1. 首頁 > 健康養生 >

騰訊天衍實驗室公布AI篩查宮頸癌新技術 輔助基層醫生識別癌前病變



我國宮頸癌每年新發病例約10萬例 ， 死亡人數約3萬 。 在中國女性生殖系統惡性腫瘤中 ， 宮頸癌的發病率和死亡率均位居第一 。 有效的篩查是減少甚至消除宮頸癌的重要舉措 。 活檢是宮頸癌最終診斷的金標準 ， 活檢前的陰道鏡檢查則是判斷是否需要進行活檢 ， 以及確認活檢位置的關鍵 。 過去 ， 對陰道鏡結果的判斷十分依賴醫生的主觀經驗 ， 一旦出現誤判 ， 會直接耽誤很多患者在癌變前期或早期癌變階段獲得及時診療 。

人工智能的加入為電子陰道鏡檢查帶來了破題思路 。 算法框架升級后的“騰訊覓影”AI電子陰道鏡輔助診斷系統 ， 可實現利用AI技術模擬醫生讀片過程 ， 進行陰道鏡下癌前病變輔助判讀 ， 輔助基層醫生快速進行宮頸癌病變分級和活檢點預測 ， 有效提高陰道鏡檢查和活檢診斷的準確率 。 相關研究的論文獲《BMC Medicine》《IEEE Transactions On Medical Imaging》《Medical Image Analysis》及MICCAI等多個醫學頂級期刊及會議收錄 。

同時 ， 騰訊天衍實驗室將進一步開放在智能陰道鏡領域積累的研究成果 ， 圍繞活檢預測、病灶分割、病變分級等宮頸癌AI輔助篩查中的痛點 ， 啟動AI競賽 ， 希望吸引更多的人工智能從業者關注宮頸癌早篩系統的開發 ， 助力早日實現消除宮頸癌的目標 。


騰訊天衍實驗室公布AI篩查宮頸癌新技術 輔助基層醫生識別癌前病變
本文插圖



“騰訊覓影”AI電子陰道鏡輔助診斷系統提出的深度學習框架

騰訊天衍實驗室提出的新模型 ， 利用圖網絡技術對醫生臨床診斷過程進行模擬 ， 并在圖像輸出特征上加入HPV和細胞學結果以提高宮頸癌病變分級的精度 。 另一方面 ， 模型運用U-Net對陰道鏡圖像中的病灶區域進行分割 ， 并利用YOLO網絡對活檢點進行預測 ， 幫助醫生更精確地對病人進行活檢采樣 。

在宮頸癌篩查中 ， 陰道鏡檢查通常需要在敷過醋酸的宮頸上采集不同時間段（醋酸后約60s ， 90s ， 120s和150s）的四張圖像 。 然而在獲取圖像過程中經常會發生子宮頸移位問題 ， 導致圖像中宮頸位置不統一 。 騰訊天衍實驗室提出了子宮頸檢測網絡 ， 可從整個圖像中識別出子宮頸的位置作為主要分析區域 。

其次 ， 圖像中的潛在病變區域通常需要被放大觀察 ， 導致病變區域的顯示形態發生變化 ， 造成系統在進行圖像分析時無法識別的問題 。 就此 ， 騰訊天衍實驗室采用了一種新的分析機制——特征庫 。 該特征庫將整個骨干網視為一個特征池 ， 并從池中提取不同大小比例的特征圖像 ， 以重新校準圖像 。 特征庫的數據集還包含了原始（預醋酸）圖像和醋酸后幾個關鍵時間的陰道鏡圖像編碼特征 。 利用具有邊緣特征的圖卷積網絡（E-GCN）技術融合這些編碼特征 ， 可以對比并分析連續陰道鏡圖像 ， 更準確地表示不同時間節點圖像之間的關系 ， 以充分獲取醋酸測試過程中所包含的如“白度持續時間”等寶貴信息 ， 盡可能地排除了僅針對單個醋酸后圖像進行分析的局限性 。

通過這一系列圖網絡技術 ， 騰訊天衍實驗室開發的新AI模型 ， 對醫生臨床診斷過程進行模擬 ， 并在圖像輸出特征上加入HPV和細胞學結果 ， 有效地提高了宮頸癌病變分級的精度 ， 幫助醫生更準確地識別出需要進行活檢的患者 。

此外 ， 騰訊天衍實驗室提出的新框架模型還運用了U-Net對陰道鏡圖像中的病灶區域進行分割 ， 并利用YOLO網絡對活檢點進行預測 ， 為隨后的活檢提供指引 。 三萬多張陰道鏡檢查圖像由經驗豐富的醫學專家進行注釋 ， 形成的數據集被用于訓練和評估這一深度學習框架 。 實驗結果表明 ， 升級后的系統實現了出色的分級精度 ， 不僅優于現有算法 ， 還優于經驗豐富的醫師 。 為了解決多中心影像數據差異的問題 ， 一系列域適應（domain adaptation）技術亦被應用在系統中 ， 對不同中心的陰道鏡圖片進行色彩與亮度上的統一 ， 從而提升了系統的整體泛化性 。

目前 ， 宮頸癌篩查采用的是“三階梯”法：第一步 ， 醫生會先用高敏感度的HPV病毒篩查或宮頸脫落細胞學檢查（TCT或巴氏涂片）進行初篩檢測；第二步 ， 初篩陽性患者將被轉診到陰道鏡檢查的環節 ， 根據陰道鏡的檢查結果 ， 醫生將做出是否需要活檢的決定 ， 并確定取活檢的位置 。 第三步就是宮頸病理確診 。 其中 ， 陰道鏡檢查是“關鍵一步” ， 將很大程度上影響醫生最終是否需要活檢與取活檢位置的確定 。
【騰訊天衍實驗室公布AI篩查宮頸癌新技術 輔助基層醫生識別癌前病變】

推薦閱讀