基于MobileNetV2模型的阴道分泌物图像快速筛查技术在阴道炎诊断中的应用研究

为解决传统阴道炎诊断依赖人工镜检存在主观性强、效率低的问题，越南胡志明市医药大学团队开展基于MobileNetV2模型的阴道分泌物图像自动分类研究。该研究通过分析3,164张阴道分泌物显微图像（分B/C/F三组），实现Gardnerella vaginalis（F1>0.90）的高精度识别，AUC-PR达0.95，为资源受限地区提供快速筛查方案。

　　

阴道炎作为全球女性高发的妇科疾病，严重影响生活质量，其诊断长期依赖人工显微镜观察阴道分泌物样本。这种传统方法不仅耗时耗力，更因技术人员经验差异导致诊断结果存在主观偏差。在越南胡志明市，约45%育龄女性受阴道炎困扰，而农村地区医疗资源匮乏使得准确诊断更为困难。抗生素滥用和耐药性问题进一步加剧治疗难度，凸显开发快速、客观诊断工具的紧迫性。

针对这一临床挑战，胡志明市医药大学和胡志明市医科大学医疗中心的研究团队创新性地将轻量化深度学习模型MobileNetV2应用于阴道分泌物图像分析。该研究收集1,582例患者共3,164张800×800像素的40倍光学显微镜图像，按病原体类型分为B组（混合细菌/阴道毛滴虫）、C组（加德纳菌）和F组（真菌）。通过图像锐化、旋转增强等预处理后，采用MobileNetV2架构进行训练验证，最终模型在测试集上对加德纳菌的识别F1分数和AUC-PR均超过0.90，相关成果发表于《Scientific Reports》。

关键技术包括：1）使用CX41生物显微镜采集样本图像；2）PhotoDirector软件进行标准化预处理；3）采用含线性瓶颈层的MobileNetV2架构；4）以F1分数和AUC-PR作为主要评估指标；5）与5位专家诊断结果进行一致性验证。

研究结果显示：

1. 模型性能验证：MobileNetV2在测试集上对C组（加德纳菌）表现最优（F1=0.87，AUC-PR=0.95），B组和F组指标均超过0.75。训练集上C组AUC-PR高达0.98，证实模型对"线索细胞"特征的特异性识别能力。
2. 专家一致性分析：模型与专家诊断吻合率达86.9%，但专家组内部存在<15%的判断差异，体现算法稳定性优势。
3. 分类混淆分析：箱线图显示模型能清晰区分B/C组（C组预测值中位数接近0），但对B/F组存在交叉（预测值跨度0.10-0.90），反映混合感染带来的诊断挑战。

讨论部分指出，该模型突破传统BV诊断依赖Amsel标准或革兰染色的局限，其轻量化特性适合移动端部署。相比Peng等开发的Inception ResNet V2模型（BV识别AUC 0.86），本研究在加德纳菌检测上实现显著提升。但存在单中心样本局限，未来需扩展多地区数据并优化共感染识别策略，如增加每样本5-10视野分析。

该研究开创性地证实MobileNetV2在阴道炎筛查中的实用价值，特别为医疗资源匮乏地区提供可靠解决方案。模型对加德纳菌的高敏识别（>90%指标）有望降低抗生素滥用风险，其87%的专家一致性预示AI辅助诊断的临床转化潜力。后续研究应聚焦多标签分类框架开发，以应对复杂混合感染场景的诊疗需求。