2022年3月29日，我院吴健团队在医学人工智能顶级期刊Transaction on Medical Imaging上发表题为“A Task Decomposing and Cell Comparing Method for Cervical Lesion Cell Detection”的研究论文。该论文从临床角度出发，提出一种基于任务分解和细胞对比的方法实现在宫颈细胞学图像上的宫颈病变细胞检测。实验室博士生陈婷婷和郑文浩是论文的共同一座，吴健教授是本文的通讯作者。

TCT（薄层液基细胞技术）是一种细胞学检查，是常见的宫颈癌筛查技术。近年来，在人工智能技术加持下，机器阅片具有速度快、准确率高、高并发等优势。目前以后很多深度学习方法实现TCT图像上的病变细胞智能检测，虽然取得不错的效果，但仍然面临一些困难和挑战：（1）同一种病变类别存在大的形态差异，如单个细胞和多细胞（细胞蔟）；（2）正常细胞常常被忽略，正常细胞中的细胞核大小、胞质比等往往能够给异常细胞识别提供好的参考；（3）相邻癌化阶段的病变细胞形态相似，如HSIL- ASCH，LSIL- ASCUS等，给异常细胞的识别带来困难。

图1. 宫颈细胞学图像分析的挑战

基于以上问题，本文提出基于任务分解和细胞对比的创新方法实现TCT图像上宫颈病变细胞的检测。（1）任务分级：设计Decompose-and-Integrate的检测头结构，将病变细胞的检测任务先分解为单细胞和多细胞病变检测的两个子任务，使得模型专注于不同细胞结构的特征提取；再将单细胞和多细胞检测结果整合，通过级联结构实现最终的病变检测。（2）细胞对比：提出动态对比模块（Dynamic Comparing Module）实现正常细胞和异常细胞的对比，提出实例级对比损失（Instance Contrastive Loss）实现异常细胞和异常细胞的对比，两者旨在增强对于病变细胞特征的学习和捕捉。论文在6935例TCT图像上进行模型训练和评估，最终AP75达到25.5，相比baseline方法提升5.6.

图2. 基于任务分解和细胞对比的宫颈病变细胞检测