在AI消滅宮頸癌這件事情上，騰訊天衍實驗室做了一些重磅研究

機器之心專欄

機器之心編輯部

值得關注的是，對於超過3.5億的適齡婦女人群，即使以3-5年進行一次篩查的標準來衡量，我國目前的宮頸癌篩查覆蓋地區和人群數量仍然遠遠不足。來自騰訊天衍實驗室的AI電子陰道鏡輔診系統有望為「兩癌篩查」提供助力，輔助宮頸癌篩查全面落地應用和推廣，最大化釋放醫療普惠價值，助推我國醫療資源均衡化發展。

當第一次聽到醫生的診斷結果，宮頸癌患者最本能的反問就是「我怎麼會得宮頸癌？」而且很多人感到疑惑，明明才剛檢查出來，怎麼就晚期了？

宮頸癌是目前唯一病因明確、唯一可以早期預防和治療、唯一可能基本消滅的癌症。也就是說，只要早診早治，宮頸癌完全可以預防、早期發現及治癒。但據全球癌症統計報告顯示，僅 2020 年我國宮頸癌新發病例約 11 萬，死亡人數約 5.9 萬。

由於經濟發展的不均衡性, 許多不發達地區接受教育程度低，不熟知宮頸癌的早期臨床表現，加上基層醫務人員專業知識水平不足，早期篩查的可能性極低，故使得宮頸癌誤漏診率較高，導致部分宮頸癌一經確診即為中晚期，錯失了手術治療機會，顯著影響了患者的預後。因此，早期篩查宮頸癌成為臨床面臨的一大重任。

宮頸癌篩查挑戰重重

我國大部分的宮頸癌發病群體集中在醫療條件相對較差的地區。早在 2009 年，全國婦聯、衛生部就共同啟動了全國農村婦女和城鎮戶籍困難婦女「兩癌」（乳腺癌和宮頸癌）檢查項目，旨在通過篩查減少宮頸癌的發病率。近日，國家衛生健康委員會最新公佈資料顯示全國宮頸癌檢查已覆蓋近 2600 個縣市區，免費檢查 1.2 億人次，成效顯著。但客觀來看，相比超 3.5 億適齡婦女人群，即使以 3-5 年進行一次篩查的標準來衡量，目前我國的宮頸癌篩查覆蓋地區和人群數量仍然遠遠不足。

而與龐大的適齡篩查人群形成鮮明對比的是，基層婦科醫師資源與能力嚴重不足。統計顯示，我國有 80 萬婦科醫生，懂得陰道鏡檢查和診斷的醫生不足婦科醫生總量的 1/20。尤其在資源匱乏的偏遠地區，宮頸病灶複雜程度高、專業陰道鏡醫生稀缺、醫療水平層次不齊，陰道鏡檢查的準確性相對較低，漏診、誤診的情況時有發生，嚴重影響宮頸癌的篩查和預防效果。因此，儘管中國政府連續在全國範圍內實施免費宮頸癌篩查計劃，但到 2015 年仍有超過 30500 名女性死於宮頸癌。

同時，在篩查技術層面也面臨難以突破的 「瓶頸」。宮頸癌篩查目前採用的是「三階梯」 法：HPV 檢測或宮頸脫落細胞學初篩（TCT 或巴氏塗片）、初篩陽性者的陰道鏡檢查與活檢、宮頸病理確診，三個階梯逐步推進。而陰道鏡檢查為宮頸癌篩查和診斷之間架起了一座橋樑，被作為診斷 CIN（宮頸上皮內瘤變）和宮頸癌的最常用方法之一，如果初篩發現疑似宮頸病變，通過陰道鏡明顯檢查發現患者可能患有宮頸上皮內瘤變或癌症，就需要陰道鏡活檢（活體組織檢查）做出更確切的診斷。

陰道鏡師可通過陰道鏡將宮頸放大若干倍，以觀察到肉眼無法看見的上皮及血管變。陰道鏡下多點活檢是在宮頸陰道塗碘液與醋酸溶液著色後，多點定位取活體組織進行檢查，可發行細微的病灶，提高宮頸疾病診斷的準確率。且與傳統直視下宮頸活檢相比較，可降低漏診率，提高活檢陽性率。

然而陰道鏡下多點活檢存在以下侷限性：一方面陰道鏡下無法看到宮頸管內病變，特別是對於鱗狀上皮交界縮入頸管內或宮頸萎縮者，需要通過進一步檢查（如宮頸管診刮）確診；另一方面，需要先進的陰道鏡裝置及具備豐富經驗的陰道鏡醫師，才能取得可靠活檢標本，進行病理檢驗，且活檢取材必須夠深、夠大，因此陰道鏡多點活檢無法應用於門診普查中。

而且宮頸活檢本身也存在缺點。其一，因一般活檢組織很小，常只有一條組織而無間質，此情況往往不能確定為原位癌或浸潤癌，因此對診斷是否浸潤不理想，尤其當腫瘤細胞的數量很少且異形性不明顯，或伴糜爛壞死時；其二，製片所需時間長，一般都在十幾個小時以上，因此一般需要數天才出結果，有時可能延誤患者的治療；其三，宮頸活檢存在一定的假陰性（指實際有病但檢查未發現）。

造成宮頸活檢假陰性的原因又包括取材部位不當，特別是宮頸腫瘤中發現的原位癌，因患者沒有臨床症狀，檢查時部分患者宮頸光滑或輕度糜爛；取材組織過小，組織擠壓嚴重，在製片過程中組織破碎；取材為大量壞死物，以致癌細胞相對很少，以及取材標本多依賴於醫生的主觀經驗，一旦醫生出現失誤，會直接耽誤很多患者在癌變前期或早期癌變階段獲得及時診療。

如何用 AI 輔助診斷宮頸癌

如何破解陰道鏡下活檢技術瓶頸，能否通過智慧科技輔助醫生精準對宮頸病變區域進行判斷、分割，以及進行精準活檢取樣，以輔助醫生更高效準確的進行宮頸癌前病變判讀，隨著人工智慧、大資料技術的飛速發展，為宮頸病篩查技術研發創新應用帶來了新思路。

在中國醫學科學院北京協和醫學院喬友林教授團隊的指導下，由騰訊覓影牽頭，騰訊天衍實驗室提供演算法支援，經過大量實驗研究，開發推出了一款基於深度學習的宮頸上皮內瘤變（CIN）和宮頸癌診斷的 CAD 系統——AI 電子陰道鏡輔診系統，實現了利用 AI 技術輔助醫生閱片及進行陰道鏡下癌前病變的輔助診斷，作為陰道鏡醫師的 「AI 助手」，能幫助陰道鏡醫師幾十秒內智慧識別異常患者，大大節省醫生工作量的同時，有效提升了宮頸癌篩查準確率，幫助基層醫生跨越「技術鴻溝」 掌握宮頸癌篩查領先科技手段，已經過大量實驗和研究證明其準確率可達到專家級陰道鏡師診療水準，在真實臨床場景中擁有無限潛力。

AI 電子陰道鏡輔診系統有望為全國宮頸癌篩查服務開啟「加速度」，並作為一種低成本、精準高效的宮頸癌診斷工具，實現讓早期宮頸癌檢查在全國社群和基層診療體系中全面普及，科技助力宮頸癌早篩早診高效開展，對我國婦女病防治工作及女性健康管理也具有深遠意義。

騰訊天衍實驗室在 AI 電子陰道鏡輔助診斷系統的研究中提出了新的深度學習框架

近日，騰訊天衍實驗室圍繞 AI 輔助篩查宮頸癌的研究論文，相繼在《BMC Medicine》、《IEEE Transactions On Medical Imaging》、《Medical Image Analysis》及 MICCAI 等多個醫學頂級期刊及會議發表和收錄。

從技術層面來看，AI 電子陰道鏡輔助診斷系統重點突破了醫生利用陰道鏡診斷宮頸癌與癌前病變時的幾大關鍵難題，包括宮頸病變區域進行精確分割、對不同嚴重程度 CIN 的精準分離、為陰道鏡醫師準確定位活檢部位提供指導等多項技術瓶頸，顯著提升了電子陰道鏡診斷效率和準確率。

由於子宮頸表面的光反射等成像條件有一定困難，醫師在檢查過程中需要準確對病變區域進行分割，為病理檢驗進行準確的標本取材。但病變區域分割以往比較依賴醫生經驗，如果醫生出現誤判，那麼病理檢驗階段極有可能出現假陰性（指實際有病但檢查未發現），假陽性的誤診、漏診、過度活檢等現象的發生，貽誤病情。為此，如何提升基層醫院陰道鏡醫師專業能力，精準分割宮頸病變區域等能力，也成為加速消滅宮頸癌待解決的問題之一。

提出全局注意機制特徵庫，輔助陰道鏡醫師對影象進行多尺度視角進行病變區域分割

在臨床實踐中，陰道鏡醫師經常需要放大潛在病變區域，以便更清晰地觀察，如圖 1（a）和（b）所示。在這些影象中，病變區域大小千差萬別，這就對 CAD 系統進行精確地宮頸病變分割提出了多尺度特徵提取的高要求。雖然一些解決方案紛紛出臺，如 U-Net、PSPNet 和 DeepLab，但仍有改進的空間。

圖 1: 宮頸變分割資料集中的示例鏡影象。宮頸上皮內瘤變 (CIN) 和宮頸癌的病變區域分別用綠色和藍色輪廓標註。從左到右：（a）、（b）、（c）、（d）、（e）。

基於此，AI 電子陰道鏡輔助診斷系統提出了一種新的全局注意機制，即特徵圖書館（feature library）。該機制將整個骨幹網路視為一個特徵庫，收集不同階段的所有特徵，全局性地選擇有意義的特徵來構成穩健的宮頸病變分割表徵，並自適應地選擇不同尺度上的特徵來重新校準最具資訊量的表徵，輔助陰道鏡醫師的臨床決策，而且可以為活檢部位的定位提供指導。

為了更好地訓練和評估該深度學習網路，騰訊天衍實驗室構建了一個大規模的宮頸病變分割資料集（CINEMA dataset）。該特徵庫中的資料集包含了來自近萬個病例的數萬張影象，宮頸病變可分為宮頸上皮內瘤變（CIN）和癌症，由經驗豐富的鏡醫師對其進行註釋。用於深度學習網路的訓練和評估。實驗結果表明，該特徵庫對宮頸病變區域具有較好的分割效果。特徵庫是一個插件式模組，可以很容易地整合到任何 CNN 中。

通過融合多時隙影象排查低度鱗狀上皮內病變或更嚴重的病變（LSIL + 型，由 CIN1/2/3 和癌症組合）區域，準確識別需要陰道鏡活檢的患者

醋酸目視檢查法 (VIA) 是常用的陰道鏡檢查方法之一。典型 VIA 的過程可以概括為: 首先，在宮頸上應用 5% 的醋酸，可將發育不良的上皮轉變為白色區域(醋白色)。然後，陰道鏡醫師在 VIA 期間的不同時間點捕獲不同數量的醋酸後圖像。

宮頸區域在醋酸作用下逐漸變白，並且在施用醋酸 120s 左右變白最為明顯。VIA(150 秒)結束後，非癌患者的白色區域可能會消退，而 LSIL + 患者將會維持白色區域。白色區域的特徵 (白色程度、紋理等) 被視為 LSIL + 診斷的一個指標。LSIL + 識別的另一個重要臨床指標是白色區域的持續時間。

當前，宮頸癌自動診斷系統針對 VIA 實驗多采用單時隙影象，即僅使用一幅醋酸陰道鏡後的影象進行診斷，宮頸發育不良分類的準確度高度依賴於醋酸後圖像的質量，而醋酸後圖像對噪聲的魯棒性不強，例如，鑷子等偽影可能會遮擋病變區域。此外，使用單一醋酸後圖像的框架不能利用 VIA 試驗過程中包含的有價值的資訊，如白色區域的維持時間。

為此，AI 電子陰道鏡輔助診斷系統提出了一種採用延時陰道鏡影象來進行 LSIL+(包括 CIN 和宮頸癌)識別的深度學習框架，擬用框架包括關鍵幀特徵編碼網路和特徵融合網路兩個部分。該框架首先採用子宮頸檢測網路從整個影象中檢測出子宮頸區域。然後，利用分離特徵編碼網路對不同時隙的子宮頸區域進行特徵提取（對醋酸試驗中大約在第 60、90、120、150 秒捕獲的的原始 (醋酸前) 影象和陰道鏡影象進行特徵編碼）。最後，提取的特徵通過基於節點和邊緣特徵的可解釋性圖卷積網路 (E-GCN) 進行融合，識別出需要活檢的患者。

基於細粒度病變描述建立陰道鏡資料集，提升 CIN 分級準確率

早期發現宮頸上皮內瘤變 (CIN)（可能是宮頸表面鱗狀細胞的癌前改變和異常生長）可以明顯提高患者存活率。WHO 將 CIN 分為三個等級，CIN1(輕度)、CIN2(中度) 和 CIN3(重度)。不同的 CIN（宮頸上皮內瘤樣病變）分級的治療方法不同。儘管現有的研究提出了計算機輔助診斷 (CAD) 系統用於宮頸癌診斷，但是由於在陰道鏡下，CIN1 和 CIN2/3 有很大相似性，但都未能實現精準分離 CIN1 和 CIN2/3。

圖 2：GRAND 資料集中的陰道鏡影象樣本。CIN1 患者 (a) 的影象外觀可能與陰道鏡下的 CIN2/3 (b)相似。CIN 準確分級存在一些困難，如正常宮頸表面光反射引起的假病變區域 (c) 和偽影引起的閉塞(d)。

AI 電子陰道鏡輔助診斷系統中，研究人員構建了一個陰道鏡影象資料集（GRAND），用於採用細微病變描述對宮頸上皮內瘤樣病變分級。陰道鏡專家主要是通過觀察 120s 時陰道鏡影象上顯示的宮頸醋白上皮質地 (TAE) 和血管外觀 (ABV) 來進行 CIN 分級。

對於每名患者，研究人員記錄下施用醋酸後 120s 的影象，並邀請經驗豐富的陰道鏡醫師對兩個臨床有用的線索宮頸醋白上皮質地 (TAE) 和血管的外觀 (ABV) 進行相應標註，為深度學習網路系統提供了額外資訊並提高其 CIN 分級的準確率。

針對該資料集，研究人員建立了一個多評估者介導模型。提出的框架包含有幾個通過分別對比學習來利用細微病變特徵 TAE 和 ABV 的子網路系統 (評估者)，以及一個從陰道鏡影象中提取全部資訊的骨幹網路。對 GRAND 資料集進行了一項綜合試驗。試驗結果證明了使用附加病變描述(TAE 和 ABV) 的獲益，可將 CIN 分級準確率提高 10% 以上。此外，通過邀請陰道鏡醫師與 AI 電子陰道鏡輔助診斷系統競賽，評測出所推出的基準框架的 CIN 分級準確率與陰道鏡專家相當。

除此外，由於陰道鏡醫生在陰道鏡檢查時會分析影象和非影象資訊(子宮頸細胞學檢查 TCT 和 HPV 狀態)，AI 電子陰道鏡輔助診斷系統也儘可能準確地模擬陰道鏡專家的診斷，該輔助系統由兩個基於深度學習的模組組成，分別用於對陰道鏡提示的分級和引導活檢。簡而言之，擬用 AI 電子陰道鏡輔助診斷系統首先檢測影象的宮頸區域，以便後續特徵提取，然後利用圖形卷積網路來融合所提取的特徵，最後將非影象資訊與影象的融合特徵連結起來，得出分級提示的結果，預測疑似病變區域，限制引導活檢部位的範圍。

通過十幾萬份陰道鏡影象的培訓和驗證，AI 電子陰道鏡輔助診斷系統與病理學結果作為黃金標準的一致性達到了 82.2% 的高水平，並且高於陰道鏡專家 65.9% 的原始陰道鏡解釋。上述研究表明，通過 AI 電子陰道鏡輔助診斷系統可有效協助基層醫院陰道鏡師，提升陰道鏡師診療水準，縮小三級醫院與基層醫院之間的診斷能力差距，提高宮頸癌篩查質量。

讓 AI 下沉基層

尖端技術的突破依賴於與醫療頂級專家合作，但醫療 AI 最廣泛的應用場景仍在基層。服務基層醫療機構，助力普惠醫療、服務分級診療、推進早癌篩查等也是醫療 AI 的主場景。

AI 電子陰道鏡輔診系統有望為 「兩癌篩查」 提供助力，輔助宮頸癌篩查全面落地應用和推廣，高效提升宮頸癌篩查服務覆蓋人群範圍與服務效率，並有效緩解基層醫療服務能力和水平不足的現狀，助推衛生資源欠發達地區打通宮頸癌篩查鏈條的「最後一公里」，讓早期宮頸癌檢查可以在基層大範圍普及，幫助適齡婦女人群，尤其廣大農村女性從中獲益，最大化釋放醫療普惠價值，助推我國醫療資源均衡化發展。

科技改變生活，伴隨著網際網路、大資料、人工智慧等前沿技術的爆發，科技正在推動基層醫院數字化升級，改善基層醫療服務質量與水平，幫助患者在基層得到更優質的就醫體驗以及更精準的診療，為改變中國醫療難題發揮科技價值。

附：相關發表論文題目與作者

題目：Feature Library: A Benchmark for Cervical Lesion Segmentation作者：Yuexiang Li, Jiawei Chen, Kai Ma, and Yefeng Zheng

題目：Computer-Aided Cervical Cancer Diagnosis Using Time-Lapsed Colposcopic Images作者：Yuexiang Li , Jiawei Chen, Peng Xue, Chao Tang, Jia Chang, Chunyan Chu,Kai Ma , Qing Li, Yefeng Zheng, and Youlin Qiao

題目：GRAND: A Large-scale Dataset and Benchmark for Cervical Intraepithelial Neoplasia Grading with Fine-grained Lesion Description作者：Yuexiang Li, Zhi-Hua Liu, Peng Xuec , Jiawei Chena , Kai Maa , Tianyi Qiand , Yefeng Zhenga, You-Lin Qiao

題目：Development and validation of an artificial intelligence system for grading colposcopic impressions and guiding biopsies作者：Peng Xue, Chao Tang , Qing Li , Yuexiang Li, Yu Shen, Yuqian Zhao, Jiawei Chen, Jianrong Wu, Longyu Li, Wei Wang, Yucong Li, Xiaoli Cui, Shaokai Zhang, Wenhua Zhang, Xun Zhang, Kai Ma, Yefeng Zheng, Tianyi Qian, Man Tat Alexander Ng, Zhihua Liu, Youlin Qiao, Yu Jiang and Fanghui Zhao