近日，由中國醫學科學院北京協和醫學院牽頭，聯合全國多家權威醫療機構完成的研究成果在國際頂級期刊《Nature Communications》上發表！該研究全面評估了一種深度學習輔助的液基細胞學（LBC）診斷模型在臨床環境中的應用價值，尤其通過多場景真實模擬驗證，驗證了該AI系統在提升診斷效率、輔助分流決策及增強基層篩查能力方面的實際價值。

參與研究單位：中國醫學科學院北京協和醫學院及國家癌癥中心、北京協和醫院國家婦產疾病臨床醫學研究中心、深圳市婦幼保健院、浙江省腫瘤醫院、安徽省立醫院、空軍軍醫大學西京醫院 、廣西壯族自治區人民醫院、四川大學華西第二醫院、中國人民解放軍總醫院第七醫學中心、海南醫科大學第一附屬醫院、西安市西北婦女兒童醫院、長治醫學院公共衛生與預防醫學系、新疆醫科大學附屬腫瘤醫院等。（排名不分先后）

多場景真實模擬！加速全球宮頸癌篩查進程

宮頸癌是全球女性常見的惡性腫瘤之一。自2020起，全球已開展加速消除宮頸癌行動，我國明確指出：探索運用互聯網、人工智能等新技術優化宮頸癌篩查和診療服務流程。在這一背景下，本項研究基于17,397名女性液基細胞學全視野切片訓練深度學習模型，并通過全國多中心共計10,826例真實病例的三階段試驗，完成了系統性、多維度的臨床驗證。

結果顯示，該AI模型在來自九家醫院的測試數據（n=5803）中表現穩健。在多讀者多病例研究中（multiple reader multiple case, MRMC; n=550），AI輔助閱片顯著提升了診斷一致性，并將平均閱片時間從218秒壓縮至30秒，大幅提升了工作效率。在社區組織篩查場景（n=3,001）中，AI模型在CIN2+（高級別病變及以上）識別上的敏感性與資深病理醫師相當（87.8% vs. 85.4%），但還能發現部分高級細胞病理學家漏診病例，為基層篩查提供技術兜底。在醫院機會性篩查場景（n=1,472）中，AI輔助將初級細胞病理醫生的敏感性從65.7%提升至85.7%，特異性從73.7%提升至84.0%，同時將陰道鏡轉診率從28.2%顯著降至19.3%（p<0.0001），優化了分流效率，減少不必要醫療資源消耗。

本次研究所使用的AI模型是由evo真人負責核心算法的設計與部署，模型不僅具備全自動識別宮頸異常細胞的能力，還實現了對多種液基制片方式與不同掃描設備之間的兼容優化，確保其在各級醫療機構、多平臺、多硬件環境下的穩定運行與高效輸出。

深入基層需求，促進醫療資源均等化

我國女性人口數量龐大，基層病理醫生稀缺是消除宮頸癌行動的最大障礙。宮頸癌篩查的實施路徑，在不同醫療環境下存在顯著差異。本研究特別設置了社區組織篩查與醫院機會性篩查兩類典型場景，模擬真實臨床環境，系統評估了AI模型在基層與臨床一線的適應性與賦能能力。

社區組織篩查多由政府或公共衛生系統主導，面向特定人群（如育齡女性、農村女性等）定期開展集中篩查。該模式覆蓋人群廣，但面臨病理人力不足、讀片經驗不均、篩查精度波動大等現實難題。本次研究結果顯示，在該場景下，AI模型在識別高級別病變（CIN2+）的敏感性與資深細胞病理學家相當（87.8% vs. 85.4%），并能補充人工篩查遺漏病例，有效彌補基層地區“看得見卻判不準”的問題，構建了安全兜底機制。

相比之下，醫院機會性篩查通常發生于女性因其他原因就診時進行的自愿篩查，依賴臨床醫生主動推薦。在這一場景中，閱片人員的經驗水平可能存在差異，部分機構由經驗尚淺的病理醫師或培訓階段人員承擔初篩任務，容易出現診斷精度不足、閱片效率低下與轉診過度等問題。本研究發現，AI輔助可顯著提升初級醫師的敏感性（由65.7%提升至85.7%）與特異性（由73.7%提升至84.0%），同時將不必要的陰道鏡轉診率從28.2%降至19.3%（p<0.0001），提升了分流精準度，避免過度醫療。

通過對這兩類不同篩查路徑的真實模擬與數據驗證，研究明確顯示：AI模型不僅提升了篩查準確性，更在“提升基層可及性、保障服務公平性”方面提供了技術支持。不論是在社區衛生服務站、基層婦幼保健院，還是在各級醫院門診，AI都能適配不同設備和流程，標準化輸出診斷結果，推動高質量篩查從“專家中心”走向“普惠共享”。

evo真人（股票代碼：688393）是國內病理診斷領域首家上市公司，專注于腫瘤篩查與診斷的發展，已自主研發了液基細胞學數智化（LBP&AI）、免疫組化、熒光原位雜交（FISH）、數字病理等多個高新平臺，未來將持續推進該AI系統在宮頸癌篩查中的臨床轉化，攜手全國各級醫療機構，助力構建更高效、更普及、更精準的女性健康防線，為婦科疾病早篩早治提供強有力的技術支持。