药敏结果识别方法、装置、电子设备及可读存储介质与流程

1.本技术涉及微生物药敏技术领域，特别是涉及一种药敏结果识别方法、装置、电子设备及可读存储介质。


背景技术：

2.在细菌检验中以自动化系统代替传统的手工操作是当代临床检验进步的标志之一。全自动微生物鉴定和药敏分析仪器的应用为快速、正确的细菌学报告创造了物质基础，使得细菌检验水平获得了一个飞跃。由多种病原微生物所致的传染病遍布临床各个科室，其中细菌性感染最为常见，因此抗菌药物也就成为临床应用最广泛的药物之一。在抗菌药物治愈和挽救了许多患者生命的同时，也同时出现了由于抗菌药物应用不合理，如药物的品种、计量的选择错误，不良反应增多，细菌耐药性增长等原因，给病人健康乃至生命造成重大影响。
3.药敏试验用于对检测药物敏感度的测定，以便准确有效地利用药物进行治疗。其基本原理为：通过检测微生物在不同浓度药物下生长状况，确定该药物对杀死细胞最有效的浓度信息。药敏试验过程包括：将相同浓度的菌液置于含有不同浓度药物的反应孔中，反应体系中包含显色剂及培养液，显色剂会根据细胞的生长情况产生颜色变化。通过酶标仪采集吸光值(od(optical density，光密度))，每半小时连续测定反应孔中颜色变化的吸光度值，通过od值的变化规律判断细菌生长情况。
4.相关技术在对药敏结果识别过程中，通常采用目力判读，举例来说，国产的厂家一般采用终点判读方式，这种方式时效性较差，临床报告时间较长。即使参与的算法模型也一般通过加速度法、速度法、斜率法和阈值法等对是否有微生物生长进行阴阳性判定。而可以理解的是，药敏目力判读需要经过专业训练的实验员进行肉眼观察，不仅依赖技术人员的专业技能，受个人因素影响，而且在劳动强度较大和疲劳状态的场景下，进行大批量实验时误判率高，效率低下。进一步的，国内外市场上快速药敏检测的软硬件系统价格昂贵，难以在国内基层推广。
5.鉴于此，如何高效、低成本且精准地识别药敏结果，是所属领域技术人员需要解决的技术问题。


技术实现要素：

6.本技术提供了一种药敏结果识别方法、装置、电子设备及可读存储介质，可高效、低成本且精准地识别药敏结果。
7.为解决上述技术问题，本发明实施例提供以下技术方案：
8.本发明实施例一方面提供了一种药敏结果识别方法，包括：
9.获取待测试数据，所述待测试数据为第一时间段内目标菌种在目标浓度药物中的光密度数据；
10.根据所述目标菌种在未添加目标药物时的光密度数据和所述目标菌种在所述目
标药物的不同浓度下的光密度数据，确定所述目标菌种在未来预设时间段的生长信息，以得到扩充测试数据；
11.根据提取的所述扩充测试数据的浓度信息特征、所述扩充测试数据分别与未添加所述目标药物的所述目标菌种的光密度数据、与所述目标药物的多个参照浓度下的所述目标菌种的光密度数据之间的相似信息特征，生成待识别生长特征；
12.将所述待识别生长特征输入至预先训练好的生长预测模型中，得到所述目标菌种在所述目标药物中的生长情况预测值。
13.可选的，所述将所述待识别生长特征输入至预先训练好的生长预测模型中，得到所述目标菌种在所述目标药物中的生长情况预测值之后，还包括：
14.获取所述目标菌种在所述目标药物的不同浓度下的生长情况预测值；
15.根据所述目标菌种在所述目标药物的不同浓度下的生长情况预测值，确定所述目标菌种对应所述目标药物的最小抑菌浓度预测值。
16.可选的，所述根据所述目标菌种在未添加目标药物时的光密度数据和所述目标菌种在所述目标药物的不同浓度下的光密度数据，确定所述目标菌种在未来预设时间段的生长信息，以得到扩充测试数据，包括：
17.根据所述目标菌种在所述第一时间段的每个已知时刻的光密度数据，确定所述目标菌种的原始增长率；
18.根据所述目标菌种在目标药物的不同浓度下的历史生长数据和所述原始增长率，确定所述目标菌种的通用增长率；
19.根据所述目标菌种在目标已知时刻的光密度值和所述原始增长率，确定所述未来预设时间段内多个初始未来时刻的初始预测光密度；
20.根据所述通用增长率和各初始预测光密度值，确定所述未来预设时间段内多个后期未来时刻的后期预测光密度值；
21.基于所述目标菌种在不添加目标药物时的原始最大光密度值、各初始预测光密度值和各后期预测光密度值，确定所述待测试数据在未来预设时间段的预测光密度数据；
22.将所述预测光密度数据和所述待测试数据作为扩充测试数据。
23.可选的，所述根据所述目标菌种在目标药物的不同浓度下的历史生长数据和所述原始增长率，确定所述目标菌种的通用增长率，包括：
24.根据所述目标菌种在目标药物的不同浓度下的历史生长数据，确定所述目标菌种的最大光密度值及对应的目标时刻；
25.根据所述最大光密度值和所述目标时刻之前多个时刻的光密度值，确定增长率变化率；
26.根据所述原始增长率和所述增长率变化率，确定所述目标菌种的通用增长率。
27.可选的，所述根据提取的所述扩充测试数据的浓度信息特征、所述扩充测试数据分别与未添加所述目标药物的所述目标菌种的光密度数据、与所述目标药物的多个参照浓度下的所述目标菌种的光密度数据之间的相似信息特征，生成待识别生长特征，包括：
28.根据所述目标菌种在所述目标浓度药物下各时刻的光密度值，计算所述目标浓度药物下的光密度集中趋势信息、光密度离散及变化信息、光密度连续变化信息和相邻时刻的相关程度信息；
29.根据所述目标菌种在所述目标浓度药物的光密度数据和与未添加所述目标药物的所述目标菌种的光密度数据之间的几何度量空间距离、线性相关程度信息和向量空间距离；
30.根据所述目标菌种在所述目标浓度药物的光密度数据，分别与所述目标药物在各参照浓度下的所述目标菌种的光密度数据之间的几何度量空间距离、线性相关程度信息和非对称性度量信息。
31.可选的，所述将所述待识别生长特征输入至预先训练好的生长预测模型中，得到所述目标菌种在所述目标药物中的生长情况预测值之前，还包括：
32.预先搭建机器学习模型框架；
33.获取所述目标菌种分别在无抗菌药物和不同抗菌药物中，处于不同药物浓度下的历史光密度数据，并为各历史光密度数据设置相应的标签，所述标签包括生长标签和未生长标签；
34.按照预设比例，将所述历史光密度数据划分生成训练样本集和测试样本集；
35.对所述训练样本集的各训练样本，根据提取的当前训练样本的浓度信息特征、所述当前训练样本分别与未添加抗菌药物的所述目标菌种的光密度数据、与目标抗菌药物的多个参照浓度下的所述目标菌种的光密度数据之间的相似信息特征，生成训练生长特征；
36.对所述测试样本集的每个测试样本，根据所述目标菌种在未添加抗菌药物和目标抗菌药物不同浓度下的光密度数据，确定当前测试样本中的所述目标菌种在未来预设时间段的生长信息，以得到所述当前测试样本的扩充测试样本数据；
37.利用所述训练样本集的各训练样本及其对应的训练生长特征，不断训练机器学习模型，直至所述测试样本集的各扩充测试样本数据测试训练好的机器学习模型的准确率大于预设准确度阈值，得到生长预测模型。
38.可选的，所述机器学习模型为支持向量机，所述利用所述训练样本集的各训练样本及其对应的训练生长特征，不断训练机器学习模型，包括：
39.根据每个训练样本的训练生长特征随机构造初始超平面；
40.根据所述初始超平面得到对应的决策函数，并根据所述决策函数和预设惩罚参数确定最优化问题；
41.通过计算所述最优化问题，对所述初始超平面进行参数估计，得到所述支持向量机的最优参数；
42.根据所述最优参数确定当前训练周期所得的支持向量机。
43.可选的，所述机器学习模型为人工神经网络模型，所述利用所述训练样本集的各训练样本及其对应的训练生长特征，不断训练机器学习模型，包括：
44.所述人工神经网络模型包括输入层、第一神经网络层、第二神经网络层和输出层；
45.将所述训练样本集的各训练样本的训练生长特征输入至所述人工神经网络模型中，得到各训练样本对应的最小抑菌浓度预测值；
46.根据每个训练样本的最小抑菌浓度预测值和最小抑菌浓度真实值，计算所述人工神经网络模型在当前训练周期下的损失函数；
47.利用bp神经网络算法，根据adam算法对所述损失函数进行优化，得到所述人工神经网络模型在当前训练周期的最优参数；
48.根据所述最优参数确定当前训练周期所得的人工神经网络模型。
49.本发明实施例另一方面提供了一种药敏结果识别装置，包括：
50.数据获取模块，用于获取待测试数据，所述待测试数据为第一时间段内目标菌种在目标浓度药物中的光密度数据；
51.数据扩充模块，用于根据所述目标菌种在未添加目标药物时的光密度数据和所述目标菌种在所述目标药物的不同浓度下的光密度数据，确定所述目标菌种在未来预设时间段的生长信息，以得到扩充测试数据；
52.特征提取模块，用于根据提取的所述扩充测试数据的浓度信息特征、所述扩充测试数据分别与未添加所述目标药物的所述目标菌种的光密度数据、与所述目标药物的多个参照浓度下的所述目标菌种的光密度数据之间的相似信息特征，生成待识别生长特征；
53.生长预测模块，用于将所述待识别生长特征输入至预先训练好的生长预测模型中，得到所述目标菌种在所述目标药物中的生长情况预测值。
54.本发明实施例还提供了一种电子设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述药敏结果识别方法的步骤。
55.本发明实施例最后还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前任一项所述药敏结果识别方法的步骤。
56.本技术提供的技术方案的优点在于，能够根据仪器按时序测定的光密度值，并结合测试数据信息，药物信息，通过分析光密度值变化规律，自动判断不同药物及同一药物不同浓度下微生物的生长情况及生长概率，进而可自动判断每条生长曲线的阴阳结果，可代替根据实验经验进行的目力判断的现有方法，同时解决该现有方法的所有弊端问题；同时还可解决药敏试验拖尾生长预测判读和药敏试验中无菌变色问题所导致药敏结构识别准确度不高的问题，整个测试过程无需增加新的硬件成本，可高效、低成本且精准地识别药敏结果。进一步的，根据连续判读的数据，进行实时动态计算，通过将根据当前时刻的待测试数据预测得的未来生长数据和当前测试数据共同作为整体测试数据，可提前报告药敏结果，有利于在尽可能短的时间内，得到概率最高的最小抑菌浓度，从而指导用药。
57.此外，本发明实施例还针对药敏结果识别方法提供了相应的实现装置、电子设备及可读存储介质，进一步使得所述方法更具有实用性，所述装置、电子设备及可读存储介质具有相应的优点。
58.应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
59.为了更清楚的说明本发明实施例或相关技术的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
60.图1为本发明实施例提供的一种药敏结果识别方法的流程示意图；
61.图2为本发明实施例提供的一个示例性应用场景下的数据扩充前的生长曲线示意图；
62.图3为本发明实施例提供的一个示例性应用场景下的数据扩充后的生长曲线示意图；
63.图4为本发明实施例提供的训练生长特征提取方法的流程示意图；
64.图5为本发明实施例提供的测试生长特征提取方法的流程示意图；
65.图6为本发明实施例提供的支持向量机算法模型示意图；
66.图7为本发明实施例提供的人工神经网络模型示意图；
67.图8为本发明实施例提供的人工神经网络模型训练流程示意图；
68.图9为本发明实施例提供的mic预测流程示意图；
69.图10为本发明实施例提供的药敏结果识别装置的一种具体实施方式结构图；
70.图11为本发明实施例提供的电子设备的一种具体实施方式结构图。
具体实施方式
71.为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
72.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
73.在介绍了本发明实施例的技术方案后，下面详细的说明本技术的各种非限制性实施方式。
74.首先参见图1，图1为本发明实施例提供的一种药敏结果识别方法的流程示意图，本发明实施例可包括以下内容：
75.s101：获取待测试数据。
76.在本步骤中，待测试数据为第一时间段内目标菌种在目标浓度药物中的光密度数据，第一时间段可为从第一时刻到当前时刻这段时间，至于第一时刻可以为加入目标药物的时刻，也可为加入目标药物之后的某个时刻，所属领域技术人员可根据实际需求进行灵活选择。为了区别，本实施例将待测菌种称为目标菌种，将测试该菌种对于的所需测试耐药性或者是说生长情况的抗菌药物称为目标药物，目标浓度是指当前测试耐药性或者是说生长情况时的抗菌药物在整个培养皿或者是说反应孔中的浓度。
77.s102：根据目标菌种在未添加目标药物和目标药物不同浓度下的光密度数据，确定目标菌种在未来预设时间段的生长信息，以得到扩充测试数据。
78.在本步骤中，光密度数据是指目标菌种在多个时刻的光密度值集合，光密度值也即od值可用来描述被检测物吸收掉的光密度，检测出的单位用od值来表示。光密度没有量纲单位，是入射光与透射光比值的对数。目标菌种在未添加目标药的光密度数据用于表示目标菌种本身的生长情况，目标菌种在目标药物不同浓度下的光密度数据用于表示不同浓度的目标药物对目标菌种的生长情况的影响作用。未来预设时间段的生长信息是指在s101得到待测试数据之后，为了实现在只拥有极短时间内的od值条件下，实现对菌种生长情况
的预测，基于目标菌种本身的生长情况和不同浓度的目标药物对目标菌种的生长情况的影响作用共同预测未来一段时间内，该目标菌种在目标浓度药物下的生长情况，将预设的未来一段时间内的生长情况数据和s101的待测试数据共同作为目标菌种在目标浓度药物下的生长数据，也即扩充测试数据。通过对比图2和图3可知，本步骤通过对原有待测试数据进行扩充，在只拥有极短时间内的od值条件下，可有效地提高预测准确率。
79.s103：根据提取的扩充测试数据的浓度信息特征、扩充测试数据分别与未添加目标药物的目标菌种的光密度数据、与目标药物的多个参照浓度下的目标菌种的光密度数据之间的相似信息特征，生成待识别生长特征。
80.在本步骤中，特征提取是指对原始数据的信息提取和压缩，包含特征处理和特征选择。浓度信息特征是指从扩充测试数据中提取的目标菌种在目标浓度药物下的生长特征信息，相似信息特征包括两部分内容，一部分为目标菌种在目标浓度药物下的生长情况和其本身的生长情况的相似信息，另一部分为目标菌种在目标浓度药物下的生长情况和其在该目标药物的其他浓度下生长情况的相似信息。浓度信息特征和相似信息特征共同作为可反应性目标菌种在目标浓度药物下的生长情况的特征信息。本步骤通过对大规模的od值数据进行降维，有效解决了过拟合现象，提高最终生长情况的预测准确率。
81.s104：将待识别生长特征输入至预先训练好的生长预测模型中，得到目标菌种在目标药物中的生长情况预测值。
82.本实施例的生长预测模型为一个二分类模型，其用于对输入的od值数据进行识别，判断菌种在相应环境中是生长还是未生长。生长预测模型为基于机器学习算法预先训练好的模型，可采用现有技术中任何一种机器学习模型进行框架搭建，并采用菌种的不同抗菌药物在不同浓度下的od值数据，在已经生长与否的情况下训练该框架得到生长预测模型。
83.在本发明实施例提供的技术方案中，能够根据仪器按时序测定的光密度值，并结合测试数据信息，药物信息，通过分析光密度值变化规律，自动判断不同药物及同一药物不同浓度下微生物的生长情况及生长概率，进而可自动判断每条生长曲线的阴阳结果，可代替根据实验经验进行的目力判断的现有方法，同时解决该现有方法的所有弊端问题；同时还可解决药敏试验拖尾生长预测判读和药敏试验中无菌变色问题所导致药敏结构识别准确度不高的问题，整个测试过程无需增加新的硬件成本，可高效、低成本且精准地识别药敏结果。进一步的，根据连续判读的数据，进行实时动态计算，通过将根据当前时刻的待测试数据预测得的未来生长数据和当前测试数据共同作为整体测试数据，可提前报告药敏结果，有利于在尽可能短的时间内，得到概率最高的最小抑菌浓度，从而指导用药。
84.需要说明的是，本技术中各步骤间没有严格的先后执行顺序，只要符合逻辑上的顺序，则这些步骤可以同时执行，也可按照某种预设顺序执行，图1只是一种示意方式，并不代表只能是这样的执行顺序。
85.可以理解的是，目力判读会由于菌种、抗生素的不同，判读标准会存在不一致的情况，对于葡萄球菌，肠球菌，肺炎链球菌，β溶血链球菌，草绿色链球菌，当测试氯霉素、克林霉素、红霉素、利奈唑胺、特地唑胺和四环素的mic(minimum inhibitory concentration，最小抑菌浓度)时，拖尾生长会使终点值判定困难。这样的情况下，在拖尾生长开始的最低的浓度处读取mic，微弱生长应忽略不计；对于葡萄球菌和肺炎链球菌，测定甲氧苄啶、磺胺
类药物mic时，允许有一些轻微的生长，因此，在读取浓度终点时，与对照生长孔比较，其孔中生长物减少应≥80％。基于上述实施例，本技术还可包括：
86.获取目标菌种在目标药物的不同浓度下的生长情况预测值；
87.根据目标菌种在目标药物的不同浓度下的生长情况预测值，确定目标菌种对应目标药物的最小抑菌浓度预测值。
88.其中，mic为能够有效杀死细菌的最小的抗生素浓度，在按照上述实施例获取目标菌种在目标药物的每个浓度下的生长情况预测值，基于这些生长情况预测值可快速、精准的确定目标菌种对应目标药物的最小抑菌浓度预测值，解决可解决药敏试验拖尾生长预测判读和药敏试验中无菌变色问题所导致mic判断准确度不高的问题。
89.在上述实施例中，对于如何执行步骤s102并不做限定，本实施例中给出扩充测试数据的一种可选的生成方式，可包括下述内容：
90.根据目标菌种在第一时间段的每个已知时刻的光密度数据，确定目标菌种的原始增长率；
91.根据目标菌种在目标药物的不同浓度下的历史生长数据和原始增长率，确定目标菌种的通用增长率；
92.根据目标菌种在目标已知时刻的光密度值和原始增长率，确定未来预设时间段内多个初始未来时刻的初始预测光密度；
93.根据通用增长率和各初始预测光密度值，确定未来预设时间段内多个后期未来时刻的后期预测光密度值；
94.基于目标菌种在不添加目标药物时的原始最大光密度值、各初始预测光密度值和各后期预测光密度值，确定待测试数据在未来预设时间段的预测光密度数据；
95.将预测光密度数据和待测试数据作为扩充测试数据。
96.在本实施例中，目标已知时刻为第一时间段内的任意一个时刻，未来预设时间段内多个初始未来时刻是指预测时间段的某几个时刻，初始未来时刻的个数可根据实际情况进行选择。预设时间段内多个后期未来时刻指预测时间段的在初始未来时刻后的某几个时刻，为了区别，称其为后期未来时刻。同样的，后期未来时刻的个数可根据实际情况进行选择。举例来说，未来预设时间段为未来3小时，那么初始未来时刻可为前两个小时中的某几个时刻，后期未来时刻可为后一个小时中的某几个时刻。同样的，为了区别且不引起歧义，预测目标菌种在初始未来时刻下的od值称为初始预测光密度，预测目标菌种在后期未来时刻下的od值称为后期预测光密度值。其中，根据目标菌种在目标药物的不同浓度下的历史生长数据和原始增长率，确定目标菌种的通用增长率的过程，可包括：
97.根据目标菌种在目标药物的不同浓度下的历史生长数据，确定目标菌种的最大光密度值及对应的目标时刻；根据最大光密度值和目标时刻之前多个时刻的光密度值，确定增长率变化率；根据原始增长率和增长率变化率，确定目标菌种的通用增长率。
98.为了使所属领域技术人员更加清楚本技术的数据扩充方法，本实施例还以对某一具体待预测8h的数据进行2h的人工补充为例阐述上述技术方案的实现方式：
99.根据对od值数据的分析和对药理学知识的研究，对某一具体待预测8h的数据进行2h的人工补充。待预测数据中某一具体浓度od值数据用x1,x2,
…
,x
16
，也即每隔半小时获取目标菌种在目标浓度药物的od值，具体补充规则如下：
100.(1)对8h的数据先按照待预测数据的原始增长率r＝x
16-x
15
增长1h，也即可得到第8.5个小时和第9个小时的od值，可表述为：
101.x
17
＝x
16
+r,x
18
＝x
17
+r
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
102.(2)分析大量od值数据可知，od值数据在第一次达到峰值之后，将出现短暂下降并逐渐维持平衡。对目标药物-目标菌种历史数据中生长的浓度数据，找到其最大od值数据x
t
，用该时刻数据和前面两个时刻数据计算增长率变化率l并向上取整。再对所有向上取整后的增长率变化率l取众数作为该目标药物-目标菌种的增长率变化率l'，也即可通过下述关系式(2)计算增长率变化率：
[0103][0104]
其中，为了便于后续使用，可将药物-菌种的不同对应关系下的增长率变化率预先存储至数据库中，在使用时直接调用即可。
[0105]
(3)根据目标药物-目标菌种的历史数据的增长率变化率l'，计算一个通用增长率r'＝r
×
l'，按照通用增长率r'再增长1h，也即可以得到第9.5个小时和第10个小时的od值：
[0106]
x
19
＝x
18
+r',x
20
＝x
19
+r'
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0107]
(4)注意到对于本身已经生长的浓度曲线，再进行同样的补充会使od值剧增，会对后续的特征选取和mic的预测造成不利的影响。实际补充中，可先对补充数据进行判断，若其补充od值数据已超过0浓度曲线也即不添加抗菌药物时目标菌种的生长关系对应的最大值od值数据将其置为也即在获取未来预设时间段的od值之后，可基于下述关系式(4)进行进一步调整，将调整后的od值作为最终预测od值：
[0108][0109]
其中i＝17,18,19,20。经过以上四步的补充，将待预测的8h的数据x1,x2,
…
,x
16
变成了10h的数据x1,x2,
…
,x
19
,x
20
。
[0110]
由上可知，本实施例实现了在有效缩短预测时间的前提下提高整体预测准确率的效果，可更准确的指导用药。
[0111]
在上述实施例中，对于如何执行步骤s103并不做限定，本实施例中给出待识别生长特征的一种可选的生成方式，可包括下述内容：
[0112]
根据目标菌种在目标浓度药物下各时刻的光密度值，计算目标浓度药物下的光密度集中趋势信息、光密度离散及变化信息、光密度连续变化信息和相邻时刻的相关程度信息；
[0113]
根据目标菌种在目标浓度药物的光密度数据和与未添加目标药物的目标菌种的光密度数据之间的几何度量空间距离、线性相关程度信息和向量空间距离；
[0114]
根据目标菌种在目标浓度药物的光密度数据，分别与目标药物在各参照浓度下的目标菌种的光密度数据之间的几何度量空间距离、线性相关程度信息和非对称性度量信息。
[0115]
在本实施例中，光密度集中趋势信息可采用目标菌种在目标菌种的目标浓度药物下的不同时刻的光密度值的平均值表示。光密度离散及变化信息可采用目标菌种在目标药物的目标浓度药物下的不同时刻的光密度值的标准差和极差来表示。光密度连续变化信息
可采用目标菌种在目标浓度药物中的不同时刻的光密度值的差分信息表示，相邻时刻的相关程度信息可采用目标菌种在目标浓度药物下的相邻时刻的光密度值的自相关系数可表示。几何度量空间距离包括但并不限制于曼哈顿距离和欧式距离，线性相关程度信息可为但并不限制于相关系数，向量空间距离可为但并不限制于余弦相似度，非对称性度量信息可为但并不限制于相对熵。为了使所属领域技术人员更加清楚明白本技术的技术方案，本技术还以提供了上述实施例的一种可选的实施方式，可包括：
[0116]
目标药物-目标菌种的光密度数据可用表示，其中i表示0.5
×
i时刻，j表示对应浓度序列从小到大的第j个浓度，i,j取值范围可为i＝1,2,
…
n；j＝1,2,
…
m。n,m为所在目标药物-目标菌种组合下od值数据的时刻总个数和浓度总个数。
[0117]
(1)浓度曲线自身数据的特征是由各浓度自身数据提取而成，反应了本浓度od值数据的情况和变化规律。也即扩充测试数据的浓度信息特征可包括下述几个特征：
[0118]
1)平均值
[0119][0120]
平均值是表示一组数据集中趋势的量数，是指在一组数据中所有数据之和再除以这组数据的个数。浓度曲线自身od值数据所有时刻的平均值，描述了本浓度od值的集中趋势，与该浓度细菌生长情况有密切的联系。一般而言，od值数据平均值越高，细菌生长的概率也就越高。
[0121]
2)标准差：
[0122][0123]
标准差是方差的算术平方根，由于方差是数据的平方项取平均生成的，方差的大小与数据本身差别较大，不易与数据对比。标准差能够反应数据的离散程度，和均值配合作为特征效果更好。具体到本实施例，浓度曲线自身od值数据的平均值，在数据出现极端值的情况会对平均值结果造成很大的干扰。浓度曲线自身od值数据的标准差可以对这种情况进行合理的描述，配合平均值可以更准确的反应浓度对应细菌生长情况。
[0124]
3)极差：
[0125][0126]
极差用来描述的是数据的最大取值范围，由最大值减最小值所得，具有计算方便、含义直观等优势。和标准差相似，极差也可以反映数据的离散程度，是一个非常有效的度量特征。浓度曲线自身od值数据的极差即所有时刻数据的最大值与最小值的差，它比最大值更能反映od值的变化情况。od值数据极差越大，细菌生长的概率对应越高。
[0127]
4)一阶差分最大值：
[0128][0129]
差分也即差分函数，其结果反映了连续数据的变化情况，差分又分为前向差分、后向差分及中心差分三种，本实施例采用的是前向差分。差分最大值是相邻数据变动最大的情况，可以体现连续数据内部的信息。浓度曲线自身od值数据的一阶差分最大值可以反应
od值数据每隔0.5h变动的最大值，该值和细菌的生长情况有密切关系。od值数据一阶差分最大值越大，细菌的生长概率对应越高。
[0130]
5)二阶差分最大值：
[0131][0132]
与一阶差分最大值类似，二阶差分是将一阶差分值再重复一次差分取最大值。类似于速度和加速度的关系，可以表示数据变化的深层信息。浓度曲线自身od值数据的二阶差分最大值可以反应od值数据一阶差分的变化情况，可以搭配一阶差分最大值共同反映细菌生长情况。
[0133]
6)自相关系数：
[0134][0135]
其中，μj,σj表示j浓度下od值的均值和标准差。自相关系数描述的是同一随机变量在两个不同时期之间的相关程度，通俗来讲就是随机变量过去的数据对现在数据的影响，根据滞后数可以选择具体的时期，本实施例可选取滞后数为1的自相关系数。浓度曲线自身od值数据的自相关系数可以描述本浓度曲线中不同时刻od值数据变化的共同信息。
[0136]
以上的6个特征都是由自身浓度曲线提取出来的特征，每一条浓度曲线都可以提取这6个特征。
[0137]
(2)与0浓度曲线共同提取的特征，药物浓度为0的生长曲线即未添加药物的生长曲线，对应的细菌生长情况一定是生长，有很好的对照意义。待提取特征的浓度曲线与0浓度曲线共同提取的特征，可以更为准确的反应待提取特征浓度生长情况。本实施例中的对应的是0.5
×
i时刻0浓度的生长数据。也即提取扩充测试数据与未添加目标药物的目标菌种的光密度数据之间的相似信息特征可包括下述几个特征：
[0138]
1)与0浓度曲线的曼哈顿距离
[0139][0140]
2)与0浓度曲线的欧氏距离
[0141][0142]
3)与0浓度曲线的相关系数
[0143][0144]
其中，μj,σj表示j浓度下od值的均值和标准差。
[0145]
4)与0浓度曲线的余弦相似度
[0146][0147]
第二类特征都是与0浓度曲线共同提取的特征，这4个特征可以从不同角度反应待提取特征浓度曲线与0浓度曲线的相似程度。对于每个待提取特征浓度曲线，都通过上述关系式计算并提取这4个特征。
[0148]
(3)所有相邻浓度曲线共同提取的特征，该类特征是所有浓度曲线共同提取的特征，能准确的描述目标菌种-目标药物组合下所有浓度曲线od值数据整体的信息。考虑到相邻浓度之间的依赖性更高，这里提取的都是相邻浓度曲线的特征。作为特定目标菌种-目标药物组合下具体编号细菌的特征，加入到每个浓度曲线的特征中，共同判断对应细菌生长情况。也即扩充测试数据分别与目标药物的多个参照浓度下的目标菌种的光密度数据之间的相似信息特征可包括下述多个特征：
[0149]
1)相邻浓度曲线的曼哈顿距离
[0150][0151]
2)相邻浓度曲线的欧氏距离
[0152][0153]
3)相邻浓度曲线的相关系数
[0154][0155]
其中，μj,σj表示j浓度下od值的均值和标准差。
[0156]
4)相邻浓度曲线的相对熵
[0157]
先进行归一化
[0158][0159]
再计算
[0160][0161]
这4种特征都是由相邻浓度曲线共同提取出来的特征，与第二类特征相似，选取了4个角度去计算相邻浓度曲线之间的相似程度。具体每一种角度都会产生m-1个特征，即第三类特征共可产生4
×
(m-1)个特征。
[0162]
综上所述，对于每一条待提取特征的浓度曲线，都经过计算公式提取以上三类特征，将其按顺序排列，形成最终的特征向量，即每个浓度曲线提取的总特征为6+4+4
×
(m-1)＝4m+6个特征。
[0163]
为了克服现有技术缺陷及问题，本实施例基于机器学习算法如基于支持向量机算法或人工神经网络算法训练所得到生长预测模型对每个反应孔生长曲线进行二分类，判断每个反应孔的阴阳结果。上述实施例对模型的训练过程并不做任何限定，本实施例还提供了生长预测模型的一种可选的训练方式，可包括下述内容：
[0164]
预先搭建机器学习模型框架；
[0165]
获取目标菌种分别在无抗菌药物和不同抗菌药物中，处于不同药物浓度下的历史光密度数据，并为各历史光密度数据设置相应的标签，标签包括生长标签和未生长标签；
[0166]
按照预设比例，将历史光密度数据划分生成训练样本集和测试样本集；
[0167]
对训练样本集的各训练样本，根据提取的当前训练样本的浓度信息特征、当前训练样本分别与未添加抗菌药物的目标菌种的光密度数据、与目标抗菌药物的多个参照浓度下的目标菌种的光密度数据之间的相似信息特征，生成训练生长特征；
[0168]
对测试样本集的每个测试样本，根据目标菌种在未添加抗菌药物和目标抗菌药物不同浓度下的光密度数据，确定当前测试样本中的目标菌种在未来预设时间段的生长信息，以得到当前测试样本的扩充测试样本数据；
[0169]
利用训练样本集的各训练样本及其对应的训练生长特征，不断训练机器学习模型，直至测试样本集的各扩充测试样本数据测试训练好的机器学习模型的准确率大于预设准确度阈值，得到生长预测模型。
[0170]
在本实施例中，首先通过人工培养和历史数据提取等操作，采集酶标仪产生的od值，得到同一模型(特定抗菌药物—特定菌种)下大量od值数据及其生长情况，并标注生长标签或未生长标签，如0代表未生长标签，1代表生长标签。将获取的这些数据可按照7:3或者是8:2的比例划分为训练集和测试集。对于训练集而言，可基于图4所示的方法进行训练生长特征的提取，具体的，从训练集原始od值数据开始，按对应药物浓度不同分为多个浓度的数据，对于每一个浓度的数据提取如图4中三类特征，也即生长曲线特征、生长曲线与阳性对照曲线之间特征、生长曲线与相同抗生素相同菌不同浓度曲0.5
×
i线之间的特征，将三类特征组合在一起，形成每个浓度对应的特征向量。对于测试集而言，可基于图5所示的方法进行测试生长特征的提取，和训练集提取特征方法一致，测试集在真正测试时由于使用的是动态测试方法，并且为了达到提前预测的最终目的，往往拿不到全部od值数据。对于几个小时内的od值数据，可根据模型od值数据的统计的增长规律，对几小时的数据进行一个预测性的补充，具体补充时间和补充方法由统计决定，不同模型补充方法略有区别。
[0171]
基于上述实施例，本技术还分别以机器学习模型为支持向量机和人工神经网络模型为例，阐述上述实施例的多种可选的实施方式，可包括下述内容：
[0172]
对于机器学习模型为支持向量机，利用训练样本集的各训练样本及其对应的训练生长特征，不断训练机器学习模型，包括：
[0173]
根据每个训练样本的训练生长特征随机构造初始超平面；根据初始超平面得到对应的决策函数，并根据决策函数和预设惩罚参数确定最优化问题；通过计算最优化问题，对初始超平面进行参数估计，得到支持向量机的最优参数；根据最优参数确定当前训练周期所得的支持向量机。
[0174]
在本实施例中，支持向量机也即support vector machine，简称svm。是一类按监督学习方式对数据进行二元分类的广义线性分类器。支持向量机是一种运用特别广泛的二
分类算法。区别于感知机算法，支持向量机在正确分类的基础上还要求了与超平面的几何间隔最大化，是定义在特征空间上的线性分类算法。实际上，支持向量机算法在使用了核方法之后，可以变成非线性分类算法，此处使用的线性支持向量机算法。支持向量机的本质是设置一个超平面(如图四中阴阳部分)，在超平面两侧的数据处于不同类别。实际上，由图6可以看出，支持向量机针对于二分类问题有天然的处理优势，而本技术的细菌生长与否的问题恰恰是一个二分类问题，非常贴切于此模型。具体的训练过程可包括下述步骤：
[0175]
a1：购买、或与医院等单位合作获取待测试菌株，待测试菌株可为任意致病菌株。
[0176]
a2：通过仪器光学模块如酶标仪记录每半小时od值数据。
[0177]
a3：利用传统肉汤稀释法进行18-24小时培养，得到该待测菌株准确的生长情况；
[0178]
a4：获取全部od值数据与其对应的生长情况，0代表细菌未生长，1代表细菌已生长。
[0179]
a5：对于支持向量机模型，将全部数据分为训练集和测试集。其中训练集作为训练数据训练模型，测试集用于验证模型。
[0180]
a6：对于训练集数据，利用上述s103所提供的特征提取方法将od值做信息提取和压缩。
[0181]
a7：对于测试集数据，对于短时间(如8小时之内)的od值数据，使用上述s102所提供的方法进行补充生长，利用历史数据的统计规律，对数据进行一定程度的补充。
[0182]
a8：上述s103所提供的特征提取方法对补充完的测试集进行特征提取。
[0183]
a9：使用训练集迭代支持向量机模型的参数。
[0184]
对于目标药物-目标菌种的某一个待预测浓度数据x具体流程如下：
[0185]
1)提取待预测浓度数据x所在药物-菌种模型历史数据，按照s103中特征提取规则对历史数据进行特征提取，所有浓度的数据均得到4m+6个特征。并将这些特征进行中心化处理作为训练集。将标签为0的数据对应改为-1，方便使用，得到训练集t如下：
[0186]
t＝{(x1,y1),(x2,y2),
…
,(xn,yn)}
[0187]
其中，xi对应特征向量yi为其生长情况即label为-1或1。
[0188]
2)根据提取特征维度随机构造初始超平面w
·
xi+b＝0，得到对应决策函数f。
[0189]
f(xi)＝sign(w
·
xi+b)
[0190]
3)根据支持向量机的理论知识，将其转化后的最优化问题：
[0191][0192]
s.t.yi(w
·
xi+b)≥1+ξi,i＝1,2,
…
,n
[0193]
ξi≥0,i＝1,2,
…
,n
[0194]
其中，c为惩罚参数(通常可设置为1或者2)，作用是调节间隔大小和误分类的重要程度。
[0195]
4)利用对上述最优化问题的求解可以对超平面进行参数估计，最终得到最优参数w
*
,b
*
，对应得决策函数为：
[0196]f*
(xi)＝sign(w
*
·
xi+b
*
)
[0197]
5)先对待预测数据按照上述s102进行2h的人工补充。对补充完成待预测数据x同样进行特征提取及中心化处理得向量x＝(x1,x2,
…
,x
4m+6
)，之后代入最优决策函数f
*
。对结
果f
*
(x)进行判断，若f
*
(x)＞＝0，则将该浓度归为生长，标签为1；若f
*
(x)＜0，则将该浓度归为未生长，标签为0。标签在模型运算前改为-1只是为了方便支持向量机的预测，预测完成后可调回正常值。
[0198]
a10：利用训练好的支持向量机模型预测测试集数据，得到各浓度生长情况预测值。
[0199]
a11：根据各浓度生长情况预测值得到mic预测值。
[0200]
将该目标药物-目标菌种的所有浓度数据全部预测分类完成之后，根据mic的计算规则，得到最终该目标药物-目菌种的最小抑菌浓度mic。
[0201]
a12：将mic预测值和真实mic作对比，得到模型准确率。
[0202]
若模型准确率符合要求，则停止训练，a9所得到的参数即为最终训练好的模型的参数。若模型准确率不符合要求，则再次进行训练，也即重复执行a9直至满足要求。在训练得到支持向量机模型之后，根据最终得到各浓度生长预测准确率，以及最终想要的mic预测准确率。
[0203]
由上可知，本实施例采用支持向量机算法训练所得到的模型，对生长情况预测十分贴切，可有效提高菌种的生长情况的预测准确率。
[0204]
若机器学习模型为人工神经网络模型，利用训练样本集的各训练样本及其对应的训练生长特征，不断训练机器学习模型的过程可包括：
[0205]
人工神经网络模型包括输入层、第一神经网络层、第二神经网络层和输出层；将训练样本集的各训练样本的训练生长特征输入至人工神经网络模型中，得到各训练样本对应的最小抑菌浓度预测值；根据每个训练样本的最小抑菌浓度预测值和最小抑菌浓度真实值，计算人工神经网络模型在当前训练周期下的损失函数；利用bp神经网络算法，根据adam算法对损失函数进行优化，得到人工神经网络模型在当前训练周期的最优参数；根据最优参数确定当前训练周期所得的人工神经网络模型。
[0206]
在本实施例中，人工神经网络，也被称为连接模型，其结构一般都非常复杂，每层网络之间的节点之间的关系都是不同的，根据这些复杂的关系，可以达到处理复杂信息的目的。在训练模型之前，可先构造人工神经网络，人工神经网络主要由输入层、隐藏层和输出层构成，每层神经网络都是由若干个节点构成。区别于传统的机器学习算法，神经网络不是固定的死算法，它不是按照写好的程序按步骤完成运算，而是能够通过网络的自适应性去总结规律，从而达到预定目的。通过对神经网络引入非线性的激活函数，使得神经网络在理论上可以逼近任何非线性函数，大大的增加了神经网络的应用范围。本实施例的人工神经网络如图7所示为三层神经网络：第一层神经网络，其节点个数可为m128个，取relu函数为该层网络的激活函数。第二层神经网络，其节点个数为m64个，取sigmoid函数作为该层网络的激活函数。构造第三层神经网络也即输出层，其节点个数为1个，选取sigmoid函数作为该层网络的激活函数。输入层为4m+6维特征向量；第一层有8m+12个神经元；第二层有4m+6个神经元；第三层为输出层，只有一个神经元。对于这个第三层神经网络输入数据为该数据为三类特征拼接起的总特征，经过第三层神经网络之后的输出为
[0207]
通过仪器光学模块如酶标仪记录目标菌种在目标药物中每半小时od值数据。按顺序对这些数据一一遍历，遍历到各浓度数据作为测试集，其余数据的各浓度数据作为训练
集。具体遍历方法如下：对某种抗生素—菌种组合，遍历到某一个病人的特定抗生素-菌种的数据，我们选取该抗生素-菌种的全部其他数据作为训练集。遍历到的病人特有的特定抗生素-菌种的数据作为测试集。依次对该组合下所有病人进行遍历。每次遍历进行以下操作：
[0208]
1)将训练集输入到神经网络模型中进行训练。
[0209]
如图8所示，将训练集数据i＝1,2,
…
,n全部输入到图7所示的初始化的三层神经网络中，得到的输出值与真实值yi作交叉熵loss，按照以下公式累计求和得到损失函数：
[0210][0211]
利用bp(back propagation)神经网络算法，根据adam(adaptive momentum estimation)算法对损失函数进行优化，得到神经网络最优的参数。
[0212]
其中，判断终止条件的常用方法有以下几种：
[0213]
1.指定次数法，指定神经网络迭代的次数，如50、100等等
[0214]
2.指定误差法，如设置一个误差阈值，当误差小于该阈值时，停止迭代。
[0215]
3.迭代判定法，当每次迭代的误差减少程度较为不明显时，可停止迭代。
[0216]
具体的，本实施例模型中使用的是第一种指定次数法，具体的参数和各药物模型有相关性，可根据实验灵活决定。
[0217]
2)用训练好的模型对测试集进行预测，具体的：根据测试集中该病人的各浓度药物的od值数据进行对应浓度生长情况的预测，并保存各浓度预测结果。
[0218]
在本步骤中，利用训练好的神经网络做测试时，只需利用测试集提取特征的方法提取特征，将提取完成的特征输入到神经网络中，得到各浓度的生长预测准确率。
[0219]
3)根据所有预测结果得到各模型浓度生长情况预测准确率
[0220]
如图9所述，根据药敏板微孔的阴阳性分类结果以及微孔的药物布局信息计算mic；根据mic结果和折点值标准判断耐药结果。
[0221]
本发明实施例还针对药敏结果识别方法提供了相应的装置，进一步使得方法更具有实用性。其中，装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的药敏结果识别装置进行介绍，下文描述的药敏结果识别装置与上文描述的药敏结果识别方法可相互对应参照。
[0222]
基于功能模块的角度，参见图10，图10为本发明实施例提供的药敏结果识别装置在一种具体实施方式下的结构图，该装置可包括：
[0223]
数据获取模块101，用于获取待测试数据，待测试数据为第一时间段内目标菌种在目标浓度药物中的光密度数据。
[0224]
数据扩充模块102，用于根据目标菌种在未添加目标药物时的光密度数据和目标菌种在目标药物的不同浓度下的光密度数据，确定目标菌种在未来预设时间段的生长信息，以得到扩充测试数据。
[0225]
特征提取模块103，用于根据提取的扩充测试数据的浓度信息特征、扩充测试数据分别与未添加目标药物的目标菌种的光密度数据、与目标药物的多个参照浓度下的目标菌种的光密度数据之间的相似信息特征，生成待识别生长特征；
[0226]
生长预测模块104，用于将待识别生长特征输入至预先训练好的生长预测模型中，得到目标菌种在目标药物中的生长情况预测值。
[0227]
可选的，在本实施例的一些实施方式中，上述装置还可以包括mic预测模块，用于获取目标菌种在目标药物的不同浓度下的生长情况预测值；根据目标菌种在目标药物的不同浓度下的生长情况预测值，确定目标菌种对应目标药物的最小抑菌浓度预测值。
[0228]
在本实施例的另一些实施方式中，上述数据扩充模块102可进一步用于：根据目标菌种在第一时间段的每个已知时刻的光密度数据，确定目标菌种的原始增长率；根据目标菌种在目标药物的不同浓度下的历史生长数据和原始增长率，确定目标菌种的通用增长率；根据目标菌种在目标已知时刻的光密度值和原始增长率，确定未来预设时间段内多个初始未来时刻的初始预测光密度；根据通用增长率和各初始预测光密度值，确定未来预设时间段内多个后期未来时刻的后期预测光密度值；基于目标菌种在不添加目标药物时的原始最大光密度值、各初始预测光密度值和各后期预测光密度值，确定待测试数据在未来预设时间段的预测光密度数据；将预测光密度数据和待测试数据作为扩充测试数据。
[0229]
作为上述实施例的一种可选的实施方式，上述数据扩充模块102还可进一步用于：根据目标菌种在目标药物的不同浓度下的历史生长数据，确定目标菌种的最大光密度值及对应的目标时刻；根据最大光密度值和目标时刻之前多个时刻的光密度值，确定增长率变化率；根据原始增长率和增长率变化率，确定目标菌种的通用增长率。
[0230]
在本实施例的其他一些实施方式中，上述特征提取模块103还可进一步用于：根据目标菌种在目标浓度药物下各时刻的光密度值，计算目标浓度药物下的光密度集中趋势信息、光密度离散及变化信息、光密度连续变化信息和相邻时刻的相关程度信息；根据目标菌种在目标浓度药物的光密度数据和与未添加目标药物的目标菌种的光密度数据之间的几何度量空间距离、线性相关程度信息和向量空间距离；根据目标菌种在目标浓度药物的光密度数据，分别与目标药物在各参照浓度下的目标菌种的光密度数据之间的几何度量空间距离、线性相关程度信息和非对称性度量信息。
[0231]
可选的，在本实施例的另一些实施方式中，上述装置例如还可以包括模型训练模块，用于预先搭建机器学习模型框架；获取目标菌种分别在无抗菌药物和不同抗菌药物中，处于不同药物浓度下的历史光密度数据，并为各历史光密度数据设置相应的标签，标签包括生长标签和未生长标签；按照预设比例，将历史光密度数据划分生成训练样本集和测试样本集；对训练样本集的各训练样本，根据提取的当前训练样本的浓度信息特征、当前训练样本分别与未添加抗菌药物的目标菌种的光密度数据、与目标抗菌药物的多个参照浓度下的目标菌种的光密度数据之间的相似信息特征，生成训练生长特征；对测试样本集的每个测试样本，根据目标菌种在未添加抗菌药物和目标抗菌药物不同浓度下的光密度数据，确定当前测试样本中的目标菌种在未来预设时间段的生长信息，以得到当前测试样本的扩充测试样本数据；利用训练样本集的各训练样本及其对应的训练生长特征，不断训练机器学习模型，直至测试样本集的各扩充测试样本数据测试训练好的机器学习模型的准确率大于预设准确度阈值，得到生长预测模型。
[0232]
作为上述实施例的一种可选的实施方式，上述模型训练模块可进一步用于：机器学习模型为支持向量机，根据每个训练样本的训练生长特征随机构造初始超平面；根据初始超平面得到对应的决策函数，并根据决策函数和预设惩罚参数确定最优化问题；通过计
算最优化问题，对初始超平面进行参数估计，得到支持向量机的最优参数；根据最优参数确定当前训练周期所得的支持向量机。
[0233]
作为上述实施例的另一种可选的实施方式，上述模型训练模块还可进一步用于：机器学习模型为人工神经网络模型，人工神经网络模型包括输入层、第一神经网络层、第二神经网络层和输出层；将训练样本集的各训练样本的训练生长特征输入至人工神经网络模型中，得到各训练样本对应的最小抑菌浓度预测值；根据每个训练样本的最小抑菌浓度预测值和最小抑菌浓度真实值，计算人工神经网络模型在当前训练周期下的损失函数；利用bp神经网络算法，根据adam算法对损失函数进行优化，得到人工神经网络模型在当前训练周期的最优参数；根据最优参数确定当前训练周期所得的人工神经网络模型。
[0234]
本发明实施例药敏结果识别装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
[0235]
由上可知，本发明实施例可高效、低成本且精准地识别药敏结果。
[0236]
上文中提到的药敏结果识别装置是从功能模块的角度描述，进一步的，本技术还提供一种电子设备，是从硬件角度描述。图11为本技术实施例提供的电子设备在一种实施方式下的结构示意图。如图11所示，该电子设备包括存储器110，用于存储计算机程序；处理器111，用于执行计算机程序时实现如上述任一实施例提到的药敏结果识别方法的步骤。
[0237]
其中，处理器111可以包括一个或多个处理核心，比如4核心处理器、8核心处理器，处理器111还可为控制器、微控制器、微处理器或其他数据处理芯片等。处理器111可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器111也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器111可以集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器111还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0238]
存储器110可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器110还可包括高速随机存取存储器以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。存储器110在一些实施例中可以是电子设备的内部存储单元，例如服务器的硬盘。存储器110在另一些实施例中也可以是电子设备的外部存储设备，例如服务器上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器110还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器110不仅可以用于存储安装于电子设备的应用软件及各类数据，例如：执行漏洞处理方法的程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。本实施例中，存储器110至少用于存储以下计算机程序1101，其中，该计算机程序被处理器111加载并执行之后，能够实现前述任一实施例公开的药敏结果识别方法的相关步骤。另外，存储器110所存储的资源还可以包括操作系统1102和数据1103等，存储方式可以是短暂存储或者永久存储。其中，操作系统1102可以包括windows、unix、linux等。数据1103可以包括但不限于药敏结果识别结果对应的数据等。
[0239]
在一些实施例中，上述电子设备还可包括有显示屏112、输入输出接口113、通信接口114或者称为网络接口、电源115以及通信总线116。其中，显示屏112、输入输出接口113比如键盘(keyboard)属于用户接口，可选的用户接口还可以包括标准的有线接口、无线接口等。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。通信接口114可选的可以包括有线接口和/或无线接口，如wi-fi接口、蓝牙接口等，通常用于在电子设备与其他电子设备之间建立通信连接。通信总线116可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0240]
本领域技术人员可以理解，图11中示出的结构并不构成对该电子设备的限定，可以包括比图示更多或更少的组件，例如还可包括实现各类功能的传感器117。
[0241]
本发明实施例所述电子设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
[0242]
由上可知，本发明实施例可高效、低成本且精准地识别药敏结果。
[0243]
可以理解的是，如果上述实施例中的药敏结果识别方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电可擦除可编程rom、寄存器、硬盘、多媒体卡、卡型存储器(例如sd或dx存储器等)、磁性存储器、可移动磁盘、cd-rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0244]
基于此，本发明实施例还提供了一种可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时如上任意一实施例所述药敏结果识别方法的步骤。
[0245]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的硬件包括装置及电子设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0246]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0247]
以上对本技术所提供的一种药敏结果识别方法、装置、电子设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实
施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。