当前，创新技术在深刻地改变着临床实验室检测的效率和准确性。在临床血液检验中，各种标本质量问题的总发生率为7.50%，血液的质量对样本的检验结果影响很大，主要影响因素有采血时间过长、采血量不足、标本处理不规范、标本有凝块与纤维丝/溶血/脂血/黄疸等。在血清前处理阶段，血清中的凝块与纤维丝（图1），会引起分析仪器取样针堵塞或者部分堵塞，导致标本TAT增加或检测结果的不准确。通常实验室采用目测法识别凝块和纤维丝，但是这种方法不仅耗时，主观性强，且可能导致误判，由此可见，血清的智能识别尤其重要。

基于此，安图生物研发团队引入AI技术，首次将机器视觉与深度学习相结合，提出了一种基于深度学习的血清图像中凝块与纤维丝的识别方法，可以精确、高效的对图像中凝块与纤维丝进行自动化检测，进而判断血清图像中凝块与纤维丝的有无，并返回异常血清样本中凝块与纤维丝的具体位置。

参考文献链接：https://doi.org/10.1016/j.cca.2023.117732

图1：血清前处理阶段，血清中的凝块与纤维丝

目前，在13230例临床测试标本中符合率高达97.93%，可满足临床实际需求。该方法已于2024年1月发表在医学检验权威SCI期刊Clinica Chimica Acta上（IF 5.0，JCR）。这是人工智能在临床检验中应用的重大突破，为人工智能在医学检测中的应用提供了新的思路和可能性，那这套方法又是如何“大显身手”的呢？AI新应用大揭秘，当然有图有真相！

识别方法

UNeXt网络是一种高效的分割网络，它具备更少的参数量和计算复杂度，更快的推理速度的同时保持良好的分割效果（图2）。在识别判断血清区域图像中是否含有血凝块与纤维丝的研究中，首先通过液位检测算法提取血清区域，然后使用改进的UNeXt分割网络对血清区域图像中的血凝块与纤维丝进行分割并根据分割结果识别血清图像中是否还有血凝块与纤维丝（改进的UNeXt分割验证数据详见文末，可滑动）。算法的整体流程见图3。

图2：UNeXt网络结构图（改进的UNeXt分割模型）

图3：整体算法流程图

由于血清图像中血凝块与纤维丝占图像的比例较小，属于小目标分割，采用二进制交叉熵，整张图的损失loss会被背景类所主导，导致难以对前景进行学习，此外，血凝块与纤维丝的边界模糊，边缘非常容易被分类错误。该识别方法采用加权WBCE损失和Dice损失相结合的方法训练分割模型。改进的Tokenized MLP块相对原始块提取了更多有用的信息，提升了模型的分割的精度（图4）。

图4：Tokenized MLP Block

本研究在原来模型的基础上改进了Tokenized MLP结构、损失函数和图像归一化方法。改进的Tokenized MLP块结构，在原Tokenized MLP块的基础上，增加一路，即先将token传递到跨高度的Shifted MLP，再将特征传递给跨宽度的Shifted MLP，最后将两路的特征相加融合，将融合结果应用层归一化，并将输出特征与原始token相加后传递到下一个块。

由于不同的采血管规格产生的采血量差异、不同医护人员血液采集时的主观性差异、不同人血液中不同成分比例的差异，以及不同离心设备的程序差异，导致最终剪切得到的血清区域图像的尺寸差异较大（图5a）。如果通过简单的尺度归一化将所有血清样本图像resize到相同的尺寸，易导致图像中的目标产生形变，影响最终的分割结果。该识别方法采用了一种无形变尺度归一化方法，提升了分割效果（图5b）。

图5：血清原始图及归一化结果图

验证数据

改进的UNeXt模型的Dice系数可提升至87.07%。与UNeXt模型相比虽然在参数量和计算复杂度上有所增加，但Dice系数提升了1.61%，推理速度的差别可忽略不计（表1）。

改进UNeXt相比于UNet和UNeXt有更好的分割效果。UNet分割模型对于血清区域容易误分割，而UNeXt分割模型对血凝块与纤维丝分割不够完整（图6）。

为了验证改进UNeXt的实际应用结果，收集医院连续一个月的检测样本数据13230例，并用改进UNeXt分割模型进行分割。分割结果见表2（样本中有血凝块与纤维丝则为阳性），其中符合率达到97.93%，可满足临床实际使用要求。

基于安图生物Autolas X-1流水线

真实血清样本的创新性研究

一｜临床样本收集

基于流水线标本的数据采集：实验所用的标本图像来源于安图生物Autolas X-1流水线在多家医院正常运行时收集的真实血清标本图像，图像包含不同厂家、不同规格、不同批次的采血管图像（图7）。

图7：数据原图

二｜临床样本标注

二．临床样本标注

数据标注：从大量采集的临床标本血清图像中甄选出数万张含有凝块与纤维丝的标本，所有数据标本标注严格按照《人工智能医疗器械注册审查指导原则》（图8-9）由经验丰富的权威专家进行标注和审核，形成具有数据多样性的数据库（图10）。

图8：《人工智能医疗器械注册审查指导原则》

图9：《人工智能医疗器械注册审查指导原则》中数据标注原则

图10：凝块与纤维丝数据库

三｜AI模型训练

模型训练和自学习：将数据库作为基准模型的数据基础，将实验用数据集按照7：2：1的比例随机划分为训练集、验证集和测试集。利用改进的UNeXt分割模型进行训练，实验参数设置中每批次数据的大小设置为8，优化器采用adam优化算法，初始学习率设置为0.001，最小学习率设置为0.00001，动量设置为0.9，训练的迭代次数设置为200，模型训练时验证集Dice变化曲线（图11）。通过改进的UNeXt网络自动化提取图像的特征，然后进一步分析，建立凝块与纤维丝类别与像素多维特征间的关联，从而使网络进行自我学习，实现凝块与纤维丝分割的性能提升。

图11：val_Dice变化曲线

四｜应用效果和临床意义

安图生物全新自主研发生产的自动化流水线Autolas X-1 Series，通过AI智能识别系统，可识别判断血清中是否含有凝块与纤维丝，对于正常的标本，直接进行项目检测。对于有凝块与纤维丝的标本，将结果传给中间件，由中间件控制异常标本分拣至指定区域，及时拦截异常样本，避免取样针堵塞或部分堵塞。该识别方法减少了工作人员的参与，避免人员的主观性产生的误判；填补了流水线产品功能上识别血清中含有凝块与纤维丝的空白；提前识别异常标本，避免取样针堵塞导致的整体标本TAT增加或取样针部分堵塞导致的标本部分检测项目结果的不准确致使医生对病人病情的误诊，减少试剂浪费；代替人工目测环节，自动化快速检测标本血清中是否含有凝块与纤维丝，减少标本的TAT；与血清质量识别公用采集数据，无需另外增加采集设备，降低成本。Autolas X-1流水线AI智能识别系统，让血清的识别和判断更高效、更准确，为检测结果的准确性保驾护航。

图12：安图生物Autolas X-1流水线

期刊简介

国际临床化学和实验医学联合会(IFCC)的官方期刊《Clinica Chimica Acta》是一本国际临床化学与诊断检验医学杂志。该刊发文范围涵盖医学实验技术等领域，旨在及时、准确、全面地报道国内外医学实验技术工作者在该领域的科学研究等工作中取得的经验、科研成果、技术革新、学术动态等。期刊ISSN号0009-8981,EISSN号:1873-3492，最新影响因子为5.0分，JCR一区，其 CiteScore:9.6。