基于多模态机器学习的宫颈癌风险评估与预测模型开发：整合组织病理学图像与临床数据提升LMICs诊断效能

本研究针对低收入和中等收入国家（LMICs）宫颈癌诊断资源匮乏的现状，开发了一种融合组织病理学图像（VGG16/ResNet50）与临床记录（Random Forest）的多模态机器学习模型。通过整合404例活检图像和499份患者数据，采用CLAHE增强、SMOTE-Tomek平衡及递归特征消除（RFE）等技术，模型准确率达92%，显著优于单模态方法（图像91%/临床96%）。该研究为资源受限地区提供了可部署的自动化诊断方案，推动宫颈癌早期筛查的公平性。

　　

宫颈癌作为全球女性第四大高发癌症，在低收入和中等收入国家（LMICs）造成的死亡占比高达94%。埃塞俄比亚等地区面临严峻挑战：病理医生短缺导致活检解读耗时且主观，农村地区筛查覆盖率不足，晚期确诊率高。传统单模态诊断方法（如仅依赖图像或临床数据）难以应对LMICs医疗数据的碎片化特征。如何开发兼顾准确性与临床适用性的工具，成为亟待解决的问题。

为此，Kelebet Chane Jemane等学者在《BMC Medical Informatics and Decision Making》发表研究，创新性地将深度学习与经典机器学习结合。团队从Jimma Medical Center收集404张宫颈活检图像（三星M13手机显微拍摄）和499份患者临床记录，通过以下关键技术构建模型：（1）图像预处理采用YCrCb色彩空间转换与CLAHE增强；（2）临床数据处理运用SMOTE-Tomek联合采样和RFE特征选择；（3）采用VGG16/ResNet50提取图像特征，Random Forest分析结构化数据；（4）通过概率平均实现多模态晚期融合。

研究结果

数据特征分析

患者平均年龄50岁，40-60岁为高发人群。农村地区 squamous cell carcinoma（SCC）病例占比显著高于城市（336 vs 132例），多产次妇女癌症风险升高4.6倍。

模型性能验证

• •

  单模态比较：VGG16在图像分类中表现最优（测试准确率91%，AUC 98.5%），显著优于ResNet50（89%）。Random Forest对临床数据分析达96%准确率，关键特征包括居住地、阴道分泌物、性交后出血等。

• •

  多模态优势：融合模型准确率92%，对SCC和癌前病变的识别精度分别达94%和96%。

  

讨论与意义

该研究突破性地证明：在数据质量受限的LMICs场景中，多模态融合可提升模型鲁棒性。通过将图像特征（如核异型性）与临床指标（如STI病史）关联，系统复现了医生综合判断的逻辑。相较于Chen等学者提出的MultiFuseNet（87.4%准确率），本模型展现出更优的泛化能力。

研究局限性包括样本量较小和回顾性数据偏差，但提出的轻量化架构（如优化后的512单元密集层）为移动端部署奠定基础。未来工作需扩大跨区域验证，并探索基于SHAP等技术的可解释性改进。这项成果为LMICs宫颈癌筛查提供了新范式，其方法论亦可拓展至其他资源受限地区的癌症诊断领域。