文献分享|人工智能（AI）子宫颈癌辅助宫颈癌筛查模型

宫颈癌是威胁女性生命健康的常见妇科恶性肿瘤，有望通过成熟有效的三级防控策略实现消除。目前宫颈癌筛查技术仍存在瓶颈问题，亟需探索新型、准确、高效、适用于不同经济水平的筛查手段。随着人工智能（AI）技术的不断发展，目前已有诸多研究探讨将基于深度学习的AI技术应用于辅助宫颈癌筛查的可行性和实用性。

本文分享宫颈液基细胞学涂片进行快速TBS分类的AI辅助诊断系统（AIATBS system）文章“Hybrid Al-assistive diagnostic model permits rapidTBS classification of cervical liquid-based thin-layer cell smears”。该文章由南方医科大学南方医院病理科/基础医学院病理学系，深圳宝安人民医院、新加坡科技局/新加坡科研院、生物信息学研究院等多家机构共同发表在《Nature communication》期刊。

原文链接:https://www.nature.com/articles/s41467-021-23913-3。

回顾性数据来自于5家医疗机构，样本包括自然沉降、离心、膜式三种制片方法，以及EA36和EA50两种染色方法，共81,727例细胞涂片。前瞻性数据来自11家医学中心包含同样类型的34,403例细胞涂片。

• 首先将标注类型按照TBS分类将标注类型分为AGC-A，AGC-B, ASC-L-S, KC, ASC-L-F， ASC-H-B, ASC-H-M, ASC-H-S, SCC-R, SCC-G, MC, SC, RC, GEC, EMC, TRI, CAN，HSV, ACTION, CC, PH, Netrophils，Mucus，Debris 24种标注类型。
• 通过YOLOv3训练24种单类模型（每个模型由2000个标注数据训练而成）。
• 人工复核24个分类模型对81,727个样本的标注识别。
• 最终三位病理专家确认最终的标注数据准确性以此实现半监督标注模型训练。

• YOLOv3模型检测所有回顾性样本，并提取检测目标和概率。
• Xecption 模型预测YOLOv3模型检测到的目标，随后提取分类信息及概率数据。
• 采用Patch模型提取区域分类及鳞状上皮目标的概率。
• UNet核分割模型结合细胞核参数对细胞进行分类。
• XGBoost模型用于预测鳞状上皮病变。
• 逻辑决策模型用于腺上皮病变、子宫内膜和微生物感染等的分类。
  04AIATBS模型技术路线

  

  AIATBS整合了多个深度学习模型。首先DPIQC质控系统对样本进行满意度检测，然后由YOLOv3目标检测模型对病变目标进行检测，并将具有相对一致病理类型的标注类别进行合并以提高YOLOV3学习能力和检测效率。将YOLO检测的目标输入到Xception模型进行特征提取和分类。进一步将Patch分类模型和Unet核分割模型相结合，构建用于检测鳞状上皮病变的XGBoost模型参数。XGBoost模型（检查鳞状上皮内病变）结合逻辑决策树模型（检测腺上皮病变、感染性病变和子宫内膜细胞）以预测宫颈液基薄层细胞涂片的TBS分类诊断。

  武汉呵尔医疗科技发展有限公司

  ---

  

  武汉呵尔医疗科技发展有限公司，成立于2006年是博爱新开源医疗科技集团股份有限公司（股票代码：300109）的全资子公司。呵尔医疗以"数字基座+智能中枢"重塑病理生态，公司的人工智能肿瘤细胞检测技术平台通过集成像、分析和辅助试剂于一体，提供了一个集成化的解决方案，显著提升了病理诊断的效率和准确性。