技术领域
[0001] 本
发明属于肿瘤治疗技术领域，尤其涉及一种靶向肿瘤介入治疗剂及其制备方法和智能检测系统。
背景技术
[0003] 肿瘤是细胞产生的赘
生物细胞群，肿瘤组织无论在细胞形态和组织结构上，都与其发源的正常组织有不同程度的差异，这种差异称为异型性。异型性是肿瘤异常分化在形态上的表现。异型性小，说明分化程度高，异型性大，说明分化程度低。区别这种异型性的大小是诊断肿瘤，确定其良、恶性的主要
组织学依据。良性肿瘤细胞的异型性不明显，一般与其来源组织相似。
恶性肿瘤常具有明显的异型性；
[0004] 肿瘤的肉眼观形态多种多样，并可在一定程度上反映肿瘤的良恶性。学界一般将肿瘤分为良性和恶性两大类。
[0005] 肝癌介入治疗全称肝癌介入治疗，是采用的在不开刀暴露病灶的情况下，在血管、
皮肤上作直径几毫米的微小通道，或经人体原有的管道，在影像设备(
血管造影机、透视机、CT、MR、B超)的引导下对病灶局部进行治疗的创伤最小的治疗方法。肝癌介入治疗是指经股动脉
插管将抗癌药物或栓塞剂注入肝动脉的一种区域性局部化疗，它是非开腹手术治疗肝癌的首选方法，其疗效已得到肯定。但是现有的靶向治疗，治疗效果较差，且极易引起胃肠不适等
副作用，免疫
力下降，在靶向治疗中存在
定位不准，不能实现
可视化的局限性。
[0006] 综上所述，现有技术存在的问题是：
[0007] (1)现有的靶向治疗，治疗效果较差，且极易引起胃肠不适等副作用，免疫力下降；
[0008] (2)在靶向治疗中存在定位不准，不能实现可视化的局限性。
发明内容
[0009] 针对现有技术存在的问题，本发明提供了一种靶向肿瘤介入治疗剂及其制备方法和智能检测系统。
[0010] 本发明是这样实现的，一种靶向肿瘤介入治疗剂的制备方法，所述靶向肿瘤介入治疗剂的制备方法包括以下步骤：
[0011] 第一步，制备灵芝多糖、枸杞多糖和黄参多糖多孔性材料载体，备用；
[0012] 第二步，利用化学方法进行多孔性材料载体的修饰处理，调节pH值；
[0013] 第三步，经过修饰后的多孔性材料载体与
放射性核素进行键合，同时加入免疫调节剂，键合完成后进行
真空干燥处理，制得
基础治疗剂；
[0014] 第四步，利用ε-聚赖
氨酸和壳聚糖
混合液对基础治疗剂进行包裹，真空干燥，即得，采用智能检测系统对治疗效果监测。
[0015] 进一步，所述第一步中灵芝多糖、枸杞多糖和黄参多糖的制备包括：
[0016] (1)取灵芝、枸杞、黄参进行清洗，烘干，超微
粉碎，制得灵芝粉、枸杞粉、黄参粉；
[0017] (2)利用灵芝粉、枸杞粉、黄参粉为原料，通过
脱脂、
水提取、真空浓缩，获得粗多糖；
[0018] (3)粗多糖，去除
蛋白质、色素和杂质进行纯化处理，即得。
[0019] 本发明的另一目的在于提供一种所述靶向肿瘤介入治疗剂的制备方法使用的智能检测系统，所述智能检测系统包括：
[0020] 健康评估模
块，利用多项医疗仪器对
机体进行
健康状态的评估，输出健康状态评估报告；
[0021] 肿瘤筛查和判定模块，用于对机体进行肿瘤细胞的筛查及明确评定；
[0022] 肿瘤细胞定位模块，根据筛查判定结果对肿瘤细胞进行精准定位；
[0023] 治疗剂进入模块，根据肿瘤定位结果，输入治疗剂，治疗剂对肿瘤细胞进行靶向治疗；
[0024] 靶向治疗监测模块，用于监测靶向治疗过程；
[0025] 靶向治疗检测模块，用于检测靶向治疗结果；
[0026] 治疗结果显示模块，用于显示检测靶向治疗结果及机体健康检测数据。
[0027] 进一步，健康评估模块通过采集特定监护对象同一时刻的多个体征参数，进行融合决策，结合其历史因素进行分析，最终对其体征状态做出评价估测，具体包括：多元基本生理体征参数信息单元、体征状态信息本体映射单元、融合分析单元、本体健康信息单元、体征状态输出单元；
[0028] 融合分析单元中采用BP神经网络的模式分类
算法对体征的状态进行识别，通常分为两个阶段，即：向前传播阶段和向后传播阶段；其中向前传播阶段包括：
[0029] a.从样本集中取一个样本(Xp，Yp)，将Xp输入BP神经网络；
[0030] b.计算相应的实际输出Op：
[0031] Op＝FL(…(F2(F1(xpW(1))W(2))…)W(L))
[0032] 向后传播阶段—误差传播阶段：
[0033] a.计算实际输出Op与相应的理想输出Yp的差；
[0034] b.按极小化误差的方式调整权矩阵；
[0035] c.网络关于第p个样本的误差测度：
[0036]
[0037] d.网络关于整个样本集的误差测度：
[0038]
[0039] BP算法①逐一地根据样本集中的样本(Xk，Yk)计算出实际输出Ok和误差测度Ek，对W(1)，W(2)，...，W(L)各做一次调整，重复这个循环，直到∑Ek＜ε；②用
输出层的误差调整输出层权矩阵，并用此误差估计输出层的直接前导层的误差，再用输出层前导层误差估计更前一层的误差。如此获得所有其它各层的误差估计，并用实现对权矩阵的
修改，形成将输出端表现出的误差沿着与输入
信号相反的方向逐级向输入端传递的过程。
[0040] 综上所述，本发明的优点及积极效果为：
[0041] (1)本发明提供的靶向肿瘤介入剂，靶向治疗效果好，且制备简单，降低成本；
[0042] (2)本发明提供的靶向肿瘤介入剂，添加有组合免疫调节剂，其中辅酶Q10可以有效改善术后引起胃肠不适等副作用，白介素有效增强免疫力；
[0043] (3)本发明提供的靶向治疗系统，实现了肿瘤细胞的快速检测与筛查，及时准确进行肿瘤细胞的定位，实现高效、快速的靶向治疗，且治疗过程实现可视化。
附图说明
[0044] 图1是本发明
实施例提供的靶向肿瘤介入治疗剂的制备方法
流程图。
[0045] 图2是本发明实施例提供的靶向肿瘤介入的智能检测系统
框图。
[0046] 图3是本发明实施例提供的健康评估模块结构框图。
[0047] 图4是本发明实施例提供的隐含层的
节点数目示意图。
具体实施方式
[0048] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0049] 本发明实施例提供的靶向肿瘤介入治疗剂，包括多孔性材料载体、
放射性核素、外层包裹材料和免疫调节剂。
[0050] 本发明实施例提供的多孔性材料载体由灵芝多糖、枸杞多糖和黄参多糖的一种及以上组合。
[0051] 本发明实施例提供的外层包裹材料由60％ε-聚赖氨酸和40％壳聚糖组合。
[0052] 本发明实施例提供的放射性核素由131I、201Tl、67Ga、111In、123I、11C、13N、15O、18F、32P、89Sr、90Y、153Sm、188Re、117mSn和117Lu一种及一种以上组合。
[0053] 本发明实施例提供的免疫调节剂为80％白介素和20％辅酶Q10组合免疫调节剂。
[0054] 下面结合附图对本发明的应用原理作详细说明；
[0055] 如图1所示，本发明实施例提供的靶向肿瘤介入治疗剂的制备方法，具体包括以下步骤：
[0056] S101：制备灵芝多糖、枸杞多糖和黄参多糖多孔性材料载体，备用；
[0057] S102：利用化学方法进行多孔性材料载体的修饰处理，调节pH值；
[0058] S103：经过修饰后的多孔性材料载体与放射性核素进行键合，同时加入免疫调节剂，键合完成后进行真空干燥处理，制得基础治疗剂；
[0059] S104：利用ε-聚赖氨酸和壳聚糖混合液对基础治疗剂进行包裹，真空干燥，即得。
[0060] 步骤S101中，本发明实施例提供的灵芝多糖、枸杞多糖和黄参多糖的制备：
[0061] (1)取灵芝、枸杞、黄参进行清洗，烘干，
超微粉碎，制得灵芝粉、枸杞粉、黄参粉；
[0062] (2)利用灵芝粉、枸杞粉、黄参粉为原料，通过脱脂、水提取、真空浓缩，获得粗多糖；
[0063] (3)粗多糖，去除蛋白质、色素和杂质进行纯化处理，即得。
[0064] 本发明实施例提供的供靶向肿瘤介入的智能检测系统包括：
[0065] 健康评估模块1、肿瘤筛查和判定模块2、肿瘤细胞定位模块3、治疗剂进入模块4、靶向治疗监测模块5、靶向治疗检测模块6、治疗结果显示模块7；
[0066] 健康评估模块1：利用多项医疗仪器对机体进行健康状态的评估，输出健康状态评估报告；
[0067] 肿瘤筛查和判定模块2：用于对机体进行肿瘤细胞的筛查及明确评定；
[0068] 肿瘤细胞定位模块3：根据筛查判定结果对肿瘤细胞进行精准定位；
[0069] 治疗剂进入模块4：根据肿瘤定位结果，输入治疗剂，治疗剂对肿瘤细胞进行靶向治疗；
[0070] 靶向治疗监测模块5：用于监测靶向治疗过程；
[0071] 靶向治疗检测模块6：用于检测靶向治疗结果；
[0072] 治疗结果显示模块7：用于显示检测靶向治疗结果及机体健康检测数据。
[0073] 健康评估模块1通过采集特定监护对象同一时刻的多个体征参数，然后进行融合决策，结合其历史因素进行分析，最终对其体征状态做出评价估测，具体包括：多元基本生理体征参数信息单元、体征状态信息本体映射单元、融合分析单元、本体健康信息单元、体征状态输出单元，如图3所示；
[0074] 融合分析单元中采用BP神经网络的模式分类算法对体征的状态进行识别，通常分为两个阶段，即：向前传播阶段和向后传播阶段(误差传播阶段)。其中向前传播阶段包括：
[0075] a.从样本集中取一个样本(Xp，Yp)，将Xp输入BP神经网络；
[0076] b.计算相应的实际输出Op：
[0077] Op＝FL(…(F2(F1(XpW(1))W(2))…)W(L))
[0078] 向后传播阶段—误差传播阶段：
[0079] a.计算实际输出Op与相应的理想输出Yp的差；
[0080] b.按极小化误差的方式调整权矩阵；
[0081] c.网络关于第p个样本的误差测度：
[0082]
[0083] d.网络关于整个样本集的误差测度：
[0084]
[0085] BP算法的基本思想可以总结为：①逐一地根据样本集中的样本(Xk，Yk)计算出实际输出Ok和误差测度Ek，对W(1)，W(2)，...，W(L)各做一次调整，重复这个循环，直到∑Ek＜ε。②用输出层的误差调整输出层权矩阵，并用此误差估计输出层的直接前导层的误差，再用输出层前导层误差估计更前一层的误差。如此获得所有其它各层的误差估计，并用这些估计实现对权矩阵的修改，形成将输出端表现出的误差沿着与
输入信号相反的方向逐级向输入端传递的过程。
[0086] 对监测对象建立BP网络网络模型，首先确定网络的结构，即BP网络的层数和每层的节点数目，根据已经给定的输入输出变量即可确定网络层的
输入层和输出层模式，为了能够准确的反应输入层和输出层之间的关系，增加一定的隐含层，隐含层的设计和网络性能有直接的关系，一般是隐含层越多，网络估计的精确度越高，但是网络会增加很大的计算量，造成不必要的浪费。
[0087] 需要对网络隐含层的数目做一个估测，首先通过相关的经验公式
[0088]
[0089]
[0090] J＝log2n
[0091] 其中n为输入节点数；l为
输出节点数；J为隐含层节点数； 为一组合数，且若i＞J，其值取为0；α为1～10的常数；k为样本数量，选取一个合适的节点数目建立网络，然后对特定训练样本进行学习，得到网络误差。然后逐渐的增加隐含层的节点数目，再用同样的样本进行学习，通过对比网络误差的收敛性，选择合适的节点数目。建立三层的BP神经网络模型，可以确定其输入层为6个，输出层有3个，首先选择网络的隐含层节点数目为10层，在后续的多次优化和试验中，将隐含层的节点数目设置为12，效果最佳，如图4所示。
[0092] 肿瘤筛查和判定模块2首先对可疑异常区域提取采集的超声图像中的灰度、相对灰度、方差、
对比度、局部对比度五个特征，利用
支持向量机(SVM)进行对样本进行分类，属于病灶区的记为“1”，否则计为“0”。
[0093] 设线性可分样本集为(xi,yi)，i＝1，…，l，x∈Rd，即x是d维
特征向量，yi∈{-1,1}，d维空间线性判断函数的一般形式为g(x)＝w·x+b，选取使分类间隔最大的划分直线的法方向w；
[0094] 通过Lagrange乘子法求解：
[0095]
[0096] 其中ai、ri为Lagrange乘子，ai≥0，ri≥0，i＝1，…，l；参数b可由任意一个支持向量计算得到：
[0097] b＝yi-w·xi
[0098] 最后分类器模型为：
[0099] f(x，w，b)＝sgn(∑aiyiK(x，xi)+b)。
[0100] 本发明实施例提供的工作原理部分：
[0101] 通过健康评估模块1利用多项医疗仪器对机体进行健康状态的评估，输出健康状态评估报告；通过肿瘤筛查和判定模块2，用于对机体进行肿瘤细胞的筛查及明确评定；通过肿瘤细胞定位模块3，根据筛查判定结果对肿瘤细胞进行精准定位；通过治疗剂进入模块4，根据肿瘤定位结果，输入治疗剂，治疗剂对肿瘤细胞进行靶向治疗；通过靶向治疗监测模块5对靶向治疗过程进行监测；通过靶向治疗检测模块6，对靶向治疗结果进行检测；通过治疗结果显示模块7，对检测靶向治疗结果及机体健康检测数据进行显示。
[0102] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
