JP7262658B2 - 血液バイオマーカのカメラに基づく数量化のためのシステム及び方法 - Google Patents

Description

以下の開示は、一般に、血液バイオマーカの検出に関し、より詳細には、血液バイオマーカのカメラに基づく数量化のためのシステム及び方法に関する。

血液パネルは、血液サンプルの科学的分析法である。典型的には、サンプルは、皮下針を用いて又はフィンガープリックによって静脈から訓練された専門家によって集められる。典型的には、パネルは、特定の血液成分を正確に数量化するための一まとまりの検査である。血液パネルは、（特に、疾患、ミネラル成分量、薬剤の有効性、臓器の機能のような）生理学的及び生化学的状態を決定するための健康管理における重要なツールである。血液パネルは、通常、高価で、侵襲性があり、且つ、不快であり、頻繁にモニタする用途における使用を制限する。更に、このようなパネルは、結果を得るまでに数日を必要とする場合がある。

１つの態様においては、人間の被験者の１つ又は複数の血液バイオマーカの濃度の決定のための方法が提供される。この方法は、人間の被験者の表皮から再発光された光の撮影画像シーケンスを受信することと、ヘモグロビン濃度（ＨＣ:Ｈｅｍｏｇｌｏｂｉｎ Ｃｏｎｃｅｎｔｒａｔｉｏｎ）変化が既知である１組の被験者から撮られた複数の画像の各ビット・プレーンからの複数のビット値を含むヘモグロビン濃度（ＨＣ）変化の訓練セットによって訓練された第１の機械学習モデルを用いて、前記人間の被験者のヘモグロビン濃度（ＨＣ）変化を示す撮影された画像シーケンスにおける、信号対雑音比（ＳＮＲ：Ｓｉｇｎａｌ－ｔｏ Ｎｏｓｅ Ｒａｔｉｏｎ）を略最大にするように決定された、１組のビット・プレーンから複数のビット値を決定することと、グラウンド・トルース・データとして、複数の他の被験者からの前もって決定された複数のＨＣ変化信号及びそれらの被験者からの１つ又は複数の血液パネルを含む血液バイオマーカ訓練セットを用いて訓練された第２の機械学習モデルを用いて、１つ又は複数の血液バイオマーカの濃度を決定することと、上記１つ又は複数の血液バイオマーカの決定された濃度を出力することとを含む。

上記方法の１つの特定の例においては、上記複数のビット値を決定することは、上記ヘモグロビン濃度（ＨＣ）変化に基づいて、上記複数の画像によって獲得された上記人間の被験者の複数の所定の関心領域（ＲＯＩ：Ｒｅｇｉｏｎｓ ｏｆ Ｉｎｔｒｅｓｔ）の各々について複数のビット値を決定することを含む。

上記方法の他の１つの例においては、上記複数のＲＯＩは重なり無しである。

上記方法の更にもう１つの例においては、第２の機械学習モデルを用いて決定された１つ又は複数の血液バイオマーカの濃度は、上記１つ又は複数の血液バイオマーカの各々の血中濃度が特定の濃度範囲に属すると推定された統計的確率を含む。

上記方法の更にもう１つの例においては、上記濃度範囲は、臨床的に重要な濃度クラスと関係付けられている。

上記方法の更にもう１つの例においては、上記撮影画像シーケンスは、可動時間ウィンドウにおいて撮られた複数の画像を含み、上記１つ又は複数の血液バイオマーカの決定された濃度は、各可動時間ウィンドウ毎に出力される。

上記方法の更にもう１つの例においては、上記１つ又は複数の血液バイオマーカの各々は、血液グルコース濃度、空腹時血糖、ヘモグロビンＡ１ｃ、高比重リポタンパク質、低比重リポタンパク質、トリグリセリド、好中球、好塩基球、クレアチニン、尿酸、赤血球、ヘモグロビン、血小板、沈殿物、及び、アルブミンのうちの１つを含む。

上記方法の更にもう１つの例においては、ＳＮＲを最大にする１組のビット・プレーンを決定することは、所定の時間区間に亘って全てのＲＯＩにおける信号差を最大にするように、複数のビット・プレーン・ベクトルの画素毎に画像の減算及び加算を実行することと、上記信号の差異を増加させる複数のビット・プレーンからのビット値と、上記信号の差異を減少させるか又は信号の差異に関与しない複数のビット・プレーンからのビット値とを識別することと、上記信号の差異を減少させるか又は信号の差異に関与しない複数のビット・プレーンからのビット値を廃棄することとを含む。

上記方法の更にもう１つの例においては、第２の機械学習モデルは、長・短期記憶（ＬＳＴＭ：Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）人工神経ネットワーク、又は、ガウス過程推論ネットワーク（ＧＰＮｅｔ：Ｇａｕｓｓｉａｎ Ｐｒｏｃｅｓｓ Ｉｎｔｅｒｎｅｔ Ｎｅｔｗｏｒｋ）を含む。

他の１つの態様においては、人間の被験者の１つ又は複数の血液バイオマーカの濃度の決定のためのシステムが提供される。このシステムは、１つ又は複数のプロセッサ及びデータ記憶装置を含み、１つ又は複数のプロセッサは、人間の被験者の表皮から再発光された光の撮られた画像シーケンスを受信し、ヘモグロビン濃度（ＨＣ）変化が既知である１組の被験者から撮られた複数の画像の各ビット・プレーンからの複数のビット値を有するヘモグロビン濃度（ＨＣ）変化の訓練セットによって訓練された第１の機械学習モデルを用いて、上記人間の被験者のヘモグロビン濃度（ＨＣ）変化を示す撮影された画像シーケンスにおける、信号対雑音比（ＳＮＲ）を略最大にするように決定された、１組のビット・プレーンから複数のビット値を決定するＴＯＩモジュールと、グラウンド・トルース・データとして、複数の他の被験者からの前もって決定された複数のＨＣ変化信号及びそれらの被験者からの１つ又は複数の血液パネルを含む血液バイオマーカ訓練セットを用いて訓練された第２の機械学習モデルを用いて、１つ又は複数の血液バイオマーカの濃度を決定する数量化モジュールと、上記１つ又は複数の血液バイオマーカの決定された濃度を出力する出力モジュールとを実行するように設定される。

上記システムの１つの特定の例においては、上記複数のビット値を決定することは、上記ヘモグロビン濃度変化に基づいて、上記複数の画像によって獲得された上記人間の被験者の複数の所定の関心領域（ＲＯＩ）の各々について複数のビット値を決定することを含む。

上記システムの他の１つの例においては、上記複数のＲＯＩは重なり無しである。

上記システムの更にもう１つの例においては、第２の機械学習モデルを用いて決定された１つ又は複数の血液バイオマーカの濃度は、上記１つ又は複数の血液バイオマーカの各々の血中濃度が特定の濃度範囲に属すると推定された統計的確率を含む。

上記システムの更にもう１つの例においては、上記濃度範囲は臨床的に重要な濃度クラスと関係付けられている。

上記システムの更にもう１つの例においては、上記撮影画像シーケンスは、可動時間ウィンドウにおいて撮られた複数の画像を含み、上記１つ又は複数の血液バイオマーカの決定された濃度は、各可動時間ウィンドウ毎に出力される。

上記システムの更にもう１つの例においては、上記１つ又は複数の血液バイオマーカの各々は、血液グルコース濃度、空腹時血糖、ヘモグロビンＡ１ｃ、高比重リポタンパク質、低比重リポタンパク質、トリグリセリド、好中球、好塩基球、クレアチニン、尿酸、赤血球、ヘモグロビン、血小板、沈殿物、及び、アルブミンのうちの１つを含む。

上記システムの更にもう１つの例においては、ＳＮＲを最大にする１組のビット・プレーンを決定することは、所定の時間区間に亘って全てのＲＯＩにおける信号差を最大にするように、複数のビット・プレーン・ベクトルの画素毎に画像の減算及び加算を実行することと、上記信号の差異を増加させる複数のビット・プレーンからのビット値、及び、上記信号の差異を減少させるか又は信号の差異に関与しない複数のビット・プレーンからのビット値を識別することと、上記信号の差異を減少させるか又は信号の差異に関与しない複数のビット・プレーンからのビット値を廃棄することとを含む。

上記システムの更にもう１つの例においては、第２の機械学習モデルは、長・短期記憶（ＬＳＴＭ）人工神経ネットワーク又はガウス過程推論ネットワーク（ＧＰＮｅｔ）を含む。

本明細書においては、以上の、そして、その他の態様が考察され記載されている。以上の概要における複数の実施例の代表的な態様の記述が、以下の詳細な説明を当業者が理解する助けとなることが理解されるであろう。

本発明の特徴は、添付の図面が参照される以下の詳細な説明においてより明確になるであろう。

１つの実施例による、血液バイオマーカのカメラに基づく数量化のシステムのブロック図である。 １つの実施例による、血液バイオマーカのカメラに基づく数量化のための方法のためのフローチャートである。 皮膚の表皮細胞層及び皮下層からの光の再放出を示す図である。 特定の時点における特定の人間の被験者について、ヘモグロビン濃度の変化を示す１組の表面及び対応する経皮画像を示す図である。 メモリ・セルを示す図である。 ３チャネル画像のためのビット・プレーンの１つの例を示す図である。 図１の実施例の１つの実例を示すフローチャートの例である。 図１の実施例の１つの実例を示す他のフローチャートの例である。 実例の実験のための経皮光学イメージングを決定するための図１のシステムの一部の用途を示す図である。 図９の決定を用いて実例の実験において血中グルコースを数量化するための図１のシステムの用途を示す図である。 被験者の額についてのヘモグロビン分布の差異を示す、図９の実例の実験のプロットである。（被験者の鼻及び頬についてのヘモグロビン分布の変化はそれぞれ図１２及び図１３に示す。） 被験者の鼻についてのヘモグロビン分布の差異を示す、図９の実例の実験のプロットである。 被験者の頬についてのヘモグロビン分布の差異を示す、図９の実例の実験のプロットである。 図１のシステムに従って血液バイオマーカを数量化するための出力を示す報告の１つの例を示す図である。

以下に、複数の実施例が図面を参照して記述される。説明の簡素さ及び明確さのために、適切であるとみなされる所では、同一又は類似するエレメントを示すために参照符号は図中で繰り返され得る。また、本明細書において記述されている実施例の完全な理解を提供するために具体的な詳細事項が多く記載されている。しかしながら、本明細書において記述されている実施例がこれらの具体的な詳細事項無しで実施され得ることは当業者には理解されるであろう。他の複数の例においては、本明細書において記述されている実施例を不明瞭にしないために、周知の方法、手順、及び、コンポーネントは詳述されていない。更に、以下の説明は、本明細書において記述されている実施例の範囲を限定するものと考えられるべきではない。

本明細書の全体に亘って用いられる様々の用語は、文脈上別途示される場合を除き、以下の通りに読み取られ理解され得る。全体に使用される「又は（ｏｒ）」は、「及び／又は（ａｎｄ／ｏｒ）」のように、包括的である。全体に使用される、単数形の冠詞及び代名詞は、それらの複数形をも包含し、逆もまた同じである。同様に、性別のある代名詞はそれらのもう一方の性別の代名詞をも包含し、本明細書において記述されている如何なるものも、単一の性別による使用、実装、実行等に限定されるように解釈されるべきでない。「例示的な（ｅｘｅｍｐｌａｒｙ）」は、「説明に役立つ（ｉｌｌｕｓｔｒａｔｉｖｅ）」又は「例となる（ｅｘｅｍｐｌｉｆｙｉｎｇ）」として理解されるべきであり、必ずしも他の実施例より「好ましい（ｐｒｅｆｅｒｒｅｄ）」というように解釈されるべきでない、用語の更なる定義は、本明細書において記述され得る。本明細書の説明を読んで分かるように、これらの定義はそれらの用語の前に現れるものにも後に現れるものにも適用され得る。

本明細書において例示された、複数の命令を実行する、任意のモジュール、ユニット、コンポーネント、サーバ、コンピュータ、端末、エンジン、又は、デバイスは、例えば、記憶媒体、コンピュータ記憶媒体、又は、（例えば、磁気ディスク、光ディスク、又は、テープのような、着脱可能な及び／又は着脱不可能な）データ記憶装置のようなコンピュータ読取り可能な媒体を含むか、或いは、そうでなければ、それらにアクセスする。コンピュータ記憶媒体は、（例えば、コンピュータ読取り可能命令、データ構造、プログラム・モジュール、又は、他のデータのような）情報の記憶のために任意の方法又は技術で実装される揮発性及び不揮発性の、着脱可能及び着脱不可能な媒体を含むことができる。コンピュータ記憶媒体の例としては、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ、又は、その他メモリ技術；ＣＤ－ＲＯＭ、デジタル・バーサタイル・ディスク（ＤＶＤ：Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）、又は、他の光記憶装置；磁気カセット、磁気テープ、磁気ディスク記憶装置、又は、その他磁気記憶装置；或いは、所望の情報を格納するために用いられ得、且つ、アプリケーション、モジュール、又は、それら両方によってアクセスされ得る他の任意の媒体を含む。そのようなコンピュータ記憶媒体の何れもが、装置の一部であるか、又は、装置にアクセス可能、又は、接続可能であり得る。更に、文脈に別途明確に示されない限り、本明細書において説明された任意のプロセッサ又はコントローラは、単一のプロセッサとして、又は、複数のプロセッサとして実装され得る。それら複数のプロセッサは配列、又は、分散され得、本明細書において言及される任意のプロセッサ機能は、単一のプロセッサが例示されていても、１つ又は複数のプロセッサによって実行され得る。本明細書において記述されている方法、アプリケーション、又は、モジュールは、そのようなコンピュータ読取り可能な媒体によって格納され得るか、又は、別の方法で保持され得る、コンピュータ読取り可能／実行可能な命令を用いて実装され得、１つ又は複数のプロセッサによって実行され得る。

以下の開示は、一般に、血液測定における検出に、そして、より詳細には、血液バイオマーカのカメラに基づく数量化のためのシステム及び方法に関する。

本明細書において記述されている実施例においては、血液バイオマーカのカメラに基づく数量化は、人間の被験者の顔から撮られた動画から引き出される。血液バイオマーカは、例えば、血中グルコース、空腹時血糖、ヘモグロビンＡ１ｃ、コレステロール（例えば、高比重リポタンパク質、低比重リポタンパク質）、トリグリセリド、免疫細胞（例えば、好中球、好塩基球）、代謝産物（例えば、クレアチニン、尿酸）、血液成分、及び、タンパク質（例えば、赤血球、ヘモグロビン、血小板、及び、沈殿物）、アルブミン、及び、他の血液成分の濃度の検出を含むことができる。有利なことに、ここに本実施例は、比較的高度の信頼性を有する血液バイオマーカを数量化する、遠隔で非侵襲性のアプローチを提供する。

本明細書において記述されている実施例に従いヘモグロビン濃度変化を用いて血液バイオマーカを測定することは、侵襲的な血液検査アプローチに勝るかなりの利点を提供する。本明細書において記述されている実施例に従う血液バイオマーカの測定は、何処ででも快適に且つ非侵襲的に（例えば、ただ１つのモバイル機器によっても）実行され得るので、頻繁且つ迅速に実行され得る。また、血液サンプルを集めて処理するためのラボを必要としないので安価である。従って、本明細書において記述されている実施例を用いると、より頻繁な血液バイオマーカのモニタリングが実行され得、血液バイオマーカの異常な濃度が早く検出され対処され得る可能性を増加させる。このような行為は、生活様式の改善（例えば、ダイエット又は他の方法）を行う、及び／又は、続いてより包括的な血液検査分析及び医学的助言を行うことを含み得る。更に、より頻繁な検査により、人の健康についての、より総合的な説明が提供され得る。

血液検査への幾つかのアプローチでは、より効果的な検査のために微少流体技術を用い新規なバイオマーカを開発してチップ上に分析試料を縮小化することにより、より少ない血液、より安価、より短い待ち時間という結果を達成することができる。しかしながら、そのような方法は、血液サンプルを分析するために、血液を採取すること、及び、特殊な設備や試験技術を必要とするであろう。血液を採取することを必要としないアプローチを見つける試みが為されてきた。例えば、１つのアプローチでは、心電図（ＥＣＧ:Ｅｌｅｃｔｏｃａｒｄｉｏｇｒａｍ）の微妙な変化を検出するために機械学習を用いることにより、血液中のカリウム濃度を決定することができる。このような検査は依然特殊な設備（例えば、ＥＣＧ）を必要とするという点で不利である。

１つのアプローチでは、動画に基づく光電式容積脈波記録法が、用いられ得る。遠隔動画による光電式容積脈波記録法においては、周辺光が表皮を通って表在血管に入る。その濃度が心搏周期で振動すると、光の特定の波長が血液のヘモグロビンによって吸収される。この吸収光は、反射されて表皮から出てカメラにまで到達することはない。光のこれらの微妙な減衰は、カメラによって検出され、血流を表す。有利なことに、動画に基づく光電式容積脈波記録法によって得られた血流パターンは、様々の血液バイオマーカの濃度を予測する情報を含むことができる。特に、血流パターンは、血中グルコース、空腹時血糖、ヘモグロビンＡ１ｃ、コレステロール（例えば、高比重リポタンパク質、低比重リポタンパク質）、トリグリセリド、免疫細胞（例えば、好中球、好塩基球）、代謝産物（例えば、クレアチニン、尿酸、アルブミン）、血液成分及びタンパク質（例えば、赤血球、ヘモグロビン、血小板、及び、沈殿物）、アルブミン、並びに、血液中の他の成分を様々の程度で推定することができる。しかしながら、動画に基づく光電式容積脈波記録法への他のアプローチでは、一般に、相対的に高い精度及び正確さを有する血液バイオマーカを数量化するために必要な頑丈さを欠いている。

交感神経及び副交感神経系又はレニン・アンジオテンシン・アルドステロン系による心血管系のホルモン・コントロールは血液バイオマーカの濃度に応答する。個々人の血流は交感神経及び副交感神経系及びレニン・アンジオテンシン・アルドステロン系によって制御されるが、それは大多数の個々の人々が意識的に制御することはできないことが知られている。個々人の血液バイオマーカの濃度は、それらの血流をモニタすることによって検出され得る。血液の様々の成分の濃度又は血液バイオマーカの濃度に影響を及ぼす他の生物学的プロセスは、交感神経及び副交感神経系の活性化を調整することによって、又は、レニン・アンジオテンシン・アルドステロン系によって血流にホルモン類を放出させることによって、個々人の心臓血管の生理機能に影響を及ぼす。交感神経系は闘争又は逃走生理機能の素早い開始と関係しており、副交感神経系は安静時の生理機能と関係している。レニン・アンジオテンシン・アルドステロン系は、遅い開始、心拍数の持続性の反応、及び、血管緊張に関係している。更に、他の要因（例えば、血液容量、血液密度、血管炎症、血管壁の性質等）が血流に影響を与える場合があり、そのような要因は血液バイオマーカの濃度と関係している場合がある。

顔のほとんどの部分（例えば、眼瞼、頬、及び、あご）の血流は、主に交感神経性血管拡張神経ニューロンによって制御されるが、他の領域（例えば、鼻及び耳）の血流は主に交感神経性血管収縮ニューロンによって制御される。他の領域（例えば、額の領域）において、血流は、交感神経及び副交感神経の両方の血管拡張神経によって刺激される。心血管系の全体的な変化は、通常、レニン・アンジオテンシン・アルドステロン系によって制御される。血液バイオマーカの濃度が変動すると、全ての血管の全体に亘るものに加えて、顔の様々の部分上の、空間的及び時間的な特異的活性化パターンが引き出される。本明細書に記述された実施例においては、顔の様々の領域における顔面ヘモグロビン濃度（ＨＣ）変化は、自律神経系、レニン・アンジオテンシン・アルドステロン系、又は、血流の他の決定要因の状態に関する情報を決定するために抽出され得る。個々の領域からのデータの上記の多次元的及び動的配列は、本明細書において記述されているように、規範的なデータに基づく複数のモデルと比較され得る。このような比較から、本明細書に記述された実施例は、個々人の血液バイオマーカの濃度について信頼性が高い統計学に基づく推定を行うために用いられ得る。

次に図１を参照すると、血液バイオマーカ１００のカメラに基づく数量化のためのステムが示されている。システム１００は、処理ユニット１０８、１つ又は複数のビデオ・カメラ１０５、記憶装置１０１、及び、出力装置１０２を含む。処理ユニット１０８は、１つ又は複数のビデオ・カメラ１０５から得られた動画撮像データを事前に及び／又は周期的にロードされ得る記憶装置１０１に通信可能に接続され得る。処理ユニット１０８は、ＴＯＩモジュール１１０、数量化モジュール１１２、及び、出力モジュール１１４を含む、様々の相互接続したエレメント及びモジュールを含む。ＴＯＩモジュールは、画像処理ユニット１０４及びフィルタ１０６を含む。ビデオ・カメラ１０５によって撮られた動画像は、フィルタ１０６によって処理され得、記憶装置１０１に保存され得る。更なる実施例においては、１つ又は複数のモジュールが（ビデオ・カメラ１０５又は出力装置１０２を含む）別々の処理ユニット又はデバイス上で実行され得る。更なる実施例においては、モジュールの機能の幾つかは、必要に応じて、他のモジュールと結合され得るか、又は、他のモジュール上で実行され得る。

本明細書で用いられる「動画」という用語は、静止画像の組を含むことができる。従って、「カメラ」は、動画を形成する静止画像のシーケンスを撮るカメラを含むことができる。

経皮光学イメージング（ＴＯＩ：Ｔｒａｎｓｄｅｒｍａｌ Ｏｐｔｉｃａｌ Ｉｍａｇｉｎｇ）を用いて、ＴＯＩモジュール１１０は従来のデジタル・カメラから撮られた生画像からヘモグロビン濃度（ＨＣ）を分離することができ、数量化モジュール１１２はＨＣの空間的且つ時間的変化を血液バイオマーカの濃度に相関させることができる。次に図３を参照すると、表皮からの光の再放出を示す線図が示されている。光３０１は、表皮３０２の下に進み、異なる皮膚組織を通過した後に光３０３を再放出する。それから、再放出された光３０３は、光学カメラ１０５によって撮られ得る。再放出された光に影響を及ぼしている主な発色団は、メラニン及びヘモグロビンである。メラニン及びヘモグロビンが異なる色の特徴を有するので、図４に示すように主に表皮下のＨＣを反映する画像を得ることができることが発見されている。

経皮光学イメージング（ＴＯＩ）を用いて、ＴＯＩモジュール１１０は、カメラ１０５から画像処理ユニット１０４を介して撮られた画像又は動画ストリームの各々を獲得し、画像を操作して、被験者の対応する最適化されたヘモグロビン濃度（ＨＣ）画像を生成する。ＨＣデータから、顔面の血流における局所化された体積濃度が決定され得る。それによって、局所化された体積濃度は、関心領域の中で測定されたＨＣ強度値に関連する。記述されているように、複数の関心領域が、ＨＣが測定されるべき、局所的な限定された１つ又は複数の領域を定めるために用いられる。画像処理ユニット１０４は、撮られた動画シーケンスのＨＣを分離する。１つの例示的な実施例においては、被験者の顔の画像は、デジタル・カメラ１０５を用いて毎秒３０フレームで撮られる。以上のプロセスが別のデジタル・カメラ、照明状態、及び、フレーム率を用いて実行され得ることは理解されるであろう。

ＴＯＩモジュール１１０は、動画シーケンス中の複数のビット・プレーンを分析して、信号対雑音比（ＳＮＲ）を略最大にする（従って、顔面の表皮、又は、人間の表皮の任意の一部、の上の血液バイオマーカの異なる濃度の間の信号の差異を最適化する）１組のビット・プレーンを決定して分離することによってＨＣを測定するために第１の機械学習モデルを用いることができる。ほとんどの場合、ＳＮＲは、心拍数周波数帯の外側のエネルギーに対する心拍数周波数帯のエネルギーの比率である。それによって、心拍数周波数帯は、人間の心拍数を含む周波数範囲となる。高ＳＮＲビット・プレーンの決定は、上記撮られた動画シーケンスを構成する複数の画像からなるＨＣ訓練セットを参照して実行される。幾つかの例においては、この動画シーケンスは、訓練セットを提供した人間の被験者から集められた、心電図、空気呼吸、血圧、レーザ・ドップラのデータと共に供給される。幾つかの例においては、心電図及び空気呼吸のデータは、ＨＣデータから心臓、呼吸、及び、血圧のデータを除いて、このような活性がＨＣデータ中のより微妙な血液バイオマーカ関連の信号をマスキングするのを防止するために用いられ得る。本明細書に記述された実施例においては、ＴＯＩモジュール１１０は、人間の被験者のサンプルの最適化された「ビット・プレーンからなる」画像から抽出された複数の関心領域（「ＲＯＩ）における表皮のＨＣ変化の空間的及び時間的信号パターンを用いて血液バイオマーカの濃度を推定するための第１の機械学習モデルを訓練する。幾つかの例においては、複数の関心領域（ＲＯＩ）は、人間の被験者の顔の領域である。例えば、額、鼻、及び、頬は、静止しているとして定義され得、又は、上記動画像を用いて動的に更新され得る。幾つかの例においては、上記複数のＲＯＩは、重なり無しである。幾つかの例においては、上記複数のＲＯＩは、推定している（例えば、額、頬等のための）血液バイオマーカをＨＣが特に示しているＲＯＩに関しては、当該技術分野における知識に基づいて選択される。複数のビット・プレーン（典型的には、各カラー画像に対して２４のビット・プレーン）からなる生の画像を用いて、各ＲＯＩ上の特定の時間区間（例えば、１０秒）に亘って変化する複数の信号が抽出される。幾つかの例においては、動的に更新されたＲＯＩが、顔追跡技術を用いて選択、且つ／又は、維持され得る。

ビット・プレーンは、デジタル画像の基本的な側面である。典型的には、１つのデジタル画像は、一定数の画素（例えば、１９２０Ｘ１０８０画素の幅Ｘ高さ）から成る。デジタル画像の各画素は、１つ又は複数のチャネル（例えば、赤・緑・青（ＲＧＢ）の色の）を有する。各チャネルは、典型的には、１チャネルにつき８ビット／画素の、しかし、時には、高ダイナミック・レンジ画像のために、１チャネルにつき１０ビット／画素のダイナミック・レンジを有する。それによって、このようなビットの配列は、ビット・プレーンとして知られているものを形成する。１つの例においては、カラー動画の画像毎に、１チャネルにつき８ビットを有する３つのチャネル（例えば、赤・緑・青（ＲＧＢ））が存在し得る。従って、典型的には、カラー画像の各画素毎に、１層につき１ビットを有する２４枚の層が存在する。そのような場合には、１つのビット・プレーンは、上記画像の特定の１つの層の単一の１ビット・マップの全ての画素全体に亘る図である。このようなカラー画像に対しては、典型的には、２４のビット・プレーン（すなわち、１プレーンにつき１つの１ビット画像）が存在する。こうして、毎秒３０フレームを有する１秒のカラー動画に対して、少なくとも７２０（３０Ｘ２４）のビット・プレーンが存在する。図６は、３チャネル画像（赤、緑、及び、青（ＲＧＢ）チャネルを有する画像）のためのビット・プレーンの１つの例示的な図である。複数の層のスタックの各々が画像のチャネル毎に重ねられている。例えば、図示されるように、ＲＧＢ画像には、各チャネル毎にビット・プレーンのスタックが存在する。本明細書において記述されている実施例において、本出願人は、例えば、単に各チャネル毎に平均された値を用いるよりはむしろ、複数のビット・プレーンのビット値を用いることの利点を認識した。それ故、ＨＣ変化の予測をするために、より大きなレベルの精度が達成され得、従って、本明細書において開示されるような内部血液数量化が達成され得る。特に、ビット・プレーンを用いることにより、機械学習モデルを訓練するために、より大きなデータの基礎が提供されるので、より高い精度が可能である。

本明細書において記述されているように、血液バイオマーカは、ビット・プレーン分析を用いて獲得された血流信号から決定され得る。ビット・プレーン分析により、獲得された信号が略排他的に血流情報（高信号対雑音比）であることを確実にし、且つ、獲得された信号が（例えば、表皮の色の違いから）表皮のメラニン含有量及び光の状態のような非血流要因によって過度に影響されないことを確実にすることができる。通常、血液バイオマーカの変化から生じている血流の変化は非常に微小であり得る。従って、有利なことに、本明細書に記述された実施例のようなビット・プレーン分析を用いることは、血流信号を抽出するための、堅牢で、正確な、且つ、信頼性が高い方法を提供する。そして、このことは、一般に、血液バイオマーカの正確な予測をするために必要である。

幾つかの例においては、カメラからの生信号は、信号特性に応じて、１つ又は複数のフィルタ１０６を用いて前処理され得る。このようなフィルタ１０６は、例えば、バタワース・フィルタ、チェビシェフ・フィルタ等を含むことができる。２つ以上のＲＯＩからのフィルタ処理された信号を用い、ＴＯＩモジュール１１０は、更に第１の機械学習モデルを用いて、信号の差異を著しく増加させる（例えば、ＳＮＲの改善が０．１ｄＢより大きい）ビット・プレーンと、信号の差異に何ら寄与しないか、又は、信号の差異を減少させるビット・プレーンとを系統的に識別することができる。後者を廃棄した後に、残りのビット・プレーンは数量化モジュール１１２によって用いられ、内部血液濃度を推定することができる。

第１の機械学習モデルに進むために、ＴＯＩモジュール１１０は、最初に、各ビット・プレーンの各画素のビット値を用いて、時間の次元に沿って複数のビット・プレーン・ベクトル（例えば、２４ビット・プレーン×６０ｈｚ）を操作することができる。１つの実施例においては、これは、上記時間区間に亘る複数のＲＯＩにおける信号の差異を最大にするような各ビット・プレーンの引算及び加算を含むことができる。幾つかの例においては、加算又は引算は画素毎に実行され得る。幾つかの例においては、信頼性が高く堅牢な機械学習モデルを得るために、第１の機械学習モデル用のトレーニングデータは、以下の３つのセット、すなわち、訓練セット（例えば、被験者データ全体の８０％）、テストセット（例えば、被験者データ全体の１０％）、及び、正当性外部確認セット（例えば、被験者データ全体の１０％）に分けられ得る。通常、訓練データの時間区間は、生データの長さ（例えば、１５秒、６０秒、又は、１２０秒）に応じて変えることができる。第１の機械学習モデルは、任意の適切な機械学習技術を用いることができる。例えば、長・短期記憶（ＬＳＴＭ）ニューラル・ネットワーク、ガウス過程推論ネットワーク（ＧＰＮｅｔ）、又は、他のタイプの人工ニューラル・ネットワーク（ＡＮＮ）を用いることができる。第１の機械学習モデル用の機械学習技術は、例えば、正確さの見地からの差異の改善、特徴選択の見地からどのビット・プレーンが最善の情報を提供するか、そして、どのビット・プレーンが最善の情報を提供しないか、を決定する際の正確さ及び効率に基づいて選択され得る。

長・短期記憶（ＬＳＴＭ）ニューラル・ネットワークを用いた実施例においては、ＴＯＩモジュール１１０は、群特徴選択及び分類を実行することができる。このようにして、ＴＯＩモジュール１１０は、画像シーケンスから分離されＨＣの時間的変化を反映する１組のビット・プレーンを獲得することができる。幾つかの例においては、ＴＯＩモジュール１１０は、本明細書において記述されているように、画像フィルタを用いて、識別されたビット・プレーンを分離することができる。このようにして、第１の機械学習モデルは、複数の被験者共通のヘモグロビン変化の空間的且つ時間的パターン（例えば、時間における額及び頬の血流の振幅の相違）の存在を評価するために用いられ得る。

顔面の内部血液量を抽出するために、ＴＯＩモジュール１１０から、第２の機械学習モデルに顔面のＨＣ変化データを渡すことによって、数量化モジュール１１２は内部血液量を推定することができる。幾つかの例においては、顔面のＨＣ変化データは、各被験者の顔画像の各画素を時間の関数として含むことができる。幾つかの例においては、信号対雑音比（ＳＮＲ）を増加させるために、被験者の顔は、本明細書において記述されているように、複数の関心領域（ＲＯＩ）に分けられ得、各ＲＯＩのデータは平均値にすることができる。

１つの実施例において、第２の機械学習モデルの訓練のための訓練データを得るために、複数の被験者の動画像が撮られて、各被験者の血液パネルが得られる。血液パネルは１つ又は複数の血液バイオマーカの濃度を含む。この血液パネルは、例えば、血中グルコース、空腹時血糖、ヘモグロビンＡ１ｃ、コレステロール（例えば、高比重リポタンパク質、低比重リポタンパク質）、トリグリセリド、免疫細胞（例えば、好中球、好塩基球）、代謝産物（例えば、クレアチニン、尿酸）、血液成分及びタンパク質（例えば、赤血球、ヘモグロビン、血小板及び沈殿物）、アルブミン及び他の血液バイオマーカの濃度を含むことができる。被験者は、健常な個々人、又は、異常が疑われる個々人を含むことができる。幾つかの例においては、第１の機械学習モデル用の訓練データは、第２の機械学習モデル用の訓練データと同時に獲得され得る。そのような場合、結果として生じる被験者の入力データは生理学的データのコレクションから得られ、例えば、血液バイオマーカの濃度に関係がない生理作用に関して正常化することを助けることができる。このような生理学的データは、例えば、心電図装置、空気呼吸装置、連続血圧装置、及び、レーザ・ドップラ装置等を用いて集めることができる、心電図、空気呼吸、血圧、及び、レーザ・ドップラを含むことができる。上記付随するデータは、第２の機械学習モデルの訓練のために追加情報を提供することができる。

第２の機械学習モデルは、任意の適切なディープ・ラーニングのアプローチ、例えば、長・短期記憶（ＬＳＴＭ）ニューラル・ネットワーク、ガウス過程推論ネットワーク（ＧＰＮｅｔ）、又は、他のタイプの人工ニューラル・ネットワーク（ＡＮＮ：Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を用いることができる。幾つかの例においては、第２の機械学習モデルは、訓練データの一部分によって訓練され得る。訓練データの一部分は、テスト・データ・セットを代表する他の複数の部分を用いてテストされ得、正当性外部確認データ・セットを代表する他の複数の部分を用いて外部から確認され得る。更なる例においては、例えば、（例えば、ランダム・フォレスト・モデル等の）樹木モデル、（例えば、ＸＧＢｏｏｓｔ等の）勾配ブースティング方式、及び、サポート・ベクトル・マシンのような、古典的な教師あり機械学習技術もまた用いられ得る。更なる例においては、例えば、ｔ分布型確率的近傍埋め込み法又はｔ－ＳＮＥのような、教師無しクラスタリング技術が用いられ得る。

一旦第２の機械学習モデルが訓練されると、数量化モジュール１１２は、任意の被験者の動画シーケンスを得ることができ、選択されたビット・プレーンから抽出されたＨＣを第２の機械学習モデルに適用して、１つ又は複数の血液バイオマーカの各々のための濃度範囲を推定することができる。幾つかの例においては、第２の機械学習モデルの出力は、所与の血液バイオマーカの被験者の血中濃度が基準血液サンプルから特定の濃度範囲に属すると推定された統計的確率であることができる。そのような場合、基準血液バイオマーカ濃度は、血液パネルによって獲得され得、それから複数の「クラス」に分割され得る。例えば、０～３ｍｍｏｌ／Ｌの血中グルコースはクラス１に、３～６ｍｍｏｌ／Ｌの血中グルコースはクラス２に、等である。第２の機械学習モデルは、これらの基準血液バイオマーカ濃度を用いて、同時に得られた血流信号（入力）の特徴から特定の血液バイオマーカ（出力）のための濃度「クラス」を予測するように訓練され得る。幾つかの例においては、各濃度クラスの範囲は、所与の血流信号の特徴が、予測モデルの１つの濃度クラスともう一方とをどの程度区別することができるかに基づいて選択され得る。この範囲は、一般に、モデル全体に亘って最小平均分類精度（％特定性、％感度）を達成するには十分大きくあるべきである。他の例では、複数の範囲が臨床的に重要な複数の濃度クラスに対応し得るか、或いは、ランダム又は任意に決定され得る（例えば、グルコース濃度については、低い／低血糖症：＜４ｍｍｏｌ／Ｌ、正常：４～６．９ｍｍｏｌ／Ｌ、高め：７～１０．９ｍｍｏｌ／Ｌ、及び、高い／糖尿病：≧１１ｍｍｏｌ／Ｌ）。幾つかの例においては、長く続いている動画ストリームについては、血液成分の濃度が変動するとき、クラスの変化、及び、可動時間ウィンドウ（例えば、１０秒）に基づく時間に亘るＨＣデータによる確率推定が使用され得る。

幾つかの例においては、第２の機械学習モデルを用いて予測をするときに、数量化モジュール１１２は、例えば、本明細書において記述されているようにソフトマックス関数を用いて、所与の血流パターンが各濃度クラスに属する統計確率を決定することができる。これにより、１つの例においては、クラス１、２、３、及び、４に対して、それぞれ、０．０６、０．６４、０．２０、０．１０の確率を生成し得る。このことは、第２の機械学習モデルがクラス２に対応する濃度を０．６４の確率で予測することを意味する。この統計的確率は、例えば、６４％の確からしさとして、ユーザに示され得る。幾つかの例においては、このような確率は、他の情報（例えば、ＳＮＲ）に基づいて調整され得る。

長・短期記憶（ＬＳＴＭ）ニューラル・ネットワークを用いる例においては、ＬＳＴＭニューラル・ネットワークは、少なくとも３層のセルを含む。第１の層は入力層であり、入力データを受け取る。第２の（及び、おそらく付加的な）層は隠れ層であり、メモリ・セル（図５を参照）から成る。最終層は出力層であり、ロジスティック回帰を用いて隠れ層に基づいて出力値を生み出す。

各メモリ・セルは、図示されるように、入力ゲート、自己回帰接続（それ自身への接続）を有するニューロン、忘却ゲート、及び、出力ゲートの４つの主エレメントを含む。自己回帰接続は１．０の加重を有し、外部干渉を締め出し、メモリ・セルの状態は１つの時間ステップから次の時間ステップまで一定のままであり得る。ゲートは、メモリ・セル自体とその周囲との間の相互作用を調整するために役立つ。入力ゲートは、入力信号がメモリ・セルの状態を変えることを許容又は防止する。他方で、出力ゲートは、メモリ・セルの状態が他のニューロンに影響を及ぼすことを許容又は防止する。最後に、忘却ゲートは、メモリ・セルの自己回帰接続を調整することができ、必要に応じて、セルがその以前の状態を記憶又は忘却することを許容する。

以下の式は、メモリ・セルの１つの層がどのように時間ステップｔ毎に更新されるかについて記述する。これらの式において、ｘ_ｔは、時刻ｔにおける上記メモリ・セルの層への入力アレイである。我々の用途において、これは、全てのＲＯＩにおける血流信号である。

ここで、Ｗ_ｉ、Ｗ_ｆ、Ｗ_ｃ、Ｗ_ｏ、Ｕ_ｉ、Ｕ_ｆ、Ｕ_ｃ、Ｕ_ｏ、及び、Ｖ_ｏは加重マトリックスであり、ｂ_ｉ、ｂ_ｆ、ｂ_ｃ、及び、ｂ_ｏはバイアス・ベクトルである。

最初に、時刻ｔにおける、入力ゲートｉ_ｔの値、及び、上記メモリ・セルの状態の候補値

を計算する。

次に、時刻ｔにおけるメモリ・セルの忘却ゲートの活性化ｆ_ｔの値を計算する。
ｆ_ｔ＝σ（Ｗ_ｆｘ_ｔ＋Ｕ_ｆｈ_ｔ－１＋ｂ_ｆ）

入力ゲート活性化ｉ_ｔの値、忘却ゲートの活性化ｆ_ｔの値、及び、候補状態値

が与えられると、時刻ｔにおけるメモリ・セルの新しい状態Ｃ_ｔを計算することができる。

メモリ・セルの新しい状態においては、我々は、それらの出力ゲートの値を、そして、引き続いて、それらの出力を計算することができる。
ｏ_ｔ＝σ（Ｗ_ｏｘ_ｔ＋Ｕ_ｏｈ_ｔ－１＋ｂ_ｏ）
ｈ_ｔ＝ｏ_ｔ＊ｔａｎｈ（Ｃ_ｔ）

メモリ・セルのモデルに基づいて、各時間ステップにおける血流分布に対して、メモリ・セルから出力を算出することができる。従って、入力シーケンスｘ_０、ｘ_１、ｘ_２、・・・、ｘ_ｎから、ＬＳＴＭ層のメモリ・セルは、表現シーケンスｈ_０、ｈ_１、ｈ_２、・・・、ｈ_ｎを生成する。

このシーケンスを複数の異なる状態に分類することが目的である。ロジスティック回帰出力層は、ＬＳＴＭ隠れ層から上記表現シーケンスに基づいて各状態の確率を生成する。時間ステップｔにおける確率のベクトルは、以下の式によって算出され得る。
ｐ_ｔ＝Ｓｏｆｔｍａｘ（Ｗ_{ｏｕｔｐｕｔ}ｈ_ｔ＋ｂ_{ｏｕｔｐｕｔ}）
ここで、Ｗ_{ｏｕｔｐｕｔ}は、隠れ層から出力層への加重マトリックスであり、ｂ_{ｏｕｔｐｕｔ}は、出力層のバイアス・ベクトルである。最大の累算された確率を有する状態は、このシーケンスの予測された状態である。

幾つかの例においては、ＴＯＩモジュール１１０からのＨＣ変化データに対して数量化モジュール１１２により用いられる、血液バイオマーカ数量化のアプローチは、複数の関心領域（ＲＯＩ）への適応加重を利用することができ、加重を制御するために「ノイズ」基準の最小化を用いる。

本明細書において記述されているような、ＴＯＩモジュール１１０によって獲得された人間の被験者の顔の血流に局所化された体積濃度データは、血液バイオマーカの量を推定するためのソースデータとして、「ライブで」又は事前に記録され、用いられる。血流データ信号はＨＣ変化の解釈によって特定される。例えば、ＴＯＩモジュール１１０は、時間経過とともに選択されるＲＯＩにおけるＨＣ強度値の結果として生じる時間的プロファイル（例えば、形状）を観察する（又は、グラフ作成する）ことによって、時間経過とともに選択されるＲＯＩに含まれる静的ＨＣ変化をモニタすることができる。幾つかの例においては、ＴＯＩモジュール１１０は、時間経過とともに現れる空間的分散（ＲＯＩ間のＨＣ分布）を観察する（又は、グラフ作成する）ことにより、複数のＲＯＩに亘るより複雑な移動性のＨＣ変化をモニタすることができる。

次に図７を参照すると、システム１００の実現の１つの例を示すフローチャートが示されている。この例は、内部血液数量化のための経皮光学イメージングを完全に自動化することを例示する。システムは、血液バイオマーカの未知の濃度を有する被験者から撮られた動画シーケンスの入力を登録するために画像シーケンスの撮影（７０１）を実行し、ヘモグロビン画像を抽出（７０２）し、特定の関心領域からの信号を処理（７０３）し、この信号から特徴を抽出（７０４）し、第２の機械学習モデルを用いて信号の特徴から血液バイオマーカ濃度を予測（７０５）し、（例えば、図１４に示すように）予測結果の報告を生成（７０８）する。

次に図８を参照すると、システム１００の実現の他の１つの例を示すフローチャートが示されている。この例は、内部血液数量化のための経皮光学イメージングを完全に自動化することも示す。

次に図２を参照すると、カメラに基づく心拍数トラッキング２００のための方法のフローチャートが示されている。

ブロック２０２において、画像処理ユニット１０４は、被験者の表皮から再発光された光の動画像のシーケンスをカメラ１０５から受け取る。

ＴＯＩモジュール１１０は、本明細書において記述されているように、経皮光学イメージングを用いて顔面の血流を画像のシーケンスから抽出する。ブロック２０４で、ＴＯＩモジュール１１０は、訓練された第１の機械学習モデルを用いて人間の個々人のＨＣ変化を示すＲＯＩ毎に、撮影された画像シーケンスの１組のビット・プレーンを決定する。第１の機械学習モデルは、ヘモグロビン濃度（ＨＣ）変化訓練セットを用いて訓練される。ＨＣ変化訓練セットは、入力として、他の被験者の以前に撮られた画像シーケンスからのビット・プレーンを用い、及び、グラウンド・トルース・データとして、受信した心臓血管のデータを用いて訓練を受ける。ブロック２０６において、ＴＯＩモジュール１１０は、決定された１組のビット・プレーンの変化に基づいて、各ＲＯＩのためのＨＣ変化信号を決定する。このようにして、ＴＯＩモジュール１１０による決定は、局所的なヘモグロビン体積濃度の時間経過に伴う動的な変化を含むことができる。

ブロック２０８において、ＨＣ変化信号は、血液バイオマーカの数量化のための数量化モジュール１１２によって、訓練された第２の機械学習モデルに渡される。訓練された第２の機械学習モジュールは、複数の他の被験者から以前に決定されたＨＣ変化信号からの血液バイオマーカ訓練データ・セットを入力として、そして、受け取った血液パネルをグラウンド・トルース・データとして、用いて訓練される。

ブロック２１０において、血液バイオマーカの数量化は出力モジュール１１４によって出力される。

本発明の発明者は、本明細書に記述された実施例の効果を示すために実例の実験を行った。実例の実験において、システム１００は、グルコース量を含む血液バイオマーカを数量化するために用いた。

図９は、実例の実験において血糖値を決定するためのＴＯＩモジュール１１０を用いて経皮光学イメージングを決定するためのシステム１００の一部の用途を示す。この例では、血液バイオマーカ９０１の２つ以上の濃度を有する複数のＲＯＩからのフィルタ処理された信号を用いて、複数の血液バイオマーカの異なる濃度の間の信号の差異を著しく増加させるであろうビット・プレーン９０４と、複数の血液バイオマーカの異なる濃度の間の信号の差異を全く提供しないか又は減少させるであろうビット・プレーンとを系統的に識別するために第１の機械学習モデル９０３が使用される。後者を廃棄した後に、関心がある血液バイオマーカの濃度を最適に又は略最適に区別する残りのビット・プレーン画像９０５が得られる。更にＳＮＲを改良するために、ＳＮＲが最適な漸近線に到達するまで、結果は繰り返し９０３のプロセスにフィードバックされ得る。

一般にカメラによって撮られる生画像は全てのビット・プレーンからの情報を含むが、これらのビット・プレーンの多数は、例えば、光、肌の色等に関した情報のようなＨＣに関係がない情報を含み得る。更に、このようなビット・プレーンは、血液バイオマーカに関連した情報をもたらさない可能性もある。従って、図９は、このようなノイズが取り除かれ得る本明細書に記述された実施例の１つの例を示す。この例は、第１の機械学習モデルを用い、情報がヘモグロビン及び／又は他の血液バイオマーカの濃度と共に最も変化するビット・プレーンを識別する。これらの決定されたビット・プレーンは、「最適化された」ＲＧＢ画像の基礎を形成するために一緒に纏めることができる。

図９の例において、撮影された画像の血中グルコースの状態は、画像が撮られた時又はその前後に受け取られたグラウンド・トルース血液パネルによって一般に知られ得る。このようにして、ビット・プレーンの少なくとも一部の値の「変動」は、システム１００によって血中グルコース変動に関連付けられ得る。図９の例において、血中グルコース変動は、高い、中間、及び、低いの３つのカテゴリに分類され得る。他の例においては、血液バイオマーカは、任意の適切な方法によっても分類され得る。他の例においては、血液バイオマーカは、カテゴリ無しの値として予測され得る。

図１０は、図９の決定を用いる、実例の実験において血中グルコースを数量化するシステム１００の用途を示す。この例では、第２の機械学習モデルを構築するために、訓練用被験者（好ましくは、様々のタイプの皮膚を有する多民族的なグループの訓練用被験者）の第２のセットが用いられ、画像シーケンス１００１は血液パネル結果と共にこのような被験者から得られる。画像フィルタ１０６は画像シーケンス１００１に適用され、高ＳＮＲのＨＣ画像シーケンスを生成する。ビット・プレーンでフィルタされた画像１００２から導き出された被験者の内部血液データ１００３からなる、この新規な訓練セットを用いて、様々の血液バイオマーカ１００３の濃度に対する計算モデルを構築するために第２の機械学習モデルが用いられる。幾つかの例においては、第２の機械学習モデルは、被験者から撮られた画像から受け取られたデータの一部（例えば、被験者データの７０％、８０％、９０％）を再び用い、モデルをテスト及び／又は確認するために残りの被験者データを用いる。この第２の機械学習モデルは、血液バイオマーカ１００４の訓練された濃度を用いる、各血液バイオマーカのための別々の多次元（空間的及び時間的）計算モデル（ここの例では、血中グルコース量のためのモデル）を含む。更なる例において、第２の機械学習モデルは、複数の血液バイオマーカの予測を含む複数の計算モデルを含むことができる。

図１１は、１人の被験者の額についてヘモグロビン分布の差異を示す実例の実験のプロットである。ＴＯＩモジュール１１０で決定される経皮画像は、中間４０１、低い４０２、及び、高い４０３基準血中グルコース濃度の間でヘモグロビン分布の著しい差異を示す。同様に、１人の被験者の鼻及び頬についてヘモグロビン分布の差異は、それぞれ、図１２及び図１３に示される。

図１４は、血液バイオマーカを数量化するための出力モジュール１１４の出力を示す報告の例を示す。システム１００は、固有の顧客番号８０１を所与の被験者の名前８０２及び性別８０３に属性として与えることができる。血液バイオマーカ８０４の濃度は、与えられた確率８０５によって識別される。１つの実施例においては、報告は、複数のＲＯＩ８０７の所与の組合せに基づく血液バイオマーカ８０６の濃度を、時間８０９に亘ってモデル・データ８０８と比較するグラフ８１０を含むことができる。

特定の例において、出力は、被験者の血流が多重分類アプローチの範囲内の与えられた濃度クラスに属しているということの（パーセンテージで示された）確からしさのレベルとしての、確率であり得る。幾つかの例においては、多重分類アプローチの各血液バイオマーカのクラス毎の（０から１までの割合としての）確からしさのレベルは、本明細書において記述されているように、ソフトマックス関数を用いて決定され得る。所望の割合に１００を乗算すればパーセンテージを得ることができる。

更なる実施例においては、カメラは、様々の身体部分（例えば、手首又は頸部）の表皮に向けられ得る。システムは、これらの身体領域からも、動的なヘモグロビン変化を抽出して血流を決定することができるので、本明細書において記述されている様々の血液バイオマーカの濃度を得ることができる。幾つかの例においては、或いは、（例えば、手首又は額のような）任意の身体部分の表皮に向けられた、又は、直接付着された光センサが、腕時計、リスト・バンド、ハンド・バンド、衣類、はきもの、メガネ、又は、ステアリングホイールの形で、用いられ得る。これらの身体領域から、システムは、心拍数の決定のための血流データを抽出することもできる。

複数の応用例においては、本実施例は、健康管理産業の特定の局面を改善するために用いられ得る。エンド・ユーザは、（例えば、ダイエット又はインシュリン投与量を調整するための血糖値モニタ、食事変更を示唆する好ましくないコレステロールのような）エンド・ユーザによって対処可能な、或いは、（例えば、低い赤血球数カウントが、ユーザが貧血について評価されるべきであることを示唆し得るように）医療専門家によるより徹底的な追跡調査を必要とする、日常的な健康自己評価を行うために本システムを用いることができる。医師、歯科医、心理学者、精神科医等は、本実施例を用いて、疾患、ミネラル成分量、薬剤の有効性、臓器の機能等をモニタすることができる。

１つの応用例においては、本実施例が、例えば、伝染病又は緊急の医療の切迫した必要性に対して（例えば、航空機のような）乗り物に乗る個々の人を又は公共の場所をスクリーニングするために、或いは、海外から国内に入る個々の人の疾患について予備的なスキャンを行うために、用いられるような、税関又は公衆衛生スクリーニング・プロセスの一部として用いられ得る。

他の応用例においては、本実施例が、ダイエット又はフィットネス療法をモニタするために用いられ得る。例えば、クレアチニン濃度をモニタすることは、筋肉の合成対分解の代謝を示すために用いられ得る。赤血球数又はヘモグロビン濃度は、酸素運搬能で力を示すために用いられ得る。

他の応用例においては、本実施例が、医学研究及び運動科学のツールとして用いられ得る。例えば、システムは、健康異常に関して調査参加者のスクリーニングを行う、又は、実験的処置に対する反応をモニタすることができる。

本実施例は血液バイオマーカの数量化のためのシステム及び方法を記述するが、本明細書において記述されている実施例の態様が、血中濃度の動向が指標となる他の任意の状態の検出にも適用され得ることが理解されるであろう。

他の用途は明らかであろう。

以上、本発明を複数の特定の実施例について記載したが、本明細書に添付された請求項において概略を示されたような本発明の趣旨及び技術範囲から逸脱することのない様々の変更が当業者にとって明らかであろう。上に引用された全ての参照の全ての開示は、引用によって本明細書に組み込まれたものとする。

Claims (18)

1. 人間の被験者の１つ又は複数の血液バイオマーカの濃度の決定のための方法であって、
   経皮光学イメージング（ＴＯＩ）モジュールが、前記人間の被験者の表皮から再発光された光の撮影された画像シーケンスを受信することと、
   前記経皮光学イメージングモジュールが、ヘモグロビン濃度（ＨＣ）変化が既知である１組の被験者から撮られた複数の画像の各ビット・プレーンからの複数のビット値を含むヘモグロビン濃度（ＨＣ）変化の訓練セットによって訓練された第１の機械学習モデルを用いて、前記人間の被験者の前記ヘモグロビン濃度（ＨＣ）変化を示す前記撮影された画像シーケンスにおける、信号対雑音比（ＳＮＲ）を最大にして前記各ビット・プレーンが血液バイオマーカの異なる濃度の間の信号の差異を最適化するように決定された、１組のビット・プレーンから複数のビット値を決定することと、
   前記経皮光学イメージングモジュールが、グラウンド・トルース・データとして、複数の他の被験者からの前もって決定された複数のＨＣ変化信号及び前記複数の他の被験者からの１つ又は複数の血液パネルを含む血液バイオマーカ訓練セットを用いて訓練された第２の機械学習モデルであって、前記被験者の前記ヘモグロビン濃度変化を示す前記決定された前記複数のビット値を入力とする前記第２の機械学習モデルを用いて、１つ又は複数の血液バイオマーカの濃度を決定することと、
   出力モジュールが、前記１つ又は複数の血液バイオマーカの決定された濃度を出力することと
   を含む方法。
2. 前記複数のビット値を決定することは、前記ヘモグロビン濃度変化に基づいて、前記複数の画像によって獲得された前記人間の被験者の複数の所定の関心領域（ＲＯＩ）の各々について複数のビット値を決定することを含む、請求項１に記載の方法。
3. 前記複数のＲＯＩが重なり無しである、請求項２に記載の方法。
4. 前記第２の機械学習モデルを用いて決定された１つ又は複数の血液バイオマーカの前記濃度は、前記１つ又は複数の血液バイオマーカの各々の血中濃度が特定の濃度範囲に属すると推定された統計的確率を含む、請求項１に記載の方法。
5. 前記濃度範囲が臨床的に重要な濃度クラスと関係付けられている、請求項４に記載の方法。
6. 前記撮影画像シーケンスは、可動時間ウィンドウにおいて撮られた複数の画像を含み、前記１つ又は複数の血液バイオマーカの決定された濃度は、各可動時間ウィンドウ毎に出力される、請求項１に記載の方法。
7. 前記１つ又は複数の血液バイオマーカの各々は、血液グルコース濃度、空腹時血糖、ヘモグロビンＡ１ｃ、高比重リポタンパク質、低比重リポタンパク質、トリグリセリド、好中球、好塩基球、クレアチニン、尿酸、赤血球、ヘモグロビン、血小板、沈殿物、及び、アルブミンのうちの１つを含む、請求項１に記載の方法。
8. ＳＮＲを最大にする１組のビット・プレーンを決定することが、
   所定の時間区間に亘って全てのＲＯＩにおける信号差を最大にするように、複数のビット・プレーン・ベクトルの画素毎に画像の減算及び加算を実行することと、
   前記信号の差異を増加させる複数のビット・プレーンからのビット値と、前記信号の差異を減少させるか又は信号の差異に関与しない複数のビット・プレーンからのビット値とを識別することと、
   前記信号の差異を減少させるか、又は、信号の差異に関与しない複数のビット・プレーンからビット値を廃棄することと
   を含む、請求項１に記載の方法。
9. 前記第２の機械学習モデルは、長・短期記憶（ＬＳＴＭ）人工神経ネットワーク、又は、ガウス過程推論ネットワーク（ＧＰＮｅｔ）を含む、請求項１に記載の方法。
10. 人間の被験者の１つ又は複数の血液バイオマーカの濃度の決定のためのシステムであって、前記システムは、１つ又は複数のプロセッサ及びデータ記憶装置を含み、前記１つ又は複数のプロセッサは、
    前記人間の被験者の表皮から再発光された光の撮影された画像シーケンスを受信し、ヘモグロビン濃度（ＨＣ）変化が既知である１組の被験者から撮られた複数の画像の各ビット・プレーンからの複数のビット値を有するヘモグロビン濃度（ＨＣ）変化の訓練セットによって訓練された第１の機械学習モデルを用いて、前記人間の被験者のヘモグロビン濃度（ＨＣ）変化を示す撮影された画像シーケンスにおける、信号対雑音比（ＳＮＲ）を最大にして前記各ビット・プレーンが血液バイオマーカの異なる濃度の間の信号の差異を最適化するように決定された、１組のビット・プレーンから複数のビット値を決定するＴＯＩモジュールと、
    グラウンド・トルース・データとして、複数の他の被験者からの前もって決定された複数のＨＣ変化信号及びそれらの被験者からの１つ又は複数の血液パネルを含む血液バイオマーカ訓練セットを用いて訓練された第２の機械学習モデルであって、前記被験者の前記ヘモグロビン濃度変化を示す前記決定された前記複数のビット値を入力とする前記第２の機械学習モデルを用いて、１つ又は複数の血液バイオマーカの濃度を決定する数量化モジュールと、
    前記１つ又は複数の血液バイオマーカの決定された濃度を出力する出力モジュールと
    を実行するように設定されるシステム。
11. 前記複数のビット値を決定することは、前記ヘモグロビン濃度変化に基づいて、前記複数の画像によって獲得された前記人間の被験者の複数の所定の関心領域（ＲＯＩ）の各々について複数のビット値を決定することを含む、請求項１０に記載のシステム。
12. 前記複数のＲＯＩが重なり無しである、請求項１１に記載のシステム。
13. 前記第２の機械学習モデルを用いて決定された１つ又は複数の血液バイオマーカの前記濃度は、前記１つ又は複数の血液バイオマーカの各々の血中濃度が特定の濃度範囲に属すると推定された統計的確率を含む、請求項１０に記載のシステム。
14. 前記濃度範囲が臨床的に重要な濃度クラスと関係付けられている、請求項１３に記載のシステム。
15. 前記撮影画像シーケンスは、可動時間ウィンドウにおいて撮られた複数の画像を含み、前記１つ又は複数の血液バイオマーカの決定された濃度は、各可動時間ウィンドウ毎に出力される、請求項１０に記載のシステム。
16. 前記１つ又は複数の血液バイオマーカの各々は、血液グルコース濃度、空腹時血糖、ヘモグロビンＡ１ｃ、高比重リポタンパク質、低比重リポタンパク質、トリグリセリド、好中球、好塩基球、クレアチニン、尿酸、赤血球、ヘモグロビン、血小板、沈殿物、及び、アルブミンのうちの１つを含む、請求項１０に記載のシステム。
17. ＳＮＲを最大にする１組のビット・プレーンを決定することが、
    所定の時間区間に亘って全てのＲＯＩにおける信号差を最大にするように、複数のビット・プレーン・ベクトルの画素毎に画像の減算及び加算を実行することと、
    前記信号の差異を増加させる複数のビット・プレーンからのビット値と、前記信号の差異を減少させるか又は信号の差異に関与しない複数のビット・プレーンからのビット値とを識別することと、
    前記信号の差異を減少させるか又は信号の差異に関与しない複数のビット・プレーンからのビット値を廃棄することと
    を含む、請求項１０に記載のシステム。
18. 前記第２の機械学習モデルは、長・短期記憶（ＬＳＴＭ）人工神経ネットワーク又はガウス過程推論ネットワーク（ＧＰＮｅｔ）を含む、請求項１０に記載のシステム。

Images