CN116165108A - 血沉测量系统、设备及血沉测量方法 - Google Patents
血沉测量系统、设备及血沉测量方法 Download PDFInfo
- Publication number
- CN116165108A CN116165108A CN202111414434.2A CN202111414434A CN116165108A CN 116165108 A CN116165108 A CN 116165108A CN 202111414434 A CN202111414434 A CN 202111414434A CN 116165108 A CN116165108 A CN 116165108A
- Authority
- CN
- China
- Prior art keywords
- blood
- blood cell
- sedimentation
- blood sample
- detection
- 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
- 210000004369 blood Anatomy 0.000 title claims abstract description 336
- 239000008280 blood Substances 0.000 title claims abstract description 336
- 238000004062 sedimentation Methods 0.000 title claims abstract description 184
- 238000005259 measurement Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000001514 detection method Methods 0.000 claims abstract description 153
- 210000003743 erythrocyte Anatomy 0.000 claims abstract description 138
- 210000000601 blood cell Anatomy 0.000 claims abstract description 126
- 230000002776 aggregation Effects 0.000 claims abstract description 84
- 238000004220 aggregation Methods 0.000 claims abstract description 84
- 238000003062 neural network model Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000000684 flow cytometry Methods 0.000 claims abstract description 20
- 238000000691 measurement method Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 102000001554 Hemoglobins Human genes 0.000 claims description 31
- 108010054147 Hemoglobins Proteins 0.000 claims description 31
- 230000003287 optical effect Effects 0.000 claims description 29
- 210000001772 blood platelet Anatomy 0.000 claims description 16
- 210000004027 cell Anatomy 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 238000011088 calibration curve Methods 0.000 claims description 12
- 210000000265 leukocyte Anatomy 0.000 claims description 12
- 238000005534 hematocrit Methods 0.000 claims description 9
- 238000004820 blood count Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000284 resting effect Effects 0.000 claims description 3
- 238000004848 nephelometry Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 10
- 239000000523 sample Substances 0.000 description 122
- 102100038595 Estrogen receptor Human genes 0.000 description 24
- 101000882584 Homo sapiens Estrogen receptor Proteins 0.000 description 24
- 238000006243 chemical reaction Methods 0.000 description 9
- 102100029951 Estrogen receptor beta Human genes 0.000 description 8
- 101001010910 Homo sapiens Estrogen receptor beta Proteins 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000002834 transmittance Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005526 G1 to G0 transition Effects 0.000 description 1
- 206010018910 Haemolysis Diseases 0.000 description 1
- 206010039238 Rouleaux formation Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000010100 anticoagulation Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000003085 diluting agent Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000010437 erythropoiesis Effects 0.000 description 1
- 230000008588 hemolysis Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000012488 sample solution Substances 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000004879 turbidimetry Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/04—Investigating sedimentation of particle suspensions
- G01N15/05—Investigating sedimentation of particle suspensions in blood
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/59—Transmissivity
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Dispersion Chemistry (AREA)
- Hematology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请提供了一种血沉测量系统、设备及血沉测量方法,涉及医疗设备技术领域,所述系统包括采样分配装置、血沉检测装置、血细胞检测装置和数据处理装置。采样分配装置用于采集待测血液样本,并将待测血液样本至少部分地分别分配给血沉检测装置和血细胞检测装置。血沉检测装置用于对被分配的血液样本部分进行检测,以获得待测血液样本的红细胞聚集曲线。血细胞检测装置用于通过流式细胞术和/或库尔特法对被分配的血液样本部分进行检测,以获得待测血液样本的至少包括红细胞参数的血细胞参数。数据处理装置用于将红细胞聚集曲线和血细胞参数输入神经网络模型中,以得到第一血沉测量结果。由此能够快速地获得更加准确的红细胞沉降率。
Description
技术领域
本申请涉及医疗设备技术领域,具体涉及一种血沉测量系统、设备及血沉测量方法。
背景技术
红细胞沉降率(Erythrocyte sedimentation rate,ESR)简称血沉,是指规定条件下,离体抗凝血中的红细胞自然沉降的速率。ESR用于一些疾病的鉴别诊断及病情观察,是反映红细胞聚集程度的一项常用指标,对疾病静止期、病情稳定与复发、肿瘤良性与恶性具有鉴别意义。
现有测量ESR的常用方法是魏氏法,魏氏法是通过观察并记录装在魏氏血沉管中的血液的红细胞沉降速度。通常,在魏氏法中,从注入血样后开始计时,并观察一小时后群集细胞与血浆之间界面距管顶端液面的距离(悬浮介质高度),以测量ESR。
随着医院病人的大量增加,一小时出测量结果的检测效率已经不能满足日常检测需求,因此需要一种快速测量ESR的系统。
为此,在血流变学研究的基础上,业界出现了快速ESR测量方法(以下也称为红细胞聚集法),即通过测量红细胞聚集指数来预测红细胞沉降率的方法。通过测量缗钱状红细胞形成过程中血细胞对光的散射率/透射率的变化,换算出ESR的测量值。这个测量过程能够在很短的时间内(约20s)完成,而且耗血量只有100uL左右。这些方法表明了红细胞聚集指数与红细胞沉降率之间存在一定的相关性。
然而,虽然通过红细胞聚集法能够快速获得ESR值,但是在通过红细胞聚集法测得的ESR值和通过魏氏法测得的ESR值之间仍然存在较大的差异。
发明内容
因此,本申请的一个目的在于提供一种血沉测量系统、一种血沉测量设备、一种血沉测量方法和一种计算机可读存储介质,其能够通过将待测血液样本的血细胞参数和待测血液样本的红细胞聚集曲线输入神经网络模型中,以便根据血细胞参数对红细胞聚集曲线进行修正,从而快速地获得神经网络输出的准确的血沉测量结果,通过本申请获得的血沉检测结果与通过魏氏法测得的血沉检测结果具有较好的一致性。
为了实现本申请的目的,本申请第一方面提供了一种血沉测量系统,包括采样分配装置、血沉检测装置、血细胞检测装置和数据处理装置;
所述采样分配装置被配置用于采集待测血液样本,并将所述待测血液样本至少部分地分别分配给所述血沉检测装置和所述血细胞检测装置;
所述血沉检测装置被配置用于对被分配的血液样本部分进行检测,以获得透过被分配的血液样本部分的透射光或经所述待测血液样本散射的散射光的光强随时间变化的红细胞聚集曲线;
所述血细胞检测装置被配置用于通过流式细胞术和/或库尔特法对被分配的血液样本部分进行检测,以获得所述待测血液样本的血细胞参数,所述血细胞参数至少包括红细胞参数;
所述数据处理装置被配置用于获取所述待测血液样本的红细胞聚集曲线和血细胞参数,并将所述红细胞聚集曲线和所述血细胞参数输入神经网络模型中,以得到所述神经网络模型输出的第一血沉测量结果。
在本申请第一方面提供的血沉测量系统中,通过将血细胞检测装置和血沉检测装置集成在同一个系统中,可以快速获取待测血液样本的血细胞参数以及红细胞聚集曲线,并将获得的待测血液样本的血细胞参数以及红细胞聚集曲线输入神经网络模型中,以便通过神经网络模型输出第一血沉测量结果,不仅提高了检测效率,还提高了血沉测量结果的准确性。
本申请第二方面提供了一种相应的血沉测量设备,包括血沉检测装置和数据处理装置;
所述血沉检测装置被配置用于对待测血液样本进行检测,以获得透过待测血液样本的透射光或经所述待测血液样本散射的散射光的光强随时间变化的红细胞聚集曲线;
所述数据处理装置被配置用于:获取所述待测血液样本的红细胞聚集曲线,以及获取所述待测血液样本的通过流式细胞术和/或库尔特法测得的血细胞参数,所述血细胞参数至少包括红细胞参数,并将所述红细胞聚集曲线和所述血细胞参数输入神经网络模型中,以得到所述神经网络模型输出的血沉测量结果。
在本申请第二方面提供的血沉测量设备中,通过将获取的待测血液样本的红细胞聚集曲线以及通过流式细胞术和/或库尔特法得到的血细胞参数输入神经网络模型中,能够得到神经网络模型输出的利用血细胞参数对红细胞聚集曲线进行修正后的血沉测量结果,从而实现了对血沉快速且准确的测量。
本申请第三方面提供了一种相应的血沉测量方法,所述血沉测量方法包括:
获取待测血液样本的红细胞聚集曲线;
获取所述待测血液样本的通过流式细胞术和/或库尔特法测得的血细胞参数,所述血细胞参数至少包括红细胞参数;
将所述红细胞聚集曲线和所述血细胞参数输入神经网络模型中,以得到所述神经网络模型输出的第一血沉测量结果。
在本申请第三方面提供的血沉测量方法中,通过将获取的待测血液样本的红细胞聚集曲线以及血细胞参数输入神经网络模型中进行计算,可以快速地获取准确的血沉测量结果。
本申请第四方面提供了一种相应的血沉测量方法,所述血沉测量方法包括:
将一部分待测血液样本运送至光学检测管路,并通过使所述一部分待测血液样本在所述光学检测管路中来回流动,以便对所述一部分待测血液样本中的红细胞进行解聚处理;
在所述解聚处理之后使所述一部分待测血液样本静止在所述光学检测管路中并用光照射所述一部分待测血液样本,以获取透过所述一部分待测血液样本的透射光的光强随时间变化的红细胞聚集曲线;
获取所述待测血液样本的通过库尔特法和/或流式细胞术测得的血细胞参数,所述血细胞参数至少包括红细胞参数;
将解析数据输入具有神经网络结构的深度学习算法中,所述解析数据包括所述红细胞聚集曲线和所述血细胞参数;
通过所述深度学习算法计算所述待测血液样本的血沉检测结果。
在本申请第四方面提供的血沉测量方法中,通过对解聚后的待测血液样本进行光照可以获取待测血液样本的红细胞聚集曲线,将红细胞聚集曲线以及待测血液样本的通过库尔特法和/或流式细胞术测得的血细胞参数输入具有神经网络结构的深度学习算法中,从而可以通过深度学习算法实现对血沉测量结果的快速且准确的计算。
本申请第五方面提供了一种计算机可读存储介质,包括计算机程序指令,其中,所述计算机程序指令在其被处理器执行时实现本申请第三方面提供的血沉测量方法。
附图说明
本申请上述和/或附加方面的优点和特征从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本申请一些实施例的血沉测量系统的示意性框图;
图2是根据本申请一些实施例的血沉测量系统的结构示意图;
图3是根据本申请一些实施例的神经网络模型的结构示意图;
图4是根据本申请另一些实施例的神经网络模型的结构示意图;
图5是由根据本申请的血沉检测装置通过红细胞聚集法测得的红细胞聚集曲线;
图6是一种用于计算修正前的血沉测量结果的校准曲线;
图7是根据本申请一些实施例的第二血沉测量结果和参考聚集法测量结果的相关性示意图;
图8是由根据本申请的血细胞检测装置测得的阻抗变化信号的示意图;
图9是按照本申请修正后的第一血沉测量结果和魏氏法测量结果之间的相关性示意图;
图10是按照本申请修正后的第一血沉测量结果和魏氏法测量结果之间的另一相关性示意图;
图11是根据本申请的血细胞检测装置测得的光学信号的示意图;
图12是根据本申请一些实施例的一种血沉测量方法的流程示意图;
图13是根据本申请一些实施例的另一种血沉测量方法的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
目前,在临床上越来越多地使用血液样本的ESR值来辅助诊断疾病。本申请的发明人注意到,现有采用红细胞聚集法检测得到的ESR值与通过参考方法、即魏氏法测得的ESR值之间的一致性较差,即,采用红细胞聚集法检测得到的ESR值不能准确地反应红细胞自然沉降速率。
基于此,为了快速地获得能够较准确地反应红细胞自然沉降速率的ESR值,提出一种使用红细胞聚集曲线和血细胞参数借助于神经网络模型来获取修正后的血沉测量结果的技术方案。
请参考图1,本申请第一方面提供一种血沉测量系统,包括采样分配装置10、血沉检测装置20、血细胞检测装置30和数据处理装置40。
采样分配装置10被配置用于采集待测血液样本,并将待测血液样本至少部分地分别分配给血沉检测装置20和血细胞检测装置30。
血沉检测装置20被配置用于对被分配的血液样本部分进行检测,以透过待测血液样本的透射光或经所述被分配的血液样本部分散射的散射光的光强随时间变化的红细胞聚集曲线。
血细胞检测装置30被配置用于通过流式细胞术和/或库尔特法对被分配的血液样本部分进行检测,以获得待测血液样本的血细胞参数,所述血细胞参数至少包括红细胞参数。
数据处理装置40被配置用于获取待测血液样本的红细胞聚集曲线和血细胞参数,并将红细胞聚集曲线和血细胞参数输入神经网络模型中,以得到神经网络模型输出的第一血沉测量结果。
本申请第一方面提供的血沉测量系统集成了采样分配装置10、血沉检测装置20、血细胞检测装置30以及数据处理装置40,在临床实际应用中,使用一个系统便能获取待测血液样本的血细胞参数以及红细胞聚集曲线,并将其输入神经网络模型,以得到第一血沉测量结果,提高了血沉的检测效率和检测准确性。
在一些实施例中,如图1中带有双向箭头的虚线所表示的那样,数据处理装置40可以分别和采样分配装置10、血沉检测装置20以及血细胞检测装置30通信连接,以使采样分配装置10、血沉检测装置20以及血细胞检测装置30之间相互配合,完成对待测血液样本的检测,以便获取待测血液样本的红细胞聚集曲线以及血细胞参数。
在血沉测量系统的一个实施例中,如图2所示,采样分配装置10可以包括采样针11、动力输送管路12和采样分配动力装置13,动力输送管路12设置用于将采样针11与采样动力装置13流体连接。采样分配动力装置13设置用于通过动力输送管路12驱动采样针11吸取血液样本,以及驱动采样针11对所吸取的血液样本进行分配。血液样本通常储存于试管100中,采样针11用于从试管100中吸取血液样本。
在一些实施例中,采样分配模块10可以通过采用一次采集、分多次分配的方式或者通过分多次采集并分配的方式实现将血液样本的不同部分分别分配给血沉检测装置20和血细胞检测装置30。
请参考图2,血沉检测装置20可以包括血沉检测管路22、光发射器231和光接收器232以及血沉动力装置21。血沉动力装置21构造用于将待测血液样本运送、例如抽吸到血沉检测管路22中。光发射器231和光接收器232分别位于血沉检测管路22的检测区的两侧。光发射器231用于照射检测区内的被分配的血液样本部分。光接收器232用于检测由光发射器231发射的光在照射被分配的血液样本部分后的变化量(例如接收被该血液样本部分透射的光和/或散射的光),通过检测接收到的光量来检测检测区内的被分配的血液样本部分对光的吸收或散射程度。由于血液样本中的红细胞在聚集(形成缗钱状)的过程中,照射在血液样本上的光的散射或透射会发生变化,因此能够通过检测接收经照射血液样本后透射或散射光的量来检测血液样本对光散射或吸收的程度,从而测出红细胞沉降率。在此,光学检测组件尤其是通过透射比浊法对血液样本进行检测。
在启动血沉检测装置20进行检测时,采样分配动力装置13可以优选用作血沉动力装置21并进一步用于通过采样针11将试管100中的待测血液样本抽吸至血沉检测管路22中,并使待测血液样本流动到检测区后停止运动,然后使待测血液样本保持不动。光发射器231照射检测区内的血液样本,光接收器232检测光发射器231发射的光在照射检测区内的血液样本后散射或透射的程度,以便检测待测血液样本的红细胞聚集程度、例如红细胞聚集速度。
在一些实施例中,血沉检测装置20可以被配置用于:在检测红细胞聚集曲线之前,通过使待测血液样本在血沉检测装置的检测区中来回流动来对该待测血液样本中的红细胞进行解聚处理。由此,在具有光发射器231和光接收器232的光学检测组件检测红细胞聚集程度之前,可以使得检测区中的血液样本中的红细胞尽可能处于分散状态,以便能够更加准确地测量红细胞聚集程度。
为此,在图2所示的实施例中,可采用血沉动力装置21驱动检测管路22的检测区中的血液样本来回流动。特别是在血沉动力装置21构造为注射器的情况下,由于可灵活地设定注射器的运动速度以及运动方向,能够灵活地对血液样本进行解聚,而且能够节约血量。
在血沉动力装置21驱动检测区内的血液样本来回流动预定次数之后,血沉动力装置21可以立即停止驱动,使得检测区内的血液样本停止流动,从而检测区内的血液样本中的红细胞发生聚集,引起透光率变化。
在一些实施例中,血沉检测管路22由软管制成,血沉检测管路22的检测区由透光材料制成。因此,血沉检测管路22可以任意灵活设置,例如可以竖直、水平或倾斜设置,也可以弯曲设置,此不做限定。
请继续参考图2,血细胞检测装置30可以包括反应池31和检测组件(图2未示出),反应池31用于为被分配的血液样本提供与试剂混合的场所,检测组件对反应池31中血液样本与试剂混合得到的待测样本液进行血常规检测。
本领域技术人员能够理解,血细胞检测装置30的检测组件可以包括光学检测单元、阻抗检测单元和血红蛋白检测单元中的至少一个。相应地,反应池可以包括光学检测反应池、阻抗检测反应池和血红蛋白检测反应池中的至少一个。在血细胞检测装置30对血液样本进行血常规检测时,可以将血液样本和相应的试剂(例如稀释液和/或溶血剂和/或染色剂等等)加入到反应池31中,由检测组件对反应池31中的血液样本进行测量,以获得至少一种血细胞参数,血细胞参数可以包括WBC(White blood cell,白细胞)分类参数、WBC计数和形态参数、HGB(Hemoglobin,血红蛋白)参数、RBC(Red blood cell,红细胞)以及PLT(blood platelet,血小板)计数和形态参数中的至少一种或多种组合。
在一些实施例中,血细胞检测装置30可以包括阻抗检测单元,阻抗检测单元包括检测小孔和检测电路,该检测电路设置用于检测被分配给阻抗检测单元的血液样本部分中的细胞在经过检测小孔时的阻抗法脉冲信号。在此,阻抗检测单元构造为基于库尔特法(也称为阻抗法)实现血细胞检测。
在一些实施例中,血细胞检测装置30可以包括光学检测单元,光学检测单元具有光源、流动室和光检测器,该光源设置用于发射光束以照射所述流动室的检测区,该光检测器设置用于检测被分配给光学检测单元的血液样本部分中的细胞在通过检测区时被光照射后产生的光学法脉冲信号。在此,光学检测单元构造为基于流式细胞术实现血细胞检测。
在一些实施例中,例如可以设置用于检测前向散射光(FSC)的前向散射光检测器、用于检测侧向散射光(SSC)的侧向散射光检测器和用于检测荧光(SFL)的荧光检测器中的至少一个。其中,前向散射光表征细胞体积大小,侧向散射光表征细胞内部复杂度,荧光表征细胞内的核酸含量。
在一些实施例中,血细胞检测装置30可以包括血红蛋白检测单元,血红蛋白检测单元设置用于检测被分配给血红蛋白检测单元的血液样本部分的血红蛋白浓度。
在一些实施例中,血沉检测装置20和血细胞检测装置30在时间上能够并行进行检测,如此,能够进一步提高检测效率,缩短等待检测结果的时间。
在一些实施例中,数据处理装置40还可以将得到的第一血沉测量结果输出,例如输出至未示出的显示器。
在一些实施例中,数据处理装置40可以包括处理器,该处理器包括但不限于中央处理器(Central Processing Unit,CPU)、微控制单元(Micro Controller Unit,MCU)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、数字信号处理器(DSP)等用于解释计算机指令以及处理计算机软件中的数据的装置。
图3示出按照本申请的神经网络模型的一个实施例的示意性框图。该神经网络模型具有卷积神经网络结构。卷积神经网络结构包括数据输入层、卷积层、池化层和全连接层。在图3所示的实施例中,神经网络模型可以包括四个卷积层、两个池化层和三个全连接层。在其他实施例中,神经网络模型也可以具有更少或更多的卷积层、池化层、全连接层,本申请对此不做具体限定。
图4示出按照本申请的神经网络模型的另一个实施例的示意性框图,该神经网络模型为BP(back propagation)神经网络模型。
在此优选地,神经网络模型可以被预先训练好并存储在数据处理装置40中。例如,可以预先采集大量血液样本,针对每个血液样本都可以获取透过该血液样本的透射光或经该待测血液样本散射的散射光的光强随时间变化的红细胞聚集曲线,将每个血液样本的红细胞聚集曲线和血细胞参数输入图3所示的神经网络模型中,以便对该神经网络模型进行训练,并将训练好的神经网络模型存储在数据处理装置40中。从而在实时测量时,可以直接调用该神经网络模型以得到ESR1。
图5示出由根据本申请的血沉检测装置20测得的红细胞聚集曲线C。该红细胞聚集曲线C为透过待测血液样本的透射光的光强随时间变化的红细胞聚集曲线、即透射光强度-时间曲线,其中,透光度(也可以称为透射率)为相对光强并且等于透射光强与本底光强的比值。
在一些实施例中,数据处理装置40还可以被配置用于::计算红细胞聚集曲线在测量起始时间点T1到测量结束时间点T2之间的时间段内与时间轴围成的面积AUC(AreaUnder Curve);以及基于面积AUC和预存储的校准曲线计算第二血沉测量结果ESR2(即,未经过修正的第二血沉测量结果)。
在一些实施例中,预存储的校准曲线例如存储在数据处理装置40中。
图6示出一种用于计算第二血沉测量结果ESR2的校准曲线(也可以称为定标曲线),其中,横坐标是AUC,纵坐标是第二血沉测量结果ESR2。经过研究,血液样本的红细胞聚集曲线AUC与魏氏法ESR具有相关性,因此,所述校准曲线可以通过大量血液样本的红细胞聚集曲线AUC和魏氏法ESR统计拟合出来。也就是说,同时用按照本申请的血沉测量设备或系统以及魏氏法测量设备(包括沉降管)对大量血液样本进行检测,以获得这些血液样本的红细胞聚集曲线AUC和魏氏法ESR,然后基于这些数据得到校准曲线。
在一些实施例中,校准曲线以拟合函数的形式或者以一系列离散点的形式存储在数据处理装置40中。例如,校准曲线以查找表的形式存储在数据处理装置40中,通过查表以及差值的方式通过AUC获得第二血沉测量结果ESR2。
采用本申请实施例获得的第二血沉测量结果ESR2与现有技术中ALIFAX公司的仪器所检测得到的红细胞聚集法参考值具有良好的相关性,如图7所示。如图7所示,第二血沉测量结果与聚集法测量结果的相关性超过了0.9,表明第二血沉测量结果与聚集法测量结果具有良好的一致性。
在一些实施例中,数据处理装置40还可以被配置用于输出第一血沉测量结果ESR1和第二血沉测量结果ESR2中的至少一个。例如,数据处理装置40可以将第一血沉测量结果ESR1和第二血沉测量结果ESR2都输出至未示出的显示器,从而用户可以根据需要进行选择。
在一些实施例中,本申请所使用的血细胞参数还可以包括血小板参数、白细胞参数和血红蛋白参数中的一种或多种。
在一些实施例中,本申请所使用的血细胞参数可以包括通过库尔特法测得的血细胞脉冲信号、即阻抗变化信号、例如红细胞脉冲信号,如8所示。其中,该阻抗变化信号可以由血细胞检测装置30中的阻抗检测单元基于库尔特法检测得到。
在另一些实施例中,本申请所使用的血细胞参数可以包括根据阻抗变化信号获得的血细胞参数,例如,血小板计数、红细胞计数、红细胞比容值HCT、平均红细胞体积、红细胞体积变异系数以及红细胞分布宽度标准差中的一个或多个。
在一个具体的示例中,可以采集大量血液样本的魏氏法测量结果、红细胞聚集曲线以及根据阻抗变化信号获得的红细胞比容值HCT,并利用大量血液样本的红细胞聚集曲线和红细胞比容值对图3所示的神经网络模型进行训练,以获取训练好的神经网络模型。接着,根据本申请提供的血沉测量系统,将待测血液样本的红细胞聚集曲线和红细胞比容值输入该训练好的神经网络模型中,以获得神经网络模型的输出作为第一血沉测量结果ESR1。同时采用魏氏法检测所述待测血液样本的魏氏法测量结果。如图9所示,所述待测血液样本的采用红细胞比容值修正的第一血沉测量结果和魏氏法测量结果的相关性达到0.9249,表示得到的第一血沉测量结果和魏氏法测量结果具有良好的一致性,说明了本申请实施例提供的血沉测量系统测量的第一血沉测量结果的准确度较高。
在另一个具体的示例中,可以采集大量血液样本的魏氏法测量结果、红细胞聚集曲线的AUC、t3以及根据阻抗变化信号获得的红细胞比容值HCT,并利用大量血液样本的红细胞聚集曲线和红细胞比容值对图4所示的神经网络模型进行训练,以获取训练好的神经网络模型。接着,采用按照本申请的血沉测量系统并且采用魏氏法对待测血液样本进行检测,以获得相应的第一血沉测量结果ESR1和魏氏法测量结果。根据上述待测血液样本的第一血沉测量结果和魏氏法测量结果得到如图10所示的相关性。如图10所示,第一血沉测量结果ESR1与魏氏法测量结果的相关性超过了0.9374,表明第一血沉测量结果与魏氏法测量结果具有良好的一致性。
在一些备选或附加的实施例中,本申请所使用的血细胞参数也可以包括光学信号、例如红细胞光学信号,如图11所示。其中,该光学信号可以由血细胞检测装置30中的光学检测单元基于流式细胞术检测得到。例如,光学信号可以包括前向散射光信号,其中,该前向散射光信号可以由血细胞检测装置30中的前向散射光检测器检测得到。
在另一些实施例中,本申请所使用的血细胞参数还可以包括根据光学信号获得的血小板计数和/或白细胞计数。
在一些实施例中,本申请所使用的血细胞参数还可以包括血红蛋白浓度和/或基于血红蛋白浓度获得的平均血红蛋白含量和/或平均血红蛋白浓度,其中,血红蛋白浓度可以由血细胞检测装置30中的血红蛋白检测单元检测得到。
本申请第二方面提供了一种血沉测量设备,包括血沉检测装置20和数据处理装置40。
血沉检测装置20被配置用于对待测血液样本进行检测,以获得透过待测血液样本的透射光或经所述待测血液样本散射的散射光的光强随时间变化的红细胞聚集曲线。
数据处理装置40被配置用于:获取待测血液样本的红细胞聚集曲线,以及获取待测血液样本的通过流式细胞术和/或库尔特法测得的血细胞参数,所述血细胞参数至少包括红细胞参数,并将所述红细胞聚集曲线和所述血细胞参数输入神经网络模型中,以得到所述神经网络模型输出的血沉测量结果。
在一些实施例中,可以通过血细胞分析仪通过流式细胞术和/或库尔特法获得血细胞参数,该血细胞分析仪设置在血沉测量设备之外,并且与数据处理装置40通信连接,以便数据处理装置40能够获取由血细胞分析仪检测的血细胞参数。
在一些实施例中,血沉检测装置20可以被配置用于:在检测红细胞聚集曲线之前通过待测血液样本在血沉检测装置20的检测区中来回流动来对该待测血液样本中的红细胞进行解聚处理。
本申请第二方面的血沉测量设备的其他特征和优点可参考上述对本申请第一方面的血沉测量系统的描述,在此不再赘述。
本申请第三方面提供了一种血沉测量方法,如图12所示,该血沉测量方法可以包括以下步骤:
步骤S100:获取待测血液样本的红细胞聚集曲线;
步骤S110:获取待测血液样本的通过流式细胞术和/或库尔特法测得的血细胞参数,所述血细胞参数至少包括红细胞参数;
步骤S120:将红细胞聚集曲线和血细胞参数输入神经网络模型中,以得到神经网络模型输出的第一血沉测量结果。
在一些实施例中,步骤S100和步骤S110可以彼此独立且并行地进行。如此,总体检测时间短,从而提高了检测效率。
在一些实施例中,所述血沉测量方法还包括:计算红细胞聚集曲线C在测量起始时间点T1到测量结束时间点T2之间的时间段内与时间轴围成的面积AUC;
基于所述面积AUC和预存储的校准曲线计算第二血沉测量结果ESR2;以及
输出第一血沉测量结果和第二血沉测量结果中的至少一个。
在一些实施例中,步骤S110中获取的血细胞参数还可以包括血小板参数、白细胞参数和血红蛋白参数中的一种或多种。
在一些实施例中,步骤S110中获取的血细胞参数可以包括通过库尔特法测得的红细胞脉冲信号、血小板脉冲信号、红细胞计数、血小板计数、红细胞比容值、平均红细胞体积、红细胞体积变异系数以及红细胞分布宽度标准差中的一个或多个。
备选地或附加地,步骤S110中获取的血细胞参数可以包括通过流式细胞术测得的血细胞脉冲信号和/或根据血细胞脉冲信号获得的血小板计数和/或白细胞计数,其中,血细胞脉冲信号可以包括红细胞脉冲信号、血小板脉冲信号和白细胞脉冲信号中的一种或多种。
在一些实施例中,步骤S110中获取的血细胞参数可以包括血红蛋白浓度和/或基于血红蛋白浓度获得的平均血红蛋白含量和/或平均血红蛋白浓度。
本申请第四方面提供了一种血沉测量方法,如图13所示,该血沉测量方法可以包括以下步骤:
步骤S200:将一部分待测血液样本运送至光学检测管路,并通过使所述一部分待测血液样本在所述光学检测管路中来回流动,以便对所述一部分待测血液样本中的红细胞进行解聚处理;
步骤S210:在解聚处理之后使所述一部分待测血液样本静止在光学检测管路中并用光照射所述一部分待测血液样本,以获取透过所述一部分待测血液样本的透射光的光强随时间变化的红细胞聚集曲线;
步骤S220:获取待测血液样本的通过库尔特法和/或流式细胞术测得的血细胞参数,所述血细胞参数至少包括红细胞参数;
步骤S230:将解析数据输入具有神经网络结构的深度学习算法中,所述解析数据包括所述红细胞聚集曲线和所述血细胞参数;
步骤S240:通过深度学习算法计算所述待测血液样本的血沉检测结果。
例如,血沉测量系统的采样针吸取待测血液样本,混匀后使得待测血液样本中的红细胞充分解聚,测量解聚后的血液样本透过的光强随时间的变化曲线,即红细胞聚集曲线。
本申请第三方面和第四方面提供的血沉测量方法尤其适用于上述本申请第一方面和第二方面提供的血沉测量系统以及血沉测量设备。本申请的血沉测量方法的优点和更多实施例可参考上述对血沉测量系统以及血沉测量设备的描述,在此不再赘述。
本申请第五方面还提供了一种计算机可读存储介质,包括计算机程序指令,其中,所述计算机程序指令在其被处理器执行时实现本申请提供的血沉测量方法及其各个实施例的方法步骤。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上在说明书、附图以及权利要求中所提及的特征,只要在本申请内是有意义的,均可任意相互组合。针对按照本申请的血沉测量系统所描述的特征和优点以相应的方式适用于按照本申请的血沉测量方法,反之亦然。
以上仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (19)
1.一种血沉测量系统,包括采样分配装置、血沉检测装置、血细胞检测装置和数据处理装置;
所述采样分配装置被配置用于采集待测血液样本,并将所述待测血液样本至少部分地分别分配给所述血沉检测装置和所述血细胞检测装置;
所述血沉检测装置被配置用于对被分配的血液样本部分进行检测,以获得透过被分配的血液样本部分的透射光或经被分配的血液样本部分散射的散射光的光强随时间变化的红细胞聚集曲线;
所述血细胞检测装置被配置用于通过流式细胞术和/或库尔特法对被分配的血液样本部分进行检测,以获得所述待测血液样本的血细胞参数,所述血细胞参数至少包括红细胞参数;
所述数据处理装置被配置用于获取所述待测血液样本的红细胞聚集曲线和血细胞参数,并将所述红细胞聚集曲线和所述血细胞参数输入神经网络模型中,以得到所述神经网络模型输出的第一血沉测量结果。
2.根据权利要求1所述的血沉测量系统,其特征在于,所述血沉检测装置还被配置用于:在检测红细胞聚集曲线之前,通过使被分配血液样本部分在所述血沉检测装置的检测区中来回流动来对该被分配的血液样本部分中的红细胞进行解聚处理。
3.根据权利要求1或2所述的血沉测量系统,其特征在于,所述数据处理装置还被配置用于:
计算所述红细胞聚集曲线在测量起始时间点到测量结束时间之间的时间段内与时间轴围成的面积;
基于所述面积和预存储的校准曲线计算第二血沉测量结果;以及
输出所述第一血沉测量结果和所述第二血沉测量结果中的至少一个。
4.根据权利要求1至3中任一项所述的血沉测量系统,其特征在于,所述血细胞参数还包括血小板参数、白细胞参数和血红蛋白参数中的一种或多种。
5.根据权利要求1至4中任一项所述的血沉测量系统,其特征在于,所述血细胞检测装置包括阻抗检测单元,所述阻抗检测单元包括检测小孔和检测电路,该检测电路设置用于检测被分配给阻抗检测单元的血液样本部分中的细胞在经过所述检测小孔时的阻抗变化信号,所述血细胞参数包括根据所述阻抗变化信号获得的参数。
6.根据权利要求5所述的血沉测量系统,其特征在于,所述血细胞参数包括根据所述阻抗变化信号获得的血小板计数、红细胞计数、红细胞比容值、平均红细胞体积、红细胞体积变异系数以及红细胞分布宽度标准差中的一个或多个。
7.根据权利要求1至6中任一项所述的血沉测量系统,其特征在于,所述血细胞检测装置包括光学检测单元,所述光学检测单元具有光源、流动室和光检测器,所述光源设置用于发射光束以照射所述流动室的检测区,所述光检测器设置用于检测被分配给光学检测单元的血液样本部分中的细胞在通过所述检测区时被光照射后产生的光学信号,所述血细胞参数包括根据所述光学信号获得的参数。
8.根据权利要求7所述的血沉测量系统,其特征在于,所述血细胞参数包括根据所述光学信号获得的血小板计数和/或白细胞计数。
9.根据权利要求1至8中任一项所述的血沉测量系统,其特征在于,所述血细胞检测装置包括血红蛋白检测单元,所述血红蛋白检测单元设置用于检测被分配给血红蛋白检测单元的血液样本部分的血红蛋白浓度;
其中,所述血细胞参数包括所述血红蛋白浓度和/或基于所述血红蛋白浓度获得的平均血红蛋白含量和/或平均血红蛋白浓度。
10.根据权利要求1至9中任一项所述的血沉测量系统,其特征在于,所述血沉检测装置被配置用于通过透射比浊法对被分配的血液样本部分进行检测,以得到所述红细胞聚集曲线。
11.一种血沉测量设备,包括血沉检测装置和数据处理装置;
所述血沉检测装置被配置用于对待测血液样本进行检测,以获得透过待测血液样本的透射光或经所述待测血液样本散射的散射光的光强随时间变化的红细胞聚集曲线;
所述数据处理装置被配置用于:获取所述待测血液样本的红细胞聚集曲线,以及获取所述待测血液样本的通过流式细胞术和/或库尔特法测得的血细胞参数,所述血细胞参数至少包括红细胞参数,并将所述红细胞聚集曲线和所述血细胞参数输入神经网络模型中,以得到所述神经网络模型输出的血沉测量结果。
12.根据权利要求11所述的血沉测量设备,其特征在于,所述血沉检测装置还被配置用于在检测红细胞聚集曲线之前通过使待测血液样本在所述血沉检测装置的检测区中来回流动来对该待测血液样本中的红细胞进行解聚处理。
13.一种血沉测量方法,其特征在于:
获取待测血液样本的红细胞聚集曲线;
获取所述待测血液样本的通过流式细胞术和/或库尔特法测得的血细胞参数,所述血细胞参数至少包括红细胞参数;
将所述红细胞聚集曲线和所述血细胞参数输入神经网络模型中,以得到所述神经网络模型输出的第一血沉测量结果。
14.根据权利要求13所述的血沉测量方法,其特征在于,还包括:
计算所述红细胞聚集曲线在测量起始时间点到测量结束时间之间的时间段内与时间轴围成的面积;
基于所述面积和预存储的校准曲线计算第二血沉测量结果;以及
输出所述第一血沉测量结果和所述第二血沉测量结果中的至少一个。
15.根据权利要求13或14所述的血沉测量方法,其特征在于,所述血细胞参数还包括血小板参数、白细胞参数和血红蛋白参数中的一种或多种。
16.根据权利要求13至15任一项所述的血沉测量方法,其特征在于,所述血细胞参数包括通过库尔特法测得的红细胞脉冲信号、血小板脉冲信号、红细胞计数、血小板计数、红细胞比容值、平均红细胞体积、红细胞体积变异系数以及红细胞分布宽度标准差中的一个或多个;和/或
所述血细胞参数包括通过流式细胞术测得的血细胞脉冲信号和/或根据所述血细胞脉冲信号获得的血小板计数和/或白细胞计数。
17.根据权利要求13至16任一项所述的血沉测量方法,其特征在于,所述血细胞参数包括血红蛋白浓度和/或基于所述血红蛋白浓度获得的平均血红蛋白含量和/或平均血红蛋白浓度。
18.一种血沉测量方法,包括:
将一部分待测血液样本运送至光学检测管路,并通过使所述一部分待测血液样本在所述光学检测管路中来回流动,以便对所述一部分待测血液样本中的红细胞进行解聚处理;
在所述解聚处理之后使所述一部分待测血液样本静止在所述光学检测管路中并用光照射所述一部分待测血液样本,以获取透过所述一部分待测血液样本的透射光的光强随时间变化的红细胞聚集曲线;
获取所述待测血液样本的通过库尔特法和/或流式细胞术测得的血细胞参数,所述血细胞参数至少包括红细胞参数;
将解析数据输入具有神经网络结构的深度学习算法中,所述解析数据包括所述红细胞聚集曲线和所述血细胞参数;
通过所述深度学习算法计算所述待测血液样本的血沉检测结果。
19.一种计算机可读存储介质,包括计算机程序指令,其中,所述计算机程序指令在其被处理器执行时实现权利要求13至17中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414434.2A CN116165108A (zh) | 2021-11-25 | 2021-11-25 | 血沉测量系统、设备及血沉测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414434.2A CN116165108A (zh) | 2021-11-25 | 2021-11-25 | 血沉测量系统、设备及血沉测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116165108A true CN116165108A (zh) | 2023-05-26 |
Family
ID=86411909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111414434.2A Pending CN116165108A (zh) | 2021-11-25 | 2021-11-25 | 血沉测量系统、设备及血沉测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116165108A (zh) |
-
2021
- 2021-11-25 CN CN202111414434.2A patent/CN116165108A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11921106B2 (en) | Sample analyzer and computer program product | |
KR101963477B1 (ko) | 백혈구 수치를 측정하기 위한 방법 및 장치 | |
CN111712703B (zh) | 样本分析仪及样本分析方法 | |
CN111542744B (zh) | 血液分析仪、血液分析方法和计算机可读存储介质 | |
EP1953526B1 (en) | Hematological analyzer, method for analyzing body fluid and computer program product | |
CN101236195B (zh) | 血细胞分析仪、体液分析方法及其控制系统 | |
US8808623B2 (en) | Diagnosis assisting system, diagnosis assisting information providing device and computer program product | |
CA2537500C (en) | Integrated apparatus for hematological analyses and related method | |
JP2008542753A (ja) | 自動化臨床分析機において少量の液体試料中の妨害因子を確認するための方法 | |
KR101991989B1 (ko) | 응괴 조정을 갖는 혈소판 카운트를 위한 시스템들 및 방법들 | |
CN110678734A (zh) | 血液检测方法和设备 | |
CN116165108A (zh) | 血沉测量系统、设备及血沉测量方法 | |
CN116165107A (zh) | 血沉测量系统、设备及血沉测量方法 | |
EP4187228A1 (en) | System, apparatus, and method for measuring erythrocyte sedimentation rate | |
CN114062695A (zh) | 一种样本分析系统、方法、装置、设备和存储介质 | |
CN116420074A (zh) | 一种动物用血液分析装置和血液分析方法 | |
CN116165172A (zh) | 血沉测量系统、血沉测量设备以及血沉测量方法 | |
US20240159640A1 (en) | Esr detection device and esr detection method | |
EP4261524A1 (en) | Sample analyzer and platelet counting method | |
CN116046620A (zh) | 血沉测量设备、方法和样本分析仪 | |
CN115575188A (zh) | 一种血液分析仪 | |
CN106018772A (zh) | 一次性血液细胞计数及分析集成件以及新型血液分析仪 | |
CN117330462A (zh) | 血沉测量方法、样本分析仪和样本分析系统 | |
CN117501127A (zh) | 一种样本分析装置和样本分析方法 | |
CN116773440A (zh) | 被检物分析装置、被检物分析方法以及程序 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |