A Systematic Review and Descriptive Quantitative Synthesis of Artificial Intelligence in Cervical Cancer Screening and Diagnosis
这项针对 898 项关于人工智能在宫颈癌筛查与诊断中应用的系统综述显示，尽管其在多种模态中得到了广泛应用，但显著的方法学异质性和报告局限性使得无法进行汇总定量分析，从而强调了对标准化报告、外部验证以及前瞻性临床评估的紧迫需求。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
宫颈癌是一种虽然可以预防，但仍在全球范围内夺走生命的疾病。阻止这种疾病的关键在于早期发现异常细胞，通常是在它们演变成癌症之前。目前，医生使用多种工具来进行这项工作，从在显微镜下观察细胞到使用特殊照相机检查子宫颈。然而，这些方法高度依赖于人类的技术，并且会因解读人员的不同或图像质量的高低而产生差异。近年来，科学家们转向了人工智能——一个计算机学习识别模式的领域——来协助这项任务。这些计算机程序可以经过训练，从而识别医学图像中的疾病迹象，有望提供一双永不疲倦的“第二双眼睛”。其前景在于，这些工具可以使筛查更加准确并让更多人受益，但问题仍然存在：它们在现实世界中的实际表现究竟如何？
为了回答这个问题，一个研究小组通过收集所有关于人工智能用于宫颈癌筛查和诊断的研究开展了工作。他们在四个主要的科学数据库中进行了搜索，寻找任何利用计算机分析细胞、照相机图像或组织样本的原创研究。在剔除重复条目并过滤掉不符合其严格标准的项后，他们剩下了 898 项研究进行审查。这一庞大的集合涵盖了广泛的应用场景，从分析 Pap 涂片（宫颈抹片）和液基细胞学样本，到查看阴道镜图像（这是一种医生近距离观察子宫颈的程序），甚至包括在显微镜下检查组织。关于该主题发表的研究数量增长迅速，其中大多数出现在过去几年中，反映出利用机器学习和深度学习解决医学问题的兴趣激增。
研究人员发现，尽管人工智能正以多种不同的方式被使用，但其结果很难直接进行比较。在 898 项研究中，只有 60 项提供了关于计算机表现的明确数据，例如它正确识别疾病或正确排除疾病的频率。即使在这 60 项研究中，信息也往往是不完整的。为了真正了解一种诊断工具的好坏，科学家通常需要看到一组完整的数据，准确显示有多少病例被正确识别，有多少病例被漏诊，以及多少健康病例被错误地标记为患病。这项综述中的所有研究都没有提供这套完整的数据。由于数据缺失或报告方式各异，研究人员无法将这些结果合并为一个单一的整体准确率得分。他们无法计算出一个汇总平均值，从而告诉世界目前的这些工具到底有多有效。
研究小组并未提供单一的数值，而是对他们的发现进行了描述性的总结。他们指出，准确率是最常见的报告指标，其次是灵敏度（衡量工具捕捉疾病的能力）和特异度（衡量工具避免误报的能力）。这些研究在设计、使用的数据类型以及测试计算机模型的方式上存在巨大差异。有些使用来自单一医院的数据，而有些则使用来自多个地点的图像。有些将人工智能与人类专家进行对比，而另一些则使用了不同的标准。这种多样性意味着，在一个研究中表现非常出色的工具，在不同的环境下可能表现得并不一样。研究人员还评估了研究的质量，发现许多研究缺乏关于数据如何选择或模型如何测试的清晰细节，这使得人们很难完全信任其结果。
这项广泛综述的结论是：虽然人工智能在帮助医生筛查和诊断宫颈癌方面展现出了广阔的潜力，但目前的证据尚不足以对其整体性能做出定论。这些工具确实存在并被应用于许多不同的场景，但研究报告的方式使得目前无法断言它们的可靠性是否具有普遍意义。作者建议，为了让这些工具成为医疗护理的标准组成部分，未来的研究需要更加一致。它们需要使用来自不同地区、规模更大的患者群体，遵循相同的测试规则，并完整地报告结果，包括正确和错误发现的完整明细。在采取这些步骤之前，人工智能在这个挽救生命的领域中所展现出的全部潜力，仍将是一个承诺而非已证实的现实。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。