文献速递乳腺US

乳腺超声影像组学与机器学习对良恶性病变鉴别诊断的多中心临床价值研究

Clinical value of radiomics and machine learning in breast ultrasound: a multicenter study for differential diagnosis of benign and malignant lesions.
PubMed 文献 · Eur Radiol · 2021-05-21

这项回顾性多中心研究提取520个乳腺超声影像组学特征,经特征筛选后用随机森林算法在135个病变上训练,在66个外部病变上测试,鉴别良恶性准确率82%(95%CI 70–90%),AUC 0.82(95%CI 0.70–0.93),与乳腺专科放射科医师(79.4%)无显著差异(p=0.815),医师借助机器学习后准确率升至80.2%但差异不显著(p=0.508)。

要点

  • 机器学习分类器在外部测试集准确率82%(95%CI 70–90%),AUC 0.82(95%CI 0.70–0.93)。
  • 机器学习与乳腺专科放射科医师准确率(82% vs 79.4%)无显著差异(p=0.815)。
  • 医师借助机器学习准确率升至80.2%,但差异不显著(p=0.508)。

核心结论

  • 影像组学联合机器学习在超声图像上鉴别乳腺良恶性病变显示出有前景的结果。
  • 机器学习分类器性能与乳腺专科放射科医师相当。
  • 医师借助机器学习后准确率虽有提高但未达统计学显著。

研究设计与样本

  • 回顾性研究,纳入两家机构患者,BI-RADS 2–5非囊性乳腺病变。
  • 机构1的135个病变(91良性、44恶性)用于训练和交叉验证测试机器学习模型。
  • 机构2的66个病变(21良性、45恶性)作为外部测试集,并评估放射科医师无和有机器学习辅助时的表现,采用McNemar检验。
  • 参考标准为BI-RADS 3病变6个月随访(超声和/或乳腺X线)及BI-RADS 4和5病变的穿刺活检或手术切除病理检查。
  • 超声设备为LOGIQ S8(GE Healthcare,机构1)和Logos HiVision E-Hitachi(机构2),使用高频线阵探头。

诊断标准与关键数值

  • 从520个特征中经ICC≥0.75稳定性筛选、低方差(≤0.01)和高度共线性(r≥0.8)剔除后,最终选取10个特征训练随机森林算法。
  • 训练集机器学习准确率82%(SD±6%),AUC 0.90(SD±0.06),恶性病变的PPV 78%(SD±5%)、敏感度89%(SD±7%)、特异度75%(SD±5%)。
  • 外部测试集机器学习准确率82%(95%CI 70–90%),AUC 0.82(95%CI 0.70–0.93),恶性病变的PPV 82%(95%CI 74–89%)、NPV 80%(95%CI 56–93%)、敏感度93%(95%CI 82–99%)、特异度57%(95%CI 34–78%)。
  • 测试集机器学习准确率显著优于基线参考NIR(p=0.0098),Brier分数0.17。
  • 专家放射科医师测试集准确率79.4%(95%CI 67–91%),恶性病变敏感度77.8%(95%CI 62.9–88.8%)、特异度81%(95%CI 58.1–94.6%)、PPV 89.7%(95%CI 78.1–95.5%)、NPV 63%(95%CI 48.7–75.3%);借助机器学习后准确率80.2%(95%CI 67–93%)、敏感度88.9%(95%CI 75.6–96.3%)、特异度71.4%(95%CI 47.8–88.7%)、PPV 87%(95%CI 77.1–93%)、NPV 75%(95%CI 55.7–87.7%)。

临床应用与阅片要点

  • 作者认为研究结果支持超声影像组学-机器学习工具在乳腺良恶性病变表征中可能具有临床作用。
  • 作者指出医师借助机器学习后敏感度从77.8%升至88.9%,但特异度从81%降至71%。
  • 作者提到医师借助机器学习后表现仍差于机器学习单独使用,可能因对模型预测缺乏信任。
  • 作者提出未来可能无创地表征乳腺病变,从而减少乳腺活检的需要,并将MRI等二级更昂贵影像技术保留给特定病例。

局限性

  • 研究为回顾性性质。
  • 患者人群相对有限。
  • 回顾性设计导致无法进行完整超声检查,仅回顾图像与完成检查不同。
  • 测试集恶性病例比例(45/66,68%)与训练集(44/135,33%)不同。
全文中译15 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. 2021 May 21;31(12):9511–9. doi: 10.1007/s00330-021-08009-2

引言

超声(US)在乳腺病变评估中已确立了其地位,在女性受试者中显示出多种适应证,包括可触及肿块病例、作为40岁以下患者的首选诊断工具,以及用于评估乳腺X线摄影或磁共振成像中的可疑发现[1]。根据乳腺影像报告和数据系统(BI-RADS)风险评估和质量保证工具,病变被分类为反映恶性概率的不同类别[2]。提供了若干BI-RADS超声描述词以帮助标准化乳腺病变特征描述。根据最近的一项荟萃分析,超声作为检测乳腺癌病变主要工具的合并敏感度和特异度分别为80.1%和88.4%[3]。

影像组学是一个复杂的多步骤过程,允许从医学图像中提取定量数据,例如使用纹理分析,以构建临床有用的预测模型和决策支持工具[4, 5]。在肿瘤患者中,影像组学特征可用于无创评估常规 performed 影像检查中的瘤内异质性[6]。当应用于医学图像时,采用机器学习(ML)算法的人工智能(AI)技术在图像识别任务中显示出有价值的结果,也能够提取反映图像异质性的定量参数[7]。主要用于分类任务,可以考虑不同的ML方法,放射学中最常用的是监督学习(需要标记输入数据)和无监督学习(需要未标记输入数据)[8]。此外,目前有几种不同的算法可用,从较易解释的(如决策树)到更复杂且较难解释的(如深度学习中使用的卷积神经网络)[9]。AI在乳腺影像中的大量可能临床应用已被描述,应用于超声、数字乳腺断层合成或磁共振成像,范围从乳腺病变的鉴别诊断到乳腺癌分子亚型识别和预后预测[10, 11]。根据以往经验,应用于乳腺超声图像的影像组学分析在BI-RADS 4和5病变的鉴别诊断以及区分三阴性乳腺癌与纤维腺瘤方面显示出良好的准确性[12, 13]。通常,这些研究缺乏外部验证,因为分析数据来源于单一机构。同样,所提出的ML工具的附加临床价值并不总是被评估,这对AI的真实世界获益留下了一些疑问。

因此,本研究的范围有三方面:(1)评估影像组学方法结合ML应用于常规临床实践中获取的超声图像以区分BI-RADS 2–5乳腺病变良恶性的准确性,并进行内部和外部测试;(2)将其诊断准确性与专职乳腺放射科医师的准确性进行比较;(3)验证放射科医师的性能是否可通过使用所提出的ML算法得到改善。

材料和方法

患者人群

机构审查委员会批准了这项回顾性研究,并豁免了书面知情同意。所有乳腺超声检查均于2018年11月至2019年6月期间在意大利萨莱诺的“San Giovanni di Dio e Ruggi D’Aragona”大学医院(机构1)和意大利那不勒斯“Federico II”大学诊断影像科(机构2)进行。进行乳腺超声检查的临床指征包括常规体检以及可触及乳腺病变的评估或其他部位检出乳腺病变的诊断性深入分析。超声检查由各机构的两名放射科医师执行,其乳腺影像经验为8至20年。纳入标准如下:> 18岁、至少有一个BI-RADS 2、3、4或5类病变的患者。排除标准如下:BI-RADS 3类病变无可获得的随访,或BI-RADS 4和5类病变无病理确诊;因伪影导致超声图像不适合放射组学分析;BI-RADS 2类囊性病变。来自机构1的乳腺病变用作训练集,而来自机构2的乳腺病变用作外部测试集,以评估放射科医师在有和无人工智能(AI)辅助时的表现。参考标准包括对BI-RADS 3类病变进行6个月随访(超声和/或乳腺X线摄影),以及对BI-RADS 4和5类病变通过Tru-Cut活检或手术切除进行病理检查。

图像采集

超声检查使用LOGIQ S8,GE Healthcare(机构1)和Logos HiVision E-Hitachi(机构2)超声扫描仪进行,采用高频线阵探头,对双侧乳腺进行径向、横向和纵向扫描。DICOM图像被记录并存储在各自机构的数字档案中。

图像转换与分割

超声检查由一名专攻乳腺影像、具有8年乳腺影像经验的放射科医师(VR)评估,其选择并调取每个乳腺病变的DICOM图像。选择病变完全包含在内、无伪影且无任何测量标记的二维B模式图像。由于超声图像最初编码为三通道RGB图像,因此应用ITU-R 601-2亮度变换将其转换为灰度图像:

其中L为亮度值,R、G和B为每个像素红、绿和蓝通道的原始值。此操作使用PILLOW Python包(v2.2.1)的Image模块执行。

随后,同一名放射科医师使用专用软件(ITKSNAP,v3.8.0)进行手动病变分割,获得二维感兴趣区(ROI)(图1)[14]。为评估特征稳定性,两名高年资放射科住院医师(A.V.和A.V.)还对训练集中随机选取的30名患者独立进行了手动分割,以计算特征组内相关系数(ICC)[15]。

图1 病变标注示例。上排(a、b)显示在良性病变上放置感兴趣区,而c和d描绘了恶性病变在手动分割前后的情况。 查看原图 ↗

图像预处理与特征提取

采用专用开源基于Python的软件(PyRadiomics,v2.2.0)进行图像预处理和二维放射组学特征提取[16] [17]。

由于体素在平面内已经是各向同性的,因此在特征提取前无需重采样。另一方面,进行了灰度全图归一化,以确保在不同扫描仪和不同设置下采集的图像具有可比性,结果范围为0–600。按照开发者的建议,使用固定箱宽(= 3)进行离散化。除原始图像外,还从高斯拉普拉斯(LoG,sigma = 1、2、3、4、5)和小波(x和y平面上所有高通和低通滤波器组合)滤波后的图像中提取特征。使用图像滤波器可以减少图像噪声并突出纹理特征。特别是,LoG滤波器执行图像平滑操作,增强感兴趣图像内的结构边缘。在此设置中,sigma值指定所需输出结果的精细度或粗糙度(较低值产生更精细的图像,反之亦然)[18]。小波分解代表了从图像中去除低信号区域的另一种方法(即图像平滑和边缘检测)。使用高通和低通滤波器组合,原始图像被分解为不同分量,扩展了原始信号[19]。由于医学图像分析的最佳实践尚未建立,这些替代滤波方法均已纳入研究。

关于特征类别,提取了二维形状、一阶、灰度共生矩阵(GLCM)、灰度游程长度矩阵、灰度尺寸区域矩阵和灰度依赖矩阵特征。特别是,由于图像采集在深度和缩放方面可能有所不同,仅纳入无量纲的二维形状特征以避免偏差,特别是周长-表面积比、球形度、球形不均衡度和伸长率。对于其余类别,计算了所有可用特征,但GLCM和平均值除外,这是PyRadiomics开发者建议的,因为已知其与其他GLCM参数存在冗余。

提取特征的公式和定义可在官方文档中找到(https://pyradiomics.readthedocs.io/en/latest/features.html)。

数据分析与特征选择

特征稳定性测试通过为每个特征计算双向随机效应、单评分者、绝对一致性ICC来进行。仅具有良好可重复性(ICC值≥0.75)的特征被认为稳定并纳入后续步骤[15, 20]。ICC计算使用R“irr”包进行[21]。患者数量(n=30)和阅片者数量(n=3)以及ICC截断值均基于近期指南和既往机器学习研究的建议[15, 20]。仅在训练数据上拟合0–1范围的MinMax缩放器,以避免任何信息泄漏,并用于转换训练集和测试集。随后,排除显示低方差(≤0.01)的无信息特征。同样,基于成对相关矩阵(r≥0.8)丢弃高度相互相关的特征。此时,在训练数据上采用合成少数类过采样技术(SMOTE)以平衡数据集[22, 23]。具体而言,SMOTE通过从原始人群中具有相同标签的k(本研究中=5)个最近邻的数据进行插值,创建少数类的新实例(即合成患者)。该过程重复进行直至两类完全平衡。最后,使用逻辑回归(LBFGS求解器)估计器的分层10折交叉验证递归特征消除(RFECV)确定了训练机器学习算法的最佳参数数量。这些数据处理步骤使用pandas和scikit-learn Python包进行[21, 24]。

机器学习分析

鉴于数据的表格性质、可用实例的预期数量以及既往经验,同时遵循scikit-learn开发者的建议,选择随机森林(RF)集成算法用于此分类任务。

随机搜索调优过程中算法性能通过5折分层交叉验证在训练集上评估。该方法比单次训练-测试划分更稳健,可预期给出更好的泛化性估计[25]。在分层交叉验证中,数据划分的每一折均保持类别平衡,并作为在其余(n=4)数据折上训练的算法的验证集。然后,最终模型在整个训练集上拟合并在来自机构2的数据上测试。其准确率还与基线参考值(无信息率,NIR)进行比较,该值对应于将所有病变分类为属于最频繁类别(即类别的众数)所能获得的准确率。p值<0.05被认为具有统计学意义。在测试集上计算模型的Brier评分以及校准曲线,以评估预测概率和病变类别的预测损失和校准损失。

机器学习分析使用scikit-learn Python包进行。准确率指标使用相同的Python包和caret R包计算[21, 24]。

放射学评估

来自机构1的一位专攻乳腺的放射科医师(R.B.,8年经验)评估了用于机器学习分析的测试集的相同超声图像,并根据BI-RADS第5版将每个病灶分类为良性或恶性。具体而言,该放射科医师评估了病灶形状、边缘、方向、回声模式和后部特征,并赋予2至5分的评分。随后将BI-RADS评分二分为2–3分=良性、4–5分=恶性,用于后续分析。该放射科医师对患者临床病史和最终诊断不知情。经过4周的洗脱期后,同一放射科医师进行了新的评估,此次可获得每个病灶的机器学习预测结果和概率。该放射科医师的准确率使用caret R包计算,并与NIR基线准确率参考进行比较。

统计分析

首先进行Kolmogorov-Smirnov检验以评估数据是否呈正态分布。据此,采用t检验和Mann-Whitney U检验评估训练集与测试集之间恶性和良性乳腺病灶在年龄和病灶大小(最大直径)方面的差异。计算机器学习分类器和专家放射科医师的准确率、敏感性、特异性、阳性预测值和阴性预测值。采用McNemar检验评估机器学习与人工阅片者之间以及阅片者在未使用和使用机器学习时的性能差异。p值<0.05被认为具有统计学意义。

结果

患者人群

根据纳入标准,共审查了441例患者,其中309例来自机构1,132例来自机构2。应用我们的排除标准后,最终纳入来自机构1的117例患者(平均年龄48岁,范围15–94岁),共135个病灶(91个良性和44个恶性),以及来自机构2的57例患者(平均年龄52岁,范围12–85岁),共66个病灶(21个良性和45个恶性)。患者筛选过程流程图见图2。在Student t检验中,训练集与测试集之间的年龄无统计学差异(p = 0.177)。

机构1乳腺病灶的平均大小为13 mm(范围4–44 mm),而机构2乳腺病灶的平均大小为16.37 mm(范围4–47 mm)。在Mann-Whitney U检验中,训练集与测试集之间良性和恶性乳腺病灶的病灶大小无差异(p值分别为0.794和0.325)。

纳入病灶的BI-RADS评估见补充材料表S1。

14个BI-RADS 4病灶被证实为良性,而其余BI-RADS 4病灶和2个BI-RADS 3病灶在随访检查中显示病灶大小显著增加,病理结果为恶性。经组织学证实的BI-RADS 3、4和5乳腺病灶的最终诊断见表1。

图2 患者筛选过程流程图。Pts,患者;BLs,乳腺病灶 查看原图 ↗
表1 训练集和测试集中经组织学证实的BI-RADS 3、4和5病灶的诊断 查看原表 ↗

特征提取、数据分析和特征选择

共提取了520个特征。其中,198个在ICC评估后结果不稳定而被剔除,剩余322个特征。随后,根据图S1所示的成对相关矩阵结果,排除了10个低方差参数以及278个高度互相关参数。使用SMOTE进行类别平衡后,从剩余的34个特征中,RFECV识别出10个特征子集(图S2),包括“original shape2D PerimeterSurfaceRatio”;“original shape2D Elongation”;“original glcm Autocorrelation”;“original gldm DependenceNonUniformityNormalized”;“log-sigma-1-0-mm-3D glcm Imc2”;“log-sigma-2-0-mm-3D glcm Correlation”;“log-sigma-3-0-mm-3D glrlm GrayLevelNonUniformityNormalized”;“log-sigma-4-0-mm-3D glcm Imc1”;“wavelet-H glcm Imc2”;“wavelet-H glrlm GrayLevelNonUniformityNormalized”。特征选择过程总结于图S3。

机器学习分析

RF超参数设置如下:bootstrap = true,class weight = none,criterion = Gini,maximum depth = none,maximum features = 5,maximum leaf nodes = none,minimum impurity decrease = 0.0,minimum impurity split = none,minimum samples leaf = 1,minimum samples split = 2,minimum weight fraction leaf = 0.0,number of estimators = 400。

在训练集中,RF获得的总体平均准确率为82%(标准差,SD,± 6%),对恶性病变的阳性预测值(PPV)、灵敏度、特异度和AUC分别为78%(SD ± 5%)、89%(SD ± 7%)、75%(SD ± 5%)和0.90(SD ± 0.06)。

在测试集中,ML准确率同样为82%(95%置信区间(CI)= 70–90%),对恶性病变的PPV和阴性预测值(NPV)分别为82%(95% CI = 74至89%)和80%(95% CI = 56–93%),灵敏度为93%(95% CI = 82–99%),特异度为57%(95% CI = 34–78%)。RF的准确率结果显著优于NIR(p = 0.0098)。AUC为0.82(95% CI = 0.70–0.93)(图3)。关于测试集上的预测和校准损失,Brier评分为0.17,图4展示了校准曲线图。

图3 机器学习分类器在测试集中区分良性和恶性病变的受试者工作特征曲线 查看原图 ↗
图4 模型在测试集中的校准曲线图。平均预测概率表示在x轴上,恶性病变的比例表示在y轴上 查看原图 ↗

放射学评估

专家放射科医师在测试集上获得的准确率为79.4%(95% CI = 67–91%),在McNemar检验中与机器学习(ML)判读无显著差异(p = 0.815)。识别恶性乳腺病变的敏感度和特异度分别为77.8%(95% CI = 62.9至88.8%)和81%(95% CI = 58.1至94.6%),而阳性预测值(PPV)为89.7%(95% CI = 78.1至95.5%),阴性预测值(NPV)为63%(95% CI = 48.7至75.3%)。在可获得ML预测的情况下,这些指标改善如下:准确率 = 80.2%(95% CI = 67–93%)、敏感度 = 88.9%(95% CI = 75.6至96.3%)、特异度 = 71.4%(95% CI = 47.8至88.7%)、PPV = 87%(95% CI = 77.1至93%)、NPV = 75%(95% CI = 55.7至87.7%)。比较ML与专家放射科医师判读的McNemar检验无显著差异(p = 0.508)。专家放射科医师与ML性能之间比较的分类表,以及专家放射科医师在无ML支持和有ML支持时比较的分类表,分别报告于表S2和表S3。专家放射科医师在ML算法辅助下正确分类良性和恶性病变的病例示例见图5。ML以及专家放射科医师在无和有ML预测可用时的准确率指标汇总于表2。

图5 一例良性(a)和一例恶性(b)乳腺病变的B型超声图像,前者最初被专家放射科医师误分类,后者在获得ML判读后得到正确诊断。a 一例13岁患者,有一个4 cm的椭圆形乳腺病变,边缘界限清楚但回声模式不均匀,手术切除后证实为硬化性乳头状瘤。b 一例59岁患者,有一个5 mm的椭圆形、低回声乳腺病变,边缘界限清楚,组织学证实为Luminal A型、G1、导管浸润性癌 查看原图 ↗
表2 ML分类器以及专家放射科医师在无和有ML判读可用时的准确率指标(95%置信区间) 查看原表 ↗

讨论

在本研究中,我们构建了一个基于影像组学的ML模型,用于在超声上区分良性与恶性乳腺病变。所得的随机森林(RF)算法在分类良性和恶性乳腺病变时获得了82%的准确率,具有高敏感度(93%)但低特异度(57%)。其表现显著优于基线NIR(p = 0.0098),并且与专家放射科医师相比显示出更高的准确率(82% vs 79.4%),即使这一差异未达到统计学显著性(p = 0.815)。尽管在ML预测的辅助下放射科医师的准确率提高至80.2%,这一差异同样证明无统计学显著性(p = 0.508)。

与所有机器学习研究一样,解读我们的结果时应考虑到用于构建和测试模型的数据。我们希望聚焦于具有挑战性的病变,排除了所有不构成真正诊断挑战的囊性病变。这一设计选择也反映在乳腺放射科医师的表现上,略低于文献[3, 26]中可预期的水平。应当承认,审阅超声图像与执行完整检查并不相同,但由于本研究的回顾性性质,这一点无法避免。在此背景下,随机森林(RF)优于基线参考和放射科医师,展现出有前景的性能。放射科医师在机器学习辅助下性能的提升也提示了其在临床实践中的实用性。事实上,专家放射科医师的敏感度从77.8%提升至88.9%,但代价是特异度从81%下降至71%。敏感度的提高是可取的,因为它可以减少遗漏恶性病变的可能性。有趣的是,放射科医师借助机器学习后的表现仍不如单独使用机器学习,可能是由于对模型预测缺乏信任。

虽然模型的准确率在交叉验证和测试集评估中保持稳定,但在测试集中我们观察到特异度下降,并由敏感度升高所补偿。必须考虑到,测试集中恶性病例的比例(n = 45/66,68%)与训练集(44/135,33%)不同,且总体为具有挑战性的病变,正如放射科医师的表现所证明的那样。

我们的研究结果支持美国放射组学-机器学习(ML)工具在良恶性乳腺病变表征中可能具有临床作用,这与既往使用美国放射组学特征联合ML[27–29]及未联合ML[12, 13, 30, 31]的研究一致。例如,利用从美国图像中提取的放射组学特征建立逻辑回归模型,以区分良恶性病变[31]、预测BIRADS 4和5病变中癌症的存在[12],以及区分纤维腺瘤与三阴性乳腺癌[13],其AUC值分别为0.886、0.928和0.834–0.864。此外,从自动全乳腺美国检查获得的图像被用于提取纹理、形状和椭球特征,并使用逻辑回归模型进行分析,报告在乳腺肿块分类中的准确率为85%[30]。深度学习网络也被测试用于表征良恶性乳腺病变,AUC值范围为0.80[28]至0.95[29]。Fleury等[32]还评估了使用基于美国BIRADS词典的放射组学特征的ML算法;支持向量机结果作为最佳分类器,在表征乳腺病变中AUC值为0.84。据我们所知,这是第一项评估ML分类器使用来自原始和滤波美国图像的形状、一阶和纹理特征在具有挑战性的数据集中分类良恶性乳腺病变的有用性的研究。考虑到美国是乳腺病变评估的一线成像模态,在常规临床实践中实施此类工具的可能性将对乳腺病变的管理产生巨大影响。在未来展望中,将有可能使用广泛应用的成像模态无创地表征乳腺病变,从而减少对乳腺活检的依赖,并将二级和更昂贵的成像技术(如MRI)的使用保留给选定病例。

我们研究的局限性在于其回顾性性质和相对有限的患者群体。然而,多中心研究设计允许在来自不同机构的外部测试集上验证AI算法,从而确定其稳健性和泛化性。如上所述,研究的回顾性性质不允许放射科医生对患者进行标准评估,放射科医生仅限于审查美国图像。此外,来自两个机构的最终人群显示恶性病变比例不同,鉴于调查的回顾性设计,这也是可以理解的。

总之,放射组学方法结合ML在美国检查中准确区分良恶性BIRADS 2–5乳腺病变,表现出与经验丰富的放射科医生相当的性能。需要在更大患者队列中并采用前瞻性设计进行进一步研究,以确认我们有希望的发现。

补充信息

ESM 1(DOCX 4037 kb)

引用

  1. Romeo V, Cuocolo R, Apolito R, et al. Clinical value of radiomics and machine learning in breast ultrasound: a multicenter study for differential diagnosis of benign and malignant lesions. Eur Radiol. 2021. PMID: 34018057. doi:10.1007/s00330-021-08009-2
  2. 全文:PMC8589755(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8589755/

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。