人工智能對我國檢驗醫(yī)學的機遇與挑戰(zhàn)

張桐碩，逄璦博,任鶴菲,魏茂提,李艷秋△

(1.武警特色醫(yī)學中心檢驗科，天津 300162；2.武警北京總隊執(zhí)勤第十一支隊衛(wèi)生隊,北京 100000；3.武警后勤學院部隊流行病學教研室，天津 300309)

作為一門利用計算機程序模擬人類學習行為以改善自身性能的學科[1]，人工智能(AI)借助互聯(lián)網(wǎng)、大數(shù)據(jù)、云計算等新興技術(shù)的支撐，在近年來取得了突破性的進步。2017年7月國務(wù)院印發(fā)的《新一代人工智能發(fā)展規(guī)劃》正式將AI上升到國家戰(zhàn)略的高度，其中針對醫(yī)療方向提出了“推廣應(yīng)用人工智能治療新模式新手段，建立快速精準的智能醫(yī)療體系”的任務(wù)部署[2]。如今，AI在醫(yī)療領(lǐng)域的研究成果頻出，國內(nèi)外高科技企業(yè)相繼布局智能醫(yī)療行業(yè)[3]。AI已經(jīng)逐步融入醫(yī)療健康領(lǐng)域，出現(xiàn)了醫(yī)學影像智能判讀、病歷理解與檢索、手術(shù)機器人、可穿戴生理監(jiān)測、新藥研發(fā)、健康管理等諸多應(yīng)用場景[4]。

現(xiàn)今的檢驗科無論從技術(shù)含量還是儀器設(shè)備的多元密集性都是其他科室所無法比擬，體現(xiàn)了檢驗醫(yī)學對待新技術(shù)更為敏銳，為AI預(yù)備了廣闊的技術(shù)轉(zhuǎn)化平臺。另一方面，臨床對檢驗結(jié)果日益高標準的質(zhì)量要求、個體化結(jié)果的分析和咨詢及龐雜數(shù)據(jù)的處理壓力都迫切需要AI為檢驗醫(yī)學注入新的活力。然而，AI參與檢驗數(shù)據(jù)的生成和輔助診斷在國內(nèi)檢驗醫(yī)學領(lǐng)域尚處于起步階段。文獻計量結(jié)果顯示，我國在AI醫(yī)學裝備技術(shù)領(lǐng)域的研究與報道聚焦在醫(yī)學影像學、臨床病理學、放射治療等方面，而檢驗醫(yī)學對AI技術(shù)開發(fā)相對薄弱[5]。本文立足于AI在醫(yī)學應(yīng)用中的最新進展，總結(jié)出AI與檢驗醫(yī)學在各個層面的結(jié)合途徑，并剖析目前的制約因素，為檢驗工作者在AI浪潮中進行前瞻性準備、提升核心競爭力提出一些建設(shè)性意見。

1 AI對整個檢驗流程的覆蓋

1.1檢驗前階段的標本采集與傳送 檢驗分析前(包括標本的采集、儲存與運送)的人員涉及面廣、潛在因素多，是質(zhì)量管理最薄弱的環(huán)節(jié)，60%～70%的檢驗差錯來源于此。醫(yī)療機器人是AI控制技術(shù)應(yīng)用在醫(yī)療器械上的典型代表，除了為人熟知的達芬奇手術(shù)機器人，醫(yī)療機器人的種類已涵蓋了導診、運送、護理輔助等醫(yī)療保健流程。血液檢驗是臨床檢驗中最重要的內(nèi)容，然而人工采血耗時費力，不僅患者排隊等待就醫(yī)體驗不佳，而且項目識別和人工貼條碼過程易出差錯。美國初創(chuàng)公司VascuLogic研制的采血機器人通過AI算法綜合分析手臂的紅外和超聲信號，定位靜脈最佳采血位點，根據(jù)血流量自動調(diào)整進針深度，相比護士采血更加安全高效，也將大大緩解患者對采血的畏縮情緒。再如我國少數(shù)幾家醫(yī)院率先開展的門診智能采血管理系統(tǒng)[6-7]，實現(xiàn)了排隊叫號、判斷患者檢驗信息、核實檢驗項目、血樣傳輸?shù)娜套詣踊?，極大提高了檢驗效率，同時化解了困擾已久的醫(yī)患糾紛，發(fā)揮了良好的示范效應(yīng)。

1.2檢驗中階段的深度學習助力形態(tài)學判別 以卷積神經(jīng)網(wǎng)絡(luò)為標志的深度學習是驅(qū)動此輪AI爆發(fā)的核心，它突破了非結(jié)構(gòu)性數(shù)據(jù)分析的瓶頸，尤為擅長分析圖像信息?；趫D像識別的AI對皮膚癌[8]、乳腺癌[9]和先天性白內(nèi)障[10]等疾病的鑒定水準已經(jīng)達到甚至超過專業(yè)醫(yī)生，此類研究成果2016年以來陸續(xù)發(fā)表在Nature、JAMA等重磅醫(yī)學期刊。2018年初，美國食品藥品監(jiān)督管理局(FDA)批準了全球首個深度學習影像臨床應(yīng)用平臺Arterys Cardio DL。騰訊推出的AI醫(yī)學產(chǎn)品“騰訊覓影”包含早期食管癌、肺結(jié)節(jié)、乳腺癌、糖尿病視網(wǎng)膜病變等多病種的影像篩查，并落地國內(nèi)100余家三甲醫(yī)院。谷歌旗下的Deepmind開始將更精確全面的3D圖像技術(shù)應(yīng)用于深度學習。AI在影像學領(lǐng)域的科研和商業(yè)化走在了前列，為形態(tài)學檢驗提供了可借鑒的經(jīng)驗。從上世紀80年代就有學者開始對血細胞、尿液有形成分等樣本的圖像識別進行嘗試，但受制于算法結(jié)構(gòu)和細胞數(shù)據(jù)庫的規(guī)模，效果并不令人滿意，如今的主流仍是利用流式細胞技術(shù)轉(zhuǎn)換成的光電信號間接識別，再通過人工鏡檢確認。以深度學習催生的新一代計算機視覺技術(shù)為依托，無論是血細胞、骨髓細胞、精子，還是尿液和糞便顆粒，乃至細菌形態(tài)和染色體，都有望遵循著數(shù)字掃描成像、圖像特征提取、多層模型訓練的范式開發(fā)分析系統(tǒng)并在形態(tài)學檢驗領(lǐng)域推廣[11]，攻克檢驗項目全自動化的最后難關(guān)。

1.3檢驗后階段的個性化報告審核 檢驗報告是檢驗后階段的重要質(zhì)量指標，審核和報告檢驗結(jié)果不僅要求及時、準確，并盡量實現(xiàn)不同審核者間的標準化。審核檢驗結(jié)果的難點在于標本取自的患者狀況千差萬別，不能機械地依據(jù)指標的參考區(qū)間判斷異常值，患者指標相對于其個體基礎(chǔ)水平的動態(tài)變化有時才是重要的。這要求檢驗工作者密切結(jié)合臨床信息加以綜合評估，必要時查詢病歷或電話追問患者的主治醫(yī)生，是對其工作經(jīng)驗和責任心的極大考驗。基于患者自身情況建立個體檢驗指標的參考區(qū)間，實現(xiàn)個性化審核是智能化審核系統(tǒng)的改進目標。例如判斷心肌肌鈣蛋白I(cTNI)檢測結(jié)果的可靠程度時，系統(tǒng)將自行調(diào)取心臟病發(fā)病史或手術(shù)史以及cTNI 的歷史結(jié)果等一系列臨床診療進程的指標輸入審核模型，若不能通過審核，會自動制定復(fù)檢方案并切換至人工確認。而個性化AI審核的前提是LIS和HIS系統(tǒng)對接保證數(shù)據(jù)共享。

2 基于檢驗數(shù)據(jù)的AI輔助診斷

2018年4月國務(wù)院發(fā)布了《關(guān)于促進“互聯(lián)網(wǎng)+醫(yī)療健康”發(fā)展的意見》，其中包括推進“互聯(lián)網(wǎng)+人工智能”應(yīng)用服務(wù)，研發(fā)基于AI的臨床診療決策支持系統(tǒng)。在發(fā)達國家，70%～80%的醫(yī)療決策依賴于實驗室檢查結(jié)果[12]。通過AI挖掘檢驗指標與疾病之間隱含的聯(lián)系或規(guī)則，無疑能為臨床提供更有價值的診斷意見，充分體現(xiàn)檢驗醫(yī)學意義。早期的計算機輔助診斷由手動編制的大量邏輯規(guī)則組成知識庫，采用符號推理的方式，無法在臨床實踐中自我校正、彌補知識缺陷，因而臨床應(yīng)用非常局限[13]。如今AI為輔助診斷開辟了新的途徑，其憑借強大的自學能力靈活調(diào)整參數(shù)、持續(xù)優(yōu)化系統(tǒng)性能，實現(xiàn)了對臨床診病思維和推理判斷過程的模擬。我國的AI輔助診斷還停留在對國外的仿效階段，從基于單類型檢查數(shù)據(jù)的輔助診斷，到利用電子病歷、檢驗、影像等多類型數(shù)據(jù)源的綜合輔助診斷，再到集診斷、治療、預(yù)防、風險預(yù)測等功能為一體的醫(yī)療專家系統(tǒng)，將是AI作為醫(yī)療輔助工具的升級方向。

2.1區(qū)塊鏈為診斷模型提供數(shù)據(jù)保障 隨著深度學習算法日趨成熟，人類進入了AI的實踐時代，大量且優(yōu)質(zhì)的模型訓練數(shù)據(jù)成為了提升AI診斷效果的決定因素。最具代表性的是IBM公司的AI機器人“沃森醫(yī)生”，它吸納了150萬份病歷和診斷圖像、200萬頁醫(yī)學專著或文獻資料來構(gòu)建腫瘤識別模型，因其優(yōu)異的性能被譽為“最好的癌癥專家”[14]。中國在醫(yī)療數(shù)據(jù)方面具有先天優(yōu)勢，令人遺憾的是，國內(nèi)醫(yī)院缺乏數(shù)據(jù)互通規(guī)范，醫(yī)療數(shù)據(jù)被分割在不同的部門里，難以發(fā)揮規(guī)模效益[3]。檢驗科是醫(yī)療單位中最具大數(shù)據(jù)特征的科室之一，但在檢驗數(shù)據(jù)的收集過程中，會不可避免地涉及到國民健康信息等國家基礎(chǔ)安全數(shù)據(jù)和患者隱私等不適宜公開的信息，必須采取必要措施規(guī)避相關(guān)法律和倫理風險。恰好崛起中的區(qū)塊鏈實現(xiàn)了點到點以及信息流向的精準識別，有望成為醫(yī)療大數(shù)據(jù)的傳遞平臺[15]。檢驗科的某項檢測結(jié)果一旦生成就可加密寫入?yún)^(qū)塊鏈，既能通過時間戳溯源患者和樣本以確保數(shù)據(jù)準確，又禁止被無權(quán)限的人員查看，更杜絕了黑客的攻擊篡改。在患者的授權(quán)下，這些檢驗數(shù)據(jù)以一種安全共享的方式在醫(yī)療體系內(nèi)流轉(zhuǎn)，節(jié)約了數(shù)據(jù)獲取的成本，也增加了患者對院方的信任。未來或以區(qū)塊鏈建立一套醫(yī)療產(chǎn)業(yè)的信用系統(tǒng)，為AI輔助診斷鋪平道路。

2.2數(shù)據(jù)挖掘?qū)鹘y(tǒng)指標的二次開發(fā) 相比那些備受矚目但缺乏臨床實用性的新型標志物，大量常規(guī)檢驗指標的診斷價值可能被無意忽略了，在智能醫(yī)療時代迫切需要被重新認識和開發(fā)。數(shù)據(jù)挖掘在AI領(lǐng)域被視為機器學習和數(shù)據(jù)庫的交叉，能從海量的醫(yī)療數(shù)據(jù)中提取潛在的信息和模式。對檢驗結(jié)果和病情診斷數(shù)據(jù)的深度挖掘，可以將傳統(tǒng)檢驗指標的用途推陳出新。一方面，通過數(shù)據(jù)挖掘探索、優(yōu)化多指標聯(lián)合診斷方案，使現(xiàn)有的檢驗指標高度協(xié)同、融合，最大限度地提升診斷效能。如筆者近期完成的一項關(guān)于卵巢癌智能化輔助診斷的研究，利用電子病歷挖掘系統(tǒng)收集了腫瘤標志物、血常規(guī)、性激素類等共計28項血液學指標，然后經(jīng)主成分分析提取這些指標的核心特征，最后得出的診斷效能明顯優(yōu)于單項檢測CA125[16]。另一方面，通過數(shù)據(jù)挖掘?qū)姺钡臋z查項目進行篩選，精簡項目組合，節(jié)約醫(yī)療資源并減輕患者經(jīng)濟負擔。如LIPPI等[17]在對近4 000例門診樣本的回顧分析中發(fā)現(xiàn)紅細胞體積分布寬度(RDW)和超敏C反應(yīng)蛋白(hs-CRP)、紅細胞沉降率(ESR)兩項炎癥指標呈明顯正相關(guān)，由此建議在心血管疾病風險預(yù)測模型中選用更為方便廉價的RDW替代hs-CRP和ESR。運用數(shù)據(jù)挖掘技術(shù)開發(fā)兼顧簡約與疾病覆蓋面的檢驗項目組合將愈發(fā)普遍，同時也給予檢驗工作者更多調(diào)用手邊的數(shù)據(jù)資源開展科研的機會。

2.3機器學習解讀分子診斷 在我國政府大力推動精準醫(yī)療計劃的背景下，并獲益于生物芯片和基因測序技術(shù)的進步，檢驗醫(yī)學突破了過去以血、尿、便三大常規(guī)為主的工作范圍，拓展到當代醫(yī)學的前沿領(lǐng)域——分子診斷[18]。種類繁多的基因組、蛋白質(zhì)組、代謝組、宏基因組檢測數(shù)據(jù)是實現(xiàn)精準醫(yī)療的必要前提，但高通量組學數(shù)據(jù)的呈現(xiàn)形式不同于傳統(tǒng)檢驗數(shù)據(jù)，全新的解讀分析思路給檢驗行業(yè)帶來了挑戰(zhàn)。機器學習是AI研究的基礎(chǔ)內(nèi)容，下分為諸多具體模型，主要思想是利用已知數(shù)據(jù)捕獲未知的概率分布特征。機器學習算法遠比常規(guī)回歸模型適合處理非線性關(guān)系，而且機器學習的魯棒性強，足以應(yīng)對分子檢測伴發(fā)的數(shù)據(jù)噪音干擾。機器學習構(gòu)建起的復(fù)雜精密的多參數(shù)診斷模型已廣泛應(yīng)用于液體活檢、產(chǎn)前篩查等領(lǐng)域。BEST等[19]采用支持向量機評估了血小板RNA測序?qū)Ψ喊┌Y類型的區(qū)分度。CAPPER等[20]自主設(shè)計機器學習程序分析DNA甲基化指紋來鑒定中樞神經(jīng)系統(tǒng)腫瘤。REN等[21]構(gòu)建了基于腸道微生物診斷早期肝癌的隨機森林分類器，并在跨地域人群中得到驗證。

3 AI與檢驗行業(yè)服務(wù)模式的雙向促進

承受著民眾醫(yī)療剛需對檢驗與診斷資源的巨大壓力，以綜合性醫(yī)院檢驗科為主體的檢驗服務(wù)體系正逐步向兩翼分擔，第三方實驗室和家用即時檢驗(POCT)將承接更多的檢驗業(yè)務(wù)。第三方實驗室或區(qū)域檢驗中心的高效、完備、集中，與POCT的快捷、便攜、分散的特點相配合，可以滿足不同層次人群的需求。AI可以把技師的誤差排查和專家的診斷經(jīng)驗固化下來，彌補以上檢驗服務(wù)場景中醫(yī)療專業(yè)人員的缺位，以AI賦能的方式快速拉動第三方實驗室和POCT的服務(wù)質(zhì)量，幫助優(yōu)質(zhì)的檢驗診斷資源下沉到基層，推進分級診療的落實；第三方實驗室和POCT源源不斷產(chǎn)生的數(shù)據(jù)又能反哺AI系統(tǒng)性能的升級迭代，并為AI在檢驗醫(yī)學產(chǎn)業(yè)生態(tài)中的布局開辟廣闊空間，由此可形成AI適用性與檢驗行業(yè)服務(wù)水平的良性循環(huán)式發(fā)展。

3.1AI與第三方實驗室 第三方獨立醫(yī)學實驗室起源于美國，在歐美和日本等發(fā)達國家，第三方實驗室已經(jīng)占據(jù)臨床檢驗市場的1/3以上。而我國的第三方醫(yī)學檢驗興起較晚，市場份額只有3%。我國2017年4月頒發(fā)了《國務(wù)院辦公廳關(guān)于推進醫(yī)療聯(lián)合體建設(shè)和發(fā)展的指導意見》，醫(yī)聯(lián)體成為現(xiàn)今醫(yī)療改革的主題，第三方實驗室作為醫(yī)聯(lián)體的重要組成部分，在政策的鼓勵下開始在各地建設(shè)起來。屆時，第三方實驗室負責區(qū)域內(nèi)的各家社區(qū)衛(wèi)生機構(gòu)和中小型醫(yī)院會將采集完的標本通過冷鏈物流體系統(tǒng)一運送，伴隨著檢測工作量的激增，第三方實驗室迫切需要提升檢測的自動化水平以及結(jié)果自動解讀能力。AI醫(yī)療流程控制與診斷系統(tǒng)在第三方實驗室配置后，不僅能保證傳回各個衛(wèi)生機構(gòu)的檢驗結(jié)果的規(guī)范化和標準化，還能附加初步診斷的增值服務(wù)，將一些重點疾病的篩查和預(yù)警工作提前完成，節(jié)省醫(yī)生的反應(yīng)時間。

3.2AI與POCT POCT是在采樣現(xiàn)場或患者旁邊，利用便攜式分析儀器及配套試劑快速取得檢測結(jié)果的一類檢驗方式，省去標本在實驗室的復(fù)雜處理過程，其產(chǎn)品趨于家用化與可穿戴化，在疾病預(yù)防、慢病管理等方面的應(yīng)用市場巨大。AI和POCT類檢測設(shè)備的結(jié)合日益緊密，融入了更多智能化、信息化元素的智慧POCT(iPOCT)設(shè)備嶄露頭角。iPOCT內(nèi)植入的AI軟件通過訪問基于云端大數(shù)據(jù)的質(zhì)量管理服務(wù)系統(tǒng)，真正實現(xiàn)遠程監(jiān)護和質(zhì)量控制；在檢測完成后，又能與病史信息、體征指標迅速整合，在經(jīng)大樣本反復(fù)訓練后的AI模型中進行自動分析，提供更全面的診療建議。iPOCT與移動云平臺、個人用戶APP終端以及醫(yī)院的LIS與HIS系統(tǒng)相互連接，可達成區(qū)域醫(yī)療機構(gòu)之間結(jié)果互認，便于醫(yī)生追蹤用戶的健康狀況，完成院外隨訪數(shù)據(jù)的采集，iPOCT將成為連接家庭、檢驗醫(yī)師、社區(qū)衛(wèi)生醫(yī)生的樞紐。以糖尿病管理為例，無創(chuàng)型連續(xù)血糖監(jiān)測儀是POCT領(lǐng)域的一大亮點，它通過感應(yīng)器監(jiān)測皮下組織間液的葡萄糖濃度而間接反映血糖水平[22]。在未來，可利用AI引擎分析用戶的血糖、用藥等數(shù)據(jù)后，將血糖控制的實時指導意見快速傳到用戶的手機、手表等移動接收設(shè)備。在此基礎(chǔ)上還能加裝AI精準調(diào)控的胰島素輸送泵，打造“仿生胰腺”。

4 人-機結(jié)合時代檢驗人的焦慮與轉(zhuǎn)型

人類曾經(jīng)獨有的能力范疇不斷被AI侵入，AI對各行業(yè)的沖擊導致的從業(yè)者焦慮普遍存在[23]，檢驗行業(yè)更是這種恐慌情緒的“重災(zāi)區(qū)”。檢驗醫(yī)學的智能化變革已勢不可擋，抗拒和逃避都只會讓研究者錯失這一輪技術(shù)紅利。AI的優(yōu)越性很大程度上依托于底層的復(fù)雜數(shù)學原理和高性能計算技術(shù)，但對于檢驗醫(yī)學人員較為生疏，導致其難以清晰理解AI的倫理邊界并自覺培養(yǎng)出機器智能的協(xié)同方式，檢驗工作者應(yīng)適當學習計算思維與計算機方法論[24]，補齊認知上的短板。醫(yī)務(wù)人員跟AI并非零和博弈關(guān)系，而是將在合作的基礎(chǔ)上共同演進。目前來看，AI時代的檢驗行業(yè)將至少新出現(xiàn)以下兩類人才缺口。

4.1檢驗數(shù)據(jù)標注技術(shù)員 AI尚處于弱智能階段，不同于強智能通過主動向外界獲取信息來抽象出合適的處理邏輯，弱智能不具備獨立發(fā)展的能力，只能被動接受信息的灌輸，處理邏輯的修正依賴數(shù)據(jù)庫的持續(xù)更新[25]。其次，AI的深度學習算法是一個“黑箱”系統(tǒng)，其內(nèi)部的數(shù)據(jù)處理過程無法被監(jiān)督，輸入的數(shù)據(jù)中加入小小的改變就很容易誤導深度學習，獲取可靠性高的標注數(shù)據(jù)成為維護醫(yī)療AI系統(tǒng)的關(guān)鍵環(huán)節(jié)。于是，實驗室診斷AI對數(shù)據(jù)的強勁需求將催生數(shù)據(jù)標注產(chǎn)業(yè)，需要大量的新型技術(shù)人員為檢驗數(shù)據(jù)內(nèi)容打標簽、做標記，將“營養(yǎng)高、易消化”的數(shù)據(jù)“喂”給AI模型。這類“飼養(yǎng)員”不要求計算機算法方面過硬的背景或?qū)W歷，但需要檢驗醫(yī)學理論基礎(chǔ)和一定的技術(shù)管理能力，以便完成標本數(shù)據(jù)的篩檢分類，并參與構(gòu)建醫(yī)學診斷知識圖譜。

4.2檢驗醫(yī)師 AI雖能部分模擬人腦的識別、記憶、計算、推理判斷等功能，卻無法重現(xiàn)情感、信念、聯(lián)想、創(chuàng)造等高等級思維活動。AI對疾病的學習側(cè)重于發(fā)現(xiàn)關(guān)聯(lián)，而難以理解疾病過程與預(yù)測轉(zhuǎn)歸。醫(yī)療決策是富有創(chuàng)造性和人文關(guān)懷的過程，醫(yī)務(wù)人員之間及醫(yī)患之間的溝通互動所體現(xiàn)出的人類智慧絕非AI能取代。在AI技術(shù)的倒逼下，遲遲未能落地的檢驗醫(yī)師的概念回歸人們的視野。檢驗醫(yī)師作為檢驗與臨床溝通的橋梁，肩負著指導選擇檢驗項目、解答來自醫(yī)患雙方的疑難檢驗問題、參與病例討論提供診斷意見、推廣新技術(shù)新指標等多重職責[26]。歐美日等國家早年已形成了成熟的檢驗醫(yī)師制度，而目前我國檢驗醫(yī)師定位模糊，培養(yǎng)明顯滯后于檢驗醫(yī)學的發(fā)展。AI將檢驗工作者從日常繁雜的操作中解放出來，使其有精力和時間致力于更高層次的實驗室活動，并積極關(guān)注外部的需求反饋，深入臨床一線開展指導和咨詢服務(wù)。AI時代的檢查數(shù)據(jù)量必將極大豐富，各臨床專科醫(yī)生的知識儲備面對高通量的檢驗項目和AI給出的診斷概率時必然是淺薄的，檢驗醫(yī)師在檢驗方法與結(jié)果評判上將掌握更多話語權(quán)，同時帶動檢驗科地位的提高。我國檢驗醫(yī)師人才隊伍的發(fā)展任重道遠，需要國家從長遠角度考慮，在檢驗醫(yī)師的培養(yǎng)途徑和準入機制上加以引導[27]，也需要檢驗專業(yè)醫(yī)學生和工作者抓住AI時代的契機加快能力轉(zhuǎn)型，適應(yīng)和擁抱AI的新技術(shù)、新理念。

5 結(jié) 語

總之，AI方興未艾，檢驗醫(yī)學作為一個重要的智能醫(yī)療板塊正在崛起。隨著醫(yī)聯(lián)體、移動醫(yī)療、精準醫(yī)療等新型醫(yī)療服務(wù)模式的推進，帶給了AI與檢驗醫(yī)學更多的結(jié)合點。檢驗醫(yī)學智能化的藍圖背后，是以產(chǎn)、學、研多方深度合作為支撐[28-29]。但必須清醒地認識到，將AI領(lǐng)域積累的技術(shù)紅利釋放到檢驗行業(yè)的過程面臨著諸多風險和挑戰(zhàn)，涉及監(jiān)管、倫理，以及教育等問題等待求解[30]。通過AI實現(xiàn)檢驗流程和輔助診斷自動化的前景令人憧憬，但對我國廣大檢驗從業(yè)者造成的困境也不容忽視，唯有順勢而上，調(diào)整角色定位，將職業(yè)規(guī)劃架設(shè)在最新的技術(shù)基礎(chǔ)設(shè)施上才能找到發(fā)展機會。期待檢驗醫(yī)學學科與檢驗工作者一同搭上AI的快車，駛向更廣闊的成長空間。

致謝：感謝飛利浦(中國)醫(yī)療科技有限公司的張恒和南昌大學附屬九江醫(yī)院檢驗科的陳雪禮對本文提出的寶貴意見和建議。