文献速递儿科影像骨肌DR

人工智能骨折检测工具在成骨不全儿童中的外部验证:一项多阅片者研究

External validation of an artificial intelligence tool for fracture detection in children with osteogenesis imperfecta: a multireader study.
PubMed 文献 · Eur Radiol · 2025-07-07

本研究在单中心48例成骨不全儿童中评估商用AI工具检测骨折的表现,7名放射科医生分两轮阅片(先无AI、后有AI辅助)。AI单独每检查准确率74.8%,低于放射科医生平均83.4%;但放射科医生使用AI辅助后每检查准确率提升至90.7%,主要因减少了假阳性。

要点

  • AI单独每检查准确率74.8%低于放射科医生平均83.4%,但AI辅助使放射科医生每检查准确率提升至90.7%。
  • AI假阴性更多(漏诊80处骨折 vs 放射科医生41处),但AI辅助减少了放射科医生的假阳性。
  • 放射科医生在图像层面更倾向改变原判以与AI一致(74.6%),其中82.8%导致正确结果。

核心结论

  • 尽管AI单独表现低于放射科医生,AI辅助仍能改善放射科医生在罕见病儿科人群中的骨折检测。
  • 放射科医生使用AI通常通过减少假阳性获得更准确的诊断结果。

研究设计与样本

  • 回顾性多阅片者研究,纳入单中心成骨不全门诊48例患者的336幅附肢和骨盆X线图像,参考标准为两名儿科放射科顾问共识标注的206处骨折。
  • 7名放射科医生(5名顾问、2名培训医生)来自英国5家机构,分两轮阅片:第一轮无AI辅助,间隔8周洗脱期后第二轮有AI辅助(Milvue Suite, SmartUrgences® v1.26)。

关键影像表现/征象

  • AI输出包含骨折高概率区域的边界框,但不能描述骨折为急性或愈合。
  • AI对股骨大转子骨骺处产生假阳性检测,而所有放射科医生均未检测到骨折。

诊断标准与关键数值

  • AI单独每检查准确率74.8% [95% CI: 65.4%, 82.7%],放射科医生单独平均每检查准确率83.4% [95% CI: 75.2%, 89.8%]。
  • 放射科医生使用AI辅助后每检查平均准确率90.7% [95% CI: 83.5%, 95.4%],较单独阅片提高7.3%。
  • 每图像准确率从84.6% [95% CI: 80.3%, 88.2%] 升至91.6% [95% CI: 88.2%, 94.3%],提高7.0%;每骨折准确率从76.3% [95% CI: 72.0%, 80.3%] 升至80.0% [95% CI: 75.9%, 83.7%],提高3.7%。
  • 每骨折层面,放射科医生联合AI后特异度提高10.0%、PPV提高7.2%,敏感度降低2.8%、NPV降低0.4%。

临床应用与阅片要点

  • 放射科医生在图像层面改变原判以与AI一致的比率为74.6%,其中82.8%导致正确结果,64.0%为从假阳性变为真阴性。
  • 阅片者间一致性在AI辅助后显著提高:每检查0.52升至0.74,每图像0.57升至0.78,每骨折0.53升至0.66。
  • 86例多数放射科医生与AI不一致的实例中,76/86(88%)放射科医生正确而AI错误,其中AI错误68%为漏诊/假阴性。

局限性

  • 原文未报告局限性。
全文中译17 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 Jul 7;36(1):515–25. doi: 10.1007/s00330-025-11790-z

引言

成骨不全症(OI)是一种以骨骼脆性增加和骨折风险增高为特征的遗传性疾病[1, 2]。该病约影响万分之一的人群[3],许多患者因反复损伤而长期面临残疾和疼痛。该病有数种不同亚型,骨折易感性各异,但最常见类型(I型和IV型)通常通过幼儿期多次骨折并结合基因检测予以识别。由于反复骨折、愈合和再骨折后骨骼可表现异常,医护人员容易漏诊新发骨折,尤其是对这种罕见病经验不足者。

人工智能(AI)正越来越多地用于辅助临床医生在常规放射影像上诊断骨折[4–9]。荟萃分析报道,AI辅助骨折检测可提高医护人员的诊断性能[6–9],但针对儿童和罕见病人群进行评估的研究仍明显缺乏[10, 11]。鉴于商业骨折检测AI工具现正被整合到全球不同机构的临床实践中,此类算法在儿童和罕见病骨折检测中未知的性能对于更好地理解和防范AI工具实施过程中患者歧视和偏倚的来源至关重要。

因此,本研究的目的是评估一种市售AI骨折检测工具能否改善放射科医生对患有罕见病——成骨不全症(OI)——儿童骨骼骨折的检测。该工具并未在骨脆性疾病人群中进行过专门训练;然而,我们的意图是测量其在未经适配情况下的潜在性能或实施风险。

方法

伦理批准

伦理批准由国家卫生服务体系(NHS)健康研究管理局(HRA)提供(IRAS ID:274278,REC参考号22/PR/0334)。我们的方法遵循最新的CLAIM[12]指南。

影像病例选择

对大奥蒙德街儿童医院在13个月研究期间(2021年4月1日至2022年4月30日)所有连续的附肢骨和骨盆X线片进行了回顾性审查,对象为年龄<18岁且经基因确诊为成骨不全症(OI)的儿童。

X线片从本地PACS系统中提取并匿名化,上传至网络安全的多阅片者影像查看平台(Collective Minds Radiology®)。更多细节见电子补充材料。

数据收集与标注

金标准由两名儿科放射科顾问医师(各自拥有>10年儿科放射学经验)的共识意见确定,并参考临床指征及既往检查(如有)。如存在骨折,则在X线片上用边界框突出显示异常区域,并标注为急性或愈合中(即愈合中定义为存在骨痂或骨膜反应,同时可见残留骨折线)。如已无可见骨折线,则视为骨骼已“重塑”,不标注为骨折。

多阅片者试验设计

七名对儿科放射学有特别兴趣的放射科医师(5名顾问医师(每人具有>5年儿科放射学经验),2名受训医师(每人具有6个月儿科放射学经验))从英国5家不同机构招募。这些医师均未报告过我们多病例数据集中的任何成骨不全(OI)病例,且除告知研究设计外,我们未向放射科医师提供任何临床信息或既往图像以供比较。本研究中的放射学检查最初以DICOM文件形式从医院PACS系统提取。包含任何患者可识别信息(如姓名、住院号、年龄、性别、体重、地址等)的DICOM标签均被移除,仅保留与图像及采集模式相关的技术信息(如分辨率、像素大小),以便进行人工智能(AI)分析。

该多阅片者研究分两轮独立进行,各放射科医师在跨轮次图像判读中作为自身对照。研究前已讨论急性骨折与愈合期骨折的定义,并向所有放射科医师提供关于如何使用影像平台的在线教程。第一轮判读(2022年11月30日至2023年1月30日)由放射科医师独立审阅相关X线片,并在怀疑骨折处用边界框标注,包括将骨折标记为急性或愈合期。

随后确保8周的间隔洗脱期,以避免任何回忆偏倚。在第二轮(2023年4月16日至2023年6月16日)中,放射科医师在AI辅助下进行判读。同一组随机重新排序的图像由放射科医师重新标注,并可参考AI工具(Milvue Suite,SmartUrgences®)的输出作为指导。AI生成的输出包括骨折高概率区域周围的边界框。然而,AI不具备将骨折描述为急性或愈合期的能力。要求放射科医师在再次重新标注同一图像之前查看AI输出。

干预措施

Milvue Suite-SmartUrgences®(v1.26)是由Milvue开发和商业化的CE标记MDR 2a类医疗器械。该AI工具的训练和开发已在别处详细发表[13–15];但简而言之,其基于一个多中心数据集进行训练,该数据集包含超过600,000张胸部和肌肉骨骼X线片,涵盖七种关键病变(骨折、胸腔积液、肺实变、关节积液、肺结节、气胸和关节脱位)。虽然用于训练该模型的确切人群未公开,但与供应商的个人通信告知我们,训练数据集中专门用于儿童的比例包括8.2%的0–12岁儿童和13%的13–25岁人群。供应商确认该产品预期用于成人和儿科,未定义最低年龄限制。

对于每一项阳性发现,AI提供二分类确定性评分(即确定/阳性或不确定/可疑)。为本研究目的,所有阳性发现,无论所赋确定性如何,均被视为阳性。仅考虑针对骨折存在所生成的边界框。

数据分析——诊断准确性

本研究收集了四组用于骨折识别的结果:(1)由两名顾问儿科放射科医师一致意见定义的“金标准”,用作评估其他结果正确性的参考;(2)仅人工智能(AI)诊断;(3)第一轮无AI辅助的放射科医师诊断;(4)第二轮有AI辅助的放射科医师诊断。两轮完成后,将无AI辅助的放射科医师、有AI辅助的放射科医师以及仅AI的结果与金标准进行比较,通过计算边界框之间的交集来评估。放射科医师或AI与金标准边界框重叠至少40%被视为真阳性;低于40%被视为假阳性。在存在骨折的图像上未能放置边界框被视为假阴性。关于交集40%阈值如何确定的详细信息见电子补充材料,包括重叠含义的说明。

结果按每处骨折、每张图像和每次检查三个层面分别计算每位放射科医师的表现。在每处骨折层面,骨折的正确识别简化为放射科医师绘制的任何边界框与金标准边界框重叠超过40%(最严格的骨折检测定义)。

在每张图像层面,放射科医师绘制了边界框的任何图像均计为阳性,正确性通过评估该图像是否包含至少一个来自金标准的骨折边界框来确定,不考虑位置是否准确或骨折数量。

在每次检查层面,当一次检查中至少有一张图像被该放射科医师分类为阳性时,该检查被该放射科医师判定为阳性,不考虑投照位置或图像是否正确(最宽松、最宽泛的骨折检测定义)。

诊断准确率、灵敏度和特异度的置信区间采用“精确”Clopper-Pearson置信区间[16],而阳性预测值(PPV)和阴性预测值(NPV)采用Wilson置信区间的变体[17],使用Robert Newcombe开发的高效评分法[18]计算,在三个结果层面分别进行。

阅片者间和阅片者自身变异性

阅片者自身一致性通过放射科医师在第1轮和第2轮之间所做诊断的变化进行评估。

在每次检查和每张图像层面,每位放射科医师在两轮之间的检查数和图像数一致,可直接比较。我们进一步通过评估变化是从阳性诊断变为阴性诊断还是反之,以及该变化是否与AI结果一致(即放射科医师第2轮的分类与AI相同)来分析变化。

每处骨折层面每位放射科医师在两轮之间的结果数量不一致,阻碍了以相同方式进行分析。因此,仅在图像内假阳性骨折识别数量在两轮之间发生变化时才考虑其变化,每增加或移除一个假阳性分别视为向真阴性或从真阴性的一次变化。

放射科医师结果之间的相关性在每次检查和每张图像水平上计算,使用Python SciPy Metrics库[19]中Cohen's Kappa的实现,按照Hallgren[20]建议的方法,即对每个读者对计算Cohen's Kappa并取算术平均值,以得到用于衡量读者间一致性的单一值。在每处骨折水平上使用了相同的函数,但作了调整,即由于计算每处骨折读者内一致性时的相同限制,仅考虑图像内第一个假阳性骨折实例。

放射科医师与人工智能之间的一致性采用类似方法确定,即取每位放射科医师与人工智能之间Cohen's Kappa的平均值。

失败分析

多数(定义为五名或以上放射科医师)初步检测骨折存在与否与人工智能不同的病例特别值得关注,并被单独列出,以更清晰地了解相对灵敏度。

这些病例通过比较第一轮放射科医师的预测与人工智能独立运行的结果,在每处骨折水平上进行识别。

统计了人工智能正确而五名或以上放射科医师错误以及反之的实例,限制条件是假阳性不要求位于同一位置。还进一步分析了放射科医师在两轮之间对图像诊断的更改,以识别人工智能对放射科医师决策过程影响的任何趋势。

结果

数据集

在13个月回顾性研究审查期内,共确定48名患者纳入研究(39/48,81.2%为男性,平均年龄:12岁(范围:6–17岁,标准差:3.5岁))。这些患者在研究期间就诊时的所有可用检查被汇总,形成包含336个独特图像投影的数据集,分为107次附肢骨骼和骨盆放射学检查(6/107,5.6%为上肢X线摄影;93/107,86.9%为下肢X线摄影;8/107,7.5%为骨盆X线摄影)。

整个数据集中共识别出206处骨折作为 ground truth。在所有图像中,148/336(44%)被标注了至少一个急性或愈合中骨折的边界框。在107次检查中,65次(61%)包含至少一张标注有骨折的图像。 ground truth 将40/206(19.4%)处骨折确定为急性,其余166/206(80.6%)处骨折标注为愈合中。

数据集分布信息汇总于表1。放射科医师与人工智能之间骨折识别差异的示例图像见图1–4。

图1 一名1岁女性患者右侧股骨的正位X线投影,显示股骨颈处一处急性骨折。在此病例中,人工智能正确识别了一处骨折,而该骨折被5名或以上放射科医师漏诊。左:未标记X线片。中:X线片,人工智能检测以红框标示, ground truth 以白框标示。右:X线片,放射科医师检测以蓝框标示, ground truth 以白框标示。两名放射科医师正确识别了该骨折 查看原图 ↗
图2 a 一名11岁男性患者右股骨正位X线摄影,髓内钉在位,显示两处愈合中的骨折,一处位于股骨近端骨干,另一处位于中段骨干区域。在该病例中,几乎所有放射科医生均正确识别了两处骨折;然而,人工智能(AI)仅检测到一处骨折。值得注意的是,在该病例中,放射科医生从第一轮到第二轮的发现答案未发生变化。左:未标注的X线片。中:X线片,AI检测结果以红框标示,真实标签以白框标示。右:X线片,不同放射科医生的骨折标注以蓝框标示,真实标签以白框标示。b 同一患者右股骨侧位投影。左:未标注的X线片。中:X线片,真实标签以白框标示。右:X线片,放射科医生的检测结果以蓝框标示,真实标签以白框标示 查看原图 ↗
图3 一名15岁男性患者左股骨侧位投影,伴三处骨折——愈合中的股骨近端骨干骨折、急性股骨远端干骺端骨折及急性胫骨近端骨折。在该示例中,大多数放射科医生正确识别了股骨近端骨干骨折,少数放射科医生正确识别了另外两处骨折。AI未识别出任何骨折。在该特定病例中,部分放射科医生确实将其对股骨远端和胫骨近端骨折的(阳性)答案修改为无骨折。左:未标注的X线片。中:X线片,真实标签以白框标示(无AI检测)。右:X线片,放射科医生的检测结果以蓝框标示,真实标签以白框标示 查看原图 ↗
图4 一名12岁男性患者右股骨正位投影,髓内钉在位,无任何急性或愈合中的骨折。在该示例中,所有放射科医生均未在X线片上检测到骨折;然而,AI在大转子的骺板处产生了一处骨折假阳性检测(红框)。放射科医生对其判断有信心,从第一轮到第二轮答案未发生变化。左:未标注的X线片。右:X线片,AI检测结果以红框标示 查看原图 ↗
表1 显示数据集中患者、检查、图像和骨折分布情况的表格 查看原表 ↗

总体结果

总体而言,在该人群中,放射科医生在骨折检测方面的表现优于单独使用AI,每次检查准确率分别为83.4%[95% CI:75.2%,89.8%]与74.8%[95% CI:65.4%,82.7%]。然而,放射科医生使用AI辅助较放射科医生单独工作有显著改善,每次检查平均准确率提高7.3%至90.7%[95% CI:83.5%,95.4%]。该提高也体现在每张图像基础上,准确率提高7.0%(84.6%[95% CI:80.3%,88.2%]与91.6%[95% CI:88.2%,94.3%]),以及每处骨折基础上,准确率提高3.7%(76.3%[95% CI:72.0%,80.3%]与80.0%[95% CI:75.9%,83.7%])(表2)。每次检查的结果进一步在图5中可视化。

在骨折层面,真阳性(TP)和假阳性(FP)的数量均减少,而真阴性(TN)和假阴性(FN)的数量从第1轮到第2轮均增加。这导致放射科医师结合人工智能后的总体准确率、特异度和阳性预测值(PPV)分别提高3.7%、10.0%和7.2%,敏感度降低2.8%,阴性预测值(NPV)降低0.4%。

图5 柱状图可视化每次检查的阳性预测值(PPV)、阴性预测值(NPV)、敏感度、特异度和准确率结果。每个指标的置信区间由误差线表示 查看原图 ↗
表2 放射科医师无人工智能、有人工智能及仅人工智能时按检查/图像/骨折的性能细分 查看原表 ↗

急性骨折与愈合期骨折类型

尽管人工智能未提供与骨折愈合相关的信息,但总体而言,放射科医师在人工智能辅助下对骨折类型分类的准确率(73.3% [95% CI:68.9%,77.4%])高于单独分类(68.2% [95% CI:63.6%,72.5%])(补充材料表S1)。

决策制定的变化

两轮之间在骨折层面、图像层面和检查层面的骨折检测变化见表3。按算术平均值计算,放射科医师在骨折层面共改变了72次原始决策,其中69%(49/72)与人工智能输出一致。这些改变主要是正确的,约64%导致了更准确的结果(例如,TN或TP)。放射科医师的大多数改变是从阳性骨折发现转为阴性,占骨折层面改变的71%。

表3 放射科医师从第1轮到第2轮所做骨折分类改变的平均数量,以及这些改变是否导致正确或错误决策,并按第2轮中是否与人工智能辅助一致进行亚组分组 查看原表 ↗

阅片者间一致性

在人工智能辅助下,阅片者间一致性在检查层面(0.52至0.74)、图像层面(0.57至0.78)和骨折层面(0.53至0.66)均显著提高(补充材料表S2)。第2轮使用人工智能的放射科医师之间的一致性水平高于第1轮无人工智能辅助的放射科医师之间的一致性水平。

失败分析

表4展示了5名或以上放射科医师不同意人工智能的总发生次数,以及他们在哪些情况下正确或错误(根据金标准)。总体而言,放射科医师与人工智能之间多数不一致的情况有86例,其中76/86(88%)放射科医师正确而人工智能错误。

在人工智能错误的大多数病例中,68%是由于漏诊/低估(即假阴性发现)。相反,当人工智能产生正确诊断而5名或以上放射科医师错误时(n = 10),放射科医师在大多数情况下(7/10,70%)为过度诊断(即假阳性)。

表4 大多数放射科医师与人工智能意见相反、且他们相对于人工智能正确(与我们的金标准比较)的个别情况总结 查看原表 ↗

讨论

在本研究中,我们发现放射科医师在检测成骨不全(OI)患儿骨折方面表现优于人工智能(AI),但借助AI辅助的放射科医师表现优于单独阅片者。当放射科医师修改其原始决策以与AI的决策一致时,在大多数情况下该决策是正确的。AI辅助后阅片者间一致性更高,证实AI可作为所有放射科医师的共同参考标准,从而使整体诊断更加一致。

在这个成骨不全患儿队列中,AI工具的诊断准确性评分远低于预期,即使按检查水平计算也是如此(准确率75%,灵敏度86%,特异度57%)。同一市售AI产品在成人骨折检测方面已发表并报道的独立诊断准确率为90.1%(灵敏度90.2%,特异度92.5%)[13],在另一项研究中受试者工作特征曲线下面积为95.8%(灵敏度91.9%,特异度87.8%)[14]。在一个478名儿童(年龄6–13岁,平均年龄10岁)的队列中,该AI工具达到了与成人相当的独立受试者工作特征曲线下面积95.4%(灵敏度93.6%,特异度84.6%)[14]。然而,我们尚未发现任何研究评估过任何AI工具在成骨不全患者群体(无论年龄)中用于骨折检测的情况,尽管该群体骨脆性增加、延迟诊断的可能性更大[21],且多次损伤后生活质量降低[22, 23]。我们得出结论,骨折检测率和准确性的降低很可能归因于这一人群,这凸显了在罕见但病理风险高的患者中开展研究的必要性,并强调了在一个群体中训练的算法不加区分地部署时,应用于另一个不同群体可能出现的差异。鉴于可供分析和审查的病例数量有限,我们无法得出任何有意义的亚组分析来了解AI性能的下降是否在某些成骨不全亚型或年龄组中尤为严重;然而,在更大的队列中评估这一点将会很有意义。

有趣的是,尽管与放射科医生相比,人工智能的独立性能较差,但我们发现当提供人工智能辅助时,总体上具有有益效果。在我们的研究中,放射科医生通常会对X线片上的发现过度判定(假阳性),这可能与在该患者群体中漏诊骨折被认为后果更严重有关。相反,人工智能工具更倾向于判定不足(即漏诊)异常,这可能反映了其对人群的中立性以及对某些异常表现的不熟悉,从而导致其独立性能较差。总体而言,这种判定不足通过降低放射科医生的假阳性率产生了令人惊讶的调节效应。尽管存在这种调节效应,放射科医生在大多数假阴性病例中仍经常推翻人工智能的判断。这反映在观察到的灵敏度(NPV)下降,同时特异度和阳性预测值(PPV)升高。这一发现与其他人工智能辅助放射科医生的研究形成对比,在那些研究中性能有所提高,但人工智能系统始终至少与人类放射科医生相当或更优[9]。然而,我们应该注意到,本研究中所有放射科医生要么是经验丰富的儿科放射科医生,要么是至少具有6个月儿科放射学经验的高年资培训人员,因此与非专科报告者或非放射科医生相比,他们可能更有信心在假阴性病例中推翻人工智能的判断。

关于去技能化和自动化偏倚的担忧在人工智能界已变得突出,主要围绕人类警觉性可能下降以及推翻人工智能系统的信心可能降低[24]。虽然这些担忧是合理的,但我们的研究(承认这是在受控环境中进行的,放射科医生知道被观察)表明,人在回路中可以有效地与人工智能工具协作(理解人工智能何时表现不佳),并带来整体准确性的提高。因此,我们的结果强调了在整合新的人工智能工具时人类监督的迫切必要性,并且不应忽视适当的放射影像培训,尤其是在人工智能实施初期,某些罕见疾病的诊断局限性可能尚未被充分理解时。

本研究存在若干局限性。鉴于所研究疾病的罕见性以及最大化可用影像以供审阅的愿望,我们纳入了部分患者在研究期间重复进行的检查,并为分析简便将其视为独立对象。放射科医生未被告知重复检查的情况,但影像表现的内在相似性可能影响了他们对X线片的评估,并导致可供审阅的骨折类型和解剖区域分布不平衡。出于这一原因,我们也没有与放射科医生共享既往影像以供比较,尽管这符合正常临床实践。我们仅使用了一种市售人工智能模型,尽管该工具目前在骨折检测方面优于市场上其他商业产品[13]。进一步的工作——在来自多个国际中心的更大数据集中评估独特检查,并跨不同可用人工智能模型进行评估——将有助于提高我们结果的普适性。

为了客观评估人工智能工具在成骨不全症(OI)儿童中的准确性是否较低,一个无骨脆性疾病的患者对照组将是理想的比较对象。然而,匹配骨折部位、身体部位、年龄和性别对这样的研究构成了相当大的挑战,因为成骨不全症患者的骨折部位不寻常,在“健康”队列中不易匹配,例如,股骨中段骨折在健康儿童中通常仅见于重大创伤[25]。

最后,我们试图通过使用洗脱期并在第二轮随机化图像顺序来最小化放射科医生的回忆偏倚;然而,这并不一定能消除放射科医生诊断性能随时间提高的可能性。未来的研究如果纳入一名或多名在两轮中均不使用人工智能辅助的对照放射科医生,或在第一轮而非第二轮使用人工智能辅助,可能提供有用的比较对象。

总之,本研究结果表明,人工智能辅助可提高放射科医生诊断成骨不全症儿童骨折的性能,即使该工具并未针对这一人群进行专门训练。在我们的研究中,人工智能工具减少了放射科医生的过度诊断数量,并使诊断结果更加一致(通过更高的阅片者间一致性),同时并不一定妨碍放射科医生在人工智能遗漏明显骨折时推翻其判断的能力。然而,与放射科医生相比,独立人工智能的性能较差,从而凸显了以自主方式实施人工智能工具的潜在危险。未来针对儿童和罕见病患者专门微调和评估骨折检测工具的研究至关重要,以确保数字创新带来最大社会效益和健康公平。

补充信息

电子补充材料

引用

  1. Pauling C, Laidlow-Singh H, Evans E, et al. External validation of an artificial intelligence tool for fracture detection in children with osteogenesis imperfecta: a multireader study. Eur Radiol. 2025. PMID: 40624375. doi:10.1007/s00330-025-11790-z
  2. 全文:PMC12712034(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12712034/

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。