CN116075835A - 自动化疾病检测系统 - Google Patents
自动化疾病检测系统 Download PDFInfo
- Publication number
- CN116075835A CN116075835A CN202180049741.7A CN202180049741A CN116075835A CN 116075835 A CN116075835 A CN 116075835A CN 202180049741 A CN202180049741 A CN 202180049741A CN 116075835 A CN116075835 A CN 116075835A
- Authority
- CN
- China
- Prior art keywords
- cells
- cell
- values
- ifa
- value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 201000010099 disease Diseases 0.000 title claims abstract description 30
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000010166 immunofluorescence Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 238000003556 assay Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 3
- 208000002454 Nasopharyngeal Carcinoma Diseases 0.000 abstract description 19
- 206010061306 Nasopharyngeal cancer Diseases 0.000 abstract description 15
- 201000011216 nasopharynx carcinoma Diseases 0.000 abstract description 15
- 238000012360 testing method Methods 0.000 abstract description 12
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 abstract description 8
- 239000000427 antigen Substances 0.000 abstract description 3
- 102000036639 antigens Human genes 0.000 abstract description 3
- 108091007433 antigens Proteins 0.000 abstract description 3
- 241000701044 Human gammaherpesvirus 4 Species 0.000 abstract 2
- 210000004027 cell Anatomy 0.000 description 76
- 238000009826 distribution Methods 0.000 description 16
- 230000035945 sensitivity Effects 0.000 description 12
- 238000012216 screening Methods 0.000 description 11
- 210000002966 serum Anatomy 0.000 description 10
- 230000008901 benefit Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010186 staining Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010790 dilution Methods 0.000 description 4
- 239000012895 dilution Substances 0.000 description 4
- 210000005155 neural progenitor cell Anatomy 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- 208000023275 Autoimmune disease Diseases 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007420 reactivation Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- QGVLYPPODPLXMB-UBTYZVCOSA-N (1aR,1bS,4aR,7aS,7bS,8R,9R,9aS)-4a,7b,9,9a-tetrahydroxy-3-(hydroxymethyl)-1,1,6,8-tetramethyl-1,1a,1b,4,4a,7a,7b,8,9,9a-decahydro-5H-cyclopropa[3,4]benzo[1,2-e]azulen-5-one Chemical compound C1=C(CO)C[C@]2(O)C(=O)C(C)=C[C@H]2[C@@]2(O)[C@H](C)[C@@H](O)[C@@]3(O)C(C)(C)[C@H]3[C@@H]21 QGVLYPPODPLXMB-UBTYZVCOSA-N 0.000 description 1
- RSWGJHLUYNHPMX-UHFFFAOYSA-N Abietic-Saeure Natural products C12CCC(C(C)C)=CC2=CCC2C1(C)CCCC2(C)C(O)=O RSWGJHLUYNHPMX-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000002965 ELISA Methods 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 102000002067 Protein Subunits Human genes 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000011529 RT qPCR Methods 0.000 description 1
- KHPCPRHQVVSZAH-HUOMCSJISA-N Rosin Natural products O(C/C=C/c1ccccc1)[C@H]1[C@H](O)[C@@H](O)[C@@H](O)[C@@H](CO)O1 KHPCPRHQVVSZAH-HUOMCSJISA-N 0.000 description 1
- 239000004809 Teflon Substances 0.000 description 1
- 229920006362 Teflon® Polymers 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000423 cell based assay Methods 0.000 description 1
- 239000006285 cell suspension Substances 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 108700010919 epstein-barr-virus proteins Proteins 0.000 description 1
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000002850 nasal mucosa Anatomy 0.000 description 1
- 239000013642 negative control Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- QGVLYPPODPLXMB-QXYKVGAMSA-N phorbol Natural products C[C@@H]1[C@@H](O)[C@]2(O)[C@H]([C@H]3C=C(CO)C[C@@]4(O)[C@H](C=C(C)C4=O)[C@@]13O)C2(C)C QGVLYPPODPLXMB-QXYKVGAMSA-N 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 239000013641 positive control Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000012898 sample dilution Substances 0.000 description 1
- 230000003248 secreting effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000405 serological effect Effects 0.000 description 1
- MFBOGIVSZKQAPD-UHFFFAOYSA-M sodium butyrate Chemical compound [Na+].CCCC([O-])=O MFBOGIVSZKQAPD-UHFFFAOYSA-M 0.000 description 1
- 239000006228 supernatant Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- KHPCPRHQVVSZAH-UHFFFAOYSA-N trans-cinnamyl beta-D-glucopyranoside Natural products OC1C(O)C(O)C(CO)OC1OCC=CC1=CC=CC=C1 KHPCPRHQVVSZAH-UHFFFAOYSA-N 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T2207/30072—Microarray; Biochip, DNA array; Well plate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及提供自动化系统和计算机实施的方法以用于基于使用模糊推理(FI)系统或深度学习模糊推理(DeLFI)混合模型以分析免疫荧光试验(IFA)图像来检测诸如鼻咽癌(NPC)的疾病。针对NPC检测，本发明的系统和方法将区分Epstein Barr病毒(EBV)早期抗原(EA)阳性和阴性细胞，并且识别指示NPC的细胞图案。DeLFI混合模型需要较少人类评价并且因此具有改进NPC检测的可扩展性和准确度的潜力。
Description
技术领域
公开了与疾病检测相关的实施例，诸如，例如，鼻咽癌(NPC)或其他自身免疫疾病。
背景技术
鼻咽癌(NPC)被认为是由鼻上皮中的Epstein-Bar病毒(EBV)的再激活引起的。该再激活的一个特性特点是EBV早期抗原(EA)复合物的表达。出于该原因，在患者血清中检测EA复合物的分泌型IgA抗体是针对NPC的高度敏感和特异性生物标志物(参见例如参考文献[1]和[2])。因为EA是包括多个蛋白质亚基的大型复合物(参见例如参考文献[3])，所以在基于细胞的试验中表达整个天然EA复合物给出了最广泛的抗原覆盖，以及因此针对NPC检测的最高的灵敏度(参见例如参考文献[4]、[5]和[6])。这种被称为免疫荧光试验(IFA)的方法是用于高风险个体中NPC筛查的优选方法。IFA也是一种用于检测其他疾病(诸如自身免疫疾病)的优选方法。
发明内容
目前存在某些挑战。例如，尽管IFA方法是针对高风险个体中的疾病筛查的优选方法，但是遗憾的是，IFA方法要求人类专家的解释，并且因此标准化不佳且不可扩展(参见例如参考文献[3])。简言之，常规IFA与其说是一门科学，不如说是一门艺术。
最近增加疾病筛查的可扩展性的尝试已经集中于针对EBV DNA的ELISA(参见例如参考文献[7]、[8]和[9])和qPCR(参见例如参考文献[10])。在这两种情况下，这些可扩展方法也具有高假阴性率，这对于筛选来说并不理想(参见例如参考文献[4]、[6]和[11])。相比之下，IFA的优点很多。最近研究表明，IFA以100％敏感性在高风险群体中检测到新的NPC病例(参见例如参考文献[5])。在五分之三患者中，IFA阳性先于视觉鼻内窥镜检查确认，这表明IFA具有使能早期疾病检测的潜在性。添加的优点是，与EA阳性(EA+)样本相关联的染色图案很容易与由自身抗体(参见例如参考文献[12])和免疫复合物(参见例如参考文献[13])引起的假阳性图案区分开来。
本公开不是用可扩展但性能较差的模态代替IFA，而是通过减少对人类评价的需要来增加IFA的可扩展性。已知基本模式识别可以被用于自动化用于EA+样本的IFA信号的定量(又称滴度试验)(参见例如参考文献[14])。在本公开中，自动化检测系统被用于以可与专家人类评价者相比较的程度来区分EA+和EA-样本。
附图说明
并入本文中并且形成说明书的一部分的附图图示了各种实施例。
图1图示了在IFA中遇到的典型图案。
图2图示了根据实施例的疾病检测系统(DDS)。
图3A和3B图示了根据实施例的隶属函数。
图3C图示了根据实施例的模糊规则。
图4图示了根据实施例的卷积神经网络(CNN)。
图5是图示根据实施例的过程的流程图。
图6A和6B示出了ROC曲线。
图7A和7B示出了针对EBV评分和EA+指数的分布。
图7C、7D、7E和7F示出了针对标准数据绘制的EBV评分和EA+指数。
图7G和7H示出了针对标准数据绘制的解模糊化输出值。
图8示出了对于FI和DeLFI两者比较的PI分布。
图9是图示根据实施例的过程的流程图。
图10图示了根据一些实施例的DDS。
具体实施方式
Epstein-Barr病毒蛋白质的血清抗体的检测被认为是用于高风险群体中的NPC筛查的黄金标准。在当前检测方法之中，免疫荧光试验(IFA)是最灵敏的。与针对晚期NPC的预后不良相比较，给定早期无症状患者的高生存率，IFA具有针对普通群体筛查的巨大的挽救生命的潜在性。IFA的优点来源于识别和枚举细胞染色图案的能力。特别地，IFA在其检测具有微弱荧光阳性图案的低滴度以及排除具有明亮但阴性图案的假阳性样本的能力方面擅长。然而，这些优点基于高度训练的IFA评价者，其具有适合的性格特征和用于显微镜工作的耐力。因此，由于IFA要求经训练的病理学工作人员对细胞染色图案进行视觉解释，因此IFA是不可扩展的。
因此，本公开通过提供自动化疾病检测系统(DDS)200(参见图2)克服了该缺点。在一个实施例中，检测系统200在IFA评价思想过程上建模，其在识别指示NPC的细胞图案方面与专家人类病理学家达成高度一致。因此，本文所公开的检测系统200大大提高了疾病检测的可扩展性和准确度。
在一个实施例中，检测系统200与专家IFA评价者协作设计。当评价者查看IFA载玻片时，需要评估的三个基本输入变量。首先，是否存在足够数量的细胞来做出决定？接下来，这些细胞中什么比例(如果有的话)比基线细胞荧光更亮？最后，这些更亮的细胞是否示出与测试阳性一致的图案。图1图示了在IFA中遇到的典型图案。如图1中所图示的，阴性图案倾向于具有低基线荧光，而阳性图案包括具有“斑点”、“外围点”或“细胞质”外观的图案。
图2图示了根据实施例的检测系统200。检测系统200包括图像处理器202，其接收IFA图像201作为输入并产生经处理的IFA图像。经处理的图像被输入用于细胞检测器204，其用于检测经处理的IFA图像中的细胞。对于每个检测到的细胞，关于检测到的细胞的像素信息被提供给概率指数(PI)生成器206，其使用像素信息来生成针对检测到的细胞的PI值(也称为“图案评分”)。这些PI值被输入用于输入变量生成器(IVG)208，该生成器(IVG)208产生三个输入变量：检测到的细胞总数(numCells)、“EA+指数”和“EBV评分”。
IVG 208可以通过对由生成器206输出的PI值的数量进行计数来计算numCells(即，可见细胞的总数)。IVG 208通过确定高于某个阈值的PI值的总数并将这除以numCells来计算EA+指数。即，高于阈值PI值的细胞被定义为EA+细胞，并且它们在总细胞群中的比例是EA+指数。在一个实施例中，EBV评分是高于阈值的一组PI值的平均值。
输入变量被输入用于模糊推理(FI)系统210，其使用输入变量并区分测试阴性样本和测试阳性样本。在一个实施例中，构建隶属函数以定义针对三个输入变量(numCells、EA+指数和EBV评分)的低、中和高范围，以及针对结果的负、边界线和正范围。图3A图示了用于“模糊推理(FI)”实施例的这些隶属函数，并且图3B图示了“深度学习FI(DeLFI)”实施例的这些隶属函数。如图3A和3B中所示，所有三个变量(numCells、EA+指数和EBV评分)被分为三个模糊集，即：低、中和高。低和高两者被建模为S形，而中被建模为高斯。FI系统210采用模糊规则302(如图3C所示)将输入变量映射到输出函数。这些模糊规则可以快速总结如下：如果numCells为高并且EA+指数和EBV评分两者为高，那么输出为“正”；否则如果numCells为高并且EA+指数和EBV评分两者为低，那么输出为“负”，否则，输出为“边界线”或“不确定”。
在FI实施例中，PI值被定义为针对每个识别细胞的像素强度的变化系数(CV)。在DeLFI实施例中，使用卷积神经网络(CNN)计算针对每个细胞的PI值，以将PI值分配给每个细胞。即，在DeLFI实施例中，PI值生成器206包括CNN，其范例在图4中图示。在一个实施例中，如图4所示，CNN 400将150x 150x 3图像采取为输入，并由四个卷积块组成，每个卷积块包括3x 3卷积、ReLU激活和Max池化。最后的块被馈送到3个减小大小的全连接层，终结于由S形函数激活的最后输出层以用于二进制分类。CNN 400使用由IFA专家从IFA图像数据库中识别的550EA+和550EA-细胞图像的数据集进行训练。
1.研究设计-材料和方法
图5图示了用于使用手动评价的历史血清样本的滴度作为标准数据来比较系统200的FI和DeLFI实施例的性能的过程500。为了评价FI和DeLFI，随机选择了二百一十(210)个具有已知滴度的历史血清样本(参见图5，步骤s502)。通过IFA协议处理所有样品(步骤s504)，并且然后由盲IFA专家评价者手动分配滴度(步骤s506)。与该手动评价并行，IFA载玻片还以单次稀释进行成像，并使用FI和DeLFI进行分析(步骤s508)。然后使用手动评价的滴度作为标准数据来评价两者的性能(步骤s510)。
1.1血清样本
在新加坡世界卫生组织免疫学研究与培训合作中心获得了二百一十(210)个历史筛查的匿名血清样本。下表示出了根据其分配滴度的样本的分布。
所有样本根据如下文所描述的标准IFA协议进行处理。在具有科学CMOS图像传感器相机(pco.edge 3.1)的徕卡DM4500B显微镜上，以20倍放大率与固定的30ms曝光时间对具有血清稀释度1:2.5的IFA处理孔进行成像。
1.2.免疫荧光试验(IFA)
间接免疫荧光试验(IFA)被用于测量抗EBV-EA IgA血清学滴度，如先前所描述的(参见例如参考文献[4]、[5]和[14])。简要地，在烧瓶中培养Raji和P3HR1细胞，并且然后将其在37℃ CO2培养箱中用丁酸钠(3mM)和Phorbol 12-肉豆蔻酸13-乙酸酯(20pg/ml)诱导2天。然后通过离心将诱导的细胞在PBS中洗涤4次，从而丢弃上清液并将团粒重新悬浮在PBS中。然后使用多通道移液器将所得细胞悬浮液分配到涂有特氟隆的载玻片上。允许将载玻片在工作台上风干过夜，然后将其在冰冷的丙酮中固定10分钟，并允许其完全干燥。固定载玻片以-80℃存储直到使用。将涂有Raji细胞(EA)的固定载玻片与10μL血清培养30分钟，所述血清已经在PBS中连续稀释(1:10、1:40、1:160和1:640)。对于EBV-EA IgA，还测试了1:5处的血清稀释度。然后冲洗载玻片并将其用荧光素缀合的抗人IgA兔抗体(SPDScientific，Singapore)进一步培养30分钟，并且然后在徕卡DM4500B荧光显微镜下用科学CMOS图像传感器相机(pco.edge 3.1)对其进行评价，以用于捕获IFA图像201。
1.3图像处理器202和细胞检测器204
图像处理器202被用于处理IFA图像201以产生经处理的IFA图像。在一个实施例中，图像处理器202首先对IFA图像202进行平滑，从而产生平滑图像。在该特定范例中，应用大小(5x 5)的中值滤波器来平滑图像。接下来，抑制了背景。在该范例中，将重建开礼帽被应用于平滑图像以抑制背景。该算子应用于41像素大小的正方形结构元素(SE)。然后使用Rosin的方法对所得图像进行阈值化，以将背景区域与前景区域分离，从而产生二值化图像。然后，通过以下来细化该二值化图像：使用形态学重建的应用填充孔(即，在二值化图像中由白色像素围绕的黑色像素的区)，跟随有具有3像素直径的盘形SE的二值化开口。为了从细化二值图像中移除非细胞对象，应用面积大小滤波器(最小大小：700，以及最大大小：7000)，从而产生经滤波的细化二值图像。细胞检测器204使用标记控制的分水岭算法将前景对象从该滤波图像分离成个体细胞，其中，测地距离图的局部最大值用作种子。作为后处理步骤，移除非圆形区域(阈值：0.4)。
1.4PI值生成器206和EA+细胞检测
在细胞检测之后，使用两种不同的技术(i)变异系数(CV)和(ii)深度学习(DL)为检测到的细胞中的每个计算称为概率指数(PI)的无量纲指数。对于CV方法，PI＝σ/μ，其中，μ和σ是检测细胞的像素强度的均值和标准偏差。对于DL方法，采用CNN(例如，CNN 400)对EA+和EA-细胞进行分类。CNN的输出层由具有S形激活函数的单个神经元组成。该输出用作针对DL方法的PI值。较高的PI值此处指示与EA+细胞图像的训练集的相似度。下文第1.5节描述了CNN的设计和训练。
较高的PI值指示与EA+染色相关的荧光的较高变化性。使用CV和DL方法两者计算针对所有检测到的细胞的PI值。如果针对给定细胞的PI值PI_i大于或者大于或等于阈值，则给定的检测到的细胞cell_i被分类为EA+，否则该细胞被分类为EA-。对于CV PI值，如果针对细胞的CV-PI值大于或等于：(μc+σc)，则细胞被分类为EA+，其中，μc+σc是针对N个检测到的细胞的CV PI值{CV-PI_1,CV-PI_2,…,CV-PI_N}的泊松二项分布的均值和标准偏差。对于DL PI值(即，{DL-PI_1,DL-PI_2,…,DL-PI_N})，如果针对细胞的DL-PI值大于0.5，则细胞被分类为EA+。
通过平均EA+细胞的PI值获得EBV评分。EA+指数是EA+细胞数量与细胞总数的比率。
1.5.卷积神经网络(设计和训练)
CNN 400被设计用于EA阳性和EA阴性细胞分类。CNN将150x 150x 3图像当作输入。CNN包括4个卷积块，其包括3x 3卷积-ReLU激活-最大池化，分别具有32、64、128和128个内核。所有四个Max池化操作以步长＝2执行，以减少卷积运算的输出维度。最后的卷积块与大小6272、512和1的3个全连接层连接。最后的输出层用S形激活函数激活以用于二进制分类。CNN模型使用由IFA专家识别的550EA+和550EA-细胞图像的数据集进行训练。
1.6模糊推理(FI)系统210
FI系统210被用于基于三个输入变量(numCells、EA+指数和EBV评分，其也称为“清晰输入”值)来区分测试阴性样本和测试阳性样本。FI系统使用模糊集理论将清晰输入值映射到清晰输出值。如本领域所知，FI系统的主要元件是模糊器、模糊规则(又称为模糊规则库)、推理引擎和解模糊器(参见例如参考文献[17]，第4章“模糊推理系统”)。FI系统的运行概述如下。
1：模糊器使用上文所描述的隶属函数将清晰输入值和输出变量映射到模糊值(0到1)。
2：然后，模糊化输入由模糊规则库(以IF-THEN规则的形式)解释，该规则库描述了FI系统应该如何对一组输入做出决策。
3：推理引擎为给定的一组输入激活规则，并通过组合规则强度和输出隶属函数来找到规则的结果。然后将这些结果组合以得到模糊输出。
4：然后使用解模糊器将模糊输出转换为清晰输出。
更特别地，三个输入变量中的每个被建模为具有以下隶属函数的3个模糊集：“低”(S形)、“中”(高斯)和“高”(S形)。与IFA专家协商创建模糊规则。输出变量类似地被建模为具有以下隶属函数的3个模糊集：“负”(S形)、“边界线”(高斯)和“正”(S形)。使用包括39个阴性对照样本和132个阳性对照样本的参考样本的IFA图像来估计针对这些输入变量和输出变量的参数。通过设置针对阳性的阈值，解模糊化清晰输出值然后被用于分类。
通过评价跨解模糊化输出范围的敏感性和特异性，生成了接收者-操作者特性(ROC)曲线。最佳性能被定义为使Youden的J(敏感性+特异性-1)最大化的点。使用以下内容计算Cohen的κ：
其中，
并且
1.7不确定性过滤器
在利用不确定性过滤器进行决策的情况下，我们仅在排除了落入不确定性窗口(我们将其定义为解模糊化输出阈值的±0.05)内的样本之后才使用解模糊化输出值评价性能。该研究中使用的不确定性窗口范围是表3中描述的清晰输出范围。
FI和DeLFI的性能
通过它们的ROC曲线评价FI和DeLFI的性能(图6A和图6B)。首先，在解模糊化输出(又称为清晰输出)值的不同阈值处评价关于标准数据的敏感性(sen)和特异性(spe)两者。仅大于或等于阈值的样本被当作是测试阳性。在排除了落入解模糊化输出阈值的±0.05内的样本之后，也重复了该分析。在真实工作流程中，由该“不确定性过滤器”排除的样本将由IFA专家手动评价。
在ROC分析下，当所有样本在没有不确定性过滤器的情况下进行分析时，FI(AUC＝0.944)和DeLFI(AUC＝0.0985)两者表现良好(图6A)，这证明FI和DeLFI两者与由我们的IFA专家做出的评价高度一致。在其最佳截止值处，DeLFI(sen＝0.971，spe＝0.919)和FI(sen＝0.949，spe＝0.865)两者给出了具有合理性能的汇总统计数据。
表1(FI所有样本)
表2(DeLFI所有样本)
表1示出了在不同的清晰输出截止阈值处FI的性能度量。最佳截止值(被定义为最大化Youden’s J(敏感性+特异性-1)的点)是0.400，并且AUC是0.944。表2示出了在不同的清晰输出截止阈值处DeLFI的性能度量。最佳截止值(被定义为最大化Youden’s J(敏感性+特异性-1)的点)是0.750，并且AUC是0.985。
这也反映在Cohen在这些截止处的kappa中，这示出DeLFI(κ＝0.90)和FI(κ＝0.82)两者与手动评价几乎完全一致(参见例如参考文献[15])。当不确定性过滤器活动时，针对FI(AUC＝0.950)和DeLFI(AUC＝0.990)两者的AUC增加，但是其中，DeLFI仍优于FI(图6B)。如预期的那样，在其最佳截止处的汇总统计数据也针对DeLFI(sens＝0.945，spe＝0.986)和FI(sen＝0.896，spe＝0.943)两者被改进。
表3(FI不确定样本减去)
表4(DeLFI不确定样本减去)
表3示出了FI的性能(在减去不确定样本之后)。不确定样本被定义为包括在特定清晰输出范围内的样本。在减去这些不确定样本之后，生成用于每个清晰输出范围的性能度量。最佳清晰输出范围(被定义为最大化Youden’s J(敏感性+特异性-1)的范围)是[0.5-0.6]，并且AUC是0.950。
表4示出了DeLFI的性能(在减去不确定样本之后)。不确定样本被定义为包括在特定清晰输出范围内的样本。在减去这些不确定样本之后，生成用于每个清晰输出范围的性能度量。最佳清晰输出范围(被定义为最大化Youden J(敏感性+特异性-1)的范围)是[0.8-0.9]，并且AUC是0.990。
在这些截止值下，DeLFI产生了14个不确定样本(总体的6.7％)，其与针对FI的15个不确定样本(总体的7.1％)相当，且不大于其。因此，DeLFI的FI的优胜不归因于从分析中排除的不确定样本的增加。Cohen的kappa针对DeLFI(maxκ＝0.92)和FI(maxκ＝0.84)两者增加，这示出移除不确定样本产生对一致性的微小但明显的改进。
尽管FI和DeLFI两者鲁棒地执行，但是DeLFI在每一项比较中基本上优于FI。为了理解FI与DeLFI之间的差异，我们绘制了针对它们的EBV评分和EA+指数的分布。我们发现，EBV评分分布针对FI和DeLFI确实显著不同(图7A和图7B)。针对FI观察到阳性样本分布与阴性样本分布之间的相对较高交叠程度，而相比之下，针对DeLFI的分布偏向于EBV评分范围的极端。
当EBV评分和EA+指数两者各自针对标准数据进行绘制时出现了有趣的趋势(图7C-F)。在FI的情况下，EBV评分跨所有标准数据类别示出单调增加，但是EA+指数在很大程度上保持不变。相比之下在DeLFI的情况下，它是EA+指数，而非EBV评分，这跨所有标准数据类别按比例示出。因此，除了评估测试阳性之外，FI的EBV评分和DeLFI的EA+指数两者可以被用于推断EA滴度。
由于FI在所有图像中识别几乎相同比例的EA+细胞，无论滴度如何，因此，针对FI的辨别力必须已经由EBV评分提供。这与DeLFI形成对比，其中，EBV评分和EA+指数两者区分阴性和阳性样本。该改进的区分反映在DeLFI在将解模糊化输出值对着标准数据进行绘制时更清晰地在阴性与阳性之间进行分离(图7G-H)。这使找到获得高敏感性和特异性的截止点更容易。相比之下，FI展现出相对较长的尾部，其在阴性与阳性样本之间交叠，这解释了其稍微较差的性能。
EBV评分和EA+指数最终是从PI值导出的，因此我们想知道在给定典型IFA图像的情况下对于FI和DeLFI来说PI值是如何分布的。此处，我们观察到分布概括了用EBV评分分布观察到的情况，其中，针对DeLFI的正分布和负分布比针对FI更显著地分离(参见图8)。图8示出了对于FI和DeLFI两者比较的PI分布。示出了针对单幅典型IFA图像的FI和DeLFI的PI分布。虚线描绘了高于其细胞被认为是EA+的阈值。针对FI的分布示出具有正偏斜的单峰分布，而DeLFI产生由阈值清楚分离的双峰分布。上述分析使我们得出结论，DeLFI在性能上超越FI的基本依据是其潜在PI值在阴性与阳性样本之间更具区分性。
图10是根据一些实施例的疾病检测系统(DDS)200的框图。如图10所示，DDS 200包括：处理电路(PC)1002，其可以包括一个或多个处理器(P)1055(例如，通用微处理器和/或一个或多个其他处理器，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)等)；该处理器可以共同位于单个壳体中或单个数据中心中，或者可以在地理上分布(即，DDS 200可以是分布式计算系统)；至少一个网络接口1048，包括发射器(Tx)1045和接收器(Rx)1047，其用于使得DDS 200能够向连接到网络接口1048(直接或间接)连接到的网络110(例如，互联网协议(IP)网络)的其他节点传送数据和从其接收数据(例如，网络接口1048可以无线连接到网络110，在这种情况下，网络接口1048连接到天线布置)；以及存储单元(也称为“数据存储系统”)1008，其可以包括一个或多个非易失性存储设备和/或一个或多个易失性存储设备。在PC 1002包括可编程处理器的实施例中，可以提供计算机程序产品(CPP)1041。CPP1041包括计算机可读介质(CRM)1042，该计算机可读介质(CRM)842存储包括计算机可读指令(CRI)1044的计算机程序(CP)1043。CRM 1042可以是非瞬态计算机可读介质，诸如，磁介质(例如，硬盘)、光学介质、存储器设备(例如，随机存取存储器、闪存)等。在一些实施例中，计算机程序1043的CRI 1044被配置为使得当由PC 1002执行时，CRI使得DDS 200执行本文所描述的步骤(例如，本文中参考流程图所描述的步骤)。在其他实施例中，DDS 200可以被配置为在不需要代码的情况下执行本文所描述的步骤。即，例如，PC1002可以仅仅由一个或多个ASIC组成。因此，本文所描述的实施例的特征可以在硬件和/或软件中实施。
各种实施例的总结
A1、一种用于检测疾病的计算机实施的方法(900，参见图9)，所述方法包括：获得(s902)与样本(例如血清样本)相关联的免疫荧光试验(IFA)图像；处理(s904)所述IFA图像以产生经处理的IFA图像；检测(s906)所述经处理的IFA图像中的细胞；确定(s908)numCells，其中，numCells是检测到的细胞的总数；对于每个检测到的细胞，将所述细胞分类(s910)为第一类型的细胞(EA+细胞)或者第二类型的细胞(EA-细胞)；基于numCells和numCellsEA+来计算(s912)指数值(EA+指数)，其中，numCellsEA+是被分类为EA+细胞的检测到的细胞的总数；计算(s914)评分值(EBV评分)；使用(s916)第一组隶属函数，将numCells映射到第一组模糊值；使用(s918)第二组隶属函数，将EA+指数映射到第二组模糊值；使用(s920)第三组隶属函数，将EBV评分映射到第三组模糊值；并且使用(s922)所述第一组模糊值、所述第二组模糊值、所述第三组模糊值以及模糊规则对所述样本进行分类。
A2、根据实施例A1所述的方法，其中，对所述细胞进行分类的步骤是通过卷积神经网络(CNN)来执行的。
A3、根据实施例A2所述的方法，其中，对于每个检测到的细胞，所述CNN确定针对所述细胞的概率指数(PI)值，并且使用所述PI值和预定阈值来确定所述细胞是否应被分类为EA+细胞。
A4、根据实施例A3所述的方法，其中，作为确定针对特定细胞的PI值超过所述阈值的结果，所述CNN将特定细胞分类为EA+细胞。
A5、根据实施例A1所述的方法，其中，将所述细胞分类为第一类型的细胞(EA+细胞)或者第二类型的细胞(EA-细胞)包括：获得针对所述细胞的像素信息；使用所述像素信息来计算针对所述细胞的概率指数(PI)值；并且使用所述PI值和预定阈值来确定所述细胞是否应该被分类为EA+细胞。
A6、根据实施例A5所述的方法，其中，针对所述细胞的所述像素信息包括一组像素强度值，其中，所述一组像素强度值中的每个像素强度值指示对应于所述细胞的像素的强度。
A7、根据实施例A6所述的方法，其中，使用所述像素信息来计算针对所述细胞的PI值包括计算：PI＝σ/μ,其中，μ是所述像素强度值的均值，并且σ是所述像素强度值的标准偏差。
A8、根据实施例A3-A7中的任一项所述的方法，其中，所述EBV评分是大于或等于所述预定阈值的PI值的平均值，或所述EBV评分是大于所述预定阈值的PI值的平均值。
B1、一种包括指令(1044)的计算机程序(1043)，所述指令当由疾病检测系统的处理电路(1002)执行时使得所述疾病检测系统(200)执行根据实施例A1-A8中的任一项所述的方法。
B2、一种载体，包含根据实施例B1所述的计算机程序，其中，所述载体是电子信号、光信号、无线电信号和计算机可读存储介质中的一项。
C1、一种疾病检测系统(200)，所述疾病检测系统(200)适于执行根据实施例A1-A8中的任一项所述的方法。
D1、一种疾病检测系统(200)，所述疾病检测系统(200)包括：处理电路(1002)；以及存储器(1042)，所述存储器(1042)包含可由所述处理电路执行的指令(1044)，由此，所述疾病检测系统(200)操作于执行根据实施例A1-A8中的任一项所述的方法。
结论
IFA的优点来源于其识别和枚举细胞染色图案的能力。特别地，IFA擅长检测具有微弱荧光阳性图案的低滴度，以及排除具有明亮但阴性图案的假阳性样本。这些优点基于具有适合的性格特征和用于显微镜工作的耐力的高度训练的IFA评价者。将这样的专业知识封装在可扩展计算模型中是大规模提供IFA服务的关键。
为了建立计算模型，我们想要利用由卷积神经网络(CNN)做出的在性能上的巨大进步，而且解决CNN在许多方面是无法解释的黑匣子的问题。这样的可解释性问题是涉及或影响医学决策的应用的关注问题。混合系统是减轻该问题的一种方法(参见例如参考文献[16])。在本公开中，示出了包含CNN模块的可解释的基于规则的模糊框架给出了两个世界的最佳结果。模糊推理通过基于人类经验合成控制规则提供了广泛的框架，而细胞图像识别的具体任务由CNN执行。与分析整个图像相比较，将CNN限制为分析单个细胞图案降低了计算复杂性。这样的方法还允许在将来容易地修改蜂窝模式类别。
除了提高可扩展性之外，基于单个样本稀释的精确定量输出可能是自动化分析的另一个主要优势。在手动方法中，人类评价者必须从五种递增稀释度中选择一种，在这种稀释度下，阳性图案(如果检测到)对于裸眼不再可见。在决策边界附近，这可能特别具有挑战性，其中，常常区分1:10阳性滴度和阴性样本是困难的。由于靠近该边界的样本通常被认为具有较高的错误率，因此我们最初包括了“不确定性过滤器”，以参考这样的样本用于进一步的人类评价。然而，有趣的是，DeLFI通过实际匹配(AUC＝0.985，κ＝0.90)人类表现而超出了我们的预期，而不需要滤波器。我们将该性能归因于模糊规则和训练图像数据集的高质量，这两个数据集是与我们的IFA专家密切协商创建的。值得注意的是，DeLFI的精确定量输出允许针对不同的临床场景对决策边界进行微调。例如，通过选择适合的清晰输出截止，DeLFI可以被用于最大化敏感性(sen＝0.992，spe＝0.916)或特异性(sen＝0.945，spe＝0.986)(表4)。在高流行群体中筛查地方性NPC时，使敏感性最大化将是有利的。相反，在非流行群体中筛查NPC时，使特异性最大化将使假阳性最小化。这样的灵活性对于利用使用手动IFA滴度的这样的粒度实现不可能。
本公开表示了使得大量运行相同软件模型的实验室能够实现高性能的早期步骤，从而提高了IFA测试的总体质量和再现性。这为使用IFA针对NPC进行准确和可扩展的群体筛查打开了大门。
尽管本文描述了各种实施例，但是应当理解，它们仅已经以范例而非限制的方式呈现。因此，本公开的宽度和范围不应当由任何上文所描述的示范性实施例限制。此外，除非本文另外指明或与上下文明显矛盾，否则上文所描述的要素在其所有可能变型中的任何组合由本公开涵盖。
此外，尽管上文所描述和附图中所图示的过程被示出为一系列步骤，但这仅仅出于说明的缘故完成。因此，应预期，可以增加一些步骤，可以省略一些步骤，可以重新布置步骤的顺序，并且可以并行执行一些步骤。
参考文献：
[1]Screening Test Review Committee.Report of the Screening TestReview Committee.(2019).
[2]Chan,S.H.等人.MOH Clinical Practice Guidelines 1/2010.(2010).
[3]Middeldorp,J.M.Epstein-Barr Virus-Specific Humoral ImmuneResponses in Health and Disease.Curr.Top.Microbiol.Immunol.391,289–323(2015).
[4]Tay,J.K.等人.The Role of Epstein-Barr Virus DNA Load and Serologyas Screening Tools for Nasopharyngeal Carcinoma.Otolaryngol.Head NeckSurg.155,274–280(2016).
[5]Tay,J.K.等人.A comparison of EBV serology and serum cell-free DNAas screening tools for nasopharyngeal cancer:Results of the Singapore NPCscreening cohort.Int.J.Cancer(2019)doi:10.1002/ijc.32774.
[6]Chan,S.H.等人.Epstein Barr virus(EBV)antibodies in the diagnosisof NPC--comparison between IFAand two commercial ELISA kits.SingaporeMed.J.39,263–265(1998).
[7]Coghill,A.E.等人.Epstein-Barr virus serology as a potentialscreening marker for nasopharyngeal carcinoma among high-risk individualsfrom multiplex families in Taiwan.Cancer Epidemiol.Biomarkers Prev.23,1213–1219(2014).
[8]Hutajulu,S.H.等人.Seroprevalence of IgA anti Epstein-Barr virus ishigh among family members of nasopharyngeal cancer patients and individualspresenting with chronic complaints in head and neck area.PLoS One 12,e0180683(2017).
[9]Paramita,D.K.,Fachiroh,J.,Haryana,S.M.&Middeldorp,J.M.Evaluationof commercial EBV RecombLine assay for diagnosis of nasopharyngealcarcinoma.J.Clin.Virol.42,343–352(2008).
[10]Chan,K.C.A.等人.Analysis of Plasma Epstein–Barr Virus DNAtoScreen for Nasopharyngeal Cancer.N.Engl.J.Med.377,513–522(2017).
[11]Nicholls,J.M.等人.Negative plasma Epstein-Barr virus DNAnasopharyngeal carcinoma in an endemic region and its influence on liquidbiopsy screening programmes.Br.J.Cancer(2019)doi:10.1038/s41416-019-0575-6.
[12]Ricchiuti,V.,Adams,J.,Hardy,D.J.,Katayev,A.&Fleming,J.K.AutomatedProcessing and Evaluation of Anti-Nuclear Antibody IndirectImmunofluorescence Testing.Front.Immunol.9,927(2018).
[13]Horsfall,A.C.,Venables,P.J.,Mumford,P.A.&Maini,R.N.Interpretationof the Raji cell assay in sera containing anti-nuclear antibodies and immunecomplexes.Clin.Exp.Immunol.44,405–415(1981).
[14]Goh,S.M.P.等人.Increasing the accuracy and scalability of theImmunofluorescence Assay for Epstein Barr Virus by inferring continuoustiters from a single sample dilution.J.Immunol.Methods440,35–40(2017).
[15]Landis,J.R.&Koch,G.G.The measurement of observer agreement forcategorical data.Biometrics 33,159–174(1977).
[16]Bonanno,D.,Nock,K.,Smith,L.,Elmore,P.&Petry,F.An approach toexplainable deep learning using fuzzy inference.in Next-Generation Analyst Vvol.10207 102070D(International Society for Optics and Photonics,2017).
[17]Knapp,B.,Fuzzy Sets和Pattern Recognition,在URL处可用的；www.cs.princeton.edu/courses/archive/fall07/cos436/HIDDEN/Knapp/fuzzy.htm.
Claims (13)
1.一种用于检测疾病的计算机实施的方法(900)，所述方法包括：
获得(s902)与样本相关联的免疫荧光试验(IFA)图像；
处理(s904)所述IFA图像以产生经处理的IFA图像；
检测(s906)所述经处理的IFA图像中的细胞；
确定(s908)numCells，其中，numCells是检测到的细胞的总数；
针对每个检测到的细胞，将所述细胞分类(s910)为第一类型的细胞(EA+细胞)或者第二类型的细胞(EA-细胞)；
基于numCells和numCellsEA+来计算(s912)指数值(EA+指数)，其中，numCellsEA+是被分类为EA+细胞的检测到的细胞的总数；
计算(s914)评分值(EBV评分)；
使用(s916)第一组隶属函数，将numCells映射到第一组模糊值；
使用(s918)第二组隶属函数，将EA+指数映射到第二组模糊值；
使用(s920)第三组隶属函数，将EBV评分映射到第三组模糊值；并且
使用(s922)所述第一组模糊值、所述第二组模糊值、所述第三组模糊值以及模糊规则对所述样本进行分类。
2.根据权利要求1所述的方法，其中，对所述细胞进行分类的步骤是通过卷积神经网络(CNN)来执行的。
3.根据权利要求2所述的方法，其中，针对每个检测到的细胞，所述CNN确定针对所述细胞的概率指数(PI)值，并且使用所述PI值和预定阈值来确定所述细胞是否应该被分类为EA+细胞。
4.根据权利要求3所述的方法，其中，作为确定针对特定细胞的所述PI值超过所述阈值的结果，所述CNN将所述特定细胞分类为EA+细胞。
5.根据权利要求1所述的方法，其中，将所述细胞分类为第一类型的细胞(EA+细胞)或者第二类型的细胞(EA-细胞)包括：
获得针对所述细胞的像素信息；
使用所述像素信息来计算针对所述细胞的概率指数(PI)值；并且
使用所述PI值和预定阈值来确定所述细胞是否应该被分类为EA+细胞。
6.根据权利要求5所述的方法，其中，针对所述细胞的所述像素信息包括一组像素强度值，其中，所述一组像素强度值中的每个像素强度值指示对应于所述细胞的像素的强度。
7.根据权利要求6所述的方法，其中，使用所述像素信息来计算针对所述细胞的所述PI值包括计算：
PI＝σ/μ，其中
μ是所述像素强度值的均值，并且
σ是所述像素强度值的标准偏差。
8.根据权利要求3-7中的任一项所述的方法，其中
所述EBV评分是大于或等于所述预定阈值的所述PI值的平均值，或者
所述EBV评分是大于所述预定阈值的所述PI值的平均值。
9.一种包括指令(1044)的计算机程序(1043)，所述指令当由疾病检测系统的处理电路(1002)执行时使得所述疾病检测系统(200)执行根据权利要求1-8中的任一项所述的方法。
10.一种包含根据权利要求9所述的计算机程序的载体，其中，所述载体是以下各项中的一项：电子信号、光信号、无线电信号和计算机可读存储介质(1042)。
11.一种疾病检测系统(200)，所述疾病检测系统(200)被配置为：
获得(s902)与样本相关联的免疫荧光试验(IFA)图像；
处理(s904)所述IFA图像以产生经处理的IFA图像；
检测(s906)所述经处理的IFA图像中的细胞；
确定(s908)numCells，其中，numCells是检测到的细胞的总数；
针对每个检测到的细胞，将所述细胞分类(s910)为第一类型的细胞(EA+细胞)或者第二类型的细胞(EA-细胞)；
基于numCells和numCellsEA+来计算(s912)指数值(EA+指数)，其中，numCellsEA+是被分类为EA+细胞的检测到的细胞的总数；
计算(s914)评分值(EBV评分)；
使用(s916)第一组隶属函数，将numCells映射到第一组模糊值；
使用(s918)第二组隶属函数，将EA+指数映射到第二组模糊值；
使用(s920)第三组隶属函数，将EBV评分映射到第三组模糊值；并且
使用(s922)所述第一组模糊值、所述第二组模糊值、所述第三组模糊值以及模糊规则对所述样本进行分类。
12.根据权利要求11所述的疾病检测系统，其中，所述疾病检测系统还被配置为执行根据权利要求2-8中的任一项所述的方法。
13.一种疾病检测系统(200)，所述疾病检测系统(200)包括：
处理电路(1002)；以及
存储器(1042)，所述存储器(1042)包含能由所述处理电路执行的指令(1044)，由此，所述疾病检测系统(200)被配置为执行根据权利要求1-8中的任一项所述的方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| SG10202005444X | 2020-06-09 | ||
| SG10202005444X | 2020-06-09 | ||
| PCT/SG2021/050328 WO2021251903A1 (en) | 2020-06-09 | 2021-06-07 | Automated disease detection system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116075835A true CN116075835A (zh) | 2023-05-05 |
Family
ID=78845825
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180049741.7A Pending CN116075835A (zh) | 2020-06-09 | 2021-06-07 | 自动化疾病检测系统 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20230298167A1 (zh) |
| EP (1) | EP4162445A1 (zh) |
| CN (1) | CN116075835A (zh) |
| WO (1) | WO2021251903A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575993A (zh) * | 2023-10-20 | 2024-02-20 | 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) | 一种基于深度学习的滴度值的处理方法及系统 |
| CN117828106A (zh) * | 2024-03-04 | 2024-04-05 | 国维技术有限公司 | 基于记忆强化算法结合大模型驱动实现个性化npc的方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106841628A (zh) * | 2017-03-02 | 2017-06-13 | 广州市康润生物科技有限公司 | 鼻咽癌精准诊断全自动检测系统 |
| TWI705414B (zh) * | 2018-05-29 | 2020-09-21 | 長庚醫療財團法人林口長庚紀念醫院 | 自體免疫抗體免疫螢光影像分類系統及其分類方法 |
| EP3814749A4 (en) * | 2018-07-31 | 2022-04-06 | The Regents Of The University Of Colorado | SYSTEMS AND METHODS FOR APPLYING MACHINE LEARNING TO ANALYZE MICROSCOPY IMAGES IN HIGH-THROUGHPUT SYSTEMS |
-
2021
- 2021-06-07 EP EP21821940.0A patent/EP4162445A1/en active Pending
- 2021-06-07 US US18/009,138 patent/US20230298167A1/en active Pending
- 2021-06-07 WO PCT/SG2021/050328 patent/WO2021251903A1/en unknown
- 2021-06-07 CN CN202180049741.7A patent/CN116075835A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575993A (zh) * | 2023-10-20 | 2024-02-20 | 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) | 一种基于深度学习的滴度值的处理方法及系统 |
| CN117575993B (zh) * | 2023-10-20 | 2024-05-21 | 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) | 一种基于深度学习的滴度值的处理方法及系统 |
| CN117828106A (zh) * | 2024-03-04 | 2024-04-05 | 国维技术有限公司 | 基于记忆强化算法结合大模型驱动实现个性化npc的方法 |
| CN117828106B (zh) * | 2024-03-04 | 2024-05-28 | 国维技术有限公司 | 基于记忆强化算法结合大模型驱动实现个性化npc的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230298167A1 (en) | 2023-09-21 |
| EP4162445A1 (en) | 2023-04-12 |
| WO2021251903A1 (en) | 2021-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10671833B2 (en) | Analyzing digital holographic microscopy data for hematology applications | |
| EP2101296B1 (en) | Eye detecting device, eye detecting method, and program | |
| CN110889312B (zh) | 活体检测方法和装置、电子设备、计算机可读存储介质 | |
| JP5376024B1 (ja) | 画像処理装置、プログラム及び画像処理システム | |
| US20020031255A1 (en) | Multi-neural net imaging apparatus and method | |
| Rahman et al. | A comparative analysis of deep learning architectures on high variation malaria parasite classification dataset | |
| CN116075835A (zh) | 自动化疾病检测系统 | |
| US20200300764A1 (en) | Method for detecting a binding of antibodies from a patient sample to double-stranded DNA using Crithidia luciliae cells and fluorescence microscopy | |
| JP6733983B2 (ja) | 画像解析装置 | |
| CN108537286A (zh) | 一种基于关键区域检测的复杂目标精准识别方法 | |
| Alharbi et al. | Detection of peripheral malarial parasites in blood smears using deep learning models | |
| Davidson et al. | Automated detection and staging of malaria parasites from cytological smears using convolutional neural networks | |
| Ghosh et al. | Potato Leaf Disease Recognition and Prediction using Convolutional Neural Networks | |
| Dürr et al. | Know when you don't know: a robust deep learning approach in the presence of unknown phenotypes | |
| Muthumayil et al. | Diagnosis of leukemia disease based on enhanced virtual neural network | |
| CN115210779A (zh) | 生物样品中对象的系统性表征 | |
| AbuHassan et al. | Automatic diagnosis of tuberculosis disease based on Plasmonic ELISA and color-based image classification | |
| CN116348921A (zh) | 用于将细胞分类的方法 | |
| Samanta et al. | Deep learning fuzzy inference: an interpretable model for detecting indirect immunofluorescence patterns associated with nasopharyngeal cancer | |
| CN113221929A (zh) | 一种图像处理方法以及相关设备 | |
| Peng et al. | Contamination classification for pellet quality inspection using deep learning | |
| CA2377602C (en) | Multi-neural net imaging apparatus and method | |
| EP1301894B1 (en) | Multi-neural net imaging apparatus and method | |
| Pangilinan et al. | Application of stepwise binary decision classification for reduction of false positives in tuberculosis detection from smeared slides | |
| Parvathi et al. | Diabetic Retinopathy Detection Using Transfer 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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40091730 Country of ref document: HK |