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(xì)胞學(xué)檢查是子宮頸癌篩查的首選方法[4]，但現(xiàn)階段子宮頸細(xì)胞學(xué)閱片人員匱乏以及診斷經(jīng)驗(yàn)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(jié)合實(shí)現(xiàn)的人工智能細(xì)胞學(xué)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(duì)子宮頸癌早期篩查的意義重大。本文使用人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)分析既往樣本的診斷準(zhǔn)確性、特異性和敏感性等指標(biāo)，驗(yàn)證人工智能輔助閱片系統(tǒng)在子宮頸細(xì)胞學(xué)檢查中的作用和價(jià)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(xì)胞學(xué)涂片作為標(biāo)準(zhǔn)，原診斷結(jié)果陽(yáng)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(xì)胞涂片制片優(yōu)良率

1.2 診斷與統(tǒng)計(jì)標(biāo)準(zhǔn)

1.2.1細(xì)胞學(xué)診斷標(biāo)準(zhǔn) 采用目前國(guó)際廣泛使用的TBS 2014分級(jí)系統(tǒng)[7]進(jìn)行細(xì)胞學(xué)診斷：(1)未見上皮內(nèi)病變或惡性細(xì)胞(no intraepithelial lesions or malignant cells, NILM)；(2)意義不明的非典型鱗狀細(xì)胞(atypical squamous cells of unknown significance, ASCUS)；(3)非典型鱗狀細(xì)胞，不除外高度鱗狀上皮內(nèi)病變(atypical squamous cells, excluding highly squamous intraepithelial lesions, ASC-H)；(4)低度鱗狀上皮內(nèi)病變(low-grade squamous intraepithelial lesions, LSIL)；(5)高度鱗狀上皮內(nèi)病變(high-grade squamous intraepithelial lesion, HSIL)；(6)鱗狀細(xì)胞癌；(7)非典型腺細(xì)胞-非特異(atypical glandular cells-not specific, AGC-NOS)；(8)非典型腺細(xì)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(rèn)定為陽(yáng)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(fù)性略差，故本文僅對(duì)AGC-FN進(jìn)行統(tǒng)計(jì)分析。AIS及腺癌合并為腺癌組進(jìn)行統(tǒng)計(jì)分析。

1.2.2統(tǒng)計(jì)學(xué)標(biāo)準(zhǔn) 采用SPSS 14.0軟件進(jìn)行統(tǒng)計(jì)學(xué)分析[8]，以子宮頸細(xì)胞學(xué)閱片的原存檔結(jié)果為標(biāo)準(zhǔn)，評(píng)估人工智能輔助分析技術(shù)診斷結(jié)果的特異性、敏感性、準(zhǔn)確率等指標(biāo)[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(cè)出陽(yáng)性樣本的能力；準(zhǔn)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(xì)胞學(xué)輔助閱片系統(tǒng)深思考人工智能機(jī)器人科技(北京)有限公司研發(fā)的子宮頸細(xì)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(hào)為：VA.B.C.D，其中V為Version的縮寫，表示版本；A為主版本號(hào)，表示重大增強(qiáng)類軟件更新；B為子版本號(hào)，表示輕微增強(qiáng)類軟件更新；C為修正版本號(hào)，表示糾正類軟件更新。

2 結(jié)果

2.1 人工智能閱片分析

2.1.1人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)分析 采用人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)對(duì)86 000例樣本進(jìn)行分析，將分析結(jié)果和原始診斷結(jié)果進(jìn)行對(duì)比，結(jié)果為真陽(yáng)性6 760例，假陽(yáng)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(zhì)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(xì)胞數(shù)目；(4)由于取材制片問題造成的樣本玻片中細(xì)胞數(shù)量不足2 000個(gè)。

2.1.2人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)假陰性分析 在原始結(jié)果為陽(yáng)性的6 880例涂片中，人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)提示60例假陰性，該60例樣本的原始結(jié)果均被認(rèn)定為ASCUS。多名病理醫(yī)師對(duì)上述60例涂片進(jìn)行重新復(fù)核，認(rèn)定其中30張涂片無(wú)典型病變細(xì)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(xì)胞學(xué)輔助閱片系統(tǒng)提示少量可疑視野，并對(duì)具有少量可疑視野樣本進(jìn)行定位，因系統(tǒng)判定可疑細(xì)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(xì)胞學(xué)輔助閱片系統(tǒng)提示的陽(yáng)性視野，并對(duì)少量可疑視野進(jìn)行定位 圖2 人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)提示的陽(yáng)性視野，并對(duì)漏診樣本的可疑陽(yáng)性視野進(jìn)行定位 圖3 人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)提示的假陽(yáng)性視野，對(duì)樣本部分呈反應(yīng)性改變的細(xì)胞形態(tài)誤識(shí)為病變細(xì)胞，誤判樣本為假陽(yáng)性

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

2.2 敏感性與特異度對(duì)比分析通過對(duì)86 000例樣本進(jìn)行分析，最終以多位復(fù)核醫(yī)師的復(fù)核結(jié)果為準(zhǔn)，人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)的敏感性可達(dá)98.77%，特異度為74.16%。病理醫(yī)師在人工智能細(xì)胞學(xué)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(dá)100%，特異度達(dá)99.99%。

2.2.1人工智能輔助分級(jí)診斷——陰道鏡子宮頸活檢 在原始診斷結(jié)果為陽(yáng)性的6 880例標(biāo)本中，抽取有活檢對(duì)照的2 005例進(jìn)行分級(jí)診斷實(shí)驗(yàn)，統(tǒng)計(jì)病理醫(yī)師診斷結(jié)果以及人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)診斷結(jié)果。結(jié)果顯示，人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)的分級(jí)診斷結(jié)果與活檢結(jié)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(jí)診斷結(jié)果與活檢結(jié)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(xì)胞學(xué)輔助閱片系統(tǒng)和病理醫(yī)師分別對(duì)活檢陽(yáng)性樣本的分級(jí)診斷匯總

2.2.2人工智能輔助分級(jí)診斷——HPV檢測(cè) 在原始診斷結(jié)果為陽(yáng)性的6 880例樣本中，抽取2 500例HPV陽(yáng)性標(biāo)本進(jìn)行分級(jí)診斷實(shí)驗(yàn)，統(tǒng)計(jì)病理醫(yī)師診斷結(jié)果以及人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)診斷結(jié)果。結(jié)果顯示，人工智能細(xì)胞學(xué)輔助篩選系統(tǒng)對(duì)閱片的分級(jí)結(jié)果與HPV陽(yáng)性檢測(cè)結(jié)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(jí)診斷結(jié)果與HPV檢測(cè)結(jié)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(xì)胞學(xué)輔助閱片系統(tǒng)和病理醫(yī)師分別對(duì)HPV陽(yáng)性樣本的分級(jí)診斷匯總

2.3 子宮頸細(xì)胞學(xué)篩查閱片時(shí)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(jì)耗時(shí)160 h；人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)僅用80 h即可完成4 800例標(biāo)本的閱片工作，而病理醫(yī)師在人工智能輔助下，耗時(shí)110 h完成4 800例標(biāo)本的閱片工作。

3 討論

人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)的核心是利用計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)對(duì)子宮頸細(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。人工智能與醫(yī)療相結(jié)合實(shí)現(xiàn)的人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)是基于細(xì)胞學(xué)領(lǐng)域知識(shí)，通過深度學(xué)習(xí)[10]、機(jī)器學(xué)習(xí)和醫(yī)學(xué)圖像處理等技術(shù)實(shí)現(xiàn)的智能化輔助閱片。人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)的準(zhǔn)確性是基于大數(shù)據(jù)驅(qū)動(dòng)的機(jī)制下，與子宮頸細(xì)胞數(shù)據(jù)呈正相關(guān)，其從大量的子宮頸細(xì)胞數(shù)據(jù)中學(xué)習(xí)病理醫(yī)師的診斷分析技巧，定位病變細(xì)胞的位置，并建立識(shí)別診斷模型，繼而得出病情分析報(bào)告。

本文應(yīng)用人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)統(tǒng)計(jì)并分析86 000例樣本的診斷準(zhǔn)確性、特異性、敏感性和排陰率等指標(biāo)。通過人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)對(duì)子宮頸癌篩查結(jié)果進(jìn)行分析，人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)的特異性為74.16%，敏感性高達(dá)98.77%，并保證LSIL以上病變不會(huì)漏檢。病理醫(yī)師在人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)的協(xié)助下診斷結(jié)果的特異性達(dá)99.99%，敏感性高達(dá)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(xì)胞學(xué)輔助閱片系統(tǒng)在一定程度上可以依賴。同時(shí)，人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)針對(duì)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(yáng)性檢出率，降低漏診風(fēng)險(xiǎn)。人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)追求較高的敏感性，會(huì)將部分呈反應(yīng)性改變的細(xì)胞形態(tài)誤識(shí)為病變細(xì)胞，造成部分樣本的假陽(yáng)性結(jié)果，但是后續(xù)在病理醫(yī)師的參與下，可以對(duì)此類漏診情況進(jìn)行糾正。

細(xì)胞的分級(jí)診斷主要是依據(jù)TBS 2014分級(jí)系統(tǒng)將玻片進(jìn)行分級(jí)。比較人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)與病理醫(yī)師的分級(jí)診斷結(jié)果顯示，診斷結(jié)果會(huì)因病理醫(yī)師對(duì)細(xì)胞分級(jí)的不同存在部分偏差，而人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)對(duì)閱片的分級(jí)結(jié)果與鏡下閱片結(jié)果基本持平。人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)可顯著提高子宮頸細(xì)胞的篩查效率；提高陽(yáng)性檢出率，降低漏診風(fēng)險(xiǎn)；增強(qiáng)細(xì)胞篩查結(jié)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(xì)胞學(xué)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(shí)可處理更多的子宮頸細(xì)胞玻片。本文還對(duì)人工智能細(xì)胞學(xué)輔助閱片篩查系統(tǒng)和病理醫(yī)師閱片的時(shí)間進(jìn)行分析，病理醫(yī)師在人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)的輔助下能縮短閱片時(shí)間，這提高了子宮頸癌的篩查效率。人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)支持子宮頸細(xì)胞玻片的陰、陽(yáng)性分流，陰性樣本無(wú)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(shí)通過玻片中細(xì)胞的病變區(qū)域和類型進(jìn)行自動(dòng)定位和識(shí)別，可以減少病理醫(yī)師尋找細(xì)胞的時(shí)間，減少重復(fù)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(xì)胞學(xué)輔助閱片系統(tǒng)輔助病理醫(yī)師進(jìn)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(xì)胞學(xué)輔助閱片系統(tǒng)篩查結(jié)果具有更高的敏感性和特異性，即使涂片的識(shí)別度不高，對(duì)于肉眼難以區(qū)分的樣本也能避免漏診；同時(shí)子宮頸涂片的數(shù)據(jù)量龐大，也在一定程度上使結(jié)果更加具有依賴性。人工智能細(xì)胞學(xué)輔助閱片系統(tǒng)可提高診斷結(jié)果的準(zhǔn)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(shí)間，為治療子宮頸癌提供診斷依據(jù)，在臨床中值得推廣。