|
人工智能在样本处理，形态学检验，检验结果审查等过程中发挥着重要作用，有效减少了检验工作人员因主观性导致的误差，提高了检验人员的工作效率，人工智能与检验的结合满足了临床对检验专业日益增高的质量要求。在医学检验方面使用人工智能技术的类型：
一、检验标本处理
1、标本采集机器人
当前最典型，最成熟的标本采集机器人当属全自动采血机器人，全自动采血机器人通过红外线照射配合超声波可以得到与血管位置、直径相关的数据。机器视觉可将血管位置、直径等相关数据作为输入，选择合适的算法对数据进行计算然后预测出血管位置、直径以及针头采血的最佳位置及角度。自动采血机器人利用了智能识别技术，用智能机器取代了人工，减 少了人类的主观性失误，将工作员从繁重且危险的工作中解脱出来。
2、样本稀释机器人
实验室及检验科所采集的样本一般浓度较高，需要稀释到不超出检测方法学的线性范围。尿液，粪便及阴道分泌物有形成分显微镜检测时，样本均需要稀释到合适浓度。检测时，医务人员通常是直接将未进行稀释的样品进行检测，发现检测效果不佳后再做稀释。如阴道分泌物虽然呈液体状可以直接上镜检测，但是太浓稠的样本会导致镜检时有形成分黏连重叠，不利于医务人员观察。样本稀释机器人分为两类，一类利用光学原理，带有一个光电检测器，将透过样本检测到的透射光的大小作为输入，输出则为该样本是否需要稀释。另一类则需要具体的样本中某类成分的浓度数据。样本稀释机器人的出现不仅解决了样品处理过程中耗时过长的问题，也减少了样品浪费和多余的繁琐操作。
3、样本传送机器人
随着人工智能在商品物流上的 应用趋向于成熟，人们开始把眼光转向人工智能在医学检测样品传送上的应用。样本的传送在检验科样品前处理过程中有重要地位，将直接影响检验的准确性。样本传送机器人可以通过机器视觉或者结合化学手段智能识别不同的样本和试剂，并且按照计算机的指令在固定区域装货卸货。样本传送机器人的出现让工作人员能够从医院各个病区、门诊、急诊中及时地获取标本并且送到指定的检验科室。样本传送机器人的出现减少了人工送检的误差，保证了样本的安全，避免了样本污染。
二、检验项目挖掘
1、肿瘤标志物
肿瘤标志物又被称为肿瘤标记物，是指只存在于恶性肿瘤中，由恶性肿瘤细胞产生，或是宿主对肿瘤的刺激反应而产生并能反映肿瘤发生、发展情况，监测肿瘤对治疗反应的一类物质。检验人员一般是采集肿瘤患者的血清，组织，排泄物或体液，再通过一 些生化分析方法如色谱-质谱结合方法、毛细管电泳-质谱结合法和核磁共振波谱等方法进行检测得到一些 特异性物质的数据。特异性物质相关数据一般比较巨大，且不是所有数据都与肿瘤相关，这一问题的存在长期影响着检验医生对病情的分析，而数据挖掘技术的出现解决了这一问题，最常用的数据分析方法包括主成分分析和人工神经网络。
2、核酸分子
核酸分子相关的数据挖掘常用方法有两类，一类是针对核酸序列进行预测分析，另一类是利用核酸与蛋白质相互比较进行预测分析。前者是通过分析核酸序列找出某种特定基因或者功能位点的位置，后者是通过比较核酸序列和蛋白质序列之间的相似性区域和保守性位点推测两者的进化关系。针对核酸序列进行预测分析的核心是核酸序列相似性研究，研究思路是给定一段核酸序列，在某个核酸序列库中查找与 该段核酸序列相似性大于某个阈值的序列，典型的基于遗传算法的核酸相似性对比算法有SAGA（sequence alignment by geneticalgonthm）算法和MUSLE（multiple sequence alignmem）算法。
3、药物基因组学
药物基因组学结合了基因组学和分子药理学，通过计算机科学以及数学理论研究基因序列变异及其对应药物反应，高效地为特定人群寻找合适药物。
三、形态学检验
目前检验科进行细胞形态学分析时均是以人工镜检为金标准，但是人工镜检主观因素影响大，需要专业的检验科人员进行操作，操作繁琐、耗费时间长，不适用于大规模筛查。人工智能的出现为形态学检验的困境带来了转机，人工智能辅助形态学检验的思路一般可以分为检测任务，分割任务和分类任务。
1、血细胞形态学分析
血常规检查是诊断血液系统相关疾病的最基本检验项目，检验内容包括血细胞计数和血细胞形态学检查两个方面。由于血细胞形态学分析对检验人员水平要求较高且工作量大，故血细胞形态学分析是目前各级医院检验科的薄弱环节之一。血细胞形态学检查自20世纪50年代~60年代以来主要以显微镜为检测工具进行人工镜检，人工智能的出现推动了自动化血细胞分析仪的发展，将检验医生们从繁重的血细胞形态学镜检工作中解放出来。
2、染色体核型分析
染色体核型分析是根据人类染色体数目和结构异常的类型，以推断染色体异常与疾病关系的一种诊断技术。检验医生在进行核型分析前一般将细胞培养至有丝分裂中期并固定，再选取染色体分裂相完整独立，相对疏散，染色体形态适中无交联缠绕的部分进行分析。研究者采用了具有两层概率的神经网络用于染色体的分类，将分类过程分为两个步骤，在第一步骤中, 将染色体分为6组，在第二步中，将6组的染色体分为24个类。市面上常见的染色体核型分析系统有VideoTes 公司的T-Karyo 染色体核型分析系统，德适生物的 AutoVision染色体智能分析工作站等。
3、精子质量分析
精子质量分析主要包括精子数量、精子体积、精子活跃程度，精子活跃程度又可以分为运动活跃型、非运动活跃型、完全不动型。精子形态学检验时，检验医生一般将精液稀释后制成样本在显微镜下肉眼观察精子形态、密度、活动率，并且进行计数。研究者开发了一套精子形态分析算法，检测和分析人体精子的不同部位，该算法在消除图像噪声的同时增强了图像的对比度，算法模型能够识别出精子的不同部分，分析每个部分的大小和形态，最后将精子分类为正常精子或者异常精子。
4、阴道分泌物有形成分分析
阴道分泌物有形成分分析一般是检验医生将稀释后的阴道分泌物制成样本在显微镜下用肉眼观察上皮、线索、球菌、念珠菌、杆菌、滴虫、白细胞等有形成分的形态和数量，并且根据这些指标为阴道环境清洁度分级，是诊断细菌性阴道炎 （BV）、滴虫性阴道炎、混合感染型阴道炎等多种妇科疾病的重要依据。利用人工神经网络改进的模糊识别算法对白细胞进行识别，并且基于纹理特征和几何特征利用传统算法识别上皮细胞、杆菌和球菌。目前市面上已有的阴道分泌物形态学分析仪有丽拓生物的阴道分泌物分析仪LTS—V800等。
5、液基薄层细胞有形成分分析
液基薄层细胞有形成分分析主要是通过人工镜检检测宫颈是否存在细胞增生，从而判断宫颈是否病变，液基细胞检测对宫颈癌细胞的检出率为100%。研究者提出一种基于 YOLO（You Only Look Once）模型的算法对液基薄层细胞进行识别，该算法利用700张来自不同视野下的液基薄层细胞进行训练。考虑到液基薄层细胞黏连严重，提取图像特征的基础网络过深会导致过拟合，故使用 Resnet50作为基础网络，该算法模型对液基薄层细胞识别率为87%，对液基细胞团簇的识别准确率为75.9%。
6、尿液有形成分分析
尿液有形成分分析一般是医生将尿液制成样本直接在显微镜下用肉眼观察红细胞、白细胞、上皮细胞、各种复杂管型以及各种结晶。尿液显微镜检查是诊断泌尿系统疾病的重要手段。基于BP(back propagation)神经网络改进算法对白细胞进行识别，选用 LeNet-5网络模型基于matlab平台实现网络对白细胞、红细胞、结晶的识别，然后将深度学习图像识别结果与传统算法进行比较，证明了深度学习算法的优越性。市面上常见的尿液有形成分分析仪有迈瑞的EH-2080全自动尿液有形成分分析系统等。
7、粪便有形成分分析
粪便有形成分分析一般是检验医生将稀释后的粪便制成样本在显微镜下用肉眼观察红细胞、白细胞、巨噬细胞、上皮细胞、酵母菌、脂肪滴、虫卵等有形成分，粪便有形成分分析对多种肠胃病诊断有重要参考意义，如果粪便中存在虫卵基本上可以断定患者感染寄生虫。研究者提出了一种通过数字图像处理和人工神经网络从显微图像中提取粪便标本中人寄生虫卵的形态特征的算法，该算法利用了包含七个普通人类蠕虫卵的82个显微图像作为数据库。基于形状，外壳光滑度和大小的3个形态特征利用人工神经网络进行训练，算法模型正确分类率为90.3%。
8、骨髓细胞形态学分析
骨髓细胞形态学分析时，检验医生一般直接在显微镜下观察骨髓刺穿术所制得的骨髓图片，低倍镜下观察骨髓增生程度，有无异常细胞，并且对巨核细胞进行计数，油镜下对有核细胞分类计数并且观察细胞形态。骨髓形态学分析可以用于多 种疾病的诊断，如急性白血病、自身免疫性疾病、感染性疾病、恶性肿瘤等。
四、检验数据处理
1、辅助诊断模型
医学专家系统是医学检验领域最常见的人工智能辅助诊断模型。医学专家系统集成了大量医疗检验数据以及对应疾病症状和治疗预后，通过互联网与各个医院的不同科室紧密联系以保证医学信 息的实时更新。人工智能利用这些医学信息学习各种检测数据与相关疾病的内在联系，最后得到一个可以诊断患者疾病或者给予可靠建议的算法模型，这样一个算法模型相当于一个人类医学专家。
最早的医学专家系统是斯坦福大学的MYCIN系统，MYCIN可以辅助医生对血液感染病患者进行筛查并且提出可靠性治疗建议。研究者基于贝叶斯网络，使用多层感知的人工神经网络，使用径向基函数的人工神经网络，支持向量机和专家系统分别利用入院时患者各项医学检测数据开发可以预测是否需要重新住院的智能系统，并且通过临床试验证明除向量机外，所有模型均能提供良好的重新住院预测结果。
2、报告自动审核
检测报告审核是检验工作中必不可少的流程，报告审核的精准和快速保证了检测工作的高效。但是人工审核检验报告不仅耗时耗力，当检验科工作人员在高强度工作后还容易出现审核失误。为解决这些问题，自动化报告审核系统的搭建刻不容缓，而人工智能的出现为自动化报告审核系统带来了新的契机。自动化报告审核系统主要依靠HIS系统（医院信息系统）和LIS系统（实验室信息系统）实现。研究者收集了569001例患者检测信息作为数据库，通过LIS建立信息传递系统并且开发了一套自动验证算法，可输出极限检查，增量检查和一致性规则检查的范围。该算法消除了测试结果验证中的个体差异，缩短了周转时间（TAT），并减少了全职等效时间（FTE），从而使医疗技术人员能够投入更多的时间和精力来处理算法锁定的测试报告。
3、隐私数据保护
随着互联网医疗的兴起，医疗隐私数据的保护开始被各界关注。在医院普遍使用电子病历的当代，医学专家和计算机学者们联合起来对电子病历中的医嘱数据、诊断数据进行最大程度的开发，以补充医学知识的不足和医疗系统的缺陷。但是研究人员享受数据盛宴的同时，我们同样需要对隐私问题高度关注。研究者结合数据挖掘和数据储存技术提出了一种在大数据环境下对医学隐私数据进行脱敏的隐私保护方案，该方案先设定敏感级别再利用ETL（数据仓库技术）对数据进行抽取，设计算法判别数据敏感级别，并且根据数据敏感级别的不同对数据进行不同程度的加密。
五、云计算
大数据、云计算、人工智能、物联网等一大批新兴信息技术的出现，在医疗检验领域产生了革命性的影响，推动了医疗检验事业的创新发展。云计算平台能对分布于不同地方，不同时间以及不同检验项目的数据进行 收集、存储、分析、运算和质控。云平台的大部分数据处理都在云端完成，在保证数据安全、降低数据存储成本的同时为医疗诊断提供了可靠而快捷的诊断辅助，大大降低了基层医疗机构对操作人员的要求。
1、诊断字典
诊断字典是一个尚不成熟但是成长前景无限的概念。研究员以国际疾病分类（ICD）为基础，利用广州医科大学附属第三医院医学数据库建立了临床疾病诊断字典。该诊断字典收集了广州医科大学附属第三医院各个临床科室疾病和诊断策略，统一规范疾病名称，将临床诊断疾病与ICD相对应。由于人力和医学资源的限制，目前所建立的诊断字典内容是远远 不够完整的，但是为我们医学检验人员更好地利用人工 智能、大数据、云计算改革传统检验手段提供了一个好的思路，要想建立一个完善可靠的医学检验云计算中心，我们需要一个权威的医学标准。
2、互联网医学检验
互联网医学检验常见的技术手段为第三方医学检验与即时检测（POCT），互联网医学检验以互联网为载体整合了云计算，大数据和线下医学检验数据，满足了医学检验系统对信息传送高效、诊断决策精准的要求。第三方检验实验室可以是实验室或者公司，服务对象为二级医院或者社区医院这些医学检验体系不够完善或者医学专家资源不足的级别较低医院，第三方实验室可以作为一个中转站，将低级别医院检验数据智能处理后个性化传送到特定的较高级别医院进行更专业的诊断。也可以是一个更高级的拥有丰富医学知识和医学诊断经验的医学专家系统，直接将诊断结果打印成报告传回较低级别医院。研究者利用软电子技术开发了一款可以使用少量液体在柔性基板上执行电子或光学监控，并将监控数据结合蛋白质组学进行数据挖掘分析的设备。该设备基于汗液的诊断程序可以为患者提供无痛的监测，患者在自己的家中舒适地跟踪各种医疗状况。
3、5G技术
2019年6月6日，工信部发放了5G商用牌照，标志着中国正式进入了5G商用元年，5G具备高速率、低时延和更大用户连接能力等特点，目前我国已经建成了全世界规模最大的5G网络。我国对于5G 技术的应用并不仅限于通信，5G技术推动了智慧医疗的发展，让第三方实验室，即时检测等互联网检测手段变得更高效，便捷，也为医学数据庞大数据的传送和医学数据复杂计算提供了实现的可能性。通过5G技术医护人员甚至患者能够在任意地点快速与医学云计算中心通讯，而专业检验医师也能第一时间获取患者信息并完成检测报告单。
| 
/1 
发表于 2023-6-12 18:33:27
