健澜科技：人工智能技术在检验医学领域的应用现已显示巨大潜力
摘要https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/04cc69e0777f4d4fb40e6d1b6c7c68ac~tplv-tt-large.image?x-expires=1970100189&x-signature=LSlpm6A52U%2BKfL5QfT%2BBy9%2BnHzA%3D
人工智能技术在检验医学领域的应用现已显示出了巨大潜力，但也面临着诸多挑战和困境。了解人工智能的基本原理、评价方法、应用场景及其优势和局限性，有助于更好地指导工作实践。在不久的将来，AI将会全方位应用于临床检验中，使检验医学在疾病诊断、疗效监测、预后判断等方面发挥更加精准的作用。在AI技术的助力之下，检验医学的发展未来可期。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/44dcadf54d254ef4be8e2396e5e0f09d~tplv-tt-large.image?x-expires=1970100189&x-signature=VrogjM7tkmN7gh6tmWN4MvZQETE%3D
人工智能（artificial intelligence，AI）是一个宽泛的术语，它是将计算科学与数学建模科学结合形成的交叉学科，开发出能够模拟人类智能解决问题和学习的模型。AI技术现已衍生出一系列新的分支学科，其中机器学习（machine learning，ML）已成为本领域的关注热点［1］。随着大数据和AI时代的全面来临，尽管ML模型，特别是深度学习（deep learning，DL）现已蓬勃发展，但目前在临床实验室中的应用还比较有限，大多仍停留在初始阶段［2, 3］。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/30ad98ecb0984effa8f3047aa00e2ddb~tplv-tt-large.image?x-expires=1970100189&x-signature=BzAmIIdGFDhH8yt65MJujPS6%2FPw%3D
目前，通过AI与临床实验室相结合，在疾病诊断模型的建立、形态学检验的智能分析、检验流程优化、结果自动审核、人工学习结果解读等方面［4］均有尝试和报道。
本期收录了4篇以AI为主题的文章，分别以疾病诊断模型的建立
［5］、形态学检验的智能分析
［6］、AI在检验领域的新发展新方向［7］，以及应用研发中的问题剖析和应对策略
［8］为切入点，深入介绍了AI的临床应用进展及挑战。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/f6abc7a93d5e4413bf381a78aac10f81~tplv-tt-large.image?x-expires=1970100189&x-signature=jVbxAImJbNgTh2feAxjT2ZjqHLg%3D
一、现有AI技术在临床检验中的应用
（一）疾病诊断AI模型的建立
传统临床诊断模型一般是应用Logistic回归分析方法得到疾病预测价值的指标来构建疾病模型，并以ROC曲线来评价模型的临界值以及相应的灵敏度和特异度。此类诊断模型多需要数据呈线性分布，对疾病模型的建立有极大的局限。而近些年来ML技术的出现显示出敏感性高、高维信息挖掘和高通量计算等能力。随着算法的改进，新的算法逐渐替代了传统的算法模型，通过线性回归与Logistic回归、K最近邻法、支持向量机、决策树、随机森林、梯度增强机、极端梯度提升［9］等算法，以非线性和高度交互的方式建立AI疾病预测及分层模型，在复杂数据的挖掘分析方面具有巨大优势，有助于发现数据间的潜在关联及隐藏价值，因此广泛应用于疾病的早期诊断［10］、鉴别诊断［11］、预后评估［12］和生存分析［13］，在Clinical Chemistry等期刊中均有相关报道，涉及癌症［10，14, 15］、新型冠状病毒肺炎［16］、心血管疾病［17］、感染性疾病［18］，以及神经系统疾病［19］等起病隐匿、样本难以获取或现有方法难以鉴别的疾病。例如本期刊登的《基于检验大数据的结直肠癌风险预测模型建立与验证》［5］，作者采用极限梯度提升、人工神经网络、支持向量机、随机森林4种机器学习算法挖掘患者的常规检验数据，构建了包含粪隐血、癌胚抗原、红细胞分布宽度、淋巴细胞计数、白蛋白/球蛋白、高密度脂蛋白胆固醇和乙型肝炎病毒核心抗体7个特征的结直肠癌风险预测模型，并证明该模型的诊断效能明显优于常规检验项目粪隐血，且对粪隐血阴性及小于50岁人群的结直肠癌具有较高的诊断准确性。从侧面展现了ML技术在疾病诊断中的应用前景。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/d9b42ad3ffca453897bacd2adec747fe~tplv-tt-large.image?x-expires=1970100189&x-signature=CZsvabXWKjhbRo%2FH7JCrtOqWj%2FI%3D
（二）形态学检验智能分析
以往形态学检验基本上都是依靠专业人员在显微镜下进行识别与鉴定，其主观性特征需要人员的不断培训与经验积累，需要大样本的实践经验，而这往往是检验科的一块短板，尤其对于基层医疗机构的检验人员，这种经验性的培养过程势必更加困难与漫长，因此实验室需要一种标准化的图像分析手段和技术方法。以卷积神经网络为基础的图像识别及专家系统便应运而生。该系统可以大大减轻实验室工作人员的培养成本，再辅以线上专家会诊系统，不仅可以缩短患者的诊疗时间，还有助于提升偏远地区的医疗水平。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/92a11d3568b0499a9c4a48a79d616545~tplv-tt-large.image?x-expires=1970100189&x-signature=g7Ej%2F7wxvK7XWO2VR1UiFoa0kv0%3D
人工神经网络可以看作是受生物神经网络启发的学习数学模型。人工神经网络和深度学习目前提供了针对图像识别、语音识别和自然语言处理领域诸多问题的最佳解决方案。其中前馈神经网络和卷积神经网络，是最基本、最常用的神经网络结构，适用于大多数庞大而复杂的数据集。目前已经应用于数字血细胞分析、尿液有形成分分析、计算机辅助精液分析、粪便自动化分析、自动化阴道分泌物和宫颈细胞学检验、分枝杆菌显微扫描拍摄系统等［20］。
该技术在医学图像处理方面具备诸多优势，如：可以弥补人类视觉捕捉不全以及易于疲劳的缺点，减少肉眼遗漏的微小病变；省时省力，减少由于人为误差或主观差异而引起的漏诊；具有可重复性，减少实验室内、实验室间的结果差异［21］，为以往难以实现规范化、标准化的手工检验项目指明了未来发展方向。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/458ca570d20d4c9e9a03f5b94ad659ed~tplv-tt-large.image?x-expires=1970100189&x-signature=Vxfl5s3VQGIeeas8FDpT6IsP6Jk%3D
本期刊登的《深度学习在抗核抗体检测应用的进展及挑战》［6］，
讲述了以卷积神经网络为代表的深度学习在间接免疫荧光法抗核抗体检测结果判读中的应用进展，被认为是数字图像技术、形态学识别与智能化判断相融合应用最为广泛的一个领域［22］，为AI技术在形态学检验智能分析中的应用提供了范例。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/2e35be649cdc4a03b9fbadcaf8dae5ea~tplv-tt-large.image?x-expires=1970100189&x-signature=5pIVkAf7xMPkllB3JQrYm9gzhro%3D
（三）检验流程优化
传统的实验室质控多为工作人员每日到岗后取质控品复融进行检测，整个过程均为人工操作，因此对工作人员的操作手法、复融时间及人员素质等因素均有较高要求，往往导致实验室质控结果不稳定，影响临床样本的检测。随着实验室自动化和智能化水平的逐步提升，质控过程的自动化已成为实验室未来发展的一个新趋势。自动化质控或者叫作自动化质量管理，即尽量采用减少人工干预的模式运行的质量管理程序。在临床检验领域则特别指向临床实验室内的日常质量控制（或管理）以通过软件和硬件的结合，以自动化和智能化模式运行的技术［23］。目前已报道的方法包括基于室内质控室间化的自动化质控方案，和基于患者数据的移动均值质控方案。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/3d1082860e6a44bda57499b8cb530e4f~tplv-tt-large.image?x-expires=1970100189&x-signature=MR6BvSQCOBfz60awr2lbMkymLaw%3D
基于室内质控室间化的自动化质控方案，是在自动化分析流水线上添加智能化的质控模块，每日设置预定的时间启动质控程序，流水线设备自动测定质控样本，自动填入质控数据并绘制质控图，自动判定质控结果并可通过信息系统发送消息给仪器使用者或管理者，提示在控或失控及相应的处理方案。按照程序对新批号质控物的靶值进行自动累积测定和智能化统计学分析，确定靶值并设定变异范围［24］。未来，随着自动化质控的普及推广，将会减轻实验室工作人员的质控工作量、降低人员之间的质控操作差异、优化和标准化质控流程、降低质控的失控率，提高实验室质量管理、整体缩短实验室样本周转时间，并且促进更加智能化的实验室建设方案的落实［25］。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/4245f8ed834141e583257c3ed4111819~tplv-tt-large.image?x-expires=1970100189&x-signature=4c%2BYpqLrIh32BpFAzPRmEsZckwQ%3D
移动均值则是一种利用患者数据来对实验室误差进行监测，作为室内质控的方法。与传统的利用质控品进行质控相比，基于患者数据的质量控制方法具有成本低、无基质效应、无互换性问题、可连续对分析性能进行监测等诸多优点［26］。基于患者样本实时实验室质量控制可以在每个患者样本结果生成后进行计算，可实时监控检测系统［27］。实时实验室质量控制通过在模拟数据上进行建模，确定算法与各种参数的最优值。随后在另一个相对的数据集上进行验证、评估误差检出的性能与时效性，最终在实践中进行验证与不断优化，如此则可在不额外增加人力和物力成本的情况下实时监测检测系统的稳定性和判断有无“失控”情况［28］。因此，借助计算机的帮助，实验室可以同时利用质控品和患者数据进行室内质控，而相比之下采用患者数据的质控方法是一种更加个性化的室内质控方法，给实验室提供了另一种室内质控思路，从而提高了实验室检验结果的准确性和整体质量水平。
除了质控管理以外，随着日益复杂的实验流程及要求，综合智能化将成为实验室自动化的下一步进程。以传统意义上自动化水平较低的微生物实验室为例，众所周知微生物检验因为其手工操作多、实验步骤繁琐和周转时间长，常常受到临床的诟病。近年来在保证微生物检验质量的基础上，已有部分实验室在尝试发展自动化和智能化的微生物实验室模式。他们采用全自动微生物流水线，实现自动接种、智能培养以及智能阅板的培养过程，达到同质化接种、全过程可控。并且可以通过智能化系统对实验室内所有仪器的运行情况进行实时监控，实现对检验环节的全流程把控，提高实验室效率和检验质量。为传统手工实验室的未来发展方向提供了思路和借鉴。
（四）自动审核
传统的检验报告审核是由人工对检验结果及样本相关信息进行综合分析，排除分析前、中、后存在的潜在问题后发出检验报告的过程。不仅耗时耗力，还容易出现审核失误。作为AI在医学检验领域目前的主要应用之一，自动审核可以提升实验室检测质量与效率，将实验室从信息化、自动化带向智能化［29］。
自动审核系统是将人工审核的经验进行总结并转换成计算机语言，通过计算机预设的规则进行报告审核判断。能快速而准确地识别异常结果、执行逻辑关系判断，有助于缩短周转时间，减少人工分析审核环节的工作量，提高工作人员对异常结果的关注度，确保审核质量［30, 31］。不仅推动检验报告的规范化建设，更是提升了实验室高效处理海量检测数据的能力。
但是自动审核系统的建立应该是基于临床经验的积累和检验大数据进一步挖掘的成果，从简单到复杂，慎重而缓慢地逐步提升检验项目自动审核通过率，而不是盲目地追求高通过率。其永远无法代替人脑的深度思维能力，且实验室本身的人员水平、自动化水平、实验室信息技术水平决定了自动审核的完善程度。
（五）人工学习检验结果解读
传统的检验报告在出具后需要由医师进行多项目的综合判断，对医师的知识储备与综合分析能力有很大的要求。而人工学习检验结果解读能够将患者治疗方案（特别是化疗和放射治疗）、药物影响因素、标本采集条件、检验项目的不确定度等结果的发展变化与患者具体诊断治疗情况结合进行大数据的综合分析，并给出其发展变化趋势及预后等信息。智能化的信息系统在判断结果的过程中，可提供该项目在某类疾病诊断中的敏感性和特异性，该指标的进一步应用及相关检验检查的追加选择建议等，甚至可以结合更多的患者临床资料和实验检查结果，汇集给临床医师，给出诊断选项，辅助临床诊断或提出治疗方案选择。一些与此关联的检验项目还可以进行综合分析判断，给审核者提供建议［31］。
除此之外，AI技术在检验中常见的应用还有很多。例如，本期刊登的《人工智能在检验领域的新发展新方向》［7］一文，从优化检验流程、促进精准检验以及其在新型冠状病毒疫情背景下的应用（包括助力检验试剂的研发、提高病情评估的效率、自动审核化解检验资源挤兑的风险）几个方面，详细介绍了AI技术在检验医学领域的应用现状和发展前景，具有较强的可读性。
https://p3-sign.toutiaoimg.com/tos-cn-i-qvj2lq49k0/ba43228511ef40649b8b0dc4fdd87ca5~tplv-tt-large.image?x-expires=1970100189&x-signature=%2F2BFqLlgc5BPZIAUZLl57J6K86o%3D
二、AI技术发展的瓶颈
在检验医学领域，尽管AI在改善实验室流程效率和优化诊断工作流程方面颇具潜力，但将其转化为常规实践仍然存在诸多挑战［32］，实施起来往往进展缓慢。究其原因，可能包括以下几个方面。
1.数据和算法是人工智能的核心。机器学习依赖于数据的准确性，因此，一个算法的推广往往需要进行多中心的数据学习。而推广不同实验室的数据认可，可能是未来AI技术在检验医学领域的应用中需要重点考虑的内容。
2.在进行数据一致化处理的过程中，患者的数据安全也将成为严峻的问题。除了与患者隐私相关的要素外，ML模型的实施还将带来一系列的伦理挑战，可能无法针对性别、社会经济地位和种族等因素进行同样可靠的结果预测。
3.由于某些算法无法对最终结果的计算给出合理解释，因此会出现与产品和医疗事故有关的责任问题，最终不清楚谁将对ML模型的错误负责，是算法的开发者、软件公司、医生还是医疗机构？更甚者AI是否可以拥有知识产权？如何确保患者信息与数据的安全以及AI的所属范围，相关的制度和法律尚待完善。
4.虽然自动化质控已经有了一些尝试，但无论是国外还是国内对自动质控的流程开发都仅限于信息需求方面。其临床应用仍处在探索阶段，受到各种因素的影响，如质控品的稳定性、不同应用平台的硬件条件不同、迄今仍少有专门针对自动化质控的软件开发等。
5.高投资成本、缺乏经证实的临床获益，也是现今AI在检验医学领域推广的一大难题。因此简化AI的流程与降低成本，多中心证实其临床获益对于AI的推广将具有重大推动作用。
6.AI给检验医学带来机遇的同时也带来了严峻的挑战，AI技术的应用极有可能改变当前临床实验室工作人员的命运。国外一项调查研究表明［1］：临床实验室员工普遍认同AI技术在实验室的未来建设中具有可行性，并且能接受AI技术的实施；但与此同时，多数人在检验质量问题和就业保障方面存有疑虑，认为AI技术对于质量的控制并不能完全与人工等同，且AI技术的普及应用会影响就业岗位数量，造成部分检验从业者的失业。
针对这些疑虑，作为检验医学从业人员，调整心态迎接AI时代的到来并积极参与到AI技术的开发和转化中来至关重要，否则我们将面临被淘汰风险。与此同时我们应该认识到，在没有实验室专业人员合作或咨询的情况下设计的AI模型，可能会导致实验结果被曲解，同时面临单个企业对AI技术的垄断等威胁，最终影响实验室服务质量。因此有必要提高实验室工作人员对AI的认识，深刻了解其面临的挑战和机会，重要的是要认识到AI不会立即替代专业的实验室工作人员，而是作为一种有力的支持工具，能够增加患者获得最佳医疗保健的几率。检验医学从业人员的角色范围，也应该从被动地提供数据到有效使用已有的数据，再到开发全新的算法。
除了上述问题，本期刊登的另一篇文章《人工智能在检验医学应用研发中的问题剖析及应对策略》［8］，通过针对数据集质量、机器学习模型的可解释性、研究设计的偏差、人才队伍减少、安全隐患等内容进行剖析，中肯地提出了目前AI技术在检验医学领域应用和研发过程中所面临的问题，并给出了相应的应对策略。为我们正确认识、理性看待和更好地运用AI技术，提供了借鉴和参考。
尽管当前AI技术的全面应用面临着诸多挑战，但毫无疑问，AI技术有潜力深刻改变检验医学未来的发展方向。不久的将来，“无人值守实验室”将会成为可能，在AI技术的帮助下，实验室工作人员大部分时间内在中央控制区即可完成日常操作，实现全程质量管理、结果自动审核和实验室间结果互认；远程专家会诊平台的采用也会降低公共医疗资源发展不均衡问题；通过建立新的诊断模型，AI技术可以综合检验大数据实现更加精准的诊断，减少患者经济负担；通过AI智能助理与数字化POCT，可以对糖尿病、高血压等慢性疾病进行监测，提升患者依从性、降低并发症及不良预后……
综上，我们相信在不久的将来，AI将会全方位应用于临床检验中，使检验医学在疾病诊断、疗效监测、预后判断等方面发挥更加精准的作用。在AI技术的助力之下，检验医学的发展未来可期。
页:
[1]