人工智能在檢驗醫(yī)學領域的應用進展*

于 帆,何海洪 綜述,周義文 審校

南方醫(yī)科大學深圳醫(yī)院臨床檢驗醫(yī)學中心,廣東深圳 518000

人工智能的概念最初由計算機科學衍生而來,即嘗試利用計算機模擬人腦做出智能反應[1]。近年來其研究范圍已延伸至機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等多個領域。機器學習是人工智能的核心研究領域,也是實現人工智能的重要手段之一,即計算機利用大量現存數據進行學習得出規(guī)律,從而對未知數據進行預測,其目的在于使計算機具有智能化學習能力[2]。當前,隨著檢驗設備自動化普及及醫(yī)療規(guī)模擴張,檢驗過程所產生的數據量呈指數級增長,分析能力的不足可能導致海量數據的價值被大大低估,而人工智能與機器學習的參與為檢驗醫(yī)學的劃時代發(fā)展提供了良好機遇,其應用前景值得關注。

目前人工智能在檢驗醫(yī)學領域的應用方向主要集中在樣本處理環(huán)節(jié)、形態(tài)學檢驗、檢驗結果審核及檢驗報告解讀等方面,其在檢驗各階段的參與均有效推進了檢驗質量的提升[3]。近年來,利用機器學習對檢驗數據及相關臨床數據進行深度挖掘從而建立疾病診斷模型成為人工智能在檢驗醫(yī)學領域新的潛在應用思路[4],這將為檢驗組合的優(yōu)化、檢驗數據臨床價值的提升及個性化醫(yī)療與精準醫(yī)學的實現提供可能性。

1 人工智能在醫(yī)學檢驗實驗室的應用

1.1樣本處理環(huán)節(jié)的優(yōu)化

1.1.1樣本采集 樣本采集環(huán)節(jié)是檢驗前質量控制的難點之一,樣本采集質量將直接影響檢驗結果的參考價值[5]。以血液樣本采集為例,該環(huán)節(jié)重復量大、主要依靠個人經驗且操作對象具有一定不可控性,難以實現標準化,其潛在誤差包括采血管類型、采集時間甚至采血對象的主觀性錯誤,極易對后續(xù)檢驗流程產生影響[6]。相關資料顯示,目前主流的全自動采血機器人通過對智能交互技術、智能導航控制技術及智能生物識別技術的聯合應用,利用紅外線、超聲波及視覺系統(tǒng)將所得數據作為輸入,智能選擇算法處理數據后確定血管位置及直徑,進而選擇針頭采血的最佳位置及角度[7]。近期研究提出在紅外線及超聲波造影基礎上可利用基于Hessian算子的多尺度自適應靜脈濾波提取方法結合相應人工智能算法從而更為精確地獲取血管位置及直徑數據,或將進一步提高全自動采血機器人的一次性穿刺成功率,也將助力樣本采集環(huán)節(jié)的自動化及標準化,對檢驗前質量控制具有重要意義[8]。

針對樣本采集過程中較高的投訴率及不良事件發(fā)生率,人工智能同樣提供了新的思路。有學者提出通過在樣本采集或接收窗口應用目前發(fā)展相對成熟的人臉識別系統(tǒng),記錄樣本采集與接收過程的人物、時間、流程及樣本狀況,這將有效減少樣本采集環(huán)節(jié)各類主觀性錯誤及潛在的頂替采樣等問題,在提高檢驗前質量控制能力的同時,也將明顯降低各類投訴及不良事件發(fā)生率[9]。

1.1.2樣本轉運 人工智能在商業(yè)物流方面的應用已取得長足發(fā)展,基于算法對貨物類型、轉運地的篩選及路線規(guī)劃已成為物流運輸行業(yè)的常規(guī)方案。基于類似原理的樣本前處理系統(tǒng)同樣已應用在中大型醫(yī)學檢驗實驗室,但通常僅局限于其配套的檢測流水線使用。近年來,工程師及研究者的注意力開始轉向智能化程度更高、功能更全面的樣本轉運系統(tǒng),即通過機器學習算法,結合視覺識別系統(tǒng)等智能識別樣本與試劑,并根據已設定的邏輯在相應區(qū)域裝卸樣本[10]。樣本轉運是檢驗前質量控制的重要環(huán)節(jié),轉運時間過長、目的地錯誤及轉運過程中樣本的遺失、溢灑、污染均直接影響檢驗結果[11]。而該類智能化樣本轉運系統(tǒng)可在全院范圍內及時將標本送達指定檢驗區(qū);其無菌環(huán)境及穩(wěn)定性最大程度保證了樣本的安全;基于機器學習的智能化系統(tǒng)可減少甚至主動提示并糾正人工分類送檢的差錯,提高了樣本轉運流程的準確性與及時性。

當前部分大型醫(yī)院已基本配備醫(yī)院內樣本轉運系統(tǒng),并實現了部分流程的自動化,如目前主流的智能軌道或氣動管道傳輸系統(tǒng)[12],但仍面臨無法避免人工篩選送檢、轉運時效無保證、轉運過程無法追蹤等問題。近年來更多研究者致力于將醫(yī)院信息系統(tǒng)(HIS系統(tǒng))、實驗室信息系統(tǒng)(LIS系統(tǒng))及樣本轉運系統(tǒng)數據基于人工智能手段整合,實現院內樣本信息互聯互通,在提高轉運效率的同時,保證檢驗申請醫(yī)生、送檢人員及檢驗人員等均可實施查詢所關注樣本的狀態(tài)[9]。

1.2形態(tài)學智能化分析 細胞形態(tài)學分析是檢驗醫(yī)學領域極為重要的部分,血液及骨髓、體液檢驗均需以人工鏡檢作為金標準。然而人工鏡檢的工作量與耗費時長顯然無法滿足當前醫(yī)療規(guī)模的需求。人工智能的圖像識別特性與機器學習的潛力與形態(tài)學分析特點契合,因此形態(tài)學智能化分析是人工智能在檢驗醫(yī)學領域運用最為廣泛的分支之一[13]。

1.2.1血液及骨髓細胞 血液及骨髓細胞形態(tài)學檢查是診斷血液系統(tǒng)相關疾病的關鍵檢驗項目。血液細胞形態(tài)學檢查通常作為血常規(guī)檢查的補充項目。目前主流的全自動血液細胞檢測儀器在血細胞分類計數方面的功能已經相對完善,而在形態(tài)學檢查方面大多僅給予初步提示,形態(tài)學檢查仍然主要依靠鏡檢,檢驗效率低,主觀性強,對檢驗人員的專業(yè)水平要求高[14]。當前常見的血液細胞形態(tài)分析儀器主要依靠數據庫累積,對傳統(tǒng)血細胞計數原理的依賴及數據庫的局限性導致其智能化程度有限[15]。近期研究以實時相位顯微鏡獲取的大量外周血細胞的亮視野圖像及數位圖像作為訓練數據,運用機器學習原理建立基于深度神經網絡的血細胞分析模型,結合數據庫支持,在提供高分辨率的血細胞圖像的同時可進行準確地分類、計數分析,準確率最高達到99.6%,且其拍攝的大量高清細胞影像及對應分析結果對于機器學習過程與檢驗人員的回顧性分析都具有重要價值[16]。值得一提的是,當前階段的血液細胞形態(tài)分析儀對于骨髓細胞形態(tài)學的兼容性有限,而新型智能血液細胞分析儀所依賴的機器學習網絡或將大幅推進骨髓細胞學的智能化分析乃至血液病智能化診斷進程。

1.2.2體液細胞 體液細胞分析主要包括尿液分析、糞便分析、陰道分泌物分析及精液分析等。由于體液細胞的數量相對少,且特征相對明顯,針對體液細胞的智能化分析起步早于血液細胞。當前主流趨勢采用數字圖像分析原理研發(fā)設備,其原理是結合數據庫及數字圖像成像技術,通過提取多種形態(tài)特征參數及人工分類建立分析模型,在檢測過程中首先提取顆粒特征參數,通過神經網絡與數據庫已知數據進行比對,從而實現智能化分析。當前基于該原理的尿液細胞分析儀對尿紅細胞及白細胞的識別率已高于90%,對于上皮細胞的識別率也已提升至80%以上[17]。在精液分析方面,已有多個研究團隊基于不同的算法及框架開發(fā)了可用于分析人體精子形態(tài)及動力的輔助檢測模型[18-19]。最新的研究則結合了數位影像技術與多個在線精子形態(tài)數據庫,利用構建非線性SVM模型將精子形態(tài)學及動力學檢測準確性提高了5%～10%[20]。在糞便細胞分析方面,盡管原理與尿液細胞分析儀接近,但糞便標本涂片背景的復雜性、寄生蟲形態(tài)的相似性不可避免地導致基于該原理的儀器識別細胞難度較高,仍有較大提升空間。近期研究提出的通過數字圖像處理和深度學習的人工神經網絡從標準化處理樣本的顯微圖像中提取糞便標本寄生蟲卵形態(tài)特征的算法,正確分類率已達到93%以上[21]。同樣問題也出現在陰道分泌物分析中,由于陰道分泌物采樣個體差異大,且由于陰道環(huán)境導致部分細胞、細菌、真菌形態(tài)不典型,對于基于機器學習原理的分析方案而言識別細胞難度大。國內學者利用人工神經網絡改進的模糊識別算法對陰道分泌物的白細胞進行識別,并選擇基于紋理特征和幾何特征利用傳統(tǒng)算法識別其中的上皮細胞、桿菌和球菌,這為陰道分泌物智能識別率的提高提供了一定思路[22]。

1.3臨床生化及免疫學智能化分析 臨床生化及免疫學檢驗具有涉及項目相對較多,生成的結構化數據量大的特點,與人工智能的應用領域相契合。利用機器學習算法的特性可以提高大量檢驗數據的歸納效率,并通過以數據挖掘為基礎的主成分分析及神經網絡模型的建立提供結合多個相關項目結果的臨床解釋,協助臨床醫(yī)生解讀數據,提高檢驗結果的參考價值。有學者在利用生化檢驗指標研究肝癌標志物時以肝癌患者的外周血清為樣本,結合主成分分析法、偏最小二乘判別分析和正交偏最小二乘分析及代謝物生物功能富集等方法定位相關指標并進行分析,構建了多項指標聯合的肝癌標志物模型,診斷效能最高達到89%[23]。另有研究報道通過基于機器學習原理對乙型肝炎病毒抗原抗體、肝功能相關指標、代謝相關指標、凝血因子、肝硬化及肝癌標志物等檢驗結果的結合分析建立模型,可對慢性肝炎患者的病情發(fā)展進行長期監(jiān)測,并及時發(fā)現病情變化[24]。

1.4臨床微生物學智能化分析 對細菌、真菌等病原微生物的鑒定是臨床微生物學檢驗的核心任務之一,當前基于圖譜分析技術的基質輔助激光解吸飛行時間質譜(MALDI-TOF MS)已被廣泛應用于該領域,該方法具有較高的靈敏度和特異度,可以對核酸、蛋白質等進行快速分析鑒定,同時也可應用于菌種的分型、耐藥性檢測等方面[25]。MALDI-TOF MS主要通過所測質量圖譜與數據庫中的參考圖譜進行比對從而進行病原微生物的鑒定,因此參考圖譜數據庫的更新維護與圖譜比對的算法研發(fā)尤為關鍵。

基于當前檢測質譜的分辨率,通過機器學習建立算法模型是提高MALDI-TOF MS鑒定能力的理想選擇。有研究報道通過基于MALDI-TOF MS分析結果數據庫訓練反向傳播神經網絡模型,可實現自動化的大腸桿菌快速鑒定,且在結合短期高乳糖培養(yǎng)方法的基礎上可達到97.7%的鑒定準確率,將檢驗效能由72%提升至99%[26]。另有研究將MALDI-TOF MS結果結合機器學習建模實現了對溶血性鏈球菌分型的快速鑒定,在提升鑒定效率的同時保證了86.6%的鑒定準確率,實現了一定程度上的智能化分析,對急危重癥的感染患者及時診療具有重要意義[27]。同時,形態(tài)學分析也是病原微生物檢驗的重點之一,與前述血液、體液細胞智能化分析原理相似,當前應用于臨床實驗室的病原微生物顯微掃描系統(tǒng)同樣通過對熒光涂片數字影像的智能化算法分析進行鑒定。但目前該類設備僅限于篩檢用途,仍需大量的數據庫支持及更為適配的機器學習建模算法以提高識別率與準確率[28]。此外,二代測序(NGS)已開始被應用于病原微生物的鑒定,利用適配的機器學習算法實現對高通量測序結果的批量分析將極大提高病原微生物的鑒定效率,及時為臨床用藥提供參考。但目前研究指出盡管效率較傳統(tǒng)培養(yǎng)大幅提升,并具有98%以上的特異度,高通量測序分析結果對于病原微生物僅有約50%的靈敏度,臨床應用仍具有局限性[29]。

2 人工智能推進檢驗質量的提升

2.1檢驗申請的優(yōu)化 當前臨床醫(yī)生主要以就診者的主訴、既往史及初步診斷作為依據為其開具相關項目的檢驗申請,但由于就診者描述差異、醫(yī)生個體主觀性相對強等原因,極易產生檢驗申請開具不合理的問題,由此可能造成醫(yī)療資源浪費、就診效率低下及患者投訴等問題。有研究指出,可通過機器學習原理結合就診者及醫(yī)生所提供信息及以往相關檢驗檢查結果進行整合分析,對適宜開具項目進行篩選及推薦,由此可保護就診者的經濟利益,提升就診效率,推進精準醫(yī)療及個性化檢驗的實現[30]。同時國外一項研究預測,通過此類機器學習構建的檢驗項目優(yōu)化系統(tǒng),可大幅降低醫(yī)療成本,表明檢驗申請流程的智能化對于醫(yī)療資源利用率的提升、實驗室儀器資源配置與試劑管理的優(yōu)化同樣具有重要意義[31]。

2.2檢驗質量控制的優(yōu)化 現階段檢驗儀器的室內質量控制多依靠檢驗人員的人工操作完成,該過程中對檢驗人員的操作技能及經驗等均有一定要求,且易出現個體操作的差異,可能造成質量控制出現不穩(wěn)定趨勢。當前自動化的質量控制流程及智能化的質量控制結果評價已成為提高實驗室質量控制水平的可行方案之一,即通過在全自動流水線添加智能化質量控制模塊,設置預定時間啟動質量控制程序測定質量控制樣本,并基于機器學習原理判定質量控制結果,提示在控或失控及處理方案,最大程度減少人工介入,實現智能化的質量控制周期性回顧統(tǒng)計分析及標準化的質量控制流程[32]。近年來國內外開始推行基于“移動均值”的實時質量監(jiān)測方案,即通過將實時的患者結果平均值與為特定患者群體建立的控制限值進行比較,從而對實驗室誤差進行實時監(jiān)測,并結合人工智能與機器學習原理進行建模,確定算法與各參數的最優(yōu)值并進行驗證及持續(xù)性優(yōu)化[33]。未來的質量控制流程發(fā)展趨勢應當是借助人工智能同時利用上述兩種思路結合分析,對檢驗質量控制進行及時、有針對性地優(yōu)化。此外,隨著數據共享程度地逐步提高,有國內專家建議可通過整合各實驗室質量控制數據,設置統(tǒng)一標準,利用機器學習對大量來自不同實驗室質量控制數據進行歸納分析,實現智能化的室間質評,推進檢驗質量控制標準化的進程[34]。

2.3結果處理智能化

2.3.1自動審核與智能復查 精準而快速的檢驗報告審核是完成高質量檢驗流程的保證,但人工審核耗時耗力,且存在審核失誤甚至錯發(fā)報告而誤導臨床的風險,檢驗報告自動審核的需求應運而生。檢驗報告自動審核是現階段人工智能在檢驗醫(yī)學領域最具代表性的應用之一,自動審核系統(tǒng)可有效提高檢驗報告審核的準確率與及時率,對于檢驗后階段的標準化、智能化及質量控制具有重要意義[35]。目前發(fā)展較為成熟的自動審核規(guī)則基于布爾邏輯的算法模型,近幾年部分實驗室已經開始在血常規(guī)、尿常規(guī)及部分生化檢驗中初步應用該類系統(tǒng),但其智能化水平仍有進步空間。

建立可靠且高度智能化的自動審核系統(tǒng),首先需要穩(wěn)定的LIS系統(tǒng)、HIS系統(tǒng)及其海量數據的互聯互通,從而利用機器學習將檢驗結果與臨床診療、患者歷史信息相結合進行分析,提升審核系統(tǒng)的智能化水平;同時還需要保證標準化的檢驗流程及高水平的質量控制以減少檢驗結果受到不確定因素影響,提高審核的準確性[36]。近些年來,隨著人工智能算法的不斷演進,有研究通過對函數模型的優(yōu)化對高度復雜和非線性的決策邊界進行模擬,在完全無需人工干預的情況下將自動審核的可靠性進一步提升,并且在必要時可人工介入修改模型,增強適配性[37]。機器學習算法的發(fā)展及自動審核模型的逐漸完善將顯著提高審核的智能化水平,將自動化審核與智能化決策系統(tǒng)融合,增強基于臨床大數據的綜合判斷能力,可實現對檢驗結果的深度挖掘,針對所審核結果進行預警并給予治療參考意見,從而實現具有主動判斷能力的智能化審核[34]。

對于異常結果的判斷與復查同樣是人工智能在檢驗結果處理流程中的應用之一。檢驗過程中難免會出現個別影響檢驗結果的特殊情況,如臨床工作常見的溶血、凝血、脂血等,通過機器學習利用大數據歸納此類影響檢驗結果的數據,并經算法模型處理消除影響因素,可直接獲得修正數據或智能提示解決方案,實現智能化復查步驟[9]。未來進一步利用機器學習,甚至可以通過LIS系統(tǒng)及HIS系統(tǒng)的互聯互通針對性識別、處理部分特殊疾病患者的異常檢驗結果,實現個性化檢驗與診療。

2.3.2檢驗報告智能化解讀與輔助診斷 對檢驗報告的正確解讀對于疾病的診療產生關鍵影響,而人工智能的參與在保證報告解讀正確性的同時,將提高檢驗報告的維度及應用價值。從臨床診療層面而言,人工智能參與報告解讀可進一步提供諸如相關檢驗項目的臨床意義及其潛在影響因素、不確定度與其對相關疾病診斷的特異度、靈敏度等輔助信息,并且結合臨床資料生成針對患者的個體化解讀及相關風險提示、預后趨勢分析,并為臨床醫(yī)生提供參考診斷及治療方案建議[38]。對患者而言,通過智能化的檢驗報告解讀系統(tǒng),實驗室可以為就診者出具附帶有異常結果提示、關鍵結果解釋及歷史趨勢對照的檢驗報告單,以輔助就診者理解報告含義,并為具有長期監(jiān)測指標需求的患者對自身情況的了解提供便利[39]。因此,通過人工智能實現檢驗報告解讀智能化對于提升檢驗報告臨床價值、優(yōu)化患者就診體驗均具有推動作用。

在實現檢驗報告解讀智能化的基礎上發(fā)展基于機器學習的疾病診斷模型,是未來人工智能在檢驗醫(yī)學領域的主要應用趨勢之一。近年來已有大量基于人工智能原理構建疾病診斷模型的研究,如利用患者基本信息、鼻咽拭子抗原檢測及血常規(guī)等檢驗指標組合構建的兒童甲型和乙型流感輔助診斷模型[40]。結合多項檢驗指標及病理學、影像學檢查結果的疾病診斷模型則納入了更全面的參考因素,同時也要求更高的算力與更為復雜的建模算法,當前已有較多該類模型應用在腫瘤、呼吸系統(tǒng)及內分泌系統(tǒng)等常見疾病診斷的報道中,但距離臨床常規(guī)應用尚需一定發(fā)展時間[41-43]。在足夠的數據量及訓練量下,基于機器學習構建的疾病診斷模型適用范圍將不局限于已建模的疾病類型,更具有發(fā)現、診斷罕見病的潛力?；跈C器學習的疾病診斷模型通過檢驗醫(yī)學、病理學、影像學及診斷學的整合進行輔助診斷,將極大提升人工智能在醫(yī)療領域的應用價值,更將大幅度推動精準醫(yī)學的發(fā)展。

3 挑戰(zhàn)及展望

3.1數據處理能力的提高與算法的優(yōu)化 人工智能的基礎是對大數據的處理,而大量的數據往往要求更高的算力保障,即在硬件及軟件層面均需要持續(xù)投入。而在檢驗醫(yī)學領域中不僅數據量巨大,數據類型也相對多樣,除檢驗結果數值外,各類數字化圖像數據、質譜圖譜數據等,目前大多儀器對其識別能力仍較為局限,應用范圍僅限于篩查。為提高儀器的識別能力,除及時擴充數據庫外,更需要設計特定的算法對數字化圖像等類型的數據進行處理,并根據臨床反饋不斷修改、添加相關參數進行機器學習算法的優(yōu)化。同時,疾病診斷模型的構建對于多組學數據分析能力具有更高的要求,如檢驗、影像、病理數據結合互聯網平臺在線專家會診意見的整合分析需要更強大的數據處理能力保障方能實現。

實際上,人工智能在檢驗醫(yī)學乃至醫(yī)學領域的應用的根本挑戰(zhàn)在于人體自身生理、病理環(huán)境的復雜性,基于對人工智能算力的認知限制,能否建立足夠完善的機器學習模型,并且擁有足夠的算力設備,實現通過檢驗及檢查結果等一系列描述性信息真正實現對人體復雜環(huán)境的分析、鑒別及潛在疾病的篩查或診斷,同時保持合理的成本及避免誤判、漏判及過度醫(yī)療等一系列風險,至今為止學界仍然未完全有定論[44]。

3.2數據獲取途徑與數據質量 人工智能在醫(yī)學領域的大多數應用均由機器學習實現,而通過機器學習掌握醫(yī)學復雜性的訓練模型則需要獲取并整合大量不同來源及類型的數據。然而當前階段存在大量數據孤島,即相對獨立的數據集,嚴重阻礙獲取數據的途徑[45]。導致所謂數據孤島的主要原因包括不同醫(yī)療機構間的數據保密政策及所使用的不同版本LIS系統(tǒng)及HIS系統(tǒng)之間的差異,也包括同一醫(yī)療機構內部所使用的LIS系統(tǒng)和HIS系統(tǒng)之間的相互孤立。數據保密政策導致數據獲取效率低、難度大,而種類繁多而互不兼容的系統(tǒng)版本導致了所獲取數據通常伴隨著極為混亂的格式,無法直接用于整合分析及機器學習。數據孤島問題對于人工智能中大數據的訪問與獲取的影響是致命的,因此不同醫(yī)療機構及不同系統(tǒng)之間數據的互聯互通、醫(yī)療數據標準化的推進以及數據保密問題的協商應當是當前亟須解決的問題,也是目前人工智能進一步應用于檢驗醫(yī)學領域所面臨的挑戰(zhàn)之一[3]。

除數據獲取途徑的挑戰(zhàn)外,數據的質量同樣是值得關注的問題。盡管實驗室及檢驗流程的標準化進程正持續(xù)推進,但在獲取多方數據集的過程中,不同實驗室、不同儀器、不同方法學的試劑之間所存在的整體偏差依然不可避免,這類整體偏差的存在加大了機器學習過程的復雜程度,加之患者之間的個體偏差,可能誤導機器學習過程,影響建模準確性[46]。因此對于數據的質量控制過程,即識別并剔除明顯的離群數據,是推進機器學習應用的關鍵點之一。

3.3數據安全與倫理問題 人工智能對于大數據的需求自然伴隨著數據安全問題。LIS系統(tǒng)與HIS系統(tǒng)存在大量包括患者個人信息、相關檢驗指標信息在內的敏感數據。盡管有嚴格的保密政策及措施,但機器學習所需要的互聯互通,在享受到共享數據的便利的同時勢必會影響數據的安全性,而患者的隱私信息及身體指標數據及其被用于機器學習等途徑的患者知情權,則直接關系到倫理問題,不容忽視。為解決這類問題,當務之急是需要建立一套制度作為數據安全性保護規(guī)范,明確相關行為界限及責任歸屬,并對于可能影響數據安全性的風險提出相應的應急預案;同時,為應對數據互聯互通的大趨勢,專業(yè)數據安全管理人員的培訓及檢驗人員數據安全意識的形成同樣至關重要[47]。

3.4人工智能與機器學習將推動檢驗醫(yī)學的高質量發(fā)展 在當前的大數據時代,檢驗醫(yī)學正經歷由自動化向智能化、數字化的轉變。人工智能、機器學習與檢驗醫(yī)學領域新技術的結合將為檢驗醫(yī)學的高質量發(fā)展提供新的可能性。在目前大力發(fā)展精準醫(yī)學的背景下,檢驗醫(yī)學與疾病診療與預后的關系愈發(fā)緊密,在臨床及科研中發(fā)揮越來越關鍵的作用,而大數據與人工智能對于檢驗醫(yī)學精準化的轉變,包括檢驗流程的優(yōu)化與標準化、檢驗效率與水平的提高、診療價值的提升及醫(yī)療資源分配的合理化,都具有無可替代的作用[48]。盡管發(fā)展前景廣闊,但仍需認識到人工智能在檢驗醫(yī)學領域的應用面臨挑戰(zhàn),包括由于算法、算力及數據量限制導致實際應用的相對局限,以及檢驗人員對人工智能相關知識了解與技能掌握的嚴重缺乏等[49]。此外,數據獲取和數據安全等問題也尚待解決。因此,人工智能在檢驗醫(yī)學的廣闊前景不僅僅需要算法的改進、算力的提高以及數據共享難題的解決,更需要檢驗人員對人工智能相關知識及技能的掌握。人工智能的參與對于檢驗醫(yī)學是難得的機遇,正確應對隨之而來的挑戰(zhàn)與困難,促進二者的有機結合,勢必將推動檢驗醫(yī)學的高質量發(fā)展。