机器学习赋能即时检验：创新突破、挑战剖析与机遇展望

《Nature Communications》：Machine learning in point-of-care testing: innovations, challenges, and opportunities

在即时检验（POCT）面临灵敏度、准确性等挑战的背景下，研究人员开展了机器学习（ML）在 POCT 应用的研究。结果显示 ML 可提升 POCT 性能，但也面临监管等挑战。该研究为 POCT 发展提供方向，有望改善医疗健康状况。

　　在医疗诊断的舞台上，即时检验（Point-of-Care Testing，POCT）正逐渐崭露头角，它试图打破传统集中式实验室检测的局限。传统的集中式实验室检测，就像一座庞大的工厂，虽然能精确地分析生物样本，在疾病诊断和管理中发挥关键作用，但其漫长的周转时间、高昂的运营成本以及有限的可及性，让它在应对突发公共卫生事件时显得力不从心。例如在新冠疫情期间，检测需求的暴增远远超出了集中式实验室的负荷，使得人们急需一种更便捷、高效的检测方式。POCT 的出现，就像是为这场困境带来了曙光，它能够在患者身边快速进行检测，实现了检测的去中心化、快速化和便捷化。然而，POCT 自身也存在诸多问题，比如在分析灵敏度、检测低丰度生物标志物的能力以及诊断准确性方面，与传统实验室检测相比仍有差距；此外，多数 POCT 平台的多重检测能力有限，缺乏先进算法来解读复杂数据，还存在结果主观解读等问题。

为了解决这些问题，来自美国加利福尼亚大学洛杉矶分校、日本东京大学、英国伦敦大学学院等多个研究机构的研究人员，开展了机器学习（Machine Learning，ML）在 POCT 领域应用的研究。他们深入探索了 ML 如何融入各种 POCT 检测方式，如侧向流动分析（Lateral Flow Assays，LFAs）、垂直流动分析（Vertical Flow Assays，VFAs）、核酸扩增检测（Nucleic Acid Amplification Tests，NAATs）和成像传感器等。研究发现，ML 技术能够显著提升 POCT 的性能，包括提高检测灵敏度和准确性、缩短检测时间、增强多重检测能力等。这项研究成果发表在《Nature Communications》上，为 POCT 的发展提供了新的方向，有望在未来医疗健康领域产生重大影响。

研究人员在研究中运用了多种关键技术方法。在数据处理方面，采用了多种机器学习算法，如监督学习中的 κ- 最近邻（κNN）、支持向量机（SVMs）等，以及神经网络和卷积神经网络（CNNs）等深度学习算法。在检测技术上，结合了不同的 POCT 检测方式，如 LFAs、VFAs、NAATs 和成像传感器技术等。同时，利用了多种样本类型，包括血液、尿液、唾液等生物样本。

研究结果如下：

• ML 在 POCT 中的方法与影响：POCT 应用日益复杂，产生大量复杂数据集，ML 算法能学习其中复杂关系。在 POCT 领域，监督学习应用广泛，其开发流程包括数据预处理、划分数据集、模型优化等。神经网络和 CNNs 在诊断领域表现出色，能处理复杂数据和模式识别。
• POCT 中使用 ML 的新兴创新：
  • LFAs：LFAs 因简单、快速、经济被广泛应用，但解释复杂且需提升性能。ML 融入后可自动化结果解释、提高灵敏度和准确性、实现定量检测。如伦敦大学学院团队利用 ML 提高 HIV 和 COVID-19 检测准确性；Lee 等人开发的 SMARTAI-LFA 平台检测 COVID-19 准确性达 98% 。
  • VFAs：VFAs 是有潜力的检测平台，ML 可用于信号解释、提高诊断准确性和优化设计。传统 ML 方法有局限性，神经网络效果更好。如 xVFA 平台借助 ML 实现多种生物标志物的准确检测和疾病诊断。
  • NAATs：NAATs 用于检测目标遗传物质，但存在检测时间长等问题。ML 集成到 NAATs 后可缩短时间、消除主观解释、保持准确性。多种基于 ML 的 NAAT 系统在 COVID-19 检测中表现优异，还可检测其他目标。
  • 成像式即时检验传感器：AI 和 ML 提升了成像诊断水平。在细菌、病毒、寄生虫检测和血液学分析等方面，基于 ML 的成像系统可快速准确检测，还可用于抗菌药敏试验。
  
  
• POCT 中 ML 模型的性能基准：研究表明，数据集和任务复杂度影响 ML 算法选择。小数据集和简单任务中，传统 ML 模型表现好；高维数据和复杂任务中，深度学习模型优势明显。但目前 ML 集成到 POCT 的研究多评估单一算法，未来需更全面的基准测试。

研究结论和讨论部分指出，虽然 ML 在 POCT 中的应用取得了一定成果，但仍面临诸多挑战。在监管方面，AI 和 ML 驱动的 POCT 设备面临复杂的监管环境，不同国家和地区的监管要求不同，需要制定合理的监管策略。数据方面，存在数据质量、标注准确性和数据集代表性等问题，可能影响模型性能。透明度和可解释性方面，许多 AI 和 ML 模型的 “黑箱” 性质阻碍了其在医疗领域的应用，需要开发可解释的 AI 技术。此外，还有数据隐私、网络安全、过度依赖算法等问题。尽管面临挑战，但 POCT 相比标准实验室检测具有成本效益，AI/ML 赋能的 POCT 在疾病监测和防控方面具有巨大潜力。未来，通过严格规范 AI 和 ML 模型，创建多样化训练数据集，促进临床医生、研究人员、开发者和监管机构的合作，有望推动 AI 在医疗领域的广泛应用，提升医疗健康水平。