篩查準確率高達92.1%！大數據助力宮頸癌篩查

根據世界衛生組織的數據顯示，宮頸癌是全球女性第二高發癌癥，2020年全球新增宮頸癌患者60萬例，并有大約34萬名患者因此失去生命。宮頸癌由人乳頭瘤病毒（HPV）持續感染而引起，盡管目前HPV疫苗有效降低了宮頸癌的發生率，但是整體上來說疫苗的覆蓋率仍不充足。因而，通過宮頸癌篩查確定宮頸上皮內瘤變（CIN）或宮頸癌水平對于及時預防或治療宮頸癌至關重要。

目前來說，宮頸細胞學檢查和HPV檢測是常見的非侵入性初級篩查方法。但是，就宮頸細胞學檢查來說，由于一些女性細胞學檢查中的涂片未能采集宮頸病變區域的樣本，敏感性往往比較低。另外，就HPV檢測來說，只有感染時間長的人才會發展為高CIN水平或癌癥，所以HPV檢測靈敏度高但特異性較低。陰道鏡檢查是根據結腸鏡對宮頸圖像的解釋，用于進一步檢查細胞學或HPV檢測異常的女性，它是侵入性的，可能會導致出血或感染。因而，需要一種基于現有臨床檢查的無創、客觀、準確的宮頸篩查方法。

近日，來自中國科學院蘇州生物醫學工程技術研究所的研究團隊提出了一種跨膜態融合細胞學檢查、HPV檢測和陰道鏡圖像檢查結果的宮頸病變無創篩查方法，篩查準確率高達92.1%，顯著優于單一篩查方法。研究結果以“Deep learning based cervical screening by the cross-modal integration of colposcopy, cytology, and HPV test”為題，發表在國際醫學信息學協會官方期刊International Journal of Medical Informatics（IJMI）上。

研究成果（圖源：IJMI）

在這項研究中，研究團隊利用深度學習方法構建了陰道鏡圖像自動篩查模型，輸出患者病變概率，實現了陰道鏡圖像客觀定量的解讀。他們還對細胞學檢查結果和HPV檢測結果進行類別編碼，采用邏輯回歸方法將類別編碼與陰道鏡圖像自動輸出的病變概率跨膜態融合，最終構建了宮頸癌綜合篩查模型。

研究團隊在研究中一共納入了2160名女性的檢查數據，其中正常或低級別病變1718名，高級別病變或宮頸癌442名。

納入標準如下：

1）2016-2019年接受宮頸癌篩查；

2）接受細胞學檢查、HPV檢測、陰道鏡檢查、陰道鏡活檢。

排除標準如下：

1）缺乏下列宮頸影像之一：生理鹽水影像、醋酸影像、碘影像；

2）圖像被遮擋或模糊。

研究人員使用生理鹽水影像、醋酸影像、碘影像三種圖像開發和測試基于陰道鏡的深度學習模型，結合基于單圖像模型，采用多變量logistic回歸建立了基于多圖像的深度學習模型。將細胞學檢查和HPV檢測結果應用MLR建立了細胞學檢查-HPV檢測聯合診斷模型。最后，結合基于多圖像的深度學習模型、細胞學檢查結果和HPV檢測結果，利用MLR構建跨模態綜合模型。并且，利用受試者工作特性曲線下的面積（AUC）集中測試模型的性能。

經過測試，細胞學檢查-HPV檢測聯合診斷模型的AUC為0.837（注：AUC越接近于1，檢測方法的真實性越高），顯著高于單一的細胞學檢查和HPV檢測。基于鹽水影像、乙酸影像和碘影像的深度學習模型的AUC分別是0.760、0.791和0.840，基于多圖像的深度學習模型的AUC提高到0.845。值得一提的是，綜合模型的表現最好，AUC為0.921。

表1.單一測試及綜合模型的診斷性能

表格來源：IJMI

單一測試及綜合模型的診斷性能（圖源：IJMI）

綜合以上，研究結果表明，與其他單一模型相比，綜合模型的性能最佳，敏感性和特異性更平衡，這說明細胞學檢測、HPV檢測和陰道鏡檢查在提高診斷性能方面具有協同效益。此外，綜合模型被可視化為一個易于使用的列線圖，通過總結模型中變量對應的點，可以直觀地為每位女性提供疾病風險，這便于臨床理解模型原理。

總之，結合所有類型的宮頸圖像有助于提高基于陰道鏡的深度學習的性能，通過結合HPV檢測結果、細胞學檢測結果和基于陰道鏡的深度學習模型，可以實現更準確的宮頸篩查。

參考資料：

[1]Fu L, Xia W, Shi W, et al. Deep learning based cervical screening by the cross-modal integration of colposcopy, cytology, and HPV test. Int J Med Inform. 2022 Mar;159:104675. doi: 10.1016/j.ijmedinf.2021.104675. Epub 2021 Dec 28. PMID:34979436.