[go: up one dir, main page]

CN105354445A - 一种基于血液标志物的人工神经网络智能判别系统 - Google Patents

一种基于血液标志物的人工神经网络智能判别系统 Download PDF

Info

Publication number
CN105354445A
CN105354445A CN201510788867.2A CN201510788867A CN105354445A CN 105354445 A CN105354445 A CN 105354445A CN 201510788867 A CN201510788867 A CN 201510788867A CN 105354445 A CN105354445 A CN 105354445A
Authority
CN
China
Prior art keywords
neural network
blood
artificial neural
data
module
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
Application number
CN201510788867.2A
Other languages
English (en)
Inventor
邵江华
谢宝刚
项明峰
邹慧琴
叶新明
刘爱红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Second Affiliated Hospital to Nanchang University
Original Assignee
Second Affiliated Hospital to Nanchang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Second Affiliated Hospital to Nanchang University filed Critical Second Affiliated Hospital to Nanchang University
Priority to CN201510788867.2A priority Critical patent/CN105354445A/zh
Publication of CN105354445A publication Critical patent/CN105354445A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • G01N33/57407—Specifically defined cancers
    • G01N33/57446—Specifically defined cancers of stomach or intestine
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Chemical & Material Sciences (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Hematology (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Urology & Nephrology (AREA)
  • Biotechnology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Hospice & Palliative Care (AREA)
  • Oncology (AREA)
  • Evolutionary Computation (AREA)
  • Cell Biology (AREA)
  • Evolutionary Biology (AREA)
  • Microbiology (AREA)
  • Biophysics (AREA)
  • Bioethics (AREA)
  • Artificial Intelligence (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种基于血液标志物的人工神经网络智能判别系统，属于临床检验诊断和人工智能学科领域，涉及利用血液代谢物信息的人工智能判别系统。本系统由硬件系统和软件系统两部分组成，硬件系统为血液样品的代谢物数据采集模块。本发明可根据人体血液中2-4种代谢物含量，由系统判别某样品是否来源于肾癌患者，预测准确度高，结果可为肾癌的早期筛查、诊断及治疗提供参考。

Description

一种基于血液标志物的人工神经网络智能判别系统
技术领域
本发明涉及临床检验诊断和化学计量学等多学科领域，特别涉及人工神经网络技术的智能判别系统。
背景技术
肾细胞癌(renalcellcarcinoma)是起源于肾实质泌尿小管上皮系统的恶性肿瘤。近年来随着生活水平的提高，我国患者群日益扩大，且有年轻化的趋势。在过去20年间，肾癌发病率以平均每年6.5％的速度增长，在泌尿系统肿瘤相关死亡中已经超过膀胱癌位居第一。该病初期无明显症状,故而不易被察觉,既往经典血尿、腰痛、腹部肿块“肾癌三联征,'临床出现率不到15％,因此，往往直到晚期或癌细胞发生转移才被诊断出来,这时传统的手术方法已难以根除癌细胞。而且，无症状肾癌的发现率逐年升高,近10年国内文献报道其比例平均为33％,国外报道高达50％。目前,手术治疗仍是局限性肾癌最有效的治疗方法,但是术后大约有20％-40％患者将复发。另外由于其对放化疗不敏感，肾癌的治疗效果非常差，患者5年生存率小于5％，属于典型的疑难癌症。肾癌引起的高死亡率主要是因为其早期缺乏明显的临床症状,进展期缺乏有效的治疗方法。然而,目前肾癌尚无体液生物标志物以供早期诊断，约1/3的肾癌患者初次就诊时即为晚期肾癌。
人工神经网络(Artificialneuralnetwork，ANN)起源于本世纪40年代,其优点是不需事先假定一个特定的模型,而只需从提供给它们的数据中,学习建立输入与输出的关系。以非线性并行处理为基础的神经网络为医学专家系统的研究指明了新的发展方向，解决了传统系统的问题，并提高了知识的推理、自组织、自学习能力。人们对ANN在医药领域中的应用,进行了不懈的研究与实践,广泛用于疾病预测和诊断、手术后生存率预测等。
然而，到目前为止，以体液生物标志物(代谢物)为输入指标，建立ANN判别系统，用于肾癌的诊断预测，未见文献报道。
发明内容
本发明的目的在于提供一种基于血液标志物的人工神经网络智能判别系统。针对尚无体液诊断标志物的问题，本发明在以代谢组学技术为手段发现肾癌的体液标志物基础上，结合ANN技术建立可扩充实验数据且对未知样品进行预测的智能判别系统，可为肾癌的早期筛查、诊断及治疗提供参考。
本发明的技术方案为：一种基于血液标志物的人工神经网络智能判别系统，该系统包括硬件系统和软件系统两部分，硬件系统包括核磁共振(1HNMR)仪或生化分析仪，其作用是对血液样品进行分析，获取样品中各种代谢物的含量信息。软件系统包括血液特征代谢物数据预处理系统模块、获得血液特征代谢物相对定量信息的定量信息输入到可更新数据的样品库模块、基于人工神经网络(ArtificialNeuralNetwork,ANN)的判别系统、结果处理及输出模块。
所述的软件系统或模块由Matlab编制的软件，可在安装了Matlab的普通电脑上实现数据的输入、ANN模型的训练和结果的输出。
采集2-4种特征血液标志物(biomarkers)的定量数据。所述代谢物浓度是相对浓度。
所述的人工神经网络算法是径向神经网络。
利用已知的样品分类和biomarkers信息对数据进行ANN训练，建立ANN模型，则可以对未知样品分类进行预测。其最大优点是样品数据库可不断扩充，提高其预测的准确度。
其步骤主要包括：1)收集的人体血液样品按一定的方法配制溶液，由核磁共振(1HNMR)仪或生化分析仪获得biomarkers的定量数据。2)数据预处理模块对获得数据进行预处理。3)以单个或多个biomarkers定量数据联合为神经网络输入参数，输入人工神经网络系统模块，则可对未知样品分类进行预测，得出是肾癌样品的几率。
本发明的优点在于：临床大数据分析和建模是医学研究的热点和趋势，本发明在利用代谢组学技术发现与肾癌诊断相关的血液生物标志物biomarkers的基础上，建立肾癌ANN智能判别系统，预测准确度可达90％以上。另外，此模型可以不断的扩充临床实验数据，根据数据的变化随时建立模型，因此，随着样本数据库的不断增加，对未知样品预测的特异性和准确度就越高，可为肾癌的早期筛查、诊断及治疗提供参考。
本发明优化建立的ANN模型所需输入的参数(biomarkers组合)是血液中高含量的代谢物浓度数据，该数据不仅可由核磁共振(1HNMR)获得，亦可由其他分析化学方法获得，非常有利于临床上的应用。
下表作为ANN网络模型输入参数的特征代谢物信息：
附图说明
图1为本发明神经网络基本结构图；
图2为本发明基于血液标志物的人工神经网络智能判别系统流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，下面结合附图就本发明的思路、步骤再作进一步的说明。
1.血液样品收集。经组织病理诊断证实的透明肾细胞癌患者5例(病例组)，其中男性3例，女性2例，手术前12-24小时收集血液样品。非肾癌疾病患者10例，其中男性6例，女性4例。均抽取清晨空腹静脉血。肾癌组与非肾癌组的年龄性别等无统计学意义(P＞0.05)。
2.样品前处理。血液样品分离血清后于－20℃冰箱保存。用时每份样品取出200μL，加入800μl甲醇沉淀蛋白，涡旋30s，静置10min，12000r/min离心10min，取上清液至Eppendorf(EP)管中，用高速真空离心干燥机烘干。所有样品均加水460μL复溶后，涡旋30s，超声2min，12000r/min离心10min,取上清液450ul至EP管中，依次加入氘代三甲基丙酸(TSP)重水溶液50ul，KH2PO4/Na2HPO4(4:1)50ul,装入5mm核磁管中，进行H1NMR检测。
3.1HNMR测定及相关Biomarkers信息。
核磁采用预饱和方式抑制水峰，混合时间0.1s，频宽12019.23Hz，采样点数128k，叠加次数64次，饱和频率和中心频率都在水峰位置。自由感应衰减信号经过64k傅立叶变换转为1HNMR谱图。
再用本发明软件系统获得biomarkers的定量数据,相关biomarkers信息见表1。
4.人工神经网络判别。
样品分类(肾癌和非肾癌，分别为0，1代表)为输出参数，网络模型算法为径向或BP神经网络，其基本结构见图1。
以代谢物浓度数据为神经网络输入参数,则可以利用本发明软件系统对未知样品分类进行预测，分析肾癌样品的几率。如以单个biomarkers如3-羟基丁酸为输入参数，上述15样品平均预测准确度为85％；多个biomarkers如3-羟基丁酸、谷氨酸盐和/或黄嘌呤联合为输入参数，其平均预测准确度可达95％以上。
本系统生物标准物数据库是建立在40例肾癌、和120例非肾癌患者样品的基础上建立的。随着临床样本量的不断增加，对未知样品预测的特异性和准确度就越高，可为肾癌的早期诊断提供参考。
本发明人工神经网络智能判别系统流程图见图2。
以上所述仅是本发明的优选实施方式之一，应当指出，对于本技术领域的普通技术人员，在不脱离本发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围内。

Claims (4)

1.一种基于血液标志物的人工神经网络智能判别系统，其特征在于：该系统包括硬件系统和软件系统两部分，硬件系统包括核磁共振仪或生化分析仪，对血液样品进行分析，获取样品中各种代谢物的含量信息；软件系统包括血液特征代谢物数据预处理系统模块（1），获得血液特征代谢物相对定量信息的定量信息输入到可更新数据的样品库模块（2）、基于人工神经网络的判别系统(3)、结果处理及输出模块(4)；
所述的（1-4）软件系统或模块由Matlab编制的软件，可在安装了Matlab的电脑上实现数据的输入、ANN模型的训练和结果的输出。
2.根据权利要求1所述的基于血液标志物的人工神经网络智能判别系统，其特征在于：2-4种特征血液标志物的定量数据；所述代谢物浓度是相对浓度。
3.根据权利要求1所述的基于血液标志物的人工神经网络智能判别系统，其特征在于：所述的人工神经网络算法是径向神经网络。
4.根据权利要求1所述的基于血液标志物的人工神经网络智能判别系统，其特征在于：利用已知的样品分类和血液标志物信息对数据进行ANN训练，建立ANN模型，则可以对未知样品分类进行预测。
CN201510788867.2A 2015-11-17 2015-11-17 一种基于血液标志物的人工神经网络智能判别系统 Pending CN105354445A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510788867.2A CN105354445A (zh) 2015-11-17 2015-11-17 一种基于血液标志物的人工神经网络智能判别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510788867.2A CN105354445A (zh) 2015-11-17 2015-11-17 一种基于血液标志物的人工神经网络智能判别系统

Publications (1)

Publication Number Publication Date
CN105354445A true CN105354445A (zh) 2016-02-24

Family

ID=55330416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510788867.2A Pending CN105354445A (zh) 2015-11-17 2015-11-17 一种基于血液标志物的人工神经网络智能判别系统

Country Status (1)

Country Link
CN (1) CN105354445A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
PL423268A1 (pl) * 2017-10-24 2019-05-06 Wolk Krzysztof System autonomicznego leczenia pacjenta z nadciśnieniem tętniczym w oparciu o metody sztucznej inteligencji
CN110473634A (zh) * 2019-04-23 2019-11-19 浙江大学 一种基于多域融合学习的遗传代谢病辅助筛查方法
CN111096878A (zh) * 2018-10-29 2020-05-05 纬创资通股份有限公司 具有判断使用意图的助行器及其操作方法
CN113376199A (zh) * 2021-05-12 2021-09-10 兰立生物科技(苏州)有限公司 一种用于癌症检测的生化分析检测系统
CN113539478A (zh) * 2021-06-24 2021-10-22 山西医科大学 基于代谢组学的深静脉血栓形成预测模型的建立方法
TWI867567B (zh) * 2023-06-05 2024-12-21 國立臺北護理健康大學 塑化劑致病風險評估方法與系統

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102095844A (zh) * 2011-01-14 2011-06-15 张会生 一种生化分析仪及其生化分析方法
CN104224196A (zh) * 2014-09-24 2014-12-24 天津大学 无创测量血液成分浓度的方法
EP2894474A1 (en) * 2012-09-07 2015-07-15 Genomine, Inc Method and kit for detecting renal cancer blood biomarkers

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102095844A (zh) * 2011-01-14 2011-06-15 张会生 一种生化分析仪及其生化分析方法
EP2894474A1 (en) * 2012-09-07 2015-07-15 Genomine, Inc Method and kit for detecting renal cancer blood biomarkers
CN104224196A (zh) * 2014-09-24 2014-12-24 天津大学 无创测量血液成分浓度的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
姜曼等: "应用人工神经网络建立肺癌血清肿瘤标记物诊断模型的研究", 《山东大学学报(医学版)》 *
李晓薇等: "人工神经网络在恶性肿瘤诊断中的应用", 《中国农业大学学报》 *
王雪萍等: "血清肿瘤标志物人工神经网络模型在胃癌诊断中的临床应用", 《实用医学杂志》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
PL423268A1 (pl) * 2017-10-24 2019-05-06 Wolk Krzysztof System autonomicznego leczenia pacjenta z nadciśnieniem tętniczym w oparciu o metody sztucznej inteligencji
CN111096878A (zh) * 2018-10-29 2020-05-05 纬创资通股份有限公司 具有判断使用意图的助行器及其操作方法
CN110473634A (zh) * 2019-04-23 2019-11-19 浙江大学 一种基于多域融合学习的遗传代谢病辅助筛查方法
CN110473634B (zh) * 2019-04-23 2021-10-08 浙江大学 一种基于多域融合学习的遗传代谢病辅助筛查方法
CN113376199A (zh) * 2021-05-12 2021-09-10 兰立生物科技(苏州)有限公司 一种用于癌症检测的生化分析检测系统
CN113539478A (zh) * 2021-06-24 2021-10-22 山西医科大学 基于代谢组学的深静脉血栓形成预测模型的建立方法
CN113539478B (zh) * 2021-06-24 2023-04-07 山西医科大学 基于代谢组学的深静脉血栓形成预测模型的建立方法
TWI867567B (zh) * 2023-06-05 2024-12-21 國立臺北護理健康大學 塑化劑致病風險評估方法與系統

Similar Documents

Publication Publication Date Title
CN105354445A (zh) 一种基于血液标志物的人工神经网络智能判别系统
Wang et al. NMR-based metabolomic techniques identify potential urinary biomarkers for early colorectal cancer detection
CN102565318B (zh) 一种肝癌监测、分期以及预后风险评估的试剂及其方法
CN110991536B (zh) 原发性肝癌的早期预警模型的训练方法
JP2014038114A (ja) 肺癌の評価方法
CN102323351A (zh) 膀胱癌患者尿液特异性代谢物谱、建立方法及用途
Chen et al. Raman spectroscopy reveals abnormal changes in the urine composition of prostate cancer: an application of an intelligent diagnostic model with a deep learning algorithm
CN107024586A (zh) 基于人工神经网络肿瘤标志联合检测辅助诊断肝癌的方法
CN111948393A (zh) 一种基于sST2的评估恶性肿瘤患者预后的模型及其应用
Eigentler et al. Which melanoma patient carries a BRAF-mutation? A comparison of predictive models
Gui et al. Identification and validation of volatile organic compounds in bile for differential diagnosis of perihilar cholangiocarcinoma
CN112986441A (zh) 一种从组织代谢轮廓筛选的肿瘤标志物及其应用和辅助诊断方法
Wang et al. Multimodal convolutional neural networks based on the Raman spectra of serum and clinical features for the early diagnosis of prostate cancer
CN105092627A (zh) 用于检测胃癌相关代谢小分子的核磁共振模型及制备方法
Tan et al. Current applications of artificial intelligence combined with urine detection in disease diagnosis and treatment
CN118707100B (zh) 一种paf在制备诊断食管鳞癌转移的试剂盒中的应用
Yin et al. MicroRNAs as a novel class of diagnostic biomarkers in detection of hepatocellular carcinoma: a meta-analysis
CN113391072A (zh) 卵巢癌尿液标志物组合及其应用
Li et al. Circulating small extracellular vesicle-based miRNA classifier for follicular thyroid carcinoma: a diagnostic study
CN105116000B (zh) 用于检测胃癌相关代谢小分子的核磁共振模型及制备方法
CN112216386A (zh) 用于预测结直肠癌患者发生隐匿性肝转移的风险度的方法
Yang et al. A novel model for detecting advanced fibrosis in patients with nonalcoholic fatty liver disease
CN116908450A (zh) 一种诊断前列腺癌的血清代谢物组合生物标志物
CN113539478B (zh) 基于代谢组学的深静脉血栓形成预测模型的建立方法
CN108872293A (zh) 一种肝泡型包虫病的代谢组学分析及初步筛查模型的构建方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20160224