“检验医学”遇上“人工智能”(3)

郭玮：虽然AI在检验医学领域有着广泛的应用前景，但是医学实践需要对每一个生命负责，因此AI在进入临床应用前，一定要进行完善的质量管理。而这些质量管理问题大致可以分为3个方面。

首先，AI是基于检验大数据的，因此检验大数据的质量直接影响了AI的质量。为了保证检验大数据的质量，需要确保检测结果的真实性和检验大数据的代表性。实现这些目标，需要考虑检测方法差异、试剂换代和试剂批号更换对检测结果的影响，还需要考虑数据库的梳理、更新和不同部门及医院之间数据的共享、互认。

其次，在检验大数据的基础上，AI需要利用算法进行建模，模型的可靠性决定了AI临床应用的可靠性，这要求AI在建模时也需要进行质量管理。因此，需要全面考虑生物学变异等潜在的参数建立AI模型。同时，建立出的模型在应用前应该反复验证，并通过贝叶斯更新、迁移学习等手段在新的应用场景对模型参数进行调整。

最后，AI技术在临床应用中会涉及应用合理性和隐私数据的安全性问题，如何实现有效的监管也是质量管理的一个重要部分。这也要求在AI进入临床前，需要建立明确的使用流程，以及合适的风险规避预案。

刘善荣：AI的良好性能很大程度需要大数据的支持，但人体的复杂性和个性化对AI产品提出了更高的要求。从目前看，AI相关产品进入临床前需要解决以下质量管理问题。

第一个重要问题是数据质量以及标准化。由于AI类医疗器械是以大量的临床数据作为基础数据，对其数据的质量就有一定的要求。目前AI类的产品普遍以辅助诊断为主要目标，如果基础数据出现偏差，对产品提供的结果会造成影响。所以必须要对数据质量进行识别，不能一味追求大数据从而对最终的输出结果产生影响。而不同的医生使用产品时对同一情况的描述可能会不同，而这些数据是否能标准统一化也是影响产品最终输出的一个重要的因素。

数据筛查的准确性及完整性也是个很重要的问题。AI医疗产品需要输入大量的临床数据以及面对形式多样的患者，如何确保输入数据的准确性及完整性是一个大问题。同时，产品对于数据量较少的标本，是否会因数据不足无法推算而导致漏诊，是否会有相应的提示。AI产品会进行自我深度学习，但应用前期数据积累时需要对不同技术、材料和设备产生的数据进行人工标记。要防止因为标记人员的水平不同而导致数据在机器上无法准确表达。

网络风险以及隐私信息保护也必须要考虑。目前AI类产品大多采用云计算以及云平台进行数据管理，患者的信息存储在云端，如何保证这些数据的安全，以及不会被黑客等利用是需要解决的一大问题。

3 陈鸣：AI将检验工作者从日常繁杂的操作中解放出来，如何实现向检验数据管理人员或检验医师的职能转型？

崔巍：每一次科学的进步和工程技术的发展应用于检验医学都会带来检验技术的更新、检验能力的提高、日常工作流程的改变，并促进检验人员知识和观念的更新甚至岗位职能的转型。从上个世纪90年代到今天，检验的自动化使得临床检验人员从繁重的手工操作和半自动方法解脱出来，大大提高了检验常规工作的效率和标本检测能力，使得检验人员能够有更多的时间关注检测系统的质量控制，开发更多的检验项目；计算机网络和LIS的广泛使用，实现了从抄写报告结果到实现检验结果自动接收的转变，报告打印、结果查询，完善、强大的数据管理系统使得检验人员有更多的时间和工具关注检验结果的审核、复检，能够更积极主动地与临床沟通，为临床与患者提供更好的服务。在这个技术发展的过程中，检验从业人员的资质和工作重心也在悄然改变，从过去的中专、大专学历，到今天的本科、硕士、博士；从过去的检验技师，到今天的检验医师；从单纯的保证检验结果质量，到关注检验与临床的结合，传统的医学检验，也发展成为当今的检验医学。AI应用于检验，带来了新的机遇，逐渐实现从检测报告到诊断报告的转变。借助于AI技术，依托检验的海量数据，检验工作者可以不再对一个个独立的检验项目进行解读，而是通过机器学习对多维数据进行整体分析和预测，为临床决策提供更具价值的检验报告，这也促使检验医技师对临床知识的掌握更加深入，甚至参与到临床诊疗工作；与此同时，也要求检验工作者对计算机、AI有更多的了解。

近年来，随着AI在金融领域应用的增加，2020年高盛、摩根大通等顶级投行都减少了传统金融背景人员的录用，大幅增加了工程师职位，招收具有计算机、统计背景的人员。可以肯定，随着AI在检验医学应用中的不断发展，医院和检验科对掌握AI系统开发的计算机软件人员需求也会越来越多。

文章来源：《检验医学与临床》 网址: http://www.jyyxylczz.cn/qikandaodu/2020/0904/430.html