GBC正與美國Danner實驗室合作建立宮頸癌細胞診斷的人工智能。全景塗片被切割成數字細胞圖像，液基薄塗片可被切割成約2,300個切片。細胞分類根據Bethesda系統進行，機器學習則用於自動細胞識別系統。這一結果可以減輕醫護人員的工作壓力，提高診斷的準確性，達到雙贏的效果。

人口老齡化已成為世界共同問題，癌症和慢性病的發病率逐年上升。因此，需要快速、準確的診斷工具來提高醫療質量。

惡性腫瘤是指大量生長超出正常組織且細胞增殖失控的異常組織。此外，無論宿主的營養狀況如何，它都會繼續生長。惡性腫瘤的一個重要特徵是侵襲鄰近組織並通過淋巴和血液擴散轉移至遠處器官和組織。然而，它也可能通過手術器械等人為因素傳播，儘管這種情況極為罕見。一般惡性腫瘤生長迅速，並伴有擴張、侵襲和轉移。肉眼觀察，分界不明顯，邊緣、斷面不規則。壞死組織很常見，組織通常沒有正常結構，有絲分裂頻率增加。鏡下觀察，細胞核不規則、增大，有明顯的核仁。惡性腫瘤細胞黏附力低，易剝離，可沿血管、淋巴結轉移至其他部位。這一特性的臨床應用推進了細胞學癌細胞診斷的發明。該方法為非侵入性，通過細胞染色進行診斷。簡單、方便、成本低，這樣的癌細胞診斷非常成功，對女性宮頸癌的相關防治也相當有效。

目前國內研發的“子宮頸抹片人工智能（AI）數字影像輔助篩查系統”涉及國內信息、光學、生物醫學技術及數位病理系統產業相關產品三大領域。在歐洲、美國和日本，數位病理學被應用於細胞病理學和藥物開發。市場主流產品包括全玻片病理掃描設備、病理圖像分析處理軟件、病理雲管理系統等。

人工智能（AI）是計算機科學的一個領域，致力於解決與人類智能相關的常見認知問題，例如學習、問題解決和模式識別。人工智能不再局限於科幻小說中想像的機器人，它現在構成了高級計算機科學的真正應用，可以改善醫療保健和人類健康。
有了更多的數據，人工智能就會變得“更聰明”，學得更快； 同時，更準確的數據使機器學習和深度學習解決方案更加完善。因此，擁有豐富的臨床診斷病例非常重要。

宮頸癌是目前台灣女性預防和檢測最有效的癌症。子宮頸抹片檢查被全世界公認為篩查癌前病變和早期癌症的最有效工具。據統計，台灣女性三年子宮頸抹片篩查率超過50%，而西方發達國家女性則為80%。因此，在推動子宮頸抹片檢查和國內宮頸癌預防方面仍有改進的空間。宮頸篩查陽性結果比例約為1.27%，約5萬名未接受子宮頸抹片檢查的女性在不知情的情況下患有宮頸病變（包括癌前病變）。

目前國內醫師和體檢人員多采用肉眼和手動顯微鏡進行篩查，仍存在少量人為診斷錯誤。然而，歐美許多先進國家利用薄層塗片和人工智能來輔助判讀和診斷。美國和台灣的醫學法規定，細胞科醫生一天不能篩查超過80張子宮頸塗片，人工判讀有其局限性。除此之外，還無法記錄和保存完整的切片和塗片圖像信息； 醫院需要足夠的空間來保存良性樣本長達十年以上，而異常的塗片則需要永久保存。人工智能發展的好處和要求將體現在病理塗片的數字化和輔助篩查系統的使用上，以提高醫療診斷的質量並減少醫務人員的工作量。

GBC/Danner Lab的薄層塗片助力國內宮頸癌細胞診斷AI的建立。與傳統塗片相比，薄層塗片為單層細胞，不含雜質、粘液和炎症細胞。因為液基薄層塗片可切割成約2,300個切片，因此它更適合將全景塗片切割成計算機細胞圖像。根據Bethesda系統（美國系統）對圖像進行分類，並訓練計算機進行深度學習，作為自動細胞識別系統的機器學習的圖像參數。

希望這一成果能夠在不久的將來減輕醫護人員的工作壓力，提高正確診斷率，達到雙贏的效果。