基于紧凑显微镜和AI辅助的宫颈细胞学筛查系统在资源有限地区的高风险人群应用研究

研究人员针对资源有限地区宫颈癌筛查覆盖率不足的问题，开发了一种结合超低成本紧凑显微镜和人工智能算法的宫颈细胞学筛查系统。通过设计低分辨率显微镜和开发DualCytoNet算法，实现了对鳞状上皮内病变(SIL)的高效检测，在多个独立测试集中AUC达到0.85-0.89。该研究为资源匮乏地区提供了一种经济有效的宫颈癌筛查解决方案，符合WHO消除宫颈癌的全球战略。

　　

宫颈癌是全球女性第四大常见癌症，在低收入和中等收入国家尤为严重。尽管人乳头瘤病毒(HPV)疫苗接种至关重要，但细胞学筛查仍然是降低宫颈癌发病率的关键。然而，传统集中式筛查方法需要大量投资和专业病理学家，导致资源有限地区的筛查覆盖率严重不足。如何在这些地区实现经济高效的宫颈癌筛查，成为全球公共卫生领域亟待解决的难题。

针对这一挑战，华中科技大学武汉光电国家实验室生物医学光子学教育部重点实验室的研究团队开发了一种创新的AI辅助宫颈细胞学筛查系统。该系统结合超低成本紧凑显微镜和专门设计的深度学习算法，能够在资源有限环境下实现对高风险人群的有效筛查。相关研究成果发表在《Nature Communications》上。

研究人员主要采用了三种关键技术方法：1)设计基于消费级电子硬件和非球面镜片的紧凑显微镜系统(成本约300美元)；2)开发两阶段DualCytoNet算法，包括粗粒度实例分类器和Att-Transformer特征聚合模块；3)利用来自4家医院的3510例低分辨率全玻片图像(LRWSI)进行模型训练和验证，并在4个独立测试集(共1314例)上进行评估。

紧凑显微镜和细胞学LRWSI数据集

研究团队设计的紧凑显微镜采用非球面镜片显著压缩光路，整个系统尺寸小巧(48×38×20mm)，成本仅为传统系统的1/100。成像质量分析显示，虽然低分辨率图像在核质纹理细节上有所欠缺，但仍能支持基本的形态学判读。团队收集了来自4家医院的5441例宫颈细胞学玻片，构建了大规模LRWSI数据集用于算法开发和验证。

算法设计与实现

针对显微镜低分辨率导致的病变细胞识别困难，研究团队创新性地提出了两阶段DualCytoNet算法。第一阶段训练粗粒度实例分类器筛选出前200个可能包含病变的实例；第二阶段开发Att-Transformer聚焦并整合这些实例中的稀疏病变信息。Att-Transformer整合了Vision Transformer主干和门控注意力模块，能够突出稀疏阳性细胞特征。

宫颈癌前病变筛查性能

在内部测试集(194阳性/195阴性)上，系统AUC达到0.845。在外部测试中，对两家外部基层医院的364例玻片AUC分别为0.873和0.891；对原始四家医院新收集的391例玻片AUC为0.889；对570例HPV阳性患者玻片AUC为0.855。相比之下，现有最优病理WSI分析算法CLAM和TransMIL在相同数据集上AUC均低于0.600。

特征表示与模型解释性

t-SNE可视化显示，模型能够有效区分阳性和阴性实例，并按细胞形态特征进行聚类。实验证明监督学习获得的特征比自监督学习和ImageNet预训练特征更有效和鲁棒。Att-Transformer的注意力机制提供了良好的可解释性，能够准确定位病变区域。

这项研究的重要意义在于：1)开发了成本极低的紧凑显微镜系统，大幅降低了宫颈癌筛查的门槛；2)提出的DualCytoNet算法成功解决了低分辨率图像中稀疏病变细胞的识别难题；3)在多个独立测试集上验证了系统性能，证实其在实际应用中的可靠性；4)为WHO提出的消除宫颈癌全球战略提供了切实可行的技术方案。

研究也存在一些局限性，如对非典型鳞状细胞(ASC)的识别能力有限(AUC下降约0.1)，这主要源于低分辨率图像丢失了部分细微纹理特征。未来研究可通过优化显微镜成像质量和算法性能来进一步提升ASC识别能力。尽管如此，该系统已能有效识别最具临床意义的SIL病例，为资源有限地区的宫颈癌筛查提供了切实可行的解决方案。

该研究的创新之处在于将硬件设计与AI算法紧密结合，针对资源有限地区的特殊需求进行优化。紧凑显微镜的低成本特性使其易于在基层医疗机构推广，而专门设计的算法则克服了低分辨率图像的识别难题。这种"硬件+算法"的整体解决方案，为改善全球宫颈癌筛查覆盖率不平等问题提供了新思路。