[发明专利]一种以免疫标记及视觉化方式建立免疫疾病辅助判读模型的方法

说明书

一种以免疫标记及视觉化方式建立免疫疾病辅助判读模型的方法，搜集复数受试者经由免疫标记套组检验的数据，及其每位受试者相对应的疾病诊断资料，建立免疫标记套组检验资料库，通过机器学习演算法处理后，形成具有图像的辅助判读模型，接着让新受试者进行免疫标记套组的检验，将取得的数据由群聚式的机器学习演算法处理，使其数据与免疫标记套组检验资料库呈现图像化至辅助判读模型进行分布型态的比对；通过上述，本案提供了多数据的即时分析供临床医师参考，在正确性、时效性及判读结果重现性上，皆可获得改善。

技术领域

本发明提供一种建立辅助判读模型的方法，尤指一种以免疫标记及视觉化方式建立免疫疾病辅助判读模型的方法，通过免疫标记套组结合机器学习演算法的即时分析，再经由图像化的呈现比对结果，供使用者从整体数据分布找出新标的个案可能的免疫疾病。

背景技术

免疫疾病是许多发展中国家、发达国家的主要疾病，而免疫疾病种类繁多，疾病的确定诊断通常须根据多项的准则进行判断。文献指出，由于免疫疾病的多样性，约有20％-52％的风湿免疫科别病患无法得到确切诊断。此外，某些免疫疾病的进展缓慢，在早期临床表现常不典型，在漫长持续追踪的过程中仍无法得到确切的诊断与处置。因此，此类免疫疾病的诊断、治疗、与追踪常常不正确、不经济、不方便之外，也因而浪费相当庞大的医疗资源。

免疫疾病大多使用免疫标记套组进行检验，免疫标记套组包含了相当多项免疫标记的检验数值，医疗常规大多依靠临床医疗人员进行大数据判读，因此在时效性及正确性上皆有其不足。在判读方法的部份，使用各个免疫标记的阈值作为依据，意即：若任一免疫标记的检验数值超出了阈值，即预测该受测者有潜在免疫疾病的危险性较高。然而，这样的做法通常无法对整体数据的分布型态进行判断，因而影响其在临床使用上的效能。

目前在风湿免疫疾病的临床实务上，缺乏可行的技术可方便且经济实惠地对于一些“无法明确定义的风湿免疫疾病”(Undifferentiated Connective Tissue Disease,UCTD)进行诊断与追踪，以协助合适的处置。临床实务上对于UCTD的诊断与处置，常因个别医师经验的差异而有所不同。总体而言，这些做法不但缺乏客观性、价钱高，而且可能使病患暴露在潜在的医源性伤害下，不是理想的做法。

综合上述，目前缺乏可行的技术，可方便地协助临床工作人员客观地理解、诊断与追踪UCTD。

发明内容

本发明提供一种以免疫标记及视觉化方式建立免疫疾病辅助判读模型的方法，流程如下：(1)将多项免疫标记结合成一免疫标记套组；(2)搜集复数受试者经由该免疫标记套组检验的数据，及其相对应疾病诊断资料，以建立一免疫标记套组检验资料库，接着将该免疫标记套组检验资料库的资料输入至机器学习机中，再通过一机器学习机的群聚式的机器学习演算法处理后以图像的方式呈现，形成一具有视觉化的辅助判读模型；(3)新受试者的检验数据与该辅助判读模型进行比对：新受试者的检验数据于该免疫标记套组中，挑选至少两项以上不同的该免疫标记进行检验，接着将数据输入至机器学习机中，及从该免疫标记套组检验资料库挑选相对应的检验项目，通过群聚式的机器学习演算法比对分析，并以图像的方式显示于该辅助判读模型中进行分布型态的比对，通过视觉化的辅助判读模型分布情形可做为辅助标记新受试者的免疫疾病属性与追踪其随时间的变化，可做为医生判断的参考依据。

更进一步地，所述新受试者的检验数据可在不同时间进行的检测，并同时显示于该辅助判读模型上，以表现新受试者的检验数据演变。

更进一步地，所述的群聚式的机器学习演算法包括：主成分分析法、自组织映射图、阶层分群法、K平均分群法、K中心分群法、最大期望分群法、基于密度的分群法、基于网格的分群法、基于模式的分群法或上述的任意组合。

更进一步地，检体为人体的血液、尿液、唾液、汗液、粪便、胸水、腹水或脑脊髓液。