CN115902227B - 一种免疫荧光试剂盒的检测评估方法及系统 - Google Patents
一种免疫荧光试剂盒的检测评估方法及系统 Download PDFInfo
- Publication number
- CN115902227B CN115902227B CN202211655852.5A CN202211655852A CN115902227B CN 115902227 B CN115902227 B CN 115902227B CN 202211655852 A CN202211655852 A CN 202211655852A CN 115902227 B CN115902227 B CN 115902227B
- Authority
- CN
- China
- Prior art keywords
- detection
- sample
- information
- immunofluorescence
- results
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 332
- 238000010166 immunofluorescence Methods 0.000 title claims abstract description 157
- 238000011156 evaluation Methods 0.000 title claims abstract description 47
- 238000013441 quality evaluation Methods 0.000 claims abstract description 73
- 238000002474 experimental method Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims description 41
- 238000002073 fluorescence micrograph Methods 0.000 claims description 29
- 238000010191 image analysis Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001303 quality assessment method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 238000013215 result calculation Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000001506 fluorescence spectroscopy Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 23
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 102000036639 antigens Human genes 0.000 description 13
- 108091007433 antigens Proteins 0.000 description 13
- 239000000427 antigen Substances 0.000 description 12
- 239000003153 chemical reaction reagent Substances 0.000 description 7
- 238000011161 development Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000003125 immunofluorescent labeling Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000007850 fluorescent dye Substances 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本申请涉及数据处理技术领域，提供一种免疫荧光试剂盒的检测评估方法及系统。通过对免疫荧光试剂盒进行免疫荧光实验并采集实验显微图像，获得显微图像的检测结果，根据检测结果获得免疫荧光试剂盒的检出限，获取多个参考检测结果，对多个检测结果进行计算获得平均检测准确度；基于检出限和平均检测准确度获得质量评估结果。现有技术中存在免疫荧光试剂盒的生产评估结果对于了解免疫荧光试剂盒生产质量参考性不足的技术问题。实现从检出限和平均检测准确度角度综合进行免疫荧光试剂盒的生产评估，提高免疫荧光试剂盒生产评估的科学性和可信性，间接实现为后续进行待评估批次的免疫荧光试剂盒的生产工艺优化调整提供数据参考的技术效果。
Description
技术领域
本申请涉及数据处理技术领域，特别是涉及一种免疫荧光试剂盒的检测评估方法及系统。
背景技术
免疫荧光技术又称荧光抗体技术，是标记免疫技术中的发展起步较早且发展较为成熟的一类标记技术，其主要原理是利用抗原和抗体反应进行组织或细胞内抗原物质的定位。
在有适当的一抗检测特定的目标蛋白时，就可以使用免疫荧光试剂盒检测到红色、绿色或蓝色等荧光，进行不同浓度的抗原/抗体检测时，免疫荧光试剂盒中荧光染色试剂的显色存在差异性，现阶段采用免疫荧光试剂盒进行免疫荧光显色实验时，容易发生抗原抗体浓度不满足免疫荧光试剂盒检出限的浓度要求，造成免疫荧光试剂盒作废，实验成本上升的问题。
综上所述，现有技术中存在免疫荧光试剂盒的生产评估结果对于了解免疫荧光试剂盒生产质量参考性不足的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实现从免疫荧光试剂盒的检出限和平均检测准确度角度综合进行免疫荧光试剂盒的生产评估，提高了免疫荧光试剂盒生产评估的科学性和可信性，间接实现了为后续进行待评估批次的免疫荧光试剂盒的生产工艺优化调整提供数据参考的一种免疫荧光试剂盒的检测评估方法及系统。
一种免疫荧光试剂盒的检测评估方法，方法包括：随机采用待评估批次的免疫荧光试剂盒，分别进行多个免疫荧光实验；采集多次免疫荧光实验的多个显微图像，将所述多个显微图像输入荧光图像分析模型，获得多个检测结果；根据所述多个检测结果，获得所述待评估批次的免疫荧光试剂盒的检出限信息；获取多个参考检测结果，对所述多个检测结果进行计算，获得多个检测准确度信息，并获得平均检测准确度信息；将所述检出限信息和所述平均检测准确度信息输入质量评估模型，获得质量评估结果。
一种免疫荧光试剂盒的检测评估系统，所述系统包括：免疫荧光实验模块，用于随机采用待评估批次的免疫荧光试剂盒，分别进行多个免疫荧光实验；显微图像采集模块，用于采集多次免疫荧光实验的多个显微图像，将所述多个显微图像输入荧光图像分析模型，获得多个检测结果；检测结果分析模块，用于根据所述多个检测结果，获得所述待评估批次的免疫荧光试剂盒的检出限信息；检测结果计算模块，用于获取多个参考检测结果，对所述多个检测结果进行计算，获得多个检测准确度信息，并获得平均检测准确度信息；质量评估执行模块，用于将所述检出限信息和所述平均检测准确度信息输入质量评估模型，获得质量评估结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
随机采用待评估批次的免疫荧光试剂盒，分别进行多个免疫荧光实验；
采集多次免疫荧光实验的多个显微图像，将所述多个显微图像输入荧光图像分析模型，获得多个检测结果；
根据所述多个检测结果，获得所述待评估批次的免疫荧光试剂盒的检出限信息；
获取多个参考检测结果，对所述多个检测结果进行计算，获得多个检测准确度信息，并获得平均检测准确度信息；
将所述检出限信息和所述平均检测准确度信息输入质量评估模型，获得质量评估结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
随机采用待评估批次的免疫荧光试剂盒，分别进行多个免疫荧光实验；
采集多次免疫荧光实验的多个显微图像，将所述多个显微图像输入荧光图像分析模型，获得多个检测结果；
根据所述多个检测结果，获得所述待评估批次的免疫荧光试剂盒的检出限信息；
获取多个参考检测结果，对所述多个检测结果进行计算，获得多个检测准确度信息，并获得平均检测准确度信息；
将所述检出限信息和所述平均检测准确度信息输入质量评估模型，获得质量评估结果。
上述一种免疫荧光试剂盒的检测评估方法及系统，解决了现有技术中存在免疫荧光试剂盒的生产评估结果对于了解免疫荧光试剂盒生产质量参考性不足的技术问题。实现了从免疫荧光试剂盒的检出限和平均检测准确度角度综合进行免疫荧光试剂盒的生产评估，提高了免疫荧光试剂盒生产评估的科学性和可信性，间接实现了为后续进行待评估批次的免疫荧光试剂盒的生产工艺优化调整提供数据参考的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中一种免疫荧光试剂盒的检测评估方法的流程示意图；
图2为一个实施例中一种免疫荧光试剂盒的检测评估方法中构建荧光图像分析模型的流程示意图；
图3为一个实施例中一种免疫荧光试剂盒的检测评估系统的结构框图；
图4为一个实施例中计算机设备的内部结构图。
附图标记说明：免疫荧光实验模块1，显微图像采集模块2，检测结果分析模块3，检测结果计算模块4，质量评估执行模块5。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请提供了一种免疫荧光试剂盒的检测评估方法，所述方法包括：
S100:随机采用待评估批次的免疫荧光试剂盒，分别进行多个免疫荧光实验；
具体而言，在本实施例中，所述免疫荧光试剂盒为用于细胞或者组织切片检测免疫荧光染色的试剂以及盛放免疫荧光化学试剂的盒子的总称，在有适当的一抗检测特定的目标蛋白时，就可以使用免疫荧光试剂盒检测到红色、绿色或蓝色等荧光，进行不同浓度的抗原/抗体检测时，免疫荧光试剂盒中荧光染色试剂的显色存在差异性。本实施例基于免疫荧光试剂盒这一检测显色特性进行同批次免疫荧光试剂盒的生产品控检测。
具体的，从待评估批次的免疫荧光试剂盒整体中，采用比例抽样的方式进行随机抽样，例如5％比例抽样，获得多个待评估批次的免疫荧光试剂盒，基于所述多个待评估批次的免疫荧光试剂盒分别执行多个免疫荧光实验，所述多个免疫荧光实验优选为抗原抗体浓度存在差异性的多个实验，所述免疫荧光实验为后续较为准确的评估该批次免疫荧光试剂盒的生产质量提供评估参考基准数据，实验全程进行各类型数据的准确记录。
S200:采集多次免疫荧光实验的多个显微图像，将所述多个显微图像输入荧光图像分析模型，获得多个检测结果；
在一个实施例中，如图2所示，采集多次免疫荧光实验的多个显微图像，将所述多个显微图像输入荧光图像分析模型，获得多个检测结果，本申请提供的方法步骤S200还包括：
S210:根据所述多个免疫荧光实验，获取历史内进行免疫荧光实验的显微图像，获得多个样本显微图像；
S220:获取历史内进行免疫荧光实验的实验结果，获取多个样本检测结果；
S230:采用所述多个样本显微图像和多个样本检测结果，构建所述荧光图像分析模型；
S240:将所述多个显微图像输入所述荧光图像分析模型，获得所述多个检测结果。
在一个实施例中，采用所述多个样本显微图像和多个样本检测结果，构建所述荧光图像分析模型，本申请提供的方法步骤S230还包括：
S231:基于卷积神经网络，构建所述荧光图像分析模型，所述荧光图像分析模型的输入数据为荧光实验的显微图像，输出数据为检测结果；
S232:采用所述多个样本显微图像和多个样本检测结果，对所述荧光图像分析模型进行监督训练和验证，直到收敛过准确率达到预设要求，获得所述荧光图像分析模型。
具体而言，应理解的，在有适当的一抗检测特定的目标蛋白时，就可以使用免疫荧光染色试剂盒检测到红色、绿色或蓝色等荧光，因而在本实施例中，为提高对于免疫荧光染色试剂盒所检测到的多色荧光的颜色辨别准确度，对免疫荧光染色试剂盒的免疫荧光实验结果进行镜检拍照，采用包括但不限于荧光显微镜/共聚焦/多通道荧光扫描仪/多光谱成像系统进行实验结果的图像采集。
本实施例优选采用荧光显微镜，对免疫荧光染色试剂盒的免疫荧光实验结果进行图像采集，获得所述显微图像。
在本实施例中，根据所述多个免疫荧光实验的抗原/抗体浓度以及蛋白质类抗原/抗体类型生成检索指令，采集获取历史基于同类型多种浓度抗原抗体进行免疫荧光实验后采用荧光显微镜进行实验图像采集获得的显微图像，获得多个样本显微图像。
获取历史基于同类型抗原抗体进行免疫荧光实验的实验结果，获取多个样本检测结果，所述多个样本检测结果为与所述多个样本显微图像具有一一对应关系的多个抗原/抗体浓度数据。
基于卷积神经网络，构建所述荧光图像分析模型，所述荧光图像分析模型的输入数据为荧光实验的显微图像，输出数据为检测结果，将所述多个样本显微图像和多个样本检测结果按照8:1:1拆分为训练数据、测试数据以及验证数据。
基于测试数据进行所述荧光图像分析模型的多轮次监督训练，基于验证数据进行所述荧光图像分析模型的输出检测结果准确性验证，直到所述荧光图像分析模型收敛过准确率达到预设要求，例如预设输出准确率99％，获得所述荧光图像分析模型。
将所述多个显微图像逐一输入所述荧光图像分析模型中进行显微图像对应抗原/抗体浓度预测分析，获得所述多个检测结果，所述多个检测结果为多个抗原/抗体浓度数据，且与所述多个显微图像具有一一对应关系。
本实施例基于历史同类型抗原抗体免疫检测图像以及检测结果浓度数据进行荧光图像分析模型的构建和训练，并将实际实验获得的显微图像输入模型进行多个显微图像的检测结果获取，实现了获得较为准确的免疫荧光实验检测结果，为后续分析确定待评估批次的免疫荧光试剂盒的实际检出限提供参考基准的技术效果。
S300:根据所述多个检测结果，获得所述待评估批次的免疫荧光试剂盒的检出限信息；
在一个实施例中，根据所述多个检测结果，获得所述待评估批次的免疫荧光试剂盒的检出限信息，本申请提供的方法步骤S300还包括：
S310:获取所述多个免疫荧光实验的多个预设浓度信息；
S320:判断所述多个检测结果是否满足所述多个预设浓度信息，获得多个合格检测结果；
S330:将最小的一个合格检测结果对应的预设浓度信息作为所述检出限信息。
具体而言，在本实施例中，基于步骤S100可知，所述多个免疫荧光实验为采用抗原抗体浓度存在差异性多个抗原抗体进行的多个实验，且实验全程进行各类型数据的准确记录，因而所述多个预设浓度信息即为多个免疫荧光实验的实验抗原抗体试剂的浓度信息数据。
理论上所述多个预设浓度信息与所述多个检测结果基于与所述多个免疫荧光实验的对应关系，数据量具有一致性，但是实际免疫荧光试剂盒存在检出限的检测局限性，既就是免疫荧光试剂盒仅对于满足检出限的最低量或最低浓度的抗原抗体可发生满足显色需求的显色反应。
所述检出限表征免疫荧光试剂盒的紧密度，是免疫荧光试剂盒能够准确进行抗原/抗体显色反应检测分析的抗原抗体最低量或最低浓度要求，当抗原抗体浓度满足对应免疫荧光试剂盒的检出限浓度要求时，方可基于当前抗原抗体采用该免疫荧光试剂盒执行显色检测。
因而在本实施例中，获取所述多个免疫荧光实验的所述多个预设浓度信息，根据所述多个预设浓度信息与多个免疫荧光实验的对应关系以及所述多个检测结果与多个免疫荧光实验的对应关系进行所述多个检测结果是否满足所述多个预设浓度信息的判断。
当检测结果的抗原抗体浓度与预设浓度信息数据一致时，为合格检测结果，反之为不合格检测结果，将多个合格检测结果数据保留，并对多个合格检测结果的预设浓度信息进行由小到大的排序，将最小的一个合格检测结果对应的预设浓度信息作为所述检出限信息，即大于等于所述检出限抗原抗体浓度数据的抗原抗体方可采用所述免疫荧光试剂盒进行免疫荧光实验，本实施例达到了准确获知待评估批次的免疫荧光试剂盒的检出限信息，实现了从免疫荧光试剂盒检测精度角度进行待评估批次的免疫荧光试剂盒生产评估的技术效果。
S400:获取多个参考检测结果，对所述多个检测结果进行计算，获得多个检测准确度信息，并获得平均检测准确度信息；
在一个实施例中，获取多个参考检测结果，对所述多个检测结果进行计算，获得多个检测准确度信息，并获得平均检测准确度信息，本申请提供的方法步骤S400还包括：
S410:将所述多个预设浓度信息作为所述多个参考检测结果；
S420:根据所述多个检测结果和所述多个参考检测结果，计算获得所述多个免疫荧光实验检测结果的误差程度，作为所述多个检测准确度信息；
S430:根据所述多个检测准确度信息，计算获得所述平均检测准确度信息。
具体而言，在本实施例中将步骤S300的不合格检测结果提取，将不合格检测结果中的所述多个预设浓度信息作为所述多个参考检测结果，所述参考检测结果用于结合对应的多个检测结果进行检测准确度分析。
具体的，将不合格检测结果中的所述多个检测结果和所述多个参考检测结果逐一相减并计算获得绝对值，将多个绝对值结果作为所述多个免疫荧光实验检测结果的误差程度数据，并将多个误差程度数据所述多个检测准确度信息进行数据均值计算获得所述平均检测准确度信息，所述平均检测准确度信息表征待评估批次的免疫荧光试剂盒的检测准确度，本实施例通过基于多个检测结果和多个参考检测结果进行检测结果误差计算以及均值计算，实现了从免疫荧光试剂盒的检测准确度角度进行待评估批次的免疫荧光试剂盒的生产评估的技术效果。
S500:将所述检出限信息和所述平均检测准确度信息输入质量评估模型，获得质量评估结果。
在一个实施例中，将所述检出限信息和所述平均检测准确度信息输入质量评估模型，获得质量评估结果，本申请提供的方法步骤S500还包括：
S510:获取多个样本检出限信息和多个样本平均检测准确度信息；
S520:根据所述多个样本检出限信息和多个样本平均检测准确度信息，获取多个样本质量评估结果；
S530:基于检出限信息和评论检测准确度信息，构建互相垂直的第一坐标轴和第二坐标轴，形成评估坐标系；
S540:将所述多个样本检出限信息和多个样本平均检测准确度信息进行一一组合，并输入所述评估坐标系，获得多个样本坐标点；
S550:采用所述多个样本质量评估结果，作为多个标签，对所述多个样本坐标点进行标记，获得所述质量评估模型；
S560:将所述检出限信息和所述平均检测准确度信息输入所述质量评估模型，获得所述质量评估结果。
S561:将所述检出限信息和所述平均检测准确度信息输入所述评估坐标系，获得实验坐标点；
S562:获取所述实验坐标点最接近的k个样本坐标点，以及对应的k个样本质量评估结果，k为奇数；
S563:获取所述k个样本质量评估结果内出现频率最高的样本质量评估结果，作为所述质量评估结果。
具体而言，在本实施例中，采集获取多类型免疫荧光试剂盒，作为实验样本免疫荧光试剂盒，基于步骤S100～S500进行检出限信息获取以及平均检测准确度信息获取。将获得的多类型免疫荧光试剂盒的多个检出限信息和多个平均检测准确度信息作为所述多个样本检出限信息和多个样本平均检测准确度信息。
根据所述多个样本检出限信息和多个样本平均检测准确度信息，采用专家评价法获取多个样本质量评估结果，所述样本质量评估结果为综合检出限信息以及平均检测准确度信息生成的样本免疫荧光试剂盒的综合性评价结果。具体获得方法为获取多位免疫检测领域专家基于多个样本检出限信息和样本平均检测准确度信息给出的多个样本检测试剂盒的多个样本质量评估结果。
以专家为单位，一位专家分配一个数据通道，将每位专家对多个样本免疫荧光试剂盒给出的多个样本质量评估结果分别放入对应的专家通道进行信息隔离处理，基于信息隔离通道分别提取获得多位专家的对多个样本免疫荧光试剂盒给出的多个样本质量评估结果，并分别进行均值计算，获得表征每一样本免疫荧光试剂盒的生产质量的样本质量评估结果。
基于检出限信息和评论检测准确度信息，构建互相垂直的第一坐标轴和第二坐标轴，形成评估坐标系，以多个样本免疫荧光试剂盒为基准将所述多个样本检出限信息和多个样本平均检测准确度信息进行一一组合，并输入所述评估坐标系，获得多个样本坐标点，采用所述多个样本质量评估结果，作为多个标签，对所述多个样本坐标点进行标记，获得所述质量评估模型，所述质量评估模型的输入数据为检出限信息和平均检测准确度信息，输出结果为荧光免疫试剂盒的质量评估结果。
将所述检出限信息和所述平均检测准确度信息输入所述质量评估模型的所述评估坐标系，获得实验坐标点，所述实验坐标点为基于所述检出限信息和所述平均检测准确度信息进行组合获得。
获取所述实验坐标点最接近的k个样本坐标点，以及对应的k个样本质量评估结果，k为优选为奇数个，获取所述k个样本质量评估结果内出现频率最高的样本质量评估结果，将该样本质量评估结果作为所述质量评估结果。
本实施例实现了从免疫荧光试剂盒的检出限和平均检测准确度角度综合进行待评估批次的免疫荧光试剂盒的生产评估，提高免疫荧光试剂盒生产评估的科学性和可信性，间接实现了为后续进行待评估批次的免疫荧光试剂盒的生产工艺优化调整提供数据参考的技术效果。
在一个实施例中，如图3所示，提供了一种免疫荧光试剂盒的检测评估系统，包括：免疫荧光实验模块1，显微图像采集模块2，检测结果分析模块3，检测结果计算模块4，质量评估执行模块5，其中：
免疫荧光实验模块1，用于随机采用待评估批次的免疫荧光试剂盒，分别进行多个免疫荧光实验；
显微图像采集模块2，用于采集多次免疫荧光实验的多个显微图像，将所述多个显微图像输入荧光图像分析模型，获得多个检测结果；
检测结果分析模块3，用于根据所述多个检测结果，获得所述待评估批次的免疫荧光试剂盒的检出限信息；
检测结果计算模块4，用于获取多个参考检测结果，对所述多个检测结果进行计算，获得多个检测准确度信息，并获得平均检测准确度信息；
质量评估执行模块5，用于将所述检出限信息和所述平均检测准确度信息输入质量评估模型，获得质量评估结果。
在一个实施例中，所述显微图像采集模块2还包括：
样本图像采集单元，用于根据所述多个免疫荧光实验，获取历史内进行免疫荧光实验的显微图像，获得多个样本显微图像；
实验结果获取历史内进行免疫荧光实验的实验结果，获取多个样本检测结果；
分析模型构建单元，用于采用所述多个样本显微图像和多个样本检测结果，构建所述荧光图像分析模型；
检测结果获得单元，用于将所述多个显微图像输入所述荧光图像分析模型，获得所述多个检测结果。
在一个实施例中，所述分析模型构建单元还包括：
分析模型生成单元，用于基于卷积神经网络，构建所述荧光图像分析模型，所述荧光图像分析模型的输入数据为荧光实验的显微图像，输出数据为检测结果；
模型训练执行单元，用于采用所述多个样本显微图像和多个样本检测结果，对所述荧光图像分析模型进行监督训练和验证，直到收敛过准确率达到预设要求，获得所述荧光图像分析模型。
在一个实施例中，所述检测结果分析模块3还包括：
预设浓度获得单元，用于获取所述多个免疫荧光实验的多个预设浓度信息；
检测结果判断单元，用于判断所述多个检测结果是否满足所述多个预设浓度信息，获得多个合格检测结果；
检出限信息设定单元，用于将最小的一个合格检测结果对应的预设浓度信息作为所述检出限信息。
在一个实施例中，所述检测结果计算模块4还包括：
参考结果获得单元，用于将所述多个预设浓度信息作为所述多个参考检测结果；
误差浓度计算单元，用于根据所述多个检测结果和所述多个参考检测结果，计算获得所述多个免疫荧光实验检测结果的误差程度，作为所述多个检测准确度信息；
平均数据计算单元，用于根据所述多个检测准确度信息，计算获得所述平均检测准确度信息。
在一个实施例中，所述质量评估执行模块5还包括：
样本信息获取单元，用于获取多个样本检出限信息和多个样本平均检测准确度信息；
样本评估获得单元，用于根据所述多个样本检出限信息和多个样本平均检测准确度信息，获取多个样本质量评估结果；
评估坐标构建单元，用于基于检出限信息和评论检测准确度信息，构建互相垂直的第一坐标轴和第二坐标轴，形成评估坐标系；
样本坐标获得单元，用于将所述多个样本检出限信息和多个样本平均检测准确度信息进行一一组合，并输入所述评估坐标系，获得多个样本坐标点；
评估模型生成单元，用于采用所述多个样本质量评估结果，作为多个标签，对所述多个样本坐标点进行标记，获得所述质量评估模型；
评估结果获得单元，用于将所述检出限信息和所述平均检测准确度信息输入所述质量评估模型，获得所述质量评估结果。
在一个实施例中，所述评估结果获得单元还包括：
信息输入执行单元，用于将所述检出限信息和所述平均检测准确度信息输入所述评估坐标系，获得实验坐标点；
样本质量评估单元，用于获取所述实验坐标点最接近的k个样本坐标点，以及对应的k个样本质量评估结果，k为奇数；
评估结果选定单元，用于获取所述k个样本质量评估结果内出现频率最高的样本质量评估结果，作为所述质量评估结果。
关于一种免疫荧光试剂盒的检测评估系统的具体实施例可以参见上文中对于一种免疫荧光试剂盒的检测评估方法的实施例，在此不再赘述。上述一种免疫荧光试剂盒的检测评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储新闻数据以及时间衰减因子等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种免疫荧光试剂盒的检测评估方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：随机采用待评估批次的免疫荧光试剂盒，分别进行多个免疫荧光实验；采集多次免疫荧光实验的多个显微图像，将所述多个显微图像输入荧光图像分析模型，获得多个检测结果；根据所述多个检测结果，获得所述待评估批次的免疫荧光试剂盒的检出限信息；获取多个参考检测结果，对所述多个检测结果进行计算，获得多个检测准确度信息，并获得平均检测准确度信息；将所述检出限信息和所述平均检测准确度信息输入质量评估模型，获得质量评估结果。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种免疫荧光试剂盒的检测评估方法，其特征在于，所述方法包括：
随机采用待评估批次的免疫荧光试剂盒，分别进行多个免疫荧光实验；
采集多次免疫荧光实验的多个显微图像，将所述多个显微图像输入荧光图像分析模型，获得多个检测结果，其中，基于卷积神经网络，构建所述荧光图像分析模型，所述荧光图像分析模型的输入数据为荧光实验的显微图像，输出数据为检测结果；
采用多个样本显微图像和多个样本检测结果，对所述荧光图像分析模型进行监督训练和验证，直到收敛过准确率达到预设要求，获得所述荧光图像分析模型；
根据所述多个检测结果，获得所述待评估批次的免疫荧光试剂盒的检出限信息，包括：
获取所述多个免疫荧光实验的多个预设浓度信息；
判断所述多个检测结果是否满足所述多个预设浓度信息，获得多个合格检测结果；
将最小的一个合格检测结果对应的预设浓度信息作为所述检出限信息；
获取多个参考检测结果，对所述多个检测结果进行计算，获得多个检测准确度信息，并获得平均检测准确度信息，包括：
将所述多个预设浓度信息作为所述多个参考检测结果；
根据所述多个检测结果和所述多个参考检测结果，计算获得所述多个免疫荧光实验检测结果的误差程度，作为所述多个检测准确度信息；
根据所述多个检测准确度信息，计算获得所述平均检测准确度信息；
将所述检出限信息和所述平均检测准确度信息输入质量评估模型，获得质量评估结果，包括：
获取多个样本检出限信息和多个样本平均检测准确度信息；
根据所述多个样本检出限信息和多个样本平均检测准确度信息，获取多个样本质量评估结果；
基于检出限信息和平均检测准确度信息，构建互相垂直的第一坐标轴和第二坐标轴，形成评估坐标系；
将所述多个样本检出限信息和多个样本平均检测准确度信息进行一一组合，并输入所述评估坐标系，获得多个样本坐标点；
采用所述多个样本质量评估结果，作为多个标签，对所述多个样本坐标点进行标记，获得所述质量评估模型；
将所述检出限信息和所述平均检测准确度信息输入所述质量评估模型，获得所述质量评估结果；
其中，将所述检出限信息和所述平均检测准确度信息输入所述质量评估模型，获得所述质量评估结果，包括：
将所述检出限信息和所述平均检测准确度信息输入所述评估坐标系，获得实验坐标点；
获取所述实验坐标点最接近的k个样本坐标点，以及对应的k个样本质量评估结果，k为奇数；
获取所述k个样本质量评估结果内出现频率最高的样本质量评估结果，作为所述质量评估结果。
2.根据权利要求1所述的方法，其特征在于，采集多次免疫荧光实验的多个显微图像，将所述多个显微图像输入荧光图像分析模型，获得多个检测结果，包括：
根据所述多个免疫荧光实验，获取历史内进行免疫荧光实验的显微图像，获得多个样本显微图像；
获取历史内进行免疫荧光实验的实验结果，获取多个样本检测结果；
采用所述多个样本显微图像和多个样本检测结果，构建所述荧光图像分析模型；
将所述多个显微图像输入所述荧光图像分析模型，获得所述多个检测结果。
3.一种免疫荧光试剂盒的检测评估系统，其特征在于，所述系统包括：
免疫荧光实验模块，用于随机采用待评估批次的免疫荧光试剂盒，分别进行多个免疫荧光实验；
显微图像采集模块，用于采集多次免疫荧光实验的多个显微图像，将所述多个显微图像输入荧光图像分析模型，获得多个检测结果，其中，基于卷积神经网络，构建所述荧光图像分析模型，所述荧光图像分析模型的输入数据为荧光实验的显微图像，输出数据为检测结果；
采用多个样本显微图像和多个样本检测结果，对所述荧光图像分析模型进行监督训练和验证，直到收敛过准确率达到预设要求，获得所述荧光图像分析模型；
检测结果分析模块，用于根据所述多个检测结果，获得所述待评估批次的免疫荧光试剂盒的检出限信息，包括：
获取所述多个免疫荧光实验的多个预设浓度信息；
判断所述多个检测结果是否满足所述多个预设浓度信息，获得多个合格检测结果；
将最小的一个合格检测结果对应的预设浓度信息作为所述检出限信息；
检测结果计算模块，用于获取多个参考检测结果，对所述多个检测结果进行计算，获得多个检测准确度信息，并获得平均检测准确度信息，包括：
将所述多个预设浓度信息作为所述多个参考检测结果；
根据所述多个检测结果和所述多个参考检测结果，计算获得所述多个免疫荧光实验检测结果的误差程度，作为所述多个检测准确度信息；
根据所述多个检测准确度信息，计算获得所述平均检测准确度信息；
质量评估执行模块，用于将所述检出限信息和所述平均检测准确度信息输入质量评估模型，获得质量评估结果，包括：
获取多个样本检出限信息和多个样本平均检测准确度信息；
根据所述多个样本检出限信息和多个样本平均检测准确度信息，获取多个样本质量评估结果；
基于检出限信息和平均检测准确度信息，构建互相垂直的第一坐标轴和第二坐标轴，形成评估坐标系；
将所述多个样本检出限信息和多个样本平均检测准确度信息进行一一组合，并输入所述评估坐标系，获得多个样本坐标点；
采用所述多个样本质量评估结果，作为多个标签，对所述多个样本坐标点进行标记，获得所述质量评估模型；
将所述检出限信息和所述平均检测准确度信息输入所述质量评估模型，获得所述质量评估结果；
其中，将所述检出限信息和所述平均检测准确度信息输入所述质量评估模型，获得所述质量评估结果，包括：
将所述检出限信息和所述平均检测准确度信息输入所述评估坐标系，获得实验坐标点；
获取所述实验坐标点最接近的k个样本坐标点，以及对应的k个样本质量评估结果，k为奇数；
获取所述k个样本质量评估结果内出现频率最高的样本质量评估结果，作为所述质量评估结果。
4.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至2中任一项所述的方法的步骤。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至2中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211655852.5A CN115902227B (zh) | 2022-12-22 | 2022-12-22 | 一种免疫荧光试剂盒的检测评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211655852.5A CN115902227B (zh) | 2022-12-22 | 2022-12-22 | 一种免疫荧光试剂盒的检测评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115902227A CN115902227A (zh) | 2023-04-04 |
| CN115902227B true CN115902227B (zh) | 2024-05-14 |
Family
ID=86478110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211655852.5A Active CN115902227B (zh) | 2022-12-22 | 2022-12-22 | 一种免疫荧光试剂盒的检测评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115902227B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116593128A (zh) * | 2023-04-28 | 2023-08-15 | 南京贝迪新材料科技股份有限公司 | 一种激光显示质量检测分析方法及系统 |
| CN116542978B (zh) * | 2023-07-06 | 2023-10-20 | 珠海圣美生物诊断技术有限公司 | Fish探针的质量检测方法和装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800631A (zh) * | 2018-12-07 | 2019-05-24 | 天津大学 | 基于掩膜区域卷积神经网络的荧光编码微球图像检测方法 |
| CN110751012A (zh) * | 2019-05-23 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 目标检测评估方法、装置、电子设备及存储介质 |
| CN112926406A (zh) * | 2021-02-02 | 2021-06-08 | 广东嘉铭智能科技有限公司 | 一种自动化免疫荧光检测方法、装置、设备及系统 |
| CN113450317A (zh) * | 2021-06-10 | 2021-09-28 | 西安交通大学 | 一种针对妇科临床微生物感染的免疫荧光图像检测方法 |
| CN113743814A (zh) * | 2021-09-13 | 2021-12-03 | 上海联影医疗科技股份有限公司 | 医学影像质量评价和处理方法、装置、设备和介质 |
| CN113850785A (zh) * | 2021-09-27 | 2021-12-28 | 展讯通信（上海）有限公司 | 图像质量模型的生成、评估方法与系统及其设备与介质 |
| WO2022093510A1 (en) * | 2020-10-27 | 2022-05-05 | Ventana Medical Systems, Inc. | Identifying auto-fluorescent artifacts in a multiplexed immunofluorescent image |
| CN114913159A (zh) * | 2022-05-23 | 2022-08-16 | 中国科学院深圳先进技术研究院 | 超声图像的质量评估方法、模型训练方法及电子设备 |
| CN114971433A (zh) * | 2022-08-01 | 2022-08-30 | 中国工业互联网研究院 | 基于工业互联网的质量管控方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4058594A4 (en) * | 2019-11-15 | 2023-12-20 | The Regents Of The University Of Michigan | SYSTEMS AND METHODS FOR RAPID, SENSITIVE MULTIPLEX IMMUNOASSAYS |
-
2022
- 2022-12-22 CN CN202211655852.5A patent/CN115902227B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800631A (zh) * | 2018-12-07 | 2019-05-24 | 天津大学 | 基于掩膜区域卷积神经网络的荧光编码微球图像检测方法 |
| CN110751012A (zh) * | 2019-05-23 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 目标检测评估方法、装置、电子设备及存储介质 |
| WO2022093510A1 (en) * | 2020-10-27 | 2022-05-05 | Ventana Medical Systems, Inc. | Identifying auto-fluorescent artifacts in a multiplexed immunofluorescent image |
| CN112926406A (zh) * | 2021-02-02 | 2021-06-08 | 广东嘉铭智能科技有限公司 | 一种自动化免疫荧光检测方法、装置、设备及系统 |
| CN113450317A (zh) * | 2021-06-10 | 2021-09-28 | 西安交通大学 | 一种针对妇科临床微生物感染的免疫荧光图像检测方法 |
| CN113743814A (zh) * | 2021-09-13 | 2021-12-03 | 上海联影医疗科技股份有限公司 | 医学影像质量评价和处理方法、装置、设备和介质 |
| CN113850785A (zh) * | 2021-09-27 | 2021-12-28 | 展讯通信（上海）有限公司 | 图像质量模型的生成、评估方法与系统及其设备与介质 |
| CN114913159A (zh) * | 2022-05-23 | 2022-08-16 | 中国科学院深圳先进技术研究院 | 超声图像的质量评估方法、模型训练方法及电子设备 |
| CN114971433A (zh) * | 2022-08-01 | 2022-08-30 | 中国工业互联网研究院 | 基于工业互联网的质量管控方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115902227A (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115902227B (zh) | 一种免疫荧光试剂盒的检测评估方法及系统 | |
| US8676510B2 (en) | Clinical-result confirming device, clinical-result confirming method, and computer program therefor | |
| Zenios et al. | Pooled testing for HIV prevalence estimation: exploiting the dilution effect | |
| Hutchinson et al. | Models and machines: how deep learning will take clinical pharmacology to the next level | |
| US20230360735A1 (en) | Phenotype measurement systems and methods | |
| CN111242922A (zh) | 一种蛋白质图像分类方法、装置、设备及介质 | |
| Dürr et al. | Know when you don't know: a robust deep learning approach in the presence of unknown phenotypes | |
| CN111105407B (zh) | 一种病理切片染色质量评价方法、装置、设备及存储介质 | |
| CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
| CN111680575A (zh) | 一种人类上皮细胞染色分类装置、设备及存储介质 | |
| US12008750B2 (en) | Generating annotation data of tissue images | |
| Zhang et al. | Nonparametric methods for measurements below detection limit | |
| Baumgartner et al. | A novel network-based approach for discovering dynamic metabolic biomarkers in cardiovascular disease | |
| US9972085B2 (en) | Antinuclear antibody image analysis system, antinuclear antibody image analysis method, and antinuclear antibody image analysis program | |
| CN114066818B (zh) | 细胞检测分析方法、装置、计算机设备和存储介质 | |
| CN112505337B (zh) | 一种辅助分析样品的数据处理方法 | |
| CN110334353B (zh) | 词序识别性能的分析方法、装置、设备及存储介质 | |
| KR102159574B1 (ko) | 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트의 작업 결과의 정확도 추정 및 관리 방법 | |
| CN111048183B (zh) | 数字病理图像均一化的方法、装置、设备及存储介质 | |
| CN112954310A (zh) | 图像质量检测方法、装置、计算机设备以及可读存储介质 | |
| CN112329807A (zh) | 医用图像诊断装置、图像处理装置和方法、判断单元以及存储介质 | |
| CN116503411B (zh) | 基于图像识别的色谱柱状态识别方法及系统 | |
| CN114400049B (zh) | 肽段定量模型的训练方法、装置、计算机设备及存储介质 | |
| Prabhakaran et al. | Addressing persistent challenges in digital image analysis of cancerous tissues | |
| CN117912591B (zh) | 一种基于深度对比学习的激酶药物相互作用预测方法 |
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 |