基于臨床病理特征和影像學(xué)及血清生物指標(biāo)分析對肺結(jié)節(jié)性質(zhì)預(yù)測模型的構(gòu)建與驗證

袁 瑞，汪桃利，余文輝，張書楠，羅勝華，李運雷，王向榮，王家傳，郭海濤（廣州中醫(yī)藥大學(xué)第四臨床醫(yī)學(xué)院/深圳市中醫(yī)院.檢驗科；.腫瘤科；.放射科；.病理科；.胸外科，廣東深圳 518033）

全球癌癥（GLOBOCAN）2020 數(shù)據(jù)顯示，中國肺癌發(fā)病數(shù)和死亡數(shù)分別占全球的37.0%和39.8%，肺癌已成為全球惡性腫瘤發(fā)病率及癌癥相關(guān)死亡的主要原因，嚴(yán)重威脅人類健康[1]。臨床試驗已證實低劑量CT(Low-dose computerized tomography,LDCT)篩查可降低肺癌相關(guān)死亡率[2]，提高肺癌早期檢出率，降低晚期肺癌發(fā)病率[3]。肺癌防治已經(jīng)成為我國惡性腫瘤防控面臨的重大挑戰(zhàn)。肺結(jié)節(jié)（pulmonary nodules,PN）性質(zhì)預(yù)測模型，旨在幫助臨床對PN 精準(zhǔn)管理，指導(dǎo)PN 風(fēng)險分層，實現(xiàn)肺癌早診斷。常見模型如梅奧診所（Mayo Clinic，Mayo）模型[4]、退伍軍人事務(wù)(Veterans Affairs,VA）模型[5]、Brock 大學(xué)（Brock University,Brock）模型[6]和北京大學(xué)（Peking University,PKU）模型[7]等是基于患者臨床特征和影像學(xué)特征構(gòu)建的，并未納入生物指標(biāo)進(jìn)行研究。廣州醫(yī)科大學(xué)（Guangzhou Medical University ,GZMU）模型[8]只包含一種生物指標(biāo)細(xì)胞角蛋白19 片段(cytokeratin 19 fragment，Cyfra 21-1)。目前國內(nèi)尚缺少經(jīng)過可靠外部驗證且預(yù)測準(zhǔn)確度高的模型。因此，創(chuàng)建新的PN 性質(zhì)預(yù)測模型顯得尤為迫切。本研究旨在綜合患者臨床病理特征、影像信息和生物指標(biāo)構(gòu)建準(zhǔn)確可靠的PN性質(zhì)預(yù)測模型，協(xié)助醫(yī)生對PN 進(jìn)行風(fēng)險分層，制定個體化診療方案。

1 材料和方法

1.1 研究對象 收集2019年1月～2023年2月在深圳市中醫(yī)院胸外科和腫瘤科接受手術(shù)切除或肺活檢，明確病理診斷的816 例PN 患者病歷資料進(jìn)行回顧性分析。入選標(biāo)準(zhǔn)及排除標(biāo)準(zhǔn)參考中國肺癌低劑量螺旋CT 篩查指南(2018年版)[9]。剔除不符合納入標(biāo)準(zhǔn)者共113 例。其中，病歷資料不完整者37例，胸部CT 提示PN 最大直徑＞30mm 者25 例，伴胸腔積液17 例，伴肺不張11 例，五年內(nèi)患有惡性腫瘤并接受治療或既往接受肺部手術(shù)15 例，伴肺結(jié)核活動期8 例。余下703 例隨機(jī)分成建模組（n=552，良性237 例，惡性315 例）和驗證組（n=151，良性85 例，惡性66 例）。本研究經(jīng)深圳市中醫(yī)院倫理學(xué)委員會批準(zhǔn)，簽署知情同意書。

1.2 儀器與試劑 西門子X 線電子計算機(jī)斷層掃描儀SOMATOM Force 開源CT（德國西門子公司）；雅培i 4000 SR 化學(xué)發(fā)光分析儀（美國雅培公司），試劑為美國雅培公司配套試劑包括癌胚抗原（CEA），鱗狀細(xì)胞癌抗原（SCCA），細(xì)胞角蛋白19 片段（CYFRA21-1）試劑盒、激發(fā)液、預(yù)激發(fā)液、沖洗液等。

1.3 方法

1.3.1 資料采集：臨床資料采集包括年齡、性別、吸煙史、戒煙史和癌癥家族史。影像學(xué)資料包括CT 肺窗上結(jié)節(jié)最大直徑、病變位置（肺上葉/中葉/下葉，左肺/右肺）、邊界清晰、分葉、毛刺、血管集束征、空泡、鈣化、支氣管充氣征、肺氣腫、結(jié)節(jié)性質(zhì)（密度）及胸膜凹陷、結(jié)節(jié)數(shù)目。血清生物學(xué)指標(biāo)包括CEA，SCCA，CYFRA21-1 等。

1.3.2 單變量分析：將建模組所有變量包括臨床病理特征、CT 信息和生物指標(biāo)等進(jìn)行單變量分析，篩選有統(tǒng)計學(xué)意義的變量。

1.3.3 多變量回歸分析：將上述篩選的變量進(jìn)行多元回歸分析，篩選獨立預(yù)測因子。

1.3.4 建模及驗證：將上述獨立預(yù)測因子納入logistic 回歸分析，得出各變量相關(guān)系數(shù)和常量，建立回歸方程，構(gòu)建PN 性質(zhì)預(yù)測模型。根據(jù)函數(shù)f(x)＝ex/(1+ex),計算肺結(jié)節(jié)惡性概率。再將驗證組數(shù)據(jù)分別代入本模型(proposed model)與Mayo，VA，Brock，PKU， GZMU 模型計算PN惡性概率，繪制受試者工作特征(receiver operating characteristic,ROC)曲線。根據(jù)曲線下面積（area under the curve,AUC)比較各模型的診斷效能。選取最佳臨界值確定靈敏度和特異度。

1.4 統(tǒng)計學(xué)分析 采用SPSS 22.0 和MedCalc17.6進(jìn)行統(tǒng)計分析。計數(shù)資料表示為n(%)，組間比較采用Pearson 卡方檢驗。計量資料表示為均數(shù)±標(biāo)準(zhǔn)差（±s）或中位數(shù)（四分位數(shù)間距，IQR）[M(P25,P75)]。首先對計量資料進(jìn)行正態(tài)檢驗，再根據(jù)檢驗結(jié)果，組間比較正態(tài)分布采用獨立樣本t檢驗，非正態(tài)分布采用Mann-WhitneyU秩和檢驗。利用AUC 評價預(yù)測模型診斷效能。以P＜0.05 為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 臨床特征 建模組與驗證組的臨床特征包括年齡（t=1.805，P=0.581）、性別（χ2=1.462，P=0.144）、吸煙史（χ2=0.632，P=0.428）、戒煙史（Z=1.465，P=0.143） 和癌癥家族史（χ2=1.343，P=0.180）進(jìn)行比較，差異均無統(tǒng)計學(xué)意義。

2.2 建模組和驗證組的單變量分析 見表1，2。將各變量進(jìn)行賦值：性別（女性＝1，男性＝0），過去或現(xiàn)在吸煙（是＝1，否＝0），癌癥家族史（是＝1，否＝0），位置（左肺＝1，右肺＝0；上葉＝1，中葉或下葉＝0），邊界清晰（是＝1，否＝0），分葉（是＝1，否＝0），毛刺（是＝1，否＝0），血管集束征（是＝1，否＝0），空泡（是＝1，否＝0），鈣化（是＝1，否＝0），支氣管充氣征（是＝1，否＝0），肺氣腫（是＝1，否＝0），結(jié)節(jié)性質(zhì)（部分實性或磨玻璃樣＝1，實性＝0）及胸膜凹陷（是＝1，否＝0）。單變量分析顯示，PN 良性與惡性患者除性別、肺左葉、結(jié)節(jié)數(shù)目、胸膜凹陷、空泡、支氣管充氣征、肺氣腫、吸煙史和戒煙年限外(P＞0.05)，其他影響因素包括年齡、癌癥家族史、結(jié)節(jié)最大直徑、結(jié)節(jié)性質(zhì)、肺上葉、鈣化、血管集束征、分葉、邊界清晰、毛刺以及血清CEA，SCCA，CYFRA21-1 差異均具有統(tǒng)計學(xué)意義(P＜0.05)。

表1 建模組的單變量分析[±s,n(%),M(P25,P75)]

表1 建模組的單變量分析[±s,n(%),M(P25,P75)]

類 別良性（n=237）惡性（n=315）χ2/t/zP年齡（歲）61.5±13.468.9±12.37.10 ＜0.001性別（女）124（52.3） 178（56.5） 0.88 0.379吸煙史＞5年46（19.4） 73（23.2）2.28 0.131戒煙12(7,21)13(8,15)0.58 0.562癌癥家族史7（3.0）28（8.9）8.01 0.005結(jié)節(jié)數(shù)目（個）3(1，3)3(1，3)1.69 0.090結(jié)節(jié)最大直徑（nm）6.1±2.312.3±6.713.21 ＜0.001結(jié)節(jié)性質(zhì)（部分實性或磨玻璃樣） 42(17.7)180(57.1)87.41 ＜0.001鈣化47（19.8） 52（16.5）1.01 0.043血管集束征53（22.4） 135（42.9） 25.3 ＜0.001肺上葉103（43.5） 174（55.2） 7.51 0.006肺左葉109（46.0） 165（52.4） 2.21 0.138胸膜凹陷47(19.8)73(23.2)0.89 0.346空泡48(20.3)82(26.0)2.51 0.113分葉51(21.5)109(34.6)11.23 0.004邊界清晰136(57.4)143(45.4)7.77 0.005肺氣腫55（23.2） 81（25.7）0.46 0.499支氣管充氣征43(18.1)70(22.2)1.38 0.240毛刺47(19.8)184(58.4)82.72 ＜0.001 CEA(ng/ml)1.8(1.2，2.7)2.9(1.7，4.5)8.25 ＜0.001 SCCA(ng/ml)1.0(0.6，1.7)1.4(0.7，2.6)3.84 ＜0.001 CYFRA21-1(ng/ml)2.7(2.0，3.8)3.6(2.5，4.8)6.30 ＜0.001

表2 驗證組的單變量分析[±s,n(%),M(P25,P75)]

表2 驗證組的單變量分析[±s,n(%),M(P25,P75)]

類 別良性（n=85）惡性（n=66）χ2/t/zP年齡（歲）61.0±12.667.9±10.53.56 ＜0.001性別（女）42（47.7） 38（57.5）0.98 0.320吸煙史＞5年13（15.3） 17（25.7）2.54 0.111戒煙22(14，25)12(12，22)1.53 0.127癌癥家族史4（4.7）12（18.2）7.08 0.008結(jié)節(jié)數(shù)目（個）3(2，3)3(2，3)0.64 0.520結(jié)節(jié)最大直徑（nm）8.0±3.211.1±3.45.54 ＜0.001結(jié)節(jié)性質(zhì)（部分實性或磨玻璃樣） 23(27.0)43(65.2)7.69 0.005鈣化13（15.3）4（6.1）3.15 0.076血管集束征18（21.2） 35（53.0） 16.44 ＜0.001肺上葉30（35.3） 38（57.5）7.40 0.007肺左葉37（43.5） 23（34.8）1.16 0.281胸膜凹陷20(23.5)24(36.4)2.94 0.086空泡13(15.3)17(25.7)2.54 0.111分葉19(22.4)27(40.9)5.99 0.014邊界清晰41(48.2)15(22.7)10.29 0.001肺氣腫22（25.8） 21（31.8）0.64 0.424支氣管充氣征9(10.5)11(16.6)1.18 0.276毛刺9(10.5)25(37.8)15.76 ＜0.001 CEA(ng/ml)2.1(1.3，3.0)2.7(1.7，3.6)2.56 0.011 SCCA(ng/ml)1.3(0.8，1.8)2.5(1.1，3.2)4.92 ＜0.001 CYFRA21-1(ng/ml)2.6(1.9，3.7)3.7(3.1，4.7)4.79 ＜0.001

2.3 多變量回歸分析 將單變量分析篩選具有統(tǒng)計學(xué)意義的變量包括年齡、癌癥家族史、結(jié)節(jié)最大直徑、結(jié)節(jié)性質(zhì)、肺上葉、鈣化、血管集束征、分葉、邊界清晰、毛刺以及血清CEA，SCCA，CYFRA21-1 進(jìn)行多變量回歸分析，篩選出10 種獨立預(yù)測因子包括年齡、癌癥家族史、邊界、結(jié)節(jié)最大直徑、結(jié)節(jié)性質(zhì)、肺上葉，毛刺以及血清CEA，SCCA， CYFRA21-1 等。

2.4 Logistic 回歸分析及預(yù)測模型構(gòu)建 將上述篩選的10 種獨立預(yù)測因子納入Logistic 回歸分析，得出各變量相關(guān)系數(shù)和常量，見表3。建立回歸方程，X=（-6.318 8+0.020 8×年齡+0.573 2×肺上葉+0.527 4×CEA-0.928 4×邊界清晰+0.294 6×CYFRA21-1+0.294 0× 結(jié)節(jié)最大直徑+1.220 1×癌癥家族史+0.064 8×SCCA+1.461 5×毛刺+1.497 6×結(jié)節(jié)性質(zhì)）。再根據(jù)函數(shù)f(x)＝ex/(1+ex)，計算肺結(jié)節(jié)惡性概率。

表3 肺結(jié)節(jié)性質(zhì)獨立預(yù)測因子的Logistic 回歸分析

2.5 本模型與其他模型的診斷效能比較 見圖1 和表4。本模型AUC 值高于其他5 種模型，本模型與Mayo 模型和VA 模型比較，AUC(0.799 vs 0.659，0.650)差異有統(tǒng)計學(xué)意義(Z=3.029，P=0.003；Z=2.638，P=0.008)。然而，本模型與Brock 模型、PKU模型、GZMU 模型比較，AUC(0.799 vs 0.762，0.773，0.799 vs 0.769)差異均無統(tǒng)計學(xué)意義(Z=1.063，P=0.288；Z=0.686,P=0.493；Z=0.757，P=0.449)。診斷靈敏度最高為Brock 模型（90.9%），最低為VA模型（50.0%）；特異度最高為VA 模型（76.5%），最低為Brock 模型（55.3%）。陽性似然比(positive likelihood ratio,+LR)最高為本模型（3.25）；最低為Mayo 模型（1.86）。陰性似然比(negative likelihood ratio,-LR)最高為VA 模型（0.66），最低為PKU 模型（0.23）。診斷效能從大至小依次為：本模型、PKU，GZMU，Brock，Mayo，VA 模型。

圖1 本模型與其他模型的ROC 曲線比較

表4 本模型與其他模型的診斷效能比較

3 討論

預(yù)測模型是一種具有客觀、精確、穩(wěn)定及可重復(fù)等優(yōu)點的評估工具，能夠協(xié)助首診醫(yī)生給予肺結(jié)節(jié)患者的肺癌風(fēng)險評估，根據(jù)惡性概率將患者進(jìn)行風(fēng)險分層，制定個體化診療方案，實現(xiàn)合理配置醫(yī)療資源的同時，達(dá)到患者利益最大化[10]。21世紀(jì)全球開展兩項大型隨機(jī)對照試驗，包括美國國立肺癌篩查試驗（NLST）[11]與荷蘭-比利時肺癌篩查試驗（NELSON）[12]，研究表明，肺癌早篩查與早診治是降低人群肺癌死亡率的有效措施。最近，《柳葉刀》（THE LANCET）發(fā)表年度重磅肺癌篩查綜述[13]，匯集當(dāng)前全球最新醫(yī)學(xué)證據(jù)，針對全球當(dāng)前肺癌篩查現(xiàn)狀與未來方向，展開薈萃分析。隨機(jī)對照試驗表明，用于肺癌篩查的LDCT 有助于降低肺癌死亡率。指出肺癌發(fā)病率的地域差異，例如亞洲國家從未吸煙的人群中肺癌患者比例較高，需要特別注意改進(jìn)選擇標(biāo)準(zhǔn)和風(fēng)險模型。本研究提示，是否吸煙對PN 惡性風(fēng)險無明顯影響，差異無統(tǒng)計學(xué)意義。這有別于歐美國家人群，可能因種族和地區(qū)差異所致。

本研究發(fā)現(xiàn)年齡、癌癥家族史、邊界清晰、肺上葉、結(jié)節(jié)直徑、結(jié)節(jié)性質(zhì)、毛刺及血清CEA，CYFRA21-1，SCCA，分葉、血管集束征、鈣化等為肺結(jié)節(jié)的影響因子。其中，前面10 個變量為獨立預(yù)測因子。除邊界清晰為保護(hù)性因素外，其余變量為肺結(jié)節(jié)惡性危險因素。獨立預(yù)測因子的優(yōu)勢比（odds ratio,OR）依大小排列為結(jié)節(jié)性質(zhì)、毛刺、癌癥家族史、CEA，CYFRA21-1，SCCA，直徑、年齡、肺上葉、邊界清晰。OR 值大于3 的分別是結(jié)節(jié)性質(zhì)、毛刺和癌癥家族史。磨玻璃結(jié)節(jié)(ground glass nodules,GGN)，也被稱為毛玻璃結(jié)節(jié)，指的是CT 影像表現(xiàn)為局限性的模糊密度增高影。如果肺泡腔內(nèi)存在少許黏液和包含的細(xì)胞量少時，CT影像表現(xiàn)為GGN；如果結(jié)節(jié)內(nèi)細(xì)胞或組織碎片大量堆積聚集、刺激膠原纖維成分大量增生時，CT影像則表現(xiàn)為混合磨玻璃結(jié)節(jié)(mixed ground glass nodules,mGGN)或部分實性結(jié)節(jié)(part-solid nodules,PSN ）。研究發(fā)現(xiàn)PSN 或GGN 的惡性概率可能升高3.5 倍以上（OR= 4.5,95%CI:2.6～7.7），在建模組中，性質(zhì)為PSN 或GGN 的良性與惡性結(jié)節(jié)分別占17.7%與57.1%，差異有統(tǒng)計學(xué)意義（P＜0.001）。PSN 與肺腺癌相關(guān)，其惡性率高于純GGN 和實性結(jié)節(jié)[14]。病理上，PSN 主要被證實為微浸潤和浸潤性腺癌，而純GGN 多為原位腺癌，有時為微浸潤腺癌[15]。

邊緣出現(xiàn)毛刺的結(jié)節(jié)惡性概率可能升高3.3倍以上（OR=4.3,95%CI:2.3～7.9），在建模組中，良性與惡性結(jié)節(jié)具有毛刺患者分別占19.8%和58.4%，差異有統(tǒng)計學(xué)意義（P＜0.001）。毛刺多由兩種因素形成，一是腫瘤周圍血管增生、增粗、牽拉引起，多表現(xiàn)為細(xì)短毛刺，二是病灶周圍肺纖維化。年齡較大，肺氣腫和毛刺的存在與惡性腫瘤有關(guān)[16]。具有癌癥家族史患者惡性概率可能升高2.4倍（OR=3.4,95%CI:1.1～10.9），在建模組中，良性與惡性結(jié)節(jié)具有癌癥家族史患者分別占3.0%和8.9%，差異有統(tǒng)計學(xué)意義（P=0.005）。肺癌家族史的個體比沒有肺癌家族史的患肺癌的風(fēng)險高2～3 倍。一級親屬中有癌癥家族史的個體與無癌癥家族史的個體相比，患肺癌的風(fēng)險增加約50%，且這種關(guān)聯(lián)不受性別、種族、組織學(xué)類型和其他已知肺癌危險因素的影響[17]。ANG 等[18]研究提示，有肺癌家族史的人群患肺癌的風(fēng)險明顯升高，可能因存在肺癌遺傳基因易感位點。研究顯示，在建模組中，良性與惡性肺結(jié)節(jié)平均直徑（6.1 mm vs 12.3 mm）差異有統(tǒng)計學(xué)意義（P＜0.001）。其中，結(jié)節(jié)直徑大于10.0 mm 在良性與惡性組分別占12.0%和88.0%。LARICI 等[19]研究指出，結(jié)節(jié)大小和生長速度仍然是最廣泛使用的預(yù)測因子，用于評估結(jié)節(jié)惡性概率。結(jié)節(jié)的初始大小、生長速度與惡性風(fēng)險之間存在直接正比關(guān)系。這與本研究結(jié)果一致。盡管最近的指南引入了結(jié)節(jié)體積作為指標(biāo)，到目前為止，結(jié)節(jié)管理一直基于結(jié)節(jié)直徑大小。

研究最多的肺癌生物標(biāo)志物包括CYFRA 21-1，CEA，SCCA 和NSE 等[20]。本研究顯示，生物標(biāo)志物OR 值依大小排列為CEA，CYFRA21-1，SCCA。生物標(biāo)志物在不同病理分型中的表現(xiàn)不同，腺癌的CEA 水平明顯高于其他類型。而非小細(xì)胞癌CYFRA21-1 具有較高表達(dá)。SCCA 異常高表達(dá)常見于鱗癌，包括肺癌、宮頸癌、卵巢癌等[21]。李輝等[22]研究發(fā)現(xiàn)，與肺良性疾病組比較，肺癌組患者CEA，CYFRA21-1，NSE，ProGRP，SCCA，CA125和HE4 的水平均明顯升高。診斷性能評價中，單項檢測時，診斷肺癌AUC 最大的為CYFRA21-1，其次為CEA。而CEA，SCCA，NSE 分別對腺癌、鱗癌和小細(xì)胞肺癌具有最佳診斷效能，這與本研究結(jié)果相近。彭瑛等[23]研究提示，NSE，CYFRA21-1，CEA，CA125，CA153，CA199 和SCCA 等7 種標(biāo)志物中，SCCA 對肺癌診斷效能最高（AUC=0.817）。聯(lián)合標(biāo)志物的診斷效能優(yōu)于單一指標(biāo)，CEA+CA125+CYFRA21-1 聯(lián)合應(yīng)用診斷肺癌效能更高。中華醫(yī)學(xué)會肺癌臨床診療指南[24]指出，胸部CT 可有效檢出早期周圍型肺癌、明確病變所在的部位和累及范圍。檢測肺癌相關(guān)的生物標(biāo)志物，有助于輔助診斷和早期鑒別診斷并預(yù)測肺癌病理類型。

研究顯示，PN 惡性風(fēng)險與年齡呈正比，PN 惡性風(fēng)險率從小至大依次為≤50 歲[惡性33 例/（良性64 例+惡性33 例），惡性風(fēng)險率34.0%，下同]，＞50 歲[348/（257+348），56.6%]，＞60 歲[283/（182+283），60.7%]，＞70 歲[170/（85+170），66.7%]。肺上葉結(jié)節(jié)發(fā)病率較高，原因可能為吸入的有毒或有害物質(zhì)首先進(jìn)入并聚集于肺上葉，引起局部組織慢性炎癥、增生、惡變。

似然比（LR）是反映診斷真實性的一種指標(biāo)，屬于同時反映靈敏度和特異度的復(fù)合指標(biāo)。本研究構(gòu)建模型+LR 最高（3.25）。與Mayo,VA 等模型比較，本模型具有較高PPV 和NPV，且本模型AUC 值高于其他5 種模型。這可能歸因于本研究參數(shù)更為全面，構(gòu)建的模型更科學(xué)合理。研究提示，根據(jù)回歸分析得出的OR 值不同，經(jīng)計分確認(rèn)OR 的權(quán)重如下：臨床特征24.4%（4.76/19.55），CT 信息54.6%（10.68/19.55），生物指標(biāo)21.0%（4.11/19.55）。可見，CT 信息權(quán)重最大，尤其結(jié)節(jié)性質(zhì)，如果體檢發(fā)現(xiàn)部分實性結(jié)節(jié)（PSN）或肺磨玻璃結(jié)節(jié)（GGN），應(yīng)該根據(jù)惡性概率高低確定其危險度定期復(fù)查。其次，存在癌癥家族史和（/或）生物指標(biāo)異常，應(yīng)根據(jù)預(yù)測模型計算結(jié)果分析判斷，確定是否干預(yù)。

誠然，本模型存在一定局限，比如樣本量偏小，缺乏大量外部數(shù)據(jù)驗證。由于神經(jīng)元烯醇化酶（NSE）檢測結(jié)果受樣本溶血及樣本周轉(zhuǎn)時間等因素干擾較大，胃泌素釋放肽前體目前尚未開展，故這兩個項目未納入研究。再者，影像信息尚未將空洞、衛(wèi)星灶、支氣管截斷征、暈征、結(jié)節(jié)周圍支擴(kuò)征、結(jié)節(jié)周圍炎癥等納入研究。

綜上所述，本預(yù)測模型具有較高的PN 性質(zhì)預(yù)測準(zhǔn)確度，可幫助臨床提高診斷準(zhǔn)確度，使患者得到早診斷和早干預(yù)，避免過度醫(yī)療，值得推廣應(yīng)用。