【技术实现步骤摘要】
本专利技术涉及人工智能医疗，尤其涉及一种血管性抑郁识别模型的构建方法及系统。
技术介绍
1、血管性抑郁是一种由脑血管病或血管危险因素引起的老年期抑郁综合征。血管性抑郁的主要原因是脑部血管的病变，例如动脉硬化、血栓形成或脑血管病变等。这些病变会导致脑部血液循环不畅、脑供血不足，从而影响神经递质的正常传递和脑细胞的功能。血管性抑郁的症状与其他类型的抑郁症相似，主要为：执行功能下降、缺乏洞察力、淡漠、精神运动迟缓，及与抑郁严重程度不成比例的残疾。然而，血管性抑郁还可能伴随着其他脑部症状，如头痛、记忆问题、认知功能下降等。
2、目前，血管性抑郁的识别方法主要包括以下几个方面：1.详细病史询问：医生会询问患者的病史，包括既往是否有脑血管病变、血管危险因素(如：高血压、糖尿病、高脂血症、吸烟等)，以及抑郁症状的发生和持续时间等。2.身体检查：医生会进行身体检查，特别关注脑血管疾病的体征，如血压、脉搏、心脏听诊等。3.心理评估：医生可能会使用一些心理评估工具，如抑郁症状自评量表(self-rating depression scale，sds)或汉密尔顿抑郁量表(hamilton depression rating scale，hamd)等，来评估患者的抑郁症状严重程度。4.神经影像学检查：脑部神经影像学检查是诊断血管性抑郁的重要手段之一。常用的技术包括磁共振成像(mri)和脑血流动力学检查等，可以观察脑部结构和功能的变化。5.血液检查：医生可能会进行一些血液检查，如血脂、血糖、凝血功能等，以排除其他疾病的可能性。
3
技术实现思路
1、本专利技术提供一种血管性抑郁识别模型的构建方法及系统，用以解决现有技术中存在的缺陷。
2、第一方面，本专利技术提供一种血管性抑郁识别模型的构建方法，包括：
3、采集待测者的血浆样品，对所述血浆样品进行预处理，得到处理后血浆样品结果；
4、对所述处理后血浆样品结果进行lc-ms/ms检测，获得血浆蛋白定量信息；
5、通过差异倍数和t检验p值筛选所述血浆蛋白定量信息，得到血浆差异表达蛋白；
6、利用xgboost机器学习算法和lasso分析从所述血浆差异表达蛋白中分离得到血浆蛋白标志物；
7、采用logistic回归分析，利用所述血浆蛋白标志物建立血管性抑郁识别模型。
8、根据本专利技术提供的一种血管性抑郁识别模型的构建方法，采集待测者的血浆样品，对所述血浆样品进行预处理，得到处理后血浆样品结果，包括：
9、采用标准采血管采集所述血浆样品；
10、依次对所述血浆样品进行蛋白变性、还原、烷基化、酶解和脱盐处理，得到所述处理后血浆样品结果。
11、根据本专利技术提供的一种血管性抑郁识别模型的构建方法，对所述处理后血浆样品结果进行lc-ms/ms检测，获得血浆蛋白定量信息，包括：
12、由lc-ms/ms检测仪分离提取所述处理后血浆样品结果的数据独立采集dia原始数据文件；
13、通过dia-nn软件中的深度学习算法预测谱图库，由所述谱图库对所述dia原始数据文件进行提取，得到所述血浆蛋白定量信息。
14、根据本专利技术提供的一种血管性抑郁识别模型的构建方法，通过差异倍数和t检验p值筛选所述血浆蛋白定量信息，得到血浆差异表达蛋白，包括：
15、以蛋白表达丰度大于预设差异倍数、t检验p值小于预设值为标准，筛选所述血浆蛋白定量信息，获得所述血浆差异表达蛋白。
16、根据本专利技术提供的一种血管性抑郁识别模型的构建方法，利用xgboost机器学习算法和lasso分析从所述血浆差异表达蛋白中分离得到血浆蛋白标志物，包括：
17、采用xgboost机器学习算法计算所述血浆差异表达蛋白在不同分组样品中的重要性评分和排序，筛选获得重要等级差异蛋白标志物；
18、采用lasso回归模型筛选所述重要等级差异蛋白标志物，得到所述血浆蛋白标志物。
19、根据本专利技术提供的一种血管性抑郁识别模型的构建方法，采用logistic回归分析，利用所述血浆蛋白标志物建立血管性抑郁识别模型，包括：
20、将所述血浆蛋白标志物进行随机组合，通过logistic回归分析构建组合模型；
21、利用auc值确定所述组合模型的最优组合，输出所述血管性抑郁识别模型。
22、根据本专利技术提供的一种血管性抑郁识别模型的构建方法，还包括：
23、通过受试者工作特征曲线roc分析和混淆矩阵对所述血管性抑郁识别模型进行验证和评价。
24、第二方面，本专利技术还提供一种血管性抑郁识别模型的构建系统，包括：
25、采集预处理模块，用于采集待测者的血浆样品，对所述血浆样品进行预处理，得到处理后血浆样品结果；
26、检测模块，用于对所述处理后血浆样品结果进行三重串联液质联用仪lc-ms/ms检测，获得血浆蛋白定量信息；
27、筛选模块，用于通过差异倍数和t检验p值筛选所述血浆蛋白定量信息，得到血浆差异表达蛋白；
28、分离模块，用于利用xgboost机器学习算法和最小绝对收缩和选择算法lasso分析从所述血浆差异表达蛋白中分离得到血浆蛋白标志物；
29、建立模块，用于采用logistic回归分析，利用所述血浆蛋白标志物建立血管性抑郁识别模型。
30、第三方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述血管性抑郁识别模型的构建方法。
31、第四方面，本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述血管性抑郁识别模型的构建方法。
32、本专利技术提供的血管性抑郁识别模型的构建方法及系统，通过提出的不依赖于临床量表和神经影像学的血管性抑郁模型构建方法，根据特定的血浆蛋白标志物组合可以有效识别出血管性抑郁，具有良好的临床使用价值和推广价值。
本文档来自技高网...【技术保护点】
1.一种血管性抑郁识别模型的构建方法，其特征在于，包括：
2.根据权利要求1所述的血管性抑郁识别模型的构建方法，其特征在于，采集待测者的血浆样品，对所述血浆样品进行预处理，得到处理后血浆样品结果，包括：
3.根据权利要求1所述的血管性抑郁识别模型的构建方法，其特征在于，对所述处理后血浆样品结果进行LC-MS/MS检测，获得血浆蛋白定量信息，包括：
4.根据权利要求1所述的血管性抑郁识别模型的构建方法，其特征在于，通过差异倍数和T检验P值筛选所述血浆蛋白定量信息，得到血浆差异表达蛋白，包括：
5.根据权利要求1所述的血管性抑郁识别模型的构建方法，其特征在于，利用XGBoost机器学习算法和LASSO分析从所述血浆差异表达蛋白中分离得到血浆蛋白标志物，包括：
6.根据权利要求1所述的血管性抑郁识别模型的构建方法，其特征在于，采用Logistic回归分析，利用所述血浆蛋白标志物建立血管性抑郁识别模型，包括：
7.根据权利要求1所述的血管性抑郁识别模型的构建方法，其特征在于，还包括：
8.一种血管性抑郁识
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述血管性抑郁识别模型的构建方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述血管性抑郁识别模型的构建方法。
...【技术特征摘要】
1.一种血管性抑郁识别模型的构建方法，其特征在于，包括：
2.根据权利要求1所述的血管性抑郁识别模型的构建方法，其特征在于，采集待测者的血浆样品，对所述血浆样品进行预处理，得到处理后血浆样品结果，包括：
3.根据权利要求1所述的血管性抑郁识别模型的构建方法，其特征在于，对所述处理后血浆样品结果进行lc-ms/ms检测，获得血浆蛋白定量信息，包括：
4.根据权利要求1所述的血管性抑郁识别模型的构建方法，其特征在于，通过差异倍数和t检验p值筛选所述血浆蛋白定量信息，得到血浆差异表达蛋白，包括：
5.根据权利要求1所述的血管性抑郁识别模型的构建方法，其特征在于，利用xgboost机器学习算法和lasso分析从所述血浆差异表达蛋白中分离得到血浆蛋白标志物...
【专利技术属性】
技术研发人员：彭思思，章军建，尚骏，徐志鹏，兰柳逸，何昊瀛，
申请(专利权)人：武汉大学中南医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。