CN115769069A - 基于衍射仪的全局原位诊断系统 - Google Patents
基于衍射仪的全局原位诊断系统 Download PDFInfo
- Publication number
- CN115769069A CN115769069A CN202180042558.4A CN202180042558A CN115769069A CN 115769069 A CN115769069 A CN 115769069A CN 202180042558 A CN202180042558 A CN 202180042558A CN 115769069 A CN115769069 A CN 115769069A
- Authority
- CN
- China
- Prior art keywords
- data
- subject
- tissue
- computer
- combination
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011065 in-situ storage Methods 0.000 title claims abstract description 126
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 192
- 238000000034 method Methods 0.000 claims abstract description 103
- 238000007405 data analysis Methods 0.000 claims abstract description 57
- 206010028980 Neoplasm Diseases 0.000 claims description 81
- 201000011510 cancer Diseases 0.000 claims description 79
- 238000010801 machine learning Methods 0.000 claims description 60
- 238000009607 mammography Methods 0.000 claims description 54
- 238000005259 measurement Methods 0.000 claims description 47
- 238000007619 statistical method Methods 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 36
- 238000003745 diagnosis Methods 0.000 claims description 32
- 238000004736 wide-angle X-ray diffraction Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 31
- 238000000235 small-angle X-ray scattering Methods 0.000 claims description 31
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 29
- 206010006187 Breast cancer Diseases 0.000 claims description 28
- 208000026310 Breast neoplasm Diseases 0.000 claims description 28
- 102000008186 Collagen Human genes 0.000 claims description 27
- 108010035532 Collagen Proteins 0.000 claims description 27
- 229920001436 collagen Polymers 0.000 claims description 27
- 201000010099 disease Diseases 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000013135 deep learning Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 125000004122 cyclic group Chemical group 0.000 claims description 16
- 239000006185 dispersion Substances 0.000 claims description 15
- 238000005315 distribution function Methods 0.000 claims description 15
- 238000011282 treatment Methods 0.000 claims description 15
- 238000004195 computer-aided diagnosis Methods 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 10
- 150000002632 lipids Chemical class 0.000 claims description 9
- 230000007170 pathology Effects 0.000 claims description 8
- 230000003542 behavioural effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 230000001225 therapeutic effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000035479 physiological effects, processes and functions Effects 0.000 claims description 6
- 238000002447 crystallographic data Methods 0.000 abstract description 23
- 230000008569 process Effects 0.000 abstract description 18
- 210000001519 tissue Anatomy 0.000 description 216
- 210000000481 breast Anatomy 0.000 description 62
- 238000002441 X-ray diffraction Methods 0.000 description 24
- 230000003287 optical effect Effects 0.000 description 22
- 238000010521 absorption reaction Methods 0.000 description 20
- 238000003860 storage Methods 0.000 description 20
- 230000015654 memory Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 11
- 230000005855 radiation Effects 0.000 description 11
- 239000000523 sample Substances 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 7
- 239000013078 crystal Substances 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 238000012856 packing Methods 0.000 description 5
- 208000004434 Calcinosis Diseases 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000001574 biopsy Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 239000002872 contrast media Substances 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 208000035475 disorder Diseases 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000003211 malignant effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000002062 proliferating effect Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000002383 small-angle X-ray diffraction data Methods 0.000 description 3
- 238000001464 small-angle X-ray scattering data Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 206010025323 Lymphomas Diseases 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 210000004100 adrenal gland Anatomy 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 239000004202 carbamide Substances 0.000 description 2
- 210000003679 cervix uteri Anatomy 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 210000001072 colon Anatomy 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 210000003372 endocrine gland Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 210000003238 esophagus Anatomy 0.000 description 2
- 210000003499 exocrine gland Anatomy 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 210000000232 gallbladder Anatomy 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 210000000867 larynx Anatomy 0.000 description 2
- 208000032839 leukemia Diseases 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000001000 micrograph Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000214 mouth Anatomy 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 210000003739 neck Anatomy 0.000 description 2
- 210000000653 nervous system Anatomy 0.000 description 2
- 210000004279 orbit Anatomy 0.000 description 2
- 210000001672 ovary Anatomy 0.000 description 2
- 210000000496 pancreas Anatomy 0.000 description 2
- 239000013610 patient sample Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001817 pituitary effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 210000002307 prostate Anatomy 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 210000000664 rectum Anatomy 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 210000003491 skin Anatomy 0.000 description 2
- 210000000813 small intestine Anatomy 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 210000001550 testis Anatomy 0.000 description 2
- 210000001685 thyroid gland Anatomy 0.000 description 2
- 210000002105 tongue Anatomy 0.000 description 2
- 210000003708 urethra Anatomy 0.000 description 2
- 210000004291 uterus Anatomy 0.000 description 2
- 210000001215 vagina Anatomy 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 206010003571 Astrocytoma Diseases 0.000 description 1
- 206010003694 Atrophy Diseases 0.000 description 1
- 208000010839 B-cell chronic lymphocytic leukemia Diseases 0.000 description 1
- 206010048782 Breast calcifications Diseases 0.000 description 1
- 201000009030 Carcinoma Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000028006 Corneal injury Diseases 0.000 description 1
- 208000032538 Depersonalisation Diseases 0.000 description 1
- 208000034826 Genetic Predisposition to Disease Diseases 0.000 description 1
- 208000032612 Glial tumor Diseases 0.000 description 1
- 206010018338 Glioma Diseases 0.000 description 1
- 201000005569 Gout Diseases 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 208000017604 Hodgkin disease Diseases 0.000 description 1
- 208000021519 Hodgkin lymphoma Diseases 0.000 description 1
- 208000010747 Hodgkins lymphoma Diseases 0.000 description 1
- 208000031422 Lymphocytic Chronic B-Cell Leukemia Diseases 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 206010028289 Muscle atrophy Diseases 0.000 description 1
- 208000029578 Muscle disease Diseases 0.000 description 1
- 102000048850 Neoplasm Genes Human genes 0.000 description 1
- 108700019961 Neoplasm Genes Proteins 0.000 description 1
- 208000001132 Osteoporosis Diseases 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 239000004698 Polyethylene Substances 0.000 description 1
- 201000000582 Retinoblastoma Diseases 0.000 description 1
- 206010039491 Sarcoma Diseases 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- VMHLLURERBWHNL-UHFFFAOYSA-M Sodium acetate Chemical compound [Na+].CC([O-])=O VMHLLURERBWHNL-UHFFFAOYSA-M 0.000 description 1
- 238000000333 X-ray scattering Methods 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- WUKWITHWXAAZEY-UHFFFAOYSA-L calcium difluoride Chemical compound [F-].[F-].[Ca+2] WUKWITHWXAAZEY-UHFFFAOYSA-L 0.000 description 1
- 229910001634 calcium fluoride Inorganic materials 0.000 description 1
- QXDMQSPYEZFLGF-UHFFFAOYSA-L calcium oxalate Chemical compound [Ca+2].[O-]C(=O)C([O-])=O QXDMQSPYEZFLGF-UHFFFAOYSA-L 0.000 description 1
- 239000001506 calcium phosphate Substances 0.000 description 1
- 229910000389 calcium phosphate Inorganic materials 0.000 description 1
- 235000011010 calcium phosphates Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000004663 cell proliferation Effects 0.000 description 1
- 210000002421 cell wall Anatomy 0.000 description 1
- 201000004559 cerebral degeneration Diseases 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 208000032852 chronic lymphocytic leukemia Diseases 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000000635 electron micrograph Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000002919 epithelial cell Anatomy 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 102000013373 fibrillar collagen Human genes 0.000 description 1
- 108060002894 fibrillar collagen Proteins 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 208000005017 glioblastoma Diseases 0.000 description 1
- 230000003394 haemopoietic effect Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 210000003563 lymphoid tissue Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 201000001441 melanoma Diseases 0.000 description 1
- 210000003716 mesoderm Anatomy 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 210000001087 myotubule Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- QIQXTHQIDYTFRH-UHFFFAOYSA-N octadecanoic acid Chemical compound CCCCCCCCCCCCCCCCCC(O)=O QIQXTHQIDYTFRH-UHFFFAOYSA-N 0.000 description 1
- 239000011295 pitch Substances 0.000 description 1
- -1 polyethylene Polymers 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 235000012239 silicon dioxide Nutrition 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 238000001988 small-angle X-ray diffraction Methods 0.000 description 1
- 239000001632 sodium acetate Substances 0.000 description 1
- 235000017281 sodium acetate Nutrition 0.000 description 1
- RYYKJJJTJZKILX-UHFFFAOYSA-M sodium octadecanoate Chemical compound [Na+].CCCCCCCCCCCCCCCCCC([O-])=O RYYKJJJTJZKILX-UHFFFAOYSA-M 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000010937 topological data analysis Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- QORWJWZARLRLPR-UHFFFAOYSA-H tricalcium bis(phosphate) Chemical compound [Ca+2].[Ca+2].[Ca+2].[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O QORWJWZARLRLPR-UHFFFAOYSA-H 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/502—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of breast, i.e. mammography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
- A61B6/4035—Arrangements for generating radiation specially adapted for radiation diagnosis the source being combined with a filter or grating
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/56—Details of data transmission or power supply, e.g. use of slip rings
- A61B6/563—Details of data transmission or power supply, e.g. use of slip rings involving image data transmission via a network
-
- 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
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/504—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of blood vessels, e.g. by angiography
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Urology & Nephrology (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Physiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了基于衍射仪的全局原位诊断系统及其用途。该系统可包括一个或多个组织衍射仪,所述一个或多个组织衍射仪被配置用于采集受检者例如患者的原位衍射数据,并且通过网络操作性地耦合到计算机数据库。所述一个或多个组织衍射仪可被配置用于通过网络将数据诸如图像数据、衍射图案数据、受检者数据或它们的任何组合传送到计算机数据库。该系统还可包括操作性地耦合到组织衍射仪的一个或多个计算机处理器,该计算机处理器可被配置为从组织衍射仪接收数据,将该数据传输到计算机数据库,以及使用数据分析算法处理数据,该数据分析算法可为个体受检者提供计算机辅助诊断指标。
Description
交叉引用
本申请要求2020年6月15日提交的美国临时专利申请号63/039,345的权益,其全部内容通过引用并入本文。
背景技术
癌症例如乳腺癌的早期检测可与提高的存活率有关。基于吸收成像的乳房造影术(mammography)技术被广泛用作用于检测乳腺癌的存在的诊断工具,但是可能受制于较差的对比度和可能增加基于乳房X线照片(mammogram)的诊断的难度的其他因素。
发明内容
申请人已经认识到需要更好的原位诊断工具和分析方法用于癌症和其他疾病的早期检测和诊断。
在一个方面,本文公开的系统包括:一个或多个组织衍射仪,所述一个或多个组织衍射仪通过网络操作性地耦合到计算机数据库,其中所述一个或多个组织衍射仪中的组织衍射仪被配置用于采集原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合,并通过网络将这些数据传送至计算机数据库;以及一个或多个计算机处理器,所述一个或多个计算机处理器操作性地耦合到所述一个或多个组织衍射仪,其中所述一个或多个计算机处理器被单独或共同配置为:从所述一个或多个组织衍射仪接收所述原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合;将原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合传输至计算机数据库;以及使用为个体受检者提供计算机辅助诊断指标的数据分析算法来处理个体受检者的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合。
在一些实施方案中,该系统还可以包括用户界面,该用户界面允许个体受检者或其医疗保健提供者将个体受检者的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合上传到计算机数据库,以交换对个体受检者的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的处理,从而接收个体受检者的计算机辅助诊断指标。在一些实施方案中,用户界面被进一步配置为允许个体受检者或其医疗保健提供者进行支付或上传个体受检者的签署的同意书。在一些实施方案中,该系统可以包括位于两个或更多个不同地理位置的两个或更多个组织衍射仪。在一些实施方案中,所述一个或多个组织衍射仪包括数据加密装置,该数据加密装置包括全球定位系统(GPS)定位传感器并生成加密的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合,传送到计算机数据库的该加密的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合跟踪所述一个或多个组织衍射仪的位置变化。在一些实施方案中,所述一个或多个组织衍射仪被配置为执行小角X射线散射(SAXS)测量。在一些实施方案中,所述一个或多个组织衍射仪被配置为执行广角X射线散射(WAXS)测量。在一些实施方案中,所述一个或多个组织衍射仪被进一步配置为执行乳房造影术。在一些实施方案中,根据乳房X线照片确定用于引导X射线束的一组目标坐标。在一些实施方案中,计算机数据库驻留在中央服务器上。在一些实施方案中,计算机数据库驻留在云中。在一些实施方案中,传送到计算机数据库的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合在传送之前被去个性化。在一些实施方案中,用于将存储在计算机数据库中的去个性化的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合映射到个体受检者的密钥存储在本地机构数据库或个体受检者的个人文件中。在一些实施方案中,数据分析算法包括对衍射图案数据或其函数的统计分析。在一些实施方案中,统计分析包括确定成对距离分布函数、确定Patterson函数、计算Porod不变量、聚类分析、色散分析、确定一个或多个分子结构周期性或它们的任何组合。在一些实施方案中,统计分析包括确定胶原的结构周期性。在一些实施方案中,统计分析包括确定一种或多种脂质的结构周期性。在一些实施方案中,统计分析包括确定组织的结构周期性。在一些实施方案中,数据分析算法包括机器学习算法。在一些实施方案中,机器学习算法包括监督学习算法、非监督学习算法、半监督学习算法、增强学习算法、深度学习算法或它们的任何组合。在一些实施方案中,机器学习算法是深度学习算法。在一些实施方案中,深度学习算法是卷积神经网络、循环神经网络或循环卷积神经网络。在一些实施方案中,使用训练数据集来训练机器学习算法,该训练数据集包括存储在计算机数据库中的针对特定病理学或生理学常模团体的图像数据、衍射图案数据、受检者数据或它们的任何组合。在一些实施方案中,随着新的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合被上传到计算机数据库,训练数据集被更新。在一些实施方案中,受检者数据包括个体受检者的年龄、性别、祖先数据、遗传数据、行为数据或它们的任何组合。在一些实施方案中,个体受检者的计算机辅助诊断指标包括个体受检者患有癌症的可能性的指标。在一些实施方案中,个体受检者患有癌症的可能性的指标是个体受检者患有乳腺癌的可能性的指标。在一些实施方案中,个体受检者的计算机辅助诊断指标包括个体受检者患有癌症的诊断。在一些实施方案中,个体受检者患有癌症的诊断是个体受检者患有乳腺癌的诊断。
在另一个方面,本文公开的方法包括:使用通过网络操作性地耦合到计算机数据库的多个组织衍射仪中的一个组织衍射仪采集数据,该数据包括个体受检者的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合,其中所述多个组织衍射仪被配置用于采集数据并通过网络将数据传送到计算机数据库;使用操作性地耦合到所述多个组织衍射仪的一个或多个计算机处理器:从所述多个组织衍射仪接收包括原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的数据,所述多个组织衍射仪通过网络操作性地耦合到计算机数据库,并且被配置用于通过网络将包括原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的数据传送到计算机数据库;将包括原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的数据传输到计算机数据库;以及使用为个体受检者提供计算机辅助诊断指标的数据分析算法来处理包括个体受检者的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的数据。
在一些实施方案中,该方法还可以包括提供用户界面,该用户界面允许个体受检者或其医疗保健提供者将包括原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的个体受检者的数据上传到计算机数据库,以交换对个体受检者的数据的处理,从而接收个体受检者的计算机辅助诊断指标。在一些实施方案中,用户界面被进一步配置为允许个体受检者或其医疗保健提供者进行支付或上传个体受检者的签署的同意书。在一些实施方案中,所述多个组织衍射仪包括位于两个或更多个不同地理位置的两个或更多个组织衍射仪。在一些实施方案中,所述多个组织衍射仪包括数据加密装置,该数据加密装置包括全球定位系统(GPS)定位传感器并生成加密数据,并且传送到计算机数据库的加密数据跟踪所述多个组织衍射仪的位置变化。在一些实施方案中,所述多个组织衍射仪被配置为执行小角X射线散射(SAXS)测量。在一些实施方案中,所述多个组织衍射仪被配置为执行广角X射线散射(WAXS)测量。在一些实施方案中,所述多个组织衍射仪被进一步配置为执行乳房造影术。在一些实施方案中,根据乳房X线照片确定用于引导X射线束的一组目标坐标。在一些实施方案中,计算机数据库驻留在中央服务器上。在一些实施方案中,计算机数据库驻留在云中。在一些实施方案中,传送到计算机数据库的包括原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的数据在传送之前被去个性化。在一些实施方案中,用于将存储在计算机数据库中的去个性化的数据映射到个体受检者的密钥存储在本地机构数据库或个体受检者的个人文件中。在一些实施方案中,数据分析算法包括对衍射图案数据或其函数的统计分析。在一些实施方案中,统计分析包括确定成对距离分布函数、确定Patterson函数、计算Porod不变量、聚类分析、色散分析、确定一个或多个分子结构周期性或它们的任何组合。在一些实施方案中,统计分析包括确定胶原的结构周期性。在一些实施方案中,统计分析包括确定脂质的结构周期性。在一些实施方案中,统计分析包括确定组织的结构周期性。在一些实施方案中,数据分析算法包括机器学习算法。在一些实施方案中,机器学习算法包括监督学习算法、非监督学习算法、半监督学习算法、增强学习算法、深度学习算法或它们的任何组合。在一些实施方案中,机器学习算法是深度学习算法。在一些实施方案中,深度学习算法是卷积神经网络、循环神经网络或循环卷积神经网络。在一些实施方案中,使用训练数据集来训练机器学习算法,该训练数据集包括存储在计算机数据库中的针对特定病理学或生理学常模团体的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合。在一些实施方案中,随着包括新的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的新的数据被上传到计算机数据库,训练数据集被更新。在一些实施方案中,受检者数据包括个体受检者的年龄、性别、祖先数据、遗传数据、行为数据或它们的任何组合。在一些实施方案中,个体受检者的计算机辅助诊断指标包括个体受检者患有癌症的可能性的指标。在一些实施方案中,个体受检者患有癌症的可能性的指标是个体受检者患有乳腺癌的可能性的指标。在一些实施方案中,个体受检者的计算机辅助诊断指标包括个体受检者患有癌症的诊断。在一些实施方案中,个体受检者患有癌症的诊断是个体受检者患有乳腺癌的诊断。在一些实施方案中,该方法还包括在一个或多个随后的时间点重复a)-b),以在个体受检者经历治疗处理时监测个体受检者的疾病状态。在一些实施方案中,由计算机辅助诊断指标指示的个体受检者的疾病状态的变化速率提供了治疗处理的功效的度量。
本公开的另一方面提供了一种包括机器可执行代码的非暂时性计算机可读介质,该机器可执行代码在由一个或多个计算机处理器执行时,实现上述或本文别处公开的任何方法。
本公开的另一方面提供了一种系统,该系统包括一个或多个计算机处理器和与其耦合的计算机存储器。该计算机存储器包括机器可执行代码,该机器可执行代码在由所述一个或多个计算机处理器执行时,实现上述或本文别处公开的任何方法。
通过阅读以下详细描述,所公开的概念的其他方面和优点对于本领域技术人员来说将变得显而易见,其中仅示出和描述了所公开的概念的说明性实施方案。如将认识到的,本公开的概念可以在其他和不同的实施方案中实现,并且其若干细节可以在各种明显的方面进行修改,所有这些都不脱离本公开的范围。因此,附图和描述本质上被认为是说明性的,而不是限制性的。
引用文献说明
本说明书中提到的所有出版物、专利和专利申请特此通过引用方式并入本文,就好像每个单独的出版物、专利或专利申请都被具体地和单独地指明通过引用并入本文。在通过引用并入的出版物和专利或专利申请与说明书中包含的公开内容矛盾的情况下,说明书旨在取代和/或优先于任何此类矛盾的材料。
附图说明
在所附权利要求中具体阐述了本发明的新颖特征。通过参考以下详细描述和附图(在此也称为“图”)将获得对本发明的特征和优点的更好理解,以下详细描述阐述了利用本发明的原理的说明性实施方案,在附图中:
图1示出了多光束x射线衍射系统的示例(来自Komardin等人的US6,175,117B1)。
图2A示出了无序分子和有序分子的示例。
图2B示出了各种生物对象的相对尺度的示例(来自“Small Angle X-RayScattering as a Diagnostic Tool for Breast Cancer”,Sabeena Sidhu,BSc,MScSchool of Physics,Monash University,February 12,2009)。
图3A至图3B示出了正常组织(图3A)和浸润性癌组织(图3B)中胶原的示例(来自“Small Angle X-Ray Scattering as a Diagnostic Tool for Breast Cancer”,SabeenaSidhu,BSc,MSc School of Physics,Monash University,February 12,2009)。
图4示出了x射线衍射数据生成的示例。
图5A至图5B示出了小角x射线(SAXS)衍射数据的示例。图5A:来自正常乳腺组织活检的SAXS图案。图5B:来自患病乳腺组织的活检的SAXS图案。
图6A至图6B示出了来自患有已知疾病的乳腺组织的小角x射线衍射数据的示例。图6A:来自患病乳腺组织的活检的SAXS图案。图6B:散射强度与q值的函数关系的曲线图。
图7示出了从被绘制以说明不同组织类型的聚类的x射线衍射图案中提取的数据的示例(来自:“Small Angle X-Ray Scattering as a Diagnostic Tool for BreastCancer”,Sabeena Sidhu,BSc,MSc School of Physics,Monash University,February12,2009)。
图8示出了组合的乳房造影术和x射线衍射仪器的例示性示例。
图9示出了由x射线衍射系统探测的乳房的示例性顶视图。
图10示出了通过网络操作性地耦合到计算机数据库的多个组织衍射仪的示意图。
图11示出了数据收集和处理工作流的示例性示意图。
图12示出了计算机系统,该计算机系统被编程或以其他方式配置为实现本文提供的方法。
具体实施方式
虽然本文已经示出和描述了本发明的各种实施方案,但是对于本领域技术人员来说显而易见的是,此类实施方案仅仅是作为示例提供的。在不脱离本发明的情况下,本领域技术人员可以想到许多变化、改变和替换。应当理解,可以采用本文描述的本发明的实施方案的各种替代方案。
公开了用于为受检者提供计算机辅助诊断指标的系统和方法。该系统可以包括通过网络可操作地耦合到计算机数据库的多个组织衍射仪,其中组织衍射仪被配置为采集受检者内组织的小角x射线散射和/或广角x射线散射数据。任选地,组织衍射仪还可以被配置为采集组织的吸收图像,例如乳房造影术图像。该系统被配置为使用数据分析算法来收集和处理衍射数据、图像数据和/或与受检者相关的其他数据,以便为受检者提供计算机辅助诊断指标。使用存储在计算机数据库中的多个受检者的数据,随机地、周期性地或连续地更新和改进数据分析算法。在一些情况下,计算机辅助诊断指标可以包括受检者患有癌症或一些其他疾病的可能性的指标。在一些情况下,计算机辅助诊断指标可以包括受检者患有癌症或一些其他疾病的诊断。
每当术语“至少”、“大于”或“大于或等于”在一系列两个或更多个数值中的第一个数值之前时,术语“至少”、“大于”或“大于或等于”适用于该系列数值中的每个数值。例如,大于或等于1、2或3相当于大于或等于1、大于或等于2或大于或等于3。
每当术语“不大于”、“小于”或“小于或等于”在一系列两个或更多个数值中的第一个数值之前时,术语“不大于”、“小于”或“小于或等于”适用于该系列数值中的每个数值。例如,小于或等于3、2或1相当于小于或等于3、小于或等于2或小于或等于1。
除非另有定义,否则本文使用的技术术语具有与本公开所属领域的普通技术人员通常理解的相同的含义。
如在本说明书和所附权利要求中所使用的,单数形式“一个”、“一种”和“该”包括复数,除非上下文中另有明确规定。除非另有说明,否则本文中对“或”的任何引用旨在包含“和/或”。
如本文所用,术语“组织衍射仪”通常是指被配置为记录来自一个或多个组织的衍射数据的衍射仪。组织衍射仪可以是x射线衍射仪。在一些情况下,组织衍射仪可以被配置为记录衍射数据和图像数据,例如,乳房X线照片。
如本文所用,术语“计算机辅助诊断指标”通常是指包括在一个或多个计算机处理器的帮助下生成的诊断信息的指标。在一些情况下,“计算机辅助诊断指标”可以包括受检者患有癌症例如乳腺癌的可能性的概率分数。在一些情况下,“计算机辅助诊断指标”可以包括受检者患有癌症例如乳腺癌的诊断。
如本文所用,术语“受检者”通常是指动物,诸如哺乳动物。受检者可以是人类或非人类哺乳动物。受检者可能得了疾病或怀疑得了或患有疾病。受检者可能未被怀疑得了或患有疾病。受检者可能是有症状的。另选地,受检者可能是无症状的。在一些情况下,可以治疗受检者以减轻疾病的症状或治愈受检者的疾病。受检者可以是接受医疗保健提供者治疗的患者。
如本文所用,术语“医疗保健提供者”通常是指执业医师或支持人员。医疗保健提供者可以是医生、护士、牙医、技师、学生等。医疗保健提供者可以至少部分负责受检者的医疗保健。
如本文所用,术语“机构”通常是指与一个或多个医疗保健提供者相关的实体。该机构可以是医疗中心、医生办公室、诊所、医院、大学等。
如本文所用,术语“癌症”通常是指由失去对正常生长控制的易感性的细胞增殖引起或以其为特征的增殖性病症。相同组织类型的癌症通常起源于相同的组织,并且可以基于它们的生物学特性分为不同的亚型。癌症类别的非限制性示例是癌(上皮细胞衍生的)、肉瘤(结缔组织或中胚层衍生的)、白血病(造血组织衍生的)和淋巴瘤(淋巴组织衍生的)。癌症可能涉及身体的每个器官和组织。不限制癌症的定义的癌症的具体示例可以包括黑色素瘤、白血病、星形细胞瘤、胶质母细胞瘤、视网膜母细胞瘤、淋巴瘤、神经胶质瘤、霍奇金淋巴瘤和慢性淋巴细胞白血病。可能受各种癌症影响的器官和组织的示例包括胰腺、乳腺、甲状腺、卵巢、子宫、睾丸、前列腺、垂体、肾上腺、肾、胃、食道、直肠、小肠、结肠、肝、胆囊、头和颈、舌、口、眼和眼眶、骨、关节、脑、神经系统、皮肤、血液、鼻咽组织、肺、喉、尿道、子宫颈、阴道、外分泌腺和内分泌腺。在一些情况下,癌症可以是多中心的。在一些情况下,癌症可以是未知原发性的癌症(CUP)。
如本文所用,术语“云”通常指电子数据的共享或可共享存储,例如,计算机服务器的分布式网络。在一些情况下,云可以用于归档电子数据、共享电子数据和分析电子数据。
本文所述的方法和系统适用于表征受检者内的组织,例如软组织,例如原位或体内的组织的表征。可以使用所公开的方法和系统表征的器官和组织的示例包括但不限于胰腺、乳腺、甲状腺、卵巢、子宫、睾丸、前列腺、垂体、肾上腺、肾、胃、食道、直肠、小肠、结肠、肝、胆囊、头和颈、舌、口、眼和眼眶、骨、关节、脑、神经系统、皮肤、血液、鼻咽组织、肺、喉、尿道、子宫颈、阴道、外分泌腺和内分泌腺。
基于衍射仪的系统和使用方法:在一个方面,本公开提供了一种系统,该系统输出用于受检者的计算机辅助诊断指标,该受检者可能患有疾病或可能处于发展疾病诸如增殖性疾病或癌症的风险中。该系统可以包括通过网络操作性地耦合到计算机数据库的一个或多个组织衍射仪。一个或多个组织衍射仪中的组织衍射仪可以被配置用于通过网络将图像数据、衍射图案数据、受检者数据或它们的任何组合传送到计算机数据库。该系统可以包括操作性地耦合到一个或多个衍射仪的一个或多个计算机处理器。一个或多个计算机处理器可以被单独或共同配置为:(i)从一个或多个组织衍射仪接收图像数据、衍射图案数据、受检者数据或它们的任何组合;(ii)将图像数据、衍射图案数据、受检者数据或它们的任何组合传输到计算机数据库;以及(iii)使用为个体受检者提供计算机辅助诊断指标的数据分析算法来处理个体受检者的图像数据、衍射图案数据、受检者数据或它们的任何组合。
在另一个方面,本公开提供了一种为可能患有或可能处于发展疾病诸如增殖性疾病或癌症的风险中的受检者生成计算机辅助诊断指标的方法。该方法可以包括使用通过网络操作性地耦合到计算机数据库的多个组织衍射仪中的一个组织衍射仪来采集数据,该数据包括个体受检者的图像数据、衍射图案数据、受检者数据或它们的任何组合。多个组织衍射仪可以被配置用于通过网络将数据传送到计算机数据库。一个或多个计算机处理器可以操作性地耦合到多个组织衍射仪。一个或多个计算机处理器可用于从多个组织衍射仪接收包括图像数据、衍射图案数据、受检者数据或它们的任何组合的数据,所述多个组织衍射仪通过网络操作性地耦合到计算机数据库,并且可被配置用于通过网络将包括图像数据、衍射图案数据、受检者数据或它们的任何组合的数据传送到计算机数据库。包括图像数据、衍射图案数据、受检者数据或它们的任何组合的数据可以被传输到计算机数据库。可以使用数据分析算法为个体受检者处理包括图像数据、衍射图案数据、受检者数据或它们的任何组合的数据,该数据分析算法可以为个体受检者提供计算机辅助诊断指标。以下描述可能涉及方法和系统两者。
在一些情况下,一个或多个组织衍射仪可以是如本文别处所述的组织衍射仪。一个或多个组织衍射仪可以是独立的组织衍射仪(例如,不包括其他功能的系统的仪器或部件)。一个或多个组织衍射仪可以与其他仪器耦合(例如,组织衍射仪可以附接到基于吸收的乳房造影术成像仪器或与该仪器集成)。与计算机数据库的操作性耦合可以通过局域网(例如,局域网(LAN))或远程网络(例如,互联网)。
在一些情况下,图像数据可以是图像、图像元数据等或它们的任何组合。图像可以是原始图像(例如,从检测器捕获的图像)、处理的图像(例如,已经执行了一个或多个处理操作的图像)、图像类似物(例如,对应于像素的强度值的矩阵、图像的矢量表示)等。图像元数据可以包括关于采集图像的条件的非图像信息(例如,x射线波长、检测器与源和/或样本的距离、曝光时间、采集的日期和时间、环境条件等)。
在一些情况下,衍射图案数据可以包括衍射图案、衍射图案元数据等,或者它们的任何组合。衍射图案可以包括由辐射束(例如,x射线束、中子束)与组织的相互作用产生的衍射图案。衍射图案可以包括原始衍射图案、处理的衍射图案、衍射图案类似物等。衍射图案元数据可以包括如本文别处所述的元数据。
在一些情况下,图像数据和/或衍射图案数据可以包括取自健康组织和怀疑有异常的组织两者的数据。健康组织和怀疑有异常的组织两者可以是同一受检者的。例如,衍射数据可以取自受检者的怀疑患有癌症的乳房以及受检者的怀疑未患有癌症的另一个乳房两者。
在一些情况下,受检者数据可以包括个体受检者的年龄、性别、祖先数据、遗传数据、行为数据、病史、以前的医学检测或诊断、职业数据、健康的社会决定因素或它们的任何组合。祖先数据可以通过一个或多个基因检测来确定。祖先数据可以包括受检者报告的祖先数据。遗传数据可以包括遗传异常、易感性等。例如,受检者数据可以包括关于受检者对乳腺癌的遗传易感性的信息(例如,乳腺癌基因的存在或不存在)。
在一些情况下,计算机数据库可以是基于云的数据库,例如,驻留在一个或多个远程计算机服务器上的数据库。在一些情况下,计算机数据库可以是本地计算机数据库(例如,连接到组织衍射仪的计算机)。
在一些情况下,一个或多个计算机处理器可以是作为托管计算机数据库的一个或多个计算机服务器的一部分的计算机处理器。在一些情况下,一个或多个计算机处理器可以是操作性地耦合到一个或多个组织衍射仪的计算机,(例如,控制一个或多个衍射仪的计算机)。图像数据的接收可以包括图像数据的实时或基本上实时接收。例如,在一些情况下,当拍摄图像时,图像数据流可以从组织衍射仪传输到一个或多个计算机处理器。在一些情况下,图像数据可以以分组(例如,一个或多个图像的束)的形式传输。例如,可以在一天中拍摄多个受检者的一系列图像,然后可以将它们全部一起传输。在另一个示例中,在单次扫描或单次会话期间拍摄的个体受检者的所有图像可以一起传输。向计算机数据库的传输可以是实时传输、基本上实时传输、间歇传输(例如,传输分组)或它们的任何组合。
在一些情况下,衍射数据处理和/或图像数据处理可以发生在衍射和/或图像数据的接收和图像数据的传输之间。例如,在一些情况下,一个或多个计算机处理器可以被配置为压缩衍射和/或图像数据,以提高到数据库的传送速度。在另一个示例中,一个或多个计算机处理器可以被配置为在传输到计算机数据库之前从数据(例如,衍射图案数据)中提取相关参数(例如,d间距、成对分布函数),从而显著减少要传输的数据量。在一些情况下,衍射和/或图像数据的处理可以在数据已经被传送到计算机数据库之后执行。衍射和/或图像数据的处理可以是本地处理(例如,在组织衍射仪本地的计算机上的处理)或远程处理(例如,在远程计算机服务器或基于云的服务器上的处理)。在一些情况下,数据处理可以包括应用统计分析和/或机器学习算法(在本文中单独或共同称为“数据分析算法”)。数据处理可以包括处理单个受检者或多个受检者的衍射数据和/或图像数据。例如,针对单个受检者采集的衍射和/或图像数据可以被处理,以生成该受检者的计算机辅助诊断指标。在另一个示例中,可以处理来自多个受检者的衍射数据和/或图像数据,以改进数据分析算法和/或生成基线诊断指标。
在一些情况下,该系统还可包括用户界面。用户界面可以被配置为允许个体受检者和/或其医疗保健提供者将个体受检者的图像数据、衍射图案数据、受检者数据或它们的任何组合上传到计算机数据库。将个体受检者的图像数据、衍射图案数据、受检者数据或它们的任何组合上传到计算机数据库可以作为交换,以处理个体受检者的图像数据、衍射图案数据或它们的任何组合,从而接收个体受检者的计算机辅助诊断指标。例如,医疗保健提供者可以使用用户界面将乳房X线照片中识别的可疑肿块的衍射图像与基于吸收的乳房造影术图像一起上传到计算机数据库。在该示例中,包括一个或多个计算机处理器和计算机数据库的系统然后可以使用数据分析算法处理衍射图像以及基于吸收的乳房造影术图像,以生成提供给医疗保健提供者的诊断指标。在一些情况下,衍射图像和基于吸收的乳房造影术图像可以保留在计算机数据库上,在该计算机数据库中它们可以用于改进生成诊断指标的数据分析算法。用户界面可以被配置为允许个体受检者和/或其医疗保健提供者进行支付和/或上传个体受检者的签署的同意书。支付可以是现金支付(例如,用户界面显示发送支付的地址)、支票支付(例如,纸质或电子支票支付)、卡支付(例如,信用卡或借记卡支付处理)、基于应用的支付(例如, )、加密货币支付(例如,比特币),或它们的任何组合。例如,在一些情况下,个体受检者可以经由健康储蓄账户借记卡支付。签署的同意书可以由个体受检者和/或医疗保健提供者签署。签署的同意书可以与计算机辅助诊断指标相关。例如,个体受检者可以签署并上传同意书,声明受检者的衍射和/或图像数据可以保留在计算机数据库上。在一些情况下,签署的同意书可以是物理签署的、电子签署的或它们的任何组合。
在一些情况下,本公开的系统可以包括1、2、3、4、5、6、7、8、9、10、20、30、40、50、60、70、80、90、100、150、200、250、300、350、400、450、500或超过500个组织衍射仪。在一些情况下,本公开的系统可以包括至多约500、450、400、350、300、250、200、150、100、90、80、70、60、50、40、30、20、10、9、8、7、6、5、4、3、2个或少于2个组织衍射仪。在一些情况下,系统中组织衍射仪的数量可以在本段中指定的值中的任意两个值的范围内。例如,在一些情况下,系统中组织衍射仪的数量可以在4至100的范围内。本领域技术人员将认识到,在一些情况下,系统中组织衍射仪的数量可以具有本段中指定的值范围内的任何值,例如,125个组织衍射仪。
一个或多个组织衍射仪可以是位于两个或更多个不同地理位置的两个或更多个组织衍射仪。例如,在第一位置的第一组织衍射仪可以向一个或多个计算机处理器发送一组图像数据,而在第二位置的第二组织衍射仪可以向一个或多个计算机处理器发送一组衍射图案数据。在该示例中,图像数据和衍射图案数据两者都可以用于改进为个体受检者生成计算机辅助诊断指标的数据分析算法,并且两者也都可以保留在计算机数据库中。一个或多个组织衍射仪可以包括数据加密装置。数据加密装置可以包括全球定位系统(GPS)定位传感器。数据加密装置可以生成加密的图像数据、衍射图案数据、受检者数据或它们的任何组合。加密的图像数据、衍射图案数据、受检者数据或它们的任何组合可以被传送到计算机数据库。加密的图像数据、衍射图案数据、受检者数据或它们的任何组合可以包括关于一个或多个组织衍射仪的位置变化的数据。例如,由组织衍射仪生成的图像元数据可以包括该组织衍射仪的位置信息。在该示例中,可以使用由组织衍射仪传输的图像元数据来跟踪组织衍射仪的移动。在另一个示例中,GPS定位传感器可以关于组织衍射仪的位置与计算机数据库持续通信。包括GPS传感器可以降低组织衍射仪被未经训练的用户盗窃或盗用的可能性。数据加密装置可以被配置为根据健康数据隐私标准来加密数据。例如,加密装置可以使图像数据、衍射图案数据、受检者数据或它们的任何组合的传输和存储符合健康保险便利和责任法案(HIPAA)。数据加密装置可以包括被配置为仅允许组织衍射仪和计算机数据库之间通信的模块。例如,可以禁用其他网络通信,使得来自组织衍射仪的数据可以仅发送到计算机数据库。
在一些情况下,操作性地耦合到系统的多个组织衍射仪可以位于2、3、4、5、6、7、8、9、10、20、30、40、50、60、70、80、90、100、150、200、250、300、350、400、450、500或超过500个不同的地理位置(从而有效地构成全球诊断系统)。在一些情况下,包括操作性地耦合到系统的组织衍射仪的不同地理位置的数量可以在本段中指定的值中的任意两个值的范围内。例如,在一些情况下,系统中包括的不同地理位置的数量可以在8到20的范围内。本领域技术人员将认识到,在一些情况下,系统中包括的不同地理位置的数量可以具有本段中指定的值的范围内的任何值,例如,14个不同的地理位置。
小角x射线散射:在一些情况下,一个或多个组织衍射仪可以被配置为执行小角x射线散射(SAXS)测量。SAXS测量可以包括组织的长程排序的测量。例如,SAXS测量可以记录10纳米到1000纳米范围内的组织有序的测量结果。SAXS测量可包括至少约0.01、0.05、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1、1.5、2、2.5、3、3.5、4、4.5、5、5.5、6、6.6、7、7.5、8、8.5、9、9.5、10或更大度数的散射测量。SAXS测量可以包括至多约10、9.5、9、8.5、8、7.5、7、6.5、6、5.5、5、4.5、4、3.5、3、2.5、2、1.5、1、0.9、0.8、0.7、0.6、0.5、0.4、0.3、0.2、0.1、0.05、0.01或更小度数的测量。SAXS测量可以包括由前述数字中的任意两个数字定义的范围的测量。例如,SAXS测量可以包括0.1度至10度的散射测量。SAXS测量可以包括关于度数(例如,Θ)、2Θ、d(例如,以埃为单位测量的距离)、q(例如,1/d)等或它们的任何组合的测量。
广角x射线散射:在一些情况下,一个或多个组织衍射仪可以被配置为执行广角x射线散射(WAXS)测量。WAXS测量可以包括组织的短程排序的测量。例如,WAXS测量可以记录低于10纳米的组织有序的测量。WAXS测量可以提供关于组织中非组织对象的结构信息。例如,对怀疑为乳腺钙化的对象进行WAXS测量可以证实该对象由草酸钙和磷酸钙构成。在另一个示例中,WAXS测量可以生成关于组织内分子结构的信息。WAXS测量可以包括至少约10、15、20、25、30、35、40、45或更多度数的测量。WAXS测量可以包括至多约45、40、35、30、25、20、15、10或更小度数的测量。WAXS测量可以包括由前述数字中的任意两个数字定义的范围的测量。例如,WAXS测量可以包括10度至45度的散射测量。WAXS测量可以包括关于度数(例如,Θ)、2Θ、d(例如,以埃为单位测量的距离)、q(例如,1/d)等或它们的任何组合的测量。
乳房造影术:在一些情况下,一个或多个组织衍射仪可以被配置为执行乳房造影术。乳房造影术可以是吸收性的、基于成像的乳房造影术。例如,可以通过乳房投射一束x射线,并且可以记录乳房的吸收轮廓。一个或多个组织衍射仪可以耦合到现有乳房造影术仪器或与该仪器集成,以便为乳房造影术仪器增加组织衍射能力。因此,在一些情况下,本公开的组织衍射仪可以被配置为执行SAXS、WAXS、乳房造影术或它们的任何组合。在一些情况下,可以使用除了用于测量衍射图案的能量源之外的能量源来执行乳房造影术。例如,可以使用19keV的x射线源执行乳房造影术,并且可以使用75keV的源生成衍射图案。在另一个示例中,乳房造影术可以用针对图像质量和对比度而优化的源来执行,而衍射源可以是钼或银源。一个或多个组织衍射仪可以被配置为经由扫描来执行乳房造影术。例如,可以使x射线束光栅扫描穿过受检者的乳腺组织,并且可以记录乳腺组织的吸收。用于引导x射线束的一组目标坐标可以从乳房X线照片中确定。例如,可以执行乳房X线照片,并且基于乳房X线照片,可以识别模糊区域(例如,怀疑包括癌症或其他患病组织的区域)。在该示例中,根据乳房X线照片确定的可疑区域的位置可用于确定目标坐标,并且指示组织衍射仪测量这些区域中的一个区域内的衍射图案,以提供关于该区域状态的附加信息。在受检者仍在乳房造影术仪器中时,组织衍射仪可以从由目标坐标定位的区域收集衍射图案数据。例如,可以使用吸收成像乳房造影术来生成目标坐标,可以移动吸收成像乳房造影术x射线源和检测器,可以将组织衍射仪移动到适当位置,并且组织衍射仪可以测量衍射图案。在该示例中,受检者可以保持在混合组织衍射仪/乳房造影术仪器内的适当位置,以降低映射可疑区域的目标坐标的复杂性。
计算机数据库:如上所述,在一些情况下,计算机数据库可以驻留在中央计算机服务器上。在一些情况中,中央计算机服务器可以驻留在云中(例如,可以是包括远程计算机服务器的分布式网络的基于云的计算机服务器)。在一些情况下,计算机数据库可以驻留在本地服务器上。在一些情况下,数据可以在本地计算机数据库和远程或中央计算机数据库之间传送或交换。计算机数据库可以驻留在符合隐私法的服务器(例如,符合HIPAA的服务器)上。
在一些情况下,传送到计算机数据库的图像数据、衍射图案数据、受检者数据或它们的任何组合在传送之前可能会被去个性化。去个性化可以包括去除个人可识别信息(例如,姓名、患者号码、社会保障号码、地址等)。例如,在将图像元数据和/或受检者数据传送到计算机数据库之前,可以从图像元数据和/或受检者数据中去除识别信息。图像数据、衍射图案数据、受检者数据或它们的任何组合的去个性化可以有助于使计算机数据库符合隐私法。在一些情况下,用于将存储在计算机数据库中的个性化图像数据、衍射图案数据、受检者数据或它们的任何组合映射到个体受检者的密钥可以存储在本地机构数据库和/或个体受检者的个人文件中。例如,可以生成将受检者与其去个性化的数据相关的密钥,以用于稍后的参考或再结合。本地机构数据库可以是由受检者去获得图像数据、衍射图案数据、受检者数据或它们的任何组合的机构运营的数据库。例如,医院可以具有包括将医院患者的身份链接到他们的去个性化数据的密钥的数据库。在另一个示例中,密钥可以保存在患者的个人医疗文件中。
数据分析算法:如上所述,在一些情况下,数据分析算法可以包括对衍射图案数据和/或其函数的统计分析。在一些情况下,数据分析算法可以包括对图像数据、衍射图案数据、受检者数据、任何进程的函数或它们的任何组合的统计分析。在一些情况下,统计分析可以包括确定成对距离分布函数、确定Patterson函数、计算Porod不变量、傅立叶变换与成对距离分布函数的计算、聚类分析、色散分析、确定一个或多个分子结构周期性或它们的任何组合。统计分析可以包括确定组织或组织特征的结构周期性。结构分析可以包括确定胶原、一种或多种脂质或其组合的结构周期性。例如,衍射图案可以提供关于结构周期性的信息,从而提供在衍射仪的光斑尺寸内胶原的相对有序度的信息。在另一个示例中,脂质层的排序可以通过衍射来确定,其可以给出关于脂质层的硬度和层在局部水平的化学组成(例如,胆固醇或其他硬化剂的量)的信息。在一些情况下,组织的结构周期性可用于确定组织内存在癌症的可能性。例如,图3A示出了正常胶原组织的电子显微镜图像,而图3B示出了浸润性癌组织中胶原的电子显微镜图像。在该示例中,正常组织中的胶原结构更佳,这可以产生更强的衍射峰,而癌中的胶原结构差,这可以产生弱的衍射峰。
在一些情况下,数据分析算法可以包括或还包括一个或多个机器学习算法的使用。一个或多个机器学习算法可以被配置为对图像数据、衍射图案数据、受检者数据或它们的任何组合进行操作。机器学习算法可以包括一个或多个监督学习算法、一个或多个非监督学习算法、一个或多个半监督学习算法、一个或多个增强学习算法、一个或多个深度学习算法或它们的任何组合。机器学习算法可以是深度学习算法。深度学习算法可以包括一个或多个卷积神经网络、一个或多个循环神经网络和/或一个或多个循环卷积神经网络。
可以使用在本地计算机或远程服务器上实现的统计分析算法和/或机器学习算法来执行数据分析。例如,机器学习算法可以被配置为预处理原始图像数据、衍射图案数据和/或受检者数据,以去除噪声或其他伪像。可以训练不同的机器学习来识别图像数据、衍射图案数据和/或受检者数据内的特征。此类机器学习算法可以聚类数据点以用作识别算法。其他机器学习算法可以被配置为提供计算机辅助诊断指标。
机器学习算法可以包括监督机器学习算法、半监督机器学习算法或非监督机器学习算法。例如,监督机器学习算法是使用标记的训练数据集训练的算法,例如,包括具有已知输出的训练输入的数据集。训练输入可以被提供给机器学习算法的未训练或部分训练版本,以生成预测输出。可以在迭代过程中将预测输出与已知输出进行比较,并且如果存在差异,则可以更新机器学习算法的参数。使用大量未标记训练数据例如未标记训练输入和少量标记训练输入来训练半监督机器学习算法。非监督机器学习算法例如聚类算法可以在包括不具有预先存在的标签的数据集中找到先前未知的模式。
可用于执行上述功能中的一些功能例如处理衍射数据、图像数据和/或生成计算机辅助诊断指标的机器学习算法的一个非限制性示例是神经网络。神经网络采用多层操作来从一个或多个输入预测一个或多个输出,例如受检者患有癌症的可能性,所述一个或多个输入例如是图像数据、衍射图案数据、受检者数据、从图像数据、衍射图案数据和/或受检者数据得到的处理数据或它们的任何组合。神经网络可以包括位于输入层和输出层之间的一个或多个隐藏层。每层的输出可以用作另一层例如下一个隐藏层或输出层的输入。神经网络的每个层都可以指定要对输入到该层的数据执行的一个或多个转换操作。此类转换操作可以被称为“神经元”。特定神经元的输出可以是例如到该神经元的输入的加权和,该加权和任选地利用偏差来调节和/或乘以激活函数,例如线性整流函数(ReLU)或S型函数。
训练神经网络可以涉及向未训练的神经网络提供输入以生成预测输出,将预测输出与预期输出进行比较,以及以迭代方式更新算法的权重和偏差以解决预测输出和预期输出之间的差值。例如,成本函数可用于计算预测输出和预期输出之间的差值。通过计算成本函数关于网络的权重和偏差的导数,权重和偏差可以在多个周期上迭代地调节以最小化成本函数。当预测输出满足收敛条件诸如获得小量级的计算成本时,训练可以完成。
卷积神经网络(CNN)和循环神经网络可用于从图像数据、衍射图案数据、受检者数据或它们的任何组合中进行分类或预测。CNN是神经网络,其中某些层(称为卷积层)中的神经元仅从数据集的一小部分接收数据。这些小部分可以被称为神经元的感受野。此类卷积层中的每个神经元可以具有相同的权重。以此方式,卷积层可检测输入图像数据、衍射数据或其组合的任何部分中的特征,例如癌生长。
同时,RNN是具有循环连接的神经网络,其可以编码时间序列数据中的依赖性,例如一个或多个受检者的纵向研究图像。RNN可以包括输入层,该输入层被配置为接收在一段时间内收集的一系列时间序列输入,例如图像数据、衍射图案数据、受检者数据或它们的任何组合。RNN还可以包括保持状态的一个或多个隐藏的循环层。在每个时间步长,每个隐藏的循环层可以计算该层的输出和下一个状态。下一个状态可以取决于先前状态和当前输入。状态可以跨时间步长来保持,并且可以捕获输入序列中的依赖性。此类RNN可用于确定受检者数据内的时间序列特征或特征的演进。
RNN的一个示例是长短时记忆网络(LSTM),该LSTM可以由LSTM单元组成。LSTM单元可以由胞元(cell)、输入门、输出门和遗忘门组成。该胞元可以负责跟踪输入序列中元素之间的依赖性。输入门可以控制新值流入胞元的程度,遗忘门可以控制值保留在胞元中的程度,并且输出门可以控制胞元中的值用于计算LSTM单元的输出激活的程度。LSTM门的激活功能可以是例如逻辑功能。
可用于处理图像数据、衍射图案数据、受检者数据或它们的任何组合的机器学习算法的其他示例是回归算法、决策树、支持向量机、贝叶斯网络、聚类算法、强化学习算法等。
例如,聚类算法可以是分层聚类算法。分层聚类算法可以是基于对象与其他对象的接近程度来对对象进行聚类的聚类算法。例如,分层聚类算法可以对图像数据、衍射图案数据、受检者数据或它们的任何组合进行聚类。聚类算法可以另选地是基于质心的聚类算法,例如k-均值聚类算法。k-均值聚类算法可以将n个观测结果划分为k个聚类,其中每个观测结果属于具有最接近均值的聚类。该均值可以作为聚类的原型。在图像数据、衍射图案数据、受检者数据或它们的任何组合的情况下,k-均值聚类算法可以生成彼此相关的不同组的数据。此后,基于关于该子系统的知识(例如,关于先前诊断和数据的知识),每组数据可以与例如特定的癌症概率或诊断相关联。聚类算法可以另选地是基于分布的聚类算法,例如高斯混合模型或期望最大化算法。其他聚类算法的示例是余弦相似度算法、拓扑数据分析算法和基于分层密度的噪声应用聚类(HDB-SCAN)。
可以使用包括图像数据、衍射图案数据、受检者数据或它们的任何组合的训练数据集来训练机器学习算法。训练数据集可以存储在特定病理学和/或生理学常模团体的计算机数据库中。可以使用一个或多个组织衍射仪获得训练数据集。训练数据集可以包括吸收乳房造影术图像。训练数据集可以包括关于给定数据集的诊断确认的信息。例如,包括怀疑为癌的组织的多个图像和衍射图案的数据也可以包括组织中癌症存在的组织学确认。在另一个示例中,一组衍射图像可以伴随有关于从其获取衍射图像的受检者的寿命的数据。用于特定病理学和/或生理学常模团体的计算机数据库可以是远程计算机数据库(例如,基于云的数据库)或本地数据库(例如,组织衍射仪本地的计算机系统)。例如,用于乳腺癌诊断指标的训练数据集可以与其他乳腺癌诊断数据一起存储在计算机数据库中。随着新的图像数据、衍射图案数据、受检者数据或它们的任何组合被上传到计算机数据库,训练数据集可以被更新。更新可以是包括新数据、去除旧数据或其组合。例如,可以将新的图像数据添加到训练数据集中,以提高训练数据集的质量。在另一个示例中,当添加更高质量的新数据时,可以从训练数据集中去除质量差的数据。当计算机数据库或驻留在其上的训练数据集被更新时,统计分析算法和/或机器学习算法(例如,数据分析算法)可以被更新。例如,可以使用新的训练数据集来重新训练机器学习算法,以提高机器学习算法在生成计算机辅助诊断指标中的功效。随着训练数据集被更新,统计分析和/或机器学习算法可以被连续地、周期性地或随机地更新和改进。在该示例中,在提供概率或诊断方面,修正的统计分析和/或机器学习算法可能比从先前训练数据集导出的先前版本更准确、更具体和/或更灵敏。
计算机辅助诊断指标:在一些情况下,个体受检者的计算机辅助诊断指标可以包括个体受检者患有癌症或其他疾病的可能性的指标。个体受检者的计算机辅助诊断指标可以包括个体受检者患有乳腺癌的可能性的指标。例如,计算机辅助诊断指标可以包括对个体受检者的分级风险评估(例如,高风险、中风险、低风险)。计算机辅助诊断指标符可以显示在装置的用户界面上(例如,计算机屏幕上的用户界面,平板电脑上的用户界面)。计算机辅助诊断指标可以是报告。该报告可以是打印的报告。该报告可以包括附加信息。例如,该报告可包括受检者患有癌症的可能性,以及有助于生成报告的指标和针对受检者要采取的可能的下一步的建议。该指标可以是百分比(例如,受检者患有癌症的百分比可能性)、风险级(例如,高风险、中风险、低风险)、因素比较(例如,指示存在的因素列表和指示不存在的因素列表)等,或它们的任何组合。个体受检者患有癌症的可能性的指标可以是个体受检者患有乳腺癌的可能性的指标。
在一些情况下,个体受检者的计算机辅助诊断指标可以包括个体受检者患有癌症或其他疾病的诊断。个体受检者的计算机辅助诊断指标可以包括个体受检者患有乳腺癌的诊断。计算机辅助诊断指标可以至少部分地使用统计分析算法和/或机器学习算法来生成。计算机辅助诊断指标可以至少部分地使用来自医疗保健提供者的输入来生成。例如,可以向医疗保健提供者呈现指标和风险级的列表,并且医疗保健提供者可以做出关于受检者的诊断的最终确定。在一些情况下,计算机辅助诊断指标可以具有至少约10%、20%、30%、40%、50%、60%、70%、80%、90%、95%、98%、99%、99.9%或更高的准确度、选择性和/或特异性。在一些情况下,计算机辅助诊断指标可以具有至多约99.9%、99%、98%、95%、90%、80%、70%、60%、50%、40%、30%、20%、10%或更低的准确度、选择性和/或特异性。本段中描述的任何下限值和上限值可以组合以形成包括在本公开内的范围,例如,在一些情况下,计算机辅助诊断指标可以具有范围在约80%至约99%的准确度、选择性和/或特异性。本领域技术人员将认识到,在一些情况下,计算机辅助诊断指标可以具有在该范围内的任何值的准确度、选择性和/或特异性,例如,约98.6%。
图1示出了被配置用于采集受检者(例如,患者)的乳房的衍射数据的多光束x射线衍射系统的示例。衍射系统包括框架10,该框架包括乳房定位区域12、上部光学外壳14和下部光学外壳16。上部光学外壳14和下部光学外壳16包括光学组件18。光学组件18包括辐射源20、光束形成设备22和被定位在上部光学外壳14中的可调节光阑24。光学组件18还包括滤光器和被定位在下部光学外壳16中的二维检测器28。
乳房定位区域12可以包括乳房保持器68,诸如乳房32搁置在其上的单个板。因为识别构成分析区段的物质的过程不依赖于具有一致厚度的乳房32,因此可以消除乳房造影术设备中通常发生的乳房32的压缩。该板对于辐射应该是透明的,并且引起最小的散射。在另一个实例中,乳房定位区域12包括乳房保持器68,该乳房保持器由上板和下板组成,该上板和下板在分析期间可以朝向彼此移动以挤压乳房32。该板由允许辐射穿过该板的材料构成。用于板的合适材料包括但不限于聚乙烯、非晶玻璃和二氧化硅。在另一个实例中,乳房定位区域不包括任何用于支撑乳房32的结构。在分析期间,病人只需要保持不动。
如图所示,框架10可以围绕轴线74旋转。该旋转不影响乳房定位区域12内的乳房32或任何乳房保持器68的位置。因此,旋转允许从特定投影进行扫描和分析。旋转轴线74尽可能靠近乳房32的中心,以在每个投影处保持检测器28和乳房32之间的距离。
在操作中,光束形成设备22将辐射形成为弱发散的入射光束30。入射光束30足够长以入射到被定位在乳房定位区域12中的乳房32的一个完整维度上。在图1中,将乳房32定位成使得入射光束30入射在乳房32的整个宽度上,即入射光束30的长度延伸到页面平面之内和之外。光束形成设备22优选地被定位在距离乳房32的上表面34大约10cm处。合适的光束形成设备22包括但不限于Kratki准直器。
入射光束30从光束形成设备22穿过乳房32到达检测器28。检测器28接收透射光束区38和散射区40中的辐射。透射光束区38接收透射光束42,并且散射区40接收被乳房32散射到透射光束42之外的辐射。
光束形成设备22可以包括多个透明通道90和不透明通道92,如图1所示。来自辐射源20的辐射穿过透明通道90,以形成多个弱发散的入射光束30。每个入射光束30具有足以覆盖乳房32的整个宽度的长度。光束形成设备22允许在乳房32的单次曝光期间分析多个分析区段。因此,可以减少受检者的曝光时间。光束形成设备22的透明通道90沿着会聚在与辐射源20的焦点重合的点的方向取向。合适的光束形成设备22包括但不限于狭缝光栅(slitraster)。此外,透明通道90的合适形状和布置包括但不限于位于六边形或正方形网格顶点处的狭缝和圆孔。透明通道90应该会聚在光源的焦点,以增加装置的能量产出。光束形成设备22可以形成沿着乳房32的整个维度间隔开的入射光束30,然而,来自相邻透射光束42的散射辐射的重叠应该被最小化。当光束形成设备22是狭缝光栅时,透明通道90的合适宽度包括但不限于20μm-120μm、40μm-80μm和55μm-65μm。当光束形成设备22是狭缝光栅时,不透明区段的宽度取决于入射到乳房上的入射光束的期望数量。不透明区段的合适宽度包括但不限于0.5厘米。当光束形成设备22是狭缝光栅时,透明通道的合适深度为100mm的量级,这取决于入射光束的期望发散度。合适的光束发散度包括但不限于1弧秒至10弧秒。多个入射光束30可以减少扫描时间。例如,当入射光束30在乳房32的长度72上均匀间隔时,上部光学外壳14可以移动大致等于入射光束30之间的位移的距离,以扫描整个乳房32。这种减少的扫描时间有助于增加受检者的舒适度。
图2A示出了无序分子和有序分子的示例。无序分子201可表现出比有序分子202更低效的堆积。这样,由于缺乏有序堆积,从多个无序分子获得的衍射图案可具有不太突出的峰。例如,固体乙酸钠的x射线衍射图像可以比硬脂酸钠的对应x射线衍射图像更宽,因为硬脂酸盐具有较少的无序。排序和x射线衍射图案强度之间的关系可以扩展到更大的生物系统(例如,蛋白质、细胞壁、纤维、肌肉等)。例如,肌纤维的良好有序阵列可具有比无序阵列更强的x射线衍射图案。如果生物系统在健康和异常时表现出不同的排序行为,则x射线衍射可以提供关于组织健康的信息。例如,乳房造影术可以显示乳房中的白色小沉积物。在该示例中,使用WAXS来确定白色沉积物的分子身份,可以从致密的健康乳腺组织中辨别出具有固体钙沉积物的不健康乳腺组织。在另一个示例中,胶原在健康组织中往往是良好有序的,但在不健康组织中却是无序的。在该示例中,组织的SAXS测量可以确定胶原的无序状态,从而确定组织是否异常。可由WAXS辨别的沉积物的示例可包括尿素沉积物(例如,痛风中)、钙沉积物(例如,乳腺组织中的钙沉积物)、其他有机晶体(例如,蛋白质)、其他无机晶体(例如,氟化钙)、有机-无机晶体混合物(例如,血红蛋白堆积)等,或它们的任何组合。可由SAXS辨别的病症的示例可包括癌症(例如,癌)、斑块堆积、肌肉疾病(例如,萎缩)、皮下疣等。
图2B示出了各种生物对象的尺度的示例。不同的尺度可以突出同时测量SAXS、WAXS、吸收乳房造影术图像或它们的任何组合的优点。例如,吸收乳房造影术图像可以具有每像素大约0.1毫米的分辨率,这使得不可能观察到100微米或更小数量级的特征。在该示例中,SAXS可以提供关于10纳米至10000纳米量级的排序的存在的细节,并且WAXS可以提供关于0.1纳米至10纳米量级的排序的存在的细节。如图2B所示,乳腺组织中的许多纤维状胶原的尺度可小于100微米,因此关于胶原排序的信息不能通过吸收乳房造影术检测到,但是可以使用x射线散射方法检测到。由于组织异常可导致组织排序的改变(例如,癌症可破坏胶原排序),所以SAXS和/或WAXS可以是吸收乳房造影术的有价值的补充。
图3A至图3B示出了正常组织和浸润性癌组织中胶原的电子显微照片的示例。图3A中的健康胶原301可以呈现为良好有序的组织。原纤维的排序以及所有组织的同质性可以产生强衍射图案,其具有对应于胶原的轴向和子午线长度的峰。这些峰的存在可以是健康组织的指标。例如,可以使用健康的胶原组织部分地训练机器学习算法,以将对应于胶原的轴向和子午线尺寸的衍射峰的存在与健康组织相关联。图3B的浸润性癌组织302可能缺乏健康组织301的长程排序。因此,从癌组织302获得的衍射图案可能具有弱的或不存在的胶原峰。这种峰的缺失可以是浸润性癌的指示。例如,机器学习算法可以使用在预期存在胶原峰的地方缺乏胶原峰作为浸润性癌存在的指示。
图4示出了x射线衍射数据的生成。入射的x射线束401可以被导向原纤维束402。原纤维束402的周期性可产生x射线衍射,该x射线衍射可被记录为x射线衍射图案403。沿着衍射图案403的子午轴线的强度可以取自图案的中心到边缘,并且可以绘制为子午散射轮廓404。该子午散射轮廓可以包括峰405。该峰可能是x射线衍射中相长干涉的结果,从而产生更高强度的带。在该示例中,原纤维的周期性406可以产生衍射峰,其中每个峰表示不同的最近邻距离。沿着衍射图案403的赤道方向的强度可以取自衍射图案的中心到边缘,并且绘制为赤道散射轮廓407。赤道散射轮廓可以包括峰408,该峰可以与原纤维的堆积以及原纤维的尺寸相关。在该示例中,由于原纤维以比原纤维的直径409更大的距离堆积,因此来自堆积的峰可以处于比来自原纤维尺寸的峰更低的q值(例如,更大的距离)。
图像数据、衍射图案数据或它们的组合可以进行统计分析。该统计分析可以包括确定成对距离分布函数、确定Patterson函数、计算Porod不变量、聚类分析、色散分析、确定一个或多个分子结构周期性或它们的任何组合。成对距离分布函数可以从x射线衍射数据中导出。成对距离分布函数可以是散射体(例如,原子、原纤维等)的近邻的分布。例如,原子晶格的成对分布函数可以将原子最近邻的分布显示为距离的函数。在另一个示例中,胶原原纤维的成对分布函数可以将发现另一个胶原原纤维的概率显示为距第一原纤维的距离的函数。成对距离分布函数可以提供关于散射体周围局部结构的信息。Patterson函数可以基于衍射图案的强度提供与x射线衍射的相位分量相关的信息。Patterson函数可以提供关于样品的局部环境的电子密度的信息。Porod不变量可以是可用于确定样本的体积分数的独立于模型的不变量。Porod不变量可取决于散射体的体积,而不是形状。例如,体积为1立方微米的球体和体积为1立方微米的立方体可以具有相同的Porod不变量值。聚类分析可以是对衍射数据的统计分析。聚类分析可以确定数据中一个或多个聚类的存在。例如,可以分析衍射数据,以基于数据的一个或多个分量来确定数据的聚类。色散分析可以确定样本内不同类型特征的色散。例如,散射原纤维的尺寸的色散分析可以产生样品中原纤维的不同尺寸的分布。色散分析可确定色散形状、色散宽度、色散模态(例如,双模态)等,或它们的任何组合。一个或多个分子结构周期性的确定可以是分子阵列的晶体结构的确定。例如,可以确定样本内尿素晶体的结构。在另一个示例中,可以确定乳房X线照片中光斑的结构周期性,以识别光斑的组成。一个或多个分子结构周期性的确定可以提供分子的身份的指标。
图8示出了组合的乳房造影术和x射线衍射仪器的示例。该仪器的乳房造影术部分可以是由健康仪器制造商(例如,Siemens、GE、Philips)制造的乳房造影术仪器。乳房造影术部分可以使用x射线源来投射x射线束穿过受检者乳房,并且测量x射线的透射率。x射线的透射率可能受到许多不同因素的影响,诸如组织密度、组织成分、非组织物质(例如,钙沉积物)的存在等。x射线源可以是放射性同位素、x射线管(例如热或冷阴极管、旋转阳极管等)、x射线激光器、等离子体源、同步加速器、回旋加速器等。x射线源可以产生准直的x射线。如本文别处所述,x射线的透射率可以由x射线检测器检测。x射线检测器可以是胶片检测器或数字检测器。仪器的乳房造影术部分可以由软件控制。该软件可以包括用户界面,该用户界面被配置为向受检者和/或医疗保健提供者显示一幅或多幅乳房造影术图像。医疗保健提供者可以在拍摄乳房X线照片之前施用x射线造影剂。例如,医疗保健提供者可以在拍摄乳房X线照片之前提供碘注射,以帮助血管的可视化。x射线衍射模态可以在没有造影剂的情况下提供强信号。例如,由于x射线束和产生衍射图案的组织之间的相互作用可以独立于吸收对比度,衍射图案可以在施用和不施用造影剂的情况下同样良好地被取得。
x射线衍射模态可以包括x射线源801和x射线检测器802。x射线衍射模态可以被添加到现有的乳房造影术仪器(例如,x射线衍射模态被附接到乳房造影术仪器)。x射线源可以是如本文别处所述的x射线源。x射线源可以是多个x射线源。例如,x射线源可以包括高能x射线源和低能x射线源。在该示例中,可以基于可产生最佳衍射数据的x射线的属性来选择x射线源。x射线源可以产生多个x射线束。x射线检测器可以是如本文别处所述的x射线检测器。x射线检测器可以是多个x射线检测器。一个或多个光学元件可以放置在x射线源和x射线检测器之间的光束路径803中。一个或多个光学元件可以是一个或多个相位板、光束成形元件(例如,狭缝)、衍射光栅、单晶、透镜、光栅、磷光体层、功率计等,或者它们的任何组合。x射线源和/或x射线检测器可以是可移动的。例如,x射线检测器可以在距离x射线源的两个不同距离之间移动,以从SAXS模式改变到WAXS模式。x射线检测器、x射线源、一个或多个光学元件或它们的任何组合可以被配置为由一个或多个计算机处理器控制。一个或多个计算机处理器可以通过对x射线源的电压和/或电流进行编程、控制快门状态、从多个x射线源中选择x射线源等或它们的任何组合来控制x射线源。一个或多个计算机处理器可以通过调节一个或多个光学元件的位置(例如,移动透镜、改变可调节狭缝的宽度)、改变相位板的相位、调节可变滤光器的透射率等或它们的任何组合来控制一个或多个光学元件。一个或多个计算机处理器可通过编程检测器的采样(binning)、设置检测器的曝光时间、选择活动检测器、调节检测器的参数(例如,增益、对比度、伽马)等或它们的任何组合来控制x射线检测器。一个或多个可见光源(例如,激光器)可用于示出一个或多个x射线束将与组织相互作用的位置。在一些情况下,x射线源801可以位于仪器的底部或底部附近,并且x射线检测器802可以位于仪器的顶部或顶部附近。在一些情况下,x射线源801和x射线检测器802之间的光路可以具有足够的长度以容纳例如轮椅中的患者,其中患者的乳房例如可以被定位在地板上方大约4英尺处。
图9示出了由x射线衍射系统探测的乳房的示例性顶视图。点1001可以是乳房1002上入射x射线束的位置。入射x射线束可以是多个入射x射线束。入射x射线束可以被配置为在每个点周围产生衍射图案数据,如每个点周围的圆形灵敏度区域所示。例如,衍射图案数据可以在x射线束周围2英寸内敏感。x射线束中的一些x射线束的敏感区域可能与潜在的癌症部位1003重叠。因为敏感区域与潜在的癌症部位重叠,所以可以产生指示癌症存在或不存在的衍射数据。通过投射多个光束穿过组织(例如,乳腺),可以测试整个组织是否存在异常。在图9的示例中,五条光束可以产生指示在潜在癌症部位1003处存在癌症的信号。在该示例中,信号的存在可以导致确定癌症的大致位置,这可以允许更详细的研究。可以处理衍射图案数据。该处理可以包括强度归一化、校准、毛刺去除、检测器停滞时间校正、缩放、基线(baselining)等,或者它们的任何组合。该处理可以包括将一种或多种机器学习算法应用于衍射图案数据。例如,远离潜在癌症部位的点可以用作对照区域,而更靠近潜在癌症部位的点可以针对癌症的存在或不存在而被分析。x射线束可以在拍摄吸收乳房造影术图像的同时与组织相互作用。
图10示出了通过网络操作性地耦合到计算机数据库的多个组织衍射仪的示意图。通过网络操作性地耦合到计算机数据库的多个组织衍射仪可以是全局诊断系统1000。全局诊断系统可以包括计算机数据库1010。计算机数据库可以被配置为存储数据(例如,图像数据、衍射图案数据、受检者数据或它们的任何组合)。中央计算机数据库可以被加密。计算机数据库可以被配置用于符合健康数据隐私法律和法规(例如,HIPAA)。计算机数据库可以是分布式计算机数据库(例如,在多个位置处容纳的基于云的数据库)。计算机数据库可以被配置为经由一个或多个计算机处理器1020从一个或多个组织衍射仪1030、1040、1050和/或1060接收数据。一个或多个计算机处理器可以被配置为如本文别处所述的那样对数据进行预处理、处理和/或后处理。一个或多个计算机处理器可以经由网络(例如,局域网、互联网、虚拟专用网络)耦合到一个或多个组织衍射仪。一个或多个组织衍射仪可以是至少约1、5、10、25、50、75、100、250、500、750、1000、2500、5000、10000、50000、100000或更多的组织衍射仪。一个或多个组织衍射仪可以是最多约100000、50000、10000、5000、2500、1000、750、500、250、100、75、50、25、10、5或更少的组织衍射仪。一个或多个组织衍射仪可以是一个或多个相同类型的组织衍射仪(例如,相同型号),或者一个或多个不同类型的组织衍射仪(例如,一个或多个不同型号的组织衍射仪)。计算机处理器1020可以被配置为使用存储在计算机数据库1010中的数据来周期性地改进和更新基于统计和/或机器学习的数据分析算法。例如,数据分析算法可以每月、每周、每天或每小时更新。在一些情况下,计算机处理器1020和计算机数据库1010可以被配置为不断地改进基于统计和/或机器学习的数据分析算法。例如,每当从组织衍射仪接收到新数据时,计算机处理器1020可以从计算机数据库1010访问该新数据以更新数据分析算法。数据分析算法可以是如本文别处所述的数据分析算法和/或机器学习算法。
图11示出了数据收集和处理工作流1100的示例性示意图。在操作1110中,过程1100可以包括采集个体受检者的衍射数据、图像数据、受检者数据或它们的任何组合。该采集可以是使用吸收乳房造影术仪器、基于衍射的仪器或它们的组合来采集。例如,组合的乳房造影术和衍射仪器可以采集吸收乳房造影术图像和组织衍射图案两者。该采集可以在单个会话中进行。例如,包括病史和祖先医学信息的受检者数据可以通过在拍摄乳房X线照片之前与受检者面谈来采集。该采集可以在多个会话中进行。例如,可以在一段时间内拍摄乳房造影术图像和衍射图案的时间序列,以跟踪受检者癌症状态的变化。图像数据、衍射数据、受检者数据或它们的任何组合可以是如本文别处所述的数据。如本文别处所述,该采集可以由一个或多个组织衍射仪来执行。
在另一个操作1120中,过程1100可以包括将加密数据传送到计算机数据库。该加密数据可以包括一个或多个个体受检者的图像数据、衍射图案数据、受检者数据或它们的任何组合。例如,该加密数据可以包括某天取自放射诊所的所有数据。在另一个示例中,加密数据可以是来自放射诊所服务的个体受检者的数据。可以使用非对称密钥加密、对称密钥加密等对加密数据进行加密。加密数据可以由生成数据本地的计算装置(例如,操作性地耦合到组织衍射仪的计算机)加密。加密数据可以在传送到计算机数据库之前存储在本地。加密数据可以被流式传送(例如,实时或基本实时地传送)到计算机数据库。计算机数据库可以是本地计算机数据库(例如,容纳在与采集数据的地方相同的设施中的本地计算集群)或远程计算机数据库(例如,云计算数据库)。加密数据可以是未压缩数据或压缩数据。
在另一个操作1130中,过程1100可以包括使用数据分析算法处理个体受检者的数据。如本文别处所述,该处理可以在一个或多个计算机处理器上执行。该处理可以被编码在非暂时性计算机可读介质上。数据分析算法可以是统计分析算法和/或机器学习算法。数据分析算法可以是如本文别处所述的卷积神经网络。数据分析算法可以执行衍射数据、图像数据、受检者数据或它们的任何组合的预处理、处理和/或后处理。预处理可以包括去噪(例如,从数据中去除噪声)、归一化(例如,标准化数据属性诸如大小、黑电平、最大强度等)、分割(例如,将数据分成包括不同特征的区段)、掩蔽(例如,对数据应用一个或多个掩模)、增强边缘和/或特征等,或它们的任何组合。该处理可以包括确定数据中特征的存在或不存在(例如,部分通过使用乳腺组织衍射图案来确定乳房造影术图像中癌斑的存在)、确定数据中特征的严重性(例如,确定癌症的进展)、聚类数据(例如,基于特征的存在或不存在来聚类图像)、预测新数据中特征的存在或不存在(例如,使用先前采集的图像来生成对新数据集中特征存在的预测)等或者它们的任何组合。后处理可包括格式化(例如,格式化数据以呈现给受检者或医疗保健工作者)、去噪、归一化、掩蔽、增强属性(例如,对比度、边缘)等或它们的任何组合。
在另一个操作1140中,过程1100可以包括为个体受检者生成诊断指标。诊断指标可以是计算机辅助诊断指标。计算机辅助诊断指标可以是计算机可读报告、人类可读报告或两者。例如,计算机辅助诊断指标可以是显示在装置的用户界面上的报告。诊断指标可包括关于数据中特征存在的可能性(例如,乳房造影术和衍射数据中乳腺癌的存在)、特征存在的严重程度(例如,基于特征严重程度的预后)、一个或多个建议的治疗(例如,对严重乳腺癌的乳房切除术的建议)、附加信息(例如,用于帮助受检者理解诊断指标的资源的位置)、受检者数据(例如,指标所针对的受检者的姓名)等或它们的任何组合。诊断指标可以在与运行数据分析算法的计算机系统相同的计算机系统上生成。可以保持诊断指标,直到受检者或医疗保健提供者提供输入。该输入可以是支付(例如,来自受检者的支付、来自受检者的保险的支付)、同意受检者的数据用于训练和/或验证未来的数据分析算法等或它们的任何组合。例如,可以通知受检者诊断指标已准备好,并且受检者可以签署弃权声明书,从而允许使用受检者的数据。
在另一操作1150中,过程1100可包括利用使用多个组织衍射仪为多个受检者生成的图像数据、衍射数据、受检者数据或它们的任何组合来更新计算机数据库。该更新可以使附加的数据可用于训练新的数据分析算法或更新现有的数据分析算法。计算机数据库可以用在诊断指标中做出的指示的确认的指标来更新。例如,数据库可以用关于诊断指标指示有癌症可能性的患者的癌症手术确认的信息来更新。该更新可以提供可以提高未来诊断指标的准确性的阳性或阴性结果的确认。可以针对多个受检者聚集数据以生成通用分类器。例如,乳房图像和衍射图案的数据库可以用于生成乳腺组织的分类器。在另一个示例中,脑图像和衍射图案的数据库可以用于生成脑组织的分类器。
在另一个操作1160中,过程1100可以包括改进数据分析算法。改进可以包括生成新的数据分析算法。改进可以包括更新数据分析算法内的权重或其他分量。例如,可以基于来自多个受检者的附加数据来更新神经网络的神经权重。数据分析算法的改进可以提高数据分析算法的灵敏度、特异性、准确性或它们的任何组合。改进的数据分析算法可以用于处理另一个受检者的数据(例如,用作操作1130的数据分析算法)。
本公开的方法和系统可以应用于诊断目的。例如,可以使用乳房造影术和衍射图案数据的组合来诊断受检者乳房中癌症的存在。诊断目的可以包括癌症诊断、肌肉状况诊断(例如,肌肉退化)、验光诊断(例如,角膜损伤、其他眼病)、骨骼状况诊断(例如,骨质疏松症)、其他组织诊断(例如,脑退化)等或它们的任何组合。衍射图案数据的生成可以与乳房造影术仪器、胸部x射线仪器、颅骨x射线仪器、肢体x射线仪器、C形臂x射线仪器等结合。例如,C形臂x射线仪器可以包括两条光路,一条光路用于吸收成像,并且另一条光路用于衍射图案数据生成。
本公开还提供了被编程为实现本公开的方法的计算机系统。图12示出了计算机系统1201,该计算机系统被编程或以其他方式配置为实现本文别处描述的方法(例如,从一个或多个组织衍射仪获得数据、处理数据等)。计算机系统1201可以调节本公开的各种方面,例如诸如图像数据、衍射图案数据、受检者数据或它们的任何组合的处理。计算机系统1201可以是用户的电子装置或者相对于电子装置位于远程的计算机系统。电子装置可以是移动电子装置。计算机系统1201可以是后经典计算机系统(例如,量子计算系统)。
计算机系统1201包括中央处理单元(CPU,这里也称为“处理器”和“计算机处理器”)1205,中央处理单元可以是单核或多核处理器,或者用于并行处理的多个处理器。计算机系统1201还包括存储器或存储器位置1210(例如,随机存取存储器、只读存储器、闪存存储器)、电子存储单元1215(例如,硬盘)、用于与一个或多个其他系统通信的通信接口1220(例如,网络适配器),以及外围设备1225诸如高速缓存、其他存储器、数据存储装置和/或电子显示适配器。存储器1210、存储单元1215、接口1220和外围设备1225通过通信总线(实线)诸如母板与CPU 1205通信。存储单元1215可以是用于存储数据的数据存储单元(或数据存储库)。计算机系统1201可以借助于通信接口1220操作性地耦合到计算机网络(“网络”)1230。网络1230可以是互联网、互联网和/或外联网,或者与互联网通信的内联网和/或外联网。在一些情况下,网络1230是电信和/或数据网络。网络1230可以包括一个或多个计算机服务器,所述一个或多个计算机服务器可以实现分布式计算,诸如云计算。在一些情况下,借助于计算机系统1201,网络1230可以实现对等网络,该对等网络可以使耦合到计算机系统1201的装置能够充当客户端或服务器。
CPU 1205可以执行一系列机器可读指令,该系列机器可读指令可以体现在程序或软件中。指令可以存储在存储器位置,诸如存储器1210。指令可被引导至CPU 1205,该指令随后可编程或以其他方式配置CPU 1205以实现本公开的方法。由CPU 1205执行的操作的示例可以包括提取、解码、执行和写回。
CPU 1205可以是电路诸如集成电路的一部分。系统1201的一个或多个其他部件可以包括在电路中。在一些情况下,电路是专用集成电路(ASIC)。
存储单元1215可以存储文件,诸如驱动程序、库和保存的程序。存储单元1215可以存储用户数据例如用户偏好和用户程序。在一些情况下,计算机系统1201可以包括在计算机系统1201外部的一个或多个附加数据存储单元,诸如位于通过内联网或互联网与计算机系统1201通信的远程服务器上。
计算机系统1201可以通过网络1230与一个或多个远程计算机系统通信。例如,计算机系统1201可以与用户的远程计算机系统(例如,云服务器)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)、平板电脑或平板计算机(例如,iPad、Galaxy Tab)、电话、智能电话(例如,iPhone、支持Android的设备、),或个人数字助理。用户可以经由网络1230访问计算机系统1201。
本文描述的方法可以通过存储在计算机系统1201的电子存储位置诸如存储在存储器1210或电子存储单元1215上的机器(例如,计算机处理器)可执行代码来实现。机器可执行或机器可读代码可以以软件的形式提供。在使用期间,代码可以由处理器1205执行。在一些情况下,可以从存储单元1215中检索代码,并且将代码存储在存储器1210中以便由处理器1205容易地访问。在一些情况下,可以排除电子存储单元1215,并且机器可执行指令存储在存储器1210上。
代码可以被预编译和配置为与具有适于执行代码的处理器的机器一起使用,或者可以在运行时被编译。代码可以用编程语言来提供,该编程语言可被选择以使得代码能够以预编译或按编译原样(as-compiled)的方式执行。
本文提供的系统和方法诸如计算机系统1201的各方面可以在编程中体现。本技术的各个方面可以被认为是“产品”或“制品”,其通常具有被承载在一种机器可读介质上或被体现在一种机器可读介质中的机器(或处理器)可执行代码和/或相关数据的形式。机器可执行代码可以存储在电子存储单元诸如存储器(例如,只读存储器、随机存取存储器、闪存存储器)或硬盘上。“存储”型介质可以包括计算机、处理器等的任何或所有有形存储器或其相关联的模块,诸如各种半导体存储器、磁带驱动器、磁盘驱动器等,其可以在任何时间为软件编程提供非暂时性存储。软件的全部或部分有时可以通过互联网或各种其他电信网络来传送。此类通信例如可以使得能够将软件从一台计算机或处理器加载到另一台计算机或处理器中,例如从管理服务器或主计算机加载到应用服务器的计算机平台中。因此,可以承载软件元素的另一类型的介质包括光、电和电磁波,诸如通过有线和光陆线网络以及通过各种空中链路跨本地装置之间的物理接口使用的。承载此类波的物理元件诸如有线或无线链路、光链路等也可以被认为是承载软件的介质。如本文所用,除非限于非暂时性有形“存储”介质,否则术语诸如计算机或机器“可读介质”是指参与向处理器提供指令以供执行的任何介质。
因此,可读介质诸如计算机可执行代码可以采取多种形式,包括但不限于有形存储介质、载波介质或物理传输介质。非易失性存储介质包括例如光盘或磁盘,诸如任何计算机中的任何存储装置等,诸如可用于实现附图中所示的数据库等。易失性存储介质包括动态存储器,诸如此类计算机平台的主存储器。有形传输介质包括同轴电缆;铜线和光纤,包括构成计算机系统内的总线的导线。载波传输介质可以采取电信号或电磁信号的形式,或者声波或光波的形式,诸如在射频(RF)和红外(IR)数据通信期间生成的那些。因此,计算机可读介质的常见形式包括例如:软盘、柔性盘、硬盘、磁带、任何其他磁介质、CD-ROM、DVD或DVD-ROM、任何其他光学介质、穿孔卡、纸带、具有孔图案的任何其他物理存储介质、RAM、ROM、PROM和EPROM、FLASH-EPROM、任何其他存储器芯片或盒、传输数据或指令的载波、传输此类载波的电缆或链路、或者计算机可以从中读取程序代码和/或数据的任何其他介质。许多这些形式的计算机可读介质可涉及将一个或多个指令的一个或多个序列传送到处理器以供执行。
计算机系统1201可以包括电子显示器1235或与该电子显示器通信,该电子显示器包括用户界面(UI)1240,该用户界面用于提供例如用于医疗保健或个体受检者将图像数据、衍射图案数据、受检者数据或它们的任何组合上传到计算机数据库的界面。UI的示例包括但不限于图形用户界面(GUI)和基于Web的用户界面。
本公开的方法和系统可以通过一种或多种算法来实现。在由中央处理单元1205执行时,算法可以通过软件来实现。例如,该算法可以是如本文别处所述的机器学习算法。
实施例
以下实施例是本文所述的某些系统和方法的说明,而不是限制性的。
实施例1乳腺组织的X射线衍射测量
图5A至图5B示出了小角x射线衍射数据的实施例。图5A的正常组织衍射图案在衍射图案中呈现清晰的峰,诸如被称为y轴峰501和x轴峰502的那些峰。峰501和502的尺寸和距离的非对称性可以指示在每个方向上不同尺寸的域。因为2D衍射图案在q空间中(例如,尺寸为1/nm),因此与在较低q处并且因此较大范围的峰502相比,峰501可以指示较短程排序。衍射斑点503的存在可以指示组织内高度有序且均匀的图案(例如,线、点阵)的存在。基于这种衍射图案,非对称长程排序和短程排序的存在可以是健康乳腺组织的指标,诸如组织中存在不间断的胶原或存在未受干扰的原纤维。相比之下,从患有已知疾病的乳腺组织拍摄的图5B的衍射图案示出了弱的对称衍射峰504。与图5A中的峰相比,峰504较弱并且未表现出非对称排序。这是因为乳腺组织中的疾病导致组织的破坏和长程有序的破坏。例如,图3A至图3B的组织示出了健康有序组织和不健康无序组织之间的差异,这种差异会产生如图5A至图5B所示的衍射图案。
图6A至图6B示出了来自患有已知疾病的乳腺组织的小角x射线衍射数据的实施例。图6A的衍射图案可以被径向积分(例如,可以拍摄图像的切片并且所述切片可围绕中心旋转,如图上所示),以生成如图6B中所见的2D衍射图案。图6A的高强度区域中的每个高强度区域可以在图6B的衍射图案中产生峰。虽然径向积分可以去除关于轴向分量和赤道分量之间的信号分布的信息,但是其还可以改善信噪比并提供显示衍射数据的便利方式。另外,从衍射图像中知道峰的近似q值可以使得能够跟踪衍射图案中的峰,因为可以将图像中的q位置与积分图案中的峰相关。读取图6B的衍射图案,其中衍射图像的中心对应于图案的最左侧,并且较大的q对应于衍射图像的边缘。因为q是以空间的倒数为单位,所以较高的q峰对应于较小的间距。例如,图6B的第五轴向峰对应于具有大约0.5纳米倒数的特征尺寸的排序。峰的强度以及位置、宽度(例如,半峰全宽)、形状(例如,高斯形状、洛伦兹形状)或它们的任何组合可以是组织的有序状态的指标,该有序状态可以与疾病的存在或不存在相关。诸如图6A的衍射图像以及诸如图6B的衍射图案可以用作被配置为检测癌症的存在或不存在的机器学习算法的输入数据。
图7示出了从被绘制以说明不同组织类型的聚类的x射线衍射图案中提取的数据的实施例。在该实施例中,将多个数据集中的两个峰d1和d2的强度相对于彼此绘制以形成散点图。然后,卷积神经网络可以处理数据,以便不仅基于两个峰的相对强度,而且基于来自衍射图案的其他数据和相关乳房造影术数据来对点进行聚类。然后,神经网络可以为聚类中的每个聚类分配指标,以帮助诊断。在该实施例中,聚类被标记为非癌(N)、恶性(M)、可疑(B)和指示钙沉积物(C)。在一个实施例中,新的衍射图案被处理并显示出0.91的d1峰强度和1.05的d2峰强度。在该实施例中,新的衍射图案可以被分类为恶性乳腺样本,因为新的数据最适合恶性聚类。然后可以用新数据更新神经网络,以提高神经网络对未来数据的有效性。
所公开的方法和系统的另一个应用是监测癌症治疗或疾病疗法(例如,药品)的疗效。受检者(例如,患者)可以在治疗处理开始后、治疗期间或完成后的各种时间点进行一次或多次随访检查,并且对从图像数据、衍射数据、受检者数据或它们的任何组合的分析中得到的数据聚类进行分析并针对样本数据特性和聚类的变化被重新评估。因此,数据分析算法可以例如在由描述样本数据聚类的两个或更多个治疗参数定义的n维空间中绘制患者样本数据点,并且不同聚类之间的距离或距离变化可以作为时间的函数来计算。在一些情况下,例如,新数据点到先前数据点的接近度,或者某些数据聚类的轨迹(或者轨迹的梯度)可以用作治疗效果的指标,并且可以由医生根据治疗效率来解释。在一些情况下,针对多个检查生成的数据分析算法(例如,计算机辅助诊断指标)的输出可以直接用于监测治疗处理的功效。比较多个患者样本的随访评估结果可以提供特定患者组中某些药物和治疗的有效性的指示。
本公开的其他方面
1.一种系统,其包括:(a)一个或多个组织衍射仪,所述一个或多个组织衍射仪通过网络操作性地耦合到计算机数据库,其中所述一个或多个组织衍射仪中的组织衍射仪被配置用于采集原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合,并通过所述网络将所述数据传送至所述计算机数据库;以及(b)一个或多个计算机处理器,所述一个或多个计算机处理器操作性地耦合到所述一个或多个组织衍射仪,其中所述一个或多个计算机处理器被单独或共同配置为:(i)从所述一个或多个组织衍射仪接收所述原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合;(ii)将所述原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合传输至所述计算机数据库;以及(iii)使用为个体受检者提供计算机辅助诊断指标的数据分析算法来处理所述个体受检者的所述原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合。
2.如方面1所述的系统,还包括用户界面,所述用户界面允许个体受检者或其医疗保健提供者将所述个体受检者的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合上传到所述计算机数据库,以交换对所述个体受检者的原位图像数据、原位衍射图案数据、受检者数据的处理,从而接收所述个体受检者的所述计算机辅助诊断指标。
3.如方面2所述的系统,其中所述用户界面被进一步配置为允许个体受检者或其医疗保健提供者进行支付或上传个体受检者的签署的同意书。
4.如方面1至3中任一项所述的系统,包括位于两个或更多个不同地理位置的两个或更多个组织衍射仪。
5.如方面1至4中任一项所述的系统,其中所述一个或多个组织衍射仪包括数据加密装置,所述数据加密装置包括全球定位系统(GPS)定位传感器并生成加密的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合,传送到所述计算机数据库的所述加密的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合跟踪所述一个或多个组织衍射仪的位置变化。
6.如方面1至5中任一项所述的系统,其中所述一个或多个组织衍射仪被配置为执行小角X射线散射(SAXS)测量。
7.如方面1至6中任一项所述的系统,其中所述一个或多个组织衍射仪被配置为执行广角X射线散射(WAXS)测量。
8.如方面1至7中任一项所述的系统,其中所述一个或多个组织衍射仪被进一步配置为执行乳房造影术。
9.如方面8所述的系统,其中根据乳房X线照片确定用于引导X射线束的一组目标坐标。
10.如方面1至9中任一项所述的系统,其中所述计算机数据库驻留在中央服务器上。
11.如方面1至10中任一项所述的系统,其中所述计算机数据库驻留在所述云中。
12.如方面10或方面11所述的系统,其中传送到所述计算机数据库的所述原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合在传送之前被去个性化。
13.如方面12所述的系统,其中用于将存储在所述计算机数据库中的去个性化的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合映射到个体受检者的密钥存储在本地机构数据库或所述个体受检者的个人文件中。
14.如方面1至13中任一项所述的系统,其中所述数据分析算法包括对衍射图案数据或其函数的统计分析。
15.如方面14所述的系统,其中所述统计分析包括确定成对距离分布函数、确定Patterson函数、计算Porod不变量、聚类分析、色散分析、确定一个或多个分子结构周期性或它们的任何组合。
16.如方面15所述的系统,其中所述统计分析包括确定胶原的结构周期性。
17.如方面15所述的系统,其中所述统计分析包括确定一种或多种脂质的结构周期性。
18.如方面15所述的系统,其中所述统计分析包括确定组织的结构周期性。
19.如方面1至18中任一项所述的系统,其中所述数据分析算法包括机器学习算法。
20.如方面19所述的系统,其中所述机器学习算法包括监督学习算法、非监督学习算法、半监督学习算法、增强学习算法、深度学习算法或它们的任何组合。
21.如方面20所述的系统,其中所述机器学习算法是深度学习算法。
22.如方面21所述的系统,其中所述深度学习算法是卷积神经网络、循环神经网络或循环卷积神经网络。
23.如方面19至22中任一项所述的系统,其中使用训练数据集来训练机器学习算法,所述训练数据集包括存储在所述计算机数据库中的针对特定病理学或生理学常模团体的图像数据、衍射图案数据、受检者数据或它们的任何组合。
24.如方面23所述的系统,其中随着新的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合被上传到所述计算机数据库,所述训练数据集被更新。
25.如方面1至24中任一项所述的系统,其中所述受检者数据包括个体受检者的年龄、性别、祖先数据、遗传数据、行为数据或它们的任何组合。
26.如方面1至25中任一项所述的系统,其中所述个体受检者的所述计算机辅助诊断指标包括所述个体受检者患有癌症的可能性的指标。
27.如方面26所述的系统,其中所述个体受检者患有癌症的所述可能性的所述指标是所述个体受检者患有乳腺癌的所述可能性的指标。
28.如方面1至25中任一项所述的系统,其中所述个体受检者的所述计算机辅助诊断指标包括所述个体受检者患有癌症的诊断。
29.如方面28所述的系统,其中所述个体受检者患有癌症的所述诊断是所述个体受检者患有乳腺癌的诊断。
30.一种方法,包括:(a)使用通过网络操作性地耦合到计算机数据库的多个组织衍射仪中的一个组织衍射仪采集数据,所述数据包括个体受检者的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合,其中所述多个组织衍射仪被配置用于采集所述数据并通过所述网络将所述数据传送到所述计算机数据库;(b)使用操作性地耦合到所述多个组织衍射仪的一个或多个计算机处理器:(i)从所述多个组织衍射仪接收包括原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的数据,所述多个组织衍射仪通过网络操作性地耦合到计算机数据库,并且被配置用于通过网络将包括原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的数据传送到计算机数据库;(ii)将包括所述原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的所述数据传输到所述计算机数据库;以及(iii)使用为所述个体受检者提供计算机辅助诊断指标的数据分析算法来处理包括所述个体受检者的所述原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的所述数据。
31.如方面30所述的方法,还包括提供用户界面,所述用户界面允许所述个体受检者或其医疗保健提供者将包括原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的所述个体受检者的数据上传到所述计算机数据库,以交换对所述个体受检者的数据的处理,从而接收所述个体受检者的所述计算机辅助诊断指标。
32.如方面31所述的方法,其中所述用户界面被进一步配置为允许所述个体受检者或其医疗保健提供者进行支付或上传个体受检者的签署的同意书。
33.如方面30至32中任一项所述的方法,其中所述多个组织衍射仪包括位于两个或更多个不同地理位置的两个或更多个组织衍射仪。
34.如方面30至33中任一项所述的方法,其中所述多个组织衍射仪包括数据加密装置,所述数据加密装置包括全球定位系统(GPS)定位传感器并生成加密数据,并且传送到所述计算机数据库的所述加密数据跟踪所述多个组织衍射仪的位置变化。
35.如方面30至34中任一项所述的方法,其中所述多个组织衍射仪被配置为执行小角X射线散射(SAXS)测量。
36.如方面30至35中任一项所述的方法,其中所述多个组织衍射仪被配置为执行广角X射线散射(WAXS)测量。
37.如方面30至36中任一项所述的方法,其中所述多个组织衍射仪被进一步配置为执行乳房造影术。
38.如方面37所述的方法,其中根据乳房X线照片确定用于引导X射线束的一组目标坐标。
39.如方面30至38中任一项所述的方法,其中所述计算机数据库驻留在中央服务器上。
40.如方面30至39中任一项所述的方法,其中所述计算机数据库驻留在所述云中。
41.如方面39或方面40所述的方法,其中传送到所述计算机数据库的包括原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的所述数据在传送之前被去个性化。
42.如方面41所述的方法,其中用于将存储在所述计算机数据库中的所述去个性化的数据映射到所述个体受检者的密钥存储在本地机构数据库或所述个体受检者的个人文件中。
43.如方面30至42中任一项所述的方法,其中所述数据分析算法包括对衍射图案数据或其函数的统计分析。
44.如方面43所述的方法,其中所述统计分析包括确定成对距离分布函数、确定Patterson函数、计算Porod不变量、聚类分析、色散分析、确定一个或多个分子结构周期性或它们的任何组合。
45.如方面44所述的方法,其中所述统计分析包括确定胶原的结构周期性。
46.如方面44所述的方法,其中所述统计分析包括确定脂质的结构周期性。
47.如方面44所述的方法,其中所述统计分析包括确定组织的结构周期性。
48.如方面30至47中任一项所述的方法,其中所述数据分析算法包括机器学习算法。
49.如方面48所述的方法,其中所述机器学习算法包括监督学习算法、非监督学习算法、半监督学习算法、增强学习算法、深度学习算法或它们的任何组合。
50.如方面49所述的方法,其中所述机器学习算法是深度学习算法。
51.如方面50所述的方法,其中所述深度学习算法是卷积神经网络、循环神经网络或循环卷积神经网络。
52.如方面48至51中任一项所述的方法,其中使用训练数据集来训练所述机器学习算法,所述训练数据集包括存储在所述计算机数据库中的针对特定病理学或生理学常模团体的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合。
53.如方面52所述的方法,其中随着包括新的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的新的数据被上传到所述计算机数据库,所述训练数据集被更新。
54.如方面30至53中任一项所述的方法,其中所述受检者数据包括个体受检者的年龄、性别、祖先数据、遗传数据、行为数据或它们的任何组合。
55.如方面30至54中任一项所述的方法,其中所述个体受检者的所述计算机辅助诊断指标包括所述个体受检者患有癌症的所述可能性的指标。
56.如方面55所述的方法,其中所述个体受检者患有癌症的所述可能性的所述指标是所述个体受检者患有乳腺癌的所述可能性的指标。
57.如方面30至54中任一项所述的方法,其中所述个体受检者的所述计算机辅助诊断指标包括所述个体受检者患有癌症的诊断。
58.如方面57所述的系统,其中所述个体受检者患有癌症的所述诊断是所述个体受检者患有乳腺癌的诊断。
59.如方面30至58中任一项所述的方法,还包括在一个或多个随后的时间点重复(a)-(b),以在所述个体受检者经历治疗处理时监测所述个体受检者的疾病状态。
60.如方面59所述的方法,其中由所述计算机辅助诊断指标指示的所述个体受检者的所述疾病状态的变化速率提供了所述治疗处理的功效的度量。
虽然本文已经示出和描述了本发明的优选实施方案,但是对于本领域技术人员显而易见的是,这些实施方案仅仅是作为示例提供的。这并不意味着本发明受说明书中提供的具体示例的限制。虽然已经参考前述说明书描述了本发明,但是本文的实施方案的描述和图示并不意味着以限制的意义来解释。在不脱离本发明的情况下,本领域技术人员将会想到许多变化、改变和替换。此外,应当理解,本发明的所有方面不限于本文阐述的特定描述、配置或相对比例,其取决于各种条件和变量。应当理解,在实施本发明时可以采用本文所述的本发明实施方案的各种替代方案。因此,可以设想本发明还将覆盖任何此类替代、修改、变化或等效物。下面的权利要求书旨在限定本发明的范围,并且这些权利要求书范围内的方法和结构及其等同物由此被覆盖。
Claims (60)
1.一种系统,其包括:
(a)一个或多个组织衍射仪,所述一个或多个组织衍射仪通过网络操作性地耦合到计算机数据库,其中所述一个或多个组织衍射仪中的组织衍射仪被配置用于采集原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合,并通过所述网络将所述数据传送至所述计算机数据库;以及
(b)一个或多个计算机处理器,所述一个或多个计算机处理器操作性地耦合到所述一个或多个组织衍射仪,其中所述一个或多个计算机处理器被单独或共同配置为:
(i)从所述一个或多个组织衍射仪接收所述原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合;
(ii)将所述原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合传输至所述计算机数据库;并且
(iii)使用为个体受检者提供计算机辅助诊断指标的数据分析算法来处理所述个体受检者的所述原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合。
2.如权利要求1所述的系统,其还包括用户界面,所述用户界面允许个体受检者或其医疗保健提供者将所述个体受检者的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合上传到所述计算机数据库,以交换对所述个体受检者的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的处理,从而接收所述个体受检者的所述计算机辅助诊断指标。
3.如权利要求2所述的系统,其中所述用户界面被进一步配置为允许个体受检者或其医疗保健提供者进行支付或上传个体受检者的签署的同意书。
4.如权利要求1至3中任一项所述的系统,其包括位于两个或更多个不同地理位置的两个或更多个组织衍射仪。
5.如权利要求1至4中任一项所述的系统,其中所述一个或多个组织衍射仪包括数据加密装置,所述数据加密装置包括全球定位系统(GPS)定位传感器并生成加密的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合,传送到所述计算机数据库的所述加密的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合跟踪所述一个或多个组织衍射仪的位置变化。
6.如权利要求1至5中任一项所述的系统,其中所述一个或多个组织衍射仪被配置为执行小角X射线散射(SAXS)测量。
7.如权利要求1至6中任一项所述的系统,其中所述一个或多个组织衍射仪被配置为执行广角X射线散射(WAXS)测量。
8.如权利要求1至7中任一项所述的系统,其中所述一个或多个组织衍射仪被进一步配置为执行乳房造影术。
9.如权利要求8所述的系统,其中根据乳房X线照片确定用于引导X射线束的一组目标坐标。
10.如权利要求1至9中任一项所述的系统,其中所述计算机数据库驻留在中央服务器上。
11.如权利要求1至10中任一项所述的系统,其中所述计算机数据库驻留在所述云中。
12.如权利要求10或权利要求11所述的系统,其中传送到所述计算机数据库的所述原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合在传送之前被去个性化。
13.如权利要求12所述的系统,用于将存储在所述计算机数据库中的去个性化的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合映射到个体受检者的密钥存储在本地机构数据库或所述个体受检者的个人文件中。
14.如权利要求1至13中任一项所述的系统,其中所述数据分析算法包括对衍射图案数据或其函数的统计分析。
15.如权利要求14所述的系统,其中所述统计分析包括确定成对距离分布函数、确定Patterson函数、计算Porod不变量、聚类分析、色散分析、确定一个或多个分子结构周期性或它们的任何组合。
16.如权利要求15所述的系统,其中所述统计分析包括确定胶原的结构周期性。
17.如权利要求15所述的系统,其中所述统计分析包括确定一种或多种脂质的结构周期性。
18.如权利要求15所述的系统,其中所述统计分析包括确定组织的结构周期性。
19.如权利要求1至18中任一项所述的系统,其中所述数据分析算法包括机器学习算法。
20.如权利要求19所述的系统,其中所述机器学习算法包括监督学习算法、非监督学习算法、半监督学习算法、增强学习算法、深度学习算法或它们的任何组合。
21.如权利要求20所述的系统,其中所述机器学习算法是深度学习算法。
22.如权利要求21所述的系统,其中所述深度学习算法是卷积神经网络、循环神经网络或循环卷积神经网络。
23.如权利要求19至22中任一项所述的系统,其中使用训练数据集来训练所述机器学习算法,所述训练数据集包括存储在所述计算机数据库中的针对特定病理学或生理学常模团体的图像数据、衍射图案数据、受检者数据或它们的任何组合。
24.如权利要求23所述的系统,其中随着新的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合被上传到所述计算机数据库,所述训练数据集被更新。
25.如权利要求1至24中任一项所述的系统,其中所述受检者数据包括个体受检者的年龄、性别、祖先数据、遗传数据、行为数据或它们的任何组合。
26.如权利要求1至25中任一项所述的系统,其中所述个体受检者的所述计算机辅助诊断指标包括所述个体受检者患有癌症的可能性的指标。
27.如权利要求26所述的系统,其中所述个体受检者患有癌症的所述可能性的所述指标是所述个体受检者患有乳腺癌的所述可能性的指标。
28.如权利要求1至25中任一项所述的系统,其中所述个体受检者的所述计算机辅助诊断指标包括所述个体受检者患有癌症的诊断。
29.如权利要求28所述的系统,其中所述个体受检者患有癌症的所述诊断是所述个体受检者患有乳腺癌的诊断。
30.一种方法,其包括:
(a)使用通过网络操作性地耦合到计算机数据库的多个组织衍射仪中的一个组织衍射仪采集数据,所述数据包括个体受检者的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合,其中所述多个组织衍射仪被配置用于采集所述数据并通过所述网络将所述数据传送到所述计算机数据库;
(b)使用操作性地耦合到所述多个组织衍射仪的一个或多个计算机处理器:
(i)从所述多个组织衍射仪接收包括原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的所述数据,所述多个组织衍射仪通过所述网络操作性地耦合到所述计算机数据库,并且被配置用于通过所述网络将包括原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的所述数据传送到所述计算机数据库;
(ii)将包括所述原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的所述数据传输到所述计算机数据库;以及
(iii)使用为所述个体受检者提供计算机辅助诊断指标的数据分析算法来处理包括所述个体受检者的所述原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的所述数据。
31.如权利要求30所述的方法,其还包括提供用户界面,所述用户界面允许所述个体受检者或其医疗保健提供者将包括原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的所述个体受检者的数据上传到所述计算机数据库,以交换对所述个体受检者的数据的处理,从而接收所述个体受检者的所述计算机辅助诊断指标。
32.如权利要求31所述的方法,其中所述用户界面被进一步配置为允许所述个体受检者或其医疗保健提供者进行支付或上传个体受检者的签署的同意书。
33.如权利要求30至32中任一项所述的方法,其中所述多个组织衍射仪包括位于两个或更多个不同地理位置的两个或更多个组织衍射仪。
34.如权利要求30至33中任一项所述的方法,其中所述多个组织衍射仪包括数据加密装置,所述数据加密装置包括全球定位系统(GPS)定位传感器并生成加密数据,并且传送到所述计算机数据库的所述加密数据跟踪所述多个组织衍射仪的位置变化。
35.如权利要求30至34中任一项所述的方法,其中所述多个组织衍射仪被配置为执行小角X射线散射(SAXS)测量。
36.如权利要求30至35中任一项所述的方法,其中所述多个组织衍射仪被配置为执行广角X射线散射(WAXS)测量。
37.如权利要求30至36中任一项所述的方法,其中所述多个组织衍射仪被进一步配置为执行乳房造影术。
38.如权利要求37所述的方法,其中根据乳房X线照片确定用于引导X射线束的一组目标坐标。
39.如权利要求30至38中任一项所述的方法,其中所述计算机数据库驻留在中央服务器上。
40.如权利要求30至39中任一项所述的方法,其中所述计算机数据库驻留在所述云中。
41.如权利要求39或权利要求40所述的方法,其中传送到所述计算机数据库的包括原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的所述数据在传送之前被去个性化。
42.如权利要求41所述的方法,其中用于将存储在所述计算机数据库中的所述去个性化的数据映射到所述个体受检者的密钥存储在本地机构数据库或所述个体受检者的个人文件中。
43.如权利要求30至42中任一项所述的方法,其中所述数据分析算法包括对衍射图案数据或其函数的统计分析。
44.如权利要求43所述的方法,其中所述统计分析包括确定成对距离分布函数、确定Patterson函数、计算Porod不变量、聚类分析、色散分析、确定一个或多个分子结构周期性或它们的任何组合。
45.如权利要求44所述的方法,其中所述统计分析包括确定胶原的结构周期性。
46.如权利要求44所述的方法,其中所述统计分析包括确定脂质的结构周期性。
47.如权利要求44所述的方法,其中所述统计分析包括确定组织的结构周期性。
48.如权利要求30至47中任一项所述的方法,其中所述数据分析算法包括机器学习算法。
49.如权利要求48所述的方法,其中所述机器学习算法包括监督学习算法、非监督学习算法、半监督学习算法、增强学习算法、深度学习算法或它们的任何组合。
50.如权利要求49所述的方法,其中所述机器学习算法是深度学习算法。
51.如权利要求50所述的方法,其中所述深度学习算法是卷积神经网络、循环神经网络或循环卷积神经网络。
52.如权利要求48至51中任一项所述的方法,其中使用训练数据集来训练所述机器学习算法,所述训练数据集包括存储在所述计算机数据库中的针对特定病理学或生理学常模团体的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合。
53.如权利要求52所述的方法,其中随着包括新的原位图像数据、原位衍射图案数据、受检者数据或它们的任何组合的新的数据被上传到所述计算机数据库,所述训练数据集被更新。
54.如权利要求30至53中任一项所述的方法,其中所述受检者数据包括个体受检者的年龄、性别、祖先数据、遗传数据、行为数据或它们的任何组合。
55.如权利要求30至54中任一项所述的方法,其中所述个体受检者的所述计算机辅助诊断指标包括所述个体受检者患有癌症的可能性的指标。
56.如权利要求55所述的方法,其中所述个体受检者患有癌症的所述可能性的所述指标是所述个体受检者患有乳腺癌的所述可能性的指标。
57.如权利要求30至54中任一项所述的方法,其中所述个体受检者的所述计算机辅助诊断指标包括所述个体受检者患有癌症的诊断。
58.如权利要求57所述的系统,其中所述个体受检者患有癌症的所述诊断是所述个体受检者患有乳腺癌的诊断。
59.如权利要求30至58中任一项所述的方法,其还包括在一个或多个随后的时间点重复(a)-(b),以在所述个体受检者经历治疗处理时监测所述个体受检者的疾病状态。
60.如权利要求59所述的方法,其中由所述计算机辅助诊断指标指示的所述个体受检者的所述疾病状态的变化速率提供所述治疗处理的功效的度量。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063039345P | 2020-06-15 | 2020-06-15 | |
US63/039,345 | 2020-06-15 | ||
PCT/US2021/037224 WO2021257451A1 (en) | 2020-06-15 | 2021-06-14 | Diffractometer-based global in situ diagnostic system |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115769069A true CN115769069A (zh) | 2023-03-07 |
Family
ID=79171412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180042558.4A Pending CN115769069A (zh) | 2020-06-15 | 2021-06-14 | 基于衍射仪的全局原位诊断系统 |
Country Status (3)
Country | Link |
---|---|
US (2) | US11607188B2 (zh) |
EP (1) | EP4165397A4 (zh) |
CN (1) | CN115769069A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11607188B2 (en) | 2020-06-15 | 2023-03-21 | Eosdx Inc. | Diffractometer-based global in situ diagnostic system |
US20230341340A1 (en) * | 2022-04-20 | 2023-10-26 | Arion Diagnostics, Inc. | Diffractive analyzer of patient tissue |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5717733A (en) | 1995-05-31 | 1998-02-10 | Quanta Vision, Inc. | X-ray and neutron diffractometric imaging of the internal structure of objects |
US6175117B1 (en) * | 1998-01-23 | 2001-01-16 | Quanta Vision, Inc. | Tissue analysis apparatus |
EP1120086A4 (en) * | 1998-09-17 | 2003-05-21 | Quanta Vision Inc | DEVICE FOR REDUCED ANGLE MAMMOGRAPHY AND VARIANTS |
US10012589B2 (en) | 2013-08-16 | 2018-07-03 | The General Hospital Corporation | Portable diffraction-based imaging and diagnostic systems and methods |
WO2015143455A1 (en) | 2014-03-21 | 2015-09-24 | Leonard Ginsburg | Medical services tracking system and method |
DE102015003019A1 (de) | 2015-03-06 | 2016-09-08 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und Vorrichtung zur optischen Detektion einer Bewegung in einer biologischen Probe mit räumlicher Ausdehnung |
US20180122499A1 (en) | 2015-05-04 | 2018-05-03 | 3M Innovative Properties Company | Computer-assisted medical information analysis |
KR101931754B1 (ko) | 2016-12-28 | 2018-12-24 | 대구가톨릭대학교산학협력단 | 모발 구조의 영상 스크리닝을 통한 체외 유방암 스크리닝 진단장치 |
US20200098476A1 (en) | 2018-09-25 | 2020-03-26 | Clover Health | Dynamic prompting for diagnosis suspecting |
WO2021257451A1 (en) | 2020-06-15 | 2021-12-23 | Nista Diagnostics Inc. | Diffractometer-based global in situ diagnostic system |
WO2021257457A1 (en) | 2020-06-15 | 2021-12-23 | Bragg Analytics, Inc. | Diffraction-based global in vitro diagnostic system |
US11607188B2 (en) * | 2020-06-15 | 2023-03-21 | Eosdx Inc. | Diffractometer-based global in situ diagnostic system |
EP4165652A4 (en) | 2020-06-15 | 2024-06-12 | Bragg Analytics, Inc. | DIFFRACTION-BASED GLOBAL IN VITRO DIAGNOSTIC SYSTEM |
-
2021
- 2021-06-14 US US17/593,846 patent/US11607188B2/en active Active
- 2021-06-14 EP EP21826535.3A patent/EP4165397A4/en active Pending
- 2021-06-14 CN CN202180042558.4A patent/CN115769069A/zh active Pending
- 2021-09-26 US US17/448,888 patent/US11751828B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US11751828B2 (en) | 2023-09-12 |
EP4165397A4 (en) | 2024-06-26 |
US20220415505A1 (en) | 2022-12-29 |
EP4165397A1 (en) | 2023-04-19 |
US11607188B2 (en) | 2023-03-21 |
US20220008027A1 (en) | 2022-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7039153B2 (ja) | 敵対的生成ネットワークを使用した画像強調 | |
US20190332900A1 (en) | Modality-agnostic method for medical image representation | |
US11751828B2 (en) | Diffractometer-based global in situ diagnostic system | |
Rautela et al. | A systematic review on breast cancer detection using deep learning techniques | |
Liu et al. | Deep learning classification of breast cancer tissue from terahertz imaging through wavelet synchro-squeezed transformation and transfer learning | |
Arendt et al. | Radiomics of high-resolution computed tomography for the differentiation between cholesteatoma and middle ear inflammation: effects of post-reconstruction methods in a dual-center study | |
Saha et al. | Machine learning applications in imaging analysis for patients with pituitary tumors: a review of the current literature and future directions | |
US20220249868A1 (en) | Radiotherapy plan parameters with privacy guarantees | |
Abidin et al. | Classification of micro-CT images using 3D characterization of bone canal patterns in human osteogenesis imperfecta | |
Dong et al. | Detection of cervical lymph node metastasis from oral cavity cancer using a non-radiating, noninvasive digital infrared thermal imaging system | |
Nagarajan et al. | Integrating dimension reduction and out-of-sample extension in automated classification of ex vivo human patellar cartilage on phase contrast x-ray computed tomography | |
WO2021257457A1 (en) | Diffraction-based global in vitro diagnostic system | |
Akram et al. | Segmentation and classification of skin lesions using hybrid deep learning method in the Internet of Medical Things | |
Di Biasi et al. | Refactoring and performance analysis of the main CNN architectures: using false negative rate minimization to solve the clinical images melanoma detection problem | |
Xu et al. | Deep learning assisted contrast-enhanced CT–based diagnosis of cervical lymph node metastasis of oral cancer: a retrospective study of 1466 cases | |
Bansal et al. | Artificial intelligence techniques in health informatics for oral cancer detection | |
Singh et al. | A novel deep learning-based technique for detecting prostate cancer in MRI images | |
US20220013227A1 (en) | Diffractometer-based global in situ diagnostic system for animals | |
WO2021257451A1 (en) | Diffractometer-based global in situ diagnostic system | |
López-Gómez et al. | ALTEA: a software tool for the evaluation of new biomarkers for Alzheimer’s disease by means of textures analysis on magnetic resonance images | |
US20240016462A1 (en) | X-ray system and method for tissue structural analysis and imaging | |
Ye et al. | Automated segmentation of mass regions in DBT images using a dilated DCNN approach | |
US20240000412A1 (en) | X-ray system and method for tissue structural analysis and imaging | |
US20230113064A1 (en) | Diagnostic system using diffraction analysis of in vitro samples | |
Nomura et al. | Computer-aided diagnosis for screening of lower extremity lymphedema in pelvic computed tomography images using deep learning |
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 |