二、检验AI的应用

（一）优化管理

1.检验项目的推荐：基于ML的临床决策系统，可参考患者临床信息及历史检验结果，预测测试前概率，进而指导医生选择检验方案。预计这种方法在保证有效性的前提下，能使越来越多患者获得可负担得起的诊断测试，同时降低医疗成本，据报道仅在美国每年估计可节省50亿美元支出 ［ 18］ 。此外，这种基于大数据的检验AI系统还可帮助临床实验室进行合理的试剂订购，避免遗漏及浪费 ［ 19］ 。

2.实验室的质量控制：越来越多的证据表明，传统的质量控制系统难以在日益复杂的测试环境中发现错误 ［ 20, 21］ 。通常，临床实验室使用室内质量控制（international quality control， IQC）样本来监控精密度。然而，并非所有检测项目都有合适的IQC样本；且现有的抽样检测系统无法对整个检测过程进行监测。目前，“移动平均统计质量控制”技术被证明能有效改善上述局面，该技术是在每天实验室检测工作结束后，对属于正常范围的患者测试值取平均值，并输入计算机程序进行质控分析 ［ 22］ 。该方法被证明能有效提高错误的检出率，且特别适合于IQC样本不理想或不可用时的质控 ［ 23］ ，在LIS系统中整合此类自动化质控软件将有助于构建实时监测、快速反馈的实验室质量控制体系 ［ 24］ 。

3.提升检验图像结果分析：图像识别是公认的AI最具发展前景的技术。据报道，深度学习催生的AI计算机视觉技术对皮肤癌 ［ 3］ 、乳腺癌 ［ 4］ 和糖尿病视网膜病变 ［ 5］ 等疾病的诊断性能已达到甚至超过专业医生。同样，遵循数字扫描成像、图像特征提取、多层模型训练的范式，检验领域亦可开发针对检验样本图像诊断的全自动数字化图像识别系统。一个典型的例子是CellaVision公司与Sysmex公司合作生产的全自动数字化细胞形态分析系统（简称DI-60系统） ［ 25］ ，该系统是模拟人工在显微镜下对外周血涂片进行镜检的阅片系统，它不仅实现了标本进样、滴加镜油、转换显微镜头、预分类细胞到结果存档的全程自动化，还具有极高的细胞预分类准确性，操作者只需要对预分类结果进行逐项复核。

4.及时、准确的自动审核：患者个体状况千差万别，这就要求检验工作者密切结合临床信息加以综合评估，必要时查询病历或电话追问主治医生，是对其工作经验和责任心的极大考验，也是人工审核的难点。检验AI的个性化自动审核系统可有效改进这种工作方式 ［ 26］ ，该系统通过自然语言处理（natural language processing， NLP）技术解读LIS和HIS系统对接的共享数据，将患者基础疾病、诊疗方案、药物影响因素、标本采集条件等信息与检验结果对接，同时与历史检验数据对比审核，以判断哪些检验结果与治疗过程相关，哪些结果正确可以上机发布，哪些结果异常需要报警等。

5.智能化的检验报告：在检验自动审核程序中还可提供与临床诊疗相关的选择，如智能解释、检验效能评价、疾病预测、疾病相关因素分析等 ［ 27］ 。在判断检验结果时，可提供某些检验项目在相关疾病诊断中的敏感性和特异性，该指标的进一步应用及相关检查的追加建议等。结合