Background/Objectives: Histopathologic grading of cervical biopsies is subject to interobserver variability, particularly at the CIN2+ treatment threshold. We evaluated a deep learning system (EagleEye) for detecting CIN2+ (CIN2, CIN3, ACIS, invasive carcinoma) on hematoxylin–eosin (H&E) whole-slide images (WSIs) and compared its performance with independent pathologists, including an AI-assisted workflow. Spatial correspondence with p16 staining was preliminarily assessed.Methods: Ninety-nine archived cervical punch biopsies from a single university hospital, originally diagnosed as Normal (n = 19), CIN1 (n = 20), CIN2 (n = 20), CIN3 (n = 20), or adenocarcinoma in situ (ACIS; n = 20), were digitized in a deliberately spectrum-balanced design. The original sign-out (P1), a second gynecologic pathologist (P2, microscope and digital), EagleEye alone (EE), and an AI-assisted read (EE + P2) served as diagnostic conditions. Outcomes were dichotomized as
背景/目的：宫颈活检的组织病理学分级存在观察者间差异，尤其在CIN2+的治疗阈值处。本研究评估了深度学习系统（EagleEye）在苏木精-伊红（H&E）全切片图像（WSIs）上检测CIN2+（包括CIN2、CIN3、原位腺癌及浸润性癌）的性能，并将其与独立病理医师（包括AI辅助工作流程）的诊断表现进行比较。同时初步评估了该系统与p16免疫组化染色的空间对应关系。
方法：从单一大学医院档案中选取99例宫颈穿刺活检样本，原始诊断涵盖正常组织（19例）、CIN1（20例）、CIN2（20例）、CIN3（20例）及原位腺癌（20例），采用光谱平衡设计进行数字化扫描。以原始签发诊断（P1）、第二位妇科病理医师（P2，分别通过显微镜和数字阅片）、单独EagleEye系统（EE）及AI辅助阅片（EE+P2）作为诊断条件。将诊断结果二分为＜CIN2与CIN2+。在预设内部参考标准下，采用Cohen's κ系数及敏感性/特异性（95%置信区间）评估诊断一致性。在30例既往行p16染色的病例中，记录AI热图/分块与p16阳性上皮区域的可视化对应关系。
结果：P1与EagleEye诊断一致性中等（κ=0.67），而P2自身阅片方式间呈现高度内部一致性（κ=0.86），且与P1诊断一致性良好（κ=0.78）。以P1为参考标准时，EagleEye检测CIN2+的敏感性为93.3%，特异性为71.8%。当采用AI辅助共识诊断（EE+P2）作为增强型内部对照时，P1诊断的敏感性为83.8%，特异性达100%，表明人机协同工作流程能识别出被P1判读为＜CIN2的额外CIN2+病例，尤其在CIN1/CIN2交界区域。在P1原始诊断为CIN3的病例亚组中，EagleEye标记出鳞状细胞癌（SCC）；经专家复核（EE+P2）确认其中数例实为SCC。对于原位腺癌病例，EagleEye的诊断灵敏度低于病理医师，但经裁定后有所改善。在73.3%的评估病例中观察到p16染色与AI识别区域的空间对应率≥70%。
结论：在这项单中心光谱平衡队列研究中，EagleEye系统在人机协同工作流程中展现出较高的CIN2+检测敏感性，并与专家诊断具有实质性一致。其主要附加价值在于当提供AI辅助时，能实现治疗相关病变的内部病例发现，而最终诊断权仍归属于病理医师。
Digital Pathology with AI for Cervical Biopsies: Diagnostic Accuracy at the CIN2+ Threshold摘要翻译：
原文链接：
肿瘤(癌症)患者之家