人工智能與檢驗(yàn)醫(yī)學(xué)輔助診療的現(xiàn)狀及應(yīng)用前景分析

井 杰 綜述，黃曉春 審校

中國(guó)人民解放軍海軍軍醫(yī)大學(xué)第一附屬醫(yī)院檢驗(yàn)科，上海 200433

人工智能(AI)是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人類智能的一門(mén)新興的科學(xué)技術(shù)[1]。AI自誕生以來(lái)，經(jīng)過(guò)不斷的演進(jìn)與發(fā)展，在越來(lái)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(chǎng)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(guò)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(dòng)化、數(shù)據(jù)化及數(shù)據(jù)庫(kù)存儲(chǔ)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。

1 AI與臨床輔助診療

隨著深度學(xué)習(xí)技術(shù)在目標(biāo)檢測(cè)、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(cè)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(jiàn)肺炎及正常對(duì)照人群的大規(guī)模CT數(shù)據(jù)集，并基于CT圖像開(kāi)發(fā)了COVID-19 AI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(kāi)發(fā)了微觀圖像中的肺癌細(xì)胞病理自動(dòng)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(zhǎng)、費(fèi)用較高，影像學(xué)檢查相對(duì)迅速但費(fèi)用也相對(duì)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(wú)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(shì)。首先，實(shí)驗(yàn)室檢驗(yàn)方法簡(jiǎn)單、快速且成本低，醫(yī)生通過(guò)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(guò)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(guò)大規(guī)模的臨床實(shí)踐和評(píng)估，并廣泛用于診斷、排查、分類或監(jiān)測(cè)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(duì)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(duì)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(shì)，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(chǔ)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(shù)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(shù)模型來(lái)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(guò)自動(dòng)分析數(shù)據(jù)以獲得特征規(guī)律，并利用這些規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)的算法，是實(shí)現(xiàn)AI的基本方法[15]。對(duì)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(cè)結(jié)果，所以其對(duì)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(duì)優(yōu)勢(shì)。由此，使用ML算法對(duì)LIS中存儲(chǔ)的數(shù)千萬(wàn)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(wèn)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(wú)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(duì)AI領(lǐng)域運(yùn)算特征，AI芯片已成功應(yīng)用于圖像識(shí)別、語(yǔ)音識(shí)別、聲紋檢測(cè)、視頻檢索及自動(dòng)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(dòng)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(tái)。

2.2檢驗(yàn)AI的構(gòu)建過(guò)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(lái)源廣泛，由于各數(shù)據(jù)庫(kù)(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(chǔ)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(guò)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(shí)別和學(xué)習(xí)的數(shù)據(jù)格式。模式識(shí)別作為AI技術(shù)的重要分支，能夠?qū)⒍鄠€(gè)標(biāo)準(zhǔn)來(lái)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(kù)的互聯(lián)互通[18]。(2)檢驗(yàn)知識(shí)圖譜篩選：臨床醫(yī)生在疾病診斷過(guò)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(guò)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(guò)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(huì)降低模型預(yù)測(cè)疾病的準(zhǔn)確率。通過(guò)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(huì)出現(xiàn)其復(fù)雜程度超越了臨床醫(yī)生知識(shí)范疇的情況。因此，通過(guò)檢驗(yàn)知識(shí)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(shí)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(kāi)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(wú)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(kāi)發(fā)模型，之后，所得模型用于預(yù)測(cè)或診斷新數(shù)據(jù)集的結(jié)果變量。無(wú)監(jiān)督學(xué)習(xí)則僅使用無(wú)診斷結(jié)果標(biāo)注的輸入數(shù)據(jù)來(lái)建模。(4)模型評(píng)估：模型的性能可以使用同一來(lái)源(內(nèi)部驗(yàn)證)或獨(dú)立來(lái)源(外部驗(yàn)證)數(shù)據(jù)進(jìn)行評(píng)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(jiǎn)單形式是將數(shù)據(jù)集劃分為訓(xùn)練集(用于開(kāi)發(fā)模型)和測(cè)試集(用于評(píng)估模型的性能)。訓(xùn)練集和測(cè)試集之間沒(méi)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(cè)試集。然而，這種方法可能會(huì)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(cè)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(cè)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(kāi)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(chǎng)景運(yùn)行以獲得疾病的預(yù)測(cè)值等。

圖1 檢驗(yàn)AI的構(gòu)建過(guò)程

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(duì)于指導(dǎo)患者的診療活動(dòng)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(cè)結(jié)果，建立了兩種模型用于血液疾病診斷，一種預(yù)測(cè)模型(SBA-HEM168)使用所有可用的血液測(cè)試參數(shù)； 另一種預(yù)測(cè)模型(SBA-HEM061)僅使用一組簡(jiǎn)化的血液測(cè)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(cè)患者5種最可能的疾病時(shí)，預(yù)測(cè)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(cè)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(cè)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730 113例合格參與者的89 116 949個(gè)檢驗(yàn)數(shù)據(jù)和10 423 581個(gè)實(shí)驗(yàn)診斷數(shù)據(jù)，構(gòu)建了基于知識(shí)和數(shù)據(jù)雙驅(qū)動(dòng)的多功能智慧檢驗(yàn)平臺(tái)[23](即檢驗(yàn)AI)，能夠自動(dòng)識(shí)別并綜合分析2 071種檢驗(yàn)指標(biāo)，完成對(duì)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(guò)程具備良好的可解釋性。同時(shí)，本課題組采用mAP@K和Recall@K評(píng)價(jià)體系評(píng)估了檢驗(yàn)AI在獨(dú)立測(cè)試集上疾病預(yù)測(cè)的準(zhǔn)確性和全面性，結(jié)果表明該檢驗(yàn)AI預(yù)測(cè)10種器官系統(tǒng)和10種具體疾病診斷時(shí)，漏診極少且準(zhǔn)確性高[23]。

3.2疾病預(yù)測(cè) 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(cè)疾病。目前，腫瘤的預(yù)測(cè)僅限于幾種特定的標(biāo)志物。PATRíCIO等[24]開(kāi)發(fā)了基于常規(guī)檢驗(yàn)指標(biāo)的乳腺癌預(yù)測(cè)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(cè)因子構(gòu)建了乳腺癌預(yù)測(cè)模型。該研究發(fā)現(xiàn)，支持向量機(jī)預(yù)測(cè)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(cè)女性乳腺癌的存在。同時(shí)，該預(yù)測(cè)模型在測(cè)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(cè)[24]。該研究充分證實(shí)基于檢驗(yàn)AI，一些常規(guī)檢測(cè)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(cè)因子構(gòu)建了ML模型，在所測(cè)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(duì)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(cè)因子甲狀旁腺激素并沒(méi)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(cè)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(píng)估 檢驗(yàn)AI可以根據(jù)檢驗(yàn)數(shù)據(jù)對(duì)患者疾病進(jìn)行風(fēng)險(xiǎn)評(píng)估，為臨床醫(yī)生改進(jìn)治療策略做出預(yù)警。對(duì)于COVID-19，快速準(zhǔn)確地識(shí)別和評(píng)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(cè)因素構(gòu)建了多元邏輯回歸模型，用于識(shí)別COVID-19入院患者的嚴(yán)重程度并評(píng)估其死亡風(fēng)險(xiǎn)。該模型預(yù)測(cè)292例患者病死率的效能(AUC=0.952 1)優(yōu)于肺炎CURB-65評(píng)分模型(AUC=0.850 1)和XGBoost模型(AUC=0.453 0)。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(cè)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(cè)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(guò)在線應(yīng)用程序(http://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(píng)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(cè)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(shù)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(cè)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(duì)慢性腎病的預(yù)測(cè)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(kāi)發(fā)了一個(gè)多變量風(fēng)險(xiǎn)分層模型，該模型能夠識(shí)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(mén)診醫(yī)療過(guò)渡期間，臨床醫(yī)生做出合理的預(yù)后評(píng)估、隨訪指導(dǎo)和護(hù)理建議。

3.5亞健康的預(yù)測(cè) 生理生化指標(biāo)量化檢測(cè)是亞健康檢測(cè)方法中較為客觀的檢測(cè)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(cè)。目前，針對(duì)亞健康人群的亞健康實(shí)驗(yàn)室檢測(cè)參考值很難界定。處于亞健康狀態(tài)的人雖然有諸多自覺(jué)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(cè)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(cè)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(cè)模型并自動(dòng)分析錄入的信息，從而預(yù)測(cè)該個(gè)體發(fā)生亞健康的趨勢(shì)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(cè)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(duì)患者疾病進(jìn)行綜合判斷。其次，數(shù)據(jù)質(zhì)量問(wèn)題是檢驗(yàn)AI面臨的主要挑戰(zhàn)。檢驗(yàn)AI的疾病預(yù)測(cè)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(cè)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(duì)檢驗(yàn)數(shù)據(jù)的定義、檢測(cè)標(biāo)準(zhǔn)及檢測(cè)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(cè)結(jié)果在不同醫(yī)院之間存在偏差。

5 結(jié) 語(yǔ)

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(guò)對(duì)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(dòng)檢驗(yàn)醫(yī)學(xué)的智能化發(fā)展。