经脊柱直流电刺激对多发性硬化症患者步态功能的影响
《The Journal of Nervous and Mental Disease》:Effects of Trans-spinal Direct Current Stimulation on Gait Function in People With Multiple Sclerosis
【字体:
大
中
小
】
时间:2026年03月23日
来源:The Journal of Nervous and Mental Disease 1.3
编辑推荐:
**摘要:**
**目的:** 阴道镜检查涉及对宫颈特征的主观视觉评估,这些特征可能表明宫颈发育不良。在阴道镜检查过程中,通过人工智能(AI)可以增强模式识别。利用带有精确定位的多个活检位置及其相应组织学诊断的阴道镜图像,我们开发了一个AI模型Cervix-AID-Net,用
**摘要:**
**目的:** 阴道镜检查涉及对宫颈特征的主观视觉评估,这些特征可能表明宫颈发育不良。在阴道镜检查过程中,通过人工智能(AI)可以增强模式识别。利用带有精确定位的多个活检位置及其相应组织学诊断的阴道镜图像,我们开发了一个AI模型Cervix-AID-Net,用于将阴道镜图像分类为低级别疾病(低于宫颈上皮内瘤变(CIN)2级)和高级别疾病(CIN 2级或以上)。本研究的目的是比较Cervix-AID-Net模型与数字阴道镜(DySIS)颜色图以及阴道镜医生对宫颈的视觉评估在识别低级别和高级别疾病方面的诊断性能。
**方法:**
作者使用了178名女性的3,153张阴道镜图像(每位女性有4次活检)来训练和验证该算法。计算了敏感性、特异性、阳性预测值、阴性预测值和准确性,并给出了95%的置信区间(CI)。
**结果:**
Cervix-AID-Net在将阴道镜图像分类为低级别和高级别疾病方面的诊断准确率为99.8%(95% CI:99.6–99.9%),显著高于DySIS颜色图的58.8%(95% CI:51.1–66.1%)以及阴道镜医生对宫颈的视觉评估的55.1%(95% CI:47.2–62.5%)。
**结论:**
Cervix-AID-Net的第一个版本在诊断准确性方面优于DySIS颜色图和阴道镜医生的视觉评估。这些结果需要在前瞻性临床试验中得到证实。
**通俗语言总结:**
研究人员开发了一个名为Cervix-AID-Net的AI模型,以提高阴道镜检查中诊断宫颈发育不良的准确性。利用178名女性的图像,该AI模型以99.8%的准确率将宫颈状况分类为低级别或高级别,优于DySIS颜色图(58.8%的准确率)和阴道镜医生的视觉评估(55.1%的准确率)。这表明AI可以显著提高识别宫颈疾病的精确度。然而,需要进一步的前瞻性临床试验来确认这些有希望的结果。
**常见问题:**
1. 宫颈癌是全球第四大常见女性癌症。尽管在人类乳头瘤病毒(HPV)疫苗接种和筛查方面取得了进展,但有效的预防还包括对宫颈病变的最佳诊断和治疗。
2. 阴道镜检查是一种重要的诊断工具,尤其是对于筛查结果呈阳性的女性,尤其是在高收入国家。然而,已有文献表明,阴道镜检查检测高级别病变的敏感性较低(最低为55%–57%),并且观察者之间存在较大差异。最近的研究表明,即使是由专家进行的阴道镜检查,也难以就病变的严重程度达成一致,而在病变位置方面则更难达成一致。因此,如果只进行阴道镜引导下的活检,可能会遗漏严重的病变。
3. 阴道镜检查需要对宫颈上可能表明发育不良的特征进行主观评估。在阴道镜检查过程中,人工智能(AI)有助于模式识别,之前的研究已经显示出有希望的结果。然而,一些算法是基于阴道镜医生对阴道镜图像的主观评估构建的,这种方法可能存在误分类的风险。
4. 其他技术(如DySIS阴道镜)旨在提高诊断性能,但与传统阴道镜相比没有显示出临床优势。
5. 本研究基于丹麦Randers地区医院的数据,使用带有4次活检精确定位及其相应组织学诊断的阴道镜图像开发了Cervix-AID-Net模型。该研究的目的是比较Cervix-AID-Net模型与DySIS颜色图以及阴道镜医生对宫颈的评估性能。
**伦理声明:**
使用先前收集的阴道镜图像构建AI算法得到了丹麦国家健康研究伦理委员会的批准(案件编号2304284)。该项目已在南丹麦地区和中央丹麦地区向数据保护机构注册(案件编号分别为3/12143和1-16-02-534-16)。
**统计数据:**
- 敏感性、特异性、阳性预测值(PPV)、阴性预测值(NPV)和准确性均计算了95%的置信区间(CI)。
- 最差的组织学诊断结果被用作存在的实际病变级别。**Cervix-AID-Net模型的敏感性为99.8%(95%置信区间:99.5–100%),能够正确将女性分类为高级别鳞状上皮内病变(CIN2+)或低级别鳞状上皮内病变(表3)。**
**表3 - Cervix-AID-Net模型与DySIS颜色图和阴道镜医生的评估结果比较**
| 指标 | DySIS颜色图 | 阴道镜医生评估 | Cervix-AID-Net模型 |
|-------------|-----------|------------|-------------------|
| 敏感性(95%置信区间) | 39.6%(29.5–50.4)| 17.6% | 99.9% |
| 特异性(95%置信区间) | 79.1%(68.9–87.1)| 94.3% | 99.8% |
| 阴性预测值(NPV) | 55.3%(50.3–60.1)| 52.2% | 99.9% |
| 阳性预测值(PPV) | 66.7%(55.2–76.4)| 76.2% | 99.8% |
| 准确率(95%置信区间) | 58.8%(51.1–66.1)| 55.1% | 99.7% |
*NPV表示阴性预测值;PPV表示阳性预测值。*
**讨论**
在本研究中,我们发现新开发的Cervix-AID-Net模型在正确分类阴道镜图像方面的诊断准确率为99.8%(95%置信区间:99.6–99.9%)。
**阴道镜检查的重要性**
阴道镜检查的关键在于观察宫颈、识别CIN(癌前病变)的迹象,并据此决定活检部位。单次活检的阴道镜检查效果不佳,在16.9%–40%的病例中会低估需要治疗的病变。8,18 最优的阴道镜检查依赖于医生的技术水平,但即使是有经验的医生,在30%的病例中对病变位置也存在分歧。7 在许多低收入和中等收入国家,阴道镜医生资源有限,而这些国家是宫颈癌高发区。即使在资源丰富如美国的国家,阴道镜检查数量也较少,CIN2+的检出率较低。19
**国际指南与临床实践**
尽管如此,国际指南仍建议根据医生的判断进行活检。20 在我们的数据集中,阴道镜医生的识别准确率为55.1%。如果按照基于医生判断的活检指南执行,其阴性预测值(NPV)仅为52.2%,这可能导致需要治疗的病变被遗漏。DySIS颜色图并未提供额外帮助,其性能与视觉评估相当。8,22,23 多次活检(包括在无明显病变区域进行随机取样)可以提高阴道镜检查的准确性。然而,更多的活检可能会增加疼痛、出血和分泌物,如TOMBOLA试验所示。10 女性在接受阴道镜检查时也可能产生焦虑。24 随着HPV疫苗的推广和基于HPV的筛查措施的普及,未来接受阴道镜检查的女性会减少,且病变可能更小、更难以发现,这将进一步增加医生的诊断难度。25 这可能限制了年轻阴道镜医生的培训机会。目前,低收入和中等收入国家的阴道镜专家严重短缺,即使在美国也是如此。19 丹麦妇产科住院医生也反映培训不足,对进行阴道镜检查的信心较低。26
**AI模型的应用价值**
因此,能够为阴道镜检查提供决策支持的AI模型在高低收入国家都很重要。2024年的一项综述报告了多项应用AI进行阴道镜图像评估的研究,结果令人鼓舞。27,28 然而,所有这些研究基于一名或多名医生对图像的评估,或结合医生判断下的组织活检结果构建AI算法。因此,算法的数据受到验证偏倚的影响,至少在30%–40%的病例中会低估疾病严重程度。18 相比之下,我们的Cervix-AID-Net模型使用的数据集包含了所有4次活检的精确位置信息以及每次活检的独立组织学分析结果。该数据集在将4次活检与后续锥切标本进行比较时显示了95.2%的准确率。8 我们数据的高质量以及AI模型从阴道镜图像中提取特征的能力,可能是Cervix-AID-Net模型取得优异性能的原因。
**临床应用**
将病变分类并与实时HPV检测结合使用Cervix-AID-Net模型进行的阴道镜检查,有望为筛查阳性女性提供一站式治疗方案(如果诊断为CIN2+)。由于Cervix-AID-Net模型的阴性预测值超过99%,一些活检可以安全省略。
**优势与局限性**
本研究的结果是与基于相同高质量数据集的AI算法进行了直接比较。由于丹麦的国家指南要求所有病例至少进行4次活检,因此减少了验证偏倚。32 数据具有详细的图像注释和每次活检的独立组织病理分析。虽然本研究中的医生不是专家,但这反映了现实临床情况(专家医生往往难以到位)。图像质量很高,但可能不代表常规阴道镜检查的一致性。因此,需要进一步研究来确认AI模型在更多数据集和常规临床环境中的表现。尽管我们收集了3153张图像(来自178名女性),但每名女性在120秒的检查过程中仅记录了16–18张图像,可能导致过拟合。此外,该AI模型基于丹麦免费宫颈癌筛查项目的数据建立(覆盖率60%,已运行超过20年)。丹麦于2009年向12岁女孩免费提供HPV疫苗,并为1985年及之前出生的女性提供了补种计划。这些预防措施可能会影响算法的性能,尤其是在不同应用环境中。我们的研究人群中CIN2+的比例(51%)高于常见筛查人群。这可能是由于采用了四次活检的方案(而许多国家仅进行一次活检)。虽然敏感性和特异性不受疾病流行率影响,但阴性预测值和阳性预测值会受影响,因此需要外部验证。当前版本算法仅区分低级别和高级别病变,可能限制其在需要更细致分类的临床应用中的适用性。
**未来研究方向**
进一步开发该算法以区分正常、CIN1、CIN2、CIN3、AIS和宫颈癌,对于推荐保守治疗的CIN2病例尤为重要。此外,将分割技术纳入算法可以精确定位病变最严重的区域,并指导最佳活检部位。因此,在临床应用前还需要进行更多研究。未来计划将模型扩展到完整的数据集。
**结论**
Cervix-AID-Net AI阴道镜模型的诊断准确性优于传统阴道镜医生和DySIS数字阴道镜的颜色编码图。其高阴性预测值支持在宫颈正常的女性中省略活检。但这些结果需要在前瞻性临床试验中得到验证。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号