2023人工智能在检验医学领域的应用进展.docx
《2023人工智能在检验医学领域的应用进展.docx》由会员分享,可在线阅读,更多相关《2023人工智能在检验医学领域的应用进展.docx(15页珍藏版)》请在优知文库上搜索。
1、2023人工智能在检验医学领域的应用进展摘要人工智能为检验医学的划时代发展提供了良好机遇。目前人工智能在检验医学领域的应用主要包括样本处理环节、形态学检验、检验结果审核及检验报告解读等,其在检验各阶段的参与均有效提高检验质量。利用机器学习对检验及相关临床数据进行深度挖掘从而建立疾病诊断模型已成为人工智能在检验医学领域的潜在应用思路。大数据与人工智能对于检验医学精准化的转变具有无可替代的作用,发展前景广阔,但当前仍面临诸多挑战。正确应对随之而来的挑战,促进二者的融合,势必将推动检验医学的高质量发展。人工智能的概念最初由计算机科学衍生而来,即尝试利用计算机模拟人脑做出智能反应。近年来其研究范围已延
2、伸至机器人、语言识别、图像识别、自然语言处理和专家系统等多个领域。机器学习是人工智能的核心研究领域,也是实现人工智能的重要手段之一,即计算机利用大量现存数据进行学习得出规律,从而对未知数据进行预测,其目的在于使计算机具有智能化学习能力。当前,随着检验设备自动化普及及医疗规模扩张,检验过程所产生的数据量呈指数级增长,分析能力的不足可能导致海量数据的价值被大大低估,而人工智能与机器学习的参与为检验医学的划时代发展提供了良好机遇,其应用前景值得关注。目前人工智能在检验医学领域的应用方向主要集中在样本处理环节、形态学检验、检验结果审核及检验报告解读等方面,其在检验各阶段的参与均有效推进了检验质量的提升
3、。近年来,利用机器学习对检验数据及相关临床数据进行深度挖掘从而建立疾病诊断模型成为人工智能在检验医学领域新的潜在应用思路,这将为检验组合的优化、检验数据临床价值的提升及个性化医疗与精准医学的实现提供可能性。1人工智能在医学检验实验室的应用1.1样本处理环节的优化1.1.1样本采集样本采集环节是检验前质量控制的难点之一,样本采集质量将直接影响检验结果的参考价值。以血液样本采集为例,该环节重复量大、主要依靠个人经验且操作对象具有一定不可控性,难以实现标准化,其潜在误差包括采血管类型、采集时间甚至采血对象的主观性错误,极易对后续检验流程产生影响。相关资料显示,目前主流的全自动采血机器人通过对智能交互
4、技术、智能导航控制技术及智能生物识别技术的联合应用,利用红外线、超声波及视觉系统将所得数据作为输入,智能选择算法处理数据后确定血管位置及直径,进而选择针头采血的最佳位置及角度。近期研究提出在红外线及超声波造影基础上可利用基于Hessian算子的多尺度自适应静脉滤波提取方法结合相应人工智能算法从而更为精确地获取血管位置及直径数据,或将进一步提高全自动采血机器人的一次性穿刺成功率,也将助力样本采集环节的自动化及标准化,对检验前质量控制具有重要意义。针对样本采集过程中较高的投诉率及不良事件发生率,人工智能同样提供了新的思路。有学者提出通过在样本采集或接收窗口应用目前发展相对成熟的人脸识别系统,记录样
5、本采集与接收过程的人物、时间、流程及样本状况,这将有效减少样本采集环节各类主观性错误及潜在的顶替采样等问题,在提高检验前质量控制能力的同时,也将明显降低各类投诉及不良事件发生率。1.1.2样本转运人工智能在商业物流方面的应用已取得长足发展,基于算法对货物类型、转运地的筛选及路线规划已成为物流运输行业的常规方案。基于类似原理的样本前处理系统同样已应用在中大型医学检验实验室,但通常仅局限于其配套的检测流水线使用。近年来,工程师及研究者的注意力开始转向智能化程度更高、功能更全面的样本转运系统,即通过机器学习算法,结合视觉识别系统等智能识别样本与试剂,并根据已设定的逻辑在相应区域装卸样本。样本转运是检
6、验前质量控制的重要环节,转运时间过长、目的地错误及转运过程中样本的遗失、溢洒、污染均直接影响检验结果。而该类智能化样本转运系统可在全院范围内及时将标本送达指定检验区;其无菌环境及稳定性最大程度保证了样本的安全;基于机器学习的智能化系统可减少甚至主动提示并纠正人工分类送检的差错,提高了样本转运流程的准确性与及时性。当前部分大型医院已基本配备医院内样本转运系统,并实现了部分流程的自动化,如目前主流的智能轨道或气动管道传输系统,但仍面临无法避免人工筛选送检、转运时效无保证、转运过程无法追踪等问题。近年来更多研究者致力于将医院信息系统(HIS系统)、实验室信息系统(LIS系统)及样本转运系统数据基于人
7、工智能手段整合,实现院内样本信息互联互通,在提高转运效率的同时,保证检验申请医生、送检人员及检验人员等均可实施查询所关注样本的状态。1.2形态学智能化分析细胞形态学分析是检验医学领域极为重要的部分,血液及骨髓、体液检验均需以人工镜检作为金标准。然而人工镜检的工作量与耗费时长显然无法满足当前医疗规模的需求。人工智能的图像识别特性与机器学习的潜力与形态学分析特点契合,因此形态学智能化分析是人工智能在检验医学领域运用最为广泛的分支之一。1-2.1血液及骨髓细胞血液及骨髓细胞形态学检查是诊断血液系统相关疾病的关键检验项目。血液细胞形态学检查通常作为血常规检查的补充项目。目前主流的全自动血液细胞检测仪器
8、在血细胞分类计数方面的功能已经相对完善,而在形态学检查方面大多仅给予初步提示,形态学检查仍然主要依靠镜检,检验效率低,主观性强,对检验人员的专业水平要求高。当前常见的血液细胞形态分析仪器主要依靠数据库累积,对传统血细胞计数原理的依赖及数据库的局限性导致其智能化程度有限。近期研究以实时相位显微镜获取的大量外周血细胞的亮视野图像及数位图像作为训练数据,运用机器学习原理建立基于深度神经网络的血细胞分析模型,结合数据库支持,在提供高分辨率的血细胞图像的同时可进行准确地分类、计数分析,准确率最高达到99.6%,且其拍摄的大量高清细胞影像及对应分析结果对于机器学习过程与检验人员的回顾性分析都具有重要价值。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 2023 人工智能 检验 医学 领域 应用 进展
