文献速递心血管MR

晚期钆增强心脏磁共振成像的自动反转时间选择

Automated inversion time selection for late gadolinium-enhanced cardiac magnetic resonance imaging.
PubMed 文献 · Eur Radiol · 2024-02-10

这项回顾性多中心研究纳入4个中心、3个厂商的1136例1.5T和3T心脏MRI检查,开发卷积神经网络与长短期记忆网络组合的深度学习模型,从TI scout序列像素数据中自动识别最佳反转时间。最佳模型SE-ResNet18-LSTM在中心1至3的留出测试集上准确率96.1%、MAE 22.9 ms,在未见过的中心4外部数据上准确率97.3%、MAE 15.2 ms。作者将模型公开供科学界进一步评估或开发。

要点

  • 最佳模型在留出测试集上最佳反转时间选择准确率96.1%,外部数据准确率97.3%。
  • 模型预测存在轻微高估最佳反转时间的固定偏倚(17.3 ms)。
  • 不同厂商表现有差异,训练数据中代表性最高的厂商准确率最高。

核心结论

  • 深度学习模型可从多厂商TI scout图像中高准确度识别最佳反转时间,包括此前未见过的外部数据。
  • 作者将模型公开供科学界进一步评估或开发。
  • 自动化反转时间选择工具可使跨厂商反转时间选择具有可重复性和效率。

研究设计与样本

  • 回顾性多中心横断面研究,来自4个中心、3个厂商的1136例1.5T和3T心脏MRI检查,共1100例患者。
  • 模型为卷积神经网络(CNN)提供输入至长短期记忆网络(LSTM),在中心1至3的TI scout像素数据上训练,以两位读者的标注为参考标准。
  • 从中心1至3的1033例中留出154例(14.9%)作为测试集,其余采用五折交叉验证按80/20划分训练与验证。
  • 中心4数据(n=103,来自两个厂商)未参与训练和验证,仅用于外部测试。

关键影像表现/征象

  • 空间显著性热图显示模型注意力主要位于心脏区域,也可见于肺和腹腔器官等周围组织。
  • 模型对图像周边的混叠伪影关注很少。
  • 时间显著性图显示模型对预测零点和附近帧有强烈注意力。

诊断标准与关键数值

  • 准确率定义为模型选择与真实最佳反转时间相差在50 ms以内。
  • 留出测试集上SE-ResNet18-LSTM准确率96.1%、MAE 22.9 ms、LCCC 0.47。
  • 外部中心4数据上准确率97.3%、MAE 15.2 ms、LCCC 0.64。
  • 留出测试集RMAR显示无比例偏倚,固定偏倚17.3 ms,提示轻微高估最佳反转时间。
  • 外部数据中101/103(98.1%)预测值落在真实最佳反转时间50 ms以内。

临床应用与阅片要点

  • 作者认为该模型可提高工作流程效率并标准化最佳反转时间选择,以支持一致的LGE成像。
  • 在中心1至3测试数据中,轻微高估最佳反转时间是可接受的误差,因为选择比最佳反转时间更晚的TI时异常心肌仍应比正常心肌更亮。
  • 低估可能更有问题,因为若仅依赖幅度图像,正常与异常心肌的关系可能反转,对诊断准确率影响更大。
  • 厂商间表现存在差异,训练数据中代表性最高的厂商准确率最高;Philips数据表现较差,推测与脉冲序列等采集差异有关。

局限性

  • 模型在1.5T数据上表现更好(准确率97.8%)而非有限的3T数据(准确率72.7%),该分析基于中心1和2可同时提供两种场强的数据。
  • 中心4数据相对同质(多数为主动脉瓣狭窄)可能促成了观察到的高准确率。
  • 时间分辨率可能影响准确率,时间分辨率较差/帧数较少的系统在准确率上可能被惩罚。
  • 作者提出采集参数、对比剂类型、剂量及TI scout采集时机均可能影响结果,凸显机构间TI scout序列的真实世界变异。
  • 外部测试数据主要来自单一厂商系统,使得时间分辨率对准确率的影响难以在外部数据中确认。
全文中译15 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 Feb 10;34(9):5816–28. doi: 10.1007/s00330-024-10630-w

引言

晚期钆增强(LGE)成像在临床心脏MRI中不可或缺,其应用包括评估冠状动脉疾病中的组织存活性以及诊断非缺血性心肌病[1, 2]。LGE依赖于适当选择最佳反转时间(TI)以抑制背景心肌信号[2–4],尤其是在仅有幅度重建图像可用时。通常使用Look–Locker TI侦察序列[5, 6]。最佳TI因个体而异,取决于对比剂、剂量、采集时机和患者因素。心肌病理影响心肌内对比剂分布,例如心脏淀粉样变性中所见的细胞外容积增加,或心肌梗死导致的细胞内间隙破坏[7]。虽然可进行相位敏感反转恢复成像以尽量减少对最佳TI选择的依赖[8],但TI侦察成像在临床实践中仍被广泛实施[2]。

最佳TI通常由检查技师或监督临床医生手动选择,受包括经验水平在内的因素影响。自动化方法可能提供可重复、客观且省时的替代方案。深度学习方法,特别是卷积神经网络(CNN[9]),在心脏MRI成像应用中已显示出有前景的结果,包括左心室(LV)功能定量[10]、组织瘢痕表征[11]和预后预测[12]。鉴于TI侦察成像的时空特性,额外的循环神经网络(RNN)可能有助于捕捉时间元素[13]。

Bahrami等人先前创建了一个用于最佳TI选择的深度学习(DL)模型,在单一供应商、单一机构环境中取得了有前景的结果[14]。然而,这是否能转化为在不同机构成像上表现良好的模型尚不清楚,因为TI侦察成像使用不同脉冲序列和不同场强采集。我们假设一个集成的CNN和LSTM[15]模型,利用时空关系并使用技术最小化过拟合,可以克服跨供应商、机构和场强的泛化性挑战。

我们研究的目的是开发一个人工智能模型,能够从侦察序列中选择最佳TI,适用于从不同机构和不同扫描仪系统获得的成像。此外,我们旨在与研究社区分享我们开发的模型。

材料和方法

数据来源

这是一项来自四个中心的国际回顾性横断面研究,获得机构伦理批准。数据集包括1136项去标识化研究,其中1100名患者(平均年龄54.5岁,691名男性,409名女性)进行了TI侦察序列。研究在1.5 T或3 T下进行,使用三种供应商系统。中心4组中有36项重复研究,未用于模型训练。中心1–3检查最常见的指征是评估瘢痕和心肌存活性(n = 259)。对于中心4,主动脉狭窄是主要研究指征(54/67,80.6%)。磁体系统、给予的对比剂和患者人口统计学总结于表1。扫描仪特定的采集参数见补充材料。

对于每项研究,在TI scout序列中获得的中位数(范围)为34(9–100)帧,中位数(范围)反转时间为477.5(231.0–1935.0)ms,中位数(范围)时间分辨率为23.0(8.8–45.3)ms。时间分辨率最高的图像获取自中心3,中位数(范围)为16.7(8.8–27.0)ms,中心2的一个系统时间分辨率较低,中位数(范围)为38.8(23.3–45.3)ms。图像以医学数字成像和通信(DICOM)[16]格式检索,并使用Python代码进行匿名化处理。

数据集的一部分(427/1100名受试者,详见补充材料)与先前发表的工作重叠,该工作的目的是自动化分类各种心脏MRI序列,与本研究目的无关[17]。

表1 各中心的扫描系统、所用对比剂及患者特征 查看原表 ↗

参考标准

具有最佳心肌抑制(零点)的图像由一名具有17年心脏MRI经验的放射科医师(R.P.L.,相当于SCMR 3级)和一名具有2年心脏MRI判读经验的放射科培训医师(E.C.)从TI scout序列中选取,后者在独立标注前接受了培训课程。中心1–3数据的子集(327/1033,31.7%)由两位读者独立判读,在进一步数据标注前评估一致性,差异随后通过共识解决以确定参考标准标签。由于独立读者之间一致性极好(Spearman相关系数0.94),其余706例中心1–3病例由放射科培训医师单独标注。培训医师标注的数据仅用于模型训练,中心1至3的保留测试集仅使用共识数据。所有中心4数据由专家放射科医师标注,用于最终模型的外部验证。

数据元素

模型输入为左心室中部短轴TI scout图像。模型开发的结局变量为最佳TI图像的索引。序列的每一帧被赋予二分类类别——零点之前(标记为0)或零点之后(标记为1)。零点帧被赋予0.5的软标签。通过序列到序列的方法,模型以循环方式逐帧接收图像,然后输出相应帧的概率(图1)。这些中间值的过渡点用于推导结局变量,即对于预测,标签最接近0.5的图像帧被视为最佳图像(详见“模型设计”)。

图1 模型输入与标签。TI scout序列中的每个图像帧均被标注,最佳TI被赋予0.5的软标签,早期图像标记为0,晚期图像标记为1。模型经训练以预测第n帧图像,然后从其DICOM元数据中提取该图像对应的反转时间 查看原图 ↗

数据预处理

训练阶段采用了几种过采样技术,以帮助模型从代表性不足的数据以及对应于零点的关键帧中学习(详见补充材料——数据预处理)。

在训练的每个 epoch 中,从每个序列中采样连续九帧的拼接片段。图像使用全局均值和方差进行标准化,然后通过插值调整为 256 × 256 分辨率。从每个九帧序列中随机移除两帧,以模拟不同中心和磁体系统的 scout 采集方案中使用的不同时间分辨率。然后将剩余七帧与其相邻帧分组(以下称为窗口),使得在五个时间步上存在五组三张相邻帧,并在心肌信号被抑制的零点附近进行过采样(图 2;更多细节见补充材料)。

在测试以及验证和测试阶段,每个 TI scout 序列的所有图像按原样以三张连续图像为一组输入模型,不进行过采样或拼接(图 2)。

图 2 数据预处理。为模型训练提供一致的输入,从每个单独序列中采样九张连续图像,优先选择接近标注最佳 TI 的帧。在调整大小和数值归一化后,从九张图像集合中随机移除两张图像,并提取五个由三张连续图像组成的滑动窗口作为输入。在验证和测试阶段,每个 TI scout 序列的所有图像按原样以三张连续图像为一组输入模型,不进行过采样或拼接 查看原图 ↗

模型设计

模型设计包括两个部分:特征提取 CNN 和双向 LSTM 网络(图 3)。

CNN 首先遍历给定序列的所有窗口,其中通道对应于给定窗口内的最早、中间和最晚帧,从而帮助识别相邻帧之间的空间特征和时间关系(例如强度变化)。评估了三种 CNN 架构——VGG16 [18]、ResNet18 [19] 和 Squeeze-and-Excitation [20] SE-ResNet18,这是一种改进的 ResNet 架构,利用 Squeeze-and-Excitation 块进行通道级特征重校准并增强通道相互依赖性。CNN 将特征压缩为维度为 1024 的特征数组,以生成窗口的嵌入表示。

随后使用双向 LSTM 网络捕获相邻帧之外的全局时间信息。最终的全连接层执行逻辑回归并输出一系列概率,其中每个值对应一个窗口。预测的最佳 TI 从概率最接近 0.5 的窗口中心图像的 DICOM 元数据(GE 为“InversionTime”,Siemens 和 Philips 图像为“TriggerTime”)中提取。

图 3 模型架构和流程。从输入开始(图底部)每个窗口三张图像:(1) CNN 特征提取器接收从序列获得的各个三通道数组(以 SE-ResNet 为例);(2) 来自 CNN 的池化特征被传入双向 LSTM,并在每个时间步上部署逻辑回归;(3) 选择输出概率最接近 0.5 的窗口进行预测,其中心帧的 TI 值作为预测 TI 值返回 查看原图 ↗

数据划分

来自中心1至3的1033个样本中有154个(14.9%)被留出用于测试。其余用于训练和验证,采用五折交叉验证,训练/验证比例为80/20。从五折交叉验证中选择表现最佳的模型作为最终模型,其性能在来自中心1至3的留出测试集上进行测试。

模型训练

训练在具有16 GB显存的Nvidia Tesla V100虚拟分区上进行,使用Python 3.9.6和PyTorch 1.9.0。其他软件包的详细信息见补充材料。

使用开源框架(MONAI [21])进行数据增强,以使模型接触更多异质性训练数据并提高泛化能力。通过网格搜索确定最合适的学习率、衰减率和批大小。CNN-LSTM模型使用ADAM优化进行端到端训练,共30个epoch,批大小为32,权重衰减为1 × 10−4。采用差分学习率,特征提取器的初始学习率为1.5 × 10−2,LSTM的初始学习率为3 × 10−3。使用加权二元交叉熵损失函数。对于每个样本的损失,在零点附近施加更大的权重:其中Ti为第i个窗口的反转时间。

所采用增强的详细描述、模型细节(包括超参数)以及加权损失函数见补充材料。

模型评估

评价指标

模型性能采用平均绝对误差(MAE)、准确率(定义为模型选择在地面真值50 ms以内,基于不同时间分辨率的TI定位序列的变异程度以及心脏MR序列的典型时间分辨率)[3]、Lin一致性相关系数(LCCC)和Bland–Altman分析进行评价。还使用简化主轴回归(RMAR)评估预测的固定偏倚和比例偏倚,后者未使用Bland–Altman分析评估[22]。RMAR考虑了预测和地面真值中的潜在误差,而线性回归仅纳入预测误差。在本研究中,MAE被优先用于模型选择,因为它最直接地反映预测反转时间与地面真值之间的差异。每个指标的选择旨在反映模型性能的某一侧面,但可能并不完全相关,因为针对某一指标进行优化可能会对其他指标产生负面影响。

还使用相同指标评估了留出测试集上的读者间一致性以进行直接比较。对各个中心、供应商和场强进行了模型性能的亚组分析。

可视化

创建预测和地面真值分布的二维直方图,以25 ms间隔可视化模型获得的预测反转时间与地面真值之间的一致性。选择该分箱大小是为了充分显示这些分布的密度信息。还采用显著性图辅助模型可解释性,详见补充材料[23]。

外部数据

为评估泛化能力,最终模型在来自两个供应商的所有中心4数据(n = 103)上进行了测试,这些数据在训练和验证期间模型均未见过。

结果

模型评估

表现最佳的模型是SE-Resnet-18,其在中心1至3的留出测试集上准确率为96.1%,MAE为22.9 ms,LCCC为0.472(表2),模型选择的更多细节见补充材料。RMAR显示无比例偏倚,固定偏倚为17.3 ms,表明有轻微高估最佳TI的趋势(图4a、b)。二维直方图也显示最终模型在预测最佳TI方面表现良好(图4c),大多数误差在真实最佳TI的50 ms以内,且更多倾向于高估最佳TI。作为对比,阅片者间一致性产生的LCCC为0.91,无主要比例偏倚,固定偏倚相似,为16.2 ms。当分析中心1和2(这两个中心均可进行两种场强成像)的数据时,模型在1.5 T数据上表现更好(准确率97.8%),而在有限的3 T数据上表现较差(准确率72.7%)。阅片者间一致性的细节及模型在不同场强下表现的亚组分析见补充材料。按中心和厂商分组的误差分布汇总于表3。

模型的空间显著性热图显示为斑片状网格样模式,注意力主要集中在心脏区域(图5a)。周围组织包括肺和腹腔器官也存在注意力。模型对图像周边的混叠伪影关注很少。时间显著性图显示在预测零点附近的帧上注意力较强(图5b)。

表2 最终模型在留出测试集和外部数据集上按厂商分层的不同中心间性能 查看原表 ↗
图4 a 中心1至3留出测试数据的简化主轴回归(x轴为真实反转时间,y轴为预测反转时间,虚线表示完全一致线,橙线为回归线),表明存在较小的固定偏倚(高估反转时间的趋势)。b 中心1至3留出测试数据的Bland–Altman分析,显示有高估反转时间的趋势,与RMAR一致。c 中心1至3留出测试数据的二维直方图。注意,鉴于反转时间的连续性,直方图的对角线并不反映MAE小于25 ms的实际样本数。d 中心4数据的简化主轴回归,该中心仅用于测试。虚线表示完全一致线,橙线为回归线,表明在低反转时间有轻微高估最佳TI的趋势,而在较高反转时间则低估。e 中心4数据的Bland–Altman分析,平均差异极小,95%一致性界限在50 ms以内。f 中心4外部数据的二维直方图 查看原图 ↗
表3 留出集和外部测试集按中心和厂商分组的预测帧相对于真实帧的结果,提供相同、低估和高估索引帧的结果。留出测试集中有更多TI预测被高估(中位数25 ms),而 external 数据集中这些占少数,与留出测试集相比正确预测的比例更高。MAE 平均绝对误差,IQR 四分位距 查看原表 ↗
图5 a 将给定的定位序列输入最终模型(SE-Resnet18-LSTM)生成的空间显著性图,并附真实图像(第7帧,左图)以供比较。这些图显示了对心肌及周围结构的关注。对显著性图应用了高斯滤波器(右图)以帮助可视化残差连接,空间显著性图呈现出网格状模式(中图)。b 最终模型的时间显著性,显示模型在第7帧预测的零点处有强烈关注(定义为每帧整个显著性图像的平均强度) 查看原图 ↗

外部数据性能

最终模型在来自中心4的外部数据上达到了97.3%的准确率,MAE为15.2 ms,LCCC为0.641(表2)。RMAR显示出以比例偏差为主,模型倾向于在低TI时高估,在高TI时低估最佳TI(图4d、e)。按中心和厂商分类的结果汇总于表3。

对于来自一个厂商(西门子)的图像,模型在50 ms以内达到了100%的准确率,且倾向于低估最佳TI。低估均在真实值的50 ms以内(90个最佳TI中有35个被低估,中位数±IQR为17.5±2.5 ms),图像回顾时真实值与预测值之间几乎无明显差异(图6a)。中心4数据集中另一厂商(飞利浦)的图像准确率为84.6%,倾向于高估TI(13个最佳TI中有10个被高估,其中2/13的高估超过最佳TI 50 ms以上,中位数±IQR为25.0±25.0 ms)(图6b)。对场强性能的亚组分析再次显示外部测试集1.5 T数据具有高准确率(91.1%),3 T数据的准确率为84.6%(进一步细节见补充材料)。

最终模型已发布于以下网址:https://github.com/AH-AI-in-Radiology/Cardiac_MRI_TI。

图6 a 来自中心4的一例最佳TI过渡点;在此例中,模型将最佳时间反转低估了一帧。从视觉上看,这些图像非常相似。b 按扫描仪型号对中心4数据进行的简化主轴回归和Bland–Altman分析(RMAR中虚线代表完全一致性线,橙线代表回归线) 查看原图 ↗

讨论

我们开发了一种序列CNN-RNN方法,能够从多中心多厂商MRI TI scout成像中以高准确度选择最佳TI。自动化TI选择方法的潜在优势在于一种100%可重复的方法,即给定相同的输入,模型每次都会预测相同的TI。通过可靠的最佳TI选择,它可能有助于更准确的诊断,避免经验不足或时间紧迫的操作者可能出现的正常心肌抑制不佳或不一致的情况。我们的模型能够辨别从早期到晚期帧的过渡,融合了空间和时间特征。尽管我们方法的RNN部分固定为LSTM,但比较了三种CNN特征提取器:VGG16 [18]、Resnet18 [19]和SE-Resnet-18。包含SE-Resnet-18 CNN的模型取得了最佳结果,可能归因于Squeeze and Excite模块。这些模块使CNN能够执行动态通道特征重校准[20]。我们推测这使我们的模型能够在CNN层面从时间序列图像中提取更具判别性的特征集。显著性映射展示了模型在预测最佳TI时对空间(形态学)和时间特征的关注。

在中心1-3测试数据中,预测最佳TI的小幅高估(17.3 ms)在所有TI中是一致的(即固定偏倚)。这可能与加权损失函数有关,该函数一致地对抑制点之后的帧施加更大的权重。在实践中,轻微高估是可接受的误差,因为选择比最佳TI更晚的TI仍将提供晚期钆增强成像图像,其中异常心肌仍应显得比正常心肌更亮。低估可能更有问题,因为如果仅依赖幅度图像,正常和异常心肌之间的关系可能会反转,对诊断准确性的负面影响更大[24]。然而,在我们的外部测试数据中观察到的低估仍在地面真值的50 ms以内,预测图像和地面真值图像的视觉外观相似。

来自中心2和4的Philips数据表现较差。我们推测采集差异是潜在原因。这包括用于获取TI scout成像的脉冲序列的差异(在我们的队列中,Siemens系统使用平衡稳态自由进动,而Philips和GE系统使用扰相梯度回波或超快梯度回波图像),影响组织对比度和信噪比。时间分辨率也可能影响准确性,因为时间分辨率较差/帧数较少的系统可能在准确性方面受到惩罚,因为真正的最佳TI更可能位于帧之间。中心2测试集数据相对较高的MAE(中位时间分辨率38.8 ms)和中心3的低MAE(中位时间分辨率16.7 ms)即为佐证。然而,这在主要来自单一厂商系统的外部测试数据中难以确认。

然而,对外部数据的模型准确率较高。来自不同厂商的训练数据的异质性可能对其性能有所贡献。中心4数据集的相对同质性(多数为主动脉瓣狭窄的指征)可能促成了所观察到的高准确率。该疾病中左心室肥厚的高患病率可能最大限度地减少了低心肌质量患者中可能遇到的左心室心肌部分容积效应带来的困难。然而,我们在中心4数据中观察到在较低TI时对最佳TI的高估和在较高TI时的低估,这主要由西门子磁共振设备的结果所驱动。然而,101/103(98.1%)的预测值落在真实最佳TI的50 ms范围内,且低估的程度(对晚期钆增强成像可能更有问题)较小(均< 50 ms),在这些病例中预测与真实成像的视觉差异很小。潜在病理(已知主动脉瓣狭窄中T1心肌值延长[25])、采集参数、对比剂类型[26]、剂量以及对比剂给药后TI scout采集的时机均可能影响了我们的结果,突出了各机构间所用TI scout序列的真实世界变异性。

虽然Bahrami等人此前已在单机构和单厂商设置中探索了使用CNN和LSTM自动检测最佳TI[14],但我们利用两个场强下的多中心数据开发了一个模型,该模型能够准确预测来自未用于模型训练的中心的两个厂商此前未见数据的最佳TI。我们已证明,仅从像素数据预测最佳TI是可能的,即使对于使用不同脉冲序列、在不同场强下采集、且在对比剂类型、剂量和时机方案方面存在差异的异质性成像也是如此。此外,我们开发了一种独特的架构,大幅减少了参数数量以提高训练效率(从超过4亿减少至32,258,625)。下一步是将此类模型实施到临床实践中,正如Ohta等人最近在一项单机构、单厂商研究中所描述的,该研究利用VGG-19模型通过智能手机实时辅助TI选择[27]。

该研究的一个局限在于各中心和磁体系统之间的数据分布不均衡。中心3的数据代表性不足,在留出测试集中仅有6个数据点,且外部数据集中没有中心3供应商的代表数据。外部测试数据主要来自单一供应商,患者人群相对同质,这可能使模型性能产生偏倚。因此,供应商特异性性能应谨慎解读。3特斯拉(3 T)扫描仪数据也代表性不足。值得注意的是,来自中心1至3的训练和验证数据中仅5.6%(49/879)来自3 T,这可能解释了模型在3 T数据上性能较差的原因。模型在淀粉样变性患者中的性能未得到充分评估,转诊用于该临床指征的患者相对较少。在临床实践中,该人群中最佳TI难以确定,但TI scout本身可因异常对比动力学而辅助诊断[28]。我们数据中scout序列的时间分辨率可变,可能影响了模型训练和准确性,尤其是当理想TI位于两个离散采样点之间时,会影响时间分辨率较差的序列。然而,我们的数据集反映了真实世界临床成像的异质性。

我们开发了一个模型,能够以高准确度自动检测最佳TI,与最佳心肌归零相差在50 ms以内,可应用于来自不同机构和供应商的多种序列。我们还将模型与科学界共享,以鼓励在真实世界数据上进一步开发或进一步测试。经过改进,它可协助在心脏MRI的LGE成像中高效且可重复地选择TI,并最终可纳入全自动化临床工作流程。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 552 KB)

引用

  1. Xie C, Zhang R, Mensink S, et al. Automated inversion time selection for late gadolinium-enhanced cardiac magnetic resonance imaging. Eur Radiol. 2024. PMID: 38337070. doi:10.1007/s00330-024-10630-w
  2. 全文:PMC11364710(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11364710/

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。