基于全自动MRI卷积神经网络的无创肝硬化诊断
这项多中心回顾性研究纳入1315例有病理分期和增强肝脏MRI的患者,基于平扫T1、T2加权成像构建全自动CNN模型,并结合年龄和8项血清标志物建立联合模型;联合模型在外部测试集诊断肝硬化的AUC为0.86,优于FIB-4、APRI和两名放射科医师,且诊断性能不受肝脏局灶性病灶大小影响。
要点
- 联合模型仅用平扫T1、T2加权成像、年龄和8项血清标志物,外部测试集诊断肝硬化AUC为0.86。
- 外部测试集联合模型敏感度84%、特异度73%、PPV 85%、NPV 71%、准确率80%。
- 外部测试集联合模型AUC高于FIB-4(0.69)、APRI(0.67)及两名放射科医师(0.73、0.71)。
核心结论
- 基于平扫T1、T2加权成像、年龄和血清标志物的联合模型可以中等准确度诊断肝硬化,且不依赖肝脏局灶性病灶的大小。
研究设计与样本
- 多中心回顾性研究,纳入2010年3月至2024年1月间接受肝纤维化分期病理评估和增强肝脏MRI的连续患者共1315例(中位年龄54岁,男性1065例),其中病理确诊肝硬化855例(65%)。
- 来自中心1的2010年3月至2021年5月患者按约9:1分层分为训练集(n=840)和内部测试集1(n=94),中心1的2021年6月至2023年3月患者为内部测试集2(n=266),中心2至4的患者为外部测试集(共115例,中心2 n=66、中心3 n=8、中心4 n=41)。
- 参考标准为病理报告,肝纤维化分期采用慢性肝炎分级分期标准(北京,1995),S4(早期肝硬化或明确肝硬化)诊断为肝硬化。
- MRI使用多台3.0-T或1.5-T扫描仪,序列包括双回波、T2加权和脂肪抑制T1加权动态期。
关键影像表现/征象
- CNN模型基于平扫T1和T2加权成像构建,在所有序列组合中训练集AUC最优且敏感度与特异度均衡。
- Grad-CAM激活图显示肝实质、肝表面、肝门区和脾脏对肝硬化诊断决策贡献最大。
- 图5所示67岁慢性乙型肝炎肝硬化患者,常规MRI未见肝表面结节或其他形态学改变、也无门静脉高压表现,联合模型和CNN模型的肝硬化概率分别为0.77和0.64,两名放射科医师均未诊断为肝硬化。
诊断标准与关键数值
- 外部测试集联合模型诊断肝硬化AUC为0.86(95%CI 0.78–0.91),高于CNN模型AUC 0.81(95%CI 0.73–0.88,p=0.02)、FIB-4 AUC 0.69(95%CI 0.59–0.77,p=0.001)、APRI AUC 0.67(95%CI 0.58–0.76,p<0.001)、放射科医师1 AUC 0.73(95%CI 0.64–0.81,p=0.02)和放射科医师2 AUC 0.71(95%CI 0.61–0.79,p=0.006)。
- 外部测试集联合模型敏感度84%、特异度73%、PPV 85%、NPV 71%、准确率80%;联合模型敏感度高于FIB-4(62%,p=0.003)和APRI(65%,p=0.007)。
- 放射学肝硬化定义为明确的肝脏形态学改变(如肝表面结节、肝段体积再分布、肝实质结节),伴或不伴门静脉高压表现(门体侧支循环、脾大和/或腹水)。
- 联合模型整合CNN模型肝硬化概率、年龄及血小板计数、总胆红素、白蛋白、AST、ALT、ALP、GGT、INR共8项血清标志物。
临床应用与阅片要点
- 模型可基于平扫T1和T2加权成像运行,无需对比剂,作者认为可能外推至更广泛的临床应用场景。
- 联合模型在外部测试集不同大小肝脏局灶性病灶(最大病灶≤2 cm vs >2 cm、≤5 cm,均p>0.05;≤2 cm vs >5 cm,均p>0.05)间AUC无显著差异。
- 作者指出联合模型优于FIB-4、APRI和两名放射科医师,突显其补充现有无创肝硬化诊断体系的增量价值。
局限性
- 作者在关键相关性声明中写道,该模型可能促进肝硬化的无创诊断,尚待进一步验证(pending further validation)。
全文中译18 节 · 点击展开
引言
肝硬化是肝纤维化的终末期,由慢性肝损伤所致,常见病因包括乙型肝炎、丙型肝炎和酒精 [1]。肝硬化是全球第11位死亡原因 [2],且无论病因如何,它都是肝细胞癌(HCC)最强的危险因素 [3]。在慢性肝病患者中,肝硬化的诊断不仅影响预后,还影响HCC的监测策略、诊断及手术治疗的适宜性 [2, 4–6]。
肝硬化诊断的金标准是基于肝活检、切除或移植标本的组织病理学检查。然而,组织病理学检查易受采样偏倚影响 [7, 8]。此外,肝活检为有创操作,而切除和移植无法在术前诊断肝硬化。这些缺点促使了无创诊断方法的发展,其中血清实验室检查(如纤维化-4指数[FIB-4]和天冬氨酸氨基转移酶与血小板比值指数[APRI])以及通过超声或MR弹性成像技术进行的肝脏硬度测量最为常用 [9, 10]。然而,FIB-4和APRI对肝硬化的诊断准确性不足(受试者工作特征曲线下面积[AUC],0.65至0.74)[11, 12],而肝脏硬度测量受限于不同病因和厂商间截断值缺乏共识、受其他多种非纤维化因素(如肝脏炎症、胆汁淤积)影响而产生混杂,且需要专用硬件 [13]。
常规MRI可显示肝脏的形态学和功能学改变,因此也可用于肝硬化诊断。MRI尤其适用于疑似或确诊恶性肿瘤的患者,可同时进行肿瘤检出、诊断、分期、侵袭性评估和可切除性评估 [14, 15]。然而,基于MRI的人工评估的敏感性(约70%)和可重复性(中等一致性)仍不理想 [16, 17]。在此背景下,近期两项研究成功应用卷积神经网络(CNN)基于肝胆期MR图像诊断肝硬化,AUC达0.84–0.85 [18, 19]。然而,肝胆对比剂在西方国家使用较少,且在严重肝功能障碍患者中可能导致图像质量下降 [20]。此外,这些模型未分析可能潜在提高诊断准确性的相关血清生物标志物(如肝功能和门静脉高压的标志物)[13]。潜在混杂因素(如肝脏肿瘤大小)对肝脏形态学和纹理改变的影响也未加以研究。
因此,本研究旨在(1)开发并外部验证一个基于肝脏MRI和血清生物标志物的全标注CNN模型用于肝硬化诊断,(2)研究潜在混杂因素对模型准确性的影响,(3)将模型性能与FIB-4、APRI及放射科医师进行比较。
材料与方法
这项多中心回顾性研究经四家三级医疗医院的机构审查委员会批准,并豁免知情同意。
患者
在2010年3月至2024年1月期间,连续纳入符合以下入选标准的成年患者:(1)通过肝切除术、肝移植或肝活检对肝纤维化进行了充分的病理学评估;(2)在手术前3个月内或肝活检前后接受了对比增强肝脏MRI检查。排除标准包括:(1)在MRI前或MRI与手术/肝活检之间接受过任何针对肝脏的治疗(如肝切除术和消融术);(2)MR图像质量不足以进行评估(如严重的MRI伪影);(3)在手术或肝活检前3个月内关键实验室检查结果不完整(详见下文)。对于有多次合格肝脏MRI的患者,选择最接近手术或肝活检的那一次。
中心1在2010年3月至2021年5月期间纳入的所有患者按约9:1的比例以分层方式分为训练数据集和内部测试数据集1,以确保两个数据集之间肝硬化患病率相似。中心1在2021年6月至2023年3月期间纳入的患者为内部测试数据集2,而中心2至4纳入的患者为外部测试数据集。
收集患者人口学特征、基础肝病的病因、组织病理学标本类型以及手术或肝活检前3个月内的关键实验室检查结果(如天冬氨酸氨基转移酶[AST]和丙氨酸氨基转移酶[ALT])。FIB-4和APRI按既往描述计算[9, 10]。
参考标准
从常规报告中检索的病理学数据用作肝硬化诊断的参考标准。按照机构标准操作程序,两名了解临床和影像数据的肝脏病理学家对所有标本进行共识审阅。肝纤维化分期根据慢性肝炎分级和分期标准(北京,1995)[21]确定,该标准修改自Scheuer系统,具体如下:S0,无纤维化;S1,汇管区扩大和纤维化;S2,纤维间隔形成,但小叶结构完整;S3,纤维间隔伴小叶结构扭曲但无肝硬化;S4,早期肝硬化或明确肝硬化。纤维化分期S4诊断为肝硬化。
MRI检查
MR图像在多台3.0-T或1.5-T MR扫描仪上采集(补充材料1和表S1)。肝脏MRI方案包括双回波图像、T2加权图像和脂肪抑制T1加权动态期。
影像学分析
对于测试数据集,所有MRI由中心1的两名放射科医师独立审阅,分别具有七年的肝脏MRI经验(放射科医师1)和三年(放射科医师2)。审阅者对组织病理学、临床和实验室信息设盲。每位审阅者分析MR图像以判断是否存在影像学肝硬化,其定义为肝脏明确的形态学改变(如表面结节状、节段性体积再分布和实质结节),伴或不伴门静脉高压表现(门体侧支循环、脾大和/或腹水)[6, 22]。放射科医师1评估了图像伪影(补充材料2)以及铁过载和肝脏脂肪变性的存在情况。
从常规MRI报告中提取局灶性肝脏病变的数量、大小、位置和影像学诊断、胆管扩张及腹水的数据,并由放射科医师1进行核实。
CNN模型的开发
图像处理
图像处理共执行四个主要步骤,包括图像配准、肝脏分割、图像归一化和数据增强。
具体而言,首先使用自主研发的刚性配准网络将不同序列的图像配准至门静脉期图像(补充材料3和表S2)。对于肝脏分割,使用自主研发的分割框架从每个序列中自动提取肝脏轮廓以形成肝脏掩膜(补充材料4、图S1和图S2以及表S3),这有助于模型更加关注肝脏区域并减少原始图像的信息冗余。从每个序列的原始MR图像中选取五个层面,包括肝脏面积最大的层面以及位于肝脏区域内最大截面上方和下方层面编号15%和25%位置处的四个层面,并选取每个层面相应的肝脏掩膜作为输入。通过取图像强度范围的99.9%百分位数并裁剪高于该值的像素,对MR图像中个别像素的极值进行校正。为保持宽高比,对输入的每个层面使用常数值0进行填充以获得相同的宽度和高度。然后将输入调整为512×512,以为CNN模型训练提供丰富的图像信息。原始MR图像和肝脏掩膜分别采用线性插值和最近邻插值方法。输入最终采用最小-最大缩放进行归一化。为减少数据不平衡带来的潜在偏倚,在训练过程中使用旋转、缩放、对比度调整、高斯噪声和弹性变形方法对输入进行并行在线增强。
CNN模型的开发
在CNN训练过程中,对训练数据集采用五折交叉验证策略,以平均预测概率作为结果(补充材料5)。
使用平扫T1加权成像、T2加权成像和门静脉期图像的不同组合分别训练CNN模型,并选择对肝硬化诊断性能最优的模型进行进一步分析。
CNN模型在GeForce GTX 1080Ti(NVIDIA)图形处理器上使用Python 3.7和PyTorch 1.7后端进行训练。模型架构见图1,详见补充材料5。采用ResNet-18作为模型骨干[23]。处理后的输入被送入网络,获得预测概率。网络使用Adam优化器进行训练,初始学习率(LR)为1e-3,学习率通过ReduceLRonPlateau调度策略更新。权重衰减设置为1e-5。采用二元交叉熵损失作为损失函数。批量大小设置为32,丢弃率为0.3。对于上述超参数优化,在CNN训练过程中采用手动搜索技术。网络训练最多500个轮次或直至满足早停条件,保存验证AUC值最佳的 network 权重。
CNN模型可视化
采用Grad-CAM方法生成激活图,以指示对肝硬化诊断贡献最大的区域。我们使用pytorch-grad-cam库[24]获得Grad-CAM归因。
联合模型的开发
基于训练数据集,通过将CNN模型与相关临床特征相结合建立联合模型(补充材料6)。具体而言,首先计算方差膨胀因子(VIF)以检测多重共线性。在存在显著共线性(VIF > 5)的情况下,进行单变量logistic回归分析以确定与肝硬化关联最强的变量(以β系数绝对值最大为特征)。随后,使用Select From Model算法结合随机森林估计器在剩余自变量中进行特征选择,其中特征重要性使用基尼重要性(或平均不纯度减少)计算。最后,使用所选特征通过随机森林构建联合模型。在训练过程中,使用网格搜索确定估计器的最佳超参数。与CNN模型一致,五折交叉验证方法也应用于联合模型的开发。
模型评估
基于测试数据集,对联合模型进行验证,并与CNN模型、FIB-4、APRI以及两位放射科医师的判读进行比较。诊断性能以AUC、灵敏度、特异度、阳性预测值(PPV)、阴性预测值(NPV)和准确率进行表征。
统计分析
AUC的比较使用DeLong检验。PPV和NPV的比较使用Kosinski提出的加权广义评分检验,而灵敏度、特异度和准确率的比较使用McNemar检验。校准图用于评估预测风险与实际风险之间的一致性。进行决策曲线分析以计算所提出模型的临床净获益。
所有统计分析均使用SPSS软件(版本26.0,IBM)、Medcalc(版本20.100-64位)和R统计软件进行。双侧p < 0.05被认为具有统计学意义。
结果
患者特征
共纳入1315例患者(中位年龄54岁;四分位距(IQR)47–63岁;1065例男性),其中1200例(91%)(训练数据集,n = 840;内部测试数据集1,n = 94;内部测试数据集2,n = 266)和115例(9%)分别来自中心1和中心2至4(中心2,n = 66;中心3,n = 8;中心4,n = 41)(图2,表1)。其中,91%(1199/1315)的患者患有慢性乙型肝炎,65%(855/1315)的患者经病理确诊为肝硬化。病理标本分别通过肝切除术、肝移植和活检获得,分别占94%(1231/1315)、2%(21/1315)和5%(63/1315)的患者。肝脏MRI与手术/活检之间的中位时间为9天(IQR,3–16天)。
关于局灶性肝脏病变,8%(104/1315)的患者无肝内病变,80%(1056/1315)的患者患有肝细胞癌(HCC),13%(172/1315)的患者患有其他类型的肝脏病变,不包括单纯性囊肿、海绵状血管瘤或再生结节。单发和多发肝脏病变分别见于77%(1014/1315)和15%(197/1315)的患者。最大肝脏病变的中位大小为3.5 cm(IQR,2.3–5.5 cm)。
病理学肝硬化的比例在训练集和测试集之间一致(均p < 0.05)。Child-Pugh分级(p = 0.001)、白蛋白-胆红素分级(p = 0.004)和病理标本来源(p = 0.03)在训练集与内部测试集1之间差异有统计学意义。与训练集相比,内部测试集2和外部测试集患者的HBV感染频率更低(均p < 0.001),肝脏病变更小(内部测试集2)或更大(外部测试集)(p = 0.008和p = 0.03),更常使用3.0-T MRI(均p < 0.001)和肝胆对比剂增强MRI(均p < 0.001)。
CNN模型和联合模型的构建
由于在所有序列组合中训练集AUC最优且敏感性和特异性均衡(表S4),最终CNN模型基于平扫T1和T2加权成像构建。
对于联合模型,变量间未发现多重共线性(表S5),基于CNN模型的肝硬化概率、年龄、血小板计数、总胆红素、白蛋白、AST、ALT、碱性磷酸酶(ALP)、γ-谷氨酰转移酶(GGT)和国际标准化比值被选择用于构建联合模型。基于CNN模型的肝硬化概率和血小板计数在所有折中重要性评分最高,范围分别为0.32–0.60和0.10–0.15(表S6)。
图S4显示了CNN模型和联合模型在训练集上的受试者工作特征(ROC)曲线。
模型间性能比较
表2总结了不同模型和两位放射科医师在测试集上诊断肝硬化的性能,ROC曲线见图3。
简言之,联合模型在外部测试集上诊断肝硬化的AUC为0.86(95%置信区间[CI],0.78–0.91),高于CNN模型(AUC:0.81,95% CI:0.73–0.88,p = 0.02)、FIB-4(AUC:0.69,95% CI:0.59–0.77,p = 0.001)、APRI(AUC:0.67,95% CI:0.58–0.76,p < 0.001)和两位放射科医师(放射科医师1 AUC:0.73,95% CI:0.64–0.81,p = 0.02;放射科医师2 AUC:0.71,95% CI:0.61–0.79,p = 0.006)。
联合模型在外部测试集上的敏感性、特异性、PPV、NPV和准确性分别为84%、73%、85%、71%和80%。联合模型的敏感性高于FIB-4(62%,p = 0.003)和APRI(65%,p = 0.007)。
如校准曲线所示,联合模型在预测决策与实际诊断之间的一致性优于FIB-4和APRI(图S5A、C、E)。决策曲线显示,联合模型的预后评分在合理的阈值概率范围内提供了良好的净获益(图S5B、D、F)。
经CNN模型正确分类的肝硬化患者的代表性激活图显示,肝实质、肝脏表面、肝门区和脾脏对诊断决策的贡献最大(图4)。
图5显示了一名肝硬化患者的MR图像,该患者被联合模型和CNN模型正确诊断,但被两位放射科医生均误诊。
联合模型的亚组分析
在内部测试数据集1上,联合模型在女性组的AUC高于男性组(1.00 vs. 0.85,p = 0.01)(图6A)。在内部测试数据集2上,联合模型在BMI ≤ 25组的AUC高于BMI > 25组(0.96 vs. 0.84,p = 0.003)(图6B)。在外部测试数据集上,联合模型在1.5-T MRI组(1.00 vs. 0.83,p < 0.001)、细胞外对比剂组(0.97 vs. 0.82,p = 0.01)和轻微图像伪影组(0.96 vs. 0.83,p = 0.03)的AUC更高(图6C)。
联合模型的AUC在不同最大肝脏病灶大小亚组之间无显著差异(≤ 2 cm vs. > 2 cm、≤ 5 cm,所有p > 0.05;≤ 2 cm vs. > 5 cm,所有p > 0.05)。
讨论
肝硬化的无创诊断对患者管理至关重要,但传统MRI面临挑战。在本研究中,我们开发并外部验证了一种基于卷积神经网络的模型,通过整合肝脏MRI和相关临床特征实现肝硬化的全自动诊断。基于预增强T1和T2加权成像、年龄和八项血清生物标志物的联合模型在外部测试数据集上诊断肝硬化的受试者工作特征曲线下面积(AUC)为0.86,不受其他可能影响模型诊断性能的放射学和临床因素的影响,并优于纤维化-4指数(AUC:0.69,p = 0.001)、天冬氨酸氨基转移酶与血小板比率指数(AUC:0.67,p < 0.001)和两位放射科医师(AUC:0.73,p = 0.02;AUC:0.71,p = 0.006)。
虽然大多数现有的肝硬化诊断技术在建模过程中需要手动标注[18, 25, 26],但本研究所开发的CNN模型基于肝脏的全自动分割。这种方法可能为肝硬化提供一种更易于应用且可重复的诊断工具。有趣的是,基于预增强T1和T2加权成像的CNN模型在所有序列组合中表现出最佳的诊断性能。尽管我们在建模过程中初步努力研究了尽可能多的成像序列(包括增强后图像)以最大化诊断性能,但肝硬化信息似乎已被预增强图像充分表征,这可能归因于T1和T2加权成像的互补图像信息以及门静脉期图像所添加的血管变化的有限增量价值。这些结果具有临床相关性,因为我们的模型可能外推至更广泛的临床应用而无需使用对比剂。
近期,Yosaka等[18]和Hectors等[19]报道了使用肝胆期MR图像诊断肝硬化的CNN系统,AUC分别为0.84和0.85,与我们的CNN模型(AUC:0.81)相当。Nowak等[26]开发了一种基于T2加权成像检测肝硬化的深度迁移学习系统,在测试数据集上达到了近乎完美的AUC值0.99。然而,在他们的研究中,仅纳入了经组织学或临床定义的肝硬化患者和健康肝脏者,这可能限制模型的泛化性。
本研究将血清生物标志物纳入联合模型。这些生化标志物反映肝脏合成功能(白蛋白)、损伤和炎症(AST、ALT和GGT)、胆汁淤积(总胆红素、ALP和GGT)以及门静脉高压(血小板计数)[13],因此可能有助于肝硬化的诊断。事实上,AST、ALT、白蛋白和血小板计数已被纳入若干用于无创评估肝纤维化的成熟评分系统(如FIB-4、APRI和非酒精性脂肪性肝病纤维化评分(NFS))[11, 13]。联合模型优于广泛使用的FIB-4和APRI以及两位放射科医师,这凸显了联合模型对现有无创诊断肝硬化系统的补充增量价值。
本研究开发的联合模型在不同临床环境中均表现稳健。特别是,我们研究中入组的超过90%的患者存在局灶性肝脏病变,主要为肝细胞癌(HCC)(80%)。亚组分析表明,联合模型的诊断性能与局灶性肝脏病变的大小无关,这提示其潜在的临床应用价值,可辅助疑似或确诊肝癌患者的手术治疗决策。然而,在不同性别、BMI、磁场、对比剂、有无轻微伪影的亚组之间,诊断性能存在显著差异。这些差异可能表明在特定亚组中性能更好或更差,但也可能源于样本量小或不均衡导致的亚组分析把握度不足。需要未来研究验证这些差异,尤其是在往往代表性不足的小亚组(如女性组和BMI ≤ 25组)中。此外,使用不同制造商(GE vs. uMR vs. Philips vs. Siemens)的设备可能潜在影响我们模型的诊断性能。然而,我们的研究数据不支持在亚组分析中对制造商之间进行有意义的比较。由其他原因(如非肝硬化性门静脉高压)导致的血小板计数降低可能促成假阳性,而无显著影像学特征和正常实验室检查结果可能导致假阴性(表S7)。
值得注意的是,深度学习的可扩展性对于有信心的临床采用至关重要。尽管已有初步努力通过激活图揭示CNN模型关注的重要区域,但CNN模型如何能够优于放射科医师的细节仍不清楚。因此,鼓励未来研究进一步揭示深度学习用于肝硬化诊断的“黑箱”。
本研究存在若干局限性。第一,作为一项回顾性研究,可能存在潜在的选择偏倚并影响我们的结果。特别是,纳入患者中超过90%的病因为乙型肝炎病毒感染,且Child-Pugh A级患者和儿童患者未被纳入本研究。这可能限制了对其他病因或肝功能较差患者及儿童患者的外推。第二,采用北京标准进行肝纤维化分期作为参考标准,该标准在西方实践中并不常用。第三,联合模型达到的诊断AUC为中等水平(低于0.90),单独用于临床实践中建立肝硬化诊断可能不够充分。在未来的研究中,我们将通过探索更多策略持续优化模型,包括改进输入变量、扩大数据集以及采用先进的建模技术。第四,尽管亚组分析显示模型在不同最大肝脏病灶大小的患者中均具有稳健的诊断性能,但所选取的输入层面可能未覆盖所有肝脏病灶。因此,需要进一步研究评估模型在肝脏病灶患者中的效用。第五,尽管我们的模型达到了与近期荟萃分析所报道的磁共振弹性成像相似的诊断性能(AUC:0.92至0.93)[27, 28],但我们的回顾性设计缺乏足够数据进行头对头比较,因为磁共振弹性成像在我们的医学中心并非常规使用。未来需要前瞻性研究来评估我们的联合模型与磁共振弹性成像的对比。然而,尽管磁共振弹性成像在诊断肝硬化方面具有高准确性,其在不同中心的可用性可能较低。第六,模型与放射科医师联合血清生物标志物组合相比的性能以及模型在健康人群中的性能尚不清楚。需要以前瞻性队列进行进一步验证。最后,尽管每个步骤均已完全自动化,我们尚未将其整合为单一流程。我们承认这可能需要流程中的一些手动输入。开发软件是我们未来的研究方向。
总之,基于1315例在3个月内接受对比增强肝脏MRI检查并具有肝纤维化分期病理评估的患者,我们开发并外部验证了一个整合平扫T1加权成像和T2加权成像、年龄及八项血清生物标志物的联合模型。该模型能够以中等准确度诊断肝硬化,不受局灶性肝脏病灶大小的影响,且性能优于FIB-4、APRI及放射科医师。
补充信息
电子补充材料
引用
- Zheng T, Zhu Y, Chen Y, et al. Fully automated MRI-based convolutional neural network for noninvasive diagnosis of cirrhosis. Insights Imaging. 2024. PMID: 39666107. doi:10.1186/s13244-024-01872-9
- 全文:PMC11638457(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11638457/
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。