文献速递技术与安全CT

AI辅助危及器官勾画对放疗计划流程影响的多中心真实世界评估

A multi-centre real-world evaluation of AI-assisted organ at risk contouring on radiotherapy treatment planning workflows.
PubMed 文献 · Br J Radiol · 2026-01-01

本研究由NHS England委托,在8个NHS放疗科评估AI辅助危及器官勾画对流程、人员及勾画可接受性的影响,纳入626例患者。结果显示AI勾画缩短了勾画时间并重新分配了工作量,但整体治疗路径时间未显著缩短;AI勾画总体接受度良好,乳腺最佳,前列腺和头颈需更多编辑。

要点

  • AI辅助勾画将勾画中位时间从3天缩短至0天,但轮廓审核时间延长(中位3天 vs 1天)。
  • AI勾画整体可接受:15.9%无需编辑,64.4%仅需微小编辑;乳腺可接受性最佳,前列腺和头颈需更多编辑。
  • AI路径中仅38%的首次审核由临床肿瘤医生完成,而手工路径100%由临床肿瘤医生审核。

核心结论

  • AI辅助勾画可提高放疗计划中危及器官勾画的效率,但整体治疗路径时间未显著缩短,需优化流程以释放效益。

研究设计与样本

  • 多中心真实世界观察性研究,由NHS England委托,纳入8个NHS放疗科626例患者数据(399例AI勾画,227例手工勾画),比较手工与AI辅助路径的时间指标和勾画可接受性。

诊断标准与关键数值

  • AI勾画可接受性采用4分制(基于Van Dijk等):15.9%无需编辑,64.4%微小编辑,16.2%中等编辑,3.5%重大编辑。
  • 肿瘤部位与可接受性评分显著相关(χ2=100.99,df=15,P<.0001),乳腺无需中等或重大调整,前列腺和头颈需最多编辑。

临床应用与阅片要点

  • AI勾画可缩短勾画时间并允许审核任务分配给剂量师、治疗放射技师等非肿瘤医生人员,但需注意审核环节可能成为新瓶颈。
  • 乳腺勾画可接受性高,编辑需求少;前列腺和头颈解剖复杂,AI勾画后需更仔细审核和编辑。
  • 实施AI前应进行工作流程映射,考虑肿瘤部位分布、审核人员可用性和潜在瓶颈,并持续审计和调整流程。

局限性

  • AI与手工勾画病例数不平衡,手工病例集中在特定科室,样本量因数据可用性而异。
  • 两个科室在研究期间未使用AI,全手工与AI采用中心间的结构流程差异可能影响比较。
  • 可接受性评分未设拒绝AI勾画并完全手工重画的选项,且未对每个危及器官单独记录勾画或编辑时间。
  • 数据收集基于信息系统日期而非精确计时,掩盖了非工作时间活动或批量任务等细节。
全文中译9 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:Br J Radiol. 2026 May 15;99(1184):1615–23. doi: 10.1093/bjr/tqag111

引言

随着英国癌症发病率上升,1,2癌症服务面临着对及时诊断和治疗日益增长的需求。2021年,英格兰诊断出新发病例329,665例,癌症死亡135,643例。3,4 2021/22年英格兰放射治疗的前四位原发肿瘤部位为女性乳腺、前列腺、肺以及头颈部。COVID-19大流行进一步加剧了这些挑战,导致癌症转诊和治疗计划出现重大中断。5–7

在需求上升的同时,放射摄影、医学物理和临床肿瘤学领域的长期劳动力短缺对国家卫生服务体系(NHS)放射治疗服务构成了重大挑战。8,9这些短缺影响了满足日益增长的放射治疗服务需求的能力,引发了对治疗延迟、患者结局和员工职业倦怠的担忧。10,11劳动力流失可能导致经验损失,因此标准化勾画的能力可以支持资源受限系统中照护的一致性。这也可以支持高级水平实践和职业发展机会。此外,放射治疗技术的进步需要时间才能被采用,并可能导致更复杂的治疗计划,从而造成进一步的压力。

考虑到这些挑战,在保持性能的同时提高放射治疗计划效率已成为优先事项。勾画是使肿瘤精确靶向同时尽量减少对周围健康组织照射的过程,是一项耗时且劳动密集的步骤,易受使用者内部和使用者间变异性的影响。12,13需要专业人员手动在CT或MRI扫描上勾画危及器官(OARs)和靶区体积(TV),这因工作人员在专业知识、经验和个人偏好方面的差异而引入变异性。14–19尽管65%的病例有其他专业人员参与,10临床肿瘤科医生仍承担勾画的主要责任。为应对这些挑战,人工智能(AI)已成为放射治疗计划中一种有前景的解决方案。20

AI赋能的自动勾画工具21利用深度学习(卷积神经网络和生成对抗网络)自动勾画危及器官(在某些情况下也包括靶区体积),并可能减少治疗计划所需的时间。22这项技术有潜力实现跨人员和跨部门的实践标准化,使人员能够被部署以解决瓶颈问题,并释放时间用于其他活动。国家卫生与临床优化研究所(NICE)23汇总的证据表明,AI生成的勾画可达到与手动勾画相似的性能,尤其是对于较大结构。应当指出,大多数证据存在于前列腺和头颈部(H&N)。

现有文献表明,人工智能轮廓通常被广泛接受,且往往只需少量修改。25,26 然而,不同解剖部位的表現存在差异,较小、细长结构的自动轮廓往往需要更多编辑。24 拥挤的解剖区域及邻近肿瘤部位也可能影响表現。27 尽管基于人工智能的自动轮廓可能节省时间,28–31 但这取决于轮廓的质量和可接受性,包括手动修正的时间,以及人工智能工作流程的配置。许多研究仅孤立地考虑轮廓勾画时间,而未考虑整个工作流程,因此可能高估整个治疗工作流程中潜在的时间节省。23,32

这项多中心观察性研究旨在评估人工智能辅助危及器官(OAR)轮廓勾画对放疗治疗计划的真实世界影响,并与手动轮廓勾画(此处指完全由放疗或肿瘤科工作人员绘制、不使用人工智能、基于图谱或其他自动轮廓勾画工具的轮廓)进行比较,捕捉当地工作流程、人员配置模式和路径设计的差异。该方法旨在评估人工智能辅助轮廓勾画在异质性真实临床环境中大规模部署时的表现。

通过以天而非分钟为单位测量时间,我们旨在捕捉对完整治疗路径的影响,因为人工智能辅助轮廓勾画的影响可能被流程其他阶段的延迟所抵消。因此,人工智能工作流程不仅仅由人工智能的表現来定义,还取决于其如何整合并影响整个治疗计划工作流程。次要目标侧重于评估人工智能生成轮廓的可接受性及其对参与工作人员的影响。

方法

研究地点与人群

英格兰八家NHS信托基金的放疗科参与了本研究。人工智能软件于2020年至2024年间实施。在评估期结束时,两个科室使用MVision(MVision AI Oy,芬兰),两个科室使用Limbus AI(Limbus AI,加拿大),两个科室使用AI-Rad Companion Organs RT(Siemens Healthineers,德国)。两个科室仅提交了手动轮廓勾画数据。若干科室此前曾使用Mirada DLCExpert,并在Mirada退出市场后正在过渡到替代方案。两个科室在研究期间更换了人工智能工具。其中一个在其过渡期间同时提供了Siemens AI-Rad和Limbus AI的数据,而另一个则仅提供了其新工具Limbus AI的数据。第三个科室报告连续多年使用了三种不同的人工智能工具(但评估期间仅使用了一种)。该科室拥有由高级执业放射技师支持的、专门且经过审计的肺癌立体定向消融放疗人工智能辅助路径。仅另有一个科室报告在采用人工智能后对路径进行了审计和审查。

在评估期间,没有科室采用AI路径,因此无法进行科室前后对照的最佳比较。将使用AI的科室恢复为人工勾画是不可行的。因此,从两个未使用AI的科室收集了人工勾画数据,并从使用AI的科室回顾性收集了人工勾画数据。虽然所有NHS科室都遵循相同的治疗时间标准[33],但效率提升的应用可能因当地服务需求而异,包括在减少工作量的情况下维持当前绩效、扩大容量或改善及时获得治疗的机会。

数据概览与样本

使用经过验证的电子表格共收集了626个勾画数据集(每个数据集代表一个单独的治疗计划及相关勾画)。每个数据集记录了单个患者的治疗计划流程,包括工作流日期、勾画执行者(人工或AI)以及审核者(图1)。在整个放疗治疗过程中记录了以下日期(DDMMYY):转诊日期、计划CT日期、危及器官(OAR)勾画开始和结束日期(每个病例OAR勾画开始并被标记为完成的日期)、OAR勾画审核开始和结束日期(OAR勾画审核开始并被标记为完成的日期;结束日期代表最后一位审核者标记“完成”的时间点)、放疗治疗计划开始和结束日期(剩余治疗计划活动开始和完成的日期)以及首次治疗开始日期。这些日期均取自参与科室肿瘤信息系统生成的时间戳,有助于保证记录的一致性并减轻科室数据收集负担。

根据这些日期,衍生出两类时间指标。序列时间间隔定义为连续工作流步骤之间经过的时间(例如,计划CT至OAR勾画完成、OAR勾画完成至治疗计划完成)。累积工作流时间定义为从计划CT至首次治疗的总经过时间。本研究侧重于从常规记录的临床时间戳衍生的系统级工作流时间,以反映多个中心在异质工作流下的真实世界路径绩效。涵盖了四个原发肿瘤部位(肺、头颈、乳腺和前列腺),其中乳腺和前列腺另外作为单独的“含淋巴结”组报告,即包含淋巴结体积:肺(138个数据集,22%)、头颈(114个数据集,18%)、乳腺(113个数据集,18%)、前列腺(106个数据集,17%)、乳腺含淋巴结(68个数据集,11%)和前列腺含淋巴结(87个数据集,14%)。数据集记录了勾画是由AI还是人工生成,以及审核者的专业角色。勾画审核采用基于Van Dijk等的4分制量表[34]。有多个审核者的科室提供了后续审核的日期和审核者专业。

在总数中,399个数据集(63.7%)在6个科室由AI勾画,227个在6个科室由人工勾画。图2显示了按勾画方法划分的肿瘤部位分布。数据集跨越2020年至2024年,其中大多数(429个,68.6%)来自2024年转诊的患者。最早转诊日期为2020年9月,最近为2024年5月。

图1 治疗计划路径概要,总结了各科室所描述的流程。预定的步骤在科室层面是“固定的”。所有科室都审核危及器官(OAR)轮廓(“审核者1”)。部分科室设有第二审核步骤,可能涉及一名或多名工作人员(“审核者2”)。 查看原图 ↗
图2 按勾画主体统计的肿瘤部位勾画数量的柱状图。 查看原图 ↗

统计分析

对人工智能辅助勾画与人工勾画的时间间隔进行了序贯比较,分析连续步骤之间的时间(从工作流记录的各个时间戳之间的时间;图1),并进行了累积比较(从转诊至治疗计划的累积时间),测量从计划CT到工作流后续环节的时间。对于非参数数据,使用Mann-Whitney U检验比较两组,显著性水平设定为0.05。多变量广义线性模型(GLM)用于评估科室特征(即工作人员数量、直线加速器数量、肿瘤部位)对两个关键时间间隔的影响:勾画开始至轮廓审核与验收(勾画时间的序贯变量)以及计划CT至首次治疗开始(整个路径的累积变量)。勾画时间采用Poisson GLM,而计划CT至治疗开始的时间采用负二项GLM。单变量分析确定纳入多变量GLM的显著变量。GLM检验了勾画方法(人工智能 vs 人工)、肿瘤部位、淋巴结纳入、科室、COVID-19的影响、对新癌症等待时间标准的依从性33、人工智能勾画已使用的时间长度、工作人员与直线加速器的比率,以及不同工作人员类型参与治疗计划的情况。纳入COVID-19时期变量以考虑疫情期间潜在的系统层面中断(定义为2020年3月至2023年12月之间的转诊)。P值<.20的变量纳入多变量GLM。

对于工作人员分布和轮廓可接受性的统计分析,描述性统计总结了参与工作流的工作人员角色。计算了执行人工智能生成轮廓首次审核的工作人员类型比例,并与人工工作流进行比较,后者中临床肿瘤学家独家审核轮廓。

还分析了人工智能生成轮廓的可接受性。进行卡方检验以检查肿瘤部位与轮廓可接受性之间的关联,显著性水平设定为P<.05。还对在本地工作流中常规执行的第二审核进行了总结,以评估与第一审核者的一致性。所有分析均使用Python(版本3.9)进行。

结果

工作流持续时间

人工智能辅助勾画显著缩短了勾画活动的持续时间(勾画开始至勾画结束),人工智能辅助病例在同一天完成(中位数=0天,四分位距(IQR)=0天),而人工病例(中位数=3天;IQR=2天;U=7,179,P<.001)。人工智能辅助工作流中从治疗计划开始至计划签署的时间更短(中位数=1 vs 2天;两组IQR=3天;U=13,842,P<.001)。

然而,尽管人工智能加速了勾画过程本身,但工作流程结构意味着节省的时间集中在勾画相关活动上,并未转化为整个路径的时间节省。危及器官(OAR)勾画审核开始至结束之间的间隔在人工智能路径中更长(中位数=3天,四分位距(IQR)=7天),而手动路径为(中位数=1天,IQR=5天;U=60,474,P<.001)。此外,从计划完成到治疗开始的时间(人工智能:中位数=6天,IQR=5天;手动:中位数=5天;IQR=6天;U=55,085,P<.001)在人工智能辅助工作流程中更长。广义线性模型(GLM)表明,在COVID-19期间勾画时间显著更长(β=2.60E+7,P<.001)。

累积时间间隔分析进一步印证了这些发现(图3),显示虽然人工智能辅助路径缩短了OAR勾画时间,但整体路径时长与手动勾画相似。人工智能辅助路径从计划CT到勾画审核完成通常所需时间更少,与序贯时间间隔结果一致。人工智能辅助病例开始OAR勾画的中位时间为0天,而手动勾画为3天(IQR=5天)。同样,人工智能辅助病例完成OAR勾画的中位时间为0天,手动病例为4天(IQR=6天)。

至勾画审核结束时,人工智能和手动勾画路径均收敛至中位数7天(人工智能辅助IQR=6天,手动IQR=7天)。尽管人工智能在初期观察到了时间节省,但从计划CT到治疗开始的总体中位时长在人工智能辅助病例(17天,IQR=5天)与手动勾画病例(15天,IQR=8天)之间相似,跨肿瘤部位无显著差异(β=1.076,P=.407)。虽然前列腺治疗在单变量分析中显示出路径时间缩短的趋势(β=1.228,P=.021),但在GLM中不显著(P=.091)。

图3 折线图显示从计划CT到后续步骤路径中,使用人工智能生成和手动OAR勾画所需的中位累积时间。阴影表示四分位距(IQR)。 查看原图 ↗

参与工作流程的工作人员角色分布

手动勾画主要由临床肿瘤科医生完成(86%),治疗放射技师(12%)和剂量师(2%)参与的病例较少(且仅在提供手动数据的6个科室中的3个)。在人工智能路径中,OAR勾画由人工智能完成。审核者1对396个人工智能生成的勾画提供了可接受性评分(3个缺失)。其中,43%由剂量师首次审核,38%由临床肿瘤科医生审核,14%由治疗放射技师审核,3%由医学物理师审核,2%由高级临床执业者审核。相比之下,所有手动勾画均仅由临床肿瘤科医生审核。图4显示了人工智能生成勾画按肿瘤部位的审核者角色分布。

图4 按专业对人工智能生成勾画进行首次审核的工作人员构成。 查看原图 ↗

人工智能生成勾画的可接受性

在评审员1评分的396个AI生成轮廓集中,15.9%无需编辑,64.4%需要轻微编辑,16.2%需要中度编辑,3.5%需要重大编辑。图5显示了按肿瘤部位分层的可接受性评分。肿瘤部位与可接受性评分之间存在显著关联(χ2=100.99,df=15,P<.0001)。乳腺轮廓所需编辑最少,无一需要中度或重大调整,而前列腺及头颈部轮廓所需编辑最多。在评审员2评分的184个AI生成轮廓中,58%无需编辑,29%需要轻微编辑,11%需要中度编辑,2%需要重大编辑。

图5 评审员1对按肿瘤部位分层的AI生成轮廓的可接受性评分频率。 查看原图 ↗

讨论

本研究旨在评估AI辅助勾画对真实世界放疗治疗计划工作流程、人员配置及危及器官(OAR)轮廓可接受性的影响。虽然AI辅助路径从计划CT到轮廓完成的时间通常较短,但总体节省的时间往往在轮廓审核环节丢失,因为审核会话按固定间隔预先预约。勾画与审核之间间隔内发生的其他活动未被正式记录。在人工路径中,临床肿瘤科医生有时同时进行OAR勾画和靶区体积勾画,而在AI辅助路径中,当由肿瘤科医生执行时,OAR审核和靶区体积勾画可能合并进行,这会影响总体时间节省,具体取决于其可用性。AI实施后的本地审计有助于优化路径,例如提高符合等待时间标准的病例比例、缩短总体路径时长、为其他活动创造时间或解决特定资源瓶颈。在人工路径中,肿瘤科医生负责86%的OAR勾画和全部审核。通过消除人工勾画的需求并支持重新分配执行OAR轮廓审核的人员,AI不仅简化了OAR勾画流程,还使审核任务得以在剂量师、治疗放射技师、医学物理师和肿瘤科医生之间重新分配。这种工作负荷分配的转变减少了对肿瘤科医生的严重依赖,缓解了导致慢性职业倦怠、非工作时间工作和劳动力流失的部分压力。11将勾画工作流程的各个环节分配给其他专业群体,提供了根据本地需求和人员可用性灵活配置路径和流程的能力,以及为某些专业推进实践和提供职业发展的能力。

需要注意的是,缩短总体路径时长只是效率的一项衡量指标。本研究未专门报告符合癌症等待时间标准的病例数量或比例。对参与中心工作人员的访谈显示,AI辅助勾画可用于帮助提高在标准时间范围内处理的病例比例,或将标准之外的节省时间投资于其他活动,如服务发展和培训。应当指出,大多数科室在AI实施后未正式审查和修订路径。

还评估了AI生成轮廓的可接受性。在四个主要肿瘤部位中,80%的危及器官(OAR)轮廓集无需编辑或仅需少量编辑,这表明通过AI辅助勾画节省的时间在轮廓审核过程中通常得以保留。编辑需求因肿瘤部位而异。乳腺OAR轮廓所需的编辑最少,而头颈部OAR所需的编辑最多。前列腺和头颈部轮廓在解剖上更为复杂,通常需要肿瘤科医生数小时的手工勾画。35–37 由于本评估侧重于大规模效率和质量的影响,轮廓的可接受性是在这一分组解剖水平上评估的。然而,对轮廓质量和可靠性的详细探索,尤其是在更复杂的解剖结构中,理想情况下应逐一审查各组成器官和亚结构。

此外,AI的性能取决于训练数据集38,39和CT图像的质量。40 已知不同的AI工具在某些解剖部位的表现优于其他部位21,31,42,但在这项不限厂商的评估中未对此进行探索。在我们的数据中证实了在具有较小、细长结构的解剖区域中可接受性较差。未对人工轮廓进行正式的定性可接受性评分,因为这些代表标准临床实践,且未使用相同量表进行独立重新评估。因此,未对人工与AI生成的轮廓集进行直接的定性比较。

既往对AI勾画的评估使用了精细的“秒表”计时41,42,这种方法劳动强度大、易受用户和科室间差异的影响,且对本评估不实用。取而代之的是,使用肿瘤信息系统记录的日期来提供更广泛的、系统层面的路径影响视图,以生成可识别的真实世界信息。尽管这种方法掩盖了更精细的细节,如非工作时间活动或分组任务(例如批量上传或多次审核),但它减少了数据收集负担,并提供了跨科室更一致的比较。然而,精细数据本可作为探索少量、中度和大量轮廓编辑所需时间的宝贵补充。本研究未探索每个OAR的勾画或编辑时间,因为初步范围界定工作发现各科室使用不同的本地操作流程及各自的OAR集(例如与放疗类型或可用设备相关),且所使用的商业AI工具制造商报告的OAR也存在差异。

本研究的一个局限性是,Likert量表未包含审核者判定拒绝AI生成的OAR轮廓并从零开始手工勾画优于编辑的选项。

在这项真实世界评估中,AI辅助与手工勾画的病例未达到平衡,较少的手工病例集中在特定科室,且样本量因数据可及性而异。虽然使用了统计方法来调整这些差异,43 但固有的变异性可能影响了结果。此外,两个科室在研究期间未使用AI。尽管科室已作为协变量纳入模型以调整机构间差异,但完全手工与采用AI的中心之间的结构性工作流程差异可能影响了比较。

一项理想的前瞻性研究应具备标准化的病例选择、均衡的分组,并针对每个危及器官(OAR)分别收集人工智能(AI)与人工勾画轮廓的时间和可接受性数据。然而,考虑到研究持续时间以及科室面临的压力,收集更精细的数据既具有侵入性又会造成负担。如果在科室内部和科室之间以严谨且标准化的方式收集此类数据,将为知识库提供有价值的补充。

这项多中心真实世界评估采用务实的方法设计,旨在支持英格兰国民健康服务体系(NHS)内多个放射治疗科室参与。其设计旨在反映常规实践,以减少偏倚并最大限度地提高研究结果的相关性及对其他同类科室的普适性。因此,工作流程、人员配置和病例构成的异质性是预期之中且有意为之的。

本研究表明,资源分配和工作流程映射的差异影响了AI辅助勾画在整个路径中的获益。科室在部署AI之前应进行工作流程映射,考虑肿瘤部位分布、可用于审核AI结果的人员以及潜在瓶颈等因素。清晰的治理、利益相关方的参与和定制化培训也是成功实施所必需的。44 尽管AI在特定任务上节省了时间,但要确保这些节省的时间得以实现并被有效利用,需要持续的审核和工作流程调整。

值得注意的是,本研究的数据收集期恰逢放射治疗劳动力面临严重压力、9,10,11 癌症病例稳步增加,以及疫情和疫情相关癌症服务恢复的时期。由于当前目标要求96%的患者在决定治疗后的31天内开始首次治疗,治疗计划工作流程效率的提高可能表现为个体患者治疗等待时间的缩短,或表现为在该时间窗口内接受治疗的患者比例增加。因此,未来研究可以探讨对每位患者时间的影响以及在给定时间范围内治疗的患者数量,以及在31天目标内治疗的患者比例。

结论

AI辅助的危及器官(OAR)勾画在放疗治疗计划中提供了潜在的效率提升,特别是通过减少勾画所需时间并在非肿瘤科工作人员之间重新分配工作量。这有可能使科室能够将人员集中在当地相关的瓶颈环节,以减轻系统的整体压力。在本研究中,我们发现AI显著减少了OAR勾画的时间,但这一节省并未在整个治疗计划工作流程中转化体现。轮廓审核的延迟,例如与人员可用性或未优化路径中的滞后相关,限制了在整个工作流程中充分利用时间节省的潜力。需要进一步的工作来理解这一点,并描述工作人员可能利用AI勾画工具释放的时间所从事的其他活动,而这些活动在我们的评估中未被捕获。虽然本地实施后审计有助于实现实施AI自动勾画的更广泛效益,但此类活动需要持续的时间和资源投入,在AI工具以短期资金或合同安排部署的环境中可能不可行。AI生成的轮廓在大多数肿瘤部位通常是可以接受的。尽管如此,在复杂解剖结构如头颈癌中观察到的更大性能变异性,强调需要持续改进AI工具和流程,以确保所有肿瘤部位、所有患者的一致结果。本研究未捕获编辑轮廓所需时间的精细测量,也未对需要小幅、中度和大幅编辑的轮廓与理想轮廓之间的差异进行几何量化。未来的工作可以探索未编辑和已编辑轮廓之间的几何差异,以及剂量学后果如何因OAR而异。

需要进一步研究临床医生和患者对可接受性的看法,以及健康经济建模,以评估AI辅助勾画的长期影响和成本效益,并为所有利益相关者提取健康、时间、士气和精力方面的节省。

引用

  1. Inverarity C, Caswell-Midwinter B, Jamshidi B, et al. A multi-centre real-world evaluation of AI-assisted organ at risk contouring on radiotherapy treatment planning workflows. Br J Radiol. 2026. PMID: 42143612. doi:10.1093/bjr/tqag111
  2. 全文:PMC13389072(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13389072/

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。