Исследователи из Университетского медицинского центра Хошимина (Вьетнам) разработали инновационный метод диагностики вагинита с использованием модели искусственного интеллекта MobileNetV2. В исследовании, опубликованном в Scientific Reports, анализировались 3164 изображения вагинальных выделений от 1582 женщин. Модель показала высокую эффективность, особенно в выявлении Gardnerella vaginalis. Для других патогенов, таких как грибы рода Candida, смешанные бактерии и/или Trichomonas vaginalis, результаты также были стабильными, хотя в сложных случаях ко-инфекций точность немного снижалась.

Традиционная диагностика вагинита, основанная на микроскопии, требует значительного опыта и подвержена субъективным ошибкам. Ключевым достижением стала исключительная точность в диагностике бактериального вагиноза, вызванного Gardnerella vaginalis — модель достигла F1-показателя* 0.92 и AUC-PR** 0.98 на тренировочной выборке, что существенно превосходит традиционные методы микроскопии, зависящие от человеческого фактора. Не менее впечатляющими оказались результаты для других патогенов: для грибковых инфекций (Candida albicans) показатель F1 составил 0.83 при AUC-PR 0.91, а для смешанных бактериальных инфекций и Trichomonas vaginalis — 0.86 и 0.93 соответственно. Особое значение имеет способность алгоритма точно идентифицировать “ключевые клетки” — основной диагностический маркер бактериального вагиноза, что критически важно для своевременного назначения правильного лечения. В ходе валидации модель продемонстрировала 86.9% совпадение диагнозов с заключениями пяти опытных специалистов, подтверждая свою клиническую надежность.

Это исследование открывает новые возможности для автоматизации диагностики вагинита, сокращая время анализа и снижая зависимость от человеческого фактора. В будущем планируется расширить набор данных для улучшения классификации ко-инфекций и адаптировать модель для работы в реальном времени. Внедрение подобных технологий может значительно улучшить качество гинекологической помощи, особенно при массовых обследованиях или в удалённых клиниках, где доступ к опытным специалистам ограничен.

---

*Показатель F1 (F1 score) – метрика качества ИИ, одновременно показывающая, насколько хорошо модель находит истинно положительные диагнозы среди всех положительных и какую долю реальных патологий модель смогла обнаружить.

** Площадь под кривой (AUC) — это фундаментальная метрика производительности, используемая в машинном обучении для оценки бинарных моделей классификации. AUC в здравоохранении используется для оценки того, насколько хорошо модели ИИ могут различать здоровых и больных пациентов на основе изображений при различных пороговых значениях диагностики.

Новость подготовлена компанией SH PHARMA.