PNET-PRISM:多中心验证的胰腺神经内分泌肿瘤无创分级影像组学列线图
该多中心回顾性研究纳入407例经手术病理证实的胰腺神经内分泌肿瘤患者,基于增强CT提取瘤内、瘤周、栖息区及深度学习多维影像组学特征构建M-DLR评分,并与临床变量整合为PNET-PRISM列线图。模型在训练集、验证集和外测集的AUC分别为0.92、0.89和0.87,显著优于仅临床模型;外测集敏感度达100%,在EUS-FNA取材不足的25例中准确分级13例(52%)。
要点
- PNET-PRISM在训练集、验证集和外测集的AUC分别为0.92、0.89、0.87,均显著优于仅临床模型(ΔAUC=0.15–0.22,均p<0.001)。
- 外测集敏感度达100%,在EUS-FNA取材不足的25例中为13例(52%)提供准确分级。
- M-DLR评分以0.259为截断值分层,与无进展生存期显著相关(HR=2.050,95%CI 1.484–2.833,p<0.001)。
核心结论
- 该多中心验证的影像组学列线图可作为PNET风险分层的无创决策支持工具,有效补充EUS-FNA的局限性,尤其适用于活检禁忌或诊断不明时。
研究设计与样本
- 多中心回顾性研究,共纳入407例经手术病理证实的PNET患者,来自两家机构,2012年10月至2024年2月连续入组。
- 训练集244例(长海医院,2014年4月至2021年10月),验证集106例(长海医院,2021年11月至2024年1月),外测集57例(上海411医院,2019年5月至2021年12月)。
- 采用256–640层CT扫描仪(Brilliance iCT,Philips;Aquilion ONE,Canon),标准方案:120 kV、150 mAs、0.5秒旋转时间,动脉期和门静脉期图像。
- 参考标准为2019年WHO分级:G1(Ki-67≤3%)、G2(Ki-67 3–20%)、G3(Ki-67>20%)。
- 影像组学流程包括自动分割(nnMamba,基于nnUNet框架,独立测试集平均Dice系数0.88)及人工校正,目标Dice≥0.80。
关键影像表现/征象
- CT评估参数包括肿瘤位置、最大径、主胰管扩张(>3 mm)、胆管扩张(>10 mm)、囊性成分及肿瘤负荷评分(TBS=(最大肿瘤直径)²+(肿瘤数目)²)。
- 多维特征涵盖定量形态学特征、2.5D深度学习特征、瘤内及瘤周(2 mm和5 mm)影像组学特征、栖息区特征和3D影像组学特征。
- 从超过13,000个多维特征中经分层筛选选出11个特征构建M-DLR评分,G1与G2/G3组间差异显著(p<0.0001)。
诊断标准与关键数值
- PNET-PRISM在训练集AUC 0.92(95%CI 0.88–0.95)、验证集0.89(95%CI 0.82–0.94)、外测集0.87(95%CI 0.76–0.94)。
- 仅临床模型在训练集、验证集和外测集的AUC分别为0.77、0.80和0.71。
- M-DLR评分单独在训练集AUC 0.91(95%CI 0.88–0.94)、验证集0.88(95%CI 0.82–0.93)、外测集0.84(95%CI 0.75–0.92)。
- M-DLR评分最佳截断值0.259,据此将患者分为低风险和高风险组;外测集敏感度100%。
- 校准曲线Hosmer–Lemeshow检验各数据集p>0.15,提示模型拟合良好。
临床应用与阅片要点
- PNET-PRISM可用于术前无创分级,在EUS-FNA取材不足(细胞量不足12/25、广泛坏死7/25、采样误差6/25)时提供补充分级信息。
- 在活检成功病例中,PNET-PRISM与EUS-FNA准确性相当(p>0.05)。
- 决策曲线分析显示,在三个队列中PNET-PRISM在广泛阈值概率范围内提供更优净获益。
- M-DLR评分高风险组无进展生存期显著短于低风险组(训练集p=0.0066,验证集p<0.0001,外测集p=0.0197)。
局限性
- 原文提及既往PNET分级研究多受限于单中心设计、样本量小及依赖简单特征,未能捕捉瘤内和瘤周异质性,但未明确说明本研究自身的局限性。
全文中译15 节 · 点击展开
引言
胰腺神经内分泌肿瘤(PNETs)是一个日益严峻的临床挑战,约占胰腺恶性肿瘤的10%,且发病率急剧上升[1, 2]。2019年WHO分级系统是决定患者预后和治疗路径的关键因素;5年生存率从1级(G1)肿瘤的77.3%骤降至3级(G3)肿瘤的20.0%,指南明确要求在低级别肿瘤的主动监测与高级别疾病的立即手术之间做出抉择[3–5]。因此,准确的术前分级至关重要。然而,当前的标准方法——超声内镜引导下细针穿刺抽吸术(EUS-FNA)——受到显著局限性的制约,包括采样误差、操作相关并发症以及高达40%病例中组织获取不足[6–8]。因此,临床迫切需要一种可靠的无创分级替代方案。
影像组学已成为一种有前景的无创解决方案,但既往关于PNET分级的研究存在关键的方法学缺陷,限制了其临床实用性。这些研究通常受限于单中心设计、小样本队列以及对简单特征的依赖,未能捕捉到生物学生征所必需的复杂瘤内和瘤周异质性[9–11]。尽管人工智能的最新进展提供了自动分割和生境分析等强大工具来克服这些局限,但其临床转化取决于一个在很大程度上尚未解决的关键步骤:严格的多中心验证,以确保模型在不同成像方案和患者人群中的稳健性和泛化性[12, 13]。
为填补这些关键的知识和验证空白,我们开发了一种全面的多维影像组学方法(图1)。该框架将最先进的自动分割与从瘤内、瘤周和生境域提取的特征以及深度学习语义特征相结合,以创建整体肿瘤画像。因此,本多中心研究的目的是开发并严格验证一种基于影像组学的列线图,用于准确术前预测PNET组织学分级,特别侧重于展示其作为有创组织采样程序有力补充的临床实用性。
材料与方法
患者选择
本研究按照用于预测模型开发与验证的TRIPOD声明[14]进行准备。放射组学流程[15]和人工智能相关方法的报告还分别与CLEAR清单[16]和CLAIM(2024更新版)清单[17]保持一致。本研究获得长海医院伦理委员会批准,并遵循严格的伦理标准(批准号:Changhai-Y2024-019)。所有影像和临床数据在分析前均经过去标识化处理,即移除直接标识符并用随机代码替换研究ID。数据存储在各参与机构内具有访问控制的服务器上,仅授权研究人员可访问以进行分析。我们连续识别了2012年10月至2024年2月期间来自两家机构的780例胰腺神经内分泌肿瘤(PNETs)患者(图2)。纳入标准为:(1)手术切除且病理证实为PNET,以及(2)术前1个月内完成增强CT检查。排除标准为:(1)既往接受过治疗(化疗、放疗或靶向治疗),(2)胰腺神经内分泌癌或混合性神经内分泌-非神经内分泌肿瘤,以及(3)合并其他胰腺恶性肿瘤。模型开发和评估所需的变量已事先预设。结局标签缺失或预测变量标签缺失的记录被排除在分析之外。遵循TRIPOD指南,长海医院队列按时间分为训练集(2014年4月至2021年10月,n = 244)和验证集(2021年11月至2024年1月,n = 106)。上海市第四一一医院队列作为独立外部测试集(2019年5月至2021年12月,n = 57)。我们确认本研究纳入的患者与我们既往发表的队列之间无重叠。
样本量计算
样本量使用pmsampsize R包按照Riley等人的指南[18]进行估算。基于预期C统计量为0.85、结局患病率(G2/G3肿瘤)为59%、最终列线图中包含5个预测变量——M-DLR评分、肿瘤直径、肿瘤负荷评分、胆管扩张和主胰管扩张——所需最小样本量为198例患者(117个事件)。为提高模型稳健性和泛化能力,我们设定的每变量事件数(EPV)比值高于最低要求。最终队列纳入407例患者,其中240个G2/G3事件,EPV为48,大幅超过推荐阈值。事后功效分析证实模型验证的功效> 95%。
终点
主要终点为PNET的组织病理学分级,根据2019年WHO分类标准通过Ki-67增殖指数确定:G1(Ki-67 ≤ 3%)、G2(Ki-67 3–20%)和G3(Ki-67 > 20%)。次要终点为无进展生存期(PFS),定义为从手术切除至首次记录到疾病进展证据、任何原因死亡或末次随访检查的时间,以先发生者为准。
实施了一套严谨的流程,以客观且无偏倚的方式评估PFS。首先,疾病进展通过影像学标准(实体瘤疗效评价标准,版本1.1)严格定义,包括:(1)手术部位局部肿瘤复发,(2)出现新的远处转移,或(3)原有转移病灶的影像学进展。其次,所有影像学评估均由两名独立放射科医师进行,他们对以下内容设盲:(1)PNET-PRISM模型预测结果,(2)原始病理分级,(3)临床治疗决策。仅向阅片者提供带有唯一研究编号的匿名影像数据。阅片者间一致性高,由第三名资深放射科医师对少数不一致病例(n = 8,占所有进展事件的6.2%)担任仲裁者。此外,尽管患者在随访期间接受了临床和实验室评估,包括肿瘤标志物(如嗜铬粒蛋白A),但仅有标志物水平升高不构成进展;相反,这触发了更早或更详细的影像学评估以客观确认进展。该监测按照标准化机构方案进行,术后最初2–3年内每3–6个月进行动态增强CT或MRI检查,之后转为每年检查一次,直至最终随访日期2024年7月17日。
CT图像采集与分析
所有CT检查均使用256–640层扫描仪(Brilliance iCT,Philips;Aquilion ONE,Canon)按照标准化方案进行:120 kV,150 mAs,0.5秒旋转时间。经肘前静脉通路以3.5 mL/s注射非离子型对比剂(350 mg I/mL,1.5 mL/kg),随后以30 mL生理盐水冲管。采用自动团注追踪技术获取动脉期和门静脉期图像。详细描述见补充方法1。
图像由一名具有> 10年经验的腹部放射科医师独立审阅,对组织病理学结果设盲。评估参数包括肿瘤位置、最大直径、主胰管扩张(> 3 mm)、胆管扩张(> 10 mm)、囊性成分及肿瘤负荷评分(TBS,根据先前提出的计算公式定义:[TBS² =(肿瘤最大直径)² +(肿瘤数目)²])。
影像组学工作流程与模型开发
放射组学特征仅基于训练集采用z分数归一化(均值 = 0,标准差 = 1)进行标准化。随后将相同的缩放参数应用于验证集和外部测试集,以防止信息泄露。放射组学分析包括一个由四部分组成的序贯工作流程:(1)图像分割与校正,(2)多维特征提取,(3)分层特征选择,以及(4)预测模型构建。图像分割与校正:该工作流程首先从术前增强CT扫描中选择动脉期和门静脉期图像。随后使用专有自动化工具nnMamba(V1.0/2024SR1384229)对胰腺肿瘤进行分割,该工具基于nnUNet框架构建。该自动化流程表现出较强的基线性能,在任何手动编辑之前,在独立测试集上达到平均Dice相似系数0.88。在自动化分割之后,所有分割结果均由一位在胰腺影像方面拥有20余年经验的资深放射科医师使用ITK-SNAP软件逐层仔细审核。在必要处进行手动校正以确保高保真度,目标Dice相似系数≥ 0.80。分割方案的详细描述见补充方法2。
多维特征提取:分割完成后,从勾画的肿瘤体积中提取了一套全面的多维特征集。在特征提取之前,使用固定箱宽对每个ROI内的体素强度进行离散化,以确保不同扫描之间的可比性。离散化设置(25HU)对所有病例和所有中心保持一致,训练队列和测试队列均使用相同的配置。该过程产生了五个不同类别的特征:
定量形态学特征:基本测量指标,包括最小、最大和平均CT值,以及肿瘤体积和最大横截面直径及面积。
2.5D深度学习特征:一种混合方法,从2D图像切片中提取具有3D上下文信息的特征。该方法分析2D图像切片的同时纳入相邻切片的上下文信息,在2D计算效率和3D空间感知之间取得平衡。
瘤内和瘤周放射组学特征:一套广泛的放射组学特征,用于表征肿瘤纹理和强度,分别从肿瘤内部以及周围2-mm和5-mm瘤周区域提取。
栖息地特征:基于体素级熵和强度指标将肿瘤体积划分为不同的亚区域(“栖息地”),随后从中提取栖息地特异性特征。
3D放射组学特征:提取全套3D特征以量化肿瘤的整体几何形态、强度分布和三维纹理模式。
所有特征提取过程的详细方法学见补充方法3。
3.分层特征选择:为了从高维数据中识别信息量最大的预测因子,实施了四步分层特征选择策略:
单变量筛选:首先对所有提取的特征应用Mann–Whitney U检验,仅保留与肿瘤分级显著相关的特征(p < 0.05)。
冗余减少:为尽量减少多重共线性,进行了Spearman相关分析。对于相关系数大于0.9的任何一对特征,移除其中一个特征。
递归消除:随后使用贪心递归消除算法,通过在每个步骤中迭代移除最冗余的特征来进一步精简特征集。
最终特征选择:最后,采用具有10折交叉验证的LASSO(最小绝对收缩和选择算子)逻辑回归模型来选择最终模型中使用的 optimal 特征子集。
4.预测模型构建:为评估影像组学特征的价值,开发并比较了两种不同的预测模型:
临床模型:仅使用显著的常规临床和影像学特征构建。
胰腺影像组学整合评分模型(PNET-PRISM):通过将显著的临床预测因子与最终影像组学特征相结合构建的整合模型,该特征被命名为多维深度学习影像组学评分(M-DLR评分)。
统计分析
连续变量根据分布正态性以均值±标准差或中位数(四分位距)表示。分类变量以频率和百分比报告。组间比较酌情使用t检验、Mann–Whitney U检验或卡方检验。模型性能使用受试者工作特征曲线、曲线下面积(AUC)、灵敏度、特异度、阳性预测值和阴性预测值进行评估。校准使用Hosmer–Lemeshow检验和校准曲线进行评估。临床效用使用决策曲线分析进行评估。模型比较采用DeLong检验。净重分类改善(NRI)量化模型提升。生存分析使用Kaplan–Meier曲线和log-rank检验。统计显著性设定为p < 0.05。所有分析均使用R软件(版本4.3.1)进行。
结果
患者特征
最终研究队列包括407例经病理确诊的PNETs患者,分为训练集(n = 244)、验证集(n = 106)和外部测试集(n = 57)。总体而言,队列包括167例1级(G1)肿瘤患者和240例2/3级(G2/G3)肿瘤患者。
低级别组和高级别组之间观察到显著差异。在训练和验证队列中,G2/G3肿瘤患者的肿瘤尺寸显著更大,肿瘤负荷评分(TBS)更高,T、N和M分期更晚(均p < 0.05)。在外部测试集中,这些差异在N分类(p = 0.040)和主胰管扩张的存在(p = 0.018)方面具有显著性。相比之下,患者年龄和肿瘤位置等其他基线特征在所有数据集中组间具有可比性。患者和肿瘤特征的全面总结见表1。
M-DLR评分的构建和验证
从超过13,000个多维特征的初始集合中,分层筛选框架选择了11个特征的最佳子集来构建多维深度学习影像组学评分(M-DLR评分)(图3C)。
所得的M-DLR评分在所有数据集中均显示G1与G2/G3肿瘤组之间存在高度显著差异(p < 0.0001)(图3D)。中位评分在训练集(G1:−0.94 vs. G2/3:1.85)、验证集(G1:−0.31 vs. G2/3:2.38)和测试集(G1:−0.19 vs. G2/3:1.89)中均能一致区分两组。
单独使用M-DLR评分在分级方面具有良好的诊断性能,训练集AUC为0.91(95% CI,0.88–0.94),验证集为0.88(95% CI,0.82–0.93),测试集为0.84(95% CI,0.75–0.92)。详细性能指标见表2和图4。
M-DLR评分与无进展生存期(PFS)的关联
使用0.259的最佳截断值,M-DLR评分用于将患者分为低风险组和高风险组。Kaplan–Meier分析显示,低风险组患者的无进展生存期(PFS)在训练集(p = 0.0066)、验证集(p < 0.0001)和外部测试集(p = 0.0197)中均显著长于高风险组。总体而言,log-rank检验证实M-DLR评分与PFS显著相关(HR,2.050,95% CI,1.484–2.833,p < 0.001),表明其具有预后价值(补充图1)。
预测模型的性能
单因素分析确定,肿瘤大小、TBS、主胰管扩张、胆总管扩张和M-DLR评分均为PNET分级的显著预测因素(均p < 0.05)(表3)。
基于这些发现,开发了两个预测模型。临床模型仅使用临床和影像学变量,表现出中等 discriminative power,在训练集、验证集和测试集中的AUC分别为0.77、0.80和0.71(表4)。
PNET-PRISM将M-DLR评分与临床预测因素相结合,表现出显著优越的性能(表5)。其在训练集、验证集和测试集中的AUC分别为0.92(95% CI,0.88–0.95)、0.89(95% CI,0.82–0.94)和0.87(95% CI,0.76–0.94)(表2,图4)。校准曲线表明模型在所有数据集中均具有良好的拟合度(Hosmer–Lemeshow检验,所有p > 0.15)(图4)。展示模型实用性的代表性病例见图5。
模型比较与临床实用性
模型比较证实,PNET-PRISM在所有数据集中均显著优于临床模型(DeLong检验,p < 0.05)。虽然其性能与单独使用M-DLR评分相当,但净重分类改善(NRI)分析证明其准确性更优,在训练集(NRI = 0.406,p < 0.001)、验证集(NRI = 0.127,p = 0.030)和测试集(NRI = 0.318,p = 0.070)中均较临床模型有显著改善(补充图2)。
在与EUS-FNA(n = 40)的头对头比较中,PNET-PRISM展现出显著的临床价值。在EUS-FNA无法诊断的25例患者中——主要归因于细胞量不足(12/25,48%)、广泛坏死(7/25,28%)或采样误差(6/25,24%)——PNET-PRISM在13例(52%)中提供了准确的分级。相反,在活检成功的病例中,其准确性与EUS-FNA相当(p > 0.05)。最后,决策曲线分析证实,使用PNET-PRISM指导临床决策在所有三个队列中于广泛的阈值概率范围内均提供更优的净获益(图6)。
误分类病例分析
为更好地理解PNET-PRISM的局限性,我们对407例患者中73例(17.9%)误分类病例进行了详细的误差分析,训练集、验证集和外部测试集的误差率分别为14.8%、20.8%和26.3%。假阳性(G1肿瘤误分类为G2/G3;n = 33)主要与较大的肿瘤尺寸(3.45 ± 1.88 cm vs. 正确G1的2.10 ± 1.44 cm;p < 0.001)和囊性改变相关,表明具有非典型影像学特征的大G1肿瘤容易被过度分级。相反,假阴性(G2/G3肿瘤误分类为G1;n = 40)与缺乏继发性侵袭征象的较小肿瘤(2.33 ± 2.43 cm vs. 正确G2/G3的4.22 ± 2.55 cm;p < 0.001)相关,凸显了具有惰性表型的早期恶性肿瘤的诊断挑战。基于这些失败模式,我们提出了一种风险分层临床决策框架,将PNET-PRISM预测与肿瘤大小和囊性特征相结合以指导管理,例如对低风险预测G1肿瘤(≤ 2 cm)进行监测,而对较高风险或不确定病例进行EUS-FNA或多学科讨论(补充图3–5,补充表2)。
讨论
胰腺神经内分泌肿瘤(PNETs)的术前分级代表了关键的临床分岔路口,决定了在侵入性手术与主动监测之间的重大抉择。然而,当前临床标准——超声内镜引导下细针穿刺抽吸(EUS-FNA)——常常走入死胡同;它具有侵入性、伴有操作风险,并且由于组织采样不足,在高达40%的病例中无法提供明确诊断。这一僵局产生了对可靠、非侵入性工具以指导治疗决策的迫切、未满足的需求。尽管先前的CT放射组学研究试图填补这一空白,但它们受限于单中心设计、依赖简单化特征以及未能考虑复杂的肿瘤微环境,限制了其临床转化,使核心问题仍未解决。
为打破这一僵局,我们开发并严格验证了PNET-PRISM,一种旨在作为“虚拟活检”发挥作用的多维影像组学列线图。我们的方法通过四项关键创新解决了既往模型的基本缺陷:(1)全自动、基于深度学习的分割以确保可重复性;(2)对瘤周微环境进行系统分析,捕捉肉眼不可见的肿瘤-宿主相互作用;(3)瘤内栖息地分析以量化区域异质性,反映病理学变异;(4)整合先进深度学习特征以捕捉复杂语义模式。这项多中心研究具有稳健的外部验证,专门设计用于证明这种综合方法能够产生一种可在不同机构间推广且可靠的临床可转化工具。
我们的结果表明,PNET-PRISM不仅实现了卓越的诊断准确性——在训练、验证和外部测试队列中的AUC分别为0.92、0.89和0.87——而且还提供了更深层次的生物学和预后洞察。该模型的性能并非“黑箱”;其预测能力由具有强生物学合理性的特征驱动。例如,2 mm瘤周区域特征的高重要性可能反映了高级别肿瘤的潜在生物学过程,如肿瘤-间质界面处的新生血管形成和炎症浸润。同样,识别乏血供、高熵区域的栖息地特征与肿瘤坏死和缺氧高度对应,而后者是侵袭性生物学的标志。
至关重要的是,PNET-PRISM的临床价值超越了诊断。其影像组学特征——M-DLR评分——作为一种强大的独立预后生物标志物发挥作用,评分越高与无进展生存期越短显著相关(HR = 2.050,p < 0.001)。这种双重诊断和预后能力将PNET-PRISM从简单的分级工具提升为综合风险分层工具。此外,其能够正确分级52%的EUS-FNA未能获得诊断的病例——克服了细胞量不足、坏死和采样误差等关键局限性——凸显了其在解决临床不确定性方面的直接效用。该模型在外部验证队列中完美的敏感性(100%),即使以特异性为代价,也反映了优先考虑患者安全的保守偏倚。当EUS-FNA无法诊断或存在禁忌时,这一点尤其有价值,使其成为自信识别需要积极治疗患者的理想工具。
这项工作提供了一种有望改变PNET管理临床范式的新见解。我们证明,常规、无创的CT扫描蕴含大量未被开发的生物学和预后信息,当通过多维人工智能框架加以解锁时,能够可靠地指导关键治疗决策。这不仅仅是补充现有标准;它恰好在标准失效之处提供了稳健的解决方案。
对我们模型失败模式的分析进一步阐明了PNETs的复杂生物学特性,其中一些低级别肿瘤表现出侵袭性影像学特征,而一些高级别肿瘤则表现为惰性。这一认识使我们能够开发出一项切实的临床贡献:一种新颖的、风险分层的决策框架,该框架将PNET-PRISM的预测与肿瘤大小和特征相结合,以指导临床医生决定是采取监测、EUS-FNA还是立即手术。这一数据驱动的框架为个性化患者诊疗提供了清晰、可操作的路径。
本研究在透明承认局限性的基础上,为未来研究提供了坚实的基础。其回顾性性质以及仅纳入手术队列的设计意味着,在非手术和监测人群中进行前瞻性验证是关键的下一步。此外,将G2和G3肿瘤合并,虽然从当前切除指南的临床角度是合理的,但可能掩盖了G3肿瘤独特的生物学特征,值得进一步研究。
未来研究应直接在此基础上推进:(1) 开展前瞻性试验以确认PNET-PRISM的临床实用性和成本效益;(2) 开发专门用于区分G3肿瘤的模型,可能通过纳入有丝分裂特异性特征;(3) 将影像组学数据与其他有前景的生物标志物(如ctDNA)整合,以创建更强大的多模态预测工具。
关于临床实施,PNET-PRISM可作为独立的云端工具部署,或直接集成到医院PACS系统中以实现无缝的工作流程采纳。为促进转化,我们已在GitHub上公开发布了预测模型和推理代码(“数据可用性”部分)。我们的团队正在探索前瞻性试验和软件原型的合作,试点研究预计将开展。
总之,本研究提出了一种经过严格验证的多维影像组学列线图,有效解决了PNET管理中一个关键未满足的需求。通过提供一种可靠、无创的工具用于分级和预后评估,PNET-PRISM为优化临床决策、个性化治疗路径以及最终改善患者结局提供了坚实的基础。
补充信息
电子补充材料
引用
- Li Y, Chen C, Lu M, et al. PNET-PRISM: a multicenter-validated radiomics nomogram for noninvasive grading of pancreatic neuroendocrine tumors. Insights Imaging. 2026. PMID: 41874882. doi:10.1186/s13244-026-02250-3
- 全文:PMC13013714(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13013714/
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。