CN114218985A - 用于肾移植抗排斥反应类型分类的模型系统及其构建方法 - Google Patents

用于肾移植抗排斥反应类型分类的模型系统及其构建方法 Download PDF

Info

Publication number
CN114218985A
CN114218985A CN202111501478.9A CN202111501478A CN114218985A CN 114218985 A CN114218985 A CN 114218985A CN 202111501478 A CN202111501478 A CN 202111501478A CN 114218985 A CN114218985 A CN 114218985A
Authority
CN
China
Prior art keywords
classification
sample
model
data
classification model
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
CN202111501478.9A
Other languages
English (en)
Inventor
陈辉
邢龙强
郭慧茹
张学典
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202111501478.9A priority Critical patent/CN114218985A/zh
Publication of CN114218985A publication Critical patent/CN114218985A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis

Abstract

本发明公开了一种用于肾移植抗排斥反应类型分类的模型系统及其构建方法，解决了目前对于肾移植抗排斥反应的预测判别存在各种局限的问题，其技术方案要点是包括有样本基底、样本数据集、对样本进行探测获得光谱数据的拉曼光谱仪、建立进行分类预测的分类模型、对分类模型分类结果进行验证的实际样本数据；可通过拉曼光谱仪对样本进行探测获得光谱数据，并通过光谱数据对建立的分类模型进行训练及测试获得收敛的分类模型，通过实际样本数据对获取的分类模型进行验证，进而可通过分类模型进行分类判别，本发明的一种用于肾移植抗排斥反应类型分类的模型系统及其构建方法，能高效、简便的获得分类模型，进而可准确的进行分类判定。

Description

用于肾移植抗排斥反应类型分类的模型系统及其构建方法
技术领域
本发明涉及医疗数据分类技术，特别涉及一种用于肾移植抗排斥反应类型分类的模型系统及其构建方法。
背景技术
肾脏发生终末期病变时，肾脏移植手术是最有效的治疗手段，但是患者的存活受到多种因素的影响，其中最重要的因素就是肾脏移植后会发生抗排斥反应。
目前，对于肾脏移植抗排斥反应的分类判断，还需要依据于病患的器官移植活检以及组织病理学检查，其费用高、且检测属于晚期指标，并且需要进行组织活检，存在很多的局限性，也普遍难以被病患接受。亟需能被患者接受且高效、简便、快捷、准确的技术。
发明内容
本发明的目的是提供一种用于肾移植抗排斥反应类型分类的模型系统及其构建方法，能高效、简便的获得分类模型，并可准确的进行分类判定。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种用于肾移植抗排斥反应类型分类的模型构建方法，包括有以下步骤：
采集并构造所需数据集，通过显微拉曼光谱仪对预设的实验尿液样本及正常尿液样本分别进行探测，记录300-1800cm-1的SERS光谱数据，并进行比例分割为训练集和测试集；
对获取的训练集进行扩充；
建立以LeNet-5为基础的一维卷积神经网络的一维信号分类模型，通过训练集进行训练，并通过测试集进行效果预测，调整模型参数直至模型收敛；
设定分类模型分类判定的概率值，获得最终用于分类预测的分类模型。
一种用于肾移植抗排斥反应类型分类的模型系统，包括有样本基底、用于进行模型训练及测试的样本数据集、对样本进行探测获得光谱数据的拉曼光谱仪、建立进行分类预测的分类模型、对分类模型分类结果进行验证的实际样本数据；
通过拉曼光谱仪对样本进行探测获得光谱数据，并通过光谱数据对建立的分类模型进行训练及测试获得收敛的分类模型，通过实际样本数据对获取的分类模型进行验证。
综上所述，本发明具有以下有益效果：
采用实验尿液样本和正常尿液样本作为数据集，通过基底及拉曼光谱仪的探测获取对应的光谱数据，并训练建立的分类模型，能高效便捷的获取具有高准确率分类的分类模型，收敛后的分类模型进行判别分类，高效且便捷，整体费用低，无需进行病患的组织活检，进而使得使用的时候能更易被患者接受，分类模型更加的高效、便捷、准确。
附图说明
图1为建立的分类模型的网络结构示意图；
图2为本方法的流程示意框图；
图3为正常尿液样本和实验尿液样本的平均拉曼光谱数据图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
根据一个或多个实施例，公开了一种用于肾移植抗排斥反应类型分类的模型系统，包括有样本基底、样本数据集、显微拉曼光谱仪、建立的分类模型、对分类模型进行验证的实际样本数据。
样本基底采用金或银等贵金属纳米颗粒，例如可通过自组装合成法制备银基底，可将检测灵敏度提高了数百万倍，有效地弥补了拉曼信号灵敏度低的弱点，可以获得常规拉曼光谱难以得到的信息。
样本数据集包括有实验尿液样本及正常尿液样本，具体的，实验尿液样本采用肾移植的抗排斥反应患者的尿液样本，正常尿液样本采用正常人的尿液样本。
经过科学家的探索研究，发现体液(血液或尿液)中的小分子代谢物可作为检测肾功能的来源，血肌酐是第一个被发现的反映移植肾功能紊乱的有效指标，但血肌酐浓度的升高只出现在抗排斥反应的晚期阶段，而且不能反映肾组织损伤。相对于血液，尿液更稳定，在分析之前的处理也更加简便，这对于减少样本的可变性非常重要，有助于标志物的发现。尿液流经肾小管上皮细胞，可携带部分脱落细胞和各种蛋白，能够很好地即时反映移植肾的情况。因此尿液可作为筛选反应肾脏生理状态和功能水平的标志物的来源。而且尿液获取具有非侵入性、来源简单，无副作用的特点，更容易被接受。
使用激光入射波长为638nm、物镜为10倍的显微拉曼光谱仪，通过显微拉曼光谱仪对样本数据集进行探测，并记录300～1800cm-1的SERS光谱，并对SERS光谱按照7:3的比例分割为训练集和测试集。表面增强拉曼光谱技术(SERS)是一种能提供超高表面灵敏度指纹信息的振动光谱，在纳米金、银表面具有较大的拉曼截面，因此以金或银等贵金属纳米颗粒作为基底，可将检测灵敏度提高数百万倍，有效地弥补了拉曼信号灵敏度低的弱点，可以获得常规拉曼光谱难以得到的信息。
建立的分类模型为以LeNet-5为基础的一维卷积神经网络的一维信号分类模型，如图1所示，依次包括有输入层InputLayer、两个卷积层conv1d及conv1d_1、一个池化层max_pooling1d、两个卷积层conv1d_2及conv1d_3、一个池化层max_pooling1d_1、两个卷积层conv1d_4及conv1d_5、一个池化层max_pooling1d_2、一个展平层flatten、一个全连接层dense。
通过表面增强拉曼光谱技术可获得样本数据集对应的光谱数据，可通过光谱数据对建立的分类模型进行训练预测，以获得收敛的分类模型，进而可进行后续的实际分类运用。实际样本数据则可对获得的收敛后的分类模型进行验证，以确定分类结果准确性。
根据一个或多个实施例，公开了一种用于肾移植抗排斥反应类型分类的模型建立方法，如图2所示，包括有以下步骤：
采集并构造所需数据集，通过自组装合成法制备获取样本探测的基底，可使用激光入射波长为638nm、物镜为10倍的显微拉曼光谱仪XploRATMPLUS，HORIBA，针对预设的实验尿液样本及正常尿液样本分别进行探测，记录300-1800cm-1的SERS光谱数据，如图3所示为正常人尿样和不同肾移植抗排斥反应患者的平均拉曼光谱数据图。图中，ABCDEFG分别表示不同类型的肾移植抗排斥反应类型，A表示未发生抗排斥反应，即为正常人尿样，B表示发生了ACR和TCMR排斥反应，C表示发生了AMR免疫排斥反应，D表示发生了TCMR细胞介导排斥反应，E表示发生了CNI中毒的排斥反应，F表示发生了DGF器源问题的排斥反应，G表示发生了BKVN病毒的排斥反应。
对光谱数据进行比例分割为训练集和测试集。按照7:3的比例分割为训练集和测试集。具体的，预设的实验尿液样本采用肾移植的抗排斥反应患者的尿液样本。
其中，基底可采用金或银等贵金属纳米颗粒，此处举例采用银基底，具体制备为：取清洗干净的硅片，在上面镀一层银膜，经过退火处理后变成突起的银簇；通过氨基聚乙二醇巯基改性使其表面呈正电性；将改性后的银簇与带负电性的银溶胶混合均匀，二者通过相互作用实现银簇上吸附多个银纳米颗粒，得到高密度、多热点基底。
获得数据集后，对获取的训练集进行扩充。可采用左右随机平移、添加高斯白噪声、乘算和为1随机系数中的一种或多种方法进行扩增，增强数据泛化性能，借此提高一维卷积神经网络的准确率。
为保证后续的分类训练，对光谱数据进行分类标注，按照不同的肾移植抗排斥反应类型，分别对样本进行标注标签，若为正常尿液样本，则标注标签为1，若是实验尿液样本，则按照所采用的实验尿液样本对应的肾移植康排斥反应类型分别标注为2～7。
具体的，SERS光谱数据输入为.csv格式。数据进行标注完成后，使用python的numpy软件包读入数据，同时再使用python的pandas软件包对读入的数据进行操作，即进行数据扩增，采集拉曼偏移从300cm-1到1800cm-1的SERS光谱数据，在-0.6～0.6cm-1之间随机平移，同时向其中添加范围10～40Hz的高斯白噪声，将数据扩充至原来的4倍。
如图1所示，建立以LeNet-5为基础的一维卷积神经网络的一维信号分类模型，通过训练集进行训练，并通过测试集进行效果预测，调整模型参数直至模型收敛。进行训练时，若输入为已标注的SERS光谱数据，则对应分类模型的输出为分类标注标签。
设定分类模型分类判定的概率值，获得最终用于分类预测的分类模型。概率值界限设定为0.95，当输出分类的概率值大于0.95时，则认定为该分类结果对应的抗排斥反应类型。
在获得用于分类预测的分类模型之后，还需进一步进行验证，采用实际手术中患者病理切片的拉曼光谱数据，并输入至该分类模型中，通过分类模型输出分类结果，并将分类模型输出的结果与实际患者的活检结果进行比对，以验证分类模型分类结果的准确性。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (8)

1.一种用于肾移植抗排斥反应类型分类的模型构建方法，其特征是，包括有以下步骤：
采集并构造所需数据集，通过显微拉曼光谱仪对预设的实验尿液样本及正常尿液样本分别进行探测，记录300-1800cm-1的SERS光谱数据，并进行比例分割为训练集和测试集；
对获取的训练集进行扩充；
建立以LeNet-5为基础的一维卷积神经网络的一维信号分类模型，通过训练集进行训练，并通过测试集进行效果预测，调整模型参数直至模型收敛；
设定分类模型分类判定的概率值，获得最终用于分类预测的分类模型。
2.根据权利要求1所述的用于肾移植抗排斥反应类型分类的模型构建方法，其特征是，数据集的采集构造具体为：
以贵金属纳米颗粒，通过自组装合成法制备获取样本探测的基底，使用激光入射波长为638nm、物镜为10倍的显微拉曼光谱仪针对样本分别进行探测，记录300-1800cm-1的SERS光谱数据；
对光谱数据进行标签标注，将正常尿液样本的光谱数据标注标签为1，根据实验尿液样本的光谱数据对应的病理活检结果按照分类分别标注标签为2-7；
对SERS光谱数据按照7:3的比例分割为训练集和测试集。
3.根据权利要求2所述的用于肾移植抗排斥反应类型分类的模型构建方法，其特征是，训练集的扩充具体为：采用左右随机平移、添加高斯白噪声、乘算和为1随机系数中的一种或多种方法进行扩增。
4.根据权利要求3所述的用于肾移植抗排斥反应类型分类的模型构建方法，其特征是，分类模型的建立训练具体为：
使用训练集中的SERS光谱数据训练分类网络并进行测试集的效果预测；
确定损失函数为交叉熵损失函数，使用Adam优化器，设置整体样本循环迭代次数上限为40次，每完整迭代一次训练样本，进行测试集的效果预测，保存第一次完整迭代后的效果为最佳效果；
每经历一次完整迭代，对比保存最佳的验证效果并保存该模型，直到达到迭代次数的上限，获得训练后的分类模型。
5.根据权利要求1所述的用于肾移植抗排斥反应类型分类的模型构建方法，其特征是：对训练后分类模型的分类结果进行验证；
将实际手术中病理切片的拉曼光谱数据并输入至已训练收敛后的分类模型；将分类模型的输出结果与实际活检结果进行比对，验证分类模型分类结果的准确率。
6.一种用于肾移植抗排斥反应类型分类的模型系统，其特征是：包括有样本基底、用于进行模型训练及测试的样本数据集、对样本进行探测获得光谱数据的拉曼光谱仪、建立进行分类预测的分类模型、对分类模型分类结果进行验证的实际样本数据；
通过拉曼光谱仪对样本进行探测获得光谱数据，并通过光谱数据对建立的分类模型进行训练及测试获得收敛的分类模型，通过实际样本数据对获取的分类模型进行验证。
7.根据权利要求6所述的用于肾移植抗排斥反应类型分类的模型系统，其特征是：所述样本数据集包括正常尿液样本和实验尿液样本；所述实验尿液样本对应有具体肾移植抗排斥反应类型；
所述正常尿液样本及实验尿液样本均标注有对应标签，所述实验尿液样本根据对应反应类型分别标注。
8.根据权利要求6所述的用于肾移植抗排斥反应类型分类的模型系统，其特征是：所述样本基底为贵金属纳米颗粒基底，所述拉曼光谱仪的激光入射角为638nm、物镜为10倍，探测记录300～1800cm-1的SERS光谱；所述样本数据集经探测后分为测试集及训练集，所述测试集与训练集的比例为7:3。
CN202111501478.9A 2021-12-09 2021-12-09 用于肾移植抗排斥反应类型分类的模型系统及其构建方法 Pending CN114218985A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111501478.9A CN114218985A (zh) 2021-12-09 2021-12-09 用于肾移植抗排斥反应类型分类的模型系统及其构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111501478.9A CN114218985A (zh) 2021-12-09 2021-12-09 用于肾移植抗排斥反应类型分类的模型系统及其构建方法

Publications (1)

Publication Number Publication Date
CN114218985A true CN114218985A (zh) 2022-03-22

Family

ID=80700635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111501478.9A Pending CN114218985A (zh) 2021-12-09 2021-12-09 用于肾移植抗排斥反应类型分类的模型系统及其构建方法

Country Status (1)

Country Link
CN (1) CN114218985A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114858782A (zh) * 2022-07-05 2022-08-05 中国民航大学 基于拉曼高光谱对抗判别模型的奶粉掺杂非定向检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114858782A (zh) * 2022-07-05 2022-08-05 中国民航大学 基于拉曼高光谱对抗判别模型的奶粉掺杂非定向检测方法

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
CN107368670A (zh) 基于大数据深度学习的胃癌病理诊断支持系统和方法
CN106202968B (zh) 癌症的数据分析方法及装置
CN109308695A (zh) 基于改进U-net卷积神经网络模型的癌细胞识别方法
CN112798529B (zh) 一种基于增强拉曼光谱和神经网络的新型冠状病毒检测方法及系统
CN110991536A (zh) 原发性肝癌的早期预警模型的训练方法
CN113133762B (zh) 一种无创血糖预测方法及装置
D'Orazio et al. Electro-optical classification of pollen grains via microfluidics and machine learning
CN114218985A (zh) 用于肾移植抗排斥反应类型分类的模型系统及其构建方法
Mahanta et al. Covid-19 diagnosis from cough acoustics using convnets and data augmentation
CN113222944B (zh) 细胞核分割方法及基于病理图像的癌症辅助分析系统、装置
CN112465924B (zh) 一种基于多特征融合的快速医学图像重构方法
CN113988135A (zh) 一种基于双分支多流网络的肌电信号手势识别方法
CN113702349A (zh) 一种基于拉曼光谱的涎腺肿瘤的诊断模型构建方法
CN109003659A (zh) 胃幽门螺旋杆菌感染病理诊断支持系统和方法
CN110827980B (zh) 一种基于声学指标的构音障碍分级评估方法
CN116840214A (zh) 一种诊断脑肿瘤和脑梗死的方法
CN112716447A (zh) 一种基于拉曼检测光谱数据深度学习的口腔癌分类系统
CN107886071A (zh) 一种纤维增强复合材料损伤声发射信号的处理方法
CN116030032A (zh) 基于拉曼光谱数据的乳腺癌分析设备、系统及存储介质
WO2023137783A1 (zh) 一种光谱数据处理方法、装置、存储介质及电子设备
CN114999661A (zh) 皮肤癌识别模型的构建方法、皮肤癌识别装置、电子设备
CN114878543A (zh) 一种痕量物质的拉曼光谱探测识别方法及系统
CN114781484A (zh) 基于卷积神经网络的癌症血清sers光谱分类方法
CN115705928A (zh) 基于细胞增殖标志物的tc患病风险预测建模方法

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