人工智能的加入为电子阴道镜检讨带来了破题思路。算法框架升级后的“腾讯觅影”AI电子阴道镜赞助诊断系统，可实现利用AI技能仿照年夜夫读片过程，进行阴道镜下癌前病变赞助判读，赞助基层年夜夫快速进行宫颈癌病变分级和活检点预测，有效提高阴道镜检讨和活检诊断的准确率。干系研究的论文获《BMC Medicine》《IEEE Transactions On Medical Imaging》《Medical Image Analysis》及MICCAI等多个医学顶级期刊及会议收录。
同时，腾讯天衍实验室将进一步开放在智能阴道镜领域积累的研究成果，环绕活检预测、病灶分割、病变分级等宫颈癌AI赞助筛查中的痛点，启动AI竞赛，希望吸引更多的人工智能从业者关注宫颈癌早筛系统的开拓，助力早日实现肃清宫颈癌的目标。
“腾讯觅影”AI电子阴道镜赞助诊断系统提出的深度学习框架
腾讯天衍实验室提出的新模型，利用图网络技能对年夜夫临床诊断过程进行仿照，并在图像输出特色上加入HPV和细胞学结果以提高宫颈癌病变分级的精度。另一方面，模型利用U-Net对阴道镜图像中的病灶区域进行分割，并利用YOLO网络对活检点进行预测，帮助年夜夫更精确地对病人进行活检采样。
在宫颈癌筛查中，阴道镜检讨常日须要在敷过醋酸的宫颈上采集不同韶光段（醋酸后约60s，90s，120s和150s）的四张图像。然而在获取图像过程中常常会发生子宫颈移位问题，导致图像中宫颈位置分歧一。腾讯天衍实验室提出了子宫颈检测网络，可从全体图像中识别出子宫颈的位置作为紧张剖析区域。
其次，图像中的潜在病变区域常日须要被放大不雅观察，导致病变区域的显示形态发生变革，造成系统在进行图像剖析时无法识别的问题。就此，腾讯天衍实验室采取了一种新的剖析机制——特色库。该特色库将全体骨干网视为一个特色池，并从池中提取不同大小比例的特色图像，以重新校准图像。特色库的数据集还包含了原始（预醋酸）图像和醋酸后几个关键韶光的阴道镜图像编码特色。利用具有边缘特色的图卷积网络（E-GCN）技能领悟这些编码特色，可以比拟并剖析连续阴道镜图像，更准确地表示不同韶光节点图像之间的关系，以充分获取醋酸测试过程中所包含的如“白度持续韶光”等宝贵信息，尽可能地打消了仅针对单个醋酸后图像进行剖析的局限性。
通过这一系列图网络技能，腾讯天衍实验室开拓的新AI模型，对年夜夫临床诊断过程进行仿照，并在图像输出特色上加入HPV和细胞学结果，有效地提高了宫颈癌病变分级的精度，帮助年夜夫更准确地识别出须要进行活检的患者。
此外，腾讯天衍实验室提出的新框架模型还利用了U-Net对阴道镜图像中的病灶区域进行分割，并利用YOLO网络对活检点进行预测，为随后的活检供应指引。三万多张阴道镜检讨图像由履历丰富的医学专家进行注释，形成的数据集被用于演习和评估这一深度学习框架。实验结果表明，升级后的系统实现了出色的分级精度，不仅优于现有算法，还优于履历丰富的医师。为理解决多中央影像数据差异的问题，一系列域适应（domain adaptation）技能亦被运用在系统中，对不同中央的阴道镜图片进行色彩与亮度上的统一，从而提升了系统的整体泛化性。
目前，宫颈癌筛查采取的是“三阶梯”法：第一步，年夜夫会先用高敏感度的HPV病毒筛查或宫颈脱落细胞学检讨（TCT或巴氏涂片）进行初筛检测；第二步，初筛阳性患者将被转诊到阴道镜检讨的环节，根据阴道镜的检讨结果，年夜夫将做出是否须要活检的决定，并确定取活检的位置。第三步便是宫颈病理确诊。个中，阴道镜检讨是“关键一步”，将很大程度上影响年夜夫终极是否须要活检与取活检位置的确定。
然而，作为宫颈癌筛查流程中至关主要环节，基层阴道镜检讨的推广遭遇了瓶颈：一方面我国懂得阴道镜检讨和诊断的妇科年夜夫资源不敷，我国有80万妇科年夜夫，但懂得阴道镜检讨和诊断的年夜夫不敷1/20。另一方面，阴道镜检讨诊断与质控管理能力随意马虎受到年夜夫主不雅观履历的影响，由于目前的阴道镜检讨技能过多地依赖专家的主不雅观履历，短缺适宜筛查运用的质控管理及赞助诊断功能，临床年夜夫对阴道镜检讨结果的判断会受图像质量、宫颈位置等滋扰成分的影响，判断缺点造成的活检不当，会影响筛查的准确性。
腾讯天衍实验室的研究打破，在赞助年夜夫进行宫颈疾病的诊断上有着重要代价。通过十几万份阴道镜图像的培训和验证，AI电子阴道镜赞助诊断系统与病理学结果作为黄金标准的同等性达到了82.2%的高水平，并且高于阴道镜专家65.9%的原始阴道镜阐明。上述研究表明，AI电子阴道镜赞助诊断系统可有效帮忙基层医院阴道镜技师，提升阴道镜技师诊疗水准，缩小三级医院与基层医院之间的诊断能力差距，提高宫颈癌筛查质量。
来源： 光明网