Use of artificial intelligence in the diagnosis of alterations in cervical cytology: A university population-based observational study

TL;DR

This study evaluates AI models for detecting cervical cell abnormalities, showing they can perform as well as traditional methods.

Contribution

The study compares AI models for cervical cytology in a Colombian population, a novel application in this region.

Findings

MobileNet achieved the highest discriminative capacity with an AUC of 0.97.

InceptionV3 showed better screening performance with a sensitivity of 0.93.

AI models could potentially replace or support traditional cytology screening.

Abstract

La citología convencional (prueba de Papanicolaou) continúa siendo un pilar del tamizaje del cáncer cervicouterino en Colombia, pero su utilidad se ve opacada por una gran carga laboral y bajo rendimiento diagnóstico. El uso de la inteligencia artificial puede proveer una solución a este problema, sin embargo, no hay estudios que evalúen su utilidad en nuestra población.

Evaluar y comparar la capacidad discriminativa de cuatro modelos de inteligencia artificial para detectar anormalidades en la citología cervicouterina.

Se obtuvieron 650 imágenes de células de citología cervicouterina convencional de una población universitaria del nororiente colombiano, las cuales fueron sometidas a evaluación diagnóstica por un patólogo experto. Mediante el análisis de imágenes digitales y aprendizaje profundo, se entrenaron cuatro modelos de inteligencia artificial (DenseNet, InceptionV3, MobileNet y VGG19) con los datos de una base de citología de acceso público, determinando la capacidad discriminativa de los modelos con su respectiva sensibilidad, especificidad y área bajo la curva.

MobileNet tuvo la mejor capacidad discriminativa [área bajo la curva (AUC) de 0,97) con una especificidad del 0,99 y sensibilidad de 0,78 para la detección de alteraciones en la citología cervicouterina. Por otro lado, InceptionV3 tuvo un mejor desempeño en el tamizaje, con sensibilidad del 0,93, especificidad de 0,82 y área bajo la curva de 0,947.

Nuestros resultados ilustran las ventajas y desventajas de diferentes modelos de inteligencia artificial y la forma como podrían ayudar a mejorar el rendimiento del tamizaje con citología convencional o, incluso, servir como método de tamizaje primario para descartar los casos negativos, lográndose un desempeño diagnóstico comparable con el de la lectura convencional.

Figures