基于影像组学的子宫内膜癌保留生育功能治疗:综述
本综述总结了当前子宫内膜癌保留生育功能的治疗策略,并回顾了基于MRI、超声、CT和PET/CT的影像组学模型在预测与保留生育功能相关的预后因素(如肌层浸润、淋巴血管间隙浸润、淋巴结转移等)方面的表现,旨在帮助临床医生更准确、全面地识别适合保留生育功能治疗的患者。
要点
- 影像组学可从影像中提取人眼无法识别的定量特征,辅助预测子宫内膜癌肌层浸润、淋巴血管间隙浸润和淋巴结转移等预后因素。
- MRI是评估子宫内膜癌病灶范围最常用的影像方法,基于MRI的影像组学模型在预测深肌层浸润、淋巴血管间隙浸润和淋巴结转移方面显示出潜力。
- 超声、CT和PET/CT的影像组学应用研究较少,CT因肿瘤与肌层对比度差难以评估肌层浸润深度和宫颈间质浸润。
核心结论
- 影像组学是一种有前景的工具,可能帮助临床医生更准确、全面地识别与保留生育功能相关的风险因素。
研究设计与样本
- 本综述检索了PubMed、Web of Science和Scopus数据库,检索截止日期为2021年8月,共检索到604条结果,去重后纳入与评估保留生育功能相关风险因素有关的文章。
- 综述总结了美国国家综合癌症网络(NCCN)2021、欧洲妇科肿瘤学会(ESGO)2021指南和国际妇产科联盟(FIGO)2018癌症报告推荐的保留生育功能治疗适应证。
关键影像表现/征象
- MRI软组织分辨率好,可通过对比动态增强扫描区分子宫内膜病变与肌层信号,清晰显示病变范围。
- CT因肿瘤与肌层对比难以识别,肿瘤在CT上不可见,无法用于评估肌层浸润深度和宫颈间质浸润。
诊断标准与关键数值
- Ueno等使用随机森林模型评估137例子宫内膜癌患者的深肌层浸润,诊断准确率81.0%、特异度82.3%,与三名经验丰富的妇科影像诊断放射科医生的评估无统计学显著差异。
- Kristine等建立的全肿瘤影像组学模型预测深肌层浸润的训练集和测试集AUC分别为0.84和0.76,单层面模型分别为0.85和0.77。
- Alejandro等使用Adaboost机器学习方法建立四个模型预测深肌层浸润,最佳模型包含T2W纹理、ADC纹理及ADC和半定量图图像的统计描述符,AUC为0.87。
- Ytre-Hauge等前瞻性队列研究纳入180例患者进行磁共振纹理分析,发现44个纹理特征可独立预测深肌层浸润,最显著预测因子的准确率78.0%、特异度84.0%。
- Stanzione等建立MRI影像组学机器学习模型识别深肌层浸润,纳入54例患者(17例有深肌层浸润),机器学习模型辅助下预测准确率从82%提高到100%(p=0.48)。
临床应用与阅片要点
- 影像组学模型可作为辅助工具帮助放射科医生预测子宫内膜癌深肌层浸润,Ueno等的模型诊断准确率与经验丰富的放射科医生评估无统计学显著差异。
- MRI辅助的影像组学列线图可提高放射科医生预测深肌层浸润的表现,Yan等结合CA125、肿瘤大小和影像组学特征建立列线图。
- 多中心研究显示,放射科医生在影像组学模型辅助下预测淋巴结转移的表现优于无辅助时。
局限性
- Ueno等的研究排除了51例(24%)肿瘤可能太小而无法准确确定轮廓的患者,其深肌层浸润诊断准确率略低于既往报道。
- Ueno等建立的模型缺乏独立验证队列。
- Bereby-Kahane等的研究提示基于MRI的纹理分析预测淋巴血管间隙浸润的能力有限,原因可能是纳入样本量小。
- Zheng等在测试队列中ModelM与ModelR的差异无统计学意义,可能归因于测试队列样本量小。
- 本文存在选择偏倚可能影响研究结果。
全文中译23 节 · 点击展开
引言
子宫内膜癌(EC)是最常见的妇科恶性肿瘤之一,其发病率在全球恶性肿瘤中位居第六。根据2020年发布的癌症统计数据[1],截至2020年,美国子宫体恶性肿瘤(即主要为EC)的预期新发病例数为65,620例,EC在美国女性恶性肿瘤中位居第四。EC通常发生于绝经后女性。然而,近年来育龄期女性EC的发病率逐渐上升。约4%的EC患者年龄小于40岁[2]。这些患者中的大多数强烈希望在可能的情况下保留生育功能。然而,选择保留生育功能治疗的女性不可避免地面临疾病进展的风险[3–6]。
具有不同个体特征和组织病理学特征的患者在可行治疗方式和治疗结局方面具有不同的特征。因此,识别早期患者和评估预后因素,包括肌层浸润(MI)、淋巴血管间隙浸润(LVSI)、淋巴结转移(LNM)和宫颈间质浸润(CSI),对于评估保留生育功能治疗的适宜性至关重要[7–9]。作为目前最常用的术前评估方法,影像学可用于初步评估病灶的大小和位置。然而,一些微小病灶,如早期MI,难以通过影像学识别[9]。此外,大量可能有益于诊断和分期的纹理特征被忽略[10]。
作为一种新兴技术,影像组学可以从影像中提取人眼无法识别的图像特征。通过处理,图像特征可以转化为计算机数据。基于这些数据或将 these data 与临床信息(如临床特征和病理学)相结合,将有可能开发出更有价值的诊断和预后模型,从而指导临床医生做出更好的决策[11]。
本综述总结了目前可用的保留生育功能策略以及基于磁共振成像(MRI)、超声(US)、计算机断层扫描(CT)和正电子发射断层扫描联合CT(PET/CT)的影像组学模型在阐明与EC保留生育功能治疗相关的预测预后因素(图1)方面的表现,包括MI、LVSI和LNM。我们旨在帮助临床医生为育龄期EC患者确定更好的治疗选择。
方法
制定检索策略并应用于PubMed、Web of Science和Scopus。使用以下检索词进行检索:((endometrial OR endometrium) AND (neoplasm OR carcinoma OR cancer OR tumor) AND (radiomics OR texture)) OR ((endometrial OR endometrium) AND (neoplasm OR carcinoma OR cancer OR tumor) AND (fertility-sparing OR fertility preservation) AND (radiomics OR texture OR imaging))。检索日期截至2021年8月。共在三个数据库中检索到604条结果;去除重复后,纳入与评估保留生育功能相关危险因素有关的文章。
保留生育功能的策略
eligible患者(在选择保留生育功能治疗的患者中)的筛选非常严格。美国国家综合癌症网络[12]、欧洲妇科肿瘤学会[13]指南以及国际妇产科联盟癌症2018报告指南[14]推荐的保留生育功能治疗适应证见表1。
对于育龄期子宫内膜癌(EC)女性的标准治疗是全子宫切除及双侧输卵管卵巢切除术(TH/BSO)。这是一种有效的方法,五年生存率高达93%[2]。然而,许多此类女性因TH/BSO导致永久丧失生育能力而更倾向于保留生育功能的治疗。推荐的保留生育功能治疗见图2。
最常用的治疗方案是高剂量口服甲羟孕酮的标准方案。对于复杂性不典型增生女性,左炔诺孕酮宫内节育器可替代口服孕激素[9]。此外,糖尿病与不典型增生/子宫内膜上皮内瘤变或早期EC女性保留生育功能治疗的结局之间似乎没有相关性[15]。相反,二甲双胍的使用可能与总生存期增加和复发风险降低相关[16]。
除选择合适的治疗外,密切随访是确保保留生育功能治疗安全性和有效性的重要因素。美国国家综合癌症网络推荐的监测策略见图3。
此外,欧洲肿瘤内科学会已证明孕激素受体状态可可靠预测EC的治疗反应。然而,该指标不建议作为常规检测,因为50%的孕激素受体阴性患者已被证明对治疗有反应[2]。
保留生育功能治疗中的影像学
目前,影像学(尤其是MRI和US)是EC术前评估最常用的方法之一[17–19]。大多数临床指南建议使用MRI来确定病变范围[20]。
MRI具有良好的软组织分辨率,可区分子宫内膜病变和子宫肌层信号,通过对比动态增强扫描清晰显示病变范围。近年来,多项研究已使用MRI描述肿瘤的局部范围和扩散[21–23]。
此外,由影像学专家进行的超声检查在评估子宫内膜癌(EC)在盆腔和腹腔的累及范围方面具有不可忽视的作用。作为一种无创、廉价且便捷的影像学方法,超声适用于所有患者。Epstein等揭示超声和多普勒特征可用于EC的风险分层,这一发现被随后的一项前瞻性研究所验证[19]。
相比之下,CT在预测EC分期方面不可靠。这是因为肿瘤与子宫肌层之间的对比度难以识别,从而导致肿瘤在CT成像中不可见。因此,CT不能用于评估肌层浸润(MI)深度和宫颈间质浸润(CSI)[24]。由于具有良好的多平面空间分辨率,CT主要用于淋巴结转移(LNM)和远处转移的术前评估。通过分析39例患者的CT图像,Rizzo等得出结论,双能CT可以克服传统CT在区分病变与正常组织方面的局限性,从而为评估EC中MI深度提供了一种潜在方法[24]。
此外,PET/CT在预测MI方面已被证明与MRI性能相当[25]。然而,该方法相关的高昂费用意味着它不能被视作常规检查。
影像学已广泛应用于临床实践。然而,微小病变的识别在实践中仍然困难。此外,放射科医师和临床医师难以通过简单的视觉评估获取与病变相关的所有影像信息,且不同影像阅片者之间的差异无法得到良好控制。影像组学有潜力克服这些问题。
影像组学
作为一种无创方法,影像组学可以提取定量且可重复的图像特征进行分析。影像组学分析包括以下六个步骤。
图像采集
高质量图像的采集是影像组学的基础,对有效分析具有重要影响。应确保成像设备和协议的 uniformity。然而,如果无法做到这一点,应通过先前描述的协议校正偏倚[11, 26]。
图像分割
图像分割对影像组学分析至关重要。后续分析所使用的区域通过图像分割获得。对于肿瘤分析,关注点是目标区域内的像素和体素,可以是二维或三维区域。二维区域通常是肿瘤最大径所在的轴位层面,三维区域通常是肿瘤本身。分割方法包括手动、半自动和自动分割。由影像学专家进行的手动分割是图像分割的金标准[11, 26–30]。
数据准备
一些关键要素,包括成像方法、成像协议和分割协议,必须通过数据准备加以明确界定,这对模型创建具有重要影响[11]。
特征提取
影像组学特征被定义为从影像中提取的定量数据。影像组学特征分为四类:一阶统计量、形状、纹理特征以及通过对相关图像切片进行小波变换获得的特征。一阶统计量特征可以描述体素强度的分布。形状特征与体积的形态相关。纹理特征可以反映肿瘤内部的异质性,包括许多灰度相关特征。小波特征从原始图像的小波分解中计算强度和纹理特征[11, 27]。
特征选择
应从众多影像组学特征中选择相关特征,并去除或转换替代特征。这一过程称为降维[29–31]。
建模
建立能够精确预测疾病分类或预后的模型是影像组学的首要目标。建立影像组学模型的方法有很多。当样本量足够大时,深度学习是首选方法[11, 26, 29]。
影像组学在保留生育功能治疗中的应用
不同影像组学模型在预测与保留生育功能治疗相关的预后因素方面的性能见表2、表3和表4。
MRI
DMI
深肌层浸润(DMI)被认为是子宫内膜癌(EC)患者最重要的单一形态学预后因素[32]。Ueno等[33]使用随机森林模型评估了137例子宫内膜癌患者的DMI。在预测DMI方面,既往研究发现,所评估模型与三位在妇科影像诊断方面经验丰富的放射科医师的评估之间,诊断准确率(81.0%)和特异性(82.3%)差异无统计学意义,证明该模型可被视为可靠的辅助工具。然而,其对DMI的诊断准确率略低于既往报道[34, 35]。这是因为排除了51例(24%)肿瘤可能过小、无法准确确定轮廓的患者。在一项回顾性研究中,Kristine等[36]通过全肿瘤和单层面影像组学生成了预测模型。对于DMI的预测,全肿瘤模型中训练队列和测试队列的曲线下面积(AUC)分别为0.84和0.76。在单层面模型中,AUC分别为0.85和0.77。Yan等[37]通过结合CA125、肿瘤大小和影像组学特征开发了一种列线图来预测DMI。对于放射科医师而言,借助列线图,DMI的预测表现优于无列线图时。Zhu等[38]开发了一种基于MRI的计算机化方法来预测DMI。该方法仅需要子宫区域而非肿瘤区域。研究人员定义了一种称为LS的几何特征来评估由子宫内膜癌引发的组织结构不规则性。他们通过结合LS和纹理特征形成了称为EPSVM的模型。结果显示,与其他研究中的模型相比,EPSVM在预测DMI方面具有更好的表现。Alejandro等[39]使用Adaboost机器学习方法构建了四种模型来预测DMI。最佳模型包括T2W纹理、表观扩散系数(ADC)纹理以及来自ADC和半定量图图像的统计描述符,AUC为0.87。Ytre-Hauge等[40]设计的一项前瞻性队列研究纳入了180例子宫内膜癌患者进行磁共振纹理分析。通过勾画和分析感兴趣区(ROI),发现44个纹理特征可独立预测DMI。与传统MRI判读相比,DMI最重要的预测因素具有更好的准确率(78.0%)和特异性(84.0%)。尽管本研究在方法上与Ueno等开展的研究不同,但这些研究均表明,基于MRI的纹理分析在子宫内膜癌DMI的术前评估方面具有极好的潜力。此外,Stanzione等[32]建立了一种由MRI影像组学驱动的机器学习模型来识别子宫内膜癌中的DMI。该研究纳入了54例患者,其中17例存在DMI。借助所评估的机器学习模型,预测准确率从82%提高至100%(p = 0.48)。
淋巴血管间隙浸润(LVSI)
LVSI的定义是肿瘤细胞被内皮细胞衬覆,位于紧邻浸润边界之外[41]。研究发现,Ueno等人开发的模型在预测LVSI方面与先前使用磁共振体积测量的研究同样准确[42]。此外,在Luo等人[43]设计的一项回顾性研究中,研究人员通过最小绝对收缩和选择算子(LASSO)回归分析发现了五个可独立预测LVSI的影像组学特征。结果表明,所评估的基于多参数MRI的影像组学列线图模型能够有效预测EC相关LVSI,AUC为0.807。这一发现与Ueno等人的结论一致。然而,Ueno等人仅提取了一阶统计特征。相比之下,Luo等人开展的研究提取了多种综合影像组学特征并加入了临床人口学特征。Long等人[44]从术前T2加权和动态对比增强MRI中提取了传统影像组学特征和计算机视觉特征,并开发了两种模型来预测LVSI。模型1根据传统影像组学特征建立,而模型2的建立是为了评估在模型1中加入计算机视觉特征后性能的改善。模型1在训练队列和测试队列中的AUC分别为0.79和0.75,而模型2分别为0.93和0.81。这些发现表明,基于MRI的计算机视觉列线图在预测和适用性方面具有良好的性能。尽管Ueno等人建立的模型在预测LVSI方面优于模型1,但Ueno等人的研究缺乏独立验证队列。此外,Bereby-Kahane等人[45]开展的研究提示,基于MRI的纹理分析预测LVSI的能力有限。这一发现的原因可能是纳入的样本量较小。
淋巴结转移(LNM)
淋巴结转移(LNM)是影响子宫内膜癌(EC)预后的重要因素[46]。尽管EC早期LNM发生率较低[47],但LNM评估对于EC的有效治疗决策和预后至关重要。在Ytre-Hauge等人开展的一项研究中,通过磁共振纹理分析发现五个纹理特征是LNM具有统计学意义的预测因子[40]。对于LNM预测,Kristine等人建立的全肿瘤影像组学模型在训练队列和测试队列中的AUC分别为0.73和0.72。而在单层面模型中,AUC分别为0.83和0.56[36]。此外,一项多中心研究在662例EC患者的术前MRI上建立影像组学模型,利用随机森林模型帮助放射科医师预测EC中的LNM[48]。结果表明,借助影像组学模型辅助的放射科医师在预测LNM方面表现优于未借助者,意味着该模型对检测EC中的LNM具有满意的识别能力。然而,在某些情况下,即使评估的影像组学模型预测LNM为阳性,放射科医师也未发现后来经组织病理学证实的LNM;这可能归因于子宫覆盖了微小淋巴结或MRI空间分辨率有限。最后,Xu等人[49]基于200例EC患者的影像学和临床特征建立了四个模型,在LNM预测中表现出良好性能。整合影像学特征和临床特征(即淋巴结大小和CA125)的模型表现出最佳的区分度和准确性,尤其是对正常大小的淋巴结。
宫颈间质浸润(CSI)
CSI是EC预后不良的危险因素。对于早期CSI,表浅病变在MRI上常难以与宫颈黏膜区分,且宫颈慢性炎症的存在常干扰诊断的建立。这可能进而影响治疗决策。如果能在手术前准确识别CSI的存在,该信息将为后续治疗决策提供关键帮助。然而,根据Ytre-Hauge等人开展的一项研究,与传统MRI相比,尚无证据表明基于MRI的纹理分析有助于CSI的识别[40]。
组织学分级
组织学分级是一个重要的预后因素,对于选择有效的治疗策略具有重要意义。Ytre-Hauge等人报道,磁共振纹理分析具有预测EC组织学分级的潜力,因为他们发现了一些可预测高风险组织学亚型的特征[40]。此外,Zheng等人[50]进行的一项回顾性研究开发了三种模型来预测EC的组织学分级:ModelADC,在表观扩散系数图上手动勾画ROI;ModelR,手动分割肿瘤并随后提取放射组学特征;ModelM,将放射组学特征与CA125和体重指数(BMI)信息相结合。ModelADC在预测组织学分级方面的性能有限。在训练队列中,ModelM的AUC高于ModelR。然而,在测试队列中,ModelM与ModelR之间的差异无统计学意义。这可能归因于测试队列样本量较小。总之,所评估的三种模型呈现出不同水平的预测能力。然而,我们得出结论,同时包含放射组学特征和临床特征的ModelM是迄今为止最有效的模型。
其他
Yan等人[46]开展的一项大型多中心研究收集了717例EC患者的MRI数据。ROI由放射科医师在每一层图像上手动勾画。肿瘤分割后,将放射组学特征与临床特征相结合,建立放射组学列线图模型,并评估该模型预测高风险EC的性能。结果表明,与放射组学特征和临床特征联合模型相比,放射组学列线图具有最高的AUC。这一发现及相关文献中的类似发现表明,放射组学对预测高风险EC具有良好的诊断价值。
美国
疑似患有EC的女性必须接受两项检查:经阴道超声和子宫内膜活检[51]。对于子宫内膜厚度的评估,经阴道超声通常被认为比经腹部超声更容易计算。最近的一项荟萃分析显示,通过Van Hoslbeke主观模型预测DMI具有可接受的敏感性和特异性(80.5%,90.3%),与放射科医生借助经阴道超声的主观判断(79.5%,89.6%)相似[52]。研究表明,超声衍生的定量特征与新生儿胎龄和呼吸系统疾病密切相关,也可用于甲状腺和乳腺肿瘤的检测[53]。例如,Liu等[54]从450例甲状腺乳头状癌患者的超声图像中提取超声组学特征,并利用这些特征预测术前LNM,从而展示了该方法在改善医疗管理和减少过度治疗方面的潜力。Jin等[55]同样从放射科医生勾画的ROI中提取相关超声组学特征,并尝试使用无创方法预测早期宫颈癌的LNM。结果表明,超声组学特征在识别LNM方面表现良好。然而,迄今为止,从超声成像中获取定量特征的可重复且稳定的研究很少。子宫内膜交界区的病变以及超声表现不明确的情况,尤其是关于MI,只能从子宫内膜交界的不规则状态推断[24]。近年来,超声在LNM及相关疾病的诊断方面取得了很大进展,显示了其在肿瘤术前诊断和风险因素有效预测方面的潜力。然而,由于迄今为止缺乏超声组学研究,超声组学的可行性和临床适用性仍有待验证。
CT
Ytre-Hauge等[56]通过分析CT肿瘤纹理特征建立了预测DMI、CSI和LNM的模型。研究者在统计分析中识别了36个纹理特征。滤波器水平6的熵(Entropy6)是DMI和CSI的最佳预测因子,AUC分别为0.71和0.67。对于LNM的预测,Kurtosis5是排名最高的特征,AUC为0.69。
PET/CT
PET/CT是一种使用示踪剂的成像方法,最常用的示踪剂是氟脱氧葡萄糖(FDG)。FDG被高效利用葡萄糖的细胞(如肿瘤细胞)摄取,随后通过PET成像检测。EC具有较高的葡萄糖代谢和糖酵解相关速率,使其适合18F-FDG PET/CT成像。一项既往回顾性研究报告,体积密度和不规则形状是使用PET/CT预测LNM的最强相关特征,且该方法对检测EC中的LNM具有高特异性[57]。Elisabetta等[58]基于PET/CT成像提取了75个放射组学特征以预测LNM。灰度大小区域矩阵的区域百分比(GLSZM ZP)是p值最低且AUC最高的特征。训练队列中的敏感性和特异性分别为0.75和0.81。测试队列中的敏感性和特异性分别为0.89和0.80。
前景
本综述总结了基于影像组学的EC保留生育治疗方面的进展。近年来,随着研究的扩展和多中心临床试验的开展,对EC危险因素的预测性能日益准确。然而,一些问题和关切仍然存在。
首先,选择偏倚的存在可能使本研究的结果产生偏倚。例如,在分析影像组学预测DMI的性能时,所有纳入的患者均接受了子宫切除术[32, 33]。为评估预测的准确性,有必要准确了解危险因素的存在与否。然而,在未行手术的情况下,这一信息并不明确。矛盾的是,这种选择方法忽略了非手术患者对预测准确性的影响。在评估LVSI、LNM和CSI时也存在类似问题[33, 43–45, 48, 49]。为解决这一问题,在预测LNM时,无淋巴结活检结果的患者被定义为阴性[46]。显然,这种方法不够准确。未来应讨论如何避免纳入这些患者所产生的偏倚。如果这一问题能够得到解决,预测准确性也将随之提高。其次,靶区勾画是影像组学工作流程中最耗时的步骤。样本量、靶区尺寸和勾画方式均会影响开展影像组学所需的时间。手动分割是金标准,但耗时过多。一种能够有效且自动分割肿瘤的工具具有节省时间并克服医师间不可避免的差异的潜力。这是一个值得在临床研究中全面研究的潜在课题。第三,在全肿瘤体积分析中确定肿瘤的感兴趣体积(VOI)时,MRI扫描层厚对特征提取的影响尚不明确。未来研究需要更全面地比较全肿瘤衍生特征与单层衍生特征之间的差异。第四,一些研究将CA125和BMI等临床特征加入预测模型以提高预测性能。然而,迄今为止,尚无研究将已知危险因素,如DMI、LNM和LVSI,加入预测模型以观察这些因素是否相互影响。第五,迄今为止发表的大多数研究为回顾性研究,其样本量不够大,不足以具有足够的检验效能。未来需要大样本量的多中心前瞻性研究来检验各评估预测模型的各自性能。第六,影像组学分析的步骤,包括图像分割和特征提取,需要外部工具。放射科医师无法在现有的用于图像分析和报告的平台上直接进行影像组学分析。如果影像组学分析软件能够整合到现有影像平台中,实施影像组学分析的便利性将大幅提高。第七,理想情况下,应在影像组学工作流程中明确界定标准化的图像采集、图像分割和特征提取流程。但在目前情况下,这很难实现。在不同中心,设备类型、成像方案和软件版本通常不同,这可能影响影像组学特征和模型的可重复性。数据的归一化是一个值得未来讨论的课题。第八,目前,影像组学的应用仍处于探索阶段。在影像组学应用于临床实践之前,影像组学流程的归一化和质量控制以及影像组学模型的可重复性仍需改进。随着跨学科的普及,临床医生、放射科医师和计算机技术人员的合作将推动影像组学的发展。
结论
我们总结了影像组学在评估与保留生育功能相关危险因素方面的表现。影像组学是一种有前景的工具,可能有助于临床医生更准确、更全面地识别与保留生育功能相关的危险因素。然而,在将影像组学应用于放射科医生的日常实践之前,还需要开展更多研究。
引用
- Wang Y, Chen Z, Liu C, et al. Radiomics-based fertility-sparing treatment in endometrial carcinoma: a review. Insights Imaging. 2023. PMID: 37466860. doi:10.1186/s13244-023-01473-y
- 全文:PMC10356732(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10356732/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。