實驗室人工智能的臨床應(yīng)用

基于深度學(xué)習(xí)（DL）數(shù)據(jù)學(xué)習(xí)算法逐漸取代了用規(guī)則編程的傳統(tǒng)算法模型，以非線性和高度交互的方式建立AI疾病預(yù)測及分層模型，在復(fù)雜數(shù)據(jù)庫的挖掘分析方面具有絕對優(yōu)勢，有助于發(fā)現(xiàn)數(shù)據(jù)間的潛在關(guān)聯(lián)及隱藏價值。

基于數(shù)字成像技術(shù)、目標分割算法與混合深度學(xué)習(xí)網(wǎng)絡(luò)算法，以卷積神經(jīng)網(wǎng)絡(luò)（CNN）為代表的DL在驅(qū)動醫(yī)學(xué)圖像處理方面亦具有獨特的優(yōu)勢。可廣泛用于骨髓細胞形態(tài)學(xué)、自身抗體等免疫熒光鏡檢、微生物形態(tài)識別等領(lǐng)域。

基于檢驗結(jié)果的臨床決策支持系統(tǒng)，涵蓋豐富的臨床醫(yī)學(xué)數(shù)據(jù)庫和信息轉(zhuǎn)換技術(shù)，可通過解讀LIS和HIS系統(tǒng)對接的共享數(shù)據(jù)，將患者基本信息、基礎(chǔ)疾病、病例信息、標本采集條件、歷史數(shù)據(jù)等數(shù)字化，從而形成患者畫像。并與當(dāng)次檢驗結(jié)果對接形成瀑布流，可視化展示患者疾病預(yù)測、臨床進展，并通過網(wǎng)絡(luò)個性化推送評估量表和隨訪復(fù)診提醒。