本發(fā)明涉及計算機輔助醫(yī)學(xué)領(lǐng)域，尤其是涉及一種基于全連接變分神經(jīng)網(wǎng)絡(luò)的質(zhì)譜數(shù)據(jù)處理與識別方法。

背景技術(shù)：

1、生物分子識別及其分子機制的研究是生命科學(xué)研究的重要領(lǐng)域，它涉及到分子結(jié)構(gòu)、力學(xué)和動力學(xué)等方面的研究，這些因素相互影響，使得分子能夠?qū)崿F(xiàn)高效、高選擇性的結(jié)合和識別。通過研究生物分子識別的分子機制，我們可以更深入地理解生物體內(nèi)的各種生物過程，如基因表達調(diào)控、信號傳遞等。此外，這項研究還有助于開發(fā)新的治療方法和診斷工具，為疾病的治療和預(yù)防提供科學(xué)依據(jù)。

2、原始數(shù)據(jù)生物標志物(biomarker)是指可以標記系統(tǒng)、器官、組織、細胞及亞細胞結(jié)構(gòu)或功能的改變或可能發(fā)生的改變的生化指標。這些生物標志物多來源于人體組織或體液，能夠反映生理或病理過程，以及對暴露或治療干預(yù)措施產(chǎn)生的生物學(xué)效應(yīng)。

3、質(zhì)譜成像是一項新興技術(shù)，具有改進生物標志物發(fā)現(xiàn)、代謝組學(xué)研究、藥物應(yīng)用和臨床診斷的潛力。隨著高分辨率質(zhì)譜成像技術(shù)的出現(xiàn)，數(shù)據(jù)量和高維性質(zhì)，對于現(xiàn)有的數(shù)據(jù)挖掘、聚類和可視化方法仍然構(gòu)成計算和存儲復(fù)雜性，從而阻礙了生物相關(guān)分子模式的準確識別。然而，數(shù)據(jù)的復(fù)雜性減慢了處理時間，并帶來了計算和內(nèi)存挑戰(zhàn)，阻礙了對提取生物學(xué)相關(guān)模式所需的多個樣本的分析。

4、峰值拾取是分析原始數(shù)據(jù)生物標志物的常用預(yù)處理步驟，然而峰值拾取的參數(shù)選擇存在主觀性偏差，可能會影響后續(xù)的聚類分析和生物學(xué)解釋。此外，進行峰值拾取后，數(shù)據(jù)仍具高維復(fù)雜性，現(xiàn)有的數(shù)據(jù)降維算法仍受到計算內(nèi)存和計算速度的限制。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于全連接變分神經(jīng)網(wǎng)絡(luò)的質(zhì)譜數(shù)據(jù)處理與識別方法，避開了傳統(tǒng)耗時的預(yù)處理，采用小批量處理策略，實現(xiàn)了內(nèi)存高效使用，采用基于神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣的峰值學(xué)習(xí)方法，實現(xiàn)了高效率峰值識別，基于高斯混合模型對低維特征表示進行聚類分析，在保證聚類精確度的同時聚類速度更快。

2、本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：

3、一種基于全連接變分神經(jīng)網(wǎng)絡(luò)的質(zhì)譜數(shù)據(jù)處理與方法，包括以下步驟，

4、步驟s1，獲取質(zhì)譜原始數(shù)據(jù)以及病理學(xué)注釋信息，進行數(shù)據(jù)預(yù)處理；

5、步驟s2，將預(yù)處理后的數(shù)據(jù)輸入基于變分自編碼的無監(jiān)督學(xué)習(xí)模型，學(xué)習(xí)質(zhì)譜數(shù)據(jù)的低維特征表示，實現(xiàn)數(shù)據(jù)可視化；

6、步驟s3，將模型所學(xué)習(xí)的低維特征表示與原始數(shù)據(jù)中的特征相關(guān)聯(lián)，實現(xiàn)峰值學(xué)習(xí)，得到與腫瘤簇或解剖學(xué)相關(guān)的潛在m/z離子列表；

7、步驟s4，將模型所學(xué)習(xí)的低維特征表示和潛在m/z離子輸入高斯混合模型(gmm，gaussian?mixture?model)進行聚類分析，結(jié)合病理學(xué)注釋信息手動選擇最佳聚類模型，實現(xiàn)感興趣區(qū)域(roi，region?of?interest)簇類與特征離子的共定位；

8、其中，所述無監(jiān)督學(xué)習(xí)模型是一種全連接變分神經(jīng)網(wǎng)絡(luò)模型。

9、進一步地，所述步驟s1中，獲取的質(zhì)譜原始數(shù)據(jù)以及病理學(xué)注釋信息為imzml格式，數(shù)據(jù)預(yù)處理包括：

10、對數(shù)據(jù)進行tic標準化；

11、將imzml格式的數(shù)據(jù)轉(zhuǎn)換為hdf5格式的數(shù)據(jù)；

12、采用強度歸一化操作將圖像塊像素值縮放至[0,1]。

13、進一步地，所述步驟s2中，無監(jiān)督學(xué)習(xí)模型的計算框架基于不少于五層的全連接變分神經(jīng)網(wǎng)絡(luò)，所述神經(jīng)網(wǎng)絡(luò)包括輸入層、隱藏層和輸出層。

14、更進一步地，所述無監(jiān)督學(xué)習(xí)模型的特征學(xué)習(xí)包括：

15、在任一神經(jīng)元激活前都對每一層的輸入批量正則化，糾正協(xié)變量偏移；

16、經(jīng)過批量正則化后，輸出層的神經(jīng)元使用sigmoid函數(shù)激活，其余層的神經(jīng)元使用線性整流函數(shù)(relu)激活；

17、神經(jīng)元激活后，模型通過流形學(xué)習(xí)輸入數(shù)據(jù)的底層非線性譜結(jié)構(gòu)，同時優(yōu)化kullback-leibler散度和變分自編碼網(wǎng)絡(luò)損失函數(shù)來最小化輸入數(shù)據(jù)和重建數(shù)據(jù)之間的誤差，從而捕獲準確的低維特征表示，并通過批量正則化來糾正協(xié)變量偏移，提高模型學(xué)習(xí)的穩(wěn)定性和收斂性；

18、學(xué)習(xí)過程中，采用重構(gòu)損失、正則化損失和均方誤差作為評估指標優(yōu)化參數(shù)。

19、進一步地，所述kullback-leibler散度總是非負的，kullback-leibler散度的公式如下：

20、

21、其中，z為隱變量，x為輸入數(shù)據(jù)，φ為識別模型的參數(shù)，θ為生成模型的參數(shù)，kl為kullback-leibler散度，qφ(z|x)為由編碼器參數(shù)φ定義的隱變量z的后驗分布近似，pθ(z|x)為由生成模型參數(shù)θ定義的數(shù)據(jù)x的生成分布，kl(qφ(z|x))||pθ(z|x)為qφ(z|x)和pθ(z|x)之間的kullback-leibler散度；

22、所述變分自編碼網(wǎng)絡(luò)損失函數(shù)的公式如下：

23、

24、其中，為變分下界，x(i)為單個數(shù)據(jù)點，pθ(z)為隱變量的先驗分布。

25、更進一步地，所述重構(gòu)損失用于評估解碼后的樣本與輸入的匹配程度，正則化損失用于評估潛在空間對訓(xùn)練數(shù)據(jù)的過擬合程度，均方誤差值越小，模型則越精準，均方誤差值公式為：

26、

27、其中，mse為均方誤差值，n為數(shù)據(jù)點的數(shù)量，xi為第i個原始數(shù)據(jù)，xi′′為第i個預(yù)測數(shù)據(jù)。

28、進一步地，所述步驟s3中，在實現(xiàn)峰值學(xué)習(xí)，識別獲得所述潛在m/z離子列表時，將模型所學(xué)習(xí)的低維特征表示與原始數(shù)據(jù)中的特征相關(guān)聯(lián)，基于神經(jīng)網(wǎng)絡(luò)權(quán)重超參數(shù)的反向傳播的閾值分析進行識別。

29、更進一步地，所述閾值分析包括：

30、權(quán)重參數(shù)閾值分析，對于h2層的第i個神經(jīng)元表示的每個低維特征表示，首先識別具有最大縮放權(quán)重值的前一個隱藏層h1的第j個神經(jīng)元然后，利用權(quán)重向量計算閾值t，它是一個一維向量，保存輸入層的所有d個神經(jīng)元與在隱藏層處識別的第j個神經(jīng)元之間的權(quán)重；最后，輸入層的一組p個神經(jīng)元的權(quán)重大于t(wdj(1)≥t)，被檢索并且每個代表一個m/z變量，公式如下，

31、t＝mean(wdj(1))+β*std(wdj(1)),β∈[1,2.5]；

32、其中，wdj(1)表示輸入層的所有d個神經(jīng)元與在隱藏層處識別的第j個神經(jīng)元之間的權(quán)重，β是一個可調(diào)參數(shù)，為每個低維特征表示賦予相同的閾值權(quán)重，在[1,2.5]之間觀察到良好的性能；

33、局部最大值識別，將檢索到的觀察變量代表m/zbin分配給其相關(guān)的m/z分子，將平均光譜上的特征m/z識別為與m/zbin最接近的局部最大值。

34、進一步地，所述步驟s4中，采用能夠使高斯混合模型聚類過程應(yīng)用于預(yù)期范圍內(nèi)不同數(shù)量的聚類數(shù)k(k-clusters)的迭代方法進行聚類分析，其中，聚類數(shù)k是一個用戶可調(diào)參數(shù)。

35、進一步地，所述步驟s4中，通過皮爾遜(pearson)相關(guān)系數(shù)測量感興趣區(qū)域簇類與特征離子之間的共定位，其中，皮爾遜相關(guān)系數(shù)介于0與1之間，系數(shù)越高，感興趣區(qū)域簇類與特征離子之間的共定位程度越高。

36、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

37、1.在網(wǎng)絡(luò)模型結(jié)構(gòu)設(shè)計時，本發(fā)明提出了一種用于質(zhì)譜圖像數(shù)據(jù)分析的神經(jīng)網(wǎng)絡(luò)模型。這是一種基于全連接變分自動編碼器的穩(wěn)健且通用的概率生成模型，有效地學(xué)習(xí)和可視化原始質(zhì)譜圖像潛在的非線性光譜流形，避開了傳統(tǒng)耗時的預(yù)處理。采用小批量處理策略，實現(xiàn)內(nèi)存高效使用。此外，同時優(yōu)化kullback-leibler散度和變分自編碼成本函數(shù)來最小化原始數(shù)據(jù)和重建數(shù)據(jù)之間的誤差，從而捕獲準確的低維特征表示，并通過批量正則化來糾正協(xié)變量偏移，提高模型學(xué)習(xí)的穩(wěn)定性和收斂性；

38、2.基于神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣的方法，將模型所學(xué)習(xí)到的低維特征表示與原始特征相關(guān)聯(lián)，實現(xiàn)峰值學(xué)習(xí)，得到與腫瘤簇或解剖學(xué)相關(guān)的潛在m/z離子列表，該方法可實現(xiàn)高效率峰值識別；

39、3.基于高斯混合模型對低維特征表示進行聚類分析。采用一種迭代方法使得高斯混合模型聚類過程應(yīng)用于預(yù)期范圍內(nèi)的不同數(shù)量的k-clusters；結(jié)合病理學(xué)注釋結(jié)果手動選擇最佳聚類模型。將感興趣區(qū)域的簇類與具有生物學(xué)相關(guān)性的潛在m/z離子列表相關(guān)聯(lián)，從而識別與感興趣區(qū)域共定位的m/z離子，并結(jié)合病理學(xué)分子鑒定結(jié)果探究腫瘤特異性相關(guān)代謝特征。在時間性能上比需要進行峰值拾取的聚類提升了50％左右的效率，聚類速度更快，同時在聚類結(jié)果上高度一致。