检验医学现状调查分析以及智能发展论文（共2篇）(4)

　　2.3.5液基薄层细胞有形成分分析液基薄层细胞有形成分分析主要是通过人工镜检检测宫颈是否存在细胞增生，从而判断宫颈是否病变，液基细胞检测对宫颈癌细胞的检出率为100%。郑欣等［48］提出了一种基于YOLO（YouOnlyLookOnce）模型的算法对液基薄层细胞进行识别，该算法利用700张来自不同视野下的液基薄层细胞进行训练。考虑到液基薄层细胞黏连严重，提取图像特征的基础网络过深会导致过拟合，故使用Resnet50作为基础网络，该算法模型对液基薄层细胞识别率为87%，对液基细胞团簇的识别准确率为75.9%。

　　2.3.6尿液有形成分分析尿液有形成分分析一般是医生将尿液制成样本直接在显微镜下用肉眼观察红细胞、白细胞、上皮细胞、各种复杂管型以及各种结晶。尿液显微镜检查是诊断泌尿系统疾病的重要手段［49-50］。蔡立章等［51］基于BP(backpropagation)神经网络改进算法对白细胞进行识别，选用LeNet-5网络模型基于matlab平台实现网络对白细胞、红细胞、结晶的识别，然后将深度学习图像识别结果与传统算法进行比较，证明了深度学习算法的优越性。市面上常见的尿液有形成分分析仪有迈瑞的EH-2080全自动尿液有形成分分析系统等。

　　2.3.7粪便有形成分分析粪便有形成分分析一般是检验医生将稀释后的粪便制成样本在显微镜下用肉眼观察红细胞、白细胞、巨噬细胞、上皮细胞、酵母菌、脂肪滴、虫卵等有形成分，粪便有形成分分析对多种肠胃病诊断有重要参考意义，如果粪便中存在虫卵基本上可以断定患者感染寄生虫。Yang等［52］提出了一种通过数字图像处理和人工神经网络从显微图像中提取粪便标本中人寄生虫卵的形态特征的算法，该算法利用了包含七个普通人类蠕虫卵的82个显微图像作为数据库。基于形状，外壳光滑度和大小的3个形态特征利用人工神经网络进行训练，算法模型正确分类率为90.3%。

　　2.3.8骨髓细胞形态学分析骨髓细胞形态学分析时，检验医生一般直接在显微镜下观察骨髓刺穿术所制得的骨髓图片，低倍镜下观察骨髓增生程度，有无异常细胞，并且对巨核细胞进行计数，油镜下对有核细胞分类计数并且观察细胞形态。骨髓形态学分析可以用于多种疾病的诊断，如急性白血病、自身免疫性疾病、感染性疾病、恶性肿瘤等。骨髓细胞形态学分析与血细胞形态学分析原理一致，只是检测细胞类别和样本获取位置有所不同。

　　2.4检验数据处理

　　2.4.1辅助诊断模型医学专家系统是医学检验领域最常见的人工智能辅助诊断模型。医学专家系统集成了大量医疗检验数据以及对应疾病症状和治疗预后，通过互联网与各个医院的不同科室紧密联系以保证医学信息的实时更新。人工智能利用这些医学信息学习各种检测数据与相关疾病的内在联系，最后得到一个可以诊断患者疾病或者给予可靠建议的算法模型，这样一个算法模型相当于一个人类医学专家。最早的医学专家系统是斯坦福大学的MYCIN系统，MYCIN可以辅助医生对血液感染病患者进行筛查并且提出可靠性治疗建议［53］。John等［54］基于贝叶斯网络，使用多层感知的人工神经网络，使用径向基函数的人工神经网络，支持向量机和专家系统分别利用入院时患者各项医学检测数据开发可以预测是否需要重新住院的智能系统，并且通过临床试验证明除向量机外，所有模型均能提供良好的重新住院预测结果。医学专家系统概念如图7所示。

　　2.4.2报告自动审核检测报告审核是检验工作中必不可少的流程，报告审核的精准和快速保证了检测工作的高效。但是人工审核检验报告不仅耗时耗力，当检验科工作人员在高强度工作后还容易出现审核失误。为解决这些问题，自动化报告审核系统的搭建刻不容缓，而人工智能的出现为自动化报告审核系统带来了新的契机。自动化报告审核系统主要依靠HIS系统（医院信息系统）和LIS系统（实验室信息系统）实现。Shih等［55］收集了569001例患者检测信息作为数据库，通过LIS建立信息传递系统并且开发了一套自动验证算法，可输出极限检查，增量检查和一致性规则检查的范围。该算法消除了测试结果验证中的个体差异，缩短了周转时间（TAT），并减少了全职等效时间（FTE），从而使医疗技术人员能够投入更多的时间和精力来处理算法锁定的测试报告。

　　2.4.3隐私数据保护随着互联网医疗的兴起，医疗隐私数据的保护开始被各界关注。在医院普遍使用电子病历的当代，医学专家和计算机学者们联合起来对电子病历中的医嘱数据、诊断数据进行最大程度的开发，以补充医学知识的不足和医疗系统的缺陷。但是研究人员享受数据盛宴的同时，我们同样需要对隐私问题高度关注。胡荣磊等［56］结合数据挖掘和数据储存技术提出了一种在大数据环境下对医学隐私数据进行脱敏的隐私保护方案，该方案先设定敏感级别再利用ETL（数据仓库技术）对数据进行抽取，设计算法判别数据敏感级别，并且根据数据敏感级别的不同对数据进行不同程度的加密。

　　2.5云计算

　　大数据、云计算、人工智能、物联网等一大批新兴信息技术的出现，在医疗检验领域产生了革命性的影响，推动了医疗检验事业的创新发展。云计算平台能对分布于不同地方，不同时间以及不同检验项目的数据进行收集、存储、分析、运算和质控。云平台的大部分数据处理都在云端完成，在保证数据安全、降低数据存储成本的同时为医疗诊断提供了可靠而快捷的诊断辅助，大大降低了基层医疗机构对操作人员的要求［57］。

　　2.5.1诊断字典诊断字典是一个尚不成熟但是成长前景无限的概念，柯莉等［58］以国际疾病分类（ICD）为基础，利用广州医科大学附属第三医院医学数据库建立了临床疾病诊断字典。该诊断字典收集了广州医科大学附属第三医院各个临床科室疾病和诊断策略，统一规范疾病名称，将临床诊断疾病与ICD相对应。由于人力和医学资源的限制，柯莉等人所建立的诊断字典内容是远远不够完整的，但是为我们医学检验人员更好地利用人工智能、大数据、云计算改革传统检验手段提供了一个好的思路，要想建立一个完善可靠的医学检验云计算中心，我们需要一个权威的医学标准。

　　2.5.2互联网医学检验互联网医学检验常见的技术手段为第三方医学检验与即时检测（POCT），互联网医学检验以互联网为载体整合了云计算，大数据和线下医学检验数据，满足了医学检验系统对信息传送高效、诊断决策精准的要求。第三方检验实验室可以是实验室或者公司，服务对象为二级医院或者社区医院这些医学检验体系不够完善或者医学专家资源不足的级别较低医院，第三方实验室可以作为一个中转站，将低级别医院检验数据智能处理后个性化传送到特定的较高级别医院进行更专业的诊断。也可以是一个更高级的拥有丰富医学知识和医学诊断经验的医学专家系统，直接将诊断结果打印成报告传回较低级别医院［59］。即时检测是医学检验领域的一个新概念，通俗的理解是一种试剂与仪器为便携式，在不固定场所均可进行的，检测报告结果即时化的检测手段。Sarwar等［60］利用软电子技术开发了一款可以使用少量液体在柔性基板上执行电子或光学监控，并将监控数据结合蛋白质组学进行数据挖掘分析的设备。该设备基于汗液的诊断程序可以为患者提供无痛的监测，患者在自己的家中舒适地跟踪各种医疗状况。

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说医药类检验医学现状调查分析以及智能发展论文（共2篇）(4)在线全文阅读。