CN113632178A - 用于中耳炎诊断的机器学习 - Google Patents

用于中耳炎诊断的机器学习 Download PDF

Info

Publication number
CN113632178A
CN113632178A CN202080024219.9A CN202080024219A CN113632178A CN 113632178 A CN113632178 A CN 113632178A CN 202080024219 A CN202080024219 A CN 202080024219A CN 113632178 A CN113632178 A CN 113632178A
Authority
CN
China
Prior art keywords
classification
membrane
parameters
data sets
tympanic membrane
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
CN202080024219.9A
Other languages
English (en)
Inventor
查理·科瑞多
马克·A·默林
凯特琳·卡梅伦
乔治·盖茨
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.)
Otonexus Medical Technologies Inc
Original Assignee
Otonexus Medical Technologies Inc
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 Otonexus Medical Technologies Inc filed Critical Otonexus Medical Technologies Inc
Publication of CN113632178A publication Critical patent/CN113632178A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/00002—Operational features of endoscopes
    • A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
    • A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
    • A61B1/000096—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope using artificial intelligence
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/227—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor for ears, i.e. otoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0048—Detecting, measuring or recording by applying mechanical forces or stimuli
    • A61B5/0053—Detecting, measuring or recording by applying mechanical forces or stimuli by applying pressure, e.g. compression, indentation, palpation, grasping, gauging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0062—Arrangements for scanning
    • A61B5/0066—Optical coherence imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/12—Audiometering
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0858—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving measuring tissue layers, e.g. skin, interfaces
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/12—Diagnosis using ultrasonic, sonic or infrasonic waves in body cavities or body tracts, e.g. by using catheters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
    • A61B8/4416—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device related to combined acquisition of different diagnostic modalities, e.g. combination of ultrasound and X-ray acquisitions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/485—Diagnostic techniques involving measuring strain or elastic properties
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/486—Diagnostic techniques involving arbitrary m-mode
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/488—Diagnostic techniques involving Doppler signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Optics & Photonics (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)

Abstract

本文公开了通过使用分类器来对鼓膜进行分类的系统和方法。该分类器是一种机器学习算法。一种对鼓膜进行分类的方法包括以下步骤：从问诊系统接收与鼓膜有关的一个或多个数据集；从该一个或多个数据集确定一组参数，其中该组参数中的至少一个参数与鼓膜的动态属性或静态位置有关；并基于从该组参数导出的分类器模型输出鼓膜的分类。该分类包括鼓膜的状态、病况或移动性度量中的一个或多个。

Description

用于中耳炎诊断的机器学习
交叉引用
本申请要求2019年1月25日提交的美国临时申请号62/796,762的权益，该申请通过引用并入本文。
背景技术
本公开内容涉及用于表征组织和相关材料(诸如，用于诊断)的系统和方法。特别地，本公开内容涉及测量组织移动性或位置，诸如鼓膜的移动性或位置，用于诊断和表征中耳炎(即，耳部感染)。例如，本公开内容的实施方式涉及机器学习，例如，利用由鼓膜的光学和/或声学和/或压力数据集组成的一组训练数据，来预测鼓膜移动性或位置。预测模型可以用训练集来生成，并用于表征患者的鼓膜移动性或位置，从而诊断和表征任何中耳炎。
中耳炎(OM)是内耳的一组炎性疾病并且是最普遍的儿童医疗保健问题的诱因，通常称为“耳部感染”。OM定义为中耳中存在液体积液，并包括两种主要类型：急性中耳炎(AOM)，渗出性中耳炎(OME)，慢性中耳炎(COM)和慢性化脓性中耳炎(CSOM)。通常伴随耳痛的感染的快速发作是AOM中耳积液(MEE)的特点，而OME通常不与症状相关联，因为MEE液体是非感染性的。
OM诊断最常见依赖于耳镜检查以视觉评估鼓膜(TM)，即，“耳鼓”。耳镜照亮并放大TM，以允许医生定性解读与OM感染有关的视觉指标，诸如着色、透明度和凸起。然而，由于设备和医师技能导致通过耳镜检查的OME诊断的准确性不同—尤其熟悉OM的儿科医生和耳鼻喉科医生在使用耳镜检查的情况下具有范围在50-70％的估计诊断准确率。鉴于难以通过耳镜检查适当诊断OM，只有40％的初级儿科医生对他们的耳镜检查结果有信心，并且AOM经常误诊。
因此，需要改进的系统、装置和方法用于对鼓膜进行分类和/或诊断中耳炎。
可能与本文公开内容相关的参考文献可以包括美国专利US5235510、US5331550、US6090044、US7058441、US7283653、US7771356、US8115934、US8798345、US8996098、US9053536、US9445713、US9536054、US9589374、US9636007、US9684960、US9750450、US9867528、US9922242和US10013757；美国公开US2003026470、US2004068167、US2006235725、US2006282009、US2007112273、US2009112100、US2012185275、US2013303941、US2014036054、US2017071509、US2017126943、US2017132367、US2018025210、US2018211380、US2018242860和US2018260616；以及国际公开WO2000/010451、WO2001/026026、WO2009/157825、WO2018/045269、WO2018/106005、WO2018/140014和WO2018/198253。
以下非专利出版物可能与本文公开内容有关：Vertan,C.等人的“Eardrum colorcontent analysis in video-otoscopy images for the diagnosis support ofpediatric,”Int.Symp.on Signals,Circuits and Systems,布加勒斯特，罗马尼亚，2011年7月；Shaikh,N.等人的“Development of an algorithm for the diagnosis of otitismedia,”Academic Pediatrics,第12卷，第3期(2012年5月-6月)；Kuruvilla,A.等人的“Automated diagnosis of otitis media:vocabulary and grammar,”InternationalJournal of Biomedical Imaging:NA.Hindawl Limited.(2013)；Rappaport,K.等人的“Comparative Assessment of a Smartphone Otoscope for the Diagnosis andManagement of Acute Otitis Media,”Provisional Section on Advances inTherapeutics and Technology Poster Presentation(2013年10月28日)；Shie,C.K.等人的“A hybrid feature-based segmentation and classification system for thecomputer aided self-diagnosis of otitis media,”Conf Proc IEEE Eng Med BiolSoc.,2014；2014:4655-8；Somrak,M.等人的“Tricorder:consumer medical device fordiscovering common medical conditions,”Informatica 38.1:81(8).SlovenianSociety Informatika.(2014年3月)；Myburgh,H.等人的“Towards low cost automatedsmartphone-and cloud-based otitis media diagnosis,”Biomedical SignalProcessing and Control 39(2018)34-52；Umea University.“Diagnosing earinfection using smartphone.”ScienceDaily.ScienceDaily,2016年3月30日.<www.sciencedaily.com/releases/2016/03/160330102850.htm>；Senaras,C.等人的“Detection of eardrum abnormalities using ensemble deep learning approaches,”Proc.SPIE 10575,Medical Imaging 2018:Computer-Aided Diagnosis,105751A(2018年2月27日)；Kasher,M.S.,“Otitis Media Analysis:An Automated Feature Extractionand Image Classification System,”Helsink Metropolia University of AppliedSciences,Bachelor of Engineering,Degree Programme in Electronics,Bachelor’sThesis(25.04.2018)；以及Tran,T.等人的“Development of an Automatic DiagnosticAlgorithm for Pediatric Otitis Media,”Otology&neurotology:officialpublication of the American Otological Society,American Neurotology Society[and]European Academy of Otology and Neurotology 39.8:1060-1065。(2018年9月)。
发明内容
本公开内容涉及用于测量鼓膜的移动性和位置以诊断和表征中耳炎(即，耳部感染)的系统和方法。机器学习可以与由鼓膜的光学和/或超声和/或压力数据集组成的一组训练数据一起使用，以生成鼓膜移动性和/或位置的预测模型。
本公开内容的各方面提供了一种用于对鼓膜进行分类的方法。所述方法包括：从问诊系统接收与所述鼓膜有关的一个或多个数据集；从所述一个或多个数据集确定一组参数，其中所述组参数中的至少一个参数与所述鼓膜的动态属性或静态位置有关；以及基于从所述组参数导出的分类器模型输出所述鼓膜的分类，其中所述分类包括所述鼓膜的状态、病况或移动性量度中的一个或多个。
在一些实施方式中，所述问诊系统包括成像系统，并且其中所述一个或多个数据集包括所述鼓膜的一个或多个图像。在一些实施方式中，所述分类器模型包括机器学习算法。在一些实施方式中，所述机器学习算法包括线性回归、逻辑回归、分类和回归树算法、支持向量机(SVM)、朴素贝叶斯、K最近邻算法、随机森林算法、诸如XGBoost和LightGBM的提升算法、神经网络、卷积神经网络和递归神经网络中的一个或多个。在一些实施方式中，所述机器学习算法是监督学习算法、无监督学习算法、或半监督学习算法。
在一些实施方式中，所述鼓膜的所述一个或多个图像包括一个或多个超声图像。在一些实施方式中，所述一个或多个超声图像包括来自气动超声鼓室镜(pneumaticultrasound tympanoscope)的图像。在一些实施方式中，响应于气动激励测量所述一个或多个超声图像。在一些实施方式中，所述鼓膜的所述一个或多个图像包括一个或多个光学相干断层扫描图像。在一些实施方式中，所述图像包括光学图像。
在一些实施方式中，与所述膜的所述动态属性或静态位置有关的所述至少一个参数响应于气动激励。在一些实施方式中，所述气动激励包括一团气体(a puff of gas)。在一些实施方式中，所述气动激励具有大于10Hz的频率。在一些实施方式中，所述鼓膜的所述动态属性包括以下中的一个或多个：膜移动或膜移动性的指示；所述鼓膜的最小或最大位移；异常位移；最小与最大位移之间的差值或比率；相对于气动激励的压力，位移的斜率或者最小与最大位移之间的差值或比率的斜率；测量压力与施加压力的响应；所述鼓膜响应于气动激励的视觉移动；从奇异值分解、主成分分析和K均值聚类生成的一个或多个统计分量；以及超声脉冲回波振幅或超声回波相位或其导数或其移动平均值。在一些实施方式中，所述鼓膜的所述动态属性相对于气动激励的压力归一化。
在一些实施方式中，所述方法还包括生成所述鼓膜移动性的序数读出(ordinalreadout)、类别读出或连续数值输出中的一个或多个。在一些实施方式中，所述序数读出包括与膜移动性的程度有关的数值级别。在一些实施方式中，所述数值级别包括0至4+的分类。在一些实施方式中，类别读出包括作为高度移动、中度移动、半移动或不移动中的至少一个的膜移动性程度的指示。在一些实施方式中，类别读出包括二元分类。在一些实施方式中，连续数值输出包括测量膜位移、膜移动速度或膜恢复速度中的一个或多个。
在一些实施方式中，所述鼓膜的所述状态或病况包括急性中耳炎、急性渗出性中耳炎、中耳积液、慢性中耳炎、慢性化脓性中耳炎、细菌感染、病毒感染、无积液和未知分类中的一个或多个。
在一些实施方式中，所述一个或多个数据集包括m模式超声数据集。在一些实施方式中，所述一个或多个数据集包括红外图像。在一些实施方式中，所述一个或多个数据集包括气动数据集。在一些实施方式中，所述一个或多个数据集包括响应于气动激励而获取的一个或多个光学图像。在一些实施方式中，所述静态位置包括扩张的膜或收缩的膜。
在另一方面，本公开内容提供了用于对鼓膜进行分类的系统。所述系统包括：计算系统，所述计算系统包括存储器，所述存储器包括用于对所述鼓膜进行分类的指令，其中所述计算系统被配置成执行所述指令以至少：从问诊系统接收与所述鼓膜有关的一个或多个数据集；从所述一个或多个数据集确定一组参数，其中所述组参数中的至少一个参数与所述鼓膜的动态属性或静态位置有关；以及基于从所述组参数导出的分类器模型输出所述鼓膜的分类，其中所述分类包括所述鼓膜的状态、病况或移动性量度。
在一些实施方式中，所述问诊系统包括成像系统，并且其中所述一个或多个数据集包括所述鼓膜的一个或多个图像。在一些实施方式中，所述系统附加地包括气动超声鼓室镜。
在一些实施方式中，所述分类器模型包括机器学习算法。在一些实施方式中，所述机器学习算法包括线性回归、逻辑回归、分类和回归树算法、支持向量机(SVM)、朴素贝叶斯、K最近邻算法、随机森林算法、诸如XGBoost和LightGBM的提升算法、神经网络、卷积神经网络和递归神经网络中的一个或多个。在一些实施方式中，所述机器学习算法是监督学习算法、无监督学习算法、或半监督学习算法。
在一些实施方式中，所述鼓膜的所述一个或多个图像包括一个或多个超声图像。在一些实施方式中，所述一个或多个超声图像包括来自气动超声鼓室镜的图像。在一些实施方式中，响应于气动激励测量所述一个或多个超声图像。在一些实施方式中，所述鼓膜的所述一个或多个图像包括一个或多个光学相干断层扫描图像。在一些实施方式中，所述图像包括光学图像。
在一些实施方式中，与所述膜的动态属性或静态位置有关的所述至少一个参数响应于气动激励。在一些实施方式中，所述气动激励包括一团气体。在一些实施方式中，所述气动激励包括大于10Hz的频率。在一些实施方式中，所述鼓膜的所述动态属性包括以下中的一个或多个：膜移动或膜移动性的指示；所述鼓膜的最小或最大位移；异常位移；最小与最大位移之间的差值或比率；相对于气动激励的压力，位移的斜率或者最小与最大位移之间的差值或比率的斜率；测量压力与施加压力的响应；所述鼓膜响应于气动激励的视觉移动；从奇异值分解、主成分分析和K均值聚类生成的一个或多个统计分量；以及超声脉冲回波振幅或超声回波相位或其导数或其移动平均值。在一些实施方式中，所述鼓膜的所述动态属性相对于气动激励的压力归一化。
在一些实施方式中，所述计算系统还被配置成执行所述指令以生成所述鼓膜移动性的序数读出、类别读出或连续数值输出中的一个或多个。在一些实施方式中，所述序数读出包括与膜移动性的程度有关的数值级别。在一些实施方式中，所述数值级别包括0至4+的分类。在一些实施方式中，类别读出包括作为高度移动、中度移动、半移动或不移动中的至少一个的膜移动性程度的指示。在一些实施方式中，类别读出包括二元分类。在一些实施方式中，连续数值输出包括测量膜位移、膜移动速度或膜恢复速度中的一个或多个。
在一些实施方式中，所述鼓膜的所述状态或病况包括急性中耳炎、急性渗出性中耳炎、中耳积液、慢性中耳炎、慢性化脓性中耳炎、细菌感染、病毒感染、无积液和未知分类中的一个或多个。
在一些实施方式中，所述一个或多个数据集包括m模式超声数据集。在一些实施方式中，所述一个或多个数据集包括红外图像。在一些实施方式中，所述一个或多个数据集包括气动数据集。在一些实施方式中，所述一个或多个数据集包括响应于气动激励而获取的一个或多个光学图像。在一些实施方式中，所述静态位置包括扩张的膜或收缩的膜。
在另一方面，本公开内容提供了一种非暂时性计算机可读介质，其包括由计算系统执行时实现用于对膜进行分类的方法的机器可执行代码，所述方法包括：从问诊系统接收与所述鼓膜有关的一个或多个数据集；从所述一个或多个数据集确定一组参数，其中所述组参数中的至少一个参数与所述鼓膜的动态属性或静态位置有关；以及基于从所述组参数导出的分类器模型输出所述鼓膜的分类，其中所述分类包括所述鼓膜的状态、病况或移动性量度。
在一些实施方式中，所述问诊系统包括成像系统，并且其中所述一个或多个数据集包括所述鼓膜的一个或多个图像。在一些实施方式中，所述方法还可以包括本文公开的任何方面或实施方式所述的方法。
在另一方面，提供了一种训练计算机实现的分类器的方法。所述方法包括：接收一组参数，所述组参数基于与一个或多个鼓膜有关的一个或多个数据集以及与所述一个或多个鼓膜有关的一个或多个分类数据集，其中分类包括所述鼓膜的状态、病况或移动性度量，并且其中所述组参数包括与所述一个或多个鼓膜的动态属性或静态位置有关的至少一个参数；将所述组参数和所述一个或多个分类数据集存储在数据库中；基于所述组参数和所述一个或多个分类数据集构建分类器模型，其中所述分类器模型从所述组参数导出，并且其中所述分类器模型基于所述一个或多个分类数据集的数据集输出分类；以及使用所述分类器模型来提供未分类数据集的分类。
在一些实施方式中，所述方法还包括基于第二一个或多个分类数据集更新所述数据库；以及基于所述第二一个或多个分类数据集更新所述分类器模型。在一些实施方式中，所述方法还包括通过根据任何方面或实施方式所述的用于对鼓膜进行分类的方法，使用所述分类器模型来提供对未分类数据集的分类。
在另一方面，提供了一种用于训练计算机实现的分类器的系统。所述系统包括：计算系统，所述计算系统包括存储器，所述存储器包括用于训练所述数据集的指令，其中所述计算系统被配置成执行所述指令以至少：接收一组参数，所述组参数基于与一个或多个鼓膜有关的一个或多个数据集以及与所述一个或多个鼓膜有关的一个或多个分类数据集，其中分类包括所述鼓膜的状态、病况或移动性度量，并且其中所述组参数包括与所述一个或多个鼓膜的动态属性或静态位置有关的至少一个参数；将所述组参数和所述一个或多个分类数据集存储在数据库中；基于所述组参数和所述一个或多个分类数据集构建分类器模型，其中所述分类器模型从所述组参数导出，并且其中所述分类器模型基于所述一个或多个分类数据集的数据集输出分类；以及使用所述分类器模型来提供未分类数据集的分类。
在一些实施方式中，所述系统被配置成执行所述指令以至少：基于第二一个或多个分类数据集更新所述数据库；以及基于所述第二一个或多个分类数据集更新所述分类器模型。在一些实施方式中，所述系统还包括任何方面或实施方式所述的用于对鼓膜进行分类的系统。
在另一方面，本公开内容提供了一种非暂时性计算机可读介质，其包括由计算系统执行时实现用于训练计算机实现的分类器的方法的机器可执行代码，所述方法包括：接收一组参数，所述组参数基于与一个或多个鼓膜有关的一个或多个数据集以及与所述一个或多个鼓膜有关的一个或多个分类数据集，其中分类包括所述鼓膜的状态、病况或移动性度量，并且其中所述组参数包括与所述一个或多个鼓膜的动态属性或静态位置有关的至少一个参数；将所述组参数和所述一个或多个分类数据集存储在数据库中；基于所述组参数和所述一个或多个分类数据集构建分类器模型，其中所述分类器模型从所述组参数导出，并且其中所述分类器模型输出分类；以及使用所述分类器模型来提供未分类数据集的分类。
在一些实施方式中，所述方法还包括基于第二一个或多个分类数据集更新所述数据库；以及基于所述第二一个或多个分类数据集更新所述分类器模型。在一些实施方式中，所述方法还包括通过根据任何方面或实施方式所述的用于对鼓膜进行分类的方法，使用所述分类器模型来提供对未分类数据集的分类。
援引并入
本说明书中所提及的所有出版物、专利和专利申请均通过引用并入本文，其程度如同具体地和单独地指出每个单独的出版物、专利或专利申请均通过引用而并入。在通过援引并入的出版物和专利或专利申请与本说明书中包含的公开内容相矛盾的情况下，本说明书旨在代替和/或优先于任何这样的矛盾材料。
附图说明
本发明的新颖特征在随附权利要求中具体阐述。通过参考以下对其中利用到本发明原理的说明性实施方式加以阐述的详细描述和附图(本文也称“图”)，将会获得对本发明的特征和优点的更好的理解，在附图中：
图1是根据一些实施方式的表征鼓膜的示例方法的流程图。
图2是图示根据一些实施方式的用于对鼓膜进行分类的示例系统200的示意图。
图3是图示如本文所公开的问诊系统的示例的示意图。
图4图示了本公开内容的问诊装置提供的示例数据集。
图5A和图5B是根据一些实施方式的，可以包括对分类器模型的输入以输出分类的源自压力、超声和光学测量的参数集的示意图。
图6是图示根据一些实施方式的包括机器学习算法的分类器模型的示例600的示意图。
图7A、图7B和图7C是图示根据一些实施方式的可以由机器学习算法生成的示例决策树的示意图。
图8是根据一些实施方式的训练计算机实现的分类器的示例方法的流程图。
图9是图示用于训练计算机实现的分类器的系统的示例的示意图。
图10是图示根据一些实施方式的用于对鼓膜进行分类的示例系统的示意图，该示例系统包括数字处理设备和用户可见的显示器。
具体实施方式
本文公开的方法、系统和介质可以通过提供对组织的改进的分类(例如，诊断)来改进分类组织的现有方法。例如，本文提供的方法和系统可以使用机器学习方法来构建改善鼓膜的分类的分类器。机器学习方法可以利用大型数据集，以获得对数据集的新洞察。分类器模型可以改善鼓膜的表征，这可能导致更好的患者结果。分类器模型可以为临床医师提供信息用于更准确的中耳炎管理(例如，鼓膜移动性信息和/或鼓膜的状态或病况)，同时由于医师培训和使用气动耳镜检查的经验而减少偏差。在一些情况下，本文提供的方法和系统可以从训练和验证的算法直接提供疾病状态。
本文公开的方法、系统和介质可以通过利用与鼓膜的移动性有关的参数来改进分类组织的现有方法。正常鼓膜可以响应压力而移动，并且移动性缺乏或降低是中耳中有流体、穿孔或鼓膜硬化等的指示。增加移动性测量可能对诊断准确性很重要，因为OM诊断可见耳膜属性的预测值可能会变化。因此，即使在耳膜的外观没有给出中耳病理学的指示的情况下，移动性的附加信息也可以提供存在积液的指示。
本文所公开的方法、系统和介质可以例如与诸如以下中描述的那些等用于表征延性膜、表面和表面下性质的装置和方法组合使用：共同所有美国专利号7,771,356以及美国专利公开号2019/0365292、2018/0310917和2017/0014053，前述中的每个通过引用整体并入。本文所公开的方法、系统和介质可以例如与如以下中公开的使用光学相干断层扫描(OCT)的装置和方法组合使用：共同转让的美国专利公开号2019/0200873和美国专利公开号2017/0360302，前述中的每个通过引用整体并入。
如本文所公开的方法、系统和介质可用于表征多种生物组织以提供各种诊断信息。生物组织可包括患者器官。窥器可布置在体腔内以表征患者组织。患者器官或体腔可包括例如：肌肉、腱、韧带、口腔、舌、咽、食道、胃、肠、肛门、肝脏、胆囊、胰脏、鼻、喉、气管、肺、肾脏、膀胱、尿道、子宫、阴道、卵巢、睾丸、前列腺、心脏、动脉、静脉、脾脏、腺体、脑、脊髓、神经等，仅举几例。
本文公开的方法、系统和介质可用于对鼓膜进行分类。例如，可以对膜分类以确定耳部的病况，诸如急性中耳炎(AOM)、慢性中耳炎、渗出性中耳炎和/或慢性化脓性中耳炎。耳部表现出AOM的分类可以包括检测积液的存在和表征积液的类型为浆液样、粘液样、脓性或这些的组合中的一种。在AOM中，中耳积液(MEE)可以通过传染物诱导，并且在病菌感染下可能是薄或浆液样的，而在细菌感染下是较厚且脓性的。因此，确定邻近鼓膜的流体的各种属性可以提供可用于表征膜的信息。
现在将详细参考各种实施方式，其示例在附图中示出。在下面的详细描述中，阐述了许多具体细节以提供对本公开内容和所描述的实施方式的透彻理解。然而，本公开内容的实施方式任选地在没有这些具体细节的情况下实践。在其他情况下，没有详细描述公知的方法、步骤、组件和电路，以免不必要地使实施方式的各方面不清楚。在附图中，相同的附图标记指代相同或相似的步骤或组件。
本文使用的术语仅为了描述具体实施方式，而不意欲限制权利要求。如实施方式和所附权利要求的描述中所用，除非文中另有明确说明，否则单数形式“一个”、“一种”和“该”也意欲包括复数形式。还应理解，如本文所用的术语“和/或”是指并且涵盖一个或多个相关联的所列项目的任何和所有可能的组合。将进一步理解，当在本说明书中使用术语“包括”和/或“包含”时，其指定所述特征、整数、步骤、操作、元件和/或组件的存在，但并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件，和/或其组。
如本文所用，术语“如果”任选地解释为意指“当”、“在……之后”或“响应于测定”或“根据测定”或“响应于检测”时，先决条件为真，具体取决于上下文。类似地，短语“如果确定[所述先决条件为真]”或“如果[所述先决条件为真]”或“当[所述先决条件为真]时”任选地解释为意指“在测定之后”或“响应于测定”或“根据测定”或“根据检测”或“响应于检测”，所述条件先决条件为真，具体取决于上下文。
如本文所用，并且除非另有说明，否则术语“约”或“大约”意指本领域普通技术人员测定的特定值的可接受误差，该可接受误差部分取决于该值如何测量或测定。在某些实施方式中，术语“约”或“大约”意指在1、2、3或4个标准差内。在某些实施方式中，术语“约”或“大约”意指在给定值或范围的30％、25％、20％、15％、10％、9％、8％、7％、6％、5％、4％、3％、2％、1％、0.5％、0.1％或0.05％之内。
如本文所用，术语“包括”、“包含”或其任何其他变体意欲覆盖非排他性的包括，使得包括一系列元件的过程、方法、物品或装置不仅包括所述元件，而且还可包括未明确列出的其他元件或此类过程、方法、物品或装置所固有的其他元件。
如本文所用，术语“受试者”和“患者”可互换使用。如本文所用，术语“受试者”是指动物(例如，鸟类、爬行动物和哺乳动物)、包括灵长类(例如，猴、黑猩猩和人类)以及非灵长类(例如，骆驼、驴、斑马、牛、猪、马、猫、狗、大鼠和小鼠)的哺乳动物。在某些实施方式中，哺乳动物为0至6个月大、6至12个月大、1至5岁、5至10岁、10至15岁、15至20岁、20至25岁、25至30岁、30至35岁、35至40岁、40至45岁、45至50岁、50至55岁、55至60岁、60至65岁、65至70岁、70至75岁、75至80岁、80至85岁、85至90岁、90至95岁或95至100岁。
图1是根据一些实施方式的用于对鼓膜进行分类的示例方法100的流程图。在操作110处，方法100包括从问诊系统接收与鼓膜有关的一个或多个数据集。在操作120处，方法100包括从一个或多个数据集确定一组参数。该组参数中的至少一个参数可以与鼓膜的动态属性有关。在操作130处，方法100包括基于从该组参数导出的分类器模型输出鼓膜的分类。该分类可以包括鼓膜的状态、病况或移动性度量中的一个或多个。
尽管以上操作示出了根据一些实施方式的对鼓膜进行分类的方法100，但是本领域普通技术人员将认识到基于本文所述教导的许多变化。能够以任何顺序完成步骤。可以添加或删除步骤。许多步骤可以包括子步骤。许多步骤可以在对制造方法有益的情况下而经常重复。
方法100的一个或多个步骤可以用如本文所述的电路执行，例如，数字处理设备或处理器或诸如用于现场可编程门阵列的可编程阵列逻辑等逻辑电路中的一个或多个。可以编程电路以提供方法100的一个或多个步骤，并且程序可以包括存储在计算机可读存储器上的程序指令或诸如，例如可编程阵列逻辑或现场可编程门阵列等逻辑电路的编程步骤。可操作用于执行方法100的一个或多个步骤的数字处理设备的实施方式、变型和示例在本文他处描述，例如关于“数字处理设备”部分以及其中描述的图10。
图2是图示根据一些实施方式的用于对鼓膜进行分类的示例系统200的示意图。系统200可以包括从问诊系统接收的一个或多个数据集210。一个或多个数据集210可以存储在系统200的存储器中。系统200可以包括可操作以基于一个或多个数据集210对鼓膜进行分类并输出分类230的分类器模型220。分类230可以包括鼓膜的状态、病况或移动性度量中的一个或多个。可以生成分类器模型的输出(例如，分类)。分类可以包括关于TM移动性的信息，该信息可以帮助医师诊断OM感染或直接诊断患者的疾病状态。
例如，本文公开了一种用于对鼓膜进行分类的系统。该系统包括：计算系统，该计算系统包括存储器，该存储器包括用于对鼓膜进行分类的指令，其中该计算系统被配置成执行该指令以至少：从问诊系统接收与鼓膜有关的一个或多个数据集；从该一个或多个数据集确定一组参数，其中该组参数中的至少一个参数与鼓膜的动态属性有关；以及基于源自该组参数的分类器模型输出鼓膜的分类，其中该分类包括鼓膜的状态、病况或移动性量度。用于对鼓膜进行分类的系统的计算设备的实施方式、变型和示例在本文他处描述，例如关于“数字处理设备”部分以及其中描述的图10。
问诊系统
图3是图示如本文所公开的问诊系统300的示例的示意图。如本文所公开的问诊系统300可以收集与本文所公开的受试者320的生物膜(例如，鼓膜)有关的一个或多个数据集210。与鼓膜有关的一个或多个数据集可以包括与要表征的生物膜(例如，鼓膜)的物理属性有关的数据。在一些示例中，问诊系统可以包括成像系统。在一些示例中，问诊系统不包括成像系统。问诊系统可以收集超声数据，例如反射的超声数据。问诊系统可以收集光学相干断层扫描数据。问诊系统可以收集红外数据。问诊系统可以收集光学数据。问诊系统可以响应于气动激励来收集数据。问诊系统可以收集与膜移动有关的数据集，例如，响应于气动激励。气动激励可以包括压力激励，例如一团空气。问诊系统可以将耳道中的压力测量为施加压力的函数。在一个示例中，问诊系统可以在气动激励之后测量耳道内的压力。
如本文所公开的问诊系统的任何示例或示例组合可以独立地使用或组合使用，以提供数据集，从该数据集生成参数以包括在如本文所公开的分类器模型中。例如，如本文所公开的问诊系统的任何示例或示例组合可以独立地或组合地用作机器学习算法的输入来提供分类输出。
如本文所公开的问诊系统可以远离本文所公开的分类系统。问诊系统可以收集可以被发送到如本文所公开的分类系统的一个或多个数据集(例如，数据)。在一些情况下，可以从远程服务器接收一个或多个数据集。然而，在一些情况下，问诊系统可以是如本文所公开的分类系统的本地的。例如，分类系统可以是在分类系统的处理器上的板载逻辑的一部分，例如在超声鼓室镜内的逻辑上。
在一些情况下，问诊系统不包括成像系统。例如，问诊系统可以包括超声系统。超声系统可以收集超声数据集，例如多普勒超声数据。在一些情况下，问诊系统收集频率相关数据，例如频率相关光学相干断层扫描数据、吸收频谱、深度相关超声波断层扫描数据等。超声数据可以包括来自气动超声鼓室镜的数据。
问诊系统可以包括超声数据。超声数据可以包括振幅模式(a模式)超声数据。超声数据可以包括二维(b模式)超声数据。超声数据可以包括m模式(运动模式)超声数据。超声数据可以包括多普勒超声数据。超声数据可以包括固定栅极深度与时间的超声m模式相位。超声数据可以包括固定栅极深度与时间的m模式振幅。
在一些示例中，询问系统包括成像系统。成像系统可以收集包括鼓膜的一个或多个图像的一个或多个数据集。在示例中，图像可以包括诸如来自相机的光学图像。在示例中，图像可以包括超声图像。图像可以包括光学相干断层扫描图像。成像系统可以包括诸如磁共振成像(MRI)或计算机断层扫描(CT)或正电子发射断层扫描(PET)等任何其他成像模式或成像模式的组合。可选地，任何图像模式可以与气动激励一起使用。例如，可以响应于气动激励收集图像。可以在气动激励之前和之后收集许多图像。一个或多个图像可以包括超声图像。一个或多个超声图像包括来自气动超声鼓室镜的图像。可以响应于气动激励来测量一个或多个超声图像。在示例中，询问系统可以使用CCD相机测量鼓膜的动态视觉移动。响应于气动激励的光学图像数据集可以包括光学集成图像强度与时间波形形式。响应于气动激励的光学图像数据集可以包括光锥强度与时间波形。响应于气动激励的光学图像数据集可以包括光锥位置与时间波形。响应于气动激励的光学图像数据集可以包括图像清晰度索引与时间波形。
在示例中，如本文所公开的问诊系统可以包括在美国专利号7,771,356以及美国专利公开号2019/0365292、2018/0310917和2017/0014053中公开的方法和系统的实施方式、变化或实施例，前述专利各自通过引用整体并入本文。如在并入的参考文献中公开的用于使用超声回波信号获得关于鼓膜的运动的信息的方法和系统可用于生成与鼓膜的动态特性相关的一个或多个参数。用于测量超声回波信号的系统可以通过施加系统压力脉冲来引起鼓膜的运动，并继而从超声波中提取多普勒转移信号以分析TM的位移和/或归类耳部积液的粘稠度。
在示例中，如本文所公开的问诊系统可以包括在共同转让的美国专利公开号2019/0200873以及美国专利公开号2017/0360302中公开的方法和系统的实施方式、变化或实施例，前述专利中的每一个通过引用整体并入本文。如美国专利公开号2019/0200873和美国专利公开号2017/0360302中所公开的用于使用光学相干断层扫描(OCT)表征膜的方法和系统可以用于生成与鼓膜的动态属性有关的一个或多个参数。例如，鼓膜的动态属性可以包括反射光信号响应于应用的气动激励的相位延迟或时间延迟。OCT可以用于收集与鼓膜有关的深度相关数据。OCT可以用于收集频率相关数据，诸如膜或邻近膜的流体的吸收波长。
问诊系统可以响应于气动激励来收集数据。问诊系统可以收集与膜移动有关的数据，例如，响应于气动激励。气动激励可以包括压力激励，例如一团空气。气动激励可改变膜对超声激励的响应。例如，气动激励可引起膜偏转，相对于未暴露于气动激励的膜，这可改变反射的超声的相位。膜的偏转可包括阻尼简谐运动。该运动可受到膜的弹性变化的影响。例如，如果水、细菌生长或其他异物与膜相邻，则膜弹性可能发生变化。
在一些示例中，气动激励可在一定时间间隔内产生表面或膜的运动。该间隔可与由超声发射器传递至表面或膜的声波相一致。气动激励可为连续的，可为脉冲的，等等。从表面反射的超声可在换能器处被接收。换能器可为与产生入射声波的相同换能器。表面或膜的位移可与接收信号的相位变化(与发射信号相比)有关。膜的运动可影响所接收的超声的相位变化。位移可随时间变化。表面或膜的时间位移的分析可用于确定表面或膜的机械属性，如通过响应于偶联至表面或膜的气动激励的反射超声的相移测量的。
时间信息的分析可与从其他膜响应的模板测量的时间位移结合使用，以创建比较。时间信息的分析可与反射超声幅的延迟相关联的其他度量结合使用，所述反射超声表征表面或膜的响应。所测量的机械属性可包括延展性、弹性、硬度等。可测定膜表面或膜表面下方的流体的机械性能的非接触式测量。
在一些实施方式中，可测量表面的弹性。可分析从膜反射的超声的相位和/或振幅，以产生弹性度量。弹性测量可表征响应施加的激励的一系列测量。弹性度量可从表面的响应得出，并且可提供几种不同现象的一种或多种指示。例如，弹性度量可指示与膜相邻的表面是否具有气态边界或流体边界。例如，如果膜具有流体边界，则膜可运动得更少，运动得更慢，或根本不运动。在一个示例中，对于表征膜后面的流体的情况，弹性度量可指示流体边界、流体的程度或特征。在一些示例中，弹性度量可用于测量具有或没有响应滞后的弹性流体的特征。在具有滞后响应的流体中，流体可在位移响应或“存储(memory)”中表现出偏移，使得一个方向上的响应行为与相反方向上的响应行为相似，但仅在经过特定的位移距离之后。对于滞后响应，可有必要在与系统滞后相关的特定测量位移之后表征响应的线性行为。可根据表面或膜对表面激励的特征响应和反射的超声表征来测定流体弹性度量。
在一些实施方式中，可估计表面偏转。例如，表面偏转的估计可由速度、加速度或与偏转随时间变化的任何其他相关度量测得的估值得出。例如，表面的位移将导致从换能器到表面的路径缩短，并且从表面回到换能器的反射信号将返回存在相移。因此，反射的超声相对于激励的相移给出有关偏转量的信息。利用由激励施加的力的估值，可估计膜的弹性估值。
在一个示例中，激励为具有上升沿、下降沿或脉冲激励的阶跃或脉冲响应。脉冲激励引起膜的振荡偏转。可根据激励到膜振荡的阻尼期的时间来测量反射的超声。在一些实施方式中，位置、弹性或粘度的估值可通过检查振铃属性进行。例如，振铃属性可包括指数衰减时间或振铃周期间隔或频率中的至少一个，例如将响应分解为振铃属性，例如：
φ(t)＝e-t/τcos(2πft)
其中：
φ(t)为一系列测量的捕获相位；
τ为指数衰减系数；
f为振铃周期频率；且
t为时间。
振荡器的阻尼常数可与从膜损失到周围环境中的能量有关。在一个示例中，如果膜与流体相邻，则流体可使膜的振荡衰减。流体的粘度可与振荡器的阻尼有关。振铃周期频率可与弹性膜的恢复常数有关。恢复常数可与膜的弹性有关。恢复常数可与邻近膜的流体的粘度有关。邻近膜的流体的粘度越低，振铃周期频率可越高。
各激励事件可引起膜的新偏转。例如，脉冲激励可在有限的时间内将膜拉入或将膜推出。例如，方波激励可在更长的时间内将膜拉入或将膜推出。例如，可施加正弦波或其他更复杂的激励，并且在换能器处观察到的振铃可为激励场与响应场的互相关。能够以小于100kHz、小于1kHz、小于100Hz、小于10Hz、小于1Hz或更小，或者由前述值中的任何两个给定的范围内的频率施加气动激励。能够以大于1Hz、大于10Hz、大于100Hz、大于1kHz、大于100kHz或更大，或者由前述值中的任何两个给定的范围内的频率施加气动激励。可以在10Hz到100Hz的范围内施加气动激励。
图4图示了本公开内容的问诊设备提供的示例数据集。在A部分处，图4示出了m模式超声信号的强度级别。A部分使用超声测量表征了在施加压力脉冲的施加时间进程期间在指定的时间范围内移动鼓膜的位置。A部分的水平时间级别是与B部分、C部分和D部分中的相同的级别(其中D部分与B部分和C部分相比缩短了时间范围)。在B部分处，图4示出了来自A部分的热图的水平片段的曲线图(由虚线表示)。而A部分示出了在所有深度的信号振幅，B部分示出了基于信号相位随时间改变的膜位置变化。B部分指示了相对于测量时间的鼓膜位置。在C部分处，图4示出了在与B部分相同的时间范围内的施加的压力脉冲。在D部分处，图4示出了跨越在C部分的时间级别的前半部分的压力脉冲期间耳道内的压力的测量值。C部分的时间级别的后半部分期间耳道内的压力的测量值绘制为D部分中的第二曲线，其在时间上平移以与来自前半部分的数据重叠。D部分中这些感测到的压力分布在值上非常接近，难以彼此区分，说明在重复压力刺激时鼓膜的运动非常类似。在E部分处，图4示出了CCD相机记录的示例光学图像，其中在压力脉冲期间白色区域的动态移动，即光锥，(由具有箭头的黑框突出显示)指示TM的移动性。
总之，图4示出了随着压力脉冲被施加(C)，所生成并转化的超声信号分别提供关于鼓膜位置(A和B)以及来自图像(D)和(E)的独特压力和光学响应的详细信息。包含在这些测量值中的信息可以用来生成一组参数，用于训练分类器模型，诸如机器学习模型，以输出分类。
模型参数
可以从一个或多个数据集来导出一组参数。该组参数中的至少一个参数可以与鼓膜的动态属性有关。一组参数还可以包括涉及到鼓膜的静态特征的参数(例如，与膜运动无关的参数)。一组参数可以包括与膜运动有关的参数以及与膜运动无关的参数。一组参数可以包括静态参数和动态参数。一组参数可以包括一个或多个超声特征、一个或多个压力特征，和/或一个或多个光学特征。一组参数或该组参数的子集可以用作诸如受训机器学习算法等分类器模型的输入。该分类器模型可以输出分类。分类可以包括移动性输出。该分类可以包括疾病状态。
该组参数中的至少一个参数可以与鼓膜的动态属性有关。鼓膜的动态属性可能随时间变化。例如，鼓膜的动态属性可以响应于气动激励，例如，吹气或一团气体，而随时间变化。与动态属性有关的潜在参数的非详尽列表如下：膜移动或膜移动性的指示；鼓膜的最小或最大位移；异常位移；最小与最大位移之间的差值或比率；相对于气动激励的压力，位移的斜率或者最小与最大位移之间的差值或比率的斜率；测量压力与施加压力的响应；鼓膜响应于气动激励的视觉移动；从奇异值分解、主成分分析和K均值聚类生成的一个或多个统计分量；以及超声脉冲回波振幅或超声回波相位或其导数或其移动平均值。动态参数可以从鼓膜响应于动态激励的归一化或平均动态属性，诸如上文列出的参数的归一化或平均值，来导出。
表1示出了与鼓膜的动态属性有关的参数的示例列表。鼓膜响应于施加的气动激励的位移可以通过图4的方法来测量。或者，鼓膜响应于施加的气动激励的位移可以通过光学相干断层扫描来测量。
与鼓膜的动态属性有关的参数可包括鼓膜的最小或最大位移。鼓膜移动的绝对距离可能因患者而异。通常，较大的位移可能涉及较高的移动性，而较低的位移可能涉及较低的移动性。这些位移可以指示各种分类。例如，低移动性可能涉及膜后面的粘性流体。
与鼓膜的动态属性有关的参数可以包括异常位移。在一些情况下，测量的位移可以如此大或小，以至移动到超声设备的测量范围之外。该“异常”位移可以作为类别是/否特征处理。大的异常值通常指示高度移动的鼓膜。小的异常值通常指示高度不动的鼓膜。
与鼓膜的动态属性有关的参数可以包括最小与最大位移之间的差值或比率。最小与最大位移之间的差值可以涉及鼓膜的静态收缩或扩张。静态收缩或扩张可以通过测量在+和-压脉冲期间膜行进的距离之间的关系来测量。扩张的膜(朝向问诊设备)在正压循环期间可以由较大的移动性来指示，而在负压循环期间由较小的移动性来指示。收缩的膜在正压循环期间可以由较小的移动性来指示，而在负压循环期间由较大的移动性来指示。这样的测量可以用于提取静态膜参数，例如扩张的膜或收缩的膜。
与鼓膜的动态属性有关的参数可以包括位移特征的变化，包括通过测量的压力脉冲的振幅来归一化任何位移特征，以及由于移动将至少部分取决于所施加的压力刺激而使用位移和测量的压力的任何其他线性或非线性变换。该度量可以是双向的，例如，在知晓量度是在正压刺激下以及负压刺激下的情况下，鼓膜移动性的表征可以更加完整。
与鼓膜的动态属性有关的参数可以包括位移的斜率，相对于气动激励的压力最小与最大位移之间的差值的斜率，或相对于气动激励的压力最小与最大位移之间的比率的斜率。在膜被压力脉冲移位之后，膜返回其原始位置的速度可以指示膜移动性。可以通过本文所述的位移测量值的导数来测量速度。也可以使用二阶或更高阶导数。如本文所述，震荡特征的阻尼系数也可以涉及膜的恢复力。
与鼓膜的动态属性有关的参数可以包括测量压力与施加压力的响应。小于施加压力的测量压力可以指示膜移动性。其还可以指示仪器密封的故障，这将允许识别程序中的错误。与鼓膜的动态属性有关的参数可以包括压力响应的斜率。压力的斜率可以与鼓膜移动性直接相关。
在压力刺激期间可以经由CCD相机查看鼓膜移动。这些视觉移动和位移(速率、振幅)可以转换为用于训练分类器的输入参数或特征。例如，用户(例如，医学专家)可以指示观察膜移动性。用户可以指示膜是定性移动或不动的。用户可以指示0-4分级别的移动性。例如，在耳道中施加压力之后，正常鼓膜可以更轻快地移动并被归类为4+，而部分或完全受损的鼓膜可以被归类为3+，2+，1+或没有移动性以表示序数级别的移动性降低程度。例如，医疗提供者可以指示鼓膜的柔韧性，例如，膜定性地响应于施加的激励而快速弹回的速度。压力评估可以通过临床医师在气动耳镜检查期间进行。
其他参数可以从其他类型的超声信号导出，这可能由于超声信号的不同预处理而产生，该不同预处理包括但不限于：不同频率的带通滤波器、不同的脉冲序列和测量值、(I,Q)多普勒信号变换以及数据处理步骤。各种非限制性示例包括：带通滤波器可以应用于超声信号捕获的“快速时域”，以去除超声换能器的通带之外的噪声伪像，从而提高信噪比；鼓膜深度处的(I,Q)多普勒信号的相位可以整合，以导出膜位移与时间的参数；可以解析位移与时间的参数，以揭示外耳道刺激压力变化期间的响应，并评估该参数用于在刺激压力变化开始和结束时的斜率(柔韧性或迟缓性)和位置(告知位置的总变化)；希伯特(Hilbert)变换可以用于评估来自鼓膜的超声反射的振幅，并且可以在刺激压力变化时进行评估，以检测压力刺激下的光锥取向的变化，作为鼓膜移动性的进一步指示；可以评估膜运动方向性作为先验理解的量化，例如，在外耳道中的压力下降的情况下鼓膜可能朝向超声换能器移动，并且在外耳道中的压力增加的情况下反之亦然；可以评估来自鼓膜的反射的信噪比，以量化所得的移动性测量值是否有效；以及可以识别覆盖比鼓膜信号更宽的深度范围的多个相邻栅极，并且可以对其进行同时监测，以便在其定位在换能器前方的时段期间最佳地跟踪鼓膜信号，并从具有合格的鼓膜信号的最佳栅极深度评估移动性。
与鼓膜的动态属性有关的参数可以源自多普勒超声数据。例如，作为时间函数的鼓膜的多普勒信号可以包括超声波回波振幅和超声回波相位。这些参数可以取决于特定的脉冲回波栅极深度。与超声波振幅有关的参数可以包括与鼓膜声音横截面和鼓膜表面法线的方向有关的数据。与超声回波相位有关的参数可以包括超声回波相位的时间导数。超声回波相位可以与膜速度成比例。
与鼓膜的动态属性有关的参数可以包括从上述数据集中的任何一个的主成分分析、K均值，或类似聚类算法导出的特征。例如，用于降低特征的共线性或基于其各自特征聚类类似样本组的静态数据的任何线性或非线性变换(例如，主成分分析、K均值聚类)可以用于提取一个或多个参数。PCA和K均值可以在各种数据集上使用以创建参数。当特征之间的共线性在数据集中创建冗余信息时，可以尝试PCA和K均值。PCA和K均值可以降低预测的方差，或者可以提供提高准确度的参数。在PCA的情况下，主成分可以自行或与未变换特征组合用作训练特征。可以选择任何数量的主成分(例如，仅前2-3或n个成分，直到满足解释的方差，诸如95％)。对于K均值聚类，可以导出特征，诸如“群集”，其中由每个样本落入其中的群集组组成的类别训练特征可以用作训练模型中的参数。
相对于时间生成附加特征，包括在不同窗口长度上的移动平均值和指数移动平均值。
表1-与鼓膜的动态属性有关的示例参数
鼓膜的最小和最大位移 超声
可测量范围外的异常位移 超声
最小与最大位移之间的差值和比率 超声
归一化通过施加压力的位移 超声+压力
压力脉冲开始时、期间或结束之后紧接着的位移的斜率 超声+压力
测量的压力响应与施加压力 压力
测量的压力响应的斜率 压力
在系统压力脉冲期间“明亮”位置的视觉移动 光学+压力
线性或非线性变换 所有
随时间的移动平均值 所有
一组参数可以包括与膜的静态属性有关的参数。例如，产生光学测量的问诊系统可以允许提取基于视觉特征的参数。中耳炎的视觉指标可以包括着色、透明度和/或凸起。其他静态参数可以包括颜色、不透明、半透明和位置。来自光学测量的视觉特征可以由用户指示，并且可以由参数表示，例如可见凸起或没有可见凸起。
在另一示例中，可以从光学相干断层扫描方法导出与鼓膜的静态位置属性有关的参数。例如，参数可以与鼓膜的深度特点有关。例如，耳朵含有低粘稠度感染性积液，鼓膜光学相干断层扫描信号的初始峰值可以产生延伸反射的轴向区域，其振幅自反射信号的光学衰减而下降。例如，耳朵含有细菌感染，细菌膜可以存在于鼓膜的相对表面上，这可以产生更大的反射轴向程度，然后产生高散射系数和相应增加的衰减。例如，参数可以与鼓膜的吸收特征的波长有关。如果发现鼓膜在对应于细菌积液或病毒积液或没有积液的波长处吸收，则吸收的波长或吸收特征的身份可以包括该组参数中的参数。
分类
本公开内容的方法和系统可以输出鼓膜的分类(例如，输出)。分类可以基于如本文所公开的分类器模型，该分类器可以是机器学习算法。一组参数或该组参数的子集可以用作诸如经训练的机器学习算法等分类器模型的输入。该分类器模型可以输出分类。分类可以包括移动性输出。该分类可以包括疾病状态。该分类可以包括鼓膜的状态、病况或移动性度量中的一个或多个。可以生成分类器模型的输出。输出可以包括关于TM移动性的信息，该信息可以帮助医师诊断中耳炎感染或直接诊断患者的疾病状态。
图5A和图5B是根据一些实施方式的，可以包括对分类器模型520的输入510以输出分类的源自压力、超声和光学测量的参数集的示意图。如图5A所示，反射超声的振幅、压力激励后超声响应的斜率、测量的压力与施加压力、压力响应的斜率，以及光学柔韧性可以包括对分类器的输入。分类器可以输出移动性度量530。如图5A所示，移动性度量530可以包括二分分类，诸如移动的或不移动的。如图5B所示，反射超声的振幅、压力激励后超声响应的斜率、测量的压力与施加压力、压力响应的斜率，以及光学柔韧性可以包括对分类器的输入。分类器可以输出状态或病况531，诸如急性中耳炎、渗出性中耳炎，以及没有积液，如所示出的。
在一些情况下，分类可以包括鼓膜的移动性度量。移动性度量可以包括二分分类、序数输出、类别序数输出或连续数值中的一个或多个。分类可以包括各种形式的鼓膜信息，该信息可以提供给医疗提供者(例如，医师)。分类可以基于超声、压力和光学测量特征中的一个或多个。
在一些示例中，分类包括类别读出。类别读出可以包括指示膜移动性的程度为高度移动、中度移动、半移动或不移动中的至少一个。例如，类别分类可以包括高度移动、中度移动、半移动或不移动。在一些示例中，类别读出包括二分分类。二分分类可以包括移动性或无移动性。二分分类可以包括正常的移动性或非正常的移动性。在示例中，简单的分类可以是二分分类器，其中基于“移动”或“不移动”的最大概率的二分选择显示给医师。
在一些示例中，分类包括类别序数分类。类别序数分类可以包括如本文以上所述的0-4+级别。在另一示例中，类别序数输出可以包括0-10分级别，例如，10.0是高度移动，5.0是有些移动，0是不移动(或反向)。用户可以指示膜是定性移动或不动的。用户可以指示0-4分级别的移动性。例如，在耳道中施加压力之后，正常鼓膜可以轻快地移动并被归类为4+，而部分或完全受损的鼓膜可以被归类为3+，2+，1+或没有移动性以表示序数级别的移动性降低程度。压力评估可以通过临床医师在气动耳镜检查期间进行。
在一些示例中，分类包括连续数值输出，该连续数值输出包括测量膜位移、膜移动速度或膜恢复速度中的一个或多个。在一些示例中，序数读出包括与膜移动性的程度有关的数值级别。连续度量可以包括具有十分之一增量的数值级别。在连续数值输出的示例中，可以使用连续的可变回归算法来生成连续预测，例如，特定状态或病况的可能性百分比。在一些示例中，状态或病况可以归一化为某些值或级别。例如，可以归一化连续度量，使得最大值为10，最小值为零，其中10涉及高度移动性膜，0涉及不移动膜，或反之亦然。
在一些示例中，可以使用多级分类。例如，可以确定二元分类(例如，移动或不移动)，并且如果不移动是最有可能的，则可以对不移动性的各种程度进行分类(例如，在4分级别上的0与1+与2+与3+)。在另一示例中，分类可以包括每个可能类别的预期概率。预期概率可以包括选择作为显示给医疗提供者的分类的最大概率。例如，可以使用softmax函数或诸如一对多(one-vs-rest)分类等策略来计算概率。
分类可以将鼓膜的状态或病况指示给用户(例如医疗提供者)。在一些情况下，分类可以包括鼓膜的状态或病况。鼓膜的状态或病况可以包括以下中的一种或多种：急性中耳炎、渗出性急性中耳炎、中耳积液、细菌感染、病毒感染、无积液和未知分类。耳部表现出急性中耳炎的分类可以包括检测积液的存在和表征积液的类型为浆液样、粘液样、脓性或这些的组合中的一种。在急性中耳炎中，中耳积液可以通过传染物诱导，并且在病菌感染下可能是薄或浆液样的，而在细菌感染下是较厚且脓性的。
分类器模型
图6是图示根据一些实施方式的包括机器学习算法的分类器模型的示例600的示意图。可以基于该组参数610生成分类器模型。一组参数610可以包括超声特征和/或压力特征和/或光学特征。例如，该组参数可以包括对分类器模型的输入，并且分类可以是分类器模型的输出。分类器模型可以输出分类630。分类可以包括移动性输出。该分类可以包括疾病状态。
分类器模型可以包括机器学习算法620。例如，机器学习算法可以包括线性回归、逻辑回归、分类和回归树算法、支持向量机(SVM)、朴素贝叶斯、K最近邻算法、随机森林算法、诸如XGBoost和LightGBM的提升算法、神经网络、卷积神经网络和递归神经网络中的一个或多个。机器学习算法可以是监督学习算法、无监督学习算法、或半监督学习算法。
可以使用机器学习算法，以便使用一组参数进行预测。一类机器学习算法，人工神经网络(ANNS)，可以包括分类器模型的一部分。例如，可以使用前馈神经网络(诸如，卷积神经网络或CNN)和递归神经网络(RNNS)。通过将其底层机器学习模型进行的预测与真实值(ground truth)对比来对神经网络二元分类器进行训练。错误函数计算预测值与真实值之间的差异，并且该错误在多个周期或时期通过神经网络迭代地反向传播，以便改变影响预测输出值的一组权重。当预测值符合收敛条件(诸如，获得小幅计算误差)时，训练停止。可以采用多层神经网络，创建深度神经网络。使用深度神经网络可以增加神经网络算法的预测力。在一些情况下，使用神经网络的机器学习算法还可以包括Adam优化(例如，自适应学习率)，正则化等。层的数量、层内节点的数量、卷积神经网络中的步幅长度、填充、滤波器等可以是神经网络中的可调节参数。
可以使用附加机器学习算法和统计模型，以便从本文公开的参数获得洞察。可以使用的附加机器学习方法是逻辑回归、分类和回归树算法、支持向量机(SVM)、朴素贝叶斯、K最近邻和随机森林算法。这些算法可以用于许多不同的任务，包括数据分类、聚类、密度估计或维度降低。机器学习算法可用于主动学习、监督学习、无监督学习或半监督学习任务。在本公开内容中，可以使用各种统计、机器学习或深度学习算法以基于该组参数来生成输出。
机器学习算法可以使用监督学习方法。在监督学习中，算法可以从训练数据生成函数或模型。可以标记训练数据。训练数据可以包括与其相关联的元数据。训练数据的每个训练示例可以是由至少输入对象和期望的输出值组成的对。监督学习算法可以要求用户确定一个或多个控制参数。可以通过优化在训练数据的子集(例如，验证集)上的性能来调整这些参数。在参数调整和学习之后，可以在测试集上测量结果函数/模型的性能，该测试集可以与训练集分开。回归方法可用于监督学习方法。
在一些实施方式中，监督机器学习算法可以包括但不限于神经网络、支持向量机、最近邻内插器、决策树、提升决策树桩、这样的算法的提升版本、这样的算法的导数版本或其组合。在一些实施方式中，机器学习算法可以包括以下中的一个或多个：贝叶斯模型、决策图、归纳逻辑编程、高斯过程回归、遗传编程、核估计、最小消息长度、多线性子空间学习、朴素贝叶斯分类器、最大熵分类器、条件随机场、最小复杂机、随机森林、分类器的集成，以及多标准分类算法。
机器学习算法可以使用半监督学习方法。半监督学习可以结合标记和未标记的数据来生成适当的函数或分类器。
在一些实施方式中，机器学习算法可以使用无监督学习方法。在无监督学习中，算法可以生成函数/模型以描述来自未标记数据的隐藏结构(即，不能直接观察或计算的分类或类别)。由于给予学习者的示例未标记，因此没有评估相关算法输出的结构的准确性。无监督学习的方法包括：聚类、异常检测和神经网络。
机器学习算法可以使用增强学习方法。在增强学习中，算法可以了解如何在对世界进行观察的情况下来行动的政策。每个动作可以对环境产生一些影响，并且环境可以提供指导学习算法的反馈。
尽管先前讨论的机器学习算法可以在输入特征与输出标签之间生成更复杂的关系，但是通过图7中的说明性决策树示出了关系算法的一些简单示例。
图7A、图7B和图7C是图示根据一些实施方式的可以由机器学习算法生成的示例决策树的示意图。在一些实施方式中，机器学习算法基于该组参数构建决策树。决策树可以包括该组参数内参数的阈值。阈值可以确定数据集应该被分类进树的哪个分支。决策树可以包括树的顶部节点处的最大信息增益。可以部分地通过搜索给定数据集的最具信息性节点(例如，参数)来构建决策树。
在一些示例中，修剪决策树。修剪可以包括将一组参数内的参数的数量减少到最相关参数的子集。参数子集可以是在指定灵敏度或特异性(例如，90％的灵敏度或特异性)内分类数据集的最小参数数量。在一些实施方式中，决策树包括J48、C4.5或ID3。在一些实施方式中，决策树包括ADABoost或决策树桩(DecisionStump)。
如图7A所示，第一示例树包括单个参数(例如，位移的绝对值)。如果参数大于阈值0.2mm，则膜被分类为移动。如果参数小于阈值0.2mm，则膜被分类为不移动。
如图7B所示，第二示例树包括三个参数(例如，具有固定压力刺激振幅的位移的绝对值，具有固定时间测量窗口持续时间的位移的绝对值，以及异常位移)。该模型的分类涉及鼓膜的移动性。如果具有固定压力刺激振幅的位移的绝对值大于0.1的阈值，并且异常位移大于0.5，则膜是高度移动。如果具有固定压力刺激振幅的位移的绝对值大于0.1的阈值，并且异常位移小于0.5，则膜是半移动。如果具有固定压力刺激振幅的位移的绝对值小于0.1的阈值，并且具有固定时间测量窗口持续时间的位移的绝对值大于1.5，则膜是基本不移动。如果具有固定压力刺激振幅的位移的绝对值小于0.1的阈值，并且具有固定时间窗口持续时间的位移的绝对值小于1.5，则膜是完全不移动。
如图7C所示，第三示例树包括三个参数(例如，具有固定压力刺激振幅的位移的绝对值，具有固定时间测量窗口持续时间的位移的绝对值，以及异常位移)。该模型的分类涉及鼓膜的状态或病况。如果具有固定压力刺激振幅的位移的绝对值大于0.1的阈值，并且异常位移大于0.5，则膜表征为没有积液。如果具有固定压力刺激振幅的位移的绝对值大于0.1的阈值，并且异常位移小于0.5，则膜表征为具有渗出性中耳炎。如果具有固定压力刺激振幅的位移的绝对值小于0.1的阈值，并且具有固定时间窗口持续时间的位移的绝对值大于1.5，则膜表征为具有渗出性中耳炎。如果具有固定压力刺激振幅的位移的绝对值小于0.1的阈值，并且具有固定时间窗口持续时间的位移的绝对值小于1.5，则膜表征为为具有急性中耳炎。
训练计算机实现的分类器
图8示出了根据一些实施方式的训练计算机实现的分类器的示例方法的流程图。在操作810处，方法800可以包括接收基于与一个或多个鼓膜有关的一个或多个数据集以及与一个或多个鼓膜有关的一个或多个分类数据集的一组参数。分类可以包括鼓膜的状态、病况或移动性度量，并且其中该组参数包括与一个或多个鼓膜的动态属性有关的至少一个参数。在操作820处，方法800可以包括将该组参数和该一个或多个分类数据集存储在数据库中。在操作830处，方法800可以包括基于该组参数和该一个或多个分类数据集构建分类器模型。分类器模型从该组参数导出，并且其中分类器模型基于该一个或多个分类数据集的数据集输出分类。在操作840处，方法800可以包括使用分类器模型来提供未分类数据集的分类。
在一些情况下，方法还包括基于第二一个或多个分类数据集更新数据库。在一些情况下，方法还包括基于该第二一个或多个分类数据集更新分类器模型。方法还包括通过本文所述的用于对鼓膜进行分类的方法，使用分类器模型来提供对未分类数据集的分类。分类器可以不断更新。例如，方法可以使用在线梯度下降或随机梯度下降方法来连续更新模型参数以进行改进的检测。在一些情况下，可以使用每个数据集更新分类器。可以使用批次中的最近样本更新分类器。
尽管以上操作示出了根据一些实施方式的训练计算机实现的分类器的方法800，但是本领域普通技术人员将基于本文所述的教导认识到许多变体。这些步骤可以以任何顺序完成。可添加或删除步骤。一些步骤可包括子步骤。可尽可能重复多个步骤，只要对制造的方法有益。
方法800的一个或多个步骤可用本文所述的电路执行，例如，数字处理设备或处理器或逻辑电路(例如用于现场可编程门阵列的可编程阵列逻辑)中的一个或多个。电路可编程为提供方法800的一个或多个步骤，并且该编程可包括存储在计算机可读存储器上的程序指令或逻辑电路的编程步骤(例如可编程阵列逻辑或现场可编程门阵列)。用于执行方法800的一个或多个步骤的可操作数字处理设备的实施方式、变型和示例在本文他处描述，例如关于“数字处理设备”部分以及其中描述的图10。
图9是图示根据一些实施方式的用于训练计算机实现的分类器的系统900的示例的示意图。图9的系统可以包括可操作以执行图8中所示的方法800的系统的示例。系统900可以包括一个或多个分类数据集(例如，历史数据)。一个或多个分类数据集可以包括与一个或多个鼓膜有关的一个或多个数据集。分类数据集可以包括具有已知分类的数据。例如，分类数据集可以包括来自已经活检的鼓膜的数据集。分类数据集可以具有相关联的一组参数，包括基于鼓膜的动态属性的至少一个参数。分类数据集可以具有相关联的分类。在一些情况下，可以从一个或多个分类数据集中提取一组参数(例如，特征)。
在系统900的下循环中，一个或多个分类数据集的全部或一部分可以用作训练数据。分类数据集的一组参数可以用作引导学习算法的一部分，以训练分类器模型来找到分类。例如，分类数据的全部或一部分可以用作引导学习算法的训练数据集。
如系统900的上循环中所示，分类数据集的一部分可以作为验证数据集(例如，测试数据)保留。例如，通过实验，验证数据可以具有一组建立的分类。验证数据集可以用于测试分类器模型的预测。验证数据集可以用于验证在训练数据集上训练的模型。训练数据可以用作工程测试循环的一部分。例如，可以使用验证过程来确定模型或一组模型(例如，“集合”)，其中模型在可用数据的子集(例如，训练数据)上训练，并继而用于预测剩余的可用数据子集(例如，测试数据)。准确率度量(例如，数值数据的均方根误差、类别数据的精度和查全率、接收者操作曲线下面积(AUC)等)可以定义为归类给定模型对于所提供数据集的准确程度。在一些示例中，可以在模型训练期间使用过度或欠采样(例如，人工少数类过采样法(SMOTE))作为建模的一部分。
通过使用尽可能大的代表性训练数据集，可以降低机器学习模型无法概括模型之前从未遇到过的数据的风险。另外，利用具有交叉验证以最大化模型泛化的技术(诸如超参数调试)可以改善模型泛化。简而言之，超参数调试可以改变给定模型的方面，以防止关于训练和验证数据的偏置(即，低度拟合)或方差(即，过度拟合)。另外，交叉验证可以用于在不同的数据子集上连续地训练(例如，k折叠(K-Fold)和留一法(Leave-one-out))，并且可以平均从每个子集生成的准确率预测来为给定模型创建整体准确率度量。
继而可以使经训练的分类器模型经受在未分类数据集上的测试。例如，未分类数据集可以包括不在分类数据集中的一个或多个鼓膜。分类器模型可以用于基于从未分类数据集中提取的一组参数生成分类。分类器模型可以用于将膜分类为，例如，高度移动、稍微移动、较少移动或不移动中的一个。
用于训练计算机实现的分类器的系统可以包括在本文他处所述(例如，相对于“数字处理设备”部分和其中描述的图10)的数字处理设备的实施方式、变型和示例。
数字处理设备
在一些实施方式中，本文所述的装置、系统及其使用方法包括数字处理设备或其使用。例如，数字处理设备可以用于控制本文公开的设备和方法的各个方面。例如，数字处理设备可以用于执行对鼓膜进行分类的方法。数字处理设备可以包括计算系统，例如，包括存储器的计算系统，该存储器包括用于对鼓膜进行分类的指令。数字处理设备可以被配置成执行用于对鼓膜进行分类的方法的一个或多个步骤。数字处理设备可以被配置成执行方法100或方法800的一个或多个步骤，如本文所公开的。数字处理设备可以被配置成控制问诊系统，诸如，如本文所公开的问诊系统的任何示例、变型或示例。数字处理设备可以从问诊系统接收和/或检索一个或多个数据集。数字处理设备可以包括用于一个或多个数据集的数据库管理系统。如本文所述，数字处理设备可以执行用于训练计算机实现的分类器的一个或多个步骤。
在其他实施方式中，数字处理设备包括执行该设备功能的一个或多个硬件中央处理单元(CPU)、通用图形处理单元(GPGPU)或现场可编程门阵列(FPGA)。在其他实施方式中，数字处理设备还包括配置为执行可执行指令的操作系统。在一些实施方式中，数字处理设备可任选地连接至计算机网络。在其他实施方式中，数字处理设备任选地连接至互联网，使得其可访问万维网。在其他实施方式中，数字处理设备任选地连接至云计算基础设施。在其他实施方式中，数字处理设备任选地连接至内联网。在其他实施方式中，数字处理设备任选地连接至数据存储设备。
根据本文的描述，合适的数字处理设备包括，作为非限制性示例，服务器计算机、台式计算机、手提计算机、笔记本计算机、子笔记本计算机、上网本计算机、上网平板计算机、机顶盒计算机、媒体流设备、掌上计算机、互联网设备、移动智能电话、平板计算机、个人数字助理、视频游戏机和车辆。本领域技术人员将认识到，多种智能电话适用于本文所述的系统。本领域技术人员还将认识到，具有任选的计算机网络连接性的选定的电视、视频播放器和数字音乐播放器适用于本文所述的系统。合适的平板计算机包括本领域技术人员已知的具有翻盖(booklet)构造、板式构造和可转换构造的那些。
在一些实施方式中，数字处理设备包括配置为执行可执行指令的操作系统。操作系统为例如包括程序和数据的软件，该软件管理设备的硬件并提供用于执行应用程序的服务。
在一些实施方式中，设备包括存储和/或存储器设备。存储和/或存储器设备是用于临时或永久地存储数据或程序的一个或多个物理设备。在一些实施方式中，设备为易失性存储器，并且需要电力来维持所存储的信息。在一些实施方式中，设备为非易失性存储器，并且在数字处理设备不通电时保留所存储的信息。在其他实施方式中，非易失性存储器包括闪存。在一些实施方式中，非易失性存储器包括动态随机存取存储器(DRAM)。在一些实施方式中，非易失性存储器包括铁电随机存取存储器(FRAM)。在一些实施方式中，非易失性存储器包括相变随机存取存储器(PRAM)。在其他实施方式中，作为非限制性示例，设备为包括CD-ROM、DVD、闪存设备、磁盘驱动器、磁带驱动器、光盘驱动器和基于云计算的存储器的存储设备。在其他实施方式中，存储和/或存储器设备为诸如本文公开的设备的组合。
在一些实施方式中，数字处理设备包括显示器，以将视觉信息发送给用户。在一些实施方式中，显示器为阴极射线管(CRT)。在一些实施方式中，显示器为液晶显示器(LCD)。在其他实施方式中，显示器为薄膜晶体管液晶显示器(TFT-LCD)。在一些实施方式中，显示器为有机发光二极管(OLED)显示器。在各种其他实施方式中，在OLED显示器上为无源矩阵OLED(PMOLED)或有源矩阵OLED(AMOLED)显示器。在一些实施方式中，显示器为等离子显示器。在其他实施方式中，显示器为视频投影仪。在其他实施方式中，显示器为诸如本文公开的那些的设备的组合。
在一些实施方式中，数字处理设备包括用于从用户接收信息的输入设备。在一些实施方式中，输入设备为键盘。在一些实施方式中，输入设备为定点设备，其包括，作为非限制性示例，鼠标、跟踪球、跟踪板、操纵杆、游戏控制器或手写笔。在一些实施方式中，输入设备为触摸屏或多点触摸屏。在其他实施方式中，输入设备为麦克风以捕获语音或其他声音输入。在其他实施方式中，输入设备为摄像机或其他传感器，以捕获运动或视觉输入。在其他实施方式中，输入设备为Kinect、Leap Motion等。在其他实施方式中，输入设备为诸如本文公开的那些的设备的组合。
参考图10，在特定实施方式中，示例数字处理设备1001被编程或以其他方式被配置成控制或实现用于对鼓膜进行分类的系统和方法，以及用于训练计算机实现的分类器的系统和方法，如本文所述。设备1001可以调节本公开的用于对鼓膜进行分类的系统和方法，以及用于训练计算机实现的分类器的系统和方法的各个方面，诸如，举例而言，执行处理步骤。在该实施方式中，数字处理设备1001包括中央处理单元(CPU，在本文中也称为“处理器”和“计算机处理器”)1005，其可为单核或多核处理器，或为用于并行处理的多个处理器。数字处理设备1001还包括存储器或存储器位置1010(例如，随机存取存储器、只读存储器、闪存)、电子存储单元1015(例如，硬盘)、与一个或多个其他系统通信的通信接口1020(例如，网络适配器)，以及外围设备1025(例如，缓存、其他存储器、数据存储和/或电子显示适配器)。存储器1010、存储单元1015、接口1020和外围设备1025通过通信总线(实线)(如母板)与CPU 1005通信。存储单元1015可为用于存储数据的数据存储单元(或数据存储库)。数字处理设备1001可借助于通信接口1020有效地偶联至计算机网络(“网络”)1030。网络1030可为因特网、互联网和/或外部网，或与因特网通信的内部网和/或外部网。在一些情况下，网络1030为电信和/或数据网络。网络1030可包括一个或多个计算机服务器，其可实现分布式计算，例如云计算。在一些情况下，网络1030借助于设备1001可实现对等网络，该对等网络可使偶联至设备1001的设备能够充当客户端或服务器。
继续参考图10，CPU 1005可执行可在程序或软件中体现的一系列机器可读指令。指令可存储在存储器位置中，例如存储器1010。指令可指向CPU 1005，CPU 1005可随后编程以执行本公开内容的方法或以其他方式配置CPU 1005以执行本公开内容的方法。由CPU1005执行的操作的示例可包括获取，解码，执行和回写。CPU 1005可为电路(如集成电路)的一部分。设备1001的一个或多个其他组件可包括在电路中。在一些情况下，电路为专用集成电路(ASIC)或现场可编程门阵列(FPGA)。
继续参考图10，存储单元1015可存储文件，例如驱动器、库和保存的程序。存储单元1015可存储用户数据，例如，用户偏好和用户程序。在一些情况下，数字处理设备1001可包括一个或多个另外的外部数据存储单元，例如位于通过内部网或因特网通信的远程服务器上。数字处理设备1001可通过网络1030与一个或多个远程计算机系统通信。例如，设备1001可与用户的远程计算机系统通信。
远程计算机系统的示例包括个人计算机(例如，便携式PC)，平板计算机(例如，
Figure BDA0003277568420000351
iPad、
Figure BDA0003277568420000352
Galaxy Tab)、电话、智能电话(例如，
Figure BDA0003277568420000353
iPhone、支持Android的设备、
Figure BDA0003277568420000354
)或个人数字助理。
如本文所述的方法可通过在数字处理设备1001的电子存储位置(例如，存储器1010或电子存储单元1015)上存储的机器(例如，计算机处理器)可执行代码来执行。机器可执行代码或机器可读代码可以以软件的形式提供。在使用期间，代码可由处理器1005执行。在一些情况下，可从存储单元1015中检索代码并将其存储在存储器1010中，以供处理器1005随时访问。在一些情况下，可排除电子存储单元1015，并且将机器可执行指令存储在存储器1010中。
数字处理设备1001可包括电子显示器1035或与之通信，电子显示器1035包括用户界面(UI)1040。UI的示例包括但不限于图形用户界面(GUI)和基于网络的用户界面。在一些情况下，电子显示器1035可经由网络(例如，经由网络1030)连接至计算机系统1001。
在一些实施方式中，本文公开的平台、系统、介质和方法包括一种或多种非暂时性计算机可读存储介质，其使用包括可由任选地联网的数字处理设备的操作系统执行的指令的程序编码。在其他实施方式中，计算机可读存储介质为数字处理设备的有形组件。在其他实施方式中，计算机可读存储介质任选地可从数字处理设备移除。在一些实施方式中，计算机可读存储介质包括，作为非限制性示例，CD-ROM、DVD、闪存设备、固态存储器、磁盘驱动器、磁带驱动器、光盘驱动器、云计算系统和服务器等。在一些情况下，程序和指令永久地、基本上永久地、半永久地或非临时地编码在介质上。
在一些实施方式中，本文公开的平台、系统、介质和方法包括至少一个计算机程序，或其用途。计算机程序包括可在数字处理设备的CPU中执行的一个指令序列，该指令序列被编写为执行指定任务。计算机可读指令可实现为执行特定任务或实现特定抽象数据类型的程序模块，例如功能、对象、应用程序编程接口(API)、数据结构等。根据本文提供的公开内容，本领域技术人员将认识到，可用各种语言的各种版本来编写计算机程序。
可在各种环境中根据需要组合或分配计算机可读指令的功能。在一些实施方式中，计算机程序包括一个指令序列。在一些实施方式中，计算机程序包括多个指令序列。在一些实施方式中，从一个位置提供计算机程序。在其他实施方式中，从多个位置提供计算机程序。在各种实施方式中，计算机程序包括一个或多个软件模块。在各种实施方式中，计算机程序包括，部分或全部地，一个或多个网络应用程序、一个或多个移动应用程序、一个或多个独立应用程序、一个或多个网络浏览器插件、扩展、加载项或附件，或其组合。
在一些实施方式中，本文公开的平台、系统、介质和方法包括软件模块、服务器模块和/或数据库模块，或者对其的使用。鉴于本文提供的公开内容，软件模块是使用本领域已知的机器、软件和语言通过本领域技术人员已知的技术来创建的。本文公开的软件模块以多种方式实现。在各个实施方式中，软件模块包括一个文件、一段代码、一个编程对象、一个编程结构或其组合。在进一步的各个实施方式中，软件模块包括多个文件、多段代码、多个编程对象、多个编程结构或其组合。在各个实施方式中，所述一个或多个软件模块举非限制性示例而言，包括网络应用、移动应用和独立应用。在一些实施方式中，软件模块是在一个计算机程序或应用中。在其他实施方式中，软件模块是在不止一个计算机程序或应用中。在一些实施方式中，软件模块托管在一个机器上。在其他实施方式中，软件模块托管在不止一个机器上。在进一步实施方式中，软件模块托管在云计算平台上。在一些实施方式中，软件模块托管在位于一个位置的一个或多个机器上。在其他实施方式中，软件模块托管在位于不止一个位置的一个或多个机器上。
在一些实施方式中，本文所公开的平台、系统、介质和方法包括一个或多个数据库或其使用。鉴于本文所提供的公开内容，本领域技术人员将认识到许多数据库适合于存储和检索来自问诊系统的数据集、存储分类数据库、确定来自一个或多个数据库的参数、存储与分类数据库相关联的参数等。在各个实施方式中，合适的数据库举非限制性示例而言，包括关系型数据库、非关系型数据库、面向对象数据库、对象数据库、实体关系模型数据库、关联数据库和XML数据库。进一步非限制性示例包括SQL、PostgreSQL、MySQL、Oracle、DB2以及Sybase。在一些实施方式中，数据库是基于因特网的。在进一步实施方式中，数据库是基于网络的。在更进一步实施方式中，数据库是基于云计算的。在其他实施方式中，数据库是基于一个或多个本地计算机存储设备的。
尽管本文已经示出和描述了本公开内容的优选实施方式，但是对于本领域技术人员容易理解的是，这些实施方式仅以示例的方式提供。在不脱离本公开内容的情况下，本领域技术人员现在会想到许多变化、改变和替换。应理解，本文所述的本公开内容的实施方式的各种替代方案可用于实施本公开内容的发明。旨在由以下权利要求限定本发明的范围，并且由此涵盖这些权利要求范围内的方法和结构及其等同形式。

Claims (67)

1.一种用于对鼓膜进行分类的方法，所述方法包括：
从问诊系统接收与所述鼓膜有关的一个或多个数据集；
从所述一个或多个数据集确定一组参数，其中所述组参数中的至少一个参数与所述鼓膜的动态属性或静态位置有关；以及
基于从所述组参数导出的分类器模型输出所述鼓膜的分类，其中所述分类包括所述鼓膜的状态、病况或移动性量度中的一个或多个。
2.根据权利要求1所述的方法，其中所述问诊系统包括成像系统，并且其中所述一个或多个数据集包括所述鼓膜的一个或多个图像。
3.根据权利要求1所述的方法，其中所述分类器模型包括机器学习算法。
4.根据权利要求3所述的方法，其中所述机器学习算法包括线性回归、逻辑回归、分类和回归树算法、支持向量机(SVM)、朴素贝叶斯、K最近邻算法、随机森林算法、诸如XGBoost和LightGBM的提升算法、神经网络、卷积神经网络和递归神经网络中的一个或多个。
5.根据权利要求3所述的方法，其中所述机器学习算法是监督学习算法、无监督学习算法、或半监督学习算法。
6.根据权利要求2所述的方法，其中所述鼓膜的所述一个或多个图像包括一个或多个超声图像。
7.根据权利要求6所述的方法，其中所述一个或多个超声图像包括来自气动超声鼓室镜的图像。
8.根据权利要求6所述的方法，其中响应于气动激励测量所述一个或多个超声图像。
9.根据权利要求2所述的方法，其中所述鼓膜的所述一个或多个图像包括一个或多个光学相干断层扫描图像。
10.根据权利要求2所述的方法，其中所述图像包括光学图像。
11.根据权利要求2所述的方法，其中与所述膜的所述动态属性或静态位置有关的所述至少一个参数响应于气动激励。
12.根据权利要求11所述的方法，其中所述气动激励包括一团气体。
13.根据权利要求11所述的方法，其中所述气动激励具有大于10Hz的频率。
14.根据权利要求1所述的方法，其中所述鼓膜的所述动态属性包括以下的一个或多个：
膜移动或膜移动性的指示；
所述鼓膜的最小或最大位移；
异常位移；
最小与最大位移之间的差值或比率；
相对于气动激励的压力，位移的斜率或者最小与最大位移之间的差值或比率的斜率；
测量压力与施加压力的响应；
所述鼓膜响应于气动激励的视觉移动；
从奇异值分解、主成分分析和K均值聚类生成的一个或多个统计分量；以及
超声脉冲回波振幅或超声回波相位或其导数或其移动平均值。
15.根据权利要求14所述的方法，其中所述鼓膜的所述动态属性相对于气动激励的压力归一化。
16.根据权利要求1所述的方法，其中所述方法还包括生成所述鼓膜移动性的序数读出、类别读出或连续数值输出中的一个或多个。
17.根据权利要求16所述的方法，其中所述序数读出包括与膜移动性的程度有关的数值级别。
18.根据权利要求17所述的方法，其中所述数值级别包括0至4+的分类。
19.根据权利要求16所述的方法，其中所述类别读出包括作为高度移动、中度移动、半移动或不移动中的至少一个的膜移动性程度的指示。
20.根据权利要求16所述的方法，其中所述类别读出包括二元分类。
21.根据权利要求16所述的方法，其中所述连续数值输出包括测量膜位移、膜移动速度或膜恢复速度中的一个或多个。
22.根据权利要求1所述的方法，其中所述鼓膜的所述状态或病况包括急性中耳炎、急性渗出性中耳炎、中耳积液、慢性中耳炎、慢性化脓性中耳炎、细菌感染、病毒感染、无积液和未知分类中的一个或多个。
23.根据权利要求1所述的方法，其中所述一个或多个数据集包括m模式超声数据集。
24.根据权利要求1所述的方法，其中所述一个或多个数据集包括红外图像。
25.根据权利要求1所述的方法，其中所述一个或多个数据集包括气动数据集。
26.根据权利要求1所述的方法，其中所述一个或多个数据集包括响应于气动激励而获取的一个或多个光学图像。
27.根据权利要求1所述的方法，其中所述静态位置包括扩张的膜或收缩的膜。
28.一种用于对鼓膜进行分类的系统，所述系统包括：
计算系统，所述计算系统包括存储器，所述存储器包括用于对所述鼓膜进行分类的指令，其中所述计算系统被配置成执行所述指令以至少：
从问诊系统接收与所述鼓膜有关的一个或多个数据集；
从所述一个或多个数据集确定一组参数，其中所述组参数中的至少一个参数与所述鼓膜的动态属性或静态位置有关；以及
基于从所述组参数导出的分类器模型输出所述鼓膜的分类，其中所述分类包括所述鼓膜的状态、病况或移动性量度。
29.根据权利要求28所述的系统，其中所述问诊系统包括成像系统，并且其中所述一个或多个数据集包括所述鼓膜的一个或多个图像。
30.根据权利要求28所述的系统，其中所述系统附加地包括气动超声鼓室镜。
31.根据权利要求28所述的系统，其中所述分类器模型包括机器学习算法。
32.根据权利要求31所述的系统，其中所述机器学习算法包括线性回归、逻辑回归、分类和回归树算法、支持向量机(SVM)、朴素贝叶斯、K最近邻算法、随机森林算法、诸如XGBoost和LightGBM的提升算法、神经网络、卷积神经网络和递归神经网络中的一个或多个。
33.根据权利要求31所述的系统，其中所述机器学习算法是监督学习算法、无监督学习算法、或半监督学习算法。
34.根据权利要求29所述的系统，其中所述鼓膜的所述一个或多个图像包括一个或多个超声图像。
35.根据权利要求34所述的系统，其中所述一个或多个超声图像包括来自气动超声鼓室镜的图像。
36.根据权利要求34所述的系统，其中响应于气动激励测量所述一个或多个超声图像。
37.根据权利要求29所述的系统，其中所述鼓膜的所述一个或多个图像包括一个或多个光学相干断层扫描图像。
38.根据权利要求29所述的系统，其中所述图像包括光学图像。
39.根据权利要求29所述的系统，其中与所述膜的动态属性或静态位置有关的所述至少一个参数响应于气动激励。
40.根据权利要求39所述的系统，其中所述气动激励包括一团气体。
41.根据权利要求39所述的系统，其中所述气动激励包括大于10Hz的频率。
42.根据权利要求28所述的系统，其中所述鼓膜的所述动态属性包括以下中的一个或多个：
膜移动或膜移动性的指示；
所述鼓膜的最小或最大位移；
异常位移；
最小与最大位移之间的差值或比率；
相对于气动激励的压力，位移的斜率或者最小与最大位移之间的差值或比率的斜率；
测量压力与施加压力的响应；
所述鼓膜响应于气动激励的视觉移动；
从奇异值分解、主成分分析和K均值聚类生成的一个或多个统计分量；以及
超声脉冲回波振幅或超声回波相位或其导数或其移动平均值。
43.根据权利要求42所述的系统，其中所述鼓膜的所述动态属性相对于气动激励的压力归一化。
44.根据权利要求28所述的系统，其中所述计算系统还被配置成执行所述指令以生成所述鼓膜移动性的序数读出、类别读出或连续数值输出中的一个或多个。
45.根据权利要求44所述的系统，其中所述序数读出包括与膜移动性的程度有关的数值级别。
46.根据权利要求45所述的系统，其中所述数值级别包括0至4+的分类。
47.根据权利要求44所述的系统，其中所述类别读出包括作为高度移动、中度移动、半移动或不移动中的至少一个的膜移动性程度的指示。
48.根据权利要求44所述的系统，其中所述类别读出包括二元分类。
49.根据权利要求44所述的系统，其中所述连续数值输出包括测量膜位移、膜移动速度或膜恢复速度中的一个或多个。
50.根据权利要求28所述的系统，其中所述鼓膜的所述状态或病况包括急性中耳炎、急性渗出性中耳炎、中耳积液、慢性中耳炎、慢性化脓性中耳炎、细菌感染、病毒感染、无积液和未知分类中的一个或多个。
51.根据权利要求28所述的系统，其中所述一个或多个数据集包括m模式超声数据集。
52.根据权利要求28所述的系统，其中所述一个或多个数据集包括红外图像。
53.根据权利要求28所述的系统，其中所述一个或多个数据集包括气动数据集。
54.根据权利要求28所述的系统，其中所述一个或多个数据集包括响应于气动激励而获取的一个或多个光学图像。
55.根据权利要求28所述的系统，其中所述静态位置包括扩张的膜或收缩的膜。
56.一种非暂时性计算机可读介质，包括由计算系统执行时实现用于对膜进行分类的方法的机器可执行代码，所述方法包括：
从问诊系统接收与所述鼓膜有关的一个或多个数据集；
从所述一个或多个数据集确定一组参数，其中所述组参数中的至少一个参数与所述鼓膜的动态属性或静态位置有关；以及
基于从所述组参数导出的分类器模型输出所述鼓膜的分类，其中所述分类包括所述鼓膜的状态、病况或移动性量度。
57.根据权利要求56所述的非暂时性计算机可读存储介质，其中所述问诊系统包括成像系统，并且其中所述一个或多个数据集包括所述鼓膜的一个或多个图像。
58.根据权利要求56所述的非暂时性计算机可读存储介质，其中所述方法还包括权利要求2-27中任一项所述的方法。
59.一种训练计算机实现的分类器的方法，所述方法包括：
接收一组参数，所述组参数基于与一个或多个鼓膜有关的一个或多个数据集以及与所述一个或多个鼓膜有关的一个或多个分类数据集，其中所述分类包括所述鼓膜的状态、病况或移动性度量，并且其中所述组参数包括与所述一个或多个鼓膜的动态属性或静态位置有关的至少一个参数；
将所述组参数和所述一个或多个分类数据集存储在数据库中；
基于所述组参数和所述一个或多个分类数据集构建分类器模型，其中所述分类器模型从所述组参数导出，并且其中所述分类器模型基于所述一个或多个分类数据集的数据集输出分类；以及
使用所述分类器模型来提供未分类数据集的分类。
60.根据权利要求59所述的方法，其中所述方法还包括基于第二一个或多个分类数据集更新所述数据库；以及
基于所述第二一个或多个分类数据集更新所述分类器模型。
61.根据权利要求59或60所述的方法，其中所述方法还包括通过根据权利要求1至27中任一项所述的用于对鼓膜进行分类的方法，使用所述分类器模型来提供对未分类数据集的分类。
62.一种用于训练计算机实现的分类器的系统，所述系统包括：
计算系统，所述计算系统包括存储器，所述存储器包括用于训练所述数据集的指令，其中所述计算系统被配置成执行所述指令以至少：
接收一组参数，所述组参数基于与一个或多个鼓膜有关的一个或多个数据集以及与所述一个或多个鼓膜有关的一个或多个分类数据集，其中所述分类包括所述鼓膜的状态、病况或移动性度量，并且其中所述组参数包括与所述一个或多个鼓膜的动态属性或静态位置有关的至少一个参数；
将所述组参数和所述一个或多个分类数据集存储在数据库中；
基于所述组参数和所述一个或多个分类数据集构建分类器模型，其中所述分类器模型从所述组参数导出，并且其中所述分类器模型基于所述一个或多个分类数据集中的数据集输出分类；以及
使用所述分类器模型来提供未分类数据集的分类。
63.根据权利要求62所述的系统，其中所述系统被配置成执行所述指令以至少：基于第二一个或多个分类数据集更新所述数据库；以及基于所述第二一个或多个分类数据集更新所述分类器模型。
64.根据权利要求62或63所述的系统，其中所述系统还包括权利要求28-55中任一项所述的用于对鼓膜进行分类的系统。
65.一种非暂时性计算机可读介质，包括由计算系统执行时实现用于训练计算机实现的分类器的方法的机器可执行代码，所述方法包括：
接收一组参数，所述组参数基于与一个或多个鼓膜有关的一个或多个数据集以及与所述一个或多个鼓膜有关的一个或多个分类数据集，其中所述分类包括所述鼓膜的状态、病况或移动性度量，并且其中所述组参数包括与所述一个或多个鼓膜的动态属性或静态位置有关的至少一个参数；
将所述组参数和所述一个或多个分类数据集存储在数据库中；
基于所述组参数和所述一个或多个分类数据集构建分类器模型，其中所述分类器模型从所述组参数导出，并且其中所述分类器模型输出分类；以及
使用所述分类器模型来提供未分类数据集的分类。
66.根据权利要求65所述的非暂时性计算机可读介质，其中所述方法还包括基于第二一个或多个分类数据集更新所述数据库；以及基于所述第二一个或多个分类数据集更新所述分类器模型。
67.根据权利要求65或66所述的非暂时性计算机可读介质，其中所述方法还包括通过根据权利要求1至28中任一项所述的用于对鼓膜进行分类的方法，使用所述分类器模型来提供对未分类数据集的分类。
CN202080024219.9A 2019-01-25 2020-01-24 用于中耳炎诊断的机器学习 Pending CN113632178A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962796762P 2019-01-25 2019-01-25
US62/796,762 2019-01-25
PCT/US2020/015101 WO2020154698A1 (en) 2019-01-25 2020-01-24 Machine learning for otitis media diagnosis

Publications (1)

Publication Number Publication Date
CN113632178A true CN113632178A (zh) 2021-11-09

Family

ID=71735819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080024219.9A Pending CN113632178A (zh) 2019-01-25 2020-01-24 用于中耳炎诊断的机器学习

Country Status (8)

Country Link
US (2) US11361434B2 (zh)
EP (1) EP3914140A4 (zh)
JP (2) JP7297904B2 (zh)
KR (2) KR20240043807A (zh)
CN (1) CN113632178A (zh)
AU (1) AU2020213126A1 (zh)
CA (1) CA3127484A1 (zh)
WO (1) WO2020154698A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115670520A (zh) * 2023-01-06 2023-02-03 深圳微创踪影医疗装备有限公司 血管内超声成像方法、装置、计算机设备、存储介质
CN115715667A (zh) * 2022-11-14 2023-02-28 北京信息科技大学 用于耳鼓膜成像的装置和方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11361434B2 (en) * 2019-01-25 2022-06-14 Otonexus Medical Technologies, Inc. Machine learning for otitis media diagnosis
US11501101B1 (en) * 2019-12-16 2022-11-15 NTT DATA Services, LLC Systems and methods for securing machine learning models
US11928509B2 (en) * 2021-01-07 2024-03-12 Micron Technology, Inc. Memory system workload allocation
CN114764986A (zh) * 2021-01-15 2022-07-19 苏州仁甬得物联科技有限公司 一种弹性器皿仿生模拟系统
KR20240036072A (ko) * 2021-07-23 2024-03-19 포토닉케어 인코퍼레이티드 중이염의 컴퓨터 보조 진단 및 사용 방법에 대한 멀티모달 접근을 위한 시스템 및 사용 방법
KR20230030799A (ko) * 2021-08-26 2023-03-07 재단법인 아산사회복지재단 중이염 고막 영상에 기계 학습 모델을 이용하여 정상 고막 영상을 생성하기 위한 고막 영상 처리 장치 및 방법
WO2024014702A1 (ko) * 2022-07-13 2024-01-18 재단법인 아산사회복지재단 중이염 진단 방법 및 장치

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1169774A (zh) * 1995-01-26 1998-01-07 Mdi仪器公司 生成和测量耳组织声反射率曲线形状的装置和方法
US20040249259A1 (en) * 2003-06-09 2004-12-09 Andreas Heimdal Methods and systems for physiologic structure and event marking
US20070129632A1 (en) * 2005-11-14 2007-06-07 Spentech, Inc. Ultrasound tympanoscope
WO2014021994A1 (en) * 2012-08-03 2014-02-06 University Of Pittsburgh - Of The Commonwealth System Of Higher Education Method and apparatus for aiding in the diagnosis of otitis media by classifying tympanic membrane images
US20150065803A1 (en) * 2013-09-05 2015-03-05 Erik Scott DOUGLAS Apparatuses and methods for mobile imaging and analysis
CN105358034A (zh) * 2013-02-04 2016-02-24 特洛伊海伦有限公司 确定受试者的耳部的状况的耳部检查装置和方法
CN105555181A (zh) * 2013-02-04 2016-05-04 特洛伊海伦有限公司 识别受试者的耳朵中的对象的方法
CN105996995A (zh) * 2016-05-03 2016-10-12 华南师范大学 一种基于光谱技术的中耳炎诊断系统和仪器
US20180156599A1 (en) * 2016-12-01 2018-06-07 The Board Of Trustees Of The University Of Illinois Method and Apparatus for Obtaining a Three-Dimensional Map of Tympanic Membrane Thickness

Family Cites Families (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5235510A (en) 1990-11-22 1993-08-10 Kabushiki Kaisha Toshiba Computer-aided diagnosis system for medical use
US5331550A (en) 1991-03-05 1994-07-19 E. I. Du Pont De Nemours And Company Application of neural networks as an aid in medical diagnosis and general anomaly detection
US6090044A (en) * 1997-12-10 2000-07-18 Bishop; Jeffrey B. System for diagnosing medical conditions using a neural network
WO2000010451A1 (en) 1998-08-19 2000-03-02 Cedars-Sinai Medical Center System and method for spectral topography of mammalian matter using white light illumination
WO2001026026A2 (en) 1999-10-04 2001-04-12 University Of Florida Local diagnostic and remote learning neural networks for medical diagnosis
DE10041725B4 (de) 2000-08-25 2004-04-29 Phonak Ag Gerät zur elektromechanischen Stimulation und Prüfung des Gehörs
JP2004535834A (ja) 2000-11-16 2004-12-02 カメレオン・メディカル・イノベーション・リミテッド 耳の診断システム
JP2003038476A (ja) 2001-08-03 2003-02-12 Konica Corp コンピュータ支援診断システム
US20040068167A1 (en) 2002-09-13 2004-04-08 Jiang Hsieh Computer aided processing of medical images
US7283653B2 (en) 2002-11-26 2007-10-16 Siemens Aktiengesellschaft Method and system for supporting the evaluation of a picture of an eye
US7131946B2 (en) 2002-12-06 2006-11-07 Biomec, Inc. Ultrasonic detection of ear disorders
SE0301718L (sv) 2003-06-13 2005-02-11 Atos Medical Ab Metod och anordning för bestämning av kroppstillstånd
WO2005050156A2 (en) 2003-11-18 2005-06-02 Chameleon Medical Innovation Ltd. Measurement system and method for use in determining the patient's condition
US20060235725A1 (en) 2005-04-15 2006-10-19 Martin Kleen Method for utilization of computer-assisted diagnosis tools
US8157730B2 (en) 2006-12-19 2012-04-17 Valencell, Inc. Physiological and environmental monitoring systems and methods
JP4264125B2 (ja) 2007-01-24 2009-05-13 パナソニック株式会社 生体情報測定装置及びその制御方法
US8115934B2 (en) 2008-01-18 2012-02-14 The Board Of Trustees Of The University Of Illinois Device and method for imaging the ear using optical coherence tomography
WO2009157825A1 (en) 2008-06-24 2009-12-30 Atos Medical Ab A method and device for diagnosing ear conditions
JP4810562B2 (ja) 2008-10-17 2011-11-09 キヤノン株式会社 画像処理装置、画像処理方法
KR20100130765A (ko) * 2009-06-04 2010-12-14 을지대학교 산학협력단 삼출성 중이염 진단용 초음파 프로브
JP2012235796A (ja) 2009-09-17 2012-12-06 Sharp Corp 診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体、並びに、分類処理装置
US20110112995A1 (en) 2009-10-28 2011-05-12 Industrial Technology Research Institute Systems and methods for organizing collective social intelligence information using an organic object data model
EP2633678A4 (en) 2010-10-29 2015-05-20 Univ California CELLSCOPE DEVICE AND IMAGING METHOD THEREFOR
US20130303941A1 (en) 2010-12-13 2013-11-14 The Board Of Trustees Of The University Of Illinois Method and Apparatus for Evaluating Dynamic Middle Ear Muscle Activity
US20120185275A1 (en) 2011-01-15 2012-07-19 Masoud Loghmani System and method of automated data analysis for implementing health records personal assistant with automated correlation of medical services to insurance and tax benefits for improved personal health cost management
KR101286054B1 (ko) 2011-11-02 2013-07-23 연세대학교 산학협력단 테라헤르츠파를 이용한 중이염 진단용 프로브, 중이염 진단 시스템 및 방법
US8996098B2 (en) 2012-03-19 2015-03-31 Donald Spector System and method for diagnosing and treating disease
US20140036054A1 (en) 2012-03-28 2014-02-06 George Zouridakis Methods and Software for Screening and Diagnosing Skin Lesions and Plant Diseases
WO2013160780A1 (en) 2012-04-23 2013-10-31 I.R.Med Ltd. Short-wave infrared imaging and spectroscopy technique for inflammation classification and tumor and inflammation differentiation in human tissues inside the body
US9798918B2 (en) 2012-10-05 2017-10-24 Cireca Theranostics, Llc Method and system for analyzing biological specimens by spectral imaging
NZ708197A (en) 2012-12-02 2018-08-31 Agricam Ab Systems and methods for predicting the outcome of a state of a subject
US9867528B1 (en) 2013-08-26 2018-01-16 The Board Of Trustees Of The University Of Illinois Quantitative pneumatic otoscopy using coherent light ranging techniques
US9684960B2 (en) 2014-01-25 2017-06-20 Pangea Diagnostics Limited Automated histological diagnosis of bacterial infection using image analysis
US10660604B2 (en) 2015-07-13 2020-05-26 Otonexus Medical Technologies, Inc. Apparatus and method for characterization of acute otitis media
US9750450B2 (en) 2015-09-18 2017-09-05 Htc Corporation Method, electronic apparatus, and computer readable medium of constructing classifier for skin-infection detection
KR101623431B1 (ko) 2015-08-06 2016-05-23 주식회사 루닛 의료 영상의 병리 진단 분류 장치 및 이를 이용한 병리 진단 시스템
WO2017049000A1 (en) 2015-09-15 2017-03-23 Massachusetts Institute Of Technology Systems and methods for diagnosis of middle ear conditions and detection of analytes in the tympanic membrane
US20170132367A1 (en) 2015-11-10 2017-05-11 International Business Machines Corporation Multifarious medical consultation options optimizer
US9536054B1 (en) 2016-01-07 2017-01-03 ClearView Diagnostics Inc. Method and means of CAD system personalization to provide a confidence level indicator for CAD system recommendations
TWI582717B (zh) 2016-05-05 2017-05-11 Univ Nat Central 中耳炎資料庫建立的方法、系統及其影像分析應用
US10675001B2 (en) 2016-06-04 2020-06-09 Otonexus Medical Technologies, Inc. Apparatus and method for characterization of a ductile membrane, surface, and sub-surface properties
US10568515B2 (en) 2016-06-21 2020-02-25 Otonexus Medical Technologies, Inc. Optical coherence tomography device for otitis media
US10357161B1 (en) 2017-05-31 2019-07-23 Otonexus Medical Technologies, Inc. Infrared otoscope for characterization of effusion
US9589374B1 (en) 2016-08-01 2017-03-07 12 Sigma Technologies Computer-aided diagnosis system for medical images using deep convolutional neural networks
WO2018045269A1 (en) 2016-09-02 2018-03-08 Ohio State Innovation Foundation System and method of otoscopy image analysis to diagnose ear pathology
KR101944536B1 (ko) 2016-12-11 2019-02-01 주식회사 딥바이오 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 그 방법
US20180211380A1 (en) 2017-01-25 2018-07-26 Athelas Inc. Classifying biological samples using automated image analysis
WO2018140014A1 (en) 2017-01-25 2018-08-02 Athelas, Inc. Classifying biological samples using automated image analysis
US10275644B2 (en) 2017-03-08 2019-04-30 Ricoh Company, Ltd Automatic classification of eardrum shape
WO2018198253A1 (ja) 2017-04-26 2018-11-01 オリンパス株式会社 画像処理装置、撮像システム、画像処理方法、及び画像処理プログラム
US11445942B2 (en) 2018-06-01 2022-09-20 Otonexus Medical Technologies, Inc. Acoustic otoscope
US11786148B2 (en) * 2018-08-01 2023-10-17 Digital Diagnostics Inc. Autonomous diagnosis of ear diseases from biomarker data
AU2019355553A1 (en) * 2018-10-03 2021-05-27 Otonexus Medical Technologies, Inc. Methods and devices for membrane characterization with ultrasound and optical illumination
FI3671536T3 (fi) * 2018-12-20 2024-06-18 Optos Plc Patologioiden havaitseminen okulaarikuvissa
US11361434B2 (en) * 2019-01-25 2022-06-14 Otonexus Medical Technologies, Inc. Machine learning for otitis media diagnosis
EP3963563A4 (en) * 2019-04-30 2022-12-28 OtoNexus Medical Technologies, Inc. SYSTEMS AND METHODS FOR SIMULATING A TYMPANIC MEMBRANE

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1169774A (zh) * 1995-01-26 1998-01-07 Mdi仪器公司 生成和测量耳组织声反射率曲线形状的装置和方法
US20040249259A1 (en) * 2003-06-09 2004-12-09 Andreas Heimdal Methods and systems for physiologic structure and event marking
US20070129632A1 (en) * 2005-11-14 2007-06-07 Spentech, Inc. Ultrasound tympanoscope
WO2014021994A1 (en) * 2012-08-03 2014-02-06 University Of Pittsburgh - Of The Commonwealth System Of Higher Education Method and apparatus for aiding in the diagnosis of otitis media by classifying tympanic membrane images
US20150305609A1 (en) * 2012-08-03 2015-10-29 Carnegie Mellon University Method and apparatus for aiding in the diagnosis of otitis media by classifying tympanic membrane images
CN105358034A (zh) * 2013-02-04 2016-02-24 特洛伊海伦有限公司 确定受试者的耳部的状况的耳部检查装置和方法
CN105555181A (zh) * 2013-02-04 2016-05-04 特洛伊海伦有限公司 识别受试者的耳朵中的对象的方法
US20150065803A1 (en) * 2013-09-05 2015-03-05 Erik Scott DOUGLAS Apparatuses and methods for mobile imaging and analysis
CN105996995A (zh) * 2016-05-03 2016-10-12 华南师范大学 一种基于光谱技术的中耳炎诊断系统和仪器
US20180156599A1 (en) * 2016-12-01 2018-06-07 The Board Of Trustees Of The University Of Illinois Method and Apparatus for Obtaining a Three-Dimensional Map of Tympanic Membrane Thickness

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115715667A (zh) * 2022-11-14 2023-02-28 北京信息科技大学 用于耳鼓膜成像的装置和方法
CN115670520A (zh) * 2023-01-06 2023-02-03 深圳微创踪影医疗装备有限公司 血管内超声成像方法、装置、计算机设备、存储介质
WO2024146622A1 (zh) * 2023-01-06 2024-07-11 深圳微创踪影医疗装备有限公司 血管内超声成像方法、装置、计算机设备、存储介质

Also Published As

Publication number Publication date
JP7297904B2 (ja) 2023-06-26
JP2023123581A (ja) 2023-09-05
EP3914140A1 (en) 2021-12-01
US11361434B2 (en) 2022-06-14
CA3127484A1 (en) 2020-07-30
KR20210121119A (ko) 2021-10-07
AU2020213126A1 (en) 2021-09-09
KR20240043807A (ko) 2024-04-03
WO2020154698A1 (en) 2020-07-30
EP3914140A4 (en) 2022-11-16
US20220261994A1 (en) 2022-08-18
KR102650078B1 (ko) 2024-03-25
US20200286227A1 (en) 2020-09-10
JP2022518267A (ja) 2022-03-14

Similar Documents

Publication Publication Date Title
US11361434B2 (en) Machine learning for otitis media diagnosis
US20210035296A1 (en) System and method for feature extraction and classification on ultrasound tomography images
US11593650B2 (en) Determining confident data samples for machine learning models on unseen data
Noor et al. Automated sheep facial expression classification using deep transfer learning
Zhou et al. Lung mass density analysis using deep neural network and lung ultrasound surface wave elastography
Parker et al. Detecting paroxysmal coughing from pertussis cases using voice recognition technology
US11923090B2 (en) Early skin condition diagnostics using sonic sensors
Mendonça et al. A portable wireless device for cyclic alternating pattern estimation from an EEG monopolar derivation
Priya et al. A novel intelligent approach for predicting atherosclerotic individuals from big data for healthcare
Pace et al. Delphic offline reinforcement learning under nonidentifiable hidden confounding
Gampala et al. Diagnosis of COVID-19 patients by adapting hyper parametertuned deep belief network using hosted cuckoo optimization algorithm
Rosaline et al. Enhancing lifestyle and health monitoring of elderly populations using CSA-TkELM classifier
Chang et al. Feature-based deep neural network approach for predicting mortality risk in patients with COVID-19
ZhuParris et al. Machine learning techniques for developing remotely monitored central nervous system biomarkers using wearable sensors: a narrative literature review
Salau et al. Model Based Risk Assessment to Evaluate Lung Functionality for Early Prognosis of Asthma Using Neural Network Approach.
Dar et al. Jaya Honey Badger optimization-based deep neuro-fuzzy network structure for detection of (SARS-CoV) Covid-19 disease by using respiratory sound signals
US20230015122A1 (en) Aortic stenosis classification
Xia et al. Uncertainty-aware Health Diagnostics via Class-balanced Evidential Deep Learning
Manouchehri et al. Multivariate Beta-Based Hierarchical Dirichlet Process Hidden Markov Models in Medical Applications
US20140276023A1 (en) Systems and methods for determining a probability of a female subject having a cardiac event
Maragoudakis et al. Heart sound screening in real-time assistive environments through MCMC Bayesian data mining
Gade et al. Exhaled breath signal analysis for diabetes detection: an optimized deep learning approach
Castelletti et al. Joint structure learning and causal effect estimation for categorical graphical models
Vegesna et al. Dysphonia-based Parkinson's Detection using Deep Learning and Ensemble Techniques
US20230112160A1 (en) Mapping brain data to behavior

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