基于人工智能的宫颈影像辅助诊断：宫颈照相中的宫颈上皮内瘤变检测

这对女性健康为何重要

宫颈癌是最易预防的癌症之一，但在资源匮乏地区，许多女性仍无法获得先进的筛查工具。本研究探索如何利用人工智能，将在涂抹类似醋酸的溶液后拍摄的普通宫颈照片，转化为识别早期癌前病变的有力辅助工具。通过这种方式，研究旨在为缺乏昂贵设备或专科医生的诊所带来更准确的诊断，帮助更早发现疾病并可能挽救生命。

从普通照片到更智能的筛查

在许多高收入国家的医院，医生使用一种称为阴道镜的放大设备来仔细检查宫颈并决定是否对可疑区域进行活检。在较贫困或偏远地区，这种设备往往不可得，护士因此依赖醋酸视觉检验（VIA）：涂抹稀释的醋酸，观察是否出现白斑，并可能拍照（宫颈摄影）。VIA 在提示可能存在异常方面表现良好，但在判断异常严重程度方面准确性较差。关键的临床决策是病变是轻度且可随访，还是严重且需要立即治疗。研究人员致力于教计算机直接从宫颈照片中做出这一区分。

教计算机识别细微的视觉线索

团队构建了一个两阶段系统，基于一种现代图像分析模型 YOLOv11，因其能快速定位目标并可在有限硬件上运行而被选中。首先，系统根据医学规则判断 VIA 图像中是否存在可疑病变，规则关注白斑的显现方式及其在宫颈上的位置。若存在病变，第二阶段会检查四个阴道镜专家常用的视觉特征：醋酸后区域的变白程度、表面看起来的光滑或粗糙程度、病变覆盖转化区的比例，以及受累的四个宫颈象限中有多少被牵涉。每个特征要么由 AI 模型分析，要么通过简单几何规则计算，组合起来比单靠颜色信息更能反映病变严重性。

在少量患者数据上扩大训练样本

一个主要障碍是高质量、有活检确证的图像，尤其是早期轻度病变的图像，非常稀缺。为解决这一问题，研究人员使用了一类生成式人工智能（采用自适应增强的 StyleGAN-2）来生成逼真的合成宫颈图像，以补充那些代表性不足的样本。这些人工图像仅用于训练和验证，从未用于最终测试。真实数据来自多个来源，包括带有 Swede Score 标签的大型国际阴道镜数据集、一个样本较少但具高度可靠的组织病理学确证集，以及来自印尼医院和基于手机的筛查项目的外部集合。这样的混合使模型能够同时从专家分级和组织学金标准诊断中学习。

将多重意见融合为单一决策

在从每张图像中提取出四个关键特征后，系统采用了集成方法——本质上是不同特征分类器之间的结构化“投票”——来将每例标注为轻度或重度上皮内瘤变。早期在未采用高级增强时的试验仅获得约 62% 的准确率，表明在数据稀缺且不平衡的情况下任务极具挑战性。在加入 GAN 生成的训练图像并对集成进行精心调优后，最佳配置在独立的活检确证测试集中达到了约 95% 的总体准确率。它正确识别了超过 95% 的重度病例和超过 80% 的轻度病例，同时将总体误判率控制在 8% 以下。该模型在另一个医院数据集上也表现稳健，表明它能够处理设备和本地实践的变异，尽管在面对光线较强的手机图像时性能有所下降。

这对日常护理意味着什么

对于已经开展 VIA 筛查的非专科诊所，这项工作表明普通宫颈摄影图像可以被转化为信息量更大的工具。一个能标出病变、估计其扩展范围并提示轻重程度的 AI 系统，能帮助基层提供者决定谁需要紧急转诊、谁可以安全随访。作者也提醒，该模型仍有局限：它部分依赖合成数据，训练数据主要来自阴道镜图像而非真实世界的手机照片，且仅在相对较小的活检确证集合上测试过。在将此类系统用于直接指导治疗之前，需要更大、更具多样性的研究。尽管如此，结果表明，将负担得起的成像方法与精心设计的 AI 结合，有望在最需要的地方加强宫颈癌预防工作。

引用: Nurmaini, S., Rachmatullah, M.N., Agustiansyah, P. et al. AI-assisted diagnosis of cervical dysplasia from cervicography images. Sci Rep 16, 9920 (2026). https://doi.org/10.1038/s41598-026-39192-1

关键词: 宫颈癌筛查, 宫颈摄影, 医疗人工智能, 深度学习, 鳞状上皮内瘤变分级