CN102762978A - 用于检测冠状动脉钙化或疾病的方法和装置 - Google Patents
用于检测冠状动脉钙化或疾病的方法和装置 Download PDFInfo
- Publication number
- CN102762978A CN102762978A CN2010800616456A CN201080061645A CN102762978A CN 102762978 A CN102762978 A CN 102762978A CN 2010800616456 A CN2010800616456 A CN 2010800616456A CN 201080061645 A CN201080061645 A CN 201080061645A CN 102762978 A CN102762978 A CN 102762978A
- Authority
- CN
- China
- Prior art keywords
- cac
- light
- skin
- optic probe
- smoker
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0071—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by measuring fluorescence emission
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
- A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6824—Arm or wrist
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/24765—Rule-based classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N2021/6417—Spectrofluorimetric devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/645—Specially adapted constructive features of fluorimeters
- G01N2021/6484—Optical fibres
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/06—Illumination; Optics
- G01N2201/062—LED's
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Dermatology (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Vascular Medicine (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Medicinal Chemistry (AREA)
- Human Computer Interaction (AREA)
- Food Science & Technology (AREA)
- Urology & Nephrology (AREA)
- Hematology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
Abstract
冠状动脉钙化(CAC)在糖尿病患者的较早年龄出现,在患有或未患有糖尿病的受试者中是冠状动脉疾病(CAD)的风险因子。CAC增加的一个假设机制是晚期糖化终产物(AGE)在脉管系统中加速积累。因为某些胶原质AGE发出荧光,所以皮肤本征荧光(SIF)可以用作胶原质AGE水平的新标记。本发明提供了用于检测SIF的方法和装置,所述SIF可以是CAD风险的有用标记和治疗靶标。
Description
发明概述
本发明总体上涉及根据组织对入射光的反应的组织状态的确定。更具体地,本发明涉及使用个体的皮肤本征荧光来检测冠状动脉钙化的方法和装置。
背景
冠状动脉疾病(CAD)是患有和未患有糖尿病的患者死亡的首要原因;然而,在这些群体中CAD的风险因子未完全明了。冠状动脉钙化(CAC)在1型和2型糖尿病患者中更严重并且出现年龄较早,是动脉粥样硬化负荷的亚临床标记,并且与流行和将来的临床冠状动脉疾病事件相关。参见,例如D.Dabelea等人,“The Coronary Artery Calcification inType 1 Diabetes(CACTI)Study,”Diabetes 52:2833-9,2003;J.Rumberger等人,“Electron-beam tomographic coronary calcium scanning:a review andguidelines for use in asymptomatic persons,”Mayo Clin Proc 74:243-52,1999;J.Olson等人,“Coronary calcium in adults with type 1diabetes:a strongercorrelate of clinical coronary artery disease in men than in women,”Diabetes49:1571-8,2000;Y Arad等人,“Prediction of coronary events withelectron-beam tomography,”J Am Coll Cardiol 36:1253-60,2000;P.Raggi等人,“Identification of patients at increased risk of unheralded myorcardialinfarction by Electron-Beam Computed Tomography,”Circulation 101:850-5,2000;J.Rumberger等人,“Coronary Calcium,as Determined by ElectronBeam Computed Tomography,and Coronary Disease on Arteriogram,”Circulation 91:1363-7,1995;和R.Detrano等人,“Coronary calcium as apredictor of coronary events in four racial or ethnic groups,”New EnglandJournal of Medicine 358:1336-45,2008。对于在患有或未患有糖尿病的患者中观察到的CAC增加的一个假设机制是晚期糖化终产物(AGE)的积累。AGE和CAC两者在患有糖尿病的患者中都增加,并且AGE已被证明诱导微血管周细胞的成骨细胞分化,由此增加血管钙化。参见Z.Makita等人,“Reactive glycosylation endproducts in diabetic uraemia and treatment of renalfailure,”Lancet 343:1519-22,1994;A.Dawnay and D.Millar,“Thepathogenesis and consequences of AGE formation in uraemia and itstreatment,”Cell Mol Biol 44:1081-94,1998;N.Verzijl等人,“Effect ofCollagen Turnover on the Accumulation of Advanced Glycation End Products,”J Biol Chem 50:39027-31,2000;和S.Yamagishi等人,“Advanced glycationendproducts accelerate calcification in microvascular pericytes,”Biochemicaland Biophysical Communications 258:353-7,1999。
AGE是由还原性糖与蛋白质、氨基酸或脂质上的游离氨基的Malliard反应形成的大蛋白复合物。许多AGE形成分子交联键并且发荧光。由于某些真皮胶原质AGE例如戊糖素(pentosidine)和交联素(crossline)含有荧光交联键,因此皮肤本征荧光可以被量化并且充当胶原质AGE的新标记。参见V.Monnier等人,“Skin Collagen Glycation,Glycoxidation,and Crosslinking Are Lower in Subjects with Long-termIntensive verses Conventional Therapy of Type 1 Diabetes,”Diabetes48:870-80,1999。在Pittsburgh Epidemiology of Diabetes Complications(EDC)研究的47位参与者的初步分析中,最近发现采用来自VeraLight,Inc.的SCOUT DM皮肤荧光读取器(SCOUT、SCOUT DM和VERALIGHT是VeraLight,Inc.的商标)确定的皮肤本征荧光与神经病变、微量白蛋白尿和大量白蛋白尿、CAC具有横断面关联(cross-sectionally associated),而与CAD边际关联。参见B.WJ Conway等人,“Skin Fluorescence and Type 1Diabetes:A New Marker of Complication Risk,”Diabetes 57(S 1):A287,2008。然而,仅对CAC和神经病变观察到独立于肾功能的关系,这是重要的,因为AGE和CAC的积累在肾脏病中大大加快并且肾功能与AGE清除紧密结合。参见K.Taki等人,“Oxidative stress,advanced glycation end product,and coronary artery calcification in hemodialysis patients,”Kidney Int70:218-24,2006;和Z.Makita等人,“Advanced glycation end products inpatients with diabetic nephropathy,”New England Journal of Medicine325:836-42,1991。
另外,在新墨西哥心脏研究所(New Mexico Heart Institute)对155位参与者的研究显示了皮肤荧光与冠状动脉钙化程度之间的显著关系。在155位参与者中,143位没有患糖尿病,这项研究是最早证明未患糖尿病受试者的皮肤荧光与CAC之间的关系的研究之一。
使用荧光光谱法和多变量分析检测个体中的疾病的非侵入性方法和装置先前已经披露于美国专利7,139,598中,该专利通过引用结合在此。这种方法和装置的继续开发已经导致显著的仪器和算法改进,这些改进增加了非侵入性地检测疾病,尤其是2型糖尿病和前期糖尿病的准确度。这些仪器改进提供了与相比于现有技术中披露的仪器的更高的总信噪比、减少的测量时间、更好的可靠性、更严格的精确度、更低的成本和减小的尺寸。这些算法改进采用荧光光谱法通过准确非侵入性检测疾病所需的信息的更有效提取来增加总准确度。
因此,本发明提供了用于非侵入性地测量个体的皮肤本征荧光和CAC从而使得能够客观地确定冠状动脉疾病风险的方法和装置。
发明内容
本发明提供了用于非侵入性地检测个体中的冠状动脉钙化的方法和装置。该方法包括提供适合于测量个体的皮肤荧光的光谱装置以及用该光谱装置检测个体的皮肤荧光。
皮肤本征荧光可以用适合于从收集自体内组织的光谱信息确定所述组织的性质的光谱装置来测量。照明系统提供在多个宽带范围处的光,所述光被传送至光学探头。该光学探头接收来自照明系统的光并将它传输至体内组织,并接收响应于该宽带光而漫反射的光、响应于该宽带光由体内组织通过其荧光发射的光,或其组合。光学探头将光传送至光谱仪,光谱仪产生代表光的光谱性质的信号。分析系统从光谱性质确定体内组织的性质。安装校准设备,以便它周期性地与光学探头光学通信。
该装置可以用于从收集自组织的光谱信息确定疾病状态,例如确定是否存在冠状动脉钙化、冠状动脉疾病或其组合。照明系统提供在多个宽带范围处的光,所述光被传送至光学探头。光学探头接收来自照明系统的光并将它传输至体内组织,并接收响应于该宽带光而漫反射的光、响应于该宽带光由体内组织通过其荧光发射的光,或其组合。光学探头将光传送至光谱仪,光谱仪产生代表光的光谱性质的信号。分析系统根据光谱性质确定体内组织的性质。安装校准设备,以便它周期性地与光学探头光学通信。
该装置可以包括在照明系统中的多个发光二极管(LED)或激光二极管,并可以包括至少一个滤光片,该滤光片充分抑制来自LED、波长与在该组织中的感兴趣的材料发出的荧光的光的波长相同的光。一些实施方案包括促进经由照明系统或经由光学探头的均匀照明的一个或多个光管。一些实施方案包括例如通过托架的旋转可移动地安装的LED或激光二极管,从而允许不同的LED或激光二极管选择性地耦合至光学探头。一些实施方案包括对由照明系统产生的光的实时监测,从而允许补偿所产生的光的量的时间和/或温度依赖性变化。一些实施方案包括特定的操作员显示,包括合并触摸屏界面的操作员显示。一些实施方案包括在光学探头中的光纤,该光纤被布置成提供在组织的照明和来自组织的光收集之间的特定关系。一些实施方案包括光谱仪,该光谱仪产生代表没有伪像例如幻像(ghost image)和多余杂散光的光的光谱特性的信号。一些实施方案合并可包含荧光材料并允许测量反射和/或发射的荧光的校准设备。
附图简要说明
合并在说明书中并形成说明书一部分的附图举例说明本发明,并与说明部分一起描述本发明。在附图中,相似的元件用同样的数字标识。
图1是可用来测量皮肤本征荧光的示例性光谱装置的图示。
图2是可用来测量皮肤本征荧光的示例性光谱装置的图示。
图3是适合于在本发明中使用的照明系统的示意图。
图4是适合于在本发明中使用的照明系统的示意性等轴视图。
图5是适合于在本发明中使用的照明系统的示意性等轴视图。
图6是适合于在本发明中的照明系统中使用的发光二极管阵列的图示。
图7是适合于在本发明中使用的光学探头的示意图。
图8是适合于在本发明中使用的光学探头的示意图(从与组织的界面看)。
图9是本发明实施方案的托架和校准设备的图示。
图10是根据本发明确定疾病分类的方法流程图。
图11a是适合于在本发明中使用的照明系统的前等轴视图。
11b是适合于在本发明中使用的照明系统的后等轴视图。
图12是适合于在图11a和图11b的示例性照明系统中使用的轮组件的一部分的示意图。
图13是具有两条照明通道的照明系统的示意性剖视图。
图14是具有两条输入照明通道和一条检测通道的分成三叉的光学探头的示例性实施方案的等轴视图。
图15是根据本发明的示例性光学探头中的光纤的示意图,该光学探头提供两种不同的照明-收集特性。图16是适合于在本发明中使用的示例性光谱仪的示意图。
图17是在CCD图像传感器上形成的示例性图像的图示,该CCD图像传感器具有360nm、435nm、510nm、585nm和660nm的多个波长以及通过CCD像素的垂直叠加(binning)产生的相应光谱。
图18是适合于在本发明中使用的示例性光谱仪的示意图。
图19是适合于在本发明中使用的示例性光谱仪的示意图。
图20是根据本发明的装置的示例性实施方案的图示。
图21是使用本发明获得的OGTT和FPG筛选分类的比较的图示。
图22是使用本发明获得的接受者-操作员特性的图示。
图23展示了对于SVR分类,就对疾病的敏感性而言根据本发明的数据规则化对皮肤荧光光谱的效果的总结果。
图24展示了对男性/深色皮肤的个体子模型的数据规则化效应的结果。
图25展示了对男性/浅色皮肤的个体子模型的数据规则化效应的结果。
图26展示了对女性/深色皮肤的个体子模型的数据规则化效应的结果。
图27示出对女性/浅色皮肤的个体子模型的数据规则化效应的结果。
图28是皮肤荧光的年龄依赖性的图示。
图29是皮肤颜色监测的图示。
图30是关于性别的光学分离的接受者操作员特性的图示。
图31是关于葡萄糖耐量降低的检测的接受者操作员特性的图示。
图32是关于葡萄糖耐量降低的检测的接受者操作员特性的图示。
图33是适合于与本发明一些实施方案使用的示例性LED驱动电路的示意图。
图34是在本发明一些实施方案中有用的示例性光源子系统的示意图。
图35是结合本发明一些示例性实施方案有用的电路的示意图。
图36是由于环境温度的故意扰动引起的6个不同LED的输出能量漂移的实例的图示。
图38(A、B、C)是适合于与本发明一些实施方案使用的示例性校准维护设备的示意图。图39是由CCD像素阵列的二维结构产生的二维衍射图样的图示。
图40是具有反射的激发和叠加的激发“幻像”的组织反射和荧光光谱的图示。
图41是适合于在本发明一些实施方案中使用的平面外利特罗装置设计的示意图。
图42是朝着光栅的凹面看的端视图。
图43是黑色素、血红蛋白、水和蛋白质(即,胶原质、弹性蛋白)在150nm至1100nm的光谱区域上的吸收系数的图示。
图44是显示皮肤本征荧光三分位组(tertiles)的中位(log 10)冠状动脉钙化的图形。
图45是用于检测总体积CAC评分>0、>200,和>400的患有1型糖尿病的患者的冠状动脉钙化(CAC)的接受者操作员特性曲线的图形集合。
图46是显示用总体积CAC评分>200的大多数未患糖尿病的患者同期组群的简单皮肤本征荧光总和用于检测冠状动脉钙化的接受者操作员特性曲线的图形。
图47是显示使用多变量线性判别分析法分析总体积CAC评分>20的大多数未患糖尿病的患者同期组群的皮肤本征荧光光谱用于检测CAC的接受者操作员特性曲线的图形。
实施本发明的方式和工业实用性
本发明使用在皮肤本征荧光、皮肤胶原AGE标记、与CAC之间的关联。AGE水平的增加已经与血液透析患者冠状动脉的动脉钙化、患有冠状动脉疾病的糖尿病患者胸廓内动脉的内侧壁钙化、以及患有神经病变的糖尿病患者四肢的内侧壁钙化关联。参见K.Taki等人,“Oxidativestress,advanced glycation end product,and coronary artery calcification inhemodialysis patients,”Kidney Int 70:218-24,2006;N.Sakata等人,“Calcification of the Medial Layer of the Internal Thoracic Artery in DiabeticPatients:Relevance of Glycoxidation,”J Vasc Res 40:467-574,2003;M.Edmonds等人,“Medial arterial calcification and diabetic neuropathy,”BritishMedical Journal 284:928-30,1982;和F.Goebel and H.Fuessl,“Mockenberg'ssclerosis after sympathetic denervation in diabetic and non-diabetic subjects,”Diabetologia 24:347-50,1983。本发明方法使用在皮肤本征荧光、AGE标记和冠状动脉钙化严重性之间的年龄和肾损害独立性关系。该方法也利用与CAC进展的独立于年龄和肾功能(血清肌酸酐)以及肾损害(白蛋白排泄率)的关系。该方法进一步利用在皮肤本征荧光和与冠状动脉疾病关联的临床上显著的阈值的CAC之间的关联。
在皮肤本征荧光与冠状动脉钙化之间的关联的研究
糖尿病并发症流行病学研究(EDC)同期组群是17岁之前在Children’s Hospital of Pittsburgh诊断为患有1型糖尿病的定义明确的人群(n=658)。参见T.orchard等人,“The prevalence of complications ininsulin-dependent diabetes mellitus by sex and duration:PittsburghEpidemiology of Diabetes Complications Study-II,”Diabetes 39:1116-24,1990;and T.orchard等人,“Factors associated with the avoidance of severecomplications after 25years of insulin-dependent diabetes mellitus:PittsburghEpidemiology of Diabetes Complications Study-I,”Diabetes Care 13:741-7,1990。在研究基线(1986-1988)处的平均年龄和糖尿病持续时间分别为28岁和19年。参与者通过调查和体检每两年跟踪一次。来自EDC研究的105位参与者(96%白种人)先前在随访的第16或第18年经历冠状动脉钙化(CAC)电子束断层扫描(EBT,GE-Imatron C-150),他们在第20年的随访期期间同意参与针对糖尿病并发症的非侵入性皮肤光谱学子研究(Noninvasive Skin Spectroscopy Substudy for Diabetes Complications),为一种横断面研究。所有程序都由匹兹堡大学机构审查委员会(InstitutionalReview Board of the University of Pittsburgh)批准。
80位参与者先前已在10年随访期期间(1996-1998)测量了CAC,并包括在CAC进展的子分析中。在最少2个邻近的心脏切片中使用130亨斯菲尔德单位的密度来设定阈值钙测定。通过80%的R-R间隔处的ECG信号触发扫描。基于各向同性插值计算总体积CAC评分并且用于分析。参见T.Callister等人,“Coronary artery disease:improvedreproducibilty of calcium scoring with electron beam CT volumetric method,”Radiology 208:807-14,1998。在CAC评估时,如先前所描述收集了皮肤本征荧光协变量数据。参见T.Orchard等人,“The prevalence of complicationsin insulin-dependent diabetes mellitus by sex and duration:PittsburghEpidemiology of Diabetes Complications Study-II,”Diabetes 39:1116-24,1990;和T.orchard等人,“Factors associated with the avoidance of severecomplications after 25years of insulin-dependent diabetes mellitus:PittsburghEpidemiology of Diabetes Complications Study-I,”Diabetes Care 13:741-7,1990。测定血液样品中的脂质、脂蛋白、糖基化血红蛋白、以及肌酸酐。通过肝素和锰程序,脂质研究临床(Lipid Research Clinics)方法的一种改进,来测定高密度脂蛋白(HDL)胆固醇。参见G.Warnick和J.Albers,“Heparin-Mn2+quantification of high density lipoprotein cholesterol:Anultrafiltration procedure for lipemic samples,”Clin Chem 24:900-4,1978;和National Institutes of Health DoH,Education,and Welfare,Lipid ResearchClinics Program(NIH pub no.75-628)Washington,D.C.:U.S.GovernmentPrinting Office;1975。通过酶法测量胆固醇。参见C.Allain等人,“Enzymaticdetermination of total serum cholesterol,”Clin Chem 20:470-5,1974。非高密度脂蛋白胆固醇计算为总胆固醇和高密度脂蛋白胆固醇之间的差值。用DCA 2000分析仪(Bayer,Tarrytown,NY,USA)测量初始A1c,并使用重复分析所得的回归公式(DCCT HbA1c=[EDC HbA1c-1.13]/0.81)转化成糖尿病控制和并发症试验(DCCT)调准的(aligned)HbA1c值。通过免疫浊度测定法测定尿白蛋白。使用测距仪测量身高,使用平衡梁式天平测量体重。根据体重(公斤)除以身高(米)的平方,计算身体质量指数(BMI)。经过5分钟的休息时间之后,根据标准化方案通过随机零点血压计测量血压。利用第二和第三读数的平均值分析血压水平。CAD的病史定义为心肌梗死、缺血(Minnesota Codes1.1-1.3、4.1-4.3、5.1-5.3和7.1)、血管重建,或EDC临床诊断心绞痛。
使用三种SCOUT DM(VeraLight,Inc.,Albuquerque,NM)皮肤荧光分光仪,从前臂掌侧的皮肤非侵入性地测量皮肤本征荧光,如下面更详细描述的。用集中在375nm处的LED光源激发皮肤荧光,并在441-496nm范围内检测。在激发和发射区域两者测量皮肤反射,并将其用来补偿由于黑色素和血红蛋白引起的吸光度。本征荧光校正用以下方程表示,
其中λ是发射波长。参见E.Hull等人,“Noninvasive,opticaldetection of diabetes:model studies with porcine skin,”Opt Express12:4496-510,2004。将测得的荧光F(λ)分别除以在激发和发射波长处的反射值Rx和Rm(λ)。通过无量纲指数kx和km调整该反射率值。参见B.WJConway等人,“Skin Fluorescence and Type 1Diabetes:A New Marker ofComplication Risk,”Diabetes 57(S1):A287,2008。对于这些分析,kx=0.6而km=0.2。对在441nm至496nm光谱区域内的所得本征荧光f(λ)进行积分,从而给出皮肤本征荧光评分。
统计分析
将CAC体积评分值加1之后,对它们进行自然对数转换。利用学生t检验和卡方检验来检查CAC流行率的单变量相关。利用逐步选择的逻辑回归分析来确定皮肤本征荧光与冠状动脉钙化流行率的独立关联。使用接受者操作员特性(ROC)曲线来确定皮肤本征荧光检测总体积CAC评分>0、>200和>400的阈值的CAC的辨别能力。使用Spearman相关来确定皮肤本征荧光与CAC的严重性,即,总体积CAC评分的关联。使用逐步选择的线性回归分析来确定皮肤本征荧光与CAC严重性的独立关联。对于CAC进展分析,进展被定义为平方根转换的CAC评分的>2.5的变化。参见J.Hokanson等人,“Evaluating changes in coronary arterycalcium:an analytic method that accounts for interscan variability,”AM JRoentgenol 182:1327-32,2004。比值比和回归系数表示为连续变量的每个标准偏差变化。
研究结果
有关CAC流行率(最新评定)的研究参与者的特性在表1中给出。71%的研究参与者患有某些可测量的CAC。患有CAC的参与者的情况是:较年老、糖尿病的持续时间较长、皮肤本征荧光较高、白蛋白排泄率较高、糖尿病长期并发症流行率较高、舒张压边际地较低、以及边际地更可能经历血脂或高血压药物治疗。在表1中,*表示总体积钙化评分;**表示Fisher精确p-值;除了皮肤本征荧光之外,还在CAC评估时测量了风险因子。
表1.
单变量逻辑回归分析揭示,皮肤本征荧光的每个标准偏差变化均与高出2.5的CAC流行率可能性关联。然而,在考虑年龄之后,这种关系不再明显(表2)。在考虑皮肤本征荧光和其他先前鉴定的单变量相关因素的逐步多变量分析中,CAC流行率的相关因素因而是年龄和血清肌酸酐。在表2中,N/A=不适用;N/S=未选择;*表示考虑下列变量的模型4逐步选择模型:皮肤本征荧光、年龄、性别、冠状动脉疾病、HbA1c、BMI、自然对数转换的血清肌酸酐、自然对数转换的白蛋白排泄率、高密度脂蛋白胆固醇、非高密度脂蛋白胆固醇、舒张压、高血压药物的使用、他汀类药物的使用,和吸烟史。
表2.
图44证明皮肤本征荧光的三分位组的中位(log 10)CAC评分。随着皮肤本征荧光的三分位数的每次增大,CAC的严重性显著增加。图45显示检测CAC的辨别能力,所述CAC的阈值评分>0、>200,和>400,分别代表71%、30%和19%的人群。虽然皮肤本征荧光表现出极小的检测任何CAC的存在的能力,但它的辨别能力随着总CAC的阈值评分的增大而增大。CAC(CAC评分>0)存在的曲线下面积为71%。在阈值评分为>200时,这个曲线下面积增大至82%,在阈值评分>400时,增大至85%。
当检查CAC的严重性,即CAC评分时,皮肤本征荧光展示出与最新CAC评分有强的关联(r=0.54,p<0.0001),甚至在针对年龄调整之后仍然如此(r=0.38,p<0.0001)。在考虑年龄、性别、HbA1c、BMI、血肌酐(肾功能)、白蛋白排泄率(肾损害)、HDL胆固醇、非HDL胆固醇、舒张压、高血压药物的使用,和吸烟史的多变量分析中,皮肤本征荧光仍然保持与CAC的严重性,即最新CAC评分独立关联(表3,冠状动脉钙化(CAC)严重性(总体积评分)的相关因素,β±SE(p-值))。其他独立相关因素为年龄、CAD、白蛋白排泄率,和吸烟史。在表3中,模型4逐步选择模型考虑了下列变量:皮肤本征荧光、年龄、性别、冠状动脉疾病、HbA1c、BMI、自然对数转换的血清肌酸酐、自然对数转换的白蛋白排泄率、高密度脂蛋白胆固醇、非高密度脂蛋白胆固醇、舒张压、高血压药物的使用、他汀类药物的使用、以及吸烟史。
表3.
在对先前于1996-1998年(CAC基线)经受CAC的EBT扫描的80位参与者的子分析中,调查了CAC进展的相关因素。表4展示了在具有任何关于进展数据的参与者中,基线CAC评分为0的参与者,以及在基线处CAC评分大于0的参与者中的皮肤本征荧光与CAC进展的关系。皮肤本征荧光与CAC进展显著关联(OR=2.2,1.09-4.45),甚至在考虑年龄和基线CAC评分、血清肌酸酐、白蛋白排泄率、以及其他单变量或临床上显著相关因素之后亦是如此。CAC进展的最终多变量相关因素是皮肤本征荧光和基线CAC评分。在基线CAC=0的参与者中,皮肤本征荧光是在逐步选择模型中选择的唯一变量,展示出与CAC进展的边际关联(p=0.08)。在基线处CAC评分>0的参与者中,皮肤本征荧光既不与CAC进展单变量关联,也不与CAC进展多变量关联。在最终多变量模型中,在基线CAC评分大于0的参与者中,仅基线年龄与CAC进展关联。
冠状动脉钙化
推定的血管钙化机制包括:由于甲状旁腺激素活性增大以及骨外钙和磷水平增高引起的钙沉积到动脉壁中,如在肾疾病中观察到的;血管平滑肌细胞和钙化血管细胞分化为成骨细胞;增高的氧化低密度脂蛋白胆固醇水平的巨噬细胞摄取,其诱导血管平滑肌细胞从该中层迁移至内膜层以及捕获钙和磷灰石结晶的胶原纤维的分泌;以及晚期糖化终产物间接地经由低密度脂蛋白胆固醇或直接通过诱导周细胞/血管平滑肌细胞的成骨细胞分化的作用。虽然没有测量甲状旁腺激素、血清钙蛋白或磷水平,并且皮肤本征荧光的关系是否独立于钙和磷或者与钙和磷相互作用在该研究中无法确定,但是脂质,即,高密度脂蛋白胆固醇或非高密度脂蛋白胆固醇没有展示出与CAC有关系,在70%的具有禁食数据的参与者中计算出的低密度脂蛋白胆固醇也没有展示出与CAC有关系。然而,皮肤本征荧光、AGE标记与CAC的存在(单变量)和严重性关联,并在检测表现出CAC进展的那些参与者时展示出关联。虽然由于研究设计的横断面性质和有限的样品大小而不容忽视在这个人群中脂质与CAC的关联,但非高密度脂蛋白胆固醇与进展的关系事实上先前已经被证明,并且这些结果确实表明除了传统的动脉粥样硬化风险因子以外的因子影响在这个群体中观察到的CAC。参见T.Costacou等人,“Progression of Coronary ArteryCalcification in Type 1 Diabetes Mellitus,”Am J Cardiol 100:1543-7,2007。
已经证明AGE可以诱导血管钙化并上调编码早期和晚期成骨细胞分化的标记的mRNA。Yamagishi等人证明AGE上调血管周细胞的成骨细胞分化。参见S.Yamagishi等人,“Advanced glycation endproductsaccelerate calcification in microvascular pericytes,”Biochemical andBiophysical Communications 258:353-7,1999。先前已经在这个人群中观察到,腹壁多脂症测量与BMI和CAC流行率存在直接关系,但是在患有CAC的那些中,这些身体脂肪指数与CAC严重性之间存在反向关系。这可能归因于检测CAC的EBT,一方面由于脂质积累和高血压诱导的内膜壁的平滑肌细胞增殖,另一方面由于AGE诱导的内侧壁钙化。该研究的结果支持这一点。在控制皮肤本征荧光之后,BMI显示出与CAC严重性有边际直接关联(在没有针对未示出的冠状动脉疾病数据调整的模型中)。皮肤本征荧光也与CAC严重性关联,表明两者都提供了有关冠状动脉钙化程度的独立信息。
在来自T1D人群的先前报道中,证明在放射线成像测定的踝关节内侧壁钙化与EBT测定的冠状动脉钙化之间有强的关联。参见T.Costacou等,“Lower-extremity arterial calcification as a correlate of coronaryartery calcification,”Metabolism 55:1689-96,2006。Sakata等人观察到糖尿病患者的胸廓内动脉内侧壁钙化水平较高。参见N.Sakata等人,“Calcification of the Medial Layer of the Internal Thoracic Artery in DiabeticPatients:Relevance of Glycoxidation,”J Vasc Res 40:467-574,2003。在他们的人群中,胸廓内钙化与AGE在患有糖尿病的人群中是关联的,但在未患有糖尿病的人群中是无关联的。
虽然在皮肤本征荧光与CAC之间的关联可能是由肾损害所致的混杂因素(confounding)引起的,因为两者都随着肾功能下降和肾损害增加而增大,但是它与CAC严重性的关联独立于肾功能,即血清肌酸酐,尽管不独立于肾损害,即白蛋白排泄率。在血液透析患者中,独立于透析持续时间,荧光AGE、戊糖素,与CAC关联。参见K.Taki等人,“Oxidative stress,advanced glycation end product,and coronary arterycalcification in hemodialysis patients,”Kidney Int 70:218-24,2006。
CAC是动脉粥样硬化负荷的量度,并且内侧壁CAC与动脉粥样硬化疾病关联。Rumberger等人能够使用EBT确定的钙化来判别139位男性和女性中的≥50%的狭窄和无阻塞性疾病,但不能判别狭窄程度。参见J.Rumberger等人,“Coronary Calcium,as Determined by Electron BeamComputed Tomography,and Coronary Disease on Arteriogram,”Circulation91:1363-7,1995。在EURODIAB研究中,较高水平的AGE可溶性受体与1型糖尿病个体的心血管疾病有横断面关联。参见J.Nin等人,“Levels ofsoluble receptor for AGE are cross-sectionally associated with cardiovasculardisease in type 1 diabetes,and this association is partially mediated byendothelial and renal dysfunction and by low-grade inflammation:theEURODIAB Prospective Complications Study,”Diabetologia 52:705-14,2009。如通过AGEReaderTM(DiagnOptics BV,Groningen,the Netherlands)检测的皮肤自体荧光最近已经被证明可以预测973位2型糖尿病受试者同期组群的心血管事件。参见H.Lutgers等人,“Skin autofluorescence providesadditional information to the UK Prospective Diabetes Study(UKPDS)riskscore for the estimation of cardiovascular prognosis in type 2 diabetesmellitus,”Diabetologia 52:789-97,2009。
该研究受研究设计的横断面性质限制。钙化数据是在皮肤本征荧光测量之前收集的,所以这些结果最多只显示关联。然而,因为这项研究的主要成果是冠状动脉钙化,冠状动脉钙化也表现出与全死因死亡率有强的关联,所以活的参与者中的这种横断面关联仍然具有重要意义。参见L.Niskanen等人,“Medial artery calcification predicts cardiovascularmortality in patients with NIDDM,”Diabetes Care 17:1252-6,1994。
本发明的方法使用了皮肤本征荧光。虽然SCOUT DM仪器具有独特的测量皮肤自体荧光和本征荧光的能力,但是诸位本发明人已经发现本征荧光是在跨不同的皮肤类型和色素沉着中的荧光的更可靠量度,因为它补偿了发射区域中的血红蛋白和黑色素所引起的光学吸收,而自体荧光却没有这种补偿。
皮肤本征荧光显示出与1型糖尿病的冠状动脉钙化以及冠状动脉钙化的最新进展有横断面关联。这种利用光谱方法确定的晚期糖化终产物的标记与冠状动脉钙化的关系显得随着钙化严重性的增加而增强。假定冠状动脉钙化与冠状动脉疾病有强关联并且冠状动脉钙化与死亡率有甚至更强的关联,则皮肤本征荧光与冠状动脉钙化独立于年龄、冠状动脉疾病史、肾功能或肾损害的关系的发现具有重要意义。皮肤本征荧光和AGE形成多大程度地真正导致CAC和CAD不能通过单独的观测数据例如这些观测数据来确定。然而,这些数据表明皮肤本征荧光可以是有用的CAC/CAD风险标记,并且可以用作潜在的治疗靶标。
2009年在新墨西哥心脏研究所(New Mexico Heart Institute,NMHI)对155位大多数未患有糖尿病(N=143)的受试者进行了这样一项研究,该研究比较了通过SCOUT DM测得的皮肤本征荧光和利用64层快速计算机断层扫描仪测得的CAC。计算用460nm LED激发和在490至660nm光谱范围内检测的皮肤本征荧光的总和,其方法是首先运用先前描述的本征荧光校正方程用Kx=1.0和Km=0.2校正测得的荧光,然后取经本征校正的荧光的各个波长的总和。最后将本征荧光总和乘以1000。将同期组群人口统计数据汇总在表4中。
表4.
N+/- | +平均值(Std) | -平均值(Std) | R | p-值 | |
SIF(AU) | 51/103 | 1.54(0.55) | 1.25(0.29) | 0.39 | 2.6E-07 |
年龄(CACS) | 51/105 | 64.2(8.9) | 60.5(7.8) | 0.30 | 0.008 |
性别(CACS) | 65/90 | 147.6(287.2) | 547.6(1362.5) | 0.021 | |
糖尿病(CACS) | 12/143 | 1109.6(2827.1) | 318.6(758.5) | 0.012 | |
BMI(kg/m2) | 51/104 | 27.9(5.7) | 27.8(5.2) | -0.03 | 0.87 |
腰围(英寸) | 51/104 | 37.4(9.8) | 35.6(10.3) | 0.05 | 0.32 |
目前吸烟(CACS) | 7/146 | 294.6(115.1) | 378.5(1100.1) | 0.84 | |
从不吸烟(CACS) | 73/80 | 320.9(661.1) | 423.8(1351.5) | 0.56 | |
高血压(CACS) | 66/88 | 379.7(1266.2) | 372.9(910.8) | 0.97 | |
血脂异常(CACS) | 92/62 | 342.3(846.3) | 425.5(1350.1) | 0.64 |
如表4所示,在具有CAC评分≥200(+)的51位受试者中的皮肤本征荧光(SIF)统计学显著地高于具有CAC评分<200的103位受试者。在这个同期组群中有65个女性(一位女性患有糖尿病)和90位男性(11位男性患有糖尿病)。男性的CAC评分高于女性。另外,较年老受试者的具有的CAC高于较年轻受试者。最后,12位患有糖尿病的患者(11位患有2型糖尿病,1位患有1型糖尿病)与143位未患有糖尿病的患者相比具有显著较高的CAC。冠状动脉疾病风险因子例如身体质量指数(BMI)增高、腰围增大、目前吸烟或曾经吸烟、高血压和血脂异常与CAC≥200的关联不显著。
可以通过用多变量模型例如逻辑回归或线性回归调整SIF总和来改进SIF总和与CAC、CAC的自然对数、CAC的log10或CAC的平方根之间的相关性,所述多变量模型考虑了可影响皮肤荧光的因子,例如受试者年龄、性别、种族、诊断的1型或2型糖尿病、肤色(如通过整个荧光发射带的皮肤反射总和量化的肤色)、吸烟(即目前吸烟者、先前吸烟者与从不吸烟者,吸烟年包数或目前吸烟者吸烟持续时间)、肾功能(估计的肾小球滤过率、白蛋白排泄率)、腰围、腰臀比、BMI、收缩压和/或舒张压、血压药物的使用、高血压的诊断、脂质水平、胆固醇药物(例如他汀类药物)的使用、空腹葡萄糖浓度、糖基化血红蛋白浓度(HbA1c)、随机葡萄糖浓度、响应于葡萄糖激发试验的葡萄糖浓度、果糖胺、1,5-脱水-D-山梨醇、c-反应蛋白、其他炎症标记或氧化应激标记(例如异前列烷(isoprostance))。
表5是CAC的平方根与线性回归模型之间的增强的相关(R)的说明性实例,所述线性回归模型是基于SIF总和以及下列各项的组合:年龄(年)、性别(1=男性,2=女性)、诊断的糖尿病(0=无糖尿病,1=诊断的糖尿病)、种族(0=白种人或西班牙人,1=所有其他种族)、肤色(在整个荧光发射带的皮肤反射总和)和吸烟状态(0=从不吸引者,1=目前吸烟者或先前吸烟者)。由线性回归产生的模型含有针对模型中N个变量的常数(b0)和权重(b1-bN)。例如,在利用SIF总和、年龄、性别、糖尿病状态、肤色、种族和吸烟状况的模型中,用以下公式计算CAC的平方根:
Sqrt(CAC)=b0+b1*ΣSIF+b2*年龄+b3*性别+b4*糖尿病+b5*肤色+
b6*吸烟+b7*吸烟
在考虑整个同期组群(全部)、仅男性和仅女性时,将另外的信息与SIF总和一起使用增强相关。对于整个同期组群的相关增强多达24%,对于男性增强多达29%。
表5:与CAC平方根的线性回归模型相关
模型变量 | 全部 | 男性 | 女性 |
ΣSIF | .429 | .418 | .534 |
ΣSIF+年龄 | .451 | .435 | .574 |
ΣSIF+年龄+性别 | .485 | .435 | .574 |
ΣSIF+年龄+性别+糖尿病 | .528 | .536 | .576 |
ΣSIF+年龄+性别+糖尿病+肤色 | .531 | .537 | .582 |
SIF+年龄+性别+糖尿病+肤色+吸烟 | .531 | .541 | .584 |
图46是在NMHI同期组群中使用每位参与者的SIF总和检测CAC≥200的接受者操作员特性(ROC)的图形。SIF总和具有良好的检测能力,其中曲线下面积(AUC)为75.1%,灵敏度接近70%,假阳性率(FPR)为30%。虽然SIF总和运作良好,但它不能利用本征校正荧光中存在的光谱形状信息,这种光谱形状信息可以增加进一步的判别力。为了确定光谱形状是否改进CAC的检测,将多变量线性判别分析应用于来自NMHI同期组群的SIF光谱。首先,将由集中于435nm的激发LED产生并在460nm至660nm发射窗口内检测的荧光光谱使用先前描述的本征校正技术用kx=0.2和km=0.1进行本征校正。使用主成分分析将该光谱分解成正交的光谱方差源和相应的评分。将所得评分提供给线性判别分析算法,从而找出最优地分离CAC<20(无明显的CAC)的受试者与CAC≥20的受试者的超平面。CAC≥20阈值是较困难的测试,并且如图47的ROC所示,用于检测CAC≥20的AUC是77.2%,其中灵敏度为70%,FPR为30%。这显著地优于利用简单荧光总和所实现的。
除了将光谱形状用于定性检测给定阈值之上的CAC之外,还可以构建使光谱形状与给定受试者的CAC水平相关的定量多变量模型。可以采用的示例性多变量算法包括多重线性回归、偏最小二乘法回归、主成分回归、多变量自适应回归样条(MARS)、广义线性模型(GLM)和支持向量回归(SVR)。可以建立这些类型的模型用于所有受试者和/或特定亚组,例如男性与女性、种族组、年龄三分位组或数据所提示的其他亚组上。最后,多个多变量模型可以通过称为集成(ensembling)的技术组合从而产生甚至更准确的结果。简单的集成技术包括求各个模型的输出的平均数和基于各个模型输出的一致性进行投票。更复杂的集成技术利用对各个模型输出的线性回归来阐明每个单独模型输出的最优加权(即,不相等的贡献),从而形成最终的输出。
通过在运用多变量模型之前将某些信息附加到光谱上,可以扩展从光谱测量建立的多变量模型,从而提高准确度。附加的信息可以包括下列的任何组合或子集:受试者年龄、性别、种族、吸烟(即目前吸烟者、先前吸烟者与从不吸烟者,吸烟年包数或目前吸烟者吸烟持续时间)、肾功能(估计的肾小球滤过率、白蛋白排泄率)、腰围、腰臀比、BMI、收缩压和/或舒张压、血压药物的使用、高血压的诊断、脂质水平、胆固醇药物(例如他汀类药物)的使用、空腹葡萄糖浓度、糖基化血红蛋白浓度(HbA1c)、随机葡萄糖浓度、响应于葡萄糖激发试验的葡萄糖浓度、果糖胺、1,5-脱水-D-山梨醇、c-反应蛋白、其他炎症标记或氧化应激标记(例如异前列烷)。所得特征向量可以产生相对于仅光谱信息改进的性能,因为它含有更多对确定CAC水平有用的信息。
用皮肤本征荧光(SIF)检测受试者的CAC具有数个潜在用途,包括使用SIF测量来筛选没有冠状动脉疾病症状的个体的CAC、筛选暗示CAD和/或将来心脏病发作(例如心肌梗死)风险增大的CAC水平从而鉴定无CAD症状但应当接受CAC的EBT或多层快速计算机断层成像测量的个体,或者作为CAD和/或心血管疾病风险的直接指示器。另外,可以使用SIF测量来重新归类按照Framingham风险方程评定具有低或中等的心脏病风险的受试者。例如,如果受试者具有中等Framingham风险但CAC的SIF测量值高,则该受试者将被重新归类为具有高Framingham风险并且适当地调整他/她的医学治疗。同样,如果受试者的Framingham风险中等但CAC的SIF测量值低,则该受试者将被重新归类为具有低Framingham风险并且可以减少针对CVD的医学治疗。最后,如果受试者的Framingham风险低但CAC的SIF测量值高,则该受试者将被重新归类为对于CVD具有中等的Framingham风险,并可以增加他/她的医学治疗和监测。
SIF测量与测量CAC相比具有安全、方便和节约成本的优势。SIF测量比CAC测量安全,因为它使用无害的非电离辐射来检测与CAC积累有关的皮肤变化,并且因为大多数受试者不具有显著的CAC,所以这减少了不必要的辐射照射。用于测量SIF的SCOUT仪器是便携式的并且相对低廉,这有利于其部署在诊所、健康博览会、员工健康诊所、药店和医生办公室。该测量所花时间不到5分钟并且可以在服务点有条件地完成。与可以用EBT或多层快速CT完成的相比,这一便利因素有利于针对CAC、CAD和CVD筛选更多个体,EBT或多层快速CT需要专用设施和放射科医生或心脏病专家来解释结果。最后,进行SIF测量所需的费用比EBT或多层快速CT低一个数量级。
用于非侵入性地检测疾病的改进仪器
可以与本发明一起使用的光谱装置可以包括特别设计用于使用荧光和反射光谱法来非侵入性地检测个体疾病的仪器。图1和图2描述了此种仪器及其主要子系统的代表性实施方案。通常,该系统包括光源、将来自光源的光耦合至个体组织并从组织收集所反射和发射的光的光学探头、在光学测量期间保持受试者的臂静止的前臂托架、当需要仪器校准时放置在光学探头上的校准设备、将来自光学探头的所收集的光色散成一系列波长的光谱仪、测量来自组织的色散光的CCD照相机检测系统、电源、储存和处理CCD照相机图像并控制总仪器的计算机、以及报告仪器操作和非侵入性测量结果的用户界面。适合的装置的另外的描述可发现于美国申请11/964,675中,该申请通过引用结合在此。
光源子系统可以利用一个或多个发光二极管(LED)来提供荧光和反射光谱测量所需要的激发光。LED可以是如图3所描述的分立的设备或如图6所示的组合成多芯片模块。替代地,适当波长的激光二极管可以替代LED中的一个或多个。LED发射在265nm至850nm的波长范围内的光。<}在SCOUT光源子系统的优选实施方案中,LED具有375nm、405nm、420nm、435nm和460nm的中心波长,并且还利用白光LED来测量皮肤反射。
使用LED来激发组织中的荧光对于疾病的非侵入性检测具有一些独特的优势。给定LED的相对宽的输出光谱可以立刻激发多个荧光团。多变量光谱技术(即,主成分分析、偏最小二乘法回归、支持向量回归等等)可以提取包含在复合荧光光谱中的信息(即,来自所激发的荧光团的多个荧光光谱的叠加)从而获得更好的疾病检测准确度。宽LED输出光谱有效地重建激发-发射图的部分。使用LED的其他优势是非常低的成本、对于提高的信噪比的高亮度、减少的测量时间、电源效率和由于LED设备的长寿命引起的增加的可靠性。
如图3所示,LED可以通过电机和平移台而机械地安置在耦合光学器件的前面。当LED位于耦合光学器件的前面时,LED驱动电路开启/关掉适当的LED。LED驱动电路是恒流源,其在计算机控制下被选择性地应用于给定的LED。示例性LED驱动电路在图33中示出。这个电路包括用于驱动光源子系统的LED的恒流源。恒流源可以耦合至每个光源LED的阳极并可以被来自照相机的信号选通,该信号指示何时进行曝光。光源中每个LED的阴极可以耦合至可编程芯片(U12),该可编程芯片通过将阴极接地而选择性地开启给定LED,当被命令这么做时。LED可以由编程芯片(U21)以连续方式开启或者它可以使用诸如脉冲宽度调制的技术周期性地开启,从而选择性地在给定照相机曝光时间内使LED变暗淡。操作本发明的实施方案使得示例性光源子系统的LED在测量周期内被依次开启可能是适合的。选定的LED的输出光由透镜收集,该透镜使光准直并通过滤光轮发送准直光束。
滤光轮包含一个或多个滤光片,该滤光片光谱地限制来自给定LED的光。滤光片可以是带通或短通滤光片。它们对于抑制LED光泄漏到荧光发射光谱区域中是有用的。滤光轮也可以具有没有用在白光LED上的滤光片或用于测量未滤光的LED反射率的位置。如果使用激光二极管来替代LED,则滤光轮和滤光片可以消除,因为激光二极管的窄光谱带宽不显著干扰荧光发射光谱的收集。
在光通过滤光轮之后,它被第二透镜重新成像到光导管例如方形或矩形光导管上。光导管杂乱地收集来自LED的图像并提供光学探头的输入光纤束的均匀照明。光学探头输入套管(fereule)和光导管可具有0.5毫米的最小间隔从而消除光学边缘效应。光导管可以具有至少5:1的长宽比/长高比从而在光导管的输出端处提供足够的光杂乱性和均匀照明。图4和图5显示了示例性光源子系统的等轴视图。
在光源子系统的替代实施方案中,可以形成多个照明通道,以便适应光到光学探头的多个光纤束中的耦合。图11a和图11b描绘了具有两个输出照明通道的示例性实施方案的前和后等轴视图。主体提供轮组件、电机、耦合光学器件以及光纤套管附连在周围的支撑。轮组件,其一部分在图12中示出,用于捕集LED、滤光片或其他光源(例如用于校准的氖灯)。轮组件附连至允许LED和滤光片组件绕中心轴旋转的杆。该附连可以是驱动齿轮和轮齿轮的直接耦合,或者也可以使用皮带驱动/连锁布置。皮带驱动布置需要较小的齿轮对准精确度和温和的操作(没有来自未对准的齿轮研磨或振动)。电机用来使轮组件旋转从而使所希望的光源与耦合光学器件对准,该耦合光学器件界定两个输出照明通道中的任一个。
图13显示了通过两条照明通道的光源子系统的横截面视图的线图。仅考虑两路通道的最上部,光由LED发射并立即通过滤光片。然后,光由透镜收集并重新成像到光导管上。光导管使在远端的光的空间分布均匀,在该远端点光被对接耦合至光学探头的相应光纤束。示出在第一通道的下方的第二通道实质上是第一通道的再现,但是具有依不同尺寸设计以适应较小的光纤束的光导管。
图34显示了光源子系统的另一个示例性实施方案。图34中的实例合并测量照在任一输入通道上的光的强度的机构,以允许补偿由于随着时间的推移而发生的变化和/或由于LED自加热和/或环境温度所引起的设备温度的变化而产生的LED输出能量漂移。如图34所示,光束分离器置于聚焦透镜和光管之间的光路上。在光源子系统的每个输入通道中都这样做。光束分离器可以由部分透射和部分反射的材料制造,从而使得一些光被旋转90度并被引导到光电探测器上,而光的剩余部分穿过光束分离器并被引导到光导管或光学探头的输入上。光电探测器将入射光能量转换成可以用图35中所示的电路感测的电流。在图35中,来自光电探测器(对用于测量组织状态等的光的波长敏感)的电流被跨阻抗放大器转换成电压。跨阻抗放大器的增益可以是固定的或可编程的。在该示例性实施方案中,该增益在计算机控制下采用8:1模拟多路复用器进行选择,该多路复用器针对来自LED或光源的预期光水平选择适当的电阻器/电容器对。跨阻抗放大器的输出电压耦合至模数转换器(ADC),模数转换器(ADC)将模拟电压数字化成代码。ADC分辨率是与应用相关的,但是通常范围从8位到16位。在这个特定的实施方案中,ADC分辨率是12比特。ADC根据来自电路中微控制器的命令将跨阻抗放大器的输出数字化并将该数字输出值传输至微控制器,以便在量化射在光学通道上的由特定LED或光源产生的光的量中使用。
量化光源的输出对于保持仪器的校准并减少可能由于LED输出能量随着时间的漂移而产生的误差可能是有用的。图36是由于环境温度的故意扰动引起的6个不同LED的输出能量漂移的实例的图示。图36的上面的曲线示出具有中心波长375nm、405nm、420nm、435nm、460nm和白光的LED的透射率的%变化(%T)。每摄氏度的%T变化示出在右下方的曲线中并且范围在从0.3%/°C到1.3%/°C的任何地方。由于温度变化引起的LED输出漂移可能由于环境温度的变化和/或当LED开启时的自加热而出现。这些变化是显著的,且如果将要保持准确的测量就必须予以补偿。通过先前描述的电路结合校准设备的周期性的或按要求(即,当检测到显著的温度变化时)的测量来测量LED输出能量允许补偿LED能量的漂移。这可以提供允许检测弄脏的/损坏的光学探头或校准设备的增加的益处,因为在给定LED或光源的输出与被校准设备反射的能量之间的关系对于给定仪器应当是不变的。
替代地,可以通过将LED晶片安装到导热表面上来保持LED温度稳定,该导热表面将当LED有电流流动时由LED产生的热引走。此外,导热表面可以通过热电冷却器(例如,珀耳帖(Peltier)元件)保持恒定的温度,该热电冷却器具有温度传感器和控制电路以便将安装在导热表面上的一个或多个LED维持在固定温度从而限制振幅变化的量。测量LED的光输出的技术可以结合将LED保持在恒定温度来实现甚至更高的稳定性和仪器校准的维护。
前臂托架保持光学探头并适当地将受试者臂安置在光学探头上。前臂托架的主要方面包括人类工程学肘杯形件、扶手和可延伸的手柄。肘杯形件、扶手和手柄相结合从而使前臂在光学探头上适当地和舒适地对准。手柄保持手指张开从而确保前臂放松并减小可能影响光学测量的肌肉张力。也可以从前臂托架移除手柄从而简化仪器而不牺牲总测量准确度。图20是不带手柄的示例性实施方案的示意图。在这个实施方案中,光学探头位于离肘的大约3英寸处,以便更好地对前臂掌侧的多肉部分取样并提供在前臂掌侧和光学探头之间建立良好接触的较大可能性。这种肘杯形件/探头几何形状允许各种各样的前臂尺寸(第2百分位的女性至第98百分位的男性)的测量。图20描绘了该仪器的商业实施方案并展示在肘杯形件201、光学探头202和托架203之间的前臂掌侧测量几何形状。商业实施方案的这个版本没有可延伸的手柄,但如果增加的尺寸和复杂性是可以接受的,则可以增加一个手柄。此外,在光学探头附近区域中的前臂托架的颜色和形状对于减弱室内光或其他不需要的环境光通过受试者的手臂进入光学探头的检测部分的传输可能是重要的。光学探头附近区域中的前臂托架的颜色可以是蓝色、紫色、深灰色或黑色以便减弱环境光通过受试者的皮肤并进入光学探头的传输。前臂托架可以具有符合前臂的弯曲的凹形,以便部分地阻止环境光以可被光学探头检测的方式进入前臂并在前臂下方。示例性的实施方案还包括患者界面204和操作员控制台205,控制台205包括显示器206和小键盘207。
光学探头是新型双检测通道设备,其使用在源和接收器光纤之间的均匀间隔来抑制表面/浅深度反射并瞄准主要从组织的真皮层反射或发射的光。图7是光学探头的示例性实施方案的示意图。探头的输入套管保持光纤成正方形模式以匹配在光源中的正方形光导管的形状。光被导引至探头头部,在探头头部它照亮个体的组织。图8示出在探头头部处的源和检测通道的布置。源光纤与检测光纤分开至少80微米(边缘到边缘),以便抑制从组织表面反射的光。来自皮肤表面之下的反射光和发射光被检测通道收集并被导引至光谱仪的单独的输入。两条检测通道具有与源光纤不同的但一致的间隔,以便询问到组织的不同深度并提供用于检测个体中的疾病或评估个体健康状况的额外的光谱信息。每个检测通道的输出套管将各个光纤布置成长而窄的几何形状以匹配光谱仪的输入狭缝高度和宽度。其他形状也是可能的并将根据光谱仪的成像要求和用于检测的CCD照相机的尺寸来控制。
将光学探头反向运行也是可能的。即,照明光纤可以成为检测光纤而两条检测光纤通道可以成为两条照明光纤通道。这种配置要求可以依次照亮两个光纤束的两个光源或光学配置。它降低了对光谱仪的光学性能要求并允许使用较小面积的CCD照相机。它也消除了对在光谱仪中的机械回转镜的需要。
图14显示了具有两条输入照明通道和一条检测通道的被分成三叉的光学探头的示例性实施方案的等轴视图。组成每条照明通道的光纤被成束在一起,在这种情形下是捆成方形包装的几何形状,并匹配光源子系统的光导管的几何尺寸。通道1利用81条照明光纤;通道2利用50条照明光纤。检测通道的50根光纤以2×25垂直阵列成束在一起,并将形成光谱仪的入口狭缝。在本实例中,使用了具有0.22数值孔径的200/220/240微米核芯/覆层/缓冲层硅石-硅石光纤。
照明和检测光纤在组织界面处的公共平面处被组装在一起。图15描述在照明光纤和检测光纤之间的相对空间位置,其中(a)从通道1照明光纤到检测光纤的平均中心到中心光纤间隔是0.350毫米,以及其中(b)从通道2照明光纤到检测光纤的平均中心到中心光纤间隔是0.500毫米。光纤模式的总尺寸大致是4.7毫米×4.7毫米。应当注意的是,也可以使用具有更多或更少的照明和/或检测光纤以及在组织界面处具有不同的空间几何形状的其他几何形状。
校准设备提供反射标准(漫射或其他方面),它被周期性地放置到光学探头上以允许总仪器线形的测量。仪器线形的测量对于校准维持是重要的,并可用来补偿在仪器线形中的变化/漂移,该变化/漂移是由于环境变化(如温度、压力、湿度)、部件老化(如LED、光学探头表面、CCD响应度等)或系统的光学对准的变化引起的。校准设备测量也可以用来检测仪器线形是否已经变形到使采用该系统进行的组织测量将变得不准确的程度。适当的校准设备的实例包括反射镜、spectralon圆盘、由spectralon制成的中空积分球、由粗糙的铝制成的中空积分球或由实心玻璃(被涂敷或未被涂敷)制成的积分球。除了球体外的其他几何形状对于将积分反射信号提供至光学探头的一个或多个检测通道也是有效的。所有这些校准设备实例的共同特性是它们为给定LED和光学探头通道提供在组织反射信号幅度的数量级内的反射信号,以及反射信号可以被光学探头的检测部分所感测。此外,校准设备可以一种方式与光学探头通过接口连接,所述方式阻止环境光(如头上的荧光)被光学探头检测以及随后被使用校准设备进行的光谱测量污染。图38(A、B、C)是适合于用在本发明的一些实施方案上的示例性校准维护设备的示意图。在像图38中所示的一样的一些实施方案中,校准设备具有裙缘,其与光学探头的表面相接触或在光学探头的表面的下方突出以阻挡环境光。
替代地,校准设备可以将反射和荧光标准(漫射或其他方面)结合到一个组件中,它被周期性地放置到光学探头上以允许总仪器线形的测量并检测仪器是否失去校准。LED反射和受激荧光的同时测量增加了用于确定该仪器是否处于校准的额外信息。例如,可以针对一致性检查所测量到的激发光与所测量到的荧光的比率。在另一实例中,可以针对激发光和荧光两者计算基于形状的离群值度量,如光谱F比和/或马哈拉诺比斯距离(Mahalanobis distance)以检测未校准状态。反射和荧光的校准设备的实例在图38中示出。适合的荧光材料例如USFS-200或USFS-461(美国LabSphere公司)可以用允许通过光学探头照明和收集所反射的激发光以及所发射的荧光的方式合并到校准标准中。荧光材料可以是spectralon(美国LabSphere公司),其掺杂有在本应用所感兴趣的光谱区域中发荧光的荧光团,任选地掺杂有降低spectralon表面的反射率(1%到98%反射率)的碳黑以模仿从组织返回的光线的量。优选地,荧光材料随着时间的推移是稳定的并且不易光致漂白。在图38A中,荧光材料是可以被插入具有积分球几何形状的校准设备中的塞子,通过光学探头提供优越的漫反射和平稳的(even)检测。在图38B中显示的替代实施方案中,荧光材料包括与漫反射半球体结合在一起的校准设备的光学活性顶部。作为在图38C中所示的又一个实例,荧光材料可用来提供反射和荧光。提供激发光反射和作为结果的荧光发射的组合的其他实施方案是可能的。
校准设备可以用来针对光学探头的每个输入通道测量照明子系统的每个LED和氖灯的仪器线形。测量的氖灯线形对于检测和校正已经移动的或以其他方式使仪器的x轴校准失真的对准变化是特别有用的,因为氖气的发射线的波长是熟知的并且不会随温度显著变化。对每个光学探头通道的每个LED的测量可以用于确定仪器线形是否处于准确组织测量所容许的失真限度之内,并任选地可以用于从测量的组织光谱中除去这些线形失真从而维持校准准确度。线形移除可以利用曝光时间和暗噪声的任选归一化通过简单的减法或比率来实现。
光谱仪将来自检测通道的光色散成一系列波长。在图1的实例中,光谱仪具有前输入和侧输入,其利用回转镜(flipper mirror)和快门来选择使用哪个输入。输入选择和快门控制由计算机执行。光谱仪使用有闪耀的光栅(即,凹面全息光栅或常规平面光栅)和对疾病的非侵入性检测所需要的光谱分辨率和光谱区域优化的每英寸槽数。在当前实例中,5nm的分辨率就足够了,虽然更高的分辨率可以很好地起作用,并且像2520nm一样粗糙的分辨率也将起作用。色散光被成像到照相机(CCD或其他器件)上用于测量。
图16描绘了光谱仪的示例性实施方案。它由具有界定入口狭缝和图像位置的两个共轭面的单个凹面衍射光栅组成。凹面衍射光栅收集来自入口狭缝的光,将它色散成光谱分量,并在图像平面上将色散的光谱再次成像。光栅可以通过干涉测量法(常称作全息法)或常规方式制造,并具有经典的或像差校正的种类。
光学探头的检测光纤被成束成2×25阵列,并可以限定入口狭缝的几何尺寸。光纤阵列定位成使得由阵列中的2根检测光纤限定的狭缝宽度位于切平面中(在页面的平面中),而由阵列的25根光纤限定的狭缝的高度位于矢形面中(在页面的平面之外)。
除了允许检测光纤的阵列限定入口狭缝外,还可以使用辅助孔,例如双刀刃或带有适当尺寸的开口的不透明构件。在这种配置中,光纤阵列与孔靠得相当近,以便允许光通过该孔的高效传输。可以设定该孔的尺寸来限定分光仪的分辨率。
检测光纤阵列也可以用光导管耦合至分光仪的入口狭缝。可以使用适当尺寸的光导管,其匹配2×25检测光纤阵列的几何形状大小,如0.5毫米×6毫米,并且具有至少20毫米的长度,具有耦合至光纤阵列的输入侧和可限定分光仪的入口狭缝或耦合至如前面描述的孔的输出侧。光导管可以采用固体结构如熔融石英板或带有反射壁的中空结构的形式。当考虑从一个仪器到另一个仪器的校准传递时光导管可能特别有用,因为它通过将均匀输入提供至光谱仪狭缝而减少了对检测光纤阵列的容限和对准要求。
在当前实例中,衍射光栅能够在6.9毫米的线性距离上使从360nm到660nm的光色散,匹配CCD图像传感器的尺寸。图17显示了形成在具有360nm、435nm、510nm、585nm和660nm的多个波长的CCD图像传感器上的图像,以及通过垂直地叠加以下所示的CCD的像素而产生的相应光谱的实例。可以使用具有其他刻槽密度的光栅,取决于所希望的光谱范围和图像传感器的尺寸。
先前公开的光学探头被描述具有两条检测通道。虽然前面提到的分光仪鉴定与光学探头的单个检测通道通过接口连接的单个入口狭缝,但设计接受多个输入的分光仪也是可能的。图18描绘类另一个实施方案,其中回转镜用于在两个入口狭缝的一个之间改变。选择每个入口狭缝的位置从而使它们在图像平面上具有普通共轭。以这种方式,可以选择在两个输入的任一个之间来形成相应检测通道的光谱图像。
本领域的技术人员将会意识到,以类似的意图可使用其他装置(mount)、光栅、和布局设计。图19仅示出Offner光谱仪的一个实例,该Offner光谱仪具有一级和三级凹面镜以及二级凸面衍射光栅。Offner分光仪被认为产生极好的图像质量,因为在设计中有足够的变量以纠正图像像差,因此具有实现高光谱和空间分辨率的潜力。适合的光谱仪设计的其他实例可以包括但不必限于Czemy-Turner、利特罗、透射光栅和色散棱镜。
虽然有许多光谱仪设计可供选择,但某些配置可能比其他配置是更令人希望的,取决于所希望的系统特性。这些要求可以包括诸如成本、尺寸、性能和集光率(或通过量)的项目。在一个实例中,所希望的系统具有低成本和小尺寸,同时保持高性能和通过量,基于快速(如F/2)凹面全息光栅和前照明CCD图像传感器的分光仪,例如在图16中描绘的实施方案具有满足这些要求的潜力。这种配置是熟知的,并且有许多是可商购的,这种类型的光栅和装置可供选择。在这种配置中,入口狭缝和CCD位于公共平面中,产生关于页面中的一平面的左右对称并将系统平分成顶部半部分和底部半部分(即,穿过入口狭缝的中心和CCD),并且常称为平面内光栅设计。尽管在满足数种设计要求的能力方面具有吸引力,这种典型的平面内光谱仪设计可能遭受杂散光,如以下所描述的,这些杂散光可能显著影响总系统性能。
由于硅基片的高折射率,并非所有射到CCD图像传感器上的光都被检测到和转换成电信号。光的相当大的部分被反射和从CCD衍射,并且CCD像素阵列的二维结构产生二维衍射图样,如图39中所示。这种衍射光返回到光谱仪中并可能导致破坏所希望的测量信号的杂散光信号(参见例如Richard W,Bormett and Sanford A.Asher,"2-D LightDiffraction from CCD and Intensified Reticon Multichannel Detectors CausesSpectrometer Stray Light Problems",Applied Spectroscopy,第48卷,第1期,1994年1月,第1-6(6)页,其通过引用结合在此)。在左右对称的平面内分光仪配置如图16中所描述的配置中,这种杂散光实际上可以在CCD上产生二级狭缝图像形式的幻像信号。例如,光可以采用通过分光仪的下列路径:光从入口狭缝射出并传播到光栅,来自光栅的-1级衍射被成像在产生所希望的信号的CCD上,该光的一部分从CCD衍射(例如-4<m<4级)而以二维阵列回到光栅,光栅收集和再次衍射该光并且m=-3光栅级被再次成像回到CCD,但与初级信号在空间上分离。这种双衍射的幻像信号尽管在强度上比初级信号低,但可能是不希望有的并可能降低总系统性能,因为它的光谱位置可能与检测到的荧光重叠并可能具有相似的振幅,人为地扩大了荧光的表观尺寸和形状,如图40所示。如果反射幻像与组织状态或疾病状态的检测无关,这可能是特别有害的,因为它干扰荧光测量。
前面所讨论过的平面内光栅设计的左右对称是幻像信号产生的原因。这种对称的几何形状允许杂散光在CCD和光栅之间来回传播。为了减少或消除幻像信号,其他设计选择可能是所希望的。例如,可以使用倾斜离开光栅的背照式CCD图像传感器。背照式CCD可以具有平滑的表面,消除从前照式CCD的像素阵列产生的二维衍射图样。此外,当CCD适当地倾斜时,从CCD表面镜面地反射的光远离光栅反射。可以将抗反射涂层施加到CCD硅表面上以减少反射光的幅度。以这种方式,平面内光栅设计可以使用并实现幻像信号的减少或消除。但是,背照式CCD可能明显更昂贵,当成本是重要因素时可能是不允许的。
作为另一个实例,可以使用破坏平面内设计的对称性的替代光谱仪设计。一个此种解决方案的实例是如图41中所示的平面外利特罗装置设计。在利特罗配置中,入射的和衍射的光束是重合的或接近重合的(即,衍射光束回到输入光束上),如在图41的顶视图中所描述的。旋转到图41的侧视图,入口狭缝和图像平面已经在空间上分离,以便使图像传感器适合于实现光谱收集。图42显示向着光栅的凹面看的端视图。注意的是,平面内设计的左右对称已经被破坏,并且入口狭缝和图像平面位于彼此的上方和下方。使用平面内设计,例如入口狭缝可以位于负x轴上而图像平面位于正x轴上。XZ平面然后界定一对称平面。使用这种利特罗装置,从CCD镜面地反射(或零阶衍射)的光从光栅传播出去。这可以通过考虑图41的侧视图来理解,其中从CCD离开的反射光束返回到光栅的上方,而不是射到光栅上。来自二维衍射图样的从CCD离开的许多光束仍将射到光栅上并因此被衍射和再次成像。但是,那些二级光束不会返回到CCD,而是回到入口狭缝处再次成像。以这种方式,在CCD上的幻像信号已经彻底消除。数种衍射光栅设计可以用在利特罗装置配置中,包括但不限于常规和全息光栅、罗兰圆光栅和像差校正光栅设计。适当的光栅设计可能依赖于所希望的成本、分光仪几何形状和性能要求。
CCD照相机子系统测量来自光谱仪的色散光。在所关注的光谱区域中的所有波长都被同时测量。相对于每次测量一个波长的仪器,这提供了多重优势,并消除了扫描/移动光栅或探测器的需要。考虑正在被测量的光的强度,可以改变照相机的曝光时间。机械和/或电快门可以用来控制曝光时间。计算机子系统指示照相机关于曝光应为多长时间(10毫秒至10秒)并储存产生的图像用于后面的处理。照相机子系统可以收集每个样本的多个图像以允许信号平均、运动检测或补偿运动/劣质扫描。CCD照相机在所感兴趣的光谱区域上应当具有良好的量子效率。在当前实例中,CCD照相机对在250nm至1100nm的光谱范围内的光作出响应。
计算机子系统控制光源、光谱仪和CCD照相机的操作。它也收集、储存和处理来自照相机子系统的图像,从而基于使用本仪器对个体执行的荧光和反射光谱测量来产生个体的疾病状态的指示。如图20所示,LCD显示器和键盘以及鼠标可以用作操作员界面。替代地,操作员界面可以通过合并LCD显示器与触摸屏进行简化。操作员界面可以在方位角和高度上旋转从而允许操作员为了患者舒适、最佳数据输入和仪器控制而调整位置。仪器上可以有额外的指示器从而在测量期间指导患者。此外,音频输出可以用来为患者和操作员提高仪器的可用性。
对竞争信号的补偿
对竞争信号的补偿涉及用于除去或减轻与所感兴趣的信号的测量不相关和/或混淆的可预测信号源的影响的技术。与试图“通过”信号变化“建模”的多变量技术相比,这种途径的特征是随着可量化的受试者参数而变化并然后消除假象的信号行为。此种信号假象的一个实例是皮肤荧光依赖于年龄的变化。由于归因于年龄的皮肤荧光和与疾病状态有关的类似荧光信号之间的信号重叠,因此未补偿的信号可能使没有疾病的较年老受试者与患有早期疾病的较年轻受试者(或反之亦然)混淆。图28展示了皮肤荧光对个体年龄的依赖性。
类似的竞争效应可能与其他受试者参数(如皮肤颜色、皮肤病况、受试者的体重或身体质量指数等)有关。存在用于建模和补偿的很多技术。典型地,基于对没有疾病或健康状况的一组控制的受试者的测量,在信号与参数之间建立一种数学算法。然后该算法可以应用于新的受试者以除去与参数相关的信号成分。一个实例涉及在判别分析之前补偿依赖于年龄的皮肤荧光以检测疾病或评定健康。在这种途径中,来自没有疾病的受试者的光谱通过如奇异值分解的技术而减少至特征向量和评分。计算在评分和受试者年龄之间的多项式拟合。随后的测试受试者光谱的评分通过这些多项式拟合进行调整从而除去非疾病信号成分,因此增强分类和疾病检测性能。
在250nm至900nm的光谱区域上,皮肤中光的主要吸收物是黑色素和血红蛋白。图43示出黑色素、血红蛋白、水和蛋白质(即,胶原质、弹性蛋白)在150nm至1100nm光谱区域上的吸收系数。皮肤中包含的黑色素、血红蛋白、水和蛋白质的量是依赖于受试者的,在进行反射和荧光测量时必须予以考虑。在美国专利7,1395,98中描述的本征荧光校正技术是补偿这些受试者特定差异的示例性方法。该方法可以补偿个体皮肤中的黑色素、血红蛋白、水和蛋白质的静态浓度以及血红蛋白的短期动态变化。在本说明书的上下文中,静态被理解为表示给定的发色团的浓度在测量过程中不显著地变化,而动态变化是在测量过程中出现的情况。
该方法可以补偿由于受试者心跳之后的血红蛋白改变而引起的测量的动态变化,通过在足够长的时间段内进行测量从而求出这种改变的平均数并通过同时收集具有LED皮肤荧光的激发LED皮肤反射来进行。求平均数可能对补偿在用于表征荧光发射光谱区域中皮肤反射的白光LED的测量与激发LED反射和所发射的荧光的测量之间的时间分离是有效的。平均的时间量可以是大约6秒,以捕获和平均在4次与12次之间的心跳。为了实现这个总测量时间,曝光和脉冲宽度调制的结合允许该方法用在各种各样的受试者上,这些受试者的所测量的光可以改变三个或更高数量级。作为一个实例,如果希望6秒的测量来减少由于血红蛋白和心跳引起的信号波动,则可以快速连续地收集四个1.5秒曝光。如果受试者的皮肤很白,则在1.5秒的曝光时间期间照相机有可能会饱和,因此可以使用脉冲宽度调制来减少LED的表观亮度并阻止照相机在激发波长处饱和。如果受试者是深色皮肤,则可以连续开启(无脉冲宽度调制)LED并延长曝光时间(如高达N秒)从而实现针对测量的所希望的信噪比。这仅仅是可编程的脉冲宽度调制和曝光时间可以如何用于实现最佳信噪比和保持测量精确度和准确度的一个实例。
该方法可以补偿在特定测量中由给定受试者返回的光的量的静态差异,通过首先使用皮肤的非常短的时间曝光测量(如50ms快速拍摄)测量每个LED或光源的光返回来进行。对于特定LED的随后曝光可以基于最初的短时间曝光测量(快速拍摄)和照相机的适宜深度(最大计数)(即,脉冲宽度调制占空比=(测量计数/最大计数)*(快速拍摄曝光时间/所希望的曝光测量时间))在时间和脉冲宽度调制程度上进行调节,从而在照相机上实现优化测量信噪比的某个信号水平。然后可以通过获取测量计数并将该数值除以秒计的曝光时间和脉冲宽度调制占空比的乘积,使测量标准化至照相机的每秒计数。作为实例,如果对于照相机的给定像素的50,000计数测量,脉冲宽度调制占空比为50%而曝光时间为1.0秒钟,那么对于该照相机像素,每秒计数将是50,000/(0.5*1.0)=100,000计数/秒。
组合分类技术
此处描述的技术通过组合基于不同的疾病阈值分类和/或应用一系列分类值而不是简单的二进制(1或0)选择来提高分类性能。通过在校准数据集中确立光谱或其他信号与分类值之间的多变量关系来建立典型疾病状态分类模型。例如,患有疾病或病症的校准受试者可以被分配分类值1,而对照受试者具有分类值零。组合分类方法的实例是基于不同疾病阶段来创建多个分类向量。然后,可以根据数据集和每个向量构建分离判别模型。得到的多个概率向量(一个来自每个分离模型)然后可以成束或输入至二级分类模型从而产生针对每个样本的单个疾病概率值。成束是指针对单个样本组合来自多个源或模型的风险或概率值的技术。例如,可以对样本的单独的概率值加权和求和从而创建单个概率值。增强分类性能的替代方法是创建多值分类向量,其中分类值对应于疾病阶段而不是二进制值(1/0)。可以对判别算法校准从而针对最佳筛选或诊断性能计算每个非对照类别中的概率。
子模型建模子模型建模是一种用于增强分类或量化模型性能的技术。许多数据集包括可能与特定的非疾病样本参数有关的大信号变化。例如,人受试者的光谱可能包括主要由于皮肤颜色和形态学引起的显著的信号振幅变化和均匀的光谱形状变化。将信号空间细分成由受试者参数界定的子空间可以增强疾病分类性能。这种性能改进出现,因为子空间模型不必对付在整个数据集中的全范围的光谱变化。
建立子模型的一种途径是鉴定主要影响信号振幅的因子,然后开发将新的测试信号分成两个或多个信号范围类别的算法或多变量模型。可以进行进一步的分组从而获得数据的更精细的子分组。振幅子模型建模的一个实例是针对皮肤荧光,其中信号振幅和皮肤中的光路长度受皮肤黑色素含量的影响。如果光谱疾病模型不必对付全信号动态范围,则疾病分类性能就可以得到增强。相反,更准确的模型可以被校准以专门对具有特定范围的皮肤颜色的受试者起作用。一种用于皮肤颜色分类的技术是执行反射光谱的奇异值分解(SVD)。早期SVD因子通常与信号振幅和受试者的皮肤颜色高度相关。因此,对来自早期SVD因子的评分分类可能是用于光谱地将光谱分类成信号振幅子空间的一种有效的方法。然后,测试光谱按照评分值归类并通过相应的子模型分类。
另一种子模型建模方法根据相应于皮肤颜色或皮肤形态的形状差异将光谱分组。图29展示了一种给个体的皮肤颜色分类从而帮助确定采用哪种子模型的方法。存在光谱地细分并然后建立子模型的各种技术。SVD评分的群集分析可以鉴定在未必与受试者参数相关的校准集合中的自然组。群集模型然后对随后的测试光谱分类。
可替代地,光谱变化可以形成有关受试者参数如性别、吸烟状态、种族、皮肤状况或其他因子如身体质量指数的群集。图30显示了性别可以多么好地以在85%灵敏度处的相等误差率和在92%的曲线下的面积进行光学分离的接受者操作员特性。在这些情况下,多变量模型针对受试者参数进行校准,且随后的测试光谱由皮肤参数模型光谱地细划为子组,然后通过适当的疾病分类子模型将疾病分类。
除了光谱子分组之外,在子模型建模之前的归类还可以由来自仪器操作员的输入或由测试受试者所提供的信息完成。例如,操作员可以定性地评定受试者的皮肤颜色并手工输入这种信息。类似地,为了子模型建模的目的,受试者的性别可以由操作员输入。
两阶段子模型建模方案的图形显示在图10中。在这种途径中,测试受试者的光谱最初按SVD评分(信号振幅、皮肤颜色)归类。在两个皮肤颜色范围的每一个之内,光谱进一步由性别判别模型分类。然后,应用对于那个子组的适当的疾病分类子模型来评定受试者的疾病风险评分。
图示代表了一个实施方案,但是不限制可能的子模型建模选项的顺序或多样性。该实例描述了在遵循基于性别的数据群集被细分之后的初始振幅解析。通过反转这些操作的顺序或通过并行地执行它们也可以获得有效的子模型建模。也可以通过结合按振幅、形状或其他信号特性同时分类的技术或算法对子组进行归类。
光谱成束
该仪器可以产生对检测疾病有用的多个荧光和反射光谱。作为实例,375nm LED可以用于光学探头的第一和第二检测通道,产生跨越330nm至650nm区域的两个反射光谱和跨越415nm至650nm区域的两个荧光发射光谱。对于其他LED/检测通道组合,存在着相应的反射和荧光发射光谱。此外,白光LED可以为每个检测通道产生反射光谱。在示例性实施方案中,有22个光谱可用于疾病检测。
如图31的接受者操作员特性中所示的,对于给定LED/检测通道对于根据单个光谱预测疾病是可能的,但是单个区域将未必产生最佳总准确度。有几种将来自每个LED/检测通道光谱预测的信息进行组合从而产生最准确的总疾病检测的方法。这些技术包括简单的预测成束、将二级模型应用到单独的LED/检测通道预测,或在执行分析之前将光谱的一些或全部组合在一起。
在简单的成束技术中,为每个相关的LED/检测通道光谱开发了疾病检测校准。当从个体获得一组新光谱时,单独的LED/检测通道校准被应用于它们的相应光谱和作为结果的预测,PPi(风险评分、后验概率、定量的疾病指示器等)被加在一起从而形成最终预测。单独的LED/检测通道对的添加可以相等地(方程1)或不相等地(方程2)由LED/检测通道特定的系数ai加权从而给出最佳准确度。
方程1:
方程2:
单独的LED/检测通道光谱的预测相对于彼此越独立,简单的成束技术将越有效。图31是展示对单独LED/检测通道预测进行相等加权的简单成束技术的性能的接受者操作员特性。
二级建模技术使用来自单独的LED/检测通道校准的预测来形成二级伪光谱,该伪光谱被输入到在这些预测上开发的校准模型中从而形成最终预测。除了LED/检测通道预测之外,其他变量(适当调整的)例如受试者的年龄、身体质量指数、腰臀比等还可以加到二级伪光谱中。作为实例,如果有记作PP1、PP2至PP10的10个不同的LED/检测通道预测以及其他变量例如受试者的年龄、腰臀比(WHR)和身体质量指数(BMI),则二级光谱可以包括下列各项:
二级光谱=[PP1、PP2、PP3、PP4、PP5、PP6、PP7、PP8、PP9、年龄、WHR、BMI]
一组二级光谱可以由相应的荧光、反射和在校准临床研究中收集的病史数据来创建。将分类技术例如线性判别分析、二次判别分析、逻辑回归、神经网络、K最近邻法或其他类似方法应用到二级伪光谱从而产生疾病状态的最终预测(疾病评分)。图32展示与简单成束或单个LED/通道模型相比,利用二级模型的可能的性能改善。
特定LED/检测通道预测的包括可以跨越大的空间(许多变量),并且进行该空间的穷举搜索以找到LED/通道对的最佳组合可能是困难的。在这种情形下,使用遗传算法来有效地搜索空间是可能的。对于遗传算法的更多的细节,参见Goldberg,Genetic Algorithms in Search,Optimization and Machine Learning,Addison-Wesley,Copyright 1989。此外,差分进化、岭回归或其他搜索技术可以用来找到最佳组合。
为了遗传算法或差分进化目的,将LED/检测通道映射到10个区域(即,375nm LED/通道1=区域1;375nm LED/通道2=区域6;460nm LED/通道2=区域10),并且将用于本征校正的Kx、Km指数应用于我们分成的从0至1.0以0.1为增量的每个区域,得到Kx的11个可能值和Km的11个可能值。下列Matlab函数展示了区域的编码和遗传算法所使用的染色体内的相应Kx、Km对:
函数[区域,km,kx]=解码(染色体)
区域(1)=str2num(染色体(1));
区域(2)=str2num(染色体(2));
区域(3)=str2num(染色体(3));
区域(4)=str2num(染色体(4));
region(5)=str2num(chromosome(5));
区域(6)=str2num(染色体(6));
区域(7)=str2num(染色体(7));
区域(8)=str2num(染色体(8));
区域(9)=str2num(染色体(9));
区域(10)=str2num(染色体(10));
km(1)=min([bin2dec(染色体(11:14))10])+1;
km(2)=min([bin2dec(染色体(15:18))10])+1;
km(3)=min([bin2dec(染色体(19:22))10])+1;
km(4)=min([bin2dec(染色体(23:26))10])+1;
km(5)=min([bin2dec(染色体(27:30))10])+1;
km(6)=min([bin2dec(染色体(31:34))10])+1;
km(7)=min([bin2dec(染色体(35:38))10])+1;
km(8)=min([bin2dec(chromosome(39:42))10])+1;
km(9)=min([bin2dec(染色体(43:46))10])+1;
km(10)=min([bin2dec(染色体(47:50))10])+1;
kx(1)=min([bin2dec(染色体(51:54))10])+1;
kx(2)=min([bin2dec(chromosome(55:58))10])+1;
kx(3)=min([bin2dec(染色体(59:62))10])+1;
kx(4)=min([bin2dec(染色体(63:66))10])+1;
kx(5)=min([bin2dec(染色体(67:70))10])+1;
kx(6)=min([bin2dec(染色体(71:74))10])+1;
kx(7)=min([bin2dec(染色体(75:78))10])+1;
kx(8)=min([bin2dec(染色体(79:82))10])+1;
kx(9)=min([bin2dec(染色体(83:86))10])+1;
kx(10)=min([bin2dec(染色体(87:90))10])+1;
在遗传算法的示例性实施中,使用2%的突变率和50%的交叉率。其他突变率和交叉率是可接受的,并且可以凭经验或通过专业知识达到。较高的突变率允许算法以稳定性为代价从局部最大值变得失灵。
产生由遗传算法的2000个体和1000个后代组成的群体从而搜索区域/Kx/Km空间用于区域/Kx/Km的最佳组合。在这个特定实例中,通过使所选择区域/Kx/Km后验概率(先前产生并储存在数据文件中,该数据文件利用美国专利7,139,598“Determination of a measure of a glycationend-product or disease state using tissue fluorescence”中描述的方法由针对每个区域和每区域Kx/Km对的遗传算法例程读入,该专利通过引用结合在此)未加权成束从而产生单组后验概率并然后对照已知疾病状态计算那些后验概率的接受者操作员特性来评定给定个体的适合度。通过从接受者操作员特性中以20%的假阳性率计算分类灵敏度来评价给定染色体/个体的适合度。
以20%假阳性率的灵敏度仅是对于遗传算法的适当的适合度度量的一个实例。其他实例将是基于在接受者操作员特性下的总面积的适合度函数、在10%假阳性率的灵敏度、在30%假阳性率的灵敏度、在10%、20%和30%假阳性率的灵敏度的加权、以给定假阳性率的灵敏度加上离群值光谱的%的惩罚(penalty),等。下列Matlab函数是遗传算法的示例性实现方式:
******************************************************************
函数[X,F,x,f]=遗传(染色体长度,群体大小,N,突变概率,交叉概率)
%---------------------------------------------------------------------------%
%输入:
%染色体长度(1×1int)-每条染色体的基因数。
%群体大小 (1×1int)-染色体数。
%N (1×1int)-代数。
%突变概率(1×1int)-基因突变概率(任选的)。
%交叉概率(1×1int)-交叉概率(任选的)。
%输出:
%X(1×nchar)-在所有代上的最佳染色体。
%F(1×1int)-相应于X的适合度。
%x(n×mchar)-在最后一代中的染色体。
%f(1×nint)-与x相关的适合度。
%注释:
%群体大小是初始群体大小,而不是
>%在进化阶段使用的群体大小。%算法使用群体大小/10条染色体。
因此要求
%群体大小是可以被10整除的。此外,因为染色体
%成对地交叉,所以群体大小也必须是被2整除的。
%---------------------------------------------------------------------------%
if-存在('突变概率','var')
突变概率=0.02;<
结束
if-存在('交叉概率','var')
交叉概率=0.50;
结束
>%创建群体大小染色体的初始群体。在该初始群体中的每个染色体的基因值
%是随机分配的。
随机(状态,总和(100*时钟));
随机('状态')
对于i=1:群体大小
x(i,:)=num2str(随机(1,染色体长度)>0.5,'%1d');
结束
%基于适合度削减初始群体10倍。所得到的
将包含群体大小/10条染色体的群体
%将应用于本实现方式的剩余部分。
f=适合度(x);
[Y,I]=分类(f);
nkeep=群体大小/10;
nstart=群体大小;
nend=群体大小+1–nkeep;
keep_ind=[nstart:-1:nend];
x=x(I(keep_ind),:);
f=f(I(keep_ind));
F=0;
对于i=1:N
x=选择(x,f);
x=交叉(x,交叉概率);
x=突变(x,交叉概率);
f=适合度(x);
if最大(f)>F
F=最大(f);
I=发现(f==F);
X=x(I,:);
结束
结束
******************************************************************
函数y=选择(x,f)
p=(f–最小(f))/(最大(f–最小(f)));
n=地板函数(p*长度(f));
n=天花板函数(n/(总和(n)/长度(f)));
I=[];
对于i=1:长度(n)
\I=[I复制矩阵(i,1,n(i))];
结束
I=I(随机置换(长度(I)));
y=x(I(1:长度(f)),:);
******************************************************************
函数f=适合度(染色体)
对于i=1:大小(染色体,1)
[区域,km,kx]=解码(染色体(i,:));
g=ga适合度(getappdata(0,'GADATA'),区域,km,kx);
f(i)=g.bsens(2);
end
******************************************************************
函数y=交叉(x,交叉概率)
如果-存在('交叉概率','var')
交叉概率=1.0;
结束
x=x(随机置换(大小(x,1)),:);
y=x;
对于i=1:大小(x,1)/2
如果(随机<=交叉概率)
I=地板函数(随机*大小(x,2))+1;
y((2*i-1),1:I)=x((2*i-0),1:I);
y((2*i-0),1:I)=x((2*i-1),1:I);
结束
结束
******************************************************************
函数y=突变(x,突变概率)
如果-存在('突变概率','var')
突变概率=0.02;
结束
y=x;
对于i=1:大小(x,1)
I=发现(随机(1,大小(x,2))<=突变概率);
对于j=1:长度(I)
如果y(i,I(j))=='0'
y(i,I(j))=′1';
其他
y(i,I(j))=′0';
结束
结束
结束
图32展示了用遗传算法对每个LED/通道对搜索Kx、Km空间并选择要成束的区域的可能的性能改进。
上面提到的另一种方法包括从一些或全部LED/检测通道对获取光谱并在产生预测疾病的校准模型之前将它们组合。组合方法包括将光谱连结在一起,将光谱相加在一起,将光谱彼此相减,将光谱彼此相除或将光谱的log10彼此相加。然后,将组合的光谱馈送至分类器或定量模型从而产生疾病状态的最后指示。
数据规则化
在将任何分类技术应用到数据集之前,各种规则化方法都可以作为预处理步骤用于光谱数据的所导出的向量空间表示,以便相对于噪声增强信号。这通常要求基于数据的代表性/主要方向成分的对应变化来移除或减少数据的代表性/主要方向成分,假设疾病类别分离更可能在较大变化的方向上,但未必是这种情况。这些方向成分可以用多种方法定义:通过奇异值分解、偏最小二乘法、QR因式分解等等。作为将信号从噪声中分离的一个较好的方法,可以替换地使用来自数据本身的其他信息或与疾病类别分离密切相关的其他相关数据。一种度量法是费希尔距离(Fisherdistance)或类似量度:
其中u是来自SVD的如左奇异向量的数据方向成分或因子。度量d揭示在所研究的主要数据集的每个成分中点的两个标记组在空间上相互分离的程度,该主要数据集在我们这个情形中是光谱数据集。然而一般而言,也可以采用来自光谱数据本身之外的源的信息,例如涉及数据成分与潜在现象的关联(例如数据成分与真实光谱的相似性)的单独的经验信息、其与驱动标记方案本身(例如用于疾病分类包括的阈值标准的标记方案)的数据的相关的程度,等等。
因此,对于每个数据成分,我们可以使用例如费希尔距离将那个成分相对于其他数据成分加权或将它完全排除。在这么做时,数据成分彼此被不同地处理:表明在疾病类别之间的最大分离的或以其他方式显示与疾病定义的最大关联的数据成分被最有利地处理,从而增加随后应用的分类技术确定数据空间中的疾病点和非疾病点之间的正确边界的能力。对于每个方向SVD成分,我们乘以一个严格可调的滤波因子,如:
其中dj是对于第j个方向成分/因子的费希尔距离,或任何度量或其他感兴趣的信息,而γ是确定数据成分被不同地处理的程度的调整参数。可以采用搜索算法来发现γ从而使得任何给定分类器的性能是最佳的。
正如可以从以下示出的在支持向量回归(SVR)或针对皮肤荧光光谱的基于核岭回归(KRR)的分类中的ROC(接受者操作员特性)曲线的变化中看到的,这样的规则化方法可以在分类器的性能中产生显著改进。参见,例如,The Nature of Statistical Learning Theory,Vladimir N.Vapnik,Springer-Verlag 1998;T.Hastie,R.Tibshirani,and J.H.Friedman,TheElements of Statistical Learning,Springer 2003;Richard O.Duda,Peter E.Hart,and David G.Stork,Pattern Classification(第二版),Wiley-Interscience2000。在下面检查基于SVR/KRR的方法的细节。
针对SVR分类的规则化结果
对如上面的Fj所定义的规则化和非规则化的两种情形的疾病检测灵敏度的结果在图23-27中示出,用于以ROC曲线的形式的DE(SVR)包装分类技术。SVR结果基于在交叉确认协议中经过年龄补偿的(参见Compensation for Competitive Signal)光谱数据。为了模型稳定性和稳健性(robustness),在SVR中的包括规则化在内的所有其他预处理也对交叉确认方案的每个折进行。包括规则化线性判别分析[GA(LDA)]的先前结果作为参考。对于GA(LDA)的规则化涉及移除在费希尔距离中排序低的SVD成分,与被Fj加权相反。综合分类模型通过在子模型建模一节中概述的组合子模型方法产生。
图23-27中所示结果展示对于SVR分类,就对疾病的敏感性而言所描述的类型的数据规则化对皮肤荧光光谱的影响。图23展示了总结果。图24展示了对男性/深色皮肤的个体子模型的结果。图25示出对于男性/浅色皮肤的个体子模型的结果。图26展示了对于女性/深色皮肤的子模型的结果。图27展示了对女性/浅色皮肤的个体子模型的结果。LDA和SVR方法都涉及调整参数(对于数据规则化和分类算法本身),并且对于LDA情形通过使用遗传算法获得而对于SVR情形通过采用称作微分进化的技术获得。参见,例如Differential Evolution:A Practical Approach toGlobal Optimization,Price等,Springer 2005。这些方法分别称为GA(LDA)和DE(SVR)包装方法。DE(SVR)结果通过将所有SVR子模型的标准化评分组合在一起形成。GA(LDA)的结果从子模型类似地产生。也示出了对于SVR的所有子模型的灵敏度的加权平均值(在每个子模型中由点数加权),其预计与DE(SVR)曲线相类似并示为对于结果的合理校验。
基于DE(SVR)的分类法的细节
下面描述通常用于产生对光谱响应测量(如皮肤的荧光等)的在经验上稳定的非线性疾病分类器的方法,但也可以与非光谱数据一起使用。假定xi表示N个光谱测量行向量的集合Xm∈X中的一项,使得
其中Xm表示原始数据集X的给定交叉确认折(子集)且每列(即,D响应维数的每一个)被标准化成单位变化和零平均值;并且假设yi是N个相应的二进制类别标签之一:
对于每个xi,使得
yi=+1←疾病阳性
yi=-1←疾病阴性
对数据定义两种疾病状态分类。
对于每个Xm可以计算奇异值分解,使得
然后,强加一个滤波因子规则化矩阵Fm,得到
同时Fm被定义为
这是一个K×K对角矩阵,其中K=rank(U);j表示K个总左奇异(列)向量{uj∈U}m的第j个[uj也称为SVD因子];
因此,SVD因子根据疾病分离相对于彼此被加权。优先处理具有最高疾病分离的那些因子。调整参数γ确定SVD因子被不同地处理的程度。
在这点上,不同地称为核岭回归(KRR)或支持向量回归(SVR)的分类程序如下使用。假定问题是最小化
对于系数集合{fp},假定
是在基础集合{hm}中解函数f的希尔伯特空间扩展,且
是f的范数。
V是误差函数,其可被选择为
且λ是另一个调整参数。
给定上面V的形式,方程(1)的解可以写成
核函数K被选择为
它被称作径向基函数。
一般而言,在解f(x)中只有若干系数{αi}不为零。相应的数据向量xi称为支持向量并代表数据点,数据点在一起足以代表整个数据集。取决于构成数据集的支持向量的相关部分,SVR的解可较少地依赖于离群值和较少地依赖于整个数据集的协方差结构。在这个意义上,SVR方法尝试在最少的数据点中找到最大量的数据特征信息。这与例如线性判别技术相反,线性判别技术依赖于包括在校准中使用的所有点的数据集的协方差。
本领域技术人员将会认识到的是,本发明可以表现为除了在此描述和考虑的示例性实施方案以外的许多种形式。因此,在不背离所附权利要求书中描述的本发明的范围和精神的情况下可进行形式和细节上的变更。
Claims (29)
1.一种检测个体中的冠状动脉钙化的方法,包括:
a.提供配置用于测量个体皮肤荧光的光谱装置;
b.用该光谱装置检测个体的本征皮肤荧光;以及
c.根据该本征荧光确定冠状动脉钙化的量度。
2.如权利要求1所述的方法,其中冠状动脉钙化的量度是定量测量。
3.如权利要求1所述的方法,其中冠状动脉钙化的量度是定性测量。
4.如权利要求1所述的方法,其进一步包括确定涉及个体的一种或多种另外的因子,并且其中确定冠状动脉钙化的量度包括根据本征荧光确定冠状动脉钙化的量度和根据所述一种或多种另外的因子确定冠状动脉钙化的量度。
5.如权利要求4所述的方法,其中所述一种或多种另外的因子包含下列的一种或多种:受试者年龄、性别、种族、吸烟(即目前吸烟者、先前吸烟者与从不吸烟者,吸烟年包数或目前吸烟者吸烟持续时间)、肾功能(估计的肾小球滤过率、白蛋白排泄率)、腰围、腰臀比、BMI、收缩压和/或舒张压、血压药物的使用、高血压的诊断、脂质水平、胆固醇药物(例如他汀类药物)的使用、空腹葡萄糖浓度、糖基化血红蛋白浓度(HbA1c)、随机葡萄糖浓度、响应于葡萄糖激发试验的葡萄糖浓度、果糖胺、1,5-脱水-D-山梨醇、c-反应蛋白、其他炎症标记或氧化应激标记(例如异前列烷)。
6.一种针对冠状动脉钙化、冠状动脉疾病或其组合将个体分类的方法,包括确定所述个体的皮肤本征荧光的量度,以及根据有关皮肤本征荧光和风险的模型将个体风险分类。
7.如权利要求6所述的方法,进一步包括确定涉及个体的一种或多种另外的因子,并且其中根据有关皮肤本征荧光和风险的模型将个体风险分类包括从有关(a)皮肤本征荧光和一种或多种其他因子以及(b)风险的模型将个体风险分类。
8.如权利要求7所述的方法,其中所述一种或多种另外的因子包括下列的一种或多种:受试者年龄、性别、种族、吸烟(即目前吸烟者、先前吸烟者与从不吸烟者,吸烟年包数或目前吸烟者吸烟持续时间)、肾功能(估计的肾小球滤过率、白蛋白排泄率)、腰围、腰臀比、BMI、收缩压和/或舒张压、血压药物的使用、高血压的诊断、脂质水平、胆固醇药物(例如他汀类药物)的使用、空腹葡萄糖浓度、糖基化血红蛋白浓度(HbA1c)、随机葡萄糖浓度、响应于葡萄糖激发试验的葡萄糖浓度、果糖胺、1,5-脱水-D-山梨醇、c-反应蛋白、其他炎症标记或氧化应激标记(例如异前列烷)。
8.如权利要求1所述的方法,其中所述光谱装置包括:
a.一个照明系统,其被适配为产生在多个宽带范围处的光;
b.一个光学探头,其被适配为接收来自该照明系统的宽带光并将所述宽带光传输至体内组织,并接收响应于所述宽带光而漫反射的光、响应于所述宽带光由体内组织通过其荧光发射的光,或其组合;
c.一个校准设备,其被周期性地放置成与所述光学探头光学通信;
d.一个光谱仪,其被适配为接收来自该光学探头的光并产生代表该光的光谱性质的信号;以及
e.一个分析系统,其被适配为根据所述光谱性质信号确定所述体内组织的性质。
9.如权利要求8所述的方法,其中所述校准设备包括荧光材料。
10.如权利要求9所述的方法,其中当该校准设备被放置成与所述光学探头光学通信时,它基本上阻止环境光到达所述光学探头。
11.如权利要求9所述的方法,其中该校准设备包括反射材料。
12.如权利要求9所述的方法,其中所述校准设备包括外壳,所述外壳限定具有壁的腔室,荧光材料设置在这些壁的至少一部分上,反射材料设置在这些壁的至少一部分上,其中该外壳具有第一末端,当该腔室被放置成与该光学探头光学通信时,该第一末端被适配为基本上阻止环境光到达该光学探头。
13.如权利要求12所述的方法,其中该腔室具有基本上球形的形状。
14.如权利要求12所述的方法,其中该腔室具有横截面,该横截面用由该校准设备反射的光和由该校准设备发射的荧光提供该光学探头的均匀照明。
15.如权利要求8所述的方法,其中所述光谱装置进一步包括操作员显示器,所述操作员显示器被适配为传送涉及所确定的组织性质的信息,其中该显示器与该装置安装在一起,使得该显示器可以在两个角度尺寸上进行调整,以及其中该操作员显示器包括一个触摸屏,所述触摸屏被适配为响应于操作员对该屏幕的接触而接受来自所述操作员的输入。
16.如权利要求15所述的方法,其中可以调整该显示器,使得其组织正在被该装置采样的人不能看到该显示器。
17.如权利要求8所述的方法,其中该光谱装置进一步包括臂定位元件,该臂定位元件被适配为相对于该光学探头定位人的臂,从而使该光学探头与前臂的一部分处于光通信,并且其中该臂定位元件具有凹面形状,所述凹面形状以基本上阻止环境光被该光学探头检测到的方式使所述前臂与该光学探头通过接口连接。
18.如权利要求8所述的方法,其中该光谱装置进一步包括臂定位元件,该臂定位元件被适配为相对于该光学探头定位人的臂,从而使该光学探头与前臂的一处于光通信,并且其中该臂定位元件基本上是不透明的。
19.如权利要求8所述的方法,其中该光谱装置进一步包括臂定位元件,该臂定位元件被适配为相对于该光学探头定位人的臂,从而使该光学探头与前臂的一部分处于光通信,并且其中该臂定位元件的靠近该光学探头的部分具有选自下组的颜色,该组由以下各项组成:蓝色、紫色、灰色和黑色。
14.如权利要求2所述的方法,其中该光谱仪被适配为产生基本上没有幻像和杂散光的光谱。
15.如权利要求14所述的方法,其中该光谱仪包括背照明式CCD图像传感器。
16.如权利要求15所述的方法,其中该背照明式CCD定向成与其上的入射光的轴不垂直。
17.如权利要求8所述的方法,其中该光谱仪包括平面外利特罗光谱仪。
18.如权利要求18所述的方法,其中该光谱仪包括前照明式CCD检测元件。<
19.如权利要求17所述的方法,其中该光学探头包括光管,该光管被设置成使得来自该光学探头的光在被该光谱仪接收之前通过该光管。<
20.一种确定受试者的CAC值、或者检测受试者是否具有超过预定阈值的临床上显著的CAC的方法,该方法包括:
确定受试者皮肤的一部分的本征荧光;
根据该本征荧光确定受试者的CAC值、或者检测受试者是否具有超过预定阈值的临床上显著的CAC。
21.如权利要求20所述的方法,其中确定所述本征荧光包括确定在多个波长的每个波长处的皮肤本征荧光的总和。
22.如权利要求21所述的方法,其中确定该CAC值或检测临床上显著的CAC的步骤,包括使用使CAC与本征荧光总和以及下列的一种或多种相关的多变量模型:受试者年龄、性别、种族、诊断的1型或2型糖尿病、肤色(如通过整个荧光发射带的皮肤反射总和量化的肤色)、吸烟(即目前吸烟者、先前吸烟者与从不吸烟者,吸烟年包数或目前吸烟者吸烟持续时间)、肾功能(估计的肾小球滤过率、白蛋白排泄率)、腰围、腰臀比、BMI、收缩压和/或舒张压、血压药物的使用、高血压的诊断、脂质水平、胆固醇药物(例如他汀类药物)的使用、空腹葡萄糖浓度、糖基化血红蛋白浓度(HbA1c)、随机葡萄糖浓度、响应于葡萄糖激发试验的葡萄糖浓度、果糖胺、1,5-脱水-D-山梨醇、c-反应蛋白、其他炎症标记或氧化应激标记(例如异前列烷)。
23.如权利要求22所述的方法,其中该多变量模型使用下列的一种或多种:多重线性回归、偏最小二乘法回归、主成分回归、多变量自适应回归样条(MARS)、广义线性模型(GLM)和支持向量回归(SVR)。
24.如权利要求22所述的方法,其中该多变量模型接收包含本征荧光和下列的一种或多种的信息向量作为输入:受试者年龄、性别、种族、诊断的1型或2型糖尿病、肤色(如通过整个荧光发射带的皮肤反射总和量化的肤色)、吸烟(即目前吸烟者、先前吸烟者与从不吸烟者,吸烟年包数或目前吸烟者吸烟持续时间)、肾功能(估计的肾小球滤过率、白蛋白排泄率)、腰围、腰臀比、BMI、收缩压和/或舒张压、血压药物的使用、高血压的诊断、脂质水平、胆固醇药物(例如他汀类药物)的使用、空腹葡萄糖浓度、糖基化血红蛋白浓度(HbA1c)、随机葡萄糖浓度、响应于葡萄糖激发试验的葡萄糖浓度、果糖胺、1,5-脱水-D-山梨醇、c-反应蛋白、其他炎症标记或氧化应激标记(例如异前列烷)。
25.如权利要求22、23、24中的任一项所述的方法,其中多变量模型使用下列的一种或多种:多重线性回归、偏最小二乘法回归、主成分回归、多变量自适应回归样条(MARS)、广义线性模型(GLM)和支持向量回归(SVR)。
26.如权利要求22、23、24中的任一项所述的方法,其中使用多变量模型包括从基于下列的一种或多种的多个多变量模型中选择多变量模型:受试者的性别、受试者的年龄、受试者的种族,或受试者的肤色。
27.如权利要求22、23、24中的任一项所述的方法,其中使用多变量模型包括组合(也称为集成)多个多变量模型的输出。
28.一种指示受试者是否需要诊断性CAC测量的方法,包括如果如权利要求20至27中的任一项所述的方法指示CAC高于一个阈值,则指示需要诊断性测量。
29.基本上如所描述的方法和装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US26191909P | 2009-11-17 | 2009-11-17 | |
US61/261,919 | 2009-11-17 | ||
PCT/US2010/057092 WO2011063032A1 (en) | 2009-11-17 | 2010-11-17 | Method and apparatus to detect coronary artery calcification or disease |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102762978A true CN102762978A (zh) | 2012-10-31 |
Family
ID=44059969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010800616456A Pending CN102762978A (zh) | 2009-11-17 | 2010-11-17 | 用于检测冠状动脉钙化或疾病的方法和装置 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20120283530A1 (zh) |
EP (1) | EP2502052A4 (zh) |
JP (1) | JP2013511341A (zh) |
KR (1) | KR20120130164A (zh) |
CN (1) | CN102762978A (zh) |
CA (1) | CA2781040A1 (zh) |
IL (1) | IL219859A0 (zh) |
WO (1) | WO2011063032A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488889A (zh) * | 2013-09-18 | 2014-01-01 | 刘华锋 | 一种基于多元逻辑回归检测icu患者记录中伪像的方法及系统 |
CN106872421A (zh) * | 2016-12-29 | 2017-06-20 | 上海交通大学 | 一种无标记检测细胞或组织氧化应激水平的方法及其应用 |
CN110089997A (zh) * | 2018-01-31 | 2019-08-06 | 上海交通大学 | 基于体表自发荧光左右对称性和强度判断心肌梗死和心力衰竭及愈后程度的方法及其应用 |
CN110179472A (zh) * | 2019-06-05 | 2019-08-30 | 佛山科学技术学院 | 一种脑功能检测的方法及系统 |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2526852B1 (en) * | 2010-10-29 | 2014-07-16 | Olympus Medical Systems Corp. | Optical measurement device, optical measurement system, and module for correction |
WO2013040398A1 (en) | 2011-09-15 | 2013-03-21 | The Trustees Of Columbia University In The City Of New York | Measurement of a fluorescent analyte using tissue excitation |
JP2013134147A (ja) * | 2011-12-26 | 2013-07-08 | Sharp Corp | 補正装置、測定システムおよび補正方法 |
KR101984247B1 (ko) * | 2012-03-15 | 2019-05-30 | 삼성전자 주식회사 | 관상동맥석회화 수준 변화 예측장치 및 예측방법 |
JP2014126404A (ja) * | 2012-12-25 | 2014-07-07 | Sharp Corp | 測定装置 |
US10006860B2 (en) | 2015-01-28 | 2018-06-26 | The School Corporation Kansai University | Digital holography recording device, digital holography playback device, digital holography recording method, and digital holography playback method |
WO2017031286A1 (en) * | 2015-08-18 | 2017-02-23 | IVDiagnostics, Inc. | Multimodal systems and methods for detecting and quantitating cell or other particle targets in a bloodstream of a living being |
SG11201806813XA (en) * | 2016-02-12 | 2018-09-27 | Modulated Imaging Inc | Method and apparatus for assessing tissue vascular health |
KR102003309B1 (ko) * | 2016-12-05 | 2019-07-25 | 한국과학기술연구원 | 대사체 및 임상지표를 활용한 관상동맥 심장질환 진단용 키트 및 기초 정보 제공 방법 |
CN107049240A (zh) * | 2017-01-18 | 2017-08-18 | 英华达(上海)科技有限公司 | 身体年龄计算方法及体脂测量系统 |
KR102510174B1 (ko) | 2017-09-13 | 2023-03-14 | 삼성전자주식회사 | 질병 예측 모델 생성 장치, 질병 예측 장치 및 방법 |
US11707225B2 (en) | 2018-04-27 | 2023-07-25 | Samsung Electronics Co., Ltd. | Bio-sensing based monitoring of health |
TWI669506B (zh) * | 2018-07-06 | 2019-08-21 | 國軍桃園總醫院 | 計算腎絲球過濾率之方法 |
KR102658237B1 (ko) | 2018-10-02 | 2024-04-16 | 삼성전자주식회사 | 분석 물질의 혈중 농도 추정 장치 및 방법과, 모델 생성 장치 및 방법 |
GB2577883A (en) * | 2018-10-08 | 2020-04-15 | Biobeats Group Ltd | Detecting a biometric event in a noisy signal |
KR102231677B1 (ko) * | 2019-02-26 | 2021-03-24 | 사회복지법인 삼성생명공익재단 | 확률 모델을 이용한 관상동맥 석회화 수치의 예측장치, 이의 예측방법 및 기록매체 |
EP3926328A4 (en) * | 2019-03-04 | 2022-03-23 | Sony Group Corporation | INFORMATION PROCESSING DEVICE AND MICROSCOPIC SYSTEM |
CN109846465B (zh) * | 2019-04-01 | 2021-09-28 | 数坤(北京)网络科技股份有限公司 | 一种基于亮度分析的血管钙化误报检测方法 |
WO2020257108A1 (en) | 2019-06-18 | 2020-12-24 | 3Derm Systems, Inc. | Using a set of machine learning diagnostic models to determine a diagnosis based on a skin tone of a patient |
JP7015969B2 (ja) * | 2019-06-26 | 2022-02-03 | 旭化成メディカル株式会社 | 濃度算出装置及び血液処理システム |
KR20210073282A (ko) | 2019-12-10 | 2021-06-18 | 한국전자통신연구원 | 영상 처리 장치 및 이를 포함하는 석회화 분석 시스템 |
CA3191566A1 (en) * | 2020-08-11 | 2022-02-17 | Cortina Health, Inc. | Systems and methods for using artificial intelligence for skin condition diagnosis and treatment options |
US11882366B2 (en) | 2021-02-26 | 2024-01-23 | Hill-Rom Services, Inc. | Patient monitoring system |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080103396A1 (en) * | 2001-04-11 | 2008-05-01 | Johnson Robert D | Method and Apparatus for Determination of a Measure of a Glycation End-Product or Disease State Using Tissue Fluorescence |
US20080146890A1 (en) * | 2006-12-19 | 2008-06-19 | Valencell, Inc. | Telemetric apparatus for health and environmental monitoring |
US20090216096A1 (en) * | 2007-12-31 | 2009-08-27 | Nellcor Puritan Bennett Llc | Method and apparatus to determine skin sterol levels |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5845639A (en) * | 1990-08-10 | 1998-12-08 | Board Of Regents Of The University Of Washington | Optical imaging methods |
US6124597A (en) * | 1997-07-07 | 2000-09-26 | Cedars-Sinai Medical Center | Method and devices for laser induced fluorescence attenuation spectroscopy |
US6697652B2 (en) * | 2001-01-19 | 2004-02-24 | Massachusetts Institute Of Technology | Fluorescence, reflectance and light scattering spectroscopy for measuring tissue |
AU2002305148A1 (en) * | 2001-04-05 | 2002-10-21 | Johns Hopkins University | Imaging systems for in vivo protocols |
US20130317328A1 (en) * | 2001-04-11 | 2013-11-28 | Tru Touch Technologies, Inc. | Methods and Apparatuses for Noninvasive Determination of in vivo Alcohol Concentration using Raman Spectroscopy |
US8581697B2 (en) * | 2001-04-11 | 2013-11-12 | Trutouch Technologies Inc. | Apparatuses for noninvasive determination of in vivo alcohol concentration using raman spectroscopy |
US7139598B2 (en) * | 2002-04-04 | 2006-11-21 | Veralight, Inc. | Determination of a measure of a glycation end-product or disease state using tissue fluorescence |
US8131332B2 (en) * | 2002-04-04 | 2012-03-06 | Veralight, Inc. | Determination of a measure of a glycation end-product or disease state using tissue fluorescence of various sites |
US8676283B2 (en) * | 2002-04-04 | 2014-03-18 | Veralight, Inc. | Method and apparatus to compensate for melanin and hemoglobin variation in determination of a measure of a glycation end-product or disease state using tissue fluorescence |
US8140147B2 (en) * | 2002-04-04 | 2012-03-20 | Veralight, Inc. | Determination of a measure of a glycation end-product or disease state using a flexible probe to determine tissue fluorescence of various sites |
US8238993B2 (en) * | 2002-04-04 | 2012-08-07 | Veralight, Inc. | Determination of a measure of a glycation end-product or disease state using tissue fluorescence lifetime |
US20120078075A1 (en) * | 2002-04-04 | 2012-03-29 | Maynard John D | Determination of a measure of a glycation end-product or disease state using tissue fluorescence in combination with one or more other tests |
US20070225614A1 (en) * | 2004-05-26 | 2007-09-27 | Endothelix, Inc. | Method and apparatus for determining vascular health conditions |
WO2004051242A1 (en) * | 2002-12-02 | 2004-06-17 | Erasmus Universiteit Rotterdam | Use of high wavenumber raman spectroscopy for measuring tissue |
US7474408B2 (en) * | 2004-05-14 | 2009-01-06 | Medeikon Corporation | Low coherence interferometry utilizing phase |
US8515506B2 (en) * | 2004-05-24 | 2013-08-20 | Trutouch Technologies, Inc. | Methods for noninvasive determination of in vivo alcohol concentration using Raman spectroscopy |
-
2010
- 2010-11-17 CA CA2781040A patent/CA2781040A1/en not_active Abandoned
- 2010-11-17 US US13/509,871 patent/US20120283530A1/en not_active Abandoned
- 2010-11-17 EP EP10832132.4A patent/EP2502052A4/en not_active Withdrawn
- 2010-11-17 KR KR1020127015651A patent/KR20120130164A/ko not_active Application Discontinuation
- 2010-11-17 WO PCT/US2010/057092 patent/WO2011063032A1/en active Application Filing
- 2010-11-17 JP JP2012540012A patent/JP2013511341A/ja active Pending
- 2010-11-17 CN CN2010800616456A patent/CN102762978A/zh active Pending
-
2012
- 2012-05-17 IL IL219859A patent/IL219859A0/en unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080103396A1 (en) * | 2001-04-11 | 2008-05-01 | Johnson Robert D | Method and Apparatus for Determination of a Measure of a Glycation End-Product or Disease State Using Tissue Fluorescence |
US20080146890A1 (en) * | 2006-12-19 | 2008-06-19 | Valencell, Inc. | Telemetric apparatus for health and environmental monitoring |
US20090216096A1 (en) * | 2007-12-31 | 2009-08-27 | Nellcor Puritan Bennett Llc | Method and apparatus to determine skin sterol levels |
Non-Patent Citations (1)
Title |
---|
NIKIFOROS KOLLIAS 等: ""Fluorescence spectroscopy of skin"", 《VIBRATIONAL SPECTROSCOPY》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488889A (zh) * | 2013-09-18 | 2014-01-01 | 刘华锋 | 一种基于多元逻辑回归检测icu患者记录中伪像的方法及系统 |
CN106872421A (zh) * | 2016-12-29 | 2017-06-20 | 上海交通大学 | 一种无标记检测细胞或组织氧化应激水平的方法及其应用 |
CN110089997A (zh) * | 2018-01-31 | 2019-08-06 | 上海交通大学 | 基于体表自发荧光左右对称性和强度判断心肌梗死和心力衰竭及愈后程度的方法及其应用 |
CN110179472A (zh) * | 2019-06-05 | 2019-08-30 | 佛山科学技术学院 | 一种脑功能检测的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CA2781040A1 (en) | 2011-05-26 |
JP2013511341A (ja) | 2013-04-04 |
WO2011063032A1 (en) | 2011-05-26 |
EP2502052A1 (en) | 2012-09-26 |
KR20120130164A (ko) | 2012-11-29 |
US20120283530A1 (en) | 2012-11-08 |
EP2502052A4 (en) | 2014-09-10 |
IL219859A0 (en) | 2012-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102762978A (zh) | 用于检测冠状动脉钙化或疾病的方法和装置 | |
CN100998499B (zh) | 使用组织荧光确定某一糖化终产物或疾病状态 | |
CN102697510B (zh) | 使用组织荧光确定某一糖化终产物或疾病状态 | |
US20230098156A1 (en) | Method and apparatus for determining markers of health by analysis of blood | |
CN102088906A (zh) | 利用组织荧光确定糖基化终产物或疾病状态的测量的改进的方法和装置 | |
CN104541153B (zh) | 涉及利用光纤拉曼光谱的内窥镜进行实时癌症诊断的方法 | |
US6501982B1 (en) | System for the noninvasive estimation of relative age | |
US6788965B2 (en) | Intelligent system for detecting errors and determining failure modes in noninvasive measurement of blood and tissue analytes | |
Segman | Device and method for noninvasive glucose assessment | |
TW498156B (en) | An intelligent system for noninvasive blood analyte prediction | |
US11060967B2 (en) | Method and apparatus for determining markers of health by analysis of blood | |
US20080103373A1 (en) | Method and Apparatus to Compensate for Melanin and Hemoglobin Variation in Determination of a Measure of a Glycation End-Product or Disease State Using Tissue Fluorescence | |
Harris et al. | Potential for Raman spectroscopy to provide cancer screening using a peripheral blood sample | |
US7725144B2 (en) | Determination of disease state using raman spectroscopy of tissue | |
US20070179367A1 (en) | Method and Apparatus for Noninvasively Estimating a Property of an Animal Body Analyte from Spectral Data | |
KR20010090791A (ko) | 분광기의 검정 모델을 맞추기 위한 방법들 및 장치 | |
JP2003511693A (ja) | 分光光度測定用ファイバーオプティック・プローブの最適化 | |
JP2005521531A (ja) | 糖尿病を検出するための組織の分光分析 | |
US20070276199A1 (en) | Determination of a Measure of a Glycation End-Product or Disease State Using Tissue Fluorescence | |
JP2003535330A (ja) | 生物試料の分類のための方法及びシステム | |
US20220357279A1 (en) | Dual wavelength combined fingerprint and high wavenumber raman spectroscopy and applications of same | |
US20030087456A1 (en) | Within-sample variance classification of samples | |
Qu et al. | Fluorescence spectral imaging for characterization of tissue based on multivariate statistical analysis | |
US20140235972A1 (en) | Method and Apparatus for Determination of a Measure of a Glycation End-Product or Disease State Using Tissue Fluorescence | |
Jayanthi et al. | open |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1178248 Country of ref document: HK |
|
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20121031 |