[發明專利]基于病理及活體組織臨床診斷大數據的疾病類型判別方法

在審

• 申請號: 202110045051.6
• 申請日: 2021-01-13
• 公開（公告）號: CN112863665A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 田潤濤
• 申請（專利權）人: 質美（北京）生物科技有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06T7/00;G06K9/62;G06N20/00;G01N21/84;G01N27/62
• 代理公司: 北京紐樂康知識產權代理事務所(普通合伙) 11210
• 代理人: 田磊

1.一種基于病理及活體組織臨床診斷大數據的疾病類型判別方法，其特征在于，該方法包括以下步驟：

S1 質譜儀器數據交換，通過質譜儀廠家工作站或者數據轉換功能完成質譜儀數據到質譜成像數據的轉換，支持導入各主流質譜儀器廠家的質譜數據；

S2 代謝物化合物數據庫，基于人體的內源性代謝物質譜數據以及化合物檢索匹配算法，通過代謝物化合物數據庫實現對質譜圖中內源性化合物的自動化標注和定性分析，其中，所述代謝物化合物數據庫能夠匹配多種化合物檢索算法，進一步包含：分析條件精準匹配、動態加合離子匹配、質譜同位素匹配、保留時間匹配、一級質譜匹配、二級質譜匹配、離子淌度匹配、代謝通路匹配、非靶向匹配；

S3 質譜成像代謝組學組織樣本數據庫，該數據庫由臨床生物樣本庫及實驗動物模型生物樣本庫組成，通過大數據方式對龐大、復雜的人體代謝組質譜成像樣本進行有效管理和開展數據挖掘及建模，從而匯集人類疾病質譜成像數據；

S4 質譜成像數據處理工作站，進行質譜成像的自動化數據處理及分析，該工作站用于數據導入預處理、質譜圖像重建、質譜目標選區提取、光學圖像匹配、質譜圖像定量分析；

S5 質譜成像數據機器學習算法，采用不同類型的質譜成像數據，根據所設計的質譜成像數據機器學習算法，用于實現基于病理及活體組織樣本分類、疾病標志物自動發現、疾病預測模型與疾病分型模型訓練及維護、模型訓練算法篩選及優化、未知樣本預測、模型發布與應用。

2.根據權利要求1所述的基于病理及活體組織臨床診斷大數據的疾病類型判別方法，其特征在于，所述S2中代謝物化合物數據庫，進一步包含：

通過標準代謝物質譜信息實物的檢測結果，測定2000個代謝物的質譜信息，并排除外源性化合物的干擾，對代謝物化合物數據庫進行動態編輯和擴充，運用大數據匹配的方式，提高代謝物化合物數據庫與多種化合物檢索算法精準匹配，以及精準化、自動化的化合物解析。

3.根據權利要求1所述的基于病理及活體組織臨床診斷大數據的疾病類型判別方法，其特征在于，所述S3中臨床生物樣本庫及實驗動物模型生物樣本庫收載質譜成像數據進一步包含：

S3.1 收載靶向及非靶向代謝組學質譜成像原始數據及標注結果，以及代謝組學的位置信息；

S3.2 代謝組學質譜成像數據與代謝物化合物數據庫進行無縫關聯，進行便捷的自動化化合物標注；

S3.3 質譜成像代謝組學組織樣本數據庫與質譜成像數據處理工作站建立無縫數據交換，完成一站式分析及數據建模的開展。

4.根據權利要求1所述的基于病理及活體組織臨床診斷大數據的疾病類型判別方法，其特征在于，所述S4中質譜成像數據處理工作站進一步包含：

S4.1 數據導入預處理，用于輸入質譜圖像導入文件序列，設置樣品有關參數，所述質譜圖像導入包含：圖像分辨率、切片厚度、切片物理尺寸、質譜數據通道類型、連續型質譜數據類型峰檢測、積分處理，其中積分處理參數包含：斜率、最小峰強度、強度積分方式、質荷比統計方式；

S4.2 質譜圖像重建，獲取原始質譜成像數據中按照指定的離子提取范圍和方式對2D及3D質譜圖像進行空間重構，并進行可視化渲染；

S4.3 質譜目標選區提取，提供多種提取工具，提取工具包含固定區域大小，以及手動自由選擇套索工具、以流動螞蟻線的形式動態顯示當前選擇區域、自動顯示所選擇的多個選區及對應的質譜圖，并保存到數據庫中進行查詢及比較分析；

S4.4 光學圖像匹配，用于生成質譜成像數據處理工作站與質譜圖像相匹配的樣品組織切片光學圖像，以及HE病理染色光學圖像的同步比較分析，通過縮放、平移或旋轉光學圖片控制錨點，對光學圖片的對齊狀態進行精準調節；

S4.5質譜圖像定量分析，基于質譜成像數據機器學習算法，用于免同位素標記的目標化合物，在組織切片內各器官中分布濃度的定量計算和校正。