李燕云王永明周 奇李亦学王 振王 珏孟 妍蔡青青隋 龙华克勤

（1复旦大学附属妇产科医院宫颈科，4组织部，5女性生殖内分泌相关疾病重点实验室，6妇科 上海 200011；2上海长江科技发展有限公司智能医疗业务中心 上海 200233；3中国科学院上海生命科学研究院 上海 200031）

宫颈癌是最常见的妇科恶性肿瘤［1］，有明确的癌前病变过程，即人乳头瘤病毒（human papillomavirus，HPV）感染后出现低度鳞状上皮内病变（low-grade squamous intraepithelial lesion，LSIL）、高度鳞状上皮内病变（high-grade squamous intraepithelial lesion，HSIL），最终进展为浸润癌（invasive carcinoma）。尽管全球范围内宫颈癌筛查已开展数十年，总体效果却远未令人满意［1-2］。作为宫颈癌早期诊断三阶梯“细胞学/HPV初筛→阴道镜→组织学确诊”中的主要瓶颈，阴道镜的诊断效率及同质化程度一直是国内外宫颈癌防治中的关键点和难点。为了规范其图像评价标准，国际宫颈病理与阴道镜联盟（International Federation of Cervical Pathology and Colposcopy，IFCPC）于2011年提出了目前全球最全面的阴道镜图像描述体系［3］，之后2018年美国阴道镜与病理协会（American Society for Colposcopy and Cervical Pathology，ASCCP）也对其进行了引用［4］。该术语体系对宫颈上皮和血管的边界、轮廓、形态等重要解剖部位或组织的图像特征进行了极为详尽的定义及科学化归类，涵盖了醋酸白上皮、镶嵌、点状血管、异形血管等几十种征象的标准化解析［5-8］。然而，作为相对复杂的描述性分类，其临床普及尚有难度。尤其在国内，高水平的专业阴道镜医生极为短缺，基层医师水平和能力不足，阴道镜诊断效能远不能满足大量的临床需求。

近年，深度学习凭借其强大的特征提取能力在提高医学图像的诊断效率及标准化方面展示出了极佳的应用前景［9］。……