Перспективы внедрения технологий искусственного интеллекта и компьютерного зрения в лабораторной медицине (обзор литературы)

Лабораторная диагностика играет одну из ведущих ролей в современной медицине, предоставляя врачам клинических специальностей данные для своевременной установки диагноза, выбора тактики и методов лечения. Для обеспечения высокой эффективности и повышения точности исследований в последнее время в практику работы лабораторной службы активно внедряются технологии искусственного интеллекта (ИИ): компьютерное зрение (КЗ), машинное обучение, глубокое обучение, нейронные сети, анализ банка данных. В лабораторной диагностике эти технологии успешно используются для автоматизации и улучшения технологических процессов, включая обработку результатов реакций, цитоморфологических изображений, анализ полученных данных. Одним из перспективных направлений внедрения ИИ в лабораторной диагностике является разработка технологий для фенотипирования групп крови с использованием в качестве реагентов широко распространённых моноклональных антител и технологии КЗ на носимых устройствах. Вместе с тем на рынке часто отсутствуют готовые решения для включения интеллектуальных программных систем в повседневную работу лаборатории.

В обзоре рассмотрены различные примеры использования в лабораторной диагностике технологических систем, основанных на ИИ. Также в работе представлен библиометрический анализ научной литературы, касающейся распространения практики использования технологий КЗ, машинного обучения и ИИ в медицинских лабораториях на основании публикаций из базы данных PubMed за предшествующие 20 лет. Кроме того, в обзоре обсуждаются перспективы и ограничения для применения ИИ и КЗ в медицинских лабораториях и проведена оценка преимуществ внедрения в клиническую практику метода фенотипирования групп крови с использованием технологии ИИ на мобильных устройствах.

Участие авторов:
Трегуб П.П. — концепция и дизайн обзора, написание текста, составление списка литературы, статистическая обработка данных;
Жемчугин Д.Е., Зубанов П.С. — написание текста, составление списка литературы, научное редактирование;
Гольдберг А.С., Годков М.А., Акимкин В.Г. — написание текста, научное редактирование.
Все соавторы — утверждение окончательного варианта статьи, ответственность за целостность всех частей статьи.

Финансирование. Исследование не имело спонсорской поддержки.

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов в связи с публикацией данной статьи.

Поступила: 21.02.2025 / Принята к печати: 11.03.2025 / Опубликована: 30.04.2025

1. Plebani M. The CCLM contribution to improvements in quality and patient safety. Clin. Chem. Lab. Med. 2013; 51(1): 39–46. https://doi.org/10.1515/cclm-2012-0094

2. Klatt E.C. Cognitive factors impacting patient understanding of laboratory test information. J. Pathol. Inform. 2023; 15: 100349. https://doi.org/10.1016/j.jpi.2023.100349

3. Plebani M., Astion M.L., Barth J.H., Chen W., de Oliveira Galoro C.A., Escuer M.I., et al. Harmonization of quality indicators in laboratory medicine. A preliminary consensus. Clin. Chem. Lab. Med. 2014; 52(7): 951–8. https://doi.org/10.1515/cclm-2014-0142

4. Undru T.R., Uday U., Lakshmi J.T., Kaliappan A., Mallamgunta S., Nikhat S.S., et al. Integrating artificial intelligence for clinical and laboratory diagnosis – a review. Maedica (Bucur). 2022; 17(2): 420–6. https://doi.org/10.26574/maedica.2022.17.2.420

5. Ronzio L., Cabitza F., Barbaro A., Banfi G. Has the flood entered the basement? A systematic literature review about machine learning in laboratory medicine. Diagnostics (Basel). 2021; 11(2): 372. https://doi.org/10.3390/diagnostics11020372

6. Tsai E.R., Tintu A.N., Boucherie R.J., de Rijke Y.B., Schotman H.H.M., Demirtas D. Characterization of laboratory flow and performance for process improvements via application of process mining. Appl. Clin. Inform. 2023; 14(1): 144–52. https://doi.org/10.1055/a-1996-8479

7. Lindroth H., Nalaie K., Raghu R., Ayala I.N., Busch C., Bhattacharyya A., et al. Applied artificial intelligence in healthcare: a review of computer vision technology application in hospital settings. J. Imaging. 2024; 10(4): 81. https://doi.org/10.3390/jimaging10040081

8. Gao J., Yang Y., Lin P., Park D.S. Computer vision in healthcare applications. J. Healthc. Eng. 2018; 2018: 5157020. https://doi.org/10.1155/2018/5157020

9. Haymond S., McCudden C. Rise of the machines: artificial intelligence and the clinical laboratory. J. Appl. Lab. Med. 2021; 6(6): 1640–54. https://doi.org/10.1093/jalm/jfab075

10. Korchagin S., Zaychenkova E., Ershov E., Pishchev P., Vengerov Y. Image-based second opinion for blood typing. Health Inf. Sci. Syst. 2024; 12(1): 28. https://doi.org/10.1007/s13755-024-00289-4

11. Cadamuro J., Hillarp A., Unger A., von Meyer A., Bauçà J.M., Plekhanova O., et al. Presentation and formatting of laboratory results: a narrative review on behalf of the European Federation of Clinical Chemistry and Laboratory Medicine (EFLM) Working Group "postanalytical phase" (WG-POST). Crit. Rev. Clin. Lab. Sci. 2021; 58(5): 329–53. https://doi.org/10.1080/10408363.2020.1867051

12. Patel A.U., Shaker N., Mohanty S., Sharma S., Gangal S., Eloy C., et al. Cultivating clinical clarity through computer vision: a current perspective on whole slide imaging and artificial intelligence. Diagnostics (Basel). 2022; 12(8): 1778. https://doi.org/10.3390/diagnostics12081778

13. Cadamuro J. Rise of the machines: the inevitable evolution of medicine and medical laboratories intertwining with artificial intelligence – a narrative review. Diagnostics (Basel). 2021; 11(8): 1399. https://doi.org/10.3390/diagnostics11081399

14. Association for the Advancement of Artificial Intelligence. Available at: https://aaai.org/

15. Zhou S., Chen B., Fu E.S., Yan H. Computer vision meets microfluidics: a label-free method for high-throughput cell analysis. Microsyst. Nanoeng. 2023; 9: 116. https://doi.org/10.1038/s41378-023-00562-8

16. Syed T.A., Siddiqui M.S., Abdullah H.B., Jan S., Namoun A., Alzahrani A., et al. In-depth review of augmented reality: tracking technologies, development tools, AR displays, collaborative AR, and security concerns. Sensors (Basel). 2022; 23(1): 146. https://doi.org/10.3390/s23010146

17. Rupp N., Peschke K., Köppl M., Drissner D., Zuchner T. Establishment of low-cost laboratory automation processes using AutoIt and 4-axis robots. SLAS Technol. 2022; 27(5): 312–8. https://doi.org/10.1016/j.slast.2022.07.001

18. Manickam P., Mariappan S.A., Murugesan S.M., Hansda S., Kaushik A., Shinde R., et al. Artificial Intelligence (AI) and Internet of Medical Things (IoMT) assisted biomedical systems for intelligent healthcare. Biosensors (Basel). 2022; 12(8): 562. https://doi.org/10.3390/bios12080562

19. Topol E.J. High-performance medicine: the convergence of human and artificial intelligence. Nat. Med. 2019; 25(1): 44–56. https://doi.org/10.1038/s41591-018-0300-7

20. Iqbal J., Cortés Jaimes D.C., Makineni P., Subramani S., Hemaida S., Thugu T.R., et al. Reimagining healthcare: unleashing the power of artificial intelligence in medicine. Cureus. 2023; 15(9): e44658. https://doi.org/10.7759/cureus.44658

21. Wen X., Leng P., Wang J., Yang G., Zu R., Jia X., et al. Clinlabomics: leveraging clinical laboratory data by data mining strategies. BMC Bioinformatics. 2022; 23(1): 387. https://doi.org/10.1186/s12859-022-04926-1

22. Stafford I.S., Kellermann M., Mossotto E., Beattie R.M., MacArthur B.D., Ennis S. A systematic review of the applications of artificial intelligence and machine learning in autoimmune diseases. NPJ Digit. Med. 2020; 3: 30. https://doi.org/10.1038/s41746-020-0229-3

23. Wald N.J., Cuckle H.S., Densem J.W., Nanchahal K., Royston P., Chard T., et al. Maternal serum screening for Down’s syndrome in early pregnancy. BMJ. 1988; 297(6653): 883–7. https://doi.org/10.1136/bmj.297.6653.883

24. Hadlow N.C., Rothacker K.M., Wardrop R., Brown S.J., Lim E.M., Walsh J.P. The relationship between TSH and free T4 in a large population is complex and nonlinear and differs by age and sex. J. Clin. Endocrinol. Metab. 2013; 98(7): 2936–43. https://doi.org/10.1210/jc.2012-4223

25. Asar T.O., Ragab M. Leukemia detection and classification using computer-aided diagnosis system with falcon optimization algorithm and deep learning. Sci. Rep. 2024; 14(1): 21755. https://doi.org/10.1038/s41598-024-72900-3

26. Bunch D.R., Durant T.J., Rudolf J.W. Artificial intelligence applications in clinical chemistry. Clin. Lab. Med. 2023; 43(1): 47–69. https://doi.org/10.1016/j.cll.2022.09.005

27. van Eekelen L., Litjens G., Hebeda K.M. Artificial intelligence in bone marrow histological diagnostics: potential applications and challenges. Pathobiology. 2024; 91(1): 8–17. https://doi.org/10.1159/000529701

28. Kimura K., Ai T., Horiuchi Y., Matsuzaki A., Nishibe K., Marutani S., et al. Automated diagnostic support system with deep learning algorithms for distinction of Philadelphia chromosome-negative myeloproliferative neoplasms using peripheral blood specimen. Sci. Rep. 2021; 11(1): 3367. https://doi.org/10.1038/s41598-021-82826-9

29. Walter C., Weissert C., Gizewski E., Burckhardt I., Mannsperger H., Hänselmann S., et al. Performance evaluation of machine-assisted interpretation of Gram stains from positive blood cultures. J. Clin. Microbiol. 2024; 62(4): e0087623. https://doi.org/10.1128/jcm.00876-23

30. Smith K.P., Kirby J.E. Image analysis and artificial intelligence in infectious disease diagnostics. Clin. Microbiol. Infect. 2020; 26(10): 1318–23. https://doi.org/10.1016/j.cmi.2020.03.012

31. Mathison B.A., Kohan J.L., Walker J.F., Smith R.B., Ardon O., Couturier M.R. Detection of intestinal protozoa in trichrome-stained stool specimens by use of a deep convolutional neural network. J. Clin. Microbiol. 2020; 58(6): e02053-19. https://doi.org/10.1128/JCM.02053-19

32. Chowdhury N.I., Smith T.L., Chandra R.K., Turner J.H. Automated classification of osteomeatal complex inflammation on computed tomography using convolutional neural networks. Int. Forum Allergy Rhinol. 2019; 9(1): 46–52. https://doi.org/10.1002/alr.22196

33. Grigorev G.V., Lebedev A.V., Wang X., Qian X., Maksimov G.V., Lin L. Advances in microfluidics for single red blood cell analysis. Biosensors (Basel). 2023; 13(1): 117. https://doi.org/10.3390/bios13010117

34. Seyedi S.S., Parvin P., Jafargholi A., Hashemi N., Tabatabaee S.M., Abbasian A., et al. Spectroscopic properties of various blood antigens/antibodies. Biomed. Opt. Express. 2020; 11(4): 2298–312. https://doi.org/10.1364/BOE.387112

35. Sheng N., Liu L., Liu H. Quantitative determination of agglutination based on the automatic hematology analyzer and the clinical significance of the erythrocyte-specific antibody. Clin. Chim. Acta. 2020; 510: 21–5. https://doi.org/10.1016/j.cca.2020.06.042

36. Li H.Y., Guo K. Blood group testing. Front. Med. (Lausanne). 2022; 9: 827619. https://doi.org/10.3389/fmed.2022.827619

37. Aysola A., Wheeler L., Brown R., Denham R., Colavecchia C., Pavenski K., et al. Multi-center evaluation of the automated immunohematology instrument, the ORTHO VISION analyzer. Lab. Med. 2017; 48(1): 29–38. https://doi.org/10.1093/labmed/lmw061

38. Bhagwat S.N., Sharma J.H., Jose J., Modi C.J. Comparison between conventional and automated techniques for blood grouping and crossmatching: experience from a tertiary care centre. J. Lab. Physicians. 2015; 7(2): 96–102. https://doi.org/10.4103/0974-2727.163130

39. Moulds M.K. Review: monoclonal reagents and detection of unusual or rare phenotypes or antibodies. Immunohematology. 2006; 22(2): 52–63.

40. Voak D. Monoclonal blood group antibodies. Beitr. Infusionsther. 1989; 24: 200–13.

41. Ratajczak K., Sklodowska-Jaros K., Kalwarczyk E., Michalski J.A., Jakiela S., Stobiecka M. Effective optical image assessment of cellulose paper immunostrips for blood typing. Int. J. Mol. Sci. 2022; 23(15): 8694. https://doi.org/10.3390/ijms23158694

42. Ding S., Duan S., Chen Y., Xie J., Tian J., Li Y., et al. Centrifugal microfluidic platform with digital image analysis for parallel red cell antigen typing. Talanta. 2023; 252: 123856. https://doi.org/10.1016/j.talanta.2022.123856

43. Hyvärinen K., Haimila K., Moslemi C., Biobank B.S., Olsson M.L., Ostrowski S.R., et al. A machine-learning method for biobank-scale genetic prediction of blood group antigens. PLoS Comput. Biol. 2024; 20(3): e1011977. https://doi.org/10.1371/journal.pcbi.1011977

44. Korchagin S.A., Zaychenkova E.E., Sharapov D.A., Ershov E.I., Butorin U.V., Vengerov U.U. An algorithm of blood typing using serological plate images. Comput. Opt. 2023; 47(6): 958–67. https://doi.org/10.18287/2412-6179-CO-1339

45. Pfeil J., Nechyporenko A., Frohme M., Hufert F.T., Schulze K. Examination of blood samples using deep learning and mobile microscopy. BMC Bioinformatics. 2022; 23(1): 65. https://doi.org/10.1186/s12859-022-04602-4

46. Blatter T.U., Witte H., Nakas C.T., Leichtle A.B. Big data in laboratory medicine – FAIR quality for AI? Diagnostics (Basel). 2022; 12(8): 1923. https://doi.org/10.3390/diagnostics12081923

47. Kulikowski C.A. Historical roots of international biomedical and health informatics: the road to IFIP-TC4 and IMIA through cybernetic medicine and the Elsinore meetings. Yearb. Med. Inform. 2017; 26(1): 257–62. https://doi.org/10.15265/IY-2017-001

48. Kozak J., Fel S. How sociodemographic factors relate to trust in artificial intelligence among students in Poland and the United Kingdom. Sci. Rep. 2024; 14(1): 28776. https://doi.org/10.1038/s41598-024-80305-5

49. Paranjape K., Schinkel M., Hammer R.D., Schouten B., Nannan Panday R.S., Elbers P.W.G., et al. The value of artificial intelligence in laboratory medicine. Am. J. Clin. Pathol. 2021; 155(6): 823–31. https://doi.org/10.1093/ajcp/aqaa170

50. Herman D.S., Rhoads D.D., Schulz W.L., Durant T.J.S. Artificial intelligence and mapping a new direction in laboratory medicine: a review. Clin. Chem. 2021; 67(11): 1466–82. https://doi.org/10.1093/clinchem/hvab165