基于深度学习和对比学习的宫腔镜辅助诊断系统ECCADx在子宫内膜不典型增生和子宫内膜癌检测中的突破性研究

本研究针对子宫内膜癌(EC)和子宫内膜不典型增生(AEH)传统宫腔镜诊断准确率不足的临床挑战，开发了基于深度学习和对比学习(CL)的计算机辅助诊断系统ECCADx。研究人员通过多中心回顾性研究(1394例患者，55874张图像)，创新性地将对比学习应用于宫腔镜图像分析，在内部测试集达到95.2%灵敏度和91.3%特异度，外部验证集达92.1%灵敏度和100%特异度，性能超越各级内镜医师。该研究为子宫内膜病变的精准诊断提供了可靠工具，有望减少误诊并改善患者预后。

　　

子宫内膜癌(Endometrial Cancer, EC)作为全球女性第六大常见恶性肿瘤，2020年新发病例高达41.7万例。尽管67%患者确诊时为早期(5年生存率达81%)，但晚期患者生存率骤降至15-17%。更棘手的是，作为EC癌前病变的子宫内膜不典型增生(Atypical Endometrial Hyperplasia, AEH)具有28%的20年进展风险，且约1/3病例可能合并隐匿性EC。传统宫腔镜虽较刮宫术更具优势(诊断EC灵敏度82.6%，特异度99.7%)，但临床实践中仍存在32.7%-45.3%的EC低估风险，亟需更精准的诊断工具。

华中科技大学同济医学院附属同济医院妇产科的研究团队联合上海第二工业大学计算机与信息工程学院等机构，在《iScience》发表了这项开创性研究。团队开发了基于深度学习的计算机辅助诊断系统ECCADx，首次将对比学习(Contrastive Learning, CL)应用于宫腔镜图像分析，通过多中心大样本验证，证明其诊断性能超越人类专家。该系统创新性地从结肠镜图像中迁移学习视觉特征，在保持宫腔镜特异性的同时，解决了医学图像标注数据稀缺的核心难题。

研究采用三大关键技术：1)基于ResNet-50架构构建深度学习模型，利用4个公开结肠镜数据集(CP-CHILD、PolypGen等)进行对比学习预训练；2)多中心数据集构建(同济医院等3家三甲医院的1394例患者55874张图像)，采用域特异性数据增强策略；3)Grad-CAM可视化技术解析模型决策依据。通过严格的内部验证(85例3419张图像)和外部验证(105例2809张图像)，系统评估了模型性能。

【性能评估】

在内部测试集(MCH)上，整合对比学习的ECCADx表现优异：AUC达0.979(95%CI:0.942-1.000)，准确率94.1%，显著优于资深内镜医师组(AUC 0.952)。特别值得注意的是，在更具挑战性的外部测试集(TJH/ZZSH)上，模型保持93.3%准确率且实现100%特异度，而同级医院专家平均准确率仅80.2%。t-SNE可视化显示，对比学习使特征空间中的良恶性病变聚类明显分离，证实了其强大的特征提取能力。

【与专家对比】

ECCADx在所有指标上全面超越人类专家：在MCH数据集，其灵敏度(95.2% vs 87.0%)和F1分数(0.959 vs 0.770)显著高于资深医师；在TJH/ZZSH数据集，模型AUC(0.975)比专家平均(0.862)高出0.113。决策曲线分析证实，ECCADx在所有阈值概率下均具有更高的临床净收益。

【可视化分析】

Grad-CAM热图显示，ECCADx能准确聚焦于宫腔镜下的关键病理特征，如子宫内膜腔严重变形、局灶性坏死、脆弱质地和非典型血管等。对比学习显著提升了模型对细微病变特征的识别能力，使其能更好区分易混淆的病变(如息肉囊性变与恶性病变)。

研究结论指出，ECCADx是首个整合对比学习的宫腔镜辅助诊断系统，其创新性体现在：1)突破性地利用结肠镜图像进行跨模态预训练，解决了宫腔镜标注数据不足的瓶颈；2)通过多中心大样本验证(迄今最大规模的宫腔镜AI研究)，证实其卓越的泛化能力；3)首次实现AI在子宫内膜病变诊断中全面超越人类专家。该系统有望成为临床实践中的"第二双眼"，减少因视觉疲劳或经验不足导致的误诊，尤其对基层医院具有重要价值。

研究同时指出了三项局限：1)当前为二分类系统，未来需扩展至多分类(区分各类良性病变和EC亚型)；2)样本采集时间跨度大(2008-2019年)，需前瞻性验证；3)外部验证集AEH/EC比例较低(16/105)。这些将为后续研究指明方向。

这项研究标志着人工智能在妇科肿瘤早期诊断领域的重要突破，为实现子宫内膜癌的精准诊疗提供了可靠的技术路径。其创新的跨模态学习框架也为其他医学影像分析任务提供了重要借鉴。随着进一步优化和临床转化，ECCADx有望显著提升子宫内膜病变的诊断水平，改善患者预后。