Page 45 - 中国全科医学2022-18
P. 45

·2218· http://www.chinagp.net   E-mail:zgqkyx@chinagp.net.cn


           细胞学医师学习相关专业知识，快速提升技能，缩短学                            为（0.781±0.020），需活检的病灶均在图上予以有效
           习周期，使医生有效的为更多患者服务；最后，与 AI                           标注（P<0.001），该研究表明 AI 具有用于自动读取阴
           有关的伦理及法律法规问题尚待解决，需明确使用规范，                           道镜图像的潜力。有学者正在积极研发 AI 电子阴道镜
           使界限更加清晰，诊断结果的责任界定更加明确，结果                            辅助诊断系统      ［35］ ，有研究表明该 AI 模型与病理结果
           的解释性更具说服力。                                          的符合率高于阴道镜医生与病理结果的符合率（82.2%
           2 AI 在阴道镜中的应用                                       与 65.9%，P<0.001），其对 HSIL 及以上（HSIL+）病
               在高收入国家，通过初次筛查、阴道镜检查和治疗                          变的诊断灵敏度也高于阴道镜医生检查结果（71.9% 与
           能够有效预防 CIN，使宫颈癌的发病率显著降低                   ［25］ 。    60.4%），而特异度相似（93.9% 与 94.9%）       ［36］ 。LIU 等 ［37］
           传统的阴道镜检查曾在指导宫颈活检中起着重要作用，                            开发并验证了一种基于深度学习的计算机辅助诊断系统
           但目前由于缺乏经验丰富的阴道镜医师及阴道镜医生诊                            模型，研究发现 AI 模型区分正常和 LSIL+ 的 AUC 值为
           断主观性大、对宫颈病变分级诊断能力低等原因，阴道                            0.953，灵敏度为 0.932，特异度为 0.846；区分 HSIL 及
           镜检查已成为限制 LMICs 执行筛查任务的主要瓶颈问                         以下病变和 HSIL+ 的 AUC 值为 0.900，灵敏度为 0.823，
           题。同时，在短时间内提升阴道医生专业能力的难度较                            特异度为 0.800，结果表明 AI 模型的诊断准确度较高。
           大 ［26］ 。幸运的是，AI，尤其是基于图像识别的机器深                       因此，AI 技术具有很大的前景，见表 2。AI 辅助诊断
           度学习已被广泛用于医疗服务中              ［27-28］ 。AI 与高清成像       系统在阴道镜检查中的主要优点有：
           的阴道镜相结合，基于图像识别的自动诊断，具有提高                                （1）不受主观因素影响。影响阴道镜诊断的主观
           阴道镜复制和宫颈癌筛查性能的巨大潜力。                                 因素众多，单凭借医生只能通过主观经验和阴道镜检查
               随着互联网的普及、数据的积累、计算力的提升、                          技能对结果进行判断，而 AI 技术可对宫颈病变图像进
           算法的发展，AI 技术取得了长足发展                ［29］ 。AI 辅助阴      行动态时序分析       ［36］ ，可避免主观因素的影响。
           道镜的研发成功提高了临床诊断效率和准确性。SATO                               （2）提高诊断能力。AI 电子阴道镜辅助诊断系统
           等 ［30］ 早期进行了一次试点研究，验证了 AI 电子阴道                      可对其诊断结果提供科学的解释依据，告知医生给出诊
           镜对宫颈病变的诊断准确性达到了 50%，反映了其潜在                          断的具体原因，提示医生是否需要活检以及活检数量和
           的可行性。美国国立癌症研究院学者 HU 等                   ［31］ 采用     活检位置的确定，极大地提高医生的诊断能力。
           99 843 张宫颈图像作为训练集供 AI 电子阴道镜学习，                          （3）可重复性及诊断效率高。AI 不受环境条件和
           以病理结果为金标准，发现其识别 CIN 2 级和 CIN 3 级                    疲劳程度的影响，可重复性及诊断效率高，不仅减轻了
           的受试者工作特征曲线下面积（area under the curve，                 医生的工作负担，而且缓解了患者的就诊压力，解决了
           AUC）分别为 0.70 和 0.69。以 324 例病例作为测试数据，                优质医疗资源分配不均等问题。
           研究发现 AI 电子阴道镜辅助诊断系统识别 CIN 2+ 级                          但目前 AI 在阴道镜辅助诊断系统的应用也面临着
           的 AUC 值为 0.91，传统宫颈照相技术为 0.69，传统细                    诸多的挑战     ［26］ ：
           胞学为 0.79，HPV 检测技术为 0.82，传统宫颈照相技                         （1）周期较长，费用高。宫颈病变的标注和病理
           术与 AI 电子阴道镜辅助诊断系统相比差异均有统计学                          诊断结果的质控均需要消耗阴道镜和病理医生大量的精
           意义（P<0.001），该研究结果预示着 AI 电子阴道镜辅                      力，也需要细胞学专家、阴道镜专家、病理学专家、流
           助诊断系统具有潜在的临床应用前景。MIYAGI 等                   ［32］    行病专家、产品工程师、AI 工程师一起跨学科合作。
           研究发现采用 CNN 算法的 AI 分类模型和肿瘤学医师诊                           （2）宫颈数据质量问题。目前 LMICs 的阴道镜图
           断 HSIL 的准确率分别为 0.823 和 0.797，灵敏度分别为                 像需求增加，势必将产生大量阴道镜图像数据集，因阴
           0.800 和 0.831，特异度分别为 0.882 和 0.773，结果显              道镜设备类型不同及检查实践中采用描述性术语不统
           示差异无统计学意义，但潜在表明 AI 分类模型的性能                          一，需要对其标签、注释、分类及质控进行有效管理。
           可能优于肿瘤学医师。该团队在第 2 年依旧利用该 AI                             （3）研发动态成像 AI 分析的必要性。目前开发
           分类模型，通过阴道镜图像与 HPV 分型相结合，对经                          AI 模型大多只采用静态阴道镜检查图像，导致提取宫
           病理证实的宫颈鳞状上皮内病变进行分类，AI 阴道镜                           颈病变特征的有效信息存在偏差，进而影响 AI 模型的
           结合 HPV 分型的 AUC 为 0.963，灵敏度为 0.956，特异                诊断准确性。因此，如何将 AI 模型嵌入到现有的传统
           度为 0.833 ［33］ ，进一步揭示了 AI 阴道镜与 HPV 分型相               阴道镜成像设备中使其成为动态成像 AI 分析也是目前
           结合对 HSIL/LSIL 进行诊断具有可行性。CHO 等             ［34］ 开    存在的挑战之一。
           发训练并验证的 CNN 模型用于 CIN 分级，目的是自动                           （4）AI 对诊断结果的可解释性及医患关系中的责
           对阴道镜图像上的宫颈肿瘤进行分类，结果发现在 CIN                          任。目前 AI 诊断结果的可解释性较差，AI 模型的黑匣
           分级中 Resnet-152 判断高级别与低级别病变的 AUC 值                   子缺乏对同业者的说服力。另外，AI 对宫颈疾病的解
   40   41   42   43   44   45   46   47   48   49   50