基于醋酸白区域分析的宫颈癌分级性能比较研究：机器学习模型优化与诊断价值探索

本研究针对宫颈癌早期诊断中醋酸白区域(acetowhite)分析标准化的临床需求，通过机器学习方法系统比较了单纯病灶与包含10像素边缘区域的分类效能。研究团队采用LR、SVM、RF和XGB四种算法对464例宫颈图像进行特征分析，发现包含边缘区域的模型AUC提升至0.90（SVM达0.87精度），首次证实病灶周边纹理特征（small-area emphasis等）对分级诊断的关键作用，为AI辅助宫颈癌标准化诊断提供了新范式。

　　

宫颈癌作为全球女性第四大高发恶性肿瘤，每年导致约35万人死亡，其早期诊断高度依赖醋酸白试验的视觉判读。然而，这种"肉眼观察法"存在明显痛点：专业医师间判读差异大（研究显示仅当三位专家中至少两位意见一致时才采用数据），资源匮乏地区难以获得可靠诊断，且现有AI模型多聚焦全图像分析而忽略了醋酸白区域这一关键生物学标志。更棘手的是，随着病变进展，醋酸白区域会呈现从"羽毛状不规则"到"牡蛎白致密"的特征演变，但定量分析这些细微差异的技术体系尚未建立。

针对这一临床难题，美国伊利诺伊大学厄巴纳-香槟分校（University of Illinois Urbana-Champaign）联合韩国嘉泉大学的研究团队在《Scientific Reports》发表创新研究。他们另辟蹊径，不再简单复制人类专家的全图像判读模式，而是聚焦醋酸白区域本身及其微环境特征，通过放射组学技术解码这些区域蕴含的生物学信息。研究采用PyRadiomics 3.4.2工具包，从464例经三位专家背对背标注的宫颈图像（228例非典型/236例阳性）中提取75个定量特征，包括一阶统计量(FirstOrder)、灰度共生矩阵(GLCM)等四类参数。通过递归特征消除(RFE)筛选出核心特征后，比较了四种机器学习模型在两种掩模策略（单纯醋酸白区域 vs 区域+10像素边缘）下的分类性能。

关键技术方法包括：1）基于专家共识标注构建数据集（Gachon大学Gil医学中心IRB批准）；2）采用蓝色通道增强醋酸白区域对比度；3）放射组学特征提取涵盖GLCM纹理分析等75个参数；4）通过RFE算法筛选top5特征；5）采用Friedman检验比较模型差异。

研究结果呈现三大突破：

特征选择揭示生物学标志

在两种掩模策略中，small-area emphasis均被识别为最重要特征（图3-4），这与病理学认知高度吻合——高级别病变会出现更细小、密集的醋酸白斑点。包含边缘区域的模型还额外捕获到autocorrelation特征，反映病灶与正常组织交界处的结构异质性。值得注意的是，90th percentile和skewness这两个统计学特征在两组中均入选，证实醋酸白区域的强度分布形态具有诊断价值。

边缘扩展策略显著提升性能

如表2所示，包含10像素边缘的扩展掩模使所有模型AUC均值提升0.06（p=0.634）。其中SVM表现最优，精度达0.87（95%CI:0.78-0.95），这得益于边缘区域携带的边界特征——低级别病变呈现不规则"地理样"边缘，而高级别病变则表现为清晰锐利的边界。XGB模型在该策略下AUC从0.76跃升至0.91，验证了周边组织信息对梯度提升算法的重要补充作用。

模型对比发现临床适用方案

虽然单纯醋酸白区域模型已取得0.84 AUC（LR/SVM），但其p=0.020显示模型稳定性不足。而扩展掩模方案中，各模型性能差异无统计学意义，这意味着临床部署时可优先选择计算效率更高的SVM而非复杂集成模型。研究还发现，Size Zone NonUniformity Normalized(SZNN)特征与病变严重程度正相关，为量化诊断提供了新指标。

这项研究开创性地证实：醋酸白区域周边10像素范围内蕴含关键诊断信息，通过放射组学特征提取和机器学习建模，可实现85%以上的分类精度。其临床意义在于：1）为资源匮乏地区提供了可替代专家经验的标准化工具；2）提出的"病灶+边缘"双重视觉特征分析框架，可推广至其他基于染色反应的癌症诊断；3）发现的small-area emphasis等核心特征，为未来开发轻量化移动端诊断APP提供了理论依据。研究团队建议后续工作可整合患者年龄等临床数据，并探索醋酸应用前后的动态图像特征，以进一步完善这一创新诊断范式。