一种基于人工智能分离循环肿瘤细胞识别系统技术方案

本发明专利技术提供一种基于人工智能分离循环肿瘤细胞识别系统，涉及肿瘤细胞技术领域。该基于人工智能分离循环肿瘤细胞识别系统，包括智能识别系统，所述智能识别系统包括CTC

【技术实现步骤摘要】
一种基于人工智能分离循环肿瘤细胞识别系统


[0001]本专利技术涉及肿瘤细胞
，具体为一种基于人工智能分离循环肿瘤细胞识别系统。

技术介绍

[0002]循环肿瘤细胞(CTC)是从原发肿瘤和/或转移性病灶中分离出来的细胞，是肿瘤的转移性前体细胞，CTC的脱落方式目前在主要认为有两种：
[0003]主动脱落，肿瘤细胞在微环境和自身转录本变化引起的EMT转换或侵袭血管壁导致的脱落，并进入血液循环。
[0004]被动脱落，由于外科手术或者穿刺造成的细胞脱落，使得CTC迅速的浸润血液循环(这种被动脱落的肿瘤细胞大概率无法在血液免疫环境中长期存活，因此会出现术后短时间内CTC数量暴增，而在术后几天后便无法检测到CTC)。
[0005]早期CTC的数量检测和定位是实现对肿瘤早期诊断、发展和转移的无创监测的基石。但是，由于不同肿瘤之间的异质性太强，以及CTC在血液中浓度实在太低，使得精准溯源这件事情变得难以实现。令人感到遗憾的是，作为液体活检基石的CTC。目前无论是在临床实践还是基础研究上，都仅限于CTC的检测、计数以及少数的特异性靶点上，这使得CTC的研究和临床应用举步维艰。因此，CTC的鉴定、表征和大规模的分析是目前CTC在临床应用上必须突破的技术难题。

技术实现思路

[0006](一)解决的技术问题
[0007]针对现有技术的不足，本专利技术提供了一种基于人工智能分离循环肿瘤细胞识别系统，解决了现有技术难以检测到CTC的问题。
[0008](二)技术方案
[0009]为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于人工智能分离循环肿瘤细胞识别系统，包括智能识别系统，所述智能识别系统包括CTC
‑
Tracer无监督深度迁移学习模型和固态光源系统；
[0010]所述CTC
‑
Tracer无监督深度迁移学习模型和固态光源系统之间连接有数据均衡，所述数据均衡连接有结果输出。
[0011]优选的，所述CTC
‑
Tracer无监督深度迁移学习模型连接有输入数据，所述输入数据连接有embedding。
[0012]优选的，所述embedding通过embedding vector连接有align，所述align连接有标签匹配。
[0013]优选的，所述CTC
‑
Tracer无监督深度迁移学习模型与输入数据之间连接有二元分类器。
[0014]优选的，所述CTC的个数需至少30个。
[0015]一种固态光源系统，具体包括以下步骤：
[0016]S1.通过嵌入式链霉亲和素涂层纳米柱阵列的微流体装置来捕获与生物素化抗EpCAM和抗N－钙粘蛋白抗体预孵育的靶细胞；
[0017]S2.利用SPECTRA光引擎的照明，CTC可被识别为FITC
‑
EpCAM阳性/TRITC
‑
CD阴性/DAPI阳性；
[0018]S3.通过使用癌症干细胞特异性标志物CD13扩大多重免疫染色面板。
[0019]一种循环肿瘤细胞检测设备，该设备包括：处理器以及存储有计算机程序指令的存储器。
[0020]优选的，所述处理器执行所述计算机程序指令时实现。
[0021]优选的，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如第一方面所述的循环肿瘤细胞检测方法。
[0022](三)有益效果
[0023]本专利技术提供了一种基于人工智能分离循环肿瘤细胞识别系统。具备以下
[0024]有益效果：
[0025]本专利技术提供了一种基于人工智能分离循环肿瘤细胞识别系统，本专利技术构建了CTC
‑
Tracer的无监督深度迁移学习模型，实现CTC的精准分类。具体来说，CTC
‑
Tracer以从血液样本中分离出的CTC的scRNA
‑
seq表达谱作为输入，旨在准确识别CTC并追踪其病变来源，还可以检测其相对于病变细胞的表达变化，并且CTC富集、免疫染色、玻片扫描、图像分析和细胞分类的整个过程都是智能自动化的，与手工处理相比，可重复性和产量都有了大大提高。
附图说明
[0026]图1为本专利技术流程示意图；
[0027]图2为本专利技术CTC
‑
Tracer无监督深度迁移学习模型流程示意图；
[0028]图3为本专利技术CTC
‑
Tracer无监督深度迁移学习模型图例示意图；
[0029]图4为本专利技术二元分类器图例示意图。
具体实施方式
[0030]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0031]实施例：
[0032]如图1
‑
4所示，本专利技术实施例提供一种基于人工智能分离循环肿瘤细胞识别系统，包括智能识别系统，智能识别系统包括CTC
‑
Tracer无监督深度迁移学习模型和固态光源系统；
[0033]CTC
‑
Tracer无监督深度迁移学习模型和固态光源系统之间连接有数据均衡，数据均衡连接有结果输出。
[0034]CTC
‑
Tracer无监督深度迁移学习模型连接有输入数据，输入数据连接有embedding，embedding通过embedding vector连接有align，align连接有标签匹配，CTC
‑
Tracer无监督深度迁移学习模型与输入数据之间连接有二元分类器，CTC的个数需至少30个。
[0035]基于上述系统，进一步的为：
[0036]将单细胞组织测序数据应用于CTC数据。本文基于DomainAdaptation构建了CTC
‑
Tracer的无监督深度迁移学习模型，实现CTC的精准分类。具体来说，CTC
‑
Tracer以从血液样本中分离出的CTC的scRNA
‑
seq表达谱作为输入，旨在准确识别CTC并追踪其病变来源，还可以检测其相对于病变细胞的表达变化。
[0037]详细的为：首先将输入的数据进行embedding。然后将embeddingvector进行align。最后进行标签匹配(如图3所示)。
[0038]在实现CTC溯源之前，由于考虑到血液中的CTC数量太少。即便通过富集的方法，将血细胞浓缩到1000个细胞，CTC的数量仍然少的一批。可想而知，CTC的纯度是直接影响到溯源的准确率，甚至是可行性。因此，本文集成了一个背景去除器——即一个二元分类器，主要的作用是将血细胞和CTC进行精准的分离，该分离器的准确率达到100％，AU本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能分离循环肿瘤细胞识别系统，包括智能识别系统，其特征在于：所述智能识别系统包括CTC
‑
Tracer无监督深度迁移学习模型和固态光源系统；所述CTC
‑
Tracer无监督深度迁移学习模型和固态光源系统之间连接有数据均衡，所述数据均衡连接有结果输出。2.根据权利要求1所述的一种基于人工智能分离循环肿瘤细胞识别系统，其特征在于：所述CTC
‑
Tracer无监督深度迁移学习模型连接有输入数据，所述输入数据连接有embedding。3.根据权利要求2所述的一种基于人工智能分离循环肿瘤细胞识别系统，其特征在于：所述embedding通过embeddingvector连接有align，所述align连接有标签匹配。4.根据权利要求1所述的一种基于人工智能分离循环肿瘤细胞识别系统，其特征在于：所述CTC
‑
Tracer无监督深度迁移学习模型与输入数据之间连接有二元分类器。5...

【专利技术属性】
技术研发人员：官成浓，杨丰，孙蕾，
申请(专利权)人：东莞市东南部中心医院东莞市东南部中医医疗服务中心，
类型：发明
国别省市：