人工智能应用于宫颈癌筛查的研究现状2024.docx

《人工智能应用于宫颈癌筛查的研究现状2024.docx》由会员分享，可在线阅读，更多相关《人工智能应用于宫颈癌筛查的研究现状2024.docx（18页珍藏版）》请在课桌文档上搜索。

1、人工智能应用于宫颈癌筛查的研究现状2024摘要宫颈癌是威胁女性生命健康的常见妇科恶性肿瘤，有望通过成熟有效的三级防控策略实现消除。目前宫颈癌筛查技术仍存在瓶颈问题，亟需探索新型、准确、高效、适用于不同经济水平的筛查手段。随着人工智能（AI）技术的不断发展，目前已有诸多研究探讨将基于深度学习的AI技术应用于辅助宫颈癌筛查的可行性和实用性。本文回顾整理了现有国内外的相关研究，重点总结了在不同经济发展水平地区，AI技术应用于细胞学诊断和阴道镜诊断中的研究进展，旨在为宫颈癌综合防控策略的探索提供更多选择和科学证据，加速宫颈癌消除进程。据世界卫生组织发布的全球肿瘤流行病学数据库（Globocan）202

2、0年数据显示，全球约有60.4万宫颈癌新发病例和34.2万死亡病例，宫颈癌在全球女性癌症发病率和死亡率中均高居第4位1,在全球范围内疾病负担仍然较重,约90%发生于中低收入国家1o随着宫颈癌的自然病程得到充分的了解，高危人乳头瘤病毒（hr-HPV）持续感染、宫颈癌前病变和宫颈癌已被视为其关键步骤，被认为是目前唯一可以通过疫苗接种、筛查和早诊早治实现早期预防的癌症2o然而，中低收入国家中只有44%的女性接受过宫颈癌筛查3o由于我国人口基数大，基层医疗机构卫生服务能力不足等原因我国3564岁适龄女性的筛查率也仅有31.4%40鉴于宫颈癌的全球负担沉重和医疗资源分配不均衡问题日益加剧，且宫颈癌具有成

3、熟有效的三级防控手段，2018年，世界卫生组织总干事呼吁全球消除宫颈瘤5Jo包括中国在内的194个国家承诺世界卫生组织在2020年提出的加速宫颈癌消除战略及2030年阶段性目标。亟待探索能提高筛查效率和准确性的新型技术以帮助低卫生资源国家和地区尽快达成世界卫生组织的宫颈癌消除目标。随着人工智能（Al）技术的不断发展，越来越多医学领域开始借助AI技术辅助完成各种疾病的筛查、诊断、治疗和预后预测等工作6o早期发现、早期诊断、准确分级和早期治疗是降低宫颈癌发病率的关键因素，而基于深度学习的Al技术有望为宫颈癌的全球消除带来希望。本文将介绍宫颈癌筛查方法的研究进展及引入AI技术的必要性，梳理AI技术辅

4、助宫颈癌筛查的国内外研究现状，并展示AI技术在宫颈癌筛查方面的实用性和潜力，及探讨AI技术当前面临的挑战及未来的研究趋势。一、宫颈癌的三阶梯筛查及引入Al技术的必要性宫颈癌初筛和分流、筛查阳性患者阴道镜转诊以及活检确诊是宫颈癌筛查的三阶梯。许多发达国家自20世纪中叶开始实施基于细胞学的筛查项目，宫颈癌的发病率已大幅降低70用于宫颈癌筛查的常规检测方法从最初的醋酸/卢戈氏碘液染色肉眼观察法到细胞学检测和HPV检测8o醋酸/卢戈氏碘液染色肉眼观察法成本低，操作简单，可以立即得到结果，被认为是发展中国家宫颈癌筛查的适宜方法9JO但由于灵敏度和特异度较低，质控困难，目前只有一些低卫生资源国家和地区还在

5、使用10o细胞学检测自首次被提出后一直得到广泛应用，该方法操作简单、取材方便、异常细胞检出率高11,但诊断缺少客观标准，容易受到主观因素的影响12o细胞学检测是中国最初开展两癌筛查工作的重要手段，但基于细胞学检测的筛查方案在包括中国在内的发展中国家仍存在着显著的局限性。主要是由于细胞学检测的重现性低，准确率不高13o除此之外，基层医疗机构的卫生基础设施薄弱，缺乏训练有素的细胞学医生，以及不同的细胞学医生也会产生不一致的检测结果都限制了细胞学检测的广泛应用14o故需引入更简单、客观且灵敏度更高的筛查技术。HPV检测作为一种新型的宫颈癌筛查方法,操作简单,客观准确，且众多研究均已证实HPV检测在宫

6、颈癌筛查中的实用性15-17z该方法的引入是宫颈癌筛查和早诊史上的里程碑，实现了从细胞生物学向分子生物学的变革。目前中国两癌筛查工作也已引入HPV检测技术作为宫颈癌筛查的手段18o但该方法特异度偏低(72.6%86.2%)19,故多采取HPV检测与细胞学检查联合筛查或对HPV检测阳性进行分流的方案。筛查阳性者需要转诊阴道镜，得以进一步确诊。阴道镜检查可以发现和定位宫颈病变，指导病理活检，在宫颈癌筛查中至关重要，被称为宫颈癌筛查链条的最后一公里。目前针对阴道镜检查已提出统一的诊断标准和严格的质量控制，但许多基层单位的阴道镜医生由于缺乏专业培训I,难以遵循标准化的建议进行阴道镜检查。阴道镜诊断结果

7、由于依赖诊断医生的经验和主观判断，易导致过度诊断12,20o随着宫颈癌筛查计划覆盖范围的扩大，阴道镜医生的工作负担也随之增大，医疗卫生资源欠缺地区阴道镜医生的诊断水平有限，传统的阴道镜检查已成为制约宫颈癌筛查质量的瓶颈。Al是一门以计算机科学为基础,由计算机、生物学、心理学、数学、哲学和语言学等多学科融合的交叉学科，即用人工的方法和技术研发智能机器或系统来模拟、延伸和扩展人的智能，实现智能行为21o近年来，AI技术发展迅速，机器学习被广泛地应用于图像识别等领域。作为机器学习的重要分支，深度学习在图像识别领域中表现出优异的性能22o基于深度学习的AI技术是一种通过组合低层特征形成更加抽象的高层特

8、征，进而发现数据内在特征的多层次神经网络模型23o在医学领域已被广泛应用，如皮肤恶性肿瘤的分类24-25,视网膜疾病的诊断和分类26,肿瘤的影像学诊断以及妇科肿瘤的诊断和预后预测等方面27-28,并显示出广阔的应用前景。为了解决以上制约宫颈癌筛查推广的诸多问题，当前已有很多国家开始探索将AI技术应用于辅助细胞学诊断和阴道镜诊断,以提高特别是基层医疗机构医生的诊断水平，缓解医疗资源紧缺和临床医生的工作负担，提高筛查的质量和可及性。Al辅助诊断系统的建立和验证主要包括以下步骤:(1)宫颈细胞学图像获取：采用ThinPrep.SurePath等液基细胞学制片方法将宫颈细胞学样本制成液基细胞涂片，使用

9、显微镜玻片扫描仪扫描生成数字化液基细胞学图像4,29;阴道镜图像获取：包括生理盐水图像、3%5%醋酸染色图像和碘染色图像；(2)将定义明确的宫颈细胞学或阴道镜图像分为训练集和验证集，根据病理诊断的金标准结果对图像特征进行标注；(3)AI系统通过训练集建立图像和标注之间的联系，以实现对验证集图像的自动标注30,再根据模型对疾病相关的图像特征进行识别和判断31z辅助医生进行疾病诊断。二、AI细胞学辅助诊断系统在不同经济水平地区的研究现状Al细胞学辅助诊断系统,即基于宫颈细胞学病理图像数据,利用深度学习、强化学习等AI技术建立相关的数学模型，对数字化的细胞涂片图像进行自动化筛查，以识别正常或异常细胞

10、，实现宫颈癌的初筛。该系统可以显著提高阅片效率，减轻病理医生的工作负担320此外，AI细胞学辅助诊断系统可通过对宫颈细胞进行分类以指导分诊，提高宫颈上皮内瘤变(CIN)的检出率33-34o(一)发达国家研究现状1992年，美国开发了第一个商业自动筛查系统PAPNET35o2004年,美国食品药品管理局批准了ThinPrep成像系统36,可以根据专有算法选择22个视场角，如果发现异常细胞,则需要细胞学医生人工阅读整个载玻片，该系统可以提高筛查的灵敏度和效率。2008年提出的FocaIPointGS成像系统37,可以将最可能有异常的视场角缩小至10个，并对风险进行分层以提高效率。然而，这些自动化系

11、统仍需依赖最终的人工阅片，成本效益有限，不适合在发展中国家使用38o且此前的自动筛查系统是基于计算机的辅助诊断而非真正的AI辅助技术390随着科学技术的进步Al技术已逐渐步入医疗领域创新发展的快车道I40Jo美国WentZenSen等29在2021年开发了一种基于深度学习的新型图像分析平台，并在一个大样本人群中进行试验和验证后发现，与人工阅片相比，Al阅片具有相似的灵敏度和更高的特异度（P0.001%随后，日本Kanavati等41也开发了深度学习模型,可以对细胞学标本的全玻片图像进行分类，研究结果显示该模型判断细胞学图像是肿瘤还是非肿瘤的受试者工作特征曲线下面积（AUC）达到了0.89-0.

12、96,进一步证明了将深度学习应用于辅助筛查中的潜力。而芬兰的Holmstrom等34在肯尼亚的农村地区实施了他们开发的基于深度学习的数字显微镜系统，研究发现该系统检测非典型宫颈涂片的灵敏度为85.7%,为改变农村宫颈癌初筛现状提供了新的可能。由于HPV检测的高灵敏度和更长的筛查间隔，以细胞学检查作为宫颈癌初筛方法已不再是首选宫颈癌筛查策略。且由于发达国家具有足够多有资质的细胞病理学医生，因此目前针对Al细胞学辅助诊断系统的研究相对较少42,但有限的研究结果均证实Al技术应用于辅助细胞学诊断中的潜力和优势。AI细胞学辅助诊断系统在发达国家的具体研究情况见表129,33-34,41,43-45o（

13、二）发展中国家研究现状发展中国家由于卫生基础设施不足、医疗资源有限，训练有素的细胞病理学医生稀缺，难以全面实施科学规范的宫颈癌筛查程序46o故近年来发展中国家关于AI细胞学辅助诊断的研究相比发达国家更多，多项研究结果均显示Al相关技术有希望被开发为新的筛查工具。印度Sanyal狙47选择的卷积神经网络识别异常病灶的灵敏度达95.63%,阴性预测值达99.19%o而后Cao等48提出了一种名为注意力特征金字塔网络的新型深度学习方法，该方法的准确性达90.91%o中国作为宫颈癌疾病高发国家开展了一系列研究，经多次验证发现，AI细胞学辅助诊断系统在CIN确诊方面的准确性较高,或可作为初筛或分流的手段

14、，以提高人群中宫颈癌筛查的准确性。Bao等49在2020年训练了1个基于188542张数字细胞学图像的监督深度学习算法,并评估其检测宫颈癌或癌前病变的能力。研究发现，在高危转诊人群中，Al细胞学辅助系统在诊断宫颈上皮内瘤变11级及以上（CIN2）方面的灵敏度和特异度与有经验的细胞学医生人工阅片相当，且优于基层医院的细胞学医生。同年Bao等4对70万女性进行了前瞻性队列研究，与人工阅片相比，该算法的总符合率为94.7%,灵敏度增加了5.8%,可以区分大部分的正常细胞。朱孝辉等50和吕京澄等51的研究发现细胞病理学医生运用AI细胞学辅助系统能提高阅片的准确率，且比人工阅片节省约6倍的阅片时间。与有

15、经验的细胞学医生相比，Zhu等52开发的适用于使用不同标准品、染色方案和扫描仪制备样本的AI辅助诊断方案的灵敏度更高，阅片时间更短。Al细胞学辅助诊断系统在宫颈癌筛查中已具备较高的临床应用价值。现有证据表明，AI技术在发展中国家用于辅助细胞学诊断临床效果显著，当前还有很多相关临床研究和人群应用效果评价正在进行，例如，Tang等53开发了一种配备增强现实技术的AI显微镜，将真实世界图像与虚拟景象融合并投射到增强现实显示模块，为宫颈细胞学诊断提供实时辅助。报告称，与人工阅片相比，AI显微镜辅助下的诊断显著提高了高级别和低级别鳞状上皮内病变(HSIL/LSIL)的检测灵敏度(P0.05)及多种非典型

16、鳞状细胞的检测一致性，提高了宫颈细胞学诊断的效率和准确性。除此之外，AI显微镜可以作为一个虚拟助手，在教学上帮助新学员更快地掌握各种类型的异常细胞，辅助培训新的细胞病理学医生进行细胞学诊断或可成为AI显微镜的另一个潜在用途。AI细胞学辅助诊断系统在发展中国家的具体研究情况见表24,32,47-60o对于AI细胞学辅助诊断系统的两种用途，日本等多数发达国家的研究多聚焦在宫颈细胞的分类方面，以提高宫颈癌初筛后对阳性患者进行分流的诊断性能。对于大部分发展中国家而言，因为有大量低卫生资源地区的存在，使得HPV检测作为初筛手段的策略难以全面推行，古处是高AI细胞学辅助诊断系统的筛查和分流性能同样重要。此

17、外，缩短AI系统的阅片时间是中国现有研究关注的重点问题。同时基于有经验的细胞学医生欠缺的问题，已开发出可以辅助培训新的细胞学医生的AI显微镜，从而进一步提高宫颈癌筛查的效率。三、Al阴道镜辅助诊断系统在不同经济水平地区的研究现状AI阴道镜辅助诊断系统将AI技术与高清成像的阴道镜相结合，基于深度学习的算法，从注释的阴道镜图像中学习宫颈病变的特征，然后将其集成到自动阴道镜检查的数字图像中，通过基于图像识别的自动诊断对阴道镜图像中的可疑病变区域做出判断，该方法可以解决传统阴道镜诊断的主观性，协助阴道镜医生确定活检位置，以提高阴道镜的筛查性能，解决基层阴道镜医生诊断水平参差不齐的问题61-62L(一)

18、发达国家研究现状不同于AI细胞学辅助诊断系统仅在发展中国家表现出迫切的需要，AI阴道镜辅助诊断系统在发达国家中也同样表现出其需求性，发达国家对于AI阴道镜辅助诊断系统研发的重点在于：AI技术能否帮助有经验的阴道镜医生进一步提高诊断性能以及AI技术能否更优秀地对宫颈病变级别进行分类。发达国家中有关AI阴道镜辅助诊断系统的研究多集中在日韩两国。早在2018年，日本Sato等63就进行了一次试点研究，研究发现AI阴道镜对不同宫颈病变级别分类的准确率达50%,体现了深度学习用于对阴道镜图像分类的潜能。随着研究人员不断对AI技术在阴道镜中应用的优化，人类和AI技术在医学领域中合作的巨大潜力不断挖掘。止。

19、等64首次报道了医生在AI技术的辅助下对宫颈病变图像的诊断效果,结果显示AI辅助诊断系统可以显著提高妇科医生对浸润性宫颈癌诊断的准确性（P0.01I韩国Cho等65的大样本回顾性研究以及Kim等66的前瞻性队列研究均发现，与有经验的阴道镜医生相比，AI技术的诊断能力与之达到相当水平，与阴道镜医生的单独诊断相比，AI技术与阴道镜医生联合诊断的AUC更大。AI阴道镜辅助诊断系统具有潜在的临床应用前景。美国国立癌症研究院学者HU等67对9406名女性进行了为期7年的纵向队列研究，利用宫颈图像对基于区域的卷积神经网络方法的模型进行验证，研究结果显示该模型识别QN2+的AUC达到了0.91,超过了阴道镜

20、医生使用传统宫颈照相技术对同一图像的解释。目前也有研究表明AI阴道镜在HSIL/LSIL的临床分类中表现出了不俗的能力。日本Miyagi等68开发的采用卷积神经网络算法的原始AI分类器与肿瘤医生对HSIL/LSIL的诊断准确率相当,分别为0.823和0.797该团队后又对试验方案进行了改进将该AI分类模型与HPV分型相结合，结果显示AI技术与HPV分型结合后对HSIL/LSIL进行分类的AUC高达0.96369JO与此同时，AI阴道镜也展现出了在宫颈癌前病变预后预测方面的潜力。Takahashi等70利用QN2患者阴道镜图像来检测与预后相关的HSIL,研究结果显示该算法对HSIL的检出率为62

21、.1%,总体正确率为89.7%,这一结果为CIN2患者预后管理提供了参考依据。AI阴道镜辅助诊断系统在发达国家的具体研究情况见表363-71o（二）发展中国家研究现状相比于发达国家，发展中国家的研究更多集中在如何应用Al技术帮助基层阴道镜医生区分正常和异常宫颈，提高诊断质量，以及如何应用Al技术更高效地对宫颈病变进行分级、分类。发展中国家甚至在更早期即开始了AI阴道镜的相关研究。巴西Simoes等72在2014年就开始探索使用人工神经网络对阴道镜检查中的图像进行分类，但研究结果并不理想，准确率仅为72.15%o而近年来有关AI阴道镜的研究证实，AI技术可指导活检并有助于宫颈病变的检出，具有潜在

22、的临床应用价值。Asiedu等73开发的数字袖珍阴道镜区分CIN+与正常/良性组织的敏感度和特异度分别为81.3%和78.6%,准确率达80.0%,优于3位专家阴道镜医生在同一数据集上获得的平均值（63.0%中国也有学者开展了一系列的研究，研究结果均显示了Al技术在提升图像分类性能和提高基层阴道镜医生诊断质量方面的强大能力。乔友林教授团队在2020年开发了一种阴道镜AI辅助诊断系统,用于对阴道镜图片进行分级和指导活检，研究显示该模型与病理结果的符合率高于经验丰富的阴道镜医生与病理结果的符合率（P0.001）,其对HSIL及以上病变的诊断灵敏度也高于经验丰富的阴道镜医生,而特异度相似31oLiu

23、等74的研究发现，AI模型区分正常/LSIL+的AUC为0.953,区分HSILHSIL+的AUC为0.900,同时结果表明AI模型的诊断性能与高级阴道镜医生相当，比初级阴道镜医生更强。以上研究为AI阴道镜辅助诊断系统在宫颈癌筛查和诊断中的大规模应用提供了更多的科学证据。得益于Al技术强大的图像分析能力，阴道镜检查发现宫颈病变用旨导活检的准确性也显著提高，降低了阴道镜检查的误诊率73,750Al阴道镜辅助诊断系统在发展中国家的具体研究情况见表43172-74,76-77o四、挑战与展望随着科技的不断发展，AI技术取得一系列突破性进展并逐步渗入至医学行业之中78Jo依托AI技术可以避免因主观因素

24、造成的漏诊和误诊,有效提高宫颈癌筛查方案的准确性和特异性，同时可克服基层医疗机构专业技术人员有限及诊断水平参差不齐的问题，这将使宫颈癌筛查在资源贫乏地区的公平可及性成为可能。诚然，AI技术强大的学习能力可以让基层医生拥有高级助手，帮助基层医生发现图像中可能因经验不足而忽略的隐藏特征22,其在基层医疗机构中或许可以发挥出其更大的辅助指导作用；但对于拥有高水平诊断能力的医疗机构而言，由于Al技术处理宫颈细胞学和阴道镜图像的速度较快，也可一定程度减轻临床医生的工作负担，把临床医生从简单重复的识别查找工作中解放出来，缓解医疗资源的紧张程度，以求获得更准确的诊断结果和更高的诊断效率。同时已有研究证实，A

25、I细胞学辅助诊断系统在对HPV阳性女性进行分流时，与有经验的细胞学医生具有相同的敏感性和更高的特异性，这将有利于实现基层医疗机构对高危人群的有效管理790目前来看，在卫生资源有限的国家或地区，AI技术与人类的合作有望比人类单独决策提供更好的结果。但不可避免AI技术在实际应用中仍然面临众多挑战：第一是数据质控问题。机器学习算法通常需要数百万次观察才能达到可接受的性能水平80,高质量的数据是研发的关键。虽然目前已积累了大量的临床图像数据，但数据收集的规范性、真实性和准确性难以得到保障81o第二是数据管理问题27o首先，对图像数据进行标准化的人工标注需要消耗病理医生大量的精力。此外，未来需要建立多个

26、标准化、规范化的数据平台对数据进行系统管理，数据平台的建立和维护都需要较长的周期和大量的资金投入。第三是AI兼容问题。临床上宫颈细胞学产品众多，品质参差不齐，染色方案各异，制片方式多样，还面临着扫描仪参数不同、扫描倍数不统一等问题；另外，阴道镜设备类型不同及检查实践中采用的描述性术语不统一等问题也亟待解决。第四是诊断性能问题：尽管AI系统优于初级阴道镜医生的诊断，但在诊断过程中仍存在误诊和漏诊的情况,而AI系统的主要用途是辅助医生进行诊断82,并在一定程度上控制误诊和漏诊。第五是图像分类性能有待进一步提升。目前已有研究证实AI系统在区分HSlL/LSIL/正常方面展现出了不俗的潜力，但在临床上

27、还需要进一步明确患者的病变等级以采取不同的处置方案。第六是伦理问题。Al模型对诊断结果的可解释性较差，且解释往往涉及医学伦理和法律法规等多个领域83o故当病理学医生在AI系统的辅助下进行诊断时，诊断结果的责任该如何界定？此外，如何保证患者数据的隐私性和安全性等问题也需要进一步明确。Al技术在宫颈癌筛查中的应用前景广阔，但无论是细胞学检查还是阴道镜检查，现有的绝大多数研究均是应用小样本、回顾性和单一中心数据集对AI系统进行验证，几乎没有前瞻性的验证，以患者为中心的算法则更少。亟待开展基于真实世界人群的前瞻性临床研究来验证这些结果，不断探索AI技术在实际应用环境中的真实效果，为AI技术应用于宫颈癌

28、筛查提供更多更科学、有力的临床证据。目前国内外关于深度学习技术在阴道镜图像的智能化诊断多基于单模态图像，未来研究可将深度学习技术运用于宫颈癌多模态数据上，通过新的多模态特征融合方法，使多模态特征互补,有效提升宫颈癌及癌前病变的分级和诊断。另外，希望AI辅助诊断系统未来可以具备更强的兼容性，以适用于多种型号的设备，拥有更好的泛化能力和临床性能。同时建立完善的AI图像云平台，为诊断提供解释依据，并给予重点标记，辅助初学者提升专业技能，辅助基层医疗机构临床医生进行诊断决策，从而更好地服务患者。除此之外还需制定更加清晰且明确的使用规范，明确AI的可解释性及伦理责任问题。总体而言，AI技术应用于宫颈癌筛

29、查有望解决宫颈癌综合防控卡脖子问题，以加速全球消除宫颈癌的进程。参考文献1SungH,FerIayJ,SiegeIRL,etal.GlobalCancerStatistics2020:GLOBOCANestimatesofincidenceandmortalityWOridwidefor36cancersin185countriesJ.CACancerJClin,2021,71(3)209-249.DOI:10.3322caac.21660.2ZhaoF,QiaoY.CervicalcancerpreventioninChina:akeytocancercontrolJ.Lancet,2019

30、,393(10175):969-970.DOI:10.1016S0140-6736(18)32849-6.3LempJM1DeNeveJW,BussmannH,etal.Lifetimeprevalenceofcervicalcancerscreeningin55low-andmiddle-incomecountriesJJAMA,2020,324(15):1532-1542.DOI:10.1001jama.2020.16244.4BaoH1SunX,ZhangY1etal.Theartificialintelligence-assistedcytologydiagnosticsystemin

31、large-scalecervicalcancerscreening:apopulation-basedcohortstudyof0.7millionwomenJ.CancerMed,2020,9(18)6896-6906.DOI:10.1002cam4.3296.5CanfellK.TowardstheglobaleliminationofcervicalcancerJ.PapillomavirusRes,2019,8J00170.DOI:10.1016j.pvr.2019.100170.6ChenZH,LinL1WuCF,etal.Artificialintelligenceforassi

32、stingcancerdiagnosisandtreatmentintheeraofprecisionmedicineJ.CancerCommun(Lond),2021,41(11):1100-1115.DOI:10.12cac2.12215.7DijkstraMG,SnijdersPJ,ArbynM1etal.Cervicalcancerscreening:onthewaytoashiftfromcytologytofullmolecularscreeningJ.AnnOncol,2014,25(5):927-935.DOI:10.1093/annoncmdt538.8MarthC,Land

33、oniF1MahnerS,etal.Cervicalcancer:ESMOClinicalPracticeGuidelinesfordiagnosis,treatmentandfollow-upJ.AnnOncol,2017,28(suppl_4):iv72-iv83.DOI:10.1093annoncmdx220.9ShastriSS,MittraI1MishraGA,etal.EffectofVIAscreeningbyprimaryhealthworkers:randomizedcontrolledstudyinMumbai,IndiaJJNatlCancerInst12014,106闭

34、:可口009。01:10.1093jnddju009.10SamiJ,LemoupaMakajioS1JeannotE,etal.Smartphone-basedvisualinctionwithaceticacid:aninnovativetooltoimprovecervicalcancerscreeninginlow-resourcesettingJ.Healthcare(Basel),2022r10(2):391.DOI:10.3390healthcare10020391.11NandaK,McCroryDC,MyersER,etal.AccuracyofthePapanicolaou

35、testinscreeningforandfollow-upofcervicalcytologicabnormalities:asystematicreviewJnnIntemMed,2000,132(10):810-819.DOI:10.7326/0003-4819-132-10-200005160-00009.12秦会静，杨贵翟，徐阳，等.HPVE6E7、宫颈液基细胞学、阴道镜活检在宫颈癌的筛查价值研究进展J.中国妇产科临床杂志2022,23(3):332-334.13StolerMH,SchiffmanM.Interobserverreproducibilityofcervicalcyt

36、ologicandhistologicinterpretations:realisticestimatesfromtheASCUS-LSILTriageStudyJJAMA,2001,285(11):1500-1505.DOI:10.1001jama.285.11.1500.14WiIIiamW,WareA,Basaza-EjiriAH1etal.Areviewofimageanalysisandmachinelearningtechniquesforautomatedcervicalcancerscreeningfrompap-smearimagesJ.ComputMethodsProgra

37、msBiomed,2018,164:15-22.DOI:10.1016j.cmpb.2018.05.034.15BhatlaN,SinghaIS.PrimaryHPVscreeningforcervicalcancerJ.BestPractResClinObstetGynaecol,2020r65:98-108.DOI:10.1016j.bpobgyn.2020.02.008.16ZhangJ,ZhaoY1DaiY,etal.Effectivenessofhigh-riskhumanpapillomavirustestingforcervicalcancerscreeninginChina:a

38、multicenter,open-label,randomizedclinicaltrialJJAMAOncol,2021,7(2)263-270.DOI:10.1001jamaoncol.2020.6575.17LiZF1JiaXH,FengX,etal.Comparisonofprimarycytology,primaryHPVtestingandco-testingascervicalcancerscreeningforChinesewomen:apopulation-basedscreeningcohortJ.BMJOpen,2022,12(10):e063622.DOI:10.113

39、6bmjopen-2022-063622.18国家卫生健康委办公厅.国家卫生健康委办公厅关于印发宫颈癌筛查工作方案和学腐癌筛查工作方案的通知：国卫办妇幼函(2021)635号EBOL.2022-11-30.19KulasingamSL,HughesJRKiviatNB,etal.Evaluationofhumanpapillomavirustestinginprimaryscreeningforcervicalabnormalities:comparisonofsensitivity,cificity,andfrequencyofreferralJJAMA,2002,288(14):1749-

40、1757.DOI:10.1001jama.288.14.1749.20XueRNgM1QiaoY.ThechallengesofcolposcopyforcervicalcancerscreeninginLMICsandsolutionsbyartificialintelligenceJ.BMCMed,2020,18(1):169.DOI:10.1186s12916-020-01613-x.21薛鹏唐朝，乔友林，等,人工智能电子阴道镜辅助诊断系统对宫颈癌筛查的现剑破和未来机遇中中国肿瘤,2019,28(7):483-486.DOI:10.11735j.issn.14-0242.2019.07.

41、A1.22LeCunY,BengioY,HintonG.DeeplearningJ.Nature,2015,521(7553):436-444.DOI:10.1038nature14539.23薛彩遢刘显旺，邓娟，等.深度学习在脑肿瘤医学图像研究进展J中国医学影像技术,2019,35(12):1813-1816001:10.13929j.1003-3289.201904061.24EstevaA,KupreIB,NovoaRA,etal.Dermatologist-IevelclassificationofskincancerwithdeepneuralnetworksJ.Nature,201

42、7,542(7639):115-118.D01:10.1038nature21056.25MaronRC,WeichenthaIM,UtikaIJS,etal.Systematicoutperformanceof112dermatologistsinmulticlassskincancerimageclassificationbyconvolutionalneuralnetworksJ.EurJCancer,2019,119:57-65.DOI:10.1016j.ejca.2019.06.013.26Schmidt-ErfurthU,SadeghipourA,GerendasBS1etal.A

43、rtificialintelligenceinretinaJ.ProgRetinEyeRes,2018,67:1-29.DOI:10.1016j.preteyeres.2018.07.004.27BiWL,HosnyA,SchabathMB,etal.Artificialintelligenceincancerimaging:clinicalchallengesandapplicationsJ.CACancerJCIin,2019,69(2):127-157.DOI:10.3322caac.21552.28AkazawaM,HashimotoK.Artificialintelligencein

44、gynecologiccancers:currentstatusandfuturechallenges-asystematicreviewJ.ArtifIntellMed,2021,120:102164.DOI:10.1016j.artmed.2021.102164.29WentzensenN,LahrmannB,CIarkeMA1etal.Accuracyandefficiencyofdeep-leaming-basedautomationofdualstaincytologyincervicalcancerscreeningJJNatlCancerInst,2021,113(1)72-79

45、.DOI:10.1093jncidjaa066.30马艳春刘永坚解庆等.自动图像标注技术综述J计算机研究与发展2020,57(11)23482374DOI:10.7544issn1000-1239.2020.20190793.31XueRTangC,LiQetal.DevelopmentandvalidationofanartificialintelligencesystemforgradingcolposcopicimpressionsandguidingbiopsiesJ.BMCMed,2020,18(1):406.DOI:10.1186s12916-020-01860-y.32WangC

46、W,LiouYA1LinYJ,etal.Artificialintelligence-assistedfastscreeningcervicalhighgradesquamousintraepitheliallesionandsquamouscellcarcinomadiagnosisandtreatmentplanningJ.SdRep,2021,11(1):16244.DOI:10.1038/s41598-021-95545-y.33YuK,HynN,FettermanB,etal.Automatedcervicalscreeningandtriage,basedonHPVtestinga

47、ndcomputer-interpretedcytologyJJNatlCancerInst,2018,110(11):1222-1228.DOI:10.1093jncidjy044.34HolmstrmO,LinderN,KainguH1etal.Point-of-caredigitalcytologywithartificialintelligenceforcervicalcancerscreeninginaresource-limitedsettingJJAMANetwOpen,2021,4:e211740.DOI:10.1001jamanetworkopen.2021.1740.35M

48、angoLJ.Computer-assistedcervicalcancerscreeningusingneuralnetworksJ.CancerLett,1994,77(2-3):155-162.DOI:10.1016/0304-3835(94)90098-1.36ChivukulaM,SaadRS,EIishaevE,etal.IntroductionoftheThinPrepImagingSystem(TIS):experienceinahighvolumeacademicpracticeJ.Cytojournal,2007,46.DOI:10.1186/1742-6413-4-6.37