Morphological Study of Meniscus Thickness Measurement in Normal Adults Based on MRI
-
摘要:
目的 采用MRI扫描成像技术测量正常成人膝关节内外侧间室半月板前后角的厚度，为全膝关节置换假体设计和优化人工半月板设计提供技术手段、参数。 方法 随机抽取 2020年01月至 2022年06月在云南省中医医院就诊的成年患者行单侧膝关节MRI扫描成像的影像学资料,MRI片示无膝关节水肿、半月板明显退变、半月板损伤及撕裂等的248例影像资料作为样本，其中女性137例，男性111例，年龄18～80岁，中位年龄50岁。观察膝关节的矢状面MRI片。由3名资深临床医师测量膝关节内侧间室的半月板前后角厚度、膝关节外侧间室的半月板前后角厚度，并取3次测量结果的平均值作为最终测量结果。测量结果采用SPSS27.0统计学软件包进行统计学分析。 结果 内侧间室半月板前角厚度为（3.65±0.93）mm；内侧间室半月板后角厚度为（5.25±1.17）mm；外侧间室半月板前角厚度为（4.82±1.08）mm；外侧间半月板后角厚度为（6.89±1.03）mm；经两独立样本t检验，男女内侧间室半月板后角厚度，差异有统计学意义（P < 0.05）；左右侧膝关节内侧间室半月板前后角厚度和外侧间室半月板前角厚度，差异具有统计学意义（P < 0.05）；经Pearson相关性分析，男女性内侧间室半月板前角厚度和内侧间室半月板后角厚度均具有相关性（P < 0.05）；男女性外侧间室半月板前角厚度和外侧间室半月板后角厚度均具有相关性（P < 0.05）。 结论 利用MRI成像技术，通过对半月板形态的测量揭示了正常成人半月板形态学的特点及变化规律，有利于全膝关节置换假体设计和优化人工半月板设计，从而更好的指导临床治疗。 Abstract:Objective MRI scanning technique was used to measure the thickness of the anterior and posterior angles of the medial and lateral compartments of the knee joint in normal adults, so as to provide technical means and parameters for the design of total knee replacement prosthesis and the optimization of artificial meniscus design. Methods The imaging data of MRI scanning of unilateral knee joint of adult patients in Yunnan Traditional Chinese medicine hospital from January 2020 to June 2022 were randomly selected. 248 cases without knee edema, obvious degeneration of meniscus, meniscus injury and tear in MRI films were taken as samples, including 137 women, 111 men, 18-80 years old, with a median age of 50 years. The sagittal MRI films of knee joint were observed, Three senior clinicians measured the meniscus anterior and posterior angle thickness of the medial compartment of the knee joint and the meniscus anterior and posterior angle thickness of the lateral compartment of the knee joint, and the average of the three measurements was taken as the final measurement result. The measurement results were statistically analyzed by spss27.0 statistical software package. Results The thickness of anterior horn of meniscus in the medial compartment was （3.65 ± 0.93）mm; the thickness of posterior horn of meniscus in the medial compartment was （5.25 ± 1.17）mm; the thickness of anterior horn of meniscus in the lateral compartment was （4.82 ± 1.08）mm; the thickness of posterior horn of lateral in the lateral compartmentwas （6.89 ± 1.03）mm. The t test of two independent samples showed that the thickness of the posterior angle of meniscus in the medial compartment was statistically significant between men and women （P < 0.05）. The anterior and posterior Angle thickness of the meniscus in the medial ventricle of the left and right knee joints was significantly different from that in the lateral ventricle （P < 0.05）. According to Pearson correlation analysis, there was a correlation between the anterior angle thickness of medial interventricular meniscus and the posterior angle thickness of medial interventricular meniscus in both sexes （P < 0.05）. There was a correlation between the thickness of anterior horn of lateral interventricular meniscus and the thickness of posterior horn of lateral interventricular meniscus in both sexes （P < 0.05）. Conclusion In this study, MRI imaging technology was used to reveal the morphological characteristics and changes of meniscus in normal adults through the measurement of meniscus morphology, which is conducive to the design of total knee replacement prosthesis and the optimization of artificial meniscus design, so as to better guide clinical treatment. -
Key words:
- MRI /
- Adult /
- Meniscus /
- Thickness /
- Morphological study
-
慢性肾脏病（chronic kidney disease，CKD）早期发现和诊断较为困难，随疾病不断进展，最后成为终末期肾脏病而使肾功能衰竭[1]。若能早期识别、发现CKD并准确诊断，便可及早干预和治疗[2]。全球约5%～7%的人口患有中等程度CKD，其主要病因为糖尿病和高血压，尤其发展中国家、贫困地区、少数民族人群中慢性肾病发病率更高[3-4]。此外，CKD患者治疗费用昂贵，给家庭带来沉重经济压力、给医疗保障带来沉重社会负担，已成为一个世界性公共健康问题[5]。然而，CKD的诊断基于回顾性数据，起病隐匿、症状不明显，难以早期发现，延迟治疗和干预会增加肾衰竭可能[6]。本研究结合社区问卷调查、基本资料、实验室检查、PVT1基因多态性等多领域交叉，采用4种机器学习算法构建CKD预测模型，辅助医生、患者及家人早识别，为评估提供参照、为诊断提供参考。
1. 对象与方法
1.1 一般资料
随机抽样4个昆明市区域中的1个社区卫生服务中心建档居民。于2019年11月至2023年11间招募CKD患者256例和健康志愿者1577例。CKD纳入标准：（1）CKD诊断符合《慢性肾脏病早期筛查、诊断及防治指南》[7]；（2）患有血尿、蛋白尿、水肿、高血压或肾功能异常等临床表现伴有肾小球滤过率或肾组织学异常、肾脏影像学异常，病程持续3个月以上;（3）年满18周岁及以上居民；（4）诊断明确的2型糖尿病患者，且至少6个月以上或已建立慢性病健康管理档案；（5）诊断明确的高血压病患者，且至少6个月以上或已建立慢性病健康管理档案。排除标准：（1）患有其他系统疾病或脏器功能异常者；（2）患有恶性肿瘤者；（3）精神疾病患者；（4）妊娠及哺乳期女性患者。本研究获得昆明医科大学第一附属医院医学伦理委员会批准[（2022）伦审L第264号]，研究人员严格遵照《赫尔辛基宣言》实施。
1.2 研究方法
（1） 问卷调查：内容包括一般人口学资料，13条目患者积极度量表测量（PAM13）[8]，居民个人生活习惯调查（饮食、睡眠、烟酒摄入等）。调查员培训后上岗，调查员与患者一对一完成问卷。（2） 体格检查：调查员行身高、体重、腰围、臀围等测量。（3） 实验室检查：收集志愿者尿液行尿常规、肾功能、随机尿微量白蛋白测定等检查；抽取外周血提取DNA进行人浆细胞瘤变异易位基因（PVT1）基因进行单核苷酸多态位点（rs1499368、rs1121947/rs2608030、rs11993333、rs2720659和rs2720660）检测。（4）构建预测模型：采用Logistic回归对变量进行筛选。变量被随机分为训练集和测试集，分别占全体数据2/3和1/3，用于建立预测模型和评价预测模型。归一化处理，二分类变量取值0或1，计量资料变量值取值范围为0～1之间。分类变量因素不存在赋值0，存在赋值1。使用R软件工具包（e1071，caret，nnet 和Neural NetTools）构建基于支持向量机（SVM）、随机森林（RF）、朴素贝叶斯（N B）和人工神经网络（ANN）算法的CKD预测模型。依据构建的CKD预测模型计算结果对检测集数据进行对比分析，评价指标包括灵敏度、特异度、准确率、原错率、Kappa系数、阳性预测值、阴性预测值等。Kappa系数用于评价模型预测值和真实值间的一致性。若Kappa系数≤0.2则认为一致性极低；若0.2<Kappa系数≤0.4则认为一致性一般；若0.4<Kappa系数≤0.6则认为一致性中等；若0.6<Kappa系数≤0.8则认为一致性较高；若>0.8则认为几乎完全一致。采用受试者工作特征曲线（receiver operating characteristic curve，ROC）和精确召回曲线（precision recall curves，PRC）比较各模型性能优劣，并计算各模型曲线下面积（area under curve，AUC）。若AUC小于0.5说明模型不具有预测价值；若AUC值位于0.7～0.5区间时说明模型真实程度较差；若AUC值位于0.9～0.7区间时说明模型真实程度较好；总之，AUC值越接近1.0，模型预测真实程度越高，见图1。
1.3 统计学处理
采用R软件（版本4.1.3）处理数据。符合正态分布且方差齐的计量资料，行Student’ s T检验；不符合正态分布或方差不齐的计量资料则采用Wilcox检验。计数资料比较用卡方检验。检验水准设置为α = 0.05，且双尾设置。P < 0.05认为差异具有统计学意义。
2. 结果
2.1 基线数据特征
对照组共有1267人纳入研究，平均年龄（65.90±9.01）岁；疾病组患单纯高血压344例，患单纯糖尿病96例，同时患高血压和糖尿病者126例，平均年龄（65.67±9.77）岁，2组间差异无统计学意义（P = 0.314）。对照组和疾病组男女比例分别为45.30%、54.70%和41.67%、58.33%，差异无统计学意义（P = 0.699）。疾病组患CKD率为30.41%显著高于对照组7.58%，差异具有统计学意义（P < 0.0001），见表1。对比训练集（n = 1222）和测试集（n = 611），各项指标差异均无统计学意义，P > 0.05。
表 1 研究对象分组数据分析[n（%）]Table 1. Base line data analysis between control group and disease group[n（%）]组别 n non-CKD CKD χ2 P 对照组 1267 1171（92.43） 96（7.58） 疾病组 高血压 344 258（75.00） 86（25.00） 糖尿病 96 68 （70.83） 28 （29.17） 149.64 < 0.0001* 高血压合并糖尿病 126 80（63.49） 46（36.51） *P < 0.05。 2.2 Logistic回归筛选CKD风险指标
采用Logisitc回归分析发现13项指标对判定非CKD和CKD具有统计学意义，分别是年龄（P = 0.699）、疾病类型（高血压、糖尿病、高血压合并糖尿病）（P < 0.0001）、民族（P = 0.040）、血尿素氮（P = 0.032）、血肌酐（P = 0.015）、MDRD公式计算eGFR≤60 mL/（min·1.73 m2） （P = 0.007）、ACR≥30 mg/g（P < 0.0001）、EPI2009肌酐方程公式计算eGFR≤60 mL/（min·1.73 m2） （P = 0.017）、PAM13量表分数（P = 0.001）、睡眠质量调查表（P = 0.016）、熬夜情况（P = 0.012）、PVT1基因SNP位点rs11993333（P = 0.026）和rs2720659（P = 0.012），见图2。
2.3 模型的建立和评估
13项指标纳入机械学习算法，用于构建模型。PVT1基因SNP位点rs11993333非优势基因型TC和TT，位点rs2720659非优势基因型AG和GG。
SVM算法建立模型的准确率为86.25%（95%CI：83.26%～88.88%）小于原错率87.23% ，差异无统计学意义（P = 0.7863）。该模型的Kappa值为0.081，该模型预测值与真实值间一致性极低，模型预测精度极差。同时，SVM模型灵敏度为97.75%，而特异度仅为7.69%。阳性和阴性预测值分别为95.29%和33.33%。 SVM模型中ROC和PRC的AUC分别为0.8957和0.7139均大于0.70，SVM模型的真实度和精确度较高，见图3A和图3B。
图 3 支持向量机模型ROC和PRC的AUCA：支持向量机模型ROC；B：支持向量机模型的PRC。Figure 3. AUC of ROC and PRC in Support Vector Machine （SVM）RF算法建立模型准确率为88.54%（95%CI：85.75%～90.96%）小于原错率87.23%，差异无统计学意义（P = 0.1823）。该模型的Kappa值为0.1662 < 0.2，预测值与真实值间一致性极低，模型预测精度极差。同时，RF模型灵敏度为100%，而特异度仅为10.26%。阳性和阴性预测值分别为88.29%和100%。RF模型中，ROC的AUC为0.9210大于0.90，说明模型准确度较高，见图4A，但PRC的AUC为0.6502小于0.7，说明模型精确性较差，见图4B。
图 4 自由森林模型ROC和PRC的AUCA：自由森林模型ROC；B：自由森林的PRC。Figure 4. AUC of ROC and PRC in Random Forest （RF）NB算法建立模型的准确率为92.14% （95%CI：89.72%～94.15%）大于原错率87.23% ，差异具有统计学意义（P < 0.0001）。该模型的Kappa值为0.6039，大于0.41而小于0.60，预测值与真实值间一致性中等，模型预测精度尚可。同时，NB模型灵敏度为97.37%，而特异度仅为56.41%。阳性和阴性预测值分别为93.85%和79.86%。
NB模型中，ROC的AUC为0.9369大于0.90，见图5A，说明模型准确度较高，而且PRC的AUC为0.7793大于0.7，说明模型精确性较也好，见图5B。
图 5 朴素贝叶斯模型ROC和PRC的AUCA：朴素贝叶斯模型ROC；B：朴素贝叶斯模型的PRC。Figure 5. AUC of ROC and PRC in Naïve Bayes （NB）ANN模型输入层包含15个神经节点，隐藏层包含11个神经节点，输出层为目标疾病，包含1个神经节点，见图6A。各变量对建立ANN模型的相对重要性不同，采用Garson算法评价各变量对ANN模型的相对重要性见图6B。相对重要性贡献最大的是ACR，其次为肌酐creatinine，第三为EPI2009。相对重要性贡献最小的为疾病类型。ANN算法建立模型的准确率为94.60% （95%CI：92.50%～96.25%）大于原错率87.23% ，差异具有统计学意义（P < 0.0001）。该模型的Kappa值为0.7294，大于0.60，预测值与真实值间一致性较高，模型预测精度较高。同时，ANN模型灵敏度为98.69%，而特异度仅为66.67%。阳性和阴性预测值分别为95.29%和88.14%。ANN模型中，ROC的AUC为0.9418大于0.90，说明模型准确度较高，见图6C，而且PRC的AUC为0.9261大于0.9，说明模型精确性较也高，见图6D。ANN模型的准确率、特异性、Kappa系数和AUC均高于SVM模型、RF模型和NB模型，然而ANN模型灵敏度（98.69%）却低于RF灵敏度（100%）。
图 6 人工神经网络评价A：人工神经网络模型各层图，I代表输入层，H代表隐藏层，O代表输出层，B代表偏倚矫正神经节点；B：ANN模型各指标重要性评价；C：人工神经网络模型的ROC；D：人工神经网络模型的PRC。Figure 6. Evaluation for artificial neuron net （ANN）3. 讨论
SVM、RF、NB和ANN是目前较常见的机器学习算法用于CKD诊断。我国学者也采用机器学习建立IgA肾病的诊断模型，其准确率及可信度高[9]。国外学者采用CKD患者临床资料和症状建立SVM模型能够区分CKD患者和非CKD患者，准确率达到99%，明显好于本研究的SVM模型准确率（86.25%）[10]。另1项研究通过对指标进行等级排序算法从25项指标中选取了15项建立SVM模型，可提高模型的准确率和Kappa值[11]。通过筛选算法选取CKD特征性指标建立SVM模型，使其准确率提高到98.5%。由此CKD患者指标的选择、参数的设置可影响SVM模型准确率[12]。
本研究中选取了这4种算法对CKD患者临床资料、流行病学特征和分子基因SNP等建立模型。结果发现建立的ANN模型准确率高于其他3种模型，达到94.60%；同时ANN的Kappa值大于其他3种模型，ANN预测值和真实值间一致性较高，精确度较好。基于前期调查和实验数据，通过Logistic回归分析，发现13个指标对模型建立起主要作用，分别为年龄、疾病类型（高血压、糖尿病、同时患高血压糖尿病）、民族、血尿素氮urine、血肌酐creatinine、MDRD公式计算eGFR≤60 mL/（min·1.73 m2）、ACR≥30 mg/g、EPI2009肌酐方程公式计算eGFR≤60 mL/（min·1.73 m2）、PAM量表分数、睡眠质量调查、熬夜情况、PVT1基因rs11993333及rs2720659（P < 0.05）。纳入指标建立SVM、RF、NB和ANN模型预测社区卫生服务中心中CKD患者。结果显示，在社区糖尿病高血压人群中，需要通过一些重要的因素早期筛查CKD，这些指标主要为：患者血尿素氮及血肌酐检测，患者eGFR测定（主要通过MDRD公式计算及EPI2009肌酐方程公式），筛查ACR，PAM量表分数、睡眠质量、熬夜情况；如能开展基因检测，可以检测PVT1基因rs11993333及rs2720659[13-14]。另一方面，ANN模型各项性能优于其他3种模型，ANN模型的准确率和精确率较高、分类效果较好；但特异性欠佳，有待完善特征选择算法，剔除无关和冗余特征。建立社区CKD诊断ANN模型，目的是在社区卫生服务中心为社区医护提供方便实用的诊断预测模型，让社区医护、社区慢性病患者提高对CKD的认识及早期预警，逐步实现筛查、疾病追踪、诊断疾病及预测疾病预后的社区CKD管理模型[15]。下一步研究团队期望继续开发基于社区卫生服务中心CKD早期诊断小程序、APP等，更方便模型的使用，逐步实现CKD诊断模型、风险预测模型、预测预后模型及评估CKD进展的一系列模型，最终实现早期发现CKD、延缓CKD进展，让更多的人群不走进尿毒症、减轻医疗负担。
-
图 1 内侧间室半月板前后角测量
A：胫骨上缘外侧间室最远端的点；B：胫骨上缘内侧间室最远端的点；C：A点与B点连线与经过髁间嵴的轴线的交点；a：内侧间室半月板前角厚度；b：内侧间室半月板后角厚度。
Figure 1. Measurement of anteroposterior and posterior angles of medial interventricular meniscus
图 2 外侧间室半月板前后角测量
A：胫骨上缘外侧间室最远端的点；B：胫骨上缘内侧间室最远端的点；C：A点与B点连线与经过髁间嵴的轴线的交点；c：外侧间室半月板前角厚度d：外侧间室半月板后角厚度。
Figure 2. Measurement of anteroposterior and posterior angles of lateral interventricular meniscus
表 1 基本资料描述
Table 1. Description of basic data
指标 平均值 中位数 SD 最大值 最小值 a（mm） 3.65 3.50 0.93 6.77 1.79 b（mm） 5.25 5.17 1.17 9.39 2.87 c（mm） 4.82 4.77 1.08 7.80 2.34 d（mm） 6.89 6.87 1.03 9.73 3.79 男性年龄（岁） 43.64 43.50 15.52 80.00 19.00 女性年龄（岁） 47.41 48.50 14.12 80.00 18.00 a：内侧间室半月板前角厚度；b：内侧间室半月板后角厚度；c：外侧间室半月板前角厚度；d：外侧间室半月板后角厚度。 
下载: 导出CSV
表 2 男性和女性情况比较（$ \bar x \pm s $）
Table 2. Comparison of male and female （$ \bar x \pm s $）
指标 男性 女性 t P a（mm） 3.66 ± 0.96 3.65 ± 0.92 0.103 0.918 b（mm） 5.65 ± 1.23 4.93 ± 1.00 5.013 < 0.001* c（mm） 4.71 ± 0.98 4.90 ± 1.15 −1.415 0.158 d（mm） 6.94 ± 1.07 6.84 ± 1.00 0.714 0.476 a：内侧间室半月板前角厚度；b：内侧间室半月板后角厚度；c：外侧间室半月板前角厚度；d：外侧间室半月板后角厚度。*P < 0.05。
下载: 导出CSV
表 3 左侧和右侧情况比较（$ \bar x \pm s $）
Table 3. Comparison of left and right
指标 左侧 右侧 t P a（mm） 3.40 ± 0.87 3.86 ± 0.94 −3.938 < 0.001* b（mm） 4.82 ± 0.98 5.61 ± 1.19 −5.553 < 0.001* c（mm） 4.98 ± 1.06 4.68 ± 1.09 2.203 0.029* d（mm） 6.69 ± 0.99 7.05 ± 1.05 −2.751 0.06 a：内侧间室半月板前角厚度；b：内侧间室半月板后角厚度；c：外侧间室半月板前角厚度；d：外侧间室半月板后角厚度。*P < 0.05。
下载: 导出CSV
表 4 相关性分析
Table 4. Correlation analysis
指标 性别 r P a与b 男性 0.604 < 0.001* 女性 0.484 < 0.001* c与d 男性 0.381 < 0.001* 女性 0.222 0.009* a：内侧间室半月板前角厚度；b：内侧间室半月板后角厚度。c：外侧间室半月板前角厚度；d：外侧间室半月板后角厚度。*P < 0.05。
下载: 导出CSV
-
[1] 杨顺杰,张明智,李箭,等. 超声检查对膝关节外侧盘状半月板的诊断价值[J]. 中国骨伤,2022,35(3):243-248. [2] 赵章伟,周凯,李琪,等. 膝关节半月板根部附着区的解剖学测量[J]. 中国骨伤,2020,33(3):234-237. [3] 葛宏艳,张丽萍,陈荟,等. MRI测量的交叉韧带松紧度与膝关节半月板损伤程度的相关性研究[J]. 现代医用影像学,2021,30(12):2249-2252. [4] Jiang P,Cui J,Chen Z,et al. Biomechanical study of medial meniscus after posterior horn injury:A finite element analysis[J]. Comput Methods Biomech Biomed Engin,2020,23(4):127-137. [5] 涂有为,刘云鹏,王星亮,等. MRI评估股骨内侧髁和胫骨平台匹配性对内侧半月板后根撕裂的影响[J]. 中国组织工程研究,2022,26(12):1872-1876. [6] Choi J Y,Biswas R,Bae W C,et al. Thickness of the meniscal lamellar layer:Correlation with indentation stiffness and comparison of normal and abnormally thick layers by using multiparametric ultrashort echo time MR imaging[J]. Radiology,2016,280(1):161-168. doi: 10.1148/radiol.2016150633 [7] Gee S M,Posner M. Meniscus Anatomy and Basic Science[J]. Sports Med Arthrosc Rev,2021,29(3):e18-e23. [8] 潘惠娟,杨来华,戎慧,等. 高分辨力MRI对膝关节前外侧韧带的评价[J]. 中国中西医结合影像学杂志,2016,14(1):28-30. [9] 张贵荣,周永怀. 研究探讨磁共振(MR)扫描技术与CT检查对急性膝关节外伤的临床效果[J]. 影像研究与医学应用,2020,4(18):103-104. [10] Fan B S,Ye J,Xu B B,et al. Study on feasibility of the partial meniscal allograft transplantation[J]. Clin Transl Med,2022,12(1):e701. [11] Lee K I,Gamini R,Olmer M,et al. Mohawk is a transcription factor that promotes meniscus cell phenotype and tissue repair and reduces osteoarthritis severity[J]. Sci Transl Med,2020,12(567):eaan7967. [12] Murphy C A,Garg A K,Silva-Correia J,et al. The meniscus in normal and osteoarthritic tissues:Facing the structure property challenges and current treatment trends[J]. Annu Rev Biomed Eng,2019,8(21):495-521. [13] Murray I R,Benke M T,Mandelbaum B R. Management of knee articular cartilage injuries in athletes:Chondroprotection,chondrofacilitation,and resurfacing[J]. Knee Surg Sports Traumatol Arthrosc,2016,24(5):1617-1626. doi: 10.1007/s00167-015-3509-8 [14] Sihvonen R,Paavola M,Malmivaara A,et al. Arthroscopic partial meniscectomy for a degenerative meniscus tear:A 5 year follow-up of the placebo-surgery controlled FIDELITY (Finnish Degenerative Meniscus Lesion Study) trial[J]. Br J Sports Med,2020,54(22):1332-1339. doi: 10.1136/bjsports-2020-102813 [15] Abram S G F,Hopewell S,Monk A P,et al. Arthroscopic partial meniscectomy for meniscal tears of the knee:A systematic review and meta-analysis[J]. Br J Sports Med,2020,54(11):652-663. [16] Engebretsen L,Moatshe G. Arthroscopic partial meniscectomy for degenerative meniscus tears in middle age patients:why surgeons should change their approach[J]. Br J Sports Med,2020,54(22):1311-1312. doi: 10.1136/bjsports-2020-103330 [17] 李钊,杨育晖,吴海贺,等. 基于MRI三维重建的国人正常半月板三维形态学测量[J]. 实用骨科杂志,2018,24(5):468-472. [18] 赵卫民,曹学伟. MRI测量在膝关节半月板中的临床运用[J]. 局解手术学杂志,2017,26(2):98-100. [19] Huang W,Zhang Y,Yao Z,et al. Clinical examination of anterior cruciate ligament rupture:A systematic review and meta-analysis[J]. Acta Orthop Traumatol Turc,2016,50(1):22-31. -
下载:
点击查看大图
计量
- 文章访问数: 3498
- HTML全文浏览量: 2704
- PDF下载量: 20
- 被引次数: 0
