CN113658642A - 基于荧光免疫层析法的荧光曲线的检测方法与装置 - Google Patents
基于荧光免疫层析法的荧光曲线的检测方法与装置 Download PDFInfo
- Publication number
- CN113658642A CN113658642A CN202110938996.0A CN202110938996A CN113658642A CN 113658642 A CN113658642 A CN 113658642A CN 202110938996 A CN202110938996 A CN 202110938996A CN 113658642 A CN113658642 A CN 113658642A
- Authority
- CN
- China
- Prior art keywords
- curve
- fluorescence
- database
- fluorescence curve
- identification information
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 117
- 238000003317 immunochromatography Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 18
- 238000012850 discrimination method Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012552 review Methods 0.000 claims 3
- 238000001506 fluorescence spectroscopy Methods 0.000 abstract description 3
- 238000011895 specific detection Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 22
- 239000011159 matrix material Substances 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 239000003153 chemical reaction reagent Substances 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000001917 fluorescence detection Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000010166 immunofluorescence Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000427 antigen Substances 0.000 description 2
- 102000036639 antigens Human genes 0.000 description 2
- 108091007433 antigens Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 150000003384 small molecules Chemical class 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 239000000020 Nitrocellulose Substances 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- -1 antibodies Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 238000012921 fluorescence analysis Methods 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001220 nitrocellulos Polymers 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
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
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- 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
- G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
- G16B50/30—Data warehousing; Computing architectures
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Biotechnology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioethics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提供了一种基于荧光免疫层析法的荧光曲线的检测方法与装置,该方法涉及荧光数据检测的技术领域,该方法包括:获取初步检测结果,其中,初步检测结果包括荧光曲线以及荧光曲线的配套信息;根据预设的规则及数据库,对荧光曲线进行有效性判断,得到判断结果;根据判断结果确定标识信息,将标识信息与荧光曲线关联保存至数据库;其中,数据库用于训练用于进行荧光曲线有效性判断及标识信息的确定的模型。本发明能够通过实时更新的数据库与特定的检验算法,自动区分荧光曲线的有效性、自动对荧光曲线进行分析、标识,进而提高对荧光曲线的检测效率与检测精度。
Description
技术领域
本发明涉及荧光数据检测的技术领域,尤其是涉及一种基于荧光免疫层析法的荧光曲线的检测方法与装置。
背景技术
基于荧光免疫层析法的荧光分析技术依靠免疫试剂内标记的抗体或抗原与被测物的特异性结合,以硝酸纤维素膜作为载体,对被测物中的蛋白、小分子等物质进行检测,该技术即可以对血液、尿液、唾液、毛发和粪便等被测物中的抗原、抗体、小分子物质等生物标记物进行可靠的定量测试,也可以对被测物中的生物标记物进行高灵敏度的定性筛查。检测结果和筛查结果的确定过程,通常需要借助免疫荧光曲线进行分析。
由于传统的荧光仪器不能判断免疫荧光曲线的有效性,更没有分析数据、对数据进行标识的能力,这些导致用户难以得到及时、正确的检测结果。基于上述问题,如何对基于荧光免疫层析法的荧光曲线进行曲线特征提取、识别、判读,从而保证检测结果的可靠性,成为亟待解决的技术问题。
发明内容
本发明的目的在于提供一种基于荧光免疫层析法的荧光曲线的检测方法与装置,以提高免疫荧光层析检测结果的判读准确性,同时提高检测效率。
第一方面,本发明实施例提供了一种基于荧光免疫层析法的荧光曲线的检测方法,该方法包括:获取初步检测结果,其中,初步检测结果包括荧光曲线以及荧光曲线的配套信息;根据预设的规则及数据库,对荧光曲线进行有效性判断,得到判断结果;根据判断结果确定标识信息,将标识信息与荧光曲线关联保存至数据库;其中,该数据库用于训练用于进行荧光曲线有效性判断及标识信息的确定的模型。
进一步地,上述将标识信息与荧光曲线关联保存至数据库的步骤,包括:若判断结果指示荧光曲线为有效数据,将判断结果、荧光曲线的ID信息、备注信息作为第一标识信息,将第一标识信息与荧光曲线关联保存至数据库。
进一步地,上述根据判断结果确定标识信息,将标识信息与荧光曲线关联保存至数据库的步骤,还包括:若判断结果指示荧光曲线为无效数据,则判断荧光曲线的无效原因,并对无效原因进行归类、分析,得到无效原因归类和规范操作建议;将无效原因、无效原因归类和规范操作建议与荧光曲线关联保存至数据库。
进一步地,上述方法还包括:获取在指定时间对初步检测结果的人工复检检测结果,若人工复检检测结果指示初步检测结果不正确,将人工复检检测结果作为更新后的初步检测结果。
进一步地,上述方法还包括:获取在指定时间对判断结果的人工复检判断结果,若人工复检判断结果指示判断结果不正确,将人工复检检测结果作为更新后的判断结果;根据更新后的判断结果确定标识信息,将标识信息与荧光曲线关联保存至数据库。
进一步地,上述方法还包括:若根据预设的规则及数据库无法获取判断结果,则获取人工判断结果。
进一步地,上述根据预设的规则及数据库,对荧光曲线进行有效性判断,得到判断结果的步骤,包括:对荧光曲线进行光滑处理以及归一化处理,得到曲线处理结果;通过峰值判别法,对曲线处理结果进行波峰判别,得到曲线波峰;通过异构征检验规则、机器自学习算法,结合数据库,对曲线处理结果和曲线波峰进行有效性检验,得到判断结果。
进一步地,上述方法还包括:通过数据库,根据客户需求生成指定形式的报表。
第二方面,本发明实施例还提供一种基于荧光免疫层析法的荧光曲线的检测装置,该装置包括:数据获取模块,用于:获取初步检测结果,其中,初步检测结果包括荧光曲线以及荧光曲线的配套信息;判断模块,用于:根据预设的规则及数据库,对荧光曲线进行有效性判断,得到判断结果;数据库完善模块,用于:根据判断结果确定标识信息,将标识信息与荧光曲线关联保存至数据库;其中,数据库用于训练用于进行荧光曲线有效性判断及标识信息的确定的模型。
进一步地,上述数据库完善模块,还用于:若判断结果指示荧光曲线为有效数据,将判断结果、荧光曲线的ID信息、备注信息作为第一标识信息,将第一标识信息与荧光曲线关联保存至数据库。
本发明实施例带来了以下有益效果:
本发明提供了一种基于荧光免疫层析法的荧光曲线的检测方法与装置,该方法涉及荧光数据检测的技术领域,该方法包括:获取初步检测结果,其中,初步检测结果包括荧光曲线以及荧光曲线的配套信息;根据预设的规则及数据库,对荧光曲线进行有效性判断,得到判断结果;根据判断结果确定标识信息,将标识信息与荧光曲线关联保存至数据库;其中,数据库用于训练用于进行荧光曲线有效性判断及标识信息的确定的模型。本发明能够通过实时更新的数据库与特定的检验算法,自动区分荧光曲线的有效性、自动对荧光曲线进行分析,进而提高对荧光曲线的检测效率与检测精度。
本发明的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于荧光免疫层析法的荧光曲线的检测方法流程图;
图2为本发明实施例提供的试纸卡扫描的荧光曲线的示意图;
图3为本发明实施例提供的另一种基于荧光免疫层析法的荧光曲线的检测方法流程图;
图4为本发明实施例提供的一种基于荧光免疫层析法的荧光曲线的检测装置的示意图;
图5为本发明实施例提供的一种基于自建数据库的基于荧光免疫层析法的荧光检测结果进行分析的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
传统的荧光仪器,基本不具有区分有效、无效数据的能力,更没有分析无效数据成因的能力,所以其判读结果只有在测试数据有效的情况下才会准确。无效曲线数据会使仪器判读结果失真,让用户难以得到及时、正确的反馈,严重影响用户的使用体验。目前上传的检测数据结果,无法清晰地体现真实检测情况。本发明通过“清洗”数据的过程即曲线特征提取、识别、判读,对荧光曲线进行自动化的AI检测,该技术将显著提高售后服务效率,极大限度节约售后成本。
实施例一
为便于对本实施例进行理解,首先对本发明实施例所公开的一种基于荧光免疫层析法的荧光曲线的检测方法进行详细介绍,如图1所示。
步骤S102,获取初步检测结果,其中,初步检测结果包括荧光曲线以及荧光曲线的配套信息。
在具体实现时,上述初步检测结果是人工得到的或者通过数据库AI自动识别到的。该数据库中的数据越多,初步检测结果的准确性越高,该数据库通过巨大的数据量,提高AI曲线判读识别精度、提高检测结果输出的精度和效率。上述初步检测结果是从云平台下载导出或者通过API(Application Programming Interface,应用程序接口)接口等方式获取的。上述初步检测结果中包含有荧光曲线数据和检测时间、检测机器型号、被测人信息等荧光曲线的配套信息,本发明主要是对荧光曲线的有效性、错误(无效)原因进行检测,其中图2为试纸卡扫描的荧光曲线的示意图,横坐标为荧光点的荧光值,单位是个;纵坐标反映荧光值的相对大小,纵坐标的数值由荧光机器自动读出。其中,荧光曲线的配套信息包括但不限于:测试项目(抗原、抗体、蛋白、小分子等生物标记物)、测试样品(血液、尿液、唾液、毛发、粪便等生物样本)、测试时间、生成该条测试数据的仪器序列号、仪器投放地点、试剂批次号、阴性阳性结果等。
步骤S104,根据预设的规则及数据库,对荧光曲线进行有效性判断,得到判断结果。
在具体实现时,上述预设的规则包括N项异构检验方法、欧式距离匹配法、卷积神经网络算法、KNN(k-Nearest Neighbors,最邻近)算法,BP(back propagation,反向传播)神经网络算法,SVM(support vector machines,支持向量机)算法等,且上述规则、算法可根据用户需求实时更新或变化。上述数据库是实时更新的,通过数据库中海量的资源,提高判断结果的精度。
步骤S106,根据判断结果确定标识信息,将标识信息与荧光曲线关联保存至数据库;其中,该数据库用于训练用于进行荧光曲线有效性判断及标识信息的确定的模型。
在具体实现时,上述判断结果包括“有效”和“无效”两种,若判断结果是“有效”,则将“有效”作为标识信息,然后将该标识信息与荧光曲线关联,保存至数据库。若判断结果是“无效”,则通过数据库和预设的规则对荧光曲线进行分析,将分析结果作为标识信息,然后将该标识信息与荧光曲线关联,保存至数据库。该数据库用于训练用于进行荧光曲线有效性判断及标识信息的确定的模型,通过数据量的优势,帮助提高AI曲线判读识别精度、提高检测结果输出的精度和效率。数据库中的数据作为机器学习样例集,通过不断增加数据量,提高AI识别精度。
本发明实施例提供了一种基于荧光免疫层析法的荧光曲线的检测方法,该方法包括:获取初步检测结果,其中,初步检测结果包括荧光曲线以及荧光曲线的配套信息;根据预设的规则及数据库,对荧光曲线进行有效性判断,得到判断结果;根据判断结果确定标识信息,将标识信息与荧光曲线关联保存至数据库;其中,数据库用于训练用于进行荧光曲线有效性判断及标识信息的确定的模型。本发明能够通过实时更新的数据库与特定的检验算法,自动区分荧光曲线的有效性、自动对荧光曲线进行分析,进而提高对荧光曲线的检测效率与检测精度。
实施例二
为便于对本实施例进行理解,对本发明实施例所公开的另一种基于荧光免疫层析法的荧光曲线的检测方法进行详细介绍,如图3所示。
步骤S302,获取初步检测结果,其中,初步检测结果包括荧光曲线以及荧光曲线的配套信息。
步骤S304,根据预设的规则及数据库,对荧光曲线进行有效性判断,得到判断结果。
在具体实现时,首先,对荧光曲线进行光滑处理以及归一化处理,得到曲线处理结果;然后,通过峰值判别法,对曲线处理结果进行波峰判别,得到曲线波峰;最后通过异构征检验规则、机器自学习算法,结合数据库,对曲线处理结果和曲线波峰进行AI自动处理,即有效性检验,得到判断结果。
具体地,上述异构征检验规则的具体的判别指标包括以下内容:
首先,设定1*N的判别矩阵reason,每个数字为1或0,分别代表N项异构特征的通过与否。
1)检验荧光曲线是否过小。曲线荧光值原始数据中,若小于某临界值的值达到一定比例,则该项不通过。一般出现[50-100%]以上的点的荧光值小于预设的临界值X(X一般在区间[0,200000]内)时,该项不通过。
2)检验是否具有有效特征峰。在T线或C线预设的区域至少有一个有效峰,否则该项不通过。
3)检验是否选择了错误的测试项目。根据输入的原始数据中的项目号以及曲线特征结合判别。例如误将单测选成双测项目时,若未选择项目或选择了空项目,则该项不通过。
4)检验是否有质控线。根据输入的测试记录和曲线特征结合判别。若测试记录中的“C值”小于某临界值,且曲线特征中未识别到C线的峰,则该项不通过。
5)检验曲线左端非峰区域是否翘起。若出现鼓包或翘起,则该项不通过。
6)检验曲线左一峰与右一峰之间的值是否过高。若波谷过高则该项不通过。
7)检验曲线右端非峰区域是否翘起。若出现鼓包或翘起,则该项不通过。
8)检验曲线右端是否出现骤降。若出现则该项不通过。
9)检验曲线左端是否出现一段低波浪,若出现则该项不通过。
10)检验曲线峰较近距离内是否出现另一个峰或鼓包。一般在某峰距离之内出现另一个峰则该项不通过。
11)检验曲线左端是否出现一段很低的直线,若出现则该项不通过。
12)检验曲线全段非峰区域的底线是否足够低。若底线过高则该项不通过。
判别指标包括但不限于上述项目,可能根据实际情况有所调整。
建立判别矩阵reason,所有值均为1(全通过),则曲线数据为有效数据,否则为无效数据。
步骤S306,若判断结果指示荧光曲线为有效数据,将判断结果、荧光曲线的ID信息、备注信息作为第一标识信息,将第一标识信息与荧光曲线关联保存至数据库。
具体地,上述荧光曲线的数据结构是1*X个荧光点的荧光值。基于荧光免疫层析法的荧光项目中,X一般为350。将判断结果、荧光曲线的ID信息、备注信息与荧光曲线打包为一个整体,保存至数据库。上述备注信息包括但不限于用户与客户沟通的记录。为了防止数据重复、冗杂,新存入数据库中的数据需生成唯一的ID信息,该ID信息包括数据产生的时间、产生数据的仪器序列号、仪器投放地点、测试项目、试剂批次号、阴性阳性结果等。持续将带有判断结果标识的信息保存至数据库,能够使数据库作为机器学习的学习样例,能够持续优化AI识别模型。
步骤S308,若判断结果指示荧光曲线为无效数据,则判断荧光曲线的无效原因,并对无效原因进行归类、分析,得到无效原因归类和规范操作建议;将无效原因、无效原因归类和规范操作建议与荧光曲线关联保存至数据库。
具体地,上述对无效原因的归类与分析是基于数据库和异构检验算法、异构征检验规则而进行的。具体地,无效分析首先是基于N项异构检验的,N项异构检验得到一个1*N的判定矩阵(例如[1,1,0,1,1,1,0,1,0,1,1,1,1])。若矩阵值全为1,则曲线数据为有效,否则为无效。如果判定矩阵不全为1,首先通过判定矩阵的值进行错误归类(错因分析)。判定矩阵的值虽然理论上可以有2N中可能的形态,囊括所有的错误曲线数据,但实际上错误曲线的形态千奇百怪,有一小部分错误曲线数据是难以用异构判定矩阵精准区分的。对于疑难的错误曲线数据,除了直接人工介入之外,我们使用自建数据库进行进一步识别,具体使用的方法包括但不限于:基于曲线数据库的最小平方欧氏距离匹配法、基于卷积神经网络、KNN临近算法、BP神经网络、SVM支持向量机等图像识别算法的曲线数据归类法等。上述数据库的最主要作用是:通过数据的量的优势,帮助提高AI曲线判读识别精度、提高检测结果输出的精度和效率。
步骤S310,获取在指定时间对初步检测结果的人工复检检测结果,若人工复检检测结果指示初步检测结果不正确,将人工复检检测结果作为更新后的初步检测结果。
在具体实现时,上述初步检测结果包括荧光曲线+唯一ID信息+打标信息(标识信息)+备注。本方法可以回溯异常原因,异常信息、异常原因由人工添加在“备注”中。发现结果异常的方法:主要由售后人员、运维人员或用户发现并反馈。
步骤S312,获取在指定时间对判断结果的人工复检判断结果,若人工复检判断结果指示判断结果不正确,将人工复检检测结果作为更新后的判断结果;根据更新后的判断结果确定标识信息,将标识信息与荧光曲线关联保存至数据库。
在具体实现时,通过目前的实验数据,AI的自动有效性判断以及错误分类、无效分类的准确率已经达到了99%以上。知道检测结果不准确的方法主要有两种:①对算法的稳定性和准确度进行进一步测试;②对于新生成的检测数据中判读不准确的个例,主要由运维人员、售后人员或用户发现并反馈。如果发现判断结果有误,就要人工更新标识信息,并将更新后的标识信息保存至数据库中。在人工校正过程中,可开放权限允许操作者人工更改的数据条目为:曲线数据有效性、无效曲线数据类别、备注。上述标识信息的结构为:标识信息=N异构检验判别矩阵+曲线数据有效性;或者标识信息=N异构检验判别矩阵+无效曲线数据类别。ID信息无法人工更改。
步骤S314,若根据预设的规则及数据库无法获取判断结果,则获取人工判断结果。
步骤S316,通过数据库,根据客户需求生成指定形式的报表。
具体地,本发明可以一键自动生成检测结果、定期输出指定形式的报表。上述报表中包括单次检测结果,即单次检测的日期、测试项目、设备序列号、设备投放地点、试剂批次号、C值、T值、有效性判读结果、无效错误归类判读结果、检测目标浓度、阴性阳性、单次检测结果曲线数据的曲线图片等。若为无效曲线数据,根据其错误类型输出相应的规范操作建议。报表可以是根据客户需求定制的日报表、周报表、月报表或其他形式报表。
本实施例通过基于异构特征判别的AI模型、不断完善的数据库、机器学习等方法,提高了对荧光曲线的识别精度和识别效率。机器学习模型的识别精度达到一定程度后,可以极大程度地节省售后服务部门的工作量。该方法通过对荧光曲线专业化、成体系的发掘与整理(有效无效判别、错误类型判别、自建数据库、自动化报告输出)可以极大程度地优化用户体验,提高售后效率,促进实现产业数字化转型,进而反哺业务全流程。
实施例三
本发明实施例还提供一种基于荧光免疫层析法的荧光曲线的检测装置,如图4所示,该装置包括:
数据获取模块41,用于:获取初步检测结果,其中,初步检测结果包括荧光曲线以及荧光曲线的配套信息。
判断模块42,用于:根据预设的规则及数据库,对荧光曲线进行有效性判断,得到判断结果。
数据库完善模块43,用于:根据判断结果确定标识信息,将标识信息与荧光曲线关联保存至数据库;其中,数据库用于训练用于进行荧光曲线有效性判断及标识信息的确定的模型。
数据库完善模块43,还用于:若判断结果指示荧光曲线为有效数据,将判断结果、荧光曲线的ID信息、备注信息作为第一标识信息,将第一标识信息与荧光曲线关联保存至数据库。
上述判断模块42,还用于:若判断结果指示荧光曲线为无效数据,则判断荧光曲线的无效原因,并对无效原因进行归类、分析,得到无效原因归类和规范操作建议;将无效原因、无效原因归类和规范操作建议与荧光曲线关联保存至数据库。
人工检测模块,用于获取在指定时间对初步检测结果的人工复检检测结果,若人工复检检测结果指示初步检测结果不正确,将人工复检检测结果作为更新后的初步检测结果。
人工检测模块,还用于:获取在指定时间对判断结果的人工复检判断结果,若人工复检判断结果指示判断结果不正确,将人工复检检测结果作为更新后的判断结果;根据更新后的判断结果确定标识信息,将标识信息与荧光曲线关联保存至数据库。
人工检测模块,还用于:若根据预设的规则及数据库无法获取判断结果,则获取人工判断结果。
上述判断模块42,还用于:对荧光曲线进行光滑处理以及归一化处理,得到曲线处理结果;通过峰值判别法,对曲线处理结果进行波峰判别,得到曲线波峰;通过异构征检验规则、机器自学习算法,结合数据库,对曲线处理结果和曲线波峰进行有效性检验,得到判断结果。
输出模块,用于:通过数据库,根据客户需求生成指定形式的报表。
本发明实施例提供的基于荧光免疫层析法的荧光曲线的检测装置,与上述实施例提供的基于荧光免疫层析法的荧光曲线的检测方法,具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果,在此不再赘述。
实施例四
本实施例对一种基于自建数据库的基于荧光免疫层析法的荧光检测结果进行分析的方法进行介绍,如图5所示。
一种自建数据库的基于荧光免疫层析法的荧光检测结果进行分析的方法,包括以下步骤:
1)获取检测数据。
2)对数据进行AI自动处理,判别其有效性。若为无效数据,则继续判读其错误类型。
(2.1)对数据进行预处理,处理方式包括但不限于光滑、归一化。
(2.2)使用极大值峰判别法识别曲线波峰。
(2.3)对曲线数据进行基于N项异构征检验算法的免疫曲线有效性检验。
(2.4)若为无效曲线数据,则根据判别矩阵的数值进行错误归类。
3)判读结果作为标识,连检测数据一同上传至数据库。一次检测的数据结果的数据结构为1TEST=荧光曲线数据+唯一ID+打标信息+备注。
(3.1)上述检测数据与其判读标识结果一同上传至数据库。一次检测的数据结果的数据结构为:1TEST=荧光曲线数据+唯一ID+打标信息+备注。上述荧光曲线数据的结构为:1*X个荧光点的荧光值。基于荧光免疫层析法的荧光项目中,X一般为350。
(3.2)对AI判读不准或判错的难例数据进行人工打标更正,并对该条检测数据进行手动打标。打标过程中,可开放权限允许操作者更改的数据条目为:曲线数据有效性、无效曲线数据类别、备注。上述标识信息的结构为:标识=N异构检验判别矩阵+曲线数据有效性+无效曲线数据类别。
(3.3)为了防止数据重复、冗杂,新存入数据库中的数据需生成唯一的ID。ID序列号中需要包含的信息包括但不限于:数据产生的时间、产生数据的仪器序列号、仪器投放地点、测试项目、试剂批次号、阴性阳性结果。
(3.4)上述备注信息包含但不限于:用户与客户沟通的记录等。
4)带有正确判读结果标识的数据入库,作为机器学习的学习样例以优化AI识别模型,不断完善上述流程。
(4.1)数据库中的数据作为机器学习样例集,通过不断增加数据量,提高AI识别精度。
(4.2)除了上述基于异构特征判别的AI模型可以通过机器学习的方法对其进行优化,还可以使用数据库建立其他的机器学习模型,以进一步强化识别效率。
(4.3)机器学习模型的识别精度达到一定程度后,可以极大程度地节省售后服务部门的工作量。
5)自动生成检测结果、定期输出报表。
(5.1)服务器中保留一键输出单次检测结果功能。输出的信息条目有:单次检测的日期、测试项目、设备序列号、设备投放地点、试剂批次号、C值、T值、有效性判读结果、无效错误归类判读结果、检测目标浓度、阴性阳性、单次检测结果曲线数据的曲线图片等。若为无效曲线数据,根据其错误类型输出相应的规范操作建议。
(5.2)服务器中保留一键输出报表功能。报表主要包括:根据客户需求定制设备的定制日、周、月报表或其他形式报表。
本发明实施例提供的基于自建数据库的基于荧光免疫层析法的荧光检测结果进行分析的方法,与上述实施例提供的基于荧光免疫层析法的荧光曲线的检测方法,具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于荧光免疫层析法的荧光曲线的检测方法,其特征在于,所述方法包括:
获取初步检测结果,其中,所述初步检测结果包括荧光曲线以及所述荧光曲线的配套信息;
根据预设的规则及数据库,对所述荧光曲线进行有效性判断,得到判断结果;
根据所述判断结果确定标识信息,将所述标识信息与所述荧光曲线关联保存至所述数据库;
其中,所述数据库用于训练用于进行荧光曲线有效性判断及标识信息的确定的模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述判断结果确定标识信息,将所述标识信息与所述荧光曲线关联保存至所述数据库的步骤,包括:
若所述判断结果指示所述荧光曲线为有效数据,将所述判断结果、所述荧光曲线的ID信息、备注信息作为第一标识信息,将所述第一标识信息与所述荧光曲线关联保存至所述数据库。
3.根据权利要求2所述的方法,其特征在于,所述根据所述判断结果确定标识信息,将所述标识信息与所述荧光曲线关联保存至所述数据库的步骤,还包括:
若所述判断结果指示所述荧光曲线为无效数据,则判断所述荧光曲线的无效原因,并对所述无效原因进行归类、分析,得到无效原因归类和规范操作建议;
将所述无效原因、所述无效原因归类和所述规范操作建议与所述荧光曲线关联保存至所述数据库。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取在指定时间对所述初步检测结果的人工复检检测结果,若所述人工复检检测结果指示所述初步检测结果不正确,将所述人工复检检测结果作为更新后的初步检测结果。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
获取在指定时间对判断结果的人工复检判断结果,若所述人工复检判断结果指示所述判断结果不正确,将所述人工复检检测结果作为更新后的判断结果;
根据所述更新后的判断结果确定所述标识信息,将所述标识信息与所述荧光曲线关联保存至所述数据库。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
若根据所述预设的规则及所述数据库无法获取所述判断结果,则获取人工判断结果。
7.根据权利要求1所述的方法,其特征在于,所述根据预设的规则及数据库,对所述荧光曲线进行有效性判断,得到判断结果的步骤,包括:
对所述荧光曲线进行光滑处理以及归一化处理,得到曲线处理结果;
通过峰值判别法,对所述曲线处理结果进行波峰判别,得到曲线波峰;
通过异构征检验规则、机器自学习算法,结合所述数据库,对所述曲线处理结果和所述曲线波峰进行有效性检验,得到所述判断结果。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:通过所述数据库,根据客户需求生成指定形式的报表。
9.一种基于荧光免疫层析法的荧光曲线的检测装置,其特征在于,所述装置包括:
数据获取模块,用于:获取初步检测结果,其中,所述初步检测结果包括荧光曲线以及所述荧光曲线的配套信息;
判断模块,用于:根据预设的规则及数据库,对所述荧光曲线进行有效性判断,得到判断结果;
数据库完善模块,用于:根据所述判断结果确定标识信息,将所述标识信息与所述荧光曲线关联保存至所述数据库;
其中,所述数据库用于训练用于进行荧光曲线有效性判断及标识信息的确定的模型。
10.根据权利要求9所述的装置,其特征在于,所述数据库完善模块,还用于:若所述判断结果指示所述荧光曲线为有效数据,将所述判断结果、所述荧光曲线的ID信息、备注信息作为第一标识信息,将所述第一标识信息与所述荧光曲线关联保存至所述数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110938996.0A CN113658642A (zh) | 2021-08-16 | 2021-08-16 | 基于荧光免疫层析法的荧光曲线的检测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110938996.0A CN113658642A (zh) | 2021-08-16 | 2021-08-16 | 基于荧光免疫层析法的荧光曲线的检测方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113658642A true CN113658642A (zh) | 2021-11-16 |
Family
ID=78491190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110938996.0A Pending CN113658642A (zh) | 2021-08-16 | 2021-08-16 | 基于荧光免疫层析法的荧光曲线的检测方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658642A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035332A (zh) * | 2022-05-24 | 2022-09-09 | 上海弘青石科技有限公司 | 基于图像识别的抗原检测结果认证方法 |
CN116680337A (zh) * | 2023-07-10 | 2023-09-01 | 天津云检医学检验所有限公司 | 一种qPCR检测数据可视化处理方法、系统和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106536750A (zh) * | 2014-08-01 | 2017-03-22 | 深圳华大基因科技有限公司 | 确定容器中核酸是否来源于单个细胞的方法及其装置和用途 |
WO2018198586A1 (ja) * | 2017-04-24 | 2018-11-01 | ソニー株式会社 | 情報処理装置、微粒子分取システム、プログラム及び微粒子分取方法 |
CN109187950A (zh) * | 2018-09-29 | 2019-01-11 | 上海艾瑞德生物科技有限公司 | 一种自适应的荧光免疫层析定量检测特征提取方法 |
CN111579775A (zh) * | 2020-06-01 | 2020-08-25 | 西安佰奥莱博生物科技有限公司 | 一种目标试纸层析完全的判断方法、装置及存储介质 |
US20200320632A1 (en) * | 2015-12-24 | 2020-10-08 | Jpmorgan Chase Bank, N.A. | Method and system for time series data quality management |
CN112085061A (zh) * | 2020-08-10 | 2020-12-15 | 杭州凯曼健康科技有限公司 | 一种量子点免疫荧光曲线的特征识别方法 |
WO2021110143A1 (zh) * | 2019-12-06 | 2021-06-10 | 珠海圣美生物诊断技术有限公司 | 细胞判读方法及系统 |
-
2021
- 2021-08-16 CN CN202110938996.0A patent/CN113658642A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106536750A (zh) * | 2014-08-01 | 2017-03-22 | 深圳华大基因科技有限公司 | 确定容器中核酸是否来源于单个细胞的方法及其装置和用途 |
US20200320632A1 (en) * | 2015-12-24 | 2020-10-08 | Jpmorgan Chase Bank, N.A. | Method and system for time series data quality management |
WO2018198586A1 (ja) * | 2017-04-24 | 2018-11-01 | ソニー株式会社 | 情報処理装置、微粒子分取システム、プログラム及び微粒子分取方法 |
CN109187950A (zh) * | 2018-09-29 | 2019-01-11 | 上海艾瑞德生物科技有限公司 | 一种自适应的荧光免疫层析定量检测特征提取方法 |
WO2021110143A1 (zh) * | 2019-12-06 | 2021-06-10 | 珠海圣美生物诊断技术有限公司 | 细胞判读方法及系统 |
CN111579775A (zh) * | 2020-06-01 | 2020-08-25 | 西安佰奥莱博生物科技有限公司 | 一种目标试纸层析完全的判断方法、装置及存储介质 |
CN112085061A (zh) * | 2020-08-10 | 2020-12-15 | 杭州凯曼健康科技有限公司 | 一种量子点免疫荧光曲线的特征识别方法 |
Non-Patent Citations (1)
Title |
---|
闭应洲,许桂秋: "数据挖掘与机器学习", 31 January 2020, 浙江科学技术出版社, pages: 17 - 21 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035332A (zh) * | 2022-05-24 | 2022-09-09 | 上海弘青石科技有限公司 | 基于图像识别的抗原检测结果认证方法 |
CN115035332B (zh) * | 2022-05-24 | 2024-05-03 | 上海弘青石科技有限公司 | 基于图像识别的抗原检测结果认证方法 |
CN116680337A (zh) * | 2023-07-10 | 2023-09-01 | 天津云检医学检验所有限公司 | 一种qPCR检测数据可视化处理方法、系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845579B (zh) | 提高产品质量检验正确性的信息化控制方法及控制系统 | |
CN101836114B (zh) | 免疫测定分析方法 | |
CN113658642A (zh) | 基于荧光免疫层析法的荧光曲线的检测方法与装置 | |
CN106846961B (zh) | 电子试卷的处理方法和装置 | |
EP3223019B1 (en) | Method, computer program product, and system for establishing a sample tube set | |
CN108829878A (zh) | 一种工业实验数据异常点检测方法及装置 | |
CN111934906A (zh) | 等级保护的人工智能测评方法、客户端及系统 | |
CN115312183A (zh) | 医学检验报告智能解读方法及系统 | |
JP6791170B2 (ja) | 分析装置、分析方法、および、分析システム | |
CN110689447A (zh) | 一种基于深度学习的社交软件用户发布内容的实时检测方法 | |
CN116449999A (zh) | 包裹安检登记方法、装置、设备和存储介质 | |
CN111680234A (zh) | 具有专利信息发布和搜索功能的系统及其信息发布方法 | |
CN112328951B (zh) | 一种分析样品的实验数据的处理方法 | |
CN112116314B (zh) | 称样数据管理系统 | |
CN107193936A (zh) | 一种用于设置企业特性标签的方法及其系统 | |
JP6971288B2 (ja) | 管の自動ハンドリング | |
US20210116386A1 (en) | Systems and methods for testing a test sample | |
CN112101830B (zh) | 检测hiv抗体的试纸条的制备校准方法、系统和存储介质 | |
CN118225772A (zh) | 一种基于图像信息的水质检测方法及系统 | |
CN113742652A (zh) | 免疫荧光层析曲线的分析方法、装置及电子设备 | |
CN118135039A (zh) | 一种基于图像处理的试纸检测方法及系统 | |
CN117524456A (zh) | 辅助诊断方法及系统 | |
CN118052524A (zh) | 一种全周期电子会计档案管理系统 | |
CN115547459A (zh) | 血液肿瘤检测成像系统 | |
CN114490397A (zh) | 一种基于集成学习的端云协同代码缺陷检测方法及系统 |
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 |