使用 NASNetLarge 对宫颈癌进行高级分析与检测

这对女性健康为何重要

宫颈癌是全球女性癌症死亡的主要原因之一，但若能早期发现则高度可治愈。传统筛查依赖专家肉眼检查子宫颈涂片切片，这是项繁琐的工作，容易漏掉细微的预警信号。本研究探讨一种现代人工智能方法，如何将涂片图像转化为计算机可读的结构化模式，目标是比单靠人眼更一致、更快速地发现有风险的细胞变化。

对涂片图像的新视角

研究者使用来自公开数据集的 300 份涂片样本，平均分为五类宫颈细胞，从正常到明显异常。研究并未直接将这些图像输入传统图像识别系统，而是先将每张切片转换为由微小区域及其相互关系构成的地图。在该地图中，每个类细胞区域成为一个点，区域之间的空间联系成为连接线。这样的图形化表示不仅捕捉细胞的外观，还记录它们的排列方式，而排列方式往往包含与疾病相关的重要线索。

智能模型如何从模式中学习

为了读取这些基于图的图像，团队采用 NASNetLarge，一种最初在数百万张日常照片上训练的强大深度学习模型。通过迁移学习技术，他们保留模型识别复杂视觉模式的内在能力，同时重新训练其最后几层以区分五种宫颈细胞类别。研究者还通过翻转、旋转、缩放与平移等手段扩充小型数据集，生成多样化版本的每幅图像。这一过程帮助模型看到许多可信的示例，从而降低模型仅记忆训练数据而非学习通用规则的风险。

观察计算机关注的区域

除了原始准确率外，研究还考察模型是否在关注图像中正确的部分。作者使用一种可视化方法，高亮显示对每个决策最具贡献的区域，并在图形图像上叠加类热图的颜色。这些视图表明模型关注的是病理学家也认为重要的簇状结构和边界。这使临床医生更容易解释和信任模型的行为，也暗示图形化表示成功捕捉到了有意义的结构而非随机噪声。

系统的性能表现如何

在图转换后的涂片图像上训练后，NASNetLarge 在训练集上约达 94% 的准确率，在独立验证集上达 98.33% 的准确率，并在五种细胞类型上显示出精确率、召回率与 F1 值的高分。消融研究显示，若跳过图转换步骤，准确率会降至约 83%，凸显编码细胞关系的重要性。模型还在一个独立的阴道镜图像集合上进行了测试，再次取得很高的准确率，表明该方法可超出原始数据集进行泛化，同时在中等硬件上依然可行。

这对未来筛查可能意味着什么

简而言之，该研究表明将子宫颈涂片图像转成结构化地图并用定制的深度学习模型分析，可以以较高的准确率和较低的错误率对宫颈细胞进行分类。尽管在日常临床应用前仍需更大且更多样化的数据集验证，但该方法指向了能辅助临床医生标注可疑切片、提高质量标准并将专家级筛查扩展到缺乏专科医生地区的工具。对患者而言，这最终可能意味着更早的发现和更及时的宫颈癌治疗。

引用: Bilgaiyan, S., Swain, A., Das, S. et al. Advanced analysis and detection of cervical cancer using NASNetLarge. Sci Rep 16, 14875 (2026). https://doi.org/10.1038/s41598-026-38341-w

关键词: 宫颈癌, 子宫颈涂片, 深度学习, 医学影像, 人工智能筛查