JP2023172951A - 病理スライド画像の品質を評価する方法及び装置 - Google Patents

病理スライド画像の品質を評価する方法及び装置 Download PDF

Info

Publication number
JP2023172951A
JP2023172951A JP2023084762A JP2023084762A JP2023172951A JP 2023172951 A JP2023172951 A JP 2023172951A JP 2023084762 A JP2023084762 A JP 2023084762A JP 2023084762 A JP2023084762 A JP 2023084762A JP 2023172951 A JP2023172951 A JP 2023172951A
Authority
JP
Japan
Prior art keywords
slide image
pathology slide
processor
region
cells
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2023084762A
Other languages
English (en)
Inventor
パク，カヒ
Ga Hee Park
ペン，キョンヒョン
Kyung Hyun Paeng
オク，チャンヨン
Chan Young Ock
ソン，サンフン
Sang Hoon Song
キム，ソクチュン
Suk Jun Kim
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lunit Inc
Original Assignee
Lunit Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020230038276A external-priority patent/KR102671745B1/ko
Application filed by Lunit Inc filed Critical Lunit Inc
Publication of JP2023172951A publication Critical patent/JP2023172951A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G06T2207/30168—Image quality inspection
    • 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
    • G06T2207/30204—Marker
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

【課題】病理スライド画像の品質を評価する方法及び装置を提供すること。【解決手段】一態様によるコンピューティング装置は、少なくとも１つのメモリと、少なくとも１つのプロセッサとを含み、前記プロセッサは、病理スライド画像に表された少なくとも１つの対象体を分析し、前記分析の結果に基づいて前記病理スライド画像の品質を評価し、前記評価の結果に応じて少なくとも１つの追加動作を行う。【選択図】なし

Description

本開示は、病理スライド画像の品質を評価する方法及び装置に関する。
デジタル病理学（ｄｉｇｉｔａｌ ｐａｔｈｏｌｏｇｙ）分野は、病理スライド画像（ｐａｔｈｏｌｏｇｉｃａｌ ｓｌｉｄｅ ｉｍａｇｅ）をスキャンすることによって生成された全スライド画像（ｗｈｏｌｅ ｓｌｉｄｅ ｉｍａｇｅ）を用いて、該当患者の組織学的情報を取得するか、又は予後を予測する分野である。
病理スライド画像は、対象体の染色された組織サンプルから取得することができる。例えば、組織サンプルは、ヘマトキシリン・エオジン（ｈｅｍａｔｏｘｙｌｉｎ ａｎｄ ｅｏｓｉｎ）、トリクローム（ｔｒｉｃｈｒｏｍｅ）、過ヨウ素酸シッフ（ｐｅｒｉｏｄｉｃ ａｃｉｄ ｓｃｈｉｆｆ）、オートラジオグラフィー（ａｕｔｏｒａｄｉｏｇｒａｐｈｙ）、酵素組織化学（ｅｎｚｙｍｅ ｈｉｓｔｏｃｈｅｍｉｓｔｒｙ）、免疫蛍光（ｉｍｍｕｎｏ－ｆｌｕｏｒｅｓｃｅｎｃｅ）、免疫組織化学（ｉｍｍｕｎｏｈｉｓｔｏｃｈｅｍｉｓｔｒｙ）など、様々な染色方式で染色することができる。染色された組織サンプルは、組織学及び生検評価に用いられることによって、疾患状態を理解するために分子プロファイル分析に進むか否かを判断する根拠となり得る。
ただし、病理スライド画像を用いた病理学者や医者の診断は、主観的な判断が介入する余地が多いので、正確な結果を導出できないことがあるという限界がある。
解決しようとする技術的課題は、病理スライド画像の品質を評価する方法及び装置を提供することにある。また、解決しようとする技術的課題は、前記方法をコンピュータで実行するためのプログラムを記録した、コンピュータで読み取り可能な記録媒体を提供することにある。解決しようとする技術的課題は、上記技術的課題に限定されず、他の技術的課題が存在し得る。
一態様によるコンピューティング装置は、少なくとも１つのメモリと、少なくとも１つのプロセッサとを含み、前記プロセッサは、病理スライド画像に表された少なくとも１つの対象体を分析し、前記分析の結果に基づいて前記病理スライド画像の品質を評価し、前記評価の結果に応じて少なくとも１つの追加動作を行う。
他の態様による病理スライド画像の品質を評価する方法は、病理スライド画像に表された少なくとも１つの対象体を分析するステップと、前記分析の結果に基づいて前記病理スライド画像の品質を評価するステップと、前記評価の結果に応じて少なくとも１つの追加動作を行うステップとを含む。
さらに他の態様によるコンピュータで読み取り可能な記録媒体は、上述した方法をコンピュータで実行するためのプログラムを記録した記録媒体を含む。
一実施形態による病理スライド画像を評価するシステムの一例を説明するための図である。 一実施形態による機械学習モデルを用いて組織標本のスライド画像を準備、処理及び検討するシステム及びネットワークのブロック図である。 一実施形態によるユーザ端末の一例を示す構成図である。 一実施形態によるサーバの一例を示す構成図である。 一実施形態による病理スライド画像を分析する方法の一例を説明するためのフローチャートである。 一実施形態によるプロセッサが複数の組織に対して第１分類を行う一例を説明するための図である。 一実施形態によるプロセッサが複数の細胞に対して第２分類を行う一例を説明するための図である。 一実施形態によるプロセッサが病理スライド画像の品質を評価する一例を説明するためのフローチャートである。 一実施形態によるプロセッサにより表示される画面の一例を示す図である。 一実施形態によるプロセッサにより表示される画面の他の例を示す図である。 一実施形態によるレポートの一例を示す図である。 一実施形態による病理スライド画像に関する情報を変更する例を説明するための図である。 一実施形態による病理スライド画像に関する情報を変更する例を説明するための図である。 一実施形態による病理スライド画像に関する情報を変更する例を説明するための図である。
実施形態で用いられる用語としてはできるだけ現在広く用いられている一般的な用語を選択したが、それは当該技術分野に従事する技術者の意図又は判例、新しい技術の出現などによって変わり得る。また、特定の場合は、出願人が任意に選定した用語もあり、その場合、該当する説明部分にその意味を詳細に記載する。よって、明細書で用いられる用語は、単なる用語の名称ではなく、その用語が有する意味と明細書全般にわたる内容に基づいて定義されるべきである。
明細書全体において、ある部分がある構成要素を「含む」というと、それは、特に反対の記載がない限り、他の構成要素を除くのではなく、他の構成要素をさらに含み得ることを意味する。また、明細書に記載された「～ユニット」、「～モジュール」などの用語は、少なくとも１つの機能又は動作を処理する単位を意味し、それは、ハードウェア又はソフトウェアで実現されてもよく、ハードウェアとソフトウェアとの組み合わせで実現されてもよい。
さらに、明細書で用いられる「第１」又は「第２」などの序数を含む用語は、様々な構成要素を説明するために用いることができるが、上記構成要素は上記用語により限定されるべきではない。上記用語は、ある構成要素を他の構成要素と区別する目的で用いることができる。
一実施形態によれば、「病理スライド画像」は、人体から採取された組織などに対して一連の化学処理工程を行って固定及び染色された病理スライドを撮影した画像を示すことができる。また、病理スライド画像は、全スライドの高解像度の画像を含む全スライド画像（Ｗｈｏｌｅ Ｓｌｉｄｅ Ｉｍａｇｅ，ＷＳＩ）を示すことができ、全スライド画像の一部、例えば１つ以上のパッチ（ｐａｔｃｈ）を示すこともできる。例えば、病理スライド画像は、スキャン装置（例えば、デジタルスキャナなど）により撮影又はスキャンされたデジタル画像を示すことができ、人体内の特定のタンパク質、細胞（ｃｅｌｌ）、組織（ｔｉｓｓｕｅ）及び／又は構造（ｓｔｒｕｃｔｕｒｅ）に関する情報を含むことができる。さらに、病理スライド画像は、１つ以上のパッチを含むことができ、１つ以上のパッチには、アノテーション（ａｎｎｏｔａｔｉｏｎ）作業により組織学的情報を適用（例えば、タギング）することができる。
一実施形態によれば、「医学情報」は、医療画像から抽出できる医学的に意味のある任意の情報を示すことができ、例えば、医療画像内の特定の組織（例えば、癌組織、癌基質組織など）及び／又は特定の細胞（例えば、腫瘍細胞、リンパ球細胞、マクロファージ細胞（Ｍａｃｒｏｐｈａｇｅ ｃｅｌｌｓ）、内皮細胞（Ｅｎｄｏｔｈｅｌｉａｌ ｃｅｌｌｓ）、線維芽細胞（Ｆｉｂｒｏｂｌａｓｔ ｃｅｌｌｓ）など）の領域、位置、サイズ、癌の診断情報、被検者の発癌の可能性に関連する情報、及び／又は癌の治療に関連する医学的結論などを含むことができるが、それらに限定されるものではない。また、医学情報は、医療画像から得られる定量化された数値だけでなく、数値を可視化した情報、数値に応じた予測情報、画像情報、統計学的情報などを含むことができる。そのようにして生成された医学情報は、ユーザ端末に提供するか、ディスプレイ装置に出力又は伝達し、表示することができる。
以下、添付の図面を参照して、実施形態について詳細に説明する。しかし、実施形態は、様々な異なる形態で実現することができ、本明細書で説明する例に限定されるものではない。
図１は一実施形態による病理スライド画像を評価するシステムの一例を説明するための図である。
図１を参照すると、システム１は、ユーザ端末１０及びサーバ２０を含む。例えば、ユーザ端末１０とサーバ２０とは、有線又は無線通信方式で接続され、互いにデータ（例えば、画像データなど）を送受信することができる。
説明の便宜上、図１にはシステム１がユーザ端末１０及びサーバ２０を含むものとして示されているが、それに限定されるものではない。例えば、システム１は、他の外部装置（図示せず）を含むことができ、以下に説明されるユーザ端末１０及びサーバ２０の動作は、単一の装置（例えば、ユーザ端末１０もしくはサーバ２０）又はより多くの装置により実現することもできる。
ユーザ端末１０は、ディスプレイ装置及びユーザ入力を受信する装置（例えば、キーボード、マウスなど）を備え、メモリ及びプロセッサを含むコンピューティング装置であってもよい。例えば、ユーザ端末１０としては、ノートパソコン（ｎｏｔｅｂｏｏｋ ＰＣ）、デスクトップパソコン（ｄｅｓｋｔｏｐ ＰＣ）、ラップトップコンピュータ（ｌａｐｔｏｐ ｃｏｍｐｕｔｅｒ）、タブレットコンピュータ（ｔａｂｌｅｔ ｃｏｍｐｕｔｅｒ）、スマートフォンなどが挙げられるが、それらに限定されるものではない。
サーバ２０は、ユーザ端末１０を含む外部デバイス（図示せず）と通信する装置であってもよい。一例として、サーバ２０は、病理スライド画像、病理スライド画像に対応するビットマップ画像、病理スライド画像の分析により生成された情報（例えば、病理スライド画像に表された少なくとも１つの組織（ｔｉｓｓｕｅ）及び細胞（ｃｅｌｌ）に関する情報、少なくとも１つのバイオマーカーの発現（ｅｘｐｒｅｓｓｉｏｎ）情報などを含む）、病理スライド画像の分析のために用いられる機械学習モデルに関する情報を含む様々なデータを保存する装置であってもよい。あるいは、サーバ２０は、メモリ及びプロセッサを含み、独自の演算能力を有するコンピューティング装置であってもよい。サーバ２０がコンピューティング装置である場合、サーバ２０は、図１～図１１ｃを参照して後述するユーザ端末１０の動作の少なくとも一部を行うことができる。例えば、サーバ２０は、クラウド（ｃｌｏｕｄ）サーバであってもよいが、それに限定されるものではない。
ユーザ端末１０は、病理スライド画像、及び／又は病理スライド画像の分析により生成された情報を示す画像４０を出力する。例えば、画像４０には、病理スライド画像に表された少なくとも１つの組織及び細胞に関する様々な情報が表されてもよい。また、画像４０には、バイオマーカーの発現情報が表されてもよい。さらに、画像４０は、病理スライド画像に含まれる少なくとも一部の領域に関する医学情報を含むレポートであってもよい。さらに、画像４０は、病理スライド画像の評価の結果を含むレポートであってもよい。
病理スライド画像は、人体から採取された組織などを顕微鏡で観察するために一連の化学処理工程を行って固定及び染色された病理スライドを撮影した画像を示すことができる。一例として、病理スライド画像は、全スライドの高解像度の画像を含む全スライド画像（ｗｈｏｌｅ ｓｌｉｄｅ ｉｍａｇｅ）を示すことができる。他の例として、病理スライド画像は、そのような高解像度の全スライド画像の一部を示すことができる。
一方、病理スライド画像は、全スライド画像においてパッチ単位に分割されたパッチ領域を示すことができる。例えば、パッチは、所定の領域のサイズを有することができる。あるいは、パッチは、全スライド内に含まれるオブジェクトのそれぞれを含む領域を示すことができる。
また、病理スライド画像は、顕微鏡を用いて撮影されたデジタル画像を示すことができ、人体内の細胞（ｃｅｌｌ）、組織（ｔｉｓｓｕｅ）及び／又は構造（ｓｔｒｕｃｔｕｒｅ）に関する情報を含むことができる。
病理スライド画像の分析により、病理スライド画像に表された生物学的要素（例えば、癌細胞、免疫細胞、癌領域など）を確認することができる。そのような生物学的要素は、疾病の組織学的診断、疾病の予後の予測、疾病の治療方向の決定などに活用することができる。
一方、ユーザ３０による病理スライド画像の分析にはユーザ３０の主観的な判断が含まれることがあり、被検者に対する客観的な診断が困難であり得る。それを解決するための方法として、機械学習モデルを用いた病理スライド画像の分析ツール（ｔｏｏｌ）が開発されている。ただし、病理スライド画像の品質が保証されない場合、機械学習モデルにより出力された結果の正確度が劣り得る。具体的には、病理スライド画像の標準形式が制定されていないため、機械学習モデルによる病理スライド画像のダウンストリーム（ｄｏｗｎｓｔｒｅａｍ）分析には潜在的な偏向（ｐｏｔｅｎｔｉａｌ ｂｉａｓ）が含まれ得る。
一実施形態によるユーザ端末１０は、病理スライド画像に表された少なくとも１つの対象体を分析し、分析の結果に基づいて病理スライド画像の品質を評価する。また、ユーザ端末１０は、評価の結果に応じて少なくとも１つの追加動作を行う。
よって、ユーザ３０は病理スライド画像の品質評価の結果を確認することができ、病理スライド画像のダウンストリーム分析の正確度が向上する。さらに、一実施形態による評価方法は、病理スライド画像の品質管理のための標準的な方法として提供することができ、デジタル病理学のワークフローのための機械学習モデルの標準化を設定することができる。
以下、図２～図１１ｃを参照して、ユーザ端末１０が病理スライド画像を分析し、分析の結果に基づいて病理スライド画像の品質を評価し、評価の結果に応じて少なくとも１つの追加動作を行う例を説明する。
一方、説明の便宜上、明細書全般にわたって、ユーザ端末１０が一実施形態による動作を行うことを説明するが、それに限定されるものではない。例えば、ユーザ端末１０により行われる動作の少なくとも一部は、サーバ２０により行うこともできる。
言い換えれば、図１～図１１ｃを参照して説明するユーザ端末１０の動作の少なくとも一部は、サーバ２０により行うこともできる。例えば、サーバ２０は、病理スライド画像に表された組織及び細胞を分析することができる。また、サーバ２０は、分析の結果に基づいて病理スライド画像の品質を評価することができる。さらに、サーバ２０は、評価の結果に応じて少なくとも１つの追加動作を行うことができる。さらに、サーバ２０は、分析の結果、評価の結果、及び／又は追加動作の実行結果をユーザ端末１０に送信することができる。ただし、サーバ２０の動作は上述したものに限定されるものではない。
図２は一実施形態による機械学習モデルを用いて組織標本のスライド画像を準備、処理及び検討するシステム及びネットワークのブロック図である。
図２を参照すると、システム２は、ユーザ端末１１、１２、スキャナ５０、画像管理システム６１、ＡＩベースのバイオマーカー分析システム６２、実験室情報管理システム６３及びサーバ７０を含む。また、システム２に含まれる構成要素（符号１１、１２、５０、６１、６２、６３、７０）は、ネットワーク８０を介して互いに接続することができる。例えば、ネットワーク８０は、有線又は無線通信方式で構成要素（符号１１、１２、５０、６１、６２、６３、７０）を互いに接続できるネットワークであってもよい。例えば、図２に示すシステム２は、病院、研究室、実験室などにあるサーバ、及び／又は医者もしくは研究員のユーザ端末に接続できるネットワークを含んでもよい。
本開示の様々な実施形態によれば、図３ａ～図１１ｃを参照して後述する方法は、ユーザ端末１１、１２、画像管理システム６１、ＡＩベースのバイオマーカー分析システム６２、実験室情報管理システム６３、及び／又は病院もしくは研究室のサーバ７０で行うことができる。
スキャナ５０は、被検者９０の組織サンプルを用いて生成された組織サンプルスライドからデジタル化された画像を取得することができる。例えば、スキャナ５０、ユーザ端末１１、１２、画像管理システム６１、ＡＩベースのバイオマーカー分析システム６２、実験室情報管理システム６３、及び／又は病院もしくは研究室のサーバ７０は、それぞれ、１つ以上のコンピュータ、サーバ及び／又はモバイルデバイスを介してインターネットなどのネットワーク８０に接続するか、１つ以上のコンピュータ及び／又はモバイルデバイスを介してユーザ３０及び／又は被検者９０と通信することができる。
ユーザ端末１１、１２、画像管理システム６１、ＡＩベースのバイオマーカー分析システム６２、実験室情報管理システム６３、及び／又は病院もしくは研究室のサーバ７０は、１つ以上の被検者９０の組織サンプル、組織サンプルスライド、組織サンプルスライドのデジタル化された画像、又はそれらの任意の組み合わせを生成するか、そうでなければ、他のの装置から取得することができる。また、ユーザ端末１１、１２、画像管理システム６１、ＡＩベースのバイオマーカー分析システム６２、実験室情報管理システム６３は、被検者９０の年齢、病力、癌治療履歴、家族履歴、過去の生検記録、被検者９０の疾病情報などの被検者特定情報の任意の組み合わせを取得することができる。
スキャナ５０、ユーザ端末１１、１２、画像管理システム６１、実験室情報管理システム６３、及び／又は病院もしくは研究室のサーバ７０は、ネットワーク８０を介して、デジタル化されたスライド画像及び／又は被検者特定情報をＡＩベースのバイオマーカー分析システム６２に送信することができる。ＡＩベースのバイオマーカー分析システム６２は、受信した画像及びデータを保存するための１つ以上の保存デバイス（図示せず）を含んでもよい。また、ＡＩベースのバイオマーカー分析システム６２は、受信した画像及びデータを処理するように訓練された機械学習モデルを保存する機械学習モデルリポジトリを含んでもよい。例えば、ＡＩベースのバイオマーカー分析システム６２は、被検者９０の病理スライド画像から少なくとも１つの細胞に関する情報、少なくとも１つの領域に関する情報、バイオマーカーに関する情報、医学的診断情報及び／又は医学的治療情報の少なくとも１つを予測するために学習及び訓練された機械学習モデルを含んでもよい。
スキャナ５０、ユーザ端末１１、１２、ＡＩベースのバイオマーカー分析システム６２、実験室情報管理システム６３、及び／又は病院もしくは研究室のサーバ７０は、ネットワーク８０を介して、デジタル化されたスライド画像、被検者特定情報、及び／又はデジタル化されたスライド画像の分析の結果を画像管理システム６１に送信することができる。画像管理システム６１は、受信した画像を保存するためのリポジトリ、及び分析の結果を保存するためのリポジトリを含んでもよい。
また、本開示の様々な実施形態によれば、被検者９０の病理スライド画像から少なくとも１つの細胞に関する情報、少なくとも１つの領域に関する情報、バイオマーカーに関する情報、医学的診断情報及び／又は医学的治療情報の少なくとも１つを予測するために学習及び訓練された機械学習モデルは、ユーザ端末１１、１２及び／又は画像管理システム６１に保存されて動作することができる。
本開示の様々な実施形態によれば、病理スライド画像の分析方法、被検者情報の処理方法、被検者群の選別方法、臨床試験の設計方法、バイオマーカーの発現情報の生成方法、及び／又は特定のバイオマーカーに対する基準値の設定方法は、ＡＩベースのバイオマーカー分析システム６２だけでなく、ユーザ端末１１、１２、画像管理システム６１、実験室情報管理システム６３、及び／又は病院もしくは研究室のサーバ７０で行うことができる。
図３ａは一実施形態によるユーザ端末の一例を示す構成図である。
図３ａを参照すると、ユーザ端末１００は、プロセッサ１１０、メモリ１２０、入出力インターフェース１３０及び通信モジュール１４０を含む。説明の便宜上、図３ａには、本発明に関連する構成要素のみが示されている。よって、ユーザ端末１００は、図３ａに示す構成要素に加えて、他の汎用の構成要素をさらに含んでもよい。また、図３ａに示されるプロセッサ１１０、メモリ１２０、入出力インターフェース１３０及び通信モジュール１４０を独立した装置として実現できることは、本発明に関連する技術分野における通常の知識を有する者にとって自明である。
さらに、ユーザ端末１００の動作は、図２のユーザ端末１１、１２、画像管理システム６１、ＡＩベースのバイオマーカー分析システム６２、実験室情報管理システム６３、及び／又は病院もしくは研究室のサーバ７０で行うことができる。
プロセッサ１１０は、基本的な算術、ロジック及び入出力演算を行うことにより、コンピュータプログラムの命令を処理することができる。ここで、命令は、メモリ１２０又は外部装置（例えば、サーバ２０など）から提供することができる。また、プロセッサ１１０は、ユーザ端末１００に含まれる他の構成要素の動作を全般的に制御することができる。
プロセッサ１１０は、病理スライド画像に表された少なくとも１つの対象体を分析する。例えば、対象体は、細胞、組織、構造などを含むことができる。例えば、プロセッサ１１０は、病理スライド画像を癌領域（ｃａｎｃｅｒ ｒｅｇｉｏｎ）、癌基質領域（ｃａｎｃｅｒ ｓｔｒｏｍａ ｒｅｇｉｏｎ）、壊死領域（ｎｅｃｒｏｓｉｓ ｒｅｇｉｏｎ）及びバックグラウンド領域（ｂａｃｋｇｒｏｕｎｄ）の少なくとも１つに分類することができる。また、プロセッサ１１０は、病理スライド画像に表された複数の細胞を腫瘍細胞（ｔｕｍｏｒ ｃｅｌｌ）、リンパ球細胞（ｌｙｍｐｈｏｃｙｔｅｓ ｃｅｌｌ）及びその他の細胞の少なくとも１つに分類することができる。
さらに、プロセッサ１１０は、病理スライド画像の分析の結果に基づいて病理スライド画像の品質を評価する。例えば、プロセッサ１１０は、病理スライド画像から取得された少なくとも１つの定量情報を用いて少なくとも１回の第１テストを行うことができる。その後、プロセッサ１１０は、病理スライド画像に表された少なくとも１つのバイオマーカーの定量情報を用いて第２テストを行うことができる。ここで、第２テストは、第１テストをパスした病理スライド画像に対して行われてもよいが、それに限定されるものではない。
プロセッサ１１０は、病理スライド画像から確認された分析可能領域（ａｎａｌｙｚａｂｌｅ ｒｅｇｉｏｎ）に対応する定量情報、及び病理スライド画像に含まれる癌領域（ｃａｎｃｅｒ ｒｅｇｉｏｎ）に対応する定量情報の少なくとも１つに基づいて、病理スライド画像の品質評価をパスしたか否かを決定する第１テストを行うことができる。例えば、プロセッサ１１０は、病理スライド画像から確認された分析可能領域（ａｎａｌｙｚａｂｌｅ ｒｅｇｉｏｎ）に対応する定量情報、及び病理スライド画像に含まれる癌領域（ｃａｎｃｅｒ ｒｅｇｉｏｎ）に対応する定量情報の少なくとも１つを所定の基準値（ｒｅｆｅｒｅｎｃｅ ｖａｌｕｅ）と比較することにより、第１テストを行うことができる。
また、プロセッサ１１０は、病理スライド画像に表された少なくとも１つのバイオマーカーの定量情報に基づいて、病理スライド画像の品質評価をパスしたか否かを決定する第２テストを行うことができる。例えば、プロセッサ１１０は、病理スライド画像に表された少なくとも１つのバイオマーカーの定量情報を所定の基準値と比較することにより、第２テストを行うことができる。ここで、バイオマーカーは、腫瘍細胞（ｔｕｍｏｒ ｃｅｌｌ）、リンパ球細胞（ｌｙｍｐｈｏｃｙｔｅｓ ｃｅｌｌ）及び腫瘍純度（ｔｕｍｏｒ ｐｕｒｉｔｙ）の少なくとも１つを含むことができる。
また、プロセッサ１１０は、品質評価の結果に応じて少なくとも１つの追加動作を行う。一例として、プロセッサ１１０は、病理スライド画像に関する少なくとも１つの情報及び品質評価の結果が出力されるように、ディスプレイ装置を制御することができる。他の例として、プロセッサ１１０は、品質評価の結果に応じて病理スライド画像の分析の結果が選択的に出力されるように、ディスプレイ装置を制御することができる。さらに他の例として、プロセッサ１１０は、品質評価の結果及び品質評価の根拠を含むレポートを生成し、レポートが出力されるように、ディスプレイ装置を制御することができる。
プロセッサ１１０は、複数の論理ゲートのアレイで実現されてもよく、汎用マイクロプロセッサと当該マイクロプロセッサで実行できるプログラムが保存されたメモリとの組み合わせで実現されてもよい。例えば、プロセッサ１１０は、汎用プロセッサ、中央処理装置（ＣＰＵ）、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ）、コントローラ、マイクロコントローラ、状態機械などを含むことができる。一部の環境で、プロセッサ１１０は、特定用途向け半導体（ＡＳＩＣ）、プログラマブルロジックデバイス（ＰＬＤ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）などを含むこともできる。例えば、プロセッサ１１０は、デジタル信号プロセッサ（ＤＳＰ）とマイクロプロセッサとの組み合わせ、複数のマイクロプロセッサの組み合わせ、デジタル信号プロセッサ（ＤＳＰ）コアに結合された１つ以上のマイクロプロセッサの組み合わせ、又は任意の他のそのような構成の組み合わせなどの処理装置の組み合わせを示すこともできる。
メモリ１２０は、非一時的な任意のコンピュータで読み取り可能な記録媒体を含むことができる。一例として、メモリ１２０は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、フラッシュメモリ（ｆｌａｓｈ ｍｅｍｏｒｙ）などの永久大容量保存装置（ｐｅｒｍａｎｅｎｔ ｍａｓｓ ｓｔｏｒａｇｅ ｄｅｖｉｃｅ）を含むことができる。他の例として、ＲＯＭ、ＳＳＤ、フラッシュメモリ、ディスクドライブなどの永久大容量保存装置は、メモリとは別の独立した永久保存装置であってもよい。また、メモリ１２０には、オペレーティングシステム（ＯＳ）と少なくとも１つのプログラムコード（例えば、プロセッサ１１０が図４～図１１ｃを参照して後述する動作を行うためのコード）を保存することができる。
そのようなソフトウェアコンポーネントは、メモリ１２０とは別のコンピュータで読み取り可能な記録媒体からロードすることができる。そのような別のコンピュータで読み取り可能な記録媒体は、ユーザ端末１００に直接接続できる記録媒体であってもよく、例えば、フロッピードライブ、ディスク、テープ、ＤＶＤ／ＣＤ－ＲＯＭドライブ、メモリカードなどのコンピュータで読み取り可能な記録媒体を含むことができる。あるいは、ソフトウェアコンポーネントは、コンピュータで読み取り可能な記録媒体ではなく、通信モジュール１４０を介してメモリ１２０にロードすることもできる。例えば、少なくとも１つのプログラムは、開発者又はアプリケーションのインストールファイルを配布するファイル配布システムが通信モジュール１４０を介して提供するファイルによりインストールされるコンピュータプログラム（例えば、プロセッサ１１０が図４～図１１ｃを参照して後述する動作を行うためのコンピュータプログラムなど）に基づいて、メモリ１２０にロードすることができる。
入出力インターフェース１３０は、ユーザ端末１００に接続されるか又はユーザ端末１００に含まれる入力又は出力のための装置（例えば、キーボード、マウスなど）とのインターフェースのための手段であってもよい。図３ａには、入出力インタフェース１３０がプロセッサ１１０とは別に構成された要素として示されているが、これに限定されず、入出力インタフェース１３０がプロセッサ１１０に含まれるように構成されてもよい。
通信モジュール１４０は、ネットワークを介してサーバ２０とユーザ端末１００とが互いに通信するための構成又は機能を提供することができる。また、通信モジュール１４０は、ユーザ端末１００が他の外部装置と通信するための構成又は機能を提供することができる。例えば、プロセッサ１１０の制御に従って提供される制御信号、命令、データなどを通信モジュール１４０とネットワークを介してサーバ２０及び／又は外部装置に送信することができる。
一方、図３ａには示されていないが、ユーザ端末１００は、ディスプレイ装置をさらに含んでもよい。あるいは、ユーザ端末１００は、独立したディスプレイ装置と有線又は無線通信方式で接続され、互いにデータを送受信することができる。例えば、ディスプレイ装置により病理スライド画像、病理スライド画像の分析情報、治療反応の予測情報などをユーザ３０に提供することができる。
図３ｂは一実施形態によるサーバの一例を示す構成図である。
図３ｂを参照すると、サーバ２００は、プロセッサ２１０、メモリ２２０及び通信モジュール２３０を含む。説明の便宜上、図３ｂには、本発明に関連する構成要素のみが示されている。よって、サーバ２００は、図３ｂに示す構成要素に加えて、他の汎用の構成要素をさらに含むことができる。また、図３ｂに示されるプロセッサ２１０、メモリ２２０及び通信モジュール２３０を独立した装置として実現できることは、本発明に関連する技術分野における通常の知識を有する者にとって自明である。
プロセッサ２１０は、メモリ２２０、外部メモリ、ユーザ端末１００及び外部装置の少なくとも１つから病理スライド画像を取得することができる。プロセッサ２１０は、病理スライド画像に表された少なくとも１つの対象体を分析するか、分析の結果に基づいて病理スライド画像の品質を評価するか、評価の結果に応じて少なくとも１つの追加動作を行うことができる。
言い換えれば、図３ａを参照して上述したプロセッサ１１０の動作の少なくとも１つは、プロセッサ２１０により行うことができる。この場合、ユーザ端末１００は、サーバ２００から送信された情報をディスプレイ装置を介して出力することができる。
一方、プロセッサ２１０の実現例は、図３ａを参照して上述したプロセッサ１１０の実現例と同様であるので、具体的な説明は省略する。
メモリ２２０には、病理スライド画像、プロセッサ２１０の動作によって生成されたデータなど、様々なデータを保存することができる。また、メモリ２２０には、オペレーティングシステム（ＯＳ）と少なくとも１つのプログラム（例えば、プロセッサ２１０の動作に必要なプログラムなど）を保存することができる。
一方、メモリ２２０の実現例は、図３ａを参照して上述したメモリ１２０の実現例と同様であるので、具体的な説明は省略する。
通信モジュール２３０は、ネットワークを介してサーバ２００とユーザ端末１００とが互いに通信するための構成又は機能を提供することができる。また、通信モジュール２３０は、サーバ２００が他の外部装置と通信するための構成又は機能を提供することができる。例えば、プロセッサ２１０の制御に従って提供される制御信号、命令、データなどを通信モジュール２３０とネットワークを介してユーザ端末１００及び／又は外部装置に送信することができる。
図４は一実施形態による病理スライド画像を分析する方法の一例を説明するためのフローチャートである。
図４を参照すると、病理スライド画像を分析する方法は、図１～図３ａに示すユーザ端末１０、１００又はプロセッサ１１０で時系列的に処理されるステップから構成される。よって、以下で省略された内容であっても、図１～図３ａに示すユーザ端末１０、１００又はプロセッサ１１０について上述した内容は、図４の病理スライド画像を分析する方法にも適用することができる。
また、図１～図３ｂを参照して上述したように、図４に示すフローチャートのステップの少なくとも１つは、サーバ２０、２００又はプロセッサ２１０で処理することができる。
ステップ４１０において、プロセッサ１１０は、病理スライド画像に表された少なくとも１つの対象体を分析することができる。例えば、対象体は、細胞、組織、構造などを含むことができる。
例えば、プロセッサ１１０は、病理スライド画像上の領域を癌領域、癌基質領域、壊死領域及びバックグラウンド領域の少なくとも１つに分類することができる。また、プロセッサ１１０は、病理スライド画像に表された複数の細胞を腫瘍細胞、リンパ球細胞及びその他の細胞の少なくとも１つに分類することができる。
まず、プロセッサ１１０は、病理スライド画像を分析する。一例として、プロセッサ１１０は、所定の画像処理技術を用いて病理スライド画像を分析することにより、病理スライド画像から組織に対応する領域を検出することができる。プロセッサ１１０は、組織を示す層の形態で検出の結果を出力することができる。他の例として、プロセッサ１１０は、機械学習モデルを用いて、病理スライド画像からの組織に対応する領域を検出することができる。プロセッサ１１０は、機械学習モデルを用いて、組織を示す層の形態で検出の結果を出力することができる。この場合、機械学習モデルは、複数の参照病理スライド画像及び複数の参照ラベル情報を含む学習データを用いて、参照病理スライド画像内の組織に対応する領域を検出するように学習されてもよい。
ここで、機械学習モデルとは、機械学習（Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ）技術と認知科学において、生物学的ニューラルネットワークの構造に基づいて実現された統計学的学習アルゴリズム、又はそのアルゴリズムを実行する構造を意味する。
例えば、機械学習モデルは、生物学的ニューラルネットワークのように、シナプスの結合でネットワークを形成した人工ニューロンであるノード（Ｎｏｄｅ）がシナプスの重み値を繰り返し調整し、特定の入力に対応する正しい出力と推論された出力との間の誤差が減少するように学習することにより、問題解決能力を有するモデルを示すことができる。例えば、機械学習モデルは、機械学習、ディープラーニングなどの人工知能学習法に用いられる任意の確率モデル、ニューラルネットワークモデルなどを含むことができる。
例えば、機械学習モデルは、多層のノードとそれらの間の接続で構成される多層パーセプトロン（ＭＬＰ：ｍｕｌｔｉｌａｙｅｒ ｐｅｒｃｅｐｔｒｏｎ）で実現することができる。本実施形態による機械学習モデルは、ＭＬＰを含む様々な人工ニューラルネットワークモデル構造のうちの１つを用いて実現することができる。例えば、機械学習モデルは、外部から入力信号又はデータを受信する入力層と、入力データに対応する出力信号又はデータを出力する出力層と、入力層と出力層との間に位置し、入力層から信号を受け取って特性を抽出して出力層に送る少なくとも１つの隠匿層とから構成されてもよい。出力層は、隠匿層から信号又はデータを受信して外部に出力する。
よって、機械学習モデルは、１つ以上の病理スライド画像を受信し、病理スライド画像に含まれる少なくとも１つの対象体（例えば、細胞、組織、構造など）に関する情報を抽出するように学習されてもよい。
さらに、プロセッサ１１０は、病理スライド画像に表された複数の組織に対して第１分類を行うことができる。具体的には、プロセッサ１１０は、病理スライド画像を癌領域（ｃａｎｃｅｒ ｒｅｇｉｏｎ）、癌基質領域（ｃａｎｃｅｒ ｓｔｒｏｍａ ｒｅｇｉｏｎ）、壊死領域（ｎｅｃｒｏｓｉｓ ｒｅｇｉｏｎ）及びバックグラウンド領域（ｂａｃｋｇｒｏｕｎｄ）の少なくとも１つに分類することができる。ここで、バックグラウンド領域は、生物学的ノイズ（ｂｉｏｌｏｇｉｃａｌ ｎｏｉｓｅ）を示す領域及び／又は技術的ノイズ（ｔｅｃｈｎｉｃａｌ ｎｏｉｓｅ）を示す領域を含むことができる。例えば、生物学的ノイズを示す領域は正常領域を含み、技術的ノイズを示す領域は低下領域を含むことができる。
ただし、プロセッサ１１０が病理スライド画像に表された少なくとも一部の領域を分類する例は、上述した例に限定されるものではない。言い換えれば、上述した４種類の領域（癌領域、癌基質領域、壊死領域及びバックグラウンド領域）に限定されず、プロセッサ１１０は、様々な基準によって、病理スライド画像に表された少なくとも１つの領域を複数のカテゴリに分類することができる。病理スライド画像に表された少なくとも１つの領域は、予め設定された基準又はユーザにより設定された基準によって、複数のカテゴリに分類することができる。なお、ノイズの種類が生物学的ノイズ及び技術的ノイズに限定されるものではない。
さらに、プロセッサ１１０は、病理スライド画像を分析して、病理スライド画像に表された複数の細胞に対して第２分類を行うことができる。
まず、プロセッサ１１０は、病理スライド画像を分析して、病理スライド画像から細胞を検出し、細胞を示す層の形態で検出の結果を出力することができる。プロセッサ１１０が病理スライド画像を分析する具体的な方法は、第１分類に関して上述した通りである。
また、プロセッサ１１０は、病理スライド画像に表された複数の細胞に対して第２分類を行う。具体的には、プロセッサ１１０は、病理スライド画像に表された細胞を腫瘍細胞（ｔｕｍｏｒ ｃｅｌｌ）、リンパ球細胞（ｌｙｍｐｈｏｃｙｔｅｓ ｃｅｌｌ）及びその他の細胞の少なくとも１つに分類する。ただし、プロセッサ１１０が病理スライド画像に表された細胞を分類する例は、上述した例に限定されるものではない。言い換えれば、プロセッサ１１０は、異なる種類の細胞を分類する様々な基準によって、病理スライド画像に表された細胞をグループ化することができる。
以下、図５及び図６を参照して、プロセッサ１１０が複数の組織に対して第１分類及び第２分類を行う例を説明する。
図５は一実施形態によるプロセッサが複数の組織に対して第１分類を行う一例を説明するための図である。
図５を参照すると、プロセッサ１１０は、病理スライド画像５１０を分析して組織５２０を示す領域を検出し、組織５２０を示す層の形態で検出の結果を出力することができる。病理スライド画像５１０の組織５２０は、様々な領域５３１～５３５を含むことができ、プロセッサ１１０は、領域５３１～５３５を分類することができる。例えば、プロセッサ１１０は、領域５３１～５３５を癌領域５３１、癌基質領域５３２、壊死領域５３３、低下領域５３４及び正常領域５３５に分類することができる。
図６は一実施形態によるプロセッサが複数の細胞に対して第２分類を行う一例を説明するための図である。
図６を参照すると、プロセッサ１１０は、病理スライド画像６１０を分析して組織６２０内の細胞を確認する。具体的には、プロセッサ１１０は、病理スライド画像６１０から細胞を示す部分を検出し、細胞を示す層の形態で検出の結果を出力することができる。
組織６２０は、複数の細胞から構成され、細胞は、様々な種類で構成され得る。プロセッサ１１０は、細胞を腫瘍細胞６３１、リンパ球細胞６３２及びその他の細胞６３３の少なくとも１つに分類することができる。ここで、その他の細胞６３３は、正常細胞を含むことができる。例えば、その他の細胞６３３は、上皮細胞、神経細胞、筋肉細胞及び結合組織細胞（ｃｏｎｎｅｃｔｉｖｅ ｔｉｓｓｕｅ ｃｅｌｌ）の少なくとも１つを含むことができるが、それらに限定されるものではない。
ステップ４１０及び図５及び図６を参照して上述したように、プロセッサ１１０は、病理スライド画像内の組織及び細胞に関する情報を取得することができる。例えば、プロセッサ１１０は、病理スライド画像の全領域で組織及び細胞のそれぞれの位置を特定することができる。また、プロセッサ１１０は、組織及び細胞のそれぞれの種類を確認することができ、組織のそれぞれに含まれる細胞の数及び密度を定量化して定量情報を取得することもできる。さらに、プロセッサ１１０は、組織及び細胞に関する定量情報を用いて腫瘍純度（ｔｕｍｏｒ ｐｕｒｉｔｙ）を正確に演算することもできる。
ステップ４２０において、プロセッサ１１０は、分析の結果に基づいて病理スライド画像の品質を評価する。
ステップ４１０を参照して上述したように、プロセッサ１１０は、病理スライド画像を分析することにより、様々な定量情報を取得することができる。また、プロセッサ１１０は、定量情報を用いて腫瘍純度を演算することもできる。よって、プロセッサ１１０は、病理スライド画像を分析することにより導出された情報を、病理スライド画像を評価する過程に用いることができる。
例えば、プロセッサ１１０は、病理スライド画像から取得された少なくとも１つの定量情報を用いて少なくとも１回の第１テストを行うことができる。また、プロセッサ１１０は、病理スライド画像に表された少なくとも１つのバイオマーカーの定量情報を用いて第２テストを行うことができる。ここで、第２テストは、第１テストをパスした病理スライド画像に対してのみ行われてもよいが、それに限定されるものではない。
例えば、第１テストは、病理スライド画像から確認された分析可能領域に対応する定量情報、及び癌領域に対応する定量情報の少なくとも１つを所定の基準値と比較する過程を含むことができる。また、第２テストは、病理スライド画像に表された少なくとも１つのバイオマーカーの定量情報を所定の基準値と比較する過程を含むことができる。ここで、少なくとも１つのバイオマーカーは、腫瘍細胞、リンパ球細胞及び腫瘍純度の少なくとも１つを含むことができる。
以下、図７を参照して、プロセッサ１１０が病理スライド画像の品質を評価する一例を説明する。
図７は一実施形態によるプロセッサが病理スライド画像の品質を評価する一例を説明するためのフローチャートである。
図７に示すフローチャートは、第１テスト及び第２テストを含む。例えば、ステップ７１０～ステップ７４０が第１テストに該当するものであり、ステップ７５０及びステップ７６０が第２テストに該当するものであり得る。言い換えれば、第２テストは、第１テストをパスした病理スライド画像に対してのみ行われてもよく、第１テストは、少なくとも１つのサブテストを含んでもよい。
しかし、第１テストの数及び第２テストの実行条件は、上述したものに限定されるものではない。言い換えれば、第１テストは、第１サブテスト（ステップ７１０及びステップ７２０）と第２サブテスト（ステップ７３０及びステップ７４０）の少なくとも１つを含んでもよい。また、第２テストは、第１テストをパスしたか否かに関係なく行われてもよい。
第１テスト及び第２テストにより、病理スライド画像が分析可能な関心領域（ａｎａｌｙｚａｂｌｅ ＲＯＩ）内で特定のバイオマーカーに関するコンテンツを十分に含むか否かを判断することができる。言い換えれば、第１テスト及び第２テストは、病理スライド画像内に十分な癌領域が表されているか及び／又はバイオマーカーの分析に寄与する様々な細胞が表されているかを判断する過程であり得る。第１テスト及び第２テストをパスした病理スライド画像は、ダウンストリーム分析（ｄｏｗｎｓｔｒｅａｍ ａｎａｌｙｓｉｓ）のために次の過程に進むことができる。
第１テストは、病理スライド画像に対する最小要求条件を満たすか否かを判断するテストであり得る。言い換えれば、プロセッサ１１０は、第１テストにより、病理スライド画像の分析可能領域及び癌領域が最小限の基準を満たすか否かを判断することができる。
ステップ７１０において、プロセッサ１１０は、分析可能領域に対応する定量情報を第１基準値（ｒｅｆｅｒｅｎｃｅ ｖａｌｕｅ）と比較する。分析可能領域とは、病理スライド画像において分析が可能な全領域であって、全組織領域を意味し得る。ステップ４１０により分析された結果に応じて、プロセッサ１１０は、病理スライド画像内の全組織領域に関する定量情報を取得することができる。例えば、全組織領域に関する定量情報は、画像内で識別された組織領域に対応する面積を含むことができる。よって、プロセッサ１１０は、画像内の全組織領域の総和を第１基準値と比較することができる。
ステップ７２０において、プロセッサ１１０は、分析可能領域の総和と第１基準値との比較結果が所定の基準を満たすか否かを判断する。例えば、所定の基準は、分析可能領域の総和が第１基準値より大きいか等しいことを意味し得るが、それに限定されるものではない。所定の基準を満たす場合は、ステップ７３０に進み、所定の基準を満たさない場合は、ステップ７８０に進む。
ステップ７３０において、プロセッサ１１０は、癌領域に対応する定量情報を第２基準値と比較する。ステップ４１０により分析された結果に応じて、プロセッサ１１０は、病理スライド画像内の癌領域に関する定量情報を取得することができる。例えば、癌領域に関する定量情報は、画像内で識別された癌領域に対応する面積を含むことができる。よって、プロセッサ１１０は、画像内の癌領域の総和を第２基準値と比較することができる。
あるいは、プロセッサ１１０は、分析可能領域に対する癌領域の比率を第２基準値と比較することもできる。分析可能領域には癌領域が含まれる。よって、分析可能領域に対する癌領域の比率を第２基準値と比較することは、画像内の癌領域の総和を第２基準値と比較することと同じ目的を達成することができる。
ステップ７４０において、プロセッサ１１０は、癌領域の総和（又は、分析可能領域に対する癌領域の比率）と第２基準値との比較結果が所定の基準を満たすか否かを判断する。例えば、所定の基準は、癌領域の総和（又は、分析可能領域に対する癌領域の比率）が第２基準値より大きいか等しいことを意味し得るが、それに限定されるものではない。所定の基準を満たす場合は、ステップ７５０に進み、所定の基準を満たさない場合は、ステップ７８０に進む。
第２テストは、病理スライド画像が特定のバイオマーカーに関する情報を適切に含むか否かを判断するテストであり得る。言い換えれば、プロセッサ１１０は、第２テストにより、ユーザ３０が指定するバイオマーカーに関する情報を病理スライド画像から正確に確認できるか否かを判断することができる。
病理スライド画像内には少なくとも１つのバイオマーカーが表され得る。一方、ユーザ３０が関心を有するバイオマーカーは、様々であり、状況に応じて変更され得る。よって、第２テストは、ユーザ３０が特定のバイオマーカーを指定することにより、単一の病理スライド画像に対して複数回行うこともできる。
ステップ７５０において、プロセッサ１１０は、バイオマーカーの定量情報を第３基準値と比較する。ここで、バイオマーカーは、タンパク質、ＤＮＡ、ＲＮＡ、代謝物質、腫瘍細胞、リンパ球細胞などの種々の細胞、様々な組織の表現型及び腫瘍純度の少なくとも１つを含むことができる。ステップ４１０により分析された結果に応じて、プロセッサ１１０は、病理スライド画像内のタンパク質、ＤＮＡ、ＲＮＡ、代謝物質、又は様々な細胞に関する定量情報を取得することができる。また、プロセッサ１１０は、ステップ４１０により取得された情報に基づいて、腫瘍純度を演算することができる。よって、プロセッサ１１０は、ユーザ３０により指定されたバイオマーカーの定量情報の値を第３基準値と比較することができる。
ステップ７６０において、プロセッサ１１０は、バイオマーカーの定量情報の値と第３基準値との比較結果が所定の基準を満たすか否かを判断する。例えば、所定の基準は、バイオマーカーの定量情報の値が第３基準値より大きいか等しいことを意味し得るが、それに限定されるものではない。所定の基準を満たす場合は、ステップ７７０に進み、所定の基準を満たさない場合は、ステップ７８０に進む。
ステップ７７０において、プロセッサ１１０は、病理スライド画像が品質評価に合格（ｐａｓｓ）したと判断することができる。また、ステップ７８０において、プロセッサ１１０は、病理スライド画像が品質評価に不合格（ｆａｉｌ）したと判断することができる。
一方、上述した基準値（第１基準値、第２基準値及び第３基準値）は様々な基準で決定することができる。例えば、基準値は、ユーザ３０の設定、病理スライド画像のタイプ、標的癌のタイプ、バイオマーカーの機能性要件、疾病の状態、又は臨床的検証に関する研究によって様々に決定することができる。
例えば、基準値は、ＴＣＧＡ（Ｔｈｅ Ｃａｎｃｅｒ Ｇｅｎｏｍｅ Ａｔｌａｓ）スライド画像の最小値を考慮して決定することができる。
例えば、基準値は、バイオマーカーの機能性要件を考慮して決定することができる。バイオマーカーの機能性要件とは、バイオマーカーを正確に識別及び測定できなければならず、特定の疾病又は状態の診断、予測又は治療に有用な情報を提供できなければならないという前提の下で満たすべき要件を意味し得る。バイオマーカーの機能性要件は、感度（ｓｅｎｓｉｔｉｖｉｔｙ）、特異度（ｓｐｅｃｉｆｉｃｉｔｙ）、陽性適中率（ｐｏｓｉｔｉｖｅ ｐｒｅｄｉｃｔｉｖｅ ｖａｌｕｅ，ｐｐｖ）、陰性適中率（ｎｅｇａｔｉｖｅ ｐｒｅｄｉｃｔｉｖｅ ｖａｌｕｅ，ｎｐｖ）、安定性（ｓａｆｅｔｙ）、非侵襲性（ｎｏｎ－ｉｎｖａｓｉｖｅｎｅｓｓ）、繰り返し性（ｒｅｐｒｏｄｕｃｉｂｉｌｉｔｙ）などの機能性要件を含むことができる。例えば、バイオマーカーの機能性要件を満たす例としては、ｃｏｂａｓ ＥＧＦＲ Ｍｕｔａｔｉｏｎ Ｔｅｓｔが挙げられる。バイオマーカーの機能性要件は、ＦＤＡのＢｉｏｍａｒｋｅｒｓ ａｎｄ Ｑｕａｌｉｆｉｃａｔｉｏｎのリンク（https://www.fda.gov/drugs/biomarker-qualification-program/about-biomarkers-and-qualification）及びＢｉｏｍａｒｋｅｒ Ｑｕａｌｉｆｉｃａｔｉｏｎ Ｓｕｂｍｉｓｓｉｏｎｓのリスト（https://www.fda.gov/drugs/biomarker-qualification-program/biomarker-qualification-submissions）を参照して決定することができる。https://www.fda.gov/drugs/biomarker-qualification-program/about-biomarkers-and-qualificationhttps://www.fda.gov/drugs/biomarker-qualification-program/biomarker-qualification-submissions
例えば、病理スライド画像を用いて腫瘍浸潤リンパ球（ｔｕｍｏｒ－ｉｎｆｉｌｔｒａｔｉｎｇ ｌｙｍｐｈｏｃｙｔｅｓ）を測定すると仮定すると、癌領域や癌基質領域のリンパ球の比率が基準値より高い場合、免疫表現型分類過程（ｉｍｍｕｎｏｐｈｅｎｏｔｙｐｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｐｒｏｃｅｓｓ）を行う。一方、癌領域の腫瘍細胞の比率が基準値より高い場合、免疫細胞型分類過程（ｉｍｍｕｎｏｐｈｅｎｏｔｙｐｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｐｒｏｃｅｓｓ）を行う。よって、癌領域や癌基質領域においてリンパ球や腫瘍細胞の比率が基準値を満たさないと、不明の免疫表現型（ｕｎｋｎｏｗｎ ｉｍｍｕｎｅ ｐｈｅｎｏｔｙｐｅ）に分類され、画像の品質評価に不合格したものとなる。
また、バイオマーカーの基準値は、バイオマーカーに基づいて測定しようとする指標によって異なり得る。例えば、腫瘍純度の場合、画像の品質評価をパスするための基準値を１又は０だけ低く決定することができる。それと同様に、ＰＤ－Ｌ１腫瘍比率スコア（ＴＰＳ）演算は、生存可能な腫瘍細胞の数より１個又は０個だけ低く決定することができる。
再び図４を参照すると、ステップ４３０において、プロセッサ１１０は、評価の結果に応じて少なくとも１つの追加動作を行う。
一例として、プロセッサ１１０は、病理スライド画像に関する少なくとも１つの情報及びステップ４２０の評価の結果を共に表示することができる。例えば、プロセッサ１１０は、ディスプレイ装置を制御することにより、上述した内容を表示することができる。プロセッサ１１０が病理スライド画像に関する少なくとも１つの情報及び評価の結果を共に表示する例については図８を参照して後述する。
他の例として、プロセッサ１１０は、ステップ４２０の評価の結果に応じてステップ４１０の分析の結果を選択的に表示することができる。例えば、プロセッサ１１０は、ディスプレイ装置を制御することにより、上述した内容を表示することができる。プロセッサ１１０が評価の結果に応じて分析の結果を選択的に表示する例については図９を参照して後述する。
さらに他の例として、プロセッサ１１０は、ステップ４２０の評価の結果及び評価の根拠を含むレポートを生成することができる。また、プロセッサ１１０は、レポートが表示されるように、ディスプレイ装置を制御することができる。プロセッサ１１０が生成するレポートの一例については図１０を参照して後述する。
図８は一実施形態によるプロセッサにより表示される画面の一例を示す図である。
図８には図１～図７を参照して上述した方法が実行されるプログラムの実行画面８００の一例が示されている。実行画面８００には、病理スライド画像に関する少なくとも１つの情報及びステップ４２０の評価の結果を共に表示することができる。
例えば、領域８１０には、病理スライド画像の分析又は品質評価の現在の状態を表示することができる。具体的には、分析又は品質評価が行われる前の場合は「ｕｐｌｏａｄ」を、分析又は品質評価が行われている場合は「ａｎａｌｙｚｉｎｇ」を、分析又は品質評価が完了した場合は「ａｎａｌｙｚｅｄ」を、分析又は品質評価中にエラーが発生した場合は「ｆａｉｌｅｄ」を出力することができる。
また、領域８２０には、病理スライド画像の分析又は品質評価の結果を表示することができる。具体的には、品質評価に不合格した場合は「ＱＣ ｆａｉｌｅｄ」を、品質評価に合格した場合は概略的な分析の結果を表示することができる。
さらに、領域８３０には、様々な条件のフィルタを指定できるインジケータ（ｉｎｄｉｃａｔｏｒ）を表示することができる。よって、ユーザ３０は、インジケータを用いて所望の情報のみを選択することができ、選択された情報に基づいて実行画面８００の構成を変更することができる。
図９は一実施形態によるプロセッサにより表示される画面の他の例を示す図である。
図９には病理スライド画像の品質評価の結果に応じて分析の結果が選択的に表示される例を説明するための実行画面９１０、９２０、９３０が示されている。
例えば、病理スライド画像が品質評価に合格した場合、画面９１０の一領域９１１には、分析が完了し、品質評価に合格したことを示すテキスト、画像などを出力することができる。画面９１０は、情報ビューアの例示を示すことができる。画面９１０は、ユーザ３０の操作により他の画面９３０に変更することができる。画面９３０は、分析ビューアの例示を示すことができる。ここで、画面９３０の一領域９３１には、病理スライド画像の分析の結果を出力することができる。
一方、病理スライド画像が品質評価に不合格した場合、画面９２０の一領域９２１には、分析が完了し、品質評価に不合格したことを示すテキスト、画像などを出力することができる。画面９３０は、分析ビューアの例示を示すことができる。このとき、ユーザ３０が画面９２０を他の画面９３０に変更する操作を行っても、変更された画面９３０は出力されないようにすることができる。言い換えれば、病理スライド画像が品質評価に不合格した場合、画像の分析の結果は出力されないようにすることができる。
図１０は一実施形態によるレポートの一例を示す図である。
レポート１０００には、病理スライド画像のサムネイル１０１０及び病理スライド画像に関する様々な情報が含まれてもよい。例えば、レポート１０００には、病理スライド画像の名前（ｎａｍｅ）、倍率、癌のタイプなどが含まれてもよい。
また、レポート１０００には、病理スライド画像の品質評価の結果１０２０及び当該結果１０２０の導出根拠１０３０が共に含まれてもよい。例えば、病理スライド画像が品質評価に不合格した場合、第１テスト及び／又は第２テストの基準、並びに病理スライド画像から取得された定量情報が共に出力されてもよい。それにより、ユーザ３０は、当該病理スライド画像の品質の結果及びその根拠を共に確認することができる。
一方、ユーザ３０は、図８を参照して上述した実行画面８００を用いて、病理スライド画像に関する情報を生成／変更／削除することができる。以下、図１１ａ～図１１ｃを参照して情報を生成／変更／削除する例を説明する。
図１１ａ～図１１ｃは一実施形態による病理スライド画像に関する情報を変更する例を説明するための図である。
図１１ａを参照すると、ユーザ３０は、画面１１００に出力されたリスト内の病理スライド画像に関する情報を変更することができる。例えば、ユーザ３０は、ウィンドウ１１１１を用いて、予め設定された情報（例えば、病理スライド画像のタイプ、癌のタイプ、バイオマーカーのタイプ、疾病の状態など）を変更することができる。ここで、ウィンドウ１１１１は、ユーザ３０により画面１１００内の所定のインジケータが選択されることによって出力されてもよい。プロセッサ１１０は、病理スライド画像に関する情報が変更されることにより、当該病理スライド画像の品質評価の基準を変更することができる。例えば、プロセッサ１１０は、病理スライド画像に関する情報が変更されることにより、品質評価の基礎になる定量情報を取得する対象を変更することができる。あるいは、プロセッサ１１０は、病理スライド画像に関する情報が変更されることにより、当該病理スライド画像の品質評価をパスしたか否かを判断するために適用される基準値を変更することができる。
図１１ｂを参照すると、ユーザ３０は、画面１１２０に出力されたリスト内の病理スライド画像に関する情報を生成することができる。例えば、ユーザ３０は、ウィンドウ１１２１を用いて、所定の情報（例えば、癌のタイプ）を新たに生成することができる。ここで、ウィンドウ１１２１は、ユーザ３０により画面１１２０内の所定のインジケータが選択されることによって出力されてもよい。
図１１ｃを参照すると、ユーザ３０は、ウィンドウ１１３０を用いて、予め設定された所定の情報（例えば、癌のタイプ）を削除することができる。ここで、ウィンドウ１１３０は、ユーザ３０により画面１１００、１１２０内の所定のインジケータが選択されることによって出力されてもよい。
上述したように、ユーザ３０は病理スライド画像の品質評価の結果を確認することができ、病理スライド画像のダウンストリーム分析の正確度が向上する。さらに、一実施形態による評価方法は、病理スライド画像の品質管理のための標準的な方法として提供することができ、デジタル病理学のワークフローのための機械学習モデルの標準化を設定することができる。
一方、上述した方法は、コンピュータで実行可能なプログラムで作成することができ、コンピュータで読み取り可能な記録媒体を用いて前記プログラムを動作させる汎用デジタルコンピュータで実現することができる。また、上述した方法で用いられたデータの構造は、コンピュータで読み取り可能な記録媒体に様々な手段を介して記録することができる。前記コンピュータで読み取り可能な記録媒体は、磁気記録媒体（例えば、ＲＯＭ、ＲＡＭ、ＵＳＢ、フロッピーディスク、ハードディスクなど）、光学読取媒体（例えば、ＣＤ－ＲＯＭ、ＤＶＤなど）などの保存媒体を含む。
本実施形態に関連する技術分野における通常の知識を有する者であれば、上記記載の本質的な特性から逸脱しない範囲で変形した形態で実現できることが理解できるであろう。よって、開示された方法は、限定的な観点ではなく、説明的な観点から考慮されるべきであり、権利範囲は、上記説明ではなく、特許請求の範囲に示されており、それと同等の範囲内にあるすべての相違点を含むものと解釈されるべきである。

Claims (19)

  1. 少なくとも１つのメモリと、
    少なくとも１つのプロセッサとを含み、
    前記プロセッサは、
    病理スライド画像に表された少なくとも１つの対象体を分析し、前記分析の結果に基づいて前記病理スライド画像の品質を評価し、前記評価の結果に応じて少なくとも１つの追加動作を行う、コンピューティング装置。
  2. 前記プロセッサは、前記病理スライド画像の品質を評価するために、
    前記病理スライド画像から取得された少なくとも１つの定量情報を用いて少なくとも１回の第１テストを行い、前記病理スライド画像に表された少なくとも１つのバイオマーカーの定量情報を用いて第２テストを行う、請求項１に記載のコンピューティング装置。
  3. 前記第２テストは、
    前記第１テストをパスした病理スライド画像に対して行われる、請求項２に記載のコンピューティング装置。
  4. 前記プロセッサは、
    前記病理スライド画像から確認された分析可能領域（ａｎａｌｙｚａｂｌｅ ｒｅｇｉｏｎ）に対応する定量情報、及び前記病理スライド画像に含まれる癌領域（ｃａｎｃｅｒ ｒｅｇｉｏｎ）に対応する定量情報の少なくとも１つを所定の基準値（ｒｅｆｅｒｅｎｃｅ ｖａｌｕｅ）と比較する、請求項２に記載のコンピューティング装置。
  5. 前記プロセッサは、
    前記病理スライド画像に表された少なくとも１つのバイオマーカーの定量情報を所定の基準値と比較し、
    前記少なくとも１つのバイオマーカーは、腫瘍細胞（ｔｕｍｏｒ ｃｅｌｌ）、リンパ球細胞（ｌｙｍｐｈｏｃｙｔｅｓ ｃｅｌｌ）及び腫瘍純度（ｔｕｍｏｒ ｐｕｒｉｔｙ）の少なくとも１つを含む、請求項２に記載のコンピューティング装置。
  6. 前記プロセッサは、
    前記病理スライド画像に関する少なくとも１つの情報及び前記評価の結果を共に表示するように、ディスプレイ装置を制御する、請求項１に記載のコンピューティング装置。
  7. 前記プロセッサは、
    前記評価の結果に応じて前記分析の結果を選択的に表示するように、ディスプレイ装置を制御する、請求項１に記載のコンピューティング装置。
  8. 前記プロセッサは、
    前記評価の結果及び前記評価の根拠を含むレポートを生成する、請求項１に記載のコンピューティング装置。
  9. 前記プロセッサは、
    前記病理スライド画像を癌領域（ｃａｎｃｅｒ ｒｅｇｉｏｎ）、癌基質領域（ｃａｎｃｅｒ ｓｔｒｏｍａ ｒｅｇｉｏｎ）、壊死領域（ｎｅｃｒｏｓｉｓ ｒｅｇｉｏｎ）及びバックグラウンド領域（ｂａｃｋｇｒｏｕｎｄ）の少なくとも１つに分類し、前記病理スライド画像に表された複数の細胞を腫瘍細胞（ｔｕｍｏｒ ｃｅｌｌ）、リンパ球細胞（ｌｙｍｐｈｏｃｙｔｅｓ ｃｅｌｌ）及びその他の細胞の少なくとも１つに分類する、請求項１に記載のコンピューティング装置。
  10. 病理スライド画像に表された少なくとも１つの対象体を分析するステップと、
    前記分析の結果に基づいて前記病理スライド画像の品質を評価するステップと、
    前記評価の結果に応じて少なくとも１つの追加動作を行うステップとを含む、病理スライド画像の品質を評価する方法。
  11. 前記評価するステップは、
    前記病理スライド画像から取得された少なくとも１つの定量情報を用いて少なくとも１回の第１テストを行うステップと、
    前記病理スライド画像に表された少なくとも１つのバイオマーカーの定量情報を用いて第２テストを行うステップとを含む、請求項１０に記載の方法。
  12. 前記第２テストは、
    前記第１テストをパスした病理スライド画像に対して行われる、請求項１１に記載の方法。
  13. 前記第１テストを行うステップにおいて、
    前記病理スライド画像から確認された分析可能領域（ａｎａｌｙｚａｂｌｅ ｒｅｇｉｏｎ）に対応する定量情報、及び前記病理スライド画像に含まれる癌領域（ｃａｎｃｅｒ ｒｅｇｉｏｎ）に対応する定量情報の少なくとも１つを所定の基準値（ｒｅｆｅｒｅｎｃｅ ｖａｌｕｅ）と比較する、請求項１１に記載の方法。
  14. 前記第２テストを行うステップにおいて、
    前記病理スライド画像に表された少なくとも１つのバイオマーカーの定量情報を所定の基準値と比較し、
    前記少なくとも１つのバイオマーカーは、腫瘍細胞（ｔｕｍｏｒ ｃｅｌｌ）、リンパ球細胞（ｌｙｍｐｈｏｃｙｔｅｓ ｃｅｌｌ）及び腫瘍純度（ｔｕｍｏｒ ｐｕｒｉｔｙ）の少なくとも１つを含む、請求項１１に記載の方法。
  15. 前記少なくとも１つの追加動作を行うステップにおいて、
    前記病理スライド画像に関する少なくとも１つの情報及び前記評価の結果を共に表示する、請求項１０に記載の方法。
  16. 前記少なくとも１つの追加動作を行うステップにおいて、
    前記評価の結果に応じて前記分析の結果を選択的に表示する、請求項１０に記載の方法。
  17. 前記少なくとも１つの追加動作を行うステップにおいて、
    前記評価の結果及び前記評価の根拠を含むレポートを生成する、請求項１０に記載の方法。
  18. 前記分析するステップは、
    前記病理スライド画像を癌領域（ｃａｎｃｅｒ ｒｅｇｉｏｎ）、癌基質領域（ｃａｎｃｅｒ ｓｔｒｏｍａ ｒｅｇｉｏｎ）、壊死領域（ｎｅｃｒｏｓｉｓ ｒｅｇｉｏｎ）及びバックグラウンド領域（ｂａｃｋｇｒｏｕｎｄ）の少なくとも１つに分類するステップと、
    前記病理スライド画像に表された複数の細胞を腫瘍細胞（ｔｕｍｏｒ ｃｅｌｌ）、リンパ球細胞（ｌｙｍｐｈｏｃｙｔｅｓ ｃｅｌｌ）及びその他の細胞の少なくとも１つに分類するステップとを含む、請求項１０に記載の方法。
  19. 請求項１０に記載の方法をコンピュータで実行するためのプログラムを記録した、コンピュータで読み取り可能な記録媒体。
JP2023084762A 2022-05-24 2023-05-23 病理スライド画像の品質を評価する方法及び装置 Pending JP2023172951A (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2022-0063320 2022-05-24
KR20220063320 2022-05-24
KR1020230038276A KR102671745B1 (ko) 2022-05-24 2023-03-23 병리 슬라이드 이미지의 품질을 평가하는 방법 및 장치
KR10-2023-0038276 2023-03-23

Publications (1)

Publication Number Publication Date
JP2023172951A true JP2023172951A (ja) 2023-12-06

Family

ID=86497672

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023084762A Pending JP2023172951A (ja) 2022-05-24 2023-05-23 病理スライド画像の品質を評価する方法及び装置

Country Status (3)

Country Link
US (1) US12014502B2 (ja)
EP (1) EP4283623A1 (ja)
JP (1) JP2023172951A (ja)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000126182A (ja) 1998-10-27 2000-05-09 Mitani Sangyo Co Ltd 腫瘍診断方法
KR101640673B1 (ko) 2014-11-25 2016-07-18 경북대학교 산학협력단 종양내 대사적 비균질성 요인을 정량화하는 방법
CA3081643A1 (en) * 2017-11-06 2019-05-09 University Health Network Platform, device and process for annotation and classification of tissue specimens using convolutional neural network
US11164312B2 (en) * 2017-11-30 2021-11-02 The Research Foundation tor the State University of New York System and method to quantify tumor-infiltrating lymphocytes (TILs) for clinical pathology analysis based on prediction, spatial analysis, molecular correlation, and reconstruction of TIL information identified in digitized tissue images
KR102280204B1 (ko) 2018-12-13 2021-07-21 연세대학교 산학협력단 신장 세포 암의 종양의 병리학적 등급에 대한 정보를 제공하기 위한 방법 및 장치
JP2022527264A (ja) 2019-03-26 2022-06-01 テンプス ラブス，インコーポレイティド 病理組織スライド画像からのバイオマーカーの判定方法
JP2023501126A (ja) * 2019-11-22 2023-01-18 エフ．ホフマン－ラ ロシュ アーゲー 組織画像分類用のマルチインスタンス学習器
KR102498686B1 (ko) 2020-01-06 2023-02-09 페이지.에이아이, 인크. 품질 제어를 위해 전자 이미지들을 분석하기 위한 시스템들 및 방법들
JP2023523882A (ja) 2020-05-08 2023-06-08 ルニット インコーポレイテッド 免疫抗癌剤に対する反応を予測する方法及びシステム
CA3176898A1 (en) * 2020-06-19 2021-12-23 Jason Locke Systems and methods to process electronic images to produce a tissue map visualization

Also Published As

Publication number Publication date
US20230386028A1 (en) 2023-11-30
EP4283623A1 (en) 2023-11-29
US12014502B2 (en) 2024-06-18

Similar Documents

Publication Publication Date Title
Chen et al. How to develop machine learning models for healthcare
US10733726B2 (en) Pathology case review, analysis and prediction
Zaidi et al. Evaluation of the diagnostic accuracy of Computer-Aided Detection of tuberculosis on Chest radiography among private sector patients in Pakistan
JP2021529954A (ja) 癌分類子モデル、機械学習システム、および使用方法
JP2018504674A (ja) 早期癌予知のための計算病理学システム及び方法
KR102498686B1 (ko) 품질 제어를 위해 전자 이미지들을 분석하기 위한 시스템들 및 방법들
CN115210772B (zh) 用于处理通用疾病检测的电子图像的系统和方法
Engle et al. Performance of Qure. ai automatic classifiers against a large annotated database of patients with diverse forms of tuberculosis
Scott et al. Evidence-based medicine and machine learning: a partnership with a common purpose
Daly et al. Evaluating concentration estimation errors in ELISA microarray experiments
Greenberg et al. Automatic ganglion cell detection for improving the efficiency and accuracy of hirschprung disease diagnosis
KR102111820B1 (ko) 동적 네트워크 바이오마커의 검출 장치, 검출 방법 및 검출 프로그램
US20200342962A1 (en) Automatically generating rules for lab instruments
Kocher et al. Tumor burden of lung metastases at initial staging in breast cancer patients detected by artificial intelligence as a prognostic tool for precision medicine
JP2023138488A (ja) 病理スライド画像を処理する方法及び装置。
KR102671745B1 (ko) 병리 슬라이드 이미지의 품질을 평가하는 방법 및 장치
JP2023172951A (ja) 病理スライド画像の品質を評価する方法及び装置
Ray et al. A robust COVID-19 mortality prediction calculator based on lymphocyte count, urea, C-reactive protein, age and sex (LUCAS) with chest X-rays
KR20240085899A (ko) 병리 슬라이드 이미지를 평가하는 방법 및 장치
JP2016201123A (ja) 動的ネットワークバイオマーカーの検出装置、検出方法及び検出プログラム
US20090006055A1 (en) Automated Reduction of Biomarkers
JP2020064642A (ja) 検出装置、記録媒体、検出方法及び検出プログラム
US20240212146A1 (en) Method and apparatus for analyzing pathological slide images
KR20230026950A (ko) 병리 슬라이드 이미지로부터 예측된 종양 함량에 기초하여 검사와 관련된 가이드를 제공하는 방법 및 장치
EP4369354A1 (en) Method and apparatus for analyzing pathological slide images