您当前所在位置: 首页 > 质量管理 > 科室管理 > 正文

人工智能呼啸吹来,检验医学何以御风而行?

日期:2018-11-03 17:12:25 来源:中华检验医学网 作者:张桐硕 点击:

张桐硕 武警特色医学中心

 

人工智能的东风呼啸而来,会将检验医学席卷向何方?

伫立风口的检验工作者,又会以怎样的方式乘风而上?

 

图1  人工智能时代来临

人工智能(artificialintelligence,AI)的概念自上世纪50年代提出以来,历经半个世纪的沉睡,在互联网、大数据、云计算等新兴技术的加持下被唤醒,一路高歌猛进,随着国务院《新一代人工智能发展规划》的印发,AI被正式提升到国家战略的高度。如今,AI在医疗健康领域的研究成果频出,国内外高科技企业相继布局人工智能医疗行业。从医学影像智能判读到病历检索,从手术机器人到可穿戴生理监测,从新药研发到健康管理,到处可见AI现身的场景。

图2  医疗人工智能图谱(按产品分类的部分企业)

无论从技术含量还是仪器设备的多元密集性,检验科可谓集现代科技大成者,为其它科室所无法比拟。这也决定了检验医学对待新技术更为敏锐,为AI预备了广阔的技术转化平台。另一方面,临床对检验结果日益高标准的质量要求、个体化结果的分析和咨询、庞杂数据的处理压力,都迫切需要AI为检验医学注入了新的活力。虽然AI参与检验数据的生成和辅助诊断的渗透率还有待提高,但空气中已能嗅出新鲜的味道——AI即将全方位推动检验医学的变革。

本文立足AI在检验医学领域中的前沿进展,逐层深入地从提升检验流程的自动化程度、挖掘检验数据的辅助诊断价值、重塑检验行业服务模式这三个层面,探讨了AI相关技术与检验医学的结合途径,进而转向我国检验工作者,推演未来AI取代检验科日常工作的情境下,如何化解冲击,实现职能转型,开创人-机协同的检验医学新时代。期望本文广大检验同仁以及智能医疗从业者有所启发。

❖ 1. AI对整个检验流程的覆盖

1.1 检验前阶段——机器人完成标本采集与传送

检验分析前包括标本的采集、储存与运送,人员涉及面广、潜在因素多,是质量管理最薄弱的环节,60%~70%检验差错来源于此。医疗机器人是AI控制技术应用在医疗器械上的典型代表,不仅仅有大家所熟知的达芬奇手术机器人,医疗机器人的种类已涵盖了导诊、运送、护理辅助等医疗保健流程。血液检验前的人工采血一直是个老大难问题,不仅耗时费力,患者排队等待就医体验不佳,而且项目识别和人工贴条码过程易出差错。美国初创公司VascuLogic研制的采血机器人通过AI算法综合分析手臂的红外和超声信号,自动定位静脉最佳采血位点,相比护士采血更加安全高效,也将大大缓解患者对采血的畏缩情绪。再比如,我国少数几家医院率先开展的门诊智能采血管理系统,实现了排队叫号、判断患者检验信息、核实检验项目、血样传输的全程自动化,极大提高了检验效率,同时化解了困扰已久的医患纠纷,发挥了良好的示范效应。

图3  天津医科大学总医院的智能采血管理系统

1.2 检验中阶段——深度学习助力形态学判别

以卷积神经网络为标志的深度学习驱动了此轮AI的爆发,它尤为擅长分析图像信息。基于图像识别的AI对皮肤癌、乳腺癌和先天性白内障等疾病的鉴定水准已经达到甚至超过专业医生,这类研究成果2016年以来陆续发表在Nature、JAMA等重磅医学期刊。2018年初,美国FDA批准了全球首个深度学习影像临床应用平台ArterysCardioDL。腾讯推出的AI医学产品“腾讯觅影”包含早期食管癌、肺结节、乳腺癌、糖尿病视网膜病变等多病种的影像筛查,落地国内一百余家三甲医院。谷歌旗下的Deepmind开始将更精确全面的3D图像技术应用于深度学习。AI在影像学领域的科研和商业化的如火如荼,为形态学检验树立了榜样。从上世纪80年代就有学者开始对血细胞、尿液有形成分等样本的图像识别进行尝试,但受制于算法结构和细胞数据库的规模,效果并不令人满意,至今的主流仍是利用流式细胞技术转换成的光电信号的方式来间接识别。深度学习催生了新一代计算机视觉技术,以此为依托,无论是血细胞、骨髓细胞、精子,还是尿液和粪便颗粒,乃至细菌形态和染色体,都有望遵循着数字扫描成像→图像特征提取→多层模型训练的流程开发形态学分析系统,攻克检验自动化中最后的难关。

图4  人工智能识别血细胞形态的工作原理

1.3检验后阶段——个性化的报告审核

审核检验结果的难点在于标本取自的患者状况千差万别,不能机械地依据指标的参考区间判断异常值,患者指标相对于其个体基础水平的动态变化有时才是重要的。这要求检验工作者密切结合临床信息加以综合评估,必要时查询病历或与电话追问患者的主治医生,是对其工作经验和责任心的极大考验。基于患者自身情况建立个体检验指标的参考区间,实现个性化审核是智能化审核系统的改进目标。例如判断心肌肌钙蛋白I(cTNI)检测结果的可靠程度时,系统将自行调取心脏病发病史或手术史以及cTNI的历史结果等一系列临床诊疗进程的指标输入审核模型,若不能通过审核,会自动制定复检方案并切换至人工确认。

❖ 2. 基于检验数据的AI辅助诊断

在发达国家,70%~80%的医疗决策依赖于实验室检查结果。通过AI挖掘检验指标与疾病之间隐含的联系或规则,无疑能为临床提供更有价值的诊断意见。早期的计算机辅助诊断由手动编制的大量逻辑规则组成知识库,采用符号推理的方式,无法在临床实践中自我校正、弥补知识缺陷,因而临床应用性非常局限。AI为辅助诊断开辟了新的途径,其凭借强大的自学能力灵活调整参数、持续优化系统性能,实现了对临床诊病思维和推理判断过程的模拟。我国的AI辅助诊断还停留在对国外的仿效阶段,从基于单类型检查数据的辅助诊断→利用电子病历、检验、影像等多类型数据源的综合辅助诊断→集诊断、治疗、预防、风险预测等功能为一体的医疗专家系统,将是AI作为医疗辅助工具的升级方向。

图5  IBM公司旗下的“沃森医生”被誉为“最好的癌症专家”

2.1 区块链为检验数据保驾护航

随着深度学习算法日趋成熟,人类进入了AI的实践时代,模型训练数据的规模超越算法成为提升AI诊断效果的决定因素。IBM公司的AI机器人“沃森医生”为了构建肿瘤识别模型,吸纳了150万份病历和诊断图像、200万页医学专著或文献资料。中国在医疗数据方面具有先天优势,但实现令人遗憾,国内医院缺乏数据互通规范,医疗数据被分割在不同的部门里,难以发挥规模效益。检验科是医疗单位中最具大数据特征的科室之一,但在检验数据的收集过程中,会不可避免地涉及到国民健康信息等国家基础安全数据和患者隐私等不适宜公开的信息,必须采取必要措施规避相关法律和伦理风险。恰好,区块链崛起带来了转机!检验科的某项检测结果一旦生成就可加密写入区块链,既能通过时间戳溯源患者和样本以确保数据准确,又禁止被无权限的人员查看,更杜绝了黑客的攻击篡改。在患者的授权下,这些检验数据以一种安全共享的方式在医疗体系内流转,节约了数据获取的成本,也增加了患者对院方的信任。未来或以区块链建立一套医疗产业的信用系统,为AI辅助诊断铺平道路。

图6  区块链实现了点到点以及信息流向的精准识别

2.2 数据挖掘对传统指标的二次开发

相比那些备受瞩目但缺乏临床实用性的新型标志物,大量常规检验指标的诊断价值可能被无意忽略了,在智能医疗时代迫切需要被重新认识和开发。数据挖掘在AI领域被视为机器学习和数据库的交叉,能从海量的医疗数据中提取潜在的信息和模式。对检验结果和病情诊断数据的深度挖掘,可以将传统检验指标的用途推陈出新。一方面,通过数据挖掘探索、优化多指标联合诊断方案,使现有的检验指标高度协同、融合,最大限度地提升诊断效能。笔者近期就完成的一项关于卵巢癌智能化辅助诊断的研究,从电子病历收集了肿瘤标志物、血常规、性激素类等共计28项血液学指标,然后经主成分分析提取这些指标的核心特征,最后得出的诊断效能明显优于单项检测CA125的传统方式。另一方面,通过数据挖掘对纷繁的检查项目进行筛选,精简项目组合,节约医疗资源并减轻患者经济负担。有学者对近4 000例门诊样本进行了回顾分析,发现红细胞体积分布宽度(RDW)和超敏C反应蛋白(hs-CRP)、血沉(ESR)两项炎症指标呈明显正相关,由此建议在心血管疾病风险预测模型中选用更为方便廉价的RDW替代hs-CRP和ESR。不知读者看出没有,数据挖掘技术正在帮助检验人发现手边的数据资源,更加从容便捷地开展科研。

2.3 机器学习解读分子诊断

获益于生物芯片和基因测序技术的进步,检验医学早已突破了过去以血、尿、便三大常规为主的工作范围,拓展到当代医学的前沿领域——分子诊断。种类繁多的基因组、蛋白质组、代谢组、宏基因组检测数据是实现精确医疗的必要前提,但高通量组学数据的呈现形式不同于传统检验数据,全新的解读分析思路给检验行业带来了挑战。机器学习是AI研究的基础内容,远比常规回归模型适合处理非线性关系,而且机器学习的鲁棒性强,足以应对分子检测伴发的数据噪音干扰。机器学习构建起的复杂精密的多参数诊断模型已广泛应用于液体活检、产前筛查等领域。机器学习下分为诸多具体模型,有采用支持向量机评估血小板RNA测序对泛癌症类型的区分度的,有构建基于肠道微生物诊断早期肝癌的随机森林分类器的,还有青年才俊用自主设计机器学习程序分析DNA甲基化指纹来鉴定中枢神经系统肿瘤。

图7  德国癌症研究中心科学家斯蒂凡·普菲斯特及其同事开发的机器学习程序使用甲基化指纹鉴定出91种肿瘤(点击图片科放大查看)

❖ 3. AI拉动检验服务的一体两翼

承受着民众医疗刚需的巨大压力,以综合性医院检验科为主体的检验服务体系正逐步向两翼分担,第三方实验室和家用即时检验(point-of-caretesting,POCT)的将承接更多的检验业务。第三方实验室或区域检验中心的高效、完备、集中,与POCT的快捷、便携、分散的特点相配合,可以满足不同层次人群的需求。AI可以把技师的误差排查和专家的诊断经验固化下来,弥补以上检验服务场景中医疗专业人员的缺位,以AI赋能的方式快速拉动第三方实验室和POCT的服务质量,帮助优质的检验诊断资源下沉到基层,推进分级诊疗的落实;第三方实验室和POCT源源不断产生的数据又能反哺AI系统性能的升级迭代,并为AI在检验医学产业生态中的布局开辟广阔空间,由此可形成AI适用性与检验行业服务水平的良性循环式发展。

3.1 AI拉动第三方实验室

在欧美和日本等发达国家,第三方实验室已经占据临床检验市场的1/3以上。而我国的第三方医学检验兴起较晚,市场份额只有3%。医联体是现今我国医疗改革的主题,第三方实验室作为医联体的重要组成部分,在政策的鼓励下开始在各地建设起来。届时,第三方实验室负责区域内的各家社区卫生机构和中小型医院会将采集完的标本通过冷链物流体系统一运送过来,伴随着检测工作量的激增,第三方实验室迫切需要提升检测的自动化水平以及结果自动解读能力。AI医疗流程控制与诊断系统在第三方实验室配置后,不仅能保证传回各个卫生机构的检验结果的规范化和标准化,还能附加初步诊断的增值服务,将一些重点疾病的筛查和预警工作提前完成,节省医生的反应时间。

图8  第三方独立实验室作为医联体的重要组成部分,在政策的鼓励下如雨后春笋般成长

3.2 AI拉动POCT

POCT省去了标本在实验室的复杂处理过程,其产品趋于家用化与可穿戴化,在疾病预防、慢病管理等方面的应用市场巨大。AI和POCT类检测设备的结合日益紧密,融入了更多智能化、信息化元素的智慧POCT(intelligentPOCT,iPOCT)设备崭露头角。iPOCT内植入的AI软件通过访问基于云端大数据的质量管理服务系统,真正实现远程监护和质量控制;在检测完成后,又能与病史信息、体症指标迅速整合,在经大样本反复训练后的AI模型中进行自动分析,提供出更全面的诊疗建议。iPOCT与移动云平台、个人用户APP终端以及医院的LIS与HIS系统相互连接,可达成区域医疗机构之间结果互认,便于医生追踪用户的健康状况,完成院外随访数据的采集,iPOCT将成为连接家庭、检验医师、社区卫生医生的枢纽。以糖尿病管理为例,无创型连续血糖监测仪是POCT领域的一大亮点。在未来,可利用AI引擎分析用户的血糖、用药等数据后,将血糖控制的实时指导意见快速传到用户的手机、手表等移动接收设备。在此基础上还能加装AI精准调控的胰岛素输送泵,打造“仿生胰腺”。

❖ 4. 人-机协同时代的检验人的焦虑与转型

面临AI的侵蚀和冲击,各行业从业者的焦虑普遍存在,检验行业更是这种恐慌情绪的“重灾区”。医学的智能化变革是大势所趋,抗拒和逃避都只会让我们错失这一轮技术红利。AI的优越性很大程度上依托于底层的复杂数学原理和高性能计算技术,但对于检验医学人员较为生疏,导致其难以清晰理解AI的伦理边界并自觉培养出机器智能的协同方式,检验工作者应适当学习一下计算思维与计算机方法论,补齐认知上的短板。医务人员跟AI并非零和博弈关系,而是将在合作的基础上共同演进。目前来看,AI时代的检验行业将至少新出现以下两类人才缺口。

4.1 检验数据标注技术员

AI尚处于弱智能阶段,不同于强智能通过主动向外界获取信息来抽象出合适的处理逻辑,弱智能不具备独立发展的能力,只能被动接受信息的灌输,处理逻辑的修正依赖数据库的持续更新。其次,AI的深度学习算法是一个“黑箱”系统,其内部的数据处理过程无法被监督,输入的数据中加入小小的改变就很容易误导深度学习,获取可靠性高的标注数据成为维护医疗AI系统的关键环节。于是,实验室诊断AI对数据的强劲需求将催生数据标注产业,需要大量的新型技术人员为检验数据内容打标签、做标记,将“营养高、易消化”的数据“喂”给AI模型。这类“饲养员”不强求计算机算法方面过硬的背景或学历,但需要检验医学理论基础和一定的技术管理能力,以便完成标本数据的筛检分类,参与构建医学诊断知识图谱。

4.2 检验医师

AI虽能部分模拟人脑的识别、记忆、计算、推理判断等功能,却无法重现情感、信念、联想、创造等高等级思维活动。AI对疾病的学习侧重于发现关联,而难以理解疾病过程与预测转归。医疗决策是富有创造性和人文关怀的过程,医务人员之间以及医患之间的沟通互动所体现出的人类智慧绝非AI能取代。在AI技术的倒逼下,迟迟未能落地的检验医师的概念回归人们的视野。检验医师作为检验与临床沟通的桥梁,肩负着指导选择检验项目、解答来自医患双方的疑难检验问题、参与病例讨论提供诊断意见、推广新技术新指标等多重职责。欧美日等国家早年已形成了成熟的检验医师制度,而目前我国检验医师定位模糊,培养明显滞后于检验医学的发展。AI将检验工作者从日常繁杂的操作中解放出来,使其有精力和时间致力于更高层次的实验室活动,并积极关注外部的需求反馈,深入临床一线开展指导和咨询服务。AI时代的检查数据量必将极大丰富,各临床专科医生的知识储备面对高通量的检验项目和AI给出的诊断概率时必然是浅薄的,检验医师在检验方法与结果评判上将掌握更多话语权。我国检验医师人才队伍的发展任重道远,需要国家从长远角度考虑,在检验医师的培养途径和准入机制上加以引导,也需要检验专业学子抓住AI时代的契机进行前瞻性准备,适应和拥抱AI的新技术、新理念。

图9  人工智能将把检验人从繁杂的工作中解放出来

 

❖ 结语

“牢骚太盛防肠断,风物长宜放眼量”。AI方兴未艾,检验医学作为一个重要的智能医疗板块正在崛起。随着医联体、移动医疗、精准医疗等新型医疗服务模式的推进,带给了AI与检验医学许多结合点。而AI积累的技术红利释放到检验行业的过程面临着诸多风险和挑战也不容小觑,涉及监管、伦理,以及教育等方面问题等待求解。检验医学智能化的蓝图已经铺开,广大检验从业者唯有顺势而上,调整角色定位,将职业规划架设在最新的技术基础设施上,才能获得一番成长天地。处于风口的我们,准备好御风而行了吗?

正式论文已在《国际检验医学杂志》第40卷第8期优先电子出版



(责任编辑:lgh)

相关阅读

站内搜索

品牌推荐

更多 >>

关闭二维码
关闭二维码