多光程光谱在血液成分检测中的应用

多光程光谱在血液成分检测中的应用

多光程光程检测技术的应用目前，血液成分定量分析广泛应用于生物化学分析仪、红细胞分析仪、血液凝缩分析仪等医疗设备。检测过程复杂，需要添加多种试剂。近红外光谱技术作为一种无损、快速的检测手段被越来越多的研究人员所应用,通常采用单一光程对近红外光谱进行测量、建模和预测。近年来,国内外研究者对光程在光谱法检测微量成分时的影响,以及最佳光程的合理选择进行了大量研究。在已有的光程变化对液体成分测量影响的研究中,大多数采用不同光程的比色皿或隔片个数来实现光程的控制,存在可选择光程个数少且分辨率低、操作复杂等缺点,并且只使用单一光程光谱进行建模,未能充分利用多光程光谱信息。多光程光谱建模方法利用“不同光程的样本的等效吸收系数不同,不同光程测得的光谱互不相关”的光谱非线性特性,理论上使用多光程光谱同时参与建模可以提供更多样本成分含量的信息,能够比单一光程光谱建模得到更优的模型性能。本研究采用重复性好,操作简单的自动微位移测量装置,实现对样本的多光程近红外光谱采集。选择血清而不是全血作为检测样本,以避免血液中固体成分(红细胞,白细胞,血小板,纤维蛋白等)分布不均对液体成分测量的影响。所采集光谱数据经预处理后,采用多光程光谱建模方法,使用偏最小二乘法对多光程吸收谱与4种血清成分进行回归分析建模及预测。1材料和实验设备1.1血样、检测方法供试样品由天津市人民医院检验学部提供,采用惰性分离胶真空管采集血标本,离心后吸取1mL血清分装供实验,剩余血清由美国雅培C8000全自动生化仪进行即时生化分析,实验方法依据《全国临床检验操作规程》第三版出具化验结果,共采集200个血清多光程光谱数据。1.2检测仪器和测点装置多光程光谱血液成分检测装置如图1所示,使用美国海洋公司的NIR512近红外光谱仪,NIR512参数为512阵元InGaAs探测器,光谱响应范围为855～1737nm(光谱分辨率1.73nm),探测信噪比4000∶1;光纤传送透过样品的测量光;USB接口电缆与计算机连接;光源选用GY-1溴钨灯,可见-近红外波段,12V可调节稳压电源。自动微位移测量装置通过步进电机带动细牙螺杆转动,从而带动动板以及固定在动板上的光纤上下移动,改变血液样本光程,位移范围为0～30mm,微位移精度为0.0025mm。样品池为玻璃制造的样品皿,内径15mm,底部透光。1.3血清透射谱的制备多光程光谱法测量血液参数的流程图如图2所示。首先,设定多光程检测的单位光程变化量0.20mm及最大光程4.00mm。然后,在固定的样品池内注入蒸馏水作为标准液,调节光谱仪积分时间,使得光谱位于光谱测量系统量程范围内,并确定零基准位。零基准位的判定标准为:当动板带动光纤下降时,透射光谱中水1450nm吸收峰处的光强不再增强,说明水层已经最薄,光纤已接触样品池底部,即达到所有样品开始测量的零基准位。将分装好的血清样品注入样品池,从零基准位开始透射光谱采集。随后依次增加设定的单位光程变化量并进行光谱采集,直至完成最大光程的血清透射光谱。清洗后开始下一样品从零基准位至最大光程的21个光谱采集。测量中NIR512的参数设定为:积分时间200ms,平均次数1,厢体滤波次数0。1.4多光程吸收谱的预处理分析采用每个光谱除第一个数据点(为常数0)的511个数据点,每个血清样品有21个不同光程的透射光谱。首先,对第N个光谱与第N+1个光谱的比值取对数,得到20个血清层的吸收谱。然后,将每个样品的20个吸收谱依次相连,组成该样本的多光程吸收谱。最后,对这些多光程吸收谱进行归一化处理。从采集的200个血清样本中随机抽取160个样本作为建模集,其余的40个样本作为预测集。采用偏最小二乘(PLS)法对包含多个光程血液近红外吸收谱矩阵与血清成分含量矩阵进行回归分析。重点从模型的预测相关系数(r)和预测标准误差(RMSEP)两方面进行预测效果的评价。2结果与讨论2.1生化指标分析表1为200个血清样品的葡萄糖(GLU)、总胆固醇(TC)、总蛋白(TP)、白蛋白(ALB)含量的生化分析结果。可见所采集血清样本此4项生化指标含量均覆盖生物参考区间,且包含一定数量偏高及偏低的异常结果样本。在200个样本中抽取第6个血清样本为例,实验所得该样本的21个光程的透射光谱如图3所示,非线性特征较为显著。2.2乘回归分析建模样品集的160个样本的多光程近红外吸收光谱与其对应的GLU,TC,TP和ALB的含量进行偏最小二乘回归分析。为防止产生过拟合,使模型对非建模样品的预测准确性较好,本研究在建模中采用完全交叉验证,以模型的建模相关系数、建模标准误差、交叉验证相关系数(rCV)、交叉验证标准误差(RMSECV)作为模型的重要指标,以rCV值最大、RMSECV值最小作为标准,得到4种血液成分含量校正模型。2.3预测结果及分析预测集40个血清样本的GLU,TC,TP和ALB的含量如表2所示,与其对应的建模集样本相比,含量范围略小,但分布情况大体相同,应能较好地检验所建模型的优劣。表3为偏最小二乘法建立的回归分析模型对40个预测集样本4种成分(GLU,TC,TP和ALB)含量的预测相关系数(r)和预测标准误差(RMSEP)。预测效果分别如图4～图7所示,从中可看出,样品4项成分的近红外光谱预测值与生化分析仪分析值之间的相关系数均在0.93以上,表明预测值与生化分析值比较接近,可用来对未知血清样品中的GLU,TC,TP和ALB的含量进行预测。但由表3可以看出,GLU含量预测的最大相对误差为13.4%,其原因可能是由于所采集的样品的GLU值分布范围较大(3.17～14.37mmol·L-1)但分布不均,主要集中在4.0～6.0mmol·L-1,对模型建立及预测的准确性造成了一定的影响。3人为因素引入大误差本研究基于多光程血液光谱的非线性特性,利用自动微位移测量装置得到200个血清样品的多光程近红外光谱信息,操作简单,重复性强,解决了本课题组已往采用的手动装置测量时由人为因素引入较大误差的问题。研究采用偏最小二乘法,使用多光程光谱同时参与建模,建立了GLU,TC,TP和ALB4种成分含量的校正模型并对预测集样本进行预测,4种成分含量的预测值与