基于SEResNet101与SE-VGG19融合模型的宫颈病变智能检测技术突破：精准肿瘤学新进展

本研究针对宫颈癌筛查中低级别鳞状上皮内病变(LSIL)与高级别鳞状上皮内病变(HSIL)鉴别难题，创新性整合SEResNet101和SE-VGG19深度学习模型，构建多模态宫颈图像融合识别系统。研究通过3305例阴道镜图像验证，SEResNet101模型表现卓越（灵敏度95%/特异度97%/AUC 0.98），显著优于SE-VGG19模型，为临床提供高精度AI辅助诊断工具，推动宫颈癌早诊早治技术革新。

　　

宫颈癌作为全球女性健康重大威胁，每年导致约30万死亡病例，其早期精准诊断直接关乎患者预后。当前临床依赖的巴氏涂片和HPV检测在区分癌前病变阶段——低级别鳞状上皮内病变(LSIL)和高级别鳞状上皮内病变(HSIL)时，面临敏感性与特异性不足的瓶颈。这两种病变的鉴别诊断至关重要却充满挑战：HSIL需积极干预而LSIL可保守观察，误判将导致过度治疗或延误病情。传统阴道镜诊断受制于医师经验差异，亟需客观、高效的智能辅助系统。

温州人民医院联合浙江省卫健委的研究团队在《BMC Cancer》发表突破性研究，首次将改进型深度学习模型SEResNet101（嵌入了通道注意力机制的残差网络）与SE-VGG19（融合注意力机制的视觉几何组网络）进行系统对比，构建基于3305例高质量阴道镜图像的多模态分析系统。研究创新性地采用K-means聚类算法预处理图像，通过醋酸染色/碘染色多时序图像特征融合，实现宫颈病变区域的智能定位与分级。

关键技术包括：1) 基于Leica数字阴道镜采集五模态图像（原始图像/醋酸处理1-2分钟图像/滤光图像/碘染色图像）；2) 应用SE(Squeeze-and-Excitation)模块增强特征选择，其中SEResNet101通过残差连接解决梯度消失问题，SE-VGG19利用3×3卷积核堆叠提取多层次特征；3) 采用80:20比例划分1805名患者的图像数据集，严格保持样本独立性；4) 通过混淆矩阵、ROC曲线(AUC)、F1分数等九项指标全面评估模型性能。

【数据特征】研究纳入2018-2024年间1805例患者（平均43.5±10.2岁）的7496张图像，经专家筛选后保留3305张（正常967/ LSIL1191/ HSIL1147）。数据集按6:2:2分为训练/验证/测试集，通过数据扩增解决类别不平衡问题。

【模型对比】SEResNet101展现出全面优势：在测试集达到97.2%准确率（SE-VGG19仅59.7%），Kappa系数0.958显示极强一致性。特别在HSIL识别中，其特异性曲线接近完美，F1分数达0.973，显著降低假阴性风险。可视化分析显示该模型能精准定位宫颈转化区病变（绿色边界框示踪），而SE-VGG19在复杂解剖结构（如宫颈柱状上皮异位）中易出现误判。

【机制解析】SEResNet101的成功归因于：1) 残差结构缓解深层网络退化，通过跳跃连接保留浅层特征；2) SE模块动态校准通道权重，全局平均池化（公式1）与全连接层（公式2）协同放大病理特征响应；3) 多模态图像融合提供互补信息，如醋酸图像突出异常血管，碘染色增强病灶边界对比度。

讨论指出，该技术突破传统主观诊断局限，尤其适合医疗资源匮乏地区。但需注意绝经期患者宫颈萎缩可能影响SE-VGG19的纹理识别，未来需扩大人群适应性验证。研究者建议将SEResNet101整合至临床工作流，其99.9%的AUC值预示极佳临床转化前景。

这项研究由浙江省卫健委面上项目(2019KY677)和温州市科技局项目(Y20242833)资助，标志着深度学习在妇科肿瘤影像诊断领域的重要突破。团队计划开展多中心试验，进一步优化模型对特殊生理状态（如妊娠期、绝经后）宫颈的识别能力，推动AI辅助诊断标准建立。