基于临床常规放射学申请单的GPT-4自动确定MRI序列级检查方案
本回顾性研究纳入4个亚专科共100份MRI申请单,比较GPT-4与两名放射科住院医师在序列级方案选择上的表现,由5名专科放射科医师依据学会指南共识评分。GPT-4在完整性、质量、效用上与2年经验住院医师相当,但低于5年经验者;心脏和神经影像表现较好,骨肌影像中等;临床适用性为95%。
要点
- GPT-4生成的MRI方案在完整性、质量、效用上与2年经验住院医师无显著差异,但低于5年经验住院医师。
- GPT-4在心脏和神经影像亚专科表现与高年资住院医师相当,骨肌影像评分较低。
- GPT-4方案临床适用性为95%,与两名住院医师(95%、96%)相当。
核心结论
- GPT-4生成的MRI方案具有显著的完整性、质量、效用和临床适用性,在心脏和神经影像等标准化亚专科表现优异,但在骨肌检查中准确性较低。
研究设计与样本
- 回顾性研究,纳入100份来自心脏、神经(头颈)、骨肌和肿瘤(腹部)四个亚专科的MRI申请单,患者年龄≥18岁,申请单包含详细病史和具体临床问题。
- MRI检查使用Philips Achieva、Ingenia、Ingenia Elition X、Intera系统,场强1.5 T和3.0 T。
- 参考标准为5名board-certified专科放射科医师依据国际放射学会指南(SCMR、ACR-ASNR-SPR、ESSR、NCCN)共识评估,采用5分Likert量表评估完整性、质量和效用,并由首席MRI放射技师以二分法评估临床适用性。
诊断标准与关键数值
- GPT-4完整性中位评分3(1-5),与R1的3(1-5)无显著差异(p>0.05),低于R2的4(1-5)(p<0.01)。
- GPT-4质量中位评分4(1-5),与R1的4(1-5)无显著差异(p>0.05),低于R2的5(1-5)(p<0.01)。
- GPT-4效用中位评分4(1-5),与R1的4(1-5)无显著差异(p>0.05),低于R2的5(1-5)(p<0.001)。
- GPT-4缺失必要序列中位数1(0-5),R1为1(0-6),R2为0(0-4);GPT-4与R1分别与R2比较p=0.04和p=0.03。
- GPT-4方案在80%的病例中逻辑和语义正确;临床适用性GPT-4为95%,R1为95%,R2为96%。
临床应用与阅片要点
- GPT-4可作为半自动工具为经验较少的放射科医师生成MRI方案供其确认,以应对增加的工作量,但放射科医师仍需最终确认。
- 心脏影像中GPT-4最常见问题是遗漏序列所需视图(24%,6/25),涉及LGE、T1和T2 mapping及灌注序列。
- 骨肌影像中GPT-4在PD-SPAIR序列应用上存在困难(20%,5/25),如未指定脂肪饱和T2WI或PD-SPAIR优先、仅建议冠状面PD-SPAIR而未覆盖三个平面。
- 神经影像中GPT-4因纳入非明确必要序列导致效用评分略低(28%,7/25),如卒中方案中已推荐3D FLAIR仍额外建议T2WI。
- 肿瘤影像中GPT-4最常见问题是遗漏指南指示的减影图像(32%,8/25),肝脏动态增强成像在8%(2/25)病例中缺失,但在需要该序列的16/25例中正确实施率为87.5%(14/16)。
局限性
- 原文提及GPT-4可能偶尔误读申请单并生成不适当方案,放射科医师仍需最终确认。
- 原文提及与放射技师的密切沟通对于根据扫描中的事件或偶然发现调整方案至关重要。
全文中译17 节 · 点击展开
引言
磁共振成像(MRI)已成为不同亚专科多种疾病的非侵入性参考标准,例如心肌炎 [1] 或脑转移瘤 [2]。因此,过去几十年来对MRI的需求稳步增长,2020年德国每1000名居民达到150次MRI检查 [3]。尽管近期在扫描仪硬件和序列开发方面取得了进展 [4],但MRI的采集时间较长,在心脏或腹部成像中可从几分钟到超过一小时不等 [5],限制了患者的可及性。因此,为MRI检查准确选择检查方案(方案制定),包括基于放射学申请单(RRF)选择合适的序列,是提高患者流通效率的关键 [6]。然而,方案制定是一项耗时的任务,尤其对于经验不足的住院医师而言,且容易出错,导致效率低下,并可能对患者治疗产生负面影响 [7]。
正在进行的研究已阐明在医学决策中应用人工智能(AI)的益处,尤其是在放射学领域,主要集中于成像数据的处理 [8–13]。此外,已有多种方法用于MRI检查的自动化方案确定,特别是利用机器学习和AI [14]。在此背景下,尤其是梯度提升机模型已取得令人鼓舞的结果,在神经放射学方案选择中准确率高达95% [15]。然而,这些模型受限于其对既往MRI方案大型数据集的依赖,这些数据通常来自单一中心 [14]。由于MRI方案经常被调整以防止方案蔓延 [16]、与更新指南保持一致或适应扫描仪软件更新,一个稳健的自动化方案制定系统必须能够适应这些变化。
虽然放射学和医学报告传统上以自然语言和文本格式记录所有必要信息,但大语言模型(LLM)的最新进展为其内部知识库中处理医学信息开辟了新可能性 [17, 18]。其中一种自回归语言模型是市售的生成式预训练变换器第四代模型(GPT-4,OpenAI)。GPT-4以其处理文本数据的能力而著称,代表了自然语言处理领域的里程碑,该领域利用机器学习来揭示文本的结构和含义 [19]。该模型已在来源于互联网的大量文本数据上进行了训练,并针对各种语言任务进行了优化,包括文本补全、翻译和基于知识的问答 [20, 21]。在实验环境中,GPT-3和-4模型在执行通常分配给医疗专业人员的任务方面表现出令人印象深刻的结果,展示了其提供逻辑和信息性上下文处理的能力 [22, 23],以及总结患者复杂疾病病程的能力,例如利用胶质母细胞瘤患者MRI报告中的信息 [13]。鉴于其已知的分析和整合文本信息的能力,此类模型可有助于MRI检查的方案制定。
因此,本研究的目的是使用临床常规中的RRF,评估GPT-4在不同亚专科中于序列层面准确选择检查方案的表现,并与放射科住院医师进行比较。
材料与方法
伦理
本研究获得伦理批准(文件编号 24-1001-retro),因回顾性设计而豁免知情同意。未向人工智能(AI)提供任何可识别患者身份的信息。
数据采集与处理
本研究的检索标准如下:提供给放射科以下亚专科的住院或门诊 MRI 检查申请单(RRF):心脏、神经放射学(头颈部)、肌肉骨骼和肿瘤学(腹部)。
RRF 必须包含患者病史的详细信息及具体的临床问题。
患者年龄 ≥ 18 岁。
一位未参与后续 MRI 方案评估的委员会认证放射科医师从每个类别中随机选取 25 例患者,这些患者于 2023 年 9 月至 2024 年 2 月期间在本机构接受 MRI 检查,且符合所有前述纳入标准。在此过程中,共排除 17 份 RRF,其中 15 份因患者临床病史信息不足,2 份因患者年龄未满 18 岁。最终,从总共 117 份随机评估的 RRF 中,纳入 100 例患者病例进入研究。MRI 检查使用不同系统(Philips Achieva、Ingenia、Ingenia Elition X、Intera(Philips Healthcare))在 1.5 和 3.0 T 下进行。
所有 RRF 均通过我院内部放射信息系统(Orbis-RIS 版本 08.42,Dedalus Healthcare System Group DACH)以德语提交。每份申请均包含病史和具体临床问题,由申请科室在 RRF 中详细说明,符合我院内部标准。随后,该信息以文本格式提供给 GPT-4(OpenAI),并请求提供详细的 MRI 方案。相同信息也提供给两名放射科住院医师。
GPT-4
GPT-4 于 2024 年 3 月至 7 月期间通过 OpenAI 的网页界面平台 ChatGPT(https://chat.openai.com/)访问。因此,提示工程使用 GPT-4 版本 gpt-4-0125-preview 启动,并最终以 gpt-4-turbo-2024-04-09 定稿。所有 RRF 处理均使用 gpt-4-turbo-2024-04-09 完成。每个文本数据集单独复制到独立的聊天窗口进行分析。GPT-4 使用零样本提示对每个数据集进行评估。
人类阅片者
为比较 GPT-4 与人类阅片者的表现,数据集由两名分别具有 2 年(J-P.J.;R1)和 5 年(T.S.;R2)MRI 经验的放射科住院医师独立审阅。评估未设具体时间限制。
提示设置
向 GPT-4 和人类阅片者提出的请求提示如下:
“根据病史和具体临床问题,提供详细的 MRI 方案,以可靠地排除或确认疑似诊断。”
由非评估贡献者(R.T.、K.K.)使用来自四个患者(每个亚专科各一例)的放射科申请单,通过 12 次迭代对提示进行优化。每位患者的病例均采用零样本提示处理,四份 RRF 分别输入 ChatGPT 网页界面的输入字段进行处理。随后,通过将四份 RRF 各处理五次以确认稳定性,评估提示一致性。这四例患者病例是在 100 例总病例之外按每个亚专科随机选取的,并被排除在最终测试集之外。
参考标准
五位获得董事会认证的放射科医师,在MRI方面分别具有9年(A.I.)、8年(L.P.)、8年(S.L.)、8年(C.G.)和7年(J.K.)的经验,审阅并评估了GPT-4和两名放射科住院医师生成的基于文本的MRI方案推荐,并根据下述多项标准以共识方式对其进行评分。类别I–III)使用5分制进行评估。此外,要求阅片者对方案的优缺点提供具体评论,包括不必要和遗漏的MRI序列数量。阅片者不知道方案是由GPT-4还是人类阅片者生成的。
(I)方案的整体完整性,特别是关于以足够详细程度纳入所有所需序列。无关错误定义为不损害序列级方案完整性的错误。
1(完全错误)
2(相关错误/遗漏)
3(多处无关错误/遗漏)
4(单处无关错误/遗漏)
5(无错误/遗漏)
(II)方案的整体质量评估,包括在既定建议范围内的准确性、一致性和诊断可靠性。无关错误定义为不影响MRI方案诊断准确性和可靠性的错误。
1(完全错误)
2(相关错误/遗漏)
3(多处无关错误/遗漏)
4(单处无关错误/遗漏)
5(无错误/遗漏)
(III)评估方案在临床环境中的实用性,考虑其对患者检查的效率和特异性。当方案针对临床问题量身定制,并保持在确认或排除疑似诊断所需的基本序列集合范围内时,即实现了优势。负面后果包括MRI扫描时间的错误分配和临床工作流程的干扰。
1(负面后果)
2(不存在优势)
3(优势较小)
4(优势显著)
5(优势极有益)
(IV)GPT-4生成的方案以逻辑语义正确的方式呈现(是/否)。
对类别IV结果的进一步评估仅针对LLM进行,以评估其生成全面文本输出的能力。由于两名放射科住院医师均为德语母语者,其方案在所有100例中均被评为逻辑和语义正确。
为提供稳健的参考标准并解决潜在偏倚,建议阅片者遵循以下来自国际公认放射学会的MRI方案推荐。对于心脏成像,采用心血管磁共振学会(SCMR)的标准化心血管磁共振成像方案(2020年更新)[24]。神经放射学成像遵循ACR-ASNR-SPR关于头颈部MRI和脑部MRI实施的操作参数[25, 26]以及脑部MRI实施和解读的操作参数[26]。肌肉骨骼成像遵循欧洲肌肉骨骼放射学会的扫描推荐,针对所检查的特定部位进行调整,包括脊柱、膝关节、肩关节和骨盆MRI[27–30]。肿瘤学成像方案根据疾病类型应用,具体指南由国家综合癌症网络(NCCN)提供,分别针对胰腺导管腺癌[31]、直肠癌[32]和肝胆管癌[33]。
此外,首席MRI放射技师(七年经验)使用二项是/否问题对方案的临床适用性进行了评分。如果放射技师能够使用该机构七台MRI扫描仪上各自可用的硬件特定预装序列独立构建方案,则确保临床适用性。关键的是,方案实施无需额外咨询放射科医生。
统计分析
所有统计分析均使用适用于Mac OS X的GraphPad Prism 9.0.1版(GraphPad Software)进行。采用Friedman检验评估GPT-4、Reader 1和Reader 2在完整性、质量、实用性以及遗漏序列和不必要序列数量方面的差异。作为事后检验,进行了Dunn多重比较检验。使用双尾二项检验分析GPT-4所建议方案的相关性和逻辑性。完整性、质量、实用性以及遗漏序列和不必要序列的数量以中位数和范围报告,而人口学变量以均值和标准差报告。p值低于0.05被认为具有统计学显著性。使用G*power 3.1.9.7进行先验样本量计算。在alpha = 0.05和power为0.8的情况下,检测0.6的中等效应至少需要24名参与者。
结果
基线特征
共收集并分析了100名患者(n = 46女性,n = 54男性)的人口学数据。所选RRF包括门诊患者(n = 62)和住院患者(n = 38)。参与者平均年龄为46.5 ± 20.3岁(范围,18-86岁)。
生成MRI方案的总体评价
总体而言,GPT-4确定的方案在完整性方面评分为3(1–5),质量方面为4(1–5),实用性方面为4(1–5)。这些结果与R1相当,R1的完整性评分为3(1–5),质量为4(1–5),实用性为4(1–5)(各项p > 0.05)。然而,GPT-4的表现劣于第二位更有经验的住院医师(R2),后者完整性评分为4(1–5),质量为5(1–5)(两项p < 0.01),实用性为5(1–5)(p < 0.001)。就优化方案所需的序列数量而言,GPT-4(1(0–5))和R1(1(0–6))的中位数均为一个遗漏的必要序列,表现不如R2(0(0–4);分别为p = 0.04和0.03)。在纳入不必要序列方面也观察到类似模式,R2(0(0–4))显著优于GPT-4(1(0–5);p < 0.01)和R1(1(0–4);p < 0.01)。总体而言,LLM生成的方案在80%的病例中在逻辑和语义上正确。
表1列出了GPT-4和人类读者的总体表现,而图1提供了图形化可视化。读者和GPT-4在三个评估类别中众数出现频率(由专家共识在5点Likert量表上确定)可见于表2。与生成的MRI方案中遗漏和不必要序列相关的发现呈现于表3。
从放射技师的角度来看,基于GPT-4的方案在95%的病例中临床适用,与R1的95%适用率和R2的96%适用率相当。
对不同亚专科生成的MRI协议的评估
表1列出了GPT-4和人类读者在不同亚专科的整体性能,而图2提供了图形化可视化。
心脏
在评估不同亚专科的协议质量时,GPT-4在心脏成像中评分为4(2–4),与R1的评分4(2–5)相当(p=0.20),也与R2的评分5(1–5)相当(p=0.47)。与质量评分一致,GPT-4生成的协议(评分为3(2–4))与R1协议(评分为3(1–3))在完整性方面无显著差异(p=0.47)。GPT-4提出的成像协议(4(2–5))被评定为与R1的协议(3(1–4);p=0.7)同样有用,也与R2的表现相当(4(1–5);p=0.97)。
关于GPT-4生成的序列级协议,最常见的问题是遗漏了采集序列所需的切面。这在24%的病例中发生(6/25),影响了LGE、T1和T2 mapping以及灌注序列。
肌肉骨骼
在肌肉骨骼成像中,GPT-4的协议质量评分较低,为3(2–5),而R1为4(3–5),R2为5(3–5),两者均显示出显著差异(分别为p>0.01和p<0.001)。同样,GPT-4协议的完整性评分和实用性评分(分别为2(1–4)和3(2–5))显著低于两位读者的评分(R1:分别为3(2–5)和4(2–5);R2:分别为4(2–5)和5(2–5);所有p<0.05)。两位评分者的协议之间未观察到显著差异。
GPT-4主要在使用质子密度频谱衰减反转恢复(PD-SPAIR)序列方面遇到困难,尤其是在膝关节成像中。在某些情况下,它未指明应优先选择脂肪饱和T2加权序列还是PD-SPAIR序列。此外,GPT-4建议仅在冠状面纳入PD-SPAIR序列,而非所有三个平面。由于这与欧洲肌肉骨骼放射学会的扫描建议相矛盾,导致20%的病例(5/25)结果不佳。
神经放射学
在神经放射学方面,GPT-4与两位人类阅片者在方案完整性和质量评估方面未观察到显著差异,所有评分均为5(1–5)(各项p > 0.05)。关于方案实用性,人类阅片者略优于GPT-4(4(1–4)),R1评分为5(1–5)(p = 0.03),R2评分为5(1–5)(p < 0.01)。GPT-4在实用性方面评分略低,归因于纳入了并非明确必要的序列。例如,在卒中方案中建议了额外的T2加权序列,而三维液体衰减反转恢复(FLAIR)序列已被推荐。因此,特异性未达最佳,扫描时间本可进一步缩短。该问题出现在28%的病例中(7/25)。
肿瘤学
在肿瘤学方面,GPT-4在方案完整性和质量方面表现出略高但无显著差异的性能,评分为4(1–5),而R1为2(1–4)(两者p = 0.12),并与R2的评分5(3–5)相当(p = 0.20)。GPT-4生成的方案评分为4(1–5),被评定为与R1的方案同样有用(2(1–4),p = 0.06),R2得出一致结果(4(3–5),p = 0.27)。关于GPT-4生成的序列级方案,最常见的问题是在指南指示需要减影图像的情况下遗漏了减影图像,影响32%的病例(8/25)。此外,8%的病例(2/25)遗漏了肝脏动态对比增强成像。然而,25例中有16例需要肝脏动态对比增强成像,其中87.5%(14/16)的病例正确实施。
图3展示了GPT-4所提方案的示例病例。此外,补充材料中提供了八个示例病例。为此,RRF中包含的信息以及MRI方案使用GPT-4o从德语原文翻译为英语。专家共识认可翻译与原文一致。
讨论
本回顾性研究探讨了通用大语言模型(LLM)GPT-4利用临床常规中的放射申请单(RRF),在不同亚专科中以序列水平准确选择检查方案的潜力。结果与两名不同工作年限的放射科住院医师的表现进行了比较。在由五名委员会认证的放射科医师共识阅片对方案进行评估后,GPT-4生成的MRI方案在完整性、质量、实用性和临床适用性方面均足够,与第二年住院医师相当。此外,GPT-4与第二年住院医师在遗漏序列和不必要序列方面表现相似,而经验更丰富的住院医师在这两类中数量均略少。该模型在高度标准化的亚专科(如心脏成像和神经放射学)中表现优异,而在肌肉骨骼成像中的表现中等。在心脏成像和神经放射学中,GPT-4生成的MRI方案与经验丰富住院医师的方案相当。这些发现凸显了GPT-4在协助经验较少的放射科医师确定方案方面的潜力。
据我们所知,这是首项在序列水平上检验由GPT-4等LLM生成的MRI方案质量和实用性的研究。Gertz等人证明,与专家阅片者相比,GPT-4在确定适当放射学检查(包括 modality、身体部位、对比剂应用以及若使用则为何种对比期相)方面的准确率为84% [12]。在另一项研究中,Lee等人评估了ChatGPT在回答与MRI相关的基础知识问题和专业多项选择题方面的准确性和局限性 [34]。该模型在简单问题上表现出良好性能,准确率评分超过85%;然而,针对有关正确线圈选择、部位规划等更专业问题的评分仅为中等(40%–66.7%)[34]。
在医疗工作流程优化的背景下,我们的研究结果为进一步拓展GPT-4作为临床决策支持系统的可能应用提供了证据。在Gertz等人的研究结果基础上,该大语言模型(LLM)在准确识别磁共振成像(MRI)为有指征时的合适检查方式方面展现出前景[12]。在下一步中,该模型可以建议详细的MRI序列,以确认或排除疑似诊断。通过与院内软件系统的接口,放射学申请单(RRF)可由LLM无缝处理,无需额外步骤,正如Busch等人最近的综述所示[35]。最终,该AI网络可作为半自动工具在本地集成,向放射科医生提供MRI方案,后者仅需确认即可确保其安全应用于患者。在此背景下,放射科医生仍然不可或缺,因为GPT-4偶尔可能误读RRF并生成不适当的方案。此外,与放射技师的密切沟通对于根据扫描期间的事件或偶然发现调整方案至关重要。此外,当将GPT-4作为医疗软件器械纳入医疗工作流程时,应优先采用基于应用程序编程接口的实现,以确保更一致和标准化的提示行为。尽管如此,LLM在外部云平台上处理敏感医疗信息时存在重大数据隐私问题。这些风险必须通过仅在安全的本地托管服务器上部署模型来加以解决,以实现对数据保护法规的严格合规。一个可供临床医生和放射科医生共同使用的工具似乎有潜力改善临床工作流程、简化检查排程、优化资源分配并提高成本效益[12, 36]。然而,必须承认该模型的性能在不同亚专科之间存在差异。在心脏影像学中,GPT-4生成的方案表现良好,与经验丰富的放射科住院医师的方案相当。该亚专科受益于SCMR建立的国际公认的MRI方案标准[24]。神经放射学呈现类似情况,有ACR–ASNR–SPR关于头、颈和脑MRI实践参数的标准化指南[25, 26]。鉴于这些更为成熟的标准,GPT-4在该亚专科也表现出色。在肿瘤影像学中,GPT-4提出的MRI方案评分略低于心脏和神经放射学影像中的评分。尽管NCCN提供了明确定义的方案推荐集[31–33],但不同洲的各类肿瘤学会的指南可能与NCCN存在差异,导致标准化程度较低和区域偏好。这种缺乏统一性在肌肉骨骼影像学中更为明显。例如,美国放射学会和欧洲骨骼放射学会各自拥有已建立的影像学指南参数[28–30, 37]。在本研究的背景下,这可被视为该模型在肌肉骨骼影像学中表现一般的至少部分解释。特别是在膝关节影像学中,许多执业机构会定制每项检查的细节,以针对特定临床问题优化检查。序列的选择可能因当地偏好、可用设备或软件限制而有所不同。由于本研究仅限于一个中心,所建议的方案仅与当地标准部分匹配。尽管我们拥有异质性患者队列,仍有必要在更大患者群体中针对该问题进行进一步评估。此外,必须考虑LLM的快速演进。虽然我们的发现令人鼓舞,但它们代表的是快速发展的技术格局中的一个快照,未来不久可能会出现能力更强的模型。
本研究的优势与局限性相平衡,后者主要源于人工智能模型本身。像GPT-4这样的人工智能模型作为语言模型运作,提供信息但不具备完全理解或解释事实的能力[11, 23],其特征性语言模式在某些情况下可能被盲法读者识别。因此,这可能构成偏倚来源,因为GPT-4生成的方案可能被参考标准识别为如此。另一个局限性在于GPT-4训练数据来源不明确,这可能导致不一致和相互矛盾的结果[23]。未来研究应侧重于开发对其决策所依据的来源或指南具有内置透明度的LLM,从而实现验证和批判性评估。此外,回顾性设计和单中心方法是本研究的局限性,因为该方法未能完全反映真实世界场景,在真实世界中RRFs因中心而异,且有时可能包含序列推荐。即使有五名MRI专家的共识判读和国际公认放射学会相对直接的序列级推荐,参考标准的选择仍是研究设计中的局限性,因为每个方案均单独评分,而未预先定义参考方案。此外,GPT-4仅提供序列层面的方案,未提供技术细节,例如层厚、视野或重复时间,也未就适当硬件的选择(包括场强和线圈)提供帮助。未来,专门针对影像学和放射学训练的更为复杂的模型可能能够创建详细方案;然而,必须谨慎观察供应商和场强特异性差异。此类在大型多样化医学数据集上训练的模型有潜力重塑医学专业人员与人工智能互动的方式。尽管有这些进步,患者、放射科医生和放射技师之间的沟通仍然至关重要,因为人际互动是提供敏锐和共情照护的基础。鉴于误解RRFs和产生不适当方案的风险,教育标准和最终权威应继续归属于委员会认证的放射科医生和既定临床指南。
总之,GPT-4生成的MRI方案具有相当的完整性、质量、实用性和临床相关性。不同亚专科的表现存在差异,在更标准化的领域(包括心脏、肿瘤和神经放射影像学)观察到更高的准确性,而在肌肉骨骼检查中表现相对较低。该模型可能具有潜力作为MRI方案制定的支持工具来减轻放射科医生的工作量。未来研究应调查LLM能否识别临床信息不足的RRFs,以进一步优化工作流程效率。此外,未来研究应调查通过纳入国家和内部指南对GPT-4进行本地化调整,能否在多中心方法中验证其在实验环境中的卓越表现,确保研究结果的普适性。
补充信息
补充信息
引用
- Terzis R, Kaya K, Schömig T, et al. GPT-4 for automated sequence-level determination of MRI protocols based on radiology request forms from clinical routine. Eur Radiol. 2025. PMID: 40779162. doi:10.1007/s00330-025-11888-4
- 全文:PMC12953275(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12953275/
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。