人工智能對我國檢驗醫學的機遇與挑戰

張桐碩，逄璦博,任鶴菲,魏茂提,李艷秋△

(1.武警特色醫學中心檢驗科，天津 300162；2.武警北京總隊執勤第十一支隊衛生隊,北京 100000；3.武警后勤學院部隊流行病學教研室，天津 300309)

作為一門利用計算機程序模擬人類學習行為以改善自身性能的學科[1]，人工智能(AI)借助互聯網、大數據、云計算等新興技術的支撐，在近年來取得了突破性的進步。2017年7月國務院印發的《新一代人工智能發展規劃》正式將AI上升到國家戰略的高度，其中針對醫療方向提出了“推廣應用人工智能治療新模式新手段，建立快速精準的智能醫療體系”的任務部署[2]。如今，AI在醫療領域的研究成果頻出，國內外高科技企業相繼布局智能醫療行業[3]。AI已經逐步融入醫療健康領域，出現了醫學影像智能判讀、病歷理解與檢索、手術機器人、可穿戴生理監測、新藥研發、健康管理等諸多應用場景[4]。

現今的檢驗科無論從技術含量還是儀器設備的多元密集性都是其他科室所無法比擬，體現了檢驗醫學對待新技術更為敏銳，為AI預備了廣闊的技術轉化平臺。另一方面，臨床對檢驗結果日益高標準的質量要求、個體化結果的分析和咨詢及龐雜數據的處理壓力都迫切需要AI為檢驗醫學注入新的活力。然而，AI參與檢驗數據的生成和輔助診斷在國內檢驗醫學領域尚處于起步階段。文獻計量結果顯示，我國在AI醫學裝備技術領域的研究與報道聚焦在醫學影像學、臨床病理學、放射治療等方面，而檢驗醫學對AI技術開發相對薄弱[5]。本文立足于AI在醫學應用中的最新進展，總結出AI與檢驗醫學在各個層面的結合途徑，并剖析目前的制約因素，為檢驗工作者在AI浪潮中進行前瞻性準備、提升核心競爭力提出一些建設性意見。

1 AI對整個檢驗流程的覆蓋

1.1檢驗前階段的標本采集與傳送 檢驗分析前(包括標本的采集、儲存與運送)的人員涉及面廣、潛在因素多，是質量管理最薄弱的環節，60%～70%的檢驗差錯來源于此。醫療機器人是AI控制技術應用在醫療器械上的典型代表，除了為人熟知的達芬奇手術機器人，醫療機器人的種類已涵蓋了導診、運送、護理輔助等醫療保健流程。血液檢驗是臨床檢驗中最重要的內容，然而人工采血耗時費力，不僅患者排隊等待就醫體驗不佳，而且項目識別和人工貼條碼過程易出差錯。美國初創公司VascuLogic研制的采血機器人通過AI算法綜合分析手臂的紅外和超聲信號，定位靜脈最佳采血位點，根據血流量自動調整進針深度，相比護士采血更加安全高效，也將大大緩解患者對采血的畏縮情緒。再如我國少數幾家醫院率先開展的門診智能采血管理系統[6-7]，實現了排隊叫號、判斷患者檢驗信息、核實檢驗項目、血樣傳輸的全程自動化，極大提高了檢驗效率，同時化解了困擾已久的醫患糾紛，發揮了良好的示范效應。

1.2檢驗中階段的深度學習助力形態學判別 以卷積神經網絡為標志的深度學習是驅動此輪AI爆發的核心，它突破了非結構性數據分析的瓶頸，尤為擅長分析圖像信息。基于圖像識別的AI對皮膚癌[8]、乳腺癌[9]和先天性白內障[10]等疾病的鑒定水準已經達到甚至超過專業醫生，此類研究成果2016年以來陸續發表在Nature、JAMA等重磅醫學期刊。2018年初，美國食品藥品監督管理局(FDA)批準了全球首個深度學習影像臨床應用平臺Arterys Cardio DL。騰訊推出的AI醫學產品“騰訊覓影”包含早期食管癌、肺結節、乳腺癌、糖尿病視網膜病變等多病種的影像篩查，并落地國內100余家三甲醫院。谷歌旗下的Deepmind開始將更精確全面的3D圖像技術應用于深度學習。AI在影像學領域的科研和商業化走在了前列，為形態學檢驗提供了可借鑒的經驗。從上世紀80年代就有學者開始對血細胞、尿液有形成分等樣本的圖像識別進行嘗試，但受制于算法結構和細胞數據庫的規模，效果并不令人滿意，如今的主流仍是利用流式細胞技術轉換成的光電信號間接識別，再通過人工鏡檢確認。以深度學習催生的新一代計算機視覺技術為依托，無論是血細胞、骨髓細胞、精子，還是尿液和糞便顆粒，乃至細菌形態和染色體，都有望遵循著數字掃描成像、圖像特征提取、多層模型訓練的范式開發分析系統并在形態學檢驗領域推廣[11]，攻克檢驗項目全自動化的最后難關。

1.3檢驗后階段的個性化報告審核 檢驗報告是檢驗后階段的重要質量指標，審核和報告檢驗結果不僅要求及時、準確，并盡量實現不同審核者間的標準化。審核檢驗結果的難點在于標本取自的患者狀況千差萬別，不能機械地依據指標的參考區間判斷異常值，患者指標相對于其個體基礎水平的動態變化有時才是重要的。這要求檢驗工作者密切結合臨床信息加以綜合評估，必要時查詢病歷或電話追問患者的主治醫生，是對其工作經驗和責任心的極大考驗?；诨颊咦陨砬闆r建立個體檢驗指標的參考區間，實現個性化審核是智能化審核系統的改進目標。例如判斷心肌肌鈣蛋白I(cTNI)檢測結果的可靠程度時，系統將自行調取心臟病發病史或手術史以及cTNI 的歷史結果等一系列臨床診療進程的指標輸入審核模型，若不能通過審核，會自動制定復檢方案并切換至人工確認。而個性化AI審核的前提是LIS和HIS系統對接保證數據共享。

2 基于檢驗數據的AI輔助診斷

2018年4月國務院發布了《關于促進“互聯網+醫療健康”發展的意見》，其中包括推進“互聯網+人工智能”應用服務，研發基于AI的臨床診療決策支持系統。在發達國家，70%～80%的醫療決策依賴于實驗室檢查結果[12]。通過AI挖掘檢驗指標與疾病之間隱含的聯系或規則，無疑能為臨床提供更有價值的診斷意見，充分體現檢驗醫學意義。早期的計算機輔助診斷由手動編制的大量邏輯規則組成知識庫，采用符號推理的方式，無法在臨床實踐中自我校正、彌補知識缺陷，因而臨床應用非常局限[13]。如今AI為輔助診斷開辟了新的途徑，其憑借強大的自學能力靈活調整參數、持續優化系統性能，實現了對臨床診病思維和推理判斷過程的模擬。我國的AI輔助診斷還停留在對國外的仿效階段，從基于單類型檢查數據的輔助診斷，到利用電子病歷、檢驗、影像等多類型數據源的綜合輔助診斷，再到集診斷、治療、預防、風險預測等功能為一體的醫療專家系統，將是AI作為醫療輔助工具的升級方向。

2.1區塊鏈為診斷模型提供數據保障 隨著深度學習算法日趨成熟，人類進入了AI的實踐時代，大量且優質的模型訓練數據成為了提升AI診斷效果的決定因素。最具代表性的是IBM公司的AI機器人“沃森醫生”，它吸納了150萬份病歷和診斷圖像、200萬頁醫學專著或文獻資料來構建腫瘤識別模型，因其優異的性能被譽為“最好的癌癥專家”[14]。中國在醫療數據方面具有先天優勢，令人遺憾的是，國內醫院缺乏數據互通規范，醫療數據被分割在不同的部門里，難以發揮規模效益[3]。檢驗科是醫療單位中最具大數據特征的科室之一，但在檢驗數據的收集過程中，會不可避免地涉及到國民健康信息等國家基礎安全數據和患者隱私等不適宜公開的信息，必須采取必要措施規避相關法律和倫理風險。恰好崛起中的區塊鏈實現了點到點以及信息流向的精準識別，有望成為醫療大數據的傳遞平臺[15]。檢驗科的某項檢測結果一旦生成就可加密寫入區塊鏈，既能通過時間戳溯源患者和樣本以確保數據準確，又禁止被無權限的人員查看，更杜絕了黑客的攻擊篡改。在患者的授權下，這些檢驗數據以一種安全共享的方式在醫療體系內流轉，節約了數據獲取的成本，也增加了患者對院方的信任。未來或以區塊鏈建立一套醫療產業的信用系統，為AI輔助診斷鋪平道路。

2.2數據挖掘對傳統指標的二次開發 相比那些備受矚目但缺乏臨床實用性的新型標志物，大量常規檢驗指標的診斷價值可能被無意忽略了，在智能醫療時代迫切需要被重新認識和開發。數據挖掘在AI領域被視為機器學習和數據庫的交叉，能從海量的醫療數據中提取潛在的信息和模式。對檢驗結果和病情診斷數據的深度挖掘，可以將傳統檢驗指標的用途推陳出新。一方面，通過數據挖掘探索、優化多指標聯合診斷方案，使現有的檢驗指標高度協同、融合，最大限度地提升診斷效能。如筆者近期完成的一項關于卵巢癌智能化輔助診斷的研究，利用電子病歷挖掘系統收集了腫瘤標志物、血常規、性激素類等共計28項血液學指標，然后經主成分分析提取這些指標的核心特征，最后得出的診斷效能明顯優于單項檢測CA125[16]。另一方面，通過數據挖掘對紛繁的檢查項目進行篩選，精簡項目組合，節約醫療資源并減輕患者經濟負擔。如LIPPI等[17]在對近4 000例門診樣本的回顧分析中發現紅細胞體積分布寬度(RDW)和超敏C反應蛋白(hs-CRP)、紅細胞沉降率(ESR)兩項炎癥指標呈明顯正相關，由此建議在心血管疾病風險預測模型中選用更為方便廉價的RDW替代hs-CRP和ESR。運用數據挖掘技術開發兼顧簡約與疾病覆蓋面的檢驗項目組合將愈發普遍，同時也給予檢驗工作者更多調用手邊的數據資源開展科研的機會。

2.3機器學習解讀分子診斷 在我國政府大力推動精準醫療計劃的背景下，并獲益于生物芯片和基因測序技術的進步，檢驗醫學突破了過去以血、尿、便三大常規為主的工作范圍，拓展到當代醫學的前沿領域——分子診斷[18]。種類繁多的基因組、蛋白質組、代謝組、宏基因組檢測數據是實現精準醫療的必要前提，但高通量組學數據的呈現形式不同于傳統檢驗數據，全新的解讀分析思路給檢驗行業帶來了挑戰。機器學習是AI研究的基礎內容，下分為諸多具體模型，主要思想是利用已知數據捕獲未知的概率分布特征。機器學習算法遠比常規回歸模型適合處理非線性關系，而且機器學習的魯棒性強，足以應對分子檢測伴發的數據噪音干擾。機器學習構建起的復雜精密的多參數診斷模型已廣泛應用于液體活檢、產前篩查等領域。BEST等[19]采用支持向量機評估了血小板RNA測序對泛癌癥類型的區分度。CAPPER等[20]自主設計機器學習程序分析DNA甲基化指紋來鑒定中樞神經系統腫瘤。REN等[21]構建了基于腸道微生物診斷早期肝癌的隨機森林分類器，并在跨地域人群中得到驗證。

3 AI與檢驗行業服務模式的雙向促進

承受著民眾醫療剛需對檢驗與診斷資源的巨大壓力，以綜合性醫院檢驗科為主體的檢驗服務體系正逐步向兩翼分擔，第三方實驗室和家用即時檢驗(POCT)將承接更多的檢驗業務。第三方實驗室或區域檢驗中心的高效、完備、集中，與POCT的快捷、便攜、分散的特點相配合，可以滿足不同層次人群的需求。AI可以把技師的誤差排查和專家的診斷經驗固化下來，彌補以上檢驗服務場景中醫療專業人員的缺位，以AI賦能的方式快速拉動第三方實驗室和POCT的服務質量，幫助優質的檢驗診斷資源下沉到基層，推進分級診療的落實；第三方實驗室和POCT源源不斷產生的數據又能反哺AI系統性能的升級迭代，并為AI在檢驗醫學產業生態中的布局開辟廣闊空間，由此可形成AI適用性與檢驗行業服務水平的良性循環式發展。

3.1AI與第三方實驗室 第三方獨立醫學實驗室起源于美國，在歐美和日本等發達國家，第三方實驗室已經占據臨床檢驗市場的1/3以上。而我國的第三方醫學檢驗興起較晚，市場份額只有3%。我國2017年4月頒發了《國務院辦公廳關于推進醫療聯合體建設和發展的指導意見》，醫聯體成為現今醫療改革的主題，第三方實驗室作為醫聯體的重要組成部分，在政策的鼓勵下開始在各地建設起來。屆時，第三方實驗室負責區域內的各家社區衛生機構和中小型醫院會將采集完的標本通過冷鏈物流體系統一運送，伴隨著檢測工作量的激增，第三方實驗室迫切需要提升檢測的自動化水平以及結果自動解讀能力。AI醫療流程控制與診斷系統在第三方實驗室配置后，不僅能保證傳回各個衛生機構的檢驗結果的規范化和標準化，還能附加初步診斷的增值服務，將一些重點疾病的篩查和預警工作提前完成，節省醫生的反應時間。

3.2AI與POCT POCT是在采樣現場或患者旁邊，利用便攜式分析儀器及配套試劑快速取得檢測結果的一類檢驗方式，省去標本在實驗室的復雜處理過程，其產品趨于家用化與可穿戴化，在疾病預防、慢病管理等方面的應用市場巨大。AI和POCT類檢測設備的結合日益緊密，融入了更多智能化、信息化元素的智慧POCT(iPOCT)設備嶄露頭角。iPOCT內植入的AI軟件通過訪問基于云端大數據的質量管理服務系統，真正實現遠程監護和質量控制；在檢測完成后，又能與病史信息、體征指標迅速整合，在經大樣本反復訓練后的AI模型中進行自動分析，提供更全面的診療建議。iPOCT與移動云平臺、個人用戶APP終端以及醫院的LIS與HIS系統相互連接，可達成區域醫療機構之間結果互認，便于醫生追蹤用戶的健康狀況，完成院外隨訪數據的采集，iPOCT將成為連接家庭、檢驗醫師、社區衛生醫生的樞紐。以糖尿病管理為例，無創型連續血糖監測儀是POCT領域的一大亮點，它通過感應器監測皮下組織間液的葡萄糖濃度而間接反映血糖水平[22]。在未來，可利用AI引擎分析用戶的血糖、用藥等數據后，將血糖控制的實時指導意見快速傳到用戶的手機、手表等移動接收設備。在此基礎上還能加裝AI精準調控的胰島素輸送泵，打造“仿生胰腺”。

4 人-機結合時代檢驗人的焦慮與轉型

人類曾經獨有的能力范疇不斷被AI侵入，AI對各行業的沖擊導致的從業者焦慮普遍存在[23]，檢驗行業更是這種恐慌情緒的“重災區”。檢驗醫學的智能化變革已勢不可擋，抗拒和逃避都只會讓研究者錯失這一輪技術紅利。AI的優越性很大程度上依托于底層的復雜數學原理和高性能計算技術，但對于檢驗醫學人員較為生疏，導致其難以清晰理解AI的倫理邊界并自覺培養出機器智能的協同方式，檢驗工作者應適當學習計算思維與計算機方法論[24]，補齊認知上的短板。醫務人員跟AI并非零和博弈關系，而是將在合作的基礎上共同演進。目前來看，AI時代的檢驗行業將至少新出現以下兩類人才缺口。

4.1檢驗數據標注技術員 AI尚處于弱智能階段，不同于強智能通過主動向外界獲取信息來抽象出合適的處理邏輯，弱智能不具備獨立發展的能力，只能被動接受信息的灌輸，處理邏輯的修正依賴數據庫的持續更新[25]。其次，AI的深度學習算法是一個“黑箱”系統，其內部的數據處理過程無法被監督，輸入的數據中加入小小的改變就很容易誤導深度學習，獲取可靠性高的標注數據成為維護醫療AI系統的關鍵環節。于是，實驗室診斷AI對數據的強勁需求將催生數據標注產業，需要大量的新型技術人員為檢驗數據內容打標簽、做標記，將“營養高、易消化”的數據“喂”給AI模型。這類“飼養員”不要求計算機算法方面過硬的背景或學歷，但需要檢驗醫學理論基礎和一定的技術管理能力，以便完成標本數據的篩檢分類，并參與構建醫學診斷知識圖譜。

4.2檢驗醫師 AI雖能部分模擬人腦的識別、記憶、計算、推理判斷等功能，卻無法重現情感、信念、聯想、創造等高等級思維活動。AI對疾病的學習側重于發現關聯，而難以理解疾病過程與預測轉歸。醫療決策是富有創造性和人文關懷的過程，醫務人員之間及醫患之間的溝通互動所體現出的人類智慧絕非AI能取代。在AI技術的倒逼下，遲遲未能落地的檢驗醫師的概念回歸人們的視野。檢驗醫師作為檢驗與臨床溝通的橋梁，肩負著指導選擇檢驗項目、解答來自醫患雙方的疑難檢驗問題、參與病例討論提供診斷意見、推廣新技術新指標等多重職責[26]。歐美日等國家早年已形成了成熟的檢驗醫師制度，而目前我國檢驗醫師定位模糊，培養明顯滯后于檢驗醫學的發展。AI將檢驗工作者從日常繁雜的操作中解放出來，使其有精力和時間致力于更高層次的實驗室活動，并積極關注外部的需求反饋，深入臨床一線開展指導和咨詢服務。AI時代的檢查數據量必將極大豐富，各臨床?？漆t生的知識儲備面對高通量的檢驗項目和AI給出的診斷概率時必然是淺薄的，檢驗醫師在檢驗方法與結果評判上將掌握更多話語權，同時帶動檢驗科地位的提高。我國檢驗醫師人才隊伍的發展任重道遠，需要國家從長遠角度考慮，在檢驗醫師的培養途徑和準入機制上加以引導[27]，也需要檢驗專業醫學生和工作者抓住AI時代的契機加快能力轉型，適應和擁抱AI的新技術、新理念。

5 結 語

總之，AI方興未艾，檢驗醫學作為一個重要的智能醫療板塊正在崛起。隨著醫聯體、移動醫療、精準醫療等新型醫療服務模式的推進，帶給了AI與檢驗醫學更多的結合點。檢驗醫學智能化的藍圖背后，是以產、學、研多方深度合作為支撐[28-29]。但必須清醒地認識到，將AI領域積累的技術紅利釋放到檢驗行業的過程面臨著諸多風險和挑戰，涉及監管、倫理，以及教育等問題等待求解[30]。通過AI實現檢驗流程和輔助診斷自動化的前景令人憧憬，但對我國廣大檢驗從業者造成的困境也不容忽視，唯有順勢而上，調整角色定位，將職業規劃架設在最新的技術基礎設施上才能找到發展機會。期待檢驗醫學學科與檢驗工作者一同搭上AI的快車，駛向更廣闊的成長空間。

致謝：感謝飛利浦(中國)醫療科技有限公司的張恒和南昌大學附屬九江醫院檢驗科的陳雪禮對本文提出的寶貴意見和建議。