医学检验中人工智能的应用

医学检验中人工智能的应用

黄菲  

山东协和学院  山东济南  250000

摘要：随着计算机运算能力的提高，机器学习和深度学习算法不断发展，人工智能逐渐成为人类活动的重要工具，也为生命科学和医学领域赋予了新的生命力。对于检验医学而言既是机遇，也是挑战。检验大数据和AI算法结合，推动了形态学检验能力的提升、检验流程的优化、新知识的发掘和疾病诊断模型的研发，成为临床疾病预防、诊断和预后预测的便捷、智能的助手。随着数字化数据采集、机器学习和计算基础设施的进展，AI已经扩展到人类活动的方方面面，在医学领域正在改变着医疗模式和健康理念。

关键词：检验医学；人工智能；智能审核；专家系统

一、AI在人类健康和医学领域的发展

如今，AI转化为可实践的工具用于临床相对较少，并且有不少批评者提出AI用于实际临床的质疑。但目前已有相关RCT研究证明了AI在实际医疗环境中可产生可量化的积极影响。此外，相关临床指南的制定也为AI用于临床提供了理论支持。人工智能技术已经开始渗透到检验医学的多个环节，如检验标本的采集、传输、检测，以及检验结果的自动审核和综合评估，基于智能接口技术的人工智能将加速医学实验室的自动化和标准化建设，利用检验大数据和深度学习算法相结合的人工智能技术在发现新知识、开发新模型、优化新标准方面发挥重要作用，最终辅助在医患之间建立最佳的诊疗决策。

二、AI在检验医学中的应用

1.AI在检验图像型数据中的应用

迅速增长的检验数据为深度学习算法应用创造了条件，而强大的数据处理能力和贴近人类智能的AI则最早在图像分析学习算法中显示出优势，与检验医学的智能化发展相得益彰，优势并行。

(1)AI在血细胞形态识别中的应用：细胞形态识别是AI在检验领域最早的探索，目的是帮助临床检验最基础的血细胞分析形态学走出主观性强、耗时和标准化低的困境。这一创新技术仅仅几年的时间后，2016年Elsalamony使用神经网络识别血涂片中单个类型的血细胞如镰刀状、椭圆形、小球形和形状未知等特殊形态的红细胞，识别有效率分别达到100%、98%、100%和99.3%。除了对单个细胞形态的精准识别以外，对复杂的细胞种类图像识别也进一步发展，2018年，Shafique和Tehsin利用CNN算法构建的模型对急性淋巴细胞白血病检测的敏感度、特异度和准确率高达100%、98.11%和99.50%，克服了传统人工检查白血病方法耗时长、检查过程繁琐的局限性。

优异的算法与快速、高分辨率的图像采集系统结合形成的疾病识别模型不仅提高了工作效率，将检验人员从重复、繁琐、耗时的操作中解放出来，同时呈现更准确、更优质的结果。

(2)AI在临床微生物检验的应用：长期以来病原体检验受困于样本量大、疑难菌辨识难和视觉疲劳等问题导致的低效、高误差，为此，国内外研究者在临床微生物形态学检验的智能化探索中投入了很大精力。2017年哈佛医学院利用自动图像采集技术和CNN算法建立了血培养革兰染色涂片分类和识别模型，对革兰阳性球菌和革兰阴性菌识别实现了94.9%的分类准确率。2021年Rani等关于微生物智能图像自动识别研究意识到，由于微生物物种的独特特性，不同的微生物对基于机器学习的研究提出了不同的挑战。具有人工操作特征的传统机器学习算法难以识别图像，虽然CNN算法、深度信念网络已被用于特征提取和分类，但在微生物领域，由于缺乏规范化数据，深度学习算法构建模型不能满足临床的需要。目前AI在临床微生物检验的发展还处于初步阶段，但毫无疑问，需求导向的、基于深度学习算法的临床微生物检验的探索和研究是具有广泛的应用前景。

(3)AI和体液以及排泄物形态学检查：早在2007年就有美国学者利用ANN算法建立了女性尿液样本判断尿路感染的模型，也有中国学者利用SVM算法对尿液图像识别、分类。但是传统的机器学习方法大数据处理能力有限，特征提取泛化性低，样本数据过拟合度高。更优秀的算法应运而生，2018年中国学者采用具有变异性和判别性的聚合通道特征，结合改进的Adaboost分类器分析尿沉渣显微镜照片中的红细胞，比SVM的性能更优越。面对CNN算法削弱输入图像区域特征的缺点，2019年中国哈尔滨工程大学提出区域特征算法对30万张尿沉渣图像进行训练，建立的网络模型可以快速准确地识别10类尿沉渣颗粒图像，准确率达97%。

如今，尿液和大便自动分析仪技术十分成熟，现在已经广泛用于检验工作的日常中。随着算法和图像采集技术的进一步提升，对于尿液和粪便图像中复杂成分的识别会更加的精准，不仅减轻检验人员的工作压力，也提高了对样本的精确处理能力。

2.AI在检验数值型数据中的应用

目前用于临床检验项目几千项，以数值型数据报告为主，但数据反映的病理意义、数据间的相互关系和数据变化反映的病理变化均没有阐述，导致大量有用信息丢失，没有充分发挥这些检验指标在疾病诊疗中的重要作用，严重阻碍疾病的精准诊断和精准治疗。有学者利用神经网络算法建立模型，发现CA72-4与其他标志物组合，可以定量评估胃癌淋巴结转移、腹膜播散、死亡和化疗耐药的概率，及时精确地指导胃癌治疗和康复计划，突破了传统的肿瘤标志物如AFP、CEA、PSA等单一指标特异性和敏感度低的藩篱。不仅在肿瘤诊断和预后，一些慢性疾病和综合性疾病诊治中，AI也有很大的发展空间。

三、AI在检验医学的挑战

尽管AI有望彻底改变检验医学实验，但未来仍面临许多技术挑战。因为基于机器学习的方法依赖于大量高质量训练数据的可用性，因此必须注意目标患者群体的数据。例如，来自不同医疗机构的检验数据可能包含各种类型的偏差，这可能导致根据一家医院的数据训练的模型无法推广到另一家医院的数据。对于一些高性能的机器学习模型，其生成结果很难被人为解释，虽然这些模型可以实现比人类更好的性能，但传达解释模型结论的直观概念，识别模型弱点或从这些计算“黑匣子”中提取额外的生物学见解并不简单。

随着检验医学AI系统的成熟，其临床使用和部署将不可避免地增加，这也将导致一系列新问题的出现。首先检验AI系统的部署需要得到专业的认证，此外检验应用模型从监管角度来说是一个独特的挑战，并且随着收集到更多的数据和用户反馈，模型会迅速发展，目前没有明确的方法评估这些更新。为了应对这些挑战，AI研究人员和检验工作者需要共同努力，优先考虑和开发解决关键临床检验需求的应用程序。

四、结语

诚然，探索与创新是社会发展的必然和需求，同时，AI的发展和应用有一个成长和成熟的过程，检验AI也是如此，它需要检验工作者与临床医生、信息化和AI专业的技术人员共同努力，克服数据获取和归一化等方面的瓶颈、融汇更多知识、积累海量数据、探索更多算法和模型，同时以包容和扶持的姿态，推动AI在检验医学的高质量发展。相信检验领域AI的明天会更好，借助AI检验也将获得新的生命力。

参考文献

[1]李鼎.分子生物学技术在医学检验中的应用进展[J].中国社区医师,2018,34(33):12.

[2]张欣.浅析现代分子生物学技术在医学检验技术中的应用[J].健康之路,2016,15(11):265.

[3]杨倩.分子生物学技术在医学检验中的应用进展[J].科技风,2016(18):232.

通讯作者：盛大淮 山东协和学院