尿培养结果的预测方法、装置及服务器与流程

1.本发明涉及数据处理技术领域，尤其是涉及一种尿培养结果的预测方法、装置及服务器。


背景技术：

2.尿路感染(urinary tract infection，uti)是由病原微生物在尿路生长、繁殖引起的感染性疾病，发病率仅次于呼吸道和消化道感染，几乎涵盖临床各个科室，其诊断金标准为“尿培养”。目前，凭借医护人员的临床经验对尿路感染进行治疗可能存在引起抗生素过度使用、增加尿路感染细菌耐药性风险等问题，因此相关技术提供了尿培养检测方案，并通过该方案辅助医护人员治疗尿路感染，然而传统的尿培养检测方案耗时较长，需48小时后方可发出尿培养结果报告(阴性或阳性)，也即尿培养检测效率较低，因此极易造成后续诊断延误。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种尿培养结果的预测方法、装置及服务器，可以显著提高尿培养结果的检测效率。
4.第一方面，本发明实施例提供了一种尿培养结果的预测方法，包括：获取待检测尿液样本的第一样本图像；基于所述第一样本图像，识别所述待检测尿液样本中所包含的每类微生物的第一数量；通过预先建立的尿培养预测模型，基于所述第一数量对所述待检测尿液样本进行尿培养检测，得到所述待检测尿液样本的尿培养结果。
5.在一种实施方式中，所述尿培养预测模型包括多个尿培养预测算法；所述通过预先训练的尿培养预测模型，基于所述第一数量对所述待检测尿液样本进行尿培养检测，得到所述待检测尿液样本的尿培养结果的步骤，包括：对于每个所述尿培养预测算法，从所述微生物中确定该尿培养预测算法对应的目标微生物，并基于所述目标微生物的第一数量判断所述待检测尿液样本是否存在细菌和/或真菌；如果任一所述尿培养预测算法的判断结果为是，确定所述待检测尿液样本的尿培养结果为阳性。
6.在一种实施方式中，所述尿培养预测模型包括第一尿培养预测算法；所述从所述微生物中确定该尿培养预测算法对应的目标微生物，并基于所述目标微生物的第一数量判断所述待检测尿液样本是否存在细菌和/或真菌的步骤，包括：从所述微生物中确定第一目标微生物；其中，所述第一目标微生物包括酵母菌和/或假丝酵母菌；如果所述第一目标微生物的第一数量大于第一阈值，确定所述待检测尿液样本存在真菌。
7.在一种实施方式中，所述尿培养预测模型包括第二尿培养预测算法；所述从所述微生物中确定该尿培养预测算法对应的目标微生物，并基于所述目标微生物的第一数量判断所述待检测尿液样本是否存在细菌和/或真菌的步骤，包括：从所述微生物中确定第二目标微生物和第三目标微生物；其中，所述第二目标微生物包括疑似球菌，所述第三目标微生物包括杆菌；计算所述第三目标微生物的第一数量与第一参数之间的第一乘积；计算所述
第二目标微生物的第一数量与所述第一乘积之间的第一差值；如果所述第一差值小于或等于第二阈值，确定所述待检测尿液样本存在细菌。
8.在一种实施方式中，所述尿培养预测模型包括第三尿培养预测算法；所述从所述微生物中确定该尿培养预测算法对应的目标微生物，并基于所述目标微生物的第一数量判断所述待检测尿液样本是否存在细菌和/或真菌的步骤，包括：从所述微生物中确定第二目标微生物和第三目标微生物；计算所述第三目标微生物的第一数量与第二参数之间的第二乘积；计算所述第二目标微生物的第一数量、所述第二乘积、第三参数之间的和值；如果所述和值小于或等于第三阈值，确定所述待检测尿液样本存在细菌。
9.在一种实施方式中，所述尿培养预测模型包括第四尿培养预测算法；所述从所述微生物中确定该尿培养预测算法对应的目标微生物，并基于所述目标微生物的第一数量判断所述待检测尿液样本是否存在细菌和/或真菌的步骤，包括：从所述微生物中确定第三目标微生物；计算所述第三目标微生物的第一数量与第四参数之间的第二差值；如果所述第二差值大于第四阈值，确定所述待检测尿液样本存在细菌。
10.在一种实施方式中，所述尿培养预测模型的建立步骤，包括：获取训练尿液样本的第二样本图像；基于所述第二样本图像，识别所述训练尿液样本中所包含的每类微生物的第二数量；对于尿培养预测模型包括的每个所述尿培养预测算法，将该尿培养算法确定待调整尿培养预测算法，并基于所述待调整尿培养预测算法中待调整参数的当前参数值确定候选参数值；基于所述第二数量和所述当前参数值，分别确定每个所述尿培养预测算法输出的尿培养结果为阳性的第一样本总数量，和所述待调整尿培养预测算法输出的尿培养结果为阳性的第一样本数量；基于所述第二数量和所述候选参数值，分别确定每个所述尿培养预测算法输出的尿培养结果为阳性的第二样本总数量，和所述待调整尿培养预测算法输出的尿培养结果为阳性的第二样本数量；基于所述第一样本总数量、所述第一样本数量、所述第二样本总数量和所述第二样本数量，判断是否利用所述候选参数值替换所述当前参数值，以对所述待调整尿培养预测算法进行训练；其中，所述待调整参数包括第一参数、第二参数、第三参数、第四参数、第一阈值、第二阈值、第三阈值、第四阈值中的一种或多种。
11.在一种实施方式中，所述基于所述第一样本图像，识别所述待检测尿液样本中所包含的每类细菌的第一数量的步骤，包括：对所述第一样本图像进行预处理，确定所述第一样本图像中所包含的至少一类微生物；其中，所述预处理包括分割处理、特征提取处理和微生物识别处理；统计每类所述微生物的第一数量。
12.第二方面，本发明实施例还提供一种尿培养结果的预测装置，包括：样本获取模块，用于获取待检测尿液样本的第一样本图像；数量识别模块，用于基于所述第一样本图像，识别所述待检测尿液样本中所包含的每类微生物的第一数量；尿培养检测模块，用于通过预先建立的尿培养预测模型，基于所述第一数量对所述待检测尿液样本进行尿培养检测，得到所述待检测尿液样本的尿培养结果。
13.第三方面，本发明实施例还提供一种服务器，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
14.第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机
可执行指令促使处理器实现第一方面提供的任一项所述的方法。
15.本发明实施例提供的尿培养结果的预测方法、装置及服务器，首先获取待检测尿液样本的第一样本图像，并基于所述第一样本图像，识别待检测尿液样本中所包含的每类微生物的第一数量，然后通过预先建立的尿培养预测模型，基于第一数量对待检测尿液样本进行尿培养检测，得到待检测尿液样本的尿培养结果。上述方法在识别待检测尿液样本的第一样本图像中每类微生物的第一数量后，即可利用尿培养预测模型基于第一数量高效、准确地对待检测尿液样本进行尿培养检测，不仅可以得到准确率较高的尿培养结果，而且可以显著提高尿培养结果的检测效率。
16.本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
17.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
18.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1为本发明实施例提供的一种尿培养结果的预测方法的流程示意图；
20.图2为本发明实施例提供的一种流动式显微成像人工智能识别技术的架构图；
21.图3为本发明实施例提供的另一种尿培养结果的预测方法的示意图；
22.图4为本发明实施例提供的一种基础框架算法的构建方法的流程示意图；
23.图5为本发明实施例提供的一种算法自主完善的流程示意图；
24.图6为本发明实施例提供的一种尿培养结果的预测装置的结构示意图；
25.图7为本发明实施例提供的一种服务器的结构示意图。
具体实施方式
26.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.目前，传统尿培养检测方案存在检测效率较低的问题，基于此，本发明实施提供了一种尿培养结果的预测方法、装置及服务器，可以显著提高尿培养结果的检测效率。
28.为便于对本实施例进行理解，首先对本发明实施例所公开的一种尿培养结果的预测方法进行详细介绍，参见图1所示的一种尿培养结果的预测方法的流程示意图，该方法主要包括以下步骤s102至步骤s106：
29.步骤s102，获取待检测尿液样本的第一样本图像。在一种实施方式中，可以利用图像采集设备采集待检测尿液样本的第一样本图像，具体的，可以在对目标对象(诸如，患者)
的尿液进行采样后，得到待检测尿液样本，待检测尿液样本进入流动池，同时注射泵推动层流液进入流动池，使样本在层流液的包裹下以单层细胞进入薄层结构，然后被高速拍摄成像，即可采集到相应的第一样本图像。
30.步骤s104，基于第一样本图像，识别待检测尿液样本中所包含的每类微生物的第一数量。在一种实施方式中，可以先对第一样本图像进行分割处理得到多张样本子图，对每张样本子图进行特征提取，将待检测尿液样本包含的微生物分为真菌和细菌，细菌又包括杆菌和球菌两类，并分别统计所有样本子图中每类微生物的第一数量。
31.步骤s106，通过预先建立的尿培养预测模型，基于第一数量对待检测尿液样本进行尿培养检测，得到待检测尿液样本的尿培养结果。其中，尿培养预测模型包括多个尿培养预测算法，尿培养结果包括通过(也即，阳性)和不通过(也即，阴性)。在一种实施方式中，可以利用一个或多个尿培养预测算法基于第一数量检测待检测尿液样本的尿培养结果，当任一尿培养预测算法输出阳性时，则确定待检测尿液样本的尿培养结果为阳性。
32.本发明实施例提供的尿培养结果的预测方法，在识别待检测尿液样本的第一样本图像中每类微生物的第一数量后，即可利用尿培养预测模型基于第一数量高效、准确地对待检测尿液样本进行尿培养检测，不仅可以得到准确率较高的尿培养结果，而且可以显著提高尿培养结果的检测效率。
33.对于前述步骤s104，本发明实施例提供了一种基于第一样本图像识别待检测尿液样本中所包含的每类微生物的第一数量的实施方式，可以对第一样本图像进行预处理，确定第一样本图像中所包含的至少一类微生物，并统计每类微生物的第一数量。其中，预处理包括分割处理、特征提取处理和细菌识别处理。可选的，可以利用流动式显微成像人工智能识别技术的fus-360尿液有形成分分析仪，该有形成分分析仪可以在5min内完成尿液有形成分的检测，提供酵母菌、假丝酵母菌、杆菌、球菌等病原体的分类和计数。
34.在一种实施方式中，关于尿液有形成分检测中微生物计数的检测，可以采用如下方式：方式一，基于流式荧光染色原理；方式二，基于尿沉渣图像识别原理；方式三，基于流式显微成像人工智能识别原理。优选的，本发明实施例利用流式显微成像人工智能识别原理确定第一样本图像中所包含的至少一类微生物及其第一数量。
35.为便于理解，现对流式显微成像人工智能识别原理进行介绍：随着计算机处理速度的加快和人工智能图像识别技术的发展，流动式显微成像人工智能识别技术日益完善，具体的：(1)拍摄第一样本图像：在分析系统采样后，样本进入流动池，同时注射泵推动层流液进入流动池，使样本在层流液的包裹下以单层细胞进入薄层结构，然后被高速拍摄成像，经人工智能图像识别将尿液有形成分分类；(2)分割第一样本图像：参见图2所示的一种流动式显微成像人工智能识别技术的架构图，该技术对尿液有形成分的识别分类通过三个步骤实现：第一，基于前面所述的步骤对尿液中有形成分进行拍摄，第二，利用计算机图像处理技术对图像中不同的有形成分进行分割，第三，对分割后的图像依据形态特征、统计特征、频域特征、纹理特征进行特征提取；(3)统计第一数量：在微生物计数方面，分析系统自动将尿液标本混匀，采集固定体积的尿液样本进入流动池，对已知体积的尿液样本中有形成分进行拍摄、分割、特征提取，识别尿液中有形成分数量，进而计算出每微升尿液样本中所含有的微生物数量。
36.本发明实施例基于流式显微成像人工智能识别原理，首先，该技术与流式荧光染
色相比，优点如下：1)因无需荧光染液，故检测成本降低；2)可以提供独有的球菌与杆菌的细菌分类信息。其次，该技术与尿沉渣图像识别相比，优点如下：1)采用流式技术，因无需离心获取尿沉渣，故浓稠尿液样本或高度浑浊的尿液样本无需稀释即可上机检测；2)可以提供独有的球菌与杆菌的细菌分类信息。
37.可选的，可以采用fus-360尿液有形成分分析仪，该仪器检测原理基于流动式显微成像人工智能识别技术，fus-360尿液有形成分分析仪在检测尿液有形成分颗粒计数、分类方面展现出良好的性能，首次提供了杆菌和疑似球菌的病原体分类信息。具体的，fus-360尿液有形成分分析仪使用40x平场消色差物镜，放大倍率增高，图像更加清晰；极限分辨率降至0.61μm，能看清更多的细胞细节；拍摄图像张数增加至2500张，提高了样本结果的检出率；此外，fus-360尿液有形成分分析仪在流动池结构、液路方面也都进行了改进。
38.在前述实施例的基础上，本发明实施例拟采用尿路感染常见病原菌的标准菌株配制不同浓度的菌液，使用fus-360尿液有形成分分析仪检测第一数量，依据其报告的杆菌与疑似球菌结果，结合不同病原菌的形态特点及流动式显微成像人工智能识别技术的原理和性能特点，建立多个尿培养预测算法，通过各个尿培养预测算法构建尿培养预测模型。
39.对于前述步骤s106，本发明实施例示例性提供了一种通过预先训练的尿培养预测模型，基于第一数量对待检测尿液样本进行尿培养检测，得到待检测尿液样本的尿培养结果的实施方式，参见如下步骤1至步骤2：
40.步骤1，对于每个尿培养预测算法，从微生物中确定该尿培养预测算法对应的目标微生物，并基于目标细菌的第一数量判断待检测尿液样本是否存在细菌和/或真菌。示例性的，假设尿培养预测模型包括n个尿培养预测算法(也即，算法1、算法2、
……
、算法n)，分别从微生物中确定出算法1对应的目标微生物、算法2对应的目标微生物、
……
、算法n对应的目标微生物，并利用各个算法输出相应判断结果。
41.步骤2，如果任一尿培养预测算法的判断结果为是，确定待检测尿液样本的尿培养结果为阳性。示例性的，假设算法1和算法n输出的判断结果为待检测尿液样本存在细菌和/或真菌，则可确定待检测尿液样本的尿培养结果为阳性。
42.在另一种实施方式中，可以对各个尿培养预测算法进行排序，在当前尿培养预测算法输出的尿培养结果为阳性时，将直接输出该尿培养结果，在当前尿培养预测算法输出的尿培养结果为阴性时，将按照前述排序将相应目标微生物输出至下一尿培养预测算法，直至得到最后一个尿培养预测算法的判断结果，或得到阳性的尿培养检测结果。为便于理解，参见图3所示的另一种尿培养结果的预测方法的示意图：(1)快速检测：确定每类微生物的第一数量；(2)结果预测：利用算法1进行尿培养检测，如果算法1的判断结果为阳性，则直接输出结果；如果算法1的输出结果为阴性，则利用算法2进行尿培养检测，直至最后算法n输出结果；(3)数据分析：以尿培养结果为金标准，判断该尿培养预测模型输出的尿培养结果与真实尿培养结果的一致性。
43.目前，尿路感染常见病原菌标准菌株有atcc25922大肠埃希菌标准菌株，atcc25923金黄色葡萄球菌标准菌株，atcc29212粪肠球菌标准菌株；atcc3563奇异变形杆菌标准菌株。
44.在具体实现时，尿培养预测模型包括第一尿培养预测算法、第二尿培养预测算法、第三尿培养预测算法、第四尿培养预测算法，为便于理解，本发明实施例针对上述尿培养预
测算法，分别提供了从微生物中确定该尿培养预测算法对应的目标微生物，并基于目标微生物的第一数量判断待检测尿液样本是否存在细菌和/或真菌的具体实施方式，参见如下(a)至(d)：
45.(a)对于第一尿培养预测算法，参见如下步骤a1至步骤a2：
46.步骤a1，从微生物中确定第一目标微生物。其中，第一目标微生物包括酵母菌和/或假丝酵母菌。
47.步骤a2，如果第一目标微生物的第一数量大于第一阈值，确定待检测尿液样本存在真菌。其中，第一阈值可以设置为“0”。示例性的，如果酵母菌和(或)假丝酵母菌》0，则认为样本中存在真菌，对应尿培养结果真菌阳性，即输出“预测尿培养(真菌)阳性”。其中，参数“0”、参数“》”可更改。
48.临床样本验证：146例疑似uti患者的尿液样本临床验证中，2例样本通过了第一尿培养预测算法，其对应尿培养结果均为真菌阳性，一致率为100％，假阴性率为0，阳性预测值为100％。
49.该第一尿培养预测算法建立依据：对由atcc24433白色念珠菌标准菌株稀释后配制的原始菌液进行系列稀释后，使用fus-360进行检测，发现该技术对真菌检测的敏感性较低，但特异性极高，也就是说该技术报告了酵母菌或假丝酵母菌的存在，样本中真菌阳性的概率很高。
50.(b)对于第二尿培养预测算法，参见如下步骤b1至步骤b4：
51.步骤b1，从微生物中确定第二目标微生物和第三目标微生物。其中，第二目标微生物包括疑似球菌，第三目标微生物包括杆菌。
52.步骤b2，计算第三目标微生物的第一数量与第一参数之间的第一乘积。其中，第一参数可以设置为“2”。
53.步骤b3，计算第二目标微生物的第一数量与第一乘积之间的第一差值。
54.步骤b4，如果第一差值小于或等于第二阈值，确定待检测尿液样本存在细菌。其中，第二阈值可以设置为“0”。示例性的，计算疑似球菌数量-杆菌数量*2，如果计算值≤0，则认为疑似球菌数量为杆菌干扰导致，样本中只存在杆菌，即输出“预测尿培养(杆菌)阳性”。其中，参数“2”、参数“0”、参数“≤”可更改。
55.临床样本验证：剩余144例疑似uti患者的尿液样本临床验证中，14例样本通过了第二尿培养预测算法，其对应尿培养结果均为杆菌，一致率为100％，假阴性率为0，阳性预测值为100％。
56.该算法建立依据：对由atcc25922大肠埃希菌标准菌株稀释后配制的原始菌液进行系列稀释后，使用fus-360进行检测，理论上系列稀释后的样本中只有杆菌，实际球菌水平为0，然而该技术报告了球菌的存在，且球菌的检出水平与杆菌水平存在2倍左右的比例关系，且该现象具有重复性。实验结果结合该技术检测原理，图形识别过程中理论上存在聚焦拍照过程中将杆菌两端成像为点状，并将直径满足要求的点状图像判断为球菌的情况。基于此，由杆菌所产生的球菌最大噪音信号值，理论上约为杆菌水平的2倍。
57.(c)对于第三尿培养预测算法，参见如下步骤c1至步骤c4：
58.步骤c1，从微生物中确定第二目标微生物和第三目标微生物，也即，确定疑似球菌和杆菌。
59.步骤c2，计算第三目标微生物的第一数量与第二参数之间的第二乘积。其中，第二参数可以设置为“70.5”。
60.步骤c3，计算第二目标微生物的第一数量、第二乘积、第三参数之间的和值。其中，第三参数可以设置为“3000”。
61.步骤c4，如果和值小于或等于第三阈值，确定待检测尿液样本存在细菌。其中，第三阈值可以设置为“0”。示例性的，计算疑似球菌数量-杆菌数量*70.5 3000，如果计算值≤0则认为排除链球菌对检测产生的干扰后，样本中仍然有杆菌或链球菌的存在，即输出“预测尿培养(杆菌或链球菌)阳性”。其中，参数“70.5”、参数“3000”、参数“0”、参数“≤”可更改。
62.临床样本验证：剩余的130例样本中30例样本通过了第三尿培养预测算法筛选，其对应尿培养结果28例阳性，培养结果均为杆菌或链球菌；2例为阴性(第1例为胸膜炎患者，盐酸莫西沙星、美罗培南抗感染治疗中；第2例为反复性泌尿系感染患者，左氧氟沙星抗生素治疗中。需要特别指出的是，抗生素使用会导致疑似uti患者尿培养结果呈现出阴性)。总体来说，第三尿培养预测算法与尿培养结果一致率为93.3％。
63.该算法建立依据：对由atcc29212粪肠球菌(uti中常见的链球菌)标准菌株稀释后配制的原始菌液进行系列稀释后，使用fus-360检测，同时获得了杆菌与球菌数值。理论上系列稀释后的样本中只有球菌，实际杆菌水平为0，然而该技术报告了杆菌的存在，且杆菌浓度与球菌浓度呈现出线性关系，且该现象具有重复性，因此建立了疑似球菌数量-杆菌数量*70.5 3000的算法公式。实验结果结合该技术图像识别原理，理论上链球菌在聚焦拍照过程中成像为点状，由于链状排列的特点满足对杆菌长度的判断标准，存在将链球菌误判为杆菌的情况。
64.(d)对于第四尿培养预测算法，参见如下步骤d1至步骤d3：
65.步骤d1，从微生物中确定第三目标微生物，也即，确定杆菌。
66.步骤d2，计算第三目标细菌的第一数量与第四参数之间的第二差值。其中，第四参数可以设置为“70”。
67.步骤d3，如果第二差值大于第四阈值，确定待检测尿液样本存在细菌。其中，第四阈值可以设置为“0”。示例性的，计算杆菌数量-70，如果计算值＞0则认为排除球菌对杆菌检测产生的干扰后，样本中仍然有杆菌的存在，即输出“预测尿培养(杆菌)阳性”。其中，参数“70”、参数“0”、参数“＞”可更改。
68.临床样本验证：剩余的100例样本中2例样本通过了第四尿培养预测算法筛选，其对应尿培养结果2例阳性，尿培养结果均为杆菌。
69.该算法建立依据：对由atcc25923金黄色葡萄球菌标准菌株稀释后配制的原始菌液进行系列稀释后，使用fus-360检测，同时获得了杆菌与球菌数值。理论上系列稀释后的样本中只有球菌，实际杆菌水平为0，然而该技术报告了杆菌的存在，样本中检测到的杆菌浓度与球菌浓度呈现出一定的相关性，但数值始终处于较低水平(40-100/μl)。重新配制低浓度和更高浓度的球菌样本，继续使用该技术检测发现球菌产生的杆菌噪音信号值集中在40-70/μl水平。实验结果结合该技术图像识别原理，当球菌非分散存在，黏附成杆状或链状时会被误判为杆菌。基于此，由疑似球菌产生的杆菌噪音信号值集中在40-70/μl水平。
70.在实际应用中，在使用标准菌株进行基础实验构建上述算法框架的基础上，收集
临床样本积累数据信息，建立并不断扩充临床数据库，实现算法的自主完善。具体的，本发明实施例还提供了一种建立尿培养预测模型的实施方式，参见如下(一)至(六)：
71.(一)获取训练尿液样本的第二样本图像。
72.(二)基于第二样本图像，识别训练尿液样本中所包含的每类微生物的第二数量。具体可参见前述识别第一数量的实施方式，本发明实施例在此不再赘述。
73.(三)对于尿培养预测模型包括的每个尿培养预测算法，将该尿培养算法确定待调整尿培养预测算法，并基于待调整尿培养预测算法中待调整参数的当前参数值确定候选参数值。示例性的，假设将第一尿培养算法作为待调整尿培养预测算法，则前述第一阈值即为待调整参数，当前参数值即为“0”，可以预先设置增量和/或减量，基于该增量或减量对当前参数值进行调整，即可得到候选参数值。
74.(四)基于第二数量和当前参数值，分别确定每个尿培养预测算法输出的尿培养结果为阳性的第一样本总数量，和待调整尿培养预测算法输出的尿培养结果为阳性的第一样本数量。其中，各尿培养预测算法输出尿培养结果的过程可参见前述实施例，本发明实施例再次不再赘述。示例性的，第一尿培养预测算法保持当前参数值不变，在此基础上，假设第一尿培养预测算法输出尿培养结果为阳性的样本数量为x1，第二尿培养预测算法输出尿培养结果为阳性的样本数量为x2，第三尿培养预测算法输出尿培养预测算法输出尿培养结果为阳性的样本数量为x3，第四尿培养预测算法输出尿培养预测算法输出尿培养结果为阳性的样本数量为x4，则第一样本总数量为x1 x2 x3 x4，第一样本数量为x1。
75.(五)基于第二数量和候选参数值，分别确定每个尿培养预测算法输出的尿培养结果为阳性的第二样本总数量，和待调整尿培养预测算法输出的尿培养结果为阳性的第二样本数量。示例性的，第一尿培养预测算法更改为候选参数值，在此基础上，假设第一尿培养预测算法输出尿培养结果为阳性的样本数量为y1，第二尿培养预测算法输出尿培养结果为阳性的样本数量为x2，第三尿培养预测算法输出尿培养预测算法输出尿培养结果为阳性的样本数量为x3，第四尿培养预测算法输出尿培养预测算法输出尿培养结果为阳性的样本数量为x4，则第二样本总数量为y1 x2 x3 x4，第二样本数量为y1。
76.(六)基于第一样本总数量、第一样本数量、第二样本总数量和第二样本数量，判断是否利用候选参数值替换当前参数值，以对待调整尿培养预测算法进行训练。例如，候选参数值对应的尿培养结果优于当前参数值对应的尿培养结果时，即可确定利用候选参数值替换当前参数值，示例性的，当第二样本总数量大于第一样本总数量，第二样本数量大于第一样本数量，则确定候选参数值对应的尿培养结果优于当前参数值对应的尿培养结果。
77.在具体实现时，上述待调整参数包括第一参数、第二参数、第三参数、第四参数、第一阈值、第二阈值、第三阈值、第四阈值中的一种或多种。
78.为便于理解，本发明实施例还提供了一种建立尿培养预测模型的应用示例，本实施例是对基于流动式显微成像人工智能识别原理技术平台的尿液有形成分分析仪制定:
79.该预测模型通过计算机软件实现(或可以编入医院信息系统中)，依赖于流动式显微成像人工智能识别技术原理的尿液分析仪，换言之，不适用于流式荧光染色原理或尿沉渣图像识别原理的尿液分析仪。具体的：
80.第一，基础框架算法构建。首先，通过医疗信息系统收集该技术检测的患者尿液样本中酵母菌、假丝酵母菌、杆菌、球菌(疑似球菌)的数量；然后通过系列算法(如上述第一尿
培养预测算法、第二尿培养预测算法、第三尿培养预测算法、第四尿培养预测算法等)预测对应的48小时后尿培养结果；最后，第一时间将预测结果通过信息系统提示给临床，并提供预测模型的概率数据(预测依据的可靠程度)和患者用药情况供临床判断。示例性的，参见图4所示的一种基础框架算法的构建方法的流程示意图，参见如下步骤s402至步骤s410：
81.步骤s402，使用uti常见病原菌标准菌株配置原始菌液。其中，uti常见病原菌标准菌株包括atcc25922大肠埃希菌标准菌株，atcc25923金黄色葡萄球菌标准菌株，atcc29212粪肠球菌标准菌株，atcc3563奇异变形杆菌标准菌株。
82.步骤s404，对各原始菌液进行系列稀释，最终各稀释为7个浓度样本。
83.步骤s406，利用fus-360尿液有形成分分析仪检测微生物类型。如果检测结果为球菌和/或杆菌，执行步骤s408；如果检测结果为酵母菌或假丝酵母菌，执行步骤s410。
84.步骤s408，构建细菌基础算法(包括第二尿培养预测算法、第三尿培养预测算法、第四尿培养预测算法)。
85.步骤s410，构建真菌基础算法(包括第一尿培养预测算法)。
86.第二，算法自主完善。在具体实现时，参见图5所示的一种算法自主完善的流程示意图，包括如下步骤s502至步骤s514：
87.步骤s502，患者留取清洁中段尿。依据患者唯一识别号及尿液标本留取时间，在医疗信息系统筛选获取患者尿液有形成分检测中酵母菌、假丝酵母菌、杆菌、球菌(疑似球菌)信息，及48小时后真实的尿培养结果(若尿培养结果为阳性，需采集菌名信息)，同时通过电子病历系统采集患者用药信息；建立并不断扩大数据库。
88.步骤s504，利用fus-360尿液有形成分分析仪检测微生物类型。
89.步骤s506，利用尿培养预测算法得到预测尿培养结果，并获取临床用药信息。
90.步骤s508，传统尿培养方案确定真实尿培养结果。
91.步骤s510，判断预测尿培养结果和真实尿培养结果是否一致。如果是，执行步骤s512；如果否，执行步骤s514。
92.步骤s512，一致性良好，保持现有算法。
93.步骤s514，一致性不佳，算法自主更新。具体的，判断是否与患者抗生素使用有关；若无关，则根据真实尿培养结果，结合微生物形态特点及该技术成像性能特点，系统自动调整或补充新的算法，经过数据库验证后纳入预测模型。
94.第三，针对真菌基础算法自主调整。
95.构建软件系统针对真菌预测算法自主调整。与基础算法相比，系统自动针对真菌算法中不同数值(如第一尿培养预算算法中的判断界值“0”)进行调整，可建立不同的诊断四格表，如下表1所示：
96.表1
[0097][0098]
不同的真菌预测算法对应不同的样本通过数量(a b)，首先需保证通过该真菌算法的样本对应的尿真菌培养结果为阳性，也即(a/(a b))最大，同时有尽可能多的样本通过(a b)较大。
[0099]
如果调整后的算法优于原有算法，则算法自主更新；否则，保持原有算法不变。
[0100]
第四，针对细菌基础算法自主调整。以第二尿培养预测算法为例，依据基础实验建立的算法为“疑似球菌数量-杆菌数量*2，如果计算值≤0，则输出“预测尿培养(杆菌)阳性”，则算法自主学习、调整过程为：
[0101]
与基础算法相比，系统自动针对单个细菌预测算法中的系数(如第二尿培养预测算法中的系数“2”，第三尿培养预测算法中的系数“70.5”，第四尿培养预测算法中的判断界值“70”)进行调整，不同数值可建立不同的诊断四格表，如下表2所示：
[0102]
表2
[0103][0104]
最佳的算法调整应满足较高的阳性预测值(也就是说该算法预测的阳性结果中真阳性所占的百分比)，即a/(a b)最大；同时，有尽可能多的样本通过该算法，即(a b)/n较高。
[0105]
如果调整后的算法优于原有算法，则算法自主更新；否则，保持原有算法不变。
[0106]
应当注意的是，在单个算法调整中重点关注了阳性预测值，但经过系列算法筛选后剩余的未通过算法的样本也相应的具有了较高的阴性预测值(也就是说未通过系列算法的阴性结果中真阴性的概率)。另外，本方案算法中“酵母菌”、“假丝酵母菌”、“球菌”“疑似球菌”、“杆菌”可能存在其他含义、所指对象相同但名称不同的表述或英文名称、缩略词，应给与同等专利保护。
[0107]
进一步的，本发明实施例基于流动式显微成像人工智能识别原理的尿液有形成分分析仪，本发明实施例中具体的算法建立在使用fus-360仪器检测的结果上。但本发明实施例中预测模型的构建并不依赖于fus-360仪器，而是依赖于流动式显微成像人工智能识别
原理的尿液有形成分分析。
[0108]
随时间发展，检测技术会更新、进步，但检测原理不变，基于该检测原理的技术缺陷会一直存在，只要是基于该检测原理获得尿液病原体真菌、杆菌、球菌的数量或分类信息，算法数字上会有变化，但是算法建立的思路、框架不会发生改变。因此拟申请对基于流动式显微成像人工智能识别原理的尿液有形成分分析预测尿培养结果的专利技术保护。
[0109]
在疑似uti的患者中，尿培养阴性率高达60％以上。在本发明实施例中，146例疑似uti患者尿液样本使用基于流动式显微成像人工智能识别原理的尿液有形成分分析仪进行检测，同时进行尿培养。其中，61例患者尿培养结果为阳性(42％)，85例为阴性(58％)。在61例阳性样本中，2例真菌阳性标本，其余59例为细菌阳性。使用本发明实施例构建的尿培养结果预测模型，筛选预测了48例尿培养阳性结果(检出率为48/61＝78.7％)，其中46例与患者尿培养结果一致(一致率为46/48＝95.8％)；灵敏度为75.4％，特异度97.6％，阳性预测值为95.8％，阴性预测值为84.7％。
[0110]
在本发明实施例算法构建的预测模型及计算机系统中，随着临床样本数量的增加和数据库的完善、算法的自主更新，基于流动式显微成像人工智能识别技术的尿液有形成分分析对尿培养结果的预测值(也就是说预测结果的正确性)会进一步提升。
[0111]
对于前述实施例提供的尿培养结果的预测方法，本发明实施例提供了一种尿培养结果的预测装置，参见图6所示的一种尿培养结果的预测装置的结构示意图，该装置主要包括以下部分：
[0112]
样本获取模块602，用于获取待检测尿液样本的第一样本图像；
[0113]
数量识别模块604，用于基于第一样本图像，识别待检测尿液样本中所包含的每类微生物的第一数量；
[0114]
尿培养检测模块606，用于通过预先建立的尿培养预测模型，基于第一数量对待检测尿液样本进行尿培养检测，得到待检测尿液样本的尿培养结果。
[0115]
本发明实施例提供的一种尿培养结果的预测装置，在识别待检测尿液样本的第一样本图像中每类细菌的第一数量后，即可利用尿培养预测模型基于第一数量高效、准确地对待检测尿液样本进行尿培养检测，不仅可以得到准确率较高的尿培养结果，而且可以显著提高尿培养结果的检测效率。
[0116]
在一种实施方式中，尿培养预测模型包括多个尿培养预测算法；尿培养检测模块606还用于：对于每个尿培养预测算法，从微生物中确定该尿培养预测算法对应的目标微生物，并基于目标微生物的第一数量判断待检测尿液样本是否存在细菌和/或真菌；如果任一尿培养预测算法的判断结果为是，确定待检测尿液样本的尿培养结果为阳性。
[0117]
在一种实施方式中，尿培养预测模型包括第一尿培养预测算法；尿培养检测模块606还用于：从微生物中确定第一目标微生物；其中，第一目标微生物包括酵母菌和/或假丝酵母菌；如果第一目标微生物的第一数量大于第一阈值，确定待检测尿液样本存在真菌。
[0118]
在一种实施方式中，尿培养预测模型包括第二尿培养预测算法；尿培养检测模块606还用于：从微生物中确定第二目标微生物和第三目标微生物；其中，第二目标微生物包括疑似球菌，第三目标微生物包括杆菌；计算第三目标微生物的第一数量与第一参数之间的第一乘积；计算第二目标微生物的第一数量与第一乘积之间的第一差值；如果第一差值小于或等于第二阈值，确定待检测尿液样本存在细菌。
[0119]
在一种实施方式中，尿培养预测模型包括第三尿培养预测算法；尿培养检测模块606还用于：从微生物中确定第二目标微生物和第三目标微生物；计算第三目标微生物的第一数量与第二参数之间的第二乘积；计算第二目标微生物的第一数量、第二乘积、第三参数之间的和值；如果和值小于或等于第三阈值，确定待检测尿液样本存在细菌。
[0120]
在一种实施方式中，尿培养预测模型包括第四尿培养预测算法；尿培养检测模块606还用于：从微生物中确定第三目标微生物；计算第三目标微生物的第一数量与第四参数之间的第二差值；如果第二差值大于第四阈值，确定待检测尿液样本存在细菌。
[0121]
在一种实施方式中，上述装置还包括建立模块，用于：获取训练尿液样本的第二样本图像；基于第二样本图像，识别训练尿液样本中所包含的每类细菌的第二数量；对于尿培养预测模型包括的每个尿培养预测算法，将该尿培养算法确定待调整尿培养预测算法，并基于待调整尿培养预测算法中待调整参数的当前参数值确定候选参数值；基于第二数量和当前参数值，分别确定每个尿培养预测算法输出的尿培养结果为阳性的第一样本总数量，和待调整尿培养预测算法输出的尿培养结果为阳性的第一样本数量；基于第二数量和候选参数值，分别确定每个尿培养预测算法输出的尿培养结果为阳性的第二样本总数量，和待调整尿培养预测算法输出的尿培养结果为阳性的第二样本数量；基于第一样本总数量、第一样本数量、第二样本总数量和第二样本数量，判断是否利用候选参数值替换当前参数值，以对待调整尿培养预测算法进行训练；其中，待调整参数包括第一参数、第二参数、第三参数、第四参数、第一阈值、第二阈值、第三阈值、第四阈值中的一种或多种。
[0122]
在一种实施方式中，数量识别模块604还用于：对第一样本图像进行预处理，确定第一样本图像中所包含的至少一类微生物；其中，预处理包括分割处理、特征提取处理和微生物识别处理；统计每类微生物的第一数量。
[0123]
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
[0124]
本发明实施例提供了一种服务器，具体的，该服务器包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
[0125]
图7为本发明实施例提供的一种服务器的结构示意图，该服务器100包括：处理器70，存储器71，总线72和通信接口73，所述处理器70、通信接口73和存储器71通过总线72连接；处理器70用于执行存储器71中存储的可执行模块，例如计算机程序。
[0126]
其中，存储器71可能包含高速随机存取存储器(ram，random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口73(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
[0127]
总线72可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0128]
其中，存储器71用于存储程序，所述处理器70在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器70中，或者由处理器70实现。
[0129]
处理器70可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器70中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器70可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现成可编程门阵列(field-programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器71，处理器70读取存储器71中的信息，结合其硬件完成上述方法的步骤。
[0130]
本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。
[0131]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0132]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。