钆塞酸二钠增强MRI多尺度多参数影像组学预测≤5 cm单发肝细胞癌微血管侵犯及预后
回顾性纳入2012年3月至2019年9月356例病理证实的≤5 cm单发肝细胞癌患者,基于钆塞酸二钠增强MRI多序列、多区域影像组学构建列线图预测微血管侵犯和复发。验证队列中随机森林列线图预测MVI的AUC达0.920,随机森林预测的MVI在分层和预后分析中与组织学MVI准确性相当。
要点
- 肿瘤边缘粗糙度、廓清期包膜强化缺失或不完整、动脉期瘤周强化为MVI独立影像危险因素。
- 基于PVP、HBP、AP、DWI及瘤周10 mm加肝背景的影像组学模型预测MVI最佳。
- 随机森林MVI列线图预测的MVI与组织学MVI在MVI分层及RFS预测中准确性相当。
关键影像表现/征象
- MVI阳性患者边缘粗糙度高于MVI阴性患者(0.224 ± 0.137 vs 0.147 ± 0.080,p < 0.001),边缘粗糙度越高(肿瘤越不呈球形)与MVI正相关。
- 影像模型多因素分析中,包膜强化缺失或不完整(p < 0.001,OR = 18.678,95% CI: 6.129–56.925)、边缘粗糙度较高(p = 0.05,OR = 68.886,95% CI: 0.974–4874.172)、瘤周强化(p < 0.001,OR = 5.721,95% CI: 2.161–15.151)为MVI独立危险因素。
- 临床模型多因素分析中,AFP > 20 ng/mL(p = 0.006,OR = 7.683,95% CI: 1.776–33.245)和TBIL > 20.4 μmol/L(p = 0.010,OR = 8.420,95% CI: 1.658–42.766)为MVI独立危险因素。
诊断标准与关键数值
- MVI病理分级:M0为无MVI;M1为侵犯血管不超过5条且位于距肿瘤表面1 cm以内的瘤周区域;M2为MVI超过5条或距肿瘤表面超过1 cm。
- 验证队列(n = 106)中MVI列线图预测MVI的AUC:随机森林为0.920(95% CI: 0.861–0.979),逻辑回归为0.879(95% CI: 0.820–0.938)。
- 验证队列中最终影像组学模型(PVP、HBP、AP、DWI四序列融合,VOItumor + 10mm + liver)AUC:随机森林0.918,逻辑回归0.809。
- 验证队列中四序列模型(PVP、HBP、AP、平扫T1图,VOItumor)AUC:随机森林0.871,逻辑回归0.792。
- RFS预测验证队列(n = 99)C-index为0.654(95% CI: 0.538–0.769);MVI-RF亚组验证队列C-index为0.673(95% CI: 0.570–0.776)。
临床应用与阅片要点
- 使用随机森林MVI列线图时,预测概率> 50%归为MVI阳性组,> 90%定义为M2级。
- 阅片时应关注动脉期瘤周强化、移行期包膜强化缺失或不完整及HBP图像上肿瘤边缘粗糙度等征象。
- 影像组学分析需联合瘤周10 mm区域与肝背景信息,并融合PVP、HBP、AP、DWI多序列。
局限性
- 原文未报告局限性。
全文中译15 节 · 点击展开
引言
肝细胞癌(HCC)是第六大最常见肿瘤,也是第三大癌症死亡原因[1]。尽管有治愈性治疗手段,HCC患者的预后仍然较差,肝切除术后5年复发率达50–70%,肝移植后< 35%[2–6]。
微血管侵犯(MVI)存在于15–57.1%的HCC手术标本中[7],是术后复发的明确危险因素[8, 9],甚至对于孤立性小HCC也是如此[10]。为改善MVI阳性患者的预后,推荐行宽切缘切除[11]。因此,术前诊断MVI对治疗策略具有重要意义。
MVI定义为内皮衬覆的血管内出现癌细胞巢,仅在显微镜下可见[7, 12],对无创诊断构成挑战。近年来,术前影像学特征包括肿瘤边缘不光滑、动脉期(AP)瘤周强化和肝胆期(HBP)瘤周低信号已显示有助于MVI诊断,但劣于影像组学特征[13]。作为一种新型无创工具,影像组学可高通量提取定量影像特征以提高诊断或预后准确性[14],这也适用于术前MVI和结局预测。HCC瘤周区域与术后复发和转移相关,富含高侵袭性细胞且易形成MVI[12],而此前影像组学研究[11, 15, 16]忽视了该区域。钆塞酸二钠增强(Gd-EOB-DTPA)MRI可识别小或早期HCC并提供肿瘤异质性和血管化信息[17],而此前影像组学研究[11, 13]主要关注HBP图像预测MVI。因此,有必要研究从Gd-EOB-DTPA MRI多参数图像瘤内和瘤周区域提取的影像组学特征是否可更有效地预测MVI。
本研究旨在开发并验证基于Gd-EOB-DTPA MRI多尺度多参数影像组学的列线图,用于孤立性HCC ≤ 5 cm患者的术前MVI和结局预测。
材料与方法
研究设计与患者
我院伦理委员会批准了这项回顾性研究并免除患者知情同意。2012年3月至2019年9月间,356例经病理确诊的HCC患者(男303例,女53例;54.22 ± 11.40岁)术前接受Gd-EOB-DTPA MRI并符合纳入标准(图1):(a) 孤立性HCC,最长径 ≤ 5 cm;(b) 术前影像学无大体血管侵犯、胆管癌栓或肝外转移;(c) 无既往HCC相关治疗史(肝切除术、肝移植、化疗、放疗、经动脉化疗栓塞、射频消融和免疫抑制治疗);(d) HCC组织病理学描述完整;(e) 术前1个月内扫描的MRI图像质量充分。
实验室检查与组织病理学
术前实验室指标(表1)包括血清甲胎蛋白(AFP)、癌胚抗原、糖类抗原19-9、脱-γ-羧基凝血酶原、乙型肝炎病毒(HBV)、抗丙型肝炎病毒、HBV-DNA载量、α-L-岩藻糖苷酶、丙氨酸氨基转移酶(ALT)、天冬氨酸氨基转移酶(AST)、总胆红素(TBIL)、直接胆红素、r-谷氨酰转移酶、碱性磷酸酶(AKP)、总蛋白、白蛋白、血小板计数、凝血酶原时间、活化部分凝血活酶时间、纤维蛋白原、凝血酶时间、前白蛋白、透明质酸、III型前胶原、IV型胶原和层粘连蛋白。本研究还包括Child-Pugh分级和巴塞罗那临床肝癌(BCLC)分期。
肝细胞癌(HCC)病理样本采用7点基线样本采集方案获取[12]。组织病理学特征(肿瘤大小、数目、Edmondson-Steiner分级、MVI状态及分类、基于Scheuer评分系统的肝纤维化分级以及Ki-67蛋白表达)由两名经验丰富的腹部病理学家协商一致评估。
MVI定义为在门静脉、肝静脉或周围肝组织内衬内皮的大包膜血管中出现肿瘤,仅在显微镜下可见[7, 11, 12, 18]。根据不良结局的高危因素[12, 18, 19],患者分别被分为M0级(无MVI)、M1级(受侵犯血管不超过5条且位于紧邻肿瘤表面1 cm以内的瘤周区域)或M2级(MVI > 5条或距肿瘤表面 > 1 cm)[12]。
钆塞酸二钠(Gd-EOB-DTPA)MRI
MRI在1.5-T扫描仪(Magnetom Aera,Siemens Healthcare)上进行,静脉团注0.025 mmol/kg钆塞酸二钠(Primovist,Bayer Pharma)。MRI序列如下:轴位脂肪抑制T2加权成像、DWI、同相位和反相位T1加权成像(T1WI)、增强前三维容积内插屏气(3D-VIBE)T1WI、注射钆塞酸二钠后增强动态3D-VIBE-T1WI(动脉期:AP,20–30 s;门静脉期:PVP,60–70 s;移行期:TP,180 s;肝胆期:HBP,20 min),以及自动重建的增强前和HBP T1图。详细参数见表S1。
MRI的定性和定量分析
形态学特征(HCC的典型MRI表现[1, 20]、瘤周强化[21]、包膜强化[22]、肿瘤最长径[23]以及HBP图像上的瘤周低信号[21])由两名对MVI状态不知情的放射科医师(S.X.R.和C.Y.,分别具有20年和15年腹部MRI经验)独立审阅。同时,测量肿瘤在增强前和HBP T1图上的平均信号强度,分别定义为T1PRE和T1HBP。如有任何分歧,经讨论后达成共识。代替对肿瘤边缘的主观评价,“边缘粗糙度”通过在HBP图像上自动定量计算实际肿瘤表面至其凸包的平均距离得出。即,边缘粗糙度是一个连续值,用于衡量肿瘤边缘的非光滑程度。
影像组学分析
放射组学通过Python编程语言(版本3.7.3,https://www.python.org)及Pyradiomics(版本2.2.0,https://pyradiomics.readthedocs.io/en/latest/index.html)和Scikit-learn(版本2.1.0,https://scikit-learn.org/stable/index.html)软件包实现。放射组学工作流程包括手动肿瘤分割、特征提取与选择、多序列与体积感兴趣区(VOIs)融合,以及模型构建与评估(图2)。
首先,由两名放射科医师(H.H.C.和L.Y.,分别具有8年和10年腹部影像经验)使用ITK-SNAP软件(http://www.itksnap.org/pmwiki/pmwiki.php)在所有单序列图像上手动勾画肿瘤边界,记为VOItumor。此外,两名放射科医师随机选取5至10个分布于不同肝叶、充分远离大血管、伪影、肝脏边缘和肝脏病灶的区块,作为正常肝组织区域(VOIliver),用于与肿瘤进行对比分析。为进一步探究瘤内和瘤周信息,使用标准图像形态学腐蚀和膨胀操作分别将VOItumor缩小50%(VOI50%)以及膨胀5 mm和10 mm(VOI5mm和VOI10mm)。请注意,VOI5mm和VOI10mm排除了肿瘤区域,仅指距肿瘤表面5 mm和10 mm以内的瘤周区域。同时,实验了多种区域组合,包括VOItumor + liver,即联合肿瘤(VOItumor)和肝脏背景(VOIliver)区域;VOItumor + 5mm和VOItumor + 10mm分别将肿瘤(VOItumor)与周围区域VOI5mm和VOI10mm联合,在此基础上,VOItumor + 5mm + liver或VOItumor + 10mm + liver定义为额外合并VOIliver。
随后,从原始图像和三维小波滤波图像中提取了一套854个放射组学特征[24],包括肿瘤形状、大小、强度和纹理(表S2)。这些特征首先通过最小绝对收缩和选择算子(LASSO,表S3)对每个单序列的每个VOI进行筛选。然后将首次筛选出的特征组合,以获得单序列中的最优多VOI模型(表2和S4)。最后将每个序列的这些多VOI特征合并并再次使用LASSO进行筛选(表S5),以得出最终的多序列、多VOI放射组学模型(表S6),并基于此分别使用随机森林(RF)和逻辑回归(LR)分类器构建MVI列线图以进行比较。最后,绘制受试者工作特征曲线、校准曲线和决策曲线,并对验证数据进行模型评估测试。
结局分析
根治性手术后每隔3至6个月进行随访。记录手术日期、复发、转移、死亡和末次随访日期,用于计算总生存期和无复发生存期(RFS)。
统计分析
统计分析使用IBM SPSS Statistics(版本25)和R(版本3.6.1,https://www.r-project.org)软件进行。纳入MVI或结局研究的患者按7:3的比例随机分配至训练队列和验证队列。模型的判别性能通过曲线下面积(AUC)和净重分类指数(NRI)进行量化。NRI > 0表示正向改善,表明新模型的预测能力优于旧模型。与组织学MVI相比,术前预测的MVI状态通过使用RF(MVI-RF)或LR(MVI-LR)的MVI列线图对每位患者进行计算,预测概率 > 50%归类为MVI阳性组, > 90%定义为M2分级。P < 0.05认为具有统计学意义。
更多细节(T1映射图和形态学特征、特征提取与选择以及统计分析)见补充材料与方法。
结果
预测MVI的临床影像学特征及性能
在356例孤立性HCC患者中,仅90例患者患有MVI,347例患者接受了肝切除术,9例患者接受了肝移植。临床影像学特征的单因素LR结果总结于表1。在训练队列的多因素LR分析中,AFP > 20 ng/mL(p = 0.006,OR = 7.683,95% CI:1.776–33.245)和TBIL > 20.4 μmol/L(p = 0.010,OR = 8.420,95% CI:1.658–42.766)是临床模型中MVI的独立危险因素。
边缘粗糙度在MVI阴性和MVI阳性患者之间差异有统计学意义(0.147 ± 0.080 vs 0.224 ± 0.137,p < 0.001),表明较高的边缘粗糙度值(肿瘤球形度较低)与MVI呈正相关。在多因素LR分析中,包膜强化缺失或不完整(p < 0.001,OR = 18.678,95% CI:6.129–56.925)、较高的边缘粗糙度值(p = 0.05,OR = 68.886,95% CI:0.974–4874.172)和瘤周强化(p < 0.001,OR = 5.721,95% CI:2.161–15.151)是影像模型中MVI的独立危险因素。代表性MVI图像见图3。临床模型和影像模型的MVI预测性能总结于表3。
单序列影像组学特征的表现
各VOI在单序列中的AUC见表2。对于绝大多数VOI和序列,RF优于LR分类器,HBP和PVP优于其他序列,VOItumor + 10mm + liver产生了预测MVI的最佳多VOI融合。有趣的是,无论选择何种分类器,VOI50%、VOItumor、VOItumor + 5mm、VOItumor + 10mm和VOItumor + 10mm + liver亚组的AUC在几乎所有序列中均大致持续升高。值得注意的是,在验证队列中,VOItumor + 10mm + liver在HBP和PVP序列中与VOItumor相比表现出持续的性能提升(NRI > 0,表4)。
多序列影像组学特征的表现
在VOItumor亚组中,两个最佳单序列(HBP和PVP)的MVI预测效能劣于任何使用RF或LR的多序列模型(表S7),尤其是劣于最佳组合(PVP、HBP、AP和预对比T1图;验证队列AUC:使用RF为0.871,使用LR为0.792;图4)。具体而言,该四序列模型在使用RF的验证队列中与两个最佳单序列相比表现出显著改善(HBP:NRI 19.28%,p = 0.046;PVP:NRI 20.90%,p = 0.017;表4)。
在VOItumor + 10mm + liver亚组中,最优的多序列融合为PVP、HBP、AP和DWI的整合,在验证队列中使用RF的AUC为0.918,使用LR的AUC为0.809(表3和表S6)。同时,该四序列融合——即最终影像组学模型——的预测性能也显著优于两个最佳单一序列(HBP:NRI 19.44%,p = 0.008;PVP:NRI 24.54%,p = 0.003;表4),以及在验证队列中使用RF的临床模型(NRI 54.1%,p = 0.002)和影像模型(NRI 22.2%,p = 0.029)。最终影像组学模型中排名前六的最具鉴别力特征的详细信息见表S8。
MVI列线图的性能
基于临床、影像和最终影像组学预测因子,最终的MVI预测模型将TBIL > 20.4 μmol/L、AFP > 20 ng/mL、包膜强化不完整或缺失、瘤周强化以及较高的影像组学评分(R-score)等独立危险因素纳入可视化列线图(图5a–b),具体如下:使用RF的列线图:
使用LR的列线图:
MVI列线图的预测性能(表3和表4)显示,与临床模型(NRIs:14.6–56.8%)、影像模型(NRIs:9.1–78.9%)和使用LR的影像组学模型(NRIs:19.4–35.7%)相比,具有中度或显著提升,而与使用RF的影像组学模型相比则有轻微负向改善(NRI < 0,p > 0.05)。此外,在验证队列中使用RF或LR分类器时,VOItumor中HBP序列、VOItumor中PVP序列、VOItumor中多序列融合、VOItumor + 10mm + liver中最终影像组学以及MVI最终预测模型(MVI列线图)的AUC(图4)呈现逐渐上升趋势。在校准曲线(图S1a–d)中与实际MVI状态高度一致,MVI列线图获得了最佳净临床获益,其次是影像组学和影像模型,临床模型在决策曲线(图S1e–h)中表现最差。
临床结局
截至2020年4月,329例患者已完成随访。1年、3年和5年总生存率分别达到99.0%、95.4%和93.6%,而1年、3年和5年RFS率分别为85.4%、72%和68.4%。因此,本研究仅聚焦于RFS分析。
组织学微血管侵犯(MVI)阳性(M2、M1)和MVI阴性(M0)患者的中位无复发生存期(RFS)分别为30.5个月(M2,11.9个月;M1,40.5个月)和> 96.9个月(log-rank检验,p < 0.001,图6)。同样,MVI-RF阳性和阴性组的中位RFS分别为36.4个月(M2,22.0个月;M1,41.9个月)和> 96.9个月(p < 0.001)。然而,MVI-LR在预测RFS的MVI判别和分层中未能满足比例风险假设(log-rank检验,p = 0.735,0.224;图S2)。
多因素Cox回归结果(表5)显示,组织学MVI、碱性磷酸酶(AKP)> 125 U/L、丙氨酸氨基转移酶(ALT)> 50 U/L和高龄是复发的独立危险因素,训练队列的C指数为0.704(95% CI:0.645–0.764;n = 230),验证队列为0.654(95% CI:0.538–0.769;n = 99)。同样,在MVI-RF亚组中,MVI-RF阳性状态、包膜强化不完整或缺失、ALT > 50 U/L和高龄是复发的独立危险因素,训练队列的C指数为0.700(95% CI:0.638–0.763),验证队列为0.673(95% CI:0.570–0.776)。组织学和预测MVI亚组的RFS列线图见图5c、d,其校准曲线见图S3。
讨论
本研究开发了基于影像组学的列线图,用于术前预测单发直径≤ 5 cm的肝细胞癌(HCC)患者的MVI和结局。结果表明,甲胎蛋白(AFP)> 20 ng/mL、总胆红素(TBIL)> 20.4 μmol/L、包膜强化缺失或不完整、瘤周强化和较高的R评分是MVI的独立危险因素。主要基于肿瘤感兴趣区+ 10mm+肝脏感兴趣区内门静脉期(PVP)、肝胆期(HBP)、动脉期(AP)和弥散加权成像(DWI)的影像组学特征,使用随机森林(RF)或逻辑回归(LR)的列线图能很好地识别MVI阳性患者。此外,组织学MVI、ALT > 50 U/L、AKP > 125 U/L和高龄独立损害RFS,对复发具有相对较好的预测能力。组织学M0、M1和M2分级与RFS呈显著负相关。有趣的是,与组织学MVI相比,MVI-RF在MVI分层和预后分析中达到了相当的准确性。
据报道,AFP水平升高[7, 11, 16]、包膜强化不完整[7, 8]和瘤周强化[8, 9, 11]是MVI的独立危险因素,这与我们的结果一致。本研究中TBIL水平升高独立促进MVI,可能继发于胆道系统中MVI的存在或梗阻[12, 18, 25]。这部分是由于肿瘤包膜新形成胆管[26]、毛细胆管或小叶间胆管中的癌栓,而非大体积或肝内胆管中的癌栓,难以通过术前影像识别并被排除在研究人群之外。
瘤周组织是微血管侵犯(MVI)最先且最常累及的部位 [21, 27],其血管进一步构成门静脉癌栓和转移的主要血行播散途径 [21]。因此,我们构建了多感兴趣体积(VOI)模型以探索这一高度侵袭性区域。有趣的是,无论采用何种分类器,VOI50%、VOItumor、VOItumor + 5mm、VOItumor + 10mm 和 VOItumor + 10mm + 肝脏特征的 AUC 在几乎所有序列中大致呈持续升高趋势。VOItumor 优于 VOI50% 以及 VOItumor + 10mm 优于 VOItumor 在预测 MVI 方面的这些优势,分别与 Xu 等 [8] 的 CT 结果和 Feng 等 [13] 的肝胆期(HBP)结果一致。同时,VOItumor、VOItumor + 肝脏和 VOItumor + 5mm + 肝脏(VOItumor + 10mm + 肝脏)特征的 AUC,以及 VOItumor、VOItumor + 5mm(VOItumor + 10mm)和 VOItumor + 5mm + 肝脏(VOItumor + 10mm + 肝脏) signatures 的 AUC,也呈升高趋势。值得注意的是,无论是本文还是 Feng 等的研究 [13] 中,VOItumor + 10mm + 肝脏 signatures 的表现均优于 VOItumor + 10mm 特征。此外,最优多序列融合在 VOItumor 和 VOItumor + 10mm + 肝脏亚组中均优于两个最佳单一序列。这些结果标志着肿瘤周边相较于肿瘤内部的优越性、正常肝脏与瘤内/瘤周组织之间纹理和强度差异的重要性,以及多序列和多 VOI 融合对预测 MVI 的协同效应,而这些在此前被忽视,可能正是我们的 MVI 列线图取得优于既往影像组学研究 [8, 11, 13, 15, 16, 28] 表现的原因。
同样,最终影像组学模型中区分度最高的 6 个 signatures 也表明了瘤周与瘤内融合的重要性。与既往研究 [8, 11] 部分一致,这六个 signatures 包括肿瘤大小、形状以及瘤内和瘤周纹理异质性。根据定义,HBP_VOI5mm_wavelet-HHL_firstorder_Energy 和 HBP_VOI5mm_wavelet-HLL_glszm_GrayLevelNonUniformity 涉及 5 mm 内瘤周组织的纹理异质性,这可能反映了一种侵袭肿瘤包膜并突入瘤周非肿瘤性实质的侵袭倾向 [27]。此外,HBP_VOItumor_original_shape_Sphericity 和 DWI_VOItumor_original_shape_MajorAxisLength 分别代表肿瘤的球形不对称性和最大轴长。这些与 MVI 著名的独立标志“边缘不光滑和肿瘤最长径”相似 [7–9, 11]。此外,HBP_VOItumor_wavelet-HLL_glszm_SizeZoneNonUniformity 和 HBP_VOItumor_original_glszm_GrayLevelNonUniformity 涉及瘤内纹理异质性,可能由肿瘤细胞密度、微坏死和炎症诱导,从而进一步促进 MVI [11, 29]。巧合的是,六分之五的特征提取自 HBP,提示 Gd-EOB-DTPA MRI 在 MVI 诊断中的重要性。
组织学MVI [8, 10, 30]、高龄[30–32]、包膜强化不完整或缺失[33, 34]以及ALT [30–32]和AKP [35–37]水平升高已被报道会损害HCC患者的结局,这与我们的结果相一致。与少数关于组织学MVI分级的研究[19, 38]结果相符,我们的组织学MVI分层,尤其是新型无创的MVI-RF分类,显示与RFS呈显著负相关。因此,MVI-RF——作为组织学MVI的优秀替代指标——可用于单发HCC ≤ 5 cm的患者,尤其是那些接受消融治疗但无组织学MVI数据的患者。也就是说,消融前经MVI-RF诊断为MVI阳性甚至M2级的患者可能需要更积极的临床治疗和密切随访。然而,组织学MVI和MVI-RF亚组的RFS列线图AUC约为0.66,不理想的结果可能由以下因素导致:(1)缺乏术后特征(如预防性经动脉化疗栓塞、免疫抑制治疗);(2)缺乏针对复发而非MVI的稳健放射组学分析;(3)本研究人群排除了公认的复发关键预测因素(如肿瘤大小超过5 cm、卫星结节或多灶性HCC、大胆管或血管内的癌栓)。
本研究存在若干局限性。首先,本文是中国的一项回顾性单中心研究,需要外部队列进行验证。其次,我们未将基因组学与影像学特征相结合,正如Banerjee等[39]所做的那样。第三,本研究聚焦于5 cm以内的单发HCC,导致我们人群中MVI的发生率略低于既往纳入大血管侵犯、较大或多灶性HCC的MVI研究[7–9]。第四,从特征选择到模型评估,不同放射组学或统计分析软件之间的放射组学结果可能存在轻微差异。因此,本文还采用了R软件公认的LASSO算法[13, 40]、Python软件的Pyradiomics [40–42]和Scikit-learn [43, 44]软件包,以便于未来研究验证我们发现的稳健性。最后,HCC具有明显的男性优势[45],因此,性别比例失衡——固有的选择偏倚——在本研究中无法完全避免。
总之,主要基于Gd-EOB-DTPA MRI的VOItumor + 10mm + liver多参数放射组学,使用随机森林的列线图是术前预测单发HCC ≤ 5 cm患者MVI和RFS的潜在生物标志物。
补充信息
ESM 1(DOCX 1639 kb)
引用
- Chong HH, Yang L, Sheng RF, et al. Multi-scale and multi-parametric radiomics of gadoxetate disodium-enhanced MRI predicts microvascular invasion and outcome in patients with solitary hepatocellular carcinoma ≤ 5 cm. Eur Radiol. 2021. PMID: 33447861. doi:10.1007/s00330-020-07601-2
- 全文:PMC8213553(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8213553/
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。