Page 88 - 医学检验技术发展与创新

医学检验技术发展与创新
Development and Innovation of Medical Laboratory Technology

筛查测试。这将为进一步研究开辟新的途径，甚至可能对于其他血癌也同样适用，
未来可以帮助更多的人群。
（五）AI 血液诊断数据分析面临的挑战
在过去十五年中，白血病的综合诊断变得越来越具有挑战性。为了遵循世

界卫生组织（WHO）分类指南，必须结合不同诊断方法的结果，包括细胞形态学、
细胞遗传学、免疫表型和分子遗传学，以确定诊断。2017 年修订的世界卫生组
织白血病和淋巴瘤分类，引入了新一代测序（NGS）技术并拓宽了分子遗传学分
析谱，提高了数据吞吐量。然而，AI 手段已经引入白血病诊断研究领域十数年，

但它并没有如人工智能驾驶等技术那样被广泛开发和运用。
1. 医疗数据获取不足
医疗数据是循证医疗的基石，算法的性能在很大程度上取决于大量标准化
的数字数据的可用性训练，小样本训练往往会导致整体系统在实用时产生较大偏

差，因此在罕见病的应用较少。医疗数据的标注流程需要专业人员参与，这些数
据大多不完善且质量较差，模糊也就无法标注，更无法直接被采用。这导致目前
的一些初创公司，医疗 AI 数据集可能只有几十或者几百个典型数据，医疗数据
十分敏感，标注 / 去敏感成本很高，导致能直接用于训练的数据非常少。

2.AI 医疗数据缺乏标准
医疗数据的生产、收集和标注缺乏统一标准，电子病历数据面临缺失、规
范性和差异性问题，不同地区和医院的信息化程度、诊疗依据和标准不同，以及
疾病的诊疗标准和指南存在多样化、差异化和不断演变与更新，未形成统一体系。

实验室间验证研究对于模型的成功应用和可转移性是必要的，且还需建立全面的
指南，以确保标准化的方法输出。
3. 复合人才短缺
由于多数疾病并不是单一病种，而是累及多器官、多脏器的全身性疾病，

不同医生诊疗经验参差不齐，甚至同一医生前后两次诊疗都不一样，造成很多医
学判断无法形成共识。遇到无法判断的问题，往往需要资深的医生进行医学判断，
而这些医学专家一般奋战在临床第一线，没有足够精力和时间对数据集进行标注，
难以保证标注的质量和速度。能够高效率标注的人员又缺少足够专业的知识和分

析能力，标注的准确性较差。顶级医院、专家学者先进的诊断经验和规范化的诊
疗流程是 AI 技术的学习基础，通过不断的训练，先进的诊疗技术就能转变成 AI

78
78