Ultrasound omics study of axillary lymph node metastatic burden in breast cancer

doi:10.3877/cma.j.issn.2095-5782.2025.01.011

Abstract

Abstract:

Objective

To investigate the ultrasound radiomics of axillary lymph node metastasis burden in breast cancer.

Methods

A total of 100 patients with breast cancer who received surgical treatment in Mianyang 404 hospital， Sichuan Province from November 2019 to January 2023 were selected.According to the postoperative pathological status of lymph node metastasis， the patients were divided into high lymph node metastasis burden （HNB） group （n=43） and low lymph node metastasis burden （LNB） group （n=57）.The general clinical data， conventional ultrasound features and image omics features of the 2 groups were analyzed.The image omics features were extracted and the intra-group correlation coefficient （ICC） was used for consistency analysis.The mRMR and LASSO regression algorithms were used to screen the image omics features related to lymph node metastasis burden.Univariate Logistic regression analysis was used to select clinical factors and routine ultrasound features.The conventional ultrasound scoring model， imaging omics scoring model and joint prediction model were constructed and evaluated.

Results

Finally， 10 non-zero image omics features were screened out from ultrasonic images.There were significant differences in Radscore， conventional ultrasound score and combination-score between the LNB group and HNB group （P＜0.05）.There were statistically significant differences in the area under the receiver working characteristic curve（AUC） between conventional ultrasound model and imaging omics model and combined prediction model respectively （P＜0.05）， while there was no statistically significant difference in the AUC between imaging omics model and combined prediction model （P＞0.05）.The Hosmer-Lemeshow test showed that all models fit well （P＞0.05）.

Conclusion

The differential ability of the combined prediction model is better than that of conventional ultrasound model and imaging omics mode， suggesting that it is feasible for the combined imaging omics features and conventional ultrasound features to predict high axillary lymph node metastatic burden of breast cancer.

Key words: Breast cancer, Axillary lymph nodes, Metastatic load, Ultrasound imaging, Radiomics

Gaofang Zhao, Jing Chen, Chunmei Wang, Juan Wu. Ultrasound omics study of axillary lymph node metastatic burden in breast cancer[J]. Chinese Journal of Interventional Radiology(Electronic Edition), 2025, 13(01): 54-61.

/ / Recommend

Add to citation manager EndNote|Ris|BibTeX

URL: https://zhjrfsxdzzz.cma-cmc.com.cn/EN/10.3877/cma.j.issn.2095-5782.2025.01.011

https://zhjrfsxdzzz.cma-cmc.com.cn/EN/Y2025/V13/I01/54

Figures/Tables 10

临床病理特征	LNB组（57例）	HNB组（43例）	t/χ²值	P值
年龄（岁， $\overset{ˉ}{x}$ ±s）	45.34±6.21	42.93±5.37	2.034	0.045
婚姻情况［例（%）］			0.107	0.743
已婚	52（91.23）	40（93.02）
未婚	5（8.77）	3（6.98）
生育情况［例（%）］			0.353	0.553
已育	48（84.21）	38（88.37）
未育	9（15.79）	5（11.63）
月经状况［例（%）］			0.103	0.748
未绝经	44（77.19）	32（74.42）
已绝经	13（22.81）	11（25.58）
肿瘤家族史［例（%）］			0.273	0.602
有	6（10.53）	6（13.95）
无	51（89.47）	37（86.05）
病理类型［例（%）］			1.427	0.490
导管癌	11（19.30）	12（27.91）
小叶癌	15（26.32）	8（18.60）
其他	31（54.39）	23（53.49）
组织学分级［例（%）］			20.067	＜0.001
Ⅰ	34（59.65）	8（18.60）
Ⅱ	16（28.07）	16（37.21）
Ⅲ	7（12.28）	19（44.19）
乳腺手术方式［例（%）	（%）］		0.235	0.628
保乳手术	10（17.54）	6（13.95）
乳房切除术	47（82.46）	37（86.05）
ER［例（%）］			0.086	0.770
阴性	17（29.82）	14（32.56）
阳性	40（70.18）	29（67.44）
PR［例（%）］			0.043	0.835
阴性	24（42.11）	19（44.19）
阳性	33（57.89）	24（55.81）
HER2［例（%）］			45.175	＜0.001
阴性	51（89.47）	10（23.26）
阳性	6（10.53）	33（76.74）
Ki-67表达［例（%）］			0.065	0.799
＜14%	9（15.79）	6（13.95）
≥14%	48（84.21）	37（86.05）
分子分型［例（%）］
Luminal A	5（8.77）	4（9.30）	0.355	0.641
Luminal B（HER2-）	27（47.37）	18（41.86）
Luminal B（HER2+）	8（14.04）	8（18.60）
HER2过表达	9（15.79）	8（18.60）
三阴性	8（14.04）	5（11.63）

临床病理特征	LNB组（57例）	HNB组（43例）	t/χ²值	P值
年龄（岁， $\overset{ˉ}{x}$ ±s）	45.34±6.21	42.93±5.37	2.034	0.045
婚姻情况［例（%）］			0.107	0.743
已婚	52（91.23）	40（93.02）
未婚	5（8.77）	3（6.98）
生育情况［例（%）］			0.353	0.553
已育	48（84.21）	38（88.37）
未育	9（15.79）	5（11.63）
月经状况［例（%）］			0.103	0.748
未绝经	44（77.19）	32（74.42）
已绝经	13（22.81）	11（25.58）
肿瘤家族史［例（%）］			0.273	0.602
有	6（10.53）	6（13.95）
无	51（89.47）	37（86.05）
病理类型［例（%）］			1.427	0.490
导管癌	11（19.30）	12（27.91）
小叶癌	15（26.32）	8（18.60）
其他	31（54.39）	23（53.49）
组织学分级［例（%）］			20.067	＜0.001
Ⅰ	34（59.65）	8（18.60）
Ⅱ	16（28.07）	16（37.21）
Ⅲ	7（12.28）	19（44.19）
乳腺手术方式［例（%）	（%）］		0.235	0.628
保乳手术	10（17.54）	6（13.95）
乳房切除术	47（82.46）	37（86.05）
ER［例（%）］			0.086	0.770
阴性	17（29.82）	14（32.56）
阳性	40（70.18）	29（67.44）
PR［例（%）］			0.043	0.835
阴性	24（42.11）	19（44.19）
阳性	33（57.89）	24（55.81）
HER2［例（%）］			45.175	＜0.001
阴性	51（89.47）	10（23.26）
阳性	6（10.53）	33（76.74）
Ki-67表达［例（%）］			0.065	0.799
＜14%	9（15.79）	6（13.95）
≥14%	48（84.21）	37（86.05）
分子分型［例（%）］
Luminal A	5（8.77）	4（9.30）	0.355	0.641
Luminal B（HER2-）	27（47.37）	18（41.86）
Luminal B（HER2+）	8（14.04）	8（18.60）
HER2过表达	9（15.79）	8（18.60）
三阴性	8（14.04）	5（11.63）

常规超声特征	LNB组（57例）	HNB组（43例）	χ ²值	P值
肿瘤大小（mm）			4.399	0.036
＜20.0	20（35.09）	7（16.28）
≥20.0	37（64.91）	36（83.72）
淋巴结长径（mm）			6.229	0.013
＜20.0	44（77.19）	23（53.49）
≥20.0	13（22.81）	20（46.51）
淋巴结短径（mm）			5.200	0.023
＜8.6	33（57.89）	15（34.88）
≥8.6	24（42.11）	28（65.12）
长径/短径比值			0.240	0.624
＜1.8	28（49.12）	19（44.19）
≥1.8	29（50.88）	24（55.81）
腋窝可疑淋巴结（枚）			65.764	＜0.001
1～2	48（84.21）	1（2.33）
≥3	9（15.79）	42（97.67）
淋巴门情况			0.326	0.850
可见	36（63.16）	26（60.47）
部分可见	7（12.28）	7（16.28）
完全消失	14（24.56）	10（23.26）
所在象限			0.381	0.439
内上	8（14.04）	9（20.93）
内下	3（5.26）	2（4.65）
外上	29（50.88）	22（51.16）
外下	11（19.30）	6（13.95）
乳晕区	6（10.53）	4（9.30）
内部回声			17.156	＜0.001
均匀	41（71.93）	13（30.23）
不均匀	16（28.07）	30（69.77）
后方回声			2.522	0.112
未衰减	33（57.89）	18（41.86）
衰减或消失	24（42.11）	25（58.14）
形态			2.353	0.125
规则	34（59.65）	19（44.19）
不规则	23（40.35）	24（55.81）
边界			8.855	0.003
清晰	37（64.91）	15（34.88）
不清晰	20（35.09）	28（64.12）
边缘			0.608	0.435
光整	26（45.61）	23（53.49）
不光整	31（54.39）	20（46.51）
钙化			2.756	0.097
无	36（63.16）	20（46.51）
有	21（36.84）	23（53.49）
Alder血流分级			38.048	＜0.001
0～Ⅰ级	46（80.70）	8（18.60）
Ⅱ～Ⅲ级	11（19.30）	35（84.40）
BI-RADS分类			42.821	＜0.001
4a类	37（64.91）	4（9.30）
4b类	11（19.30）	6（13.95）
4c类	6（10.53）	11（25.58）
5类	3（5.26）	22（51.16）

常规超声特征	LNB组（57例）	HNB组（43例）	χ ²值	P值
肿瘤大小（mm）			4.399	0.036
＜20.0	20（35.09）	7（16.28）
≥20.0	37（64.91）	36（83.72）
淋巴结长径（mm）			6.229	0.013
＜20.0	44（77.19）	23（53.49）
≥20.0	13（22.81）	20（46.51）
淋巴结短径（mm）			5.200	0.023
＜8.6	33（57.89）	15（34.88）
≥8.6	24（42.11）	28（65.12）
长径/短径比值			0.240	0.624
＜1.8	28（49.12）	19（44.19）
≥1.8	29（50.88）	24（55.81）
腋窝可疑淋巴结（枚）			65.764	＜0.001
1～2	48（84.21）	1（2.33）
≥3	9（15.79）	42（97.67）
淋巴门情况			0.326	0.850
可见	36（63.16）	26（60.47）
部分可见	7（12.28）	7（16.28）
完全消失	14（24.56）	10（23.26）
所在象限			0.381	0.439
内上	8（14.04）	9（20.93）
内下	3（5.26）	2（4.65）
外上	29（50.88）	22（51.16）
外下	11（19.30）	6（13.95）
乳晕区	6（10.53）	4（9.30）
内部回声			17.156	＜0.001
均匀	41（71.93）	13（30.23）
不均匀	16（28.07）	30（69.77）
后方回声			2.522	0.112
未衰减	33（57.89）	18（41.86）
衰减或消失	24（42.11）	25（58.14）
形态			2.353	0.125
规则	34（59.65）	19（44.19）
不规则	23（40.35）	24（55.81）
边界			8.855	0.003
清晰	37（64.91）	15（34.88）
不清晰	20（35.09）	28（64.12）
边缘			0.608	0.435
光整	26（45.61）	23（53.49）
不光整	31（54.39）	20（46.51）
钙化			2.756	0.097
无	36（63.16）	20（46.51）
有	21（36.84）	23（53.49）
Alder血流分级			38.048	＜0.001
0～Ⅰ级	46（80.70）	8（18.60）
Ⅱ～Ⅲ级	11（19.30）	35（84.40）
BI-RADS分类			42.821	＜0.001
4a类	37（64.91）	4（9.30）
4b类	11（19.30）	6（13.95）
4c类	6（10.53）	11（25.58）
5类	3（5.26）	22（51.16）

变量	分类	β	SE	OR（95%CI）	P值
截距		-1.789	0.572	0.178（0.060～0.461）	0.007
年龄	≥44.14岁^a			1
	＜44.14岁	-0.532	1.259	1.695（0.860～3.664）	0.241
组织学分级	Ⅰ^a			1
	Ⅱ	0.931	0.728	1.237（0.751～2.392）	0.069
	Ⅲ	1.285	0.439	2.756（1.261～4.118）	0.010
HER2	阴性^a			1
	阳性	2.024	0.360	7.483（5.379～9.053）	0.001
淋巴结长径	＜20.0 mma			1
	≥20.0 mm	1.777	0.468	5.912（2.850～7.344）	0.005
淋巴结短径	＜8.6 mm^a			1
	≥8.6 mm	1.534	1.491	0.442（0.168～0.875）	0.021
腋窝可疑淋巴结枚数	1～2枚^a			1
	≥3枚	1.300	0.933	3.668（1.952～5.638）	0.012
肿瘤大小	＜20.0 mm^a			1
	≥20.0 mm	1.406	0.744	4.079（2.881～6.906）	0.010
内部回声	均匀^a			1
	不均匀	0.638	0.801	1.893（0.627～2.431）	0.315
边界	清晰^a			1
	不清晰	0.940	0.624	2.561（0.822～2.763）	0.067
Alder血流分级	0～Ⅰ级^a			1
	Ⅱ～Ⅲ级	1.764	0.485	5.836（3.114～6.975）	0.002
BI-RADS分类	4a类^a			1
	4b类	0.661	0.728	1.938（0.875～4.022）	0.186
	4c类	1.234	0.457	3.435（2.593～5.241）	0.020
	5类	1.797	0.438	6.031（2.543～8.472）	0.003

变量	分类	β	SE	OR（95%CI）	P值
截距		-0.610	2.360	1.544（0.552～3.497）	0.115
Rad-score		1.158		2.849（1.245～4.622）	＜0.001
HER2	阴性^a			1
	阳性	0.457	0.288	1.633（1.091～3.937）	＜0.001
肿瘤大小	＜20.0 mm^a			1
	≥20.0 mm	2.106	0.725	8.124（4.381～9.582）	0.005
淋巴结长径	＜20.0 mm^a			1
	≥20.0 mm	1.673	0.641	5.021（2.606～7.415）	0.003
腋窝可疑淋巴结枚数	1～2枚^a			1
	≥3枚	0.929	0.882	3.541（2.066～6.732）	0.010
淋巴结短径	＜8.6 mm^a			1
	≥8.6 mm	1.178	1.112	4.301（2.077～7.235）	0.014
组织学分级	Ⅰ^a			1
	Ⅱ	0.736	0.433	1.821（0.249～5.316）	0.134
	Ⅲ	2.017	0.926	3.437（1.500～7.318）	0.009
Alder血流分级	0～Ⅰ级^a			1
	Ⅱ～Ⅲ级	1.610	0.673	5.002（2.814～6.428）	0.008
BI-RADS分类	4a类^a			1
	4b类	0.562	0.324	1.754（0.628～3.812）	0.226
	4c类	1.447	0.856	4.251（2.863～8.433）	0.017
	5类	2.117	0.638	8.309（3.521～10.362）	＜0.001

各评分模型	LNB组（57例）	HNB组（43例）	Z	P值
Rad-score	-1.442（-9.224， 0.714）	-0.634（-2.878， 25.113）	-4.374	＜0.001
常规超声评分	-1.272（-3.696， 0.916）	-0.591（-2.894， 0.916）	-4.275	＜0.001
Combine-score	-2.167（-8.553， 0.970）	-0.238（-3.018， 24.659）	-5.519	＜0.001

各评分模型	AUC	95%CI	敏感度（%）	特异度（%）
影像组学模型	0.792	0.644～0.858	70.9	73.6
常规超声模型	0.725	0.635～0.852	57.2	77.0
联合预测模型	0.830	0.728～0.931	70.9	84.9

References 21

［1］	Tsang JYS， Tse GM.Molecular classification of breast cancer［J］.Adv Anat Pathol， 2020， 27（1）：27-35.
［2］	Wang X， Chen L， Sun Y， et al.Evaluation of axillary lymph node metastasis burden by preoperative ultrasound in early-stage breast cancer with needle biopsy-proven metastasis［J］.Clin Transl Oncol， 2020， 22（4）：468-473.
［3］	Britt KL， Cuzick J， Phillips KA.Key steps for effective breast cancer prevention［J］.Nat Rev Cancer， 2020， 20（8）：417-436.
［4］	Jiang M， Li CL， Luo XM， et al.Radiomics model based on shearwave elastography in the assessment of axillary lymph node status in early-stage breast cancer［J］.Eur Radiol， 2022， 32（4）：2313-2325.
［5］	Jena S， Bhattacharya S， Gupta A， et al.Axillary reverse mapping in patients undergoing axillary lymph node dissection： a single institution experience from India［J］.Cureus， 2021， 13（7）：e16462.
［6］	Patel A， Hoda RS， Hoda SA.Papillary breastsssss tumors：continuing controversies and commentary on WHO's 2019 criteria and classification［J］.Int J Surg Pathol， 2022， 30（2）：124-137.
［7］	Farshid G， Bilous M， Morey A， et al.ASCO/CAP 2018 breast cancer HER2 testing guidelines： summary of pertinent recommendations for practice in Australia［J］.Pathology， 2019，51（4）：345-348.
［8］	Niinikoski L， Hukkinen K， Leidenius MHK， et al.Axillary nodal metastatic burden in patients with breast cancer with clinically positive axillary nodes［J］.Br J Surg， 2020， 107（12）：1615-1624.
［9］	Goldhirsch A， Winer EP， Coates AS， et al.Personalizing the treatment of women with early breast cancer： highlights of the St Gallen International Expert Consensus on the Primary Therapy of Early Breast Cancer 2013［J］.Ann Oncol， 2013， 24（9）：2206-2223.
［10］	Wang XF， Zhang GC， Zuo ZC et al.A novel nomogram for the preoperative prediction of sentinel lymph node metastasis in breast cancer［J］.Cancer Med， 2023， 12（6）：7039-7050.
［11］	Liu H， Chen Y， Zhang Y， et al.A deep learning model integrating mammography and clinical factors facilitates the malignancy prediction of BI-RADS 4 microcalcifications in breast cancer screening［J］.Eur Radiol， 2021， 31（8）：5902-5912.
［12］	Yi CB， Ding ZY， Deng J， et al.Combining the ultrasound features of primary tumor and axillary lymph nodes can reduce falsenegative rate during the prediction of high axillary node burden in BI-RADS category 4 or 5 breast cancer lesions［J］.Ultrasound Med Biol， 2020， 46（8）：1941-1948.
［13］	Ha SM， Chang JM， Kim SY， et al.Prediction of axillary nodal burden in patients with invasive lobular carcinoma using MRI［J］.Breast Cancer Res Treat， 2021， 186（2）：463-473.
［14］	Yoo TK， Kang BJ， Kim SH， et al.Axillary lymph node dissection is not obligatory in breast cancer patients with biopsy-proven axillary lymph node metastasis［J］.Breast Cancer Res Treat， 2020，181（2）：403-409.
［15］	Fang S， Zhu J， Wang Y， et al.The value of whole-lesion histogram analysis based on field-of-view optimized and constrained undistorted single shot （FOCUS） DWI for predicting axillary lymph node status in early-stage breast cancer［J］.BMC Med Imaging， 2022， 22（1）：e163.
［16］	Qian X， Pei J， Zheng H， et al.Prospective assessment of breast cancer risk from multimodal multiview ultrasound images via clinically applicable deep learning［J］.Nat Biomed Eng， 2021，5（6）：522-532.
［17］	Liu Z， Wu K， Wu B， et al.Imaging genomics for accurate diagnosis and treatment of tumors： a cutting edge overview［J］.Biomed Pharmacother， 2021， 135（6）：e111173.
［18］	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）：e1236.
［19］	Pesapane F， Rotili A， Agazzi GM， et al.Recent radiomics advancements in breast cancer： lessons and pitfalls for the next future［J］.Curr Oncol， 2021， 28（4）：2351-2372.
［20］	Dean PB.Radiomics and breast cancer management［J］.Acad Radiol， 2022， 29（12）：1783-1785.
［21］	Calabrese A， Santucci D， Landi R， et al.Radiomics MRI for lymph node status prediction in breast cancer patients： the state of art［J］.J Cancer Res Clin Oncol， 2021， 147（6）：1587-1597.

[1]	Shuhan Sun, Yajing Chen, Qingqing Zong, Cuiying Li, Shumei Miao, Bin Yang, Feihong Yu. Ultrasound-based deep learning nomogram for predicting axillary lymph node status after neoadjuvant chemotherapy for breast cancer [J]. Chinese Journal of Medical Ultrasound (Electronic Edition), 2025, 22(02): 97-105.
[2]	Qi Wang, Chunfeng Yang, Hongping Song, Lei Xu. Ultrasound-based breast cancer screening results and influencing factors in rural areas of Weibei，Shaanxi Province from 2021 to 2023 [J]. Chinese Journal of Medical Ultrasound (Electronic Edition), 2025, 22(02): 106-113.
[3]	Quanyu Nie, Mingxing Li, Ying Liu, Hui Wang, Yuanyuan Chen, Hong Zhou, Yang Zhou. Ultrasound-based intratumoral and peritumoral radiomics for predicting HER2 status in patients with breast cancer [J]. Chinese Journal of Medical Ultrasound (Electronic Edition), 2024, 21(12): 1103-1110.
[4]	Wei Hong, Xirong Ye, Zhihong Liu, Yinfeng Yang, Zhihong Lyu. Value of ultrasound radiomics combined with clinicopathological features in predicting complete pathological response to neoadjuvant chemotherapy for breast cancer [J]. Chinese Journal of Medical Ultrasound (Electronic Edition), 2024, 21(06): 571-579.
[5]	Wei Liu, Yunfeng Niu, Jie An. LINC01232 promotes malignant progression of triple negative breast cancer through miR-516a-5p/BCL9 axis [J]. Chinese Journal of Breast Disease(Electronic Edition), 2024, 18(06): 330-338.
[6]	Lin Qiu, Jinhui Liu, Tuerhong Zumureti, Yuexin Ma, Xiaoling Leng. Diagnostic value of ultrasound radiomics in non-mass breast cancer in dense breasts [J]. Chinese Journal of Breast Disease(Electronic Edition), 2024, 18(06): 353-360.
[7]	Youxin He, Linhui Han, Heqing Yang. The application effect of neoadjuvant chemotherapy combined with breast conserving surgery and modified radical surgery in the treatment of stage Ⅱ and Ⅲ breast cancer respectively [J]. Chinese Journal of Operative Procedures of General Surgery(Electronic Edition), 2025, 19(02): 184-187.
[8]	Zexin Yin, Jilin Yang, Youyao Li, Meilong Wu, Liping Liu. Research progress in preoperative prediction of microvascular invasion in liver cancer [J]. Chinese Journal of Hepatic Surgery(Electronic Edition), 2025, 14(01): 128-134.
[9]	Boyu Liang, Hongping Song, Zhangjun Song, Yan Ju, Huxia Wang, Wenxin Xue. Automated bias caused by artificial intelligence-assisted breast imaging screening [J]. Chinese Journal of Clinicians(Electronic Edition), 2024, 18(11): 1061-1065.
[10]	Yan Yang, Changyang Xing, Ruijing Yang, Xiaopei Su, Yonggang Zhou, jinglan Jin. Clinical application of lymphatic contrast-guided guidewire positioning for localization of sentinel lymph nodes in early-stage breast cancer [J]. Chinese Journal of Clinicians(Electronic Edition), 2024, 18(11): 993-999.
[11]	Qi Liu, Shoukai Wang, Shuai Wang, Yuqing Su, Zhuang Ma, Haijun Chen, Pilei Si. Advances in research of intratumoral microbiome in breast cancer [J]. Chinese Journal of Clinicians(Electronic Edition), 2024, 18(09): 841-845.
[12]	Mingyuan Sun, Heng Chu, Haibin Xu, Zhe Zhang. Progress in application of artificial intelligence in diagnosis of multiple pulmonary nodules [J]. Chinese Journal of Clinicians(Electronic Edition), 2024, 18(08): 785-790.
[13]	Shuai Wang, Zhiyuan Zhang, Yuqing Su, Wenwen Li, Shoukai Wang, Qi Liu, Wentao Li. Mendelian randomization and its application in breast cancer research [J]. Chinese Journal of Clinicians(Electronic Edition), 2024, 18(07): 671-676.
[14]	Yuying Wang, Shiwei Liu, Rui Wang, Yaling Zng, Xihui Tu, Purong Zhang. Predictive factors for pathological complete response to neoadjuvant therapy for breast cancer in elderly patients [J]. Chinese Journal of Clinicians(Electronic Edition), 2024, 18(07): 641-646.
[15]	Junwei Cui, Huali Cai, Yibin Hu, Hui Hu. Clinical value of methylene blue combined with marker clip and hook-wire localization in evaluation of axillary lymph node metastasis after neoadjuvant chemotherapy for breast cancer [J]. Chinese Journal of Clinicians(Electronic Edition), 2024, 18(07): 625-632.

Please choose a citation manager

Content to export