文献速递泌尿生殖腹部MR

基于深度学习重建的缩减视野DWI提高VI-RADS评估肌层浸润的诊断准确性

Reduced field-of-view DWI based on deep learning reconstruction improving diagnostic accuracy of VI-RADS for evaluating muscle invasion.
PubMed 文献 · Insights Imaging · 2024-06-09

这项前瞻性单中心研究纳入86例膀胱癌患者,比较常规全视野DWI、标准缩减视野DWI及基于深度学习重建的快速缩减视野DWI;结果显示缩减视野DWI的AUC高于全视野DWI,深度学习重建将采集时间从5分02秒缩短至3分25秒并提高图像质量,同时保持ADC值与诊断准确性。

要点

  • 缩减视野DWI对膀胱肿瘤蒂的显示优于全视野DWI,9例在全视野DWI评为3分的病例在缩减视野DWI评为2分。
  • 深度学习重建使缩减视野DWI采集时间从5分02秒降至3分25秒,降低32%。
  • 缩减视野DWI联合深度学习重建与标准缩减视野DWI的ADC值及诊断肌层浸润的AUC无显著差异。

核心结论

  • 缩减视野DWI联合深度学习重建可提高全视野DWI评估膀胱癌肌层浸润的诊断准确性。
  • 将深度学习重建应用于缩减视野DWI可缩短采集时间并提高整体图像质量,同时保持ADC值和诊断准确性。

研究设计与样本

  • 前瞻性观察性单中心研究,连续纳入2022年8月至2023年2月间疑似膀胱癌并接受3-T膀胱MRI的86例参与者,最终分析86例(平均年龄63岁±10,范围39–82岁,女性13例)。
  • 使用3-T MRI系统(SIGNA Architect,GE Healthcare)及AIR前部阵列线圈,b值为50 s/mm²和1000 s/mm²,三种DWI分别为全视野DWI、标准缩减视野DWI和快速缩减视野DWI联合深度学习重建(AIRTM Recon DL,噪声降低75%)。
  • 参考标准为MRI后4周内经尿道膀胱肿瘤切除术或根治性膀胱切除术的病理结果,病理分级采用2016年世界卫生组织分级系统、分期采用2017年美国癌症联合委员会/国际抗癌联盟TNM分期系统。
  • 由两名腹部MRI经验分别为29年和4年的泌尿生殖放射科医生独立盲法评估图像质量和VI-RADS评分。

关键影像表现/征象

  • 图2所示69岁男性pTa低级别尿路上皮癌:全视野DWI评为3分,缩减视野DWI及缩减视野DWI联合深度学习重建显示低信号瘤蒂(箭头)均评为2分。
  • 图3所示69岁男性pTa高级别尿路上皮癌:全视野DWI显示高信号肿瘤但未见瘤蒂,缩减视野DWI及缩减视野DWI联合深度学习重建显示低信号瘤蒂(箭头),所有序列均评为1分。
  • 缩减视野DWI联合深度学习重建的整体图像质量和膀胱壁锐利度评分最高,标准缩减视野DWI次之,全视野DWI最低(均p < 0.05)。
  • 缩减视野DWI联合深度学习重建的肿瘤-髂腰肌CNR高于标准缩减视野DWI和全视野DWI。

诊断标准与关键数值

  • 以VI-RADS评分≥4分为截断值评估肌层浸润,该截断值为两名读者对全视野DWI、标准缩减视野DWI、缩减视野DWI联合深度学习重建及三组最终VI-RADS评分经ROC曲线分析确定。
  • 标准缩减视野DWI和缩减视野DWI联合深度学习重建的AUC均显著高于全视野DWI(均p < 0.05),标准缩减视野DWI与缩减视野DWI联合深度学习重建之间AUC无显著差异(均p > 0.05)。
  • 第2组和第3组的VI-RADS评分AUC均显著高于第1组(均p < 0.05),第2组与第3组之间AUC无显著差异(均p > 0.05)。
  • 全部病例中标准缩减视野DWI和缩减视野DWI联合深度学习重建的平均ADC均显著低于全视野DWI(均p < 0.05),标准缩减视野DWI与缩减视野DWI联合深度学习重建之间无显著差异(均p > 0.05)。
  • 非肌层浸润性膀胱癌与肌层浸润性膀胱癌的ADC值在三种DWI上差异均有统计学意义(均p < 0.001)。

临床应用与阅片要点

  • 作者认为将缩减视野DWI联合深度学习重建纳入临床实践可进一步提高诊断准确性。
  • 缩减视野DWI能清晰显示全视野DWI无法显示的肿瘤蒂,有助于避免将非肌层浸润性膀胱癌误评为更高VI-RADS评分。
  • 深度学习重建可在保持ADC值和诊断准确性的同时缩短缩减视野DWI采集时间并改善图像质量,作者认为这有利于缩减视野DWI的广泛临床应用。

局限性

  • 样本量相对较小,可能影响结果的统计效能。
  • 研究为单中心研究,所有检查均使用单一3-T MRI扫描仪和市售深度学习重建方法,因此需要更大规模的多中心研究。
  • 未比较深度学习重建对不同经验水平放射科医生评估肌层浸润的影响,作者表示将在未来研究中进一步探索。
全文中译16 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:Insights Imaging. 2024 Jun 9;15:139. doi: 10.1186/s13244-024-01686-9

引言

膀胱癌是全球第10位最常见诊断的癌症,约有573,000例新发病例和213,000例死亡[1]。区分肌层浸润性膀胱癌(MIBC)和非肌层浸润性膀胱癌(NMIBC)对于选择合适的治疗方法至关重要。在这方面,多参数MRI在有效判断膀胱癌是否存在肌层浸润方面已展现出卓越的能力[2]。基于膀胱MRI,2018年引入了膀胱影像报告和数据系统(VI-RADS)评分系统,以标准化扫描方案和报告标准来评估肌层浸润[3]。大量研究已证明VI-RADS在评估膀胱癌肌层浸润方面具有良好的性能。

扩散加权成像(DWI)是膀胱磁共振成像(MRI)中的常规序列,在确定VI-RADS评分中起着关键作用[3, 4]。既往研究表明,DWI可以清晰显示乳头状膀胱肿瘤的蒂,并提高了区分MIBC和NMIBC的准确性[5, 6]。目前,广泛使用的DWI是全视野(FOV)单次激发回波平面成像,该技术易受磁敏感伪影和图像变形的影响。此外,该技术的空间分辨率受限。缩小视野(rFOV)DWI(GE公司的视野优化与约束无变形单次激发[FOCUS] DWI、西门子公司的ZOOMit、飞利浦公司的区域斜向多层[ZOOM])是一种针对单次激发(SS)DWI中这些常见问题的特定成像技术。rFOV DWI通过使用二维空间选择性回波平面射频脉冲和180°重聚焦脉冲,在相位编码方向上实现缩小视野的聚焦激发[7, 8]。这产生了更高的空间分辨率,减少了伪影和模糊,同时对磁场敏感性和长期涡流 less 敏感。rFOV DWI已成功应用于直肠、前列腺、胰腺和乳腺等多个解剖区域[9–11]。在膀胱MRI中,rFOV DWI在区分NMIBC和MIBC方面显示出比全FOV DWI更好的主观图像质量和更高的诊断准确性[12–14]。然而,与全FOV DWI相比,rFOV DWI由于视野较小而信噪比(SNR)较低。此外,值得注意的是,与传统DWI相比,使用rFOV DWI可能导致扫描时间延长[10, 13, 15],这对其常规临床应用提出了挑战。

深度学习重建(DLR)已成为医学影像学中一项有前景的技术,尤其是在体部MRI中。DLR应用于前列腺、肝脏和女性盆腔的T2加权成像已显示出显著优势,包括与传统重建方法相比更短的采集时间和更好的图像质量[16–19]。近期,许多研究强调了其在肝脏、乳腺和前列腺评估中缩短DWI扫描时间和改善图像质量的潜力[20–22]。我们假设DLR可以缩短rFOV DWI的扫描时间并改善图像质量。

本研究旨在确定采用DLR的rFOV DWI是否能提高使用VI-RADS评估肌层浸润的准确性。

材料与方法

研究对象

2022年8月至2023年2月期间接受3-T膀胱MRI检查的疑似膀胱癌参与者被连续纳入。这项观察性前瞻性单中心研究获得了伦理批准。研究按照《赫尔辛基宣言》及其后续修订版进行,所有参与者均获得了书面知情同意。纳入标准如下:(1)首次发现膀胱肿瘤,既往未接受治疗;(2)MRI评估前2周内未进行膀胱活检;(3)无MRI检查禁忌证。排除标准:(1)未接受手术干预的患者;(2)病理确诊为非尿路上皮膀胱癌。参与者选择流程见图1。由于可能损害个人隐私,本研究的数据库和材料不可获取。

图1 流程图显示招募的参与者数量以及排除的人数和原因 查看原图 ↗

图像采集

所有MRI检查均在3-T MRI系统(SIGNA Architect,GE Healthcare)上使用AIR前部阵列线圈进行。嘱参与者在成像前两小时排空膀胱。对于尿频患者,建议在检查前30分钟饮水500–1000 mL。无解痉治疗禁忌证者接受1 mL丁溴东莨菪碱肌肉注射。

多参数MRI方案包括以下序列:轴位、冠状位和矢状位T2加权成像(T2WI)序列,轴位fFOV DWI,标准rFOV(rFOVSTA)DWI,随后进行具有相似采集参数和减少激发次数的快速rFOV with DLR(rFOVDLR)DWI,轴位动态对比增强成像(DCEI)。三个DWI的b值分别为50 s/mm2和1000 s/mm2。为每个DWI计算表观扩散系数(ADC)图。fFOV DWI、rFOVSTA DWI和rFOVDLR DWI的扫描时间分别为1:39、5:02和3:25分钟。本研究中FOCUS DWI作为rFOV DWI执行。详细的图像参数和时间见表1。

基于前馈深度卷积神经网络的AIRTM Recon DL算法(GE Healthcare)用于重建rFOVDLR DWI。卷积神经网络接受原始未滤波的复值输入数据,并提供信噪比改善的输出图像[23]。该软件提供用户指定的去噪水平,从0%到100%,其中0%表示不使用DL的常规重建;其他选项如下:低(33%)、中(50%)和高(75%)。在本研究中,选择了75%的降噪因子。详细的网络设计和体模图像中的性能见白皮书[23]。

表1 序列的MRI参数 查看原表 ↗

图像分析

两名泌尿生殖系统放射科医师(读者1 Y.C.和读者2 X.X.Z.,分别具有29年和4年腹部MRI经验)在独立时段内以随机顺序独立评估了fFOV DWI、rFOVSTA DWI和rFOV DLR DWI,两次评估间隔一个月。所有图像分析均在AW 4.7工作站(GE Medical Systems)上进行。图像展示者(Y.C.W.,具有9年腹部MR经验)记录了读者对成像质量评估和VI-RADS评分的评分结果。对于多发病灶的病例,由一名放射科医师(X.X.J.,具有18年腹部MR经验)在评估前选择浸润深度最大或体积最大的病灶(浸润程度相同时)。

成像质量评估

定性评估采用4分评分系统。评估标准如下:整体图像质量(1=图像质量差;2=图像质量一般;3=图像质量好;4=图像质量优)、运动伪影(1=严重伪影,无诊断价值;2=中度伪影,影响诊断评估;3=轻度伪影,不干扰诊断评估;4=无伪影)、膀胱壁锐利度(1=严重模糊,2=中度模糊,3=轻度模糊,4=无模糊)。

对于定量评估,在DWI(b = 1000 s/mm2)的单个代表性层面中,于髂腰肌和病灶上手动勾画椭圆形感兴趣区,并自动复制至ADC图。病灶的信噪比(SNR)及病灶相对于髂腰肌的对比噪声比(CNR)按以下公式计算:SItumor和SDtumor分别代表肿瘤信号强度的均值和标准差,SImuscle和SDmuscle分别代表髂腰肌信号强度的均值和标准差。

使用VI-RADS评估肌层侵犯

所有MRI图像由上述两名读者在不了解手术或组织学结果的情况下,依据VI-RADS [3]独立评估。单序列(T2WI、fFOV DWI、rFOVSTA DWI、rFOV DLR DWI和DCEI)分类分别评估,每个序列之间间隔两周。并分别确定set1、set2和set3的最终VI-RADS评分。每套图像包括轴位、冠状位和矢状位T2W图像、DCEI以及DWI及相应ADC图。具体而言,set 1包含fFOV DWI,set 2包含rFOVSTA DWI,set 3包含rFOV DLR DWI。使用VI-RADS的5分评分与手术病理结果进行比较。

膀胱癌的ADC值

ADC值通过使用肿瘤的单个代表性层面进行测量。在fFOV DWI上手动勾画感兴趣区,并复制至b值为1000 s/mm2的rFOVSTA DWI和rFOVDLR DWI,记录ROI的平均ADC值。以T2WI作为参考,排除肿瘤蒂或增厚的黏膜下层及血管。

参考标准

所有患者均在MRI后四周内接受经尿道膀胱肿瘤切除术或根治性膀胱切除术。当患者同时接受两种手术时,以根治性膀胱切除术作为最终参考标准。根据欧洲泌尿外科学会指南,高危患者可进行第二次TURB [24]。

肿瘤的组织学类型、分级和分期由病理学家根据2016年世界卫生组织分级系统和2017年美国癌症联合委员会/国际抗癌联盟TNM分期系统进行评估。

统计分析

本研究的样本量通过比较快速序列联合深度学习重建(DLR)与标准序列的SNR和CNR均值来计算。考虑95%置信区间和90%把握度。样本量计算及所用工具的详细信息见补充材料S1和表S1(在线补充材料)。本研究达到所需把握度所需的患者数量为68例。

采用Kolmogorov–Smirnov检验对定量数据和Likert量表的正态分布进行检验。该检验显示SNR、CNR、ADC值及图像质量Likert量表值的分布均为非正态分布。因此,定量数据和Likert量表采用Friedman检验及Dunn两两事后检验进行比较。多重比较采用Bonferroni校正p值。采用受试者工作特征曲线分析评估VI-RADS预测肌层浸润的准确性。VI-RADS评分的最佳截断值通过约登指数最大化确定。计算所有放射科医师的灵敏度、特异度、阳性预测值、阴性预测值、准确性和曲线下面积(AUC)。采用Delong检验计算每两组AUC之间的差异。采用组内相关系数评估SNR、CNR和ADC值的观察者间一致性。此外,定性评估的图像质量和VI-RADS评分的观察者间一致性通过Cohen κ评估。κ值解释如下:0–0.20 = 一致性差,0.21–0.40 = 一致性一般,0.41–0.60 = 一致性中等,0.61–0.80 = 一致性好,0.81–1 = 一致性极好。所有统计分析均使用SPSS 27.0版软件(IBM)进行。所有检验均为双侧检验,统计学显著性确定为p < 0.05。

结果

参与者特征

86名参与者(平均年龄 ± 标准差,63岁 ± 10;范围,39–82岁,13名女性)成功纳入本研究的最终分析。共73名参与者(85%)被诊断为非肌层浸润性膀胱癌(NMIBC),其余13名(15%)参与者为肌层浸润性膀胱癌(MIBC)。所有参与者均在MRI后一个月内接受手术(范围,2–27天)。表2总结了患者和病灶的特征。图2和图3显示了代表性病灶。

表2 患者的临床和病理特征(n = 86) 查看原表 ↗
图2 一名69岁男性,pTa低级别尿路上皮癌。轴位(a)和冠状位(b)T2WI显示膀胱壁左侧有一外生性肿瘤,低信号强度的固有肌层未见明显中断,评为T2加权分类3。DCEI(c)显示肿瘤早期强化,评为DCEI分类3。fFOV DWI(d)显示高信号强度肿瘤,评为分类3。rFOVSTA DWI(e)和rFOVDLR DWI(f)显示高信号强度肿瘤伴低信号强度蒂(箭头),评为分类2。第1组VI-RADS评分所有读者均为3,第2组和第3组VI-RADS评分为2。DCEI,动态对比增强成像;DWI,扩散加权成像;fFOV,全视野;rFOV,缩小视野;rFOVDLR,rFOV联合DLR;T2WI,T2加权成像 查看原图 ↗
图3 一名69岁男性,pTa高级别尿路上皮癌。轴位(a)和冠状位(b)T2WI显示膀胱左侧壁有一小的外生性肿瘤,低信号强度固有肌层连续。DCE(c)图像显示肿瘤早期强化。fFOV DWI(d)显示高信号强度肿瘤,无蒂。rFOVSTA DWI(e)和rFOVDLR DWI(f)显示高信号强度肿瘤伴低信号强度蒂(箭头)。所有序列均评为分类1,所有组VI-RADS评分均为1。DCEI,动态对比增强成像;DWI,扩散加权成像;fFOV,全视野;rFOV,缩小视野;rFOVDLR,rFOV联合DLR;T2WI,T2加权成像 查看原图 ↗

观察者间一致性

fFOV DWI、rFOVSTA DWI、rFOVDLR DWI分类及不同组VI-RADS的Cohen κ值均呈极好一致性,范围为0.92至0.95。定性图像质量评估的Cohen κ值呈中等至极好一致性,范围为0.71至0.93。SNR、CNR和ADC值的组内相关系数呈中等至极好一致性,数值介于0.63和0.98之间,详见表S2。

成像质量评估

两名读者对fFOV DWI、rFOVSTA DWI和rFOVDLR DWI的定性图像质量评分详细结果见表3。总体图像质量和锐利度以rFOVDLR DWI评分最高,其次为rFOVSTA DWI,fFOV DWI最低(均p < 0.05)。关于伪影,fFOV DWI的评分显著低于rFOVSTA DWI和rFOVDLR DWI(均p < 0.001),rFOVSTA DWI与rFOVDLR DWI之间无显著差异(均p > 0.05)。

表S3显示SNR和CNR定量评估结果。rFOVSTA DWI的肿瘤SNR显著低于fFOV DWI(均p < 0.001)。然而,对rFOV DWI应用DLR后SNR显著提高(均p < 0.001)。rFOVDLR与fFOV DWI之间SNR值无显著差异(均p > 0.05)。rFOVDLR DWI的肿瘤与髂腰肌之间CNR高于rFOVSTA DWI和fFOV DWI。rFOVSTA DWI与fFOV DWI之间CNR值无显著差异(均p > 0.05)。

三种序列间两两比较的详细p值见补充材料表S4。

表3 三种DWI的定性图像质量评估 查看原表 ↗

ADC值与肌肉浸润之间的关联

所有病例、NMIBC和MIBC的fFOV DWI、rFOVSTA DWI和rFOVDLR DWI的ADC值见表4。在fFOV DWI、rFOVSTA DWI和rFOVDLR DWI上,NMIBC与MIBC之间的ADC值差异均有统计学意义(均p < 0.001)。所有病例在rFOVSTA DWI和rFOVDLR DWI上的平均ADC值均显著低于fFOV DWI(均p < 0.05)。在所有病例中,rFOVSTA DWI与rFOVDLR DWI之间差异无统计学意义(均p > 0.05)。三种序列间ADC值两两比较的详细p值见补充材料中的表S4。

表4 三种DWI之间ADC值的比较 查看原表 ↗

使用VI-RADS评估肌层浸润

根据受试者工作特征(ROC)曲线分析,对于两位读者,评分≥4分是fFOV DWI、rFOVSTA DWI、rFOVDLR DWI分类以及第1组、第2组和第3组最终VI-RADS的截断值。三种DWI分类及第1组、第2组和第3组最终VI-RADS评估肌层浸润的诊断效能见表5。三种序列间AUC两两比较的详细p值见补充材料中的表S5。图4显示了fFOV DWI、rFOV DWI和rFOVDLR DWI分类诊断肌层浸润的受试者工作特征曲线分析。

rFOVSTA DWI和rFOVDLR DWI的AUC均显著高于fFOV DWI(均p < 0.05)。rFOVSTA DWI与rFOVDLR DWI之间的AUC差异无统计学意义(均p > 0.05)。值得注意的是,有9例病例在fFOV DWI上评为3分,但在rFOVSTA和rFOVDLR DWI上评为2分。这是因为9个肿瘤的蒂在缩小视野(rFOV)DWI上可以清晰显示,而在全视野(fFOV)DWI上则不能显示。

第2组和第3组的VI-RADS的AUC均显著高于第1组(均p < 0.05)。第2组VI-RADS与第3组VI-RADS之间的AUC差异无统计学意义(均p > 0.05)。

表5 三种DWI分类及三组VI-RADS评分对MIBC检测的诊断效能(截断值≥4) 查看原表 ↗
图4 读者1(a)和读者2(b)评估MIBC时fFOV DWI、rFOVSTA DWI和rFOVDLR DWI分类的ROC曲线比较。分类的最佳截断值为4。ROC,受试者工作特征;DWI,扩散加权成像;fFOV,单次激发;rFOVDLR,视野优化和约束的不失真单次激发结合深度学习重建;rFOVSTA,标准视野优化和约束的不失真单次激发;MIBC,肌层浸润性膀胱癌 查看原图 ↗

讨论

我们的结果表明,在评估膀胱癌肌层浸润方面,采用DLR的rFOV DWI的诊断准确性优于fFOV DWI。在rFOV DWI上应用DLR可以缩短扫描时间,并在保持ADC值和诊断效能的同时提高图像质量。

与SS DWI相比,我们的研究结果确立了rFOVSTA DWI在主观图像质量上的优势,这与既往研究一致[13, 25]。此外,我们的研究进一步比较了SNR和CNR。结果显示,两种序列之间的CNR无显著差异。rFOVSTA DWI的SNR显著低于fFOV DWI。然而,在rFOV DWI上应用DLR显著改善了图像质量。此外,使用这种新型的厂商提供的DLR技术,扫描时间缩短了32%。这可能有利于rFOV DWI的常规临床应用。与我们的研究结果一致,许多最近使用DLR技术在腹部、前列腺和女性盆腔MRI上进行的研究已经实现了扫描时间的缩短和图像质量的改善[16–18]。

在诊断准确性方面,我们评估并比较了三种DWI和最终VI-RADS评分对三组的诊断性能。我们的结果显示,rFOVSTA和rFOVDLR能够更好地显示夜间病例中的肿瘤蒂,这可能是导致rFOVSTA和rFOVDLR DWI的AUC高于SS DWI的原因。因此,第2组和第3组的rFOVSTA和rFOVDLR DWI以及VI-RADS的AUC有所改善。此外,rFOVSTA和rFOVDLR DWI之间的AUC无显著差异,提示DLR具有维持良好诊断准确性的潜力。这些结果加强了将rFOVDLR DWI纳入临床实践以进一步改善诊断准确性的实用性。由于动态对比增强成像是VI-RADS的重要组成部分,我们未进一步分析rFOV DWI联合T2WI对“双参数”MRI诊断的影响。

ADC值是临床实践中用于病灶检测、疾病诊断和治疗反应预后评估的重要影像生物标志物。我们的研究评估了ADC值与肌肉浸润之间的关联。与既往研究一致[12, 26],在所有三种DWI技术中,NMIBC和MIBC之间的ADC值均存在显著差异,表明ADC值可作为区分膀胱癌中NMIBC和MIBC的可靠生物标志物。对于所有病例,fFOV DWI的ADC值高于使用和不使用DLR的rFOV DWI,这也与既往研究相似[12]。这一发现可归因于rFOV DWI上勾画病灶边界的清晰度改善,减少了肿瘤与周围正常组织之间的部分容积效应[27]。这有可能提高ADC值测量的准确性。

我们的研究存在一些局限性。第一,样本量相对较小,这可能影响我们结果的统计效能。第二,我们的研究是单中心研究,所有检查均使用单台3-T MRI扫描仪和市售的DLR方法进行。因此,有必要开展更大规模的多中心研究。第三,我们未比较DLR对不同经验水平的放射科医师评估肌肉浸润的影响,以进一步验证DLR的临床诊断适用性。我们将在未来的研究中进一步探讨这一内容。

总之,采用深度学习重建(DLR)的缩小视野(rFOV)弥散加权成像(DWI)可提高评估肌肉浸润的诊断准确性。DLR通过缩短采集时间并在保持ADC值和诊断性能的同时改善整体图像质量,将有利于rFOV DWI的广泛临床应用。

补充信息

补充信息

引用

  1. Zhang X, Xu X, Wang Y, et al. Reduced field-of-view DWI based on deep learning reconstruction improving diagnostic accuracy of VI-RADS for evaluating muscle invasion. Insights Imaging. 2024. PMID: 38853219. doi:10.1186/s13244-024-01686-9
  2. 全文:PMC11162985(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11162985/

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。