2016年，英国认知心理学家兼计算机科学家Geoffrey Hinton呼吁停止进一步培训放射科医生。随着基于AI的新型放射学应用变得越发有效，Hinton认为AI可能会承担大部分放射学工作[1]。AI有望对实验室诊断领域产生类似影响，但与放射学一样，某些类型的实验室工作相比其他类型的实验室工作更容易实现自动化。需要综合多种不同数据集进行交叉验证的诊断任务相对难以实现自动化。例如，如果AI系统要学习如何从头开始诊断乳腺癌，则每次尝试诊断时都必须考虑30多个变量。这包括来自成像扫描和基因检测的结构化信息，以及非结构化的患者自述信息和家族史。 据估计，AI系统必须分析70亿个独特的乳腺癌样品，才能达到与专家医师相同的专业水平。其他诊断任务可能更适合自动化。与乳腺癌相比，在诊断冠状动脉心脏疾病、绘制流感趋势图或识别心电图中的心律失常时，需要考虑的变量较少。在过去两年中，两个团队的研究表明AI在诊断皮肤癌方面的表现已与专科医生不相上下，而斯坦福的另一个团队也在肺炎诊断领域得出了相同结论 [2]。此外，AI还有潜力通过两种更广泛的方式改变实验室诊断领域：提升资源匮乏环境下的诊断服务可及性，并为持续性的患者监测创造新机遇。
为缺乏诊断服务的人群提供诊断服务
在许多发展中国家及发达国家的偏远地区 ，数百万人无法获得基本诊断服务，包括与能够出具、解读和解释实验室结果的医生进行咨询。通过承担部分此类工作并降低诊断成本，AI可以在解决该问题方面发挥重要作用。某些AI支持的诊断系统可能会发布肯定性诊断，其他系统则特别关注于排除严重疾病。AI系统对多种重大疾病的阴性预测值已超过90%，达到的准确度通常优于在农村地区工作的社区医生。对于检测结果呈阳性的患者，可以由地区医疗保健系统进行转诊和管理，经过培训的临床和实验室医学专家可以为他们提供所需的护理。
通过持续监测提升护理服务
实验室还可以利用AI合并新型患者数据，并采用更加个性化的方式持续监测患者。每年都有越来越多的群体使用可穿戴设备来实时追踪其步幅、心率、睡眠模式和卡路里消耗情况。未来我们甚至可能看到能从中采集唾液生物标志物数据的智能牙刷得到广泛应用。在接下来的五年内，这些技术进步将改变我们对患者的了解。患者将不再仅仅是在离散时间点被监测生命体征的个体。这种情况仍会存在，但同时实验室也将能够获取持续监测信号。任何显著的个体化变化都将使实验室得以及时调整现有护理方案。我们正逐渐认识到，判断检测结果是否正常的关键并非群体参考范围，而是其范围随时间的变化趋势。在未来五年中，将涌现更多的AI实际应用。当前着手筹备AI医疗系统的实验室将获得最大收益。为迎接这一新的现实，实验室必须着手对信息进行数字化、编制索引并以易于访问的格式存储信息。
参考文献： [1]A.I.Versus M.D., What happens when diagnosis is automated?The New Yorker, 2017 [2] Stanford algorithm can diagnose pneumonia better than radiologists, Stanford News, 2017 本文内容基于在印度孟买 LEADx 诊断领导力峰会上发表的演讲：”Artificial Intelligence in Healthcare and Diagnostics” 。
