基于支持向量机算法的卵巢功能年龄计算系统及其方法与应用

摘要

本发明公开了一种基于支持向量机算法的卵巢功能年龄计算系统及其方法与应用，该系统包括获取模块、处理模块以及控制模块；所述获取模块用于在检测到移动终端或固定终端上的应用管理程序启动时，获取待测女性与卵巢功能相关的指标数据信息和当前操作时间信息；处理模块用于将所述与卵巢功能相关的指标数据信息和所述当前操作时间信息输入至支持向量机模型，输出对应女性卵巢年龄数据信息；控制模块用于根据所述女性卵巢年龄数据信息对所述应用管理程序进行控制，使得所述应用管理程序显示用于远程操作或近端操作的对应女性卵巢年龄数据的控制界面。本发明的基于支持向量机算法的卵巢功能年龄计算系统对卵巢年龄进行更为精确、特异、灵敏的评估。

说明书

技术领域

本发明涉及卵巢年龄计算的技术领域，具体涉及一种基于支持向量机算法的卵巢功能年龄计算系统及其方法与应用。

背景技术

卵巢生物学年龄，指的是以卵巢的功能状态为评价指标来界定卵巢的状态，它与个体的生理年龄未必等价，相反，大多数情况下卵巢生物学年龄和实际年龄不呈现完全对应关系。随着时间推移卵巢衰老速率不同，个体呈现出的卵巢功能状态也不相同。仅仅依据生理年龄对卵巢进行分层保护往往失去了真正的诊治时机。对于病理状态下，及早发现卵巢加速衰老现象更为重要。因此需要非生理年龄的，更精准的反应卵巢功能状态的卵巢生物学年龄评价体系。

女性生殖衰老是一个生理过程，随着时间的推移，卵母细胞的质量和数量下降。卵巢储备功能是用来衡量与卵泡数量及卵母细胞质量相关的生殖潜能。卵泡池中卵子数量减少或质量下降，都将导致卵巢储备功能下降或减退，这可以与年龄相关，也可与基因、环境因素有关，也可由病理性因素导致。绝经年龄的不同及相同年龄生育能力的波动增加了生殖衰老进程的预测难度。目前临床可运用的卵巢年龄评估方法包括激素水平测定，如卵泡刺激素(Follicle stimulating hormone，FSH)、基础雌二醇(Estradiol，E2)、抗苗勒氏管激素(Anti-Mullerian Hormone,AMH)、抑制素B(inhibin B))等；超声影像学检测，如窦卵泡数(Antral Follicle Counting，AFC)、卵巢体积(Ovarian volume)、卵巢基质血流等；卵巢储备功能动态检测试验，如氯米芬刺激实验(CCCT)、外源性FSH卵巢储备试验等；基因检测。

至今为止，尚无公认的卵巢年龄评估指标或模型。目前临床上运用的卵巢储备功能评估指标包括：血清抗苗勒管激素(AMH)，基础促卵泡激素(FFSH)，基础雌二醇(E2)，窦卵泡数(AFC)，卵巢体积，卵巢基质血流，氯米芬刺激实验(CCCT)等。其中年龄是评估卵巢储备功能最常用的参考指标；AMH和AFC是被认为目前评估卵巢储备功能最好的指标，但是某些环境(吸烟)或生物(口服激素类药物)因素可能影响AMH水平；促卵泡激素(FSH)虽然在临床中广泛应用，然而其预测效能较差；AFC的判别受超声设备、超声医生的临床经验等的影响。且有研究报道指标检测结果存在不一致性，如AMH与FSH预测卵巢反应、妊娠率等方面存在差异。卵巢体积测量在不孕年轻女性及生育末期中变异大，不能单独预测卵巢储备功能；卵巢基质血流能很好预测卵巢反应性，但并不与卵巢年龄相关；氯米芬刺激实验(CCCT)预测的准确率及临床应用价值不比AFC联合bFSH强,且其操作较AFC、AMH等复杂，临床上适用于相关预测结果令人困惑需要进一步评估的情况；基因检测价格昂贵，且缺乏公认的指标，目前无法准确预测卵巢年龄；因此单一的指标很难获得临床应用满意的特异度及灵敏度。

现代机器学习技术的广泛应用有助于医学领域开发预测系统。RobertaVenturela11等首次提出“卵巢年龄”这一概念，纳入内分泌学指标AMH、FSH、E2，超声学指标如AFC、OV等，构建广义线性模型，将构建的模型根据AIC值进行选择，然而该研究方法单一，且未提供模型拟合度评价指标R2，预测准确性有待进一步验证。

发明内容

本发明的目的在于克服上述背景技术的不足，提供一种基于支持向量机算法的卵巢功能年龄计算系统及其方法与应用，该系统及方法对卵巢年龄进行更为精确、特异、灵敏的评估。

为实现上述目的，本发明所设计的一种基于支持向量机算法的卵巢功能年龄计算系统，包括获取模块、处理模块以及控制模块；

所述获取模块用于在检测到移动终端或固定终端上的应用管理程序启动时，获取待测女性与卵巢功能相关的指标数据信息和当前操作时间信息；

所述处理模块用于将所述与卵巢功能相关的指标数据信息和所述当前操作时间信息输入至支持向量机模型，输出对应女性卵巢年龄数据信息；

所述控制模块用于根据所述女性卵巢年龄数据信息对所述应用管理程序进行控制，使得所述应用管理程序显示用于远程操作或近端操作的对应女性卵巢年龄数据的控制界面。

进一步地，所述待测女性与卵巢功能相关的指标数据信息包括身高体重指数、抗缪勒管激素、抑制素B、卵泡刺激素、黄体生成素、雌二醇以及窦卵泡数。

再进一步地，所述支持向量机模型通过如下方法建立：获取具有统计学意义数量女性的与卵巢功能相关的指标数据形成数据集，假设对于健康女性，其卵巢年龄等于生理年龄；随机将数据集分成训练集与测试集；在训练数据集中将卵巢年龄设定为输出值，利用卵巢功能相关的指标，采用线性核函数，通过支持向量机算法进行回归计算构建模型，在测试集中进行模型测试。

本发明还提供一种利用上述基于支持向量机算法的卵巢功能年龄计算系统进行计算的方法，包括如下步骤：

1)在检测到移动终端或固定终端上的应用管理程序启动时，获取待测女性与卵巢功能相关的指标数据信息和当前操作时间信息；

2)将所述与卵巢功能相关的指标数据信息和所述当前操作时间信息输入至支持向量机模型中，输出对应女性卵巢年龄数据信息；

3)根据所述女性卵巢年龄数据信息对所述应用管理程序进行控制，使得所述应用管理程序显示用于远程操作或近端操作的对应女性卵巢年龄数据的控制界面。

进一步地，所述待测女性与卵巢功能相关的指标数据信息包括身高体重指数、抗缪勒管激素、抑制素B、卵泡刺激素、黄体生成素、雌二醇以及窦卵泡数。

本发明还提供一种上述基于支持向量机算法的卵巢功能年龄计算系统的应用，用于对卵巢功能不良的早期筛查、早期预防、早期诊断的检测电子设备。

再进一步地，所述检测电子设备包括存储器、处理器及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下步骤：

1)接收步骤：用于在输入模块检测到女性与卵巢功能相关的指标数据信息输入时；

2)数据处理步骤：所接收数据信息进行准则化处理；

3)输入步骤：数据信息进入计算模块并进行计算；

4)输出步骤：计算结果通过输出模块进行转化并展示患者卵巢年龄。

更进一步地，所述计算机程序存储在非暂态计算机可读存储介质，该计算机程序被处理器执行时实现如下步骤：

1)获取步骤，用于在检测到移动终端或固定终端上的应用管理程序启动时，获取待测女性与卵巢功能相关的指标数据信息和当前操作时间信息；

2)处理步骤，用于将所述与卵巢功能相关的指标数据信息和所述当前操作时间信息输入至支持向量机模型，输出对应女性卵巢年龄数据信息；

3)控制步骤，用于根据所述女性卵巢年龄数据信息对所述应用管理程序进行控制，使得所述应用管理程序显示用于远程操作或近端操作的对应女性卵巢年龄数据的控制界面。

与现有技术相比，本发明具有如下优点：

其一，本发明提供了一种利用机器学习算法整合生理学、内分泌、影像学数据的卵巢年龄计算模型，解决现有女性卵巢功能评估指标缺乏的问题。目前临床最常用的卵巢功能评估指标为AFC与AMH，但是AFC的判别受超声设备、超声医生的临床经验等的影响，AMH水平易受环境及生物因素影响，且二者参考值及预测范围宽泛，在个体化卵巢功能评估及绝经预测上仍然存在不足，虽然有研究通过整合多维度数据构建了卵巢功能评估模型，但是其所构建模型结构较为简单，且预测效果有待进一步提高，为了弥补这些现有评估方法的不足，本发明构建了基于支持向量机算法的卵巢年龄精准评估模型，用于量化评估女性卵巢功能更为精确，能够准确评估女性卵巢储备功能或卵巢年龄，有利于根据女性年龄、生育需求制定个体化方案。

其二，本发明采用的支持向量机算法是一类监督学习方法，常用于解决分类问题，也可用于回归计算，根据选择的核函数不同，可以作线性或非线性拟合，获得比线性回归模型更好的效果。因此利用支持向量机算法可能能对卵巢年龄进行更为精确、特异、灵敏的评估。

其三，本发明基于支持向量机算法的卵巢年龄精准评估模型与卵巢生物学年龄的相关系数为0.57，结果表明在健康人群中，基于支持向量机算法的卵巢年龄精准评估模型更贴近于卵巢生物学年龄。因此结合患者年龄、月经模式、内分泌指标等多因素建立的基于支持向量机算法的卵巢年龄精准评估模型能更准确评估患者卵巢储备功能或卵巢生物学年龄，有利于根据患者年龄、生育需求等制定个体化治疗或随访方案，尤其在我国逐渐加重的老龄化社会的严峻形式下该模型的临床应用意义更加重大。

附图说明

图1为本发明构建卵巢年龄预测模型的流程图；

图2为Lasso回归筛选纳入模型指标变量；

图3为支持向量机模型不同年龄人群卵巢年龄平均绝对误差(MAE)分布示意图。

具体实施方式

下面结合实施案例详细说明本发明的实施情况，但它们并不构成对本发明的限定，仅作举例而已。同时通过说明本发明的优点将变得更加清楚和容易理解。

本发明的一种基于支持向量机算法的卵巢功能年龄计算系统，包括获取模块、处理模块以及控制模块；所述获取模块用于在检测到移动终端或固定终端上的应用管理程序启动时，获取待测女性与卵巢功能相关的指标数据信息和当前操作时间信息；所述待测女性与卵巢功能相关的指标数据信息包括身高体重指数(BMI，计算方法：体重(kg)/身高(m)

所述处理模块用于将所述与卵巢功能相关的指标数据信息和所述当前操作时间信息输入至支持向量机模型，输出对应女性卵巢年龄数据信息；所述支持向量机模型通过如下方法建立：获取具有统计学意义数量女性的与卵巢功能相关的指标数据形成数据集，假设对于健康女性，其卵巢年龄等于生理年龄；随机将数据集分成训练集与测试集；在训练数据集中将卵巢年龄设定为输出值，利用卵巢功能相关的指标，采用线性核函数，通过支持向量机算法进行回归计算构建模型，在测试集中进行模型测试。所述支持向量机模型用于通过输入模块信息计算测试者的卵巢年龄，所构建支持向量机模型采用R语言“e1071”数据包中包含的支持向量机算法构建。

所述控制模块用于根据所述女性卵巢年龄数据信息对所述应用管理程序进行控制，使得所述应用管理程序显示用于远程操作或近端操作的对应女性卵巢年龄数据的控制界面。

本发明还提供一种利用上述基于支持向量机算法的卵巢功能年龄计算系统进行计算的方法，包括如下步骤：

1)在检测到移动终端或固定终端上的应用管理程序启动时，获取待测女性与卵巢功能相关的指标数据信息和当前操作时间信息；所述待测女性与卵巢功能相关的指标数据信息包括身高体重指数(BMI，计算方法：体重(kg)/身高(m)

2)将所述与卵巢功能相关的指标数据信息和所述当前操作时间信息输入至支持向量机模型中，输出对应女性卵巢年龄数据信息；

3)根据所述女性卵巢年龄数据信息对所述应用管理程序进行控制，使得所述应用管理程序显示用于远程操作或近端操作的对应女性卵巢年龄数据的控制界面。

如图1所示，本发明的基于支持向量机算法的卵巢年龄精确计算方法，包括如下步骤：

(一)纳入研究人群筛选与特征分布

本研究通过了同济医院伦理审查。2010年10月至2014年12月间，全国六个地区七家医院一共招募2055名，年龄20至55岁健康女性。纳入标准为：(1)月经周期规律，21-35天(<40岁)；(2)过去的6个月无激素用药；(3)无放化疗史；(4)无妇科手术史，例如：子宫切除、输卵管切除等；(5)妇科超声检查无卵巢囊肿及包块；(6)无慢性、系统性代谢及内分泌疾病。最终纳入1020名志愿者纳入研究(如表1所示)。

所招募志愿者进行一对一问卷调查，采集基本信息、生育信息、既往病史等。志愿者进行常规妇科查体检查、激素水平检测(AMH、抑制素B、性激素六项)及妇科超声检查。其中激素水平检测采用月经来潮2-5天内的清晨血样进行，样本进行离心后血浆放入-80

表1.多中心卵巢功能相关指标数据特征(均值±标准差)。

(二)构建模型特征筛选与支持向量机模型构建

采用上述中所得到的人群数据，进一步进行特征筛选构建模型。如图2所示，在数据中对所获取的7个指标进行Lasso回归分析，筛选建模纳入指标，7个指标Beta值均不为0，且如表2所示纳入7个指标时具有最小CP值，故将AMH、抑制素B、FSH、LH、E2、BMI、AFC均纳入构建模型。

表2.Lasso回归获取CP值

将最终纳入研究的1020例志愿者进行随机分组，训练集510名(50％)，测试集510名(50％)。在训练集中，志愿者的平均年龄为31.01岁，在测试集中，平均卵巢年龄为31.28岁，而对于所有人群，平均卵巢年龄为31.14岁(见表3)。

表3.训练集与测试集中卵巢功能相关指标数据特征(均值±标准差)

支持向量机算法进行回归计算，采用线性核函数，通过拟合7个卵巢功能相关指标，输出卵巢年龄预测值，其最终得到的拟合公式为：

Y＝19.45-0.13*AMH+0.06*Inhibin

B+0.45*BMI+0.69*FSH+0.35*E2-0.06*LH-0.37*AFC

(三)支持向量机模型应用

采用上述所构建的支持向量机模型，对训练集和验证集中人群的卵巢年龄进行预测计算，结果为在训练集中平均卵巢年龄为30.80岁，预测值与实际值之间Pearson相关性系数为0.57；验证集中平均卵巢年龄为31.13岁，预测值与实际值之间Pearson相关性系数为0.55。

采用上述所构建的支持向量机模型对训练集和验证集中人群卵巢年龄进行计算，评估误差绝对值最小的年龄层。结果通过计算平均绝对误差(MAE)值发现，24-37岁女性，预测MAE值小于5岁，对于27-34岁女性，预测MAE值小于等于3岁(如图3)。

采用24、37分别作为节点，将人群年龄分为3层，即：20-26岁、24-37岁、>37岁；通过支持向量机模型计算三个年龄段MAE值分别为4.93、2.38、5.74岁。

以上，仅为本发明的具体实施方式，应当指出，任何熟悉本领域的技术人员在本发明所揭示的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内，其余未详细说明的为现有技术。