《Frontiers in Microbiology》:Diagnostic performance of deep learning-based vaginal microecological morphology assessment for bacterial vaginosis and vulvovaginal candidiasis
编辑推荐:
背景:常规湿片镜检用于细菌性阴道病(BV)和外阴阴道假丝酵母菌病(VVC)诊断快速但依赖操作者且缺乏生态学背景。研究人员评估了一种集成于GE6000自动阴道分泌物分析仪中的基于深度学习的阴道微生态形态学评估(DL-VMM)系统。方法:在一项前瞻性横断面研究中,
背景:常规湿片镜检用于细菌性阴道病(BV)和外阴阴道假丝酵母菌病(VVC)诊断快速但依赖操作者且缺乏生态学背景。研究人员评估了一种集成于GE6000自动阴道分泌物分析仪中的基于深度学习的阴道微生态形态学评估(DL-VMM)系统。方法:在一项前瞻性横断面研究中,500名有症状女性提供了阴道涂片。研究人员将DL-VMM与常规湿片镜检进行对比,以复合参考标准(Nugent评分、Amsel标准、真菌镜检)为参照。评估了关键形态学特征,包括线索细胞、芽生孢子、菌丝、滴虫、白细胞、上皮细胞和清洁度等级。计算了诊断准确性和Cohen's kappa。研究人员还分析了不一致病例以探讨分歧来源。结果:对于通过线索细胞诊断的BV,DL-VMM的灵敏度为100.00%(95% CI: 94.19–100.00%),特异度为98.86%(97.37–99.58%),κ = 0.95。对于通过芽生孢子诊断的VVC,灵敏度为99.32%(95.85–99.96%),特异度为98.87%(96.94–99.70%),κ = 0.97;通过菌丝诊断的VVC,灵敏度为100.00%(97.68–100.00%),特异度为98.81%(97.04–99.63%),κ = 0.98。DL-VMM与手动镜检在所有参数上的总一致性范围为96.40%至99.60%(κ 0.89–0.98)。两种方法之间未发现统计学显著差异(均P > 0.05)。结论:这项前瞻性诊断研究表明,DL-VMM系统对BV和VVC具有高诊断准确性,与常规湿片镜检表现出高度至几乎完美的一致性。该自动化系统消除了操作者依赖性,提供快速结果,并可能使阴道炎诊断标准化,尽管不一致(虽轻微)仍需注意,且在模棱两可的病例中可能需要手动复核。
阴道炎是全球妇科临床最常见的疾病之一,对育龄女性造成重大临床和公共卫生负担。细菌性阴道病(BV)和外阴阴道假丝酵母菌病(VVC)是症状性阴道炎的主要病因,表现为异常阴道分泌物、瘙痒、异味和局部刺激。两者均由阴道微生态稳态失衡引起,并与复发性感染、不良妊娠结局、盆腔炎性疾病和性传播感染风险增加相关。常规湿片镜检(包括盐水湿片和10%氢氧化钾制备)因其快速、低成本、广适用性而成为一线诊断方法,但存在高度依赖操作者、观察者间变异大、对低病原载量或细微形态特征敏感性下降、缺乏定量和生态学信息的局限性。近年来,基于深度学习的数字图像分析为临床实验室诊断提供了客观、自动化、标准化的评估工具。集成于GE6000自动阴道分泌物分析仪中的基于深度学习的阴道微生态形态学评估(DL-VMM)系统,采用卷积神经网络(CNN)架构结合空间注意力机制,实现对阴道涂片中关键形态学指标的智能识别、分割和分类。然而,目前缺乏直接比较DL-VMM与常规湿片镜检在大量临床队列中针对BV和VVC诊断性能的前瞻性研究。因此,研究人员开展了这项前瞻性、横断面诊断研究,以评估GE6000集成的DL-VMM系统相对于常规湿片镜检的诊断准确性、一致性和可靠性,采用复合参考标准定义BV和VVC。研究人员假设自动化DL-VMM系统将表现出非劣效或更优的诊断性能,并与手动镜检具有极佳一致性,从而支持标准化、客观的阴道炎诊断。该论文发表在《Frontiers in Microbiology》。
研究人员为开展本研究采用了以下主要关键技术方法:样本队列来源于华中科技大学同济医学院附属武汉市中心医院妇产科门诊,连续招募500名有阴道症状的育龄女性(18-45岁)。使用GE6000自动阴道分泌物分析仪(集成DL-VMM系统)进行数字化涂片分析,该系统基于ConvNeXt Base架构的CNN,结合空间注意力机制,采用多任务联合学习策略实现同时检测、分割和分类关键形态学特征(线索细胞、芽生孢子、菌丝、乳酸杆菌密度、上皮细胞等),并通过迁移学习利用生物医学图像数据集预训练权重。对照方法为常规湿片镜检(盐水湿片和10% KOH制备)及革兰染色镜检。复合参考标准:BV依据Nugent评分≥7或≥3项Amsel标准;VVC依据症状加镜检可见酵母相(芽生孢子或菌丝)。统计方法包括计算灵敏度、特异度、阳性预测值、阴性预测值、准确率、AUC,以及Cohen's kappa一致性检验和McNemar检验。
在结果部分,研究人员首先描述了DL-VMM系统架构和工作流程,指出系统包含数据采集与预处理、模型开发与训练、输出分类与报告三个阶段,使用约12,000个标注细胞进行训练,并采用数据增强技术提升鲁棒性。其次,在参与者人口学特征与诊断比较中,研究人员报告了500名参与者平均年龄33.4岁(标准差6.8),中位症状持续时间4天(四分位距2-7天)。GE6000系统与常规湿片镜检在BV、VVC和混合感染的检出率上无统计学显著差异(均P > 0.05)。第三,在诊断性能评估中,对于BV(基于线索细胞),DL-VMM灵敏度100.00%,特异度98.86%,Kappa 0.95;对于VVC(基于芽生孢子),灵敏度99.32%,特异度98.87%,Kappa 0.97;基于菌丝,灵敏度100.00%,特异度98.81%,Kappa 0.98。第四,在形态学项目检出率比较中,芽生孢子、菌丝、滴虫和线索细胞的检出率在两种方法间均无显著差异(χ2检验P > 0.05)。第五,在七项形态学参数的一致性分析中,总一致性范围为96.40%至99.60%,Kappa值0.89至0.98,其中清洁度一致性最低(96.40%,Kappa 0.89),白细胞一致性最高(99.60%,Kappa 0.98)。第六,在不一致病例分析中,最常见的不一致出现在清洁度分级(18例,占3.6%),其他参数不一致率在0.4%至1.4%之间。多数假阳性DL-VMM结果发生在涂片有大量碎片或重叠细胞的样本中,而假阴性芽生孢子病例出现在真菌负荷极低的样本中。
在讨论部分,研究人员指出DL-VMM系统对BV和VVC显示出卓越诊断性能,与常规湿片镜检具有几乎完美一致性,且通过消除操作者依赖性、提供自动化定量输出(如微生态失调指数和Nugent兼容评分),支持标准化、基于微生态的临床决策。然而,研究人员也承认即使小比例的不一致(如清洁度分级3.6%的不一致率)也可能具有临床意义,建议在临床高度怀疑但DL-VMM阴性或自动化报告模棱两可时进行手动复核。研究结论翻译如下:这项前瞻性诊断研究表明,基于深度学习的阴道微生态形态学评估系统(DL-VMM,GE6000)对细菌性阴道病和外阴阴道假丝酵母菌病具有出色的诊断准确性,与常规湿片镜检几乎完美一致。通过消除操作者依赖性、提供快速客观结果以及全面评估阴道微生态,该自动化系统有可能使阴道炎诊断标准化并改善常规实践中的临床决策。然而,临床医生应意识到小但具有临床相关性的不一致率,特别是对于清洁度分级,并考虑对临界或意外结果进行手动复核。