血常规分析前干扰因素的机器学习识别模型构建与单中心时间前瞻性验证
韩飞

九台区龙嘉街道社区卫生服务中心，吉林长春，130504；

摘要：应将前干扰视为血常规检验中主要的误差来源，它可能误导临床判断。文中提出基于随机森林的多分类智能识别思路，把5类常见干扰同正常标本分开处理，作单中心时间前瞻性试验。方法采用回顾性设计，按时间顺序收集本院2023年1月—2025年6月所见8260例血常规标本，利用多维信息及多步筛选法建立逻辑回归、支持向量机、随机森林模型，用SMOTE来平衡类别分布、SHAP对模型做解释分析；按人工复核标准挑出最佳模型，按三重方式检验其效能。结果筛选到8个基本特征，以随机森林模型效果最好，训练集所获宏平均准确率97.24%、宏平均AUC0.986，预测概率较可靠。外部验证的1200例总体准确率是95.37%，对溶血及脂血识别都分别达到97.05%、96.12%，比人工筛查有明显优势；150例混合干扰总误判率18.67%。模型对单标本推理仅需12±3ms，适合集成进LIS。结论所述随机森林模型精确度及泛化性俱佳，能自动区分5类前干扰，对人工控制是有力补充，符合临床应用要求。此处只做单中心短期研究，混合干扰识别尚有局限，未来应拓展多中心、复杂干扰资料。

关键词：血常规；分析前干扰；机器学习；随机森林；多分类；质量控制

参考文献

[1]张文菊。血常规检验误差原因及其影响因素分析[J].医药前沿，2024,14(23):144-146.

[2]张建洪，赵静，邱渝珺，等。人工智能赋能下的检验医学——发展现状与未来趋势[J].广西医学，2025,47(8):1082-1087.DOI:10.11675/j.issn.0253-4304.2025.08.03.

[3]尚红，王毓三，申子瑜。全国临床检验操作规程[M].4版。北京：人民卫生出版社，2015:12-18.

[4]国家卫生健康委员会.WS/T661-2020静脉血液标本采集指南[S].北京：中国标准出版社，2020.

[5]周登极，郝佳瑞，黄大文。机器学习模型可解释性研究及其在PHM中应用现状综述[J].系统工程，2022,40(6):1-10.

[6]王肇宇。层级随机森林算法及其在人体活动识别应用研究[D].电子科技大学，2013.DOI:10.7666/d.D763064.

[7]韩光宇。临床检验分析前质量控制及对策[C]//中华医学会第七次全国中青年检验医学学术会议论文汇编，2012:480.