[发明专利]基于机器学习的流式免疫细胞智能分析系统

权利要求书

1.一种基于机器学习的流式免疫细胞智能分析系统，其特征在于，执行如下操作：

对临床检测获得的流式细胞原始数据，进行荧光补偿调节，对荧光信号参数进行数值的对数变换，对荧光信号参数和散射光信号参数都进行数值归一化预处理；荧光信号参数包括CD45、CD3、CD19、CD4、CD8和CD16/56，散射光信号参数包括前向散射光FSC和侧向散射光SSC；

去除离聚类中心距离超过预设阈值的黏连细胞；

采用高斯核密度算法，统计细胞群的荧光信号参数CD45和散射光信号参数SSC，预测各细胞群的概率密度分布；

采用峰值信号检测算法，利用荧光信号参数CD45和散射光信号参数SSC检测出各细胞群的概率密度曲线中的波峰，识别细胞碎片和有核细胞群的分界点，去除碎片，识别出有核细胞群；

依次识别出有核细胞以外的免疫细胞群，具体为：

先采用CD45和SSC两个信号参数使用高斯核密度估计算法和峰值信号检测算法识别总淋巴细胞群；

再对识别得到的总淋巴细胞群，采用CD3荧光信号参数，使用高斯核密度估计算法和峰值信号检测算法，识别出总T细胞群；

对识别出的总T细胞群进一步分析，采用CD4荧光信号参数，使用高斯核密度估计算法和峰值信号检测算法，识别出CD3+CD4+T细胞亚群；

对识别得到的总T细胞群，采用CD8荧光信号参数，使用高斯核密度估计算法和峰值信号检测算法，识别出CD3+CD8+T细胞亚群；

将识别得到的总T细胞群、CD3+CD4+T细胞亚群、CD3+CD8+T细胞亚群进行比较，筛选出属于总T细胞群，但不属于CD3+CD4+T细胞亚群和CD3+CD8+T细胞亚群的细胞，定义为CD3+CD4-CD8-T细胞亚群；

将识别得到的总T细胞群、CD3+CD4+T细胞亚群、CD3+CD8+T细胞亚群进行比较，筛选出同时属于这三种的细胞，定义为CD3+CD4+CD8+T细胞亚群；

对识别得到的总T细胞群进一步分析，采用CD16/56荧光信号参数，使用高斯核密度估计算法和峰值信号检测算法，识别出CD3+CD16/56+NK样T细胞亚群；

采用CD3和CD19两个荧光信号参数，使用高斯核密度估计算法和峰值信号检测算法，识别出B细胞群；

识别出总淋巴细胞群后，采用CD3和CD16/56两个荧光信号参数，使用高斯核密度估计算法和峰值信号检测算法，识别出NK细胞群；

将识别结果可视化，并进行统计分析。

2.根据权利要求1所述的基于机器学习的流式免疫细胞智能分析系统，其特征在于，将临床检测获得的流式细胞原始数据，进行荧光补偿调节，具体为，对临床检测获得的流式细胞原始数据进行自动荧光补偿校正。

3.根据权利要求2所述的基于机器学习的流式免疫细胞智能分析系统，其特征在于，对数变换及归一化预处理，具体为对荧光信号参数进行数值的对数变换，然后对荧光信号参数和散射光信号参数都进行数值归一化预处理，具体包括如下步骤：

采用Logical函数进行对数变换，函数公式为：

b＝r·10^-(M-W)(10^a-w-p²·10^(w-a)/p+p²-1)，a≥w

b＝-r·10^-(M-W)(10^w-a-p²·10^(a-w)/p+p²-1)，a＜w

其中，

b为进行Logical变换后的数值；

a为进行Logical变换前的数值；

r为数据的分辨率；

M为图形显示宽度的数量级；

W为线性范围的宽度；

p为线性强度，W＝2p·log(p)/(p+1)；

将所有信号参数的数据转换到[0，1]*α的范围，其中，α为缩放因子，取值范围为512-2048的整数，取2的整数次幂。

4.根据权利要求3所述的基于机器学习的流式免疫细胞智能分析系统，其特征在于，利用线性拟合算法去除离聚类中心距离超过预设阈值的黏连细胞。