超分辨率MRI与2.5D深度学习预测直肠癌神经周围侵犯
双中心回顾性研究纳入312例病理证实的直肠癌患者,基于GAN 4×超分辨率重建MRI,整合2.5D深度学习、瘤内及瘤周影像组学构建联合模型。联合模型内部验证AUC为0.912,外部测试AUC为0.868,可辅助直肠癌PNI的术前预测与风险分层。
要点
- 联合模型外部测试AUC达0.868,优于单纯深度学习(AUC 0.812)和单独影像组学模型。
- 2mm瘤周影像组学(Peri2mm)优于瘤内单独模型(AUC 0.798 vs 0.744),提示关注瘤周微环境。
- 肿瘤长度是PNI独立预测因子(OR 1.062),但单独临床价值有限,需结合影像特征综合判断。
核心结论
- 整合超分辨率MRI、2.5D深度学习及瘤内-瘤周影像组学的联合模型可无创预测直肠癌PNI,外部测试AUC为0.868。
- 2mm瘤周影像组学是预测效能最优的瘤周扩边距离,梯度类激活图提示模型注意力集中于肿瘤-神经界面。
研究设计与样本
- 双中心回顾性研究,共312例病理证实的直肠腺癌患者(中心1为246例,中心2为66例),中心2为外部测试队列。
- 模型开发基于GAN 4×超分辨率重建的T2WI和DWI序列,以术后病理PNI状态为金标准。
- 中心1按7:3划分为训练组(n=172)和内部验证组(n=74),外部测试组66例;PNI阳性174例,阴性138例。
- 影像组学特征由PyRadiomics v3.0.1提取,深度学习采用ResNet101骨干网络结合多实例学习,分类器最终选用ExtraTrees。
- 纳入标准含术前MRI距手术≤14天、CEA及CA19-9两周内检测;排除新辅助治疗史、黏液腺癌及MRI伪影等。
关键影像表现/征象
- 梯度加权类激活映射显示模型注意力聚焦于肿瘤-神经界面区域,为PNI相关的关键影像空间特征。
- Grad-CAM可对模型预测提供可视化解释,提示PNI阳性病例中肿瘤与神经交界面具有判别价值。
诊断标准与关键数值
- 联合模型内部验证AUC为0.912(95%CI 0.850-0.974),准确性0.811,特异度0.920;外部测试AUC为0.868(95%CI 0.783-0.952)。
- ResNet101切片级内部验证AUC为0.705(95%CI 0.658-0.751),敏感度0.539,特异度0.766;外部测试AUC为0.708(95%CI 0.660-0.755),准确性0.682。
- MIL融合模型ExtraTrees内部验证AUC为0.863(95%CI 0.783-0.943),准确性0.770,敏感度0.857。
- Peri2mm(肿瘤+2mm边缘)影像组学模型内部验证AUC为0.798,瘤内单独模型AUC为0.744。
- 肿瘤长度为PNI独立预测因子,OR为1.062(95%CI 1.014-1.112,p=0.032)。
临床应用与阅片要点
- 阅片时除肿瘤本身外应关注瘤周2mm范围的微环境特征,该区域的影像组学信息对PNI预测具有增量价值。
- 肿瘤长度可作为PNI风险的宏观基线指标,但单独使用价值有限,应结合瘤内及瘤周高级影像特征综合判断。
- GAN超分辨率重建可提升组织边界显示,但需注意其可能产生的人工纹理,临床应用应结合多序列综合评估。
- 该框架可用于术前对直肠癌PNI进行无创风险分层,辅助筛选可能从强化新辅助治疗中获益的高危患者。
局限性
- 回顾性设计,可能存在选择偏倚;训练集AUC达0.993,联合模型与MIL模型在外部测试中差异未达到统计学显著性。
- 切片级标注采用患者级病理标签,属于弱监督学习范式,PNI异质性可能导致标签噪声。
- GAN超分辨率重建可能引入人工纹理或产生「幻觉」,需依赖影像学专家视觉质控及外部验证保证特征稳定性。
全文中译13 节 · 点击展开
引言
直肠癌(RC)仍是全球主要的癌症负担,近几十年来发病率不断上升 [1, 2]。尽管诊断和治疗有所进步,许多患者仍表现为晚期疾病和侵袭性肿瘤生物学特征,这些特征决定了临床结局 [3]。在预后决定因素中,神经周围侵犯(PNI)作为一项关键的病理学标志物日益受到重视。PNI 在组织学上定义为恶性细胞浸润神经结构——包括神经内膜侵犯、神经周径受累 > 33% 或神经束膜穿透——可独立预测术后复发、远处转移和生存率降低 [4, 5]。将其纳入 AJCC TNM 分期方案进一步强化了其临床意义,尤其是在筛选新辅助放化疗(nCRT)和辅助化疗候选患者方面 [6, 7]。
现行 NCCN 指南 [8–10] 维持术前 nCRT 联合全直肠系膜切除术(TME)作为局部晚期直肠癌的标准治疗,但生存结局仍不理想。新兴的欧洲肿瘤内科学会(ESMO)建议 [11, 12] 强调 PNI 状态是高风险 II 期患者强化新辅助/辅助方案的关键决定因素。矛盾的是,虽然 nCRT 可降低 PNI 发生率,但术后组织病理学评估——目前的诊断金标准——无法反映治疗前的肿瘤生物学特征,从而限制了术前风险分层 [13–15]。常规 MRI 和活检缺乏足够的分辨率来检测细微的神经浸润,因此不得不依赖术后组织学检查,延迟了个体化治疗的实施 [16, 17]。这一诊断空白凸显了迫切需要可靠的无创生物标志物来术前评估 PNI,这可能彻底改变治疗个体化和预后准确性。
当代深度学习(DL)的进展在医学图像分析中表现出显著优势 [18]。然而,传统的 2D/3D 方法存在固有局限性:2D 方法忽略了多平面上下文信息,而 3D 架构需要难以承受的计算资源和大量标注数据集 [19]。针对这一两难问题,Zhang 等 [20] 开创了一种 2.5D 医学成像范式,采用以病灶为中心的正交平面作为多通道输入。该混合框架保留了 3D 空间关系,同时规避了计算瓶颈,有效地在层间相关性保留与资源效率之间取得了平衡 [19]。后续验证研究,包括 Takao 等 [21],报告 2.5D 模型达到 88.7% 的敏感度,假阳性显著减少(p < 0.001),阳性预测值提高(58.9%)。越来越多的研究进一步凸显了其在医学图像分割中的潜力 [21–23]。尽管放射组学方法已被用于 PNI 预测 [16, 17, 24–27],但现有研究主要集中在肿瘤内部特征,忽视了壁外神经周围侵犯(ePNI)的预后意义——这是一个关键的微环境组分,与壁内神经周围侵犯(mPNI)或 PNI 阴性病例相比,其生存结局显著更差(5 年疾病特异性生存率:26.4% vs. 63.7% vs. 78.1%)[28]。
值得注意的是,2.5D深度学习与瘤内-瘤周影像组学分析的协同应用尚未被探索。本研究开发了一种混合影像组学-深度学习模型,将双区域特征与超分辨率成像相整合,探讨基于2.5D深度学习框架在直肠癌术前PNI预测中的临床潜力。
材料与方法
研究设计与伦理
这项双中心回顾性研究经哈尔滨医科大学附属第二医院机构审查委员会(YJSKY2025-086)和珠海市人民医院(2025-66)批准;免除了知情同意。我们纳入了312例经病理证实的直肠腺癌患者:246例来自中心1(训练/内部验证比例为7:3),66例来自中心2(外部测试)。纳入标准要求:(1)手术病理证实的直肠恶性肿瘤;(2)术前≤14天行MRI检查;(3)术前2周内评估血清癌胚抗原(CEA)和糖类抗原19-9(CA19-9)。排除标准包括:(1)有新辅助治疗史;(2)PNI组织病理学记录不完整;(3)MRI伪影影响诊断;(4)黏液腺癌亚型;(5)MRI至手术间隔>14天。中心1的病例按7:3比例分为训练队列(n=172)和内部验证队列(n=74)。相反,整个中心2队列(n=66)构成外部测试队列(图1)。
在手术干预前,所有入组参与者均接受了MRI扫描,技术规范和成像工作流程在附录1中全面描述。术前预测因素包括人口学变量、血清生物标志物(CEA≥5 ng/mL;CA19-9≥37 U/mL)和MRI衍生参数(肿瘤纵径、mrT/N分期、mrEMVI/MRF状态),系统性地从机构EHR和PACS数据库中检索获取。所有患者的PNI状态均来源于术后最终组织病理学报告。两家参与机构均遵循直肠癌标准化诊断方案。PNI根据既定标准[5,16]定义为:(1)肿瘤细胞侵犯神经鞘三层中的任何一层(神经外膜、神经束膜或神经内膜);或(2)肿瘤细胞与神经直接接触并包绕其周径≥33%。为确保诊断准确性,当H&E染色不确定时,临床实践中常规使用S100免疫组织化学染色来确认神经结构。这些临床报告代表了经资深病理学家审核的一致诊断,作为本研究的可靠金标准。
图像采集与预处理
为优化清晰度,我们通过OnekeyAI平台(https://github.com/OnekeyAI-Platform/onekey)实现了一个生成对抗网络(GAN)增强的4倍超分辨率重建框架。初始预处理包括整个MRI数据集的降噪和强度归一化。随后,通过下采样生成低分辨率模拟图像,并与原生高分辨率图像配对进行对抗训练,以捕获高频解剖细节。GAN结构整合了一个分辨率增强生成器和一个评估重建保真度的判别器,通过竞争性优化迭代提升图像质量(补充图1)。为减轻“幻觉”并确保特征稳定性,我们执行了严格的质量控制,包括放射科医师的视觉检查以及通过外部验证进行的定量验证。
肿瘤边界由两名经过委员会认证的放射科医师使用ITK-SNAP在超分辨率(SR)重建图像上独立标注,不一致的判读由第三位专家(>20年经验)裁定,以确保分割共识。所有图像均使用固定分辨率方案进行空间标准化(1 mm³各向同性体素),确保跨模态一致性和模型稳健性。通过对30例随机选择的病例进行观察者间相关系数(ICC)分析,量化了影像组学特征的稳定性。所提取影像组学特征的观察者间可重复性极高,所有特征的ICC中位数为0.999(范围:0.492–1.000)(补充图2)。具体而言,DWI和T2WI序列的ICC中位数分别为0.999(范围:0.658–1.000)和0.999(范围:0.492–1.000)。为确保所构建模型的稳健性,ICC≤0.75的特征在特征选择前被系统性排除。展示读者间ROI空间一致性的可视化示例见补充图3。
影像组学特征
为评估瘤周微环境的预后相关性,使用基于掩膜的分割算法,在GAN增强的T2加权成像(T2WI)和弥散加权成像(DWI)序列上对肿瘤ROI进行径向扩展,计算生成同心瘤周区域。该方案采用1 mm增量扩展以创建空间分辨的病灶周围特征图(补充图4),每一层均独立分析其预测贡献。
影像组学分析涵盖瘤内和近瘤区域,提取形态计量学(3D形状描述符)、基于强度的(直方图指标)以及高阶纹理特征。纹理表征利用了计算算子,包括灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)、灰度区域大小矩阵(GLSZM)和邻域灰度差分矩阵(NGTDM)。特征量化使用PyRadiomics v3.0.1执行,遵循图像生物标志物标准化倡议(IBSI)指南。亚区域特征通过预融合进行聚合,以优化判别能力。
特征选择包括单变量筛选(p < 0.05)、共线性去除(Pearson r > 0.9)、最小冗余最大相关(mRMR)算法(优先选取32个特征),以及带10折交叉验证的LASSO回归(λ优化),以保留具有统计学意义的预测因子(p < 0.05)。在分类方面,机器学习模型——用于线性任务的支持向量机(SVM)、用于非线性结构的随机森林、ExtraTrees和LightGBM——通过网格搜索和5折交叉验证进行优化。瘤内(Intra)和瘤周(PeriXmm,其中“X”表示径向距离)标签均采用相同的流程生成。
2.5D深度学习框架的开发
通过沿上下轴裁剪与最大肿瘤横截面相邻的层面来生成2.5D表征。所选层面范围包括中心平面周围±1、±2和±4层,以提供丰富的空间背景。双序列输入包括DWI和T2WI作为独立通道,并辅以通过Mixup融合生成的合成第三通道:。这些三通道输入被堆叠用于模型训练,每个2D层面均标注患者级别的标签。迁移学习利用预训练的ImageNet权重(ResNet101/VGG19/DenseNet201)来提升有限数据条件下的特征表示效率(补充材料1A)。
多实例学习(MIL)范式通过预测似然直方图(PLH)和TF-IDF加权的词袋模型(BoW)聚合层面级预测,将深度学习输出与传统影像组学描述符协调统一(补充材料1B)。为确保严格的可重复性并防止数据泄漏,所有特征选择步骤,包括TF-IDF词典的构建和PLH分箱定义,均仅从训练数据集中推导得出。聚合后,MIL标签通过在训练数据上执行的t检验、Pearson相关滤波和LASSO正则化进行特征精化。分类器(SVM/ExtraTrees/随机森林)使用5折交叉验证和网格搜索超参数调优进行优化。关键的是,合成少数类过采样技术(SMOTE)仅应用于每个交叉验证循环内的训练折叠,以避免污染验证数据。最终选择ExtraTrees分类器用于最终模型构建,因为它在独立内部验证集上取得了最高性能。集成验证进一步证实了MIL的稳健性(补充材料1C)。
模型评估整合了多变量逻辑回归(保留单变量筛选中p < 0.05的特征),结合临床变量、瘤周影像组学和MIL输出。性能指标包括ROC-AUC分析、Hosmer–Lemeshow校准和决策曲线分析(DCA)以量化临床效用。最终模型选择优先考虑验证队列性能以确保比较的公平性。工作流程示意图见图2。
分析方法学
统计分析使用 Python 3.7.12(OnekeyAI 平台)。分类变量使用卡方检验进行比较,连续变量使用 t 检验或 Mann–Whitney U 检验进行比较。评估包括 ROC-AUC、校准曲线和 DCA。为构建最终的联合模型并避免维度灾难,采用了逐步整合策略。首先,通过严格限定于临床变量的单因素和多因素 logistic 回归分析确定独立临床预测因子。仅保留在该多因素分析中保持统计学显著性(p < 0.05)的临床特征。随后,将确定的临床预测因子(肿瘤长度)、影像组学标签和 MIL 标签作为独立生物标志物,纳入最终的多因素 logistic 回归分析以生成列线图。
结果
队列人口学特征和临床预测因子
本研究分析了来自两个中心的 312 例患者,包括 174 例(55.8%)PNI 阳性和 138 例(44.2%)PNI 阴性病例。人口学和临床特征在训练队列、内部验证队列和外部测试队列之间无统计学显著差异(p > 0.05),确保了随机分组的均衡性(表 1)。在单因素分析中,肿瘤纵径、MRI 淋巴结分期和组织学分化显示出潜在预测价值。然而,在限定于临床变量的多因素 logistic 回归中,仅肿瘤长度(OR:1.062;95% CI:1.014–1.112;p = 0.032)保持统计学显著性,为独立预测因子。因此,肿瘤长度是纳入最终联合模型的唯一临床变量(表 2)。
深度学习架构选择与特征可视化
对于 2.5D 深度学习组件,对三种架构进行了基准测试(表 3)。ResNet101 在学习能力与泛化性之间表现出最佳平衡。在内部验证队列中,其 AUC 达到 0.705(95% CI:0.658–0.751),敏感性为 0.539,特异性为 0.766(图 3b)。重要的是,该性能在外部测试队列中保持稳健(AUC = 0.708;95% CI:0.660–0.755;准确率 = 0.682),证实了其稳定性(图 3c)。相反,DenseNet201 显示较高的训练指标(图 3a),但验证性能较差(AUC = 0.660),提示存在过拟合。基于这些结果,选择 ResNet101 作为主干网络。为解释模型的关注区域,采用梯度加权类激活映射(Grad-CAM),提供了定性可解释性,提示模型的注意力集中于肿瘤-神经界面(补充图 5)。
MIL 融合与影像组学标签构建
在多实例学习(MIL)特征融合方面,ExtraTrees分类器优于SVM、Random Forest和LightGBM。在验证阶段,ExtraTrees取得了最高的AUC,为0.863(95% CI:0.783–0.943),准确率为0.770,敏感度为0.857,显著优于Random Forest(AUC = 0.821)和SVM(AUC = 0.787)模型(图4和表4)。同时,影像组学分析确定“Peri2mm”模型(肿瘤+2 mm边缘)为所测试扩展范围(1–5 mm)中最有效的特征。Peri2mm模型在验证中AUC为0.798,与仅瘤内模型(AUC = 0.744)相比,提供了更优的敏感度-特异度平衡(补充材料2A)。
联合模型的性能
最终联合模型整合了MIL特征、瘤内/Peri2mm影像组学及肿瘤长度,在所有数据集中表现出卓越的判别能力。在训练集中,其分层能力接近完美(AUC = 0.993;95% CI:0.987–1.000)。关键的是,这一优势转化到了内部验证队列,联合模型在该队列中取得了0.912的AUC(95% CI:0.850–0.974)、0.811的准确率和0.920的特异度(图5b)。在独立外部测试队列中,模型保持了较高的性能,AUC为0.868(95% CI:0.783–0.952),与单独使用的MIL(AUC = 0.812)和影像组学子模型相比取得了更高的AUC值,尽管联合模型与MIL模型之间的差异未达到统计学显著性(图5c)。详细性能指标见表5。
验证与临床效用
联合模型的校准曲线显示预测概率与观察到的PNI状态之间具有高度一致性(图6)。决策曲线分析(DCA)表明,在广泛的阈值概率范围内,联合模型提供的净获益高于“全部治疗”或“全部不治疗”策略(补充图6)。DeLong检验证实联合模型的性能提升具有统计学显著性。在内部验证队列中,联合模型显著优于临床模型(p = 0.005)、瘤内影像组学模型(p = 0.003)和Peri2mm影像组学模型(p = 0.022)。同样,在外部测试队列中,联合模型相对于临床模型(p = 0.005)、瘤内模型(p = 0.003)和Peri2mm模型(p = 0.011)保持了显著优势(补充图7)。列线图直观地展示了肿瘤长度、瘤内(Intra)特征、瘤周(Peri2mm)影像组学和多实例学习(MIL)组分在预测病理性PNI状态中的贡献权重(补充图8)。
讨论
直肠癌(RC)的无创预后评估仍是一项重大的临床挑战[29, 30]。特别是,术前准确识别神经周围侵犯(PNI)对于直肠癌的个体化治疗至关重要,因为PNI阳性患者通常需要强化的新辅助放化疗(nCRT)以改善生存[31–33]。我们假设,结合超分辨率MRI、2.5D深度学习和瘤周影像组学的框架将优于传统方法。我们的结果验证了这一假设,组合模型取得了更优的判别性能。值得注意的是,训练集中的高AUC(0.993)是级联融合架构的预期结果,因为最终分类器从已在训练数据上优化的子模型输出中学习。重要的是,外部测试队列中的表现(AUC 0.868)表明该模型具有良好的泛化能力且避免了过拟合。这种稳健性得益于我们严格实施的完全隔离验证队列以防止数据泄漏、通过LASSO正则化进行复杂度控制,以及深度学习训练过程中的数据增强策略(如随机裁剪和翻转)。
本研究探讨了2.5D-GAN混合架构的效用。通过利用正交断层切面和超分辨率重建,我们克服了标准MRI的Z轴分辨率限制[34]。ResNet101被确定为最佳骨干网络,在敏感度和特异度之间取得了平衡。随后的多实例学习(MIL)提升了诊断精度,而梯度加权类激活映射(Grad-CAM)阐明了肿瘤-神经界面区域特异性的显著特征,增强了可解释性。值得注意的是,肿瘤长度被确定为PNI的独立预测因子。尽管具有统计学意义,但肿瘤长度较小的比值比(OR,1.062)意味着其单独临床效用有限。然而,它作为稳定的宏观基线补充了微观影像特征;将其整合到组合模型中后,泛化能力(AUC 0.868)优于单独使用深度学习(AUC 0.812),从而证明了纳入该指标的合理性。这些见解共同凸显了混合影像组学-深度学习范式的潜力。
我们的方法引入了三项主要创新。第一,我们通过2.5D-GAN架构解决了MRI分辨率的各向异性问题。关于超分辨率重建,基于GAN的方法的一个主要顾虑是可能引入人工纹理或“幻觉”。然而,我们的研究提供了特征稳定性的有力证据:所提取的影像组学特征在独立外部测试队列中取得了较高的预测准确性(AUC = 0.868)。这证实了超分辨率过程增强了真实、可推广的肿瘤异质性,而非生成随机噪声,从而确保了下游分析的可靠性。第二,我们的2.5D方法将2D效率与3D保真度相结合。Zhang等[19]证明,2.5D架构比3D CNN需要更少的参数,同时保留空间上下文。类似地,Chakrabarty等[35]成功地将2.5D模型用于胶质瘤基因分型。通过聚合正交平面,我们的框架捕获了层间相关性[36],而无需3D模型的高昂计算成本[37]。将2.5D深度学习应用于PNI预测的一个显著挑战是切片级标记可能引入标签噪声。由于真实PNI状态是通过病理学在患者层面确定的,将这一全局标签分配给每一张MRI切片意味着PNI阳性肿瘤的所有横截面都表现出预测性特征。实际上,PNI具有异质性;特定切片可能并不直观显示神经侵犯,从而形成一种“弱监督”学习场景。我们通过实施多实例学习(MIL)策略并结合集成融合来解决这一问题。通过将患者视为切片的“包”,并利用预测似然直方图(PLH)和词袋(BoW)方法以及集成池化来聚合特征,模型关注整个肿瘤体积内恶性特征的分布模式。这种聚合有效地过滤了来自非信息性切片的噪声,从而实现稳健的患者层面预测。第三,与先前仅关注肿瘤内特征的研究[16, 17, 24–27]不同,我们整合了肠壁外微环境。由于神经结构常位于黏膜肌层之外,肠壁外PNI与不良生存相关[28]。我们系统分析了肿瘤内区域和五个同心肿瘤周围区域。2 mm肿瘤周围模型(Peri2mm)取得了最佳性能。从解剖学角度看,这一选择反映了敏感性与特异性之间的平衡。2 mm边缘捕获了与神经周围侵犯相关的直接“浸润前沿”和肿瘤-宿主界面,而更窄的边缘(1 mm)可能遗漏细微的微环境变化。相反,鉴于直肠系膜厚度有限,更宽的边缘(3–5 mm)可能包含非特异性组织——如直肠系膜筋膜或健康脂肪组织——从而引入背景噪声,稀释肿瘤特异性信号。从技术角度看,超分辨率GAN的应用对这一分析至关重要;通过最小化部分容积效应并使肿瘤边界更加清晰,SR重建确保了这一精确的2 mm区域能够以较高的几何保真度进行勾画,尽管存在对生成伪影的潜在担忧。相比之下,Li等[38]开发了基于CT的列线图,而我们的基于MRI的框架提供了更优的软组织对比度,且无电离辐射。此外,我们的2.5D深度学习架构克服了传统影像组学的固有局限性,如可解释性差和依赖人工特征[39]。最后,跨异构扫描设备的多中心验证增强了模型的稳健性,这是相对于单中心研究的一项重要进步。
若干局限性值得考虑。首先,这是一项回顾性双中心研究。虽然多中心队列(N = 312)相对较大,但外部测试队列(n = 66)相对较小,这可能限制了明确声称广泛临床可推广性的能力。第二,当前方案依赖人工勾画感兴趣区(ROI),这可能引入观察者间变异并增加临床实践中的工作负担。我们计划在未来的工作中通过整合自动分割算法来解决这一问题。第三,虽然该模型显示出良好的预测性能,但本研究缺乏前瞻性临床影响评估。因此,该模型直接指导新辅助治疗决策并改善患者预后的能力仍有待验证。大规模前瞻性临床试验对于确认其临床效用并促进其转化为常规实践至关重要。
总之,我们建立了一个无创框架,协调了2.5D深度学习、超分辨率MRI和双区域影像组学用于PNI预测。联合模型显示出良好的校准度和预测可推广性,优于现有方法。在临床上,该工具可能有助于识别高风险患者,从而可能支持个体化新辅助治疗决策。然而,仍需进一步的大规模前瞻性验证来确认其临床影响。
补充信息
电子补充材料
13244_2026_2365_MOESM2_ESM
引用
- Wang, Dong, Shi, et al. Super-resolution MRI and 2.5D deep learning for intratumoral-peritumoral radiomics in preoperative prediction of rectal cancer perineural invasion. Insights Imaging. 2026. PMID: 42632855. doi:10.1186/s13244-026-02365-7
- 全文:PMC13499786(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13499786/
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。