一种基于机器学习算法的实验室血清质量识别方法及计算机设备与存储介质

1.本发明涉及一种实验室血清质量识别方法，尤其涉及一种基于机器学习算法的实验室血清质量识别方法及计算机设备与存储介质。


背景技术：

2.传统上，实验室采用目视检查法确定样本的溶血、黄疸和脂血(hemolysis, icterus and lipemia, hil)。随着分光光度法的发展，自动化法检测血清指数（serum index,si）被认为是比目视检查法更可靠、准确和标准化的方法,被强烈推荐。自动化法检测si仍然存在低效率和高风险的问题。低效率会增加分析仪的负担，延长周转时间和增加实验室试剂成本。高风险会漏检严重hil样本的情况，这种情况可能会因没有收到报警信息致使实验室人员忽视hil干扰所产生的误差，因此，目前的hil自动化检测方案不能满足大型实验室的判断血清质量的需求。
3.大型实验室应该在综合考虑安全性、有效性后，寻求与样本量相匹配的更安全高效的血清质量识别方法，从而确定需要检测si的样本。近20年，随着人工智能的快速发展，实验室医学领域也开始关注人工智能。但是，深度学习（deep learning ,dl）在实验室医学领域的开发和应用相对薄弱。基于dl模型的系统或设备只针对收集血清图片，构建深度学习模型，输入血清图片，模型判断结果和输出血清质量识别结果，并没有描述图片挑选，被遮挡图片的预处理和判断，血清质量异常样本的实验室检测，质量异常样本干扰信息生成和结果分析等过程。


技术实现要素：

4.发明目的：针对血清样本质量识别问题，本发明设计了一个集成预训练的深度学习模型的实验室用血清质量识别方法，具有较高的通过率和较低的假阴性率，同时，提升了血清样本质量识别的效率和安全性。
5.技术方案：一种基于深度学习算法的实验室用血清质量识别方法，包括血清样本图片生成步骤、血清质量识别助手（sqra）系统处理步骤、生化分析仪分析步骤、干扰信息报告生成和结果分析步骤；所述血清样本图片生成步骤对采集的血液进行前处理仪器离心、拍照、拔掉血清管盖子以及图片挑选；所述sqra系统处理步骤包括图片预处理，图片强制检测si，深度学习模型预测血清质量，血清质量判断输出结果；所述生化分析仪分析步骤中中间体模块接收lis发送的强制检测si和预测hil的样本检验号，然后将执行si检测的命令发给生化分析仪进行hil的检测，且生化分析仪返回检测结果给中间体模块；所述干扰信息报告生成和结果分析步骤中中间体模块发送图片、备注信息和被干
扰项目名称给lis生成干扰信息，lis统计预测结果以及一些其他的统计预测结果；所述的血清样本图片生成步骤具体为：步骤100，将采集的血液样本经过前处理仪器离心；步骤101，经过前处理仪器拍照生成血清样本图片；步骤102，经过前处理仪器拔掉血清管盖子；步骤103，经过中间体模块挑选最佳血清图片。
6.sqra系统处理步骤为：步骤200，读取中间体模块存放在服务器图片共享文件夹中的最佳血清图片，按照0.01s每次的频率扫描该文件夹，从中间体模块侧接收样本图片，收集用于训练的不同类别的图片数据，每个样本标记有l（乳糜指数）、h（溶血指数）、i（黄疸指数）数值；步骤201，按照样本中的黑线把对应的一块切出来，然后用opencv中的颜色裁剪和边缘检测方式，把血清部分取出，排除背景和标记遮挡的影响，切割出含有感兴趣区域的图像块，完成预处理步骤；步骤202，对于质量不佳的图片，系统预处理步骤并不能切割出足够用来做预测的图像块，将这些样本的检验号给lis，由lis发送指令给中间体模块进一步执行强制si检测；对强制检测的图片进行记录；步骤203，将经过预处理步骤和图片强制检测步骤后的血清样本图片输入sqra程序中的预测模块，对图片进行分类预测，得到样本的预测结果；步骤204，预测为hil的样本检验号发送给lis，由lis发送指令给中间体模块进一步执行si检测。
7.所述的生化分析仪分析步骤具体为：步骤300，中间体模块接收lis发送的强制检测si和预测hil的样本检验号；步骤301，中间体模块将执行si检测的命令发给生化分析仪进行hil样本的si检测；步骤302，生化分析仪返回检测结果给中间体模块。
8.所述干扰信息报告生成和结果分析步骤具体为：步骤400，中间体模块返回图片、干扰备注信息和被干扰项目名称给lis并生成干扰信息；步骤401，lis定期扫描，完成统计功能；步骤402，强制检测si的样本统计结果反馈给采血人员，统计的预测结果留给实验室人员做后续分析。
9.所述的sqra系统处理步骤中，sqra系统包括预处理模块、图片强制检测模块、模型预测模块、程序优化模块、图形交互模块；所述预处理模块读取图片数据，对图片进行预处理；所述图片强制检测模块，对预处理后的图片进行强制检测，将质量不佳的图片直接预测为hil；所述模型预测模块，将图片输入sqra程序的预测模块，输出最终的预测结果；所述程序优化模块，对程序的图形处理、运行流程、图片读取进行优化；所述图形交互模块，提供图形交互界面方便实验室人员与系统进行交互，便于院方更换文件输入输出的路径、模型阈值调整、更换模型。
10.优选的，预处理模块：读取中间体模块存放在服务器的图片共享文件夹中的最佳
图片，按照0.01s每次的频率扫描该文件夹，读取用于预测的不同类别的图片数据，并通过系统集成的预处理模块对图片进行处理；图片强制检测模块：对预处理后的图片进行进一步判断，判断为hil的样本检验号以predict-检验号.txt文件存放在阳性输出文件夹；程序未能切割出图像块的图片，被命名为preprocess-检验号.txt，同样被存放在阳性输出文件夹中；lis实时扫描该文件夹中txt文件的检验号发送给中间体模块，中间体模块接收检验号并匹配先前接收的相同检验号的样本信息后，将样本信息和执行si检测的命令一同发给生化分析仪检测生化项目和si；模型预测模块：将图片输入sqra系统的预测模块，对图片是否为hil进行预测，同时，被系统判断为正常的图片，将生成命名negative-检验号.txt的文件，保存在阴性输出文件夹；程序优化模块：代码结构和数据处理方式的优化，以及引入多进程操作，图片读取进程每隔0.01s扫描一次文件夹，保证图片快速处理；对于相同id号存在多张图片的情况，只要有其中一张图片完成了预测流程，后续同id号图片直接跳过；待扫描文件夹中的文件被读取后会移动到新的文件夹，只需要检测待扫描文件夹中是否有文件即可，不需要通过索引判断文件是否已经处理过；图形交互模块：对图形界面更换文件输入输出的路径、模型阈值调整、更换模型进行调整，便于操作人员与系统进行交互。
11.一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现如上所述的基于深度学习算法的实验室血清识别方法。
12.一种计算机可读存储介质，该计算机可读存储介质存储有执行如上所述的基于深度学习算法的实验室血清识别方法的计算机程序。
13.有益效果：与现有技术相比，本发明提出一种深度学习算法的实验室血清质量识别方法，具有较高的通过率和较低的假阴性率。同时，系统有友好的图形界面，加快了实验室血清样本检测的速度，提升了操作人员与系统交互的效率。同时对系统的模块进行了优化，提高了模块之间的交互速度，加强了系统的鲁棒性和稳定性。
附图说明
14.图1为本发明实施例的血清质量识别方法流程图；图2为本发明实施例的sqra程序模块图。
实施方式
15.下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本技术所附权利要求所限定的范围。
16.基于深度学习算法的实验室血清质量识别方法，应用于实验室hil样本识别的场景，包括血清样本图片生成步骤、sqra系统处理步骤、cobas 8000分析步骤、干扰信息报告生成和结果分析步骤等。
17.如图1所示，首先，将采集的血液样本经过p 671离心模块，经过p 612进行拍照得到血清样本图片以及拔掉试管盖子，然后infinity选取最佳图片；将得到的最佳血清样本图片输入sqra系统进行处理，具体步骤为：读取infinity中间体模块存放在共享文件夹的图片，按照0.01s每次的频率扫描该文件夹，从infinity侧接收样本图片，收集图片数据；将收集到的图片数据按照样本中的黑线把对应的一块切出来，然后用opencv中的颜色裁剪和边缘检测等方式，把试管部分取出，排除背景和标记遮挡的影响，完成图像块的切割。对于经过预处理后的图片进行强制检测，并判断样本是否通过强制检测。对于质量不佳的图片（无黑线或被遮挡），系统预处理步骤并不能切割出足够模型用来做预测的图像块，系统将返回这些样本的id给lis，系统直接将其判定为hil。对于通过强制检测的图片，将这些图片输入经过sqra系统的预测模块，得到预测的结果，并将预测结果发给lis，lis将样本id发送给infinity。
18.对于直接判定为hil的样本，lis将这些样本id发送给infinity，infinity将执行si指令给cobas 8000进一步进行hil的检测。cobas 8000将si 结果返回给infinity，infinity生成图片、hil干扰备注信息和被干扰项目名称一并发送给lis。lis生成的干扰信息会进行反馈。lis会定期扫描，完成统计功能，包括：1.样本总量，预测hil和预测正常的样本量；2.未能切出图像块强制检测血清指数的样本量（无黑线或被遮挡），并能导出id；3.导出预测hil和预测正常的样本id。这些预测结果的统计留给实验室人员做后续分析，便于程序的优化。强制检测si的样本统计结果反馈给采血人员。
19.一种基于深度学习算法的sqra系统，应用于实验室血清样本hil识别的场景，包括图片的预处理步骤、图片强制检测步骤、模型预测步骤、图形交互模块；所述图片的预处理步骤中从实验室已有的中间体模块infinity中获取图片样本数据，利用sqra系统的预处理模块对样本图片进行预处理；所述图片强制检测步骤中对经过预处理模块的样本图片进行强制检测，对强制检测不合格的样本图片进行记录，并直接预测为hil样本；所述模型预测步骤中利用sqra的预测模块对图片进行预测；所述图形交互模块系统便于操作人员利用图形交互界面与系统进行交互，如更换文件输入输出的路径、模型阈值调整、更换模型等。
20.预处理模块20：读取infinity中存放在服务器的图片共享文件夹路径为d/picture，按照0.01s每次的频率扫描该文件夹，读取用于预测的不同类别的图片数据，并通过系统集成的预处理模块对图片进行处理。
21.图片强制检测模块21：对预处理后的图片进行进一步判断，判断为hil的样本id以predict-id.txt文件存放在阳性输出文件夹。未能切割出图像块的图片，被命名为preprocess-id.txt，同样被存放在阳性输出文件夹中。lis实时扫描该文件夹中txt文件的id，将样本id发送给infinity，infinity匹配先前接收的相同id的样本信息后，将样本信息和执行si检测的命令一同发给cobas 8000检测生化项目和si。
22.模型预测模块22：将图片输入系统集成的算法中，对图片是否为hil进行预测。同时，被系统判断为正常的图片，将生成命名negative-id.txt的文件，保存在阴性输出文件夹。
23.程序优化模块23：经过代码结构的优化和一些数据处理方式上的改进，以及多进程操作的引入，目前单张图片的平均用时大约为0.23秒，最高用时大约为0.25秒，达到实际应用的要求。模块还包括与lis的通讯调整。向指定的文件夹中写入txt文件，再由lis读取
文件，写入txt文件也便于后续的数据统计。模块还包括一些细节改进，主要包括：图片读取进程每隔0.01s扫描一次文件夹，保证图片快速处理；对于相同id号存在多张图片的情况做了处理，只要有其中一张图片完成了预测流程，后续同id号图片直接跳过；待扫描文件夹中的文件被读取后会移动到新的文件夹，这样程序只需要检测待扫描文件夹中是否有文件就可以了，而不需要通过索引判断文件是否已经处理过了；增加了一些判断条件进一步增强了程序的鲁棒性。
24.程序优化模块的具体优化方式为：（1）减少磁盘的读写，去掉了不必要的中间结果的读写。具体来说，在cv2,pil,pytorch三个库之间都使用ndarray进行数据传输（内存中传输），而不再将对应图片写入磁盘再读取。只对最后必要的结果写入磁盘，例如预处理失败的样本检验号、预测为hil和正常的样本检验号。（2）一些深度学习使用上的优化，当cpu更快时去掉一些gpu的使用、去掉不必要的随机种子设定、传递参数使用ndarray而非tensor、去掉dataloader的封装、模型只在初始化后加载一次等等。（3）为了应对流式数据，使用了多进程操作，图片读取和预处理是一个进程，模型预测是另一个进程，两个进程并发进行，减少了图片的等待时间，在前一张图片在经过模型预测的同时，后一张图片已经开始预处理了。
25.图形交互模块24：对图形界面如更换文件输入输出的路径、模型阈值调整、更换模型等进行一些调整，便于操作人员与系统进行交互。
26.显然，本领域的技术人员应该明白，上述的本发明实施例的基于深度学习算法的血清质量识别系统各步骤或基于深度学习算法的血清质量识别系统各模块可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。

技术特征：
1.一种基于深度学习算法的实验室用血清质量识别方法，其特征在于包括血清样本图片生成步骤、血清质量识别助手（sqra）系统处理步骤、生化分析仪分析步骤、干扰信息报告生成和结果分析步骤；所述血清样本图片生成步骤对采集的血液进行前处理仪器离心、拍照、拔掉血清管盖子以及图片挑选；所述sqra系统处理步骤包括图片预处理，图片强制检测si，深度学习模型预测血清质量，血清质量判断输出结果；所述生化分析仪分析步骤中中间体模块接收lis发送的强制检测si和预测hil的样本检验号，然后将执行si检测的命令发给生化分析仪进行hil的检测，且生化分析仪返回检测结果给中间体模块；所述干扰信息报告生成和结果分析步骤中中间体模块发送图片、备注信息和被干扰项目名称给lis生成干扰信息，lis统计预测结果以及一些其他的统计预测结果。2.根据权利要求1所述的一种基于深度学习算法的实验室用血清质量识别方法，其特征在于所述的血清样本图片生成步骤具体为：步骤100，将采集的血液样本经过前处理仪器离心；步骤101，经过前处理仪器拍照生成血清样本图片；步骤102，经过前处理仪器拔掉血清管盖子；步骤103，经过中间体模块挑选最佳血清图片。3.根据权利要求1所述的一种基于深度学习算法的实验室用血清质量识别方法，其特征在于所述的sqra系统处理步骤为：步骤200，读取中间体模块存放在服务器图片共享文件夹中的最佳血清图片，按照0.01s每次的频率扫描该文件夹，从中间体模块侧接收样本图片，收集用于训练的不同类别的图片数据，每个样本标记有l（乳糜指数）、h（溶血指数）、i（黄疸指数）数值；步骤201，按照样本中的黑线把对应的一块切出来，然后用opencv中的颜色裁剪和边缘检测方式，把血清部分取出，排除背景和标记遮挡的影响，切割出含有感兴趣区域的图像块，完成预处理步骤；步骤202，对于质量不佳的图片，系统预处理步骤并不能切割出足够用来做预测的图像块，将这些样本的检验号给lis，由lis发送指令给中间体模块进一步执行强制si检测；对强制检测的图片进行记录；步骤203，将经过预处理步骤和图片强制检测步骤后的血清样本图片输入sqra程序中的预测模块，对图片进行分类预测，得到样本的预测结果；步骤204，预测为hil的样本检验号发送给lis，由lis发送指令给中间体模块进一步执行si检测。4.根据权利要求1所述的一种基于深度学习算法的实验室用血清质量识别方法，其特征在于所述的生化分析仪分析步骤具体为：步骤300，中间体模块接收lis发送的强制检测si和预测hil的样本检验号；步骤301，中间体模块将执行si检测的命令发给生化分析仪进行hil样本的si检测；步骤302，生化分析仪返回检测结果给中间体模块。5.根据权利要求1所述的一种基于深度学习算法的实验室用血清质量识别方法，其特
征在于所述干扰信息报告生成和结果分析步骤具体为：步骤400，中间体模块返回图片、干扰备注信息和被干扰项目名称给lis并生成干扰信息；步骤401，lis定期扫描，完成统计功能；步骤402，强制检测si的样本统计结果反馈给采血人员，统计的预测结果留给实验室人员做后续分析。6.根据权利要求1或3所述的一种基于深度学习算法的实验室用血清质量识别方法，其特征在于所述的sqra系统处理步骤中，sqra系统包括预处理模块、图片强制检测模块、模型预测模块、程序优化模块、图形交互模块；所述预处理模块读取图片数据，对图片进行预处理；所述图片强制检测模块，对预处理后的图片进行强制检测，将质量不佳的图片直接预测为hil；所述模型预测模块，将图片输入sqra程序的预测模块，输出最终的预测结果；所述程序优化模块，对程序的图形处理、运行流程、图片读取进行优化；所述图形交互模块，提供图形交互界面方便实验室人员与系统进行交互，便于院方更换文件输入输出的路径、模型阈值调整、更换模型。7.根据权利要求6所述的一种基于深度学习算法的实验室用血清质量识别方法，其特征在于所述的预处理模块：读取中间体模块存放在服务器的图片共享文件夹中的最佳图片，按照0.01s每次的频率扫描该文件夹，读取用于预测的不同类别的图片数据，并通过系统集成的预处理模块对图片进行处理；所述的图片强制检测模块：对预处理后的图片进行进一步判断，判断为hil的样本检验号以predict-检验号.txt文件存放在阳性输出文件夹；程序未能切割出图像块的图片，被命名为preprocess-检验号.txt，同样被存放在阳性输出文件夹中；lis实时扫描该文件夹中txt文件的检验号发送给中间体模块，中间体模块接收检验号并匹配先前接收的相同检验号的样本信息后，将样本信息和执行si检测的命令一同发给生化分析仪检测生化项目和si；所述的模型预测模块：将图片输入sqra系统的预测模块，对图片是否为hil进行预测，同时，被系统判断为正常的图片，将生成命名negative-检验号.txt的文件，保存在阴性输出文件夹；所述的程序优化模块：代码结构和数据处理方式的优化，以及引入多进程操作，图片读取进程每隔0.01s扫描一次文件夹，保证图片快速处理；对于相同id号存在多张图片的情况，只要有其中一张图片完成了预测流程，后续同id号图片直接跳过；待扫描文件夹中的文件被读取后会移动到新的文件夹，只需要检测待扫描文件夹中是否有文件即可，不需要通过索引判断文件是否已经处理过；所述的图形交互模块：对图形界面更换文件输入输出的路径、模型阈值调整、更换模型进行调整，便于操作人员与系统进行交互。8.一种计算机设备，其特征在于：该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现如权利要求1-7中任一项所述的基于深度学习算法的血清识别方法。9.一种计算机可读存储介质，其特征在于：该计算机可读存储介质存储有执行如权利要求1-7中任一项所述的基于深度学习算法的血清识别方法的计算机程序。

技术总结
本发明公开一种基于机器学习算法的实验室血清质量识别方法及计算机设备与存储介质，具体包括血清样本图片生成步骤、血清质量识别助手（SQRA）系统处理步骤、生化分析仪检测步骤、干扰信息报告生成和结果分析步骤。本发明具有较高的通过率和较低的假阴性率。同时，系统有友好的图形界面，加快了实验室血清样本检测的速度，提升了操作人员与系统交互的效率。同时对系统的模块进行了优化，提高了模块之间的交互速度，加强了系统的鲁棒性和稳定性。加强了系统的鲁棒性和稳定性。加强了系统的鲁棒性和稳定性。


技术研发人员：满冬亮 尚红 韩晓旭 杨晓陶 关一夫 云科 叶翰嘉 施意 姜远
受保护的技术使用者：南京大学
技术研发日：2023.06.25
技术公布日：2023/10/15