临床实验室血液分析结果人工智能审核规则及建

本发明涉及血液分析，更具体地，涉及一种临床实验室血液分析结果人工智能审核规则及建立方法。背景技术：1、血液分析也称血常规检查，是临床常规检验之一，是疾病筛查、诊断、鉴别及疗效监测的重要实验室依据，临床实验室需及时、准确地向临床医生和患者提供检验报告。然而血液分析仪器报告参数繁多，不仅涉及血细胞数量异常变化，还涉及血细胞形态学异常，在检验结果审核方面，目前绝大多数实验室仍以人工审核的方式签发报告，由于检验人员间人工审核标准差距较大，容易造成异常结果漏检，对于标本量大的实验室人工审核也造成标本报告时间延长；在异常结果复检方面，由于检验人员形态识别技能参差不齐，对血液分析中可能遇到的重要异常细胞如原始幼稚细胞、异常/异型淋巴细胞检出能力有高有低，容易造成重要疾病的漏检。2、为此，本技术基于机器学习中的决策树算法挖掘血液分析报告参数、研究参数、灵敏度参数及报警信息中与血液分析结果异常密切相关的特征参数，确定各参数的界值，形成一种用于判断血液分析结果审核通过或拦截后复检或异常细胞提示的人工智能(artificial intelligence，ai)审核规则。技术实现思路1、本发明的目的是提供一种临床实验室血液分析结果人工智能审核规则及建立方法的新技术方案，减轻及弥补检验人员人工审核工作量大、复检与形态识别存在技术短板的问题。2、本发明的技术方案：3、临床实验室血液分析结果人工智能审核规则，该规则包括：15项审核规则；4、5、所述15项审核规则涉及17条参数：plt为血小板计数；plt clumps？为可疑plt聚集；plt-i为红细胞/血小板通道检测的血小板数；blasts/abn lympho？为可疑原始细胞/异常淋巴细胞；tnc-d为wdf通道测定的有核细胞总数，为白细胞和有核红细胞数之和；wbc-n为wnr通道测定的白细胞数；ig％为未成熟粒细胞百分比；ly-y(ch)为wdf散点图的lymph区域的荧光强度；ly-wz为wdf散点图上lymph区域的前向散射光分布宽度；neut％为中性粒细胞百分比；neut#为中性粒细胞绝对值；ne-wz为wdf散点图上中性粒细胞区域的前向散射光分布宽度；mono％为单核细胞百分比；mo-wz为wdf散点图的单核细胞区域的前向散射光分布宽度；rdw-cv为红细胞分布宽度的变异系数；hgb为血红蛋白量；mchc为红细胞平均血红蛋白浓度；其中：q-flag表示仪器报警；rbc表示红细胞；wdf通道表示白细胞分类计数通道；wnr通道表示白细胞和有核红细胞通道；lymph表示淋巴细胞。6、临床实验室血液分析结果人工智能审核规则的建立方法，该方法包括如下步骤：7、加载数据集，所述数据集包括：标本基本信息，血液分析仪器检测的报告参数、研究参数、灵敏度参数及其相应的数值、报警信息、显微镜镜检信息、临床诊断及审核结果；并以镜检的人工审核作为审核标准；8、将所述数据集结构化，采用五折交叉验证法将数据集随机分成5个不同的子集，其中4个子集数据作为训练集，1个子集份数据作为测试集，进行5轮次训练和测试，进行机器学习挖掘建立人工智能审核规则。9、优选的，以镜检的人工审核作为审核标准，标注通过或拦截。10、优选的，所述机器学习利用基于python语言程序的laboman ai软件系统，实现决策树算法和深度挖掘。11、优选的，所述机器学习的过程包括多轮次的分析、迭代、统计和选择。12、优选的，通过设置必中病例对人工智能审核规则再次训练。13、优选的，在人工智能审核规则基础上，针对异常细胞进行深度学习，形成原始幼稚细胞、中性粒细胞中毒颗粒及空泡异常和反应性淋巴细胞的ai筛查规则：14、15、ba-d#为由wdf通道测定的嗜碱性粒细胞数，ly-x(ch)为wdf散点图的lymph区域的侧向散射光强度,ne-wx为wdf散点图的neut区域的侧向散射光分布宽度,wbc-d为由wdf通道测定的白细胞数，atypicallympho？为可疑异型淋巴细胞，mo-z(ch)为wdf散点图的mono区域的前向散射光强度，m0-x(ch)为wdf散点图的mono区域的侧向散射光强度，pct(％)为血小板压积。其中：q-flag表示仪器报警；rbc表示红细胞；wdf通道表示白细胞分类计数通道；mono表示单核细胞；wnr通道表示白细胞和有核红细胞通道；lymph表示淋巴细胞；neut表示中性粒细胞。16、优选的，用于评价所述审核规则性能及稳定性的指标包括：真阴性率、假阴性率、真阳性率、假阳性率、通过率、正确率、精确率、召回率、f1分数。17、有益效果：本发明一种临床实验室血液分析结果人工智能审核规则及建立方法利用ai技术中的决策树算法，构建血液分析结果审核与复检决策的ai判断规则、异常细胞的识别规则；建立识别异常细胞的ai筛查规则，辅助人工显微镜检查细胞形态时的异常形态识别，提示引起细胞异常的病因，便于临床医生的血液病诊断决策，并能促进不同级别医疗机构人员对异常细胞识别的同质化。ai审核规则以检验全过程的质量保证为前提，运行稳定、审核效率高、判断准确，提升血液分析结果审核效率，缩短检验报告时间，减轻及弥补检验人员结果审核、复检与形态识别的工作量及技术短板，并为筛查血液病的智慧检验奠定基础。技术特征：1.临床实验室血液分析结果人工智能审核规则，其特征在于，该审核规则包括：15项审核规则；2.基于权利要求1所述的临床实验室血液分析结果人工智能审核规则的建立方法，其特征在于，该方法包括如下步骤：3.根据权利要求2所述的规则建立方法，其特征在于，以镜检的人工审核作为审核标准，标注通过或拦截。4.根据权利要求2所述的规则建立方法，其特征在于，利用基于python语言程序的laboman ai软件系统，实现决策树算法和深度挖掘。5.根据权利要求2所述的规则建立方法，其特征在于，所述机器学习的过程包括多轮次的分析、迭代、统计和选择。6.根据权利要求1所述的临床实验室血液分析结果人工智能审核规则，其特征在于，通过设置必中病例对人工智能审核规则再次训练。7.根据权利要求1所述的临床实验室血液分析结果人工智能审核规则，其特征在于，在人工智能审核规则基础上，针对异常细胞进行深度学习，形成原始幼稚细胞、中性粒细胞中毒颗粒及空泡异常和反应性淋巴细胞的ai筛查规则：8.根据权利要求1所述临床实验室血液分析结果人工智能审核规则，其特征在于，用于评价所述审核规则性能及稳定性的指标包括：真阴性率、假阴性率、真阳性率、假阳性率、通过率、正确率、精确率、召回率、f1分数。技术总结本发明临床实验室血液分析结果人工智能审核规则及建立方法涉及血液分析技术领域，利用AI技术中的决策树算法，构建血液分析结果审核与复检决策的AI判断规则、异常细胞的识别规则；建立识别异常细胞的AI筛查规则，辅助人工显微镜检查细胞形态时的异常形态识别，提示引起细胞异常的病因，便于临床医生的血液病诊断决策，并能促进不同级别医疗机构人员对异常细胞识别的同质化。AI审核规则以检验全过程的质量保证为前提，运行稳定、审核效率高、判断准确，提升血液分析结果审核效率，缩短检验报告时间，减轻及弥补检验人员结果审核、复检与形态识别的工作量及技术短板，并为筛查血液病的智慧检验奠定基础。技术研发人员：曲林琳,续薇,何亮,赵旭,李映潼,单洪丽,张勤受保护的技术使用者：吉林大学第一医院技术研发日：技术公布日：2024/8/15