人工智能在检验医学中的应用与发展方向

近年来，人工智能（AI）和机器学习（ML）技术广泛应用于医疗行业，包括体外诊断、检验医学领域。采用AI技术进行医学诊断，在某些方面已经可以获得和专业技术人员相当的水平。然而，关于这些技术在医学检验领域的应用前景和发展方向尚不明确。在本文中，我们首先简要介绍AI及其子领域ML的概况，并对目前ML技术在临床实验室中的应用及实践进行阐述，最后对ML在检验医学中面临的挑战及未来的机遇进行展望。

在过去的十年里，AI和ML技术蓬勃发展，目前采用基于AI技术的系统已经可以实现高度自动化和智能化的任务，甚至部分或完全取代产业技术工人的工作。临床实验室能提供大量的结构化、离散且高保真的数据，这些数据可以很好地满足AI技术的数据分析的需求，基于这一契合点，AI临床决策支持系统（CDSSs）对实验室的数据依赖性极高，所以，检验医学领域在AI技术的应用方面走在了前列。随着AI技术在医学实验室的应用不断改进，无论实验室管理人员还是技术工人，都会从有效的数据管理和智能化发展方面获益。

一、机器学习的基本概述

AI技术起源于1950年Alan Turing提出的让机器产生智能的想法，并让“人工智能”这一概念开始进入人们的视野。广义的AI技术是指具有创造智能的机器，而狭义的AI技术一般是指能够学习特定任务的计算算法，即ML技术，ML也成为了AI的分支学科。本综述的重点是总结归纳利用ML技术进行实验室诊断和实验室管理的应用。ML算法通常分为监督学习、半监督学习和无监督学习。监督学习通常对数据集中的每个样本使用训练标签（即注释），在学习过程中，基于这些标签进行分类和回归计算。通过各类数学方法（如神经网络、支持向量机和回归算法）进行信息模式学习。这些算法普遍采用误差函数来监控和指导数据识别模式的迭代和改进，通过不断优化误差（或损失）函数也是ML技术能不断获得更优秀的诊断能力的基础。在监督ML中，数据集通常由原始数据（输入特征）和标签（训练结果）组成。原始数据包括结构化和非结构化两类，结构化数据可以直观地理解为包含字段和数值的数据集。而诸如数字图像之类的非结构化数据则需要更复杂的编码和规则。训练标签可以采取多种形式，包括连续变量（如校准曲线的浓度）、二分类变量（如良性或恶性）或分类变量（如伪影、良性、癌前病变或恶性）。原始数据和标签可以用于训练ML模型，然后将其应用于自动化实验室过程（图1，表1）。

表1. 常见机器学习术语的定义

表2. 机器学习应用程序如何在检验医学领域使用结构化和非结构化数据的典型案例

注：ANN=人工神经网络；AANN=自联想神经网络；DT=决策树；GLM=广义线性模型；PBC=外周血细胞；PBFC=外周血流式细胞仪；RF=随机森林；WSRF=加权子空间随机森林；XGBT=极端梯度提升树。

注：（A）结构化数据：使用一组带注释的分析物（分析物-A、分析物-B、...、分析物-E）预测二分变量（即“脓毒症”与“非脓毒症”）。结构化数据可以通过机器学习算法进行分析，如红线上方的那些算法，机器学习算法的输出将包括每个可能类别的预测概率，然后可以将最高预测类别与原始输入标签进行比较以评估模型性能。（B）非结构化数据：使用红细胞的70×70×3 [高×宽×3色通道（红/蓝/绿）] 图像预测分类变量（即红细胞形态）。图像是数字的非结构化矩阵，范围通常从0~1或0~255。这些数据可以通过机器学习算法进行分析，如红线下方的那些算法，机器学习算法的输出将包括每个类别的预测概率，总和为1，然后可以将预测最高的类别与原始输入标签进行比较以评估模型性能。

图1. 使用结构化和非结构化输入数据的通用示例的监督机器学习信息图

二、机器学习在检验医学中的应用

1. 临床化学和免疫学：临床化学和免疫学实验室特别适合利用ML，因为它们可以生成大量高度结构化的数据并进行各类计算。通过各种算法将原始数据（如光谱、谱图）转换为离散结果，审核数据进行自动验证，并进行多变量结果的临床判读，如电泳条带、质谱结果的判读及质量控制在临床实验室属于比较枯燥且缺乏技术含量的工作，因此，利用计算工具提高其自动化程度很有应用前景。血清蛋白电泳是主要用于筛查和监测单克隆丙种球蛋白相关疾病，目前有报道使用人工神经网络算法结合自动化凝胶或毛细管电泳图谱判读的方法，虽然在特异性方面尚有待提高，但是将智能算法和内嵌的图像分析系统相结合也会显著提高诊断的效率和一致性。对于质谱分析，ML方法可以通过自动计算将指纹图谱转换为被测物的浓度和质量。部分公司开发的系统智能分析模块支持自动化的峰值定量和质量分析，对工作流程的改进也非常有帮助，如ASCENT（Indigo BioAutomation）使用指数修正高斯模型来估计峰面积，即使在低浓度分析物和中等信噪比的环境中也表现出良好的性能。ML方法也被建议用于光谱数据和一般化学的离散结果进行自动化和更灵敏的质量审核。

在检验后分析过程中，基于ML的决策支持工具在协助病理专家判读复杂的多组分数据方面显示出可观的前景。采用ML技术也可以帮助联合判读有相关性的离散实验室结果，如促甲状腺激素和游离甲状腺素的相关性分析。对于更大的临床实验室数据集（如类固醇和氨基酸图谱），ML技术更是必不可少的分析工具。得益于计算机视觉识别技术的进展，临床化学实验室的数字图像（即非结构化数据）识别领域也从人工经验转向了机器识别,如尿液有形成分分析可以使用高性能图像分类技术来实现分析的自动化。当然，由于这些图像识别工具的可靠性仍需要进一步验证，在目前的实验室工作中，仍需要有经验的专家进行审核和验证。在免疫学检验中，基于ML的图像分析通常与免疫荧光分析相结合，用于抗中性粒细胞胞浆抗体等自身抗体项目的检测与分类。这些精确、快速的计算工具已在众多的新型实验室得到了应用，如将质谱技术应用于手术室的组织样本实时生化分析。采用手持式手术设备收集组织样本(如气相离子组分或液相)，被并通过导管输入到质谱仪，然后实时分析得到质谱图，以实现快速的原位生化分析，通过分析结果判断各种组织类型的良恶性（包括卵巢、甲状腺和肺的恶性肿瘤等）。

2. 血液病理学：2012年，Krizhevsky等成功地将卷积神经网络集成到深度神经网络中，从而显著提高了自动图像分类性能。随后，该方法在计算机视觉领域得到了广泛的应用和发展。图像识别技术在影像学、病理学等学科应用越来越广泛，检验医学也有丰富的图像，特别是在血液病理方面，因此也具有广阔的应用前景。早在20世纪70年代，研究人员和IVD企业就一直努力将数字成像和计算机视觉技术相结合，以实现血液病理学工作的自动化，如Bacus等利用数字成像技术，根据细胞特征建立红细胞形态学分类模型。此后，利用多种ML技术对外周血细胞进行自动分类的研究不断被报道。21世纪初，血细胞的自动识别、分类技术在各大型中心实验室开始应用。最近，基于图像识别的床旁检测设备数量也在不断增加，如Cellavision DM96是一款FDA批准的ML支持图像分析系统，其使用基于静态（即锁定权重）人工神经网络的方法对白细胞和红细胞进行预表征，并用于自动分类计数和形态分析。当然，系统仍需要通过实验室技术人员对每个细胞的推荐分类进行验证或修改，从而确保分析结果的等效性。尽管目前系统识别的结果仍需要专家审核，但大量研究结果表明，采用图像识别系统具有很高的分类准确率，并与手动分类计数具有良好的相关性。HemoScreenTM（PixCell Medical）和SightOLO®（Sight Diagnostics）两款即时诊断系统就取消了人工审核的步骤，实现了机器的自动判断和报告发送。

采用图像识别技术诊断疟原虫感染也很有应用前景，Poostchi的综述对这个领域的进展进行了全面的分析和阐述。从技术层面而言，尚有不少的难点需要进行突破，如进行多平面聚焦、处理噪音干扰物（如寄生虫包涵体），以及在细胞重叠的环境中，以高放大倍数从数字显微图像中锁定关注的目标。最近的研究报告中学者们试图采用深度学习方法解决上述问题，但总体性能仍不理想，在未来的实际应用中仍需进行技术改进。除了数字图像分析之外，血液病理学中还涉及基于ML实验室支持的其他领域，如流式细胞检测领域同样值得关注。Zhang等采用决策树和回归模型来识别外周血流式细胞检测标本，其灵敏度为100%，特异度为54%（ROC曲线下面积=0.919）。Gaidano等报道采用决策树模型对B细胞非霍奇金淋巴瘤进行分类，总体准确率为92.68%。流式细胞检测数据多采用无监督聚类和降维技术，通过与ML分类器相结合，共同用于辅助诊断判读。

3. 临床微生物学：微生物室历来是临床实验室中手工操作最多，也是高度依赖形态学诊断的部门。微生物检测从业人员希望能采用自动化工作流程来提高效率，同时缓解临床微生物学技术人员短缺的问题，而ML技术的引入是一个很有价值的突破点。微生物检验全实验室自动化系统通常由三个部分组成：接种单元、培养单元和高分辨率成像单元。数字平板成像技术通过建立细菌生长记录、采用远程读板及各种照明条件下增强目视检查等方面实现了细菌培养的判读。细菌培养的后端自动化（如Kiestra或WaspLAB对培养皿进行数字成像）系统可实现大型数字图像文件存储及计算。除了对传统培养基的自动判读，细菌培养结果和细菌形态的判读也是下一步研发的目标。最近获得FDA批准的Accelerate Pheno®（Accelerated Diagnostics）设备，可以在不同抗菌药物浓度下，使用细菌单细胞生长的数字暗视野显微镜图像来确定最小抑菌浓度（MIC）和鉴定药敏，该设备采用结合多元对数回归和计算机视觉的分层系统。Accelerate Pheno®系统甚至可以直接采用阳性血培养瓶进行快速表型MIC测定。

显微镜检查是微生物学检查的基础，在传统的临床微生物学中，需要通过显微镜对细菌、真菌、抗酸杆菌、虫卵和寄生虫等进行观察确认。ML技术结合临床微生物学中的图像分析具有天然优势。在临床实践中，ML技术的应用也比较广泛，如革兰染色Nugent评分诊断细菌性阴道炎，血液培养阳性细菌分类，痰中分枝杆菌、虫卵及粪便标本中寄生虫的检测与分类、血液寄生虫的检测与定量。分类算法可以根据临床实际需要进行调整，如少见菌种的鉴定（如抗酸杆菌检测）、培养皿无菌生长的判断侧重于采用高灵敏度的鉴别算法。Mathison等发表了一项基于卷积神经网络软件的临床验证，用于检测、分类粪便样本数字图像中发现的肠道原虫，该报道方法与人工显微镜检查结果高度一致。Smith等报道了采用卷积神经网络判断血培养革兰染色的应用，对成簇、链状的革兰阳性球菌及革兰阴性杆菌的敏感性超过90%。这些报道表明，基于ML技术可以实现高水平的鉴别和诊断，辅助专家审核可以提高微生物鉴定的准确性。

4. 分子生物学：近年来，高通量和多重核酸检测技术的发展使分子检测领域得到了极大地推广和应用，而这些方法的实现也得益于ML技术的进步。例如NGS技术对成千上万条核酸序列进行大规模平行测序，并产生大量的数据，因此需要强大的大数据管理软件进行数据处理，仅靠人工无法解读。如前所述，ML技术非常适合协助分析大型、结构良好的数据集，在过去的十年中，涉及基因组学和ML的研究文献堪称浩如烟海。NGS分析生成高维、结构化的数据集，可以提供有效的诊断和预后判断，考虑到这些数据集的规模和复杂性，分析NGS数据集是一项费时费力的工作，因此，许多分析产品使用ML简化NGS数据分析流程的各个方面。与ML应用的其他场景一样，该技术可提高人工判读的效率或提供新的诊断能力。ML技术在解读临床意义不明的基因突变时具有特别的优势。ML技术还被用于从广泛的基因组分析中产生更复杂的临床意义解读结果（如生成复杂性疾病的多基因风险评分），这些结果现在可以通过临床医嘱和患者途径获取。

虽然分子诊断主要检测核酸序列，但类似的方法可以应用于其他类型的生物变异，以组学为导向的检测包括表观基因组学、转录组学、蛋白质组学、代谢组学和微生物组学。这些检测通常在处理或分析生成的原始数据时包含一个ML组件。然而，作为一个新的临床诊断领域，结合多组学数据和整合高保真表型数据的能力代表了分子诊断具有挑战的数据驱动方向。许多研究的目的是使用一种或多种检测方法识别临床有用的生物标志物。随着这些检测成本迅速下降，我们从复杂数据中识别有意义信息的能力正在不断提高。虽然多组学诊断检测策略超出了本文讨论的范围，但它们共同代表了ML和检验医学快速发展的下一个前沿领域。

5. 检验过程质量管理：临床实验室的质量管理用于评估实验室的整个检测过程。分析前阶段引入的误差被认为是实验室误差最主要的部分，但由于相关流程往往在实验室之外进行，因此很难控制。为此，最近有几篇文章研究了ML技术在识别分析前误差方面的应用。有代表性的案例包括使用光学字符识别贴错标签的样本，以及用逻辑回归和支持向量机识别“静脉输液导致血糖假性升高”误差。两种方法都展示了如何将ML用于分析前质量保证。虽然此类方法尚未广泛采用，但它们代表了可与商用实验室信息系统或中间件集成的潜在增值组件。在分析中阶段，基于质控品的室内质控是评价分析方法稳定性的金标准。移动均值质控是基于质控品的室内质量控制的替代方法，将连续患者结果的平均值与为特定患者群体建立的控制限进行比较。这种方法可以识别同一分析批内部的失控，然而，选择移动均值的参数来最大化灵敏度和最小化误报是具有挑战性的。为此，Ng等报道了一种基于ML的方法，使用模型检测患者结果中的系统误差以优化移动均值（例如，控制和截断限），并能够在工作场景中使用这些数值。同样，作为分析阶段质量保证的一部分，结果验证过程旨在结果发布之前识别检测误差，这通常使用基于规则的系统（即非自适应AI）来接受或拒绝结果。Demirci等最近报道了一种自适应、基于ML的方法，使用人工神经网络来开发自动验证的模型，与7位检验医学专家的结果验证决定相比，该模型的灵敏度为91%，特异性为100%。

在分析和分析后之间，异常结果标记仍然是实验室服务的一个关键方面，也是临床决策的主要驱动力。确定具有临床意义的参考区间具有挑战性，特别是社区检测队列的亚群（如，特定性别或年龄的参考区间）和缺乏标准化的检测。目前已报道了几种方法利用实践中的临床数据来验证或调整参考区间。例如Poole等报道了一种无监督的ML方法，用于识别与极端数值相关的临床诊断，将具有这些极值的患者从参考区间中排除，这是典型的后验方法。这些方法在确保所使用的参考区间适合当地患者群体方面显示出巨大的潜力。随着实验室信息系统功能的不断扩展，这些案例展示了利用常规临床实践中生成的数据，通过使用ML方法来改善临床实践的潜力。在实验室实践中ML应用的最后一个例子是资源管理，包括血库和输血，其中预测分析可以指导血液制品的预期使用。

三、目前存在的主要问题

虽然ML在检验医学中的应用潜力巨大，但迄今为止进展甚微。这是由多种因素共同造成的，包括疾病的复杂性、自动化风险、数据和工具的访问受限及数据质量不足等因素。

1. 疾病的复杂性：一个根本的挑战是：医学是一门十分复杂的科学。临床实验室提供的信息毕竟是有限的，而疾病的发病机制以及病理生理学特点却极为复杂，同种疾病不同患者之间存在相当大的异质性。是否可以构建足够复杂的ML模型，以针对复杂问题实现所需的临床性能，如筛查无症状患者，仍然是一个悬而未决的问题。额外的检测成本更高，还可能出现假阳性结果和过度医疗的风险。因此，在考虑是否为特定临床案例实施ML时，我们需要了解完整的实施环境并评估ML方法，就像进行任何其他临床实践或实验室检测一样，进行分析验证、验证或确定临床有效性。

2. 实践中实施ML的风险：决定在临床实践中实施新流程需要对风险和收益进行全面评估。采用任何创新技术都存在相当大的不确定性和潜在风险，包括用于临床诊疗的ML。由于某些ML方法的新颖性，用于开发、评估和监控ML工具的指南和法规正在积极制定中。缺乏最佳实践导致ML在临床实践中的应用尚欠成熟，并限制了其付诸实施的速度。降低实施ML风险的一种方法是让模型向实验室人员或供应商提出建议，而不是自动决定采取什么临床行为。朝着这个方向迈出的一步是尽可能使用可判读的ML模型，降低风险同时实现更多自动化。可判读性是一个定义不一的概念。正如FDA的临床决策支持指南草案（2019年9月）中所述的，一种表述是最终用户是否可以“独立审查 [模型] 建议的基础”。这个概念的一个例子是，对于成像模型，验证模型、验证单个结果和监测模型的性能更容易，可以突出与模型预测相关的特定场景，如怀疑有寄生虫的红细胞（图2）。这样的模型不能完全判读，因为我们无法理解模型思维，但它比完全黑盒模型更容易判读。理想情况下，如果模型的用户能够准确地理解为什么ML模型将细胞或患者定为阳性或阴性，他们就可以对模型产生信任，并在适当的时候对模型的预测进行推测。

图2. 使用集成梯度（IG）的可解释AI的视觉示例

原始外周血涂片在DI-60集成载玻片处理系统（Cellavision AB）上进行成像，使用100×物镜和0.5×放大镜，有效放大倍数为50×。图像为70×70（高×宽），3通道RGB，分辨率为5像素每微米。最上面一行表示正常细胞，被ML模型归类为正常（即真阴性），底部一行表示带有巴贝斯虫包涵体的红细胞，根据ML模型被归类为寄生虫（即真阳性）。IG方法突出显示每张图像中似乎对模型预测影响最大的像素，然后使用强度标度（如对类别预测的影响 更大=更亮）对突出显示的像素进行伪着色，然后覆盖在原始图像上（最右边的列）。

3. 数据和工具访问受限：训练模型掌握复杂的医学规律需要大量数据，而这些数据通常从临床实践中获得。但是直接使用临床数据存在一定风险，一是出于对患者隐私的担忧，另外对患者数据获取权限的分配也存在矛盾。使用患者数据进行研究需要知情同意或同意豁免，因为有重新识别和未经授权访问敏感数据的风险。虽然使用这些数据进行医学实践的长期利益是巨大的，但对个人权利的保护一直也是关注的焦点。对于患者知情同意权的尊重使患者能够决定是否分享他们的数据。患者数据的实用价值也限制了这些数据在医疗机构间的互通使用。然而，随着医疗机构和患者群体在联合研究网络中提供数据、促进健康信息交流、发布用于概念验证研究的鉴定数据集以及与可信赖的企业共享数据，这种情况正在改变。此外，在临床实践中，EHR应用程序已开始实现不同医疗机构之间的数据共享。

数据访问和汇总的一个相关挑战是有限的互操作性，这是指在设备和软件应用程序之间传输数据的过程和实践的不一致。对如何在不同的仪器和实验室信息系统等设备之间传输实验室数据建立规范，需要付出巨大的努力来对每个接口进行编程，并且在仪器和EHR之间可能会丢失大量信息。因此，跨系统汇总数据需要付出巨大的努力，每个汇总工作都投入大量时间来制定和映射到具有标准词汇表的通用数据模型。随着新的、不断完善的法规的出台，实验室数据的互操作性有可能得到改善。由IVD行业连接联盟和整合医疗企业发布为实验室分析工作流程，进一步编入了临床和实验室标准协会AUTO16。这些规范说明了如何传递有关实验室检测结果的关键信息，如精确地标记检测结果的操作仪器、方法的唯一设备标识符。这些成果带来了显著简化实验室数据交换的潜力，但迄今为止很少被采用，如果实验室人员更多地参与和倡导互操作性，可以促进这些新标准的实施。

四、未来的方向与机遇

如前几节所述，关于ML在临床实践中的最佳实践和监管框架存在许多未解决的问题。对ML的研究一再证明，该技术容易出现过拟合等多种误差。这可能会限制模型对未来数据泛化及导致与以前的性能出现明显意外偏差。这些类型的误差类似于我们检验医学中观察到的随机和系统误差。虽然误差产生机制不同，但可以从完善的临床实验室质量管理体系中学到很多东西来确保质量，质量控制和质量保证的实验室实践与实际工作场景中ML模型部署后的适当监测密切相关。虽然尚未要求进行此类监测，但FDA和其他监管机构对这些问题的指导草案表明，该领域的法规即将出台。但是，这些条款的责任划分仍有待明确，此外，由于数据或现有医疗服务体系的偏差，ML驱动的方法可能会保持或加剧医疗差距，最佳实践和监管框架应考虑如何评估和减轻这些影响。

除了以技术为导向的未来之外，AI技术与实验室和临床医生的社会化是专业组织和研究人员积极讨论的一个话题。最近对实验室专业人员的一项调查显示，四分之一的受访者担心AI实施可能会导致失业和质量问题，此外，72%的受访者不确定或表示在日常活动中从未接触过AI应用程序。这些结果可能提示，随着实验室中AI应用场景持续增加，有必要在实验室人员中推广技术意识、ML素养以及AI的范围和目的的教育。从历史上看，计算机科学和AI发展的速度远快于临床医学。虽然在新开发的AI技术出现时就采用它们有明显的好处，但仍然需要解决这两个领域的差异，并强调需要基于证据的AI/ML模型。由于实验室内外正在应用的许多模型都依赖于实验室生成的数据，因此实验室人员具有成为这些技术管理者的资格，这为该行业提供了潜在的发展机会。

最后，商业化的人工智能在检验医学中的还有其他应用机会，尤其是在医保支付模式不断变化的情况下，其关乎临床实验室如何向医疗机构展示价值。虽然实验室历来以服务收费，但价值驱动的医疗保健计划有望改变实验室资源的利用和管理，最近，引入实验室2.0的概念，鼓励实验室实践原则的应用和实验室数据的分析，以优化实验室领域以外的传统临床诊疗实践。虽然协助实验室管理的商业智能平台的例子有限，但这是一个潜力巨大的领域，我们可能很快就会看到它的发展。

AI和ML已经并将继续显著改变实验室数据分析和驱动临床治疗决策的方式。更复杂ML方法的持续发展，加上新兴的实验室检测技术，会进一步提高临床效率和改善患者预后。至关重要的是，这些方法必须严格设计、评估和监测，以确保质量、实施有效性和最大限度地减少危害，实验室人员在检验医学的发展和管理中扮演着重要的角色，使我们能够充分发挥数据驱动医疗的潜力。

本文编译自《Clinical Chemistry》2021，67: 111-17.