即时诊断凭借廉价、快速、方便和准确的特点已经成为疾病诊断的一大趋势。而机器学习方法的应用大大提高了即时诊断的数据处理能力，使即时诊断焕发新的生机。目前，随着智能手机等智能电子设备的普及，由即时诊断设备、智能电子产品和云端构成的物联网系统已经逐步成为事实。

近日，仿生工程与生物力学研究所（BEBC）对人工智能在即时诊断领域的应用情况进行了综述，并以《机器学习在即时诊断中的应用进展》为题在《中国科学：化学》发表。文章概述了机器学习算法的基本原理，并阐述了其在即时诊断中的优势；着重介绍了机器学习在即时诊断中的应用现状，涵盖纸基即时检测、微流控检测和可穿戴设备等领域，并给出了根据即时诊断数据形式和检测目标选择机器学习算法的相关建议。未来，以智能电子设备为平台并基于机器学习算法的即时诊断方法将成为新的趋势。

文章首先简单介绍了机器学习的基本原理。机器学习是指通过计算机编程模拟人类的学习行为，从而赋予计算机学习能力，即从大量经验（数据）中学习如何执行特定任务，并在学习过程中逐渐提升该任务的执行表现，最终产生能顺利执行该任务的计算机算法，包含深度学习和其他算法，在生物医疗领域应用十分广泛，如肿瘤诊断、生物大分子（DNA、RNA、蛋白质）序列分析、细胞的计数等，并给出了根据即时诊断数据集选择机器学习算法的建议图。

根据即时诊断得到的数据类型选择机器学习算法的路线图

随后，文章介绍了近年来机器学习在纸基即时检测、微流控检测、可穿戴设备等即时诊断领域的应用，涵盖相关芯片的设计、检测过程的控制与检测结果的分析等方面。机器学习的应用，使得芯片设计过程向流程化发展，避免了对设计者相关知识和经验的严格要求。对于检测过程，机器学习用以辅助对检测试剂行为的控制，包括控制液体的流速、控制液滴形成过程和保护液滴的流动不受干扰等，使检测过程向高度自动化发展。对于检测结果的分析与处理，机器学习带来了检测范围、检测效果、检测速度的提升。此外，通过与智能手机平台的结合，机器学习的应用也给即时诊断用户的体验带来了提升，体现了即时诊断以患者为中心的理念。

即时诊断与机器学习结合的发展趋势

最后，文章总结了即时诊断与机器学习结合的发展趋势，包括打破训练集稀缺阻碍，缩减训练集规模、提高算法通用性、构建以患者为中心的机器学习串联的大数据分析平台等。

BEBC访问学生乔治华盛顿大学研究生曹超羽是本文的第一作者，BEBC徐峰教授和BEBC游民黎助理教授为通讯作者。BEBC许夏瑜副教授和BEBC研究生田苗对本研究做出重大贡献。该研究获得了国家自然科学重点基金和青年基金的支持。

文章链接：https://doi.org/10.1360/SSC-2021-0048