可解释反向传播神经网络在预测前哨淋巴结1 ~ 2枚阳性乳腺癌患者腋窝淋巴结负荷中的价值

doi:10.3969/j.issn.1006-5725.2026.01.006

实用医学杂志 ›› 2026, Vol. 42 ›› Issue (1): 45-55.doi: 10.3969/j.issn.1006-5725.2026.01.006

可解释反向传播神经网络在预测前哨淋巴结1 ~ 2枚阳性乳腺癌患者腋窝淋巴结负荷中的价值

农盛¹,李湛雄²,张琪³,卢振东⁴,洪敏萍⁵,陈武标⁴,刘子霖⁴()

^1.广东医科大学附属第二医院放射影像科（广东湛江 524000 ）
^2.广东医科大学附属阳江医院放射影像科 ;广东阳江 529500
^3.南方医科大学附属第七医院医学影像科（广东深圳 518107 ）
^4.广东医科大学附属医院放射影像科（广东湛江 524000 ）
^5.嘉兴市中医医院放射影像科（浙江嘉兴 314001 ）

收稿日期:2025-09-10 出版日期:2026-01-10 发布日期:2026-01-14
通讯作者: 刘子霖 E-mail:2262830331@qq.com
基金资助:
浙江省医药卫生科技计划项目(2023KY338)

Predictive performance of an interpretable BPNN model for axillary lymph node burden in breast cancer patients with 1 ~ 2 sentinel lymph node positive

Sheng NONG¹,Zhanxiong LI²,Qi ZHANG³,Zhendong LU⁴,Minping HONG⁵,Wubiao CHEN⁴,Zilin LIU⁴()

^1.Department of Radiology，the Second Affiliated Hospital of Guangdong Medical University，Zhanjiang 524000，Guangdong，China
^2.Department of Radiology，Affiliated Yangjiang Hospital of Guangdong Medical University，Yangjiang 529500，Guangdong，China
^3.Department of Radiology，the Seventh Affiliated Hospital，Southern Medical University，Shenzhen 518107，Guangdong，China
^4.Department of Radiology，Affiliated Hospital of Guangdong Medical University，Zhanjiang 524000，Guangdong，China
^5.Department of Radiology，Jiaxing Hospital of Traditional Chinese Medicine，Jiaxing 314001，Zhejiang，China

Received:2025-09-10 Online:2026-01-10 Published:2026-01-14
Contact: Zilin LIU E-mail:2262830331@qq.com

摘要/Abstract

摘要：

目的探讨基于临床及影像学特征的反向传播神经网络模型在预测前哨淋巴结活检1 ~ 2枚阳性乳腺癌患者腋窝淋巴结负荷水平中的准确性。方法回顾性分析2021年1月至2024年12月在3家医疗机构接受腋窝淋巴结清扫的386例女性乳腺癌患者临床及影像资料。根据病理检查结果将纳入患者分为腋窝淋巴结高负荷组（n = 155）和腋窝淋巴结低负荷组（n = 231）。将中心1和中心2（广东医科大学附属医院和广东医科大学附属阳江医院）共295例患者随机分为训练集（n = 207）与验证集（n = 88），将中心3（广东医科大学附属第二医院）的患者（n = 91）作为外部验证集。在训练集上采用单因素、多因素逻辑回归筛选危险因素，并在此基础上应用逻辑回归、支持向量机、随机森林和BPNN四种算法构建风险预测模型，在内部验证集和外部验证集上评估模型的性能。结合Shapley可解释性算法对模型进行特征贡献度分析和可视化。结果单因素和多因素逻辑回归分析显示中性粒细胞-淋巴细胞比值（neutrophil-to-lymphocyte ratio，NLR）、瘤周水肿及腋窝淋巴结皮质增厚为淋巴结负荷的独立危险因素。基于BPNN算法构建的预测模型显示良好预测性能，模型的曲线下面积为0.793。Shapley可解释性分析显示瘤周水肿具有最高贡献，其次为淋巴结皮质增厚和中性粒细胞-淋巴细胞比值。结论整合临床及影像学特征的可解释BPNN模型能较准确预测腋窝淋巴结负荷水平，为乳腺癌腋窝管理和个体化治疗提供辅助决策。

关键词: 乳腺癌, 腋窝淋巴结负荷, 前哨淋巴结1 ~ 2枚阳性, 反向传播神经网络, 可解释性

Abstract:

Objective To evaluate the accuracy of a backpropagation neural network （BPNN） model incorporating clinical and imaging features in predicting axillary lymph node burden among breast cancer patients with one to two positive sentinel lymph nodes. Methods We retrospectively analyzed clinical and imaging data from 386 female breast cancer patients who underwent axillary lymph node dissection at three medical centers between January 2021 and December 2024. Based on pathological findings， patients were categorized into a high axillary lymph node burden group （n = 155） and a low burden group （n = 231）. Data from Center 1 and Center 2 （Affiliated Hospital of Guangdong Medical University and Affiliated Yangjiang Hospital of Guangdong Medical University； n = 295） were randomly divided into a training set （n = 207） and an internal validation set （n = 88）， while data from Center 3 （Second Affiliated Hospital of Guangdong Medical University； n=91） served as the external validation cohort. Univariate and multivariate logistic regression analyses were conducted in the training cohort to identify independent risk factors. Four machine learning algorithms， including logistic regression， support vector machine （SVM）， random forest and BPNN were then used to construct predictive models， which were subsequently evaluated in the internal and external validation cohorts. The Shapley additive explanation （SHAP） method was applied to assess and visualize feature importance. Results Univariate and multivariate logistic regression analyses identified the neutrophil-to-lymphocyte ratio （NLR）， peritumoral edema， and axillary lymph node cortical thickening as independent predictors of nodal burden. The BPNN-based model demonstrated superior predictive performance， achieving an area under the receiver operating characteristic curve （AUC） of 0.793. SHAP analysis revealed that peritumoral edema contributed most significantly to model predictions， followed by lymph node cortical thickening and NLR. Conclusions An interpretable BPNN model integrating clinical and imaging characteristics provides reliable prediction of axillary lymph node burden in breast cancer patients. This approach offers valuable support for axillary management and personalized treatment planning.

Key words: breast cancer, axillary lymph node burden, 1 ~ 2 sentinel lymph node positivity, back propagation neural network, interpretability

中图分类号:

R445.2

农盛,李湛雄,张琪,卢振东,洪敏萍,陈武标,刘子霖. 可解释反向传播神经网络在预测前哨淋巴结1 ~ 2枚阳性乳腺癌患者腋窝淋巴结负荷中的价值[J]. 实用医学杂志, 2026, 42(1): 45-55.

Sheng NONG,Zhanxiong LI,Qi ZHANG,Zhendong LU,Minping HONG,Wubiao CHEN,Zilin LIU. Predictive performance of an interpretable BPNN model for axillary lymph node burden in breast cancer patients with 1 ~ 2 sentinel lymph node positive[J]. The Journal of Practical Medicine, 2026, 42(1): 45-55.

图/表 9

图1

表1

表2

患者基线表 (例)"

临床影像特征	水平	训练集（n = 207）				内部验证集（n = 88）				外部验证集（n = 91）
临床影像特征	水平	腋窝淋巴结低负荷（n = 118）	腋窝淋巴结高负荷（n = 89）	χ²/t/ Z值	P值	腋窝淋巴结低负荷（n = 50）	腋窝淋巴结高负荷（n = 38）	χ²/t/ Z值	P值	腋窝淋巴结低负荷（n = 63）	腋窝淋巴结高负荷（n = 28）	χ²/t/ Z值	P值
绝经状态	无	26	14	0.920	0.337	10	6	0.257	0.612	7	1	0.595	0.441
	有	92	75			40	32			56	27
HER-2	阴性	58	53	1.807	0.179	23	25	3.410	0.065	46	24	1.761	0.185
	阳性	60	36			27	13			17	4
ER	阴性	25	20	0.003	0.959	9	14	3.971	0.046	19	9	0.036	0.85
	阳性	93	69			41	24			44	19
PR	阴性	37	23	0.505	0.477	12	19	6.397	0.011	24	14	1.13	0.288
	阳性	81	66			38	19			39	14
Ki-67	< 14%	30	34	3.304	0.069	11	10	0.221	0.638	18	3	3.482	0.062
	≥ 14%	88	55			39	28			45	25
肿瘤数量	单发	98	60	6.026	0.014	42	28	1.412	0.235	48	24	1.064	0.302
	多发	20	29			8	10			15	4
肿瘤形态	规则	54	30	2.578	0.108	20	17	0.199	0.656	14	4	0.769	0.380
	不规则	64	59			30	21			49	24
强化模式	肿块型	92	60	2.379	0.123	43	30	0.759	0.383	51	22	0.069	0.792
	非肿块型	26	29			7	8			12	6
强化特点	均匀	49	44	0.984	0.321	22	18	0.099	0.753	30	15	0.275	0.6
	不均匀	69	45			28	20			33	13
TIC曲线	流入/平台型	55	29	3.578	0.059	25	13	2.194	0.139	27	13	0.1	0.751
	流出型	63	60			25	25			36	15
毛刺征	无	81	50	2.877	0.090	31	21	0.405	0.524	46	9	11.889	<0.001
	有	37	39			19	17			17	19
BPE	无或轻微强化	36	33	2.464	0.482	12	14	2.295	0.513	19	7	4.333	0.228
	中度强化	23	21			12	9			10	7
	显著强化	28	18			13	6			17	11
	极度显著强化	31	17			13	9			17	3
乳腺腺体类型	脂肪型	11	4	2.598	0.458	4	5	2.793	0.425	6	1	3.032	0.388
	少腺体型	36	34			21	10			23	12
	多腺体型	44	32			16	13			23	13
	致密型	27	19			9	10			11	2
瘤周水肿评分	BES评分1 ~ 2	90	35	27.425	< 0.001	40	21	6.212	0.013	38	12	2.387	0.122
	BES评分3 ~ 4	28	54			10	17			25	16
肿瘤最大径	< 2 cm	41	13	9.653	0.002	18	9	1.540	0.215	23	3	6.319	0.012
	≥ 2 cm	77	76			32	29			40	25
NLR	< 3	91	30	37.602	< 0.001	34	5	24.140	< 0.001	35	28	15.949	< 0.001
	≥ 3	27	59			16	33			28	0
腋窝淋巴结皮质增厚	无	90	19	59.206	< 0.001	39	9	23.547	< 0.001	52	10	17.478	< 0.001
	有	28	70			11	29			11	18
腋窝淋巴结短径［M（P₂₅，P₇₅）］/mm		6.25 （4.43， 7.88）	7.60 （5.40， 11.30）	-3.181	0.001	5.00（3.80， 7.47）	11.30 （10.30， 12.80）	-4.44	< 0.001	6.50 （6.00， 7.00）	7.90 （6.77， 8.20）	-4.48	< 0.001
年龄（ $x ˉ ± s$ ）/岁		48.18 ± 10.92	50.15 ± 9.47	-1.358	0.176	49.44 ± 12.35	48.42 ± 10.06	0.415	0.679	54.40 ± 9.81	53.04 ± 8.09	0.880	0.381
ADC ［M（P₂₅，P₇₅）］/ （×10^-3mm²/s）		829.00 （723.00， 906.00）	812.00 （727.00， 912.00）	-0.497	0.620	828.00 （734.00， 960.00）	798.00 （722.00， 920.00）	-0.518	0.604	832.00 （591.50， 1110.50）	872.50 （752.25， 1098.50）	-1.803	0.279
CA-153 ［M（P₂₅，P₇₅）］		54.55 （12.67， 114.42）	18.80 （10.00， 85.70）	-2.064	0.039	45.80 （13.40， 114.30）	33.45 （12.52， 118.05）	-0.514	0.607	42.00 （23.30， 59.15）	72.90（50.55， 91.90）	-3.577	< 0.001

表2

表3

表4

表5

图2

图3

表6

参考文献 29

[1]	陈基明，朱浩雨，高静，等. 基于临床病理及常规和功能MRI影像组学模型预测乳腺癌腋窝淋巴结转移［J］. 中国医学影像技术， 2021， 37（6）： 885-890.doi： 10.13929/j.issn.1003-3289. 2021.06.022 . doi: 10.13929/j.issn.1003-3289. 2021.06.022
[2]	CHANG J M， LEUNG J W T， MOY L， et al. Axillary Nodal Evaluation in Breast Cancer： State of the Art［J］. Radiology， 2020， 295（3）：500-515. doi： 10.1148/radiol.2020192534 . doi: 10.1148/radiol.2020192534
[3]	WU T， LONG Q， ZENG L， et al. Axillary lymph node metastasis in breast cancer： From historical axillary surgery to updated advances in the preoperative diagnosis and axillary management［J］. BMC Surg， 2025， 25（1）：81. doi： 10.1186/s12893-025-02802-2 . doi: 10.1186/s12893-025-02802-2
[4]	丘海，归奕飞，刘媛. 术前腋窝超声正常的临床T1—2 N0乳腺癌患者发生前哨淋巴结转移的预测模型［J］. 实用医学杂志，2025，41（14）：2143-2151. doi： 10.3969/j.issn.1006-5725. 2025. 14.004 . doi: 10.3969/j.issn.1006-5725. 2025. 14.004
[5]	GIULIANO A E， BALLMAN K V， MCCALL L， et al. Effect of Axillary Dissection vs No Axillary Dissection on 10-Year Overall Survival Among Women With Invasive Breast Cancer and Sentinel Node Metastasis： The ACOSOG Z0011 （Alliance） Randomized Clinical Trial［J］. JAMA， 2017， 318（10）：918-926. doi： 10.1001/jama.2017.11470 . doi: 10.1001/jama.2017.11470
[6]	逯永晋，石志强，李彤，等. 乳腺癌前哨淋巴结阳性豁免腋窝清扫后区域淋巴结放疗的回顾性研究［J］. 中国癌症杂志， 2025， 35（2）： 228-236. doi： 10.19401/j.cnki.1007-3639.2025.02.010 . doi: 10.19401/j.cnki.1007-3639.2025.02.010
[7]	WEKKING D， PORCU M， DE SILVA P， et al. Breast MRI： Clinical Indications， Recommendations， and Future Applications in Breast Cancer Diagnosis［J］. Curr Oncol Rep， 2023， 25（4）： 257-267. doi： 10.1007/s11912-023-01372-x . doi: 10.1007/s11912-023-01372-x
[8]	CASTELLOTE-HUGUET P， RUIZ-ESPANA S， GALAN-AUGE C， et al. Breast Cancer Diagnosis Using Texture and Shape Features in MRI［J］. Annu Int Conf IEEE Eng Med Biol Soc， 2023， 2023：1-4. doi： 10.1109/EMBC40787.2023.10340385 . doi: 10.1109/EMBC40787.2023.10340385
[9]	赵杭菲，姚劲草，王立平，等. 列线图预测T1-2期乳腺癌腋窝淋巴转移负荷的研究［J］. 中国超声医学杂志， 2023， 39（11）： 1224-1226. doi： 10.3969/j.issn.1002-0101.2023.11.009 . doi: 10.3969/j.issn.1002-0101.2023.11.009
[10]	吴怡雯，周晓华，陈菲，等. 基于自动乳腺全容积扫查影像组学对预测乳腺癌腋窝淋巴结负荷的价值［J］. 中国超声医学杂志， 2023， 39（5）：499-502. doi： 10.3969/j.issn.1002-0101. 2023.05.006 . doi: 10.3969/j.issn.1002-0101. 2023.05.006
[11]	LIAO H， CHEN X， LU S， et al. MRI-Based Back Propagation Neural Network Model as a Powerful Tool for Predicting the Response to Induction Chemotherapy in Locoregionally Advanced Nasopharyngeal Carcinoma［J］. J Magn Reson Imaging， 2022， 56（2）： 547-559. doi： 10.1002/jmri.28047 . doi: 10.1002/jmri.28047
[12]	SATAKE H， ISHIGAKI S， ITO R， et al. Radiomics in breast MRI： current progress toward clinical application in the era of artificial intelligence［J］. Radiol Med， 2022， 127（1）： 39-56. doi： 10.1002/jmri.28047 . doi: 10.1002/jmri.28047
[13]	VAN DER VELDEN B H M， KUIJF H J， GILHUIJS K G A， et al. Explainable artificial intelligence （XAI） in deep learning-based medical image analysis［J］. Med Image Anal， 2022， 79：102470. doi： 10.1016/j.media.2022.102470 . doi: 10.1016/j.media.2022.102470
[14]	MARTAINDALE S R. Breast MR Imaging： Atlas of Anatomy， Physiology， Pathophysiology， and Breast Imaging Reporting and Data Systems Lexicon［J］. Magn Reson Imaging Clin N Am， 2018， 26 （2）：179-190. doi： 10.1016/j.mric.2017.12.001 . doi: 10.1016/j.mric.2017.12.001
[15]	杨光飞，常瑞姣，武雅婷，等. 超声与MRI对乳腺BI-RADS 3～5类肿物的诊断分类一致性比较［J］.中国医学影像学杂志， 2022， 30（10）： 991-995. doi： 10.3969/j.issn.1005-5185. 2022. 10.004 . doi: 10.3969/j.issn.1005-5185. 2022. 10.004
[16]	XU Z， DING Y， ZHAO K， et al. MRI characteristics of breast edema for assessing axillary lymph node burden in early-stage breast cancer： A retrospective bicentric study［J］. Eur Radiol， 2022， 32（12）： 8213-8225. doi： 10.1007/s00330-022-08896-z . doi: 10.1007/s00330-022-08896-z
[17]	杨森，贾志莺，范清，等. 列线图可预测T1期乳腺癌前哨淋巴结转移：基于超声特征联合临床病理指标［J］. 分子影像学杂志， 2025， 48（7）： 848-854. doi： 10.12122/j.issn.1674-4500. 2025. 07.09 . doi: 10.12122/j.issn.1674-4500. 2025. 07.09
[18]	HARADA T L， UEMATSU T， NAKASHIMA K， et al. Evaluation of breast edema findings at T2-weighted breast MRI is useful for diagnosing occult inflammatory breast cancer and can predict prognosis after neoadjuvant chemotherapy［J］. Radiology， 2021， 299（1）： 53-62. doi： 10.1148/radiol.2021202604 . doi: 10.1148/radiol.2021202604
[19]	MALHAIRE C， SELHANE F， SAINT-MARTIN M J， et al. Exploring the added value of pretherapeutic MR descriptors in predicting breast cancer pathologic complete response to neoadjuvant chemotherapy［J］. Eur Radiol， 2023， 33（11）： 8142-8154. doi： 10.1007/s00330-023-09797-5 . doi: 10.1007/s00330-023-09797-5
[20]	KAISER C G， HEROLD M， KRAMMER J， et al. Prognostic value of “prepectoral edema” in MR-mammography［J］. Anticancer Res， 2017， 37（4）： 1989-1995. doi： 10.21873/anticanres. 11542 . doi: 10.21873/anticanres. 11542
[21]	CHEON H， KIM H J， KIM T H， et al. Invasive breast cancer： Prognostic value of peritumoral edema identified at preoperative MR imaging［J］. Radiology， 2018， 287（1）： 68-75. doi： 10.1148/radiol.2017171157 . doi: 10.1148/radiol.2017171157
[22]	PARK N J Y， JEONG J Y， PARK J Y， et al. Peritumoral edema in breast cancer at preoperative MRI： An interpretative study with histopathological review toward understanding tumor microenvironment［J］. Sci Rep， 2021， 11（1）： 12992. doi： 10.1038/s41598-021-92283-z . doi: 10.1038/s41598-021-92283-z
[23]	YILMAZ R， AKPINAR Y， OZYAVUZ I， et al. Synchronous metastatic leiomyosarcoma and primer invasive ductal carcinoma tumors in the same breast： Mammography， ultrasonography， and magnetic resonance imaging findings［J］. Breast J， 2019， 25（2）： 310-311. doi： 10.1111/tbj.13211 . doi: 10.1111/tbj.13211
[24]	冯其柱，卢曼曼，孙杰，等. 新型全身性炎症指标对急性胰腺炎早期病情严重程度的预测价值［J］. 实用医学杂志， 2024， 40（14）：1963-1968. doi： 10.3969/j.issn.1006-5725.2024.14.011 . doi: 10.3969/j.issn.1006-5725.2024.14.011
[25]	KAWAGUCHI S， KINOWAKI K， TAMURA N， et al. High-accuracy prediction of axillary lymph node metastasis in invasive lobular carcinoma using focal cortical thickening on magnetic resonance imaging［J］. Breast Cancer， 2023， 30 （4）： 637-646. doi： 10.1007/s12282-023-01457-2 . doi: 10.1007/s12282-023-01457-2
[26]	史娜，王爽，马兆丽，等. 超声联合免疫炎症指标构建列线图预测早期浸润性导管癌淋巴结转移［J］.中国超声医学杂志，2025，41（3）：265-269. doi： 10.3969/j.issn.1002-0101. 2025. 03.006 . doi: 10.3969/j.issn.1002-0101. 2025. 03.006
[27]	张伟娜，钟李长，师琳，等. 超声影像组学特征联合miRNA-34a表达水平对乳腺癌新辅助化疗患者病理完全缓解的预测能力［J］. 新医学，2025，56（7）：645-653. doi： 10.12464/j.issn.0253-9802.2025-0023 . doi: 10.12464/j.issn.0253-9802.2025-0023
[28]	BENEDETTO U， DIMAGLI A， SINHA S， et al. Machine learning improves mortality risk prediction after cardiac surgery： Systematic review and meta-analysis［J］. J Thorac Cardiovasc Surg， 2022， 163（6）： 2075-2087. doi： 10.1016/j.jtcvs.2020.07.105 . doi: 10.1016/j.jtcvs.2020.07.105
[29]	BELLE V， PAPANTONIS I. Principles and Practice of Explainable Machine Learning［J］. Front Big Data， 2021， 4：688969. doi： 10.3389/fdata.2021.688969 . doi: 10.3389/fdata.2021.688969

序列	参数项	广东医科大学附属医院（3.0T）	广东医科大学附属阳江医院（3.0T）	广东医科大学附属第二医院（1.5T）
T2WI-FS	重复时间/ms	5 139	3 500	517
	回波时间 /ms	85	55	98.4
	FOV/mm2	320 × 320	360 × 360	300 × 300
	矩阵	320 × 320	400 × 400	352 × 128
	层厚/mm	4.00	4.00	4.00
DWI	重复时间/ms	5 500	3 500	3 549.9
	回波时间/ms	60.6	55	55
	FOV/mm2	320 × 320	204 × 340	320 × 320
	矩阵	320 × 320	113 × 189	320 × 320
	层厚/mm	4.00	5.00	4.00
DCE-MRI	重复时间/ms	4.43	4.50	4.51
	回报时间/ms	1.5	1.61	1.61
	FOV/mm2	340 × 340	360 × 360	370 × 370
	矩阵	448 × 336	400 × 400	256 × 160
	层厚/mm	1.20	1.50	1.20

队列	模型	AUC（95%CI）	准确度	敏感度	特异度	阳性预测值	阴性预测值
训练集	LR	0.776（0.706 ~ 0.835）	0.739	0.742	0.737	0.680	0.791
	SVM	0.817（0.750 ~ 0.876）	0.826	0.753	0.881	0.827	0.825
	RF	0.851（0.791 ~ 0.903）	0.812	0.753	0.856	0.798	0.821
	BPNN	0.874（0.819 ~ 0.918）	0.807	0.831	0.788	0.747	0.861
内部验证集	LR	0.748（0.639 ~ 0.848）	0.705	0.605	0.780	0.676	0.722
	SVM	0.735（0.622 ~ 0.836）	0.716	0.579	0.820	0.710	0.719
	RF	0.803（0.697 ~ 0.894）	0.761	0.632	0.860	0.774	0.754
	BPNN	0.823（0.728 ~ 0.906）	0.795	0.816	0.780	0.738	0.848
外部验证集	LR	0.660（0.530 ~ 0.780）	0.681	0.533	0.754	0.516	0.767
	SVM	0.703（0.583 ~ 0.811）	0.692	0.467	0.803	0.538	0.754
	RF	0.663（0.525 ~ 0.781）	0.703	0.500	0.803	0.556	0.766
	BPNN	0.793（0.690 ~ 0.880）	0.769	0.700	0.803	0.636	0.845

队列	模型	AUC（95%CI）	准确度	敏感度	特异度	阳性预测值	阴性预测值
训练集	BPNN	0.866（0.787 ~ 0.936）	0.809	0.833	0.787	0.778	0.841
内部验证集	BPNN	0.861（0.706 ~ 0.975）	0.848	0.786	0.895	0.846	0.850
外部验证集	BPNN	0.717（0.568 ~ 0.859）	0.702	0.688	0.71	0.550	0.815

可解释反向传播神经网络在预测前哨淋巴结1 ~ 2枚阳性乳腺癌患者腋窝淋巴结负荷中的价值

Predictive performance of an interpretable BPNN model for axillary lymph node burden in breast cancer patients with 1 ~ 2 sentinel lymph node positive

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 29

相关文章 15

编辑推荐

Metrics

本文评价

因素	单因素		多因素		逐步回归OR
因素	OR（95%CI）	P值	OR（95%CI）	P值	OR（95%CI）	P值
肿瘤数量
单发
多发	2.99（1.47 ~ 6.09 ）	0.002	2.29（0.94 ~ 5.56）	0.068
TIC曲线类型
流入型/平台型
流出型	1.99（1.07 ~ 3.71）	0.030	1.68（0.75 ~ 3.77）	0.209
瘤周水肿评分
1 ~ 2分
3 ~ 4分	4.95（2.55 ~ 9.63）	0.001	5.57（2.43 ~ 12.73）	< 0.001	5.46（2.54 ~ 11.74）	< 0.001
肿瘤最大径
< 2 cm
≥ 2 cm	3.52（1.57 ~ 7.87）	0.002	2.05（0.75 ~ 5.62）	0.164
NLR
≥ 3
< 3	0.28（0.14 ~ 0.57）	< 0.001	0.25（0.10 ~ 0.60）	0.002	0.26（0.11 ~ 0.60）	0.002
腋窝淋巴结皮质增厚
有
无	0.17（0.08 ~ 0.32）	< 0.001	0.30（0.13 ~ 0.69）	0.004	0.20（0.09 ~ 0.41）	< 0.001
强化特点
均匀
不均匀	0.50（0.27 ~ 0.94）	0.030	0.59（0.27 ~ 1.28）	0.180
腋窝淋巴结短径	1.09（1.01 ~ 1.18）	0.030	1.08（0.98 ~ 1.18）	0.128

MRI影像征象	Kappa值	P值
毛刺征	0.72	< 0.001
强化模式	0.535	< 0.001
瘤周水平评分	0.722	< 0.001
背景实质强化	0.730	< 0.001
腋窝淋巴结皮质增厚	0.714	< 0.001

[1]	吴迎朝,陈柳汕,梁裕琪,陈洁婷,黄俊峰,左谦,陈前军. 基于类器官构建泛TKI提高ET+CDK4/6抑制剂治疗HR⁺/HER2-low乳腺癌疗效的筛选工具[J]. 实用医学杂志, 2025, 41(18): 2786-2795.
[2]	张欣然,沈燕,胡姣姣,陈庆庆,肖杨杰,卢峰,袁沙沙,傅晓红. 联合临床及超声多参数构建列线图预测人表皮生长因子受体2阳性乳腺癌的应用价值[J]. 实用医学杂志, 2025, 41(18): 2812-2819.
[3]	李京朔,刘首诗,郭宏伟. 毛兰素诱导乳腺癌细胞凋亡的机制及治疗潜力的研究进展[J]. 实用医学杂志, 2025, 41(14): 2132-2137.
[4]	胡作怀,付建东,李小芳,姚欣悦,赵宾,晏涑,何思思. 组织补偿膜使用方式对乳腺癌根治术后胸壁皮肤剂量的影响[J]. 实用医学杂志, 2025, 41(14): 2138-2142.
[5]	丘海,归奕飞,刘媛. 术前腋窝超声正常的临床T1—2 N0乳腺癌患者发生前哨淋巴结转移的预测模型[J]. 实用医学杂志, 2025, 41(14): 2143-2151.
[6]	段玉灵,周雪枝,李永义,马丽霞,杨德盛,程姣,伍燕,刘桃,蒋国元,王梅. 不同MRI测量方式评估乳腺癌新辅助治疗疗效的临床价值[J]. 实用医学杂志, 2025, 41(14): 2152-2159.
[7]	江璐,吕伟朋,陈思静,房艳华,梁珊珊. 肿瘤类器官培养体系下维迪西妥单抗对不同人类表皮生长因子受体2表达水平乳腺癌细胞的抑制作用[J]. 实用医学杂志, 2025, 41(12): 1808-1815.
[8]	邓雅倩,李文肖,徐泽林,马金梅,杜婷婷,刘文,李军. 生长方位量化联合S-Detect技术对乳腺癌腋窝淋巴结转移的预测价值[J]. 实用医学杂志, 2025, 41(1): 100-107.
[9]	宋子旭,朱光正,郭晨旭,武佳琪,张立功,钱军. SLC35A2、前叶黄素亚基2在乳腺癌中的表达及其与临床观察指标和预后的关系[J]. 实用医学杂志, 2024, 40(4): 496-502.
[10]	刘芬,赵辉,郭利敏. 多组学联合检测对乳腺癌临床病理特征、新辅助化疗效果的评估效能[J]. 实用医学杂志, 2024, 40(24): 3539-3546.
[11]	曾颖华,李文姬,郑莉. 经外周置入中心静脉导管后首次换药时间对乳腺癌术后患者的影响[J]. 实用医学杂志, 2024, 40(19): 2772-2777.
[12]	詹银周,陈俊衡,陈超,蔡楚源,马学珠,郭春明. 伤害感受水平指数指导瑞芬太尼输注靶浓度对接受乳腺癌根治术患者细胞免疫和缺氧诱导因子-1α的影响[J]. 实用医学杂志, 2024, 40(18): 2566-2570.
[13]	陈车,罗德红,喻皇飞,张琴,胡小池,余盛华,李亚军. 自动勾画技术在全乳内侧瘤床同步推量中的应用[J]. 实用医学杂志, 2024, 40(17): 2406-2411.
[14]	李劭晋,郑世鹏. 术前影像病理特征及肿瘤标志物预测乳腺癌前哨淋巴结转移风险[J]. 实用医学杂志, 2024, 40(17): 2418-2424.
[15]	方玲玉,胡璟骅,文俊峰,韩诗琪,王雅丽,蒲卢兰,李静佳,杨懿,邓世山,侯令密,周方方. 泛素特异性蛋白酶20、低氧诱导因子1α在乳腺癌中的表达变化及意义[J]. 实用医学杂志, 2024, 40(16): 2270-2276.