大數據背景下的深度學習在檢驗醫學中的應用研究

張洋， 章魯瑤，樊金宇，修云霞

（1.牡丹江醫學院附屬第二醫院檢驗科，黑龍江 牡丹江 157011；2.牡丹江醫學院，黑龍江 牡丹江 157011）

0 前言

近些年，深度學習算法在社會各個領域都迅猛的發展。在醫學領域，基于卷積神經網絡的乳腺癌鉬靶影像在癌變檢測上、基于CNN的深度學習在皮膚癌的分類診斷等方面，都取得了突破性的進展[1-5]。基于深度學習算法疾病檢測、診斷在一定程度上已達到了臨床醫師的水平，正不斷地改變醫生傳統的診療方式，在不遠的將來，人工智能在醫學領域必將發揮更大的作用。檢驗醫學是臨床決策的信息支撐，醫學檢驗信息管理系統的高度自動化、數據化的特點為應用機器學習、數據挖掘、計算機輔助診斷系統的檢驗醫學智能化發展提供了重要的契機。臨床檢驗數據具有海量信息，數據結構極其復雜，既有文本格式的常規檢驗指標，也有大量的非結構化、半結構化格式的形態學檢驗數據、動態監測數據，還有多種格式的流式細胞數據[6-8]。海量的檢驗數據為醫學臨床診斷、治療、預測、預后提供重要的依據。醫學檢驗系統中存儲的海量數據蘊藏著極高的價值，檢驗數據的多維性為數據挖掘提供了契機，也為檢驗數據與臨床數據的結合創造關聯的機會。

大數據時代的到來，臨床醫學中蘊含著海量的數據，這些數據背后則是等待發掘的信息、知識和規律。運用人工智能技術將醫學大數據變成為人類造福的生產力，發掘醫學大數據背后的秘密，是機器學習的主要任務。深度學習從屬于機器學習，其學習目標為學習特定目標、任務以及其之間的關聯。深度學習算法利用計算機構建一種學習模型，從簡單概念到復雜概念、從一般抽象到高級抽象，重構概念體系，靈活的準確的表達世界的結構，深度學習的發展推動AI領域的前進[9-12]。

1 在檢驗醫學中應用深度學習算法現狀

檢驗醫學數據結構化程度復雜，醫學檢驗實驗室系統中，數據來源多元化，數據量龐雜且存在大量的非結構化、半結構化的數據信息。比如形態學檢驗中的圖片數據包括微生物形態、骨髓細胞學圖像、免疫熒光圖像、寄生蟲檢驗的視頻數據等。這些非結構化、半結構化的數據導致大數據技術的分析困難，如何利用大數據技術對檢驗醫學大數據進行轉歸、處理、分析成為當前大數據在醫學中應用的難點與熱點。 目前深度學習框架比較流行的有：自動編碼、深度置信網絡、遞歸神經網絡、卷積神經網絡、深度神經網絡。各種深度學習技術在不同的領域發揮的作用不同。如在醫學圖像處理領域，卷積神經網絡（Convolutional Neural Netwoks,CNN)相較于其他深度學習算法，具有較高的優勢[13-17]。基于深度學習算法對檢驗大數據進行數據挖掘，必須建立三個重要基礎：（1）高質量的數據；（2）算法；（3）滿足計算要求的計算機系統。

近些年來，已有大量的關于深度學習算法在檢驗醫學中的應用研究。深度學習在檢驗醫學中的應用主要有以下幾個方面：

血細胞識別：作為識別血細胞形態學特征的金標準，外周血顯微鏡檢查在血細胞形態識別方面發揮了重要的作用。但傳統的血細胞形態分析依賴于人工顯微鏡分析檢查，由于人工因素造成不可避免的誤差。現代人工智能技術的發展，為血細胞形態識別提供了基于深度學習的數字圖像分析技術[18]。其原理為在顯微鏡下對外周血涂片進行鏡檢，應用人工神經網絡系統對細胞進行識別分析，分析結果傳送至計算機上，用戶與計算機進行交互式操作，該系統已實現自動閱片，極大的改進醫生的工作模式。采用深度學習的血細胞形態識別，實現了簡單特征到復雜特征的提取，這種技術仍然需要進一步發掘、發展。此外，利用卷積神經網絡算法的圖像分析技術也被應用于血細胞分類中，基于卷積神經網絡算法的深度學習可實現血細胞的分割，在紅細胞形態統計分析、特征提取中分離效果明顯。

基于深度學習算法的體液分析：體液分析是醫學檢驗中的重要檢驗方式，通過體液分析可對紅細胞、白細胞、霉菌等微觀成分進行顯微圖像分析，如糞便顯微圖像。應用深度學習算法在糞便的自動檢測系統中，可快速、準確的分析檢測糞便中的微觀細胞圖像。

基于深度學習算法的基因及蛋白組學分析：應用質譜技術的蛋白組學研究和模型預測，結合深度學習網絡數據降維技術，在腫瘤樣本異質性檢測中發揮重要的作用，可將高維圖像識別問題轉化為特征向量識別問題。

基于深度學習的微生物研究：傳統的病原微生物學高度依賴顯微鏡可視化檢測，應用深度學習算法在病原學，可實現病原學的信息挖掘。如基于深度算法的無標記全息顯微鏡圖像微觀模型學習，用以區分物種類別和圖像描述，應用向量機或隨機森林編碼、分類，達到百分之九十以上的準確識別率。

基于深度學習算法的寄生蟲圖像分析：寄生蟲檢驗是醫學檢驗中十分常見的分析項目。如瘧疾檢測。一些研究利用CNN深度學習算法和支持向量機SVM機器學習算法對感染細胞、正常細胞進行分類學習，研究結果表明CNN深度學習算法的結果要優于SVM。其他研究如大規模注釋數據集中提取特征和驗證細胞水平。

2 檢驗數據機器學習模型構建

基于人工智能的計算輔助診斷是醫學檢驗領域常見的診斷模型，即醫學專家系統。醫學專家系統集成海量醫療檢驗數據，基于信息網絡傳輸獲取不同醫院、科室的患者實時更新數據。建立人工智能算法，關聯各種檢驗數據與相關疾病。這種專家系統對醫學診斷、治療、預后提供支持。目前，基于貝葉斯網絡、多層感知的人工神經網絡等技術的專家系統，對患者的診療提供必要的支持。專家系統的架構如圖1所示。

圖1 專家系統架構圖

3 深度學習在檢驗醫學中的應用的挑戰與發展前景

應用深度學習算法于檢驗醫學研究與臨床實踐，可以為疾病診斷、指標異常等科研、臨床實踐提供預測分析。機器學習在醫學領域的廣泛應用，深刻的改變醫學的工作模式。但由于機器學習高度依賴數據的質量，對數據獨立分布和數據量有特殊的要求。此外，機器學習還對模型的評估、算法有較高的要求，即數據的質量決定了機器學習的成功與否。由于機器學習中的不準確預測、數據質量不恰當等也導致機器學習工具的濫用，沒有發揮機器學習應有的價值。利用深度學習技術為患者的疾病預測、診斷、分析、預后，作為計算機輔助診斷系統的智能化基礎，通過深度學習建立個體化檢驗評估體系，將檢驗數據與臨床大數據結合，分析檢驗指標與疾病的關系，優化患者診斷與治療的方式，基于大數據平臺構建智慧醫療、精準醫療、數字醫療體系。

4 結語

應用深度學習于醫學檢驗中，可增強檢驗醫學的疾病預測、診斷、分析、預后，實現計算機輔助診斷，提高檢驗醫學的精準化、數字化。利用深度學習、人工智能技術，極大的拓寬檢驗醫學的發展前景。