SFTechnicalspecificationfordiatomtesting—AutomatedmethodbasedonarI 2 7本文件按照GB/T1.1—2020《標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)化文件的結(jié)構(gòu)和起草規(guī)則》的規(guī)定請(qǐng)注意本文件的某些內(nèi)容可能涉及專(zhuān)利。本文件的發(fā)布機(jī)構(gòu)不承擔(dān)識(shí)別專(zhuān)利的責(zé)任。1硅藻檢驗(yàn)技術(shù)規(guī)范基于人工智能技術(shù)的自動(dòng)化方法GA/T813人體組織器官中硅藻硝酸破機(jī)法GA/T1662法庭科學(xué)硅藻檢驗(yàn)技術(shù)規(guī)范微波消解-真空抽濾-顯微3.14縮略語(yǔ)AUC：曲線下面積值（AreaUndertheCurve）CPU：中央處理器（CentralProcessingCUDA：計(jì)算統(tǒng)一設(shè)備架構(gòu)（ComputeUnifiedDeviceArchitectuDPI：每英寸點(diǎn)數(shù)（DotsPerIHOG：方向梯度直方圖（HistogramofOrientedGradieJPG：聯(lián)合圖片組（JointPicturePNG：便攜式網(wǎng)絡(luò)圖像（PortableNetworkGraphTIF：標(biāo)簽圖像文件格式（TagImageFileFor通過(guò)數(shù)字化病理學(xué)技術(shù)將實(shí)體樣本底物轉(zhuǎn)換成高分辨率圖像數(shù)據(jù)；應(yīng)用人工智能算法對(duì)數(shù)字化圖像中的硅藻區(qū)域進(jìn)行自動(dòng)化識(shí)別和科屬分類(lèi)；根據(jù)人工智能算法統(tǒng)計(jì)的硅藻數(shù)量及科屬分類(lèi)結(jié)果并結(jié)26.2數(shù)字計(jì)算機(jī)建立外部數(shù)據(jù)庫(kù)的前提是本地實(shí)驗(yàn)室所采用的預(yù)處理方法，可以有效降低不同數(shù)據(jù)源之間圖像樣b)外部數(shù)據(jù)庫(kù)中的圖像樣本應(yīng)進(jìn)行像素大小調(diào)整，使圖像大小符合人工智能模型輸入規(guī)格；a)可使用不同型號(hào)儀器、樣本制備方法或網(wǎng)絡(luò)數(shù)據(jù)庫(kù)等獲取的圖像樣本用于人工智能模型的預(yù)訓(xùn)練，但不宜使用這些圖像樣本來(lái)評(píng)價(jià)本地實(shí)驗(yàn)室儀器平臺(tái)模型在硅藻識(shí)別和分類(lèi)方面的真b)應(yīng)針對(duì)本地實(shí)驗(yàn)室儀器平臺(tái)單獨(dú)構(gòu)建數(shù)據(jù)庫(kù)，用于評(píng)價(jià)模型在硅藻識(shí)別和分類(lèi)方面的真實(shí)場(chǎng)于在用設(shè)備和方法重新建立數(shù)據(jù)庫(kù)用于模型的訓(xùn)練和評(píng)價(jià)。原數(shù)據(jù)庫(kù)可用于最新模型的預(yù)訓(xùn)3.1在數(shù)據(jù)庫(kù)單張圖像樣本中，目標(biāo)硅藻區(qū)域與實(shí).2數(shù)據(jù)庫(kù)圖像樣本可根據(jù)背景及不同科屬硅藻分成多組數(shù)據(jù)集，每組數(shù)據(jù)集包含原始圖像應(yīng)相區(qū)分的模型架構(gòu)，而分類(lèi)數(shù)據(jù)集則用于訓(xùn)練區(qū)分不同科屬硅藻的模型.1在基于端到端的模型訓(xùn)練中，所采用的模型架構(gòu)（如深度學(xué)習(xí)模型）直接從圖像樣本中提.2基于分治法的模型訓(xùn)練應(yīng)借助額外方法先提取圖像中的特征信息，形成向量數(shù)據(jù)后才可用基于端到端的模型訓(xùn)練應(yīng)在符合6.2規(guī)定的數(shù)字計(jì)算機(jī)上完成，具a)采用的人工智能模型算法應(yīng)涉及卷積人工神經(jīng)網(wǎng)絡(luò)、目標(biāo)識(shí)別算法以及其他可用于圖像特征b)應(yīng)將數(shù)據(jù)庫(kù)圖像樣本按適當(dāng)比例設(shè)置訓(xùn)練、驗(yàn)證和測(cè)試樣本集。其中：2)訓(xùn)練樣本集和驗(yàn)證樣本集分別用于模型的訓(xùn)練和訓(xùn)練過(guò)程中的模型效能監(jiān)測(cè)和評(píng)估，測(cè)e)根據(jù)模型驗(yàn)證樣本預(yù)測(cè)結(jié)果及其對(duì)應(yīng)的真實(shí)分組標(biāo)簽，計(jì)算目標(biāo)損失函數(shù)值用于評(píng)估每次迭基于分治法的模型訓(xùn)練應(yīng)在符合6.2規(guī)定的數(shù)字計(jì)算機(jī)上完成，具和感知器人工神經(jīng)網(wǎng)絡(luò)等）以及其他不能直接處理圖像矩陣數(shù)據(jù)的模b)應(yīng)將數(shù)據(jù)庫(kù)圖像樣本按適當(dāng)比例設(shè)置訓(xùn)練、驗(yàn)證和測(cè)試樣本集。其中：42)訓(xùn)練樣本集和驗(yàn)證樣本集用于模型的訓(xùn)練和訓(xùn)練過(guò)程中的模型效能監(jiān)測(cè)和評(píng)估，測(cè)試樣取圖像樣本中的特征數(shù)據(jù)并將這些特征數(shù)據(jù)整合成向量數(shù)據(jù)。每個(gè)圖像樣本的向量數(shù)據(jù)維度e)如特征提取方法涉及深度學(xué)習(xí)模型，其內(nèi)部參數(shù)可通過(guò)訓(xùn)練和驗(yàn)證圖像樣本并結(jié)合特定損失f)訓(xùn)練樣本的向量數(shù)據(jù)應(yīng)用于人工智能模型架構(gòu)的參數(shù)擬合，同時(shí)結(jié)合網(wǎng)格搜索方法確認(rèn)模型g)應(yīng)用候選模型預(yù)測(cè)驗(yàn)證樣集中圖像樣本的向量數(shù)據(jù)并計(jì)算分類(lèi)準(zhǔn)確率，準(zhǔn)確率高于0.對(duì)于給定的數(shù)據(jù)集，正確預(yù)測(cè)的正例樣本與被預(yù)測(cè)對(duì)于給定的數(shù)據(jù)集，正確預(yù)測(cè)的正例樣本與..........................TP——實(shí)際是正例且被預(yù)測(cè)為正例的樣本數(shù)量；FN——實(shí)際是正例但被預(yù)測(cè)為負(fù)例的樣本數(shù)量；5F1score=2×......................表示預(yù)測(cè)正例排在負(fù)例前面的概率，用于評(píng)估模型的分類(lèi)效提取形成向量數(shù)據(jù)后才可輸入至人工智能模型。特征提取方法應(yīng)與模型訓(xùn)練時(shí)采用的特征提b)應(yīng)根據(jù)測(cè)試樣本集預(yù)測(cè)結(jié)果及其對(duì)應(yīng)的真實(shí)分組標(biāo)簽，計(jì)算準(zhǔn)確率、查全率、查準(zhǔn)率、F1分硅藻檢驗(yàn)樣本數(shù)字化轉(zhuǎn)換應(yīng)在符合6.1規(guī)定的顯微掃描或拍照系統(tǒng)上完成，具體步驟如a)將獲取的檢測(cè)底物樣本（如組織樣本涂片）放b)確定掃描區(qū)域，可設(shè)置自動(dòng)聚焦選項(xiàng)。c)在400倍及其以上倍率的視場(chǎng)下獲取檢測(cè)底物樣本上掃描區(qū)域3)色彩深度為本地實(shí)驗(yàn)室儀器設(shè)備實(shí)7.2.3應(yīng)用人工智能識(shí)別模型對(duì)數(shù)據(jù)圖像中6c)如采用基于分治法的模型架構(gòu)，子圖像樣本應(yīng)進(jìn)行特征提取形成向量數(shù)據(jù)后才可輸入至人工7.2.4應(yīng)用人工智能分類(lèi)模型對(duì)數(shù)據(jù)圖像在符合6.2規(guī)定的數(shù)字計(jì)算機(jī)上應(yīng)用人工智能分類(lèi)模型對(duì)數(shù)據(jù)圖像中硅藻分類(lèi)，具體步驟如d)如采用基于分治法的模型架構(gòu)，截取的子圖像樣本應(yīng)進(jìn)行特征提取形成向量數(shù)據(jù)后才可輸入至人工智能分類(lèi)模型。特征提取方法應(yīng)與模型訓(xùn)練時(shí)采用的方法e)經(jīng)人工智能分類(lèi)模型預(yù)測(cè)，確認(rèn)截取子圖像中硅藻的形態(tài)學(xué)科屬并記錄該子圖像在數(shù)據(jù)圖像在符合6.2規(guī)定的數(shù)字計(jì)算機(jī)上，檢驗(yàn)人員對(duì)人工智能識(shí)別模型和分類(lèi)模型篩選的含有硅藻的子圖b)根據(jù)含有硅藻的子圖像坐標(biāo)信息，在數(shù)據(jù)圖像中截取相應(yīng)大小代表性的圖像用于檢驗(yàn)報(bào)告附7[1]GB/T5271.1—2000信[2]AIOSS—01—2018人工智能深度學(xué)習(xí)算法評(píng)估規(guī)范[3]JZhang,DNVieira,QCheng,etal.DiatomNetv1.0:anovelapproachforautomaticdiatomtestingfordrowningdiagnosisinforensicallybiomedicalapplication[J].ComputMethProgBio,2023,232:107434[4]JZhang,YYZhou,DNoVieira,etal.Anefficientmethodforbuildingadatabaseofdiatompopulationsfordrowningsiteinferenceusingadeeplearningalgorithm[J].IntJLegalMed,2021,135:817-827[5]YYZhou,JZhang,JHuang,etal.Digitalwhole-slideimageanalysisforautomateddiatomtestinforensiccasesofdrowningusingaconvolutionalneuralnetworkalgorithm[J].ForensicSciInt,2019,302:109922.[6]BGloria，DOscar，PAnibal,etal.AutomatedDiatomClassification(PartA):HandcraftedFeatureApproaches[J].ApplSci,2017,7:753[7]P.Anibal,B.Gloria,D.Oscar,etal.Automateddiatomclassification(PartB):adeeplearningapproach[J].ApplSci,2017,7:460[8]MKloster,DLangenkmper,MZurowietz,etal.Deeplearning-baseddiatomtaxonomyonvirtualslides[J].Sci.Rep,2020,10:14416[9]JSalido,CSánchez,JRuiz-Santaquiteria,etal.Automateddigitalmicroscopyplatformforautomaticidentificationofdiatoms[J].ApplSci,2020,10:6033[10]W