人工智能在宮頸癌篩查中的應(yīng)用研究進展*

王嘉旭 薛鵬 江宇 綜述 喬友林 審校

宮頸癌在全球女性惡性腫瘤中占第四位，2020年全球有超60萬新發(fā)和34萬死亡病例［1］。2015年中國約有11萬宮頸癌新發(fā)和3萬死亡病例［2］，發(fā)病率和死亡率呈逐年升高趨勢，宮頸癌防治已刻不容緩。2018年，世界衛(wèi)生組織（WHO）發(fā)起并制定了2030年全球消除宮頸癌防控策略［3］，其目的是進一步擴大對宮頸癌的預防、篩查和治療。盡管篩查是有效的防治策略［4］，但國內(nèi)基層的從事宮頸細胞學專業(yè)人員和陰道鏡醫(yī)生資源能力有限，一定程度上制約了宮頸癌篩查［5］。因此，如何提升細胞學和陰道鏡醫(yī)生的診斷水平成為國內(nèi)宮頸癌篩查中的難點。

近年來，隨著人工智能（artificial intelligence，AI）的迅速發(fā)展，其在醫(yī)學圖像領(lǐng)域已經(jīng)獲得廣泛的應(yīng)用［6-8］。本研究將對AI的發(fā)展情況，AI輔助宮頸細胞學檢測和陰道鏡診斷系統(tǒng)的最新研究進行綜述。

1 人工智能的發(fā)展

近年來，AI得到迅速的發(fā)展，機器學習被廣泛地應(yīng)用于圖像識別等領(lǐng)域。作為機器學習的重要分支（圖1），深度學習在圖像識別領(lǐng)域中表現(xiàn)出優(yōu)異的性能［9］。深度學習是一種通過組合低層次特征形成高層次特征，進而發(fā)現(xiàn)數(shù)據(jù)內(nèi)在特征的多層次神經(jīng)網(wǎng)絡(luò)模型［10］（圖2）。目前，已有多個深度學習算法模型用于細胞學和陰道鏡圖像分類中［11］。

圖1 AI、機器學習和深度學習關(guān)系

2 AI輔助診斷系統(tǒng)的建立及驗證

AI輔助診斷系統(tǒng)的建立和驗證大致包括以下步驟：1）對于患者的宮頸細胞學組織，采用ThinPrep 或其他液基細胞學制片方法，在經(jīng)過自動移液、梯度離心、細胞沉降、固定以及染色沖洗等規(guī)范化處理后制成液基細胞涂片，使用顯微鏡拍攝生成數(shù)字化液基細胞學圖像［12-13］；2）對于陰道鏡圖像，亦包括生理鹽水圖像、3%～5%醋酸染色圖像和碘染色圖像；3）將患者的宮頸細胞學或陰道鏡圖像分為訓練集和驗證集，根據(jù)病理診斷的金標準結(jié)果對圖像進行標注；4）AI 通過訓練集數(shù)據(jù)建立圖像和標注的關(guān)系，進而實現(xiàn)對驗證集圖像的自動標注［14］（圖3），再根據(jù)模型預測結(jié)果計算相關(guān)統(tǒng)計指標［15］（圖4）。

圖3 圖像標注模型的一般框架

3 AI系統(tǒng)的診斷性能

3.1 宮頸細胞學方面

Bao等［13］研究對2 145例患者的細胞學圖像進行AI 模型的訓練和驗證，測得模型檢出宮頸上皮內(nèi)瘤變（cervical intraepithelial neoplasia，CIN）2 級及以上（CIN2+）病變的受試者工作特征曲線下面積（area un?der the curve，AUC）為0.762；之后又對703 103例患者的細胞學圖像進行AI 模型的訓練和驗證，測得該模型檢出CIN2+病變的靈敏度為90.1%［16］。Wentzensen等［12］研究對602 例患者的細胞學圖像進行模型的訓練和驗證，測得模型檢出CIN3 級及以上（CIN3+）病變的AUC 為0.74。Yu 等［17］研究對1 839 例患者的細胞學圖像和HPV 檢測結(jié)果進行模型的訓練和驗證，測得該模型檢出CIN2+病變的AUC為0.71，見表1。

圖4 AI模型的建立及驗證流程

3.2 陰道鏡方面

Hu 等［18］研究對9 406 例患者的子宮頸造影圖像進行模型的訓練及驗證，測得模型診斷CIN2+病變的AUC為0.91。Yuan等［19］研究對22 330例患者的電子陰道鏡圖像進行模型的訓練及驗證，測得子宮頸病變等級分類模型的靈敏度為85.38%，宮頸病變區(qū)域預測模型的醋酸染色和碘染色圖像的準確度分別為95.59%和95.70%。Cho 等［20］研究對791 例患者的光學陰道鏡圖像進行2 個AI 模型的訓練與驗證，使用CIN 分類時模型的平均準確度分別為48.6%和51.7%；使用鱗狀上皮內(nèi)病變（squamous intraepitheli?al lesion，SIL）分類［21］時，模型的平均準確度分別為71.8%和74.4。Miyagi 等［22］研究對253 例患者的陰道鏡圖像和臨床信息進行AI 分類模型訓練和驗證，測得AI 模型的靈敏度為95.6%、特異度為83.3%。Xue等［15］研究對19 435例患者的電子陰道鏡圖像和臨床信息進行模型訓練和驗證，并與陰道鏡醫(yī)生的診斷結(jié)果進行比較，結(jié)果顯示CAIADS模型的診斷結(jié)果與病理診斷的一致程度（82.2%）優(yōu)于陰道鏡醫(yī)生的診斷結(jié)果（65.9%），見表2。

表1 AI輔助診斷系統(tǒng)在宮頸細胞學檢測中的性能

表1 AI輔助診斷系統(tǒng)在宮頸細胞學檢測中的性能（續(xù)表1）

表2 AI輔助診斷系統(tǒng)在陰道鏡診斷中的性能

3.3 AI系統(tǒng)輔助診斷的優(yōu)勢和局限性

3.3.1 優(yōu)勢 1）AI 系統(tǒng)具有較好的診斷性能：國內(nèi)細胞學和陰道鏡醫(yī)生的診斷水平參差不齊，診斷質(zhì)量很大程度上受制于醫(yī)生水平等主觀因素，而AI系統(tǒng)可避免主觀因素的影響并發(fā)現(xiàn)圖像中的隱藏特征［9］，具有較好的診斷性能；2）AI系統(tǒng)可提高宮頸癌篩查診斷的質(zhì)量和可及性：中國是人口大國，進行細胞學篩查和轉(zhuǎn)診陰道鏡的患者例數(shù)較多，AI系統(tǒng)對細胞學和陰道鏡圖像的處理速度較快，可減少臨床醫(yī)生的工作負擔，緩解醫(yī)療資源的緊張程度，提高宮頸癌篩查的可及性［7］。

3.3.2 局限性 1）診斷性能問題：盡管AI 系統(tǒng)優(yōu)于低年資陰道鏡醫(yī)生的診斷，但在診斷過程中仍存在誤診及漏診的情況，AI 系統(tǒng)的主要用途是輔助醫(yī)生進行診斷［23］，并在一定程度上控制誤診和漏診。2）AI 系統(tǒng)的驗證：上述部分研究［18-20，22］的樣本量較小，且采用內(nèi)部驗證對系統(tǒng)的性能進行檢驗，部分研究［18-19］為了提高陰道鏡輔助診斷系統(tǒng)的性能，未采用CIN或SIL分類標準。Liu等［24］研究表明，現(xiàn)有很多評價AI 系統(tǒng)診斷性能的研究質(zhì)量過低，不足以得出明確的結(jié)論；為證明AI系統(tǒng)的性能，需要更加具有說服力、設(shè)計更加完善的前瞻性臨床試驗加以驗證。3）AI算法局限性：目前，大部分研究均是在深度學習算法基礎(chǔ)上進行開發(fā)，訓練過程較易受到隱藏的混雜因素影響，而且需要較大的數(shù)據(jù)量；另外其主要計算法是對圖像進行識別，無法充分利用患者信息。

4 結(jié)語

近年來，國內(nèi)AI、云計算、5G等領(lǐng)域均取得較為迅速的發(fā)展，也為宮頸癌的防治帶來新的發(fā)展機遇。推動AI系統(tǒng)在輔助醫(yī)生進行宮頸癌診斷方面的應(yīng)用，可有效減輕醫(yī)生負擔、提高診斷效率的同時提升基層醫(yī)生的診斷水平。結(jié)合宮頸HPV篩查自取樣技術(shù)和基于低延遲網(wǎng)絡(luò)技術(shù)的遠程診斷技術(shù)，可極大地減少患者前往醫(yī)療機構(gòu)的次數(shù)，簡化宮頸癌篩查流程，提高宮頸癌篩查的簡便性和可接受性。基于AI輔助診斷系統(tǒng)的宮頸癌篩查診斷模式將有效提高國內(nèi)宮頸癌篩查診斷的效率和質(zhì)量，助力健康中國戰(zhàn)略的推進，同時也會走向世界，為推動WHO提出的《加速消除作為公共衛(wèi)生問題的宮頸癌的全球戰(zhàn)略》貢獻中國力量與中國智慧。