基于机器学习的核酸异常数据智能研判系统技术方案

本发明专利技术提供基于机器学习的核酸异常数据智能研判系统，包括：数据获取处理模块，用于根据获取的核酸扩增仪检测的原始数据，进行字段类型转换处理，生成处理数据；智能研判模型确定模块，用于根据处理数据，利用3个候选决策树算法研判模型，进行训练评估，确定智能研判模型；智能研判模型测试模块，用于根据处理数据，测试智能研判模型，获得核酸检测数据的研判结果。本发明专利技术通过机器学习来让智能研判系统模拟人工对核酸检测扩增循环曲线的分析过程，不断积累学习，来达到和人工研判一样的准确性，能够大大减少检测人员的工作量，提高检测效率。提高检测效率。提高检测效率。

【技术实现步骤摘要】
基于机器学习的核酸异常数据智能研判系统


[0001]本专利技术涉及数据分析
，尤其涉及基于机器学习的核酸异常数据智能研判系统。

技术介绍

[0002]核酸检测的物质是病毒的核酸。核酸检测是查找人体的呼吸道标本、血液或粪便中是否存在外来入侵的病毒的核酸。因此一旦检测为核酸“阳性”，即可证明患者体内有病毒存在。
[0003][0004]建设实验室管理系统，增强早期监测预警能力，是从源头上防范卫生健康领域重大风险的关键举措；机器学习技术是实验室管理系统当中智能研判功能的重要技术支持。
[0005]在核酸检测工作中，需要对核酸结果进行研判，这一环节通常是需要对检测结果的基因值和扩增曲线研判，传统的PCR核酸扩增仪可以直接根据检测结果的基因值及检测试剂的阈值进行判断，但是涉及到对于扩增曲线的研判还是需要人工来进行。
[0006]当前，核酸异常数据研判目前多数需要人工来判断，或者利用简单的sql语句设置规则条件来筛选；规则条件同样需要人来总结经验，并形成规则才能实现；不仅需要有医护相关知识的人，而且还需要计算机相关专业的人参与；人工总结规则经验可能出现规则覆盖不全的情况，如果当数据发生变化时，规则条件又会出现误判情况；
[0007]因此，有必要提出基于机器学习的核酸异常数据智能研判系统。

技术实现思路

[0008]本专利技术提供了基于机器学习的核酸异常数据智能研判系统，通过机器学习来让智能研判系统模拟人工对核酸检测扩增循环曲线的分析过程，不断积累学习，来达到和人工研判一样的准确性，能够大大减少检测人员的工作量，提高检测效率。
[0009]本专利技术提供了基于机器学习的核酸异常数据智能研判系统，包括：
[0010]数据获取处理模块，用于根据获取的核酸扩增仪检测的原始数据，进行字段类型转换处理，生成处理数据；
[0011]智能研判模型确定模块，用于根据处理数据，利用3个候选决策树算法研判模型，进行训练评估，确定智能研判模型；
[0012]智能研判模型测试模块，用于根据处理数据，测试智能研判模型，获得核酸检测数据的研判结果。
[0013]进一步地，数据获取模块包括数据角色设置单元、数据拆分单元和数据复制单元；
[0014]数据角色设置单元，用于基于处理数据，设置数据因变量和数据自变量，以及设置智能研判模型的输入参数数据和输出参数数据；
[0015]数据拆分单元，用于基于处理数据，拆分生成处理数据训练集和处理数据测试集；
[0016]数据复制单元，用于将处理数据训练集中的数据复制成若干个处理数据复制训练
集。
[0017]进一步地，智能研判模型确定模块包括智能研判流程建立单元；
[0018]智能研判流程建立单元用于：
[0019]获取原始数据中的扩增循环曲线和基因循环阈值(CT)数据；
[0020]将扩增循环曲线和基因循环阈值数据带入预设的判定矩阵进行判定，获得异常类型数据；
[0021]获取异常类型数据所对应的荧光值数据，将荧光值数据输入预设的具体类型种类分类器，输出异常类型具体种类数据。
[0022]进一步地，将扩增循环曲线和基因循环阈值数据带入预设的判定矩阵进行判定，包括：根据预设的曲线趋势数据库进行匹配对比判定，若扩增循环曲线形状为S型曲线或阴性平行线，则判定为正常检测曲线；否则，判定为异常检测曲线，获得相对应的异常类型数据。
[0023]进一步地，将扩增循环曲线和基因循环阈值数据带入预设的判定矩阵进行判定，还包括，结合扩增循环曲线所在区域进行判定，具体包括：若开放读码框基因(O基因)代表的第一扩增循环曲线与核衣壳蛋白基因(N基因)代表的第二扩增循环曲线均处于阴性区域，则判定为正常检测曲线；否则，判定为异常检测曲线。
[0024]进一步地，智能研判模型确定模块还包括智能研判模型确定单元；
[0025]智能研判模型确定单元用于：
[0026]基于处理数据复制训练集，分别利用候选的分类与回归决策树(CART)算法研判模型、随机森林算法研判模型和极端梯度提升(XGboost)算法研判模型同时进行模型训练，获得3个模型训练结果；
[0027]评估3个模型训练结果，获得评估结果最优的第一研判模型，将第一研判模型确定为智能研判模型；
[0028]按照预设的更新周期，训练和更新智能研判模型。
[0029]进一步地，智能研判模型测试模块包括：
[0030]基于处理数据测试集，测试智能研判模型，得到核酸阴性研判数据和异常类型具体种类数据，并获得核酸检测数据的研判结果。
[0031]进一步地，智能研判模型测试模块还包括研判结果核实单元，研判结果核实单元用于：
[0032]对智能研判模型输出的正常输出参数数据进行阴性赋值，将阴性赋值基于预设的自动校验模板进行自动校验，核实为核酸阴性研判结果；
[0033]对智能研判模型输出的异常类型具体种类数据，经人工校验核实后，核实为核酸阳性研判结果。
[0034]进一步地，还包括智能研判模型综合评估模块，智能研判模型综合评估模块用于结合智能研判模型的训练和应用进行综合评估，根据评估结果对智能研判模型进行更新或更换，具体包括：
[0035]基于正确率和虚警率两个评估指标，在智能研判模型确定环节，进行第一评估，确定智能研判模型；
[0036]根据研判结果核实单元的核实结果数据，获取智能研判模型的校验错误率，若校
验错误率大于预设的校验错误率阈值，则基于正确率和虚警率，并结合校验错误率三个指标，进行第二评估，重新筛选确定智能研判模型；若正确率大于预设的正确率阈值，并且虚警率小于预设的虚警率阈值，并且校验错误率小于预设的校验错误率阈值，则确定智能研判模型；否则对候选的决策树算法模型进行更新，或利用包括逻辑回归算法模型、支持向量机算法模型以及深度学习模型在内的一种或多种联合模型作为智能研判模型的候选模型。
[0037]进一步地，还包括病情发展趋势预测模块，用于根据核酸检测数据的研判结果，预测病情发展趋势和定位高发区域，具体包括：
[0038]根据核酸检测数据的研判结果，获得预设周期内的核酸阳性研判结果数据集；基于核酸阳性研判结果数据集，绘制病情发展趋势图和高发区域分布示意图；
[0039]根据病情发展趋势图，按照预设的趋势预测算法，预测获得若干个预设周期后的病情发展趋势；根据高发区域分布示意图，根据预设的扩展模拟预测模型，预测获得若干个预设周期后的病情高发区域；
[0040]设置若干个病情发展趋势预警条件和病情高发区域扩展预警条件，若病情发展趋势触发病情发展趋势预警条件，或病情高发区域触发病情高发区域扩展预警条件，则发出若干个病情预警等级，根据病情预警等级，按照预设的防范诊治措施进行防范诊治。
[0041]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的核酸异常数据智能研判系统，其特征在于，包括：数据获取处理模块，用于根据获取的核酸扩增仪检测的原始数据，进行字段类型转换处理，生成处理数据；智能研判模型确定模块，用于根据处理数据，利用3个候选决策树算法研判模型，进行训练评估，确定智能研判模型；智能研判模型测试模块，用于根据处理数据，测试智能研判模型，获得核酸检测数据的研判结果。2.根据权利要求1所述的基于机器学习的核酸异常数据智能研判系统，其特征在于，数据获取模块包括数据角色设置单元、数据拆分单元和数据复制单元；数据角色设置单元，用于基于处理数据，设置数据因变量和数据自变量，以及设置智能研判模型的输入参数数据和输出参数数据；数据拆分单元，用于基于处理数据，拆分生成处理数据训练集和处理数据测试集；数据复制单元，用于将处理数据训练集中的数据复制成若干个处理数据复制训练集。3.根据权利要求1所述的基于机器学习的核酸异常数据智能研判系统，其特征在于，智能研判模型确定模块包括智能研判流程建立单元；智能研判流程建立单元用于：获取原始数据中的扩增循环曲线和基因循环阈值数据；将扩增循环曲线和基因循环阈值数据带入预设的判定矩阵进行判定，获得异常类型数据；获取异常类型数据所对应的荧光值数据，将荧光值数据输入预设的具体类型种类分类器，输出异常类型具体种类数据。4.根据权利要求3所述的基于机器学习的核酸异常数据智能研判系统，其特征在于，将扩增循环曲线和基因循环阈值数据带入预设的判定矩阵进行判定，包括：根据预设的曲线趋势数据库进行匹配对比判定，若扩增循环曲线形状为S型曲线或阴性平行线，则判定为正常检测曲线；否则，判定为异常检测曲线，获得相对应的异常类型数据。5.根据权利要求3所述的基于机器学习的核酸异常数据智能研判系统，其特征在于，将扩增循环曲线和基因循环阈值数据带入预设的判定矩阵进行判定，还包括，结合扩增循环曲线所在区域进行判定，具体包括：若开放读码框基因代表的第一扩增循环曲线与核衣壳蛋白基因代表的第二扩增循环曲线均处于阴性区域，则判定为正常检测曲线；否则，判定为异常检测曲线。6.根据权利要求1所述的基于机器学习的核酸异常数据智能研判系统，其特征在于，智能研判模型确定模块还包括智能研判模型确定单元；智能研判模型确定单元用于：基于处理数据复制训练集，分别利用候选的分类与回归决策树算法研判模型、随机森林算法研判模型和极端梯度提升算法研判模型同时进行模型训练，获得3个模型训练结果；评估3个模型训练结果，获得评估结果最优的第一研判模型，将第一研判模型确定为智能研...

【专利技术属性】
技术研发人员：孙静轩，吴海燕，张玲，王莹，王彬，刘滨，赵俊，刘万里，郭荣，马鑫，李方，廖佩花，王森路，胡晓远，
申请(专利权)人：新疆维吾尔自治区疾病预防控制中心，
类型：发明
国别省市：