人工智能技术在实验室医学中的应用经验、有效性与应用场景：系统综述

封面图片

如何引用文章

全文:

详细

论证。随着实验室医学领域数据量的持续增长，该领域亟需实现常规流程的自动化与标准化，以减轻医务人员的工作负担，使其能够专注于更具专业性的任务。机器学习模型和人工神经网络能够识别图像并分析大规模数据，为其在实验室中承担常规任务的应用与整合提供了潜力。

目的。分析全球文献中人工智能在实验室医学中的应用情况，评估其在解决现有问题方面的能力，并识别限制人工智能融入实验室流程的潜在障碍。

方法。文献检索通过PubMed检索系统、实验室成品解决方案制造商官网以及其他综述文章的参考文献进行。此外，还使用Mendeley软件进行参考文献管理。时间范围为2019年至2024年。提取信息包括文献计量数据、研究领域、主要方法学特征、人工智能与医务人员的诊断效能指标、参与医务人员的数量及经验水平，以及其在实际应用中的验证结果。研究质量评估采用改良版QUADAS-CAD问卷工具。

结果。本综述共纳入23篇文献，其中包括分别针对实验室分析前阶段（1项）、分析阶段（19项）和分析后阶段（3项）的研究。大多数研究集中于细胞学和微生物学领域，分别占48%和35%。人工智能在实验室各阶段任务的解决方面表现出较高的效能。此外，其诊断准确性可与医务人员水平相当，且决策速度显著更快。然而，所有研究均存在系统偏倚风险，主要原因包括样本分布不平衡、缺乏外部验证，以及对数据本身及其分析方法的描述不够详细。

结论。人工智能在诊断准确性和处理速度方面具有较高的潜力，因此被认为是推进实验室常规流程自动化和推广应用的有前景工具。然而，为实现这一目标，有必要：对人工智能研究方法进行标准化，以降低系统偏倚风险；为实验室建立参考标准，以确保结果的可重复性与可推广性；提高医务人员和患者对其工作机制的认知，以消除对人工智能的成见；制定可靠的个人数据保护机制，以保障人工智能应用过程中的数据安全。

作者简介

Yuriy A. Vasilev

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0002-5283-5961
SPIN 代码: 4458-5608

MD, Cand. Sci. (Medicine)

俄罗斯联邦, 24 Petrovka st, bldg 1, Moscow, 127051

Olga G. Nanova

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

编辑信件的主要联系方式.
Email: nanova@mail.ru
ORCID iD: 0000-0001-8886-3684
SPIN 代码: 6135-4872

Cand. Sci. (Biology)

俄罗斯联邦, 24 Petrovka st, bldg 1, Moscow, 127051

Anton V. Vladzymyrskyy

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: VladzimirskijAV@zdrav.mos.ru
ORCID iD: 0000-0002-2990-7736
SPIN 代码: 3602-7120

MD, Dr. Sci. (Medicine)

俄罗斯联邦, 24 Petrovka st, bldg 1, Moscow, 127051

Arcadiy S. Goldberg

The Russian Medical Academy of Continuous Professional Education

Email: goldarcadiy@gmail.com
ORCID iD: 0000-0002-2787-4731
SPIN 代码: 8854-0469

MD, Cand. Sci. (Medicine)

俄罗斯联邦, Moscow

Ivan A. Blokhin

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: BlokhinIA@zdrav.mos.ru
ORCID iD: 0000-0002-2681-9378
SPIN 代码: 3306-1387

MD, Cand. Sci. (Medicine)

俄罗斯联邦, 24 Petrovka st, bldg 1, Moscow, 127051

Roman V. Reshetnikov

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: ReshetnikovRV1@zdrav.mos.ru
ORCID iD: 0000-0002-9661-0254
SPIN 代码: 8592-0558

Cand. Sci. (Physics and Mathematics)

俄罗斯联邦, 24 Petrovka st, bldg 1, Moscow, 127051

参考

  1. Bonert M, Zafar U, Maung R, et al. Pathologist workload, work distribution and significant absences or departures at a regional hospital laboratory. PLOS ONE. 2022;17(3):e0265905. doi: 10.1371/journal.pone.0265905 EDN: UFNVFE
  2. Hou H, Zhang R, Li J. Artificial intelligence in the clinical laboratory. Clinica Chimica Acta. 2024;559:119724. doi: 10.1016/j.cca.2024.119724 EDN: PBDERB
  3. Munari E, Scarpa A, Cima L, et al. Cutting-edge technology and automation in the pathology laboratory. Virchows Archiv. 2023;484(4):555–566. doi: 10.1007/s00428-023-03637-z EDN: OSGENI
  4. Vasilev YuA, Vladzymyrskyy AV, Omelyanskaya OV, et al. Guidelines for preparing a systematic review. Moscow: State Budget-Funded Health Care Institution of the City of Moscow “Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of Moscow Health Care Department”; 2023. 34 p. (In Russ.) EDN: XKXHDA
  5. Anjankar AP, Jha RK, Lambe S. Implementation of artificial intelligence in laboratory medicine. Journal of Datta Meghe Institute of Medical Sciences University. 2023;18(4):598–601. doi: 10.4103/jdmimsu.jdmimsu_486_22 EDN: VBNWUF
  6. Kodenko MR, Vasilev YuA, Vladzymyrskyy AV, et al. Diagnostic accuracy of ai for opportunistic screening of abdominal aortic aneurysm in ct: a systematic review and narrative synthesis. Diagnostics. 2022;12(12):3197. doi: 10.3390/diagnostics12123197 EDN: ERWYPX
  7. Farrell CJ. Identifying mislabelled samples: machine learning models exceed human performance. Annals of Clinical Biochemistry: International Journal of Laboratory Medicine. 2021;58(6):650–652. doi: 10.1177/00045632211032991 EDN: MQQLCW
  8. Lea D, Gudlaugsson EG, Skaland I, et al. Digital image analysis of the proliferation markers Ki67 and phosphohistone H3 in gastroenteropancreatic neuroendocrine neoplasms: accuracy of grading compared with routine manual hot spot evaluation of the Ki67 index. Applied Immunohistochemistry & Molecular Morphology. 2021;29(7):499–505. doi: 10.1097/pai.0000000000000934 EDN: XIKRGL
  9. Lemieux ME, Reveles XT, Rebeles J, et al. Detection of early-stage lung cancer in sputum using automated flow cytometry and machine learning. Respiratory Research. 2023;24(1):23. doi: 10.1186/s12931-023-02327-3 EDN: HSQBUA
  10. Kimura K, Tabe Y, Ai T, et al. A novel automated image analysis system using deep convolutional neural networks can assist to differentiate MDS and AA. Scientific Reports. 2019;9(1):1–9. doi: 10.1038/s41598-019-49942-z EDN: PXXHII
  11. Yoon S, Hur M, Park M, et al. Performance of digital morphology analyzer Vision Pro on white blood cell differentials. Clinical Chemistry and Laboratory Medicine (CCLM). 2021;59(6):1099–1106. doi: 10.1515/cclm-2020-1701 EDN: GVMONA
  12. Kurstjens S, de Bel T, van der Horst A, et al. Automated prediction of low ferritin concentrations using a machine learning algorithm. Clinical Chemistry and Laboratory Medicine (CCLM). 2022;60(12):1921–1928. doi: 10.1515/cclm-2021-1194 EDN: HDJWKG
  13. Wang M, Dong C, Gao Y, et al. A deep learning model for the automatic recognition of aplastic anemia, myelodysplastic syndromes, and acute myeloid leukemia based on bone marrow smear. Frontiers in Oncology. 2022;12: 844978. doi: 10.3389/fonc.2022.844978 EDN: BQFWSO
  14. Kim H, Lee GH, Yoon S, et al. Performance of digital morphology analyzer Medica EasyCell assistant. Clinical Chemistry and Laboratory Medicine (CCLM). 2023;61(10):1858–1866. doi: 10.1515/cclm-2023-0100 EDN: ZDXONI
  15. Elagina EA, Margun AA. Research of machine learning methods in the problem of identification of blood cells. Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2021;21(6):903–911. doi: 10.17586/2226-1494-2021-21-6-903-911 EDN: ZVQLEV
  16. Ayyıldız H, Arslan Tuncer S. Is it possible to determine antibiotic resistance of E. coli by analyzing laboratory data with machine learning? Turkish Journal of Biochemistry. 2021;46(6):623–630. doi: 10.1515/tjb-2021-0040 EDN: JTZHYJ
  17. Van TT, Mata K, Bard JD. Automated detection of Streptococcus pyogenes pharyngitis by use of Colorex Strep A CHROMagar and WASPLab artificial intelligence chromogenic detection module software. Journal of Clinical Microbiology. 2019;57(11):e00811-19. doi: 10.1128/JCM.00811-19
  18. Faron ML, Buchan BW, Relich RF, et al. Evaluation of the WASPLab segregation software to automatically analyze urine cultures using routine blood and MacConkey agars. Journal of Clinical Microbiology. 2020;58(4):e01683-19. doi: 10.1128/jcm.01683-19 EDN: UDENAP
  19. Yang M, Nurzynska K, Walts AE, Gertych A. A CNN-based active learning framework to identify mycobacteria in digitized Ziehl–Neelsen stained human tissues. Computerized Medical Imaging and Graphics. 2020;84:101752. doi: 10.1016/j.compmedimag.2020.101752 EDN: AYLPVY
  20. Zurac S, Mogodici C, Poncu T, et al. A new artificial intelligence-based method for identifying mycobacterium tuberculosis in Ziehl–Neelsen stain on tissue. Diagnostics. 2022;12(6):1484. doi: 10.3390/diagnostics12061484 EDN: IJUCYT
  21. Wang Z, Zhang L, Zhao M, et al. Deep neural networks offer morphologic classification and diagnosis of bacterial vaginosis. Journal of Clinical Microbiology. 2021;59(2):e02236-20. doi: 10.1128/JCM.02236-20 EDN: GBZITD
  22. Lev-Sagie A, Strauss D, Ben Chetrit A. Diagnostic performance of an automated microscopy and pH test for diagnosis of vaginitis. NPJ Digital Medicine. 2023;6(1):66. doi: 10.1038/s41746-023-00815-w EDN: SVUVPJ
  23. Burton RJ, Albur M, Eberl M, Cuff SM. Using artificial intelligence to reduce diagnostic workload without compromising detection of urinary tract infections. BMC Medical Informatics and Decision Making. 2019;19:171. doi: 10.1186/s12911-019-0878-9
  24. Avci D, Sert E, Dogantekin E, et al. A new super resolution Faster R-CNN model based detection and classification of urine sediments. Biocybernetics and Biomedical Engineering. 2023;43(1):58–68. doi: 10.1016/j.bbe.2022.12.001 EDN: HQRRRR
  25. Mathison BA, Kohan JL, Walker JF, et al. Detection of intestinal protozoa in trichrome-stained stool specimens by use of a deep convolutional neural network. Journal of Clinical Microbiology. 2020;58(6):e02053-19. doi: 10.1128/jcm.02053-19 EDN: GWHHRT
  26. Wallace MB, Sharma P, Bhandari P, et al. Impact of artificial intelligence on miss rate of colorectal neoplasia. Gastroenterology. 2022;163(1):295–304.e5. doi: 10.1053/j.gastro.2022.03.007 EDN: CVAOAF
  27. Liang Y, Wang Z, Huang D, et al. A study on quality control using delta data with machine learning technique. Heliyon. 2022;8(8):e09935. doi: 10.1016/j.heliyon.2022.e09935 EDN: XNSZKR
  28. Zhou R, Liang Y, Cheng H, et al. A multi-model fusion algorithm as a real-time quality control tool for small shift detection. Computers in Biology and Medicine. 2022;148:105866. doi: 10.1016/j.compbiomed.2022.105866 EDN: OBKKZC
  29. Wang H, Wang H, Zhang J, et al. Using machine learning to develop an autoverification system in a clinical biochemistry laboratory. Clinical Chemistry and Laboratory Medicine (CCLM). 2020;59(5):883–891. doi: 10.1515/cclm-2020-0716 EDN: SVNLZY
  30. Lippi G, Mattiuzzi C, Favaloro E. Artificial intelligence in the pre-analytical phase: state-of-the art and future perspectives. Journal of Medical Biochemistry. 2024;43(1):1–10. doi: 10.5937/jomb0-45936 EDN: PVAVYI
  31. Blatter TU, Witte H, Nakas CT, Leichtle AB. Big data in laboratory medicine-FAIR quality for AI? Diagnostics. 2022;12(8):1923. doi: 10.3390/diagnostics12081923 EDN: MCJCST
  32. Ghassemi M, Oakden-Rayner L, Beam AL. The false hope of current approaches to explainable artificial intelligence in health care. The Lancet Digital Health. 2021;3(11):e745–e750. doi: 10.1016/s2589-7500(21)00208-9 EDN: EHUNYG
  33. Paranjape K, Schinkel M, Hammer RD, et al. The value of artificial intelligence in laboratory medicine. American Journal of Clinical Pathology. 2020;155(6):823–831. doi: 10.1093/ajcp/aqaa170 EDN: KUADLL
  34. Ghosh K, Bellinger C, Corizzo R, et al. The class imbalance problem in deep learning. Machine Learning. 2022;113(7):4845–4901. doi: 10.1007/s10994-022-06268-8 EDN: AQXQUP
  35. Certuficate of state registration of a computer program No. 2023665713/ 19.07.2023. Byul. No. 7. Vasilev YuA, Vladzymyrskyy AV, Omelyanskaya OV, et al. Web platform for technological and clinical monitoring of the results of digital medical image analysis algorithms. Available from: https://elibrary.ru/download/elibrary_54200632_17081735.PDF (In Russ.) EDN: JIEPJK
  36. Zinchenko VV, Arzamasov KM, Kremneva EI, et al. Technological defects in software based on artificial intelligence. Digital Diagnostics. 2023;4(4):593–604. doi: 10.17816/DD501759 EDN: ORUFMM
  37. Sharova DE, Garbuk SV, Vasilyev YuA. Artificial intelligence systems in clinical medicine: the world’s first series of national standards. Standards and Quality. 2023;(1):46–51. doi: 10.35400/0038-9692-2023-1-304-22 EDN: SNMGQA
  38. Laddi A, Goyal S, Savlania A. Vein segmentation and visualization of upper and lower extremities using convolution neural network. Biomedical Engineering. Biomedizinische Technik. 2024;69(5):455–464. doi: 10.1515/bmt-2023-0331 EDN: PRAAZI
  39. Macaskill P, Takwoingi Y, Deeks JJ, Gatsonis C. Chapter 9: Understanding meta-analysis. In: Deeks JJ, Bossuyt PM, Leeflang MM, Takwoingi Y, editors. Cochrane handbook for systematic reviews of diagnostic test accuracy. version 2.0 (updated July 2023). Cochrane; 2023 [cited 2024 Aug 17]. Available from: https://training.cochrane.org/handbook-diagnostic-test-accuracy/current
  40. Pennestrì F, Banfi G. Artificial intelligence in laboratory medicine: fundamental ethical issues and normative key-points. Clinical Chemistry and Laboratory Medicine (CCLM). 2022;60(12):1867–1874. doi: 10.1515/cclm-2022-0096 EDN: ZOALXU
  41. Muehlematter UJ, Daniore P, Vokinger KN. Approval of artificial intelligence and machine learning-based medical devices in the USA and Europe (2015–20): a comparative analysis. The Lancet Digital Health. 2021;3(3):e195–e203. doi: 10.1016/s2589-7500(20)30292-2 EDN: UWEZGN

补充文件

附件文件
动作
1. JATS XML
下载
2. Supplement 1. List of publications included in the systematic review and their characteristics
下载 (16KB)
索引源数据
3. Supplement 2. List of publications excluded from the systematic review
下载 (18KB)
索引源数据
4. Supplement 3. Main characteristics of the studies presented in the publications included in the systematic review 10.17816/DD635349-4334770
下载 (18KB)
索引源数据
5. Supplement 4. Characteristics of samples and machine learning models used, or commercially available solutions presented in the studies
下载 (23KB)
索引源数据
6. Supplement 5. Effectiveness of artificial intelligence in studies
下载 (20KB)
索引源数据
7. Supplement 6. Comparative analysis of the diagnostic efficiency of artificial intelligence and medical workers
下载 (15KB)
索引源数据
8. Supplement 7. Assessment of the quality of research methodology using the modified QUADAS-CAD questionnaire
下载 (33KB)
索引源数据
9. Fig. 1. Assessment of the risk of systematic error using the modified QUADAS-CAD questionnaire. QUADAS-CAD (Quality Assessment of Diagnostic Accuracy Studies Computer-Aided Detection) is a specialized modified questionnaire for assessing the risk of systematic errors and the applicability of research in the field of artificial intelligence technologies.

下载 (514KB)
索引源数据

版权所有 © Eco-Vector, 2025

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».