一种用于快速筛查宫颈肿瘤的模型及其建立方法技术

本发明专利技术为一种用于快速筛查宫颈肿瘤的模型及其建立方法。一种用于快速筛查宫颈肿瘤的模型的建立方法，包括以下步骤：(1)采集不同病变程度的宫颈肿瘤患者的血清样本后，测定并获取傅立叶红外光谱数据；(2)所述的傅立叶红外光谱数据通过PSO

【技术实现步骤摘要】
一种用于快速筛查宫颈肿瘤的模型及其建立方法


[0001]本专利技术具体涉及一种用于快速筛查宫颈肿瘤的模型及其建立方法。

技术介绍

[0002]宫颈癌被认为是女性中第二常见的恶性肿瘤，是仅次于乳腺癌的全球 癌症死亡的主要原因。我国每年的宫颈癌新发病例已达到11万，占世界总 新发病例的1/3。宫颈上皮内瘤变(cervical intraepithelial neoplasia,CIN)与宫 颈癌的发生密切相关，持续的高危型人乳头瘤病毒感染会引发宫颈上皮细 胞低度病变(CIN I)，之后进一步演变为宫颈高度癌前病变(CIN II、CINIII)，并最终发展成宫颈癌，这个过程一般需要8
‑
15年的时间。但也有发展 时间特别快的，在这段时间如果能及时诊断出宫颈癌前病变并采取相应解 决措施，那么便可以及时干预病变，防止朝着不良的方向发展。目前帮助 临床医生及早发现宫颈癌前病变的方法包括细胞病理学、HPV检测和组织 病理学，但这些方法在主观性、成本和时间方面都受到限制。因此，临床 上需要一种客观的、快速的、只需要较少的样本制备的检测方法。
[0003]FT
‑
IR是一种能够在分子水平上有效地提供生物材料结构和化学组成 信息的光学光谱技术，对分子水平上发生的微妙生化变化很敏感，能够检 测到与疾病发病相对应的光谱变化。在过去的15年里，已经有大量的研究 揭示了FT
‑
IR光谱和机器学习算法在检测各种癌症方面的潜力，其中不乏 有在宫颈癌筛查方面的研究成果。Mo等人采用主成分分析(PCA)和线性判 别分析(LDA)算法，结合血清FT
‑
IR光谱对宫颈癌患者和健康对照组进行识 别，诊断准确率、特异度和敏感度都达到了98％。虽然实验取得了很好的 效果，但忽略了对CIN患者的诊断。Nordstrom等人基于活检组织部位的紫 外荧光光谱特征，使用多变量算法对正常组织，CIN I、CIN II/III进行鉴 别，CIN II/III与正常组织分类的敏感性和特异性分别为91％和93％，CIN I 与正常组织分类的敏感性和特异性分别为86％和87％。虽然分类结果较为 准确，但该实验可以进一步增加对宫颈高度癌前病变不同阶段的识别。此 外，Yang等人提出基于特征融合的方法对宫颈炎、低级别鳞状上皮内病变、 高级别鳞状上皮内病变、宫颈鳞状细胞癌和宫颈腺癌进行分类，KNN、ELM、 ABC
‑
SVM、CS
‑
SVM、PSO
‑
SVM、CNN
‑
LTSM分类准确率分别为60.91％、 67.84％、77.64％、78.49％、75.54％和70.72％，较未进行特征融合的原始光 谱分类准确率有所提高。然而，和大多数采用CNN作为特征提取或是分类 器的研究一样，他们没有对CNN的网络结构进行优化，一定程度上限制了 CNN的识别效果。
[0004]有鉴于此，本专利技术提出一种新的用于快速筛查宫颈肿瘤的模型，进一 步优化现有的早期筛查模型。

技术实现思路

[0005]本专利技术的目的在于提供一种用于快速筛查宫颈肿瘤的模的建立方法， 通过对PSO
‑
CNN算法进行优化，可以提高识别效果。
[0006]为了实现上述目的，所采用的技术方案为：
[0007]一种用于快速筛查宫颈肿瘤的模型的建立方法，包括以下步骤：
[0008](1)采集不同病变程度的宫颈肿瘤患者的血清样本后，测定并获取傅 立叶红外光谱数据；
[0009](2)所述的傅立叶红外光谱数据通过PSO
‑
CNN算法建立分类模型，得 所述的用于快速筛查宫颈肿瘤的模型。
[0010]进一步的，所述的步骤(1)中，不同病变程度包括为宫颈癌、癌前病 变Ⅰ级、癌前病变Ⅱ级、癌前病变Ⅲ级、子宫肌瘤。
[0011]进一步的，所述的步骤(2)中，PSO
‑
CNN算法中用于搜索最优的CNN 结构依次包括以下步骤：粒子群的初始化、单个粒子的适应度评估、测量 两个粒子之间的差异，速度计算和粒子更新。
[0012]再进一步的，所述的步骤(2)中，粒子群的初始化的过程为：先设置 网络层数范围，再随机选择卷积层、最大池化层、平均池化层和全连接层 作为当前层，并配制其参数后，进行粒子群初始化计算；
[0013]其中，每个粒子的第一层是卷积层，最后一层是全连接层，中间随机 穿插卷积层、最大池化层、平均池化层和全连接层中的至少一种。
[0014]再进一步的，所述的步骤(2)中，粒子群的初始化的过程中进行粒子 群初始化计算前获得的架构为：
[0015]第一层为卷积层，核尺寸为6
×
1，输出通道数为136；
[0016]第二层为卷积层，核尺寸为6
×
1，输出通道数为90；
[0017]第三层为卷积层，核尺寸为5
×
1，输出通道数为217；
[0018]第四层为卷积层，核尺寸为6
×
1，输出通道数为141；
[0019]第五层为卷积层，核尺寸为3
×
1，输出通道数为197；
[0020]第六层为全连接层，核神经元个数为82；
[0021]第七层为全连接层，核神经元个数为5。
[0022]再进一步的，所述的步骤(2)中，粒子群的初始化的过程中进行粒子 群初始化计算前获得的架构为：
[0023]第一层为卷积层，核尺寸为6
×
1，输出通道数为51；
[0024]第二层为平均池化，池化尺寸为3
×
1，步长为2；
[0025]第三层为卷积层，核尺寸为4
×
1，输出通道数为97；
[0026]第四层为卷积层，核尺寸为5
×
1，输出通道数为228；
[0027]第五层为卷积层，核尺寸为5
×
1，输出通道数为228；
[0028]第六层为全连接层，核神经元个数为279；
[0029]第七层为全连接层，核神经元个数为5。
[0030]进一步的，所述的PSO
‑
CNN算法中使用的参数包括：粒子群算法参数、 CNN架构初始化参数以及CNN训练参数。
[0031]再进一步的，所述的粒子群算法参数：迭代次数、种群规模和Cg分别 设置为30、10和0.5；
[0032]所述的CNN架构初始化：最大网络层数设置为15，卷积核个数选择范 围为[3,
256]，卷积核尺寸选择范围为[3
×
1,7
×
1]，全连接层神经元个数选择范 围为[1,300]，输出层神经元个数为5，卷积层生成概率为0.6，池化层生成 概率为0.3，全连接层生成概率为0.1；
[0033]所述的CNN训练参数：粒子评估时训练epoch数为1，全局最佳粒子 训练epoch数为200本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于快速筛查宫颈肿瘤的模型的建立方法，其特征在于,包括以下步骤：(1)采集不同病变程度的宫颈肿瘤患者的血清样本后，测定并获取傅立叶红外光谱数据；(2)所述的傅立叶红外光谱数据通过PSO
‑
CNN算法建立分类模型，得所述的用于快速筛查宫颈肿瘤的模型。2.根据权利要求1所述的建立方法，其特征在于，所述的步骤(1)中，不同病变程度包括为宫颈癌、癌前病变Ⅰ级、癌前病变Ⅱ级、癌前病变Ⅲ级、子宫肌瘤。3.根据权利要求1所述的建立方法，其特征在于，所述的步骤(2)中，PSO
‑
CNN算法中用于搜索最优的CNN结构依次包括以下步骤：粒子群的初始化、单个粒子的适应度评估、测量两个粒子之间的差异，速度计算和粒子更新。4.根据权利要求3所述的建立方法，其特征在于，所述的步骤(2)中，粒子群的初始化的过程为：先设置网络层数范围，再随机选择卷积层、最大池化层、平均池化层和全连接层作为当前层，并配制其参数后，进行粒子群初始化计算；其中，每个粒子的第一层是卷积层，最后一层是全连接层，中间随机穿插卷积层、最大池化层、平均池化层和全连接层中的至少一种。5.根据权利要求4所述的建立方法，其特征在于，所述的步骤(2)中，粒子群的初始化的过程中进行粒子群初始化计算前获得的架构为：第一层为卷积层，核尺寸为6
×
1，输出通道数为136；第二层为卷积层，核尺寸为6
×
1，输出通道数为90；第三层为卷积层，核尺寸为5
×
1，输出通道数为217；第四层为卷积层，核尺寸为6
×
1，输出通道数为141；第五层为卷积层，核尺寸为3
×
1，输出通道数为197；第六层为全连接层，核神经元个数为82；第七层为全连接层，核神经元个数为5。6.根据权利要求4所述的建立方法，其特征在于，所述的步骤(2)中...

【专利技术属性】
技术研发人员：马彩玲，吕小毅，王静，严紫薇，陈程，陈晨，
申请(专利权)人：新疆大学，
类型：发明
国别省市：