【技术实现步骤摘要】
本专利技术具体涉及一种系统性红斑狼疮分类模型及其建立方法、应用。
技术介绍
1、系统性红斑狼疮(sle)是一种典型的自身免疫病，发病缓慢，临床表现多样，其发病机理是b淋巴细胞过度活化产生多种自身抗体，t淋巴细胞异常激活共同参与，导致免疫过度，全身多脏器系统受损伤。其在全球范围内的患病率约为13-7713.5/100000人，亚洲人群的患病率约为26.5-109/100000人，而在中国的患病率约为30-70/100000人，居世界第二位，是严重威胁国民健康的一项疾病。sle已知的病因包括遗传、激素、感染、药物及紫外线暴露等。因人口结构、种族、环境暴露及性别分布不同，不同地区的sle发病率不同。sle患者的死亡率是普通人群的2-3倍，且该疾病目前尚无有效的根治方法。sle的诊断方法主要包括观察患者的关节炎、皮肤病变、肾脏病变等临床特点和血液系统、中枢神经病变等实验室检查。sle有临床异质性且缺乏有诊断意义的特征或检查，临床医生难以诊断。因此通常将临床特征与实验室检查相结合用于诊断sle。然而，现有的诊断方法依赖于医生的临床经验，受限于仪器和试剂的灵敏度，耗时，费用昂贵。因此，更方便、更经济的sle诊断是非常必要的，是改善欠发达地区sle诊断条件的基础。
2、并且由于sle疾病的发生常伴有原发性干燥综合征(ss)，且ss可以诱发sle，如何快速有效经济地区分sle与ss也是研究的重点。ss的临床症状表现通常为口干症、干眼性角膜炎，但sle患者也会出现明显的咽干舌燥等症状。因此根据临床特征区分sle和ss严重依靠医生的经验
3、有鉴于此，本专利技术提出一种系统性红斑狼疮分类模型及其建立方法、应用，其基于拉曼光谱结合脉冲神经网络，其在快速、准确判别sle患者方面具有巨大的应用潜力。
技术实现思路
1、本专利技术的目的在于提供一种系统性红斑狼疮分类模型的建立方法，基于拉曼光谱技术结合神经网络算法，可建立准确率高的系统性红斑狼疮分类模型。
2、为了实现上述目的，所采用的技术方案为：
3、一种系统性红斑狼疮分类模型的建立方法，包括以下步骤：
4、(1)选择患者和健康对照组，收集新鲜的血液样本进行离心处理，获得血清样本；
5、(2)收集数据：对所述的血清样本使用共聚焦拉曼光谱仪记录血清拉曼光谱；
6、(3)数据预处理：将所述的血清拉曼光谱进行归一化处理；
7、(4)采用所述的预处理后的数据建立分类模型，即所述的系统性红斑狼疮分类模型。
8、进一步的，所述的步骤(1)中，患者包括系统性红斑狼疮患者和原发性干燥综合征患者。
9、再进一步的，所述的步骤(1)中，系统性红斑狼疮患者的样本至少选取160个，原发性干燥综合征患者的样本至少选取74个，健康对照组的样本至少选取94个。
10、进一步的，所述的步骤(2)中，所有的血清样本的拉曼光谱在500-2000cm-1范围内测量，激发波长为785nm，激发时间为15s，激发功率为160mw。
11、进一步的，所述的步骤(3)中，分类模型为ann分类模型、或resnet分类模型、或snn分类模型。
12、再进一步的，所述的步骤(3)中，分类模型为snn分类模型，其采用leakyintegrate-and-fire神经元模型，其神经元仿真公式如下，
13、
14、其中，c是膜电容，r是膜电阻，i是电流，τ是r和c之积。
15、再进一步的，所述的leaky integrate-and-fire神经元模型中，lif神经元活动分为三个部分，分别为充电、放电和重置；
16、所述的神经元放电过程中，前向传播使用heaviside阶跃函数，反向传播使用sigmoid替代函数；
17、所述的重置为软重置，将累积和减去神经元阈值。
18、再进一步的，所述的snn分类模型具有3层结构，输入层单元数为1024，中间层为512，输出层为2，batch为16，学习率lr为0.001，衰减率beta为0.95，时间步为50，epoch值为200。
19、本专利技术的另一个目的在于提供一种系统性红斑狼疮分类模型，采用上述的建立方法获得，可以有效区分sle、ss，对系统性红斑狼疮有很大的筛查潜力，该技术有望开发出便携、经济且高准确率的sle辅助筛查装置。
20、本专利技术还有一个目的在于提供上述的系统性红斑狼疮分类模型的应用，可用于系统性红斑狼疮病辅助筛查装置。
21、与现有技术相比，本专利技术的有益效果在于：
22、系统性红斑狼疮(sle)是一种累及多脏器的自身免疫性炎症性结缔组织疾病，若不及时诊断治疗，严重者会引发肾炎和血液系统受损伤，导致患者死亡。因此，正确及时的诊断和治疗对患者至关重要。
23、本专利技术利用拉曼光谱技术结合神经网络算法建立准确率高的系统性红斑狼疮分类模型，包括：先采集患者和健康正常人的血清样本，进行拉曼光谱测定后，使用基线校正、平滑处理、归一化方法对拉曼数据进行预处理，而后建立分类模型。建立的ann、resnet、snn分类模型。三种模型对sle患者的分类准确率分别为89.61％、85.71％、95.65％，auc值分别为0.8772、0.8100、0.9555。实验结果表明，snn具有良好的分类效果，且模型参数量仅为525826，比resnet模型参数量小414221。
24、由于网络只使用0、1传递信息，仅有求和等基本运算，相对于第二代人工神经网络将浮点数的乘积运算化简为多个加法运算，该网络能耗低，适合嵌入便携式拉曼光谱仪，用于辅助临床性诊断。
25、综上可知，本专利技术的拉曼光谱结合脉冲神经网络建立的系统性红斑狼疮分类模型对系统性红斑狼疮病的筛查具有良好的效果，有望开发出便携、经济、快速、高准确率的sle病辅助早期筛查装置，具有巨大的应用潜力。
本文档来自技高网...【技术保护点】
1.一种系统性红斑狼疮分类模型的建立方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的建立方法，其特征在于，
3.根据权利要求2所述的建立方法，其特征在于，
4.根据权利要求1所述的建立方法，其特征在于，
5.根据权利要求1所述的建立方法，其特征在于，
6.根据权利要求5所述的建立方法，其特征在于，
7.根据权利要求6所述的建立方法，其特征在于，
8.根据权利要求6所述的建立方法，其特征在于，
9.一种系统性红斑狼疮分类模型，其特征在于，采用权利要求1-8任一项所述的建立方法得到。
10.权利要求9所述的系统性红斑狼疮分类模型的应用，其特征在于，所述的系统性红斑狼疮分类模型用于系统性红斑狼疮辅助筛查装置。
【技术特征摘要】
1.一种系统性红斑狼疮分类模型的建立方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的建立方法，其特征在于，
3.根据权利要求2所述的建立方法，其特征在于，
4.根据权利要求1所述的建立方法，其特征在于，
5.根据权利要求1所述的建立方法，其特征在于，
6.根据权利要求5所述的建立方法，其特征在...
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。