综述：人工智能在肥厚型心肌病与生理性肥大的鉴别诊断中的应用：一项综述性研究

《Hellenic Journal of Cardiology》：Artificial intelligence in the differential diagnosis of hypertrophic cardiomyopathy and physiological hypertrophy: a scoping review

　　阿斯特里奥斯·德利吉安尼斯（Asterios Deligiannis）|乔治奥斯·博博蒂斯（Georgios Bobotis）|潘塔齐斯·德利吉安尼斯（Pantazis Deligiannis）|玛丽亚·阿尼法蒂（Maria Anifanti）|埃万杰利亚·库伊迪（Evangelia Kouidi）
塞萨洛尼基亚里士多德大学医学院运动医学实验室，希腊塞萨洛尼基

**摘要**
**背景**
肥厚型心肌病（HCM）是最常见的遗传性心肌疾病，也是年轻人和竞技运动员突发心脏死亡的主要原因。在临床上，区分HCM和运动引起的生理性肥厚至关重要，尤其是在形态学和功能参数重叠的诊断“灰色地带”。人工智能（AI），包括机器学习（ML）和深度学习（DL），已成为从复杂的心血管数据集中提取潜在诊断信息的方法框架。然而，其在区分HCM和运动员心脏方面的应用范围仍不明确。

**方法**
根据Arksey和O’Malley的方法论以及PRISMA-ScR指南进行了范围审查。搜索了四个电子数据库（PubMed、Scopus、Web of Science、IEEE Xplore）（截至2025年10月），寻找使用AI/ML来区分HCM和左心室肥厚的生理或其他原因的原始研究。纳入标准包括确诊的HCM患者群体、使用AI分析方法以及报告诊断性能指标。数据提取关注了数据来源、数据类型、模型架构、性能指标以及是否存在特定于运动员的队列。

**结果**
有八项研究符合纳入标准。只有一项研究直接比较了HCM和运动员心脏，使用了基于变形的心脏超声参数和支持向量机分类（AUC 0.93）。其余研究使用心电图（ECG）、心脏超声、放射组学或基于视频的AI分析来检查HCM与高血压性或非病理性肥厚，AUC值在0.89到0.96之间。未发现最近的特定于运动员的数据集。

**结论**
AI通过先进的成像和心电图模式分析显示出增强HCM鉴别诊断的强大潜力。然而，由于缺乏来自运动员的数据集和有限的外部验证，其在运动心脏病学中的临床应用受到显著限制。未来的研究应优先考虑可解释的多模态模型和专门的运动员队列。

**引言**
肥厚型心肌病（HCM）是最常见的遗传性心脏疾病，估计在普通人群中的患病率为约1:500。HCM的特点是左心室不对称性肥厚、舒张功能障碍和心肌纤维化，常伴有动态的左心室流出道阻塞。它与心力衰竭和突发心脏死亡的风险增加有关，尤其是在年轻人和竞技运动员中[1]。尽管遗传学和心脏成像技术有所进步，但区分HCM和生理性、运动引起的心脏重塑仍然是一个主要的诊断挑战。
“运动员心脏”指的是对持续高强度训练的生理性、可逆的心肌适应，通常表现为对称性心室肥厚、保留的舒张功能以及正常或增强的收缩功能[2]。然而，在肥厚的“灰色地带”（左心室壁厚度在12至15毫米之间），生理性和病理性形式之间的形态学和功能特征可能重叠，即使对于经验丰富的临床医生来说也难以准确区分[3]。这一挑战因特定于运动的心脏重塑模式而加剧，而当前的诊断标准尚未完全捕捉到这些模式[4]。
准确区分HCM和生理性肥厚具有重要的临床意义，影响运动资格、风险分层和突发心脏死亡的预防[2,5,6]。误分类可能导致不必要的运动限制或未能识别出高风险个体。
人工智能（AI），包括机器学习（ML）和深度学习（DL），已成为分析复杂心血管数据集的强大方法。通过整合心电图、心脏超声、心脏磁共振成像和临床变量，AI可以识别出传统分析难以发现的诊断模式[7, 8, 9, 10, 11]。然而，AI在运动心脏病学中的应用仍然有限。大多数现有研究集中在非运动员人群或区分HCM与其他病理形式的肥厚上，对生理性运动重塑的关注较少[12, 13, 14, 15, 16, 17, 18]。因此，AI在区分HCM和运动员心脏方面的作用程度仍不清楚。在此背景下，本研究旨在系统地梳理基于AI的方法在区分HCM和生理性肥厚方面的现有文献，描述当前的方法趋势，并确定限制其在运动心脏病学中临床应用的关键研究空白。

**材料与方法**
我们进行了范围审查，以探讨人工智能（AI）和机器学习（ML）在区分肥厚型心肌病（HCM）和生理性肥厚方面的应用，特别关注运动员心脏。选择范围审查方法是因为目标不是估计汇总效应量，而是描绘当前的证据格局、识别知识空白并描述技术趋势。

**方法论框架**
该审查采用了Arksey和O’Malley提出的五阶段方法论框架[19]，该方法为识别、组织和总结现有证据提供了结构化的方法。通过遵循PRISMA-ScR指南（Tricco等人，2018年）[20]，进一步确保了程序透明度和报告一致性：
1. 定义研究问题。
2. 系统性文献搜索。
3. 研究选择。
4. 数据提取和映射。
5. 综合和报告。

**研究问题**
“目前AI/ML在区分HCM和生理性肥厚（包括运动员心脏）方面的应用有哪些？”

**文献搜索策略**
截至2025年10月，在PubMed、Scopus、Web of Science和IEEE Xplore中进行了全面搜索，使用以下查询：
("hypertrophic cardiomyopathy" OR "HCM") AND ("athlete’s heart" OR "physiological hypertrophy" OR "exercise-induced hypertrophy") AND ("artificial intelligence" OR "machine learning" OR "deep learning" OR "AI-ECG" OR "AI-Echo" OR "radiomics")。
为了最大化覆盖范围，还在Google Scholar中进行了补充的手动搜索，包括反向和正向引用跟踪，以捕获最近或尚未被索引的出版物。

**纳入标准**
（原始研究、探索性或验证研究）：
1. 使用AI/ML/DL方法。
2. 包括HCM患者。
3. 具有区分HCM与生理性肥厚或其他LVH病因的诊断目标。
4. 报告定量性能指标（AUC、敏感性、特异性、准确性）。

**排除标准**：
综述文章；病例报告；没有全文的记录；仅关注非HCM LVH的研究；临床前/动物/计算机模拟研究；缺乏定量性能指标的研究。

**研究选择**
搜索产生了412条记录。去除89条重复项并筛选标题和摘要后，评估了36篇全文文章；8项研究符合所有标准并被纳入（图1）。筛选和选择由两位评审员（一位心脏病专家和一位AI专家）独立完成，分歧通过共识解决。Cohen’s κ = 0.89，表明评审者之间有很好的一致性。

**下载：** 下载高分辨率图像（219KB）
**下载：** 下载全尺寸图像

**图1. PRISMA流程图**

**质量评估和分析策略**
使用来自CONSORT-AI和SPIRIT-AI指南[21]的标准评估了方法论透明度和报告质量，这些指南为结合人工智能的临床研究提供了结构化标准。评估重点关注数据来源的清晰度、模型架构和训练程序的描述，以及内部和外部验证的存在。特别关注研究是否报告了可解释性方法，因为这对临床决策支持很重要。
数据提取使用PRISMA-ScR对齐的模板进行。对于每项研究，记录了研究设计、人群特征、数据类型（心电图、心脏超声、心脏磁共振成像、光电容积描记法）、算法类型（例如SVM、CNN、LSTM）和诊断性能指标（AUC、敏感性、特异性、准确性）。特别记录了特定于运动员的队列和外部验证的程度，因为它们对运动心脏病学的应用性很重要。由于方法论和结果测量的异质性，进行了描述性综合。跨研究比较了诊断性能，并进行了定性评估，以评估训练流程的稳健性、架构的复杂性以及所展示的泛化程度。研究选择和数据提取由两位评审员独立完成，分歧通过共识解决。尽管方法论严谨性总体上是充分的，但外部队列验证不足和模型训练工作流程披露不完整限制了当前AI方法的可重复性和临床转移性，特别是在运动员人群中。

**结果**
在最初识别的412篇出版物中，有8项研究符合纳入标准并被纳入最终分析。所有纳入的研究都使用了人工智能技术（AI、机器学习或深度学习）进行左心室肥厚（LVH）的诊断或鉴别诊断，基于客观成像或心电图数据（心脏超声、ECG或放射组学），并报告了定量性能指标（AUC、敏感性、特异性、准确性）。
总体证据格局揭示了两个主要主题类别（表1）：
• 组A：明确讨论HCM与运动员心脏的研究。
• 组B：区分HCM与其他LVH表型的研究（例如高血压性、代谢性或非特异性生理性肥厚）。

**表1. 符合纳入标准的研究总结**
| 研究 | 年份 | 数据类型 | 人群 | 算法 | AUC | 准确性 | 主要发现 |
|------|------|------|------|------|------|------|
| Narula (2016) | 心脏超声（2D/3D） | HCM, 运动员 | SVM | 0.93 | 93% | 在区分HCM和运动员心脏方面具有高诊断准确性。 |
| Green (2019) | PPG（可穿戴设备） | HCM, 健康对照组 | CNN | 0.91 | 90% | 使用可穿戴PPG检测HCM，显示出院外筛查的潜力。 |
| Ko (2020) | 心脏超声 | HCM, 健康对照组 | CNN | 0.94 | 92% | AI增强的ECG即使在亚临床阶段也能识别HCM。 |
| Duffy (2022) | 心脏超声视频 | 多中心 | 深度CNN | 0.93 | 91% | 通过深度心脏超声视频分析自动分类LVH病因。 |
| Li (2023) | 心脏超声 + 放射组学 | 多中心 | 深度学习 | 0.92 | 90% | 放射组学特征有助于区分左心室肥厚的原因。 |
| Hirota (2024) | 心电图 | 专门中心 | CNN | 0.94 | 91% | 在以HCM为重点的临床环境中训练的AI-ECG提高了诊断特异性。 |
| Siontis (2024) | 心电图 | 多中心, 国际 | CNN | 0.95 | 93% | AI-ECG在不同国际人群中具有强大的外部验证。 |
| Moon (2025) | 心脏超声 放射组学 | HCM | 混合CNN | 0.94 | 使用AI-放射组学方法检测早期/亚临床形式的HCM。 |

**缩写说明：**
HCM：肥厚型心肌病；LVH：左心室肥厚；Echo：心脏超声；ECG：心电图；PPG：光电容积描记法；Radiomics：定量成像特征提取；SVM：支持向量机；CNN：卷积神经网络；Deep CNN：深度卷积神经网络；Hybrid CNN：混合卷积神经网络；AUC：ROC曲线下面积；Accuracy：分类准确性。

在识别的证据基础上，只有一项研究——Narula等人（2016）[22]——专门研究了肥厚型心肌病（HCM）与训练有素的运动员的生理性心肌重塑之间的鉴别诊断。相比之下，所有其他纳入的研究都集中在区分HCM与其他左心室肥厚原因（如高血压性或非病理性适应性肥厚）上，没有纳入特定于运动员的队列[13,14,17,23,24,25,26]。尽管这些研究不是在运动心脏病学背景下设计的，但它们仍然提供了重要的方法学和转化见解，特别是在检测区分病理性和生理性肥厚重塑的微妙结构、功能和电生理特征方面。总体而言，它们为将基于AI的诊断框架扩展到运动员人群提供了概念基础，同时也强调了需要专门针对运动员的数据集以确保可靠的临床应用性。

**HCM与运动员心脏**：
Narula等人的研究[22]是唯一来自特定运动员人群的数据集，包括275名个体（120名HCM患者、85名精英竞技运动员和70名健康对照组）。研究人员使用二维和三维心脏超声，基于变形衍生的心肌应变指标（全局纵向应变、顶端扭转和周向应变）应用支持向量机（SVM）分类。所得模型的AUC为0.93，总体诊断准确率为93%，敏感性为90%，特异性为94%，明显优于传统心脏超声指标（如室间隔厚度、E/A比率、E/e’）。这项分析证实，生理性（运动员）肥厚的特点是心肌对称性增厚和舒张及收缩功能的保留，而HCM的特点是不对称性肥厚伴心肌变形受损。

**AI-ECG和AI-Echo在HCM中的应用**：
1. Green等人（2019）[23]将卷积神经网络（CNN）分析应用于一般人群队列的光电容积描记法（PPG）生物传感器数据，AUC为0.91，准确率为90%。
2. Ko等人（2020）[24]使用基于CNN的系统分析了超过12,000份心电图，AUC为0.94，准确率为92%，显示出在出现明显临床症状之前可靠地检测HCM。
3. Duffy等人（2021）[25]使用深度学习视频解释分析了超过45,000份心脏超声，区分HCM、高血压性LVH和生理性肥厚（AUC 0.93），生成了在运动评估中可能相关的表型特异性功能特征。
4. Li等人（2023）[13]开发了一个基于心脏超声的放射组学框架，区分HCM、高血压性LVH和其他肥厚状态（AUC 0.92），强调了定量心肌纹理特征的诊断价值。
5. Hirota等人（2024）[14]证明在专门的心脏病学环境中进行领域特定CNN训练可以提高AI-ECG的性能（AUC 0.94；特异性91%）。
6. Siontis等人（2024）[26]在来自三个大陆的超过20,000份心电图中对AI-ECG进行了外部验证（AUC 0.95；准确率93%），确认了跨人群的可重复性。
7. Moon等人（2025）[17]使用心脏超声放射组学并进行外部验证（AUC 0.94），准确检测了早期/亚临床形式的HCM。

**总体定量和定性解释**：
在纳入的研究中，AI-ECG方法的AUC值一致在0.91–0.96之间，而基于AI的心脏超声模型的AUC值在0.89–0.94之间，支持跨模态的诊断能力大致相当。例如，EchoNet-LVH深度学习模型在多中心影像数据集上的AUC达到了0.93，展示了强大的性能和泛化能力[12,15,22]。综合来看，现有证据表明：
• AI–ECG和AI–Echo方法能够可靠地实现0.90到0.96之间的AUC值，准确率超过90%；
• 基于放射组学的图像量化技术提高了病理性与生理性心肌肥厚的区分能力；
• 可解释AI（XAI）框架的引入在不牺牲性能的情况下支持模型的可解释性；
• 直接应用于运动员筛查的主要障碍是缺乏大规模的、针对特定运动员群体的、经过表型验证的数据集。

**讨论**
本综述强调了人工智能（AI）和机器学习（ML）在心脏病学领域的快速发展，同时也指出了针对肥厚型心肌病（HCM）与生理性肥厚进行准确鉴别诊断的应用相对较少。尽管AI技术取得了显著进展，但研究成果向实际临床实践的转化仍存在不均衡和不足之处。

**主要发现的解释**
对符合纳入标准的八项研究的分析表明，无论算法类型或数据模式如何，AI都能以超过90%的准确率区分HCM和生理性肥厚。值得注意的是，Narula等人的研究[22]是唯一一项直接比较HCM与运动员心脏的研究，该研究使用了基于变形的心脏超声指标（GLS、扭转力学）和SVM分类器，实现了93%的准确率和0.93的AUC。这些发现表明，变形成像比单纯的形态学测量提供了更高的诊断精度。后续研究[13,14,17,23,24,26]证实，深度学习模型能够识别出人类难以察觉的肥厚潜在的结构或电生理特征，其AUC范围在0.90到0.96之间，实现了新的自动化诊断精度水平。然而，这些模型在区分HCM与运动员适应性重塑（处于“灰色地带”）方面的能力仍需进一步研究。值得注意的是，除了Narula等人的研究[22]外，其他研究均未纳入运动员队列，这限制了其结果在运动心脏病学中的普遍适用性。

**生理性与病理性肥厚：鉴别诊断的“灰色地带”**
运动员心脏肥厚是对高强度运动的生理性、可逆的适应反应，其特征是心壁对称性增厚、舒张功能保持正常且无心肌纤维化[2]。它是血流动力学需求增加的相应反应，同时心腔大小和收缩功能不受影响[4]。相比之下，HCM是一种由基因决定的疾病，其特征是心室间隔不对称性增厚、心肌细胞紊乱和间质纤维化——这些结构异常在停止运动后不会消退[3]。
“灰色地带”指的是生理性（尤其是运动员性）肥厚与病理性肥厚之间的诊断重叠区域，通常涉及心室间隔厚度在12–15毫米之间的病例[1,5,6]。即使经验丰富的影像专家也可能因形态学和功能特征的重叠而难以做出准确区分[3,4]。在这种情况下，AI通过整合多参数数据（心脏超声、心电图、应变指标、人口统计变量）并识别出人类视觉无法发现的非线性表型模式，提供了独特的价值。

**AI在临床实践和运动心脏病学中的应用**
计算和统计建模在推进生理性肥厚与HCM的鉴别诊断中发挥了关键作用。Pagourelias等人（2013）[27]开发了一个基于自举优化的多参数统计模型，识别出七个关键诊断标志物（如IVST、BNP、E/A比值），实现了0.958的AUC，用于区分HCM和运动员心脏肥厚。类似地，Deligiannis等人（2012）[28]在并行计算MapReduce框架内应用了基于规则的机器学习，通过处理大规模医疗数据实现了接近线性的计算加速，从而能够识别轻度HCM。这些研究预示了现代基于AI的心脏病诊断设计逻辑的发展方向。
AI工具在预防性运动心脏病学中的整合有可能改变运动员的评估方式。AI–ECG应用通过自动化心电图数据分析实现了大规模人群的无症状筛查，有助于早期发现病理性肥厚[22]。同时，集成在便携式超声设备中的AI–Echo系统能够以与专业实验室相当的水平自动量化肥厚并评估心肌功能[25]。此外，Maurizi等人开发的“Thick-Heart App”等数字临床工具展示了如何将AI技术从研究环境转化为常规临床护理，提供实时的即时决策支持。
在分析的所有研究中，AI–ECG模型的平均AUC范围为0.91至0.96，表明其在心电图信号中检测HCM的诊断性能非常高。同样，AI–Echo模型的AUC值为0.89–0.94，反映了其在心脏超声成像中的类似准确率。传统的机器学习模型（如支持向量机SVM和随机森林）虽然整体性能略低于深度神经网络（如CNN），但在可解释性方面具有优势。具体而言，这些模型能够揭示个别变量（如心壁厚度、应变指标）对分类结果的影响——这是临床接受度和医生信任AI系统的关键因素[12,15,22,25]。

**超越本综述的研究**
新兴的研究趋势越来越强调结合可解释AI架构的重要性。Manja等人（2022）[12]提出了一个“串联”模型，将AI–ECG输出与包含临床和人口统计变量的逻辑回归相结合，减少了误报并提高了可解释性，表明AI可以从“黑箱”转变为透明的、符合临床需求的决策支持工具。
在更广泛的系统层面，Cau等人（2024）[15]引入了复杂的多模态AI框架，融合了心电图、心脏超声、心脏MRI和生化生物标志物，实现了全面的鉴别诊断。尽管这类系统需要先进的数据标准化和计算基础设施，但它们代表了心脏病学领域AI的发展方向——集成化、多维化和预后稳健。
Ordine等人（2025）[16]强调了特定人群性能的考虑，他们报告称AI–ECG模型在儿科队列中表现出高准确率，但在成人中的表现较差。这一发现表明算法的有效性依赖于人群特征，强调了在不同运动员群体中进行重新校准和外部验证的必要性。
最后，Maurizi等人（2025）[18]开发的基于智能手机的“Thick-Heart App”实现了93%的准确率和97%的特异性，展示了将AI作为日常临床实践中可访问的数字决策支持系统的实际应用途径。与Cau等人的复杂多模态框架相比，Maurizi的方法更注重临床可用性和即时应用。

总之，这四项研究代表了AI在心脏病学领域发展的互补进展。Manja等人强调了可解释、可靠的AI的必要性，并提出了减少误报和提高透明度的策略[12]；Cau等人推动了多模态诊断整合[15]；Ordine等人强调了针对特定人群的模型调整的关键作用[16]；Maurizi等人展示了将AI概念成功转化为临床可用工具[18]。
尽管这些研究因性质或定量数据不完整而未纳入本综述，但它们代表了重要的技术和方法论范式。总体而言，它们展示了AI从研究环境向临床实践的转变，勾勒出了一个人工智能可解释、多模态、适应特定人群且具有临床应用性的未来运动心脏病学。
然而，本综述也指出了当前阻碍AI系统在肥厚型心肌病和生理性肥厚鉴别诊断中全面应用的重大研究空白。最关键的限制是缺乏来自运动员群体的高质量数据集。近期文献中缺乏此类研究，凸显了建立涵盖不同运动项目、训练强度和种族背景的跨国多中心数据库的必要性。只有这样，AI模型才能反映真实的生物学变异，并支持可靠的临床决策。

**加强AI在心脏成像中的应用**
加强AI在心脏成像中的应用还需要使用更具可解释性的算法框架。与诊断输出基础往往不透明的深度学习“黑箱”架构不同，可解释的AI系统能够可视化并解释模型认为重要的特征[12]。这使临床医生能够识别出心脏超声或MRI研究中哪些形态学或功能元素对分类结果产生了影响，从而提高AI在临床决策中的透明度、信任度和安全性。此外，还需要开发结合AI–ECG、AI–Echo、心脏磁共振成像（CMR）、生物标志物以及人口统计和遗传信息的多模态或混合诊断模型。这种整合使得诊断评估基于对心脏重塑的全面生物临床描述，而不仅仅依赖于单一数据源[29,30,31]。这种多参数策略已在风险分层和肥厚鉴别诊断中显示出价值，尤其是在临床表现接近正常的“灰色地带”病例中[32]。最新研究表明，统一处理异构数据流的AI可以生成更稳健和可复制的“诊断指纹”，减少不确定性并提高诊断精度[33]。
除了诊断之外，整合心电图、心脏超声、MRI以及遗传和生化标志物的多模态预后模型还有潜力预测猝死或疾病进展的风险。这些工具可以支持个性化监测，并指导关于运动参与的决策[32,33]。这些模型的采用标志着向基于客观数据的预防性、预后导向的心脏病学转变。

**伦理和道德问题**
区分肥厚型心肌病和运动员心脏对运动安全具有关键影响，因为误报可能导致不必要的取消资格；相反，漏诊可能带来猝死风险。人工智能可以提高诊断的客观性，但其使用引发了重要的伦理和道德问题[34,35,36]。
一个核心问题是算法的可解释性。许多深度学习模型作为“黑箱”运行，限制了对诊断结论形成过程的理解[37]。因此，开发可解释AI（XAI）对于提高透明度、临床可解释性和医生对基于AI系统的信心至关重要[38]。
数据保护也是一个基本要求。敏感生物医学信息的收集和处理必须遵守欧盟的通用数据保护条例（GDPR），并需通过强大的数据治理和网络安全协议进行保护[35,36]。此外，数据集不平衡或代表性不足的样本可能会降低某些群体（如女性、青少年或不同种族背景的运动员）的模型性能。持续评估和使用多样化的、具有代表性的人口统计训练队列是确保跨人群诊断可靠性的必要条件[34,35]。
临床责任问题仍然至关重要。根据《欧洲AI法案》（2024），用于医疗保健的AI系统被归类为“高风险”医疗技术，最终决策权必须掌握在医生手中[39]。此外，必须确保公平的访问权限，防止AI应用导致技术排斥。因此，开发成本可承受、互操作性强且经过临床验证的系统是伦理上的必要要求。

**结论**
人工智能正在重塑心脏病学诊断，开启了自动化、定量化和可解释的肥厚表型分析新时代。尽管当前的AI模型在区分肥厚型心肌病与生理性肥厚方面表现出优异的准确率（AUC > 0.90），但由于缺乏针对特定运动员群体的高质量数据，其在运动心脏病学中的临床应用仍受到限制。
在临床实践中实施AI需要一个结构化的转化框架，包括标准化数据格式、在不同人群和特定运动员群体中外部验证算法，以及提供专门的临床医生培训以解读AI生成的输出。未来的发展将依赖于多模态数据整合（AI–ECG、AI–Echo、心脏MRI、遗传和生化标志物）以及可解释和透明的算法架构。在这些条件下，AI可以作为临床判断的辅助工具，而不是替代品，提高准确性、安全性，并实现个性化风险分层。

**作者贡献**
A.D.构思并监督了这项研究。G.M.参与了临床解释。P.D.参与了AI和计算方法的研究。M.A.负责文献搜索和数据提取。E.K.参与了研究结果的总结和手稿的最终修订。所有作者都审阅并批准了最终手稿。

**出版伦理**
本综述仅基于已发表的数据，未涉及任何人类参与者或可识别的患者信息，因此无需伦理委员会批准。所有来源均按照科学出版标准进行了准确引用。

**关于生成式AI的使用声明**
本手稿的科学内容未使用任何生成式AI系统进行生成、分析或解释。仅在所有作者的监督下进行了有限的语言编辑辅助。作者对最终文本负全部责任。

**提交声明与验证**
本手稿为原创作品，此前未发表过，也未被其他机构考虑用于出版。所有作者均已审阅并同意最终版本，并同意将其提交。

**版权**
作者确认所有表格、图表及文本材料均为原创内容；如需引用他人成果，则已获得适当授权。作品被接受后，版权将转让给出版商。

**责任共享**
本手稿未涉及任何新生成的数据集。所有引用的数据均来自公开发布的已有研究。如需进一步说明或了解研究方法细节，请联系相应作者。

**资金来源**
本手稿的撰写过程中未获得任何外部资助。