2023年，IVD行業里時不時有一些企業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。顯現了人工智能的巨大影響力，其主要應用在樣本處理、形態學檢驗、物流轉運、檢驗結果審核和報告分析等，當前IVD檢驗設備進入全自動時代，檢驗數據呈現指爆發性增長態勢，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容，必將數據價值更大程度地釋放出來。
最初，人工智能以計算機為基礎，對語音、圖像進行識別，后發展語言處理系統、專家系統、圖像處理等多個中轉樞紐，隨著研究的深入和突破，精準度提高及深度學習系統的問世，人工智能的概念逐漸成熟，可以應對大量的數據“來襲”，可代替人工大量重復工作，贏得該有的地位，正式進入應用階段。事實上，各行各業均有需要，顛覆性改革勢在必行，展望2024年的檢驗領域，人工智能必然會在原有的基礎上繼續更迭、升級，發揮更強的影響力
檢驗過程的升級
檢驗人知道，樣本開始采集就要開啟質控，過去由于多是人工操作，即使經過專業培訓，仍帶有極強的主觀影響，因此，樣本采集環節仍對整個檢驗流程和結果有制約。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、導航控制、生物識別等智能技術，從內容看主要是利用紅外線、超聲波、視覺系統、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。一種新技術概念或許可以改變這個局限，基于Hessian算子的多尺度自適應靜脈濾波提取方法，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生率，可通過在樣本采集或接收窗口應用人臉識別系統，規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，看起來像是現有科技革命的終極方案，也是實現人工轉設備全自動化的初衷。
在轉運方面，中大型醫學實驗室的樣本前處理系統通常僅局限于配套的檢測流水線，而要往更大范圍的區域裝卸樣本，依靠現有的系統或將無法實現。自從有了深度學習的應用之后，結合現有的識別系統，可實現在全院范圍將樣本送達制定檢驗區，并且擁有較好的無菌環境及最大程度的穩定性，有主動糾偏的能力。例如智能軌道、氣動管道傳輸系統。盡管目前還有一些人工篩選、轉運時效無法保證、過程無法追蹤等問題，但隨著多個信息系統的整合、互聯互通，更多人工智能整合系統出現，這些問題將一步一步化解。
人工智能的應用趨勢
人工智能的應用潛力方方面面，幾乎可以貫穿檢驗的始末。以檢驗前的申請為開端，臨床醫生所開具的檢驗單受限于就診人自訴、醫生的個人專業判斷、過往使等，缺少第三方的較為中立、更豐富的判斷，機器學習可結合雙方提供的信息，對適宜的檢驗項目進行篩選，精準醫療，提高就診效率，降低投訴率和醫療成本等系列醫療優化。
在檢驗過程中，通過在全自動化流水線添加智能模塊，設定時間進行質控，判定質控結果狀態，是當前人工智能在質控方面的主要應用形式。近年來，一種新的實時質量檢測方案，對實驗室誤差進行實時監測，在深度學習的幫助下，能對各參數進行驗證和持續優化，提高質控水平。而且，隨著數據共享程度的提高，各實驗室間有望實現標準統一，實現智能化的室間質評。
人工智能在檢驗的應用知名度較高的應該是對報告的分析解讀，給醫務人員現成、多維度的報告參考，將極大解放智力勞動；對患者來說，附帶異常結果提示、關鍵結果解釋、趨勢對照等更詳細便利的解讀，趨于標準化的結果，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，結合多項檢驗指標及病理學、影像學檢查結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度。
第二層面，隨著更強的算法算力出現，足夠的數據量、訓練量助推之下，疾病診斷模型不再局限于已構建的疾病類型，可能會發現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域。
總結
檢驗醫學里新技術的發展，必然是結合人工智能、機器深度學習來改變整個檢驗業態。
于人工智能而言，算法算力等的限制導致當下的應用程度仍然不足，應用領域也較為局限，同期發展伴隨的數據安全與倫理問題應對方案尚待完善，從這個端來看，人工智能還處在發展早期，這對所有IVD企業都是一樣的機遇，誰充分掌握這個機會，或將提升其在業內原有的位序。
于檢驗人而言，盡管傳統熟悉的檢驗新技術會繼續層出不窮，更強的性能更快的速率會刷新對新設備試劑、原料等的認知，但最核心的可能要跳出包括這在內的檢驗圈事業，對人工智能需有更情深的了解和學習，并掌握相關技能，理論和實踐相結合，最大程度的與人工智能發展腳步同步、甚至超前。
文章來源：小桔燈網
