CN117491669B - 一种多指标智能标识和检测方法 - Google Patents
一种多指标智能标识和检测方法 Download PDFInfo
- Publication number
- CN117491669B CN117491669B CN202311849638.8A CN202311849638A CN117491669B CN 117491669 B CN117491669 B CN 117491669B CN 202311849638 A CN202311849638 A CN 202311849638A CN 117491669 B CN117491669 B CN 117491669B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- difference
- representative
- coordinate
- 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 55
- 239000004005 microsphere Substances 0.000 claims abstract description 99
- 238000000034 method Methods 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims description 28
- 230000002776 aggregation Effects 0.000 claims description 24
- 238000004220 aggregation Methods 0.000 claims description 24
- 238000004020 luminiscence type Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 239000013589 supplement Substances 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 9
- 108090000695 Cytokines Proteins 0.000 description 20
- 102000004127 Cytokines Human genes 0.000 description 20
- 239000003153 chemical reaction reagent Substances 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 6
- 230000000153 supplemental effect Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 206010047115 Vasculitis Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000003460 anti-nuclear Effects 0.000 description 2
- 239000012472 biological sample Substances 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 108090000174 Interleukin-10 Proteins 0.000 description 1
- 108010002350 Interleukin-2 Proteins 0.000 description 1
- 108090000978 Interleukin-4 Proteins 0.000 description 1
- 108010002616 Interleukin-5 Proteins 0.000 description 1
- 108090001005 Interleukin-6 Proteins 0.000 description 1
- 108090001007 Interleukin-8 Proteins 0.000 description 1
- 108700012920 TNF Proteins 0.000 description 1
- 229960002685 biotin Drugs 0.000 description 1
- 235000020958 biotin Nutrition 0.000 description 1
- 239000011616 biotin Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000011859 microparticle Substances 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- 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
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- 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
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/00584—Control arrangements for automatic analysers
- G01N35/00722—Communications; Identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G01N2015/1006—Investigating individual particles for cytology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioethics (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Dispersion Chemistry (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种多指标智能标识和检测方法，属于多指标检测的领域，用于解决相关技术中多指标检测过程中的微球群需要人为圈定标记的问题，该标识方法中，利用与微球群对应的待标识代表点来计算差异点集，后根据差异点集来确定定位点，再结合基准点来确定为代表点赋予的指标种类标识，能够实现微球群与指标种类对应关系的智能确定，该检测方法利用该标识方法确定微球群与指标种类的对应关系，并利用聚类算法实现微球群的圈定标记，进而实现反映指标值的发光强度值的计算，从而能够实现指标种类的智能检测。
Description
技术领域
本申请涉及指标检测的技术领域，尤其涉及一种多指标智能标识和检测方法。
背景技术
指标检测例如细胞因子检测、血管炎检测、抗核抗体检测等的检测结果可以反映生物样本及个体的状态，在实验、临床等方面均具有重要意义。近年来随着科技的飞速发展，检测技术的智能化进程也随之加速，指标检测的智能化也是大势所趋。
发明内容
本申请提供了一种多指标智能标识和检测方法，其有利于推动多指标检测的智能化进程。
第一方面，本申请提供了一种多指标智能标识方法。该方法包括：
获取指定数量个待标识的代表点的坐标位置，所述代表点的坐标位置关联于微球的聚集位置；
基于代表点的坐标位置，相对每一代表点确定一差异点集，所述差异点集中的差异点一一对应关联于基准的代表点的坐标位置与其他每一代表点的坐标位置的差值；
相对每一差异点集确定一定位点，所述定位点的坐标位置关联于差异点集中所有差异点的坐标位置；
基于预设相近分析规则，分析定位点的坐标位置与预获取的指定数量个基准点的坐标位置的对应关系，所述基准点携带有指标种类标识；
对待标识的代表点赋予对应基准点携带的指标种类标识。
通过采用上述技术方案，能够确定代表点的指标种类标识，即能确定微球的每个聚集位置对应哪一种指标，实现了微球的聚集位置与指标种类对应关系的智能识别，从而有利于推动多指标检测的智能化进程。
进一步地，所述基于代表点的坐标位置，相对每一代表点确定一差异点集包括：
设代表点共有n个，且/>，第i个代表点的坐标位置为/>，/>，则差异点集与代表点一一对应，第i个差异点集/>，或第i个差异点集/>。
进一步地，所述相对每一差异点集确定一定位点包括：
根据差异点集中每一差异点的坐标位置，计算定位点的坐标位置，所述定位点的坐标位置等于差异点集中所有差异点的平均坐标位置；
设第i个差异点集为，则第i个差异点集对应的定位点/>，/>；
或所述相对每一差异点集确定一定位点包括：
在每一差异点集中补充坐标原点得到补充点集，所述补充点集包括坐标原点和对应差异点集中的所有差异点；
基于补充点集计算定位点的坐标位置；
设补充点集为B，补充点集B中包含n个点，/>，定位点为M；
所述定位点，/>且/>。
进一步地，还包括：获取指定数量个基准点的坐标位置和基准点携带的指标种类标识；
所述获取指定数量个基准点的坐标位置和基准点携带的指标种类标识包括：
获取若干个组已标识的代表点，每组已标识的代表点包括指定数量个代表点的坐标位置以及代表点被赋予的指标种类标识；
基于每组已标识的代表点的坐标位置，相对每一已标识的代表点确定一差异点集，差异点集中的差异点一一对应关联于基准的代表点的坐标位置与其他每一代表点的坐标位置的差值；
相对每一差异点集确定一标定点，并将差异点集对应的代表点的指标种类标识赋予对应标定点，所述标定点的坐标位置关联于差异点集中所有差异点的坐标位置；
根据携带有同一指标种类标识的标定点的坐标位置，确定指标种类标识对应的基准点。
进一步地，所述预设相近分析规则包括：：
将定位点与基准点一一关联，确定每对关联的定位点和基准点的坐标距离；
计算所有关联方式的坐标距离之和；
确定坐标距离之和最小的关联方式中定位点和基准点的关联关系为对应关系；
或所述预设相近分析规则包括：
计算每个定位点与所有基准点的坐标距离；
确定与定位点的坐标距离最小的基准点为定位点对应的基准点。
进一步地，所述预设相近分析规则包括：
计算每个定位点与基准点之间的向量相似度；
确定与定位点向量相似度最高的基准点为定位点对应的基准点。
进一步地，所述获取指定数量个待标识的代表点的坐标位置包括：
基于预设聚类分析规则对微球的位置坐标进行分析，确定指定数量个代表点，微球的横坐标由第一特异性发光值的对数值确定，微球的纵坐标由第二特异性发光值的对数值确定。
进一步地，所述预设聚类分析规则包括：
基于微球的坐标位置，利用K-Means聚类算法对所有微球进行指定数量个类的聚类分析，得到指定数量个微球群；
以微球群的中心点为所述代表点。
第二方面，本申请实施例提供了一种多指标智能检测方法。该方法包括：
利用如以上第一方面所述的任意一种标识方法赋予代表点以指标种类标识，以确定微球的聚集位置对应的指标种类标识；
以圈定标记线对微球的每个聚集位置进行圈定标记，所述圈定标记线为封闭曲线；
计算微球的每一聚集位置的发光强度值，所述发光强度值关联于圈定标记线内所有微球的第三特异性发光值。
进一步地，利用聚类算法对所有微球进行指定数量个类的聚类分析，得到指定数量个微球群的分布形状轮廓线，所述圈定标记线为微球群的分布形状轮廓线的外接椭圆，不同圈定标记线相离或相外切。
综上所述，本申请至少包含以下有益效果：
提供了一种多指标智能标识和检测方法，能够实现对微球的聚集位置与指标种类的对应关系的智能标识；
自主设计的利用代表点计算差异点集，进而利用差异点确定定位点，再进而确定定位点和基准点的对应关系，进而确定代表点及微球的聚集位置对应的指标种类标识，高效、合理且准确性较高。
应当理解，发明内容部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征，亦非用于限制本申请的范围。本申请的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本申请各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了本申请实施例中的一种多指标智能标识方法的流程图。
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作出创造性劳动前提下所获得的全部其他实施例，都属于本申请保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
目前许多指标的检测需要利用到包含微球的检测试剂包，例如细胞因子检测、血管炎检测、抗核抗体检测等，包含微球的检测试剂包的检测过程往往需要人为操作，智能化的进程存在诸多困难。下面以多项细胞因子检测技术为例进行说明。
目前主流的多项细胞因子检测技术一般为多重流式荧光发光检测技术，该检测手段一般需要借助检测试剂包和流式细胞仪实现。
以一种十二项细胞因子检测试剂包为例，该检测试剂包能够检测人体生物标本中TNFa、IFN-a、IFN-y、IL-1P、IL-2、IL-4、IL-5、IL-6、IL-8、IL-10、IL-12p70和IL-17的表达，从而为医生提供诊断的辅助信息。该十二项细胞因子检测试剂包中的微球（指药物分散或被吸附在高分子、聚合物基质中而形成的微粒分散体系）带有两种荧光，分别在流式细胞仪的APC和APC-Cy7通道检测。
利用该十二项细胞因子检测试剂包进行细胞因子表达检测的大致原理为：依照说明书操作该十二项细胞因子检测试剂包与待测样本反应，使微球群上包被的特异性抗体分别与对应细胞因子特异性结合，之后加入生物酶标记的检测抗体，形成抗体包被微球、细胞因子和检测抗体的免疫复合物，最后加入人链霉亲和素-PE与生物素结合。
在检测过程中，流式细胞仪会建立APC（X轴）和APC-Cy7（Y轴）的对数密度图模板（一般以10为底），并根据微球的APC荧光值和APC-Cy7荧光值在对数密度图模板中确定微球的位置，后人工进行微球群的圈定标记，人为的圈定标记工作包括画出椭圆形标记线以及标记微球群对应的细胞因子种类，后流式细胞仪可以计算圈定标记线内的所有微球的PE荧光值的中位数，以PE荧光值的中位数反应每一种细胞因子的表达情况。
为了以自动化方法替代人工的圈定标记工作，考虑到对数密度模板图中微球群分布的位置、形状基本一致，在前提供了一种以固定位置、固定形状的圈定标记线来圈定标记微球群的自动化方法，然而，由于不同细胞因子检测试剂尤其是不同批次的细胞因子检测试剂的具体参数存在细微差别，导致微球群分布的位置、形状也会存在细微差别，以固定位置、固定形状的圈定标记线难以准确圈定标记微球群。
为了实现微球群的智能圈定标记，本申请实施例提供了一种多指标智能标识和检测方法，其有利于实现微球群的智能圈定标记，进而有利于推动细胞因子检测的智能化进程，同时该方法也能够应用于其他利用微球的指标检测技术。
第一方面，本申请提供了一种多指标智能标识方法。该方法可以应用于处理器，例如流式细胞仪的处理器。
参照图1，该方法具体包括以下步骤：
S310：获取指定数量个待标识的代表点的坐标位置。
所述代表点的坐标位置关联于微球的聚集位置。
所述获取指定数量个待标识的代表点的坐标位置包括：基于预设聚类分析规则对微球的位置坐标进行分析，确定指定数量个代表点，微球的横坐标由第一特异性发光值的对数值确定，微球的纵坐标由第二特异性发光值的对数值确定。在本申请实施例中，第一特异性发光值为APC荧光值，第二特异性发光值为APC-Cy7荧光值。
具体来说，所述预设聚类分析规则包括：基于微球的坐标位置，利用K-Means聚类算法对所有微球进行指定数量个类的聚类分析，得到指定数量个微球群；以微球群的中心点为所述代表点。此处所说的中心点，可以指微球群的最高微球密度数据处，也可以指微球群分布形状的几何中心。
当然，代表点也可以为根据微球群的分布形状确定一个处于微球群分布形状内的指定坐标位置，例如若微球群大致为椭圆形，则代表点可以处于微球群长轴的指定位置（例如长轴的三分之一处）、或者微球群短轴的指定位置（例如短轴的四分之三处）、或者基于微球群的长轴和短轴定位的任一其他位置（与长轴和短轴的相对位置确定）。可以理解的，为了使代表点的分布情况符合微球群的分布情况，需要利用相同的规则来在微球群中确定代表点。
至于前述的微球群的分布形状，同样可以基于聚类算法确定，例如基于微球的分布密度和密度阈值来确定微球群的分布形状，分布形状的轮廓线内包含微球群所有分布密度高于密度阈值的部分。当然也可以采用其他方式确定微球群的轮廓，此处不作穷举介绍。
S320：基于代表点的坐标位置，相对每一代表点确定一差异点集。
所述差异点集中的差异点一一对应关联于基准的代表点的坐标位置与其他每一代表点的坐标位置的差值。
所述基于代表点的坐标位置，相对每一代表点确定一差异点集包括：设代表点共有n个，且/>，第i个代表点的坐标位置为/>，/>，则差异点集与代表点一一对应，第i个差异点集/>，或第i个差异点集/>。
在本申请实施例中，。
应理解，前述基准的代表点的理解方式为，以哪一代表点为基础计算的差异点集，该代表点即为该差异点集计算过程中基准的代表点。第i个差异点集计算过程中基准的代表点为/>。
S330：相对每一差异点集确定一定位点。
所述定位点的坐标位置关联于差异点集中所有差异点的坐标位置。
在一个示例中，所述相对每一差异点集确定一定位点包括：对差异点集中的差异点进行向量化排序；以差异点集对应的代表点为基准，按顺序连接向量化的差异点得到连接向量；基于连接向量确定定位点。
具体来说，差异点集中的差异点为二维坐标系下的坐标，也可以被视作二维坐标系下的由原点指向差异点坐标位置的向量。对差异点集中的差异点进行向量化排序，具体可以根据向量的模大小进行排序。以差异点集对应的代表点为基准是指，连接向量以该对应的代表点为起点或终点，一般来讲，若差异点集由基准的代表点减去其他差异点得到，则该基准的代表点为连接向量的终点，若差异点集由其他差异点减去基准的代表点得到，则该基准的代表点为连接向量的起点。基于连接向量确定定位点，定位点可以处于连接向量由起点指向终点的向量的中点。经验证，不同差异点集得到的连接向量的形态基本一致，故定位点也可以处于连接向量的起点、终点或其间的任一点例如四分位点、三分位点等。
在另一个示例中，所述相对每一差异点集确定一定位点包括：根据差异点集中每一差异点的坐标位置，计算定位点的坐标位置，所述定位点的坐标位置等于差异点集中所有差异点的平均坐标位置。
设第i个差异点集为，则第i个差异点集对应的定位点，/>；在本申请实施例中，/>=/>。
在其他示例中，所述相对每一差异点集确定一定位点包括：在每一差异点集中补充坐标原点得到补充点集，所述补充点集包括坐标原点和对应差异点集中的所有差异点；
基于补充点集计算定位点的坐标位置；
设补充点集为B，补充点集B中包含n个点，/>，定位点为M；
所述定位点，/>且。
即定位点仅需关联于补充点集内所有的点即可，定位点可以为补充点集内所有点中的一个，例如横坐标最大的点（若横坐标最大的点有两个或两个以上，则取纵坐标较小的点），定位点也可以为补充点集内所有点按纵坐标由小到大排序，前预设数量（预设数量不大于n，例如取3）个点的坐标平均值，总之，定位点的位置仅需与对应补充点集中一个或多个点的相对位置确定即可，相应的计算方式为由这一个或多个点的坐标位置计算得到，对于定位点的具体计算方式此处不作穷举。
可以理解的，为了使定位点的分布情况能够反映代表点的分布情况，需要采用同样的计算规则来计算所有的定位点。另外，为了避免补充点集中单个点的位置偏差对结果造成的影响，定位点最好由对应补充点集中两个或两个以上数量个点的坐标位置计算得到。
S340：基于预设相近分析规则，分析定位点的坐标位置与预获取的指定数量个基准点的坐标位置的对应关系。
所述基准点携带有指标种类标识。
在本步骤的方法之前，该标识方法还包括：获取指定数量个基准点的坐标位置和基准点携带的指标种类标识。
所述获取指定数量个基准点的坐标位置和基准点携带的指标种类标识包括：
获取若干个组已标识的代表点，每组已标识的代表点包括指定数量个代表点的坐标位置以及代表点被赋予的指标种类标识；
基于每组已标识的代表点的坐标位置，相对每一已标识的代表点确定一差异点集，差异点集中的差异点一一对应关联于基准的代表点的坐标位置与其他每一代表点的坐标位置的差值；
相对每一差异点集确定一标定点，并将差异点集对应的代表点的指标种类标识赋予对应标定点，所述标定点的坐标位置关联于差异点集中所有差异点的坐标位置；
根据携带有同一指标种类标识的标定点的坐标位置，确定指标种类标识对应的基准点。
具体来说，若已标识的代表点有至少两组，则携带有同一指标种类标识的标定点也相应有至少两个，此时可以在根据携带有同一指标种类标识的标定点的坐标位置、确定指标种类标识对应的基准点时，计算所有携带有同一指标种类标识的标定点的平均坐标位置为对应基准点的坐标位置。
在一个示例中，所述预设相近分析规则包括：将定位点与基准点一一关联，确定每对关联的定位点和基准点的坐标距离；计算所有关联方式的坐标距离之和；确定坐标距离之和最小的关联方式中定位点和基准点的关联关系为对应关系。
在另一个示例中，所述预设相近分析规则包括：计算每个定位点与所有基准点的坐标距离；确定与定位点的坐标距离最小的基准点为定位点对应的基准点。若与某个定位点的坐标距离最小的基准点有两个或两个以上，则先进行其他定位点距离最小的基准点的判断对应关系，以两个或两个以上基准点中未与其他定位点对应的基准点为该定位点对应的基准点。
在第三个示例中，所述预设相近分析规则包括：计算每个定位点与基准点之间的向量相似度；确定与定位点向量相似度最高的基准点为定位点对应的基准点。应理解，定位点和基准点本身为二维坐标，也可以被解释为二维坐标系下的向量，利用向量相似度算法，例如余弦相似度算法，可以计算每个定位点与每个基准点之间的向量相似度，从而确定与定位点向量相似度最高的基准点为该定位点对应的基准点。若整体分布偏差导致基于向量相似度计算得到存在两个定位点与同一个基准点对应，则必然存在一个基准点不与任何一个定位点对应，此时可计算两个与对应基准点对应的定位点与此基准点向量相似度，将与此基准点向量相似度更高的一个定位点与此基准点对应即可实现容错。
在其他示例中，所述预设相近分析规则包括：将定位点与基准点一一关联，确定每对关联的定位点和基准点的向量相似度；计算所有关联方式的向量相似度之和；确定向量相似度之和最大的关联方式中定位点和基准点的关联关系为对应关系。
相近分析规则也可以表现为其他形式，仅需能够基于分布情况确定定位点与基准点的对应关系即可，此处不作一一列举介绍。
S350：对待标识的代表点赋予对应基准点携带的指标种类标识。
在本实施例的标识方法中，一个待标识的代表点与微球的一个聚集位置对应，基于一个待标识的代表点可以计算一个差异点集，进而计算一个定位点，即待标识的代表点与定位点一一对应。在确定定位点对应的基准点后，即可追溯确定基准点对应的待标识的代表点，从而能够基于对应关系将基准点携带的指标种类标识赋予待标识的代表点，也能够确定微球的每个聚集位置对应的指标种类标识，也即能够确定微球的每个聚集位置对应那一种指标，在本申请实施例中即能够确定细胞因子项与微球群的对应关系。
综合上述，本申请实施例提供的标识方法能够智能确定微球的每一聚集位置对应哪一种指标，即便受包含微球的指标检测试剂包的参数偏差影响出现微球的聚集位置的细微变化，例如坐标位置的变化和相对位置变化，该标识算法的标识能力也基本能够达到人工圈定标记的水平，从而能够实现智能化的微球群与指标种类对应关系的标识，有利于推动指标检测的智能化进程。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
第二方面，本申请实施例提供了一种多指标智能检测方法。该方法包括：
利用如本申请实施例第一方面公开的任意一种标识方法赋予代表点以指标种类标识，以确定微球的聚集位置对应的指标种类标识；
以圈定标记线对微球的每个聚集位置进行圈定标记，所述圈定标记线为封闭曲线；
计算微球的每一聚集位置的发光强度值，所述发光强度值关联于圈定标记线内所有微球的第三特异性发光值。
此处标识方法，具体可以参照本申请实施例第一方面的公开，此处不作重复公开。
发光强度值等于圈定标记线内所有微球的PE荧光值的四分之一位值至峰值之间的任一值，或者四分之一位值至峰值之间任一数据范围的平均值，或者被根据需求实现为其他计算形式，此处不作具体限定。在本申请实施例中，发光强度值等于圈定标记线内所有微球的PE荧光值的中位值。
在本申请实施例中，第三特异性发光值为PE荧光值。
进一步地，由于微球群的分布形状一般大致为椭圆形，故所述圈定标记线为椭圆，不同圈定标记线相离或相外切，圈定标记线的长轴大致沿聚集位置的长度方向分布。
圈定标记线也可以为矩形、圆形等其他形状，仅需能够实现微球群的圈定标记即可。当然，为了更好的契合微球群的分布形状，圈定标记线一般也在微球群的分布长度方向上明显较长。
圈定标记线也可以为微球群的分布形状的轮廓线，微球群分布形状的确定方法可以参考本申请实施例第一方面的相关公开，此处不作重复公开。
在本申请实施例中，以多项细胞因子检测为例，采用该检测方法能够实现每个细胞因子对应的微球群的发光强度值的检测，即无需人工参与圈定标记即可自动获取反映细胞因子表达的数据，且基本能够达到人工圈定标记的水平，从而有利于实现细胞因子检测的智能化，应理解，该技术也可以应用于其他多指标检测技术，实现智能化检测指标值。
综上所述，本申请至少包含以下有益效果：
提供了一种多指标智能标识和检测方法，能够实现对微球的聚集位置与指标种类对应关系的智能标识；
自主设计的利用代表点计算差异点集，进而利用差异点确定定位点，再进而确定定位点和基准点的对应关系，进而确定代表点及微球的聚集位置对应的指标种类标识，高效、合理且准确性较高。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种多指标智能标识方法，其特征在于，包括：
获取指定数量个待标识的代表点的坐标位置，所述代表点的坐标位置关联于微球的聚集位置；
基于代表点的坐标位置，相对每一代表点确定一差异点集，所述差异点集中的差异点一一对应关联于基准的代表点的坐标位置与其他每一代表点的坐标位置的差值；
相对每一差异点集确定一定位点，所述定位点的坐标位置关联于差异点集中所有差异点的坐标位置；
基于预设相近分析规则，分析定位点的坐标位置与预获取的指定数量个基准点的坐标位置的对应关系，所述基准点携带有指标种类标识；
对待标识的代表点赋予对应基准点携带的指标种类标识。
2.根据权利要求1所述的标识方法，其特征在于，所述基于代表点的坐标位置，相对每一代表点确定一差异点集包括：
设代表点共有n个，且/>，第i个代表点的坐标位置为/>，/>，则差异点集与代表点一一对应，第i个差异点集/>，或第i个差异点集/>。
3.根据权利要求1所述的标识方法，其特征在于，所述相对每一差异点集确定一定位点包括：
根据差异点集中每一差异点的坐标位置，计算定位点的坐标位置，所述定位点的坐标位置等于差异点集中所有差异点的平均坐标位置；
设第i个差异点集为，则第i个差异点集对应的定位点/>，/>；
或所述相对每一差异点集确定一定位点包括：
在每一差异点集中补充坐标原点得到补充点集，所述补充点集包括坐标原点和对应差异点集中的所有差异点；
基于补充点集计算定位点的坐标位置；
设补充点集为B，补充点集B中包含n个点，/>，定位点为M；
所述定位点，/>且/>。
4.根据权利要求1-3中任意一项所述的标识方法，其特征在于，还包括：获取指定数量个基准点的坐标位置和基准点携带的指标种类标识；
所述获取指定数量个基准点的坐标位置和基准点携带的指标种类标识包括：
获取若干个组已标识的代表点，每组已标识的代表点包括指定数量个代表点的坐标位置以及代表点被赋予的指标种类标识；
基于每组已标识的代表点的坐标位置，相对每一已标识的代表点确定一差异点集，差异点集中的差异点一一对应关联于基准的代表点的坐标位置与其他每一代表点的坐标位置的差值；
相对每一差异点集确定一标定点，并将差异点集对应的代表点的指标种类标识赋予对应标定点，所述标定点的坐标位置关联于差异点集中所有差异点的坐标位置；
根据携带有同一指标种类标识的标定点的坐标位置，确定指标种类标识对应的基准点。
5.根据权利要求4所述的标识方法，其特征在于，所述预设相近分析规则包括：
将定位点与基准点一一关联，确定每对关联的定位点和基准点的坐标距离；
计算所有关联方式的坐标距离之和；
确定坐标距离之和最小的关联方式中定位点和基准点的关联关系为对应关系；
或所述预设相近分析规则包括：
计算每个定位点与所有基准点的坐标距离；
确定与定位点的坐标距离最小的基准点为定位点对应的基准点。
6.根据权利要求4所述的标识方法，其特征在于，所述预设相近分析规则包括：
计算每个定位点与基准点之间的向量相似度；
确定与定位点向量相似度最高的基准点为定位点对应的基准点。
7.根据权利要求6所述的标识方法，其特征在于，所述获取指定数量个待标识的代表点的坐标位置包括：
基于预设聚类分析规则对微球的位置坐标进行分析，确定指定数量个代表点，微球的横坐标由第一特异性发光值的对数值确定，微球的纵坐标由第二特异性发光值的对数值确定。
8.根据权利要求7所述的标识方法，其特征在于，所述预设聚类分析规则包括：
基于微球的坐标位置，利用K-Means聚类算法对所有微球进行指定数量个类的聚类分析，得到指定数量个微球群；
以微球群的中心点为所述代表点。
9.一种多指标智能检测方法，其特征在于，包括：
利用权利要求1-8中任意一项所述的标识方法赋予代表点以指标种类标识，以确定微球的聚集位置对应的指标种类标识；
以圈定标记线对微球的每个聚集位置进行圈定标记，所述圈定标记线为封闭曲线；
计算微球的每一聚集位置的发光强度值，所述发光强度值关联于圈定标记线内所有微球的第三特异性发光值。
10.根据权利要求9所述的检测方法，其特征在于，利用聚类算法对所有微球进行指定数量个类的聚类分析，得到指定数量个微球群的分布形状轮廓线，所述圈定标记线为微球群的分布形状轮廓线的外接椭圆，不同圈定标记线相离或相外切。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311849638.8A CN117491669B (zh) | 2023-12-29 | 2023-12-29 | 一种多指标智能标识和检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311849638.8A CN117491669B (zh) | 2023-12-29 | 2023-12-29 | 一种多指标智能标识和检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117491669A CN117491669A (zh) | 2024-02-02 |
| CN117491669B true CN117491669B (zh) | 2024-03-29 |
Family
ID=89667615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311849638.8A Active CN117491669B (zh) | 2023-12-29 | 2023-12-29 | 一种多指标智能标识和检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117491669B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107084948A (zh) * | 2017-03-13 | 2017-08-22 | 深圳市液芯生物科技有限公司 | 一种荧光微球的数据提取方法和系统 |
| CN107478622A (zh) * | 2017-06-29 | 2017-12-15 | 深圳市液芯生物科技有限公司 | 一种荧光编码微球的解码方法和系统 |
| CN112147112A (zh) * | 2019-06-28 | 2020-12-29 | 深圳市帝迈生物技术有限公司 | 光学检测系统和光学检测方法、存储介质 |
| CN114577761A (zh) * | 2022-01-28 | 2022-06-03 | 北京胡曼智造科技有限责任公司 | 核壳型磁性荧光微球及其制备方法和应用 |
| CN114668498A (zh) * | 2022-03-15 | 2022-06-28 | 武汉联影智融医疗科技有限公司 | 标记点的顺序识别方法、手术机器人系统和存储介质 |
| CN114720684A (zh) * | 2022-04-01 | 2022-07-08 | 武汉爱博泰克生物科技有限公司 | 一种白介素细胞因子多重流式荧光检测试剂盒、检测方法及应用 |
| CN116359185A (zh) * | 2022-12-22 | 2023-06-30 | 杭州深度生物科技有限公司 | 流式点阵数据分析方法、装置及计算机设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210356460A1 (en) * | 2020-05-14 | 2021-11-18 | Charted Scientific Inc. | Method for Analyzing Immunoglobulins and Other Analytes in an Immunoassay |
-
2023
- 2023-12-29 CN CN202311849638.8A patent/CN117491669B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107084948A (zh) * | 2017-03-13 | 2017-08-22 | 深圳市液芯生物科技有限公司 | 一种荧光微球的数据提取方法和系统 |
| CN107478622A (zh) * | 2017-06-29 | 2017-12-15 | 深圳市液芯生物科技有限公司 | 一种荧光编码微球的解码方法和系统 |
| CN112147112A (zh) * | 2019-06-28 | 2020-12-29 | 深圳市帝迈生物技术有限公司 | 光学检测系统和光学检测方法、存储介质 |
| CN114577761A (zh) * | 2022-01-28 | 2022-06-03 | 北京胡曼智造科技有限责任公司 | 核壳型磁性荧光微球及其制备方法和应用 |
| CN114668498A (zh) * | 2022-03-15 | 2022-06-28 | 武汉联影智融医疗科技有限公司 | 标记点的顺序识别方法、手术机器人系统和存储介质 |
| CN114720684A (zh) * | 2022-04-01 | 2022-07-08 | 武汉爱博泰克生物科技有限公司 | 一种白介素细胞因子多重流式荧光检测试剂盒、检测方法及应用 |
| CN116359185A (zh) * | 2022-12-22 | 2023-06-30 | 杭州深度生物科技有限公司 | 流式点阵数据分析方法、装置及计算机设备 |
Non-Patent Citations (3)
| Title |
|---|
| Analytical and clinical performance of different platforms simultaneously detecting 15 antinuclear antibodies;Yan Qin 等;Journal of Clinical Laboratory Analysis;20220713;第36卷(第7期);第1-12页 * |
| 多重微球流式免疫荧光法检测12项细胞因子的性能评价;张永良 等;标记免疫分析与临床;20221231;第29卷(第12期);第2131-2136页 * |
| 微流体流式细胞仪的关键技术;赵精晶 等;清华大学学报（自然科学版）;20181130;第58卷(第11期);第953-960页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117491669A (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bandyopadhyay et al. | Nonparametric genetic clustering: comparison of validity indices | |
| Schönenberger et al. | Discrimination of cell cycle phases in PCNA-immunolabeled cells | |
| Dhal et al. | Acute lymphoblastic leukemia image segmentation driven by stochastic fractal search | |
| CN108549873A (zh) | 三维人脸识别方法和三维人脸识别系统 | |
| Cheng et al. | Outdoor scene image segmentation based on background recognition and perceptual organization | |
| CN108268838A (zh) | 人脸表情识别方法及人脸表情识别系统 | |
| CN107256017B (zh) | 路线规划方法及系统 | |
| WO2021082380A1 (zh) | 一种基于激光雷达的托盘识别方法、系统和电子设备 | |
| CN106548205A (zh) | 一种流式细胞数据快速自动分群及圈门方法 | |
| CN102324032A (zh) | 一种基于极坐标系下灰度共生矩阵的纹理特征提取方法 | |
| CN102339376A (zh) | 基于主动形状模型和k近邻算法的人脸脸型分类处理方法 | |
| CN113076886A (zh) | 一种猫的面部个体识别装置和方法 | |
| CN117491669B (zh) | 一种多指标智能标识和检测方法 | |
| CN104615998A (zh) | 一种基于多视角的车辆检索方法 | |
| CN112712102A (zh) | 可同时识别已知和未知雷达辐射源个体的识别仪 | |
| CN102708367A (zh) | 基于目标轮廓特征的图像识别方法 | |
| CN115248837B (zh) | 一种获取文本的地理实体的数据处理系统 | |
| CN108037503B (zh) | 一种面向家居板材上下料的基于激光雷达的平面多板材定位方法 | |
| CN116206283A (zh) | 一种移动机器人端的二维激光点云行人检测方法与应用 | |
| CN115131539A (zh) | 基于机器视觉的铝模板自动识别与分类系统 | |
| CN114004877A (zh) | 视觉场景中物体稀疏性的判断方法、系统和设备 | |
| CN114445468A (zh) | 一种异源遥感图像配准方法及系统 | |
| Li et al. | Monocular vision and calculation of regular three-dimensional target pose based on Otsu and Haar-feature AdaBoost classifier | |
| CN103776751A (zh) | 用于粒子检测仪中散点图的粒子分类方法 | |
| CN115953608B (zh) | 用于模型构建的激光点云数据聚类识别方法 |
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 |