文献速递乳腺乳腺X线

人工智能标记在筛查乳腺X线摄影中与癌症位置如何对应?挪威乳腺癌筛查项目270例乳腺癌病例的知情回顾研究

How do AI markings on screening mammograms correspond to cancer location? An informed review of 270 breast cancer cases in BreastScreen Norway.
PubMed 文献 · Eur Radiol · 2024-02-23

该回顾性研究由四名乳腺放射科医生对挪威乳腺癌筛查项目中126例AI评分10的筛查检出癌和120例AI评分10的间期癌进行知情共识回顾,比较AI标记位置与诊断图像上肿瘤位置的一致性。结果显示所有筛查检出癌和78%的间期癌AI标记位置正确,但仅22%的间期癌在两个体位均匹配,且多数正确标记的间期癌被分类为真阴性或非特异性微小征象。

要点

  • AI评分10的筛查检出癌全部位置标记正确,其中79%在CC和MLO两个体位均匹配。
  • AI评分10的间期癌78%位置标记正确,但仅22%在两个体位均匹配。
  • 120例AI评分10的间期癌中,11%为假阴性、10%为显著性微小征象、26%为非特异性微小征象、31%为真阴性。

核心结论

  • AI标记在AI评分10的病例中与癌症位置对应比例高,提示AI系统能准确识别高评分乳腺X线摄影中的癌症位置。
  • 所有筛查检出癌和78%(93/120)的AI评分10间期癌的AI标记在一个或两个体位与诊断图像上癌症位置对应。
  • 120例AI评分10的间期癌中21%(25/120)被分类为假阴性或显著性微小征象且AI标记位置正确,提示这些病例可能在既往筛查中可见。
  • 多数位置正确的间期癌仅在一个体位匹配,且多数被分类为真阴性或非特异性微小征象,提示在真实筛查环境中被更早检出的潜力低。
  • 作者认为AI标记在大多数病例中与癌症位置对应,但间期癌中仅一个体位有细微发现的病例在真实筛查环境中是否可操作召回尚不确定。

研究设计与样本

  • 使用商业AI系统(Transpara 1.7.0版,ScreenPoint Medical,奈梅亨)对检查进行1–10评分,10分为高风险。
  • 最终研究样本:A组126例随机选取的AI评分10筛查检出癌,B组120例AI评分10间期癌,C组24例AI评分1–7筛查检出癌。
  • 由四名乳腺放射科医生(经验分别为7年、4年、10年、30年)和两名秘书进行知情共识回顾,可获取筛查和诊断乳腺X线摄影、AI标记和评分。
  • 参考标准为诊断性乳腺X线摄影上肿瘤位置,AI标记与肿瘤位置匹配与否由四名放射科医生视觉判断。

关键影像表现/征象

  • A组126例筛查检出癌全部被AI系统在CC、MLO或两个体位正确定位,79%(100/126)在两个体位均匹配,10%(12/126)仅CC匹配,11%(14/126)仅MLO匹配。
  • A组96%(121/126)为BI-RADS乳腺密度a或b,67%(84/126)为密度b。
  • B组120例间期癌中78%(93/120)被AI正确定位,22%(26/120)两个体位均匹配,30%(36/120)CC匹配,26%(31/120)MLO匹配。
  • B组94%(113/120)为密度b或c,55%(66/120)为密度c。
  • B组中AI标记位置正确的93例间期癌,筛查时最常见的乳腺X线特征为肿块(28%[26/93])和单纯钙化(15%[14/93]);诊断时最常见的特征为肿块(34%[32/93])和密度伴钙化(27%[25/93])。

诊断标准与关键数值

  • AI评分1–7为低风险,8–9为中风险,10为高风险;低风险检查无AI标记可用。
  • 间期癌分类标准依据2005年欧盟指南:假阴性(既往片上明显可见异常)、显著性微小征象(癌症部位细微发现但不一定需要召回)、非特异性微小征象(癌症部位非特异性发现,召回可能性不大)、真阴性(筛查片上无可见异常)。
  • 120例AI评分10间期癌中,11%(13/120)位置正确且分类为假阴性,10%(12/120)为显著性微小征象,26%(31/120)为非特异性微小征象,31%(37/120)为真阴性。
  • 25例位置正确且分类为假阴性或显著性微小征象的间期癌中,48%(12/25)在两个体位均匹配。
  • 68例位置正确且分类为非特异性微小征象或真阴性的间期癌中,21%(14/68)在两个体位均匹配。

临床应用与阅片要点

  • AI评分10的筛查检出癌位置标记高度可靠,可信任AI对高评分筛查检出肿瘤的正确定位。
  • 间期癌的AI标记准确性低于筛查检出癌,且多数仅在一个体位匹配,阅片时需注意单一体位标记的局限性。
  • AI评分10但人类阅片认为阴性或良性的病例,是否召回尚不确定,需权衡召回率升高与漏诊风险。
  • 作者认为AI作为独立第二阅片者或决策支持似乎可行,但独立使用而无人类阅片者可能漏诊放射科医生通常不会漏诊的癌症。
  • 作者指出需要稳健的大型前瞻性研究来确定基于AI评分的成本效益最优处理与随访方案。

局限性

  • 研究为回顾性,普遍性受限。
  • 审阅者在回顾时可获取诊断图像和AI评分,知情共识回顾方法本身存在固有局限。
  • 筛查检出癌为从880例AI评分10病例中随机抽取的子样本,其他筛查人群和放射科医生可能得到不同结果。
全文中译9 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 23;34(9):6158–67. doi: 10.1007/s00330-024-10662-2

引言

乳腺癌是全球女性中最常见的癌症类型和癌症死亡原因[1]。通过乳腺X线摄影筛查进行早期发现已被证明可显著降低该疾病的死亡率[2, 3],并得到国际卫生机构的支持[4, 5]。然而,乳腺X线摄影判读的准确性存在差异,据报道,在回顾性知情复核研究中,20%–30%的乳腺癌为假阴性[6–8]。其中一些癌症在下一轮筛查中以症状性间期癌的形式出现。与筛查发现的癌症相比,间期癌的预后往往较差[9, 10],其发生率应尽可能保持在较低水平。

人工智能(AI),包括基于图像的深度学习,已成为提高乳腺X线摄影筛查准确性和效率的有前景的工具[11–16]。多项研究表明,基于卷积神经网络的AI系统可达到接近专家放射科医师水平的诊断性能[12, 15–19]。

2022年,该研究组开展了一项回顾性研究,比较了一种市售AI系统与放射科医师独立双读在癌症检出方面的表现[20]。该AI系统对检查进行1至10分的评分,其中10分表示乳腺癌高风险。我们发现,949例筛查发现的癌症中93%和305例间期癌中40%被AI系统评为10分。然而,我们不知道筛查乳腺X线摄影上的AI标记是否与诊断性乳腺X线摄影上的肿瘤位置相对应。总体而言,关于AI标记是否与癌性肿瘤位置一致,以及AI识别出的间期癌是否具有召回的可操作性,目前所知有限。在一项来自瑞典的回顾性共识复核研究中,所有AI评分为10分的间期癌中,19%被AI系统正确定位并分类为假阴性或微小征象[8]。需要进一步研究以确保AI标记的有效性,据我们所知,尚无研究对不同AI风险评分的筛查发现癌症的肿瘤位置进行复核。

为有助于填补与该问题相关的知识空白,我们对带有AI标记的筛查乳腺X线摄影以及筛查发现癌症和间期癌的诊断性乳腺X线摄影进行了回顾性知情共识复核。本研究的主要目的是评估对于高AI风险评分(AI评分10分)的检查,AI系统在筛查乳腺X线摄影上给出的标记是否与诊断性乳腺X线摄影上的肿瘤位置相对应。此外,我们根据筛查乳腺X线摄影上的乳腺X线表现将间期癌分类为假阴性、微小征象或真阴性。最后,我们研究了低AI风险评分(AI评分1–7分)的筛查发现癌症,以探究将这些病例错误分类为低评分的潜在原因。

材料与方法

本研究经医学与健康研究伦理区域委员会批准(#13294)。数据依据2001年12月21日第47号《癌症登记条例》第3–1条和《个人健康数据归档系统法》第19 a至19 h条的法律依据予以披露[21, 22]。

本研究基于一项对罗加兰地区筛查检查的回顾性研究,该研究是2010–2018年挪威乳腺癌筛查项目的一部分[20]。挪威乳腺癌筛查项目是一个基于人群的筛查项目,始于1996年,由挪威癌症登记处管理,每两年邀请约580,000名50–69岁女性接受双视图乳腺X线摄影筛查[23]。所有检查均由两名乳腺放射科医师独立判读,每侧乳腺给予1至5分的评分,其中1表示正常发现,2表示可能良性,3表示中等怀疑,4表示可能恶性,5表示高度怀疑恶性。所有由任一或两名放射科医师评为2分或以上的检查均在共识会议上讨论,并在会上作出召回决定。1996–2016年期间参与率为76%,召回率为3.2%,筛查检出癌症为0.56%,间期癌症为0.18%[24]。

研究样本

在这项回顾性研究中,使用市售人工智能系统(Transpara 1.7.0版,ScreenPoint Medical,奈梅亨)对罗加兰郡进行的13,896次筛查检查进行了分析,其中包括949例筛查检出癌症和305例间期癌症。该系统已获得欧盟 conformity(CE)认证,并获美国食品药品监督管理局(FDA)许可。人工智能系统对所有检查给予1至10分的评分,其中1–7分表示乳腺癌低风险,8–9分表示中等风险,10分表示乳腺癌高风险。对于低风险检查,即人工智能评分为1–7分者,由于本项目人工智能系统的特定设置,无法获得人工智能标记。

在880例人工智能评分为10分的筛查检出病例中,我们随机选择130例进行复核(A组)。此外,所有122例人工智能评分为10分的间期癌症(B组)和所有26例人工智能评分为1–7分的筛查检出癌症(C组)均被选入复核(图1)。在排除1例无诊断性乳腺X线摄影可用的癌症病例、2例左乳无人工智能评分可用的病例以及1例因自报症状而检出的病例后,A组的最终研究人群包括126例筛查检出癌症。B组在排除2例因乳腺X线摄影上缺乏人工智能标记的病例后包括120例间期癌症,C组在排除1例因自报症状检出的病例和1例癌症所在左乳无人工智能评分的病例后包括24例筛查检出癌症。对于A组和B组中的双侧癌症,我们仅纳入人工智能评分为10分的那侧乳腺。

筛查检出癌症定义为因乳腺X线摄影发现而召回进一步评估后诊断的乳腺癌。间期癌症定义为筛查结果为阴性后,或假阳性筛查结果后超过6个月,且在筛查后24个月内诊断的乳腺癌。乳腺癌包括导管原位癌(DCIS)和浸润性乳腺癌。

图1 研究样本流程图,包括人工智能评分(AI评分)。AI评分为10分表示乳腺癌高风险,8–9分表示中等风险,1–7分表示乳腺癌低风险 查看原图 ↗

知情乳腺X线摄影复核

由四名乳腺放射科医师(M.A.M.,外部,7年乳腺放射科医师经验;H.W.K.,内部,4年经验;S.F.,内部,10年经验;B.S.,内部,30年经验)和两名秘书完成了此次复核。知情复核采用共识制,可获取筛查性和诊断性乳腺X线摄影,此外还可获取AI系统在筛查性乳腺X线摄影上的标注和评分。对于AI评分为10的癌症病例,AI标注可在影像归档和通信系统(PACS)中获取,但对于AI评分为1–7的筛查检出癌症则不可获取,因为这些被视为低风险检查。

对于A组,共识记录了乳腺X线摄影密度(乳腺影像报告和数据系统[BI-RADS] a–d级)以及AI标注在筛查性乳腺X线摄影上的位置和体位(头尾位[CC]和内外侧斜位[MLO])与诊断性乳腺X线摄影上肿瘤之间的一致/不一致情况。筛查性乳腺X线摄影上AI标注与诊断性乳腺X线摄影上癌症位置之间的一致/不一致情况由四名放射科医师根据视觉检查进行分类。

对于B组,共识记录了乳腺X线摄影密度(BI-RADS a–d级)、AI标注在筛查性乳腺X线摄影上的位置和体位与诊断性图像上肿瘤之间的一致/不一致情况、筛查性和诊断性乳腺X线摄影上的乳腺X线摄影特征、放射科医师的总体判读评分(1–5分),并根据2005年欧盟指南对病例进行分类:假阴性、微小征象(显著性或不特异性表现)和真阴性[5]。我们将复核结果记录为以下四个类别:假阴性(既往图像上明显可见的异常表现)、微小征象显著性(癌症部位细微表现,不一定被视为需要召回的指征)、微小征象不特异性(癌症部位不特异性表现,召回被认为不太可能)和真阴性(筛查性乳腺X线摄影上无可见异常表现)。

乳腺X线摄影特征也根据改良BI-RADS系统[25]进行记录和分类,包括肿块、毛刺状肿块、钙化、不对称[26]、结构扭曲[27]以及伴钙化的密度。

对于C组,共识记录了乳腺X线摄影密度(BI-RADS a–d级)、放射科医师的总体评分(1–5分)以及筛查时的乳腺X线摄影特征。将癌症的乳腺X线摄影特征与既往检查的乳腺X线摄影特征进行比较,以判定该表现为新发病灶还是进展性病灶。

统计分析

分析为描述性分析,以频数和百分比表示。结果按体位和分类(假阴性、微小征象(总计及显著性/不特异性)和真阴性)进行分层。有关乳腺X线摄影密度和特征的结果以图展示。所有分析均使用Stata软件进行(StataCorp. 2021. Stata Statistical Software: Release 17. StataCorp LLC)。

结果

A组——AI评分为10的筛查检出癌症

所有126例AI评分为10的筛查检出癌症均被AI系统在CC位、MLO位或两个体位中正确定位(表1)。我们发现79%(100/126)的病例在CC位和MLO位均一致,而10%(12/126)仅在CC位一致,11%(14/126)仅在MLO位一致。总体上,96%(121/126)的筛查检出癌症被分类为BI-RADS乳腺X线摄影密度a级或b级,67%(84/126)为密度b级。

表1 筛查乳腺X线摄影上人工智能(AI)标记与诊断性乳腺X线摄影上癌症位置在BI-RADS乳腺密度(a–d)和乳腺X线摄影体位间的匹配情况。百分比基于各密度组总数或总数计算 查看原表 ↗

B组——AI评分为10的间期癌

在AI评分为10的间期癌中,共有78%(93/120)被AI系统在CC、MLO或两个体位中正确定位(表1)。我们发现22%(26/120)在两个体位中均匹配,30%(36/120)在CC位匹配,26%(31/120)在MLO位匹配。绝大多数间期癌,94%(113/120),被归类为密度b或c(55%(66/120)为密度c)。

在全部120例AI评分为10的间期癌中,11%(13/120)被正确定位并归类为假阴性,36%(43/120)被正确定位并归类为微小征象(10%(12/120)为微小征象显著,26%(31/120)为微小征象非特异),31%(37/120)被正确定位并归类为真阴性(表2,图2、3、4和5)。在25例被正确定位并归类为假阴性(n = 13)或微小征象显著(n = 12)的间期癌中,48%(12/25)在两个体位中均匹配。在68例被正确定位并归类为微小征象非特异(n = 31)或真阴性(n = 37)的间期癌中,21%(14/68)在两个体位中均匹配。

在27例AI标记与肿瘤位置不匹配的间期癌中,70%(19/27)被归类为真阴性(表2)。

在AI标记位置正确的间期癌病例中,26%(24/93)在筛查乳腺X线摄影上未见任何可见特征,而8%(7/93)被认为在诊断性乳腺X线摄影上无任何可见特征(图6)。筛查时无可见乳腺X线摄影特征的病例数(n = 24)低于被归类为真阴性的病例数(n = 37),因为有13例有可见特征的病例被审阅者认为是阴性。在筛查时,肿块(28% [26/93])和单纯钙化(15% [14/93])是这些病例最常见的乳腺X线摄影特征。在诊断时,肿块伴钙化和密度伴钙化是最常见的特征,分别见于34%(32/93)和27%(25/93)。比较间期癌在诊断时与筛查时乳腺X线摄影特征的分布,不对称和钙化的比例下降最多,而毛刺状肿块和密度伴钙化的比例上升最多。从筛查到间期癌诊断的中位时间为428天(IQR:250–586)。

表2 AI评分为10(B组)的间期癌审阅分类结果及AI标记位置正确/不正确,分类为假阴性、微小征象和真阴性。百分比以AI评分为10的间期癌总数(n = 120)为分母计算 查看原表 ↗
图2 女性,64岁,筛查后560天诊断间期癌。AI评分为10,筛查乳腺X线摄影(A)上的AI标记与诊断图像(B)上的肿瘤位置匹配。在四名乳腺放射科医师可获得AI评分和诊断图像的情况下进行知情审阅,分类为“假阴性” 查看原图 ↗
图3 女性,59岁,筛查后219天诊断为间期癌。筛查乳房X线摄影(A)上人工智能(AI)评分为10分,且AI标记与诊断图像(B)上肿瘤位置相符。在四名乳腺放射科医师可获得AI评分和诊断图像的知情复核中,分类为“微小征象有意义”。 查看原图 ↗
图4 女性,55岁,筛查后200天诊断为间期癌。筛查乳房X线摄影(A)上人工智能(AI)评分为10分,且AI标记与诊断图像(B)上肿瘤位置相符。在四名乳腺放射科医师可获得AI评分和诊断图像的知情复核中,分类为“微小征象非特异”。 查看原图 ↗
图5 女性,69岁,筛查后623天诊断为间期癌。筛查乳房X线摄影(A)上人工智能(AI)评分为10分,且AI标记与诊断图像(B)上肿瘤位置相符。在四名乳腺放射科医师可获得AI评分和诊断图像的知情复核中,分类为“真阴性”。 查看原图 ↗
图6 人工智能(AI)评分为10分且AI标记与癌症位置相符的间期癌在筛查和诊断时的乳房X线摄影特征(n = 93) 查看原图 ↗

C组——AI评分为1–7分的筛查检出癌症

C组包括24例AI评分为1–7分的筛查检出癌症,其中3例AI评分为1分,2例AI评分为2分,3例AI评分为4分,6例AI评分为5分,3例AI评分为6分,7例AI评分为7分。我们发现25%(6/24)的病例BI-RADS乳房X线摄影密度为a,50%(12/24)为b,25%(6/24)为c,无密度组d。

此外,71%(17/24)的病例被分类为“肿块”。与既往乳房X线摄影相比,58%(14/24)被认为是新发病灶,21%(5/24)为进展性不对称。复核放射科医师的判读评分为1分的占21%(5/24),2分的占58%(14/24),3分的占17%(4/24),4分的占4%(1/24)。无判读评分为5分者。判读评分为3分或4分的五例癌症病例被放射科医师认为可见,因此被AI系统判定为假阴性。

讨论

在本研究中,我们发现所有筛查检出癌症以及78%(93/120)AI评分为10分的间期癌,其筛查乳房X线摄影上的AI标记与诊断图像上癌症位置相符。在所有AI评分为10分的间期癌中,21%(25/120)的AI标记位于正确位置,并在本研究中四名乳腺放射科医师的知情共识复核中被分类为假阴性或微小征象有意义,提示它们可能在既往筛查中可见。

我们的结果表明,当人工智能系统对筛查发现的肿瘤给出高AI评分并进行正确标记时,该系统是可信的。对于筛查发现的病例,大多数(79% [100/126])肿瘤在CC位和MLO位均被正确标记,而间期癌中仅22%(26/120)在两个体位均匹配。对于间期癌,不应期望观察到同样准确的AI标记,因为其中许多癌症可能生长迅速,因而在此前的乳腺X线摄影中不存在或不可见。我们的研究结果表明,AI可能通过提高乳腺X线筛查中的检出率来潜在地帮助降低间期癌发生率,但也清楚地表明间期癌病例对AI以及放射科医生而言都是一项挑战。

从理论上讲,仅基于AI评分10以及筛查乳腺X线摄影上正确标记的位置,假使所有AI评分为10的潜在间期癌都将被召回并诊断为筛查发现而非间期癌,基于AI的筛查可使间期癌总数减少约30%(40%*78%)。然而,大多数位置正确的间期癌仅在一个体位匹配,且多数被分类为真阴性或微小征象非特异性,表明在采用放射科医生和AI支持的筛查环境中被更早检出的潜力较低。

在我们2022年发表的论文中,40%(122/305)的间期癌AI评分为10 [20],高于瑞典一项使用同一AI系统较旧版本的综述研究报告的33%(143/429)[8]。尽管报告的AI评分为10的病例比例更高,但我们发现具有正确位置且至少有恶性微小征象(即未被分类为真阴性)的间期癌病例比例略低。该瑞典研究报告,在所有间期癌中,19%(83/429)位置正确且至少有恶性微小征象。我们研究中的对应数字为18%(56/305),表明两项研究在AI检出具有可见病灶的间期癌的总体潜力方面具有可比性。

尽管人工智能系统能够识别出即使受过训练的人眼也隐匿的癌症这一点值得注意,但这些病例在真实筛查环境中不太可能具有召回的可操作性,尤其是考虑到预期中人工智能标记的高假阳性数量。这引发了关于人工智能在筛查中实际有用性的重要问题。放射科医生应如何理解人工智能发现的隐匿性或被认为阴性或良性的结果?不考虑人眼对视觉发现的感知和解读,仅选择所有人工智能评分为10的女性进行召回,将产生不可接受的高召回率,约为挪威乳腺癌筛查项目当前召回率的2–4倍[23, 24]。另一方面,由于人工智能系统与放射科医生之间的不一致而对高人工智能评分女性不予选择,可能导致假阴性癌症,这也可能涉及法律问题。有几种策略可能可以处理这一问题,例如对高人工智能评分女性采用更短的筛查间隔和/或其他筛查技术。然而,此类策略可能因放射科医生工作量增加和频繁筛查方案而导致成本增加。显然需要稳健的大型前瞻性研究,以便根据患者的人工智能评分确定具有成本效益的最佳处理与随访方案。

在比较间隔期癌症在诊断时与筛查时的乳腺影像特征分布时,不对称和钙化减少最多,而毛刺状肿块和伴钙化的致密影增加最多。这些观察结果提示,基于人工智能的筛查可能有助于在具有不对称和钙化的小癌症发展为较大肿块之前发现它们。然而,这些具有细微发现的病例在真实筛查环境中是否具有召回的可操作性尚不确定。

24例筛查检出且人工智能风险评分较低的癌症(C组)中,有19例被放射科医生评为低解读评分1或2,表明这些病灶不被怀疑为恶性。这些病例很可能因与既往筛查乳腺影像相比观察到的新发特征而被选择进一步评估。值得注意的是,其中许多病例代表脂肪型乳腺中的新发病灶或进展中的不对称,而众所周知放射科医生在此类乳腺中的敏感性较高[28–30]。我们的观察结果强调了开发能够利用既往筛查乳腺影像进行比较的人工智能算法的重要性。在此类系统可用之前,以独立方式使用人工智能系统而无人阅读,存在漏诊放射科医生本不应漏诊的癌症的风险。另一方面,将人工智能用作独立第二阅读者或决策支持似乎是可行的,并且得到我们研究结果的支持:大多数筛查检出癌症以及相当数量的间隔期癌症被人工智能系统识别。

我们研究的优势在于初始研究中癌症病例数量众多,且图像数据与挪威癌症登记处的筛查数据进行了合并,该登记处乳腺癌数据的完整性接近100% [31]。然而,我们的研究结果的普适性受到某些局限性的制约——主要与本研究的回顾性性质有关。审阅者在审阅过程中可以获取诊断图像和人工智能评分,而知情共识审阅方法本身存在固有的局限性。此外,由于我们从所有880例人工智能评分为10的筛查检出癌症中随机抽取了一个子样本,我们预期该子样本能够代表整个样本,且如果同样的放射科医师审阅了全部880例病例,结果不会有差异。然而,使用其他筛查人群和放射科医师的其他研究可能会得到不同的结果。

总之,在人工智能评分为10的病例中,人工智能标记与癌症位置相对应的比例很高。然而,在真实筛查环境中,早期检出间期癌的真正潜力可能有所降低,因为大多数间期癌的病灶细微或无明显可见发现,且由于存在增加假阳性筛查结果率的风险,人类阅片者很可能不会对其进行召回。

引用

  1. Koch HW, Larsen M, Bartsch H, et al. How do AI markings on screening mammograms correspond to cancer location? An informed review of 270 breast cancer cases in BreastScreen Norway. Eur Radiol. 2024. PMID: 38396248. doi:10.1007/s00330-024-10662-2
  2. 全文:PMC11364568(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11364568/

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。