[发明专利]用于肾移植抗排斥反应类型分类的模型系统及其构建方法

权利要求书

1.一种用于肾移植抗排斥反应类型分类的模型构建方法，其特征是，包括有以下步骤：

采集并构造所需数据集，通过显微拉曼光谱仪对预设的实验尿液样本及正常尿液样本分别进行探测，记录300-1800cm^-1的SERS光谱数据，并进行比例分割为训练集和测试集；

对获取的训练集进行扩充；

建立以LeNet-5为基础的一维卷积神经网络的一维信号分类模型，通过训练集进行训练，并通过测试集进行效果预测，调整模型参数直至模型收敛；

设定分类模型分类判定的概率值，获得最终用于分类预测的分类模型。

2.根据权利要求1所述的用于肾移植抗排斥反应类型分类的模型构建方法，其特征是，数据集的采集构造具体为：

以贵金属纳米颗粒，通过自组装合成法制备获取样本探测的基底，使用激光入射波长为638nm、物镜为10倍的显微拉曼光谱仪针对样本分别进行探测，记录300-1800cm^-1的SERS光谱数据；

对光谱数据进行标签标注，将正常尿液样本的光谱数据标注标签为1，根据实验尿液样本的光谱数据对应的病理活检结果按照分类分别标注标签为2-7；

对SERS光谱数据按照7:3的比例分割为训练集和测试集。

3.根据权利要求2所述的用于肾移植抗排斥反应类型分类的模型构建方法，其特征是，训练集的扩充具体为：采用左右随机平移、添加高斯白噪声、乘算和为1随机系数中的一种或多种方法进行扩增。

4.根据权利要求3所述的用于肾移植抗排斥反应类型分类的模型构建方法，其特征是，分类模型的建立训练具体为：

使用训练集中的SERS光谱数据训练分类网络并进行测试集的效果预测；

确定损失函数为交叉熵损失函数，使用Adam优化器，设置整体样本循环迭代次数上限为40次，每完整迭代一次训练样本，进行测试集的效果预测，保存第一次完整迭代后的效果为最佳效果；

每经历一次完整迭代，对比保存最佳的验证效果并保存该模型，直到达到迭代次数的上限，获得训练后的分类模型。

5.根据权利要求1所述的用于肾移植抗排斥反应类型分类的模型构建方法，其特征是：对训练后分类模型的分类结果进行验证；

将实际手术中病理切片的拉曼光谱数据并输入至已训练收敛后的分类模型；将分类模型的输出结果与实际活检结果进行比对，验证分类模型分类结果的准确率。

6.一种用于肾移植抗排斥反应类型分类的模型系统，其特征是：包括有样本基底、用于进行模型训练及测试的样本数据集、对样本进行探测获得光谱数据的拉曼光谱仪、建立进行分类预测的分类模型、对分类模型分类结果进行验证的实际样本数据；

通过拉曼光谱仪对样本进行探测获得光谱数据，并通过光谱数据对建立的分类模型进行训练及测试获得收敛的分类模型，通过实际样本数据对获取的分类模型进行验证。

7.根据权利要求6所述的用于肾移植抗排斥反应类型分类的模型系统，其特征是：所述样本数据集包括正常尿液样本和实验尿液样本；所述实验尿液样本对应有具体肾移植抗排斥反应类型；

所述正常尿液样本及实验尿液样本均标注有对应标签，所述实验尿液样本根据对应反应类型分别标注。

8.根据权利要求6所述的用于肾移植抗排斥反应类型分类的模型系统，其特征是：所述样本基底为贵金属纳米颗粒基底，所述拉曼光谱仪的激光入射角为638nm、物镜为10倍，探测记录300～1800cm^-1的SERS光谱；所述样本数据集经探测后分为测试集及训练集，所述测试集与训练集的比例为7:3。