基于深度學(xué)習(xí)的影像組學(xué)預(yù)測直腸癌T2與T3分期

吳樹劍，俞詠梅*，范莉芳，張虎，陳國仙，徐靜雅，亞勝男

0 前言

直腸癌是最常見的惡性腫瘤之一，且近年來發(fā)病率持續(xù)上升[1-3]，在癌癥導(dǎo)致死亡中排第二位[4]。直腸癌的主要治療方式包括化療、放療及手術(shù)治療，T分期對治療方案的選擇尤為重要。根據(jù)美國國立綜合癌癥網(wǎng)絡(luò)及2020年中國結(jié)直腸癌診療指南[5]建議，T2期直腸癌如無淋巴結(jié)及遠(yuǎn)處轉(zhuǎn)移，建議采用全直腸系膜切除術(shù)，而T3期直腸癌屬于局部晚期，無論有無淋巴結(jié)或遠(yuǎn)處轉(zhuǎn)移術(shù)前均需先行新輔助放化療[6-7]。因此，術(shù)前準(zhǔn)確鑒別診斷直腸癌T2與T3期對于臨床治療方案的選擇及患者預(yù)后均具有重要價值。

常規(guī)MRI 對直腸癌的T 分期具有重要價值[8]，但是由于腫瘤周圍組織中經(jīng)常發(fā)生促纖維化增生反應(yīng)，導(dǎo)致常規(guī)MRI 對直腸癌T2、T3 期的診斷準(zhǔn)確率并不高。近年來人工智能在醫(yī)學(xué)圖像處理中應(yīng)用越來越廣泛[9-12]，機(jī)器學(xué)習(xí)尤其是深度學(xué)習(xí)（deep learning, DL）在直腸癌的分子分型、預(yù)后預(yù)測及治療后療效分析中發(fā)揮重要作用。BILAL 等[13]利用ResNet-34 DL 網(wǎng)絡(luò)模型預(yù)測直腸癌基因狀態(tài)，結(jié)果顯示預(yù)測高突變、微衛(wèi)星不穩(wěn)定及染色體不穩(wěn)定的ROC 曲線下面積（area under the curve, AUC）分別為0.81、0.86、0.83，該研究表明DL 可以從基因?qū)用鎸颊哌M(jìn)行分層，有利于對患者實(shí)施精準(zhǔn)靶向治療；YU 等[14]分析臨床病理因素與直腸腺癌患者生存時間的關(guān)系，結(jié)果顯示年齡、性別、婚姻狀況、腫瘤分級、手術(shù)情況和化療情況是影響生存的獨(dú)立風(fēng)險因素（P＜0.05），構(gòu)建的DeepSurv DL 模型的C 指數(shù)為0.824；YUAN 等[15]利用ResNet-3D 算法構(gòu)建支持向量機(jī)（support vector machine, SVM）分類器預(yù)測結(jié)直腸癌發(fā)生同步腹膜轉(zhuǎn)移的風(fēng)險，結(jié)果ResNet-3D 結(jié)合SVM 分類器的準(zhǔn)確率為94.1%，AUC 在測試集為0.922（0.912-0.944），敏感度為93.8%，特異度為94.4%，陽性預(yù)測值為93.8%，陰性預(yù)測值為94.4%，該性能明顯優(yōu)于常規(guī)對比增強(qiáng)CT（AUC=0.791）。

盡管既往研究表明DL在直腸癌的相關(guān)研究中已突顯潛力，但HE 等[16]研究顯示深度卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks, CNN）隨著網(wǎng)絡(luò)深度的增加，其訓(xùn)練精度下降，但基于殘差連接的深度神經(jīng)網(wǎng)絡(luò)可以彌補(bǔ)CNN導(dǎo)致的精度退化問題，使神經(jīng)網(wǎng)絡(luò)能夠更好地表達(dá)。本研嘗試基于MRI 軸位高分辨T2WI 圖像利用具有殘差連接的ResNet-18 DL影像組學(xué)結(jié)合不同機(jī)器學(xué)習(xí)算法構(gòu)建模型術(shù)前預(yù)測直腸癌T2 與T3 期，為臨床醫(yī)生制訂個體化治療方案提供參考依據(jù)。

1 材料與方法

1.1 研究對象

回顧性分析皖南醫(yī)學(xué)院第一附屬醫(yī)院（弋磯山醫(yī)院）2018 年1 月至2022 年12 月術(shù)后病理證實(shí)為直腸癌患者的完整資料，納入標(biāo)準(zhǔn)：（1）患者均行直腸癌根治術(shù)，且術(shù)后病理證實(shí)為T2、T3期直腸癌；（2）患者均無盆腔手術(shù)史，也未接受盆腔放、化療或靶向治療；（3）術(shù)前MRI影像、臨床及病理資料完整；（4）MRI影像圖像清晰，能夠滿足觀察與測量。排除標(biāo)準(zhǔn)：患有盆腔或其他部位良性或惡性腫瘤。最終，共361例患者納入研究，T2期100例，T3期261例，男236例，女125例，年齡22～88（63.3±10.7）歲，將以上患者按7∶3 采用分層抽樣隨機(jī)分為訓(xùn)練集（262 例，T2 期72 例、T3 期190例）與測試集（99例，T2期28例、T3期71例）。本研究遵守《赫爾辛基宣言》，并通過了皖南醫(yī)學(xué)院第一附屬醫(yī)院（弋磯山醫(yī)院）倫理委員會審核，免除受試者知情同意，批準(zhǔn)文號：（2021）倫審研第98號。

1.2 臨床資料收集

收集患者的基本資料，包括性別、年齡及術(shù)后T 分期，術(shù)后T 分期根據(jù)美國癌癥聯(lián)合委員會第8 版分期[17]標(biāo)準(zhǔn)：T2，腫瘤侵犯固有肌層，但未穿透肌外膜；T3，腫瘤突破固有肌層外膜，到達(dá)直腸周圍系膜脂肪內(nèi)。術(shù)前1 周內(nèi)采集患者外周靜脈血，使用VIDAS 全自動免疫熒光分析儀對癌胚抗原（carcinoembryonic antigen, CEA）、碳水化合物抗原（carbohydrate antigen 199, CA19-9）水平進(jìn)行全自動分析，CEA截?cái)嘀禐? ng/mL、CA19-9的截?cái)嘀禐?7 U/mL。

1.3 MRI掃描方法

所有患者在術(shù)前均使用美國GE signa HDxt 3.0 T MR 掃描儀和8 通道陣列線圈進(jìn)行直腸檢查。檢查前患者禁食、禁水6 h，并在掃描前排尿及腸道準(zhǔn)備，腹部適當(dāng)加壓以減少呼吸運(yùn)動偽影。掃描序列及參數(shù)：⑴軸位高分辨T2WI參數(shù)，TR/TE 4000 ms/80 ms，F(xiàn)OV 240 mm×240 mm，層厚3 mm，層間距1 mm；矩陣384×320，激勵次數(shù)（number of excitation,NEX）4 次；擴(kuò) 散 加 權(quán) 成 像（diffusion weighted imaging, DWI）參數(shù)，TR/TE 5000 ms/88 ms，層厚4.0 mm, FOV 216 mm×288 mm，矩陣大小128×130，彌散b 值0 和1000 s/mm2，NEX 10 次。在高分辨T2WI測量腫瘤長徑（longest diameter, LD），在DWI 衍生的表觀擴(kuò)散系數(shù)（apparent diffusion coefficient,ADC）圖像上測量ADC值。

1.4 圖像分割與特征提取

以DICOM 格式將圖像從影像服務(wù)器中導(dǎo)出，使用ITK-SNAP（3.6.0版本）軟件的灰度調(diào)節(jié)工具對圖像進(jìn)行歸一化處理，在軸位高分辨T2WI圖像腫瘤顯示最大層面由兩名放射科醫(yī)師（有10年工作經(jīng)驗(yàn)的主治醫(yī)師與15年工作經(jīng)驗(yàn)副主任醫(yī)師）分別手動沿腫瘤邊緣緩慢勾畫并保存感興趣區(qū)（region of interest, ROI）（圖1）。使用一站式科研平臺（onekey AI）提取手工影像組學(xué)（hand-crafted radiomic, HCR）特征，每幅圖像提取1562個特征，對兩名醫(yī)師提取的HCR特征利用組內(nèi)相關(guān)系數(shù)（intra-class correlation coefficient,ICC）進(jìn)行一致性檢驗(yàn)，保留ICC＞0.80 的特征。同樣利用onekey AI平臺基于ResNet-18卷積神經(jīng)網(wǎng)絡(luò)模型提取DL影像組學(xué)特征，經(jīng)過訓(xùn)練共提取512個DL特征，分別對HCR特征與DL特征進(jìn)行Z-score標(biāo)準(zhǔn)化。

圖1 卷積神經(jīng)網(wǎng)絡(luò)圖像分割和激活圖。1A：原始圖像；1B：圖像分割；1C：激活圖。 圖2 ResNet網(wǎng)絡(luò)模型殘差塊。Fig.1 Convolutional neural network image segmentation and activation graph.1A: Original image; 1B: Image segmentation; 1C Activation diagram.Fig.2 ResNet network model residual block.

1.5 DL模型

本研究選擇ResNet-18 模型作為DL 特征提取的基礎(chǔ)模型，ResNet 網(wǎng)絡(luò)又叫殘差網(wǎng)絡(luò)，由多個殘差塊組成（圖2），是最經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型。18代表的是模型的深度，包括17個卷積層和1個全連接層。

如圖2 所示，特征以X 向前傳播，經(jīng)過一個殘差塊學(xué)習(xí)的特征為F（X），則輸出的特征為F（X）+X，在前向傳播過程中，每一層均考慮了上一層提取到的特征信息，解決了傳統(tǒng)的圖像識別網(wǎng)絡(luò)因網(wǎng)絡(luò)層數(shù)堆疊很深模型難以收斂的問題。

1.6 機(jī)器學(xué)習(xí)模型的構(gòu)建

首先利用單因素與多因素logistic回歸分析篩選臨床影像學(xué)獨(dú)立危險因素；然后分別基于HCR 特征、DL影像組學(xué)特征利用Spearman秩相關(guān)、最小絕對收縮和選擇算子算法（least absolute shrinkage selection operator, LASSO）回歸降維篩選預(yù)測直腸癌T2 與T3 期的最優(yōu)特征（圖3）；最后基于臨床影像特征、HCR 特征、DL 影像組學(xué)特征及三者組合特征分別采用SVM、K 最近鄰（K-nearest neighbor, KNN）、極端梯度增強(qiáng)機(jī)（extreme gradient boosting,XGBoost）三種算法共構(gòu)建12個機(jī)器學(xué)習(xí)模型。利用AUC 評價模型在訓(xùn)練集和測試集的預(yù)測能力，選出最優(yōu)機(jī)器學(xué)習(xí)模型為輸出模型，并繪制模型的臨床決策曲線（decision curve analysis, DCA）。

圖3 最小絕對收縮和選擇算子算法回歸降維篩選最優(yōu)組學(xué)特征，手工影像組學(xué)特征降維（3A、3B），深度學(xué)習(xí)影像組學(xué)特征降維（3C、3D）。Fig.3 The least absolute shrinkage selection operator is used to select the optimal radiomics features, while HCR features (3A, 3B) and DL radiomics features (3C,3D) are reduced in dimension.

1.7 統(tǒng)計(jì)學(xué)分析

采用SPSS 23.0及Python（3.5.6）軟件進(jìn)行統(tǒng)計(jì)學(xué)分析。首先采用Shapiro-Wilk檢驗(yàn)對數(shù)據(jù)進(jìn)行正態(tài)性檢驗(yàn)，符合正態(tài)分布的計(jì)量資料用±s表示，不符合正態(tài)分布用M50（P25，P75）表示，比較采用獨(dú)立樣本t檢驗(yàn)或Mann-WhitneyU檢驗(yàn)。分類變量采用χ2檢驗(yàn)或Fisher 檢驗(yàn)。單因素或多因素logistic 回歸篩選獨(dú)立危險因素，并計(jì)算比值比（odds ratio, OR）和95%置信區(qū)間（confidence interval,CI），Spearman秩相關(guān)及LASSO 回歸降維篩選最優(yōu)組學(xué)特征。利用SVM、KNN 及XGBoost 三種機(jī)器學(xué)習(xí)算法構(gòu)建預(yù)測模型，通過AUC、敏感度、特異度及準(zhǔn)確度評價各模型的診斷效能，DCA 評價模型的臨床適用性。P＜0.05 表示差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 一般資料

訓(xùn)練集共262 例患者，男174 例，女88 例，年齡22～85（63.1±10.6）歲；測試集99 例患者，男62 例，女37 例，年齡32～88（64.0±10.8）歲。兩者一般資料比較差異均無統(tǒng)計(jì)學(xué)意義（P值均＞0.05），具體結(jié)果見表1。

表1 訓(xùn)練集與測試集一般資料比較Tab.1 Comparison of general information between training and testing sets

2.2 臨床影像特征危險因素分析

訓(xùn)練集T2 與T3 期直腸癌臨床影像特征比較，結(jié)果LD（χ2=-3.802）、CEA（χ2=4.818）及CA19-9（χ2=8.245）差異有統(tǒng)計(jì)學(xué)意義（P值分別為＜0.001、0.028、0.004），詳見表2。進(jìn)一步對以上3 個指標(biāo)行單因素與多因素logistic回歸分析，單因素logistic回歸CEA（OR=1.878, 95%CI: 1.065-3.309,P=0.029）、CA19-9（OR=6.562, 95%CI: 1.526-28.220,P=0.011）及LD（OR=1.515, 95%CI: 1.208-1.900,P＜0.001）；多 因 素logistic 回 歸CA19-9（OR=1.447, 95%CI:1.150-1.820,P=0.002）及LD（OR=5.117, 95%CI:1.159-22.584,P=0.031）為預(yù)測直腸癌T2 與T3 期的獨(dú)立危險因素。

表2 訓(xùn)練集T2與T3期直腸癌臨床影像特征比較Tab.2 Comparison of clinical imaging features between T2 and T3 stages of rectal cancer in the training set

2.3 機(jī)器學(xué)習(xí)模型的構(gòu)建

通過Spearman 秩相關(guān)及LASSO 回歸對HCR 與DL影像組學(xué)特征降維后分別獲得12個與7個最優(yōu)組學(xué)特征，利用SVM、KNN及XGBoost分別基于臨床影像特征、最優(yōu)HCR與DL特征及三者組合特征構(gòu)建12個機(jī)器學(xué)習(xí)模型（表3），構(gòu)建的模型中組合特征模型AUC均高于單獨(dú)特征模型（圖4），組合特征模型中訓(xùn)練集XGBoost算法AUC最高，作為本研究的輸出模型，DCA顯示訓(xùn)練集與測試集閾值概率為0～1時臨床均有獲益（圖5）。

表3 三種分類器構(gòu)建的12個機(jī)器學(xué)習(xí)模型預(yù)測效能的評價Tab.3 Evaluation of the predictive performance of 12 machine learning models constructed by three classifiers

圖4 支持向量機(jī)（4A）、K 最近鄰（4B）、極端梯度增強(qiáng)機(jī)（4C）三種機(jī)器學(xué)習(xí)算法基于組合特征構(gòu)建模型的ROC曲線。AUC：ROC曲線下面積。Fig.4 Three machine learning algorithms, support vector machine(4A), K-nearest neighbor (4B) and extreme gradient boosting machine(4C), are used to construct the ROC curves of the model based on the combined features.AUC: area under the ROC curve.

圖5 訓(xùn)練集（5A）和測試集（5B）的極端梯度增強(qiáng)機(jī)分類器組合特征模型的臨床決策曲線。藍(lán)色曲線表示模型實(shí)際預(yù)測結(jié)果，黑色斜線假設(shè)全部為T3期，水平虛線假設(shè)全部為T2期。Fig.5 The clinical decision curve of the XGBoost classifier combination feature model includes a training set (5A), a testing set (5B), with the blue curve representing the model's actual predictions.The black diagonal line assumes all stages are stage T3, and the horizontal dashed line assumes all stages are stage T2.

3 討論

本研究基于高分辨T2WI 的HCR 特征與ResNet-18 的DL 影像組學(xué)特征，并結(jié)合臨床影像特征，通過SVM、KNN 及XGBoost 三種常用的機(jī)器學(xué)習(xí)算法構(gòu)建12 種預(yù)測模型，用于術(shù)前預(yù)測直腸癌T2 與T3 期。結(jié)果發(fā)現(xiàn)，構(gòu)建的所有模型中組合特征模型的AUC均高于單獨(dú)特征模型，其中組合特征模型以訓(xùn)練集XGBoost 算法構(gòu)建的模型預(yù)測效能最高（AUC 為0.998），測試集也達(dá)到了很高的預(yù)測水平（AUC 為0.966），敏感度、特異度及準(zhǔn)確度均較高，確定為本研究的最佳模型。既往關(guān)于直腸癌T 分期的研究多局限于預(yù)測T1-2 與T3-4 期，針對亞分期T2 與T3 期的研究相對較少，且效能偏低。本研究有望成為一種新的無創(chuàng)方法術(shù)前預(yù)測直腸癌T2與T3期。

3.1 臨床影像特征預(yù)測直腸癌T2 與T3 期的價值分析

腫瘤標(biāo)志物檢測創(chuàng)傷小，短期內(nèi)可重復(fù)檢測，合理地利用腫瘤標(biāo)志物檢測對腫瘤的篩查、診斷、分期及預(yù)測預(yù)后均有重要價值。已報道的與直腸癌相關(guān)血清腫瘤標(biāo)志物有10 余種，但CEA 和CA19-9 是最常用的兩種。CEA 是由正常直腸細(xì)胞產(chǎn)生的高分子量糖蛋白，作為細(xì)胞間黏附分子，可以促進(jìn)直腸癌細(xì)胞的聚集，CA19-9 是一種高分子量糖脂，主要影響細(xì)胞黏附功能，兩者在腫瘤的發(fā)生發(fā)展中均起重要作用[18]。本研究T3 期CEA 與CA19-9 水平升高的比例明顯高于T2 期，這可能是因?yàn)镃EA 與CA19-9 水平越高提示腫瘤細(xì)胞的增殖能力越強(qiáng)，標(biāo)志著腫瘤分化越差，惡性程度也越高，T3期直腸癌惡性程度比T2期更高，整體分化水平更差。既往研究[19-20]也表明CEA、CA19-9 可用于直腸癌的診斷、預(yù)測預(yù)后及復(fù)發(fā)監(jiān)測。LIN等[21]基于放射組學(xué)列線圖術(shù)前預(yù)測直腸癌T分期的研究發(fā)現(xiàn)，單因素分析CEA（OR=4.08, 95%CI:1.85-9.00）及CA19-9（OR=5.83, 95%CI: 1.33-25.62）差異均有統(tǒng)計(jì)學(xué)意義（P＜0.05），多因素分析CEA為獨(dú)立危險因素（P=0.044），CA19-9差異無統(tǒng)計(jì)學(xué)意義（P=0.416）。在本研究中單因素分析CEA 及CA19-9 差異均具有統(tǒng)計(jì)學(xué)意義（P＜0.05），多因素分析CA19-9為獨(dú)立危險因素，CEA未被納入，與LIN等研究結(jié)果略有不同，這可能是因?yàn)楸狙芯繉ο鬄門2與T3期直腸癌，但LIN 等研究對象為T1-2 與T3-4 期。既往研究[22]表明腫瘤細(xì)胞侵襲力與腫瘤大小呈正相關(guān)，所以，腫瘤越大侵襲性越強(qiáng)，腸壁浸潤越深，相應(yīng)T分期也越高。本研究T2 期腫瘤LD 小于T3 期，且LD 是預(yù)測兩者的獨(dú)立危險因素，與以往報道一致。

3.2 DL 影像組學(xué)的機(jī)器學(xué)習(xí)預(yù)測直腸癌T2 與T3 期的價值分析

影像組學(xué)是一種無創(chuàng)、定量、客觀的圖像分析方法，它可以從單個或多個醫(yī)學(xué)圖像中提取人眼無法直接識別的高通量定量特征，并將這些特征與臨床信息結(jié)合起來，提高疾病的診斷和預(yù)后評價[23-25]。DL 通過自動提取高階圖像特征，可用于腫瘤分割、預(yù)后預(yù)測和治療反應(yīng)評價[26-28]。機(jī)器學(xué)習(xí)屬于人工智能的子領(lǐng)域，通過利用算法和統(tǒng)計(jì)數(shù)據(jù)來訓(xùn)練計(jì)算機(jī)處理數(shù)據(jù)并得出預(yù)測結(jié)果，已廣泛應(yīng)用于直腸癌的相關(guān)領(lǐng)域研究中[29-32]。本研究利用SVM、KNN 及XGBoost 三種機(jī)器學(xué)習(xí)算法基于HCR與DL影像組學(xué)特征構(gòu)建的預(yù)測模型AUC介于0.791～0.893，均達(dá)到比較理想的預(yù)測水平，高于臨床影像特征模型（AUC介于0.634～0.786）。將臨床影像特征、HCR及DL影像組學(xué)特征聯(lián)合構(gòu)建組合特征模型，組合特征模型的AUC介于0.955～0.998，均高于單獨(dú)特征模型，這說明聯(lián)合特征較單獨(dú)特征在預(yù)測直腸癌T2與T3期中價值更大。此外本研究發(fā)現(xiàn)訓(xùn)練集基于組合特征的XGBoost算法效能最高，為本研究的輸出模型，XGBoost 算法是基于GBRT（gradient boosting regression tree）對boosting 算法的改進(jìn)，運(yùn)算速度更快，具有較強(qiáng)異常值魯棒性，更高預(yù)測準(zhǔn)確度，是目前常用的機(jī)器學(xué)習(xí)模型之一。既往已有較多研究利用DL及影像組學(xué)術(shù)前預(yù)測直腸癌T分期。HOU等[33]利用MRI DL影像組學(xué)術(shù)前預(yù)測直腸癌T1-2與T3-4分期，構(gòu)建的影像組學(xué)模型AUC最高為0.869，其效能明顯高于放射科專家（AUC為0.685）；YUAN等[34]利用影像組學(xué)預(yù)測T1-2 與T3 分期，結(jié)果測試組模型AUC 最高為0.920；WEN 等[35]同樣利用MRI 影像組學(xué)構(gòu)建5個預(yù)測直腸癌T分期的機(jī)器學(xué)習(xí)模型，模型的AUC在0.841～0.893之間。以上研究與本研究略有不同，本研究對象為T2、T3 分期。既往有關(guān)直腸癌T2 與T3分期的報道較少，且效能低于本研究。邱勇剛等[36]利用T2WI 及DWI 影像特征鑒別T2 與T3 期直腸癌，準(zhǔn)確度最高為88.52%，本研究的準(zhǔn)確度最高為97.0%；孫伯堯等[37]基于ADC序列影像組學(xué)構(gòu)建多種機(jī)器學(xué)習(xí)模型鑒別診斷T2 與T3 期直腸癌，模型的AUC 最高為0.836，本研究AUC最高為0.998。

3.3 局限性分析

本研究仍存在以下幾點(diǎn)不足之處：首先，本研究為單中心數(shù)據(jù)，研究的人群分布及范圍比較局限，研究結(jié)果還需多中心進(jìn)一步驗(yàn)證，這是后期研究的方向；其次，本研究HCR 及DL 影像組學(xué)特征提取是基于單層圖像勾畫，三維圖像可能反映腫瘤的異質(zhì)性會更加全面；最后，本研究為回顧性分析，可能會存在一定的選擇偏倚。

4 結(jié)論

綜上所述，本研究基于MRI 軸位高分辨T2WI 的ResNet-18 DL 影像組學(xué)利用SVM、KNN 及XGBoost 三種機(jī)器學(xué)習(xí)算法，構(gòu)建了12個預(yù)測直腸癌T2與T3期的預(yù)測模型，三種機(jī)器學(xué)習(xí)算法構(gòu)建的模型中組合特征模型效能均優(yōu)于單獨(dú)特征模型，其中訓(xùn)練集XGBoost 分類器構(gòu)建的組合特征模型效能最高。本研究結(jié)果表明基于深度學(xué)習(xí)的影像組學(xué)能夠術(shù)前無創(chuàng)、精確預(yù)測直腸癌T2 與T3 期，有望成為臨床對直腸癌患者術(shù)前評估的個體化決策支持工具，為患者制訂個體化臨床治療方案提供參考依據(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(xiàn)聲明：俞詠梅設(shè)計(jì)本研究的方案，對稿件重要內(nèi)容進(jìn)行了修改；吳樹劍起草和撰寫稿件，獲取、分析或解釋本研究的數(shù)據(jù)；范莉芳、張虎、陳國仙、徐靜雅、亞勝男獲取、分析或解釋本研究的數(shù)據(jù)，并對稿件重要內(nèi)容進(jìn)行了修改；亞勝男獲得安徽省高校自然科學(xué)基金項(xiàng)目資助。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(fù)責(zé)，確保本研究的準(zhǔn)確性和誠信。