CN106127256A - 一种肝纤维化检测方法及装置 - Google Patents
一种肝纤维化检测方法及装置 Download PDFInfo
- Publication number
- CN106127256A CN106127256A CN201610505213.9A CN201610505213A CN106127256A CN 106127256 A CN106127256 A CN 106127256A CN 201610505213 A CN201610505213 A CN 201610505213A CN 106127256 A CN106127256 A CN 106127256A
- Authority
- CN
- China
- Prior art keywords
- stages
- information
- serum
- checked
- biochemical indices
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种肝纤维化检测方法及装置。其中,所述方法包括:获取训练样本血清生化指标信息和对应的分期数据;对所述训练样本的每个指标取值区间分成N段,在每一段上应用训练阶段支持向量机SVM进行训练并获得训练结果;获取待检血清生化指标信息;根据所述待检血清生化指标的取值区间段应用对应的所述支持向量机SVM得到待检样本对应的肝纤维化分期信息;通过上述方式,能够准确地进行肝纤维化分期检测,可以方便、广泛地应用于临床。
Description
技术领域
本发明属于肝纤维化技术领域,尤其涉及一种肝纤维化检测方法及装置。
背景技术
目前临床采用的肝纤维化分期检测主要分为有创检测和无创检测。有创检测通常为金标准肝穿刺,即对肝脏组织活检后病理读片,对肝纤维化进行分期。无创检测主要采用三类技术:(1)基于超声波扫描技术,测定出肝脏的硬度数值,不同的数值范围表示出在不同的分期。(2)基于核磁成像技术,通过影像进行分析。(3)基于血清监测,如法国的FibroScan(FS)。
但是,金标准肝穿刺属于有创检测方法,患者需要较长时间恢复,并且有并发症存在安全性问题;目前的无创检测方法因准确率低、灵敏度较低,或费用较高等原因,不能广泛应用,无法对肝纤维化分期进行准确诊断。
发明内容
本发明提供一种肝纤维化检测方法及装置,能够提高肝纤维化分期检测的准确度,广泛应用于临床。
为解决上述问题,本发明提供第一方面提供一种肝纤维化检测方法,所述方法包括:
获取训练样本血清生化指标信息和对应的分期数据;
对所述训练样本的每个指标取值区间分成N段,在每一段上应用训练阶段支持向量机SVM进行训练并获得训练结果;
获取待检血清生化指标信息;根据所述待检血清生化指标的取值区间段应用对应的所述支持向量机SVM得到待检样本对应的肝纤维化分期信息。
为解决上述问题,本发明提供第二方面提供一种肝纤维化检测装置,所述装置包括:
第一获取模块,用于获取训练样本血清生化指标信息和对应的分期数据;
第二获取模块,用于对所述训练样本的每个指标取值区间分成N段,在每一段上应用训练阶段支持向量机SVM进行训练并获得训练结果;
分析模块,用于获取待检血清生化指标信息;根据所述待检血清生化指标的取值区间段应用对应的所述支持向量机SVM得到待检样本对应的肝纤维化分期信息。
上述方案,获取训练样本血清生化指标信息和对应的分期数据;对训练样本的每个指标取值区间分成N段,在每一段上应用训练阶段支持向量机SVM进行训练并获得训练结果;获取待检血清生化指标信息;根据待检血清生化指标的取值区间段应用对应的支持向量机SVM得到待检样本对应的肝纤维化分期信息,能够提高肝纤维化分期检测的准确度,广泛应用于临床。
附图说明
图1是本发明肝纤维化检测方法一实施例的流程图;
图2是本发明非线性曲线分界面一实施例的示意图;
图3是本发明支持向量机分段标注非线性曲线分界面一实施例的示意图;
图4是本发明肝纤维化检测方法另一实施例的流程图;
图5是本发明实景地图制作装置一实施例的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,图1是本发明肝纤维化检测方法一实施例的流程图。本发明的肝纤维化检测方法的执行主体为肝纤维化检测设备。本实施例中的肝纤维化检测方法包括以下步骤:
S101:获取训练样本血清生化指标信息和对应的分期数据;其中,所述分期数据通过支持向量机分析训练样本血清生化指标信息得到。
肝纤维化检测设备对训练样本血清生化指标信息进行预处理,将训练样本血清生化指标信息按分期进行分类,并寻找任意两类之间在各个指标上的非线性曲线分界面。即将训练样本血清生化指标信息中包含的各参数属于同一分期的归为一类。其中,当纤维化预处理后得到的分类的训练样本血清生化指标信息所包含的指标与训练样本血清生化指标信息包含的指标相同。即,如果训练样本血清生化指标信息包括18个指标,纤维化预处理后得到的分类的训练样本血清生化指标信息也包括18个相同的指标。
训练样本血清生化指标信息可以通过肝功能检测和肝纤维化四项检测得到。
训练样本血清生化指标信息可以包括以下18个指标:年龄、性别、透明质酸(hyaluronic acid,HA)、III型前胶原(type III pro-collagen,PIIINP)、层粘连蛋白(laminin,LN)、IV型胶原(Collagen IV,CIV)、谷丙转氨酶(Alanine transaminase或glutamate pyruvate transaminase,ALT或GPT)、腺苷脱氨酶(adenosine deaminase,ADA)、尿素(UREA)、谷草转氨酶(glutamic oxalacetic transaminase,AST)、谷氨酰转移酶(glutamyltransferase,GGT)、白蛋白(albumin,ALB)、总胆红素(total bilirubin,TBLL)、直接胆红素(direct bilirubin,DBIL)、血清碱性磷酸酶(serum alkaline phosphatase,ALP)、血清载脂蛋白(apoA1,A1)、浆凝血酶原时间(Plasma prothrombin time,PT)、血小板(blood platelet,PLT)。
分期数据用于标识为训练样本血清生化指标所属分期的信息,分期数据用于对训练样本血清生化指标信息进行按期分类。训练样本血清生化指标为参考的血清生化指标。
请一并参阅图2,图2是本发明非线性曲线分界面一实施例的示意图。如图2所示,由一条实线描绘的S型曲线和两条虚线描绘的S型曲线组成任意两类之间在各个指标上的非线性曲线分界面。S型曲线将黑色白点和黑点区分开来。其中,白点、黑点分别用于标识属于不同分期的同一指标。
肝纤维化检测设备获取任意两个不同分期的各指标对应的非线性曲线分界面。
S102:对所述训练样本的每个指标取值区间分成N段,在每一段上应用训练阶段支持向量机SVM进行训练并获得训练结果。
肝纤维化检测设备可以将训练样本血清生化指标信息中包含的各指标的取值分成多个子区间,对训练样本的每个指标的取值区间分成N段,在每一段上应用训练阶段支持向量机(support vector machine,SVM)进行训练并获得训练结果。其中,N为正整数,N的取值可根据实际情况进行设置,此处不赘述。
例如,肝纤维化检测设备获取到任意两个不同分期的各指标对应的非线性曲线分界面之后,对训练样本的每个指标的取值区间(非线性曲线分界面)分成N段,在每一段上应用训练阶段支持向量机SVM进行训练并获得训练结果。即,支持向量机SVM分析训练样本血清生化指标信息,以分析任意两个不同分期的各指标对应的非线性曲线分界面,通过多段直线替代S型非线性曲线获取支持向量,以获取分期数据。获取到的支持向量用于标识肝纤维化分期信息。分期数据为肝纤维化分期信息。
支持向量机SVM它是一种二类分类模型,其基本模型定义为特征空间上的间隔最大的线性分类器,其学习策略便是间隔最大化,最终可转化为一个凸二次规划问题的求解。支持向量机SVM的工作原理与现有技术相同,具体请参阅现有技术中支持向量机SVM的相关描述,此处不赘述。SVM的工作原理可参考:http://blog.csdn.net/v_july_v/article/details/7624837的相关描述。
请一并参阅图3,图3是本发明支持向量机分段标注非线性曲线分界面一实施例的示意图。
如图3所示,支持向量机采用直线分段标注非线性曲线分界面,通过一条直线将黑色白点和黑点区分开来。其中,白点、黑点分别用于标识属于不同分期的同一指标。
SVM对训练样本血清生化指标信息中各指标进行分类时,当超平面离数据点(白点或黑点)的“间隔”越大,分类的确信度(confidence)也越大。所以,为了使得分类的确信度尽量高,需要让所选择的超平面能够最大化这个“间隔”值。这个间隔就是图3中标识的d。
肝纤维化检测设备获取通过支持向量机SVM分析训练样本血清生化指标信息得到的分期数据。
S103:获取待检血清生化指标信息;根据所述待检血清生化指标的取值区间段应用对应的所述支持向量机SVM得到待检样本对应的肝纤维化分期信息。
在需要借助肝纤维化检测设备进行肝纤维化分期诊断时,肝纤维化检测设备获取待检血清生化指标信息。
其中,待检血清生化指标信息可以通过肝功能检测和肝纤维化四项检测得到。待检血清生化指标信息可以是监测人员在肝纤维化检测设备的交互界面输入的,也可是肝纤维化检测设备从肝功能检测设备和肝纤维化四项检测设备获取,此处不做限制。
其中,待检血清生化指标信息可以包括以下18个指标:年龄、性别、透明质酸(hyaluronic acid,HA)、III型前胶原(type III pro-collagen,PIIINP)、层粘连蛋白(laminin,LN)、IV型胶原(Collagen IV,CIV)、谷丙转氨酶(Alanine transaminase或glutamate pyruvate transaminase,ALT或GPT)、腺苷脱氨酶(adenosine deaminase,ADA)、尿素(UREA)、谷草转氨酶(glutamic oxalacetic transaminase,AST)、谷氨酰转移酶(glutamyltransferase,GGT)、白蛋白(albumin,ALB)、总胆红素(total bilirubin,TBLL)、直接胆红素(direct bilirubin,DBIL)、血清碱性磷酸酶(serum alkaline phosphatase,ALP)、血清载脂蛋白(apoA1,A1)、浆凝血酶原时间(Plasma prothrombin time,PT)、血小板(blood platelet,PLT)。
肝纤维化检测设备在获取到待检血清生化指标信息之后,根据待检血清生化指标的取值区间段应用对应的SVM得到待检样本对应的肝纤维化分期信息。肝纤维化检测设备获取待检血清生化指标信息中各指标的值,根据待检血清生化指标的取值区间段,采用支持向量机SVM进行分析处理,并分别比较待检血清生化指标信息中各指标的值、对应训练样本血清生化指标信息包含的各指标、以及训练样本血清生化指标信息包含的各指标各自对应的分期数据,从而根据分期数据确定待检血清生化指标信息对应的肝纤维化分期信息。
可以理解的是,肝纤维化检测设备可以根据待检血清生化指标信息中的一个指标确定肝纤维化分期信息,也可以根据多个指标确定肝纤维化分期信息。
其中,训练样本血清生化指标信息包含的各指标各自对应的分期数据从步骤102所得到的训练结果中获取。肝纤维化分期可以分为5期,5期可以为0分期、1分期、2分期、3分期、4分期,但并不限于此,具体可根据实际临床数据进行设置,此处不做限制。
其中,0分期、1分期可以识别为阴性,2至4分期可以识别为阳性。
上述方案,获取训练样本血清生化指标信息和对应的分期数据;对训练样本的每个指标取值区间分成N段,在每一段上应用训练阶段支持向量机SVM进行训练并获得训练结果;获取待检血清生化指标信息;根据待检血清生化指标的取值区间段应用对应的支持向量机SVM得到待检样本对应的肝纤维化分期信息,能够提高肝纤维化分期检测的准确度,经临床试验,上述肝纤维化检测方法,其准确率能够达到99%以上,操作简单,准确率高,能够广泛应用于临床。
请参阅图4,图4是本发明肝纤维化检测方法另一实施例的流程图。本发明的肝纤维化检测方法的执行主体为肝纤维化检测设备,肝纤维化检测设备可以包括支持向量机(support vector machine,SVM),或具有SVM的功能,此处不做限制。本实施例中的肝纤维化检测方法包括以下步骤:
S201:获取训练样本血清生化指标信息和对应的分期数据。
本实施例的步骤S201与上一实施例的步骤S101的不同之处在于:训练样本血清生化指标信息包括肝纤维化分期的标志物信息。肝纤维化分期的标志物信息用于对待测血液样本进行肝纤维化分期诊断。
肝纤维化分期的标志物信息可以包括:透明质酸(hyaluronic acid,HA)、III型前胶原(type III pro-collagen,PIIINP)、层粘连蛋白(laminin,LN)、IV型胶原(CollagenIV,CIV)、谷丙转氨酶(Alanine transaminase或glutamate pyruvate transaminase,ALT或GPT)、腺苷脱氨酶(adenosine deaminase,ADA)、尿素(UREA);但并不限于此,还可以包括更多,此处不做限制。
肝纤维化检测设备获取训练样本血清生化指标信息和对应的分期数据的实现过程,具体请参阅上一实施例中步骤S101中的相关描述,此处不赘述。
S202:对所述训练样本的每个指标取值区间分成N段,在每一段上应用训练阶段支持向量机SVM进行训练并获得训练结果。
本实施例的步骤S202与上一实施例的步骤S102相同,具体请参阅上一实施例的步骤S102中的相关面搜,此处不赘述。
进一步地,训练结果包括每个训练指标的多个子区间,子区间与肝纤维化分期信息分别一一对应。
进一步地,训练结果还包括多个子区间对应的置信度。
S203:获取待检血清生化指标信息,确定所述肝纤维化分期标志物的值所对应的子区间。
在需要借助肝纤维化检测设备进行肝纤维化分期诊断时,肝纤维化检测设备获取待检血清生化指标信息。
其中,待检血清生化指标信息可以通过肝功能检测和肝纤维化四项检测得到。待检血清生化指标信息可以是监测人员在肝纤维化检测设备的交互界面输入的,也可是肝纤维化检测设备从肝功能检测设备和肝纤维化四项检测设备获取,此处不做限制。
其中,待检血清生化指标信息可以包括以下18个指标:年龄、性别、透明质酸(hyaluronic acid,HA)、III型前胶原(type III pro-collagen,PIIINP)、层粘连蛋白(laminin,LN)、IV型胶原(Collagen IV,CIV)、谷丙转氨酶(Alanine transaminase或glutamate pyruvate transaminase,ALT或GPT)、腺苷脱氨酶(adenosine deaminase,ADA)、尿素(UREA)、谷草转氨酶(glutamic oxalacetic transaminase,AST)、谷氨酰转移酶(glutamyltransferase,GGT)、白蛋白(albumin,ALB)、总胆红素(total bilirubin,TBLL)、直接胆红素(direct bilirubin,DBIL)、血清碱性磷酸酶(serum alkaline phosphatase,ALP)、血清载脂蛋白(apoA1,A1)、浆凝血酶原时间(Plasma prothrombin time,PT)、血小板(blood platelet,PLT)。
肝纤维化检测设备在获取到待检血清生化指标信息之后,获取待检血清生化指标信息中包含的肝纤维化分期的标志物,并根据训练样本的每个指标取值区间确定肝纤维化分期标志物的值所对应的子区间。
S204:根据所述肝纤维化分期的标志物的值各自对应的子区间确定肝纤维分期信息。
肝纤维化检测设备获取待测血液样本的肝纤维化分期的各标志物的值,根据SVM分析训练样本血清生化指标信息得到的各指标的分期数据对应的多个子区间信息,确定肝纤维化分期的标志物的值各自对应的子区间,以判断肝纤维化分期的标志物的值各自所属的子区间。
由于训练结果包括每个训练指标的多个子区间,子区间与肝纤维化分期信息分别一一对应,肝纤维化检测设备在确定待检血液样本中肝纤维化分期的标志物的值各自对应的子区间后,获取该子区间对应的肝纤维化分期信息,根据该分期信息肝纤维分期信息。
肝纤维化分期可以分为5期,5期可以为0分期、1分期、2分期、3分期、4分期,但并不限于此,具体可根据实际临床数据进行设置,此处不做限制。
其中,0分期、1分期可以识别为阴性,2至4分期可以识别为阳性。
比如,肝纤维化分期的标志物——透明质酸HA的值属于分期数据的第五子区间,且第五子区间对应的分期信息为4,那么,肝纤维化检测设备确定待测血液样本的肝纤维分期为4分期。
其中,分期数据的子区间的值越大,子区间对应的分期数越高。
S205:输出所述分期结果的置信度。
由于训练结果还包括多个子区间对应的置信度,肝纤维化检测设备在确定肝纤维化分期的各标志物的值各自对应的子区间时,获取各标志物所属的子区间对应的置信度信息,并输出当前肝纤维化分期的各标志物对应的确信度,以使用户能够综合分析肝纤维化分期的所有标志物所属的子区间以及各子区间对应的置信度,以根据肝纤维化分期的各标志物的值各自对应的子区间以及置信度确定肝纤维分期信息。
置信度可以为SVM在对训练样本血清生化指标信息中各指标进行分类时,获取到分类结果的确信度。确定度越大,数据可靠性越强。
子区间的确信度用于标识肝纤维化分期的标志物的值落入该子区间的概率,用于标识输出结果的可靠性。例如,分期数据的第一子区间对应的确信度标识肝纤维化分期的每种标志物的值属于第一预设区域的概率。
确信度的取值范围可以为【0,1】,确信度的值为1时,标识数据可靠性为100%。
比如,肝纤维化检测设备确定肝纤维化分期的标志物——透明质酸HA的值属于分期数据的第五子区间,且第五子区间对应的分期信息为4,第五子区间对应的置信度为0.3,那么,肝纤维化检测设备获取肝纤维化分期的另一标志物——层粘连蛋白LN的值所属的子区间信息。
如果获取到层粘连蛋白LN的值属于第四子区间,且第四子区间对应的分期信息为3,第四子区间对应的数据可靠性为0.99,那么肝纤维化检测设备确定待测血液样本的肝纤维分期为3分期。
如果获取到层粘连蛋白LN的值属于第四子区间,且第四子区间对应的分期信息为3,第四子区间对应的数据可靠性为0.2,肝纤维化检测设备获取肝纤维化分期的另一标志物——III型前胶原PIIINP的值所属的子区间信息。如果获取到III型前胶原PIIINP的值属于第四子区间,且第四子区间对应的分期信息为3,第四子区间对应的数据可靠性为0.99,那么肝纤维化检测设备确定待测血液样本的肝纤维分期为3分期。
肝纤维化检测设备依此类推依次分析IV型胶原(CIV)、谷丙转氨酶(ALT)、腺苷脱氨酶(ADA)、尿素(UREA)各指标,此处不赘述。
可以理解的是,肝纤维化检测设备可以根据待检血清生化指标信息中的一个指标确定肝纤维化分期信息,也可以根据多个指标确定肝纤维化分期信息,此处不做限制。
上述方案,肝纤维化检测设备获取训练样本血清生化指标信息和对应的分期数据;对训练样本的每个指标取值区间分成N段,在每一段上应用训练阶段支持向量机SVM进行训练并获得训练结果;获取待检血清生化指标信息;根据待检血清生化指标的取值区间段应用对应的支持向量机SVM得到待检样本对应的肝纤维化分期信息,能够提高肝纤维化分期检测的准确度,经临床试验,上述肝纤维化检测方法,其准确率能够达到99%以上,操作简单,准确率高,能够广泛应用于临床。
由于通过SVM获得的训练结果包括多个子区间,每个子区间对应设有置信度,提高肝纤维化分期的标志物的数据可靠度,能够进一步提高肝纤维化诊断的准确性。
请参阅图5,图5是本发明肝纤维化检测装置一实施例的结构示意图。肝纤维化检测装置可以包括支持向量机(support vector machine,SVM),或具有SVM的功能。其中,本实施例的肝纤维化检测装置所包括的各模块用于执行图1对应的实施例中包含的各步骤,具体请参阅图1以及图1对应的实施例中的相关描述,此处不赘述。本实施例肝纤维化检测装置包括第一获取模块510、第二获取模块520以及分析模块530。
第一获取模块510用于获取训练样本血清生化指标信息和对应的分期数据。
比如,第一获取模块510获取训练样本血清生化指标信息和对应的分期数据。
第一获取模块510将训练样本血清生化指标信息和对应的分期数据向第二获取模块520发送。
第二获取模块520用于接收第一获取模块510发送的训练样本血清生化指标信息和对应的分期数据,对训练样本的每个指标取值区间分成N段,在每一段上应用训练阶段支持向量机SVM进行训练并获得训练结果。
比如,第二获取模块520接收第一获取模块510发送的训练样本血清生化指标信息和对应的分期数据,对训练样本的每个指标取值区间分成N段,在每一段上应用训练阶段支持向量机SVM进行训练并获得训练结果。
第二获取模块520将训练结果向分析模块530发送。
分析模块530用于接收第二获取模块520发送的训练结果,获取待检血清生化指标信息;根据待检血清生化指标的取值区间段应用对应的支持向量机SVM、以及训练结果得到待检样本对应的肝纤维化分期信息。
比如,分析模块530接收第二获取模块520发送的训练结果,获取待检血清生化指标信息;根据待检血清生化指标的取值区间段应用对应的支持向量机SVM、以及训练结果得到待检样本对应的肝纤维化分期信息。
上述方案,肝纤维化检测设备获取训练样本血清生化指标信息和对应的分期数据;对训练样本的每个指标取值区间分成N段,在每一段上应用训练阶段支持向量机SVM进行训练并获得训练结果;获取待检血清生化指标信息;根据待检血清生化指标的取值区间段应用对应的支持向量机SVM得到待检样本对应的肝纤维化分期信息,能够提高肝纤维化分期检测的准确度,经临床试验,上述肝纤维化检测方法,其准确率能够达到99%以上,操作简单,准确率高,能够广泛应用于临床。
请继续参阅图5,在另一种实施例中,肝纤维化检测装置所包括的各模块用于执行图4对应的实施例中包含的各步骤,具体请参阅图4以及图4对应的实施例中的相关描述,此处不赘述。本实施例肝纤维化检测装置包括第一获取模块510、第二获取模块520以及分析模块530。
第一获取模块510用于获取训练样本血清生化指标信息和对应的分期数据。
比如,第一获取模块510获取训练样本血清生化指标信息和对应的分期数据。
进一步地,待检血清生化指标或训练样本血清生化指标包括:年龄、性别、透明质酸(HA)、III型前胶原(PIIINP)、层粘连蛋白(LN)、IV型胶原(CIV)、谷丙转氨酶(ALT)、腺苷脱氨酶(ADA)、尿素(UREA)、谷草转氨酶(AST)、谷氨酰转移酶(GGT)、白蛋白(ALB)、总胆红素(TBLL)、直接胆红素(DBIL)、血清碱性磷酸酶(ALP)、血清载脂蛋白(A1)、浆凝血酶原时间(PT)、血小板(PLT)。
进一步地,待检血清生化指标信息包括预设的肝纤维化分期的标志物信息。
进一步地,肝纤维化分期的标志物包括:透明质酸(HA)、III型前胶原(PIIINP)、层粘连蛋白(LN)、IV型胶原(CIV)、谷丙转氨酶(ALT)、腺苷脱氨酶(ADA)、尿素(UREA)。
第一获取模块510将训练样本血清生化指标信息和对应的分期数据向第二获取模块520发送。
第二获取模块520用于接收第一获取模块510发送的训练样本血清生化指标信息和对应的分期数据,对训练样本的每个指标取值区间分成N段,在每一段上应用训练阶段支持向量机SVM进行训练并获得训练结果。
比如,第二获取模块520接收第一获取模块510发送的训练样本血清生化指标信息和对应的分期数据,对训练样本的每个指标取值区间分成N段,在每一段上应用训练阶段支持向量机SVM进行训练并获得训练结果。
进一步地,训练结果包括每个训练指标的多个子区间。
进一步地,训练结果还包括多个子区间各自对应的置信度。
第二获取模块520将训练结果向分析模块530发送。
分析模块530用于接收第二获取模块520发送的训练结果,获取待检血清生化指标信息;根据待检血清生化指标的取值区间段应用对应的支持向量机SVM、以及训练结果得到待检样本对应的肝纤维化分期信息。
比如,分析模块530接收第二获取模块520发送的训练结果,获取待检血清生化指标信息;根据待检血清生化指标的取值区间段应用对应的支持向量机SVM以及训练结果得到待检样本对应的肝纤维化分期信息。
进一步地,当训练结果包括每个训练指标的多个子区间;待检血清生化指标信息包括预设的肝纤维化分期的标志物信息时,分析模块530用于确定肝纤维化分期标志物的值所对应的子区间;以及用于根据肝纤维化分期的标志物的值各自对应的子区间确定肝纤维分期信息。
比如,当训练结果包括每个训练指标的多个子区间;待检血清生化指标信息包括预设的肝纤维化分期的标志物信息时,分析模块530确定肝纤维化分期标志物的值所对应的子区间;以及用于根据肝纤维化分期的标志物的值各自对应的子区间确定肝纤维分期信息。
进一步地,当训练结果还包括多个子区间各自对应的置信度时,分析模块530还用于输出分期结果的置信度。
比如,当训练结果还包括多个子区间各自对应的置信度时,分析模块530输出分期结果的置信度。
上述方案,肝纤维化检测设备获取训练样本血清生化指标信息和对应的分期数据;对训练样本的每个指标取值区间分成N段,在每一段上应用训练阶段支持向量机SVM进行训练并获得训练结果;获取待检血清生化指标信息;根据待检血清生化指标的取值区间段应用对应的支持向量机SVM得到待检样本对应的肝纤维化分期信息,能够提高肝纤维化分期检测的准确度,经临床试验,上述肝纤维化检测方法,其准确率能够达到99%以上,操作简单,准确率高,能够广泛应用于临床。
由于通过SVM获得的训练结果包括多个子区间,每个子区间对应设有置信度,提高肝纤维化分期的标志物的数据可靠度,能够进一步提高肝纤维化诊断的准确性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种肝纤维化检测方法,其特征在于,所述方法包括:
获取训练样本血清生化指标信息和对应的分期数据;
对所述训练样本的每个指标取值区间分成N段,在每一段上应用训练阶段支持向量机SVM进行训练并获得训练结果;
获取待检血清生化指标信息;根据所述待检血清生化指标的取值区间段应用对应的所述支持向量机SVM得到待检样本对应的肝纤维化分期信息。
2.根据权利要求1所述的方法,其特征在于,所述训练结果包括每个训练指标的多个子区间;所述待检血清生化指标信息包括预设的肝纤维化分期的标志物信息;
所述根据所述待检血清生化指标的取值区间应用对应的所述支持向量机SVM得到待检样本对应的肝纤维化分期信息的步骤包括:
确定所述肝纤维化分期标志物的值所对应的子区间;
根据所述肝纤维化分期的标志物的值各自对应的子区间确定肝纤维分期信息。
3.根据权利要求2所述的方法,其特征在于,所述训练结果还包括多个所述子区间对应的置信度;
在所述根据所述肝纤维化分期的标志物的值各自对应的子区间确定肝纤维分期信息的步骤之后,所述方法还包括:输出所述分期结果的置信度。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述肝纤维化分期的标志物包括:透明质酸(HA)、III型前胶原(PIIINP)、层粘连蛋白(LN)、IV型胶原(CIV)、谷丙转氨酶(ALT)、腺苷脱氨酶(ADA)、尿素(UREA)。
5.根据权利要求2或3所述的方法,其特征在于,所述待检血清生化指标或训练样本血清生化指标包括:年龄、性别、透明质酸(HA)、III型前胶原(PIIINP)、层粘连蛋白(LN)、IV型胶原(CIV)、谷丙转氨酶(ALT)、腺苷脱氨酶(ADA)、尿素(UREA)、谷草转氨酶(AST)、谷氨酰转移酶(GGT)、白蛋白(ALB)、总胆红素(TBLL)、直接胆红素(DBIL)、血清碱性磷酸酶(ALP)、血清载脂蛋白(A1)、浆凝血酶原时间(PT)、血小板(PLT)。
6.一种肝纤维化检测装置,其特征在于,所述装置包括:
第一获取模块,用于获取训练样本血清生化指标信息和对应的分期数据;
第二获取模块,用于对所述训练样本的每个指标取值区间分成N段,在每一段上应用训练阶段支持向量机SVM进行训练并获得训练结果;
分析模块,用于获取待检血清生化指标信息;根据所述待检血清生化指标的取值区间段应用对应的所述支持向量机SVM得到待检样本对应的肝纤维化分期信息。
7.根据权利要求6所述的装置,其特征在于,所述训练结果包括每个训练指标的多个子区间;所述待检血清生化指标信息包括预设的肝纤维化分期的标志物信息;
所述分析模块用于确定所述肝纤维化分期标志物的值所对应的子区间;以及用于根据所述肝纤维化分期的标志物的值各自对应的子区间确定肝纤维分期信息。
8.根据权利要求7所述的装置,其特征在于,所述训练结果还包括多个所述子区间各自对应的置信度;
所述分析模块还用于输出所述分期结果的置信度。
9.根据权利要求6至8任一项所述的装置,其特征在于,所述肝纤维化分期的标志物包括:透明质酸(HA)、III型前胶原(PIIINP)、层粘连蛋白(LN)、IV型胶原(CIV)、谷丙转氨酶(ALT)、腺苷脱氨酶(ADA)、尿素(UREA)。
10.根据权利要求7或8所述的装置,其特征在于,所述待检血清生化指标或训练样本血清生化指标包括:年龄、性别、透明质酸(HA)、III型前胶原(PIIINP)、层粘连蛋白(LN)、IV型胶原(CIV)、谷丙转氨酶(ALT)、腺苷脱氨酶(ADA)、尿素(UREA)、谷草转氨酶(AST)、谷氨酰转移酶(GGT)、白蛋白(ALB)、总胆红素(TBLL)、直接胆红素(DBIL)、血清碱性磷酸酶(ALP)、血清载脂蛋白(A1)、浆凝血酶原时间(PT)、血小板(PLT)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610505213.9A CN106127256A (zh) | 2016-06-30 | 2016-06-30 | 一种肝纤维化检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610505213.9A CN106127256A (zh) | 2016-06-30 | 2016-06-30 | 一种肝纤维化检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106127256A true CN106127256A (zh) | 2016-11-16 |
Family
ID=57468502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610505213.9A Pending CN106127256A (zh) | 2016-06-30 | 2016-06-30 | 一种肝纤维化检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127256A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI619475B (zh) * | 2017-02-21 | 2018-04-01 | Ultrasonic data analysis system and method for liver fibrosis | |
CN108198170A (zh) * | 2017-12-27 | 2018-06-22 | 杭州筹图科技有限公司 | 一种纤维间隔的识别方法及装置 |
CN108230387A (zh) * | 2017-12-29 | 2018-06-29 | 杭州筹图科技有限公司 | 一种纤维间隔特征量化的方法及装置 |
CN109443876A (zh) * | 2018-12-14 | 2019-03-08 | 郑州安图生物工程股份有限公司 | 肝纤维化标志物质控品及其制备方法 |
CN109473175A (zh) * | 2018-11-07 | 2019-03-15 | 中山大学附属第三医院(中山大学肝脏病医院) | 一种针对肝纤维化的非侵入性血清学评分模型及其设计方法 |
CN112462073A (zh) * | 2020-11-03 | 2021-03-09 | 佛山市第一人民医院(中山大学附属佛山医院) | 一种血液学指标的数据处理方法及系统 |
CN112862797A (zh) * | 2021-02-23 | 2021-05-28 | 复旦大学附属华山医院 | 一种肝纤维化无损预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040126395A1 (en) * | 2001-12-18 | 2004-07-01 | Geert Maertens | Purified hepatitis C virus envelope proteins for diagnostic and therapeutic use |
CN101175998A (zh) * | 2005-02-03 | 2008-05-07 | 巴黎国立医院(Ah-Hp) | 使用生化标志的肝脂肪变性诊断方法 |
CN102183577A (zh) * | 2011-03-04 | 2011-09-14 | 薛芳 | 同时检测血清中多种疾病特异的蛋白标志物及其试剂盒 |
CN102302358A (zh) * | 2011-06-29 | 2012-01-04 | 内蒙古福瑞中蒙药科技股份有限公司 | 肝纤维化检测设备和系统 |
CN102737153A (zh) * | 2011-04-07 | 2012-10-17 | 中国人民解放军第三〇二医院 | 神经网络肝纤维化诊断方法及系统 |
-
2016
- 2016-06-30 CN CN201610505213.9A patent/CN106127256A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040126395A1 (en) * | 2001-12-18 | 2004-07-01 | Geert Maertens | Purified hepatitis C virus envelope proteins for diagnostic and therapeutic use |
CN101175998A (zh) * | 2005-02-03 | 2008-05-07 | 巴黎国立医院(Ah-Hp) | 使用生化标志的肝脂肪变性诊断方法 |
CN102183577A (zh) * | 2011-03-04 | 2011-09-14 | 薛芳 | 同时检测血清中多种疾病特异的蛋白标志物及其试剂盒 |
CN102737153A (zh) * | 2011-04-07 | 2012-10-17 | 中国人民解放军第三〇二医院 | 神经网络肝纤维化诊断方法及系统 |
CN102302358A (zh) * | 2011-06-29 | 2012-01-04 | 内蒙古福瑞中蒙药科技股份有限公司 | 肝纤维化检测设备和系统 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI619475B (zh) * | 2017-02-21 | 2018-04-01 | Ultrasonic data analysis system and method for liver fibrosis | |
CN108198170A (zh) * | 2017-12-27 | 2018-06-22 | 杭州筹图科技有限公司 | 一种纤维间隔的识别方法及装置 |
CN108198170B (zh) * | 2017-12-27 | 2020-12-01 | 杭州筹图科技有限公司 | 一种纤维间隔的识别方法及装置 |
CN108230387A (zh) * | 2017-12-29 | 2018-06-29 | 杭州筹图科技有限公司 | 一种纤维间隔特征量化的方法及装置 |
CN108230387B (zh) * | 2017-12-29 | 2020-10-27 | 杭州筹图科技有限公司 | 一种纤维间隔特征量化的方法及装置 |
CN109473175A (zh) * | 2018-11-07 | 2019-03-15 | 中山大学附属第三医院(中山大学肝脏病医院) | 一种针对肝纤维化的非侵入性血清学评分模型及其设计方法 |
CN109443876A (zh) * | 2018-12-14 | 2019-03-08 | 郑州安图生物工程股份有限公司 | 肝纤维化标志物质控品及其制备方法 |
CN112462073A (zh) * | 2020-11-03 | 2021-03-09 | 佛山市第一人民医院(中山大学附属佛山医院) | 一种血液学指标的数据处理方法及系统 |
CN112462073B (zh) * | 2020-11-03 | 2024-06-11 | 佛山市第一人民医院(中山大学附属佛山医院) | 一种血液学指标的数据处理方法及系统 |
CN112862797A (zh) * | 2021-02-23 | 2021-05-28 | 复旦大学附属华山医院 | 一种肝纤维化无损预测方法及系统 |
CN112862797B (zh) * | 2021-02-23 | 2024-03-19 | 复旦大学附属华山医院 | 一种肝纤维化无损预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127256A (zh) | 一种肝纤维化检测方法及装置 | |
EP4361946A1 (en) | Deep learning-based context-sensitive detection method for urine formed element | |
US8129990B2 (en) | Image processing apparatus and computer program product | |
Dirvanauskas et al. | Embryo development stage prediction algorithm for automated time lapse incubators | |
CN101809589B (zh) | 利用多个波长处理生物试样的方法和系统 | |
Liu et al. | Automated fiber-type-specific cross-sectional area assessment and myonuclei counting in skeletal muscle | |
Harder et al. | Automated analysis of the mitotic phases of human cells in 3D fluorescence microscopy image sequences | |
JP6733983B2 (ja) | 画像解析装置 | |
CN109598292A (zh) | 一种不同辅助样本正负比例的迁移学习方法 | |
Ates et al. | An image-processing based automated bacteria colony counter | |
CN109344886A (zh) | 基于卷积神经网络的遮挡号牌判别方法 | |
CN110807426B (zh) | 一种基于深度学习的寄生虫检测系统及方法 | |
Sethakulvichai et al. | Estimation of band level resolutions of human chromosome images | |
Di Cataldo et al. | ANAlyte: A modular image analysis tool for ANA testing with indirect immunofluorescence | |
Chalfoun et al. | Segmenting time‐lapse phase contrast images of adjacent NIH 3T3 cells | |
US20240112479A1 (en) | Information processing apparatus, information processing method, and program | |
Elbischger et al. | Algorithmic framework for HEp-2 fluorescence pattern classification to aid auto-immune diseases diagnosis | |
AU2021101715A4 (en) | A transfer learning based model for fatigue crack initiation sites detection | |
GB2329014A (en) | Automated identification of tubercle bacilli | |
CN104766293A (zh) | 从图像中检测血管的方法和设备 | |
Mayya et al. | Integrative analysis of T cell motility from multi-channel microscopy data using TIAM | |
Robitaille et al. | A self-supervised machine learning approach for objective live cell segmentation and analysis | |
BR112021011795A2 (pt) | Sistema e método para monitorar o crescimento bacteriano de colônias bacterianas e prever biomassa de colônia | |
Zhao et al. | Segmentation of Activated Sludge Phase Contrast Microscopy Images Using U-Net Deep Learning Model. | |
Kohtala et al. | Automated quantification of human osteoclasts using object detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20191206 |