人工智能在宮頸癌和宮頸癌前病變篩查和診斷中的應(yīng)用*

穆雪峰,張 燕**,馬于濤

(1.武漢大學(xué)人民醫(yī)院婦產(chǎn)科,武漢 430000;2.武漢大學(xué)軟件工程國(guó)家重點(diǎn)實(shí)驗(yàn)室,武漢 430000)

宮頸癌是嚴(yán)重威脅女性生命健康的惡性腫瘤，在全球女性惡性腫瘤中居第四位。2020年世界衛(wèi)生組織報(bào)道，全球每年有超過60萬新增病例和34萬死亡病例，中國(guó)宮頸癌新增病例11萬，占全球新增病例18%[1]。約99.7%的宮頸癌是由持續(xù)感染的生殖器高危型人類乳頭瘤病毒(human papilloma virus，HPV)引起，持續(xù)HPV感染使宮頸發(fā)生上皮內(nèi)瘤變(cervical intraepithelial neoplasia,CIN)，進(jìn)而進(jìn)展為宮頸癌[2]。宮頸癌是唯一可通過一級(jí)預(yù)防消除的癌癥，主要措施包括注射HPV疫苗、早期篩查和及時(shí)治療。我國(guó)已開展數(shù)十年宮頸癌早期篩查工作，但篩查覆蓋率低、醫(yī)療資源分布不均、百姓防癌意識(shí)弱等原因，造成大量宮頸癌被漏診誤診?！凹?xì)胞學(xué)/HPV檢測(cè)→陰道鏡檢查→宮頸活組織病理檢查”是目前臨床診斷宮頸癌和癌前病變的主要方法。細(xì)胞學(xué)作為國(guó)內(nèi)宮頸癌篩查的主要手段，其整體診斷準(zhǔn)確率并不高。近年來，宮頸癌的初步篩查越來越依賴于高危HPV檢測(cè)，已證明HPV檢測(cè)比細(xì)胞學(xué)檢測(cè)具有更高的敏感性和陰性預(yù)測(cè)值，被推薦為主要篩查策略。陰道鏡檢查的關(guān)鍵步驟在于能否準(zhǔn)確識(shí)別宮頸異常部位并取活檢，檢查過程對(duì)操作人員主觀經(jīng)驗(yàn)依賴強(qiáng)，操作人員內(nèi)部的巨大差異，易造成漏檢。據(jù)文獻(xiàn)報(bào)道，單純使用陰道鏡篩查對(duì)宮頸癌的漏診率高達(dá)10%～14%[3]。病理切片診斷是宮頸癌診斷的金標(biāo)準(zhǔn)，診斷依據(jù)是病理切片中是否含有一定數(shù)量的異形細(xì)胞，這種方法要求病理醫(yī)生有很高的閱片水平，同時(shí)病理醫(yī)生判讀切片的過程非常消耗時(shí)間和精力，讀片效率往往不能滿足臨床需求。

近年來，人工智能(artificial intelligence，AI)依靠其強(qiáng)大的學(xué)習(xí)能力已逐漸應(yīng)用于臨床醫(yī)學(xué)領(lǐng)域，尤其在疾病診斷方面，AI表現(xiàn)出強(qiáng)大的潛力。目前，已有多項(xiàng)研究將AI應(yīng)用于宮頸癌及癌前病變的篩查和診斷中，旨在提高疾病診斷的準(zhǔn)確率，減少漏診率，同時(shí)為臨床醫(yī)生節(jié)省出更多的時(shí)間和精力。本文將從HPV檢測(cè)、細(xì)胞學(xué)、陰道鏡檢查、影像學(xué)檢查四方面闡述AI在宮頸癌篩查和診斷中的應(yīng)用。

1 AI的發(fā)生發(fā)展及其在醫(yī)學(xué)領(lǐng)域的應(yīng)用

1956年，麥卡塞(McCarthy)博士在Dartmouth Workshop提出“人工智能”一詞，從此開始了人工智能作為一個(gè)學(xué)術(shù)領(lǐng)域的研究。2006年，杰弗里·欣頓博士(Dr.Jeffrey Hinton)團(tuán)隊(duì)發(fā)明了使用自動(dòng)編碼器的深度學(xué)習(xí)，這項(xiàng)發(fā)明是AI領(lǐng)域的一個(gè)重大突破，其可在沒有人類干預(yù)的情況下自動(dòng)提取特征，這重新引發(fā)了全世界對(duì)AI研究的興趣。此前，AI經(jīng)歷了兩次發(fā)展高潮，但都由于技術(shù)發(fā)展等限制，持續(xù)時(shí)間短暫。

機(jī)器學(xué)習(xí)是指AI中所涉及的分析技術(shù)，其通過學(xué)習(xí)數(shù)據(jù)中的規(guī)則性，提取標(biāo)準(zhǔn)，再根據(jù)此標(biāo)準(zhǔn)對(duì)未知數(shù)據(jù)進(jìn)行分類。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種，代表了AI和機(jī)器學(xué)習(xí)領(lǐng)域的一種新的學(xué)習(xí)模式，其通過神經(jīng)網(wǎng)絡(luò)使用數(shù)學(xué)模型來模擬人腦中的神經(jīng)元。神經(jīng)網(wǎng)絡(luò)主要由輸入層、中間層和輸出層三種類型組成，每個(gè)類型又可分為若干層，擅長(zhǎng)圖像分類、分割、配準(zhǔn)、目標(biāo)檢索等，其模型種類多，以卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)應(yīng)用最廣泛。見圖1。

圖1 人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)以及神經(jīng)網(wǎng)絡(luò)之間的關(guān)系

近年來，隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的發(fā)展，AI已廣泛應(yīng)用到臨床醫(yī)學(xué)領(lǐng)域，并在疾病的預(yù)防、診斷、治療等方面表現(xiàn)出杰出的能力。Yanagawa等[4]用肺癌患者的CT圖像訓(xùn)練深度學(xué)習(xí)模型，結(jié)果表明，使用模型對(duì)肺癌輔助診斷的準(zhǔn)確率高于未使用模型；Jiang等[5]通過分析1275例乳腺癌患者的超聲圖像，得到CNN模型對(duì)乳腺癌分子亞型的陽性預(yù)測(cè)率達(dá)93.29%。同時(shí)，也有研究者將AI輔助診斷技術(shù)應(yīng)用到婦科疾病的診斷。Takahashi等[6]通過收集177例患者的宮腔鏡視頻，提取411800張宮腔鏡圖片對(duì)模型進(jìn)行訓(xùn)練，最終該模型對(duì)子宮內(nèi)膜病變檢測(cè)的平均準(zhǔn)確率達(dá)90.29%。目前，AI醫(yī)療設(shè)備的臨床應(yīng)用研究正在穩(wěn)步推進(jìn)，有望在全球的精準(zhǔn)醫(yī)療趨勢(shì)方面發(fā)揮重要作用，未來其在醫(yī)學(xué)領(lǐng)域的積極引入是不可避免的。

2 AI在HPV檢測(cè)中的應(yīng)用

目前，HPV檢測(cè)已被推薦為宮頸癌篩查的主要策略。2018年，美國(guó)預(yù)防醫(yī)學(xué)工作組(USPSTF)報(bào)道稱，30～65歲女性可每5年進(jìn)行一次宮頸HPV篩查，無需同時(shí)進(jìn)行巴氏涂片檢測(cè)[7]。表1總結(jié)了部分AI在HPV檢測(cè)中的應(yīng)用。

表1 AI輔助診斷系統(tǒng)在HPV檢測(cè)中的應(yīng)用

約70%的宮頸癌是由高危型HPV16和HPV18感染引起的，感染HPV16/18的患者比感染其他高危HPV類型更易發(fā)展成CIN3+。Pathani等[8]將深度學(xué)習(xí)與全息顯微技術(shù)結(jié)合，研制了一種即時(shí)人工智能檢測(cè)HPV的方法，在檢測(cè)HPV16和HPV18時(shí)顯示出很高的靈敏度(低至單個(gè)細(xì)胞)和特異性(100%)，比傳統(tǒng)方法快120倍，并獲得FDA的批準(zhǔn)。Wong等[9]將機(jī)器學(xué)習(xí)應(yīng)用到BD Onclarity HPV檢測(cè)中，構(gòu)建了一個(gè)決策模型，該模型強(qiáng)調(diào)了具有發(fā)展為CIN2/3+高風(fēng)險(xiǎn)的患者，最佳分類器的特異性為94.32%。經(jīng)大量數(shù)據(jù)訓(xùn)練，模型還發(fā)現(xiàn)HPV16和HPV33/58共同感染為風(fēng)險(xiǎn)最高的感染類型。Ai等[10]利用下一代測(cè)序分析了HPV16 E6區(qū)域的氨基酸突變特征，使用四種機(jī)器學(xué)習(xí)算法分別預(yù)測(cè)宮頸高度鱗狀上皮內(nèi)病變(high-grade Squamous Intraepithelial Lesion，HSIL)的風(fēng)險(xiǎn)，logistic表現(xiàn)出最佳預(yù)測(cè)性能(AUC=0.944)。基于上述研究，臨床醫(yī)生可根據(jù)不同患者感染的HPV類型，利用AI輔助系統(tǒng)對(duì)患者疾病做出預(yù)測(cè)，有助于確定陰道鏡檢查的優(yōu)先順序，以有效管理有需要的患者。

研究表明，在宮頸異常增生初次治療后錐切切緣陽性和HPV持續(xù)感染是宮頸病變持續(xù)存在/復(fù)發(fā)的主要危險(xiǎn)因素。據(jù)估計(jì)，切緣陰性時(shí)，術(shù)后HPV持續(xù)感染超過6個(gè)月的患者，宮頸病變持續(xù)存在/復(fù)發(fā)的可能是HPV陰性患者的20倍[11]。因此，篩選出與宮頸異常增生復(fù)發(fā)密切相關(guān)的HPV類型將指導(dǎo)醫(yī)生制定患者在初次治療后的隨訪計(jì)劃。Bogani等[12]回顧分析5104例HPV-DNA檢測(cè)患者的數(shù)據(jù)，將其與接受生殖器HPV相關(guān)感染隨訪或內(nèi)外科治療患者的數(shù)據(jù)相匹配，使用神經(jīng)網(wǎng)絡(luò)分析不同HPV基因型在預(yù)測(cè)宮頸異常增生持續(xù)存在/復(fù)發(fā)中的重要性。結(jié)果發(fā)現(xiàn)HPV16、HPV18、HPV52和HPV59是預(yù)測(cè)宮頸初次治療后病變持續(xù)存在/復(fù)發(fā)的重要基因型，這些數(shù)據(jù)將有助于醫(yī)生對(duì)患者初次治療后的管理。

3 AI在宮頸細(xì)胞學(xué)中的應(yīng)用

宮頸細(xì)胞學(xué)涂片作為宮頸癌篩查應(yīng)用最廣泛的方法，對(duì)CIN2/CIN3+的宮頸上皮內(nèi)瘤變具有高度特異性，但敏感度較低。細(xì)胞學(xué)檢查分為傳統(tǒng)的巴氏細(xì)胞學(xué)和液基細(xì)胞學(xué)，前者將刮取的宮頸脫落細(xì)胞手動(dòng)鋪到載玻片上，固定細(xì)胞，巴氏染色后由細(xì)胞病理學(xué)家在顯微鏡下觀察是否有異常細(xì)胞。這種人工制片方法，易發(fā)生細(xì)胞鋪展和染色不均勻，造成漏診。液基細(xì)胞學(xué)的引入糾正了傳統(tǒng)巴氏細(xì)胞學(xué)玻片制備的缺點(diǎn)，其將宮頸脫落細(xì)胞轉(zhuǎn)移到液體培養(yǎng)基中，濾過黏液等雜質(zhì)后通過離心機(jī)將樣本鋪在玻片上，并采取巴氏染色。大量重復(fù)單調(diào)的工作可導(dǎo)致細(xì)胞病理學(xué)家視覺疲勞、注意力不集中和視覺習(xí)慣，當(dāng)細(xì)胞病理學(xué)家未在玻片中識(shí)別出異常細(xì)胞或識(shí)別出異常細(xì)胞后分類錯(cuò)誤，就會(huì)導(dǎo)致漏診和誤診。近年來，AI在宮頸細(xì)胞學(xué)中的應(yīng)用已經(jīng)取得了一些進(jìn)展。William等[14]總結(jié)了30篇有關(guān)機(jī)器學(xué)習(xí)應(yīng)用于宮頸細(xì)胞學(xué)自動(dòng)化診斷和分類的文章，指出使用CHAMP數(shù)字圖像軟件進(jìn)行分割時(shí)，大多數(shù)現(xiàn)有算法的準(zhǔn)確率接近93.78%；在應(yīng)用二分類(正常或異常)時(shí)，K-最近鄰和支持向量機(jī)算法的準(zhǔn)確率最高(分別為99.27%和98.5%)。

PapNet(美國(guó)Neruomedical Systems公司產(chǎn)品)、BD FocalPoint(前身是Auto Pap，美國(guó)TriPathI Imaging公司產(chǎn)品)、ThinPrep(美國(guó)Hologic公司產(chǎn)品)和CytoProcessor TM(法國(guó)DATEXIM公司產(chǎn)品)是目前已投入臨床使用的人工智能自動(dòng)檢測(cè)設(shè)備。Rezende等[15]總結(jié)了2004年1月至2019年12月發(fā)表在SCIELO、PUBMED、MEDLINE數(shù)據(jù)庫中有關(guān)應(yīng)用自動(dòng)化巴氏涂片篩查的34篇文章，包括三個(gè)自動(dòng)檢測(cè)系統(tǒng)：Thin Prep成像系統(tǒng)(20項(xiàng)研究)、FocalPoint成像系統(tǒng)(11項(xiàng)研究)、CytoProcessor TM(1項(xiàng)研究)和ThinPrep/FocalPoint組合(2項(xiàng)研究)，共自動(dòng)評(píng)估了1317148張宮頸細(xì)胞涂片，其中液體細(xì)胞學(xué)涂片1308028張(99.3%)，常規(guī)細(xì)胞學(xué)涂片9120張(0.7%)。結(jié)果表明，已投入臨床使用的AI輔助宮頸細(xì)胞學(xué)自動(dòng)篩查系統(tǒng)在統(tǒng)計(jì)學(xué)上等于或優(yōu)于手動(dòng)方法，降低了診斷的假陰性率，平均樣本拒收率≤3.5%。

關(guān)于最新篩查系統(tǒng)Cytoprocessor TM的研究中[16]，將1352例具有代表性的病例分別用ThinPrep成像系統(tǒng)和CytoProcessor TM系統(tǒng)進(jìn)行診斷，結(jié)果顯示：與前者相比，CytoProcessor TM系統(tǒng)在不降低診斷特異性的前提下顯著提高了診斷靈敏度，降低了漏診率(CytoProcessor TM系統(tǒng)漏診率：1.5%；ThinPrep成像系統(tǒng)漏診率：4%)。此外，CytoProcessor TM系統(tǒng)采用虛擬載玻片技術(shù)，允許使用web瀏覽器從任何地方訪問結(jié)果，這些優(yōu)勢(shì)可使醫(yī)療資源匱乏的偏遠(yuǎn)地區(qū)獲得及時(shí)的宮頸癌篩查，避免診斷延誤。

AI輔助細(xì)胞學(xué)閱片系統(tǒng)的核心是利用計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)對(duì)宮頸細(xì)胞的精準(zhǔn)定位，并對(duì)具有診斷意義的細(xì)胞實(shí)現(xiàn)精準(zhǔn)識(shí)別，避免了視覺疲勞和主觀因素的影響，可彌補(bǔ)人工閱片的不足。陰性樣本無需病理醫(yī)師再次閱片，同時(shí)還能對(duì)陽性樣本中的病變區(qū)域和類型自動(dòng)定位并識(shí)別，可明顯縮短閱片時(shí)間，提高臨床工作效率。

4 AI在電子陰道鏡檢查中的應(yīng)用

作為診斷三階梯中的第二步，陰道鏡檢查對(duì)指導(dǎo)病變部位活檢有重要作用，由于目前缺乏經(jīng)驗(yàn)豐富的陰道鏡醫(yī)師且診斷過程中主觀性大，導(dǎo)致陰道鏡成像和病理結(jié)果之間的一致性差，易造成漏診。近年來，已有學(xué)者利用深度學(xué)習(xí)強(qiáng)大的圖像分析能力將AI應(yīng)用到陰道鏡圖片的診斷中，旨在輔助陰道鏡醫(yī)生，提高宮頸疾病診斷的準(zhǔn)確率(表2)。2017年，Sato等[17]回顧性收集158例錐切術(shù)后患者的陰道鏡圖片對(duì)Keras神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，最終得到驗(yàn)證集的診斷準(zhǔn)確率為50%。此項(xiàng)研究是較早期的深度學(xué)習(xí)在陰道鏡方面應(yīng)用的研究，雖準(zhǔn)確率不高，但表明深度學(xué)習(xí)有潛力應(yīng)用于陰道鏡檢查的圖片分類。Xue等[18]收集了19435例患者的陰道鏡圖片，使用CAIADS模型對(duì)圖片進(jìn)行學(xué)習(xí)，旨在開發(fā)用于陰道鏡圖片分類和指導(dǎo)活檢的人工智能系統(tǒng)。結(jié)果顯示，該模型的診斷準(zhǔn)確率(82.2%)遠(yuǎn)高于婦科醫(yī)生(65.9%)。李燕云等[19]為檢測(cè)深度學(xué)習(xí)在宮頸癌和癌前病變?cè)\斷中分類和定位的可行性，收集病理診斷為L(zhǎng)SIL(5708例)、HSIL(2206例)和宮頸癌(514例)患者的陰道鏡圖片，采用Faster-RCNN檢測(cè)宮頸病變區(qū)域，并用RestNet101作為提取目標(biāo)特征的主干網(wǎng)絡(luò)，結(jié)果該模型在HSIL和三類病變定位檢測(cè)的識(shí)別精度均值分別為0.82和0.67。當(dāng)前研究中，大多數(shù)學(xué)者的研究對(duì)象是醋酸染色后的陰道鏡圖片，Peng等[20]收集了醋酸染色前和染色后的宮頸圖片，使用深度學(xué)習(xí)網(wǎng)絡(luò)提取圖像特征，開發(fā)出基于多模式變化特征的診斷方法(分類準(zhǔn)確率：86.3%、靈敏度：84.1%、特異性：89.8%)。

表2 AI輔助診斷系統(tǒng)在陰道鏡檢查中的應(yīng)用

上述研究表明，AI輔助陰道鏡檢查，不僅可提高陰道鏡檢查的準(zhǔn)確率，減少漏診，還可定位宮頸病變部位，指導(dǎo)陰道鏡醫(yī)師進(jìn)行活檢。有研究者將患者陰道鏡圖片聯(lián)合相應(yīng)HPV分型作為模型訓(xùn)練的輸入項(xiàng)，研究CNN對(duì)CIN分類的準(zhǔn)確性，結(jié)果僅用陰道鏡圖片進(jìn)行訓(xùn)練的模型分類準(zhǔn)確率為0.823，添加HPV分型后的準(zhǔn)確率為0.941，表明AI在陰道鏡結(jié)合HPV分型對(duì)宮頸上皮內(nèi)瘤變?cè)\斷的的可行性[21]。

5 AI在醫(yī)學(xué)影像中的應(yīng)用

光學(xué)相干斷層成像(OCT)是一種新興的無創(chuàng)醫(yī)學(xué)成像技術(shù)，利用近紅外光干涉法獲得生物組織的橫截面圖像，可實(shí)時(shí)成像組織分辨率達(dá)3～20μm，穿透深度約2mm[24]，被譽(yù)為“光學(xué)活檢”。目前，OCT已廣泛應(yīng)用于眼科、心血管科等臨床醫(yī)學(xué)領(lǐng)域。研究表明，這項(xiàng)技術(shù)可捕捉宮頸組織形態(tài)學(xué)特征，輔助病理醫(yī)生和婦科醫(yī)生臨床診斷。有學(xué)者[25]采集92例患者離體宮頸組織的OCT圖像，使用CNN模型提取圖像特征，并用支持向量機(jī)分類器進(jìn)行分類。結(jié)果顯示五分類(正常、外翻、LSIL、HSIL和癌癥)時(shí)準(zhǔn)確率為88.3%，二分類(低風(fēng)險(xiǎn)與高風(fēng)險(xiǎn))時(shí)AUC為0.959，敏感性、特異性分別為(86.7±11.4)%、(93.5±3.8)%。Ma在上述CNN模型的基礎(chǔ)上，提出了自監(jiān)督紋理對(duì)比學(xué)習(xí)方法，通過733例患者的OCT圖像訓(xùn)練后，該方法二分類診斷的敏感性和特異性分別為91.53%、97.37%，達(dá)到了2名婦科主任和2位副主任醫(yī)師判讀的平均水平[26]。上述研究表明OCT圖像與深度學(xué)習(xí)相結(jié)合的計(jì)算機(jī)輔助診斷系統(tǒng)，有潛力應(yīng)用于宮頸疾病的診斷。

根據(jù)國(guó)際婦產(chǎn)科聯(lián)合會(huì)(FIGO)修訂后的腫瘤分期系統(tǒng)，允許使用任何成像模式對(duì)宮頸癌進(jìn)行臨床分期。磁共振成像(MRI)是對(duì)宮頸癌進(jìn)行放射學(xué)評(píng)估的最佳方法，已廣泛應(yīng)用于手術(shù)前分期。Urushibara等[27]為比較T2加權(quán)圖像診斷宮頸癌時(shí)，深度學(xué)習(xí)模型和放射科醫(yī)生之間的差異，納入997張患者的圖像對(duì)CNN模型進(jìn)行訓(xùn)練，并用分別來自癌癥和非癌癥患者60張圖片進(jìn)行測(cè)試，得出模型和放射科醫(yī)生的診斷敏感度為0.883和0.783～0.867，特異度為0.933和0.917～0.950，準(zhǔn)確度為0.908和0.867～0.892。該研究表明深度學(xué)習(xí)在T2加權(quán)圖像上顯示出很高的宮頸癌診斷性能，能協(xié)助放射科醫(yī)生診斷宮頸癌。脈管浸潤(rùn)被視為宮頸癌轉(zhuǎn)移的主要評(píng)估指標(biāo)，早期檢測(cè)出宮頸癌脈管浸潤(rùn)有助于醫(yī)生選擇合適的治療策略。Wu等[28]基于894例Ib～I(xiàn)Ib期宮頸癌行根治性子宮切除術(shù)的患者術(shù)前MRI，開發(fā)了一種術(shù)前無創(chuàng)識(shí)別淋巴結(jié)轉(zhuǎn)移的模型，該模型對(duì)淋巴結(jié)轉(zhuǎn)移預(yù)測(cè)的準(zhǔn)確率為75%。Jiang等[29]利用多參數(shù)MRI數(shù)據(jù)，首次嘗試構(gòu)建基于CNN的放射組學(xué)模型來預(yù)測(cè)宮頸癌血管浸潤(rùn)和非血管浸潤(rùn)，該模型預(yù)測(cè)血管浸潤(rùn)的敏感性、特異性分別為0.881和0.752。此外還有研究將AI應(yīng)用于CT、Pet-CT，探究宮頸癌對(duì)新輔助化療的應(yīng)答及同步放化療后復(fù)發(fā)的預(yù)測(cè)。

6 AI輔助系統(tǒng)未來面臨的挑戰(zhàn)

綜上所述，AI在宮頸癌篩查和診斷中的應(yīng)用，可提高宮頸癌篩查和診斷中的特異性和敏感性。在第一階段的篩查工作中，AI輔助HPV檢測(cè)和宮頸脫落細(xì)胞學(xué)檢查可提高診斷的準(zhǔn)確性，減少不必要的陰道鏡分診。AI輔助細(xì)胞學(xué)診斷不受時(shí)間限制，可用于大量正常宮頸涂片的篩查，據(jù)統(tǒng)計(jì)，宮頸細(xì)胞學(xué)結(jié)果陰性的占比超過99.5%[30]；同時(shí)避免主觀因素影響，減少漏診誤診；有望解決偏遠(yuǎn)地區(qū)醫(yī)療資源匱乏的問題，實(shí)現(xiàn)網(wǎng)絡(luò)遠(yuǎn)程輔助診斷。AI輔助陰道鏡檢查同樣可避免主觀因素的限制，對(duì)陰道鏡圖片進(jìn)行分類并標(biāo)記宮頸病變部位，指導(dǎo)陰道鏡醫(yī)師進(jìn)行活檢，減少漏診。在影像檢查中，AI模型不僅有輔助篩查的功能，還能對(duì)脈管轉(zhuǎn)移、治療反應(yīng)及復(fù)發(fā)做出預(yù)測(cè)，協(xié)助臨床醫(yī)生調(diào)整治療方案。

雖然現(xiàn)已開展大量AI輔助宮頸癌診斷的研究，但其在醫(yī)療領(lǐng)域的應(yīng)用還處于嘗試階段，仍面臨諸多挑戰(zhàn)：(1)缺乏用于AI模型訓(xùn)練的高質(zhì)量數(shù)據(jù)集，AI輔助診斷系統(tǒng)是一種高度依賴數(shù)據(jù)的技術(shù)，建立多個(gè)、標(biāo)準(zhǔn)化的大型數(shù)據(jù)庫是未來需要關(guān)注的熱點(diǎn)。(2)兼容問題。如細(xì)胞學(xué)檢測(cè)產(chǎn)品多、制片方式多樣、玻片質(zhì)量參差不齊，各家醫(yī)院陰道鏡儀器的差異導(dǎo)致圖像分辨率、大小不同等勢(shì)必會(huì)對(duì)AI輔助診斷系統(tǒng)產(chǎn)生噪音效應(yīng)進(jìn)而影響準(zhǔn)確性。(3)目前深度學(xué)習(xí)專家的臨床知識(shí)有限和臨床專家的深度學(xué)習(xí)知識(shí)不足是AI輔助診斷系統(tǒng)研究過程中面臨的嚴(yán)峻挑戰(zhàn)。因此需臨床醫(yī)生、AI工程師、產(chǎn)品工程師等一起跨學(xué)科合作，且研究過程周期長(zhǎng)、費(fèi)用高。(4)AI輔助診斷的可解釋性差，缺乏對(duì)患者及同行的說服力，需針對(duì)深度學(xué)習(xí)模型被詬病的“黑盒”問題，研究AI輔助診斷結(jié)果的可解釋方法。(5)AI對(duì)疾病的診斷性能還不能完全保證，現(xiàn)有研究多是單中心回顧性數(shù)據(jù)集研究，缺乏外部驗(yàn)證集，數(shù)據(jù)質(zhì)量和過度擬合可能導(dǎo)致AI漏診、誤診，甚至夸大結(jié)果造成過度治療，且AI輔助診斷系統(tǒng)不能綜合考慮患者的臨床癥狀和體征等。基于上述現(xiàn)存的挑戰(zhàn)，現(xiàn)階段更多依賴醫(yī)生自身專業(yè)知識(shí)和臨床經(jīng)驗(yàn)做出判斷。目前，AI輔助診斷系統(tǒng)的研究正在穩(wěn)步推進(jìn)，未來將更好地輔助臨床醫(yī)生進(jìn)行診斷，為實(shí)現(xiàn)WHO提出的2030年全球消滅宮頸癌貢獻(xiàn)力量。