CN112689757A - 使用crof和机器学习的基于图像测定的系统和方法 - Google Patents

使用crof和机器学习的基于图像测定的系统和方法 Download PDF

Info

Publication number
CN112689757A
CN112689757A CN201880083333.1A CN201880083333A CN112689757A CN 112689757 A CN112689757 A CN 112689757A CN 201880083333 A CN201880083333 A CN 201880083333A CN 112689757 A CN112689757 A CN 112689757A
Authority
CN
China
Prior art keywords
sample
analyte
image
plates
certain embodiments
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
Application number
CN201880083333.1A
Other languages
English (en)
Inventor
斯蒂芬·Y·周
丁惟
周芜
田军
张越成
吴明权
李力
迈克尔·莱昂利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Yisheng Biotechnology Co ltd
Yewei Co ltd
Original Assignee
Essenlix Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Essenlix Corp filed Critical Essenlix Corp
Publication of CN112689757A publication Critical patent/CN112689757A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/5005—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
    • G01N33/5094—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for blood cell populations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L3/00—Containers or dishes for laboratory use, e.g. laboratory glassware; Droppers
    • B01L3/50—Containers for the purpose of retaining a material to be analysed, e.g. test tubes
    • B01L3/508—Containers for the purpose of retaining a material to be analysed, e.g. test tubes rigid containers not provided for above
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L9/00—Supporting devices; Holding devices
    • B01L9/52—Supports specially adapted for flat sample carriers, e.g. for plates, slides, chips
    • B01L9/523—Supports specially adapted for flat sample carriers, e.g. for plates, slides, chips for multisample carriers, e.g. used for microtitration plates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • 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
    • G01N33/483—Physical analysis of biological material
    • G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
    • 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
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/80—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood groups or blood types or red blood cells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06M—COUNTING MECHANISMS; COUNTING OF OBJECTS NOT OTHERWISE PROVIDED FOR
    • G06M11/00—Counting of objects distributed at random, e.g. on a surface
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/693—Acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L2300/00—Additional constructional details
    • B01L2300/02—Identification, exchange or storage of information
    • B01L2300/025—Displaying results or values with integrated means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L2300/00—Additional constructional details
    • B01L2300/06—Auxiliary integrated devices, integrated components
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L2300/00—Additional constructional details
    • B01L2300/06—Auxiliary integrated devices, integrated components
    • B01L2300/0609—Holders integrated in container to position an object
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L2300/00—Additional constructional details
    • B01L2300/08—Geometry, shape and general structure
    • B01L2300/0809—Geometry, shape and general structure rectangular shaped
    • B01L2300/0816—Cards, e.g. flat sample carriers usually with flow in two horizontal directions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L2300/00—Additional constructional details
    • B01L2300/12—Specific details about materials
    • B01L2300/123—Flexible; Elastomeric
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L2300/00—Additional constructional details
    • B01L2300/16—Surface properties and coatings
    • B01L2300/168—Specific optical properties, e.g. reflective coatings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G01N15/075—Investigating concentration of particle suspensions by optical means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
    • G01N2015/012—Red blood cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
    • G01N2015/016—White blood cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
    • G01N2015/018—Platelets

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Hematology (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Urology & Nephrology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Cell Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Microbiology (AREA)
  • Biotechnology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Clinical Laboratory Science (AREA)
  • Tropical Medicine & Parasitology (AREA)
  • Ecology (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Dispersion Chemistry (AREA)
  • Optics & Photonics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明尤其涉及进行细胞、生物和化学测定和程序的装置/设备和方法。

Description

使用CROF和机器学习的基于图像测定的系统和方法
交叉引用
本申请要求于2017年10月26日提交的美国临时专利申请No.62/577,481的权益，其内容通过引用整体并入本文。
技术领域
本发明尤其涉及进行细胞、生物和化学测定和程序的装置/设备和方法。
背景技术
在生物/化学感测和测试(例如，免疫测定、核苷酸测定、血细胞计数等)中，对于快速、容易实施、廉价和/或高度准确的方法和装置/设备存在需要。本发明涉及满足这些需要的方法、装置、设备和系统。
附图说明
本领域技术人员将理解，下面描述的附图仅用于说明的目的。附图不旨在以任何方式限制本发明的范围。在附图中，一些附图是按比例绘制的。在给出实验数据点的附图中，连接数据点的线仅用于引导观察数据，而没有其它目的。
图1提供了一个示意图，该示意图显示了本发明中基于图像进行测定的QMAX装置的结构。
图2提供了一个示意图，该示意图显示了本发明中使用基于图像进行测定的QMAX装置的示例性实施例。
图3提供了基于QMAX装置进行测定的本发明实施例iMOST的操作流程示意图。
图4提供了一个示意性框图，该框图显示了在基于图像的测定中训练机器学习模型的工作流程。
图5提供了一个示意性框图，该框图显示了在基于图像的测定中使用训练的机器学习模型进行预测/推断的工作流程。
示例性实施例的详细说明
以下具体实施方式通过示例而非限制的方式示出了本发明的一些实施例。如果有的话，这里使用的章节标题和任何字幕仅用于组织目的，而不应被解读为以任何方式限制所描述的题材。章节标题和/或子标题下的内容不限于章节标题和/或子标题，而是适用于本发明的整个描述。
任何出版物的引用是针对其在申请日之前的公开，并且不应当被解读为承认本权利要求由于在先发明而无权先于这种出版物。此外，所提供的公开日期可以不同于实际的公开日期，实际的公开日期可能需要被独立地确认。
应当注意的是，附图并非旨在以严格的比例示出这些元件。为了清楚起见，在附图中放大示出了一些元件。附图中的元件的尺寸应当由在此提供并通过引用并入的描述来描绘。
定义
[1]除非另外指明，否则本文所公开的方法、设备、操作、试剂、测试程序和装置特征涉及微生物学、生物/化学测定、显微成像、图像处理、光学、软件、统计和计算中通常使用的技术、算法和设备，这些在所属领域的技术范围内。这样的技术和装置是本领域技术人员已知的，并且已在许多教科书和参考著作中描述过。
[2]除非另外定义，否则本文使用的所有技术和科学术语具有与本领域普通技术人员通常理解的相同的含义。包含本文所包括的术语的各种科学词典是本领域技术人员熟知并可用的。尽管任何与本文所述的那些类似或等同的方法和材料可用于实践本文公开的实施例，但仍然描述其中一些方法和材料。
[3]本文提供的标题不旨在限制本公开。
[4]如在此使用的，单数术语“一个”和“该”包括复数引用，除非上下文另外明确指出。除非另外指明，否则如本文所用的术语“或”是指非排他性的或。
[5]通过参考完整说明，下面紧接着定义的术语描述得更加充分。应理解，本公开不限于所描述的具体方法论、方案和试剂，因为这些可根据本领域技术人员使用它们的上下文而变化。
[6]术语“多个”是指多于一个元件。并且术语“参数值”在本文中是指表征物理特性或表示该特性的数值。在一些情况下，参数值在数值上表征定量数据集和/或定量数据集之间的数值关系。
[7]本文中的术语“阈值”是指任何数字，该数字被用作例如将样品特征分类为特定类型的分析物或样品中异常细胞与正常细胞的比率的临界值。可以根据经验或分析识别阈值。
[8]术语“样品”是指取自但不限于医学、生物、化学和物理过程中的物质的样品。
[9]术语“生物样品”是指通常衍生自生物流体、组织、器官等的样品。这样的样品包括但不限于痰/口腔液、羊水、血液、尿液、精液、粪便、阴道液、腹膜液、胸膜液、组织外植体、器官培养物、细胞培养物，和任何其它组织或细胞制备物，或其级分或衍生物，或从其中分离。样品可以如从生物来源获得的那样直接使用，或者在用于测定之前对样品进行预处理之后使用。预处理方法可包括但不限于过滤，沉淀，稀释，蒸馏，混合，离心，冷冻，冻干，浓缩，扩增，核酸片段化，干扰成分的失活，添加试剂，裂解等。在各种实施例中，生物样品以有助于成像以用于基于图像的测定的形式提供。例如，可以在分析之前将生物样品染色和/或转化成涂片。
[10]术语“测定”是指在但不限于在实验室、医学、药理学、环境生物学、保健和分子生物学中的研究(分析)程序—用于但不限于定性地评估或定量地测量目标实体(即，分析物)的存在、计数、浓度或功能活性。分析物可以是药物，生物化学物质，或生物体或有机样品(例如，人类血液)中的细胞。
[11]术语“基于图像的测定”是指利用由成像器拍摄的样品的图像的测定程序，其中样品可以是但不限于医学、生物和化学样品。
[12]术语“成像器”是指能够拍摄对象图像的任何装置。其包括但不限于显微镜、智能电话或可在各种波长下拍摄图像的特殊装置中的照相机。
[13]术语“样品特征”是指代表潜在感兴趣的状态下样品的一些性质。在某些实施例中，样品特征是出现在样品的图像中并且可以通过包括使用机器学习和机器学习模型的图像处理来分割和分类的特征。样品特征的示例包括但不限于样品中的分析物类型，例如，红细胞、白细胞和肿瘤细胞，并且其包括分析物计数、形状、体积、浓度等。
[14]术语“机器学习”是指人工智能领域中的算法、系统和设备，其通常使用统计技术和人工神经网络来向计算机提供从数据“学习”(即，逐步改善对特定任务的性能)而不被明确编程的能力。
[15]术语“人工神经网络”是指由生物网络启发的分层连接系统，其可以通过考虑示例“学习”以执行任务，通常不用任何任务专用规则来编程。
[16]术语“卷积”是指对两个函数(f和g)的特定数学运算以产生表示一个的形状如何被另一个修改的第三函数。
[17]术语“卷积神经网络”是指一类多层前馈人工神经网络，其在运算中最普遍地应用于利用卷积来分析视觉图像。
[18]术语“深度学习”是指从具有一定深度网络结构的数据中学习的人工智能(AI)中的一大类机器学习方法。
[19]术语“机器学习模型”是指从数据的机器学习中的训练过程构建的经训练的计算模型。在预测(推断)阶段期间由计算机应用经训练的机器学习模型，其给予计算机执行特定任务(例如，检测和分类对象)的能力。机器学习模型的示例包括ResNet、DenseNet等，由于其网络结构中的分层深度，它们也被称为“深度学习模型”。
[20]术语“图像分割”是指将数字图像分割成多个段(像素集，通常具有覆盖由它们的段边界轮廓所包围的图像段的位图掩码集)的图像分析过程。图像分割可以通过分水线、Otsu法、迭代图割、均值漂移等图像处理中的图像分割算法来实现，也可以通过MaskRCNN等机器学习算法来实现。
[21]术语“伪2D图像”是指不是实际具有而是仅具有2D图像外观的图像。例如，在本发明的上下文中，由样品保持装置上的成像器拍摄的图像通常是伪2D图像，因为它具有2D图像的外观，但是它是3D样品的图像，其深度通过其它方式已知或表征。
[22]术语“热图”是指根据通常由用于其图形可视化的颜色辅助的某些度量的信息的二维表示。
[23]术语“信号列表处理”是指处理来自项列表的信息。例如，可以将来自潜在分析物的信号放入列表数据结构中，并且在信号列表处理中，处理列表中的每个项以确定其身份。
[24]术语“局部搜索处理”是指限于局部区域的搜索处理，并且术语“局部信号峰”是指在局部搜索处理中找到的信号峰。
[25]术语“真分析物”是指检测的分析物是真的，而不是来自错误检测，并且术语“假分析物”是指检测的分析物不是真的，而是来自错误检测。
[26]术语“斑点检测”是指旨在检测数字图像中与周围区域相比在诸如亮度或颜色等特性方面不同的区域的一类方法。非正式地，斑点是图像的区域，其中一些特性是恒定的或近似恒定的。
[27]术语“自适应阈值化”是指在每个像素位置处的值取决于相邻像素强度的阈值化方法。在图像处理中，自适应阈值化通常将灰度或彩色图像作为输入，并且在最简单的实现中，输出表示分割的二进制图像，其中对于图像中的每个像素，必须计算阈值。图像处理中的自适应阈值化的示例包括Otsu的方法，其在图像分割中执行基于聚类的图像阈值化。
[28]术语“卷积检测模型”是指利用卷积操作对输入信号进行检测和分类的检测模型。
使用CROF和机器学习进行测定和成像
1.用于测定和成像的QMAX装置
本发明尤其涉及使用人工智能来分析样品。
在一些实施例中，样品保持在样品保持器中，例如但不限于QMAX装置，该QMAX装置在分别于2016年8月10日和2016年9月14日提交的PCT申请(指定为美国申请)No.PCT/US2016/045437和No.PCT/US0216/051775，2017年2月7日提交的美国临时申请No.62/456065，2017年2月8日提交的美国临时申请No.62/456287，以及2017年2月8日提交的美国临时申请No.62/456504中公开、列出、描述和/或概括，所有这些申请出于所有目的以其整体并入本文。
在一些实施例中，成像器用于捕获样品保持器中的生物样品的一个或多个图像，其中可以获得在样品中含有的分析物的分析物计数、浓度和位置。在一些实施例中，图像被提交给计算单元。计算单元可以物理地连接到成像器，通过网络连接，或直接通过图像传输。
本文考虑的一种类型的生物样品是人血液并且其组分包括红细胞/血球(RBC，也称为“红血球”)，白细胞/血球(WBC，也称为“白血球”)和血小板(PLT)，其中血红蛋白是RBC中的蛋白分子，其将氧从肺携带至身体组织并且将二氧化碳从组织返回至肺。血液中的这些重要成分是微小的物体。例如，最大的WBC具有仅12-15μm直径的球形，RBC具有高度约2μm且直径约7.5μm的盘状，PLT甚至更小，直径为仅约1-2μm，并且尺寸小于RBC的20％。
血液测试，尤其是全血细胞计数(CBC)，是最广泛使用的，因为它们是人类的关键健康指标。例如，血液中的WBC浓度是感染、免疫系统异常、药物和医疗的作用或副作用等的强指标。此外，CBC测试的结果经常用作筛选患者的许多危及生命的疾病如白血病的指标，其中来自血液测试的早期指征如CBC可拯救生命。
除了它们的微观尺寸之外，各种类型的血细胞在浓度上具有巨大的差异，并且它们在大范围内变化，使得准确的血液测试具有挑战性。常规血液测试，特别是CBC，在专业测试实验室中使用由训练有素的专家操作的精密机器进行。使用QMAX装置的本发明是使用诸如智能手机之类的商品装置来提供CBC的高精度测试读数。
图2提供了一个示意图，该示意图显示了本发明中使用基于图像进行测定的QMAX装置的示例性实施例。将用于测定的血液样品添加到QMAX装置中，如图2的图中所示。在本发明的实施例中的QMAX装置具有两个平行板和故意做得很窄的间隙，该间隙与用于测定的分析物的尺寸成比例。这样，夹在所述用于测定的板之间的分析物就会形成单层，并且可以通过成像器从顶板在感兴趣区域上成像(以黄色着色)。将由成像器在感兴趣区域(AoI)上拍摄的分析物的图像馈送到系统的预测/推断模块，该预测/推断模块预加载有用于在基于图像的测定中测定分析物的机器学习模型。
图3示出了基于智能电话(例如iPhone 6)的本发明的实施例iMOST的示意图，图6是基于QMAX装置的用于测定的iMOST系统的图像，其中专门设计的电话适配器安装在智能电话上，并且其使用智能电话的照相机作为用于基于图像的测定的成像器。在测定操作中，将样品保持装置QMAX装置插入电话适配器中，并通过QMAX成像器(iMOST中的智能电话的照相机)在QMAX装置的上板上的AoI上拍摄QMAX装置的图像。QMAX装置的图像作为输入被馈送到iMOST的预测/推断模块，并且由iMOST的基于图像的测定模块用预装载的机器学习模型处理，以检测样品的图像中的分析物。将在iMOST的预测/干扰模块中获得的信息馈送到其分析模块，以便执行分析值计算来确定用于测定的样品中的分析物特性(包括总测定计数、形状、浓度等)。来自iMOST测定值计算模块的检测值和性质可直接显示在智能手机上，上传并归档在iMOST Cloud中，或提交给医生办公室/诊所/医院进行记录和跟进工作。
QMAX装置可用于使用诸如智能电话之类的商品装置提供准确的测定。它可以在不需要特殊的测试实验室环境的情况下，在公共环境中执行。这样，由QMAX装置上的成像器拍摄的用于测定的样品的图像可以具有大范围的变化和高得多的噪声水平——在现有技术的专业测试机器中看不到的情况。因此，在CBC中用于测定的传统方法将不能在使用商品装置(例如，来自智能电话的相机)的非实验室环境中实现期望的高精度。本发明的关键思想是在机器学习框架中创新地制定和模拟用于分析物检测和浓度测量的测定，该机器学习框架结合使用QMAX型装置，在该QMAX型装置上可以应用机器学习方法/算法来有区别地检测、定位、计数，以及获得用于测定的样品中的各种类型的分析物的浓度(包括用于CBC的样品中的血细胞)。此外，它可以在存在缺陷的情况下实现准确的测定，包括在非实验室环境中工作和使用非专用的消费硬件，例如智能手机。
在机器学习框架中的血细胞分布和浓度测量中，机器学习方法/算法可以应用于有区别地检测、定位、计数，以及获得测定中所有类型血细胞的浓度。此外，其可在存在缺陷和变化的情况下，使用非专业消费装置实现高准确度。
然而，CBC是极具挑战性的，因为它需要量化血细胞(分析物)浓度，并且这超出了对血液中某些细胞的检测。为了获得CBC的高精度，需要准确地表征用于测定的样品中的血细胞(分析物)的体积和计数，因为浓度C是这两个量的比率：
Figure BDA0002551814940000051
该问题在iMOST中变得更加突出，用于在非实验室环境如服务点和移动健康环境中进行分析。本发明尤其涉及使用人工智能来分析样品，例如血液样品，并且其创新地使用样品保持QMAX装置来克服现有技术中的限制。在一个方面，本发明提供了一种机器学习框架，以改进在使用计算机程序时在测定中使用QMAX装置的功能性。结合机器学习框架使用QMAX型装置的新方法描述如下：
a)将用于测定的样品添加到样品保持QMAX装置中，并保持在由窄间隙隔开的两个平行板之间，上板为透明的，用于成像。图1详细示出QMAX装置的结构。在底板上制造小柱，小柱以特定图案分布以使板之间的间隙均匀。板之间的间隙间隔很窄，该间隙的距离与待测定的分析物的尺寸成比例，样品中的分析物通过间隙在板之间形成单层。这样，与上板上的AoI(感兴趣区域)相对应的样品体积可以精确地表征为：体积＝AoI×间隙，因为板之间的间隙是均匀的。
b)获得样品在AoI×间隙中的伪2D图像：在QMAX中，有意地使两个板之间的间隙距离狭窄、均匀，且先验已知地与分析物的尺寸成比例，使得样品中的分析物在QMAX装置的底板上形成单层。同样地，这些分析物可以在由样品保持QMAX装置上的QMAX成像器拍摄的AoI的图像中被捕获。此外，由所述成像器在样品保持QMAX装置上拍摄的图像是特殊的伪2D图像，因为它具有2D图像的外观，但是它是3D样品的图像，其深度是已知的或者通过其他方式来表征。
c)在QMAX装置的AoI上方拍摄的所捕获的伪2D图像可以在AoI下表征分析物的量和样品的体积，用于通过a)和b)进行测定，基于此可以确定样品中的分析物浓度。
d)基于a)、b)和c)，CBC和iMOST中的测定在机器学习框架中变得可修正，机器学习框架基于由QMAX成像器在样品保持QMAX装置上拍摄的选定AoI上方捕获的图像，因为相关的分析物计数和样品体积可以从捕获的伪2D图像和板之间的间隙被精确地表征。
e)基于事件a)、b)、c)和d)，本文描述的框架适用于CBC和其他测试等中的分析物检测、定位、识别、分割和计数。
f)基于a)、b)、c)和d)的分析，本文描述的框架适用于在测定中智能地选择AoI，以提高CBC和其他测试的准确性和可靠性。
然而，来自QMAX成像器的图像经常是有噪声的，特别是当使用商用装置时。所捕获的图像不仅含有分析物的伪2D图像，而且还含有噪声和伪影，包括但不限于空气抖动、灰尘、阴影和柱。为了获得CBC和其它测试的高准确度结果，需要精确地计数样品中的分析物并估计在测定中与分析物相关的体积。在某些实施例中，本发明提供了基于QMAX的装置的机器学习框架，其允许应用诸如深度学习之类的算法，以基于QMAX成像器捕获的伪2D图像来有区别地定位、识别、分割和计数分析物(例如，血细胞)。
2.工作流程
本发明的一个方面提供了用于分析物检测和定位的机器学习和深度学习的框架。机器学习算法是能够从数据中学习的算法。机器学习的更严格的定义是“一个计算机程序能够从经验E中学习(学习任务是T，学习的表现用P衡量)，如果这个程序在任务T与表现衡量P下，可以通过经验E得到改进。”探索研究和构建能够学习和预测数据的算法--这类算法通过根据样本输入建立模型，通过进行数据驱动的预测或决策来克服静态程序指令。
深度学习是一种特定类型的机器学习，基于一组试图在数据中进行高级抽象建模的算法。。在简单的情况下，可能存在两组神经元：接收输入信号的神经元和发送输出信号的神经元。当输入层接收到输入时，它将输入的修改版本传递给下一层。在深度网络中，输入和输出之间存在许多层(并且这些层不是由神经元构成的，而是可以帮助以那种方式思考)，从而允许算法使用由多个线性变换和非线性变换组成的多个处理层。
本发明的一个方面是提供两种分析物检测和定位方法。第一种方法是深度学习方法，第二种方法是深度学习和计算机视觉方法的组合。
第一种方法-深度学习方法
在第一种方法中，所公开的分析物检测和定位工作流程由训练和预测两个阶段组成。图4和图5描绘了训练和预测阶段。我们在以下段落中描述训练和预测阶段。
(i)训练阶段
在训练阶段，将带注释的训练数据馈送到卷积神经网络。卷积神经网络是用于处理数据的专用神经网络，具有网格状、前馈和分层网络拓扑。数据的示例包括时间序列数据和图像数据，时间序列数据可以被认为是以固定时间间隔进行采样的1D网格，图像数据可以被认为是像素的2D网格。卷积网络在实际应用中取得了成功。名称“卷积神经网络”表示该网络采用称为卷积的数学运算。卷积是一种专门的线性运算。卷积网络仅仅是神经网络，在其至少一层中使用卷积代替一般的矩阵乘法。
图4提供了一个示意性框图，该框图显示了在基于图像的测定中训练机器学习模型的工作流程。其接收成像器在样品保持QMAX装置上方拍摄的含分析物的样品的图像作为训练数据。为要测定的分析物注释训练数据，其中注释指示分析物是否在训练数据中以及它们在图像中的位置。可以用完全框住分析物的紧边框的形式注释，也可以注释分析物的中心位置。在后一种情况下，中心位置进一步转化为覆盖分析物的圆圈或点图中的高斯核。
当训练数据规模较大时，训练机器学习模型面临两个挑战：注释(通常由人完成)耗时，以及训练在计算上是昂贵的。为了克服这些挑战，可以将训练数据分割成小块，然后注释这些块或其一部分，并在这些块上训练。术语“机器学习”是指人工智能领域中的算法、系统和设备，其通常使用统计技术和根据数据训练的人工神经网络而没有明确编程。
如图4所示，注释的图像被馈送到机器学习(ML)训练模块，并且机器学习模块中的模型训练器将根据训练数据(注释的样品图像)来训练ML模型。将输入数据多次迭代地馈送到模型训练器，直到满足特定停止标准。ML训练模块的输出是ML模型——根据机器学习中的训练过程从数据建立的计算模型，该训练过程给予计算机独立地执行某些任务(例如，检测和分类对象)的能力。
在预测(或推理)阶段期间由计算机应用训练的机器学习模型。机器学习模型的示例包括ResNet、DenseNet等，由于其网络结构中关联层的深度，它们也被称为“深度学习模型”。在一些实施例中，使用具有全卷积网络(FCN)的Caffe库进行模型训练和预测，并且还可以使用其他卷积神经网络架构和库，诸如TensorFlow。
训练阶段生成将在预测阶段中使用的模型。该模型可在预测阶段重复使用，用于测定输入。因此，计算单元只需要访问所生成的模型。它不需要访问训练数据，也不需要在计算单元上再次运行训练阶段。
(ii)预测阶段
如图5所示，在预测/推断阶段，检测部件被应用于输入图像，并且输入图像被馈送到预加载了从训练阶段生成的训练模型的预测(推断)模块。预测阶段的输出可以是含有检测的分析物的边界框，其具有中心位置或指示每个分析物的位置的点图，或含有检测的分析物的信息的热图。
当预测阶段的输出是边界框的列表时，用于测定的样品的图像中的分析物的数量由检测的边界框的数量来表征。当预测阶段的输出是点图时，用于测定的样品的图像中的分析物的数量通过点图的积分来表征。当预测的输出是热图时，定位部件用于识别位置，并且检测的分析物的数量通过热图的条目来表征。
定位算法的一个实施例是将热图值从最高值到最低值排序成一维有序列表。然后挑选具有最高值的像素，将该像素连同其相邻像素一起从列表中移除。重复该过程以挑选列表中具有最高值的像素，直到从列表中移除了所有像素。
在使用热图的检测部件中，输入图像连同从训练阶段生成的模型一起被馈送到卷积神经网络，并且检测阶段的输出是以热图的形式的像素级预测。热图可以具有与输入图像相同的尺寸，或者它可以是输入图像的按比例缩小的版本，并且它是定位部件的输入。我们公开了一种定位分析物中心的算法。主要思想是根据热图迭代地检测局部峰。在峰被定位之后，我们计算围绕峰但具有较小值的局部区域。我们从热图中除去这个区域并且从剩余像素中找到下一个峰。重复该过程，直至从热图中去除所有像素。
在某些实施例中，本发明提供定位算法以将热图值从最高值到最低值排序成一维有序列表。然后挑选具有最高值的像素，将该像素连同其相邻像素一起从列表中移除。重复该过程以挑选列表中具有最高值的像素，直到从列表中移除了所有像素。
算法全局搜索(热图)
Figure BDA0002551814940000081
排序后的热图是一维有序列表，其中热图值从最高到最低排序。每个热图值与其对应的像素坐标相关联。热图中的第一项是具有最高值的项，即pop(热图)函数的输出。创建一个盘，其中中心是具有最高热图值的第一项的像素坐标。然后从热图中去除像素坐标位于盘内的所有热图值。该算法反复弹出当前热图中的最高值，移除其周围的盘，直到项被从热图中移除。
在有序列表热图中，每个项都知道进行项和后续项。当从有序列表中移除项时，我们进行以下更改，如图2所示：
假设移除项是xr，它的进行项是xp，它的后续项是xf。
对于正在进行的项xp，请将其后续项重新定义为移除项的后续项。因此，xp的后续项现在是xf。
对于移除项xr，取消定义其进行项和后续项，将其从有序列表中移除。
对于后续项xf，将其进行项重新定义为已移除项的进行项。因此，现在xf的进行项是Xp。
从排序列表中移除所有项后，定位算法结束。设置位点中元素的数目将是分析物的计数，位置信息是设置位点中每个s的像素坐标。
另一个实施例搜索局部峰，该局部峰不一定是具有最高热图值的局部峰。为了检测每个局部峰，我们从随机起始点开始，并搜索局部最大值。发现峰后，计算峰周围的局部面积，但数值较小。我们从热图中除去这个区域并且从剩余像素中找到下一个峰。重复该过程，直至从热图中去除所有像素。
算法局部搜索(s，热图)
Figure BDA0002551814940000091
这是一个从s开始的宽度优先搜索算法，其中访问点的一个改变条件：如果heatmap[p]>0并且heatmap[p]<＝heatmap[q]，则仅增加当前位置q的相邻p以覆盖。因此，覆盖中的每个像素具有通向局部峰s的非下降路径。
算法定位(热图)
Figure BDA0002551814940000092
深度学习和计算机视觉相结合的方法
在第二种方法中，通过计算机视觉算法实现检测和定位，并且通过深度学习算法实现分类，其中计算机视觉算法检测并定位分析物的可能候选物，并且深度学习算法将每个可能候选物分类为真分析物和假分析物。所有真分析物的位置(连同真分析物的总计数)将被记录为输出。
检测
计算机视觉算法基于分析物的特性(包括但不限于强度，颜色，尺寸，形状，分布等)来检测可能的候选物。
预处理方案可以改善检测。预处理方案包括对比度增强，直方图调整，颜色增强，去噪，平滑，去焦等。
预处理后，将输入图像送入探测器。检测器告知存在分析物的可能候选物并给出其位置的估计。使用诸如自适应阈值化等方案，检测可以基于分析物结构(例如，边缘检测、线检测、圆检测等)，连接性(例如斑点检测、连接部件、轮廓检测等)，强度，颜色，形状等。
定位
在检测之后，计算机视觉算法通过提供分析物的边界或框住分析物的紧边框来定位分析物的每个可能候选物。这可以通过对象分割算法来实现，例如自适应阈值化、背景减除、漫水填充、均值偏移、分水线等。通常，定位可与检测组合以产生检测结果以及分析物的每个可能候选物的位置。
分类
诸如卷积神经网络等深度学习算法实现了技术视觉分类的开端。我们采用深度学习算法对分析物的每种可能的候选物进行分类。多种卷积神经网络可用于分析物分类，例如VGGNet，ResNet，MobileNet，DenseNet等。
给定分析物的每个可能的候选物，深度学习算法经由卷积过滤器和非线性过滤器通过神经元层计算以提取将分析物与非分析物区分开的高级特征。一层完全卷积网络将高级特征结合到分类结果中，该结果告知它是否是真的分析物，或者是分析物的概率。
3.本发明的示例
A1.一种用于基于一个或多个装置和算法在来自血液样品的诊断中进行全血计数(CBC)的方法和设备，包含：
(a)接收血液样品进行测定并将样品添加到诸如QMAX装置之类的样品保持装置中；
(b)所述样品保持装置具有两个平行放置的板，其间的均匀间隙通过它们之间适当分布的柱精确控制，其中用于在顶板处的感兴趣区域(AoI)下测定的样品的体积可以由AoI的面积和所述间隙表征；
(c)所述板之间的间隙有意地间隔很窄，该间隙的距离与血细胞(分析物)的尺寸成比例，在测定中血细胞(分析物)通过该间隙在板之间形成单层；
(d)所述上板对于成像器例如QMAX成像器是透明的，使得可以在由所述成像器从上板拍摄的图像中捕获AoI中和所述板之间的血细胞(分析物)的图像；
(e)由所述成像器在AoI上方的图像中捕获的所述血细胞(分析物)是伪2D对象，其在样品中的体积可以基于它们在所选择的AoI的图像中的面积和所述间隙来表征；
(f)使用机器学习和图像处理的算法，从由所述成像器在AoI上方拍摄的图像生成检测的伪2D对象列表；
(g)根据以下各项来计算检测的分析物的浓度和分割：
i.由成像器在选择的AoI上方拍摄的图像中检测的伪2D对象的列表
ii.基于(b)和(c)，所述图像中的分析物与其在样品中的相关体积之间的关系；和
(h)将检测的血细胞(分析物)的计算位置、计数、浓度等储存在所述储存装置中，或者将测定结果显示在计算机或移动装置的屏幕上。
A2.如实施例A1所述的方法和设备，其中所述机器学习包含：
a.从在样品保持QMAX装置上方拍摄的图像中采集由所述成像器在多个AoI上拍摄的图像，并且标记图像中的分析物(即，血细胞)以产生注释的数据集，其中每个分析物由围绕它的紧边框或来自局部强度热图或局部分布(例如，高斯分布)核的点图表示；
b.将注释的数据集馈送到卷积神经网络进行模型训练，其中，模型训练的输出是检测模型，用于从所述成像器拍摄的图像中检测和识别测定中的分析物；以及
c.在测定中，将由所述成像器拍摄的AoI的图像馈送到检测模型，生成：
i.检测的分析物列表以及它们在AoI中的位置，
ii.计算被捕获的分析物的总计数，将它们分类成多种类别，确定它们在用于测定的样品中的形状和浓度。
A3.如实施例A1所述的方法和设备，其中系统包含装置、成像器和计算单元：
(a)该装置被配置为将测试样品的至少一部分压缩成厚度非常均匀的层；
(b)该成像器被配置为用于在均匀厚度的层处产生样品的图像，其中图像包括来自测试样品中的分析物的可检测信号；
(c)计算单元被配置为：
i.从成像器接收图像；
ii.用检测模型分析图像并生成图像的2D数据阵列，其中2D数据阵列包括分析物在图像中的每个位置处的概率或可能性数据，并且检测模型通过训练过程建立，训练过程包含：
将注释的数据集馈送到卷积神经网络，其中注释的数据集来自与测试样品类型相同且针对相同分析物的样品；以及
通过卷积来训练并建立检测模型；以及
iii.测试时，将数据馈送到模型，通过信号列表处理来生成和分析2D数据阵列以检测局部信号峰，或通过局部搜索处理来检测分析物；以及
iv.基于局部信号峰信息和分析物与测定体积的关系来计算正被检测的分析物的量。
A4.如实施例A3所述的方法和设备，其中成像器包含照相机。
A5.如实施例A3所述的方法和设备，其中照相机是例如智能电话之类的移动通信装置的一部分。
A6.如实施例A1或A3所述的方法和设备，其中计算单元是移动通信装置的一部分。
A7.如实施例A1或A3所述的方法和设备，其中使用一种用于数据分析的计算机视觉和深度学习的混合方法，其包含：
(a)接收测试样品的图像，其中，样品被添加到QMAX装置中，并且图像由连接到QMAX装置的成像器拍摄，其中图像包括来自测试样品中的分析物的可检测信号；
(b)使用检测算法分析图像，检测算法基于分析物的特性找到可能的候选物；
(c)用定位算法分析图像，定位算法通过提供分析物的每个可能的候选物的边界或含有分析物的每个可能的候选物的紧边框来定位分析物的每个可能的候选物；
(d)用深度学习算法分析图像，深度学习算法将每个可能的候选物分类为真分析物和假分析物；
(e)输出真分析物的位置、真分析物的总计数和分析物在测定中的浓度。
A8.如实施例A1、A3或A7所述的方法和设备，其中检测基于分析物结构(例如，边缘检测、线检测、圆检测等)。
A9.如实施例A1、A3或A7所述的方法和设备，其中检测基于连接性(例如，斑点检测、连接部件、轮廓检测等)。
A10.如实施例A1、A3或A7所述的方法和设备，其中检测基于强度、颜色、形状，使用诸如自适应阈值化之类的方案。
A11.如实施例A1、A3或A7所述的方法和设备，其中检测通过预处理方案来增强。
A12.如实施例A1、A3或A7所述的方法和设备，其中定位基于对象分割算法，例如自适应阈值化、背景减除、漫水填充、均值偏移、分水线等。
A13.如实施例A1、A3或A7所述的方法和设备，其中定位与检测组合以产生检测结果以及分析物的每种可能的候选物的位置。
A14.如实施例A1、A3或A7所述的方法和设备，其中检测和分类基于机器学习，例如卷积神经网络。
A15.如实施例A1、A3或A7所述的方法和装置，其中测定保持在两个均匀间隔的板之间，板具有与分析物的直径成比例的有意缩小的间隙。
A16.如实施例A1、A3或A7所述的方法和设备，其中装置的一个板是透明的，使得板上的AoI(感兴趣区域)能够被成像以揭示夹在两个间隔狭窄的板之间的分析物的伪2D层。
A17.如实施例A1、A3或A7所述的方法和设备，而实施例一般是诊断、化学或生物测试。
AA1.一种用于基于一个或多个装置和算法在来自血液测定的诊断中进行全血计数(CBC)的方法和设备，包含：
(i)接收血液测定并添加到QMAX装置中；
(j)装置包含两个平行放置的板，其间的均匀间隙通过它们之间适当分布的柱精确地控制，而在顶板处的感兴趣区域(AoI)下的测定体积可以由AoI的面积和间隙表征；
(k)而所述板有意地间隔很窄，该间隙与血细胞的尺寸成比例，在测定中血细胞通过间隙在板之间形成单层；
(1)而所述上板对于QMAX成像器是透明的，使得QMAX成像器可以捕获AoI中和板之间的血细胞的图像；
(m)而在图像中由成像器在AoI上方捕获的所述血细胞是伪2D对象，并且它们与测定中由选择的AoI和间隙表征的体积相关；
(n)使用机器学习和图像处理的算法，从QMAX成像器在AoI上方拍摄的图像中生成检测到的伪2D对象的列表；
(o)根据以下各项来计算检测的分析物的浓度：
iii.由成像器在选择的AoI上方拍摄的图像中检测的伪2D对象的列表，以及
iv.基于(b)和(c)的分析物与测定体积的关系；以及
(p)将检测的血细胞(分析物)的位置、计数和浓度储存在储存装置中，或者将测试结果显示在计算机或移动装置的屏幕上。
AA2.如实施例A1所述的方法和设备，其中机器学习包含：
d.采集所述成像器在多个AoI上方拍摄的图像，并对图像中的血细胞信号进行标记，生成注释的数据集；
e.将注释的数据集馈送到卷积神经网络，通过卷积来训练并建立检测模型；以及
f.在CBC测试中，将AoI图像数据馈送到检测模型，分析2D数据阵列以检测局部信号峰值：
iii.信号列表处理，或
iv.局部搜索处理；以及
基于局部信号峰信息和与测定中的AoI相关的测定体积计算被捕获的分析物的量。
AA3.如实施例A2所述的方法和设备，其中信号列表处理包含：
a.通过从2D数据阵列中迭代检测局部峰来建立信号列表，计算检测的局部峰周围的局部区域，将检测的峰和局部区域数据依等级次序移除到信号列表中；以及
b.循序重复地从信号列表中移除最高信号以及从最高信号周围移除信号，从而检测局部信号峰。
AA4.如实施例A2所述的方法和设备，其中局部搜索处理包含：
a.从随机点开始在2D数据阵列中搜索局部最大值；
b.计算峰周围但数值较小的局部区域；
c.从2D数据阵列中移除局部最大值和周围较小值；以及
d.重复步骤a-c以检测局部信号峰。
B1.一种利用用于数据分析的深度学习方法在微观细胞分布水平上检测、定位、计数和获得所有类型的分析物浓度的机器学习框架，包含：
(a)接收测试样品的图像，其中，样品被添加到QMAX装置中，并且图像由连接到QMAX装置的成像器拍摄，其中图像包括来自测试样品中的分析物的可检测信号；
(b)使用检测模型分析图像并生成图像的2D数据阵列，其中2D数据阵列包括分析物在图像中的每个位置处的概率数据，并且检测模型通过训练过程建立，训练过程包含：
i.将注释的数据集馈送到卷积神经网络，其中注释的数据集来自与测试样品类型相同并且含有与用于测定的分析物类型相同的样品；以及
ii.通过卷积来训练并建立检测模型；以及
通过以下各项来分析2D数据阵列以检测局部信号峰：
v.信号列表处理，或
vi.局部搜索处理；以及
(c)基于局部信号峰信息来计算分析物的量。
B2.如实施例B1所述的方法，其中信号列表处理包含：
(a)通过从2D数据阵列中迭代检测局部峰来建立信号列表，计算检测的局部峰周围的局部区域，将检测的峰和局部区域数据依次移除到信号列表中；以及
(b)循序重复地从信号列表中移除最高信号以及从最高信号周围移除信号，从而检测局部信号峰。
B3.如任何B实施例所述的方法，其中局部搜索处理包含：
(a)从随机点开始在2D数据阵列中搜索局部最大值；
(b)计算峰周围但数值较小的局部区域；
(c)从2D数据阵列中移除局部最大值和周围较小值；以及
(d)重复步骤i-iii以检测局部信号峰。
B4.如以上任一方法实施例所述的方法，其中在注释之前对注释的数据集进行分区。
B5.一种用于数据分析的系统，包含：
QMAX装置、成像器和计算单元，其中：
(a)QMAX装置被配置为将至少部分测试样品压缩成厚度非常均匀的层；
(b)成像器被配置为用于在均匀厚度的层处产生样品的图像，其中图像包括来自测试样品中的分析物的可检测信号；
(c)计算单元被配置为：
i.从成像器接收图像；
ii.用检测模型分析图像并生成图像的2D数据阵列，其中2D数据阵列包括分析物在图像中的每个位置处的概率数据，并且通过训练过程来建立检测模型，训练过程包含：将注释的数据集馈送到卷积神经网络，其中注释的数据集来自与测试样品类型相同并且含有与用于测定的分析物类型相同的样品；通过卷积来训练并建立检测模型；以及
iii.利用信号列表处理或局部搜索处理对二维数据阵列进行分析以检测局部信号峰值；以及
iv.基于局部信号峰信息来计算分析物的量。
B6.如实施例B5所述的系统，其中成像器包含照相机。
B7.如实施例B6所述的系统，其中照相机是移动通信装置的一部分。
B8.如以上任一B实施例所述的系统，其中计算单元是移动通信装置的一部分。
C1.一种用于数据分析的计算机视觉和深度学习的混合方法，包含：
(f)接收测试样品的图像，其中，样品被添加到QMAX装置中，并且图像由连接到QMAX装置的成像器拍摄，其中，图像包括来自测试样品中的分析物的可检测信号；
(g)使用检测算法分析图像，检测算法基于分析物的特性找到可能的候选物；
(h)用定位算法分析图像，定位算法通过提供分析物的每个可能的候选物的边界或含有分析物的每个可能的候选物的紧边框来定位分析物的每个可能的候选物；
(i)用深度学习算法分析图像，深度学习算法将每个可能的候选物分类为真分析物和假分析物；
(j)输出真分析物的位置和真分析物的总计数。
C2.如实施例C1所述的系统，其中检测基于所述分析物结构(例如，边缘检测、线检测、圆检测等)。
C3.如实施例C1所述的系统，其中检测基于连接性(例如，斑点检测、连接部件、轮廓检测等)。
C4.如实施例C1所述的系统，其中检测基于强度、颜色、形状，使用诸如自适应阈值化等方案。
C5.如实施例C1所述的系统，其中检测通过预处理方案来增强。
C6.如实施例C1所述的系统，其中定位基于对象分割算法，例如自适应阈值化、背景减除、漫水填充、均值偏移、分水线等。
C7.如实施例C1所述的系统，其中定位与检测组合以产生检测结果以及分析物的每种可能的候选物的位置。
C8.如实施例C1所述的系统，其中分类基于深度学习，例如卷积神经网络。
具有高均匀性的装置和测定
柱间隔件的平坦顶部
在本发明的某些实施例中，间隔件是具有平坦顶部和固定在一个板上的脚部的柱，其中平坦顶部具有表面变化小的平滑度，并且变化小于5nm、10nm、20nm、30nm、50nm、100nm、200nm、300nm、400nm、500nm、600nm、700nm、800nm、1000nm，或在所述任何两个值之间的范围内。优选的平坦的柱顶部平滑度是表面变化为50nm或以下。
此外，表面变化是相对于间隔件高度的，并且柱平坦顶部表面变化与间隔件高度的比率小于0.5％、1％、3％、5％、7％、10％、15％、20％、30％、40％，或在所述任何两个值之间的范围内。优选的平坦的柱顶部的平滑度具有柱平坦顶部表面变化与间隔件高度的比率小于2％、5％或10％。
柱间隔件的侧壁角度
在本发明的某些实施例中，间隔件是具有侧壁角度的柱。在一些实施例中，侧壁角度小于5度(从表面的法线测量)、10度、20度、30度、40度、50度、70度，或在所述任何两个值之间的范围内。在优选的实施例中，侧壁角度小于5度、10度或20度。
通过不精确的力按压形成均匀的薄流体层
在本发明的某些实施例中，通过使用具有不精确力的按压形成均匀的薄流体样品层。术语“不精确按压力”不加细节，然后加不精确按压力的定义。如本文所用，在力(例如“不精确按压力”)的上下文中的术语“不精确”是指如下的力：
(a)具有在施加力时未知或不可精确预测的量值；(b)具有在0.01kg/cm2(平方厘米)至100kg/cm2范围内的压力，(c)从一次施加力到下一次施加力的量值变化；以及(d)(a)和(c)中的力的不精确度(即变化)是实际施加的总力的至少20％。
不精确的力可以由人手施加，例如，通过在拇指和食指之间将物体夹在一起，或者通过在拇指和食指之间将物体夹在一起并摩擦。
在一些实施例中，手按压的不精确力具有0.01kg/cm2、0.1kg/cm2、0.5kg/cm2、1kg/cm2、2kg/cm2、kg/cm2、5kg/cm2、10kg/cm2、20kg/cm2、30kg/cm2、40kg/cm2、50kg/cm2的压强、60kg/cm2、100kg/cm2、150kg/cm2、200kg/cm2，或任何两个值之间的范围；和0.1kg/cm2至0.5kg/cm2、0.5kg/cm2至1kg/cm2、1kg/cm2至5kg/cm2、5kg/cm2至10kg/cm2(压强)的优选范围。
间隔件填充因子。
术语“间隔件填充因子”或“填充因子”是指间隔件接触面积与总板面积的比率，其中间隔件接触面积在闭合构造下是指间隔件的顶部表面接触到板的内表面的接触面积，总板面积是指间隔件平顶接触的板内表面的总面积。由于存在两个板并且每个间隔件具有两个接触表面，每个接触表面接触一个板，所以填充因子是最小的填充因子。
例如，如果间隔件是具有正方形(10μmx10μm)的平顶、几乎均匀的横截面和2μm高的柱，并且间隔件是固定间隔的，固定间隔为100μm，则间隔件的填充因子是1％。如果在上述示例中，柱间隔件的脚是15μmx15μm的正方形，则填充因子按定义仍是1％。
IDS^4/hE
在本公开的某些实施例中，用于通过按压形成具有均匀预定厚度的薄流体样品层的装置可包含第一板。在本公开的某些实施例中，用于通过按压形成具有均匀预定厚度的薄流体样品层的装置可包含第二板。在本公开的某些实施例中，用于通过按压形成具有均匀预定厚度的薄流体样品层的装置可包含间隔件。在某些实施例中，板相对于彼此可移动成不同的构造。在某些实施例中，一个或两个板是柔性的。在某些实施例中，每个板包含具有用于接触流体样品的样品接触区域的内表面。在某些实施例中，每个板在其相应的外表面上包含受力区域，受力区域用于施加迫使板挤压在一起的按压力。在某些实施例中，板中的一个或两个包含永久固定在相应板的内表面上的间隔件。在某些实施例中，间隔件具有等于或小于200微米的预定的基本均匀的高度和预定的固定间隔件间距。在某些实施例中，间隔件间距(ISD)的四次方除以柔性板的厚度(h)和杨氏模量(E)(ISD4/(hE))为5x106um3/GPa或更小。在某些实施例中，间隔件中的至少一个位于样品接触区域内。在某些实施例中，构造中的一个是开放构造，在开放构造中，两个板是部分或完全分开的，板之间的间距不通过间隔件调节，并且样品沉积在板中的一个或两个上；并且在某些实施例中，构造中的另一个是闭合构造，闭合构造是在样品在开放构造中沉积并且通过在受力区域上施加按压力迫使板达到闭合构造之后配置的；并且在闭合构造中，样品的至少一部分被两个板压缩成高度均匀厚度的层并且相对于板基本上是停滞的，其中层的均匀厚度由这两个板的样品接触区域限制并通过板和间隔件调节。
在本公开的某些实施例中，通过按压形成具有均匀预定厚度的薄流体样品层的方法可包含获得本公开的装置。在本公开的某些实施例中，通过按压形成具有均匀预定厚度的薄流体样品层的方法可包含当板被构造为开放构造时将流体样品沉积在板中的一个或两个上。在某些实施例中，开放构造是其中两个板部分地或完全地分开并且板之间的间距不通过间隔件调节的构造。在本公开的某些实施例中，通过挤压形成具有均匀预定厚度的薄流体样品层的方法可包含迫使两个板成闭合构造，其中：样品的至少一部分通过两个板压缩成基本上均匀厚度的层，其中层的均匀厚度通过板的样品接触表面限制并且通过板和间隔件调节。
在本公开的某些实施例中，用于分析流体样品的装置可包含第一板。在本公开的某些实施例中，用于分析流体样品的装置可包含第二板。在本公开的某些实施例中，用于分析流体样品的装置可包含间隔件。在某些实施例中，板相对于彼此可移动成不同的构造。在某些实施例中，一个或两个板是柔性的。在某些实施例中，每个板在其相应的内表面上具有用于接触流体样品的样品接触区域。在某些实施例中，板中的一个或两个包含间隔件，并且间隔件固定在相应板的内表面上。在某些实施例中，间隔件具有等于或小于200微米的预定的基本均匀的高度，并且间隔件间距是预定的。在某些实施例中，间隔件的杨氏模量乘以间隔件的填充因子至少为2MPa。在某些实施例中，间隔件中的至少一个位于样品接触区域内。在某些实施例中，构造中的一个是开放构造，在开放构造中，两个板是部分或完全分开的，板之间的间距不通过间隔件调节，并且样品沉积在板中的一个或两个上；并且在某些实施例中，构造中的另一个是闭合构造，闭合构造在样品以开放构造沉积之后配置；并且在闭合构造中，样品的至少一部分通过两个板压缩为厚度非常均匀的层，其中层的均匀厚度通过板的样品接触表面限制并且通过板和间隔件调节。
在本公开的某些实施例中，通过按压形成具有均匀预定厚度的薄流体样品层的方法可包含获得本公开的装置。在本公开的某些实施例中，通过按压形成具有均匀预定厚度的薄流体样品层的方法可包含当板被构造为开放构造时将流体样品沉积在板中的一个或两个上。在某些实施例中，开放构造是其中两个板部分地或完全地分开并且板之间的间距不通过间隔件调节的构造。在本公开的某些实施例中，通过按压形成具有均匀预定厚度的薄流体样品层的方法可包含迫使两个板成闭合构造。在某些实施例中，样品的至少一部分通过两个板压缩成厚度基本上均匀的层，其中层的均匀厚度通过板的样品接触表面限制并且通过板和间隔件调节。
在本公开的某些实施例中，用于分析流体样品的装置可包含第一板。在本公开的某些实施例中，用于分析流体样品的装置可包含第二板。在某些实施例中，板相对于彼此可移动成不同的构造。在某些实施例中，一个或两个板是柔性的。在某些实施例中，板中的每个在其相应表面上具有用于接触含有分析物的样品的样品接触区域。在某些实施例中，板中的一个或两个包含永久固定于样品接触区域内的板上的间隔件，其中，间隔件具有基本均匀的预定高度和固定的预定间隔件间距，间隔件间距比分析物的尺寸大至少约2倍，至多200μm，并且其中，间隔件中的至少一个在样品接触区域内；在某些实施例中，构造中的一个是开放构造，在开放构造中，两个板是分开的，板之间的间距不通过间隔件调节，并且样品沉积在板中的一个或两个上；并且在某些实施例中，构造中的另一个是闭合构造，闭合构造在样品以开放构造沉积之后配置；并且在闭合构造中，样品的至少一部分通过两个板压缩为厚度非常均匀的层，其中层的均匀厚度通过板的样品接触表面限制并且通过板和间隔件调节。
在本公开的某些实施例中，通过按压形成具有均匀预定厚度的薄流体样品层的方法可包含获得本公开的装置。在本公开的某些实施例中，通过按压形成具有均匀预定厚度的薄流体样品层的方法可包含将流体样品沉积在板中的一个或两个上；当板被配置成开放构造时，其中开放构造是其中两个板部分地或完全地分开并且板之间的间距不通过间隔件调节的构造；在本公开的某些实施例中，通过挤压形成具有均匀预定厚度的薄流体样品层的方法可包含迫使两个板成闭合构造，其中：样品的至少一部分通过两个板压缩成基本上均匀厚度的层，其中层的均匀厚度通过板的样品接触表面限制并且通过板和间隔件调节。
在本公开的某些实施例中，用于通过按压形成具有均匀预定厚度的薄流体样品层的装置可包含第一板。在本公开的某些实施例中，用于通过按压形成具有均匀预定厚度的薄流体样品层的装置可包含第二板。在本公开的某些实施例中，用于通过按压形成具有均匀预定厚度的薄流体样品层的装置可包含间隔件。在某些实施例中，板相对于彼此可移动成不同的构造。在某些实施例中，一个或两个板是柔性的。在某些实施例中，板中的每个在其相应的内表面上包含用于接触和/或压缩流体样品的样品接触区域。在某些实施例中，每个板在其相应的外表面上包括受力区域，受力区域用于施加迫使板在一起的力。在某些实施例中，板中的一个或两个包含永久固定在相应板的内表面上的间隔件。在某些实施例中，间隔件具有等于或小于200微米的预定的基本均匀的高度、预定的宽度和预定的固定间隔件间距。在某些实施例中，间隔件间距与间隔件宽度的比率为1.5或更大。在某些实施例中，间隔件中的至少一个位于样品接触区域内。在某些实施例中，构造中的一个是开放构造，在开放构造中，两个板是部分或完全分开的，板之间的间距不通过间隔件调节，并且样品沉积在板中的一个或两个上；并且在某些实施例中，构造中的另一个是闭合构造，闭合构造在样品沉积在开放构造之后配置；并且在闭合构造中，样品的至少一部分通过两个板压缩成厚度非常均匀的层并且相对于板基本上是停滞的，其中层的均匀厚度通过两个板的样品接触区域限制并且通过板和间隔件调节。
在本公开的某些实施例中，通过用不精确的按压力按压来形成具有均匀预定厚度的薄流体样品层的方法可包含获得本公开的装置。在本公开的某些实施例中，通过用不精确的按压力按压来形成具有均匀预定厚度的薄流体样品层的方法可以包含获得流体样品。在本公开的某些实施例中，通过用不精确的按压力按压来形成具有均匀预定厚度的薄流体样品层的方法可以包含将样品沉积在板中的一个或两个上；当板被配置成开放构造时，其中开放构造是其中两个板部分地或完全地分离并且板之间的间距不通过间隔件调节的构造。在本公开的某些实施例中，通过用不精确的挤压力挤压形成具有均匀预定厚度的薄流体样品层的方法可包含迫使两个板成闭合构造，其中：样品的至少一部分通过两个板压缩成基本上均匀厚度的层，其中层的均匀厚度通过板的样品接触表面限制并且通过板和间隔件调节。
在某些实施例中，间隔件具有柱状形状，该柱具有固定在板之一上的脚以及用于接触另一个板的平坦顶部表面。在某些实施例中，间隔件具有柱状形状，该柱具有固定在板之一上的脚，用于接触另一个板的平坦顶部表面，基本上均匀的截面。在某些实施例中，间隔件具有柱状形状，其中脚固定在板之一上并且平坦顶部表面用于接触另一板，其中柱的平坦顶部表面具有小于10nm的变化。在某些实施例中，间隔件具有柱状形状，其中脚固定在板之一上并且平坦顶部表面用于接触另一板，其中柱的平坦顶部表面具有小于50nm的变化。在某些实施例中，间隔件具有柱状形状，其中脚固定在板之一上并且平坦顶部表面用于接触另一板，其中柱的平坦顶部表面具有小于50nm的变化。在某些实施例中，间隔件具有柱状形状，该柱具有固定在板中的一个上的脚和用于接触另一个板的平坦顶部表面，其中，柱的平坦顶部表面的变化小于10nm、20nm、30nm、100nm、200nm，或在所述任两个值范围内。
在某些实施例中，间隔件的杨氏模量乘以间隔件的填充因子至少为2MPa。在某些实施例中，样品包含分析物，并且预定恒定间隔件间距比分析物的尺寸大至少约2倍，至多200μm。在某些实施例中，样品包含分析物，预定恒定间隔件间距比分析物的尺寸大至少约2倍，至多200μm，并且间隔件的杨氏模量乘以间隔件的填充因子为至少2MPa。
在某些实施例中，间隔件间距(IDS)的四次方除以柔性板的厚度(h)和杨氏模量(ISD^4/(hE))为5x10^6um^3/GPa或更小。在某些实施例中，间隔件间距(IDS)的四次方除以柔性板的厚度和杨氏模量(ISD^4/(hE))为1x10^6um^3/GPa或更小。在某些实施例中，间隔件间距(IDS)的四次方除以柔性板的厚度和杨氏模量(ISD^4/(hE))为5x10^5um^3/GPa或更小。在某些实施例中，间隔件的杨氏模量乘以间隔件的填充因子至少为2MPa，并且间隔件间距(IDS)的四次方除以柔性板的厚度和杨氏模量(ISD^4/(hE))为1x10^5um^3/GPa或更小。在某些实施例中，间隔件的杨氏模量乘以间隔件的填充因子至少为2MPa，并且间隔件间距(IDS)的四次方除以柔性板的厚度和杨氏模量(ISD^4/(hE))为1x10^4um^3/GPa或更小。在某些实施例中，间隔件的杨氏模量乘以间隔件的填充因子为至少20MPa。
在本发明的某些实施例中，间隔件的间隔间距与间隔件的平均宽度的比率为2或更大。在某些实施例中，间隔件的间隔间距与间隔件的平均宽度的比率为2或更大，并且间隔件的杨氏模量乘以间隔件的填充因子为至少2MPa。在某些实施例中，间隔件间距比分析物的尺寸大至少约2倍，至多200μm。在某些实施例中，间隔件间距与间隔件宽度的比率为1.5或更大。在某些实施例中，间隔件的宽度与高度的比率为1或更大。在某些实施例中，间隔件的宽度与高度的比率为1.5或更大。在某些实施例中，间隔件的宽度与高度的比率为2或更大。在某些实施例中，间隔件的宽度与高度的比率大于2、3、5、10、20、30、50，或在所述值的任何两个的范围内。
在某些实施例中，将两个板按压成闭合构造的力是不精确的按压力。在某些实施例中，将两个板按压成闭合构造的力是由人手提供的不精确的按压力。在某些实施例中，迫使两个板将样品的至少一部分压缩成具有基本上均匀厚度的层包含平行或顺序地使用适形按压板中的至少一个的区域以将板一起按压成闭合构造，其中适形按压在至少部分样品上的板上产生基本上均匀的压力，并且按压使至少部分样品在板的样品接触表面之间横向扩展，并且其中闭合构造是其中厚度均匀区域层中的板之间的间距通过间隔件调节的构造；并且其中样品的减小的厚度减少了用于将储存位点上的试剂与样品混合的时间。在某些实施例中，挤压力是不精确力，不精确力具有在施加力时(a)未知并且不可预测，或(b)未知并且不能在等于或优于所施加的力的20％的精度内预测的量值。在某些实施例中，挤压力是不精确力，不精确力具有在施加力时(a)未知并且不可预测，或(b)未知并且不能在等于或优于所施加的力的30％的精度内预测的量值。在某些实施例中，按压力是不精确力，所述不精确力具有在施加力时(a)未知且不可预测，或(b)未知且不能在等于或优于所施加的平均压力的30％的精度内预测的量值；并且其中厚度非常均匀的层具有20％或更小的均匀厚度变化。在某些实施例中，按压力是不精确力，不精确力具有在施加力时不能在等于或优于30％、40％、50％、70％、100％、200％、300％、500％、1000％、2000％或在所述两个值之间的任何范围内确定的量值。
在本公开的某些实施例中，柔性板具有在10μm至200μm范围内的厚度。在某些实施例中，柔性板具有在20μm至100μm范围内的厚度。在某些实施例中，柔性板具有在25μm至180μm范围内的厚度。在某些实施例中，柔性板具有在200μm至260μm范围内的厚度。在某些实施例中，柔性板的厚度等于或小于250μm、225μm、200μm、175μm、150μm、125μm、100μm、75μm、50μm、25μm、10μm、5μm、1μm，或在所述任何两个值之间的范围内。在某些实施例中，样品具有在0.1至4(mPa·s)范围内的粘度。在某些实施例中，柔性板具有在200μm至260μm范围内的厚度。在某些实施例中，柔性板具有20μm到200μm范围内的厚度和0.1到5GPa范围内的杨氏模量。
在本公开的某些实施例中，样品沉积是在不使用任何转移装置的情况下直接从对象到板的沉积。在某些实施例中，在沉积期间，沉积在板上的样品的量是未知的。在某些实施例中，所述方法还包含分析样品的分析。在某些实施例中，分析包含通过测量相关样品体积的横向面积并根据横向面积和预定间隔件高度计算体积来计算相关样品体积的体积。在某些实施例中，处于闭合构造的两个板之间的样品位置处的pH值通过该位置的体积和通过分析从该位置取得的图像来确定。在某些实施例中，通过分析图像的确定使用人工智能和机器学习。
在某些实施例中，分析步骤(e)包含测量：i.成像；ii.发光，其选自光致发光、电致发光和电化学发光，iii.表面拉曼散射，iv.电阻抗，其选自电阻、电容和电感，或v.i-iv的任何组合。在某些实施例中，分析包括分析物的读取、图像分析或计数，或其组合。在某些实施例中，样品含有一种或多种分析物，并且一个或两个板样品接触表面包含一个或多个结合位点，每个结合位点结合并固定相应的分析物。在某些实施例中，一个或两个板样品接触表面包含一个或多个储存位点，每个储存位点储存一种或多种试剂，其中试剂在样品中溶解和扩散。在某些实施例中，一个或两个板样品接触表面包含一个或多个扩增位点，当分析物或标记距离扩增位点500nm内时，每个扩增位点能够扩增来自分析物或分析物标记的信号。在某些实施例中，i.一个或两个板样品接触表面包含一个或多个结合位点，每个结合位点结合并固定相应的分析物；或ii.一个或两个板样品接触表面包含一个或多个储存位点，每个储存位点储存一种或多种试剂；其中试剂在样品中溶解和扩散，并且其中样品包含一种或多种分析物；或iii.一个或多个扩增位点，当分析物或标记距离扩增位点500nm时，扩增位点各自能够扩增来自分析物或分析物标记的信号；或iv.i至iii的任何组合。
在某些实施例中，液体样品是选自以下的生物样品：羊水，房水，玻璃体液，血液(例如，全血、分级分离的血液、血浆或血清)，母乳，脑脊髓液(CSF)，耳垢(耳屎)，乳糜，食糜，内淋巴，外淋巴，粪便，呼吸，胃酸，胃液，淋巴液，粘液(包括鼻引流和痰)，心包液，腹膜液，胸膜液，脓液，风湿液，唾液，呼出的冷凝物，皮脂，精液，痰，汗液，滑液，泪液，呕吐物和尿液。
在某些实施例中，在闭合构造中均匀厚度层小于150μm。在某些实施例中，加压由加压液体、加压气体或保形材料提供。在某些实施例中，分析包含计数均匀厚度层中的细胞。在某些实施例中，分析包括含在均匀厚度层中进行测定。在某些实施例中，测定是结合测定或生物化学测定。在某些实施例中，沉积的样品具有小于0.5μL的总体积。在某些实施例中，将多滴样品沉积到板中的一个或两个上。
在某些实施例中，间隔件间距在1μm至120μm的范围内。在某些实施例中，间隔件间距在120μm至50μm的范围内。在某些实施例中，间隔件间距在120μm至200μm的范围内。在某些实施例中，柔性板具有20μm到250μm范围内的厚度和0.1到5GPa范围内的杨氏模量。在某些实施例中，对于柔性板，柔性板的厚度乘以柔性板的杨氏模量在60至750GPa-μm的范围内。
在某些实施例中，均匀厚度样品层在至少1mm2的横向面积上是均匀的。在某些实施例中，均匀厚度样品层在至少3mm2的横向面积上是均匀的。在某些实施例中，均匀厚度样品层在至少5mm2的横向面积上是均匀的。在某些实施例中，均匀厚度样品层在至少10mm2的横向面积上是均匀的。在某些实施例中，均匀厚度样品层在至少20mm2的横向面积上是均匀的。在某些实施例中，均匀厚度样品层在20mm2至100mm2范围内的横向面积上是均匀的。在某些实施例中，均匀厚度样品层具有高达+/-5％或更好的厚度均匀性。在某些实施例中，均匀厚度样品层具有高达+/-10％或更好的厚度均匀性。在某些实施例中，均匀厚度样品层具有高达+/-20％或更好的厚度均匀性。在某些实施例中，均匀厚度样品层具有高达+/-30％或更好的厚度均匀性。在某些实施例中，均匀厚度样品层具有高达+/-40％或更好的厚度均匀性。在某些实施例中，均匀厚度样品层具有高达+/-50％或更好的厚度均匀性。
在某些实施例中，间隔件是具有选自圆形、多边形、正圆形、正方形、矩形、卵形、椭圆形或其任何组合的横截面形状的柱。在某些实施例中，间隔件具有柱状形状，具有基本上平坦的顶部表面，并且具有基本上均匀的横截面，其中对于每一间隔件，间隔件的横向尺寸与其高度的比率至少为1。在某些实施例中，间隔件间距是固定间隔的。在某些实施例中，间隔件具有1％或更高的填充因子，其中填充因子是间隔件接触面积与总板面积的比率。在某些实施例中，间隔件的杨氏模量乘以所述间隔件的填充因子等于或大于20MPa，其中填充因子是间隔件接触面积与总板面积的比率。在某些实施例中，在闭合构造下，两个板之间的间距小于200μm。在某些实施例中，在闭合构造下，两个板之间的间距是选自1.8μm和3.5μm之间的值。在某些实施例中，通过直接压印板或注射模制板而将间距固定在板上。在某些实施例中，板和间隔件的材料选自聚苯乙烯、PMMA、PC、COC、COP或其它塑料。在某些实施例中，间隔件具有柱状形状，并且间隔件的侧壁角具有曲率半径至少为1μm的圆形形状。在某些实施例中，间隔件具有至少1000/mm2的密度。在某些实施例中，板中的至少一个是透明的。在某些实施例中，用于制造间隔件的模具由含有特征件的模具制造，特征件通过(a)直接反应性离子蚀刻或离子束蚀刻或(b)通过重复或多次重复反应性离子蚀刻或离子束蚀刻的特征件来制造。
在某些实施例中，间隔件被配置为使得填充因子在1％至5％的范围内。在某些实施例中，表面变化是相对于间隔件高度的，并且柱平坦顶部表面变化与间隔件高度的比率小于0.5％、1％、3％、5％、7％、10％、15％、20％、30％、40％，或在所述任何两个值之间的范围内。优选的平坦的柱顶部的平滑度具有柱平坦顶部表面变化与间隔件高度的比率小于2％、5％或10％。在某些实施例中，间隔件被配置为使得填充因子在1％至5％的范围内。在某些实施例中，间隔件被配置为使得填充因子在5％至10％的范围内。在某些实施例中，间隔件被配置为使得填充因子在10％至20％的范围内。在某些实施例中，间隔件被配置为使得填充因子在20％至30％的范围内。在某些实施例中，间隔件被配置为使得填充因子为5％、10％、20％、30％、40％、50％，在所述值中的任何两个的范围内。在某些实施例中，这些间隔件被配置为使得填充因子为50％、60％、70％、80％，或在所述值中的任何两个的范围内。
在某些实施例中，间隔件被配置为使得填充因子乘以间隔件的杨氏模量在2MPa和10MPa的范围内。在某些实施例中，间隔件被配置为使得填充因子乘以间隔件的杨氏模量在10MPa和20MPa的范围内。在某些实施例中，间隔件被配置为使得填充因子乘以间隔件的杨氏模量在20MPa和40MPa的范围内。在某些实施例中，间隔件被配置为使得填充因子乘以间隔件的杨氏模量在40MPa和80MPa的范围内。在某些实施例中，间隔件被配置为使得填充因子乘以间隔件的杨氏模量在80MPa和120MPa的范围内。在某些实施例中，间隔件被配置为使得填充因子乘以间隔件的杨氏模量在120MPa至150MPa的范围内。
在某些实施例中，该装置进一步包含涂覆在一个或两个板上的干燥试剂。在某些实施例中，所述装置在一个或两个板上进一步包含具有预定面积的干结合位点，其中干结合位点结合并固定样品中的分析物。在某些实施例中，所述装置在一个或两个板上进一步包含可释放干燥试剂和释放时间控制材料，释放时间控制材料延迟可释放干燥试剂释放到样品中的时间。在某些实施例中，释放时间控制材料将所述干燥试剂开始释放到样品中的时间延迟至少3秒。在某些实施例中，试剂包含抗凝血剂和/或染色试剂。在某些实施例中，试剂包含细胞裂解试剂。在某些实施例中，所述装置在一个或两个板上进一步包含一个或多个干结合位点和/或一个或多个试剂位点。在某些实施例中，分析物包含具有不同形状的分子(例如，蛋白质、肽、DNA、RNA、核酸或其它分子)，细胞，组织，病毒和纳米颗粒。在某些实施例中，分析物包含白细胞、红细胞和血小板。在某些实施例中，分析物被染色。
在某些实施例中，调节均匀厚度层的间隔件具有至少1％的填充因子，其中填充因子是与均匀厚度层接触的间隔件面积和与均匀厚度层接触的总板面积的比率。在某些实施例中，对于调节均匀厚度层的间隔件，间隔件的杨氏模量乘以间隔件的填充因子等于或大于10MPa，其中填充因子是与均匀厚度层接触的间隔件面积和与均匀厚度层接触的总板面积的比率。在某些实施例中，对于柔性板，柔性板的厚度乘以柔性板的杨氏模量在60至750GPa-μm的范围内。在某些实施例中，对于柔性板，间隔件间距(ISD)的四次方除以柔性板的厚度(h)和柔性板的杨氏模量(E)，ISD4/(hE)，等于或小于106um3/GPa。
在某些实施例中，一个或两个板包含位于板的表面上或内部的位置标记物，位置标记物提供板的位置的信息。在某些实施例中，一个或两个板包含位于板的表面上或内部的刻度标记物，刻度标记物提供样品和/或板的结构的横向尺寸的信息。在某些实施例中，一个或两个板包含位于板的表面上或内部的成像标记物，成像标记物辅助样品的成像。在某些实施例中，间隔件充当位置标记物、刻度标记物、成像标记物或其任何组合。
在某些实施例中，均匀厚度层的平均厚度约等于样品中分析物的最小尺寸。在某些实施例中，间隔件间距在7μm至50μm的范围内。在某些实施例中，间隔件间距在50μm至120μm的范围内。在某些实施例中，间隔件间距在120μm至200μm(微米)的范围内。在某些实施例中，间隔件间距基本上是固定间隔的。在某些实施例中，间隔件是具有选自圆形、多边形、正圆形、正方形、矩形、卵形、椭圆形或其任何组合的横截面形状的柱。
在某些实施例中，间隔件具有柱状形状且具有基本上平坦的顶部表面，其中对于每一间隔件，间隔件的横向尺寸与其高度的比率至少为1。在某些实施例中，每一间隔件具有间隔件的横向尺寸与其高度的比率至少为1。在某些实施例中，间隔件的最小横向尺寸小于或基本上等于样品中分析物的最小尺寸。在一些实施例中，间隔件的最小横向尺寸在0.5um至100um的范围内。在一些实施例中，间隔件的最小横向尺寸在0.5um至10um的范围内。
在某些实施例中，样品是血液。在某些实施例中，样品是未被液体稀释的全血。在某些实施例中，样品选自以下的生物样品：羊水，房水，玻璃体液，血液(例如，全血、分级分离的血液、血浆或血清)，母乳，脑脊髓液(CSF)，耳垢(耳屎)，乳糜，食糜，内淋巴，外淋巴，粪便，呼吸，胃酸，胃液，淋巴液，粘液(包括鼻引流和痰)，心包液，腹膜液，胸膜液，脓液，风湿液，唾液，呼出的冷凝物，皮脂，精液，痰，汗液，滑液，泪液，呕吐物和尿液。在某些实施例中，样品是生物样品、环境样品、化学样品或临床样品。
在某些实施例中，间隔件具有柱形形状，并且所述间隔件的侧壁角具有曲率半径至少为1m的圆形形状。在某些实施例中，间隔件具有至少100/mm2的密度。在某些实施例中，间隔件具有至少1000/mm2的密度。在某些实施例中，板中的至少一个是透明的。在某些实施例中，板中的至少一个由柔性聚合物制成。在某些实施例中，对于压缩板的压力，间隔件是不可压缩的和/或，独立地，板中只有一个是柔性的。在某些实施例中，柔性板具有在10μm至200μm范围内的厚度。在某些实施例中，该变化小于30％。在某些实施例中，该变化小于10％。在某些实施例中，该变化小于5％。
在某些实施例中，第一板和第二板连接并且被配置为通过折叠板而从开放构造改变到闭合构造。在某些实施例中，第一板和第二板通过铰链连接并且被配置为通过沿着铰链折叠板而从开放构造改变到闭合构造。在某些实施例中，第一板和第二板通过铰链连接，并且配置成通过沿着铰链折叠板而从开放构造改变到闭合构造，铰链是与板分离的材料。在某些实施例中，第一板和第二板由单片材料制成，并且被配置为通过折叠板而从开放构造改变到闭合构造。在某些实施例中，均匀厚度样品层在至少1mm2的横向面积上是均匀的。
在某些实施例中，装置被配置为在60秒或更短时间内分析样品。在某些实施例中，在闭合构造下，最终样品厚度装置被配置为在60秒或更短时间内分析样品。在某些实施例中，在闭合构造下，最终样品厚度装置被配置为在10秒或更短时间内分析样品。
在某些实施例中，干结合位点包含捕获剂。在某些实施例中，干结合位点包含抗体或核酸。在某些实施例中，可释放干试剂是标记的试剂。在某些实施例中，可释放干试剂是荧光标记的试剂。在某些实施例中，可释放干试剂是荧光标记的抗体。在某些实施例中，可释放干试剂是细胞染色剂。在某些实施例中，可释放干试剂是细胞裂解剂。
在某些实施例中，检测器是检测光信号的光检测器。在某些实施例中，检测器是检测电信号的电检测器。在某些实施例中，通过直接压印板或注射模制板而将间距固定在板上。在某些实施例中，板和间隔件的材料选自聚苯乙烯、PMMA、PC、COC、COP或其它塑料。
在本公开的某些实施例中，一种用于使用移动电话快速分析样品的系统可以包含任何先前实施例的装置。在本公开的某些实施例中，一种用于使用移动电话快速分析样品的系统可以包含移动通信装置。在某些实施例中，移动通信装置可以包含用于对样品进行检测和/或成像的一个或多个照相机。在某些实施例中，移动通信装置可以包含用于接收和/或处理检测的信号和/或样品的图像以及用于远程通信的电子器件、信号处理器、硬件和软件。在某些实施例中，移动通信装置可以包含来自移动通信装置或外部源的光源。在相同的实施例中，任何先前实施例的装置或方法中的检测器由移动通信装置提供，并且在闭合构造下检测样品中的分析物。
在某些实施例中，板中的一个具有结合分析物的结合位点，其中均匀厚度样品层的至少一部分在结合位点上方，并且基本上小于结合位点的平均横向线性尺寸。在某些实施例中，本发明的任何系统可包含被配置为固持样品并安装到移动通信装置的壳体。在某些实施例中，壳体包含用于促进移动通信装置对样品的成像和/或信号处理的光学器件，以及被配置为将光学器件固持在移动通信装置上的底座。在某些实施例中，光学器件在壳体中的元件是相对于壳体可移动的。在某些实施例中，移动通信装置被配置为将测试结果传送给医务人员、医疗机构或保险公司。在某些实施例中，移动通信装置还被配置为将关于测试和受试者的信息与医务人员、医疗设施或保险公司通信。在某些实施例中，移动通信装置还被配置为将测试的信息传送到云网络，云网络处理信息以改进测试结果。在某些实施例中，移动通信装置还被配置为将测试和受试者的信息传送到云网络，云网络处理信息以改进测试结果，并且改进的测试结果将发送回受试者。在某些实施例中，移动通信装置被配置为从医务人员接收处方、诊断或建议。在某些实施例中，移动通信装置被配置为具有硬件和软件以捕获样品的图像。在某些实施例中，移动通信装置被配置为具有硬件和软件以分析图像中的测试位置和控制位置。在某些实施例中，移动通信装置被配置为具有硬件和软件以将从测试位置的分析获得的值与表征快速诊断测试的阈值进行比较。
在本公开的某些实施例中，板中的至少一个包含储存测定试剂的储存位点。在某些实施例中，照相机中的至少一个从装置中读取信号。在某些实施例中，移动通信装置经由wifi或蜂窝网络与远程位置通信。在某些实施例中，移动通信装置是移动电话。
在本公开的某些实施例中，一种用于使用移动电话快速分析样品中的分析物的方法可以包含将样品沉积在任何先前系统实施例的装置上。在本公开的某些实施例中，一种用于使用移动电话快速分析样品中的分析物的方法可以包含测定沉积在装置上的样品中的分析物以产生结果。在本公开的某些实施方式中，使用移动电话快速分析样品中的分析物的方法可以包含将结果从移动通信装置传送到远离移动通信装置的位置。
在某些实施例中，分析物包括具有不同形状的分子(例如，蛋白质、肽、DNA、RNA、核酸或其它分子)，细胞，组织，病毒和纳米颗粒。在某些实施例中，分析物包含白细胞、红细胞和血小板。在某些实施例中，述测定包含进行白细胞差异测定。在某些实施例中，本公开的方法可包含分析在远程位置处的结果以提供分析结果。在某些实施例中，本公开的方法可以包含将分析结果从远程位置传送到移动通信装置。在某些实施例中，分析由远程位置处的医务人员完成。在某些实施例中，移动通信装置从远程位置处的医务人员接收处方、诊断或建议。
在某些实施例中，样品是体液。在某些实施例中，体液是血液、唾液或尿液。在某些实施例中，样品是未被液体稀释的全血。在某些实施例中，测定步骤包含检测样品中的分析物。在某些实施方式中，分析物是生物标记物。在某些实施例中，分析物是蛋白质、核酸、细胞或代谢物。在某些实施例中，所述方法包含计数红细胞的数目。在某些实施例中，所述方法包含计数白细胞的数目。在某些实施例中，所述方法包含染色样品中的细胞并计数嗜中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞和嗜碱性粒细胞的数目。在某些实施例中，步骤(b)中进行的测定是结合测定或生物化学测定。
在本公开的某些实施例中，一种用于分析样品的方法可以包含获得任何先前装置实施例的装置。在本公开的某些实施例中，一种用于分析样品的方法可以包含将样品沉积到装置的一个或两个板上。在本公开的某些实施例中，一种用于分析样品的方法可以包含将板放置在闭合构造中并且在板的至少一部分上施加外力。在本公开的某些实施例中，一种用于分析样品的方法可以包含在板处于闭合构造时分析均匀厚度层。
在某些实施例中，第一板在其表面上进一步包含第一预定测定位点和第二预定测定位点，其中测定位点的边缘之间的距离基本上大于当板处于闭合位置时均匀厚度层的厚度，其中均匀厚度层的至少一部分在预定测定位点上方，并且其中样品具有能够在样品中扩散的一种或多种分析物。在某些实施例中，第一板在其表面上具有至少三个分析物测定位点，并且任何两个相邻测定位点的边缘之间的距离基本上大于当板处于闭合位置时厚度均匀层的厚度，其中厚度均匀层的至少一部分在测定位点上方，并且其中样品具有能够在样品中扩散的一种或多种分析物。在某些实施例中，第一板在其表面上具有至少两个相邻分析物测定位点，至少两个相邻分析物测定位点未隔开基本上大于当板处于闭合位置时厚度均匀层的厚度的距离，其中厚度均匀层的至少一部分在分析位点上方，并且其中样品具有能够在样品中扩散的一种或多种分析物。在某些实施例中，分析物测定区域在成对电极之间。在某些实施例中，测定区域由干燥试剂片限定。在某些实施例中，测定区域结合并固定分析物。在某些实施例中，测定区域由结合试剂片限定，结合试剂片在接触样品时溶解到样品中，扩散到样品中，并与分析物结合。在某些实施例中，间隔件间距在14μm至200μm的范围内。在某些实施例中，间隔件间距在7μm至20μm的范围内。在某些实施例中，间隔件是具有选自圆形、多边形、正圆形、正方形、矩形、卵形、椭圆形或其任何组合的横截面形状的柱。在某些实施例中，间隔件具有柱状形状并且具有基本上平坦的顶部表面，其中对于每一间隔件，间隔件的横向尺寸与其高度的比率至少为1。在某些实施例中，间隔件具有柱状形状，并且间隔件的侧壁角具有曲率半径至少为1μm的圆形形状。在某些实施例中，间隔件具有至少1000/mm2的密度。在某些实施例中，板中的至少一个是透明的。在某些实施例中，板中的至少一个由柔性聚合物制成。在某些实施例中，板中只有一个是柔性的。在某些实施例中，面积确定装置是照相机。在某些实施例中，板的样品接触区域中的面积小于样品接触区域的1/100、1/20、1/10、1/6、1/5、1/4、1/3、1/2、2/3，或在所述任何两个值之间的范围内。在某些实施例中，面积确定装置包含照相机和板的样品接触区域中的区域，其中该区域与样品接触。
在某些实施例中，可变形样品包含液体样品。在某些实施例中，不精确力具有实际施加的总力的至少30％的变化。在某些实施例中，不精确力的变化为实际施加的总力的至少20％、30％、40％、50％、60％、70％、80％、90％、100％、150％、200％、300％、500％，或在所述任两个值的范围内。在某些实施例中，间隔件具有平坦顶部。在某些实施例中，所述装置进一步被配置成在移除按压力之后具有厚度和均匀性与施加力时的厚度和均匀性基本上相同的样品厚度。在某些实施例中，不精确力由人手提供。在某些实施例中，间隔件间距基本上恒定。在某些实施例中，间隔件间距在均匀样品厚度区域的区域中基本上是固定间隔的。在某些实施例中，间隔件的填充因子与杨氏模量的乘积为2MPa或更大。在某些实施例中，通过手直接或间接施加力。在某些实施例中，所施加的力在1N至20N的范围内。在某些实施例中，所施加的力在20N至200N的范围内。在某些实施例中，非常均匀的层的厚度变化小于平均厚度的15％、10％或5％。在某些实施例中，通过将装置夹在拇指和食指之间来施加不精确力。在某些实施例中，预定样品厚度大于间隔件高度。在某些实施例中，装置在移除按压力之后将其自身保持在闭合构造中。在某些实施例中，厚度均匀样品层面积大于其上施加压力的面积。在某些实施例中，间隔件在施加按压力期间基本上不变形。在某些实施例中，按压力不是预先预定的并且不被测量。在某些实施例中，流体样品由可变形样品代替，并且用于使流体样品的至少一部分形成均匀厚度层的实施例可以使可变形样品的至少一部分形成均匀厚度层。在某些实施例中，间隔件间距是固定间隔的。在某些实施例中，间隔件具有平坦顶部。在某些实施例中，间隔件间距比样品中目标分析物尺寸大至少两倍。
Q-Card的制造
在本公开的某些实施例中，Q卡可以包含第一板。在本公开的某些实施例中，Q卡可以包含第二板。在本公开的某些实施例中，Q卡可以包含铰链。在某些实施例中，约200nm到1500nm厚的第一板在其内表面上包含(a)用于接触样品的样品接触区域，和(b)围绕样品接触区域的样品溢流阻止件，其被配置为在阻止件的外部呈现样品流；在某些实施例中，第二板为10μm至250μm厚，并且在其内表面上包含(a)用于接触样品的样品接触区域，和(b)样品接触区域上的间隔件。在某些实施例中，铰链连接第一和第二板。在某些实施例中，第一和第二板可围绕铰链的轴线相对于彼此移动。
在本公开的某些实施例中，Q卡的实施例可包含第一板。在本公开的某些实施例中，Q卡的实施例可包含第二板。在本发明的某些实施例中，Q卡的实施例可包含铰链。在某些实施例中，约200nm到1500nm厚的第一板在其内表面上包含(a)用于接触样品的样品接触区域，(b)围绕样品接触区域的样品溢流阻止件，其被配置为呈现阻止件外部的样品流，和(c)样品接触区域上的间隔件。在某些实施例中，10μm至250μm厚的第二板在其内表面上包含用于接触样品的样品接触区域。在某些实施例中，铰链连接第一板和第二板。在某些实施例中，第一和第二板可围绕铰链的轴线相对于彼此移动。
在本公开的某些实施例中，Q卡的实施例可包含第一板。在本公开的某些实施例中，Q卡的实施例可包含第二板。在本发明的某些实施例中，Q卡的实施例可包含铰链。在某些实施例中，约200nm至1500nm厚的第一板在其内表面上包含(a)用于接触样品的样品接触区域，和(b)样品接触区域上的间隔件。在某些实施例中，10μm到250μm厚的第二板在其内表面上包含(a)用于接触样品的样品接触区域，和(b)围绕样品接触区域的样品溢流阻止件，其被配置为呈现阻止件外部的样品流。在某些实施例中，铰链连接第一板和第二板。在某些实施例中，第一和第二板可围绕铰链的轴线相对于彼此移动。
在本公开的某些实施例中，Q卡的实施例可包含第一板。在本公开的某些实施例中，Q卡的实施例可包含第二板。在本公开的某些实施例中，Q卡的实施例可包含铰链。在某些实施例中，约200nm至1500nm厚的第一板在其内表面上包含用于接触样品的样品接触区域。在某些实施例中，10μm到250μm厚的第二板在其内表面上包含(a)用于接触样品的样品接触区域，(b)围绕样品接触区域的样品溢流阻止件，其被配置为呈现阻止件外部的样品流部，和(c)样品接触区域上的间隔件。在某些实施例中，铰链连接第一板和第二板。在某些实施例中，第一和第二板可围绕铰链的轴线相对于彼此移动。
在本公开的某些实施例中，一种用于制造本公开的任何Q卡的方法可包含注射模制第一板。在本公开的某些实施例中，一种用于制造本公开的任何Q卡的方法可包含纳米压印或挤压印刷第二板。
在本公开的某些实施例中，一种用于制造本公开的任何Q卡的方法可以包含激光切割第一板。在本发明的某些实施例中，一种用于制造本发明的任何Q卡的方法可包含纳米压印或挤压印刷第二板。
在本公开的某些实施例中，一种用于制造本公开的任何Q卡的方法可包含注射模制和激光切割第一板。在本公开的某些实施例中，一种用于制造本公开的任何Q卡的方法可包含纳米压印或挤压印刷第二板。
在本公开的某些实施例中，一种用于制造本公开的任何Q卡的方法可包含纳米压印或挤压印刷以制造第一和第二板两者。
在本公开的某些实施例中，一种用于制造本公开的任何Q卡的方法可包含使用注射模制，激光切割第一板，纳米压印，挤压印刷或其组合来制造第一板或第二板。
在本公开的某些实施例中，一种用于制造本公开的任何Q卡的方法可以包含在制造第一和第二板之后将铰链附接到第一和第二板上的步骤。
压缩调节开放流(CROF)
在测定中，样品或试剂的操作可以导致测定的改进。该操纵包括但不限于操纵样品和/或试剂的几何形状和位置，样品与试剂的混合或结合，以及试剂样品与板的接触区域。
本发明的许多实施例使用称为“压缩调节开放流(CROF)”的方法和执行CROF的装置来操纵样品和/或试剂的几何尺寸、位置、接触区域以及混合。
术语“压缩开放流(COF)”是指通过以下方式改变沉积在板上的可流动样品的形状的方法：(i)将另一个板放置在样品的至少一部分的顶部上，和(ii)然后通过将两个板朝向彼此推动而在两个板之间压缩样品；其中该压缩减小了样品的至少一部分的厚度并且使得样品流入板之间的开放空间中。
术语“压缩调节开放流”或“CROF”(或“自校准压缩开放流”或“SCOF”或“SCCOF”)是指特定类型的COF，其中在压缩之后部分或整个样品的最终厚度由间隔件“调节”，其中间隔件放置在两个板之间。
CROF中的术语“部分或整个样品的最终厚度通过间隔件调节”是指在CROF处理中，一旦达到特定的样品厚度，两个板的相对移动以及因此样品厚度的变化停止，其中特定厚度由间隔件确定。
如图7所示，CROF方法的一个实施例包含：
(a)获得可流动的样品；
(b)获得可相对于彼此移动成不同构造的第一板和第二板，其中每个板具有基本上平坦的样品接触表面，其中板中的一个或两个包含间隔件并且间隔件具有预定高度，并且间隔件位于相应的样品接触表面上；
(c)当板配置为开放构造时，将样品沉积在板中的一个或两个上；其中开放构造是其中两个板部分地或完全地分开并且板之间的间距不通过间隔件调节的构造；以及
(d)在(c)之后，通过使板形成闭合构造来铺展样品，其中，在闭合构造中，板彼此面对，间隔件和样品的相关体积在板之间，样品的相关体积的厚度通过板和间隔件调节，其中相关体积是样品的整个体积的至少一部分，并且其中在样品铺展期间，样品在两个板之间横向流动。
除非另外指明，否则术语“板”是指在CROF处理中使用的板，其是具有可与另一板一起用于压缩放置在两个板之间的样品以减小样品厚度的表面的固体。
术语“板”或“成对板”是指CROF处理中的两个板。
术语“第一板”或“第二板”是指在CROF处理中使用的板。
术语“板彼此面对”是指其中成对板至少部分地彼此面对的情况。
除非另有说明，术语“间隔件”或“止动件”是指当放置在两个板之间时对两个板之间的最小间距设定限制的机械物体，当将两个板压缩在一起时可以达到该限制。即，在压缩过程中，间隔件将停止两个板的相对运动，以防止板间距变得小于预设(即预定)值。有两种类型的间隔件：“开放间隔件”和“封闭间隔件”。
术语“开放间隔件”意指间隔件具有允许液体围绕间隔件的整个周边流动并流动通过间隔件的形状。例如，柱是开放间隔件。
术语“封闭间隔件”是指具有液体不能流过间隔件的整个周边并且不能流过间隔件的形状的间隔件。例如，环形间隔件是用于环内的液体的封闭间隔件，其中，环形间隔件内的液体保持在环内，并且不能流到外部(外周边)。
术语“间隔件具有预定高度”和“间隔件具有预定间隔件间距”分别意指间隔件高度和间隔件间距的值在CROF处理之前是已知的。如果在CROF处理之前间隔件高度和间隔件间距的值未知，则其不是预定的。例如，在将珠粒作为间隔件喷射在板上的情况下，在珠粒落在板的随机位置上的情况下，间隔件间距不是预定的。不预定的间隔件间距的另一示例是间隔件在CROF处理期间移动。
在CROF处理中，术语“间隔件固定在其相应的板上”意味着间隔件附接到板的位置，并且在CROF处理中保持到该位置的附接(即，间隔件在相应的板上的位置不改变)。“间隔件与其相应的板固定”的示例是间隔件由板的一件材料整体制成，并且间隔件相对于板表面的位置在CROF期间不改变。“间隔件不与其相应的板固定”的示例是间隔件通过粘合剂粘合到板，但是在板的使用期间，在CROF期间，粘合剂不能将间隔件保持在板表面上的原始位置，并且间隔件移动离开板表面上的原始位置。
术语“间隔件整体地固定至板”是指间隔件和板的行为类似于单件物体，其中，在使用期间，间隔件不从其在板上的原始位置移动或分离。
在CROF处理中的两个板的术语“开放构造”是指这样的构造，其中两个板部分地或完全地分开，并且板之间的间隔不通过间隔件调节。
在CROF处理中的两个板的术语“闭合构造”意指其中板彼此面对，间隔件和样品的相关体积在板之间，样品的相关体积的厚度通过板和间隔件调节的构造，其中相关体积是样品的整个体积的至少一部分。
在CROF处理中，术语“样品厚度通过板和间隔件调节”是指，对于板、样品、间隔件和板压缩方法的给定条件，在板的闭合构造下样品的至少一个端口的厚度可以根据间隔件和板的性质预定。
在CROF装置中，板的术语“内表面”或“样品表面”是指板的接触样品的表面，而板的另一表面(不接触样品)称为“外表面”。
CROF装置的术语“X板”是指包含位于板的样品表面上的间隔的板，其中间隔件具有预定间隔件间距和间隔件高度，并且其中间隔件中的至少一个在样品接触区域内。
术语“CROF装置”是指执行CROF处理的装置。术语“CROFed”是指使用CROF处理。例如，术语“样品是CROFed”意指将样品放置在CROF装置内，进行CROF处理，并且除非另外说明，否则将样品保持在CROF的最终构造。
术语“CROF板”是指用于进行CROF处理的两个板。
术语平坦表面的“表面平滑度”或“表面平滑度变化”是指平坦表面在大约或小于几微米的短距离上与完美平坦平面的平均偏差。表面平滑度与表面平整度变化不同。平坦表面可具有良好的表面平整度，但表面光滑度差。
术语平坦表面的“表面平整度”或“表面平整度变化”是指在大约或大于10μm的长距离上平坦表面与完美平坦平面的平均偏差。表面平整度变化与表面光滑度不同。平坦表面可以具有良好的表面光滑度，但是较差的表面平整度(即，较大的表面平整度变化)。
术语板或样品的“相对表面平整度”是板表面平整度变化与最终样品厚度的比率。
除非另外指明，否则CROF处理中的术语“最终样品厚度”是指CORF处理中板的闭合构造处的样品厚度。
CROF中的术语“压缩方法”是指将两个板从开放构造到闭合构造的方法。
术语板的“感兴趣的区域”或“关注的区域”是指与板执行的功能相关的板的区域。
术语“至多”意指“等于或小于”。例如，间隔件高度至多为1μm，这意味着间隔件高度等于或小于1μm。
术语“样品面积”是指样品在大致平行于板之间的空间并垂直于样品厚度的方向上的面积。
术语“样品厚度”是指垂直于彼此面对的板的表面的方向(例如，板之间的间距的方向)上的样品尺寸。
术语“板间距”是指两个板的内表面之间的距离。
CROF中的术语“最终样品厚度的偏差”意指预定间隔件高度(由间隔件的制造确定)与最终样品厚度的平均值之间的差，其中在给定面积(例如，在1.6cm×1.6cm面积上方，25个不同点(间隔4mm)的平均值)上平均最终样品厚度。
CROF处理中的术语“测量的最终样品厚度的均匀性”意指在给定样品区域上测量的最终样品厚度的标准偏差(例如，相对于平均值的标准偏差)。
CROF处理中的术语“样品的相关体积”和“样品的相关面积”分别指CROF处理中沉积在板上的部分或全部体积的样品的体积和面积，其与通过相应的方法或装置进行功能相关，其中功能包括但不限于减少分析物或实体的结合时间，检测分析物，定量体积，定量浓度，混合试剂或控制浓度(分析物、实体或试剂)。
除非另外具体说明，否则本发明中的术语“一些实施例”，“在一些实施例中”，“在本发明的一些实施例中”，“实施例”，“一个实施例”，“另一实施例”，“某些实施例”，“许多实施例”等是指应用于整个公开(整个发明)的实施例。
除非特别说明，否则在CROF处理中物体的术语“高度”或“厚度”是指物体在垂直于板表面的方向上的尺寸。例如，间隔件高度是间隔件在垂直于板表面的方向上的尺寸，并且间隔件高度和间隔件厚度意味着相同的事情。
除非特别说明，否则在CROF处理中物体的术语“区域”是指与板的表面平行的物体的区域。例如，间隔件区域是平行于板表面的间隔件区域。
除非特别说明，否则CROF处理中的术语“横向”是指平行于板表面的方向。
除非特别说明，否则在CROF处理中间隔件的术语“宽度”是指间隔件的横向尺寸。
术语“样品内部的间隔件”意指间隔件被样品包围(例如，样品内部的柱间隔件)。
在CROF处理中板的术语“临界弯曲跨距”是指两个支撑件之间的板的跨距(即距离)，在该跨距下，对于给定的柔性板、样品和压缩力，板的弯曲等于所允许的弯曲。例如，对于给定的柔性板、样品和压缩力，如果允许的弯曲为50nm并且临界弯曲跨度为40μm，则间隔开的两个相邻间隔件40μm之间的板的弯曲将为50nm，并且如果两个相邻间隔件小于40μm，则弯曲将小于50nm。
用于样品的术语“可流动的”意指当样品的厚度减少时，横向尺寸增加。例如，粪便样品被认为是可流动的。
在本发明的一些实施例中，CROF处理的样品不能流动以受益于该处理，只要经CROF处理下可以减小样品厚度即可。例如，为了通过将染料放置在CROF板的表面上来染色组织，CROF处理可以减小组织厚度并且因此加速用于染料染色的饱和孵育时间。
“CROF卡(或卡)”，“COF卡”，“QMAX-Card”，“Q卡”，“CROF装置”，“COF装置”，“QMAX装置”，“CROF板”，“COF板”和“QMAX板”可互换，但在一些实施例中COF卡不包含间隔件；并且术语是指包含第一板和第二板的装置，第一板和第二板可相对于彼此移动成不同的构造(包括开放构造和闭合构造)，并且包含调节板之间的间隔的间隔件(COF的一些实施例除外)。术语“X板”是指CROF卡中的两个板之一，其中间隔件固定到所述板。COF卡、CROF卡和X板的更多描述在2017年2月7日提交的临时申请序列第62/456065号中进行描述，出于所有目的将该申请的全部内容并入本文。
(1)尺寸
本文公开的装置、设备、系统和方法可包括或使用QMAX装置，QMAX装置可以包括板和间隔件。在一些实施例中，QMAX装置的各个部件的尺寸及其适配器在2016年8月10日提交的PCT申请(指定美国)第PCT/US2016/045437和2016年12月9日提交的美国临时申请第62,431,639和2017年2月8日提交的第62/456,287号中列出、描述和/或概述，这些申请在此全文引入作为参考。
在一些实施例中，尺寸列于下表中：
板：
Figure BDA0002551814940000301
Figure BDA0002551814940000311
Figure BDA0002551814940000321
凹口：
Figure BDA0002551814940000331
插座插槽
Figure BDA0002551814940000341
(2)云
本文公开的装置/设备、系统和方法可以采用云技术进行数据传输、存储和/或分析。相关的云技术在分别于2016年8月10日和2016年9月14日提交的PCT申请No.PCT/US2016/045437和No.PCT/US0216/051775，2017年2月7日提交的美国临时申请No.62/456065，2017年2月8日提交的美国临时申请No.62/456287，以及2017年2月8日提交的美国临时申请No.62/456504中公开、列出、描述和/或概括，所有这些申请出于所有目的以其整体并入本文。
在一些实施例中，云存储和计算技术可以涉及云数据库。仅作为示例，云平台可包括私有云、公共云、混合云、社区云、分布式云、云间、多云等，或它们的任何组合。在一些实施例中，移动装置(例如智能电话)可以通过任何类型的网络连接到云，包括局域网(LAN)或广域网(WAN)。
在一些实施例中，与样品相关的数据(例如，样品的图像)被发送到云中而无需移动装置的处理，并且可以远程地进行进一步的分析。在一些实施例中，与样品相关的数据由移动装置处理，并且结果被发送到云。在一些实施例中，原始数据和结果都被发送到云。

Claims (48)

1.一种用于计数样品中的细胞的设备，其包含：
(a)样品保持器，其包含第一板、第二板和间隔件，第一板、第二板和间隔件，其中：
i.所述板可相对于彼此移动成不同的构造；
ii.一个或两个板是柔性的；
每个所述板在其相应的表面上具有用于接触含有或疑似含有待计数的细胞的样品的样品接触区域，
iii.一个或两个板是透明的；
iv.所述板中的一个或两个包含与相应的样品接触区域固定的间隔件，其中所述间隔件具有柱形形状、基本上平坦的顶部表面，以及预定的基本上均匀的高度，其中所述间隔件中的至少一个在所述样品接触区域内，并且其中所述间隔件的杨氏模量乘以所述间隔件的填充因子等于或大于2MPa；
其中所述填充因子是间隔件接触面积与总板面积的比率；
其中所述构造中的一个是开放构造，其中，所述两个板是分开的，所述板之间的间距不通过所述间隔件调节，并且所述样品沉积在所述板中的一个或两个上；以及
其中所述构造中的另一个是闭合构造，所述闭合构造在样品在所述开放构造中沉积之后配置；以及在所述闭合构造中，所述样品的至少一部分通过所述两个板压缩为均匀厚度为200μm或更小的薄层，其中所述层的均匀厚度通过所述板的样品接触表面限制并且通过所述板和所述间隔件调节；
(b)成像器，其被配置为对着所述样品的区域(感兴趣的区域AOI)；以及
(c)包含计算机程序的计算机可读存储介质或存储器储存单元，其中所述计算机程序包含用于计数细胞的机器学习和图像处理的算法，并且其中所述算法在分析中使用所述间隔件的图像，用于检测或计数细胞。
2.一种用于计数样品中的细胞的方法，包含：
(q)接收含有或疑似含有待检测和计数的细胞的样品；
(r)将所述样品添加到样品保持器，使所述样品形成薄层；
(s)使用成像器对样品保持器中的样品的区域(感兴趣的区域AOI)进行成像；
(t)分析(c)中的所述图像以检测和/或计数细胞；其中所述分析包含用于计数细胞的机器学习和图像处理的算法，并且其中所述算法在分析中使用所述间隔件的图像，用于检测或计数细胞；
其中所述样品保持器包含第一板、第二板和间隔件，其中：
i.所述板可相对于彼此移动成不同的构造；
ii.一个或两个板是柔性的；
iii.所述板中的每个在其相应的表面上具有用于接触含有或疑似含有待计数的细胞的样品的样品接触区域，
iv.一个或两个板是透明的；
v.所述板中的一个或两个包含与相应的样品接触区域固定的间隔件，其中所述间隔件具有柱状形状、基本上平坦的顶部表面，以及预定的基本上均匀的高度，其中所述间隔件中的至少一个在所述样品接触区域内，并且其中所述间隔件的杨氏模量乘以所述间隔件的填充因子等于或大于2MPa；
其中所述填充因子是间隔件接触面积与总板面积的比率；
其中所述构造中的一个是开放构造，其中，所述两个板是分开的，所述板之间的间距不通过所述间隔件调节，并且所述样品沉积在所述板中的一个或两个上；以及
其中所述构造中的另一个是闭合构造，所述闭合构造在样品在所述开放构造中沉积之后配置；以及在所述闭合构造中，所述样品的至少一部分通过所述两个板压缩为均匀厚度为200μm或更小的薄层，其中所述层的均匀厚度通过所述板的样品接触表面限制并且通过所述板和所述间隔件调节。
3.如以上任一权利要求所述的设备和方法，其中所述细胞是血细胞。
4.如以上任一权利要求所述的设备和方法，其中所述成像能够对所述样品区域的局部区域成像。
5.如以上任一权利要求所述的设备和方法，其中，其进一步包含分析检测的细胞的细胞位置、计数、浓度的步骤。
6.如以上任一权利要求所述的方法，进一步包含使用预测来生成热图。
7.如以上任一权利要求所述的方法，进一步包含将所述血细胞的中心位置、计数和浓度储存在储存装置中的步骤。
8.如以上任一权利要求所述的方法，进一步包含在计算机或移动装置的屏幕上显示测试结果的步骤。
9.如以上任一权利要求所述的方法，其中注释步骤包含：
(a)收集多个AoI上的多个伪2D图像；以及
(b)对所述图像中的血细胞进行标记，生成注释的数据集。
10.如以上任一权利要求所述的方法，其中，所述伪2D数据用于通过以下各项来检测局部信号峰，以：
vii.信号列表处理，或
Viii.局部搜索处理；以及
ix.基于局部信号峰信息和与测定中的AoI相关的样品体积计算被捕获的血细胞的量。
11.如以上任一权利要求所述的方法，其中，所述信号列表处理包含：
c.通过检测2D数据阵列中的局部峰来建立信号列表；
d.计算所述检测的局部峰周围的局部区域；以及
e.将所述检测的峰和所述局部区域数据按等级次序移除到所述信号列表中；以及
f.依次重复地从信号列表中移除最高信号并从所述最高信号周围移除信号，从而检测局部信号峰。
12.如以上任一权利要求所述的方法，其中，所述局部搜索处理包含：
e.从随机点开始在所述2D数据阵列中搜索局部最大值；
f.计算所述峰周围但数值较小的局部区域；
g.从所述2D数据阵列中移除所述局部最大值和所述周围较小值；以及
h.重复步骤a-c以检测局部信号峰。
13.一种系统，包含QMAX装置；成像器；以及计算单元，其中：
(d)所述QMAX装置被配置为将至少部分测试样品压缩成厚度非常均匀的层；
(e)所述成像器被配置为用于在所述均匀厚度的层处产生所述样品的图像，其中所述图像包括来自所述测试样品中的分析物的可检测信号；
(f)所述计算单元被配置为：
v.从所述成像器接收所述图像；
vi.用检测模型分析所述图像并生成所述图像的2D数据阵列，其中所述2D数据阵列包括所述分析物在所述图像中的每个位置处的概率或可能性数据，并且所述检测模型通过训练过程建立，所述训练过程包含：
i.将注释的数据集馈送到卷积神经网络，其中所述注释的数据集来自与所述测试样品类型相同且针对相同分析物的样品；以及
ii.通过卷积来训练并建立所述检测模型；
iii.测试时，将所述数据馈送到所述模型，通过信号列表处理来生成和分析所述2D数据阵列以检测局部信号峰，或通过局部搜索处理来检测所述分析物；以及
iv.基于局部信号峰信息和所述分析物与测定体积的关系来计算正被检测的分析物的量。
14.如以上任一权利要求所述的方法和系统，其中所述成像器包含照相机。
15.如以上任一权利要求所述的方法和系统，其中所述照相机是例如智能电话之类的移动通信装置的一部分。
16.如以上任一权利要求所述的方法和系统，其中所述计算单元是移动通信装置的一部分。
17.如以上任一权利要求所述的方法和系统，其中使用一种用于数据分析的计算机视觉和深度学习的混合方法，其包含：
(k)接收测试样品的图像，其中，所述样品被添加到QMAX装置中，并且所述图像由连接到所述QMAX装置的成像器拍摄，其中所述图像包括来自所述测试样品中的分析物的可检测信号；
(1)使用检测算法分析所述图像，所述检测算法基于分析物的特性找到可能的候选物；
(m)用定位算法分析所述图像，所述定位算法通过提供所述分析物的每个可能的候选物的边界或含有所述分析物的每个可能的候选物的紧边框来定位所述分析物的每个可能的候选物；
(n)用深度学习算法分析所述图像，所述深度学习算法将每个可能的候选物分类为真分析物和假分析物；
(o)输出所述真分析物的位置、所述真分析物的总计数和所述分析物在所述测定中的浓度。
18.如以上任一权利要求所述的方法和系统，其中所述检测基于所述分析物结构(例如，边缘检测、线检测、圆检测等)。
19.如以上任一权利要求所述的方法和系统，其中，所述检测基于连接性(例如，斑点检测、连接部件、轮廓检测等)。
20.如以上任一权利要求所述的方法和系统，其中所述连接性是斑点检测、连接部件或轮廓检测。
21.如以上任一权利要求所述的方法和系统，其中所述检测基于强度、颜色、形状，使用诸如自适应阈值化之类的方案。
22.如以上任一权利要求所述的方法和系统，其中所述检测通过预处理方案来增强。
23.如以上任一权利要求所述的方法和系统，其中所述定位基于对象分割算法，所述对象分割算法选自由以下各项组成的群组：自适应阈值化、背景减除、漫水填充、均值偏移，以及分水线。
24.如以上任一权利要求所述的方法和系统，所述定位与检测组合以产生所述检测结果以及所述分析物的每种可能的候选物的位置。
25.如以上任一权利要求所述的方法和系统，其中所述检测和分类基于机器学习。
26.如权利要求20所述的方法和系统，其中所述机器学习是卷积神经网络。
27.如以上任一权利要求所述的方法和系统，其中所述装置的一个板是透明的，使得所述板上的所述AoI(感兴趣区域)能够被成像以揭示夹在两个间隔狭窄的板之间的所述分析物的伪2D层。
28.如以上任一权利要求所述的方法和系统，其中所述一般是诊断、化学或生物测试。
29.一种利用用于数据分析的深度学习方法在微观细胞分布水平上检测、定位、计数和获得所有类型的分析物浓度的机器学习框架，包含：
(a)接收测试样品的图像，其中，所述样品被添加到QMAX装置中，并且所述图像由连接到所述QMAX装置的成像器拍摄，其中所述图像包括来自所述测试样品中的分析物的可检测信号；
(b)使用检测模型分析所述图像并生成所述图像的2D数据阵列，其中所述2D数据阵列包括所述分析物在所述图像中的每个位置处的概率数据，并且所述检测模型通过训练过程建立，所述训练过程包含：
iii.将注释的数据集馈送到卷积神经网络，其中所述注释的数据集来自与所述测试样品类型相同并且含有与用于测定的分析物类型相同的样品；以及
iv.通过卷积来训练并建立所述检测模型；以及
(c)通过以下各项来分析所述2D数据阵列以检测局部信号峰：
a.信号列表处理，或
b.局部搜索处理；以及
(g)基于局部信号峰信息来计算所述分析物的量。
30.如权利要求27所述的机器学习框架，其中所述信号列表处理包含：
(a)通过从2D数据阵列中迭代检测局部峰来建立信号列表，计算所述检测的局部峰周围的局部区域，将所述检测的峰和所述局部区域数据依次移除到所述信号列表中；以及
(b)循序重复地从所述信号列表中移除最高信号以及从所述最高信号周围移除信号，从而检测局部信号峰。
31.如权利要求27所述的机器学习框架，其中，所述局部搜索处理包含：
(a)从随机点开始在所述2D数据阵列中搜索局部最大值；
(b)计算所述峰周围但数值较小的局部区域；
(c)从所述2D数据阵列中移除所述局部最大值和所述周围较小值；以及
(d)重复步骤i-iii以检测局部信号峰。
32.如权利要求27所述的机器学习框架，其中，在注释之前对所述注释的数据集进行分区。
33.一种用于数据分析的系统，包含：
QMAX装置；成像器；以及计算单元，其中：
(a)所述QMAX装置被配置为将至少部分测试样品压缩成厚度非常均匀的层；
(b)所述成像器被配置为用于在所述均匀厚度的层处产生所述样品的图像，其中所述图像包括来自所述测试样品中的分析物的可检测信号；
(c)所述计算单元被配置为：
i.从所述成像器接收所述图像；
ii.用检测模型分析所述图像并生成所述图像的2D数据阵列，其中所述2D数据阵列包括所述分析物在所述图像中的每个位置处的概率数据，并且通过训练过程来建立所述检测模型，所述训练过程包含：将注释的数据集馈送到卷积神经网络，其中所述注释的数据集来自与所述测试样品类型相同并且含有与用于测定的分析物类型相同的样品；通过卷积来训练并建立所述检测模型；以及
iii.利用信号列表处理或局部搜索处理对二维数据阵列进行分析以检测局部信号峰值；以及
iv.基于局部信号峰信息来计算所述分析物的量。
34.如权利要求31所述的系统，其中所述成像器包含照相机。
35.如权利要求31所述的系统，其中所述照相机是移动通信装置的一部分。
36.如权利要求31所述的系统，其中所述计算单元是移动通信装置的一部分。
37.一种用于数据分析的计算机视觉和深度学习的混合方法，包含：
(a)接收测试样品的图像，其中，所述样品被添加到QMAX装置中，并且所述图像由连接到所述QMAX装置的成像器拍摄，其中所述图像包括来自所述测试样品中的分析物的可检测信号；
(b)使用检测算法分析所述图像，所述检测算法基于分析物的特性找到可能的候选物；
(c)用定位算法分析所述图像，所述定位算法通过提供所述分析物的每个可能的候选物的边界或含有所述分析物的每个可能的候选物的紧边框来定位所述分析物的每个可能的候选物；
(d)用深度学习算法分析所述图像，所述深度学习算法将每个可能的候选物分类为真分析物和假分析物；以及
(e)输出所述真分析物的位置和所述真分析物的总计数。
38.如权利要求35所述的系统，其中所述检测基于所述分析物结构(例如，边缘检测、线检测、圆检测等)。
39.如权利要求35所述的系统，其中所述检测基于连接性(例如，斑点检测、连接部件、轮廓检测等)。
40.如权利要求35所述的系统，其中所述检测基于强度、颜色、形状，使用诸如自适应阈值化等方案。
41.如权利要求35所述的系统，其中所述检测通过预处理方案来增强。
42.如权利要求35所述的系统，其中所述定位基于对象分割算法，例如自适应阈值化、背景减除、漫水填充、均值偏移、分水线等。
43.如权利要求35所述的系统，其中所述定位与检测组合以产生检测结果以及所述分析物的每种可能的候选物的位置。
44.如权利要求35所述的系统，其中所述分类基于深度学习，例如卷积神经网络。
45.一种非暂时性计算机可读介质，其包含可由机器执行以进行用于支持工作流的步骤的指令程序，所述步骤包含：
(a)接收含有分析物的伪2D对象的图像；
(b)从所述图像生成所述伪2D对象的列表；
(c)基于以下各项来注释所述分析物的数据集：
(i)所述分析物的浓度；以及
(ii)所述分析物的位置；
(d)将所述注释的图像馈送到卷积神经网络，对所述伪2D数据进行分析；以及
(e)执行机器学习以生成用于对所述图像进行像素级预测的检测模型。
46.如权利要求43所述的非暂时性计算机可读介质，进一步包含使用所述预测来生成热图的步骤。
47.如权利要求43所述的非暂时性计算机可读介质，进一步包含将所述血细胞的中心位置、计数和浓度储存在储存装置中的步骤。
48.如权利要求43所述的非暂时性计算机可读介质，其进一步包含在计算机或移动装置的屏幕上显示所述测试结果的步骤。
CN201880083333.1A 2017-10-26 2018-10-26 使用crof和机器学习的基于图像测定的系统和方法 Pending CN112689757A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762577481P 2017-10-26 2017-10-26
US62/577,481 2017-10-26
PCT/US2018/057877 WO2019084517A1 (en) 2017-10-26 2018-10-26 SYSTEM AND METHODS FOR IMAGE-BASED ANALYSIS USING MACHINE LEARNING AND CROF

Publications (1)

Publication Number Publication Date
CN112689757A true CN112689757A (zh) 2021-04-20

Family

ID=66246761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880083333.1A Pending CN112689757A (zh) 2017-10-26 2018-10-26 使用crof和机器学习的基于图像测定的系统和方法

Country Status (5)

Country Link
US (1) US20200256856A1 (zh)
EP (1) EP3701260A4 (zh)
JP (1) JP2021500901A (zh)
CN (1) CN112689757A (zh)
WO (1) WO2019084517A1 (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3575813B1 (en) * 2018-05-30 2022-06-29 Siemens Healthcare GmbH Quantitative mapping of a magnetic resonance imaging parameter by data-driven signal-model learning
EP3837543A4 (en) * 2018-08-16 2022-11-16 Essenlix Corporation CELLULAR ANALYSIS IN BODY FLUIDS, ESPECIALLY BLOOD
US11068694B2 (en) * 2019-01-23 2021-07-20 Molecular Devices, Llc Image analysis system and method of using the image analysis system
US11676685B2 (en) 2019-03-21 2023-06-13 Illumina, Inc. Artificial intelligence-based quality scoring
US11210554B2 (en) 2019-03-21 2021-12-28 Illumina, Inc. Artificial intelligence-based generation of sequencing metadata
US11593649B2 (en) * 2019-05-16 2023-02-28 Illumina, Inc. Base calling using convolutions
CN110223279B (zh) * 2019-05-31 2021-10-08 上海商汤智能科技有限公司 一种图像处理方法和装置、电子设备
WO2020246753A1 (en) * 2019-06-03 2020-12-10 Samsung Electronics Co., Ltd. Electronic apparatus for object recognition and control method thereof
WO2021011944A2 (en) * 2019-07-18 2021-01-21 Essenlix Corporation Imaging based homogeneous assay
GB2583149B (en) * 2019-07-19 2021-03-17 Forsite Diagnostics Ltd Assay reading method
KR20220143854A (ko) 2020-02-20 2022-10-25 일루미나, 인코포레이티드 인공 지능 기반 다-대-다 염기 호출
MX2022015019A (es) * 2020-05-29 2023-03-17 Quidel Corp Sistema y métodos para la evaluación remota de un ensayo de muestra para el diagnóstico de enfermedades.
WO2022204609A1 (en) * 2021-03-26 2022-09-29 Essenlix Corporation Real-time monitoring and correction of imperfection in image-based assay
WO2023287831A2 (en) * 2021-07-12 2023-01-19 Essenlix Corporation Apparatus for multiple sample analysis

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105027165A (zh) * 2013-03-15 2015-11-04 文塔纳医疗系统公司 用于数字完整载片的自动化评分的基于组织对象的机器学习系统
WO2017048871A1 (en) * 2015-09-14 2017-03-23 Essenlix Corp. Device and system for analyzing a sample, particularly blood, as well as methods of using the same
US20170169567A1 (en) * 2014-05-23 2017-06-15 Ventana Medical Systems, Inc. Systems and methods for detection of structures and/or patterns in images

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5656499A (en) * 1994-08-01 1997-08-12 Abbott Laboratories Method for performing automated hematology and cytometry analysis
CN101578520B (zh) * 2006-10-18 2015-09-16 哈佛学院院长等 基于形成图案的多孔介质的横向流动和穿过生物测定装置、及其制备方法和使用方法
US8691509B2 (en) * 2009-04-02 2014-04-08 Fluidigm Corporation Multi-primer amplification method for barcoding of target nucleic acids
JP2013516999A (ja) * 2010-01-20 2013-05-16 イー・エム・デイー・ミリポア・コーポレイシヨン 細胞画像取得および遠隔モニタリングシステム
CN104718552B (zh) * 2012-09-13 2017-11-28 多伦多大学理事会 用于胎儿和母体红细胞计数的系统和方法
JP6503382B2 (ja) * 2014-06-16 2019-04-17 シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレーテッドＳｉｅｍｅｎｓ Ｈｅａｌｔｈｃａｒｅ Ｄｉａｇｎｏｓｔｉｃｓ Ｉｎｃ． 血液学用デジタルホログラフィ顕微鏡検査データ分析
US9836839B2 (en) * 2015-05-28 2017-12-05 Tokitae Llc Image analysis systems and related methods
CN108780081B (zh) * 2015-08-10 2021-04-09 Essenlix公司 步骤简化、小样品、快速、易使用的生物/化学分析装置和方法
CN105260730A (zh) * 2015-11-24 2016-01-20 严媚 基于机器学习的接触式成像微流细胞计数器及其图像处理方法
AU2017245950B2 (en) * 2016-04-08 2019-09-12 Alentic Microscience Inc. Sample processing for microscopy
CN106202997B (zh) * 2016-06-29 2018-10-30 四川大学 一种基于深度学习的细胞分裂检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105027165A (zh) * 2013-03-15 2015-11-04 文塔纳医疗系统公司 用于数字完整载片的自动化评分的基于组织对象的机器学习系统
US20170169567A1 (en) * 2014-05-23 2017-06-15 Ventana Medical Systems, Inc. Systems and methods for detection of structures and/or patterns in images
WO2017048871A1 (en) * 2015-09-14 2017-03-23 Essenlix Corp. Device and system for analyzing a sample, particularly blood, as well as methods of using the same

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MANUEL G. FORERO 等: "Image Processing Methods for Automatic Cell Counting In Vivo or In Situ Using 3D Confocal Microscopy", 《ADVANCED BIOMEDICAL ENGINEERING》, pages 183 - 204 *
WEIDI XIE 等: "Microscopy cell counting and detection with fully convolutional regression networks", 《COMPUTER METHODS IN BIOMECHANICS AND BIOMEDICAL NGINEERING: IMAGING & VISUALIZATION》, pages 1 - 10 *

Also Published As

Publication number Publication date
JP2021500901A (ja) 2021-01-14
US20200256856A1 (en) 2020-08-13
EP3701260A1 (en) 2020-09-02
EP3701260A4 (en) 2021-10-27
WO2019084517A1 (en) 2019-05-02

Similar Documents

Publication Publication Date Title
CN112689757A (zh) 使用crof和机器学习的基于图像测定的系统和方法
US11842483B2 (en) Systems for cell shape estimation
Carrio et al. Automated low-cost smartphone-based lateral flow saliva test reader for drugs-of-abuse detection
US11674883B2 (en) Image-based assay performance improvement
Loddo et al. Recent advances of malaria parasites detection systems based on mathematical morphology
US11593590B2 (en) Efficient training and accuracy improvement of imaging based assay
Doan et al. Leveraging machine vision in cell-based diagnostics to do more with less
US11326989B2 (en) Devices and methods for tissue and cell staining
US9697582B2 (en) Methods for obtaining and analyzing images
US11719618B2 (en) Assay accuracy improvement
WO2018148471A2 (en) Optics, device, and system for assaying
US11609224B2 (en) Devices and methods for white blood cell analyses
CN113227754A (zh) 使用智能监测结构的基于图像的测定
WO2020206464A1 (en) Assay accuracy and reliability improvement
Haney High content screening: science, techniques and applications
CN111970970A (zh) 血小板的快速测量
WO2019118941A2 (en) Improved optical transmission sample holder and analysis, particularly for hemoglobin
Lee et al. Machine learning-aided three-dimensional morphological quantification of angiogenic vasculature in the multiculture microfluidic platform
US20240085304A1 (en) Imaging Based Assay Accuracy Improvement Through Guided Training

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20231116

Address after: 200245 Room 409, 4th Floor, Building 2, No. 1508 Kunyang Road, Minhang District, Shanghai

Applicant after: Shanghai Yisheng Biotechnology Co.,Ltd.

Address before: Unit B, 14th Floor, Wing Cheung Commercial Building, 19-25 Suhang Street, Sheung Wan, Hong Kong, China

Applicant before: Yewei Co.,Ltd.

Effective date of registration: 20231116

Address after: Unit B, 14th Floor, Wing Cheung Commercial Building, 19-25 Suhang Street, Sheung Wan, Hong Kong, China

Applicant after: Yewei Co.,Ltd.

Address before: Zhang Keshen, New Jersey, USA

Applicant before: Essenlix