两个开源nnU-Net模型在有和无呼吸运动补偿的PET与CT图像上自动分割肺肿瘤的开发与评估
本研究开发了两个开源nnU-Net模型,用于在有和无呼吸运动补偿的PET与CT图像上自动分割肺肿瘤,训练数据来自两个前瞻性队列和一个回顾性队列,测试集来自10个中心。多中心测试中PET模型DSC(4D-PET)=0.74±0.06、DSC(3D-PET)=0.82±0.11,CT模型DSC(4D-CT)=0.61±0.28、DSC(3D-CT)=0.63±0.34,均较专家间DSC有提升。
要点
- PET自动分割模型在多中心测试集上DSC(4D-PET)=0.74±0.06、DSC(3D-PET)=0.82±0.11。
- CT自动分割模型DSC(4D-CT)=0.61±0.28、DSC(3D-CT)=0.63±0.34,整体呈病灶检出好但体积低估趋势。
- PET模型训练使用560幅4D图像、CT模型使用100幅3D图像,均采用5折交叉验证。
核心结论
- 性能评估显示自动分割模型有潜力达到与人工分割相当的准确性,因而有望用于临床应用。
- 模型可免费下载,用于支持3D或4D PET/CT的整合,并促进评估其对肺癌临床实践的影响。
研究设计与样本
- 研究纳入两个前瞻性肺癌队列(PET-Plan试验108237和STRIPE试验108472)及一个回顾性队列的时相分帧(4D)与非门控(3D)PET/CT图像。
- 模型构建以两位专家共识定义为参考标准,PET模型对560幅4D图像、CT模型对100幅3D图像采用nnU-Net 5折交叉验证。
- 测试集包括PET的270幅4D图像和19幅3D图像、CT的80幅4D图像和27幅3D图像,来自10个不同中心。
关键影像表现/征象
- CT模型整体呈现病灶检出良好但病灶体积被低估的趋势,平均阳性预测值为0.77±0.23。
- 对于全身PET扫描患者,AI模型还会分割膀胱及其他示踪剂增强的盆腔结构,可通过手动插值两个感兴趣区生成肺区域掩膜后取布尔交集排除。
诊断标准与关键数值
- 分割准确性以Dice相似系数(DSC)评估,公式为2(A∩B)/(A+B),A为参考标准、B为分割体积。
- 另计算阳性预测值,公式为(A∩B)/B,即真阳性/(真阳性+假阳性)。
- 还计算Hausdorff距离,代表轮廓表面间最大距离,用于识别被错误分类为肿瘤的远隔区域。
临床应用与阅片要点
- 根据ESTRO-ACROP指南,局部晚期非小细胞肺癌根治性放疗或放化疗前,增强诊断CT和全身诊断性FDG-PET-CT均被视为靶区勾画准备所必需。
- 指南还推荐采用呼吸相关4D CT评估呼吸运动,治疗体位的4D门控PET/CT为可选,但可能提高淋巴结识别的敏感度并提供额外信息帮助区分肿瘤范围与邻近组织。
- 作者认为应用所得模型可自动整合两种图像的信息,并利用4D方案提供的更高准确性和稳健性改进靶区定义、优化治疗计划与监测。
- 作者指出与人工轮廓及专家间变异性比较是临床可接受性评估的重要部分,而人工分割是本研究中心临床实践常用的肿瘤分割标准方法。
局限性
- 对于全身PET扫描患者,AI模型还会分割膀胱及其他示踪剂增强的盆腔结构,需通过手动生成肺区域掩膜加以排除。
- CT模型整体呈现病灶检出良好但病灶体积被低估的趋势。
- CT模型测试中两名患者DSC分别为0.12和0,导致平均值0.63与中位数0.81之间出现差异。
- 有一名患者一位专家因图像质量太差认为无法勾画而DSC=0,算法虽能检出病灶但分割准确性很差(DSC=0.33)。
全文中译14 节 · 点击展开
引言
在肺癌中,带有[18F]氟-2-脱氧-D-葡萄糖(FDG)的正电子发射断层成像(PET)利用正常组织与肿瘤组织之间生化差异的能力[1]已被证明是肿瘤检测[2]、分期[3]、治疗计划[4]、监测[5]和结局预测[6, 7]的宝贵工具。基于FDG-PET显像在非小细胞肺癌(NSCLC)中所提示的敏感性和特异性[8],已推荐将FDG显像整合到传统上仅基于CT的放射治疗(RT)临床实践中[9]。近期研究评估了[18F]FDG PET/CT在精确勾画靶区以及旨在进一步提高剂量的亚体积中的作用[10–13]。然而,由于呼吸运动[14],通过多模态PET和计算机断层扫描(CT)显像对病灶进行评估存在挑战。PET扫描采集过程中涉及的各种呼吸周期所致的肿瘤运动会导致示踪剂分布定量不准确,包括对病灶形状、体积和位置的错误估计。此外,两项检查的采集时间不同(CT为几秒,PET为数分钟)可导致空间不匹配,并因在PET图像重建中使用CT图像进行衰减校正而产生伪影。针对PET/CT系统中呼吸运动的管理,已提出了不同策略[15–17],例如回顾性呼吸门控(4D)-PET/CT[18]。作为该数据处理的结果,应通过补偿运动效应来提高图像质量以及示踪剂浓度和分布估计的准确性[19, 20]。RT中靶区的定义包括围绕肿瘤的由几何不确定性(例如呼吸运动[21, 22])所给出的安全边界。这些安全边界的目的是尽量减少肿瘤欠剂量。4D方案已被证明可减少由呼吸运动所致的几何不确定性,因此其相应的安全边界可以缩小。因此,4D方案将导致更小的靶区定义,并且附近危及器官所受剂量可被最小化,从而促进剂量递增。此外,4D方案已被证明可显著改善放射组学特征的可重复性[23, 24]。
手动勾画是放疗靶区 delineation、监测和影像组学中肿瘤分割最广泛使用的方法。对于这些应用,需要比诊断所要求的更高的准确性和可重复性。与手动方法相关的缺点是非常费力且耗时,特别是对于4D协议中涉及的图像数量而言,并且即使在专家之间也会导致显著的观察者间和观察者内变异性。一种替代方法是依赖自动或半自动分割方法。已有PET分割方法被提出[25],从简单的摄取值阈值化到非常精细的概率模型不等。人工智能(AI,机器学习/深度学习)的应用极其广泛且有前景[26, 27]。许多研究已显示这些方法在图像分割中的优越性[28]。尽管用于肺癌的自动AI分割算法数量不断增加,但大多数集中于CT或MR图像[29, 30]。此外,已发表的用于PET的AI分割模型很少涉及4D-PET数据[31, 32]。
在本研究中,我们的主要目标是开发一个用于PET图像上肺部肿瘤分割的AI模型。为了促进PET分割在临床工作流程中的实施,次要目标是同时开发一个用于CT图像上肿瘤分割的AI模型,CT是最常用的图像模态。此外,为了促进两个模型的同时实施,采用了相同的开源卷积神经网络(nnU-Net)。最后,为了最大化所得模型独立于成像系统和协议具有良好性能(泛化性)的概率,图像数据采集自十家不同机构,涉及不同的有(4D)和无(3D)呼吸运动补偿的协议。
材料与方法
患者队列和数据集
我们的研究包括两个前瞻性(PET-Plan和STRIPE)和一个回顾性(RC)肺癌患者队列。所有患者根据机构和联邦指南给予书面知情同意。机构伦理委员会批准了研究方案(EK-Nr 21-1228-S1-retro, EK Nr 108237, EK 113/12, EK-Nr Nr. 108472)。
各试验的主要临床特征在以下小节中描述。
PET-Plan试验
随机对照PET-Plan试验(ARO 2009-09, NCT00697333, Deutsche Krebshilfe, German Cancer Aid Organisation, Nr 108237)纳入年龄大于18岁、经组织学或细胞学证实为不可手术II期或III期NSCLC的患者。纳入标准还包括东部肿瘤协作组体能状态评分小于3;具有足够的肺、心、肾和血液学功能并适合放化疗。PET-Plan试验在德国、奥地利和瑞士的24个中心进行,遵循赫尔辛基宣言。研究设计、程序和主要结局结果已在别处发表[9]。
STRIPE试验
前瞻性单中心II期STRIPE试验(德国癌症援助组织,Deutsche Krebshilfe,编号108472)纳入肺部病灶最大直径5 cm的患者(早期NSCLC或受控原发肿瘤的肺转移灶少于2个),这些患者拒绝手术或因合并症无法手术。该研究在弗莱堡医科大学进行,研究设计、操作流程和主要结局结果已在其他地方发表[33]。
回顾性队列
对于回顾性队列(RC),2019年12月至2020年7月期间在弗莱堡医科大学招募了原发性早期(N)SCLC或孤立性肺转移的患者。所有患者年龄均大于18岁,且显示最多两个FDG-PET阳性肺部病灶,最大直径5 cm。
这三个队列的患者被分为训练队列和测试队列。用于开发CT和PET模型的队列划分示意图见图1。训练集包括PET模型的27例PET-Plan试验患者和29例STRIPE患者,以及CT模型的41例PET-Plan试验患者和59例STRIPE患者,均在弗莱堡医学中心招募。模型的性能在一个多中心队列上进行独立测试,该队列包括前瞻性和回顾性患者:PET模型包括36例PET-Plan患者和8例回顾性队列患者,CT模型包括19例PET-Plan试验患者和8例回顾性队列患者。
PET/CT采集
在至少4小时禁食后(血糖水平低于150 mg/dl),所有患者在按体重调整的[18F]FDG静脉注射后约60分钟接受诊断性全身[18F]FDG PET/CT扫描。
所有在弗莱堡大学医学中心成像的患者在FDG注射后约102分钟接受了一个床位(采集时间15分钟)的胸部限制性4D PET/CT扫描。患者呼吸通过呼吸带(Mayo Clinic呼吸反馈系统)监测,呼吸曲线与扫描仪采集时间同步。数据采用完全3D列表模式LOR TOF算法重建为10个基于时间的[34]呼吸相位,涉及松弛列表模式有序子集(BLOB-OS-TF),产生10组PET和10组CT。4D PET以144 × 144矩阵和4 × 4 × 4 mm³体素大小重建,4D CT以512 × 512矩阵和1.17 × 1.17 × 2 mm³体素大小重建。4D PET的衰减校正基于相应的呼吸相位4D CT。应用了散射和随机符合校正,标准摄取值(SUV)以体重计算。
在弗莱堡大学医学中心,扫描在飞利浦的两套不同PET/CT系统上进行:GEMINI TF TOF 64(TF64)和GEMINI TF 16 Big Bore(BB)。其他九家机构使用的成像系统为:两台飞利浦GEMINI TF TOF 16、两台SIEMENS Biograph 64、两台SIEMENS Biograph 40 mCT、一台SIEMENS Biograph 128、一台飞利浦Alegro Body和一台飞利浦Guardian Body。扫描仪满足欧洲核医学协会(EANM)成像指南所示要求,并获得EANM Research Ltd.(EARL)认证。8例患者的PET图像体素大小为4 × 4 × 4 mm3,7例患者为4 × 4 × 5 mm3,3例患者为2.65 × 2.65 × 3.37 mm3。在CT中,各机构间体素大小差异更大,层厚范围为1至5 mm,横轴像素范围为0.63 × 0.63 mm2至1.37 × 1.37 mm2。
用于训练和验证的分割方法
肿瘤手动分割
根据临床研究方案和当前采用标准化窗宽窗位进行勾画的指南[35],基于PET和CT对原发肿瘤和淋巴结进行手动分割:在CT上,对于被肺组织包围的肿瘤,预设窗应范围为600至1600 HU;对于淋巴结和侵犯纵隔或胸壁的原发肿瘤,窗应范围为20至400。对于PET,推荐使用标准化摄取值范围为2至10的窗。
真值由两名放射肿瘤学家的共识确定。另有一名专家为8例患者勾画3D-和4D-CT集,用于CT的内部验证。另有3名专家为8例患者勾画每个时间 bin,用于4D-PET算法内部评估所采用的回顾性队列。除使用勾画软件的技术说明外,阅片者未获得进一步协助,并且对所有其他勾画均设盲。
PET半自动对比导向算法
用于PET分割的半自动方法基于应用自适应阈值,该阈值考虑肿瘤浓度(病灶内最大强度70%等轮廓的平均值)与背景(自动从全图导出)之间的对比[36]。该方法的半自动特征依赖于以下事实:用户需要指示一个肿瘤体素(种子),并且最大强度在其邻域内被自动识别。为避免不连通区域,从种子应用具有六邻域3D区域生长算法的阈值。该方法需要基于体模的校准。
nn-UNet
采用nnU-Net [37]开发(i)PET分割模型,该模型使用560幅PET呼吸运动补偿图像及其对应的真实分割标签进行训练;(ii)CT分割模型,该模型使用100幅CT非运动补偿图像及其对应的真实分割标签进行训练。nnU-Net是一种基于深度学习的分割方法,可自动配置自身参数,包括预处理、网络架构、训练和后处理。nnU-Net具有U-Net架构,采用普通卷积、z-score归一化、leaky ReLU,并在每个分辨率阶段包含两个模块(编码器-解码器)。在可用的三种配置中,本研究采用了全图像分辨率的3D U-Net。基于5折交叉验证的结果,将最佳模型进行集成。nnU-Net [37]及所得模型(GitHub_PETCTLungSegmentationModels_Link)可免费下载。
准确性评估指标
我们通过计算Dice相似系数(DSC)[38]来评估分割体积之间的一致性,该系数表示两个体积并集的大小,公式为2(A ∩ B)/(A + B),其中A为真实标签,B为分割体积。我们还计算了阳性预测值(PPV),以考虑一组分割体积倾向于被包含在另一组分割体积内的情况[36]。PPV的公式为(A ∩ B)/B = 真阳性/(真阳性 + 假阳性)。Hausdorff距离[39]表示轮廓表面之间的最大距离,对于识别被错误分类为肿瘤的远处区域具有重要意义。
结果
PET分割模型
在使用560幅4D-PET图像进行5折交叉验证训练后,所得最优PET分割模型在三个测试集上进行了测试,真实标签由与训练数据相同的放射肿瘤学家定义。将nnU-Net PET模型提供的分割相对于GT的准确性与半自动对比导向算法(COA)的准确性以及其他专家执行分割的准确性进行了比较。DSC结果如图2所示。
首先,该模型使用参与前瞻性PET-Plan试验的患者的170幅4D-PET图像进行了测试,DSC(4D-PET)为0.83 ± 0.13,相对于COA算法的准确度(DSC(4D-COA) = 0.58 ± 0.15)提高了43%。其次,该模型使用回顾性队列中患者的80幅4D-PET图像进行了测试,DSC(4D-PET)为0.74 ± 0.06,相对于COA算法的准确度(DSC(4D-COA) = 0.58 ± 0.08)提高了28%,相对于其他三位专家的准确度分别提高了16%、16%和28%,DSC(4D-Expert1) = 0.64 ± 0.06、DSC(4D-Expert2) = 0.64 ± 0.09和DSC(4D-Expert3) = 0.58 ± 0.06。图2显示,该模型中表现最佳患者的准确度DSC(4D-PET) = 0.92,优于COA(0.79)和三位专家(0.80、0.78和0.78),而AI模型表现最差患者的DSC(0.48)也优于COA(0.38)和专家(0.38、0.43和0.34)。此外,为了排除远距离假阳性,计算了Housdorff距离。不同方法之间的数值相当:AI模型为2.1 ± 0.7,COA为2.5 ± 0.5,三位专家分别为2.4 ± 0.4、2.4 ± 0.5和2.6 ± 0.4。图3展示了不同PET肿瘤分割方法的示例。
最后,该模型使用参与PET-Plan试验的9个不同中心前瞻性招募的患者的19幅3D-PET图像进行了测试。DSC(3D-PET)为0.83 ± 0.11,相对于COA算法的准确度(DSC(4D-COA) = 0.70 ± 0.12)提高了19%。应当指出,对于接受全身PET扫描的患者,AI模型还分割了膀胱和其他示踪剂增强的盆腔结构。这一局限性通过简单的肺部区域限制得以避免,该限制通过手动插值两个感兴趣区域来执行,见图4。创建该肺部掩膜所投入的时间与为COA算法放置种子点所需的时间相当(< 1分钟)。
CT分割模型
在使用100幅3D-CT图像进行5折交叉验证训练后,所得最优CT分割模型在三个测试集上进行了测试。图5中展示了DSC的值。
首先,使用回顾性招募的8例患者的8幅3D-CT图像对模型进行了测试。DSC(3D-CT)为0.63 ± 0.34,相对于专家的DSC(3D-Expert) = 0.55 ± 0.11提高了15%。nnU-Net模型在除两名患者外的所有患者中均显示出高于0.69的准确率。这两名患者的两个DSC值(0.12和0)是平均值(0.63,图5中箱线图叉号)与中位值(0.81,图5中箱线图线)之间差异的原因。其次,使用参与PET-Plan试验的9个不同中心前瞻性招募的19例患者的19幅3D-CT图像对模型进行了测试。DSC(3D-CT)为0.59 ± 0.24。总体而言,观察到检测效果良好的趋势,但存在对病灶大小的低估。这一趋势由阳性预测值的平均值0.77 ± 0.23所证实。图6中展示了两名患者的轮廓示例,同时提供了DSC和PPV值。
最后,使用参与前瞻性PET-Plan队列的80例患者的80幅4D-CT图像对模型进行了测试,DSC(4D-CT)为0.61 ± 0.28,相对于专家的准确率DSC(3D-Expert) = 0.59 ± 0.24提高了4%。对于一名患者,专家数据的DSC = 0,因为其中一位专家认为图像质量太差,无法勾画病灶。对于该患者,算法能够检测到病灶,但分割准确率非常差(DSC = 0.33)。
讨论
在本研究中,我们提出了一种完全自动的算法,用于在带和不带呼吸运动补偿的PET图像上分割肺癌肿瘤。该算法的性能已在来自十个不同中心的患者中进行了评估,并与先前评估的半自动算法以及不同专家之间观察到的变异性进行了比较。为便于其临床实施,还额外开发了一种基于相同nnU-Net的、用于在带和不带运动补偿的CT图像上进行肿瘤分割的自动方法。训练所用的卷积网络[38]及所得模型(GitHub_PETCTLungSegmentationModels_Link)均为开源。
所得模型的临床应用之一是将它们用于肺癌的放疗计划制定和监测。根据ESTRO-ACROP关于局部晚期非小细胞肺癌治疗中靶区(TV)定义的指南,在准备根治性放疗或放化疗的靶区勾画时,增强诊断CT扫描和全身诊断性FDG-PET-CT均被视为必需[38]。通常,靶区定义在CT上进行,并加入从PET获得的信息。还建议在呼吸相关4D CT扫描上评估呼吸运动。治疗体位下的4D门控PET/CT为可选,但可能提高淋巴结识别的敏感性,并提供额外的有价值信息以帮助区分肿瘤范围与邻近组织[39]。通过应用我们所得的模型,来自两种图像的信息可以被自动整合。此外,借助4D协议所提供的更高准确性和稳健性的优势,这些分割可用于改进靶区定义,从而优化治疗计划制定和监测。
此前大多数用于肺部肿瘤分割的卷积神经网络(CNN)方法分别基于CT图像[40–42]或MR图像[43],患者数分别为330、1210、19和9例。PET成像对肺癌患者的益处已被证实,因此,基于PET/CT图像的分割模型已被开发[44, 45],患者数分别为84和32例。已知AI分割模型的性能取决于训练阶段是否有大量可用数据。在PET中,与其他成像模态相比,通常难以收集如此大的患者队列[29]。在本研究中,PET队列规模(100例患者)大于通常用于PET分割模型开发和验证的队列规模[46]。还已知基于CNN的分割方法在训练期间表现良好,但在验证和测试阶段表现出性能下降。因此,强烈建议对模型性能进行交叉验证和测试[29]。我们最初的56例患者训练队列已进行5折交叉验证,以便更充分地利用有限的样本量。交叉验证后所得模型的性能已在同一中心前瞻性招募的25例患者中进行了测试。由于AI模型的性能水平及其可重复性和稳健性对成像方案和设备敏感,我们还评估了模型在另外9个中心前瞻性招募的19例患者中的性能。就DSC值而言,内部和外部队列的分割准确度相当,从而可以得出结论:该模型具有可接受的泛化能力。就临床可接受性而言,重要的是纳入算法性能相对于手动轮廓以及专家间变异性的比较,后者是我们临床实践中常用于肿瘤分割的标准方法。与大多数既往发表文献不同,我们的研究不仅包括相对于既定参考标准(两位专家的共识)的比较,分析还涉及另外三位专家的手动轮廓。从该比较的结果可以得出结论:所提出模型的准确度在稳健性方面是有前景的。就其临床实施的可行性而言,已使用相同的nnU-Net开发了基于CT的分割模型,以促进PET分割模型融入临床工作流程。尽管所得CT模型的DSC平均值不高,但算法的性能被证明优于专家间观察到的变异性。最后,既往文献已证明,呼吸运动补偿可提高生物标志物分布量化的准确度和可重复性[20, 23, 24]。然而,4D-PET成像在临床工作流程中的实施受到临床现场为正确分析和整合功能信息所需的时间和专业知识的阻碍。我们研究所得的分割算法已被证明在有(4D)和无(3D)运动补偿的两种成像方案下均能准确分割肿瘤。为评估运动补偿对我们模型性能的影响,应比较同一患者有和无运动补偿的图像。遗憾的是,仅有8例患者且仅CT图像同时具备两种成像方案(3D和4D)。对于这些患者,非补偿图像模型获得的性能(DSC(3D-CT) = 0.63 ± 0.34,相对于专家提高15%)优于运动补偿图像模型(DSC(4D-CT) = 0.61 ± 0.28,相对于专家提高4%),这可以由模型使用非补偿图像训练这一事实来解释。手动轮廓则并非如此,运动补偿图像的准确度DSC(4D-Expert) = 0.59 ± 0.24优于无运动补偿的DSC(3D-Expert) = 0.55 ± 0.11。然而,nnU-Net模型的准确度在3D和4D图像中均优于专家间观察到的变异性,支持该模型的适用性不依赖于成像方案。因此,该分割模型可促进4D-PET图像在监测和预后模型开发中的临床实施,在这些应用中,PET图像的量化对于识别临床相关变化起着关键作用,因此,这些4D方案所提供的准确度和可重复性尤为值得关注。
为了量化我们模型的性能,采用了DSC的三维计算,因为它是医学影像中用于分割比较的最常见且标准化的方法[38]。然而,高DSC并不一定表示良好的一致性。一个例子可能是预测的肿瘤在大小和位置上与真实结果相似,但远处的一个小区域被错误地分类为肿瘤。这种情况很可能出现在4D-PET胸部图像的肺肿瘤分割中,因为心脏的高摄取以及呼吸帧所隐含的噪声。出于这些原因,额外计算了Hausdorff距离[39],结果使我们能够确认我们模型的良好性能。此外,阳性预测值[36]有助于量化在CT模型性能中定性观察到的趋势,即高阳性预测值表明该模型能够检测病变及其位置,但低估了其大小。
nnU-Net的主要优点是无需对输入数据进行预处理,模型训练过程中的非固定参数根据输入图像数据自动配置,并且生成的模型无需用户交互即可生成和优化。此外,nnU-Net方法的良好性能已在不同数据集中得到验证,且代码可免费下载[37]。出于这些原因,整个过程可以轻松复现。医学数据共享是人工智能发展中最重要的关注点之一。它有助于比较不同算法的性能,可用于提高算法的泛化能力,并使开发者能够测试其新的CNN。我们研究的主要局限性在于所使用的临床数据不是开放获取的。有多种用于肺癌的CT和MR图像库。肺部图像数据库联盟-图像数据库资源计划(LIDC)是世界上最大的公开可用数据库,包含1010名患者的1018次CT扫描。自动结节检测2009(ANODE09)是另一个公开可用的数据库,由55次CT扫描组成,由两名放射科医生标注。此外,TIME [47]、ELCAP [48]和LISS [49]也可在公共领域用于肺结节研究。未来的工作应集中在PET图像库上,这也将促进PET人工智能工具的开发以用于临床实践。
结论
我们提出了两个开源的nnU-Net模型,用于在PET和CT图像上进行肺肿瘤分割,包括有和无呼吸运动补偿的情况。性能评估表明,自动分割模型有潜力达到与手动分割相当的准确性,因此有望用于临床应用。因此,它们可用于促进FDG-PET/CT在肺癌中的整合,并利用4D量化所提供的更高质量。
引用
- Carles M, Kuhn D, Fechter T, et al. Development and evaluation of two open-source nnU-Net models for automatic segmentation of lung tumors on PET and CT images with and without respiratory motion compensation. Eur Radiol. 2024. PMID: 38662100. doi:10.1007/s00330-024-10751-2
- 全文:PMC11399280(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11399280/
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。