人工智能作为计算机科学行业的顶尖技术之一，自1956年达特茅斯会议上被正式提出开始就一直备受各行业关注。伴随着神经网络、深度学习、图像识别等关键技术取得的突破性进展，新一轮人工智能技术将实现从感知智能、计算智能向认知智能领域的跨越。

　　近年来，医疗领域的数字化进程不断向纵深推进，人工智能技术作为一项工具，逐渐被用于优化现有的医疗技术。值得关注的是，人工智能技术在体外诊断产品的应用已有广泛研究，一些以基于深度学习的人工智能技术为原理的产品已经定型，并且完成了临床研究。本文对人工智能技术在体外诊断产品中的几方面应用进行介绍。

　　外周血细胞图像辅助识别软件 

　　血细胞形态是血液病诊断分型的基本实验室检查指标，其中，白细胞的计数及分类是血细胞形态分析的重要内容，在疾病诊断过程中非常重要。白细胞的异常通常与疾病相关，如在炎性和感染性疾病（病毒感染）的各种免疫刺激下，以及在肿瘤疾病（白血病或淋巴瘤）影响下，淋巴细胞的形态会发生较大变化，可能会出现数量不等的、形态异常的淋巴细胞。

　　临床上，对血细胞形态的鉴别及计数是一项技术含量高且耗时较长的工作。现代的血液分析仪器可精确地对白细胞进行计数并分类，然而，在临床实践中，如样本中存在异常白细胞，在血液分析仪进行细胞分析过程中会出现计数异常的情况。此时，则需要对血液样本进行涂片，采用人工手段对白细胞进行分类及计数。

　　在临床检验过程中，针对外周血血常规异常并需要进行复检的病例样本，以及临床上怀疑血液系统疾病病例的样本，在技术人员进行血涂片镜检时，若借助基于人工智能技术的外周血细胞图像辅助识别软件，则能有效提高技术人员对各类白细胞识别的准确性，提高其工作效率。

　　对于上述临床预期适用场景，北京小蝇科技有限责任公司开发了外周血细胞图像辅助识别软件，采用人工智能深度学习技术，首先对外周血细胞图像进行预处理，然后调用人工智能算法引擎，对图像进行分割、识别，最后输出分析结果。该产品可识别中性杆状核粒细胞、中性分叶核粒细胞、嗜碱性粒细胞、嗜酸性粒细胞、淋巴细胞、单核细胞等六种正常白细胞，以及异常白细胞、染色失败、涂抹细胞等三种异常细胞。该产品临床研究显示，使用该软件产品的研究者与未使用该软件产品的研究者在识别细胞准确度上具有显著提升。目前，该产品处于技术审评阶段，关于该产品临床试验过程与产品临床预期使用场景是否相符，以及产品临床试验入组病例是否涵盖了临床常见的白细胞异常病例等问题，仍需要进一步确认。

　　宫颈细胞学图像计算机辅助分析软件 

　　宫颈癌一直是威胁女性身体健康的一大杀手。近年来，随着对宫颈癌的致病因素、发病机制、诊断和治疗方法研究的推进，人们已经普遍达成共识——HPV感染是宫颈癌的主要致病因素之一，也正因为此，宫颈癌是一种可预测、可预防的肿瘤。因此，寻找一种简单快速、结果可靠的筛查方法，对于早期发现癌前病变非常重要。

　　宫颈细胞学技术是一种得到了广泛认可、接受度较高的宫颈癌筛查技术。目前，液基薄层细胞制片技术（TCT）广泛应用于临床的细胞学检查。然而，在实际应用过程中，临床医生发现其存在的一些问题：其一，该检查结果为病理科医师进行判读，主观性较强，且其判断的准确性也与其经验密切相关；其二，细胞学检查的报告周期较长，有些地区要花费长达两周的时间才能得出结果，患者在等待过程中承担着不必要的生理和心理压力。

　　随着数字病理学的发展，研究人员将宫颈液基细胞学制片扫描为宫颈细胞数字病理图像，病理科医师在结果判读过程中可使用基于人工智能的宫颈细胞学图像计算机辅助分析软件对结果进行分析判读，有效减少常规检查中人为主观因素对检查结果的影响，从而提高判读的敏感度及准确度，同时还可以显著提高判读速度，避免患者漫长等待，提高患者在就医过程的舒适度和满意度。

　　由我国玖壹叁陆零医学科技南京有限公司自主开发的宫颈细胞学辅助分析系统就是为适用上述临床需求而开发的产品，该产品目前已进入技术审评环节。该产品采用深度卷积神经网络算法，对影像中的细胞核进行分割，通过细胞核的位置选取得到细胞小图像块，再经过对细胞小图像块进行图像分类后，可实现对宫颈细胞学病理影像中异常细胞的计数和定位识别功能；通过决策算法对细胞图像块的分类结果进行分析，可实现宫颈癌细胞学检查的辅助诊断的功能。目前，该产品关于临床试验中针对宫颈细胞学不同病变细胞种类（HSIL、LSIL等共七种）的标记准确性是否应进行统计分析，以及软件辅助阅片模式中阅片医生对单独软件判读结果更改的情况等问题，仍需要进一步确认。

　　病理图像计算机辅助分析软件 

　　病理图像的人工智能分析与数字病理学的发展息息相关。近年来兴起的数字病理( digital pathology，DP)，是指将计算机和网络应用于病理学领域，其核心技术是全玻片数字扫描与病理图像分析算法。

　　全玻片数字扫描技术( whole slide imaging，WSI) 是一种现代数字系统与传统光学放大装置有机结合的技术，其通过全自动显微镜扫描采集得到高分辨数字图像，再应用计算机对得到的图像自动进行高精度、多视野的拼接和处理，量化病理图像的形状、大小和颜色等信息，从而得到数字切片。数字切片可用于图像检索、模式识别、计算机学习和深度学习，从而为建立计算机辅助诊断系统( computer-aided diagnosis，CAD) 数学模型奠定基础。然而，WSI 往往包含大量复杂、冗余的信息，需要通过筛选挖掘出特征数据，才能根据特征提取的结果进一步做出病理诊断。

　　在此背景下，病理图像分析算法应运而生。目前，该方面的常用算法主要包括支持向量机( support vector machine，SVM) 、AdaBoost 和深度卷积神经网络( Convolutional euralnet work)等，用于完成特征提取、检测和分割、分类和分级任务。

　　对于常规病理检测病例，病理医师的疲劳阅片及主观差异性等因素往往会导致诊断准确率下降的情况发生，带来一定的误诊率，从而导致病例的误治。因此，人工智能病理分析软件可凭借其独特优势，有望在临床应用中解决上述问题。

　　目前，我国尚无成熟的人工智能病理图像计算机分析系统。美国FDA通过De Novo批准了Paige.AI, Inc.公司的Paige Prostate软件，该产品预期用途为基于全玻片数字扫描技术辅助病理医师检测出前列腺活检切片图像中有很大可能存在癌症的重点区域，以便对其进一步评估，特别是如果在初次检测时没有发现的目标区域。该产品临床研究结果显示，病理医师使用该产品假阴性率减少了70%，假阳性率减少了24%。

　　基于人工智能技术的体外诊断产品审评思考 

　　在基于人工智能技术的体外诊断产品的审评方面，重点关注以下三方面。

　　临床预期用途 

　　随着人工智能技术的发展以及该技术在临床的广泛应用，在充分考虑产品临床应用的风险与受益的情况下，上述基于人工智能技术的体外诊断产品预期用途应为辅助临床相关操作人员对结果进行判读，相关产品判定结果不应单独作为病例检查结果判定的依据。

　　临床试验评价指标 

　　为了充分确认该类产品的预期用途，建议在临床试验中采用优效性设计或非劣效性设计。该类产品的临床试验一般采用独立的专家组判读结果作为“金标准”，使用试验软件的研究者与不使用软件研究者应同时与金标准进行比对。临床试验应能够确认使用软件的研究者与未使用软件的研究者在结果判读的灵敏度、特异性、准确性等方面显著有效；或能够确认使用软件的研究者与未使用软件的研究者在结果判读的灵敏度、特异性、准确性等方面非劣效，但是在判读时间或其他能够评价的方面应显著有效。

　　配合使用的试剂及仪器 

　　临床检验离不开体外诊断试剂与配套使用的仪器，如一个完整的病理试验需要免疫组化试剂、病理图片扫描仪等。基于人工智能技术的体外诊断分析系统，在临床研究及临床应用过程中，应充分考虑配套使用的试剂及仪器，未经验证的试剂及仪器不能与分析系统联合使用。

　　（作者单位：国家药监局医疗器械技术审评中心）