文献速递神经MR

自动化脑萎缩评估中的正常队列:应纳入多少健康受试者?

Normal cohorts in automated brain atrophy estimation: how many healthy subjects to include?
PubMed 文献 · Eur Radiol · 2024-01-08

本研究从五个公开队列中汇集3945名健康受试者构成正常队列,对48例阿尔茨海默病患者用veganbagel生成基于动态正常模板的灰质萎缩图,发现年龄和性别特异性正常模板至少需15名受试者才能获得一致的脑萎缩评估;使用不同正常队列(HCP-A、IXI、OASIS-3、Rockland)对21例AD和21例匹配健康对照的内侧颞叶萎缩定性判读显示诊断一致性好(组内相关系数0.91,Cochran Q检验p=0.19),读者间Kappa为0.98。

要点

  • 年龄和性别特异性正常模板至少需纳入15名健康受试者,才能获得一致的自动化脑萎缩评估。
  • 使用不同正常队列对内侧颞叶萎缩的定性判读和基于影像的AD诊断无显著影响(组内相关系数0.91,Cochran Q检验p=0.19)。
  • 两名神经放射科医生基于萎缩图判读AD与健康对照的诊断一致性好,读者间Kappa为0.98。

核心结论

  • 年龄和性别特异性正常模板至少应纳入15名受试者,以获得一致的脑萎缩评估。
  • 在本研究背景下,对区域萎缩的定性判读可实现可靠的AD诊断,读者间一致性好,且不受所用正常队列影响。

研究设计与样本

  • 回顾性研究,经当地伦理委员会批准(#2021-1424),免除书面知情同意。
  • 从五个公开队列(HCP-A、IXI、Rockland、ADNI健康对照、OASIS-3)汇集3945名健康受试者构成汇集正常队列(NCpool),年龄55±21岁,女性占57.9%。
  • 纳入48例AD患者(73±7岁,范围55–82岁,女性占37.5%),使用开源软件veganbagel基于CAT12.7和SPM12生成基于年龄和性别特异性正常模板的灰质z-score萎缩图。
  • 通过迭代过程(每个AD患者随机抽取3至100名健康受试者构建动态正常模板,重复100次)确定z-score方差曲线的膝点,以所有患者膝点的最大值定义为一致萎缩评估所需的最少受试者数。
  • 另选21例AD和21例匹配健康对照,分别使用HCP-A、IXI、OASIS-3和Rockland四个正常队列生成萎缩图,由两名有九年经验的神经放射科医生盲法独立判读内侧颞叶萎缩程度。

关键影像表现/征象

  • AD患者的z-score方差曲线在小样本量时急剧下降,膝点最小为9名受试者,最大为15名受试者(平均11.0±1.2,中位数11,四分位距10–12)。
  • 采用最大膝点15名受试者时,所有患者z-score的对应标准差为0.34±0.026(范围0.297–0.432)。
  • 使用四个不同正常队列生成的颜色编码z-score萎缩图示例显示,同一AD患者的萎缩模式视觉表现相似。

诊断标准与关键数值

  • 内侧颞叶萎缩视觉评分采用Likert量表(每半球):0=无萎缩,1=轻微至中度萎缩(萎缩图上少数萎缩体素),2=明显萎缩(更显著的体积丢失区域),3=严重萎缩(大面积体积丢失,包括z-score≥10的体素)。
  • 当双半球评分≥2时判定为AD诊断。
  • 读者间可靠性总体Cohen Kappa为0.98;各队列Kappa:HCP-A为1,Rockland为1,IXI为0.98,OASIS-3为0.93。
  • 跨队列组内相关系数为0.91;Cochran Q检验p=0.19,Bonferroni校正后配对McNemar检验均无显著差异(HCP-A/IXI p=0.48;HCP-A/OASIS-3 p=0.48;HCP-A/Rockland p=1;IXI/OASIS-3 p=1;IXI/Rockland p=0.48;OASIS-3/Rockland p=0.48)。

临床应用与阅片要点

  • 在临床使用自动化脑萎缩评估软件时,应确认其年龄和性别特异性正常模板至少包含15名健康受试者,以保证评估一致性。
  • 基于萎缩图的区域萎缩定性判读可用于AD诊断,读者间一致性好,且不同正常队列的选择不影响诊断可靠性。
  • 在选择商业解决方案时,可参考本研究结果质疑未披露、规模不足或评估不充分的正常队列。

局限性

  • 内侧颞叶萎缩定性评估的样本量中等。
  • 仅评估了一种软件方法(veganbagel)。
  • 所利用的五个正常队列主要代表世界西北部地区人群,后续研究需解决研究结果对全球人口的适用性。
  • 随着正常模板中受试者数量增加,100次迭代中同一受试者可能被重复纳入,但考虑到已确定的最少15名受试者及研究要求每个患者至少有100名年龄和性别匹配的受试者,这些重叠可能不会扭曲主要结论。
  • 需要更多针对性研究评估正常模板的稳健性,尤其是基于有限受试者构建的模板。
全文中译13 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2024 Jan 8;34(8):5276–86. doi: 10.1007/s00330-023-10522-5

引言

脑萎缩在多种神经退行性疾病的进展和诊断中起着关键作用,例如阿尔茨海默病(AD)[1]、额颞叶痴呆[2]以及其他疾病[3–5]。此外,脑体积变化在治疗监测中日益重要,例如在多发性硬化症中[6]。然而,在MRI上检测区域性脑体积改变,尤其是疾病早期阶段细微的体积丢失,可能具有挑战性,并且存在较高的阅片者间变异[7]。软件辅助评估已显示出减少这种变异的潜力[8],这对于准确诊断和治疗监测是可取的。

目前有多种软件方法可用于辅助检测和量化脑体积变化[9, 10]。示例性软件包括icobrain dm(icometrix)、BIOMETRICA(jung diagnostics)、NeuroQuant(Cortechs.ai)、Quantib ND(Quantiv)和volBrain(免费在线工具,https://volbrain.upv.es/ [11])。这些工具主要提供较大尺度结构(如额叶)的体积(例如以cm3为单位),通常以正常百分位曲线的形式呈现。VEOmorph(VEObrain)[8]、VSRAD(Eisai)[12]和veganbagel(开源,https://github.com/BrainImAccs/veganbagel)[13]等方法基于(对于veganbagel而言为匹配的)正常队列推导体素级z分数统计量,并提供基于感兴趣区的z分数(VEOmorph和VSRAD)或用于解读的颜色编码叠加图(VEOmorph、VSRAD和veganbagel)。一个关键差异在于结果的可解释性,因为颜色编码的萎缩图允许对萎缩模式进行更精细的评估。

脑萎缩估计的一个关键方面是使用正常队列进行比较。根据方法的不同,患者可能在整个正常队列的背景下进行评估,也可能与正常队列中的受试者子集进行匹配,考虑年龄、性别以及可能的其他因素(如扫描仪型号)[14–18]。高质量正常队列(最好与当地环境良好匹配)的需求已被广泛认可。然而,用于一致性萎缩估计的正常队列所需的最低健康受试者数量,以及使用不同正常队列对诊断可靠性的影响,尚未在文献中得到充分确立。

考虑到这些研究空白,本研究旨在:确定在使用年龄和性别特异性正常队列时,一致性脑萎缩估计所需的最低受试者数量,以及

以AD患者的内侧颞叶萎缩模式为例,评估使用不同正常队列对检测区域性脑萎缩模式的影响。

通过实现这些目标,本研究旨在促进更好地理解影响自动化脑萎缩估计工具准确性的因素,并为优化其在临床环境中的使用提供见解。

方法

该回顾性研究已获得当地伦理委员会批准(#2021-1424)。免除书面知情同意的要求。

用于萎缩估计的软件

开源软件 veganbagel [13] 是一种自动化工作流程,用于生成相对于年龄和性别特异性正常模板的萎缩图,本研究对其进行了适配以用于分析。该工作流程如图 1 所示。使用了基于 Docker 版本的 veganbagel(https://github.com/BrainImAccs/veganbagel,提交 6a2ac5f),该版本采用 CAT12.7(r1713)[19] 和 SPM12(版本 7771)[20] 的独立版本,无需 MATLAB 许可证。

图 1 veganbagel 工作流程可视化。简言之,对正常队列受试者的结构 T1 加权成像进行标准化预处理,包括使用 CAT12 for SPM12 以默认设置进行灰质标准化、分割、调制和空间平滑。在健康受试者预处理完成后,对每个性别和年龄(包含实际年龄 ±2 岁)计算体素层面的均值和标准差(SD),从而生成年龄和性别特异性正常模板(绿色框)。随后对同样预处理的受试者(黄色框)计算体素层面的 z 分数图(即“萎缩图”,红色框),其表达的是相对于年龄和性别特异性正常模板的偏差。萎缩图可逆向变换至受试者空间并进行颜色编码以生成叠加图,右侧展示了来自阿尔茨海默病神经影像学倡议(ADNI)的一例 63 岁男性阿尔茨海默病患者的示例。 查看原图 ↗

一致的脑萎缩估计

为确定一致萎缩检测所需的最少健康受试者数量,将来自五个不同公共队列的所有健康受试者纳入一个汇总正常队列(NCpool),纳入标准如下:(a) 年龄和性别已知;(b) 可获得层厚 ≤ 1.5 mm 的脑结构 3D T1 加权数据集;(c) 扫描通过了队列内部质量控制(如适用);以及 (d) 使用 CAT12 预处理成功。正常队列包括寿命人类连接组计划衰老项目(HCP-A,始于 2009 年,正在进行 [21])、图像信息提取项目(IXI,2005-2006)、Nathan Kline 研究所–Rockland 样本(Rockland,数据共享始于 2010 年,正在进行 [22]),以及阿尔茨海默病神经影像学倡议(ADNI,2003 年,正在进行 [23])中的健康对照(HC)和开放获取影像研究系列 3(OASIS-3,2019 年发布,正在进行 [24])。ADNI 于 2003 年作为公私合作项目启动,由首席研究员 Michael W. Weiner 医学博士领导(http://www.adni-info.org/)。如果研究中存在多次访视,则使用第一次访视。

从 ADNI 数据库中检索 AD 患者,作为脑萎缩患者的替代。AD 患者的纳入标准与健康受试者类似,但仅当 (a) 可获得层厚 ≤ 1 mm 的结构成像,且 (b) 根据患者的性别和年龄,NCpool 中有 ≥ 100 名相同性别和年龄 ± 2 岁的受试者可供使用(见下文)。

为了确定一致萎缩估计所需的健康受试者最低数量,我们在本地高性能计算集群上执行了一个迭代过程。该过程包括使用不同的正常模板反复计算每位AD患者的萎缩图,这些模板通过从NCpool中随机选取数量逐渐增多的健康受试者动态创建。健康受试者从NCpool中随机选取,以尽量减少不同扫描仪、站点和队列的影响。此外,整个过程重复多次。然后取萎缩图内z分数方差的一种度量,并针对贡献于正常模板的相应受试者数量进行绘制。我们预期在贡献于正常模板的健康受试者数量较少时z分数存在相当大的方差,随后稳步下降,最后进入平台期[25]。

应用于每位AD患者的迭代过程的详细概览可见图2。该过程首先从NCpool中随机选取三名年龄(± 2岁)和性别匹配的健康受试者。按照veganbagel方法学,这些受试者被用于创建均值和标准差(SD)正常模板,随后用于计算AD患者的z分数图。整个流程执行100次,每次迭代均涉及从NCpool中随机选取三名新的合格受试者以创建新的正常模板。这为每位AD患者产生了100张不同的z分数图。在100次重复中计算z分数图的体素级SD,第二步确定SD的空间均值( ),代表脑萎缩估计的一致性。

对于每位AD患者,该过程以上述三名健康受试者形成随机动态正常模板开始。该数量通过每次增加一名健康受试者而逐步增加(例如,抽取四名受试者,上述程序重复100次),最终最多有100名健康受试者贡献于随机动态模板。每名受试者仅被纳入正常模板一次,即使有多幅扫描可用(例如,由于ADNI内的会话内重复成像),但在100次重复期间可能被重复纳入。重复次数和正常模板内受试者上限的依据来自先前一项veganbagel研究的结果[13],该研究使用了由10至61名受试者组成的模板。为确保更大的灵活性和全面性,我们的研究拓宽了这些参数。设定贡献于正常模板的受试者下限为三名,因为已确定少于三名受试者贡献于正常模板会产生不切实际的高方差。

将其与贡献正常模板的随机选择受试者数量进行绘制。“Kneedle”方法用于确定每条曲线的膝点,该方法包括对数据进行平滑样条拟合、归一化,并找到数据最大值与最小值之间对角线的最大距离(https://github.com/etam4260/kneedle.)[26]。所有患者中膝点的最大值代表向正常模板添加更多正常受试者时的收益递减点,被定义为脑萎缩评估中获得一致结果所需的最小受试者数量。

图2 建立一致萎缩估计所需最小健康对照受试者数量流程的概述。该流程对本研究中纳入的每例AD患者重复进行。*与AD患者性别相同且年龄±2岁的健康受试者被视为符合条件 查看原图 ↗

不同正常队列的影响

为检验使用不同正常队列进行萎缩估计对诊断可靠性的影响,我们从ADNI数据库中识别出AD患者,这些患者在每个可用的非ADNI正常队列(HCP-A、IXI、OASIS-3和Rockland)中均具备先前建立的按年龄和性别特异的最小受试者数量。ADNI数据库中的HCs根据年龄、性别和扫描仪与AD患者进行匹配。我们使用veganbagel为每例AD患者和HC受试者生成颜色编码的萎缩图,分别使用每个正常队列。

萎缩图由两名各具有九年经验的神经放射科医师(C.R.和J.C.)以随机顺序独立审阅,评估内侧颞叶萎缩的严重程度,审阅者对诊断和所属正常队列设盲。内侧颞叶萎缩在AD中兼具预测和预后价值[27–29]。在本研究的背景下,对每个半球采用Likert量表进行评分,包括以下项目:0=无萎缩,1=轻度至中度萎缩(即萎缩图所示少量体素萎缩),2=明显萎缩(萎缩图所示更显著的体积丢失区域),3=严重萎缩(大面积体积丢失,包括z分数≥10的体素)。当双半球评分≥2时判定为AD诊断。

读者间可靠性采用Cohen's Kappa计算,并针对每个正常队列确定基于评分的AD诊断的敏感度和特异度。为评估不同正常队列之间的一致性,计算双向组内相关系数。采用Cochran's Q检验和经Bonferroni校正的成对McNemar检验比较结果。p<0.05被认为具有统计学意义。统计分析使用R v4.0.3完成[30]。

数据可用性

手稿中使用的所有数据要么是公开可用的,要么可从各自队列的数据库供合格研究人员获取(见“致谢”)。

结果

一致的脑萎缩估计

合并正常队列(NCpool)由3945名健康受试者组成(55±21岁,57.9%为女性,表1,图3和图4)。共有48例AD患者纳入分析(73±7岁(范围55–82),37.5%为女性,图3)。13例AD患者使用GE扫描仪扫描,9例使用Philips扫描仪,26例使用Siemens扫描仪。AD患者共使用了27台不同的3-T扫描仪。

在所有AD患者中,在纳入正常模板的少量健康受试者中观察到该值的急剧下降(图5)。拐点在各患者间存在差异,最小为9名受试者,最大为15名受试者(平均11.0 ± 1.2,中位数11,四分位距10至12)。因此,脑萎缩评估中获得一致结果所需的最少受试者数量为15,相应的所有患者z评分为0.34 ± 0.026(范围0.297至0.432)。

表1 正常队列和合并NCpool的描述性统计 查看原表 ↗
图3 纳入合并正常队列的受试者(虚线左侧)和来自阿尔茨海默病神经影像学倡议(ADNI)的阿尔茨海默病患者(虚线右侧),用于确定纳入正常队列的最少受试者数量。*来自合并正常队列。HCP-A,寿命人类连接组计划老龄化项目;IXI,图像信息提取;OASIS-3,开放获取影像研究系列3;Rockland,Nathan Kline研究所–Rockland样本;QC,质量控制 查看原图 ↗
图4 各年龄段符合纳入年龄和性别特异性模板条件的受试者数量,以堆叠面积图显示,并按各贡献正常队列进行颜色编码。受试者在年龄范围±2岁以内且为同一性别时被视为符合条件 查看原图 ↗
图5 所有重复的体素级z评分的平均标准差随随机抽取纳入动态生成正常模板的受试者数量变化的曲线图。所有确定的拐点的最大值(= 15),代表向正常模板添加更多正常受试者时收益递减的点,由黑色虚线表示。左侧为女性患者,右侧为男性患者 查看原图 ↗

不同正常队列的影响

21例AD患者和21名匹配HC的子集在HCP-A、IXI、OASIS-3和Rockland正常队列中有超过15名可用的健康受试者(表2)。两名神经放射科医生之间的读者间信度很高,视觉评定量表确定的萎缩程度的总体Cohen's Kappa为0.98(表3)。对于各队列,Cohen's Kappa在HCP-A和Rockland中为1,IXI为0.98,OASIS-3为0.93。图6显示了所获得的每种萎缩图的示例。

两名读者在所有病例中对AD和HC的诊断一致。表4列出了每位读者和每个正常队列各自的准确度、敏感度和特异度,以及阳性和阴性预测值。各队列间的组内相关系数为0.91。Cochran's Q检验未显示不同队列间存在显著差异(p = 0.19)。同样,经Bonferroni校正的成对McNemar检验也未发现显著差异(HCP-A/IXI:p = 0.48;HCP-A/OASIS-3:p = 0.48;HCP-A/Rockland:p = 1;IXI/OASIS-3:p = 1;IXI/Rockland:p = 0.48;OASIS-3/Rockland:p = 0.48)。

表2 用于测试使用不同正常队列对区域萎缩检测影响的阿尔茨海默病(AD)患者和匹配健康对照(HC)受试者的人口学信息,选自阿尔茨海默病神经影像学倡议(ADNI)数据库。所有扫描仪均为3T 查看原表 ↗
表3 基于使用veganbagel生成萎缩图对内侧颞叶萎缩程度定性评级的汇总(HC 健康对照,AD 阿尔茨海默病,R 右,L 左) 查看原表 ↗
图6 使用veganbagel为一名67岁女性阿尔茨海默病(AD)患者计算的颜色编码z分数图(=萎缩图)示例,分别使用四个不同的正常队列生成。颜色编码z分数图叠加于原始3D T1加权MRI采集图像上,以轴位平面显示 查看原图 ↗
表4 基于使用veganbagel在不同正常队列生成的萎缩图中内侧颞叶萎缩程度评分,阿尔茨海默病与健康对照诊断的敏感度和特异度以及阳性预测值和阴性预测值(PPV和NPV) 查看原表 ↗

讨论

本研究旨在确定正常队列中所需的最少受试者数量,以实现一致的基于软件的脑萎缩估算,并评估使用不同正常队列对阿尔茨海默病内侧颞叶萎缩定性评估的影响。我们发现,年龄和性别特异性正常队列中至少应纳入15名健康受试者以实现一致的萎缩检测,并且使用不同正常队列不会显著影响内侧颞叶萎缩的定性评估或基于影像的阿尔茨海默病诊断。

在本研究中,我们评估了开源软件veganbagel [13],该软件使用体素级颜色编码z分数图实现对灰质体积偏离正常队列的自动评估。Veganbagel基于已验证的方法,即使用CAT12 for SPM12进行基于体素的形态学分析(VBM)。VBM在各种情境中可靠地检测模式,如正常衰老、神经退行性疾病和精神疾病 [15, 31, 32]。更具体地说,基于VBM的方法已被证明在检测AD方面具有价值 [1],并在日本常规用于AD的临床诊断 [33]。

为了使用足够大的健康受试者池进行分析,我们创建了一个汇集正常队列,由来自五个不同正常队列的受试者组成,这些队列具有不同的目标、扫描仪、协议和质量。既往研究报告了由于不同扫描仪或协议等因素导致的定量脑萎缩估算差异 [16, 17],而其他研究则证明皮层下结构的体积在不同正常队列之间可能可以互换 [34]。鉴于我们的分析目标,我们聚焦于性别和年龄作为脑体积的主要影响因素,并通过不仅从汇集正常队列中随机抽取受试者,还重复该过程100次,从3名开始最终纳入多达100名健康受试者为随机动态正常模板做出贡献,以计算密集型方法最小化其他因素的潜在影响。

我们的研究结果还可能增强放射科医生对自动化脑萎缩估算背后机制的理解。此外,这些发现可以在考虑商业解决方案时指导决策过程,特别是在质疑未披露的、规模不足或评估不充分的正常队列时。

正常队列中的最少受试者数量

核医学既往研究提示,在痴呆诊断评估中评价脑葡萄糖代谢时,正常队列至少需要10–20名受试者[25, 35]。然而,用于一致性基于MRI的脑萎缩估计的正常队列的最小受试者数量尚未确立。通常认为,正常队列必须尽可能大,并在性别、年龄、扫描仪、扫描方案、伪影以及可能的其他因素(如种族或文化背景)方面尽可能与患者相匹配[14–18, 36]。

必须认识到,尚无一种识别曲线膝点的方法被普遍接受,所有方法都依赖于随各种参数变化的近似。一个明确、客观的阈值将是理想的。然而,必须认识到任何选定的截断值都可能带有一定程度的任意性。在我们的研究中,我们观察到随着更多受试者被纳入正常模板,z分数的方差急剧减小并趋近于0。鉴于所确定的最大膝点在视觉上与Kneedle方法确定的膝点一致,我们相信,在本研究范围内,至少需要15名正常受试者才能进行一致的脑萎缩估计。

不同正常队列对萎缩检测的影响

在本研究的背景下,我们发现使用不同的正常队列时,对区域内侧颞叶萎缩的定性判读可实现可靠的AD诊断。我们当前研究在ADNI中使用veganbagel检测AD的敏感度和特异度优于既往报道[13],可能是由于当前研究评估的患者样本量小得多。然而,当前分析侧重于不同正常队列的比较,而非诊断准确性,这允许采用更窄的纳入/排除标准。尽管如此,内侧颞叶萎缩程度的读者间一致性极好,这一点值得注意,因为已表明在没有任何软件辅助的情况下对MRI进行萎缩评估的读者间一致性较低[7]。

局限性与未来方向

我们研究的局限性包括内侧颞叶萎缩定性评估中的样本量中等,以及仅评估了一种软件方法(veganbagel)。据我们所知,其他用于脑萎缩估计的软件要么未公开可用,要么不适合为所进行分析所需的修改。对于CAT12/SPM12的其他开源替代方案,如FSL或FreeSurfer,目前尚无完全集成的脑萎缩估计软件包可用。

随着正常模板中受试者数量的增加,在100次迭代中重复纳入相同受试者的概率会增高。然而,考虑到已确立的最少15名受试者以及研究对每位患者至少100名年龄和性别匹配受试者的前提要求,这些重叠可能不会扭曲我们的主要结论。

当前研究利用了五个大型正常队列,丰富了数据多样性。然而,这些队列主要代表世界西北部地区的人群。后续研究必须解决我们的发现对全球人口的适用性问题。

我们实验的结构,特别是其对大量迭代的强调,倾向于减轻异常值的影响——无论这些异常值是来自非典型的、假定为“正常”的受试者,还是来自因不同成像环境而与给定患者匹配不佳的受试者。显然需要更聚焦的研究来探讨正常模板的稳健性,尤其是那些来自有限受试者集合的模板。

未来研究应关注合并不同正常队列的效果。用于临床脑萎缩估计的合并正常队列可能允许招募足够数量的健康受试者,以在更极端的年龄进行脑萎缩估计。此外,一个非常大且异质的正常队列将使患者能够在扫描仪和协议等因素方面进行更精确的匹配,从而增强对细微区域性脑萎缩的检测。最后但同样重要的是,应评估患有其他形式神经退行性疾病的患者,以确保这些发现可推广到不同人群和临床背景。

结论

总之,我们的研究表明,正常队列应至少包括15名在年龄和性别上匹配的正常受试者,才能使用基于体素的形态学分析一致地估计脑萎缩。在我们的研究背景下,使用不同的正常队列并未显著影响区域性内侧颞叶萎缩的定性评估或阿尔茨海默病的诊断,并且我们观察到读者间高度一致性。然而,重要的是要注意,这些发现受到我们研究特定设计和参数的影响。因此,在未充分理解固有假设和潜在混杂因素的情况下,将这些发现外推到其他背景时需要谨慎。

引用

  1. Rubbert C, Wolf L, Vach M, et al. Normal cohorts in automated brain atrophy estimation: how many healthy subjects to include? Eur Radiol. 2024. PMID: 38189981. doi:10.1007/s00330-023-10522-5
  2. 全文:PMC11255074(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11255074/

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。