基于多任务学习的质谱多标志物识别与定量方法和系统与流程

本技术涉及临床质谱分析，具体而言，涉及基于多任务学习的质谱多标志物识别与定量方法和系统。

背景技术：

1、随着质谱技术在临床诊断与生物医药研究领域的广泛应用，液相色谱-串联质谱（lc-ms/ms）已成为生物样本中多标志物定性识别与定量分析的核心分析平台；然而，现有的质谱多标志物识别与定量方法仍存在若干技术局限性；首先，传统方法通常针对每个标志物分别构建独立的识别模型与定量模型，各模型之间缺乏特征共享与知识迁移机制，导致模型训练与推理过程存在大量计算资源冗余，且当标志物种类增多时系统计算开销呈线性增长；其次，现有方法在数据处理阶段往往仅利用质谱原始信号数据进行分析，忽略了样本元数据与仪器运行状态数据等辅助信息源，导致特征表征维度单一，影响了模型在复杂生物基质背景下的泛化能力；再次，现有方法缺乏有效的数据质量前置筛选机制，仪器漂移、基质效应异常或样本前处理偏差等问题产生的低质量数据被直接输入模型，严重影响了识别准确性与定量可靠性；此外，现有方法在定量结果修正方面通常采用静态校正因子，无法动态适应仪器工况变化与基质差异，导致定量结果在长时间连续运行场景下出现系统性偏差；最后，现有方法缺乏对模型处理效果的持续监测与自适应优化机制，模型部署后性能无法随数据分布漂移进行动态调整，导致长期运行中识别准确率与定量精密度逐渐下降。

2、因此，亟需一种基于多任务学习的质谱多标志物识别与定量方法和系统，以解决上述技术问题。

技术实现思路

1、本技术的目的在于提供基于多任务学习的质谱多标志物识别与定量方法和系统，可以通过获取待测生物样本的多源质谱检测数据，处理获得融合质谱特征数据集，根据融合质谱特征数据集执行门禁验证判定，若判定门禁验证通过，将融合质谱特征数据集输入预设多任务学习模型进行处理，获得各候选标志物的识别置信度数据以及定量浓度数据，对定量浓度数据进行修正处理，获得修正后定量浓度数据，根据识别置信度数据判定对应候选标志物的识别状态，根据标识状态获得各候选标志物的置信度等级，并执行差异化结果处理策略，监测预设时间段内差异化结果处理策略的执行效果，提取执行效果数据，并执行相应优化措施，实现基于多任务学习的质谱多标志物识别与定量的技术。

2、本技术还提供了基于多任务学习的质谱多标志物识别与定量方法，包括以下步骤：

3、获取待测生物样本的多源质谱检测数据，处理获得融合质谱特征数据集；

4、根据融合质谱特征数据集执行门禁验证判定；

5、若判定门禁验证通过，将融合质谱特征数据集输入预设多任务学习模型进行处理，获得各候选标志物的识别置信度数据以及定量浓度数据；

6、对定量浓度数据进行修正处理，获得修正后定量浓度数据，根据识别置信度数据判定对应候选标志物的识别状态；

7、根据标识状态获得各候选标志物的置信度等级，并执行差异化结果处理策略；

8、监测预设时间段内差异化结果处理策略的执行效果，提取执行效果数据，并执行相应优化措施。

9、可选地，在本技术所述的基于多任务学习的质谱多标志物识别与定量方法中，所述获取待测生物样本的多源质谱检测数据，处理获得融合质谱特征数据集，包括：

10、获取待测生物样本的多源质谱检测数据，包括质谱原始信号数据、样本元数据以及仪器运行状态数据；

11、所述质谱原始信号数据包括各质荷比通道的离子丰度数据、保留时间数据以及碎片离子丰度比数据；

12、所述样本元数据包括样本来源类型数据、样本前处理方法数据以及加标内标物配置数据；

13、所述仪器运行状态数据包括离子源温度数据、毛细管电压数据以及碰撞能量数据；

14、根据质谱原始信号数据、样本元数据以及仪器运行状态数据通过预设多源融合模型进行加权融合处理，获得融合质谱特征数据集。

15、可选地，在本技术所述的基于多任务学习的质谱多标志物识别与定量方法中，所述根据融合质谱特征数据集执行门禁验证判定，包括：

16、将融合质谱特征数据集与预设历史质谱特征基线数据进行逐维度对比，获得各维度的特征偏差值；

17、根据各维度的特征偏差值通过预设偏差评估模型进行综合计算，获得历史交叉验证偏差率；

18、将历史交叉验证偏差率与预设偏差阈值进行阈值对比；

19、若历史交叉验证偏差率小于或等于预设偏差阈值，则判定门禁验证通过；

20、若历史交叉验证偏差率大于预设偏差阈值，则判定门禁验证不通过，将融合质谱特征数据集标记为异常数据并输出异常预警信息，同时将异常数据存入预设异常特征数据库。

21、可选地，在本技术所述的基于多任务学习的质谱多标志物识别与定量方法中，所述若判定门禁验证通过，将融合质谱特征数据集输入预设多任务学习模型进行处理，获得各候选标志物的识别置信度数据以及定量浓度数据，包括：

22、若判定门禁验证通过，获取预设多任务学习模型，所述预设多任务学习模型包括共享编码器网络以及并联的任务解耦解码器网络；

23、所述共享编码器网络用于提取跨标志物的公共质谱语义特征表示；

24、所述任务解耦解码器网络包括保留时间定位解码器、碎片离子识别解码器以及浓度定量解码器；

25、将融合质谱特征数据集输入预设多任务学习模型进行处理，获得各候选标志物的识别置信度数据以及定量浓度数据。

26、可选地，在本技术所述的基于多任务学习的质谱多标志物识别与定量方法中，所述对定量浓度数据进行修正处理，获得修正后定量浓度数据，根据识别置信度数据判定对应候选标志物的识别状态，包括：

27、对定量浓度数据进行异动因子识别与数据修正处理，获得修正后定量浓度数据；

28、所述异动因子识别与数据修正处理包括获取仪器漂移异动因子以及基质干扰异动因子；

29、在预设时间窗口内对识别置信度数据进行连续多次阈值对比，获得多个阈值对比结果并合成动态阈值集；

30、统计动态阈值集中超标结果的频次，若所述超标结果的频次超过预设频次阈值，则判定对应标志物的识别状态为确认识别；

31、若所述超标结果的频次未超过预设频次阈值，则判定对应标志物的识别状态为待确认识别；

32、调整检测参数后重新采集第二组识别置信度动态特征值进行第二动态阈值集超频检验；

33、若第二动态阈值集的超标结果的频次超过所述预设频次阈值，则判定为确认识别；

34、否则继续调整直到获得确认识别或达到最大调整次数后标记为未识别。

35、可选地，在本技术所述的基于多任务学习的质谱多标志物识别与定量方法中，所述根据标识状态获得各候选标志物的置信度等级，并执行差异化结果处理策略，包括：

36、获取预设标志物置信度等级阈值集，所述预设标志物置信度等级阈值集包括第一预设置信度等级阈值以及第二预设置信度等级阈值，且所述第一预设置信度等级阈值小于所述第二预设置信度等级阈值；

37、根据确认识别的标志物获取对应的修正后识别置信度数据，与所述预设标志物置信度等级阈值集进行三级阈值对比；

38、若修正后识别置信度数据大于或等于第二预设置信度等级阈值，则对应的置信度等级为高置信，执行第一处理策略；

39、所述第一处理策略为直接输出该标志物的定量报告数据并发送至预设报告终端；

40、若修正后识别置信度数据大于第一预设置信度等级阈值且小于第二预设置信度等级阈值，则对应的置信度等级为中置信，执行第二处理策略；

41、所述第二处理策略为触发二级检测流程，所述二级检测流程包括提高碰撞能量重新采集碎片离子数据并重新进行多任务学习模型处理；

42、若修正后识别置信度数据小于或等于第一预设置信度等级阈值，则对应的置信度等级为低置信，执行第三处理策略；

43、所述第三处理策略为将该标志物的特征数据存入预设可疑标志物特征库并标记为待人工复核。

44、可选地，在本技术所述的基于多任务学习的质谱多标志物识别与定量方法中，所述监测预设时间段内差异化结果处理策略的执行效果，提取执行效果数据，并执行相应优化措施，包括：

45、监测预设时间段内差异化结果处理策略的执行情况，提取执行效果数据，所述执行效果数据包括识别准确率数据、定量精密度数据以及处理效率数据；

46、根据所述识别准确率数据、定量精密度数据以及处理效率数据进行加权处理，获得效果综合系数；

47、将效果综合系数与预设效果阈值进行阈值对比；

48、若效果综合系数大于或等于预设效果阈值，则判定执行效果达标，维持当前模型参数不变；

49、若效果综合系数小于预设效果阈值，则判定执行效果不达标，触发模型参数优化流程；

50、所述模型参数优化流程包括调整多任务学习模型的共享编码器网络层数、任务解耦解码器的训练权重分配以及多源融合模型的权重参数；

51、在模型参数优化完成后，重新监测下一预设时间段内的执行效果数据并进行第二次效果闭环验证，若第二次效果综合系数仍小于预设效果阈值，则输出模型优化预警信息至预设运维终端。

52、第二方面，本技术提供了基于多任务学习的质谱多标志物识别与定量系统，该系统包括：存储器及处理器，所述存储器中包括基于多任务学习的质谱多标志物识别与定量方法的程序，所述基于多任务学习的质谱多标志物识别与定量方法的程序被所述处理器执行时实现以下步骤：

53、获取待测生物样本的多源质谱检测数据，处理获得融合质谱特征数据集；

54、根据融合质谱特征数据集执行门禁验证判定；

55、若判定门禁验证通过，将融合质谱特征数据集输入预设多任务学习模型进行处理，获得各候选标志物的识别置信度数据以及定量浓度数据；

56、对定量浓度数据进行修正处理，获得修正后定量浓度数据，根据识别置信度数据判定对应候选标志物的识别状态；

57、根据标识状态获得各候选标志物的置信度等级，并执行差异化结果处理策略；

58、监测预设时间段内差异化结果处理策略的执行效果，提取执行效果数据，并执行相应优化措施。

59、可选地，在本技术所述的基于多任务学习的质谱多标志物识别与定量系统中，所述获取待测生物样本的多源质谱检测数据，处理获得融合质谱特征数据集，包括：

60、获取待测生物样本的多源质谱检测数据，包括质谱原始信号数据、样本元数据以及仪器运行状态数据；

61、所述质谱原始信号数据包括各质荷比通道的离子丰度数据、保留时间数据以及碎片离子丰度比数据；

62、所述样本元数据包括样本来源类型数据、样本前处理方法数据以及加标内标物配置数据；

63、所述仪器运行状态数据包括离子源温度数据、毛细管电压数据以及碰撞能量数据；

64、根据质谱原始信号数据、样本元数据以及仪器运行状态数据通过预设多源融合模型进行加权融合处理，获得融合质谱特征数据集。

65、可选地，在本技术所述的基于多任务学习的质谱多标志物识别与定量系统中，所述根据融合质谱特征数据集执行门禁验证判定，包括：

66、将融合质谱特征数据集与预设历史质谱特征基线数据进行逐维度对比，获得各维度的特征偏差值；

67、根据各维度的特征偏差值通过预设偏差评估模型进行综合计算，获得历史交叉验证偏差率；

68、将历史交叉验证偏差率与预设偏差阈值进行阈值对比；

69、若历史交叉验证偏差率小于或等于预设偏差阈值，则判定门禁验证通过；

70、若历史交叉验证偏差率大于预设偏差阈值，则判定门禁验证不通过，将融合质谱特征数据集标记为异常数据并输出异常预警信息，同时将异常数据存入预设异常特征数据库。

71、由上可知，本技术提供的基于多任务学习的质谱多标志物识别与定量方法和系统，通过获取待测生物样本的多源质谱检测数据，处理获得融合质谱特征数据集，根据融合质谱特征数据集执行门禁验证判定，若判定门禁验证通过，将融合质谱特征数据集输入预设多任务学习模型进行处理，获得各候选标志物的识别置信度数据以及定量浓度数据，对定量浓度数据进行修正处理，获得修正后定量浓度数据，根据识别置信度数据判定对应候选标志物的识别状态，根据标识状态获得各候选标志物的置信度等级，并执行差异化结果处理策略，监测预设时间段内差异化结果处理策略的执行效果，提取执行效果数据，并执行相应优化措施，从而实现基于多任务学习的质谱多标志物识别与定量的技术。

72、本技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术实施例了解。本技术的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。