CN113674839A - 无创成像筛查与微创取样核酸分型的联合检测系统 - Google Patents
无创成像筛查与微创取样核酸分型的联合检测系统 Download PDFInfo
- Publication number
- CN113674839A CN113674839A CN202110829210.1A CN202110829210A CN113674839A CN 113674839 A CN113674839 A CN 113674839A CN 202110829210 A CN202110829210 A CN 202110829210A CN 113674839 A CN113674839 A CN 113674839A
- Authority
- CN
- China
- Prior art keywords
- nucleic acid
- minimally invasive
- analysis
- detection
- typing
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6844—Nucleic acid amplification reactions
- C12Q1/6848—Nucleic acid amplification reactions characterised by the means for preventing contamination or increasing the specificity or sensitivity of an amplification reaction
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
- C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q2600/00—Oligonucleotides characterized by their use
- C12Q2600/158—Expression markers
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Organic Chemistry (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Artificial Intelligence (AREA)
- Zoology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Wood Science & Technology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Genetics & Genomics (AREA)
- Immunology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Microbiology (AREA)
- Biotechnology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Biochemistry (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Evolutionary Biology (AREA)
- Radiology & Medical Imaging (AREA)
Abstract
本发明涉及一种无创成像筛查与微创取样核酸分型的联合检测系统,该系统包括无创远心成像健康分析系统和微创取样多通道核酸扩增并行检测系统;无创远心成像健康分析系统,被配置为拍摄受试者局部表面图像,并对拍摄的受试者局部表面图像进行机器学习与聚类分析,获得有图像特征异常变化的受试者;微创取样多通道核酸扩增并行检测系统,被配置为对有图像特征异常变化的受试者进行微创取样,并对微创取样进行医学分子分型指标或生理病理变化指标的检测分析,获得分型指标或生理病理变化指标的特异基因检测结果。本发明结合无创远心成像筛查与微创取样核酸精准分型的检测结果进行人工智能联合分析,相互应征,降低单一方法出现漏检的概率,提高检测鉴定的准确性,并对发病风险情况进行评估或预测预警等。
Description
技术领域
本发明是关于一种无创成像筛查与微创取样核酸分型的联合检测系统,涉及医学分子诊断和中医健康分析技术领域。
背景技术
根据国际癌症研究中心(IARC)估计,2018年全球肺癌新增发病例209.39万,新增死亡病例176.10万,其发病率和死亡率高居各种肿瘤之首。我国是香烟销售大国,肺癌发病率和死亡率与世界其他国家相比,一直较高。研究发现,若是未扩散肿瘤,5年存活率可达56%,但只有16%的患者能在早期被诊断出来;一旦肿瘤发生扩散转移,肺癌患者的5年存活率仅约18.6%,超过一半的患者在诊断后1年内死亡。因此,要控制肺癌、改善愈后,关键在于早诊断、早发现及早治疗。
目前临床常用肺癌诊断方法包括影像学诊断、组织病理学诊断和肿瘤标志物检测。影像学检查主要包括胸部X光照射、计算机断层扫描(CT)扫描、磁共振成像(MRI)扫描和PET/CT扫描等方法,可以发现足够大(2mm及以上)的肿瘤。但是对较早期,尤其是病变较小的肿瘤诊断存在一定局限性,而且影像结果的分析要密切结合其它临床检查资料,例如有创检查进行确诊。病理学检测是肺癌诊断的金标准,可以收集肺分泌物(咳痰)、抽取胸部积水(胸腔穿刺)、对病变部位使用细针穿刺或手术切取(活检)来取得可疑的细胞或组织。痰细胞学检查简便无痛苦,易于被患者接受,但其敏感性高低一直难以定论。纵隔镜或者开胸活检需要在患者全身麻醉下,由外科医生在手术室完成,对患者创伤大。纤支镜检查技术具有创伤小、费用低的特点,其主要缺陷是对癌前病变的发现率低。肿瘤标志物免疫组化检测有助于发现器官的异常情况,目前采用痰、外周血等无创或微创样品检测肺癌特异性分子标志已成为研究热点,但无法直接用于诊断肺癌,需要联合其他检查手段确诊。
中医“望、闻、问、切”的疾病诊断方法已经有2000多年的历史,最早的记载见诸于《黄帝内经》,是中国从医人员数千年医学实践的结晶,因其具有无创特点依然在广泛使用,主要以师傅带徒弟的方式口头相传,缺少统一的技术标准。目前很少将这些中医技术开发成精准化的仪器设备,更谈不上结合人工智能、大数据等先进手段使其具有更强的生命力,同时也没有针对类似肺癌这样的典型疾病实现个性化的无创快捷智能诊断。
发明内容
针对上述问题,本发明的目的是提供一种无创成像筛查与微创取样核酸分型的联合检测系统,能够实现对受试者健康状况的快速成像筛查与特异基因精准医学分子诊断。
为实现上述目的,本发明采取以下技术方案:一种无创成像筛查与微创取样核酸分型的联合检测系统,该系统包括无创远心成像健康分析系统和微创取样多通道核酸扩增并行检测系统;
所述无创远心成像健康分析系统,被配置为拍摄受试者局部表面图像,并对拍摄的受试者局部表面图像进行机器学习与聚类分析,获得有图像特征异常变化的受试者;
所述微创取样多通道核酸扩增并行检测系统,被配置为对有图像特征异常变化的受试者进行微创取样,并对微创取样进行医学分子分型指标或生理病理变化指标的检测分析,获得分型指标或生理病理变化指标的特异基因检测结果。
所述的无创成像筛查与微创取样核酸分型的联合检测系统,进一步地,受试者局部表面图像为受试者身体部位图像,包括眼睛的巩膜、虹膜、眼底、玻璃体、视网膜、面相、舌相、手相和人体皮肤中的一种或多种组合。
所述的无创成像筛查与微创取样核酸分型的联合检测系统,进一步地,所述无创远心成像健康分析系统包括瞳孔聚焦孔径角放大器、聚焦照明光源、侧面照明光源、成像光学镜头、自动调焦控制单元、CCD探测器及信号分析处理单元;
所述瞳孔聚焦孔径角放大器的出射光阑与瞳孔位置重合,被配置为将所述聚焦照明光源发出的光以大视角斜入射汇聚进入瞳孔照亮眼球;
所述侧面照明光源采用从四周斜入射逆光暗场照明方法,通过所述成像光学镜头实现局部表面的宽场成像;
所述自动调焦控制单元用于控制所述成像光学镜头移动,确保所述CCD探测器成像清晰;
所述信号分析处理单元用于对拍摄的受试者图像进行机器学习与聚类分析,获得有图像特征异常变化的受试者。
所述的无创成像筛查与微创取样核酸分型的联合检测系统,进一步地,对拍摄的受试者图像进行机器学习与聚类分析,获得有图像特征异常变化的受试者的过程包括:
进行数据清洗和增强;
对数据清洗和增强的图像进行图像处理或深度卷积神经网络分割感兴趣区域;
通过机器学习和深度卷积神经网络提取感兴趣区域特征;
输入机器学习或深度学习的分类器对感兴趣区域特征进行判断,训练得到大数据驱动检测模型,进行人体生理病理变化异常情况筛查与发病风险预测预警。
所述的无创成像筛查与微创取样核酸分型的联合检测系统,进一步地,拍摄的受试者图像进行机器学习与聚类分析,获得有图像特征异常变化的受试者过程包括:
进行数据清洗和增强;
对清洗和增强的图像通过图像处理或深度卷积神经网络分割感兴趣区域;
通过机器学习算法或/和深度神经网络分析图像感兴趣区域,输出分析结果;
构建由不同群体图像组成的数据库,建立大数据驱动的检测模型进行人体生理病理变化异常情况筛查与发病风险预测预警。
所述的无创成像筛查与微创取样核酸分型的联合检测系统,进一步地,所述微创取样多通道核酸扩增并行检测系统,包括全集成样品制备核酸分析单元、加热温控单元、运动控制单元、光学检测单元和信号处理分析单元;
所述全集成样品制备核酸分析单元用于进行样品的核酸反应,包括预处理区、核酸纯化区、样品分配区、扩增反应区;
所述加热温控单元,用于对预处理区和扩增反应区进行加热控温;
所述运动控制单元,用于对预处理区、样品分配区、扩增反应区进行运动控制;
所述光学检测单元,用于对所述并行反应单元进行实时荧光信号检测;
所述信号处理分析单元,用于对检测的实时荧光信号进行人工智能、深度学习和/或机器学习分析,获得微创取样的分型指标或生理病理变化指标的特异基因检测结果。
所述的无创成像筛查与微创取样核酸分型的联合检测系统,进一步地,所述样品分配区和扩增反应区均包括2个以上并行反应单元,各区之间通过微管道和微阀连接,实现流体在各区之间有序流动和分级隔离;所述微阀用于实现流路通断控制与防止交叉污染;所述预处理区,用于将样品进行破碎,裂解出核酸;所述核酸纯化区,用于将裂解出核酸的混合样品进行纯化,分离出待检测的核酸样品;所述样品分配区,用于将分离纯化的核酸样品与扩增反应试剂混合,并将混合物根据检测指标数量分成多个体积相同的独立区域存储;所述扩增反应区,用于将不同检测指标对应的特异基因分子引物探针,包埋固定在扩增反应区中的并行反应单元底部,并将所述多个体积相同的独立区域存储的混合物,分配到扩增反应区对应的并行反应单元中。
所述的无创成像筛查与微创取样核酸分型的联合检测系统,进一步地,对微创取样进行医学分子分型指标或生理病理变化指标的检测分析,获得分型指标或生理病理变化指标的特异基因检测结果的过程包括:
进行数据预处理;
将预处理后的数据通过深度学习或机器学习模型进行指标优选和特征提取;
通过深度学习或机器学习分类器输出分析结果;
训练得到大数据驱动的检测模型,获得分型指标或生理病理变化指标的特异基因检测。
所述的无创成像筛查与微创取样核酸分型的联合检测系统,进一步地,精准分型指标或生理病理变化指标的特异基因,包括但不限于CEA,CYFRA21-1,SCCA,NSE,ProGRP,CA125,EGFR,IDH1,TTF-1,SYN和CD56中的一种或多种;其中:
所述的无创成像筛查与微创取样核酸分型的联合检测系统,进一步地,还包括通讯接口、移动终端和/或云端服务器,特异基因检测结果通过所述通讯接口,以有线或无线方式发送到移动终端和/或云端服务器。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明提供的无创成像筛查与微创取样核酸分型的联合检测系统,能够实现对受试者健康状况的快速成像筛查与特异基因精准医学分子诊断,满足人体健康预测预警和重大疾病精准诊断的需要;
2、与传统的中医“望、闻、问、切”的疾病诊断方法相比,本发明将中医技术开发成精准化的仪器设备,形成统一的技术标准,并结合了人工智能、大数据等先进手段,具有更强的生命力,同时包含类似肺癌这样的典型疾病,可以实现个性化的无创快捷智能诊断;
3、与传统的样品处理方法相比,本发明将微创取样一次开盖放入,全程密封进行组织、细胞或其它洗脱分离沾附样品的高效裂解、提纯、原位转移的安全处理,有效避免后续操作人员被感染、全程交叉污染等严重问题;
4、本发明的预处理区采用周围挤压柔性保存管进行高效原位转移洗脱液,可以有效减少洗脱液用量,提高沾附样品回收后续使用的初始浓度;同时,后续各级之间采用离心转移液体方式,有效减少死体积,实现痕量样品的多指标联合检测精准诊断;
5、与常规的试管、孔板等载体(通常需要25μL/指标)检测相比较,本发明的分样扩增区采用微管道、微腔体结构,不仅大幅度降低了样品试剂的使用消耗量(可以<1μL/指标),可以一次进样并行检测几十甚至上百种特异基因分析指标,大幅度降低了手工操作步骤和劳动强度,同时可以避免人工操作出错的问题,使微创取样或拭子采样检测更加安全、鲁棒、高效;
6、本发明兼容有线/无线通讯传输接口,可以直接在计算机、手机或其它终端进行显示,还可以直接自动将检测异常结果发送到云端服务器或国家医疗卫生监控网络平台等,以便对全国或各个地区重大疾病的发病风险情况进行评估或预测预警等,满足全国或各个地区的人体健康监护以及卫生防疫的疫情直报实际应用需要;
7、本发明设置的信号分析处理单元,包含有多种精准医学分子分型指标和生理病理变化指标的图像特征分析与特异基因检测的大数据先验知识库,可以将无创成像筛查与微创取样核酸分型的检测结果进行人工智能联合分析,相互应征,降低单一方法出现漏检的概率,提高检测鉴定的准确性。
综上,本发明可以广泛应用于生物医学分子诊断和中医健康分析中。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。在整个附图中,用相同的附图标记表示相同的部件。在附图中:
图1为本发明实施例的联合检测系统的结构示意图;
图2为本发明实施例的无创成像筛查系统的结构示意图;
图3为本发明实施例的微创取样核酸分型系统的结构示意图;
图4为本发明实施例的图像分割与特征提取的算法模型结构示意图;
图5为本发明实施例的肺癌分型指标的灵敏度实验结果举例示意图;
图6为本发明实施例的肺癌分型指标的特异性实验结果举例示意图;
图7为本发明实施例的肺癌眼象无创成像筛查效果示意图;
图8为本发明实施例的肺癌微创取样核酸分型效果示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
应理解的是,文中使用的术语仅出于描述特定示例实施方式的目的,而无意于进行限制。除非上下文另外明确地指出,否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的,并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在,但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行,除非明确指出执行顺序。还应当理解,可以使用另外或者替代的步骤。
为了便于描述,可以在文中使用空间相对关系术语来描述如图中示出的一个元件或者特征相对于另一元件或者特征的关系,这些相对关系术语例如为“内部”、“外部”、“内侧”、“外侧”、“下面”、“上面”等。这种空间相对关系术语意于包括除图中描绘的方位之外的在使用或者操作中装置的不同方位。
在肺癌早期病变中,常常伴随出现一些相关细胞、基因水平的变化,也会在中医的“望、闻、问、切”中出现一些特殊症状,目前还没有很好的技术手段来获取这些特殊症状与微观的细胞及基因水平变化的对应关系。因此,非常有必要发展中医的“望、闻、问、切”与西医的影像、细胞/基因水平的体外诊断等相结合的联合技术,并进一步结合AI与大数据分析,使中西医检测结果可以相互应征,更好地实现对肺癌的早期诊断,尤其适合对肺癌的高危人群筛查与精准诊断。
实施例一
如图1所示,本实施例提供的无创成像筛查与微创取样核酸分型的联合检测系统,包括无创远心成像筛查No-Invasive Imaging、微创取样核酸精准分型检测MinimalInvasive Typing、人工智能与大数据分析AI-Bigdata Analysis、交互显示终端Handset和云端医疗资源网络服务器MEDNET。
本实施例提供的无创成像筛查与微创取样核酸分型的联合检测系统,包括无创远心成像健康分析系统和微创取样多通道核酸扩增并行检测系统。
无创远心成像健康分析系统,被配置为拍摄受试者的眼象、面相、舌相、手相和人体其它局部表面的图像,并对拍摄的受试者图像进行机器学习与聚类分析,获得有图像特征异常变化的受试者;
微创取样多通道核酸扩增并行检测系统,被配置为对有图像特征异常变化的受试者进行微创取样,包括采用器官镜或穿刺等方法获取米粒大小(单边尺寸2-3mm)的活检组织样本或采用拭子、凿子等从病变处摩擦刮取一些表皮或碎屑样本,并对微创取样进行医学分子分型指标或多种生理病理变化指标的特异基因检测与聚类分析,获得精准分型指标或多种生理病理变化指标的特异基因检测结果。
本发明一些优选实施例中,如图2所示,本实施例的无创远心成像健康分析系统包括瞳孔聚焦孔径角放大器KC、聚焦照明光源S1、四方位或环行照明光源S2、成像光学镜头LEN、自动调焦控制单元KZ、CCD探测器DE、信号分析处理单元PR、通讯接口TX、显示终端Handset和云端大数据服务器MEDNET。
瞳孔聚焦孔径角放大器KC的出射光阑与眼睛EYE的瞳孔位置重合,通过折射或反射方式,将聚焦照明光源S1发出的光以120度以上大视角,斜入射汇聚进入瞳孔照亮眼球。
四方位或环行照明光源S2采用从四周斜入射逆光暗场照明方法,通过成像光学镜头LEN实现巩膜、虹膜或面相、舌相、手相和人体其它局部表面等的无影大景深范围的宽场成像,其中,光学镜头LEN的成像方式包括但不限于远心成像、变焦成像、变倍成像或共焦扫描成像等。
自动调焦控制单元KZ用于控制成像光学镜头LEN前后移动,确保CCD探测器DE成像清晰,并通过信号分析处理单元PR进行采集图像的存储、分析处理与结果显示等,还可以通过通讯接口TX将采集图像、分析处理结果等通过有线或无线方式,发送到移动终端Handset和/或云端服务器MEDNET等。
综上所述,本实施例通过采用聚焦照明光源S1和瞳孔聚焦孔径角放大器KC相结合方法,进行瞳孔聚焦大视角入射散光暗场照明,并结合成像光学镜头LEN进行成像,扩大成像景深范围,实现对眼底、玻璃体、视网膜等的120度以上大立体角、宽景深范围的清晰成像。
本发明一些优选实施例中,本实施例的无创远心成像健康分析系统采用拍摄眼睛的巩膜、虹膜、眼底、玻璃体、视网膜等的图像或面相、舌相、手相和人体其它局部表面等的图像中的一种或多种组合方式。其中,对拍摄的受试者图像进行机器学习与聚类分析,获得有图像特征异常变化的受试者的过程包括:
S1、进行数据清洗和增强
具体地,数据清洗和增强包括:首先使用快速傅立叶变换清除模糊数据;然后对图像进行包括直方图归一化和零均值中心化的归一化处理;随后使用高斯模糊处理和图像混合增强来增强图像的特征。
S2、改进U-net模型分割感兴趣区域,具体为:
S21、在U-net模型中引入注意力机制,注意力机制可帮助网络抵抗噪声的干扰,提取到更有利于区分的特征,从而提升模型的分割性能;采用“何氏初始化”(HeInitialization)方法初始化网络的权重,此方法适用于ReLU激活函数的初始化方式,能够防止深层网络输出消失或爆炸的情况;在卷积层和上采样卷积层进行批标准化处理(BatchNormalization),网络运算的每一步中都对数据进行标准化处理,减轻输入数据的分布对网络影响,同时加快网络的运行速度。
S22、设计改进后U-net模型,具体结构为:
改进后网络结构是一个“U型”,包含一条收缩路径和一条扩张路径,在收缩路径和扩张路径的交汇处引入了注意力模块CBAM。收缩路径相当于一个编码器,包含多个卷积单元。每一个卷积单元中包含依次相连的卷积核为3×3的卷积层、批标准化层和ReLU激活函数。两个卷积单元是一个步长为2的2×2最大池化层,实现特征的下采样,这样的结构组成了一个卷积模块;四个堆叠的卷积模块构成了收缩路径,每一个卷积模块中卷积层的深度是一致的,但不同卷积模块的卷积层深度不一样;随着网络深度的增加,卷积块的通道数也增加;网络的输入通道数为3,通道数随后依次增加为64、128、256、512;同时,卷积层输出的特征图的尺寸越来越小,最终为H×W×512。
注意力模块CBAM分为通道注意力和模块空间注意力模块,输入的特征被分解为空间特征和通道特征;特征首先进入通道注意力模块,通道注意力模块包括全局平均池化层和最大池化层,随后是一个隐藏层神经元个数为64、激活函数是ReLU函数、输出层神经元的个数为512的多层感知机,然后是计算单元将感知机的输出进行元素层面的算数相加,经过Sigmoid函数,根据sigmoid函数的输出获取原输入特征的注意力权重,再根据该权重对原输入特征进行缩放,得到通道注意力特征;随后是空间注意力模块,特征在该模块中通道上进行平均池化和最大池化处理,然后将输出的两个特征拼接,再经过一个卷积核为7×7的卷积层,采用Sigmoid函数作为激活函数,获取空间注意力权重,最后根据权重对输入特征进行缩放,即得到经过注意力模块的最终特征。
扩张路径包括多个上采样卷积模块,每个上采样卷积模块包括三层上采样卷积层和一层汇聚层,上采样卷积模块的卷积核大小以及通道数、步长均与收缩路径相对应的卷积模块相一致;在上采样卷积模块中,来自收缩路径的高分辨率信息和来自扩张路径上采样卷积单元的低分辨率信息通过跨越连接相汇聚,实现分割区域的精准定位;最后在扩张路径的输出连接了一层卷积核为1×1、步长为1的卷积层,并采用sigmoid函数作为激活函数。
S23、通过改进的U-net模型分割感兴趣区域的具体过程是:
图像输入后,首先进入S22所述的收缩路径,经过上述多个卷积单元,实现特征的下采样,逐步压缩特征的尺寸和通道数,最终得到大小为H×W×512的特征;
然后特征输入S22所述的CBAM模块,得到通道注意力特征和空间注意力特征;最后注意力特征输入S22所述的扩张路径,经过上述多个上采样卷积模块,逐渐恢复特征图的尺寸和通道数,最终输出与输入图像尺寸相同的巩膜分割图。改进的U-net网络结构及图像分割结果如图4(a)所示。
S3、通过改进的Resnet模型提取感兴趣区域的深度特征
具体地,深度特征提取网络模型包括三个部分:残差网络模块、注意力模块和多层感知机模块。
残差网络模块:残差网络模块由多个残差学习单元组成。每一个学习单元有两个大小为3×3、输出通道数相同的卷积层,第一个卷积层的步长为2,第二个卷积层的步长为1。每一层卷积层后使用ReLU函数作为激活函数。步长为2的卷积层实现特征降采样,使特征输入大小变为原来的1/2(H×W→H/2×W/2)。
注意力模块:采用的是CBAM,从通道和空间两个维度突出特征中的重要信息,使网络能分别从通道和空间中的内容和位置两个维度学习重要信息,提升特征呈现的能力。
多层感知机模块:该模块由全连接层组成。输入为经过平均层后的特征大小为1×512,第一层隐藏层有512个神经元,激活函数是ReLU。第二层隐藏层有128个神经元,激活函数是ReLU函数。最后的输出层有两个神经元,激活函数是Sigmoid函数。
如图4(b)所示,网络的输入是维度为3×512×512大小的巩膜图像。“3”代表RGB三个颜色通道,“512×512”是图片的像素大小。网络的第一层是卷积核大小为7×7,步长为2,输出通道数为64的卷积层。卷积层后激活函数采用ReLU函数,随后经过卷积核3×3,步长为2的最大池化层。网络随后依次连接四个残差网络模块,四个残差网络模块中两个卷积层的通道数分别为64、128、256、512,依次实现特征升维的目的。
需要注意的是,由于已经通过步长为2的最大池化层,所以残差网络模块的第一个卷积层的步长为1。经过CBAM后通过平均池化层,输出的特征大小被调整为1×512。在训练过程中,这部分输出的特征将进入多层感知机模块,训练网络的输出是1×2的向量,根据数据集中的y标签对网络进行训练和优化。在训练结束后,去除多层感知机模块,将平均池化层的输出作为模型提取到的深度特征。
S4、输入多示例学习(MIL)分类器进行判断,如图4(c)所示多示例学习分类器(MIL)的结构为:
图中①部分为特征输入模块,利用S3的特征提取方法,提取数据集中每一张巩膜图像的低维深度特征,此处也称为示例特征。每一个样本中包含八张巩膜图像,因此对应八个相应的低维深度特征,将此打包为一个包,输入注意力层中。
图中②部分为将多个示例特征融合的对称函数p,将八个独立的示例特征组合成一个包特征。在②中,示例特征进入三层注意力层获取注意力权重,随后权重为示例特征的恒等映射赋值,同时实现特征嵌入。
图中③部分为一个多层感知机,第一层隐藏层的激活函数为Leaky ReLU;第二层隐藏层后链接第三层Dropout层,在Dropout层丢弃一定比例的神经元从而防止模型过拟合;最后经过Sigmoid函数后输出“0/1”标签实现分类:例如,“0”可以代表该样本所对应的受试者没有患病,“1”可以代表该样本所对应的受试者为患病。
S5、通过训练获得大数据驱动的检测模型,实现人体生理病理变化异常情况筛查与发病风险预测预警,即构成可用于人体生理病理变化异常情况筛查与发病风险预测预警的检测模型。
本发明一些优选实施例中,无创远心成像筛查也可以采用非图像特征提取方式,例如基于巩膜图像进行是否为肺癌的判定,如图7所示,首先进行数据预处理和感兴趣区域分割,然后通过多示例学习(MIL)分类器直接分析并输出分析结果;类似地,同样可以构建由不同群体图像组成的数据库,建立大数据驱动的检测模型进行人体生理病理变化异常情况筛查与发病风险预测预警。
具体地,巩膜图像预处理与感兴趣区域的分割为:将采集的巩膜图像进行预处理后输入分类模型,在每幅图像上用边界框标注巩膜区域,然后裁剪并调整大小,形成一幅大小为512×384的单独图像,对于每名患者,可以采用5幅巩膜图像捕捉左眼,其他图像捕捉右眼。为了简化模型的学习,将右眼的5幅图像水平翻转。
多实例学习模型为:对于每一个病人,在不同的图像中显示了双眼的不同区域,通过多实例学习(MIL)可以实现基于每个病人所有巩膜图像的分析;将预处理后的巩膜图像输入多实例学习(MIL)模型,该模型由Renet-18作为内核;如图7所示,对于患者的所有图像都被馈入ReNET-18,特征向量的序列由RESNET-18提取;为了利用来自每个患者的所有图像的信息,计算融合特征向量,它从每个特征向量中收集有用的信息作为可靠的代表。融合特征向量使用平均池从特征向量聚合,最后将融合后的特征向量融合后送入多层感知器(MLP)中,得到预测分数。联合使用上述模型,在大数据的驱动下,即构成可用于人体生理病理变化异常情况筛查与发病风险预测预警的检测模型。
本发明一些优选实施例中,如图3所示,微创取样多通道核酸扩增并行检测系统包括全集成样品制备核酸分析单元UTAS、加热温控单元WK、运动控制单元MK、光学检测单元OD、信号分析处理单元PR、通讯接口TX、移动终端Handset、云端服务器MEDNET。
全集成样品制备核酸分析单元UTAS包括预处理区YC、核酸纯化区TC、样品分配区FP及扩增反应区DC。
预处理区YC包括柔性保存管,柔性保存管的顶部开设有进样口,预处理区采用周围挤压柔性保存管的原位转移高效洗脱液,可以有效减少洗脱液用量,提高沾附样品回收后续使用的初始浓度,后续各级之间采用离心转移液体方式,有效减少死体积,实现痕量样品的多指标联合检测精准诊断。
样品分配区FP和扩增反应区DC均包括2个以上容积相同、相互独立的并行反应单元A1∽A3、U1∽U3、C1∽C3等,各区之间通过微管道及微阀连接,实现流体在各区之间有序流动和分级隔离;优选地,微阀采用但不限于液态金属加热或光照或注水等膨胀方式LH、记忆合金加热或加电伸缩或机械挤压YH、虹吸CH等方式中的一种或几种联用,实现流路通断控制与防止交叉污染。
一些实现中,加热温控单元WK可以采用加热膜、加热棒、半导体加热、激光照射、红外辐射或化学发热等方式中的一种或几种联用的方式,对预处理区YC和扩增反应区DC进行程序加热控温,例如周期性循环变温、等温或恒温等,满足实验所需的温控条件要求;
另一些实现中,运动控制单元MK可以采用多路电机、舵机或其它运动机构中的一种或多种联用的控制方式,对预处理区YC、样品分配区FP、扩增反应区DC等进行运动控制,满足实验过程中的自动控制需要。
再一些实现中,信号处理分析单元PR,用于对微创取样进行医学分子分型指标或生理病理变化指标的检测分析,获得分型指标或生理病理变化指标的特异基因检测结果,包括:
首先进行数据脱敏、清洗等预处理;
然后通过人工智能、深度学习或传统的机器学习模型进行特异基因指标的优选、特征的提取;
例如对于核酸扩增方法来说,对于每个样本,可以检测若干特异基因核酸片段,每个核酸片段是一个指标,既可以检测这个指标的有无,也可以检测这个指标的绝对数量。以癌症为例,癌症是由于基因突变导致的,也就是核酸某些片段发生了变化,但这些变化有些致病性强,有些致病性不强,优选的过程就是选出那些与想检测的疾病密切相关的指标。特征提取采用传统的SVM等机器学习或者mlp等深度学习方法,在此不做限定。
最后通过人工智能、深度学习或传统的机器学习分类器输出分析结果,并使用该方法训练得到大数据驱动的检测模型,有效提高多种精准医学分子分型联合检测分析结果的准确率。
本发明一些优选实施例中,信号分析处理单元PR中设置有包含多种精准医学分子分型指标和生理病理变化指标的图像特征分析与特异基因检测的大数据先验知识库,可以将无创远心成像筛查与微创取样核酸精准分型的检测结果进行人工智能联合分析,相互应征,降低单一方法出现漏检的概率,提高检测鉴定的准确性。
本发明一些优选实施例中,还包含有线/无线通讯功能,可以将分析结果进行本地或远端的光声显示或传输给相关人员的手机进行短信显示,以及传输到国家人体健康监控网络平台等,以便对全国或各个地区的发病风险情况进行评估或预测预警等。
实施例二
微创取样核酸精准分型使用微创取样多通道核酸扩增并行检测系统,采用气管镜或穿刺等方法获取米粒大小(单边尺寸2-3mm)的活检组织样本或从病变处刮取一些表皮或碎屑样本,然后将微创取样的样本直接放入一全集成样品制备核酸分析单元中,通过一系列自动化的生化反应处理后,最终获得精准医学分子分型指标或多种生理病理变化指标的并行检测分析结果,具体过程包括:
S1、将微创取样的原始样品Tissue从进样口直接加入全集成样品制备核酸分析单元UTAS;
S2、在预处理区YC,采用机械、超声、加热或化学试剂等方法中的一种或几种联合方式对柔性保存管中原始样品进行破碎,裂解出核酸;
S3、在核酸纯化区TC,将裂解出核酸的混合样品采用离心取上清、滤膜滤纸捕获洗脱或介电电泳分离等方法中的一种进行纯化,分离出待检测的核酸样品;
S4、在样品分配区FP,将分离纯化的核酸样品与扩增反应试剂混合,根据分子分型检测或生理病理变化特异检测的指标或种类的数量n,每个指标需要重复的次数m,以及阳性、阴性质量控制参照等,均匀分配成n×m+2个单元,如A1∽A3、U1∽U3等;
S5、在扩增反应区DC,先将上述多种分子分型指标或生理病理变化特异检测指标、阳性与阴性质量控制参照等对应的特异基因分子引物探针,包埋固定在扩增反应区中容积相同、相互独立的并行反应单元底部,如C1∽C3等;然后通过离心、正或负气压或挤压等方式,将样品分配区FP的分离纯化核酸样品与扩增反应试剂混合物,均匀分配到扩增反应区中容积相同、相互独立的并行反应单元中,如C1∽C3等;
S6、根据核酸扩增的温控条件要求,由加热温控单元WK,对扩增反应区DC中容积相同、相互独立的并行反应单元C1∽C3等进行加热和程序控温;光学检测单元OD对并行反应单元C1∽C3进行实时荧光信号检测;最终由信号分析处理单元PR对实时荧光信号进行人工智能分析与结果显示,完成对微创取样Tissue进行精准医学分子分型指标或多种生理病理变化指标的特异基因检测与人工智能分析,获得精准分型指标或多种生理病理变化指标的特异基因检测鉴定结果;当然,还可通过通讯接口TX将采集图像、分析处理结果等通过有线或无线方式,发送到移动终端Handset、云端服务器MEDNET等。
本发明一些优选实施例中,精准分型指标或多种生理病理变化指标的特异基因检测,只需一次加入米粒大小活检组织样本或其它微量原始样本,就可以同时并行进行2种以上、最多达到100种的分子分型指标或生理病理变化指标的特异基因检测,每个检测指标的样品试剂消耗可以根据需要从几十微升降低到100纳升。
本发明一些优选实施例中,精准分型指标或生理病理变化指标的特异基因,包括但不限于肺癌的CEA,CYFRA21-1,SCCA,NSE,ProGRP,CA125,EGFR,IDH1,TTF-1,SYN andCD56中的部分或全部,对应引物设计一组实施例如下:
以上所有指标的灵敏度可到1.0×102copies/μL以下,部分指标如ProGRP和NSE可达到1.0×101copies/μL以下。下面以ProGRP为例给出灵敏度验证实验结果,如图5所示,从左到右分别代表不同的模板浓度:1.0×106,1.0×105,1.0×104,1.0×103,1.0×102和1.0×101copies/μL,基线为阴性对照。对上面11个指标进行样品交叉特异性测试验证,实验结果如图6所示,从图6中可以看出,这11个指标在不同组织学分型[良性(Benign)、非小细胞肺癌(NSCLC-non-small cell lung cancer)(包括腺癌LUAD-lung adenocarcinoma和鳞癌LUSC-lung squamous cell carcinoma)、小细胞肺癌(SCLC-small cell lung cancer)、转移性肺癌和原发性肺癌(包括NSCLC和SCLC)]中的表达存在显著的特异性差异。
本发明一些优选实施例中,本发明的无创远心成像健康分析系统和微创取样多通道核酸扩增并行检测系统联合使用,如图7、图8所示。如图7所示为肺癌的眼象健康分析一组实验结果举例,在图7中,A部分展示了每个受试者的巩膜图像;B~E部分展示了95%CI的平均ROC曲线和不同巩膜图像输入策略的最佳点,包括单独的眼睛,只有中心方向的两个图像,除中心方向外的所有图像,不同线形代表不同的输入策略;F部分展示了不同巩膜图像分析策略的比较结果,包括双眼分开,仅两个中心方向的图像,除中心方向外的所有图像,其中±指95%置信区间。如图8所示为肺癌的微创取样多通道核酸扩增并行检测精准分型一组实验结果举例,在图8中展示了95名受试者(包括20名肺良性病变患者和75名肺恶性病变患者)的实验结果。在图8A中,CYFRA21-1在肺鳞癌(LUSC)中的表达高于肺良性病变(Benign),肺腺癌(LUAD)和小细胞肺癌(SCLC)。在图8B中,EGFR的表达与转移有关,它在肺转移癌(Metastatic)中的表达高于在肺良性病变(Benign)和原发性肺癌(Primary)中的表达。在图8C中,CD56在小细胞肺癌(SCLC)中的表达高于在肺良性病变(Benign),肺腺癌(LUAD)和肺鳞癌(LUSC)中的表达。在图8D中,IDH1在小细胞肺癌(SCLC)中的表达高于在肺良性病变(Benign)和非小细胞肺癌(NSCLC)中的表达。
在确定了每个生物标志物所能区分的亚型后,所有95个临床样本依次根据11个生物标志物的临界值进行二元分类。简言之,对于每个生物标记物,高mRNA表达样本被视为特定亚型,低mRNA表达样本被视为其他亚型。图8E显示了11种生物标志物的详细分类性能,评价指标包括敏感性和特异性。CYFRA21-1和SCCA可联合测定LUSC。EGFR能有效鉴别转移性肺癌,具有较高的敏感性和特异性。对于SCLC,CEA和ProGRP的表现比其他5个标志物更好的特异性。但一般来说,基于单个生物标志物的统计分析不能明确区分不同的亚型。
为了综合考虑多种生物标志物,评估了机器学习分类模型在识别肺癌不同亚型方面的性能,该模型在五个二分类设置下进行:良性和恶性,腺癌和非腺癌,鳞癌和非鳞癌,小细胞肺癌和非小细胞肺癌,肺转移和非肺转移。通过总结不同阈值水平下的敏感性和特异性,绘制受试者操作特征(ROC)曲线,并计算AUC(ROC曲线下的面积)。五种二分类模型的性能如图8F-K所示。测试集为10个重复的三重交叉验证程序,即为每个分类任务产生了30个独立的实验,结果是所有测试集的平均值。ROC曲线和95%置信区间如图8F-J所示,其中最佳点是到ROC曲线图左上角点距离最短的阈值点。此外,最佳点的敏感性、特异性和AUC得分如图8K所示,分别给出了平均值和95%置信区间。总的来说,良性病变和小细胞肺癌比较容易鉴别,而腺癌、鳞癌和肺转移的敏感性和特异性稍低。但是,所有二分类的AUC分数都达到了0.9或更高。结果表明,使用mRNA生物标记物对肺癌进行微创和快速诊断是有效的。此外,我们在图8L中提供了特征选择模块的最终结果。虽然一些生物标志物对特定的二元分类没有显著意义,但多个生物标志物的组合相比单一的生物标志物,对肺癌的分类效果具有明显且有意义的改进。
最后应说明的是,以上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精神和范围。
序列表
<110> 清华大学
<120> 无创成像筛查与微创取样核酸分型的联合检测系统
<160> 66
<170> SIPOSequenceListing 1.0
<210> 1
<211> 16
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 1
caccactgcc actcac 16
<210> 2
<211> 17
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 2
tctcgaccac tatgcgg 17
<210> 3
<211> 44
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 3
ctggggcaga ttgtgaaggt gtgtgaatcc acgccgttca atgt 44
<210> 4
<211> 44
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 4
aagagtggat ggcaaccagt gtgtctgggg tagcttgttg agtt 44
<210> 5
<211> 13
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 5
acctcctccc tct 13
<210> 6
<211> 16
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 6
ttataggatg taatag 16
<210> 7
<211> 17
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 7
agtgacatgc agccaat 17
<210> 8
<211> 18
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 8
gctttcatgc agctgtga 18
<210> 9
<211> 44
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 9
agcgacctcc cggtattctg tgtgtcgagc agaaccggaa ggat 44
<210> 10
<211> 44
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 10
cacacggagc agctccagat gagtgtgtgc tcaatctcaa gacc 44
<210> 11
<211> 18
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 11
gctggtgaac ggcttcag 18
<210> 12
<211> 17
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 12
aggttactga cgcggcg 17
<210> 13
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 13
tcaagaaatt tccagaccag 20
<210> 14
<211> 16
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 14
ttattctccc tgccct 16
<210> 15
<211> 50
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 15
ttgactttcc accgagttaa tctgtgtgtc tactgatttt gcaaatgctc 50
<210> 16
<211> 48
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 16
aacctatttc ctgatgggac tattgtgtga tagattgcgt tcacaaga 48
<210> 17
<211> 16
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 17
tctttcgact tttctg 16
<210> 18
<211> 16
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 18
gcaatgatga cactgg 16
<210> 19
<211> 17
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 19
tctctggctg tgtaagg 17
<210> 20
<211> 17
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 20
agacctctgc acagtcg 17
<210> 21
<211> 41
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 21
cacgttgaag gccgcagtgt gtggaactgc ccctgtatcg c 41
<210> 22
<211> 42
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 22
tggctctcat gctggcaaca agtgtgtggc atcccgaaag ct 42
<210> 23
<211> 18
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 23
aggatgaggt cgttcccg 18
<210> 24
<211> 19
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 24
tgcaggagtt catcctccc 19
<210> 25
<211> 17
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 25
gctgaccaat gtacccg 17
<210> 26
<211> 16
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 26
acgaagtgct gattgc 16
<210> 27
<211> 41
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 27
ctcagctgct gctgctctgt gtgtggggca cttaatgggg a 41
<210> 28
<211> 43
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 28
acatcaggtg ggaagagctg tgtgggctgg tggtttctgt tct 43
<210> 29
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 29
gaaacagaag aactcccctg 20
<210> 30
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 30
gctgggtctc agaagcaaag 20
<210> 31
<211> 18
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 31
tctggtgaca cacagatg 18
<210> 32
<211> 16
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 32
atgtccagac cgaagt 16
<210> 33
<211> 44
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 33
ggccggtctc tcatggatgg tgtgtgcaca acaagcccag agtc 44
<210> 34
<211> 43
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 34
gacaccacac agaagccggt gtgtccctac attggtcact gcg 43
<210> 35
<211> 22
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 35
gctcaaattg aggtgaactg gt 22
<210> 36
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 36
ccatgcatca tcacaaacac 20
<210> 37
<211> 16
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 37
cacgtgcaag cacctg 16
<210> 38
<211> 18
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 38
cccttcgcac ttctcact 18
<210> 39
<211> 44
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 39
ggcaccaaag cttttgccct gtgtgatgct ctacaacccc acca 44
<210> 40
<211> 42
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 40
gtgacaacgg ctcgtgctgt gtggccgtct tcctccatct ca 42
<210> 41
<211> 18
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 41
acatccatct gacgtggt 18
<210> 42
<211> 14
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 42
gcctgtgggc gaca 14
<210> 43
<211> 16
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 43
taggctcaga cgacat 16
<210> 44
<211> 16
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 44
ctttctggta tgcggt 16
<210> 45
<211> 46
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 45
tgcacgtcac catagttttt gtgtgcaagc tatgaaatca gaggga 46
<210> 46
<211> 40
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 46
gatgaccagc gtgctggttt tgtgtgacgg gttacagtcc 40
<210> 47
<211> 17
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 47
tacaggccca gatagcc 17
<210> 48
<211> 18
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 48
acagtagaag caggctgc 18
<210> 49
<211> 16
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 49
agtctgaaac cgaaac 16
<210> 50
<211> 19
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 50
ggttagaatt tctgcactt 19
<210> 51
<211> 47
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 51
aggattttct tggttggaat cctgtgtgca aggctgtcga agaagtg 47
<210> 52
<211> 46
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 52
agttgcctat caattgttcg ggaatgtgtg ccaatttctg gttctt 46
<210> 53
<211> 18
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 53
acctctttta cctgggga 18
<210> 54
<211> 22
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 54
gcatatcttg ggaagtagaa gc 22
<210> 55
<211> 15
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 55
cactacccct tcggt 15
<210> 56
<211> 17
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 56
catcttctcg tgcttca 17
<210> 57
<211> 44
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 57
cacctccaaa ggtgagtcct gtgtggtgac ctccatcccc aact 44
<210> 58
<211> 43
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 58
tcgtctcagg gaccttgctg tgtgaagggc cacaaagagt gtc 43
<210> 59
<211> 17
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 59
gctgcgtgag ttgttgt 17
<210> 60
<211> 19
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 60
gtacgagagg gaacaggag 19
<210> 61
<211> 17
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 61
gtggcaggat gccaaag 17
<210> 62
<211> 18
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 62
ttggcgcatt ctaacatg 18
<210> 63
<211> 44
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 63
tggtgagggt ggaggaggaa tgtgttcccc caatggagaa aagc 44
<210> 64
<211> 42
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 64
catcgacgac gccgttacgt gtgtgttgac ggtggcctct ga 42
<210> 65
<211> 18
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 65
cactgagacg ctgctggt 18
<210> 66
<211> 17
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 66
caggcgagtg gcagtga 17
Claims (10)
1.一种无创成像筛查与微创取样核酸分型的联合检测系统,其特征在于,该系统包括无创远心成像健康分析系统和微创取样多通道核酸扩增并行检测系统;
所述无创远心成像健康分析系统,被配置为拍摄受试者局部表面图像,并对拍摄的受试者局部表面图像进行机器学习与聚类分析,获得有图像特征异常变化的受试者;
所述微创取样多通道核酸扩增并行检测系统,被配置为对有图像特征异常变化的受试者进行微创取样,并对微创取样进行医学分子分型指标或生理病理变化指标的检测分析,获得分型指标或生理病理变化指标的特异基因检测结果。
2.根据权利要求1所述的无创成像筛查与微创取样核酸分型的联合检测系统,其特征在于,受试者局部表面图像为受试者身体部位图像,优选地,受试者身体部位图像包括眼睛的巩膜、虹膜、眼底、玻璃体、视网膜、面相、舌相、手相和人体皮肤中的一种或多种组合。
3.根据权利要求1或2所述的无创成像筛查与微创取样核酸分型的联合检测系统,其特征在于,所述无创远心成像健康分析系统包括瞳孔聚焦孔径角放大器、聚焦照明光源、侧面照明光源、成像光学镜头、自动调焦控制单元、CCD探测器及信号分析处理单元;
所述瞳孔聚焦孔径角放大器的出射光阑与瞳孔位置重合,被配置为将所述聚焦照明光源发出的光以大视角斜入射汇聚进入瞳孔照亮眼球;
所述侧面照明光源采用从四周斜入射逆光暗场照明方法,通过所述成像光学镜头实现局部表面的宽场成像;
所述自动调焦控制单元用于控制所述成像光学镜头移动,确保所述CCD探测器成像清晰;
所述信号分析处理单元用于对拍摄的受试者图像进行机器学习与聚类分析,获得有图像特征异常变化的受试者。
4.根据权利要求3所述的无创成像筛查与微创取样核酸分型的联合检测系统,其特征在于,对拍摄的受试者图像进行机器学习与聚类分析,获得有图像特征异常变化的受试者的过程包括:
进行数据清洗和增强;
对数据清洗和增强的图像进行图像处理或深度卷积神经网络分割感兴趣区域;
通过机器学习和深度卷积神经网络提取感兴趣区域特征;
输入机器学习或深度学习的分类器对感兴趣区域特征进行判断,训练得到大数据驱动检测模型,进行人体生理病理变化异常情况筛查与发病风险预测预警。
5.根据权利要求3所述的无创成像筛查与微创取样核酸分型的联合检测系统,其特征在于,拍摄的受试者图像进行机器学习与聚类分析,获得有图像特征异常变化的受试者过程包括:
进行数据清洗和增强;
对清洗和增强的图像通过图像处理或深度卷积神经网络分割感兴趣区域;
通过机器学习算法或/和深度神经网络分析图像感兴趣区域,输出分析结果;
构建由不同群体图像组成的数据库,建立大数据驱动的检测模型进行人体生理病理变化异常情况筛查与发病风险预测预警。
6.根据权利要求1~5任一项所述的无创成像筛查与微创取样核酸分型的联合检测系统,其特征在于,所述微创取样多通道核酸扩增并行检测系统,包括全集成样品制备核酸分析单元、加热温控单元、运动控制单元、光学检测单元和信号处理分析单元;
所述全集成样品制备核酸分析单元用于进行样品的核酸反应,包括预处理区、核酸纯化区、样品分配区、扩增反应区;
所述加热温控单元,用于对预处理区和扩增反应区进行加热控温;
所述运动控制单元,用于对预处理区、样品分配区、扩增反应区进行运动控制;
所述光学检测单元,用于对所述并行反应单元进行实时荧光信号检测;
所述信号处理分析单元,用于对检测的实时荧光信号进行人工智能、深度学习和/或机器学习分析,获得微创取样的分型指标或生理病理变化指标的特异基因检测结果。
7.根据权利要求6所述的无创成像筛查与微创取样核酸分型的联合检测系统,其特征在于,所述样品分配区和扩增反应区均包括2个以上并行反应单元,各区之间通过微管道和微阀连接,实现流体在各区之间有序流动和分级隔离;所述微阀实现流路通断控制与防止交叉污染;所述预处理区,用于将样品进行破碎,裂解出核酸;所述核酸纯化区,用于将裂解出核酸的混合样品进行纯化,分离出待检测的核酸样品;所述样品分配区,用于将分离纯化的核酸样品与扩增反应试剂混合,并将混合物根据检测指标数量分成多个体积相同的独立区域存储;所述扩增反应区,用于将不同检测指标对应的特异基因分子引物探针包埋固定在扩增反应区中的并行反应单元底部,并将所述多个体积相同的独立区域存储的混合物,分配到扩增反应区的并行反应单元中。
8.根据权利要求6或7所述的无创成像筛查与微创取样核酸分型的联合检测系统,其特征在于,对微创取样进行医学分子分型指标或生理病理变化指标的检测分析,获得分型指标或生理病理变化指标的特异基因检测结果的过程包括:
进行数据预处理;
将预处理后的数据通过人工智能、深度学习或机器学习模型进行指标优选和特征提取;
通过人工智能、深度学习或机器学习分类器输出分析结果;
训练得到大数据驱动的检测模型,获得分型指标或生理病理变化指标的特异基因检测。
9.根据权利要求7所述的无创成像筛查与微创取样核酸分型的联合检测系统,其精准分型指标或生理病理变化指标的特异基因,包括CEA,CYFRA21-1,SCCA,NSE,ProGRP,CA125,EGFR,IDH1,TTF-1,SYN和CD56中的一种或多种;
CEA如序列1到序列6所示的分子;
CYFRA21-1如序列7到序列12所示的分子;
SCCA如序列13到序列18所示的分子;
NSE如序列19到序列24所示的分子;
ProGRP如序列25到序列30所示的分子;
CA125如序列31到序列36所示的分子;
EGFR如序列37到序列42所示的分子;
IDH1如序列43到序列48所示的分子;
TTF-1如序列49到54所示的分子;
SYN如序列55到序列60所示的分子;
CD56如序列61到序列66所示的分子。
10.根据权利要求1~5任一项所述的无创成像筛查与微创取样核酸分型的联合检测系统,其特征在于,还包括通讯接口、移动终端和/或云端服务器,特异基因检测结果通过所述通讯接口以有线或无线方式发送到移动终端和/或云端服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110829210.1A CN113674839A (zh) | 2021-07-22 | 2021-07-22 | 无创成像筛查与微创取样核酸分型的联合检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110829210.1A CN113674839A (zh) | 2021-07-22 | 2021-07-22 | 无创成像筛查与微创取样核酸分型的联合检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113674839A true CN113674839A (zh) | 2021-11-19 |
Family
ID=78539825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110829210.1A Pending CN113674839A (zh) | 2021-07-22 | 2021-07-22 | 无创成像筛查与微创取样核酸分型的联合检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674839A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677378A (zh) * | 2022-05-31 | 2022-06-28 | 四川省医学科学院·四川省人民医院 | 基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统 |
CN115440314A (zh) * | 2022-09-06 | 2022-12-06 | 湖南艾科瑞生物工程有限公司 | 琼脂糖凝胶的电泳性能检测方法及相关设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109478231A (zh) * | 2016-04-01 | 2019-03-15 | 20/20基因系统股份有限公司 | 帮助区别良性和恶性放射线照相明显肺结节的方法和组合物 |
KR102184277B1 (ko) * | 2020-01-16 | 2020-11-30 | 성균관대학교산학협력단 | 초음파 진단 및 dna 검사 일체형 ai 자가 건강 관리 장치 및 이를 이용한 원격 의료 진단 방법 |
US20200405225A1 (en) * | 2017-06-02 | 2020-12-31 | Veracyte, Inc. | Methods and systems for identifying or monitoring lung disease |
US20210118559A1 (en) * | 2019-10-22 | 2021-04-22 | Tempus Labs, Inc. | Artificial intelligence assisted precision medicine enhancements to standardized laboratory diagnostic testing |
-
2021
- 2021-07-22 CN CN202110829210.1A patent/CN113674839A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109478231A (zh) * | 2016-04-01 | 2019-03-15 | 20/20基因系统股份有限公司 | 帮助区别良性和恶性放射线照相明显肺结节的方法和组合物 |
US20200405225A1 (en) * | 2017-06-02 | 2020-12-31 | Veracyte, Inc. | Methods and systems for identifying or monitoring lung disease |
US20210118559A1 (en) * | 2019-10-22 | 2021-04-22 | Tempus Labs, Inc. | Artificial intelligence assisted precision medicine enhancements to standardized laboratory diagnostic testing |
KR102184277B1 (ko) * | 2020-01-16 | 2020-11-30 | 성균관대학교산학협력단 | 초음파 진단 및 dna 검사 일체형 ai 자가 건강 관리 장치 및 이를 이용한 원격 의료 진단 방법 |
Non-Patent Citations (1)
Title |
---|
宋海贝 等: "中医面诊信息自动识别方法研究进展", 成都中医药大学学报, vol. 41, no. 1, pages 5 - 8 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677378A (zh) * | 2022-05-31 | 2022-06-28 | 四川省医学科学院·四川省人民医院 | 基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统 |
CN114677378B (zh) * | 2022-05-31 | 2022-09-02 | 四川省医学科学院·四川省人民医院 | 基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统 |
CN115440314A (zh) * | 2022-09-06 | 2022-12-06 | 湖南艾科瑞生物工程有限公司 | 琼脂糖凝胶的电泳性能检测方法及相关设备 |
CN115440314B (zh) * | 2022-09-06 | 2023-08-15 | 湖南艾科瑞生物工程有限公司 | 琼脂糖凝胶的电泳性能检测方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670510B (zh) | 一种基于深度学习的胃镜活检病理数据筛查系统 | |
Wang et al. | Using deep convolutional neural networks for multi-classification of thyroid tumor by histopathology: a large-scale pilot study | |
Wei et al. | Automated detection of celiac disease on duodenal biopsy slides: A deep learning approach | |
JP6000345B2 (ja) | スペクトルイメージングによる生体試料の分析方法 | |
US8891850B2 (en) | System and methods for digital evaluation of cellblock preparations | |
CN108388841B (zh) | 基于多特征深度神经网络的宫颈活检区域识别方法及装置 | |
JP5469070B2 (ja) | 生物検体を処理するための複数の波長を用いる方法およびシステム | |
KR20080007447A (ko) | 자동 이미징 프로세스 및 장치 | |
CN102297873A (zh) | 利用软x射线显微成像进行癌细胞图形识别的方法 | |
AU2012318445A1 (en) | Method and system for analyzing biological specimens by spectral imaging | |
CN108257129A (zh) | 基于多模态检测网络的宫颈活检区域辅助识别方法及装置 | |
CN113674839A (zh) | 无创成像筛查与微创取样核酸分型的联合检测系统 | |
CN111312405A (zh) | 一种健康体检胃癌筛查评估及管理系统 | |
WO2012041333A1 (en) | Automated imaging, detection and grading of objects in cytological samples | |
WO2021146705A1 (en) | Non-tumor segmentation to support tumor detection and analysis | |
KR20160012114A (ko) | 스펙트럼 이미지화에 의해 생물학적 시료를 분석하기 위한 방법 및 시스템 | |
CN112802000A (zh) | 多模态医学影像智能辅助诊疗系统 | |
CN112651927A (zh) | 一种基于卷积神经网络与支持向量机的拉曼光谱智能识别方法 | |
US20060084125A1 (en) | Methods, devices, and systems for detection of cancer | |
CN111428066A (zh) | 一种基于卷积神经网络的病变图像的分类和分割方法 | |
Tian et al. | Graded diagnosis of Helicobacter pylori infection using hyperspectral images of gastric juice | |
Krishna et al. | An interpretable decision-support model for breast cancer diagnosis using histopathology images | |
CN115984231A (zh) | 一种基于光学图像的癌症患者标本性质的辨别方法及应用 | |
Koss | The application of PAPNET to diagnostic cytology | |
Kalbhor et al. | DeepCerviCancer-Deep Learning-Based Cervical Image Classification using Colposcopy and Cytology Images |
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 |