CN115274100B - 基于血浆光谱的疾病筛查模型构建方法及疾病筛查装置 - Google Patents
基于血浆光谱的疾病筛查模型构建方法及疾病筛查装置 Download PDFInfo
- Publication number
- CN115274100B CN115274100B CN202211211096.7A CN202211211096A CN115274100B CN 115274100 B CN115274100 B CN 115274100B CN 202211211096 A CN202211211096 A CN 202211211096A CN 115274100 B CN115274100 B CN 115274100B
- Authority
- CN
- China
- Prior art keywords
- disease
- classification
- certain
- spectrum
- pseudo
- 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.)
- Active
Links
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 211
- 201000010099 disease Diseases 0.000 title claims abstract description 210
- 238000001228 spectrum Methods 0.000 title claims abstract description 148
- 238000012216 screening Methods 0.000 title claims abstract description 100
- 238000010276 construction Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000012795 verification Methods 0.000 claims abstract description 17
- 208000024891 symptom Diseases 0.000 claims abstract description 16
- 238000005065 mining Methods 0.000 claims abstract description 10
- 238000004483 ATR-FTIR spectroscopy Methods 0.000 claims abstract 3
- 208000024827 Alzheimer disease Diseases 0.000 claims description 94
- 230000003595 spectral effect Effects 0.000 claims description 31
- 238000001914 filtration Methods 0.000 claims description 19
- 206010012289 Dementia Diseases 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 102000004169 proteins and genes Human genes 0.000 claims description 10
- 108090000623 proteins and genes Proteins 0.000 claims description 10
- 238000010187 selection method Methods 0.000 claims description 7
- 238000002329 infrared spectrum Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 18
- 238000009412 basement excavation Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 6
- 150000002632 lipids Chemical class 0.000 description 6
- 150000007523 nucleic acids Chemical class 0.000 description 6
- 102000039446 nucleic acids Human genes 0.000 description 6
- 108020004707 nucleic acids Proteins 0.000 description 6
- 230000001717 pathogenic effect Effects 0.000 description 6
- 238000002835 absorbance Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 230000006378 damage Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000004611 spectroscopical analysis Methods 0.000 description 4
- 150000001408 amides Chemical class 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003859 lipid peroxidation Effects 0.000 description 3
- 150000003254 radicals Chemical class 0.000 description 3
- 230000006269 (delayed) early viral mRNA transcription Effects 0.000 description 2
- 102000013455 Amyloid beta-Peptides Human genes 0.000 description 2
- 108010090849 Amyloid beta-Peptides Proteins 0.000 description 2
- 238000005102 attenuated total reflection Methods 0.000 description 2
- 150000001720 carbohydrates Chemical class 0.000 description 2
- 235000014633 carbohydrates Nutrition 0.000 description 2
- 150000001735 carboxylic acids Chemical class 0.000 description 2
- 210000000170 cell membrane Anatomy 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 235000014113 dietary fatty acids Nutrition 0.000 description 2
- 229930195729 fatty acid Natural products 0.000 description 2
- 239000000194 fatty acid Substances 0.000 description 2
- 150000004665 fatty acids Chemical class 0.000 description 2
- 210000004558 lewy body Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 208000030159 metabolic disease Diseases 0.000 description 2
- 230000004792 oxidative damage Effects 0.000 description 2
- 230000036542 oxidative stress Effects 0.000 description 2
- 150000003904 phospholipids Chemical class 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 2
- 230000005778 DNA damage Effects 0.000 description 1
- 231100000277 DNA damage Toxicity 0.000 description 1
- 108010014173 Factor X Proteins 0.000 description 1
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 1
- 238000001157 Fourier transform infrared spectrum Methods 0.000 description 1
- 201000011240 Frontotemporal dementia Diseases 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 201000004810 Vascular dementia Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003782 apoptosis assay Methods 0.000 description 1
- 239000002585 base Substances 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006931 brain damage Effects 0.000 description 1
- 231100000874 brain damage Toxicity 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 125000002915 carbonyl group Chemical group [*:2]C([*:1])=O 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 150000002194 fatty esters Chemical class 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000031864 metaphase Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229920001542 oligosaccharide Polymers 0.000 description 1
- 150000002482 oligosaccharides Chemical class 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005522 programmed cell death Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000004671 saturated fatty acids Chemical class 0.000 description 1
- 235000003441 saturated fatty acids Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 102000013498 tau Proteins Human genes 0.000 description 1
- 108010026424 tau Proteins Proteins 0.000 description 1
- 230000006441 vascular event Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请涉及一种基于血浆光谱的疾病筛查模型构建方法及疾病筛查装置，包括：采集某种疾病某一亚类不同症状阶段患者、其他亚类患者和健康者的血浆样本，并测量血浆样本的FTIR‑ATR光谱数据，构成血浆光谱样本集，将所述血浆光谱样本集划分为训练集、测试集和验证集；特征挖掘：利用训练集中的数据进行伪分类特征及去伪分类特征挖掘；构建层次去伪筛查框架：基于所述的伪分类特征及对应的去伪分类特征，实现某种疾病某一亚类与其他亚类、某种疾病其他亚类与健康者以及某种疾病某一亚类不同病程与健康者的不同层次筛查；验证与测试，得到基于血浆光谱的疾病筛查模型。本申请可以实现疾病全体系智能、快速的分类检测。
Description
技术领域
本申请涉及智能医疗检测技术领域，尤其是涉及一种基于血浆光谱的疾病筛查模型构建方法及疾病筛查装置。
背景技术
随着智能医疗检测技术的发展，越来越多的疾病筛查开始融入相关医疗检测技术进行疾病的辅助检测，为疾病的早筛、早检带来了很多的便利。
但是现有的医疗检测技术中，所建立的疾病筛查模型大多只能对单一的疾病类型进行筛查和诊断，并不能对疾病全体系进行分类筛查检测，比如现有技术中，仅有针对阿尔茨海默痴呆症AD的筛查模型，但是却缺乏涵盖阿尔茨海默痴呆症AD和非阿尔茨海默痴呆症non-AD的全体系痴呆症分类筛查检测模型，因此并不能满足实际的病人筛查与诊断需求，急需进行改进。
发明内容
为了实现疾病全体系智能、快速的分类检测，本申请提供一种基于血浆光谱的疾病筛查模型构建方法及疾病筛查装置。
第一方面，本申请提供的一种基于血浆光谱的疾病筛查模型构建方法采用如下的技术方案：
一种基于血浆光谱的疾病筛查模型构建方法，包括：
样本光谱采集与数据处理：采集某种疾病某一亚类不同症状阶段患者、其他亚类患者和健康者的血浆样本，并测量血浆样本的FTIR-ATR光谱数据，构成血浆光谱样本集；将所述血浆光谱样本集中的光谱样本按照某种疾病某一亚类早中晚期不同阶段、其他亚类和健康者进行划分，形成某种疾病某一亚类与其他亚类、某种疾病其他亚类与健康者以及某种疾病某一亚类不同病程与健康者的不同层次筛查模型的训练集、验证集和测试集；
特征挖掘：利用所述的训练集中的数据进行伪分类特征及去伪分类特征挖掘；
构建层次去伪筛查框架：基于所述的伪分类特征及对应的去伪分类特征，实现某种疾病某一亚类与其他亚类、某种疾病其他亚类与健康者以及某种疾病某一亚类不同病程与健康者的不同层次筛查；
验证与测试：利用所述验证集和测试集中的数据对所述的层次去伪筛查框架进行验证和测试，得到基于血浆光谱的疾病筛查模型。
通过采用以上技术方案，尤其是利用所述的训练集中的数据进行伪分类特征及去伪分类特征挖掘，并基于所述的伪分类特征及对应的去伪分类特征，从而即可实现某种疾病某一亚类与其他亚类、某种疾病其他亚类与健康者以及某种疾病某一亚类不同病程与健康者的不同层次筛查，即实现了疾病全体系智能、快速的分类检测。
优选的，所述的构建层次去伪筛查框架具体包括：
首先框架第一层次针对健康者给予某种疾病伪标签，，在实现某种疾病某一亚类与其他亚类分类的同时完成健康者倾向于某种疾病某一亚类或其他亚类的伪分类；框架第二层次的某种疾病其他亚类分类模块执行去伪分类操作，即实现某种疾病其他亚类与健康者的精准区分；框架第二层次的某种疾病某一亚类伪分类模块在实现某种疾病某一亚类不同病程精细分类的同时完成健康者倾向于某种疾病某一亚类不同病程的伪分类；框架第三层次的某种疾病某一亚类分类模块执行去伪分类操作，即实现某种疾病某一亚类早、中、晚不同病程与健康者的精准区分。
通过采用以上方法构建层次去伪筛查框架，从而可以实现疾病全体系智能、快速的分类检测，提高检测精度，避免漏检、错检。
优选的，进行伪分类时，利用机器学习领域的分类器基于各自对应的伪分类特征波数实现不同层次的伪分类；进行去伪分类时，基于各自对应的去伪分类特征波数，通过平滑光谱和导数光谱双通道的融合实现去伪分类，即实现某种疾病某一亚类的早、中、晚不同病程、某种疾病其他亚类以及健康者的精确分类。
通过采用上述技术方案，利用多模型融合的方法，充分利用不同光谱空间的特征信息，从而能够进一步提升模型分类筛查的灵敏度、特异性与准确率。
优选的，在光谱全信息空间，采用二维光谱结合过滤式特征提取方法分别进行某种疾病某一亚类与其他亚类、某种疾病其他亚类与健康者以及某种疾病某一亚类不同病程与健康者的不同层次和尺度的伪分类特征波数及对应的去伪分类特征波数的选取。
通过在在光谱全信息空间进行伪分类特征波数及对应的去伪分类特征波数的选取，整个光谱空间不仅包含了已知框架定义的致病因素，还涵盖了未知的、潜在挖掘的致病因素，定义为X，将已知框架升级为开放性的包含未知致病因素的框架，因而通过其可以完成多致病因素、机理复杂且部分不明确的某种疾病的多信息综合的系统级别判断与筛查。此外，本申请基于训练集中的血浆光谱样本、二维光谱并结合过滤式特征选取方法，利用如随机森林分类器迭代选取某种疾病某一亚类与其他亚类、某种疾病其他亚类与健康者以及某种疾病某一亚类不同病程与健康者的不同层次和尺度的伪分类特征波数；实现某种疾病在宏观层次和微观层次的精准划分。
优选的，对于阿尔茨海默痴呆与非阿尔茨海默痴呆类别空间的宏观层次，基于阿尔茨海默痴呆与非阿尔茨海默痴呆样本训练集的平滑光谱信息空间，利用过滤式特征提取方法结合对应的分类器迭代提取阿尔茨海默痴呆与非阿尔茨海默痴呆的伪分类特征波数；对于非阿尔茨海默症去伪分类分支，计算导数光谱，基于非阿尔茨海默痴呆与健康者样本训练集的平滑光谱和导数光谱信息空间，利用过滤式特征提取方法结合对应的分类器迭代选取去伪分类特征波数；在阿尔茨海默症伪分类分支，将不同病程主要归因于不同程度的蛋白结构变异所引起的扰动，计算导数光谱和阿尔茨海默症同步二维自相关光谱，选取自动峰值的波数作为分类特征波数的预选范围，通过原始光谱、一阶导数光谱和二阶导数光谱的二维光谱对应的自动峰进行融合获取用于不同病程阿尔茨海默病与健康者筛查分类通道选择的伪分类特症波数的预选集合；依据不同病程阿尔茨海默训练集样本标签，利用过滤式特征选择方法结合层次聚类方法在预选集合范围内迭代选取，直至满足训练集标签所示的结果，最终获得阿尔茨海默症早期、中期和晚期的伪分类特征波数；对于阿尔茨海默症去伪分类分支，基于不同病程阿尔茨海默痴呆与健康者样本训练集的上述获取的导数光谱信息空间，利用过滤式特征提取方法结合对应的分类器迭代提取去伪分类特征波数。
通过采用以上技术方案，在光谱ATN(X)全信息空间，基于二维光谱结合过滤式特征提取方法，利用分类器迭代进行特征选取；基于伪分类器和去伪分类器执行不同层次的分类，从而可以实现痴呆症全体系智能、快速的分类检测。
优选的，对于不同症状阶段阿尔茨海默痴呆症患者、非阿尔茨海默痴呆症患者和健康者血浆样本的FTIR-ATR红外光谱；进行伪分类特征及去伪分类特征挖掘的红外光谱的有效信息区域包括：3600~2700 cm-1高波数区的光谱信息空间、1800~1200 cm-1指纹区的光谱信息空间和1200~900 cm-1区域的光谱信息空间。
通过采用上述技术方案，从而可以进一步提高痴呆症筛查模型的筛查精度和建模效率。
第二方面，本申请提供的一种基于血浆光谱的疾病筛查模型构建装置采用如下技术方案：
一种基于血浆光谱的疾病筛查模型构建装置，包括：
样本光谱采集与数据处理模块：用于采集某种疾病某一亚类不同症状阶段患者、其他亚类患者和健康者的血浆样本，并测量血浆样本的FTIR-ATR光谱数据，构成血浆光谱样本集；将所述血浆光谱样本集中的光谱样本按照某种疾病某一亚类早中晚期不同阶段、其他亚类和健康者进行划分，形成某种疾病某一亚类与其他亚类、某种疾病其他亚类与健康者以及某种疾病某一亚类不同病程与健康者的不同层次筛查模型的训练集、验证集和测试集；
特征挖掘模块：利用所述的训练集中的数据进行伪分类特征及去伪分类特征挖掘；
构建层次去伪筛查框架模块：基于所述的伪分类特征及对应的去伪分类特征，实现某种疾病某一亚类与其他亚类、某种疾病其他亚类与健康者以及某种疾病某一亚类不同病程与健康者的不同层次筛查；
验证与测试模块：利用所述验证集和测试集中的数据对所述的层次去伪筛查框架进行验证和测试，得到基于血浆光谱的疾病筛查模型。
第三方面，本申请提供的一种基于血浆光谱的疾病筛查装置采用如下技术方案：
一种基于血浆光谱的疾病筛查装置，包括前述任一项所述的构建方法构建的疾病筛查模型。
第四方面，本申请提供的一种电子设备采用如下技术方案：
一种电子设备，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行实现前述任一种方法的计算机程序。
第五方面，本申请提供的一种计算机可读存储介质采用如下技术方案：
一种计算机可读存储介质，存储有能够被处理器加载并执行实现前述任一种方法的计算机程序。
综上所述，本申请具有以下有益技术效果：
本申请利用所述的训练集中的数据进行伪分类特征及去伪分类特征挖掘，并基于所述的伪分类特征及对应的去伪分类特征，从而即可实现某种疾病某一亚类与其他亚类、某种疾病其他亚类与健康者以及某种疾病某一亚类不同病程与健康者的不同层次筛查，即实现了疾病全体系智能、快速的分类检测。
附图说明
图1为本申请的一种实施例的方法流程图。
图2为本申请的一种实施例的痴呆症层次去伪分类筛查的层次框架示意图。
图3为本申请的一种实施例的光谱空间双通道融合痴呆症筛查框架。
图4为本申请的一种实施例的光谱ATN(X)全信息空间域信息利用与分类筛查示意图。
图5为本申请的一种实施例的层次去伪分类的痴呆症智能筛查系统的技术路线示意图。
图6为本申请的一种实施例的光谱ATN(X)全信息空间阿尔茨海默痴呆症伪分类特征提取示意图。
图7为本申请一种实施例提供的非阿尔茨海默痴呆症、阿尔茨海症默痴呆症患者和健康者的高波数区域平均光谱图。
图8为本申请一种实施例提供的非阿尔茨海默痴呆症、阿尔茨海症默痴呆症患者和健康者的指纹区域平均光谱图。
图 9 为本申请一种实施例提供的阿尔茨海症默痴呆症患者平均光谱的一阶导数光谱图。
图 10 为本申请一种实施例提供的阿尔茨海症默痴呆症患者平均光谱的二阶导数光谱图。
具体实施方式
以下结合附图1-图10对本申请作进一步详细说明。
本申请实施例公开一种基于血浆光谱的疾病筛查模型构建方法。参照图1，一种基于血浆光谱的疾病筛查模型构建方法，包括：
S1，样本光谱采集与数据处理：采集某种疾病某一亚类不同症状阶段患者、其他亚类患者和健康者的血浆样本，并测量血浆样本的FTIR-ATR(傅里叶变换红外-全衰减附件)光谱数据，构成血浆光谱样本集；将所述血浆光谱样本集中的光谱样本按照某种疾病某一亚类早中晚期不同阶段、其他亚类和健康者进行划分，形成某种疾病某一亚类与其他亚类、某种疾病其他亚类与健康者以及某种疾病某一亚类不同病程与健康者的不同层次筛查模型的训练集、验证集和测试集；
可选的，为了提高模型的精度，在对所述血浆光谱样本集中的光谱样本进行划分之前，还可包括对血浆样本的光谱数据进行基线校正。
S2，特征挖掘：利用所述的训练集中的数据进行伪分类特征及去伪分类特征挖掘；
具体的，在光谱全信息空间，可采用二维光谱结合过滤式特征提取方法(例如Relief-F)分别进行某种疾病某一亚类与其他亚类、某种疾病其他亚类与健康者以及某种疾病某一亚类不同病程与健康者的不同层次和尺度的伪分类特征波数及对应的去伪分类特征波数的选取，具体用于痴呆症筛查模型构建时，如图2、图3所示。具体的，如图4所示，比如将经典阿尔茨海默诊断标准框架ATN拓展为开放性的ATN(X)，将未知的致病因素X纳入信息体系；用以下原则进行阿尔茨海默与非阿尔茨海默伪分类特征波数的选取：依据阿尔茨海默症与非阿尔茨海默痴呆症（如路易体、帕金森等）训练集的平滑光谱信息空间，利用过滤式特征选择方法结合随机森林分类器在全光谱范围内迭代搜索，直至满足阿尔茨海默症和非阿尔茨海默痴呆症筛查通道模型的性能指标，从而获得阿尔茨海默症和非阿尔茨海默痴呆症分类层次的伪分类特征波数（之所以称之为伪分类特征波数是因为在实现非阿尔茨海默痴呆与阿尔茨海默痴呆分类的同时完成健康者倾向于非阿尔茨海默痴呆症或阿尔茨海默痴呆症的伪分类）；对于非阿尔茨海默症去伪分类分支，计算导数光谱（优选的，利用SG方法求取所述FTIR-ATR光谱数据的一阶导数光谱和二阶导数光谱；其中，一阶导数求取采用的参数是7点数据窗口，二次多项式；二阶导数求取采用的参数是11点数据窗口，三次多项式）。基于非阿尔茨海默痴呆与健康者样本训练集的平滑光谱和导数光谱信息空间利用过滤式特征提取方法结合对应的分类器迭代选取去伪分类特征波数；如图5所示，在阿尔茨海默症伪分类分支，（其属于同病种不同病程的微观层次分类），将不同病程主要归因于不同程度的蛋白结构变异所引起的扰动，计算导数光谱（优选的，利用SG方法求取所述FTIR-ATR光谱数据的一阶导数光谱和二阶导数光谱；其中，一阶导数求取采用的参数是5点数据窗口，二次多项式；二阶导数求取采用的参数是9点数据窗口，三次多项式）和阿尔茨海默症同步二维自相关光谱，（由于二维光谱自动峰值对AD相关因素的外部扰动很敏感）选取自动峰值的波数作为分类特征波数的预选范围（即将蛋白结构变异所对应的波数范围作为特征预选区域），通过原始光谱、一阶导数光谱和二阶导数光谱的二维光谱对应的自动峰进行融合获取用于不同病程阿尔茨海默病与健康者筛查分类通道选择的伪分类特症波数的预选集合；依据不同病程阿尔茨海默训练集样本标签，利用过滤式特征选择方法结合层次聚类方法在预选集合范围内迭代选取，直至满足训练集标签所示的结果，最终获得阿尔茨海默症早期、中期和晚期的伪分类特征波数；对于阿尔茨海默症去伪分类分支，基于不同病程阿尔茨海默痴呆与健康者样本训练集的上述获取的导数光谱信息空间，利用过滤式特征提取方法结合对应的分类器迭代提取去伪分类特征波数。
其中，Relief-F的特征权重计算公式为：
其中
为特征f的特征权重，k为随机抽样个数；
分别为S样本与其同类近邻集M和异类近邻集N在特征f下的距离和，其计算公式分别为：
所述AD患者血浆FTIR-ATR的二维自相关光谱，如下公式所示：
其中，
表示原始血浆光谱的二维自相关光谱，
为第i个阿尔茨海默痴呆
症患者血浆光谱上的蛋白分子结构变异引起的扰动，
为原始血浆光谱的动态光谱
吸收度，定义为阿尔茨海默痴呆症患者血浆光谱吸收度
与训练集中所有阿尔茨海
默患者血浆光谱的平均光谱吸收度
之间的差谱，如下公式所示：
其中，k=1、2，
和
不代表指定波数，仅表示任意两个不同的波数，阿尔茨海默痴
呆症患者血浆光谱的平均光谱吸收度
，如下公式所示：
其中，m是训练集中阿尔茨海默痴呆症患者的样本数。
依据非阿尔茨海默痴呆症训练集与健康者训练集，在其平滑光谱和导数光谱空间分别利用Relief-F过滤式特征选择方法结合随机森林分类器获得非阿尔茨海默症和健康者去伪分类层次的去伪分类特征波数。
在一种实施例中，对于不同症状阶段阿尔茨海默痴呆症患者、非阿尔茨海默痴呆症患者和健康者血浆样本的FTIR-ATR红外光谱，在ATN(X)全信息空间利用二维光谱和过滤式特征选择方法获取与痴呆症相关的β-淀粉样蛋白(A)、Tau淀粉样蛋白(T)、神经退变(N)和未知致病因素(X)等生物分子结构信息，实现痴呆症全体系的智能、快速的分类检测；优选的，如图6所示，进行伪分类特征及去伪分类特征挖掘的红外光谱的有效信息区域包括：3600~2700 cm-1高波数区的光谱信息空间、1800~1200 cm-1指纹区的光谱信息空间和1200~900 cm-1区域的光谱信息空间。
发明人经研究表明：光谱范围3600-2700 cm-1高波数区的光谱信息空间与脂类特别是饱和脂肪酸和磷脂的存在有关，饱和与不饱和脂质含量不平衡，可导致高潜在的脑损伤；同时在该区域可观察到羧酸的存在，通常与脂质过氧化、反应羰基的产生以及蛋白质的结构和功能紊乱有关。光谱范围1800~1200 cm-1被定义为指纹区域，主要与蛋白质构象模式以及核酸、碱基、脂肪酸和碳水化合物的化学性质有关；这一范围的信息也提示了蛋白质聚集物的存在和高度稳定的β折叠蛋白质结构的变化；在指纹图谱区域，酰胺I (1700~1600cm-1)和酰胺II (1600~1500 cm-1)是蛋白质FTIR光谱的主要波段，提供了蛋白质二级结构信息。光谱范围为1200~1000 cm-1区域的信息表明存在与细胞膜损伤、核酸氧化损伤相关的脂质过氧化产物。
更具体的，在光谱ATN(X)全信息空间中选定的波数或它们所在的局部波数区域有明确的疾病相关解释。在1547 cm-1处出现的增加趋势表明，蛋白质主要为β蛋白质结构，可能归因于Aβ或更可能的Tau蛋白水平的增加。更具体来说，淀粉样-β聚集物的主要成分可以在1628 cm-1左右被检测到，这可能与分子间β-蛋白质结构的存在有关；1636 cm-1附近则存在随机缠绕；而1642~ 655 cm-1之间为α-螺旋结构。氧化应激和自由基损伤是导致退行性疾病的两个重要因素，可导致1455 cm-1峰的强度下降。1582 cm-1可能与核酸分子构象状态和结构稳定性的改变有关，1576 cm-1可能代表脂质结构的改变。与健康者(HC)相比，AD患者脂质降低(1470~1430 cm-1)可能与自由基损伤细胞膜有关；与AD发病机制有关的氧化应激是自由基增加的最可能原因。Amide II的1560cm-1为N-H弯曲振动，AD和HC对照组的峰值位置存在差异。在较高的区域(3500~2700 cm-1)，AD组的峰值较对健康照组低。在3500~2700 cm-1光谱范围内可以观察到脂类的存在，特别是脂肪酸和磷脂。光谱区域1200~900 cm-1通常与碳水化合物和核酸(DNA/RNA)有关，主要由核酸中PO2基团的对称拉伸以及几种低聚糖的拉伸或变形模式。此范围可能存在羟基化合物，其是脂质过氧化的产物，已作为AD氧化损伤的标记物。在1200~1100 cm-1范围内，可以检测到饱和脂质(脂肪酯)，这可能导致更高的饱和含量，从而更高的膜损伤和血管事件的风险。光谱峰位于1122 cm-1、1090 cm-1、1048 cm-1和1020-930 cm-1区域，可以观察到核酸，特别是DNA。由于未修复的DNA可导致程序性细胞死亡，预计DNA损伤的积累可导致神经元细胞的进行性损失。其它未给出明确解释的特征波数作为待开发和进一步认知的X致病因素存在于全信息空间中。
对于其他疾病筛查模型的构建，同样可以采用上述原理进行处理。
S3，构建层次去伪筛查框架：基于所述的伪分类特征及对应的去伪分类特征，实现某种疾病某一亚类与其他亚类、某种疾病其他亚类与健康者以及某种疾病某一亚类不同病程与健康者的不同层次筛查。层次去伪筛查框架的核心在于筛查层次化设计与去伪操作执行，将某种疾病在某一亚类与其他亚类类别空间的宏观层次以及某一亚类不同病程时间的微观层次进行分层划分。整个框架中在执行去伪操作之前，健康者在不同层次均以某种疾病、某种疾病某一亚类或某种疾病其他亚类的伪标签形式存在，以此将某种疾病某一亚类、某种疾病其他亚类与健康者区分问题退化为某种疾病某一亚类与某种疾病其他亚类分类问题。
具体包括：
S31，首先框架第一层次针对健康者给予某种疾病伪标签，（将某种疾病某一亚类、其他亚类和健康者区分问题退化为非某种疾病某一亚类与其他亚类分类问题），在实现某种疾病某一亚类与其他亚类分类的同时完成健康者倾向于某种疾病某一亚类或其他亚类的伪分类；
S32，框架第二层次的某种疾病其他亚类分类模块执行去伪分类操作，即实现某种疾病其他亚类与健康者的精准区分；框架第二层次的某种疾病某一亚类伪分类模块在实现某种疾病某一亚类不同病程精细分类的同时完成健康者倾向于某种疾病某一亚类不同病程的伪分类，这种倾向性分类主要依据测试样本与不同病程阶段样本集特征点的距离度量来实现。
在一种实施例中，对于不同病程阶段阿尔茨海默症伪分类，定义测试样本到不同
病程样本集特征点的距离为
，则测试样本到不同病程光谱样本集特征
点的最短距离为
；此最短距离决定了测试样本所属
的病程分类，此层次对于阿尔茨海默症患者实现了不同病程精细分类，对于健康者则实现
了倾向于不同病程阿尔茨海默痴呆症的伪分类。但是具体到样本是阿尔茨海默痴呆症还是
健康者需要后续的去伪分类加以区分。
具体的，不同病程阿尔茨海默病伪分类特征波数所对应的不同病程阶段阿尔茨海默病训练集各自平均谱线吸收度构成不同病程阿尔茨海默病样本集的特征点；血浆光谱类中心点，采用如下公式计算：
其中，
是不同阶段阿尔茨海默症样本集中的样本个数；阿尔茨海默早期症状光谱
样本集的特征点是
，阿尔茨海默中期症状光谱样本
集的特征点是
，阿尔茨海默晚期症状光谱样本集
特征点是，
；
S33，框架第三层次的某种疾病某一亚类分类模块执行去伪分类操作，即基于其对应的去伪分类特征波数利用对应的去伪分类器执行去伪分类操作，实现某种疾病某一亚类早、中、晚不同病程与健康者的精准区分。
具体的，进行伪分类时，利用机器学习领域的分类器(例如随机森林分类器)基于各自对应的伪分类特征波数实现不同层次的伪分类；进行去伪分类时，基于各自对应的去伪分类特征波数，通过平滑光谱和导数光谱双通道的融合实现去伪分类，即在平滑光谱和导数光谱两个信息空间，分别利用过滤式特征提取方法结合所对应的分类器（如随机森林分类器）进行迭代搜索，提取去伪分类特征波数，再进行决策级的融合，最终得到精准的分类，即实现某种疾病某一亚类的早、中、晚不同病程、某种疾病其他亚类以及健康者的精确分类。
具体包括：
S331，依据平滑光谱筛查通道的分类模型分别对某种疾病其他亚类和健康者层次以及某种疾病某一亚类不同病程与健康者层次进行分类得到筛查结果；
S332，利用包含一阶导数光谱和二阶导数光谱的导数光谱筛查通道的两个分类器分别对某种疾病其他亚类和健康者层次以及某种疾病某一亚类不同病程与健康者层次进行分类得到筛查结果；
S333，依据平滑光谱筛查通道和导数光谱筛查通道给出的筛查结果进行决策级的融合，通过投票得到最终的筛查结果。
S4，验证与测试：利用所述验证集和测试集中的数据对所述的层次去伪筛查框架进行验证和测试，得到基于血浆光谱的疾病筛查模型。
具体实施时，除了本实施例中提及的痴呆症的筛查模型构建，还可以适用其他全体系疾病的筛查，比如可以用于代谢病中的2型糖尿病和高血脂症相关的内分泌代谢疾病，以及2型糖尿病早、中、晚期的筛查分类。
本申请实施例还公开查一种基于血浆光谱的疾病筛查模型构建装置。一种基于血浆光谱的疾病筛查模型构建装置，包括：
样本光谱采集与数据处理模块：用于采集某种疾病某一亚类不同症状阶段患者、其他亚类患者和健康者的血浆样本，并测量血浆样本的FTIR-ATR光谱数据，构成血浆光谱样本集；将所述血浆光谱样本集中的光谱样本按照某种疾病某一亚类早中晚期不同阶段、其他亚类和健康者进行划分，形成某种疾病某一亚类与其他亚类、某种疾病其他亚类与健康者以及某种疾病某一亚类不同病程与健康者的不同层次筛查模型的训练集、验证集和测试集；
特征挖掘模块：利用所述的训练集中的数据进行伪分类特征及去伪分类特征挖掘；
构建层次去伪筛查框架模块：基于所述的伪分类特征及对应的去伪分类特征，实现某种疾病某一亚类与其他亚类、某种疾病其他亚类与健康者以及某种疾病某一亚类不同病程与健康者的不同层次筛查；
验证与测试模块：利用所述验证集和测试集中的数据对所述的层次去伪筛查框架进行验证和测试，得到基于血浆光谱的疾病筛查模型。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
本申请实施例还公开一种基于血浆光谱的疾病筛查装置。一种基于血浆光谱的疾病筛查装置，包括前述任一项所述的构建方法构建的疾病筛查模型。
本申请实施例还公开一种电子设备。一种电子设备，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行实现上述任一种方法的计算机程序。
其中，电子设备可以采用台式电脑、笔记本电脑或者云端服务器等电子设备，并且，电子设备包括但不限于处理器以及存储器，例如，电子设备还可以包括输入输出设备、网络接入设备以及总线等。
本申请中的处理器可以包括一个或者多个处理核心。处理器通过运行或执行存储在存储器内的指令、程序、代码集或指令集，调用存储在存储器内的数据，执行本申请的各种功能和处理数据。处理器可以为特定用途集成电路(Application Specific IntegratedCircuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(Programmable LogicDevice，PLD)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器和微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。
其中，存储器可以为电子设备的内部存储单元，例如，电子设备的硬盘或者内存，也可以为电子设备的外部存储设备，例如，电子设备上配备的插接式硬盘、智能存储卡（SMC）、安全数字卡（SD）或者闪存卡（FC）等，并且，存储器还可以为电子设备的内部存储单元与外部存储设备的组合，存储器用于存储计算机程序以及电子设备所需的其他程序和数据，存储器还可以用于暂时地存储已经输出或者将要输出的数据，本申请对此不做限制。
本申请实施例还公开一种计算机可读存储介质。一种计算机可读存储介质，存储有能够被处理器加载并执行实现上述任一种方法的计算机程序。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
实验例：
阿尔茨海默痴呆症样本203个(早期症状样本68例，中期症状样本117例，晚期症状样本18例)、非阿尔茨海默痴呆症痴呆样本152个(路易体、帕金森、额颞叶痴呆、血管性痴呆)和健康对照组血浆样本254例。样本光谱采集与数据处理模块首先采集规定数量不同症状阶段阿尔茨海默病患者和健康人的血浆样本；然后通过FTIR红外取样装置采用衰减全反射ATR模式采集血浆的光谱信号，每个样本扫描测量8次，取其平均光谱作为FTIR-ATR光谱测量值，获取样本血浆FTIR-ATR光谱数据。本实验例中，阿尔茨海默痴呆症、非阿尔茨海默痴呆症和健康者在高波数区和指纹区的平均光谱如图7和图8所示。
对血浆样本的光谱数据进行基线校正预处理后，求取光谱数据的一阶导数光谱和二阶导数光谱，其中阿尔茨海默痴呆症一阶和二阶导数光谱如图9和图10所示，其光谱导数估计器可采用经典的Savitzky-Golay算法构建；其中，一阶导数求取采用的参数是5点数据窗口，二次多项式; 二阶导数求取采用的参数是9点数据窗口，三次多项式。
将血浆光谱样本集按照阿尔茨海默痴呆症早期、中期和晚期不同阶段、非阿尔茨海默痴呆症和健康者光谱样本进行划分，形成阿尔茨海默痴呆症与非阿尔茨海默痴呆症 、不同病程阿尔茨海默痴呆症不同层次和尺度筛查模型的训练集、验证集和测试集；本实验例中，按照样本数目比例7:1.5:1.5，划分为训练集、验证集和独立测试集。
本申请所构建的基于血浆光谱的疾病筛查模型的评价指标可通过混淆矩阵定义，混淆矩阵H表达为：
其中，TP：被判定为正，实际为正，即真阳性；FN：被判定为负，实际为正，即假阴性；FP：被判定为正，实际为负，即假阳性；TN：被判定为负，实际为负，即真阴性；疾病检测领域的指标包括灵敏度和特异性；灵敏度是指筛查与诊断时不出现漏诊的概率，而特异性是指筛查与诊断时不出现误诊的概率，表达为：
通过本申请的基于层次去伪分类的痴呆病智能筛查系统对不同病程阶段阿尔茨海默症患者、非阿尔茨海默痴呆症患者以及健康对照组进行分类筛查，利用独立测试集对模型体系进行应用性能的评价，评价结果如表1所示。
表1针对痴呆症层次去伪筛查模型体系的评价结果
由表1可知：本申请可以实现痴呆症全体系包括阿尔茨海默痴呆症和非阿尔茨海默痴呆症的智能、快速的分类检测，灵敏度和特异性均较高，即本申请构建的基于血浆光谱的疾病筛查模型的检测准确率较高。
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权利要求所限定的范围。
Claims (2)
1.一种基于血浆光谱的疾病筛查模型构建装置，其特征在于，包括：
样本光谱采集与数据处理模块：用于采集某种疾病某一亚类不同症状阶段患者、其他亚类患者和健康者的血浆样本，并测量血浆样本的FTIR-ATR光谱数据，构成血浆光谱样本集；将所述血浆光谱样本集中的光谱样本按照某种疾病某一亚类早中晚期不同阶段、其他亚类和健康者进行划分，形成某种疾病某一亚类与其他亚类、某种疾病其他亚类与健康者以及某种疾病某一亚类不同病程与健康者的不同层次筛查模型的训练集、验证集和测试集；
特征挖掘模块：利用所述的训练集中的数据进行伪分类特征及去伪分类特征挖掘，具体通过以下方式实现：对于阿尔茨海默痴呆与非阿尔茨海默痴呆类别空间的宏观层次，基于阿尔茨海默痴呆与非阿尔茨海默痴呆样本训练集的平滑光谱信息空间，利用过滤式特征提取方法结合对应的分类器迭代提取阿尔茨海默痴呆与非阿尔茨海默痴呆的第一伪分类特征波数；对于非阿尔茨海默症去伪分类分支，计算导数光谱，基于非阿尔茨海默痴呆与健康者样本训练集的平滑光谱和导数光谱信息空间，利用过滤式特征提取方法结合对应的分类器迭代选取第一去伪分类特征波数；在阿尔茨海默症伪分类分支，将不同病程主要归因于不同程度的蛋白结构变异所引起的扰动，计算导数光谱和阿尔茨海默症同步二维自相关光谱，选取自动峰值的波数作为分类特征波数的预选范围，通过原始光谱、一阶导数光谱和二阶导数光谱的二维光谱对应的自动峰进行融合，获取用于不同病程阿尔茨海默病与健康者筛查分类通道选择的第二伪分类特症波数的预选集合；依据不同病程阿尔茨海默训练集样本标签，利用过滤式特征选择方法结合层次聚类方法在预选集合范围内迭代选取，直至满足训练集标签所示的结果，最终获得阿尔茨海默症早期、中期和晚期的第二伪分类特征波数；对于阿尔茨海默症去伪分类分支，基于不同病程阿尔茨海默痴呆与健康者样本训练集的上述获取的导数光谱信息空间，利用过滤式特征提取方法结合对应的分类器迭代提取第二去伪分类特征波数；
构建层次去伪筛查框架模块：基于所述的伪分类特征及对应的去伪分类特征，实现某种疾病某一亚类与其他亚类、某种疾病其他亚类与健康者以及某种疾病某一亚类不同病程与健康者的不同层次筛查；具体通过以下方式实现：首先框架第一层次针对健康者确定某种疾病伪标签，在实现某种疾病某一亚类与其他亚类分类的同时完成健康者倾向于某种疾病某一亚类或其他亚类的第一伪分类；框架第二层次的某种疾病其他亚类分类模块执行第一去伪分类操作，即实现某种疾病其他亚类与健康者的精准区分；框架第二层次的某种疾病某一亚类伪分类模块在实现某种疾病某一亚类的不同病程精细分类的同时完成健康者倾向于某种疾病某一亚类不同病程的第二伪分类；框架第三层次的某种疾病某一亚类分类模块执行第二去伪分类操作，即实现某种疾病某一亚类早、中、晚不同病程与健康者的精准区分；其中，所述的某种疾病为痴呆症，某种疾病某一亚类为阿尔茨海默症，其他亚类为非阿尔茨海默痴呆症；
验证与测试模块：利用所述验证集和测试集中的数据对所述的层次去伪筛查框架进行验证和测试，得到基于血浆光谱的疾病筛查模型。
2.根据权利要求1所述的基于血浆光谱的疾病筛查模型构建装置，其特征在于，所述的样本光谱采集与数据处理模块，对于不同症状阶段阿尔茨海默痴呆症患者、非阿尔茨海默痴呆症患者和健康者血浆样本的FTIR-ATR红外光谱，进行伪分类特征及去伪分类特征挖掘的红外光谱的有效信息区域包括：3600~2700 cm-1高波数区的光谱信息空间、1800~1200cm-1指纹区的光谱信息空间和1200~900 cm-1区域的光谱信息空间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211211096.7A CN115274100B (zh) | 2022-09-30 | 2022-09-30 | 基于血浆光谱的疾病筛查模型构建方法及疾病筛查装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211211096.7A CN115274100B (zh) | 2022-09-30 | 2022-09-30 | 基于血浆光谱的疾病筛查模型构建方法及疾病筛查装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115274100A CN115274100A (zh) | 2022-11-01 |
| CN115274100B true CN115274100B (zh) | 2022-12-09 |
Family
ID=83758085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211211096.7A Active CN115274100B (zh) | 2022-09-30 | 2022-09-30 | 基于血浆光谱的疾病筛查模型构建方法及疾病筛查装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115274100B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116359169B (zh) * | 2023-06-02 | 2023-09-05 | 谱宁医学科技(天津)有限责任公司 | 疾病筛查模型的构建装置、疾病筛查装置、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113611404A (zh) * | 2021-07-09 | 2021-11-05 | 哈尔滨智吾康软件开发有限公司 | 一种基于集成学习的血浆样本癌症早筛方法 |
| CN113948206A (zh) * | 2021-10-26 | 2022-01-18 | 中国矿业大学 | 一种基于多层级框架的疾病分期模型融合方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9588129B2 (en) * | 2013-03-15 | 2017-03-07 | Amira Medical Technologies Inc. | Methods for analyzing blood to detect diseases associated with abnormal protein aggregation |
| CN104462868B (zh) * | 2014-12-11 | 2017-04-05 | 西安电子科技大学 | 一种结合随机森林和Relief‑F的全基因组SNP位点分析方法 |
| CN111175261A (zh) * | 2020-01-14 | 2020-05-19 | 四川大学 | 一种基于人体血浆自体荧光光谱检测肺结核疾病的方法 |
| RO135611A2 (ro) * | 2020-08-24 | 2022-03-30 | Universitatea De Medicină Şi Farmacie "Iuliu Haţieganu" Din Cluj-Napoca (Umf-Ih) | Metodă de analiză multivariată pe probe combinate de plasmă sanguină filtrată şi nefiltrată prin spectroscopie raman amplificată de suprafaţă cu aplicaţii în spectroscopia clinică |
| CN112444500B (zh) * | 2020-11-11 | 2022-06-24 | 东北大学秦皇岛分校 | 一种基于光谱的阿尔茨海默症智能检测装置 |
-
2022
- 2022-09-30 CN CN202211211096.7A patent/CN115274100B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113611404A (zh) * | 2021-07-09 | 2021-11-05 | 哈尔滨智吾康软件开发有限公司 | 一种基于集成学习的血浆样本癌症早筛方法 |
| CN113948206A (zh) * | 2021-10-26 | 2022-01-18 | 中国矿业大学 | 一种基于多层级框架的疾病分期模型融合方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115274100A (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110033860B (zh) | 一种基于机器学习的遗传代谢病检出率提升方法 | |
| Lin et al. | Predicting Alzheimer’s disease conversion from mild cognitive impairment using an extreme learning machine-based grading method with multimodal data | |
| US8175816B2 (en) | System and method for analyzing metabolomic data | |
| CN111479934A (zh) | 用于诊断和治疗监测的生物学指标的鉴定和用途 | |
| CN109273094B (zh) | 一种基于Boosting算法的川崎病风险评估模型的构建方法及构建系统 | |
| CN115274100B (zh) | 基于血浆光谱的疾病筛查模型构建方法及疾病筛查装置 | |
| CN109480864A (zh) | 一种基于神经认知功能与机器学习的精神分裂症自动评估系统 | |
| CN112712108B (zh) | 一种拉曼光谱多元数据分析方法 | |
| EP1810198A1 (en) | Identification and use of biomarkers for the diagnosis and the prognosis of inflammatory diseases. | |
| CN114999629A (zh) | 一种基于多特征融合的ad早期预测方法、系统、装置 | |
| CN111834017A (zh) | 一种精神药物治疗效果预测方法，系统和装置 | |
| CN114220540A (zh) | 一种糖尿病肾病风险预测模型的构建方法及应用 | |
| Mamun et al. | Deep Learning Based Model for Alzheimer's Disease Detection Using Brain MRI Images | |
| CN109215781B (zh) | 一种基于logistic算法的川崎病风险评估模型的构建方法及构建系统 | |
| CN111833330B (zh) | 基于影像与机器嗅觉融合的肺癌智能检测方法及系统 | |
| US20150144792A1 (en) | Vibrational Spectroscopic Techniques for Classifying Chronic Pain States | |
| Chen et al. | Diagnostic accuracy study of automated stratification of Alzheimer’s disease and mild cognitive impairment via deep learning based on MRI | |
| Tsiouris et al. | Predicting rapid progression of Parkinson's Disease at baseline patients evaluation | |
| Rao et al. | Partial correlation based variable selection approach for multivariate data classification methods | |
| CN111081374B (zh) | 基于共同注意力范式的孤独症辅助诊断装置 | |
| CN116130105A (zh) | 一种基于神经网络的健康风险预测方法 | |
| Yumang et al. | Application of electronic nose for diagnosing azotemia from urinalysis using principal component analysis | |
| Zoppis et al. | Mutual information optimization for mass spectra data alignment | |
| Bunterngchit et al. | A comparative study of machine learning models for Parkinson’s disease detection | |
| JP2011007686A (ja) | 臨床検査結果の分析装置及び分析方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240418 Address after: No. 205, Gate 35, Yunshan Lane, Lingshui Road, Hexi District, Tianjin, 300202 Patentee after: Li Zhigang Country or region after: China Address before: 300220 2-B706-707, Chuangzhi East Park, north of Nujiang Road, Hexi District, Tianjin Patentee before: Puning Medical Technology (Tianjin) Co.,Ltd. Country or region before: China |