收益：
- 了解人工智能辅助图像预分类（外周血涂片、尿沉渣、菌落）的工作原理及其加速效果
- 能够仅使用人工智能预分类进行筛查，并将异常和关键细胞/微生物的诊断留给专家验证
- 能够识别图像模型的局限性（稀有细胞、伪影、染色质量、分布变化）并管理假阴性风险
显微镜是医学实验室最古老但仍然最强大的工具。血涂片中细胞的形状、尿沉渣中的晶体、革兰氏染色中细菌的颜色和排列——所有这些模式，训练有素的眼睛可以在几秒钟内读出，但需要多年的经验才能上手。近年来，人工智能辅助图像分析已经进入了这个微观世界：它自动对数字扫描的制剂进行预先分类，消除那些看起来正常的制剂，并将专家的注意力引导到实际需要检查的区域。这是一个巨大的速度增益，但它也是必须划定最仔细界限的领域之一，因为假阴性（错过真正的异常）意味着错过直接诊断。
AI支持的图像预分类如何在该单元中工作；外周血涂片、尿沉渣及其在微生物学中的应用；我们将涵盖模型边界（稀有细胞、伪影、染色质量、分布偏移）。基本原则：AI预分类是筛查，不是诊断；异常和关键发现的诊断和最终批准属于专家。
图像预分类的工作原理
AI 图像模型通过对大量标记示例进行训练来学习对细胞或结构进行分类。在数字血液分析仪中，设备扫描血涂片，捕获单个细胞，并根据模式将每个细胞分类（中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞、嗜碱性粒细胞等）。向专家提供预先分类的细胞作为画廊；专家确认、更正或重新分类。同样，尿沉渣分析仪可检测红细胞、白细胞、上皮、晶体和管型；一些微生物学系统预先评估菌落计数和生长模式。
模型的输出包含两个组成部分：类别（该细胞是中性粒细胞）和置信度得分（对该分类的置信度）。置信度较低或标记为“非典型/未识别”的细胞绝对应该转诊给专家。请注意，模型可能会以高置信度对细胞进行错误分类；置信度分数并不能保证准确性。
应用
人工智能前期工作
专家的工作
外周血涂片
细胞预分类、图库服务
异常/急变/非典型确认、形态学解读
尿沉渣
元素预识别和计数
晶体/管型/病理细胞确认
微生物学（菌落）
菌落计数、生长预评估
类型区分、临床意义
骨髓/病理学
场/细胞标记
诊断解释，医生批准
为什么该模型是“筛查”而不是诊断
图像模型最有价值的贡献是它们通过快速传递正常和常见模式来节省专家的时间。但依赖模型进行诊断决策是危险的，原因有以下三个：
- 罕见的发现。该模型可能无法识别在训练数据中很少看到的稀有细胞（例如原始细胞、寄生虫、非典型淋巴细胞）。最关键的发现往往是最罕见的；这是假阴性最危险的地方。
- 工艺品和绘画。染色质量、制备厚度和干燥伪影可能会误导模型。在染色不良的制剂中，模型可以安全地错误分类。
- 分布转移。如果模型使用一个实验室的设备和染色方案进行训练，则其性能可能会因不同的设备/染色而降低。如果您的人群与训练人群不同，模型的表现将低于预期。
注意：“模型说这是正常的，我没看”是错过假阴性的最常见方式。如果临床怀疑存在异常（例如，初步诊断为白血病），则无论模型说什么，都会由专家检查涂片。
一步一步：安全图像预评估流程
- 检查染色和制备质量。准备不足会误导模特和眼睛；确保质量第一。
- 获取模型预分类为画廊。快速查看普通、高安全级别。
- 首先检查那些标记为低置信度和“非典型”的。如果模型不清楚，则由您决定。
- 将临床怀疑置于模型之上。对预计出现异常的情况进行完整的手动审查。
- 验证并报告重要发现。原始细胞、寄生虫和恶性细胞等检查结果均得到专家的确认；必要时与医生共享。
注意：除了使用人工智能作为本装置中成像设备的组件之外，使用语言模型时还存在限制：将患者准备图像上传到公开可用的语言工具存在隐私风险，并且依赖未经验证的工具进行临床诊断是错误的。使用经过验证的临床系统和专家的眼睛进行图像诊断。
弱提示/强提示
以下比较适用于使用人工智能作为文本支持（例如编辑形态注释或准备教程描述）；不用于诊断图像决策。
弱提示：
诊断血涂片中的内容。 [图像]
该提示要求 AI 进行诊断；而语言工具尚未经过临床诊断验证，并且患者图像在隐私方面存在风险。这是一种错误且危险的用法。
强力提示：
您的角色：助理为实验室专家准备培训/报告文本。诊断;图像解释是我的工作。下面写下我自己的形态观察（匿名）；将这些变成一份整洁的涂片报告草稿，并标记哪些发现需要专家确认。我的观察结果：中性粒细胞占优势，轻微左移，少数非典型淋巴细胞[专家证实]，有毒肉芽的印象。并不暗示明确的诊断。
坚强的意志将诊断保留给专家，仅使用人工智能来组织自己的观察结果，并标记需要确认的发现。
三个迷你箱子
案例 1 — 有效消除。在血液学实验室中，数字分析仪每天预分选 220 份血涂片。其中，150 个具有完全正常的模式和高置信度分数；专家通过图库快速审核并批准。其余 70 个涂片（低置信度或标记）接受全面的人工审查。结果：专家的时间集中在实际需要检查的病例上，总时间显着减少。模型被淘汰，专家检查。
案例 2——逃离爆炸。在一个案例中，模型将一些细胞标记为“非典型淋巴细胞”，置信度较低，但专家很快确认并由于密度而通过了画廊。随后，患者的临床状况恶化；当再次检查涂片时，发现这些细胞实际上是原始细胞。教训：模型标记为“低置信度/非典型”的单元格永远不会被快速验证；最关键的发现可能就藏在那里。假阴性是最昂贵的错误。
案例 3 — 染色伪影。在尿沉渣分析仪上，该图案在染色不良的制剂中标记出许多“晶体”。当专家检查制剂时，他发现这些是染色沉淀物（伪影）；没有真正的水晶。准备工作又重新开始了。教训：模型可能会将工件误认为是真实结构；始终首先检查制剂的质量。
可复制的提示模板
形态学报告草稿模板您的角色：助理，将我（专家）撰写的形态学观察结果转化为有组织的报告草稿。不要诊断。将我的以下观察结果转化为标准传播报告语言；将不确定/非典型发现标记为“[专家确认]”；并不意味着明确的诊断。我的观察：[文字]。
图像模型异常规则模板作为图像预分类系统的清单编写，其中的病例必须进行全面的手动审查：置信度低、“非典型/未识别”标签、可疑临床异常、准备质量差、关键发现候选者。为每个项目添加理由。
制剂质量控制模板列出在评估涂片/沉淀制剂之前我要检查的质量项目：染色强度、分散/厚度、伪影、干燥、污染。为每个项目提出“接受/重新准备”标准。
培训描述模板您的角色：助理为实验室实习生准备培训文本。简单准确地解释一下这个形态学概念：【概念】。举例说明，指出相似结构之间的差异，但强调诊断决定属于专家。图片上传；仅用文字解释。
常见错误
- 将模型的分类误认为是识别。预排序即淘汰；异常/严重的发现已得到专家的确认。
- 快速批准低安全/非典型标志。最关键的发现就在那里；首先要仔细检查这些内容。
- 跳过准备工作的质量。绘画模型差，欺骗眼睛；质量第一。
- 忘记分配转移。使用其他设备/染料训练的模型可能在您的样品上效果不佳。
- 将患者图像上传到公共工具。违反保密性和未经验证的诊断的风险。
提示：在使用图像模型时，请将此作为您的规则：“模型通常可以加快我的速度，但异常情况下它永远不会让我放松。”如果存在临床疑问或模式不清楚，则由显微镜专家做出决定。
综上所述
人工智能辅助图像预评估消除了血涂片、尿沉渣和微生物学中的正常模式，从而使专家有时间专注于实际需要调查的病例。但该模型是一种筛查工具，而不是诊断：它可能会错过罕见的发现，将伪影误认为是真实的，并且在不同人群中的效果会减弱。异常和关键发现的诊断和最终批准属于专家；首先检查低置信度和非典型标记；始终首先检查制剂的质量。由于假阴性是最昂贵的错误，因此临床怀疑胜过模型的输出。
应用任务
通过您使用的图像预分类系统的“图像模型例外规则”模板（或示例），列出哪些案例肯定会进行全面的手动审核。然后用“形态学报告草案”模板将一组形态学观察结果转化为定期报告，并标记需要确认的发现。最后，使用“制剂质量控制”模板创建质量检查表。
清单
- [ ] 我使用模型输出作为排除，而不是诊断。
- [ ] 我首先仔细检查了那些标记为低安全/非典型的。
- [ ] 在评估之前我检查了制剂的质量。
- [ ] 如果怀疑临床异常，我进行了全面的手动检查。
- [ ] 我没有将患者图像上传到公共工具。
- [ ] 我熟练地确认了关键发现，并在必要时与医生分享。