基于术前CT的放射组学列线图预测孤立性肺结节病理浸润性:多中心诊断研究
本研究为多中心回顾性诊断研究,纳入373例孤立性肺结节患者,构建并验证基于结节区域和结节周围区域放射组学特征及临床-影像学特征的列线图,用于术前区分浸润前病变(AAH/AIS)与早期浸润性病变(MIA/IAC)。列线图在开发队列、内部验证队列和外部验证队列的AUC分别为0.94、0.90和0.92,优于单独临床-影像学特征或放射组学特征。
要点
- 结节周围5mm区域的放射组学特征对预测病理浸润性有潜在价值。
- 结合临床-影像学特征与放射组学特征的列线图预测性能优于任一单独特征。
- 列线图在纯磨玻璃结节、部分实性结节和实性结节亚组中均表现出较高鉴别能力。
关键影像表现/征象
- 部分实性/实性密度、胸膜牵拉、不规则形状和边缘模糊是病理浸润性的显著相关影像特征。
- 放射组学评分在浸润性病变组(MIA/IAC)的均值在开发队列、内部验证队列和外部验证队列分别为7.28、7.45和8.34,均显著高于浸润前病变组(AAH/AIS)的-1.24、-1.06和-2.59。
- 联合放射组学特征(RS-C)在三个队列的AUC分别为0.93、0.91和0.90,优于单独结节区域或结节周围区域放射组学特征。
诊断标准与关键数值
- 临床-影像学特征(部分实性/实性结节、不规则形状、胸膜牵拉、边缘模糊)在开发队列、内部验证队列和外部验证队列的AUC分别为0.79、0.79和0.88。
- 列线图在开发队列、内部验证队列和外部验证队列的AUC分别为0.94(95%CI 0.90-0.97)、0.90(95%CI 0.81-0.98)和0.92(95%CI 0.88-0.92);三个队列的准确率、特异度和阳性预测值均高于80.0%。
- 亚组分析中,列线图在纯磨玻璃结节亚组的AUC分别为0.87、0.92和0.89,在部分实性结节亚组为0.93、0.81和0.89,在实性结节亚组为0.96、0.93和0.94。
- 多变量分析显示临床-影像学特征(OR=1.60,95%CI 1.03-2.59,p=0.04)和放射组学特征(OR=2.43,95%CI 1.76-3.66,p<0.001)为独立预测因子。
临床应用与阅片要点
- 列线图可用于术前评估孤立性肺结节的病理浸润风险,辅助制定个体化手术切除范围和方案。
- 结节周围5mm区域的放射组学特征应纳入分析,可能反映肿瘤微环境而提供额外预测信息。
- 放射组学特征的可重复性良好:RS1的ICC为0.92-0.99,RS2的ICC为0.74-0.98(good至excellent)。
局限性
- 本研究为回顾性设计,可能存在选择偏倚。
- 外部验证队列来自两个中心但样本量有限,需更大规模多中心前瞻性验证。
- 放射组学特征提取需手动分割感兴趣区,可能受操作者影响。
全文中译13 节 · 点击展开
引言
低剂量计算机断层扫描(LDCT)筛查已被证明可降低高危人群的肺癌死亡率[1]。在肺癌筛查试验中,结节患病率(%)平均为33%,而检出的结节中仅1.4%被诊断为肺癌。如何筛选出恶性肺结节患者以便及时干预已成为一大挑战。
目前有多种适当的随访方案用于管理CT筛查检出的这些肺结节。对于性质不确定的结节,Fleischner学会指南[2]和肺部CT筛查报告与数据系统(Lung-RADS)规定根据结节大小在特定时间间隔后进行CT筛查。然而,英国胸科学会(BTS)指南[3]的建议减少了对直径< 5 mm或< 80 mm3结节的随访影像学需求,并将实性肺结节(SPN)的随访期缩短至1年。然而,临床实践中对推荐意见的认知和管理选择在放射科医师和呼吸科医师之间存在异质性[4]。
区分肺部癌前病变(即非典型腺瘤样增生和原位腺癌(AAH/AIS))与早期浸润性腺癌(IAC)的病理类型,会导致标准胸部手术后的预后截然不同[5–7]。微浸润性腺癌(MIA)是一种小型、孤立的腺癌,以贴壁生长为主,任一点最大径的浸润范围小于5 mm,而浸润性腺癌则涉及大于5 mm的生长[5]。由于疑似恶性肺结节之间在形态学特征(如胸膜牵拉征、毛刺征和分叶征)上存在相当大的重叠,通过CT扫描的视觉评估来识别其病理性质具有挑战性[8]。
包括机器学习和人工神经网络在内的模型已被应用于肺癌诊断[9–12],根据内部数据已取得优异的识别效率和准确性。然而,这些工具存在外部效度有限、过拟合和结果不可解释等问题[13]。影像组学提供了一种无创方法,在疾病诊断、肿瘤分期和患者预后方面的敏感性、选择性和实验可行性上更具前景[14–17]。
在病理图中观察到肿瘤浸润淋巴细胞和肿瘤相关巨噬细胞分布于浸润病灶(ILs)边缘[18],并与转移可能性相关[19]。结节周围实质可被认为代表肿瘤微环境,在定义肿瘤行为(包括细胞迁移、间质炎症、免疫浸润和血管形成)方面具有生物学重要性[20, 21]。我们假设,来自结节周围区域的影像组学特征可能为准确预测孤立性肺结节的病理浸润性提供术前参考,并指导手术方式和切除范围。
在此,我们基于多中心研究数据,开发并验证了一个列线图,该列线图基于结节和结节周围区域的临床-影像学和影像组学特征,用于术前预测孤立性肺结节患者的病理浸润性。
方法
研究设计与患者
在这项多中心、回顾性、诊断性研究中,于2018年8月1日至2020年5月1日期间,从三个独立中心(中国广东省人民医院,命名为GDPH中心;中国广东省中山大学孙逸仙纪念医院,命名为SYSMH中心;中国浙江省舟山肺癌研究所,命名为ZSLC中心)招募了孤立性肺结节患者。参与本研究的三个机构的信息见eTable 1。
在三个中心应用纳入和排除标准,从571名招募患者中,应用排除标准后最终纳入373名患者。2015年3月1日至2019年12月31日期间在GDPH中心纳入的患者(N = 203)被分为两个队列:开发队列由计算机算法按7:3比例随机选择的149名患者(73.4%)组成,验证队列由54名患者(26.6%)组成。SYSMH中心(N = 63)和ZSLC中心(N = 107)在2012年12月18日至2019年7月30日以及2019年1月1日至2019年12月30日期间共同组成了170名患者的外部验证队列。图1展示了排除标准和患者招募流程。
纳入标准如下:(I)年龄≥18岁、接受CT筛查并首次诊断为SPN的患者,(II)接受术前增强胸部CT扫描(3个月内)的患者,(III)经病理证实为癌前病变(AAH/AIS)或早期肺腺癌(MIA/IAC)的患者,以及(IV)病灶小于30 mm且无远处转移或淋巴结受累的患者。
排除标准为(I)术前治疗(新辅助化疗或放疗),(II)既往肺部肿瘤疾病史,或(III)其他恶性肿瘤的既往/现病史,以及(IV)临床信息不完整或标准增强胸部影像数据不可用。
由于本研究的回顾性性质,机构审查委员会豁免了患者知情同意。研究方案经学术伦理委员会批准,按照《赫尔辛基宣言》和《良好临床实践指南》执行,并在ClinicalTrials.gov注册(注册号NCT04452058)。
图像审查和特征提取
使用图像归档和通信系统(PACS)从三个中心检索术前CT图像,所有研究人员评估了影像数据的初步筛查。CT方案详见eTable 2。
肺结节区域(ROI-1)的感兴趣区(ROI)均由一名研究者(W.H.L.)在两名资深放射科医师——分别具有13年(S.Y.W.)和17年(G.Y.W.)胸部CT判读经验——的指导下,在三个正交平面(轴位、冠状位和矢状位)上逐层手动精细勾画。研究者去除了其他无关成分,如空气、周围血管、正常组织、肋骨、胸膜及周围器官,以避免干扰。采用3D Slicer程序半自动分割结节周围区域(ROI-2,包括向外延伸5 mm的结节周围肺实质)(https://www.slicer.org/,版本4.10.2)[22]。分歧由资深研究者讨论解决,包括两名放射科医师和三名胸外科医师(Q.G.B.、Z.H.Y.和Z.D.K.)。
所有评估者均对最终病理诊断设盲,最终病理诊断由一名资深病理学家(S.Y.)分别采用2017年第8版TNM分期系统和2011年国际肺癌研究协会/美国胸科学会/欧洲呼吸学会(IASLC/ATS/ERS)分类,于胸外科手术后进行病理分期和病理分级复核[5, 23]。
对ROI-1和ROI-2进行分割和重建后,感兴趣体积(VOI-1和VOI-2)图像(DICOM格式)通过基于Python包PyRadiomics的内部纹理提取平台传输至SlicerRadiomics代码。
共提取1722个定量影像组学特征,包括一阶统计量、形状、灰度共生矩阵(GLCM)、灰度尺寸区域矩阵(GLSZM)、灰度依赖矩阵(GLDM)和邻域灰度差矩阵(NGTDM),这些特征从两个分割区域(VOI-1和VOI-2)中提取。这些特征用于进一步分析和回归建模。3个月后对队列中30个孤立性肺结节(SPN)进行了相同的图像分割过程和特征提取。关于标准影像组学工作流程和模型构建的更多信息见图2。
影像组学标签的构建
通过LASSO算法从两个VOI中提取高维影像数据特征(补充材料中的e图1)。通过线性组合,使用最有用的预测数据组合创建两个影像组学标签(VOI-1的RS1和VOI-2的RS2)。
最终影像组学标签与通过逻辑回归获得的两个影像组学标签相结合。采用十折交叉验证以避免过拟合。基于联合影像组学标签(RS-C),计算影像组学评分并在开发队列和两个验证队列中呈现。
临床-影像学标签和列线图的构建
基线临床数据从病历中获取。研究人员还记录了每个肺结节的若干影像学特征描述指标,如大小、数量、位置、边缘及内部特征(例如密度和实性成分比例(CTR)),如有分歧则通过协商解决。肺结节密度的描述采用源自BTS指南[3]的术语。
分析后,将有显著意义的危险因素用于构建临床-影像学特征。该特征与最终影像组学特征(RS-C)相结合,通过逻辑回归形成列线图。
统计分析
使用z分数变换对影像组学特征进行归一化处理。采用卡方检验研究分类变量之间的差异。PILs与早期肺间质ILs之间连续变量的差异采用双样本t检验进行比较。
采用单因素逻辑回归分析在内部队列中筛选独立的临床和影像学预后因素。然后将有显著意义的危险因素引入逐步逻辑回归分析以构建临床-影像学特征。为可视化多因素逻辑回归分析对病理侵袭性危险分层的结果,创建了基于临床-影像学特征和联合影像组学特征的列线图。两次ROI分割之间影像组学特征的评定者内一致性采用双向随机ICC模型评估。
为评估模型性能,进行了受试者工作特征(ROC)分析,并计算了准确率、灵敏度、特异度、阴性预测值(NPV)和阳性预测值(PPV)。DeLong检验在开发队列中比较了列线图与其他模型在ROC曲线下面积(AUC)方面的差异。
赤池信息准则(AIC)[24]用于比较和排序多个竞争模型,并在考虑简约原则的同时强调竞争模型拟合优度的比较。本研究中选择AIC值最低的模型(代表“最佳近似模型”)。
模型的效用和临床价值可通过决策曲线分析(DCA)[25]进行评估,该分析确定患者在每个阈值概率下的净获益。列线图的校准在三个队列中采用Hosmer–Lemeshow检验和校准曲线进行评估。双侧p值<0.05表示有统计学意义。运行GLMNET软件包,统计分析使用R软件(版本3.6.2;http://www.Rproject.org)进行。
结果
参与者
从中国三家独立机构收集了373例术前孤立性肺结节患者的影像资料。开发队列包括来自GDPH中心的149例患者(女性,61.7%;中位[IQR]年龄,59.0[49.0至66.0]岁),内部验证队列包括54例患者(女性,57.4%;中位[IQR]年龄,54.7[46.0至63.8]岁)。来自SYSMH和ZSLC中心的外部验证队列包括170例患者(女性,60.0%;中位[IQR]年龄,57[48.3至65.0]岁)。
在PIL组中,开发队列中有35.6%(53/149)的患者被诊断为PIL(AAH/AIS),内部验证队列中有38.9%(21/54)被诊断为PIL,外部验证队列中有37.6%(64/170)被诊断为PIL。表1显示了开发队列和两个验证队列中患者的基线特征。
影像组学标签的验证
总共从两个VOI中提取了1722个影像组学特征(RS1:VOI-1的四个特征,RS2:VOI-2的八个特征),并通过LASSO算法进行筛选。此外,RS1和RS2通过逻辑回归组合成最终的影像组学标签(RS-C),影像组学评分计算公式见补充材料中的eTable 3。
在三个队列中,PIL组(AAH/AIS)与IL组(MIA/IAC)之间每位患者的影像组学评分差异均有统计学意义(eFigure 2A的p < 0.001;eFigure 2B的p = 0.003;eFigure 2C的p < 0.001,补充材料中的eTable 4)。在开发队列和两个验证队列中,IL组(MIA/IAC)患者的影像组学评分均值(分别为7.28、7.45和8.34)均显著高于PIL组(AAH/AIS)患者(分别为− 1.24、− 1.06和− 2.59)。
RS1的AUC在开发队列中为0.83(95% CI,0.76至0.89),在内部验证队列中为0.85(95% CI,0.71至0.93),在外部验证队列中为0.88(95% CI,0.83至0.93)(补充材料中的eFigure 3A)。在开发队列中,RS2的AUC为0.92(95% CI,0.86至0.95),在内部和外部验证队列中分别为0.89(95% CI,0.80至0.98)、0.89(95% CI,0.84至0.94)。(补充材料中的eFigure 3B)。
在开发队列和两个验证队列的所有影像组学相关标签中,RS-C具有最大的AUC,分别为0.93(95% CI,0.89至0.97)、0.91(95% CI,0.83至0.98)和0.90(95% CI,0.85至0.94)(补充材料中的eFigure 3C)。采用双向随机ICC模型评估两次图像分割和特征提取过程之间影像组学特征的可靠性。一致性水平根据ICC值定义:优秀(ICC ≥ 0.81)、良好(0.61 < ICC < 0.8)、中等(0.41 < ICC < 0.60)和差(ICC ≤ 0.40)。eTable 5总结了评估者内一致性分析的结果。RS1中的影像组学特征在该过程之间显示出优秀的评估者内可靠性(ICC = 0.92至0.99),而RS2中影像组学特征的高ICC值范围从良好(ICC = 0.74;95% CI,0.521至0.872)到优秀(ICC = 0.98;95% CI,0.949至0.989)。
临床-影像学标签的验证
单因素分析后,临床-影像学特征包括密度(部分实性结节(PSN)/实性结节)、胸膜牵拉、形态不规则、分叶状边缘、CTR ≥ 0.5和边缘模糊,与病理侵袭性显著相关(p < 0.05;补充材料中的eTable 6),其中四个特征(PSN/实性结节、形态不规则、胸膜牵拉和边缘模糊)通过逐步逻辑回归模型被选中,形成临床-影像学标签(补充材料中的eTable 3)。
基于ROC分析,临床-影像学特征在开发队列、内部验证队列和外部验证队列中的AUC分别为0.79(95% CI,0.72至0.89)、0.79(95% CI,0.67至0.92)和0.88(95% CI,0.83至0.93)(补充材料中的eFigure 3D)。
列线图的验证、校准和区分度
为了开发一种可预测孤立性肺结节患者病理侵袭性的临床适用方法,我们构建了一个综合考虑临床-影像学特征和影像组学特征的影像组学列线图(图3)。多因素logistic回归分析显示,临床-影像学特征(比值比(OR)= 1.60;95% CI,1.03至2.59;p = 0.04)和影像组学特征(比值比(OR)= 2.43;95% CI,1.76至3.66;p < 0.001)是列线图中的独立预测因子(补充材料中的eTable 7)。
如列线图所示(图3),与临床-影像学特征相比,影像组学特征所占比例最大,使其成为区分PILs与早期ILs的主要生物标志物。基于所获得的特征,可使用公式计算临床-影像学特征和联合影像组学特征。每个特征所赋的值按0至10的量表评分。将各特征的评分相加,即可获得总分。通过将评分投射至底部的风险轴,可预测该孤立性肺结节发生肺间质侵犯的风险。
由临床-影像学特征和联合影像组学特征构成的列线图表现优于任何单一特征。该列线图取得了优异的预测价值,在开发队列中AUC检验为0.94(95% CI,0.90至0.97),其区分性能优于影像组学特征和临床-影像学特征(图4b)。在两个验证队列中也观察到了类似的模型比较结果(图4c、d)。在两个验证队列中,列线图同样取得了较高的AUC,分别为0.90(95% CI,0.81至0.98)和0.92(95% CI,0.88至0.92)(图4a)。此外,列线图在三个队列中的准确度、特异度和PPV均高于80.0%(表2)。
为了证明列线图模型在不同密度SPNs(纯磨玻璃结节(pGGN)、PSN、实性)中 também具有良好的区分性能,我们在本研究中进行了亚组分析。在pGGN亚组中,列线图在内部队列、外部队列和总队列中分别显示出较高的AUC,为0.87(95% CI,0.79至0.95)、0.92(95% CI,0.84至0.99)和0.89(95% CI,0.83至0.95)(补充材料中的eFigure 4)。eTable 8显示了亚组分析中列线图的性能评估。亚组分析还发现列线图在PSN亚组(AUC = 0.93、0.81和0.89)和实性组(AUC = 0.96、0.93和0.94)在各队列中均具有较高的区分度。
在开发队列中,对五个模型AUC的ROC曲线进行了DeLong检验。列线图与RS1之间、列线图与临床-影像学特征之间的差异具有统计学意义,p值分别为0.005和p < 0.001(补充材料中的eTable 9)。在eTable 9的所有预测模型中,临床-影像学特征的AIC值最高,为159.36。列线图的AIC(121.68)与影像组学特征(121.0)和RS2(117.62)的AIC相近,低于RS1的AIC(149.83)。基于对AIC和ROC曲线的综合考量,列线图模型被证明具有优良的拟合优度和简约性。
此外,各队列中的列线图校准曲线表明列线图预测与实际观察之间具有良好的一致性。Hosmer–Lemeshow检验显示列线图拟合良好,差异无统计学意义(p > 0.05)(补充材料中的eFigure 5)。
采用DCA(图5)通过计算不同概率阈值下的净获益来评估三种预测模型的效用。根据决策曲线,在开发队列中,当患者或医生临床决策的概率阈值高于0.2时,影像组学特征在预测间质侵犯风险方面比临床-影像学特征显示出更多获益。列线图线在三个队列的整个阈值概率范围内均实现了最高的临床净获益,这表明列线图是预测病理侵袭性的可靠临床工具。
讨论
在这项多中心研究中,我们构建并验证了一个影像组学列线图,用于术前区分PILs与早期肺间质ILs。该列线图整合了从结节及结节周围区域筛选出的影像组学特征以及临床-影像学特征,在开发队列和验证队列中均表现良好。列线图中较低的AIC表明该可用工具具有良好的质量。DCA表明,该列线图是一种可靠的临床治疗决策支持工具,可用于预测孤立性肺结节患者的肺间质侵犯。
本研究描述了一些有助于SPN鉴别诊断的重要影像学特征。部分实性/实性密度的结节、胸膜牵拉、形态不规则和边缘模糊具有较高的恶性风险,这与放射科医师的经验一致。既往研究[26, 27]使用结节大小和CTR来区分PILs与ILs。然而,它们并未被纳入我们研究最终的预测列线图中。
我们在重复性研究中发现影像组学特征具有相当的可靠性。总体而言,超过83%(10/12)的影像组学特征在RS-C中达到优秀的评分者内信度(ICC ≥ 0.81)。这在一定程度上可以反映列线图的稳定性和泛化能力,该列线图主要由联合影像组学特征构成。通过常用且简单的指标,一阶统计量解释了掩膜所定义图像区域内体素强度的分布。GLCM是一种统计纹理分析方法,用于评估像素之间的空间关系并确定特定像素组合在图像中出现的频率。既往研究[28]也报道了影像组学特征,包括GLCM类别中的和平均值以及一阶类别中的均匀度,可用于区分浸润性肺腺癌与PILs。GLSZM提供每个灰度级在三维空间中均匀区域大小的信息。联合影像组学特征中近一半(5/12)与GLCM和GLSZM类别相关,并且对ROI变化保持稳定[29]。尽管根据DeLong检验差异无统计学意义,但RS2在数值上能够区分PILs与早期肺间质ILs,并在所有队列中表现出优于RS1的性能。此外,RS2中较低的AIC表明其模型质量优于RS1。这些发现可能是由于焦点区域中不稳定的特征多于结节周围区域[29]。
我们构建了首个结合5 mm结节周围影像组学特征的影像组学模型,用于病理侵袭性的早期诊断。本多中心研究评估了模型的预测可重复性。既往研究将MIA归类为良性或浸润前肺结节,因为其手术治疗后预后良好,与AIS相同[5]。与She等[30]和Xu等[31]开展的其他研究不同,我们倾向于将MIA视为早期肺部恶性病变,因为AIS与MIA之间的差异在于微环境[30],尤其是层粘连蛋白-5的表达水平[32–34]以及肿瘤蛋白p53基因(TP53)突变频率[35–37]。
放射科医生或胸外科医生在部分实性磨玻璃结节(pGGNs)和部分实性结节(PSNs)中难以将肺惰性病变(PILs)与浸润性病变(ILs)区分开来。一方面,由于术前难以做出组织病理学定义,高危肺结节患者的手术治疗策略仍然是一个巨大挑战。另一方面,诊断原位腺癌(AIS)或微浸润腺癌(MIA)需要对肿瘤进行完整的组织学取样,这可能会延长手术时间并导致不恰当的手术决策。在我们的研究中,亚组分析显示列线图在pGGNs和PSNs中具有良好的区分能力。列线图可以确定是否需要手术治疗或保守监测,并为诊断为ILs的患者推荐管理策略。
生物学重要性与结节周围区域免疫细胞分布的相关性已被证实[18]。肿瘤内和瘤周特征的结合被证明有助于预测完全病理缓解和淋巴结转移,以及识别分子亚型[38–40]。几项研究证明了使用结节周围肺实质的影像组学特征来区分结节潜在恶性程度的附加价值,且结节周围区域的定义在不同研究之间有所不同[41, 42]。Beig等人开展了一项研究[19],使用30 mm结节周围影像组学特征来区分浸润性腺癌(IAC)与良性肉芽肿,最具预测性的特征位于5 mm结节周围区域内。Wu等人开展的研究也使用了相同距离的结节周围区域[43]。正如Wu等人所指出的,加入结节周围特征并未改善影像组学模型的性能。然而,在我们的研究中,结合从结节周围区域选择的影像组学特征后,影像组学模型取得了更好的预测价值。
在本研究中,以病理结果作为金标准,而非其他研究中使用的每个结节的共识恶性评级[44]。本回顾性研究仅局限于疑似恶性结节(PILs和ILs),排除了某些良性肺部病变(结核或肉芽肿),以模拟最可能的临床情况。此外,为提高结果的可靠性和增强人群的同质性,本多中心研究聚焦于孤立性肺结节患者,排除了多发性肺结节。
本研究的局限性包括其回顾性性质以及多中心之间研究时间段的不同,导致某些临床因素无法获取,研究中可能存在一定的偏倚和异质性。其次,三个中心所有患者的CT采集方案(即图像层厚)未统一。对影像组学特征执行了标准化处理以缓解该问题,列线图最终在外部验证组中表现良好。这一发现表明该列线图具有良好的普适性,值得临床应用。第三,由于数据的局限性,我们没有转录组学和突变测序数据。因此,我们无法进一步解释影像组学与肿瘤微环境之间的相关机制。未来仍需开展更大规模人群的前瞻性高质量研究来进一步验证我们的结果。
结论
当与结节放射组学特征联合使用时,结节周围放射组学特征改善了肺间质浸润性病变(ILs)与肺内淋巴结(PILs)之间的区分。本研究表明,通过识别临床-影像学特征和联合放射组学特征构建的列线图有潜力成为一种易于使用、无创的术前生物标志物,以精确预测病理侵袭性,并为临床决策增加诊断价值,从而实现最佳干预获益。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 3687 KB)
引用
- Huang L, Lin W, Xie D, et al. Development and validation of a preoperative CT-based radiomic nomogram to predict pathology invasiveness in patients with a solitary pulmonary nodule: a machine learning approach, multicenter, diagnostic study. Eur Radiol. 2021. PMID: 34654966. doi:10.1007/s00330-021-08268-z
- 全文:PMC8831242(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8831242/
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。