醫(yī)學(xué)無創(chuàng)光譜檢測(cè)中若干關(guān)鍵技術(shù)的研究.pdf

1、光譜檢測(cè)技術(shù)以其無創(chuàng)、便捷、高效等優(yōu)點(diǎn)已成為生物醫(yī)學(xué)領(lǐng)域的先進(jìn)研究手段。隨著光譜分辨率的不斷提高以及波段范圍的拓展,生物組織的測(cè)量光譜蘊(yùn)含著更為豐富的反映組織細(xì)胞生理、病理變化的微觀結(jié)構(gòu)及成分信息,使醫(yī)學(xué)活體無創(chuàng)光譜檢測(cè)技術(shù)具有很高的可行性。然而個(gè)體差異及各組分診斷光譜的大量交疊使得組織的光譜信息與待測(cè)目標(biāo)間關(guān)系存在著很強(qiáng)的模糊性及復(fù)雜的非線性,以致于對(duì)這些高維、強(qiáng)相關(guān)的光譜數(shù)據(jù)分析及處理面臨著嚴(yán)峻挑戰(zhàn)。亟需借助并構(gòu)建合適的數(shù)據(jù)挖掘智能

2、算法用以提取客觀表征測(cè)量目標(biāo)的光學(xué)特性,以期能揭示組織生理、病理變化與光譜信息之間隱含的客觀規(guī)律。
　　舌是觀察體內(nèi)功能變化及疾病信息的重要窗口,是人體醫(yī)學(xué)無創(chuàng)檢測(cè)的最佳測(cè)量點(diǎn)之一。基于舌部特征信息進(jìn)行臨床診斷是無創(chuàng)醫(yī)學(xué)檢測(cè)的重要命題之一。本文以光譜技術(shù)用于舌診客觀化為研究背景,將血清多種蛋白含量定量檢測(cè)作為研究載體,針對(duì)光譜數(shù)據(jù)與血清蛋白含量間的復(fù)雜模糊的非線性映射,致力于對(duì)高維醫(yī)學(xué)光譜數(shù)據(jù)智能分析方法的若干關(guān)鍵技術(shù)進(jìn)行研究,以

3、為推動(dòng)此類醫(yī)學(xué)無創(chuàng)光譜檢測(cè)進(jìn)一步的探索及發(fā)展提供思路、方法及技術(shù)支持。
　　1.鑒于舌與生理病理信息之間存在著復(fù)雜且模糊的映射關(guān)系,針對(duì)當(dāng)前舌診客觀化信息采集的局限性及處理模式存在將混合信息體割裂提取以致重要內(nèi)涵丟失的缺陷,提出了采集攜帶組織微觀結(jié)構(gòu)變化的舌象高光譜信息來改善信息獲取方式,將舌體交疊混合的圖譜信息作為一個(gè)整體進(jìn)行分析,結(jié)合多種線性與非線性數(shù)據(jù)挖掘算法以黑箱模式關(guān)聯(lián)生化、生理或病理信息,提取特異性光譜指標(biāo)群的新模式;

4、所提取的光譜指標(biāo)群有望作為病因病機(jī)分析的客觀依據(jù)。該模式為后續(xù)相關(guān)研究提供了可借鑒的思路。
　　2.探討了一種基于舌近紅外光譜的人體血清白蛋白、球蛋白和總蛋白三種生化指標(biāo)的無創(chuàng)檢測(cè)方法。并以此為載體分析了不同建模算法的擬合非線性映射的能力。運(yùn)用不同的數(shù)據(jù)挖掘方法建立了蛋白成分的定量預(yù)測(cè)模型,通過實(shí)驗(yàn)分析證明了基于舌的近紅外光譜進(jìn)行血清蛋白含量檢測(cè)具有較高的可行性,將有望為臨床蛋白成分檢測(cè)提供一種便捷、無創(chuàng)的先進(jìn)手段。同時(shí)也驗(yàn)證了支

5、持向量機(jī)可有效抵抗活體檢測(cè)定量分析中存在的非線性因素,提高模型的魯棒性,進(jìn)一步地能夠作為最佳波長(zhǎng)選擇的評(píng)判依據(jù)。
　　3.針對(duì)體內(nèi)各組分的特征譜峰存在嚴(yán)重混疊現(xiàn)象,從而導(dǎo)致診斷光譜信號(hào)微弱且存在不確定性,提出了一種對(duì)非線性映射敏感的波段組合提取方案。該方案以支持向量機(jī)交叉驗(yàn)證預(yù)測(cè)精度作為各波長(zhǎng)或波長(zhǎng)組合的非線性映射辨識(shí)能力的評(píng)判標(biāo)準(zhǔn),分別設(shè)計(jì)了非線性區(qū)間選擇法和自適應(yīng)遺傳尋優(yōu)算法,其中前者針對(duì)高維光譜數(shù)據(jù)進(jìn)行粗選以鎖定特征波長(zhǎng)所在

6、區(qū)間,后者則在這些區(qū)間內(nèi)通過全局尋優(yōu)搜索策略精選最佳波段組合。將該方案用于舌的近紅外光譜數(shù)據(jù)的波長(zhǎng)挑選,在降低了三種血清蛋白含量檢測(cè)模型復(fù)雜度的同時(shí),有效的提高了非線性模型的預(yù)測(cè)能力,進(jìn)一步克服了因譜峰混疊及個(gè)體差異等引起的非線性因素。
　　4.提高模型泛化能力及普適性需要對(duì)大動(dòng)態(tài)范圍的大規(guī)模樣本集進(jìn)行深度挖掘?；谶@個(gè)前提,針對(duì)智能分析算法中最耗時(shí)的支持向量機(jī)交叉驗(yàn)證的計(jì)算效率問題,選擇性價(jià)比高的GPU并行平臺(tái),提出且開發(fā)了支持

7、向量機(jī)交叉驗(yàn)證的細(xì)粒度并行算法。通過對(duì)不同中、大尺度基準(zhǔn)集的測(cè)試,該算法充分調(diào)度了并行資源,有效并發(fā)交叉驗(yàn)證計(jì)算任務(wù),在保證計(jì)算精度的前提下,顯著的提升了計(jì)算效率,特別對(duì)高維光譜等此類稠密數(shù)據(jù)性能提升更為明顯。這對(duì)將智能分析算法推廣到中大尺度光譜數(shù)據(jù)中進(jìn)行深度挖掘提供了技術(shù)支持。此外,針對(duì)該方案對(duì)小樣本數(shù)據(jù)集加速不顯著問題,進(jìn)一步擴(kuò)展并提出了一種基于GPU支持向量機(jī)網(wǎng)格搜索并行策略,在對(duì)58例近紅外光譜數(shù)據(jù)的參數(shù)選擇測(cè)試中獲得了36.0