CN115003223A - 使用电阻抗度量和临床预测因子的无创医学诊断 - Google Patents

Abstract

公开了使用电阻抗度量和临床预测因子进行无创医学诊断的装置、系统和方法。一种装置(104)包括探针(210)，该探针包括询问电极，该探针被配置成测量在询问电极和参考电极之间的患者身体组织的电阻抗。一种装置包括处理器和存储器，存储器存储代码，代码能够被执行以：使用探针的询问电极向患者身体的组织无创地施加(202)电流，测量(204)在探针的询问电极和参考电极之间的患者身体组织的电阻抗，以及通过将测量的组织的电阻抗输入到机器学习中来检测(206)患者身体组织中恶性肿瘤的存在。机器学习基于与正被诊断的疾病类型相关联的患者数据进行训练。

Description

使用电阻抗度量和临床预测因子的无创医学诊断

相关申请的交叉引用

本申请要求Michael A.Garff于2020年1月17日提交的、题为“NONINVASIVEMEDICAL DIAGNOSTICS USING ELECTRICAL IMPEDANCE METRICS AND CLINICALPREDICTORS”的第62/962,475号美国临时专利申请的权益，该临时专利申请通过引用并入本文。本申请还要求Michael A.Garff于2020年1月17日提交的、题为“NONINVASIVEDIAGNOSTIC SCREENING AND MONITORING OF THE BODY”的第62/962,482号美国临时专利申请的权益，该临时专利申请通过引用并入本文。本申请还要求Michael A.Garff于2020年1月17日提交的、题为“NONINVASIVELY LOCATING AND MEASURING THE LYMPHATIC SYSTEM”的第62/624,484号美国临时专利申请的权益，该临时专利申请通过引用并入本文。

领域

本文公开的主题涉及医学诊断，并且更具体地涉及将机器学习用于医学诊断。

背景

虽然癌症在老年人中更普遍，但它们影响所有年龄段的个体。那些因癌症而失去的人不仅给人类带来创伤，而且给家庭和整个社会带来社会性损失和重大的经济损失。因此，重要的研究继续聚焦在各种复杂的诊断方法和针对各种癌症模态的治疗方案上。尽可能早地做出诊断，尤其是以一种对患者来说无创的、低风险的方式进行诊断，对于癌症治疗有很大的成功概率。

概述

公开了使用电阻抗度量和临床预测因子(predictor)进行无创医学诊断的装置、系统和方法。在一个实施例中，一种装置包括探针，该探针包括询问电极，该探针被配置成测量在询问电极和参考电极之间的患者身体组织的电阻抗。在一个实施例中，一种装置包括处理器和存储器，该存储器存储代码，该代码能够由处理器执行以：使用探针的询问电极向患者身体组织无创地施加电流，测量在探针的询问电极和参考电极之间的患者身体组织的电阻抗，以及通过将所测量的组织的电阻抗输入到机器学习中来检测患者身体组织中恶性肿瘤的存在。机器学习可以基于与正在被诊断的疾病类型相关联的患者数据进行训练。

在一个实施例中，一种使用电阻抗度量和临床预测因子进行无创医学诊断的方法包括使用探针的询问电极向患者身体的组织无创地施加电流。探针可以被配置成测量在询问电极和参考电极之间的组织的电阻抗。在一个实施例中，该方法包括测量在探针的询问电极和参考电极之间的患者身体组织的电阻抗，以及通过将所测量的组织的电阻抗输入到机器学习中来检测患者身体组织中恶性肿瘤的存在。机器学习可以基于与正被诊断的疾病类型相关联的患者数据进行训练。

在一个实施例中，一种使用电阻抗度量和临床预测因子进行无创医学诊断的系统包括服装，该服装包括位于服装上不同位置的电极的阵列。服装可以由患者在进行生物阻抗测量时穿戴。在一个实施例中，该系统包括处理器和存储器，存储器存储代码，该代码能够由处理器执行以：使用服装上的电极的阵列中的至少一个电极对向组织施加电流，测量在服装上的该至少一个电极对之间的组织的电阻抗，以及通过将所测量的组织的电阻抗输入到机器学习中来预测组织中恶性肿瘤的存在。机器学习可以基于与正被诊断的疾病类型相关联的患者数据进行训练。

附图简述

为了使本发明的优点容易理解，通过参考在附图中示出的具体实施例，将呈现对上面简要描述的本发明的更加具体的描述。应理解，这些附图只描绘了本发明的典型实施例，且因此不能被看作对其范围的限制，通过使用附图，将结合附加的特征和细节描述和解释本发明，其中：

图1A是示出使用电阻抗度量和临床预测因子进行无创医学诊断的系统的一个实施例的示意性框图；

图1B是示出使用电阻抗度量和临床预测因子进行无创医学诊断的系统的一个实施例的示意性框图；

图1C是示出使用电阻抗度量和临床预测因子进行无创医学诊断的探针系统的一个实施例的示意性框图；

图1D是示出使用电阻抗度量和临床预测因子进行无创医学诊断的测量结果的一个实施例的示意性框图；

图2是示出使用电阻抗度量和临床预测因子进行无创医学诊断的装置的一个实施例的示意性框图；

图3是示出使用电阻抗度量和临床预测因子进行无创医学诊断的电极服装的一个实施例的示意性框图；

图4是示出使用电阻抗度量和临床预测因子进行无创医学诊断的方法的一个实施例的示意性流程图；

图5是示出使用电阻抗度量和临床预测因子进行无创医学诊断的装置的一个实施例的示意性框图；

图6A示出了用于在患者身体上定位探针的视觉反馈的一个示例；

图6B示出了用于在患者身体上定位探针的视觉反馈的另一个示例；以及

图7是示出使用电阻抗度量和临床预测因子进行无创医学诊断的方法的一个实施例的示意性流程图。

详细描述

贯穿本说明书中的对“一个实施例”、“实施例”或类似语言的引用意指结合实施例所描述的特定的特征、结构或特性被包括在至少一个实施例中。因此，短语“在一个实施例中”、“在实施例中”和类似语言在整个说明书中的出现可以但不一定都指同一实施例，而是表示“一个或更多个但不是所有实施例”，除非另有明确规定。术语“包括(include)”、“包含(comprise)”、“具有”及其变体意味着“包括但不限于”，除非另有明确规定。列举的项目清单并不意味着任何或所有项目是相互排斥和/或相互包容的，除非另有明确规定。术语“一(a)”、“一(an)”和“该(the)”也指“一个或更多个”，除非另有明确规定。

此外，实施例的所描述的特征、优点和特性可以以任何合适的方式组合。相关领域的技术人员将认识到，可以在没有特定实施例的一个或更多个具体特征或优点的情况下实践该实施例。在其他实例中，可以在特定实施例中识别出可能不存在于所有实施例中的附加特征和优点。

实施例的这些特征和优点将从下面的描述和所附的权利要求中变得更加明显，或者可以通过下文所述的实施例的实践来了解。如将由本领域技术人员理解的，本发明的方面可以被体现为系统、方法和/或计算机程序产品。因此，本发明的方面可采用完全硬件实施例、完全软件实施例(包括固件、驻留软件、微代码等等)或把在本文中通常全部可以被称为“电路”、“模块”或“系统”的软件方面和硬件方面组合的实施例的形式。此外，本发明的方面可采用体现在一个或更多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质具有在其上体现的程序代码。

本说明书中描述的许多功能单元被标记为模块，以便更特别地强调它们的实现独立性。例如，模块可以被实现为硬件电路，该硬件电路包括定制VLSI电路或门阵列、现成的半导体(诸如逻辑芯片、晶体管)、或其它分立部件。模块也可以在可编程硬件设备(诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等)中被实现。

模块也可以用软件实现，以由各种类型的处理器执行。程序代码的标识模块可以例如包括计算机指令的一个或更多个物理块或逻辑块，其可以例如被组织为对象、过程、或函数。然而，所标识的模块的可执行文件不需要物理上定位在一起，而是可以包括存储在不同位置的不同指令，当逻辑上关联在一起时，它们包括模块并实现该模块的所述目的。

事实上，程序代码的模块可以是单个指令、或许多指令，并且甚至可以分布在若干不同的代码段上、分布在不同的程序之间、以及分布在若干存储器设备上。类似地，操作数据可能在本文中以模块被标识和图示，并且可以以任何合适的形式体现，并且在任何合适类型的数据结构中被组织。操作数据可以作为单个数据集被收集，或者可以分布在包括不同存储设备的不同位置上，并且可以至少部分地仅作为系统或网络上的电子信号存在。在模块或模块的部分以软件实现的情况下，程序代码可以存储在一个或更多个计算机可读介质中和/或在一个或更多个计算机可读介质上传播。

计算机程序产品可以包括计算机可读存储介质(或多个介质)，其上具有用于使处理器执行本发明的各方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储用于由指令执行设备使用的指令的有形设备。计算机可读存储介质可以是例如但不限于电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述设备的任何合适的组合。计算机可读存储介质的更特定例子的非穷尽列表包括下列项：便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字多用途盘(DVD)、记忆棒、软盘、机械编码设备(例如穿孔卡或在凹槽中在其上记录指令的凸起结构(raised structure))以及前述项的任何合适的组合。如本文使用的计算机可读存储介质本身不应被解释为瞬态信号，例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，穿过光纤电缆的光脉冲)或通过电线传输的电信号。

本文描述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理设备，或者经由网络(例如互联网、局域网、广域网和/或无线网)下载到外部计算机或外部存储设备。该网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。在每个计算/处理设备中的网络适配器卡或网络接口从网络接收计算机可读程序指令，并转发计算机可读程序指令以用于存储在相应计算/处理设备内的计算机可读存储介质中。

用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或更多种编程语言(包括例如Smalltalk、C++或诸如此类的面向对象的编程语言，以及例如“C”编程语言或类似的编程语言的传统过程编程语言)的任何组合编写的源代码或对象代码。计算机可读程序指令可以完全在用户的计算机上执行，作为独立的软件包部分地在用户的计算机上执行、部分地在用户的计算机上执行并且部分地在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后者的场景中，远程计算机可通过任何类型的网络连接到用户的计算机，包括局域网(LAN)或广域网(WAN)，或者可连接到外部计算机(例如，通过使用互联网服务提供商的互联网)。在一些实施例中，包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路系统可以通过利用计算机可读程序指令的状态信息以使电子电路系统个性化来执行计算机可读程序指令，以便执行本发明的各方面。

在本文参考根据本发明的实施例的方法、装置(系统)和计算机程序产品的流程图图示和/或框图描述本发明的各方面。应理解的是，流程图图示和/或框图中的每个框和流程图图示和/或框图中的块的组合可以由计算机可读程序指令来实现。

这些计算机可读程序指令可被提供给通用计算机的、专用计算机的、或用于生产机器的其他可编程数据处理装置的处理器，使得通过计算机的或其他可编程数据处理装置的处理器执行的指令而产生用于实现在流程图中和/或在框图的一个或更多个框中所指定的功能/动作。这些计算机可读程序指令还可存储在计算机可读存储介质中，所述指令可指示计算机、可编程数据处理装置和/或其他设备以特定方式起作用，使得其中存储有指令的计算机可读存储介质包括制造物品，其包括实现在流程图和/或框图的一个或更多个框中所指定的功能/动作的各方面的指令。

计算机可读程序指令也可以被加载到计算机、其他可编程数据处理装置或其他设备上，以使得一系列操作步骤在计算机、其他可编程装置或其他设备上被执行以产生计算机实现的过程，使得在计算机、其他可编程装置或其他设备上执行的指令实现在流程图和/或框图的一个或更多个框中指定的功能/动作。

本说明书中描述的许多功能单元都被标记为模块，以便更特别地强调它们的实现独立性。例如，模块可以被实现为硬件电路，该硬件电路包括定制VLSI电路或门阵列、现成的半导体(诸如逻辑芯片、晶体管)、或其它分立部件。模块也可以在可编程硬件设备(诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等)中被实现。

模块也可以用软件实现，以由各种类型的处理器执行。程序指令的标识模块可以例如包括计算机指令的一个或更多个物理块或逻辑块，其可以例如被组织为对象、过程、或函数。然而，所标识的模块的可执行文件不需要物理上定位在一起，而是可以包括存储在不同位置的不同指令，当逻辑上关联在一起时，它们包括模块并实现该模块的所述目的。

附图中的示意性流程图和/或示意性框图示出了根据本发明的多个实施例的装置、系统、方法和计算机程序产品的可能的实现方式的架构、功能性和操作。就这点而言，示意性流程图和/或示意性框图中的每个框可代表模块、代码段、或代码的部分，其包括用于实现指定逻辑功能的程序代码的一个或更多个可执行指令。

还应当注意的是，在一些替代实现方式中，在框中提到的功能可以不以图中提到的顺序发生。例如，连续地显示的两个框事实上可以基本上同时执行，或者框有时可以以相反的顺序执行，这取决于所涉及的功能。可以设想在功能、逻辑或效果上等效于所示附图的一个或更多个框或其部分的其他步骤和方法。

尽管在流程图和/或框图中可能采用了各种箭头类型和线条类型，但应理解它们不限制对应实施例的范围。实际上，一些箭头或其他连接器可用于仅指示所描绘实施例的逻辑流。例如，箭头可以指示在所描绘实施例的枚举步骤之间的未指定持续时间的等待或监测周期。还应当指出的是，框图和/或流程图中的每个框以及框图和/或流程图中的框的组合可以由执行指定功能或动作的基于专用硬件的系统或专用硬件和程序代码的组合来实现。

如本文所用，具有“和/或”连词的列表包括列表中的任何单个项目或列表中的项目的组合。例如，A、B和/或C的列表包括仅A、仅B、仅C、A和B的组合、B和C的组合、A和C的组合或A、B和C的组合。如本文所用，使用术语“一个或更多个”的列表包括列表中的任何单个项目或列表中的项目的组合。例如，A、B和C中的一个或更多个包括仅A、仅B、仅C、A和B的组合、B和C的组合、A和C的组合或A、B和C的组合。如本文所用，使用术语“……中的一个”的列表包括列表中任何单个项目中的一个且仅包括其中一个。例如，“A、B和C中的一个”包括仅A、仅B或仅C，并排除A、B和C的组合。如本文所用，“选自由A、B和C构成的组的一个成员”包括A、B或C中的一个且仅一个，并排除A、B和C的组合。如本文所用，“选自由A、B和C构成的组的一个成员及其组合”包括仅A、仅B、仅C、A和B的组合、B和C的组合、A和C的组合或A、B和C的组合。

在一个实施例中，一种装置包括探针，该探针包括询问电极，该探针被配置成测量在询问电极和参考电极之间的患者身体组织的电阻抗。在一个实施例中，一种装置包括处理器和存储器，该存储器存储代码，该代码能够由处理器执行以：使用探针的询问电极向患者身体组织无创地施加电流，测量在探针的询问电极和参考电极之间的患者身体组织的电阻抗，以及通过将所测量的组织的电阻抗输入到机器学习中来检测患者身体组织中恶性肿瘤的存在。机器学习可以基于与正在被诊断的疾病类型相关联的患者数据进行训练。

在一个实施例中，代码能够由处理器执行，以随时间周期性地测量在探针的询问电极和参考电极之间的患者身体组织的电阻抗，并监测组织中疾病的进展和治疗疗法在治疗组织中疾病方面的有效性。

在一个实施例中，患者数据包括患者的至少一个生物标记(biomarker)，该至少一个生物标记作为另一输入被输入到机器学习中，以用于预测组织中恶性肿瘤的存在。在某些实施例中，至少一个生物标记选自包括以下项的组：年龄、性别、体重、身高、种族、基因组属性、血液检查工作(blood panel work)、药物、位置、职业、饮食习惯、酒精摄入、家族史、收入和先前活检结果。

在一个实施例中，患者数据包括与正被诊断的疾病类型相关联的至少一个风险因素，该风险因素作为另一输入被输入到机器学习中以用于预测组织中恶性肿瘤的存在。在某些实施例中，正被诊断的疾病类型是肺癌，并且至少一个风险因素选自包括以下项的组：年龄、个人和家族癌症史、吸烟史、组织中结节的大小、组织中结节的数量、组织中结节的特性、组织中结节的位置、肺气肿病史和体重指数。

在一个实施例中，正被诊断的疾病类型是乳腺癌，并且至少一个风险因素选自包括以下项的组：年龄、基因突变、生殖史、乳房密度、个人乳房疾病史、家族乳腺癌史、既往放射疗法治疗、和服用药物己烯雌酚(“DES”)。

在一个实施例中，患者数据包括与正被诊断的疾病类型相关联的至少一种症状，该症状作为另一输入被输入到机器学习中以用于预测组织中恶性肿瘤的存在。在一个实施例中，正被诊断的疾病类型是肺癌，并且至少一种症状选自包括以下项的组：最近体重减轻、痰中带血、胸痛、咳嗽、呼吸急促、喘息、疲劳和骨痛。在一些实施例中，正被诊断的疾病类型是乳腺癌，并且至少一种症状选自包括以下项的组：肿块大小、肿块生长、乳房部分增厚、乳房皮肤凹陷、片状皮肤、乳头疼痛、乳头溢液、乳房大小和/或形状变化以及乳房疼痛。

在一个实施例中，代码能够由处理器执行以使用不同患者的外部患者数据来训练机器学习，该外部患者数据包括患者生物标记、患者症状、患者活检结果和患者的生物阻抗标记(bioimpendance markers)。

在一个实施例中，一种使用电阻抗度量和临床预测因子进行无创医学诊断的方法包括使用探针的询问电极向患者身体组织无创地施加电流。探针可以被配置成测量在询问电极和参考电极之间的组织的电阻抗。在一个实施例中，该方法包括测量在探针的询问电极和参考电极之间的患者身体组织的电阻抗，以及通过将所测量的组织的电阻抗输入到机器学习中来检测患者身体组织中恶性肿瘤的存在。机器学习可以基于与正被诊断的疾病类型相关联的患者数据进行训练。

在一个实施例中，方法包括随时间周期性地测量在探针的询问电极和参考电极之间的患者身体组织的电阻抗，并监测组织中疾病的进展和治疗疗法在治疗组织中疾病方面的有效性。

在一个实施例中，患者数据包括患者的至少一个生物标记，该至少一个生物标记作为另一输入被输入到机器学习中以用于预测组织中恶性肿瘤的存在。在一些实施例中，至少一个生物标记选自包括以下项的组：年龄、性别、体重、身高、种族、基因组属性、血液检查工作、药物、位置、职业、饮食习惯、酒精摄入、家族史、收入和先前活检结果。

在一些实施例中，患者数据包括与正被诊断的疾病类型相关联的至少一个风险因素，该风险因素作为另一输入被输入到机器学习中以用于预测组织中恶性肿瘤的存在。在某些实施例中，患者数据包括与正被诊断的疾病类型相关联的至少一种症状，该症状作为另一输入被输入到机器学习中以用于预测组织中恶性肿瘤的存在。在多个实施例中，该方法包括使用不同患者的外部患者数据来训练机器学习，该外部患者数据包括患者生物标记、患者症状、患者活检结果和患者的生物阻抗标记。

在一个实施例中，一种使用电阻抗度量和临床预测因子进行无创医学诊断的系统包括服装，该服装包括位于服装上不同位置的电极的阵列。服装可以由患者在进行生物阻抗测量时穿上。在一个实施例中，该系统包括处理器和存储器，存储器存储代码，该代码能够由处理器执行以：使用服装上的电极的阵列中的至少一个电极对向组织施加电流，测量在服装上的该至少一个电极对之间的组织的电阻抗，以及通过将所测量的组织的电阻抗输入到机器学习中来预测组织中恶性肿瘤的存在。机器学习可以基于与正被诊断的疾病类型相关联的患者数据进行训练。

在一个实施例中，服装包括信号发生器，以用于生成要施加到在至少一个电极对之间的组织的电流，服装能够通信地耦合到探针系统，以用于接收用于生成、施加和测量组织的电阻抗的指令。

图1A是示出使用电阻抗度量和临床预测因子进行无创医学诊断的系统100的一个实施例的示意性框图。在一个实施例中，系统100包括一个或更多个信息处理设备102、一个或更多个诊断装置104、一个或更多个数据网络106以及一个或更多个服务器108。在某些实施例中，尽管在图1A中描绘了特定数量的信息处理设备102、诊断装置104、数据网络106和服务器108，但根据本公开，本领域技术人员将认识到，系统100中可以包括任意数量的信息处理设备102、诊断装置104、数据网络106和服务器108。

在一个实施例中，系统100包括一个或更多个信息处理设备102。信息处理设备102可以体现为以下中的一种或更多种：台式计算机、膝上型计算机、平板计算机、智能手机、智能扬声器(例如，Amazon

Google

Apple

)、物联网设备、安全系统、机顶盒、游戏控制台、智能电视、智能手表、健身带或其他可穿戴的活动跟踪设备、光学头戴式显示器(例如，虚拟现实头戴式装置、智能眼镜、头戴式受话器等)、高清晰度多媒体接口(“HDMI”)或其他电子显示加密狗、个人数字助理、数码相机、摄像机或包括处理器(例如，中央处理单元(“CPU”)、处理器核、现场可编程门阵列(“FPGA”)或其他可编程逻辑、专用集成电路(“ASIC”)、控制器、微控制器和/或另外的半导体集成电路器件)、易失性存储器和/或非易失性存储介质、显示器、与显示器的连接等的另一计算设备。

通常，在一个实施例中，诊断装置104被配置成使用探针的询问电极将电流无创地施加到患者身体的组织。如图1B所示，探针被配置成测量在询问电极和参考电极之间的组织的电阻抗。此外，在一个实施例中，诊断装置104被配置成测量在探针的询问电极和参考电极之间的患者身体组织的电阻抗，并通过将经测量的组织的电阻抗输入到机器学习中来检测患者身体组织中恶性肿瘤的存在，机器学习可以基于与正被诊断的疾病类型相关联的患者数据进行训练。

以此方式，诊断装置104以无创和非辐射的方式检测恶性肿瘤，例如与乳腺癌或肺癌相关联的恶性肿瘤，并且在肿瘤的最早期阶段，使用机器学习来对患者身体中恶性肿瘤的存在进行检测、预测、预报等。诊断装置104将生物阻抗测量结果、生物标记、症状、风险等的组合与人工智能一起使用，以提供对患者体内恶性肿瘤的早期检测，该早期检测可以提高与该恶性肿瘤相关联的疾病的存活率。

在一个实施例中，诊断装置104的至少一部分位于信息处理设备102、探针系统、服务器108、(下面描述的)电极服装等上。诊断装置104，包括其各种子模块，可以位于系统100中的一个或更多个信息处理设备102上，位于一个或更多个服务器108上，位于一个或更多个网络设备上，等等。下面参考图2更详细地描述诊断装置104。

在某些实施例中，诊断装置104可以包括诸如安全硬件加密狗的硬件设备或其他硬件器件设备(例如，机顶盒、网络器件等)，其通过有线连接(例如，通用串行总线(“USB”)连接)或无线连接(例如，

Wi-Fi、近场通信(“NFC”)等)附接到诸如头戴式显示器、膝上型计算机、服务器108、平板计算机、智能电话、安全系统、网络路由器或交换机等的设备；附接到电子显示设备(例如，使用HDMI端口、DisplayPort端口、Mini DisplayPort端口、VGA端口、DVI端口等附接到电视机或监视器)；等等。诊断装置104的硬件器件可以包括电源接口、有线和/或无线网络接口、附接到显示器的图形接口、和/或如下面所描述的半导体集成电路设备，其被配置成执行本文关于诊断装置104所描述的功能。

在这样的实施例中，诊断装置104可以包括半导体集成电路设备(例如，一个或更多个芯片、管芯或其他分立逻辑硬件)等，例如现场可编程门阵列(“FPGA”)或其他可编程逻辑、用于FPGA或其他可编程逻辑的固件、用于在微控制器上执行的微代码、专用集成电路(“ASIC”)、处理器、处理器核等。在一个实施例中，诊断装置104可以安装在具有一个或更多个电气线路或连接(例如，到易失性存储器、非易失性存储介质、网络接口、外围设备、图形/显示接口等的线路或连接)的印刷电路板上。硬件器件可以包括一个或更多个引脚、焊盘或被配置成发送和接收数据(例如，与印刷电路板的一个或更多个电气线路等通信)的其他电气连接以及一个或更多个硬件电路和/或被配置成执行诊断装置104的各种功能的其他电路。

在某些实施例中，诊断装置104的半导体集成电路设备或其他硬件器件包括和/或通信地耦合到一个或更多个易失性存储器介质，该易失性存储器介质可以包括但不限于随机存取存储器(“RAM”)、动态RAM(“DRAM”)、缓存等。在一个实施例中，诊断装置104的半导体集成电路设备或其他硬件器件包括和/或通信地耦合到一个或更多个非易失性存储器介质，该非易失性存储器介质可以包括但不限于：NAND闪存、NOR闪存、纳米随机存取存储器(纳米RAM或“NRAM”)、纳米晶线基存储器、氧化硅基亚10纳米工艺存储器(silicon-oxidebased sub-10 nanometer process memory)、石墨烯存储器、硅-氧化物-氮化物-氧化物-硅(“SONOS”)、电阻性RAM(“RRAM”)、可编程金属化单元(“PMC”)、导电桥接RAM(“CBRAM”)、磁阻性RAM(“MRAM”)、动态RAM(“DRAM”)、相变RAM(“PRAM”或“PCM”)、磁存储介质(例如，硬盘、磁带)、光学存储介质等。

在一个实施例中，数据网络106包括传输数字通信的数字通信网络。数据网络106可以包括无线网络，例如无线蜂窝网络的、本地无线网络，例如Wi-Fi网络、

网络、近场通信(“NFC”)网络、自组织网络等。数据网络106可以包括广域网(“WAN”)、存储区域网(“SAN”)、局域网(“LAN”)(例如，家庭网络)、光纤网络、互联网或其他数字通信网络。数据网络106可以包括两个或更多个网络。数据网络106可以包括一个或更多个服务器、路由器、交换机和/或其他联网设备。数据网络106还可以包括一个更或多个计算机可读存储介质，例如硬盘驱动器、光驱、非易失性存储器、RAM等。

无线连接可以是移动电话网络。无线连接还可以采用基于电气和电子工程师协会(“IEEE”)802.11标准中的任何一个的Wi-Fi网络。可替代地，无线连接可以是

连接。此外，无线连接可以采用射频识别(“RFID”)通信，包括由国际标准化组织(“ISO”)、国际电工委员会(“IEC”)、美国测试和材料协会

DASH7^TM联盟和EPCGlobal^TM建立的RFID标准。

可替代地，无线连接可以采用基于IEEE 802标准的

连接。在一个实施例中，无线连接采用由Sigma

设计的

连接。可替代地，无线连接可以采用如由加拿大科克伦(Cochrane)的

创新公司定义的

和/或

连接。

无线连接可以是红外连接，包括至少符合由红外数据协会

(“IrDA”

)定义的红外物理层规范(“IrPHY”)的连接。可替代地，无线连接可以是蜂窝电话网络通信。所有的标准和/或连接类型包括截至本申请提交日期的标准和/或连接类型的最新版本和修订。

在一个实施例中，一个或更多个服务器108可以体现为刀片服务器、大型机服务器、塔式服务器、机架服务器，等等。一个或更多个服务器108可以被配置作为电子邮件服务器、web服务器、应用服务器、FTP服务器、媒体服务器、数据服务器、web服务器、文件服务器、虚拟服务器，等等。一个或更多个服务器108可以通过数据网络106通信地耦合(例如，联网)到一个或更多个信息处理设备102，例如，作为健康护理信息和患者数据系统的一部分。

图1B描绘了使用电阻抗度量和临床预测因子进行无创医学诊断的系统110。如上所述，本文的主题描述了使用生物区域的电阻抗特性，基于正常水平与异常水平的比对，结合临床预测因子，并使用人工智能/机器学习算法来提供对恶性肿瘤(如，针对各种类型的癌症或其他疾病)的预测性筛查和检测。

一般来说，当恶性肿瘤本身存在于体内时，身体会做出反应，例如，癌症改变了细胞外基质中的成分组成。诊断装置104使用探针系统，与探针系统接口，与探针系统通信，指示探针系统，命令探针系统，向探针系统发信号，等等，以将电流引入到身体上预定的癌症特定点，测量通过身体的离子电流，并将测量结果提供给人工智能/机器学习引擎，人工智能/机器学习引擎结合其他生物标记、生物测定、生物历史、活检数据、生活方式数据、症状、健康风险和与患者相关联的其他生物数据分析测量结果，以检测患者体内(例如肺或乳房中)恶性肿瘤的存在。

在一个实施例中，诊断装置104测量主要流经细胞外基质内的间质液的离子电流的电导或电阻响应。在某些实施例中，诊断装置104不仅测量特定位置处的组织，而且测量身体上关键目标位置中的细胞外基质和淋巴系统内的间质液的体电阻(bulk resistive)变化。由于癌症在体内的存在，间质、细胞外基质和淋巴系统的生物学变化已经通过各种分析方法表明是明显的和可测量的。

通常，电流可以以不同的方式流动。带电粒子运动时产生电流。电子是带电粒子。大多数人都熟悉在诸如铜的导体中的电流流动。常见的示例是家庭或计算机中的电导线。电流也可以在真空或空气中流动，如在真空管中或者以电火花或闪电的形式流动。它也可以在等离子体中流动，或者以诸如无线电波的电磁波的形式流动，或者以离子流的形式流动。最重要的是，在生物学和医学中，我们关注的是由于离子流动而产生的电流。离子是溶解或悬浮在水中的带电原子、分子或分子结构，例如DNA，甚至更大的蛋白质等。这些离子上的电荷是由于电子的过剩或不足而产生的。电流可以通过(例如人体内的)液体流动。这种电流是由离子的运动构成的。离子可以带负电，也可以带正电，并将以相反的方向流动。

流经身体的电流是由于离子流动的过程而产生的。对于直流电(“DC”)或交流电(“AC”)都是如此。当对身体或组织施加电压时，电流就会流动。只有当带电离子朝向带有相反电荷的电极运动时，电才会流动。这通常被称为生物电导。离子的运动受到体内许多因素的抵制。对电流流动的抵制可以称为电阻抗。电阻抗可以进一步被表征为电阻和电容的函数。电阻抗可以用一组复变量来描述，该一组复变量取决于所施加的电压信号的类型。身体中的阻抗是所施加电压的频率及其所流经的生物结构的构成的函数。

诊断装置104改进了传统的筛查系统，以提高使用电阻抗测量结果来诊断或筛查癌症或其他疾病状态的癌症筛查设备的准确性。在某些实施例中，诊断装置104还被配置成测量体内感兴趣组织、解剖特征、间质液、淋巴系统等的电阻抗，并提供与来自已知健康受试者的数据的比较，以便对疾病状态的检测进行得当的诊断和/或筛查，包括癌症筛查。这包括细胞外空间中的间质液、淋巴毛细管、淋巴通道、淋巴结和感兴趣的解剖组织中的电阻抗特性。生物系统中感应和测量的电流是基于离子传输的。这些离子电流本质上是复杂的，并且依赖于许多变量，包括离子类型、离子浓度、离子运动经过的基质，等等。

淋巴系统被认为是身体的免疫系统。除了其作为间质液循环系统的功能以外，其还具有调节与癌症、疾病状态和各种全身炎症相关的肥大细胞、T细胞、miRNA、电解质和生化重要片段等的功能。主淋巴通道沿着已知的解剖区域(通常对应于筋膜内平面)流动。淋巴结的位置是众所周知的，包括颈淋巴结、腋窝淋巴结等。细胞外空间中的间质液中与免疫反应有关的电解质、蛋白质、miRNA、趋化因子和细胞因子的浓度显示出明显高于正常血液。

无创地测量人体组织的电阻抗可能是一种表征正常、健康组织相对于(versus)不健康或异常组织的快速方法。临床研究显示了测量生物阻抗的有效性及其与疾病状态(包括各种癌症)的关系。通过提高筛查设备的准确性，可以提高检测能力，包括获得更高的灵敏度和提高特异性(specificity)。因此，有助于针对一些疾病进行更早的治疗，并减少针对其他疾病的不必要的治疗。

人体和组织的电阻抗测量结果提供了重要的信息，这些信息已被用来表征感兴趣的组织和液体。电阻抗测量是复杂的，并且提供了与电压、频率、路径、电极和组织相关的非线性函数。数据的第一级使用导致了有用的诊断信息。增加了人工智能/机器学习(例如深度学习)的使用，以进行信号分析，并与结合了临床预测因子的已知疾病状态集进行比较，该临床预测因子例如是生物标记，例如年龄、性别、体重、身高、种族、基因组属性、血液检查工作、药物、位置、职业、饮食习惯、酒精摄入、家族史、收入、活检结果等。组合的大型数据集(其将状态与已知的健康或疾病状态进行比较)和电阻抗度量为非侵入式电阻抗筛查设备提供了附加的预测能力。准确的预测可用于减少不必要或有风险的手术的运用，或在适当时加快手术的运用，从而导致更早的干预。

如图1B所示，系统110包括用于测量患者身体124的特定区域上的电阻抗的设备111。设备111可以是计算设备，例如台式计算机、膝上型计算机、移动设备，或者包括处理器116、存储器、储存器、网络能力、显示器等的任何专门编程或配置的硬件和软件设备。设备111可以是探针系统(参见图1C)，可以通信地耦合到探针系统，等等。

例如，设备111可以包括输入模数转换器120或者可通信地耦合到输入模数转换器120，以响应于经由探针施加到患者身体的电信号来处理从放置在患者124上的电极接收的信号。设备111还可以包括信号发生器122，从而以各种动态确定的或预定义的电压为放置在患者124上的电极生成或触发信号，其结果随后由输入AD 120接收。

电极可以放置在身体的与感兴趣的疾病状态相关的区域上。这些疾病可以包括各种癌症，包括肺癌、皮肤癌、乳腺癌、甲状腺癌、前列腺癌等。系统110可以包括使用信号发生器122(例如使用探针)施加电信号作为输入的装置，以及使用输入AD 120准确测量和记录到参考电极(包括复阻抗)的信号的能力。

此外，系统110可以包括诊断装置104，诊断装置104利用人工智能/机器学习算法128处理来自患者124身上特定位置的测量信号，并将该信号与在具有已知健康状态的各种受试者的相同身体位置处测量的信号的数据库116进行比较。数据库116可以包括外部患者数据112，外部患者数据112包括患者生物电阻抗度量、例如预测因子和病史的临床数据、临床活检结果、治疗数据、医学信息学信息，例如年龄、性别、种族、体重、身高、健康状况、药物、吸烟史、饮食习惯、酒精摄入、收入、地理位置、活检结果等。数据库116可以具有生长的能力，因为随着更多的患者被诊断、治疗等，更多的数据被包括。

数据库116可以包括任何类型的数据储存器，例如，关系数据库，并且可以本地存储或远程存储，例如存储在云中。外部患者数据112可以从公共可用的患者数据(其可以具有从该数据中条带化或编辑出的个人可识别信息)、由医院、医生、诊所、患者等提供的数据中获得。数据库116可以具有控制或保护用于诊断目的的核心诊断数据集的装置，例如，使用诸如加密、需要凭证(用户名/密码、生物测定信息等)等的安全措施进行保护。

在一个实施例中，诊断装置104使用人工智能/机器学习算法118对数据集——即时患者数据和外部患者数据112——进行模式识别，组合电阻抗测量结果以提供更高置信度的诊断评分。如本文所用，人工智能可以指机器/计算机随时间学习和模拟智能行为的能力。此外，如本文所用，机器学习可以指人工智能(AI)的应用，其为系统提供根据经验自动学习和改进的能力，而无需显式编程。机器学习专注于开发能够访问数据并使用数据自己进行学习的计算机程序。

人工智能/机器学习算法118可以包括各种类型的机器学习算法，例如有监督机器学习算法(例如，最近邻、朴素贝叶斯、决策树、线性回归、支持向量机、神经网络等)、无监督机器学习算法(例如，k均值聚类、关联规则等)、半监督机器学习算法和/或强化机器学习算法(例如，Q-learning、时间差分、深度对抗网络等)。

诊断装置104可以基于参考数据库116中的外部患者数据训练人工智能/机器学习118。随着训练数据集的大小增长，诊断装置104可以连续训练和/或再训练人工智能/机器学习，其由于人工智能/机器学习118的提高的准确性而提供统计上改进的诊断分数。在一些实施例中，来自人工智能/机器学习118的结果、预测、估计、预报、诊断等被提供、输入或存储在数据库116中，以供将来参考和训练。在某些实施例中，可以例如由第三方执行对存储在数据库116中的数据的周期性临床和监管审查，包括对数据库116的建议添加或改进，以授权对数据库116中的核心诊断数据集的升级。

在一个示例实施例中，系统110包括设备111，以用于测量身体的沿着淋巴通道和淋巴结定位的整个特定区域上的电阻抗。与来自已知健康受试者的大型统计显著度量相比，测试度量可能与感兴趣的疾病状态相关。这些状态可以包括通过监测包括肺、皮肤、乳房、甲状腺等的淋巴系统可以识别出的各种癌症类型。系统110包括在沿淋巴系统的指定位置处施加受控电信号作为输入的装置，以及包括准确地测量和记录到参考电极的精确信号(包括复阻抗)的能力。电极可以包括单点以及特定间隔开的电极的阵列，以扫描一个或更多个区，例如淋巴节或血管/通道。

图1C描绘了用于在患者体内生成电流并测量阻抗的设备的一个实施例。在一个实施例中，设备包括通常由150指示的计算机组件和通常由152指示的探针系统。计算机组件150典型地包括外壳154，以包含与诸如监视器156的显示设备通信的处理器和存储器。一个或更多个输入设备(例如图示的键盘158、鼠标等)也可以被包括来以与计算机组件可操作地相关联。类似地，输出设备，例如打印机、USB端口、网络连接器、媒体写入器等，可以被设置以与计算机系统150建立可操作关系。

探针系统152通常包括询问电极160。可以使用的询问电极的一个示例在2005年1月20日公布的公开号为2005/0015017的美国专利申请中被公开，该专利申请的全部内容在此通过引用并入。期望地，询问电极160将被构造成允许在测量序列期间通过计算机控制将电极接触压力施加到受试者的皮肤上。这种计算机控制可以包括反馈回路，反馈回路包括由探针自身测量的实时电导率数据。

探针系统152还包括参考电极，例如可以由受试者手持的圆柱体162，或者可以由临床医生应用的可选的点探针164。理想地，参考电极被构造成接触被测受试者的皮肤的相对较大区域，并将操作员与所形成的电路隔离。可操作电极162包括直径约1英寸、长度约3英寸的导电材料(例如金属)的圆柱状块体。黄铜是可用于形成参考电极的可操作金属，但是其他金属和导电材料也是可操作的。可操作的点探针164可以形成为钝的、通常为蘑菇状的导电材料(例如，金属，包括黄铜)块体。电极被放置成与电导率测量设备电连通，该电导率测量设备可以方便地被包含在外壳154中，以用于将电导率数据传送到计算机系统150。

水通常被喷洒在受试者的手上，并且圆柱形参考电极162被握在紧握的拳头的湿润手掌中。有时，可以施加条带以确保手不会无意中断开电极162或与电极162失去接触。操作员利用水分将圆的参考电极164放置在受试者背部的特定位置。其他电极可以放置在患者的身体上(例如，粘附到患者的皮肤或作为服装的一部分抵靠身体放置，如下所述)。操作员戴着手套掌控电极，以保持电隔离，并在测量期间施加均匀的压力。

数据采集包括在一段时间内测量参考电极和询问电极之间根据时间变化的电导率，参考电极设置在一个或更多个参考点处，询问电极通常设置在多个询问点中的每一个询问点处。可操作用于检测癌症(例如肺癌或乳腺癌)的特定询问点位置位于手臂、上臂、肩膀、胸部和背部上。在一些实施例中，在用于检测肺癌的数据采集期间，参考电极162将被保持在受试者身体中线与询问点相对的一侧的手中。

在一个实施例中，在计算机系统150上运行和/或通信地耦合到计算机系统150的软件，例如位于计算机系统150上和/或通过数据网络106连接到计算机系统150的诊断装置104，被编程以在使用探针系统152进行数据采集期间协助操作员。例如，显示器156可以呈现视觉解剖示意图，该视觉解剖示意图具有帮助设备操作员识别和放置询问探针160的高亮询问点覆盖。

在数据采集系列期间，屏幕图像可以更新或改变以通知操作员关于每个感兴趣点的期望询问点。可以产生用户可感知的输出(例如低电平调制的音调)，以向设备操作员提供实时反馈来验证可接受测量的完成。可以在监视器156上可视地显示每次电导率测量的电导测量结果分布，例如，可以在每次电导率测量期间每秒采样电导值25次。

此外，诊断装置104可以控制探针压力以确保准确和一致的测量结果。因此，在探针的操作期间施加到皮肤表面的压力是可重复的，并且与操作员的力无关。诊断装置104在询问电极尖端接触期间实现阈值曲线，该询问电极尖端接触实时调整探针压力，以确保准确读数并防止错误读数。在测量会话完成之后，诊断装置104可以存储数据以用于后处理。

在询问点处对电导率的基于时间的测量期间获得的数据集的代表性曲线图被呈现在图1D中。在图1D中，X轴表示时间，以及Y轴表示测量的电导率指数。如本文所用，电导率指数被定义为等效于在标称1.2或2.4伏特下对1K欧姆至999K欧姆电阻测量的电导。设备150中的固件(例如诊断装置104)将电流稳定在例如10微安，测量电压，以及然后计算电导。计算机系统150的软件/固件(例如，诊断装置104)采用一种算法增加探针压力直到电导率指数显示零斜率为止。

然后，该算法命令在一段时间内(例如在五秒钟内)保持恒定的探针压力。在电询问探针的一个示例使用中，计算机算法的降脉宽调制(“PWM”)速率变量被设置为零，这在达到零斜率后保持电极尖端的标称压力恒定。在时间间隔期间周期性地测量询问探针和参考探针之间的电导率，并将电导率存储为数据集，并且该信息被传输到计算机系统150。测量的电导被绘制为在0到100的尺度上归一化的电导率指数。

可以从数据集(例如如图1D所示的数据集)中解析出的并且描述了这种曲线图的特定部分的八种属性被定义如下：基础最大值(Base Max)是达到零斜率之后的最大电导率指数值；基础最小值(Base Min)是达到零斜率之后的最小电导率指数值；上升(Rise)是起始电导率指数与零斜率时的电导率指数之间的角度；下降(Fall)是零斜率点处的电导率指数与测量结束时的电导率指数之间的角度；落差(Drop)是基础最大值与基础最小值之间的差；到零斜率的曲线下面积是指从起点到零斜率的曲线下面积与从起点到零斜率的总可能面积相比的百分比；从零斜率开始的曲线下面积是指从零斜率到测量结束的曲线下面积与从零斜率到测量结束的总可能面积的百分比；以及曲线下面积总和是从测量开始到测量结束的曲线下面积与从测量开始到测量结束的总可能面积的百分比。

测量结果的可接受性可以由系统150的诊断装置104确定，并且临床医生可以从计算机系统150接收可感知的反馈以确认数据收集操作的令人满意的完成。可以被评估以确定数据是否被成功收集的因素包括：1)电导率上升到零斜率，由计算机控制。2)通过维持超时值连续测量信号，无意外波动，由计算机控制和操作员控制。3)如果在前两秒内没有出现零斜率指示，则应重复测量，由操作员控制。4)过大的落差值被反复确认，由操作员控制。

失败的测量结果可能包括：1)过早的零斜率——由机器控制。2)零斜率之后的过度上升或下降——由机器控制。3)低电导率测量结果作为第一度量，特别是在没有其他低电导率测量结果时，由操作员控制。4)第一次接触时没有探针复位——由操作员控制。

图2描绘了使用电阻抗度量和临床预测因子进行无创医学诊断的装置200的一个实施例。在一个实施例中，装置200包括诊断装置104的实施例。在一个实施例中，诊断装置104包括电流模块202、测量模块204、ML模块206和监测模块208中的一个或更多个。在一些实施例中，探针系统210和电极服装212通信地耦合到诊断装置104。

在一个实施例中，如上所述，电流模块202被配置成使用探针系统210的探针的询问电极向患者身体的组织无创地施加电流。在一个实施例中，探针系统210可以基本上类似于参考图1C描述的探针系统152。电流模块202可以响应于操作员的指令、基于与正被诊断的疾病类型相关的预定义设置等来生成电压以施加一定量的电流。

在一个实施例中，测量模块204被配置成测量在探针的询问电极和参考电极之间的患者身体组织的电阻抗。在某些实施例中，探针系统210的探针可以被配置成检测和测量在询问电极与参考电极(或多个参考电极)之间的电阻抗，并存储测量结果以用于以后的分析和处理。

在一个实施例中，ML模块206被配置成通过将所测量的组织的电阻抗输入到机器学习中来检测患者身体组织中恶性肿瘤的存在。如上所述，ML模块206可以获得、参考、查找、检索等针对患者和正进行检查的患者身体区域测量的电阻抗，并将测量的电阻抗提供给人工智能/机器学习引擎，以用于确定或检测被施加电流的组织中是否存在恶性肿瘤。

在这样的实施例中，机器学习基于与正被诊断的疾病类型(例如肺癌、乳腺癌、前列腺癌等)相关联的患者数据进行训练。例如，可以使用历史训练数据来训练机器学习模型以一般地和/或在肺的特定位置处检测肺癌，该历史训练数据包括对已经被诊断为肺癌的其他患者测量的电阻抗。

在一个实施例中，机器学习模型可以基于诸如生物标记数据等的其他外部数据进行训练。如本文所用，生物标记可以指某种生物状态或状况的可测量指标，例如，年龄、性别、体重、身高、种族、基因组属性、血液检查工作、药物、位置、职业、饮食习惯、酒精摄入、家族史、收入、先前活检结果，等等。数字生物标记，例如，聚焦于诸如加速度计数据、心率、血压等的重要参数的生物标记，其使用智能生物传感器，例如智能电话或智能手表上的心率监视器来进行捕获、记录、感测、检测、测量等。

机器学习模块基于其进行训练的其他外部数据可以包括与正被诊断的疾病类型(例如肺癌或乳腺癌)相关联的风险因素。风险因素可能与人的健康、生活方式、环境条件、社会经济地位、就业等有关。例如，肺癌的风险因素可能包括患者的年龄、个人和家族癌症史、吸烟史、组织中结节的大小、组织中结节的数量、组织中结节的特性、组织中结节的位置、肺气肿史、体重指数、就业类型和历史、患者居住过的地方，等等。

在另一示例实施例中，乳腺癌的风险因素可能包括年龄、基因突变、生殖史、乳房密度、个人乳房疾病史、乳腺癌家族史、既往放射疗法治疗、服用药物己烯雌酚(“DES”)，等等。

机器学习模块基于其进行训练的其他外部数据可以包括与正被诊断的疾病类型(例如肺癌或乳腺癌)相关联的症状。例如，肺癌的风险因素可能包括最近的体重减轻、痰中带血、胸痛、咳嗽、呼吸急促、喘息、疲劳、骨痛，等等。在另一示例实施例中，乳腺癌的风险因素可能包括肿块大小、肿块生长、乳房部分增厚、乳房皮肤凹陷、片状皮肤、乳头疼痛、乳头溢液、乳房大小和/或形状的改变、乳房疼痛，等等。

在某些实施例中，ML模块206与数据储存器或多个数据储存器接口，以获得外部患者数据，该外部患者数据从其他患者收集的和/或包含正在被诊断的患者的信息。例如，数据储存器可以存储在医院或诊所的本地，可以存储在需要凭证才能访问的安全网关后面的云中，可以是公开可访问的，等等。在一个实施例中，ML模块206周期性地轮询数据储存器以检查新数据，接收新数据可用的通知或信号，等等，ML模块206使用新数据来重新训练和细化用于正在进行诊断的疾病的机器学习模型。

在一个实施例中，监测模块208被配置成随时间周期性地测量在探针的询问电极和参考电极之间的患者身体组织的电阻抗，并监测组织中疾病的进展以及治疗疗法在治疗组织中的疾病方面的有效性。例如，监测模块208可以每天、每周、每月等跟踪患者的进展，以确定检测到的肿瘤是否稳定(指示治疗没有任何效果)、是否变大(指示治疗不起作用)、是否变小(指示治疗起作用)，等等。

监测模块208可以使用机器学习来生成针对治疗、生活方式改变等的建议、推荐等。监测模块208还可以基于机器学习生成包括趋势、预报、分析等的报告，该报告描述患者的治疗、进展等，而且就像它与具有类似生物标记、风险因素、症状、疾病、结节/肿瘤位置和大小等的其他类似患者有关一样。

在一个实施例中，诊断装置104可以通信地耦合到电极服装212，如图3所示。例如，电阻抗断层成像通常用于创建整个胸部上的电阻抗的单层图像。这可以使用放置在胸部上或胸部周围的圆形电极阵列来实现，以表征整个胸腔。通过电极感应出电信号，并使用各种数学算法创建图像。

如本文所述，为了便于使用电阻抗对患者进行有效成像和测量，在一个实施例中，服装302(其可以基本上类似于上面参考图2描述的电极服装212)配置有电极303(例如，参考电极)的阵列，这些电极303以预定义或随机模式放置在服装302上。例如，电极303可以包括放置在背侧的参考电极和放置在腹侧的信号电极。

在某些实施例中，服装302可以由两个或更多个单独的材料薄片或材料件组成，每个材料薄片或材料件包括位于阵列中的电极303。单独的件可以被缝合或以其他方式紧固在一起，以便电极303可以一起或同时使用。然而，在某些实施例中，电极303可以独立地使用，例如，以指定的模式，例如，每隔一个电极，一次使用一个，等等。电极303可以永久地紧固或集成到服装302中，或者可以选择性地/可移除地附接到服装302，这允许根据需要改变或替换电极303。

在一些实施例中，电极303可以用导电物质，例如电极凝胶，来预处理。在另外的实施例中，电极303位于或者定位在导电聚合物的柔顺垫中。在多个实施例中，电极303是通过柔性布线导体连接的导电元件。在一些实施例中，电极303嵌入或集成到可拉伸膜或材料中。

服装302可以是背心，如图3所示，但也可以体现为衬衫、胸罩、帽子、裤子、内衣、腰带、袜子、头带和/或其他可穿戴材料。服装302可以由诸如棉、聚酯等的各种材料制成。在某些实施例中，服装302是可重复使用的，并且可以在有或没有电极303的情况下进行洗涤。在其他实施例中，服装302是一次性使用的服装，其可以在有或没有电极303的情况下被丢弃。

在一个实施例中，服装302包括计算设备301，计算设备301包括信号发生器305和模数信号转换器306。计算设备301可以是现成的计算设备，例如移动设备、台式或膝上型计算机，或者是被特别配置和/或编程以执行本文描述的功能/步骤的计算设备。信号发生器305可以在期望电压下生成电信号，例如AC、DC、高频信号。在某些实施例中，电极303(在服装302的一侧，例如腹侧，和/或在服装302的两侧，例如腹侧和背侧)可切换地连接到信号发生器305。

在某些实施例中，包括电源(例如电池)、信号发生器305、模数转换器306和测量装置304的计算设备301被内置到服装302中，使得服装302和计算设备301是模块化的，而不需要附加的连接器、电线、电源等来将服装302连接到外部计算设备，例如上面参考图1C描述的计算设备150和/或探针系统152。在这样的实施例中，所记录的或测量的信息在记录点被处理，以无线方式被传送到外部设备进行处理，或者经由有线连接(例如USB连接)连接到外部设备进行处理。

在一个实施例中，每个电极303可切换地连接到模数信号转换器306，并且模数信号转换器306被配置成检测和记录信号的包括频率、阻抗和相位的复杂性质。在计算设备301是外部设备的实施例中，信号发生器305和模数转换器306可以各自耦合到服装302上的控制器或其他硬件部件，该控制器或其他硬件部件可以并联或串联连接到电极303，并且从计算设备301向服装302传输信号/从服装302向计算设备301传输信号。

在某些实施例中，电极303可用于监测心脏信号或其他生物测定信息，或被切换以激励和测量目标区域的生物阻抗。在多个实施例中，同时激活/激励所有电极303，或者仅激活电极303的子集以测量特定目标区域，例如肺或肺的部分、乳房或乳房的部分。

在一个实施例中，测量装置304处理来自服装302上的电极303的信号和测量结果，以基于电阻抗确定用于对穿着服装302的受试者或患者进行诊断的信息。例如，测量装置304可以基于胸部区域的正常阻抗测量结果与异常阻抗测量结果之间的差别(例如，基于先前从患者或其他患者采集的阻抗测量结果)来计算诊断分数。在一个实施例中，测量装置304基于算法计算，例如，基于先前的读数或测量结果，动态地确定和选择信号节点/电极303来进行激励。

在多个实施例中，测量装置304可以被体现为可以安装或部署在计算设备301上、服装302等上的硬件器件。在某些实施例中，测量装置304可以包括诸如安全硬件加密狗的硬件器件或其他硬件器件设备(例如，机顶盒、网络器件等)，其通过有线连接(例如，通用串行总线(“USB”)连接)或无线连接(例如，

Wi-Fi、近场通信(“NFC”)等)附接到诸如计算设备301等的设备；附接到电子显示设备(例如，使用HDMI端口、DisplayPort端口、MiniDisplayPort端口、VGA端口、DVI端口等附接到电视机或监视器)；等等。测量装置304的硬件器件可以包括电源接口、有线和/或无线网络接口、附接到显示器的图形接口、和/或如下面所描述的半导体集成电路设备，其被配置成执行本文关于测量装置304所描述的功能。

在这样的实施例中，测量装置304可以包括半导体集成电路设备(例如，一个或更多个芯片、管芯或其他分立逻辑硬件)等，例如现场可编程门阵列(“FPGA”)或其他可编程逻辑、用于FPGA或其他可编程逻辑的固件、用于在微控制器上执行的微代码、专用集成电路(“ASIC”)、处理器、处理器核等。在一个实施例中，测量装置304可以安装在具有一个或更多个电气线路或连接(例如，到易失性存储器、非易失性存储介质、网络接口、外围设备、图形/显示接口等的线路或连接)的印刷电路板上。硬件设备可以包括一个或更多个引脚、焊盘或被配置成发送和接收数据(例如，与印刷电路板的一个或更多个电气线路等通信)的其他电气连接，以及一个或更多个硬件电路和/或被配置成执行测量装置304的多个功能的其他电路。

在某些实施例中，测量装置304的半导体集成电路设备或其他硬件器件包括和/或通信地耦合到一个或更多个易失性存储器介质，该易失性存储器介质可以包括但不限于随机存取存储器(“RAM”)、动态RAM(“DRAM”)、缓存等。在一个实施例中，测量装置304的半导体集成电路设备或其他硬件器件包括和/或通信地耦合到一个或更多个非易失性存储器介质，该非易失性存储器介质可以包括但不限于：NAND闪存、NOR闪存、纳米随机存取存储器(纳米RAM或“NRAM”)、纳米晶线基存储器、氧化硅基亚10纳米工艺存储器、石墨烯存储器、硅-氧化物-氮化物-氧化物-硅(“SONOS”)、电阻性RAM(“RRAM”)、可编程金属化单元(“PMC”)、导电桥接RAM(“CBRAM”)、磁阻性RAM(“MRAM”)、动态RAM(“DRAM”)、相变RAM(“PRAM”或“PCM”)、磁存储介质(例如，硬盘、磁带)、光学存储介质等。

在一个实施例中，测量装置304与诊断装置104接口，通信地耦合到诊断装置104，等等，以生成电流并向服装302中的电极303(单独地，全部一起，针对特定区域，等等)施加电流。在一个实施例中，探针160的询问电极可以被应用到患者的身体，例如在服装302上，并且各种电阻抗测量结果可以从服装302上的各种参考电极303进行读取、检测、获取，等等。

在某些实施例中，ML模块206生成推荐、建议、指示等，以选择服装302上的参考电极来用于测量电阻抗。例如，ML模块206可以接收正在使用的参考电极303的电流位置及其测量的电阻抗，并且基于测量的电阻抗、正在诊断的疾病等，ML模块206可以基于训练的ML模型计算、生成、确定等要施加的电流或压力的量、要在服装302上使用的参考电极303等。

图4描绘了使用电阻抗度量和临床预测因子进行无创医学诊断的方法400的一个实施例的示意性流程图。在一个实施例中，方法400开始并使用探针的询问电极无创地向患者身体的组织施加402电流。探针可以被配置成测量在询问电极和参考电极之间的组织的电阻抗。

在另外的实施例中，方法400测量404在探针的询问电极和参考电极之间的患者身体组织的电阻抗。在一个实施例中，方法400通过将所测量的组织的电阻抗输入到机器学习中来检测406患者身体组织中恶性肿瘤的存在。可以基于与正被诊断的疾病类型相关联的患者数据训练机器学习，并且方法400结束。在一些实施例中，电流模块202、测量模块204和/或ML模块206执行方法400的各个步骤。

图5描绘了使用电阻抗度量和临床预测因子进行无创医学诊断的装置500的一个实施例。在一个实施例中，装置500包括诊断装置104的实施例。在一个实施例中，诊断装置104包括电流模块202、测量模块204、ML模块206和监测模块208中的一个或更多个，这些模块可以基本上类似于上面参考图2描述的电流模块202、测量模块204、ML模块206和监测模块208。在另外的实施例中，诊断装置104包括调整模块502的实例。在一些实施例中，探针系统210和电极服装212通信地耦合到诊断装置104。

在一个实施例中，调整模块502被配置成根据基于测量的组织电阻抗的反馈来调整探针在患者身体上的位置。例如，在使用探针的询问电极将电流施加到患者身体上的位置并且测量了电阻抗之后，调整模块502可以提供反馈，该反馈指示测量结果对于正进行检查的组织和/或对于正被诊断的疾病是好的读数还是坏的读数。

在一个实施例中，调整模块502向用户(例如，探针操作员)提供反馈，该反馈包括用于执行以下操作的指令：将探针移动到不同位置(例如，在手指1和2之间向上、向下、向左、向右移动到位置FML-8aR等)来获得不同的阻抗测量结果，调整探针的角度(例如，更加朝向患者倾斜，以45度角放置，等等)，调整施加到皮肤表面的压力(例如，增加或减少一定量的压力)，调整探针施加的电流量(例如，增加或减少一定量的电压或电流)，等等。

在某些实施例中，当探针围绕用户皮肤表面移动并且使用探针将电流施加到患者身体时，调整模块502实时提供反馈。例如，调整模块502可以提供探针所在的身体部位的可视表示，并且可以在显示器上实时地显示正在围绕该身体部位移动的探针或探针的图形表示。反馈还可以显示用于调整探针、探针的位置、探针的设置等的文本指令、视频、动画等，以帮助用户确定关于关注的疾病或组织的最佳位置和/或设置。

调整模块502可以在身体的可视表示上示出探针在身体上所处的区域周围的热图(heatmap)，该热图示出了正在被测量的不同电阻抗，并示出了已知要将这些不同阻抗定位到的其他位置。例如，如果用户正在寻找患者手上具有低阻抗的身体部位，例如淋巴通道，则热图可以使用例如从红色到绿色的颜色梯度，该颜色梯度针对当前阻抗测量结果以及(例如，根据先前的测量结果，根据其他患者，等等)已知或预先计算的预定义阻抗，指示高阻抗(红色)区域到低阻抗(绿色)区域。

因此，反馈可以包括如上所述的视觉反馈和/或听觉反馈。听觉反馈可以包括语音命令、指令、指示、音调(例如，指示好的测量结果、位置或角度与坏的测量结果、位置或角度的不同声音)等，以用于移动或调整探针将探针放置在最佳位置来基于用户想要分析的组织或疾病的类型来测量电阻抗。例如，用于定位淋巴通道的最佳位置可能与用于定位肺或乳房中的结节或肿瘤的最佳位置不同。

在一个实施例中，调整模块502提供探针没有生成可用数据(例如没有获得准确的、正确的、定义的、一致的等电阻抗测量结果或读数)的反馈。在这样的实施例中，调整模块502可以提供探针没有生成可用数据的视觉消息或听觉消息，并且可以提供用于调整探针的位置、角度、压力、电压、电流和/或其他设置以生成可用数据的视觉和/或听觉指令或指示。

在某些实施例中，调整模块502使用机器学习或其他人工智能来估计或确定探针的最佳位置、角度、压力、电流或其他设置，以基于正使用历史和当前电阻抗测量结果进行分析的疾病和/或组织来测量患者的身体。例如，可以将当前探针设置和阻抗测量结果、关注的疾病、组织类型等输入到机器学习模型中，该机器学习模型使用关于关注的疾病/组织的历史探针设置、阻抗测量结果等进行训练，以确定、计算、预测等探针在患者身体上的最佳设置/位置。

在一个示例实施例中，包括调整模块502的诊断装置104通过利用皮肤表面上的电介质测量来测量淋巴系统。电介质测量可以通过检测身体内出现的疾病提供有价值的信息，这些疾病在有症状之前未被检测到并且频繁出现。当疾病存在时，淋巴系统起着组织和器官网络的作用，帮助清除体内的毒素、废物和其他不需要的物质。淋巴系统的主要功能是在全身输送淋巴，淋巴是一种含有抗感染白细胞的液体。如果癌细胞存在的话，淋巴系统还收集任何癌细胞。这些淋巴液然后排入淋巴血管。

诊断装置104被配置成在皮肤表面上定位淋巴系统通道，并且还获得与疾病相关的生物电导测量结果。人体非常复杂，由11个系统组成，包括淋巴肌肉、骨骼、神经、循环系统等。进入皮肤下的淋巴系统以进行生物电导测量是侵入性的，以及在皮肤表面上定位淋巴系统通道是极具挑战性的，因为不同的体型使得很难根据身体解剖学标志执行统一的测量方法。

例如，癌症是一种威胁生命的疾病，很难诊断，因为它可能存在于体内，而没有症状的表现。然而，如果癌症在早期被发现，它可以被治疗，并且个人可以有可能治愈癌症。用于测量淋巴系统的传统系统具有许多缺点——在皮肤下执行侵入性测量、难以定位皮肤下的淋巴通道/血管、难以获得可以提供有价值的诊断信息的可靠和可重复的淋巴系统测量结果，等等。

上述诊断装置104，且更具体地，调整模块502，通过在皮肤表面上无创地测量淋巴系统提供了这些缺点的解决方案，该无创地测量通过在皮肤表面上识别正确的位置和角度，从而通过识别电阻量(以欧姆为单位)最小的位置，并通过在操作员扫描目标区域时提供视觉反馈和操作员反馈来执行测量。此外，探针马达减轻了操作员的压力，并中止不一致的测量。诊断装置104执行多个测量并基于平均值和/或异常值标识符技术识别不准确的测量结果。

图6A和图6B显示了调整模块502在显示器上提供的视觉反馈的实施例。在一个示例实施例中，在操作期间，调整模块502在显示器上显示解剖示意图，以将操作员引导到受试者602上的正确解剖位置604。例如，为了在患者的手上定位淋巴通道，操作员首先遵循显示器上的屏幕提示，该屏幕提示在描述中提供具有解剖学参考的视觉显示，以用于在以下位置放置询问电极和/或参考电极：

FML-8aR

点位置——该点位于拇长伸肌腱尺侧上的桡骨与舟骨之间。

电极电缆位置——左手

FML-8bR

点位置——该点位于拇指桡侧上的近节指骨的骨干远端。它是在45度角上测量的，探针指向远端。

电极电缆位置——左手

在图6B所示的另一示例中，为了定位患者胸部上的淋巴通道，操作员首先遵循显示器上的屏幕提示，该屏幕提示在描述中提供了具有解剖学参考的视觉显示，以用于在以下位置放置询问电极和/或参考电极：

FML-1aTR

点位置——该点位于第二肋骨上，距胸骨中线或凹陷点横向大约2 1/2拇指宽。

电极电缆位置——背部右上

FML-1bTR

点位置——该点在胸锁乳突肌的横向插入和乳头之间的线上位于第二肋间隙中。其距离中线大约3-3 1/2拇指宽。

电极电缆位置——背部右上

FML-1cTR

点位置——该点位于第三肋间隙中，距胸部中间横向大约3 1/2拇指宽。

电极电缆位置——背部右上

FML-2aTR

点位置——该点位于锁骨下缘上的凹陷中，距中线横向2拇指宽。2拇指宽的线位于中线和乳头线之间的中间。

电极电缆位置——背部右下

FML-2aR

点位置——该点位于锁骨下缘的凹陷中，距中线横向2拇指宽。2拇指宽的线位于中线和乳头线之间的中间。

电极电缆位置——左手

FML-2bR

点位置——该点位于胸部侧面上，第一肋间隙中，距中线横向6拇指宽，比FML-2cR低1拇指宽。

电极电缆位置——左手

为了确保角度和位置正确，设备操作员可以按住探针上的按钮来启动淋巴通道定位器模式。操作员将水分施加到测量目标区域，然后来回滑动探针尖端，例如询问电极，聆听可听的音调，或者可以跟随视觉显示(例如，热图)，该视觉显示识别探针尖端何时处于具有最小电阻量/阻抗量(例如，最小的测量欧姆量)的正确位置和/或角度。

下表说明了识别正确位置的重要性。该表示出了四个不同测量位置处的测量结果，每个测量结果示出了针对特定位置获得的最小欧姆和最大欧姆。调整模块502允许操作员识别测量的阻抗具有最小电阻量的确切位置(列2)。这个功能很重要，因为电阻可以根据操作员对探针位置和探针尖端角度的放置而变化，例如变化大约224％。调整模块502可以基于表中的信息向操作员实时地(通过可听音调或在显示器上可视地)提供反馈，例如，作为原始数据，作为热图等。

测量位置	欧姆最小值	欧姆最大值	欧姆差	欧姆增大％
					1	32,000	118,000	86,000	269
2	52,000	178,000	126,000	242
					3	52,000	118,000	66,000	127
4	79,000	282,000	203,000	257
								平均值	224

表1示出四个测量位置的阻抗差异的数据。

诊断装置104通过在放置在受试者身体上(例如，在受试者的背部或手上)的参考电极和可以放置在受试者的胸部、肩膀和/或手臂上的探针(询问电极)之间传递例如小于25微安的电流来获得生物电导测量结果。调整模块502为了质量保证的目的，向操作员提供实时视觉和听觉反馈，例如，以用于将探针移动到不同位置，用于调整探针的角度、压力、电流等，等等。可以在显示器上可视地显示电导测量结果轮廓。

诊断装置104可以每秒采样电导值25次，并监测探针压力以获得准确和一致的测量结果。诊断装置104在测量期间监测和控制探针压力。在测量会话完成之后，诊断装置104存储数据，以通过分类器算法、机器学习算法等进行处理。设备分类器算法将测量数据组合成复合风险分数，该复合风险分数基于预定的分数截止值或阈值而对应于恶性肿瘤的高可能性或低可能性相。在使用该算法处理数据之后，生成指示患者健康状态的报告。

在一个实际的示例实施例中，探针的使用是非侵入性的，不暴露于辐射，并且通常可以在20-40分钟内完成。当受试者(通常穿着医院服饰)处于就座位置时，操作员输入相关的用户和患者信息。操作员打开一次性测试套件。根据操作员手册中的描述和操作员培训期间的演示，一次性发汗电极被施加到受试者背部和手上的特定位置。遵循调整模块502提供的屏幕上提示，操作员使用探针从与疾病(例如，癌症)或正在被分析的组织相关联的身体区域(例如，受试者的胸部、肩膀和手臂)采集测量数据。

在使用时，调整模块502在执行测试时针对每个测量点在屏幕上实时地提供书面描述、图像、提示、指示、指令等。操作员观察针对每项测量的实时监测、验证和记录。如果需要重新测量，则调整模块502提供其尚未接收到可用数据的视觉和/或听觉通知，由此操作者可以重新测量。探针装置104保存数据以供进一步使用和分析，例如，作为机器学习算法、引擎、模型、训练等的一部分。

图7描绘了使用电阻抗度量和临床预测因子进行无创医学诊断的方法700的一个实施例的示意性流程图。在一个实施例中，方法700开始并在患者身体上的一个位置处使用的探针的询问电极向患者的组织施加702电流，以定位并测量在询问电极和参考电极之间的组织的电阻抗。

在另外的实施例中，方法700测量704在探针的询问电极和参考电极之间的组织的电阻抗。在一个实施例中，方法700根据基于测量的组织电阻抗的反馈来调整706探针在患者身体上的位置，并且方法700结束。在一些实施例中，电流模块202、测量模块204和/或调整模块502执行方法700的各个步骤。

在不脱离本发明的精神或本质特征的情况下，本发明可以以其他特定形式体现。所描述的实施例在所有方面应被考虑为仅是说明性的而非限制性的。因此，本发明的范围由所附权利要求而不是前面的描述来表示。在权利要求的等同物的含义和范围内的所有变化将被包括在其范围内。

Claims (20)

1.一种装置，包括：

探针，所述探针包括询问电极，所述探针被配置成测量在所述询问电极和参考电极之间的患者的身体的组织的电阻抗；

处理器；

存储器，所述存储器存储代码，所述代码能够由所述处理器执行，以：

使用所述探针的所述询问电极向所述患者的身体的所述组织无创地施加电流；

测量在所述探针的所述询问电极和所述参考电极之间的所述患者的身体的所述组织的电阻抗；以及

通过将所测量的所述组织的电阻抗输入到机器学习中来检测所述患者的身体的所述组织中恶性肿瘤的存在，所述机器学习基于与正被诊断的疾病类型相关联的患者数据进行训练。

2.根据权利要求1所述的装置，其中，所述代码能够由所述处理器执行以：

随时间周期性地测量在所述探针的所述询问电极和所述参考电极之间的所述患者的身体的所述组织的电阻抗；以及

监测所述组织中的疾病的进展和治疗疗法在治疗所述组织中的疾病方面的有效性。

3.根据权利要求1所述的装置，其中，所述患者数据包括所述患者的至少一个生物标记，所述至少一个生物标记作为另一输入被输入到所述机器学习中以用于预测所述组织中恶性肿瘤的存在。

4.根据权利要求3所述的装置，其中，所述至少一个生物标记选自包括以下项的组：年龄、性别、体重、身高、种族、基因组属性、血液检查工作、药物、位置、职业、饮食习惯、酒精摄入、家族史、收入和先前活检结果。

5.根据权利要求1所述的装置，其中，所述患者数据包括与正被诊断的疾病类型相关联的至少一个风险因素，所述至少一个风险因素作为另一输入被输入到所述机器学习中以用于预测所述组织中恶性肿瘤的存在。

6.根据权利要求5所述的装置，其中，所述正被诊断的疾病类型是肺癌，并且所述至少一个风险因素选自包括以下项的组：年龄、个人和家族癌症史、吸烟史、所述组织中结节的大小、所述组织中结节的数量、所述组织中结节的特性、所述组织中结节的位置、肺气肿病史和体重指数。

7.根据权利要求5所述的装置，其中，所述正被诊断的疾病类型是乳腺癌，并且所述至少一个风险因素选自包括以下项的组：年龄、基因突变、生殖史、乳房密度、个人乳房疾病史、家族乳腺癌史、既往放射疗法治疗、和服用药物己烯雌酚(“DES”)。

8.根据权利要求1所述的装置，其中，所述患者数据包括与所述正被诊断的疾病类型相关联的至少一种症状，所述至少一种症状作为另一输入被输入到所述机器学习中以用于预测所述组织中恶性肿瘤的存在。

9.根据权利要求8所述的装置，其中，所述正被诊断的疾病类型是肺癌，并且所述至少一种症状选自包括以下项的组：最近体重减轻、痰中带血、胸痛、咳嗽、呼吸急促、喘息、疲劳和骨痛。

10.根据权利要求8所述的装置，其中，所述正被诊断的疾病类型是乳腺癌，并且所述至少一种症状选自包括以下项的组：肿块大小、肿块生长、乳房部分增厚、乳房皮肤凹陷、片状皮肤、乳头疼痛、乳头溢液、乳房大小和/或形状变化、以及乳房疼痛。

11.根据权利要求1所述的装置，其中，所述代码能够由所述处理器执行，以使用不同患者的外部患者数据来训练所述机器学习，所述外部患者数据包括患者生物标记、患者症状、患者活检结果、和患者的生物阻抗标记。

12.一种方法，包括：

使用探针的询问电极向患者的身体的组织无创地施加电流，所述探针被配置成测量在所述询问电极和参考电极之间的所述组织的电阻抗；

测量在所述探针的所述询问电极和所述参考电极之间的所述患者的身体的所述组织的电阻抗；以及

通过将所测量的所述组织的电阻抗输入到机器学习中，检测所述患者的身体的所述组织中恶性肿瘤的存在，所述机器学习基于与正被诊断的疾病类型相关联的患者数据进行训练。

13.根据权利要求12所述的方法，还包括：

随时间周期性地测量在所述探针的所述询问电极和所述参考电极之间的所述患者的身体的所述组织的电阻抗；以及

监测所述组织中的疾病的进展和治疗疗法在治疗所述组织中的疾病方面的有效性。

14.根据权利要求12所述的方法，其中，所述患者数据包括所述患者的至少一个生物标记，所述至少一个生物标记作为另一输入被输入到所述机器学习中以用于预测所述组织中恶性肿瘤的存在。

15.根据权利要求13所述的方法，其中，所述至少一个生物标记选自包括以下项的组：年龄、性别、体重、身高、种族、基因组属性、血液检查工作、药物、位置、职业、饮食习惯、酒精摄入、家族史、收入、和先前活检结果。

16.根据权利要求12所述的方法，其中，所述患者数据包括与所述正被诊断的疾病类型相关联的至少一个风险因素，所述至少一个风险因素作为另一输入被输入到所述机器学习中以用于预测所述组织中恶性肿瘤的存在。

17.根据权利要求12所述的方法，其中，所述患者数据包括与所述正被诊断的疾病类型相关联的至少一种症状，所述至少一种症状作为另一输入被输入到所述机器学习中以用于预测所述组织中恶性肿瘤的存在。

18.根据权利要求12所述的方法，还包括使用不同患者的外部患者数据来训练所述机器学习，所述外部患者数据包括患者生物标记、患者症状、患者活检结果、和患者的生物阻抗标记。

19.一种系统，包括：

服装，所述服装包括位于所述服装上不同位置的电极的阵列，所述服装由患者在进行生物阻抗测量时穿戴；

处理器；

存储器，所述存储器存储代码，所述代码能够由所述处理器执行以：

使用所述服装上的所述电极的阵列中的至少一个电极对向组织施加电流；

测量在所述服装上的所述至少一个电极对之间的所述组织的电阻抗；以及

通过将所测量的所述组织的电阻抗输入到机器学习中，预测所述组织中恶性肿瘤的存在，所述机器学习基于与正被诊断的疾病类型相关联的患者数据进行训练。

20.根据权利要求19所述的系统，其中，所述服装包括信号发生器，所述信号发生器用于生成要施加到在所述至少一个电极对之间的所述组织的电流，所述服装能够通信地耦合到探针系统，以用于接收用于生成、施加和测量所述组织的电阻抗的指令。

Images