作者 | 于帆
单位 | 南方医科大学深圳医院医学检验科
人工智能的概念最初源自计算机科学，旨在模拟人脑智能反应，近年来已扩展至机器人、语言识别、图像识别和专家系统等领域。
机器学习是人工智能的核心研究领域之一，即通过学习现有数据并预测未知数据，赋予计算机智能化学习能力。
当前人工智能正蓬勃发展，逐步渗透到各个领域，其中也包括检验医学。基于人工智能和机器学习的智能化分析，似乎已成为检验医学的新趋势。
形态学分析是检验医学领域极为重要的部分。血液、骨髓及体液检验通常以人工镜检作为金标准。
然而人工镜检的工作量与耗时无法满足当前医疗规模的需求，而基于人工智能的图像识别特性与机器学习的潜力与形态学分析特点契合，因此形态学智能化分析是人工智能在检验医学领域应用最为广泛的分支之一。
主流的血细胞检测仪器在血细胞分类计数方面已相对完善，但在形态学方面大多仍需镜检确认。
目前血细胞形态分析仪器主要依赖数据库累积，但由于于对传统血细胞计数原理的依赖和数据库的局限性，其智能化程度有限。
近期研究[1]利用实时相位显微镜获取的大量外周血细胞图像，结合数位图像作为训练数据，采用机器学习原理构建基于深度神经网络的血细胞分析模型。
这种方法在提供高分辨率血细胞图像的同时，能够准确分类和计数分析，识别能力大幅提升，所获得的高清影像及相应分析结果对于机器学习过程和检验人员的回顾性分析亦具有重要价值。
体液细胞分析包括尿液、粪便、阴道分泌物等。由于体液细胞数量相对较少且特征明显，智能化分析在这方面比血液细胞分析起步更早。
当前主流趋势是利用数字图像分析原理开发设备，结合数据库和数字图像成像技术，提取形态特征参数并建立分析模型。
在检测过程中，首先提取颗粒特征参数，然后利用神经网络与数据库已知数据比对，实现智能化分析。当前部分尿液细胞分析仪已具有较高的尿红细胞和白细胞识别能力[2]，而粪便和阴道分泌物分析由于样本复杂性和相似性，在实际应用中仍有较大的提升空间。
近期有研究利用数字图像处理和深度学习技术提高了粪便寄生虫卵形态特征的识别率达到93%以上，为体液细胞智能化识别提供新思路[3]。
临床生化及免疫学检验具有涉及项目相对较多，生成的结构化数据量大的特点，与人工智能的应用领域相契合。
利用机器学习算法的特性可以提高大量检验数据的归纳效率，并通过以数据挖掘为基础的主成分分析及神经网络模型的建立提供结合多个相关项目结果的临床解释，协助临床医生解读数据，提高检验结果的参考价值。
已有学者基于上述理论，结合乙肝病毒抗原抗体、肝功能、代谢、凝血因子、肝硬化和肝癌标志物等检验结果建立模型，实现了对慢性肝炎患者病情的长期监测，从而及时发现病情变化[4]。
仪器的室内质控是临床生化及免疫学检验的核心之一。现阶段的室内质控主要依赖人工操作，对技能和经验有一定要求，且易因个体差异导致质控不稳定。
自动化质控流程和智能化结果评价是提升实验室质控水平的有效方案之一，即通过在全自动流水线添加智能化质控模块，设置预定时间启动质控程序测定质控样本；
并基于机器学习原理判定质控结果，提示在控或失控及处理方案，最大程度减少人工介入，实现智能化的质控周期性回顾统计分析及标准化的质控流程[5]。
病原微生物的鉴定是临床微生物学检验的核心任务之一。
当前基于图谱分析技术的基质辅助激光解吸飞行时间质谱（MALDI-TOFMS）已被广泛应用于该领域，该方法具有较高的灵敏度和特异度，可以对核酸、蛋白质等进行快速分析鉴定，同时也可应用于菌种的分型、耐药性检测等方面。
MALDI-TOFMS通过比对质量图谱与参考数据库进行病原微生物鉴定，因此参考数据库的更新与图谱比对的算法研发尤为关键。基于当前检测质谱的分辨率，利用机器学习算法建模是提升MALDI-TOFMS鉴定能力的有效途径。
形态学分析也是病原微生物检验的重点之一。
与前述血液、体液细胞智能化分析原理相似，当前应用于临床实验室的病原微生物显微扫描系统同样通过对荧光涂片数字影像的智能化算法分析进行鉴定，但现阶段仅限筛检，仍需大量数据库支持及更适配的建模算法以提高识别能力。
此外，二代测序（NGS）也已成为病原微生物鉴定的重要手段，利用机器学习算法实现对高通量测序结果的批量分析将极大提高病原微生物的鉴定效率，但当前阶段此类应用研究尚处于起步阶段，具有一定局限性[6]。
精准而快速的检验报告审核是完成高质量检验流程的保证，但人工审核耗时耗力，且存在审核失误导致误导临床的风险，自动审核的需求应运而生。
检验报告自动审核是现阶段人工智能在检验医学领域最具代表性的应用之一，可有效提高检验报告的准确率与及时率，对于检验后阶段的标准化、智能化及质量控制具有重要意义。
目前发展较为成熟的自动审核规则基于布尔逻辑的算法模型，近几年部分实验室已经开始在血常规、尿常规及部分生化检验中初步应用，但其智能化水平仍有进步空间。
机器学习算法的发展及自动审核模型的完善将显著提高审核的智能化水平，将自动化审核与智能化决策系统融合，增强基于临床大数据的综合判断能力，可实现对检验结果的深度挖掘，针对所审核结果进行预警并给予治疗意见参考，从而实现具有主动判断能力的智能化审核[7]。
在当前的大数据时代，检验医学正在向智能化、数字化转变。基于人工智能与机器学习的智能化分析已然成为检验医学的新趋势。
然而人工智能在检验医学领域仍面临诸多挑战，如算法、算力及数据量限制导致的应用局限性，以及检验人员相关素养的不足等。此外，数据安全等问题也尚待解决。
因此，人工智能在检验医学的进一步应用不仅需要改进算法、提升算力、解决数据难题，也需要检验人员掌握相关知识与技能。
人工智能正在悄然改变检验医学，正确应对随之而来的挑战，促进两者融合，势必将推动检验医学的高质量发展。
参考文献
（上下滑动查看更多）
说明：本文为原创投稿，不代表检验医学新媒体观点。转载时请注明来源及原创作者姓名和单位。
近期视频推荐
编辑：李玲 审校：陈雪礼
