人工智能在檢驗醫(yī)學(xué)中的應(yīng)用及展望

胡月明，李 賓,2，高光強(qiáng),2，潘 靜,2，姜曉峰,2△

1.哈爾濱醫(yī)科大學(xué)附屬第四醫(yī)院檢驗科，黑龍江哈爾濱 150001；2.黑龍江龍衛(wèi)精準(zhǔn)醫(yī)學(xué)檢驗中心，黑龍江哈爾濱 150028

在醫(yī)學(xué)領(lǐng)域，檢驗醫(yī)學(xué)被定義為“在醫(yī)學(xué)實驗室內(nèi)或在護(hù)理現(xiàn)場對患者的組織、體液或其他成分進(jìn)行檢驗的醫(yī)學(xué)學(xué)科”，旨在通過量化生物標(biāo)本中多種待測物質(zhì)的濃度、組成及結(jié)構(gòu)等信息，以生成定性、半定量或定量的結(jié)果，從而輔助醫(yī)護(hù)與患者之間產(chǎn)生診斷和治療決策。2018年4月,國務(wù)院發(fā)布了關(guān)于促進(jìn)“互聯(lián)網(wǎng)+醫(yī)療健康”發(fā)展的指導(dǎo)意見，其中包括推進(jìn)“互聯(lián)網(wǎng)+人工智能”的應(yīng)用服務(wù)。目前，人工智能技術(shù)已經(jīng)開始應(yīng)用于檢驗醫(yī)學(xué)領(lǐng)域并呈現(xiàn)出迅猛發(fā)展的趨勢，如：自動化標(biāo)本采集、自動化流水線、自動化審核、專家系統(tǒng)、移動終端、微流控、云計算、云存儲及在未來直接面向消費(fèi)者的檢驗?zāi)Ｊ街械膽?yīng)用等[1-2]。隨著新型的信息技術(shù)和智能技術(shù)的不斷突破，人工智能技術(shù)已經(jīng)開始成為輔助檢驗醫(yī)學(xué)實驗室挖掘新知識、提出新方法和建立新標(biāo)準(zhǔn)的有力工具，通過優(yōu)化實驗室流程，最終促使醫(yī)患之間建立最佳的診療決策。

檢驗醫(yī)學(xué)中的人工智能是指在實驗室的設(shè)計、建設(shè)和運(yùn)行中，融合傳感器、大數(shù)據(jù)等技術(shù)和互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等平臺，讓計算機(jī)系統(tǒng)通過算法模擬人的決策的思維過程和行為，并以人類語言的形式給出答案，最終以智能互動的方式滿足實驗室-醫(yī)護(hù)-患者之間的醫(yī)療健康需求。K-近鄰、決策樹、樸素貝葉斯、人工神經(jīng)網(wǎng)絡(luò)(ANN)、解卷積神經(jīng)網(wǎng)絡(luò)、遺傳算法等是幾種典型的用于人工智能開發(fā)的機(jī)器學(xué)習(xí)算法，經(jīng)過專家經(jīng)驗和有類別標(biāo)簽數(shù)據(jù)集訓(xùn)練后的模型不僅具有對檢驗項目的鑒別能力，同時還可以自主學(xué)習(xí)并調(diào)整模型的變量及參數(shù)，不斷提高智能化系統(tǒng)的鑒別性能。目前，智能檢測、專家決策、大數(shù)據(jù)智能科研、智能接口、智能管理等是人工智能在檢驗醫(yī)學(xué)領(lǐng)域的5個重要發(fā)展方向。

1 智能檢測在檢驗領(lǐng)域的應(yīng)用

基于圖形和圖譜的智能檢驗是檢驗醫(yī)學(xué)實驗室常用的檢測手段，實現(xiàn)了對檢驗標(biāo)本中多種有形顆粒成分形態(tài)學(xué)的定性和定量分析，減少了人工操作、經(jīng)驗等主觀因素對檢驗結(jié)果造成的影響。

1.1基于圖形的智能檢驗 早在20世紀(jì)80年代，基于圖形的尿液有形成分分析系統(tǒng)就已經(jīng)開始應(yīng)用于臨床實驗室檢測，目前實驗室常見的基于圖形的分析系統(tǒng)還包括對血細(xì)胞、骨髓細(xì)胞、糞便、精液、陰道分泌物等有形成分進(jìn)行檢測，隨著數(shù)字成像技術(shù)和分析技術(shù)的不斷革新，該類分析系統(tǒng)近些年在細(xì)胞病理圖像分析及染色體核型分析等領(lǐng)域也得到了廣泛的應(yīng)用[2]。盡管不同檢測目的儀器對待測樣品的取樣、接種、稀釋、分離純化、培養(yǎng)、涂片、染色等制備過程存在明顯的差別，但最終都以深度學(xué)習(xí)模型為依托，遵照數(shù)字掃描成像、形態(tài)學(xué)特征提取、數(shù)據(jù)計算的流程生成定量和定性的檢驗結(jié)果?；诠饬黧w時間拉伸原理的成像技術(shù)是一種新型的高通量流式細(xì)胞成像技術(shù)[3]，該技術(shù)一次能夠在亞微米水平獲取不少于10 000個血細(xì)胞的形態(tài)學(xué)圖像，能夠快速有效提取細(xì)胞水平及內(nèi)部分子水平異質(zhì)性特征，并基于壓縮感知和神經(jīng)網(wǎng)絡(luò)的算法對高通量數(shù)據(jù)進(jìn)行智能分析，可見該技術(shù)在檢驗醫(yī)學(xué)領(lǐng)域具有潛在的應(yīng)用價值。

1.2基于圖譜的智能檢驗 基質(zhì)輔助激光解吸飛行時間質(zhì)譜(MALDI-TOF MS)是基于圖譜分析技術(shù)的非靶向組學(xué)研究的典型代表，該方法具有較高的靈敏度和特異度，可以對核酸、蛋白質(zhì)及有機(jī)物進(jìn)行快速分析鑒定，被廣泛應(yīng)用于臨床微生物實驗室對細(xì)菌、真菌的鑒定工作[4]，另外在菌種的分型、耐藥性檢測等方面也有廣泛的應(yīng)用[5]。MALDI-TOF MS對樣品純度要求不高，可以直接使用臨床標(biāo)本、或經(jīng)過分離培養(yǎng)挑選單菌落進(jìn)行質(zhì)譜檢測，通過檢測的質(zhì)量圖譜與微生物指紋圖譜數(shù)據(jù)庫中的參考圖譜進(jìn)行比對，從而鑒定細(xì)菌的菌屬、種或亞種的水平，大大縮短了臨床微生物的鑒定時間，提高了鑒定水平，尤其適用于出現(xiàn)菌血癥、敗血癥等重癥感染的情況。因此，開發(fā)具有廣泛鑒別能力的數(shù)據(jù)庫對微生物的鑒定至關(guān)重要，目前，我國已經(jīng)開始致力于開發(fā)蛋白質(zhì)指紋圖譜數(shù)據(jù)庫并建立了首個全球微生物質(zhì)譜云中心[2]。

開發(fā)深度學(xué)習(xí)的算法模型在微生物鑒定方面具有廣闊的應(yīng)用空間，特別是在檢測分辨率不夠的情況下。LING等[6]利用MALDI-TOF MS鑒定的27個特征峰和人工神經(jīng)網(wǎng)絡(luò)模型結(jié)合可以從志賀菌中快速鑒別出大腸桿菌。CHUNG等[7]基于機(jī)器學(xué)習(xí)的模型和MALDI-TOF MS能夠快速鑒定多種類型的溶血性鏈球菌，有效解決了多位點(diǎn)測序等菌株分型方法中存在的成本高、耗時長的問題。另一方面，以質(zhì)譜為基礎(chǔ)的蛋白質(zhì)組學(xué)是一個不斷發(fā)展的領(lǐng)域，其技術(shù)和方法都在不斷改進(jìn)，通過智能化和大數(shù)據(jù)技術(shù)對蛋白質(zhì)組學(xué)數(shù)據(jù)進(jìn)行有序的存儲和二次挖掘是未來檢驗的重要工作之一，如癌癥蛋白質(zhì)組學(xué)可以依靠定量蛋白質(zhì)組的峰度信息，將高維數(shù)據(jù)轉(zhuǎn)化為具有臨床意義的生物學(xué)發(fā)現(xiàn)，實現(xiàn)對癌癥患者的早期診斷、患者分層和生物標(biāo)志物發(fā)現(xiàn)[8]。最近，STEFKA等[9]開發(fā)了Perseus蛋白質(zhì)組學(xué)數(shù)據(jù)分析系統(tǒng)，該系統(tǒng)采用友好、交互式的操作界面，可以針對蛋白質(zhì)定量、相互作用和翻譯后修飾等數(shù)據(jù)進(jìn)行統(tǒng)計分析，機(jī)器學(xué)習(xí)模塊支持對需要診斷和判斷預(yù)后的人群進(jìn)行分組，同時該系統(tǒng)具有較好的擴(kuò)展性，用戶可以自己編寫程序來擴(kuò)展軟件并通過插件進(jìn)行功能共享。

2 專家決策系統(tǒng)

2.1自動化審核與智能審核 對檢驗結(jié)果的審核是最后一項保證檢驗結(jié)果質(zhì)量的檢查程序，基于實驗室檢驗儀器的狀態(tài)、質(zhì)量控制狀態(tài)、血清指數(shù)、極值、臨界值、delta check及患者相關(guān)信息等建立的自動化審核系統(tǒng)在檢驗醫(yī)學(xué)實驗室具有廣闊的應(yīng)用空間。自1967年LINDBERG[10]第一次描述使用計算機(jī)輔助實驗室驗證檢測結(jié)果以來，自動化審核已經(jīng)經(jīng)歷了50多年的發(fā)展歷程。作為一種更加系統(tǒng)化和標(biāo)準(zhǔn)化的錯誤識別方法，自動化審核程序最大限度地減少了由于檢驗技師經(jīng)驗不足、壓力、環(huán)境等因素而導(dǎo)致的錯誤審核，既縮短了標(biāo)本的周轉(zhuǎn)時間，又提高了醫(yī)患滿意度和實驗室的標(biāo)本檢測容量。

2.1.1自動化審核的應(yīng)用現(xiàn)狀 目前，自動化審核系統(tǒng)在臨床生化[11]、免疫[12]、血液[13]、尿液[14]、凝血[15]等多個方面已經(jīng)得到了廣泛的應(yīng)用，視審核項目和模型而定，審核的總體通過率為50%～90%。針對特殊人群建立獨(dú)立的自動化審核系統(tǒng)更具指導(dǎo)價值，腫瘤人群就是其中的一個典型代表。腫瘤患者常常伴隨著復(fù)雜的生理病理性變化，同時在住院期間可能還需要經(jīng)歷不同程度的放療和化療，因此，基于腫瘤人群建立獨(dú)立的自動化審核系統(tǒng)可能具有重要價值。最近，國家癌癥研究中心的YAN等[16]針對癌癥患者建立了腫瘤患者生化指標(biāo)的自動審核系統(tǒng)，總體審核通過率大約為50%，在不同的腫瘤類型人群中，總體審核通過率存在明顯的差別。

2.1.2自動化審核的算法模型 自動化審核的算法模型主要是基于布爾邏輯和審核規(guī)則來支持復(fù)雜的審核決策[17]，該算法模型的模式識別能力不足，對復(fù)雜事物的判斷能力較弱。DEMIRCI等[18]開發(fā)了基于ANN的自動化審核算法，建立了實驗室生化項目的自動化審核模型，ANN算法采用優(yōu)化高度非線性的總損失函數(shù)對標(biāo)本進(jìn)行分類，從而可以模擬高度復(fù)雜和非線性的決策邊界，結(jié)果顯示，該模型的靈敏度為91%，特異度為100%，K值為0.95。當(dāng)需要對專家的決定進(jìn)行重新評估時，在多數(shù)情況下專家需要對結(jié)果進(jìn)行修改，以提高人與模型自動生成的報告之間的一致性，因此，ANN模型特別適合處理臨床環(huán)境下針對疑難問題的決策，該模型的缺點(diǎn)在于并未將質(zhì)量控制等數(shù)據(jù)納入模型，模型僅對已經(jīng)通過專家驗證的數(shù)據(jù)進(jìn)行分析，未來的自動化審核模型可能會采用布爾模型與深度學(xué)習(xí)模型相結(jié)合的模式。

2.1.3自動化審核的發(fā)展趨勢 智能化審核是自動化審核的未來發(fā)展方向，是自動化審核與專家決策系統(tǒng)的相互融合，智能化審核的難點(diǎn)在于患者狀況千差萬別，不僅需要系統(tǒng)依據(jù)檢驗項目的參考區(qū)間進(jìn)行邏輯判斷，更需要密切結(jié)合患者的臨床信息以大數(shù)據(jù)為依托對檢驗指標(biāo)進(jìn)行綜合判斷，并對檢驗結(jié)果添加適當(dāng)?shù)慕忉屝詢?nèi)容，如預(yù)警提示、危急值提醒、治療意見、后續(xù)待檢查項目建議等，實現(xiàn)對檢驗個體的智能化審核，需要特別指出的是，在危急值提醒項目中，對于特定的檢測指標(biāo)，針對不同的科室、病種及不同年齡組人群等，需要基于檢驗大數(shù)據(jù)界定不同的危急值范圍，并對臨床患者的檢測報告給出合理的報告解讀。在不久的將來，檢驗醫(yī)學(xué)實驗室的結(jié)果報告或許將從簡單的結(jié)果報告轉(zhuǎn)變?yōu)樘峁皺z驗結(jié)果+預(yù)警+建議”的注釋模式。值得注意的是，只有真正通過大數(shù)據(jù)訓(xùn)練的模型才有可能實現(xiàn)智能化和個體化的判斷；另外，模型在應(yīng)用過程中可能還需要針對自身實驗室數(shù)據(jù)對模型進(jìn)行適當(dāng)?shù)膮?shù)及變量調(diào)整，以免數(shù)據(jù)模型對檢驗結(jié)果產(chǎn)生有偏差的解釋性內(nèi)容。

2.2基于大數(shù)據(jù)的專家決策系統(tǒng) 呈現(xiàn)實驗室結(jié)果的診療價值是檢驗醫(yī)學(xué)實驗室專家系統(tǒng)的重要內(nèi)容。在檢驗前階段，專家系統(tǒng)可以根據(jù)會診期間提供的臨床信息，指導(dǎo)臨床醫(yī)生進(jìn)行適當(dāng)?shù)膶嶒炇翼椖窟x擇，減少檢驗前因項目選擇不適當(dāng)而對患者的后續(xù)診療造成的影響。在檢驗后階段，專家系統(tǒng)可以分析實驗室的檢測結(jié)果，包括對患者病情診斷、風(fēng)險分層、治療方案、效果及預(yù)后等多個方面的決策。

2.2.1基于常規(guī)檢驗指標(biāo)的專家決策系統(tǒng) 當(dāng)疾病仍處于早期，特別是無癥狀階段和惡化早期，建立早診及預(yù)警模型是人工智能應(yīng)用于檢驗醫(yī)學(xué)領(lǐng)域的重要價值體現(xiàn)。據(jù)統(tǒng)計顯示，大約11%的醫(yī)院內(nèi)死亡是由于未能及時發(fā)現(xiàn)病情惡化并采取相應(yīng)的治療所導(dǎo)致[19]。急性腎損傷(AKI)是嚴(yán)重威脅患者生命健康的急癥，目前臨床實驗室針對AKI診斷主要依賴于血清肌酐(SCr)、胱抑素C(CystC)、微球蛋白、中性粒細(xì)胞明膠酶相關(guān)脂質(zhì)運(yùn)載蛋白(NGAL)等指標(biāo)的變化，并以此作為AKI的標(biāo)志，但是這些指標(biāo)的升高明顯滯后于腎損傷事件的發(fā)生[20]。TOMAEV等[19]應(yīng)用遞歸神經(jīng)網(wǎng)絡(luò)算法和703 782例成年患者的實驗室指標(biāo)和多項電子病歷記錄建立了AKI的風(fēng)險預(yù)警模型，模型的訓(xùn)練過程將患者分為訓(xùn)練組(80%)、驗證組(10%)、校準(zhǔn)組(5%)和測試組(5%)，該模型對患者是否在48 h內(nèi)發(fā)生AKI事件進(jìn)行預(yù)測，結(jié)果顯示，模型可以對55.8%的AKI事件和90.2%的后續(xù)需要進(jìn)行透析治療的AKI事件進(jìn)行有效預(yù)測。甲狀旁腺切除術(shù)是原發(fā)性甲狀旁腺功能亢進(jìn)的唯一治療方法，但目前只有大約50%的原發(fā)性甲狀旁腺功能亢進(jìn)癥患者進(jìn)行了手術(shù)治療，臨床對部分原發(fā)性甲狀旁腺功能亢進(jìn)癥患者診斷缺乏靈敏的實驗室診斷指標(biāo)，SOMNAY等[21]在11 830例患者的標(biāo)本中，將術(shù)前血清鈣、磷酸鹽、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)癥的潛在預(yù)測指標(biāo)，應(yīng)用貝葉斯網(wǎng)絡(luò)模型對人群進(jìn)行分析，結(jié)果顯示，機(jī)器模型可以對95%的原發(fā)性甲狀旁腺功能亢進(jìn)癥患者進(jìn)行正確分類，曲線下面積高達(dá)0.99。另外，基于實驗室大數(shù)據(jù)的早診模型在類風(fēng)濕關(guān)節(jié)炎[22]、2型糖尿病[23]、心血管疾病[24]等復(fù)雜疾病的早期診斷及個體化用藥指導(dǎo)[25]領(lǐng)域具有廣泛的研究基礎(chǔ)。

2.2.2基于組學(xué)檢驗指標(biāo)的專家決策系統(tǒng) 隨著組學(xué)檢測技術(shù)的日益成熟，對組學(xué)數(shù)據(jù)的檢測在分子診斷領(lǐng)域得到了廣泛的應(yīng)用[26]。以腫瘤為例，腫瘤的原發(fā)器官和組織病理學(xué)特特征是患者后續(xù)臨床特征的最主要決定因素，但是在3%左右的發(fā)生轉(zhuǎn)移的癌癥患者中沒有明顯的原發(fā)灶特征，包括免疫組織化學(xué)特征?；贗CGC/TCGA數(shù)據(jù)庫中2 606例患者24種癌型的passenger突變信息，JIAO等[27]構(gòu)建了基于深度學(xué)習(xí)的分類器模型，該模型對轉(zhuǎn)移癌的原發(fā)灶具有較好的鑒別性能，平均曲線下面積為0.91，對沒有明顯原發(fā)信息的轉(zhuǎn)移癌標(biāo)本分類的準(zhǔn)確性是病理學(xué)專家的2倍左右，值得注意的是，passenger突變的區(qū)域分布和突變類型足以高精度地區(qū)分腫瘤類型，而driver突變對分類器卻沒有貢獻(xiàn)，添加driver突變信息并沒有增加分類器的鑒別性能。

另外，人工智能在感染預(yù)防和控制方面具有巨大的潛力[28]。新型冠狀病毒肺炎(COVID-19)是一種新型傳染性疾病，基于專家對COVID-19的臨床經(jīng)驗，發(fā)現(xiàn)重癥COVID-19患者搶救難度非常大，患者不僅出現(xiàn)呼吸衰竭，且易患心力衰竭[29-30]。目前，在疫情全球爆發(fā)、醫(yī)療專家嚴(yán)重不足的情況下，建立新型冠狀病毒專家決策模型具有重要的臨床指導(dǎo)價值，可為患者的風(fēng)險分層和早期干預(yù)提供指導(dǎo)性建議。

3 大數(shù)據(jù)智能科研平臺

有序且有效的數(shù)據(jù)存儲狀態(tài)是人工智能的基礎(chǔ)。目前，檢驗醫(yī)學(xué)領(lǐng)域尚未對數(shù)據(jù)庫中的檢測指標(biāo)進(jìn)行充分地挖掘和二次利用，其中一個原因在于多數(shù)檢驗數(shù)據(jù)的存儲還處于無效的狀態(tài)，數(shù)據(jù)庫中存儲的每一條檢驗數(shù)據(jù)尚未指定完善的類別標(biāo)簽，如既往史、治療前指標(biāo)、治療后指標(biāo)、確切的臨床診斷、治療方式及效果、量化情況等，多數(shù)對特定數(shù)據(jù)的整理過程尚處于人工逐條查閱整理的狀態(tài)。應(yīng)用人工智能技術(shù)對數(shù)據(jù)進(jìn)行有效的管理是增強(qiáng)實驗室創(chuàng)新能力的一種核心手段，其次可按照指定的類別標(biāo)簽構(gòu)建知識圖譜了解疾病生理、病理特征，隨著數(shù)據(jù)量的增加直至圖譜中的變量和占比不再出現(xiàn)明顯的改變?；诖髷?shù)據(jù)的科研平臺被視為應(yīng)用機(jī)器學(xué)習(xí)算法對數(shù)據(jù)庫進(jìn)行新知識發(fā)現(xiàn)的過程，是實驗室發(fā)現(xiàn)新知識、提高診斷性能、優(yōu)化檢測指標(biāo)的重要措施。

3.1發(fā)現(xiàn)新知識、提高診斷性能 在一項涉及757例患者的研究中，NELSON等[31]應(yīng)用Logistic回歸和支持向量機(jī)模型，發(fā)現(xiàn)肌酐是顱外傷的預(yù)測指標(biāo)，聯(lián)合檢測葡萄糖、清蛋白和滲透壓水平對顱外傷具有較好的診斷價值。張碩桐等[32]借助電子病歷挖掘系統(tǒng)獲取人口學(xué)資料、腫瘤標(biāo)志物、血細(xì)胞分析、性激素等6類共計28項實驗室檢測指標(biāo)，通過神經(jīng)網(wǎng)絡(luò)和遺傳算法建立的聯(lián)合診斷模型可以對不同病程分期的卵巢癌進(jìn)行準(zhǔn)確診斷，提升了卵巢癌的綜合診斷效能。AMBALE-VENKATESH等[24]基于大數(shù)據(jù)對心腦血管疾病的研究顯示，空腹血糖水平和頸動脈超聲檢查是預(yù)測腦卒中的重要指標(biāo)，冠狀動脈鈣化評分是冠狀動脈粥樣硬化性心臟病及所有動脈粥樣硬化性心血管疾病合并預(yù)后的最重要預(yù)測因子，左心室結(jié)構(gòu)和功能及心肌肌鈣蛋白是心力衰竭的主要預(yù)測因子，肌酐、年齡和踝肱指數(shù)是房顫的主要預(yù)測因子，腫瘤壞死因子-α(TNF-α)、白細(xì)胞介素(IL)-2、可溶性受體及N末端腦鈉肽前體是所有心血管疾病人群的重要風(fēng)險因子。

3.2優(yōu)化聯(lián)合診斷指標(biāo) 基于大數(shù)據(jù)的科研平臺是優(yōu)化聯(lián)合診斷指標(biāo)的重要途徑，其可在不降低檢測效能的前提下有效增加檢驗結(jié)果的診斷價值。肝功能檢測是生化系列的常規(guī)檢測項目，包括γ-谷氨酰轉(zhuǎn)移酶(GGT)、堿性磷酸酶(ALP)、丙氨酸氨基轉(zhuǎn)移酶(ALT)、天門冬氨酸氨基轉(zhuǎn)移酶、乳酸脫氫酶、血清清蛋白、總膽紅素。LIDBURY等[33]發(fā)現(xiàn)，使用ALP和ALT這2項指標(biāo)可以準(zhǔn)確預(yù)測GGT水平，類別準(zhǔn)確率達(dá)90%以上。YUAN等[34]應(yīng)用支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)模型對多項檢驗結(jié)果進(jìn)行回顧性分析發(fā)現(xiàn)，應(yīng)用看似不相關(guān)的檢測結(jié)果能夠有效預(yù)測患者鐵蛋白的異常狀態(tài)，曲線下面積高達(dá)0.97，在很多情況下，預(yù)測的鐵蛋白結(jié)果較測量的鐵蛋白能更好地反映鐵的狀態(tài)。SOMNAY等[21]基于血清鈣、磷酸鹽、甲狀旁腺激素、維生素D和肌酐水平的深度學(xué)習(xí)模型表明，即使從模型中刪除甲狀旁激素，也沒有降低模型對甲狀腺功能亢進(jìn)癥診斷的準(zhǔn)確性。因此，通過基于大數(shù)據(jù)的信息挖掘可以對檢查項目進(jìn)行篩選，優(yōu)化檢驗項目組合，在不降低診斷性能的前提下，既節(jié)約了醫(yī)療資源，又減輕了患者的經(jīng)濟(jì)負(fù)擔(dān)。

4 智能接口在檢驗過程的應(yīng)用

智能接口是為了建立和諧的人機(jī)交互環(huán)境，使患者、醫(yī)生與計算機(jī)之間的信息交互能夠像人與人之間的交流一樣自然、方便，從而提高用戶對信息系統(tǒng)的應(yīng)用水平。在檢驗過程中，檢驗前過程是整個過程的重要環(huán)節(jié)，是整個檢驗過程中的最大錯誤來源，智能接口技術(shù)在檢驗前過程中的應(yīng)用能夠加速醫(yī)學(xué)實驗室的自動化和標(biāo)準(zhǔn)化建設(shè)，最大限度消除檢驗前過程中的錯誤來源。目前，涉及的研究方向主要包括標(biāo)本采集系統(tǒng)、自動化傳輸系統(tǒng)、無人機(jī)送檢和自動化前處理流水線系統(tǒng)。

4.1智能化標(biāo)本采集系統(tǒng) 采血機(jī)器人是標(biāo)本采集系統(tǒng)的典型代表，這項技術(shù)將人工經(jīng)驗采血模擬為精準(zhǔn)可視化自動采血，理論上單次成功率能達(dá)到99%以上[2]。然而，單一的采血功能還不符合檢驗前過程智能化發(fā)展的需求，智能化檢驗前標(biāo)本采集平臺還需要向平臺中有序添加多種標(biāo)本的自動化采集設(shè)備和程序，同時實現(xiàn)人群的圖像采集、信息識別、信息錄入、項目掃描/項目選擇、采集標(biāo)準(zhǔn)評估及采樣、生成/粘貼識別碼、連接傳輸軌道等多個功能，真正實現(xiàn)從標(biāo)本采集到送檢過程的自動化運(yùn)行。有效避免不合理標(biāo)本采集和錯誤采集，以免產(chǎn)生不具有臨床參考價值的檢測事件發(fā)生；對于部分無需醫(yī)師開具處方的檢測項目，有效縮短了患者的標(biāo)本采集過程；另外，對于感染性疾病人群，檢驗前過程的智能化采集將有效阻斷感染途徑，大大降低醫(yī)護(hù)人員在檢驗前過程中被傳染的風(fēng)險。

4.2標(biāo)本傳輸系統(tǒng) 從醫(yī)院各個病區(qū)、門診、急診等區(qū)域的智能化標(biāo)本采集平臺獲得的貼有條碼的待檢測標(biāo)本直接通過傳送軌道，被迅速、及時地傳送至檢驗醫(yī)學(xué)實驗室，提高了效率，降低了差誤，控制了人力資源成本，達(dá)到了優(yōu)化流程、提升管理的目的。目前，主要有氣動和軌道式物流傳輸系統(tǒng)，氣動物流傳輸系統(tǒng)高速可達(dá)5～8 m/s，低速可達(dá)2～3 m/s，造價較低；而軌道式一般為雙向傳輸系統(tǒng)，傳輸速度為橫向0.6 m/s，縱向0.4 m/s，造價較高，在檢驗醫(yī)學(xué)實驗室的應(yīng)用主要在于檢驗標(biāo)本的批量傳輸。對于需要跨建筑、跨區(qū)域遠(yuǎn)距離送檢的標(biāo)本，無人機(jī)可能是未來標(biāo)本運(yùn)輸?shù)囊环N有效方式，有研究表明無人機(jī)冷鏈運(yùn)輸對血液標(biāo)本的溶血、血小板計數(shù)、pH值、平均血小板體積變化、血漿在采集24 h內(nèi)冷凍氣泡等因素?zé)o影響，但常溫運(yùn)輸對葡萄糖和血鉀影響較大[35]，因此，對無人機(jī)運(yùn)輸?shù)臉?biāo)本類型、檢測項目、運(yùn)輸條件等還需要進(jìn)一步探討。

4.3自動化標(biāo)本分揀流水線 全自動檢驗標(biāo)本分揀流水線是檢驗醫(yī)學(xué)實驗室自動化的重要應(yīng)用。全自動標(biāo)本分揀流水線能夠在無需額外投入人員的情況下增加實驗室的檢測能力。目前在臨床生化、免疫、臨床檢驗等標(biāo)本的分揀過程中應(yīng)用廣泛，但在分子診斷及微生物實驗室中應(yīng)用較差，原因在于這幾類標(biāo)本的類型多樣且可能需要不同的前處理方法，因此大多還需依賴于手工的操作流程，特別是在微生物實驗室領(lǐng)域，自動化和智能化程度較低。普及臨床微生物檢驗領(lǐng)域的自動化分析系統(tǒng)也是檢驗醫(yī)學(xué)領(lǐng)域的重要方向之一。成型的微生物自動化檢測系統(tǒng)至少要包括標(biāo)本的接種、跟蹤、培養(yǎng)、高分辨率成像和工作站等幾個重要部分[36]，這些系統(tǒng)的應(yīng)用將大大提高檢驗醫(yī)學(xué)實驗室微生物培養(yǎng)的效率，減少微生物標(biāo)本的周轉(zhuǎn)時間，使檢驗結(jié)果快速高效地用于臨床工作。

5 智能管理

智能管理涉及檢驗醫(yī)學(xué)實驗室整個過程的多個方面。基于實驗室的智能化和標(biāo)準(zhǔn)化發(fā)展所需，應(yīng)逐步建立實驗室的智能化管理系統(tǒng)，實現(xiàn)對檢驗標(biāo)本的實時監(jiān)控、記錄和全流程的跟蹤管理，逐漸實現(xiàn)醫(yī)學(xué)實驗室對檢驗標(biāo)本的檢測、審核、質(zhì)控、行政等多個層次的智能化管理工作，可有效提高實驗室的工作效率和檢驗質(zhì)量，節(jié)約醫(yī)療成本，推動檢驗醫(yī)學(xué)實驗室的智能化和標(biāo)準(zhǔn)化建設(shè)。檢驗醫(yī)學(xué)實驗室將根據(jù)自身的實際需求出發(fā)，靈活地選擇智能化的管理功能，完成個性化的智能化管理系統(tǒng)建設(shè)。值得注意的是，對實驗室結(jié)果顯示的人機(jī)界面進(jìn)行調(diào)整是目前智能化管理在檢驗醫(yī)學(xué)領(lǐng)域應(yīng)用的一個重要組成部分，該系統(tǒng)的智能化應(yīng)用能夠有效提高信息收集和跟蹤無人看管的臨床重要結(jié)果的及時性和便利性。

6 小 結(jié)

人工智能技術(shù)在檢驗醫(yī)學(xué)中的應(yīng)用將進(jìn)一步優(yōu)化實驗室檢測的工作流程，增加實驗室的檢測容量，以輔助醫(yī)患之間產(chǎn)生最佳的診療決策，與此同時也將加速實驗室產(chǎn)生更多的檢驗數(shù)據(jù)資料。以大數(shù)據(jù)為基礎(chǔ)的人工智能,將對疾病預(yù)防控制、篩查、診療帶來巨大的應(yīng)用價值?；卺t(yī)療數(shù)據(jù)開發(fā)專家系統(tǒng)是加速人工智能在實驗室應(yīng)用的重要契機(jī)，也是促使未來醫(yī)學(xué)從典型的被動檢驗向主動式檢驗過渡的橋梁，檢驗技師也需要逐漸與實驗室新技術(shù)接軌，把握人工智能為檢驗醫(yī)學(xué)帶來的各種挑戰(zhàn)和機(jī)遇，應(yīng)用人工智能技術(shù)為實驗室發(fā)現(xiàn)新關(guān)聯(lián)、開發(fā)新標(biāo)準(zhǔn)。在精準(zhǔn)醫(yī)療愈發(fā)受到重視的今天,人工智能將在未來的檢驗醫(yī)學(xué)領(lǐng)域發(fā)揮更大的作用。