期TNBC與纖維腺瘤具有良好的鑒別診斷效能，對于指導(dǎo)臨床醫(yī)師制定治療方案具有重要的意義。

參考文獻

［1］ Karim AM，Kwon JE，Ali T，et al.Triple-negative breast cancer：epidemiology，molecular mechanisms，and modern vaccine-based treatment strategies［J］.Biochem Pharmacol，2023，212：115545.

［2］ Ohashi A，Kataoka M，Iima M，et al.A multiparametric approach to predict triple-negative breast cancer including parameters derived from ultrafast dynamic contrast-enhanced MRI［J］.Eur Radiol，2023，33（11）：8132-8141.

［3］ Hong ZL，Chen S，Peng XR，et al.Nomograms for prediction of breast cancer in breast imaging reporting and data system（BI-RADS） ultrasound category 4 or 5 lesions：a single-center retrospective study based on radiomics features［J］.Front Oncol，2022，12：894476.

［4］ Du Y，Zha HL，Wang H，et al.Ultrasound-based radiomics nomogram for differentiation of triple-negative breast cancer from fibroadenoma［J］.Br J Radiol，2022，95（1133）：20210598.

［5］ Tagliafico AS，Piana M，Schenone D，et al.Overview of radiomics in breast cancer diagnosis and prognostication［J］.Breast，2020，49（2）：74-80.

［6］ Teichgraeber DC，Guirguis MS，Whitman GJ.Breast cancer staging：updates in the AJCC cancer staging manual，8th edition，and current challenges for radiologists，from the AJR special series on cancer staging［J］.Am J Roentgenol，2021，217（2）：11-13.

［7］ Candelaria RP，Spak DA，Rauch GM，et al.BI-RADS ultrasound lexicon descriptors and stromal tumor-infiltrating lymphocytes in triple-negative breast cancer［J］.Acad Radiol，2022，29（Suppl 1）：S35-S41.

［8］ Qingyu C，Jianguo X，Jun Z.Identify the triple-negative and non-triple-negative breast cancer by using texture features of medicale ultrasonic image：a STROBE-compliant study［J］.Medicine（Baltimore），2021，100（22）：e25878.

［9］ 張思維，鄭榮壽，孫可欣，等.2016年中國惡性腫瘤分地區(qū)發(fā)病和死亡估計：基于人群的腫瘤登記數(shù)據(jù)分析［J］.中國腫瘤，2023，32（5）：321-332.

［10］ Siegel RL，Miller KD，Wagle NS，et al.Cancer statistics，2023［J］.CA Cancer J Clin，2023，73（1）：17-48.

［11］ 李明，李娜，陸欣賢，等.超聲特征和幾何圓度鑒別診斷最大徑lt;2 cm三陰性乳腺癌和纖維腺瘤的價值［J］.臨床超聲醫(yī)學(xué)雜志，2021，23（3）：175-178.

［12］ Yang L，Zhang B，Ren F，et al.Rapid segmentation and diagnosis of breast tumor ultrasound images at the sonographer level using deep learning［J］.Bioengineering（Basel），2023，10（10）：1220.

［13］ Leon-Ferre RA，Goetz MP.Advances in systemic therapies for triple negative breast cancer［J］.BMJ，2023，381：e071674.

［14］ Wang H，Li X，Yuan Y，et al.Association of machine learning ultrasound radiomics and disease outcome in triple negative breast cancer［J］.Am J Cancer Res，2022，12（1）：152-164.

［15］ Young GY，Hee JC，Hee HK，et al.Sonographic features that can be used to differentiate between small triple-negative breast cancer and fibroadenoma［J］.Ultrasonography，2018，37（2）：149-156.

［16］ Li X，Zhu X，Jiang S，et al.The value of elastography strain rate ratio in benign and malignant BI-RADS-US 3-4 breast masses［J］.Biomol Biomed，2024，24（3）：625-632.

［17］ Huang Y，Zhu T，Zhang X，et al.Longitudinal MRI-based fusion novel model predicts pathological complete response in breast cancer treated with neoadjuvant chemotherapy：a multicenter，retrospective study［J］.EClinicalMedicine，2023，58：101899.

［18］ Yu FH，Miao SM，Li CY，et al.Pretreatment ultrasound-based deep learning radiomics model for the early prediction of pathologic response to neoadjuvant chemotherapy in breast cancer［J］.Eur Radiol，2023，33（8）：5634-5644.

［19］ Lee SE，Han K，Kwak JY，et al.Radiomics of US texture features in differential diagnosis between triple-negative breast cancer and fibroadenoma［J］.Sci Rep，2018，8（1）：13546.

［20］ Moon WK，Huang YS，Lo CM，et al.Computer-aided diagnosis for distinguishing between triple-negative breast cancer and fibroadenomas based on ultrasound texture features［J］.Med Phys，2015，42（6）：3024-3035.

（收稿日期：2024-03-11）

作者單位：三峽大學(xué)第一臨床醫(yī)學(xué)院 宜昌市中心人民醫(yī)院超聲科，湖北 宜昌 443000

通訊作者：劉蓉，Email：stream0917@163.com