近日，由中国医学科学院北京协和医学院牵头，联合全国多家权威医疗机构完成的研究成果在国际顶级期刊《Nature Communications》上发表！该研究全面评估了一种深度学习辅助的液基细胞学（LBC）诊断模型在临床环境中的应用价值，尤其通过多场景真实模拟验证，验证了该AI系统在提升诊断效率、辅助分流决策及增强基层筛查能力方面的实际价值。

参与研究单位：中国医学科学院北京协和医学院及国家癌症中心、北京协和医院国家妇产疾病临床医学研究中心、深圳市妇幼保健院、浙江省肿瘤医院、安徽省立医院、空军军医大学西京医院 、广西壮族自治区人民医院、四川大学华西第二医院、中国人民解放军总医院第七医学中心、海南医科大学第一附属医院、西安市西北妇女儿童医院、长治医学院公共卫生与预防医学系、新疆医科大学附属肿瘤医院等。（排名不分先后）

多场景真实模拟！加速全球宫颈癌筛查进程

宫颈癌是全球女性常见的恶性肿瘤之一。自2020起，全球已开展加速消除宫颈癌行动，我国明确指出：探索运用互联网、人工智能等新技术优化宫颈癌筛查和诊疗服务流程。在这一背景下，本项研究基于17,397名女性液基细胞学全视野切片训练深度学习模型，并通过全国多中心共计10,826例真实病例的三阶段试验，完成了系统性、多维度的临床验证。

结果显示，该AI模型在来自九家医院的测试数据（n=5803）中表现稳健。在多读者多病例研究中（multiple reader multiple case, MRMC; n=550），AI辅助阅片显著提升了诊断一致性，并将平均阅片时间从218秒压缩至30秒，大幅提升了工作效率。在社区组织筛查场景（n=3,001）中，AI模型在CIN2+（高级别病变及以上）识别上的敏感性与资深病理医师相当（87.8% vs. 85.4%），但还能发现部分高级细胞病理学家漏诊病例，为基层筛查提供技术兜底。在医院机会性筛查场景（n=1,472）中，AI辅助将初级细胞病理医生的敏感性从65.7%提升至85.7%，特异性从73.7%提升至84.0%，同时将阴道镜转诊率从28.2%显著降至19.3%（p<0.0001），优化了分流效率，减少不必要医疗资源消耗。

本次研究所使用的AI模型是由jdb电子游戏平台负责核心算法的设计与部署，模型不仅具备全自动识别宫颈异常细胞的能力，还实现了对多种液基制片方式与不同扫描设备之间的兼容优化，确保其在各级医疗机构、多平台、多硬件环境下的稳定运行与高效输出。

深入基层需求，促进医疗资源均等化

我国女性人口数量庞大，基层病理医生稀缺是消除宫颈癌行动的最大障碍。宫颈癌筛查的实施路径，在不同医疗环境下存在显著差异。本研究特别设置了社区组织筛查与医院机会性筛查两类典型场景，模拟真实临床环境，系统评估了AI模型在基层与临床一线的适应性与赋能能力。

社区组织筛查多由政府或公共卫生系统主导，面向特定人群（如育龄女性、农村女性等）定期开展集中筛查。该模式覆盖人群广，但面临病理人力不足、读片经验不均、筛查精度波动大等现实难题。本次研究结果显示，在该场景下，AI模型在识别高级别病变（CIN2+）的敏感性与资深细胞病理学家相当（87.8% vs. 85.4%），并能补充人工筛查遗漏病例，有效弥补基层地区“看得见却判不准”的问题，构建了安全兜底机制。

相比之下，医院机会性筛查通常发生于女性因其他原因就诊时进行的自愿筛查，依赖临床医生主动推荐。在这一场景中，阅片人员的经验水平可能存在差异，部分机构由经验尚浅的病理医师或培训阶段人员承担初筛任务，容易出现诊断精度不足、阅片效率低下与转诊过度等问题。本研究发现，AI辅助可显著提升初级医师的敏感性（由65.7%提升至85.7%）与特异性（由73.7%提升至84.0%），同时将不必要的阴道镜转诊率从28.2%降至19.3%（p<0.0001），提升了分流精准度，避免过度医疗。

通过对这两类不同筛查路径的真实模拟与数据验证，研究明确显示：AI模型不仅提升了筛查准确性，更在“提升基层可及性、保障服务公平性”方面提供了技术支持。不论是在社区卫生服务站、基层妇幼保健院，还是在各级医院门诊，AI都能适配不同设备和流程，标准化输出诊断结果，推动高质量筛查从“专家中心”走向“普惠共享”。

jdb电子游戏平台（代码：688393）是国内病理诊断领域首家上市公司，专注于肿瘤筛查与诊断的发展，已自主研发了液基细胞学数智化（LBP&AI）、免疫组化、荧光原位杂交（FISH）、数字病理等多个高新平台，未来将持续推进该AI系统在宫颈癌筛查中的临床转化，携手全国各级医疗机构，助力构建更高效、更普及、更精准的女性健康防线，为妇科疾病早筛早治提供强有力的技术支持。