買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜廣東省人民醫(yī)院申請的專利一種基于深度學(xué)習(xí)的感染類疾病無創(chuàng)診斷方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114512244B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-05-06發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202111496240.1，技術(shù)領(lǐng)域涉及：G16H50/80；該發(fā)明授權(quán)一種基于深度學(xué)習(xí)的感染類疾病無創(chuàng)診斷方法是由張鎮(zhèn)海;余學(xué)清;陳淵;藍(lán)春紅;張艷芳設(shè)計(jì)研發(fā)完成，并于2021-12-09向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于深度學(xué)習(xí)的感染類疾病無創(chuàng)診斷方法在說明書摘要公布了：本發(fā)明提供了一種基于深度學(xué)習(xí)的感染類疾病無創(chuàng)診斷方法和系統(tǒng)：包括以下特征：獲取樣本抗體組庫數(shù)據(jù)，確定訓(xùn)練集和測試集；針對所述抗體組庫數(shù)據(jù)，提取組庫水平特征和序列水平特征；利用所提取的組庫水平特征和所提取的序列水平特征，分別構(gòu)建初始的預(yù)測模型；利用訓(xùn)練集對初始的預(yù)測模型進(jìn)行訓(xùn)練，篩選出需要保留的組庫水平特征和序列水平特征；通過給初始的預(yù)測模型分別輸入所篩選出的組庫水平特征和序列水平特征，獲得優(yōu)化的預(yù)測模型；利用優(yōu)化的預(yù)測模型對測試集進(jìn)行性能評估。該方法可以有效挖掘隱含在高多樣性抗體組庫中的疾病關(guān)聯(lián)信息，有效提高預(yù)測模型的診斷精度。

本發(fā)明授權(quán)一種基于深度學(xué)習(xí)的感染類疾病無創(chuàng)診斷方法在權(quán)利要求書中公布了：1.一種基于深度學(xué)習(xí)的感染類疾病無創(chuàng)診斷方法，其特征在于，所示方法包括以下步驟：1收集一定數(shù)量的病原體感染樣本和一定數(shù)量的健康對照樣本，將所收集的所有病原體感染樣本和健康對照樣本按照一定的比例隨機(jī)分配為訓(xùn)練集和測試集；2獲取步驟1中樣本的抗體組庫數(shù)據(jù)；3針對所述抗體組庫數(shù)據(jù)，分別提取組庫水平特征和序列水平特征，所提取的組庫水平特征至少包括：1V基因片段使用頻率，2V-J基因片段聯(lián)合使用頻率、3αEvenness指標(biāo)，4多樣性指數(shù)；所提取的序列水平特征包括：1CDR3氨基酸序列的至少兩種理化特征：KF8和F5，2序列頻率，3read復(fù)雜度；4利用所提取的組庫水平特征和所提取的序列水平特征，分別構(gòu)建初始的組庫水平模型和初始的序列水平模型；所述初始的組庫水平模型為一個(gè)三層全連接深度神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、第二隱層、第三隱層和結(jié)果輸出層；輸入層是由所提取的所有組庫水平特征組成的一維特征向量；第二、三隱層分別包含了256和64個(gè)節(jié)點(diǎn)，其輸出均引入ReLU激活函數(shù)以及30％的節(jié)點(diǎn)丟棄正則化處理；組庫水平模型參數(shù)尋優(yōu)采用學(xué)習(xí)率為0.01的AdamOptimizer優(yōu)化器，訓(xùn)練epoch與batchsize均設(shè)置為100；結(jié)果輸出層的激活函數(shù)為Softmax；所述初始的序列水平模型包括輸入層、第一層卷積層、第二卷積層、第三卷積層、全連接層、平均池化層和結(jié)果輸出層；輸入層是由所提取的所有序列水平特征組成的160×160的二維矩陣，每行表示一條抗體分子，每列表示一個(gè)序列水平特征；第一層卷積層由512個(gè)1×160的過濾器組成，步長設(shè)置為160，填充參數(shù)設(shè)置為0，激活函數(shù)為ReLU，其后接入一個(gè)1×2的平均池化層；第二卷積層由256個(gè)3×1過濾器組成，步長與填充參數(shù)均設(shè)置為1，激活函數(shù)為ReLU，其后接入一個(gè)1×2的平均池化層；第三卷積層由128個(gè)3×1過濾器組成，步長與填充參數(shù)均設(shè)置為1，激活函數(shù)為ReLU，其后接入一個(gè)1×2的平均池化層；第三卷積層后接入三層基于ReLU激活函數(shù)的全連接層，節(jié)點(diǎn)數(shù)分別為2560、1000與64；結(jié)果輸出層的激活函數(shù)為Sigmoid；序列水平模型參數(shù)尋優(yōu)采用學(xué)習(xí)率為0.01的AdamOptimizer優(yōu)化器，訓(xùn)練epoch與batchsize分別為250與50；5基于所構(gòu)建的初始的組庫水平特征模型，并基于步驟1中的訓(xùn)練集10次交叉測試判對率評價(jià)所提取的所有組庫水平特征的全部可能組合下的子集的重要程度，以訓(xùn)練精度最高為原則，篩選出需要保留的組庫水平特征，篩選后保留的組庫水平特征包括V基因片段使用頻率、V-J基因片段聯(lián)合使用頻率、αEvenness指標(biāo)和多樣性指數(shù)；基于所構(gòu)建的初始的序列水平特征模型，并基于步驟1中的訓(xùn)練集10次交叉測試判對率評價(jià)每個(gè)序列水平特征的重要程度，然后將每個(gè)序列水平特征按重要程度降序排列，逐個(gè)引入序列水平特征，若引入的序列水平特征不能增加模型訓(xùn)練精度，則剔除該序列水平特征，繼續(xù)引入下一個(gè)序列水平特征，直至遍歷所提取的全部序列水平特征，最終篩選出需要保留的序列水平特征，篩選后保留的序列水平特征包括read復(fù)雜度、序列頻率、KF8和F5；6通過給初始的組庫水平特征模型輸入所篩選出的組庫水平特征獲得優(yōu)化的組庫水平模型，通過初始的序列水平特征模型輸入所篩選出的序列水平特征，獲得優(yōu)化的序列水平模型；7利用優(yōu)化的組庫水平模型和優(yōu)化的序列水平模型對步驟1中的測試集進(jìn)行性能評估；在評估過程中，會輸出集成概率，所述集成概率為優(yōu)化的組庫水平模型的輸出概率和優(yōu)化的序列水平模型的輸出概率的平均值，若集成概率大于0.5，則測試樣本為病原體感染樣本，否則為健康對照樣本。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人廣東省人民醫(yī)院，其通訊地址為：510000 廣東省廣州市越秀區(qū)中山二路106號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。