CN111292801A - 蛋白质质谱结合深度学习评估甲状腺结节的方法 - Google Patents

蛋白质质谱结合深度学习评估甲状腺结节的方法 Download PDF

Info

Publication number
CN111292801A
CN111292801A CN202010072784.4A CN202010072784A CN111292801A CN 111292801 A CN111292801 A CN 111292801A CN 202010072784 A CN202010072784 A CN 202010072784A CN 111292801 A CN111292801 A CN 111292801A
Authority
CN
China
Prior art keywords
deep learning
protein
thyroid
evaluating
nodules
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
CN202010072784.4A
Other languages
English (en)
Inventor
郭天南
戈帕拉克里希纳·艾耶
官爱莲
李子青
孙耀庭
臧泽林
萨蒂亚穆尔蒂·塞尔瓦拉扬
朱怡
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.)
Westlake University
Original Assignee
Westlake University
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 Westlake University filed Critical Westlake University
Priority to CN202010072784.4A priority Critical patent/CN111292801A/zh
Publication of CN111292801A publication Critical patent/CN111292801A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供一种蛋白质质谱结合深度学习评估甲状腺结节的方法,本方案采用遗传算法得到可用于反映甲状腺结节良恶性概率的蛋白组合,结合深度学习模型利用所选的蛋白组合对甲状腺结节进行精准分类,进行恶性结节的可能性评估,可大大地减少手术治疗费用和后续用药产生的治疗费,同时在大大改善了患者的生活品质的同时可以降低由于过度治疗导致的医疗资源浪费。

Description

蛋白质质谱结合深度学习评估甲状腺结节的方法
技术领域
本发明涉及蛋白质组学领域,特别涉及蛋白质组学质谱结合深度学习评估甲状腺结节的方法。
背景技术
甲状腺结节是指在甲状腺内的肿块,是临床常见的病症,可由多种病因引起,据调查表明大约有50％的人群均患有甲状腺结节,而在所有的甲状腺结节中只有10％左右是属于恶性结节。
临床医学上对甲状腺结节的分类主要依靠细胞病理学的结果,细胞病理学是通过活检穿刺抽取少部分甲状腺组织进行细胞涂片来观察细胞形态学的变化,但是还有一部分良恶性结节需要观察组织是否侵犯包膜来确定其良恶性,即,利用细胞病理学的方法仍然有30％的结节是无法分类的,从而导致很多良性结节被手术切除造成了过度治疗的问题,而被切除甲状腺的患者将终身服用药物,对个人日后的生活造成了极大的不便。
目前也有些分子诊断方法应运而生,在美国,目前已经有两个基于基因检测的甲状腺结节分类的检查被推向了临床应用,分别是
Figure BDA0002377711960000011
和
Figure BDA0002377711960000012
这两类方法虽然对部分良性结节有很好的分类,但是却无法精准确定恶性概率。
蛋白质组学是近年来兴起的一种新的生物研究手段,其是从整体水平探讨细胞内动态蛋白质的组成形式、表达情况以及修饰状态,进而可协助检测人员在临床应用中通过研究正常或疾病状态下细胞蛋白表达的差异,进行疾病的早期诊断及鉴别。蛋白质谱质谱是一种通过鉴定蛋白质种类以及寻找分子标志物的有效手段,根据不同离子的质荷比的差异来分离并确定相对分子质量。即,可通过蛋白质质谱判断甲状腺结节的良、恶性及了解各个甲状腺疾病的发病机制,可减少过度医疗,然而如何利用蛋白质质谱精准地预估甲状腺结节的恶性概率却依旧是行业亟待解决的一大技术难题。
发明内容
本发明的目的在于提供一种蛋白质质谱结合深度学习评估甲状腺结节的方法,本方案获取可用于反映甲状腺结节良恶性的蛋白质组合,结合深度学习模型对甲状腺结节进行精准分类,以进行甲状腺结节恶性概率的可能性评估,可大大地减少手术治疗费用和后续用药产生的治疗费,同时可以改善患者的生活品质,降低由于过度治疗导致的医疗资源浪费。
为达到以上目的,本技术方案提供了一种蛋白质质谱结合深度学习评估甲状腺结节的方法,包括以下步骤:获取待测甲状腺组织样本的蛋白质矩阵结果,将该蛋白质矩阵结果输入到深度学习模型中,输出该待测甲状腺组织样本的甲状腺结节恶性概率,该方法用于非诊断目的。
附图说明
图1是根据本发明的一实施例的蛋白质质谱结合深度学习评估甲状腺结节的方法的试验结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
本领域技术人员应理解的是,在本发明的揭露中,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系,其仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此上述术语不能理解为对本发明的限制。
深度学习即机器学习中的多层神经网络方法,主要结构包括输入层、隐藏层及输出层,其利用内置算法对大数据进行处理,以发现大型数据中的复杂结构,并反馈指示算法内部应如何优化其内部参数,经过模型参数的层层优化,提高数据处理的准确度。换言之,深度学习与传统的机器学习相比,深度学习的优点在于可通过多层神经网络,经过如梯度下降方法的参数优化,自动从复杂的数据中学习,能适应不同种类、多种类型的数据,并得到出色的预测结果。
本方案利用蛋白质质谱结合深度学习模型,通过多种蛋白组合,结合深度学习模型完成对甲状腺结节恶性概率的评估,该方案不用于诊断目的,本方案仅仅是提供了一种恶性概率的预判,并不能直接得到该结节是恶性的结论,即本方案仅可作为辅助手段结合临床其他检查结果给出下一步的临床决策。该方案的非诊断目的用途比如:在甲状腺结节检查过程中如若发现疑似恶性但缺少典型特征时,可以通过本方案提供更多的证据指示恶性的可能性；在针对甲状腺结节的治疗过程中,也可利用该方法辅助了解甲状腺结节的变化情况。
本方案从如下的蛋白中选择不同的蛋白组合:
Figure BDA0002377711960000041
Figure BDA0002377711960000051
Figure BDA0002377711960000061
Figure BDA0002377711960000071
本技术方案在临床中验证得到其预测准确率为90％以上,该方法具有特异性强,敏感性高等特点,可很好地解决现有临床中甲状腺结节判断困难的问题,为甲状腺领域的精准医疗提供新的评估方法和参考依据。
具体的,该蛋白质质谱结合深度学习评估甲状腺结节的方法,包括以下步骤:获取待测甲状腺组织样本的蛋白质矩阵结果,将该蛋白质矩阵结果输入到深度学习模型中,输出该待测甲状腺组织样本的甲状腺结节恶性概率。
获取待测甲状腺组织样本的蛋白质矩阵结果又可分为以下步骤:
采集待测甲状腺组织样本,对甲状腺组织样本进行裂解、酶解得到对应的多肽溶液,对多肽溶液进行质谱数据采集,以及蛋白质组学数据分析得到蛋白质矩阵结果。
具体的,在本技术方案中首先对甲状腺组织样本进行前处理获取多肽溶液,其裂解的过程如下:样本加入尿素及硫脲,通过在45kpsi与常压交替循环的过程中对组织内蛋白质进行提取及裂解。其酶解的过程如下:向裂解后的蛋白质溶液内依次加入trypsin和lysC,在20kpsi压力与常压交替循环的过程中进行酶切反应,最终得到多肽溶液。
当然,值得一提的是,普通的裂解酶解前处理过程也可适用本方案。
本技术方案中,将多肽溶液置于高效液相色谱-串联质谱法(HPLC-MS/MS)中进行数据采集得到蛋白质矩阵结果,其中蛋白质矩阵结果是对样本中检测到的蛋白进行相对定量,每个蛋白将得到相应的检测强度值。
具体的,在本技术方案中高效液相色谱-串联质谱法的色谱条件为5-60min梯度,蛋白质谱条件为:在400-1200m/z范围内进行检测。
在本技术方案中利用所选的蛋白质组合可很好地反应恶性甲状腺结节,利用所选的蛋白质组合的特征进行评估模型的构建。
蛋白组合的选择过程如下:
选择477种与甲状腺癌相关的有效候选蛋白,这477种蛋白是通过组织检查和文献选择的521种与甲状腺癌相关的蛋白中排除64种未出现在数据集中的蛋白,使用遗传算法(GA)对有效候选蛋白进行选择:初始化基因族群生成交叉验证函数,其中基因组群中的每个基因代表一组蛋白质组合,每个蛋白质组合中的蛋白质使用二进制编码表示,使用交叉验证方法计算基因族群中每个基因的适应度,交叉变异基因族群中的蛋白组合产生新的基因,取代适应度差的基因,直到选出优秀的基因或者达到指定循环次数,本方案中通过遗传算法得到合适的蛋白组合。
优选的蛋白组合有:组合一:LRP2,LGALS3,PODXL,SIAE,SH3BGRL3,THY1,AHSG,MYH9,PEBP1,BCAM,HIST1H1C,CALR,ACADM,MSN；
组合二:LRP2,LGALS3,PODXL,ACTN4,SH3BGRL3,THY1,AHSG,MYH9,PEBP1,BCAM,HIST1H1C,CALR,ACADM,MSN；
组合三:HIST1H1C,MYH9,LRP2,PSME1,CLU,AHSG,PODXL,LGALS3,SH3BGRL3,SIAE,ANXA1,CALR,PEBP1,THY1,TBCA,MSN。
深度学习模型的构建过程如下:
将所选的蛋白质对应的特征输入评估模型,判断循环次数是否小于N,其中循环次数指的是遗传算法的迭代次数,N在此处定义为控制迭代次数的超参数,如若是的话,设置α1＝1,α2＝0,α3＝1；如果不是的话,设置α1＝0,α2＝1,α3＝1,获取学习网络的损失函数L,损失函数的计算公式如下:
L＝α1*LC+α2*Le+α3*Lr
其中Lc为对比损失,Le为交叉熵损失,Lr为正则化系数。
其中Lc的计算公式如下:
Figure BDA0002377711960000091
其中Vp,Vq分别表示不同患者的特征提取子空间的向量,M为margin,即边界宽度。
其中特征提取子空间的向量Vp,Vq的获取方法如下:
将蛋白质特征输入Xp输入特征提取子模型,特征提取子模型将蛋白质特征映射到高维,得到特征提取子空间的向量,该数值可以更好的进行对比损失和交叉熵损失的训练。
其中Le的计算公式如下:
Figure BDA0002377711960000101
其中Y为真实标签,
Figure BDA0002377711960000102
为分类预测结果。
β1和β2的数值是在实验中获取β1＝0.8和β2＝1.2,真实标签指的是训练数据的标签。
分类预测结果
Figure BDA0002377711960000109
的获取方式如下,将得到的特征提取子向量Vp,Vq输入分类子模型,特征提取子模型和分类子模型都是由神经网络构成的,可以理解为对输入进行一次线性处理和非线性处理,处理后的结果即神经网络的输出,其中线性处理部分通过梯度方法进行训练,训练受到上文中的损失函数的指导。
其中Lr为正则化系数的计算公式如下:
Figure BDA0002377711960000103
其中
Figure BDA0002377711960000104
为第i层的权值矩阵。
根据损失函数L进行反向传播调整权值矩阵
Figure BDA0002377711960000105
和偏置矩阵W,更新评估模型,以此方式通过本方案的蛋白组合构建了评估模型得到深度学习模型。
本方案的检测步骤如下:
将待测甲状腺组织样本进行前处理得到蛋白对应的特征,将这些蛋白特征输入到深度学习模型中,得到特征提取子空间的向量V和分类预测结果
Figure BDA0002377711960000106
其中向量V的获取方式如下:V为将蛋白质特征输入特征提取子模型后经过其处理后得到的特征向量；其中分类预测结果
Figure BDA0002377711960000107
的获取方式如下:
Figure BDA0002377711960000108
为将V输入分类子模型获得的预测结果。根据分类预测结果
Figure BDA0002377711960000111
得到预测结果P,公式如下:
Figure BDA0002377711960000112
另外,本申请人采集样本数据进行模型构建与验证:
样本来源:National Cancer Centre Singapore
验证方法:通过接受者操作特征曲线(receiver operating characteristiccurve,ROC)来评价该方法的准确性。
验证结果如附图1所示。
本发明不局限于上述最佳实施方式,任何人在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是具有与本申请相同或相近似的技术方案,均落在本发明的保护范围之内。

Claims (7)

1.一种蛋白质质谱结合深度学习评估甲状腺结节的方法,其特征在于,包括以下步骤:获取待测甲状腺组织样本的蛋白质矩阵结果,将该蛋白质矩阵结果输入到深度学习模型中,输出该待测甲状腺组织样本的甲状腺结节恶性概率,该方法用于非诊断目的。
2.根据权利要求1所述的蛋白质质谱结合深度学习评估甲状腺结节的方法,其特征在于,从如下的蛋白中选择不同的蛋白组合:
TBCA,THY1,CLU,MSN,CRABP1,CALR,PEBP1,MYH9,LRP2,RAB10,BCAM,ACTN4,PPIA,MFAP5,HNRNPK,ACADM,WFDC2,SERPINF2,LDHB,CAVIN1,S100A9,ANXA2,HNRNPD,AGRN,ILF3,VWA1,RNH1,ANXA6,NID1,MAOA,RPL22,CPQ,AHNAK,TRIM28,TAGLN2,S100A6,TPO,CTSD,HSPB1,TPL1,NCAM1,HMGA1,CD44,HSP90B1,PDIA3,VDAC2,ENO1,ANXA3,PSMA2,DCN,LMNA,AK1,TFF3,TIMP3,TIMP1,QPCT,H1-2,SIAE,PSME1,UFL1,PGK1,CRYAB,RPN2,LAMB1,VIM,ARF4,ANXA7,VEGFC,ACLY,C1QBP,PIN1,POSTN,NPNT,KHSRP,SERPINA1,FN1,ANXA1,PROS1,TXN,HSPA8,COL6A2,LGALS3,HNRNPA2B1,PSMA3,SERPINB6,ME1,MVP,EMD,PDCD4,AKT1,CFL1,PCNA,CPNE1,S100A13,IGSF1,FUCA1
3.根据权利要求1所述的蛋白质质谱结合深度学习评估甲状腺结节的方法,其特征在于,深度学习模型的构建过程如下:将所选的蛋白质对应的特征输入评估模型,判断循环次数是否小于N,如若是的话,设置α1＝1,α2＝0,α3＝1；如果不是的话,设置α1＝0,α2＝1,α3＝1,获取学习网络的损失函数L,根据根据损失函数L进行反向传播调整权值矩阵
Figure FDA0002377711950000011
和偏置矩阵W,更新评估模型,其中损失函数的计算公式如下:
L＝α1*LC+α2*Le+α3*Lr
其中Lc为对比损失,Le为交叉熵损失,Lr为正则化系数。
4.根据权利要求3所述的蛋白质质谱结合深度学习评估甲状腺结节的方法,其特征在于,其中Lc的计算公式如下:
Figure FDA0002377711950000021
其中Vp,Vq分别表示不同患者的特征提取子空间的向量,M为margin。
5.根据权利要求4所述的蛋白质质谱结合深度学习评估甲状腺结节的方法,其特征在于,其中Le的计算公式如下:
Figure FDA0002377711950000022
其中Y为真实标签,
Figure FDA0002377711950000023
为分类预测结果。
6.根据权利要求3所述的蛋白质质谱结合深度学习评估甲状腺结节的方法,其特征在于,Lr为正则化系数的计算公式如下:
Figure FDA0002377711950000024
其中
Figure FDA0002377711950000025
为第i层的权值矩阵。
7.根据权利要求3所述的蛋白质质谱结合深度学习评估甲状腺结节的方法,其特征在于,将待测甲状腺组织样本进行前处理得到的蛋白对应的特征,将蛋白对应的特征输入到深度学习模型中,得到特征提取子空间的向量V和分类预测结果
Figure FDA0002377711950000026
其中向量V为将蛋白质特征输入特征提取子模型后经过其处理后得到的特征向量；其中分类预测结果
Figure FDA0002377711950000027
的获取方式如下:
Figure FDA0002377711950000028
为将V输入分类子模型获得的预测结果,根据分类预测结果
Figure FDA0002377711950000029
得到预测结果P公式如下:
Figure FDA00023777119500000210
CN202010072784.4A 2020-01-21 2020-01-21 蛋白质质谱结合深度学习评估甲状腺结节的方法 Pending CN111292801A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010072784.4A CN111292801A (zh) 2020-01-21 2020-01-21 蛋白质质谱结合深度学习评估甲状腺结节的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010072784.4A CN111292801A (zh) 2020-01-21 2020-01-21 蛋白质质谱结合深度学习评估甲状腺结节的方法

Publications (1)

Publication Number Publication Date
CN111292801A true CN111292801A (zh) 2020-06-16

Family

ID=71023528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010072784.4A Pending CN111292801A (zh) 2020-01-21 2020-01-21 蛋白质质谱结合深度学习评估甲状腺结节的方法

Country Status (1)

Country Link
CN (1) CN111292801A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111896609A (zh) * 2020-07-21 2020-11-06 上海交通大学 一种基于人工智能分析质谱数据的方法
CN113850243A (zh) * 2021-11-29 2021-12-28 北京的卢深视科技有限公司 模型训练、人脸识别方法、电子设备及存储介质
CN114414704A (zh) * 2022-03-22 2022-04-29 西湖欧米(杭州)生物科技有限公司 评估甲状腺结节恶性程度或概率的系统、模型及试剂盒
CN115128285A (zh) * 2022-08-30 2022-09-30 西湖大学 一种蛋白质组合对甲状腺滤泡性肿瘤鉴别评估的试剂盒、系统
CN115436640A (zh) * 2022-11-07 2022-12-06 西湖欧米(杭州)生物科技有限公司 适于可评估甲状腺结节恶性程度或概率的多肽的替代基质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102459636A (zh) * 2009-05-07 2012-05-16 威拉赛特公司 用于诊断甲状腺病症的方法和组合物
CN104007165A (zh) * 2014-05-29 2014-08-27 深圳市第二人民医院 筛选甲状腺癌的唾液蛋白质组决策树诊断模型及构建方法
CN104321439A (zh) * 2012-03-15 2015-01-28 凯杰科技有限公司 甲状腺癌生物标志物
CN105039523A (zh) * 2008-11-17 2015-11-11 威拉赛特公司 用于疾病诊断的分子表达谱的方法和组合物
CN106780448A (zh) * 2016-12-05 2017-05-31 清华大学 一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类方法
CN107247971A (zh) * 2017-06-28 2017-10-13 中国人民解放军总医院 一种超声甲状腺结节风险指标的智能分析方法及系统
CN109070040A (zh) * 2016-12-16 2018-12-21 布里格姆及妇女医院股份有限公司 用于疾病的早期检测的蛋白质冠传感器阵列的系统和方法
CN109086660A (zh) * 2018-06-14 2018-12-25 深圳市博威创盛科技有限公司 多任务学习深度网络的训练方法、设备及存储介质
CN109543544A (zh) * 2018-10-25 2019-03-29 北京市商汤科技开发有限公司 跨光谱图像匹配方法及装置、电子设备和存储介质
WO2019073069A1 (en) * 2017-10-13 2019-04-18 Boehringer Ingelheim International Gmbh HUMAN ANTIBODIES AGAINST THOMSEN-NEW ANTIGEN (TN)
CN110211116A (zh) * 2019-06-03 2019-09-06 东北大学 一种基于深度学习网络和浅层纹理特征融合的甲状腺超声图像结节分析方法
CN110309849A (zh) * 2019-05-10 2019-10-08 腾讯医疗健康(深圳)有限公司 血管图像处理方法、装置、设备及存储介质
CN110321862A (zh) * 2019-07-09 2019-10-11 天津师范大学 一种基于紧致三元损失的行人再识别方法
CN110489348A (zh) * 2019-08-23 2019-11-22 山东浪潮人工智能研究院有限公司 一种基于迁移学习的软件功能缺陷挖掘方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105039523A (zh) * 2008-11-17 2015-11-11 威拉赛特公司 用于疾病诊断的分子表达谱的方法和组合物
CN102459636A (zh) * 2009-05-07 2012-05-16 威拉赛特公司 用于诊断甲状腺病症的方法和组合物
CN104321439A (zh) * 2012-03-15 2015-01-28 凯杰科技有限公司 甲状腺癌生物标志物
CN104007165A (zh) * 2014-05-29 2014-08-27 深圳市第二人民医院 筛选甲状腺癌的唾液蛋白质组决策树诊断模型及构建方法
CN106780448A (zh) * 2016-12-05 2017-05-31 清华大学 一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类方法
CN109070040A (zh) * 2016-12-16 2018-12-21 布里格姆及妇女医院股份有限公司 用于疾病的早期检测的蛋白质冠传感器阵列的系统和方法
CN107247971A (zh) * 2017-06-28 2017-10-13 中国人民解放军总医院 一种超声甲状腺结节风险指标的智能分析方法及系统
WO2019073069A1 (en) * 2017-10-13 2019-04-18 Boehringer Ingelheim International Gmbh HUMAN ANTIBODIES AGAINST THOMSEN-NEW ANTIGEN (TN)
CN109086660A (zh) * 2018-06-14 2018-12-25 深圳市博威创盛科技有限公司 多任务学习深度网络的训练方法、设备及存储介质
CN109543544A (zh) * 2018-10-25 2019-03-29 北京市商汤科技开发有限公司 跨光谱图像匹配方法及装置、电子设备和存储介质
CN110309849A (zh) * 2019-05-10 2019-10-08 腾讯医疗健康(深圳)有限公司 血管图像处理方法、装置、设备及存储介质
CN110211116A (zh) * 2019-06-03 2019-09-06 东北大学 一种基于深度学习网络和浅层纹理特征融合的甲状腺超声图像结节分析方法
CN110321862A (zh) * 2019-07-09 2019-10-11 天津师范大学 一种基于紧致三元损失的行人再识别方法
CN110489348A (zh) * 2019-08-23 2019-11-22 山东浪潮人工智能研究院有限公司 一种基于迁移学习的软件功能缺陷挖掘方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
雷晓静: "基于深度学习的图像分类研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111896609A (zh) * 2020-07-21 2020-11-06 上海交通大学 一种基于人工智能分析质谱数据的方法
CN111896609B (zh) * 2020-07-21 2023-08-08 上海交通大学 一种基于人工智能分析质谱数据的方法
CN113850243A (zh) * 2021-11-29 2021-12-28 北京的卢深视科技有限公司 模型训练、人脸识别方法、电子设备及存储介质
CN114414704A (zh) * 2022-03-22 2022-04-29 西湖欧米(杭州)生物科技有限公司 评估甲状腺结节恶性程度或概率的系统、模型及试剂盒
CN114414704B (zh) * 2022-03-22 2022-08-12 西湖欧米(杭州)生物科技有限公司 评估甲状腺结节恶性程度或概率的系统、模型及试剂盒
WO2023179263A1 (zh) * 2022-03-22 2023-09-28 西湖欧米(杭州)生物科技有限公司 评估甲状腺结节恶性程度或概率的系统、模型及试剂盒
CN115128285A (zh) * 2022-08-30 2022-09-30 西湖大学 一种蛋白质组合对甲状腺滤泡性肿瘤鉴别评估的试剂盒、系统
CN115128285B (zh) * 2022-08-30 2023-01-06 西湖大学 一种蛋白质组合对甲状腺滤泡性肿瘤鉴别评估的试剂盒、系统
CN115436640A (zh) * 2022-11-07 2022-12-06 西湖欧米(杭州)生物科技有限公司 适于可评估甲状腺结节恶性程度或概率的多肽的替代基质

Similar Documents

Publication Publication Date Title
CN111292801A (zh) 蛋白质质谱结合深度学习评估甲状腺结节的方法
CN110189824B (zh) 原发性肝癌根治切除术的预后情况分组方法、装置和系统
CN115575636A (zh) 一种用于肺癌检测的生物标志物及其系统
CN113234829B (zh) 结肠癌预后评估基因集及其构建方法
CN110991536A (zh) 原发性肝癌的早期预警模型的训练方法
CN115798712B (zh) 一种诊断待测者是否是乳腺癌的系统以及生物标志物
CN115862838A (zh) 一种基于机器学习算法的胆管癌诊断模型及其构建方法和应用
CN115896242A (zh) 一种基于外周血免疫特征的癌症智能筛查模型及方法
CN106874705B (zh) 基于转录组数据确定肿瘤标记物的方法
CN111370061A (zh) 基于蛋白标记物与人工智能的癌症筛查方法
CN116735889B (zh) 一种用于结直肠癌早期筛查的蛋白质标志物、试剂盒及应用
Villagrana-Bañuelos et al. COVID-19 outcome prediction by integrating clinical and metabolic data using machine learning algorithms
US20070072250A1 (en) Method and system for analysis of cancer biomarkers using proteome image mining
US20230352149A1 (en) Single-cell morphology analysis for disease profiling and drug discovery
CN117711618B (zh) 一种基于蛋白质的肾脏病发生风险预测系统及存储介质
US20240321448A1 (en) Artificial intelligence for identifying one or more predictive biomarkers
WO2014143704A1 (en) Human biomarker test for major depressive disorder
Feng et al. Statistical considerations in combining biomarkers for disease classification
CN118016313B (zh) 一种前列腺神经内分泌癌预测模型的训练方法
CN117169504B (zh) 用于胃癌相关参数检测的生物标志物及相关预测系统及应用
CN114150059B (zh) Mcm3相关乳腺癌生物标志物试剂盒、诊断系统及其相关应用
CN118150830B (zh) 蛋白标志物组合在制备结直肠癌早期诊断产品中的应用
Kaulgud et al. A review on detection of prostate cancer techniques
WO2024197315A2 (en) Artificial intelligence for identifying one or more predictive biomarkers
CN118430801A (zh) 一种前列腺神经内分泌癌的风险预警系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200616

RJ01 Rejection of invention patent application after publication