一种以机械学习演算法分析检验数值以侦测体液中微生物的方法与流程

本发明系为侦测体液中微生物的方法，尤指一种以机械学习演算法分析检验数值以侦测体液中微生物的方法，透过将体液检验套组结合机械学习演算法达到大数据的辅助判读。

背景技术：

体液微生物将造成感染而引发严重疾病，现阶段所有自动化体液分析仪对微生物的检测能力均相当有限，若只依赖体液分析仪进行检验，将会导致体液中的微生物呈现伪阴性而无法被检出，尤其无临床症状的一般族群，更是会影响临床医师误诊的机会；在过去，人工镜检方式可以增加体液中微生物的检出率。但若将每一体液检体以人工镜检方式进行检验，将会耗费许多人力，特别是在检体量大的医疗单位更是明显有此问题存在。因此，在体液检验自动化的趋势下，目前市售的体液自动化机台均没有检测微生物的能力，根据上述缺失，先前技术仍有改善空间。

技术实现要素：

本发明的目的在于提供一种以机械学习演算法分析检验数值以侦测体液中微生物的方法，以机械学习演算法分析检验数值以侦测体液中微生物的方法，透过将体液检验套组结合机械学习演算法达到大数据的辅助判读。

为实现上述目的，本发明公开了一种以机械学习演算法分析检验数值以侦测体液中微生物的方法，其特征在于包含下列步骤：

体液检验套组检验：将受检者的体液检体透过体液检验套组的检验形成生物样本数据；

建立机械学习模型：将多个受检者各别的生物样本数据及相对应微生物感染状态输入至机械学习机中，并透过该机械学习机选出数个分类效能最佳的变量数值及其相对应的微生物感染状态，再经由机械学习演算法建立体液微生物预测模型；

藉由上述方法，将新受检者所检验出的体液检验套组数据输入至体液微生物预测模型中，即可进行运算及分析体液中是否感染微生物。

其中：于体液微生物预测模型的辅助判读后所检验出已感染微生物的检体，再利用微生物相关检验法进行再次确认是否感染微生物。

其中：所述的微生物相关检验法系使用显微镜观察、抗体抗原反应相关的免疫分析法、聚合酶连锁反应、微生物培养或上述的任意组合。

其中：受检者的体液检体为血液、尿液、唾液、汗液、粪便、胸水、腹水或脑脊髓液。

其中：体液检验套组内含的检验标志为总蛋白、白蛋白、白血球脂化酶、c反应蛋白、前降钙素、红血球沉降速率、乳酸、乳酸去氢酶、糖份、钠离子、钾离子、钙离子、氯离子、镁离子、亚铁离子、铁离子、尿素氮、肌酐酸、胱蛋白c、胆红素、尿胆红素原、尿胆红素、粪胆色素、比重、渗透压、酮体、酸碱值、硝酸根、潜血反应、红血球计数、白血球计数、上皮细胞计数、胆固醇、淀粉酶、圆柱体、结晶或上述的任意组合。

其中：使用的机械学习方法为逻辑式回归、k邻近法、支持向量机、类神经网路学习、决策树、随机森林、贝氏决策法或上述的任意组合。

通过上述内容可知，本发明包含下列步骤：体液检验套组检验：将受检者的体液检体透过体液检验套组的检验形成生物样本数据；建立机械学习模型：将多个受检者各别的生物样本数据及相对应微生物感染状态输入至机械学习机中，并透过该机械学习机选出数个分类效能最佳的变量数值及其相对应的微生物感染状态，再经由机械学习演算法建立体液微生物预测模型；藉由上述方法，将新受检者所检验出的体液检验套组数据输入至体液微生物预测模型中，即可进行运算及分析体液中感染微生物的可能性；及微生物相关检验法再验证：于体液微生物预测模型的辅助判读后所检验出已感染微生物的检体，再利用微生物相关检验法进行再次确认是否感染微生物。

上述的微生物相关检验法系使用显微镜观察、抗体抗原反应相关的免疫分析法、聚合酶连锁反应(polymerasechainreaction,pcr)、微生物培养或上述的任意组合。

将多个体液检验套组与微生物感染结果，相对应输入已建立的机械学习机，透过自动化判读及分析结果判断新的体液检体内部是否含有微生物的存在，进一步地解决了体液检验套组无法透过自动化分析仪检验出微生物的问题；以及，透过机械学习机进行大数据的筛检，将有问题检体挑出，再利用微生物相关检验法验证，可以减少相当数量的微生物相关检验及时间耗费，进而节省人力、物力，带来经济效益的改变，此外还能在大幅降低微生物相关检验数量的情况下，降低伪阴性的检测及增加检出率。

其中所述微生物感染状态可依照有感染微生物或无感染微生物的状态分类，或是以感染微生物状态严重程度分类，并透过该机械学习机使用单变量统计法，选出数个分类效能最佳的变量数值及其相对应的微生物感染状态。

其中受检者的体液检体为血液、尿液、唾液、汗液、粪便、胸水、腹水或脑脊髓液。

其中体液检验套组内含的检验标志为总蛋白(totalprotein)、白蛋白(albumin)、白血球脂化酶(leukocyteesterase)、c反应蛋白(c-reactiveprotein)、前降钙素(procalcitonin)、红血球沉降速率(erythrocytesedimentationrate)、乳酸(lactate)、乳酸去氢酶(lactatedehyroxylase)、糖份(sugar)、钠离子(na)、钾离子(k)、钙离子(ca)、氯离子(cl)、镁离子(mg)、亚铁离子(fe2+)、铁离子(fe3+)、尿素氮(ureanitrogen)、肌酐酸(creatinine)、胱蛋白c(cystatinc)、胆红素(bilirubin)、尿胆红素原(urobilinogen)、尿胆红素(urobilin)、粪胆色素(stercobilin)、比重(specificgravity)、渗透压(osmolality)、酮体(ketone)、酸碱值(ph)、硝酸根(nitrite)、潜血反应(occultblood)、红血球计数(redbloodcellscounts)、白血球计数(whitebloodcellscounts)、上皮细胞计数(epithelialcellscounts)、胆固醇(cholesterol)、淀粉酶(amylase)、圆柱体(cast)、结晶(crystal)或上述的任意组合。

其中使用的机械学习方法为逻辑式回归(logisticregression)、k邻近法(knearestneighbor)、支持向量机(supportvectormachine)、类神经网路学习(artificialneuronnetwork)、决策树(decisiontree)、随机森林(randomforest)、贝氏决策法(bayesiannetwork)或上述的任意组合。

由此可见，本发明的优点在于：

1、提醒临床医检人员应使用微生物相关检验法进行镜检个案，临床医检人员可特别针对可能性高的检体进行微生物相关检验法确认，而避免全面性地对所有检体进行微生物相关检验法检验，不但可提高微生物体的检出率，而且可以大幅减少人力物力的花费。

2、以不同的机械学习演算法进行尿液检验结果资料形式学习，均能大幅地提升了潜在的筛检效能，各种不同的机械学习演算法的微生物筛检效能，其操作特征曲线下面积证明机械学习演算法的使用显著地提高筛检效能。

附图说明

图1为本发明检测方法的方块流程示意图。

图2为本发明再利用微生物相关检验法验证的方块流程示意图。

图3为本发明使用不同机械学习演算法预测尿液中阴道滴虫的曲线下面积示意图。

图4为本发明使用机械学习演算法预测阴道滴虫的筛检效益示意图。

具体实施方式

从图1、图2的揭露可知，本发明提供一种以机械学习演算法分析检验数值以侦测体液中微生物的方法，包含下列步骤：体液检验套组检验：将受检者的体液检体透过体液检验套组的检验形成生物样本数据；建立机械学习模型：将多个受检者各别的生物样本数据及相对应微生物感染状态输入至机械学习机中，所述微生物感染状态可依照有感染微生物或无感染微生物的状态分类，或是以感染微生物状态严重程度分类，并透过该机械学习机使用单变量统计法，选出数个分类效能最佳的变量数值及其相对应的微生物感染状态，再经由机械学习内部的监督式机械学习演算法建立体液微生物预测模型；藉由上述方法，将新受检者所检验出的体液检验套组数据输入至体液微生物预测模型中，即可进行运算及分析体液中感染微生物的可能性；及微生物相关检验法再验证：于体液微生物预测模型的辅助判读后所检验出已感染微生物的检体，再利用微生物相关检验法进行再次确认是否感染微生物。

所述的微生物相关检验法系使用显微镜观察、抗体抗原反应相关的免疫分析法、聚合酶连锁反应、微生物培养或上述的任意组合。

使用机械学习演算法的运算后，可提醒临床医检人员应使用微生物相关检验法进行镜检个案，临床医检人员可特别针对可能性高的检体进行微生物相关检验法确认，而避免全面性地对所有检体进行微生物相关检验法检验，不但可提高微生物体的检出率，而且可以大幅减少人力物力的花费。

以下估算本发明的实施所带来的成本效益及进步性。

若每一检体执行微生物相关检验法(以显微镜观察为例)，每天600支检体计算：

检体离心：每次约20支同时离心，每天约离心30次，每次5分钟。

准备+观察：1分钟/支。

每天花费时间：(30*5)+600＝750分钟。

机械学习可限缩到只需挑取5％的检体离心，每天约30支：

检体离心：每次约2支同时离心，每天约离心15次，每次5分钟。

准备+观察：1分钟/支。

每天花费时间：(15*5)+30＝105分钟。

相较于传统作法，使用本发明的方法可以减少645(分钟/天)工时。

由上述可知，本发明方法的实施有助于检验操作人员以更有效率的方式发现体液中的微生物。

由图3及图4揭露使用机械学习方法进行阴道滴虫模型建立实施例与应用。阴道滴虫会造成阴道滴虫阴道炎，是一种经由性交传播的疾病。根据2008年世界卫生组织(who)估计，滴虫是最为流行的非病毒性传播的全球性疾病(std)，影响每年有超过2.76亿人口，全美估计有370万人感染，但只有约30％具有临床症状。潜伏期为5-28天，感染在女性中比在男性中更常见，并且年长的女性比年轻的女性更可能被感染。检验操作人员可以经由尿液检验发现阴道滴虫，能够提早提供阴道炎诊断与治疗。由于检验技术的进步，检验机台逐渐自动化，进一步缩短检验时间、减少人力、降低繁复一致性的工作、提高工作效率。传统的体液检验方式，已经没有办法满足自动化所带来的优点。然而目前市售的尿液自动化机台均没有检测微生物的能力。在林口长庚纪念医院初步的研究发现，阴道滴虫检出率在传统离心镜检时为0.6‰，使用自动化机台的后骤降为0.15‰。在自动化尿液自动化检验机台的使用之下，阴道滴虫的低检出率与伪阴性已造成了临床的重要问题。

检验方法流程如下：

1.受试者的条件(纳入、排除条件)、数目：受试者为体液检验结果完整，包含尿液化学检验结果与尿液沉渣检验结果。本实施例采用病历回溯，不需另外招募受试者。估计完整尿液检验结果共约80万笔检验样本。

2.设计及方法：主要测量值为7种尿液检验结果，依据报告中是否含有阴道滴虫进行分类，完成资料搜集。

2-1.特征选取：在进行初步资料清洗后，本实施例使用单变量分析，依变量特性选择适当的单变量统计法(卡方检定与t检定)，可选出年龄、白血球酯酵素、尿蛋白、白血球、上皮细胞等特征，作为后续模型训练之特征。

2-2.模型训练：特征选取完成后，本实施例依此建立数个监督式学习模型，包含：逻辑式回归、支持向量机、随机森林等。模型训练运用随机分组与内部交叉验验证之方法，来进行机械学习模型之训练与学习，首先取出模型训练组数据，利用内部交叉验证法，逐步选择最佳模型参数。

3.资料回溯期间、本实施例执行期间：资料回溯期间自2009年1月1日至2013年12月31日。

4.结果的评估及统计方法：本实施例运用随机分组与内部交叉验证的方法，来进行机械学习模型的训练与学习，并用外部交叉验证方法评估模型效力。依此方法，其效力将以接收者操作特征曲线(roccurve)与效能提升(lift)进行评估，并同时计算其曲线下面积(areaunderroccurve,auc)。

从图3不同的机械学习演算法的曲线下面积(auc)可知，三种机械学习演算法逻辑(逻辑式回归、支持向量机、随机森林)在女性与男性族群里，预测尿液中阴道滴虫的能力皆相当良好。

从图4可知三种不同的机械学习演算法(逻辑式回归、支持向量机、随机森林)，均能提升尿液中阴道滴虫的筛检效益。相较于全面人工筛检，使用本发明的方法，在男性或女性高危险族群(前5％)的检体中，皆可提升7倍以上的筛检率。

由上述可知，以不同的机械学习演算法进行尿液检验结果资料形式学习，均能大幅地提升了潜在阴道滴虫的筛检效能。如图3所示，各种不同的机械学习演算法的微生物筛检效能，其操作特征曲线下面积证明了尿液检验套组结果并配合机械学习演算法的使用，显著地提高阴道滴虫筛检效能，尤其女性实验数据中的效能提升更加明显。