目的:建立一种基于人工智能的尿液检验结果解释性报告系统。方法:收集2008—2018年浙江大学医学院附属第一医院患者2 899 917份、体检710 971份尿检数据，统计每个项目不同结果的频数分布建立大人群分布，再根据数据分布、项目重要性和结果异常程度，建立每个样本的健康指数和各项目的异常等级。收集糖尿病、尿路感染、肾小球肾炎、肾病综合征等疾病数据，按性别、年龄匹配同数量的健康对照组。基于AdaBoost算法的集成学习器建立模型并评估算法性能。用JAVA开发数据展示软件。用199份异常尿液检验结果，人工验证模型的准确性。结果:每份报告分为正常、异常、疾病、危重4个等级；单个项目结果判断为正常、轻度、中度、重度、极度5个等级并提供大数据的人群分布；基于AdaBoost机器学习模型运用于7种疾病的训练准确度（≥88.3
作者：胡长爱；杨大干；叶章辉；刘震；陈瑜
来源：中华检验医学杂志 2021 年 44卷 6期
