KR20210099575A - 체액의 샘플 내 피분석물의 농도를 결정하기 위한 방법 및 시스템, 및 소프트웨어-구현 모듈을 생성하는 방법 및 시스템 - Google Patents
체액의 샘플 내 피분석물의 농도를 결정하기 위한 방법 및 시스템, 및 소프트웨어-구현 모듈을 생성하는 방법 및 시스템 Download PDFInfo
- Publication number
- KR20210099575A KR20210099575A KR1020217017328A KR20217017328A KR20210099575A KR 20210099575 A KR20210099575 A KR 20210099575A KR 1020217017328 A KR1020217017328 A KR 1020217017328A KR 20217017328 A KR20217017328 A KR 20217017328A KR 20210099575 A KR20210099575 A KR 20210099575A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- interest
- analyte
- bodily fluid
- concentration
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 210000001124 body fluid Anatomy 0.000 title claims abstract description 69
- 239000012491 analyte Substances 0.000 title claims abstract description 68
- 238000005259 measurement Methods 0.000 claims abstract description 80
- 238000012360 testing method Methods 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 72
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 238000003062 neural network model Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims abstract description 6
- 239000008280 blood Substances 0.000 claims description 50
- 210000004369 blood Anatomy 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 42
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 32
- 239000008103 glucose Substances 0.000 claims description 32
- 230000009466 transformation Effects 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 2
- 238000001454 recorded image Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 description 54
- 210000004027 cell Anatomy 0.000 description 12
- 238000010200 validation analysis Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 6
- 239000012472 biological sample Substances 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 6
- 238000007705 chemical test Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000002207 metabolite Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005534 hematocrit Methods 0.000 description 2
- 238000003018 immunoassay Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 102000005548 Hexokinase Human genes 0.000 description 1
- 108700040460 Hexokinases Proteins 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010876 biochemical test Methods 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/8483—Investigating reagent band
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
- G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
- G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/66—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood sugars, e.g. galactose
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Immunology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Hematology (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Urology & Nephrology (AREA)
- Software Systems (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Diabetes (AREA)
- Microbiology (AREA)
- Cell Biology (AREA)
- Biotechnology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Plasma & Fusion (AREA)
Abstract
본 개시 내용은 체액의 샘플 내 피분석물의 농도를 결정하도록 구성된 소프트웨어-구현 모듈을 생성하기 위한 방법 및 시스템에 대한 것이다. 상기 방법은 하나 이상의 데이터 처리 장치에서, 제1 측정 데이터 세트를 제공하는 단계 - 상기 제1 측정 데이터 세트는 하나 이상의 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 데이터 처리에 의해 도출된 제1 색상 정보를 나타냄 - , 인공 신경망을 적용하는 기계 학습 프로세스에서 신경망 모델을 생성하는 단계, 및 상기 신경망 모델을 나타내는 제1 분석 알고리즘을 포함하는 소프트웨어-구현 모듈을 생성하는 단계를 포함한다. 상기 소프트웨어-구현 모듈은, 하나 이상의 프로세서를 갖는 데이터 처리 장치로 로딩될 때, 하나 이상의 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 처리에 의해 도출된 제2 색상 정보를 나타내는 제2 측정 데이터 세트를 분석하는 것으로부터 체액의 제2 샘플 내 피분석물의 농도를 결정하도록 구성되고, 상기 이미지는 피분석물을 함유하는 체액의 제2 샘플을 관심 영역으로 적용하는 것에 응답하는 관심 영역의 색상 변환을 나타낸다. 또한, 본 개시 내용은 소프트웨어-구현 모듈을 생성하기 위한 시스템뿐 아니라 체액의 샘플 내 피분석물의 농도를 결정하기 위한 방법 및 시스템에 대한 것이기도 하다. 또한, 컴퓨터 프로그램 프로덕트가 개시된다.
Description
본 개시 내용은 체액의 샘플 내 피분석물의 농도를 결정하도록 구성된 소프트웨어-구현 모듈을 생성하기 위한 방법 및 체액의 샘플 내 피분석물의 농도를 결정하기 위한 방법을 언급한다. 또한, 본 개시 내용은 체액의 샘플 내 피분석물의 농도를 결정하도록 구성된 소프트웨어-구현 모듈을 생성하기 위한 시스템 및 체액의 샘플 내 피분석물의 농도를 결정하기 위한 시스템을 언급한다. 또한, 컴퓨터 프로그램 프로덕트가 언급된다.
기계 학습(ML: Machine Learning)이 데이터에 의해 구동되는 알고리즘을 도출하는 데 사용되는 컴퓨터 과학의 한 분야이다. 명시적인 공식을 사용하는 대신, ML 알고리즘은 전통적으로 인간에 의해 인식되는 모델보다 더 정확하고 정교한 모델을 생성하기 위해 데이터를 실세계 훈련하는 것을 채용한다. 인공 신경망(ANN: Artificial Neural Network)이 기계 학습의 한 분야에 속하고 복수의 층에 걸쳐 확산된 인공 뉴런을 이용한다. 신경망의 개념은 수십 년 동안 존재해 왔지만 최근에서야 신경망 알고리즘을 효과적으로 개발하는 데 필요한 방대한 계산을 따라 잡은 계산 파워가 존재하게 되었다. 분산 컴퓨팅 능력에 의해 개발자들이 슈퍼 컴퓨터를 사용하는 대신 복수의 유닛에 계산을 분산시킬 수 있게 되었다. 분산 컴퓨팅의 잘 알려진 구현으로는 Apache Hadoop, Apache Spark, 및 MapReduce가 있다.
신경망 모델은 직접적인 1대1 관계가 없거나 형편없을 때 입력과 출력 간 패턴/비선형 관계를 식별하는 데 적합하다. 이는 모델의 정확도가 기본 시스템이 얼마나 잘 특징화되었는지 그리고 입력과 출력 간 관계가 어떻게 정의되는지에 크게 좌우되기 때문에 중요하다.
문헌 US 2006/0008923 A1에서 의료 진단 또는 환자를 위한 위험 평가를 위한 시스템 및 방법이 제공된다. 이들 시스템 및 방법은 현장 진료(point of care)에서, 가령, 응급실 및 수술실에서, 또는 신속하고 정확한 결과가 희망되는 임의의 상황에서, 채용되도록 설계된다. 시스템 및 방법은 환자 데이터, 특히, 현장 진료 진단 테스트 또는 검정, 가령, 면역분석, 심전도, X-선 및 그 밖의 다른 이러한 테스트로부터의 데이터를 처리하고, 의료 상태 또는 위험 또는 이의 부재의 지시자를 제공한다. 시스템은 테스트 데이터를 판독 또는 평가하기 위한 기구 및 데이터를 진단 또는 위험 평가 정보로 변환하기 위한 소프트웨어를 포함한다. 환자 정보는 물리 및 생화학적 테스트, 가령, 면역분석으로부터의 그리고 그 밖의 다른 절차로부터의 데이터를 포함한다. 테스트는 현장 진료에서 환자에게 수행되고, 가령, 전자 반사율 또는 투과율 판독기에 의해 디지털화될 수 있고 데이터 신호를 생성하는 데이터를 생성한다. 신호는 데이터 정리 및 곡선 적합 알고리즘을 채용하는 소프트웨어, 또는 결정 지원 시스템, 가령, 훈련된 신경망, 또는 이들의 조합을 이용해 처리되어, 신호를 의료 상태 또는 질병의 위험의 결정의 진단을 보조하는 데 사용될 수 있는 데이터로 변환할 수 있다. 이 결과는 또한 평가의 정제 또는 보강을 위해, 제2 결정 지원 시스템, 가령, 신경망으로 입력될 수 있다.
문헌 WO 2018/0194525 A1은 생물학적 샘플에서 대사 물질을 정량화하기 위한 생화학 분석 방법을 언급한다. 방법은 미지의 샘플 이미지에 대한 값/라벨을 추정하기 위해 다양한 조건 하에서 테스트 스트립(딥스틱)의 외관을 생성 및 학습하는 것에 기초한다. 상기 방법은 다음의 두 부분으로 구성된다: 훈련 부분과 테스트 부분. 훈련 부분에서, 테스트 스트립의 대사 물질량이 생화학 분석기에 의해 측정된다. 샘플 테스트 스트립의 이미지의 세트가 다양한 주변 조명 조건을 시뮬레이션하는 장치에 의해 캡처된다. 기계 학습 모델이 테스트 스트립의 이미지 및 이의 대응하는 대사 물질량을 이용해 훈련되고, 학습 모델이 스마트 장치로 전송된다. 테스트 부분에서, 분석될 테스트 스트립의 이미지가 스마트 장치에 의해 캡처되고, 이미지가 훈련 부분에서 결정된 학습 모델에 의해 처리된다.
문헌 US 2018/0211380 A1은 생물학적 샘플을 이미징하고 상기 생물학적 샘플의 이미지를 분석하기 위한 시스템을 언급한다. 상기 시스템은 기계 학습 기법을 이용해 관심 세포를 분류하기 위해 생물학적 샘플의 이미지를 자동으로 분석하기 위한 것이다. 하나의 구현예에서 특정 세포 유형과 연관된 질병이 진단될 수 있다.
문헌 US 2016/0048739 A1은 생물학적 샘플을 위한 진단 시스템을 언급한다. 진단 시스템은 진단 기구, 및 휴대용 전자 장치를 포함한다. 진단 기구는 기준 색상 바 및 생물학적 샘플을 수신하기 위한 복수의 화학 테스트 패드를 가진다. 휴대용 전자 장치는 제어되지 않는 조명 환경에서 진단 기구의 디지털 이미지를 캡처하기 위한 디지털 카메라, 진단 기구의 표면의 조도를 캡처하기 위한 센서, 상기 디지털 이미지 및 조도를 수신하기 위해 디지털 카메라 및 센서로 연결된 프로세서, 및 상기 프로세서에 연결된 저장 장치를 포함한다. 저장 장치는 프로세서 의해 실행되어 디지털 이미지 및 조도를 처리하고, 복수의 화학 테스트 패드의 색상을 정규화하며, 화학 테스트 패드의 색상 변경의 정량화에 응답하여 진단 테스트 결과를 결정하기 위한 명령을 저장한다.
본 개시 내용의 목적은 체액의 샘플 내 피분석물의 농도를 결정하기 위한 개선된 기법을 제공하는 것이다.
과제를 해결하기 위해, 독립 청구항 1에 따르는 체액의 샘플 내 피분석물의 농도를 결정하도록 구성된 소프트웨어-구현 모듈을 생성하기 위한 방법이 제공된다. 또한, 독립 청구항 2에 따르는 체액의 샘플 내 피분석물의 농도를 결정하기 위한 방법이 제공된다. 체액의 샘플 내 피분석물의 농도를 결정하도록 구성된 소프트웨어-구현 모듈을 생성하기 위한 시스템 및 체액의 샘플 내 피분석물의 농도를 결정하기 위한 시스템이 각각 독립 청구항 11 및 12에 따라 제공된다. 또한, 청구항 13에 따르는 컴퓨터 프로그램 프로덕트가 제공된다. 추가 실시예가 종속 청구항에 개시된다.
하나의 양태에 따라, 체액의 샘플 내 피분석물의 농도를 결정하도록 구성된 소프트웨어-구현 모듈을 생성하기 위한 방법이 제공된다. 상기 방법은 하나 이상의 데이터 처리 장치에서, 제1 측정 데이터 세트를 제공하는 단계 - 상기 제1 측정 데이터 세트는 하나 이상의 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 데이터 처리에 의해 도출된 제1 색상 정보를 나타냄 - 를 포함한다. 이미지는 피분석물을 함유하는 체액의 하나 이상의 제1 샘플을 관심 영역으로 적용시키는 것에 응답하는, 상기 관심 영역의 색상 변환을 나타내고, 상기 이미지는 이미지 기록 및 제1 색상 정보를 생성하기 위한 이미지 데이터 처리를 위해 각각 구성된 복수의 장치에 의해 기록되고, 상기 복수의 장치에는 장치에서의 이미지 기록 및 이미지 데이터 처리를 위해 적용되는 상이한 소프트웨어 및/또는 하드웨어 장치 구성이 제공된다. 상기 방법은 하나 이상의 데이터 처리 장치에서, 인공 신경망을 적용하는 기계 학습 프로세스에서 신경망 모델을 생성하는 단계를 포함하며, 상기 신경망 모델을 생성하는 단계는 상기 신경망 모델을 제공하는 단계, 및 상기 제1 측정 데이터 세트로부터 선택된 데이터를 훈련시킴으로써 상기 신경망 모델을 훈련시키는 단계를 포함한다. 신경망 모델을 나타내는 제1 분석 알고리즘을 포함하는 소프트웨어-구현 모델이 생성되며, 상기 소프트웨어-구현 모듈은, 하나 이상의 프로세서를 갖는 데이터 처리 장치로 로딩될 때, 하나 이상의 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 처리에 의해 도출된 제2 색상 정보를 나타내는 제2 측정 데이터 세트를 분석하는 것으로부터 체액의 제2 샘플 내 피분석물의 농도를 결정하도록 구성되고, 상기 이미지는 피분석물을 함유하는 체액의 제2 샘플을 관심 영역으로 적용하는 것에 응답하는 관심 영역의 색상 변환을 나타낸다.
하나의 양태에 따라, 체액의 샘플 내 피분석물의 농도를 결정하기 위한 방법으로서, 상기 방법은, 하나 이상의 데이터 처리 장치에서, 현재 테스트 스트립 또는 스트라이프의 관심 영역에 대한 이미지로부터 이미지 처리에 의해 도출된 현재 색상 정보를 나타내는 현재 측정 데이터 세트를 제공하는 단계 - 상기 이미지는 피분석물을 함유하는 체액의 현재 샘플을 상기 관심 영역으로 적용하는 것에 응답하는, 상기 관심 영역의 색상 변환을 나타냄 - , 인공 신경망을 적용하는 기계 학습 프로세스에서 생성되는 신경망 모델을 나타내는 제1 분석 알고리즘을 포함하는 소프트웨어-구현 모듈을 제공하는 단계, 상기 체액의 현재 샘플 내 피분석물의 농도를 결정하는 단계 - 상기 농도를 결정하는 단계는 제1 분석 알고리즘에 의해 상기 현재 측정 데이터 세트를 분석하는 단계를 포함함 - , 및 상기 체액의 현재 샘플 내 피분석물의 농도를 나타내는 농도 데이터를 생성하는 단계를 포함하는, 방법. 상기 기계 학습 프로세스에서 신경망 모델을 생성하는 단계는 제1 측정 데이터 세트를 제공하는 단계를 포함하고, 상기 제1 측정 데이터 세트는 하나 이상의 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 데이터 처리에 의해 도출된 제1 색상 정보를 나타내며, 상기 이미지는 피분석물을 함유하는 체액의 하나 이상의 제1 샘플을 상기 관심 영역으로 적용하는 것에 응답하는, 상기 관심 영역의 색상 변환을 나타낸다. 제1 측정 데이터 세트는 이미지 기록 및 제1 색상 정보를 생성하기 위한 이미지 데이터 처리를 위해 각각 구성된 복수의 장치에 의해 기록된 이미지로부터 도출된 제1 색상 정보를 나타내고 있고, 복수의 장치에는 장치에서의 이미지 기록 및 이미지 데이터 처리를 위해 적용되는 상이한 장치 구성이 제공된다. 제1 측정 데이터 세트로부터 선택된 데이터를 훈련시킴으로써 신경망 모델이 훈련된다.
또 다른 양태에 따라, 체액의 샘플 내 피분석물의 농도를 결정하도록 구성된 소프트웨어-구현 모듈을 생성하기 위한 시스템이 제공되며, 상기 시스템은 하나 이상의 데이터 처리 장치를 포함하고, 상기 하나 이상의 데이터 처리 장치는 제1 측정 데이터 세트를 제공하도록 구성되며, 상기 제1 측정 데이터 세트는 하나 이상의 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 데이터 처리에 의해 도출된 제1 색상 정보를 나타낸다. 이미지는 피분석물을 함유하는 체액의 하나 이상의 제1 샘플을 관심 영역으로 적용시키는 것에 응답하는, 상기 관심 영역의 색상 변환을 나타내고, 상기 이미지는 이미지 기록 및 제1 색상 정보를 생성하기 위한 이미지 데이터 처리를 위해 각각 구성된 복수의 장치에 의해 기록되고, 상기 복수의 장치에는 장치에서의 이미지 기록 및 이미지 데이터 처리를 위해 적용되는 상이한 소프트웨어 및/또는 하드웨어 장치 구성이 제공된다. 인공 신경망을 적용하는 기계 학습 프로세스에서 신경망 모델을 생성하도록 구성된 하나 이상의 데이터 처리 장치는, 상기 신경망 모델을 제공하는 것, 및 상기 제1 측정 데이터 세트로부터 선택된 데이터를 훈련시킴으로써 상기 신경망 모델을 훈련시키는 것을 포함한다. 또한, 신경망 모델을 나타내는 제1 분석 알고리즘을 포함하는 소프트웨어-구현 모델을 생성하도록 구성된 하나 이상의 데이터 처리 장치로서, 상기 소프트웨어-구현 모듈이, 하나 이상의 프로세서를 갖는 데이터 처리 장치로 로딩될 때, 하나 이상의 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 처리에 의해 도출된 제2 색상 정보를 나타내는 제2 측정 데이터 세트를 분석하는 것으로부터 체액의 제2 샘플 내 피분석물의 농도를 결정하도록 구성되고, 상기 이미지는 피분석물을 함유하는 체액의 제2 샘플을 관심 영역으로 적용하는 것에 응답하는 관심 영역의 색상 변환을 나타낸다.
또 하나의 양태에 따라, 체액의 샘플 내 피분석물의 농도를 결정하기 위한 시스템으로서, 상기 시스템은 하나 이상의 데이터 처리 장치를 포함하며, 상기 하나 이상의 데이터 처리 장치는 현재 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 처리에 의해 도출된 현재 색상 정보를 나타내는 현재 측정 데이터 세트를 제공하며 - 상기 이미지는 피분석물을 함유하는 체액의 현재 샘플을 상기 관심 영역으로 적용하는 것에 응답하는, 상기 관심 영역의 색상 변환을 나타냄 - , 인공 신경망을 적용하는 기계 학습 프로세스에서 생성되는 신경망 모델을 나타내는 제1 분석 알고리즘을 포함하는 소프트웨어-구현 모듈을 제공하고, 상기 체액의 현재 샘플 내 피분석물의 농도를 결정하며 - 상기 농도를 결정하는 것은 제1 분석 알고리즘에 의해 상기 현재 측정 데이터 세트를 분석하는 것을 포함함 - , 상기 체액의 현재 샘플 내 피분석물의 농도를 나타내는 농도 데이터를 생성하도록 구성되는, 시스템. 상기 기계 학습 프로세스에서 신경망 모델을 생성하는 단계는 제1 측정 데이터 세트를 제공하는 단계를 포함하고, 상기 제1 측정 데이터 세트는 하나 이상의 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 데이터 처리에 의해 도출된 제1 색상 정보를 나타내며, 상기 이미지는 피분석물을 함유하는 체액의 하나 이상의 제1 샘플을 상기 관심 영역으로 적용하는 것에 응답하는, 상기 관심 영역의 색상 변환을 나타낸다. 제1 측정 데이터 세트는 이미지 기록 및 제1 색상 정보를 생성하기 위한 이미지 데이터 처리를 위해 각각 구성된 복수의 장치에 의해 기록된 이미지로부터 도출된 제1 색상 정보를 나타내고 있고, 복수의 장치에는 장치에서의 이미지 기록 및 이미지 데이터 처리를 위해 적용되는 상이한 장치 구성이 제공된다. 제1 측정 데이터 세트로부터 선택된 데이터를 훈련시킴으로써 신경망 모델이 훈련된다.
또한, 하나 이상의 프로세서를 갖는 컴퓨터로 로딩될 때, 상기 방법을 수행하도록 구성된 프로그램 코드를 포함하는 컴퓨터 프로그램 프로덕트가 제공된다.
기계 학습 프로세스에서 생성된 신경망 모델이 체액의 (현재) 샘플 내 피분석물의 농도의 개선된 결정을 가능하게 한다. 신경망 모델을 이미지 기록 및 제1 색상 정보를 생성하기 위한 이미지 데이터 처리를 위해 각각 구성된 복수의 상이한 장치에 의해 기록된 이미지로부터 도출된 제1 색상 정보를 나타내는 제1 측정 데이터 세트에 기초하여 생성되게 함으로써, 훈련 및 테스트 후 체액의 샘플 내 피분석물의 농도를 결정하기 위한 상이한 장치 상에서 적용 또는 구현될 수 있는 신경망 모델을 지원하며, 이때, 상이한 장치는 각자의 장치에서 이미지 기록 및 이미지 데이터 처리를 위해 적용되는 상이한 장치 구성을 가진다.
전에 생성된 신경망 모델이 현재/제2 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 처리에 의해 도출된 현재/제2 색상 정보를 나타내는 현재 또는 제2 측정 데이터 세트를 분석하기 위해 적용되며, 상기 이미지는 환자의 체액의 현재/제2 샘플 - 상기 샘플은 피분석물을 함유함 - 을 관심 영역으로 적용하는 것에 응답하여 관심 영역의 색상 변환을 나타낸다. 이러한 프로세스에서 샘플이 제공된 환자에 대해 피분석물 농도가 결정된다.
상기 방법은 상기 복수의 장치는 상이한 카메라 장치 및 이미지 기록 및 이미지 데이터 처리를 위해 적용되는 상이한 이미지 처리 소프트웨어 중 적어도 하나를 갖는 단계를 포함할 수 있다.
기록되는 이미지는 상이한 광학 이미지 기록 조건에서 기록되는 이미지를 포함할 수 있다.
상기 방법은 제2 분석 알고리즘을 제공하는 단계 - 상기 제2 분석 알고리즘은 상기 제1 분석 알고리즘과 상이함 - , 및 상기 체액의 현재 샘플 내 피분석물의 농도에 대해, 제2 분석 알고리즘에 의해 현재 측정 데이터 세트를 분석함으로써 제1 추정 값을 결정하는 단계를 더 포함할 수 있다. 제2 분석 알고리즘은 비-기계 학습 기반 알고리즘, 가령, 모수 다변량 선형 회귀(parametric multivariate linear regression)일 수 있다. 이러한 비-기계 학습 기반 알고리즘은 피분석물 농도를 결정하기 위한 전통적인 알고리즘이라고도 지칭될 수 있다. 피분석물 농도에 대한 제1 추정 값은 신경망 모델에 의해 (추가) 분석에 대한 입력을 제공할 수 있다. 대안으로, 비-기계 학습 기반 알고리즘으로부터 도출된 농도에 대한 결과가 신경망 모델을 적용함으로써 결정된 피분석물 농도 값에 대한 페일세이프 테스트에서 적용될 수 있다.
결정하는 것은 체액의 현재 샘플 내 피분석물의 농도에 대한 목표 범위를 결정하는 것을 포함할 수 있다. 피분석물 농도에 대한 실제 값을 결정하는 대신 또는 이러한 결정에 추가로, 피분석물 농도 값에 대한 목표 범위가 결정될 수 있다.
상기 결정하는 것은 상기 제1 추정 값 및 제1 분석 알고리즘에 의한 현재 측정 데이터 세트의 분석에 의해 제공되는 농도 값의 평균을 구함으로써, 평균 농도를 결정하는 것을 포함할 수 있다. 평균 값을 결정함으로써, 신경망 모델 분석으로부터의 결과와 전통적인 알고리즘에 기반하는 분석이 조합된다.
또 다른 실시예에서, 결정하는 것은 제2 샘플 내 혈당의 농도를 결정하는 것을 포함할 수 있다.
제1 측정 데이터 세트, 제2 측정 데이터 세트 및 현재 측정 데이터 세트 중 적어도 하나가 하나 이상의 테스트 스트립의 관심 영역에 대한 측정 시간 주기 동안 기록된 이미지로부터 이미지 처리에 의해 도출된 제1 색상 정보, 제2 색상 정보 및 현재 색상 정보를 각각 나타내고 있을 수 있으며, 연이은 이미지들이 약 0.1 내지 약 1.5s의 시간 간격을 두고 기록된다.
제1 측정 데이터 세트가 도출되는 이미지는 체액의 하나 이상의 제1 샘플을 하나 이상의 테스트 스트립의 관심 영역으로 적용하기 전에 상기 관심 영역의 이미지를 포함할 수 있다. 마찬가지로, 추가로 또는 대안으로, 현재 측정 데이터 세트가 도출되는 이미지는 현재 테스트 스트립의 관심 영역으로 체액의 현재 샘플을 적용하기 전의 관심 영역의 이미지를 포함할 수 있다.
예를 들어, 측정 데이터는 훈련 데이터 세트, 검증 데이터 세트, 및 테스트 데이터 세트로 나뉘는 것이 제공될 수 있다. 예를 들어, 측정 데이터의 약 60%가 훈련을 위해 사용될 수 있고(훈련 데이터 세트), 약 20%가 검증을 위해 사용될 수 있으며(검증 데이터 세트), 약 20%가 텍스트를 위해 사용될 수 있다(테스트 데이터 세트). 교차 검증 기법, 가령, 리브-p-아웃(leave-p-out) 교차 검증 또는 k-폴드(k-fold) 교차 검증이 채용될 수 있다. 측정 데이터의 계층화된 랜덤 샘플링을 이용함으로써, 훈련 데이터 세트가 생성될 수 있다. 측정 데이터를 수집하기 위해 적용된 장치의 유형 및 측정 데이터를 수집하는 동안 적용되는 실험의 유형 중 적어도 하나에 기초하여 계층화(Stratification)가 실시될 수 있다. 측정 데이터는 개별적인 부분 모집단(계층)으로 분할되고, 각각의 계층은 상이한 장치 유형 및/또는 상이한 실험 유형에 대응할 수 있다. 그 후, 데이터가 각각의 계층에 대해 개별적으로 샘플링된 후 병합되어 훈련 데이터 세트를 생성할 수 있다. 이는 훈련 데이터가 근본적으로 장치 유형 및/또는 실험 유형의 전체 모집단을 나타냄을 보장하도록 적용될 수 있다. 검증 데이터 세트(들)와 테스트 데이터 세트(들)가 유사하게 생성될 수 있다.
방법 중 적어도 하나에 대해 앞서 개시된 실시예가 준용되어(mutatis mutandis) 하나 또는 두 시스템 모두에 적용될 수 있다.
이하에서, 실시예가 도면을 참조하여 예시로서 기재된다. 도면에서:
도 1은 피드 포워드 인공 신경망(ANN)의 그래픽 표현이다.
도 2는 점적된 테스트 스트립의 색상 변경에 기초하여 혈당을 예측하기 위한 방법의 그래픽 표현이다.
도 3은 테스트 스트립의 이미지의 그래픽 표현이다.
도 4는 피처 변환을 적용함으로써 피처 표로부터의 피처들 중 새로운 피처를 생성하는 프로세스의 그래픽 표현이다.
도 5a는 예시적 새로운 피처의 상관 거동의 그래픽 표현이다.
도 5b는 예시적 새로운 피처의 상관 거동의 또 다른 그래픽 표현이다.
도 5c는 예시적 새로운 피처의 상관 거동의 또 다른 그래픽 표현이다.
도 6은 훈련될 ANN 모델의 아키텍처의 그래픽 표현이다.
도 7은 예측 혈당 값 대 실제 혈당 레벨의 성능을 도시하는 파크스 에러 그리드를 도시한다.
도 8은 예측 혈당 값 대 실제 혈당 레벨의 성능을 도시하는 파크스 에러 그리드를 도시한다.
도 9는 전통적인 알고리즘과 ANN 모델의 상이한 유형의 조합의 그래픽 표현이다.
도 10은 이의 입력 중 하나로서 전통적인 알고리즘 예측을 이용하는 ANN 모델의 예측을 도시하는 파크스 에러 그리드이다.
도 11은 조합된 전통 알고리즘과 ANN 알고리즘의 또 다른 실시예의 그래픽 표현이다.
도 12는 전통 방식과 ANN 방식의 성능을 비교하기 위한 세 가지 파크스 에러 그리드이다.
도 1은 피드 포워드 인공 신경망(ANN)의 그래픽 표현이다.
도 2는 점적된 테스트 스트립의 색상 변경에 기초하여 혈당을 예측하기 위한 방법의 그래픽 표현이다.
도 3은 테스트 스트립의 이미지의 그래픽 표현이다.
도 4는 피처 변환을 적용함으로써 피처 표로부터의 피처들 중 새로운 피처를 생성하는 프로세스의 그래픽 표현이다.
도 5a는 예시적 새로운 피처의 상관 거동의 그래픽 표현이다.
도 5b는 예시적 새로운 피처의 상관 거동의 또 다른 그래픽 표현이다.
도 5c는 예시적 새로운 피처의 상관 거동의 또 다른 그래픽 표현이다.
도 6은 훈련될 ANN 모델의 아키텍처의 그래픽 표현이다.
도 7은 예측 혈당 값 대 실제 혈당 레벨의 성능을 도시하는 파크스 에러 그리드를 도시한다.
도 8은 예측 혈당 값 대 실제 혈당 레벨의 성능을 도시하는 파크스 에러 그리드를 도시한다.
도 9는 전통적인 알고리즘과 ANN 모델의 상이한 유형의 조합의 그래픽 표현이다.
도 10은 이의 입력 중 하나로서 전통적인 알고리즘 예측을 이용하는 ANN 모델의 예측을 도시하는 파크스 에러 그리드이다.
도 11은 조합된 전통 알고리즘과 ANN 알고리즘의 또 다른 실시예의 그래픽 표현이다.
도 12는 전통 방식과 ANN 방식의 성능을 비교하기 위한 세 가지 파크스 에러 그리드이다.
이하에서, 체액의 샘플 내 피분석물의 농도를 결정하도록 구성된 소프트웨어-구현 모듈을 생성하기 위한 방법에 대한 실시예가 더 상세히 개시된다. 소프트웨어-구현 모듈이 생성된 후, 추가 방법에서, 이는 실험 결과를 분석하여, 샘플을 스트립 상의 테스트 영역에 적용하는 것에 응답하여 테스트 영역이 색상 변경을 보여줄 테스트 스트립에 적용된 체액의 샘플 내 피분석물의 농도를 결정하기 위해 상이한 장치, 가령, 모바일 장치 상에서 사용될 수 있다.
소프트웨어-구현 모듈을 생성하기 위한 방법이 하나 이상의 데이터 처리 장치에서 실시된다. 제1 측정 데이터 세트가 제공되며, 상기 제1 측정 데이터 세트는 하나 이상의 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 데이터 처리에 의해 도출된 제1 색상 정보를 나타낸다. 예를 들어, 혈액 샘플이 테스트 스트립으로 적용될 수 있고, 이에 응답하여 테스트 스트립은 관심 영역(테스트 영역)의 색상 변경을 보인다. 이러한 색상 변경은 테스트 영역에 점적된 샘플 내 혈당 농도에 따라 달라질 수 있다. 관심 영역에 대해 캡처된 이미지가 피분석물을 함유하는 체액의 하나 이상의 제1 샘플을 관심 영역으로 적용하는 것에 응답하는 관심 영역의 색상 변환을 나타낸다. 이미지가 복수의 장치, 가령, 모바일 장치, 가령, 모바일 전화기 또는 태블릿 컴퓨터에 의해 기록된다. 각각의 장치가 이미지 기록 및 제1 색상 정보를 생성하기 위한 이미지 데이터 처리를 위해 구성되며, 복수의 장치에는 장치에서의 이미지 기록 및 이미지 데이터 처리를 위해 적용되는 상이한 소프트웨어 및/또는 하드웨어 장치 구성이 제공된다. 예를 들어, 상기 장치에는 이미지를 캡처하기 위해 사용되는 상이한 유형의 카메라가 제공될 수 있다. 또한, 상이한 소프트웨어 구성이 장치에 대해 제공될 수 있으며, 특히, 상이한 소프트웨어 애플리케이션이 캡처된 이미지를 처리하도록 장치에 적용된다.
인공 신경망을 적용하는 기계 학습 프로세스에서 신경망 모델을 생성되며, 이는 상기 신경망 모델을 제공하는 것, 및 상기 제1 측정 데이터 세트로부터 선택된 데이터를 훈련시킴으로써 상기 신경망 모델을 훈련시키는 것을 포함한다. 신경망 모델을 나타내는 제1 분석 알고리즘을 포함하는 소프트웨어-구현 모듈이 제공된다. 상기 소프트웨어-구현 모듈은, 하나 이상의 프로세서를 갖는 데이터 처리 장치로 로딩될 때, 하나 이상의 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 처리에 의해 도출된 제2 색상 정보를 나타내는 제2 측정 데이터 세트를 분석하는 것으로부터 체액의 제2 샘플 내 피분석물의 농도를 결정하도록 구성되고, 상기 이미지는 피분석물을 함유하는 체액의 제2 샘플을 관심 영역으로 적용하는 것에 응답하는 관심 영역의 색상 변환을 나타낸다. 따라서 신경망 모델이 생성된 후 이는 이하에서 더 상세히 설명될 바와 같이 생성 후 신경망 모델을 이용함으로써 결정될 현재 샘플이라고도 지칭될 수 있고 체액의 샘플인 제2 샘플에 대한 결과를 분석하도록 적용될 것이다. 소프트웨어-구현 모듈을 포함하는 소프트웨어 애플리케이션이 분석 장치, 가령, 모바일 전화기 또는 그 밖의 다른 모바일 장치로 로딩될 것이다. 소프트웨어 애플리케이션을 실행시켜 피분석물의 농도를 결정함으로써 테스트 스트립 분석이 실시된다.
도 1은 일반적으로 알려진 피드 포워드 인공 신경망(ANN)(10)의 개략적 그래픽 표현이다. 통상적인 피드 포워드 ANN에서, 정보가 한 방향으로 흐른다. 입력 피처(11a, 11b, 11c, ..., 11x)가 입력 층(12)의 노드(또는 인공 뉴런)(12a, 12b, 12c,..., 12x)으로 공급된다. 이상적으로는 노드(12a, 12b, 12c, ..., 12x)의 수가 기본 데이터세트 내 피처(feature)의 수와 동일해야 한다. 입력 층(12)이 단순히 입력 피처(11a, 11b, 11c, ..., 11x)를 수신하고 은닉 층(14)으로 연결(13)을 통해 입력 피처(11a, 11b, 11c, ..., 11x)를 전달한다.
은닉 층(14)은 노드(14a, 14b, ..., 14y)를 포함한다. 은닉 층(14)의 노드의 개수는 입력 층(12)과 출력 층(16)의 노드의 개수에 따라 달라진다. 입력 층(12)과 은닉 층(14)의 노드의 개수는 동일하거나 동일하지 않을 수 있다. 각각의 노드(14a, 14b, ..., 14y)에서, 각자의 입력에 변환이 적용된다. 그 후, 변환된 값이 연결(15)을 통해 출력 층(16)으로 전달된다. ANN(10)이 훈련됨에 따라, 더 높은 예측 값을 제공하는 노드(12a, 12b, 12c, ..., 12x, 14a, 14b, ..., 14y)가 더 높은 범위까지 가중된다. 여기에, 각자의 연결(13, 15)이 더 높은 가중치를 수신한다.
출력 층(16)은 기본 문제를 해결하기 위해 바람직한 정보를 제공한다. 이의 노드(16a)의 수는 가까운 문제에 따라 달라진다. 문제가, 가령, 객체를 네 개의 클래스 중 하나로 분류하는 것인 경우, 출력 층(16)이 네 개의 노드(도시되지 않음)로 구성될 것이다. 문제가 회귀에 해당한다면, 출력 층(16)은 단일 노드(16a)로 구성될 것이다.
이하에서, 체액의 샘플에 적용되는 것에 응답하는, 테스트 스트립의 테스트 영역에서의 색상 변경에 기초하는 측정으로부터 체액의 샘플 내 피분석물의 농도를 결정하기 위한 ANN을 적용하기 위한 예시가 개시된다. 예를 들어, 혈당 레벨이 결정될 수 있다. 도 2는 방법의 예시에 대한 단계를 개략적으로 도시한다.
측정 과정에서, 제1 이미지 데이터 수집 단계(202)에서, 이미지를 획득하고 이미지 데이터를 처리하도록 구성된 각각의 상이한 장치를 이용해, 테스트 스트립의 이미지 시리즈(201)가 캡처된다. 상기 장치는 모바일 장치, 가령, 휴대 전화기 또는 모바일 전화기 유형 또는 태블릿 컴퓨터일 수 있다.
일반적으로 알려진 바와 같이, 이미지를 획득하기 위해, 체액의 샘플, 가령, 혈액 샘플이 테스트 스트립의 테스트 영역에 적용된다. 샘플의 적용에 응답하여, 테스트 영역이 이미지(들)를 획득함으로써 검출될 색상 변경을 보일 것이다.이미지는 체액의 샘플 내 피분석물의 농도, 가령, 혈당 레벨을 결정하기 위한 분석 프로세스에서 처리될 것이다.
체액의 샘플을 결정하기 위해 이미지가 획득되는 동안, 가령, 상이한 온도, 상대 습도 값, 조명 값, 및/또는 헤마토크리트의 조합에 의해 이미지를 캡처하기 위한 상이한 측정 조건이 존재할 수 있다. 그 밖의 다른 값이 또한 사용될 수 있다. 예를 들어, 상이한 기후 조건과 관련하여, 가령, 단차 5℃인, 5℃ 내지 30℃의 온도 값 및 가령, 단차 10%인, 상대 습도 15% 내지 85%가 적용될 수 있다. 각각의 상대 습도 값이 각각의 온도 값과 조합되어 상이한 기후 조건의 세트를 형성할 수 있다. 대안으로, 특정 상대 습도/온도 조합의 관련성이 낮기 때문에 특정 상대 습도 값만이 각각의 온도 값과 조합된다.
기후 연구에서 온도 습도에 대한 데이터 세트에 이하의 측정 조건이 적용될 수 있다:
온도(℃)
상대 습도(%)
5
45
10
15
10
45
10
85
15
45
25
45
30
45
30
85
각각의 테스트 스트립에 대해, 특정 시간 주기 동안 이미지 시리즈(201)가 캡처된다. 예를 들어, 약 40초 동안 테스트 스트립의 이미지(30)가 매 0.5 초마다 캡처된다(이미지(30)의 그래픽 표현에 대해 도 3 참조). 테스트 스트립당 각각의 이미지 시리즈(201)는 빈 테스트 스트립(혈액 점적이나 샘플이 적용되어 있지 않는 테스트 스트립)의 이미지로 시작한다. 혈액 샘플이 적용된 후 다음 이미지(30)가 캡처된다. 따라서, 각각의 이미지 시리즈(201) 내 테스트 스트립의 색상의 변경이 완전히 캡처된다. 이하에서, 이미지 시리즈(201)는 데이터베이스에 저장된다. 첫 번째 이미지와 두 번째 이미지를 캡처하는 것 사이의 추가 시간 딜레이가 제공되어, 사용자가 테스트 스트립에 혈액 점적을 적용시킬 수 있게 할 수 있다.
복수의 상이한 휴대 전화기 또는 모바일 전화기로 이미지가 캡처되었고, 각각의 셀 전화기에 이미지를 캡처하고 이미지 데이터를 처리하기 위해 개별 카메라 장치 및 이미지 처리 파라미터 RGGB, 색 변환 행렬 및 톤 맵 곡선의 소프트웨어 구성이 제공된다.
측정 시 획득된 이미지가 농도가 결정될 필요가 있는 피분석물을 함유하는 체액의 샘플(들)을 적용하는 것에 응답하는 테스트 영역의 색상 변경에 대한 색상 정보를 나타내는 (측정된) 이미지 데이터를 제공한다. 이하에서, 현재 샘플 내 피분석물의 농도를 결정하도록 구성된 소프트웨어-구현 모듈을 생성하기 위한 이미지 데이터가 사용된다. ANN이 제공되고 측정된 이미지 데이터로부터 획득된 훈련 데이터 세트에 기초하여 훈련된다.
다음 단계(203)에서, 도 2 및 3을 참조하면, 데이터베이스에 저장될 수 있는 이미지 시리즈(201)로부터 도출된 이미지 데이터가 처리되어 이미지 시리즈(201)의 각각의 이미지(30)에 대한 관심 영역(31)을 결정할 수 있다. 관심 영역(31)은 테스트 스트립(30a)(타깃 필드(32)) 상에 적용되는 체액 샘플(가령, 혈액 샘플) 및 상기 타깃 필드(32) 주위의 사각형(33)을 보여주는 이미지의 부분으로 구성된다. 타깃 필드(32) 외부와 네 개의 세그먼트로 구성된 사각형(33) 내부의 공간이 백색 필드(34)라고 지칭된다. 관심 영역(테스트 영역)(31)은 이미지 처리 소프트웨어에 의해 타깃 필드(32) 및 백색 필드(34)에 대한 픽셀 색상 값을 캡처함으로써 검출된다. 각각의 픽셀 색상은, 가령, RGB 인코딩될 수 있다. 대안적 색상 공간 및 색상 모델, 가령, CIE L*a*b*, CIE 1931 XYZ, CMYK, 및 HSV이 픽셀 색상을 인코딩하도록 또한 채용될 수 있다. 대안적 색상 공간 및 대안적 색상 공간으로의 색상 변환이 신호 품질을 향상시켜, 더 단순한 및/또는 더 정확한 예측 알고리즘을 도출할 수 있다.
원시 픽셀 데이터가 변환되어 신호 정밀도를 개선할 수 있다. 다음의 유형의 색상 변환, 또는 이들의 조합이 채용될 수 있다:
- 원시 R, G, 및 B 채널의 평균이 혈액이 적용된 타깃 필드(32)로부터 계산됨,
- R 및 G 채널은 타깃 필드(32)로부터의 B에 의해 정규화됨(R 및 G 채널 값 각각을 대응하는 B 값에 의해 나눔으로써 정규화가 수행됨),
- 타깃 필드(32)로부터의 R 채널과 B 채널 간 델타(Delta)와 G 채널과 B 채널 간 델타가 계산됨,
- 타깃 필드(32)로부터의 R,G,B 채널이 백색 필드(34)로부터의 R,G,B 채널에 의해 정규화됨,
- 타깃 필드(32)의 타깃 백색 정규화된 R,G,B 채널과 기준 필드의 백색 정규화된 R,G,B 채널 간 비가 계산됨.
색상 변환의 리스트에 한정되지 않는다. 상이한 피처에 대한 추가 색상 변환이 제공될 수 있다.
이미지 획득을 위해 적용되는 장치, 가령, 복수의 휴대 전화기 또는 모바일 전화기에 대해, 상이한 교정 방법이 채용될 수 있다. 상이한 휴대 전화기 유형들 간 색상 조정 스킴의 차이가, 보정되지 않는 한, 분분한 혈당 예측 성능을 도출할 것이다. 공통 기준 스케일로 출력을 표준화할 휴대 전화기 유형 특정적 교정 곡선(calibration curve)을 생성하기 위해 다양한 방식이 사용될 수 있다. 한편으로는, 알려진 색도의 영역을 포함하는 색상 기준 카드를 이용해 오프라인 교정이 수행될 수 있다. 이러한 오프라인 교정은 각각의 측정 전에 수행될 필요는 없다. 사용자에 의해 임의의 측정이 수행되기 전에, 오프라인 교정은 한 번 수행될 수 있다. 또는, 주기적 시간 간격으로 오프라인 교정이 수행된다. 다른 한편, 색상 기준을 이용한 온라인 교정이 채용될 수 있다. 이를 위해, 테스트 스트립이 점적되고 사전-특정된 시간 후에, 기준 카드 이미지가 테스트 필드와 함께 캡처된다. 점적 전 점적 후에 테스트 스트립의 이미지가 캡처된다. 테스트 스트립은 온라인 교정을 위해 사전-인쇄된 기준 필드를 더 가질 수 있다.
타깃 필드(32)의 위치가 찾아지면, 타깃 필드(32) 내 영역, 가령, 타깃 필드(32) 내 약간 더 작은 반지름을 갖는 원으로부터의 RGB 픽셀 값이 추출되고 각각의 채널에 대해 평균 내어져서, R, G 및 B 채널 각각에 대한 평균 값을 산출할 수 있다. 따라서, 타깃 필드(32)의 경계에 있는 원치 않는 픽셀을 평균 내는 것이 피해질 수 있다.
그 후, 각각의 색상 채널에 대한 평균 값이 추가 관련 데이터, 가령, 기준 혈당 값, 이미지 ID, 연구 명칭, 에러 코드, 연구 관련 정보, 가령, 온도, 습도, 헤마토크리트, 또는 장치 모델 번호와 함께, 데이터 표로 저장된다. 데이터 표는 추가 처리를 위해, 가령, csv(comma separated value) 파일 또는 MATLAB 매트 파일로서 저장될 수 있다.
특정 모델링 목적으로, 데이터 표의 모든 열이 관련성이 있는 것은 아니다. 따라서, 모델링을 위해 필요한 열만 포함시킴으로써, 더 작은 표인 피처 표가 데이터 표로부터 생성된다. 피처 표에 대해 네 개의 행을 갖는 예시적 표가 표 1에 도시된다.
표 1: 피처 표의 예시적 기술.
피처 표는 타깃 필드(tfRlin, tfGlin, tfBlin)와 백색 필드(wfRlin, wfGlin, wfBlin) 모두에 대한 선형 평균 RGB 채널 값을 포함한다. 스마트폰의 톤 맵 곡선을 직선 1:1 선으로 설정함으로써 선형화가 달성된다. 선형화는 상이한 스마트폰 유형에서의 상이한 디폴트 톤 맵 곡선을 핸들링하기 위해 필수이다. 톤 맵 곡선을 설정하지 않는 경우, 디폴트 톤 맵 곡선이 비선형이기 때문에 값들 간 관계가 인공적으로 비선형일 것이다. 각자의 영역(타깃 필드 또는 백색 필드)의 채널 값의 산술 평균을 구함으로써 개별적으로 각각의 RGB 채널에 대해 평균화가 수행된다.
피처 표는 점적 전에 타깃 필드(blankValueRtf blankValueGtf, blankValueBtf)와 백색 필드(blankValueRwf, blankValueRwf, blankValueRwf)에 대한 선형 평균 RGB 채널 값을 더 포함한다.
데이터가 매우 (부분적으로) 과다노출되었거나, 불균질하거나, 너무 적은 픽셀로 구성되었거나, 대응하는 이미지가 충분히 선명하지 않았거나, 이들의 조합이라고 결정된 경우 데이터는 무효라고 평가될 수 있다. 무효 데이터는 피처 표로부터 삭제될 수 있다. 피처 표는 동일한 측정의 모든 이미지로부터의 정보를 포함하지는 않는다. 일반적으로, 각각의 이미지 시리즈(201)에 대해, 약 80개의 이미지(30)가 캡처되지만, 모든 이미지(30)가 모델링에 필요한 것은 아니다. 모델링을 위해 최종 이미지와 상기 최종 이미지에 선행하는 10 내지 19개의 이미지로부터의 데이터를 채용하는 것이 충분하거나 바람직할 수 있다. 최종 이미지에서, R 또는 G 채널의 기울기가 0에 가깝다, 즉, 점적 후 특정 시간이 지난 후 색상 동역학(color kinetics)이 안정되고 이 시점부터 색상이 변하지 않거나 최소한만 변한다. 정지 상태의 색상 동역학을 갖고 이미지를 획득하는 것이 이미지의 비교 가능성을 증가시킬 수 있다.
도 2를 다시 참조하면, 단계(204)에서, 피처 표의 데이터가 피처 엔지니어링을 위해 사용된다. 모델링의 가장 중요한 양태 중 하나가 모델을 위한 적절한 피처를 선택하는 것이다. 목표가 혈당 값을 예측하는 것이기 때문에, 기준 혈당 값과 강력한 상관 관계를 갖는 피처를 이용하는 것이 더 우수한 모델을 도출할 것으로 기대된다. 확립된 혈당 측정 시스템에 의해 기준 혈당 값이 결정되었다. 선형 RGB 채널은 기준 혈당 값과 특정한 정도의 상관 관계를 보인다. 그러나, 기준 혈당 값과 더 강력한 상관 관계를 갖는 새 피처를 생성함으로써, 결과가 여전히 개선될 수 있다. 또한 이러한 새로운 피처를 만드는 것은 상이한 휴대 전화기 유형 및 측정 조건, 가령, 기후 조건 또는 조명 조건에 대해 종속성이 감소될 수 있다는 점에서 유익할 수 있다.
이와 관련하여, 도 4는 피처 변환(41), 가령, 색상 변환을 피처(40)에 적용함으로써 피처 표로부터의 피처(40)들 중 새로운 피처(42)를 생성하는 프로세스의 그래픽 표현이다. 피처(40)는 타깃 필드(tfRlin, tfGlin, tfBlin) 및/또는 백색 필드(wfRlin, wfGlin, wfBlin)에 대한 선형 평균 RGB 채널 값 및/또는 점적 전 (blankValueRtf blankValueGtf, blankValueBtf), (blankValueRwf, blankValueRwf, blankValueRwf)의 RGB 채널 값을 포함할 수 있다.
도 5a 및 5b에서, 피처(40)의 피처 변환(41)에 의해 생성된 예시적 새로운 피처(42)의 상관 거동의 기술이 도시된다. 그래프(51 내지 56) 각각이 기준 혈당 값(y-축)과 새로운 피처(42) 중 하나(x-축)의 상관 거동을 디스플레이한다. 그래프(52)에서와 같이 피처 "GRY"가 그레이스케일 색상 값을 지칭한다. 특정 피처에서의 접미사 "N"이 정규화를 지칭한다. 특히, 그래프(53)에서의 "RGBN"는 "정규화된 RGB 색상"을 의미한다. 상이한 마커(
)가 상이한 실험 유형에 대응한다. 기술된 새로운 피처(42)가 원시 RGB 값보다 더 강력한 기준 혈당 값과의 상관관계를 보인다.
이와 달리, 도 5c는 원시 RGB 채널 값과 기준 혈당 값의 상관 거동의 기술을 도시한다. 그래프(57)는 타깃 필드(tfRlin)에 대한 선형 평균 R 채널 값을 보여준다. 그래프(58)는 타깃 필드(tfGlin)에 대한 선형 평균 G 채널 값을 보여준다. 그래프(57 및 58)는 도 5a 및 5b에 도시된 새로운 피처(42)보다 값의 더 큰 산포도를 보이며 따라서 기준 혈당 값과의 더 약한 상관 관계를 보인다.
도 2를 다시 참조하면, 다음 단계(206)에서, ANN 모델이 훈련될 수 있기 전에 피처 표 내 데이터로부터 훈련, 검증, 및 테스트 세트가 생성된다. 데이터는 훈련, 검증, 및 테스트 세트로 분할될 수 있다. 데이터의 60%가 훈련을 위해 사용되고, 20%가 검증을 위해 사용되며, 20%가 테스트를 위해 사용된다. 교차 검증 기법, 가령, 리브-p-아웃(leave-p-out) 교차 검증 또는 k-폴드(k-fold) 교차 검증이 또한 채용될 수 있다. 데이터의 계층화된 랜덤 샘플링을 이용해 훈련 세트가 생성된다. 계층화는 스마트폰 유형 및 실험 유형에 기초하여 실시되었다. 즉, 데이터는 개별적인 부분 모집단(계층)으로 분할되고, 각각의 계층은 상이한 스마트폰 유형 및 실험 유형에 대응한다. 그 후, 데이터가 각각의 계층에 대해 개별적으로 샘플링된 후 병합되어 훈련 데이터를 생성할 수 있다. 이렇게 함으로써, 훈련 데이터가 스마트폰 및 실험 유형의 전체 모집단을 여전히 나타냄이 보장된다. 검증 세트와 테스트 세트가 유사하게 생성될 수 있다.
과다훈련/과다적합을 방지하기 위해 검증 세트가 사용되며, 훈련 동안 모델의 독립적인 평가를 위해 테스트 세트가 사용된다. 입력 데이터세트에 하나의 열이 추가되어, 훈련, 테스트 및 검증을 위해 어느 데이터가 사용되는지를 나타낼 수 있다. 추가된 열은 ANN을 훈련할 때 적절한 서브세트를 식별하기 위해 중요하다.
단계(207)에서, ANN이 훈련된다. 상이한 측정 조건을 갖고 ANN이 훈련되어, 훈련 세트에서 상이한 측정 조건이 표현될 수 있고 모델에 포함될 수 있다. 상이한 스마트폰 유형이 모델링에 포함될 수 있다. 수치 컴퓨팅 환경, 가령, MATLAB에서, ANN의 훈련이 수행될 수 있다. 성능 증가를 위해, 컴파일된 프로그래밍 언어가 또한 채용될 수 있다. 도 6은 훈련될 ANN 모델(60)의 예시적 아키텍처의 그래픽 표현을 도시한다. 도 6의 아키텍처가 두 개의 은닉 층(62, 63)을 포함한다. 또는, 문제의 복잡도에 따라, 셋 이상의 은닉 층 중 하나의 은닉 층이 채용될 수 있다(도시되지 않음). 입력 값(61)이 은닉 층(62)으로 전달된다. 은닉 층(62)의 출력이 은닉 층(63)으로 전달된다. 그런 다음 은닉 층(63)의 출력이 출력 층(64)으로 전달되어, 출력 값(65)을 도출할 수 있다. 출력 값(65)은 예측 혈당 값에 대응한다. 적절한 혈당 모델에 대한 훈련 동안 가중치 계수(62a, 62b, 63a, 63b, 64a, 및 64b)가 최적화된다.
정규화(regularization) 방법, 가령, 조기 종료(early stopping)가 과다훈련을 방지하기 위해 사용될 수 있다. 예를 들어, 모델(60)을 훈련하기 위해 최대 12번의 반복이 가능할 수 있다. 에포크(epoch)의 최대 수가 예를 들어 1000으로 설정될 수 있다. 상이한 초기화 포인트를 갖는 복수의 모델(60)이 훈련되고 차후 모델 선택을 위해 이들의 성능 메트릭이 표 파일, 가령, csv 파일로 저장된다. 모든 모델(60)이 생성되고 성능 메트릭이 평가되면, 최상 성능 모델이 최종 훈련된 모델로 선택된다.
도 2를 다시 참조하면, 단계(208)에서, 피처의 쌍곡선 탄젠트와 훈련된 ANN으로부터 획득된 최적화된 계수의 선형 조합으로 구성된 신경망 공식을 이용해 훈련된 모델이 확립된다. 훈련된 신경망 모델을 이용함으로써, 혈당 값이 결정된다(단계(209)). 그 후, 결정된 혈당 값이 추가 처리를 위해 출력된다(단계(210)).
도 7 및 8은 전체 데이터세트에 대한 결정된 혈당 값 대 실제 혈당 값의 성능을 도시하는 파크스 에러 그리드를 각각 도시한다. 파크스 에러 그리드(합의 에러 그리드)는 정량적 진단에서 상이한 데이터를 비교하기 위한 잘 알려진 그래픽 도구이다(Parkes외, Diabetes Care 23: 1143-1148, 2000). 각각의 y-축이 예측된 혈당 값에 대응하며, 각각의 x-축이 실제 혈당 값에 대응한다. 각각의 에러 그리드가 상이한 에러 영역에 대응하는 상이한 구역 A 내지 D로 분할된다. 구역 A 내의 이등분선 (71, 81)으로부터의 편차가 낮은 에러에 대응한다. 대부분의 값이 구역 A 내에 있는 것이 바람직하다. 구역 B는 중간 에러에 대응하며, 구역 C는 환자의 치료를 위한 수용될 수 없는 큰 에러에 대응하고, 구역 D는 과도하게 큰 에러에 대응한다. 도 7에서, 상이한 마커가 상이한 실험 유형에 대응하고, 도 8에서, 상이한 마커가 상이한 스마트폰 유형에 대응한다. 도 7 및 8로부터 볼 수 있다시피, 예측된 혈당 값은 상이한 휴대 전화기 유형 및 상이한 실험 유형 모두에 대한 실제 혈당 값에 상당히 잘 대응한다.
표 2는 ANN 모델 접근법과 비교하여 전통적인 또는 비-ANN 알고리즘(모수 다변량 선형 회귀)에 대해 혈당 값이 상이한 파크스 에러 그리드 구역 A 내지 E에 속하는 빈도를 보여준다. 구역 A 및 B 내 값이 수용 가능한 것으로 간주되며, 구역 C 내지 E 내 값이 수용될 수 없는 것에서 임계인 것으로 간주된다. 전통적인 알고리즘과 ANN 모델 모두가 코딩 데이터세트 M1 및 M2으로 훈련되었다. 그 후, 미지의 휴대 전화기 유형(코딩 데이터세트 M4, M5, 및 M6)이 평가되었다. 코딩 데이터세트 M1 내지 M5가 표준 측정 스테이션에서 표준 조건(T = 24 ℃, Hum = 45%) 하에서 결정된 랩 데이터로부터 기원하고 헥소키나아제 혈당 기준 값을 포함한다. 환경 및 핸들링 영향이 최소화된다. 다섯 개의 상이한 유형의 휴대 전화기가 코딩 데이터세트당 채용되었다. 따라서, 10개의 상이한 휴대 전화기 유형을 사용하여 훈련이 수행되었다. 그 후 따라서 생성된 알고리즘에 3 Х 5 = 15개의 상이한 휴대 전화기 유형의 미지의 데이터가 제공되었다.
표 2: 혈당 예측을 위한 전통적인 방식과 ANN 방식의 비교.
표 2에서 알 수 있듯이, ANN 모델은 미지의 휴대 전화기 유형에 대한 혈당 값을 추정하는 데 전통적인 알고리즘보다 성능이 더 우수하다. 중요한 점은, ANA 모델로부터의 어떠한 값도, 혈당 레벨의 총 오분류에 대응하는 수용될 수 없는 구역 C 내지 E 내에 있지 않는다.
혈당 예측을 위한 추가 예에서, 전통적인 알고리즘(91), 가령, 다항 접합(polynomial fit)이 ANN 모델(92)과 조합하여 사용될 수 있다. 도 9는 다음의 사용될 수 있는 상이한 유형의 조합의 그래픽 표현을 도시한다:
a) 전통적인 알고리즘(91)으로부터의 예측(93)이 ANN 모델(92)로의 입력(피처)으로서 사용될 수 있음,
b) ANN 모델(92)로부터의 예측(94)이 전통적인 알고리즘(91)으로의 입력으로서 사용될 수 있음, 및
c) 전통적인 알고리즘(91)과 ANN 모델(92) 모두가 사용될 수 있고 두 알고리즘 모두로부터의 예측(93, 94)의 차이가 잘못된 예측을 제거하기 위한 페일세이프로서 사용될 수 있음.
도 10은 이의 입력 중 하나로서 전통적인 알고리즘 예측을 이용하는 ANN 모델의 예측을 도시하는 파크스 에러 그리드를 도시한다.
도 11은 조합된 전통 알고리즘과 ANN 알고리즘(110)의 또 다른 실시예의 그래픽 표현을 도시한다. 적어도 두 개의 이미지를 포함하는 이미지 시리즈(201) 중에서, 특정 피처가 추출된다(단계(111)). 그런 다음 이들 피처가 모니터링되고 운동 알고리즘을 이용해 건식(빈) 값 및 최종 값에 대해 결정된다(단계(112)).
그런 다음 피처가 전통 알고리즘(단계(113))과 ANN 모델(단계(114))에서 병렬로 처리되어, 혈당 값 예측을 도출한다(단계(115)). 적용 가능한 경우 에러 플래그가 또한 제공될 수 있다.
도 12는 전통적인 방식과 ANN 모델 방식의 성능을 비교하기 위한 세 가지 파크스 에러 그리드(120, 121, 122)를 도시한다. 에러 그리드(120)의 경우, 전통적인 알고리즘만 채용되었고, 에러 그리드(121)의 경우, ANN 모델만 채용되었다. 에러 그리드(120 및 121)에서 나타날 수 있듯이, 피처 기반 ANN 모델에 대한 측정 성능이 전통적인 알고리즘에 대한 성능보다 우수하다. 에러 그리드(122)는 ANN 모델만 이용하면 안되는 이유를 보여준다. 여기서, 본보기로서, ANN은 450 mg/dl 미만의 혈당 값으로만 훈련되었다. 따라서, 훈련 범위를 벗어나는 샘플(122a, 122b)이 심하게 오분류된다. ANN로의 임의의 기대되지 않는 입력 데이터가 잘못된 혈당 결과를 이끌 것임을 보장하기 위해, 전통적으로 결정된 혈당 값이 ANN 혈당 결과를 위한 페일세이프로서 사용될 수 있다.
Claims (13)
- 체액의 샘플 내 피분석물의 농도를 결정하도록 구성된 소프트웨어-구현 모듈을 생성하기 위한 방법으로서, 상기 방법은 하나 이상의 데이터 처리 장치에서,
― 제1 측정 데이터 세트를 제공하는 단계 - 상기 제1 측정 데이터 세트는 하나 이상의 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 데이터 처리에 의해 도출된 제1 색상 정보를 나타내고, 상기 이미지는
― 피분석물을 함유하는 체액의 하나 이상의 제1 샘플을 상기 관심 영역으로 적용하는 것에 응답하는, 상기 관심 영역의 색상 변환을 나타내며,
― 이미지 기록 및 제1 색상 정보를 생성하기 위한 이미지 데이터 처리를 위해 각각 구성된 복수의 장치에 의해 기록되고, 상기 복수의 장치에는 장치에서의 이미지 기록 및 이미지 데이터 처리를 위해 적용되는 상이한 소프트웨어 및/또는 하드웨어 장치 구성이 제공됨 - ,
― 인공 신경망을 적용하는 기계 학습 프로세스에서 신경망 모델을 생성하는 단계 - 상기 신경망 모델을 생성하는 단계는
― 상기 신경망 모델을 제공하는 단계, 및
― 상기 제1 측정 데이터 세트로부터 선택된 데이터를 훈련시킴으로써 상기 신경망 모델을 훈련시키는 단계를 포함함 - , 및
― 상기 신경망 모델을 나타내는 제1 분석 알고리즘을 포함하는 소프트웨어-구현 모듈을 생성하는 단계
를 포함하며, 상기 소프트웨어-구현 모듈은, 하나 이상의 프로세서를 갖는 데이터 처리 장치로 로딩될 때, 하나 이상의 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 처리에 의해 도출된 제2 색상 정보를 나타내는 제2 측정 데이터 세트를 분석하는 것으로부터 체액의 제2 샘플 내 피분석물의 농도를 결정하도록 구성되며, 상기 이미지는 피분석물을 포함하는 체액의 제2 샘플을 관심 영역에 적용하는 것에 응답하는, 관심 영역의 색상 변환을 나타내는, 방법. - 체액의 샘플 내 피분석물의 농도를 결정하기 위한 방법으로서, 상기 방법은, 하나 이상의 데이터 처리 장치에서,
― 현재 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 처리에 의해 도출된 현재 색상 정보를 나타내는 현재 측정 데이터 세트를 제공하는 단계 - 상기 이미지는 피분석물을 함유하는 체액의 현재 샘플을 상기 관심 영역으로 적용하는 것에 응답하는, 상기 관심 영역의 색상 변환을 나타냄 - ,
― 인공 신경망을 적용하는 기계 학습 프로세스에서 생성되는 신경망 모델을 나타내는 제1 분석 알고리즘을 포함하는 소프트웨어-구현 모듈을 제공하는 단계,
― 상기 체액의 현재 샘플 내 피분석물의 농도를 결정하는 단계 - 상기 농도를 결정하는 단계는 제1 분석 알고리즘에 의해 상기 현재 측정 데이터 세트를 분석하는 단계를 포함함 - , 및
― 상기 체액의 현재 샘플 내 피분석물의 농도를 나타내는 농도 데이터를 생성하는 단계
를 포함하며, 상기 기계 학습 프로세스에서 신경망 모델을 생성하는 단계는
― 제1 측정 데이터 세트를 제공하는 단계 - 상기 제1 측정 데이터 세트는
― 하나 이상의 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 데이터 처리에 의해 도출된 제1 색상 정보를 나타내며, 상기 이미지는 피분석물을 함유하는 체액의 하나 이상의 제1 샘플을 상기 관심 영역으로 적용하는 것에 응답하는, 상기 관심 영역의 색상 변환을 나타내고,
― 이미지 기록 및 제1 색상 정보를 생성하기 위한 이미지 데이터 처리를 위해 각각 구성된 복수의 장치에 의해 기록된 이미지로부터 도출된 제1 색상 정보를 나타내며, 상기 복수의 장치에는 장치에서의 이미지 기록 및 이미지 데이터 처리를 위해 적용되는 상이한 장치 구성이 제공됨 - , 및
― 상기 제1 측정 데이터 세트로부터 선택된 데이터를 훈련시킴으로써 상기 신경망 모델을 훈련시키는 단계
를 포함하는, 방법. - 제1항 또는 제2항에 있어서, 상기 복수의 장치는 상이한 카메라 장치 및 이미지 기록 및 이미지 데이터 처리를 위해 적용되는 상이한 이미지 처리 소프트웨어 중 적어도 하나를 갖는 단계를 포함하는, 방법.
- 제1항 내지 제3항 중 어느 한 항에 있어서, 기록되는 이미지는 상이한 광학 이미지 기록 조건에서 기록되는 이미지를 포함하는, 방법.
- 제2항 내지 제4항 중 어느 한 항에 있어서,
― 제2 분석 알고리즘을 제공하는 단계 - 상기 제2 분석 알고리즘은 상기 제1 분석 알고리즘과 상이함 - , 및
― 상기 체액의 현재 샘플 내 피분석물의 농도에 대해, 제2 분석 알고리즘에 의해 현재 측정 데이터 세트를 분석함으로써 제1 추정 값을 결정하는 단계를 더 포함하는, 방법. - 제5항에 있어서, 상기 결정하는 단계는 체액의 현재 샘플 내 피분석물의 농도에 대한 목표 범위를 결정하는 단계를 포함하는, 방법.
- 제5항 또는 제6항에 있어서, 상기 결정하는 단계는 상기 제1 추정 값 및 제1 분석 알고리즘에 의한 현재 측정 데이터 세트의 분석에 의해 제공되는 농도 값의 평균을 구함으로써, 평균 농도를 결정하는 단계를 포함하는, 방법.
- 제2항 내지 제7항 중 어느 한 항에 있어서, 결정하는 단계는 제2 샘플 내 혈당의 농도를 결정하는 단계를 포함하는, 방법.
- 제1항 내지 제8항 중 어느 한 항에 있어서, 제1 측정 데이터 세트, 제2 측정 데이터 세트 및 현재 측정 데이터 세트 중 적어도 하나가 하나 이상의 테스트 스트립의 관심 영역에 대한 측정 시간 주기 동안 기록된 이미지로부터 이미지 처리에 의해 도출된 제1 색상 정보, 제2 색상 정보 및 현재 색상 정보를 각각 나타내는 중이며, 연이은 이미지들이 약 0.1 내지 약 1.5s의 시간 간격을 두고 기록되는, 방법.
- 제1항 내지 제9항 중 어느 한 항에 있어서, 상기 이미지는 체액의 하나 이상의 제1 샘플을 상기 관심 영역으로 적용하기 전에 상기 관심 영역의 이미지를 포함하는, 방법.
- 체액의 샘플 내 피분석물의 농도를 결정하도록 구성된 소프트웨어-구현 모듈을 생성하기 위한 시스템으로서, 상기 시스템은 하나 이상의 데이터 처리 장치를 포함하며, 상기 하나 이상의 데이터 처리 장치는,
― 제1 측정 데이터 세트를 제공하고 - 상기 제1 측정 데이터 세트는 하나 이상의 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 데이터 처리에 의해 도출된 제1 색상 정보를 나타내고, 상기 이미지는
― 피분석물을 함유하는 체액의 하나 이상의 제1 샘플을 상기 관심 영역으로 적용하는 것에 응답하는, 상기 관심 영역의 색상 변환을 나타내며,
― 이미지 기록 및 제1 색상 정보를 생성하기 위한 이미지 데이터 처리를 위해 각각 구성된 복수의 장치에 의해 기록되고, 상기 복수의 장치에는 장치에서의 이미지 기록 및 이미지 데이터 처리를 위해 적용되는 상이한 소프트웨어 및/또는 하드웨어 장치 구성이 제공됨 - ,
― 인공 신경망을 적용하는 기계 학습 프로세스에서 신경망 모델을 생성하며 - 상기 신경망 모델을 생성하는 것은
― 상기 신경망 모델을 제공하는 것, 및
― 상기 제1 측정 데이터 세트로부터 선택된 데이터를 훈련시킴으로써 상기 신경망 모델을 훈련시키는 것을 포함함 - , 및
― 상기 신경망 모델을 나타내는 제1 분석 알고리즘을 포함하는 소프트웨어-구현 모듈을 생성하도록 구성되며,
상기 소프트웨어-구현 모듈은, 하나 이상의 프로세서를 갖는 데이터 처리 장치로 로딩될 때, 하나 이상의 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 처리에 의해 도출된 제2 색상 정보를 나타내는 제2 측정 데이터 세트를 분석하는 것으로부터 체액의 제2 샘플 내 피분석물의 농도를 결정하도록 구성되며, 상기 이미지는 피분석물을 포함하는 체액의 제2 샘플을 관심 영역에 적용하는 것에 응답하는, 관심 영역의 색상 변환을 나타내는, 시스템. - 체액의 샘플 내 피분석물의 농도를 결정하기 위한 시스템으로서, 상기 시스템은, 하나 이상의 데이터 처리 장치를 포함하며, 상기 하나 이상의 데이터 처리 장치는
― 현재 테스트 스트라이프의 관심 영역에 대한 이미지로부터 이미지 처리에 의해 도출된 현재 색상 정보를 나타내는 현재 측정 데이터 세트를 제공하고 - 상기 이미지는 피분석물을 함유하는 체액의 현재 샘플을 상기 관심 영역으로 적용하는 것에 응답하는, 상기 관심 영역의 색상 변환을 나타냄 - ,
― 인공 신경망을 적용하는 기계 학습 프로세스에서 생성되는 신경망 모델을 나타내는 제1 분석 알고리즘을 포함하는 소프트웨어-구현 모듈을 제공하며,
― 상기 체액의 현재 샘플 내 피분석물의 농도를 결정하고 - 상기 농도를 결정하는 것은 제1 분석 알고리즘에 의해 상기 현재 측정 데이터 세트를 분석하는 것을 포함함 - , 및
― 상기 체액의 현재 샘플 내 피분석물의 농도를 나타내는 농도 데이터를 생성하도록 구성되며,
상기 기계 학습 프로세스에서 신경망 모델을 생성하는 것은
― 제1 측정 데이터 세트를 제공하는 것 - 상기 제1 측정 데이터 세트는
― 하나 이상의 테스트 스트립의 관심 영역에 대한 이미지로부터 이미지 데이터 처리에 의해 도출된 제1 색상 정보를 나타내며, 상기 이미지는 피분석물을 함유하는 체액의 하나 이상의 제1 샘플을 상기 관심 영역으로 적용하는 것에 응답하는, 상기 관심 영역의 색상 변환을 나타내고,
― 이미지 기록 및 제1 색상 정보를 생성하기 위한 이미지 데이터 처리를 위해 각각 구성된 복수의 장치에 의해 기록된 이미지로부터 도출된 제1 색상 정보를 나타내며, 상기 복수의 장치에는 장치에서의 이미지 기록 및 이미지 데이터 처리를 위해 적용되는 상이한 장치 구성이 제공됨 - , 및
― 상기 제1 측정 데이터 세트로부터 선택된 데이터를 훈련시킴으로써 상기 신경망 모델을 훈련시키는 것을 포함하는, 시스템. - 하나 이상의 프로세서를 갖는 컴퓨터로 로딩될 때, 청구항 1 내지 10 중 적어도 하나에 따르는 방법을 수행하도록 구성된 컴퓨터 프로그램 코드를 포함하는 컴퓨터 프로그램 프로덕트.
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862777360P | 2018-12-10 | 2018-12-10 | |
| US62/777,360 | 2018-12-10 | ||
| EP18215541.6 | 2018-12-21 | ||
| EP18215541.6A EP3667301B1 (en) | 2018-12-10 | 2018-12-21 | Method and system for determining concentration of an analyte in a sample of a bodily fluid, and method and system for generating a software-implemented module |
| PCT/EP2019/084115 WO2020120349A1 (en) | 2018-12-10 | 2019-12-09 | Method and system for determining concentration of an analyte in a sample of a bodily fluid, and method and system for generating a software-implemented module |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210099575A true KR20210099575A (ko) | 2021-08-12 |
Family
ID=64901409
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217017328A KR20210099575A (ko) | 2018-12-10 | 2019-12-09 | 체액의 샘플 내 피분석물의 농도를 결정하기 위한 방법 및 시스템, 및 소프트웨어-구현 모듈을 생성하는 방법 및 시스템 |
Country Status (12)
| Country | Link |
|---|---|
| US (2) | US11928814B2 (ko) |
| EP (1) | EP3667301B1 (ko) |
| JP (1) | JP2022514826A (ko) |
| KR (1) | KR20210099575A (ko) |
| CN (1) | CN113167738A (ko) |
| BR (1) | BR112021011115A2 (ko) |
| CA (1) | CA3120025A1 (ko) |
| ES (1) | ES2910573T3 (ko) |
| MA (1) | MA51798B1 (ko) |
| PL (1) | PL3667301T3 (ko) |
| TW (1) | TWI825240B (ko) |
| WO (1) | WO2020120349A1 (ko) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116324406A (zh) * | 2020-10-16 | 2023-06-23 | 株式会社钟化 | 自动判别系统、自动判别方法以及自动判别程序 |
| CN113486900B (zh) * | 2021-05-28 | 2024-06-07 | 杭州微策生物技术股份有限公司 | 一种用于poct的嵌入式实时图像采集处理系统 |
| CN114145738B (zh) * | 2022-02-10 | 2022-06-24 | 苏州百孝医疗科技有限公司 | 分析物浓度数据生成方法和装置、监测分析物水平的系统 |
| WO2023152200A1 (en) | 2022-02-11 | 2023-08-17 | F. Hoffmann-La Roche Ag | Methods and devices for determining the concentration of at least one analyte in a bodily fluid |
| AR128485A1 (es) * | 2022-02-11 | 2024-05-15 | Hoffmann La Roche | Métodos y dispositivos para llevar a cabo una medición analítica |
| CN115598124B (zh) * | 2022-11-03 | 2023-07-18 | 淮北师范大学 | 颜色去卷积水质检测方法 |
| WO2024108597A1 (zh) * | 2022-11-25 | 2024-05-30 | 深圳迈瑞生物医疗电子股份有限公司 | 一种干化学检测装置及方法 |
| CN117723530A (zh) * | 2023-11-24 | 2024-03-19 | 中国石油大学(华东) | 可穿戴比色生物传感器及深度学习智能感知微系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6394952B1 (en) | 1998-02-03 | 2002-05-28 | Adeza Biomedical Corporation | Point of care diagnostic systems |
| US20040092036A1 (en) * | 2002-09-11 | 2004-05-13 | Lattec I/S | Device for analysing analyte compounds and use hereof |
| CN102171572A (zh) | 2008-03-17 | 2011-08-31 | 兰德尔·W·尼尔森 | 用于糖尿病的生物标记物和测定 |
| US9863811B2 (en) * | 2014-08-15 | 2018-01-09 | Scanadu Incorporated | Precision luxmeter methods for digital cameras to quantify colors in uncontrolled lighting environments |
| US20180211380A1 (en) * | 2017-01-25 | 2018-07-26 | Athelas Inc. | Classifying biological samples using automated image analysis |
| EP3612963B1 (en) * | 2017-04-18 | 2021-05-12 | Yeditepe Universitesi | Biochemical analyser based on a machine learning algorithm using test strips and a smartdevice |
-
2018
- 2018-12-21 EP EP18215541.6A patent/EP3667301B1/en active Active
- 2018-12-21 PL PL18215541T patent/PL3667301T3/pl unknown
- 2018-12-21 MA MA51798A patent/MA51798B1/fr unknown
- 2018-12-21 ES ES18215541T patent/ES2910573T3/es active Active
-
2019
- 2019-12-09 CN CN201980081481.4A patent/CN113167738A/zh active Pending
- 2019-12-09 CA CA3120025A patent/CA3120025A1/en active Pending
- 2019-12-09 KR KR1020217017328A patent/KR20210099575A/ko active Search and Examination
- 2019-12-09 BR BR112021011115-8A patent/BR112021011115A2/pt unknown
- 2019-12-09 TW TW108144905A patent/TWI825240B/zh active
- 2019-12-09 JP JP2021532484A patent/JP2022514826A/ja active Pending
- 2019-12-09 WO PCT/EP2019/084115 patent/WO2020120349A1/en active Application Filing
-
2021
- 2021-06-09 US US17/343,513 patent/US11928814B2/en active Active
-
2024
- 2024-02-05 US US18/432,427 patent/US20240177304A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP3667301A1 (en) | 2020-06-17 |
| MA51798A (fr) | 2020-06-17 |
| TWI825240B (zh) | 2023-12-11 |
| ES2910573T3 (es) | 2022-05-12 |
| EP3667301B1 (en) | 2021-12-01 |
| JP2022514826A (ja) | 2022-02-16 |
| BR112021011115A2 (pt) | 2021-08-31 |
| US11928814B2 (en) | 2024-03-12 |
| US20240177304A1 (en) | 2024-05-30 |
| CN113167738A (zh) | 2021-07-23 |
| PL3667301T3 (pl) | 2022-02-28 |
| WO2020120349A1 (en) | 2020-06-18 |
| MA51798B1 (fr) | 2022-01-31 |
| US20210295515A1 (en) | 2021-09-23 |
| CA3120025A1 (en) | 2020-06-18 |
| TW202032435A (zh) | 2020-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11928814B2 (en) | Method and system for determining concentration of an analyte in a sample of a bodily fluid, and method and system for generating a software-implemented module | |
| Torres-Soto et al. | Multi-task deep learning for cardiac rhythm detection in wearable devices | |
| Barger et al. | Robust, automated sleep scoring by a compact neural network with distributional shift correction | |
| Geffre et al. | Reference values: a review | |
| EP2986214B1 (en) | Retrospective retrofitting method to generate a continuous glucose concentration profile | |
| JP4919236B2 (ja) | 泳動波形を用いた検査値予測装置、予測方法および予測プログラム | |
| CN104870982B (zh) | 用于评估医学测量曲线的方法 | |
| Demitri et al. | Measuring blood glucose concentrations in photometric glucometers requiring very small sample volumes | |
| Klyuchko | On the mathematical methods in biology and medicine | |
| CN110403611B (zh) | 血液中糖化血红蛋白成分值预测方法、装置、计算机设备和存储介质 | |
| JP6164678B2 (ja) | ネットワークエントロピーに基づく生体の状態遷移の予兆の検出を支援する検出装置、検出方法及び検出プログラム | |
| Antoniewicz et al. | Evaluation of regression models in metabolic physiology: predicting fluxes from isotopic data without knowledge of the pathway | |
| Zhou et al. | Six cornerstones for translational brain charts | |
| Sotirakis et al. | Identification of motor progression in Parkinson’s disease using wearable sensors and machine learning | |
| Matabuena et al. | Hypothesis testing for matched pairs with missing data by maximum mean discrepancy: An application to continuous glucose monitoring | |
| WO2014050160A1 (ja) | 動的ネットワークバイオマーカーの検出装置、検出方法及び検出プログラム | |
| Wang et al. | SVM classification method of waxy corn seeds with different vitality levels based on hyperspectral imaging | |
| Chakravadhanula | A smartphone-based test and predictive models for rapid, non-invasive, and point-of-care monitoring of ocular and cardiovascular complications related to diabetes | |
| RU2808555C2 (ru) | Способ и система для определения концентрации аналита в образце физиологической жидкости и способ и система для создания реализуемого программным обеспечением модуля | |
| US20230368921A1 (en) | Systems and methods for exposomic clinical applications | |
| KR20220097905A (ko) | 체액 내 분석물의 분석적 결정을 위한 조정 방법 | |
| Chapman et al. | Artificial intelligence applied to healthcare and biotechnology | |
| Bani Amer | An adaptive neurofuzzy technique for determination of blood acidity | |
| Eissa et al. | CODI: Enhancing machine learning-based molecular profiling through contextual out-of-distribution integration | |
| Valenzano et al. | Predicting Glycated Hemoglobin Through Continuous Glucose Monitoring in Real-Life Conditions: Improved Estimation Methods |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |