【总结】

这项发表于 Nature Communications 的研究提出了一种基于液基细胞学（LBC）全视野图像的深度学习（DL）辅助模型，可在宫颈癌筛查中提升诊断效率和准确率。在对超过 1 万例独立样本的验证中，模型表现稳定，甚至帮助年轻病理医生显著提升诊断准确性，并大幅减少阅片时间。研究还首次在真实社区和医院筛查场景中验证了模型的实用价值，具备强临床转化潜力。

一、文献概述

论文题目：
Deep learning enabled liquid-based cytology model for cervical precancer and cancer detection

发表期刊：
Nature Communications（2025）

研究单位：
中国医学科学院/协和医科大学肿瘤医院、中国科学院等多家机构

宫颈癌是全球发病率与致死率均高的妇科恶性肿瘤。
传统细胞学筛查存在主观性强、耗时长、敏感性不高等问题。
尤其在基层地区，经验丰富的细胞病理医生匮乏，筛查质量参差不齐。

人工智能辅助诊断被寄予厚望，尤其适用于液基细胞学（LBC）全数字化之后的阅片任务。

数据来源丰富、样本量庞大：

• 训练集：17397张LBC图像（来自重庆与广州两家病理机构）

• 测试集A-D：共10826张图像，涵盖9家医院、多个真实场景（多机构验证、多读者研究、社区筛查、医院筛查）

DL模型采用全视野WSI图像输入，不需手工区域选择。

---

二、模型结构与实现

旨在提升宫颈癌早筛效率，通过AI精准识别CIN2+病变，减轻一线细胞病理医生负担，提升基层筛查质量。

• 输入：LBC全图（0.18μm/pixel），由多个扫描仪生成

• 核心模块：

• 异常细胞检测器：检测ASC-US, LSIL, HSIL, AGC等异常细胞

• 热图可视化：生成感兴趣区域（ROI）

• 多实例分类器：输出为阴性/阳性

  
  

1. 多机构验证（Test A）：9家医院，5803例，验证泛化性能

2. 多读者实验（Test B）：28位病理医生 vs DL，有无AI辅助对比

3. 临床应用验证：

• 社区筛查（Test C）：与资深病理医生对比

• 医院筛查（Test D）：与初级病理医生对比

  
  

三、实验结果与验证