Предварительное исследование по идентификации аэробного вагинита с помощью системы анализа на основе искусственного интеллекта

Цель: разработать систему анализа влагалищного секрета на основе глубокого обучения и оценить точность автоматизированной микроскопии в клинической диагностике аэробного вагинита (АВ). Методы: в исследование включили образцы влагалищного секрета 3769 пациенток, получавших лечение в отделении акушерства и гинекологии Второй клиники Сычуаньского университета (Западная Китайская больница) в период с января 2020 по декабрь 2021 года. В качестве контроля использовали результаты ручной микроскопии; на языке Python с использованием библиотеки Scikit-learn был разработан алгоритм линейного SVM и программное обеспечение для автоматизированного анализа на основе искусственного интеллекта. Система могла распознавать лейкоциты с токсическими изменениями и парабазальные эпителиальные клетки (ПБЭК). Параметры бактериальной градации были перенастроены с использованием стандартных штаммов лактобацилл и часто выделяемых при АВ микроорганизмов. С помощью анализа ROC-кривой определяли пороговые значения для оценки АВ; результаты по отдельным балльным параметрам получали при использовании ручной микроскопии в качестве контроля. Затем определили параметры автоматической идентификации АВ и предварительно установили систему балльной оценки при автоматическом анализе АВ. Результаты: всего было собрано 3769 образцов влагалищного секрета. Система автоматизированного анализа на основе ИИ включала пять параметров, и каждый параметр предусматривал три уровня оценки тяжести. В качестве порогового значения диаметра между лактобациллами и обычными бактериальными изолятами АВ выбрали 1,5 мкм. Автоматизированным идентификационным параметром было отношение бактерий размером ≥1,5 мкм к бактериям размером <1,5 мкм. Пороговые баллы составили 2,5 и 0,5. Для параметра лейкоцитов (WBC) пороговым значением абсолютного числа WBC было 10/мкл, а пороговым значением отношения WBC к эпителиальным клеткам — 10. Автоматизированным идентификационным параметром токсических WBC было отношение токсических WBC к WBC, а пороговые значения составили 1% и 15%. Для параметра фоновой флоры использовали бактерии <1,5 мкм, а пороговые значения составили 5×10/мкл и 3×10/мкл. Для параметра парабазальных эпителиальных клеток автоматизированным идентификационным параметром было отношение ПБЭК к эпителиальным клеткам, а пороговые значения составили 1% и 10%. Уровень совпадения результатов автоматизированной и ручной микроскопии составил 92,5%. Из 200 образцов по 185 результаты автоматизированной и ручной микроскопии совпали, а по 15 — не совпали. Выводы: для АВ разработано программное обеспечение распознавания на основе ИИ и создана система автоматизированной балльной оценки микроскопии влагалищного секрета. В целом между автоматизированной и ручной микроскопией получено хорошее согласие. Программное обеспечение для идентификации АВ на основе ИИ позволяет выполнять клиническое лабораторное исследование с достаточно высокой объективностью, чувствительностью и эффективностью, значительно снижая нагрузку на ручную микроскопию.