基于深度学习的宫颈癌筛查细胞图像自动判读研究综述

基于深度学习的宫颈癌筛查细胞图像自动判读研究综述宫颈癌作为女性生殖系统恶性肿瘤发病率首位的第一位，全球每年新发病例超过60万，死亡病例约34万，其中85%以上的死亡病例发生在医疗资源匮乏的低收入和中等收入国家。宫颈细胞学筛查是降低宫颈癌发病率和死亡率的核心公共卫生策略，传统巴氏涂片、液基薄层细胞学检查（TCT）等筛查手段依赖病理医生人工判读细胞涂片，存在诊断效率低、医师培养周期长、不同医师判读一致性差等问题，在基层地区尤其突出。近年来，深度学习技术在医学图像分析领域的快速突破，为宫颈癌筛查细胞图像自动判读提供了全新的技术路径，相关研究已从实验室探索逐步走向临床应用试点，展现出巨大的应用价值与发展潜力。一、宫颈癌筛查细胞图像数据集构建与预处理技术数据集是深度学习模型训练的基础，宫颈癌筛查细胞图像数据集的质量直接决定了模型的最终性能。目前公开的宫颈癌筛查细胞图像数据集主要包括三类：第一类是细胞级标注数据集，代表性的有Herlev数据集，包含917例宫颈细胞图像，覆盖正常鳞状上皮细胞、低度鳞状上皮内病变、高度鳞状上皮内病变等7类细胞，是早期单细胞分类算法的核心测试基准；第二类是涂片级标注数据集，如SIPaKMeD数据集包含4049张单个宫颈细胞图像、254张全视野数字切片（WSI），标注覆盖细胞层面与涂片层面的病理诊断结果，可支持细胞检测、涂片分类等多任务训练；第三类是大规模临床真实世界数据集，由国内多家医院联合构建的宫颈癌筛查数据集已突破100万张涂片规模，包含不同制片方式、不同扫描设备生成的细胞图像，覆盖了炎症、化生、癌前病变、浸润癌等全类型病理状态，更贴近临床实际应用场景。数据集预处理是提升模型鲁棒性的关键环节，主要包括图像归一化、细胞区域分割、数据增强三个核心步骤。图像归一化方面，针对不同染色差异导致的图像色彩分布不一致问题，主流方法包括基于颜色迁移的Reinhard算法、基于生成对抗网络的风格迁移算法，能够将不同来源的细胞图像统一到相同的色彩空间，降低染色偏差对模型判读的影响。细胞区域分割方面，早期研究多采用阈值分割、边缘检测等传统图像处理方法，对重叠细胞、低对比度细胞的分割效果较差；近年来基于U-Net的分割算法已成为主流，通过引入注意力机制、多尺度特征融合模块，重叠细胞分割的Dice系数已提升至0.92以上，能够准确分离粘连的细胞核与细胞质区域。数据增强方面，除了常规的旋转、翻转、缩放、噪声注入等像素级增强方法，基于生成对抗网络的细胞图像生成技术逐渐得到应用，能够生成接近真实病理特征的罕见病变细胞图像，有效缓解数据集类别不平衡问题，提升模型对少见病变类型的识别准确率。二、细胞图像特征提取与分类算法研究基于深度学习的宫颈细胞图像特征提取与分类算法，按照处理粒度可以分为单细胞分类算法、全视野涂片分类算法两大类。单细胞分类算法的核心目标是对分割得到的单个细胞图像进行良恶性判定。早期研究主要基于卷积神经网络（CNN）架构，2016年首次有研究将AlexNet应用于宫颈细胞分类任务，在Herlev数据集上的分类准确率达到94.5%，超过了传统机器学习方法的性能上限。后续研究针对CNN模型的特征提取能力进行了多维度优化：通过引入残差连接结构，解决了深层CNN模型训练过程中的梯度消失问题，ResNet系列模型在单细胞分类任务上的准确率已突破97%；通过引入轻量级网络架构，MobileNet、ShuffleNet等模型在保证分类准确率损失小于1%的前提下，将模型参数量压缩至原来的1/10，能够部署在算力有限的边缘设备上，适合基层筛查场景的离线应用需求。值得注意的是，近年来Transformer架构逐渐被应用于宫颈细胞分类任务，通过自注意力机制捕捉细胞图像中全局纹理、核质比等长距离特征关联，在包含10万级单细胞图像的大规模数据集上，Transformer模型的分类准确率相比CNN模型提升了2.3个百分点，尤其对形态不典型的低度病变细胞识别准确率提升更为显著。全视野涂片分类算法直接针对整张宫颈细胞涂片图像进行判读，无需预先进行单个细胞分割，更接近病理医生实际阅片流程。早期的全视野涂片分类算法多采用“滑动窗口+单细胞分类”的思路，将整张涂片切分为多个小的图像块，对每个图像块进行分类后再汇总结果得到涂片的最终诊断，该方法存在计算效率低、容易遗漏小面积病变区域等问题。2018年以来，基于弱监督学习的全视野涂片分类方法成为研究热点，通过多实例学习（MIL）架构，仅需要涂片级别的标注即可完成模型训练，无需对单个细胞进行标注，大幅降低了数据集标注成本。目前主流的多实例学习算法通过引入注意力机制，能够自动定位涂片中的可疑病变区域，在包含20万张临床涂片的数据集上，模型对高度鳞状上皮内病变及以上级别病变的识别AUC值达到0.98，灵敏度达到96.2%，特异度达到93.5%，性能已经接近高年资病理医师的平均水平。部分研究进一步将临床信息（如患者年龄、HPV感染史）与细胞图像特征进行多模态融合，进一步将模型判读的AUC值提升至0.99，有效降低了假阳性率。三、模型可解释性与临床适用性研究深度学习模型的“黑箱”特性是制约其临床应用的核心瓶颈，病理医师无法理解模型判读结果的依据，难以对模型结果进行复核和信任。近年来，针对宫颈癌筛查细胞图像判读模型的可解释性研究取得了一系列进展，主要包括三类技术路径：第一类是基于注意力热力图的可视化方法，通过Grad-CAM、Score-CAM等算法生成模型判读的注意力热力图，高亮显示模型判定病变时重点关注的细胞区域，能够直观展示模型的决策依据，方便病理医师对模型结果进行快速验证；第二类是基于规则嵌入的可解释模型构建方法，将病理诊断指南中的核增大、核形不规则、核染色质增粗等细胞学诊断规则嵌入到深度学习模型的训练过程中，使得模型的决策过程与病理医师的诊断逻辑保持一致，提升了模型结果的临床可接受度；第三类是基于自然语言生成的诊断报告自动生成技术，模型在给出涂片判读结果的同时，自动生成对应的诊断描述文本，列出涂片中存在的病变细胞数量、形态特征、分布情况等信息，直接辅助病理医师撰写诊断报告，进一步提升了模型的临床应用价值。在临床适用性提升方面，相关研究主要围绕模型的鲁棒性优化、多场景适配两个方向展开。鲁棒性优化方面，针对实际筛查过程中常见的涂片染色过深/过浅、细胞重叠严重、存在杂质污染等低质量图像问题，研究人员通过在训练集中加入大量低质量图像样本、引入对抗训练机制等方式，提升模型对低质量图像的容忍度，目前主流模型在低质量细胞图像上的判读准确率下降幅度已经控制在5%以内，能够满足实际筛查场景的需求。多场景适配方面，针对不同制片方式（巴氏涂片、液基细胞学涂片）、不同扫描设备（不同品牌的病理切片扫描仪）、不同人群（不同年龄、不同民族、不同HPV感染状态）的差异，研究人员通过领域自适应算法、迁移学习算法等技术，降低不同场景下的数据分布差异对模型性能的影响，使得模型能够在不同医疗机构之间快速迁移部署，无需进行大量的重新标注和训练工作。四、临床应用与落地挑战目前，基于深度学习的宫颈癌筛查细胞图像自动判读系统已经在国内多家医疗机构进入临床试点应用，应用模式主要包括两种：一种是辅助诊断模式，系统对上传的细胞涂片图像进行自动初筛，标记出可疑的病变区域和可疑病例，由病理医师对系统标记的病例进行复核，该模式能够将病理医师的阅片效率提升300%以上，同时降低漏诊率；另一种是初筛独立诊断模式，在医疗资源极度匮乏、没有病理医师的基层地区，系统可以独立完成宫颈癌筛查的初筛工作，将筛查阳性病例直接转诊至上级医疗机构进行进一步诊断，有效提升了基层地区宫颈癌筛查的覆盖率。尽管相关技术已经取得了显著进展，但大规模临床落地仍然面临一系列挑战：首先是监管审批问题，作为三类医疗器械，宫颈癌筛查细胞图像自动判读系统需要通过严格的医疗器械注册审批，目前国内仅有少数产品获得了医疗器械注册证，大部分研究成果仍然停留在实验室阶段，距离大规模普及还有较长的路要走；其次是数据互联互通问题，不同医疗机构的病理切片扫描仪数据格式不统一，细胞图像数据难以实现跨机构共享和传输，制约了模型的大规模训练和推广应用；第三是临床应用的标准规范缺失，目前尚未形成统一的针对深度学习宫颈癌筛查系统的性能测试标准、临床应用指南，不同产品的性能评估方法和临床应用流程不统一，也在一定程