文献速递骨肌技术与安全DR

人工智能在腰椎与胸椎X线片按椎体检测骨折的性能概览

An overview of the performance of AI in fracture detection in lumbar and thoracic spine radiographs on a per vertebra basis.
PubMed 文献 · Skeletal Radiol · 2024-02-27

该回顾性研究以512例胸腰椎X线检查(4114个椎体、495处骨折)评估FDA批准的Gleamer BoneView®按椎体检测压缩性骨折的性能,总体敏感度腰椎63.2%、胸椎50.6%,特异度分别为96.7%和98.3%;敏感度随Genant分级升高而增加,但存在异物或严重退变时下降。

要点

  • 按椎体评估时AI总体敏感度有限:腰椎63.2%、胸椎50.6%,胸椎显著低于腰椎(p=0.01)。
  • Genant 1级压缩骨折敏感度最低:腰椎52.5%、胸椎42.4%,易漏诊的轻微骨折正是AI性能薄弱处。
  • 椎体内骨科异物或严重退变会进一步降低敏感度至腰椎<60%、胸椎<50%。

核心结论

  • 按椎体评估时,该AI在临床相关场景(如低级别压缩骨折)中性能下降,总体表现平平,尤其胸椎和Genant 1级骨折。
  • AI对Genant 2级与3级骨折的检出率几乎相同(腰椎p=0.90、胸椎p=0.99),提示超过一定高度丢失阈值后性能无差异。
  • 椎体内骨科异物和严重退变会显著降低AI的敏感度与特异度,腰椎敏感度降至58.8%、胸椎降至40.5%。
  • 作者认为AI与放射科医师结合可能是改善骨折检出的潜在方案,但需进一步研究。

研究设计与样本

  • 单中心回顾性研究,自2022年2月至2022年6月从一家三级创伤中心PACS数据库回顾性收集胸椎和腰椎X线检查。
  • 共纳入512例检查(来自400例患者;腰椎357例、胸椎155例),包含4114个椎体和495处骨折。
  • 参考标准为两名放射科医师(至少一名为肌骨放射学经验超过5年的委员会认证医师)共识的书面报告,有横断面影像时以横断面影像为准。
  • 骨折按Genant分类(1级高度丢失<25%、2级25–50%、3级>50%)半定量分级,并记录骨折急慢性、椎体内异物和退变程度。
  • AI为FDA批准的Gleamer BoneView© Version 1.2.0(巴黎),置信度50–89%判为「Doubt」、≥90%判为「Positive」,两者均计为AI阳性。

关键影像表现/征象

  • AI以实线框标记「Positive」、虚线框标记「Doubt」,椎体上无标记视为阴性;框通常置于整个椎体周围。
  • 少数病例AI出现异常标记:将椎间隙(L4/5)标为可疑骨折、同一椎体放置两个边界框、同一患者不同功能位片结果不一致。
  • 少数胸椎X线被AI判为胸部检查、腰椎X线被判为腹部检查而拒绝分析,多见于视野很宽的肥胖患者。
  • 急性骨折的典型影像特征为终板密度增高(骨小梁嵌压)和终板断裂,慢性骨折常见终板旁骨痂形成,但作者指出这些特征与MRI金标准相比特异度总体较低。

诊断标准与关键数值

  • 腰椎侧位片总体敏感度63.2%,显著高于胸椎的50.6%(p=0.01);特异度分别为96.7%和98.3%。
  • 按Genant分级:腰椎1级52.5%、2级72.3%、3级75.8%;胸椎1级42.4%、2级60.0%、3级60.0%。
  • 腰椎2级与3级间无显著差异(p=0.90),胸椎亦无显著差异(p=0.99);1级与2、3级的差异仅在腰椎显著(p(1,2)=0.01、p(1,3)=0.01),胸椎不显著(p(1,2)=0.13、p(1,3)=0.62)。
  • 加读正位片后腰椎敏感度升至72.4%(±4.9,p=0.01)、胸椎升至60.6%(95%CI±7.5,p=0.08);特异度分别为94.2%(±1.0)和94.0%(±1.3)。
  • 楔形骨折与压缩骨折敏感度:腰椎64.4% vs 60.8%(p=0.53),胸椎51.9% vs 50.0%(p=0.81),均无显著差异。

临床应用与阅片要点

  • AI对Genant 1级轻微压缩骨折敏感度仅腰椎52.5%、胸椎42.4%,阅片时不能因AI未标记而排除此类骨折。
  • 胸椎X线因肋骨重叠,AI敏感度仅50.6%,报告胸椎时应更依赖人工判读。
  • 椎体内有螺钉、骨水泥或二者兼有,以及严重退变时AI敏感度下降(腰椎58.8%、胸椎40.5%),需人工重点复核。
  • 加读正位片可提高腰椎AI敏感度(72.4% vs 63.2%,p=0.01),日常可结合正侧位结果综合判断。
  • AI可能将椎间隙误标为骨折或将同一椎体重复标记,读片时需甄别此类假阳性。

局限性

  • Genant分类仅由一名放射科医师完成,第二意见可能提高准确性。
  • 骨折有无由最终报告定义,可能存在漏诊或被误判为假阳性。
  • 部分亚组样本量很小,导致结果存在一定统计学不确定性。
  • 仅部分纳入研究有横断面影像,若有全部横断面影像可做出更准确的诊断和分类。
  • 作者指出,将放射科医师印象与AI软件结合可能提高总体检出率,值得进一步研究。
全文中译12 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:Skeletal Radiol. 2024 Feb 27;53(8):1563–71. doi: 10.1007/s00256-024-04626-2

目的

椎体压缩性骨折是最常见的骨折类型之一,尤其是在老年人群中[1, 2]。由于X线平片是首选的初始影像学检查方法,放射科医生每天都会遇到因怀疑骨折而开具的脊柱X线平片。这些X线平片的判读可能较为困难,因为许多平片显示严重的退行性改变、患者活动度受限导致图像质量可能不佳,或者患者曾接受过骨科手术。漏诊这些平片中的骨折可能导致治疗延误,进而可能引起进一步并发症[3]。尤其是轻度压缩性骨折容易被漏诊[4–7]。

越来越多的AI工具可用于放射学诊断辅助。Gleamer BoneView®就是这样一种工具,可辅助X线片上的骨折检测。该工具对骨折总体显示出良好的敏感性和特异性,然而在Guermazi等人的研究中,椎体骨折的表现落后于其他解剖区域。虽然所有区域的总体敏感性和特异性为88%,但据报道在胸腰椎区域特异性降至77%、敏感性降至80%[8]。Oppenheimer等人的研究显示了类似结果,敏感性为89%,特异性为62%[9]。这些研究仅按病例水平评估AI性能,而未分析X线片中每个潜在的独立椎体骨折。此外,也未评估压缩程度对敏感性和特异性的影响。

Genant分类可根据高度丢失百分比及骨折类型对椎体压缩性骨折进行半定量分类。其中1-3级(轻度、中度、重度)按高度丢失百分比区分。1级骨折高度丢失小于25%,2级骨折为25–50%,3级骨折大于50%。骨折类型分为前柱(楔形型)、中柱(挤压型)和后柱压缩性骨折[10]。

我们的主要目的是以椎体为单位,回顾性检验一款商用AI骨折检测系统(Gleamer BoneView®)对椎体压缩性骨折的敏感性和特异性,并与Genant分类系统进行关联分析。对于细微骨折(Genant 1级)具有高敏感性和特异性是该软件辅助放射科医生的必要条件。此外,我们旨在测试AI在日常实践中经常遇到但可能影响诊断的多个数据子集上的性能。因此,我们将测试在既往接受过手术或骨水泥后凸成形术的患者以及脊柱各阶段退行性改变患者中的性能比较。我们还将比较急性与非急性压缩性骨折的性能。

材料与方法

数据收集

研究设计概览见图像1。从一家三级创伤中心的PACS数据库中回顾性收集2022年2月至2022年6月期间因怀疑骨折而开具的腰椎和胸椎X线片。检索在我们诊所的RIS系统(GE Centricity RIS-I 7.0,GE Healthcare,芝加哥,伊利诺伊州,美国)中进行,筛选检查类型“腰椎X线片”和“胸椎X线片”。仅纳入因怀疑骨折而开具的X线片,因其他适应症(如退行性改变或手术前后影像)而采集的脊柱X线片被排除。颈椎X线片被排除,因为软件不支持对其进行分析。未包含矢状位图像的检查被排除。在某些情况下,同一患者可能同时接受了胸椎和腰椎检查,若如此,则每一项作为独立实体纳入(表1)。

记录患者年龄和性别。影像的临床适应症被大致分为七类:(1)不明原因的疼痛,(2)跌倒,(3)袭击,(4)其他创伤,(5)骨质疏松症,(6)转移性骨病,(7)其他。每位患者的检查按退行性改变程度进行主观半定量分类,评分范围为0(无)至3(重度)(见图像2 a–d)。轻度退行性改变包括椎间隙高度轻微丢失和椎体终板轻微硬化。中度改变包括一个或多个节段椎间隙高度丢失超过50%、广泛的终板硬化和/或部分椎体的非桥接性骨赘或韧带骨赘。重度改变包括椎间隙完全丢失和/或大多数椎体的桥接性骨赘或非桥接性骨赘。

骨折的存在与否由书面报告定义,以两位放射科医师的共识为准,其中至少一位为具有5年以上肌肉骨骼放射学经验的委员会认证放射科医师。在可获得的情况下,使用横断面成像作为金标准。每处骨折根据上述方法,在矢状位X线片上通过测量的相对高度丢失和骨折类型按Genant量表进行分级。在可获得横断面成像的情况下,根据这些图像对高度丢失和骨折类型进行分类。记录椎体内是否存在任何骨科异物,并将该材料分为(1)仅金属如螺钉,(2)仅骨水泥,(3)螺钉和骨水泥的组合,或(4)全椎体置换。每处骨折根据影像特征、临床信息以及在可获得时与既往影像的比较,分类为急性或非急性。急性骨折的典型影像特征包括因骨小梁嵌压导致的终板密度增高和终板破坏,而慢性骨折。非急性骨折通常表现为沿终板的骨痂形成。然而,与MRI金标准相比,这些特征总体特异性较低[11, 12]。为更好地分类急性程度,在可获得时纳入可用的临床信息,即急性新发疼痛或近期创伤。我们认识到,并非所有患者均接受了MRI成像,因此该分类结果应谨慎看待。

图像1 研究设计总体概览 查看原图 ↗
表1 纳入和排除标准 查看原表 ↗
图2 a–d 从左至右:不同患者的胸椎(a、b)和腰椎(c、d)侧位X线片。图a显示无明显退行性改变,b显示轻度改变,c为中度改变,d为重度改变 查看原图 ↗

AI分析

每项纳入的检查随后被发送至我们的本地服务器,由骨折检测AI(BoneView© 1.2.0版,Gleamer,巴黎,法国)进行分析。结果在数分钟内以附加图像的形式返回至诊所的PACS系统(Phönix PACS MERLIN Diagnostic Workcenter 7.0版,Phönix-PACS GmbH,弗赖堡,德国)。其中一幅图像显示检查的总体结果为“阳性”、“可疑”或“阴性”,并为检查中包含的每幅原始图像提供标注骨折的图像叠加。这些图像或显示无结果(“阴性”,图3a),或以实线边界框标记AI认为可能骨折的部位(“阳性”,图3c),或以虚线边界框标记AI认为可能存在骨折的部位(“可疑”,图3b)。AI将50–89%置信度设为“可疑”阈值,90%及以上设为“阳性”[8]。对于脊柱X线片,这些边界框通常围绕整个椎体放置。对于每个被标记的椎体,记录其在正位和矢状位图像上被软件标记为“阳性”或“可疑”,或未被标记。阳性和可疑结果被AI归类为骨折阳性以进行进一步分析。在极少数情况下,边界框位于椎体之间,则不计为对任何椎体的标记(见图3)。

图3 A–c 从左至右为AI软件的标记:不同患者的腰椎侧位X线片。AI返回的图像叠加显示无感兴趣区域(a)、虚线边界框(b)表示认为可能存在骨折,以及实线边界框(c)表示认为很可能骨折。b和c显示AI的真阳性结果 查看原图 ↗

统计分析

AI软件的结果按椎体逐一与定义的Genant分类进行比较。计算了整个数据集的灵敏度、特异度、阳性预测值和阴性预测值,然后针对Genant定义的九种分类(楔形型1–3级、挤压型1–3级、后壁压缩1–3级)分别计算。结果主要仅与侧位X线片比较报告,因为该体位定义了Genant分类。进一步分析针对包含正位图像结果的整个数据集提供,仅包括在两个体位均显示的椎体。

亚组分析针对新旧骨折、退行性改变分级以及椎体是否包含骨科外来材料进行。结果按性别以及以20年为间隔的年龄队列进行比较。

为便于本分析,所有检查和椎体均视为独立。腰椎和胸椎结果分别计算。所有结果均显示95%置信区间范围(±)。数据分析和文档记录使用Excel 365(Microsoft Corporation,雷德蒙德,华盛顿州,美国)和IBM SPSS Statistics 29(IBM,阿蒙克,纽约州,美国)完成。均数比较酌情采用独立t检验或方差分析。显著性定义为p < 0.05。

结果

患者队列

共纳入来自400例患者的512次检查(357次腰椎和155次胸椎)。患者平均年龄为67.5岁(±1.6岁;范围19–100)。2例患者属于0–19岁年龄组,62例属于20–39岁组,88例属于40–59岁组,181例属于60–79岁组,178例属于80–99岁组,1例患者属于100岁及以上组。37.4%的患者为男性。女性患者平均年龄为70.1岁(范围19–100),男性患者为63.2岁(范围21–93)。73.7%的检查为站立位采集。107例(20.9%)可获得横断面成像。304次检查因无外伤性疼痛而开具,155次因跌倒,6次因袭击,13次因其他外伤,5次因已知骨质疏松患者的随访,26次因已知转移性骨病。2次检查申请被归类为其他。68次检查显示脊柱成像无值得注意的退行性改变,142次有初期退行性改变,149次有中度退行性改变,152次有重度退行性改变。103例患者有骨质疏松的影像学征象;163例患者已诊断为骨质疏松。

5张腰椎和8张胸椎X线片必须排除,因为它们被人工智能(AI)软件拒绝分析,理由为不支持的解剖区域(被AI分类为胸部或腹部检查)。

腰椎检查共纳入2504个椎体(图像中包含第六胸椎至第五腰椎)。其中,2181个无骨折。胸椎X线片共纳入1610个椎体(图像中包含第一胸椎至第四腰椎的成像),其中1438个无骨折。按Genant分类的骨折分布见表2。没有X线片包含后部骨折,因为后部骨折通常伴有相应的神经功能缺损,当怀疑这些情况时,横断面成像是首选的初始检查方法。

表2 按Genant分类及按胸椎和腰椎X线片的骨折分布 查看原表 ↗

敏感度和特异度

人工智能在腰椎X线片侧位图像上的总体敏感度为63.2%,显著优于胸椎图像的50.6%敏感度(p = 0.01)。特异度分别为96.7%和98.3%。人工智能的敏感度随骨折分级升高而有所提高;然而,2级与3级骨折之间无显著差异(腰椎:p = 0.90;胸椎:p = 0.99)。1级与2级和3级之间的差异仅在腰椎中显著(腰椎:p (1,2) = 0.01和p (1,3) = 0.01;胸椎:p (1,2) = 0.13,p (1,3) = 0.62)。在腰椎X线片中,人工智能对楔形骨折的结果略优于压缩骨折,但无显著性(64.4 vs. 60.8%;p = 0.53),胸椎X线片中两组之间差异较小(51.9和50.0%;p = 0.81)。敏感度最低的是胸椎1级压缩骨折(40.0%),最高的是腰椎2级压缩骨折(81.5%)。各骨折分级的敏感度见表3。加入正位图像后,腰椎X线片的敏感度显著提高至72.4%(± 4.9;p = 0.01)。胸椎X线片也显示改善,尽管无显著性,敏感度提高至60.6%(95% CI ± 7.5;p = 0.08)。特异度分别保持在94.2%(± 1.0)和94.0%(± 1.3)的高水平。

表3 腰椎和胸椎的总体敏感度和特异度及各骨折分级的敏感度(百分比;± 95%置信区间) 查看原表 ↗

年龄和性别

腰椎图像包括男性患者的103处骨折,敏感度为62.1%,特异度为96.0%。女性患者包括220处骨折,敏感度为63.6%,特异度为97.1%。对于胸椎X线片,性别差异更为明显,男性敏感度为29.4%,女性为56.5%,然而女性队列中分析的椎体数量是男性的两倍以上。特异度分别为97.7%和98.5%。

0-19岁和100岁及以上年龄组未单独分析,因为纳入的患者太少。对于腰椎图像,敏感度从20-39岁年龄组的50.0%到80-99岁组的64.9%不等。所有组的特异度均在95%以上。20-39岁年龄组仅包括总共12处骨折,其中8处为1级楔形骨折。胸椎X线片中的差异更大,20-39岁年龄组的敏感度仅为25%,但总共只有4处骨折。60-79岁年龄组的敏感度最高,为54.7%。所有组的特异度也保持在95%以上。

骨折急性程度

在腰椎骨折中,244处(75.5%)根据影像学特征或既往检查的可获得性被归类为非急性。74处被归类为急性骨折(22.9%),5处骨折无法分类。两组的敏感度相似;急性骨折为62.2%(± 11.1),非急性骨折为63.1%(± 6.1)。

对于胸椎骨折,150处被归类为非急性(87.2%),14处(8.1%)为急性,18处无法分类。非急性骨折的敏感度(53.3% ± 8.0)优于急性骨折(42.9% ± 25.9)。

异物

123个(4.9%)腰椎椎体在骨科手术后存在异物,其中59个为金属螺钉,45个为骨水泥后凸成形术治疗后的椎体,32个为螺钉与骨水泥联合使用,7个为完全椎体置换。存在异物时,敏感度降至58.8%(± 13.5),特异度降至89.1%(± 6.4)。当椎体内无材料时,敏感度为64.2%(± 5.9),特异度为96.6%(± 0.1)。

在胸椎X线片中,80个椎体(5.0%)存在异物,其中一半仅为螺钉,25个为骨水泥,8个为联合使用,7个为椎体置换。存在材料时,敏感度为40.5%(± 15.8),特异度为93.0%(± 7.6)。无材料时,敏感度增至53.73%(± 8.4),特异度增至98.4%(± 0.7)。

退行性改变

按退行性改变程度比较的敏感度和特异度显示出较大范围。无退行性改变的患者在数据集中代表性不足,导致置信区间较宽。腰椎和胸椎的敏感度分别为50.0%(± 26.2)和50.0%(± 69.3)。对于腰椎X线片,敏感度在其他情况下随退行性改变程度增加而降低;胸椎X线片显示,中度改变相较于轻度改变具有更高的敏感度。完整结果见表4。

表4 腰椎和胸椎X线片按退行性改变程度划分的敏感度和特异度(百分比,± 95%置信区间) 查看原表 ↗

讨论

我们的研究测试了一款市售人工智能软件在脊柱X线片上检测骨折的性能。以每个椎体为单位,该人工智能算法的总体表现一般,未达到先前报道的以每个病例为单位的结果,因为在脊柱X线片中通常存在一处以上骨折,而识别其中单处骨折即足以构成人工智能的真阳性结果[8, 9, 13]。特别是胸椎X线片表现出有限的表现,这与真实临床实践中因肋骨重叠而常常难以判读相一致。当加入前后位脊柱图像作为第二视角时,总体检测表现略有改善,尽管在这些图像上无法准确确定高度丢失的级别。

轻度压缩性骨折相较于更明显的骨折显示出敏感度降低,正如预期。应当注意,这些骨折也最可能被放射科医师漏诊,人工智能与放射科医师的结合可能是一种潜在解决方案,有望带来总体骨折检测的改善。Genant 2级和3级骨折的识别率几乎相同,可能在达到某一椎体高度丢失阈值后,表现没有差异。人工智能在楔形骨折上的表现无显著优于其他类型。椎体内异物对表现有显著影响,同时降低了敏感度和特异度。

脊柱的退行性改变也对AI的表现产生了显著影响。在无退行性改变的患者中,对骨折的敏感度非常低,应谨慎看待,因为该数据集非常小,可能存在很大的误差范围。有趣的是,胸椎轻度改变的表现与重度改变一样差,而中度改变的整体结果要好得多,这可能是因为最初用于该算法训练的数据存在偏倚。

在某些情况下,AI对发送用于分析的图像表现出意料之外的行为。AI完全拒绝了少量图像,有时将胸椎X线片分类为胸部X线片,将腰椎X线片分类为腹部X线片。这种情况最常发生在肥胖患者中,其X线片的视野非常宽,从而包含了大量周围组织。这些类型的X线片不被AI支持用于骨折分析。在少数病例中,AI还出现了其他有趣的“故障”,包括将椎间隙标记为骨折(见图像4)、用两个边界框标记同一椎体(见图像5),以及在有额外功能成像可用的情况下将不同椎体标记为骨折(见图像6 a、b)。

AI在包含异物或严重退行性改变患者中性能降低的原因无法明确确定,因为我们对算法的开发仅有有限的了解。在由Gleamer资助、Guermazi等人进行的一项外部验证中,披露了一些软件开发的统计数据。该AI背后的公司指出,来自22个不同机构的超过60,000张图像被用于训练和验证。训练通过图像的随机变化(如旋转和调整大小)进行了增强。该AI已验证用于“诊断质量”图像中的骨折检测;然而,并未提供其明确定义[8]。未提供按解剖区域划分的图像数量的进一步细分,也未提供诸如既往内固定器械等额外边缘情况的信息。增加特定训练数据以微调模型可能会缓解性能问题[14]。

其他研究测试了不同的AI算法用于椎体骨折检测。Murata等人使用一种用于研究目的的专有检测算法,取得了84.7%的敏感度和87.3%的特异度。然而,该研究仅纳入单发或无骨折的患者,且1级压缩性骨折被排除在研究之外[15]。Shen等人使用一种专有椎体骨折检测算法,取得了约84%的敏感度和高达97%的极高特异度。这两种算法均仅用于研究目的,未获得相关主管部门的临床使用许可,而本研究中测试的算法则已获得许可。胸椎与腰椎骨折之间的结果差异很小,在外部队列中轻度骨折的检出率为73%[16]。

我们的研究存在一些局限性。Genant分类的分析仅由一名放射科医生完成,第二意见可能会提高准确性。骨折的存在与否由最终报告确定,可能会遗漏一些骨折或被识别为假阳性。数据集的某些子分类包含非常小的组,导致这些结果存在一定程度的统计不确定性。仅对部分纳入研究可获得横断面成像,若有横断面成像本可做出更准确的诊断和分类。将放射科医生的印象与人工智能(AI)软件相结合可能会提高总体检出率,值得进一步研究。

图4 腰椎侧位X线片,由AI软件标注。箭头指示AI在L4/5椎间隙放置的虚线边界框,作为怀疑骨折的区域,本例为假阳性结果。AI的此类标注未纳入进一步分析。 查看原图 ↗
图5 腰椎侧位X线片,由AI软件标注。两个虚线边界框被错误地放置在L2椎体周围作为潜在骨折,该处既往曾行椎体后凸成形术。所有边界框均代表真阳性的陈旧性骨折。 查看原图 ↗
图6 a、b从左至右:同一患者腰椎在前后屈伸位下的侧位脊柱X线片,由AI软件标注,结果显示存在差异。AI在其中一张图像上于L3椎体额外标注了一个虚线边界框,而在同一患者同一次检查的另一张图像上仅标注了L1和T11,期间获取了额外的功能成像。T11和L1的骨折显示为真阳性,分别为1级(L1)和2级(T11)压缩性骨折;L3显示为假阳性。 查看原图 ↗

结论

我们的研究在一个包含多种参数的大型数据集上,探讨了一种市售AI算法在胸椎和腰椎X线片上检测骨折的性能。以每个椎体为单位,结果一般,尤其是对于轻微的压缩性骨折。腰椎骨折的总体灵敏度为63.2%,胸椎骨折为50.6%。对于1级骨折,腰椎灵敏度降至52.5%,胸椎降至42.4%。既往手术遗留骨科材料于骨内以及脊柱晚期退行性改变等因素进一步降低了AI的性能,使腰椎灵敏度降至60%以下、胸椎灵敏度降至50%以下。

引用

  1. J O, S L, S G, et al. An overview of the performance of AI in fracture detection in lumbar and thoracic spine radiographs on a per vertebra basis. Skeletal Radiol. 2024. PMID: 38413400. doi:10.1007/s00256-024-04626-2
  2. 全文:PMC11194188(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11194188/

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。