[发明专利]基于机器学习的流式免疫细胞智能分析系统

说明书

本发明提供了一种基于机器学习的流式免疫细胞智能分析系统，属于流式细胞学技术领域。本发明首先对流式细胞原始数据进行荧光补偿调节及对数变换和归一化预处理，再去除离聚类中心距离超过预设阈值的黏连细胞，接下来去除碎片后识别有核细胞群，识别总淋巴细胞群，识别总T细胞群以及总T细胞群的亚群，识别B细胞群和NK细胞群，最后将结果可视化和统计分析。本发明的流式免疫细胞智能分析系统鲁棒性强，准确且高效。

技术领域

本发明涉及流式细胞学技术领域，尤其涉及一种基于机器学习的流式免疫细胞智能分析系统。

背景技术

流式细胞学(flowcytometry，FCM)是以高能量激光照射高速流动状态下，经荧光标记的单细胞(生物微粒)，通过检测产生的散射光和荧光的信号强度，从而对细胞进行定性分类和定量统计，实现对目的细胞的分析或分选的技术。

人体主要的免疫细胞包括T细胞(反映细胞免疫功能)、B细胞(反映体液免疫功能)和NK细胞(反映固有免疫功能)，不同类型的免疫细胞具备不同的细胞表面抗原。FCM通过采用多种不同荧光素标记的单克隆抗体试剂，标记人体外周血细胞，实现对各亚群免疫细胞的分类。

目前FCM对免疫细胞的分析，主要是依靠流式技术人员的人工分析。流式技术人员通过对仪器获取到的所有参数，进行单参数或两两参数组成的二维散点图的逐个分析，最后综合所有散点图的分析情况，实现对各亚群的免疫细胞的分析，因此存在如下缺点：

1、主观性大：每个专业人员的经验不同以及判断依据也不完全相同，因此，判断结果也就会有所偏差，甚至同一个人在不同环境、状态下给出的判断结果也不一定完全相同。

2、劳动强度大效率低：判断的人员需要一定的技术基础以及工作经验，而实际的巨大工作量和相对缺乏的专业人员加大了工作人员的劳动强度。期间依赖相对较少的专业人员去人工完成巨大的工作量，其工作效率自然不高。

3、目前有部分研究采用神经网络的方法对数据进行分析，尽管取得了相对比较好的结果，但神经网络的建模、学习以及数据标注成本较高，其算法在处理百万级数据样本时，分析的效率和准确度方面也不够理想。

4、另外某些单一的无监督的机器学习算法，如直接聚类法，在细胞类别数不固定的情况下，其准确率会受到很大影响。

发明内容

为解决现有技术中存在的问题，本发明提供了一种基于机器学习的流式免疫细胞智能分析系统，首先对流式细胞原始数据进行荧光补偿调节和对数变换及归一化预处理，再去除离聚类中心距离超过预设阈值的黏连细胞，接下来去除碎片后定义有核细胞群，定义总淋巴细胞群，定义总T细胞群以及更细化的亚群，定义B细胞群和NK细胞群等步骤，并将结果存储及可视化。本发明的流式细胞分析系统鲁棒性强，准确且高效。

本发明提供了一种基于机器学习的流式免疫细胞智能分析系统，执行如下操作：

对临床检测获得的流式细胞原始数据，进行荧光补偿调节和对数变换及归一化预处理；

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，预测各细胞群的概率密度分布；

采用峰值信号检测算法检测出各细胞群的概率密度曲线中的波峰，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，先识别总淋巴细胞群，再识别总T细胞群、T细胞亚群、B细胞群和NK细胞群；

将识别结果可视化，并进行统计分析。

优选地，将临床检测获得的流式细胞原始数据，进行荧光补偿调节，具体为使用与流式细胞仪设置相关的荧光补偿矩阵，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。