人工智能輔助分析技術在子宮頸細胞癌前病變篩查中的應用價值

胡愛俠，朱 琳，賀 慧，胡金星，王榭延，李道宏，靳鈺煒，洪 帆，孔令非，楊志明，溫 洲

子宮頸癌是婦科常見的惡性腫瘤之一，其發(fā)病率和病死率均較高[1-3]。目前，子宮頸細胞學檢查是子宮頸癌篩查的首選方法[4]，但現(xiàn)階段子宮頸細胞學閱片人員匱乏以及診斷經驗不足[5-6]，難以滿足子宮頸癌篩查的需求。人工智能與醫(yī)療相結合實現(xiàn)的人工智能細胞學輔助閱片系統(tǒng)可以緩解醫(yī)療人員不足與巨大需求之間的矛盾，對子宮頸癌早期篩查的意義重大。本文使用人工智能細胞學輔助閱片系統(tǒng)分析既往樣本的診斷準確性、特異性和敏感性等指標，驗證人工智能輔助閱片系統(tǒng)在子宮頸細胞學檢查中的作用和價值。

1 材料與方法

1.1 臨床資料收集2019年1月～2020年12月河南省人民醫(yī)院提供的既往切片存檔數(shù)據(jù)，2019年總制片樣本量為44 488例，抽查2 558張切片，優(yōu)秀切片樣本占86.43%；2020年總制片樣本量為42 650例，抽查2 538張切片，優(yōu)秀切片樣本占91.80%(表1)。選取86 000例液基薄層子宮頸細胞學涂片作為標準，原診斷結果陽性6 880例，陰性79 120例。

表1 河南省人民醫(yī)院液基薄層子宮頸細胞涂片制片優(yōu)良率

1.2 診斷與統(tǒng)計標準

1.2.1細胞學診斷標準 采用目前國際廣泛使用的TBS 2014分級系統(tǒng)[7]進行細胞學診斷：(1)未見上皮內病變或惡性細胞(no intraepithelial lesions or malignant cells, NILM)；(2)意義不明的非典型鱗狀細胞(atypical squamous cells of unknown significance, ASCUS)；(3)非典型鱗狀細胞，不除外高度鱗狀上皮內病變(atypical squamous cells, excluding highly squamous intraepithelial lesions, ASC-H)；(4)低度鱗狀上皮內病變(low-grade squamous intraepithelial lesions, LSIL)；(5)高度鱗狀上皮內病變(high-grade squamous intraepithelial lesion, HSIL)；(6)鱗狀細胞癌；(7)非典型腺細胞-非特異(atypical glandular cells-not specific, AGC-NOS)；(8)非典型腺細胞-傾向腫瘤(atypical glandular cells-favor neoplastic, AGC-FN)；(9)子宮頸管原位腺癌(adenocarcinoma in situ, AIS)；(10)腺癌。將ASCUS及以上認定為陽性涂片，由于腺上皮病變較少，且AGC-NOS在診斷中存在閱片者之間的差異性，一致性及可重復性略差，故本文僅對AGC-FN進行統(tǒng)計分析。AIS及腺癌合并為腺癌組進行統(tǒng)計分析。

1.2.2統(tǒng)計學標準 采用SPSS 14.0軟件進行統(tǒng)計學分析[8]，以子宮頸細胞學閱片的原存檔結果為標準，評估人工智能輔助分析技術診斷結果的特異性、敏感性、準確率等指標[9]。特異性是指能正確判定陰性樣本的能力；敏感性是指能檢測出陽性樣本的能力；準確率是指判定正確樣本數(shù)量與樣本總數(shù)的比率。

1.3 人工智能細胞學輔助閱片系統(tǒng)深思考人工智能機器人科技(北京)有限公司研發(fā)的子宮頸細胞癌前病變圖像輔助診斷軟件(巧思-CIAS，V1.0.0.0018)，完整版本號為：VA.B.C.D，其中V為Version的縮寫，表示版本；A為主版本號，表示重大增強類軟件更新；B為子版本號，表示輕微增強類軟件更新；C為修正版本號，表示糾正類軟件更新。

2 結果

2.1 人工智能閱片分析

2.1.1人工智能細胞學輔助閱片系統(tǒng)分析 采用人工智能細胞學輔助閱片系統(tǒng)對86 000例樣本進行分析，將分析結果和原始診斷結果進行對比，結果為真陽性6 760例，假陽性19 984例，真陰性56 876例，假陰性60例，不滿意2 320例。其中系統(tǒng)判定玻片不滿意的原因：(1)玻片本身質量存在破損等；(2)掃描儀焦距問題造成的玻片樣本成像不清晰；(3)掃描模糊造成的可見視野下未查見足夠清晰的細胞數(shù)目；(4)由于取材制片問題造成的樣本玻片中細胞數(shù)量不足2 000個。

2.1.2人工智能細胞學輔助閱片系統(tǒng)假陰性分析 在原始結果為陽性的6 880例涂片中，人工智能細胞學輔助閱片系統(tǒng)提示60例假陰性，該60例樣本的原始結果均被認定為ASCUS。多名病理醫(yī)師對上述60例涂片進行重新復核，認定其中30張涂片無典型病變細胞，可以重新修改為陰性，30張涂片中有少量可疑視野，人工智能細胞學輔助閱片系統(tǒng)提示少量可疑視野，并對具有少量可疑視野樣本進行定位，因系統(tǒng)判定可疑細胞數(shù)量較少，且典型度不高最終被判定為陰性涂片(圖1)。

圖1 人工智能細胞學輔助閱片系統(tǒng)提示的陽性視野，并對少量可疑視野進行定位 圖2 人工智能細胞學輔助閱片系統(tǒng)提示的陽性視野，并對漏診樣本的可疑陽性視野進行定位 圖3 人工智能細胞學輔助閱片系統(tǒng)提示的假陽性視野，對樣本部分呈反應性改變的細胞形態(tài)誤識為病變細胞，誤判樣本為假陽性

2.1.3人工智能細胞學輔助閱片系統(tǒng)假陽性分析 使用人工智能細胞學輔助閱片系統(tǒng)對86 000例存檔樣本進行重新閱片，通過人工智能細胞學輔助閱片系統(tǒng)提供的可疑陽性視野，在19 984例假陽性樣本中發(fā)現(xiàn)95例樣本存在病變細胞，并對漏診樣本的可疑視野進行定位(圖2)。然而，由于人工智能細胞學輔助閱片系統(tǒng)的敏感性較高，對部分呈反應性改變的細胞形態(tài)誤識為病變細胞，造成部分樣本誤判為假陽性(圖3)。

2.2 敏感性與特異度對比分析通過對86 000例樣本進行分析，最終以多位復核醫(yī)師的復核結果為準，人工智能細胞學輔助閱片系統(tǒng)的敏感性可達98.77%，特異度為74.16%。病理醫(yī)師在人工智能細胞學輔助閱片系統(tǒng)的幫助下，敏感性和特異度均提升，敏感性達100%，特異度達99.99%。

2.2.1人工智能輔助分級診斷——陰道鏡子宮頸活檢 在原始診斷結果為陽性的6 880例標本中，抽取有活檢對照的2 005例進行分級診斷實驗，統(tǒng)計病理醫(yī)師診斷結果以及人工智能細胞學輔助閱片系統(tǒng)診斷結果。結果顯示，人工智能細胞學輔助閱片系統(tǒng)的分級診斷結果與活檢結果接近，其中ASCUS占98.91%；LSIL占99.25%；ASC-H占98.64%；HSIL占100%。病理醫(yī)師分級診斷結果與活檢結果存在部分偏差，其中ASCSU占94.54%；LSIL占93.72%；ASC-H占91.86%；HSIL占99.06%(表2)。

表2 人工智能細胞學輔助閱片系統(tǒng)和病理醫(yī)師分別對活檢陽性樣本的分級診斷匯總

2.2.2人工智能輔助分級診斷——HPV檢測 在原始診斷結果為陽性的6 880例樣本中，抽取2 500例HPV陽性標本進行分級診斷實驗，統(tǒng)計病理醫(yī)師診斷結果以及人工智能細胞學輔助閱片系統(tǒng)診斷結果。結果顯示，人工智能細胞學輔助篩選系統(tǒng)對閱片的分級結果與HPV陽性檢測結果基本持平，其中ASCUS占99.68%；LSIL占98.70%；ASC-H占98.21%；HSIL占100%。病理醫(yī)師分級診斷結果與HPV檢測結果存在部分偏差，其中ASCUS占97.48%；LSIL占92.61%；ASC-H占93.93%；HSIL占99.18%(表3)。

表3 人工智能細胞學輔助閱片系統(tǒng)和病理醫(yī)師分別對HPV陽性樣本的分級診斷匯總

2.3 子宮頸細胞學篩查閱片時間分析3名病理醫(yī)師分別閱片1 600例，共同完成4 800例人工篩查閱片工作，3名病理醫(yī)師人工篩查合計耗時160 h；人工智能細胞學輔助閱片系統(tǒng)僅用80 h即可完成4 800例標本的閱片工作，而病理醫(yī)師在人工智能輔助下，耗時110 h完成4 800例標本的閱片工作。

3 討論

人工智能細胞學輔助閱片系統(tǒng)的核心是利用計算機視覺技術實現(xiàn)對子宮頸細胞的精準定位，并對具有診斷意義的細胞實現(xiàn)精準識別。人工智能與醫(yī)療相結合實現(xiàn)的人工智能細胞學輔助閱片系統(tǒng)是基于細胞學領域知識，通過深度學習[10]、機器學習和醫(yī)學圖像處理等技術實現(xiàn)的智能化輔助閱片。人工智能細胞學輔助閱片系統(tǒng)的準確性是基于大數(shù)據(jù)驅動的機制下，與子宮頸細胞數(shù)據(jù)呈正相關，其從大量的子宮頸細胞數(shù)據(jù)中學習病理醫(yī)師的診斷分析技巧，定位病變細胞的位置，并建立識別診斷模型，繼而得出病情分析報告。

本文應用人工智能細胞學輔助閱片系統(tǒng)統(tǒng)計并分析86 000例樣本的診斷準確性、特異性、敏感性和排陰率等指標。通過人工智能細胞學輔助閱片系統(tǒng)對子宮頸癌篩查結果進行分析，人工智能細胞學輔助閱片系統(tǒng)的特異性為74.16%，敏感性高達98.77%，并保證LSIL以上病變不會漏檢。病理醫(yī)師在人工智能細胞學輔助閱片系統(tǒng)的協(xié)助下診斷結果的特異性達99.99%，敏感性高達100%，顯著提高了子宮頸癌篩查診斷的敏感性和特異性，這意味著人工智能細胞學輔助閱片系統(tǒng)在一定程度上可以依賴。同時，人工智能細胞學輔助閱片系統(tǒng)針對具有少量可疑視野的ASCUS涂片存在極少的漏診，可有效提高病理醫(yī)師的陽性檢出率，降低漏診風險。人工智能細胞學輔助閱片系統(tǒng)追求較高的敏感性，會將部分呈反應性改變的細胞形態(tài)誤識為病變細胞，造成部分樣本的假陽性結果，但是后續(xù)在病理醫(yī)師的參與下，可以對此類漏診情況進行糾正。

細胞的分級診斷主要是依據(jù)TBS 2014分級系統(tǒng)將玻片進行分級。比較人工智能細胞學輔助閱片系統(tǒng)與病理醫(yī)師的分級診斷結果顯示，診斷結果會因病理醫(yī)師對細胞分級的不同存在部分偏差，而人工智能細胞學輔助閱片系統(tǒng)對閱片的分級結果與鏡下閱片結果基本持平。人工智能細胞學輔助閱片系統(tǒng)可顯著提高子宮頸細胞的篩查效率；提高陽性檢出率，降低漏診風險；增強細胞篩查結果的一致性與穩(wěn)定性；提高ASCUS/ASC-H/LISL的敏感度，使分類更加精確。

人工智能細胞學輔助閱片系統(tǒng)可有效避免人為技能水平、疲勞等因素，可在線24 h連續(xù)閱片，在降低漏、誤診可能性的同時可處理更多的子宮頸細胞玻片。本文還對人工智能細胞學輔助閱片篩查系統(tǒng)和病理醫(yī)師閱片的時間進行分析，病理醫(yī)師在人工智能細胞學輔助閱片系統(tǒng)的輔助下能縮短閱片時間，這提高了子宮頸癌的篩查效率。人工智能細胞學輔助閱片系統(tǒng)支持子宮頸細胞玻片的陰、陽性分流，陰性樣本無需病理醫(yī)師鏡下再次閱片，可大大降低病理醫(yī)師的工作量；同時通過玻片中細胞的病變區(qū)域和類型進行自動定位和識別，可以減少病理醫(yī)師尋找細胞的時間，減少重復工作，讓病理醫(yī)師把更多精力用于診斷上，這極大地提高了專業(yè)病理醫(yī)師的診斷效率。

綜上所述，相比于傳統(tǒng)的僅依靠病理醫(yī)師的篩查方式，使用人工智能細胞學輔助閱片系統(tǒng)輔助病理醫(yī)師進行診斷的多種篩查方式聯(lián)合診斷在很大程度上提高了診斷水平。人工智能細胞學輔助閱片系統(tǒng)篩查結果具有更高的敏感性和特異性，即使涂片的識別度不高，對于肉眼難以區(qū)分的樣本也能避免漏診；同時子宮頸涂片的數(shù)據(jù)量龐大，也在一定程度上使結果更加具有依賴性。人工智能細胞學輔助閱片系統(tǒng)可提高診斷結果的準確性，提高病理醫(yī)師的工作效率，較大程度地減少病理醫(yī)師的診斷時間，為治療子宮頸癌提供診斷依據(jù)，在臨床中值得推廣。