基于MRI增強的乳腺癌腫瘤三維體積人工智能測量技術的研究進展

徐京瑤，劉曉民，張新峰，郭偉，王飛，李相生*

0 前言

乳腺癌是女性全球范圍內發(fā)病率最高的惡性腫瘤，死亡率位居女性惡性腫瘤第4位。根據(jù)世界衛(wèi)生組織國際癌癥研究機構2020年的預估數(shù)據(jù)[1]，全球新發(fā)癌癥病例1929 萬例，其中中國新發(fā)癌癥457 萬人，占全球23.7%，全球乳腺癌新發(fā)病例高達226萬例，取代肺癌成為全球最常見的癌癥。因此，對乳腺癌的精準化診治具有重要的臨床意義。近期研究認為，腫瘤體積是影響乳腺癌預后的重要參數(shù)，治療前后腫瘤體積動態(tài)變化是準確判斷乳腺新輔助化療療效的敏感指標和重要依據(jù)之一[2]。目前，MRI 檢查是顯示腫瘤邊界的最佳技術，也是新輔助化療療效評估的一個敏感手段，但是基于MRI動態(tài)增強的腫瘤體積精確測量還是一個技術難點，這對于提高乳腺癌療效評估的準確性和精度具有重要意義。因此，本綜述主要關注人工智能手段在乳腺癌腫瘤三維容積測量中的應用現(xiàn)狀，旨在為臨床醫(yī)生深入了解人工智能技術在乳腺腫瘤自動化高精度測量方面的應用提供詳細資料，并為信息技術人員提供將人工智能技術應用于乳腺腫瘤測量的思路。

1 乳腺腫塊大小的常規(guī)測量技術

乳腺腫瘤影像學檢查技術主要包括鉬靶X 線檢查、超聲檢查、CT檢查和MRI，腫瘤大小的影像學測量主要依據(jù)這四種檢查方法。鉬靶X 線檢查是目前乳腺腫瘤最便捷、經濟的測量方法，該方法能夠清晰顯示腫塊形態(tài)及大小，并可以顯示鈣化形態(tài)及范圍，尤其對微小鈣化病灶敏感。但對于致密性乳腺，會掩蓋病灶的顯示，無法確定腫瘤邊緣，尤其對于非腫塊型乳腺癌，會出現(xiàn)漏診。另外，鉬靶X 線檢查一般采用內側斜位或頭足位進行拍攝，二維成像，信息量太少，無法進行三維重建，無法準確測量腫塊體積。

超聲檢查技術也是目前乳腺疾病的主要檢查手段之一。其優(yōu)點是無創(chuàng)、無輻射和快捷方便，可以顯示乳腺內各種形態(tài)的腫塊或結節(jié)，測量任意方向的腫瘤直徑。通過超聲圖像確定腫瘤的長、寬和高三個方向的尺寸，通過橢球體積計算公式計算出腫瘤體積。但是，乳腺超聲對于觸診陰性的小腫瘤的檢出敏感性較低[3-4]，且受操作者技術水平、探頭選擇等影響較大，可重復性較低。

CT 掃描檢查為斷層成像，可以避免乳腺組織與腫瘤的重疊干擾，具有較高的軟組織分辨能力，可以檢出致密乳腺中的部分病灶。此檢查技術對顯示乳腺內鈣化和腋窩淋巴結轉移具有一定優(yōu)勢[5]，為乳腺癌分期和治療方法選擇可以提供指導。但是，CT 檢查在顯示乳腺病灶中價值有限，其原因在于乳腺病變與乳腺正常組織的密度往往差異較小。CT 檢查對乳腺腫瘤形態(tài)、大小和位置的顯示敏感性較低。此外，CT 掃描的輻射劑量較高，是普通X 線檢查的10 倍以上[6]。隨著CT 技術的快速發(fā)展，錐光束CT 檢查從多角度進行三維成像，擁有較高的空間分辨率，且能夠提供較為清晰的血管造影圖像。未來有望在乳腺腫瘤體積測量及病程判斷中有更高的應用價值。

MRI 檢查是另一種常用乳腺疾病檢查技術，可以非常敏感地顯示出腫瘤形態(tài)、信號特點和位置，尤其動態(tài)增強MRI脂肪抑制序列，可以非常清晰地顯示病變區(qū)域的形態(tài)特點和邊界，從不同方向測量腫瘤的大小。研究[7-9]指出，MRI檢查對乳腺腫瘤大小的測量準確度可以達到95%以上，對乳腺癌新輔助化療療效評價以及保乳術術前評估有重要意義。綜上所述，臨床中常用的腫瘤測量方法為二維測量方法，一般測量腫瘤的直徑或半徑，或者測量腫瘤的最大徑和最小徑，但是，這些測量方法具有一定的技術局限性，由于腫瘤大多數(shù)為不規(guī)則形，不同方位和不同層面的測量結果可重復性較差；另外，不同測量者的測量結果可重復性較低[10]。

與腫瘤大小的二維測量方法相比，腫瘤體積測量更能準確反映腫瘤大小，在監(jiān)測化療后病灶的動態(tài)變化方面價值更高。對其他部位的腫瘤，體積測量一般依賴于CT螺旋掃描技術，由于CT螺旋掃描技術為容積掃描，可以達到各向同性[11]，從而實現(xiàn)精準化測量。但是，對于乳腺腫瘤，CT 檢查對乳腺腫瘤的顯示較差，MRI 動態(tài)增強掃描可以非常敏感地檢出乳腺腫瘤[12]。使用CT和MRI進行乳腺腫瘤體積測量的方法類似，都是通過對原始圖像分割出病灶區(qū)域，然后計算體積的。綜上，基于MRI增強圖像，進行圖像分割和三維重建，計算腫瘤體積，是一個非常有應用前景的測量方法。

2 基于MRI 增強圖像的乳腺腫瘤體積人工智能測量

隨著人工智能技術的快速發(fā)展，腫瘤體積智能化測量已經用于臨床實踐[13]。但是，基于MRI 增強圖像的乳腺腫瘤體積重建一直是一個技術難點，重建流程包括病灶區(qū)域分割、三維重建和體積測量。其中，圖像分割非常重要，因為其精準度決定著后續(xù)三維重建效果和最終體積測量的準確性。

2.1 圖像分割

目前，圖像分割方法分為手動分割方法、傳統(tǒng)分割方法及人工智能的分割方法。

2.1.1 手動分割方法

目前乳腺腫瘤大小的測量主要使用手動方法進行分割，由醫(yī)生手動選取病灶區(qū)域，然后使用軟件測量其直徑等參數(shù)，此方法需要耗費人力和時間，并且準確性較低，在不同圖像層面測量存在較大差異，不同醫(yī)生對同一圖像的腫瘤邊緣判斷也存在一定差異，可重復性較低。

2.1.2 傳統(tǒng)分割方法

傳統(tǒng)分割方法是根據(jù)乳腺癌的表現(xiàn)形狀，如類圓形，分葉狀等，使用計算機圖像處理的方法對可疑的病灶區(qū)域進行提取分割。一般還會使用圖像預處理的方法來去除噪聲及偽影，并強化乳腺癌的特征[14-15]，使后續(xù)分割結果更加準確。常用的傳統(tǒng)分割方法包括：基于閾值的圖像分割法、基于區(qū)域生長的圖像分割法、基于輪廓模型的圖像分割法和聚類方法等[16-18]。

基于閾值的分割方法[19]適用于灰度特征明顯的醫(yī)學圖像，其原理是根據(jù)選定閾值對圖像灰度進行分類，選取出目標區(qū)域。此分割方法需要選取合適閾值，是準確進行圖像分割的關鍵。TWELLMANN 等[20]使用基于Otsu閾值的方法，識別出乳房輪廓線，從而分割出目標區(qū)域。閾值法的優(yōu)點是計算量較小、分割速度快。但是它僅考慮圖像灰度信息特征，單獨使用錯誤率較高，與其他方法組合使用可以達到更好的分割效果。SRIDHAR[21]使用閾值聯(lián)合分水嶺算法有效抑制過分割。張玲等[22]使用閾值聯(lián)合改進的分水嶺算法，通過引入前景和背景標記，基于標記進行分水嶺變換得到分割界面。該方法在一定程度上避免了過度分割的問題，但是在引入標記的過程中容易產生過度標記或漏標記，從而影響分割效果。CONTE等[23]使用閾值法并結合乳腺癌腫瘤的形狀特征，排除血管等其他組織的影響，有效的減少了假陽性案例。

基于區(qū)域生長的分割方法是根據(jù)預先設定好的生長規(guī)則，從初始種子點出發(fā)，將鄰域像素中與種子點性質相似的不斷添加到種子點上，不斷擴大選區(qū)，在滿足區(qū)域生長終止條件后停止生長，確定分割區(qū)域。初始種子點以及生長閾值的選取對結果影響明顯[24]。AL-FARIS等[25]使用自動種子區(qū)域生長的分割方法對乳腺腫瘤進行分割，該方法基于圖像聚類以及粒子群優(yōu)化的方法，準確度有一定提高。ABASPOOR等[26]使用區(qū)域生長的方法對乳腺MRI進行分割，對比了人工方法和基于全卷積網(wǎng)絡的遺傳算法在該問題中的表現(xiàn)，結果顯示在種子點選擇中遺傳函數(shù)方法優(yōu)于手工選擇。但是，區(qū)域生長分割方法受圖像質量的影響較大，對于存在噪聲的圖像分割結果較差，且需要多次對鄰域像素重復進行計算，計算效率較低。

基于活動輪廓模型的分割方法是根據(jù)最小化能量泛函，使邊緣曲線逐步運動到分割區(qū)域的邊界，完成分割任務。JAGLAN 等[27]使用活動輪廓模型對乳腺MRI 病灶區(qū)域進行提取，但是由于不同類型的乳腺癌腫瘤形態(tài)多變，有些邊緣梯度變化不明顯，分割效果并不理想。該方法可以結合形狀、灰度分布等先驗知識構造合適的能量最小化框架，從而增快收斂速度，得到更準確的分割結果[28]。但是該方法受噪聲影響較大，并且對于邊界模糊的腫塊分割效果較差，無法去除血管等組織的影響，假陽性案例較多。

綜上，傳統(tǒng)分割方法是基于腫瘤形狀，位置或其他臨床先驗知識進行分割，可解釋性較強，并且不需要大量數(shù)據(jù)進行訓練即可達到分割效果。但是傳統(tǒng)分割方法往往受噪聲、圖片質量等影響較大，對于邊界模糊的片狀強化圖像及一些與周圍組織灰度相似的病灶分割準確性較低，還需要醫(yī)生手動選取閾值或對其計算結果進行進一步的修正。

2.1.3 人工智能分割方法

針對部分傳統(tǒng)分割方法無法滿足的需求，采用人工智能的方法可以獲得更優(yōu)的結果。隨著深度學習技術的不斷發(fā)展，基于深度學習的方法進行醫(yī)學圖像分割使得自動分割成為可能，基于深度學習的圖像分割分為語義分割、實例分割及全景分割三級（表1）。

表1 深度學習圖像分割級別Tab.1 Deep learning image segmentation level

醫(yī)學圖像分割主要應用于病灶分割，語義分割即可滿足要求。深度學習需要數(shù)據(jù)集進行預先的訓練及測試，因此，需要提前收集一定的病例圖像用于學習，然后通過算法對病灶特征進行學習，從而實現(xiàn)病灶區(qū)域的自動提取[29-30]?；谏疃葘W習的乳腺癌檢測分割方法主要有：基于全卷積網(wǎng)絡（fully convolutional network, FCN）的檢測分割方法、基于注意力機制的檢測分割方法和基于弱監(jiān)督的檢測分割方法等，并且根據(jù)不同部位的不同影像及病灶特征，在現(xiàn)有網(wǎng)絡的基礎上，許多優(yōu)化后的網(wǎng)絡模型也不斷被提出，并應用于全身各個部位的病灶圖像分割[31]。

全卷積網(wǎng)絡通過對圖像中每一個像素點進行分類預測來達到分割的目的。U-Net 是在全卷積網(wǎng)絡的基礎上改進而來的添加了躍層連接的一種編碼-解碼器分割網(wǎng)絡。近年來，U-Net 網(wǎng)絡在醫(yī)學圖像中表現(xiàn)突出，由于其結構原因，該網(wǎng)絡可以在樣本量較少的情況下達到擬合狀態(tài)，獲得良好的分割結果，適用于各類醫(yī)學圖像。WANG等[32]使用3D-Unet網(wǎng)絡搭建了乳腺腫瘤注意力模塊，從而抑制非腫瘤組織的影響，在包含422 例DCE-MRI 的數(shù)據(jù)集中，Dice系數(shù)最高可達0.78。ZHANG 等[33]使用3 級U-Net 網(wǎng)絡對乳腺MRI中病灶進行分割，并提出了一種基于掩膜引導的多階段學習框架，將乳腺區(qū)域掩膜、對比后圖像以及差分圖融合成三通道圖像輸入進U-Net網(wǎng)絡，在包含272例病例的數(shù)據(jù)集中，Dice系數(shù)達到0.72。

注意力機制是在計算能力有限的情況下，將計算資源分配給更重要的任務，引入這種機制可以降低深度學習網(wǎng)絡對無關信息的關注度，解決信息過載問題并提高任務的處理效率及準確性。QIAO 等[34]使用基于注意力引導的聯(lián)合學習網(wǎng)絡對MRI 增強圖像中的乳腺和腫瘤進行分割，該網(wǎng)絡還添加了基于全局特征的自我注意力模塊以強調乳房區(qū)域，抑制不相關的非乳房組織特征。在144個訓練集中，乳腺和腫瘤的分割平均Dice 系數(shù)達到0.92 和0.86，并在擴展的包含59 例數(shù)據(jù)的獨立數(shù)據(jù)集中取得0.83 的Dice 系數(shù)，在該數(shù)據(jù)集中表現(xiàn)良好，但還需在更多的數(shù)據(jù)集中驗證其魯棒性。

以上網(wǎng)絡都屬于監(jiān)督學習，依賴前期積累大量的標注數(shù)據(jù)集，數(shù)據(jù)樣本越多，分割結果越準確。然而在醫(yī)學圖像領域，很難建立高質量的大型數(shù)據(jù)集，因為這要耗費大量的人工成本，需要經驗豐富的醫(yī)生花費大量時間進行標注。所以為了克服數(shù)據(jù)標注成本過大的難題，引入弱監(jiān)督學習方法，這種方法不需要對圖像進行準確標注，而是使用圖像集標簽或邊界框標簽等弱標簽對病灶區(qū)域進行分割。ZHOU 等[35]搭建了一個基于DenseNet 的3D 乳腺癌分類網(wǎng)絡，使用弱標簽數(shù)據(jù)集檢測出腫瘤的模糊位置，再結合傳統(tǒng)圖像處理方法確定腫瘤邊緣。在包含1537例病例的數(shù)據(jù)集中達到準確率83.7%。

隨著技術的發(fā)展，近年來三維分割成為研究熱點。三維分割不再是對每一幀圖像進行單獨分割，而是將圖像序列看作一個整體，增強了圖像間的上下文聯(lián)系，對病灶剛剛出現(xiàn)和結束處的小病灶能夠更好地進行分割。乳腺MRI為斷層圖像，本身包含有三維信息，AYATOLLAHI 等[36]將Retina Net 應用到3D乳腺MRI 序列上，在考慮了三維形態(tài)和動態(tài)信息后，分割敏感度和準確率進一步提升。

基于人工智能的分割方法可以完全脫離人工參與，去除人的主觀因素，可重復性更高。但是，需要大量數(shù)據(jù)讓計算機進行“學習”，才能夠準確對病灶區(qū)域進行勾畫。而遷移學習方式可以讓網(wǎng)絡事先學習部分特征，為分割網(wǎng)絡參數(shù)初始化提供便利，從而使用更少的數(shù)據(jù)集達到更優(yōu)的分割結果。LU 等[37]將遷移學習應用到分割問題中，使用預訓練的ImageNet模型進行訓練，在U-Net網(wǎng)絡框架模型中完成訓練，最終在67 例數(shù)據(jù)的小數(shù)據(jù)集中準確率達到0.942，顯著提升了分割準確率。

2.2 形態(tài)三維重建與可視化

三維重建可以讓醫(yī)生更直觀地觀察腫瘤的形態(tài)學特征，在術前模擬定位、療效評判等方面都有著廣闊的應用前景。三維重建的原始數(shù)據(jù)為斷層影像，而重建就是將每張影像中的每個像素還原到對應的空間中去，以此將多張圖像還原為三維體。早期，由于醫(yī)學斷層掃描圖像的間距較大，因此，醫(yī)學圖像的三維重建主要是使用輪廓連接和平面輪廓重建三維體[38]的方法。此方法的原理就是將相鄰兩層的輪廓線頂點，按照某種規(guī)則連接起來，構成重建物體表面的多面體近似。但是此方法精度較差，并且容易產生空洞，導致錯誤的形態(tài)。

隨著醫(yī)學影像技術的迅速發(fā)展，現(xiàn)在斷層掃描的層間距已經很小，最薄可小于5 mm，可以使用基于體素的重建方法。醫(yī)學圖像的三維重建算法主要分為以下三類：面繪制算法、體繪制算法和混合繪制方法。

面繪制的基本原理是由三維空間數(shù)據(jù)場構造出曲面，再由計算機進行繪制展示，根據(jù)切片分割出感興趣區(qū)域，根據(jù)等值面的拼接擬合物體表面，來進行重建[39]。面繪制的速度較快，適用于需要交互操作的系統(tǒng)或其他對實時性要求較高的項目。LORENSEN等[40]提出的移動立方體（Marching Cube, MC）算法是目前應用最廣的面繪制算法。GNONNOU 等[41]使用MC 算法根據(jù)乳腺MRI 中的乳腺輪廓線對整個乳房進行重建。朱益苗[42]使用改進的MC 算法對乳腺MRI 中的腫塊進行重建，提出基于幀間相關性的等值面提取方法和一種基于加權的二次度量誤差量的三角形簡化模型，從而提升了重建精度以及繪制效率。面繪制法主要關注物體的表面信息，并不對其內部進行重建，所以更適用于對腫瘤等單一目標的重建，不適用于對于多種不同特質物體的重建。

體繪制算法是指依據(jù)三維立體數(shù)據(jù)，將所有體細節(jié)同時展現(xiàn)在二維圖片上的技術，稱之為體繪制技術。在體繪制算法中，三維重建無須生成中間幾何圖元，而是以體素作為基本單元，直接使用離散的三維體素數(shù)據(jù)，生成三維顯示效果圖。與面繪制方法相比，體繪制對于物體表面及其內部結構都可以進行建構，應用范圍更廣。利用體繪制技術，可以在一幅圖像中顯示多種物質的綜合分布情況，并且可以通過不透明度的控制，反映等值面的情況。常用方法有光線投射法，最大密度投影法等。ALLISON 等[43]對分割后的乳腺MRI采用光線投影法進行重建，并將重建后的模型放入混合現(xiàn)實系統(tǒng)中進行顯示，幫助醫(yī)生分離乳腺中腺體、脂肪及腫瘤等不同組織。劉雨倩等[44]運用改進的光線投射體繪制對乳腺MRI進行三維重建，為醫(yī)生提供更加形象的立體視覺效果，對于病變程度的判斷及保乳手術開刀位置均有積極影響。體繪制可以滿足各種復雜圖像的重建，并且對物體內部信息也會進行重建。但是，此算法較為復雜，計算量大，顯示時需要對每個體素進行渲染，無法滿足交互需求。

混合繪制算法分為透明體素繪制法[45]以及體數(shù)據(jù)幾何單元投影法。透明體素繪制法是將感興趣的表面提取出來，然后賦予其所在體素對應的光強及不透明度，然后按照體繪制的方法進行顯示。體數(shù)據(jù)幾何單元投影法往往被用于不規(guī)則網(wǎng)格體數(shù)據(jù)的三維顯示，它將長方體的面掃描轉換到像素空間中，然后在兩個面之間做體繪制積分，計算出每個像素點的顏色和不透明度，再合成圖像[46]?；旌侠L制方法可以被認為是對于面繪制和體繪制的一種折中算法，可以看作使用體繪制方法來繪制表面或者是以幾何造型作為顯示單元來反映數(shù)據(jù)整體信息，在計算量和重建效果中進行平衡。

乳腺癌腫瘤的重建是為了醫(yī)生更好地觀測其形態(tài)，醫(yī)生能夠與系統(tǒng)交互，自由地選擇觀測角度更利于診斷，且乳腺癌腫瘤的重建是對單一物體的重建，其內部信息作用不大，所以使用面繪制方法在保證重建效果的同時能夠更好地讓醫(yī)生與其交互。

2.3 乳腺腫瘤體積的計算

對于乳腺癌患者，不僅僅要達到治愈的目的，同時需要兼顧保持乳腺外形的美觀，以及恢復機體功能。乳腺癌治療的整體趨勢及目標是在保證療效的基礎上，提高患者的生活質量，盡量減少創(chuàng)傷。因此，病灶乳腺體積的估計也是輔助治療系統(tǒng)中非常重要的環(huán)節(jié)之一。

傳統(tǒng)方法中，根據(jù)MRI是斷層截面圖像的特點，采用軸位層面圖像，如公式（1）通過標記腫瘤面積乘以層厚得到單層體積值，單個軸位層面中全部單層體積值的總和即為總體積數(shù)?；蛉绻剑?）采用體積積分的方式，對面積函數(shù)p(x)進行積分，得到體積數(shù)。

邵志紅等[47]對56 例前列腺癌的多參數(shù)MRI 使用手工勾畫的方法選取病灶區(qū)域，利用簡單的面積×層厚的方式計算病灶體積，結果顯示，體積測量值均低于病理體積測量值，但是與病理體積相關性高。朱龍飛等[48]對86例乳腺癌患者進行MRI檢查，通過半自動方式手動勾畫腫瘤區(qū)域和乳腺大小，證明測量腫瘤體積可以幫助臨床選擇更合適的手術類型。

目前，基于重建結果測量腫瘤大小的標準是體素計數(shù)[49-50]，即體積由分割結果中所有體素的數(shù)量乘以它們的體積得出。所以重建結果與體積密切相關，選擇合適的重建方法可以更好地得到其體積參數(shù)。

3 不足和未來展望

綜上所述，圖像分割中的手動勾畫需要耗費大量人力，且人工長時間對大量圖像進行勾畫容易因為疲憊而產生誤差，可重復性較低。因此，利用人工智能手段對乳腺MRI自動分割出病灶區(qū)域，再對其進行三維重建及體積測量，并描述其形態(tài)特征和新輔助化療后腫瘤體積的動態(tài)變化，對于乳腺癌的療效評價有著重要的指導意義。然而，如今對于乳腺腫瘤的MRI病灶分割及三維體積測量研究剛剛起步，未來需要解決的關鍵問題如下：（1）人工智能技術發(fā)展方向。目前還沒有一個穩(wěn)定的算法或模型可以準確分割MRI中的乳腺腫瘤，隨著深度學習算法的進一步發(fā)展的改進，有助于提高乳腺腫瘤MRI 的分割精度，并且可以根據(jù)乳腺腫瘤的類型和病程階段，開發(fā)專門的網(wǎng)絡結構，以適應不同場景的需求。（2）缺乏乳腺MRI 數(shù)據(jù)集。目前乳腺癌MRI 數(shù)據(jù)匱乏，缺少大型公開的數(shù)據(jù)集，無法進行標準化的研究，未來應建立乳腺癌MRI 標準數(shù)據(jù)庫，更好地評估不同模型的效果。（3）缺乏乳腺腫瘤三維評價指標。目前，乳腺癌腫瘤大小的測量均是針對二維圖像的，而三維參數(shù)包含更多信息，如體積、橫縱比等，以及更加豐富的形態(tài)學信息，未來需建立一套完善的乳腺腫瘤三維評價指標，更好地評價病程階段及治療效果。（4）臨床實踐與應用。未來研究可以關注人工智能在乳腺MRI 體積測量方面的臨床應用，可以將三維測量技術與其他臨床信息（患者信息、病理結果等）相結合，為乳腺癌的個體化治療提供更有力的支持。

我們相信，隨著人工智能算法技術的迅速發(fā)展和研究的深入，乳腺癌腫瘤的三維測量技術會更快捷、更準確地獲取腫瘤的三維信息，更敏感地監(jiān)測乳腺癌腫瘤的病程階段，為療效評估提供更全面準確的信息。為乳腺癌的診斷和后續(xù)治療提供重要依據(jù)。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻聲明：李相生對文章的知識性內容做批判性審閱，對稿件重要內容進行了修改；徐京瑤起草和撰寫稿件，收集文獻并進行總結；劉曉民對文章內容及寫作進行指導，對稿件重要內容進行了修改；張新峰對文章內容及寫作進行指導；郭偉對文章內容及寫作進行指導；王飛對文章內容及寫作進行指導。全體作者都同意發(fā)表最后的修改稿，同意對本研究的所有方面負責，確保本研究的準確性和誠信。