买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东第一医科大学附属省立医院(山东省立医院)

摘要：本发明公开了一种基于大数据的类器官异常监测系统，具体涉及数据监测技术领域，包括数据采集模块、类器官异常评估模块、异常影响评估模块和算法处理模块。数据采集模块，对目标类器官进行监测，采集形态异常信息、功能异常信息和基因表达信息以及细胞水平信息、临床影响信息和成本信息和移植后的实时数据，本发明基于对目标类器官的形态异常信息、功能异常信息和基因表达信息进行分析评估，评估目标类器官的异常程度，当判断异常程度高时，构建异常影响评估模型，获取类器官移植后对患者的异常影响评估指数，再构建卷积神经网络模型，从而实现对类器官的异常实时监测，合理分配医疗资源，确保及时发现并处理异常情况。

主权项：1.一种基于大数据的类器官异常监测系统，其特征在于，包括如下模块：数据采集模块，对目标类器官进行监测，采集形态异常信息、功能异常信息和基因表达信息以及细胞水平信息、临床影响信息和成本信息和移植后的实时数据；类器官异常评估模块，构建类器官异常评估模型，对目标类器官异常程度进行评估；异常影响评估模块，对于类器官异常程度高的区域，结合细胞水平信息、临床影响信息和成本信息构建异常影响评估模型，获取目标类器官对患者的异常影响指数；算法处理模块，以类器官异常评估指数、异常影响评估指数和移植后的实时数据作为因素建立卷积神经网络模型，对卷积神经网络模型进行类器官异常实时监测，并根据监测结果决定是否发出报警；在类器官异常评估模块中，构建类器官异常评估模型，具体过程为采集目标类器官的形态异常信息、功能异常信息和基因表达信息，其中形态异常信息包括形态异常系数，标定为Xyc，功能异常信息包括功能异常系数，标定为Gyc，基因表达信息包括基因表达系数，标定为Jbd；形态异常系数Xyc通过采集目标类器官周长和面积，分别标定为Zc和Mj，则目标类器官的圆度为获取数据库中同一类型类器官圆度平均值，标定为则形态异常系数功能异常系数Gyc通过采集目标类器官对应的分泌物，包括激素、酶或代谢产物，将类器官中的分泌物浓度标定为Fn，获取数据库中的同一类型类器官同种分泌物浓度，并标定为Fx，x为数据库中的类器官编号，x＝1、2、3、4、……、u，u为正整数，则功能异常系数基因表达系数Jbd通过qPCR、RNA测序或单细胞RNA测序技术分析类器官内基因的表达谱，通过对比数据库中的同一类型类器官基因表达，获取基因重合度，标定为Cj，通过WesternBlot、ELISA或质谱技术检测类器官内蛋白质的表达水平和修饰状态，通过对比数据库中的同一类型类器官蛋白质的表达水平和修饰状态，获取蛋白质表达重合度，标定为Cd，则基因表达系数Jbd＝Cj+Cd；类器官异常评估模型分别由目标类器官的形态异常信息、功能异常信息和基因表达信息三方面加权构建而成，生成类器官异常评估指数YCpg，对应的系数分别为形态异常系数Xyc、功能异常系数Gyc、基因表达系数Jbd，构成的公式为YCpg＝a1×Xyc+a2×Gyc-a3×Jbd，a1、a2、a3则是相应指标的权重系数，均大于0；在类器官异常评估模块中，当类器官异常评估指数YCpg大于设定的异常阈值时，输出高异常数据信号，进行后续评估；当类器官异常评估指数YCpg小于等于设定的异常阈值时，直接输出评估结果，不再进行后续步骤；在异常影响评估模块中，在接收到高异常数据信号后，构建异常影响评估模型，具体过程为采集目标类器官的细胞水平信息、临床影响信息和成本信息，其中细胞水平信息包括细胞水平系数，标定为Sxb，临床影响信息包括临床影响系数，标定为Ylc，成本信息包括成本系数，标定为Cbx；细胞水平系数Sxb通过采集目标类器官移植人体一周内的细胞存活数量，标定为Hy，获取人体移植目标异常类器官前一周的细胞存活数量，标定为Hq，则细胞水平系数Sxb＝Hq-Hy；临床影响系数Ylc通过采集目标类器官移植后患者正常生活的时间，标定为Th，获取同一病症下未进行类器官移植的患者正常生活的时间，标定为Tw，w为未进行类器官移植的患者编号，w＝1、2、3、4、……、v，v为正整数，则临床影响系数成本系数Cbx通过收集目标类器官培养和移植成本，标定为Cy，统计患者家庭平均年收入，标定为Ns，则成本系数Cbx＝CyNs；异常影响评估模型分别由目标类器官的细胞水平信息、临床影响信息和成本信息三方面加权构建而成，生成异常影响评估指数YXpg，对应的系数分别为细胞水平系数Sxb、临床影响系数Ylc、成本系数Cbx，构成的公式为YXpg＝β1×Sxb-β2×Ylc+β3×Cbx，β1、β2、β3则是相应指标的权重系数，均大于0；在异常影响评估模块中，当异常影响评估指数YXpg大于设定的影响阈值时，输出检测数据信号，建议移植后配备类器官监测系统，并进行后续评估；当异常影响评估指数YXpg小于等于设定的影响阈值时，说明目标类器官造成的影响程度低，直接输出评估结果，不再进行后续步骤；在算法处理模块中，以类器官异常评估指数、异常影响评估指数和类器官实时数据作为卷积神经网络模型的构建因素，建立卷积神经网络模型使得用户实现对移植后类器官异常的实时监测；进一步的，卷积神经网络模型的构建方法如下：步骤S4.1，通过传感器采集已移植类器官的实时图像数据和相关的生理参数，并对采集到的图像数据进行预处理将预处理后的数据集划分为训练集、验证集和测试集；步骤S4.2，定义卷积神经网络模型的结构，包括卷积层、激活函数、池化层、全连接层，输入层确定输入图像尺寸，然后添加若干卷积层，提取图像的空间特征，构建卷积层，数学表达为Convx＝x*w+b，其中，x是输入图像，w是卷积核，b是偏置，激活函数定义为ReLUx＝max0，x，再添加池化层，从而减少特征图的尺寸，保留重要特征，随后添加全连接层，将卷积层和池化层提取的特征用于分类，全连接运算公式为y＝σWx+b，其中，W是权重矩阵，b是偏置，σ是激活函数，最后添加输出层，根据具体任务设置输出节点数和激活函数：步骤S4.3，使用训练集对模型进行训练，通过前向传播计算模型输出：其中，是预测输出，x是输入图像，θ是模型参数，再根据预测结果和真实标签计算损失：然后以反向传播计算损失对模型参数的梯度：其中，η是学习率，是损失函数对参数的梯度，根据获得的结果使用优化器更新模型参数；步骤S4.4，使用验证集对模型进行验证，调整模型参数和超参数，使用测试集评估模型的性能，计算准确率、精确率、召回率、F1分数指标，将训练好的模型部署在实时监测系统中，对类器官进行持续监测，在检测到异常时，及时发出报警。

全文数据：

权利要求：

百度查询： 山东第一医科大学附属省立医院(山东省立医院) 一种基于大数据的类器官异常监测系统