[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

说明书

本发明公开了一种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，解决了目前对于肾移植抗排斥反应的预测判别存在各种局限的问题，其技术方案要点是包括有样本基底、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；可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，进而可通过分类模型进行分类判别，本发明的一种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，能高效、简便的获得分类模型，进而可准确的进行分类判定。

技术领域

本发明涉及医疗数据分类技术，特别涉及一种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。

背景技术

肾脏发生终末期病变时，肾脏移植手术是最有效的治疗手段，但是患者的存活受到多种因素的影响，其中最重要的因素就是肾脏移植后会发生抗排斥反应。

目前，对于肾脏移植抗排斥反应的分类判断，还需要依据于病患的器官移植活检以及组织病理学检查，其费用高、且检测属于晚期指标，并且需要进行组织活检，存在很多的局限性，也普遍难以被病患接受。亟需能被患者接受且高效、简便、快捷、准确的技术。

发明内容

本发明的目的是提供一种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，能高效、简便的获得分类模型，并可准确的进行分类判定。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种用于肾移植抗排斥反应类型分类的模型构建方法，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。

一种用于肾移植抗排斥反应类型分类的模型系统，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。

综上所述，本发明具有以下有益效果：

采用实验尿液样本和正常尿液样本作为数据集，通过基底及拉曼光谱仪的探测获取对应的光谱数据，并训练建立的分类模型，能高效便捷的获取具有高准确率分类的分类模型，收敛后的分类模型进行判别分类，高效且便捷，整体费用低，无需进行病患的组织活检，进而使得使用的时候能更易被患者接受，分类模型更加的高效、便捷、准确。

附图说明

图1为建立的分类模型的网络结构示意图；

图2为本方法的流程示意框图；

图3为正常尿液样本和实验尿液样本的平均拉曼光谱数据图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

根据一个或多个实施例，公开了一种用于肾移植抗排斥反应类型分类的模型系统，包括有样本基底、样本数据集、显微拉曼光谱仪、建立的分类模型、对分类模型进行验证的实际样本数据。