CN116503302A - 样本检测方法、装置、系统、电子设备及计算机可读介质 - Google Patents
样本检测方法、装置、系统、电子设备及计算机可读介质 Download PDFInfo
- Publication number
- CN116503302A CN116503302A CN202210056449.4A CN202210056449A CN116503302A CN 116503302 A CN116503302 A CN 116503302A CN 202210056449 A CN202210056449 A CN 202210056449A CN 116503302 A CN116503302 A CN 116503302A
- Authority
- CN
- China
- Prior art keywords
- sample
- detection
- target analytes
- reaction solution
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 308
- 238000006243 chemical reaction Methods 0.000 claims abstract description 93
- 230000003287 optical effect Effects 0.000 claims abstract description 87
- 239000006249 magnetic particle Substances 0.000 claims abstract description 56
- 239000012491 analyte Substances 0.000 claims abstract description 54
- 238000005842 biochemical reaction Methods 0.000 claims abstract description 39
- 238000011282 treatment Methods 0.000 claims abstract description 26
- 230000009471 action Effects 0.000 claims abstract description 16
- 239000000523 sample Substances 0.000 claims description 304
- 238000012549 training Methods 0.000 claims description 110
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 25
- 230000005284 excitation Effects 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 20
- 230000002255 enzymatic effect Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 10
- 238000000926 separation method Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 239000002102 nanobead Substances 0.000 claims description 6
- 239000000969 carrier Substances 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 239000003153 chemical reaction reagent Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims 8
- 239000000463 material Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 239000002245 particle Substances 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 9
- 239000000126 substance Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000003018 immunoassay Methods 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 6
- 239000003086 colorant Substances 0.000 description 5
- 238000000338 in vitro Methods 0.000 description 5
- 239000002105 nanoparticle Substances 0.000 description 5
- 102000004169 proteins and genes Human genes 0.000 description 5
- 230000011664 signaling Effects 0.000 description 5
- 101710205625 Capsid protein p24 Proteins 0.000 description 4
- 101710141454 Nucleoprotein Proteins 0.000 description 4
- 101710177166 Phosphoprotein Proteins 0.000 description 4
- 101710149279 Small delta antigen Proteins 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 210000002966 serum Anatomy 0.000 description 4
- 241000700605 Viruses Species 0.000 description 3
- 238000003556 assay Methods 0.000 description 3
- 210000001124 body fluid Anatomy 0.000 description 3
- 239000010839 body fluid Substances 0.000 description 3
- 229920003229 poly(methyl methacrylate) Polymers 0.000 description 3
- 239000004926 polymethyl methacrylate Substances 0.000 description 3
- 229920000089 Cyclic olefin copolymer Polymers 0.000 description 2
- 238000002965 ELISA Methods 0.000 description 2
- 241000713772 Human immunodeficiency virus 1 Species 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012631 diagnostic technique Methods 0.000 description 2
- 238000011984 electrochemiluminescence immunoassay Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003127 radioimmunoassay Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 108010043121 Green Fluorescent Proteins Proteins 0.000 description 1
- 238000007397 LAMP assay Methods 0.000 description 1
- 101710086987 X protein Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 238000012767 chemiluminescent enzyme immunoassay Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000001900 immune effect Effects 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 239000013610 patient sample Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003752 polymerase chain reaction Methods 0.000 description 1
- 238000002331 protein detection Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000013076 target substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
- G16B25/20—Polymerase chain reaction [PCR]; Primer or probe design; Probe optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Computation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本申请涉及一种样本检测方法、装置、系统、电子设备及计算机可读介质。本申请的样本检测方法包括:获取待测样本;对待测样本进行基于磁性粒子的生化反应处理以生成反应溶液;对反应溶液进行激发以使多种多元复合物发出多种光;在外界磁场作用下将目标分析物从待测样本中分离出来以及收集在磁性粒子的表面;基于单一光学检测通道获取多种光以生成样本检测图片;基于样本检测图片生成多种目标分析物中每一种目标分析物的检测结果;基于每一种目标分析物的检测结果生成待测样本的检测结果。本申请通过单通道的光学系统实现多路复用检测,而且在不需要特殊耗材的前提下,同时对多目标分析物进行定性或定量的精准识别。
Description
技术领域
本申请涉及体外检测领域,具体而言,涉及一种基于单一光学检测通道的样本检测方法、装置、系统、电子设备及计算机可读介质。
背景技术
体外诊断,即IVD(In Vitro Diagnosis),是指在人体之外,通过对人体样本(血液、体液、组织等)进行检测而获取临床诊断信息,进而判断疾病或机体功能的产品和服务。
目前的体外诊断里的免疫诊断技术和分子诊断技术,可分为:化学发光免疫检测CLIA(包括直接化学发光分析,化学发光酶免疫分析(CLEIA),电化学发光免疫分析ECLIA/ECL);单分子免疫测定SIMOA;酶联免疫吸附测定ELISA;多重因子超灵敏电化学发光免疫分析Meso Scale Discovery(MSD);荧光免疫测定FIA;放射免疫测定RIA;胶体金Colloidalgold;聚合酶链式反应PCR;环状介导等温扩增LAMP;其他等温核酸扩增测定;其他分子诊断技术(基因测序)等。
其中,通过光学手段进行定性或定量的检测的模式大概分如下几种:1.基于显微镜的肉眼观察颜色或荧光的强度;2.光学传感器(比如光子计数器等)测量颜色吸收、发光强度或荧光强度;3.相机直接或通过显微镜对于颜色变化或荧光进行检测和识别,一般会辅助使用图像处理技术。其中需要多通道的光学系统,增加了光学设备的光路设计复杂性以及仪器造价成本,每个通道有不同的滤光透镜和分束镜组合,有的技术还需要特殊耗材。复杂的检测手段限制了体外诊断技术的发展。因此,需要一种新的基于单一光学检测通道的样本检测方法、装置、系统、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本申请的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本申请提供一种基于单一光学检测通道的样本检测方法、装置、系统、电子设备及计算机可读介质,能够通过单通道的光学系统实现多路复用检测,而且在不需要特殊耗材的前提下,同时对多目标分析物进行定性或定量的精准识别。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请的一方面,提出一种基于单一光学检测通道的样本检测方法,该方法包括:获取待测样本,所述待测样本中包含多种目标分析物;对所述待测样本进行基于磁性粒子的生化反应处理以生成反应溶液,所述反应溶液中包含多种多元复合物,其中,多种多元复合物与多种目标分析物对应;对所述反应溶液进行激发以使所述多种多元复合物发出多种光;在外界磁场作用下将目标分析物从待测样本中分离出来以及收集在磁性粒子的表面;基于单一光学检测通道获取所述多种光以生成样本检测图片;基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果;基于每一种目标分析物的检测结果生成所述待测样本的检测结果。
在本申请的一种示例性实施例中,对所述待测样本进行基于磁性粒子的生化反应处理以生成反应溶液,包括:基于生物载体技术对所述待测样本进行基于磁性粒子的非酶生化反应处理以生成所述反应溶液。
在本申请的一种示例性实施例中,基于生物载体技术对所述待测样本进行基于磁性粒子的非酶生化反应处理以生成所述反应溶液,包括:对所述待测样本进行非酶生化反应处理以使得待测样本中的多种目标分析物分别和多种生物载体结合以生成所述反应溶液;利用磁性粒子,在外界磁场作用下对目标分析物进行分离。
在本申请的一种示例性实施例中,对所述待测样本进行非酶生化反应处理以使得待测样本中的多种目标分析物分别和多种生物载体结合以生成所述反应溶液,包括:对所述待测样本进行非酶生化反应处理以使得待测样本中的多种目标分析物分别和与其对应的磁性粒子、抗体、待测物、荧光纳米珠信号探针结合以生成所述反应溶液。
在本申请的一种示例性实施例中,对所述反应溶液进行激发以使所述多种多元复合物发出多种光,包括:通过光源设备或电学设备或化学试剂对所述反应溶液进行激发以使所述多种多元复合物发出多种光,所述多种光包括具有不同的强度和/或频率的光。
在本申请的一种示例性实施例中,对所述反应溶液进行激发以使所述多种多元复合物发出多种光,包括:通过光源对所述反应溶液进行激发以使所述多种多元复合物发出多种光。
在本申请的一种示例性实施例中,通过光源对所述反应溶液进行激发以使所述多种多元复合物发出多种光,包括:将所述反应溶液放置于透明平面;待反应溶液中的磁性粒子沉淀在平面的表面上,通过蓝色光源对置于透明平面的所述反应溶液进行激发以使所述多种多元复合物发出多种光。
在本申请的一种示例性实施例中,基于单一光学检测通道获取所述多种光以生成样本检测图片,包括:基于单一光学检测通道中的滤光透镜获取所述多种光;光学传感器基于所述多种光生成所述样本检测图片。
在本申请的一种示例性实施例中,光学传感器基于所述多种光生成所述样本检测图片,包括:CMOS光学传感器基于所述多种光生成所述样本检测图片;或CCD光学传感器基于所述多种光生成所述样本检测图片。
在本申请的一种示例性实施例中,基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果,包括:对所述样本检测图片进行预处理;生成所述样本检测图片的特征矩阵;将所述特征矩阵输入多目标识别模型中,生成所述多种目标分析物中每一种目标分析物的检测结果。
在本申请的一种示例性实施例中,对所述样本检测图片进行预处理,包括:对所述样本检测图片进行滤波处理;和/或对所述样本检测图片进行斑点检测处理。
在本申请的一种示例性实施例中,生成所述样本检测图片的特征矩阵,包括:提取所述样本检测图片中每一个像素的特征数据;基于所有像素的特征数据生成所述特征矩阵。
在本申请的一种示例性实施例中,提取所述样本检测图片中每一个像素的特征数据,包括:提取所述样本检测图片中每一个像素的颜色和位置。
在本申请的一种示例性实施例中,基于所有像素的特征数据生成所述特征矩阵,还包括:对所述特征矩阵进行特征变换处理。
在本申请的一种示例性实施例中,将所述特征矩阵输入多目标识别模型中,生成所述多种目标分析物中每一种目标分析物的检测结果,包括:将所述特征矩阵输入多目标识别模型中;所述多目标识别模型基于所述特征矩阵对所述样本检测图片中的像素逐一进行分类预测;基于分类预测结果生成所述多种目标分析物中每一种目标分析物的检测结果。
在本申请的一种示例性实施例中,生成所述多种目标分析物中每一种目标分析物的检测结果,包括:生成所述多种目标分析物中每一种目标分析物对应的像素总数和总亮度;基于像素总数和总亮度生成所述多种目标分析物中每一种目标分析物的检测结果。
在本申请的一种示例性实施例中,基于像素总数和总亮度生成所述多种目标分析物中每一种目标分析物的检测结果,包括:基于校准公式和每一种目标分析物对应的像素总数和总亮度生成每一种目标分析物对应的数量和浓度;基于每一种目标分析物对应的数量和浓度生成所述待测样本的检测结果。
在本申请的一种示例性实施例中,还包括:通过多个检测样本生成多个样本训练图片;为所述多个样本训练图片分别标注多个训练标签,其中,所述多个训练标签与所述多种目标分析物对应;基于带有多个训练标签的多个样本训练图片对机器学习模型进行训练以生成所述多目标识别模型。
在本申请的一种示例性实施例中,为所述多个样本训练图片分别标注多个训练标签,包括:为所述多个样本训练图片中的每个像素分别标注训练标签。
在本申请的一种示例性实施例中,基于带有多个训练标签的多个样本训练图片对机器学习模型进行训练以生成所述多目标识别模型,包括:基于带有多个训练标签的多个样本训练图片对多层感知器进行训练以生成所述多目标识别模型;或基于带有多个训练标签的多个样本训练图片对随机森林分类器进行训练以生成所述多目标识别模型。
根据本申请的一方面,提出一种基于单一光学检测通道的样本检测装置,该装置包括:样本模块,用于获取待测样本,所述待测样本中包含多种目标分析物;反应模块,用于对所述待测样本进行基于磁性粒子的生化反应处理以生成反应溶液,所述反应溶液中包含多种多元复合物,其中,多种多元复合物和多种目标分析物对应;激发分离模块,用于对所述反应溶液进行激发以使所述多种多元复合物发出多种光;在外界磁场作用下将目标分析物从待测样本中分离出来以及收集在磁性粒子的表面;图片模块,用于基于单一光学检测通道获取所述多种光以生成样本检测图片;检测模块,用于基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果;结果模块,用于基于每一种目标分析物的检测结果生成所述待测样本的检测结果。
在本申请的一种示例性实施例中,所述检测模块,包括:处理单元,用于对所述样本检测图片进行预处理;特征单元,用于生成所述样本检测图片的特征矩阵;识别单元,用于将所述特征矩阵输入多目标识别模型中,生成所述多种目标分析物中每一种目标分析物的检测结果。
在本申请的一种示例性实施例中,所述检测模块,还包括:模型训练单元,用于通过多个检测样本生成多个样本训练图片;为多个样本训练图片分别标注多个训练标签,其中,所述多个训练标签与所述多种目标分析物对应;基于带有多个训练标签的多个样本训练图片对机器学习模型进行训练以生成所述多目标识别模型。
根据本申请的一方面,提出一种基于单一光学检测通道的样本检测系统,该系统包括:反应装置,用于获取待测样本,所述待测样本中包含多种目标分析物;对所述待测样本进行基于磁性粒子的生化反应处理以生成反应溶液,所述反应溶液中包含多种多元复合物,其中,多种多元复合物与多种目标分析物对应;激发分离装置,用于对所述反应溶液进行激发以使所述多种多元复合物发出多种光;在外界磁场作用下将目标分析物从待测样本中分离出来以及收集在磁性粒子的表面;图像装置,用于基于单一光学检测通道获取所述多种光以生成样本检测图片;服务器,用于基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果;基于每一种目标分析物的检测结果生成所述待测样本的检测结果。
根据本申请的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本申请的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中的方法。
根据本申请的基于单一光学检测通道的样本检测方法、装置、系统、电子设备及计算机可读介质,通过获取待测样本,所述待测样本中包含多种目标分析物;对所述待测样本进行基于磁性粒子的生化反应处理以生成反应溶液,所述反应溶液中包含多种多元复合物,其中,多种多元复合物与多种目标分析物对应;对所述反应溶液进行激发以使所述多种多元复合物发出多种光;基于单一光学检测通道获取所述多种光以生成样本检测图片;基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果;基于每一种目标分析物的检测结果生成所述待测样本的检测结果的方式,能够通过单通道的光学系统实现多路复用检测,而且在不需要特殊耗材的前提下,同时对多目标分析物进行定性或定量的精准识别。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本申请。
附图说明
通过参照附图详细描述其示例实施例,本申请的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种基于单一光学检测通道的样本检测系统的示意图。
图2是根据一示例性实施例示出的一种基于单一光学检测通道的样本检测方法的流程图。
图3是根据另一示例性实施例示出的一种基于单一光学检测通道的样本检测方法的示意图。
图4是根据另一示例性实施例示出的一种基于单一光学检测通道的样本检测方法的示意图。
图5是根据一示例性实施例示出的一种基于单一光学检测通道的样本检测方法的流程图。
图6是根据一示例性实施例示出的一种基于单一光学检测通道的样本检测方法的流程图。
图7是根据一示例性实施例示出的一种基于单一光学检测通道的样本检测方法的流程图。
图8是根据另一示例性实施例示出的一种基于单一光学检测通道的样本检测装置的框图。
图9是根据一示例性实施例示出的一种电子设备的框图。
图10是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本申请将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本申请概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本申请所必须的,因此不能用于限制本申请的保护范围。
图1是根据一示例性实施例示出的一种基于单一光学检测通道的样本检测系统的示意图。
如图1所示,基于单一光学检测通道的样本检测系统10可以包括反应装置101、激发分离装置102、图像装置103,网络104和服务器105。网络104用以在图像装置103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
反应装置101用于获取待测样本,所述待测样本中包含多种目标分析物;对所述待测样本进行基于磁性粒子的生化反应处理以生成反应溶液,所述反应溶液中包含多种多元复合物,其中,多种多元复合物与多种目标分析物对应;
激发分离装置102用于对所述反应溶液进行激发以使所述多种多元复合物发出多种光;在外界磁场作用下将目标分析物从待测样本中分离出来以及收集在磁性粒子的表面;
图像装置103用于基于单一光学检测通道获取所述多种光以生成样本检测图片;
服务器105用于基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果;基于每一种目标分析物的检测结果生成所述待测样本的检测结果。
更进一步的,服务器105可以是一个实体的服务器,还可例如为多个服务器组成,服务器105中的一部分可例如作为本申请中的样本检测装置,用于基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果;基于每一种目标分析物的检测结果生成所述待测样本的检测结果;以及服务器105中的一部分还可例如作为本申请中的模型训练装置,用于通过多个检测样本生成多个样本训练图片;为所述多个样本训练图片分别标注多个训练标签,其中,所述多个训练标签与所述多种目标分析物对应;基于带有多个训练标签的多个样本训练图片对机器学习模型进行训练以生成所述多目标识别模型。
值得一提的是,在本申请中的方法的一个具体的实施例中,激发方式可为荧光光源激发,在这种情况下,激发分离装置102和图像装置103的功能可通过现有技术中的单一通道的光学检测设备实现,在这种情况下,本申请中的基于单一光学检测通道的样本检测系统可包括:反应装置、光学检测设备,网络和服务器。
图2是根据一示例性实施例示出的一种基于单一光学检测通道的样本检测方法的流程图。基于单一光学检测通道的样本检测方法20至少包括步骤S202至S212。
如图2所示,在S202中,获取待测样本,所述待测样本中包含多种目标分析物。
在本申请的一个具体的实施例中,待测样本可为某病人的血清样本,样本中可能多种目标分析物,目标分析物可包括:HIV-1病毒产生的p24蛋白、SARS-COV-2病毒产生的N蛋白等。后文中将会以本实施例进行说明,可理解的是,本申请中的方法还可应用于其他的待测样本和目标分析物的检测中。
在S204中,对所述待测样本进行基于磁性粒子的生化反应处理以生成反应溶液,所述反应溶液中包含多种多元复合物,其中,多种多元复合物与多种目标分析物对应。可基于生物载体技术对所述待测样本进行生化反应处理以生成所述反应溶液。其中,生化反应可为非酶生化反应。其中,磁性粒子可为现有技术中的磁珠。基于磁性粒子可以对目标物进行快速和精准地捕捉和分离。在现有技术传统方式中,生化反应的时间大致需要多个小时,同时对低浓度的目标物的捕捉效率也会非常低。在本申请中基于磁性粒子的生化反应提高了反应速度,在实际应用中缩短了检测时间。
在一个实施例中,可基于生物载体技术对所述待测样本进行基于磁性粒子的非酶生化反应处理以生成所述反应溶液。更具体地,可例如,对所述待测样本进行非酶生化反应处理以使得待测样本中的多种目标分析物分别和多种生物载体结合以生成所述反应溶液;利用磁性粒子,在外界磁场作用下对目标分析物进行分离。
在一个实施例中,可对所述待测样本进行非酶生化反应处理以使得待测样本中的多种目标分析物分别和与其对应的磁性粒子、抗体、待测物、荧光纳米珠信号探针结合以生成所述反应溶液。
更具体的,可对血清样本进行免疫生化反应处理,具体的处理过程可参考图3中的描述。使用磁性粒子,捕获抗体,检测抗体和萤光粒子,对对待测样本中的多种目标物质进行捕获和标记。更具体的,可对两种抗原蛋白进行捕获和标记,形成多路复用的多元复合物结构。
在如上文所述的待测样本中,生成的多元复合物的结构分别是:
磁性粒子–p24捕获抗体–p24蛋白–p24检测抗体–绿色荧光纳米珠信号探针;
磁性粒子–N蛋白捕获抗体–N蛋白–N蛋白检测抗体–红色荧光纳米珠信号探针。
值得一提的是,磁性粒子的表面可能捕捉多个相应蛋白及纳米级荧光纳米珠信号探针,也可能完全捕捉不到,在未捕获到蛋白及纳米级荧光纳米珠信号探针时,磁性粒子保持原有的状态,所以,免疫生化反应之后,反应溶液中还可能包含磁性粒子。
在S206中,在外界磁场作用下将目标分析物从待测样本中分离出来以及收集在磁性粒子的表面。
在S208中,对所述反应溶液进行激发以使所述多种多元复合物发出多种光。可通过光源设备或电学设备或化学试剂对所述反应溶液进行激发以使所述多种多元复合物发出多种光。更具体的,可通过卤素灯,LED等光源对反应溶液进行激发。还可通过汞蒸气灯,LED,激光等光源进行激发。
在一个实施例中,可通过荧光光源对所述反应溶液进行激发以使所述多种多元复合物发出多种荧光。
更具体的,可将所述反应溶液放置于透明平面;待反应溶液中的磁性粒子沉淀在平面的表面上,通过蓝色光源对置于透明平面的所述反应溶液进行激发以使所述多种多元复合物发出多种光。
在一个具体的应用场景中,可将反应后的溶液置于荧光噪声很低的透明平面,在一个实施例中,透明平面的荧光噪声参数可为材料自发荧光的荧光发射强度。单位是:Arbitrary Unit(取决于检测仪器)。可考虑的材料:玻璃,聚甲基丙烯酸甲酯(PMMA/polymethylmethacrylate),环烯烃聚合物(COP/Cyclo Olefin Polymer)等。
物质的荧光强度与激发光的波长和所测量发射光的波长有关,将物质的荧光强度的数据用矩阵形式表示,行和列对应不同的激发光波长和发射光波长,每个矩阵元分别为该激发光、发射光波长的荧光强度,称之为激发—发射矩阵(Excitation EmissionMatrix,EEM)。
在本申请的一个实施例中,如图4所述,当目标分析物被某一个波长的光激发之后,目标分析物发出的光不是单一波长的光,而是跨一个波段的光,而且在整个波段中的强度分布完全由被激发物质自身决定。配合使用与蓝色荧光匹配的滤波片(emissionfilter)在远离绿光的波段中的并没有100%的滤掉其他的颜色光,所以通过蓝色的荧光激发后,在图像中可以显示出多种目标分析物对应的不同的非绿色的荧光。
在S210中,基于单一光学检测通道获取所述多种光以生成样本检测图片。可基于单一光学检测通道中的滤光透镜获取所述多种光;光学传感器基于所述多种光生成所述样本检测图片。
在一个实施例中,可通过CMOS光学传感器基于所述多种光生成所述样本检测图片;还可通过CCD光学传感器基于所述多种光生成所述样本检测图片。
可通过不同的方式进行激发,可通过白光源的激发,此时,所有的磁性粒子都在明场条件下被CCD相机传感器捕捉。
在一个具体的应用场景中,可通过蓝色光源的激发及相应滤光透镜的过滤,反应溶液中的各种粒子会被激发出不同颜色的光,不同颜色粒子都可以被CCD传感器捕捉,其中磁性粒子显示黄色,绿色荧光纳米珠信号探针显示绿色,红色荧光纳米珠信号探针显示橙色,背景显示黑色。
本申请中的这种采用蓝光激发的方式,能够得到多种目标分析物的不同的光,且每种物质的光波段和强度组合不同,有利于识别出不同的目标分析物。
在S212中,基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果,可对所述样本检测图片进行预处理;生成所述样本检测图片的特征矩阵;将所述特征矩阵输入多目标识别模型中,生成所述多种目标分析物中每一种目标分析物的检测结果。
“基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果”的详细内容将在图5对应的实施例中进行详细描述。
在S214中,基于每一种目标分析物的检测结果生成所述待测样本的检测结果。可根据固态载体-磁性粒子和免疫测定标记物-萤光粒子的计数,通过校准公式的转换,间接获得p24蛋白和N蛋白的数量和浓度,得到病人的健康情况的定性或者定量的判定。
更具体的,校准公式可由实验中的拟合曲线得到。可例如,在实际应用之前,获取多次临床前实验数据,基于临床试验数据推算萤光粒子个数VS控制好数量的蛋白浓度的曲线,进而生成校准公式。
根据本申请的基于单一光学检测通道的样本检测方法,通过获取待测样本,所述待测样本中包含多种目标分析物;对所述待测样本进行基于磁性粒子的生化反应处理以生成反应溶液,所述反应溶液中包含多种多元复合物,其中,多种多元复合物与多种目标分析物对应;对所述反应溶液进行激发以使所述多种多元复合物发出多种光;在外界磁场作用下将目标分析物从待测样本中分离出来以及收集在磁性粒子的表面;基于单一光学检测通道获取所述多种光以生成样本检测图片;基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果;基于每一种目标分析物的检测结果生成所述待测样本的检测结果的方式,能够通过单通道的光学系统实现多路复用检测,而且在不需要特殊耗材的前提下,同时对多目标分析物进行定性或定量的精准识别。
本申请的基于单一光学检测通道的样本检测方法,实现了单一的光学检测通道的多路复用检测,一张成像图片中可以涵盖多种发光物质的信息,继而间接计算出相应多种目标分析物的数量及其在样本种的浓度。
在本申请的基于单一光学检测通道的样本检测方法中,在图像预处理后,扫描每个预处理后剩下的有效像素,将有效像素的图片信息转化为数据信息,机器学习处理的是数据信息,加快了机器学习模型的处理速度和准确度。
本申请的基于单一光学检测通道的样本检测方法,无需特殊耗材(比如微流体试剂盒)及相应流体控制的前提下,实现发光物质的逐个识别和计数。
应清楚地理解,本申请描述了如何形成和使用特定示例,但本申请的原理不限于这些示例的任何细节。相反,基于本申请公开的内容的教导,这些原理能够应用于许多其它实施例。
图5是根据另一示例性实施例示出的一种基于单一光学检测通道的样本检测方法的流程图。图5所示的流程50是对图2所示的流程中S210“基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果”的详细描述。
如图5所示,在S502中,对所述样本检测图片进行预处理。可对所述样本检测图片进行滤波处理;还可对所述样本检测图片进行斑点检测处理。
在S504中,生成所述样本检测图片的特征矩阵。可提取所述样本检测图片中每一个像素的特征数据;基于所有像素的特征数据生成所述特征矩阵。
在一个实施例中,可提取所述样本检测图片中每一个像素的颜色和位置作为特征数据。
在一个实施例中,还可对所述特征矩阵进行特征变换处理,在特征变换处理之后,基于所有像素的颜色和位置生成所述特征矩阵。更具体的,可对特征矩阵进行数据缩放,标签编码等特征变换处理。还可对特征矩阵进行像素压缩处理,可将亮度低于某个阈值的像素点归类为背景颜色,从而不对该像素点进行后续的图像分析,以节约计算时间和计算空间。
在S506中,将所述特征矩阵输入多目标识别模型中,生成所述多种目标分析物中每一种目标分析物的检测结果。可将所述特征矩阵输入多目标识别模型中;所述多目标识别模型基于所述特征矩阵对所述样本检测图片中的像素逐一进行分类预测;基于分类预测结果生成所述多种目标分析物中每一种目标分析物的检测结果。
在一个实施例中,可生成所述多种目标分析物中每一种目标分析物对应的像素总数和总亮度;基于像素总数和总亮度生成所述多种目标分析物中每一种目标分析物的检测结果。
更具体的,可基于校准公式和每一种目标分析物对应的像素总数和总亮度生成每一种目标分析物对应的数量和浓度;基于每一种目标分析物对应的数量和浓度生成所述待测样本的检测结果。
图6是根据另一示例性实施例示出的一种基于单一光学检测通道的样本检测方法的流程图。图6所示的流程60是对图5所示的流程的补充描述。
如图6所示,在S602中,通过多个检测样本生成多个样本训练图片。对应于上文中的具体的实施例,针对于不同的样本需要训练不同的机器学习模型。可获取多个病人的血清样本作为训练样本,进而根据本申请中的方式进行生化反应和激发生成多个样本训练图片。
还可针对病人的体液、尿液等分别生成样本训练图片以进行后续的机器学习模型的训练。
在S604中,为所述多个样本训练图片分别标注多个训练标签,其中,所述多个训练标签与所述多种目标分析物对应。更具体的,可为所述多个样本训练图片中的每个像素分别标注训练标签。
为样本训练图片中的每个像素分别标注训练标签,训练标签可为目标分析物1,目标分析物2,目标分析物3等等。
可理解的是,标注的目标分析物的种类可多于实际分析中的检测出的目标分析物,如本申请上文中的具体实施例,检测出的目标分析物为:HIV-1病毒产生的p24蛋白、SARS-COV-2病毒产生的N蛋白,但对应于本次的样本检测,所使用的机器学习模型中还检出其他病毒对应的X蛋白等。机器学习模型能够检出的目标分析物的种类取决于样本中目标分析物的种类。
在S606中,基于带有多个训练标签的多个样本训练图片对机器学习模型进行训练以生成所述多目标识别模型。可基于带有多个训练标签的多个样本训练图片对多层感知器进行训练以生成所述多目标识别模型;还可基于带有多个训练标签的多个样本训练图片对随机森林分类器进行训练以生成所述多目标识别模型。
可将样本训练图像中的60%的像素点对应的数据为训练数据组,对机器学习模型进行训练。还可通过十折交叉验证优化模型超参数,对于多层感知器,超参数包括隐藏层的神经元数量,激活函数类型等等;对于随机森林分类器,超参数包括决策树的数量,最大深度类型等等
随着超参数的优化,多层感知器和随机森林分类器的最优参数及最优的特征转化的方式也被选定。
具体的,针对每个样本训练图像,分别构建初始模型,将样本训练图像中的像素特征矩阵输入初始模型中,以计算得到预测标签,将预测标签与相应的真实的标签进行比对,判断预测标签与真实的标签是否一致,统计与真实的标签一致的预测标签的数量,并计算与真实的标签一致的预测标签的数量在所有预测标签的数量中的占比,若所述占比大于或等于预设占比值,则初始模型收敛,得到训练完成的多目标识别模型。
若所述占比小于所述预设占比值,则调整初始模型中的参数,通过调整后的初始模型重新预测各个对象的预测标签,直至所述占比大于或等于预设占比值。其中,调整初始模型中的参数的方法可以采用随机梯度下降算法、梯度下降算法或正规方程进行。若调整初始模型的参数的次数超过预设次数时,可以更换构建调整模型所使用的模型,以提高模型训练效率。
在模型训练结束后,还可取40%像素点对应的数据作为验证数据组,并使用混淆矩阵机器相关度量参数,进行模型的最终评估。如果最终评估失败,可以采集更多高质量的病人样本图片重新训练模型,也可以采取不同的特征工程方案进行模型调整。
在一个实施例中,在模型训练完成后,即可部署模型对病人的样本进行预测。可在模型部署后实施后,还可对模型的计算效果进行检测以确认模型持续有效,检测方式可为:比较对于图像的识别和预先设置的参数阈值,将诊断结果与现实中其它可靠的参考结果进行比较。
如果数据不匹配,将校准实际中和训练中使用的光学系统。如果训练中使用的光学系统有问题,将在修复后重新训练模型。如果是数据异常,代表训练样本没有涵盖所有的病人状况。将在训练数据中增加异常的数据重新训练模型。
图7是根据另一示例性实施例示出的一种基于单一光学检测通道的样本检测方法的流程图。图7所示的流程70本申请中的方法在一个实际的应用场景中的应用描述。
如图7所示,在S702中,获取待测样本,可例如为病人的血样、尿样、唾液或其他体液。
在S704中,生化反应后生成反应溶液。对血清样本进行免疫生化反应处理,使用磁性粒子,捕获抗体,检测抗体和荧光纳米珠信号探针。
在S706中,传感器获取数字化图像或者视频。将反应后的溶液置于光噪声很低的透明平面。通过蓝色光源的激发及相应滤光透镜的过滤。各种微粒会被激发出不同的光颜色,不同粒子都可以被CCD传感器捕捉,其中磁性粒子显示黄色,绿色光粒子显示绿色,红色光粒子现实橙色,背景显示黑色。
在S708中,输入机器学习模型中进行计算。对相机拍摄的样本图片进行预处理,包括滤波和斑点检测处理等;对处理后的图片逐像素进行特征提取,得到相应的特征矩阵;使用训练好的机器学习模型对特征矩阵逐像素进行分类预测,得到每种目标粒子的像素总数和总亮度。
在S710中,生成诊断结果。根据固态载体-磁性粒子和免疫测定标记物-萤光粒子的计数,通过校准公式的转换,间接获得p24蛋白和N蛋白的数量和浓度,得到病人的健康情况的定性或者定量的判定。
在S712中,根据诊断结果推荐治疗方案。可事先在系统中设置不同的诊断结果对应的初步处理手段,在得到本次检测的病人的诊断结果后,自动调取治疗方案,辅助医生现场处理,提高速度。
本申请的基于单一光学检测通道的样本检测方法,实现了单一的光学检测通道的多路复用检测,一张成像图片中可以涵盖多种发光物质的信息,继而间接计算出相应多种目标分析物的数量及其在样本种的浓度。
传统图像处理技术的预处理辅助机器学习的最终识别,而在本申请的基于单一光学检测通道的样本检测方法中,在预处理后,扫描每个预处理后剩下的有效像素,将有效像素的图片信息转化为数据信息,机器学习处理的是数据信息,加快了机器学习模型的处理速度和准确度。
本申请的基于单一光学检测通道的样本检测方法,无需特殊耗材(比如微流体试剂盒)及相应流体控制的前提下,实现发光物质的逐个识别和计数。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本申请提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本申请示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图8是根据一示例性实施例示出的一种基于单一光学检测通道的样本检测装置的框图。如图8所示,基于单一光学检测通道的样本检测装置80包括:样本模块802,反应模块804,激发分离模块806,图片模块808,检测模块810,结果模块812。更具体的,检测模块810可包括:处理单元8102,特征单元8104,识别单元8106,模型训练单元8108。
样本模块802用于获取待测样本,所述待测样本中包含多种目标分析物;
反应模块804用于对所述待测样本进行基于磁性粒子的生化反应处理以生成反应溶液,所述反应溶液中包含多种多元复合物,其中,多种多元复合物和多种目标分析物对应;
激发分离模块806用于对所述反应溶液进行激发以使所述多种多元复合物发出多种光;在外界磁场作用下将目标分析物从待测样本中分离出来以及收集在磁性粒子的表面;
图片模块808用于基于单一光学检测通道获取所述多种光以生成样本检测图片;
检测模块810用于基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果;
结果模块812用于基于每一种目标分析物的检测结果生成所述待测样本的检测结果。
其中,所述检测模块810包括:处理单元8102用于对所述样本检测图片进行预处理;特征单元8104用于生成所述样本检测图片的特征矩阵;识别单元8106用于将所述特征矩阵输入多目标识别模型中,生成所述多种目标分析物中每一种目标分析物的检测结果。
所述检测模块810还包括:模型训练单元8108用于通过多个检测样本生成多个样本训练图片;为多个样本训练图片分别标注多个训练标签,其中,所述多个训练标签与所述多种目标分析物对应;基于带有多个训练标签的多个样本训练图片对机器学习模型进行训练以生成所述多目标识别模型。
根据本申请的基于单一光学检测通道的样本检测装置,通过获取待测样本,所述待测样本中包含多种目标分析物;对所述待测样本进行基于磁性粒子的生化反应处理以生成反应溶液,所述反应溶液中包含多种多元复合物,其中,多种多元复合物与多种目标分析物对应;对所述反应溶液进行激发以使所述多种多元复合物发出多种光;在外界磁场作用下将目标分析物从待测样本中分离出来以及收集在磁性粒子的表面;基于单一光学检测通道获取所述多种光以生成样本检测图片;基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果;基于每一种目标分析物的检测结果生成所述待测样本的检测结果的方式,能够通过单通道的光学系统实现多路复用检测,而且在不需要特殊耗材的前提下,同时对多目标分析物进行定性或定量的精准识别。
图9是根据一示例性实施例示出的一种电子设备的框图。
下面参照图9来描述根据本申请的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示,电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于:至少一个处理单元910、至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930、显示单元940等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元910执行,使得所述处理单元910执行本说明书中描述的根据本申请各种示例性实施方式的步骤。例如,所述处理单元910可以执行如图2,图5,图6,图7中所示的步骤。
所述存储单元920可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202,还可以进一步包括只读存储单元(ROM)9203。
所述存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204,这样的程序模块9205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备900’(例如键盘、指向设备、蓝牙设备等)通信,使得用户能与该电子设备900交互的设备通信,和/或该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且,电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器960可以通过总线930与电子设备900的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备900使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,如图10所示,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本申请实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:获取待测样本,所述待测样本中包含多种目标分析物;对所述待测样本进行基于磁性粒子的生化反应处理以生成反应溶液,所述反应溶液中包含多种多元复合物,其中,多种多元复合物与多种目标分析物对应;对所述反应溶液进行激发以使所述多种多元复合物发出多种光;在外界磁场作用下将目标分析物从待测样本中分离出来以及收集在磁性粒子的表面;基于单一光学检测通道获取所述多种光以生成样本检测图片;基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果;基于每一种目标分析物的检测结果生成所述待测样本的检测结果。该计算机可读介质还可实现如下功能:通过多个检测样本生成多个样本训练图片;为所述多个样本训练图片分别标注多个训练标签,其中,所述多个训练标签与所述多种目标分析物对应;基于带有多个训练标签的多个样本训练图片对机器学习模型进行训练以生成所述多目标识别模型。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本申请实施例的方法。
以上具体地示出和描述了本申请的示例性实施例。应可理解的是,本申请不限于这里描述的详细结构、设置方式或实现方法;相反,本申请意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (26)
1.一种基于单一光学检测通道的样本检测方法,其特征在于,包括:
获取待测样本,所述待测样本中包含多种目标分析物;
对所述待测样本进行基于磁性粒子的生化反应处理以生成反应溶液,所述反应溶液中包含多种多元复合物,其中,多种多元复合物与多种目标分析物对应;
对所述反应溶液进行激发以使所述多种多元复合物发出多种光;
在外界磁场作用下将目标分析物从待测样本中分离出来以及收集在磁性粒子的表面;
基于单一光学检测通道获取所述多种光以生成样本检测图片;
基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果;
基于每一种目标分析物的检测结果生成所述待测样本的检测结果。
2.如权利要求1所述的样本检测方法,其特征在于,对所述待测样本进行基于磁性粒子的生化反应处理以生成反应溶液包括:
基于生物载体技术对所述待测样本进行基于磁性粒子的非酶生化反应处理以生成所述反应溶液。
3.如权利要求2所述的样本检测方法,其特征在于,基于生物载体技术对所述待测样本进行基于磁性粒子的非酶生化反应处理以生成所述反应溶液包括:
对所述待测样本进行非酶生化反应处理以使得待测样本中的多种目标分析物分别和多种生物载体结合以生成所述反应溶液;
利用磁性粒子,在外界磁场作用下对目标分析物进行分离。
4.如权利要求3所述的样本检测方法,其特征在于,对所述待测样本进行非酶生化反应处理以使得待测样本中的多种目标分析物分别和多种生物载体结合以生成所述反应溶液包括:
对所述待测样本进行非酶生化反应处理以使得待测样本中的多种目标分析物分别和与其对应的磁性粒子、抗体、待测物、荧光纳米珠信号探针结合以生成所述反应溶液。
5.如权利要求1所述的样本检测方法,其特征在于,对所述反应溶液进行激发以使所述多种多元复合物发出多种光包括:
通过光源设备或电学设备或化学试剂对所述反应溶液进行激发以使所述多种多元复合物发出多种光,所述多种光包括具有不同的强度和/或频率的光。
6.如权利要求1所述的样本检测方法,其特征在于,对所述反应溶液进行激发以使所述多种多元复合物发出多种光包括:
通过光源对所述反应溶液进行激发以使所述多种多元复合物发出多种光。
7.如权利要求6所述的样本检测方法,其特征在于,通过光源对所述反应溶液进行激发以使所述多种多元复合物发出多种光包括:
将所述反应溶液放置于透明平面;
待反应溶液中的磁性粒子沉淀在平面的表面上,通过蓝色光源对置于透明平面的所述反应溶液进行激发以使所述多种多元复合物发出多种光。
8.如权利要求1所述的样本检测方法,其特征在于,基于单一光学检测通道获取所述多种光以生成样本检测图片包括:
基于单一光学检测通道中的滤光透镜获取所述多种光;
光学传感器基于所述多种光生成所述样本检测图片。
9.如权利要求8所述的样本检测方法,其特征在于,光学传感器基于所述多种光生成所述样本检测图片包括:
CMOS光学传感器基于所述多种光生成所述样本检测图片;或
CCD光学传感器基于所述多种光生成所述样本检测图片。
10.如权利要求1所述的样本检测方法,其特征在于,基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果包括:
对所述样本检测图片进行预处理;
生成所述样本检测图片的特征矩阵;
将所述特征矩阵输入多目标识别模型中,生成所述多种目标分析物中每一种目标分析物的检测结果。
11.如权利要求10所述的样本检测方法,其特征在于,对所述样本检测图片进行预处理包括:
对所述样本检测图片进行滤波处理;和/或
对所述样本检测图片进行斑点检测处理。
12.如权利要求10所述的样本检测方法,其特征在于,生成所述样本检测图片的特征矩阵包括:
提取所述样本检测图片中每一个像素的特征数据;
基于所有像素的特征数据生成所述特征矩阵。
13.如权利要求12所述的样本检测方法,其特征在于,提取所述样本检测图片中每一个像素的特征数据包括:
提取所述样本检测图片中每一个像素的颜色和位置。
14.如权利要求12所述的样本检测方法,其特征在于,基于所有像素的特征数据生成所述特征矩阵还包括:
对所述特征矩阵进行特征变换处理。
15.如权利要求10所述的样本检测方法,其特征在于,将所述特征矩阵输入多目标识别模型中,生成所述多种目标分析物中每一种目标分析物的检测结果包括:
将所述特征矩阵输入多目标识别模型中;
所述多目标识别模型基于所述特征矩阵对所述样本检测图片中的像素逐一进行分类预测;
基于分类预测结果生成所述多种目标分析物中每一种目标分析物的检测结果。
16.如权利要求10所述的样本检测方法,其特征在于,生成所述多种目标分析物中每一种目标分析物的检测结果包括:
生成所述多种目标分析物中每一种目标分析物对应的像素总数和总亮度;
基于像素总数和总亮度生成所述多种目标分析物中每一种目标分析物的检测结果。
17.如权利要求16所述的样本检测方法,其特征在于,基于像素总数和总亮度生成所述多种目标分析物中每一种目标分析物的检测结果包括:
基于校准公式和每一种目标分析物对应的像素总数和总亮度生成每一种目标分析物对应的数量和浓度;
基于每一种目标分析物对应的数量和浓度生成所述待测样本的检测结果。
18.如权利要求10所述的样本检测方法,其特征在于,还包括:
通过多个检测样本生成多个样本训练图片;
为所述多个样本训练图片分别标注多个训练标签,其中,所述多个训练标签与所述多种目标分析物对应;
基于带有多个训练标签的多个样本训练图片对机器学习模型进行训练以生成所述多目标识别模型。
19.如权利要求18所述的样本检测方法,其特征在于,为所述多个样本训练图片分别标注多个训练标签包括:
为所述多个样本训练图片中的每个像素分别标注训练标签。
20.如权利要求18所述的样本检测方法,其特征在于,基于带有多个训练标签的多个样本训练图片对机器学习模型进行训练以生成所述多目标识别模型包括:
基于带有多个训练标签的多个样本训练图片对多层感知器进行训练以生成所述多目标识别模型;或
基于带有多个训练标签的多个样本训练图片对随机森林分类器进行训练以生成所述多目标识别模型。
21.一种基于单一光学检测通道的样本检测装置,其特征在于,包括:
样本模块,用于获取待测样本,所述待测样本中包含多种目标分析物;
反应模块,用于对所述待测样本进行基于磁性粒子的生化反应处理以生成反应溶液,所述反应溶液中包含多种多元复合物,其中,多种多元复合物和多种目标分析物对应;
激发分离模块,用于对所述反应溶液进行激发以使所述多种多元复合物发出多种光,在外界磁场作用下将目标分析物从待测样本中分离出来以及收集在磁性粒子的表面;
图片模块,用于基于单一光学检测通道获取所述多种光以生成样本检测图片;
检测模块,用于基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果;
结果模块,用于基于每一种目标分析物的检测结果生成所述待测样本的检测结果。
22.如权利要求21所述的样本检测装置,其特征在于,所述检测模块包括:
处理单元,用于对所述样本检测图片进行预处理;
特征单元,用于生成所述样本检测图片的特征矩阵;
识别单元,用于将所述特征矩阵输入多目标识别模型中,生成所述多种目标分析物中每一种目标分析物的检测结果。
23.如权利要求22所述的样本检测装置,其特征在于,所述检测模块还包括:
模型训练单元,用于通过多个检测样本生成多个样本训练图片;为多个样本训练图片分别标注多个训练标签,其中,所述多个训练标签与所述多种目标分析物对应;基于带有多个训练标签的多个样本训练图片对机器学习模型进行训练以生成所述多目标识别模型。
24.一种基于单一光学检测通道的样本检测系统,其特征在于,包括:
反应装置,用于获取待测样本,所述待测样本中包含多种目标分析物,对所述待测样本进行基于磁性粒子的生化反应处理以生成反应溶液,所述反应溶液中包含多种多元复合物,其中,多种多元复合物与多种目标分析物对应;
激发分离装置,用于对所述反应溶液进行激发以使所述多种多元复合物发出多种光,在外界磁场作用下将目标分析物从待测样本中分离出来以及收集在磁性粒子的表面;
图像装置,用于基于单一光学检测通道获取所述多种光以生成样本检测图片;
服务器,用于基于所述样本检测图片生成所述多种目标分析物中每一种目标分析物的检测结果,基于每一种目标分析物的检测结果生成所述待测样本的检测结果。
25.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-20中任一所述的方法。
26.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-20中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210056449.4A CN116503302A (zh) | 2022-01-18 | 2022-01-18 | 样本检测方法、装置、系统、电子设备及计算机可读介质 |
PCT/CN2022/129869 WO2023138162A1 (zh) | 2022-01-18 | 2022-11-04 | 样本检测方法、装置、系统、电子设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210056449.4A CN116503302A (zh) | 2022-01-18 | 2022-01-18 | 样本检测方法、装置、系统、电子设备及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116503302A true CN116503302A (zh) | 2023-07-28 |
Family
ID=87327164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210056449.4A Pending CN116503302A (zh) | 2022-01-18 | 2022-01-18 | 样本检测方法、装置、系统、电子设备及计算机可读介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116503302A (zh) |
WO (1) | WO2023138162A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201419230D0 (en) * | 2014-10-29 | 2014-12-10 | Universit� De Mons And Haute Ecole De La Communaut� Fran�Aise En Hainaut | Malaria detection |
GB2543474A (en) * | 2015-07-02 | 2017-04-26 | Univ College Dublin Nat Univ Of Ireland Dublin | An optical detection based on non-linear magnetophoretic transport of magnetic particle for particle and biological sensing and separation |
CN110261608B (zh) * | 2019-05-29 | 2022-03-22 | 江苏大学 | 基于磁性荧光探针的食品大肠杆菌菌落可视化检测及自动化计数方法 |
CN113138270A (zh) * | 2020-01-20 | 2021-07-20 | 上海纳衍生物科技有限公司 | 一种血液样本的多目标物检测方法 |
CN112462056B (zh) * | 2020-11-19 | 2023-02-28 | 武汉大学 | 一种用于现场检测尿液中细菌的尿检平台及其使用方法 |
-
2022
- 2022-01-18 CN CN202210056449.4A patent/CN116503302A/zh active Pending
- 2022-11-04 WO PCT/CN2022/129869 patent/WO2023138162A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023138162A1 (zh) | 2023-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101518765B1 (ko) | 생체인식 분자에 접합된 마이크로비드를 사용하여 병원체를 검출하는 방법 | |
CN108012553B (zh) | 信息处理设备、信息处理方法和信息处理系统 | |
US20060170918A1 (en) | Detection Apparatus and Detection Method for Plasmon Resonance and Fluorescence | |
WO2013093454A1 (en) | Analysis of colorimetric or fluorometric test assays | |
Cunningham et al. | Photonic crystal enhanced fluorescence for early breast cancer biomarker detection | |
US20210311038A1 (en) | Indicator-based analysis of a sample | |
EP3598133B1 (en) | System and method for identifying and quantifying species with nanopores, using complexes of nanoparticles with carrier particles | |
WO2017169770A1 (ja) | 細胞分析システム | |
KR20220100854A (ko) | 인공 지능 기반 세포 분석을 위한 시스템 및 방법 | |
JP5543310B2 (ja) | イムノクロマトグラフ検査方法および装置 | |
JP7386236B2 (ja) | 血清および血漿試料の両方に関してディープアダプテーションネットワークを用いてhilnを決定するための方法および装置 | |
JP5543888B2 (ja) | イムノクロマトグラフ検査方法および装置 | |
WO2023138162A1 (zh) | 样本检测方法、装置、系统、电子设备及计算机可读介质 | |
US20210356460A1 (en) | Method for Analyzing Immunoglobulins and Other Analytes in an Immunoassay | |
US11561161B2 (en) | Information processing apparatus, information processing method, and program | |
JP2021189183A (ja) | 情報処理装置、生体試料解析方法、生体試料検出装置、および生体試料検出システム | |
Wei | Temporal Multiplexed Fluorescence Imaging Device for Bead-based Immunoassay Detection | |
Yuan et al. | Led excitation of an imaging cytometer for bead-based immunoassay | |
JP6228206B2 (ja) | タンパク質特異的な光検出 | |
WO2023171463A1 (ja) | 情報処理装置及び情報処理システム | |
JP2019052932A (ja) | データ解析装置、プログラム及び記録媒体、並びにデータ解析方法 | |
WO2022019016A1 (ja) | 情報処理装置、情報処理システム、情報処理方法、及びプログラム | |
US20170108435A1 (en) | Fluorometer | |
CN117890577A (zh) | 基于生物-替代物转化的单分子免疫分析方法、装置、系统、电子设备及计算机可读介质 | |
WO2021144784A1 (en) | System and method for use in fret microscopy |
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 |