《Computers》期刊发表的《探索深度学习模型在弱势公共卫生区域宫颈癌筛查中的应用》研究指出，人工智能特别是深度学习模型可彻底改变资源匮乏地区的宫颈癌筛查。研究聚焦巴西亚马逊地区等医疗资源严重短缺区域，这些区域因地理隔离和专业医疗人员短缺导致全球最可预防癌症之一的宫颈癌死亡率居高不下。
在巴西亚马逊地区，许多原住民和河岸女性面临获取常规巴氏涂片检查的极端困难。全国数据显示，30-49岁女性中三分之二从未接受过宫颈癌筛查。该地区每千名居民仅配备1名医生（南部地区比例为1:7），导致诊断延迟和晚期病变高发。
传统细胞学检查存在43%-96%的敏感性变异，且依赖经验丰富的细胞病理学家，这在农村地区通常不可获得。研究指出，卷积神经网络（CNN）和视觉转换器（ViT）等深度学习模型在图像分类任务中表现出卓越性能：ResNet-50在病变识别中达到0.97 AUC，显著优于支持向量机（0.82 AUC）。CCanNet等轻量级模型可在智能手机等低成本设备上运行，实现超过98%的准确率。
研究提出分阶段实施框架，包括图像预处理、数据集划分、模型训练评估等环节，并建议遵循STARD 2015、CONSORT-AI等指南确保可重复性。巴西国家卫生监督局（ANVISA）发布的RDC 657/2022号决议将人工智能医疗设备（SaMD）纳入监管体系，要求模型开发必须符合《赫尔辛基宣言》、WHO人工智能伦理指南和《通用数据保护法》（LGPD）。
主要挑战包括有限的互联网连接、区域人口标注数据缺乏、患者信任度不足及物流障碍。研究建议采用离线兼容模型和开源平台，通过多学科协作确保临床工作流程整合。例如将细胞核分割自动化和异常检测等功能整合至基层医疗机构，同时强化用户培训和伦理审查。
【全文结束】
