本发明专利技术公开了一种基于机器学习的细胞外囊泡分类方法，包括：获取样品的第一参数；设定筛选条件，判断所述第一参数是否满足所述筛选条件，并根据所述筛选条件从所述样品中筛选出细胞外囊泡；获取所述细胞外囊泡的第二参数；将所述第二参数输入至预先训练的基于机器学习的分类模型，以通过所述分类模型完成对所述细胞外囊泡的分类。本发明专利技术基于机器学习的分类方法，能够从复杂的生物标志物信息发现难以识别的规律。本发明专利技术基于机器学习，利用代谢物丰度对细胞外囊泡进行决策并分类，评估基于特征筛选后的模型对卵巢癌EVs代谢物的预测潜力，以期协助临床诊断及卵巢癌早期筛查。以期协助临床诊断及卵巢癌早期筛查。以期协助临床诊断及卵巢癌早期筛查。
【技术实现步骤摘要】
基于机器学习的细胞外囊泡分类方法、装置、设备及介质
[0001]本专利技术属于深度学习
，具体涉及一种基于机器学习的细胞外囊泡分类方法、装置、设备及介质。
技术介绍
[0002]根据WHO2020统计，卵巢癌(Ovarian cancer,OV)是全世界女性死亡人数仅次于宫颈癌的第二大妇科恶性肿瘤，导致约20.72万妇女死亡。由于缺乏早期症状和有效的早期筛查方法，使5年生存率从93％降低到20％，因此被称为“沉默的杀手”。细胞外囊泡(Extracellular vesicles,EVs)是近年来癌症诊断的潜力标志物，具有双层膜结构，通常按大小和来源分为粒径约50nm
‑
150nm的外泌体和100nm
‑
1mm的微泡，研究发现其携带的源细胞遗传和分子信息与肿瘤分期及预后相关，甚至可以用于早期诊断。近些年来，代谢组学通过色谱质谱联用技术鉴定样品中的所有代谢小分子，已经被广泛应用于诊断卵巢癌的研究中，但早期鉴别的相关研究没有提及。
技术实现思路
[0003]鉴于以上所述现有技术的缺点，本专利技术提供一种基于机器学习的细胞外囊泡分类方法、装置、设备及介质，以解决现有技术中的至少一个缺陷。
[0004]为实现上述目的及其他相关目的，本专利技术提供一种基于机器学习的细胞外囊泡分类方法，包括：
[0005]获取样品的第一参数；
[0006]基于所述第一参数从所述样品中筛选出细胞外囊泡；
[0007]获取所述细胞外囊泡的第二参数；
[0008]将所述第二参数输入至预先训练的基于机器学习的分类模型，以通过所述分类模型完成对所述细胞外囊泡的分类。
[0009]于本专利技术一实施例中，通过透射电子显微镜拍摄所述样品的超微形态结构；
[0010]通过纳米颗粒跟踪分析仪检测所述样品的粒径范围；
[0011]通过化学发光成像分析所述样品的TSG101蛋白条带；
[0012]所述第一参数包括超微形态结构、粒径范围和TSG101蛋白条带。
[0013]于本专利技术一实施例中，所述筛选条件包括：
[0014]是否呈现椭圆形的膜结构；
[0015]粒径大小是否为50
‑
500nm；
[0016]是否具有TSG101蛋白条带。
[0017]于本专利技术一实施例中，所述获取所述细胞外囊泡的第二参数，包括：
[0018]获取所述细胞外囊泡的总离子流图，所述总离子流图包含各细胞外囊泡样本的物质信息；
[0019]对所述总离子流图进行解析，得到所述细胞外囊泡的代谢物数据；
[0020]从多种代谢物中筛选出目标代谢物，并获取目标代谢物的代谢物丰度以作为所述第二参数。
[0021]于本专利技术一实施例中，在利用预先训练的基于机器学习的分类模型对细胞外囊泡分类前，还包括：
[0022]获取细胞外囊泡的代谢物丰度；
[0023]对所述代谢物丰度进行校正，得到校正数据；
[0024]对所述校正数据进行降维；
[0025]利用降维后的数据构建训练分类模型的训练集；
[0026]对所述训练集进行特征筛选，获取目标特征；
[0027]利用所述目标特征对初始分类模型进行训练，并基于评价指标对训练后的分类模型进行评价，并以满足评价指标的分类模型作为用于对细胞外囊泡进行分类的基于机器学习的分类模型。
[0028]于本专利技术一实施例中，在对所述代谢物丰度进行校正步骤中，以年龄或/和身体质量指数作为校正因素对所述代谢物丰度进行校正。
[0029]于本专利技术一实施例中，所述基于机器学习的分类模型为：逻辑回归模型LR、随机森林模型RF、决策树模型DT、支持向量机SVM、朴素贝叶斯模型NB、K最邻近法KNN、人工神经网络ANN中一个。
[0030]为实现上述目的及其他相关目的，本专利技术提供一种基于机器学习的细胞外囊泡分类装置，包括：
[0031]第一参数获取模块，用于获取样品的第一参数；
[0032]筛选模块，用于基于所述第一参数从所述样品中筛选出细胞外囊泡；
[0033]第二参数获取模块，用于获取所述细胞外囊泡的第二参数；
[0034]分类模块，用于将所述第二参数输入至预先训练的基于机器学习的分类模型，以通过所述分类模型完成对所述细胞外囊泡的分类。
[0035]为实现上述目的及其他相关目的，本专利技术提供一种分类设备，包括：为实现上述目的及其他相关目的，本专利技术提供一种分类设备，包括：
[0036]存储器，用于存储计算机程序；
[0037]处理器，用于执行所述存储器存储的计算机程序，以使所述设备执行所述的分类方法。
[0038]为实现上述目的及其他相关目的，本专利技术提供一种存储介质，存储计算机程序，所述计算机程序被处理器运行时执行所述的分类方法。
[0039]如上所述，本专利技术的一种基于机器学习的细胞外囊泡分类方法、装置及存储介质，具有以下有益效果：
[0040]本专利技术的一种基于机器学习的细胞外囊泡分类方法，包括：获取样品的第一参数；基于所述第一参数从所述样品中筛选出细胞外囊泡；获取所述细胞外囊泡的第二参数；将所述第二参数输入至预先训练的基于机器学习的分类模型，以通过所述分类模型完成对所述细胞外囊泡的分类。本专利技术基于机器学习的分类方法，能够从复杂的生物标志物信息发现难以识别的规律。本专利技术基于机器学习，利用代谢物丰度对细胞外囊泡进行决策并分类，评估基于特征筛选后的模型对卵巢癌EVs(细胞外囊泡)代谢物的预测潜力，以期协助临床
诊断及卵巢癌早期筛查。
附图说明
[0041]图1为本专利技术一实施例中一种模型训练方法的流程图；
[0042]图2为本专利技术一实施例中第一训练集、第二训练集、难样本集对应关系图；
[0043]图3为本专利技术一实施例中构建所述第四训练集的流程图；
[0044]图4为本专利技术一实施例中构建所述第四训练集的流程图；
[0045]图5为本专利技术一实施例中一种模型训练装置的原理框图。
具体实施方式
[0046]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0047]需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0048]在下文描述中，探讨了大量细节，以提供对本专利技术实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的细胞外囊泡分类方法，其特征在于，包括：获取样品的第一参数；基于所述第一参数从所述样品中筛选出细胞外囊泡；获取所述细胞外囊泡的第二参数；将所述第二参数输入至预先训练的基于机器学习的分类模型，以通过所述分类模型完成对所述细胞外囊泡的分类。2.根据权利要求1所述的基于机器学习的细胞外囊泡分类方法，其特征在于，通过透射电子显微镜拍摄所述样品的超微形态结构；通过纳米颗粒跟踪分析仪检测所述样品的粒径范围；通过化学发光成像分析所述样品的TSG101蛋白条带；所述第一参数包括超微形态结构、粒径范围和TSG101蛋白条带。3.根据权利要求1所述的基于机器学习的细胞外囊泡分类方法，其特征在于，所述筛选条件包括：是否呈现椭圆形的膜结构；粒径大小是否为50
‑
500nm；是否具有TSG101蛋白条带。4.根据权利要求1所述的基于机器学习的细胞外囊泡分类方法，其特征在于，所述获取所述细胞外囊泡的第二参数，包括：获取所述细胞外囊泡的总离子流图，所述总离子流图包含各细胞外囊泡样本的物质信息；对所述总离子流图进行解析，得到所述细胞外囊泡的代谢物数据；从多种代谢物中筛选出目标代谢物，并获取目标代谢物的代谢物丰度以作为所述第二参数。5.根据权利要求1所述的基于机器学习的细胞外囊泡分类方法，其特征在于，在利用预先训练的基于机器学习的分类模型对细胞外囊泡分类前，还包括：获取细胞外囊泡的代谢物丰度；对所述代谢物丰度进行校正，得到校正数据；对所述校正数据进行降维...
【专利技术属性】
技术研发人员：龙菲，韩顶立，冉瑞，钟晓翠，王炼炼，陈竺，杨洋，
申请(专利权)人：重庆医科大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。