- · 《检验医学与临床》刊物[08/03]
- · 《检验医学与临床》征稿[08/03]
- · 《检验医学与临床》投稿[08/03]
- · 《检验医学与临床》数据[08/03]
- · 《检验医学与临床》栏目[08/03]
“检验医学”遇上“人工智能”(2)
作者:网站采编关键词:
摘要:分析中,AI可以作为传统质控和检验人员的补充,通过分析数据波动,实时进行质量控制;分析细胞形态学图像信息和高通量检测数据,缓解此类对经验要
分析中,AI可以作为传统质控和检验人员的补充,通过分析数据波动,实时进行质量控制;分析细胞形态学图像信息和高通量检测数据,缓解此类对经验要求较高岗位的人员短缺现象。AI还可以用于标本流与仪器使用效能平衡的控制。
分析后,AI则可以审核并发现错误报告;进行报告解读和潜在疾病分析;基于实验室数据建立中国人群或地区性参考区间及数据库。
刘善荣
刘善荣:AI作为引领未来的战略性技术,已经走进了人们的生活,在医学领域中的应用也已经引起了人们的关注,比如在医学影像识别、疾病辅助诊断等。检验科自动化程度高,数据量大,且LIS的普及让这些海量检测数据以电子形式存储。检验大数据为AI在检验医学的发展提供了可能。但目前AI在检验医学领域的应用尚处于起步阶段。
检验分析前阶段涉及环节、人员多,是质量管理最薄弱的环节,约70%的检验差错可溯源至此阶段。门诊智能采血管理系统的开发实现了排队叫号、判断患者检验信息、核实检验项目、血样传输的全程自动化,提高检验效率,有利于化解因排队等引起的医患纠纷。Vasculogic公司研制的采血机器人通过AI算法综合分析手臂的红外和超声信号,定位静脉最佳采血位点,根据血流量自动调整进针深度,可有效解决人工采血耗时费力的问题,也将缓解患者对采血的畏缩情绪。
接受标本后到得出检测结果是检验分析中阶段。这个阶段产生大量数据,AI的应用将会大大加速检验数据的即时高效分析。上世纪80年代,人们就尝试对血涂片、尿沉渣涂片等标本进行自动图像识别,但当时的计算能力不够,细胞数据库规模小,因此识别效果并不理想。近年来卷积神经网络视觉技术发展,遵循数字扫描成像、图像特征提取、多层模型训练的范式开发分析系统可以在血细胞、尿液有形成分、骨髓细胞等多种形态学分析领域进行推广,实现形态学检验的全自动化。有研究人员通过心肌肌钙蛋白I(cTNI)检测结果数据集,建立了多层感知器人工神经网络模型来实现标本稀释的实验室全自动化管理。该模型降低了人力、检测试剂的消耗,避免检验报告发送延迟。这些都提示AI在检验分析中阶段大有可为。
检验分析后阶段遇到的最大困难是标本来源的患者个体状况差异,个性化审核是智能化审核系统的改进目标。有学者在LIS中将AI用于检验结果的审核,用于减少错误发生以及建立标准化报告准则。此模型可根据检验数据进行学习并验证,最后得出较为精确的数学算法,建立智能个性化审核系统。
AI在医学检验中的应用是个趋势,也必将改变医学检验现在的诊断模式。
2 陈鸣:AI的良好性能很大程度需要大数据的支持,面对人体的复杂性和个性化,在进入临床前还有哪些质量管理问题需要解决?
崔巍:大数据就是AI的血液,机器学习、深度学习都离不开大量数据的支持,而目前AI发展最大的挑战就是如何获取数据,针对某一对象如何将不同渠道来源的数据整合。由于疾病的复杂性和患者个体的差异,医学大数据和其他领域大数据相比更为复杂,特别是临床诊断治疗直接影响到患者的生命健康和隐私。
AI和大数据应用于临床,首先要保证网络安全、患者信息、临床数据的安全,传统的网络安全尚需要不断地完善,而区块链技术的推广可大大加强网络数据的安全。其次,要解决数据采集与共享中的伦理和授权问题,哪些数据可以被哪些人员在什么范围内由谁授权使用?如何保护患者和医院诊疗信息不被错误使用?保护患者的隐私是医院的重要职责,因此,不解决伦理和授权问题,每个医院、每个不同来源的数据就只能独立使用,无法分享,从而限制医学大数据的完整性,也就限制了AI在检验医学乃至整个医学领域的应用水平。另外,还必须要解决医学数据的质量和标准化问题。由于不同医院临床实践中所遵循的方案不同,不同医院的数据定义、标准不同,不同检测系统存在系统误差,以及其他诸多因素的影响,使得不同来源数据的质量参差不齐,使用这样的数据训练出来的AI可能会导致错误的结果,或者只能在某一系统内使用,不具有通用性。因此,要建立标准化的指南,推广标准化的编码,加强检验结果的互认性,扩大数据适用范围。
陈瑜:数据智能、机器学习等均需要经数据标注、高质量、多中心的资料支持,经模型及算法训练、测试和参数优化,才能发挥良好的性能。数据的质量是AI的基石,否则是“垃圾”进、“垃圾”出,没有任何应用价值。数据的质量要求如下,(1)数据语义标化:不同来源的数据,其数据格式、内容需进行标准化处理;(2)数据质量标化:不同仪器、试剂、标本等因素影响检验结果,应对数据进行归一化处理,保证不同中心数据的可比性;(3)数据标签标注:数据只有经专家或专用方法进行数据结果的解释(数据标注),否则不知道数据的意义无法进行机器学习;(4)数据完整性检查:疾病诊断需要大量数据的支持,只有提供较完整的数据才做出较正确的结果;(5)数据特征提取:从众多数据源中抽取出机器学习算法不能识别的原始数据并将其转化为算法可以识别的特征的过程。
文章来源:《检验医学与临床》 网址: http://www.jyyxylczz.cn/qikandaodu/2020/0904/430.html