基于人工智能的数字化阴道镜宫颈转化区识别方法：多中心验证研究与临床转化应用

针对中低收入国家宫颈癌筛查中阴道镜医师经验不足导致的转化区(TZ)识别难题，中国多中心团队开发了基于轻量化MobileNetV3架构的AI分类模型和FastSAM分割系统。研究纳入6家三甲医院3616例患者数据，模型对TZ1/TZ2/TZ3分类准确率达83.97%，新鳞柱交界(SCJ)分割mAP达0.75，外部验证灵敏度达80.3%-81.1%。该技术可辅助临床精准定位癌前病变高发区域，为AI阴道镜系统提供关键特征识别模块。

　　

宫颈癌作为全球女性第四大常见恶性肿瘤，在中低收入国家仍是重大公共卫生挑战。尽管阴道镜检查是筛查宫颈癌前病变的关键手段，但其诊断高度依赖操作者经验——国际研究发现初级医师对转化区(TZ)类型的识别准确率仅22%-55%，尤其对隐匿在宫颈管内的TZ3类型极易漏诊。更棘手的是，超过90%的宫颈癌起源于TZ区域，准确识别该区域不仅决定活检有效性，更直接影响后续治疗方式选择（如是否需要宫颈管搔刮ECC）。现有AI阴道镜系统虽能检测高级别病变，却普遍缺乏对TZ特征的建模，这成为提升诊断精度的关键瓶颈。

中国医学科学院北京协和医学院团队联合国内6家三甲医院，开展了一项突破性研究。研究人员收集2019-2021年间3616例患者的8335张高清阴道镜图像，创新性地将轻量化卷积神经网络与提示学习分割技术结合，开发出全球首个能同步实现TZ分类与定位的AI系统。该成果发表于《JMIR Cancer》，为AI辅助阴道镜检查树立了新标准。

研究采用三大关键技术：①基于YOLOv5的宫颈区域检测模块消除器械干扰；②改进MobileNetV3架构（嵌入多尺度卷积和空间金字塔池化模块）实现TZ1/TZ2/TZ3分类；③利用FastSAM模型通过新SCJ提示分割TZ区域。所有模型均在独立外部验证集（1335例）测试泛化性。

【TZ分类结果】
模型在测试集达到83.97%分类准确率，对TZ3的识别特异性达94.03%。外部验证显示，模型对隐匿型TZ3的灵敏度达80.3%，显著高于初级医师水平。值得注意的是，TZ3患者平均年龄(45.04岁)显著高于其他组，且31.4%已绝经，印证了年龄与TZ内移的临床规律。

【TZ分割结果】
通过标注新SCJ边界（非传统原SCJ），FastSAM模型成功勾勒TZ区域轮廓，召回率达0.78。可视化结果显示，模型能准确区分醋酸白反应区与正常上皮边界，这对指导靶向活检至关重要。

【讨论与意义】
这项研究首次证明：①轻量化AI模型可在便携设备实现实时TZ分析，适合资源匮乏地区；②将TZ特征整合至AI系统可突破现有模型仅依赖醋酸白改变的局限；③新SCJ分割策略比传统方法更符合临床治疗决策需求。尤为重要的是，在配套临床实验中，该模型使TZ3识别准确率从培训前的22%提升至80%以上，这意味着每年可避免数以万计的漏诊病例。

未来研究需扩大样本多样性，特别是增加绝经后女性TZ2图像以优化模型特异性。团队计划将该系统整合至动态阴道镜设备，通过实时可视化引导实现"所见即所治"的精准医疗模式。这项技术不仅填补了AI阴道镜的关键功能空白，更为实现WHO消除宫颈癌战略提供了可推广的智能解决方案。