尿液细胞学是一种无创的、可重复的、廉价的筛查方法，有利于促进原发性尿路上皮癌的检测，并可用于跟踪潜在的复发。然而，其诊断低等级尿道癌的敏感性较低。

近期，有研究人员利用卷积神经网络算法开发了一个人工智能（AI）尿液细胞学分类系统，能够将尿液细胞图像分类为阴性（良性）或阳性（非典型或恶性）。

研究人员收集了195张尿液细胞学切片，这些切片来自组织学上确诊为尿道癌的连续患者（2016年1月至2017年12月期间）。两位认证的细胞技术专家独立评估并标记了每张幻灯片；选择了4637个诊断一致的细胞图像，包括3128个良性细胞（阴性）、398个不典型细胞和1111个恶性或可疑恶性的细胞（阳性）。这个经病理学证实的标记数据集用来代表人工智能训练/验证/测试的基础真相。定制的CutMix（CircleCut）和细化数据增强用于图像处理。模型架构包括EfficientNet B6和Arcface。研究人员将80%的数据用于训练和验证（4：1的比例），20%用于测试，并用五倍交叉验证法评估了模型性能。ROC分析用来评估二元分类模型。

结果表明，ROC曲线下面积为0.99（95%置信区间[CI]，0.98-0.99），最高准确率为95%（95%CI，94-97%），敏感性为97%（95%CI，95-99%），特异性为95%（95%CI，93-97%）。AI的准确性超过了细胞技术专家对二元分类的最高水平[Pr(Y>X) = 0.95]。AI对所有细胞亚型的分类准确率都达到>90%。在基于提供测试细胞的患者的临床病理特征的亚组分析中，AI的准确性在89%和97%之间。

机器学习方法

综上所述，他们用于尿液细胞学的新型AI分类系统成功地对所有细胞亚型进行了分类，准确率高于90%，并与最高水平的细胞技术专家相比实现了更优越的恶性肿瘤诊断准确性。

原始出处：

Masatomo Kaneko ， Keisuke Tsuji ， Keiichi Masuda et al. Urine cell image recognition using a deep learning model for an automated slide evaluation system. BJU Int. Jun 2021