研究人员创建了一个自动图像分析系统，旨在改善无法负担Pap测试和其他诊断工具的国家中子宫颈癌的筛查。

　　该系统比其他筛选方法更准确，尽管该发现带有一些警告，包括误报率高和研究中所用数据集的局限性。尽管有这些担忧，但这项研究背后的NIH和Global Good研究人员仍然看到了该技术的潜力，并正在努力使其适合使用数码相机和智能手机进行即时点筛查。

　　宫颈癌是中低收入国家医疗系统的一大难题。每年全球25万例宫颈癌造成的死亡中，约有90%发生在这些国家，部分原因是它们缺乏实施早期在西方发现这种疾病的筛查计划的资源和基础设施。 本周早些时候， 梅奥诊所 发布了一项研究，表明子宫颈癌的筛查率没有以前的调查所表明的那样高。

　　包括世界卫生组织在内的当局都支持在醋酸施用后进行目视检查，这是各国早期发现宫颈癌潜在病例的一种方法。然而，尽管该测试既简单又便宜，但很难将癌前病变与其他异常区分开。

　　NIH和比尔·盖茨(Bill Gates)支持的基金Global Good的研究人员发现需要更好的测试，因此寻求改进早期尝试，以开发基于机器学习的宫颈癌筛查方法。结果是一个自动化的图像分析系统，在测试集的一个关键的基于年龄的子组中，灵敏度达到了97.7%。

　　该系统接受了1990年代NCI资助的哥斯达黎加9,000多名妇女的研究中拍摄的图像的培训。宫颈造影术(一种现已停止使用的视觉筛查技术)中约有70%的选定图像用于训练系统以识别癌前病变。

　　当打开其余30%的图像时，该系统在统计学上胜过原始哥斯达黎加研究中使用的宫颈造影和其他筛查测试。该系统对25至49岁的关键筛查人群特别敏感。在该子组中，系统达到了98%的灵敏度，尽管达到了这个高水平，但损害了屏幕的其他方面。

　　研究人员在论文中写道：“为了在检查后长达7年的病例中获得近乎完美的敏感性，在筛选出的非病例中会产生大量假阳性。尽管敏感性会下降，但可以选择更加平衡的阳性分界点来限制过度治疗，” 美国国家癌症学院学报。

　　误报率是质疑该系统在现实世界中可能产生的影响的几个原因之一。其他问题包括在一次队列研究中使用由一小组训练有素的护士拍摄的图像。鉴于性能受到图像质量和障碍的影响，当将其应用于各种设置下的各种卫生工作者拍摄的图片时，系统的灵敏度和特异性可能会下降。AI图像分析的可移植性有限是该领域的常见问题。

　　尽管这些问题可能会使人感到乐观，但研究人员认为该系统可以改进并在现实世界中使用。从理论上讲，培训人员捕获一致的图像比执行当前使用的VIA方法要容易得多，这表明采用该方法的障碍是可以克服的。下一步是使系统适应当前数码相机而不是子宫颈成像的图像。