基于AI的ITP患者出血風險評估決策系統(tǒng)演講人引言：ITP出血風險的臨床挑戰(zhàn)與AI介入的必然性01臨床應(yīng)用場景與價值驗證：從理論到實踐的落地02系統(tǒng)優(yōu)勢與現(xiàn)存挑戰(zhàn)：客觀審視與持續(xù)改進03目錄基于AI的ITP患者出血風險評估決策系統(tǒng)01引言：ITP出血風險的臨床挑戰(zhàn)與AI介入的必然性引言：ITP出血風險的臨床挑戰(zhàn)與AI介入的必然性在血液科的臨床實踐中，免疫性血小板減少性紫癜（ITP）患者的出血風險評估始終是決定治療策略的核心環(huán)節(jié)。ITP作為一種獲得性自身免疫性疾病，以血小板破壞增多、生成受抑為主要病理特征，患者臨床表現(xiàn)從無癥狀的皮膚黏膜瘀點、瘀斑到危及生命的顱內(nèi)出血、內(nèi)臟出血跨度極大。據(jù)《中華血液學雜志》流行病學數(shù)據(jù)，我國ITP年發(fā)病率為（5-10）/10萬，其中重癥出血發(fā)生率約5%-10%，病死率高達30%以上。然而，當前臨床廣泛采用的評估工具存在顯著局限性：傳統(tǒng)“血小板計數(shù)（PLT）單指標閾值法”（如PLT<30×10?/L定義為高危）過于簡化，忽略了年齡、合并癥、用藥史、血小板功能等關(guān)鍵變量；而“改良版ISTH出血評分”雖納入多維度指標，但評分標準主觀性強（如“嚴重出血”需醫(yī)生主觀判斷），且無法動態(tài)反映病情變化——我曾接診過一位45歲女性患者，PLT18×10?/L但無出血表現(xiàn)，傳統(tǒng)評分提示“高?！?，引言：ITP出血風險的臨床挑戰(zhàn)與AI介入的必然性然而其年輕、無基礎(chǔ)病、PLT穩(wěn)定（近1個月波動<10×10?/L），實際出血風險較低；相反，一位72歲男性患者，PLT35×10?/L，因合并高血壓、長期服用阿司匹林，突發(fā)腦出血，回顧性評估發(fā)現(xiàn)，其“年齡>60歲”“抗凝治療”“PLT快速下降”等風險因子未被充分納入評分體系。這些案例讓我深刻意識到：ITP出血風險評估亟需從“經(jīng)驗驅(qū)動”向“數(shù)據(jù)驅(qū)動”轉(zhuǎn)變，而人工智能（AI）技術(shù)為此提供了全新路徑。AI憑借強大的數(shù)據(jù)處理能力、模式識別與動態(tài)預測優(yōu)勢，能夠整合多源異構(gòu)臨床數(shù)據(jù)，構(gòu)建個體化、實時化的風險評估模型。近年來，深度學習、機器學習算法在醫(yī)療領(lǐng)域的突破（如ImageNet競賽中圖像識別精度超越人類），為復雜疾病的風險評估提供了技術(shù)基礎(chǔ)。引言：ITP出血風險的臨床挑戰(zhàn)與AI介入的必然性在此背景下，我們團隊歷時三年，聯(lián)合血液科、計算機科學、統(tǒng)計學專家，共同研發(fā)了“基于AI的ITP患者出血風險評估決策系統(tǒng)”。該系統(tǒng)旨在通過多維度數(shù)據(jù)融合、智能算法建模與可解釋化決策支持，解決傳統(tǒng)評估方法的痛點，為臨床醫(yī)生提供精準、動態(tài)、個體化的出血風險預測與管理方案。接下來，本文將從系統(tǒng)架構(gòu)、核心技術(shù)、臨床應(yīng)用、優(yōu)勢挑戰(zhàn)及未來展望等維度，全面闡述該系統(tǒng)的設(shè)計邏輯與實踐價值。2.系統(tǒng)整體架構(gòu)設(shè)計：以“數(shù)據(jù)-算法-應(yīng)用”為核心的三層閉環(huán)系統(tǒng)的構(gòu)建遵循“臨床需求導向、技術(shù)支撐落地”原則，采用“數(shù)據(jù)層-算法層-應(yīng)用層”三層架構(gòu)（圖1），形成“數(shù)據(jù)輸入-模型處理-臨床反饋-數(shù)據(jù)優(yōu)化”的閉環(huán)迭代模式，確保系統(tǒng)與臨床實踐深度融合。1數(shù)據(jù)層：多源異構(gòu)數(shù)據(jù)的標準化與整合數(shù)據(jù)是AI系統(tǒng)的“燃料”，ITP出血風險評估需整合患者全病程數(shù)據(jù)，涵蓋靜態(tài)基線特征、動態(tài)監(jiān)測指標及外部環(huán)境因素。具體包括：1數(shù)據(jù)層：多源異構(gòu)數(shù)據(jù)的標準化與整合1.1結(jié)構(gòu)化臨床數(shù)據(jù)來自醫(yī)院信息系統(tǒng)（HIS）、電子病歷（EMR）的結(jié)構(gòu)化數(shù)據(jù)，是模型的基礎(chǔ)特征變量，主要包括：-人口學特征：年齡、性別、體重指數(shù)（BMI）、職業(yè)（如是否從事高風險活動）；-基線疾病特征：ITP診斷時長（新診斷/持續(xù)性/慢性）、既往出血史（次數(shù)、部位、嚴重程度）、合并疾?。ǜ哐獕?、糖尿病、肝腎疾病、自身免疫病等）、手術(shù)/創(chuàng)傷史；-實驗室檢查：血小板計數(shù)（PLT）及動態(tài)變化（如PLT24h降幅、周降幅）、平均血小板體積（MPV）、血小板分布寬度（PDW）、出血時間（BT）、凝血功能（PT、APTT、纖維蛋白原）、D-二聚體、肝腎功能（肌酐、ALT、白蛋白）；-治療相關(guān)數(shù)據(jù)：當前用藥史（糖皮質(zhì)激素、TPO-RAs、利妥昔單抗、氨肽酶素等）、用藥劑量、療程、療效反應(yīng)（PLT提升幅度、出血癥狀改善情況）、不良反應(yīng)（如感染、血糖升高）。1數(shù)據(jù)層：多源異構(gòu)數(shù)據(jù)的標準化與整合1.2非結(jié)構(gòu)化數(shù)據(jù)挖掘EMR中的病程記錄、護理記錄、病理報告等非結(jié)構(gòu)化文本數(shù)據(jù)，通過自然語言處理（NLP）技術(shù)提取關(guān)鍵信息，補充結(jié)構(gòu)化數(shù)據(jù)的不足：01-癥狀描述：如“牙齦出血”“皮膚瘀斑”“黑便”等出血癥狀的頻率、嚴重程度（輕度：少量出血點；中度：明顯瘀斑/鼻出血；重度：內(nèi)臟出血/顱內(nèi)出血）；02-體征記錄：如心率、血壓、意識狀態(tài)（格拉斯哥昏迷評分GCS）、腹部壓痛等；03-影像學報告：頭顱CT、腹部超聲等結(jié)果中的“出血灶”“占位性病變”等關(guān)鍵術(shù)語。041數(shù)據(jù)層：多源異構(gòu)數(shù)據(jù)的標準化與整合1.3患者自評與實時監(jiān)測數(shù)據(jù)21通過移動醫(yī)療（mHealth）平臺獲取患者端數(shù)據(jù)，提升數(shù)據(jù)的實時性與個體化：-可穿戴設(shè)備數(shù)據(jù)：如智能手環(huán)監(jiān)測心率、血壓、活動量，便攜式血常規(guī)儀檢測PLT（居家指尖血檢測），實現(xiàn)動態(tài)數(shù)據(jù)采集。-患者自評量表：采用ITP患者生活質(zhì)量（ITP-PRO）量表、出血癥狀日記（如每日記錄有無牙齦出血、鼻出血等），量化患者主觀感受；31數(shù)據(jù)層：多源異構(gòu)數(shù)據(jù)的標準化與整合1.4數(shù)據(jù)預處理與質(zhì)量控制原始數(shù)據(jù)存在缺失、異常、不一致等問題，需通過標準化流程清洗：-缺失值處理：對連續(xù)變量（如PLT）采用多重插補法（MICE）填補，分類變量（如出血史）采用眾數(shù)填充或標記為“未知”；-異常值檢測：通過箱線圖、3σ法則識別異常值（如PLT>1000×10?/L可能為錄入錯誤），結(jié)合臨床邏輯修正（如排除實驗室誤差導致的極端值）；-數(shù)據(jù)標準化：對數(shù)值型特征（如年齡、PLT）進行Z-score標準化，消除量綱影響；對類別特征（如性別、用藥類型）進行獨熱編碼（One-HotEncoding）。2算法層：多模型融合與動態(tài)風險評估算法層是系統(tǒng)的“大腦”，核心任務(wù)是構(gòu)建能夠預測短期（7天內(nèi)）、中期（30天內(nèi)）及長期（6個月內(nèi)）出血風險的AI模型，并通過集成學習提升預測穩(wěn)定性。2算法層：多模型融合與動態(tài)風險評估2.1模型選擇與優(yōu)化基于ITP出血風險的“小樣本、高維度、非線性”特點，我們采用“傳統(tǒng)機器學習+深度學習”融合的混合模型策略：-傳統(tǒng)機器學習模型：作為基線模型，包括隨機森林（RandomForest,RF）、XGBoost（極限梯度提升）、邏輯回歸（LogisticRegression,LR）。RF通過構(gòu)建多棵決策樹并投票，有效處理高維特征并降低過擬合風險；XGBoost通過梯度提升算法優(yōu)化損失函數(shù)，對不平衡數(shù)據(jù)（如出血樣本占比低）具有較強適應(yīng)性；LR作為可解釋性基準模型，用于對比特征重要性。-深度學習模型：針對時間序列數(shù)據(jù)（如PLT動態(tài)變化、血壓監(jiān)測值），采用長短期記憶網(wǎng)絡(luò)（LSTM）捕捉時序依賴特征；針對文本數(shù)據(jù)（如病程記錄），2算法層：多模型融合與動態(tài)風險評估2.1模型選擇與優(yōu)化采用BERT（BidirectionalEncoderRepresentationsfromTransformers）提取語義特征；最終通過多模態(tài)融合網(wǎng)絡(luò)（MultimodalFusionNetwork）整合結(jié)構(gòu)化、時序、文本特征，輸出綜合風險預測。2算法層：多模型融合與動態(tài)風險評估2.2動態(tài)風險評估機制ITP患者病情具有動態(tài)變化性，靜態(tài)模型難以適應(yīng)臨床需求，系統(tǒng)引入“滑動窗口+增量學習”機制實現(xiàn)動態(tài)更新：-滑動窗口：以患者入院/就診時間點為基準，向前滑動7天、30天、6天時間窗口，提取窗口內(nèi)的動態(tài)數(shù)據(jù)（如PLT變化趨勢、用藥調(diào)整），預測未來對應(yīng)時間窗口的出血風險；-增量學習：當新數(shù)據(jù)（如復查血常規(guī)、隨訪記錄）輸入時，模型無需重新訓練，而是通過在線學習算法（如OnlineGradientDescent）更新參數(shù)，適應(yīng)病情變化。例如，一位PLT40×10?/L的患者，若連續(xù)3天PLT下降速率>10×10?/L，模型將動態(tài)上調(diào)風險等級并觸發(fā)預警。2算法層：多模型融合與動態(tài)風險評估2.3可解釋性AI（XAI）模塊醫(yī)療決策需透明化，系統(tǒng)引入SHAP（SHapleyAdditiveexPlanations）值與LIME（LocalInterpretableModel-agnosticExplanations）算法，實現(xiàn)“黑箱模型”的可解釋輸出：-全局可解釋性：通過SHAP值分析所有樣本的特征重要性排序，明確影響ITP出血的核心因子（如“PLT<30×10?/L”“年齡>65歲”“近期使用抗凝藥”）；-局部可解釋性：針對單個患者預測結(jié)果，LIME生成“特征貢獻度圖”，直觀展示各因素對風險預測的影響方向（正向/負向）與程度（如“患者PLT=25×10?/L，貢獻+0.3風險分；未合并高血壓，貢獻-0.1風險分”），幫助醫(yī)生理解模型決策邏輯。3應(yīng)用層：臨床決策支持與交互式界面應(yīng)用層是系統(tǒng)與臨床醫(yī)生交互的“橋梁”，需兼顧專業(yè)性、易用性與實用性，界面設(shè)計遵循“簡潔、直觀、高效”原則。3應(yīng)用層：臨床決策支持與交互式界面3.1風險評估結(jié)果展示系統(tǒng)輸出多維度風險評估結(jié)果，包括：-風險等級：將出血概率分為“低危（<5%）、中危（5%-20%）、高危（>20%）”三級，對應(yīng)不同顏色標識（綠色、黃色、紅色）；-風險時間窗：明確短期（7天）、中期（30天）、長期（6個月）風險概率，幫助醫(yī)生制定監(jiān)測頻率；-關(guān)鍵風險因子：通過SHAP值列出Top5風險驅(qū)動因素（如“PLT快速下降”“合并抗凝治療”），并附干預建議（如“立即復查PLT，暫?？鼓帯保?。3應(yīng)用層：臨床決策支持與交互式界面3.2個性化治療方案推薦基于風險評估結(jié)果，系統(tǒng)內(nèi)置《ITP診療指南（2022年版）》知識庫，提供個性化治療建議：-中?；颊撸簡右痪€治療（如糖皮質(zhì)激素），并密切觀察出血癥狀；-低?；颊撸航ㄗh定期監(jiān)測（如每1-2周查血常規(guī)），避免使用抗血小板藥物；-高?；颊撸和扑]緊急干預（如血小板輸注、TPO-RAs啟動），必要時多學科會診（血液科+神經(jīng)外科/急診科）。3應(yīng)用層：臨床決策支持與交互式界面3.3隨訪管理與數(shù)據(jù)反饋系統(tǒng)支持患者隨訪計劃制定與執(zhí)行追蹤：-自動提醒：根據(jù)風險等級設(shè)定隨訪時間（如高?；颊?天內(nèi)復查，中?；颊?周內(nèi)復查），通過醫(yī)院信息系統(tǒng)推送提醒至醫(yī)生工作站；-數(shù)據(jù)反饋閉環(huán)：醫(yī)生錄入患者實際出血情況（如“7天內(nèi)無出血”“發(fā)生顱內(nèi)出血”），系統(tǒng)將真實標簽與預測結(jié)果對比，通過強化學習（ReinforcementLearning）優(yōu)化模型，實現(xiàn)“預測-反饋-再優(yōu)化”的持續(xù)改進。02臨床應(yīng)用場景與價值驗證：從理論到實踐的落地臨床應(yīng)用場景與價值驗證：從理論到實踐的落地系統(tǒng)研發(fā)完成后，我們在國內(nèi)3家三甲醫(yī)院（北京協(xié)和醫(yī)院、上海瑞金醫(yī)院、華中科技大學同濟醫(yī)學院附屬協(xié)和醫(yī)院）開展了前瞻性、多中心臨床驗證，納入2021年6月至2023年6月收治的680例ITP患者（年齡18-80歲，中位年齡48歲），其中新診斷ITP220例，慢性ITP460例，基線PLT（10-95）×10?/L，中位PLT35×10?/L。通過“訓練集（n=408）-驗證集（n=136）-測試集（n=136）”劃分，評估系統(tǒng)在不同場景下的應(yīng)用價值。1門診初診患者的基線風險評估門診初診患者缺乏長期監(jiān)測數(shù)據(jù)，傳統(tǒng)評估依賴PLT單一指標，易導致“過度治療”或“治療不足”。系統(tǒng)通過整合患者年齡、出血史、合并癥等基線特征，構(gòu)建初診風險評估模型，測試集結(jié)果顯示：-預測效能：AUC（受試者工作特征曲線下面積）為0.89（95%CI:0.85-0.93），顯著優(yōu)于傳統(tǒng)ISTH評分（AUC=0.76，P<0.01）；敏感度85.2%，特度82.7%，約登指數(shù)0.679；-臨床價值：將“高?！被颊邚膫鹘y(tǒng)PLT閾值法的32.4%優(yōu)化至18.4%，避免13.8%的低?；颊呓邮懿槐匾募に刂委煟煌瑫r，對“真實高?；颊摺保S訪30天內(nèi)發(fā)生出血）的識別率提升至91.7%，早期預警時間平均提前48小時。1231門診初診患者的基線風險評估典型案例：一位56歲男性患者，初診PLT28×10?/L，無出血癥狀，ISTH評分“中?！?，建議門診觀察。系統(tǒng)分析顯示其“年齡>55歲”“高血壓病史”“PLT<30×10?/L”三項核心風險因子，預測7天內(nèi)出血風險18.7%（中高危），建議住院監(jiān)測。入院第2天患者出現(xiàn)肉眼血尿，PLT降至18×10?/L，及時給予丙種球蛋白治療后出血停止，避免了可能出現(xiàn)的膀胱填塞風險。2住院患者治療期間的動態(tài)風險監(jiān)測ITP患者住院期間（如接受化療、免疫抑制劑治療），PLT及病情變化快，需實時評估出血風險。系統(tǒng)通過“滑動窗口+增量學習”動態(tài)更新風險等級，測試集結(jié)果顯示：-動態(tài)預測準確性：對住院患者每日風險評估的AUC穩(wěn)定在0.87以上，較靜態(tài)模型（入院時評估一次）AUC提升0.12（P<0.05）；-預警時效性：對“突發(fā)性大出血”（如顱內(nèi)出血、消化道大出血）的提前預警時間中位數(shù)為26小時，顯著短于臨床常規(guī)監(jiān)測（平均48小時，P<0.01）；-干預效果：系統(tǒng)預警后，醫(yī)生提前調(diào)整治療方案（如加大激素劑量、輸注血小板），使大出血發(fā)生率從8.3%降至3.1%（RR=0.37，95%CI:0.18-0.76）。2住院患者治療期間的動態(tài)風險監(jiān)測典型案例：一位62歲女性患者，慢性ITP病史5年，因PLT15×10?/L入院，接受TPO-RAs（艾曲波帕）治療。系統(tǒng)動態(tài)監(jiān)測顯示，治療第5天PLT升至45×10?/L（風險降至“低?！保?，但第7天PLT驟降至22×10?/L（風險升至“高危”），預警因子為“PLT24h降幅>50%”“輕度發(fā)熱（提示感染可能）”。醫(yī)生立即完善血培養(yǎng)，確診肺部感染，調(diào)整抗生素并加大艾曲波帕劑量，3天后PLT恢復至38×10?/L，未發(fā)生出血。3急診疑似出血患者的快速輔助診斷急診常接診“突發(fā)皮膚黏膜出血、PLT降低”的患者，需快速鑒別ITP相關(guān)性出血與其他原因（如DIC、血栓性血小板減少性紫癜）。系統(tǒng)通過整合患者病史、實驗室檢查（如PLT、外周血涂片、乳酸脫氫酶LDH）、影像學報告，在15分鐘內(nèi)輸出ITP出血概率及鑒別診斷建議，測試集結(jié)果顯示：-診斷效能：對ITP相關(guān)性出血的鑒別準確率89.6%，較急診醫(yī)生經(jīng)驗性診斷（75.3%）顯著提升（P<0.01）；-決策效率：從患者到院至明確ITP出血風險的平均時間從62分鐘縮短至18分鐘，為搶救爭取了寶貴時間。3急診疑似出血患者的快速輔助診斷典型案例：一位35歲男性患者，突發(fā)劇烈頭痛、意識模糊，急診頭顱CT示“右側(cè)基底節(jié)區(qū)出血”，PLT12×10?/L。系統(tǒng)結(jié)合患者“既往無出血史”“外周血涂片未見碎片紅細胞”“D-二聚體正常”，排除DIC、TTP，診斷為“ITP并顱內(nèi)出血（高危）”，建議立即啟動“大劑量激素+血小板輸注+急診神經(jīng)外科會診”。患者經(jīng)治療后，意識逐漸恢復，PLT回升至45×10?/L，1周后復查頭顱出血灶吸收。03系統(tǒng)優(yōu)勢與現(xiàn)存挑戰(zhàn)：客觀審視與持續(xù)改進1核心優(yōu)勢與傳統(tǒng)評估方法相比，本系統(tǒng)在多個維度實現(xiàn)了突破：1核心優(yōu)勢1.1評估客觀性：減少主觀判斷差異傳統(tǒng)ISTH評分中“嚴重出血”需醫(yī)生主觀判斷，不同醫(yī)生間評分一致性Kappa值僅0.52（中等一致性）；而系統(tǒng)通過NLP提取出血癥狀的量化描述（如“黑便次數(shù)”“瘀斑面積”），結(jié)合算法計算，使評估一致性提升至Kappa=0.85（幾乎完全一致）。1核心優(yōu)勢1.2預測動態(tài)性：實時反映病情變化傳統(tǒng)評估多為“靜態(tài)snapshot”，無法捕捉PLT波動、感染等突發(fā)因素的影響；系統(tǒng)通過LSTM模型分析PLT時序數(shù)據(jù)，對“PLT快速下降”等動態(tài)變化敏感，使預測更新頻率從“每日1次”提升至“每4小時1次”，更符合ITP病情變化特點。1核心優(yōu)勢1.3個體精準性：多維度特征融合傳統(tǒng)評估依賴PLT單一指標，忽略“同PLT不同風險”現(xiàn)象（如年輕患者PLT25×10?/Lvs.老年患者PLT25×10?/L風險差異）；系統(tǒng)納入年齡、合并癥、用藥史等20+特征，構(gòu)建“個體化風險畫像”，使預測特異性提升至82.7%（傳統(tǒng)方法65.3%）。1核心優(yōu)勢1.4決策可解釋性：增強臨床信任AI模型“黑箱化”是臨床落地的最大障礙之一；系統(tǒng)通過SHAP值、LIME實現(xiàn)“特征-風險-干預”全鏈條可視化，醫(yī)生可清晰了解模型決策依據(jù)（如“預測高危的主要原因是PLT<20×10?/L且使用抗凝藥，建議停用抗凝藥并輸注血小板”），臨床接受度達92.3%（基于醫(yī)生問卷調(diào)查）。2現(xiàn)存挑戰(zhàn)盡管系統(tǒng)展現(xiàn)出良好應(yīng)用前景，但仍面臨以下挑戰(zhàn)：2現(xiàn)存挑戰(zhàn)2.1數(shù)據(jù)質(zhì)量與泛化能力當前訓練數(shù)據(jù)主要來自三甲醫(yī)院，基層醫(yī)院數(shù)據(jù)較少，可能導致模型在資源有限地區(qū)的泛化能力下降；此外，部分患者隨訪數(shù)據(jù)缺失（如mHealth平臺依從性僅68%），影響模型長期預測準確性。2現(xiàn)存挑戰(zhàn)2.2算法迭代與臨床協(xié)同ITP診療指南（如藥物劑量調(diào)整、新藥應(yīng)用）不斷更新，需持續(xù)納入新數(shù)據(jù)優(yōu)化模型；但臨床醫(yī)生與算法工程師的協(xié)同機制尚不完善，部分反饋未能及時轉(zhuǎn)化為模型迭代（如2023年新型TPO-RAs“海曲泊帕”上市后，模型未及時納入其療效數(shù)據(jù)）。2現(xiàn)存挑戰(zhàn)2.3倫理與隱私保護系統(tǒng)需整合患者全病程數(shù)據(jù)，涉及敏感信息（如基因檢測數(shù)據(jù)、精神狀態(tài)評估）；如何在數(shù)據(jù)共享與隱私保護間平衡，需建立嚴格的數(shù)據(jù)脫敏機制（如差分隱私、聯(lián)邦學習）及倫理審查流程。5.未來發(fā)展方向：邁向“全周期、智能化、精準化”的ITP管理1多模態(tài)數(shù)據(jù)融合：提升預測深度-影像學數(shù)據(jù)：通過AI算法自動分析頭顱CT、腹部超聲中的“微出血灶”，實現(xiàn)早期亞臨床出血識別；03-行為數(shù)據(jù)：結(jié)合患者運動量、吸煙飲酒史、心理狀態(tài)（如焦慮抑郁評分），評估非疾病因素對出血風險的影響。04未來將整合更多維度數(shù)據(jù)，構(gòu)建“基因組-臨床-影像-行為”四維風險評估模型：01-基因組學數(shù)據(jù)：納入ITP相關(guān)易感基因（如IRF5、STAT4）及藥物代謝基因（如CYP2C19），預測個體化出血風險及治療反應(yīng)；022聯(lián)邦學習與跨中心協(xié)作：打破數(shù)據(jù)孤島針對數(shù)據(jù)隱私與泛化問題，引入聯(lián)邦學習技術(shù)：各醫(yī)院在本地訓練模型，僅共享模型參數(shù)（而非原始數(shù)據(jù)），在保護隱私的同時整合多中心數(shù)據(jù)，提升模型泛化能力。目前正與國內(nèi)20家血液中心合作構(gòu)建“ITP聯(lián)邦