DOI: https://doi.org/10.3389/fonc.2025.1716018
PMID: https://pubmed.ncbi.nlm.nih.gov/41640440
تاريخ النشر: 2026-01-20
المؤلف: Yue Zhang وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
تستعرض هذه المراجعة المنهجية دور الذكاء الاصطناعي (AI) في التشخيص المرضي لسرطان عنق الرحم، مع معالجة التحديات الكبيرة مثل نقص أطباء الأمراض وعوامل التباين في دقة التشخيص. تشمل المراجعة دراسات نُشرت بين يناير 2015 وأغسطس 2025، مع التركيز على تطبيقات الذكاء الاصطناعي في التشخيصات النسيجية المرضية، المناعية الكيميائية، والجزيئية. من بين 1,847 مقالة تم فحصها، تم تضمين 56 دراسة، مما يكشف أن تقنيات الذكاء الاصطناعي، وخاصة نماذج التعلم العميق مثل الشبكات العصبية التلافيفية، حققت معدلات دقة تشخيصية تتراوح بين 92-98%. وقد قللت هذه الأنظمة بشكل ملحوظ من أوقات المعالجة من 8-15 دقيقة إلى 1-3 دقائق لكل حالة، مما يبرز إمكانياتها في تعزيز كفاءة التشخيص.
على الرغم من هذه النتائج الواعدة، تحدد المراجعة الحواجز الحرجة أمام تنفيذ الذكاء الاصطناعي في البيئات السريرية، بما في ذلك الحاجة إلى التوحيد القياسي، والتحقق السريري المحدود، وتكاليف البنية التحتية العالية. يعمل الذكاء الاصطناعي كأداة مساعدة، مما يعزز قدرات أطباء الأمراض بدلاً من استبدالهم، وهو مفيد بشكل خاص في البيئات ذات الموارد المحدودة. يمكن أن يؤدي دمج الذكاء الاصطناعي مع طرق التشخيص التقليدية إلى تحسين الاتساق والسرعة، وهو أمر حيوي لاستراتيجيات الوقاية والعلاج من سرطان عنق الرحم. ومع ذلك، هناك حاجة إلى مزيد من البحث لمعالجة القضايا المتعلقة بنقص البيانات، والموافقات التنظيمية، وإنشاء بروتوكولات موحدة لتسهيل التطبيق السريري الفعال للذكاء الاصطناعي في تشخيص سرطان عنق الرحم.
مقدمة
يعد سرطان عنق الرحم قضية صحية عالمية هامة، حيث يحتل المرتبة الرابعة كأكثر أنواع السرطان شيوعًا بين النساء ويعتبر السبب الرئيسي للوفيات المرتبطة بالسرطان في العديد من البلدان، خاصة في أفريقيا جنوب الصحراء وآسيا الجنوبية الشرقية. على الرغم من إمكانية الوقاية منه بسبب وجود مرحلة ما قبل السرطان المطولة، إلا أن التحديات لا تزال قائمة في التشخيص والعلاج الفعال، ويرجع ذلك أساسًا إلى نقص أطباء الأمراض المؤهلين وقيود طرق التشخيص التقليدية، التي تعتمد غالبًا على التفسير الذاتي ويمكن أن تؤدي إلى تباين في النتائج.
تقدم التطورات الحديثة في الذكاء الاصطناعي (AI) وعلم الأمراض الرقمي حلولًا واعدة لهذه التحديات. لقد أظهرت تقنيات الذكاء الاصطناعي، وخاصة تلك التي تستخدم الشبكات العصبية التلافيفية، إمكانيات في أتمتة تحليل الصور المرضية، مما يحسن دقة التشخيص والاتساق بينما يخفف من عبء العمل على أطباء الأمراض. تركز هذه المراجعة بشكل خاص على تطبيق الذكاء الاصطناعي في التشخيص النسيجي المرضي لعينات أنسجة عنق الرحم، مستبعدة الدراسات الخلوية للحفاظ على الاتساق المنهجي. تهدف الدراسة إلى تقييم منهجي لتطور وتقدم التكنولوجيا والنتائج السريرية للذكاء الاصطناعي في تشخيص سرطان عنق الرحم، مع معالجة التحديات الحالية والحواجز أمام التنفيذ. من المتوقع أن تُعلم النتائج الاستراتيجيات لتعزيز الوقاية من سرطان عنق الرحم والسيطرة عليه، خاصة في البيئات ذات الموارد المحدودة.
طرق البحث
في هذا القسم، يحدد المؤلفون المنهجية المستخدمة لإجراء مراجعة منهجية للأدبيات الموجودة التي تركز على تطوير وتحقق تقنيات الذكاء الاصطناعي (AI) الموجهة نحو التشخيص المرضي لسرطان عنق الرحم. تشمل المراجعة تحليلًا شاملاً للمقالات المنشورة، مما يضمن فحصًا دقيقًا للتقدم في تطبيقات الذكاء الاصطناعي ضمن هذا المجال الطبي المحدد.
من المحتمل أن تتضمن عملية المراجعة المنهجية تحديد واختيار وتقييم الدراسات ذات الصلة، على الرغم من عدم تقديم تفاصيل محددة بشأن معايير الإدراج، وقواعد البيانات التي تم البحث فيها، والأساليب التحليلية المستخدمة لتجميع النتائج في الاقتباس. تهدف هذه الطريقة إلى توحيد المعرفة الحالية وتقييم فعالية منهجيات الذكاء الاصطناعي في تعزيز دقة التشخيص لسرطان عنق الرحم.
النتائج
في المراجعة المنهجية، تم تحديد ما مجموعه 1,847 منشورًا في البداية من خلال البحث في PubMed/MEDLINE وScopus وWeb of Science، مع إزالة 284 مكرر. بعد مراجعة دقيقة للعناوين والملخصات، تم استبعاد 952 مقالة، وتم استبعاد 555 إضافية بناءً على المعايير الموضحة في الجدول 1. كانت الأسباب الرئيسية للاستبعاد تشمل ضعف الجودة المنهجية (n=187، 33.7%)، والدراسات التي تركزت فقط على الفحص الخلوي (n=103، 18.6%)، والدراسات غير التشخيصية النسيجية (n=94، 16.9%). في النهاية، تم تضمين 56 دراسة في المراجعة.
عرضت الدراسات المضمنة مجموعة متنوعة من أساليب الذكاء الاصطناعي (AI)، حيث قامت 34 دراسة (60.7%) بتطوير نماذج تعلم عميقة مخصصة. من بين هذه الدراسات، تم استخدام ResNet في 12 دراسة، وDenseNet في 8، وVGG في 6، وEfficientNet في 4، وVision Transformers في 4. بالإضافة إلى ذلك، استخدمت 14 دراسة (25.0%) تقنيات التعلم الآلي التقليدية مثل آلات الدعم الناقل (SVM)، والغابات العشوائية، والجيران الأقرب (KNN)، بينما استكشفت 8 دراسات (14.3%) منصات تشخيصية مدعومة بالذكاء الاصطناعي التجارية. ومن الجدير بالذكر أن الغالبية العظمى من الأنظمة (n=43، 76.8%) عملت كأدوات مساعدة تعتمد على الذكاء الاصطناعي وتتطلب إشرافًا بشريًا.
المناقشة
تقيّم المراجعة المنهجية المقدمة في هذا القسم الحالة الحالية لتطبيقات الذكاء الاصطناعي (AI) في التشخيص المرضي لسرطان عنق الرحم. تتناول أسئلة البحث الرئيسية المتعلقة بمدى المعرفة حول دقة الذكاء الاصطناعي وتطوره في هذا المجال، إلى جانب التحديات التي تواجهها. استخدمت المراجعة استراتيجية بحث شاملة عبر عدة قواعد بيانات، مع التركيز على الدراسات التي تضمنت طرق تشخيص مرضية متنوعة، مع استبعاد تلك التي لم تستوف معايير محددة، مثل الدراسات غير النسيجية أو تلك ذات الجودة المنهجية الضعيفة.
تكشف النتائج أن تقنيات الذكاء الاصطناعي قد حققت تقدمًا كبيرًا، حيث حققت معدلات دقة تشخيصية تتراوح بين 92-98% عبر تطبيقات مختلفة، مما يتجاوز الطرق التقليدية. تسلط المراجعة الضوء على تطور الذكاء الاصطناعي من تقنيات التعلم الآلي التقليدية إلى هياكل التعلم العميق المتقدمة، التي حسنت كفاءة التشخيص ودقته. ومع ذلك، تحدد أيضًا التحديات المستمرة، بما في ذلك الحاجة إلى التوحيد القياسي في ممارسات علم الأمراض الرقمي، وتكاليف التنفيذ العالية، وضرورة أن تعمل أنظمة الذكاء الاصطناعي كأدوات مساعدة بدلاً من استبدال أطباء الأمراض. تؤكد المراجعة على أهمية معالجة هذه التحديات لتسهيل الدمج الناجح للذكاء الاصطناعي في الممارسة السريرية، خاصة في البيئات ذات الموارد المحدودة حيث تكون عبء سرطان عنق الرحم أعلى. يجب أن تركز الأبحاث المستقبلية على تطوير بروتوكولات موحدة، وتعزيز قابلية تفسير النماذج، وضمان المراقبة المستمرة لأداء الذكاء الاصطناعي في البيئات السريرية.
DOI: https://doi.org/10.3389/fonc.2025.1716018
PMID: https://pubmed.ncbi.nlm.nih.gov/41640440
Publication Date: 2026-01-20
Author(s): Yue Zhang et al.
Primary Topic: AI in cancer detection
Overview
This systematic review investigates the role of artificial intelligence (AI) in the pathological diagnosis of cervical cancer, addressing significant challenges such as pathologist shortages and variability in diagnostic accuracy. The review encompasses studies published between January 2015 and August 2025, focusing on AI applications in histopathological, immunohistochemical, and molecular diagnoses. Out of 1,847 articles screened, 56 studies were included, revealing that AI technologies, particularly deep learning models like convolutional neural networks, achieved diagnostic accuracy rates between 92-98%. These systems notably reduced processing times from 8-15 minutes to 1-3 minutes per case, highlighting their potential to enhance diagnostic efficiency.
Despite these promising findings, the review identifies critical barriers to the implementation of AI in clinical settings, including the need for standardization, limited clinical validation, and high infrastructure costs. AI serves as an assistive tool, augmenting pathologists’ capabilities rather than replacing them, and is particularly beneficial in resource-limited environments. The integration of AI with traditional diagnostic methods can improve consistency and speed, which is vital for cervical cancer prevention and treatment strategies. However, further research is necessary to address issues related to data scarcity, regulatory approvals, and the establishment of standardized protocols to facilitate the effective clinical application of AI in cervical cancer diagnosis.
Introduction
Cervical cancer is a significant global health issue, ranking as the fourth most common cancer among women and the leading cause of cancer-related deaths in numerous countries, particularly in sub-Saharan Africa and Southeast Asia. Despite its preventability due to a prolonged precancerous phase, challenges persist in effective diagnosis and treatment, primarily due to a shortage of qualified pathologists and the limitations of traditional diagnostic methods, which often rely on subjective interpretation and can lead to variability in results.
Recent advancements in artificial intelligence (AI) and digital pathology present promising solutions to these challenges. AI technologies, particularly those utilizing convolutional neural networks, have shown potential in automating the analysis of pathological images, thereby improving diagnostic accuracy and consistency while alleviating the workload on pathologists. This review specifically focuses on the application of AI in the histopathological diagnosis of cervical tissue specimens, excluding cytological studies to maintain methodological consistency. The study aims to systematically evaluate the development, technological advancements, and clinical outcomes of AI in cervical cancer diagnosis, addressing current challenges and barriers to implementation. The findings are expected to inform strategies for enhancing cervical cancer prevention and control, especially in resource-limited settings.
Methods
In this section, the authors outline the methodology employed for conducting a systematic review of existing literature focused on the development and validation of artificial intelligence (AI) techniques aimed at the pathological diagnosis of cervical cancer. The review encompasses a comprehensive analysis of published articles, ensuring a thorough examination of the advancements in AI applications within this specific medical domain.
The systematic review process likely involved the identification, selection, and evaluation of relevant studies, although specific details regarding the inclusion criteria, databases searched, and analytical methods used for synthesizing the findings are not provided in the excerpt. This approach aims to consolidate current knowledge and assess the efficacy of AI methodologies in enhancing diagnostic accuracy for cervical cancer pathology.
Results
In the systematic review, a total of 1,847 publications were initially identified through searches in PubMed/MEDLINE, Scopus, and Web of Science, with 284 duplicates removed. Following a thorough review of titles and abstracts, 952 articles were excluded, and an additional 555 were eliminated based on criteria outlined in Table 1. The primary reasons for exclusion included poor methodological quality (n=187, 33.7%), studies focused solely on cytological screening (n=103, 18.6%), and non-histopathological diagnostic studies (n=94, 16.9%). Ultimately, 56 studies were included in the review.
The included studies showcased a variety of artificial intelligence (AI) approaches, with 34 studies (60.7%) developing custom deep learning models. Among these, ResNet was utilized in 12 studies, DenseNet in 8, VGG in 6, EfficientNet in 4, and Vision Transformers in 4. Additionally, 14 studies (25.0%) employed traditional machine learning techniques such as Support Vector Machines (SVM), Random Forests, and K-Nearest Neighbors (KNN), while 8 studies (14.3%) explored commercial AI-assisted diagnostic platforms. Notably, the majority of the systems (n=43, 76.8%) functioned as AI-assisted tools requiring human oversight.
Discussion
The systematic review presented in this section evaluates the current state of artificial intelligence (AI) applications in the pathological diagnosis of cervical cancer. It addresses key research questions regarding the extent of knowledge about AI’s accuracy and development in this field, alongside the challenges faced. The review utilized a comprehensive search strategy across multiple databases, focusing on studies that involved various pathological diagnosis methods, while excluding those that did not meet specific criteria, such as non-histopathological studies or those with poor methodological quality.
The findings reveal that AI technologies have made significant strides, achieving diagnostic accuracy rates between 92-98% across different applications, which surpass traditional methods. The review highlights the evolution of AI from traditional machine learning techniques to advanced deep learning architectures, which have improved diagnostic efficiency and accuracy. However, it also identifies persistent challenges, including the need for standardization in digital pathology practices, high implementation costs, and the necessity for AI systems to function as assistive tools rather than replacements for pathologists. The review emphasizes the importance of addressing these challenges to facilitate the successful integration of AI into clinical practice, particularly in resource-limited settings where the burden of cervical cancer is highest. Future research should focus on developing standardized protocols, enhancing model interpretability, and ensuring continuous monitoring of AI performance in clinical environments.