人工智能用于X线舟骨骨折检测:系统综述与诊断准确性Meta分析
该系统综述与诊断准确性Meta分析纳入截至2023年7月的10项回顾性研究,评估卷积神经网络在腕关节X线上检测舟骨骨折的效能。Meta分析纳入7项研究共3373幅图像,合并敏感度0.80、特异度0.89、总体AUC 0.88。作者认为结果有前景,但需在临床环境中进一步比较AI与人类诊断性能。
要点
- AI检测舟骨骨折的合并敏感度0.80、特异度0.89、总体AUC 0.88,诊断性能良好。
- 10项研究均为回顾性,QUADAS-2评估10项中9项存在高偏倚风险和适用性担忧。
- AI辅助使2名新手放射科医师检测舟骨骨折的AUC从0.75升至0.85、从0.71升至0.80。
核心结论
- AI在X线上检测舟骨骨折的当前诊断性能结果有前景,总体敏感度、特异度和SROC结果均较高。
- 需进一步研究在临床环境中比较AI与人类的诊断性能。
- AI系统可能有助于临床医生和放射科医生早期诊断、避免漏诊,对明显和隐匿性舟骨骨折均有潜在益处。
研究设计与样本
- 系统综述与诊断准确性Meta分析,遵循PRISMA和PRISMA-DTA指南,检索PubMed截至2023年7月的原始英文文献。
- 共纳入10项回顾性研究(2020至2023年发表),样本图像数从356幅至11838幅不等。
- Meta分析纳入7项研究、共3373幅图像,采用双变量诊断随机效应模型和SROC曲线分析。
- 使用QUADAS-2工具评估偏倚风险与适用性,10项研究中9项存在高偏倚风险和适用性担忧。
- 参考标准为各研究报告的诊断「ground truth」,具体内容见补充表S1。
关键影像表现/征象
- AI检测舟骨骨折的AUC范围为0.77至0.96,准确率范围为72.0%至90.3%。
- 1个CNN(VGG16)AUC为一般,8个CNN为良好,10个CNN为优秀。
- Hendrix等报告在PA位基础上补充尺偏PA位、斜位和全部可用体位时AUC分别从0.79升至0.84、从0.79升至0.85、从0.79升至0.88,补充侧位未见显著改善。
- Yoon等的三步模型对隐匿性骨折的AUC为0.81,完整流程正确识别90.9%的隐匿性骨折。
- Langerhuizen等报告人类观察者漏诊的6例隐匿性舟骨骨折中AI检出5例;Ozkaya等报告AI与人类对7例隐匿性骨折的准确率相同,两者均漏诊。
诊断标准与关键数值
- Meta分析合并敏感度0.80(95%CI 0.75–0.84),合并特异度0.89(95%CI 0.82–0.94),总体AUC 0.88。
- AUC判定标准:0.9至1为优秀,0.8至0.9为良好,0.7至0.8为一般,小于0.7为差。
- 研究间异质性高,I²范围为80%至90%。
- Cohen等报告舟骨骨折检测敏感度AI为84%、初始放射学报告为80%;全队列分析中初始放射学报告联合AI的敏感度高于单独AI或单独初始放射学报告。
- Lee等报告AI辅助下2名新手放射科医师检测舟骨骨折的AUC分别从0.75升至0.85、从0.71升至0.80。
临床应用与阅片要点
- AI可辅助减少舟骨骨折漏诊并协助诊断隐匿性骨折,尤其对经验较少的医师诊断能力提升更明显。
- Grad-CAM热图或「感兴趣区」标注可突出可疑骨折区域,有助于将临床怀疑导向隐匿性骨折。
- Hendrix等报告AI辅助使5/10对放射科医师间一致性提高、4/10名放射科医师阅片时间缩短,但多数放射科医师诊断性能未提高。
- 各项研究所用投照体位不一(1至4个投照位不等),2项研究未说明投照体位,阅片时需注意AI模型训练所用体位与本院方案的匹配。
局限性
- 纳入的10项研究均为回顾性研究。
- QUADAS-2评估显示10项研究中9项存在高偏倚风险和适用性担忧。
- 研究间异质性高,I²范围为80%至90%。
- 比较AI与人类对照的研究缺乏,现有数据难以就AI与人类观察者的相对性能得出明确结论。
- 需进一步研究在临床环境中比较AI与人类的诊断性能。
全文中译13 节 · 点击展开
引言
舟骨骨折是最常见的腕骨骨折类型,发生率为82–89%[1]。早期发现和制动对于舟骨骨折的成功处理至关重要[2–4],因为被忽视未治疗的舟骨骨折可能导致缺血性坏死、腕关节不稳和早期骨关节炎等并发症[4–8]。
X线检查因具有可及性和成本效益而被广泛用于识别舟骨骨折。然而,腕关节X线片诊断舟骨骨折的敏感性相对较低(66–81%),隐匿性舟骨骨折的可能性高达50%[9–13]。腕关节X线片的舟骨骨折判读具有挑战性,并且是急诊科延迟或错误诊断的常见原因。X线片通常由非专科医师或初级骨科住院医师评估,可能影响准确性并导致漏诊骨折[14]。因此,可能由于经验较少人员的存在或疲劳,在晚间和夜班时段误诊发生率更高,此外可处理该工作量的急诊放射科医师长期相对短缺[15]。
虽然CT或MRI等先进影像模态在检测隐匿性舟骨骨折方面比X线片更敏感,但这些模态存在固有缺点,如CT增加辐射暴露和MRI医疗费用高[2,16,17]。
因此,提高平片X线片上舟骨骨折的敏感性和检出率具有临床和经济双重优势。卷积神经网络(CNN)是用于图像分析的突出人工智能(AI)深度学习算法[18,19]。CNN通过利用重复模式专门设计用于处理图像数据。它们已被用于各种医学图像处理,如放射学图像、皮肤病变、视网膜扫描、内镜图像和组织病理学标本[19–29]。
AI算法已被证明在识别急诊科常见的各种急性病变方面有效,例如肺栓塞、腹腔内游离气体、颅内出血和股骨颈骨折[15]。事实上,已有研究探索AI方法以提高腕关节X线片上舟骨骨折检测的敏感性。
本系统综述和荟萃分析旨在全面评估关于使用AI在腕关节X线片上检测舟骨骨折的现有数据。本综述对当前AI系统在该领域的有用性和准确性进行了全面分析,并探讨其未来的潜在应用。
材料与方法
本系统综述遵循系统综述和荟萃分析首选报告项目(PRISMA)及PRISMA-诊断试验准确性指南[30,31]。在PubMed数据库中对截至2023年7月发表的相关研究进行了文献检索,检索词为:(“Scaphoid Bone”[Mesh]或“Wrist”[Mesh]或“scaphoid”或“scaphoid fracture”或“Wrist Fractures”[Mesh])和(“deep learning”[Mesh]或“artificial intelligence”[Mesh]或“convolutional neural network”或“CNN”或“Neural Networks, Computer”[Mesh])。还检索了纳入研究的参考文献目录以寻找其他相关研究。
研究的纳入标准为:(1)使用人工智能(AI)方法在腕部X线片上诊断舟骨骨折,(2)报告了ROC曲线下面积(AUC)和/或准确率的统计分析,(3)以英文发表,(4)原创论著。
使用标准化数据提取表收集所有纳入研究的数据,包括发表年份、期刊名称及所属机构、研究设计、研究时间段、腕部X线片的数量和体位、患者数量和图像数量、骨折类型(可见或隐匿性)、诊断参考标准、流程步骤数量、AI名称、CNN架构、ROI标注、数据输入比例、诊断准确率/AUC、敏感度、特异度以及真阳性/假阳性/假阴性/真阴性。采用诊断准确性研究质量评价(QUADAS-2)评估偏倚风险和适用性[32]。
统计分析
基于每项研究构建的真阳性、假阴性、真阴性和假阳性的列联表,对AI在腕部X线片中检测舟骨骨折的系统评价和荟萃分析结果进行分析。
采用双变量诊断随机效应荟萃分析,并使用汇总受试者工作特征(SROC)曲线评估结果[33]。SROC曲线考虑了给定检验的敏感度和特异度值,并兼顾每项独立研究中的不同截断点。对拟合的SROC计算曲线下面积(AUC)。AUC是诊断准确性的总体汇总指标,常用于报告AI分类模型的性能。ROC曲线以真阳性率(敏感度)对假阳性率(1-特异度)绘制。AUC越高,模型区分舟骨骨折与非骨折平片的能力越好。AUC值在0.9至1之间被认为优秀,0.8至0.9之间为良好,0.7至0.8之间为一般。AUC小于0.7被认为较差。准确率定义为正确预测数除以总预测数(真阳性+真阴性/总数据集)。采用I2统计量评估研究间异质性。分析使用R 4.0.5软件及“mada”和“meta”包进行。
结果
纳入研究及数据集大小
文献检索共检索到303项研究,其中9项研究符合纳入标准,另通过手工检索获得1项[2, 16, 34–41]。研究选择流程图见图1,纳入研究的特征总结于表1。所有研究均为回顾性研究,发表于2020年至2023年间。
10项纳入研究的样本量范围不同,所用图像数量从356至11,838不等。表S1(补充材料)提供了各研究完整数值数据的汇总,包括诊断参考标准(“金标准”)。
纳入研究简要总结
Langerhuizen等[34]开发了一个单步CNN模型,仅包含舟骨骨折检测步骤;舟骨分割为手动完成。该模型显示出尚可的诊断准确性,AUC为0.77,并将其诊断性能与五位骨科外科医生进行了比较。临床医生的特异性更好,但CNN在准确性和敏感性方面表现相似。然而,该算法在识别明显骨折方面存在困难,并出现了一些假阳性提示。
Ozkaya等[16]也开发了一个单步骨折检测CNN,而舟骨分割为手动完成。将该CNN的诊断性能与一名急诊科医生和两名手外科医生进行了比较。该CNN具有良好的AUC,为0.84。该CNN的性能与经验较少的骨科专科医生相当,并优于急诊科医生。
Yoon等[35]开发了一个3步CNN模型。首先,通过分割CNN对舟骨进行定位。随后,连续使用两个CNN,一个用于检测舟骨骨折,另一个用于检查前一个CNN的阴性病例,以检测隐匿性骨折。骨折检测CNN取得了优异的诊断性能,AUC为0.955。“隐匿性骨折检测”CNN具有良好的AUC,为0.81。完整模型成功识别了90.9%的隐匿性骨折。
Hendrix等[36]开发了一个2步CNN模型,并将其诊断性能与十一名具有不同经验的放射科医生进行了比较。第一个CNN对舟骨进行定位,并自动将感兴趣区域传递给骨折检测CNN。该CNN具有良好的AUC,为0.87,并表现出与放射科医生相当的性能水平。
Tung等[37]开发了一个2步CNN模型:舟骨分割CNN继以舟骨骨折检测CNN。使用并比较了十种不同的骨折检测CNN,AUC范围为0.86至0.95。
Yang等[38]开发了一个2步CNN模型:舟骨分割CNN和舟骨骨折检测CNN,其取得了优异的诊断性能,AUC为0.917。
Li等[2]开发了一个2步CNN模型:舟骨分割和舟骨骨折检测;并将其诊断性能与四名手外科医生进行了比较。骨折检测CNN取得了优异的诊断性能,AUC为0.92。他们得出结论,CNN的能力与外科医生的多数决策相当,并具有达到专家级性能的潜力。
Hendrix等[39]开发了一个2步CNN模型:舟骨分割和侧别分类CNN,以及舟骨骨折检测CNN,并评估了该AI系统的诊断性能。他们还进行了一项观察者研究,以对AI系统的性能进行临床验证,并比较了五名肌肉骨骼专家放射科医生在有和无AI辅助下的诊断性能。该CNN具有良好的AUC,为0.88,与五名放射科医生的平均性能(AUC 0.87)相当。AI辅助改善了5/10对放射科医生之间的一致性,并使4/10名放射科医生的阅片时间缩短。然而,该算法并未改善大多数放射科医生的诊断性能。
Cohen 等[40]使用了一个市售的人工智能系统,并评估其在检测不同腕部骨折(包括舟骨骨折)方面的诊断性能。他们还开展了一项观察者研究,以对人工智能系统进行临床验证,并比较了由41名经验各异、非肌肉骨骼影像专科的放射科医师所作的初步放射学报告(IRR)的诊断性能。随后,将IRR、单独人工智能结果以及两者联合进行了比较。IRR+人工智能观察中,只要人工智能或IRR任一方检测到即视为阳性,而不论另一组结果如何。舟骨骨折检测的敏感性在人工智能(84%)和IRR(80%)之间相似。对全队列(即所有骨折部位)的分析显示,IRR+人工智能联合的敏感性高于单独人工智能或单独IRR。
Lee 等[41]开发了一个人工智能模型,用于检测三种常见类型的腕部骨折:桡骨远端、尺骨茎突和舟骨骨折。该模型由两个卷积神经网络(CNN)组成:舟骨分割和舟骨骨折检测,二者同时运行并整合为最终评估。两名新手放射科医师也在有人工智能模型辅助和无辅助的情况下诊断了骨折部位。评估了人工智能模型的诊断性能,并与新手放射科医师进行了比较。该人工智能模型在舟骨骨折检测方面具有良好的AUC,为0.808。当新手放射科医师在人工智能模型辅助下工作时,检测舟骨骨折的AUC分别从0.75显著提高到0.85,以及从0.71提高到0.80。
X线片特征
两项研究[34, 39]使用了包含4个投照位置的全腕系列(前后位(AP)、后前位(PA)、侧位和斜位,或AP/PA、尺偏AP/PA、侧位和斜位)。两项研究[2, 35]使用了2个投照位置(PA或舟骨位),一项研究[41]使用了腕部X线片的3个投照位置(AP、侧位、斜位),一项研究[36]使用了他手部、腕部和舟骨的多个投照位置,一项研究[37]使用了2个投照位置(AP和侧位),一项研究[16]使用了1个投照位置(AP)。两项研究[38, 40]未说明使用了哪些投照位置。七项研究[2, 34–36, 39–41]说明了排除标准,包括X线片质量差、陈旧性骨折、固定装置、硬件、慢性手部疾病、关节炎和肿瘤。其他三项研究[16, 37, 38]未说明任何排除标准。
CNN流程结构与人工智能特征
一项研究[40]使用了市售软件,而其他九项研究[2, 16, 34–39, 41]使用X线片开发CNN进行人工智能训练和测试。
有关人工智能特征的数据见表S2(补充材料)。所开发的人工智能模型使用了九种不同的CNN架构类型以及各种增强技术。八项研究[2, 16, 34–36, 38, 39, 41]使用了单一CNN架构,且每项研究各不相同。一项研究[37]比较了10种不同的CNN架构类型。
研究中常用的CNN模型为VGG16 [34, 37]、Resnet-50 [16, 37]、DenseNet-121 [36, 37]、ResNet-152 [37, 38]和Inception-V3 [37, 39],各出现两次。三项研究 [2, 35, 36] 使用Grad-Cam功能基于输入图像生成热图并突出骨折区域。另一项研究 [41] 使用了另一种热图,而在一项单一研究 [40] 中使用的商用AI系统将用于突出“感兴趣区”的边界框作为其组成部分。
两项研究 [34, 36] 使用单步流程模型,仅用CNN进行骨折检测。舟骨分割通过手动裁剪和调整舟骨大小以适配矩形ROI来完成,该ROI随后作为骨折检测CNN的输入。
六项研究 [2, 36–39, 41] 使用两步流程模型:舟骨分割CNN followed by 骨折检测CNN。
此类CNN的示例见图2 [36]。
一项研究 [35] 使用三步流程模型,包括舟骨分割CNN和随后的骨折检测CNN。前两步的阴性结果在第三个CNN中重新评估,该CNN设计用于诊断先前流程步骤中遗漏的隐匿性骨折。整个流程随后在新图像上单独测试。一项研究使用了商用系统,其中舟骨分割和骨折检测为该系统集成的一部分 [40]。
AI对舟骨骨折检测的性能
AI与人类性能比较的数据见表S3(补充材料)。AI检测舟骨骨折的性能AUC从0.77到0.96不等。骨折检测的准确率范围为72.0%至90.3%。各CNN的敏感性和特异性见森林图(图3和图4)。
七项研究报告了深度学习算法的性能,合计3373张图像。合并敏感性和特异性分别为0.80(95% CI 0.75–0.84)和0.89(95% CI 0.82–0.94)(图3和图4)。
Tung等 [37] 比较了应用于同一数据集的10种不同CNN,发现AUC范围为0.86至0.95。其他八项研究 [2, 16, 34–36, 38, 39, 41] 也报告了较高的AUC,从0.77至0.96。
AUC对1种CNN(VGG16 [34])为一般,对8种CNN(ResNet50 [16]、Densenet 121 [36]、VGG16 + VGG19 + Reset152 + DenseNet169 [37]、Inception-V3 [39]、NasNet [41])为良好,对10种CNN(EfficientNetB3 [35]、ResNet50 + ResNet101 + DenseNet121 + DenseNet201 + InceptionV3 + EfficientNetB0 [37]、ResNet152 [38]、MobileNetV3 [2])为优秀。
表2显示,尽管不同作者报告的相同CNN架构结果可能接近,但并不完全相同。
Hendrix 等 [39] 使用多种输入配置评估其算法在不同 X 线投照体位下的性能,包括后前位(PA)、尺偏后前位、斜位和侧位。当后前位视图辅以尺偏后前位视图(AUC,0.79 至 0.84)、斜位视图(AUC,0.79 至 0.85)及所有可用视图(AUC,0.79 至 0.88)时,算法的骨折检测性能有所提高。然而,增加侧位视图未见显著改善。
深度学习模型诊断腕部X线片上舟骨骨折的汇总受试者工作特征(SROC)曲线图见图5。SROC曲线下面积为0.88,合并敏感度为80%,特异度为89%。
隐匿性骨折的诊断
Langerhuizen 等 [34] 报告,人类观察者漏诊的6例隐匿性舟骨骨折中有5例被AI检出。相反,Ozkaya 等 [16] 报告AI与人类在7例相似的隐匿性骨折中准确率相同,这些骨折被两者均漏诊。Yoon 等 [35] 开发了两种AI模型,第一种检测显性和隐匿性舟骨骨折,第二种应用于第一种模型输出的无骨折图像以检测隐匿性骨折。隐匿性骨折模型的AUC为0.81,整个流程正确识别了90.9%的隐匿性骨折。
使用QUADAS-2工具的质量评估总结于表3。
讨论
AI在X线舟骨骨折检测中的潜在作用有两方面。首先,它有助于减少舟骨骨折的漏诊;其次,它有助于诊断隐匿性舟骨骨折。本综述和荟萃分析显示,AI检测舟骨骨折的总体诊断性能非常好,接近极佳。AI在该领域检测显性和隐匿性骨折均显示出有前景的结果。虽然缺乏比较AI性能与人类对照的研究,但现有数据表明当前AI系统的性能水平与人类专家相当。
AI特征与诊断准确性
评估AI在腕部X线片舟骨骨折检测中作用的研究数量相对有限,且发表时间较近(2020年或之后),这反映了该领域新近、活跃且不断发展的特点。CNN系统已从依赖手动舟骨分割的一步流程模型发展为包含基于CNN的舟骨分割的两步流程模型 [2, 16, 34–41]。
初步结果显示出很大希望:10/19和8/19的CNN分别表现出优秀和良好的AUC性能。这意味着,这些模型在经过相当小的数据集训练后,能够在平片摄影中准确检测舟骨骨折。CNN的不同评分可能源于不同的层架构和增强技术。同一CNN在不同研究之间的差异可能来自异质性输入数据,例如图像数量、训练/验证/测试子集中的数据比例以及图像质量。AI系统中使用的放射学投影在不同研究之间也有所不同,导致训练和测试队列多样,结果也不同。
在最近一篇纳入14项研究并评估AI检测股骨颈骨折诊断性能的综述[42]中,报告的平均AUC为0.969。该AUC评分相比当前的合并SROC评分略高。然而,考虑到隐匿性股骨近端骨折的患病率(2–10%)[43]低于舟骨骨折,这一结果是合理的。
CNN性能与人类性能的比较
迄今为止发表的研究结果令人鼓舞,AI系统在AUC测量中表现出中等至优秀的性能[2, 16, 34–39, 41]。
只有三项研究[16, 34, 36]将AI诊断性能与人类对照进行了比较,其中结果不一。Langerhuizen等[34]发现CNN与五名骨科外科医生的诊断性能准确性之间无显著差异。同样,Hendrix等[36]发现CNN与十一名放射科医生之间的AUC无显著差异。另一方面,Ozkaya等[16]发现一名经验丰富的骨科专家表现更好,且AUC高于CNN。
总体而言,AI系统的合并敏感度和特异度分别为0.80和0.89。这表明AI系统具有良好的诊断性能前景。然而,各项研究中的人类性能比较组和构成数据集的信息具有高度异质性,使得难以就AI与人类观察者的相对性能得出明确结论。
三项研究[39–41]进行了临床验证研究,以比较人类和AI的诊断性能,并揭示在这些情境中使用AI的潜在益处。Hendrix等[39]发现,虽然AI系统缩短了某些放射科医生的阅读时间,但并未使大多数放射科医生的诊断性能得到改善。另一方面,Cohen等[40]报告称,AI系统的实施提高了骨折检测的敏感度。此外,Lee等[41]证明,AI系统显著提高了两名新手放射科医生识别骨折的诊断性能。这些研究共同强调了将AI技术整合到诊断过程中的潜在优势,展示了某些放射科医生在阅读时间和敏感度方面的改善,同时也为经验较少的医疗专业人员提供了诊断能力的显著提升。
GRAD-CAM功能旨在将人工智能输出与当前医疗系统整合,并通过突出可疑骨折区域(热图)使临床医生能够直接评估人工智能输出。该功能、其他热图或任何描绘“感兴趣区域”的特征可能有助于将临床怀疑引导至隐匿性骨折,促进早期诊断和治疗。事实上,五项研究利用GRAD-CAM功能或类似特征来突出舟骨最可能骨折的区域,依据卷积神经网络(CNN)[2, 35, 36, 40, 41]。该功能此前曾被用于开发诊断股骨颈骨折的人工智能系统[42]。Cheng等[44]报告称,将该技术整合到临床流程中是可行的,并能提高医生的诊断准确性,尤其是新手临床医生。Sato等[45]报告称,使用GRAD-CAM提高了住院医师级别医生诊断股骨髋部骨折的准确性、灵敏度和特异度。
本综述存在若干局限性。文献检索仅限于英文。可用于训练卷积神经网络的现有数据集相对较小且异质性大,不能完全代表真实临床病例的复杂性。此外,不同人工智能系统之间的卷积神经网络架构存在差异,这也限制了对其进行比较的能力。此外,没有一项研究在临床环境中评估其算法的性能,在临床环境中,低质量图像或存在石膏固定等因素可能影响诊断。而且,很少有研究将人工智能系统的诊断性能与临床医生或放射科医生进行比较;只有近期研究对人工智能系统进行了临床验证。
在纳入的研究中使用QUADAS-2工具显示,10项研究中有9项存在高偏倚风险和对适用性的担忧。
这些局限性凸显了该领域进一步研究和开发的必要性,包括在更多样化和更具代表性的图像集中测试算法,并在真实临床环境中评估其性能。
在当前文献中,关于使用人工智能在其他模态如CT或MRI中检测舟骨骨折的数据匮乏。这可能归因于以下事实:这些模态通常被用作疑似隐匿性骨折的确认工具,而不是诊断和管理舟骨骨折的初始或最常用模态。因此,人工智能开发和研究在X线成像背景下更为突出。
总之,人工智能在腕部X线片上检测舟骨骨折的当前诊断性能显示出有前景的结果,具有高合并灵敏度和特异度以及高SROC结果。人工智能系统尚不能取代人类在舟骨骨折检测中的作用,但它们可能补充和增强医生的诊断性能。对于新手医疗从业者,人工智能系统可以提高骨折检出率,尤其是在隐匿性骨折病例中。对于更有经验的临床医生,人工智能系统可作为强大的诊断辅助工具,尤其是与热图结合使用时。需要进一步研究以在临床环境中建立人工智能与人类诊断性能之间的比较。
尽管如此,现有的人工智能系统已经能够在诊断明显骨折和隐匿性骨折方面为经验不足的临床医生带来益处;并且与热力图结合使用时,还能帮助专家促进管理。
补充信息
以下是电子补充材料的链接。补充文件1(PDF 281 KB)
引用
- Kraus M, Anteby R, Konen E, et al. Artificial intelligence for X-ray scaphoid fracture detection: a systematic review and diagnostic test accuracy meta-analysis. Eur Radiol. 2023. PMID: 38097728. doi:10.1007/s00330-023-10473-x
- 全文:PMC11213739(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11213739/
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。