《Frontiers in Cellular and Infection Microbiology》：Automation and artificial intelligence in the clinical microbiology laboratory
编辑推荐：
背景：临床微生物实验室面临持续压力，需缩短周转时间（TAT）、减少手工工作量并标准化诊断流程。全实验室自动化（TLA）与人工智能（AI）是应对这些需求的互补性策略。在本综述中，研究人员分析临床微生物学中自动化与AI的证据基础如何沿成熟度梯度分布，以及该分布对下
背景：临床微生物实验室面临持续压力，需缩短周转时间（TAT）、减少手工工作量并标准化诊断流程。全实验室自动化（TLA）与人工智能（AI）是应对这些需求的互补性策略。在本综述中，研究人员分析临床微生物学中自动化与AI的证据基础如何沿成熟度梯度分布，以及该分布对下一阶段实施有何启示。内容：现有证据表明，在观察性研究和多中心研究中，自动化平台可缩短培养周转时间（TAT）并减少手工工作量，但获益幅度取决于标本类型和工作流程配置。自动化判读、鉴定和药敏试验系统对常见标本类型与手工标准显示高度一致性，错误率低于常引用的可接受阈值。AI在平板判读和耐药预测方面的性能证据丰富；然而，大多数模型仍处于辅助阶段，缺乏前瞻性验证。快速检测和自动化的随机试验很少证明总体临床优效性，以患者为导向的获益仍然有限且不一致。指南提供方向性支持，而互操作性、质量控制和监管框架仍处于开发中。总结：该领域的优先事项不是额外的单中心性能验证。下一阶段需要多中心前瞻性验证、可解释性、标准化以及以临床结局为终点的比较性证据。AI辅助证据工具可能加速证据生成，但其实用性仍是初步的。
1 引言
临床微生物实验室为诊断、治疗选择和感染监测提供信息，医疗相关感染（HAIs）负担显著。分子诊断拓展了快速病原检测，但常规流程仍依赖手工接种、肉眼观察及劳动密集型鉴定和药敏试验，导致周转时间（TAT）延长和判读一致性受限。全实验室自动化（TLA）和人工智能（AI）被用于应对瓶颈，TLA覆盖接种、孵育、数字成像和结果记录，AI和机器学习（ML）用于菌落识别、图像解释、抗菌药物耐药性（AMR）预测及抗菌药物管理（AMS）决策支持。然而证据分布不均：自动化效率主要来自观察性前后研究和多中心审计；AI性能多基于机构自建数据集，缺乏前瞻性外部验证；随机试验连接快速诊断与临床结局者少且结果阴性或混合；指南提供方向，但互操作性、质量控制和监管滞后。本综述按四级证据成熟度梯度组织：工作流程效率与诊断一致性、AI性能、患者结局、实施条件成熟度。
2 方法
文献检索覆盖PubMed、Web of Science、Embase和中文生物医学文献，时间范围为2020年至2026年8月，检索词包括全实验室自动化、实验室自动化、数字微生物学、人工智能、机器学习、周转时间和抗菌药物管理等。纳入同行评议观察性研究、随机对照试验（RCTs）和准实验研究、系统综述与meta分析、指南和专家共识、方法与验证研究；厂商报告仅作背景并明确标注。排除未验证的单中心模型开发报告、非临床微生物学文献和灰色文献。研究按证据成熟度分级：基础级为TLA前后研究、多中心审计及自动判读、鉴定和药敏一致性评价；第二级为图像解释和耐药预测的技术性能验证；第三级为患者结局的随机和准实验研究，包括RAPIDO、ePlex和FAST试验；顶层为标准化、质量控制、互操作性（HL7/FHIR）和外部质量评估（EQA）等方法学与指南证据。
3 临床微生物学中的TLA：工作流程效率与诊断一致性
自动化系统覆盖培养工作流多数步骤，但微生物价值链还包括分析前标本接收、拒收、运输和登记，以及分析后结果验证、危急值沟通和临床决策支持整合。实验室信息系统（LIS）和专家系统结果验证属于该基础设施，但外围步骤证据更碎片化，跨机构标准化数据有限，与临床决策支持整合程度差异大。因此本节聚焦分析核心，并提示若预分析和后分析过程未解决，实验室获益未必到达临床。
3.1 TAT、生产力与劳动力效率
自动化研究最一致的发现是培养TAT显著缩短。比较研究显示，尿液培养阴性TAT由49.68 h降至34.38 h，阳性由50.42 h降至34.62 h，每全时当量（FTE）培养生产力增加3.26倍。多中心审计确认TLA跨机构产生工作流获益，但幅度因中心而异。与流程再造结合时，获益可超过单纯吞吐量提升：常规实验室转为TLA并实施精益管理后，阴道拭子TAT由70.3 h降至48.2 h，尿液由73.7 h降至40.0 h，日样本量由492增至621，人员由10降至8.5 FTE，每FTE每日样本由49增至73；自动化单独解释阴道拭子TAT降低的37.2%和尿液的75.8%，其余归因精益流程再造。自动化还减少手工工作量和操作者变异，自动接种和判读使分析前处理时间减少79%-83%，总手工时间减少77%-78%。但获益不统一，依赖标本类型、人员和工作流配置，现有证据以观察性前后研究为主，证据质量相对较低。
3.2 自动判读、鉴定和抗菌药物敏感性试验一致性
自动系统需与参考方法一致。自动平板判读与手工标准比较，1519份尿液培养中生长检测差异4.74%，菌株鉴定差异3.69%；可解释药敏结果中主要错误（ME）为0.52%，极重大错误（VME）为0.45%，次要错误（mEs）为1.71%。依据CLSI验证标准，分类一致性通常要求至少90%，VME低于1.5%-3%，ME低于3%，依标准和菌群而定。上述错误率低于常引用可接受阈值，但非零，仍需外部确认。早期判读方面，自动化孵育平台18 h判读对耐甲氧西林金黄色葡萄球菌（MRSA）和甲氧西林敏感金黄色葡萄球菌（MSSA）检测敏感性达100%，16 h对产超广谱β-内酰胺酶（ESBL）和产碳青霉烯酶肠杆菌（CPE）达100%。全基因组测序（WGS）自动化平台分型一致性99%，TAT减少16-19 h，成本降低34%-57%。总体看，自动判读、早期判读和WGS分型与参考方法高度一致，错误率低但非零，且多为单机构、以手工标准为对照，效率获益方向一致而幅度依赖样本组合和流程再造。
3.3 自动化的潜在劣势与实施障碍
TLA需要高初始资本和持续耗材成本、空间和基础设施，并增加对厂商维护和软件更新的依赖。设备停机集中风险，自动线故障时手工回退可能不可用或更慢，影响全流程。自动化还改变人员需求和技能画像，需专门技术培训，在较小或资源有限实验室可能可行性或成本效益较低。由于证据在高通量、标准化工作流中最强，处理异质或低量标本的实验室可能获益较小而实施成本不成比例，因此应进行机构特异性成本效益分析而非普遍采用。
4 微生物实验室中的AI：从图像判读到抗菌药物耐药性预测
4.1 基于AI的平板判读和菌落识别
AI应用最初聚焦图像解释。卷积神经网络（CNN）可基于自动设备数字图像分类菌落；GoogLeNet准确率98.80%，AlexNet为93.40%。对明确定义的菌落类型，图像分类技术已较成熟，但模型多基于特定机构图像集训练和评估。临床价值取决于报告工作流整合。AI辅助平板判读系统可缩短最终结果发布1.3 h，优化人工审核再节省5.3 h；但若未优化人工审核路径，自动报告反而增加TAT，说明获益取决于工作流设计而非自动发生。
4.2 用于抗菌药物敏感性和耐药预测的ML
ML利用基因组、蛋白质组和表型数据预测药敏和耐药。综述表明，ML模型在精选数据集上预测性能优秀，但跨机构、跨时间的稳健性、校准和泛化仍需实际验证。在用于AMR预测和指导个体治疗前，需要标准化数据格式和前瞻性外部验证。当前ML仍属辅助工具，而非常规个体化治疗决策依据。
4.3 局限：数据依赖、泛化性和可解释性
AI性能受三方面限制。第一，多数模型基于单实验室数据训练和测试，面对不同仪器、培养基或人群混合时存在域偏移风险。第二，模型校准和决策阈值报告不一致，平衡验证集高准确率不能保证真实临床不平衡分布中的表现。第三，深度学习可解释性有限，限制实验室和监管审查应用。AI获益具条件性，自动报告若不同步重组人工审核可延长TAT。因此，AI判读和耐药预测目前是自动化平台上的辅助层，而非自主替代实验室人员；需前瞻性多中心验证、外部测试集和明确工作流整合。
5 从实验室指标到临床结局：证据缺口
5.1 快速检测和自动化的随机证据
RCT是判断更快诊断能否改善患者结局的最强证据。随机证据聚焦快速分子检测和药敏试验，TLA直接结局多为观察性。总体结果一致且未显示广泛临床优效性。早期试验发现缩短微生物学TAT未改善住院患者临床结局；RAPIDO试验中血流感染（BSI）快速微生物鉴定未改善临床结局；ePlex血培养鉴定panel结果混合。FAST试验中革兰阴性菌血症快速药敏使抗生素升级或降级时间缩短14 h，但30天优效性排序（DOOR）优效概率48.8%（95% CI 45.3-52.4%），未达预设优效阈值；碳青霉烯耐药亚组有效治疗时间由28 h降至9.5 h。BioFire BCID2随机试验中，首次有效抗生素调整时间由64.5 h降至23.2 h，持续性菌血症由11.5%降至5.7%，但30天死亡和住院无变化。观察性研究亦显示自动化缩短TAT但28天死亡率无差异。总体而言，阳性信号集中于定义亚组，硬终点优效性很少证明。
5.2 与AMS整合
实验室到结局差距的一个解释是快速结果仅在配合主动AMS响应时才改变管理。计算机化临床决策支持系统可减少住院患者不当抗菌药物使用；AI在AMS中的预测、应用和实施挑战已有综述。AMS研究提示实验室获益通过“更快更准确结果—实时沟通—临床医生或管理团队行动”链条到达患者，任一环节薄弱则临床效应消失。随机试验中AMS响应整合程度不同，可能解释结果异质性。自动化和快速诊断可靠改善过程指标，但对死亡率、住院等硬终点影响不一致，意向治疗分析中总体中性。
6 AI辅助证据合成与实施条件
6.1 用于循证实践的AI辅助文献筛选
AI工具被提出加速文献筛选和证据合成。系统综述和meta分析显示，AI筛选在最大化召回时召回率0.928、精确率0.200；最大化精确率时召回率0.708、精确率0.461，表明可检索相关记录但会产生大量无关记录，全自动筛选尚不安全。大型语言模型（LLM）研究增长迅速，但报告时间或工作量结局者很少，LLM用于系统综述尚未准备常规使用。临床微生物学探索中，GPT-4代理检测耐药机制准确率81.9%，低于常规方法的94.4%；ChatGPT在诊断病例和报告生成中性能可变，质量依赖提示和数据结构。
6.2 指南与专家共识
指南和共识提供最可操作方向。中国专家共识涵盖临床微生物实验室自动化工作流的应用、验证和质量管理，将自动化定位为可接受操作标准并强调机构特异性验证。美国微生物学会血流感染快速诊断指南包含8条GRADE评级推荐，强烈推荐快速检测联合主动沟通以缩短靶向治疗时间并减少住院时间，但死亡获益证据评级低；该推荐针对BSI，不应推广至所有自动化工作流。
6.3 互操作性、质量控制与实施障碍
实施依赖标准化，但仅部分实现。质控方面，已有整合内部质控panel监测TLA过程的方法，以及诊断微生物内部质量保证方案，但尚无统一质控和EQA框架用于自动化和AI系统。AI实验室软件监管路径不明。互操作性方面，仪器、LIS和临床系统之间数据交换标准是否一致应用尚不能确认，缺乏共享数据标准使多中心验证和基准比较困难。实施层有指南方向，但缺乏标准化质控、互操作性和监管支架以跨机构扩展。
7 讨论与结论
7.1 沿证据成熟度阶梯的综合分析
证据形成一致成熟梯度。工作流程效率和诊断一致性位于底部且最成熟：观察性研究和多中心审计记录更短TAT、更高生产力和与手工标准可接受的一致性，但证据级别低且效应依赖标本组合和工作流设计。第二层AI性能证据丰富且技术强，但临床转化不成熟，操作获益依赖工作流整合。第三层患者导向证据最不成熟：随机试验改善过程指标，却很少证明硬临床结局总体优效，阳性信号集中于定义亚组。顶层标准化、质控和监管仍发展，限制本地获益扩展。实验室获益不自动成为患者获益，原因包括终点选择、效应链长、AMS整合程度和证据级别差异。结论是TLA减少TAT和手工工作量，AI辅助任务技术性能高，但患者层面获益总体未证明。
7.2 区分TLA、AI及相关方法
需区分六类技术或方法。TLA实现标本处理、接种、孵育、数字成像和结果记录的物理自动化，证据以观察性前后研究和多中心审计为主，已成为操作标准但获益幅度情境依赖。ML基于数据训练用于分类或预测，如AMR预测，证据多来自机构数据集和综述，属辅助工具，需标准化数据和前瞻外部验证。AI辅助图像解释使用CNN等进行菌落识别和平板判读，证据多为单中心评价，获益依赖工作流整合。快速分子检测通过核酸扩增或综合征panel直接检测病原体，随机试验显示过程改善但硬终点获益不一致。AMR预测ML从基因组、蛋白质组或表型数据预测耐药，尚属研究或辅助，未常规用于个体治疗。AMS整合是将实验室结果耦合至治疗决策的关键环节，随机试验和scoping review支持其重要性。
7.3 局限
本综述局限包括：多数效率和一致性数据来自单机构前后设计，限制因果推断和泛化；部分司法管辖区监管状态和专门标准化文件无法确认；AI性能数据多来自机构自建数据集且无外部验证，本综述将其视为技术性能而非临床有效性证据；未依赖其他临床领域类比论证作为主要证据。
7.4 未来方向与可检验问题
下一阶段优先不是额外单中心性能验证。四个方向来自成熟梯度：需要多中心前瞻性验证和标准化终点，包括外部测试集和预设工作流整合；需要系统评价可解释AI和决策支持设计，因临床医生接受度和可审计性影响常规使用；标准化应超越指南，走向互操作数据格式、统一质控和EQA方法及更清晰监管路径；需要以临床结局为终点的比较研究，围绕AMS整合和预设亚组识别最受益患者。可检验问题包括：AI辅助判读嵌入定义报告和管理工作流时能否改善患者结局？自动化系统能否减少碳青霉烯耐药感染的有效治疗时间？互操作数据标准能否支持耐药预测模型跨机构外部验证？可解释性工具是否改变临床医生接受度和监管审查？统一质控和EQA方案能否跨自动化平台验证？AI辅助证据工具在自身性能改善后可能加速证据合成，但前提是筛选精确率和结局报告同时改善。
