人工智能與檢驗(yàn)醫(yī)學(xué)輔助診療現(xiàn)狀

導(dǎo)語：人工智能與檢驗(yàn)醫(yī)學(xué)輔助診療現(xiàn)狀一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要:隨著互聯(lián)網(wǎng)、大數(shù)據(jù)及云計(jì)算等新興技術(shù)的快速發(fā)展,人工智能(AI)已被廣泛應(yīng)用于影像和病理臨床輔助診療。檢驗(yàn)醫(yī)學(xué)作為現(xiàn)代醫(yī)學(xué)的重要支撐,與AI的融合勢在必行。該文重點(diǎn)介紹了檢驗(yàn)大數(shù)據(jù)如何與AI結(jié)合以構(gòu)建檢驗(yàn)AI,并展望了檢驗(yàn)AI在疾病診斷、預(yù)測及風(fēng)險(xiǎn)評估等臨床輔助診療領(lǐng)域的應(yīng)用前景。

關(guān)鍵詞:人工智能;檢驗(yàn)醫(yī)學(xué);檢驗(yàn)人工智能系統(tǒng);臨床輔助診療

人工智能(AI)是研究、開發(fā)用于模擬、延伸和擴(kuò)展人類智能的一門新興的科學(xué)技術(shù)[1]。AI自誕生以來,經(jīng)過不斷的演進(jìn)與發(fā)展,在越來越多領(lǐng)域得以重視和應(yīng)用。目前,AI技術(shù)已廣泛應(yīng)用于醫(yī)療領(lǐng)域,出現(xiàn)了影像AI[2]、手術(shù)機(jī)器人[3]、藥物研發(fā)AI[4]等諸多應(yīng)用場景。檢驗(yàn)醫(yī)學(xué)作為臨床輔助診療體系中不可或缺的部分,貫穿患者入院、出院、藥物治療等過程,影響著患者的醫(yī)療服務(wù)質(zhì)量[5-6]。檢驗(yàn)醫(yī)學(xué)具有高度自動化、數(shù)據(jù)化及數(shù)據(jù)庫存儲等特點(diǎn)為檢驗(yàn)AI的應(yīng)用與研發(fā)創(chuàng)造了有利條件[7-8]。為此,本文結(jié)合AI在當(dāng)下臨床輔助診療中的應(yīng)用現(xiàn)狀,重點(diǎn)闡述檢驗(yàn)醫(yī)學(xué)如何與AI融合構(gòu)建檢驗(yàn)AI,并展望檢驗(yàn)AI在輔助臨床診療中的應(yīng)用前景。

1AI與臨床輔助診療

隨著深度學(xué)習(xí)技術(shù)在目標(biāo)檢測、圖像分類及圖像分割等領(lǐng)域取得突破性的進(jìn)展,影像AI和病理AI已成為新的醫(yī)學(xué)研究熱點(diǎn)[9]。目前,影像AI和病理AI已成功應(yīng)用于疾病的篩查、預(yù)測及診斷等領(lǐng)域。比如,ZHANG等[2]構(gòu)建了一個(gè)包括新型冠狀病毒肺炎(COVID-19)、常見肺炎及正常對照人群的大規(guī)模CT數(shù)據(jù)集,并基于CT圖像開發(fā)了COVID-19AI診斷系統(tǒng),用于幫助準(zhǔn)確診斷COVID-19。TERAMOTO等[10]使用深卷積神經(jīng)網(wǎng)絡(luò)開發(fā)了微觀圖像中的肺癌細(xì)胞病理自動分類模型,使約71%的肺癌細(xì)胞得到正確分類,且分類正確的圖像具有典型的細(xì)胞形態(tài)和排列。然而,影像和病理診斷具有局限性。一方面,病理切片后診斷周期較長、費(fèi)用較高,影像學(xué)檢查相對迅速但費(fèi)用也相對較高。另一方面,病理和影像檢查結(jié)果僅僅是一些特定疾病的部分參考指標(biāo),無法反映患者疾病的整體情況。相較于影像和病理檢查,實(shí)驗(yàn)室檢驗(yàn)具有顯著優(yōu)勢。首先,實(shí)驗(yàn)室檢驗(yàn)方法簡單、快速且成本低,醫(yī)生通過分析患者的檢驗(yàn)數(shù)據(jù)即可實(shí)現(xiàn)良好的診療效果,可提高臨床醫(yī)生的診療效率并減輕患者的醫(yī)療負(fù)擔(dān)。此外,血常規(guī)、血生化、尿液或糞便等檢驗(yàn)結(jié)果可直接反映疾病的生理及病理變化過程。臨床上常用的檢驗(yàn)數(shù)據(jù)具有足夠的有效性和穩(wěn)定性,已經(jīng)過大規(guī)模的臨床實(shí)踐和評估,并廣泛用于診斷、排查、分類或監(jiān)測各種疾病,可以為臨床醫(yī)生疾病診療提供一個(gè)更為全面的指導(dǎo)建議[11]。目前,檢驗(yàn)數(shù)據(jù)的真實(shí)診斷效能通常被低估,主要是由于個(gè)體化檢驗(yàn)數(shù)據(jù)復(fù)雜多變,不同的異常檢驗(yàn)結(jié)果對應(yīng)的臨床意義不同,聯(lián)合意義則更多、更廣。臨床醫(yī)生面對眾多異常檢驗(yàn)結(jié)果時(shí),由于受限于人腦的推理和計(jì)算能力,即使是經(jīng)驗(yàn)豐富的醫(yī)學(xué)專家也經(jīng)常忽略眾多結(jié)果之間隱藏的關(guān)鍵信息和重要趨勢,不可避免地造成疾病的漏診與誤診。因此,使用AI方法集成和分析檢驗(yàn)數(shù)據(jù)為提高檢驗(yàn)數(shù)據(jù)的診斷價(jià)值提供了巨大的應(yīng)用前景[12]。

2基于檢驗(yàn)數(shù)據(jù)的檢驗(yàn)AI

2.1檢驗(yàn)AI構(gòu)建的基本條件

目前,構(gòu)建檢驗(yàn)AI的基本條件已經(jīng)基本具備。首先可從醫(yī)院檢驗(yàn)信息系統(tǒng)(LIS系統(tǒng))中獲得大量檢驗(yàn)數(shù)據(jù)。LIS已成為當(dāng)今醫(yī)院管理信息(HIS)系統(tǒng)的重要組成部分,該系統(tǒng)存儲了海量的檢驗(yàn)數(shù)據(jù)[13],能夠?yàn)闄z驗(yàn)AI的構(gòu)建提供大數(shù)據(jù)支持。其次,機(jī)器學(xué)習(xí)(ML)算法層出不窮。比如,極端梯度提升(XGBoost)作為當(dāng)前比較流行的集成學(xué)習(xí)算法,在提升樹模型中,具有非常強(qiáng)的擴(kuò)展性和靈活性,能夠集成多個(gè)樹模型來建立一個(gè)更強(qiáng)的學(xué)習(xí)模型[14]。包括XGBoost在內(nèi)的ML算法是一種通過自動分析數(shù)據(jù)以獲得特征規(guī)律,并利用這些規(guī)律對未知數(shù)據(jù)進(jìn)行預(yù)測的算法,是實(shí)現(xiàn)AI的基本方法[15]。對于給定的任務(wù),ML算法可以從數(shù)據(jù)中學(xué)習(xí),篩選大量變量并尋找可靠的組合預(yù)測結(jié)果,所以其對數(shù)量龐大或復(fù)雜的數(shù)據(jù)進(jìn)行挖掘分析具有絕對優(yōu)勢。由此,使用ML算法對LIS中存儲的數(shù)千萬患者信息進(jìn)行挖掘、訓(xùn)練、建模是完全可行的。這種方法不僅解決了傳統(tǒng)統(tǒng)計(jì)模型參數(shù)限制的問題,還能減少人工誤差,提高篩選效率,更重要的是有助于發(fā)現(xiàn)數(shù)據(jù)間的潛在關(guān)聯(lián)及隱藏價(jià)值。最后,算力為檢驗(yàn)AI提供了基本的計(jì)算能力支撐。算力的核心在于AI芯片。由于原有的CPU和傳統(tǒng)計(jì)算架構(gòu)已無法支撐ML算法并行計(jì)算能力的要求,AI芯片的出現(xiàn)使得AI高強(qiáng)度、大數(shù)據(jù)的處理需求得以滿足。目前,針對AI領(lǐng)域運(yùn)算特征,AI芯片已成功應(yīng)用于圖像識別、語音識別、聲紋檢測、視頻檢索及自動駕駛等任務(wù)。在做智能處理任務(wù)時(shí),AI芯片能夠使計(jì)算機(jī)以大規(guī)模、低成本、高通量、自動化等方式運(yùn)行[16]。這些均為檢驗(yàn)AI的實(shí)現(xiàn)和應(yīng)用提供了強(qiáng)大的硬件平臺。

2.2檢驗(yàn)AI的構(gòu)建過程

檢驗(yàn)數(shù)據(jù)只有與AI深度融合形成檢驗(yàn)AI,才能充分挖掘檢驗(yàn)指標(biāo)與疾病之間隱藏的聯(lián)系與規(guī)律,為臨床提供更有意義的診療信息,體現(xiàn)檢驗(yàn)醫(yī)學(xué)的價(jià)值。檢驗(yàn)AI的構(gòu)建(圖1)主要包括以下步驟(1)數(shù)據(jù)收集和預(yù)處理:檢驗(yàn)數(shù)據(jù)來源廣泛,由于各數(shù)據(jù)庫(LIS、HIS系統(tǒng))之間缺乏有效協(xié)調(diào)機(jī)制,聯(lián)系和溝通不同,采集和存儲標(biāo)準(zhǔn)不一,影響了檢驗(yàn)數(shù)據(jù)的應(yīng)用[17]。因此,檢驗(yàn)數(shù)據(jù)在用于建模前需要經(jīng)過預(yù)處理(包括結(jié)構(gòu)化、標(biāo)準(zhǔn)化、歸一化等)轉(zhuǎn)變成ML算法能夠識別和學(xué)習(xí)的數(shù)據(jù)格式。模式識別作為AI技術(shù)的重要分支,能夠?qū)⒍鄠€(gè)標(biāo)準(zhǔn)來源數(shù)據(jù)分類并結(jié)構(gòu)化,節(jié)省大量的人力物力,解決了不同數(shù)據(jù)庫的互聯(lián)互通[18]。(2)檢驗(yàn)知識圖譜篩選:臨床醫(yī)生在疾病診斷過程中,一些疾病診斷結(jié)果可能不依賴于異常檢驗(yàn)結(jié)果而直接通過B超、放射或病理等輔助檢查結(jié)果得出。由于檢驗(yàn)AI是基于檢驗(yàn)數(shù)據(jù)的AI模型,如果一些疾病診斷結(jié)果不能通過相應(yīng)的異常檢驗(yàn)結(jié)果推理得出,不僅增加了檢驗(yàn)AI數(shù)據(jù)處理的難度,而且會降低模型預(yù)測疾病的準(zhǔn)確率。通過人工鑒別異常檢驗(yàn)結(jié)果是否與疾病診斷結(jié)果相關(guān),往往會出現(xiàn)其復(fù)雜程度超越了臨床醫(yī)生知識范疇的情況。因此,通過檢驗(yàn)知識圖譜從醫(yī)學(xué)專業(yè)角度將檢驗(yàn)數(shù)據(jù)與診斷數(shù)據(jù)相關(guān)聯(lián),排除了一些缺乏知識關(guān)聯(lián)的數(shù)據(jù)信息,提高了輸入數(shù)據(jù)的質(zhì)量,同時(shí)也增強(qiáng)了模型學(xué)習(xí)的能力[19]。(3)特征選擇與建模:在開發(fā)檢驗(yàn)AI時(shí),特征變量的選擇非常重要,直接影響模型在臨床研究中的表現(xiàn)。從特征自身角度選擇利用的原理為重要的特征應(yīng)該是攜帶信息較多,也就是特征值差異較大的變量。從輸入特征和輸出特征相關(guān)性角度選擇主要是利用一些模型算法本身的特點(diǎn),構(gòu)造不同特征與目標(biāo)特征之間的相關(guān)重要程度,若重要性低的特征變量(如低于某閾值)則可以拋棄。建模方法主要包括監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)[20]。監(jiān)督學(xué)習(xí)是使用有診斷結(jié)果標(biāo)注的檢驗(yàn)數(shù)據(jù)訓(xùn)練開發(fā)模型,之后,所得模型用于預(yù)測或診斷新數(shù)據(jù)集的結(jié)果變量。無監(jiān)督學(xué)習(xí)則僅使用無診斷結(jié)果標(biāo)注的輸入數(shù)據(jù)來建模。(4)模型評估:模型的性能可以使用同一來源(內(nèi)部驗(yàn)證)或獨(dú)立來源(外部驗(yàn)證)數(shù)據(jù)進(jìn)行評估。交叉驗(yàn)證方法是一種準(zhǔn)確的內(nèi)部驗(yàn)證方法[21]。交叉驗(yàn)證的最簡單形式是將數(shù)據(jù)集劃分為訓(xùn)練集(用于開發(fā)模型)和測試集(用于評估模型的性能)。訓(xùn)練集和測試集之間沒有最佳劃分,例如研究人員習(xí)慣將80%的研究人群分配給訓(xùn)練集,其余20%分配給測試集。然而,這種方法可能會使結(jié)果產(chǎn)生偏差,使得模型不具有普適性。n倍交叉驗(yàn)證是一種替代方法,在這種方法中,數(shù)據(jù)集被劃分成n個(gè)大小相等的分區(qū),執(zhí)行多輪交叉驗(yàn)證(即每輪使用不同的分區(qū)作為測試集),平均結(jié)果用于估計(jì)模型的性能。模型的外部驗(yàn)證即用非建模數(shù)據(jù)集測試模型的性能,提高其推廣性以支持模型的普適性。(5)臨床驗(yàn)證:為了證實(shí)檢驗(yàn)AI具有很高的臨床應(yīng)用價(jià)值,即可以有效輔助臨床醫(yī)生進(jìn)行臨床決策,需要將檢驗(yàn)AI診療性能與醫(yī)學(xué)專家進(jìn)行比較。(6)模型應(yīng)用:為了將檢驗(yàn)AI運(yùn)用到臨床實(shí)踐中,需要基于互聯(lián)網(wǎng)技術(shù)開發(fā)相應(yīng)的應(yīng)用程序以方便臨床醫(yī)生使用,使得檢驗(yàn)AI可以在真實(shí)場景運(yùn)行以獲得疾病的預(yù)測值等。

3檢驗(yàn)AI在輔助診療中的應(yīng)用前景

3.1疾病診斷

快速而準(zhǔn)確的診斷對于指導(dǎo)患者的診療活動至關(guān)重要,檢驗(yàn)AI基于檢驗(yàn)數(shù)據(jù)可輔助臨床醫(yī)生進(jìn)行疾病診斷。比如,GUNCAR等[22]使用了隨機(jī)森林ML算法并基于實(shí)驗(yàn)室血液檢測結(jié)果,建立了兩種模型用于血液疾病診斷,一種預(yù)測模型(SBA-HEM168)使用所有可用的血液測試參數(shù);另一種預(yù)測模型(SBA-HEM061)僅使用一組簡化的血液測試參數(shù)。兩種模型在診斷血液疾病上都具有良好的診斷性能,在預(yù)測患者5種最可能的疾病時(shí),預(yù)測準(zhǔn)確率分別為0.88和0.86;僅考慮患者最可能的疾病時(shí),預(yù)測準(zhǔn)確率為0.59和0.57[22]。此外,臨床試驗(yàn)表明兩種預(yù)測模型的準(zhǔn)確性與血液學(xué)專家相當(dāng)[23]。本課題組采用了730113例合格參與者的89116949個(gè)檢驗(yàn)數(shù)據(jù)和10423581個(gè)實(shí)驗(yàn)診斷數(shù)據(jù),構(gòu)建了基于知識和數(shù)據(jù)雙驅(qū)動的多功能智慧檢驗(yàn)平臺[23](即檢驗(yàn)AI),能夠自動識別并綜合分析2071種檢驗(yàn)指標(biāo),完成對包括呼吸系統(tǒng)及血液系統(tǒng)等在內(nèi)的10種器官系統(tǒng)疾病和441種具體疾病診斷的多元關(guān)系推理,且所有推理過程具備良好的可解釋性。

3.2疾病預(yù)測

檢驗(yàn)AI可深度挖掘常規(guī)檢驗(yàn)指標(biāo)隱藏的信息,能更好地預(yù)測疾病。目前,腫瘤的預(yù)測僅限于幾種特定的標(biāo)志物。PATRíCIO等[24]開發(fā)了基于常規(guī)檢驗(yàn)指標(biāo)的乳腺癌預(yù)測模型,研究人員運(yùn)用了邏輯回歸、隨機(jī)森林和支持向量機(jī)3種不同的ML算法以不同數(shù)量的變量(包括葡萄糖、抵抗素、年齡、體質(zhì)量指數(shù)、胰島素抵抗指數(shù)、瘦素、胰島素、脂聯(lián)素、單核細(xì)胞趨化蛋白-1)作為預(yù)測因子構(gòu)建了乳腺癌預(yù)測模型。該研究發(fā)現(xiàn),支持向量機(jī)預(yù)測模型僅使用葡萄糖、抵抗素、年齡和體質(zhì)量指數(shù)作為決定因素即可預(yù)測女性乳腺癌的存在。同時(shí),該預(yù)測模型在測試集上實(shí)現(xiàn)了高靈敏度(82%、88%)和高特異度(84%、90%)的預(yù)測[24]。該研究充分證實(shí)基于檢驗(yàn)AI,一些常規(guī)檢測參數(shù)完全可以替代一些腫瘤標(biāo)志物成為新的癌癥早期篩查工具[24]。SOMNAY等[25]使用術(shù)前血清鈣、磷、甲狀旁腺激素、維生素D和肌酐水平作為原發(fā)性甲狀旁腺功能亢進(jìn)的潛在預(yù)測因子構(gòu)建了ML模型,在所測試的ML模型中,貝葉斯網(wǎng)絡(luò)模型被證明是最準(zhǔn)確的,對95%的原發(fā)性甲狀旁腺功能亢進(jìn)患者進(jìn)行了正確分類[曲線下面積(AUC)=0.99],值得注意的是,從模型中省略預(yù)測因子甲狀旁腺激素并沒有明顯降低其準(zhǔn)確性。該研究表明即使在患者出現(xiàn)輕微疾病病理變化的情況下,ML模型仍可準(zhǔn)確預(yù)測出原發(fā)性甲狀旁腺功能亢進(jìn)癥[25]。

3.3疾病風(fēng)險(xiǎn)評估

檢驗(yàn)AI可以根據(jù)檢驗(yàn)數(shù)據(jù)對患者疾病進(jìn)行風(fēng)險(xiǎn)評估,為臨床醫(yī)生改進(jìn)治療策略做出預(yù)警。對于COVID-19,快速準(zhǔn)確地識別和評估疾病的嚴(yán)重程度至關(guān)重要。MA等[26]收集了COVID-19患者入院臨床數(shù)據(jù),包括癥狀、合并癥、人口統(tǒng)計(jì)學(xué)、生命體征、CT掃描結(jié)果及檢驗(yàn)數(shù)據(jù),應(yīng)用多元邏輯回歸方法確定具有統(tǒng)計(jì)學(xué)意義的臨床特征,研究人員最終使用了乳酸脫氫酶、C反應(yīng)蛋白和年齡作為死亡預(yù)測因素構(gòu)建了多元邏輯回歸模型,用于識別CO-VID-19入院患者的嚴(yán)重程度并評估其死亡風(fēng)險(xiǎn)。該模型預(yù)測292例患者病死率的效能(AUC=0.9521)優(yōu)于肺炎CURB-65評分模型(AUC=0.8501)和XGBoost模型(AUC=0.4530)。由數(shù)十個(gè)臨床癥狀和檢驗(yàn)數(shù)據(jù)(如靜脈曲張程度、纖維蛋白原水平和紅斑等)作為患者出血風(fēng)險(xiǎn)的潛在決定因素所構(gòu)建的ML模型能夠預(yù)測肝功能受損兒童食管靜脈曲張出血的風(fēng)險(xiǎn),該模型能夠準(zhǔn)確地預(yù)測約85%兒童患者食管靜脈曲張破裂出血情況,使高危兒童患者能夠優(yōu)先進(jìn)行緊急肝移植,該研究結(jié)果已通過在線應(yīng)用程序(ht-tp://hrs2c2.com),在獨(dú)立患者隊(duì)列中得到了驗(yàn)證[27]。

3.4疾病治療與預(yù)后檢驗(yàn)AI可根據(jù)檢驗(yàn)數(shù)據(jù)評

估患者的疾病治療及預(yù)后情況。比如,鑒于華法林的復(fù)雜特性,LIU等[28]使用了兩個(gè)經(jīng)典的檢驗(yàn)數(shù)據(jù)即丙氨酸氨基轉(zhuǎn)移酶及血清肌酐,結(jié)合患者的華法林使用劑量、性別、年齡和體質(zhì)量等數(shù)據(jù)構(gòu)建了ML分類模型,用于預(yù)測華法林的治療是否充分。研究人員使用了377例住院患者的臨床數(shù)據(jù),比較了7種不同ML分類模型的性能,最終C4.5決策樹和隨機(jī)森林得分最高,并發(fā)現(xiàn)相較于臨床醫(yī)生的主觀決定,ML模型更能準(zhǔn)確預(yù)測華法林治療的充分性[28]。盡管急性腎損傷通常是可逆的,但一些患者發(fā)生腎功能恢復(fù)不全、慢性腎病,甚至腎功能衰竭的風(fēng)險(xiǎn)增加[29-30]。急性腎損傷患者住院治療后,對慢性腎病的預(yù)測可使患者獲得早期干預(yù),并可能改善疾病預(yù)后,且可避免不必要的醫(yī)療資源使用。JAMES等[31]使用了常規(guī)檢驗(yàn)數(shù)據(jù)(包括基線血清肌氨酸值、蛋白尿、急性腎損傷嚴(yán)重程度指標(biāo)及出院血清肌氨酸值)開發(fā)了一個(gè)多變量風(fēng)險(xiǎn)分層模型,該模型能夠識別急性腎損傷住院后可能患有慢性腎病的高風(fēng)險(xiǎn)患者。該模型有助于患者向門診醫(yī)療過渡期間,臨床醫(yī)生做出合理的預(yù)后評估、隨訪指導(dǎo)和護(hù)理建議。

3.5亞健康的預(yù)測

生理生化指標(biāo)量化檢測是亞健康檢測方法中較為客觀的檢測方法,可最大可能避免人為因素影響,利于亞健康的準(zhǔn)確預(yù)測。目前,針對亞健康人群的亞健康實(shí)驗(yàn)室檢測參考值很難界定。處于亞健康狀態(tài)的人雖然有諸多自覺不適癥狀,實(shí)驗(yàn)室檢驗(yàn)可能僅僅有某些指標(biāo)的變化。如何在正常值范圍內(nèi)劃分出健康人群和亞健康人群一直是研究的難點(diǎn)。檢驗(yàn)AI的出現(xiàn)為亞健康的預(yù)測及診斷指明了方向。以預(yù)定時(shí)間內(nèi)收集的亞健康患者與疾病人群的檢驗(yàn)數(shù)據(jù)為預(yù)測因素,構(gòu)建區(qū)分健康人群和亞健康人群的亞健康分類器,可實(shí)現(xiàn)亞健康的快速甄別。該分類器類似于健康狀態(tài)軌跡,可提示機(jī)體是否處于亞健康狀態(tài),以及亞健康人群是否有疾病發(fā)生的可能[32]。比如,王嬙等[33]將采集到的出入境人員臨床檢驗(yàn)指標(biāo)等數(shù)據(jù)錄入計(jì)算機(jī),基于極限學(xué)習(xí)機(jī)和支持向量機(jī)方法建立預(yù)測模型并自動分析錄入的信息,從而預(yù)測該個(gè)體發(fā)生亞健康的趨勢及可能性。

4檢驗(yàn)AI的局限性和挑戰(zhàn)

檢驗(yàn)AI在臨床實(shí)際應(yīng)用中,還存在一些局限性和挑戰(zhàn)。首先,由于疾病診斷的復(fù)雜性,僅依靠檢驗(yàn)AI提供的疾病預(yù)測或診斷存在局限性[34],臨床醫(yī)生仍需結(jié)合其他輔助檢查(如影像、病理及超聲等)結(jié)果對患者疾病進(jìn)行綜合判斷。其次,數(shù)據(jù)質(zhì)量問題是檢驗(yàn)AI面臨的主要挑戰(zhàn)。檢驗(yàn)AI的疾病預(yù)測是基于檢驗(yàn)大數(shù)據(jù),由于檢驗(yàn)大數(shù)據(jù)的采集標(biāo)準(zhǔn)不一,導(dǎo)致檢驗(yàn)數(shù)據(jù)缺乏質(zhì)量保證,影響了檢驗(yàn)AI模型預(yù)測疾病的準(zhǔn)確性,進(jìn)而限制了檢驗(yàn)AI的臨床實(shí)際應(yīng)用[35]。最后,受限于不同醫(yī)院檢驗(yàn)科對檢驗(yàn)數(shù)據(jù)的定義、檢測標(biāo)準(zhǔn)及檢測系統(tǒng)不同,導(dǎo)致不同醫(yī)院之間檢驗(yàn)數(shù)據(jù)難以互通互用,而依據(jù)單中心檢驗(yàn)數(shù)據(jù)構(gòu)建的檢驗(yàn)AI缺乏普適性,其預(yù)測結(jié)果在不同醫(yī)院之間存在偏差。

5結(jié)語

檢驗(yàn)醫(yī)學(xué)是臨床輔助診療的重要支撐。隨著AI與醫(yī)學(xué)領(lǐng)域的深度融合,檢驗(yàn)醫(yī)學(xué)與AI的結(jié)合作為一種新的醫(yī)療模式正在快速發(fā)展。檢驗(yàn)AI通過對檢驗(yàn)大數(shù)據(jù)的分析,可為臨床醫(yī)生提供及時(shí)準(zhǔn)確的輔助診斷信息,這將徹底改變傳統(tǒng)檢驗(yàn)醫(yī)學(xué)的傳統(tǒng)運(yùn)用模式,推動檢驗(yàn)醫(yī)學(xué)的智能化發(fā)展。

作者:井杰 綜述 黃曉春 單位:中國人民解放軍海軍軍醫(yī)大學(xué)第一附屬醫(yī)院檢驗(yàn)科