《Surgical and Experimental Pathology》：Artificial intelligence use in the routine of cervical-vaginal cytology: a systematic review
编辑推荐：
本文综述系统评估了人工智能在宫颈细胞学中的应用，聚焦其诊断效能（如灵敏度、特异性）及对宫颈癌筛查项目的影响。分析显示，基于深度学习（如卷积神经网络CNN）的AI系统在检测鳞状上皮内病变和浸润癌方面展现出高灵敏度，有助于减少假阴性、标准化诊断并提升筛查效率。然而，特异性在不同研究间差异较大，其广泛应用仍需与人类专家协同，并依赖前瞻性、多中心研究的验证。
宫颈癌仍然是全球重大的公共卫生问题，每年导致数十万新发病例和死亡。尽管通过人乳头瘤病毒（HPV）疫苗接种和有组织的筛查可以很大程度上预防，但宫颈细胞学作为历史悠久的筛查方法，存在依赖观察者、存在观察者内和观察者间差异以及诊断服务负担重等局限。
在此背景下，人工智能（AI）脱颖而出，成为自动化和标准化细胞学分析的有前景工具。近年来，数字病理学和人工智能的进步，特别是基于深度学习（Deep Learning）的算法，如卷积神经网络（Convolutional Neural Networks, CNN），已被应用于宫颈细胞学数字图像分析。这些系统根据Bethesda系统对样本进行自动分类，能够识别复杂的形态学模式。
方法论
本系统性综述严格遵循PRISMA 2020指南，在PubMed/MEDLINE数据库中检索了近五年的相关文献，最终纳入了30项研究。研究涵盖了不同的设计、人群、细胞学类型（传统或液基）和AI架构，重点关注AI在宫颈细胞学中的诊断性能，如准确度、灵敏度、特异性等。
综述发现
综合分析表明，AI辅助的宫颈细胞学在检测鳞状上皮内病变（Squamous Intraepithelial Lesion）和浸润癌方面普遍展现出高灵敏度，其性能常可与传统细胞学阅片相媲美甚至更优。这对于以假阴性结果为主要缺陷的人群筛查尤为重要。AI能够识别包括低度病变在内的细微细胞形态学变化，这些在人工筛查中可能被遗漏。
然而，特异性在不同研究间表现出广泛变异。这反映了研究方法学的异质性、所用数据集的差异以及与外部验证相关的局限性。旨在最大化灵敏度的策略可能导致假阳性增加，从而影响诊疗流程的效率。研究质量的评估也显示，结果的稳健性与研究设计直接相关，多中心、前瞻性或基于大人群的研究通常偏倚风险更低。
值得注意的是，AI最大的临床影响未必是取代细胞病理学家，而在于标准化诊断解读、减少观察者间差异，并作为决策支持工具。研究表明，AI辅助阅片能显著提高观察者（尤其是区分低度与高度病变时）的诊断一致性和整体表现。这支持了人机协同的混合模型，即AI充当预筛、质控或辅助角色，保留人类专家的临床判断。
从技术角度看，将AI应用于细胞学面临独特挑战。细胞样本的形态复杂性、细胞重叠和染色差异直接影响算法性能，需要先进的图像分割和预处理策略。此外，对数字病理基础设施的依赖，尤其是在中低收入国家，是实现广泛应用的现实障碍。
尽管如此，部分研究已开始探索将AI整合到实际的筛查流程中，包括用于质量控制和自动化初筛。这些工作提示，AI与HPV分子检测结合，可能有助于优化宫颈癌筛查项目的组织，优先处理高风险病例，并优化专业人力资源的利用。
结论
总而言之，人工智能应用于宫颈细胞学展现出显著潜力，能够提升宫颈癌筛查的灵敏度、标准化和效率。现有证据支持其作为细胞学实践的补充工具，用于预筛和决策支持。然而，特异性的可变性、方法学局限和实施挑战表明，AI应逐步融入临床实践，与人类专业知识相结合，并适应本地实际情况。其在临床实践中地位的巩固，将依赖于开展具有稳健外部验证和现实场景影响评估的前瞻性、多中心研究。
