[发明专利]一种基于隐空间重投影的遗传代谢病筛查方法

说明书

本发明公开了一种基于隐空间重投影的遗传代谢病筛查方法，该方法利用三种深度神经网络分别对多中心数据进行本地特征提取、全局特征重映射、总体风险评估，最终得到遗传代谢病自动判读结果，从而减小多中心筛查数据的差异性，提高筛查的速度和准确度。本发明能够对任意数量的遗传代谢病筛查中心进行特征提取和统一映射，最终自动生成遗传代谢病判读结果，无需人工参与判读；采用本发明的方法可将初筛假阳性率降低至0.5％左右。

技术领域

本发明属于信息技术领域，具体涉及一种基于隐空间重投影的遗传代谢病筛查方法。

背景技术

串联质谱技术是一种高敏感性、高选择性和高通量的血液生化物质浓度检测技术，于20世纪90年代首次被应用于新生儿遗传代谢病筛查，之后在全球多个国家和地区推行。目前国内外筛查中心普遍通过开展室内质量控制(IQC)、参加室间质量评价(EQA)以及设置本实验室切值的方式来提高实验室筛查效率，保证对遗传代谢病的同质化判读。然而，这些方法在实际操作中存在如下缺陷：1)IQC样本不能完全反映新生儿血斑的真实检测数据变异；2)EQA样本的基质效应限制了其在评价不同检测方法同质化中的应用；3)生化指标切值多依靠临床经验，缺乏人口学特征的分析。目前新生儿筛查所使用的室间质量评价和室内质量控制方法难以解决实验室间及试剂批次间存在固有差异的问题；另外，切值指标判读单一，基本停留在人工判读阶段，不能保证筛查中心之间的同质化，筛查效能整体不高。

针对筛查人工判读和多中心数据非同质化的问题，本发明提出了一种基于深度神经网络的遗传代谢病同质化筛查方法。首先，本发明为每一个筛查中心建立一个独立的遗传代谢病基础网络，用于提取各中心筛查数据的本地特征；其次，将提取到的本地特征输入到特征映射网络中进行训练，将本地特征重新投影到一个统一的隐空间中，从而使多中心筛查数据同质化对齐；最后，再通过一个风险评估网络对修正后的筛查数据进行风险评估，得到自动判读结果，以此提高整体筛查效率。

发明内容

目前遗传代谢病筛查主要通过人工方式进行判读，多中心间的筛查数据也存在非同质化问题，导致整体筛查效率不高。本发明提供了一种基于隐空间重投影的遗传代谢病筛查方法，利用三种深度神经网络分别对多中心数据进行本地特征提取、全局特征重映射、总体风险评估，最终得到遗传代谢病自动判读结果，从而减小多中心筛查数据的差异性，提高筛查的速度和准确度。

遗传代谢病是一大类有代谢功能缺陷的疾病总称，这些疾病可通过串联质谱技术进行检测判定。串联质谱技术主要检测血液中多种小分子代谢物的浓度，在遗传代谢病检测中，这些待检测小分子代谢物的种类和数量是固定的，也就是说，对于任意一种基于串联质谱技术的遗传代谢病检测数据，其包含的数据特征都是相同的。

本发明采用以下技术方案实现：

一种基于隐空间重投影的遗传代谢病筛查方法，包括以下步骤：

模型构建步骤：

构建r个基础网络，其中每个基础网络第k层的神经元个数固定为n，k大于等于2，基础网络其它结构和参数要求没有限制；

构建一个含有m层结构的特征映射网络，其中m为大于等于3的奇数，第i层的神经元个数与(m-i+1)层的神经元个数相同，1≤i＜(m+1)/2；

构建一个含有c层结构的风险评估网络，其中第1层的神经元个数等于特征映射网络第(m+1)/2层的神经元个数，最后一层的神经元个数为1，c大于等于2。

模型训练步骤：

对于r个不同的遗传代谢病筛查中心，使用各自实验室得到的串联质谱检测数据，分别训练r个基础网络；