文章内容整理自海军军医大学附属第一医院 刘善荣 教授的专题讲座
智慧医学的发展为患者提供了更快速可靠的医疗服务，并有望在未来进一步改善个性化诊疗的质量与可及性，本文将结合案例展示人工智能在检验医学中的应用并分享在胃癌等疾病中的研究进展。
人工智能与检验标准管理 检验是一门看似简单，但实则被国内外众多标准约束的复杂学科，从1998年5月颁布的《WS/T102-1998临床检验项目分类与代码（已废止）》至目前，国家卫健委共颁布了129个临床检验专业的标准，面对国内国际上的众多标准，如检验人员无法全部牢记，在工作过程中便会伴随困扰。 目前临检、生化、免疫、微生物、PCR等模块可实现全自动流程管理，但检验标准的管理还未实现智能化，不过人工智能与检验实验室的结合，为检验前的标本处理与项目开发，检验中的形态学检测与辅助诊断及检验后的报告审核解读等检验全流程提供了更多可能，将检验行业标准植入智能系统中辅助诊断是大势所趋。
人工智能与检验数据分析 疾病诊断需要依托于大数据，有研究者通过计算肿瘤细胞的PH值预测识别肿瘤细胞，在研究过程中需要在形态学角度收集大量指标，人工智能为大数据的获取提供了更加便捷的方式。 检验科的常规检验大数据有数据体量大（Volume）、数据价值高(Value)、数据产生速度快（Velocity）、准确性高(Veracity)、数据种类繁多(Variety)五大特点，患者在检验科会接触到血液、免疫、微生物、体液众多检测，其中包括血常规、凝血功能及心衰标志物检测等繁多项目，这些检验指标体现肿瘤发展过程中的累积代谢变化，深入挖掘其内在关系具有潜在的诊断价值。 胃癌诊断模型V22 V22诊断模型利用随机森林算法，包含22个指标，虽然大多数为血常规及脂代谢等常规指标，但V22在临床实验阶段却有不俗表现。 区分早期胃癌和非胃癌的患者实验中，其诊断效能（AUC）达到0.808，区分早期胃癌与癌前疾病，其诊断效能（AUC）值为0.928，最后将其与检验科常用的CEA（癌胚抗原检测）进行比对，结果显示1497例CEA指标中，CEA阳性(CEA≥5 ng/ml) 病例仅有309例（占20.6%），阴性病例则达到1188例（假阴性率为79.4%）。在CEA阴性的1188例胃癌病例中，1058例可经V22诊断为胃癌（占89.1%），309例CEA阳性的胃癌病例中，296例可经V22诊断为胃癌(95.8%)。 结直肠癌实验诊断模型CRC—Lab 肠镜作为结直肠癌的金标准有其局限性，5种机器学习算法进行大数据的分析比对下，Xgboost算法脱颖而出，此模型包含粪便隐血、癌胚抗原、红细胞分布宽度等7个指标，临床试验阶段乙型肝炎病毒核心抗体所占比重仅为0.007，却被模型反复捕捉提取，后经查证，乙型肝炎病毒与结肠癌的发生确实具有伴随性，由此可见，大数据或可使大家关注到易被忽视的问题。 模型含有七个指标 疾病诊断需要依托于大数据，有研究者通过计算肿瘤细胞的PH值预测识别肿瘤细胞，在研究过程中需要在形态学角度收集大量指标，人工智能为大数据的获取提供了更加便捷的方式。 检验科的常规检验大数据有数据体量大（Volume）、数据价值高(Value)、数据产生速度快（Velocity）、准确性高(Veracity)、数据种类繁多(Variety)五大特点，患者在检验科会接触到血液、免疫、微生物、体液众多检测，其中包括血常规、凝血功能及心衰标志物检测等繁多项目，这些检验指标体现肿瘤发展过程中的累积代谢变化，深入挖掘其内在关系具有潜在的诊断价值。 胰腺癌胰腺炎鉴别模型GBDT-TC18及案例分析 由于胰腺癌早期发病隐匿及患者通常无法准确描述临床症状等原因，胰腺癌极易漏诊，确诊时通常已达中晚期并常与胰腺炎混淆，因此高效精准的诊断模型成为临床的迫切需求。 GBDT-TC18模型包括性别年龄等18个指标，模型针对区分胰腺癌和胰腺炎的诊断准确率明显优于常规检验CA19-9，AUC达到0.977，诊断效率提升20％，敏感性达到0.957,诊断效率提升33％。 模型含十八个指标 模型与CA19-9对比 大数据模型不仅在数据测试对比中显示出其优势，在临床实际诊疗中，也发挥出其高效辅助诊断的作用。 案例一，患者汤某，55岁，女，主要症状为反复呕吐1月余。现病史：1个月前无明显诱因出现反复呕吐，呕吐物为胃内容物及黄色液，伴腹胀，无呕血、腹痛、放射痛。前期于当地卫生院诊断为糜烂性胃炎、胆汁反流，予以抑酸护胃后无明显好转，于某市人民医院行胃镜检查示食管损伤伴溃疡形成，重度胆汁反流性胃炎，糜烂出血性胃炎，未予治疗。其精神状态、体力、食欲、睡眠、大小便等情况正常。 此患者数据被GBDT-TC18模型自动抓取，18个指标中CA19-9中度升高为410.09u/ml，淋巴细胞百分比偏低为19.3％，嗜酸粒细胞偏低，中性粒细胞百分比偏高为73.4％。模型根据检测指标的异常结果，预测患者胰腺癌几率为74.24％、脑瘫13.65％、肝细胞性肝癌几率12.11％，最终判断结果为胰腺癌。临床上对患者进行上腹部CT检查，提示胰头癌，侵及肠系膜上动静脉；行超声内镜下胰腺细针穿刺活检术(EUS-FNA)快速病理找到可疑癌细胞；液基薄层细胞学检查找到个别异性细胞，最终确认该患者所患疾病为胰腺癌。 案例二，患者郝某，53岁，男，主要症状为上腹部不适40天。现病史：40天前进食后出现上腹部不适，伴有小便黄、腰背部疼痛、全身皮肤及巩膜黄染、皮肤瘙痒、大便白陶土色、消瘦、发热、恶心呕吐，于当地医院就诊，予以护胃保肝治疗，症状无明显好转。患者自发病以来精神状态、体力、睡眠良好，食欲食量一般，体重无明显变化，大便正常，小便深黄色。 该患者18项指标中CA19-9、CEA、CA125均为阴性，但血常规明显异常，模型根据检测结果预测其患胰腺癌几率为79.74％，脑瘫几率为19.1％，肝细胞性肝癌几率1.16％，最终判断结果为胰腺癌。临床上对患者进行上腹部CT检查及胰腺增强MRI，提示患者胰头占位，有胰腺癌可能；入院后给予开腹保留幽门的胰十二指肠切除术＋腹膜后淋巴结清扫术；术后病理显示其为（胰头）中分化导管腺癌，与模型判断相符。 郝某18项指标结果 由此可见人工智能大数据分析对于临床检验中复杂疾病的诊断有较大意义，但是针对单个病种研发不同模型，效率较低且流程繁琐，针对这一情况，智能解读系统的研发被提上日程。
人工智能解读系统 检验过程中，指标与疾病大部分为不确定关系，一个指标常与不同疾病关联，人工智能解读系统数据库中的5000多篇国内外多学科医学指南及医院2010年至今两亿八千万次的检验数据，三千一百万次的诊断数据可辅助建立指标与疾病之间的关系脉络。随后运用MiXG算法（基于XGBoost和遗传算法的一种混合算法）进行报告解读，至此，一个智慧检验平台初具雏形，其凭借算法和知识系统可辅助临床深度解读检验报告，为临床决策提供准确性高、解释性强的实验室诊断分析。 案例一，患者男，70岁，2019年12月27日患者门诊诊断为胆囊结石，三日后门诊诊断为梗阻性黄疸，入院确诊为胰头恶性肿瘤，患者74项检验结果中33项异常，AI分析解读后判断患者消化系统及血液系统肿瘤患病可能性高，伴有感染，胰腺癌贫血可能性高，恶性肿瘤、阻塞性黄疸、结肠癌可能性中。AI提供的诊断依据：CA19-9极度升高，有胰腺癌风险，直接胆红素及总胆红素升高，外加碱性磷酸酶及间接胆红素偏高，因此判定有阻塞性黄疸可能。 案例二，患者男，53岁，2019年12月29日患者急诊发现持续性蛋白尿，随后入院确诊为慢性肾小球肾炎。其131项检验结果中27项异常，检优平台综合分析判断患者泌尿系统和肿瘤患病可能性高并伴有较严重感染。AI计算了该患者的肾功能评分，结果为CKD预后评估G1A3期（高危），高脂血症可能性高，炎症、肾病、心血管疾病可能性中，CKD预后评估G1A3期（高危）依据为：该患者尿白蛋白重度增加，肾小球滤过率正常，慢性肾病从初期到终末期的不同阶段会有发展性的肾功能变化，且治疗方法也不同，及时进行CKD预后评估，可有效辅助临床医生制定精准的治疗方案。 上述案例展示了智能解读系统为临床诊疗开辟的新思路，人工智能与检验的结合尚处于起步阶段，智能平台目前还不具备自我学习、自动迭代更新及自我评估的能力，对于疾病的判读结果无法详细解释其准确性，日后仍有较大完善空间。 检验不是将样本送入机器的简单工作，科研是检验人的分内之事或许在未来，检验科会实现全流程自动化远程管理，AI可完成70％的工作，检验人只需完成结果确认等工作，从而将更多精力投入在复杂疑难疾病相关的研发及人才培养中，推动学科发展，为患者创造更大获益。
