2023年，IVD行業(yè)里時不時有一些企業(yè)因為人工智能加持而名氣大增，高頻詞-機器深度學習被廣泛認知、重視。顯現(xiàn)了人工智能的巨大影響力，其主要應(yīng)用在樣本處理、形態(tài)學檢驗、物流轉(zhuǎn)運、檢驗結(jié)果審核和報告分析等，當前IVD檢驗設(shè)備進入全自動時代，檢驗數(shù)據(jù)呈現(xiàn)指爆發(fā)性增長態(tài)勢，此時人工智能興起也是恰逢其時，以機器深度學習為主要內(nèi)容，必將數(shù)據(jù)價值更大程度地釋放出來。
最初，人工智能以計算機為基礎(chǔ)，對語音、圖像進行識別，后發(fā)展語言處理系統(tǒng)、專家系統(tǒng)、圖像處理等多個中轉(zhuǎn)樞紐，隨著研究的深入和突破，精準度提高及深度學習系統(tǒng)的問世，人工智能的概念逐漸成熟，可以應(yīng)對大量的數(shù)據(jù)“來襲”，可代替人工大量重復(fù)工作，贏得該有的地位，正式進入應(yīng)用階段。事實上，各行各業(yè)均有需要，顛覆性改革勢在必行，展望2024年的檢驗領(lǐng)域，人工智能必然會在原有的基礎(chǔ)上繼續(xù)更迭、升級，發(fā)揮更強的影響力
檢驗過程的升級
檢驗人知道，樣本開始采集就要開啟質(zhì)控，過去由于多是人工操作，即使經(jīng)過專業(yè)培訓，仍帶有極強的主觀影響，因此，樣本采集環(huán)節(jié)仍對整個檢驗流程和結(jié)果有制約。長期以來，對阻斷人員因素的全自動采集探索，孜孜不倦，以血液采集為例，過去15年里，先是有全自動化采血的興起，首先解決了可能和不可能的問題；隨后引入機器人智能交互、導(dǎo)航控制、生物識別等智能技術(shù)，從內(nèi)容看主要是利用紅外線、超聲波、視覺系統(tǒng)、智能選擇算法進行精準采血，其二解決準不準的問題。
然而作為初級階段，該種處理方式具有一定的局限，成功率也并非理想。一種新技術(shù)概念或許可以改變這個局限，基于Hessian算子的多尺度自適應(yīng)靜脈濾波提取方法，加上人工智能有望進一步提高一次性穿刺成功率。針對采集過程的不良發(fā)生率，可通過在樣本采集或接收窗口應(yīng)用人臉識別系統(tǒng)，規(guī)避一些頂替采樣的潛在風險及其他主觀性錯誤，有望降低投訴及不良事件。這是解決理想不理想的問題，看起來像是現(xiàn)有科技革命的終極方案，也是實現(xiàn)人工轉(zhuǎn)設(shè)備全自動化的初衷。
在轉(zhuǎn)運方面，中大型醫(yī)學實驗室的樣本前處理系統(tǒng)通常僅局限于配套的檢測流水線，而要往更大范圍的區(qū)域裝卸樣本，依靠現(xiàn)有的系統(tǒng)或?qū)o法實現(xiàn)。自從有了深度學習的應(yīng)用之后，結(jié)合現(xiàn)有的識別系統(tǒng)，可實現(xiàn)在全院范圍將樣本送達制定檢驗區(qū)，并且擁有較好的無菌環(huán)境及最大程度的穩(wěn)定性，有主動糾偏的能力。例如智能軌道、氣動管道傳輸系統(tǒng)。盡管目前還有一些人工篩選、轉(zhuǎn)運時效無法保證、過程無法追蹤等問題，但隨著多個信息系統(tǒng)的整合、互聯(lián)互通，更多人工智能整合系統(tǒng)出現(xiàn)，這些問題將一步一步化解。
人工智能的應(yīng)用趨勢
人工智能的應(yīng)用潛力方方面面，幾乎可以貫穿檢驗的始末。以檢驗前的申請為開端，臨床醫(yī)生所開具的檢驗單受限于就診人自訴、醫(yī)生的個人專業(yè)判斷、過往使等，缺少第三方的較為中立、更豐富的判斷，機器學習可結(jié)合雙方提供的信息，對適宜的檢驗項目進行篩選，精準醫(yī)療，提高就診效率，降低投訴率和醫(yī)療成本等系列醫(yī)療優(yōu)化。
在檢驗過程中，通過在全自動化流水線添加智能模塊，設(shè)定時間進行質(zhì)控，判定質(zhì)控結(jié)果狀態(tài)，是當前人工智能在質(zhì)控方面的主要應(yīng)用形式。近年來，一種新的實時質(zhì)量檢測方案，對實驗室誤差進行實時監(jiān)測，在深度學習的幫助下，能對各參數(shù)進行驗證和持續(xù)優(yōu)化，提高質(zhì)控水平。而且，隨著數(shù)據(jù)共享程度的提高，各實驗室間有望實現(xiàn)標準統(tǒng)一，實現(xiàn)智能化的室間質(zhì)評。
人工智能在檢驗的應(yīng)用知名度較高的應(yīng)該是對報告的分析解讀，給醫(yī)務(wù)人員現(xiàn)成、多維度的報告參考，將極大解放智力勞動；對患者來說，附帶異常結(jié)果提示、關(guān)鍵結(jié)果解釋、趨勢對照等更詳細便利的解讀，趨于標準化的結(jié)果，有利于自身的健康管理。
自深度學習被運用之后，使得報告解讀的意義得到極大的擴寬，第一層面上，結(jié)合多項檢驗指標及病理學、影像學檢查結(jié)果的疾病診斷模型擁有更全面的參考因素，得出的報告的結(jié)論將更全面，不遺漏，這是過去人工無法企及的，不單是解放解讀報告的工作，而且是提高解讀報告的專業(yè)度。
第二層面，隨著更強的算法算力出現(xiàn)，足夠的數(shù)據(jù)量、訓練量助推之下，疾病診斷模型不再局限于已構(gòu)建的疾病類型，可能會發(fā)現(xiàn)不在模型里面的疾病類型，機器深度學習自身可以一定程度上探索未知領(lǐng)域。
總結(jié)
檢驗醫(yī)學里新技術(shù)的發(fā)展，必然是結(jié)合人工智能、機器深度學習來改變整個檢驗業(yè)態(tài)。
于人工智能而言，算法算力等的限制導(dǎo)致當下的應(yīng)用程度仍然不足，應(yīng)用領(lǐng)域也較為局限，同期發(fā)展伴隨的數(shù)據(jù)安全與倫理問題應(yīng)對方案尚待完善，從這個端來看，人工智能還處在發(fā)展早期，這對所有IVD企業(yè)都是一樣的機遇，誰充分掌握這個機會，或?qū)⑻嵘湓跇I(yè)內(nèi)原有的位序。
于檢驗人而言，盡管傳統(tǒng)熟悉的檢驗新技術(shù)會繼續(xù)層出不窮，更強的性能更快的速率會刷新對新設(shè)備試劑、原料等的認知，但最核心的可能要跳出包括這在內(nèi)的檢驗圈事業(yè)，對人工智能需有更情深的了解和學習，并掌握相關(guān)技能，理論和實踐相結(jié)合，最大程度的與人工智能發(fā)展腳步同步、甚至超前。
文章來源：小桔燈網(wǎng)
