Page 16 - 南京医科大学自然版
P. 16

第44卷第9期
               ·1188 ·                           南 京    医 科 大 学 学         报                        2024年9月


              与其他 3 种模型的 Acc 梯度差值分别为 4.34%、                     是否合格，主要解决了分类器在训练和部署过程中
              5.79%和11.59%，进一步证明了UCSS模型在Acc方                    响应时间较长与速度过慢问题，CCI 标准方差限界
              面的优势。UCSS 模型在泛化能力方面表现相对稳                          法可一定程度上替代分类器对血浆进行快速判
              定，测试集的 Acc 仅比训练集降低 0.49%。相比之                      别。模型在自采数据集上进行相关验证，Acc、Pre、
              下，与训练集的 Acc 相比，其他 3 种模型测试集的                       Re、T 分别是 99.03%、100%、98.46%、617.02 ms。研
              Acc 分别降低了 4.5%、5.47%和 5.62%，显示出这些                 究结果表明，本研究模型判别血浆颜色外观的准确
              模型在泛化能力方面相对较弱。因此，UCSS模型在                          度和 Acc 有显著优势，能够较好地判别临界报废血
              Acc和泛化能力方面均表现出优势，是4种模型中的                          浆，避免了因人为视觉误差带来的判别标准不一的
              最佳选择。                                             问题。
                  为了对比验证CA、BN与Padding模块对语义学                          尽管本研究已经取得了一定的研究成果，但仍
              习 CCI 法的深层次特征提取和判别结果的影响，本                         存在一些不足之处。首先，由于实验条件受限，包
              研究从 Model_1 到 Model_7 进行了系统的实验。单                  括仪器、耗材以及存储资源的限制，本研究仅在样
              独引入任何一个模块到基础 U⁃Net 网络中，均会导                        本制备阶段采用了定量方法。在后续的数据处理
              致分割精度的下降。然而，当以组合的形式将这些                            和分析中，虽然采用了定量方法来确定血浆的疑似
              模块引入 U⁃Net 网络时，分割精度得到了显著提                         溶血情况，并基于机器视觉技术进行了判断，且在
              升。特别地，Model_4 方法的组合模块为基础网络                        算法结构上实现了创新，但受限于资源条件，本研
              的 Acc 带来了 6.28%的性能提升。更值得一提的                       究未能对更多环节进行深入的定量研究。其次，血
              是，当本研究将 CA、BN 和 Padding 这 3 种轻量化模                 浆制品的质控涉及多个方面，其中脂肪血浆和疑似
              块同时整合到基础 U⁃Net 网络中时，模型的 Acc、                      溶血血浆是两大关键指标，脂肪对红细胞有加速溶
              Pre、Re 分别提高了 7.73%、5.56%、6.92%，而计算时               血的作用    ［22］ 。本研究主要局限于血浆疑似溶血现象
              间仅增加了 902.24 ms。这些消融实验的结果充分                       的探讨，并未对脂肪血浆进行深入研究，也未建立相
              证明了本研究方法不仅在深层次特征强化方面表                             关的图像识别模型。针对不足，在未来的研究工作中
              现出色，还实现了快速且高效的计算性能。                               将进一步拓展研究范围，把脂肪血浆纳入研究对象，
                  经过与传统分类模型的比较，传统机器学习在                          并尝试建立相关的图像识别模型。这将有助于更全
              疑似溶血判别方面准确性较高。与本研究提出的                             面地了解血浆制作流程中血浆品质的影响因素，并为
              模型相比，其他 2 种机器学习分类算法在准确性上                          提升血浆制备工艺提供更准确可靠的技术支持。
              稍显逊色。具体而言，本研究模型测试集的 Acc 与
                                                                ［参考文献］
              2 种机器学习方法相比分别提升了0.48%和1.46%；
                                                                ［1］ 郑    昕，汤   瑶，王   喆，等. 使用 LC⁃MS/MS 方法进行
              Pre 分别提高了 0.78%和 0%，Re 分别提高了 0%和
                                                                     生物样本分析时对疑似溶血样本的处理策略［J］.药物
              2.31%。虽然部分指标的提升幅度不大，但这些细
                                                                     分析杂志，2018，38（11）：2000-2007
              微改进在实际应用中会产生显著影响。本研究模
                                                                ［2］ 李姗丹，徐华馨，黄东虹，等. 品管圈对无偿献血者血液
              型不仅在评价指标上优于其他2种传统机器学习方                                 可疑疑似溶血血浆发生率的影响分析［J］.护理实践与
              法，而且在模型计算时间上也表现出明显的优势，                                 研究，2018，15（24）：144-146
              相比其他 2 种模型，本研究模型的计算时间缩短了                          ［3］ BADRICK T，BARDEN H，CALLEN S，et al. Consensus
              约0.2 s，在实际应用中会显著提高数据处理速度和                              statement for the management and reporting of haemo⁃
              整体效率。                                                  lysed specimens［J］. Clin Biochem Rev，2016，37（4）：
                  综上所述，本研究针对人工血浆判别尺度不一                               140-142
              和算法计算响应问题，提出了一种基于改进型                              ［4］ CHEN W，ZHANG R，ZHANG Y，et al. Pact⁃Net：parallel
                                                                     CNNs and transformers for medical image segmentation［J］.
              U⁃Net与CCI标准方差限界法，在疑似溶血判别方面
                                                                     Comput Methods Programs Biomed，2023，242：107782
              不仅保持了较高的准确性，同时在计算效率上也展
                                                                ［5］ LONSEKO Z M，LUO C S，DU W J，et al. Early esopha⁃
              现出显著优势。通过最大池化CA模块在特征空间
                                                                     gus cancer segmentation from gastrointestinal endoscopic
              上捕捉精准位置信息，解决视野不足的问题；使用
                                                                     images based on U⁃Net++ model［J］. J Elec Sci Tech⁃
              BN 模块和 Padding 模块，解决模型收敛速度变慢的                          nol，2023，21（3）：100205
              问题。根据血浆样本在CCI中的标准方差值来判别                           ［6］ TANG S，YU X，CHEANG C F，et al. CLELNet：a continu⁃
   11   12   13   14   15   16   17   18   19   20   21