日本將開發(fā)利用人工智能系統(tǒng)用于癌癥診療

日本將開發(fā)利用人工智能系統(tǒng)用于癌癥診療

日本國(guó)立癌癥研究中心29日宣布，為向每一位癌癥患者提供最合適的治療，將與產(chǎn)業(yè)技術(shù)綜合研究所(位于茨城縣)等共同開發(fā)運(yùn)用人工智能(ai)的系統(tǒng)。

將建立利用ai迅速正確地診斷癌癥，并提出適合患者的治療方案的機(jī)制，力爭(zhēng)5年后實(shí)際運(yùn)用。

具體做法是，以癌癥中心積累的患者基因組(所有遺傳信息)以及血液檢查、圖像診斷等龐大信息為基礎(chǔ)建立數(shù)據(jù)庫(kù)，并與醫(yī)學(xué)論文等的研究成果相對(duì)照，將ai運(yùn)用在診斷以及治療中。

這項(xiàng)開發(fā)也將有助于在檢查中尋找可早期發(fā)現(xiàn)癌癥的標(biāo)記物質(zhì)以及藥物開發(fā)。

ai應(yīng)用在醫(yī)療中的做法正在各地推進(jìn)。東京大學(xué)醫(yī)科學(xué)研究所曾利用ai確診難以診斷的白血病并在救治中發(fā)揮了作用。癌癥研究會(huì)(位于東京)10月設(shè)置了研究基地，力爭(zhēng)在基因組和檢查結(jié)果解析中運(yùn)用ai、為患者定制治療方針。

綜述 | 人工智能在胃腸疾病和肝病中的應(yīng)用

Catherine Le Berre 等
摘要 ：自2010年以來(lái)，人工智能（A I）在醫(yī)學(xué)上的應(yīng)用取得了實(shí)質(zhì)性進(jìn)展。人工智能在胃腸病學(xué)中的應(yīng)用包括內(nèi)鏡下病變分析，癌癥檢測(cè)，分析無(wú)線膠囊內(nèi)鏡檢查中的炎性病變或消化道出血。人工智能還被用于評(píng)估肝纖維化，區(qū)分胰腺癌患者與胰腺炎患者。人工智能也可以根據(jù)多組學(xué)數(shù)據(jù)確定病人的預(yù)后或預(yù)測(cè)他們對(duì)治療的反應(yīng)。本文綜述了人工智能幫助醫(yī)生做出診斷或確定預(yù)后的方法，并討論其局限性，了解在衛(wèi)生當(dāng)局批準(zhǔn)人工智能技術(shù)之前需要進(jìn)一步的隨機(jī)對(duì)照研究。
關(guān)鍵詞 ：深度學(xué)習(xí)；機(jī)器學(xué)習(xí)；神經(jīng)網(wǎng)絡(luò)；消化系統(tǒng)

人工智能沒(méi)有一個(gè)單一的定義，人工智能的概念包含了執(zhí)行與我們?nèi)祟愔悄芟嚓P(guān)聯(lián)的功能的程序，比如學(xué)習(xí)和探索解決問(wèn)題[1,2]。人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是概念上相互交叉的學(xué)科（見(jiàn)圖1）。機(jī)器學(xué)習(xí)是一個(gè)包括了計(jì)算機(jī)科學(xué)和統(tǒng)計(jì)學(xué)的廣闊學(xué)科，機(jī)器學(xué)習(xí)程序重復(fù)迭代以應(yīng)對(duì)提高特定任務(wù)的性能，產(chǎn)生了分析數(shù)據(jù)和學(xué)習(xí)描述和預(yù)測(cè)模型的算法。供訓(xùn)練的數(shù)據(jù)大多以表格形式組織，其中對(duì)象或個(gè)人為行，而變量，無(wú)論是數(shù)值型還是分類型都是列。機(jī)器學(xué)習(xí)大致可分為監(jiān)督方法和無(wú)監(jiān)督方法，無(wú)監(jiān)督學(xué)習(xí)的目的是在不掌握群體的數(shù)量或特性的先驗(yàn)知識(shí)的前提下，根據(jù)數(shù)據(jù)的共性識(shí)別群體。有監(jiān)督學(xué)習(xí)在訓(xùn)練數(shù)據(jù)包含每一個(gè)對(duì)象的輸入—輸出對(duì)的表征的使用。輸入包含個(gè)體的特征描述，輸出包含要預(yù)測(cè)的感興趣的結(jié)果，要么是分類任務(wù)的類，要么是回歸任務(wù)的數(shù)值。有監(jiān)督的機(jī)器學(xué)習(xí)算法學(xué)習(xí)這種輸入和輸出對(duì)的映射關(guān)系，在新的輸出出現(xiàn)時(shí)，自動(dòng)預(yù)測(cè)它對(duì)應(yīng)的輸出[3]。

人工神經(jīng)網(wǎng)絡(luò)（ANN）是受大腦神經(jīng)解剖學(xué)啟發(fā)的監(jiān)督ML模型。每個(gè)神經(jīng)元都是一個(gè)計(jì)算單元，所有神經(jīng)元相互連接，建立整個(gè)網(wǎng)絡(luò)。信號(hào)從第一層（輸入）傳到至最后一層（輸出），可能經(jīng)過(guò)了多個(gè)隱含層（見(jiàn)圖2）。訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過(guò)程包括將數(shù)據(jù)劃分為一個(gè)訓(xùn)練集，該訓(xùn)練集有助于定義網(wǎng)絡(luò)的體系結(jié)構(gòu)，并找出節(jié)點(diǎn)之間的各種權(quán)重，然后是一個(gè)測(cè)試集，用于評(píng)估神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)所需輸出的能力。在訓(xùn)練過(guò)程中，神經(jīng)網(wǎng)絡(luò)內(nèi)部神經(jīng)元之間的連接權(quán)重被不斷優(yōu)化。對(duì)更好性能的不斷追求導(dǎo)致了復(fù)雜的深度神經(jīng)網(wǎng)絡(luò)的誕生[4]。

大多數(shù)研究使用1個(gè)數(shù)據(jù)集訓(xùn)練機(jī)器學(xué)習(xí)過(guò)程，另一個(gè)獨(dú)立數(shù)據(jù)集測(cè)試其性能。一些研究使用常見(jiàn)的驗(yàn)證方法，例如留一法交叉驗(yàn)證[8]。為增加訓(xùn)練數(shù)據(jù)，一些研究采用了隨即裁剪、調(diào)整大小、平移、沿任一軸翻轉(zhuǎn)的數(shù)據(jù)增強(qiáng)方法。數(shù)據(jù)集包括了陰性和陽(yáng)性圖像的結(jié)果。

目前已經(jīng)有53項(xiàng)研究使用了AI來(lái)檢測(cè)惡性和癌前腸道病變（表1）。從方法學(xué)上看，其中大部分（48項(xiàng)）集中在內(nèi)鏡上，3項(xiàng)研究使用了提取自電子病歷的臨床和生物學(xué)數(shù)據(jù)（主要包括人口統(tǒng)計(jì)數(shù)據(jù)、心血管疾病、用藥情況、消化癥狀和血液計(jì)數(shù)情況），1項(xiàng)研究基于血清腫瘤標(biāo)志物，1項(xiàng)使用腸道微生物群數(shù)據(jù)。從部位上看，其中，27項(xiàng)研究致力于提高結(jié)直腸息肉或癌癥的診斷準(zhǔn)確性[12-38].19項(xiàng)研究聚焦于診斷上消化道癌前或惡性病變[39-57]。只有4項(xiàng)研究局限于小腸研究[58-61]。3項(xiàng)研究關(guān)注了整個(gè)消化道[62-64]。從驗(yàn)證方法上看，其中，24項(xiàng)研究采用特殊的驗(yàn)證方法，主要是K折交叉驗(yàn)證。對(duì)于以內(nèi)鏡為重點(diǎn)的研究，訓(xùn)練和測(cè)試數(shù)據(jù)集的大小在不同的研究中差異很大。各項(xiàng)研究的性能表現(xiàn)也是差異巨大的（個(gè)人認(rèn)為主要取決于數(shù)據(jù)集），但大多數(shù)算法的精度達(dá)到80%以上。
兩項(xiàng)已發(fā)表的隨機(jī)對(duì)照實(shí)驗(yàn)比較了智能與非智能內(nèi)鏡的性能。第一項(xiàng)研究測(cè)試了一種實(shí)時(shí)深度學(xué)習(xí)系統(tǒng)（WISENSE）的性能，監(jiān)測(cè)食管胃十二指腸鏡檢查（EGD）中的盲點(diǎn)。一共324名患者被隨機(jī)分配到有或者沒(méi)有WISENSE系統(tǒng)的EGD中。在WISENSE組中，準(zhǔn)確度達(dá)到了90.4%，其盲點(diǎn)率明顯比對(duì)照組低（5.9% vs 22.5%）[65]。第二項(xiàng)研究探討了基于DL的自動(dòng)息肉檢測(cè)系統(tǒng)在結(jié)腸鏡檢查中的作用，一共1058名患者被隨機(jī)分配到有或者沒(méi)有智能輔助系統(tǒng)的診斷性結(jié)腸鏡檢查中。人工智能系統(tǒng)將腺瘤檢出率從20.3%顯著提高到29.1%，平均每個(gè)病人檢出的腺瘤數(shù)目從0.31增加到0.53[66]。這些結(jié)果表明，人工智能系統(tǒng)可用于提高內(nèi)鏡對(duì)胃腸道癌前病變的診斷價(jià)值。
除了提高診斷準(zhǔn)確性外，人工智能還可以幫助醫(yī)生確定消化道腫瘤患者的預(yù)后。一個(gè)基于1219例結(jié)直腸癌患者的數(shù)據(jù)集建立的神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的COX回歸模型相比，提供了更精確的生存時(shí)間和影響因素的確定[67]，并可用于確定患者遠(yuǎn)處轉(zhuǎn)移的風(fēng)險(xiǎn)[68]。采用人工神經(jīng)網(wǎng)絡(luò)模型對(duì)452例胃癌患者進(jìn)行評(píng)估，并以大約90%的準(zhǔn)確率確定生存時(shí)間[69]。在一項(xiàng)對(duì)117例II A期結(jié)腸癌根治術(shù)后患者的研究中，一種基于神經(jīng)網(wǎng)絡(luò)的評(píng)分系統(tǒng)，根據(jù)腫瘤的分子特征，將腫瘤術(shù)后患者分為高、中、低危三組，三組患者十年總體生存率和無(wú)病生存率差異顯著[70]。深度學(xué)習(xí)預(yù)測(cè)局部晚期直腸癌患者對(duì)新輔助化療有完全反應(yīng)的準(zhǔn)確率達(dá)80%，這項(xiàng)技術(shù)可能被用來(lái)識(shí)別最有可能從保守治療或根治性切除中受益的患者[71]。另外，一個(gè)基于DL的模型可以根據(jù)臨床、病理數(shù)據(jù)及治療方案，預(yù)測(cè)1190例胃癌患者5年的生存期。該系統(tǒng)的AUC值為0.92，并確定了腫瘤的分子特征與最佳輔助治療之間的關(guān)系[72]。

AI已經(jīng)被用于識(shí)別炎癥性腸?。↖BDs）（N=6）[73-78]，潰瘍（N=6）[79-84]，脂瀉?。∟=5）[85-89]，淋巴管擴(kuò)張（N=1）[90]，和鉤蟲?。∟=1）[91]，兩項(xiàng)研究評(píng)估了炎性病變患者的內(nèi)鏡檢查結(jié)果[92,93]。兩項(xiàng)研究使用電子病歷來(lái)確定患者患腹腔疾病的風(fēng)險(xiǎn)，1項(xiàng)研究使用遺傳因素來(lái)確定患者患IBD的風(fēng)險(xiǎn)。三分之二（21項(xiàng)中的14項(xiàng)）的研究使用K折交叉驗(yàn)證，以避免數(shù)據(jù)的過(guò)度擬合，這21項(xiàng)中有12項(xiàng)研究的患者的患者準(zhǔn)確率約為90%。
許多研究已經(jīng)驗(yàn)證了AI預(yù)測(cè)IBD患者治療反應(yīng)的能力。Waljee等人利用年齡和實(shí)驗(yàn)室數(shù)據(jù)研發(fā)了一種機(jī)器學(xué)習(xí)方法，這種方法的成本較低，且比6-硫鳥嘌呤核苷酸（6-TGN）代謝物測(cè)定更準(zhǔn)確地預(yù)測(cè)患者對(duì)噻嘌呤的臨床反應(yīng)（AUC 0.86 vs 0.60）[94]。然后，他們根據(jù)生物標(biāo)志物、影像學(xué)數(shù)據(jù)和內(nèi)鏡檢查結(jié)果，改進(jìn)了之前的ML模型，以預(yù)測(cè)接受硫嘌呤治療的患者的客觀緩解。該ML模型優(yōu)于6-TGN水平的測(cè)量（AUC 0.79 vs 0.49）[95]。一種ML模型分析了韋多利單抗治療潰瘍性結(jié)腸炎患者的三期臨床試驗(yàn)數(shù)據(jù)，與第6周AUC為0.71的糞便鈣保護(hù)水平相比。AI能夠預(yù)測(cè)哪些患者將在第52周時(shí)在無(wú)皮質(zhì)類固醇的前提下實(shí)現(xiàn)內(nèi)鏡下緩解，預(yù)測(cè)性能的AUC值為0.73。因此，韋多利單抗在前6周的益處不明顯時(shí)，該算法可用于選擇患者繼續(xù)使用韋多利單抗[96]。另外，還有一種人工智能算法，它將微生物群的數(shù)據(jù)與臨床數(shù)據(jù)結(jié)合起來(lái)，確定了IBD患者的臨床反應(yīng)，其預(yù)測(cè)患者抗整合治療的AUC為0.78[97]。一種神經(jīng)網(wǎng)絡(luò)鑒定潰瘍性結(jié)腸炎患者在細(xì)胞置換治療后，需要進(jìn)一步手術(shù)的敏感性和特異性分別達(dá)到了0.96和0.87[98]。
預(yù)測(cè)IBD發(fā)病或進(jìn)展的人工智能系統(tǒng)也正在研發(fā)中。一種分析克羅恩病患者早期活檢圖像的神經(jīng)網(wǎng)絡(luò)在識(shí)別疾病進(jìn)展的準(zhǔn)確性達(dá)到了83.3%，預(yù)測(cè)患者需要手術(shù)的準(zhǔn)確度達(dá)到了86.0%[99]。Waljee等人建立一種ML方法分析電子病歷數(shù)據(jù)，預(yù)測(cè)6個(gè)月內(nèi)IBD相關(guān)的住院和門診病人使用類固醇的AUC值達(dá)到了0.87[100]。人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)IBD患者臨床復(fù)發(fā)的頻率，具有較高的準(zhǔn)確性[101]。

十二項(xiàng)研究已經(jīng)被用于驗(yàn)證AI在無(wú)限膠囊內(nèi)鏡圖像中檢測(cè)小腸出血的能力（表3）[55，102-112]。12項(xiàng)中的8項(xiàng)研究采用特殊的驗(yàn)證技術(shù)，主要是K折交叉驗(yàn)證。在這些研究中，9項(xiàng)研究識(shí)別小腸出血的準(zhǔn)確率超過(guò)了90%。
對(duì)于急性上消化道出血或下消化道出血的患者，可通過(guò)內(nèi)鏡檢查輕松確定出血原因，然而，很大一部分病人有反復(fù)出血的情況，這需要重復(fù)內(nèi)鏡檢查和治療。因此，ML模型被開發(fā)以確定有復(fù)發(fā)性出血風(fēng)險(xiǎn)的患者和最有可能需要治療的患者，并估計(jì)死亡率。這些模型使用臨床和/或生物數(shù)據(jù)，并以大約90%的準(zhǔn)確率識(shí)別這些患者[113-117]。一種建立在22854名胃潰瘍患者的回顧性分析和1265名用于驗(yàn)證的患者基礎(chǔ)上的ML模型，能夠根據(jù)患者的年齡、血紅蛋白水平、胃潰瘍、胃腸道疾病、惡性腫瘤和感染來(lái)確定復(fù)發(fā)性潰瘍出血的患者。模型確定1年內(nèi)復(fù)發(fā)性潰瘍出血的患者，AUC為0.78，準(zhǔn)確率為84.3%。

22項(xiàng)研究測(cè)試了AI在輔助胰腺疾病或肝臟疾病診療中的能力（表4）。其中關(guān)于胰腺癌的AI系統(tǒng)有6項(xiàng)，其中5項(xiàng)研究基于內(nèi)鏡超聲[118-122]、1項(xiàng)基于血清標(biāo)記物[123]。這些研究識(shí)別胰腺癌患者的AUC約為90%。16項(xiàng)關(guān)于肝臟的研究中7項(xiàng)研究旨在檢測(cè)與病毒性肝炎相關(guān)的纖維化[124-130]，6項(xiàng)開發(fā)了人工智能策略檢測(cè)非酒精性脂肪肝[131-136]。2項(xiàng)研究識(shí)別食管靜脈曲張[137,138]。1項(xiàng)評(píng)估患者不明原因的慢性肝病[139]。其中，13項(xiàng)研究使用電子病歷和、或生物特征的數(shù)據(jù)建立算法，3項(xiàng)研究使用彈性成像數(shù)據(jù)。除2項(xiàng)外，所有研究都使用了特定的驗(yàn)證技術(shù) ，主要是k-折疊交叉驗(yàn)證。這些模型的精度約為80%。
除了提高診斷準(zhǔn)確性外，還需要確定病人預(yù)后和預(yù)測(cè)疾病進(jìn)展的AI方法。Pearce等人建立了一個(gè)ML模型，根據(jù)APACHE II評(píng)分和C反應(yīng)蛋白水平來(lái)預(yù)測(cè)急性胰腺炎患者的嚴(yán)重程度。他們模型的AUC值達(dá)到了0.82，敏感度87%，特異度71%[140]。Hong等人根據(jù)急性胰腺炎患者的年齡、紅細(xì)胞壓積、血清葡萄糖和鈣水平以及尿素氮水平，創(chuàng)建了一個(gè)ANN來(lái)評(píng)估患者的持續(xù)性器官衰竭，準(zhǔn)確率達(dá)96.2%[141]。Jovanovic等人開發(fā)了一種ANN模型，根據(jù)臨床、實(shí)驗(yàn)室和經(jīng)皮超聲檢查結(jié)果，識(shí)別膽總管結(jié)石病患者進(jìn)行治療性內(nèi)鏡逆行胰膽管造影術(shù)的需求，其AUC為0.88[142]。
Banerjee等人開發(fā)了一種基于臨床和實(shí)驗(yàn)室數(shù)據(jù)的人工神經(jīng)網(wǎng)絡(luò)，以90%的準(zhǔn)確性確定肝硬化患者將在1年內(nèi)死亡的可能性，該模型可用于確定肝移植的最佳候選者[143]。Konerman等人基于臨床、實(shí)驗(yàn)室和病理組織學(xué)數(shù)據(jù)建立了一個(gè)機(jī)器學(xué)習(xí)模型，識(shí)別慢性丙型病毒感染肝炎患者疾病進(jìn)展的最高風(fēng)險(xiǎn)，以及肝臟相關(guān)性結(jié)果（肝相關(guān)死亡、肝失代償、肝細(xì)胞癌、肝移植或Child-Pugh評(píng)分增加到7分），該模型在1007名患者的驗(yàn)證集中AUC值達(dá)到了0.708。Khosravi等人建立了一種神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)1168名肝移植患者的生存期。該模型可估計(jì)1-5年的生存概率，AUC為86.4%，而Cox比例風(fēng)險(xiǎn)回歸模型為80.7%[146]。研究人員還利用人工神經(jīng)網(wǎng)絡(luò)將肝臟捐獻(xiàn)者與接受者配對(duì)，從而提供強(qiáng)有力的決策技術(shù)[147]。此外，ML模型可以幫助預(yù)測(cè)對(duì)治療的反應(yīng)。Takayama等人建立了一種ANN預(yù)測(cè)慢性丙型病毒感染肝炎患者對(duì)聚乙二醇化干擾素a-2b聯(lián)合利巴韋林治療的反應(yīng)，預(yù)測(cè)的敏感度達(dá)到了82%，特異度達(dá)到了88%。

人工智能將成為胃腸病和肝病學(xué)家診斷患者、選擇治療手段和預(yù)測(cè)預(yù)后的重要手段。許多方法都是在這些目標(biāo)下發(fā)展起來(lái)的，并展示出不同的性能水準(zhǔn)。由于性能指標(biāo)的差異，很難比較這些研究的結(jié)果。人工智能似乎在內(nèi)鏡下特別有價(jià)值，它可以增加對(duì)惡性和癌前病變、炎癥病變、小腸出血和胰膽紊亂的檢測(cè)。在肝臟學(xué)中，人工智能技術(shù)可以用來(lái)確定患者肝纖維化的風(fēng)險(xiǎn)，并允許一些患者避免肝活檢。
我們的綜述只涵蓋了PubMed中列出的文章，并且可能錯(cuò)過(guò)了計(jì)算機(jī)科學(xué)和醫(yī)學(xué)圖像分析期刊上的一些出版物。盡管如此，在過(guò)去的20年里，人工智能已經(jīng)成為胃腸病學(xué)和肝臟學(xué)研究的重要組成部分。盡管本文的綜述的重點(diǎn)是輔助診斷和預(yù)后，但是其他研究方向的人工智能也正在被探索，例如基于機(jī)器學(xué)習(xí)的內(nèi)鏡質(zhì)控評(píng)估（盲腸標(biāo)志，機(jī)器學(xué)習(xí)評(píng)估檢測(cè)結(jié)腸鏡的后續(xù)建議），AI在胃腸道領(lǐng)域的應(yīng)用也在不斷被擴(kuò)大。
值得注意的是，目前的AI技術(shù)受的高質(zhì)量數(shù)據(jù)集的缺乏所限制。大多數(shù)用于開發(fā)ML算法的證據(jù)來(lái)自臨床前研究，目前在臨床實(shí)踐中沒(méi)有應(yīng)用。此外，DL算法被認(rèn)為是黑箱模型，黑箱模型很難理解決策過(guò)程，阻止醫(yī)生發(fā)現(xiàn)潛在的混雜因素?？紤]道德挑戰(zhàn)也很重要，人工智能不知道病人的偏好或法律責(zé)任。如果發(fā)生內(nèi)鏡誤診，誰(shuí)有責(zé)任-內(nèi)鏡醫(yī)生、程序員或制造商？此外，在確定與病毒性肝炎有關(guān)的肝臟纖維化風(fēng)險(xiǎn)時(shí)，種族歧視等固有偏置容易被納入人工智能算法，特別是在肝臟學(xué)領(lǐng)域。在開發(fā)人工智能模型時(shí)，重要的是要考慮這些因素，并在一系列人群中驗(yàn)證模型。醫(yī)學(xué)總是有內(nèi)在的不確定性，因此完美的預(yù)測(cè)是不可能的，一些與人工智能相關(guān)的研究空白在胃腸學(xué)和肝臟學(xué)領(lǐng)域仍有待研究（表5）。
在胃腸病學(xué)和肝病學(xué)方面，人工智能的發(fā)展是沒(méi)有回頭路可走的，未來(lái)的影響是巨大的。使用人工智能可以增加在發(fā)展中地區(qū)的人們獲得護(hù)理的機(jī)會(huì)，特別是在評(píng)估患者患病毒性肝炎或腸道寄生蟲病的風(fēng)險(xiǎn)方面。智能手機(jī)可以使用人工智能技術(shù)遠(yuǎn)程監(jiān)測(cè)患者的健康，IBD患者居家測(cè)量糞便鈣保護(hù)素的方法已經(jīng)被建立[149]。人工智能還可以通過(guò)從大型患者數(shù)據(jù)集中集成分子、遺傳和臨床數(shù)據(jù)來(lái)識(shí)別新的治療靶點(diǎn)。然而，人工智能不會(huì)完全取代醫(yī)生，人工智能仍將輔助醫(yī)生工作。雖然機(jī)器可以做出準(zhǔn)確的預(yù)測(cè)，但最終，醫(yī)護(hù)人員必須根據(jù)病人的喜好、環(huán)境和道德為他們的病人做出決定。

本文地址:http://www.mcys1996.com/jiankang/263821.html.

聲明： 我們致力于保護(hù)作者版權(quán)，注重分享，被刊用文章因無(wú)法核實(shí)真實(shí)出處，未能及時(shí)與作者取得聯(lián)系，或有版權(quán)異議的，請(qǐng)聯(lián)系管理員，我們會(huì)立即處理，本站部分文字與圖片資源來(lái)自于網(wǎng)絡(luò)，轉(zhuǎn)載是出于傳遞更多信息之目的,若有來(lái)源標(biāo)注錯(cuò)誤或侵犯了您的合法權(quán)益，請(qǐng)立即通知我們(管理員郵箱：douchuanxin@foxmail.com)，情況屬實(shí)，我們會(huì)第一時(shí)間予以刪除，并同時(shí)向您表示歉意,謝謝!

上一篇: 質(zhì)檢總局防止發(fā)布公告：安哥拉黃熱病傳···

下一篇: 急性盆腔炎和宮頸納氏囊腫