江山留给AI 和子宫颈癌说拜拜

据统计,全球每年大约有46.6万的子宫颈癌新发病例,其中80%的病例发生在发展中国家[1],这些患者

据统计,全球每年大约有46.6万的子宫颈癌新发病例,其中80%的病例发生在发展中国家[1],这些患者中大部分是因为完全没有接受或没有规范接受宫癌筛查而未能发现癌前病变导致发病。目前在我国,宫颈癌是威胁我国女性健康的头号杀手。

宫颈癌的三级预防模式分别为:

一级预防(接种疫苗);

二级预防(定期筛查);

三级预防(检查治疗);

宫颈癌是最常见的妇科恶性肿瘤,近年来发病有年轻化趋势。我国引入宫颈癌疫苗相对较晚,疫苗接种率低,且部分女性错过最佳接种年龄。宫颈癌的潜伏期很长,甚至可达到十年。近几十年宫颈细胞学筛查的普遍应用,使宫颈癌得以早期发现和治疗,发病率和病死率已明显下降。但目前中国宫颈癌筛查覆盖率仅为19%[2],与宫颈癌防治要求达到80%的人群覆盖率的目标差距尚远,做好癌前病变筛查对宫颈癌的防控依然任重道远。

人工智能——高效助力两癌筛查

伴随着以计算机为代表的第三次科技革命,人工智能技术蓬勃发展,其在医疗领域的应用也成为当下科研以及商业的开发热点。虽然人工智能在医疗领域的应用早已开展,然而其在妇科诊疗中的应用仍存在巨大的提高空间。

人工智能(AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是对人的意识、思维的信息过程的模拟。目前AI在医疗领域的应用主要集中于医学影像,辅助医师进行两癌(肺癌、宫颈癌)筛查[1]。

宫颈癌常用的筛查方法

1.肉眼水平:阴道镜、碘/醋酸试验法

碘/醋酸试验对宫颈上皮内瘤变(CIN)Ⅱ级及Ⅲ级的灵敏度分别为79% 和83%,特异度分别为85%和84%,碘试验的灵敏度较醋酸试验高约10%,两种方法的特异度相当[3]。

2.细胞病理水平:巴氏细胞学和液基薄层细胞学检测法(TCT)

宫颈巴氏涂片法的灵敏度为83.3%,特异度为 47.6%。

液基薄层细胞学检测技术诊断宫颈病变的灵敏度为94.9%,特异度为71.4%[4]。

3.分子水平:

常针对人乳头瘤病毒(HPV)进行检测,其中最常用的是实时荧光定量聚合酶链反应(PCR)法检测病毒 DNA,诊断宫颈癌的灵敏度为33.3%[5]。更为精准的可以进行HPV基因分型检测。

虽然随着技术的进步,筛查的检出率逐渐提高,但各自又有局限。肉眼观察结果存在主观误差;

TCT比组织病理学检测灵敏度低约6%,容易造成漏诊;细胞学检查方法多有赖于检查者的经验和技术水平,主观性强;HPV检测初筛的灵敏度较高,但结果受患者免疫力等因素影响,导致特异度低,转诊阴道镜的概率提高。

随着AI 的发展及其在医疗界的逐步应用,这一问题有望得到解决,一方面机器不存在主观性,另一方面其可以24小时工作,筛查效率和准确度大大提高。

国外常用的宫颈细胞筛查设备

宫颈细胞图像的自动化识别研究在很早就已经开展,目前国外有3种具有代表性的检测设备,分别为AutoPap、PAPNET和ThinPrep[6]。

AutoPap 系统初级筛选器是一种计算机化的扫描装置,设计用于检测传统制备的宫颈细胞涂片。该装置会根据涂片上细胞异常的可能性指定一个分数从而进行疾病诊断。AutoPap 辅助检查系统使宫颈癌筛查的阳性检出率提高了13.4%[7],为宫颈癌的有效筛查提供了便利。

PAPNET 计算机数字化玻片检查仪是大型计算机自动化扫描系统,能模仿 AI 对高难度的影像进行分析。PAPNET 的检测分两步进行,先在检测中心由计算机对涂片上的每个细胞进行初步辨认筛选,从每张涂片上找出最可疑的128个细胞,将含有该细胞的视野用高敏显像器拍摄记录;然后在中间细胞室,由细胞学专家对记录的资料进行复验,遇可疑之处,再在显微镜下进行肉眼检查[8]。

NET诊断仪是近年来由美国电脑专家与细胞病理学专家合作发明的高新科技产品,它运用电脑扫描细胞及先进的 AI“脑神经网络模拟”技术发现宫颈癌细胞,对宫颈涂片检查的准确度可达 97%,甚至100%[9],是传统肉眼显微镜的10倍,而且速度是单纯光学显微镜的2倍[10]。

ThinPrep 是国际上最先进的宫颈细胞学分析设备之一,已获得美国食品药品管理局(FDA)认证。该设备能够检测出制片不满意的标本,拒绝不满意的标本进入阅片系统中。这种做法能够有效降低乃至避免不确定的判读结果,提高对病变或异常细胞的筛查准确度,使宫颈癌细胞检出率达到 95%以上[11]。与此同时该设备还可以检测出部分病毒和霉菌等导致的感染病变,相对传统宫颈巴氏细胞学检查有了很大的提升。但该设备价格昂贵,国内很多医院仍然无法将这项技术引入到宫颈细胞学涂片检查中。

国内研究进展

严明洋[12] 以液基薄层宫颈微生物感染细胞为研究对象,将人眼视觉感知和粗糙集理论相结合,通过对宫颈微生物感染细胞的物理特征进行分析,从而快速定位和提取宫颈微生物感染细胞。实验结果显示微生物感染细胞的检出率为92.30%,检测的准确率可达到 74.58%。

张璐[13] 通过对宫颈细胞图像的预处理,采用改进的 Otsu 双阈值算法实现宫颈细胞图像的粗分割,提取感兴趣区域(ROI),利用支持向量机(SVM)分类器设计五分类器对宫颈细胞图像进行分类。该方法对单个异常宫颈细胞的检出率达95.72%。

除此之外,国内关于宫颈癌涂片的自动识别有很多研究,但大部分停留在实验阶段。

宫颈癌筛查——AI势不可挡

传统宫颈癌细胞学筛查由医技人员在显微镜下根据经验诊断,按国际标准,筛查人员每天阅片量应小于100例,而 AI 宫颈癌诊断机器人每月能够完成108万例样本的诊断筛查,将原有依靠显微镜的人工筛查上限值从每人每天100例提升至每人每天 30000 例,将宫颈癌筛查效率提升了300倍,将医师的诊断工作量降低到原先的15%[14]。 宫颈癌筛查是一项庞大的工程,AI助力是推进更为精准、普及的宫颈癌筛查的必然趋势。

早在2007年,宫颈癌光电筛查系统(TS)就获得国家食品药品监督管理总局(CFDA)许可。作为一种便携式宫颈癌筛查智能仪器,TS具有无创、无痛、高效等优点。TS 临床应用价值的研究也表明 TS 检查对 TCT 检查结果为阴性的患者 灵 敏 度 为 82.4% ,特异 度为86.8% ,漏诊率为17.6%,误诊率为13.2%[15]。说明TS对TCT检查为阴性的患者仍有很好的灵敏度和特异度,有望成为新的宫颈癌筛查方法,并得到更满意的筛查效果。

未来,通过各学界的相互融合借鉴和学习,有望使AI 在宫颈癌乃至整个妇科肿瘤疾病的筛查、诊断及治疗中发挥更大的作用,为女性的健康提供更好的服务。

本文综合整理自文章王金花,宋金维,王建东. 人工智能在宫颈癌筛查中的研究进展[J]. 癌症进展,2019,13:1503-1505和以下文献。

[1] 王倩. AI医疗创业:盈利尚需时日[J]. 商学院, 2017(9): 65- 66.

[2] Di J, Rutherford S, Chu C. Review of the cervical cancer burden and population- based cervical cancer screening in China[J]. Asian Pac J Cancer Prev, 2015, 16(17): 7401- 7407.

[3] Arbyn M, Sankaranarayanan R, Muwonge R, et al. Pooled analysis of the accuracy of five cervical cancer screening tests assessed in eleven studies in Africa and India[J]. Int J Cancer, 2008, 123(1): 153-160.

[4]王晓林. 病理技术中宫颈巴氏涂片与液基薄层技术的比 较研究[J]. 现代医学与健康研究杂志, 2018, 2(8): 35-36.

[5]邹丽敏, 高卫亚, 杜忠祥. 实时荧光PCR法在高危型人乳 头瘤病毒检测中的应用[J]. 中外女性健康研究, 2017, (23): 3-4; 36.

[6]王金花,宋金维,王建东. 人工智能在宫颈癌筛查中的研究进展[J]. 癌症进展,2019,13:1503-1505.

[7] Wilbur DC, Prey MU, Miller WM, et al. The AutoPap system for primary screening in cervical cytology. comparing the results of a prospective, intended-use study with routine manual practice[J]. Acta Cytol, 1998, 42(1): 214-220.

[8] Sherman ME, Mango LJ, Kelly D, et al. PAPNET analysis of reportedly negative smears preceding the diagnosis of a high-grade squamous intraepithelial lesion or carcinoma[J]. Mod Pathol, 1994, 7(5): 578-581.

[9] Koss LG, Lin E, Schreiber K, et al. Evaluation of the PAPNET cytologic screeningsystem for quality control of cervical smears[J]. Am J Clin Pathol, 1994, 101(2): 220-229.

[10] Ouwerkerk-Noordam E, Boon ME, Beck S. Computer-assisted primary screening of cervical smears using the PAPNET method: comparison with conventional screening and evaluation of the role of the cytologist[J]. Cytopathology, 1994, 5(4): 211-218.

[11] Bernstein SJ, Sanchez-Ramos L, Ndubisi B. Liquid-based cervical cytologic smear study and conventional Papanicolaou smears: a meta analysis of prospective studies comparing cytologic diagnosis and sample adequacy[J]. Am J Obstet Gynecol, 2001, 185(2): 308-317.

[12] 严明洋. 微生物感染宫颈细胞图像检测方法研究[D]. 南昌: 南昌航空大学, 2016.

[13] 张璐. 医学图像智能分类技术研究与应用[D]. 成都: 电子科技大学, 2017.

[14] 王哲赛迪研究院. 兰丁高科人工智能医疗影像技术的认知化转型[N]. 中国信息化周报, 2018(3): 16.

[15] 李卫平, 郭昕朦, 张晋宁. TruScreen 有望替代TCT检查成为宫颈病变筛查的新手段[J]. 实用妇科内分泌杂志, 2017, 4(27): 127-128.

打开APP阅读更多精彩内容