基于红外光谱融合和学习向量化神经网络的肿瘤诊断方法

技术领域

本发明属于肿瘤组织诊断技术领域，具体地说是一种基于光谱融合和学习向量化神经网络的肿瘤组织诊断方法。

背景技术

恶性肿瘤严重威胁人类的健康和生命安全。据国际癌症研究机构调查，2018年内全球185个地区，共出现1810万癌症患者，960万人因癌症死亡。早发现早治疗是提高癌症治愈率的关键。目前，癌症的诊断手段包含肿瘤标志物筛查、影像学检查、病理学诊断等，其中，病理学诊断是诊断肿瘤的金标准。然而，病理学诊断操作过程繁琐，往往需要几天才能给出诊断结果，且易受人为因素干扰，因此，急需一种快速、准确的肿瘤组织诊断方法。

傅里叶红外光谱技术是一种能够从分子基团水平研究生物组织的技术。它能够通过组织内生物大分子基团的振动光谱变化来测定组织内生物大分子构象、数量的变化。早期肿瘤组织在影像学上尚未有明显的变化，但是在红外光谱已有变化。已有的利用傅里叶红外光谱技术研究肿瘤组织的工作多是研究单一分子基团特征峰的峰高、峰面积或者二者的比例与肿瘤恶性程度的关系。关于利用傅里叶红外光谱实现肿瘤组织诊断的技术还未见报道。

发明内容

本发明的目的是提供一种基于红外光谱融合和学习向量化神经网络的肿瘤诊断方法，利用肿瘤组织的红外光谱，实现快速、准确的诊断肿瘤组织。本发明将组织内分子振动基团的所有光谱融合为一个特征向量，保留分子基团振动的有用信息，又丢掉了光谱测量范围内与生物分子基团无关的信息，结合光谱融合和学习向量化神经网络，完成肿瘤组织诊断的目的。

学习向量化神经网络算法是一种在有监督状态下训练竞争层的神经网络算法。与其他机器学习算法相比，学习向量化神经网络的优点在于结构非常简单，只通过内部单元的相互作用就可以完成十分复杂的分类处理，而且它不需要对输入向量进行归一化、正交化处理，只需要计算输入向量和竞争层之间的距离，即可实现分类的目的。

本发明通过以下技术方案实现：

一种基于红外光谱融合和学习向量化神经网络的肿瘤诊断方法，其特殊之处在于，包括以下步骤：

步骤1：利用傅里叶红外光谱仪获取肿瘤组织的红外吸收光谱；

步骤2：对肿瘤组织的红外吸收光谱进行预处理以降低肿瘤组织样品不平整或者厚度不均匀造成的误差，提高光谱信噪比；

步骤3：将预处理后红外吸收光谱中生物大分子振动特征区的光谱融合为特征向量；

步骤4：将特征向量输入学习向量化神经网络，构建基于学习向量化神经网络的肿瘤诊断模型；

步骤5：按照步骤1、2和3的处理方法将待诊断肿瘤组织处理后，得到待诊断特征向量，将待诊断特征向量输入到步骤4构建好的肿瘤诊断模型，即可得到待诊断肿瘤组织的诊断结果。

进一步地，步骤4的具体过程如下：

步骤4.1、初始化竞争层神经元i和输入层的神经元j之间的权值ω

步骤4.2、计算输入的特征向量x＝(x

式中，ω

步骤4.3、选择与输入特征向量距离最小的竞争层神经元，若d

步骤4.4、记输入特征向量对应的类标签为C

ω

否则，按如下方法迭代更新权值：

ω

其中ω

步骤4.5、判断是否满足预先设定的最大迭代次数，满足时算法结束，获得肿瘤诊断模型，否则返回步骤4.2，进入下一轮学习。

进一步地，步骤1中所述傅里叶红外光谱仪为Nicolet 6700傅里叶红外光谱仪。

进一步地，步骤2中采用自动基线矫正以降低样品不平整或者厚度不均匀造成的误差；采用Savitzky-Golay平滑法提高光谱信噪比。

进一步地，步骤3中所述的生物大分子振动特征区位于3700-2700cm

本发明的有益效果是：

本发明基于傅里叶红外光谱能够反映组织内生物大分子构象、含量的变化特性与基于学习向量化神经网络的结构简单、计算量小的特性，将傅里叶红外光谱和学习向量化神经网络结合起来，能够更加快速、更加准确地对肿瘤组织恶性程度做出诊断，在肿瘤诊断中具有良好的应用前景。

附图说明

图1是基于光谱融合和学习向量化神经网络的肿瘤组织诊断方法流程图；

图2是学习向量化神经网络的结构图；

图3是实施例一中肝癌组织和正常组织的红外光谱特征区对比示意图；

图4是实施例二中学习向量化神经网络模型对神经胶质瘤组织恶性级别的诊断效果；

注：黑色圆点为训练集高级别神经胶质瘤，灰色圆点为训练集低级别神经胶质瘤；黑色星形为测试集高级别神经胶质瘤，灰色星形为测试集低级别神经胶质瘤；

图5是实施例二中学习向量化神经网络在神经胶质瘤组织恶性分类的性能评估。

具体实施方式

以下结合附图及具体实施例对本发明进行详细的描述。应当理解，此处描述的具体实施例仅用于解释本发明，并不用于限定本发明。

实施例一

如图1所示，本实施例基于光谱融合和学习向量化神经网络的肝癌组织诊断方法，包括以下步骤：

步骤1：采集肿瘤组织的傅里叶红外吸收光谱：肿瘤组织样本为肝癌组织和正常组织。利用傅里叶红外光谱仪Nicolet 6700测试数据，扫描光谱范围为4000-600cm

步骤2：对肿瘤组织的红外光谱进行预处理，用自动基线矫正和Savitzky-Golay平滑法对红外光谱进行预处理。

步骤3：特征向量融合，将每条光谱中的生物大分子基团振动特征区融合为特征向量，在本例中，3700-2700cm

步骤4：将特征向量输入学习向量化神经网络(如图2所示)，构建基于学习向量化神经网络的肿瘤诊断模型，具体过程如下：

(1)初始化输入层与竞争层的权值w

(2)计算输入向量x＝(x

式中，w

(3)选择与输入向量距离最小的竞争层神经元，若d

(4)记输入向量对应的类标签为C

ω

否则，按如下方法进行权值更新：

ω

(5)判断是否满足预先设定的最大迭代次数，满足时算法结束，否则返回(2)，进入下一轮学习。

构建模型的诊断准确率通过交叉留一法测试得到，在100条肝癌组织光谱和100条正常组织的光谱数据基础上，本发明中模型的诊断准确率96.87％，标准差为0.97％，本发明对肝癌诊断具有较好的效果。

步骤5：对于待检测组织按照步骤1、2和3处理后得到的特征向量，输入到步骤4构建好的学习向量化神经网络模型，也可得到待检测组织的诊断结果。

实施例二

如图1所示，本实施例基于光谱融合和学习向量化神经网络的神经胶质瘤组织恶性程度的诊断方法，包括以下步骤：

步骤1：采集肿瘤组织的傅里叶红外吸收光谱：肿瘤组织样本为高级别神经胶质瘤组织(WHO III/IV)和低级别神经胶质瘤组织(WHO I/II)。利用傅里叶红外光谱仪Nicolet6700测试数据，扫描光谱范围为4000-600cm

步骤2：对肿瘤组织的红外光谱进行预处理，使用自动基线矫正和Savitzky-Golay平滑法对红外光谱进行预处理。

步骤3：特征向量融合，将每条光谱中的生物大分子基团振动特征区融合为特征向量。在本例中，3700-2700cm

步骤4：将特征向量输入学习向量化神经网络，构建基于学习向量化神经网络的肿瘤诊断模型，具体过程如下：

(1)初始化输入层与竞争层的权值w

(2)计算输入向量x＝(x

式中，w

(3)选择与输入向量距离最小的竞争层神经元，若d

(4)记输入向量对应的类标签为C

ω

否则，按如下方法进行权值更新：

ω

(5)判断是否满足预先设定的最大迭代次数，满足时算法结束，否则返回(2)，进入下一轮学习。

构建模型的诊断准确率通过交叉留一法测试得到，在4750条高级别神经胶质瘤组织(WHO III/IV)光谱和4610条低级别神经胶质瘤组织光谱数据基础上，本发明中的模型在对神经胶质瘤的恶性级别的诊断准确率在训练集上为99％，测试集上为98％(图4)，同时敏感度和特异性均大于98％(图5)。本发明对诊断神经胶质瘤组织的恶性程度具有较好的效果。

步骤5：对于待检测组织按照步骤1、2和3处理后得到的特征向量，输入到步骤4构建好的学习向量化神经网络模型，也可得到待检测组织的诊断结果。