智能审查自动过滤文本中的关键词的解决方案可以结合以下几种方法来实现：

1. 基于规则的过滤：首先，建立一个包含需要过滤的关键词的词汇库。当文本通过审查系统时，系统会将文本与词汇库中的关键词进行比对。如果找到匹配项，则相应的文本片段会被标记或过滤掉。
2. 自然语言处理技术：使用自然语言处理(NLP)技术进行更深层次的文本分析。例如，可以利用NLP中的词性标注和命名实体识别来识别和过滤具有特定语义的词汇和短语。
3. 深度学习模型：训练深度学习模型，如循环神经网络(RNN)或Transformer，来进行文本分类或关键词预测。这样的模型能够基于大量训练数据来识别可能的违规内容，而不仅仅基于预设的规则。
4. 上下文感知过滤：在某些情况下，关键词的过滤需要考虑到上下文。例如，某些词汇在某些上下文中可能是合规的，但在其他上下文中可能不是。因此，解决方案应能够结合上下文进行关键词的过滤。
5. 用户反馈循环：为了不断提高关键词过滤的准确性，可以引入用户反馈机制。当用户认为某些内容被错误地过滤或标记时，他们可以提供反馈。这种反馈可以用于持续优化模型和规则，以减少误报和漏报。
6. 多语种和跨文化考虑：如果审查系统需要处理多种语言或文化背景下的文本，那么解决方案还应考虑到多语种和跨文化的因素。这可能涉及到建立针对不同语言和文化的不同过滤规则或模型。

综上所述，一个有效的智能审查自动过滤文本中的关键词的解决方案应该是多层次的，结合规则、NLP技术、深度学习模型以及上下文感知等方法。并且，该解决方案应该是一个持续优化的过程，能够不断从用户反馈中学习和改进。