引用本文： 張永嫦, 于浩鵬, 李謀, 黃子星, 宋彬. CT 圖像紋理分析鑒別乏血供胰腺神經內分泌腫瘤與胰腺導管腺癌. 中國普外基礎與臨床雜志, 2018, 25(6): 748-753. doi: 10.7507/1007-9424.201805073 復制
胰腺神經內分泌腫瘤（pancreatic neuroendocrine tumors，PNET）起源于胰腺神經內分泌細胞，占所有胰腺腫瘤的 2%～10%，分為功能性和無功能性，因此其臨床表現多樣[1-2]。目前，手術切除是唯一能治愈 PNET 的方法，對于大多數存在完全切除可能性的患者，均推薦手術治療[3-4]。PNET 典型的影像學表現為邊界清晰的富血供實性結節或腫塊，在動脈期（arterial phase，AP）和門靜脈期（portal venous phase，PVP）較周圍胰腺實質強化程度相對更高[5]。然而，近期的研究[6]顯示，高達 41.5% 的 PNET 可能不表現出明顯強化，這些乏血供的 PNET 與胰腺導管腺癌（PDAC）難以鑒別。考慮到胰腺 PNET 較 PDAC 具有更好的預后、更低的死亡率以及更小的手術范圍，鑒別乏血供 PNET 與 PDAC 具有重大的臨床意義[7]。CT 在胰腺腫瘤的診斷與鑒別診斷中應用廣泛，近年來，基于 CT 圖像的紋理分析有希望大量應用于醫學領域[8]。紋理分析是對圖像像素灰度值的局部特征、像素灰度值變化規律及其分布模式進行研究[9]。在醫學圖像中，紋理特征的定量或定性變化往往反映機體的病理改變。因此，國內外研究人員嘗試利用各種紋理分析技術對多種醫學成像圖像進行分析，探索疾病診斷和治療的新途徑[10]。本研究探討了 CT 圖像紋理分析鑒別乏血供 PNET 和 PDAC 的可行性。
1 資料與方法
1.1 納入及排除標準
回顧性收集四川大學華西醫院 2009 年 1 月至 2017 年 1 月期間收治的 PNET 患者，按 1∶2 配比法[11]納入 PDAC 患者。PNET 的納入標準：① 病理學檢查證實為 PNET；② PNET 需為乏血供（病灶強化程度低于或接近周圍正常胰腺實質）；③ 術前或治療前行 CT 掃描，能獲取 AP 和 PVP 圖像；④ 病灶直徑不小于 10 mm。PDAC 的納入標準：① 病理學檢查證實為 PDAC；② 術前或治療前行 CT 掃描，能獲取 AP 和 PVP 圖像；③ 病灶直徑不小于 10 mm。PNET 的排除標準：① PNET 病灶強化高于周圍胰腺實質；② 未行 CT 掃描或掃描前接受過治療；③ CT 圖像出現偽影，且偽影累及病灶。PDAC 的排除標準：① 未行 CT 掃描或掃描前接受過治療；② CT 圖像出現偽影，且偽影累及病灶。
1.2 研究對象
本組收集經病理學檢查證實的 PNET 共 273 例，符合納入標準者共 15 例，共計病灶 15 個；納入 PDAC 患者 30 例，共計病灶 30 個。納入病例均為單發。PNET 組和 PDAC 患者的性別、腫瘤直徑、腫塊邊界、強化程度、膽管或胰管擴張情況比較差異均無統計學意義（P>0.05），但 PENT 組患者的年齡小于 PDAC 組（P<0.05），具體見表 1。
表1
2 組患者的臨床特征比較
1.3 檢查方法
CT 掃描采用西門子（Siemens Somatom Defini-tion FLASH，德國西門子股份公司）或飛利浦（Brilli-ance 64，荷蘭皇家飛利浦公司）掃描機，管電壓 120～140 kV，管電流 210 mA，掃描層厚 1～5 mm，重建層厚 2～5 mm，窗寬 200～300 HU，窗位 30～40 HU，螺距 4，矩陣 512×512。采用高壓注射器注入非離子對比劑（碘海醇注射液，江蘇揚子江公司，300 mg/mL），劑量為 1.5 mL/kg，注射流率為 2.0～3.0 mL/s，分別于注射后 30 s 和 70 s 采集 AP 及 PVP 圖像。
1.4 紋理分析
1.4.1 感興趣區（ROI）的選擇
從 CT 圖像上以 BMP 格式截取病灶最大層面的圖像，利用 MaZda 4.6[12]在病灶區域手動勾畫 ROI。ROI 邊緣盡量接近但不超過病灶邊緣，以減少容積效應，見圖 1。
圖1
示 PDAC 的 AP 圖像（a）和 PVP 圖像（b），以及乏血供 PNET 的 AP 圖像（c）和 PVP 圖像（d）上的 ROI，彩色區域表示 ROI，其紅色區域指示 PDAC，綠色區域指示 PNET
1.4.2 提取紋理特征
使用 MaZda 軟件中的“μ±3σ”（μ 為灰度平均值，σ 為灰度標準差）選項，進行圖像灰度均一化處理，最大限度地減少明亮度和對比度對圖像灰度值的影響。然后從灰度直方圖、共生矩陣、游程矩陣、絕對梯度、自回歸模型和小波變換中提取紋理特征。
1.4.3 選擇最佳紋理特征
利用 MaZda 軟件中的費希爾參數法（Fisher）+最小分類誤差與最小平均相關系數法（PA）+相關信息測度法（MI）聯合法對前面提取出的紋理特征參數進行篩選，自動選擇出 30 個最佳紋理特征。對每個紋理特征數據行受試者工作特征（ROC）曲線分析，獲取 AP/PVP 中鑒別乏血供 PNET 與 PDAC 的診斷效能最高的紋理特征。
1.4.4 特征分類
利用 MaZda 軟件中 B11 模塊提供的原始數據分析（RDA）、主成分分析（PCA）、線性判別分析（LDA）和非線性判別分析（NDA）分析病灶的紋理特征參數，對病灶進行分類，RDA、PCA 及 LDA 法應用 K 鄰近分類（K nearest neighbor classification，KNN），NDA 法應用人工神經網絡（artificial neural network，ANN）分類。分類后計算出將乏血供 PNET 和 PDAC 錯誤分類的錯判率（錯判率=總錯判病例數/鑒別分組的病例總數×100%）。依據錯判率，將分類結果劃分為優秀（錯判率≤10%）、良好（10%<錯判率≤20%）、中等（20%<錯判率≤30%）、一般（30%<錯判率≤40%）和較差（錯判率>40%）[13]。
1.5 統計學方法
采用 SPSS 22.0 軟件的 ROC 曲線分析功能，分析在 AP 和 PVP 中，擁有最大曲線下面積（ AUC）值的紋理特征；采用 MedCalc（Version 15.8）軟件比較上述 2 個紋理特征之間 AUC 值的差異有無統計學意義。檢驗水準 α=0.05。
2 結果
2.1 最佳紋理特征
利用 MaZda 軟件中的 Fisher+PA+MI 聯合法自動選擇出 30 個最佳紋理特征，其分布頻率見表 2。其中共生矩陣和游程矩陣中所含最佳紋理特征數量較其余特征類型多，尤其是共生矩陣。對 30 個最佳紋理特征行 ROC 曲線分析，結果 AP 及 PVP 中診斷效能最高的紋理特征均為 Teta2，見圖 2 和表 3。AP 下 Teta2 與 PVP 下 Teta2 的 AUC 值比較差異無統計學意義（P=0.293 6）。
表2
AP 和 PVP 下 Fisher+PA+MI 聯合法提取的 30 個最佳紋理特征的類型分布（個）
圖2
AP 和 PVP 下擁有最大 AUC 值的紋理特征（AP 及 PVP 各 1 個）的 ROC 曲線圖
表3
AP 和 PVP 下 AUC 值最高的單個紋理特征的相關參數
2.2 分類結果
4 種分類方法的錯判率結果見表 4。由表 4 可見，AP 圖像的 LDA/KNN 法、NDA/ANN 法及 PVP 下的 LDA/KNN 法的分類結果為“優秀”（圖 3）；PVP 圖像的 NDA/ANN 法的分類結果為“良好”；AP 圖像的 RDA/KNN 法和 PCA/KNN 法的分類結果為“中等”；PVP 下的 RDA/KNN 法和 PCA/KNN 法的分類結果為“一般”。
表4
AP 和 PVP 區分乏血供 PNET 和 PDAC 的 4 種方法的錯判率［%（個，n1/n2）］
圖3
示分類結果示意圖，圖中每個“1”代表 1 個 PDAC，每個“2”代表 1 個乏血供 PNET
a：AP 下 LDA/KNN 法的分類結果示意圖，“1”與“2”無重疊，表示錯判率為 0；b：AP 下 NDA/ANN 法的分類結果示意圖，紅線和綠線分別表示 PDAC 及乏血供 PNET 在 NDA 平面上的邊界，兩者相交則出現有重疊的區域，重疊區域面積越小，則“1”與“2”重疊越少；c：PVP 下 LDA/KNN 法的分類結果示意圖，圖中“1”與“2”出現重疊，表示存在錯判
3 討論
目前，關于乏血供 PNET 的研究少見，其中涉及到紋理分析的更少。本研究通過對 15 個乏血供 PNETs 和 30 個 PDACs 的 CT 圖像進行紋理分析，表明其鑒別乏血供 PNET 和 PDAC 是可行的，其中紋理特征 Teta2 具有較高的診斷效能，其在 AP 及 PVP 下的 AUC 值分別為 0.829（P<0.001）和 0.740（P=0.009），AP 下 LDA/KNN 法具有最小的錯判率，為 0。
近年來，隨著放射組學的發展，紋理分析作為放射組學的一部分，成為了影像醫學的研究熱點。紋理分析借助計算機技術，提取圖像紋理特征參數，定量分析醫學圖像像素灰度的分布特征，可提供肉眼無法識別的圖像信息，可間接反映病變的病理學特點[14]。在影像醫學中，紋理分析目前看來前景較好，其最基礎的應用是發現病灶，如肺結節的檢出[15-16]。關于紋理分析，更深入的研究也越來越多，如良惡性腫瘤的鑒別、腫瘤病理分級的評價、紋理與腫瘤基因特點（KRAS 基因突變等）的相關性等[17-19]。
PNET 可分為功能性和無功能性，功能性腫塊較小，常在胰腺內或胰腺邊緣，很少阻塞胰管，而無功能性 PNET 由于發現較晚，腫塊常較大，常出現胰腺壓迫推移，阻塞胰管[20]。同 PDAC 相比，PNET 的細胞密度更高，纖維組織更少，對周圍組織的侵襲性更小，預后更好，鑒別 PNET 與 PDAC 的意義重大。從影像學的角度來說，通常認為鑒別典型 PNET 與 PDAC 有比較可靠的特征，如強化程度（PNET 通常為富血供，強化程度較高）、邊界是否清晰、有無胰管擴張等[21]。最主要的鑒別點是典型 PNET 多在 AP 圖像上呈稍高強化，而 PDAC 多呈弱強化。然而，近期有研究者指出，高達 41.5% 的 PNET 不表現為明顯強化，而是呈等或弱強化，其強化程度與病理分級的相關性尚不確定[22-24]，而這些乏血供的 PNET 與 PDAC 難以鑒別[6-7]，造成誤診，有的甚至影響治療方案的效果。本研究發現，紋理分析在鑒別乏血供 PNET 與 PDAC 時的診斷效能較高，為放射組學的發展提供了信息。將來放射組學進一步發展之后，有可能應用于臨床，用以判斷胰腺腫塊的性質[25]。
近 30 年來，雖然研究者在紋理特征描述方面做了大量的研究工作，并取得了許多研究成果，但仍存在著不足。在紋理分析普及應用之前，還有大量的挑戰需要解決。首先，在處理復雜紋理時常常僅用一種算法或者其改進算法來進行特征提取，而較少考慮將小波變換與分形維數相結合等不同的紋理分析方法整合到一起。多數紋理特征提取方法均假定紋理特征為靜態提取，未考慮到視覺變化引起的紋理縮放、不規則變形等[9]；其次，標準化（后處理技術、紋理特征參數等）的建立是另一個主要的挑戰。
本研究存在一些不足：首先，乏血供 PNET 的樣本量較少；其次，所有圖像并非由同一 CT 掃描儀掃描，即便經過圖像均一化處理，但可能仍對 CT 圖像的灰度有一定影響。
綜上所述，CT 圖像紋理分析鑒別乏血供 PNET 與 PDAC 是可行的，其中紋理特征 Teta2 具有較高的診斷效能，AP 下的 LDA/KNN 法具有最小的錯判率。期待放射組學的進一步發展，以便將來應用于臨床，解決臨床問題。
胰腺神經內分泌腫瘤（pancreatic neuroendocrine tumors，PNET）起源于胰腺神經內分泌細胞，占所有胰腺腫瘤的 2%～10%，分為功能性和無功能性，因此其臨床表現多樣[1-2]。目前，手術切除是唯一能治愈 PNET 的方法，對于大多數存在完全切除可能性的患者，均推薦手術治療[3-4]。PNET 典型的影像學表現為邊界清晰的富血供實性結節或腫塊，在動脈期（arterial phase，AP）和門靜脈期（portal venous phase，PVP）較周圍胰腺實質強化程度相對更高[5]。然而，近期的研究[6]顯示，高達 41.5% 的 PNET 可能不表現出明顯強化，這些乏血供的 PNET 與胰腺導管腺癌（PDAC）難以鑒別。考慮到胰腺 PNET 較 PDAC 具有更好的預后、更低的死亡率以及更小的手術范圍，鑒別乏血供 PNET 與 PDAC 具有重大的臨床意義[7]。CT 在胰腺腫瘤的診斷與鑒別診斷中應用廣泛，近年來，基于 CT 圖像的紋理分析有希望大量應用于醫學領域[8]。紋理分析是對圖像像素灰度值的局部特征、像素灰度值變化規律及其分布模式進行研究[9]。在醫學圖像中，紋理特征的定量或定性變化往往反映機體的病理改變。因此，國內外研究人員嘗試利用各種紋理分析技術對多種醫學成像圖像進行分析，探索疾病診斷和治療的新途徑[10]。本研究探討了 CT 圖像紋理分析鑒別乏血供 PNET 和 PDAC 的可行性。
1 資料與方法
1.1 納入及排除標準
回顧性收集四川大學華西醫院 2009 年 1 月至 2017 年 1 月期間收治的 PNET 患者，按 1∶2 配比法[11]納入 PDAC 患者。PNET 的納入標準：① 病理學檢查證實為 PNET；② PNET 需為乏血供（病灶強化程度低于或接近周圍正常胰腺實質）；③ 術前或治療前行 CT 掃描，能獲取 AP 和 PVP 圖像；④ 病灶直徑不小于 10 mm。PDAC 的納入標準：① 病理學檢查證實為 PDAC；② 術前或治療前行 CT 掃描，能獲取 AP 和 PVP 圖像；③ 病灶直徑不小于 10 mm。PNET 的排除標準：① PNET 病灶強化高于周圍胰腺實質；② 未行 CT 掃描或掃描前接受過治療；③ CT 圖像出現偽影，且偽影累及病灶。PDAC 的排除標準：① 未行 CT 掃描或掃描前接受過治療；② CT 圖像出現偽影，且偽影累及病灶。
1.2 研究對象
本組收集經病理學檢查證實的 PNET 共 273 例，符合納入標準者共 15 例，共計病灶 15 個；納入 PDAC 患者 30 例，共計病灶 30 個。納入病例均為單發。PNET 組和 PDAC 患者的性別、腫瘤直徑、腫塊邊界、強化程度、膽管或胰管擴張情況比較差異均無統計學意義（P>0.05），但 PENT 組患者的年齡小于 PDAC 組（P<0.05），具體見表 1。
表1
2 組患者的臨床特征比較
1.3 檢查方法
CT 掃描采用西門子（Siemens Somatom Defini-tion FLASH，德國西門子股份公司）或飛利浦（Brilli-ance 64，荷蘭皇家飛利浦公司）掃描機，管電壓 120～140 kV，管電流 210 mA，掃描層厚 1～5 mm，重建層厚 2～5 mm，窗寬 200～300 HU，窗位 30～40 HU，螺距 4，矩陣 512×512。采用高壓注射器注入非離子對比劑（碘海醇注射液，江蘇揚子江公司，300 mg/mL），劑量為 1.5 mL/kg，注射流率為 2.0～3.0 mL/s，分別于注射后 30 s 和 70 s 采集 AP 及 PVP 圖像。
1.4 紋理分析
1.4.1 感興趣區（ROI）的選擇
從 CT 圖像上以 BMP 格式截取病灶最大層面的圖像，利用 MaZda 4.6[12]在病灶區域手動勾畫 ROI。ROI 邊緣盡量接近但不超過病灶邊緣，以減少容積效應，見圖 1。
圖1
示 PDAC 的 AP 圖像（a）和 PVP 圖像（b），以及乏血供 PNET 的 AP 圖像（c）和 PVP 圖像（d）上的 ROI，彩色區域表示 ROI，其紅色區域指示 PDAC，綠色區域指示 PNET
1.4.2 提取紋理特征
使用 MaZda 軟件中的“μ±3σ”（μ 為灰度平均值，σ 為灰度標準差）選項，進行圖像灰度均一化處理，最大限度地減少明亮度和對比度對圖像灰度值的影響。然后從灰度直方圖、共生矩陣、游程矩陣、絕對梯度、自回歸模型和小波變換中提取紋理特征。
1.4.3 選擇最佳紋理特征
利用 MaZda 軟件中的費希爾參數法（Fisher）+最小分類誤差與最小平均相關系數法（PA）+相關信息測度法（MI）聯合法對前面提取出的紋理特征參數進行篩選，自動選擇出 30 個最佳紋理特征。對每個紋理特征數據行受試者工作特征（ROC）曲線分析，獲取 AP/PVP 中鑒別乏血供 PNET 與 PDAC 的診斷效能最高的紋理特征。
1.4.4 特征分類
利用 MaZda 軟件中 B11 模塊提供的原始數據分析（RDA）、主成分分析（PCA）、線性判別分析（LDA）和非線性判別分析（NDA）分析病灶的紋理特征參數，對病灶進行分類，RDA、PCA 及 LDA 法應用 K 鄰近分類（K nearest neighbor classification，KNN），NDA 法應用人工神經網絡（artificial neural network，ANN）分類。分類后計算出將乏血供 PNET 和 PDAC 錯誤分類的錯判率（錯判率=總錯判病例數/鑒別分組的病例總數×100%）。依據錯判率，將分類結果劃分為優秀（錯判率≤10%）、良好（10%<錯判率≤20%）、中等（20%<錯判率≤30%）、一般（30%<錯判率≤40%）和較差（錯判率>40%）[13]。
1.5 統計學方法
采用 SPSS 22.0 軟件的 ROC 曲線分析功能，分析在 AP 和 PVP 中，擁有最大曲線下面積（ AUC）值的紋理特征；采用 MedCalc（Version 15.8）軟件比較上述 2 個紋理特征之間 AUC 值的差異有無統計學意義。檢驗水準 α=0.05。
2 結果
2.1 最佳紋理特征
利用 MaZda 軟件中的 Fisher+PA+MI 聯合法自動選擇出 30 個最佳紋理特征，其分布頻率見表 2。其中共生矩陣和游程矩陣中所含最佳紋理特征數量較其余特征類型多，尤其是共生矩陣。對 30 個最佳紋理特征行 ROC 曲線分析，結果 AP 及 PVP 中診斷效能最高的紋理特征均為 Teta2，見圖 2 和表 3。AP 下 Teta2 與 PVP 下 Teta2 的 AUC 值比較差異無統計學意義（P=0.293 6）。
表2
AP 和 PVP 下 Fisher+PA+MI 聯合法提取的 30 個最佳紋理特征的類型分布（個）
圖2
AP 和 PVP 下擁有最大 AUC 值的紋理特征（AP 及 PVP 各 1 個）的 ROC 曲線圖
表3
AP 和 PVP 下 AUC 值最高的單個紋理特征的相關參數
2.2 分類結果
4 種分類方法的錯判率結果見表 4。由表 4 可見，AP 圖像的 LDA/KNN 法、NDA/ANN 法及 PVP 下的 LDA/KNN 法的分類結果為“優秀”（圖 3）；PVP 圖像的 NDA/ANN 法的分類結果為“良好”；AP 圖像的 RDA/KNN 法和 PCA/KNN 法的分類結果為“中等”；PVP 下的 RDA/KNN 法和 PCA/KNN 法的分類結果為“一般”。
表4
AP 和 PVP 區分乏血供 PNET 和 PDAC 的 4 種方法的錯判率［%（個，n1/n2）］
圖3
示分類結果示意圖，圖中每個“1”代表 1 個 PDAC，每個“2”代表 1 個乏血供 PNET
a：AP 下 LDA/KNN 法的分類結果示意圖，“1”與“2”無重疊，表示錯判率為 0；b：AP 下 NDA/ANN 法的分類結果示意圖，紅線和綠線分別表示 PDAC 及乏血供 PNET 在 NDA 平面上的邊界，兩者相交則出現有重疊的區域，重疊區域面積越小，則“1”與“2”重疊越少；c：PVP 下 LDA/KNN 法的分類結果示意圖，圖中“1”與“2”出現重疊，表示存在錯判
3 討論
目前，關于乏血供 PNET 的研究少見，其中涉及到紋理分析的更少。本研究通過對 15 個乏血供 PNETs 和 30 個 PDACs 的 CT 圖像進行紋理分析，表明其鑒別乏血供 PNET 和 PDAC 是可行的，其中紋理特征 Teta2 具有較高的診斷效能，其在 AP 及 PVP 下的 AUC 值分別為 0.829（P<0.001）和 0.740（P=0.009），AP 下 LDA/KNN 法具有最小的錯判率，為 0。
近年來，隨著放射組學的發展，紋理分析作為放射組學的一部分，成為了影像醫學的研究熱點。紋理分析借助計算機技術，提取圖像紋理特征參數，定量分析醫學圖像像素灰度的分布特征，可提供肉眼無法識別的圖像信息，可間接反映病變的病理學特點[14]。在影像醫學中，紋理分析目前看來前景較好，其最基礎的應用是發現病灶，如肺結節的檢出[15-16]。關于紋理分析，更深入的研究也越來越多，如良惡性腫瘤的鑒別、腫瘤病理分級的評價、紋理與腫瘤基因特點（KRAS 基因突變等）的相關性等[17-19]。
PNET 可分為功能性和無功能性，功能性腫塊較小，常在胰腺內或胰腺邊緣，很少阻塞胰管，而無功能性 PNET 由于發現較晚，腫塊常較大，常出現胰腺壓迫推移，阻塞胰管[20]。同 PDAC 相比，PNET 的細胞密度更高，纖維組織更少，對周圍組織的侵襲性更小，預后更好，鑒別 PNET 與 PDAC 的意義重大。從影像學的角度來說，通常認為鑒別典型 PNET 與 PDAC 有比較可靠的特征，如強化程度（PNET 通常為富血供，強化程度較高）、邊界是否清晰、有無胰管擴張等[21]。最主要的鑒別點是典型 PNET 多在 AP 圖像上呈稍高強化，而 PDAC 多呈弱強化。然而，近期有研究者指出，高達 41.5% 的 PNET 不表現為明顯強化，而是呈等或弱強化，其強化程度與病理分級的相關性尚不確定[22-24]，而這些乏血供的 PNET 與 PDAC 難以鑒別[6-7]，造成誤診，有的甚至影響治療方案的效果。本研究發現，紋理分析在鑒別乏血供 PNET 與 PDAC 時的診斷效能較高，為放射組學的發展提供了信息。將來放射組學進一步發展之后，有可能應用于臨床，用以判斷胰腺腫塊的性質[25]。
近 30 年來，雖然研究者在紋理特征描述方面做了大量的研究工作，并取得了許多研究成果，但仍存在著不足。在紋理分析普及應用之前，還有大量的挑戰需要解決。首先，在處理復雜紋理時常常僅用一種算法或者其改進算法來進行特征提取，而較少考慮將小波變換與分形維數相結合等不同的紋理分析方法整合到一起。多數紋理特征提取方法均假定紋理特征為靜態提取，未考慮到視覺變化引起的紋理縮放、不規則變形等[9]；其次，標準化（后處理技術、紋理特征參數等）的建立是另一個主要的挑戰。
本研究存在一些不足：首先，乏血供 PNET 的樣本量較少；其次，所有圖像并非由同一 CT 掃描儀掃描，即便經過圖像均一化處理，但可能仍對 CT 圖像的灰度有一定影響。
綜上所述，CT 圖像紋理分析鑒別乏血供 PNET 與 PDAC 是可行的，其中紋理特征 Teta2 具有較高的診斷效能，AP 下的 LDA/KNN 法具有最小的錯判率。期待放射組學的進一步發展，以便將來應用于臨床，解決臨床問題。
