【技術實現步驟摘要】
本專利技術涉及智能檢測，具體涉及一種抑郁癥檢測用模型訓練方法、采用其的檢測系統、可執行程序及存儲介質。
技術介紹
1、近年來，隨著基因組學、轉錄組學、蛋白質組學和多肽組學等技術的不斷發展與交叉融合，與抑郁癥發生發展密切相關的特異性的生物標志物也不斷地被篩選發現。這些在抑郁癥發生發展過程中以及抗抑郁藥物治療過程中可以標記系統、器官、組織、細胞及亞細胞結構或功能改變或可能發生改變的生化物質，將其定義為抑郁癥標志物(depressionmarkers，dm)。然而，目前鮮有將抑郁癥標志物作為臨床抑郁癥的診斷指標，而與抑郁癥密切相關的生物標志及其檢測方法的研究大部分停留于基礎研究階段。
2、人工智能技術的發展，給各行各業帶來全新的變化。人工智能技術也應用到了疾病的診斷，例如抑郁癥的診斷。cn113052113b公開了一種基于緊湊型卷積神經網絡的抑郁癥識別方法及系統，所述方法包括：獲取若干個受測者的腦電信號數據；其中，所述受測者包括抑郁癥受測者和正常受測者；對所述腦電信號數據進行數據預處理，并按照預設的比例將預處理后的腦電信號數據劃分為訓練數據集和測試數據集；將所述訓練數據集輸入至預先構建的緊湊型卷積神經網絡，以對所述緊湊型卷積神經網絡進行訓練，在所述緊湊型卷積神經網絡達到預設的收斂狀態時，生成抑郁癥識別模型；將所述測試數據集輸入至所述抑郁癥識別模型進行識別并分別輸出抑郁癥識別結果以及正常識別結果。通過實施本專利技術能夠有效降低識別模型對數據質量的依賴性，并提高識別的準確性。
3、cn112232191b公開了一種
4、us20220341945a1公開了用于診斷重度抑郁癥的標志物組合物，其包含作為標志物的za2g和凝血酶原，使用該標志物組合物提供確定重度抑郁癥發生所必需的信息的方法，用于確定重度抑郁癥發生的組合物包括用于測量標志物表達水平的試劑，和用于確定重度抑郁癥發生的試劑盒，包括用于測量標志物表達水平的裝置。其中，所述組合是使用選自線性或非線性回歸分析方法的分析方法、方差分析、神經網絡分析方法、遺傳分析方法、支持向量機分析方法、層次聚類分析或聚類分析方法、使用決策樹的分層算法、內核主成分分析方法、馬爾可夫毯分析方法、遞歸特征消除或基于熵的遞歸特征消除分析方法、前向浮動搜索或后向浮動搜索分析方法及其組合來實現的。所述組合是使用計算機算法來執行的。
5、由此可見，隨著技術的發展，目前已經出現不少人工智能輔助抑郁癥診斷的技術，但這些技術或者輸入信號繁瑣、不好采集，或者診斷準確率差強人意，還沒有能夠真正應用于臨床的成熟技術。
技術實現思路
1、有鑒于此，本專利技術的主要目的在于提供一種抑郁癥檢測用模型訓練方法、檢測系統、程序及存儲介質，以期至少部分地解決上述技術問題。
2、為了實現上述目的，作為本專利技術的第一個方面，提出了一種檢測抑郁癥的人工智能模型的訓練方法，包括如下步驟：
3、構建人工智能模型，所述人工智能模型的輸入包括選自5-羥基鄰氨基苯甲酸、甲硫氨酸、γ-氨基丁酸、3,4-二羥基苯乙酸、2-吡啶甲酸、喹啉酸、犬尿氨酸、5-羥色氨酸、3-羥基犬尿氨酸、3-羥基鄰氨基苯甲酸、多巴胺、去甲腎上腺素、同型半胱氨酸中的3-4種的待檢測化合物在待檢測樣品中的濃度，所述人工智能模型的輸出為待檢測樣品的主人患重度抑郁癥的風險評估指數；
4、采用大樣本數據對所述人工智能模型進行訓練，其中健康人員為正樣本，患重度抑郁癥人員為負樣本。
5、作為本專利技術的第二個方面，還提出了一種重度抑郁癥檢測系統，包括：
6、數據處理單元，用于基于檢測設備的檢測結果，以及如權利要求1-4任一項所述的檢測抑郁癥的人工智能模型的訓練方法訓練得到的人工智能模型，判斷待測試樣品采集自的被測試者的重度抑郁癥患病風險；
7、提取試劑組合，所述提取試劑組合包括與預先訓練的人工智能模型輸入匹配的作為生物標記物的待檢測化合物的校準品、質控品和提取液；
8、檢測設備，用于對經過上述提取試劑組合處理的被測試者的樣品進行檢測，得到所述待檢測化合物的濃度。
9、作為本專利技術的第三個方面，還提出了一種可執行程序，所述可執行程序能夠被計算裝置所執行，實現如下方法：
10、輸入或獲取樣品中待檢測化合物的濃度；其中，所述待檢測化合物是與預先訓練的人工智能模型輸入匹配的生物標記物；
11、基于所述待檢測化合物的濃度，以及如上所述的檢測抑郁癥的人工智能模型的訓練方法訓練得到的人工智能模型，判斷所述樣品采集自的被測試者患重度抑郁癥的風險。
12、作為本專利技術的第四個方面，還提出了一種存儲介質，所述存儲介質上存儲有如上所述的可執行程序。
13、基于上述技術方案可知，本專利技術的抑郁癥檢測用模型訓練方法、檢測系統、程序及存儲介質相對于現有技術至少具備如下有益效果之一：
14、(1)精度問題，準確度高，靈敏度高，auc大于等于0.95，甚至0.99；準確率達90％以上。
15、(2)算法簡單，迭代收斂快，便于移植，可以內嵌到檢測系統，也可以作為單獨的數據處理單元，采用加密密鑰或外置u盤的方式工作。
本文檔來自技高網...【技術保護點】
1.一種檢測抑郁癥的人工智能模型的訓練方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的訓練方法，其特征在于，所述人工智能模型為向量機模型、K均值聚類模型、決策樹模型、主成分分析模型或神經網絡模型。
3.根據權利要求2所述的訓練方法，其特征在于，所述人工智能模型為卷積神經網絡模型或多層感知器模型。
4.根據權利要求3所述的訓練方法，其特征在于，所述所述人工智能模型的輸入為待檢測樣品采集自的被測試者的年齡、性別，以及待檢測樣品中犬尿氨酸、2-吡啶甲酸、3-羥基鄰氨基苯甲酸和3-羥基犬尿氨酸的濃度；和/或
5.一種重度抑郁癥檢測系統，其特征在于，包括：
6.根據權利要求5所述的重度抑郁癥檢測系統，其特征在于，所述提取試劑組合中還包括同位素內標，以用于質譜檢測；和/或
7.根據權利要求5所述的重度抑郁癥檢測系統，其特征在于，所述檢測設備為色譜、高效液相、質譜或色質聯用檢測設備。
8.一種可執行程序，其特征在于，所述可執行程序能夠被計算裝置所執行，實現如下方法：
9.根據權利要求8所述
10.一種存儲介質，其特征在于，所述存儲介質上存儲有如權利要求8或9所述的可執行程序。
...【技術特征摘要】
1.一種檢測抑郁癥的人工智能模型的訓練方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的訓練方法，其特征在于，所述人工智能模型為向量機模型、k均值聚類模型、決策樹模型、主成分分析模型或神經網絡模型。
3.根據權利要求2所述的訓練方法，其特征在于，所述人工智能模型為卷積神經網絡模型或多層感知器模型。
4.根據權利要求3所述的訓練方法，其特征在于，所述所述人工智能模型的輸入為待檢測樣品采集自的被測試者的年齡、性別，以及待檢測樣品中犬尿氨酸、2-吡啶甲酸、3-羥基鄰氨基苯甲酸和3-羥基犬尿氨酸的濃度；和/或
5.一種重度抑郁癥檢測系統，其特征在于，包括...
【專利技術屬性】
技術研發人員：彭軍，袁勇貴，朱娟，孫太鵬，曹珊珊，盛丕杰，周玥，王正陽，李思佳，
申請(專利權)人：合肥歆智醫療器械有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。