CPATH在细胞学中的应用
（一）CPATH在宫颈细胞学中的应用
随着时间的推移，DL算法的不断改进和计算能力的不断提高，一些研究已经陆续优化改进不同DL算法在宫颈细胞学中的应用［243-249］，预期的最终目标是用CAPDS取代细胞学初筛工作中的人工复查。Zhang等［250］应用CNN在DS图像上对宫颈细胞学改变的良恶性特征进行了研究。结果显示通过2个公开的标注数据集的学习训练，在宫颈细胞学良恶性病变分类中的准确性大约为98％。在研究过程中他们的模型没有使用人工标记的特征或细胞核和细胞质之间的分割。Martin等［251］应用CNN将在宫颈液基细胞学DS图像上分为五个类别，分别是：没有上皮内病变、意义不明的非典型鳞状细胞病变、低级别鳞状上皮内病变、非典型鳞状细胞不能排除任何级别鳞状上皮内病变和高级别鳞状上皮内病变。结果显示准确率分别为56％、36％、72％、17％和86％，总体平均准确率为60％。这意味着CNN能够学习细胞学特征。新近文献报道［252］，由南方医科大学南方医院病理科牵头的多个单位开发出了一套宫颈液基细胞学人工智能辅助诊断方案（artificial intelligence assistive diagnostic solution，AIATBS），该方案基于临床TBS标准改善了宫颈液基薄层细胞涂片的筛查诊断策略。AIATBS是一款混合人工智能辅助诊断模型，集成了YOLOv3用于目标检测，Xception和patch模型用于目标分类，U-net用于细胞核分割，并将XGBoost和逻辑决策树与这些模型结合，对学习过程中给出的参数进行优化，从而开发出了一个完整的宫颈液基细胞学涂片TBS诊断系统，该系统还包括一个质量控制解决方案。AIATBS经过81000个回顾性样本训练后，对优化后的系统进行了大样本量的系统性验证。与资深细胞病理医师相比，超过34000例多中心前瞻性样本的验证，结果显示具有比原来更好的敏感性，同时保持了高度的特异性，每张DS图像的平均完成时间小于180秒。AIATBS可以适用于不同标准、染色方法和扫描仪的样品制备。
（二）CPATH在尿液细胞学中的应用
有趣的是，2000年的一项研究［253］将用于检测宫颈细胞学的PAPNET系统对尿液细胞标本进行了检测，该研究通过把收集的尿液标本中的细胞分成良性、低级别膀胱癌和高级别膀胱癌三个等级进行分类诊断并将检测结果与相应的组织学形态进行对照。通过ROC分析，该研究发现PAPNET诊断的尿液细胞学AUC（0.71）高于基于光学显微镜的诊断性能（0.58）。
巴黎泌尿细胞学报告系统的定量标准（GSL-501100009229）规定：如果非典型尿路上皮细胞的数量在5～10个细胞以下且核质比为0.5～0.7，可怀疑为高级别尿路上皮癌［254］。虽然数字图像分析支持非典型尿路上皮细胞的核质比的临界值为0.5，但人类很难直观地再现这种定量标准来进行精确的分类［255，256］。目前，多个不同的研究小组已经应用DNN模型，并基于细胞核的形态测量特征，以区分良性和恶性尿路上皮细胞。较早的一项研究［257］报道了使用基于特征的神经网络在尿液细胞学标本中检测尿路上皮癌的敏感性为94.5％，特异性为100％。该研究结果之所以表现良好，主要原因可能与使用了包括组织学检查、微生物报告、临床过程、细胞学检查、超声、肾盂造影和膀胱镜等全面的临床资料作为实验的综合参考标准。最近的另一份研究显示［258］，作者采用基于VGG-19的形态学算法和语义分割网络的一种结合测量方法，在尿液细胞学液基薄层制片的DS图像上按照巴黎泌尿细胞学报告系统对尿液细胞进行病理分类检查。该CAPDS对细胞和细胞簇进行分段，以网格格式显示，并基于DL对细胞的核质比和／或异型性进行评分以达到对尿路病变的分类诊断。结果显示其检测的敏感性为77％，假阳性率为30％，AUC为0.8。
（三）CPATH在甲状腺FNA细胞学中的应用
2006年，Cochand-Priollet等报道［259］，他们利用AI技术从甲状腺FNA标本中提取了25个细胞核特征，发现基于细胞核形状、染色质质地和染色质分布等的4个特征在鉴别甲状腺良恶性病变时具有重要意义。在恶性病变中检测出的病例主要为乳头状癌，以及少数的嗜酸性细胞癌、髓样癌和滤泡癌。实验显示模型在测试集中的成功率高达75.25％。一项试验性研究［260］使用ImageJ开发了一种图像算法，用以分析彩色照片，结果显示细胞的多种形态特征如面积、周长和细胞核的大小等方面在良恶性病变中存在着显著差异。但是，在研究过程中也发现，在FNA直接涂片上，甲状腺乳头状癌细胞核的平均大小与良性细胞核的大小有时难以区分。可能的原因是立体的细胞团块影响DL对细胞核的识别，表明玻璃涂片制备、染色方法及图像扫描技术对细胞学中ML的影响。在另一项相关的研究中［261］，Legesse等使用了romanowsky染色（一种改良的瑞氏染色）的玻璃涂片干性方法生成的DS图像进行分析，显示核面积和延伸率也可预测最终诊断结果，包括具有乳头状癌核特征的非浸润性滤泡性甲状腺肿瘤（NIFTP）。Varlatzidou等［262］在甲状腺病变中进行了类似的研究，他们使用提取的特征创建了一个敏感性为91.5％、特异性为92.43％的神经网络模型。该模型主要用于分析滤泡和嗜酸性细胞的细胞核特点，并且排除了间质细胞、组织细胞和淋巴细胞的干扰。结果显示恶性组以乳头状癌为主，髓样癌和间变性癌次之。该模型被设计成两部分功能，第一部分识别单个细胞核的良性或恶性，第二部分根据检测到的良性或恶性细胞的数量定性整张DS图像病变的良性或恶性。Ippolito等［263］将神经网络模型应用于甲状腺细胞学不确定的FNA病例的预测研究，并以切除标本的相应组织学诊断为参考标准。该模型不像以前的方法那样使用数字提取的特征，而是根据一位细胞学病理医师的建议，纳入了胶体、慢性炎症和细胞核非典型性等分类特征。同时，实验过程尽量结合临床特征，如最大结节直径和是否存在结节性甲状腺肿等。最后发现影响模型整体性能的因素有核内假包涵体、假乳头状结构，以及“是否是单层细胞”。预测结果的中等图像特征包括微滤泡图案、核重叠和核沟等。该神经网络模型的预测敏感性为0.86，特异性为0.59，而人工细胞学观察的敏感性为0.29，特异性为0.82。在一项包含甲状腺乳头状癌和其他甲状腺病变在内使用细胞学涂片的显微照片的相关研究中［264］，Sanyal等开发的人工神经网络显示了良好的敏感性（90.48％），中等的特异性（83.33％）和很好的阴性预测值（96.49），诊断准确率达到了85.06％。不足之处是一些良性病例中模糊的乳头状结构被模型错误地识别为乳头状癌。最近，Maleki等［265］基于甲状腺FNA的显微镜下描述开发了一种基于文本的模型，这些FNA病变在切除后被诊断为经典甲状腺乳头状癌或NIFTP。结果发现该模型在81.1％的病例中成功地将经典型甲状腺乳头状癌与NIFTP区分开来。众所周知，对于甲状腺乳头状癌的变型，在细胞学上区分滤泡亚型乳头状癌与NIFTP比区分NIFTP和经典甲状腺乳头状癌要困难得多。
（四）CPATH在肺和胸腔积液细胞学中的应用
Teramoto等［266］使用DNN将肺癌的液基细胞学标本分为腺癌、鳞状细胞癌和小细胞癌，准确率为71.1％，而且在区分非小细胞肺癌和小细胞癌的准确率达到了85.6％。但是，该研究的不足之处是样本范围仅限于区分肺癌的亚型，并没有试图区分良性和恶性病例。对非小细胞肺癌来说，由于靶向治疗的进展，后续进行分子检测的项目较多，细胞病理医师经常被要求在进行分子检测之前确定FNA材料是否充足。不出意外，由细胞病理医师使用CAPDS软件对数字化细胞块切片材料中的细胞数量进行定量分析已被证明比人工视觉评估更可靠［267］。(https://www.daowen.com)
截至目前，关于使用CPATH辅助工具分析痰样本的研究只见于少数文献报道。几个独立的研究小组已经发表了他们使用CPATH的图像处理方法从明视野显微镜痰图像中检测到结核分枝杆菌的文献［268，269］。这些方法有时虽然管用，但对DS图像的扫描质量要求较高，当许多重叠或变形的杆菌受到染色或杂质的干扰时很难被识别出来，在算法学习中这些特征都被归类为非杆菌［268］。最近，基于DS图像的DL算法也被应用于Cell-CT仪器（VisionGate，Phoenix，arizona）中以获得痰中检测到的异常上皮细胞的三维图像。这项新兴技术的目的不仅仅是利用计算机进行处理三维细胞特征，还能自动提供细胞分类，其功能表现类似于宫颈的自动巴氏筛查系统所完成的工作任务［270］。最近，国内学者在一篇文献中报道了DL算法对支气管肺泡灌洗液进行细胞辅助分类和诊断的研究［271］。该研究显示支气管肺泡灌洗液的液基涂片的视觉图像通过自动生物显微镜平台获得，基于CNN的三步算法自动解释支气管肺泡灌洗液图像中的细胞学特征。DL模型成功地检测出了支气管肺泡灌洗液标本中的大多数细胞，其中检测的敏感性和准确性都达到了较高水平，大多数细胞类型的F1评分都超过0.9。而且在两次临床测试中，该DL算法的表现均优于有经验的细胞病理医师。
利用CPATH中ML方法来分析胸腔积液涂片DS图像并进行预测诊断的研究不多。Tosun等［272］在34例胸腔积液标本中基于DS图像建立了一个主要分析细胞核染色质分布特征的模型，用以区分恶性间皮瘤和良性间皮瘤细胞。研究者提取了诸如面积、凸度、圆度、周长、偏心距、等效直径等形态特征、细胞核纹理特征（如Haralick和Gabor特征）和基于小波的特征。结果显示，以同时或随后进行的所有病例的胸膜活检的病理诊断为参考标准比较，检测的敏感性为100％，特异性也为100％。基于这些研究结果，该研究的作者认为仅靠间皮细胞的核结构特征就可能包含足够的信息来区分恶性间皮瘤和良性间皮增生。
（五）CPATH在乳腺细胞学中的应用
乳腺细胞学标本的核形态测量学研究表明，根据细胞核的某些特征如细胞核大小、形状、质地和密度等，可以区分乳腺良恶性病变［273］。当Dey等［274］将ANN应用于乳腺病灶FNA涂片的DS图像分析时，将测试结果与切除标本的组织学结果对照时，发现所建立的模型算法能够鉴别出所有的良性病变、小叶癌和大多数浸润性导管癌。同样，Subbaiah等［275］也开发了一种神经网络模型用来从纤维腺瘤中区分乳腺腺癌。ANN模型在FNA涂片的DS图像上基于几种特征的核形态计量学进行定量分析，并结合细胞病理医师对其他特征的评分作出综合预测。最终结果显示测试集的敏感性为100％，特异性为100％。该模型的不足之处是，需要细胞病理医师人工审查和对特定的特征如细胞数量、分离、双极细胞等进行评分，这本身可能要比传统的人工审查花费更长的时间。Filipczuk等［276］开发了几种不同的基于FNA标本DS图像的CPATH辅助诊断模型用来区分乳腺良恶性病变，据该报告发布的结果显示，在患者水平测试的敏感性高达88％，特异性高达100％。
值得注意的是，随着乳腺病变粗针活检技术和术中快速冷冻诊断的广泛普及和应用，乳腺病变的FNA技术应用越来越少，相应地FNA的标本也越来越稀少。所以，最近几年CPATH在乳腺病变中的应用和研究已普遍转向基于组织学图像的分析，针对FNA的乳腺标本的CPATH的研究已经很少见到。
（六）CPATH在胰胆管细胞学中的应用
Momeni-Boroujeni等［277］基于细胞核形态测量特征开发了一种用于胰腺FNA标本的神经网络模型，该模型可区分良性和恶性细胞簇，准确率为83.9％。另外，该研究还用处于良恶性细胞之间的“非典型”病例测试了这款模型。通常情况下，在胰腺FNA标本中被诊断为“非典型细胞”的病例临床上一般不会对胰腺进行手术切除，所以，研究人员在对这类FNA标本进行预后结果评估时，以患者的FNA标本被诊断为“非典型细胞”的时间为起点的生存时间作为评估肿瘤预后的参考标准。结果显示，与那些被模型诊断为恶性的病例相比（中位死亡时间：67天），被该模型诊断为“非典型细胞”（恶性潜能未定）或被Kaplan-Meier分析诊断为胰腺癌的病例死亡时间明显更长（中位死亡时间：1174天）。Hashimoto等［278］在没有手工特征提取的情况下对细胞病理图像使用了深度学习技术进行分析预测。他们将DNN应用于胰腺FNA标本的辅助诊断预测。按照实验设置的“提示或可疑恶性肿瘤”和“提示良性肿瘤”两分法类别，该DNN模型预测的报告敏感性为80％，特异性为80％。而且可以期望通过增加训练集的样本数量来提高分类器的学习训练性能。在另一项研究中，Collins和Weimholt对诊断不确定（不典型到可疑）的胆管刷检细胞标本进行了DS图像的定量分析［279］。实验发现，可疑病例的细胞比非典型病例的细胞核更大，多形性也更明显。但是，要在图像算法中利用这些客观特征来帮助支持胆管癌的诊断，还需要进一步的工作。
综上所述，CPATH的辅助诊断功能和研究训练已经广泛应用于几乎所有的细胞学领域，各种CAPDS工具软件在一些领域已经进入临床应用如宫颈液基细胞学的筛查工作，其他领域大多处于模型研发、训练和优化阶段，并显示出良好的应用前景。从上述内容不难看出，基于液基薄层制片的宫颈和尿液等“单层细胞”的DS图像的结果更具有优越性。虽然现在的WSS较以往具有更强的Z轴立体扫描功能，但还是或多或少地影响模型算法对相关的成团细胞特征的识别，因此，对于FNA标本，建议制成液基薄层涂片（尽量使抽吸过程中的细胞团块“单层化”）以利于DL算法在学习训练中对相关细胞特征的识别和记忆［210］。