人工智能筛查子宫颈异常鳞状细胞判读标准和准确性评价的专家共识

判读标准相关指标

• 灵敏度：人工智能应用于临床细胞学诊断，对异常鳞状细胞筛查的灵敏度应≥97%，即异常鳞状细胞被人工智能准确筛查为阳性结果的百分比要达到这一标准。
• 漏诊率：人工智能辅助细胞学筛查的漏诊率应≤3%，且漏诊的病例只能是非典型鳞状细胞 - 意义不明确（ASC - US），低级别鳞状上皮内病变（LSIL）及以上病变不可漏诊。
• 特异度：人工智能辅助细胞学筛查应将子宫颈正常鳞状细胞组例数准确分流出一半以上，即特异度应≥50%，意味着能准确将正常鳞状细胞判读为阴性的能力要达到该水平。
• 误诊率：人工智能辅助细胞学筛查不应将子宫颈正常鳞状细胞错误判读为阳性的比例超过 50%，即误诊率应≤50%。
• 阳性预测值和阴性预测值：阳性预测值应≥66%，阴性预测值应≥94%。
• 符合率：人工智能辅助子宫颈细胞学筛查异常鳞状细胞符合率应≥73.5%，符合率是指人工智能辅助子宫颈细胞学诊断获得的结果与组织病理学（金标准）结果相符合的程度。

准确性评价方法

• 数据集准备：需准备具有代表性和可靠性的数据集，涵盖不同类型和程度的子宫颈病变病例，包括正常、ASC - US、LSIL、高级别鳞状上皮内病变（HSIL）和鳞状细胞癌等各种情况，且数据应标注准确，以作为评价的基础。
• 评价指标选择：主要采用灵敏度、漏诊率、特异度、误诊率、阳性预测值、阴性预测值和符合率等指标来评价人工智能筛查的准确性。
• 评价流程与方法：用金标准区分子宫颈的正常与病变及病变的严重程度，再应用待评价的人工智能通过同步和盲法测定这些筛查结果，阴性筛查结果需要有随访数据进一步确认，以此来全面、客观地评价人工智能筛查系统的准确性。