使用色谱法对呼气样本的基于AI的分析的制作方法

摘要: 所述总体上涉及使用ai处理色谱样本的方法和系统,更具体地,涉及一种分析呼气样本的方法。背景技术:1、呼出气体中生物标志物的分析被认为是一种未来技术,可用于在诸如...
使用色谱法对呼气样本的基于AI的分析的制作方法

所述总体上涉及使用ai处理色谱样本的方法和系统,更具体地,涉及一种分析呼气样本的方法。

背景技术:

1、呼出气体中生物标志物的分析被认为是一种未来技术,可用于在诸如癌症等的病理的极早期(即0期)进行检测。呼出气体中含有痕量级的超过2000种的生物标志物。为了正确识别疾病,通常必须分析多种生物标志物,通常超过5种。对于大多数为呼出气体分析开发的传统分析方法而言,这些生物标志物的浓度及其比率被认为非常重要。30多年来,研究人员一直试图表征所有生物标志物,并将其或其中一组与特定病理相关联,这是一项非常困难的任务,极大地减缓了该技术在现实世界中实际应用的速度。

2、气相色谱法是一种非常强大的工具,用于分离各类样本的组分,包括呼气样本。色谱柱基于分子尺寸和极性等各种特性来分离生物标志物。结果得到色谱图。色谱图是色谱检测器信号作为时间函数的表示。检测器强度用于生成色谱峰。一峰与一个分子或生物标志物相关联。

3、在过去十年中,人工智能(ai)已在各个领域得到应用。ai是识别模式的非常强大的工具。在呼出气体分析领域,ai已被用于分析特定且已良好定量的生物标志物组。例如,传统色谱法(即具有可定量的明确定义色谱峰的色谱图)已与ai结合使用,以在已良好定量的分子内识别模式。另一个例子是将ai与所谓的电子鼻(enose)结合使用。电子鼻通常由响应特定分子或分子组的固态传感器阵列组成。在这些情况下,ai用于识别模式并将其与病理相关联。问题与传统色谱法相同:生物标志物必须已知。已知电子鼻中使用的固态传感器存在交叉干扰,这使得它们难以在实践中应用。此外,电子鼻仅提供与特定分子或分子组相关的信号,而色谱法可以在一次分析中测量数千种分子,提供更多信息和未来重新处理的机会,以提高呼出气体分析的精度和特异性。

4、本领域仍需要改进的用于呼气分析的方法与系统。

技术实现思路

1、根据一个方面,提供了一种用于分析呼气样本的方法。该方法包括:使用包括色谱柱和一个或多个检测器的色谱系统,获得至少一个色谱图,该色谱图代表呼气样本的组分从色谱柱随时间的洗脱,所述至少一个色谱图中的每一个限定作为时间函数的多个峰的2d图像;以及至少对所述至少一个色谱图运行训练好的机器学习模型,以基于所述至少一个色谱图中的峰形成的模式,推断呼气样本中病理的存在。该训练好的机器学习模型已用包括多个训练对的数据集进行了训练,所述多个训练对中的每一个包括从训练呼气样本获得的至少一个2d训练图像,以及对应于训练病理的至少一个标签。

2、根据另一个方面,提供了一种分析呼气样本的方法。该方法包括:使用包括一个或多个检测器的分析系统,获得至少一个图,该至少一个图将呼气样本的组分的分布表示为多个峰的2d图像,以及至少对所述至少一个图运行训练好的机器学习模型,以基于所述至少一个图中的峰形成的模式推断呼气样本中病理的存在。该训练好的机器学习模型已用包括训练对的数据集进行了训练,每个训练对包括从训练呼气样本获得的至少一个2d训练图像,以及对应于训练病理的至少一个标签。

3、根据另一个方面,提供了一种分析呼气样本的系统。该系统包括:色谱系统,其包括色谱柱和一个或多个检测器,配置为获得至少一个色谱图,其代表呼气样本的各组分从色谱柱随时间的洗脱,所述至少一个色谱图中的每一个限定作为时间函数的多个峰的2d图像,以及训练好的机器学习模型,配置为至少对所述至少一个色谱图运行,以基于所述至少一个色谱图中的峰形成的模式推断呼气样本中病理的存在。该训练好的机器学习模型已用包括多个训练对的数据集进行了训练,所述多个训练对中的每一个包括从训练呼气样本获得的至少一个2d训练图像,以及对应于训练病理的至少一个标签。

4、根据另一个方面,提供了一种用于分析呼气样本的系统。该系统包括:分析系统,包括一个或多个检测器,配置为获得至少一个图,该图将呼气样本的组分的分布表示为多个峰的2d图像,以及训练好的机器学习模型,其配置为至少对所述至少一个图运行,以基于所述至少一个图中的峰形成的模式推断呼气样本中病理的存在。该训练好的机器学习模型已用包括训练对的数据集进行了训练,每个训练对包括从训练呼气样本获得的至少一个2d训练图像,以及对应于训练病理的至少一个标签。

5、根据另一个方面,提供了一种非暂时性计算机可读介质。该计算机可读介质上存储有指令,当由一个或多个处理器执行时,所述指令使所述一个或多个处理器:使用包括色谱柱和一个或多个检测器的色谱系统,获得至少一个色谱图,该色谱图代表呼气样本的组分从色谱柱随时间的洗脱,所述至少一个色谱图中的每一个限定作为时间函数的多个峰的2d图像;以及至少在所述至少一个色谱图上运行训练好的机器学习模型,以基于所述至少一个色谱图中的峰形成的模式推断呼气样本中病理的存在。该训练好的机器学习模型已用包括多个训练对的数据集进行了训练,所述多个训练对中的每一个包括从训练呼气样本获得的至少一个2d训练图像,以及对应于训练病理的至少一个标签。

6、根据另一个方面,提供了一种非暂时性计算机可读介质。该计算机可读介质上存储有指令,当由一个或多个处理器执行时,所述指令使所述一个或多个处理器:使用包括一个或多个检测器的分析系统,获得至少一个图,该至少一个图将呼气样本的组分的分布表示为多个峰的2d图像;以及至少对所述至少一个图运行训练好的机器学习模型,以基于所述至少一个图中的峰形成的模式推断呼气样本中病理的存在。该训练好的机器学习模型已用包括训练对的数据集进行了训练,每个训练对包括从训练呼气样本获得的至少一个2d训练图像,以及对应于训练病理的至少一个标签。

1.一种分析呼气样本的方法,包括:

2.根据权利要求1所述的方法,其中,所述至少一个色谱图是经由多个检测器获得的多个色谱图。

3.根据权利要求1或2所述的方法,其中,所述机器学习模型包括:

4.根据权利要求3所述的方法,其中,所述编码器配置为接受三维张量作为输入,该方法还包括通过将由所述至少一个色谱图定义的图像分层来生成三维张量。

5.根据权利要求1或2所述的方法,其中,所述机器学习模型包括:

6.根据权利要求3至5中任一项所述的方法,还包括获得表征与呼气样本相关联的个体的数据,其中,所述多个训练对中的每一个还包括训练数据,并且其中,所述机器学习模型还在表征个体的数据上运行。

7.根据权利要求6所述的方法,还包括使用训练好的嵌入模型,基于表征个体的所述数据生成数据向量嵌入,其中,所述至少一个连接层中的第一连接层配置为接受所述数据向量嵌入作为附加输入。

8.根据权利要求6所述的方法,还包括:

9.一种分析呼气样本的方法,包括:

10.根据权利要求9所述的方法,其中,所述至少一个图是经由多个检测器获得的多个图。

11.根据权利要求9或10所述的方法,其中,分析系统是包括色谱柱的色谱系统,其中,所述至少一个图对应于代表呼气样本的组分从色谱柱随时间洗脱的至少一个色谱图,并且其中,所述至少一个2d图像中的每一个是所述多个峰作为时间函数的图像。

12.根据权利要求9至11中任一项所述的方法,还包括获得表征与所述呼气样本相关联的个体的数据,其中,所述多个训练对中的每一个还包括训练数据,并且其中,所述机器学习模型还在表征所述个体的数据上运行。

13.根据权利要求12所述的方法,其中,表征所述个体的所述数据包括年龄、体重、身高、当前生命体征、历史生命体征、当前症状、历史症状、体液分析结果和已知医学状况中的至少一种。

14.根据权利要求12或13所述的方法,还包括生成与所述至少一个2d图像相关联的至少一个栅格图像,所述至少一个栅格图像中的每一个对应于包括可配置数量的矩阵单元的矩阵,使得所述矩阵单元中的每个相应单元包括值,所述值指示在对应于所述相应单元的像素中线是否可见。

15.根据权利要求14所述的方法,其中,所述机器学习模型配置为至少接受所述至少一个栅格图像作为输入。

16.根据权利要求15所述的方法,其中,所述机器学习模型包括:

17.根据权利要求16所述的方法,其中,所述编码器配置为接受三维张量作为输入,该方法还包括通过分层所述至少一个栅格图像来生成三维张量。

18.根据权利要求15所述的方法,其中,所述机器学习模型包括:

19.根据权利要求18所述的方法,其中,所述多个编码器是相同的。

20.根据权利要求16至19中任一项所述的方法,还包括使用训练好的嵌入模型,基于表征所述个体的数据生成数据向量嵌入,其中,所述至少一个连接层中的第一连接层配置为接受所述数据向量嵌入作为附加输入。

21.根据权利要求16至19中任一项所述的方法,还包括:

22.根据权利要求9至21中任一项所述的方法,其中,所述至少一个概率包括与所述病理的存在相关联的第一概率和与所述病理的不存在相关联的第二概率。

23.根据权利要求9至21中任一项所述的方法,其中,所述至少一个概率包括与至少一种额外病症的存在和/或不存在相关联的至少一个额外概率。

24.根据权利要求9至23中任一项所述的方法,其中,所述至少一个训练图中的至少一些与表征吸烟习惯的训练呼气样本相关联。

25.根据权利要求9至24中任一项所述的方法,其中,所述至少一个训练图中的至少一些与表征肺癌和/或糖尿病的训练呼气样本相关联。

26.根据权利要求1至25中任一项所述的方法,其中,所述病理是癌症、呼吸系统疾病、肺部疾病、肾脏疾病、肝脏疾病、糖尿病、酒精中毒、器官排斥、睡眠呼吸暂停以及精神和/或身体压力中的一种。

27.一种分析呼气样本的系统,包括:

28.根据权利要求27所述的系统,其中,所述一个或多个检测器是配置为获得多个色谱图的多个检测器。

29.根据权利要求27或28所述的系统,其中,所述机器学习模型包括:

30.根据权利要求29所述的系统,其中,所述编码器配置为接受三维张量作为输入,还包括通过对由所述至少一个色谱图定义的图像进行分层,来生成所述三维张量。

31.根据权利要求27或28所述的系统,其中,所述机器学习模型包括:

32.根据权利要求29至31中任一项所述的系统,还包括记录系统,所述记录系统配置为提供表征与所述呼气样本相关联的个体的数据,其中,所述多个训练对中的每一个还包括训练数据,并且其中,所述机器学习模型还在表征所述个体的数据上运行。

33.根据权利要求32所述的系统,还包括训练好的嵌入模型,所述训练好的嵌入模型配置为基于表征所述个体的数据生成数据向量嵌入,其中,所述至少一个连接层中的第一连接层配置为接受所述数据向量嵌入作为附加输入。

34.根据权利要求33所述的系统,还配置为:

35.一种分析呼气样本的系统,包括:

36.根据权利要求35所述的系统,其中,所述至少一个图是经由多个检测器获得的多个图。

37.根据权利要求35或36所述的系统,其中,所述分析系统是包括色谱柱的色谱系统,其中,所述至少一个图对应于代表所述呼气样本的组分从色谱柱随时间洗脱的至少一个色谱图,并且其中,所述至少一个2d图像中的每一个是作为时间函数的所述多个峰的图像。

38.根据权利要求35至37中任一项所述的系统,还包括记录系统,所述记录系统配置为提供表征与所述呼气样本相关联的个体的数据,其中,所述多个训练对中的每一个还包括训练数据,并且其中,所述机器学习模型还在表征所述个体的数据上运行。

39.根据权利要求38所述的系统,其中,表征所述个体的数据包括年龄、体重、身高、当前生命体征、历史生命体征、当前症状、历史症状、体液分析结果和已知医学状况中的至少一种。

40.根据权利要求38或39所述的系统,还包括栅格化模块,所述栅格化模块配置为生成与所述至少一个2d图像相关联的至少一个栅格图像,所述至少一个栅格图像中的每一个对应于包括可配置数量的矩阵单元的矩阵,使得矩阵单元中的每个相应单元包括值,所述值指示在对应于相应单元的像素中线是否可见。

41.根据权利要求40所述的系统,其中,所述机器学习模型配置为接受至少所述至少一个栅格图像作为输入。

42.根据权利要求41所述的系统,其中,所述机器学习模型包括:

43.根据权利要求42所述的系统,其中,所述编码器配置为接受三维张量作为输入,还包括通过对所述至少一个栅格图像进行分层来生成所述三维张量。

44.根据权利要求41所述的系统,其中,所述机器学习模型包括:

45.根据权利要求44所述的系统,其中,所述多个编码器是相同的。

46.根据权利要求42至45中任一项所述的系统,还包括训练好的嵌入模型,所述训练好的嵌入模型配置为基于表征所述个体的数据生成数据向量嵌入,其中,所述至少一个连接层中的第一连接层配置为接受所述数据向量嵌入作为附加输入。

47.根据权利要求42至45中任一项所述的系统,还配置为:

48.根据权利要求35至47中任一项所述的系统,其中,所述至少一个概率包括与所述病理的存在相关联的第一概率和与所述病理的不存在相关联的第二概率。

49.根据权利要求35至48中任一项所述的系统,其中,所述至少一个概率包括与至少一种额外病理的存在和/或不存在相关联的至少一个额外概率。

50.根据权利要求35至49中任一项所述的系统,其中,所述至少一个训练图中的至少一些与表征吸烟习惯的训练呼气样本相关联。

51.根据权利要求35至50中任一项所述的系统,其中,所述至少一个训练图中的至少一些与表征肺癌和/或糖尿病的训练呼气样本相关联。

52.根据权利要求27至51中任一项所述的系统,其中,所述病理是癌症、呼吸系统疾病、肺部疾病、肾脏疾病、肝脏疾病、糖尿病、酒精中毒、器官排斥、睡眠呼吸暂停以及精神和/或身体压力中的一种。

53.一种非暂时性计算机可读介质,其上存储有指令,当由一个或多个处理器执行时,所述指令使所述一个或多个处理器:

54.根据权利要求53所述的计算机可读介质,其中,所述至少一个色谱图是经由多个检测器获得的多个色谱图。

55.根据权利要求53或54所述的计算机可读介质,其中,所述机器学习模型包括:

56.根据权利要求55所述的计算机可读介质,其中,所述编码器配置为接受三维张量作为输入,还包括通过对由所述至少一个色谱图定义的图像进行分层来生成所述三维张量。

57.根据权利要求53或54所述的计算机可读介质,其中,所述机器学习模型包括:

58.根据权利要求55至57中任一项所述的计算机可读介质,其中,所述指令还使所述一个或多个处理器获得表征与所述呼气样本相关联的个体的数据,其中,所述多个训练对中的每一个还包括训练数据,并且其中,所述机器学习模型还在表征所述个体的数据上运行。

59.根据权利要求58所述的计算机可读介质,其中,所述指令还使所述一个或多个处理器使用训练好的嵌入模型,基于表征所述个体的数据生成数据向量嵌入,其中,所述至少一个连接层中的第一连接层配置为接受所述数据向量嵌入作为附加输入。

60.根据权利要求59所述的计算机可读介质,其中,所述指令还使所述一个或多个处理器:

61.一种非暂时性计算机可读介质,其上存储有指令,当由一个或多个处理器执行时,所述指令使所述一个或多个处理器:

62.根据权利要求61所述的计算机可读介质,其中,所述至少一个图是经由多个检测器获得的多个图。

63.根据权利要求61或62所述的计算机可读介质,其中,分析系统是包括色谱柱的色谱系统,其中,所述至少一个图对应于代表所述呼气样本的组分从所述色谱柱随时间洗脱的至少一个色谱图,并且其中,所述至少一个2d图像中的每一个是作为时间函数的多个峰的图像。

64.根据权利要求61至63中任一项所述的计算机可读介质,其中,所述指令还使所述一个或多个处理器获得表征与所述呼气样本相关联的个体的数据,其中,所述多个训练对中的每一个还包括训练数据,并且其中,所述机器学习模型还在表征所述个体的数据上运行。

65.根据权利要求64所述的计算机可读介质,其中,表征所述个体的数据包括年龄、体重、身高、当前生命体征、历史生命体征、当前症状、历史症状、体液分析结果和已知医学状况中的至少一种。

66.根据权利要求64或65所述的计算机可读介质,其中,所述指令还使所述一个或多个处理器生成与所述至少一个2d图像相关联的至少一个栅格图像,所述至少一个栅格图像中的每一个对应于包括可配置数量的矩阵单元的矩阵,使得所述矩阵单元中的每个相应单元包括值,该值指示在对应于所述相应单元的像素中线是否可见。

67.根据权利要求66所述的计算机可读介质,其中,所述机器学习模型配置为至少接受所述至少一个栅格图像作为输入。

68.根据权利要求67所述的计算机可读介质,其中,所述机器学习模型包括:

69.根据权利要求68所述的计算机可读介质,其中,所述编码器配置为接受三维张量作为输入,还包括通过对所述至少一个栅格图像进行分层来生成所述三维张量。

70.根据权利要求67所述的计算机可读介质,其中,所述机器学习模型包括:

71.根据权利要求70所述的计算机可读介质,其中,多个编码器是相同的。

72.根据权利要求68至71中任一项所述的计算机可读介质,其中,所述指令还使所述一个或多个处理器使用训练好的嵌入模型,基于表征所述个体的数据生成数据向量嵌入,其中,所述至少一个连接层中的第一连接层配置为接受所述数据向量嵌入作为附加输入。

73.根据权利要求68至71中任一项所述的计算机可读介质,其中,所述指令还使所述一个或多个处理器:

74.根据权利要求61至73中任一项所述的计算机可读介质,其中,所述至少一个概率包括与所述病理的存在相关联的第一概率和与所述病理的不存在相关联的第二概率。

75.根据权利要求61至74中任一项所述的计算机可读介质,其中,所述至少一个概率包括与至少一种额外病理的存在和/或不存在相关联的至少一个额外概率。

76.根据权利要求61至75中任一项所述的计算机可读介质,其中,所述至少一个训练图中的至少一些与表征吸烟习惯的训练呼气样本相关联。

77.根据权利要求61至76中任一项所述的方法,其中,所述至少一个训练图中的至少一些与表征肺癌和/或糖尿病的训练呼气样本相关联。

78.根据权利要求53至77中任一项所述的方法,其中,所述病症是癌症、呼吸系统疾病、肺部疾病、肾脏疾病、肝脏疾病、糖尿病、酒精中毒、器官排斥、睡眠呼吸暂停以及精神和/或身体压力中的一种。