王芳，顏金花

(1．南昌大學(xué)，南昌 330008； 2．南昌市第一醫(yī)院血液科，南昌 330008)

人工智能概念于1956年首次提出，是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新技術(shù)科學(xué)。機(jī)器學(xué)習(xí)是人工智能的一個(gè)子領(lǐng)域，專門研究計(jì)算機(jī)如何模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之性能不斷完善。機(jī)器學(xué)習(xí)試圖通過(guò)計(jì)算，從復(fù)雜的數(shù)據(jù)結(jié)構(gòu)中提取出有意義的結(jié)果。近年來(lái)人工智能及醫(yī)學(xué)均得到快速發(fā)展，增強(qiáng)人工智能及人工智能工具在醫(yī)學(xué)領(lǐng)域的應(yīng)用會(huì)極大促進(jìn)醫(yī)學(xué)的發(fā)展。顯微圖像數(shù)字化的出現(xiàn)，為白血病病理診斷提供了新的更為便捷的方式[1]。隨后由深度學(xué)習(xí)算法開(kāi)啟的新一波人工智能的發(fā)展極大地促進(jìn)了大數(shù)據(jù)分析技術(shù)的進(jìn)展，構(gòu)建了大量機(jī)器學(xué)習(xí)算法模型，并將其與血液系統(tǒng)相關(guān)疾病的診斷、治療及預(yù)后判斷等相結(jié)合，得出許多有意義的成果，證實(shí)其在疾病診斷、治療方案選擇及療效預(yù)測(cè)等方面應(yīng)用的優(yōu)勢(shì)。目前，機(jī)器學(xué)習(xí)在血液學(xué)方面的應(yīng)用正在穩(wěn)步增加。然而，臨床醫(yī)師和研究人員對(duì)機(jī)器學(xué)習(xí)相關(guān)概念的了解相對(duì)匱乏?，F(xiàn)從機(jī)器學(xué)習(xí)的學(xué)習(xí)類型、工作原理及其在白血病診斷、治療及預(yù)后判斷方面的相關(guān)研究進(jìn)展進(jìn)行綜述。

1 機(jī)器學(xué)習(xí)的學(xué)習(xí)類型及工作原理

1.1機(jī)器學(xué)習(xí)的學(xué)習(xí)類型 機(jī)器學(xué)習(xí)的學(xué)習(xí)類型大致分為3種：監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)[1-2]。監(jiān)督學(xué)習(xí)可對(duì)已知結(jié)果進(jìn)行預(yù)測(cè)，通過(guò)在包含特征(變量)和標(biāo)簽(結(jié)果或感興趣的類別)的數(shù)據(jù)集上進(jìn)行模型訓(xùn)練，能得到一個(gè)函數(shù)，將特征映射到標(biāo)簽，然后使用該函數(shù)來(lái)預(yù)測(cè)新的未標(biāo)記數(shù)據(jù)的標(biāo)簽。例如，要對(duì)異基因造血干細(xì)胞移植后患者的病死率進(jìn)行預(yù)測(cè)，該模型將對(duì)包含關(guān)于患者、疾病和移植特征信息的數(shù)據(jù)集進(jìn)行試驗(yàn)，得出每個(gè)人相關(guān)的預(yù)測(cè)結(jié)果。面對(duì)新患者時(shí)，該模型將根據(jù)試驗(yàn)過(guò)程中使用的相同特征，預(yù)測(cè)患者在給定時(shí)間間隔內(nèi)的生存可能性。無(wú)監(jiān)督學(xué)習(xí)可識(shí)別數(shù)據(jù)中的模式或分組，根據(jù)其在監(jiān)督學(xué)習(xí)任務(wù)中的表現(xiàn)評(píng)估這些分組在生物學(xué)或臨床上的價(jià)值。強(qiáng)化學(xué)習(xí)是一類較新的學(xué)習(xí)方法，是監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)的結(jié)合。強(qiáng)化學(xué)習(xí)通過(guò)反復(fù)試錯(cuò)來(lái)最大限度地提高算法的精確度。通過(guò)來(lái)自訓(xùn)練集的真實(shí)和模擬決策結(jié)果的反饋塑造模型[2]。近年來(lái)血液學(xué)中與機(jī)器學(xué)習(xí)相關(guān)的研究見(jiàn)表1。

表1 機(jī)器學(xué)習(xí)在血液學(xué)中應(yīng)用的研究

1.2機(jī)器學(xué)習(xí)的工作原理 機(jī)器學(xué)習(xí)根據(jù)目標(biāo)制訂適當(dāng)?shù)娜蝿?wù)。在將問(wèn)題簡(jiǎn)化為一些假設(shè)后，建立一個(gè)參數(shù)未知的模型來(lái)解釋或關(guān)聯(lián)輸入和輸出。然后機(jī)器學(xué)習(xí)根據(jù)收集到的數(shù)據(jù)，提取出相關(guān)特征及結(jié)果，對(duì)模型進(jìn)行初始化和訓(xùn)練。在此基礎(chǔ)上，對(duì)機(jī)器學(xué)習(xí)模型進(jìn)行推理和評(píng)價(jià)。一旦構(gòu)建并驗(yàn)證了模型，就可以將其發(fā)布應(yīng)用。理想狀態(tài)下，構(gòu)建的模型應(yīng)該隨技術(shù)進(jìn)步接受實(shí)時(shí)評(píng)估，并相應(yīng)地進(jìn)行更新和重新驗(yàn)證，不斷提高模型的精確度及有效性。但目前臨床有效性的衡量標(biāo)準(zhǔn)仍不明確，可能受用戶的數(shù)量、用戶的反饋以及臨床對(duì)該系統(tǒng)的依賴程度的限制。

2 機(jī)器學(xué)習(xí)在白血病診斷中的應(yīng)用

白血病是血液系統(tǒng)最常見(jiàn)的惡性腫瘤之一，各個(gè)年齡段均可發(fā)病，且病死率較高。白血病的初步診斷主要是通過(guò)細(xì)胞形態(tài)學(xué)、細(xì)胞遺傳學(xué)、分子生物學(xué)和免疫表型4個(gè)方面綜合分析來(lái)明確[20]。早期對(duì)白血病進(jìn)行準(zhǔn)確的分類診斷是治療成功的關(guān)鍵。由于醫(yī)務(wù)人員缺乏相關(guān)臨床經(jīng)驗(yàn)而導(dǎo)致的錯(cuò)誤分類，白血病的診斷仍受到不同程度的影響。因此，白血病是機(jī)器學(xué)習(xí)應(yīng)用的潛在目標(biāo)之一。

2.1機(jī)器學(xué)習(xí)在細(xì)胞形態(tài)學(xué)診斷白血病中的應(yīng)用 人工智能在人臉識(shí)別等通用技術(shù)方面的應(yīng)用已經(jīng)相當(dāng)成熟并且應(yīng)用廣泛，對(duì)白血病診斷的早期探索也主要是在細(xì)胞形態(tài)的識(shí)別方面。細(xì)胞形態(tài)學(xué)分析仍是白血病診斷分型的重要手段。Huang等[21]的研究采用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)與轉(zhuǎn)移學(xué)習(xí)相結(jié)合分析骨髓細(xì)胞顯微鏡圖像，以建立客觀、快速、準(zhǔn)確的白血病分類和診斷方法。該模型收集了104份骨髓涂片，包括18名健康受試者、53例急性髓細(xì)胞性白血病(acute myelogenous leukemia，AML)患者、23例急性淋巴細(xì)胞白血病患者和10例慢性粒細(xì)胞白血病患者的細(xì)胞顯微鏡圖像。首先使用完美反射算法和自適應(yīng)濾波算法對(duì)實(shí)驗(yàn)收集的骨髓細(xì)胞圖像進(jìn)行預(yù)處理。隨后，使用3個(gè)CNN框架(inception-V3，ResNet50和DenseNet121)來(lái)構(gòu)造原始數(shù)據(jù)集和預(yù)處理數(shù)據(jù)集的分類模型。結(jié)果表明，基于預(yù)處理數(shù)據(jù)集的DenseNet121模型提供了最好的分類結(jié)果，預(yù)測(cè)精度為74.8%。通過(guò)轉(zhuǎn)移學(xué)習(xí)優(yōu)化獲得的DenseNet121模型的預(yù)測(cè)精度為95.3%，提高了20.5%。在此模型中，健康受試者、AML、急性淋巴細(xì)胞白血病和慢性粒細(xì)胞白血病患者的預(yù)測(cè)準(zhǔn)確度分別為90%、99%、97%和95%。結(jié)果表明，基于CNN結(jié)合轉(zhuǎn)移學(xué)習(xí)的白血病細(xì)胞形態(tài)學(xué)分類和診斷是可行的。且與傳統(tǒng)的手動(dòng)顯微鏡相比，該方法更加快速、準(zhǔn)確和客觀。深度神經(jīng)網(wǎng)絡(luò)(deep neural network,DNN)是機(jī)器學(xué)習(xí)的一個(gè)子集，通過(guò)創(chuàng)建相互連接的人工神經(jīng)網(wǎng)絡(luò)來(lái)模擬大腦的神經(jīng)元結(jié)構(gòu)，可以用于計(jì)算機(jī)視覺(jué)目的，特別是目標(biāo)檢測(cè)、圖像分割和分類。在對(duì)圖像數(shù)據(jù)進(jìn)行充分的預(yù)處理后，DNN可以用于細(xì)胞形態(tài)學(xué)的計(jì)算機(jī)輔助診斷。DNN的骨髓和外周血涂片評(píng)估的關(guān)鍵步驟是細(xì)胞分割、提取和量化、特征提取和分類，這對(duì)于正確區(qū)分白血病和非白血病細(xì)胞至關(guān)重要[18,22-23]。機(jī)器學(xué)習(xí)可以使用各種機(jī)器學(xué)習(xí)方法，如DNN、支持向量機(jī)(support vector machine,SVM)和k均值聚類(一種無(wú)監(jiān)督機(jī)器學(xué)習(xí)技術(shù)，其中相似的數(shù)據(jù)點(diǎn)根據(jù)它們與聚類平均值的距離被分組為k個(gè)聚類)[15]等，自動(dòng)聚焦分析圖像，實(shí)現(xiàn)對(duì)白血病亞型的分類。

2.2機(jī)器學(xué)習(xí)在分子生物學(xué)診斷白血病中的應(yīng)用 基因組測(cè)序的推廣應(yīng)用產(chǎn)生了海量基因組數(shù)據(jù)，多基因測(cè)序、全基因組測(cè)序、全外顯子組測(cè)序和轉(zhuǎn)錄組測(cè)序等為醫(yī)學(xué)研究提供了大量基因組數(shù)據(jù)，能夠幫助更準(zhǔn)確地判斷細(xì)胞生物學(xué)性質(zhì)并對(duì)疾病進(jìn)行診斷及鑒別。約1/3的AML患者出現(xiàn)FMS樣酪氨酸激酶3(FMS-like tyrosine kinase 3,FLT3)的致病突變，其中內(nèi)部串聯(lián)重復(fù)(internal tandem duplication,ITD)是最常見(jiàn)的FLT3突變[24]。RNA測(cè)序和基因分型與機(jī)器學(xué)習(xí)相結(jié)合可以區(qū)分惡性細(xì)胞類型和識(shí)別典型的遺傳損傷，以及FLT3-ITD與祖細(xì)胞樣細(xì)胞的關(guān)聯(lián)[25]。SVM和隨機(jī)森林能夠識(shí)別出能預(yù)測(cè)FLT3-ITD突變狀態(tài)的特征基因[26]。Warnat-Herresthal等[17]分析了來(lái)自100個(gè)不同研究的1.2萬(wàn)個(gè)樣本，將轉(zhuǎn)錄和基因組數(shù)據(jù)與機(jī)器學(xué)習(xí)相結(jié)合，開(kāi)發(fā)出一種能以近乎自動(dòng)化和低成本的方法準(zhǔn)確檢測(cè)AML的分類器，其能夠借助機(jī)器學(xué)習(xí)技術(shù)評(píng)估遺傳風(fēng)險(xiǎn)情況或確定個(gè)體化癌癥治療的新遺傳靶點(diǎn)。SVM是一種機(jī)器學(xué)習(xí)技術(shù)，它通過(guò)計(jì)算不同數(shù)據(jù)集之間的超平面來(lái)描述坐標(biāo)系中的數(shù)據(jù)點(diǎn)，可用于高維數(shù)據(jù)集的分類。一旦執(zhí)行了預(yù)處理步驟，如生物標(biāo)志物簽名過(guò)濾或基因改變以組織多維數(shù)據(jù)集，它們就可對(duì)大型基因組數(shù)據(jù)集中的亞型進(jìn)行分類；SVM通過(guò)對(duì)基因組數(shù)據(jù)的分類，從而揭示潛在的治療靶點(diǎn)，并通過(guò)遺傳圖譜檢測(cè)白血病干細(xì)胞[27-29]。

2.3機(jī)器學(xué)習(xí)在免疫學(xué)診斷白血病中的應(yīng)用 免疫分型是診斷白血病的重要標(biāo)志之一，國(guó)際公認(rèn)的方法為流式細(xì)胞術(shù)。Ko等[14]運(yùn)用1 742例AML和骨髓增生異常綜合征(myelodysplastic syndrome，MDS)患者的5 333份流式細(xì)胞數(shù)據(jù)，其中287份數(shù)據(jù)為預(yù)測(cè)臨床預(yù)后的數(shù)據(jù)集，其余數(shù)據(jù)按照4∶1的比例分為訓(xùn)練集和驗(yàn)證集。經(jīng)過(guò)學(xué)習(xí)優(yōu)化后的算法，在不同的流式細(xì)胞檢測(cè)平臺(tái)上區(qū)分AML患者與健康人的準(zhǔn)確度為89.4%、92.4%，區(qū)分MDS患者與健康人的準(zhǔn)確度達(dá)84.9%、90.8%，區(qū)分患者(AML和MDS)與健康人的準(zhǔn)確度為84.6%、89.7%。機(jī)器學(xué)習(xí)可以用來(lái)精確區(qū)分白血病患者和健康人的樣本。使用聚類技術(shù)(如FlowSOM)聯(lián)合機(jī)器學(xué)習(xí)技術(shù)(如SVM和隨機(jī)森林)的計(jì)算機(jī)驅(qū)動(dòng)的流式細(xì)胞術(shù)分析可以提高對(duì)各種血液系統(tǒng)惡性腫瘤的診斷準(zhǔn)確率并能正確分類稀有細(xì)胞[30-31]。因此，機(jī)器學(xué)習(xí)可以對(duì)由流式細(xì)胞術(shù)產(chǎn)生的數(shù)據(jù)提供自動(dòng)分類，并通過(guò)基于給定數(shù)據(jù)，向臨床醫(yī)師提供各種不同的診斷及其各自的可能性來(lái)幫助臨床醫(yī)師分析和解釋數(shù)據(jù)，從而有助于白血病的免疫表型分析和評(píng)估微小殘留病(minimal residual disease，MRD)[32-33]。因此，通過(guò)組合不同的機(jī)器學(xué)習(xí)技術(shù)將所有診斷模式集成到白血病的評(píng)估中是可行的，且為醫(yī)療專業(yè)人員評(píng)估和驗(yàn)證每個(gè)白血病疑似病例提供了快速、自動(dòng)化、數(shù)據(jù)驅(qū)動(dòng)的概述。

3 機(jī)器學(xué)習(xí)在白血病治療和預(yù)后中的應(yīng)用

3.1機(jī)器學(xué)習(xí)在白血病治療中的應(yīng)用 機(jī)器學(xué)習(xí)可以根據(jù)RNA測(cè)序獲得的基因表達(dá)模式來(lái)預(yù)測(cè)接受誘導(dǎo)治療的兒童AML患者完全緩解的可能性[34]?；诘鞍踪|(zhì)組學(xué)，機(jī)器學(xué)習(xí)可以將AML患者分為不同的治療反應(yīng)組。MRD是危險(xiǎn)分層和調(diào)整治療決策的重要標(biāo)志。然而，MRD評(píng)估也存在一定的局限性，由于其需要較高的準(zhǔn)確性和技術(shù)專長(zhǎng)，目前只有配備特殊設(shè)備的實(shí)驗(yàn)室才能實(shí)現(xiàn)這一點(diǎn)。機(jī)器學(xué)習(xí)技術(shù)可以通過(guò)提供一種高度規(guī)范化、基于大型多中心MRD數(shù)據(jù)集的數(shù)據(jù)驅(qū)動(dòng)方法，實(shí)現(xiàn)臨床實(shí)踐中的MRD評(píng)估。因此，需要有經(jīng)驗(yàn)的實(shí)驗(yàn)室和血液學(xué)研究中心合作進(jìn)行前瞻性研究，以建立能夠準(zhǔn)確評(píng)估MRD的機(jī)器學(xué)習(xí)模型，目標(biāo)是為臨床實(shí)踐提供經(jīng)過(guò)現(xiàn)場(chǎng)專家驗(yàn)證的高質(zhì)量、標(biāo)準(zhǔn)化和自動(dòng)化的MRD評(píng)估。

近年，美國(guó)食品藥品管理局和歐洲藥品管理局均批準(zhǔn)了多種新的用于治療白血病的一線藥物，由于上市前臨床試驗(yàn)的研究設(shè)計(jì)以及資格標(biāo)準(zhǔn)可能存在缺陷[35-37]，這些藥物的長(zhǎng)期獲益無(wú)法確定。機(jī)器學(xué)習(xí)提供了在臨床試驗(yàn)中通過(guò)評(píng)估資格標(biāo)準(zhǔn)、掃描合適患者的電子健康記錄、預(yù)測(cè)試驗(yàn)失敗或成功的可能性來(lái)改進(jìn)患者選擇、招募和監(jiān)測(cè)的手段[38]。機(jī)器學(xué)習(xí)模型已在藥物發(fā)現(xiàn)和開(kāi)發(fā)中建立，尤其是DNN在識(shí)別生物標(biāo)志物和可用藥物靶點(diǎn)以及評(píng)估潛在的治療分子方面顯示出巨大潛力[39-40]。Lee等[41]發(fā)現(xiàn)，SWI/SNF相關(guān)基質(zhì)相關(guān)染色質(zhì)亞家族肌動(dòng)蛋白依賴調(diào)節(jié)因子4是拓?fù)洚悩?gòu)酶Ⅱ抑制劑米托蒽醌和依托泊苷敏感性的標(biāo)志物和驅(qū)動(dòng)因素，在機(jī)器學(xué)習(xí)模型和體外試驗(yàn)中均顯示出高效的藥物敏感性。Gerdes等[42]提出的藥物排名方法已證實(shí)可對(duì)臨床白血病樣本中阿糖胞苷的敏感性進(jìn)行評(píng)估，以預(yù)測(cè)患者的生存結(jié)局。Janssen等[43]開(kāi)發(fā)了基于t分布隨機(jī)鄰域嵌入的藥物發(fā)現(xiàn)圖來(lái)預(yù)測(cè)FLT3的新抑制劑。Cutler和Fridman[44]生成了一個(gè)機(jī)器學(xué)習(xí)模型，該模型可預(yù)測(cè)急性髓系白血病對(duì)FLT3的小分子抑制劑FLX925的敏感性。此外，Sasaki等[45]開(kāi)發(fā)的白血病人工智能程序和極端梯度增強(qiáng)決策樹(shù)方法，可對(duì)慢性粒細(xì)胞白血病慢性期患者使用酪氨酸激酶抑制劑提供最佳治療推薦。在這個(gè)模型中，與使用慢性粒細(xì)胞白血病慢性期非推薦治療相比，根據(jù)個(gè)性化推薦選擇治療可以獲得更好的生存率。

盡管有靶向治療的出現(xiàn)，異基因干細(xì)胞移植仍是白血病的根治性治療方法，但存在各種風(fēng)險(xiǎn)，包括高治療毒性、感染性并發(fā)癥、移植物抗宿主病、移植失敗和復(fù)發(fā)[46]。因此，在開(kāi)始制訂治療方案之前，評(píng)估合適的患者進(jìn)行移植和預(yù)測(cè)患者并發(fā)癥風(fēng)險(xiǎn)至關(guān)重要。Shouval等[4,47]使用各種機(jī)器學(xué)習(xí)技術(shù)對(duì)來(lái)自歐洲血液和骨髓移植協(xié)會(huì)的25 000例白血病患者進(jìn)行分析，確定了預(yù)測(cè)移植100 d后總生存率的關(guān)鍵變量；他們?cè)趯?duì)來(lái)自意大利國(guó)家移植網(wǎng)絡(luò)的1 848例患者進(jìn)行前瞻性隊(duì)列研究中驗(yàn)證了該評(píng)分系統(tǒng)。因此，基于接受異基因造血干細(xì)胞治療患者的特定免疫遺傳環(huán)境的大型數(shù)據(jù)庫(kù)，通過(guò)機(jī)器學(xué)習(xí)算法指導(dǎo)調(diào)整方案選擇和移植后免疫抑制可為個(gè)別患者設(shè)計(jì)一種個(gè)性化的療法。

3.2機(jī)器學(xué)習(xí)在白血病預(yù)后中的應(yīng)用 機(jī)器學(xué)習(xí)在白血病的預(yù)后和療效預(yù)測(cè)方面也有重要作用。Morita等[48]分析了868例髓系白血病患者的骨髓樣本，并建立了一個(gè)基于機(jī)器學(xué)習(xí)的模型，該模型基于體細(xì)胞突變數(shù)據(jù)可準(zhǔn)確預(yù)測(cè)臨床表型。DNN方法已被證明可以基于細(xì)胞遺傳學(xué)、基因突變和年齡準(zhǔn)確預(yù)測(cè)AML的預(yù)后。Gerstung等[49]報(bào)道，以知識(shí)庫(kù)的形式結(jié)合臨床和基因組的大數(shù)據(jù)集可以用來(lái)指導(dǎo)臨床醫(yī)師為個(gè)別患者制訂準(zhǔn)確的治療方法；這種方法可對(duì)患者復(fù)發(fā)、緩解和總生存率進(jìn)行準(zhǔn)確預(yù)測(cè)。

與目前的標(biāo)準(zhǔn)相比，機(jī)器學(xué)習(xí)的準(zhǔn)確度更高。Fleming等[50]使用隨機(jī)森林和決策樹(shù)預(yù)測(cè)了2 000例非急性早幼粒細(xì)胞白血病/AML患者的生存預(yù)后，與歐洲白血病2017年評(píng)分相比，該模型的錯(cuò)誤率較低。同樣，Shreve等[51]設(shè)計(jì)了一個(gè)基于臨床、細(xì)胞遺傳學(xué)和突變數(shù)據(jù)的機(jī)器學(xué)習(xí)模型來(lái)預(yù)測(cè)單個(gè)患者的個(gè)性化結(jié)果，并報(bào)道了其明顯優(yōu)于歐洲白血病網(wǎng)絡(luò)分類。Lacombe等[32]基于2 000例患者數(shù)據(jù)開(kāi)發(fā)了一種算法，用于AML、MDS和健康樣本的分類，該算法可以將流式細(xì)胞術(shù)生成的數(shù)據(jù)進(jìn)行自動(dòng)分類，并通過(guò)提供不同的鑒別診斷和基于給定數(shù)據(jù)的可能性來(lái)幫助臨床醫(yī)師分析和解釋數(shù)據(jù)，為醫(yī)療專業(yè)人員評(píng)估和驗(yàn)證每個(gè)AML疑似病例提供了快速、自動(dòng)化、數(shù)據(jù)驅(qū)動(dòng)的方法。

機(jī)器學(xué)習(xí)可用于開(kāi)發(fā)新的預(yù)后指標(biāo)或完善對(duì)已建立的預(yù)后突變標(biāo)記的理解。核仁磷蛋白1突變是AML中最常見(jiàn)的突變之一[52]。Patkar等[53]發(fā)現(xiàn)核仁磷蛋白1突變AML中的基因組異常，并研究開(kāi)發(fā)了一種將核仁磷蛋白1突變AML分為3個(gè)預(yù)后亞組的評(píng)分系統(tǒng)。Wagner等[54]使用機(jī)器學(xué)習(xí)方法將由降鈣素受體樣受體、CD109和淋巴細(xì)胞特異蛋白1組成的3個(gè)基因表達(dá)特征與總體生存率相關(guān)聯(lián)，從而得出包括基因表達(dá)水平和臨床數(shù)據(jù)的預(yù)后評(píng)分。

4 存在的問(wèn)題

機(jī)器學(xué)習(xí)產(chǎn)品應(yīng)用于臨床前，首先需要獲得醫(yī)療器械注冊(cè)證，但我國(guó)對(duì)于相關(guān)產(chǎn)品的性能檢測(cè)及審批標(biāo)準(zhǔn)的制訂均處于起步階段，因此醫(yī)療機(jī)器學(xué)習(xí)產(chǎn)品臨床應(yīng)用進(jìn)展較緩慢。盡管國(guó)家食品藥品監(jiān)督管理總局及中國(guó)食品藥品檢定研究院已陸續(xù)頒布了相關(guān)標(biāo)準(zhǔn)，但是針對(duì)血液系統(tǒng)疾病機(jī)器學(xué)習(xí)輔助方面的專用標(biāo)準(zhǔn)尚處于空白。

其次，作為數(shù)據(jù)依賴的技術(shù)，機(jī)器學(xué)習(xí)技術(shù)的發(fā)展需要大量的數(shù)據(jù)支持，雖然人口基數(shù)大的特點(diǎn)使我國(guó)在病例數(shù)方面存在優(yōu)勢(shì)，利于大數(shù)據(jù)庫(kù)的建立，但目前多數(shù)醫(yī)療機(jī)構(gòu)各自獨(dú)立，數(shù)據(jù)難以互聯(lián)互通，無(wú)法共享。且由于各實(shí)驗(yàn)室檢測(cè)平臺(tái)、試劑及操作流程等存在差異，所獲取數(shù)據(jù)的質(zhì)量參差不齊，沒(méi)有明確的標(biāo)準(zhǔn)和規(guī)范，數(shù)據(jù)來(lái)源有效性可疑。

此外，構(gòu)建的模型應(yīng)該接受實(shí)時(shí)評(píng)估，并相應(yīng)地進(jìn)行更新和重新驗(yàn)證。由于醫(yī)學(xué)審查過(guò)程的靜態(tài)屬性，模型的持續(xù)、實(shí)時(shí)更新變得復(fù)雜。在醫(yī)學(xué)領(lǐng)域，這仍是一個(gè)沒(méi)有得到充分解決的問(wèn)題。由于血液系統(tǒng)疾病診療的復(fù)雜性，在研發(fā)過(guò)程中，需要兼具血液學(xué)和機(jī)器學(xué)習(xí)知識(shí)的專業(yè)人才，而這類人才的缺乏也同樣制約著機(jī)器學(xué)習(xí)在醫(yī)學(xué)領(lǐng)域的發(fā)展與應(yīng)用。

5 小 結(jié)

現(xiàn)今已有多項(xiàng)研究將機(jī)器學(xué)習(xí)工具應(yīng)用于白血病的診療過(guò)程中，明確機(jī)器學(xué)習(xí)技術(shù)在縮小鑒別診斷、輔助治療選擇、生成風(fēng)險(xiǎn)預(yù)測(cè)、減少醫(yī)療差錯(cuò)和提高生產(chǎn)力等方面有重要作用，且一些研究也達(dá)到了很高的準(zhǔn)確率。人工智能與醫(yī)學(xué)的融合極大地提升了白血病診斷的效率及精確性，可及早為患者提供下一步就醫(yī)方向和制訂個(gè)體化診療方案，同時(shí)也能緩解就診壓力，降低醫(yī)師工作強(qiáng)度，改善就醫(yī)環(huán)境。但人工智能在血液系統(tǒng)疾病中的應(yīng)用仍處于早期階段，面臨許多挑戰(zhàn)，需要政府部門、醫(yī)療機(jī)構(gòu)、人工智能企業(yè)等各方的通力合作，共同推動(dòng)人工智能產(chǎn)品的研發(fā)及普遍應(yīng)用。