宮頸癌是全球女性常見的惡性腫瘤之一，早期篩查對於降低發病率和死亡率至關重要。薄層液基細胞學檢測（ThinPrep Cytologic Test, TCT）是目前廣泛使用的篩查方法，但人工閲片耗時且不同病理學家診斷結果差異大。近年來，人工智能（AI）在醫學圖像分析領域取得顯著進展，但現有AI檢測模型在真實臨牀條件下表現不佳，主要受限於兩個關鍵因素：TCT塗片中細胞空間分佈不均，以及高質量標註細胞數據匱乏。
針對這些挑戰，研究人員提出了一種名為“細胞分佈歸一化”（C-Norm）的新方法。該方法的核心思想是從原始TCT圖像中分離異常細胞和正常細胞，然後重新合成新的圖像，使得細胞分佈均勻。這一過程有效緩解了因分佈偏差導致的模型泛化能力下降。在此基礎上，研究團隊將YOLOv12框架與DINOv3模塊相結合，構建了混合架構。YOLOv12具有強大的檢測能力，而DINOv3則擅長提取精細的特徵表示，兩者協同可以捕捉TCT圖像中細微的形態學差異，從而實現精準識別。
大量實驗結果表明，C-Norm方法在多項指標上均達到最先進水平，顯著優於主流檢測算法。研究團隊已在GitHub上公開了完整代碼（https://github.com/ddw2AIGROUP2CQUPT/Cell-Norm），以促進相關領域的進一步研究。該論文於2026年7月14日提交至arXiv，作者包括Yang Qianl等8位研究者。這一工作為提升AI輔助宮頸癌篩查的準確性和可靠性提供了新的思路，有望推動計算機視覺在細胞病理學中的臨牀應用。