文献速递乳腺乳腺X线

乳腺癌筛查风险评估:一种混合人工智能方法

Breast cancer risk assessment for screening: a hybrid artificial intelligence approach.
PubMed 文献 · Eur Radiol · 2025-09-11

该回顾性巢式病例对照研究纳入西班牙Hospital del Mar 2013至2020年筛查的2193名女性(418例病例、1775名对照),比较三种机器学习模型预测2年乳腺癌风险。混合模型(临床数据+影像特征+CNN)AUC为0.75,显著优于仅CNN模型(AUC 0.74,p=0.02),但对筛查检出癌(AUC 0.79)的预测显著优于间期癌(AUC 0.59,p<0.001)。

要点

  • 混合模型预测2年乳腺癌风险AUC 0.75,仅轻度高于CNN的0.74和ERTpd+im的0.74。
  • 影像特征模型AUC 0.73,远高于仅临床数据模型AUC 0.59。
  • 混合模型对筛查检出癌AUC 0.79,对间期癌仅0.59(p<0.001)。

核心结论

  • 整合临床与乳腺X线数据的人工智能混合模型可改善2年乳腺癌风险预测,优于单一数据来源模型。
  • 混合模型在不同乳腺密度四分位组间表现稳定,对筛查检出癌的预测优于间期癌。

研究设计与样本

  • 回顾性巢式病例对照研究,单中心,西班牙Hospital del Mar,2013至2020年公共资助乳腺癌筛查项目。
  • 纳入2193名50–69岁女性,包括418例病例(诊断前2年乳腺X线摄影评估为阴性)和1775名对照(无癌≥2年),按年龄和设备5:1频率匹配。
  • 使用全视野数字乳腺X线摄影(FFDM),设备来自General Electric和FUJI,采用5折分层交叉验证评估模型。
  • 比较三种模型:ERTpd+im(极端随机树联合个人数据与影像特征,含ERTpd和ERTim子模型)、仅CNN模型、混合模型(ERTpd+im+CNN)。

关键影像表现/征象

  • Grad-CAM热图显示CNN模型预测时主要关注致密组织和实质图案区域,而非可见病灶。
  • 特征重要性分析中CNN特征平均MDI为0.012、总MDI 0.77,影像提取特征平均MDI 0.004、总MDI 0.22,个人数据平均MDI低于0.002、总MDI 0.01。
  • 个人数据组中既往良性乳腺疾病变量重要性最高,其次为教育程度、一级亲属数量、绝经年龄。
  • 各模型在Q2密度组平均AUC最高,在Q4(最致密乳腺)组略有下降,但四分位组间差异均无统计学意义(均p>0.05)。

诊断标准与关键数值

  • 混合模型AUC 0.75(95%CI 0.71–0.76),显著优于CNN模型AUC 0.74(95%CI 0.70–0.75,p=0.02),与ERTpd+im模型AUC 0.74(95%CI 0.70–0.76)差异无统计学意义(p=0.19)。
  • ERTpd模型AUC 0.59,ERTim模型AUC 0.73,两者差异有统计学意义(p<0.05);ERTim与ERTpd+im间无显著差异。
  • 筛查检出癌vs间期癌AUC:ERTpd+im为0.78 vs 0.59,CNN为0.78 vs 0.58,混合模型为0.79 vs 0.59(均p<0.001)。
  • 乳腺密度四分位阈值:Q1(DT≤7.25%)、Q2(7.25%<DT≤12.11%)、Q3(12.11%<DT≤17.96%)、Q4(DT>17.96%)。

临床应用与阅片要点

  • 本模型可用于乳腺X线筛查中的短期(2年)风险分层,辅助识别可从更频繁监测或额外诊断程序中获益的高风险女性。
  • 模型对间期癌预测效能明显低于筛查检出癌(AUC 0.59 vs 0.79),阅片时需注意这一局限。
  • 模型预测依据为致密组织和实质图案等区域,而非可见病灶,报告解读时应结合这一特点理解风险评分。

局限性

  • 本研究为单中心研究。
  • 间期癌病例在队列中占比较低(98例,23%),可能限制模型对该亚组的学习能力。
  • 不同研究间因数据集、中心和设备不同而难以直接比较。
  • 本研究所用数据量少于现有参考模型。
全文中译16 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 Sep 11;36(3):1932–42. doi: 10.1007/s00330-025-11980-9

引言

乳腺X线摄影筛查是早期乳腺癌检测的标准化程序,已被证明可降低该疾病的死亡率[1, 2]。乳腺X线图像的解读由经过培训的放射科医师完成,涉及处理大量数据[3]。有效检测[4]和预测技术[5]的持续发展在提高放射学效能方面发挥着关键作用,人工智能(AI)通过显著减少放射科医师的工作量确立了新的标准[6]。已开发多种AI工具辅助图像解读[7, 8],显示出诊断性能的提升[9, 10]。然而,利用AI对接受乳腺X线摄影筛查的女性进行风险预测是一种创新方法[11],在临床实践中的应用有限[12]。

多项研究表明,乳腺密度是一个公认的风险因素[13, 14],致密乳腺组织与癌症发生概率增加相关[15]。其他因素如乳腺癌家族史、既往良性乳腺疾病、年龄和妇科信息已被证明是5年或10年乳腺癌的强临床预测因素[16, 17]。尽管如此,越来越多的人关注利用从乳腺X线摄影中提取的额外信息[18]来增强风险评估,并将其与传统风险因素相结合,以实现更准确和个性化的结果[19]。

长期风险模型(5-10年)对于开发基于人群的方法以及设计筛查策略具有重要价值。然而,基于AI的模型已显示出短期预测的潜力,可对高风险女性进行针对性评估。这与欧洲的标准筛查间隔一致,通常为两到三年[2]。与主要为指导一般筛查政策的长期模型不同,短期模型在识别高风险个体方面特别有用,这些个体可能受益于通过更频繁的监测或额外诊断程序进行更早的干预。

本研究旨在将临床数据与从乳腺X线摄影获得的结构信息相结合,构建基于机器学习技术的风险预测模型。我们比较了三种基于机器学习的预测模型,以估计接受乳腺癌筛查的女性2年内发生乳腺癌的风险。第一个模型(1)依赖于个人数据、风险因素和从乳腺X线摄影中提取的常规特征。第二个模型(2)基于仅分析乳腺X线摄影的卷积神经网络(CNN)。最终的混合模型(3)整合所有这些数据来源,以评估结合临床和乳腺X线摄影数据是否能增强风险预测。该架构使我们能够比较传统特征与从完整图像中自动学习的模式,并评估它们对短期风险预测的综合贡献。

材料与方法

本研究由Instituto de Salud Carlos III FEDER资助(PI17/00047)。资助方在研究设计、实施或报告中未发挥作用。Hospital del Mar医学研究所(IMIM)伦理委员会批准了本研究(2017/7442/I,2017年12月14日批准)。本研究按照《赫尔辛基宣言》的指南进行。由于我们使用的是匿名回顾性数据,因此无需获得研究参与者的知情同意。

研究人群

本研究纳入2013年至2020年间在西班牙Hospital del Mar作为公共资助乳腺癌筛查项目的一部分接受乳腺X线摄影筛查的50–69岁女性。该项目遵循欧洲指南[2],每年筛查超过16,000名女性,参与率为67%,复检率为91.2%[20, 21]。在西班牙,国家乳腺癌筛查项目采用两年间隔,评估为阴性的女性每两年被邀请参加筛查。既往有乳腺癌病史的个体未被纳入。这是一项单中心研究。

研究设计

本研究旨在评估基于人工智能(AI)的模型,利用来自人群筛查项目的乳腺X线摄影图像和临床数据预测2年乳腺癌风险。筛查乳腺X线摄影通过双阅片进行判读,意见不一致时由第三位放射科医生仲裁。这项回顾性巢式病例对照研究纳入了使用全视野数字乳腺X线摄影(FFDM)筛查的女性。

病例定义为采集时评估为阴性的筛查乳腺X线摄影,对应随后两年内被诊断为乳腺癌的患者。诊断由解剖病理学报告确认,使用SNOMED分类确定是否存在恶性肿瘤。

筛查检出癌定义为因筛查乳腺X线摄影阳性评估而诊断的乳腺恶性肿瘤。间期癌为在筛查试验阴性之后至下一次筛查预约之前的时间间隔内诊断的癌症,或在最后一次参加筛查后两年内、年龄上限为69岁和70岁时诊断的癌症。间期乳腺癌病例通过与筛查项目数据的记录 linkage 纳入。

对照从自图像采集起观察至少两年的无病女性中随机选取。按精确年龄(50至69岁)和成像设备以5:1的比例进行频数匹配,以确保病例和对照之间的可比性。

乳腺X线摄影图像和临床数据收集

用于呈现的双侧乳腺FFDM图像(内外斜位和头尾位)从PACS系统获取。临床危险因素和乳腺癌状态从乳腺癌筛查项目数据库中收集。乳腺X线摄影和临床数据经匿名化处理以保护数据。图像使用General Electric和FUJI的设备采集。我们纳入了2013年至2020年间接受筛查、有可用临床信息且其DICOM格式乳腺X线摄影也可用的所有女性。我们排除了在多个病例中作为对照的女性、最初作为对照随后在后续检查中作为病例的女性,以及有乳房植入物的女性(图1)。

我们采用5折分层交叉验证以确保稳健的模型评估,并在每个子集中保留病例-对照配对。在每次迭代中,一折(20%)用作独立测试集,其余四折(80%)分为训练(85%)和验证(15%)子集。该过程重复五次,确保每一折均作为测试集使用一次。性能指标在五个测试折上取平均值,以获得全面的模型评估。

图1 数据选择流程图。该图详细说明了2013年至2020年间获得的2669份原始检查中女性纳入/排除的标准。它还展示了本研究中使用的5折交叉验证方法 查看原图 ↗

数据预处理

我们应用像素归一化[22]和SAM-breast[23]以消除非乳腺区域。图像调整为256×256像素。由于原始乳腺X线摄影图像大小不一且非正方形,我们首先在调整大小之前应用背景值填充以生成正方形图像。该方法保留了解剖比例并避免了失真。这些预处理步骤在特征提取之前应用,确保传统图像特征和基于CNN的模型均使用相同的处理后图像。为了获得更具泛化性的模型,我们使用Python(版本3.8.0;python.org)中的Albumentations库(版本1.4.0;albumentations.ai)进行数据增强[24]。对训练图像应用了光学和网格畸变、随机尺寸裁剪以及高斯噪声。

关于临床数据,我们根据变量使用中位数插补或k近邻填充缺失值,并处理了非典型条目。对于乳腺X线摄影图像,我们使用ndimage包(版本1.10.1;scipy.org)和measure模块(版本0.21.0;scikit-image.org)从整个乳腺和致密组织(DT)区域提取传统特征,包括几何变量和基于强度的测量值。DT使用CM-YNet模型[25]获得。在结合临床和图像特征后,我们使用SEQENS[26]识别最相关的变量,最终形成包含个人数据(pd)和图像提取数据(im)的最终特征集。

风险评估模型

我们使用两种不同的架构开发了三种基于AI的模型:极端随机树(ERT)[27]和卷积神经网络(CNN)[28]。评估的模型包括:ERTpd + im(以及基于ERT的子模型ERTpd和ERTim)、CNN和ERTpd + im + CNN。详细描述见电子补充材料。

ERTpd + im模型:该模型使用ERT分类器(版本0.24.2;scikit-learn.org)利用个人数据和图像提取特征预测2年风险。我们还训练了两个子模型以进行性能比较:一个基于个人数据(ERTpd),另一个基于图像数据(ERTim)。两个子模型使用与主模型相同的架构和超参数。

CNN模型:该模型处理256×256像素的乳腺X线摄影图像,并使用多视角CNN(版本2.6.2;tensorflow.org)预测风险。

ERTpd + im + CNN模型:该模型是一个混合模型,由ERT分类器组成,该分类器将第一个模型中的个人数据和图像数据与第二个模型倒数第二层提取的特征相结合,后者总结了增强预测的关键图像特征。

我们使用曲线下面积(AUC)指标结合受试者工作特征(ROC)曲线来评估模型。为分析不同密度下的性能,我们根据四个投照位置的平均DT将乳腺分为四分位数。四分位数阈值根据研究数据集中DT百分比的分布经验性地得出。此外,我们根据检测方法对不同类型癌症评估了模型,通过将每个亚组与对照组进行比较,分别计算筛查检出癌症和 interval cancer 的AUC。此外,为评估混合模型预测中每个输入特征的相对重要性,我们使用平均不纯度减少(MDI)生成了特征重要性图,并纳入了Grad-CAM可视化[29],展示正确分类的病例和对照的示例,以说明CNN模型在预测过程中关注的乳腺摄影区域。

统计分析

为比较模型的性能,我们使用R语言(版本4.3.1,R Core Team,https://www.R-project.org)中的pROC包[31](版本1.18.4)对ROC曲线应用DeLong检验[30]。我们使用1000次迭代的自举法计算95%置信区间。使用卡方检验和t检验比较病例组和对照组之间的变量。p < 0.05认为具有统计学显著性。

结果

患者特征

初始时,病例组包括445名女性,对照组2224名。我们排除了377名作为多个病例对照的女性,以及10名后来发展为疾病的对照。此外,我们排除了20名数据显著缺失或非典型的女性、9名图像异常的女性,以及32名因可能干扰图像判读而排除的乳房植入物女性[32]。最后,28名女性因缺失一个或多个投照位置而被排除(图1)。

最终,研究人群共包括2193名女性(平均年龄 ± 标准差:59岁 ± 5),其中418例病例和1775名对照。女性临床详情和风险因素信息汇总于表1。既往良性乳腺疾病在病例中更为常见(31.8% vs. 21%,p < 0.001),进一步强调其作为风险因素的相关性。此外,与对照组相比,病例的一级亲属乳腺癌患病率更高(13.4% vs. 10.1%),尽管该差异不显著(p = 0.056)。此外,病例中有乳腺癌病史的二级亲属患病率也显著更高(23.5% vs. 19%,p < 0.05)。我们未发现病例和对照组在绝经年龄、激素替代治疗使用、吸烟状况或教育水平方面存在差异的证据(p > 0.05)。

图像采集参数汇总于补充表1。尽管存在微小差异,采集参数的整体一致性支持病例和对照之间影像数据的可靠性和可比性。

表1 患者特征 查看原表 ↗

数据收集

数据准备后,所得数据集包含三种主要数据类型。个人数据(pd)涵盖参与者的人口统计学和临床详细信息,总结于表1中。图像提取数据(im)列出了从乳腺X线摄影中提取的常规特征,呈现在补充表2中。更多细节方面,补充表3–6提供了四个视图各自变量的全面描述。最后,第三种数据类型由预处理后的乳腺X线摄影组成,其经过了材料与方法中“数据预处理”部分详述的特定变换。根据模型的不同,该输入由完整的预处理乳腺X线摄影(用于CNN)或一组64个提取特征(用于混合模型)组成。

模型性能评估

ERTpd + im和CNN模型的AUC相等,分别为0.74(95% CI:0.70, 0.76)和(95% CI:0.70, 0.75)(p = 0.72)。混合模型达到了更高的AUC,为0.75(95% CI:0.71, 0.76),表现出优于CNN模型的性能(p = 0.02)。尽管这一改善具有统计学显著性,但差异幅度较小。此外,我们未发现相对于ERTpd + im模型存在显著差异的证据(p = 0.19)。

性能评估呈现在表2中,ROC曲线如图2所示。尽管置信区间存在一些重叠,混合模型表现出相对于其他模型轻微但一致的性能改善。

关于子模型ERTpd和ERTim,仅使用个人数据的模型AUC为0.59,低于影像模型的AUC 0.73(p < 0.05)。然而,ERTim与ERTpd + im之间无显著差异,表明在影像模型中加入个人数据仅带来AUC的边际改善(从0.73到0.74),提示互补信息有限。

图2 ERTpd + im、CNN和混合(ERTpd + im + CNN)模型在测试集上性能的受试者工作特征(ROC)曲线(pd = 个人数据,im = 从图像中提取的特征,ERT = 极端随机树,CNN = 卷积神经网络)。每个模型的有效性由平均AUC值描绘,该值来源于5折交叉验证过程中生成的五个测试集 查看原图 ↗
表2 风险估计模型的性能评估 查看原表 ↗

按致密组织百分比分组的亚组

为了按DT百分比分析结果,数据集按如下方式分为四分位数:Q1(DT ≤ 7.25%)、Q2(7.25% < DT ≤ 12.11%)、Q3(12.11% < DT ≤ 17.96%)和Q4(DT > 17.96%)。各组的示例如图3所示。

表3中呈现的结果显示,所有评估模型在Q2中均具有较高的平均AUC值。在由最致密乳腺组成的Q4中,与其他四分位数相比,观察到所有模型的性能略有下降。然而,我们未发现任何模型在各四分位数之间存在差异的统计学证据(所有p > 0.05)。在模型比较方面,混合模型在基于密度的前三个四分位数中优于其他模型。此外, interval cancer率随乳腺密度增加而升高,与既往发现一致[33]。

图3 我们提供了四分位数内乳腺密度百分比的视觉示例(a)5.3%(Q1)、(b)8.6%(Q2)、(c)15.7%(Q3)、(d)27.3%(Q4) 查看原图 ↗
表3 按平均乳腺致密组织百分比划分的模型性能 查看原表 ↗

按癌症检测方法划分的亚组

基于癌症检测方法的模型性能评估见图4。研究样本包括98例间期癌症(23%)和320例筛查检出癌症(77%)。筛查检出癌症病例亚组的风险估计结果显示出显著高于间期癌症病例的AUC,ERTpd + im的AUC为0.78 vs. 0.59,CNN为0.78 vs. 0.58,混合模型ERTpd + im + CNN为0.79 vs. 0.59(所有p < 0.001)。在各亚组内,三种模型之间未观察到显著差异。

图4 ERTpd + im、CNN和混合(ERTpd + im + CNN)模型在测试集上的性能受试者工作特征(ROC)曲线(pd = 个人数据,im = 从图像中提取的特征,ERT = 极端随机树,CNN = 卷积神经网络)。每个模型的效能由平均AUC值描述,该值来源于5折交叉验证过程中生成的五个测试集。曲线代表三种模型的性能,区分筛查检出癌症(SDc)和间期癌症(Ic) 查看原图 ↗

特征重要性

特征重要性分析(图5)显示,CNN模型变量平均而言在混合模型的预测中影响最大,平均MDI为0.012,总MDI为0.77。上述特征未明确命名,因为它们是从神经网络的倒数第二层提取的,本质上具有抽象性。

随后,图像提取变量(im)的平均MDI为0.004,总MDI为0.22,对模型有显著贡献。由于CNN特征和im变量均来源于乳腺X线摄影,CNN可能在其特征中捕获了与某些im变量重叠的信息。最后,个人数据变量(pd)的重要性最低,平均MDI低于0.002,总MDI为0.01。在该组中,变量“既往良性乳腺疾病”较为突出,其值显著高于该组其他变量,其次是“教育程度”、“一级亲属数量”和“绝经年龄”。

为补充这些发现并支持CNN的可解释性,图6展示了CNN模型正确分类的癌症病例和对照者的Grad-CAM可视化。热图突出了对模型风险预测贡献最大的图像区域。由于该任务涉及未来癌症风险预测,这些区域并不对应于可见病灶,而是对应于模型赖以生成预测的DT或实质模式区域。

总之,对模型预测能力贡献最大的是CNN组特征,其次是常规图像衍生特征,最后是个人数据特征,其重要性最低。

图5 混合模型的特征重要性分析。使用不纯度平均减少量(MDI)计算特征重要性评分。数值越高表示相应特征在模型预测中的重要性越大。数据组包括:pd(个人数据)、im(从图像中提取的特征)和CNN(从神经网络中提取的特征)。左图显示每组变量的平均MDI。右图显示每个数据组中排名前10的最相关特征(或最大可用特征)。 查看原图 ↗
图6 CNN模型正确分类的病例和对照的Grad-CAM可视化。热图显示模型在风险预测过程中关注的乳腺X线摄影区域。行对应于真阴性(TN,上两行)和真阳性(TP,下两行)。颜色强度反映模型激活水平,红色表示关注最强的区域。 查看原图 ↗

讨论

在本研究中,我们比较了三种机器学习模型来预测两年内发生乳腺癌的风险。我们的结果显示,结合临床数据和图像特征的联合模型达到了最高的平均AUC 0.75,表明图像和个人数据均提供了有价值的信息,其中以图像数据为主,如特征重要性图所示(图5)。我们还纳入了Grad-CAM可视化,以展示CNN模型在预测过程中关注的图像区域,通常突出显示DT和实质 patterns。分别使用临床数据和图像数据的子模型AUC分别为0.59和0.73,表明临床数据模型的预测能力低于图像特征模型(p < 0.05)。虽然存在轻微趋势提示在较高乳腺密度四分位数(Q3和Q4)中模型性能较低,但我们未发现任何模型在密度组间存在统计学显著差异(所有p > 0.05)。我们的分析还揭示,间期癌的分布与临床预期一致,由于乳腺X线摄影图像中的遮蔽效应和判读困难,在致密乳腺中发生率更高。

与此一致,模型对筛查检出癌症病例(n = 320)的表现优于间期癌病例(n = 98),联合模型的AUC分别为0.79 vs. 0.59(p < 0.001)。这些发现表明所有模型在预测筛查检出癌症方面更为有效。与文献中常报道的间期癌以更高灵敏度被检出[34, 35]相反,我们的模型表现出相反的趋势。这可能归因于我们队列中间期癌病例的代表性较低,限制了模型从该亚组有效学习的能力,特别是因为间期癌在致密乳腺中更为常见,而致密乳腺更难以分析。

近期研究显示了相似的性能(表4),展示了人工智能(AI)在乳腺癌风险评估中的前景。由于数据集、中心和设备不同,研究之间的比较具有挑战性。尽管存在这一局限性,所有研究均使用了乳腺X线摄影和AI技术,随访时间在1至5年之间。一些研究还纳入了临床数据,尽管后者因研究而异。最后,我们想强调,我们提出的模型展现了显著的效率,尽管面临数据量少于现有参考模型的挑战,仍取得了与其他已发表研究相当的结果。

我们的研究证实,图像和临床数据包含具有预测能力的信息,表明AI模型以乳腺X线摄影作为预测的主要来源,但也从风险因素和其他附加特征中获取补充信息。这一贡献可以解释AI在评估乳腺癌风险时相较于传统统计方法具有更优预测能力的原因,因为后者不考虑图像本身。研究表明,AI技术能够学习图像不同特征之间的复杂关系,这可以解释更高的性能。简言之,统计模型是有价值的工具,尽管它们可以与创新技术相结合以进一步提高性能。

我们模型中识别出的风险因素的重要性与既往研究的发现一致。在联合模型中,除影像相关变量外,最具预测性的变量是既往良性病变史[36]、教育水平[37]和乳腺癌家族史[38]。这些风险因素已被广泛研究和证实。它们在我们模型中的重要性不仅突出了其预测能力,也表明我们的结果与已有证据的一致性。

本研究的优势在于模型在不同乳腺密度特征下的稳健性、与既往研究的一致性以及良好的性能,尤其是在筛查发现的乳腺癌病例中。然而,我们的研究也有一些局限性。首先,数据来自单中心和两家制造商,限制了其对其他人群的推广性。其次,相对较小的样本量可能影响结果的精确性。第三,模型在间期癌病例中表现出较低的性能。最后,数据不平衡,病例数少于对照数,可能降低模型精确性并增加偏倚风险。未来,我们期望获取更多数据以解决当前研究的局限性,并开发针对间期癌病例的专用模型。

总之,我们的研究证实,与单独使用任一数据类型相比,整合影像和临床数据在预测乳腺癌风险方面具有显著优势。联合模型表现出略优的预测性能,尤其是在筛查检出的癌症中,同时凸显了间期癌预测的挑战。尽管存在单中心数据集和样本量相对较小等局限性,我们的发现与既往研究一致,强调了将人工智能与传统风险因素相结合以增强乳腺癌风险预测的潜力。未来研究应侧重于获取更大、更多样化的数据集并完善模型以改善间期癌检测,最终推动乳腺癌风险评估领域的发展。

表4 不同乳腺癌风险评估研究的模型性能 查看原表 ↗

补充信息

电子补充材料

引用

  1. Tendero R, Larroza A, Pérez-Benito FJ, et al. Breast cancer risk assessment for screening: a hybrid artificial intelligence approach. Eur Radiol. 2025. PMID: 40935875. doi:10.1007/s00330-025-11980-9
  2. 全文:PMC12963263(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12963263/

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。