文献速递骨肌儿科影像技术与安全DR

测试集构成对儿童腕部骨折X线人工智能检测性能的影响

Impact of test set composition on AI performance in pediatric wrist fracture detection in X-rays.
PubMed 文献 · Eur Radiol · 2025-05-16

本研究基于公开的GRAZPEDWRI-DX数据集6091张儿童腕部X线片,构建各含4588张图像的两个测试集(按病例难度、投照类型和骨折存在与否平衡采样 vs 随机采样),用EfficientNet和YOLOv11模型评估AI性能。结果显示平衡测试集(含更多困难病例)上AI性能指标显著下降,提示测试集采样策略影响AI性能评估,需标准化构建能反映临床复杂度的测试集。

要点

  • 平衡测试集(困难病例占25%)上AI性能显著低于随机测试集(困难病例占6%),说明测试集难度构成直接影响报告指标。
  • YOLOv11定位任务精确率从随机集0.95降至平衡集0.83,提示仅基于随机抽样测试集的性能数据可能被高估。
  • 儿童腕部X线中生长板等结构易致假阳性,原文指出这类病例也应归为困难病例,评估AI时需考虑。

核心结论

  • AI模型在含更多困难病例的平衡数据集上测试时,儿童腕部骨折检测性能较随机选择病例明显下降。
  • 构建能反映临床复杂度的代表性标准化测试集对确保AI在真实场景中的稳健性能很重要。
  • 缺乏标准化验证测试集时,性能指标可能被高估,限制AI在真实场景中的效用。

研究设计与样本

  • 回顾性研究,使用开源GRAZPEDWRI-DX数据集6091例儿童腕部骨折X线片,由一名有11年肌肉骨骼放射学经验的儿科放射科医师主观将图像分为容易和困难两组。
  • 构建两个各含4588张图像的测试集:平衡集按难度、投照和骨折存在与否平衡匹配(50%骨折,其中一半为困难样本);随机集从全数据集随机抽取4588张(困难病例占6%,骨折占68%)。
  • EfficientNet(B0至B7)和YOLOv11(n、s、m、l、x)在18762张X线片上训练和验证,采用10折交叉验证,在两个测试集上评估二分类和物体检测任务。
  • 统计比较使用非参数符号检验,P值小于0.05认为有统计学意义;两个测试集在性别、侧别和初诊检查分布上无相关差异。

诊断标准与关键数值

  • EfficientNet二分类:随机集加权精确率0.894±0.016、召回率0.894±0.016、F1 0.894±0.017,均优于平衡集(0.785±0.036、0.780±0.040、0.778±0.042),符号检验均P=0.008。
  • EfficientNet ROC:随机集AUC从B0的0.899(95%CI 0.889–0.909)至B4最高的0.940(95%CI 0.931–0.947);平衡集AUC从B0的0.769(95%CI 0.756–0.782)至B4最高的0.870(95%CI 0.859–0.880)。
  • EfficientNet困难病例:平衡集平均精确率0.760±0.019 vs 随机集0.779±0.011(符号检验P=0.070),召回率0.631±0.033 vs 0.623±0.031(P=0.727),F1 0.671±0.025 vs 0.668±0.026(P=1.000)。
  • YOLOv11定位:平衡集精确率0.829±0.032(m)至0.860±0.036(l),召回率0.714±0.040(x)至0.743±0.028(s),AP50 0.806±0.025(x)至0.822±0.014(s);随机集精确率0.893±0.023(m)至0.910±0.022(s),召回率0.819±0.024(n)至0.832±0.017(s),AP50 0.894±0.008(n)至0.903±0.015(s);五个模型变体符号检验精确率、召回率和AP50均P=0.025。
  • YOLOv11重叠子集PR AUC:困难病例平衡集0.732 vs 随机集更高(符号检验P=0.025),容易病例随机集0.911。

临床应用与阅片要点

  • 阅片和报告AI性能数据时需关注测试集采样策略:随机抽样测试集中困难病例仅占6%,可能使报告指标偏高。
  • 评估AI骨折检测工具时,应了解其验证集是否包含足够比例困难病例(如平衡集中困难病例占25%),避免仅凭随机抽样数据判断临床适用性。
  • 原文指出儿童生长板等结构导致的假阳性病例也应归为困难病例,在测试集构建中需纳入考虑。
  • 作者认为科学界和专科协会应努力提供参考测试集作为各种放射学问题的基准,并呼吁建立类似汽车行业「AI碰撞测试」的独立第三方评估体系。

局限性

  • 研究仅在特定数据集上进行,仅包含儿童患者和腕部周围X线片,其他身体部位、年龄组或不同机构的数据可能得出不同结果。
  • 仅一名阅片者通过主观分级骨折可见度将图像分为容易和困难组,因为目前没有客观分级标准;即使与CT或MRI等金标准比较也可能无法完全弥补这一不足。
  • 仅对骨折病例进行了难度评级,真实场景中研究常被假阳性解读(尤其儿童因开放生长板),这些病例也应归为困难病例。
  • 完美的测试集还需基于广泛的多用户阅片来考虑所有病例的难度。
  • 研究目的不是检验AI算法的泛化能力。
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 May 16;35(11):6853–64. doi: 10.1007/s00330-025-11669-z

引言

人工智能(AI)研究利用所谓的“测试集”来考察计算机视觉(CV)算法的性能和准确性[1]。测试集的特性要求它不属于训练过程的一部分,并且最初保持未见[2]。用数学术语来说,这意味着训练集和测试集是不相交的集合。理想情况下,测试数据应来自一个或多个外部机构,以证明训练后的算法对先前未见数据的泛化能力[3, 4]。在涉及商业产品、认证和监管审批程序时,数据的多样性尤为重要[5, 6]。数字X线片中腕部周围骨折的检测是AI在肌肉骨骼成像中日益重要的应用,也是一个持续研究的课题。已发表多项研究[7–16],表1中有更详细的描述。此外,市场上已有商业产品,通常报告出色的性能值[17, 18],但在临床实践中应用时,相同的性能值难以复现[19]。缺乏可公开访问的参考测试集或由认证机构保护的测试集,阻碍了对不同AI解决方案之间性能特征进行客观和可比较的测量[20]。

另一个重要方面是所测试病例的“难度”[15]。准确地说,在为训练集、验证集和测试集采样数据时,将每个数据样本视为同等要求且同等重要是否合理?表1中所示的大多数既往研究满足于随机选择测试集病例或分析连续病例系列。然而,不同的分配策略会影响样本的选择,从而对最终的性能指标产生显著影响[21, 22]。在所研究的骨折病例中,容易识别的骨折对经验丰富的研究者来说不构成挑战,而在临床环境中,仅能检测简单骨折的算法帮助不大。

本研究的假设是,基于样本复杂度的不同采样策略会显著影响深度学习模型的性能。为检验该假设,从数据集中分出两个测试集,一个具有平衡的特征分布,另一个具有随机分布。随后,两个标准计算机视觉(CV)算法在相同的训练和验证数据上训练后,在这两个测试集上进行测试。本文报告了预测性能的差异。

表1 关于相关内部或外部测试集的创建和特性的科学文献列表 查看原表 ↗

材料与方法

数据集

在这项回顾性研究中,首先对包含6091名儿童腕部骨折标注X线片的开源GRAZPEDWRI-DX数据集[23]补充了关于病例难度的额外信息。一位在肌肉骨骼放射学方面拥有11年经验的儿科放射科医师通过主观评估骨折的可见性,将图像分为容易组和困难组。这些主观评级存储在数据集元信息的单独列中。

此外,输入图像使用 scikit-image 包 0.19 版本进行预处理。我们对灰度值进行了百分位裁剪,低端裁剪 2%,高端裁剪 0.5%。随后,应用局部对比度增强(CLAHE)以确保图像具有适当的对比度。然后将 PNG 文件转换为每通道 8 位的 RGB 彩色图像,作为神经网络的标准输入。

数据集划分

由于可用于神经网络训练、验证和测试的图像数量有限,我们创建了两个子集用于后续比较,每个子集包含 4588 个样本(参见图 1)。“平衡”:第一个数据集由在“难度”、“投射”和“骨折”参数上保持平衡的 X 光片组成。这是通过 Python 脚本和自定义匹配算法实现的。第一步是排除标记为“诊断不确定”的图像。然后将剩余的 1147 例有可见骨折的困难病例根据“年龄”和“投射”与简单图像进行匹配。随后,将 2294 例骨折病例再次与无可见骨折的图像进行匹配。该数据集共包含 4588 张图像,其中 50% 为骨折,且一半的骨折为困难样本。

“随机”:从整个数据集中随机选取 4588 张图像作为对照组。该“随机”测试集具有与整个 GRAZPEDWRI-DX 数据集相同的属性分布,不包含标记为“诊断不确定”的图像。其属性类似于连续患者系列。

“重叠”:由于各自的采样过程,数据集划分在 1022 张图像上存在重叠,具体为 691 张简单和 331 张困难 X 光片。该子集的性能指标也进行了评估。

“平衡”和“随机”数据集中的患者特征具有可比性(表 2)。性别、侧别和初始检查的分布在测试集之间未显示相关差异。请注意,“随机”子集中困难病例的比例为 6%,而在“平衡”子集中为 25%(50% 的图像包含骨折,n = 1147)。

图 1 数据集流程图 [23],包括子样本、划分和匹配过程,以生成“平衡”、“随机”和“重叠”数据集 查看原图 ↗
表 2 测试集和训练集的患者特征及病例参数 查看原表 ↗

模型训练

集合假设在两个独立任务上进行评估。第一个任务(任务 1)是对 X 光片中是否存在骨折进行二分类,第二个任务是检测骨折并标记骨折区域(目标检测,任务 2)。在二分类任务中,标注有骨折边界框的放射图像被视为骨折阳性,即使在同一检查的其他投射或治疗过程中发现了隐匿性骨折。

所有模型在配备两块 Nvidia RTX 4090 显卡(每块 24 GB 显存)的 Linux 工作站上进行训练。使用 CUDA 12.4 框架。CPU 为 Intel Core i7 13700 K,内存为 64 GB。我们使用 Ubuntu 22.04 LTS 系统上的 Python 3.10。

对两个任务均计算了 10 折交叉验证,旨在高效利用所有可用的图像样本。这意味着所有训练样本也可用于性能指标的计算。神经网络设置的选择见表 3。

表3 YOLOv11和EfficientNet的神经网络配置 查看原表 ↗

任务1:骨折分类

对于二分类骨折分类任务,选择EfficientNet系列模型是基于其在多种医学相关任务中的成功表现[24–26]。为证明实验的稳健性,测试了EfficientNet的所有变体(从B0到B7),消除了图像分辨率方面的任何潜在偏倚。所有EfficientNet模型变体均在其默认图像尺寸上进行训练(B0:224 × 224 px,B1:240 × 240 px,B2:260 × 260 px,B3:300 × 300 px,B4:380 × 380 px,B5:456 × 456 px,B6:528 × 528 px,B7:600 × 600 px)[27]。EfficientNet训练使用FastAI Python打包版v2.7.15 [28]。在EfficientNet训练期间,“aug transforms”函数使用了以下增强参数:aug transforms(mult = 1, do flip = True, flip vert = True, max-rotate = 20, min zoom = 0.8, max zoom = 1.2, max lighting = 0.8, max warp = 0.2, p affine = 0.8, p lighting = 1, size = None, mode = “bilinear”, pad mode = “reflection”, align corners = False, batch = False)。训练时,每个折的样本中有20%被随机分配至验证集。

任务2:骨折定位

对于唯一相关类别“骨折”的骨折定位(目标检测)任务,选择YOLOv11模型是基于其在多篇使用该数据集的已发表论文中的成功表现[8, 11, 12, 29]。由于模型优化并非本文目标,因此使用了YOLOv11文档[30]中的标准设置和超参数(AdamW优化器,lr0 = 0.01,lrf = 0.01,momentum = 0.937,weight decay = 0.0005,warmup epochs = 3.0,warmup momentum=0.8,warmup bias lr = 0.1)以及增强参数(cls = 0.5, dfl = 1.5, pose = 12.0, kobj= 1.0, nbs =64, hsv h = 0.015, hsv s = 0.7, hsv v = 0.4, degrees = 0.0, translate = 0.1, scale = 0.5, shear = 0.0, perspective = 0.0, flipud = 0.0, fliplr = 0.5, bgr = 0.0, mosaic = 1.0, mixup = 0.0, copy paste = 0.0, copy paste mode = flip, auto augment=randaugment, erasing = 0.4, crop fraction = 1.0)。YOLOv11的训练使用ultralytics包8.3.70 [31]完成。批次大小根据显卡显存进行了调整。我们对YOLOv11架构的所有模型变体(YOLOv11n、YOLOv11s、YOLOv11m、YOLOv11l和YOLOv11x)使用预训练权重和640 × 640 px的输入尺寸训练了100个epoch。

AI性能指标

测试分两步进行,首先计算每个测试集的平均精度(AP)、AP50和AP50-95 [31],作为标准性能指标[32]。此外,上述测试集被细分为简单病例和困难病例,并针对这些子集重复上述测试过程。

图像分类和回归性能通过评估真阳性(TP)来衡量:模型预测的标签与 ground truth 正确匹配。

真阴性(TN):模型正确预测不存在某个标签,且该标签确实不存在于 ground truth 中。

假阳性(FP):模型预测了某个标签,但该标签与 ground truth 不匹配(I型错误)。

假阴性(FN):模型未预测某个标签,但该标签存在于 ground truth 中(II型错误)。

精确率(P):TP与TP + FP的比值,表示模型做出的所有阳性预测中正确阳性预测的比例。

召回率(R):TP与TP+FN的比值,衡量模型正确识别真实标注中所有相关实例的能力。

准确率(A):TP+TN在所检查病例总数中所占的比例,提供模型性能的总体衡量指标。

F1分数(F1):精确率与召回率的调和平均数,提供兼顾假阳性和假阴性的平衡衡量指标。

平均精度(AP):精确率-召回率曲线下的面积,概括不同阈值下的精确率-召回率权衡,并提供模型性能的单一衡量指标。

对于使用EfficientNet的二分类任务,采用“精确率”、“召回率”、“F1分数”和“准确率”作为主要性能指标。

对于使用YOLOv11变体的回归和分类任务,采用“精确率”、“召回率”、“F1分数”和“平均精度”(AP50和AP50-95)作为主要性能衡量指标。对于AP50,当预测与真实标注之间的重叠至少为50%时记为TP。对于AP50-95,AP通过将交并比(IoU)阈值从50%到95%以5%为增量变化来计算,以评估模型在不同重叠水平下的性能[33]。

统计分析

统计分析使用SPSS 27版(IBM)进行。我们使用描述性统计和不同AI模型变体间的均值比较。由于数据点数量有限,我们使用非参数符号检验来比较“平衡”与“随机”测试集之间的差异。生成曲线下面积(AUC)图以可视化目标检测指标。p值低于0.05视为具有统计学显著性。

伦理委员会

所有实验均按照赫尔辛基宣言进行。评估在获得格拉茨医科大学伦理委员会(IRB00002556)正面投票后开展,EK编号。由于回顾性研究设计,免除书面知情同意的要求。

结果

任务1:骨折分类

在所有8个EfficientNet变体中,“随机”数据集的骨折分类指标显著更优,加权精确率为0.785 ± 0.036和0.894 ± 0.016,加权召回率为0.780 ± 0.040和0.894 ± 0.016,加权F1分数为0.778 ± 0.042和0.894 ± 0.017(“平衡”与“随机”数据集,符号检验,所有p = 0.008)。对于两个子集,计算了混淆矩阵,如图2所示。

ROC分析一致表明“随机”子集的骨折分类性能更优(符号检验p = 0.008),AUC范围从EfficientNet-B0的0.899(95% CI 0.889至0.909)到EfficientNet-B4的最高AUC 0.940(95% CI 0.931至0.947)。“平衡”子集的AUC值范围从EfficientNet-B0的0.769(95% CI 0.756至0.782)到EfficientNet-B4的最高AUC 0.870(95% CI 0.859至0.880)。相应图表见图3。图表还提示,在图像尺寸、参数数量和梯度数量方面增强的较大模型变体与模型性能之间呈弱相关,与测试集无关。

“重叠”子集表现出相关行为,无相关变异性,但通常ROC AUC值较低(比较图3和图4)。EfficientNet各变体在困难病例中的平均精确率为0.760 ± 0.019(“平衡”子集)和0.779 ± 0.011(“随机”子集,符号检验p = 0.070),召回率为0.631 ± 0.033和0.623 ± 0.031(符号检验p = 0.727)。平均F1分数在“平衡”子集的困难病例中为0.671 ± 0.025,在“随机”子集中为0.668 ± 0.026(符号检验p = 1.000)。图4以图形方式展示了这些发现,表明增加困难训练样本并未在困难病例中带来显著的性能提升。这也表明困难病例更难学习和预测。

图2 EfficientNet预测与骨折存在情况真实标签的混淆矩阵。给出了“平衡”和“随机”子集的矩阵。数值在所有EfficientNet变体(B0至B7)间归一化至0到1之间 查看原图 ↗
图3 两个测试集(“平衡”和“随机”)的EfficientNet指标散点图 查看原图 ↗
图4 “重叠”子集的ROC分析,合并EfficientNet变体B0至B7,“平衡”=虚线图,“随机”=实线图,分别为简单病例(蓝色,n = 247)、困难病例(红色,n = 280)和无骨折样本(n = 495)。各数据集间AUC值相当,“平衡”子集在训练和验证期间包含更多困难样本,但未显示出相关优势 查看原图 ↗

任务2:骨折定位

使用YOLOv11人工智能模型架构进行骨折定位,在“平衡”子集中表现出显著较低的性能指标。精确率从YOLOv11m的0.829 ± 0.032到YOLOv11l的0.860 ± 0.036。召回率在YOLOv11x中最低,为0.714 ± 0.040,在YOLOv11s中最高,为0.743 ± 0.028。AP50在YOLOv11x中最低,为0.806 ± 0.025,在YOLOv11s中最高,为0.822 ± 0.014。在“随机”子集中,精确率从YOLOv11m的0.893 ± 0.023到YOLOv11s的0.910 ± 0.022,召回率从YOLOv11n的0.819 ± 0.024到YOLOv11s的0.832 ± 0.017,AP50从YOLOv11n的0.894 ± 0.008到YOLOv11s的0.903 ± 0.015。跨五个模型变体比较各子集的符号检验显示,精确率、召回率和AP50差异均具有统计学显著性(各p = 0.025)。YOLOv11模型在PR AUC分析方面的性能见图5和图6。

“重叠”子集被分为简单和困难病例。与骨折分类(任务1)不同,模型训练对YOLOv11性能指标产生了实质性影响。整体骨折定位性能在“平衡”子集中受到显著损害,不仅困难病例如此,简单病例亦然。PR AUC值从“平衡”子集困难病例的0.732到“随机”子集简单病例的0.911。“随机”子集中困难病例的PR AUC指标显著更高(符号检验,p = 0.025)。图6以图形方式展示了这些发现。

图5 YOLOv11模型“n”、“s”、“m”、“l”和“x”的精确率-召回率曲线,比较“平衡”(红色)和“随机”(蓝色)数据集 查看原图 ↗
图6:YOLOv11模型“n”、“s”、“m”、“l”和“x”在“重叠”集上的精确率-召回率曲线,比较“平衡”(虚线)与“随机”(实线)训练数据。困难病例(红色)的结果在“平衡”与“随机”训练集之间相当。“平衡”子集中简单病例的性能较“随机”子集有所下降。这可以用“平衡”子集中简单样本数量较少来解释。 查看原图 ↗

讨论

本研究报道了人工智能辅助儿童和青少年腕部骨折自动检测中测试集变异的性能特征。从公开数据集中分离出两个测试集,并通过当前用于分类和目标检测的卷积神经网络变体相互比较。一个测试集具有平衡的患者和病理特征,考虑了骨折病例的难度,而另一个测试集为随机采样。人工智能预测性能在挑战性病例中大幅下降。

本工作的新颖性在于系统性地并排比较平衡测试集(骨折存在、难度、投照)和随机测试集以确定人工智能性能值。与Raissudin等[15]不同,使用了大小相等的测试集,各4588张图像,且重点并非主要在于困难病例方面。此外,使用了公开可用的儿童创伤X线数据集,这提高了我们结果的可重复性和透明度。在常规临床实践中,放射科医生在骨折检测中会遇到各种程度的挑战,人工智能也应掌握每一种挑战。本工作强调了关于人工智能算法在挑战性病例中性能的持续问题。关于自动腕部骨折检测的相关出版物表明,该技术对患者和专业人员大有裨益。人工智能算法用于腕部骨折检测的性能通常报告于从现有数据集中分离出的随机采样病例[12]。其他研究在连续患者系列上测量性能,但转诊至X线检查的标准仍不明确[14]。应当注意,大多数患者就诊代表的是具有明显病理或明确阴性发现的清晰情况,可能正向偏倚性能数据。实际上只有少数病例具有挑战性。就所用数据集而言,困难病例仅占所有病例的6%。这意味着性能数据通常使用相对简单的样本确定和报告,优秀的指标无法在挑战性病例上复现。针对基于人工智能的自动骨折检测挑战的研究肯定不足,此前只有少数手稿详细阐述了该主题本身或更广泛的学科领域[15, 34]。

总体而言,“平衡”和“随机”这两个子集在骨折检测(任务1和任务2)率方面表现出相似的行为,而AI模型在“平衡”变体中的表现始终较差。然而,在考虑“重叠”子集(n = 1.022张图像)中的简单和困难病例时,情况并非如此。虽然使用EfficientNet进行的骨折分类在“平衡”和“随机”子集之间给出了几乎相同的结果,但使用YOLOv11的骨折定位性能在“平衡”变体中明显受损。因此,除“n”版本外,YOLOv11变体在“平衡”子集中的简单和困难图像上表现显著较差。这意味着YOLOv11可能比EfficientNet需要更多的训练样本。一般来说,“随机”子集中采样了更多的骨折病例(68% vs. 50%骨折,比较表2)。无论如何,实验结果表明,具有挑战性的病例确实对图像识别算法来说更难评估,而且差异主要不是由于训练偏差造成的。人类通过基于特征的识别来识别物体,这受图像特定因素的影响[35]。

因此,物体检测器和人类在简单病例中表现更好,因为用于将裁剪区域中的物体与目标进行比较的判别特征更大[35]。因此,我们的结果与目前关于AI骨折预测性能的现有文献一致。

从目前的视角来看,尚无法预见一个独立、可靠且不可腐蚀的实体来维护一个具有代表性的测试数据集,以用于AI骨折检测算法的测量和可比性。科学界和专业学会应致力于提供此类参考测试集,作为各种放射学问题的基准。我们需要像汽车行业那样的“AI碰撞测试”,由无关的第三方独立客观地评估并提供性能数据。只要没有这样的测试集,科学研究的结果就必须以一定程度的怀疑态度来看待,即使这些研究实际上是经过properly规划和执行的。

我们研究的一个局限性是它是在一个特定的数据集上进行的,仅包含儿科患者和腕部周围的X线片。其他身体区域、年龄组或来自不同机构的数据可能导致不同的结果。另一个局限性是只有一名审查者通过主观分级骨折的可见性将图像分为简单和困难组,因为目前没有客观的分级标准。即使与CT或MRI等金标准相比,也可能无法完全弥补这一缺陷。此外,需要考虑的是,只有骨折实例在难度方面被评级。在现实场景中,也存在研究常被假阳性解读的情况,尤其是在儿童中由于骨骺未闭合。这些病例也值得被归类为困难。一个完美的测试集还需要基于广泛的多用户阅读来考虑所有病例的难度。最后,我们的研究也不是为了检查AI算法的泛化性。

由于尚无用于(儿科)骨折检测人工智能应用的标准化且经验证的测试数据集,性能通常采用连续患者序列进行评估。我们的实验表明,与尽可能平衡的测试集相比,这种做法会导致指标显著更好。在具有挑战性的病例中——即计算机辅助的获益本应最为显著的情形——人工智能骨折检测的性能大幅下降,其原因并非训练偏倚,而是难度水平增加。这也提出了一个问题:哪些机构或实体有可能构建并维护参考测试数据集,以评估人工智能性能、识别问题并获得官方认证。

引用

  1. Till T, Scherkl M, Stranger N, et al. Impact of test set composition on AI performance in pediatric wrist fracture detection in X-rays. Eur Radiol. 2025. PMID: 40379941. doi:10.1007/s00330-025-11669-z
  2. 全文:PMC12559094(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12559094/

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。