Cervical screening and artificial intelligence

Cover Page

Cite item

Full Text

Abstract

Currently, the use of artificial intelligence (AI) in gynecology is at the initial stage of its implementation. To date, cervical cancer (cervical cancer) is the second most common malignant tumor. Untimely diagnosis of the disease has a serious impact primarily in remote regions of the country, which is directly related to the lack of laboratory equipment, difficulties in transporting materials, as well as the lack of highly qualified cytologists and colposcopists. AI-based programs for reading cytological images, HPV identification and colposcopy have been created to date, which makes it possible to increase the availability of visual screening for women throughout the country, including those living in remote regions. In addition, it helps to improve the timely diagnosis of breast cancer in women through cervical screening using AI systems.  The review presents the main categories of AI, including machine learning methods, and includes foreign and domestic research on AI-based technologies for performing cytological examination and colposcopy, published between 2019 and 2024. The search for literature sources was conducted on the PubMed platform. The search queries included the following keywords: “cervical screening”, “artificial intelligence in gynecology”, “artificial intelligence in colposcopy”, “artificial intelligence in cervical screening". It was found that AI programs for the interpretation of Pap smear (Al-Pap) are 5.8% more sensitive to the detection of CIN2+ than manual counting with a slight decrease in specificity. In studies based on AI processing of colposcopic images, the percentage of coincidence between the results and the histological conclusion was higher than when interpreted by specialist doctors by 16.64%. When identifying HSIL+ with artificial intelligence, a higher sensitivity was revealed, 11.5% higher than the conclusion of the colposcopist, while the specificity was practically comparable. The Russian Federation is actively developing a domestic digital portable colposcope on the basis of the Samara State Medical University of the Ministry of Health of the Russian Federation, together with specialists from the Almazov National Medical Research Center of the Ministry of Health of the Russian Federation, as well as the Peter the Great St. Petersburg Polytechnic University for reading and interpreting colposcopic images.

About the authors

Anna V. Kolsanova

Samara State Medical University

Email: a.v.kazakova@samsmu.ru
ORCID iD: 0000-0002-9483-8909

PhD, Associate professor, Head of the Department of Obstetrics and Gynecology of the Institute of Pediatrics

Russian Federation, Samara

Svetlana M. Chechko

Samara State Medical University

Author for correspondence.
Email: svetlana-chechko92@mail.ru
ORCID iD: 0000-0002-3890-9944

assistant of the Department of Obstetrics and Gynecology at the Institute of Pediatrics

Russian Federation, Samara

Evgeny F. Kira

MEDSI Group of Companies, Medical Academy

Email: profkira33@gmail.com
ORCID iD: 0000-0002-1376-7361

PhD, Professor, Academician of the Russian Academy of Natural Sciences, Advisor to the Medical Director

Russian Federation, Moscow

Aliya R. Shamshatdinova

Samara State Medical University

Email: Aliyashamshat@gmail.com
ORCID iD: 0009-0009-5765-2361

1-year resident of the Department of Obstetrics and Gynecology of the IPЕ, senior laboratory assistant of the Department of Obstetrics and Gynecology of the Institute of Pediatrics

Russian Federation, Samara

References

  1. Dhombres F, Bonnard J, Bailly K, et al. Contributions of Artificial Intelligence Reported in Obstetrics and Gynecology Journals: Systematic Review. J Med Internet Res. 2022;24(4):e35465. DOI: https://doi.org/10.2196/35465
  2. Yin J, Ngiam KY, Teo HH. Role of Artificial Intelligence Applications in Real-Life Clinical Practice: Systematic Review. J Med Internet Res. 2021;23(4):e25759. DOI: https://doi.org/10.2196/25759
  3. Xu J, Xue K, Zhang K. Current status and future trends of clinical diagnoses via image-based deep learning. Theranostics. 2019;9(25):7556-7565. DOI: https://doi.org/10.7150/thno.38065
  4. Francesconi E. The winter, the summer and the summer dream of artificial intelligence in law: Presidential address to the 18th International Conference on Artificial Intelligence and Law. Artif Intell Law (Dordr). 2022;30(2):147-161. DOI: https://doi.org/10.1007/s10506-022-09309-8
  5. Ashrafian H, Darzi A, Athanasiou T. A novel modification of the Turing test for artificial intelligence and robotics in healthcare. Int J Med Robot. 2015;11(1):38-43. DOI: https://doi.org/10.1002/rcs.1570
  6. Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. 2017;69:36-40. DOI: https://doi.org/10.1016/j.metabol.2017.01.011
  7. Muthukrishnan N, Maleki F, Ovens K, et al. Brief History of Artificial Intelligence. Neuroimaging Clin N Am. 2020;30(4):393-399. DOI: https://doi.org/10.1016/j.nic.2020.07.004
  8. Howard J. Artificial intelligence: Implications for the future of work. Am J Ind Med. 2019;62(11):917-926. DOI: https://doi.org/10.1002/ajim.23037
  9. Jiang F, Jiang Y, Zhi H, et al. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017;2(4):230-243. DOI: https://doi.org/10.1136/svn-2017-000101
  10. Rashidi HH, Tran N, Albahra S, et al. Machine learning in health care and laboratory medicine: General overview of supervised learning and Auto-ML. Int J Lab Hematol. 2021;43(1):15-22. DOI: https://doi.org/10.1111/ijlh.13537
  11. Cleret de Langavant L, Bayen E, Yaffe K. Unsupervised Machine Learning to Identify High Likelihood of Dementia in Population-Based Surveys: Development and Validation Study. J Med Internet Res. 2018;20(7):e10493. DOI: https://doi.org/10.2196/10493
  12. Fedotov VA. Artificial intelligence: advantages and disadvantages. Scientific electronic journal Meridian. 2021;2(55):27-29. (In Russ.). [Федотов В.А. Искусственный интеллект: преимущества и недостатки. Научный электронный журнал Меридиан. 2021;2(55):27-29]. URL: https://elibrary.ru/download/elibrary_44745539_73779427.pdf
  13. Nesterova EA. On the issue of artificial intelligence in the context of human development. In: Man and society: history and modernity. 2024;138-142. (In Russ.). [Нестерова Е.А. К вопросу об искусственном интеллекте в контексте развития. В сб.: Человек и общество: история и современность. 2024;138-142].
  14. Kaprin AD, Starinskiy VV, Shakhzadova AO. State of oncological care for the population of Russia in 2021. M., 2022. (In Russ.). [Каприн А.Д., Старинский В.В., Шахзадова А.О. Состояние онкологической помощи населению России в 2021 году. М., 2022]. ISBN 978-5-85502-297-1
  15. Cohen PA, Jhingran A, Oaknin A, et al. Cervical cancer. Lancet. 2019;393:169-182. DOI: https://doi.org/10.1016/s0140-6736(18)32470-x
  16. Watson M, et al. Surveillance of high-grade cervical cancer precursors (CIN III/AIS) in four population-based cancer registries, United States, 2009–2012. Prev Med. 2017;103:60-65. DOI: https://doi.org/10.1016/j.ypmed.2017.07.027
  17. Ahmed SR, Befano B, Lemay A, et al. Reproducible and clinically translatable deep neural networks for cancer screening. Preprint. Sci Rep. 2023;rs.3.rs-2526701. DOI: https://doi.org/10.21203/rs.3.rs-2526701/v1
  18. Wang CW, Liou YA, Lin YJ, et al. Artificial intelligence-assisted fast screening cervical high grade squamous intraepithelial lesion and squamous cell carcinoma diagnosis and treatment planning. Sci Rep. 2021;11(1):16244. DOI: https://doi.org/10.1038/s41598-021-95545-y
  19. Bao H, Bi H, Zhang X, et al. Artificial intelligence-assisted cytology for detection of cervical intraepithelial neoplasia or invasive cancer: A multicenter, clinical-based, observational study. Gynecol Oncol. 2020;159(1):171-178. DOI: https://doi.org/10.1016/j.ygyno.2020.07.099
  20. Song T, et al. Screening capacity and cost-effectiveness of the human papillomavirus test versus cervicography as an adjunctive test to Pap cytology to detect high-grade cervical dysplasia. Eur J Obstet Gynecol Reprod Biol. 2019;234:112-116. DOI: https://doi.org/10.1016/j.ejogrb.2019.01.008
  21. Bao H, Sun X, Zhang Y, et al. The artificial intelligence-assisted cytology diagnostic system in large-scale cervical cancer screening: A population-based cohort study of 0.7 million women. Cancer Med. 2020;9(18):6896-6906. DOI: https://doi.org/10.1002/cam4.3296
  22. Xue P, Xu HM, Tang HP, et al. Assessing artificial intelligence enabled liquid-based cytology for triaging HPV-positive women: a population-based cross-sectional study. Acta Obstet Gynecol Scand. 2023;102(8):1026-1033. DOI: https://doi.org/10.1111/aogs.14611
  23. Shen M, Zou Z, Bao H, et al. Cost-effectiveness of artificial intelligence-assisted liquid-based cytology testing for cervical cancer screening in China. Lancet Reg Health West Pac. 2023;34:100726. DOI: https://doi.org/10.1016/j.lanwpc.2023.100726
  24. Dercle L, Lu L, Schwartz LH, et al. Radiomics response signature for identification of metastatic colorectal cancer sensitive to therapies targeting EGFR pathway. J Natl Cancer Inst. 2020;112(9):902-12. DOI: https://doi.org/10.1093/jnci/djaa017
  25. Rodriguez-Ruiz A, Lång K, Gubern-Merida A, et al. Stand-alone artificial intelligence for breast cancer detection in mammography: comparison with 101 radiologists. J Natl Cancer Inst. 2019;111(9):916-22. DOI: https://doi.org/10.1093/jnci/djy222
  26. Brandão M, Mendes F, Martins M, et al. Revolutionizing Women's Health: A Comprehensive Review of Artificial Intelligence Advancements in Gynecology. J Clin Med. 2024;13(4):1061. DOI: https://doi.org/10.3390/jcm13041061
  27. Stuebs FA, Schulmeyer CE, Mehlhorn G, et al. Accuracy of colposcopy-directed biopsy in detecting early cervical neoplasia: a retrospective study. Arch Gynecol Obstet. 2019;299(2):525-532. DOI: https://doi.org/10.1007/s00404-018-4953-8
  28. Hou X, Shen G, Zhou L, et al. Artificial Intelligence in Cervical Cancer Screening and Diagnosis. Front Oncol. 2022;12:851367. DOI: https://doi.org/10.3389/fonc.2022.851367
  29. Bray F, et al. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2018;68(4):394-424. DOI: https://doi.org/10.3322/caac.21492
  30. Chandran V, et al. Diagnosis of Cervical Cancer based on Ensemble Deep Learning Network using Colposcopy Images. Biomed Res Int. 2021;2021:5584004. DOI: https://doi.org/10.1155/2021/5584004
  31. Champin D, Ramirez-Soto MC, Vargas-Herrera J. Use of Smartphones for the detection of uterine cervical cancer: A systematic review. Cancers. 2021;13(23):6047. DOI: https://doi.org/10.3390/cancers13236047
  32. Alrajjal A, Pansare V, Choudhury MSR, et al. Squamous intraepithelial lesions (SIL: LSIL, HSIL, ASCUS, ASC-H, LSIL-H) of Uterine Cervix and Bethesda System. Cytojournal. 2021;18:16. DOI: https://doi.org/10.25259/Cytojournal_24_2021
  33. Rebolj M, et al. A daunting challenge: Human Papillomavirus assays and cytology in primary cervical screening of women below age 30 years. Eur J Cancer. 2015;51(11):1456-1466. DOI: https://doi.org/10.1016/j.ejca.2015.04.012
  34. Hu L, Bell D, Antani S, et al. An Observational Study of Deep Learning and Automated Evaluation of Cervical Images for Cancer Screening. J Natl Cancer Inst. 2019;111(9):923-932. DOI: https://doi.org/10.1093/jnci/djy225
  35. Xue P, Tang C, Li Q, et al. Development and validation of an artificial intelligence system for grading colposcopic impressions and guiding biopsies. BMC Med. 2020;18(1):406. DOI: https://doi.org/10.1186/s12916-020-01860-y
  36. Wu A, Xue P, Abulizi G, et al. Artificial intelligence in colposcopic examination: A promising tool to assist junior colposcopists. Front Med (Lausanne). 2023;10:1060451. DOI: https://doi.org/10.3389/fmed.2023.1060451
  37. Ouh YT, Kim TJ, Ju W, et al. Development and validation of artificial intelligence-based analysis software to support screening system of cervical intraepithelial neoplasia. Sci Rep. 2024;14(1):1957. DOI: https://doi.org/10.1038/s41598-024-51880-4
  38. Kim S, Lee H, Lee S, et al. Role of Artificial Intelligence Interpretation of Colposcopic Images in Cervical Cancer Screening. Healthcare (Basel). 2022;10(3):468. DOI: https://doi.org/10.3390/healthcare10030468
  39. Khan MJ, et al. ASCCP colposcopy standards: Role of colposcopy, benefits, potential harms, and terminology for colposcopic practice. J Low Genit Tract Dis. 2017;21(4), 223-229. DOI: https://doi.org/10.1097/LGT.0000000000000338
  40. Akazawa M, Hashimoto K. Artificial intelligence in gynecologic cancers: Current status and future challenges–A systematic review. Artif Intell Med. 2021;120:102164. DOI: https://doi.org/10.1016/j.artmed.2021.102164

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2024 Kolsanova A.V., Chechko S.M., Kira E.F., Shamshatdinova A.R.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».