基于深度學(xué)習(xí)的人工智能陰道鏡診斷系統(tǒng)的臨床應(yīng)用價(jià)值

何海珍，潘嘉佳，李佩佩，潘嬙微，潘瓊慧，郭敏

作者單位：325000浙江省溫州，溫州市人民醫(yī)院

我國宮頸癌篩查目前采用的是“三階梯”法，三個(gè)階梯逐步推進(jìn)。陰道鏡檢查作為對(duì)初篩結(jié)果陽性的診斷工具，其檢查質(zhì)量好壞，將直接影響到宮頸癌篩查的最終結(jié)果。研究表明，陰道鏡診斷準(zhǔn)確率隨操作者的經(jīng)驗(yàn)豐富與否波動(dòng)較大，而提升陰道鏡檢查和活檢的準(zhǔn)確率，一直是子宮頸上皮內(nèi)病變管理的關(guān)鍵[1]。陰道鏡引導(dǎo)下活檢是檢測(cè)宮頸上皮內(nèi)瘤變（CIN）常規(guī)方法，提高其診斷準(zhǔn)確性也是臨床的焦點(diǎn)及難點(diǎn)。本研究擬探討基于深度學(xué)習(xí)的人工智能陰道鏡診斷系統(tǒng)在臨床中的應(yīng)用價(jià)值，報(bào)道如下。

1 資料與方法

1.1 一般資料 收集2018年6月至2020年6月浙江省溫州市人民醫(yī)院收治的行液基薄層細(xì)胞（TCT）及人乳頭瘤病毒（HPV）檢測(cè)、陰道鏡檢查、對(duì)可疑病灶進(jìn)行陰道鏡下定位活檢及留取標(biāo)本行病理檢查的患者5 734例，排除標(biāo)準(zhǔn)：（1）必要信息（年齡，TCT、HPV檢測(cè)結(jié)果，子宮頸轉(zhuǎn)化區(qū)類型，陰道鏡活檢病理結(jié)果，陰道鏡圖像）缺失者；（2）未做陰道鏡指導(dǎo)下活檢者；（3）陰道鏡圖像不滿意者（視野模糊，宮頸管病變、子宮頸暴露不完全，宮頸表面或?qū)m頸管出血、病變被白帶覆蓋等）。最終2 740例患者入選。本研究經(jīng)醫(yī)院倫理委員會(huì)批準(zhǔn)，經(jīng)患者同意并簽署知情同意書。

1.2 方法 所有患者均采用徠卡光電一體陰道鏡檢查，按陰道鏡檢查正規(guī)操作程序，每位患者取3張圖片（0.9%氯化鈉注射液圖像、醋酸圖像和碘圖像各1張）。

初期應(yīng)用大數(shù)據(jù)的基礎(chǔ)上建立的一個(gè)基于深度學(xué)習(xí)的陰道鏡輔助診斷系統(tǒng)（浙江大學(xué)附屬婦產(chǎn)科醫(yī)院聯(lián)合浙大睿醫(yī)建立的ResNet多模態(tài)分類模型），將所有陰道鏡圖像直接作為獨(dú)立驗(yàn)證集輸入到ResNet多模態(tài)分類模型中，通過操作軟件，獲取智能診斷報(bào)告，為AI診斷組。同時(shí)，同一患者陰道鏡檢查圖片由陰道鏡?？漆t(yī)師解讀，給出陰道鏡診斷，為臨床診斷組。將病理檢查結(jié)果作為病理診斷組。比較AI診斷組及病理診斷組診斷效能，計(jì)算其敏感度、特異度、陰性預(yù)測(cè)值及陽性預(yù)測(cè)值。后期對(duì)模型進(jìn)行優(yōu)化提升，再次將將所有陰道鏡圖像直接作為獨(dú)立驗(yàn)證集輸入到ResNet多模態(tài)分類模型中，計(jì)算其敏感度、特異度、陰性預(yù)測(cè)值及陽性預(yù)測(cè)值。

2 結(jié)果

2.1 基線資料 2 740例患者年齡22～83歲，平均（41.5±6.2）歲，其中＜25歲占2.15%，25～55歲占比85.18%，＞55歲占比12.66%。HPV檢測(cè)陽性2 373例（86.62%），陰性367例（13.38%）。TCT檢測(cè)結(jié)果顯示，未見上皮內(nèi)病變細(xì)胞和惡性細(xì)胞（NILM）1 071例（39.07%），存在非典型的鱗狀上皮內(nèi)病變（ASCUS）932例（34.01%），宮頸鱗狀上皮細(xì)胞低度病變（LSIL）431例（15.73%），發(fā)現(xiàn)非典型鱗狀細(xì)胞（ASC-H）128例（4.67%），LSIL+鱗狀上皮內(nèi)高度病變（HSIL）166例（6.06%），不典型腺細(xì)胞增生（AGCNOS）12例（0.44%）。宮頸轉(zhuǎn)化區(qū)類型1型857例（31.28%），2型356例（12.99%），3型1 527例（55.73%）。

2.2 驗(yàn)證集在ResNet多模態(tài)分類模型中的驗(yàn)證結(jié)果 分類模型作為整個(gè)陰道鏡輔助診斷系統(tǒng)的第一步，主要目的是為了將病變圖像從其他病例里區(qū)分出來，故將異常病例（LSIL+HSIL）作為陽性組，正常病例作為陰性組。將初期2 740例患者的0.9%氯化鈉注射液、醋酸和碘圖像陰道鏡圖像以及相關(guān)臨床資料輸入到初期模型，輸出的預(yù)測(cè)見表1～2。

表1 驗(yàn)證集在初期分類模型中的預(yù)測(cè)結(jié)果 例

表2 驗(yàn)證集在優(yōu)化后分類模型中的預(yù)測(cè)結(jié)果 例

2.3 診斷效能情況 專家臨床診斷和AI診斷效能見表3。

表3 專家臨床診斷和AI診斷效能 %

3 討論

隨著人工智能技術(shù)的發(fā)展，其在醫(yī)學(xué)診斷學(xué)領(lǐng)域中的應(yīng)用已得到廣泛開展[2-3]。已有許多研究將深度學(xué)習(xí)應(yīng)用于醫(yī)學(xué)圖像，完成病變等級(jí)診斷、病灶區(qū)域定位等任務(wù)。日本Masakazu等[4]收集了485張陰道鏡圖像，分為子宮頸不典型增生、子宮頸原位癌和浸潤(rùn)性子宮頸癌，用深度學(xué)習(xí)模型進(jìn)行分類診斷，最終驗(yàn)證的準(zhǔn)確率達(dá)到50%左右，高于隨機(jī)結(jié)果33%的準(zhǔn)確率。浙江大學(xué)附屬婦產(chǎn)科醫(yī)院聯(lián)合浙大睿醫(yī)的研究建立的ResNet多模態(tài)分類模型[5]，結(jié)合了年齡、HPV檢測(cè)結(jié)果、子宮頸細(xì)胞學(xué)結(jié)果、子宮頸轉(zhuǎn)化區(qū)類型這4個(gè)對(duì)陰道鏡診斷產(chǎn)生影響的因素，同時(shí)對(duì)醋酸圖像和碘圖像的特征進(jìn)行交互融合，最大程度模擬臨床陰道鏡檢查的診斷分析流程。分類模型的診斷敏感度、特異度和準(zhǔn)確率分別為85.38%、82.62%和84.10%，陽性預(yù)測(cè)值和陰性預(yù)測(cè)值分別是85.02%和83.03%，ROC曲線下面積達(dá)0.93。

本研究結(jié)果顯示，初期AI診斷區(qū)分異常病例（LSIL+HSIL）和正常病例的敏感度、特異度、陽性預(yù)測(cè)值及陰性預(yù)測(cè)值分別為72.53%、94.09%、88.89%及84.02%，敏感度明顯低于與訓(xùn)練集同源的驗(yàn)證集輸入模型得出的結(jié)果，也低于同期陰道鏡專家的陰道鏡診斷水平。敏感度低主要表現(xiàn)在初期模型對(duì)獨(dú)立驗(yàn)證集病理結(jié)果為異常病例（LSIL+HSIL）被錯(cuò)誤判定為正常。由于獨(dú)立樣本驗(yàn)證的圖像來自于本院陰道鏡機(jī)器，而模型訓(xùn)練的圖像出自于浙江大學(xué)附屬婦產(chǎn)科醫(yī)院陰道鏡圖像，兩組參數(shù)存在一定的差異，從而影響診斷的準(zhǔn)確性[6-7]。

人工智能電子陰道鏡輔助診斷系統(tǒng)模型的研發(fā)包括4個(gè)階段，即圖像采集區(qū)分、圖像預(yù)處理、圖像分割以及特征提取和分類。本研究經(jīng)過對(duì)初期模型的提升優(yōu)化，再次將2 740例陰道鏡圖像輸入模型，其區(qū)分異常和正常病例的敏感度、特異度、陽性預(yù)測(cè)值及陰性預(yù)測(cè)值分別為82.03%、90.65%、86.12%及87.70%。

綜上所述，基于深度學(xué)習(xí)的人工智能電子陰道鏡輔助診斷系統(tǒng)可以幫助陰道鏡醫(yī)生提高診斷性能，優(yōu)化臨床工作流程，值得推廣。