CN109781701A - 一种基于拉曼光谱技术的甲状旁腺术中实时检测方法 - Google Patents

一种基于拉曼光谱技术的甲状旁腺术中实时检测方法 Download PDF

Info

Publication number
CN109781701A
CN109781701A CN201910047364.8A CN201910047364A CN109781701A CN 109781701 A CN109781701 A CN 109781701A CN 201910047364 A CN201910047364 A CN 201910047364A CN 109781701 A CN109781701 A CN 109781701A
Authority
CN
China
Prior art keywords
raman
real
parathyroidectomy
spectroscopic data
detection method
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
Application number
CN201910047364.8A
Other languages
English (en)
Inventor
叶力瑛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Raman Brothers (shenzhen) Technology Development Co Ltd
Original Assignee
Raman Brothers (shenzhen) Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Raman Brothers (shenzhen) Technology Development Co Ltd filed Critical Raman Brothers (shenzhen) Technology Development Co Ltd
Priority to CN201910047364.8A priority Critical patent/CN109781701A/zh
Publication of CN109781701A publication Critical patent/CN109781701A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明提出一种基于拉曼光谱技术的甲状旁腺术中实时检测方法，包括如下步骤：步骤一：应用拉曼光谱仪检测需要鉴别的组织，获取光谱数据；步骤二：将所述光谱数据转换成.txt格式，进行去除荧光背景、降噪、平滑和归一化处理，将所述光谱数据输出为.xls格式；步骤三：建立拉曼光谱数据库，将.xls格式的所述光谱数据导入所述曼光谱数据库中；步骤四：建立机器学习模块，所述机器学习模块根据所述拉曼光谱数据库建立鉴别诊断模型；步骤五：将需要鉴别组织的光谱数据导入所述鉴别诊断模型进行比对；本发明提出的基于拉曼光谱技术的甲状旁腺术中实时检测方法能够实时、客观、准确、简便的检测识别甲状旁腺。

Description

一种基于拉曼光谱技术的甲状旁腺术中实时检测方法
技术领域
本发明涉及医学领域，尤其涉及一种基于拉曼光谱技术的甲状旁腺术中实时检测方法。
背景技术
甲状旁腺是人体最重要的内分泌腺之一。人体有两对甲状旁腺，棕黄色，形似大豆，分别位于左右两叶甲状腺背面(或埋在其中)的中部和下部。主要功能为分泌甲状旁腺激素(简称PTH)，调节机体内钙、磷的代谢。甲状旁腺功能低下或彻底摘除(如甲状腺手术切除时不慎误摘)，则PTH分泌不足，使血钙渐渐下降，而血磷渐渐上升，导致低血钙性抽搐，甚至死亡，补给PTH和钙盐可使症状暂时缓解。同时降钙素也由甲状腺内的腺泡旁细胞分泌，具有与PTH相反的作用。甲状旁腺外观呈棕黄色或者黄色，在甲状腺切除手术中很难与其周围脂肪组织区别，常常导致误切，患者术后易出现PTH分泌障碍等严重并发症，需长期服药治疗，造成患者经济与生活质量的极大损害。目前尚无一种客观的实时诊断技术在术中辅助医生判断甲状旁腺，其与脂肪组织的鉴别主要依靠医生的临床经验，较为主观，因此甲状旁腺的医源性损伤成为甲状腺相关手术的一个亟待解决的难点和重点。近年来，国际及国内甲状腺疾病的发病率大幅提升，其相关手术的开展也明显增加，作为这一手术的重要并发症原因，甲状旁腺的保留成为学者及医生研究的热点，急需一种实时、客观、准确、无创的甲状旁腺诊断、鉴别技术来解决上诉问题。
发明内容
为了解决上述问题，本发明提出一种实时、客观、准确、简便的基于拉曼光谱技术的甲状旁腺术中实时检测方法。
本发明通过以下技术方案实现的：
本发明提出一种基于拉曼光谱技术的甲状旁腺术中实时检测方法，所述基于拉曼光谱技术的甲状旁腺术中实时检测方法包括如下步骤：
步骤一：应用拉曼光谱仪检测需要鉴别的组织，获取光谱数据；
步骤二：将所述光谱数据转换成.txt格式，进行去除荧光背景、降噪、平滑和归一化处理，将所述光谱数据输出为.xls格式；
步骤三：建立拉曼光谱数据库，将.xls格式的所述光谱数据导入所述曼光谱数据库中；
步骤四：建立机器学习模块，所述机器学习模块根据所述拉曼光谱数据库建立鉴别诊断模型；
步骤五：将需要鉴别组织的光谱数据导入所述鉴别诊断模型进行比对。
进一步的，所述步骤一的过程为：将拉曼光谱仪的光纤探头对准需鉴别的组织，应用拉曼光谱仪进行拉曼光谱检测，检测条件设定为785nm激发光，200mW功率及9mm工作距离，检测时间设定为60S。
进一步的，所述光谱数据为拉曼光谱仪检测5次的平均数据。
进一步的，所述拉曼光谱数据库采用MySQL搭建，一个组织样本对应一条拉曼光谱。
进一步的，所述机器学习模块采用支持向量机算法建模，支持向量机算法从所述拉曼光谱数据库中随机抽取80％的样本进行模型训练，训练时采用5-fold交叉验证方法，利用网格寻参的方式选择最佳惩罚系数C及核函数相关系数gamma，建立所述鉴别诊断模型，利用剩余20％的样本对所述鉴别诊断模型的预测能力进行检验。
本发明的有益效果：
本发明提出的基于拉曼光谱技术的甲状旁腺术中实时检测方法能够实时、客观、准确、简便的检测并识别出甲状旁腺。
附图说明
图1为本发明的基于拉曼光谱技术的甲状旁腺术中实时检测方法的流程图。
具体实施方式
为了更加清楚、完整的说明本发明的技术方案，下面结合附图对本发明作进一步说明。
请参考图1，本发明提出一种基于拉曼光谱技术的甲状旁腺术中实时检测方法，所述基于拉曼光谱技术的甲状旁腺术中实时检测方法包括如下步骤：
步骤一：应用拉曼光谱仪检测需要鉴别的组织，获取光谱数据；
步骤二：将所述光谱数据转换成.txt格式，进行去除荧光背景、降噪、平滑和归一化处理，将所述光谱数据输出为.xls格式；
步骤三：建立拉曼光谱数据库，将.xls格式的所述光谱数据导入所述曼光谱数据库中；
步骤四：建立机器学习模块，所述机器学习模块根据所述拉曼光谱数据库建立鉴别诊断模型；
步骤五：将需要鉴别组织的光谱数据导入所述鉴别诊断模型进行比对。
在本实施方式中，建立所述拉曼光谱数据库、建立所述机器学习模块和根据所述拉曼光谱数据库建立所述鉴别诊断模型均在计算机软件上操作，计算机能够确保结果的准确。所述基于拉曼光谱技术的甲状旁腺术中实时检测方法将拉曼光谱技术及机器学习技术相结合，形成一个术中实时、客观、准确、便捷检测甲状旁腺的新方法。相对基于临床经验的医生术中判断而言，这一技术对甲状旁腺组织无需特殊处理及损害，1分钟快速获取特征光谱，基于所述机器学习模块建立的所述鉴别诊断模型，能够快速给出鉴别诊断结果；根据需要鉴别组织的光谱数据即可鉴别出对应的组织类型，既节约了时间，又客观准确，能够在术中实时检测；所述基于拉曼光谱技术的甲状旁腺术中实时检测方法拥有以下优点：
1.实时：术中应用拉曼光谱技术快速检测甲状旁腺及其周围的组织，获取光谱数据，将需要鉴别组织的光谱数据导入所述鉴别诊断模型进行比对即可得出光谱数据对应的组织类型。
2.客观：这一鉴别诊断过程不需要人工干预，完全基于组织的结构和成分特点，通过计算机软件分析及判断，可保证结果的客观性。
3.准确：基于机器学习技术建立的所述拉曼光谱数据库，诊断准确性可以得到保障。同时随着所述拉曼光谱数据库的基础数据集不断增加、扩大，所述基于拉曼光谱技术的甲状旁腺术中实时检测方法的稳定性及准确性不断提高。
4.便捷：所述基于拉曼光谱技术的甲状旁腺术中实时检测方法仅需要将拉曼光谱仪检照射需要鉴别组织上这一个动作，即可获得诊断结果，操作便捷。
进一步的，所述步骤一的过程为：将拉曼光谱仪的光纤探头对准需鉴别的组织，应用拉曼光谱仪进行拉曼光谱检测，检测条件设定为785nm激发光，200mW功率及9mm工作距离，检测时间设定为60S；所述光谱数据为拉曼光谱仪检测5次的平均数据。
在本实施方式中，在术中时，术中彻底止血后，用生理盐水清洗术区，将拉曼光谱仪的光纤探头对准需鉴别的组织进行照射检测，通过所述鉴别诊断模型即可鉴别出组织类型。
进一步的，所述拉曼光谱数据库采用MySQL搭建，一个组织样本对应一条拉曼光谱。
在本实施方式中，所述拉曼光谱数据库采用MySQL搭建，一个组织样本对应一条拉曼光谱以及与样本相关的临床指标信息。
进一步的，所述机器学习模块采用支持向量机算法建模，支持向量机算法从所述拉曼光谱数据库中随机抽取80％的样本进行模型训练，训练时采用5-fold交叉验证方法，利用网格寻参的方式选择最佳惩罚系数C及核函数相关系数gamma，建立所述鉴别诊断模型，利用剩余20％的样本对所述鉴别诊断模型的预测能力进行检验。
在本实施方式中，所述机器学习模块采用支持向量机算法建模，支持向量机算法从所述拉曼光谱数据库中随机抽取80％的样本进行模型训练，训练时采用5-fold交叉验证方法，利用网格寻参的方式选择最佳惩罚系数C及核函数相关系数gamma，建立所述鉴别诊断模型，利用剩余20％的样本对所述鉴别诊断模型的预测能力进行检验，该过程重复多次(一般≥50次)，保留最优的所述鉴别诊断模型(一般准确率≥90％)对甲状旁腺及周围组织进行鉴别诊断。
当然，本发明还可有其它多种实施方式，基于本实施方式，本领域的普通技术人员在没有做出任何创造性劳动的前提下所获得其他实施方式，都属于本发明所保护的范围。

Claims (5)

1.一种基于拉曼光谱技术的甲状旁腺术中实时检测方法，其特征在于，所述基于拉曼光谱技术的甲状旁腺术中实时检测方法包括如下步骤：
步骤一：应用拉曼光谱仪检测需要鉴别的组织，获取光谱数据；
步骤二：将所述光谱数据转换成.txt格式，进行去除荧光背景、降噪、平滑和归一化处理，将所述光谱数据输出为.xls格式；
步骤三：建立拉曼光谱数据库，将.xls格式的所述光谱数据导入所述曼光谱数据库中；
步骤四：建立机器学习模块，所述机器学习模块根据所述拉曼光谱数据库建立鉴别诊断模型；
步骤五：将需要鉴别组织的光谱数据导入所述鉴别诊断模型进行比对。
2.根据权利要求1所述的基于拉曼光谱技术的甲状旁腺术中实时检测方法，其特征在于，所述步骤一的过程为：将拉曼光谱仪的光纤探头对准需鉴别的组织，应用拉曼光谱仪进行拉曼光谱检测，检测条件设定为785nm激发光，200mW功率及9mm工作距离，检测时间设定为60S。
3.根据权利要求2所述的基于拉曼光谱技术的甲状旁腺术中实时检测方法，其特征在于，所述光谱数据为拉曼光谱仪检测5次的平均数据。
4.根据权利要求1所述的基于拉曼光谱技术的甲状旁腺术中实时检测方法，其特征在于，所述拉曼光谱数据库采用MySQL搭建，一个组织样本对应一条拉曼光谱。
5.根据权利要求1所述的基于拉曼光谱技术的甲状旁腺术中实时检测方法，其特征在于，所述机器学习模块采用支持向量机算法建模，支持向量机算法从所述拉曼光谱数据库中随机抽取80％的样本进行模型训练，训练时采用5-fold交叉验证方法，利用网格寻参的方式选择最佳惩罚系数C及核函数相关系数gamma，建立所述鉴别诊断模型，利用剩余20％的样本对所述鉴别诊断模型的预测能力进行检验。
CN201910047364.8A 2019-01-18 2019-01-18 一种基于拉曼光谱技术的甲状旁腺术中实时检测方法 Pending CN109781701A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910047364.8A CN109781701A (zh) 2019-01-18 2019-01-18 一种基于拉曼光谱技术的甲状旁腺术中实时检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910047364.8A CN109781701A (zh) 2019-01-18 2019-01-18 一种基于拉曼光谱技术的甲状旁腺术中实时检测方法

Publications (1)

Publication Number Publication Date
CN109781701A true CN109781701A (zh) 2019-05-21

Family

ID=66501483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910047364.8A Pending CN109781701A (zh) 2019-01-18 2019-01-18 一种基于拉曼光谱技术的甲状旁腺术中实时检测方法

Country Status (1)

Country Link
CN (1) CN109781701A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110693458A (zh) * 2019-10-24 2020-01-17 西安交通大学医学院第一附属医院 基于近红外自体荧光的术中实时甲状旁腺识别方法
WO2020199605A1 (zh) * 2019-04-04 2020-10-08 济南显微智能科技有限公司 一种甲状旁腺识别装置及系统
CN112155562A (zh) * 2020-10-20 2021-01-01 湖南马尼克医疗科技有限公司 一种甲状旁腺复合探测装置
CN113466206A (zh) * 2021-06-23 2021-10-01 上海仪电（集团）有限公司中央研究院 一种基于大数据的拉曼光谱分析系统
CN113702349A (zh) * 2021-07-12 2021-11-26 四川大学 一种基于拉曼光谱的涎腺肿瘤的诊断模型构建方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103645170A (zh) * 2013-12-03 2014-03-19 北京航空航天大学 一种利用拉曼光谱检测肿瘤性质的装置
CN104541153A (zh) * 2012-07-02 2015-04-22 新加坡国立大学 涉及利用光纤拉曼光谱的内窥镜进行实时癌症诊断的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104541153A (zh) * 2012-07-02 2015-04-22 新加坡国立大学 涉及利用光纤拉曼光谱的内窥镜进行实时癌症诊断的方法
CN103645170A (zh) * 2013-12-03 2014-03-19 北京航空航天大学 一种利用拉曼光谱检测肿瘤性质的装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BING YAN ET AL: "An intraoperative diagnosis of parotid gland tumors using Raman spectroscopy and support vector machine", 《LASER PHYS》 *
N.TARCEA ET AL: "Raman Data Analysis", 《GEORAMAN 2012 INTERNATIONAL SCHOOL》 *
SQIU_11: "sklearn学习-SVM例程总结3（网格搜素+交叉验证—寻找最优超参数）", 《BLOG.CSDN.NET/SQIU_11/ARTICLE/DETAILS/60140169》 *
曼怒尔•博纳尔-斯普雷克尔森 等: "《耳鼻喉头颈手术并发症》", 31 October 2018, 天津科技翻译出版有限公司 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020199605A1 (zh) * 2019-04-04 2020-10-08 济南显微智能科技有限公司 一种甲状旁腺识别装置及系统
CN110693458A (zh) * 2019-10-24 2020-01-17 西安交通大学医学院第一附属医院 基于近红外自体荧光的术中实时甲状旁腺识别方法
CN110693458B (zh) * 2019-10-24 2022-05-27 西安交通大学医学院第一附属医院 基于近红外自体荧光的术中实时甲状旁腺识别方法
CN112155562A (zh) * 2020-10-20 2021-01-01 湖南马尼克医疗科技有限公司 一种甲状旁腺复合探测装置
CN113466206A (zh) * 2021-06-23 2021-10-01 上海仪电（集团）有限公司中央研究院 一种基于大数据的拉曼光谱分析系统
CN113702349A (zh) * 2021-07-12 2021-11-26 四川大学 一种基于拉曼光谱的涎腺肿瘤的诊断模型构建方法

Similar Documents

Publication Publication Date Title
CN109781701A (zh) 一种基于拉曼光谱技术的甲状旁腺术中实时检测方法
US8649849B2 (en) Optical methods to intraoperatively detect positive prostate and kidney cancer margins
P. Santos et al. Improving clinical diagnosis of early-stage cutaneous melanoma based on Raman spectroscopy
Vianna et al. How to detect progression in glaucoma
Galli et al. Rapid label-free analysis of brain tumor biopsies by near infrared Raman and fluorescence spectroscopy—a study of 209 patients
JPH11507133A (ja) 人間の組織及び細胞の赤外線分析による病気の診断を行うためのシステム及び方法
Beleites et al. Raman spectroscopic grading of astrocytoma tissues: using soft reference information
JP2005534428A (ja) 血管壁の近赤外分光分析
US7280866B1 (en) Non-invasive screening of skin diseases by visible/near-infrared spectroscopy
Liu et al. A pilot study for distinguishing basal cell carcinoma from normal human skin tissues using visible resonance Raman spectroscopy
AU2010352406A2 (en) Method and device for quality assessment of an electrical impedance measurement on tissue
US9498136B2 (en) Classification of tumor tissue with a personalized threshold
CN115844393A (zh) 基于近红外数据的焦虑障碍评估装置和焦虑障碍评估系统
Neto et al. Micro-Raman spectroscopic study of thyroid tissues
CN114938974A (zh) 一种基于超声弹性技术预测胰瘘风险的方法及系统
WO2007066589A1 (ja) 近赤外分光を用いた生活習慣病に関する検査・診断法および装置
JP4961579B2 (ja) 近赤外分光を用いた慢性疲労症候群（ｃｆｓ）診断法および装置
CA3016500C (en) Direct infrared analysis of post-translational modification of proteins
Stager et al. Objective laryngoscopic measures from older patients with voice complaints and signs of aging
AU782431B2 (en) Non-invasive screening of skin diseases by visible/near-infrared spectroscopy
TWI616183B (zh) Non-invasive skin image detection method
CN109580526A (zh) 一种基于组织切片鉴别人体性别的红外光谱分析方法
US20200029818A1 (en) Determining a tissue type of a tissue of an animal or human individual
CN117789972B (zh) 一种乳腺癌复发预测模型的构建方法及其预测系统
Haiyan et al. Ultrasound operators’ confidence influences diagnosis of ovarian tumors-a study in China

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190521

WD01 Invention patent application deemed withdrawn after publication