JP7212339B1 - 品質制御のために電子画像を分析するためのシステムおよび方法 - Google Patents

Abstract

病理学カテゴリと関連付けられる標的試料に対応するデジタル画像を受信し、１つまたはそれを上回るアーチファクトに基づいて、品質指定を予測するために、品質制御（ＱＣ）機械学習モデルを決定し、ＱＣ機械学習モデルへの入力としてデジタル画像を提供し、機械学習モデルからの出力としてデジタル画像に関する品質指定を受信し、デジタル画像の品質指定を出力するためのシステムおよび方法が、開示される。品質保証（ＱＡ）機械学習モデルが、１つまたはそれを上回るバイオマーカに基づいて、疾患指定を予測し得る。デジタル画像は、ＱＡモデルに提供され得、これは、疾患指定を出力し得る。外部指定が、疾患指定と比較され得、比較結果が、出力され得る。

Description

（関連出願）
本願は、その全開示が、参照することによってその全体として本明細書に組み込まれる、２０２０年１月６日に出願された米国仮出願第６２／９５７，５１７号の優先権を主張する。

本開示の種々の実施形態は、概して、画像ベースの試料品質制御（ＱＣ）および品質保証（ＱＡ）のための関連画像処理方法に関する。より具体的には、本開示の特定の実施形態は、試料が評価される前にＱＣフィードバックを提供し、また、試料評価および診断を補足するためにＱＡを提供するために、画像を処理するためのシステムおよび方法に関する。

実験室品質制御およびデジタル病理学品質保証は、患者試料の正常な取入、処理、診断、およびアーカイブ化に重要である。品質保証のための現在の方法は、（１）初回診断癌症例の２回目の精査、（２）品質保証委員会による不一致の、または変更された診断の定期的精査、または（３）症例のサブセットのランダムな精査を含む。これらの方法は、非網羅的であり、大部分は遡及的であり、手動である。

品質制御および保証のための従来の技法は、より体系的な品質制御および保証によって改良されることができる。しかしながら、体系的品質保証は、これが２人の病理学者による重複した作業を要求するであろうため、今日では非実践的かつ非効率的である。そのような重複した作業は、法外にリソースおよび時間集約的であろう。結果として、実行可能な体系的品質制御および保証に関する所望が、存在する。

前述の一般的説明および以下の詳細な説明は、例示的および説明的にすぎず、本開示の制限ではない。本明細書に提供される背景説明は、概して、本開示の文脈を提示する目的のためのものである。本明細書に別様に示されない限り、本節に説明される資料は、本願における請求項の従来技術ではなく、本節における含有によって、従来技術である、または従来技術の示唆と認められるものではない。

本開示のある側面によると、デジタル病理学画像にＱＣおよびＱＡ手段を実装するためのシステムおよび方法が、開示される。

品質指定を出力するための方法は、病理学カテゴリと関連付けられる標的試料に対応するデジタル画像を受信することであって、デジタル画像は、ヒト組織の画像および／またはヒト組織を複製するようにアルゴリズム的に発生される画像である、ことと、１つまたはそれを上回るアーチファクトに基づいて、品質指定を予測するために、品質制御（ＱＣ）機械学習モデルを決定することであって、ＱＣ機械学習モデルは、病理学カテゴリと関連付けられる、複数の訓練画像を処理することによって発生される、ことと、ＱＣ機械学習モデルへの入力としてデジタル画像を提供することと、機械学習モデルからの出力としてデジタル画像に関する品質指定を受信することと、デジタル画像の品質指定を出力することとを含む。

疾患指定を照合するための方法は、病理学カテゴリと関連付けられる標的試料に対応する少なくとも１つのデジタル画像を受信することであって、デジタル画像は、ヒト組織の画像および／またはヒト組織を複製するようにアルゴリズム的に発生される画像である、ことと、１つまたはそれを上回るバイオマーカに基づいて、疾患指定を予測するために、品質保証（ＱＡ）機械学習モデルを決定することであって、ＱＡ機械学習モデルは、病理学カテゴリからの複数の訓練画像を処理することによって発生される、ことと、ＱＡ機械学習モデルへの入力としてデジタル画像を提供することと、ＱＡ機械学習モデルからの出力としてデジタル画像に関する疾患指定を受信することと、デジタル画像に関する外部指定を受信することと、疾患指定を外部指定と比較することと、疾患指定を外部指定と比較することに基づく比較結果を出力することとを含む。

疾患指定を照合するためのシステムは、命令を記憶する、メモリと、病理学カテゴリと関連付けられる標的試料に対応する少なくとも１つのデジタル画像を受信することであって、デジタル画像は、ヒト組織の画像および／またはヒト組織を複製するようにアルゴリズム的に発生される画像である、ことと、１つまたはそれを上回るバイオマーカに基づいて、疾患指定を予測するために、品質保証（ＱＡ）機械学習モデルを決定することであって、ＱＡ機械学習モデルは、病理学カテゴリからの複数の訓練画像を処理することによって発生される、ことと、ＱＡ機械学習モデルへの入力としてデジタル画像を提供することと、ＱＡ機械学習モデルからの出力としてデジタル画像に関する疾患指定を受信することと、デジタル画像に関する外部指定を受信することと、疾患指定を外部指定と比較することと、疾患指定を外部指定と比較することに基づく比較結果を出力することとを含む、プロセスを実施するために、命令を実行する、プロセッサとを含む。
本発明は、例えば、以下を提供する。
（項目１）
電子画像を処理するためのコンピュータ実装方法であって、上記方法は、
病理学カテゴリと関連付けられる標的試料に対応するデジタル画像を受信することであって、上記デジタル画像は、ヒト組織の画像および／またはヒト組織を複製するようにアルゴリズム的に発生される画像である、ことと、
１つまたはそれを上回るアーチファクトに基づいて、品質指定を予測するために、品質制御（ＱＣ）機械学習モデルを決定することであって、上記ＱＣ機械学習モデルは、上記病理学カテゴリと関連付けられる複数の訓練画像を処理することによって発生される、ことと、
上記ＱＣ機械学習モデルへの入力として上記デジタル画像を提供することと、
上記機械学習モデルからの出力として上記デジタル画像に関する上記品質指定を受信することと、
上記デジタル画像の品質指定を出力することと
を含む、コンピュータ実装方法。
（項目２）
上記品質指定は、承認されるか、または否認されるかのうちの１つである、項目１に記載のコンピュータ実装方法。
（項目３）
上記病理学カテゴリは、組織学、細胞学、凍結切片、または免疫組織化学のうちの１つである、項目１に記載のコンピュータ実装方法。
（項目４）
上記ＱＣ機械学習モデルは、そのパラメータが、各訓練画像内のアーチファクトの存在、不在、または程度を検出するように設定されるように訓練される、項目１に記載のコンピュータ実装方法。
（項目５）
品質特性に基づいて、通知を自動的に発生させることをさらに含み、上記通知は、アーチファクト存在、不在、または程度指定を備える、項目１に記載のコンピュータ実装方法。
（項目６）
上記デジタル画像の品質指定を出力することはさらに、上記デジタル画像のアーチファクトに対応する視覚的インジケータを含む、項目１に記載のコンピュータ実装方法。
（項目７）
上記デジタル画像の品質指定を出力することはさらに、見出されるアーチファクトのタイプ、見出されるアーチファクトの数、見出されるアーチファクトの臨床的影響、アーチファクトを改正する時間、潜在的パターン、または複数のアーチファクトにおける相関のうちの少なくとも１つを備える報告を発生させることを含む、項目１に記載のコンピュータ実装方法。
（項目８）
上記１つまたはそれを上回るアーチファクトは、欠損した組織、ガラス亀裂、気泡、ぼけ量、欠損した組織、折畳された組織、線、傷、粉塵、穿通、または染色量を備える、項目１に記載のコンピュータ実装方法。
（項目９）
電子画像を処理するためのコンピュータ実装方法であって、上記方法は、
病理学カテゴリと関連付けられる標的試料に対応する少なくとも１つのデジタル画像を受信することであって、上記デジタル画像は、ヒト組織の画像および／またはヒト組織を複製するようにアルゴリズム的に発生される画像である、ことと、
１つまたはそれを上回るバイオマーカに基づいて、疾患指定を予測するために、品質保証（ＱＡ）機械学習モデルを決定することであって、上記ＱＡ機械学習モデルは、上記病理学カテゴリと関連付けられる複数の訓練画像を処理することによって発生される、ことと、
上記ＱＡ機械学習モデルへの入力として上記デジタル画像を提供することと、
上記ＱＡ機械学習モデルからの出力として上記デジタル画像に関する上記疾患指定を受信することと、
上記デジタル画像または上記標的試料のうちの１つに関する外部指定を受信することと、
上記疾患指定を上記外部指定と比較することと、
上記疾患指定を上記外部指定と比較することに基づく比較結果を出力することと
を含む、コンピュータ実装方法。
（項目１０）
上記比較結果は、矛盾インジケーションである、項目９に記載のコンピュータ実装方法。
（項目１１）
上記矛盾インジケーションに基づいて、矛盾レベルを決定することと、
上記矛盾レベルが閾値を下回る場合、警告を発生させることと、
上記矛盾レベルが上記閾値を上回る場合、トリガを発生させることと
をさらに含む、項目１０に記載のコンピュータ実装方法。
（項目１２）
上記トリガは、上記デジタル画像の手動再指定またはアラートの発生のうちの少なくとも１つを備える、項目１１に記載のコンピュータ実装方法。
（項目１３）
上記疾患指定は、癌検出、癌悪性度、癌起源、診断、微生物の存在または不在、試料タイプ、癌タイプ、癌ステータス、腫瘍サイズ、病変リスクレベル、または悪性度のうちの少なくとも１つである、項目９に記載のコンピュータ実装方法。
（項目１４）
上記ＱＡ機械学習モデルは、各訓練画像内の疾患指定の存在、不在、または程度に基づいて訓練される、項目１３に記載のコンピュータ実装方法。
（項目１５）
上記外部指定は、手動指定または自動化指定のうちの少なくとも１つである、項目９に記載のコンピュータ実装方法。
（項目１６）
上記比較結果が矛盾指定である場合、上記比較結果に基づく通知を発生させることをさらに含む、項目９に記載のコンピュータ実装方法。
（項目１７）
外部指定は、保健医療専門家、第三者実体、または二次システムによって提供される、項目９に記載のコンピュータ実装方法。
（項目１８）
上記比較結果に対応する視覚的インジケータを出力することをさらに含む、項目９に記載のコンピュータ実装方法。
（項目１９）
複数の付加的比較結果を受信することと、
上記比較結果および上記付加的比較結果に基づいて、報告を発生させることであって、上記報告は、不一致のタイプ、一致のタイプ、一致するように改正される不一致の数、またはフォローアップ不一致のうちの少なくとも１つを備える、ことと
をさらに含む、項目９に記載のコンピュータ実装方法。
（項目２０）
電子画像を処理するためのシステムであって、上記システムは、
命令を記憶する少なくとも１つのメモリと、
少なくとも１つのプロセッサであって、上記少なくとも１つのプロセッサは、上記命令を実行し、
病理学カテゴリと関連付けられる標的試料に対応する少なくとも１つのデジタル画像を受信することであって、上記デジタル画像は、ヒト組織の画像および／またはヒト組織を複製するようにアルゴリズム的に発生される画像である、ことと、
１つまたはそれを上回るバイオマーカに基づいて、疾患指定を予測するために、品質保証（ＱＡ）機械学習モデルを決定することであって、上記ＱＡ機械学習モデルは、上記病理学カテゴリと関連付けられる複数の訓練画像を処理することによって発生される、ことと、
上記ＱＡ機械学習モデルへの入力として上記デジタル画像を提供することと、
上記ＱＡ機械学習モデルからの出力として上記デジタル画像に関する上記疾患指定を受信することと、
上記デジタル画像または上記標的試料のうちの１つに関する外部指定を受信することと、
上記疾患指定を上記外部指定と比較することと、
上記疾患指定を上記外部指定と比較することに基づく比較結果を出力することと
を含む動作を実施する、少なくとも１つのプロセッサと
を備える、システム。

本明細書内に組み込まれ、その一部を成す、付随の図面は、種々の例示的実施形態を図示し、説明とともに、開示される実施形態の原理を解説する役割を果たす。

図１Ａは、本開示の例示的実施形態による、デジタル画像を伴うＱＡ／ＱＣツールを実装するためのシステムおよびネットワークの例示的ブロック図を図示する。

図１Ｂは、本開示の例示的実施形態による、機械学習モデルの例示的ブロック図を図示する。

図２Ａは、本開示の例示的実施形態による、ＱＣ機械学習モデルを使用するための例示的方法を図示する、フローチャートである。

図２Ｂは、本開示の例示的実施形態による、ＱＡ機械学習モデルを使用するための例示的方法を図示する、フローチャートである。

図３は、本開示の例示的実施形態による、訓練モジュールの例示的ブロック図を図示する。

図４は、本開示の例示的実施形態による、診断の異なる段階においてＱＡ／ＱＣ分析を実装するための略図を図示する。

図５は、本開示の例示的実施形態による、ＱＣ実装の例示的実施形態のフローチャートである。

図６は、本開示の例示的実施形態による、ＱＡ実装の例示的実施形態のフローチャートである。

図７は、本開示の例示的実施形態による、別のＱＡ実装の例示的実施形態のフローチャートである。

図８は、本明細書に提示される技法を実行し得る、例示的システムを描写する。

実施形態の説明
ここで、本開示の例示的実施形態が、詳細に参照され、その実施例は、付随の図面に図示される。可能であるときは常に、同一の参照番号が、同一または同様の部分を指すために、図面全体を通して使用されるであろう。

本明細書に開示されるシステム、デバイス、および方法は、実施例として、図を参照して詳細に説明される。本明細書に議論される実施例は、実施例にすぎず、本明細書に説明される装置、デバイス、システム、および方法の解説を補助するために提供される。図面に示される、または下記に議論される、特徴またはコンポーネントのいずれも、必須として具体的に指定されない限り、これらのデバイス、システム、または方法のうちのいずれかの任意の具体的実装のために必須なものとして捉えられるべきではない。

また、説明される任意の方法に関して、方法が、フロー図と併せて説明されるかどうかにかかわらず、文脈によって別様に規定または要求されない限り、方法の実行において実施されるステップの任意の明示的または暗示的順序付けは、それらのステップが、提示される順序で実施されなければならないことを含意するものではなく、代わりに、異なる順序において、または並行して実施され得ることを理解されたい。

本明細書に使用されるように、用語「例示的」は、「理想的」ではなく、「実施例」の意味において使用される。また、用語「ａ」および「ａｎ」は、本明細書では、数量の限定を示すものではなく、むしろ、参照されるアイテムのうちの１つまたはそれを上回るものの存在を示す。

病理学は、疾患の研究を指す。より具体的には、病理学は、疾患を診断するために使用される、試験および分析を実施することを指す。例えば、組織サンプルが、病理学者（例えば、組織サンプルを分析し、任意の異常が存在するかどうかを決定することにおける専門家である、医師）によって、顕微鏡下で視認されるために、スライド上に設置されてもよい。すなわち、病理学試料は、複数の切片に切断され、染色され、病理学者が検査し、診断を与えるためのスライドとして調製され得る。診断の不確実性が、スライド上で見出されるとき、病理学者は、より多くの情報を組織から集めるために、付加的切断レベル、染色、または他の試験を指示し得る。技師は、次いで、新しいスライドを作成し得、これは、病理学者が診断を行う際に使用するための付加的情報を含有し得る。付加的スライドを作成する本プロセスは、これが組織の塊を採取し、これを切断し、新しいスライドを作製し、次いで、スライドを染色することを伴い得るためだけではなく、また、これが複数の指示のために一括化され得るため、時間がかかり得る。これは、病理学者が与える、最終診断を有意に遅延させ得る。加えて、遅延後でも、依然として、新しいスライドが診断を与えるために十分な情報を有するであろう保証がない場合がある。

病理学者は、分離して、癌および他の疾患病理学スライドを評価し得る。本開示は、癌および他の疾患の診断を改良するための統合されたワークフローを提示する。ワークフローは、例えば、スライド評価、タスク、画像分析および癌検出人工知能（ＡＩ）、注釈、コンサルテーション、および推奨を１つのワークステーション内に統合し得る。特に、本開示は、病理学者の作業を促し、改良するためにワークフローの中に統合され得る、種々の例示的ＡＩツールを説明する。

例えば、コンピュータが、組織サンプルの品質がその意図される目的のために十分であるかどうかを迅速に識別するために、組織サンプルの画像を分析するために使用されてもよく（すなわち、品質制御）、病理学者等の別の実体によって行われる決定を補足するために、転帰を決定するために組織サンプルの画像をさらに分析してもよい（すなわち、品質保証）。したがって、染色されたスライドおよび試験を取得するプロセスは、病理学者によって精査される前に自動的に行われてもよい。自動的スライド品質精査および結果決定と対合されるとき、これは、病理学者精査と並行して、完全に自動化されたスライド調製および評価パイプラインを提供し得る。本自動化は、少なくとも、（１）病理学者が品質閾値を満たさないスライドを使用することによってスライドの所見を決定することによって浪費される時間量を最小限にする、（２）手動分析または疑わしいスライドを行う付加的時間を回避することによって、試料入手から診断までの（平均総）時間を最小限にする、（３）これが病理学者精査のために提示されることに先立って、スライド品質を自動的に決定することによって、繰り返される組織評価の量を低減させる、（４）品質閾値を満たすスライドを提供することによって、繰り返される生検および病理学者精査の費用を低減させる、（５）２回目または後続の病理学者診断精査の必要性を排除または軽減する、（６）誤った診断の確率を低減させる、（７）二重確認に基づいて適切な診断の確率を増加させる、および／または（８）デジタル病理学画像の正しい性質（例えば、試料タイプに関する）を識別または照合する利益を有する。

病理学者を補助するためにコンピュータを使用するプロセスは、算出病理学と呼ばれる。算出病理学のために使用されるコンピューティング方法は、限定ではないが、統計的分析、自律的または機械学習、およびＡＩを含んでもよい。ＡＩは、限定ではないが、深層学習、ニューラルネットワーク、分類、クラスタ化、および回帰アルゴリズムを含んでもよい。算出病理学を使用することによって、病理学者が、その診断正確度、信頼性、効率、およびアクセス性を改良することに役立てることによって、命が救われ得る。例えば、算出病理学は、癌が疑われるスライドを検出することを補助し、それによって、病理学者が、最終診断を与える前に、その初期査定をチェックおよび確認することを可能にするために使用されてもよい。

組織病理学は、スライド上に設置されている試料の研究を指す。例えば、デジタル病理学画像が、試料（例えば、塗抹標本）を含有する、顕微鏡スライドのデジタル化された画像から成ってもよい。病理学者がスライド上の画像を分析するために使用し得る、１つの方法は、核を識別し、核が正常（例えば、良性）または異常（例えば、悪性）であるかどうかを分類することである。病理学者が核を識別および分類することを補助するために、組織学的染色が、細胞を可視化するために使用されてもよい。多くの色素ベースの染色システムが、開発されており、過ヨウ素酸シッフ反応、マッソントリクローム、ニッスルおよびメチレンブルー、およびヘマトキシリンおよびエオジン（Ｈ＆Ｅ）を含む。医療診断のために、Ｈ＆Ｅは、広く使用される色素ベースの方法であり、ヘマトキシリンは、細胞核を青色に染色し、エオジンは、細胞質および細胞外マトリクスを桃色に染色し、他の組織領域は、これらの色の変動を帯びる。しかしながら、多くの場合、Ｈ＆Ｅ染色による組織学的調製は、病理学者が、診断を支援する、または治療を誘導し得る、バイオマーカを視覚的に識別するための十分な情報を提供しない。本状況では、免疫組織化学（ＩＨＣ）、免疫蛍光、原位置ハイブリダイゼーション（ＩＳＨ）、または蛍光原位置ハイブリダイゼーション（ＦＩＳＨ）等の技法が、使用されてもよい。ＩＨＣおよび免疫蛍光は、例えば、組織内の具体的抗原に結合し、具体的着目タンパク質を発現する細胞の視覚的検出を可能にする、抗体の使用を伴い、これは、Ｈ＆Ｅ染色スライドの分析に基づいて、訓練された病理学者に確実に識別可能ではない、バイオマーカを明らかにし得る。ＩＳＨおよびＦＩＳＨは、採用されるプローブのタイプ（例えば、遺伝子コピー数のためのＤＮＡプローブおよびＲＮＡ発現の査定のためのＲＮＡプローブ）に応じて、遺伝子のコピーの数または具体的ＲＮＡ分子の存在量を査定するために採用されてもよい。これらの方法もまた、いくつかのバイオマーカを検出するために十分な情報を提供することができない場合、組織の遺伝子試験が、バイオマーカ（例えば、腫瘍内の具体的タンパク質または遺伝子産物の過剰発現、癌内の所与の遺伝子の増幅）が存在するかどうかを確認するために使用されてもよい。

デジタル化された画像は、染色された顕微鏡スライドを示すように調製されてもよく、これは、病理学者が、スライド上の画像を手動で視認し、画像内の染色された異常細胞の数を推定することを可能にし得る。しかしながら、本プロセスは、いくつかの異常が検出することが困難であるため、時間がかかり得、異常を識別する際の誤差につながり得る。機械学習モデルおよびデバイスを使用する算出プロセスが、病理学者が、そうでなければ検出することが困難であり得る、異常を検出することを補助するために使用されてもよい。例えば、ＡＩが、Ｈ＆Ｅおよび他の色素ベースの方法を使用して染色された組織のデジタル画像内の顕著な領域からバイオマーカ（タンパク質および／または遺伝子産物の過剰発現、具体的遺伝子の増幅、または変異等）を予測するために使用されてもよい。組織の画像は、全スライド画像（ＷＳＩ）、マイクロアレイ内の組織コアの画像、または組織切片内の選択された着目面積であり得る。Ｈ＆Ｅのような染色方法を使用すると、これらのバイオマーカは、人間が付加的試験の支援を伴わずに視覚的に検出または定量化することが困難であり得る。ＡＩを使用し、これらのバイオマーカを組織のデジタル画像から推測することは、患者処置を改良する一方、また、より高速かつより安価となる潜在性を有する。

上記に説明されるように、本開示の算出病理学プロセスおよびデバイスは、統合されたプラットフォームを提供し、実験室情報システム（ＬＩＳ）と統合しながら、ウェブブラウザまたは他のユーザインターフェースを介して、デジタル病理学画像のデータ取込、処理、および視認を含む、完全に自動化されたプロセスを可能にし得る。さらに、臨床情報が、患者データのクラウドベースのデータ分析を使用して集約されてもよい。データは、病院、診療所、現場研究者等に由来してもよく、機械学習、コンピュータビジョン、自然言語処理、および／または統計的アルゴリズムによって分析され、複数の地理的特異性レベルにおいて、健康パターンのリアルタイム監視および予想を行ってもよい。

開示される主題の実装は、病理組織学ワークフロー全体を通して、病理学試料調製のための体系的ＱＣおよび診断の品質のためのＱＡのためのシステムおよび方法を含む。自動化された体系的ＱＣおよびＱＡ機構を用いて、品質が、全ての症例のワークフロー全体を通して確実にされることができる。体系的ＱＣおよびＱＡは、効率を提供し、診断品質を改良する潜在性を有する。

本明細書に開示される検出ベースのワークフローおよび品質システムでは、本システムへの入力は、１つまたは複数のデジタル化された病理学画像および任意の関連する付加的入力を含んでもよい。本システムの出力は、品質制御および保証に関する、試料についてのグローバルおよび／またはローカル情報を含んでもよい。

ある実装によると、ＱＣ機械学習モデルが、デジタル化された病理学画像の品質を決定するために発生されてもよい。定性化は、デジタル化された病理学画像毎に品質指定を発生させることを含んでもよく、品質指定は、承認される指定または否認される指定のいずれかである。承認される指定は、いかなるアーチファクトもデジタル化された病理学画像内に見出されなかった、またはいかなる見出されたアーチファクトも適用可能なアーチファクト閾値を超えなかったことを示すＱＣ機械学習モデル出力からもたらされてもよい。否認される指定は、適用可能なアーチファクト閾値を上回るアーチファクトまたはアーチファクト量が見出されたことを示すＱＣ機械学習モデル出力からもたらされてもよい。

ＱＣ機械学習モデルは、ＱＣ機械学習モデルに入力される個別のデジタル化された病理学画像と同一の病理学カテゴリからの教師あり、部分的教師あり、または教師なし訓練画像に基づいて訓練されてもよい。病理学カテゴリは、限定ではないが、組織学、細胞学、凍結切片、免疫組織化学、または同等物を含んでもよい。ＱＣ機械学習モデルは、走査結果またはエラー（例えば、ぼけ、欠損した組織、線等）および／または組織調製からのもの（例えば、欠損した、または折畳された組織、気泡、ガラスの亀裂、傷、粉塵、穿通、過剰な染色等）を含む、アーチファクトの存在、不在、または範囲を検出してもよい。

ある実装によると、ＱＡ機械学習モデルが、モデルへの入力として受信されたデジタル化された病理学画像に基づいて、疾患指定を出力するために発生されてもよい。疾患指定は、癌検出、癌悪性度、癌起源、診断、微生物の存在または不在、試料タイプ、癌タイプ、癌ステータス、腫瘍サイズ、病変リスクレベル、および／または悪性度のうちの１つまたはそれを上回るものであってもよい。ＱＡ機械学習モデル疾患指定は、外部指定と比較されてもよく、比較結果は、合致または矛盾指定（例えば、いかなる合致も検出されない場合）であってもよい。矛盾指定が、決定される場合、矛盾レベルが、決定されてもよく、矛盾レベルに基づいて、警告またはトリガのいずれかが、発生されてもよい。外部指定は、病理学者、第三者機関、および／またはＱＡ機械学習モデル以外のシステムによって行われた指定に基づいてもよい。

矛盾レベルに基づくトリガは、デジタル病理学画像の手動再指定または矛盾について適用可能な個人または実体に知らせるアラートの発生を開始してもよい。

ＱＡ機械学習モデルは、教師あり、部分的教師あり、または教師なし訓練画像、バイオマーカ、患者情報、および適用可能な指定出力に基づいて訓練されてもよい。発生されたＱＡ機械学習モデルへの入力は、組織学、細胞学、凍結切片、または免疫組織化学等の１つまたはそれを上回る病理学カテゴリからのデジタル病理学画像であってもよい。

通知、視覚的インジケータ、および／または報告が、本明細書にさらに開示されるように、ＱＣおよび／またはＱＡ機械学習モデルの出力に基づいて発生されてもよい。報告は、個々のデジタル化された画像に基づく、または所与の期間の間の、または概して遡及的のいずれかで、複数のデジタル化された画像に基づいてもよい。

本明細書に開示されるシステムは、ローカルで（例えば、オンプレミスで）実装されてもよい、および／または遠隔（例えば、クラウドベース）であってもよい。本システムは、病理学者が直接アクセスし得るユーザインターフェースおよびワークフローを有する場合とそうではない場合がある（例えば、下流の腫瘍学者が、矛盾、ケアチームへの通知等が存在しているとフラグ付けされ得る）。故に、本明細書に開示される実装は、スタンドアロン動作として使用される、またはデジタルワークフロー内で使用されてもよい。使用時、開示されるシステムは、（例えば、病理学者による）受信された診断の前または後にＱＡ／ＱＣ分析および配信を実施してもよい。本明細書に開示される実装は、リアルタイムで実施されてもよく（例えば、スライドが、走査装置からＱＡまたはＱＣ機械学習モデルに直ちに送信される場合）、またはバッチモードで実行されてもよく、不一致が、ログ付けおよび／または報告されてもよい。

開示される主題は、腫瘍学用途に基づいて実装されるものとして説明されるが、それらは、他の形態の疾患（例えば、感染症、検出プロセス、または診断目的のためにデジタル画像を使用する同等物）のために使用されてもよい。ＱＣ／ＱＡ利益を提供することに加えて、説明される実装は、患者の害のリスクを低減させながら、スライド調製および／または診断決定を実践するように保健医療専門家（例えば、スライド技師、病理学者等）を訓練するために使用されてもよい。

図１Ａは、本開示の例示的実施形態による、機械学習を使用して、デジタル病理学画像に関する試料性質または画像性質情報を決定するためのシステムおよびネットワークのブロック図を図示する。本明細書にさらに開示されるように、図１Ａのシステムおよびネットワークは、外部診断の品質を保証するために、デジタル画像の品質を評価する、および／または疾患診断を決定するためのＱＡ／ＱＣツールを伴う機械学習モデルを含んでもよい。

具体的には、図１Ａは、病院、実験室、および／または医師のオフィス等におけるサーバに接続され得る、電子ネットワーク１２０を図示する。例えば、医師サーバ１２１、病院サーバ１２２、臨床治験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５等がそれぞれ、１つまたはそれを上回るコンピュータ、サーバ、および／またはハンドヘルドモバイルデバイスを通して、インターネット等の電子ネットワーク１２０に接続されてもよい。ある実装によると、電子ネットワーク１２０はまた、サーバシステム１１０に接続されてもよく、これは、開示される主題の例示的実施形態による、機械学習モジュール１００を実装するように構成される、処理デバイスを含んでもよい。

医師サーバ１２１、病院サーバ１２２、臨床治験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５は、患者の細胞学試料、組織病理学試料、細胞学試料のスライド、組織学、免疫組織化学、組織病理学試料のスライドのデジタル化された画像、またはそれらの任意の組み合わせを含む、病理学試料の１つまたはそれを上回るカテゴリの画像を作成または別様に取得してもよい。医師サーバ１２１、病院サーバ１２２、臨床治験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５はまた、年齢、医療既往歴、癌治療既往歴、家族歴、過去の生検、または細胞学情報等の患者特有の情報の任意の組み合わせを取得してもよい。医師サーバ１２１、病院サーバ１２２、臨床治験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５は、電子ネットワーク１２０を経由して、デジタル化されたスライド画像および／または患者特有の情報をサーバシステム１１０に伝送してもよい。サーバシステム１１０は、医師サーバ１２１、病院サーバ１２２、臨床治験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの少なくとも１つから受信される画像およびデータを記憶するための１つまたはそれを上回る記憶デバイス１０９を含んでもよい。サーバシステム１１０はまた、記憶デバイス１０９内に記憶される画像およびデータを処理するための処理デバイスを含んでもよい。サーバシステム１１０はさらに、機械学習モジュール１００を介した１つまたはそれを上回る機械学習ツールまたは能力を含んでもよい。例えば、処理デバイスは、一実施形態による、機械学習モジュール１００として示されるようなＱＡツールおよび／またはＱＣツール（集合的に、ＱＡ／ＱＣツール１０１と称される）を含んでもよい。代替として、または加えて、本開示（または本開示のシステムおよび方法の一部）は、ローカル処理デバイス（例えば、ラップトップ）上で実施されてもよい。

医師サーバ１２１、病院サーバ１２２、臨床治験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５は、スライドの画像を精査するために、病理学者によって使用されるシステムを指す。病院設定では、組織タイプ情報は、ＬＩＳ１２５内に記憶されてもよい。

図１Ｂは、機械学習を使用して、デジタル病理学画像に関する試料性質または画像性質情報を決定するための機械学習モジュール１００の例示的ブロック図を図示する。

具体的には、図１Ｂは、一実施形態による、機械学習モジュール１００のコンポーネントを描写する。例えば、機械学習モジュール１００は、ＱＡ／ＱＣツール１０１と、データ取込ツール１０２と、スライド取入ツール１０３と、スライド走査装置１０４と、スライドマネージャ１０５と、記憶装置１０６と、視認アプリケーションツール１０８とを含んでもよい。明確化のために、図１Ａおよび１Ｂに示される機械学習モジュール１００は、以前に訓練および発生された機械学習モデル（例えば、ＱＡ機械学習モデル、ＱＣ機械学習モデル等）である。付加的開示が、機械学習モジュール１００として使用され得る異なるタイプの機械学習モデルを訓練および発生させるために本明細書に提供される。

本明細書に説明されるようなＱＡ／ＱＣツール１０１は、ＱＡ機械学習モデルまたはＱＣ機械学習モデル等の機械学習モデルを使用して、デジタル病理学画像に関する画像品質および／または疾患指定を決定するために、特性（例えば、アーチファクト、バイオマーカ等）を決定するためのプロセスおよびシステムを指す。ＱＡ／ＱＣツール１０１は、複数の機械学習モデルを含んでもよい、または一度に１つの機械学習モデルをロードしてもよい。

データ取込ツール１０２は、例示的実施形態による、デジタル病理学画像を特性評価および処理するために使用される、機械学習モジュール１００の種々のツール、モジュール、コンポーネント、およびデバイスへのデジタル病理学画像の転送を促進するためのプロセスおよびシステムを指す。

スライド取入ツール１０３は、例示的実施形態による、病理学画像を走査し、それらをデジタル形態に変換するためのプロセスおよびシステムを指す。スライドは、スライド走査装置１０４を用いて走査されてもよく、スライドマネージャ１０５は、スライド上の画像をデジタル化された病理学画像に処理し、デジタル化された画像を記憶装置１０６内に記憶してもよい。

視認アプリケーションツール１０８は、例示的実施形態による、ユーザ（例えば、病理学者）に、デジタル病理学画像に関する特性評価または画像性質情報を提供するためのプロセスおよびシステムを指す。情報は、種々の出力インターフェース（例えば、画面、モニタ、記憶デバイス、および／またはウェブブラウザ等）を通して提供されてもよい。実施例として、視認アプリケーションツール１０８は、デジタル病理学画像にわたってオーバーレイ層を適用してもよく、オーバーレイ層は、重要な考慮する面積を強調してもよい。オーバーレイ層は、機械学習モジュール１００のＱＡ／ＱＣツール１０１の出力であってもよい、またはそれに基づいてもよい。本明細書にさらに議論されるように、視認アプリケーションツール１０８は、ＱＣ機械学習モデルの出力に基づいて、アーチファクトを示すために使用されてもよい、および／またはＱＡ機械学習モデルの出力に基づいて、バイオマーカを示すために使用されてもよい、

ＱＡ／ＱＣツール１０１およびそのコンポーネントはそれぞれ、ネットワーク１２０を経由して、デジタル化されたスライド画像および／または患者情報を、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床治験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５に伝送し、および／またはそこから受信してもよい。さらに、サーバシステム１１０は、ＱＡ／ＱＣツール１０１、データ取込ツール１０２、スライド取入ツール１０３、スライド走査装置１０４、スライドマネージャ１０５、および視認アプリケーションツール１０８のうちの少なくとも１つから受信される画像およびデータを記憶するための記憶デバイスを含んでもよい。サーバシステム１１０はまた、記憶デバイス内に記憶される画像およびデータを処理するための処理デバイスを含んでもよい。サーバシステム１１０はさらに、例えば、処理デバイスに起因して、１つまたはそれを上回る機械学習ツールまたは能力を含んでもよい。代替として、または加えて、本開示（または本開示のシステムおよび方法の一部）は、ローカル処理デバイス（例えば、ラップトップ）上で実施されてもよい。

ＱＡ／ＱＣツール１０１は、機械学習モジュール１００の出力（例えば、品質指定、疾患指定、比較結果等）を提供してもよい。実施例として、スライド取入ツール１０３およびデータ取込ツール１０２は、機械学習モジュール１００への入力を受信してもよく、ＱＡ／ＱＣツール１０１は、データに基づいてスライド内のアーチファクトおよび／またはバイオマーカを識別し、視認アプリケーションツール１０８を介してアーチファクトおよび／またはバイオマーカを強調する画像を出力してもよい。

上記のデバイス、ツール、およびモジュールのうちのいずれかは、１つまたはそれを上回るコンピュータ、サーバ、および／またはハンドヘルドモバイルデバイスを通して、インターネットまたはクラウドサービスプロバイダ等の電子ネットワーク１２０に接続され得る、デバイス上に位置してもよい。

図２Ａは、開示される主題の例示的実装による、デジタル画像に関する品質指定を出力するためのフローチャート２００を示す。図２Ａの２０２において、病理学カテゴリと関連付けられる標的試料に対応するデジタル画像が、受信されてもよい。デジタル画像は、図１Ｂのスライド取入ツール１０３を使用して捕捉されるデジタル病理学画像であってもよい。２０４において、ＱＣ機械学習モデルが、（例えば、機械学習モジュール１００において）受信されてもよい。ＱＣ機械学習モデルは、２０２において受信されたデジタル画像と同一の病理学カテゴリからのものである複数の訓練画像を処理することによって訓練されてもよい。病理学カテゴリは、限定ではないが、組織学、細胞学、凍結切片、または免疫組織化学を含んでもよい。２０６において、２０２からのデジタル画像は、モデルへの入力としてＱＣ機械学習モデルに提供されてもよい。１つまたはそれを上回る他の属性もまた、ＱＣ機械学習モデルへの入力として提供されてもよい。１つまたはそれを上回る他の属性は、限定ではないが、病理学カテゴリ、スライドタイプ、ガラスタイプ、組織タイプ、組織領域、使用される化学物質、染色量、適用される時間、走査装置タイプ、日付、または同等物を含んでもよい。２０８において、ＱＣ機械学習モデルは、デジタル画像に関する品質指定を出力してもよい。品質指定は、承認または否認であってもよく、また、２０２において提供され、２０６におけるＱＣ機械学習モデルへの入力としてのデジタル画像の品質のより微細なインジケーションを提供する、承認スケールおよび／または否認スケール等のスケールを含んでもよい。２１０において、品質指定は、データ信号、報告、通知、アラート、視覚的出力（例えば、視認アプリケーションツール１０８を介して）、または同等物として出力されてもよい。

図２Ａに示されるように、病理学カテゴリと関連付けられる標的試料に対応するデジタル画像が、２０２において受信されてもよい。標的試料は、患者から採取される、生検または別様に採取される組織サンプルであってもよい。標的試料は、患者の組織の一部が分析のために患者の身体から採取される、外科手術手技の間に採取されてもよい。標的試料は、複数の試料スライドが、単一の手技から抽出された組織から発生され得るように、患者から抽出された組織の合計量の一部またはサブセットであってもよい。

標的試料は、本明細書に開示されるように、組織学、細胞学、凍結切片、または免疫組織化学等の少なくとも１つの病理学カテゴリと関連付けられてもよい。ある実装によると、病理学カテゴリおよびデジタル画像または標的試料についての他の画像情報もまた、受信されてもよい。画像情報は、限定ではないが、スライドタイプ、ガラスタイプ、組織タイプ、組織領域、使用される化学物質、および染色量を含んでもよい。

２０４において、ＱＣ機械学習モデルが、受信されてもよい。ＱＣ機械学習モデルは、機械学習モジュール１００において訓練および発生されてもよい、または外部で訓練および発生され、機械学習モジュール１００において受信されてもよい。ＱＣ機械学習モデルは、２０２において受信されたデジタル画像と同一の病理学カテゴリからのものである、複数の訓練画像を処理することによって訓練されてもよい。病理学カテゴリは、限定ではないが、組織学、細胞学、凍結切片、または免疫組織化学を含んでもよい。ＱＣ機械学習モデルは、深層学習を使用してインスタンス化されてもよい。ＱＣ機械学習モデルは、デジタル病理学画像全体についての情報、例えば、試料タイプ、試料の切片の全体的品質、ガラススライド自体の全体的品質、または組織形態特性を使用し、デジタル病理学画像に関する全体的品質指定を決定してもよい。

ＱＣ機械学習モデルは、デジタル画像の性質の分析に基づいて、デジタル画像と関連付けられるアーチファクトを検出してもよい。アーチファクトは、１つまたはそれを上回るデジタルまたは数学的フィルタ、走査技法（例えば、ピクセル単位の走査）、ピクセル比較技法（例えば、ピクセルの１つのセットを別のものと比較する）、または同等物を適用することに基づいて検出されてもよい。ＱＣ機械学習モデルが識別するように訓練され得るアーチファクトは、限定ではないが、走査結果またはエラー（例えば、ぼけ、欠損した組織、線等）および／または組織調製からのもの（例えば、欠損した、または折畳された組織、気泡、ガラスの亀裂、傷、粉塵、穿通、過剰な染色等）を含むアーチファクトを含んでもよい。

２０４においてＱＣ機械学習モデルを発生させるために、病理学試料（例えば、組織学、細胞学、免疫組織化学等）の多数のデジタル病理学画像を含む訓練データセットが、受信されてもよい。デジタル病理学画像は、本明細書に開示されるように、物理的生検サンプルに基づいて発生されるデジタル画像であってもよい、または、例えば、レンダリングシステムまたは生成的敵対的モデルによってヒト組織を複製するようにアルゴリズム的に発生される画像であってもよい。画像または試料関連付け情報（例えば、スライドタイプ、ガラスタイプ、組織タイプ、組織領域、使用される化学物質、染色量、適用される時間、走査装置タイプ、日付等）もまた、訓練データセットの一部として受信されてもよい。加えて、ＱＣ機械学習モデルの訓練の一部として、各画像は、デジタル画像または対応する試料の既知の、または仮定される品質についての出力情報と対合されてもよい。そのような出力情報は、既知の、または仮定されるアーチファクト情報、予期される品質情報、または同等物を含んでもよい。例えば、所与の画像が、訓練画像として提供され得、デジタル画像の一部として折畳された組織を有することが既知であり得る。画像および折畳の存在、場所、および／または範囲についてのインジケーションが、提供され、画像と対合されてもよい。ＱＣ機械学習モデルは、ＱＣ機械学習モデルのパラメータが、各訓練画像内で検出されるアーチファクトの存在、不在、または程度を検出することが可能であるように訓練（例えば、適合）されるように、複数のそのような訓練画像および関連付けられる情報から学習してもよい。教師あり訓練が、実施例として提供されるが、ＱＣ機械学習モデルの訓練が、部分的である、または教師なしであり得ることを理解されたい。

デジタル病理学画像、画像または試料関連付け情報、および／または出力情報を含む訓練データセットは、システム１１０、医師サーバ１２１、病院サーバ１２２、臨床治験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの１つまたはそれを上回るものによって発生および／または提供されてもよい。訓練のために使用される画像は、現実の源（例えば、ヒト、動物等）に由来してもよい、または合成ソース（例えば、グラフィックスレンダリングエンジン、３Ｄモデル等）に由来してもよい。デジタル病理学画像の実施例は、（ａ）（限定ではないが）Ｈ＆Ｅ、ヘマトキシリンのみ、ＩＨＣ、分子病理学等の種々の染料で染色されたデジタル化されたスライドおよび／または（ｂ）マイクロＣＴ等の３Ｄ撮像デバイスからのデジタル化された組織サンプルを含んでもよい。

ＱＣ機械学習モデルは、随意に、機械学習アルゴリズムによって適用されるような出力情報と対合される関連付けられる情報を伴う、デジタル病理学画像を適用することに基づいて発生されてもよい。機械学習アルゴリズムは、入力として、病理学試料、関連付けられる情報、および出力情報を受け取り、１つまたはそれを上回る技法を使用して訓練を実装してもよい。例えば、ＱＣ機械学習モデルは、１つまたはそれを上回る畳み込みニューラルネットワーク（ＣＮＮ）、複数インスタンス学習またはマルチラベル複数インスタンス学習を伴うＣＮＮ、リカレントニューラルネットワーク（ＲＮＮ）、長短期記憶ＲＮＮ（ＬＳＴＭ）、ゲート付き回帰型ユニットＲＮＮ（ＧＲＵ）、グラフ畳み込みネットワーク、または同等物、またはそれらの組み合わせにおいて訓練されてもよい。畳み込みニューラルネットワークは、直接、特性を判別するために必要な画像特徴表現を学習することができ、これは、試料毎に訓練するべき大量のデータが存在するとき、非常に良好に機能することができる一方、他の方法は、従来的なコンピュータビジョン特徴、例えば、ＳＵＲＦまたはＳＩＦＴのいずれかまたは訓練された畳み込みニューラルネットワークによって生成される学習された埋込（例えば、記述子）と併用されることができ、これは、訓練するべき少量のデータのみが存在するとき、利点をもたらすことができる。訓練されたＱＣ機械学習モデルは、デジタル病理学画像に関する品質指定を提供するように構成されてもよい。

図３は、いずれかのＱＣ機械学習モデルを訓練するための例示的訓練モジュール３００を示す。図３に示されるように、訓練データ３０２は、病理学画像３０４（例えば、生検画像のデジタル表現）、入力データ３０６（例えば、デジタル病理学画像データセット）、および入力データ３０６に関連する既知の転帰３０８（例えば、品質指定）のうちの１つまたはそれを上回るものを含んでもよい。訓練データ３０２および訓練アルゴリズム３１０は、ＱＣ機械学習モデルを発生させるために、訓練アルゴリズム３１０に訓練データ３０２を適用し得る、訓練コンポーネント３２０に提供されてもよい。

２０６において、ＱＣ機械学習モデルは、患者ベースのデジタル病理学画像（例えば、病理学試料（例えば、組織学、細胞学、免疫組織化学等）のデジタル画像）および、随意に、関連付けられる情報を提供されてもよい。訓練後、ＱＣ機械学習モードは、デジタル病理学画像および関連付けられる情報に適用され、２０８において患者ベースのデジタル病理学画像に関する品質指定を決定してもよい。

品質指定は、所定の、または動的に決定された閾値に基づく、デジタル病理学画像の承認または否認であってもよい。動的に決定された閾値は、ＱＣ機械学習モデルに提供されるデジタル画像の量に基づいて確立されてもよい。例えば、ＱＣ機械学習モデルは、デジタル病理学画像の最悪の１０％を否認するように設定されてもよく、それに応じて、否認されるデジタル病理学画像の数は、モデルに入力されるデジタル病理学画像の数に基づいて、変更されてもよい。品質指定（例えば、否認）の結果として、標的試料は、（例えば、実験室において）再調製されてもよい、および／または既存の標的試料は、再走査されてもよい。具体的アクションは、ぼけが走査エラーを示し得、再走査が開始され得る一方、欠損した組織が病理学サンプリングエラーを示し得、新しい試料が実験室設定において再調製され得るように、ＱＣ機械学習モデルによって識別されるアーチファクトに基づいてもよい。

ある実装によると、品質指定は、品質スコア決定であってもよい。品質スコアは、グローバルまたはローカルレベルにおけるデジタル病理学画像に関し、デジタル病理学画像の使用可能性に大きく影響を及ぼし得るＱＣ問題（例えば、エラーまたは不完全性等のアーチファクト）を示してもよい。品質スコアは、所与の画像内に見出されるアーチファクトの数または範囲を考慮して決定されてもよい。品質スコアは、ＱＣ機械学習モデルを訓練するために使用される訓練データセットに基づいて決定されてもよい、またはＱＣ機械学習モデルへの入力として提供される他のデジタル病理学画像に対して決定されてもよい。

ＱＣ機械学習モデルの出力（すなわち、品質指定）は、２１０において、図１Ａの記憶デバイス１０９（例えば、クラウド記憶装置、ハードドライブ、ネットワークドライブ等）に提供されてもよい。ＱＣ機械学習モデルの出力は、品質特性であってもよい、または、また、それに基づく通知であってもよい。通知は、１つまたはそれを上回るアーチファクトの存在、任意の、または具体的アーチファクトの不在、および／またはデジタル病理学サンプル内に存在する１つまたはそれを上回るアーチファクトの程度等のアーチファクトについての情報を含んでもよい。通知は、通知信号、報告、アプリケーションを介したメッセージ、デバイスを介した通知、または同等物等の任意の適用可能な技法を介して提供されてもよい。通知は、任意の適用可能なデバイスまたは人員（例えば、組織学技師、走査装置オペレータ、病理学者、記録等）に提供されてもよい。実施例として、ＱＣ機械学習モデルの出力は、例えば、患者および関連付けられる標的試料の記録を記憶する実験室情報システム１２５内の対応する標的試料の履歴と統合されてもよい。

ある実装によると、ＱＣ機械学習モデルの出力は、品質指定またはデジタル病理学画像を取得、使用、および／または評価するためのプロセスに基づく報告であってもよい。報告は、ＰＤＦフォーマット、ＨＴＭＬフォーマット、アプリ内フォーマット、または同等物等の任意の適用可能なフォーマットにおいてであってもよい。報告は、例えば、見出されるアーチファクト（例えば、エラー）のタイプ、各タイプのアーチファクトの数、アーチファクトの臨床的影響、アーチファクトを改正する時間、アーチファクトにおける潜在的パターンまたは相関（例えば、アーチファクトを発生させる傾向がある特定の走査装置、アーチファクトを発生させる傾向がある特定の染色タイプ、アーチファクトを発生させる傾向がある特定の組織源等）を含んでもよい。報告はまた、全体的ターンアラウンド時間および／または作業の品質等のワークフロー分析を含んでもよい。報告はまた、ＱＣ機械学習モデルによって分析される複数のデジタル病理学サンプルに基づく履歴的に関連する情報を提供してもよい。履歴的に関連する情報は、複数のデジタル病理学サンプルの出力を考慮に入れることに基づいて発生されてもよく、対応する報告は、改正率、一致率、または同等物を含んでもよい。

ある実装によると、ＱＣ機械学習モデルの出力は、２１０において、視覚的インジケータであってもよい、またはそれを含んでもよい。視覚的インジケータは、例えば、図１Ｂの視認アプリケーションツール１０８を介して提供されてもよい。視覚的インジケータは、これがデジタル病理学画像に関連する際、所与のアーチファクトを強調してもよい。実施例として、視覚的インジケータは、アーチファクトの場所、アーチファクトのタイプ、アーチファクトの存在の程度、または同等物を強調する、デジタル病理学画像にわたるオーバーレイであってもよい。

ある実装によると、ＱＣ機械学習アルゴリズムはまた、臨床情報（例えば、患者情報、外科手術情報、診断情報等）、実験室情報（例えば、処理時間、人員、試験等）に基づいて訓練される、および／またはそれを入力として受信してもよい。ＱＣ機械学習アルゴリズムは、そのような入力に基づいて、品質指定を提供してもよい。加えて、ＱＣ機械学習アルゴリズムは、処理スコア、人員評価、または同等物等の代替または付加的出力を提供してもよい。

本明細書にさらに開示されるように、ＱＣ機械学習アルゴリズムは、デジタル病理学画像を発生させる、分析する、および／または精査するための臨床ワークフローのパイプライン内に統合されてもよい。

図２Ｂは、開示される主題の例示的実装による、デジタル病理学画像に基づく疾患指定を発生させ、疾患指定を外部指定と比較することに基づく比較結果を出力するためのフローチャート２２０を示す。図２Ｂの２２２において、病理学カテゴリと関連付けられる標的試料に対応するデジタル画像が、受信されてもよい。デジタル画像は、図１Ｂのスライド取入ツール１０３を使用して捕捉されるデジタル病理学画像であってもよい。２２４において、ＱＡ機械学習モデルが、（例えば、機械学習モジュール１００において）受信されてもよい。ＱＡ機械学習モデルは、２２２において受信されたデジタル画像と同一の病理学カテゴリからのものである複数の訓練画像を処理することによって訓練されてもよい。病理学カテゴリは、限定ではないが、組織学、細胞学、凍結切片、または免疫組織化学を含んでもよい。２２６において、２２２からのデジタル画像は、モデルへの入力としてＱＡ機械学習モデルに提供されてもよい。１つまたはそれを上回る他の属性もまた、ＱＣ機械学習モデルへの入力として提供されてもよい。１つまたはそれを上回る他の属性は、限定ではないが、スライドベースの属性、患者属性、組織属性、または同等物を含んでもよい。２２８において、ＱＡ機械学習モデルは、デジタル画像に関する疾患指定を出力してもよい。疾患指定は、１つまたはそれを上回るバイオマーカの検出に基づいて発生されてもよく、癌検出、癌悪性度、癌起源、診断、微生物の存在または不在、試料タイプ、癌タイプ、癌ステータス、腫瘍サイズ、病変リスクレベル、悪性度、または同等物のうちの１つまたはそれを上回るものを含んでもよい。２３０において、標的試料に関する外部指定が、受信されてもよい。外部指定は、２２２において受信されたデジタル画像またはデジタル画像の基となった標的試料に基づいてもよい。２３２において、疾患指定は、外部指定と比較されてもよく、２３４において、疾患指定を外部指定と比較することに基づく比較結果が、出力されてもよい。比較結果は、データ信号、報告、通知、アラート、視覚的出力（例えば、視認アプリケーションツール１０８を介した）、または同等物として出力されてもよい。

図２Ｂに示されるように、病理学カテゴリと関連付けられる標的試料に対応するデジタル画像が、２２２において受信されてもよい。標的試料は、患者から採取される、生検または別様に採取される組織サンプルであってもよい。標的試料は、患者の組織の一部が分析のために患者の身体から採取される、外科手術手技の間に採取されてもよい。標的試料は、複数の試料スライドが、単一の手技から抽出された組織から発生され得るように、患者から抽出された組織の合計量の一部またはサブセットであってもよい。

標的試料は、本明細書に開示されるように、組織学、細胞学、凍結切片、または免疫組織化学等の少なくとも１つの病理学カテゴリと関連付けられてもよい。ある実装によると、病理学カテゴリおよびデジタル画像または標的試料についての他の画像情報もまた、受信されてもよい。画像情報は、限定ではないが、スライドタイプ、ガラスタイプ、組織タイプ、組織領域、使用される化学物質、および染色量を含んでもよい。

２２４において、ＱＡ機械学習モデルが、受信されてもよい。ＱＡ機械学習モデルは、機械学習モジュール１００において訓練および発生されてもよい、または外部で訓練および発生され、機械学習モジュール１００において受信されてもよい。ＱＣ機械学習モデルは、２０２において受信されたデジタル画像と同一の病理学カテゴリからのものである複数の訓練画像を処理することによって訓練されてもよい。ＱＡ機械学習モデルは、１つを上回る組織タイプを横断する癌の存在または不在（例えば、前立腺癌、乳癌、膀胱癌等）を検出してもよい。これはまた、付加的バイオマーカまたは病期分類のために重要な情報を検出してもよい。例えば、膀胱癌に関して、一般化機械学習モデルは、膀胱癌病期分類のために検出される必要がある筋肉である、固有筋層の存在または不在を出力してもよい。ＱＡ機械学習モデルは、複数の組織タイプから癌治療に関連する疾患、バイオマーカ、または他の属性を予測するために、大量のデータを用いて訓練されてもよい。本プロセスを通して、これは、その層が、腫瘍特性および正常および異常な組織形態を理解した上で構築されるように、多様な異なる組織タイプを横断して癌および／またはバイオマーカの存在を検出してもよい。

ＱＡ機械学習モデルは、病理学試料（例えば、組織学、細胞学、免疫組織化学等）の多数のデジタル画像を含む患者データセットに基づいて発生されてもよい。病理学試料は、本明細書に開示されるように、物理的生検サンプルに基づいて発生されるデジタル画像であってもよい、または、例えば、レンダリングシステムまたは生成的敵対的モデルによってヒト組織を複製するようにアルゴリズム的に発生される画像であってもよい。患者関連付け情報（ゲノム情報、実験室試験、放射線医学、患者特性、患者情報、治療情報等）もまた、ＱＡ機械学習モデルを訓練するために、患者データセットの一部として受信されてもよい。加えて、ＱＡ機械学習モデルの訓練の一部として、各患者データセットは、疾患存在／不在、病気分類変数の存在（例えば、膀胱癌に関する固有筋層）、癌の形態の分類（例えば、乳癌に関する小葉または乳管）、および異なる癌タイプに関する他の関連する変数、転帰ステータス（例えば、応答、再発等）、および／または任意のバイオマーカの存在等の癌特性出力（例えば、バイオマーカ）についての情報またはインジケーションと対合されてもよい。

患者データセット、患者関連付け情報、および／または癌特性出力は、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床治験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちのいずれか１つまたは任意の組み合わせから受信されてもよい。訓練のために使用される画像は、現実の源（例えば、ヒト、動物等）に由来してもよい、または合成ソース（例えば、グラフィックスレンダリングエンジン、３Ｄモデル等）に由来してもよい。デジタル病理学画像の実施例は、（ａ）（限定ではないが）Ｈ＆Ｅ、ヘマトキシリンのみ、ＩＨＣ、分子病理学等の種々の染料で染色されたデジタル化されたスライドおよび／または（ｂ）マイクロＣＴ等の３Ｄ撮像デバイスからのデジタル化された組織サンプルを含んでもよい。

ＱＡ機械学習モデルは、癌特性出力と対合される患者データセットおよび患者関連付け情報を機械学習アルゴリズムに適用することに基づいて発生されてもよい。機械学習アルゴリズムは、入力として、病理学試料、患者関連付け情報、および癌特性出力を受け取り、１つまたはそれを上回る技法を使用して訓練を実装してもよい。例えば、一般化機械学習モデルは、１つまたはそれを上回る畳み込みニューラルネットワーク（ＣＮＮ）、複数インスタンス学習またはマルチラベル複数インスタンス学習を伴うＣＮＮ、リカレントニューラルネットワーク（ＲＮＮ）、長短期記憶ＲＮＮ（ＬＳＴＭ）、ゲート付き回帰型ユニットＲＮＮ（ＧＲＵ）、グラフ畳み込みネットワーク、または同等物、またはそれらの組み合わせにおいて訓練されてもよい。畳み込みニューラルネットワークは、直接、特性を判別するために必要な画像特徴表現を学習することができ、これは、試料毎に訓練するべき大量のデータが存在するとき、非常に良好に機能することができる一方、他の方法は、従来的なコンピュータビジョン特徴、例えば、ＳＵＲＦまたはＳＩＦＴのいずれかまたは訓練された畳み込みニューラルネットワークによって生成される学習された埋込（例えば、記述子）と併用されることができ、これは、訓練するべき少量のデータのみが存在するとき、利点をもたらすことができる。訓練されたＱＡ機械学習モデルは、患者データおよび患者関連付け情報に基づいて、出力として疾患指定（例えば、癌特性）を提供するように構成されてもよい。

図３は、いずれかのＱＡ機械学習モデルを訓練するための例示的訓練モジュール３００を示す。図３に示されるように、訓練データ３０２は、病理学画像３０４（例えば、生検画像のデジタル表現）、入力データ３０６（例えば、患者データセット、患者関連付け情報等）、および入力データ３０６に関連する既知の転帰３０８（例えば、癌特性）のうちの１つまたはそれを上回るものを含んでもよい。訓練データ３０２および訓練アルゴリズム３１０は、機械学習モデルを発生させるために、訓練アルゴリズム３１０に訓練データ３０２を適用し得る、訓練コンポーネント３２０に提供されてもよい。

ＱＡ機械学習モデルは、２２６において１つまたはそれを上回るデジタル病理学画像（例えば、組織学、細胞学、免疫組織化学等）等の患者データセットを受信してもよい。ある実装によると、ＱＡ機械学習モデルはまた、患者関連付け情報（例えば、ゲノム、実験室試験、放射線医学、患者特性等）を受信してもよい。訓練後、ＱＡ機械学習モデルは、患者データセットおよび患者関連付け情報に適用され、２２８において１つまたはそれを上回る疾患指定を決定してもよい。疾患指定は、癌検出、癌悪性度、癌起源、診断、微生物の存在または不在、試料タイプ、癌タイプ、癌ステータス、腫瘍サイズ、病変リスクレベル、悪性度、または同等物のうちの１つまたはそれを上回るものであってもよい。疾患指定は、存在する場合、ＱＡ機械学習モデルが、癌タイプを横断して疾患指定を提供し得るように、癌特有ではない場合がある。

ＱＡ機械学習モデルの出力（すなわち、１つまたはそれを上回る疾患指定）は、図１Ａの記憶デバイス（例えば、クラウド記憶装置、ハードドライブ、ネットワークドライブ等）に提供されてもよい。記憶デバイス１０９は、以前のデジタル病理学画像入力からの１つまたはそれを上回る他の疾患指定を記憶してもよい。

２３０において、デジタル画像と関連付けられる外部指定が、受信されてもよい。外部指定は、癌検出、癌悪性度、癌起源、診断、微生物の存在または不在、試料タイプ、癌タイプ、癌ステータス、腫瘍サイズ、病変リスクレベル、悪性度、または同等物のうちの１つまたはそれを上回るものであってもよい。外部指定は、デジタル画像またはそれに基づいてデジタル画像が発生される標的試料に基づいてもよい。

外部指定は、デジタル画像またはデジタル画像と関連付けられる標的試料の精査に基づいて保健医療専門家（例えば、病理学者）によって提供される手動指定であってもよい。代替として、または加えて、外部指定は、第三者（例えば、第三者保健医療施設、第三者システム、ＱＡ機械学習モデルと関連付けられないシステム、異なる機械学習モデル、または同等物）によって提供されてもよく、それに応じて、手動指定または自動化指定であってもよい。

外部指定は、外部指定が、２３２において疾患指定と比較され得るように、２２８において受信された疾患指定と比較可能であるフォーマットであってもよい。比較は、データ点の比較、最終結果の比較、テキスト分析、光学文字認識（ＯＣＲ）、または同等物によって行われてもよい。単一の比較が、本明細書に議論されるが、疾患指定および／または外部指定の複数の異なる属性の複数の比較が、行われ得ることを理解されたい。例えば、疾患指定および外部指定は、癌タイプおよび癌重症度を提供してもよい。故に、個別の疾患指定および外部指定によって提供されるような癌タイプおよび癌重症度の両方が、比較されてもよい。

比較結果は、２３４において出力されてもよい（すなわち、比較結果指定）。比較結果出力は、図１Ａの記憶デバイス１０９（例えば、クラウド記憶装置、ハードドライブ、ネットワークドライブ等）に提供されてもよい。記憶デバイス１０９はまた、以前の疾患指定と外部指定との間の以前の比較結果を記憶してもよい。比較結果は、ＱＡ機械学習モデルの出力とデジタル画像または関連付けられる標的試料の保健医療専門家の（例えば、病理学者の）主観的評価との間の差異であってもよく、比較結果に基づいて、所見を確認する、エラーをフラグ付けする、問題を識別する、または精査を引き起こしてもよい。

２３４において出力された比較結果は、通知であってもよい、または、通知でもあってもよい。通知は、疾患指定（すなわち、ＱＡ機械学習モデルからの出力）と外部指定との間の類似性、疾患指定と外部指定との間の差異、疾患指定と外部指定との間の差異または類似性の程度、または同等物についての情報を含んでもよい。通知は、通知信号、報告、アプリケーションを介したメッセージ、デバイスを介した通知、または同等物等の任意の適用可能な技法を介して提供されてもよい。通知は、任意の適用可能なデバイスまたは人員（例えば、組織学技師、走査装置オペレータ、病理学者、記録等）に提供されてもよい。実施例として、比較結果は、例えば、患者および関連付けられる標的試料の記録を記憶する実験室情報システム１２５内の対応する標的試料の履歴と統合されてもよい。

ある実装によると、比較結果は、疾患指定と外部指定との間の類似性、差異、および／または類似性または差異の程度に基づく報告として提示されてもよい。報告は、ＰＤＦフォーマット、ＨＴＭＬフォーマット、アプリ内フォーマット、または同等物等の任意の適用可能なフォーマットにおいてであってもよい。報告は、例えば、見出される結果のタイプ、疾患指定と外部指定との間の重複する結果、疾患指定と外部指定との間の矛盾した結果、類似性または差異の臨床的影響、差異を改正する時間、比較における潜在的パターンまたは相関、または同等物を含んでもよい。報告はまた、全体的ターンアラウンド時間および／または作業の品質等のワークフロー分析を含んでもよい。報告はまた、ＱＡ機械学習モデルによって分析される複数のデジタル病理学サンプルおよび／または履歴比較結果に基づいて、履歴的に関連する情報を提供してもよい。

ある実装によると、２３４における比較結果の出力は、視覚的インジケータであってもよい、またはそれを含んでもよい。視覚的インジケータは、例えば、図１Ｂの視認アプリケーションツール１０８を介して提供されてもよい。視覚的インジケータは、例えば、疾患指定を発生させるために使用されるバイオマーカ、疾患指定に寄与するスライドの属性、または同等物を強調することによって、所与の差異を識別してもよい。

ある実装によると、ＱＡ機械学習アルゴリズムはまた、臨床情報（例えば、患者情報、外科手術情報、診断情報等）、実験室情報（例えば、処理時間、人員、試験等）に基づいて訓練される、および／またはそれを入力として受信してもよい。ＱＡ機械学習アルゴリズムは、そのような入力に基づいて、品質指定を提供してもよい。加えて、ＱＡ機械学習アルゴリズムは、処理スコア、人員評価、または同等物等の代替または付加的出力を提供してもよい。

本明細書にさらに開示されるように、ＱＡ機械学習アルゴリズムおよび／または比較結果は、デジタル病理学画像を発生させる、分析する、および／または精査するための臨床ワークフローのパイプライン内に統合されてもよい。

図４は、検出ベースの技法の臨床ワークフローを示す、略図である。開示される主題の実装によると、図２Ａ（すなわち、ＱＣ分析）および／または図２Ｂ（すなわち、ＱＡ分析）の技法による、ＱＡおよび／またはＱＣ分析（ＱＡ／ＱＣ分析４０２）が、ワークフローの間の１つまたは複数の時点で実装されてもよい。示されるように、患者登録が、４０４において、検出ベースの技法の臨床ワークフローの開始時に行われてもよい。患者登録は、患者識別情報、患者医療情報、および／または他の患者関連情報を含む、または受信する物理的またはデジタル患者ファイルを発生させることを含んでもよい。

４０６において、患者外科手術が、行われる。患者外科手術は、患者の身体から患者組織を抽出する生検または細胞学であってもよい。示されるように、ＱＡ／ＱＣ分析４０２は、４０６における患者外科手術において、またはその後に行われてもよい。例えば、生検組織の画像が、捕捉され、図２ＡのＱＣ分析を介して評価されてもよい。図２ＡのＱＣ分析は、本システムが、品質指定に基づいて、新しいサンプルが必要とされるかどうかを決定し得るように、生検組織サンプルの品質指定を提供してもよい。

凍結切片調製および精査４０８のステップが、４０６における患者外科手術から抽出された組織に基づいて、行われてもよい。患者外科手術４０６後のＱＡ／ＱＣ分析４０２と同様に、ＱＡ／ＱＣ分析４０２は、凍結切片調製および精査４０８において、またはその後に行われてもよい。例えば、凍結切片の画像が、捕捉され、図２ＡのＱＣ分析を介して評価されてもよい。図２ＡのＱＣ分析は、本システムが、品質指定に基づいて、新しい凍結切片が必要とされるかどうかを決定し得るように、凍結切片の品質指定を提供してもよい。

病理学物質調製４１０（例えば、サンプルを染色すること）が、４０６における患者外科手術および／または４０８における凍結切片調製および精査に基づいて行われてもよい。患者外科手術４０６後のＱＡ／ＱＣ分析４０２と同様に、ＱＡ／ＱＣ分析４０２は、病理学物質調製４１０において、またはその後に行われてもよい。例えば、調製された病理学物質の画像が、捕捉され、図２ＡのＱＣ分析を介して評価されてもよい。図２ＡのＱＣ分析は、本システムが、品質指定に基づいて、新しい調製された病理学物質が必要とされるかどうかを決定し得るように、調製された病理学物質の品質指定を提供してもよい。

ある実装によると、外部物質処理４１２が、患者外科手術４０６、凍結切片調製および精査４０８、および病理学物質調製４１０の代用として行われてもよい。外部物質処理４１２は、第三者によって以前に取得または提供され得るデジタルまたは物理的サンプルに基づいてもよい。患者外科手術４０６後のＱＡ／ＱＣ分析４０２と同様に、ＱＡ／ＱＣ分析４０２は、外部物質処理４１２に基づいて行われてもよい。

デジタル化された物質４１４が、病理学物質調製４１０または外部物質処理４１２のいずれかに基づいて発生されてもよい。患者外科手術４０６後のＱＡ／ＱＣ分析４０２と同様に、ＱＡ／ＱＣ分析４０２は、デジタル化された物質４１４に基づいて行われてもよい。

精査物質４１６が、デジタル化された物質４１４または外部物質処理４１２のいずれかに基づいて発生されてもよい。患者外科手術４０６後のＱＡ／ＱＣ分析４０２と同様に、ＱＡ／ＱＣ分析４０２は、精査物質４１６に基づいて行われてもよい。例えば、精査物質４１６のために使用される画像が、捕捉され、図２ＡのＱＣ分析を介して評価されてもよい。図２ＡのＱＣ分析は、本システムが、品質指定に基づいて、新しい凍結切片が必要とされるかどうかを決定し得るように、画像の品質指定を提供してもよい。別の実施例として、初期診断が、精査物質４１６および／または補助試験４１８に基づいて行われてもよい。図２ＢのＱＡ分析は、通知が、比較によって示されるアーチファクトおよび／または差異を示すために発生され得るように、初期診断とＱＡ機械学習モデルによって発生される疾患診断との間の比較結果を提供してもよい。

診断および報告４２０が、図４に提供されるワークフローの最後に発生されてもよい。図４のステップのそれぞれにおけるＱＡ／ＱＣ分析と同様に、ＱＡ／ＱＣ分析４０２は、本明細書の図２Ａおよび２Ｂによる、診断および報告４２０に基づいて行われてもよい。

図５－７は、図２Ａおよび２Ｂを参照して本明細書に開示されるようなＱＡ／ＱＣ分析の例示的実装を示す。図５は、調製された病理学試料の品質が、病理学画像をデジタル化した後に制御される、フローチャートを示す。５０２において、ＱＣ機械学習モデルが、アーチファクトを識別するように訓練されてもよい。訓練は、病理学試料（例えば、組織学、細胞学、凍結切片等）の画像、および画像が診断品質に悪影響を及ぼし得る走査アーチファクトまたはエラー（例えば、ぼけ、欠損した組織、線等）または組織調製からのアーチファクト（例えば、欠損した、または折畳された組織、気泡、ガラスの亀裂、傷、粉塵、穿通、過剰な染色等）を含有するかどうかのインジケーションを用いて行われてもよい。

５０４において、ＱＣ機械学習モデルは、ネットワークドライブ、ワークステーション、画像記憶デバイス、仮想マシン内、または走査装置の中に直接統合される等、臨床ワークフロー／パイプラインの１つまたはそれを上回る側面内にインストールされてもよい。インストールは、オンプレミスで、または遠隔（例えば、クラウドベース）で展開されてもよい。実施例として、ＱＣ機械学習は、全てのデジタル走査が、ＱＣ機械学習および図２Ａを参照して開示される技法を通して通過されるように、走査装置ソフトウェア内に統合されてもよい。

５０６において、病理学サンプル（例えば、組織学、細胞学、凍結切片等）のデジタル画像が、受信され、ローカルまたは遠隔で記憶されてもよい。５０４のＱＣ機械学習モデルは、画像が走査または組織調製アーチファクトを有するかどうか、および随意に、エラーのタイプを決定してもよい。

５０８において、品質指定が、５０４のＱＣ機械学習モデルによって、画像が品質閾値を満たすかどうかに関して行われてもよい。品質指定は、ＱＣ機械学習モデルに提供される１つまたはそれを上回る入力に基づいて行われてもよい。品質指定が、品質閾値を満たす、または超える場合（すなわち、「はい」の分岐）、５０６のデジタル画像は、５１０において診断のために使用されてもよい、５１２において品質閾値を満たす画像としてファイルに記憶されてもよい、および／または画像によって満たされる画像品質閾値は、５１４において報告において使用されてもよい。ある実装によると、図５に示されないが、通知が、成功した画像捕捉を示すために、デジタル画像が品質閾値を満たすときに発生されてもよい。

品質指定が、品質閾値を満たさない場合（すなわち、「いいえ」の分岐）、それを示す通知が、５１６において発生されてもよい。例えば、通知は、再調製される必要がある試料のインジケーションを伴って、組織学技師等の適用可能な保健医療専門家に提供されてもよい。代替として、または加えて、走査装置オペレータが、物質を再走査するように通知されてもよい。加えて、アラートが、５１８において発生されてもよい。アラートは、例えば、デジタル画像が品質閾値を満たさない程度が有意である場合に発生されてもよい。視覚的インジケータもまた、１人またはそれを上回るユーザに提供されてもよく、品質閾値を満たさなかったデジタル画像、デジタル画像が品質閾値を満たさなかった場所、および／またはその理由についての情報を含んでもよい。デジタル画像は、５２０において再捕捉されてもよい。

デジタル画像が品質閾値を満たした、または満たさなかったかどうかに関する５０８の結果は、例えば、実験室情報システム内の患者ファイルまたは試料の履歴と関連付けられてもよい。

報告が、５０８の結果に基づいて発生されてもよく、見出されるエラーのタイプ、タイプ毎に見出されるエラーの数、エラーの臨床的影響、エラーを改正するためにかかる時間、特定の走査装置がエラーを発生させる傾向があるかどうか、エラーを発生させる傾向がある特定の染色タイプ、エラーを発生させる傾向がある特定の組織源、または同等物等のエラーにおける潜在的パターンまたは相関を含んでもよい。本明細書に開示されるように、エラーは、アーチファクトであってもよい、またはあるタイプのアーチファクトであってもよい。

図６は、図２Ｂに関連して議論されるように、疾患診断および外部診断を比較することによる比較結果を発生させ、適用するためのフローチャートを示す。図６に示される実装は、例えば、サインアウトまたは最終診断に先立つＱＡ実装であってもよい。図６に示されるプロセスに基づいて、病理学者を通したスライド査定の品質が、症例がサインアウトされる前に保証されてもよい。６０２において、ＱＡ機械学習モデルが、癌検出、癌悪性度、癌起源、診断、微生物の存在または不在、試料タイプ、癌タイプ、癌ステータス、腫瘍サイズ、病変リスクレベル、悪性度、または同等物の決定のためのバイオマーカを識別するように訓練されてもよい。訓練は、病理学試料（例えば、組織学、細胞学、凍結切片等）の画像、本明細書に開示されるような患者関連付け情報、および既知のバイオマーカのインジケーションまたは疾患指定を用いて行われてもよい。

６０４において、ＱＡ機械学習モデルは、ネットワークドライブ、ワークステーション、画像記憶デバイス、仮想マシン、または報告分析内等、臨床ワークフロー／パイプラインの１つまたはそれを上回る側面内にインストールされてもよい。モデルは、一致および不一致を管理するための論理とともに展開されてもよい。インストールは、オンプレミスで、または遠隔（例えば、クラウドベース）で展開されてもよい。実施例として、ＱＡ機械学習モデルは、これが報告（例えば、病理学者の報告）を介して提供される外部指定を入力として受信するように、報告モジュール内に統合されてもよい。

６０６において、病理学サンプル（例えば、組織学、細胞学、凍結切片等）のデジタル画像が、受信され、ローカルまたは遠隔で記憶されてもよい。６０４のＱＡ機械学習モデルは、６０８において疾患指定を発生させてもよく、これは、診断決定の１つまたはそれを上回る要素（例えば、癌検出、癌悪性度、癌起源、診断、微生物の存在または不在、試料タイプ、癌タイプ、癌ステータス、腫瘍サイズ、病変リスクレベル、悪性度等）を含んでもよい。疾患指定は、ローカルまたは遠隔記憶装置に出力されてもよい。６１０において、外部指定が、手動指定（例えば、病理学者による）または自動化指定（例えば、第三者システム、異なる機械学習システム、またはコンピュータアルゴリズムによる）から受信されてもよい。

６１２において、６０８の疾患指定は、６１０の外部指定と比較され、「合致」、「合致なし」、またはそのいずれかの程度を出力してもよい。合致の分岐を介して示されるように、疾患指定および外部指定が、合致する場合、外部指定は、クリアされ、６１４において正当な指定として使用されてもよい。デジタル画像もまた、６１６において将来の使用、分析、または参照のためにファイルに記憶されてもよい。加えて、疾患指定および／または外部指定は、患者ファイルまたは試料ファイルと関連付けられ、それに応じて記憶されてもよい。

合致なしの分岐を介して示されるように、疾患指定および外部指定が、合致しない場合、通知が、６１８において発生されてもよい。通知は、個別の症例がサインアウトされることに先立って、主要な病理学者に等、任意の適用可能な個人またはデバイスに提供されてもよい。故に、通知は、打ち込まれた外部診断が、ＱＡ機械学習モデルによって決定された疾患診断と異なる場合、６１８において発生されてもよく、外部診断は、実験室情報システムに打ち込まれてもよい、外部機関によって提供されてもよい（例えば、診断コンサルテーション、セカンドオピニオン、転送された症例等）、または病理学者の診断であってもよい。疾患指定と外部指定との間の不整合に基づいて、視覚的インジケータが、見出された不一致、不一致が見出された場所、および／またはその理由を示すために提供されてもよい。

６２０において、アラートが、例えば、疾患診断と外部診断との間の差異の程度が閾値を超える場合、不整合のタイプに基づいて、または同等物に基づいて、合致なし決定に基づいて発生されてもよい。加えて、６２２において、デジタル画像または対応する試料の再指定が、疾患診断と外部診断との間の不整合に基づいて開始されてもよい。

ある実装によると、疾患診断および外部診断の両方が、最終診断報告を介して提供されてもよい。加えて、精査のための定期的な遡及的報告が、発生されてもよい。そのような報告は、保健医療専門家毎に、技師毎に、部位毎に、機関毎に、または同等物毎に発生されてもよい。報告は、不一致のタイプ、一致のタイプ、一致するように改正される不一致の数、不一致、および患者のために利用可能な任意の関連するフォローアップ情報のうちの１つまたはそれを上回るものを含んでもよい。

図７は、図２Ｂに関連して議論されるように、疾患診断および外部診断を比較することによる比較結果を発生させ、適用するためのフローチャートを示す。図７に示される実装は、例えば、サインアウトまたは最終診断後のＱＡ実装であってもよく、１つまたはそれを上回る診断に基づいて、報告発生を促進してもよい。図７に示されるプロセスに基づいて、病理学者を通したスライド査定の品質が、症例がサインアウトされた後に保証されてもよい。７０２において、ＱＡ機械学習モデルが、癌検出、癌悪性度、癌起源、診断、微生物の存在または不在、試料タイプ、癌タイプ、癌ステータス、腫瘍サイズ、病変リスクレベル、悪性度、または同等物の決定のためのバイオマーカを識別するように訓練されてもよい。訓練は、病理学試料（例えば、組織学、細胞学、凍結切片等）の画像、本明細書に開示されるような患者関連付け情報、および既知のバイオマーカのインジケーションまたは疾患指定を用いて行われてもよい。

７０４において、ＱＡ機械学習モデルは、ネットワークドライブ、ワークステーション、画像記憶デバイス、仮想マシン、または報告分析内等、臨床ワークフロー／パイプラインの１つまたはそれを上回る側面内にインストールされてもよい。モデルは、一致および不一致を管理するための論理とともに展開されてもよい。インストールは、オンプレミスで、または遠隔（例えば、クラウドベース）で展開されてもよい。実施例として、ＱＡ機械学習モデルは、これが報告（例えば、病理学者の報告）を介して提供される外部指定を入力として受信するように、報告モジュール内に統合されてもよい。

７０７において、病理学サンプル（例えば、組織学、細胞学、凍結切片等）のデジタル画像が、受信され、ローカルまたは遠隔で記憶されてもよい。７０４のＱＡ機械学習モデルは、７０８において疾患指定を発生させてもよく、これは、診断決定の１つまたはそれを上回る要素（例えば、癌検出、癌悪性度、癌起源、診断、微生物の存在または不在、試料タイプ、癌タイプ、癌ステータス、腫瘍サイズ、病変リスクレベル、悪性度等）を含んでもよい。疾患指定は、ローカルまたは遠隔記憶装置に出力されてもよい。７１０において、外部指定が、手動指定（例えば、病理学者による）または自動化指定（例えば、第三者システム、異なる機械学習システム、またはコンピュータアルゴリズムによる）から受信されてもよい。

７１２において、７０８の疾患指定は、７１０の外部指定と比較され、「合致」、「合致なし」、またはそのいずれかの程度を出力してもよい。合致または合致なし指定に基づいて、図６に示されるステップが、実装されてもよい。加えて、合致指定が、７１４において報告に適用されてもよく、合致なし指定が、７１８において報告に適用されてもよい。報告は、不一致または一致の程度、不一致または一致の具体的面積、または同等物等の合致または合致なし指定の属性を含んでもよい。

加えて、１つまたはそれを上回る症例に関する外部指定の１つまたはそれを上回る要素が、ＱＡ機械学習モデルによる疾患指定の対応する１つまたはそれを上回る要素と比較されてもよく、そのような結果の比較が、報告を介して提供されてもよい。そのような比較は、複数の症例を横断して行われてもよい。例えば、７１２からの比較結果は、全ての症例、またはある組織タイプからの、ある病理学者によって診断される、ある臨床医からもたらされる、ある保険を伴う患者からの、ある人口統計タイプを伴う患者からの、先行する期間（例えば、６ヵ月）にわたるある部位からの、または同等物からの全ての症例に提供されてもよい。そのような比較のうちの１つまたはそれを上回るものからの結果は、症例タイプ、組織タイプ、個人、患者、保険、人口統計、部位、または期間毎にカテゴリ化されるような一致、不一致、およびその程度を強調するために、報告内に含まれてもよい。故に、１つまたはそれを上回る報告は、遡及的であってもよく、病理学者毎に、技師毎に、部位毎に、組織タイプ毎に、染色毎に、走査装置毎に、画像タイプ毎に、サンプル調製毎に、診断毎に、人口統計要素毎に、保険業者毎に、参照医毎に、および／または機関毎に、または同等物毎に発生されてもよい。報告は、不一致のタイプ、一致のタイプ、一致するように改正される不一致の数、不一致、および患者のために利用可能な任意の関連するフォローアップ情報、およびＱＡ機械学習モデルによる疾患診断と外部診断との間の不一致または矛盾の任意の他の個々の、または集合的測度のうちの１つまたはそれを上回るものを含んでもよい。

１つまたはそれを上回る報告は、１またはそれを上回る個人、管理者、保険会社、管理機関、臨床医、または同等物に提供されてもよく、ＱＡ機械学習モデルによる疾患診断および外部診断の比較から導出される率（例えば、一致率、不一致率等）および／または品質の他の測度を含んでもよい。

図８に示されるように、デバイス８００は、中央処理ユニット（ＣＰＵ）８２０を含んでもよい。ＣＰＵ８２０は、例えば、任意のタイプの専用または汎用マイクロプロセッサデバイスを含む、任意のタイプのプロセッサデバイスであってもよい。当業者によって理解されるであろうように、ＣＰＵ８２０はまた、マルチコア／マルチプロセッサシステム内の単一プロセッサであってもよく、そのようなシステムは、単独で、またはクラスタまたはサーバファーム内で動作するコンピューティングデバイスのクラスタ内で動作する。ＣＰＵ８２０は、データ通信インフラストラクチャ８１０、例えば、バス、メッセージ待ち行列、ネットワーク、またはマルチコアメッセージ通過スキームに接続されてもよい。

デバイス８００はまた、主要メモリ８４０、例えば、ランダムアクセスメモリ（ＲＡＭ）を含んでもよく、二次メモリ８３０を含んでもよい。二次メモリ８３０、例えば、読取専用メモリ（ＲＯＭ）は、例えば、ハードディスクドライブまたはリムーバブル記憶ドライブであってもよい。そのようなリムーバブル記憶ドライブは、例えば、フロッピー（登録商標）ディスクドライブ、磁気テープドライブ、光ディスクドライブ、フラッシュメモリ、または同等物を備えてもよい。リムーバブル記憶ドライブは、本実施例では、周知の様式において、リムーバブル記憶ユニットから読み取る、および／またはそれに書き込む。リムーバブル記憶ユニットは、フロッピー（登録商標）ディスク、磁気テープ、光ディスク等を備えてもよく、これは、リムーバブル記憶ドライブによって読み取られ、それに書き込まれる。当業者によって理解されるであろうように、そのようなリムーバブル記憶ユニットは、概して、その中に記憶されるコンピュータソフトウェアおよび／またはデータを有する、コンピュータ使用可能記憶媒体を含む。

代替実装では、二次メモリ８３０は、コンピュータプログラムまたは他の命令がデバイス８００の中にロードされることを可能にするための他の類似する手段を含んでもよい。そのような手段の実施例は、プログラムカートリッジおよびカートリッジインターフェース（ビデオゲームデバイスに見出されるもの等）、リムーバブルメモリチップ（ＥＰＲＯＭまたはＰＲＯＭ等）および関連付けられるソケット、および他のリムーバブル記憶ユニットおよびインターフェースを含んでもよく、これは、ソフトウェアおよびデータが、リムーバブル記憶ユニットからデバイス８００に転送されることを可能にする。

デバイス８００はまた、通信インターフェース（「ＣＯＭ」）８６０を含んでもよい。通信インターフェース８６０は、ソフトウェアおよびデータが、デバイス８００と外部デバイスとの間で転送されることを可能にする。通信インターフェース８６０は、モデム、ネットワークインターフェース（イーサネット（登録商標）カード等）、通信ポート、ＰＣＭＣＩＡスロットおよびカード、または同等物を含んでもよい。通信インターフェース８６０を介して転送される、ソフトウェアおよびデータは、信号の形態であってもよく、これは、通信インターフェース８６０によって受信されることが可能な電子、電磁、光学、または他の信号であってもよい。これらの信号は、デバイス８００の通信経路を介して、通信インターフェース８６０に提供されてもよく、これは、例えば、ワイヤまたはケーブル、光ファイバ、電話回線、携帯電話リンク、ＲＦリンク、または他の通信チャネルを使用して実装されてもよい。

ハードウェア要素、オペレーティングシステム、およびそのような機器のプログラミング言語は、性質上、従来的であり、当業者が、それに適正に精通していることが想定される。デバイス８００はまた、入力および出力ポート８５０を含み、キーボード、マウス、タッチスクリーン、モニタ、ディスプレイ等の入力および出力デバイスと接続してもよい。当然ながら、種々のサーバ機能は、いくつかの類似するプラットフォーム上に分散方式で実装され、処理負荷を分散させてもよい。代替として、サーバは、１つのコンピュータハードウェアプラットフォームの適切なプログラミングによって実装されてもよい。

本開示全体を通して、コンポーネントまたはモジュールの言及は、概して、論理的に、機能または関連機能の群を実施するためにともに群化され得る、アイテムを指す。同様の参照番号は、概して、同一または類似するコンポーネントを指すことを意図している。コンポーネントおよびモジュールは、ソフトウェア、ハードウェア、またはソフトウェアおよびハードウェアの組み合わせにおいて実装されることができる。

上記に説明されるツール、モジュール、および機能は、１つまたはそれを上回るプロセッサによって実施されてもよい。「記憶」タイプ媒体は、随時、ソフトウェアプログラミングのための非一過性記憶装置を提供し得る、種々の半導体メモリ、テープドライブ、ディスクドライブ、および同等物等のコンピュータ、プロセッサまたは同等物、またはその関連付けられるモジュールの有形メモリのうちのいずれかまたは全てを含んでもよい。

ソフトウェアは、インターネット、クラウドサービスプロバイダ、または他の電気通信ネットワークを通して通信されてもよい。例えば、通信は、ソフトウェアを１つのコンピュータまたはプロセッサから別のものの中にロードすることを可能にし得る。本明細書に使用されるように、非一過性有形「記憶」媒体に制限されない限り、コンピュータまたは機械「可読媒体」等の用語は、実行のための命令をプロセッサに提供することに関与する任意の媒体を指す。

前述の一般的説明は、例示的および説明的にすぎず、本開示の制限ではない。本発明の他の実施形態は、本明細書の考慮および本明細書に開示される本発明の実践から当業者に明白となるであろう。本明細書および実施例が、例示的にすぎないと見なされることを意図している。

Claims (19)

1. 電子画像を処理するためのコンピュータ実装方法であって、前記方法は、
   病理学カテゴリと関連付けられる標的試料に対応するデジタル画像を受信することであって、前記デジタル画像は、ヒトまたは動物の組織の画像および／またはヒトまたは動物の組織を複製するようにアルゴリズム的に発生される画像である、ことと、
   １つまたはそれを上回るアーチファクトに基づいて、品質指定を予測するために、品質制御（ＱＣ）機械学習モデルを決定することであって、前記ＱＣ機械学習モデルは、前記病理学カテゴリと関連付けられる複数の訓練画像を処理することによって発生される、ことと、
   前記ＱＣ機械学習モデルへの入力として前記デジタル画像を提供することと、
   前記ＱＣ機械学習モデルからの出力として前記デジタル画像に関する前記品質指定を受信することと、
   前記ＱＣ機械学習モデルとは異なる品質保証（ＱＡ）機械学習モデルを決定することであって、前記ＱＡ機械学習モデルは、１つまたはそれを上回るバイオマーカに基づいて、疾患指定を予測するために、前記病理学カテゴリに関連付けられる複数の訓練画像を処理することによって発生される、ことと、
   承認された品質指定である前記品質指定に基づいて、前記ＱＡ機械学習モデルへの入力として前記デジタル画像を提供することと、
   前記ＱＡ機械学習モデルからの出力として前記デジタル画像に関する前記疾患指定を受信することと、
   前記デジタル画像または前記標的試料のうちの１つに関する外部指定を受信することであって、前記外部指定は、ユーザによって発生され、癌検出、癌悪性度、癌起源、診断、微生物の存在または不在、試料タイプ、癌タイプ、癌ステータス、腫瘍サイズ、病変リスクレベル、または悪性度のうちの少なくとも１つから選択される疾患性質を含む、ことと、
   前記疾患指定を前記外部指定と比較することによって前記外部指定を評価することと、
   前記疾患指定から逸脱している前記外部指定に基づいて、前記評価に基づく前記外部指定を否認することと、
   前記疾患指定を前記外部指定と比較することによって前記外部指定を評価することに基づく比較結果を出力することと
   を含む、コンピュータ実装方法。
2. 前記病理学カテゴリは、組織学、細胞学、凍結切片、または免疫組織化学のうちの１つである、請求項１に記載のコンピュータ実装方法。
3. 前記ＱＣ機械学習モデルは、そのパラメータが、各訓練画像内のアーチファクトの存在、不在、または程度を検出するように設定されるように訓練される、請求項１に記載のコンピュータ実装方法。
4. 品質特性に基づいて、通知を自動的に発生させることをさらに含み、前記通知は、アーチファクト存在、不在、または程度指定を備える、請求項１に記載のコンピュータ実装方法。
5. 前記デジタル画像の品質指定を出力することはさらに、前記デジタル画像のアーチファクトに対応する視覚的インジケータを含む、請求項１に記載のコンピュータ実装方法。
6. 前記デジタル画像の品質指定を出力することはさらに、見出されるアーチファクトのタイプ、見出されるアーチファクトの数、見出されるアーチファクトの臨床的影響、アーチファクトを改正する時間、潜在的パターン、または複数のアーチファクトにおける相関のうちの少なくとも１つを備える報告を発生させることを含む、請求項１に記載のコンピュータ実装方法。
7. 前記１つまたはそれを上回るアーチファクトは、欠損した組織、ガラス亀裂、気泡、ぼけ量、欠損した組織、折畳された組織、線、傷、粉塵、穿通、または染色量を備える、請求項１に記載のコンピュータ実装方法。
8. 電子画像を処理するためのコンピュータ実装方法であって、前記方法は、
   病理学カテゴリと関連付けられる標的試料に対応する少なくとも１つのデジタル画像を受信することであって、前記デジタル画像は、ヒトまたは動物の組織の画像および／またはヒトまたは動物の組織を複製するようにアルゴリズム的に発生される画像である、ことと、
   １つまたはそれを上回るバイオマーカに基づいて、疾患指定を予測するために、品質保証（ＱＡ）機械学習モデルを決定することであって、前記ＱＡ機械学習モデルは、前記病理学カテゴリと関連付けられる複数の訓練画像を処理することによって発生される、ことと、
   前記ＱＡ機械学習モデルへの入力として前記デジタル画像を提供することと、
   前記ＱＡ機械学習モデルからの出力として前記デジタル画像に関する前記疾患指定を受信することと、
   前記デジタル画像または前記標的試料のうちの１つに関する外部指定を受信することであって、前記外部指定は、ユーザによって発生され、癌検出、癌悪性度、癌起源、診断、微生物の存在または不在、試料タイプ、癌タイプ、癌ステータス、腫瘍サイズ、病変リスクレベル、または悪性度のうちの少なくとも１つから選択される疾患性質を含む、ことと、
   前記疾患指定を前記外部指定と比較することによって前記外部指定を評価することと、
   前記疾患指定から逸脱している前記外部指定に基づいて、前記評価に基づく前記外部指定を否認することと、
   前記疾患指定を前記外部指定と比較することによって前記外部指定を評価することに基づく比較結果を出力することと
   を含む、コンピュータ実装方法。
9. 前記比較結果は、矛盾インジケーションである、請求項８に記載のコンピュータ実装方法。
10. 前記矛盾インジケーションに基づいて、矛盾レベルを決定することと、
    前記矛盾レベルが閾値を下回る場合、警告を発生させることと、
    前記矛盾レベルが前記閾値を上回る場合、トリガを発生させることと
    をさらに含む、請求項９に記載のコンピュータ実装方法。
11. 前記トリガは、前記デジタル画像の手動再指定またはアラートの発生のうちの少なくとも１つを備える、請求項１０に記載のコンピュータ実装方法。
12. 前記疾患指定は、癌検出、癌悪性度、癌起源、診断、微生物の存在または不在、試料タイプ、癌タイプ、癌ステータス、腫瘍サイズ、病変リスクレベル、または悪性度のうちの少なくとも１つである、請求項８に記載のコンピュータ実装方法。
13. 前記ＱＡ機械学習モデルは、各訓練画像内の疾患指定の存在、不在、または程度に基づいて訓練される、請求項１２に記載のコンピュータ実装方法。
14. 前記外部指定は、手動指定または自動化指定のうちの少なくとも１つである、請求項８に記載のコンピュータ実装方法。
15. 前記比較結果が矛盾指定である場合、前記比較結果に基づく通知を発生させることをさらに含む、請求項８に記載のコンピュータ実装方法。
16. 外部指定は、保健医療専門家、第三者実体、または二次システムによって提供される、請求項８に記載のコンピュータ実装方法。
17. 前記比較結果に対応する視覚的インジケータを出力することをさらに含む、請求項８に記載のコンピュータ実装方法。
18. 複数の付加的比較結果を受信することと、
    前記比較結果および前記付加的比較結果に基づいて、報告を発生させることであって、前記報告は、不一致のタイプ、一致のタイプ、一致するように改正される不一致の数、またはフォローアップ不一致のうちの少なくとも１つを備える、ことと
    をさらに含む、請求項８に記載のコンピュータ実装方法。
19. 電子画像を処理するためのシステムであって、前記システムは、
    命令を記憶する少なくとも１つのメモリと、
    少なくとも１つのプロセッサであって、前記少なくとも１つのプロセッサは、前記命令を実行し、
    病理学カテゴリと関連付けられる標的試料に対応する少なくとも１つのデジタル画像を受信することであって、前記デジタル画像は、ヒトまたは動物の組織の画像および／またはヒトまたは動物の組織を複製するようにアルゴリズム的に発生される画像である、ことと、
    １つまたはそれを上回るバイオマーカに基づいて、疾患指定を予測するために、品質保証（ＱＡ）機械学習モデルを決定することであって、前記ＱＡ機械学習モデルは、前記病理学カテゴリと関連付けられる複数の訓練画像を処理することによって発生される、ことと、
    前記ＱＡ機械学習モデルへの入力として前記デジタル画像を提供することと、
    前記ＱＡ機械学習モデルからの出力として前記デジタル画像に関する前記疾患指定を受信することと、
    前記デジタル画像または前記標的試料のうちの１つに関する外部指定を受信することであって、前記外部指定は、ユーザによって発生され、癌検出、癌悪性度、癌起源、診断、微生物の存在または不在、試料タイプ、癌タイプ、癌ステータス、腫瘍サイズ、病変リスクレベル、または悪性度のうちの少なくとも１つから選択される疾患性質を含む、ことと、
    前記疾患指定を前記外部指定と比較することによって前記外部指定を評価することと、
    前記疾患指定から逸脱している前記外部指定に基づいて、前記評価に基づく前記外部指定を否認することと、
    前記疾患指定を前記外部指定と比較することによって前記外部指定を評価することに基づく比較結果を出力することと
    を含む動作を実施する、少なくとも１つのプロセッサと
    を備える、システム。
    

Images