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

Abstract

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

CLC Number:

R445.2

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.

Figures/Tables 9

Fig.1

Tab.1

Tab.2

Patients′ baseline"

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

Tab.2

Tab.3

Tab.4

Tab.5

Fig.2

Fig.3

Tab.6

References 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

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

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

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)

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 9

References 29

Related Articles 15

Recommended Articles

Metrics

Comments

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]	Yingchao WU,Liushan CHEN,Yuqi LIANG,Jieting CHEN,Junfeng HUANG,Qian ZUO,Qianjun CHEN. Development of an organoid⁃based pan⁃TKI precision screening platform to enhance therapeutic efficacy of ET+CDK4/6 inhibitors in HR⁺/HER2⁃low breast cancer [J]. The Journal of Practical Medicine, 2025, 41(18): 2786-2795.
[2]	Xinran ZHANG,Yan SHEN,Jiaojiao HU,Qingqing CHEN,Yangjie XIAO,Feng LU,Shasha YUAN,Xiaohong FU. Study on the applied value of combined clinical and ultrasound multiparameter constructed nomogram for predicting HER⁃2⁃positive breast cancer [J]. The Journal of Practical Medicine, 2025, 41(18): 2812-2819.
[3]	Jingshuo LI,Shoushi LIU,Hongwei. GUO. Advances in the mechanism and therapeutic potential of Erianin⁃induced apoptosis in breast cancer cells [J]. The Journal of Practical Medicine, 2025, 41(14): 2132-2137.
[4]	Hai QIU,Yifei GUI,Yuan. LIU. Predictors of sentinel lymph node metastasis in clinical T1⁃2 N0 breast cancer patients with preoperatively normal axillary ultrasound [J]. The Journal of Practical Medicine, 2025, 41(14): 2143-2151.
[5]	Yuling DUAN,Xuezhi ZHOU,Yongyi LI,Lixia MA,Desheng YANG,Jiao CHENG,Yan WU,Tao LIU,Guoyuan JIANG,Mei. WANG. Clinical value analysis of different MRI measurement methods in evaluating the efficacy of neoadjuvant therapy for breast cancer [J]. The Journal of Practical Medicine, 2025, 41(14): 2152-2159.
[6]	Lu JIANG,Weipeng LYU,Sijing CHEN,Yanhua FANG,Shanshan LIANG. Inhibitory effect of disitamab vedotin on breast cancer cells with different HER⁃2 expression levels in tumor organoid culture system [J]. The Journal of Practical Medicine, 2025, 41(12): 1808-1815.
[7]	Yaqian DENG,Wenxiao LI,Zelin XU,Jinmei MA,Tingting DU,Wen LIU,Jun LI. Predictive value of growth orientation quantification combined with S⁃Detect technique for axillary lymph node metastasis in breast cancer [J]. The Journal of Practical Medicine, 2025, 41(1): 100-107.
[8]	Zixu SONG,Guangzheng ZHU,Chenxu GUO,Jiaqi WU,Ligong ZHANG,Jun. QIAN. Expression of SLC35A2 and PFDN2 in breast cancer and its relationship with clinical observables and prognosis [J]. The Journal of Practical Medicine, 2024, 40(4): 496-502.
[9]	Fen LIU,Hui ZHAO,Limin. GUO. Relationship between multi⁃omics combined detection and clinicopathological characteristics， neoadjuvant chemotherapy effect of breast cancer [J]. The Journal of Practical Medicine, 2024, 40(24): 3539-3546.
[10]	Yinghua ZENG,Wenji LI,Li. ZHENG. The Impact of the timing of initial dressing change following PICC catheterization on postoperative breast cancer patients [J]. The Journal of Practical Medicine, 2024, 40(19): 2772-2777.
[11]	Che CHEN,Dehong LUO,Huangfei YU,Qin ZHANG,Xiaochi HU,Shenghua YU,Yajun. LI. Clinical Application of automatic delineation in whole breast radiotherapy with simultaneous integrated boost to the medial tumor beds [J]. The Journal of Practical Medicine, 2024, 40(17): 2406-2411.
[12]	Shaojin LI,Shipeng. ZHENG. Relevant preoperative imaging pathological features and tumor markers serve as predictive indicators for the risk of sentinel lymph node metastasis in breast cancer [J]. The Journal of Practical Medicine, 2024, 40(17): 2418-2424.
[13]	Lingyu FANG,Jinghua HU,Junfeng WEN,Shiqi HAN,Yali WANG,Lulan PU,Jingjia LI,Yi YANG,Shishan DENG,Lingmi HOU,Fangfang. ZHOU. Expression and significance of ubiquitin⁃specific proteases 20 and hypoxia inducible factor⁃1α in breast cancer [J]. The Journal of Practical Medicine, 2024, 40(16): 2270-2276.
[14]	AI Yongbiao, HUANG Jun, YUAN Jie, LI Wenfang.. Androgen receptor expression in early triple negative breast cancer and its association with the clinicopath⁃ ological features and prognosis [J]. The Journal of Practical Medicine, 2023, 39(8): 975-979.
[15]	Xiran SHI,Heng WANG,Libing HE,Zhiqiang QIU,Hongjian LI,Xiaoxue. XU. Advance in predicting lymph node metastasis of breast cancer by multimodal MRI [J]. The Journal of Practical Medicine, 2023, 39(22): 2861-2865.