基于光声谱的乳腺癌分子分型及标志物的识别方法及系统技术方案

本发明专利技术涉及一种基于光声谱的乳腺癌分子分型及标志物的识别方法及系统，方法包括：采集乳腺组织在近红外波段的脉冲光声信号；通过功率谱转化提取光声量化谱参数；整合所有激光波长下的光声量化谱参数得到光声参数谱；对光声参数谱进行数据预处理；通过机器学习算法实现分子分型诊断；通过计算特征指数确定不同的乳腺癌分子分型对应的特征波长，并根据光吸收谱确定乳腺癌分子分型相关的生物大分子标志物；汇总不同分型乳腺组织的光声相关信息，建立光声数据库；基于光声数据库进行乳腺癌分子分型及标志物的识别

【技术实现步骤摘要】
基于光声谱的乳腺癌分子分型及标志物的识别方法及系统


[0001]本专利技术涉及生物医学超声及机器学习领域，尤其是涉及一种基于光声谱的乳腺癌分子分型及标志物的识别方法及系统
。

技术介绍

[0002]乳腺癌是世界范围内女性发生率最高的恶性肿瘤，且其死亡率具有逐年上升的趋势
。
乳腺癌的分子分型与患者的预后及免疫治疗方案密切相关，因此在临床上具有重要的诊断作用
。
目前确定分子分型的方法为免疫组化染色，然而该方法需要通过活检获取样本，在给患者带来极大痛苦的同时，还容易产生漏诊，或者提高癌细胞转移的风险
。
[0003]近年来，生物大分子
(
包括血红蛋白
、
胶原
、
脂质和水等
)
在肿瘤起源和发展过程中物理特性的变化受到了大量科学研究的关注
。
其中，胶原是细胞外基质的主要组成物质之一，为肿瘤的结构提供支撑
。
脂质是细胞膜的主要构成物质之一，为癌细胞的无序繁殖和恶性扩张提供能量
。
现有研究表明以上两种生物大分子含量和结构的改变会对肿瘤的微环境产生重要的影响，具有推动肿瘤生长和演化的作用
。
[0004]光声检测技术通过脉冲光激发生物组织中的大分子产生超声信号，携带有生物组织的光学
、
热力学和微结构等信息
。
光声检测结合了光学的高对比度和声学的高穿透深度等优点，非常适用于在体的无创检测，近年来被广泛的应用于肿瘤诊断与分级等领域
。
光声谱分析技术结合机器学习等智能方法，能够有效提取光声参数以量化表征不同生物大分子的物理特征信息，因此在乳腺癌的分子分型诊断方面具有极大的应用前景
。
[0005]现有技术中，如中国专利
CN 113854962A
公开了一种基于多波长光声谱的皮肤类型识别方法及系统，该方法虽然也采用光声谱的方法，但其方案在于对皮肤类型的识别，且不涉及生物大分子标志物的识别
。
另外，如中国专利
CN 112465740A
公开了一种基于乳腺癌分子分型超声多模态自动识别方法和装置，该方法涉及乳腺癌的分子分型，但没有采用光声的方法，且仅仅是针对图像的处理，没有考虑到具体的生物大分子
。

技术实现思路

[0006]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于光声谱的乳腺癌分子分型及标志物的识别方法及系统，旨在生物大分子的维度上，通过快速无创的方法精准地解决乳腺癌的分子分型诊断问题
。
[0007]本专利技术的目的可以通过以下技术方案来实现：
[0008]根据本专利技术的第一方面，提供一种基于光声谱的乳腺癌分子分型及标志物的识别方法，包括以下步骤：
[0009]S1、
采集不同类型的乳腺组织在近红外波段的脉冲光声信号；
[0010]S2、
对采集到的脉冲光声信号进行功率谱转化，提取光声量化谱参数；
[0011]S3、
将所有激光波长下的光声量化谱参数重新整合得到光声参数谱；
[0012]S4、
对光声参数谱进行数据预处理；
[0013]S5、
通过机器学习算法实现基于光声参数谱的乳腺癌的分子分型诊断；
[0014]S6、
通过计算特征指数，以确定不同的乳腺癌分子分型对应的特征波长，并结合胶原和脂质在近红外波段的光吸收谱确定乳腺癌分子分型相关的生物大分子标志物；
[0015]S7、
汇总不同类型及不同分子分型的乳腺组织样本信息以及对应的光声参数谱特征波长信息，并建立光声数据库；
[0016]S8、
基于所述光声数据库进行乳腺癌分子分型及标志物的识别
。
[0017]进一步地，所述乳腺组织的类型至少包括正常组织
、
良性肿瘤
、
恶性乳腺癌
。
[0018]进一步地，所述近红外波段包括波长范围为
1200
‑
1700nm
的脉冲激光
。
[0019]进一步地，所述光声量化谱参数对应的数学计算公式如下：
[0020][0021]其中
APSD
为功率谱曲线下的面积，
p(f)
为声功率谱密度，
f0为积分的下限频率，
f1为积分的上限频率；
[0022]所述光声量化谱参数需要在每一个脉冲激光波长下分别独立计算
。
[0023]进一步地，所述积分上下限频率基于实际检测样本的生物大分子团簇尺寸
、
所使用超声换能器的带宽以及检测系统的整体信噪比确定
。
[0024]进一步地，对光声参数谱进行数据预处理包括谱微分和平均值中心化
。
[0025]进一步地，使用偏最小二乘判别算法实现基于光声参数谱的乳腺癌的分子分型诊断，其中，所述偏最小二乘判别算法首先通过提取主成分实现数据降维，然后通过线性拟合实现乳腺癌分子分型的判别
。
[0026]进一步地，所述步骤
S6
中，计算特征指数即计算变量投影的重要性指数
VIP
值，所述特征波长为
VIP
值大于1且按数值大小排序最大的前十个波长
。
[0027]进一步地，所述步骤
S6
中，确定乳腺癌分子分型相关的生物大分子标志物具体为：统计在胶原或脂质占主导的光吸收波段内的特征波长数量的占比，占比高于预设比例阈值或者占比排名高于预设占比阈值的对应生物大分子即为标志物
。
[0028]根据本专利技术的第二方面，提供一种基于光声谱的乳腺癌分子分型及标志物的识别系统，包括：
[0029]采集模块，采集不同类型的乳腺组织在近红外波段的脉冲光声信号；
[0030]功率谱转化模块，对采集到的脉冲光声信号进行功率谱转化，提取光声量化谱参数；
[0031]整合模块，将所有激光波长下的光声量化谱参数重新整合得到光声参数谱；
[0032]预处理模块，对光声参数谱进行数据预处理；
[0033]机器学习模块，通过机器学习算法实现基于光声参数谱的乳腺癌的分子分型诊断；
[0034]特征识别模块，通过计算特征指数，以确定不同的乳腺癌分子分型对应的特征波长，并结合胶原和脂质在近红外波段的光吸收谱确定乳腺癌分子分型相关的生物大分子标志物；
[0035]数据库模块，汇总不同类型及不同分子分型的乳腺组织样本信息以及对应的光声
参数谱特征波长信息，并建立光声数据库；
[0036]应用模块，基于所述光声数据库进行乳腺癌分子分型及标志物的识别
。
[0037]与现有技术相比，本专利技术具有以下有益效果：
[0038]1)、
操作简单：本专利技术提出的一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于光声谱的乳腺癌分子分型及标志物的识别方法，其特征在于，包括以下步骤：
S1、
采集不同类型的乳腺组织在近红外波段的脉冲光声信号；
S2、
对采集到的脉冲光声信号进行功率谱转化，提取光声量化谱参数；
S3、
将所有激光波长下的光声量化谱参数重新整合得到光声参数谱；
S4、
对光声参数谱进行数据预处理；
S5、
通过机器学习算法实现基于光声参数谱的乳腺癌的分子分型诊断；
S6、
通过计算特征指数，以确定不同的乳腺癌分子分型对应的特征波长，并结合胶原和脂质在近红外波段的光吸收谱确定乳腺癌分子分型相关的生物大分子标志物；
S7、
汇总不同类型及不同分子分型的乳腺组织样本信息以及对应的光声参数谱特征波长信息，并建立光声数据库；
S8、
基于所述光声数据库进行乳腺癌分子分型及标志物的识别
。2.
根据权利要求1所述的一种基于光声谱的乳腺癌分子分型及标志物的识别方法，其特征在于，所述乳腺组织的类型至少包括正常组织
、
良性肿瘤
、
恶性乳腺癌
。3.
根据权利要求1所述的一种基于光声谱的乳腺癌分子分型及标志物的识别方法，其特征在于，所述近红外波段包括波长范围为
1200
‑
1700nm
的脉冲激光
。4.
根据权利要求1所述的一种基于光声谱的乳腺癌分子分型及标志物的识别方法，其特征在于，所述光声量化谱参数对应的数学计算公式如下：其中
APSD
为功率谱曲线下的面积，
p(f)
为声功率谱密度，
f0为积分的下限频率，
f1为积分的上限频率；所述光声量化谱参数需要在每一个脉冲激光波长下分别独立计算
。5.
根据权利要求4所述的一种基于光声谱的乳腺癌分子分型及标志物的识别方法，其特征在于，所述积分上下限频率基于实际检测样本的生物大分子团簇尺寸
、
所使用超声...

【专利技术属性】
技术研发人员：程茜，李佳琰，陈盈娜，叶皖力，张梦娇，解维娅，
申请(专利权)人：同济大学，
类型：发明
国别省市：