Page 44 - 中国全科医学2022-18
P. 44

http://www.chinagp.net   E-mail:zgqkyx@chinagp.net.cn  ·2217·


                                          表 1 AI 辅助诊断系统在宫颈细胞学检测中的应用情况
                                  Table 1 Application of AI-assisted diagnostic system in cervical cytology detection
                         时间
                作者                地点       例数      图像数据集         种类           细胞          训练软件         优势
                         （年）
                                                                        188 542 张图块（121 940       初筛 / 分诊中在诊断
                  ［13］
              BAO 等      2020  多中心观察研究     2 145  8 329 张数字细胞图像  TBS 制片                 深度学习算法
                                                                         张异常 /66 602 张正常         CIN 2+ 级的准确性较优
              BAO 等 ［14］  2020  多中心观察研究   703 103   703 103 份细胞学样本  TBS 制片    未知        深度学习算法    识别大部分正常细胞
              TANG 等 ［15］  2021  深圳市妇幼保健院  10 601  2 167 份细胞学样本  TBS 制片    42 078 异常细胞    RetinaNet  实时辅助诊断
           WENTZENSEN 等 ［16］  2020  俄克拉荷马大学  4 253  431 份样本训练  P16/Ki-67 双 431 份图像〔8 956 DS（+）  CNN4+IncV3  具有自动化、客观性及
                               健康科学中心             /3 504 份样本验证  重染色涂片   /10 692 DS（-）图块训练〕          较强的稳定性
                                                 81 727 份样本训练                                     适用于不同设备，阅片
                  ［17］
              ZHU 等      2021  中国 5 个医疗中心  未知                   TBS 制片        未知          AIATBS
                                                 /34 403 份样本验证                                     速度 <180 s/ 玻片
                                宫颈细胞学                                                   Faster R-CNN- 自动识别检测整张巴氏
                 ［18］
               LI 等      2021              未知   500 张阳性 /300 张阴性  巴氏涂片        未知
                                图像数据集                                                    FPN 模型        图像
              注：TBS= 贝塞斯达系统，CIN= 宫颈上皮内瘤变，DS= 双重染色，CNN= 卷积神经网络，ResNet= 残差神经网络，AIATBS= 人工智能辅助诊
           断解决方案，R-CNN= 基于区域的卷积神经网络，FPN= 特征金字塔网络，CIN 2+=CIN 2 级以上病变
           决定作用，但不同医师的主观性及异质性差异较大                     ［22］ ，   病变  ［15］ 。
           日常阅片工作中存在无穷尽地寻找细胞涂片、对异常细                                （7）数据积累。现代计算机技术的迅速进步、数
           胞保持持续警惕、可重复性差等一系列问题，AI 辅助                           据的积累可使 AI 系统、机器学习、神经网络学习更智能，
           细胞学系统与人工阅片的双重结合为解决这些困难提                             使用更广泛。
           供了机会    ［12］ 。有研究发现 AI 模型检出 CIN 2 级和 CIN                当然机遇与挑战并存，AI 细胞学辅助诊断系统真
           3+ 级的准确率分别达到 92.6% 和 96.1%，显著高于或                    正用于临床还存在诸多的挑战             ［24］ ，例如：
           接近人工阅读      ［13］ ，更有力地证明 AI 可以辅助细胞学                     （1）AI 兼容问题。临床上细胞学产品众多，品质
           医师更准确地筛查宫颈发育不良细胞。                                   参差不齐；制片方式多样，如单层膜式、多层沉降式、
               （3）提高诊断效率        ［15，17］ 。通过 AI 可加强细胞学          多层离心电片；玻片质量欠佳，如细胞分布不均、细胞
           技术、诊断质量控制，降低单片的筛查时间，提高宫颈                            重叠、涂片厚、背景模糊（黏液、细菌以及污染物）、
           细胞学筛查的诊断效率，使每个显微镜视野的推理和标                            染色质量不均衡等。
           注时间短至 200 ms    ［15］ 。                                  （2）扫描质量的标准化问题。目前存在扫描仪参
               （4）提高病变检出率。AI 系统与 p16/Ki-67 双重                  数不同、扫描层数及时间受限、扫描倍数不统一等问
           染色细胞学涂片相结合，其阳性率低于巴氏细胞学和                             题，因此欠缺可靠的扫描技术标准也是影响算法的重要
           人工双重染色，且具有相同的灵敏度和更高的特异度                             因素。
           （P<0.001） ［16］ ，从而提高 CIN 及以上病变的检出率，                     （3）数据集不一。图像标注主观性强，一致性低；
           降低假阴性率，减少漏诊率，增加细胞学与活检病理结                            现有从业人员不具备相应资质，导致阅片水平不同，造
           果的一致性。                                              成标注准确性不稳定；对于病理的有效性和正确性没有
               （5）通过远程网络实现辅助诊断，解决不同地理                          监管机制；大量的低质量甚至无效数据充斥着各个研发
           区域卫生资源不平等问题。曾有报道采用 AI 辅助细胞                          厂家；对于有争议的病例，并没有标准的符合和剔除
           学系统对自然人群的宫颈癌筛查进行阅片                  ［23］ ，现国内       规定。
           也利用 AI 系统完成了 70 万自然人群的筛查阅片                ［14］ ，        综上所述，当前 AI 在宫颈癌筛查中的快速普及面
           由此表明该阅片模式具有可行性，潜在揭示该模式有望                            临着数据透明度、质量及解释等方面的挑战。虽然目前
           成为首选筛查方案，使更多 LMICs 人群受益。                            有关 AI 细胞学辅助诊断系统的研究主要基于回顾性数
               （6）辅助规范化培训病理学专业的初学者。培训                          据集，但相信新型的 AI 算法指导的前瞻性研究会将 AI
           细胞学医师周期长，而 AI 显微镜可用于培训或成为初                          推向宫颈癌筛查的前沿。在未来，希望 AI 算法适用于
           学者的虚拟助手。对非专业实践的学员可从教学文件或                            各种染色方案、多种型号设备以及不同制片标准的细胞
           经高年资细胞学医师筛选出典型细胞学涂片，通过 AI                           学样本，进而辅助细胞学医师尽可能识别各种组织来源
           显微镜实时辅助提示异常细胞；还可标记涂片中非确定                            的异常细胞，同时辅助诊断各类炎性疾病，自动识别各
           细胞以寻求指导。AI 显微镜可帮助初学者更快地掌握                           种感染性细菌以及病毒，缩短诊断周期，提高识别效率；
           各种异常细胞并减少假阴性，尤其 LSIL 及以上（LSIL+）                     另外，希望国家推出免费的 AI 图像云平台，辅助初级
   39   40   41   42   43   44   45   46   47   48   49