陳 鳴，崔 巍，陳 瑜，郭 瑋，劉善榮

(1.陸軍軍醫(yī)大學第一附屬醫(yī)院檢驗科，重慶 400038；2.國家癌癥中心/國家腫瘤臨床醫(yī)學研究中心/中國醫(yī)學科學院北京協(xié)和醫(yī)學院腫瘤醫(yī)院，北京 100021；3.浙江大學醫(yī)學院附屬第一醫(yī)院檢驗科,浙江杭州 310003；4.復旦大學附屬中山醫(yī)院檢驗科，上海 200040；5.海軍軍醫(yī)大學第一附屬醫(yī)院實驗診斷科，上海 200433)

陳鳴

陳鳴：人工智能(AI)是研究、開發(fā)用于模擬、延伸和擴展人的智能理論、方法、技術及應用系統(tǒng)的一門新興學科，其發(fā)展最早可溯源至20世紀50年代，1956年McCarthy在美國達特默斯的一次學術會議上第一次提出“人工智能”的概念。近年來，隨著AI相關學科發(fā)展、理論建模、技術創(chuàng)新、軟硬件的整體發(fā)展，AI技術取得了突破性的進展。2017年7月8日國務院印發(fā)的《新一代人工智能發(fā)展規(guī)劃》正式將AI上升到國家發(fā)展規(guī)劃高度，其中針對醫(yī)療領域提出了“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(yī)療體系”的任務部署。我國檢驗醫(yī)學發(fā)展從原始的手工檢驗起步，經歷了半自動化分析到全自動化分析的檢驗現代化階段，目前正處在全實驗室自動化和實驗室信息化時代，而AI可能為檢驗醫(yī)學的下一步發(fā)展注入新的活力。目前，以專家系統(tǒng)(MES)、人工神經網絡(ANN)、數據挖掘(DM)為支撐的AI技術在疾病診斷、提升檢驗流程自動化程度、個體化結果的分析和DM等醫(yī)學檢驗領域得到了廣泛應用。本期主持人邀請了國內從事智能檢驗研究的多位專家，一起來探討AI技術目前在智能檢驗領域的優(yōu)勢與挑戰(zhàn)，同時對下一步AI技術領域的方法方向進行了展望。

1 陳鳴：AI作為引領未來的戰(zhàn)略性技術，其在檢驗醫(yī)學應用中有何優(yōu)勢，對分析前、分析中、分析后檢驗有哪些貢獻？

崔巍

崔?。篈I是引領新一輪科技革命和產業(yè)變革的戰(zhàn)略性技術，主要包括圖像識別、自然語音識別、決策支持和語言轉換等研究領域。從歷史上看，科學的進步、工程技術的發(fā)展都會應用于醫(yī)學并推動醫(yī)學技術的發(fā)展，AI更是如此。通過檢索PubMed可發(fā)現，過去幾年中有83 000余篇文獻涉及AI在醫(yī)學領域的應用。檢驗醫(yī)學是現代醫(yī)學的重要組成部分，臨床決策所需信息70%來自檢驗，其主要工作為樣本的檢測和結果的解讀，這正是包括圖像識別和決策系統(tǒng)等AI技術發(fā)揮巨大作用的領域，甚至能顛覆現有的技術和應用。

AI在分析前階段中的應用主要集中在標本采集、轉運和不合格樣本識別，如抽血機器人、樣本轉運機器人、自動樣本傳送的無人機及不合格樣本的自動識別。在分析中階段，圖像識別是最具發(fā)展前景的技術，可幫助解決檢驗項目中的形態(tài)學判讀問題，包括骨髓片、血涂片、尿沉渣、熒光切片、細菌菌落等。通過深度學習和神經元網絡，計算機已經能夠根據細胞形態(tài)對紅細胞進行分類。在分析后階段，AI能夠發(fā)揮更大的作用。采用機器學習技術，可以進行智能化的報告審核與復檢、危急值報告，甚至通過對多個檢測項目的歷史數據分析發(fā)現試管標簽錯誤。而且，AI技術可以幫助實現從檢驗報告到診斷報告的轉變。采用AI技術，通過多參數的數據發(fā)掘，可以找到外周血中與心房顫動相關的關鍵指標，預測急性心肌梗死的風險，這是傳統(tǒng)地靠單一檢驗項目做不到的。

陳瑜

陳瑜：“云大物移智”在檢驗醫(yī)學中應用，將顛覆現有技術，突破人類極限，產生許多新的細化領域。分析前，有自動分管和貼碼、機器人采血、機器物流、標本分揀機，實驗室內有全自動標本前處理系統(tǒng)。分析中，有智能質控、中間件、自動審核、細胞閱片、遠程檢驗等新技術。分析后，有智能解釋、疾病診斷、疾病相關因素分析和檢驗效能評價等。這些新技術的應用主要優(yōu)勢有：優(yōu)化檢驗流程，實現機器換人；提升檢驗工作質量和效率；保證實驗室生物安全；增加患者服務可及性和檢驗價值。

郭瑋

郭瑋：AI在21世紀得到了飛躍性的發(fā)展。檢驗醫(yī)學的高度數據化則為AI的應用創(chuàng)造了條件。首先，自動化高通量檢驗設備的發(fā)展使得實驗室產生了海量的數據，人工無法通過常規(guī)手段進行有效的分析，需要能夠自我學習和處理數據的AI技術；其次，檢驗醫(yī)學通過量化的指標描述患者的狀態(tài)，采用實驗室信息系統(tǒng)(LIS)一類的關系型數據庫存儲數據，這樣的數據類型和數據庫形式便于AI的學習。高度數據化的特點也促成了AI在檢驗醫(yī)學應用中的優(yōu)勢。

為了能夠準確地反映患者的狀態(tài)，檢驗工作者在日常工作中采集了檢驗各個環(huán)節(jié)的信息，嘗試去了解這些環(huán)節(jié)對檢驗結果和患者診療的影響，包括分析前、分析中、分析后各個階段，這也構成了AI的應用場景。

分析前，AI可以參考患者信息，為臨床醫(yī)生推薦檢測項目，避免遺漏以及浪費；分析檢驗前標本運輸時間，提升運轉效率；檢查標本檢驗前狀態(tài)，自動識別問題標本或不合格標本。檢驗耗材以及人員等安排管理也可由AI優(yōu)化。

分析中，AI可以作為傳統(tǒng)質控和檢驗人員的補充，通過分析數據波動，實時進行質量控制；分析細胞形態(tài)學圖像信息和高通量檢測數據，緩解此類對經驗要求較高崗位的人員短缺現象。AI還可以用于標本流與儀器使用效能平衡的控制。

分析后，AI則可以審核并發(fā)現錯誤報告；進行報告解讀和潛在疾病分析；基于實驗室數據建立中國人群或地區(qū)性參考區(qū)間及數據庫。

劉善榮

劉善榮：AI作為引領未來的戰(zhàn)略性技術，已經走進了人們的生活，在醫(yī)學領域中的應用也已經引起了人們的關注，比如在醫(yī)學影像識別、疾病輔助診斷等。檢驗科自動化程度高，數據量大，且LIS的普及讓這些海量檢測數據以電子形式存儲。檢驗大數據為AI在檢驗醫(yī)學的發(fā)展提供了可能。但目前AI在檢驗醫(yī)學領域的應用尚處于起步階段。

檢驗分析前階段涉及環(huán)節(jié)、人員多，是質量管理最薄弱的環(huán)節(jié)，約70%的檢驗差錯可溯源至此階段。門診智能采血管理系統(tǒng)的開發(fā)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，提高檢驗效率，有利于化解因排隊等引起的醫(yī)患糾紛。Vasculogic公司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，可有效解決人工采血耗時費力的問題，也將緩解患者對采血的畏縮情緒。

接受標本后到得出檢測結果是檢驗分析中階段。這個階段產生大量數據，AI的應用將會大大加速檢驗數據的即時高效分析。上世紀80年代，人們就嘗試對血涂片、尿沉渣涂片等標本進行自動圖像識別，但當時的計算能力不夠，細胞數據庫規(guī)模小，因此識別效果并不理想。近年來卷積神經網絡視覺技術發(fā)展，遵循數字掃描成像、圖像特征提取、多層模型訓練的范式開發(fā)分析系統(tǒng)可以在血細胞、尿液有形成分、骨髓細胞等多種形態(tài)學分析領域進行推廣，實現形態(tài)學檢驗的全自動化。有研究人員通過心肌肌鈣蛋白I(cTNI)檢測結果數據集，建立了多層感知器人工神經網絡模型來實現標本稀釋的實驗室全自動化管理。該模型降低了人力、檢測試劑的消耗，避免檢驗報告發(fā)送延遲。這些都提示AI在檢驗分析中階段大有可為。

檢驗分析后階段遇到的最大困難是標本來源的患者個體狀況差異，個性化審核是智能化審核系統(tǒng)的改進目標。有學者在LIS中將AI用于檢驗結果的審核，用于減少錯誤發(fā)生以及建立標準化報告準則。此模型可根據檢驗數據進行學習并驗證，最后得出較為精確的數學算法，建立智能個性化審核系統(tǒng)。

AI在醫(yī)學檢驗中的應用是個趨勢，也必將改變醫(yī)學檢驗現在的診斷模式。

2 陳鳴：AI的良好性能很大程度需要大數據的支持，面對人體的復雜性和個性化，在進入臨床前還有哪些質量管理問題需要解決？

崔?。捍髷祿褪茿I的血液，機器學習、深度學習都離不開大量數據的支持，而目前AI發(fā)展最大的挑戰(zhàn)就是如何獲取數據，針對某一對象如何將不同渠道來源的數據整合。由于疾病的復雜性和患者個體的差異，醫(yī)學大數據和其他領域大數據相比更為復雜，特別是臨床診斷治療直接影響到患者的生命健康和隱私。

AI和大數據應用于臨床，首先要保證網絡安全、患者信息、臨床數據的安全，傳統(tǒng)的網絡安全尚需要不斷地完善，而區(qū)塊鏈技術的推廣可大大加強網絡數據的安全。其次，要解決數據采集與共享中的倫理和授權問題，哪些數據可以被哪些人員在什么范圍內由誰授權使用？如何保護患者和醫(yī)院診療信息不被錯誤使用？保護患者的隱私是醫(yī)院的重要職責，因此，不解決倫理和授權問題，每個醫(yī)院、每個不同來源的數據就只能獨立使用，無法分享，從而限制醫(yī)學大數據的完整性，也就限制了AI在檢驗醫(yī)學乃至整個醫(yī)學領域的應用水平。另外，還必須要解決醫(yī)學數據的質量和標準化問題。由于不同醫(yī)院臨床實踐中所遵循的方案不同，不同醫(yī)院的數據定義、標準不同，不同檢測系統(tǒng)存在系統(tǒng)誤差，以及其他諸多因素的影響，使得不同來源數據的質量參差不齊，使用這樣的數據訓練出來的AI可能會導致錯誤的結果，或者只能在某一系統(tǒng)內使用，不具有通用性。因此，要建立標準化的指南，推廣標準化的編碼，加強檢驗結果的互認性，擴大數據適用范圍。

陳瑜：數據智能、機器學習等均需要經數據標注、高質量、多中心的資料支持，經模型及算法訓練、測試和參數優(yōu)化，才能發(fā)揮良好的性能。數據的質量是AI的基石，否則是“垃圾”進、“垃圾”出，沒有任何應用價值。數據的質量要求如下，(1)數據語義標化：不同來源的數據，其數據格式、內容需進行標準化處理；(2)數據質量標化：不同儀器、試劑、標本等因素影響檢驗結果，應對數據進行歸一化處理，保證不同中心數據的可比性；(3)數據標簽標注：數據只有經專家或專用方法進行數據結果的解釋(數據標注)，否則不知道數據的意義無法進行機器學習；(4)數據完整性檢查：疾病診斷需要大量數據的支持，只有提供較完整的數據才做出較正確的結果；(5)數據特征提?。簭谋姸鄶祿粗谐槿〕鰴C器學習算法不能識別的原始數據并將其轉化為算法可以識別的特征的過程。

郭瑋：雖然AI在檢驗醫(yī)學領域有著廣泛的應用前景，但是醫(yī)學實踐需要對每一個生命負責，因此AI在進入臨床應用前，一定要進行完善的質量管理。而這些質量管理問題大致可以分為3個方面。

首先，AI是基于檢驗大數據的，因此檢驗大數據的質量直接影響了AI的質量。為了保證檢驗大數據的質量，需要確保檢測結果的真實性和檢驗大數據的代表性。實現這些目標，需要考慮檢測方法差異、試劑換代和試劑批號更換對檢測結果的影響，還需要考慮數據庫的梳理、更新和不同部門及醫(yī)院之間數據的共享、互認。

其次，在檢驗大數據的基礎上，AI需要利用算法進行建模，模型的可靠性決定了AI臨床應用的可靠性，這要求AI在建模時也需要進行質量管理。因此，需要全面考慮生物學變異等潛在的參數建立AI模型。同時，建立出的模型在應用前應該反復驗證，并通過貝葉斯更新、遷移學習等手段在新的應用場景對模型參數進行調整。

最后，AI技術在臨床應用中會涉及應用合理性和隱私數據的安全性問題，如何實現有效的監(jiān)管也是質量管理的一個重要部分。這也要求在AI進入臨床前，需要建立明確的使用流程，以及合適的風險規(guī)避預案。

劉善榮：AI的良好性能很大程度需要大數據的支持，但人體的復雜性和個性化對AI產品提出了更高的要求。從目前看，AI相關產品進入臨床前需要解決以下質量管理問題。

第一個重要問題是數據質量以及標準化。由于AI類醫(yī)療器械是以大量的臨床數據作為基礎數據，對其數據的質量就有一定的要求。目前AI類的產品普遍以輔助診斷為主要目標，如果基礎數據出現偏差，對產品提供的結果會造成影響。所以必須要對數據質量進行識別，不能一味追求大數據從而對最終的輸出結果產生影響。而不同的醫(yī)生使用產品時對同一情況的描述可能會不同，而這些數據是否能標準統(tǒng)一化也是影響產品最終輸出的一個重要的因素。

數據篩查的準確性及完整性也是個很重要的問題。AI醫(yī)療產品需要輸入大量的臨床數據以及面對形式多樣的患者，如何確保輸入數據的準確性及完整性是一個大問題。同時，產品對于數據量較少的標本，是否會因數據不足無法推算而導致漏診，是否會有相應的提示。AI產品會進行自我深度學習，但應用前期數據積累時需要對不同技術、材料和設備產生的數據進行人工標記。要防止因為標記人員的水平不同而導致數據在機器上無法準確表達。

網絡風險以及隱私信息保護也必須要考慮。目前AI類產品大多采用云計算以及云平臺進行數據管理，患者的信息存儲在云端，如何保證這些數據的安全，以及不會被黑客等利用是需要解決的一大問題。

3 陳鳴：AI將檢驗工作者從日常繁雜的操作中解放出來，如何實現向檢驗數據管理人員或檢驗醫(yī)師的職能轉型？

崔?。好恳淮慰茖W的進步和工程技術的發(fā)展應用于檢驗醫(yī)學都會帶來檢驗技術的更新、檢驗能力的提高、日常工作流程的改變，并促進檢驗人員知識和觀念的更新甚至崗位職能的轉型。從上個世紀90年代到今天，檢驗的自動化使得臨床檢驗人員從繁重的手工操作和半自動方法解脫出來，大大提高了檢驗常規(guī)工作的效率和標本檢測能力，使得檢驗人員能夠有更多的時間關注檢測系統(tǒng)的質量控制，開發(fā)更多的檢驗項目；計算機網絡和LIS的廣泛使用，實現了從抄寫報告結果到實現檢驗結果自動接收的轉變，報告打印、結果查詢，完善、強大的數據管理系統(tǒng)使得檢驗人員有更多的時間和工具關注檢驗結果的審核、復檢，能夠更積極主動地與臨床溝通，為臨床與患者提供更好的服務。在這個技術發(fā)展的過程中，檢驗從業(yè)人員的資質和工作重心也在悄然改變，從過去的中專、大專學歷，到今天的本科、碩士、博士；從過去的檢驗技師，到今天的檢驗醫(yī)師；從單純的保證檢驗結果質量，到關注檢驗與臨床的結合，傳統(tǒng)的醫(yī)學檢驗，也發(fā)展成為當今的檢驗醫(yī)學。AI應用于檢驗，帶來了新的機遇，逐漸實現從檢測報告到診斷報告的轉變。借助于AI技術，依托檢驗的海量數據，檢驗工作者可以不再對一個個獨立的檢驗項目進行解讀，而是通過機器學習對多維數據進行整體分析和預測，為臨床決策提供更具價值的檢驗報告，這也促使檢驗醫(yī)技師對臨床知識的掌握更加深入，甚至參與到臨床診療工作；與此同時，也要求檢驗工作者對計算機、AI有更多的了解。

近年來，隨著AI在金融領域應用的增加，2020年高盛、摩根大通等頂級投行都減少了傳統(tǒng)金融背景人員的錄用，大幅增加了工程師職位，招收具有計算機、統(tǒng)計背景的人員?？梢钥隙?，隨著AI在檢驗醫(yī)學應用中的不斷發(fā)展，醫(yī)院和檢驗科對掌握AI系統(tǒng)開發(fā)的計算機軟件人員需求也會越來越多。

陳瑜：“AI+檢驗”有無限的想象空間和應用可能，但現實非常殘酷，真正的應用乏善可陳。假設在理想AI支持下，實現了檢驗診斷性報告,(1)檢驗基本信息:包括患者基本資料和檢驗結果，不同的異常程度用不同顏色進行標注;(2)結果摘要：健康指數、結果等級、可能患有的疾病，包括復檢時間和個性化建議；(3)項目解讀：基于知識圖譜的解釋和問答；(4)歷史結果、人群分布；(5)提供病例匹配算法，查找相似患者資料和人群數據概況。這時檢驗數據庫管理員或檢驗醫(yī)師的職能增加了AI算法和性能優(yōu)化，診斷性報告的審核，疾病隊列建立和預測，參加多學科綜合治療(MDT)。

郭瑋：從目前的發(fā)展趨勢來看，AI在檢驗醫(yī)學領域的普及還有很長的路要走，但這并不妨礙從當下出發(fā)，思考在AI時代檢驗工作者的職能范疇。當然，那時的職能絕不僅僅是檢驗數據管理人員或檢驗醫(yī)師。因為即使在當下，檢驗工作也是多維度的，并不是簡單的儀器數據收集和檢驗結果解讀，就像外科醫(yī)生并不等于內科醫(yī)生加手術機器人，實際情況要復雜得多。

因此，可以換一個角度，從AI的本質來思考，AI對于檢驗工作究竟意味著什么。正如上文所述，雖然AI能夠以相對于人類更快速地進行學習和發(fā)現人類不易發(fā)現的信息，但是其最終目的是為了提供等同甚至超出人類的智能。在檢驗工作中，人類智能是通過一個個檢驗工作者來體現的。AI的引入也就意味著多了一名或多名檢驗工作者進行數據判讀、報告審核、結果解讀等工作。一方面，這會導致人力資源轉移到低通量、人工較重的項目，如和臨床醫(yī)生及患者的溝通工作。另一方面，這也導致更多檢驗工作者從常規(guī)崗位中解放出來，成為管理者，完成組員到組長的身份轉化。與之前不同的是，組長管理的將是AI，但同樣需要進行帶教、管理、監(jiān)管的工作，也就是從事AI的優(yōu)化、維護和監(jiān)控，這將會對檢驗工作者在計算科學、數據科學方面的知識儲備提出新的要求。

劉善榮：檢驗醫(yī)學的發(fā)展及其對臨床的支撐需要檢驗技師和檢驗醫(yī)師。檢驗技師主要進行項目和操作流程管理，確保項目的規(guī)范化開展及操作流程的標準化，保證檢驗結果的準確；檢驗醫(yī)師主要是對結果的解讀及與臨床進行溝通交流。隨著AI的發(fā)展和深度介入醫(yī)學檢驗，檢驗全過程的管理都有可能由AI完成。檢驗工作者就需要進行轉型，由重技術、懂管理、重質控、懂臨床的技術型人才向重問題、重方向、懂臨床、重轉化的創(chuàng)新型人才轉化。在這個轉化過程中注重以下3個方面：不斷擴充自己的專業(yè)知識，不斷探索新理論、新技術、新方法，逐步形成系統(tǒng)扎實的研發(fā)知識結構；不斷提升自己對學科發(fā)展方向的敏銳性，善于把握醫(yī)學科學新動向，拓展新思維，增強對研發(fā)全過程的技術指導、把控能力和產品意識；豐富自己與臨床溝通的經驗，強化為臨床醫(yī)師合理解讀檢驗結果、實施臨床診治的能力；能夠深入了解臨床疾病診療的新需求，并評估需求的合理性與可實現性。隨著AI在醫(yī)學檢驗的介入力度，臨床檢驗檢測會變得簡潔高效，檢驗工作者的轉型無論對從業(yè)人員和學科都非常重要。

4 陳鳴：檢驗數據眾多，某些指標可能不被人們認識或了解，如何從海量的醫(yī)療數據中提取潛在的信息和模式，AI在傳統(tǒng)指標二次開發(fā)中有哪些應用和挑戰(zhàn)？

崔?。簜鹘y(tǒng)的檢驗項目的解讀是條例式的，每個項目結果對應一個或幾個可能的病理、生理狀態(tài)，如血糖升高既可能是因糖尿病患者胰島素分泌減少所致，也可能是應激狀態(tài)下的高血糖，或是甲狀腺素分泌過多導致甲狀腺功能亢進高血糖等；反之，某一病理狀態(tài)也會導致多個檢驗項目異常，如肝功能損傷可導致轉氨酶、谷氨酰胺轉肽酶、膽堿酯酶、堿性磷酸酶、總膽汁酸等生化指標異常，也會導致D-二聚體等凝血項目的異常，當然，也可能從病原學角度檢測到肝炎病毒或抗體。鑒于疾病的復雜性、患者個體的差異，以及檢測系統(tǒng)性能的差異，單一檢驗項目的臨床價值是有限的，其對特定疾病診斷治療的靈敏度和特異性并不能完全滿足臨床的需求。解決這一問題的方法之一就是將盡可能多的相關檢驗項目組合在一起，形成多維度數據集進行分析，這類似于采用數字編碼技術的細菌鑒定，根據同一細菌的不同生化、免疫、發(fā)酵反應結果進行綜合判讀，鑒定出細菌的菌屬。這種多維度的數據集就是通常所指的大數據，AI技術就是對大數據進行統(tǒng)計、分析、判定的最佳技術路徑。采用機器學習對大數據進行分析，可以提取單一檢驗項目所無法提供的信息，更具臨床價值。例如提高疾病風險預測的準確性，預測患者的預后及住院時間。在實現這一目標的過程中，最大的挑戰(zhàn)仍然是數據的獲取和數據的質量及標準化。

陳瑜：檢驗數據眾多，但屬于不完整的數據，需要多次重復檢測，需要更多的檢驗、檢查、臨床表現等支持，才能做出正確的解釋或判斷。這些數據存在電子病歷、LIS、醫(yī)學影像系統(tǒng)等多源異構的系統(tǒng)中。AI能整合到臨床工作流程中，完善海量數據和多源異構數據處理方法，提高輔助診斷效率和準確性。AI能實現個體決策融合為群體決策，包括數據共享、隱私保護、算法的透明度、數據標準化和互操作性、跨多個平臺。

郭瑋：AI除了可以參與檢驗醫(yī)學的日常工作，也可以用于檢驗數據的深度挖掘，對傳統(tǒng)指標進行二次開發(fā)。疾病引起的人體變化是系統(tǒng)性的，同一疾病可以引起多種檢驗指標的變化，包括已知的該疾病的特異性指標和未明確相關性的非特異性指標。AI技術一方面可以幫助檢驗工作者從檢驗數據中發(fā)現非特異性指標與疾病的相關性，甚至潛在的診斷價值；另一方面可以建立多種標志物聯(lián)合應用的數據模型，從而提供更好的疾病診斷、療效預后工具。

當然，二次開發(fā)意味著對檢驗數據更加精細的分析，從傳統(tǒng)指標顯著變化的大趨勢延伸到某一疾病、某一人群、某些生理現象聯(lián)動的小趨勢。這對數據質量提出了更高的要求，既需要真實可靠的檢驗數據集，又需要和臨床數據實現有效的整合。而在此之上，二次開發(fā)的研究方案和建模流程也需要通過更多的實驗來探索和確立。

劉善榮：隨著醫(yī)學檢驗的發(fā)展，一方面，檢測項目越來越多，檢驗數據越來越大；另一方面檢驗項目的理解和檢驗數據的解讀卻沒有得到足夠的提升。更為重要的是，很多疾病的發(fā)生是機體對致病因素作出的整體反應。但無論是臨床醫(yī)生還是檢驗人員，對機體整體指標的變化與疾病發(fā)生與治療的關系還沒有給予足夠的重視和全面的分析，這也導致對大量檢驗傳統(tǒng)指標變化的診斷價值認識不清楚。依托檢驗大數據建立AI模型對疾病進行診斷有可能解決這一問題。一方面改變了依靠一個或者少數幾個指標的變化對疾病進行評估的診斷模式，最大程度避免了疾病的誤診和漏診；另一方面可以全面評估機體指標的整體變化與疾病發(fā)生及治療之間的關系，可能重新發(fā)現或者評估大量傳統(tǒng)指標的新用途新價值。依賴LIS積累的大量數據，AI在傳統(tǒng)指標的二次開發(fā)可首先在腫瘤、心腦血管疾病、老年癡呆等重大慢性病中開展。這一工作具有重要臨床意義。但同時面臨很多挑戰(zhàn)：檢驗AI診斷模型的建立無法獨立開展完成，需要臨床科室的病理、影像診斷、手術、用藥、預后相關數據的佐證和支撐，因此臨床科室參與度是很重要的因素；數據的質量是第二個挑戰(zhàn)，數據的質量包含臨床檢測的一致性，比如檢測的時間點、檢測設備，還有數據的可溯源性。數據一致性差，難以溯源，就不可能對疾病相關個體進行有效評估，AI診斷模型的建立和傳統(tǒng)指標的二次開發(fā)就不可能展開。傳統(tǒng)指標的二次開發(fā)和檢驗AI診斷模型的建立與推廣將會改變傳統(tǒng)意義上的診斷模式，無論是臨床醫(yī)生還是檢驗專業(yè)人員的接受在一定時間內也是這一工作面臨的挑戰(zhàn)。

5 陳鳴：床旁檢驗(POCT)是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，AI在POCT智能化、信息化方面有哪些應用前景？

崔?。篜OCT是臨床檢驗的特殊應用場景，是實驗室檢驗的延伸，也受益于AI技術。嵌入AI技術的生物傳感器，可以幫助監(jiān)測貧血、尿路感染、糖尿病、心房顫動、中風等12種疾病，并實時記錄血壓、心電圖、體溫、呼吸頻率和血氧飽和度5個生命體征。POCT產品簡單易用，無論是在臨床科室還是居家保健，都有廣泛的應用空間。目前，國內大多POCT的應用還處于單機方式，但隨著5G網絡的建設以及物聯(lián)網應用范圍的擴展，可以預見在很短的時間內，絕大多數的產品都會具備藍牙、4G/5G、WiFi等無線連接能力。由于POCT產品的使用者大多不是專業(yè)的檢驗人員，因此更需要簡單清晰的結論，并希望能對疾病的發(fā)展和治療療效給出趨勢性的監(jiān)測，這正是AI的應用前景。當大量的使用者檢測得到的數據通過無線網絡連接在一起，通過使用云端強大的計算能力和存儲空間，根據特定的算法，云端可為每一個檢測結果反饋評估意見，將對患者提供警示和預測等建議。

陳瑜：POCT適宜居家檢驗，在智能化、信息化管理方面更有優(yōu)勢：(1)患者的依從性高，可以收集患者的自我跟蹤數據，如飲食、運動、生命體征等，結合基于循證的臨床知識、潛在的生物學機制、基于人口的健康風險評估，進一步提高疾病或風險預測的準確性。(2)將POCT結果以直接明了的文字描述呈現給患者，可進行全面的、動態(tài)的解釋或診斷報告，更利于患者進行自我管理，必要時可以和醫(yī)療機構整合，推薦醫(yī)生。

郭瑋：POCT和可穿戴檢測設備是常規(guī)檢驗的重要補充。為了實現便攜性，POCT一定程度上損失了數據的精度，為AI的應用設置了障

礙。但相信隨著技術的發(fā)展，POCT的數據精度問題終究會被克服，而作為一種短時間獲取大量檢驗數據的途徑，POCT和AI的結合將會帶來獨特的應用前景。相比于常規(guī)檢測，POCT可以連續(xù)動態(tài)地監(jiān)測人體的檢測指標，通過AI對不同人群動態(tài)數據的分析，可以及時發(fā)現異常的生理變化，更早地識別疾病的征兆，也能夠有效實現慢性疾病管理甚至健康管理。同時，隨著胰島素泵等可穿戴給藥設備的發(fā)展，其和血糖儀的聯(lián)動已經能夠可以實現即時檢測、即時給藥。再有了AI的輔助，無疑將推動慢性病治療的智能化、精準化發(fā)展。

劉善榮：POCT現在開始邁入“智慧診斷+大數據AI”時期，AI在POCT智能化、信息化方面具有廣闊的應用前景。

AI的應用可以提高POCT產品的便捷性?，F在越來越多的與衰老相關的慢性病患者特別希望能參與到自己的健康管理中去。開發(fā)與互聯(lián)網、大數據相結合的產品，使應用與服務向移動端轉移，可以滿足患者的這一需求。使用POCT產品完成檢測，基于云端大數據的質量管理服務系統(tǒng)將其與病史信息、體征指標進行整合。AI依托這些數據形成分析模型，提供出更加全面的診療建議。比如可以利用AI引擎分析用戶的血糖值、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。

AI的應用有助于構建大健康體系?，F在POCT正朝著“自動化、信息化、云端化、共享化”等方向發(fā)展。實現個人健康數據的實時采集、監(jiān)測與評估，整合遠程數據終端和醫(yī)療資源進行最佳治療。POCT與移動云平臺、個人用戶APP終端以及醫(yī)院的LIS與HIS相互連接，實現人、物、系統(tǒng)、服務的無縫互連，從而實現構建真正的大健康體系。AI依托POCT源源不斷產生的數據持續(xù)推動大健康體系的優(yōu)化和創(chuàng)新?？梢韵胂?，AI在POCT領域的應用和推廣將會推動POCT產品像手機、電腦等進入到人們生活的每一個角落，成為健康管理的必需品。