用于分析醫學樣品成分的方法

專利名稱：用于分析醫學樣品成分的方法
技術領域：
本發明涉及用一種自動分析儀分析醫學樣品成份的方法，按照該方法，實現醫學樣品與試劑組反應，測量由醫療樣品與試劑組反應所得到的物理上可測的量X。在此至少確定一個用于特定樣品的測量值R，該測量值在分析儀的數據處理單元中轉換成分析結果A。
在醫用實驗室分析中，可以用許多不同的方法來確定欲要求的分析結果A，其中主要用完全自動化的分析儀來實現上述方法，對樣品(通常是體液，特別是血液和尿)進行的研究的目的在于取得有關的樣品中所含組份之一的分析結果A。
結果A(在定量分析中)通常是組份的濃度C。在定量分析中，就是要指明樣品(就所研究的分析物而言)的醫療分析狀態，例如，說明分析結果是陽性或陰性。多于兩種狀態(例如“高”、“正常”、“低”有些時候也是有用的。然而，其它醫療上有意義的醫療樣品分析結果也被認為是由本發明所定義的分析結果A。例如直接從分析中作出疾病是否存在(亦即，沒有指出任何濃度值或任何醫療分析狀態)。這是現今仍然頗為不平常的，但是，本發明正在這個方向上制造新的可能性。
用測量電子儀器來表示，分析結果A是一個模擬或邏輯狀態，從狀態中，通常至少一個測量值R被完全自動地確定，并體現一個醫療上相關信息的項目。
分析總是基于樣品與適合于分析樣品的特定成份(通常稱之為“分析物質”或“參數”)的一種或多種試劑(也稱之為試劑體系)的反應。試劑在自動分析儀中立即或按預定的時間間隔與樣品混合。分析方法的詳細描述-除了在本發明的一些實施形式中專門討論性能以外-對于本發明是不重要的。
一個通常的物理上可測的量是借助光度計、散射測濁法和混濁測定法通過測量樣品的混濁度而確定顏色的變化，靈敏的光探測是通過光電倍增管而進行的，對于上述情況，X是一個螢光信號。或者，在電化學測試中，X值具有電學量的特征，是電流測量值，或者是電壓測定值，物理上可測的量X通常以適當的方法測量并用技術把它轉換成電測量信號。測得的測量信號的值是R值，該值是量X的一個明確的度量。
自動分析儀通常完全自動地從至少一個測量值R來確定分析結果A，該結果一般是濃度C。若干個測量值Ri常常是在一個樣品上決定，在這種情況下，在數據處理單元中從至少兩個測量值來計算所求解的變量。在簡單的情況下，測量值R或者至少從兩個測量值中推導出來的測量結果可以清楚而精確地用通常稱為校準曲線的簡單函數關系與濃度C聯系在一起。測量值和測量結果在此形成校準曲線Y＝f(c)的校準輸出變量。
在評價時，總是必須考慮到分析反應是決定于時間的。當可產生可測量的物理量的一個或一系列反應進行得非常快時，情況就變得非常簡單。在這種情況下，在分析反應基本完成時的一個時間點處確定測量值X，并立即把它用作輸入校正變量Y，這就是眾所周知的端點確定法。
另一個校為簡單的例子是，反應進行的較慢決定了量X隨時間的變化關系，這種變化在一定的時間段內使測量值R隨時間的改變(“動力學變化”)滿足線性或其它簡單的函數關系。
在上述周期內的不同時刻ti重復地測量X。描述動態的測量結果(例如在一定的時間內每單位時間被測得的值X的變化dR/dt(ti))是從所測得的值(Ri)(ti)來計算的，并且該結果被用作確定分析結果A的輸入變量Y。
X隨時間的變化通常以一個很復雜的關系決定于許多部分反應的動態特性，這些部分反應在樣品的分析體系的總反應中起一定的作用。這這導致值X相對于時間的一個復雜的變化過程，該過程也就是眾所周知的復變反應動力學。本發明特別是針對這種復變變反應動力學情況的。
現有的各種已知的方法可以用于評估由幾個重疊的(overlapping)的單個反應的化學動力學所引起的復變反應動力學。例如，一種嘗試是把復變反應動力學描述成對于部分反應的離散的微分方程式的形式，其中微分方程式的函數參數相應于可測的反應動力學值。然而，實際的反應體系的復雜性需要理想化的模型假設，該假設應限定模式結果的有效范圍。為此，提出了表象學模型(phenomenologicalmodels)，在該模型中，函數參數與單個反應沒有直接關系，但是經常被解釋為在研究中所確定的反應特異性的測度。最后，用于描述反應動力學的還有一個純統計模型。這些方法中的每一個都具有一定的優點，盡管模型的研究花費大、勞動量大和費時。這些方法適應條件變化(例如，試劑成份的改變，或者在一定的環境條件下恰好的試劑批料)的能力是非常小的，基于上述的測量結果的評估和確定的分析結果的精度和可靠性遠遠偏離所要求的水平。
自動分析儀的數據處理單元，除去從測量值中確定濃度和/或醫學分析狀態外，通常要完成許多貢獻于確定正確的分析結果A的其它功能。這些功能通常包括對測量值似乎合理的檢測，試劑生產批料的鑒定，其它試劑和裝置狀態的識別，誤差探測，且在某些情況下，對在一個和相同樣品獲得的不同的測量數據或在幾個樣品中的測量數據的修正。本發明也涉及數據處理單元的這些輔助功能。
本發明的目的在于提供在本文一開頭所描述類型的，且改進了質量和可靠性的有效方法。
上述目的是通過在數據處理階段中使用神經網訓練(NeuralNetTranning)的結果達到的，在數據處理階段，對于已知大數量的樣品的分析結果A已知情況下，至少一個測量值或從若干個測量通過預定的方法得出的一個測量結果被加到神經網絡的輸入端。優選地是將分析結果A或與分析結果聯系的已知的輔助值施加到神經網絡的輸出端。然而，在所有情況下這并不是必須的。在本發明的范圍內，自組織神經網絡(自組織圖-SOM)也已經成功的使用，在所說的自組織神經網絡中，訓練在沒有任何監控下進行(“沒有監控的學習”)。
神經網絡是一個主要是并行的數據處理系統。它由數據處理單元的網絡組成，數據處理單元也稱之為神經元，這些神經元彼此通過神經之間連接器連接。每個神經元具有一個或多個輸入端，并在它的輸出端產生一個輸出信號。輸出信號分成若干個復制件(copy)，并作為輸入信號輸入與輸出端連接的這些神經元的輸入端上。貯存在神經網絡中的信息是由神經元間聯接的“權”(weights)組成，它包含在學習階段確定的神經元的基本電勢。
神經元j在網絡中可以具有若干個加權的輸入，例如，神經元1，……，i。神經元的內連接的權用Wij表示，預連接神經元的輸出用Xi表示。正的和負的權(電勢差現象和壓抑)都是可能的。因此，輸出網絡j為netj＝∑Wij＊Xi外部輸入exinpj可以加到神經元的凈輸入上。因此，網絡的神經元可以從它原來的激活狀態(Old activation state)aj(t)和激活函數F的并聯關系(但是異步地)計算新的激活狀態aj(t+1)aj(t+1)＝Fj[Netj(t+1)，exinpj(t+1)，aj(t)]輸出狀態Oj通常相應于(內部的)激活狀態aj(t+1)。然而，在某些情況下，當使用輸出函數fj時，出現下面的轉換步驟oj(f+1)＝fj(aj(f+1))不同的神經網絡(下面縮寫成“NN”)的布局也不同，亦即，在網絡中具有不同的神經元和神經元間的連接的排列。神經元通常呈層狀，其中，每一個NN至少具有一個輸入層和一個輸出層。輸入層的各個神經元的輸入一起形成NN的輸入，而輸出層各個神經元的輸出形成了NN的輸出。另外還有所謂的隱秘層(hiddenlayer)，它們被設置在輸入層和輸出層之間。NN的結果(布局)是由層的數目、每一層的神經元和所存在了神經元間內聯接的數目決定的。
NN的一個特征是它們可以通過神經網絡訓練“學習”，在實際上，NN′主要是用于圖像處理。在這種情況下，它是一種重新識別一些成象圖案的實體。在NN的學習過程中，用攝象機拍攝了特定形狀(例如圓形、方形等)的圖象信號被加到輸入端，而相應于所要求的正確識別的信號施加到NN的輸出端上如果根據任務適當選擇并構成NN，且學習處理能以足夠的頻率重復時，那么，NN能夠對未知物體分類，亦即，甚至在圖象不能嚴格地相應于學習圖案的情況下，也能把它們歸屬于某一個學習群之中，因此，圖形的聯想(association)和重構基本上可由已知的NN完成。
特定的NN的功能不僅僅由它們的布局決定，而且也由用于施加到在輸出信號內的輸入端的信號和為了適合于在學習處理過程中發生的神經元間聯接的加權的處理的信號的算法決定。更特殊地，這些是激活函數，該函數決定了從上述產物的總和中的每個神經元輸出的量，輸出函數和用于學習處理的通常稱之為傳遞函數的算法。
下面是神經網絡的其它特征。
1.它們由很多簡單的數據處理單元組成，每個都能實現它自身的簡單運算(信號接收、輸入信號的求加，轉換已求和的輸入并傳遞信號)。因此，每個神經元的任務限于通過裝在輸入端上的神經元間聯接器接受輸入信號，并通過上述計算過程中產生輸出信號，并把它送到輸出端。這些步驟由按并聯關系的神經元實現。
2.特殊信息不僅僅存在于神經元的布局和基本電勢中，而且也存在于連接的權中。不同類型的NN根據在學習處理過程中權的確定和修改的不同而彼此不同。
3.NN能夠獨立地把在訓練中增益的“任務”轉換成加權的整集(“加權矩陣”)。
在大多數情況下，只有加權可以訓練過程中變化，亦即，NN的布局保持不變。然而，在特殊情況下，也可以使用前述的“自組織網絡”(SOM)。
SOM是神經元網絡的模型，它模擬大腦自組織的能力，并按照簡單的規則在它自身組織其相互聯接的結構。“自組織圖”(self-organizingmap)是由神經元的內層構成，它接收來自在輸入層內的神經元的信號。內層也稱之為圖層(maplayer)。在輸入層內的每一個神經元連接到在圖層中每一個神經元上。對于每一個輸入信號，激勵被集中在圖層內的神經元的一個部分上。在學習階段的末端，在最強激勵的神經元圖上的位置相對于輸入信號的重要特征，類似的輸入信號相應于圖層上的相鄰的激勵位置。換言之，圖構成了一個輸入信號特征的空間表象。
這種類型的自組織處理的數字模型是由T.Rohonen提出，因此，也稱為“Kohonen特征圖”。
關于神經元網絡更詳細的描述可以在已出版的文獻中找到，特別有關的參考文獻是由Klaus-PeterKratzer，CarlHanserVerlag著的“NeuronaleNetze，GrundlagenundAnwendung”(“神經網絡，原理和應用”)一書，(1990，慕尼黑和維也納)和美國專利US-4965725，在該專利中，圖示和說明了關于識別在冷凍樣品顯微照片中惡性細胞的NN功能(NNfunction)。該文獻還包括相關文獻表。關于神經元網絡的基礎研究結果也已經在1950年出版。自1980年開始它們已經在圖象處理和數據圖形的識別和分類的相關工作等領域內得到日益廣泛的應用。
在化學領域中，神經元網絡應用的綜述在J.Zupan和J.Gasteiger的論文“Neuralnetworksanewmethodforsolvingchemicalproblemsorjustapassingphase？”(AnalyticaChimicaActa248，1-30，(1991)可以找到。既然這涉及到分析問題，可以把它們引入到下列應用中-評價光譜數據(包括紫外、可見光和紅外光譜)，可以參考P.J.Gemperline等的論文“NonlinearmultivariateCalibrationusingprincipalcomponentsregressionandartificialneuralnetworks”(Anal.Chem.63，2313-2323，1991)和J.Zupan的論文“Cananinstrumentlearnfromexperimentsdonebyitself？”(AnalyticaChimicaActa，235，53-63，1990)。
-借助于神經元網絡評價來自于由若干個電子探測器(特別是離子選擇電極和氣體傳感器)組成的裝置的信號，可以參考K.C.Persaud的論文“Eletronicgasandodourdetectorthatmimicchemoreceptioninanimals”(TrendsinAnalyticalchemitry，11，61-67，1992)和M.Bos等的論文“Processingofsignalsfromanion-selectiveelectrodearraybyaneuralnetworks”(AnalyticalChimicaActa233，31-39，1990)。
經典的計算機系統的優點在于能很精確和快速的按預定的準確限定的指令(運算)序列實施。運算可以是計算問題以及組織問題或邏輯連接兩個方面。在這些方面，計算機是遠遠地超過人的大腦。
然而，同樣是傳統的計算機在不能通過接受準確地預定規則求解，但又要求相關的能力的問題上則遇到了困難。所以，它們用于求解非運算問題(例如圖象的識別和分類問題)時，遠不如人的大腦。NN系統就是適合于承擔這樣的任務。因此，至今(包括用于如上所述的化學領域內)使用神經元網絡的關鍵點在于完成包括相關、分類和評價方面的任務。從另一方面看，神經元網絡也有不到之處，它們被限定在用于高容錯和有限的結果可信度的場合中。
使用自動分析儀分析醫學樣品是另一方面的領域，在該領域內，對其結果有高質量的要求，這是因為它對病人的健康是至關重要的。除了這個明顯的矛盾外，可以發現在使用本發明時，借助神經元網絡，甚至在該領域也可以獲得令人注意的結果。
在訓練方面，在此也稱之為按照本發明的處理的訓練階段，對于足夠大數量的樣品，且對樣品的分析結果A是已知的情況下，至少一個測量值或者從若干個測量值取得的至少一個測量結果作為輸入變量加到NN的輸入端上，且在使用的主要方面，與后者相連接的分析結果A或已知的輔助值加到NN的輸出端上。
在這種意義上講，所獲得的測量結果是一個從若干個測量值按預定的算法(也可以稱之為求解方法)所求得的值，例子是從在不同時間測得的值Ri(ti)按一定的(已知的)近似公式計算的動力學的R(t)的斜率、曲率或粗糙度(roughness)。
在這種意義上講，輔助值可以是一個與分析結果關聯的數值或邏輯值，并且作為一個規則(rule)時，它將用于改進分析結果A的質量。一種重要的例子是誤差碼，它指出了加到NN輸入端的測量值或測結果是否意味著存在誤差。
輸入變量適合于它們以正則化的方式加到NN的輸入端，在此出現的最大的測量值臨時地取之為等于1。
在一定的環境下，可以很方便的把設備狀態的信息或者試劑的信息作為在訓練階段中的附加輸入變量加到NN的輸入端。這種信息包括，例如，環境溫度、試劑的有效期，試劑性質等等。因此，除了測量值和從這些被認為是經典的評價算法的信息得出的測量結果外，NN還能用于確定分析結果。
目前，實際上神經網絡是作為軟件模擬用于順序操作計算和(′VonNeumannarchitecture′)。這種NN模擬成功地用于本發明的檢驗上(trail)。假定用特殊的硬件部份用并行處理的方式支持NN的問題的求解，可以獲得恰如其分的或甚至更好的結果。
NN訓練一般是在監督下實行，亦即，網絡的神經元層和神經元間的聯接(布局)的結構是事先固定的。同樣，也使用預定的傳遞、激活和輸出功能。訓練的進程受到許多參數的影響，如學習速率、動量和噪聲因子。人工造成的噪聲的輸入方法考慮到實際情況，即確定的測量值是受到了實驗誤差的影響。噪聲成份在此疊加在輸入值上。
用于評估學習成果的各種方法是公知的。更特殊地，在本發明使用交叉證實法(Cross-ValidationMethod)，亦即，來自已知輸出的NN輸入變量集組合的一個子集通常是用于訓練，而數據庫的剩余部分為正確的輸出用于后來的NN測試，在此，訓練子集是接著的“變更地通過”(“permutatedthrough”)。評估正確和不正確的輸出數目。在為數不多的簡單情況下，訓練結束可以通過在NN軟件所提供的計算誤差函數的值低于限定值確定，或由通過達到特定的質量要求或由輸入和輸出間關系的穩定度確定。
在某些情況下，也可以很方便的使用上述“自組織網絡”(SOM)替代所描述的監控學習。相反，對于在訓練階段中的經典的NN，(其中測量值或從測量值得出的測量結果在每種情況下施加在NN的輸入端上)，就不存著分析結果或輔助值與施加在輸出端上的分析結果或輔助值有關。實際情況是，SOM識別了施加在輸入端上的信號的特征結構，且指明了它們在圖層中的位置。在本發明的范圍內，可以發現對于在自動分析儀上的特殊應用中，這種SOM支持下的“非監控學習”是優越的。然而，下面的說明基本上指的是(除去有相反的指示)經典的NN支持下的“監控學習”。
在完成訓練階段之后，對一個一定的網絡的布局和加權矩陣(Weightmatrix)是固定的。因此，訓練的結果可以按網絡拓撲(用自組織法預選或找到)的參數形式量化的表示，同樣也可以用加權矩陣表示。本發明的特征在于這樣的方法被用于本發明要求保護的分析方法。
對于本發明所要求的NN的訓練可以通過用于分析的試劑體系的制造者或者在自動分析儀本身(借助與裝置成為一體或者連接對裝置上的NN系統)兩種方式實現。在前一種命名的情況下，需要一個特別大的數據庫(例如，從試驗的進展和蹤跡以及質控它通常是藉大量的已知濃度的樣品的幫助實現的)用于NN的訓練基礎。在自動分析儀上的訓練具有考慮到作為特殊的設備和它的設置，以及可能的系統測量誤差這些特殊因素的可能性的優點，NN訓練的兩個次階段(substage)的結合已經證明有特別的優越性，其中，引入NN基本適應性的階段是由試劑體系的制造商實現的，而第二階段是考慮到對設備的特別因素后在自動分析儀上的進一步訓練中實現的。
顯然，訓練階段在每個單個分析時不是必需的，只要至少有一個NN的訓練與試驗的發展(development)有關(亦即與試劑體系和它的方向應用有關)就行了。然而，至少對于每一批制造的試劑組實現NN訓練，和通過在自動分析儀上附加的進一步的訓練階段可能補充的訓練通常是有利的。
訓練完成之后，未知的輸出可以從網絡拓撲的實驗輸入變量(測量值或測量結果)、所使用的函數、神經元之間的權系數和在學習階段中優選的神經元的基本電勢計算出來。NN訓練的結果按照本發明是供分析用的。這種計算通過下述方式基本上可能發生，即嚴格相同的輸入變量(如在訓練階段中測量值或以同樣的方法從測量值中求出的測量結果)被施加在最佳神經元網絡的輸入端，并且通過使用在訓練中所確定的加權矩陣，用在NN訓練中所使用的分析結果A和/或輔助值是在對分析結果A在對樣品分析過程中在NN的輸出端上得出的。不管怎么說，這樣方法是較完善的。
作為一種變換，許多NN的模擬程序具有特殊的模式，它們在NN訓練完成之后使它能夠擴大為含網絡參數和最佳的加權矩陣作為常數的與結果無關的程序使用，并使從輸入值到輸出值的經濟化成為可能。
本發明特別涉及到在不同時間ti測得同一個物理上可測的量X的幾個測量信號Ri并且它們因此描述了量X(動態的)隨時間的變化的應用場合。在這種情況下，依次確定的測量值Ri可以被貯存，且在訓練時同時施加到NN的輸入端，由此，可以對在一個NN的學習周期中的所有在動態(過程)中的信息進行處理。另一種情況是(或者在此基礎上)，按照本發明另一個進一步的優選的實施例，從在不同的測量時間測量的值計算求出的測量結果可以施加到NN的輸入端。從動力學求出的這些測量結果是，例如，曲線的斜率或曲率，同樣還有測量值R(t)隨時間變化的極值或拐點的位置。這種優選的測量顯然是可以結合的，因此，測量值Ri(ti)和從這些測量值求出的測量結果(例如曲線的斜率或曲率)可以同時加到NN的輸入端上。
基于反應動力學的測量，本發明在分析方面具有獨特的優點。可以發現，這可以由足夠可靠的系統來描述，該系統由于它的復雜性而不能用經典的數學分析求解。此外，本發明通過對部分區域的動力學的評估，而提供了在動態確定條件下縮短反應時間的可能性，縮短反應時間是非常重要的，特別是對免疫化學試驗更是如此。
通過下面的實施例將對本發明作進一步的說明和解釋。


圖1是用于說明本發明的方法的自動分析儀的方框電路圖;
圖2到圖4是在本發明的優選實施例中的神經元網絡的拓撲圖形;
圖5到圖8是圖形表示的校準曲線;
圖9是對于圖8的校準曲線的動力學的圖示;
圖10是對醫學分析狀態的測量結果的指定結果的圖示表示。
圖1以通常形式示出自動分析儀的結構，在透明容器1中的樣品由光源4發出的測量光線3透射。測量光線3是樣品2的吸收的量度，在該例子的情況下，它形成一個測量值X。它落在檢測器5(例如，光敏晶體管)上，它的輸出信號加到測量信號處理電路7上。該電路包括，例如，放大器，濾波器和按已知的方法放大和處理測量信號的處理信號轉換器，所以測量信號(它的值形成測量值R)顯示在測量信號處理電路7的輸出端8上。
測量值R以模擬或數字形式施加到數據處理單元9的輸入端，數據處理單元9用于從測量信號確定分析結果A，該結果從輸出端10引入輸出單元11(例如，顯示屏或打印機)，在此可以顯示。數據處理單元基本上包括模擬電子或數字電子硬件。在實際上，它通常包括按照現行的微機系統技術條件的適合的操作和應用軟件。用數據處理單元9實現的數據處理階段(總的包括把一個或多個測量值R處理成分析結果A)通常包括若干個次級。這些可以包括用預先確定的方法從若干個測量值Ri求出測量結果，然后再進一步處理。
由測量值R確定在樣品中的分析物濃度C將在下面作為本發明的第一個實施例來說明。
輸入變量Y(測量值R或從若干個測量值中求出測量結果)和濃度C之間的函數關系是由校準曲線Y＝f(c)描述。校準曲線是通過分析已知濃度(“標準”)的樣品來確定。描述校準曲線的函數參數是通過藉助于已知的數字方法(一般是線性或非線性回歸)得出的Y，C對來確定。
當NN是用于按照本發明的校準時，在學習循環中用標準樣品測得的值R被送到NN的輸入端，而已知的濃度C被送到NN的輸出端。當在分析過程中的每次分析只確定一個測量值時，使用不是在輸入層中只有一個神經元的NN。如果幾個測量值(例如，它們是描述隨時間變化的動力學過程)，它們是在每個樣品上確定，NN在它的輸入層就具有相應數目的神經元。從動力學過程求出的測量結果也可以用于作為訓練的輸入變量，而樣品評估替代了原始測量值。
圖2所示的是適合于校準的NN的網絡拓撲。它包括一個具有一個神經元的輸入層，對一標準樣品的正則化測量值在訓練中加到輸入層，而輸出層同樣也只有一個神經元，相應的各個標準樣品正則化的已知濃度施加到輸出層的輸出端。在這兩層之間有一個線性的隱蔽層，該層在圖中所示情況下有5個神經元。
借助于NN進行校準和確定濃度比之經典的校準方法具有如下的優點不是所有的濃度/測量值間的關系都可以滿意地用數學函數逼近的。在某些情況下，對于評估函數不存在分析解，或者無法在整個濃度范圍內確定這種函數。經典的校準方法就濃度而言通常要求單調地依賴于校準輸入變量Y。如果這種單調性標準被削弱了，那么函數就再也無法被單一性地確定，這就使經典的校準方法在此無法使用。
當使用神經元網絡時，測量結果(如從測量值求出的測量值的差值，曲線的曲率和累積值)如前面已經說明的，可以沒有任何問題地施加到NN的輸入端，以替代測量值。這就有可能顯示出比實際的測量值R對濃度C更好地校準。這樣可以在NN訓練時通過把從測量值求出的不同測量結果施加到NN的輸入端上作簡單的測試。
實際檢測已經表明在免疫化學檢測方面的反應時間可以通過這些改進來縮短。
按照本發明的一個改進的實施例，校準可以通過經典的校準函數和NN的結合實現。當校準函數只是在特定的分析設備上依賴于它的狀態和/或試劑的狀態選擇時，這種方法特別有利。
經典的校準函數與NN訓練的結合在例如診斷檢查方面是很有利的，診斷檢查的校準曲線隨其所受應力(例如貯存溫度)而改變它的位置和形狀。檢查的制造商可以用這些已確定的應力檢查的試劑系列實現，所說的應力檢查模擬實驗室中試劑所暴露的環境校準曲線隨之的變化。整個校準可以用適當的(經典的)校準方法在確定的研究時間ti實現。因此，NN可以在這樣一種情況下訓練，把應力檢查所基于的時間間隔或應力值施加到NN的輸入端，由此所得到的校準曲線的函數參數表示理論上的輸出。在實際上所出現的應力值人工地或自動地在實驗室內輸入。然后，用NN計算出有效的函數參數。在相同的情況下，制造者發現的設備間的差異可以通過在沒有實驗室人員參與的情況下經適當的訓練來解決。
本發明的方法特別適合于以下情況，即用經典的校準法不可能求解的，或者雖能求解但困難極大的場合。例如，在病人的樣品取得的分析物濃度的絕大多數是處于較窄的濃度范圍內，可是個別的病人的樣品顯示出非常高的或非常低的濃度值。對這些參數而言，獲得足夠量的樣品以對包括上述極端值在內的整個醫學相關的濃度范圍的濃度值進行校準是非常困難的。這是因為在許多情況下，標準必須從志愿供血者的血漿中獲得，當然只有在特殊的情況下，才會出現極端的濃度值。本發明有利于這些困難的解決，因為現已發現，可以進行足夠次的NN訓練，方法是主要對經常出現的濃度范圍內的標準樣品進行訓練，然后再對落在極端的測量值范圍內的少數幾個標準樣品進行訓練。當使用經典的校準方法時，它不允許在這種情況下把校準曲線外推到不能通過足夠數目的標準來保證C和Y之間關系的范圍內。因此，按照本發明藉以NN的幫助能夠可靠地確定濃度，甚至在“外推范圍”(extrapolationrange)內。
第二種情況，本發明能有效的適用于在高濃度范圍內具有平滑的漸近趨勢的非線性校準曲線的分析(圖5)。通過使用本方法，甚至在校準曲線也可以獲得可靠的，即使是較粗略的濃度規定。
第三種情況，有問題的校準曲線如圖6中所示。輸入變量Y和濃度C之間的關系不是單調的。在這種情況下，當使用經典的校準方法時，不可能得出測量值Y與濃度C之間確定的關系。另一方面，如果對于每一個濃度，不是把一個測量值而是把若干個測量值Ri(例如描述動力學的Ri(ti)施加到NN的輸入端，藉助NN的幫助，明確地進行測定是可能的。這將在下面結合另一個實施例更全面地討論。
在半量化分析中，如上所述的分析結果A不是濃度C，而是對至少兩種不同醫學分析狀態之一，(例如“陽性”和“陰性”)的樣品指明狀態。醫學分析狀態間的濃度的邊界通常是根據經驗確定，且稱之為“切斷”。
按傳統的確定切斷的一個問題是這樣一個事實所引起的，即在實施上它是決定于被調查的病人組。按照本發明，將傳統的藉助于公式確定切斷的方法由基于NN的評價過程所替代，按照該評價過程，測量值或從測量值求出的測量結果可以按照確定濃度C的相同方式施加到NN的輸入端。
在訓練階段，已知的對醫學的分析狀態的正確的測定被施加到NN的輸出端。當濃度C具有一個連續值頻譜時，醫學的分析狀態例如可以是一種具有離散值頻譜的NN輸出變量。在這種情況下，輸出層神經元的輸出信號范圍-按數字電子學中的習慣-分成兩個次范圍，其中高于限制值的次范圍稱為“高”或“邏輯1”，而低于限制值的信號范圍被稱為“低”或“邏輯0”。所要求的輸出層神經元的數目將由此決定。當輸出變量的離散值頻譜可以假定只有兩種邏輯狀態，一個輸出端可以具有兩種狀態的神經元在其輸出層就足夠了。然而，為便于處理多余的信息，可以提供具有比絕對需要的神經元數目更多的神經元的輸出層。
圖3以舉例的方式示出了NN的拓撲，所說的NN配備成把測量結果指定為兩種醫學分析狀態(例如，陽性和陰性)。在訓練時，“陽性”狀態例如可以相應于在輸出端20和21上的信號組(1，0)，相應地，“陰性”相應于信號組(0，1)。這樣的方法具有把不允許的信號組合(1，1)和(0，0)判斷為“錯誤”的優點。
在分析結果A或輔助值具有如NN的輸出變量那樣的由離散值組成的數值頻譜的情況下，S形的激活函數或閾值函數通常是優選的，反之，在連續值頻譜的情況下，用線性激活函數進行計算和測定證明是最佳的。
對前面描述的情況(確定濃度)進行模擬訓練，在這種情況下，即得出分析結果A，正確地指明其所處的醫學分析狀態，例如，陽性或陰性，把它被施加到輸出端上，這樣就存在著用這種的方法對來自病人組的樣品進行NN訓練的可能性，所說的病人組的樣品的成份相應于各個實驗室的病人組的樣品。因此，半定量試驗的切斷在每個例子中無需費力的研究即可確定，而且假陽性和假陰性的結果數目降低到最小。
在這個實際的例子中也可以便利地把NN訓練分成兩個次階段，在這種情況下，由制造商進行的具有廣泛地各種不同的病人樣品范圍試驗的基本訓練得到通過在(自動分析儀)設備上的進一步訓練的補充。在這種情況下，將處于已知的醫學分析狀態中的、對特定實驗室有特異性的參考樣品的信號也加到NN上。這種參數樣品測量在定性分析中是很普遍。
本發明進一步的實際例子是有關這樣一些情況，共中校準曲線Y＝f(c)不是單一的，因此，相同的輸入變量Y的值(測量值或者從這些測量值求出的測量結果)相應于至少兩個具有不同濃度值C的校準曲線的分段。在這種情況下，明確的把測量輸出變量Y按濃度C進行判斷是不可能的，或者用經典的方法必須作附加的測量才是可能的。附加的分析確定在樣品被稀釋后通常是需要的。這些方法的特別重要的例子是基于抗體沉積的血液免疫化學分析，其中，標準的校正曲線稱之為“Heidelberger曲線”。這樣一種校正曲線的基本走向表示在圖6中。由于這些問題是公知的(例如，見歐洲專利申請EP-0148463和德國專利申請DE-4221807，在此就不需要對它們作詳細的說明。
在這種情況下，測量值或者是從包括有測量值的動力學R(t)的信息求出的測量結果被施加到NN的輸入端上，測量值，特別是散射測濁法或混濁度測量法所確定的樣品的濁度。如在上面的情況中，NN的輸入變量可以是在不同時間確定的大量的測量值Ri(ti)或者是從這些測量值求出的測量結果，或者是這兩類輸入變量的組合。
正確的測定校準曲線的部分(在圖6中標出的分段A和分段B)的數據在訓練階段作為與分析結果有關的輔助值施加到NN的輸出端上。由于在這里的輸出變量的數值頻譜也是離散的;上述的說明適用于有關的輸出層的神經元。
圖4用舉例的形式示出了適合于這種實際應用的NN的拓撲，其中輸入層具有25個神經元，正則化的吸光值(作為測量結果或者從測量值中求出的測量結果(它們都描述了測量反應動力學)可以同時施加到上述的神經元上。輸出層具有兩個神經元。具有25個神經元的隱秘層是夾在它們之間。在相鄰層的所有神經元之間設置了神經元間的連接。
試驗結果已經表明采用上述方法在上述血液免疫化學試驗中以實際工作所要求的可靠性測定校準曲線分段是可能的。這樣避免了附加試驗的工作和花費，且也提高了分析的可靠性。本發明的這個實施例對下述臨床相關的濃度范圍包括特別高的濃度值的情況特別有利，而已知的方法出于經濟上的考慮避開校準曲線的模糊部分，特別是避免使用很高的抗體濃度。
本發明的再一個應用是檢測在自動分析系統中的誤差。
為了使診斷結果的品質可信，同樣還有法律上的規定，對自動分析系統很重要的是要提供誤差探測程序，借助一個高度自動化的設備，將使分析結果更加完備和可靠。
從另一方面來說，藉助傳統的方法探測誤差的可能性受到問題異乎尋常的復雜性的限制。必須用同樣的自動分析系統測定的有診斷重要性的分析物的多樣性、濃度差以及分析中程序的復雜性(對樣品的處理、加入試劑、對測量信號的接受和判斷)等等諸多因素使得常規的電子裝置能正確處理的方法很難(有時甚至不可能)檢測出可能的誤差構象。
已經發現用本發明的神經網絡可以有效地用于自動分析儀的誤差識別。在此，在臨床實驗室中的測量開始之前，必須用NN完成學習誤差圖形所需的訓練階段。因此，優選地是由試劑體系的制造者實現，特別是使得與試劑體系有關的誤差源能夠識別，在此基礎上，對自動分析儀進行進一步的訓練以識別由于設備所引起的誤差。為了識別誤差，如同前面的非單一的校準曲線的應用例一樣可以把輸入變量施加到NN的輸入端。由此，在動力學上的信息在這種情況下也進入了NN。
在這個例子中，訓練可以通過以下方式進行，把從未受干擾動力學系統中分離出來的受干擾動力學的誤差碼加到NN的輸出端。例如可以采用處于有意引入的典型的誤差狀態的樣品或試劑。在一些情況下，一個例子是包括氧含量較低的樣品，在這種情況下，分析要求樣品具有適當的氧含量。這里，當所分析確定的樣品氧含量較低時，NN總是通過把誤差碼“Error”送入NN的輸出端訓練，相反，對于正常的樣品，在NN的輸出端上的狀態是“Noerror”(沒有誤差)。具有如在前面例子(圖4)中相同的基本拓撲的NN在此也可以使用。
試驗已經表明采用這種方法，從沒有誤差的動力學過程中可靠地區分出有誤差的動力學過程是可能的，而用傳統的測量信號處理方法處理時，這些狀態沒有任何區別，因此用傳統的方法會立即認為所有這些狀態都是有誤差的。由傳統的方法所引起的誤差源是可以避免的，例如，通過誤差的反復補償法。
誤差識別對于在自動分析儀上使用SOM是一個特別重要的例子。在訓練階段對于不同樣品的動力學過程，可以把測量值或從描述反應動力學測量的測量值求出的測量結果施加到Kohonen特征圖的輸入端上，這樣導出了-如已經說明的-在SOM的圖層上空間地顯示了所施加的動力學的特征。在本發明的內容中，已經證明，在SOM圖層的顯示中達到從沒有誤差的動力學過程中分離出有誤差的動力學過程。這就使它有可能確定圖層具體的有誤差的或沒有誤差的分區，并通過把SOM應用于正在進行的分析中來識別和清除有誤差的動力學過程。
使用本發明進一步感興趣的方面是延長試劑使用期。臨床分析系統的試劑經受一個老化過程。在實際上，可以通過試劑的擱置壽命規定的較短來把不精確性降低到一個可接受水平。然而，這會帶來很大的費用問題。
在本發明的范圍內，如果把描述試劑的有效期(最簡單的情形是擱置壽命)的一個或幾個輔助值在神經元網絡訓練時加到在輸入層的附加神經元上，并且訓練也考慮到試劑有效期變化，可以大大減輕這個費用問題。因此，有可能通過下述方式進行就是在每次試驗進行時，把實際的測量值或測量結果加到輸入端上，而對于新鮮試劑的理論上的測量值加到輸出端上，以便用NN去修正測量值。然而，優選的是把校準和對于試劑有效期修正結合起來，亦即把前面描述的校準方法簡單地通過提供用于描述試劑有效期的一個或多個輔助值的附加輸入神經元并通過把訓練延伸到不同有效期的試劑上的方式加以擴展。
最后，本發明的又一個使用領域是同時分析一個樣品中幾個分析物。雖然在普通化學分析中已經廣泛使用用適當的方法(例如，電泳)在同一個樣品中同時確定若干個不同的分析物，這在醫學樣品的分析中至今為止尚未普及。按照傳統的評估方法，校準曲線趨勢的特異性太差，以致無法從兩個測試的重疊的校準曲線中對這兩個分開的成份進行評估。
本發明也可有利于處理這種情況，即象如前所述的那樣，把測量值或從測量值求出的測量結果作為輸入變量加到神經元網絡的輸入端。描述動力學的輸入變量再次優選地使用。在這種情況下，在訓練階段，把兩個具有連續數值頻譜的濃度作為輸出變量直接施加到輸入層的兩個神經元上。
下面的例子用于對本發明的進一步說明。
例1確定LH(人類黃體激素)參數。它是在病人的樣品以及通過測量15個LH標準值(樣品及已知的LH濃度)的NN的幫助下，在三個具有EnzymumRES 300檢測系統(Boehringer Mannheim GmbH，Mannhein，Germany)的系列中實現的。這是一個分析，在該分析中，對于每個濃度測量其衰減值(extinction value)。濃度C和相應的衰減值E的測量值對被正則化(Co＝0，Cmax＝1，E0＝0，Emax＝1)并供訓練神經元網絡所用。
在此使用具有Intel80486數據處理器的裝在標準個人計算機上的美國賓夕法尼亞州匹茲堡的NeuralWareInc的NeuralWorksprofessionalⅡ程序。
優選的網絡結構和學習參數如下網絡拓撲相應于圖2。NN的學習速率定在0.9，動量定在0.6。對于所有的神經元選取一個(共同的)線性輸出函數。在訓練中使用背傳遞算法(Back-propagation algorithm)，總共進行了30000次學習循環，直到示出的誤差函數的最大誤差小于10-4。沒有做加入噪聲信號的程度的可能性的嘗試。
訓練完成之后，借助NeuralWorksProfessionalⅡ程序產生一個含作為常數的網絡拓撲參數和權矩陣的獨立的C-程度，該程度模塊的大小總共為2K字節。
分析物含量未知的樣品中的LH濃度用EnzymunLHES300測試系統測量。在此通過下述方式使用NN-訓練的結果，測量的衰減值用在訓練中使用的正則化系數來正則化，樣品的濃度借助C程度計算。在測試系統的誤差允差的限制范圍內，所確定的濃度的正確度高到100%。濃度C和衰減值E(作為校準輸入變量Y)之間的關系表示在圖7中，圖中矩形表示用已知濃度的標準樣品測得的衰減，點線相應于在經典的表象學模型基礎上確定的校準曲線，叉號表示按所描述的借助于NN的方法確定的濃度值。可以看出二者是完全一致的。
例2NN用于下面在非單調校準曲線的情況下確定濃度。在此使用分析物鐵蛋白的濃度已知的樣品(具有試劑體系以及具有已知鐵蛋白含量的病人血漿的標準樣品)，采用Tina-quantR鐵蛋白試驗系統和HitachiR717自動分析儀(兩者都由Boehringer Mannheim GmbH提供)。使用并比較兩種不同制造批量的試劑體系。
試驗是一種血液免疫化學試驗，試驗的校準曲線為“Heidelberger曲線”形。上述一定濃度值的校準曲線的反演也被稱之為“鉤效應”(“hookeffect”)。
衰減動力學(extinction kinetics)以12秒鐘為間隔的常規測量監視。第50次和第24次衰減測量之間的差作為校準輸入變量Y。圖8所示是輸入變量Y＝E50-E24和鐵朊濃度C間的關系，該關系是具有次段A和B的非單調的Heidelberger曲線形式。兩種不同的試劑批料分別用矩形的叉號表示。圖9所示的是在圖8中由a和b表示的測量點的動力學關系。從圖中可以看出，盡管校準輸入變量Y的值實際上是相同的，但對于這些測量點(a點濃度為350ng/ml，b點為6000ng/ml)的動力學過程是不同的。
使用裝入帶有(Intel 80386/80387)處理器的標準PC的Brain-Maker ProfessionalR軟件(Cahifornia Scientific Software出版)作為神經元網絡的模擬。
下面的網絡結構和學習參數指定為網絡拓撲(圖4)在輸入層含25個神經元，對它們施行正則化衰減(Etmin＝0，Etmax＝1)。輸出層具有2個神經元，對兩個神經元中的每一個，使用一個值(0.1)測定的校準曲線的次段A或B。
輸入和輸出層之間有一個具有25個神經元的一維的隱秘層。學習速率為1.0，動量指定在0.9。對于所有的神經元選取S型的激活函數。在訓練時使用反傳遞算法(Counterpropagationalgorithm)。總共運算150個學習循環，直到所示的誤差函數的最大誤差小于0.1。加入幅度相當于衰減值的0-20%的量隨機分布的噪音函數。
在訓練階段完成之后，借助Brain Mark ProfessionalR程序產生含作為常數的網絡拓撲參數和權矩陣的獨立C程序。包括數據矩陣在內的C模塊的大小，在本實施例的情況下是21K字節。
函數是通過用指定的試劑體系和自動分析儀測量含不同鐵朊濃縮物的未稀釋的及稀釋的樣品測出的。NN的輸出值(名義上指定為Heidelberg曲線的分段A和分段B)是根據標準的衰減值用C-程序確定的，將該結果與實驗結果比較，其中樣品已經被稀釋，以便能消除鉤效應。在所有的研究情況中，未被稀釋的樣品的衰減正確地指定到所屬的分段，并由此得到正確的濃度值。
例2a使用例2的數據組，研究用本發明能夠減少用于動態分析的測量時間。在每個例子中，在包括25個測量點的動力學值中只使用第24、23、22、18和14這幾個測量值。如在例1中的同樣的程序也可以用于神經元網絡的模擬。
在這種情況下，NN在輸入層具有的神經元數目相應于測量值的數目以及輸出層中的一個神經元。在輸入層和輸出層之間有一個具有9個神經元的一維隱秘層。學習速率是0.3，動量設置在0.01。對于所有神經元，使用雙曲線的切線作為激活函數。訓練時，使用后傳遞算法(back-propagationalgorithm)。
借助于NN的模擬程序也產生一個獨立的程序。在該程序中，包括了作為常數的由訓練所產生的網絡拓撲參數和權矩陣。
甚至只用14個測量點也能實現分析物濃度的再現。除去最小的濃度值(它處于系統分辨能力的邊緣)，偏差量不超過5%。
例3為了測試NN在識別誤差上的應用，分析是借助于甘油三脂-GPO-PAP測試法(Boehringer Mannheim GmbH)實現的。在此研究了350條高的和低的甘油三脂濃度的衰減/時間曲線。使用了正常的和人造的缺氧試劑。所使用了自動分析儀仍然是Hitachi-717R。
Science Applications International corporation的ANSimR神經元網絡軟件仍然用在80386/80387 PC中，且在本實施例中作為NN的模擬使用。
下面列出了網絡結構(類似于圖4)和學習參數輸入層包括50個神經元，且使用了正則化的衰減值Etmin＝-0.5，和Etmax＝0.5。輸出層包括2個神經元，且對每一個“正常的”和“受擾動的”動力學量使用一個(0，1)的值，在它們之間夾著由25個神經元組成的一維隱秘層。學習速率為0.01，動量為0.6。對于所有的神經元都選取S形激活函數，在訓練中使用后傳遞算法。總共進行了350個學習循環，直到所示的誤差函數的平均誤差低于2×10-3。過程中不含噪聲函數。
用于正確的誤差探測的試驗是用另外30個樣品實現的，這些樣品在其它的研究中有時已顯示出引人注意的動力學性質。來自一個動力學過程的50個衰減值在此貯入數據庫內，并使之可以由ANSim軟件進行處理。評價用相同NN程序實現，該程序使用訓練過程中確定了結構和權矩陣。將所得結果與圖示的衰減/時間關系比較，比較中可看出，任何干擾都是十分明顯的。在所有研究的樣品中，由神經元網絡進行的自動的誤差探測結果和圖示評價結果是一致的。
例3a進行如在例3中相同的試驗，對于誤差探測使用SOM(Kohonen特征圖)來進行研究。在該研究中，首先將355個反應動力過程的實驗組按經驗分成正常的和干擾的動力學數組。用這種分類法得到277個正常的和78個非正常的數組。非正常的數值可以出現在反應過程中的千變萬化的技術的和化學的干擾中，它們的頻率隨時間變化并將反應在動力學上。
SOM的模擬是借助如在例1中的相同的程序提供。輸入層具有50個神經元，也使用了在例3中所描述的正則化衰減值。圖層具有40個神經元。在完成所指的355個動力學的訓練時，最終把衰減強度清楚地在圖層上分成兩個次區域。試驗表明除了在一個次區域(較大的)有少量例外以外，它包括正常動力學的數據(277個的274個)，而第二區域含非正常動力學的數據(78個中的74個)。
例4在許多實驗室內測量肝炎參數HBE，每個實驗室處理150-250個病人樣品，試驗把NN應用于測量結果屬于定性試驗的何種醫學分析狀態。測量值(衰減動力學)也是在兩個參考樣品(“控制”)上測量，陽性的陰性分別被規定為參考樣品的狀態。測量的衰減值如在例1中所述的分別用于所有的實驗室數據的正則化。NN系統與在例2中所使用的相同。
網絡結構包括三個輸入神經元(對樣品的衰減而言，陰性對照和陰性對照)，隱秘層有15個神經元和兩個輸出神經元(用于輸出陽性和陰性結果)。學習速率為1.0，動量為0.9。沒有使用噪聲函數。所有的神經元都使用S形激活函數。
訓練完成后，測定的質量通過對使用BrainMakerprofessional神經元網絡模擬的范圍內的樣品的分類來測試。由7號實驗室測得的測量值在此用于訓練，它的結果用于評價所有實驗室的測量數據。結果如圖10所示。所有實驗室在測試數據中的正確決定的數目大于95%，且在某些情況下，不正確的決定比例(假陽性或假陰性)小于1%，如用進一步的優化處理，獲得的結果甚至可以比這些結果更好。
權利要求
1.用于通過自動分析儀分析醫學樣品成份的方法，其中實現樣品與試劑體系的反應，從測量樣品與試劑組的反應得到一個物理上可測的量X，以便對于一個特定的樣品至少確定一個測量值R，其中至少對一個測量值R用數據處理單元在數據處理階段中進一步處理，以便獲得一個測量結果A，在數據處理階段中，使用是由神經元網絡訓練的結果構成的，在所說的訓練中，對于大量標準樣品的分析結果A是已知的，至少一個測量值或者從若干個測量值Ri中求出測量結果被施加到神經元網絡的輸入端。
2.按照權利要求1所述的方法，其中同一個物理上可測的量X的若干個測量值Ri是在不同的測量時間(ti＝t1，t2，…tn)測量的，并且描述了測量量X隨時間變化的所有測量值Ri(ti)中的至少一部分被同時施加到神經元網絡的輸入端。
3.按照權利要求1或2所述的方法，其中同一個物理上可測的量的若干個測量值R是在不同的時間(ti＝t1，t2，…tn)測量的，從至少二個測量值求出至少一個測量結果，并且至少一個所求出測量結果被施加到神經元網絡的輸入端上。
4.按照前述的權利要求中的任何一個權利要求所述的方法，其中自組織神經元網絡被用于神經元網絡的訓練中。
5.按照權利要求1-3中的任何一個權利要求所述的方法，每當至少一個測量值或測量結果被作為標準樣品施加時，將其中已知的分析結果A或與測量結果連系的已知的輔助值在神經元網絡訓練時施加到神經元網絡的輸出端上。
6.按照前述的權利要求中的任何一個權利要求所述的方法，其中分析結果A是樣品的一個成份的濃度C。
7.按照權利要求6所述的方法，其中神經元網絡訓練的結果是用于對從至少一個測量值R確定的濃度C的校準。
8.按照權利要求6或7所述的方法，其中神經元網絡訓練的結果用于把所分析的測量范圍擴展到標準值所覆蓋的濃度范圍之外。
9.按照權利要求6所述的方法，其中濃度C用從隨時間變化的測量值R(t)求出的校準輸入變量Y修正，在此，校準曲線Y＝f(c)是非單調的，因此，輸入變量Y的同一個值相應于在校準曲線的至少兩個分段上的不同濃度值C，并且神經元網絡訓練的結果是用于指明一個輸入變量Y，所說的輸入變量是從R(t)到校準曲線的分段決定的。
10.按照權利要求1-5中的任何一個權利要求所述的方法，其中分析結果A是指明樣品屬至少兩種不同的醫學分析狀態之一，且神經元網絡訓練的結果用于把至少一個測量值R正確地指定為不同的醫學分析狀態。
11.按照權利要求1-5中的任何一個權利要求所述的方法，其中神經元網絡訓練的結果用于把測量結果分成有誤差的測量結果和沒有誤差的測量結果。
12.按照前述權利要求中任何一個權利要求所述的方法，其中部分的神經元網絡訓練是由與自動分析儀無關的試劑體系制造者實現。
13.按照權利要求12所述的方法，其中神經元網絡訓練包括兩個分階段，其中第一分階段是由試劑體系制造者實現，第二分階段是在自動分析儀上進行進一步訓練時實現的。
全文摘要
借助于自動分析儀分析醫學樣品成分的方法，其中樣品與一個試劑體系反應，從測量樣品與試劑體系的反應得到一個物理上可測的量X，以便確定對于一個特定樣品的至少一個測量值R，其中，對這個至少一個測量值R，借助數據處理單元在數據處理階段中進行進一步處理，以便得出測量結果A。在本發明的處理階段中，使用是由神經元網絡訓練的結果組成，其中，對于大量的標準樣品的分析結果A是已知的情況下，至少一個測量值R或從若干個測量結果Ri求得的測量結果被施加到神經網絡的輸入端。
文檔編號G06G7/60GK1082715SQ9310890
公開日1994年2月23日 申請日期1993年7月24日 優先權日1992年7月25日
發明者R·謝弗, B·莫爾納, C·貝丁, P·沃爾夫, F·蘭格 申請人:曼海姆泊靈格股份公司