基于机器学习的胸部CT胸腔积液自动检测、分割与分类
本研究回顾性纳入2659例报告胸腔积液的连续患者,随机选取160例胸部CT进行积液手动分割并加入160例无积液对照,训练nnU-Net深度学习模型检测与分割积液,另在335例高复杂度特征队列中用随机森林模型将积液分为简单与复杂型。检测敏感度0.99、特异度0.98,分割中位Dice 0.89,简单vs复杂积液分类敏感度0.67、特异度0.75、AUC 0.77。
要点
- 模型检测胸腔积液敏感度0.99、特异度0.98(n=96测试集,AUC 0.996),外部NLST数据集敏感度1.00、特异度0.99。
- 分割中位Dice 0.89、中位绝对体积差13 mL,不受积液大小、复杂度及对比剂期相影响。
- 简单vs复杂积液分类敏感度0.67、特异度0.75、AUC 0.77,其中胸膜增厚分类AUC最高(0.91)。
核心结论
- 在包含不同程度复杂度的数据集中,开发出用于积液检测、分割及亚型分类的稳健模型,算法已公开。
- 检测敏感度0.99(95%CI 0.91–1.00)、特异度0.98(95%CI 0.95–1.00),分割中位Dice 0.89、中位绝对体积差13 mL。
- 简单vs复杂积液分类敏感度0.67、特异度0.75、AUC 0.77,性能中等。
研究设计与样本
- 回顾性研究,经当地伦理委员会批准(项目ID 2021-00946)。
- 检测与分割:从2016年1月至2021年1月报告含「胸腔积液」的2659例连续患者中随机选160例CT手动分割,另加160例无积液对照,共320例按70%/30%分为训练验证集(n=224)与测试集(n=96)。
- 检测外部验证采用公开NLST数据集(n=1061,2234份软组织核CT),分割外部验证采用公开PleThora项目(n=34)。
- 分类:选取阳性队列中胸部CT检查前后7天内有活检或胸腔穿刺的患者(n=335),随机按70%/30%分为训练验证集(n=234)与测试集(n=101)。
- CT设备为Siemens Somatom Definition Flash(n=284)、AS+(n=262)、Edge(n=109),管电压120 kVp,自动管电流调制,算法仅输入1.0 mm软组织核(30f)图像。
关键影像表现/征象
- 高密度液定义为胸腔内密度>15.6 HU且无其他解释(如伪影),可伴肋骨骨折、术后改变、积液沉淀或胸膜对比剂外渗。
- 胸膜增厚定义为软组织核上可见结节状或光滑胸膜线;气体定义为胸腔内密度<−850 HU的微气泡和/或气胸;包裹性定义为积液与肺实质成钝角(90度<α<180度)。
- 示例中脓胸表现为胸膜增厚致总分割轻度高密度(hyper_rate 13%),集中于胸膜(pleura_rate 43%)而非胸腔(cavity_rate 5%),in:out比低(0.11)。
- 血胸表现为胸腔内血液致总高密度(hyper_rate 34%),以胸腔为主(cavity_rate 37%),inout_rate较高(1.33)。
- 气胸患者气体体积50 mL、胸腔积液686 mL。
诊断标准与关键数值
- 检测(以放射报告为参考标准,n=96):敏感度0.99(95%CI 0.91–1.00)、特异度0.98(95%CI 0.95–1.00),分割队列AUC 0.996(95%CI 0.97–1.00)。
- 外部NLST数据集检测:敏感度1.00(95%CI 0.94–1.00)、特异度0.99(95%CI 0.989–0.997)。
- 分割测试集:平均Dice 0.84(SD 0.16;95%CI 0.80–0.88;中位0.89),平均绝对体积差33 mL(SD 53;95%CI 20–45;中位13 mL),Pearson r=0.996(P<0.001)。
- 简单vs复杂积液分类(以放射学参考标准):敏感度0.67(95%CI 0.51–0.79)、特异度0.75(95%CI 63.3–84.5)、NPV 0.78(95%CI 0.65–0.87)、AUC 0.77。
- 以活检或胸腔穿刺报告为参考:模型检测简单积液敏感度0.97(95%CI 0.86–1.00)、特异度0.64(95%CI 0.51–0.76)。
临床应用与阅片要点
- 作者开发的算法可自动检测和分割胸腔积液,分割结果与人工参考标准一致性高(ICC 1.00,95%CI 0.99–1.00),与阅片者自身一致性(1.00,95%CI 0.91–1.00)相当。
- 作者认为,该算法若广泛系统应用,有潜力用于可靠的随访测量。
- 分类模型对4个胸膜复杂度特征的NPV为0.78(包裹性)至0.94(高密度液和胸膜增厚),对应AUC为0.52(高密度液)至0.91(胸膜增厚)。
- 模型对高密度液分类AUC仅0.52,作者部分归因于CT诊断准确性中等(以高特异度为主、敏感度较低)。
- 算法已公开于https://github.com/usb-radiology/pleuraleffusion.git。
局限性
- 原文未报告局限性。
全文中译18 节 · 点击展开
计算机辅助定量与诊断系统已在胸部放射学中广泛应用,多种病变可在胸部X线片和计算机断层扫描(CT)上被自动检测、分割和分类。1–3 对于胸膜疾病,胸腔积液可从X线片上准确检测,也可借助基于深度学习的图像分析实现。4 然而,胸腔积液的发生5和量6,7是独立的预后指标。这在COVID-19大流行期间变得尤为明显,感染合并胸腔积液的患者重症病程发生率更高、住院时间更长、死亡率更高。8
与X线摄影相比,CT可提供准确的胸腔积液定量;然而,在放射学报告中,胸腔积液通常仅作定性描述,因为手动勾画耗时。基于传统图像处理或图谱分割的自动定量方法性能中等,未纳入无胸腔积液对照组,或样本量有限。9,10
计算机断层扫描对于详细评估积液亚型(即血胸、脓胸、恶性积液和气胸)以及检测病因诊断尤为重要。11 其他胸膜复杂性特征,如高密度液体、胸膜增厚、气体和包裹,用于区分浆液性与这些更复杂的积液亚型12–14(以下分别称为单纯性和复杂性积液)。这种区分对患者管理15–17和结局18,19具有意义,而机器学习模型还可用于CT引导下规划和快速检测相关的围手术期气胸和血胸。20,21
假设与目的
我们旨在开发机器学习模型,以(1)准确检测和(2)稳健分割胸腔积液。我们的第三个目标是使用随机森林分类器进行(3)单纯性与复杂性胸腔积液的分类。
材料与方法
当地伦理委员会批准了这项回顾性研究(项目ID 2021-00946)。
研究人群
研究人群由有和无胸腔积液的病例组成,分别定义为阳性队列和阴性队列。对于阳性队列,回顾性识别了2016年1月至2021年1月期间在我们三级医院进行的胸部CT扫描中放射学报告包含“胸腔积液”一词的2659例连续患者(图1)。随后我们随机选取了160例CT用于肺和胸膜腔的分割,保持胸膜复杂性特征分布与整个队列一致(文本,补充数字内容1,http://links.lww.com/RLI/A689)。对于阴性队列,我们如前所述从机构数据库中选取了等量的CT数据集(n = 160)22,并进行了二次图像审查以确认是否存在胸腔积液(读者1,R.S.,毕业后第4年[PGY])。我们关于样本量估计的考虑见补充数字内容2(文本),http://links.lww.com/RLI/A690。
经读者1审核后,在公开的国家肺癌筛查试验(NLST)数据集中的所有患者上对检测性能进行了外部验证23(n = 1061,2234次软组织核CT扫描)。分割性能的外部验证使用公开可用的PleThora项目数据(n = 34)进行24,该数据包含非小细胞肺癌患者胸腔和积液的手工参考分割。
对于胸膜疾病的分类,我们选择了阳性队列中在胸部CT检查后7天内接受活检或胸腔穿刺的所有患者(n = 335)。
CT采集参数
扫描使用3台不同的CT扫描仪采集:Somatom Definition Flash(n = 284,2 × 128层系统)、Somatom Definition AS+(n = 262,128层系统)和Somatom Definition Edge(n = 109,128层系统;所有扫描仪均为:Siemens Healthineers,埃尔朗根,德国)。峰值管电压为120 kVp,并执行自动管电流调制。在655次CT检查中的301次(动脉期,n = 70;双相,n = 93;静脉期,n = 15;CT肺动脉造影,n = 123;分类队列中n = 208)使用了对比剂碘普罗胺(Ultravist 370,Bayer Pharmaceuticals,柏林,德国),标准注射速率约为4.0 mL/s,体积根据体重调整,最多120 mL。1.0 mm的软组织核(30f)作为算法的唯一输入。
胸腔积液检测与分割
读者1在医学图像软件中处理原始三维(3D)胸部CT后,按照先前描述的方法手工分割胸腔22。随后导出分割结果,分别标记肺、胸膜和背景。
然后我们将分割后的CT(n = 320)分为训练/验证集(70%,n = 224)和测试集(30%,n = 96)。在此随机过程中,我们保持了复杂性特征计数的分布(无、1个和多个胸膜复杂性特征分别为66.2%、16.9%和16.9%)以及阴性与阳性病例的比例(1:1)。
为测量评估者间变异性,从测试数据集中随机选取12次检查,由读者2(T.W.,培训中,PGY5)和读者3(Julien Poletti,培训中,PGY1)进行分割,他们对放射学报告设盲。为测量评估者内变异性,相同病例由读者1再次分割,设盲且与初始分割间隔4周。
深度学习模型使用nnU-Net训练,该网络在预处理、架构选择、训练和后处理方面均为自配置(表,补充数字内容3,http://links.lww.com/RLI/A691)。2使用5折交叉验证模型的集成进行推理。所有处理均在Matlab R2018b和Python 3.7中完成。
胸腔积液分类
我们将具有额外胸膜复杂性特征的积液定义为复杂性积液,将无复杂性特征的积液定义为单纯性积液。在335例用于积液分类的病例中,额外胸膜复杂性特征“高密度液体”、“胸膜增厚”、“气体”和“分隔”由读者1与读者4(J.B.,29 PGY)协商一致进行视觉判定,并在影像学上定义如下:
高密度液体:胸腔内密度值大于15.6 HU,25且无法以其他方式解释,例如伪影。其他潜在指标如肋骨骨折、术后改变、胸腔积液沉积或胸膜对比剂外渗(如存在)可证实诊断。
胸膜增厚:在软组织核图像上可见结节状或光滑的胸膜线。
气体:胸腔内密度值小于−850,表现为微气泡(被胸腔积液包围的气体)和/或气胸。
分隔:胸腔积液与肺实质呈钝角(90度 < α < 180度)。
此外,分类数据集根据测试数据集中活检或胸腔穿刺所得的浆液性积液诊断结果进行二分类。然而,在 otherwise 浆液性积液中显微镜下发现红细胞并未被评定为复杂性积液,因为这可能是围操作期的。
样本被随机分为训练/验证数据集和测试数据集(n = 234和n = 101,分别为70%和30%)。
可解释的复杂性与影像组学特征
采用受试者工作特征(ROC)分析来确定高密度液体(阈值:8.5 HU,26,27 15.6 HU,25和30.0 HU28;AUC分别为0.60、0.62和0.63)和胸膜边缘厚度(上限阈值:4 mm,29 5 mm,30和8 mm31;AUC分别为0.59、0.59和0.57)具有最高曲线下面积(AUC)的下限阈值。设定最小体积2 mL作为所有特征的前提条件,以排除假性高密度。基于ROC分析所得阈值(30 HU和4 mm),我们定义了以下特征,总结于图2和补充数字内容4(表),http://links.lww.com/RLI/A692:Ƒhyper(绝对高密度体积)、Ƒhyper_rate(高密度率,%)、Ƒpleura_rate(胸膜高密度率)、Ƒcavity_rate(腔),其比值Ƒinout_ratio = Ƒcavity_rate / Ƒpleura_rate及指数化比值Ƒinout_ratio_index = Ƒinout_ratio * Ƒhyper_rate。对于气体定量(上限阈值:−850 HU),我们定义了2个特征:胸膜分割内的气体(Ƒgas)和气胸内的气体(Ƒpneumothorax),后者为毗邻但位于肺和胸膜分割之外且不与支气管系统相连的气体。此外,我们使用了Python包PyRadiomics(版本3.0.1)中的所有影像组学特征。32
分类模型
随机森林模型(详情见:表,补充数字内容5,http://links.lww.com/RLI/A693)用于分类为单纯性和复杂性积液,以及预测任何潜在胸膜复杂性特征(“高密度液体”、“胸膜增厚”、“气体”和“分隔”),共产生5个模型。最初,每个分类任务的正负病例数不可避免地不平衡;因此,数据集被随机降采样至1:1比例。对于每个类别,进行初步训练以选择信息量最大的变量(可解释复杂性特征和影像组学特征的重要性第50百分位数)。然后,使用最重要的半数变量,通过留一交叉验证进一步微调模型。最后,为5个分类任务各训练一个模型,并在测试数据上以大于0.5的测试阳性阈值进行评估。
统计分析
为评估胸腔积液检测和分类性能,我们使用灵敏度、特异度、阴性预测值(NPV)、阳性预测值和ROC分析。我们使用非参数检验评估组间差异(2个变量采用Mann-Whitney U检验,超过2个变量采用Kruskal-Wallis检验)。为评估分割算法的性能,我们使用Dice系数和组内相关系数(ICC)与人工评估者内和评估者间变异性进行比较。体积结果采用Bland-Altman分析进行比较,线性相关性采用Pearson系数。
对于分类,诊断准确性指标分别根据影像学上胸膜复杂性特征的有无(分别为单纯性和复杂性积液)以及基于活检或胸腔穿刺的报告(浆液性积液为单纯性;存在脓胸或胸膜癌病为复杂性积液)进行报告。
P值<0.05被认为具有统计学意义。所有统计分析均在R 4.0.5(R Core Team,维也纳,奥地利)中进行。正文中的所有结果均指相应的分割和分类测试数据集,而检测(表,补充数字内容6,http://links.lww.com/RLI/A694)、分割(表,补充数字内容7,http://links.lww.com/RLI/A695)和分类(表,补充数字内容8,http://links.lww.com/RLI/A696)的相应交叉验证结果总结于补充材料中。
结果
研究人群
胸腔积液患者的平均年龄(n = 2659)为68.39岁(范围18–102岁),其中女性1076例,男性1583例。在所有胸腔积液中,66%(n = 1749)无胸膜复杂特征,17%(n = 446)有1个胸膜复杂特征,17%(n = 464)有多个复杂特征,这些比例在分割子集中保持一致。分割数据集(n = 320)的平均年龄为63.42岁(范围18–97岁;女性136例),分类数据集(n = 335)的平均年龄为68.64岁(范围18–96岁;女性125例)。在两个样本中,训练/验证集与测试集在患者年龄(P = 0.360)和积液体积(P = 0.192)方面差异无统计学意义。
基于分割的人工参考标准(n = 160),160次CT检查中有74次显示双侧胸腔积液。总积液体积在交叉验证中范围为2–2318 mL(均值[标准差],285 [402] mL;中位数,131 mL),在测试数据集中范围为5–2094 mL(均值[标准差],469 [499] mL;中位数,332 mL)。在测试分割数据集中,3例为高密度液体,5例有胸膜增厚,5例有气体,5例为包裹性。测试数据集的样本量在模型集成测试后确认,组内相关系数(ICC)为0.993(95%置信区间[CI],0.98–1.00;功效,0.90)。因此,以下准确性和性能指标基于测试数据集。
在分类队列中,147例患者为单纯性胸腔积液(无胸膜复杂特征),188例患者为复杂性积液(1个复杂特征,n = 84;多个复杂特征,n = 104),总计n = 17例高密度液体,n = 95例胸膜增厚,n = 100例气体,n = 128例包裹性。在208次使用对比剂的CT检查中,63例患者可见胸膜强化。
胸腔积液的检测
以放射学报告为参考标准,胸腔积液检测的敏感度为0.99(95% CI,0.91–1.00),特异度为0.98(95% CI,0.95–1.00)。分割队列(验证数据和测试数据)的AUC为0.996(95% CI,0.97–1.00)。图3显示了分割的示例,表1总结了诊断准确性指标。错误分类病例的失败分析可见补充数字内容9(图),http://links.lww.com/RLI/A697。
在外部NLST数据集(2234次合格CT)上,模型的敏感度为1.00(95% CI,0.94–1.00),特异度为0.99(95% CI,0.989–0.997)。
胸腔积液的分割
测试数据集上的推理显示平均(标准差)Dice系数为0.84(0.16)(95% CI,0.80–0.88;中位数,0.89)。平均(标准差)绝对体积差异为33(53)mL(95% CI,20–45 mL;中位数,13 mL),人工分割与预测体积之间存在显著的线性相关(Pearson r = 0.996,P < 0.001)。
在外部PleThora数据集(n = 34;平均体积383 mL;95% CI,278–487 mL)上,模型表现的中位Dice系数为0.71,胸腔积液体积的组内相关系数为0.97(95% CI,0.95–0.99;P < 0.001),平均(SD)绝对体积差异为87(67)mL(95% CI,63–110 mL;中位数90 mL)。肺分割性能(Dice:平均值0.97;95% CI,0.96–0.99;中位数0.99)在有积液和无积液的病例之间无显著差异(z分数:−0.70,P = 0.480)。
评估者内和评估者间一致性
人工阅片者之间存在极好的ICC(0.97;95% CI,0.90–0.99),手动参考标准与自动分割之间的ICC更高(1.00;95% CI,0.99–1.00),与评估者内一致性(1.00;95% CI,0.91–1.00)相当。评估者内分割的Dice系数(0.85;95% CI,0.81–0.89)与自动分割的Dice系数(0.84;95% CI,0.79–0.89)相当(r = 0.96,P < 0.001,n = 12)。补充数字内容10(图),http://links.lww.com/RLI/A698,总结了自动分割与参考标准相比的评估者内和评估者间一致性。
分割性能的可能混杂因素
尽管Dice系数随积液体积增加而升高(线性回归,方差分析:F = 35.60;检验:F = 15.62;P < 0.001),但未能识别出影响模型性能的其他因素。在测试数据集中,额外胸膜复杂特征的存在(Kruskal-Wallis:0.36,P = 0.837)和既往使用对比剂(z:−1.9,P = 0.060)均未对分割显示任何影响。补充数字内容11(图),http://links.lww.com/RLI/A699,以可视化方式总结了可能混杂因素的结果。
胸腔积液分类
分类模型的初步训练将所有可解释的复杂特征识别为信息特征。图4显示了2个模型输入示例。从影像组学特征中,初步训练期间主要整合了胸膜“形状特征”(伸长率、平坦度、最短轴长度、最大2D直径、最大2D直径、网格体积、短轴长度、球形度、表面积以及表面积体积比和体素体积)。最具信息量的特征取决于分类任务,对于“胸膜增厚”为Ƒpleura_rate和Ƒhyper_rate;对于“高密度液体”为Ƒinout_rate、Ƒinout_ratio_index;对于“气体”为邻域灰度差矩阵(NGTDM)强度(strength)和NGTDM繁忙度(busyness);对于“分隔”为Ƒhyper_rate和Ƒinout_ratio_index(见补充数字内容12中的表,http://links.lww.com/RLI/A700)。
与放射学参考标准相比,对“单纯性积液”的诊断准确性的敏感度为0.67(95% CI,0.51–0.79),特异度为0.75(95% CI,63.3–84.5),阴性预测值(NPV)为0.78(95% CI,0.65–0.87),曲线下面积(AUC)为0.77。关于用于区分单纯性与复杂性积液的4个胸膜复杂特征(高密度液体、胸膜增厚、气体和包裹)的分类任务,结果总结于表2,阴性预测值相对较高,范围为0.78(包裹)至0.94(高密度液体和胸膜增厚),相应ROC曲线的AUC范围为0.52(高密度液体)至0.91(胸膜增厚)(见图5;交叉验证的ROC曲线见补充数字内容13,http://links.lww.com/RLI/A701)。
与活检或胸腔穿刺的报告相比,该模型检测单纯性积液的敏感度为0.97(95% CI,0.86–1.00),特异度为0.64(95% CI,0.51–0.76)。
讨论
我们开发并全面分析了一种用于胸腔积液自动检测和分割的算法,并引入了单纯性与复杂性胸腔积液分类的策略。实现了高灵敏度的检测(0.99;95% CI,0.91–1.00)和稳健的分割(Dice:0.84;95% CI,0.80–0.88)。单纯性与复杂性胸腔积液之间的分类结果敏感度中等,为0.67,特异度中等,为0.75,而随机森林算法结合了影像组学和放射学可解释的复杂特征,如密度值及其在胸膜腔内的分布。
首先,在系统性包含简单和复杂胸腔积液以及无积液患者的临床数据集中,测试了一种广泛采用的基于深度学习的分割方法2的性能。在外部NLST数据集23中也显示出准确的检测率。与其他基于深度学习的非胸膜分割任务33–35类似,无论积液复杂性、侧别、积液量以及既往是否使用造影剂,检测和分割准确率均较高。此前,计算机视觉方法已被用于有限CT样本量的自动胸腔积液分割。9,10所提出的分割算法在大型且异质性临床样本中提供了稳健的体积学结果,因此可能对临床使用具有重要意义,并提供预后评估的潜力。19该分割算法在PleThora数据集24上进行了验证,该数据集由肿瘤相关性积液组成,提供了良好的体积测量,ICC为0.97。与测试数据集相比,Dice系数和绝对体积差异较差,部分原因是PleThora数据集中人工勾画分割的不一致性,而我们的算法倾向于主要分割相似密度。此前,胸腔积液已在胸部X线摄影中被检测并(半定量)量化,36尽管超声在检测积液方面优于X线摄影,但与CT相比,其在积液体积测量方面存在局限。37,38相比之下,如果广泛且系统地应用,我们所提出的算法有潜力用于可靠的随访测量。
其次,对于胸腔积液的分类,我们将“复杂性”积液与浆液性或“单纯性”积液相对定义。前者类别涵盖多种胸膜诊断(即血胸、脓胸、恶性积液和气胸),这些在影像学上具有部分重叠的复杂性特征,39,40常用于决策制定15–17和预后评估。18,40分类任务将预先指定的复杂性特征识别为具有信息性,而影像组学特征的加入进一步提高了诊断准确性。单纯性与复杂性积液之间的分类显示出中等性能,AUC为0.77,而各独立胸膜特征的分类范围从高密度液体的AUC 0.52到胸膜增厚的AUC 0.91不等。这可以部分解释为CT对不同胸膜疾病的诊断准确性中等,其主要表现为高特异性和较低敏感性。12,41相对较高的NPV有助于识别复杂性胸腔积液,但较低的阳性预测值表明有必要进行影像学评估。尽管如此,自动化结果的客观化可视化对于使放射科医师熟悉自动化(但非黑箱)工具至关重要,正如我们此前在其他体积测量任务中所展示的那样。42
已提出引入形状和纹理特征,以克服在复杂胸膜病变分类方面观察者间一致性的差异。43 有趣的是,在本研究中,大多数影像组学特征在预训练选择步骤中被丢弃,而预定义的、可解释的复杂性特征对分类任务更为相关。同样,基于“传统”放射学特征的预设特征在肿瘤分级预测分类中先前已取得比基于影像组学的模型更高的AUC,而两者的结合显示出最高的诊断准确性。44 我们的分类模型对胸膜复杂性传统特征的偏好,为目前关于影像组学在CT中适用性的讨论提供了参考。42,45 在未来的研究中,自动胸膜分割和分类可能也有助于更好的预后判断,即通过膈肌形状分析识别治疗应答者。46
我们的工作存在若干局限性。第一,符合条件的患者是在单一机构、单一厂商的扫描仪上回顾性选取的。模型在使用不同扫描仪采集的检查上的性能可能不同。然而,在采用补充数字内容3(http://links.lww.com/RLI/A691)所示的设置后,来自新站点的类似小样本量CT扫描可用于训练自定义分割nnU-Net模型。第二,分割和分类的参考标准主要基于影像。尽管如此,所报告的特征已由至少3名放射科医生(其中一名为专科认证医师)验证。第三,分类队列中血胸患者的绝对数量相对较低。这可能是分类算法对高密度液体诊断准确性较低的原因,未来可通过增加样本量来改善。
对实践的启示
胸部CT中胸腔积液的自动检测和稳健分割允许在无需交互的情况下常规使用、进行三维容积测量和快速定量。所提出的分类可用于识别伴有和不伴有胸膜复杂性特征的胸腔积液,因此可辅助放射科医生诊断脓胸、血胸或气胸患者。训练好的模型已在公共存储库中公开可用。
补充材料
引用
- Sexauer R, Yang S, Weikert T, et al. Automated Detection, Segmentation, and Classification of Pleural Effusion From Computed Tomography Scans Using Machine Learning. Invest Radiol. 2022. PMID: 35797580. doi:10.1097/RLI.0000000000000869
- 全文:PMC9390225(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9390225/
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。