文献速递心血管胸部CT

使用更新版深度学习模型自动分类冠状动脉CT血管造影扫描中的冠状动脉病变:ALERT研究

Automated classification of coronary LEsions fRom coronary computed Tomography angiography scans with an updated deep learning model: ALERT study.
PubMed 文献 · Eur Radiol · 2025-01-10

单中心回顾性研究纳入50例因排除阻塞性冠心病行CCTA的患者,比较更新版深度学习模型CorEx-2.0与两位专家阅片者在患者层面二分类(CAD-RADS 0-3 vs 4-5,阈值70%狭窄)及血管层面6组CAD-RADS分类的一致性;CorEx-2.0检出CAD-RADS≥4的敏感度为100%,患者层面kappa为0.86,血管层面加权kappa为0.71-0.73。

要点

  • CorEx-2.0在患者层面对CAD-RADS≥4(≥70%狭窄)检出敏感度达100%,准确率94%。
  • 血管层面6组CAD-RADS分类中,CorEx-2.0与两位专家阅片者的加权kappa分别为0.71和0.73。
  • CorEx-2.0最常见的分歧为对非阻塞性血管的狭窄程度低估或高估。

核心结论

  • CorEx-2.0与两位独立专家阅片者分别比较时,检出了所有严重狭窄(CAD-RADS≥4)患者,敏感度为100%。
  • CorEx-2.0在血管层面6组CAD-RADS分类中表现接近专家阅片者,加权kappa>0.70。
  • 这些发现提示CorEx-2.0有潜力安全整合到临床实践中,通过标记严重阻塞性冠心病风险患者来帮助优先安排CCTA阅片。

研究设计与样本

  • 单中心回顾性研究,纳入2017-2022年因排除阻塞性冠心病行CCTA的50例患者,共150支血管。
  • 使用第三代双源192排CT扫描仪(Somatom Force,Siemens Healthcare)行前瞻性序列扫描,心电触发优先舒张晚期。
  • 两位欧洲心脏放射学委员会认证的CCTA阅片者(分别有15年和20年心脏影像经验)独立盲法评估,以CAD-RADS分类为参考。
  • CorEx-2.0基于Inception-v3卷积神经网络架构,在更多样化病例的新数据集上重新训练,每支血管生成9个40°间隔的曲面多平面重建图像进行分析。

关键影像表现/征象

  • CorEx-2.0与阅片者之间最常见的分歧为对非阻塞性血管的狭窄程度低估或高估(vs阅片者1 n=41,vs阅片者2 n=40)。
  • 一例被CorEx-2.0分类为CAD-RADS 5的血管被两位阅片者均分类为CAD-RADS 0,归因于明显的阶梯状伪影。
  • 图2示例显示:左前降支中段钙化斑块被CorEx-2.0分类为CAD-RADS 2而人工分类为CAD-RADS 3。

诊断标准与关键数值

  • 患者层面二分类阈值70%狭窄:CAD-RADS 0-3 vs 4-5;CorEx-2.0 vs 阅片者1和阅片者2的敏感度均为100%,准确率94%,Cohen's kappa均为0.86。
  • 血管层面6组CAD-RADS分类(CAD-RADS 0-5):CorEx-2.0 vs 阅片者1一致率63.9%(94/147),加权kappa 0.71;vs阅片者2一致率65.3%(96/147),加权kappa 0.73。
  • 阅片者间患者层面二分类(70%阈值)一致率91.8%(45/49),Cohen's kappa 0.80。
  • 阅片者间血管层面6组分类一致率67.6%(100/148),线性加权kappa 0.77。
  • kappa值0.60-0.79认为一致性显著,≥0.80认为一致性极好。

临床应用与阅片要点

  • CorEx-2.0可在患者层面以100%敏感度标记CAD-RADS≥4的严重狭窄患者,作者认为这有助于优先安排CCTA阅片。
  • 血管层面判读时需注意CorEx-2.0对非阻塞性血管存在低估或高估,以及阶梯状伪影可导致CAD-RADS 5的假阳性分类。
  • 作者指出严重狭窄(≥70%)患者中近三分之二接受血运重建,该二分类阈值代表药物治疗可能附加介入治疗的决策点。

局限性

  • 回顾性单中心设计及排除非诊断性检查或既往冠状动脉介入史患者可能导致选择偏倚。
  • 研究人群的CAD-RADS分布可能不反映当地临床实践,可能影响CorEx-2.0性能,并对与其他研究直接比较本地性能和结果可重复性有影响;需要更大队列进一步研究评估CorEx-2.0在更标准门诊心内科CCTA人群中的性能。
  • 一位专家阅片者参与了DLM训练,可能在与其一对一比较时引入偏倚;但另一位未参与DLM训练和开发的专家阅片者表现相似。
  • 本研究仅纳入三支主要血管(LAD、RCA、Cx)。
  • 未常规行有创冠状动脉造影,因此无法充分评估两位专家阅片者在该亚组病例中的性能。
全文中译12 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. 2025 Jan 10;35(3):1543–51. doi: 10.1007/s00330-024-11308-z

引言

冠状动脉计算机断层扫描血管成像(CCTA)越来越多地被用作疑似冠状动脉疾病(CAD)且症状稳定患者的初始诊断检查[1–3]。CCTA的优势在于能够以95%的总体敏感度准确排除CAD[4]。然而,目前的冠状动脉狭窄分级主要基于人工视觉评估,存在阅片者间变异[5–7]。使用冠状动脉疾病报告与数据系统(CAD-RADS 2.0)的标准化报告可减少CCTA阅片者之间的变异性并指导患者管理决策。CAD-RADS评分是狭窄分类的 valuable 工具[8–10]。CAD-RADS包括CAD-RADS 0至CAD-RADS 5分级量表上的六个类别(0%、1–24%、25–49%、50–69%、70–99%和100%狭窄)以及一个非诊断类别(CAD-RADS N)。尽管有这一标准化的CAD-RADS报告,准确的CCTA判读仍需要高水平的专业知识[7, 11]。专家级CCTA阅片者在检测阻塞性CAD(CAD-RADS ≥ 3)方面预计比非专家阅片者显著更准确[6]。然而,专家阅片者的数量并非无限,且CCTA扫描数量正在迅速增加[3, 12]。因此,CCTA相关工作负荷预计将不断上升。人工智能(AI)越来越多地被用于自动化图像分析任务,这可能有助于促进及时报告[13]。对于定量测量,使用基于深度学习的自动模型(DLM)可能减少观察者变异并提高CCTA报告效率[14, 15]。既往研究已显示DLM在自动化分类过程中的前景,并证明与专家阅片者具有良好的一致性[16–20]。一种早期市售的DLM(CorEx-1.0;Spimed-AI)在患者水平上使用50%狭窄的二元CAD-RADS分类阈值(CAD-RADS 0-2 versus CAD-RADS 3-5)显示出96%的诊断准确率[20]。本研究旨在探讨最近更新的DLM(CorEx-2.0)在CCTA上量化冠状动脉狭窄的诊断性能,在患者水平上使用70%狭窄的二元CAD-RADS分类阈值(CAD-RADS 0-3 versus CAD-RADS 4-5)作为潜在介入治疗的阈值,并在血管水平上使用6组CAD-RADS分类(CAD-RADS 0-5),分别与两名独立的专家级CCTA阅片者作为参考进行比较。

方法

研究设计

这项单中心研究不受《涉及人类受试者的医学研究法案》(WMO)的约束,并已获得认可的机构医学研究伦理委员会(MREC)批准。我们根据《通用数据保护条例》(GDPR)获得了所有患者的书面知情同意。共回顾性纳入50例因排除阻塞性CAD而接受CCTA的患者。所有CCTA检查均于2017年至2022年间在我们中心的常规临床实践中获得。患者选自一个质量数据库,旨在确保CAD-RADS分布均衡,并充分代表50–69%直径狭窄(CAD-RADS 2、3和4)狭窄程度阈值附近的CAD-RADS类别。患有急性冠脉综合征、冠状动脉支架、旁路移植或无法判读的CCTA(临床实践中判定为CAD-RADS N)的患者未被纳入。

CCTA扫描采集

所有CCTA检查均使用第三代双源192排探测器计算机断层扫描仪(Somatom Force,Siemens Healthcare)。若心率>65次/分,则在扫描前1小时口服β受体阻滞剂(包括美托洛尔50 mg或100 mg)以降低心率。给予舌下硝酸甘油喷雾以扩张血管。扫描前,要求患者在屏气进行扫描采集前正常呼吸。所有扫描均采用前瞻性序列模式(步进-曝光)采集,并以心电图触发,优先选择舒张晚期触发。对于CCTA扫描,所有患者均应用自动管电压选择(CARE kV,Siemens Healthcare),kV值范围为70至120 kV,以10 kV递增。通过试验性团注注射确定从开始注射对比剂至升主动脉对比剂强化达峰的时间,固定对比剂团注量为10 mL未稀释对比剂(Ultravist 300:碘普罗胺300 mg I/mL,Bayer AG或Xenetix 350:碘比醇350 mg I/mL,Guerbet OptiVantage DH),注射速率为6.5 mL/s,固定扫描延迟为8 s,固定kV值为100 kV。为确定CCTA采集的时机,扫描延迟由达峰时间加额外4 s冠状动脉充盈时间确定。CCTA的对比剂团注量根据患者体重和kV选择进行调整[21]。所有CCTA扫描在采集后立即由当值CCTA技师进行诊断图像质量的视觉评估。

CorEx CAD-RADS分析

CCTA检查上传至SPIMED-AI,并由先前描述的CorEx 1.0版(CorEx-1.0)和更新的CorEx 2.0版(CorEx-2.0)进行分析[20, 22]。简言之,两个模型均使用Google开发的Inception-v3卷积神经网络(CNN)架构进行训练[23]。在保持相同架构的情况下,CorEx-2.0在新数据集上重新训练,该数据集病例更多样,CAD-RADS分布略有不同。

在本研究中,轴位CCTA图像上传至SPIMED-AI,并创建曲面多平面重建(cMPR)图像用于CorEx分析。这些CCTA图像均未用于训练深度学习模型(DLM)。每支血管(左前降支动脉(LAD)、右冠状动脉(RCA)和回旋支动脉(Cx))以40°间隔创建9幅cMPR。CorEx分析在远程服务器上使用每支血管的9幅cMPR全自动进行。共上传50例CCTA,最终对150支血管(LAD、RCA、Cx)进行CorEx分析。左主干包含在LAD和Cx的重建图像中。CorEx输出包括每支血管各CAD-RADS类别的概率评分及其每支血管整体分析的置信度评分。每支血管中概率评分最高的CAD-RADS类别被视为主要类别(补充图1a)。然而,若两个相邻CAD-RADS类别之间的概率评分差异<20%,则最严重的CAD-RADS类别被视为主要类别(补充图1b)。若CorEx对其整体分析的置信度为(极)低,则该血管评为CAD-RADS类别N(补充图1c)。

两名获得欧洲心脏放射学委员会认证的CCTA阅读专家也各自独立评估了每套CCTA图像,彼此对对方结果设盲,并对CorEx分析设盲,使用本地可用的后处理软件。阅读者1(RNP)和阅读者2(JFP)分别具有15年和20年心脏影像经验。阅读者1未参与深度学习模型(DLM)的训练,而阅读者2参与了;因此,CorEx的性能分别与每位阅读者进行比较。两位阅读者、CorEx-1.0和CorEx-2.0均使用CAD-RADS对所有150支血管进行分类。每支血管的CAD-RADS类别根据该特定血管中最严重的狭窄进行赋值。三支血管中任何一支的最严重狭窄决定患者层面的分类。对于二分类(阈值70%狭窄),CAD-RADS 0-1-2-3合并,将无至中度CAD(CAD-RADS 0-3)与重度CAD(CAD-RADS 4-5)区分开。

统计分析

连续数据对正态分布变量以均值±标准差报告,对非正态分布变量以中位数及四分位距(IQR)报告。数据分布的正态性使用直方图和概率图评估。分类数据以绝对数和百分比报告。阅读者间一致性和CorEx-2.0与人工阅读之间的一致性通过计算符合率、二分类的Cohen kappa统计量以及6组分类的Cohen线性加权kappa进行评估。kappa值0.60–0.79被认为表示高度一致,kappa值≥0.80被认为表示极好一致[24]。阅读者2 versus 阅读者1(阅读者间分析)以及CorEx-2.0 versus 每位专家阅读者的诊断性能使用敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV)评估。被赋值为CAD-RADS N的患者和血管被排除在分析之外。p值<0.05被认为具有统计学显著性。所有统计分析使用IBM SPSS statistics版本28进行。

结果

基线特征

纳入的50例患者的基线特征,包括阅读者1在临床实践中赋值的CAD-RADS分布,见表1。研究患者的平均年龄为62.1岁±8.3,其中21例(42.0%)为女性。两位专家阅读者、CorEx-1.0和CorEx-2.0在每患者(n=50)和每血管(n=150)基础上赋值的CAD-RADS类别概览见补充表1。

表1 基线特征 查看原表 ↗

阅读者间一致性分析

两位阅片者共对50例患者的148支血管进行了诊断图像质量评分,最终49例患者纳入阅片者间分析。以患者为单位,在70%狭窄的二元分类阈值下(CAD-RADS 0-3 vs 4-5),阅片者间一致性及阅片者2相对于阅片者1的诊断性能报告于表2和表3。4例患者存在分歧,准确率为91.8%(45/49),Cohen's kappa值为0.80。采用6组CAD-RADS分类(CAD-RADS 0-5)按血管评估的阅片者间一致性见图1a。采用6组分类在血管水平评估阅片者间CAD-RADS分类一致性为67.6%(100/148),加权kappa值为0.77。采用二元分类(50%(CAD-RADS 0-2 vs 3-5)和70%(CAD-RADS 0-3 vs 4-5))在患者和血管水平进一步评估阅片者间一致性的结果见补充表2。此外,采用6组CAD-RADS分类在患者水平的阅片者间一致性见补充图2。

表2 患者水平采用二元分类(70%)的一致性 查看原表 ↗
表3 患者水平采用二元分类(70%)的诊断性能 查看原表 ↗
图1 按血管的6组CAD-RADS分类一致性。按血管的6组冠状动脉疾病报告和数据系统(CAD-RADS)分类(CAD-RADS 0-5)一致性。a 阅片者1与阅片者2之间按血管的一致性(n = 148)。b 阅片者1与CorEx-2.0之间按血管的一致性(n = 147)。c 阅片者2与CorEx-2.0之间按血管的一致性(n = 147)。颜色分别表示一致(绿色)、相差一个类别内的一致(浅绿色)以及相差超过一个类别的不一致(黄色) 查看原图 ↗

CorEx-2.0在患者水平的性能

全部50例患者均经CorEx-2.0进行诊断图像质量评分,最终50例患者(对照阅片者1)和49例患者(对照阅片者2)纳入分析。采用70%狭窄的二元分类阈值(CAD-RADS 0-3 vs 4-5)评估CorEx-2.0与每位阅片者的一致性及其在患者水平的诊断性能,结果报告于表2和表3。CorEx-2.0识别了人工阅片分类为重度狭窄(CAD-RADS ≥ 4)的全部患者,相对于阅片者1和阅片者2的敏感度均为100%,准确率为94%,Cohen's kappa值均为0.86。采用二元分类(阈值50%狭窄)及6组CAD-RADS分类在患者水平的进一步诊断性能见补充材料(补充表2和补充图2)。为说明CorEx-1.0与CorEx-2.0之间的性能差异,CorEx-1.0在患者水平的性能亦呈现于补充表2和补充图2。

CorEx-2.0在血管水平的性能

共有147支血管符合条件,可用于CorEx-2.0与专家阅片之间的分析。以每位专家阅片者分别作为参考,采用6组CAD-RADS分类评估CorEx-2.0在血管水平的表现(图1b、c)。CorEx-2.0与阅片者1的一致率为63.9%(94/147),与阅片者2的一致率为65.3%(96/147),加权kappa值分别为0.71和0.73。最常见的不一致是CorEx-2.0对非阻塞性血管的低估或高估(与阅片者1相比n = 41,与阅片者2相比n = 40)。最明显的差异见于1支被CorEx-2.0分类为CAD-RADS 5的血管,而两位阅片者均将其判定为CAD-RADS 0,该差异可归因于明显的阶梯状伪影。人工阅片与CorEx-2.0分析之间一致与不一致的示例见图2。CorEx-2.0在血管水平采用二分类(阈值50%和70%狭窄)与每位专家阅片者分别作为参考相比的进一步诊断性能见补充表2。CorEx-1.0在血管水平的诊断性能也作为补充材料呈现(补充表2和补充图3)。从CorEx-1.0更新至CorEx-2.0后CAD-RADS评分的变化见补充图4。

图2 CorEx-2.0分析与人工阅片之间的CAD-RADS一致与不一致。CorEx-2.0分析与人工阅片在血管水平对冠状动脉疾病报告和数据系统(CAD-RADS)判读一致与不一致的示例。a 左前降支(LAD)中段钙化斑块(箭头),CorEx-2.0分类为CAD-RADS 2,人工判读为CAD-RADS 3。b LAD中段混合斑块(箭头),CorEx-2.0和人工均分类为CAD-RADS 3。c LAD中段混合斑块(箭头),CorEx-2.0和人工均分类为CAD-RADS 5。d 右冠状动脉明显阶梯状伪影(箭头),CorEx-2.0分类为CAD-RADS 5,人工判读为CAD-RADS 0 查看原图 ↗

讨论

这项单中心回顾性研究评估了近期更新的深度学习模型(DLM)(CorEx-2.0)在冠状动脉CT血管成像(CCTA)上量化冠状动脉狭窄的诊断性能,采用每例患者基于70%狭窄阈值的二分类CAD-RADS分类(CAD-RADS 0-3 versus CAD-RADS 4-5)以及每支血管的6组CAD-RADS分类(CAD-RADS 0-5)。CorEx-2.0识别了所有重度狭窄患者(CAD-RADS ≥ 4),二分类的敏感度为100%、准确率为94%,同时在每支血管采用6组分类时也表现出良好性能(加权kappa值 > 0.70),两者均分别以两位独立的CCTA专家阅片者作为参考进行比较。

在先前一项研究中,更新前模型(CorEx-1.0)在53例以非阻塞性CAD为主(72%)的患者中,于患者层面检测≥ 50%狭窄的准确率达到96% [20]。然而,CorEx-1.0在217例表现为急性胸痛的患者中显示出较低的准确率(84%)[25]。更新后的模型(CorEx-2.0)近期在经导管主动脉瓣置换术前评估的高危人群(CCTA显示62.7%为阻塞性CAD)中,检测≥ 50%狭窄的准确率达到82% [22]。这些先前的研究仅限于二分类(CAD-RADS 0-2 versus CAD-RADS 3-5)或3组CAD-RADS分类(CAD-RADS 0、1-2或3-4-5)。在我们的验证研究中,研究人群内的CAD-RADS分布更为均衡,并且CorEx-2.0和专家读者均按血管进行了6组CAD-RADS分类。与先前研究中使用的二分类或3组分析相比,这种6组分析是更准确的方法。我们进一步聚焦于患者层面的二分类分析(CAD-RADS 0-3 versus CAD-RADS 4-5),该阈值代表药物治疗并可能附加介入治疗(≥ 70%狭窄)的界限 [8]。近三分之二的≥ 70%狭窄(CAD-RADS ≥ 4)患者接受了血运重建 [26]。在我们的研究中,CorEx-2.0的性能特征与其他研究报告的结果相当或更优 [17–19, 23, 27, 28]。然而,需要指出的是,与所列研究进行直接比较并不可行,因为使用了不同的人群规模及CAD-RADS分布。一项单中心回顾性研究在288例患者中比较了内部DLM与专家读者,显示患者层面二分类(阈值50%狭窄)的准确率为71% [27]。Zreik等人通过将其研究方法与专家读者进行比较,在65例患者中对此二分类分析达到了85%的准确率 [23]。这些研究未进行二分类(阈值70%狭窄)或6组CAD-RADS分析。关于患者层面的此二分类(阈值50%),CorEx-2.0的表现优于或相当于他们的模型,与读者1相比准确率为82%,与读者2相比为90%。Choi等人的一项多中心研究纳入232例患者,使用商业AI模型识别所有重度狭窄(≥ 70%)患者并与共识阅读进行比较,其结果与CorEx-2.0的性能相似 [17]。在按血管分析的基础上,该模型在6组CAD-RADS分类中与各专家读者相比的加权kappa值分别为0.69、0.57和0.67,低于CorEx-2.0与专家读者相比的性能(与读者1相比加权kappa为0.71,与读者2相比为0.73)。Choi等人展示的与共识阅读相比血管层面的加权kappa为0.72,与我们的结果相当。值得注意的是,其研究中仅5%的患者和仅1.5%的血管被分类为CAD-RADS ≥ 4(≥ 70%狭窄),表明其研究人群疾病患病率较低。这可能限制了对该工具检测重度狭窄(≥ 70%)安全性的充分评估。另一项研究在303例疾病患病率较高(39%的患者和19%的血管存在≥ 70%狭窄)的队列中,将同一AI模型与有创定量冠状动脉造影进行比较,显示检测≥ 70%狭窄的按患者灵敏度和准确率分别为94%和86% [28]。在我们的研究中,经专家阅读,28%的患者和15%的血管被分类为CAD-RADS ≥ 4(≥ 70%狭窄),CorEx-2.0产生了100%的灵敏度和94%的准确率。然而,这些结果难以比较,因为我们使用专家CCTA读者作为参考。此外,他们的研究未按血管进行6组CAD-RADS分析。CorEx-2.0所实现的与专家读者相比患者层面100%检测≥ 70%狭窄,也由Lin及其同事在50例患者中使用一种新型研究DLM所证实 [18]。在血管层面,该DLM与专家CCTA判读使用5组CAD-RADS分类(CAD-RADS 1-5)相比显示出Cohen's kappa为0.78。然而,由于未进行6组CAD-RADS分析,难以将其结果与我们研究中呈现的使用6组分类的按血管加权kappa值0.71(与读者1相比)和0.73(与读者2相比)进行比较。近期,Van Herten等人设计了一种全自动基于深度学习的斑块分割和CAD-RADS分级方法 [19]。该研究模型在658例患者的外部测试集中,按患者6组CAD-RADS分类的线性加权kappa为0.71,这与我们患者层面6组分类的结果一致(与读者1相比加权kappa为0.67,与读者2相比为0.74)。然而,他们的测试集疾病患病率显著较低(仅4.6%的患者为CAD-RADS ≥ 4),这可能影响了模型的性能。此外,尽管性能良好,他们的方法倾向于高估CAD严重程度 [19]。这些潜在假阳性结果可能导致不必要的下游检查 [29],引发了对CCTA利用率显著增加的担忧。关于CorEx-2.0,与人工评估相比观察到轻微低估,但该模型在与完全独立专家读者相比时被证明对识别重度狭窄患者是安全的。这些发现强调了CorEx-2.0在标记重度阻塞性CAD风险患者方面的潜力。

本研究存在若干局限性。第一,回顾性单中心设计以及排除检查质量不可诊断或有冠状动脉介入治疗史的患者,可能导致选择偏倚。第二,研究人群中的CAD-RADS分布可能无法反映当地临床实践;这可能影响了CorEx-2.0的表现,这对于与其他研究进行本地性能和所呈现结果可重复性的直接比较具有重要意义。因此,需要更大患者队列的进一步研究,以在更标准的门诊心脏科CCTA人群中评估CorEx-2.0的性能。第三,其中一位专家读者训练了DLM,这可能在与CorEx-2.0进行一对一比较时引入偏倚。然而,另一位专家读者(读者1)表现出相似的表现,且未参与DLM的训练和开发。第四,本研究仅纳入三支主要血管(LAD、RCA、Cx)。最后,有创冠状动脉造影并非常规进行,因此我们无法充分评估两位专家读者在该亚组病例中的表现。

结论

在本研究中,更新后的DLM(CorEx-2.0)在分别与两位独立专家读者比较时,识别了所有重度狭窄患者(CAD-RADS ≥ 4),检测重度狭窄的敏感度为100%。CorEx-2.0在血管水平6组CAD-RADS分类中也表现出接近专家读者的良好性能(加权kappa > 0.70)。这些发现凸显了CorEx-2.0安全整合入临床实践的潜力,其可通过标记有重度阻塞性冠状动脉疾病风险的患者,有助于优化CCTA阅片优先级。

补充信息

电子补充材料

引用

  1. Verpalen VA, Coerkamp CF, Henriques JPS, et al. Automated classification of coronary LEsions fRom coronary computed Tomography angiography scans with an updated deep learning model: ALERT study. Eur Radiol. 2025. PMID: 39792162. doi:10.1007/s00330-024-11308-z
  2. 全文:PMC11836176(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11836176/

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。