本发明涉及体外诊断领域，尤其是涉及用于获取卵巢癌风险指数的计算机系统、样本分析系统以及构建用于预测卵巢癌风险的机器学习模型的方法。
背景技术：
1、卵巢处于盆腔深处，在发生病变且处于早期时无特异性临床症状，出现症状后再就诊，70％的患者已处于晚期，且晚期5年生存率不足30％，因此越早诊断越有利于患者治疗康复。但当前研究显示，不论是血清单项标志物，或者是经阴道超声单独筛查还是联合，均不能达到满意的效果。
2、目前在卵巢癌早诊或筛查场景中，经常采用卵巢肿瘤恶性风险指数(rmi，risk ofmalignant index)及roma指数。
3、rmi是通过患者的ca125浓度、盆腔超声图像特征和绝经状态对患者的包块良恶性进行辅助判断。rmi需要超声医师参考相关标准对超声图像特征进行打分，所以受医师个体主观及经验影响较大，不同医师给出的判断结果可能不一致，导致漏检，贻误治疗时机。
4、roma指数是fda批准的对上皮性卵巢癌进行良恶性鉴别诊断的有效方法，对于绝经前和绝经后人群使用不同的计算公式，根据不同的cutoff阈值判断良恶性。但该方法的适用首先需判断患者是否绝经，而目前对于是否绝经没有统一的判断标准，根据患者自述或激素水平等判据均存在较大的个体差异，临床实用性不高。且在较多文献报道中，都发现绝经前效能略差于绝经后效能。
技术实现思路
1、基于此背景，本发明的任务在于提供一种用于获取卵巢癌风险指数的技术方案，根据本发明所获取的卵巢癌风险指数具有较高的诊断效能，能够有效地辅助临床医师预测卵巢癌，特别是对于绝经前人群具有比现有技术更高的特异性。
2、为了实现上述任务，本发明第一方面提供一种用于获取卵巢癌风险指数的计算机系统，包括：
3、数据获取模块，配置为获取受试者的he4水平、ca125水平和年龄；
4、风险计算模块，具有训练好的机器学习模型并且配置为将由所述数据获取模块获取的he4水平、ca125水平和年龄输入到所述机器学习模型中，以计算得到用于表征所述受试者患卵巢癌的概率的卵巢癌风险指数，所述机器学习模型通过多个已知样本的he4水平、ca125水平、年龄以及卵巢癌诊断结果训练得到；
5、结果显示模块，配置为输出并显示由所述风险计算模块计算得到的卵巢癌风险指数。
6、本发明第二方面提供一种样本分析系统，包括：
7、样本承载部，用于承载装有受试者的血液样本的容器；
8、样本分注部，用于从样本承载部吸取受试者的血液样本并将其排放到待加样的反应杯中；
9、试剂承载部，用于承载检测试剂；
10、试剂分注部，用于从试剂承载部吸取检测试剂并将其排放到待加试剂的反应杯中；
11、反应部，用于放置反应杯，以便孵育反应杯中的由受试者的血液样本与检测试剂反应得到的试液；
12、检测部，具有光学检测器，用于测定和输出受试者的试液中的he4水平和ca125水平；
13、数据处理部，包括处理器和计算机可读存储介质，在计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令在被处理器执行时引起所述处理器实施如下步骤：
14、获取所述受试者的年龄和所述he4水平、ca125水平；
15、将所述受试者的he4水平、ca125水平和年龄输入到训练好的机器学习模型中，以计算得到用于表征所述受试者患卵巢癌的概率的卵巢癌风险指数，所述机器学习模型通过多个已知样本的he4水平、ca125水平、年龄以及卵巢癌诊断结果训练得到；以及
16、输出所述受试者的卵巢癌风险指数。
17、本发明第三方面提供一种构建用于预测卵巢癌风险的机器学习模型的方法，包括：
18、数据收集步骤：收集多个已知样本的样本数据，所述多个已知样本分别来源于初次就诊的成年女性患者，所述样本数据包括患者的个人信息、卵巢癌诊断结果和肿瘤标志物水平，所述个人信息至少包括年龄，所述卵巢癌诊断结果包括患者确诊良性盆腔肿瘤或恶性卵巢肿瘤，所述肿瘤标志物水平包括至少三个用于卵巢癌诊断的肿瘤标志物的水平；
19、特征变量筛选步骤：利用所述多个已知样本的样本数据并使用回归方法筛选出he4水平、ca125水平和年龄作为构建机器学习模型的特征变量；以及
20、模型构建步骤：利用所述多个已知样本的he4水平、ca125水平、年龄以及卵巢癌诊断结果对机器学习模型进行训练和验证，以构建用于预测卵巢癌风险的机器学习模型。
21、在本发明各方面提出的技术方案中，用多个已知样本的he4水平、ca125水平、年龄以及卵巢癌诊断结果训练得到机器学习模型，通过该机器学习模型计算受试者的卵巢癌风险指数，以便能够有效地辅助医师预测该受试者是否患卵巢癌。
1.一种用于获取卵巢癌风险指数的计算机系统，其特征在于，所述计算机系统包括：
2.根据权利要求1所述的计算机系统，其特征在于，所述机器学习模型基于随机森林算法或支持向量机分类算法或逻辑回归算法构建。
3.根据权利要求1或2所述的计算机系统，其特征在于，所述计算机系统还包括阈值设置模块，配置为设置用于判断所述受试者是否患卵巢癌的阈值。
4.根据权利要求3所述的计算机系统，其特征在于，所述结果显示模块还配置为输出显示由所述阈值设置模块设置的阈值；和/或，所述结果显示模块还配置为，当所述受试者的卵巢癌风险指数大于所述阈值时，输出表征所述受试者患卵巢癌的风险增加的提示。
5.根据权利要求1至4中任一项所述的计算机系统，其特征在于，所述多个已知样本分别来源于初次就诊的已确诊良性盆腔肿瘤或恶性卵巢肿瘤的成年女性患者。
6.一种样本分析系统，包括：
7.根据权利要求6所述的样本分析系统，其特征在于，所述机器学习模型基于随机森林算法或支持向量机分类算法或逻辑回归算法构建。
8.根据权利要求6或7所述的样本分析系统，其特征在于，所述计算机可读指令在被处理器执行时还引起所述处理器实施如下步骤：
9.根据权利要求6至8中任一项所述的样本分析系统，其特征在于，所述多个已知样本分别来源于初次就诊的已确诊良性盆腔肿瘤或恶性卵巢肿瘤的成年女性患者。
10.根据权利要求6至9中任一项所述的样本分析系统，其特征在于，所述受试者为绝经前的成年女性、优选为发现卵巢出现包块的绝经前的成年女性。
11.一种构建用于预测卵巢癌风险的机器学习模型的方法，其特征在于，所述方法包括：
12.根据权利要求11所述的方法，其特征在于，所述回归方法为lasso回归方法；和/或
