文献速递胸部技术与安全CTPET

开发用于预测原发性肺癌淋巴结转移的PET/CT-临床列线图

Development of PET/CT-clinical nomograms for predicting lymph node metastasis in primary lung cancer.
PubMed 文献 · Eur Radiol · 2025-12-17

本研究回顾性分析455例原发性肺癌患者共1391枚纵隔和肺门淋巴结,以EBUS-TBNA细胞学为金标准,构建并验证五种预测淋巴结转移的列线图模型。其中临床-CT-PET模型诊断效能最佳,训练集和测试集AUC分别为0.883和0.877;在短径<1 cm的小淋巴结亚组中,该模型AUC和敏感度均高于PET模型。

要点

  • 临床-CT-PET列线图在测试集AUC为0.877,敏感度80.0%、特异度86.9%。
  • 短径<1 cm淋巴结亚组中,临床-CT-PET模型AUC 0.797 vs PET模型0.722,敏感度71.4% vs 52%。
  • 临床-CT-PET模型与CT-PET模型AUC差异无统计学意义(p=0.390)。

核心结论

  • 开发了可无创评估肺癌淋巴结转移风险的列线图,可能有助于个体化术前评估和循证决策。

研究设计与样本

  • 回顾性队列研究,在三级癌症中心纳入2017年1月至2021年3月收治的455例原发性肺癌患者共1391枚纵隔和肺门淋巴结。
  • 以EBUS-TBNA样本细胞学确诊为淋巴结转移诊断金标准。
  • 按4:1随机分为训练集1112枚淋巴结和测试集279枚淋巴结,在淋巴结水平建模并内部验证。

关键影像表现/征象

  • 训练集中淋巴结转移更多见于较年轻患者(p=0.013)和无吸烟史者(p<0.001)。
  • 两个队列中淋巴结转移均与淋巴结>1 cm、淋巴结SUVmax>2.5、肿瘤>3 cm显著相关(p值分别<0.001、<0.001、0.003)。
  • 淋巴结转移在训练集更常见于实性病变(p<0.001),测试集亦相关(p=0.023)。

诊断标准与关键数值

  • 临床-CT-PET模型训练集AUC 0.883、敏感度79.5%、特异度87.1%;测试集AUC 0.877、敏感度80.0%、特异度86.9%。
  • 临床-CT模型训练集AUC 0.801、敏感度79.6%、特异度84.0%;测试集AUC 0.763、敏感度66.3%、特异度81.4%。
  • PET模型(仅淋巴结SUVmax>2.5)训练集AUC 0.796、敏感度73%、特异度85%;测试集AUC 0.825、敏感度75%、特异度86.4%。
  • 临床-PET模型训练集和测试集AUC分别为0.855和0.845;CT-PET模型分别为0.877和0.868。
  • 短径<1 cm淋巴结亚组中,临床-CT-PET模型AUC 0.797 vs PET模型0.722(p<0.001),敏感度71.4% vs 52%。

临床应用与阅片要点

  • 本研究中心的做法是,对疑似或确诊肺癌患者常规行EBUS-TBNA进行纵隔分期,作为治疗计划(包括手术或放疗)前的常规流程。
  • 作者认为该无创列线图可能提高术前淋巴结分期准确性并指导个体化治疗计划,还可能帮助避免不必要的侵入性操作,但需进一步多中心验证。

局限性

  • 本研究为单中心回顾性研究,无外部验证,可能限制模型的普遍性。
全文中译13 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 Dec 17;36(5):4110–22. doi: 10.1007/s00330-025-12166-z

引言

肺癌是全球癌症相关死亡的主要原因。2022年约有220万新发病例被诊断,使肺癌成为全球最常见的癌症[1]。淋巴结分期通过是否存在淋巴结转移(LNM)来确定,有助于指导肺癌患者的最佳治疗策略并预测预后[2, 3]。例如,N1期疾病(IIB–IIIA期)通常需要多学科综合管理,而N2期疾病(III期)通常在切除前接受新辅助放化疗[4]。因此,准确分期对于制定个体化治疗干预至关重要,但在临床实践中仍具有挑战性。尽管纵隔镜和支气管内超声引导下经支气管针吸活检(EBUS-TBNA)是术前淋巴结分期的标准操作,但在某些地区或机构中EBUS的可及性仍然有限。此外,即使在常规开展EBUS的中心,基于无创影像的预测也可能有助于确定活检目标的优先顺序并提高诊断效率[5–7]。

CT和PET-CT是用于评估肺癌纵隔分期的广泛使用的无创检查手段。然而,CT在淋巴结分期中的敏感性(50–60%)和特异性(70–80%)有限[8]。此外,PET-CT在淋巴结分期中的局限性已有充分文献记载,其来源于多种技术、生物学和患者特异性因素[9]。例如,炎症或感染性病变可导致假阳性结果,而小的转移灶或低代谢活性可能导致假阴性结果[10]。

列线图在预测肺癌风险和预后、鉴别肺部良恶性病变以及评估治疗效果方面已表现出优异的性能[11–13]。既往研究主要集中于使用PET/CT或临床特征预测LNM的列线图[14–16]。然而,这些研究受限于样本量小、关注早期病例、单一建模策略以及对常带来诊断挑战的小淋巴结缺乏专门评估。晚期肺癌中LNM的准确评估尤为关键,因为它有助于风险分层、指导治疗选择并支持个体化治疗计划[17]。

因此,本研究旨在通过开发一个整合临床数据、CT和PET发现的列线图来弥补这些空白,以无创方式在术前预测所有临床分期的LNM,包括研究较少的小淋巴结(< 1 cm)。本研究的主要优势包括455例患者和1391枚淋巴结的大样本量、在淋巴结水平进行建模、构建并比较五种模型(临床-CT-PET、临床-CT、PET、临床-PET和CT-PET)并进行内部验证,以及针对小淋巴结的专门验证。这些特点有助于填补现有研究空白并增强模型的临床适用性。

材料与方法

伦理批准

机构审查委员会批准了本研究并豁免知情同意(编号2021-0123)。本回顾性队列研究在一家三级癌症中心进行,使用的样本采集自2017年1月至2021年3月期间的患者。

研究人群

我们检索了数据库,纳入2017年1月至2021年3月期间因分期或诊断目的接受支气管内超声引导经支气管针吸活检(EBUS-TBNA)对纵隔和肺门淋巴结(LNs)进行采样的肺癌患者。共回顾性识别出659例肺癌患者,涉及1935枚纵隔和肺门淋巴结(图1)。排除标准包括:关键临床特征(年龄、性别、吸烟史和组织学)不可获得、患有第二原发肺癌、EBUS-TBNA与CT或PET-CT之间间隔超过45天、或术前CT或PET-CT扫描不可获得。最终纳入455例患者,共1391枚淋巴结。

图1 流程图显示患者选择和排除标准 查看原图 ↗

临床和影像学特征的评估

临床数据由一名经过培训的研究助理(X.H.)从电子病历(Epic)中回顾性收集,随后由胸部肿瘤科医师(J.L.、H.L.)核实。数据包括人口学特征(年龄和性别)、吸烟史、潜在慢性阻塞性肺疾病、结核病史、TNM分期和组织病理学分类(腺癌、鳞状细胞癌、小细胞肺癌、肉瘤样癌、腺鳞癌)。吸烟史定义为终生吸烟超过100支,患者被分类为当前吸烟者、既往吸烟者或从不吸烟者。对于当前吸烟者和既往吸烟者,累积暴露量以包-年量化。TNM分期遵循美国癌症联合委员会第4版分期标准[18]。肿瘤组织病理学分类根据2021年WHO指南确定。

两名院内胸部放射科医师(X.H.和K.Y.,分别具有5年和7年经验)独立审阅影像数据。所有图像评估均以盲法进行,无法获取临床或组织病理学信息。CT数据来源于225例患者的PET/CT扫描和230例患者的独立诊断性胸部CT扫描。对每例患者,评估淋巴结特征——包括CT上的短轴直径、SUVmax和钙化存在情况。肿瘤相关特征包括SUVmax、大小、密度和位置。淋巴结或肿瘤大小定义为轴位CT图像上测得的最大直径;对于部分实性和磨玻璃结节,包括实性和磨玻璃成分。肿瘤密度分类为实性、部分实性或磨玻璃影(GGO)。根据支气管解剖,肿瘤位置分类为中心型(累及段支气管或更近端气道)或周围型(位于段支气管远端)。

PET/CT成像方案来源于公开可用的数据集和机构标准。扫描主要使用GE Discovery PET/CT系统(型号ST、STE、RX)采集,CT层厚中位数为2.5–5 mm。所有患者禁食至少6小时,FDG注射前确认血糖水平低于200 mg/dL。经静脉给予约259–740 MBq的18F-FDG,注射后60–90分钟开始PET采集。数据经过衰减、散射和随机事件校正,并使用OSEM算法重建。扫描包括平扫或增强CT,取决于数据集和临床背景。原发肿瘤和淋巴结的最大标准化摄取值(SUVmax)使用专用工作站(MIM Software Inc.)测量。

EBUS-TBNA与病理诊断

在本机构,EBUS-TBNA常规用于疑似或确诊肺癌患者在治疗计划(包括手术或放疗)前的纵隔分期。EBUS-TBNA操作由经验丰富的委员会认证肺科医师使用10 MHz凸阵探头EBUS(BF-UC180F)进行[19]。术中识别的所有短径≥5 mm的纵隔、肺门和肺叶淋巴结均在超声直视下作为靶目标。随后在超声引导下使用22G针进行TBNA。系统性EBUS-TBNA分期按顺序从N3肺门站开始,依次至N3、N2,最后至N1纵隔站。如果病理医师在快速现场检查中发现恶性肿瘤(如N3病变),则终止操作。出于诊断目的,活检靶点包括基于CT、PET-CT或临床指征怀疑的淋巴结转移(LNM)。

随后将标本涂布于玻片上,固定并风干。细胞学技师立即通过快速现场评估对风干玻片进行评估,以判断其是否适合进一步病理分析。或者,制备细胞块并由经验丰富的肺部病理医师进行分析。LNM的诊断基于常规染色和/或免疫染色中存在恶性细胞,而良性则定义为淋巴组织背景中无肿瘤细胞。缺乏淋巴组织的标本被认为不合格且无法诊断。TBNA样本的细胞学确认是LNM诊断的金标准。

列线图模型开发

我们采用淋巴结水平的建模方法。我们按4:1的比例将患者随机分为训练队列(1112枚淋巴结)和测试队列(279枚淋巴结)。所有变量均进行单因素逻辑回归分析;显示显著相关性(p < 0.05)的变量纳入多因素分析以识别LNM的危险因素。此外,年龄和性别等人口学变量因其临床可及性被常规纳入,淋巴结钙化和肿瘤位置则基于其与LNM的既定关联被纳入[14, 20]。组织学类型未被纳入,因为肿瘤活检结果并非始终可获得,且我们的目标是开发一个简单、无创的淋巴结预测模型。训练队列用于开发最终的逻辑回归预测模型(即列线图)。

构建了五个独立模型用于预测淋巴结转移(LNM):(1)临床-CT-PET模型,纳入高危临床特征(年龄、性别、吸烟史)、CT特征(肿瘤大小(> 3 cm)、肿瘤位置(中央型)、肿瘤密度(实性)、淋巴结大小(> 1 cm)和淋巴结钙化)以及PET特征(肿瘤SUVmax(> 2.5)和淋巴结SUVmax(> 2.5));(2)临床-CT模型,仅包括临床和CT特征;(3)PET模型,仅包括PET特征(淋巴结SUVmax > 2.5);(4)临床-PET模型,将临床特征与PET参数相结合;(5)CT-PET模型,将CT和PET参数相结合。在PET模型中,仅纳入淋巴结SUVmax,因为它是临床实践中最广泛使用的PET参数,并作为基准。

为进一步检验我们的列线图的性能,我们在短轴直径< 1 cm的淋巴结中进行了亚组分析,以测试我们的临床-CT-PET模型和PET模型。对模型组分进行了分析,并在测试集上评估其性能,通过评估受试者工作特征曲线下面积(AUC)来区分恶性和良性病例的判别能力,以及校准度来评估预测概率与观察结局之间的一致性。决策曲线分析(DCA)与ROC分析一起用于评估我们模型的临床实用性,因为它量化了跨阈值概率的净获益,并确定基于模型的决策是否比全部治疗或全部不治疗策略提供更大的价值[21]。AUC之间的差异使用DeLong检验进行比较,并报告相应的Z统计量和p值。

统计分析

本研究使用SPSS v. 26.0(IBM)和R v. 4.3.3软件进行数据分析。连续变量经正态性检验后以均值±标准差表示,而分类变量以频数(百分比)表示。组间比较使用独立样本t检验(连续变量),除非另有说明,采用双侧显著性水平,以及卡方检验或Fisher精确检验(分类变量)。模型通过rms包构建。p值< 0.05被认为具有统计学意义。

结果

临床病理和影像学特征

本研究共纳入455例患者。平均年龄为70 ± 10岁;252例患者(55.4%)为男性(表S1)。大多数患者为腺癌(62.0%),其次为鳞状细胞癌(31.9%)和其他组织学类型(6.2%)。TNM分期范围为I至IV期,其中310例患者(68.1%)为III和IV期。可获得1391枚淋巴结的数据;1112枚淋巴结用作训练集以开发列线图模型,而279枚淋巴结的数据用作测试集进行性能评估。训练队列和测试队列之间在临床和影像学特征方面未发现显著差异(p > 0.05;表1)。

在训练队列和测试队列中,比较了阴性淋巴结与转移性淋巴结的临床和影像学特征(表2)。在训练集中,淋巴结转移(LNM)更常见于较年轻患者(p = 0.013)和无吸烟史者(p < 0.001)。在训练集中,腺癌和其他组织学类型在淋巴结转移中更为常见,而鳞状细胞癌在良性淋巴结中更为常见。然而,在测试集中未发现显著差异。在两个队列中,LNM均与较大的淋巴结(> 1 cm;两个队列中p均< 0.001)、较高的淋巴结SUVmax(> 2.5;两个队列中p均< 0.001)、较大的肿瘤尺寸(> 3 cm,两个队列中p = 0.003)以及LNM表现为实性病变的可能性(训练队列中p < 0.001,测试队列中p = 0.023)显著相关。其他特征,包括性别、肿瘤位置(周围型 vs. 中央型)、淋巴结钙化的存在以及肿瘤SUVmax,在两个队列中良性与转移性淋巴结患者之间均无显著差异。

表1 临床、影像学和淋巴结特征 查看原表 ↗
表2 良性与转移性淋巴结的临床和影像学特征 查看原表 ↗

LNM列线图模型

整合了临床、CT和PET特征的Clinical-CT-PET模型在训练队列和测试队列中的AUC分别为0.883和0.877(图2)。Clinical-CT-PET模型在训练队列中的敏感性和特异性分别为79.5%和87.1%,在测试队列中分别为80.0%和86.9%(表3)。仅整合临床和CT特征的Clinical-CT模型AUC分别为0.801和0.763(图3),在训练队列和测试队列中的敏感性分别为79.6%和66.3%,特异性分别为84.0%和81.4%。整合淋巴结SUVmax > 2.5的PET模型AUC分别为0.796和0.825(表3),敏感性分别为73%和75%,特异性分别为85%和86.4%。Clinical-PET模型(图S1)的AUC分别为0.855和0.845,而CT-PET模型的AUC分别为0.877和0.868(图S2)。

我们比较了这五种不同模型之间的性能(AUC)(图4)。在测试队列中,Clinical-CT-PET模型的AUC在统计学上显著高于Clinical-CT、PET和Clinical-PET模型(p < 0.001),但Clinical-CT-PET与CT-PET模型之间无统计学显著差异(p = 0.390)。

图2 A Clinical-CT-PET模型列线图。B 系数分布图。每个箱线图对应左侧列出的变量,供参考。使用列线图时,在相应轴上找到每个变量的位置,画一条线到积分轴以获取积分,将所有变量的积分相加,再从总积分轴画一条线到列线图下方线处确定LNM概率 查看原图 ↗
图3 A Clinical-CT模型列线图。B 系数分布图。每个箱线图对应左侧列出的变量,供参考 查看原图 ↗
表3 不同队列的混杂因素矩阵 查看原表 ↗
图4 Clinical-CT-PET模型(A)、Clinical-CT模型(B)、PET模型(C)、Clinical-PET模型(D)和CT-PET模型(E)在训练和测试数据集中的受试者工作特征(ROC)曲线。F 使用五种模型对< 1 cm淋巴结进行亚组测试 查看原图 ↗

校准分析和临床实用性

通过检查校准曲线,我们发现LNM的预测概率与实际结果高度一致,在训练队列和测试队列中观察到相似的表现。对于所有模型,校准曲线分析显示训练队列和测试队列中p值均> 0.05,表明模型校准良好(图S3)。我们纳入DCA来评估模型的临床实用性,Clinical-CT-PET模型显示出比其他四种模型更高的净获益(图S4)。

小淋巴结的列线图模型测试

为评估列线图的稳健性,我们进行了仅限于短径< 1 cm淋巴结的亚组分析,比较五种模型的预测性能(表3,图4)。如表S2所示,共纳入965枚短径小于1 cm的淋巴结。其中,14.1%的淋巴结显示转移,13.0%的SUVmax > 2.5,4.6%出现钙化。大多数原发肿瘤位于周围(73.4%)且为实性密度(83.9%)。在该亚组中,Clinical-CT-PET模型的AUC在统计学上显著高于Clinical-CT模型(Z = 6.91,p < 0.001)、PET模型(Z = 2.57,p = 0.01)和Clinical-PET模型(Z = 3.54,p < 0.001)。然而,与CT-PET模型比较时未观察到显著差异(Z = 0.93,p = 0.35)。

讨论

在本研究中,我们构建了一个综合列线图(Clinical-CT-PET模型),能够无创评估原发性肺癌所有临床分期的LNM风险。值得注意的是,该模型即使对小淋巴结(< 1 cm)也保持了高诊断准确性,大幅优于相应的PET模型。通过提供额外的诊断信息,我们的无创模型可能改善原发性肺癌LNM的检测,并提高PET和/或CT扫描的阳性检出率。

我们的研究结果提示,较年轻和不吸烟的个体具有更高的LNM倾向。虽然未获得基因组数据,但既往研究提示较年轻个体中更具侵袭性的肿瘤生物学特征可能部分解释了这一发现[22]。尽管没有吸烟等传统危险因素,这些患者在诊断时仍可能表现为晚期淋巴结受累。众所周知,从不吸烟者的肺癌在分子特征和临床行为方面与吸烟者不同[23]:从不吸烟者更易发生腺癌,并往往表现出不同的转移模式,包括更高的淋巴播散可能性[24]。这些观察结果强调了全面淋巴结评估的重要性,尤其是在较年轻和不吸烟的患者中。然而,我们队列的平均年龄为70 ± 10岁,仅有两名患者年龄在40岁以下,这限制了我们研究结果对较年轻肺癌患者的适用性。虽然认识到肿瘤组织学对淋巴结转移的潜在影响,但由于不同机构术前组织学确诊可获得性的差异,该变量被有意排除在模型之外。纳入组织学类型可能限制模型的普遍适用性。为提高临床适用性,我们的模型聚焦于可轻易从基线影像和临床评估中获得的非侵入性预测因子。

与传统CT相比,PET-CT因在检测淋巴结转移(LNM)方面具有更优效能而被推荐用于肺癌诊断和分期。我们选择SUVmax > 2.5作为截断值,因为这是区分良恶性病变广泛接受的阈值[25]。我们的PET模型在测试队列中达到AUC 0.796,灵敏度为73%,特异度为85%。这些发现与既往文献一致,提示代谢活性是淋巴结恶性的有价值标志物[26]。然而,一项评估氟脱氧葡萄糖PET-CT在临床N0非小细胞肺癌患者中应用价值的荟萃分析报告,其检测隐匿性淋巴结转移的特异度高但灵敏度相对较低。该发现的一个可能原因是许多LNM仅表现出轻度氟脱氧葡萄糖摄取,凸显了仅依赖SUVmax时假阴性结果的风险[27]。本研究中观察到的SUVmax更优性能可能归因于我们队列中III至IV期疾病占优势(68.1%)。晚期肺癌和LNM常表现出更高的代谢活性,可能导致SUVmax值升高以及该队列中基于PET的更好区分能力。

我们的Clinical-CT-PET模型在训练队列和测试队列中的AUC分别为0.883和0.877。此外,该模型在所有模型中取得了最高的灵敏度和特异度,并显示出相较于仅基于临床和CT特征或淋巴结SUVmax的模型显著改善的诊断能力。然而,与CT-PET模型相比未观察到显著差异,提示纳入临床数据在预测淋巴结转移方面可能未提供实质性的额外获益。这些结果与Zhang等[28]的既往研究一致,该研究表明在列线图中结合影像特征和临床参数可显著改善LNM预测。我们列线图的优越性提示整合多个危险因素能更好地捕捉LNM复杂的生物学行为。在临床上,此类模型可能是用于个体化术前风险分层和治疗规划的有价值工具。此外,我们的结果表明Clinical-CT模型在预测LNM方面表现出与PET模型相似的性能,提示其在PET不可用时可作为具有成本效益且可及的替代方案。为进一步评估模型稳健性,对< 1 cm的淋巴结进行了亚组分析,其中Clinical-CT-PET模型仍显著优于PET模型,尤其在灵敏度方面。炎症或纤维化改变可能在PET上模拟淋巴结转移,导致假阳性预测[29]。该发现表明仅依赖SUVmax不足以评估小淋巴结,而多模态方法通过捕捉互补信息提高了诊断准确性。

我们的模型与先前发表的模型性能相似。Pak等[30]开发了一个用于预测非小细胞肺癌淋巴结转移(LNM)的决策树模型,报告的灵敏度为50%,特异度为99.28%。Zhang等[12]构建了一个纳入肿瘤大小、实性成分与肿瘤比值及癌胚抗原的列线图,达到的曲线下面积(AUC)为0.80。Tang等[14]提出了一种基于细胞角蛋白19片段(Cyfra21-1)和D-二聚体水平、肿瘤大小、肿瘤实性程度及病灶位置的预测模型,AUC为0.904。本研究开发了一个整合常规临床和影像特征的简化列线图,达到了优异的AUC 0.883,并平衡了特异度和灵敏度。此外,虽然Lv等和Zhu等[15, 16]先前的研究开发了用于LNM预测的患者水平列线图,但我们的研究侧重于淋巴结水平分析,为术前评估提供了更精确且更具临床实用性的方法。因此,我们的列线图不仅展示了稳健的诊断性能,还通过使用易于获取的参数增强了临床适用性,为肺癌患者术前淋巴结水平风险分层提供了一个实用且可解释的工具。

本研究存在若干局限性。第一,这是一项单中心回顾性研究,未进行外部验证,可能限制模型的泛化能力。影像采集方案的差异,如层厚、扫描仪类型和成像方式,可能影响模型在不同机构间的性能。此外,由于对支气管内超声引导经支气管针吸活检(EBUS-TBNA)等侵入性分期操作的可及性存在差异,需要在多中心和资源有限的环境中进行进一步验证。第二,我们预先选择了接受EBUS-TBNA的患者,这也限制了泛化能力。在本研究队列中,淋巴结状态具有临床意义;因此,进行了EBUS-TBNA。例如,在存在明显活动性远处转移性疾病的患者中,肺门和纵隔淋巴结受累并未驱动治疗决策,因此不太可能进行EBUS-TBNA。第三,未采用影像组学或深度学习方法进行LNM建模[31, 32]。然而,列线图方法提供了更好的可解释性,并且更易于临床实施和常规使用常用可获取数据。未来的工作理想情况下应包括我们的方法与这些先进方法之间的直接比较,特别是在包含更高肿瘤分期的数据集上。最后,尽管我们的列线图模型纳入了多个预测因素,但未考虑可能进一步增强预测能力的血清生物标志物或基因改变。未来需要在更大、更多样化人群中进行前瞻性研究,整合分子或影像组学数据,以帮助提高LNM预测模型的精确度和临床实用性。

总之,我们开发了基于临床和影像特征的无创模型,用于估计原发性肺癌淋巴结转移的风险。在获取EBUS-TBNA等侵入性分期方法受限的环境中,该工具可能有助于临床决策。虽然该模型在我们的内部队列中展示了有前景的性能,但需要进一步的前瞻性多中心研究来评估其泛化能力和临床实用性,特别是在不同的诊疗环境中。

补充信息

电子补充材料

引用

  1. Han X, Li W, Lin J, et al. Development of PET/CT-clinical nomograms for predicting lymph node metastasis in primary lung cancer. Eur Radiol. 2025. PMID: 41405691. doi:10.1007/s00330-025-12166-z
  2. 全文:PMC13086717(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13086717/

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。