临床实验室智能专家辅助解释系统
实验室检查对疾病的预防、诊断、治疗、监测和预后具有重要意义，占临床诊断、治疗等决策信息的60%以上[1]。全面、有效地利用检验结果报告中蕴含的信息，将实验室诊断和治疗信息最大程度的传达给临床，使检验更好地为临床服务。人工智能是一项使用机器实现、代替人工实现认知、识别、分析、决策等功能的技术，其机器学习、数据挖掘等技术能够深入探究检验数据可能蕴含的关系及意义，建立检验解释性报告，辅助临床决策。
一、检验报告的现状和不足
目前，医学实验室提供的检验报告大都以数值型报告为主, 报告单主要显示患者、标本和检验过程等相关信息，以及检验项目、结果数值、参考区间。有的检验报告单上有备注内容, 大都是关于标本状况是否合格、结果对临床是否可以参考的说明。检验报告单必须与患者的具体临床表现结合才能体现其价值，单纯的数值型检验报告，并不能直接体现检验科工作人员对检验结果临床价值的认知及判断，需要临床医生解读其临床价值。
但检验诊断报告涉及多个检验亚专业，偏重于临床，缺乏信息技术或人工智能的支撑，目前还是难以实施或采用，只停留在形式或极个别检验报告单上。另外，国内检验医师匮乏，技术人员临床专业能力不足，不能向医生或患者很好地解释其结果的临床意义，尤其是多个检验项目的综合判断以及与临床结合的分析，难以承担解释和咨询工作。国内检验人员更多是处于“技师”的工作状态，多负责仪器的日常维护和保养、定标和质控、临床标本的预处理、日常检测及结果的发放等，这种工作状态已不能满足现代医疗环境的要求。
以尿液检验为例，介绍智能检验分析技术。尿液检验属于无创伤性检验，临床应用广泛，对糖尿病、肾小球肾炎等多种疾病诊断有重要价值。尿液检验包括定量，半定量结果，标本类型有晨尿、随机尿、餐后尿等多种。
二、数据来源
收集浙江大学医学院附属第一医院就医患者约360万尿液样本检验数据，包括门诊、住院、体检等病人来源。收集信息包括病人信息：年龄、性别、临床诊断；检测项目信息：酸碱度（PH）、比重（SG)、白细胞酯酶（LEU）、胆红素（BIL）、蛋白质（PRO）、胆原（URO）、葡萄糖（GLU）、颜色（Color）、浊度（turbidity）、隐血（ERY）、亚硝酸盐（NIT）、酮体（KET）。
1. 大人群分布和异常结果分级：统计体检人群尿液检验每个项目不同结果数据频数，建立每个项目不同结果的人群分布，以蛋白质为例，结果见表1。生活习惯、年龄结构、流行病学等因素对人群分布都有影响，宜建立适合当地的数据库。根据人群数据分布，各项目的重要程度和结果的异常程度，将结果异常等级分为正常（0）、轻度（1）、中度（2）、重度（3）、极度（4）五级，以蛋白质为例，结果见表1。
2. 患者教育：结合诊断结果提供相应患者教育的内容。患者教育包括项目解读、复检建议和个性化建议。宜采用通俗化的语言，便于患者的理解。项目解读可以缩短医患之间交流时间，且可避免因口头解释不当引起的医患矛盾。个性化建议的内容可以对病人的行为有一定的指导意义，利于疾病的防治。蛋白质解释示例：（1）临床意义：尿蛋白升高代表肾小球和肾小管的功能出现损害，但不一定是肾脏疾病。常见于① 肾小球性蛋白尿：见于急性肾小球肾炎、肾盂肾炎、肾病综合征、肾肿瘤等。② 肾小管性蛋白尿：见于间质性肾炎、药物损害等。③ 混合性蛋白尿：见于慢性肾炎、糖尿病肾病、狼疮肾炎等。（2）影响因素：检查前应进食均衡，避免单一摄入过多肉类或蔬菜、水果。过量饮水可造成尿蛋白定性试验结果偏低或假阴性。剧烈运动、发热、精神紧张等生理状态时，尿蛋白定性一般不超过1+，定量小于0.5g/24h，多见于青少年。由于血液、脓液、黏液或生殖系统排泌物等混入尿液中，导致尿蛋白定性试验阳性。
3. 健康指数算法模型建立：根据计算结果将健康指数人为划分为正常（96-100分）异常（86-95）疾病（51-85）危重（0-50）四个等级。
健康指数=100-
（i=1,2,3.....12）（i=项目；Q=异常指数），Q即异常指数，来源基于单个项目的异常程度和不同权重。蛋白质的异常指数见表1。在有了异常指数转换的基础上，利用健康指数公式进行计算得到健康指数。以表2为例进行说明。
如果说异常等级和人群分布显示的是一位患者单项结果的异常程度，那健康指数反映的就是患者整体的情况。健康指数能算出具体数值但展示以正常、异常、疾病、危重的形式，减少了信息接收者的判断时间。一旦进行程度细分之后，可以让患者和医生明白患者情况的轻重缓急，减少因不了解病情而导致的病情延误的情况。
4. 历史曲线：某些半定量或者定性的结果，需要先进行数据转换，转换后结果按照时间次序画成曲线。以蛋白质这一项目为例，数据转换值结果见表1。
5. 机器学习诊断模型建立：（1）模型数据提取：以肾小球肾炎为例。收集确诊病例肾小球肾炎 3383个病人，其中男性1537例，女性1846例。收集匹配疾病的性别、年龄等同样数量的健康对照组。肾小球肾炎疾病组和对照组一般资料和数据分布结果见表3，结果表示方式：中位数（25%位数；75%位数）。
（2）数据预处理：进行数据转换，把蛋白质、浊度等半定量或定性结果转换为数值定量结果。
（3）建立机器学习算法：利用Python sklearn库，将各疾病组数据集按8:2的比例随机分成训练集和测试集。在算法训练过程中，将研究的算法和模型，结合深度学习算法，整合在人工智能软件里，通过深度学习，自动发现规律或知识，更新算法和模型。Python建立人工神经网络模型、支持向量机、决策树模型、梯度提升树、K近邻算法、随机森林等典型的模型，不同算法的性能评价见表4。计算结果取中位数，平衡各种方法的利弊。
三、临床实验室智能检验结果展示
智能检验结果报告内容分：检验基本信息、结果摘要、项目解读、历史结果、人群分布。
1. 检验基本信息：患者及结果信息见表5。有异常的结果用不同颜色标注出来，并且不同异常的程度用不同颜色进行标注。
2. 结果摘要：异常指数为：疾病。请立刻到医院就诊。
（1）您的结果：蛋白质：极度异常，葡萄糖：重度异常，隐血：中度异常，酮体，浊度：轻度异常。
（2）您可能患有的疾病：泌尿结石（99.64%）；糖尿病（99.50%）；肾病综合征（68.18%）。
（3）建议您1天后复检。
（4）个性化建议：尿有形成分增多；避免某一种营养过度摄入；检测血糖浓度；多饮水。可能肾功能损害；控制饮食；临床血尿或血红蛋白尿；加强锻炼。
3. 项目解读：对于基本信息中异常的结果进行解读，各项目的解释来源于预先建立好的检难知识库，包括临床意义以及可能的影响因素。
4. 历史结果：如果一个病人有历史结果，将其结果进行数据转换后按照时间次序画成曲线显示在历史结果这一栏目，如图一为该病人蛋白质这一项目的历史曲线图。
图1. 蛋白质历史结果曲线图
5. 人群分布：对于基本信息中异常的几个项目提供人群分布直方图。如：该患者蛋白质结果的人群分布见图2。
图2. 蛋白质结果人群分布
6. 系统测试、应用及反馈：该系统完成算法建模、软件开发，经科室内部测试完善后，将功能整合在LIS中。院内通过网页提供解释服务，通过病历号查询结果时提供附加智能解释服务。院外通过微信小程序，在尿液窗口服务张贴宣传材料，患者自愿关注公众号（有免责声明），输入医嘱号和姓名提交查询，需等候1分钟左右，可生成PDF格式的报告单。检验报告单包含了患者本次检测的完整信息：检验基本信息、结果摘要、项目解读、历史结果、疾病风险预测以及人群分布。报告还特别声明：本报告机器自动生成，仅供参考，以临床医生最终解释为准。
通过近50位患者的面对面访谈，对免费提供这样的智能解释表示赞同，特别是外地患者表示一定程度上可减少就医次数。但对机器解释的权威性和可信度，特别是结果解释的准确性都表示怀疑。所以在看到异常或阳性结果时，还是找医生询问为主。另外，部分患者表达对个人隐私的担忧。临床医生的意见，会根据自已的经验来解释，不需要这样的服务，对病人一定要提供准确的解释，否则会增加临床的麻烦，要花更多的时间对病人进行解释和沟通。
四、讨论
尿液检验只提供简单报告，需医生解读。但是人工智能迅速发展，可以将每个样本能分为正常（96-100分）、异常（86-95）、疾病（51-85）、危重（0-50）4个等级；项目结果能判断为正常（0）、轻度（1）、中度（2）、重度（3）、极度（4）5个等级和提供人群分布；疾病取多种模型预测概率的中位数，不同疾病和算法模型的敏感度和特异性都非常高；还可展示历史结果、患者教育等内容。基于人工智能的技术能实现解释性报告，是检验结果解释的一种新方法。
人工智能在尿液等检验中的应用包括：1）利用已有结果和临床数据，预测未知项目的结果，来判断是否需要附加该项目的检验[2-3]；2）利用病人临床资料，结合UA及检验结果，通过ML进行尿路感染、慢性肾病、泌尿肿瘤等疾病诊断[4-9]，取得更好的诊断性能；3）根据实验室结果及相关资料，机器学习能用于预测急性肾损伤、慢性肾病等疾病风险[9]；4）质谱分析尿液代谢产物会产生大量的数据，机器学习用于识别有意义的诊断标志物[10-11]；5）尿形态学检查需有经验的员工进行操作，机器学习在尿液有形成分的图像识别已有广泛的临床应用[12-13]。
临床疾病的检验结果表现会涉及许多复杂情况：比如疾病的轻重程度、并发症等，每次的检验结果只能提供碎片化的信息。结果诊断模型，需要建立最常见的疾病外，也需要建立一些不典型的情况或少见疾病的算法模型，以免误诊或漏诊。另外，人工智能的应用将改善医患关系或促进其侵蚀仍有待观察，潜在的机器算法诱导医源性风险是巨大的。因此，人工智能系统的调试、审计、广泛的模拟和验证变得格外重要。
参考文献
Forsman RW. Why is the laboratory an afterthought for managed care organisations? Clin Chem, 1996,42:813-816.
Luo Y, Szolovits P, Dighe AS, et al. Using machine learning to predict laboratory test results. Am J Clin Pathol, 2016,145:778-788.
Luo Y, Szolovits P, Dighe AS, et al.3D-MICE: integration of cross-sectional and longitudinal imputation for multi-analyte longitudinal clinical data. J Am Med Inform Assoc, 2018,25:645-653.
Yelin I, Snitser O, NovichG,etal.Personal clinical history predicts antibiotic resistance of urinary tract infections.Nat Med, 2019,25:1143-1152.
Burton RJ, Albur M, Eberl M, et al. Using artificial intelligence to reduce diagnostic workload without compromising detection of urinary tract infections.BMC Med Inform DecisMak, 2019,19:171.
Polat H, Danaei MH, Cetin A. Diagnosis of chronic kidney disease based on support vector machine by feature selection methods.J Med Syst, 2017,41:55.
Makino M, Yoshimoto R, Ono M, et al. Artificial intelligence predicts the progression of diabetic kidney disease using big data machine learning. Sci Rep, 2019,9:11862.
Sanghvi AB, Allen EZ, Callenberg KM, et al.Performance of an artificial intelligence algorithm for reporting urine cytopathology.CancerCytopathol, 2019,127:658-666.
Tomašev N, Glorot X, Rae JW, et al. A clinically applicable approach to continuous prediction of future acute kidney injury. Nature, 2019, 572(7767):116-119.
Wilkes EH, Rumsby G, Woodward GM. Using machine learning to aid the interpretation of urine steroid profiles. Clin Chem, 2018,64:1586-1595.
Eisner R, Greiner R, Tso V, et al.A machine-learned predictor of colonic polyps based on urinary metabolomics.Biomed Res Intm,2013,7:303982.
Andreini P, Bonechi S, Bianchini M, et al.Automatic image classification for the urinoculturescreening.Comput Biol Med, 2016,70:12-22.
Wang HY, Hung CC, Chen CH, et al.Increase trichomonas vaginalis detection based on urine routine analysis through a machine learning approach.Sci Rep, 2019,9:11074.
