基于深度学习的分析结果预测方法及装置

本发明涉及基于深度学习的分析结果预测方法及装置，更详细地，涉及基于深度学习来预测分析结果的方法及装置。

背景技术：

1、从试样采取样品，利用所采取的样品来进行通过侧向层析(lateral flow assay，lfa)反应的诊断检查需要很长时间(10分钟～30分钟)。侧向层析根据样品的浓度和反应时间呈现出不同的形态，通过侧向层析反应的诊断检查需要经过大致15分左右的时间发生充分反应后才能进行判断。但是，在心肌梗塞等特定疾病的情况下，普遍需要在10分钟内需要结果，最近，在医院及患者的立场上，对在5分钟以内进行快速诊断的需求大幅度增加。

技术实现思路

1、技术问题

2、本发明所要实现的目的在于，提供如下基于深度学习的分析结果预测方法及装置，基于深度学习来预测侧向层析等免疫反应分析试剂盒、抗原抗体诊断试剂盒等的分析结果。

3、本发明未明示的其他目的可以在能够从以下的详细说明及其效果轻松推论的范围内追加考虑。

4、技术方案

5、用于实现所述目的的本发明优选实施例的基于深度学习的分析结果预测方法包括：针对从试样获取的样品及光学试剂盒的相互反应获取预设初始阶段的反应图像；以及利用预先学习并构建的分析结果预测模型，基于与所述预设初始阶段有关的所述反应图像来预测在预设结果时间的浓度。

6、其中，在所述反应图像的获取步骤中，在所述预设初始阶段内，

7、可按预设时间单位获取多个所述反应图像。

8、其中，所述分析结果预测模型可包括：图像生成器，包括卷积神

9、经网络(convolution neural network，cnn)、长短期记忆(long short-term

10、memory，lstm)及生成对抗网络(generative adversarial network，gan)，基于所输入的反应图像来生成与预设结果时间对应的预测图像，输出

11、所生成的所述预测图像；以及回归模型，包括所述卷积神经网络，基

12、于通过所述图像生成器生成的所述预测图像来输出在预设结果时间的预测浓度，所述回归模型利用学习数据来进行学习，以使基于所述学

13、习数据的反应图像来获取的在预设结果时间的预测浓度与所述学习数

14、据的在预设结果时间的实际浓度差异最小化。

15、其中，所述图像生成器可包括：编码器(encoder)，利用所述卷积神经网络来从所输入的反应图像中获取特征向量，基于所获取的所述特征向量，利用所述长短期记忆获取潜在向量(latent vector)，输出所获取的所述潜在向量；以及解码器(decoder)，基于通过所述编码器获取的所述潜在向量，利用所述生成对抗网络来生成所述预测图像，输出所生成的所述预测图像。

16、其中，所述解码器可包括：生成器(generator)，基于所述潜在向

17、量来生成所述预测图像，输出所生成的所述预测图像；以及判别器

18、(discriminator)，比较通过所述生成器生成的所述预测图像与对应于所

19、述学习数据的预设结果时间的实际图像，输出比较结果，所述解码器

20、利用所述学习数据进行学习，以判别基于所述潜在向量来获取的所述

21、预测图像为所述实际图像。

22、其中，在所述反应图像的获取步骤中，当所述光学试剂盒包括测

23、试线(test-line)及控制线(control-line)时，可获取对应于所述测试

24、线的区域的所述反应图像。

25、其中，在所述反应图像的获取步骤中，当所述光学试剂盒包括多

26、个所述测试线时，可获取与多个所述测试线中的至少一个预设的所述

27、测试线对应的区域的所述反应图像。

28、其中，在所述反应图像的获取步骤中，可获取全部包括与多个所

29、述测试线中的至少一个预设的所述测试线对应的区域的所述反应图像，获取每个所述测试线的所述反应图像，以便按所述测试线区分与多个

30、所述测试线中的至少一个预设的所述测试线对应的区域。

31、用于实现所述技术问题的本发明优选实施例的计算机程序存储在

32、计算机可读存储介质，并在计算机中运行所述基于深度学习的分析结

33、果预测方法中的一个。

34、用于实现所述目的的本发明优选实施例的基于深度学习的分析结

35、果预测装置作为基于深度学习来预测分析结果的基于深度学习的分析

36、结果预测装置，包括：存储器，存储用于预测分析结果的至少一个程序；以及至少一个处理器，执行根据存储在所述存储器的所述至少一

37、个程序预测分析结果的工作，所述处理器利用预先进行学习并构建的分析结果预测模型，基于与从试样获取的样品及光学试剂盒的相互反

38、应有关的预设初始阶段的反应图像来预测在预设结果时间的浓度。

39、其中，在所述预设初始阶段内，所述处理器可按预设时间单位获

40、取多个所述反应图像。

41、其中，所述分析结果预测模型可包括：图像生成器，包括卷积神

42、经网络、长短期记忆及生成对抗网络，基于所输入的反应图像来生成

43、与预设结果时间对应的预测图像，输出所生成的所述预测图像；以及

44、回归模型，包括所述卷积神经网络，基于通过所述图像生成器生成的

45、所述预测图像来输出在预设结果时间的预测浓度，所述回归模型利用

46、学习数据来进行学习，以使基于所述学习数据的反应图像来获取的在

47、预设结果时间的预测浓度与所述学习数据的在预设结果时间的实际浓

48、度差异最小化。

49、其中，所述图像生成器可包括：编码器，利用所述卷积神经网络来从所输入的反应图像中获取特征向量，基于所获取的所述特征向量，利用所述长短期记忆获取潜在向量，输出所获取的所述潜在向量；以及解码器，基于通过所述编码器获取的所述潜在向量，利用所述生成对抗网络来生成所述预测图像，输出所生成的所述预测图像。

50、发明的效果

51、根据本发明优选实施例的基于深度学习的分析结果预测方法及装

52、置，可基于深度学习来预测侧向层析等免疫反应分析试剂盒、抗原抗体诊断试剂盒等的分析结果，由此可以缩减能够确认结果的时间。

53、本发明的效果并不局限于以上提及的效果，本发明所属技术领域的普通技术人员可以从以下的记载明确理解未提及的其他效果。

技术特征：

1.一种基于深度学习的分析结果预测方法，其特征在于，包括如

2.根据权利要求1所述的基于深度学习的分析结果预测方法，其

3.根据权利要求2所述的基于深度学习的分析结果预测方法，其

4.根据权利要求3所述的基于深度学习的分析结果预测方法，其

5.根据权利要求4所述的基于深度学习的分析结果预测方法，其特征在于，

6.根据权利要求1所述的基于深度学习的分析结果预测方法，其特征在于，在所述反应图像的获取步骤中，当所述光学试剂盒包括测试线及控制线时，获取对应于所述测试线的区域的所述反应图像。

7.根据权利要求6所述的基于深度学习的分析结果预测方法，其特征在于，在所述反应图像的获取步骤中，当所述光学试剂盒包括多个所述测试线时，获取与多个所述测试线中的至少一个预设的所述测试线对应的区域的所述反应图像。

8.根据权利要求7所述的基于深度学习的分析结果预测方法，其特征在于，

9.一种计算机程序，其特征在于，为了在计算机中运行根据权利要求1至8中任一项所述的基于深度学习的分析结果预测方法而存储在计算机可读存储介质。

10.一种基于深度学习的分析结果预测装置，基于深度学习来预测分析结果，其特征在于，包括：

11.根据权利要求10所述的基于深度学习的分析结果预测装置，其特征在于，在所述预设初始阶段内，所述处理器按预设时间单位获取多个所述反应图像。

12.根据权利要求11所述的基于深度学习的分析结果预测装置，其特征在于，

13.根据权利要求12所述的基于深度学习的分析结果预测装置，

技术总结本发明优选实施例的基于深度学习的分析结果预测方法及装置可基于深度学习来预测侧向层析等免疫反应分析试剂盒、抗原抗体诊断试剂盒等的分析结果，由此可以缩减能够确认结果的时间。技术研发人员：李政勋,李起佰,柳镛炅,李升旻,李学俊,文志元受保护的技术使用者：光云大学校产学协力团技术研发日：技术公布日：2024/6/5