深度学习自动定量心外膜脂肪并预测心血管风险
本研究开发并验证了一种深度学习网络,可从冠状动脉CT血管成像(CCTA)自动分割和定量心外膜脂肪组织(EAT)体积。该模型在技术挑战性患者中表现稳健,并在SCOT-HEART等队列中证实EAT体积与冠状动脉疾病、心房颤动及主要心血管事件独立相关,可改善风险分层。
要点
- EAT体积可从常规CCTA自动定量,无需额外扫描或手动分割。
- EAT体积独立于BMI等危险因素,与阻塞性CAD、房颤及长期心血管事件相关。
- 高EAT体积(≥169.9 cm3)与全因死亡、心梗、卒中风险显著升高相关。
关键影像表现/征象
- 模型自动分割EAT体积与人工专家分割的一致性高,外部验证CCC为0.970。
- 在近期心脏手术、BMI≥40、CAC≥400、金属伪影等挑战性患者中CCC均≥0.955。
- 自动分析平均耗时12.4秒,而手动分割平均需18分20秒。
诊断标准与关键数值
- EAT体积每增加1个标准差,阻塞性CAD(任一冠脉≥50%狭窄)的OR为1.13(95%CI 1.04-1.30;P=0.01)。
- EAT体积每增加1个标准差,房颤的OR为1.25(95%CI 1.08-1.40;P=0.03)。
- SCOT-HEART中,EAT体积每增加1个标准差,全因死亡HR为1.28(95%CI 1.10-1.37;P=0.02),心梗HR为1.26(95%CI 1.09-1.38;P=0.001),卒中HR为1.20(95%CI 1.09-1.38;P=0.02)。
- 以169.9 cm3为切点,高EAT组(≥169.9 cm3)相比低EAT组,全因死亡adjusted HR为5.02(95%CI 2.93-9.34;P<0.01),心梗adjusted HR为1.93(95%CI 1.31-4.01;P<0.01),卒中adjusted HR为2.25(95%CI 1.07-4.72;P<0.01)。
- 心脏术后患者中,以198.7 cm3为切点,高EAT组院内术后房颤HR为2.67(95%CI 1.26-3.73;P<0.01),长期房颤HR为2.14(95%CI 1.19-2.97;P<0.01)。
临床应用与阅片要点
- 可在CCTA报告中纳入自动定量的EAT体积,作为传统危险因素之外的附加风险标志。
- 注意EAT体积升高提示代谢不健康内脏肥胖,需结合冠脉狭窄、斑块及临床风险综合解读。
- 在图像伪影或术后解剖改变的患者中,自动分割仍可靠,但建议快速目视核对分割范围。
局限性
- 原文为节选,部分方法学细节和统计结果未完整呈现。
- 研究纳入的是特定队列(ORFAN、SCOT-HEART、AdipoRedOx),外推至其他人群需谨慎。
- EAT体积的预后切点(169.9 cm3和198.7 cm3)来自特定队列的Youden J分析,尚未在独立人群中验证。
全文中译20 节 · 点击展开
冠状动脉计算机断层扫描血管造影(CCTA)用于评估冠状动脉疾病(CAD)风险,1 欧洲2和美国3的指南推荐CCTA用于胸痛患者的评估。全球范围内使用CCTA检测CAD的应用日益增加,CCTA扫描中目前临床实践尚未充分利用的进一步有价值信息,可能改善心脏代谢疾病的风险评估和患者管理,随着人工智能方法在研究和实践中的应用,多种此类技术正在被发现。4
脂肪组织被认为是心血管健康和疾病的关键调节因子,对心血管系统发挥保护性和有害性双重作用。5 心外膜脂肪组织(EAT)是一个代谢活跃的内脏脂肪库5,可能是代谢不健康型肥胖和代谢综合征的特征。6 事实上,EAT体积与多种不同的心血管疾病相关,包括CAD和心房颤动(AF)。7 EAT体积通常被认为是内脏肥胖的标志物,而非更精细的指标如冠状动脉周围脂肪衰减指数,后者专门捕捉冠状动脉炎症程度,并具有超越EAT体积的预后价值。8 CCTA因其优异的空问分辨率提供了EAT体积的无创金标准测量。然而,手动量化费时费力,目前不属于常规CCTA解读的范围。如果能证明自动EAT体积量化的临床实用性,并发现在技术上具有挑战性的CCTA患者中可行,该指标有可能成为标准诊疗的一部分。
在本研究中,我们开发并验证了一个用于自动量化EAT体积的深度学习网络(DLN),然后在具有常见图像质量问题的真实世界CCTA患者中进行测试以确保有效性。随后,我们应用全自动EAT量化工具研究EAT体积与相关横断面和纵向疾病结局的临床关联(中心图示)。
方法
研究人群
每项研究(ORFAN[牛津危险因素与非侵入性成像研究]、AdipoRedOx[脂肪组织与心血管氧化还原调节]研究以及SCOT-HEART[苏格兰心脏计算机断层扫描]试验)均获得伦理批准。完整的伦理、人群描述、变量定义、实验室技术以及CCTA采集和检索方案在补充方法中概述。简言之,ORFAN研究(NCT05169333)是一项国际多中心前瞻性队列研究,自2005年以来收集接受或曾接受CCTA者的CCTA扫描和患者临床数据。9 在本分析中,使用了来自英格兰4个国家卫生服务体系站点和美国1个站点的数据(图1)。AdipoRedOx研究纳入接受心脏手术的患者;作为研究的一部分,患者在手术后不久接受CCTA,并通过国家卫生服务体系的NHS Digital对其临床结局进行前瞻性随访(见补充方法)。SCOT-HEART试验纳入疑似由冠心病引起心绞痛的临床患者,CCTA后随访5年以观察临床结局(见补充方法)。
总体研究设计
深度学习网络(DLN)开发的总体方法、内部和外部验证,以及在外部队列中应用DLN以确定临床实用性,概述于图2。总之,来自ORFAN研究的2,200份CCTA扫描用于训练DLN以检测心包范围内的整个心脏。训练后,在100份未见过的ORFAN研究扫描中进行了模型性能的初步评估(补充图1和2)。来自ORFAN研究的三个独立组各200份未见过的扫描用于通过3轮反馈学习微调模型。
深度学习网络(DLN)在该研究英国中心的200例未见过的ORFAN研究扫描中进行了内部测试。外部验证在该研究美国中心的720例未见过的ORFAN研究扫描中进行。随后,该深度学习网络被应用于具有挑战性的临床人群的未见扫描,以在具有挑战性解剖结构和/或常见扫描伪影的患者中测试该模型。最后,该模型在SCOT-HEART试验的未见外部扫描中进行了测试,以对心外膜脂肪组织(EAT)体积作为代谢不健康肥胖标志物的预后价值进行真实世界评估。该模型还被应用于AdipoRedOx研究,以测试EAT体积对术后房颤(AF)风险的预后价值,研究了术后住院期间房颤(监测中房颤持续>30秒)和术后长期房颤(阵发性、持续性或慢性)。
开发用于EAT体积自动分割和量化的DLN
使用CaRi-Heart(版本2.2.1,Caristo Diagnostics Ltd)对2,200例CCTA进行手动分割、用于DLN反馈学习的扫描迭代,以及从心脏分割中自动提取EAT体积(补充图3)。10采用基于三维残差U-Net神经网络架构的全自动方法对CCTA扫描进行全心脏分割,用于CCTA的容积分割(补充方法)。DLN的架构见图3A。
内部验证
从ORFAN研究英国中心随机抽取200例隔离保存的CCTA用于DLN的内部验证。这些扫描的人工分割在对所有其他数据设盲的情况下进行。
外部验证
从ORFAN研究克利夫兰诊所中心抽取720例未见过的CCTA作为广泛外部验证队列,用于该算法的外部验证。11这些扫描的手动分割在对所有其他数据设盲的情况下进行。
统计分析
对于读者间重复性测试以及测试数据(初步测试、内部/外部验证和具有挑战性的临床人群)的人工与自动化模型评估,一致性通过Lin一致性相关系数(CCC)及散点图和Bland-Altman分析(用于偏倚显著性)进行评估。在AdipoRedOx和SCOT-HEART研究的队列范围设置中应用时,所有心外膜脂肪组织(EAT)体积均使用Du Bois公式按患者体表面积进行标准化。
对于EAT体积所传递疾病风险的横断面分析,使用多因素校正逻辑回归计算在CCTA时EAT体积增加1个标准差(SD)时现患疾病(CCTA时的心房颤动(AF)和CCTA检出的阻塞性冠状动脉疾病(CAD))的比值比。所有分析均针对一套标准的心血管疾病(CVD)危险因素进行校正,这些因素列于所有图注中。EAT体积预后价值的纵向评估通过多变量Cox回归模型进行,针对每个结局的标准临床危险因素集进行校正。比值比和风险比(HR)均按EAT体积每增加1个SD报告。所有SCOT-HEART试验风险模型的分析均重复进行,仅纳入每个模型中在单因素分析中与相关结局(因变量)具有统计学意义关联(P ≤ 0.1水平)的变量(补充方法,补充表1)。AdipoRedOx研究风险模型的补充分析使用AF特异性危险因素进行(补充方法,补充图4)。
用于区分CCTA检出的阻塞性CAD和心肌梗死(MI)的受试者工作特征曲线,分别以CVD危险因素模型与包含EAT体积的传统危险因素模型加EAT体积进行绘制。进行曲线下面积分析以比较各结局的模型。
我们通过在时间依赖性受试者工作特征曲线分析中识别使约登J统计量(敏感度与特异度之和)最大化的值,为SCOT-HEART中全因死亡、致死性/非致死性MI和致死性/非致死性卒中的EAT体积预后预测选择了最佳统一截断值,以确保模型中敏感度与特异度之间的最佳平衡。为保持一致性,采用相同方法为AdipoRedOx研究重度CAD人群中EAT体积对院内术后及长期AF风险的预后预测选择最佳截断值。关于统计分析的进一步讨论见补充方法。
结果
用于DLN训练、验证和外部测试的所有ORFAN研究队列的地理位置、人口统计学特征、临床危险因素和CCTA扫描技术参数见表1。DLN开发后应用的外部临床队列的人口统计学和扫描特征见表2。前瞻性临床队列的相关临床结局见补充表2。在所有对EAT体积进行量化的队列中(无论手动还是自动),数值均呈正态分布。
读者间心外膜脂肪组织(EAT)分割与全心脏分割的可重复性
在来自ORFAN研究英国站点的100例随机选取患者中,评估了牛津学术心血管计算机断层扫描核心实验室(Oxford Academic Cardiovascular Computed Tomography Core Lab)2名专家分析者之间的观察者间变异性。读者间EAT体积的CCC极佳,为0.970,偏倚不显著,均值为2.1(95%一致性:−3.9至6.1)cm3(P = 0.74)(补充图5A和5B)。对于全心脏分割体积,CCC同样极佳,为0.969,偏倚不显著,均值为15.2(95%一致性:−7.5至23.1)cm3(P = 0.08)(补充图5C和5D)。
模型的内部验证
最终内部验证在3轮反馈学习以提升模型性能后进行。内部验证中EAT体积的中位数为120.9(IQR:95.1-156)cm3。当应用于来自ORFAN研究英国站点的200例未见扫描时,CCC为0.972(图4A)。Bland-Altman分析(图4B)中的偏倚同样不显著,为6.1(IQR:−11.1至15.7)cm3(P = 0.19)。
模型的外部验证
最终深度学习模型应用于来自ORFAN研究美国站点的720例未见扫描。自动分割的平均自动分析时间为12.4秒,而平均手动分割时间为18分20秒。外部验证中EAT体积的中位数为169.3(IQR:111.6-241.7)cm3。在外部验证队列中,自动深度学习模型与人类专家分割相比的CCC极佳,为0.970(图4C),Bland-Altman分析(图4D)中的偏倚不显著,为3.2(IQR:−13.6至17.2)cm3(P = 0.20)。
自动模型在具有挑战性的临床人群中用于EAT体积定量的验证
在所有具有挑战性的患者组中,自动EAT分割与人类专家分割相比均达到了极佳的CCC:近期接受心脏手术(术后<6周)的患者CCC = 0.960(图5A,绿色);体重指数(BMI)≥40的患者,CCC = 0.962(图5A,红色);报告冠状动脉钙化(CAC)评分≥400的患者(图5B,绿色),CCC = 0.958;心包内存在显著金属伪影的患者,CCC = 0.955(图5B,红色),以及近期开胸心脏手术、BMI ≥30 kg/m2且CAC ≥400的合并患者组,CCC = 0.955(图5C)。
横断面临床相关性
在CCTA时,应用全自动分割工具定量EAT体积被发现是CCTA时存在房颤以及CCTA显示的阻塞性冠心病(CCTA上任何1支冠状动脉血管狭窄≥50%)的显著独立预测因素,该分析在SCOT-HEART试验人群中随机接受CCTA的1,558例患者中进行。
在考虑心血管疾病(CVD)危险因素后,EAT每增加1个标准差(SD)时CCTA时房颤的比值比为1.25(95% CI:1.08-1.40;P = 0.03)(图6A)。在考虑CVD危险因素后,EAT每增加1个SD时CCTA显示阻塞性冠心病的比值比为1.13(95% CI:1.04-1.30;P = 0.01)(图6B)。经统计学方法选择危险因素校正后的结果见补充图4。
纵向EAT体积临床相关性
SCOT-HEART试验中随机接受CCTA并接受分析的1,558例患者的中位随访时间为4.8年。共有35例全因死亡(2.25%),其中4例与冠心病相关(0.25%)。共有8例致死性和非致死性卒中(0.51%)和39例致死性和非致死性心肌梗死(2.5%)。
在考虑CVD危险因素后,EAT每增加1个SD的全因死亡率HR为1.28(95% CI:1.10-1.37);P = 0.02(图6C)。当针对相同危险因素进行调整时,EAT体积每增加1个SD的非心源性死亡率HR为1.17(95% CI:1.07-1.33;P = 0.04)(图6D)。这构成ΔHR为−0.10,证实EAT是与多种致死性病理相关的内脏脂肪组织指标,与CAD无关。在考虑CVD危险因素时,EAT每增加1个SD的MI的HR为1.26(95% CI:1.09-1.38;P = 0.001)(图6E)。最后,在考虑相同危险因素时,EAT每增加1个SD的卒中HR为1.20(95% CI:1.08-1.32;P = 0.02)(图6F)。采用统计学筛选危险因素调整后的结果见补充图4。
将EAT体积加入临床模型后,横断面检测CCTA上阻塞性CAD(CCTA上任何1支冠状动脉血管狭窄≥50%)的能力显著提高(ΔAUC:0.103;P < 0.01)(图6G),并且纵向预测未来MI(致死性和非致死性)的能力提高(ΔAUC:0.07;P < 0.01)(图6H)。
EAT体积对长期疾病风险的单一预测价值
为围绕单一EAT体积切点生成不同的临床分组,根据3个主要结局(全因死亡率;致死性/非致死性MI;致死性/非致死性卒中)的最佳切点169.9 cm3,将SCOT-HEART试验人群二分为高EAT体积组与低EAT体积组。该切点源自加权Youden J指数分析,以生成单一应用值。使用该切点,低EAT组(<169.9 cm3)与高EAT组(≥169.9 cm3)在所有结局上的校正HR均存在显著差异。所有分析均包括对CVD危险因素(包括BMI)的多变量调整。
高EAT体积值(≥169.9 cm3 vs <169.9 cm3)与更高的前瞻性致死性和非致死性MI风险相关(校正HR:1.93;95% CI:1.31-4.01;P < 0·01)(图7A)、致死性和非致死性卒中风险相关(校正HR:2.25;95% CI:1.07-4.72;P < 0·01)(图7B)、非心源性死亡风险相关(校正HR:3.84;95% CI:1.54-12.10;P < 0·01)(图7C)以及全因死亡风险相关(校正HR:5.02;95% CI:2.93-9.34;P < 0·01)(图7D)。
EAT体积与术后AF风险
利用AdipoRedOx研究中患者的250份扫描,研究了EAT体积与住院期间术后AF(监测中AF >30秒)以及手术后长期AF(阵发性、持续性或慢性)之间的纵向关联。
再次采用加权约登J指数分析生成单一数值,基于2个主要结局(院内术后房颤和远期术后房颤)的最佳截断值198.7 cm³,将AdipoRedOx研究人群二分为高EAT容积组与低EAT容积组。利用该截断值,低EAT组(<198.7 cm³)与高EAT组(≥198.7 cm³)在两个结局上的校正HR均有显著差异。
在AdipoRedOx队列的全国NHS Digital数据中,共有97例院内术后房颤事件(38.8%)和48例新发房颤病例(19%)。高EAT容积(≥198.7 cm³)与低EAT容积(<198.7 cm³)心脏手术后院内术后房颤的Kaplan-Meier曲线。在校正CVD危险因素后,高EAT容积与院内术后房颤风险显著增加相关,EAT容积每增加1个SD的HR为2.67(95% CI:1.26-3.73;P < 0.01)(图8A)。同样,对于心脏手术后远期新发房颤,高风险EAT容积与远期房颤风险显著增加相关,EAT容积每增加1个SD的HR为2.14(95% CI:1.19-2.97;P < 0.01)(图8B)。
在受试者工作特征曲线分析中,将EAT容积加入CVD危险因素模型显著改善了院内新发房颤的预测(图8C),CVD危险因素模型1加入EAT容积后ΔAUC为+0.0.8(P = 0.03),在单纯CCTA衍生左心房(LA)容积基础上加入危险因素模型加EAT容积后ΔAUC为+0.11(P < 0.001)。远期新发房颤也得到相同结果(图8D),危险因素模型1加入EAT容积后ΔAUC为+0.09(P = 0.04),相较于单纯LA容积ΔAUC为+0.11(P < 0.001)。
对一组房颤特异性危险因素(包括LA容积和N末端B型利钠肽原)进行校正的相同分析见补充图6,EAT容积在所有模型中均保持显著性。当BMI被腰臀比替代时,所有术后房颤风险分析的结果均无显著变化(补充图7)。
讨论
在本研究中,我们开发了一种深度学习模型,用于从CCTA图像中自动分割和量化EAT。随后,该模型在多个队列中进行了验证,包括因伪影导致人工分割极为困难的常见挑战性人群,并表现出良好性能。然后,我们将这一自动化模型应用于SCOT-HEART队列,证明EAT体积对全因死亡率和心血管事件具有良好的预后价值,可作为与心脏代谢功能障碍相关的不健康内脏肥胖的一种可能指标,无论EAT体积是作为连续变量使用还是采用截断值使用。与冠状动脉周围脂肪衰减指数相反——后者反映冠状动脉炎症程度并可预测心脏性(而非非心脏性)死亡——我们现在证明EAT体积可预测非心脏性死亡,从而确认其作为更广泛的内脏肥胖生物标志物的作用,在更广泛意义上影响生存。我们还证明,该测量对接受心脏手术患者术后AF具有重要预后价值,其价值超越包括LA体积和N末端B型利钠肽原在内的已知术后风险模型。将EAT体积的全自动测量纳入CCTA的常规解读,有望显著改善患者在多个重要临床结局方面的风险分层。
我们开发了一种深度学习模型,利用单一网络从CCTA中实现EAT体积的全自动快速量化。既往用于EAT量化的自动化模型主要基于小型队列。12,13 最相关的模型是Commandeur等人14开发的卷积神经网络,能够实现自动化EAT分割,并在EISNER(Early Identification of Subclinical Atherosclerosis by Noninvasive Imaging Research)队列中进行了测试;然而,该研究未进行头对头比较。此处开发的模型在技术上具有挑战性但临床常见的人群中实现了准确的EAT体积量化。任何基于人工智能的放射学方法都需要适用于所有就诊者,这对于患者接受度和此类技术的未来应用至关重要。该DLN将EAT量化时间从人工操作时平均18分钟缩短至平均12秒,使该工具可在临床环境中使用,而不会增加临床团队的工作负担。
既往研究发现,心外膜脂肪(EAT)体积与心血管疾病(CVD)指标及结局相关,包括动脉粥样硬化的存在15以及冠状动脉钙化进展。16 EAT是多种促炎介质的来源,这些介质可循环至远超心脏微循环的范围,对心血管和内分泌系统发挥旁分泌和内分泌效应。5我们发现,即使排除心源性死亡,EAT体积仍是无全因死亡的显著预测因子。这提示EAT可能在动脉粥样硬化性冠心病之外的更广泛代谢性疾病中发挥临床重要作用。我们提出,EAT体积应被视为检测代谢不健康内脏肥胖的金标准,并可纳入冠状动脉CT血管造影(CCTA)的常规临床解读。这将使CCTA检查的重点从单纯评估冠状动脉结构转向更全面地评估心血管风险,并将关键的、代谢敏感的内脏脂肪库纳入考量。
EAT与心血管系统持续进行双向交流。5当脂肪组织与心血管系统之间出现不协调时,前者被认为会发生功能转变,并对血管和心肌产生有害影响,17这可能使患者易发生不良结局,如我们所研究的那些结局。我们发现,EAT体积可预测非致死性心肌梗死和卒中,且独立于BMI,并在调整其他相关疾病危险因素后仍然如此。
我们证明,EAT体积是一个独立预测因子,无论患者BMI、左心房(LA)体积、N末端B型利钠肽原及其他房颤(AF)危险因素如何,均对术后AF具有增量预测价值,提示EAT在驱动术后心律失常发生中具有重要作用。有研究提出,促炎细胞因子从功能失调的EAT局部弥散入心肌,促进心房肌病,18从而驱动AF风险。
研究局限性
我们在SCOT-HEART试验人群中无法获得详细的肥胖指标数据(如腰臀比)或死亡数据,因此无法研究可能导致我们发现EAT体积所传递的全因死亡风险升高的非心源性死亡的确切原因。SCOT-HEART试验5年随访期间仅发生4例心血管死亡,限制了任何心源性死亡分析。临床CCTA中还存在其他具有挑战性的人群,例如先天性心脏病患者,我们缺乏足够病例来测试该深度学习算法。心脏手术后短期AF风险数据仅依赖住院期间监测,出院后未进行设备监测。
结论
我们提出了一种新的深度学习模型,可在常规CCTA扫描上实现心外膜脂肪(EAT)体积的准确、可重复且快速定量。我们证明,EAT体积评估可独立于包括BMI在内的其他危险因素,改善对心血管和非心血管结局的风险评估。EAT体积可预测全因死亡和非心脏死亡、心肌梗死(MI)和卒中。EAT体积还可提供心脏手术后房颤(AF)的显著独立风险。将自动化EAT体积定量纳入CCTA判读方案,可独立于冠状动脉粥样硬化的存在,改善接受CCTA检查患者的整体心脏代谢风险评估和治疗计划。展望COMPETENCY IN MEDICAL KNOWLEDGE:通过人工智能方法在常规CCTA扫描上自动定量EAT体积,可能有助于改善对MI和卒中等心血管事件的风险评估。
TRANSLATIONAL OUTLOOK:将自动化EAT评估引入标准CCTA判读,可通过增强对冠状动脉疾病(CAD)、卒中和AF等疾病风险的预测,为患者照护带来显著价值。
资金支持与作者披露
本研究获得英国心脏基金会(资助号TG/19/2/34831)和欧盟委员会“地平线2020”计划通过机器学习人工智能早期检测卒中房颤(MAESTRIA)联盟(资助号965286)的支持。Siddique医生、Tomlins医生和Shirodaria医生是Caristo Diagnostics Ltd的雇员。Williams医生获得英国心脏基金会支持(资助号FS/ICRF/20/26002);并曾担任Canon Medical Systems的讲者局成员。Adlam医生获得莱斯特国家健康研究所生物医学研究中心支持;曾获得AstraZeneca Inc用于无关研究的研究资金和实物支持;曾获得Abbott Vascular Inc的教育资助,用于支持一名临床研究研究员开展无关研究;还曾为GE Inc提供咨询服务,以支持无关研究的研究资金。Shirodaria医生、Neubauer医生、Channon医生和Antoniades医生是CT图像分析公司Caristo Diagnostics Ltd的创始人、股东和董事。Antoniades医生获得英国心脏基金会支持(资助号CH/F/21/90009、TG/19/2/34831和RG/F/21/110040)、Innovate UK支持(资助号104472),以及通过产业战略挑战基金(Innovate UK资助号104688)获得国家智能医学影像联盟支持;并且是专利US10,695,023B2、PCT/GB2017/053262、GB2018/1818049.7、GR20180100490和GR20180100510的发明人,这些专利通过独家许可授权给Caristo Diagnostics。所有其他作者均报告,他们没有与本文内容相关的需要披露的关系。
引用
- West, Siddique, Williams, et al. Deep-Learning for Epicardial Adipose Tissue Assessment With Computed Tomography: Implications for Cardiovascular Risk Prediction. JACC Cardiovasc Imaging. 2023. PMID: 36881425. doi:10.1016/j.jcmg.2022.11.018
- 全文:PMC10663979(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10663979/
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。