石澤璇 付梓龍 劉軍娜 李靚璐 牛瓊

濱州醫(yī)學(xué)院附屬醫(yī)院消化內(nèi)科，濱州 256603

深度卷積神經(jīng)網(wǎng)絡(luò)（convolution neural network，CNN）是一種機(jī)器學(xué)習(xí)的高級(jí)模型，也是圖像學(xué)習(xí)最熱門的學(xué)習(xí)算法。CNN不僅能像人的大腦一樣處于不斷學(xué)習(xí)的狀態(tài)，還能對(duì)目標(biāo)圖像進(jìn)行自動(dòng)識(shí)別、檢測(cè)，并對(duì)目標(biāo)圖像進(jìn)行快速且準(zhǔn)確的分析，提高疾病診斷率。該系統(tǒng)具有檢測(cè)速度快、檢出率高的特點(diǎn)，可應(yīng)用于大樣本量的篩查工作，這就為結(jié)直腸癌的篩查節(jié)省了時(shí)間和成本［1］。早期發(fā)現(xiàn)結(jié)直腸癌前病變可以促進(jìn)臨床醫(yī)生的決策并減少他們的工作量。這可以使用具有內(nèi)窺鏡和組織學(xué)圖像的自動(dòng)系統(tǒng)來實(shí)現(xiàn)。CNN在深度學(xué)習(xí)模型中克服了模型的過擬合和梯度消失劣勢(shì)，然而一套成熟的CNN模型依賴大樣本量的醫(yī)療數(shù)據(jù)訓(xùn)練并測(cè)試。結(jié)腸鏡檢查是用于篩查并診斷腸道疾病的強(qiáng)大醫(yī)療儀器，可有效早期診斷結(jié)直腸癌，可對(duì)結(jié)腸息肉分類以指導(dǎo)建立最佳診療策略。但是，其診斷準(zhǔn)確性卻難以得到保證，因?yàn)榻Y(jié)腸鏡檢查中存在幾項(xiàng)無法規(guī)避的局限性：第一，該檢查手段誤診率較高；第二，一些腫瘤性病變難以發(fā)現(xiàn)，即使是內(nèi)窺鏡專家也不例外；第三，在人口眾多的城市及三甲醫(yī)院，這項(xiàng)工作使內(nèi)窺鏡醫(yī)生面臨高耗時(shí)、高勞動(dòng)量及高精神專注度挑戰(zhàn)；第四，腺瘤檢測(cè)率很大程度上取決于內(nèi)窺鏡醫(yī)生的工作經(jīng)驗(yàn)。

CNN

深度學(xué)習(xí)（deep learning，DL），特別是CNN，是一種基于人腦視覺皮層處理和識(shí)別圖像的原理的深度神經(jīng)網(wǎng)絡(luò)。CNN包含多層感知器（人工神經(jīng)元），旨在使用最少的預(yù)處理。CNN利用多個(gè)網(wǎng)絡(luò)層（連續(xù)卷積層后跟池化層）從圖像中提取關(guān)鍵特征，并通過完全連接的層作為輸出提供最終分類。CNN能夠從醫(yī)學(xué)圖像大數(shù)據(jù)中自動(dòng)學(xué)習(xí)提取隱含的疾病診斷特征；從輸入數(shù)據(jù)中提取特征的卷積層由提取特征的濾波器和將濾波器的值轉(zhuǎn)換為非線性值；由于輸入值中有許多特征，所以CNN中使用了多個(gè)篩選器；提取不同特征的多個(gè)過濾器的組合可以應(yīng)用于CNN以確定原始數(shù)據(jù)的特征；過濾器是在通過從學(xué)習(xí)數(shù)據(jù)中學(xué)習(xí)來識(shí)別特征后自動(dòng)創(chuàng)建的；通過過濾器提取特征圖后，將應(yīng)用激活函數(shù)使定量值非線性（是或否值）。近幾年，CNN已迅速成為醫(yī)學(xué)圖像分析研究熱點(diǎn)?；卺t(yī)學(xué)圖像的診斷，如病理學(xué)、放射學(xué)和內(nèi)窺鏡檢查，預(yù)計(jì)將成為醫(yī)學(xué)領(lǐng)域第一個(gè)受到人工智能影響的診斷［2］。在胃腸鏡檢查中，深層模型正在利用病變的形狀和邊緣信息進(jìn)行預(yù)測(cè)。DL有望通過自動(dòng)檢測(cè)和分類病變來幫助內(nèi)窺鏡醫(yī)生提供更準(zhǔn)確的診斷。因此，內(nèi)窺鏡醫(yī)生必須專注于這項(xiàng)新技術(shù)。基于CNN技術(shù)的結(jié)腸鏡檢查為醫(yī)療行業(yè)的發(fā)展提供了新思路并且已在多個(gè)腸道內(nèi)窺鏡領(lǐng)域中應(yīng)用。

CNN在結(jié)直腸息肉和腺瘤檢查中的應(yīng)用

CNN即專門適用于圖像數(shù)據(jù)的深度神經(jīng)網(wǎng)絡(luò)已被用于對(duì)多種類型腫瘤的分類或定位中。CNN模型篩查結(jié)直腸病變基于白光、放大內(nèi)窺鏡和亞甲藍(lán)、靛胭脂等染色劑處理后的色素內(nèi)鏡及電子染色的內(nèi)鏡圖片和視頻訓(xùn)練模型，通常會(huì)用2種甚至2種以上內(nèi)鏡圖片訓(xùn)練以提高模型的準(zhǔn)確性或適用性。臨床上約80%的結(jié)直腸息肉為腺瘤。腺瘤發(fā)現(xiàn)率是間歇結(jié)直腸癌的獨(dú)立預(yù)測(cè)指標(biāo)［3］。計(jì)算機(jī)輔助診斷結(jié)腸息肉及腺瘤主要包括結(jié)腸鏡下息肉的自動(dòng)識(shí)別及實(shí)時(shí)顯示息肉存在的位置、大小、數(shù)量等特征，內(nèi)鏡下行息肉組織學(xué)分類，實(shí)現(xiàn)精準(zhǔn)光學(xué)診斷［4］。術(shù)語“光學(xué)診斷”指的是使用先進(jìn)的成像技術(shù)進(jìn)行實(shí)時(shí)的、活體的息肉特征觀察和評(píng)估，以指導(dǎo)治療決策。

Byrne等［5］開發(fā)了一個(gè)人工智能模型，用于實(shí)時(shí)評(píng)估結(jié)直腸息肉的內(nèi)窺鏡視頻圖像；采用CNN模型：訓(xùn)練集，使用223個(gè)息肉視頻（29% NICE類型1，53% NICE類型2和18%沒有息肉的正常黏膜），包括60 089幀；驗(yàn)證集，使用40個(gè)視頻（NICE類型1、2和2個(gè)正常黏膜的視頻），最終的測(cè)試集包括125個(gè)連續(xù)識(shí)別的微小息肉，其中包括51個(gè)增生性息肉和74個(gè)腺瘤；腺瘤的診斷靈敏度為98%（95%置信區(qū)間92%～100%），特異度為83%（95%置信區(qū)間67%～93%），陰性預(yù)測(cè)值97%，陽性預(yù)測(cè)值90%。

Wang等［6］開展了一項(xiàng)前瞻性隨機(jī)對(duì)照試驗(yàn)，基于DL的息肉實(shí)時(shí)自動(dòng)監(jiān)測(cè)系統(tǒng)表現(xiàn)出高準(zhǔn)確性、保真度和穩(wěn)定性；研究表明，在腺瘤發(fā)現(xiàn)率較低的地區(qū)，基于DL的實(shí)時(shí)計(jì)算機(jī)輔助監(jiān)測(cè)系統(tǒng)顯著提高了結(jié)直腸息肉和腺瘤的檢出率。目前，計(jì)算機(jī)輔助診斷系統(tǒng)有可能應(yīng)用于臨床實(shí)踐，以更好地檢測(cè)結(jié)腸息肉。

Yang等［7］開發(fā)并驗(yàn)證了DL模型；該模型可以在白光結(jié)腸鏡圖像上自動(dòng)對(duì)大腸病變進(jìn)行組織學(xué)分類；收集有病理結(jié)果的大腸病變的白色結(jié)腸鏡圖像，共收集1 339例患者的影像資料3 828張，訓(xùn)練了2個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)7類和4類分類的平均準(zhǔn)確率在外部驗(yàn)證數(shù)據(jù)集中分別為74.7%和79.2%；在外部驗(yàn)證中，ResNet-152模型在4類分類方面優(yōu)于2名內(nèi)窺鏡醫(yī)生，并且與表現(xiàn)最差的內(nèi)窺鏡醫(yī)生相比，在檢測(cè)管狀腺瘤病變方面顯示出更高的曲線下面積（AUC）（0.818）；用啟始-Resnet-v2方法檢測(cè)高度不典型增生病變的平均AUC，達(dá)到0.876；建立的CNN模型在基于標(biāo)準(zhǔn)白光結(jié)腸鏡圖像將結(jié)直腸腫瘤從非腫瘤性病變分類為晚期結(jié)直腸癌方面表現(xiàn)出良好的性能。該模型可以被用來輔助組織學(xué)的準(zhǔn)確預(yù)測(cè)和在實(shí)踐中選擇最佳的治療策略。

對(duì)微小息肉的準(zhǔn)確光學(xué)診斷將使其能夠識(shí)別直腸乙狀結(jié)腸區(qū)的增生性息肉，并使內(nèi)窺鏡醫(yī)生能夠自信地采取“診斷并離開”的方法，而不是切除病變。同樣，對(duì)于小腺瘤，準(zhǔn)確的光學(xué)診斷將促使內(nèi)窺鏡醫(yī)生就地切除病變并丟棄標(biāo)本，而不需要進(jìn)行組織學(xué)評(píng)估（“ 切除并丟棄”策略）。因此，基于計(jì)算機(jī)輔助監(jiān)測(cè)系統(tǒng)預(yù)測(cè)息肉病理類型在未來臨床工作中有望成為可能，息肉病理準(zhǔn)確預(yù)測(cè)仍是臨床上的一項(xiàng)重要挑戰(zhàn)。

CNN的結(jié)腸鏡圖像自動(dòng)解剖分類

全結(jié)腸鏡檢查對(duì)結(jié)直腸癌、大腸息肉、炎癥性腸病等疾病的診斷具有很高的靈敏度和特異度。大腸疾病的臨床特點(diǎn)因解剖部位不同而不同。最近的幾項(xiàng)研究指出，根據(jù)流行病學(xué)、預(yù)后和化療的臨床結(jié)果，右側(cè)和左側(cè)的癌之間存在差異［8-12］。因此，結(jié)腸鏡檢查能夠準(zhǔn)確地確定大腸疾病的解剖位置。結(jié)腸鏡檢查的第一步是在檢查過程中識(shí)別每個(gè)腸道區(qū)域的解剖位置。這也是構(gòu)建計(jì)算機(jī)輔助監(jiān)測(cè)系統(tǒng)的第一步。該系統(tǒng)可在結(jié)腸鏡檢查過程中為我們提供支持，并為結(jié)腸鏡檢查過程的質(zhì)量提供保證。

Saito等［13］構(gòu)建了一個(gè)使用CNN的計(jì)算機(jī)輔助設(shè)計(jì)系統(tǒng)；該模型通過訓(xùn)練409例9 995張結(jié)腸鏡圖像來構(gòu)建CNN，并使用5 121張獨(dú)立的結(jié)腸鏡圖像來測(cè)試其性能；這些圖像根據(jù)7個(gè)解剖位置進(jìn)行分類：回腸末端、盲腸、升結(jié)腸到橫結(jié)腸、降結(jié)腸到乙狀結(jié)腸、直腸、肛門和難以區(qū)分的部分；最終構(gòu)建了一個(gè)CNN算法并評(píng)估了內(nèi)窺鏡醫(yī)生的診斷與CNN的診斷之間的一致性；構(gòu)建的系統(tǒng)識(shí)別了結(jié)腸鏡圖像的解剖位置，AUC如下：回腸末端0.979，盲腸0.940，升結(jié)腸至橫結(jié)腸0.875，降結(jié)腸至乙狀結(jié)腸0.846，直腸0.835，肛門0.992。在測(cè)試過程中，CNN系統(tǒng)正確識(shí)別了66.6%的圖像。此外，由于末端回腸的準(zhǔn)確率足夠高，如果我們將其結(jié)合到實(shí)時(shí)結(jié)腸鏡檢查中，就能夠構(gòu)建一個(gè)完成全結(jié)腸鏡檢查的自動(dòng)確認(rèn)系統(tǒng)。因此，我們可以使用計(jì)算機(jī)輔助診斷系統(tǒng)為未來結(jié)腸鏡檢查的發(fā)展奠定基礎(chǔ)。

CNN在腸道準(zhǔn)備中的應(yīng)用

腸道準(zhǔn)備質(zhì)量是影響結(jié)腸鏡檢查的重要因素之一。盡管結(jié)腸鏡檢查在降低結(jié)直腸癌發(fā)病率和不算率方面的潛力很大，但結(jié)腸鏡檢查的質(zhì)量和有效性與幾個(gè)因素有關(guān)。腸道準(zhǔn)備就是這樣一個(gè)因素。事實(shí)上，腸道清潔對(duì)于確保結(jié)腸黏膜的最佳可視化以及檢測(cè)和切除息肉至關(guān)重要。腸道準(zhǔn)備不足與漏診和手術(shù)時(shí)間延長有關(guān)［14-15］?，F(xiàn)已經(jīng)開發(fā)了幾種量表來評(píng)估腸道準(zhǔn)備。一些學(xué)者建議將腸道準(zhǔn)備的質(zhì)量作為結(jié)腸鏡檢查報(bào)告的一部分進(jìn)行記錄。清潔質(zhì)量決定了結(jié)腸鏡檢查的質(zhì)量、難度、速度和完整性。在住院患者和合并癥較多的患者中，清潔質(zhì)量較低。接受息肉切除術(shù)的患者比例隨著清潔質(zhì)量的提高而增加，而結(jié)腸癌檢測(cè)似乎并不嚴(yán)重依賴于腸道準(zhǔn)備的質(zhì)量。

Zhou等［16］利用CNN開發(fā)了一個(gè)每30 s提供1次腸道準(zhǔn)備評(píng)分并顯示結(jié)腸鏡檢查退出階段每個(gè)評(píng)分的累積幀比的名為ENDOANGEL的新系統(tǒng)；該系統(tǒng)在人機(jī)競(jìng)賽中以93.33%的準(zhǔn)確率優(yōu)于所有內(nèi)窺鏡專家；在帶有氣泡的圖像中達(dá)到了80.00%的準(zhǔn)確率；在20個(gè)結(jié)腸鏡視頻中，準(zhǔn)確率為89.04%。這為我們提供了一種新穎且更準(zhǔn)確的腸道準(zhǔn)備評(píng)估方法。這種客觀、穩(wěn)定的系統(tǒng)——ENDOANGEL可以在臨床中可靠、穩(wěn)定地應(yīng)用。

Zhou等［17］基于波士頓腸道準(zhǔn)備量表（Boston Intestinal Preparation Scale，BBPS）開展了一項(xiàng)前瞻性觀察性研究；該研究納入3個(gè)月內(nèi)616例接受結(jié)腸鏡篩查的患者，結(jié)果顯示，e-BBPS分?jǐn)?shù)與腺瘤發(fā)現(xiàn)率之間存在顯著的負(fù)相關(guān)（r=-0.976，P＜0.010）；e-BBPS得分1～8的腺瘤發(fā)現(xiàn)率分別為28.57%、28.68%、26.79%、19.19%、17.57%、17.07%、14.81%和0；確定e-BBPS評(píng)分3分作為閾值，以保證腺瘤發(fā)現(xiàn)率超過25%，從而實(shí)現(xiàn)高質(zhì)量的內(nèi)窺鏡檢查。e-BBPS系統(tǒng)有可能為充分腸道準(zhǔn)備的量化提供更客觀和精細(xì)的閾值。

CNN在結(jié)腸鏡檢查自動(dòng)質(zhì)量控制系統(tǒng)中的應(yīng)用

結(jié)腸鏡作為一種操作者依賴性檢查，受內(nèi)鏡醫(yī)師的主觀意識(shí)影響較大，檢查過程中內(nèi)鏡醫(yī)師的操作質(zhì)量對(duì)腺瘤發(fā)現(xiàn)率起關(guān)鍵作用［18］。內(nèi)鏡醫(yī)師對(duì)腺瘤的重視程度和操作水平參差不齊。即使是三甲醫(yī)院，也存在因腸道準(zhǔn)備差、內(nèi)鏡檢查人數(shù)多、檢查時(shí)間過快、初級(jí)內(nèi)鏡醫(yī)師對(duì)放大染色內(nèi)鏡圖像判別能力欠佳、內(nèi)鏡醫(yī)師圖像觀察專注水平隨疲勞程度增加而下降等問題導(dǎo)致漏診。如何提高結(jié)直腸腺瘤發(fā)現(xiàn)率已經(jīng)成為各級(jí)醫(yī)院消化內(nèi)鏡中心最關(guān)注的問題之一。結(jié)腸鏡退鏡過程中的檢查時(shí)間、腸道清潔度、檢查完整度均可影響結(jié)直腸腺瘤檢出［19］?；跇?biāo)準(zhǔn)操作流程的質(zhì)量控制可降低操作者間的差異，提高結(jié)腸鏡檢查質(zhì)量，從而提高結(jié)直腸腺瘤檢出率［20］。

Wang等［21］通過結(jié)腸鏡檢查時(shí)闌尾口的出現(xiàn)證實(shí)結(jié)腸鏡完全穿越全部結(jié)腸，從而作為評(píng)估結(jié)腸鏡檢查完整率的指標(biāo)；首先，通過提取闌尾孔圖像中新的局部特征，新特征基于沿邊的橫截面的幾何形狀、照明差異和強(qiáng)度變化；然后通過顯示至少3 s闌尾孔檢查的附錄視頻來表明闌尾口的良好可視化，再利用近相機(jī)停留檢測(cè)來填補(bǔ)缺失的邊緣欠清晰的闌尾孔圖像，并剔除一些錯(cuò)誤的分類，從而識(shí)別闌尾口并將其作為評(píng)估結(jié)腸鏡檢查完整率的指標(biāo)；研究結(jié)果中監(jiān)測(cè)新月形闌尾孔圖像的平均靈敏度和特異度分別為96.86%和90.47%。

Su等［22］創(chuàng)建了一種基于CNN模型的實(shí)時(shí)自動(dòng)質(zhì)量控制系統(tǒng)以降低內(nèi)窺鏡醫(yī)師檢查時(shí)間和水平上的波動(dòng)性，以此來穩(wěn)定結(jié)腸鏡檢查的常規(guī)質(zhì)量控制；與對(duì)照組相比，實(shí)時(shí)自動(dòng)質(zhì)量控制系統(tǒng)組實(shí)時(shí)自動(dòng)質(zhì)量控制系統(tǒng)腺瘤發(fā)現(xiàn)率（0.289比 0.165，P＜0.001）、每次手術(shù)的平均腺瘤數(shù)量（0.367比0.178，P＜0.001）、息肉檢出率（0.383比0.254，P＜0.001）和每次手術(shù)檢測(cè)到的息肉平均數(shù)量（0.575比0.305，P＜0.001）均較高；此外，實(shí)時(shí)自動(dòng)質(zhì)量控制系統(tǒng)組退出時(shí)間（7.03 min比5.68 min，P＜0.001）和充分腸道準(zhǔn)備率（87.34%比80.63%，P=0.023）均優(yōu)于對(duì)照組；這項(xiàng)研究表明，實(shí)時(shí)自動(dòng)質(zhì)量控制系統(tǒng)可顯著提高息肉和腺瘤的檢測(cè)能力，提高結(jié)腸鏡檢查的質(zhì)量。

存在的問題

隨著最近人工智能的發(fā)展，在醫(yī)學(xué)的各個(gè)領(lǐng)域以及胃腸病學(xué)中，已經(jīng)實(shí)現(xiàn)了對(duì)醫(yī)學(xué)圖像上的疾病的自動(dòng)診斷或分類。有些在結(jié)腸鏡檢查領(lǐng)域取得了很好的性能，不僅用于檢測(cè)大腸息肉［23］，而且還用于大腸息肉的分類［24-25］。然而，大多數(shù)研究集中于使用放大窄帶內(nèi)鏡或內(nèi)窺鏡檢查的特定圖像來區(qū)分腫瘤性和非腫瘤性病變［26］，這限制了其實(shí)際應(yīng)用。近10余年來CNN技術(shù)廣泛應(yīng)用于腸道檢查的各個(gè)環(huán)節(jié)，但尚缺乏真正投入臨床使用的臨床試驗(yàn)，例如目前的研究多為回顧性研究，而回顧性研究學(xué)習(xí)材料的來源渠道通常較單一且多為靜態(tài)有傾向性的高質(zhì)量?jī)?nèi)鏡圖像。人工智能走向未來臨床實(shí)時(shí)應(yīng)用需優(yōu)化的內(nèi)容：⑴內(nèi)鏡圖像選擇偏倚，導(dǎo)致回顧性研究結(jié)果往往優(yōu)于臨床操作實(shí)際結(jié)果；⑵圖像數(shù)據(jù)集臨床實(shí)時(shí)應(yīng)用具有一定的片面性和局限性，不能涵蓋病變所有形態(tài)特征，而視頻集的應(yīng)用能較好解決上述問題；⑶內(nèi)鏡檢查過程中的視頻一般包含相對(duì)數(shù)量低清晰度的真實(shí)圖片，這是單純篩選出的高質(zhì)量的固定像素圖片很難涵蓋的，利用視頻里截取的大量畫面作為學(xué)習(xí)材料，一定范圍內(nèi)可減少假陽性和假陰性率［27］。通過不斷改良CNN模型，提高臨床試驗(yàn)的準(zhǔn)確率、靈敏度及特異度，為人工智能走向未來臨床實(shí)時(shí)應(yīng)用打下堅(jiān)實(shí)基礎(chǔ)。

展 望

近年來DL策略的應(yīng)用在結(jié)腸鏡檢查領(lǐng)域取得了很好的性能，對(duì)于未來類似的DL方法也有巨大潛力。消化道腫瘤的早期診斷一直是醫(yī)學(xué)界亟待攻克的熱點(diǎn)。利用DL的方法在結(jié)腸鏡檢查中對(duì)結(jié)腸病變監(jiān)測(cè)、定位和分類，以幫助內(nèi)鏡醫(yī)生減少漏診率，提高腺瘤發(fā)現(xiàn)率。然而，消化系統(tǒng)早期癌前病變一般累及范圍小、深度淺，內(nèi)窺鏡下形態(tài)表現(xiàn)不明顯，難以發(fā)現(xiàn)；而且，內(nèi)窺鏡檢查的評(píng)估結(jié)果往往取決于手術(shù)醫(yī)生的主觀經(jīng)驗(yàn)，主觀性很強(qiáng)，對(duì)醫(yī)生的臨床技能和工作經(jīng)驗(yàn)要求很高，低資質(zhì)或疲憊的醫(yī)生更有可能誤診病變。CNN可能有助于內(nèi)窺鏡醫(yī)生識(shí)別病變并將不良反應(yīng)降至最低。盡管DL方法取得了巨大的成功，但臨床驗(yàn)證和應(yīng)用仍然是必須的。創(chuàng)建更大、分類更細(xì)的公共數(shù)據(jù)集，需要較少訓(xùn)練樣本的新算法和通用驗(yàn)證框架的創(chuàng)建將保持上升趨勢(shì)，并將最終應(yīng)用于計(jì)算機(jī)輔助診斷系統(tǒng)的臨床應(yīng)用，以幫助胃腸病專家提高腺瘤發(fā)現(xiàn)率和早期發(fā)現(xiàn)結(jié)直腸癌［28］。

現(xiàn)階段越來越多的研究證明了CNN在提高息肉光學(xué)診斷方面的潛力。CNN的使用可能會(huì)減輕內(nèi)窺鏡操作人員之間的可變性，使實(shí)時(shí)采用“切除并丟棄”或“離開”策略成為可能。這將為醫(yī)療系統(tǒng)帶來顯著的社會(huì)效益，避免不必要的非腫瘤性息肉切除術(shù)，并提高結(jié)腸鏡檢查的效率。但是，這需要前瞻性的多中心隨機(jī)對(duì)照試驗(yàn)和公開可用的基準(zhǔn)測(cè)試數(shù)據(jù)集來進(jìn)一步評(píng)估CNN的有效性和普適性。此外，隨著這些模型出現(xiàn)在內(nèi)窺鏡檢查單元中，迫切需要制定指南來確定它們?cè)谂R床工作流程中的作用。

作者貢獻(xiàn)聲明石澤璇：研究實(shí)施，論文撰寫，數(shù)據(jù)采集，統(tǒng)計(jì)學(xué)分析；付梓龍：研究實(shí)施；李靚璐：數(shù)據(jù)采集；劉軍娜：統(tǒng)計(jì)學(xué)分析；牛瓊：研究指導(dǎo)，論文修改，經(jīng)費(fèi)支持