文献速递乳腺CTMR

数字乳腺断层摄影筛查中人工智能不同阅读策略的比较

Breast cancer screening with digital breast tomosynthesis: comparison of different reading strategies implementing artificial intelligence.
PubMed 文献 · Eur Radiol · 2022-12-11

该回顾性研究基于Malmö乳腺断层筛查试验的14772例单视图DBT筛查数据,评估商用AI系统(Transpara v1.7.0)在DBT筛查中的三种应用策略。结果显示AI门控策略在保持总阅读工作量不变的情况下可检出95%的DBT双读癌症,较DM筛查多检出27%的癌症(p<0.001),且假阳性召回率仅比DM双读高8%。

要点

  • AI门控策略仅需阅读50.5%的检查即可检出95%的DBT双读癌症,假阳性召回较DBT双读降低27%。
  • AI替代第二读者可检出95%的DBT双读癌症,但假阳性召回率增加53%。
  • AI单独阅读灵敏度与DM双读相当(p=0.689),但显著低于DBT双读(p<0.001)。

核心结论

  • AI门控策略可在总阅读工作量不变的情况下检出几乎所有DBT双读癌症,并减少假阳性召回。
  • AI替代第二读者策略在考虑法律和心理因素后可能是最可行的实施方案。
  • AI单独阅读DBT的灵敏度与DM双读相当,但低于DBT双读。

研究设计与样本

  • 回顾性研究,基于前瞻性人群筛查试验Malmö Breast Tomosynthesis Screening Trial(MBTST,NCT01091545)。
  • 共纳入14772例女性,均接受单视图广角DBT(MLO)和双视图DM(MLO+CC)检查,分别独立双读。
  • AI系统为商用Transpara v1.7.0(ScreenPoint Medical),未使用研究人群数据训练。
  • 参考标准为所有筛查检出癌症(DM+DBT)及间隔癌,随访至下次筛查(18或24个月)。
  • 采用ROC分析(bootstrapping 1000次计算95%CI)和精确McNemar检验比较不同工作流程。

关键影像表现/征象

  • AI系统对癌症检出(以DBT筛查结果为金标准)的AUC为0.92(95%CI 0.88–0.94)。
  • 全部癌症中88例AI评分为10,筛查检出癌症中85例AI评分为10。
  • AI门控策略排除阈值3.0时,49.5%(7312/14772)检查被排除,其中含9例癌症(6%),7例为筛查检出。
  • AI门控策略假阳性召回较DBT双读降低27%(减少111例),阳性预测值0.29(121/415)。
  • AI单独阅读时浸润性癌比例高于DM双读,但原位癌比例略低。

诊断标准与关键数值

  • AI门控策略:AI评分阈值3.0,排除49.5%检查,检出121/127(95%,95%CI 0.90–0.98)DBT双读筛查检出癌症(p=0.031 vs DBT双读),较DM双读多检出27%(26/95,p<0.001)。
  • 单读+AI策略:AI评分阈值设定使共识讨论数量与DBT双读相同,检出120/127(94%,95%CI 0.89–0.98)DBT双读癌症(p=0.016),较DM双读多检出26%(25/95,p<0.001),假阳性召回增加62%,阳性预测值0.21(120/561)。
  • AI单独策略:AI评分阈值设定使共识讨论数量与DBT双读相同,检出癌症较DBT双读少22%(p<0.001),与DM双读相当(p=0.689)。
  • AI系统输出0–9.99连续评分,未报告具体敏感度/特异度阈值。

临床应用与阅片要点

  • AI门控策略可将放射科医生阅读时间集中于高风险病例(AI评分4–10),适合工作量大、需引入DBT筛查的机构。
  • AI替代第二读者策略所有检查仍由至少一名放射科医生阅读,可能更易获得法律和心理层面的接受。
  • AI单独阅读可用于阅读资源极其有限的场景,但灵敏度低于DBT双读。
  • 需注意AI可能漏诊部分癌症(如10mm管状癌被AI评分为2),尤其在小病灶或组织重叠区域。

局限性

  • 单中心研究,图像来自单一厂商DM/DBT设备,仅使用单一AI系统。
  • 阅读时间未实测,基于文献假设DBT阅读时间为DM的两倍,无法精确结论总阅读工作量影响。
  • 使用单视图DBT,而双视图DBT可能检出更多癌症。
  • 部分病例的共识讨论为替代性讨论(仅基于AI评分最高2%假设召回),可能影响召回率估计。
  • 回顾性设计,工作流程改变对读者的心理影响可能限制向前瞻性场景的外推。
全文中译13 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. 2022 Dec 11;33(5):3754–65. doi: 10.1007/s00330-022-09316-y

引言

数字乳腺断层合成(DBT)已被证明在乳腺癌检测方面比当前标准的两视图数字乳腺X线摄影(DM)(包括内外斜位(MLO)和头尾位(CC)视图)具有更高的敏感性[1–3];然而,由于DBT是一项更复杂的检查,包含多个层面导致阅读时间更长,因此DBT是一个资源消耗更大的过程[4]。许多筛查项目采用双人阅片,尤其是在欧洲,这进一步增加了工作量[5]。此外,DBT的辐射剂量通常高于DM[3]。单视图广角DBT(MLO)的辐射剂量低于标准两视图DM,但具有更高的敏感性,且性能与两视图DBT联合两视图DM相似[1]。单视图广角DBT筛查降低了间期癌发生率,间期癌发生率常被用作乳腺癌死亡率的替代指标[6]。许多研究还建议使用两视图DBT,这避免了仅CC视图中才有的信息丢失的风险,并可获得更高的敏感性,尽管其辐射剂量可能高于DM[2, 3, 7, 8]。然而,如果意味着敏感性的提高,略微增加的剂量可能是可接受的。除辐射剂量外,实施全面DBT筛查的主要剩余障碍是阅读时间延长所带来的工作量增加。在既往研究中,两视图DBT的阅读时间比DM长38–76%[7–11]。

使用人工智能(AI)进行DM检查的判读已显示出令人鼓舞的结果,既可作为阅片放射科医师的决策支持工具[12, 13],也可作为独立阅片者[14–17]。AI作为独立阅片者已被提出用于识别正常病例(可安全排除在放射科医师阅片之外的病例[14, 15])、替代第二阅片者[16, 17],以及识别高风险病例以进行更全面的评估[15, 16]。虽然已有若干关于AI用于DM的研究,但关于AI用于DBT的研究相对稀缺,撰写本文时仅有少数针对筛查材料的DBT研究,其中两项聚焦于减少DBT阅读工作量[18–21]。若干针对AI作为DBT决策支持、使用癌症富集数据集的阅片者研究表明,每次检查的阅读时间减少,同时准确性保持或提高[22–27]。一种利用DBT预测未来短期癌症风险的AI模型也已被开发[28]。

如果AI能够减轻DBT阅片的负担,这可能为在人群筛查项目中广泛引入DBT开辟可能性。本研究的总体目的是回顾性评估一种市售AI系统在单视图广角DBT筛查材料上的癌症检测性能,并以配对的两视图DM筛查作为参考。更具体地说,我们将检验以下假设:AI可通过识别可排除在人工阅片之外的正常病例、替代第二阅片者或替代两位阅片者,使DBT筛查在阅读工作量方面更加高效。这将与采用双人阅片的DM和DBT筛查进行比较,并研究检出癌和漏检癌的特征。

方法

研究人群

本回顾性研究使用了来自前瞻性人群筛查试验马尔默乳腺断层合成筛查试验(MBTST;ClinicalTrials.gov编号NCT01091545)的数据[1]。共有14,848名女性接受了单视图广角数字乳腺断层合成(DBT)(MLO)和双视图数字乳腺摄影(DM)(MLO+CC)检查,分别进行双人阅片,并在共识讨论后做出召回决定。阅片者(7名乳腺放射学经验为2–41年的放射科医师)使用了五点癌症概率量表(1:无异常,2:良性发现,3:低癌症概率的非特异性发现,4:可疑癌症发现,5:高度可疑癌症发现), later称为“放射科医师评分”。对所有至少一名阅片者评分≥3分或至少一名阅片者标记为需讨论的病例进行了共识讨论。每位阅片者的决定从放射学信息系统中提取。阅片时间数据不可用。所有检查均使用Mammomat Inspiration(Siemens Healthineers)进行。在随访至下一次筛查(18或24个月,取决于年龄)期间诊断的癌症被纳入为间期癌。该研究经隆德大学当地伦理委员会批准(官方记录编号:2009/770)。

一些检查必须从本研究中排除,如图1中更详细所示,同时列出了DM和DBT阅片组的共识讨论数、召回数和筛查检出癌症数。总共纳入14,772名女性,其中157名女性被诊断患有癌症,包括135例筛查检出癌症和22例间期癌。

图1 研究人群流程图,包括排除、召回、筛查检出癌症和间期癌。a包括两例癌症。b不受AI系统支持。c在1.5年或2年随访期内检测到的间期癌,取决于年龄 查看原图 ↗

人工智能系统

DBT检查使用市售的DM和DBT人工智能系统Transpara v1.7.0(ScreenPoint Medical)与DM分别进行分析[12, 14, 19, 26, 27, 29]。该系统对每项检查给出0至9.99之间的评分。该系统未使用研究人群的任何数据进行训练。在本研究中,AI系统作为独立阅片者进行回顾性使用。在临床使用中,AI系统自动分析所有筛查检查,并可将结果整合到PACS(图像存档和通信系统)用户界面中呈现。

AI系统的评估

将AI系统在DBT上的性能与放射科医师双人阅片和单人阅片DBT进行比较。为将DBT筛查阅片工作量降低至与DM筛查相同或更低的水平,评估了几种使用AI的策略,如图2所示。A. AI守门员,其中AI系统用于将正常检查从人工阅片中排除,而其他检查则进行双人阅片。评估了不同的AI评分阈值。特别关注的是将50%的检查排除的阈值,使筛查工作量与DM筛查相比保持不变(保守假设DBT阅片时间是DM的两倍[7–11])。

单一阅片+人工智能(AI),即使用AI系统替代第二阅片者,也使总阅片次数减少一半。为便于比较,将AI系统用作独立阅片者,并选择高特异性阈值,使其共识讨论次数与数字乳腺断层摄影(DBT)双阅片相同。

仅AI,即筛查检查仅由AI系统分析。AI系统分析所有检查,若AI评分高于某一阈值(该阈值下讨论次数与DBT双阅片相同),则检查被归类为送交共识讨论。

当有DBT双阅片触发的实际共识讨论结果时予以采用,但由于仅在AI触发共识讨论的病例未进行过共识讨论,因此在单一阅片+AI和仅AI工作流程中,部分病例需使用替代共识讨论。由于这些病例未被任何阅片者标记为需讨论,这些共识讨论的召回率可能低于数字乳腺摄影(DM)和DBT筛查双阅片组的总召回率,分别为2.5%和3.6% [1]。作为近似,假定AI评分位于人群中最高2%的病例被召回。

对每种模型,分别调查人工阅片次数、检出癌症数、漏诊癌症数和假阳性数,并分别与单一和双阅片DBT进行比较。金标准定义为所有筛查检出癌症(DM+DBT)和间期癌症。部分间期癌症可能在筛查时可检出,通过将间期癌症纳入金标准,允许AI系统检出放射科医师未检出的癌症。研究漏诊癌症的数量和特征。结果还与当前双阅片DM标准筛查进行比较。

图2 在DBT筛查工作流程中实施AI的不同方式示意图,以及用于比较的未使用AI的人工阅片DBT工作流程。高灵敏度AI评分阈值>3。高特异性AI评分阈值分别针对单一阅片+AI和仅AI选择,以达到与DM双阅片大致相同的共识讨论次数。* 在无实际共识讨论可用的情况下,使用替代共识讨论,即假定AI评分位于最高2%时召回。 查看原图 ↗

癌症特征

分别计算AI把关、单一阅片+AI和仅AI的检出和漏诊癌症数量,按亚组包括乳腺密度(BIRADS第4版)、组织学类型、组织学分级(浸润性癌)、核分级(原位癌)、肿瘤大小、淋巴结转移存在情况及影像学表现。提供双阅片DM或DBT的相应结果以供比较。

统计分析

所有检查和癌症病例的AI评分分布采用描述性统计进行分析,比例的95%置信区间采用Clopper-Pearson方法计算。AI系统的癌症检出性能采用受试者工作特征(ROC)分析,金标准基于DBT+DM筛查结果结合间期癌症。另分别以DBT筛查结果和DBT+DM筛查结果定义金标准进行补充分析。计算相应AUC,并采用1000次重复的自举法得出95%置信区间。不同工作流程间讨论数量、召回数量和敏感性的差异采用精确McNemar检验,使用R 4.0.5(R Foundation for Statistical Computing)进行检验。所有其他统计分析均在MATLAB 2020a(The MathWorks)中完成。

结果

整个研究人群和癌症病例中AI评分的分布见图3。在所有癌症中,88例的AI评分为10,而筛查检出的癌症中有85例AI评分为10。AI系统在不同金标准下检出癌症的ROC曲线见图4。图中同时显示了双读和单读DBT的相应工作点以供比较。双读的工作点明显高于相应的ROC曲线,而单读的工作点非常接近ROC曲线。当以DBT筛查作为金标准时,AI系统癌症检出的AUC为0.92,95% CI [0.88; 0.94]。

对于AI把关者(gatekeeper)方法,排除阈值3.0可被认为合适,因为这将导致7312例(49.5%)检查被排除在人工阅片之外(表1)。被排除的检查包括9例癌症(6%),其中7例为筛查检出,这些病例在AI把关者方法下将被漏诊。假阳性召回数量将减少111例(27%)。

不同工作流程所需的筛查程序数量,如阅片、共识讨论和召回女性,连同相应的检出癌症数、漏诊癌症数和假阳性召回数见表2。不同工作流程中送交讨论的病例比例、被召回比例、筛查工作量和敏感性见图5,包括与DM和DBT双读的比较。

AI把关者方法通过将AI评分为4–10的病例进行双读,使放射科医生的阅片时间集中于高风险病例,该方法需要14,920次DBT阅片并检出121例癌症(表2,图5),为DBT双读筛查检出癌症的95% [0.90; 0.98],差异虽小但仍有统计学意义(p = 0.031)。与DM筛查检出癌症相比,可多检出27%的癌症,差异有统计学意义(p < 0.001)。该方法的假阳性召回数仅比DM双读高8%,比完整DBT双读低27%。阳性预测值为0.29(121/415)。

单一阅片+人工智能(AI),设定一个AI评分阈值用于共识讨论,以获得与DBT双阅片相同数量的讨论,将导致检出120例癌症(表2,图5)。这意味着达到了DBT双阅片检出癌症的94% [0.89; 0.98],这是一个微小但显著的差异(p = 0.016)。与DM筛查相比,将多检出26%的癌症,差异显著(p < 0.001)。假阳性召回的 proporção 增加了62%。阳性预测值为0.21(120/561)。

单独使用AI,选择AI评分阈值以达到与DBT双阅片相同数量的共识讨论(表2,图5),检出的癌症将显著少于DBT双阅片(22%,p < 0.001),但与DM双阅片筛查检出的癌症数量大致相同(p = 0.689),同时假阳性召回的数量将大幅减少。

图6展示了一个通过DBT和AI检出但DM双阅片未检出的癌症病例示例,以及一个通过DBT双阅片检出但DBT和AI漏诊的癌症病例。使用不同方法检出的所有癌症病例的特征呈现在表3中。数量较小,但通过AI把关和单阅片+AI检出的癌症与DBT双阅片检出的癌症相比,除原位癌检出比例略低外,未表现出明显差异。虽然单独由AI阅片的DBT筛查检出的癌症数量与DM双阅片大致相同,但浸润性癌症的比例更大。

图3 全体人群和癌症病例中AI评分的分布 查看原图 ↗
图4 使用AI系统在不同ground truth(GT)定义下进行癌症检出的受试者工作特征(ROC)分析。由DBT筛查结果定义的ground truth是AI与放射科医生在DBT筛查中的直接比较,但意味着放射科医生按定义将优于AI,因为他们定义了ground truth。由DBT + DM筛查结果以及DBT + DM筛查结果结合间期癌症定义的ground truth也进行了评估,以在理论上允许AI系统表现优于阅读DBT的放射科医生。提供了DBT单阅片和双阅片的工作点供参考。单阅片灵敏度定义为使用共识讨论后召回。单阅片特异度定义为使用讨论标记。IC,间期癌症 查看原图 ↗
表1 根据DBT AI评分阈值的检查、癌症和假阳性的累积数量 查看原表 ↗
表2 根据工作流程的DBT筛查程序和检出癌症数量 查看原表 ↗
图5 不同工作流程下被送去共识讨论或召回的检查比例、相对阅片工作量以及癌症检测灵敏度(金标准由数字乳腺摄影(DM)+数字乳腺断层摄影(DBT)筛查检出的癌症和间期癌症定义)。通过减法比较AI工作流程与DBT双读及DM双读。讨论和召回位于左侧刻度(黑色),而灵敏度位于右侧刻度(蓝色)。须线表示通过正态近似计算的95%置信区间。沙漏符号表示阅片工作量,其中一个沙漏等于当前标准方法DM双读的工作量。假定DBT的阅片时间约为DM双读的两倍。被送去讨论和召回的检查比例差异以百分点(pp)表示,括号内为百分比变化。p值采用精确McNemar检验计算。所有计算均以高精度进行,仅对呈现值进行四舍五入,这可能导致比较中与预期值存在一些微小差异 查看原图 ↗
图6 使用DBT和AI时检出和漏诊癌症的示例。a–c 示例:癌症在DBT上被AI检出并被DBT双读检出,但未被DM双读检出。DBT MLO位(a),AI系统识别出癌症(红圈)。DM MLO位(b)和DM CC位(c)。AI系统给出评分10。该癌症为26 mm浸润性小叶癌。d–f 示例:癌症在DBT上被AI漏诊,也被DM双读漏诊,但被DBT双读检出。DBT MLO位(d),癌症病灶(黄圈)未被AI系统识别为可疑癌症。DM MLO位(e)和DM CC位(f),阅片者未检出该细微病灶,可能由于MLO投照中组织部分重叠(红圈),但在CC投照中清晰可见(蓝圈)。AI系统给出检查评分2(黄圈),意味着在AI gatekeeper工作流程中,该检查将在无人阅片的情况下被丢弃。该癌症为10 mm管状癌 查看原图 ↗
表3 检查AI风险评分及不同癌症类型和特征的检出情况 查看原表 ↗

讨论

我们回顾性评估了一个用于DBT检查中癌症检测的AI系统,并研究了在筛查工作流程中实施该系统的不同方式以减少DBT阅片工作量,目的是探索该领域并为未来的前瞻性研究奠定基础。AI gatekeeper方法——即AI系统排除低风险病例,转而将放射科医生的时间集中于双读高风险病例——被证明可检出DBT双读检出的几乎所有癌症,同时减少假阳性召回的数量。在单阅片者+AI方法中,即AI替代第二阅片者,检出的癌症略少,且在本回顾性研究所用假设下,发现假阳性召回增加。AI单独进行DBT阅片的方法可在无人工阅片者的情况下达到DM筛查的灵敏度水平。

AI作为独立阅片者

作为一个独立阅片者,AI系统的表现与单人阅片相当,但仍逊于数字乳腺断层摄影(DBT)的双人阅片。在MBTST中,DBT双人阅片检出的癌症数量显著多于数字乳腺摄影(DM)双人阅片[1]。然而,本研究表明AI的曲线下面积(AUC)差异很小,在同一人群中DBT为0.90,而DM为0.88[30]。这可能提示用于DBT的AI仍无法利用DBT中的所有额外信息。DBT训练数据的可获得性仍然有限,但未来更多训练数据可能会改善性能,并可能出现新的应用。

减少工作量的方法及临床意义

AI把关者和单人阅片+AI两种方法几乎都能将DBT阅片数量减半;如果假设DBT阅片时间比DM阅片时间长约75%,那么即使与基线DM筛查相比,总阅片工作量也会减少。采用AI把关者时,假阳性召回数量几乎与DM筛查相同。这可能足以提高DBT筛查的成本效益,使DBT能够被引入基于人群的筛查项目,并可在筛查费用不大幅增加的情况下检出更多癌症。在单人阅片+AI的前瞻性情境中,如果阅片者以交互方式使用AI,并进行了真正的共识讨论来选择召回病例,召回率可能会更低,且可能与AI把关者没有很大差异。然而,向DBT筛查过渡需要对乳腺放射科医生进行进一步培训,并经历一个学习阶段。如果单独将AI用于单视图DBT,且其表现仍能与双视图DM双人阅片相当,同时辐射剂量略低,则阅片工作量可进一步减少;在阅片资源非常有限的情况下,单独使用AI可作为一种选择。本研究中未显示不同特征癌症在检出方面存在明显差异,但不能排除在更大的人群中进行研究时可能出现此类差异。

改变工作流程可能会影响阅片者,这可能限制其结果向前瞻性情境的外推。在AI把关者工作流程中,放射科医生所面对的筛查人群构成会受到影响。由于除此之外工作流程在双人阅片和共识讨论方面保持不变,对阅片性能的影响应当有限。在单人阅片+AI中,知道自己是否是唯一阅片者可能会增加讨论或召回率。替代性共识讨论仅基于AI结果,而真正的共识讨论结合了AI发现、放射科医生判读和筛查病史,可能会产生另一种召回病例选择。

既往研究提出将AI用作单阅片放射科医生的决策支持工具[23, 24, 31],这可能提高单阅片者的癌症检出率,但存在对AI识别区域增加假阳性召回的风险。过度依赖AI发现可能会降低对AI未检出癌症的敏感性。

以取代人类阅片者的方式在工作流程中实施人工智能,在法律和心理层面都可能是一大步。单阅片者+人工智能的方法可能更容易获得接受,也更容易实施,因为所有检查仍将由人类阅片。在参与乳腺癌筛查的女性中,59%报告她们会信任仅由计算机进行的阅片,而84%会信任人工智能结合人类阅片者[32]。一项关于初级保健提供者对乳腺X线摄影人工智能偏好的研究报告,推荐两种方法的倾向相同[33]。然而,随着人工智能在各种应用中 successively 变得更加普遍,人工智能可能会逐渐变得更被接受和信任。

考虑到不同筛查方法的不同方面,我们认为单阅片者+人工智能可能是在DBT筛查中实施人工智能最容易的方式,因为这将避免将人工智能作为唯一阅片者实施的许多法律和心理障碍。这一优势可能超过人工智能守门人所见略优性能的优势。

与既往研究的比较

本研究证实了一项既往研究,该研究显示与DM双阅片相比敏感性提高25%,人工智能分流的双体位DBT筛查将约70%的检查排除在人类阅片之外[19]。然而,与我们的研究进行比较因研究设计以及筛查项目和研究人群特征的差异而变得复杂。我们研究中的AUC略低于既往两项关于DBT筛查材料上独立人工智能的研究[18, 20],略高于既往一项研究[21]。

局限性

本研究有一些局限性,包括是一项单中心研究,图像由单一厂商的DM/DBT设备采集,并使用单一人工智能系统进行分析。阅片时间未测量,而不得不从文献中估算;因此,无法得出对总阅片工作量的精确影响。使用了单体位DBT,而双体位DBT筛查可检出更多癌症,并且已在多项研究中得到更深入研究[2, 3, 7]。在双体位DBT中使用人工智能可能提供不同结果,也应进行研究。虽然在金标准中纳入间期癌症使人工智能能够发现未被检出的癌症,但纳入在后续筛查中检出的癌症将进一步增加发现未被检出癌症的可能性。此外,本研究是回顾性的,意味着无法分析人工智能的使用如何影响阅片者。人工智能作为决策支持的使用尚未被研究。共识讨论未纳入人工智能结果,这可能潜在影响了决策。替代共识讨论仅基于人工智能评分,而没有任何放射科医师的评估。

结论

人工智能(AI)可以通过将低风险病例排除在阅片之外或取代第二阅片者,来减少数字乳腺断层摄影(DBT)筛查的阅片工作量。这可以使我们在不增加总阅片工作量的情况下获得DBT筛查的大部分益处,从而推进DBT在筛查中的实施。考虑到检查不由人工阅片所面临的法律和心理障碍,用AI取代第二阅片者可能是最可行的策略。或者,AI可以在DBT筛查中取代两名人类阅片者,其敏感性与数字乳腺摄影(DM)双阅片相同,且假阳性召回更少。需要前瞻性研究来获得更真实的共识讨论结果,并探究AI如何影响阅片者的行为。

引用

  1. Dahlblom, Dustler, Tingberg, et al. Breast cancer screening with digital breast tomosynthesis: comparison of different reading strategies implementing artificial intelligence. Eur Radiol. 2022. PMID: 36502459. doi:10.1007/s00330-022-09316-y
  2. 全文:PMC10121528(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10121528/

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。