基于深度学习的人工智能阴道镜诊断系统的临床应用价值

何海珍，潘嘉佳，李佩佩，潘嫱微，潘琼慧，郭敏

作者单位：325000浙江省温州，温州市人民医院

我国宫颈癌筛查目前采用的是“三阶梯”法，三个阶梯逐步推进。阴道镜检查作为对初筛结果阳性的诊断工具，其检查质量好坏，将直接影响到宫颈癌筛查的最终结果。研究表明，阴道镜诊断准确率随操作者的经验丰富与否波动较大，而提升阴道镜检查和活检的准确率，一直是子宫颈上皮内病变管理的关键[1]。阴道镜引导下活检是检测宫颈上皮内瘤变（CIN）常规方法，提高其诊断准确性也是临床的焦点及难点。本研究拟探讨基于深度学习的人工智能阴道镜诊断系统在临床中的应用价值，报道如下。

1 资料与方法

1.1 一般资料 收集2018年6月至2020年6月浙江省温州市人民医院收治的行液基薄层细胞（TCT）及人乳头瘤病毒（HPV）检测、阴道镜检查、对可疑病灶进行阴道镜下定位活检及留取标本行病理检查的患者5 734例，排除标准：（1）必要信息（年龄，TCT、HPV检测结果，子宫颈转化区类型，阴道镜活检病理结果，阴道镜图像）缺失者；（2）未做阴道镜指导下活检者；（3）阴道镜图像不满意者（视野模糊，宫颈管病变、子宫颈暴露不完全，宫颈表面或宫颈管出血、病变被白带覆盖等）。最终2 740例患者入选。本研究经医院伦理委员会批准，经患者同意并签署知情同意书。

1.2 方法 所有患者均采用徕卡光电一体阴道镜检查，按阴道镜检查正规操作程序，每位患者取3张图片（0.9%氯化钠注射液图像、醋酸图像和碘图像各1张）。

初期应用大数据的基础上建立的一个基于深度学习的阴道镜辅助诊断系统（浙江大学附属妇产科医院联合浙大睿医建立的ResNet多模态分类模型），将所有阴道镜图像直接作为独立验证集输入到ResNet多模态分类模型中，通过操作软件，获取智能诊断报告，为AI诊断组。同时，同一患者阴道镜检查图片由阴道镜专科医师解读，给出阴道镜诊断，为临床诊断组。将病理检查结果作为病理诊断组。比较AI诊断组及病理诊断组诊断效能，计算其敏感度、特异度、阴性预测值及阳性预测值。后期对模型进行优化提升，再次将将所有阴道镜图像直接作为独立验证集输入到ResNet多模态分类模型中，计算其敏感度、特异度、阴性预测值及阳性预测值。

2 结果

2.1 基线资料 2 740例患者年龄22～83岁，平均（41.5±6.2）岁，其中＜25岁占2.15%，25～55岁占比85.18%，＞55岁占比12.66%。HPV检测阳性2 373例（86.62%），阴性367例（13.38%）。TCT检测结果显示，未见上皮内病变细胞和恶性细胞（NILM）1 071例（39.07%），存在非典型的鳞状上皮内病变（ASCUS）932例（34.01%），宫颈鳞状上皮细胞低度病变（LSIL）431例（15.73%），发现非典型鳞状细胞（ASC-H）128例（4.67%），LSIL+鳞状上皮内高度病变（HSIL）166例（6.06%），不典型腺细胞增生（AGCNOS）12例（0.44%）。宫颈转化区类型1型857例（31.28%），2型356例（12.99%），3型1 527例（55.73%）。

2.2 验证集在ResNet多模态分类模型中的验证结果 分类模型作为整个阴道镜辅助诊断系统的第一步，主要目的是为了将病变图像从其他病例里区分出来，故将异常病例（LSIL+HSIL）作为阳性组，正常病例作为阴性组。将初期2 740例患者的0.9%氯化钠注射液、醋酸和碘图像阴道镜图像以及相关临床资料输入到初期模型，输出的预测见表1～2。

表1 验证集在初期分类模型中的预测结果 例

表2 验证集在优化后分类模型中的预测结果 例

2.3 诊断效能情况 专家临床诊断和AI诊断效能见表3。

表3 专家临床诊断和AI诊断效能 %

3 讨论

随着人工智能技术的发展，其在医学诊断学领域中的应用已得到广泛开展[2-3]。已有许多研究将深度学习应用于医学图像，完成病变等级诊断、病灶区域定位等任务。日本Masakazu等[4]收集了485张阴道镜图像，分为子宫颈不典型增生、子宫颈原位癌和浸润性子宫颈癌，用深度学习模型进行分类诊断，最终验证的准确率达到50%左右，高于随机结果33%的准确率。浙江大学附属妇产科医院联合浙大睿医的研究建立的ResNet多模态分类模型[5]，结合了年龄、HPV检测结果、子宫颈细胞学结果、子宫颈转化区类型这4个对阴道镜诊断产生影响的因素，同时对醋酸图像和碘图像的特征进行交互融合，最大程度模拟临床阴道镜检查的诊断分析流程。分类模型的诊断敏感度、特异度和准确率分别为85.38%、82.62%和84.10%，阳性预测值和阴性预测值分别是85.02%和83.03%，ROC曲线下面积达0.93。

本研究结果显示，初期AI诊断区分异常病例（LSIL+HSIL）和正常病例的敏感度、特异度、阳性预测值及阴性预测值分别为72.53%、94.09%、88.89%及84.02%，敏感度明显低于与训练集同源的验证集输入模型得出的结果，也低于同期阴道镜专家的阴道镜诊断水平。敏感度低主要表现在初期模型对独立验证集病理结果为异常病例（LSIL+HSIL）被错误判定为正常。由于独立样本验证的图像来自于本院阴道镜机器，而模型训练的图像出自于浙江大学附属妇产科医院阴道镜图像，两组参数存在一定的差异，从而影响诊断的准确性[6-7]。

人工智能电子阴道镜辅助诊断系统模型的研发包括4个阶段，即图像采集区分、图像预处理、图像分割以及特征提取和分类。本研究经过对初期模型的提升优化，再次将2 740例阴道镜图像输入模型，其区分异常和正常病例的敏感度、特异度、阳性预测值及阴性预测值分别为82.03%、90.65%、86.12%及87.70%。

综上所述，基于深度学习的人工智能电子阴道镜辅助诊断系统可以帮助阴道镜医生提高诊断性能，优化临床工作流程，值得推广。