乳腺筛查中的过度检出与过度监测:现状及人工智能优化的潜力
乳腺筛查虽降低乳腺癌特异性死亡率,但假阳性召回、良性活检等过度检出带来心理、经济和环境负担,BI-RADS 3与4A是主要阈值。本综述汇总主流筛查技术的效能与局限,并评估AI在维持或提高癌检出同时降低召回率、优化BI-RADS 4A分层与随访策略的证据。
要点
- BI-RADS 3(恶性概率≤2%)与4A(>2%–≤10%)是过度监测与良性活检的主要决策阈值。
- AI辅助阅片可在维持或提高癌检出的同时降低召回率与阅片工作量,并支持BI-RADS 4A风险分层。
- 过度检出带来心理困扰、每年约40亿美元下游费用及约129 kT CO₂e/年的环境负担。
核心结论
- 以患者为中心、证据驱动并整合经验证AI与明确决策阈值的策略,可在最大化获益的同时减少过度检出带来的伤害。
研究设计与样本
- 本综述整合主流乳腺筛查技术的效能与局限,聚焦召回率、BI-RADS决策阈值及过度检出的临床后果,并评估AI在平衡敏感度与特异度、优化随访路径中的作用。
关键影像表现/征象
- 乳腺X线摄影每轮召回率接近10–12%,但仅约0.5%的召回者最终确诊癌症,阳性预测值低。
- DBT通过减少组织重叠与数字乳腺X线摄影相比,召回率改善可达2.2%。
- 在乳腺X线摄影基础上补充超声使癌检出增加约54%(从每1000次筛查3例增至5例),但每1000名筛查女性增加37例假阳性召回和27例活检。
- 在极高密度乳腺女性中,每两年一次乳腺X线摄影加补充MRI使间期癌率从约5.0/1000次筛查降至约2.5/1000次筛查,但绝对假阳性率约80/1000次筛查。
诊断标准与关键数值
- BI-RADS 3定义为预期恶性概率≤2%,通常采用短期随访而非立即活检;6个月时恶性检出约0.2%,2年时0.39%。
- BI-RADS 4A定义为恶性概率>2%–≤10%;单中心2433例活检病例中44.5%(1083/2433)为4A,恶性率约8.8%。
- 多中心队列中BI-RADS 4病变68.4%为4A,4A病变中70.9%经证实为良性;另一研究报告4A阳性预测值仅4–9%。
- 基于卷积神经网络列线图将458例中59.6%的BI-RADS 4A病变重分类为低风险,恶性率降至1.5%,敏感度维持99.6%,特异度从4.4%升至45.3%,总准确率从63.4%升至78.8%。
临床应用与阅片要点
- 作者建议明确BI-RADS 3的降级标准、标准化早期再评估触发条件,并收紧4A的活检决策标准(如纳入病变层面特征与临床背景)。
- 作者建议将MRI限制在明确定义的高危人群中,以避免大量低价值活检。
- iBRISK模型活检阳性预测值在AI风险十分位间从85.9%跨至0.16%,前瞻性应用这些阈值可避免约50%的不必要活检而维持癌敏感度。
局限性
- 部分降级策略对间期癌率的长期影响仍不确定。
- 风险模型需要人群特异性校准,高危阈值应用不一致,临床整合常缺乏。
- AI推广面临 vendor、协议与人群间的域偏移,需本地校准与前瞻性验证;数据集不平衡需亚组报告与公平性审计。
- AI性能提升常集中于高置信度病例,在决策阈值附近可能下降,除非使用置信度感知界面。
- 采纳受PACS/电子健康记录整合、法律责任与阅片协议治理等实际限制。
全文中译18 节 · 点击展开
引言
乳腺癌仍然是全球女性中最常见的恶性肿瘤之一,也是癌症相关死亡的主要原因[1]。当代随机和基于人群的评估表明,有组织的乳腺X线摄影筛查可使乳腺癌特异性死亡率降低约20–30%[1–3]。然而,随着各种成像方式的灵敏度提高,特异度往往下降,导致更多假阳性及连锁的下游后果——不必要的影像检查、短间隔监测和低阳性率的活检[4–7]。
过度检出和过度诊断在概念上不同,但在讨论乳腺癌筛查时经常被混淆。过度诊断是指检出那些如果不治疗也永远不会引起症状或死亡的惰性癌症[8],文献估计范围从约10%到超过50%,取决于研究设计和方法学[9–12]。相比之下,本综述聚焦于过度检出,定义为影像学阳性发现最终经病理学或长期随访证实为良性[13]。在此,假阳性影像发现——筛查中发现的非恶性异常——被视为过度检出的主要临床表现。虽然过度诊断可导致长期担忧,但实践中的日常负担更多由假阳性、不必要的随访和可避免的操作所驱动[14, 15]。
关键在于,过度检出率并非仅由成像方式本身决定,而在很大程度上受项目化阈值和管理规则的支配。召回标准、乳腺影像报告和数据系统(BI-RADS)管理阈值[16]以及灵敏度优先于特异度的方式等因素共同决定了过度检出风险。召回标准或BI-RADS cut-off值的微小变化可在人群层面转化为随访操作和良性活检的大规模增加。特别是,完善围绕BI-RADS 3(恶性可能性≤ 2%)和BI-RADS 4A(> 2%–≤ 10%)的决策对于在保持癌症检出性能的同时遏制过度检出至关重要[16, 17]。
在此背景下,人工智能(AI),特别是深度学习模型,已成为缓解这些局限性的有前景的工具[18, 19]。通过增强病变分类、改善风险评估和支持工作流程分诊,AI具有减少假阳性、完善BI-RADS分类和个性化随访策略的潜力[20, 21]。近期前瞻性试验和真实世界部署表明,AI可以在降低召回率和放射科医生工作量的同时维持甚至提高癌症检出率[22–24]。鉴于这些进展,全面审视当前筛查格局和过度检出负担,以及AI在应对这些挑战中的新兴作用,至关重要。
本综述整合了主流筛查技术的性能和局限性,重点关注召回率、BI-RADS决策阈值和过度检出的临床后果。同时探讨了AI在重新平衡灵敏度和特异度、简化随访路径以及支持更个性化、风险适应性筛查策略方面的新兴潜力。
全球主流筛查技术的有效性与局限性
全球乳腺癌筛查策略在筛查方式的选择和后续管理方面因地区而异;表1汇总了主要国家/地区选定的国家工作组和医学会发布的当前一般风险指南[25–37]。
乳腺X线摄影(乳腺X线)和数字乳腺断层合成(DBT)
乳腺X线摄影是大多数有组织筛查项目的基础,其降低死亡率的作用已得到充分证实[2, 3]。然而,在美国真实世界实践中,每轮召回率接近10–12%,但被召回者中最终确诊癌症的仅约0.5%——反映出阳性预测值(PPV)较低[38]。在10年筛查期内,近半数接受筛查的女性会经历至少一次假阳性结果[39]。
DBT通过减少组织重叠,与假阳性率的适度降低相关。大型研究报告,与数字乳腺X线摄影(DM)相比,召回率改善最高达2.2%[40]。乳腺癌监测联盟(BCSC)的数据显示,在10年内,DBT相比DM发生≥1次假阳性召回的概率略低( annual screening: 50% vs 56%; biennial: 35.7% vs 38.1%),但累积的短期随访和活检率仍相似[41]。然而,其获益取决于当地筛查实践[42, 43]。
相比之下,有组织的欧洲项目通常目标召回率较低(约3–7%)[44–46]。爱尔兰的国家数据显示,2000年至2019年间首轮召回率从约5.5%上升至10%,而后续筛查轮次的召回率从约2.3%上升至3%[44]。在低召回率的北欧项目中(基线约2–4%),Malmö试验的数据显示,DBT最初增加了召回(2.6% vs DM的0.8%),但在随后几年稳定在约1.5%——突出表明召回影响更多取决于项目背景和阅片者适应,而非仅取决于技术本身[47]。
综上所述,召回或活检推荐标准的微小变化即可使大量女性进入短期随访或有创评估,而PPV仅 marginal gains[48, 49]。这凸显了需要更清晰的诊断标准和更多风险适配的管理策略,以避免过度检出。
超声
在西方筛查项目中,超声通常作为乳腺X线摄影的补充,用于致密乳腺或较高风险女性。相比之下,若干亚洲指南将超声更突出地纳入常规筛查实践。
在平均风险女性中,日本战略抗癌随机试验显示,在乳腺X线摄影基础上补充超声检查使癌症检出率增加约54%(从每1000次筛查3例增至5例),但每1000名接受筛查的女性中 also 额外产生了37例假阳性召回和27例额外活检[50]。同样,在美国放射学会影像网络(ACRIN)6666试验中,在乳腺X线摄影基础上补充超声检查额外检出+3.7例/1000例癌症(多为淋巴结阴性早期浸润性癌),但活检率增加5%[51]。在高风险筛查项目中,如中国城市癌症筛查项目(CanSPUC)(覆盖72,250名高风险女性),首轮超声检查中13.51%(9765例)被评定为BI-RADS 3–5类(多为3类),仅68例检查被评定为BI-RADS 5类。换言之,超过12%的受筛女性超声发现可疑(BI-RADS 3或4类),但初步检查结果为非恶性[52]。
这些发现凸显了基于超声筛查的一个关键挑战:其对良性结节(如纤维腺瘤、囊肿)的高敏感性[53]常导致BI-RADS 3或4A类评估。当临床路径倾向于立即活检而非监测时,良性病变在病理结果中占主导。尽管降级策略(如对部分BI-RADS 3类发现重新分类)已显示出在不影响癌症检出的情况下降低活检率的潜力[54],但其对间期癌症率的长期影响仍不确定。
磁共振成像(MRI)
在人群筛查中,MRI并非普遍适用的检查;它保留用于风险显著升高的女性,在某些项目中作为乳腺X线摄影的辅助手段用于乳腺极度致密的女性。
在乳腺极度致密的女性中,在每两年一次乳腺X线摄影的基础上补充MRI,通过检出原本会表现为间期癌症的癌症,将间期癌症率从约5.0例/1000次筛查降至约2.5例/1000次筛查。然而,项目评估报告绝对假阳性率约为80例/1000次筛查[55]。由于MRI资源密集、可及性不一且需要专家判读,其人群层面的获益取决于风险适应性选择和明确的管理阈值[4]。当选择和随访标准明确时,可在限制良性检查的同时实现额外检出;相反,广泛使用且阈值较低会扩大召回率并产生许多低价值活检。
BI-RADS指导的管理与非人工智能风险分层
BI-RADS指导的管理
除 modality 性能外,女性是否被召回或活检主要取决于BI-RADS中编纂的判读阈值,该分类系统将每个类别映射到估计的恶性概率和管理建议(观察 vs 活检)[16]。
BI-RADS 3类(“可能良性”)。定义为预期恶性率≤2%,该类别通常采用短期监测而非立即活检进行管理。大型随访数据集显示6个月时恶性检出率约0.2%,2年时0.39%,与BI-RADS 1–2类相当,且与乳腺癌背景年发病率(0.3–0.5%)相似[56]。因此,若干筛查项目现在允许对一致的可能良性发现将初始随访间隔延长至12个月,同时仍建议在出现任何高风险特征时提前复查[56, 57]。
BI-RADS 4A(“低度怀疑”)。定义为恶性可能性>2%–≤10%,该亚分类在乳腺影像的活检建议中占很大比例。在一项纳入2433例活检病例的单中心回顾性分析中,44.5%(1083/2433)被归类为4A,恶性率约为8.8%,提示大多数病变最终为良性[58]。更广泛的文献进一步证实了这一点:一项多中心队列发现,68.4%的BI-RADS 4病变为4A,且70.9%的4A病变被证实为良性[59],而另一项研究报告BI-RADS 4A的阳性预测值(PPV)仅为4–9%[60]。与BI-RADS 4B、4C或5因癌症概率较高而支持活检不同,4A是尽量减少过度干预的关键类别。
综上所述,BI-RADS 3和4A是过度监测和良性活检的主要阈值。明确3类的降级标准、规范早期重新评估的触发条件、收紧4A的活检决策标准(例如通过纳入病变层面特征和临床背景),可以在不损害癌症检出的情况下遏制过度检出,并使日常实践与预期概率区间相一致。
风险分层(无人工智能)
非人工智能风险分层旨在将补充影像检查和更密切的随访集中于风险升高的女性,从而避免对低风险群体进行不必要的干预。在BCSC框架中,乳腺致密且具有高风险因素(如家族史、既往高危病变)并接受补充超声检查的女性,癌症检出率约为5.5/1000次检查,活检阳性预测值为15.0%,而较低风险女性分别为约1.3/1000和4.9%[61]。
近期研究支持更广泛地采用基于风险的筛查。一项2025年随机研究发现,加入多基因风险评分和乳腺密度可改善仅基于人口学模型的分层[62]。然而,实际障碍仍然存在。风险模型需要针对特定人群进行校准。“高风险”阈值应用不一致。临床整合往往不足。例如,乳腺极度致密且5年风险≥1.67%的女性在仅常规筛查下表现出更高的间期癌症发生率[63]。将风险和密度特征与结构化筛查路径相匹配,可改善早期检出并减少假阳性。
风险分层后应优化影像模态。英国BRAID试验(约9000名参与者)发现,对比增强乳腺X线摄影在乳腺致密女性中检出15.7例癌症/1000。这优于超声(4.2)并与MRI相当(15.0),同时更具成本效益[64]。在加拿大,PERSPECTIVE Integration & Implementation项目(PERSPECTIVE I&I)测试了大规模风险评估。它证实了可行性,但揭示了问卷验证和密度获取等障碍[65]。这些差距凸显了对整合、可扩展和个性化策略的需求。人工智能可能有助于满足这一需求。
过度检出和过度监测的后果
心理影响
纵向研究显示,假阳性乳腺X线摄影结果可导致持续性焦虑和生活质量下降[66, 67]。在BCSC对超过350万次筛查的分析中,复查率从真阴性结果后的77%降至需短期随访的假阳性后的61%,建议活检时降至67%,连续两次假阳性后进一步降至56%[68]。此外,人群数据显示,假阳性后重筛率小幅下降3%(相对危险度(RR),RR ~ 0.97),但未复查者的间期癌风险增加三倍以上(校正比值比(OR)3.19,95%置信区间(CI)2.34–4.35)[69]。
筛查中的焦虑不仅限于假阳性带来的压力。即使在召回率较低(约2–4%)的欧洲项目中,模糊性或低特异度也可能引入另一种心理负担——担心癌症可能被漏诊。虽然缺乏关于“漏检焦虑”的直接研究,但更广泛的证据表明,筛查误差和过度筛查可能削弱患者信任并加剧健康相关焦虑[70, 71]。
经济和资源负担
过度检测通过影像检查、操作和随访的级联效应推动大量下游支出。在美国,这些下游筛查费用每年达到约40亿美元——其中28亿美元来自假阳性乳腺X线摄影,12亿美元来自过度诊断[72]。这些活动还挤占有限资源,如扫描仪可用性和放射科医生时间,可能延误有症状患者的诊疗。
尽管MRI并非平均风险筛查的标准方法,但其在致密乳腺或风险升高女性中的使用正在扩大。在一项针对参保女性的大型队列研究中,每1000次MRI筛查(相比乳腺X线摄影)约触发50次额外影像检查、173次操作、130次门诊就诊和3次住院,每名女性增加约1404美元的下游费用(95% CI,1172–1636美元)[73]。这些数据进一步说明有必要将MRI限制在明确界定的高危人群中。
环境成本
影像检查具有可测量的碳足迹,且随可避免的召回而增加。生命周期评估估计每次扫描排放约为:MRI约17 kg二氧化碳当量(CO₂e),CT约9 kg CO₂e,标准X线摄影/超声< 1 kg CO₂e[74]。系统层面估计表明,过度影像检查占检查总量的约4–30%,在美国Medicare人群中 associated with ~129 kT CO₂e/年[75]。因此,减少假阳性使临床管理与环境责任相一致。
过度治疗和临床后遗症
乳腺癌筛查中的过度检测常导致过度治疗,特别是对良性病变进行不必要的活检和手术。经过10年年度筛查后,7–12%的女性接受了证实为非恶性的活检[76]。虽然经皮活检通常安全,但开放手术活检的并发症发生率为感染4–6%、血肿2–10%[77]。
这些诊断路径可能升级为外科过度治疗。在大型活检队列中,BI-RADS 4A病变占活检结节的44.5%,但在35岁以下女性中恶性肿瘤率可能低至2.7%[58]。此类低产出干预仍可能使患者承受可测量的伤害,因为即使是最微创的操作也可能引起疼痛、出血、感染或美容后遗症。因此,通过改进风险分层、更严格的活检阈值和标准化随访方案来减少不必要的活检和切除,对于最大限度减少可避免的伤害和优化患者安全至关重要。
人工智能减少过度检测并优化随访
人工智能,尤其是深度学习,在乳腺癌筛查中已显示出减轻传统风险分层主观性和变异性的前景。作为放射科医生的辅助手段,人工智能增强了病变检测、分类和个体风险评估。
人工智能增强筛查:提高准确性和效率
人工智能整合持续改善了乳腺癌筛查准确性,同时减少了假阳性和工作量。在丹麦的国家项目中,人工智能辅助双读将检出率从每1000次筛查7.0例提高到8.2例,减少了假阳性(2.39%→1.63%)和召回率(约20.5%),改善了阳性预测值(PPV)(22.6%→33.6%),并将小肿瘤(≤1 cm)的检出率从36.6%提高到44.9%,读片者工作量减少了33.5%[78]。瑞典的乳房X线摄影人工智能筛查试验(MASAI试验)安全地将约90%的检查分配给人工智能辅助的单一读片者,实现了非劣效的癌症检出(每1000次筛查6.1 vs 5.1例)、相同的假阳性率(1.5%)、改善的召回阳性预测值(24.8%→28.3%)以及44.3%的工作量减少[79]。德国基于人群的真实世界人工智能乳房X线摄影研究(PRAIM研究)(n=463,094)显示检出率增加(每1000次筛查6.7 vs 5.7例)、召回率稳定(每1000次37.4 vs 38.3例),以及召回(14.9%→17.9%)和活检(59.2%→64.5%)的阳性预测值均改善[22]。Google Health的一项跨国研究显示,人工智能减少了假阳性(美国:−5.7%,英国:−1.2%)和假阴性(美国:−9.4%,英国:−2.7%),同时在曲线下面积(AUC)方面超越放射科医生,并将英国读片者工作量减少88%[80]。韩国的AI-STREAM试验进一步证实了可推广性:人工智能辅助单读将癌症检出率提高13.8%(每1000次筛查5.70 vs 5.01例),而未增加召回率[23]。在瑞典的配对读片者试验中,用人工智能替代一名放射科医生实现了相当或更优的检出(261 vs 250例;相对比例1.04;95% CI:1.00–1.09)[81]。基于249,402次乳房X线摄影的工作流程模拟预测双读减少50%、阳性预测值+0.36%、仲裁−0.88%、良性活检−0.59%,而不影响敏感性或特异性[82]。
人工智能分层诊断:减少低价值活检
AI支持围绕低可疑病灶做出更精确的决策——尤其是BI-RADS 4A,其良性结果较为常见。在智能增强乳腺癌风险计算器(iBRISK)中,活检阳性预测值(PPV)在AI风险十分位间从85.9%跨度至0.16%;前瞻性应用这些阈值可避免约50%的不必要活检,同时维持癌症敏感性[83]。一个在288,767次超声检查(>500万张图像)上训练的深度学习模型在内外部验证中达到AUC 0.976。在阅片者研究中,它优于放射科医生(AUC 0.962 vs 0.924),并将假阳性减少37.3%、活检建议减少27.8%,且不损害敏感性[84]。整合临床和超声特征的卷积神经网络(CNN)列线图使BI-RADS 4A病灶的安全降级成为可能:在458例队列中,59.6%被重新分类为低风险,恶性率降至1.5%,敏感性维持在99.6%,特异性升高(4.4% → 45.3%),总体准确率提高(63.4% → 78.8%)[85]。同样,一个跨四中心的多任务深度学习模型将BI-RADS 4A病灶的阴性预测值提升至98.1%(n = 6420次检查),使大多数低风险结节得以监测而非活检[86]。更多真实世界证据(如PRAIM研究;见“AI增强筛查:提高准确性和效率”)显示,AI支持的单阅片者筛查在维持PPV的同时减少了良性召回/活检[85]。回顾性模拟进一步支持这一点:一个基于AI的分诊系统安全地将60–80%的乳腺X线摄影引导至“不阅片”流程,在高风险组中识别出高达35%的未来癌症,并可能将放射科医生工作量减半,同时避免低风险患者的不必要阅片和下游活检[24]。
AI驱动的风险预测和个性化随访
除即时病灶评估外,AI日益支持纵向风险预测,以个性化筛查间隔和模式。多项研究表明,AI增强建模在预测未来乳腺癌风险方面优于传统临床工具。例如,Vachon等人将AI衍生的风险评分与体积乳腺密度整合,改善了阴性乳腺X线摄影后2–5.5年晚期癌症的预测(AUC 0.624 → 0.679;p = 0.01)[87]。同样,Arasu等人显示,五个基于乳腺X线摄影的AI模型优于BCSC临床模型(AUC 0.63–0.67 vs 0.61),且结合两种方法进一步将AUC提升至0.66–0.68[88]。一项系统综述证实,仅基于图像的AI风险模型始终优于传统的基于密度或病史的方法(AUC 0.62–0.90 vs 0.54–0.69)[89]。在真实世界队列中,深度学习模型Mirai达到5年AUC 0.65–0.71,在预测低级别和 intermediate-grade 恶性肿瘤方面具有特别优势[90]。Lauritzen等人进一步证明,混合AI + 纹理模型(AUC 0.73)将44%的间期癌症集中在预测风险最高的10%中[91],而Gjesvik等人验证了商业AI评分在诊断前长达六年的风险分层能力[92]。对>120,000次乳腺X线摄影的回顾性建模发现,AI风险最高的10%组包含86.8%的癌症,而风险最低的70%仅占4.4%,证实了AI用于分层随访的潜力[93]。
实施挑战和局限性
尽管丹麦、MASAI、PRAIM及多国研究得出了令人鼓舞的结果,但将人工智能推广至常规筛查仍面临技术、人力和组织层面的障碍。不同厂商、协议和人群之间的域偏移需要本地校准和前瞻性验证[94],而数据集不平衡则要求进行亚组报告和公平性审计[95–97]。性能提升往往集中在高置信度病例中,除非采用置信度感知界面,否则在决策阈值附近可能下降。实际应用受限于现实约束:PACS/电子健康记录整合、法律责任以及阅片协议治理[98, 99]。筛查项目应持续追踪召回率、阳性预测值(PPV)和间期癌症发生率,并定期进行模型再校准[22, 100],同时评估情境依赖性经济学,因为基线召回率、劳动力能力、实施成本以及减少假阳性所带来的节约决定了其价值[101, 102]。
未来展望
人工智能的快速发展为通过精准和效率变革乳腺癌筛查提供了前所未有的机遇。为在早期发现与最小化伤害之间取得平衡,推荐以下策略:循证召回目标:筛查项目应设定适合其人群的召回率基准,并遵循循证阈值而非照搬外部规范。定期审计可识别召回率超出目标范围的放射科医师并提供反馈。
BI-RADS的完善:研究应聚焦于定量标志物和人工智能增强分类,以完善BI-RADS 3和4A类别。标准化可能良性病变的随访间隔并采用观察等待策略可减少不必要的活检。
人工智能的开发与验证:人工智能算法应在多样化数据集上进行训练和验证,报告透明度指标并开展前瞻性试验和监管评估。应研究人机交互以优化信任并减轻自动化偏见。
以患者为中心的沟通:改善关于筛查的以患者为中心的沟通。教育女性了解潜在风险(过度检出和过度治疗)以及筛查的获益,可促进共享决策。清晰且具有文化敏感性的沟通策略可减少焦虑,并确保管理方案与患者偏好一致。
结论
过度检出和过度监测是乳腺癌筛查中重要的多方面挑战,源于过度敏感的影像学检查、主观分类系统以及普遍存在的谨慎文化。认识到召回率的地区差异并采用循证阈值有助于减少不必要的检出,同时还必须关注过度影像检查的心理、经济和环境后果。人工智能具有相当大的前景:它提高准确性、改善风险分层并减少临床工作量。然而,其应用必须得到稳健验证、积极偏见缓解、透明性能报告和伦理监督的支持。最终,一种以患者为中心、循证驱动、整合技术创新同时审慎考虑潜在伤害的策略将在乳腺癌筛查中实现最大的净获益。
引用
- Wang S, Liu J, Song L, et al. Over-detection and over-surveillance in breast screening: current status and the potential for artificial intelligence optimisation. Insights Imaging. 2025. PMID: 41385000. doi:10.1186/s13244-025-02160-w
- 全文:PMC12701182(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12701182/
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。