JP7520011B2 - 体液試料中の検体の濃度を特定するための方法及びシステム、並びにソフトウェア実装モジュールを生成するための方法及びシステム - Google Patents

Description

本開示は、体液試料中の検体の濃度を特定するように構成されるソフトウェア実装モジュールを生成するための方法、及び体液試料中の検体の濃度を特定するための方法に関する。更に、本開示は、体液試料中の検体の濃度を特定するように構成されるソフトウェア実装モジュールを生成するためのシステム、及び体液試料中の検体の濃度を特定するためのシステムに関する。また、コンピュータプログラム製品にも関する。

機械学習（ＭＬ）は、データによって作動されるアルゴリズムを導出するために使用されるコンピュータ科学の分野である。明示公式を使用する代わりに、ＭＬアルゴリズムは、実世界訓練データを利用して、人間が従来的に着想するモデルよりも正確かつ洗練されたモデルを生成する。人工ニューラルネットワーク（ＡＮＮ）は、機械学習の分野に属し、複数の層にわたって広がった人工ニューロンに依存する。ニューラルネットワークの概念は、数十年にわたって存在してきたが、ニューラルネットワークアルゴリズムを効果的に開発するために必要とされる膨大な計算に計算能力が追いついたのはごく最近である。分散型コンピューティング能力により、開発者らは、スーパーコンピュータを使用するのではなく、計算を複数のユニットに分散させることが可能となった。分散型コンピューティングの周知の実装としては、Ａｐａｃｈｅ Ｈａｄｏｏｐ、Ａｐａｃｈｅ Ｓｐａｒｋ、及びＭａｐＲｅｄｕｃｅが挙げられる。

ニューラルネットワークモデルは、直接的な１対１の関係がないか又はほとんどない場合に、入力と出力との間のパターン／非線形関係を特定するのに非常に好適である。モデルの精度は、根底にあるシステムの特徴付けがどれだけ十分であるか、及び入力と出力との間の関係性がどのように定義されるかに高度に依存するために、これは重要である。

米国特許出願公開第２００６／０００８９２３（Ａ１）号明細書では、患者の医学的診断又はリスク評価のためのシステム及び方法が説明されている。これらのシステム及び方法は、救急治療室及び手術室などのポイントオブケアで、又は迅速かつ正確な結果が望まれるあらゆる状況で利用されるように設計されている。システム及び方法は、患者データ、特に、イムノアッセイ、心電図、Ｘ線及び他のそのような試験を含むポイントオブケア診断試験又はアッセイから得られたデータを処理し、病状又はそのリスク若しくは欠如の指標を提供する。システムは、試験データの読取り又は評価のための機器と、データを診断情報又はリスク評価情報に変換するためのソフトウェアと、を含む。患者情報には、身体検査及びイムノアッセイなどの生化学検査により得られたデータ、並びに他の手技により得られたデータが含まれる。試験は、ポイントオブケアにおいて患者に行われ、データシグナルを生成する電子反射リーダー又は電子透過リーダーなどによってデジタル化することができるデータが生成される。シグナルを、病状の診断又は疾患のリスクの特定を補助するために使用されるデータに変換するために、シグナルは、データ削減及び曲線適合アルゴリズムを用いるソフトウェア、若しくは訓練済みニューラルネットワークなどの特定支援システム、又はこれらの組合せを使用して、処理される。この結果を、評価の精査又は強化のために、更に、ニューラルネットなどの第２の特定支援システムに入力してもよい。

国際公開第２０１８／０１９４５２５（Ａ１）号明細書は、生体試料中の代謝産物を定量するための生化学的分析方法に関する。この方法は、様々な条件下における試験ストリップ（ディップスティック）の外観を生成かつ学習することに基づいて、未知の試料画像の値／標識を推測する。この方法は、訓練部分及び試験部分の２つの部分からなる。訓練部分において、試験ストリップの代謝産物量を、生化学分析装置によって測定する。同じ試験ストリップの画像セットを、様々な周囲光条件をシミュレートするデバイスによって捕捉する。試験ストリップの画像及びその対応する代謝産物量を使用して、機械学習モデルを訓練し、学習モデルをスマートデバイスへと移す。試験部分では、分析しようとする試験ストリップの画像を、スマートデバイスによって捕捉し、画像を、訓練部分において特定した学習モデルを使用して処理する。

米国特許出願公開第２０１８／０２１１３８０（Ａ１）号明細書は、生体試料を撮像し、生体試料の画像を分析するためのシステムに言及している。このシステムは、機械学習技法を使用して、目的の細胞を分類するために生体試料の画像を自動で分析するためのものである。実装では、特定の細胞型と関連する疾患を、診断することができる。

米国特許出願公開第２０１６／００４８７３９（Ａ１）号明細書は、生体試料の診断システムに関する。診断システムは、診断機器及び携帯型電子デバイスを含む。診断機器は、参照カラーバーと、生体試料を受容するための複数の化学試験パッドと、を含む。携帯型電子デバイスは、無制御な照明環境で診断機器のデジタル画像を捕捉するためのデジタルカメラ、診断機器の表面の照度を捕捉するためのセンサ、デジタル画像及び照度を受信するためにデジタルカメラ及びセンサに接続されたプロセッサ、並びにプロセッサに接続された記憶デバイスを含む。記憶デバイスは、デジタル画像及び照度を処理し、複数の化学試験パッドの色を正規化し、化学試験パッドにおける色変化の定量に応答して診断試験結果を特定するための、プロセッサによる実行のための命令を記憶する。

体液試料中の検体の濃度を特定するための改善された技術を提供することが、本開示の目的である。

本課題を解決するために、独立請求項１に記載の体液試料中の検体の濃度を特定するように構成されるソフトウェア実装モジュールを生成するための方法が、提供される。更に、独立請求項２に記載の体液試料中の検体の濃度を測定するための方法が、提供される。体液試料中の検体の濃度を特定するように構成されるソフトウェア実装モジュールを生成するためのシステム、及び体液試料中の検体の濃度を特定するためのシステムが、それぞれ、独立請求項１１及び１２に従って提供される。更に、請求項１３に記載のコンピュータプログラム製品が提供される。更なる実施形態は、従属請求項に開示されている。

一態様によると、体液試料中の検体の濃度を特定するように構成されるソフトウェア実装モジュールを生成するための方法が、提供される。本方法は、１つ以上のデータ処理デバイスにおいて、第１の測定データセットを提供することであって、第１の測定データセットは、１つ以上の試験ストリップの目的の領域の画像から画像データ処理によって導出される第１の色情報を表す、第１の測定データセットを提供することを含む。画像は、検体を含有する１つ以上の第１の体液試料を目的の領域に付加することに応答して、目的の領域の色変換を示し、画像は、それぞれが第１の色情報を生成するための画像記録及び画像データ処理を行うように構成される複数のデバイスによって記録され、複数のデバイスに、デバイスにおける画像記録及び画像データ処理のために適用される種々のソフトウェア及び／又はハードウェアデバイス構成が提供される。本方法は、１つ以上のデータ処理デバイスにおいて、人工ニューラルネットワークを適用する機械学習プロセスにおいて、ニューラルネットワークモデルを生成することであって、ニューラルネットワークモデルを提供すること、及び第１の測定データセットから選択される訓練データによってニューラルネットワークモデルを訓練することを含む、ニューラルネットワークモデルを生成することを更に含む。ニューラルネットワークモデルを表す第１の分析アルゴリズムを含むソフトウェア実装モジュールが生成され、ソフトウェア実装モジュールは、１つ以上のプロセッサを有するデータ処理デバイスに搭載されると、１つ以上の試験ストリップの目的の領域の画像から画像処理によって導出される第２の色情報を示す第２の測定データセットを分析することによって、第２の体液試料中の検体の濃度を特定するように構成され、画像は、検体を含有する第２の体液試料を目的の領域に付加することに応答して、目的の領域の色変換を示す。

一態様によると、体液試料中の検体の濃度を特定するための方法であって、方法は、１つ以上のデータ処理デバイスにおいて、現在の試験ストリップ又はストライプの目的の領域の画像から画像処理によって導出される現在の色情報を示す現在の測定データセットを提供することであって、画像は、検体を含有する現在の体液試料を目的の領域に付加することに応答して、目的の領域の色変換を示す、現在の測定データセットを提供することと、人工ニューラルネットワークを適用する機械学習プロセスにおいて生成されるニューラルネットワークモデルを表す第１の分析アルゴリズムを含むソフトウェア実装モジュールを提供することと、現在の体液試料中の検体の濃度を特定することであって、第１の分析アルゴリズムによって現在の測定データセットを分析することを含む、検体の濃度を特定することと、現在の体液試料中の検体の濃度を示す濃度データを生成することとを含む、方法。機械学習プロセスにおいてニューラルネットワークモデルを生成することは、第１の測定データセットを提供することであって、第１の測定データセットは、１つ以上の試験ストリップの目的の領域の画像から画像データ処理によって導出される第１の色情報を示し、画像は、検体を含有する１つ以上の第１の体液試料を目的の領域に付加することに応答して、目的の領域の色変換を示す、第１の測定データセットを提供することを含む。第１の測定データセットは、それぞれが第１の色情報を生成するための画像記録及び画像データ処理を行うように構成される複数のデバイスによって記録される画像から導出される第１の色情報を表し、複数のデバイスに、デバイスにおける画像記録及び画像データ処理のために適用される種々のデバイス構成が提供される。ニューラルネットワークモデルは、第１の測定データセットから選択される訓練データによって訓練される。

別の態様によると、体液試料中の検体の濃度を特定するように構成されるソフトウェア実装モジュールを生成するためのシステムであって、システムは、１つ以上の試験ストリップの目的の領域の画像から画像データ処理によって導出される第１の色情報を表す第１の測定データセットを提供するように構成される、１つ以上のデータ処理デバイスを備える、システム、が提供される。画像は、検体を含有する１つ以上の第１の体液試料を目的の領域に付加することに応答して、目的の領域の色変換を示し、画像は、それぞれが第１の色情報を生成するための画像記録及び画像データ処理を行うように構成される複数のデバイスによって記録され、複数のデバイスに、デバイスにおける画像記録及び画像データ処理のために適用される種々のソフトウェア及び／又はハードウェアデバイス構成が提供される。ニューラルネットワークモデルを提供することと、第１の測定データセットから選択される訓練データによってニューラルネットワークモデルを訓練することとを、含む、人工ニューラルネットワークを適用する機械学習プロセスにおいて、ニューラルネットワークモデルを生成するように構成される１つ以上のデータ処理デバイス。さらに、ニューラルネットワークモデルを表す第１の分析アルゴリズムを含むソフトウェア実装モジュールを生成するように構成される１つ以上のデータ処理デバイスであって、ソフトウェア実装モジュールは、ソフトウェア実装モジュールが１つ以上のプロセッサを有するデータ処理デバイスに搭載されると、１つ以上の試験ストリップの目的の領域の画像から画像処理によって導出される第２の色情報を示す第２の測定データセットを分析することによって、第２の体液試料中の検体の濃度を特定するように構成され、画像が、検体を含有する第２の体液試料を目的の領域に付加することに応答して、目的の領域の色変換を示す、データ処理デバイス。

なおも別の態様によると、体液試料中の検体の濃度を特定するためのシステムであって、システムは、１つ以上のデータ処理デバイスを備え、１つ以上のデータ処理デバイスが、現在の試験ストリップの目的の領域の画像から画像処理によって導出される現在の色情報を示す現在の測定データセットを提供することであって、画像は、検体を含有する現在の体液試料を目的の領域に付加することに応答して、目的の領域の色変換を示す、現在の測定データセットを提供することと、人工ニューラルネットワークを適用する機械学習プロセスにおいて生成されるニューラルネットワークモデルを表す第１の分析アルゴリズムを含むソフトウェア実装モジュールを提供することと、現在の体液試料中の検体の濃度を特定することであって、第１の分析アルゴリズムによって現在の測定データセットを分析することを含む、検体の濃度を特定することと、現在の体液試料中の検体の濃度を示す濃度データを生成することとを行うように構成される、システム、が提供される。機械学習プロセスにおいてニューラルネットワークモデルを生成することは、第１の測定データセットを提供することであって、第１の測定データセットは、１つ以上の試験ストリップの目的の領域の画像から画像データ処理によって導出される第１の色情報を示し、画像は、検体を含有する１つ以上の第１の体液試料を目的の領域に付加することに応答して、目的の領域の色変換を示す、第１の測定データセットを提供することを含む。第１の測定データセットは、それぞれが第１の色情報を生成するための画像記録及び画像データ処理を行うように構成される複数のデバイスによって記録される画像から導出される第１の色情報を表し、複数のデバイスに、デバイスにおける画像記録及び画像データ処理のために適用される種々のデバイス構成が提供される。ニューラルネットワークモデルは、第１の測定データセットから選択される訓練データによって訓練される。

更に、１つ以上のプロセッサを有するコンピュータに搭載されると上述の方法を行うように構成されるプログラムコードを含むコンピュータプログラム製品が、提供される。

機械学習プロセスにおいて生成されるニューラルネットワークモデルは、（現在の）体液試料中の検体の濃度の改善された特定を可能にする。それぞれが第１の色情報を生成するための画像記録及び画像データ処理を行うように構成される複数の種々のデバイスによって記録される画像から導出される第１の色情報を表す第１の測定データセットに基づいて生成されるニューラルネットワークモデルを有することによって、訓練及び試験の後に、体液試料中の検体の濃度を特定するために種々のデバイスに適用又は実装することができるニューラルネットワークモデルが得られ、種々のデバイスは、それぞれのデバイスにおける画像記録及び画像データ処理のために適用される種々のデバイス構成を有する。

以前に生成されたニューラルネットワークモデルは、現在／第２の試験ストリップの目的の領域の画像から画像処理によって導出される現在／第２の色情報を示す現在又は第２の測定データセットを分析するために適用され、画像は、患者の現在／第２の体液試料、すなわち、検体を含有する試料を目的の領域に付加することに応答して、目的の領域の色変換を示す。そのようなプロセスにおいて、検体濃度は、試料が提供された患者に関して特定される。

本方法は、画像記録及び画像データ処理のために適用される種々のカメラデバイス及び種々の画像処理ソフトウェアのうちの少なくとも１つを有する複数のデバイスを含み得る。

記録される画像は、種々の光学画像記録条件で記録される画像を含み得る。

本方法は、更に、以下の、第１の分析アルゴリズムとは異なる第２の分析アルゴリズムを提供することと、現在の体液試料中の検体の濃度について、第２の分析アルゴリズムを用いて現在の測定データセットを分析することによって第１の推定値を特定することとを含み得る。第２の分析アルゴリズムは、パラメトリック多変数線形回帰などの、非機械学習に基づくアルゴリズムであり得る。そのような非機械学習に基づくアルゴリズムはまた、検体濃度を特定するための従来的なアルゴリズムとも称され得る。検体濃度の第１の推定値は、ニューラルネットワークモデルを用いた（更なる）分析に対する入力を提供し得る。あるいは、非機械学習に基づくアルゴリズムから導出される濃度の結果は、ニューラルネットワークモデルを適用することによって特定される検体濃度値のフェールセーフ試験において適用され得る。

特定することは、現在の体液試料中の検体の濃度の標的範囲を特定することを含み得る。検体濃度の実際の値を特定する代わりに、又はそのような特定に加えて、検体濃度値の標的範囲が特定され得る。

特定することは、第１の推定値及び第１の分析アルゴリズムによる現在の測定データセットの分析ことによって提供される濃度値を平均化することによって、平均化された濃度を特定することを含む。ニューラルネットワークモデル分析から得られた結果及び従来的なアルゴリズムに基づく分析から得られた結果は、平均化された値を特定することによって組み合わされる。

別の実施形態では、特定することは、第２の試料中の血中グルコース濃度を特定することを含み得る。

第１の測定データセット、第２の測定データセット、及び現在の測定データセットのうちの少なくとも１つは、それぞれ、１つ以上の試験ストリップの目的の領域について、測定期間にわたって記録される画像、すなわち、約０．１から約１．５秒の時間間隔で記録される連続画像から画像処理によって導出される、第１の色情報、第２の色情報、及び現在の色情報を表し得る。

第１の測定データセットが導出される画像は、１つ以上の第１の体液試料を１つ以上の試験ストリップの目的の領域に付加する前の目的の領域の画像を含み得る。同様に、追加又は代替として、現在の測定データセットが導出される画像は、現在の体液試料を現在の試験ストリップの目的の領域に付加する前の目的の領域の画像を含み得る。

例では、測定データが訓練データセット、検証データセット、及び試験データセットに分割されることが提供され得る。例えば、測定データの約６０％は、訓練に使用され得（訓練データセット）、約２０％は、検証に使用され得（検証データセット）、約２０％は、試験に使用され得る（試験データセット）。ｐ個抜きの交差検証又はｋ倍交差検証などの交差検証技法を用いることができる。訓練データセットは、測定データの層別化ランダムサンプリングを使用することによって作成され得る。層別化は、測定データを収集するために適用されるデバイスのタイプ及び測定データを収集している間に適用される実験のタイプのうちの少なくとも１つに基づいて実行され得る。測定データは、別個の部分集団（階層）に分割され、それぞれの階層は、種々のデバイスタイプ及び／又は種々の実験タイプに対応し得る。続いて、データは、それぞれの階層に関して別個にサンプリングされた後、訓練データセットを作成するために統合され得る。訓練データが、本質的にデバイスタイプ及び／又は実験タイプの完全な集団を表すことを確実にするために、そうすることが適用され得る。検証データセット（複数可）及び試験データセット（複数可）を、同様に作成することができる。

本方法の少なくとも１つに関して上記に開示される実施形態は、必要な変更を加えて、一方又は両方のシステムに適用され得る。

更なる実施形態の説明

以下において、実施形態は、例として、図を参照して説明される。

フィードフォワード型人工ニューラルネットワーク（ＡＮＮ）の図による表示である。 供与した試験ストリップの色変化に基づいて血中グルコース値を予測するための方法の図による表示である。 試験ストリップの画像の図による表示である。 特徴変換を適用することによって特徴表に由来する特徴から新しい特徴を作成するプロセスの図による表示である。 例示的な新しい特徴の相関挙動の図による表示である。 例示的な新しい特徴の相関挙動の更なる図による表示である。 例示的な新しい特徴の相関挙動の更なる図による表示である。 訓練しようとするＡＮＮモデルのアーキテクチャの図による表示である。 実際の血中グルコースレベルと対比した予測した血中グルコース値の性能を示すＰａｒｋｅｓエラーグリッドを示す図である。 実際の血中グルコースレベルと対比した予測した血中グルコース値の性能を示す、別のＰａｒｋｅｓエラーグリッドの図である。 種々のタイプの従来的なアルゴリズムとＡＮＮモデルとの組合せを図による表示である。 従来的なアルゴリズム予測をその入力のうちの１つとして使用するＡＮＮモデルの予測を示すＰａｒｋｅｓエラーグリッドの図である。 従来法とＡＮＮとを組合せたアルゴリズムの別の実施形態の図による表示である。 従来法及びＡＮＮのアプローチの性能を比較するための３つのＰａｒｋｅｓエラーグリッドの図である。

以下に、体液試料中の検体の濃度を特定するように構成されるソフトウェア実装モジュールを生成するための方法の実施形態を、更に詳細に開示する。ソフトウェア実装モジュールが生成された後、さらなる方法において、試験ストリップに付加された体液試料中の検体の濃度を特定するために、それを、実験結果を分析するためのモバイルデバイスなどの種々のデバイスで使用することができ、試験ストリップは、試料をストリップ上の試験領域に付加することに応答して、試験領域が色変化を示す。

ソフトウェア実装モジュールを生成するための方法は、１つ以上のデータ処理デバイスにおいて実行される。１つ以上の試験ストリップの目的の領域の画像から画像データ処理によって導出される第１の色情報を表す第１の測定データセットが、提供される。例えば、血液試料を試験ストリップに付加してもよく、試験ストリップは、それに応答して、目的の領域（試験領域）の色変化を示す。そのような色変化は、試験領域に供与された試料中の血中グルコース濃度に依存し得る。目的の領域について捕捉された画像は、検体を含有する１つ以上の第１の体液試料を目的の領域に付加することに応答して、目的の領域の色変換を示す。画像は、モバイルデバイスなどの複数のデバイス、、例えば、携帯電話又はタブレットコンピュータによって記録される。それぞれのデバイスは、第１の色情報を生成するための画像記録及び画像データ処理を行うように構成され、複数のデバイスに、デバイスにおける画像記録及び画像データ処理のために適用される種々のソフトウェア及び／又はハードウェアデバイス構成が提供される。例えば、デバイスに、画像を捕捉するために使用される種々のタイプのカメラが提供され得る。また、種々のソフトウェア構成、具体的には、捕捉された画像を処理するためにデバイスに適用される種々のソフトウェアアプリケーションが、デバイスに提供され得る。

ニューラルネットワークモデルは、ニューラルネットワークモデルを提供すること、及び第１の測定データセットから選択される訓練データによってニューラルネットワークモデルを訓練することを含む、人工ニューラルネットワークを適用する機械学習プロセスにおいて生成される。ニューラルネットワークモデルを表す第１の分析アルゴリズムを含む、ソフトウェア実装モジュールが、提供される。ソフトウェア実装モジュールは、１つ以上のプロセッサを有するデータ処理デバイスに搭載されると、１つ以上の試験ストリップの目的の領域の画像から画像処理によって導出される第２の色情報を示す第２の測定データセットを分析することによって、第２の体液試料中の検体の濃度を特定するように構成され、画像は、検体を含有する第２の体液試料を目的の領域に付加することに応答して、目的の領域の色変換を示す。したがって、以下に更に詳細に説明されるように、ニューラルネットワークモデルが生成された後、それは、現在の試料とも称される場合があり、ニューラルネットワークモデルの生成後にそれを使用して特定しようとする体液試料である、第２の試料の結果を分析するために、適用されることになる。ソフトウェア実装モジュールを含むソフトウェアアプリケーションは、携帯電話又は他のモバイルデバイスなどの分析デバイスに搭載される。試験ストリップの分析は、検体の濃度を特定するためのソフトウェアアプリケーションを実行することによって行われる。

図１は、そのようなものとして知られているフィードフォワード型人工ニューラルネットワーク（ＡＮＮ）１０の概略的な図による表示を示す。典型的なフィードフォワード型ＡＮＮにおいて、情報は、一方向に流れる。入力特徴１１ａ、１１ｂ、１１ｃ、…、１１ｘは、入力層１２のノード（又は人工ニューロン）１２ａ、１２ｂ、１２ｃ、…、１２ｘにフィードされる。ノード１２ａ、１２ｂ、１２ｃ、…、１２ｘの数は、理想的には、根底にあるデータセット内の特徴の数に等しくあるべきである。入力層１２は、単純に、入力特徴１１ａ、１１ｂ、１１ｃ、…、１１ｘを受信し、入力特徴１１ａ、１１ｂ、１１ｃ、…、１１ｘを接続１３を介して隠れ層１４に渡す。

隠れ層１４は、ノード１４ａ、１４ｂ、…、１４ｙを含む。隠れ層１４のノードの数は、入力層１２及び出力層１６のノードの数に依存する。入力層１２及び隠れ層１４のノードの数は、等しい場合も等しくない場合もある。それぞれのノード１４ａ、１４ｂ、…、１４ｙにおいて、そのそれぞれの入力に変換が適用される。続いて、変換された値は、接続１５を介して出力層１６に渡される。ＡＮＮ １０が訓練されると、高い予測値を提供するノード１２ａ、１２ｂ、１２ｃ、…、１２ｘ、１４ａ、１４ｂ、…、１４ｙは、より高い程度に重み付けされる。ここでは、それぞれの接続１３、１５は、より高い重みを受ける。

出力層１６は、根底にある問題を解決するのに所望される情報を提供する。そのノード１６ａの数は、目下の問題に依存する。問題が、例えば、対象物を、４つのクラスのうちの１つに分類することである場合、出力層１６は、４つのノード（図示せず）からなる。問題が回帰となる場合、出力層１６は、単一のノード１６ａからなる。

以下において、体液試料を付加することに応答した試験ストリップの試験領域における色変化に基づいて、測定から体液試料中の検体の濃度を特定するためにＡＮＮを適用することに関する例が、開示される。例えば、血中グルコースレベルが特定され得る。図２は、本方法の例の工程を概略的に示す。

測定の過程において、試験ストリップの画像系列２０１は、種々のデバイスを使用して第１の画像データ収集工程２０２において捕捉され、それぞれのデバイスは、画像の取得及び画像データの処理を行うように構成されている。デバイスは、携帯電話若しくはモバイル電話タイプ又はタブレットコンピュータなどの携帯デバイスであり得る。

そのようなものとして知られているように、画像を取得するために、体液試料、例えば、血液試料が、試験ストリップの試験領域に付加される。試料の付加に応答して、試験領域は、色変化を示すこととなり、その色変化が、画像（複数可）を取得することによって検出されることとなる。画像は、血中グルコースレベルなどの体液試料中の検体の濃度を特定するための分析プロセスにおいて、処理されることとなる。

画像は、体液試料を特定するために取得されるが、種々の測定条件は、例えば、種々の温度、相対湿度値、照度値及び／又はヘマトクリットの組合せによって、画像を捕捉するために存在し得る。他の値もまた、使用され得る。例では、種々の気候条件に関して、例えば、５°Ｃ間隔で５°Ｃから３０°Ｃの温度値、及び、例えば、１０％間隔で１５％から８５％の相対湿度値が適用され得る。種々の気候条件のセットを形成するために、相対湿度値のそれぞれを温度値のそれぞれと組み合わせて提供されてもよい。あるいは、ある特定の相対湿度／温度の組合せは関係性が低いため、ある特定の相対湿度値だけを温度値のそれぞれと組み合わせる。

以下の測定条件が、気候研究における温度湿度のデータセットに適用され得る：
温度（°Ｃ） 相対湿度（％）
５ ４５
１０ １５
１０ ４５
１０ ８５
１５ ４５
２５ ４５
３０ ４５
３０ ８５

それぞれの試験ストリップについて、画像系列２０１が、測定期間に捕捉される。例えば、約４０秒間、試験ストリップの画像３０が、０．５秒ごとに捕捉される（画像３０の図による表示については、図３を参照されたい）。試験ストリップごとのそれぞれの画像系列２０１は、ブランク試験ストリップ（付加される血液供与なし又は試料なしの試験ストリップ）の画像から開始する。後続の画像３０は、血液試料を付加した後に捕捉される。したがって、試験ストリップの色の変化は、それぞれの画像系列２０１内で完全に捕捉される。次に、画像系列２０１は、データベースに保存される。第１の画像の捕捉と第２の画像の捕捉との間に、ユーザが血液供与を試験ストリップに付加するのを可能にする更なる時間遅延が提供されてもよい。

画像を、複数の種々の携帯電話又はモバイル電話で捕捉し、それぞれの携帯電話には、画像の捕捉及び画像データの処理を行うために、個々のカメラデバイス、並びに画像処理パラメーターＲＧＧＢ、色変換マトリックス及び色調マッピング曲線のソフトウェア構成が提供されている。

測定で取得された画像は、濃度を特定する必要がある検体を含有する体液試料を付加することに応答して、試験領域の色変化に関する色情報を表す（測定された）画像データを提供する。次に、画像データは、現在の試料中の検体の濃度を特定するように構成されるソフトウェア実装モジュールを生成するために使用される。ＡＮＮが提供され、測定された画像データから取得された訓練データセットに基づいて訓練される。

次の工程２０３において、図２及び図３を参照すると、データベースに保存され得る画像系列２０１から導出される画像データは、画像系列２０１のそれぞれの画像３０の目的の領域３１を特定するために処理される。目的の領域３１は、試験ストリップ３０ａ上に付加された体液試料（例えば、血液試料）を示す画像の部分（標的フィールド３２）及び標的フィールド３２の周囲の四角形３３からなる。４つの区画からなる、標的フィールド３２の外側かつ四角形３３の内側の空間は、ホワイトフィールド３４と呼ばれる。目的の領域（試験領域）３１は、標的フィールド３２及びホワイトフィールド３４の画素色値を捕捉することによって、画像処理ソフトウェアによって検出される。それぞれの画素色は、例えば、ＲＧＢでエンコードされていてもよい。代替的な色空間及び色モデル、例えば、ＣＩＥ Ｌ＊ａ＊ｂ＊、ＣＩＥ １９３１ ＸＹＺ、ＣＭＹＫ、及びＨＳＶもまた、画素色をエンコードするために用いることができる。代替的な色空間及び代替的な色空間への色変換の使用により、信号品質を増強することができ、より単純かつ／又はより正確な予測アルゴリズムをもたらすことができる。

信号精度を改善するために、未加工の画素データを変換することを提供してもよい。以下のタイプの色変換又はそれらの組合せを用いることができる：

－未加工のＲ、Ｇ及びＢチャネルの平均を、血液が付加される標的フィールド３２から計算する；
－Ｒ及びＧチャネルを、標的フィールド３２から得られたＢによって正規化する（正規化は、Ｒ及びＧチャネル値のそれぞれを、対応するＢ値で除すことによって行う）；
－標的フィールド３２から得られた、ＲチャネルとＢチャネルとの間のデルタ、及びＧチャネルとＢチャネルとの間のデルタを計算する；
－標的フィールド３２から得られたＲ、Ｇ、Ｂチャネルを、ホワイトフィールド３４から得られたＲ、Ｇ、Ｂチャネルによって正規化する；
－標的フィールド３２の標的ホワイト正規化Ｒ、Ｇ、Ｂチャネルと、参照フィールドのホワイト正規化Ｒ、Ｇ、Ｂチャネルとの間の比を計算する。

この色変換のリストは、網羅的ではない。種々の特徴のさらなる色変換が提供され得る。

画像取得のために適用されるデバイス、例えば、複数の携帯電話又はモバイル電話に対して、種々の較正方法を用いることができる。種々の携帯電話タイプ間での色調整スキームの相違は、補正されないままの場合、多様なグルコース予測性能をもたらすこととなる。出力を共通の参照スケールに標準化する携帯電話タイプに特異的な較正曲線を生成するために、様々なアプローチを使用することができる。一方で、既知の色度の領域を含む色参照カードを使用して、オフライン較正を行うことができる。そのようなオフライン較正は、それぞれの測定の前に行う必要はない。任意の測定をユーザが行う前に、オフライン較正を一度行うことが、提供され得る。あるいは、オフライン較正は、周期的な時間間隔で行われる。一方で、色参照を使用したオンライン較正を用いることができる。これには、試験ストリップに供与した後、事前に指定した時間に、参照カード画像が、試験フィールドとともに捕捉される。試験ストリップの画像は、供与前及び供与後に捕捉される。試験ストリップは、さらに、オンライン較正のための事前に印刷された参照フィールドを有してもよい。

標的フィールド３２が位置付けられると、標的フィールド３２内の領域、例えば、標的フィールド３２の内側のわずかに小さい半径を有する円から得られたＲＧＢ画素値が、それぞれのチャネルについて抽出され、平均化されて、Ｒ、Ｇ、及びＢチャネルのそれぞれの平均値が得られる。したがって、標的フィールド３２の境界部における望ましくない画素を平均化することが回避され得る。

続いて、それぞれの色チャネルの平均値が、参照グルコース値、画像ＩＤ、研究名、エラーコードなどのさらなる関連データ、温度、湿度、ヘマトクリット又はデバイスモデル番号などの研究関連情報と一緒にデータ表に保存される。データ表は、更なる処理のために、例えば、カンマ区切り値（ｃｓｖ）ファイル又はＭＡＴＬＡＢ ｍａｔファイルとして保存され得る。

特定のモデリング目的については、データ表の必ずしも全ての列が関連するわけではない。したがって、モデリングに必要とされる列のみを含めることによって、より小さな表、特徴表が、データ表から生成される。特徴表の４つの行を有する例示的な表を表１に示す。

特徴表は、標的フィールドの線形平均ＲＧＢチャネル値（ｔｆＲｌｉｎ、ｔｆＧｌｉｎ、ｔｆＢｌｉｎ）及びホワイトフィールドの値（ｗｆＲｌｉｎ、ｗｆＧｌｉｎ、ｗｆＢｌｉｎ）の両方を含む。線形化は、スマートフォンの色調マップ曲線を１：１直線に設定することによって達成される。線形化は、種々のスマートフォンタイプにおいて種々のデフォルト色調マップ曲線を扱うために必要である。色調マップ曲線を設定しない場合、値間の関係性は、デフォルトの色調マップ曲線が非線形であることに起因して人工的に非線形となるであろう。平均化は、それぞれの領域（標的フィールド又はホワイトフィールド）のチャネル値の演算平均を取ることによって、それぞれのＲＧＢチャネルについて別個に行われる。

特徴表は、更に、供与前の標的フィールドの線形平均ＲＧＢチャネル値（ｂｌａｎｋＶａｌｕｅＲｔｆ、ｂｌａｎｋＶａｌｕｅＧｔｆ、ｂｌａｎｋＶａｌｕｅＢｔｆ）及びホワイトフィールドの値（ｂｌａｎｋＶａｌｕｅＲｗｆ、ｂｌａｎｋＶａｌｕｅＲｗｆ、ｂｌａｎｋＶａｌｕｅＲｗｆ）を含む。

データが、非常に（部分的に）過剰露出していたか、不均一であったか、含んでいる画素が少なすぎたか、対応する画像が十分に鮮明でなかったか、又はこれらの組合せであったと判断された場合に、データは無効として評価され得る。無効データは、特徴表から除去され得る。特徴表は、同じ測定のすべての画像からの情報を含むわけではない。一般に、それぞれの画像系列２０１について、およそ８０個の画像３０が捕捉されるが、すべての画像３０がモデリングに必要というわけではない。モデリングには、最後の画像及び最後の画像の前の１０から１９個の画像からのデータを用いることで十分であり得るか、又はそれが望ましい場合がある。最後の画像において、Ｒ又はＧチャネルの傾きはゼロに近く、すなわち、供与後のある特定の時点において色動態が安定化され、色が、その時点から変化しないか又は最小限にしか変化しない。静止した色動態で画像を取得することにより、画像の比較性が増加し得る。

更に図２を参照すると、工程２０４において、特徴表のデータが、特徴操作に使用される。モデリングの最も重要な態様の１つは、モデルに適切な特徴を選択することである。血中グルコース値を予測することが目的であるため、参照血中グルコース値と強力な相関性を有する特徴を使用することが、より良好なモデルをもたらすと予測される。参照血中グルコース値は、確立された血中グルコース測定システムで特定されている。線形ＲＧＢチャネルは、参照グルコース値とある特定の程度の相関性を呈する。しかしながら、参照グルコース値とより強力な相関性を有する新しい特徴を作成することによって、結果は依然として改善することが可能である。そのような新しい特徴を作成することは、種々の携帯電話タイプ及び気候条件若しくは照明条件などの測定条件に関して、依存性を減少させることができるという点で、更に有益な場合がある。

これに関して、図４は、色変換などの特徴変換４１を、特徴４０に適用することによって、特徴表の特徴４０から新しい特徴４２を作成するプロセスの図による表示を示す。特徴４０は、標的フィールドの線形平均ＲＧＢチャネル値（ｔｆＲｌｉｎ、ｔｆＧｌｉｎ、ｔｆＢｌｉｎ）及び／若しくはホワイトフィールドのもの（ｗｆＲｌｉｎ、ｗｆＧｌｉｎ、ｗｆＢｌｉｎ）、並びに／又は供与前のＲＧＢチャネル値（ｂｌａｎｋＶａｌｕｅＲｔｆ、ｂｌａｎｋＶａｌｕｅＧｔｆ、ｂｌａｎｋＶａｌｕｅＢｔｆ）、（ｂｌａｎｋＶａｌｕｅＲｗｆ、ｂｌａｎｋＶａｌｕｅＲｗｆ、ｂｌａｎｋＶａｌｕｅＲｗｆ）を含み得る。

図５ａ及び図５ｂにおいて、特徴４０の特徴変換４１によって作成された例示的な新しい特徴４２の相関挙動の描写が示される。グラフ５１から５６は、それぞれ、新しい特徴４２のうちの１つ（ｘ軸）の参照血中グルコース値（ｙ軸）との相関挙動を示す。グラフ５２における特徴「ＧＲＹ」は、グレイスケール色値を指す。ある特定の特徴における接尾辞「Ｎ」は、正規化を指す。具体的には、グラフ５３における「ＲＧＢＮ」は、「正規化されたＲＧＢ色」を意味する。種々のマーカー（○、＋、◇）は、種々の実験タイプに対応している。描写されている新しい特徴４２は、単純な未加工のＲＧＢ値よりも強い参照グルコース値との相関性を示す。

対照的に、図５ｃは、未加工のＲＧＢチャネル値の参照血中グルコース値との相関挙動の描写を示す。グラフ５７は、標的フィールドの線形平均Ｒチャネル値ｔｆＲｌｉｎを示す。グラフ５８は、標的フィールドの線形平均Ｇチャネル値ｔｆＧｌｉｎを示す。グラフ５７及び５８は、より大きな値の散乱を示し、したがって、図５ａ及び図５ｂに示される新しい特徴４２よりも弱い、参照血中グルコース値との相関性を示す。

図２を再び参照すると、後続の工程２０６において、ＡＮＮモデルが訓練され得る前に、特徴表におけるデータから、訓練、検証、及び試験セットが作成される。データが、訓練、検証、及び試験セットに分割されることが提供されてもよい。データのうちの６０％が訓練に使用され、２０％が検証に使用され、２０％が試験に使用される。ｐ個抜きの交差検証又はｋ分割交差検証などの交差検証技法もまた、用いることができる。訓練セットは、データの層別化ランダムサンプリングを使用して作成される。層別化は、スマートフォンタイプ及び実験タイプに基づいて行った。すなわち、データは、別個の部分集団（階層）に分割され、それぞれの階層は、種々のスマートフォンタイプ及び実験タイプに対応する。続いて、データは、それぞれの階層に関して別個にサンプリングされた後、訓練データを作成するために統合される。そうすることで、訓練データが、依然としてスマートフォンタイプ及び実験タイプの完全な集団を表すことが確実となる。検証セット及び試験セットを、同様に作成することができる。

検証セットは、過剰訓練／過剰適合を防止するために使用され、一方で、試験セットは、訓練中のモデルの独立した評価のために使用される。どのデータが訓練、試験、及び検証に使用されるかを示すために、入力データセットに、列が追加される。追加された列は、ＡＮＮを訓練するときに適切なサブセットを特定するのに重要である。

工程２０７において、ＡＮＮが訓練される。ＡＮＮは、種々の測定条件が訓練セットに表示され、モデルに含まれ得るように、種々の測定条件で訓練される。種々のスマートフォンタイプがモデリングに含まれることもまた、提供され得る。ＡＮＮの訓練は、ＭＡＴＬＡＢなどの数値計算環境において行うことができる。性能の向上のために、コンパイルしたプログラム言語もまた利用され得る。図６は、訓練しようとするＡＮＮモデル６０の例示的なアーキテクチャの図による表示を示す。図６のアーキテクチャは、２つの隠れ層６２、６３を含む。あるいは、問題の複雑さに応じて、２つを上回る隠れ層からできた単一の隠れ層を用いることができる（図示せず）。入力値６１は、隠れ層６２へと送られる。隠れ層６２の出力は、隠れ層６３に送られる。隠れ層６３の出力は、次いで、出力層６４へと送られ、出力値６５をもたらす。出力値６５は、予測血中グルコース値に対応する。重み係数６２ａ、６２ｂ、６３ａ、６３ｂ、６４ａ、及び６４ｂは、適切な血中グルコースモデルの訓練中に最適化される。

早期停止などの規則化方法を使用して、過剰訓練を防止することができる。例えば、最大１２回の反復を、モデル６０の訓練に許容することが提供され得る。エポックの最大数は、例えば、１０００に設定することができる。種々の初期化点を有する複数のモデル６０を訓練し、それらの性能メトリクスは、後のモデル選択のために、ｃｓｖファイルなどの表ファイルに保存される。すべてのモデル６０が作成され、性能メトリクスが評価されると、最良性能のモデルが、最終的な訓練済みモデルとして選択される。

図２に戻って参照すると、工程２０８において、訓練済みモデルが、特徴の双曲線正接と訓練済みＡＮＮから得られる最適化された係数との線形結合からなるニューラルネットワーク式を使用して構築される。訓練済みニューラルネットワークモデルを使用することによって、血中グルコース値が特定される（工程２０９）。続いて、特定された血中グルコース値が、更なる処理のために出力される（工程２１０）。

図７及び図８は、それぞれ、全データセットにおける、実際の血中グルコース値と対比した、特定された血中グルコース値の性能を示す、Ｐａｒｋｅｓエラーグリッドを示す。Ｐａｒｋｅｓエラーグリッド（コンセンサスエラーグリッド）は、定量的診断において種々のデータを比較するための周知のグラフィックツールである（Ｐａｒｋｅｓ ｅｔ ａｌ．，Ｄｉａｂｅｔｅｓ Ｃａｒｅ ２３：１１４３－１１４８，２０００）。それぞれのｙ軸は、予測血中グルコース値に対応し、それぞれのｘ軸は、実際の血中グルコース値に対応する。それぞれのエラーグリッドは、種々のエラー領域に対応する種々のゾーンＡからＤに分割される。ゾーンＡ内の二分岐線７１、８１からの逸脱は、低いエラーに対応する。ほとんどの値がゾーンＡ内にあることが望ましい。ゾーンＢは、中等度のエラーに対応し、ゾーンＣは、患者の処置に許容できない大きなエラーに対応し、ゾーンＤは、過剰に大きなエラーに対応する。図７において、種々のマーカーは種々の実験タイプに対応し、図８において、種々のマーカーは種々のスマートフォンタイプに対応する。図７及び図８から見ることができるように、予測血中グルコース値は、種々の携帯電話タイプ及び種々の実験タイプの両方に関して、合理的に十分に実際の血中グルコース値に対応している。

表２は、従来法又は非ＡＮＮアルゴリズム（パラメトリック多変数線形回帰）の血中グルコース値が、種々のＰａｒｋｅｓエラーグリッドゾーンＡからＥに入る頻度を、ＡＮＮモデルアプローチと比較して示す。ゾーンＡ及びＢ内の値は、許容可能とみなされ、ゾーンＣからＥ内の値は、許容不可能から危機的とみなす。従来法アルゴリズム及びＡＮＮモデルの両方を、コーディングデータセットＭ１及びＭ２で訓練した。続いて、不明な携帯電話タイプ（コーディングデータセットＭ４、Ｍ５、及びＭ６）を評価した。コーディングデータセットＭ１からＭ５は、標準的な測定ステーションにおいて標準的な条件（温度＝２４°Ｃ、湿度＝４５％）下で特定される研究室データから派生し、ヘキソキナーゼグルコース参照値を含む。環境及び取扱いの影響は、最小限に抑えられている。コーディングデータセット当たり５個の種々のタイプの携帯電話を用いた。したがって、訓練は、１０個の種々の携帯電話タイプを使用して行った。このようにして生成されたアルゴリズムに、続いて、不明な３×５＝１５個の種々の携帯電話タイプのデータを提供した。

表２から見ることができるように、ＡＮＮモデルは、不明な携帯電話タイプに関して、従来法アルゴリズムよりも、血中グルコース値の予測性能が良好である。重要なことに、ＡＮＡモデルからの値で、血中グルコースレベルの誤分類に対応する許容できないゾーンＣからＥに入るものはない。

血中グルコース予測の更なる例では、例えば、多項式適合などの従来法アルゴリズム９１を、ＡＮＮモデル９２と組み合わせて使用することができる。図９は、使用することができる種々のタイプの組合せの図による表示を示す：
ａ）従来法アルゴリズム９１から得られた予測９３は、ＡＮＮモデル９２への入力（特徴）として使用することができる；
ｂ）ＡＮＮモデル９２から得られた予測９４は、従来法アルゴリズム９１への入力として使用することができる；並びに
ｃ）従来法アルゴリズム９１及びＡＮＮモデル９２の両方を使用することができ、両方のアルゴリズムから得られた予測９３、９４における相違は、誤った予測を排除するためのフェールセーフとして使用することができる。

図１０は、従来法アルゴリズム予測をその入力のうちの１つとして使用するＡＮＮモデルの予測を示すＰａｒｋｅｓエラーグリッドを示す。

図１１は、従来法とＡＮＮモデルとを組み合わせたアルゴリズム１１０の別の実施形態の図による表示を示す。少なくとも２つの画像を含む画像系列２０１から、ある特定の特徴が抽出される（工程１１１）。これらの特徴を、次いで、動態アルゴリズムを使用してドライ（ブランク）値及び最終値についてモニタリングし、特定する（工程１１２）。

特徴を、次いで、従来的なアルゴリズム（工程１１３）及びＡＮＮモデル（工程１１４）で並行して処理し、血中グルコース値予測を得る（工程１１５）。該当する場合には、エラーフラグもまた提供され得る。

図１２は、従来法及びＡＮＮモデルのアプローチの性能を比較するための３つのＰａｒｋｅｓエラーグリッド１２０、１２１、１２２を示す。エラーグリッド１２０については、従来法アルゴリズムのみを用い、エラーグリッド１２１については、ＡＮＮモデルのみを用いた。エラーグリッド１２０及び１２１において見ることができるように、特徴に基づくＡＮＮモデルの測定性能は、従来法アルゴリズムのものよりも良好である。エラーグリッド１２２は、ＡＮＮモデルのみに頼らない理由を示す。ここでは、試験例として、ＡＮＮを、４５０ｍｇ／ｄｌ未満の血中グルコース値でのみ訓練した。したがって、訓練範囲のうち試料１２２ａ、１２２ｂは、重度に誤分類されている。ＡＮＮに対する任意の予測できない入力データが、誤った血中グルコース結果をもたらすことを確実にするために、従来法で特定される血中グルコース値を、ＡＮＮ血中グルコース結果のフェールセーフとして使用することができる。

Claims (13)

1. 体液試料中の検体の濃度を特定するように構成されるソフトウェア実装モジュールを生成するための方法であって、前記方法は、１つ以上のデータ処理デバイスにおいて、以下の：
   －第１の測定データセットを提供する工程、ここで前記第１の測定データセットは、１つ以上の試験ストリップ（３０ａ）の目的の領域（３１）の画像から画像データ処理によって導出される第１の色情報を表し、前記画像は、
   －検体を含有する１つ以上の第１の体液試料を前記目的の領域（３１）に付加することに応答して、前記目的の領域（３１）の色変換を示し、
   －それぞれが前記第１の色情報を生成するための画像記録及び画像データ処理を行うように構成される複数のデバイスであって、前記デバイスにおける画像記録及び画像データ処理のために適用される異なるソフトウェア及び／又はハードウェアデバイス構成が提供されている複数のデバイスによって記録され、
   －人工ニューラルネットワークを適用する機械学習プロセスにおいて、ニューラルネットワークモデルを生成する工程、ここで当該工程は、
   －前記ニューラルネットワークモデルを提供し、
   －前記第１の測定データセットから、訓練データ、較正データ、及び試験データを作成し；そして
   －前記訓練データによって、前記ニューラルネットワークモデルを訓練すること、
   を含み、ここで前記訓練データが、前記複数のデバイス及び実験タイプの完全な集合を代表し、そして
   －前記ニューラルネットワークモデルを表す第１の分析アルゴリズムを含むソフトウェア実装モジュールを生成する工程
   とを含み、
   前記ソフトウェア実装モジュールは、１つ以上のプロセッサを有するデータ処理デバイスに搭載されると、１つ以上の試験ストリップの目的の領域の画像から画像処理によって導出される第２の色情報を示す第２の測定データセットを分析することによって、第２の体液試料中の検体の濃度を特定するように構成され、前記画像は、前記検体を含有する前記第２の体液試料を前記目的の領域に付加することに応答して、前記目的の領域の色変換を示す、方法。
2. 体液試料中の検体の濃度を特定するための方法であって、前記方法は、１つ以上のデータ処理デバイスにおいて、以下の：
   －現在の試験ストリップ（３０ａ）の目的の領域（３１）の画像から画像処理によって導出される現在の色情報を示す現在の測定データセットを提供する工程、ここで前記画像は、検体を含有する現在の体液試料を前記目的の領域（３１）に付加することに応答して、前記目的の領域（３１）の色変換を示し、
   －人工ニューラルネットワークを適用する機械学習プロセスにおいて生成されるニューラルネットワークモデルを表す第１の分析アルゴリズムを含む、ソフトウェア実装モジュールを提供する工程、
   －前記現在の体液試料中の前記検体の濃度を特定する工程であって、前記第１の分析アルゴリズムによって前記現在の測定データセットを分析することを含む、前記工程、及び
   －前記現在の体液試料中の前記検体の濃度を示す、濃度データを生成する工程
   を含み、
   前記機械学習プロセスにおける前記ニューラルネットワークモデルの生成は、
   －第１の測定データセットを提供すること、ここで、前記第１の測定データセットは、
   －１つ以上の試験ストリップの目的の領域の画像から画像データ処理によって導出される第１の色情報を示し、ここで前記画像は、検体を含有する１つ以上の第１の体液試料を前記目的の領域に付加することに応答して、前記目的の領域の色変換を示し、
   －それぞれが前記第１の色情報を生成するための画像記録及び画像データ処理を行うように構成される複数のデバイスであって、前記デバイスにおける画像記録及び画像データ処理のために適用される異なるデバイス構成が提供されている前記複数のデバイスによって記録される画像から導出される第１の色情報を表し、
   -前記第１の測定データセットから、訓練データ、較正データ、及び試験データを作成すること；そして
   －前記訓練データによって、前記ニューラルネットワークモデルを訓練すること、ここで前記訓練データは、複数のデバイス及び実験タイプの完全な集合を代表する、
   を含む、方法。
3. 画像記録及び画像データ処理のために適用される異なるカメラデバイス及び異なる画像処理ソフトウェアのうちの少なくとも１つを有する前記複数のデバイスを含む、請求項１又は２に記載の方法。
4. 記録される前記画像は、異なる光学画像記録条件で記録される画像を含む、請求項１から３のいずれか一項に記載の方法。
5. －前記第１の分析アルゴリズムとは異なる、第２の分析アルゴリズムを提供する工程、及び
   －前記現在の体液試料中の前記検体の濃度について、前記第２の分析アルゴリズムを用いて前記現在の測定データセットを分析することによって、第１の推定値を特定する工程
   を更に含む、請求項２から４のいずれか一項に記載の方法。
6. 前記特定は、前記現在の体液試料中の前記検体の濃度について、標的範囲を特定することを含む、請求項５に記載の方法。
7. 前記特定は、前記第１の推定値及び前記第１の分析アルゴリズムによる前記現在の測定データセットを分析することによって提供される濃度値を平均化することによって、平均化された濃度を特定することを含む、請求項５又は６に記載の方法。
8. 前記特定は、前記第２の試料中の血中グルコースの濃度を特定することを含む、請求項２から７のいずれか一項に記載の方法。
9. 前記第１の測定データセット、前記第２の測定データセット、及び現在の測定データセットのうちの少なくとも１つは、それぞれ、前記１つ以上の試験ストリップの前記目的の領域について測定期間にわたって記録される画像、すなわち、約０．１から約１．５秒の時間間隔で記録される連続画像から画像処理によって導出される第１の色情報、第２の色情報、及び現在の色情報を表す、請求項１から８のいずれか一項に記載の方法。
10. 前記画像は、前記１つ以上の第１の体液試料を前記目的の領域に付加する前の前記目的の領域の画像を含む、請求項１から９のいずれか一項に記載の方法。
11. 体液試料中の検体の濃度を特定するように構成されるソフトウェア実装モジュールを生成するためのシステムであって、前記システムは、１つ以上のデータ処理デバイスを備え、前記１つ以上のデータ処理デバイスは、以下の：
    －第１の測定データセットを提供する工程、ここで前記第１の測定データセットは、１つ以上の試験ストリップ（３０ａ）の目的の領域（３１）の画像から画像データ処理によって導出される第１の色情報を表し、前記画像は、
    －検体を含有する１つ以上の第１の体液試料を前記目的の領域（３１）に付加することに応答して、前記目的の領域（３１）の色変換を示し、
    －それぞれが前記第１の色情報を生成するための画像記録及び画像データ処理を行うように構成される複数のデバイスであって、前記デバイスにおける画像記録及び画像データ処理のために適用される異なるソフトウェア及び／又はハードウェアデバイス構成が提供されている前記複数のデバイスによって記録され、
    －人工ニューラルネットワークを適用する機械学習プロセスにおいて、ニューラルネットワークモデルを生成する工程であって、以下の：
    －前記ニューラルネットワークモデルを提供すること、
    －前記第１の測定データセットから、訓練データ、較正データ、及び試験データを作成すること；そして
    －前記訓練データによって、前記ニューラルネットワークモデルを訓練すること、ここで前記訓練データは、複数のデバイス及び実験タイプの完全な集合を代表する、
    を含む、前記工程、及び
    －前記ニューラルネットワークモデルを表す第１の分析アルゴリズムを含むソフトウェア実装モジュールを生成する工程
    とを行うように構成され、前記ソフトウェア実装モジュールは、１つ以上のプロセッサを有するデータ処理デバイスに搭載されると、１つ以上の試験ストリップの目的の領域の画像から画像処理によって導出される第２の色情報を示す第２の測定データセットを分析することによって、第２の体液試料中の検体の濃度を特定するように構成され、前記画像は、前記検体を含有する前記第２の体液試料を前記目的の領域に付加することに応答して、前記目的の領域の色変換を示す、システム。
12. 体液試料中の検体の濃度を特定するためのシステムであって、前記システムは、１つ以上のデータ処理デバイスを備え、前記１つ以上のデータ処理デバイスは、以下の：
    －現在の試験ストライプ（３０ａ）の目的の領域（３１）の画像から画像処理によって導出される現在の色情報を示す現在の測定データセットを提供する工程、ここで、前記画像は、検体を含有する現在の体液試料を前記目的の領域（３１）に付加することに応答して、前記目的の領域（３１）の色変換を示し、
    －人工ニューラルネットワークを適用する機械学習プロセスにおいて生成されるニューラルネットワークモデルを表す第１の分析アルゴリズムを含む、ソフトウェア実装モジュールを提供する工程、
    －前記第１の分析アルゴリズムによって前記現在の測定データセットを分析することを含む、前記現在の体液試料中の前記検体の濃度を特定する工程、及び
    －前記現在の体液試料中の前記検体の濃度を示す、濃度データを生成する工程
    とを行うように構成され、
    前記機械学習プロセスにおける前記ニューラルネットワークモデルの生成は、
    －第１の測定データセットを提供することであって、前記第１の測定データセットは、
    －１つ以上の試験ストリップの目的の領域の画像から画像データ処理によって導出される第１の色情報を示し、前記画像は、検体を含有する１つ以上の第１の体液試料を前記目的の領域に付加することに応答して、前記目的の領域の色変換を示し、
    －それぞれが前記第１の色情報を生成するための画像記録及び画像データ処理を行うように構成される複数のデバイスによって記録される画像から導出される第１の色情報を表し、前記複数のデバイスに、前記デバイスにおける画像記録及び画像データ処理のために適用される異なるデバイス構成が提供される、第１の測定データセットを提供することと、
    －前記第１の測定データセットから、訓練データ、較正データ、及び試験データを作成すること；そして
    －前記訓練データによって、前記ニューラルネットワークモデルを訓練すること、ここで、前記訓練データは、複数のデバイス及び実験タイプの完全な集合を代表する、
    とを含む、システム。
13. １つ以上のプロセッサを有するコンピュータに搭載されると請求項１から１０のうちの少なくとも１つに記載の方法を行うように構成されるプログラムコードを含む、コンピュータプログラム製品。