临床实验室自动化和人工智能化发展的机遇与挑战

在过去的几十年里，先进的机器人技术和人工智能系统广泛应用于高精度的检测设备中，使临床实验室的自动化程度也越来越高。通过自动化设备、机器人技术和具有人工智能能力的软件，实验室能够快速高效地完成检测任务，从而将实验室技术人员从繁重、重复的劳动中解放出来。从样本储存到检测分析的全过程中，自动化设备的使用大大提高了检测通量。实验室常见的小型化样本前处理系统就是很好的例子，这些设备通常配备自动样本分配和加样系统，目前在一些大型的实验室中已得到应用，而且在一些中小型的实验室中也很有应用前景。

受高昂的试剂成本影响，微型化的加样系统逐渐受到众多实验室的青睐，因为这些微型化设备可以通过采用电磁控制阀进行微量加样，（例如，加样量从20μL减少到20nL）从而极大地降低了试剂用量，减少了成本。除了小型化设备外，目前医学诊断领域仍然是以大型化、高通量的检测设备占主导地位，例如生化、血液、分子自动化工作站，其检测速度可超过2000测试/小时。通过计算机的广泛应用，并采用IT技术进行连接，将人工智能、机器人技术和数字成像技术进行结合，目前大型实验室的自动化方案已经非常成熟，这就彻底地改变了临床实验室的检测效率、检测能力和流程，从而促使临床实验室成为医疗保健系统的关键“大数据”中心。

尽管实验室自动化技术的发展与生物技术公司和企业的商业需求密切相关，但是这些发展无疑对学术研究诊断领域也是有利的。因为自动化技术不仅可以提高实验室的专业化程度，解决劳动力短缺的问题，而且这些诊断设备的可用性也在不断提高。毫无疑问，搭建自动化技术的检测设备误差率显著降低，精密度则明显提升。实验室自动化可为用户提供高度整合的全天候一体化服务，以应对未来不断增长的测试量和工作流程更新的要求。来自于部分医疗机构的报告显示，采用检测自动化设备能够彻底改变实验室的流程，提高患者的就医体验，同时使独立的检测机构即使在专业技术人员短缺的情况下，也能高效地完成显著增加的检测量。例如，过去通常采用巴氏涂片法（PAP）诊断HPV感染，以预防宫颈癌的发生和评估接种疫苗的适用性。目前，HPV的诊断方法已经发展为HPV基因型检测。通过基因型检测能够快速筛查HPV感染，这样就显著地减少了需要进行形态学评估的PAP数量。另一方面，这也改善了患者的就医体验，因为基因检测是确诊方法，而形态学检查只是一种经验性的推测。如果确诊感染了HPV，则可以对高风险人群进行监控，同时确定未感染的女性患者也不必再进行PAP涂片检查。尿液分析也由于自动化设备的引入发生了变化，以前尿常规在生化实验室开展检测，而尿培养、病原体鉴别和药敏试验则在微生物实验室完成。这种不同的检测系统未将两类检测结果报告进行统一，从而导至尿常规结果无法为尿培养的必要性提供参考。而目前应用于临床的自动化高通量尿液检测仪，可以将尿常规和培养检测在同一台仪器上完成，且检测时间显著缩短，检测人员数量也可以减少。尿常规与尿培养整合后的尿路感染测试，通过自动化设备与LIS系统进行连接并合并发送报告。这样的整合也方便了患者，他们仅需留取一份样本，医生就可以获得包含尿常规和尿培养信息的完整报告，从而做出是否需要使用抗生素的判断。

然而，目前实验室全面实施自动化检测系统还面临很大的挑战，因为自动化系统的构成极其复杂，如果无法实现各系统的协调统一就很难达到理想的效果。另外，虽然这些精密的自动化系统可节约人力成本，但是在人员培训、操作规范化、系统故障监测和质量控制方面的要求则更高。在人员和自动化设备磨合的初期阶段，实验室误差增加的风险也不可忽视。还有，由于自动化仪器的采购成本高，对于资源有限的小型实验室来说也是一个挑战。

从检验医学的发展历程来看，高通量的生化、血液和分子生物学检测无疑是最早和最常见应用全实验室自动化的领域，将这些检测项目在区域内或跨区域进行整合，建立大型的参考实验室或“核心”实验室。实验室自动化的应用不仅缩短了总体检测周转时间，还减少了异常值的比例，降低了急诊检测的需求。另外，自动化系统还丰富了检测项目的选择，减少了溶血、脂血和黄疸标本在分析前过程中产生的误差。通常需要手工处理的样本耗时耗力，而采用自动化流水线处理，则可显著缩短检测周转时间，并且使样本的复查或加项检测更加方便。在对同一样本进行多个项目进行检测时，往往需要进行分样，而自动化系统就可以提高工作效率，并减少样本量的需求。总之，自动化的主要优势在于提高了标准化程度；工作流程的管理方法更简单和高效；对某些复杂的检测项目，其检测性能更好；对大样本量检测的管理更加合理；减少了重复的分析前处理步骤，从而缩短了检测周转时间，实现了无人化自动运行，节约了人力和时间成本；降低了手工标本处理带来的误差和生物安全风险。除此之外，自动化的重检和样本预稀释功能也可以通过自动化功能实现而不需要人工判断，这样整个检测过程更加顺畅和高效。

近年来，信息网络、人工智能和机器人技术取得了巨大的进展，这些技术的进步使得大型自动化核心实验室系统能够得以实现。自动化系统通常由多台设备组成且同步运行，利用机械轨道系统和人工智能软件来进行样本定位。目前这类高度集成的全实验室自动化平台已广泛应用于临床实验室。例如罗氏的Cobas®系统，就是一个高度集成的自动化检测平台，Cobas系统能够整合样本处理、分析和储存功能于一体，通过与一个或多个模块相连接，实现单一轨道完成生化检测的全自动化，其功能包括样本管的去盖和分拣、质量检测、分样和封盖。甚至还能够进行多项目的复杂分析，在测试完成后自动进行样本冷藏储存。然而，罗氏的自动化实验室设备必须使用配套的试剂和耗材。而雅培最近发布的自动化前处理系统同样可以实现多设备组合连接。并且该系统的设计更加灵活，可以开放使用其他厂商的试剂耗材。在病理学和微生物学等形态学检测领域，通过全细胞和数字图像技术也实现了全自动化，减少了人工形态学识别的工作量，其基本情况将在以下章节进行介绍。

数字成像技术的发展使许多实验室可视化分析也实现了自动化，例如基于流式细胞仪的细胞分析、微生物培养、病理组织检查等。目前，数字化病理组织检查已变成了现实，这主要归功于全玻片成像扫描仪和互联网图像测量系统的发展。尤其是互联网图像测量系统，利用该系统可以实现自动疾病分类诊断，并提供质量控制和图像监测功能。尽管目前这项技术仍处于开发阶段，但是结合高质量的成像设备和基于人工智能算法的数字病理图像分析软件已经让该项技术具有了实用性，例如一些互联网检验学术组织（如虚拟国际病理学会Virtual International Pathology Institute）已经尝试将这种颠覆性技术应用到了临床病理诊断中。自动化图像分析结合人工智能技术将使病理诊断更加准确和高效，甚至最终可以取代复杂的人工显微镜检查。光流控时间拉伸显微镜检查是一种用于分析异源群体形态学和胞内分子差异的研究技术，它能够通过高通量成像流式细胞术对各种细胞类型进行大规模单细胞分析。该技术能够进行高通量单细胞图像采集，分辨率为亚微米级，每秒＞10,000个细胞，并同步进行大规模图像增强和构建，利用计算工具如压缩感知和机器学习来处理细胞“大数据”。虽然这种技术还在开发中，但是它证明了多学科联合研发技术具有巨大的潜在影响（如光学、电子学、微流控、数字信号处理和样本制备），能够创造出在未来具有很好临床应用前景的新方法。

当前最具开创性的革新无疑是将全实验室自动化（TLA）系统用于微生物检验，这在一定程度上归功于培养皿图像采集技术的进步以及专业技术人员识别电子图像的能力提高。当前，BD Kiestra和Copan公司已经推出了半自动或全自动的实验室微生物自动化系统（图1）。这些系统各具特色，参数复杂，必须结合各实验室的实际情况来考虑，以便为不同的医疗机构提供最佳的解决方案。虽然TLA系统在不断发展和进步，并持续提供硬件和软件组件的改进方案，但模块化方案的应用也只是在近段时间才得以实现。例如在过去，临床微生物实验室引进TLA必须购买完整的一套系统，但将来厂商也计划将分析前样本处理系统、检测系统等模块与其他模块分开销售，从而使实验室自动化具有更强的灵活性。这些大型设备实现了前端过程的自动化整合，比如培养皿的自动接种划线、自动将培养皿转运至孵箱培养，孵箱连接高分辨率相机，拍摄并自动筛选菌落进行后续分析。TLA系统使微生物检查的工作流程发生了巨大的改变，由传统的批次样本检测发展为连续的样本处理检测。但是，为了优化TLA系统的处理能力，技术人员的工作流程也受到影响，在以往工作中，通常是在白天和傍晚时间观察培养结果，而采用全自动设备后，由于流程的连续性，技术人员需要全天候24小时读取培养结果。医学实验室的技术人员也需要逐步适应采用TLA软件在电脑屏幕上审核培养结果、筛选目标菌落，这与以往打开培养皿，手动挑选菌落的工作体验完全不同。

自动化检测具有很多优势，例如接种技术的进步使某些重要的可疑菌落分离率更高，其次是数字成像技术的分辨率更高，更易于辨别不同的菌落数量和类型。尽管TLA系统在图像识别的学习上还有瑕疵，但自动化系统减少了实验室获得性感染的病原体暴露机会，因此工作人员在进行微生物检测时比以前更安全。总体来说，TLA的主要优势是实现了样本培养过程的标准化，这就解决了手工培养的最大缺陷。采用TLA标准化方案进行培养孵育，使各类苛养菌的检出和保存更加高效。近期研究还表明，将TLA系统与MALDI-TOFMS设备连接，可以将样本分离培养和鉴定相结合，不仅能够优化工作流程和降低成本，还能使患者尽早得到治疗干预，改善患者的预后。

然而，实施TLA系统的投资成本很高，需要对基础设施和物资储备进行大规模的改变以适应TLA的要求。例如，自动化实验室系统对样本采集管的要求比较严格，其直径范围要求在11-12mm或15-16mm，长度要求在75-110mm。针对微生物检测，培养样本收集装置必须统一采用液体拭子收集，尿液必须采用真空采样管收集，且能被系统识别并进行去盖等操作。粪便也应采用专用的液体粪便采集容器中，便于系统进行培养。TLA系统采用的培养皿类型也必须标准化，这就要求微生物实验室采购特定品牌甚至定制的培养皿。除了培养基等耗材外，实验室空间也需要满足TLA系统的工作流程和要求。一般来说，微生物TLA系统体积大，与现有的试验台不匹配。实验室需重新装修，增加承重，改善通风和空调系统，因为自动化设备的产热会使房间温度升高，另外，水电气工程可能都需要重新装修设计以适应TLA系统。实验室信息系统（LIS）也是考虑的因素，需要增加网络和服务器存储容量，因为TLA系统的数据量要比手工培养大得多。在考虑微生物TLA系统成本预算时，还要考虑到持续维护成本。一旦安装了TLA系统，那么该系统能否顺利运行就成了实验室检测能力的关键，实验室需要尽可能减少由于TLA无法运行而带来的停工。因此，实验室最好配备一名维修工程师，以确保TLA系统能顺利运行。实验室现场也可以准备仪器的备用部件，这样就不至于因为维修更换部件导至工作被耽误。如果检测样本量足够大的话，可以配置多台设备，这样在出现故障的时候可以进行替换。因此，采用TLA系统的医疗机构必须将上述成本都计算在内。虽然有报道显示在微生物检测中采用TLA使培养的检测周转时间显著缩短，但是证明该技术可直接让患者受益或提高患者总体预后的研究还是不多。无论怎样，对于患者而言，更快获得结果对于加强感染的管理，决定是否采取抗生素治疗、实施感染预防措施等方面都是有帮助的，那么TLA对医疗机构而言，也就是有价值的。

用人工智能解决医学问题并不是新鲜事物，实际上，其在医学领域的应用可以追溯到三十年以前。然而，人工智能在临床实验室中的应用尚处于初始阶段，就像自动化技术一样，在未来几十年人工智能必将成为一项颠覆性的技术。人工智能的概念最初起源于传奇的英国数学家Alan Turing。他在1950年描述“模仿游戏”（人与机器之间的欺骗游戏）时做出了一个假设:“如果一个人试图假装自己是机器，他显然会表现得很差。他会由于计算缓慢和不准确而被立即放弃。那么机器能否进行截然不同于人类的被称为思考的行为呢？”。人工智能在医学领域的应用潜力在于，通过使用新的大数据集方法（从真正意义上讲，是不同于人类的“思考”方式），计算机可以发现复杂的非线性关联、建立更好的预测方程并识别图像中无法用眼睛看到（亚视觉）的信息。相关术语包括“机器学习”，它被定义为“通过以观察和真实世界互动的形式向计算机提供数据和信息，使计算机像人一样学习和行动，并自主地不断提高学习的科学”。这些术语被广泛使用。

人工智能的更多技术细节超出了本文的讨论范围。但是，有必要介绍一些基本概念和定义，以了解人工智能用于临床实验室的机遇和局限性。“大数据”通常用于描述具有“4V”特点的大数据集：容量大（Volume）、多样性（Variety）、速度快（Velocity）和价值高（Value）（例如，医学图像、电子病历、生物统计学数据等）。有很多大数据编程解决方案可用，包括大型科技公司的专用程序以及开源程序。开源程序通常使用 Hadoop平台和MapReduce编程框架。近期有人对该框架的应用进行了综述。开源程序可提供一些代码供开发者使用生成相应的程序。

人工智能算法很多且被广泛应用，最常用的四种为支持向量机（Support Vector Machines，SVM）、决策树（Decision Trees）、K近邻算法（K-Nearest Neighbor，K-NN）和人工神经网络（Artificial Neural Networks，ANN）。K-NN算法是最简单的分类算法之一。这种分类算法通常把数据项归属于一组测定特征所代表的最近类别。决策树产生分支分类结构，其中节点和子节点的测试分别按照一个特征（或一组特征）执行。SVM是比较受欢迎的强大分类工具。该方法通过一个称之为超平面的线性分类器，能够最大程度区分两个类别（图2）。ANN采用分层式连接节点，这些节点通过更改其输入和输出来“学习”改善分类，以不断提高其性能。神经网络示例如图3所示。现代神经网络可能有数以百万的单元和连接。这些庞大的单元网络与学习算法的进步相结合，被称为深度学习，并且近几年来一直是大量研究的重点。深度学习是人工智能在医学领域中最有前途的应用方法之一。卷积神经网络（也称之为ConvNet或CNN）在病理学图像分析方面特别具有前景。CNN以三维结构为基础，其输入假设为图像，由于效率高且避免了过度拟合而特别适用于图像分析。

人工智能现已广泛应用于商业、互联网搜索引擎、汽车自动驾驶和金融等各领域中。其在医学领域的应用虽然落后于其他领域，但是也越来越常见。近期使用术语“人工智能”搜索Medline数据库发表的文章，获得了25,000多个结果。潜在的实验室应用众多，从图像分析到使用临床实验室的大数据应有尽有。在我们看来，最有前景的应用之一是利用实验室数据来支持精准公共卫生。精准公共卫生定义为“一种新兴的实践方法，通常使用新数据、新技术和新方法来更精细地预测和了解公共卫生风险，并针对特定人群定制治疗方法”。由于人工智能可以处理越来越大的结构化和非结构化数据集，并且能够发现先前隐藏的关联和疾病分类，因此，在精准公共卫生的发展过程中人工智能是一个重要的工具。但最重要的是，临床实验室数据采用人工智能方法分析，可以用于改善患者的短期和长期终点预测。近期关于这一话题的综述得出结论，“不断涌现的大量健康数据和先进的计算方法意味着未来精准公共卫生将成为医疗保健领域越来越重要的一部分”。

人工智能可能在多个领域对医疗保健数据具有独特的应用价值。一种是阐明罕见病种的危险因素和疾病机制。例如，使用人工智能方法创建预测慢性肾病患者出现钙化防御风险模型，并发现隐匿的风险相关因素。其他有前景的应用领域还包括生物传感器数据和基因组数据的分析等。除了重大机遇，人工智能也面临严峻挑战。从广义上来说，可以分为技术和社会两方面的挑战。人工智能用于医学领域的机遇和挑战如表1所述。本文剩下的内容将侧重于人工智能在检验医学两个相关领域的应用：图像分析和预测模型。

深度学习方法在全玻片组织学图像分析中被广泛认同。一项关于乳腺癌检查的研究结果显示，采用深度学习方法诊断乳腺癌，其阳性预测值为71.62%，阴性预测值为96.77%。该项研究声称，深度学习算法可准确地预测乳腺癌患者的雌激素受体状况。另外，采用该方法还发现了未知的代谢组学途径。该研究获得的预测准确率（ROC曲线下面积（AUC））为0.93。另一项研究显示在模拟环境中，深度学习算法通过乳腺癌组织切片判断淋巴结转移时的表现甚至优于病理专家。还有研究数据报道，采用人工智能对全玻片注释图像数据集进行结直肠息肉分类，其总体准确度达到93%。然而，使用深度学习方法分析组织学图像目前也有诸多不足。其中最关键的是算法通常只给出两个诊断选项，但实际上可能有多种诊断的可能性存在。需要注意的是，文献中报告的“准确度”并不能反映真实的诊断情况。已发表的研究缺陷在于，研究对象通常是使用已被识别的预选图像，同样，这也不能反映真实的诊断情况。有些作者进一步表示，人工智能用于组织学诊断的优势是可以减少病理医生繁重和重复的阅片工作，并减少了由于不同医生阅片所产生的不一致。但是这种想法并不准确，事实上大部分病理医生不认为阅片诊断是乏味和繁重的工作。此外，提供病理诊断也只是病理医生工作的一部分。除此以外，病理医生往往还提供病理诊断的咨询服务，以及患者临床诊断、预后评估等工作。而减少因不同诊断医生导至的差异，其前提是每个病例只有一种正确的病理学诊断。但实际上，形态学诊断在很大程度上仍取决于病理医师的主观意见，从而产生了了所谓的“金标准悖论”，即用不完善的主观性质的金标准来评价可能是更佳方法的误区。尽管目前认为采用人工智能使诊断的一致性得到了提高，但是其诊断正确率并未明显改善。需要注意，在诊断“灰区”的时候，交流讨论也是病理学工作的重要部分，而为了所谓的提高诊断一致性的要求，牺牲了这部分内容还是值得商榷的。

用于辅助分析医学影像图像的人工智能工具远比病理学图像更先进，但目前这项工作的主要局限性在于，先前开发的用于影像图像的分析工具不足以分析处理高分辨率数字化图像的数据量。由于人工智能在病理学中的应用比在影像学落后几年，所以可以参考当前的影像学研究成果，为未来病理学的应用提供帮助。用深度学习技术分析影像学数据，用以鉴别乳腺肿块的良恶性情况，其总体检测准确度为99.7%，从恶性结节中排除良性结节的总体准确度为97%。用于诊断乳腺癌影像学图像的深度学习算法显示，深度学习算法与放射科医生的诊断能力相似。文章作者认为，用于影像学的深度学习不仅能够提供不同的诊断意见，还能加强放射科医生与机器之间的合作。由于缺乏图像分割、图像特征计算和特征选择过程，深度学习在鉴别良恶性乳腺X光片方面的表现较为一般（AUC 0.790）。在另一项已发表的研究中，机器学习根据CAT扫描图像来鉴别血管肌脂肪瘤与肾细胞癌的最高报道准确度为93.9%。还有文献报道，根据MRI数据预测胶质瘤的分级结果准确率很高。这些例子表明人工智能方法正广泛用于影像学图像识别。采用人工智能技术可能产生相应的临床决策支持系统，从而增强放射科医生的决策能力。将人工智能应用于临床患者图像识别的效果各不相同。例如，用深度学习的方法进行阴道镜图像分类的准确度只有约50%，但是该技术用于视网膜图像识别的研究显示，在鉴别老年黄斑变性与糖尿病黄斑水肿上，深度学习算法可以与人类专家相媲美。有许多皮肤病变图像识别分类的研究，其中一项研究利用机器学习方法分析临床图像诊断黑色素瘤的准确度为0.912。有两项研究报道，在对临床皮肤肿瘤图像进行分类时，深度学习算法比皮肤科专家表现更佳。与人工智能在影像学图像中的应用结果相似，这些研究表明，对于相对简单的图像（与全玻片图像相比）分类而言，人工智能与医生的能力相似甚至超过医生。我们有理由相信，一旦克服了与全玻片图像相关的编程和处理难题，人工智能在组织病理学图像中的应用也将如此。

传统的风险模型通常基于统计回归方法并基于以下假设：预测变量以相同的方式作用于所有患者，并且在其所有值范围内作用一致。机器学习不受制于这种假设，所以可用于探索新的关联或风险分层模式。因此，机器学习方法的关键优点在于，它们不受有关病理生理学或预测生物标志物的既定假设影响，因而有机会发现隐藏的知识，揭示全新的模式或产生可以进一步研究的假说。

最普遍的人工智能预测模型是糖尿病管理和并发症的预测模型。通过将表型数据、临床数据、环境因素、生活方式和实验室数据进行整合，可提供有针对性的风险分析和治疗建议。例如，Anderson及同事利用机器学习开发出了糖尿病前期进展和2型糖尿病的预测模型。这些模型发现了传统风险因素以外的许多新的风险因素。Anand及同事结合实验室、人口统计和病史数据，利用机器学习方法预测住院糖尿病患者的临床结局。机器学习方法也被用于发现糖尿病并发症，模型准确度高达0.838。近期一篇关于人工智能用于糖尿病研究的综述指出，糖尿病诊断、糖尿病并发症预测、增加对背景遗传学和环境的了解以及医疗保健和管理等是最广泛研究方向。

心血管病结局预测是人工智能在预测模型方面另一个非常有前景的应用，基于人工智能的模型明显优于既定的风险分层模型。例如，一项研究以6814名患者组成研究队列，采用735个变量建立模型，用机器学习方法预测心血管结局，其准确度远高于传统的心血管风险因素预测。在另一项研究中，与 Framingham风险评分或评估严重性评分的计算机断层扫描血管造影术相比，新风险预测模型的风险分层显著提高。还有一项证明人工智能改善心血管事件预测的研究，研究者纳入了英国家庭实践计划的370,256例患者，将常规临床数据用于生成机器学习预测算法，结果明显优于既往采用的心血管风险预测模型。

还有的研究采用机器学习预测实验室检测结果，例如近期的一项研究显示，通过检查无明显相关的其他实验室检测项目，可以高度准确地（AUC 0.97）预测异常铁蛋白结果。另一项研究显示，基于全血计数（CBC）参数预测血糖状况（正常vs.糖尿病前期vs.糖尿病）的准确度达到98%。根据其他作者的报告，ANN可成为自动验证临床实验室检测准确性的决策工具。

随着人工智能技术不断应用于实验室和临床数据，很可能有机会将其用于支持临床决策和项目选择的有利工具。例如，如果人工智能算法可准确地预测检测结果（或者甚至是疾病状态），则可以指导临床医生进行检验项目的选择。在资源有限的情况下，如果可以通过概率模型准确地预测检测结果，那么甚至可以通过LIS筛选患者必须进行的检查和项目。

我们可以预见，在未来的临床检验医学中，自动化会使工作流程日益简化，并产生更大的数据集可供人工智能来挖掘。尤其是未来的预测模型很可能高度依赖实验室测试数据集，使预测模型成为人工智能在临床实验室中的重要工具。在精准医疗方面创造机会使被动医学向主动医学转变，无疑临床实验室将在这一转变中起主导作用。然而，这也促使实验室人员、医生和科学家们改变操作模式以适应技术进步。新的病理科医生和临床科学家的培训需要更着重于病理信息学、数据科学和人工智能。继续医学教育和培训机会将会增加，从而使病理科医生掌握必要的技能。数据科学家将成为检验医学中不可或缺的人才，并将与病理医生和临床科学家携手共创临床实验室的美好未来。这一转变也将带来可观的经济收益，我们将越来越多地看到医学检验行业基于人工智能开发新的检测项目。

近期发表在《哈弗商业评论》中的一篇文章概述了利用人工智能开发新的医学检验的方法。作者们给出了以下建议：（1）组建一个多学科团队；（2）从已知的关联性入手；（3）确定外部合作伙伴，使研究从实验室工作台转移到床旁；（4）重视人工智能的局限性；（5）解决实用性；（6）依靠商业化专业人士。

即使个别临床实验室不参与此项目，但他们对实验室数据获取的需求也会越来越多。大的临床数据集将越来越具有商业价值，只要解决隐私和其他问题，这对实验室来说是一个增加收益的机会。供应商也有可能开始将人工智能数据作为商业产品进行打包销售，而保险公司也将把人工智能数据纳入收费。检验界的目标是引导这些变化朝着改善卫生系统性能和改善诊断能力的方向发展，同时抵御来自不同目的的外界压力。因此，我们热切期望临床实验室在这些转变中起到主导作用。

编译者：李波（解放军总医院第五医学中心）

审校者：毛远丽（解放军总医院第五医学中心）

注：本文来源于《临床实验室》2020年第8期“数字化、智能化、智慧化”专题