CN113167738A - 用于确定体液的样品中分析物的浓度的方法和系统以及用于生成软件实现模块的方法和系统 - Google Patents

用于确定体液的样品中分析物的浓度的方法和系统以及用于生成软件实现模块的方法和系统 Download PDF

Info

Publication number
CN113167738A
CN113167738A CN201980081481.4A CN201980081481A CN113167738A CN 113167738 A CN113167738 A CN 113167738A CN 201980081481 A CN201980081481 A CN 201980081481A CN 113167738 A CN113167738 A CN 113167738A
Authority
CN
China
Prior art keywords
image
interest
region
analyte
neural network
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
CN201980081481.4A
Other languages
English (en)
Inventor
M·贝格
F·海勒
B·林伯格
D·西费特
H·维德尔
P·西里格
B·艾森
S·齐塔加卢
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.)
F Hoffmann La Roche AG
Original Assignee
F Hoffmann La Roche AG
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 F Hoffmann La Roche AG filed Critical F Hoffmann La Roche AG
Publication of CN113167738A publication Critical patent/CN113167738A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/8483—Investigating reagent band
    • 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
    • G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
    • G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
    • G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
    • 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
    • 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
    • G01N33/66—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood sugars, e.g. galactose
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Immunology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Hematology (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Urology & Nephrology (AREA)
  • Software Systems (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Biotechnology (AREA)
  • Diabetes (AREA)
  • Microbiology (AREA)
  • Cell Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computational Linguistics (AREA)

Abstract

本公开涉及一种用于生成配置为确定体液的样品中分析物的浓度的软件实现模块的方法和系统。所述方法包括在一个或多个数据处理装置中提供第一组测量数据，所述第一组测量数据表现通过从一个或多个测试条的感兴趣区域的图像进行图像数据处理而得到的第一色彩信息；在应用人工神经网络的机器学习过程中生成神经网络模型；以及生成包含表现所述神经网络模型的第一分析算法的软件实现模块。所述软件实现模块配置为，当加载到具有一个或多个处理器的数据处理装置中时，通过分析第二组测量数据来确定体液的第二样品中分析物的浓度，所述第二组测量数据指示通过从一个或多个测试条的感兴趣区域的图像进行图像处理而得到的第二色彩信息，所述图像指示所述感兴趣区域的色彩变换，所述色彩变换响应于将包含所述分析物的所述体液的所述第二样品施加到所述感兴趣区域。进一步地，本公开涉及一种用于生成软件实现模块的系统，以及一种用于确定体液的样品中分析物的浓度的方法和系统。此外，还公开了一种计算机程序产品。

Description

用于确定体液的样品中分析物的浓度的方法和系统以及用于 生成软件实现模块的方法和系统
技术领域
本公开涉及一种用于生成配置为确定体液的样品中分析物的浓度的软件实现模块的方法，以及一种用于确定体液的样品中分析物的浓度的方法。进一步地，本公开涉及一种用于生成配置为确定体液的样品中分析物的浓度的软件实现模块的系统，以及一种用于确定体液的样品中分析物的浓度的系统。另外，涉及计算机程序产品。
背景技术
机器学习 (ML) 是计算机科学的一个分支，用于导出由数据驱动的算法。机器学习 (ML) 算法不使用显式公式，而是使用真实的训练数据来生成比人类传统构想的模型更精确和复杂的模型。人工神经网络 (ANN) 属于机器学习的一个分支，其依赖于分布在多层上的人工神经元。神经网络的概念已经存在了数十年，但只有最近的计算能力赶上了有效开发神经网络算法所需的大量计算。分布式计算能力使开发人员能将计算分布在多个单元上，而不是使用超级计算机。著名的分布式计算实现包括 Apache Hadoop、Apache Spark和 MapReduce。
神经网络模型非常适合在不存在直接一对一关系或关系不佳的情况下鉴别输入和输出之间的模式/非线性关系。这一点很重要，因为模型的准确性高度取决于基础系统的特征化程度以及输入和输出之间的关系是如何定义的。
在文献 US 2006/0008923 A1 中，提供了用于患者的医学诊断或风险评估的系统和方法。这些系统和方法设计为在医疗点诸如急诊室和手术室中采用，或在任何需要快速、准确的结果的情况下采用。这些系统和方法处理患者数据，特别是来自医疗点诊断测试或测定的数据，包括免疫测定、心电图、X 射线及其他此类测试，并且提供医学病况或风险的指示或者不存在医学病况或风险的指示。这些系统包括用于读取或评估测试数据的仪器以及用于将数据转换为诊断或风险评估信息的软件。患者信息包括来自物理和生化测试（例如免疫测定）以及其他程序的数据。在医疗点对患者进行该测试，并生成可以数字化的数据，例如通过电子反射或传输阅读器生成数据信号。使用采用数据缩减和曲线拟合算法的软件或决策支持系统（例如受过训练的神经网络）或其组合，对信号进行处理，以将信号转换为数据，该数据可用于帮助诊断医学病况或确定疾病的风险。该结果可以进一步输入到第二决策支持系统（例如神经网络）中，以完善或加强评估。
文献 WO 2018/0194525 A1 涉及一种用于定量生物样品中的代谢物的生化分析方法。该方法基于在各种条件下生成和学习测试条（试纸条）的外观，以估计未知样品图像的值/标签。该方法由两部分组成：训练部分和测试部分。在训练部分，通过生化分析仪测量测试条的代谢产物量。通过模拟各种环境光照条件的装置捕获同一条测试条的一组图像。使用测试条的图像及其相应的代谢物量来训练机器学习模型，然后将学习模型传输到智能装置。在测试部分中，由智能装置捕获要分析的测试条的图像，并使用在训练部分中确定的学习模型对图像进行处理。
文献 US 2018/0211380 A1 涉及一种用于对生物样品进行成像并分析生物样品的图像的系统。该系统将使用机器学习技术自动分析生物样品的图像，以对感兴趣的细胞进行分类。在一个实施方式中，可以诊断与特定细胞类型相关的疾病。
文献 US 2016/0048739 A1 涉及一种用于生物样品的诊断系统。该诊断系统包括诊断仪器和便携式电子装置。该诊断仪器具有参考色条和接收生物样品的多个化学测试垫。便携式电子装置包括：数字相机，用于在不受控制的光照环境下捕获诊断仪器的数字图像；传感器，用于捕获诊断仪器的表面的照度；处理器，其耦合至数字相机和传感器以接收数字图像和照度；以及与处理器耦合的存储装置。存储装置存储指令，用于处理器执行处理数字图像和照度，标准化多个化学测试垫的色彩，并确定响应于化学测试垫中的色彩变化量的诊断测试结果。
发明内容
本公开的一个目的是提供用于确定体液的样品中分析物的浓度的改进技术。
为解决该问题，提供了一种根据独立权利要求 1 的一种用于生成配置为确定体液的样品中分析物的浓度的软件实现模块的方法。进一步地，提供了一种根据独立权利要求 2 的一种用于确定体液的样品中分析物的浓度的方法。分别根据独立权利要求 11 和12，提供了一种用于生成配置为确定体液的样品中分析物的浓度的软件实现模块的系统，以及一种用于确定体液的样品中分析物的浓度的系统。另外，提供了根据权利要求 13 的计算机程序产品。从属权利要求中公开了其他实施例。
根据一方面，提供了一种用于生成配置为确定体液的样品中分析物的浓度的软件实现模块的方法。该方法包括，在一个或多个数据处理装置中，提供第一组测量数据，所述第一组测量数据表现通过从一个或多个测试条的感兴趣区域的图像进行图像数据处理而得到的第一色彩信息。该图像指示感兴趣区域的色彩变换，其响应于将包含分析物的体液的一个或多个第一样品施加到感兴趣区域，且图像由各自经配置用于图像记录和图像数据处理的多个装置来记录以生成所述第一色彩信息的多个装置记录，所述多个装置配有应用于所述装置中的图像记录和图像数据处理的不同软件和/或硬件装置配置。该方法进一步包括，在一个或多个数据处理装置中，在应用人工神经网络的机器学习过程中生成神经网络模型（包括提供神经网络模型）以及通过训练从所述第一组测量数据中选择的数据来训练所述神经网络模型。生成包含表现神经网络模型的第一分析算法的软件实现模块，其中所述软件实现模块配置为，当加载到具有一个或多个处理器的数据处理装置中时，通过分析第二组测量数据来确定体液的第二样品中分析物的浓度，所述第二组测量数据指示通过从一个或多个测试条的感兴趣区域的图像进行图像处理而得到的第二色彩信息，所述图像指示所述感兴趣区域的色彩变换，所述色彩变换响应于将包含所述分析物的所述体液的所述第二样品施加到所述感兴趣区域。
根据一个方面，一种用于确定体液的样品中分析物的浓度的方法，该方法包括在一个或多个数据处理装置中：提供指示当前色彩信息的当前组测量数据，所述当前颜色信息是通过从当前测试条或条带的感兴趣区域的图像进行图像处理得到的，该图像指示感兴趣区域的色彩变换，该色彩变换响应于将含有分析物的体液的第二样品施加到感兴趣区域；提供包含第一分析算法的软件实现模块，该第一分析算法表现在应用人工神经网络的机器学习过程中生成的神经网络模型；确定体液的当前样品中分析物的浓度，包括通过第一分析算法分析当前组的测量数据；以及生成指示体液的当前样品中分析物的浓度的浓度数据。在机器学习过程中生成神经网络模型包括提供第一组测量数据，所述第一组测量数据指示通过从一个或多个测试条的感兴趣区域的图像进行图像处理得到的第一色彩信息，该图像指示所述感兴趣区域的色彩变换，所述色彩变换响应于将含有分析物的体液的一个或多个第一样品施加到所述感兴趣区域。第一组测量数据表现源于由各自经配置用于图像记录和图像数据处理的多个装置来记录以生成所述第一色彩信息的图像的第一色彩信息，所述多个装置配有应用于所述装置中的图像记录和图像数据处理的不同装置配置。通过训练从第一组测量数据中选择的数据来训练神经网络模型。
根据另一方面，提供了一种用于生成配置为确定体液的样品中分析物的浓度的软件实现模块的系统，该系统包括一个或多个数据处理装置，该一个或多个数据处理装置配置为提供第一组测量数据，该第一组测量数据表现通过从一个或多个测试条的感兴趣区域的图像进行图像数据处理而得到的第一色彩信息。该图像指示了感兴趣区域的色彩变换，其响应于将含有分析物的体液的一个或多个第一样品施加到感兴趣区域；图像由各自经配置用于图像记录和图像数据处理的多个装置来记录以生成所述第一色彩信息的多个装置记录，所述多个装置配有应用于所述装置中的图像记录和图像数据处理的不同软件和/或硬件装置配置。一个或多个数据处理装置配置为在应用人工神经网络的机器学习过程中生成神经网络模型（包括提供神经网络模型）以及通过训练从所述第一组测量数据中选择的数据来训练所述神经网络模型。进一步地，一个或多个数据处理装置配置为生成包含表现神经网络模型的第一分析算法的软件实现模块，其中所述软件实现模块配置为，当加载到具有一个或多个处理器的数据处理装置中时，通过分析第二组测量数据来确定体液的第二样品中分析物的浓度，所述第二组测量数据指示通过从一个或多个测试条的感兴趣区域的图像进行图像处理而得到的第二色彩信息，所述图像指示所述感兴趣区域的色彩变换，所述色彩变换响应于将包含所述分析物的所述体液的所述第二样品施加到所述感兴趣区域。
根据又一方面，提供了一种用于确定体液的样品中分析物的浓度的系统，该系统包括一个或多个数据处理装置，该一个或多个数据处理装置配置为：提供一组当前组测量数据，该当前组测量数据指示通过从当前测试条的感兴趣区域的图像进行图像处理而得到的当前色彩信息，该图像指示所述感兴趣区域的色彩变换，所述色彩变换响应于将含有分析物的体液的当前样品施加到所述感兴趣区域；提供包含表现神经网络模型的第一分析算法的软件实现模块，所述神经网络模型是在应用人工神经网络的机器学习过程中生成的；确定所述体液的所述当前样品中所述分析物的浓度，包括通过所述第一分析算法分析所述当前组测量数据；并产生指示体液的当前样品中分析物的浓度的浓度数据。在机器学习过程中生成神经网络模型包括提供第一组测量数据，所述第一组测量数据指示通过从一个或多个测试条的感兴趣区域的图像进行图像处理得到的第一色彩信息，该图像指示所述感兴趣区域的色彩变换，所述色彩变换响应于将含有分析物的体液的一个或多个第一样品施加到所述感兴趣区域。第一组测量数据表现源于由各自经配置用于图像记录和图像数据处理的多个装置来记录以生成所述第一色彩信息的图像的第一色彩信息，所述多个装置配有应用于所述装置中的图像记录和图像数据处理的不同装置配置。通过训练从第一组测量数据中选择的数据来训练神经网络模型。
进一步地，提供了一种计算机程序产品，其包括程序代码，该程序代码配置为当加载到具有一个或多个处理器的计算机中时，执行上述方法。
在机器学习过程中生成的神经网络模型允许对（当前）体液的样品中分析物的浓度的测定进行改进。通过基于第一组测量数据生成神经网络模型，该第一组测量数据表现通过从多个不同装置记录的图像中而得到的第一色彩信息，每个装置均配置为用于图像记录和图像数据处理以生成用于神经网络模型的第一色彩信息，该神经网络模型在训练和测试之后，可以应用或施用于不同装置以确定体液的样品中分析物的浓度，该不同装置具有应用于在各个装置中进行图像记录和图像数据处理的不同的装置配置。
将之前生成的神经网络模型用于分析当前或第二组测量数据，该测量数据指示当前/第二色彩信息，该当前/第二色彩信息是通过从当前/第二测试条的感兴趣区域的图像进行图像处理而得到的，该图像指示感兴趣区域的色彩变换，所述色彩变换响应于将患者的包含分析物的体液的当前/第二样品施加到所述感兴趣区域。在此过程中，为提供样品的患者确定分析物浓度。
该方法可以包括多个装置，其具有应用于图像记录和图像数据处理的不同照相机装置和不同图像处理软件中的至少一者。
记录的图像可以包括用不同光学图像记录条件记录的图像。
该方法还进一步包括以下步骤：提供第二分析算法，所述第二分析算法与所述第一分析算法不同；以及通过借助于所述第二分析算法分析所述当前组测量数据来确定所述体液的所述当前样品中所述分析物的所述浓度的第一估计值。第二分析算法可以是基于非机器学习的算法，例如参数多元线性回归。这种基于非机器学习的算法也可以称为用于确定分析物浓度的传统算法。用于分析物的浓度的第一估计值可以通过神经网络模型的方式输入用于（进一步）分析。可替代地，从基于非机器学习的算法得出的浓度结果可应用于通过应用神经网络模型确定的分析物浓度值的故障安全测试中。
该确定可包括确定当前体液的样品中分析物浓度的目标范围。代替确定分析物的浓度的实际值或这除了这种确定之外，可以确定分析物浓度值的目标范围。
该确定可以包括对第一估计值和通过分析由第一分析算法的当前组测量数据所提供的浓度值进行平均来确定平均浓度。通过确定平均值，将神经网络模型分析的结果和基于传统算法的分析结果进行组合。
在另一个实施例中，该确定可以包括确定第二样品中的血糖的浓度。
第一组测量数据、第二组测量数据和当前组测量数据中的至少一者可以分别表现第一色彩信息、第二色彩信息和当前色彩信息，所述色彩信息是通过从历经一个测量时间段自所述一个或多个测试条的所述感兴趣区域所记录的图像进行图像处理而得到的，所述图像即以约 0.1 s 至约 1.5 s 的时间间隔所记录的连续图像。
从其中获得的第一组测量数据的图像可以包括将体液的一个或多个第一样品施加到一个或多个测试条的感兴趣区域之前的感兴趣区域的图像。类似地，另外地或可替代地，从其中得到的当前组测量数据的图像可以包括将体液的当前样品施加到当前测试条的感兴趣区域之前的感兴趣区域的图像。
在一个示例中，可以规定将测量数据分为训练数据组、验证数据组和测试数据组。例如，约 60% 的测量数据可用于训练（训练数据组），约 20% 的数据用于验证（验证数据组），约 20% 的数据用于测试（测试数据组）。可以采用交叉验证技术，例如，留 p 交叉验证或 k 折交叉验证。可以通过使用测量数据的分层随机取样来创建训练数据组。可以基于用于收集测量数据的装置类型和在收集测量数据时应用的实验类型中的至少一种来进行分层。测量数据组划分为单独的子群（层），其中每个层可对应于一种不同的装置类型和/或不同的实验类型。随后，可以分别为每个层的数据取样，然后合并以创建训练数据组。这样做可以确保训练数据基本上表现装置类型和/或实验类型的全部数量。可以类似地创建验证数据组和测试数据组。
上述公开的涉及至少其中一种方法的实施例可在经过必要修正后适用于一个或两个系统。
附图说明
接下来，以举例的方式，参考附图描述实施例。在附图中示出：
图 1 前馈人工神经网络 (ANN) 的图示；
图 2 基于剂量测试条的色彩变化来预测血糖值的方法图示；
图 3 测试条图像的图示；
图 4 通过应用特征变换从特征表中的特征中创建新特征的过程图示；
图 5A 示例性新特征的相关行为图示；
图 5B 示例性新特征的相关行为的进一步图示；
图 5C 示例性新特征的相关行为的进一步图示；
图 6 要训练的 ANN 模型的架构图示；
图 7 示出了帕克斯 (Parkes) 误差网格，表明预测的血糖值相对于实际的血糖水平的表现；
图 8 另一帕克斯 (Parkes) 误差网格，表明预测的血糖值相对于实际血糖水平的表现；
图 9 传统算法与 ANN 模型的不同组合类型的图示；
图 10 帕克斯 (Parkes) 误差网格，描述了使用传统算法预测作为其输入之一的ANN 模型的预测；
图 11 传统和人工神经网络 (ANN) 算法相结合的另一个实施例的图示；和
图 12 三个帕克斯 (Parkes) 误差网格，用于比较传统方法和 ANN 方法的性能。
具体实施方式
接下来，进一步详细公开了用于生成配置为确定体液的样品中分析物的浓度的软件实现模块的方法的实施例。生成软件实现模块后，在进一步的方法中，其能用于其他装置（例如移动装置）上用于分析实验结果，以确定施加到测试条的体液的样品中分析物的浓度，该测试条测试区域将显示响应于将样品施加到条带上的色彩变化。
用于生成软件实现模块的方法在一个或多个数据处理装置中进行。提供第一组测量数据，该第一组测量数据表现第一色彩信息，该第一色彩信息是通过从一个或多个测试条的感兴趣区域的图像进行图像数据处理而得到的。例如，可以将血液样品施加到测试条上，该测试条相应地显示感兴趣区域（测试区域）的色彩变化。这种色彩变化可以取决于测试区域剂量样品中的血糖浓度。为感兴趣区域捕获的图像指示所述感兴趣区域的色彩变换，所述色彩变换响应于将含有分析物的体液的一个或多个第一样品施加到所述感兴趣区域。图像由诸如移动装置（例如手机或平板电脑）的多个装置记录。每个装置配置为用于图像记录和图像数据处理以生成第一色彩信息，该多个装置配有应用于装置中的图像记录和图像数据处理的不同软件和/或硬件装置配置。例如，装置可以配有用于捕获图像的不同类型的照相机。而且，可以为装置提供不同的软件配置，特别是应用于所述装置中的不同软件应用程序以用于处理所捕获的所述图像。
在应用人工神经网络的机器学习过程中生成神经网络模型（包括提供神经网络模型），并通过训练从所述第一组测量数据中选择的数据来训练所述神经网络模型。提供包含表现神经网络模型的第一分析算法的软件实现模块。所述软件实现模块配置为，当加载到具有一个或多个处理器的数据处理装置中时，通过分析第二组测量数据来确定体液的第二样品中分析物的浓度，所述第二组测量数据指示通过从一个或多个测试条的感兴趣区域的图像进行图像处理而得到的第二色彩信息，所述图像指示所述感兴趣区域的色彩变换，所述色彩变换响应于将包含所述分析物的所述体液的所述第二样品施加到所述感兴趣区域。因此，在生成神经网络模型之后，将其用于分析第二样品的结果，该样品也可以称为当前样品，并且是在生成神经网络模型之后使用该模型要进行确定的体液的样品，如在下文所进一步的详细说明。将包括软件实现模块的软件应用程序加载到分析装置，例如移动电话或其他移动装置。通过运行用于确定分析物的浓度的软件应用程序来进行测试条分析。
图 1 示出了众所周知的前馈人工神经网络 (ANN) 10 的示意性图示。在典型的前馈 ANN 中，信息以一种方式流动。将输入特征 11a、11b、11c ... 11x 馈送到输入层 12的节点（或人工神经元）12a、12b, 12c ... 12x。理想情况下，节点 12a、12b、12c ... 12x的数量应等于基础数据组中特征的数量。输入层 12 简单地接收输入特征 11a、11b、11c... 11x，并经由连接 13 将输入特征 11a、11b、11c ... 11x 传递到隐藏层 14。
隐藏层 14 包括节点 14a、14b ... 14y。隐藏层 14 的节点数取决于输入层 12和输出层 16 的节点数。输入层 12 和隐藏层 14 的节点数目可以相等或不相等。在每个节点 14a、14b ... 14y 中，将变换应用于其各自的输入。随后，将变换的值通过连接 15传递到输出层 16。当训练 ANN 10 时，提供较高预测值的节点 12a、12b、12c ... 12x、14a、14b ... 14y 在较高的程度上加权。对此，各个连接 13、15 接受较高的加权。
输出层 16 提供解决潜在问题所需的信息。其节点 16a 的数量取决于当前的问题。如果问题是例如将对象分类为四个类别之一，则输出层 16 将由四个节点（未示出）组成。如果问题相当于回归，则输出层 16 将由单个节点 16a 组成。
在下文中，公开了应用 ANNs 从测量中确定体液的样品中分析物浓度的示例，测量是基于响应于施加体液的样品的测试条的测试区域中的色彩变化。例如，可以确定血糖水平。图 2 示意性地示出了该方法一个示例的步骤。
在测量过程中，使用不同的装置在第一图像数据收集步骤 202 中捕获测试条的图像系列 201，每个装置配置为拍摄图像和处理图像数据。这些装置可以是移动装置，例如蜂窝或移动电话类型或平板电脑。
众所周知，为了拍摄图像，需要将体液的样品（例如血液样品）施加到测试条的测试区域。响应于样品的施加，测试区域将显示色彩变化，其可通过拍摄图像来检测。图像将在分析过程中进行处理用于确定体液的样品中分析物的浓度，例如血糖水平。
当拍摄图像用于确定体液的样品时，可以通过组合存在的不同测量条件来捕获图像，例如不同的温度、相对湿度值、照度值和/或血细胞比容。也可以使用其他值。在一个示例中，对于不同的气候条件，步骤中的温度值从 5℃ 到 30℃，例如 5℃，以及相对湿度值从 15% 到 85%，例如可以应用 10%。可以规定，每个相对湿度值与每个温度值相结合，以形成一组不同的气候条件。可替代地，由于某些相对湿度/温度组合不太相关，因此仅将某些相对湿度值与每个温度值组合。
在气候研究中，可以将以下测量条件应用到温度湿度数据组中：
相对温度 (℃) 湿度 (%)
5 45
10 15
10 45
10 85
15 45
25 45
30 45
30 85。
对于每个测试条，在测量时间段内捕获图像系列 201。例如，在大约 40 秒内，每半秒捕获一次测试条的图像 30（关于图像 30 的图示，请参见图 3）。每个测试条的每个图像系列 201 从空白测试条（没有施加血液剂量或样品的测试条）的图像开始。在施加血液样品之后捕获后续图像 30。因此，在每个图像系列 201 内完全捕获了测试条的色彩变化。在下文中，图像系列 201 保存到数据库中。可以在捕获第一图像和第二图像之间提供附加时间延迟，使用户能够将血液剂量施加到测试条上。
用多个不同的蜂窝电话或移动电话捕获图像，每个蜂窝电话配有单独的照相机装置以及图像处理参数 RGGB 的软件配置，色彩变换矩阵和色调映射曲线用于捕获图像并处理图像数据。
在测量中获取的图像提供（测量的）图像数据，该图像数据表现与测试区域色彩变化相关的色彩信息，该色彩变化响应于施加包含需要确定浓度的分析物的体液的样品。接下来，图像数据用于生成配置为确定当前样品中分析物的浓度的软件实现模块。基于从测量的图像数据中获取的训练数据组来提供和训练 ANN。
在下一步骤 203 中，参考图 2 和 图 3，加工从可保存到数据库中的图像系列201 中获得的图像数据，以确定图像系列 201 的每个图像 30 的感兴趣区 31 。感兴趣区31 由图像的一部分组成，该部分显示了在测试条 30a（目标场 32）上施加的体液的样品（例如血液样品）和目标场 32 周围的正方形33。目标场 32 外部和正方形 33 内部的空间由四段组成，称为白场 34。图像处理软件通过捕获目标场 32 和白色场 34 的像素色彩值来检测感兴趣区（测试区域）31。每个像素色彩可以是例如 RGB 编码的。可采用替代的色彩空间和色彩模型对像素色彩进行编码，例如 CIE L*a*b*、CIE 1931 XYZ、CMYK 和 HSV。使用替代色彩空间以及将色彩变换为替代色彩空间能提高信号质量，从而导致更简单和/或更准确的预测算法。
可以规定，对原始像素数据进行变换以提高信号精度。可以使用以下类型的色彩变换或其组合：
原始 R、G 和 B 信道的平均值是从施加血液的目标场 32 计算得出的；
R 和 G 信道从目标场 32 被 B 归一化（通过将每一个 R 和 G 信道值除以对应的 B 值来执行归一化）；
计算来自目标场 32 的 R 和 B 信道之间的增量以及 G 和 B 信道之间的增量；
来自目标场 32 的 R、G、B 信道被来自白场 34 的 R、G、B 信道归一化；
计算目标场 32 的目标白色归一化的 R、G、B 信道与参考场的白色归一化的 R、G、B 信道之间的比率。
此色彩变换列表并不详尽。可以提供用于不同特征的进一步的色彩变换。
对于用于图像拍摄的装置，例如多个蜂窝电话或移动电话，可以采用不同的校准方法。如果不进行校正，则不同手机类型之间的色彩调整方案的差异将导致不同的葡萄糖预测性能。为了生成特定于手机类型的校准曲线，可以使用多种方法，这些校准曲线会将输出标准化为通用的参考比例。一方面，可以使用包含已知色度区域的色彩参考卡来进行离线校准。这种离线校准不需要在每次测量之前执行。可以规定，在用户进行任何测量之前进行离线校准。可替代地，离线校准以周期性的时间间隔执行。另一方面，可以采用应用色彩参考的在线校准。为此，在测试条剂量之后的预定时间，共同捕获参考卡图像与测试场。在配量之前和配量之后捕获测试条的图像。测试条可以还具有预先打印的用于在线校准的参考场。
一旦定位了目标场 32，就从目标场 32 内的区域（例如目标场 32 内半径稍小的圆）中提取 RGB 像素值，并对每个信道求平均值，得出每个 R、G 和 B 信道的像素的平均值。这样，可以避免在目标场 32 的边界处平均不想要的像素。
随后，每个色彩信道的平均值与其他相关数据（例如参考葡萄糖值、图像 ID、研究名称、错误代码、研究相关信息（例如温度、湿度、血细胞比容或装置型号））一起保存到数据表中。数据表可以例如保存为逗号分隔值 (csv) 文件或 MATLAB mat 文件，用于进一步处理。
对于特定的建模目的，并非数据表的每一列都是相关的。因此，通过仅包含建模所需的列，可以从数据表中生成较小的表，即功能表。表 1 中描述了一个具有四行特征表的示例表。
表 1：特征表的示例性描述。
Figure 85332DEST_PATH_IMAGE001
Figure 480541DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
特征表包括目标场（tfRlin、tfGlin、tfBlin）和白场（wfRlin、wfGlin、wfBlin）两者的线性平均 RGB 信道值。线性化是通过将智能手机的色调映射曲线设置为 1:1 直线得到的。线性化对于处理不同智能手机类型中的不同默认色调映射曲线是必需的。如果不设置色调图曲线，则由于默认的色调图曲线是非线性的，因此值之间的关系将是人为非线性的。通过取各个区域（目标场或白场）的信道值的算术平均值，分别为每个 RGB 信道进行平均。
特征表进一步包括在配量之前的目标场 (空白值 Rtf 空白值 Gtf、空白值 Btf)和白场 (空白值 Rwf、空白值 Rwf、空白值 Rwf) 的线性平均 RGB 信道值。
如果确定数据非常（部分）过度曝光、不均匀，包含的像素太少，相应的图像不够清晰，或它们的组合，则可以将数据评估为无效。可以从功能表中删除无效数据。特征表不包括来自同一测量的所有图像的信息。通常，对于每个图像系列 201，大约捕获了 80 个图像30，但是并非所有图像 30 对于建模都是必需的。将来自最终图像以及最终图像之前的 10到 19 个图像的数据用于建模可能是足够的或可取的。在最终图像中，R 或 G 信道的斜率接近于零，即在配量后的某个时间色彩动力学稳定，并且从该点开始色彩不变或只有很小的变化。拍摄具有静态色彩动力学的图像能够提高图像的可比性。
进一步参见图 2，在步骤 204 中，特征表的数据用于特征工程。建模的最重要的方面之一是为模型选择适当的特征。由于目标是预测血糖值，因此，使用与参考血糖值具有很强相关性的特征有望得到更好的模型。参考血糖值已通过建立的血糖测量系统确定。线性 RGB 信道与参考葡萄糖值表现出一定程度的相关性。但是，仍然可以通过创建与参考葡萄糖值具有更强相关性的新特征来改进结果。此外，创建这样的新特征可能是有益的，因为可以减少相对于不同的手机类型和测量条件（例如气候条件或照明条件）的依赖性。
在这方面，图 4 示出了通过应用特征变换 41（例如色彩变换到特征 40），从特征表中从特征 40 创建新特征 42 的过程的图示。特征 40 可以包括目标场 (tfRlin、tfGlin、tfBlin) 和/或白场 (wfRlin、wfGlin、wfBlin) 的线性平均 RGB 信道值，和/或在配量之前的 RGB 信道值（空白值 Rtf、空白值 Gtf、空白值 Btf）、（空白值 Rwf、空白值Rwf、空白值 Rwf）。
在图 5a 和图 5b 中，示出了通过特征 40 的特征变换 41 创建的示例性新特征42 的相关行为。曲线图 51 至图 56 均显示新特征 42（x 轴）之一与参考血糖值（y 轴）的相关性。如曲线图 52 中的特征“GRY”是指灰度色彩值。某些特征中的后缀“N”是指归一化。特别地，如曲线图 53 中的“RGBN”表示“RGB 色彩归一化”。不同的标记（○、+、◊）对应于不同的实验类型。描绘的新特征 42 显示出其与参考葡萄糖值的相关性仅高于原始的 RGB值。
相反，图 5c 显示了原始 RGB 信道值与参考血糖值的相关行为。曲线图 57 示出了目标场 tfRlin 的线性平均 R 信道值。曲线图 58 示出了目标场 tfGlin 的线性平均G 信道值。与图 5a 和图 5b 中描绘的新特征 42 相比，曲线图 57 和 58 示出了这些值的较大的分散，因此与参考血糖值的相关性较弱。
再次参见图 2，在随后的步骤 206 中，在可以训练 ANN 模型之前，根据特征表中的数据创建训练组、验证组和测试组。可以规定，将数据分为训练组、验证组和测试组。60%的数据用于培训，20% 的数据用于验证，20% 的数据用于测试。也可以采用交叉验证技术，例如留 p 交叉验证或 k 折交叉验证。使用数据的分层随机抽样创建训练组。根据智能手机类型和实验类型进行分层。即将数据分为单独的子群（层），其中每个层对应于不同的智能手机类型和实验类型。随后，对每个阶层分别进行数据采样，然后合并以创建训练数据。这样做可以确保训练数据仍然表现智能手机和实验类型的全部数量。类似地可以创建验证组和测试组。
验证组用于防止过度训练/过度拟合，而测试组用于在训练期间对模型的独立评估。在输入数据组添加一列，以指示哪些数据用于训练、测试和验证。添加的列对于训练ANN 时识别正确的子组很重要。
在步骤 207 中，对 ANN 进行训练。用不同的测量条件对 ANN 进行训练，以便在训练组中表现不同的测量条件，并可以将其包括在模型中。还可以规定，建模中包括不同的智能手机类型。可以在诸如 MATLAB 的数值计算环境中执行 ANN 的训练。为了提高性能，还可以使用编译的编程语言。图 6 示出了要训练的 ANN 模型 60 的示例性架构的图示。图 6 中的架构包括两个隐藏层 62、63。可替代地，取决于问题的复杂性，可以采用多于两个隐藏层的单个隐藏层（未示出）。输入值 61 传递到隐藏层 62。隐藏层 62 的输出传递到隐藏层 63。隐藏层 63 的输出又传递到输出层 64，得到输出值 65。输出值 65 对应于预测的血糖值。在训练过程中，优化加权系数 62a、62b、63a、63b、64a 和 64b，得到正确的血糖模型。
可以使用诸如提前停止的正则化方法来防止过度训练。例如可以规定，训练模型60 最多允许 12 次迭代。例如，最大批数可以设置为 1000。训练具有不同初始化点的多个模型 60，并将它们的性能指标保存到表文件（例如 csv 文件）中，用于以后模型选择。一旦创建了所有模型 60 并评估了性能指标，就选择性能最佳的模型作为最终的训练模型。
返回参见图 2，在步骤 208，使用神经网络公式建立训练模型，该神经网络公式包括特征的双曲线正切和从训练后的 ANN 获得的优化系数的线性组合。通过使用训练的神经网络模型确定血糖值（步骤 209）。随后，输出确定的血糖值用于进一步处理（步骤 210）。
图 7 和图 8 分别示出了帕克斯 (Parkes) 误差网格，该网格表明完整数据组上确定的血糖值相对于实际血糖值的表现。帕克斯 (Parkes) 误差网格（共识误差网格）是用于比较定量诊断中不同数据的众所周知的图形工具（Parkes 等人，Diabetes Care 23：1143-1148, 2000）。每个 y 轴都对应于预测的血糖值；每个 x 轴对应于实际的血糖值。每个误差网格划分为对应于不同误差区域的不同区域 A 至 D。在区域 A 内的等分线 71、81的偏差对应于低误差。理想的是大多数值都在 A 区之内。B 区对应于中等误差，C 区对应于对患者治疗的不可接受的大误差，D 区对应于过大的误差。在图 7 中，不同的标记对应于不同的实验类型。在图 8 中，不同的标记对应于不同的智能手机类型。从图 7 和图 8可以看出，对于不同的手机类型和不同的实验类型，预测的血糖值与实际血糖值相当吻合。
表 2 显示了与 ANN 模型方法相比，传统的或非 ANN 算法（参数多元线性回归）的血糖值落入不同帕克斯 (Parkes) 误差网格区域 A 到 E 的频率。区域 A 和 B 中的值认为是可以接受的，区域 C 至 E 中的值认为是不可接受的。传统算法和 ANN 模型都通过编码数据组 M1 和 M2 进行训练。随后，评估了未知的手机类型（编码数据组 M4、M5 和M6）。M1 至 M5 编码数据组来自标准测量站在标准条件下 (T = 24℃，Hum = 45%) 确定的实验室数据，包含己糖激酶葡萄糖参考值。对环境和操作影响最小化。每个编码数据组使用五种不同类型的手机。因此，通过使用 10 种不同的手机类型进行了训练。随后，为这样生成的算法提供了 3×5 = 15 种不同手机类型的未知数据。
表2：传统与 ANN 方法对血糖预测的比较。
Figure 967018DEST_PATH_IMAGE004
从表 2 中可以看出，与传统的算法相比，ANN 模型在估计未知手机类型的血糖值方面表现更好。重要的是，ANA 模型中没有任何值在与血糖水平的严重错误分类相对应的不可接受的区域 C 到 E 内。
在血糖预测的进一步的示例中，传统的算法 91（例如多项式拟合）可以与 ANN 模型 92 结合使用。图 9 示出了可以使用的不同类型组合的图示：
a)来自传统算法 91 的预测 93 可以用作 ANN 模型 92 的输入（特征）；
b)来自 ANN 模型 92 的预测 94 可以用作传统算法 91 的输入；以及
c)传统的算法 91 和 ANN 模型 92 都可以使用，并且两种算法的预测 93、94 的差异可用作消除错误预测的故障保险。
图 10 示出了帕克斯 (Parkes) 误差网格，其描述了使用传统的算法预测作为其输入之一的 ANN 模型的预测。
图 11 示出了将传统的和 ANN 模型算法 110 组合的另一实施例的图示。在图像系列 201 中包括至少两个图像，提取某些特征（步骤 111）。然后使用动力学算法监测并确定这些特征的干（空白）值和最终值（步骤 112）。
然后以传统的算法（步骤 113）和 ANN 模型（步骤 114）并行处理这些特征，得到血糖值预测（步骤 115）。如果适用，也可以提供错误旗标。
图 12 示出了三个帕克斯 (Parkes) 误差网格 120、121、122，用于比较传统的和人工神经网络 (ANN) 模型方法的性能。对于误差网格 120，仅采用传统算法；对于误差网格 121，仅采用 ANN 模型。从误差网格 120 和 121 中可以看出，对于基于 ANN 模型的特征的测量性能优于传统算法。误差网格 122 表明了为什么不只是依赖人工神经网络(ANN) 模型。在这里，作为展示，ANN 仅接受血糖值低于 450 mg/dl 的训练。因此，训练范围之外的样品 122a、122b 被严重错误分类。为了确保任何到 ANN 的意外输入数据将导致错误的血糖结果，传统确定的血糖值可以用作 ANN 血糖结果的故障保险。

Claims (13)

1.一种用于生成配置为确定体液的样品中分析物的浓度的软件实现模块的方法，所述方法包括，在一个或多个数据处理装置中，
-提供第一组测量数据，所述第一组测量数据表现第一色彩信息，所述第一色彩信息是通过从一个或多个测试条的感兴趣的区域的图像进行图像数据处理而得到的，所述图像
-响应于将含有分析物的体液的一个或多个第一样品施加到所述感兴趣的区域而指示所述感兴趣的区域的色彩变换；以及
-由各自经配置用于图像记录和图像数据处理的多个装置来记录以生成所述第一色彩信息，所述多个装置配有应用于所述装置中的图像记录和图像数据处理的不同软件和/或硬件装置配置；
-在应用人工神经网络的机器学习过程中生成神经网络模型，包括
-提供神经网络模型；以及
-通过训练从所述第一组测量数据中选择的数据来训练所述神经网络模型；以及
-生成包含表现所述神经网络模型的第一分析算法的软件实现模块；
其中所述软件实现模块配置为，当加载到具有一个或多个处理器的数据处理装置中时，通过分析第二组测量数据来确定体液的第二样品中分析物的浓度，所述第二组测量数据指示通过从一个或多个测试条的感兴趣的区域的图像进行图像处理而得到的第二色彩信息，响应于将包含所述分析物的所述体液的所述第二样品施加到所述感兴趣的区域，所述图像指示所述感兴趣的区域的色彩变换。
2.一种用于确定体液的样品中分析物的浓度的方法，所述方法包括，在一个或多个数据处理装置中，
-提供指示当前色彩信息的当前组测量数据，所述当前色彩信息是通过从当前测试条的感兴趣的区域的图像进行图像处理而得到的，响应于将包含分析物的体液的当前样品施加到所述感兴趣的区域，所述图像指示所述感兴趣的区域的色彩变换；
-提供包含表现神经网络模型的第一分析算法的软件实现模块，所述神经网络模型是在应用人工神经网络的机器学习过程中生成的；
-确定所述体液的所述当前样品中所述分析物的浓度，包括通过所述第一分析算法分析所述当前组测量数据；以及
-生成指示所述体液的所述当前样品中所述分析物的所述浓度的浓度数据；
其中在所述机器学习过程中生成所述神经网络模型包括
-提供第一组测量数据，所述第一组测量数据
-指示通过从一个或多个测试条的感兴趣的区域的图像进行图像数据处理而得到的第一色彩信息，响应于将包含分析物的体液的一个或多个第一样品施加到感兴趣的区域，所述图像指示所述感兴趣的区域的色彩变换；以及
-表现从由多个装置记录的图像而得到的第一色彩信息，所述多个装置各自经配置用于图像记录和图像数据处理以生成所述第一色彩信息，所述多个装置配有在所述装置中应用于图像记录和图像数据处理的不同装置配置；以及
-通过训练从所述第一组测量数据中选择的数据来训练所述神经网络模型。
3.根据权利要求 1 或 2 所述的方法，其包括所述多个装置具有应用于图像记录和图像数据处理的不同相机装置和不同图像处理软件中的至少一者。
4.根据前述权利要求中任一项权利要求所述的方法，其中记录的所述图像包括以不同光学图像记录条件记录的图像。
5.根据权利要求 2 至 4 中任一项所述的方法，其进一步包括
-提供第二分析算法，所述第二分析算法与所述第一分析算法不同；以及
-对于所述体液的所述当前样品中所述分析物的所述浓度，通过借助于所述第二分析算法分析所述当前组测量数据来确定第一估计值。
6.根据权利要求 5 所述的方法，其中所述确定包括确定所述体液的所述当前样品中所述分析物的所述浓度的目标范围。
7.根据权利要求 5 或 6 所述的方法，其中所述确定包括通过平均所述第一估计值和由通过所述第一分析算法进行的所述当前组测量数据的分析提供的浓度值来确定平均浓度。
8.根据权利要求 2 至 7 中任一项所述的方法，其中所述确定包括确定所述第二样品中血糖的浓度。
9.根据前述权利要求中任一项权利要求所述的方法，其中所述第一组测量数据、所述第二组测量数据和所述当前组测量数据中的至少一者分别表现所述第一色彩信息、所述第二色彩信息和所述当前色彩信息，所述色彩信息是通过从针对一个或多个测试条的感兴趣的区域的测量时间段内记录的图像进行图像处理而得到的，所述图像是以从约 0.1 s 至约 1.5 s 的时间间隔所记录的连续图像。
10.根据前述权利要求中任一项权利要求所述的方法，其中所述图像包括在将所述体液的所述一个或多个第一样品施加到所述感兴趣的区域之前的所述感兴趣的区域的图像。
11.一种用于生成配置为确定体液的样品中分析物的浓度的软件实现模块的系统，所述系统包括一个或多个数据处理装置，所述一个或多个数据处理装置配置为
-提供第一组测量数据，所述第一组测量数据表现第一色彩信息，所述第一色彩信息是通过从一个或多个测试条的感兴趣的区域的图像进行图像数据处理而得到的，所述图像
-响应于将含有分析物的体液的一个或多个第一样品施加到所述感兴趣的区域而指示所述感兴趣的区域的色彩变换；以及
-由各自经配置用于图像记录和图像数据处理的多个装置来记录以生成所述第一色彩信息，所述多个装置配有应用于所述装置中的图像记录和图像数据处理的不同软件和/或硬件装置配置；
-在应用人工神经网络的机器学习过程中生成神经网络模型，包括
-提供神经网络模型；以及
-通过训练从所述第一组测量数据中选择的数据来训练所述神经网络模型；以及
-生成包含表现所述神经网络模型的第一分析算法的软件实现模块；
其中所述软件实现模块配置为，当加载到具有一个或多个处理器的数据处理装置中时，通过分析第二组测量数据来确定体液的第二样品中分析物的浓度，所述第二组测量数据指示通过从一个或多个测试条的感兴趣的区域的图像进行图像处理而得到的第二色彩信息，响应于将包含所述分析物的所述体液的所述第二样品施加到所述感兴趣的区域，所述图像指示所述感兴趣的区域的色彩变换。
12.一种用于确定体液的样品中分析物的浓度的系统，所述系统包括一个或多个数据处理装置，所述一个或多个数据处理装置配置为
-提供指示当前色彩信息的当前组测量数据，所述当前色彩信息是通过从当前测试条的感兴趣的区域的图像进行图像处理而得到的，响应于将包含分析物的体液的当前样品施加到所述感兴趣的区域，所述图像指示所述感兴趣的区域的色彩变换；
-提供包含表现神经网络模型的第一分析算法的软件实现模块，所述神经网络模型是在应用人工神经网络的机器学习过程中生成的；
-确定所述体液的所述当前样品中所述分析物的浓度，包括通过所述第一分析算法分析所述当前组测量数据；以及
-生成指示所述体液的所述当前样品中所述分析物的所述浓度的浓度数据；
其中在所述机器学习过程中生成所述神经网络模型包括
-提供第一组测量数据，所述第一组测量数据
-指示通过从一个或多个测试条的感兴趣的区域的图像进行图像数据处理而得到的第一色彩信息，响应于将包含分析物的体液的一个或多个第一样品施加到感兴趣的区域，所述图像指示所述感兴趣的区域的色彩变换；以及
-表现从由多个装置记录的图像而得到的第一色彩信息，所述多个装置各自经配置用于图像记录和图像数据处理以生成所述第一色彩信息，所述多个装置配有在所述装置中应用于图像记录和图像数据处理的不同装置配置；以及
-通过训练从所述第一组测量数据中选择的数据来训练所述神经网络模型。
13.计算机程序产品，其包括程序代码，所述程序代码配置为当被加载到具有一个或多个处理器的计算机中时，执行根据权利要求 1 至 10 中至少一项的方法。
CN201980081481.4A 2018-12-10 2019-12-09 用于确定体液的样品中分析物的浓度的方法和系统以及用于生成软件实现模块的方法和系统 Pending CN113167738A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862777360P 2018-12-10 2018-12-10
US62/777360 2018-12-10
EP18215541.6A EP3667301B1 (en) 2018-12-10 2018-12-21 Method and system for determining concentration of an analyte in a sample of a bodily fluid, and method and system for generating a software-implemented module
EP18215541.6 2018-12-21
PCT/EP2019/084115 WO2020120349A1 (en) 2018-12-10 2019-12-09 Method and system for determining concentration of an analyte in a sample of a bodily fluid, and method and system for generating a software-implemented module

Publications (1)

Publication Number Publication Date
CN113167738A true CN113167738A (zh) 2021-07-23

Family

ID=64901409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980081481.4A Pending CN113167738A (zh) 2018-12-10 2019-12-09 用于确定体液的样品中分析物的浓度的方法和系统以及用于生成软件实现模块的方法和系统

Country Status (12)

Country Link
US (2) US11928814B2 (zh)
EP (1) EP3667301B1 (zh)
JP (1) JP2022514826A (zh)
KR (1) KR20210099575A (zh)
CN (1) CN113167738A (zh)
BR (1) BR112021011115A2 (zh)
CA (1) CA3120025A1 (zh)
ES (1) ES2910573T3 (zh)
MA (1) MA51798B1 (zh)
PL (1) PL3667301T3 (zh)
TW (1) TWI825240B (zh)
WO (1) WO2020120349A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114145738A (zh) * 2022-02-10 2022-03-08 苏州百孝医疗科技有限公司 分析物浓度数据生成方法和装置、监测分析物水平的系统
CN117723530A (zh) * 2023-11-24 2024-03-19 中国石油大学(华东) 可穿戴比色生物传感器及深度学习智能感知微系统

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116324406A (zh) * 2020-10-16 2023-06-23 株式会社钟化 自动判别系统、自动判别方法以及自动判别程序
CN113486900B (zh) * 2021-05-28 2024-06-07 杭州微策生物技术股份有限公司 一种用于poct的嵌入式实时图像采集处理系统
AR128485A1 (es) * 2022-02-11 2024-05-15 Hoffmann La Roche Métodos y dispositivos para llevar a cabo una medición analítica
WO2023152200A1 (en) 2022-02-11 2023-08-17 F. Hoffmann-La Roche Ag Methods and devices for determining the concentration of at least one analyte in a bodily fluid
CN115598124B (zh) * 2022-11-03 2023-07-18 淮北师范大学 颜色去卷积水质检测方法
WO2024108597A1 (zh) * 2022-11-25 2024-05-30 深圳迈瑞生物医疗电子股份有限公司 一种干化学检测装置及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6394952B1 (en) 1998-02-03 2002-05-28 Adeza Biomedical Corporation Point of care diagnostic systems
US20040092036A1 (en) * 2002-09-11 2004-05-13 Lattec I/S Device for analysing analyte compounds and use hereof
EP2271942A2 (en) * 2008-03-17 2011-01-12 Randall W. Nelson Biomarkers and assays for diabetes
EP3180596A4 (en) * 2014-08-15 2018-09-26 Scanadu Incorporated Precision luxmeter methods for digital cameras to quantify colors in uncontrolled lighting environments
US20180211380A1 (en) * 2017-01-25 2018-07-26 Athelas Inc. Classifying biological samples using automated image analysis
EP3612963B1 (en) * 2017-04-18 2021-05-12 Yeditepe Universitesi Biochemical analyser based on a machine learning algorithm using test strips and a smartdevice

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114145738A (zh) * 2022-02-10 2022-03-08 苏州百孝医疗科技有限公司 分析物浓度数据生成方法和装置、监测分析物水平的系统
CN117723530A (zh) * 2023-11-24 2024-03-19 中国石油大学(华东) 可穿戴比色生物传感器及深度学习智能感知微系统

Also Published As

Publication number Publication date
PL3667301T3 (pl) 2022-02-28
TW202032435A (zh) 2020-09-01
CA3120025A1 (en) 2020-06-18
ES2910573T3 (es) 2022-05-12
WO2020120349A1 (en) 2020-06-18
EP3667301A1 (en) 2020-06-17
EP3667301B1 (en) 2021-12-01
US20240177304A1 (en) 2024-05-30
JP2022514826A (ja) 2022-02-16
US20210295515A1 (en) 2021-09-23
MA51798B1 (fr) 2022-01-31
BR112021011115A2 (pt) 2021-08-31
US11928814B2 (en) 2024-03-12
KR20210099575A (ko) 2021-08-12
TWI825240B (zh) 2023-12-11
MA51798A (fr) 2020-06-17

Similar Documents

Publication Publication Date Title
TWI825240B (zh) 用於判定體液樣品中之分析物濃度的方法和系統及用於產生軟體實施模組的方法和系統
Gamboa et al. Validation of the rapid detection approach for enhancing the electronic nose systems performance, using different deep learning models and support vector machines
Petersen et al. Reprint of “influence of analytical bias and imprecision on the number of false positive results using guideline-driven medical decision limits”
Benkarim et al. Population heterogeneity in clinical cohorts affects the predictive accuracy of brain imaging
Liu et al. Simple model for encoding natural images by retinal ganglion cells with nonlinear spatial integration
Maulucci et al. Phase separation of the plasma membrane in human red blood cells as a potential tool for diagnosis and progression monitoring of type 1 diabetes mellitus
Antoniewicz et al. Evaluation of regression models in metabolic physiology: predicting fluxes from isotopic data without knowledge of the pathway
CN110403611B (zh) 血液中糖化血红蛋白成分值预测方法、装置、计算机设备和存储介质
WO2014065155A1 (ja) ネットワークエントロピーに基づく生体の状態遷移の予兆の検出を支援する検出装置、検出方法及び検出プログラム
Zhou et al. Six cornerstones for translational brain charts
Sotirakis et al. Identification of motor progression in Parkinson’s disease using wearable sensors and machine learning
RU2808555C2 (ru) Способ и система для определения концентрации аналита в образце физиологической жидкости и способ и система для создания реализуемого программным обеспечением модуля
CN113948203A (zh) 一种基于卷积神经网络的快速预测方法
Nazaret et al. Modeling personalized heart rate response to exercise and environmental factors with wearables data
KR20240014124A (ko) 인공지능과 신속진단키트 융복합 기반 심근 경색 예후 판별 장치 및 그 동작방법
KR20240014128A (ko) 인공지능-신속항원키트 융복합 기반 개인 또는 집단 면역 추이 예측 분석 장치 및 그 동작방법
KR20240014125A (ko) 인공지능-신속진단키트 융복합 기반 약물 복용 여부 검출 장치 및 그 동작방법
Serzhantova et al. A Tool to Automate the Assessment of Patient Dynamics in Intensive Care Units, Based on a Specialized Methodology
KR20240014126A (ko) 인공지능-신속진단키트 융복합 기반 소변 분석 장치 및 그 동작방법
KR20240014127A (ko) 시각 인공지능 기반 신속진단키트 검사결과 정량화 서비스 제공장치 및 그 동작방법
Eissa et al. CODI: Enhancing machine learning-based molecular profiling through contextual out-of-distribution integration
Matabuena et al. Five-year prediction of glucose changes with missing data in a reproducing kernel hilbert space
KR20240014119A (ko) 인공지능 기반 신속 진단 키트 분석 정보 서비스 제공 방법 및 그 그록매체
KR20240014123A (ko) 인공지능과 신속진단키트 융복합 기반 성병 검사 보조 장치 및 그 동작방법
KR20240014121A (ko) 시각 인공지능 기반 신속 진단키트 특성 식별 장치 및 방법

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40058380

Country of ref document: HK