基于剪切波弹性成像及超微血管成像影像学参数构建乳腺癌新辅助化疗疗效预测模型的预测效能

乳腺癌是女性最常见的恶性肿瘤，约占每年新发女性恶性肿瘤的30%，也是女性癌症死亡的第二大原因［1-2］。

其化疗模式有术前新辅助化疗、术后辅助
化疗、转移和复发的化疗，新辅助化疗可降低乳腺癌的分期，如不可手术者降期为可手术，不保乳者降为可保乳。

通过肿瘤变化，可了解其对方案是否敏感，
以便判断预后及术后是否行加强治疗［3］。

早期评价
新辅助化疗疗效对乳腺癌患者具有重要价值。

超声剪切波弹性成像（shear wave elastography ，SWE ）是
DOI ：10.3969/j.issn.1672-0512.2024.03.016
［通信作者］ 田妍，Email ：***************。

基于剪切波弹性成像及超微血管成像影像学参数构建
乳腺癌新辅助化疗疗效预测模型的预测效能
田 妍
四川省自贡市第一人民医院超声医学科，四川 自贡 643000
［摘要］ 目的：探讨基于剪切波弹性成像（SWE ）及超微血管成像（SMI ）影像学参数构建的乳腺癌新辅助化疗疗效预测模型的预测效能。

方法：收集160例乳腺癌患者，其中训练集120例，验证集40例。

根据化疗效果分为完全缓解（pCR ）组和非pCR 组。

收集患者相关资料，采用单因素和多因素二元logistic 回归分析筛选乳腺癌患者新辅助化疗后非pCR 的独立影响因素，通过RStudio 4.2.1构建列线图风险模型并验证。

结果：单因素分析显示，2组雌激素受体（ER ）、孕激素受体（PR ）、人类表皮生长因子受体-2（HER -2）、内部回声、钙化、边缘毛刺、最大径、动脉收缩期血流峰值速度（PSV ）、RI 、双侧横向剪切波速度比值（SWVr ）及Adler 血流分级差异均有统计学意义（均P <0.05）。

多因素分析：临床特征分析显示，ER 、PR 、HER -2均是非pCR 的独立影响因素（均P <0.05）；影像学特征分析显示，PSV 、SWVr 均是非pCR 的独立影响因素（均P <0.05）；联合分析显示，ER 、PR 、HER -2、PSV 、SWVr 均是非pCR 的独立影响因素（均P <0.05）。

训练集临床特征模型、影像学特征模型、联合模型，验证集临床特征模型、影像学特征模型、联合模型的AUC 分别为0.770（95%CI 0.681～0.858）、0.960（95%CI 0.915～1.000）、0.969（95%CI 0.926～1.000）、0.745（95%CI 0.634～0.855）、0.980（95%CI 0.947～1.000）、0.948（95%CI 0.871～1.000）；敏感度分别为81.10%、93.20%、94.60%、
82.20%、100.00%、98.60%；特异度分别为65.20%、91.30%、93.50%、88.00%、85.20%、88.00%。

结论：乳腺癌患者新辅助化疗后非pCR 受ER 、PR 、HER -2、PSV 、SWVr 的共同影响，根据上述因素建立预测模型具有较好的预测效能。

［关键词］ 乳腺肿瘤；剪切波弹性成像；超微血管成像；新辅助化疗；风险预警模型
Predictive efficiency of a model of neoadjuvant chemotherapy for breast cancer based on parameters of shear wave elastography and superb microvascular imaging TIAN Yan
Department of Ultrasound ，Zigong First People ’s Hospital of Sichuan Province ，Zigong 643000，China
［Abstract ］ Objebtive ：To explore the predictive efficiency of the model of neoadjuvant chemotherapy for breast cancer based on shear wave elastography （SWE ） and superb microvascular imaging （SMI ） parameters. Methods ：A total of 160 patients with
breast cancer were collected and divided into the training cohort （120 cases ） and the validation cohort （40 cases ）. After neoadjuvant chemotherapy ，the patients were divided into the pathological complete remission （pCR ） group and non -pCR group according to the effect of chemotherapy. Univariate and multivariate logistic regression analysis were performed on the related factors ，and a nomogram risk model was constructed and verified. Results ：Univariate analysis showed that ER ，PR ，HER -2，internal echo ，calcification ，edge burr ，the maximum diameter ，PSV ，RI ，SWVr and Adler grade of blood flow were significantly different between the two groups （all P <0.05）. Multivariate analysis showed that ER ，PR ，HER -2，PSV and SWVr were independent factors affecting the occurrence of non -pCR （all P <0.05）. The AUCs of the clinical model ，the imaging features model and the combined model of the training cohort were 0.770（95%CI 0.681～0.858），0.960（95%CI 0.915～1.000） and 0.969（95%CI 0.926～1.000），the sensitivities were 81.10%，93.20% and 94.60%，and the specificities were 65.20%，91.30% and 93.50%. The AUCs of the clinical model ，the imaging features model and the combined model of the validation cohort were 0.745（95%CI
0.634～0.855），0.980（95%CI 0.947～1.000） and 0.948（95%CI 0.871～1.000），the sensitivities were 82.20%，100.00% and 98.60%，and the specificities were 88.00%，85.20% and 88.00%. Conclusions ：The occurrence of non -pCR in breast cancer patients after neoadjuvant chemotherapy is affected by ER ，PR ，HER -2，PSV and SWVr. According to the above factors ，the predictive model has a good predictive efficiency.［Key words ］ Breast neoplasms ；Shear wave elastography ；Superb microvascular imaging ；Neoadjuvant chemotherapy ；Risk early
warning model
近年来发展的超声新技术，其通过实时、定量测量组织的弹性差异，以硬度值评估组织的变形能力，可用来鉴别乳腺肿瘤良恶性［4］，组织弹性越差，恶性风险越高，反之则提示良性病变可能性大。

而超微血管成像（superb microvascular imaging，SMI）可通过识别血流和组织运动产生的噪声，采用自适应的计算方法，有效分离血流信号和重叠的组织运动伪像，保留最精确的低速血流信号，无需对比剂即可实现极低流速微小血管的可视化，在某些方面甚至可替代超声造影［5］。

本研究探讨基于SWE及SMI参数构建乳腺癌新辅助化疗疗效预测模型的预测效能，报道如下。

1 资料与方法
1.1 一般资料
收集2021年12月至2022年12月在我院治疗的120例乳腺癌患者作为训练集，另将2021年6月至2022年12月治疗的40例乳腺癌患者作为验证集。

160例均为女性，均在新辅助化疗后行手术治疗。

将训练集120例根据化疗效果分为病理学完全缓解（pathological complete remission，pCR）组46例和非pCR组74例。

纳入标准：①化疗前经病理确诊为乳腺癌；②均行SWE和SMI检查；③影像与临床资料完整。

排除标准：①治疗依从性差；②妊娠期或哺乳期妇女；③合并其他恶性肿瘤。

1.2 仪器与方法
采用声科声蓝超声诊断仪，L15-4线阵探头，行乳腺超声检查，记录肿瘤最大径、动脉血流RI、动脉收缩期血流峰值速度（peak systole velocity，PSV）。

SWE检查时，将取样框置于病灶镜像位置对侧腺体同等深度处，测量横向剪切波速度（shear wave velocity，SWV），将取样框置于病灶内部，紧贴肿瘤边缘，测量SWV，计算对侧与患侧SWV的比值（SWVr）。

乳腺SMI检查采用佳能I800超声诊断仪，18 MHz 线阵探头，取样框置于病灶内部，紧贴肿瘤边缘，调整彩色壁滤波<50 Hz，彩色血流速度为2.5～3.5 cm/s。

通过CDFI观察并寻找微小血管分布最丰富肿瘤切面，确定后启动SMI模式观察血流情况。

根据Adler 分级法，将血流情况分为4级：0级，无血流信号；Ⅰ级，少量血流信号；Ⅱ级，可见1条主要血管或几条小血管；Ⅲ级，多量血流，可见4条及以上血管［6］。

1.3 研究指标
收集患者年龄、月经状态、BMI、病理类型、雌激素受体（estrogen receptor，ER）、孕激素受体（progesterone receptor，PR）、人类表皮生长因子受体-2（human epidermal growth factor receptor-2，HER-2）、淋巴结、临床分期、内部回声、后方回声、钙化、边缘毛刺、最大径、PSV、RI、SWVr、Adler血流分级情况。

1.4 疗效评价
pCR为腋窝淋巴结及乳腺均无浸润性癌残留，但导管内可有癌成分残留，即镜下瘤床内癌细胞消失，由增生纤维组织取代，较多细胞浸润，并见泡沫状细胞；反之则为非pCR［7］。

1.5 统计学方法
采用SPSS 20.0软件行统计学分析。

计量资料以xˉ±s表示，组间比较行t检验；计数资料以例（%）表示，行χ2检验。

组间比较采用单因素分析，将单因素分析差异有统计学意义的因素纳入自变量行多因素分析，以临床指标构建临床特征模型，影像学（SWE与SMI 检查）指标构建影像学特征模型，所有自变量共同构建联合模型。

通过RStudio 4.2.1绘制风险预测模型列线图、ROC曲线及决策曲线。

通过ROC曲线评估模型预测效果，决策曲线分析（DCA）评估模型的临床获益情况，以训练集行模型的的内部验证，验证集行模型的外部验证。

以P<0.05为差异有统计学意义。

2 结果
2.1 单因素分析
训练集中pCR组与非pCR组的ER、PR、HER-2、内部回声、钙化、边缘毛刺、最大径、PSV、RI、SWVr及Adler血流分级比较，差异均有统计学意义（均P< 0.05）（表1）。

2.2 多因素分析及模型构建
将化疗疗效作为因变量（pCR=0，非pCR=1），pCR组与非pCR组单因素分析中差异有统计学意义的因素作为自变量行多因素分析（表2）。

临床特征分析，ER、PR、HER-2均是非pCR发生的独立影响因素（均P<0.05）（表3）。

其临床特征模型：Logit（P）= -1.594+0.760×X ER+1.099×X PR+1.114×X HER-2。

影像学特征分析，PSV、SWVr均是非pCR发生的独立影响因素（均P<0.05）（表4）。

影像学特征模型：Logit（P）= -14.247+0.611×X psv+1.437×X SWVr。

联合分析，ER、PR、HER-2、PSV、SWVr均是非pCR发生的独立影响因素（均P<0.05）（表5）。

联合模型：Logit（P）=-16.727+ 0.970×X ER+1.427×X PR+1.352×X HER-2+0.495×X psv+ 0.997×X SWVr。

绘制联合模型的列线图（图1）。

2.3 模型的临床获益评价
决策曲线显示，阈值概率为0～0.88时，该模型的临床获益较大（图2）。

表1 训练集中2组临床和影像学特征的单因素分析结果
因素年龄（岁，x ±s ）月经状态［例（%）］ 绝经 未绝经
BMI （kg/m 2，x ±s ）病理类型［例（%）］
浸润性导管癌 黏液癌 浸润性小叶癌ER ［例（%）］ 阴性 阳性PR ［例（%）］
阴性 阳性HER -2［例（%）］
阴性 阳性淋巴结［例（%）］
阴性 阳性
临床分期［例（%）］ Ⅰ～Ⅱ期 Ⅲ～Ⅳ期内部回声［例（%）］ 均匀
不均匀后方回声［例（%）］ 无
衰减 增强钙化［例（%）］
有 无边缘毛刺［例（%）］ 有 无
最大径（mm ，x ±s ）PSV （cm/s ，x ±s ）RI （x ±s ）SWVr （x ±s ）Adler 血流分级［例（%）］
<Ⅱ级
Ⅱ级
注：pCR 为完全缓解，ER 为雌激素受体，PR 为孕激素受体，HER -2为人类表皮生长因子受体-2，PSV 为动脉收缩期血流峰值速
度，SWVr 为对侧与患侧横向剪切波速度比值，Adler 血流分级为根据超微血管成像进行的血流分级。

a 为t 值，b
为χ2值。

pCR 组（n =46）50.34±6.7229（63.04）17（36.96）
24.03±2.5836（78.26） 8（17.39） 2（ 4.35）28（60.87）18（39.13）33（71.74）13（28.26）25（54.35）21（45.65）26（56.52）20（43.48）25（54.35）21（45.65）28（60.87）18（39.13）32（69.57） 3（ 6.52）11（23.91） 7（15.22）39（84.78） 4（ 8.70）42（91.30）22.95±5.4311.28±3.05 0.63±0.06 5.24±2.3932（69.57）14（30.43）非pCR 组（n =74）49.37±7.1536（48.65）38（51.35）
24.46±2.3742（56.76）24（32.43） 8（10.81）19（25.68）55（74.32）30（40.54）44（59.46）60（81.08）14（18.92）45（60.81）29（39.19）41（55.41）33（44.59）30（40.54）44（59.46）54（72.97） 8（10.81）12（16.22）25（33.78）49（66.22）26（35.14）48（64.86）
31.97±10.6418.13± 3.26 0.71± 0.12 8.43± 0.4724（32.43）50（67.57）统计值0.510a 2.368b 0.606a 5.847b
14.746b
11.072b 9.813b 0.216b 0.013b 4.694b 1.492b 5.000b
10.576b 5.329a 11.467a 4.202a
11.167a 15.715b
P 值0.6120.1240.5460.054
<0.001
0.001
0.002
0.642
0.910
0.030
0.474
0.025
0.001<0.001<0.001<0.001<0.001<0.001
2.4 各预测模型的ROC 曲线分析
训练集临床特征模型、影像学特征模型、联合
模型与验证集临床特征模型、影像学特征模型、联合模型的AUC 分别为0.770（95%CI 0.681～0.858）、0.960（95%CI 0.915～1.000）、0.969（95%CI 0.926～1.000）、0.745（95%CI 0.634～0.855）、0.980（95%CI 0.947～1.000）、0.948（95%CI 0.871～1.000）；敏感度分别为81.10%、93.20%、94.60%、82.20%、100.00%、98.60%；特异度分别为65.20%、91.30%、93.50%、88.00%、85.20%、88.00%（图3，4）。

联合模型校正曲线总体趋势接近理想曲线，表明模型拟合度良好，具有较好的预测效能（图5～10）。

3 讨论
早期乳腺癌患者的5年生存率可达95%，远高于
表2 logistic 回归自变量赋值
自变量
ER PR
HER -2内部回声钙化
边缘毛刺最大径PSV RI
SWVr
Adler 血流分级
注：ER 为雌激素受体，PR 为孕激素受体，HER -2为人类
表皮生长因子受体-2，PSV 为动脉收缩期血流峰值速度，SWVr 为对侧与患侧横向剪切波速度比值，Adler 血流分级为根据超微血管成像进行血流分级。

赋值方法阴性=0，阳性=1阴性=0，阳性=1阳性=0，阴性=1均匀=0，不均匀=1无=0，有=1无=0，有=1实际值实际值实际值实际值
<Ⅱ级=0，Ⅱ级=1
表4 影像学特征多因素分析结果
影响因素PSV SWVr 常量
注：PSV 为动脉收缩期血流峰值速度，SWVr 为对侧与患侧横向剪切波速度比值，OR 为比值比。

β值0.6111.437
-14.247
标准误0.1050.3072.957
Wald χ2值33.84821.92423.213
P 值<0.001<0.001<0.001
OR 值1.8424.209
<0.001
95%CI
1.499～
2.2632.306～7.681表3 临床特征多因素分析结果
影响因素ER PR
HER -2常量
注：ER 为雌激素受体，PR 为孕激素受体，HER -2为人类表皮生长因子受体-2，OR 为比值比。

β值
0.7601.0991.114
-1.594标准误0.3840.3970.4090.523
Wald χ2值3.9157.6527.4089.295
P 值
0.0480.0060.0060.002
OR 值2.1383.0003.0450.203
95%CI
1.007～4.5391.377～6.5341.366～6.789
表5 临床与影像学特征联合的多因素分析结果
影响因素ER PR
HER -2PSV SWVr 常量
注：ER 为雌激素受体，PR 为孕激素受体，HER -2为人类表皮生长因子受体-2，PSV 为动脉收缩期血流峰值速度，SWVr 为对
侧与患侧横向剪切波速度比值，OR 为比值比。

β值0.9701.4271.3520.4950.997
-16.727标准误0.4260.4460.4510.1180.3013.759
Wald χ2值5.18010.2208.965
17.55911.00319.797P 值0.0230.0010.003
<0.0010.001<0.001OR 值2.6384.1643.8641.6412.710
<0.00195%CI
1.144～6.0821.737～9.9861.595～9.3601.301～
2.0681.504～4.884晚期乳腺癌［8］。

因此，早诊断、早治疗是改善乳腺癌
患者预后、降低死亡率的关键。

新辅助化疗可缩小
肿瘤，为局部晚期患者创造手术条件［9］。

SWE 是基
于机械振动感应原理获得组织内横向传播的剪切波速度，或将其转化为杨氏模量值，从而实时定量评估组织弹性。

SMI 是直接作用于血管部位的成像
方法［10］。

常规超声可清晰确定肿瘤的边界，测量肿
瘤大小。

SWE 常用于乳腺癌的诊断，能在病灶形态还未发生明显改变时检测到病灶内部硬度的改变，间接反映新辅助化疗疗效。

有研究表明，肿瘤硬度
对新辅助化疗疗效具有良好的预测作用［11-13］。

本研究显示，ER 、PR 、HER -2、PSV 、SWVr 均是化
疗疗效的独立影响因素（均P <0.05）。

独晓燕等［7］
研
究表明，ER 、PR 、HER -2均是乳腺癌患者新辅助疗效
③
⑤
④
⑥
⑧
⑦
敏感度
敏感度
实际概率
实际概率
实际概率
1-特异度
1-特异度
预测概率
预测概率
预测概率
预测概率
临床特征模型
影像学特征模型联合模型参考线
临床特征模型影像学特征模型联合模型参考线
1.00.80.60.40.2 1.00.80.60.40.21.00.8
0.60.40.2 1.00.8
0.60.40.2 1.00.8
0.60.40.20.2 0.4 0.6 0.8 1.0
0.2 0.4 0.6 0.8 1.0
0.2 0.4 0.6 0.8 1.0
0.2 0.4 0.6 0.8 1.0
0.2 0.4 0.6 0.8 1.0
0.2 0.4 0.6 0.8 1.0
拟合曲线校正曲线标准曲线
拟合曲线校正曲线标准曲线
拟合曲线校正曲线标准曲线
拟合曲线校正曲线标准曲线
实际概率
1.00.80.60.40.2❾
❿
拟合曲线校正曲线标准曲线
拟合曲线校正曲线标准曲线
预测概率
预测概率
实际概率
0.80.60.40.2
0.50.40.30.2
实际概率
0.2 0.4 0.6 0.8
0.2 0.3 0.4 0.5
的独立影响因素，与本研究结果一致。

分析其原因，ER 和PR 均可下调细胞周期的基因活性，进而影响受
体通路对细胞的生长、发育分化［14-16］。

HER -2基因
可调控正常细胞的增殖、生长及分化，其被激活后，
则具备肿瘤转化活性［17］。

陈磊［18］
研究表明，PSV 及
SWVr 是影响乳腺癌新辅助化疗疗效的独立影响因素，与本研究一致。

分析其原因，PSV 及RI 降低是肿瘤供血不足的表现，而新辅助化疗可导致肿瘤细胞坏死变形，血管萎缩可减少病灶对周围组织的压迫，
降低RI 。

但由于内皮结构较完整，因此PSV 会随之降低。

剪切波在较硬组织中的传播速度较在软组织中
快，这是SWVr 下降的基础［19］。

本研究构建了临床特
征与影像学特征的联合模型并绘制列线图，临床实际应用时，可结合ER 、PR 、HER -2、PSV 、SWVr 的具体数值或得分代入模型，得出各项评分和总分，推算出乳腺癌患者化疗无效的概率。

本研究构建的联合模型的预测效果好，模型校正曲线总体趋势接近理想曲线，表明模型拟合效度好，预测价值高。

但由于本研
图1 联合模型预测乳腺癌患者新辅助化疗后非完全缓解（pCR ）的列线图 注：ER 为雌激素受体，PR 为孕激素受体，HER -2为
人类表皮生长因子受体-2，PSV 为动脉收缩期血流峰值速度，SWVr 为对侧与患侧横向剪切波速度比值 图2 联合模型的决策曲线 注：All 表示所有患者发生非pCR ，且经干预后所获得的效益；None 表示所有患者均为pCR ，且未经干预获得的效益（即为0）；阈值概率为0～0.88时，该模型的临床获益较大
图3，4 临床特征模型、影像学特征模型及联合模型预测乳腺癌患者新辅助化疗后非完全缓解（pCR ）的ROC 曲线 注：图3为训练集的ROC 曲线，图4为验证集的ROC 曲线 图5 临床特征模型训练集校正曲线 图6 临床特征模型验证集校正曲线 图7 影像学特征模型训练集校正曲线 图8 影像学特征模型验证集校正曲线 图9 联合模型训练集校正曲线 图10 联合模型验证集校正曲线
②
①
标准化净收益
联合模型All None
高风险阈值
成本效益比
1.0
0.8
0.6
0.4
0.2
0 0.2 0.4 0.6 0.8 1.0
1∶100 1∶4 2∶3 3∶2 4∶1 100∶1
究为单中心取样，且样本量较小，存在一定局限性。

综上所述，乳腺癌患者新辅助化疗后非pCR受ER、PR、HER-2、PSV、SWVr的共同影响，根据上述因素建立的预测模型具有较好的预测效能。

［参考文献］
［1］贺新，彭书甲，师弘. 乳腺癌患者原发灶与复发转移灶中ER、PR、HER-2及Ki-67表达异质性的回顾性分析［J］.
现代肿瘤医学，2023，31（9）：1660-1665.
［2］JOKAR N，VELIKYAN I，AHMADZADEHFAR H，et al.
Theranostic approach in breast cancer：a treasured tailor for future oncology［J］. Clin Nucl Med，2021，46（8）：e410-e420.
［3］杨柳，张明坤，季福庆，等. HER-2阳性乳腺癌新辅助化疗疗效影响因素分析及相关预后模型的构建［J］. 现代
肿瘤医学，2023，31（11）：2037-2041.
［4］许多，王振宇，郑慧玲，等. 超声剪切波弹性成像联合血管形成-血流指数鉴别诊断老年乳腺肿瘤良恶性的评估
价值［J］. 中国老年学杂志，2023，43（10）：2346-2349.［5］刘尔球，刘丽娟，邓益菁，等. 常规超声、超微血管成像联合超声弹性成像技术对乳腺病灶良恶性的诊断效能［J］.
中国医药导报，2022，19（22）：144-148.
［6］傅庆印，刘莹，刘启平，等. 彩色多普勒能量图联合超微血管成像技术对乳腺肿块的诊断价值［J］. 医学影像学
杂志，2021，31（3）：445-448.
［7］独晓燕，马秀芬，周海存，等. 血清CTC联合临床特征对乳腺癌新辅助治疗效果的预测价值［J］. 中国现代医学
杂志，2023，33（5）：1-8.
［8］武丽霞，尹成方，郭鹏飞，等. 数字乳腺断层摄影评价乳腺癌新辅助化疗疗效的临床价值［J］. 医学影像学杂志，2022，32（6）：966-969，974.
［9］朱彦芳，朱永琪，纪华，等. 治疗前T2WI水肿表现预测
乳腺癌新辅助化疗疗效的价值［J］. 磁共振成像，2023，14（4）：76-81，88.
［10］叶冬熳，侯怡如，潘福治，等. 超声及其新技术的影像评估乳腺癌新辅助治疗效果［J］. 中华放射学杂志，2021，
55（8）：885-888.
［11］李守超，曹军英，金壮，等. 超声定量参数早期评估乳腺癌新辅助化疗效果的价值研究［J］. 医学影像学杂志，
2022，32（9）：1525-1529.
［12］覃莉丽，成宏，匡思杰，等. 剪切波弹性成像联合AKT1对判断局部晚期HER2阳性乳腺癌患者新辅助化疗效
果及短期预后的预测价值［J］. 河北医科大学学报，
2022，43（11）：1297-1301，1327.
［13］黄梅，王树群，冯娜娜，等. 弹性评分法和VTQ对乳腺癌新辅助化疗疗效评价的预测价值［J］. 医学影像学杂
志，2022，32（7）：1247-1250.
［14］陈伟娜，王延涛，底玮，等. 影响年轻乳腺癌患者新辅助化疗后病理完全缓解及预后的因素分析［J］. 中国综合
临床，2020，41（2）：102-108.
［15］王勒，郑红梅，吴新红，等. 乳腺癌临床病理特征和分子分型对新辅助化疗疗效及预后的预测价值［J］. 中华实
用诊断与治疗杂志，2019，33（8）：739-743.
［16］吴佳芮，黄晓玲. 超声新技术在乳腺癌新辅助化疗疗效评估中的应用进展［J］. 中国中西医结合影像学杂志，
2022，20（1）：92-95.
［17］张唤雨，张喜平. 乳腺癌新辅助化疗对ER、PR、Her-2表达的影响［J］. 中国现代医学杂志，2020，30（12）：57-61.［18］陈磊. 化疗期间超声弹性成像指标对预测乳腺癌新辅助化疗疗效的评估模型及其效能［J］. 实用医学杂志，
2018，34（12）：2035-2038.
［19］李莹，李亚洲，吴云爽，等. 乳腺癌对新辅助肌注睾酮-阿那曲唑治疗的快速反应的超声评估研究［J］. 现代生
物医学进展，2022，22（13）：2540-2544.
（收稿日期2023-06-15）
（上接第301页）
［10］LEE K H，KIM D W，BAEK J W，et al. Comparison of computed tomography features between follicular
neoplasm and nodular hyperplasia［J］. Cancer Imaging，
2016，16（1）：31.
［11］KIM D W，JUNG S J，BAEK H J. Computed tomogra⁃phy features of benign and malignant solid thyroid
nodules［J］. Acta Radiol，2015，56（10）：1196-1202.［12］FORTUNA G，RIOS P，RIVERO A，et al. Papillary thy⁃roid carcinoma with cystic changes in a patient with
prior history of toxic nodule［J］. J Investig Med High
Impact Case Rep，2020，8：1557559472.
［13］侯锦路，臧秀，吴家伟，等. 纵横比及强化残圈征在CT 增强扫描鉴别甲状腺良恶性结节中的价值［J］. 中国中
西医结合影像学杂志，2022，20（5）：414-417.
［14］TRAYLOR K S. Computed tomography and MR imag⁃ing of thyroid disease［J］. Radiol Clin North Am，
2020，58（6）：1059-1070.
［15］王克英，孔莹，于娜娜，等. 甲状腺结节钙化的CT表现对鉴别良恶性的价值［J］. 临床放射学杂志，2019，
38（3）：419-422.
［16］LI J W，CHANG C，CHEN J Y，et al. Nodule size ef⁃fect on diagnostic performance of ultrasonography and
computed tomography for papillary thyroid carcinoma［J］.
Curr Med Imaging Rev，2019，15（5）：489-495.
（收稿日期2023-05-21）。