综述：移动端宫颈癌筛查技术的潜力：文献综述

这篇综述系统梳理了近五年（2019–2024）移动端宫颈癌筛查技术的研究进展，指出基于卷积神经网络（CNN）的轻量化架构（如MobileNet、YOLO、ResNet）结合图像分割技术展现出较高潜力，但标准化数据集和分类策略的缺失制约了性能评估。研究强调需提升技术可复现性，尤其在中低收入国家推广低成本筛查方案（VIA/VILI）。

　　

Abstract

宫颈癌作为可预防性疾病，全球年发病超50万例，其中90%集中于中低收入国家（LMICs）。早期筛查通过识别癌前病变可显著降低发病率，但受限于高端设备短缺、资源分配不均及人工判读差异，移动端低成本解决方案成为研究热点。

Background

宫颈癌防治的核心矛盾在于LMICs医疗资源匮乏与筛查需求激增。传统依赖显微镜（如Pap涂片）的方法难以普及，而基于智能手机的便携式成像技术（如VIA/VILI）结合人工智能（AI）算法，可辅助基层医师实现快速初筛。

Methods

通过分析25篇近五年文献发现，当前研究主要采用高性能CNN架构（如ResNet⁵⁰、MobileNetV3）进行宫颈图像分类。但两大瓶颈凸显：一是缺乏统一数据集（如Herlev数据集未成标准），二是分类标准各异（如Bethesda系统vs. WHO分级），导致模型横向对比困难。

Results

技术趋势：

1. 轻量化模型：MobileNet与YOLO的迁移学习（Transfer Learning）在保持精度的同时显著降低计算负载；
2. 多模态融合：联合使用醋酸染色（VIA）和卢戈氏碘染色（VILI）图像可提升特异性；
3. 创新架构：ResNet-UNet混合模型通过分割病灶区域（Segmentation）优化分类效果，部分研究报道准确率达92.3%。

现存挑战：

• 数据偏差：现有数据集多来自高收入国家，与LMICs人群特征匹配度低；
• 黑箱问题：CNN决策过程缺乏可解释性，影响临床信任度。

Conclusion

移动端筛查技术虽在成本效益和可及性上优势显著，但需建立跨机构协作的标准化验证框架。未来方向包括开发自适应LMICs的轻量级模型（如EdgeAI部署）和动态影像分析（如视频流筛查），以弥补静态图像的局限性。