KR20210121119A - 중이염 진단을 위한 기계 학습 - Google Patents

중이염 진단을 위한 기계 학습 Download PDF

Info

Publication number
KR20210121119A
KR20210121119A KR1020217026907A KR20217026907A KR20210121119A KR 20210121119 A KR20210121119 A KR 20210121119A KR 1020217026907 A KR1020217026907 A KR 1020217026907A KR 20217026907 A KR20217026907 A KR 20217026907A KR 20210121119 A KR20210121119 A KR 20210121119A
Authority
KR
South Korea
Prior art keywords
eardrum
classification
membrane
data sets
mobility
Prior art date
Application number
KR1020217026907A
Other languages
English (en)
Other versions
KR102650078B1 (ko
Inventor
찰리 코레도르
마크 에이 모에링
케이틀린 카메론
조지 게이츠
Original Assignee
오토넥서스 메디컬 테크놀러지 인코퍼레이티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 오토넥서스 메디컬 테크놀러지 인코퍼레이티드 filed Critical 오토넥서스 메디컬 테크놀러지 인코퍼레이티드
Priority to KR1020247009024A priority Critical patent/KR20240043807A/ko
Publication of KR20210121119A publication Critical patent/KR20210121119A/ko
Application granted granted Critical
Publication of KR102650078B1 publication Critical patent/KR102650078B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/00002—Operational features of endoscopes
    • A61B1/00004—Operational features of endoscopes characterised by electronic signal processing
    • A61B1/00009—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope
    • A61B1/000096—Operational features of endoscopes characterised by electronic signal processing of image signals during a use of endoscope using artificial intelligence
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/06—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor with illuminating arrangements
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B1/00—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor
    • A61B1/227—Instruments for performing medical examinations of the interior of cavities or tubes of the body by visual or photographical inspection, e.g. endoscopes; Illuminating arrangements therefor for ears, i.e. otoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0048—Detecting, measuring or recording by applying mechanical forces or stimuli
    • A61B5/0053—Detecting, measuring or recording by applying mechanical forces or stimuli by applying pressure, e.g. compression, indentation, palpation, grasping, gauging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0062—Arrangements for scanning
    • A61B5/0066—Optical coherence imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/12—Audiometering
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0858—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving measuring tissue layers, e.g. skin, interfaces
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/12—Diagnosis using ultrasonic, sonic or infrasonic waves in body cavities or body tracts, e.g. by using catheters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
    • A61B8/4416—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device related to combined acquisition of different diagnostic modalities, e.g. combination of ultrasound and X-ray acquisitions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/485—Diagnostic techniques involving measuring strain or elastic properties
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/486—Diagnostic techniques involving arbitrary m-mode
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/488—Diagnostic techniques involving Doppler signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Optics & Photonics (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Psychiatry (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)

Abstract

분류기를 사용하여 고막을 분류하기 위한 시스템 및 방법이 본 명세서에 개시되어 있다. 분류기는 기계 학습 알고리즘이다. 고막을 분류하는 방법은: 질의 시스템으로부터 고막에 관련한 하나 이상의 데이터 세트를 수신하는 단계; 상기 하나 이상의 데이터 세트로부터 파라미터 세트를 결정하는 단계로서, 상기 파라미터 세트의 적어도 하나의 파라미터는 고막의 동적 특성 또는 정적 위치에 관련하는, 상기 파라미터 세트를 결정하는 단계; 및 상기 파라미터 세트로부터 유도된 분류기 모델에 기초하여 고막의 분류를 출력하는 단계를 포함한다. 상기 분류는 고막의 상태, 병태 또는 이동성 계량 중 하나 이상을 포함한다.

Description

중이염 진단을 위한 기계 학습
본 출원은 2019년 1월 25일자로 출원한 미국 가출원 제 62/796,762 호의 이익을 주장하며, 이 출원은 본 명세서에서 참조로 통합된다.
본 발명은 진단용과 같이 조직 및 관련 물질을 특성화하기 위한 시스템 및 방법에 관한 것이다. 특히, 본 발명은 중이염(즉, 귀 감염)을 진단 및 특성화하기 위한 고막의 이동성 또는 위치와 같은 조직 이동성 또는 위치를 측정하는 것에 관한 것이다. 본 발명의 구현예는, 예컨대, 고막 이동 또는 위치를 예측하기 위하여 고막의 광학 및/또는 음향 및/또는 압력 데이터 세트로 구성된 트레이닝 데이터(training data) 세트를 사용하는 기계 학습을 포함한다. 예측 모델은 트레이닝 세트로 생성될 수 있으며, 환자 고막의 이동성 또는 위치를 특성화하여 임의의 중이염을 진단하고 특성화하는데 사용할 수 있다.
중이염(OM)은 일반적으로 "귀 감염"으로 알려진, 내이(inner ear)의 염증성 질환 군이며, 가장 널리 유행하는 아동 건강 문제를 야기한다. OM은 중이(middle ear)에 액체 삼출액이 존재하는 것으로 정의되며, 급성 중이염(AOM), 삼출성 중이염(OME), 만성 중이염(COM) 및 만성 화농성 중이염(CSOM)의 두 가지 주요 유형으로 구성된다. 일반적으로 귀 통증과 함께 나타나는 감염의 빠른 발병은 AOM 중이 삼출액(MEE)의 특징인 반면에, OME는 MEE 유체가 비감염성이기 때문에 전형적으로 증상과 연관되어 있지 않다.
OM의 진단은 가장 보편적으로 고막(TM), 즉, "귀청(ear drum)"을 시각적으로 평가하기 위하여 검이경 검사에 의존하고 있다. 검이경은 TM을 조명하고 확대하여 의사가 착색, 투명도 및 돌출과 같은 OM 감염과 관련된 시각적 지표를 정성적으로 해석할 수 있도록 한다. 그러나, 검이경에 의한 OME 진단의 정확도는 의사의 장비 및 숙련도에 따라 다르다. OM에 친숙한 소아과 의사와 이비인후과 의사는 검이경을 사용하여 50-70% 범위의 진단 정확도를 추정하고 있다. 검이경을 통해 OM을 적절하게 진단하는 것이 어렵다는 점을 감안할 때, 일차 소아과 의사의 40%만이 검이경 검사 소견에 대해 확신하고 있으며, AOM은 빈번히 오진되고 있다.
따라서, 고막을 분류하고/하거나 중이염을 진단하기 위한 개선된 시스템, 장치 및 방법이 요망되고 있다.
본원 발명과 관련될 수 있는 참고 문헌들로는 미국 특허 US5235510, US5331550, US6090044, US7058441, US7283653, US7771356, US8115934, US8798345, US8996098, US9053536, US9445713, US9536054, US9589374, US9636007, US9684960, US9750450, US9867528, US9922242, 및 US10013757; U.S. 공보 US2003026470, US2004068167, US2006235725, US2006282009, US2007112273, US2009112100, US2012185275, US2013303941, US2014036054, US2017071509, US2017126943, US2017132367, US2018025210, US2018211380, US2018242860, 및 US2018260616; 및 국제 공보 WO2000/010451, WO2001/026026, WO2009/157825, WO2018/045269, WO2018/106005, WO2018/140014, 및 WO2018/198253를 들 수 있다.
다음과 같은 비-특허 간행물들도 본원 발명과 관련될 수 있다:
Vertan, C. et al, "Eardrum color content analysis in video-otoscopy images for the diagnosis support of pediatric," Int. Symp. on Signals, Circuits and Systems, Bucharest, Romania, July 2011; Shaikh, N. et al., "Development of an algorithm for the diagnosis of otitis media," Academic Pediatrics, Volume 12, Number 3 (May-June 2012); Kuruvilla, A. et al., "Automated diagnosis of otitis media: vocabulary and grammar," International Journal of Biomedical Imaging: NA. Hindawl Limited. (2013); Rappaport, K. et al., "Comparative Assessment of a Smartphone Otoscope for the Diagnosis and Management of Acute Otitis Media," Provisional Section on Advances in Therapeutics and Technology Poster Presentation (October 28, 2013); Shie, C.K. et al., "A hybrid feature-based segmentation and classification system for the computer aided self-diagnosis of otitis media," Conf Proc IEEE Eng Med Biol Soc., 2014; 2014:4655-8; Somrak, M. et al., "Tricorder: consumer medical device for discovering common medical conditions," Informatica 38.1: 81(8). Slovenian Society Informatika. (Mar. 2014); Myburgh, H. et al., "Towards low cost automated smartphone- and cloud-based otitis media diagnosis," Biomedical Signal Processing and Control 39 (2018) 34-52; Umea University. "Diagnosing ear infection using smartphone." ScienceDaily. ScienceDaily, 30 March 2016. <www.sciencedaily.com/releases/2016/03/160330102850.htm>; Senaras, C. et al, "Detection of eardrum abnormalities using ensemble deep learning approaches," Proc. SPIE 10575, Medical Imaging 2018: Computer-Aided Diagnosis, 105751A (27 February 2018); Kasher, M.S., "Otitis Media Analysis: An Automated Feature Extraction and Image Classification System," Helsink Metropolia University of Applied Sciences, Bachelor of Engineering, Degree Programme in Electronics, Bachelor's Thesis (25.04.2018); 및 Tran, T. et al., "Development of an Automatic Diagnostic Algorithm for Pediatric Otitis Media," Otology & neurotology : official publication of the American Otological Society, American Neurotology Society [and] European Academy of Otology and Neurotology 39.8: 1060-1065. (Sep 2018).
본 발명은 중이염(즉, 귀 감염)을 진단 및 특성화하기 위한 고막의 이동성 및 위치를 측정하기 위한 시스템 및 방법에 관한 것이다. 기계 학습은 고막 이동성 및/또는 위치에 대한 예측 모델을 생성하기 위하여 고막의 광학 및/또는 초음파 및/또는 압력 데이터 세트로 구성된 트레이닝 데이터 세트와 함께 사용될 수 있다.
본 발명의 양태는 고막을 분류하는 방법을 제공한다. 이 방법은 질의 시스템으로부터 고막에 관련한 하나 이상의 데이터 세트를 수신하는 단계; 상기 하나 이상의 데이터 세트로부터 파라미터 세트를 결정하는 단계로서, 상기 파라미터 세트 중 적어도 하나의 파라미터는 고막의 동적 특성 또는 정적 위치에 관련하는, 상기 파라미터 세트를 결정하는 단계; 및 상기 파라미터 세트로부터 유도된 분류기 모델에 기초하여 고막의 분류를 출력하는 단계로서, 상기 분류는 고막의 상태(state), 병태(condition) 또는 이동성 계량(mobility metric) 중 하나 이상을 포함하는, 상기 고막의 분류를 출력하는 단계를 포함할 수 있다.
일부 구현예에서, 질의 시스템은 이미징 시스템(imaging system)을 포함하며, 상기 하나 이상의 데이터 세트는 고막의 하나 이상의 이미지를 포함한다. 일부 구현예에서, 분류기 모델은 기계 학습 알고리즘을 포함한다. 일부 구현예에서, 기계 학습 알고리즘은 선형 회귀, 로지스틱(logistic) 회귀, 분류 및 회귀 트리 알고리즘, 서포트 벡터 머신(SVM), 나이브 베이즈(naive Bays), K-최근접 이웃(K-nearest neighbor), 랜덤 포레스트 알고리즘, XGBoost 및 LightGBM과 같은 부스티드 알고리즘(boosted algorithm), 신경망, 합성곱 신경망, 및 순환(recurrent) 신경망을 포함한다. 일부 구현예에서, 기계 학습 알고리즘은 지도 학습 알고리즘, 비-지도 학습 알고리즘, 또는 반-지도(semi-supervised) 학습 알고리즘이다.
일부 구현예에서, 고막의 하나 이상의 이미지는 하나 이상의 초음파 이미지를 포함한다. 일부 구현예에서, 하나 이상의 초음파 이미지는 공압식 초음파 고실경(pneumatic ultrasonic tympanoscope)으로부터의 이미지를 포함한다. 일부 구현예에서, 하나 이상의 초음파 이미지는 공압 여기(pneumatic excitation)에 응답하여 측정된다. 일부 구현예에서, 고막의 하나 이상의 이미지는 하나 이상의 광간섭 단층촬영 이미지를 포함한다. 일부 구현예에서, 이미지는 광학 이미지를 포함한다.
일부 구현예에서, 막(membrane)의 동적 특성 또는 정적 위치와 관련된 적어도 하나의 파라미터는 공압 여기에 대한 응답이다. 일부 구현예에서, 공압 여기는 가스의 방출(puff)을 포함한다. 일부 구현예에서, 공압 여기는 10Hz보다 큰 주파수를 갖는다. 일부 구현예에서, 고막의 동적 특성은 다음 중 하나 이상을 포함한다: 막 움직임 또는 막 이동의 표시; 고막의 최소 또는 최대 변위; 이상치 변위; 최소 변위와 최대 변위 사이의 차이 또는 비율; 공압 여기의 압력에 대한, 변위의 기울기 또는 최소 변위와 최대 변위 사이의 차이 또는 비율의 기울기; 측정된 압력 대 인가된 압력의 응답; 공압 여기에 응답한 고막의 시각적 움직임; 특이값 분해, 주성분 분석 및 K-평균 클러스터링으로부터 생성된 하나 이상의 통계적 성분; 및 초음파 펄스 에코 진폭 또는 초음파 에코 위상 또는 이들의 도함수 또는 이들의 움직임 평균을 포함한다. 일부 구현예에서, 고막의 동적 특성은 공압 여기의 압력에 대해 정규화된다.
일부 구현예에서, 방법은 고막 이동의 순서 판독, 범주 판독, 또는 연속 수치 출력 중 하나 이상을 생성하는 단계를 추가로 포함한다. 일부 구현예에서, 순서 판독은 막 이동성의 정도에 관한 수치 척도를 포함한다. 일부 구현예에서, 수치 척도는 0 내지 4+ 분류를 포함한다. 일부 구현예에서, 범주 판독은 높은 이동성, 중간 이동성, 반(semi) 이동성 또는 비-이동성 중 적어도 하나로서 막 이동성 정도의 표시를 포함한다. 일부 구현예에서, 범주 판독은 이진 분류를 포함한다. 일부 구현예에서, 연속 수치 출력은 측정 막 변위, 막 움직임 속도, 또는 막 회복 속도 중 하나 이상을 포함한다.
일부 구현예에서, 고막의 상태 또는 병태는 급성 중이염, 급성 삼출성 중이염, 중이 삼출액, 만성 중이염, 만성 화농성 중이염, 세균 감염, 바이러스 감염, 무삼출액 및 미지의 분류 중 하나 이상을 포함한다.
일부 구현예에서, 하나 이상의 데이터 세트는 m-모드 초음파 데이터 세트를 포함한다. 일부 구현예에서, 하나 이상의 데이터 세트는 적외선 이미지를 포함한다. 일부 구현예에서, 하나 이상의 데이터 세트는 공압 데이터 세트를 포함한다. 일부 구현예에서, 하나 이상의 데이터 세트는 공압 여기에 응답하여 촬영된 하나 이상의 광학 이미지를 포함한다. 일부 구현예에서, 정적 위치는 팽창된 막 또는 수축된 막을 포함한다.
다른 양태에서, 본 발명은 고막을 분류하기 위한 시스템을 제공한다. 상기 시스템은: 메모리를 포함하는 컴퓨팅 시스템으로서, 상기 메모리는 상기 고막을 분류하기 위한 명령을 포함하는, 상기 컴퓨팅 시스템을 포함하고, 상기 컴퓨팅 시스템은: 질의 시스템으로부터 고막에 관련한 하나 이상의 데이터 세트를 수신하고; 상기 하나 이상의 데이터 세트로부터 파라미터 세트를 결정하는 것으로서, 상기 파라미터 세트의 적어도 하나의 파라미터는 고막의 동적 특성 또는 정적 위치에 관련하는, 상기 파라미터 세트를 결정하고; 상기 파라미터 세트로부터 유도된 분류기 모델에 기초하여 고막의 분류를 출력하는 것으로서, 상기 분류는 고막의 상태, 병태 또는 이동성 계량을 포함하는, 상기 고막의 분류를 출력하도록 하는 명령을 적어도 실행한다.
일부 구현예에서, 질의 시스템은 이미징 시스템을 포함하고, 여기서 하나 이상의 데이터 세트는 고막의 하나 이상의 이미지를 포함한다. 일부 구현예에서, 시스템은 본 명세서에 개시된 임의의 양태 또는 구현예의 방법을 포함한다.
일부 구현예에서, 분류기 모델은 기계 학습 알고리즘을 포함한다. 일부 구현예에서, 기계 학습 알고리즘은 선형 회귀, 로지스틱 회귀, 분류 및 회귀 트리 알고리즘, 서포트 벡터 머신(SVM), 나이브 베이즈, K-최근접 이웃, 랜덤 포레스트 알고리즘, XGBoost 및 LightGBM, 신경망, 합성곱 신경망, 순환 신경망일 수 있다. 일부 구현예에서, 기계 학습 알고리즘은 지도 학습 알고리즘, 비-지도 학습 알고리즘, 또는 반-지도 학습 알고리즘이다.
일부 구현예에서, 고막의 하나 이상의 이미지는 하나 이상의 초음파 이미지를 포함한다. 일부 구현예에서, 하나 이상의 초음파 이미지는 공압식 초음파 고실경의 이미지를 포함한다. 일부 구현예에서, 하나 이상의 초음파 이미지는 공압 여기에 응답하여 측정된다. 일부 구현예에서, 고막의 하나 이상의 이미지는 하나 이상의 광간섭 단층촬영 이미지를 포함한다. 일부 구현예에서, 이미지는 광학 이미지를 포함한다.
일부 구현예에서, 막의 동적 특성 또는 정적 위치에 관련한 적어도 하나의 파라미터는 공압 여기에 대한 응답이다. 일부 구현예에서, 공압 여기는 가스의 방출(puff)를 포함한다. 일부 구현예에서, 공압 여기는 10Hz보다 큰 주파수를 포함한다. 일부 구현예에서, 고막의 동적 특성은 다음 중 하나 이상을 포함한다: 막 이동 또는 막 이동의 표시; 고막의 최소 또는 최대 변위; 이상치 변위; 최소 변위와 최대 변위 사이의 차이 또는 비율; 공압 가진의 압력에 대한 변위의 기울기 또는 차이 또는 최소 변위와 최대 변위 사이의 비율의 기울기; 측정된 압력 대 적용된 압력의 응답; 공압 여기에 응답한 고막의 시각적 움직임; 특이값 분해, 주성분 분석 및 K-평균 클러스터링으로부터 생성된 하나 이상의 통계적 성분; 및 초음파 펄스 에코 진폭 또는 초음파 에코 위상 또는 이들의 도함수 또는 이들의 이동 평균을 포함한다. 일부 구현예에서, 고막의 동적 특성은 공압 여기의 압력에 대해 정규화된다.
일부 구현예에서, 컴퓨팅 시스템은 고막 이동성의 순서 판독, 범주 판독, 또는 연속 수치 출력 중 하나 이상을 생성하기 위한 명령을 실행하도록 추가로 구성된다. 일부 구현예에서, 순서 판독은 막 이동성의 정도에 관한 수치 척도를 포함한다. 일부 구현예에서, 수치 척도는 0 내지 4+ 분류를 포함한다. 일부 구현예에서, 범주 판독은 높은 이동성, 중간 이동성, 반 이동성 또는 비-이동성 중 적어도 하나로서 막 이동성 정도의 표시를 포함한다. 일부 구현예에서, 범주 판독은 이진 분류를 포함한다. 일부 구현예에서, 연속 수치 출력은 측정 막 변위, 막 이동 속도, 또는 막 회복 속도 중 하나 이상을 포함한다.
일부 구현예에서, 고막의 상태 또는 병태는 급성 중이염, 급성 삼출성 중이염, 중이 삼출액, 만성 중이염, 만성 화농성 중이염, 세균 감염, 바이러스 감염, 무삼출액 및 미지의 분류 중 하나 이상을 포함한다.
일부 구현예에서, 하나 이상의 데이터 세트는 m-모드 초음파 데이터 세트를 포함한다. 일부 구현예에서, 하나 이상의 데이터 세트는 적외선 이미지를 포함한다. 일부 구현예에서, 하나 이상의 데이터 세트는 공압 데이터 세트를 포함한다. 일부 구현예에서, 하나 이상의 데이터 세트는 공압 여기에 응답하여 촬영된 하나 이상의 광학 이미지를 포함한다. 일부 구현예에서, 정적 위치는 팽창된 막 또는 수축된 막을 포함한다.
다른 양태에서, 본 발명은 컴퓨팅 시스템에 의한 실행 시 막을 분류하기 위한 방법을 구현하는 기계 실행 가능 코드를 포함하는 비일시적 컴퓨터 판독가능 매체를 제공하며, 상기 방법은 질문 시스템으로부터, 하나 또는 고막과 관련된 더 많은 데이터 세트; 하나 이상의 데이터 세트로부터 파라미터 세트를 결정하는 단계로서, 파라미터 세트의 적어도 하나의 파라미터는 고막의 동적 특성 또는 정적 위치와 관련됨; 및 파라미터 세트로부터 유도된 분류기 모델에 기초하여 고막의 분류를 출력하는 단계를 포함하며, 분류는 고막의 상태, 병태 또는 이동성 계량을 포함한다.
일부 구현예에서, 질의 시스템은 이미징 시스템을 포함하고, 하나 이상의 데이터 세트는 고막의 하나 이상의 이미지를 포함한다. 일부 구현예에서, 방법은 본원에 개시된 임의의 양태 또는 구현예의 방법을 추가로 포함한다.
다른 양태에서, 컴퓨터 구현 분류기를 트레이닝(training)하는 방법이 제공된다. 상기 방법은: 하나 이상의 고막에 관련한 하나 이상의 데이터 세트 및 하나 이상의 고막에 관련한 하나 이상의 분류된 데이터 세트에 기초하여 파라미터 세트를 수신하는 단계로서, 분류는 고막의 상태, 병태 또는 이동성 계량을 포함하고 파라미터 세트는 상기 하나 이상의 고막의 동적 특성 또는 정적 위치에 관련된 적어도 하나의 파라미터를 포함하는, 상기 파라미터 세트를 수신하는 단계; 상기 파라미터 세트 및 상기 하나 이상의 분류된 데이터 세트를 데이터베이스에 저장하는 단계; 상기 파라미터 세트 및 상기 하나 이상의 분류된 데이터 세트에 기초하여 분류기 모델을 구축하는 단계로서, 상기 분류기 모델은 상기 파라미터 세트로부터 유도되고 상기 분류기 모델은 상기 하나 이상의 분류된 데이터 세트 중 하나의 데이터 세트에 기초하여 분류를 출력하는, 상기 분류기 모델을 구축하는 단계; 및 분류되지 않은 데이터 세트의 분류를 제공하기 위해 상기 분류기 모델을 사용하는 단계를 포함한다.
일부 구현예에서, 방법은 제2의 하나 이상의 분류된 데이터 세트에 기초하여 데이터베이스를 갱신하는 단계; 및 상기 제2의 하나 이상의 분류된 데이터 세트에 기초하여 분류기 모델을 갱신하는 단계를 포함한다. 일부 구현예에서, 방법은 임의의 양태 또는 구현예의 고막을 분류하기 위한 방법에 의해 분류되지 않은 데이터 세트의 분류를 제공하기 위하여 분류기 모델을 사용하는 것을 추가로 포함한다.
다른 양태에서, 컴퓨터로 구현된 분류기를 트레이닝하는 시스템이 제공된다. 상기 시스템은: 메모리를 포함하는 컴퓨팅 시스템으로서, 상기 메모리는 데이터 세트를 트레이닝하기 위한 명령을 포함하는, 상기 컴퓨팅 시스템을 포함하고, 상기 컴퓨팅 시스템은: 하나 이상의 고막에 관련한 하나 이상의 데이터 세트 및 하나 이상의 고막에 관련한 하나 이상의 분류된 데이터 세트에 기초하여 파라미터 세트를 수신하는 것으로서, 분류는 고막의 상태, 병태 또는 이동성 계량을 포함하고 파라미터 세트는 상기 하나 이상의 고막의 동적 특성 또는 정적 위치에 관련된 적어도 하나의 파라미터를 포함하는, 상기 파라미터 세트를 수신하고; 상기 파라미터 세트 및 상기 하나 이상의 분류된 데이터 세트를 데이터베이스에 저장하고; 상기 파라미터 세트 및 상기 하나 이상의 분류된 데이터 세트에 기초하여 분류기 모델을 구축하는 것으로서, 상기 분류기 모델은 상기 파라미터 세트로부터 유도되고 상기 분류기 모델은 상기 하나 이상의 분류된 데이터 세트 중 하나의 데이터 세트에 기초하여 분류를 출력하는, 상기 분류기 모델을 구축하고; 분류되지 않은 데이터 세트의 분류를 제공하기 위해 상기 분류기 모델을 사용하도록 하는 명령을 적어도 실행한다.
일부 구현예에서, 시스템은 적어도: 제2의 하나 이상의 분류된 데이터 세트에 기초하여 데이터베이스를 갱신하고; 상기 제2의 하나 이상의 분류된 데이터 세트에 기초하여 분류기 모델을 갱신하도록 구성된다. 일부 구현예에서, 시스템은 임의의 양태 또는 구현예의 고막을 분류하기 위한 시스템을 추가로 포함한다.
다른 양태에서, 본 발명은 컴퓨팅 시스템에 의한 실행 시 컴퓨터로 구현된 분류기를 트레이닝하는 방법을 구현하는 기계 실행 가능 코드를 포함하는 비-일시적 컴퓨터 판독가능 저장 매체를 제공한다. 상기 방법은: 하나 이상의 고막에 관련한 하나 이상의 데이터 세트 및 하나 이상의 고막에 관련한 하나 이상의 분류된 데이터 세트에 기초하여 파라미터 세트를 수신하는 단계로서, 분류는 고막의 상태, 병태 또는 이동성 계량을 포함하고 파라미터 세트는 상기 하나 이상의 고막의 동적 특성 또는 정적 위치에 관련된 적어도 하나의 파라미터를 포함하는, 상기 파라미터 세트를 수신하는 단계; 상기 파라미터 세트 및 상기 하나 이상의 분류된 데이터 세트를 데이터베이스에 저장하는 단계; 상기 파라미터 세트 및 상기 하나 이상의 분류된 데이터 세트에 기초하여 분류기 모델을 구축하는 단계로서, 상기 분류기 모델은 상기 파라미터 세트로부터 유도되고 상기 분류기 모델은 분류를 출력하는, 상기 분류기 모델을 구축하는 단계; 및 분류되지 않은 데이터 세트의 분류를 제공하기 위해 상기 분류기 모델을 사용하는 단계를 포함한다.
일부 구현예에서, 방법은 제2의 하나 이상의 분류된 데이터 세트에 기초하여 데이터베이스를 갱신하는 단계; 및 상기 제2의 하나 이상의 분류된 데이터 세트에 기초하여 분류기 모델을 갱신하는 단계를 추가로 포함한다. 일부 구현예에서, 방법은 임의의 양태 또는 구현예의 고막을 분류하기 위한 방법에 의해 분류되지 않은 데이터 세트의 분류를 제공하기 위하여 분류기 모델을 사용하는 단계를 추가로 포함한다.
[참조에 의한 통합]
본 명세서에 언급된 모든 간행물, 특허 및 특허출원은 각각의 개별 간행물, 특허 또는 특허출원은 구체적이고 개별적으로 참조로 통합되도록 표시된 것과 같이 동일한 정도로 참조로 여기에 통합된다. 참조로 통합된 간행물 및 특허 또는 특허 출원이 본 명세서에 포함된 개시 내용과 모순될 경우, 본 명세서는 그러한 임의의 모순되는 자료를 대체하고/하거나 그 자료에 우선한다.
본 발명의 신규한 특징은 첨부된 청구범위에서 구체적으로 설명된다. 본 발명의 특징 및 이점에 대한 더 나은 이해는 본 발명의 원리가 활용되는 예시적인 구현예를 설명하는 다음의 상세한 설명, 및 첨부 도면(또한 본 명세서에서 "도면" 및 "도")을 참조하여 얻어질 수 있다:
도 1은 일부 구현예에 따른, 고막을 특성화하는 예시적인 방법의 흐름도이다.
도 2는 일부 구현예에 따른, 고막을 분류하기 위한 예시적인 시스템(200)을 도시하는 개략도이다.
도 3은 본 명세서에 개시된 바와 같은 질의 시스템의 일예를 도시하는 개략도이다.
도 4는 본 발명의 질의 장치에 의해 제공되는 예시적인 데이터 세트를 예시한다.
도 5a 및 도 5b는 일부 구현예에 따른, 분류를 출력하기 위하여 분류기 모델에 대한 입력을 포함할 수 있는 압력, 초음파 및 광학 측정으로부터 유도된 파라미터 세트의 개략도이다.
도 6은 일부 구현예에 따른, 기계 학습 알고리즘을 포함하는 분류기 모델의 일예(600)를 도시하는 개략도이다.
도 7a, 도 7b 및 도 7c는 일부 구현예에 따른, 기계 학습 알고리즘에 의해 생성될 수 있는 예시적인 결정 트리를 도시하는 개략도이다.
도 8은 일부 구현예에 따른, 컴퓨터 구현 분류기를 트레이닝하는 예시적인 방법의 흐름도이다.
도 9는 컴퓨터 구현 분류기를 트레이닝하기 위한 시스템의 일예를 도시하는 개략도이다.
도 10은 일부 구현예에 따른, 디지털 처리 장치 및 사용자가 볼 수 있는 디스플레이를 포함하는 고막을 분류하기 위한 예시적인 시스템을 도시하는 개략도이다.
본 명세서에 개시된 바와 같은 방법, 시스템 및 매체는 조직의 개선된 분류(예컨대, 진단)를 제공함으로써 조직을 분류하는 기존 방법을 개선할 수 있다. 예를 들어, 본 명세서에서 제공된 방법 및 시스템은 기계 학습 방법을 사용하여 고막의 분류를 개선하는 분류기를 구축할 수 있다. 기계 학습 접근 방식은 데이터 세트에 대한 새로운 통찰력을 얻기 위하여 대규모 데이터 세트를 활용할 수 있다. 분류기 모델은 환자의 보다 나은 결과로 이어질 수 있는 고막의 특성화를 개선할 수 있다. 분류기 모델은 의사의 교육 및 공압 이경 검사의 사용 경험으로 인한 변동을 줄이면서 보다 정확한 중이염 관리를 위한 정보(예컨대, 고막 이동성 정보 및/또는 고막의 상태 또는 병태)를 임상의에게 제공할 수 있다. 일부의 경우에, 본 명세서에 제공된 방법 및 시스템은 트레이닝되고 검증된 알고리즘으로부터 질병 상태를 직접 제공할 수 있다.
본 명세서에 개시된 방법, 시스템 및 매체는 고막의 이동성과 관련된 파라미터를 활용하여 조직을 분류하는 기존 방법을 개선할 수 있다. 정상적인 고막은 압력에 응답하여 움직일 수 있으며 이동성의 부족 또는 감소는 중이의 액체, 천공 또는 고막 경화 등의 징후이다. 이동성 측정의 추가는, OM 진단을 위한 가시적인 고막 특성의 예측 값이 다양할 수 있기 때문에 진단 정확도에 중요할 수 있다. 따라서 이동성의 추가 정보는 고막의 모양이 중이 병리의 징후를 나타내지 않는 경우에도 삼출물의 존재의 징후를 제공할 수 있다.
본 명세서에 개시된 바와 같은 방법, 시스템 및 매체는, 예를 들어 공동 소유의 미국 특허 제7,771,356호 및 미국 특허 공개번호들 제2019/0365292호, 제2018/0310917호 및 제2017/0014053호에 기술된 바와 같은 연성 막(ductile membrane), 표면 및 피하 특성을 특성화하는 장치 및 방법과 조합하여 사용될 수 있으며, 이들 각각은 그 전체가 참조로 통합된다. 본 명세서에 개시된 바와 같은 방법, 시스템 및 매체는, 공동 양도된 미국 특허 공보 제2019/0200873호 및 미국 특허 공보 제2017/0360302호에 개시된 바와 같이, 예를 들어 광간섭 단층촬영(OCT)을 사용하는 장치 및 방법과 조합하여 사용될 수 있으며, 이들 각각은 그 전체가 참조로 본 명세서에 통합된다.
본 명세서에 개시된 바와 같은 방법, 시스템 및 매체는, 다양한 진단 정보를 제공하기 위하여 다수의 생물학적 조직을 특성화하는데 사용될 수 있다. 생물학적 조직은 환자의 기관(organ)을 포함할 수 있다. 검경(speculum)은 환자의 조직을 특성화하기 위하여 체강 내에 배치될 수 있다. 환자의 기관 또는 체강은 몇가지 예를 들면, 예컨대 근육, 힘줄, 인대, 입, 혀, 인두, 식도, 위, 창자, 항문, 간, 담낭, 췌장, 코, 후두, 기도, 폐, 신장, 방광, 요도, 자궁, 질, 난소, 고환, 전립선, 심장, 동맥, 정맥, 비장, 선, 뇌, 척수, 신경 등을 포함한다.
본 명세서에 개시된 바와 같은 방법, 시스템 및 매체는, 고막을 분류하는 데 사용될 수 있다. 예를 들어, 막은 급성 중이염(AOM), 만성 중이염, 삼출성 중이염 및/또는 만성 화농성 중이염과 같은 귀의 병태를 결정하기 위하여 분류될 수 있다. 귀가 AOM을 나타내는 분류에는 삼출액의 존재 검출 및 장액성, 점액성, 화농성 또는 이들의 조합 중 하나로 삼출액 유형의 특성화가 포함될 수 있다. AOM에서, 중이 삼출액(MEE)은 감염원에 의해 유발될 수 있으며 바이러스 감염의 경우 가늘거나 장액이 될 수 있으며 세균 감염의 경우 진하고 화농성일 수 있다. 따라서, 고막에 인접한 유체의 다양한 특성을 결정하는 것은 막을 특성화하는데 사용할 수 있는 정보를 제공할 수 있다.
이제 다양한 구현예가 상세하게 참조될 것이며, 그 예는 첨부 도면에 도시되어 있다. 이하의 상세한 설명에서, 본 발명 및 기술된 구현예의 완전한 이해를 제공하기 위하여 다수의 특정 세부사항이 제시된다. 그러나, 본 발명의 구현예는 이러한 특정 세부사항 없이 선택적으로 실시된다. 다른 일예에서, 잘 알려진 방법, 절차, 구성 요소 및 회로는 구현예의 양태를 불필요하게 모호하게 하지 않도록 상세하게 설명되지 않았다. 도면에서 유사한 참조 번호는 유사하거나 유사한 단계 또는 구성 요소를 지정한다.
본 명세서에서 사용된 용어는 단지 특정 구현예를 설명하기 위한 것이며 청구범위를 한정하려는 의도가 아니다. 구현예 및 첨부된 청구범위의 설명에서 사용된 바와 같이, 단수 형태 "하나" 및 "상기"는 문맥이 명백하게 달리 지시하지 않는 한 복수 형태도 포함하도록 의도된다. 또한, 본 명세서에서 사용되는 용어 "및/또는"은 관련되어 나열된 항목 중 하나 이상의 모든 가능한 조합을 지칭하고 포함하는 것으로 이해될 것이다. 본 명세서에서 사용될 때 "포함하다" 및/또는 "포함하는"이라는 용어는 명시된 특징, 정수, 단계, 작업, 요소 및/또는 구성 요소의 존재를 명시하지만 그 존재 또는 하나 이상의 다른 특징, 정수, 단계, 연산, 요소, 구성요소 및/또는 이들의 그룹의 추가를 배제하지 않는다는 것이 추가로 이해될 것이다.
본 명세서에 사용된 바와 같이, "경우"라는 용어는 명시된 전제 조건은 참이라는 것을 문맥에 따라 "일 때" 또는 "일 시" 또는 "결정에 응답하여" 또는 "결정에 따라" 또는 "검출에 응답하여"를 의미하는 것으로 선택적으로 해석된다. 유사하게, "[명시된 전제조건이 참이다]라는 것을 결정하는 경우" 또는 "[명시된 전제조건이 참인] 경우" 또는 "[명시된 전제조건이 참]일 때"라는 문구는 선택적으로 맥락에 따라 "결정할 때" 또는 "결정에 응답하여" 또는 "결정에 따라" 또는 "검출 시" 또는 "검출에 응답하여"를 의미하는 것으로 선택적으로 해석된다.
본 명세서에 사용된 바와 같이, 달리 명시되지 않는 한, 용어 "약" 또는 "대략"은 값이 어떻게 측정되는지 또는 결정되는지에 대해 부분적으로 의존하며 당업자에 의해 결정된 특정 값에 대한 허용가능한 오차를 의미한다. 특정 구현예에서, 용어 "약" 또는 "대략"은 1, 2, 3, 또는 4 표준 편차 이내를 의미한다. 특정 구현예에서, 용어 "약" 또는 "대략"은 주어진 값 또는 범위의 30％, 25％, 20％, 15％, 10％, 9％, 8％, 7％, 6％, 5％, 4％, 3％ ,2％, 1％, 0.5％, 0.1％ 또는 0.05％ 이내를 의미한다.
본 명세서에 사용된 바와 같이, 용어 "포함하다", "포함하는" 또는 이들의 임의의 다른 변형은 요소들의 목록을 포함하는 프로세스, 방법, 물품 또는 장치가 단지 이들 요소만을 포함하지 않고 명시적으로 나열되지 않았거나 그러한 프로세스, 방법, 물품 또는 장치에 고유하지 않은 다른 요소를 포함할 수 있게 하기 위하여 비-배타적 포함까지 커버하도록 의도된다.
본 명세서에 사용된 바와 같이, 용어 "대상자" 및 "환자"는 상호교환적으로 사용된다. 본 명세서에 사용된 바와 같이, 상기 용어 "대상자" 및 "대상자들"은 동물(예를 들어, 조류, 파충류 및 포유동물), 영장류를 포함하는 포유동물(예를 들어, 원숭이, 침팬지 및 인간) 및 비영장류(예를 들어, 낙타, 당나귀, 얼룩말, 소, 돼지, 말, 고양이, 개, 쥐, 생쥐)를 지칭한다. 특정 구현예에서, 포유동물은 0 내지 6개월, 6 내지 12개월, 1 내지 5세, 5 내지 10세, 10 내지 15세, 15 내지 20세, 20 내지 25세, 25세 내지 30세, 30 내지 35세, 35 내지 40세, 40 내지 45세, 45 내지 50세, 50 내지 55세, 55 내지 60세, 60 내지 65세, 65 내지 70세, 70 내지 75세, 75 내지 80세, 80 내지 85세, 85 내지 90세, 90 내지 95세 또는 95 내지 100세이다.
도 1은 일부 구현예에 따른, 고막을 분류하는 예시적인 방법(100)의 흐름도이다. 작업(110)에서, 방법(100)은 질의 시스템으로부터 고막에 관련한 하나 이상의 데이터 세트를 수신하는 단계를 포함할 수 있다. 동작(120)에서, 방법(100)은 하나 이상의 데이터 세트로부터 파라미터의 세트를 결정하는 단계를 포함할 수 있다. 파라미터 세트의 적어도 하나의 파라미터는 고막의 동적 특성과 관련될 수 있다. 동작(130)에서, 방법(100)은 파라미터들의 세트로부터 유도된 분류기 모델에 기초하여 고막의 분류를 출력하는 단계를 포함할 수 있다. 분류는 고막의 상태, 병태 또는 이동성 계량 중 하나 이상을 포함할 수 있다.
위의 작업들이 고막을 분류하는 방법(100)을 보여주지만, 일부 구현예에 따라, 당업자는 본 명세서에 기술된 교시에 기초하여 많은 변형을 인식할 것이다. 상기 단계들은 임의의 순서로 완료될 수 있다. 단계들은 추가되거나 삭제될 수 있다. 일부 단계는 하위 단계를 포함할 수 있다. 많은 단계가 제조 방법에 유익한 만큼 자주 반복될 수 있다.
방법(100)의 하나 이상의 단계는 본 명세서에 기술된 바와 같은 회로, 예를 들어, 필드 프로그램가능 게이트 어레이를 위한 프로그램가능 어레이 로직(logic)과 같은 디지털 처리 장치 또는 프로세서 또는 논리 회로 중 하나 이상으로 실행될 수 있다. 회로는 방법(100)의 하나 이상의 단계를 제공하도록 프로그램될 수 있고, 프로그램은 예를 들어, 컴퓨터 판독가능 메모리에 저장된 프로그램 명령 또는 프로그램 가능 어레이 로직 또는 필드 프로그램 가능 게이트 어레이와 같은 논리 회로의 프로그램된 단계를 포함할 수 있다. 방법(100)의 하나 이상의 단계를 실행하도록 동작가능한 디지털 처리 장치의 구현예, 변형 및 예시들은 예컨대, "디지털 처리 장치" 섹션과 도 10에 관련하여 본 명세서의 다른 곳에서 기술된다.
도 2는 일부 구현예에 따른, 고막을 분류하기 위한 예시적인 시스템(200)을 도시하는 개략도이다. 시스템(200)은 질문 시스템으로부터 수신된 하나 이상의 데이터 세트(210)를 포함할 수 있다. 하나 이상의 데이터 세트(210)는 시스템(200)의 메모리에 저장될 수 있다. 시스템(200)은 하나 이상의 데이터 세트(210)에 기초하여 고막을 분류하고 분류(230)를 출력하도록 동작가능한 분류기 모델(220)을 포함할 수 있다. 분류(230)는 고막의 상태, 병태 또는 이동성 계량 중 하나 이상을 포함할 수 있다. 분류기 모델(예컨대, 분류)의 출력이 생성될 수 있다. 분류는 TM 이동성에 대한 정보를 포함할 수 있으며, 이는 의사가 OM 감염을 진단하거나 환자의 질병 상태를 직접 진단하는 데 도움이 될 수 있다.
예를 들어, 본 명세서에는 고막을 분류하기 위한 시스템이 개시되어 있다. 시스템은: 메모리를 포함하는 컴퓨팅 시스템으로서, 상기 메모리는 상기 고막을 분류하기 위한 명령을 포함하는, 상기 컴퓨팅 시스템을 포함하고, 상기 컴퓨팅 시스템은: 질의 시스템으로부터 고막에 관련한 하나 이상의 데이터 세트를 수신하고; 상기 하나 이상의 데이터 세트로부터 파라미터 세트를 결정하는 것으로서, 상기 파라미터 세트의 적어도 하나의 파라미터는 고막의 동적 특성 또는 정적 위치에 관련하는, 상기 파라미터 세트를 결정하고; 상기 파라미터 세트로부터 유도된 분류기 모델에 기초하여 고막의 분류를 출력하는 것으로서, 상기 분류는 고막의 상태, 병태 또는 이동성 계량을 포함하는, 상기 고막의 분류를 출력하도록 하는 명령을 적어도 실행한다. 고막을 분류하기 위한 시스템의 컴퓨팅 장치의 구현예, 변형, 및 예시들은 예컨대 "디지털 처리 장치" 섹션과 도 10에 관련하여 본 명세서의 다른 곳에서 기술된다.
질의 시스템
도 3은 본 명세서에 개시된 바와 같은 질의 시스템(300)의 일예를 도시하는 개략도이다. 본 명세서에 개시된 바와 같은 질의 시스템(300)은 본 명세서에 개시된 바와 같은 대상자(320)의 생물학적 막(예컨대, 고막)에 관련한 하나 이상의 데이터 세트(210)를 수집할 수 있다. 고막에 관련한 하나 이상의 데이터 세트는 특성화될 생물학적 막(예컨대, 고막)의 물리적 특성에 관한 데이터를 포함할 수 있다. 일부 예에서, 질문 시스템은 이미징 시스템을 포함할 수 있다. 일부 예에서, 질문 시스템은 이미징 시스템을 포함하지 않는다. 질문 시스템은 초음파 데이터, 예를 들어, 반사된 초음파 데이터를 수집할 수 있다. 질문 시스템은 광간섭 단층촬영 데이터를 수집할 수 있다. 질의는 적외선 데이터를 수집할 수 있다. 질의 시스템은 광학 데이터를 수집할 수 있다. 질문 시스템은 공압 여기에 응답하여 데이터를 수집할 수 있다. 질의 시스템은 예를 들어 공압 여기에 응답하여 막 움직임에 관련한 데이터 세트를 수집할 수 있다. 공압 여기는 공기의 방출과 같은 압력 여기를 포함할 수 있다. 질의 시스템은 인가된 압력의 함수로서 외이도의 압력을 측정할 수 있다. 일예에서, 질의 시스템은 공압 여기 후 외이도 내의 압력을 측정할 수 있다.
본 명세서에 개시된 바와 같은 질문 시스템의 임의의 예 또는 예들의 조합은 본 명세서에 개시된 바와 같은 분류기 모델에 포함할 파라미터를 생성하기 위한 데이터 세트를 제공하기 위하여 독립적으로 또는 조합하여 사용될 수 있다. 예를 들어, 본 명세서에 개시된 바와 같은 질문 시스템의 임의의 예 또는 예들의 조합은 분류 출력을 제공하기 위하여 기계 학습 알고리즘에 대한 입력으로서 독립적으로 또는 조합하여 사용될 수 있다.
본 명세서에 개시된 바와 같은 질의 시스템은 본 명세서에 개시된 분류 시스템으로부터 동떨어져 있을 수 있다. 질문 시스템은 하나 이상의 데이터 세트(예컨대, 데이터)를 수집할 수 있으며, 이는 본 명세서에 개시된 바와 같은 분류 시스템으로 전송될 수 있다. 일부 경우에 따라, 원격 서버에서 하나 이상의 데이터 세트를 수신할 수 있다. 그러나 일부 경우에는 질문 시스템이 본 명세서에 개시된 분류 시스템에 국한될 수 있다. 예를 들어, 분류 시스템은 초음파 고실경 내의 로직과 같이 분류 시스템의 프로세서에 있는 온보드 로직의 일부일 수 있다.
일부 경우에, 질문 시스템은 이미징 시스템을 포함하지 않는다. 예를 들어, 질문 시스템은 초음파 시스템을 포함할 수 있다. 초음파 시스템은 초음파 데이터 세트, 예를 들어 도플러 초음파 데이터를 수집할 수 있다. 일부 경우에, 질문 시스템은 주파수 의존 데이터, 예를 들어 주파수 의존 광간섭 단층촬영 데이터, 흡수 스펙트럼, 깊이 의존 초음파 단층 촬영 데이터 등을 수집한다. 초음파 데이터는 공압 초음파 고실경으로부터의 데이터를 포함할 수 있다.
질문 시스템은 초음파 데이터를 포함할 수 있다. 초음파 데이터는 진폭 모드(a-mode) 초음파 데이터를 포함할 수 있다. 초음파 데이터는 2차원(b-mode) 초음파 데이터를 포함할 수 있다. 초음파 데이터는 m-모드(motion mode) 초음파 데이터를 포함할 수 있다. 초음파 데이터는 도플러 초음파 데이터를 포함할 수 있다. 초음파 데이터는 고정된 게이트 깊이 대 시간에서의 초음파 m-모드 위상을 포함할 수 있다. 초음파 데이터는 고정된 게이트 깊이 대 시간에서의 m-모드 진폭을 포함할 수 있다.
일부 예에서, 질문 시스템은 이미징 시스템을 포함한다. 이미징 시스템은 고막의 하나 이상의 이미지를 포함하는 하나 이상의 데이터 세트를 수집할 수 있다. 일예에서, 이미지는 카메라에서와 같은 광학 이미지를 포함할 수 있다. 일예에서, 이미지는 초음파 이미지를 포함할 수 있다. 이미지는 광간섭 단층촬영 이미지를 포함할 수 있다. 이미징 시스템은 자기 공명 이미징(MRI) 또는 컴퓨터 단층촬영(CT) 또는 양전자 방출 단층촬영(PET)과 같은 임의의 다른 이미징 방식 또는 이미징 방식의 조합을 포함할 수 있다. 임의의 이미지 방식은 선택적으로 공압 여기와 함께 사용될 수 있다. 예를 들어, 공압 여기에 응답하여 이미지가 수집될 수 있다. 공압 여기 전후에 다수의 이미지가 수집될 수 있다. 하나 이상의 이미지는 초음파 이미지를 포함할 수 있다. 하나 이상의 초음파 이미지는 공압식 초음파 고실경의 이미지를 포함한다. 하나 이상의 초음파 이미지는 공압 여기에 응답하여 측정될 수 있다. 일예에서, 질의 시스템은 CCD 카메라를 사용하여 고막의 동적 시각적 움직임을 측정할 수 있다. 공압 여기에 응답한 광학 이미지 데이터 세트는 광학 통합 이미지 강도 대 시간 파형을 포함할 수 있다. 공압 여기에 응답한 광학 이미지 데이터 세트는 광 강도 대 시간 파형의 원뿔을 포함할 수 있다. 공압 여기에 응답한 광학 이미지 데이터 세트는 광 위치 대 시간 파형의 원뿔을 포함할 수 있다. 공압 여기에 응답한 광학 이미지 데이터 세트는 이미지 선명도 지수 대 시간 파형을 포함할 수 있다.
일예에서, 본 명세서에 개시된 바와 같은 질문 시스템은 미국 특허 번호 제7,771,356호 및 미국 특허 공개 번호 제2019/0365292호, 제2018/0310917호 및 제2017/0014053호에 개시된 방법 및 시스템의 구현예, 변형 또는 예시를 포함할 수 있으며, 이들은 각각 그 전체가 참조로 본 명세서에 통합된다. 통합된 참조문헌에 개시된 초음파 에코 신호를 사용하여 고막의 움직임에 관한 정보를 획득하기 위한 방법 및 시스템은 고막의 동적 특성과 관련된 하나 이상의 파라미터를 생성하는 데 사용될 수 있다. 초음파 에코 신호를 측정하는 시스템은 체계적인 압력 펄스를 인가한 다음 초음파에서 도플러 편이 신호를 추출하여 TM의 변위를 분석하고/하거나 귀의 삼출액의 점도를 범주화함으로써 고막의 움직임을 유도할 수 있다.
일예에서, 본 명세서에 개시된 바와 같은 질문 시스템은 각각 공통으로 양도된 미국 특허 공개 번호 제2019/0200873호 및 미국 특허 공개 번호 제2017/0360302호에 개시된 방법 및 시스템의 구현예, 변형 또는 예시를 포함할 수 있으며, 이들은 각각 그 전체가 참조로 본 명세서에 통합된다. 미국 특허 공개 번호 제2019/0200873호 및 미국 특허 공개 번호 제2017/0360302호에 개시된 바와 같이 광간섭 단층촬영(OCT)을 사용하여 막을 특성화하기 위한 방법 및 시스템은 고막의 동적 특성에 관련된 하나 이상의 파라미터를 생성하는 데 사용될 수 있다. 예를 들어, 고막의 동적 특성은 인가된 공압 여기에 응답하여 반사된 광학 신호의 위상 지연 또는 시간 지연을 포함할 수 있다. OCT는 고막에 관련된 깊이 종속 데이터를 수집하는 데 사용될 수 있다. OCT는 막 또는 막에 인접한 유체의 흡수 파장과 같은 주파수 종속 데이터를 수집하는 데 사용될 수 있다.
질문 시스템은 공압 여기에 응답하여 데이터를 수집할 수 있다. 질문 시스템은 예를 들어 공압 여기에 응답하여 막 움직임에 관련한 데이터를 수집할 수 있다. 공압 여기는 공기의 방출과 같은 압력 여기를 포함할 수 있다. 공압 여기는 초음파 여기에 대한 막의 응답을 변경할 수 있다. 예를 들어, 공압 여기는 공압 여기에 노출되지 않은 막에 비해 반사된 초음파의 위상을 변경할 수 있는 막이 편향되도록 할 수 있다. 막의 편향은 감쇠된 조화 운동을 포함할 수 있다. 이 운동은 막의 탄성 변화에 의해 영향을 받을 수 있다. 예를 들어, 물, 세균 성장 또는 기타 이물질이 막에 인접해 있는 경우 막의 탄성의 변화가 발생할 수 있다.
일부 예에서, 공압 여기는 시간 간격 동안 표면 또는 막의 움직임을 생성할 수 있다. 이 간격은 초음파 송신기에 의해 표면이나 막으로 전달되는 음향파(acoustic wave)와 일치할 수 있다. 공압 여기는 연속적일 수도 있고 펄스형일 수도 있다. 표면에서 반사된 초음파는 변환기에서 수신될 수 있다. 변환기는 입사 음향파를 생성한 동일한 변환기일 수 있다. 표면 또는 막의 변위는 송신 신호와 비교할 때 수신 신호의 위상 변화와 관련될 수 있다. 막의 움직임은 수신된 초음파의 위상 변화에 영향을 줄 수 있다. 변위는 시간에 따라 변화할 수 있다. 표면 또는 막에 결합된 공압 여기에 응답하여 반사된 초음파의 위상 이동에 의해 측정된 표면 또는 막의 시간적 변위 분석은 표면 또는 막의 기계적 특성을 결정하는 데 사용될 수 있다.
시간 정보의 분석은 비교를 생성하기 위하여 다른 막 응답의 템플릿으로부터 측정된 시간적 변위와 조합하여 사용될 수 있다. 시간 정보의 분석은 표면 또는 막의 응답을 특성화하는 반사된 초음파 진폭의 지연과 관련된 다른 계량(metric)과 조합하여 사용될 수 있다. 측정된 기계적 특성은 연성, 탄성, 경도 등을 포함할 수 있다. 표면 또는 대안적으로 막 표면 아래의 유체의 기계적 특성의 비접촉 측정이 결정될 수 있다.
일부 구현예에서, 표면의 탄성이 측정될 수 있다. 막으로부터 반사된 초음파의 위상 및/또는 진폭은 탄성 계량을 생성하기 위하여 분석될 수 있다. 탄성 측정은 인가된 여기에 응답하여 일련의 측정을 특성화할 수 있다. 탄성 계량은 표면의 응답에서 유도될 수 있으며 여러 가지 다른 현상 중 하나 이상에 대한 표시를 제공할 수 있다. 예를 들어, 탄성 계량은 막에 인접한 표면에 기체 경계 또는 유체 경계가 있는지 여부를 나타낼 수 있다. 예를 들어, 막은 유체 경계가 있는 경우 덜 움직이고 더 느리게 움직이거나 전혀 움직이지 않을 수 있다. 일예에서, 탄성 계량은 막 유체 경계 뒤의 유체를 특성화하는 경우에 대해 유체의 범위 또는 특성을 나타낼 수 있다. 일부 예에서, 탄성 계량은 응답 히스테리시스(hysteresis)가 있거나 없는 탄성 유체의 특성을 측정하는 데 사용될 수 있다. 히스테리시스 응답이 있는 유체에서 유체는 변위 응답 또는 "메모리"에서 오프셋을 나타내어 일 방향의 응답 거동이 반대 방향의 응답 거동과 유사하지만 특정 변위 거리를 이동한 후에만 나타날 수 있다. 히스테리시스 응답의 경우, 시스템의 히스테리시스와 관련된 특정 측정된 변위 후 응답의 선형 거동을 특성화하는 것이 필요할 수 있다. 유체 탄성 계량은 표면 여기 및 반사된 초음파 특성화에 대한 표면 또는 막의 특성 응답으로부터 결정될 수 있다.
일부 구현예에서, 표면 편향이 추정될 수 있다. 예를 들어, 표면 편향의 추정은 시간에 따른 편향과 관련된 속도, 가속도 또는 기타 계량의 측정된 추정으로부터 유도될 수 있다. 예를 들어, 표면의 변위는 변환기에서 표면까지의 경로를 단축시키고 표면에서 다시 변환기로 반사된 신호는 위상 변이와 함께 반환된다. 따라서 여기에 대한 반사된 초음파의 위상 변이는 편향의 양에 대한 정보를 제공한다. 여기에 의해 인가된 힘의 추정으로 막의 탄성 추정이 추정될 수 있다.
일예에서, 여기는 상승 에지, 하강 에지 또는 임펄스 여기를 갖는 단계 또는 임펄스 응답이다. 임펄스 여기는 막의 진동 편향을 시작한다. 반사된 초음파는 여기 시점부터 막 진동의 감쇠 기간까지 측정될 수 있다. 일부 구현예에서, 위치, 탄성 또는 점도의 추정은 링다운(ringdown) 특성의 검사에 의해 실행될 수 있다. 예를 들어, 링다운 특성은 다음과 같이 응답을 링다운 특성으로 분해하는 것과 같은 지수 감쇠 시간 또는 링 사이클 간격 또는 주파수 중 적어도 하나를 포함할 수 있다:
φ(t) = e-t/τ cos(2πft)
여기서,
φ(t)는 일련의 측정에 대한 캡처된 위상이고,
τ는 지수 감쇠 계수이고,
f는 링 주기 주파수이고,
t는 시간이다.
발진기의 감쇠 상수는 막으로부터 주변 환경으로 손실된 에너지에 관련할 수 있다. 일예에서, 막이 유체에 인접해 있는 경우 유체가 막의 진동을 감쇠할 수 있다. 유체의 점도는 발진기의 감쇠와 관련될 수 있다. 링 주기 주파수는 탄성막의 복원 상수와 관련될 수 있다. 복원 상수는 막의 탄성과 관련될 수 있다. 복원 상수는 막에 인접한 유체의 점도와 관련될 수 있다. 링 사이클 주파수는 막에 인접한 유체의 점도가 낮을수록 더 높을 수 있다.
각각의 여기 이벤트는 막의 새로운 편향을 시작할 수 있다. 예를 들어, 임펄스 여기는 제한된 시간 기간동안 막을 안으로 당기거나 밖으로 밀어낼 수 있다. 예를 들어, 구형파 여기(square wave excitation)는 더 오랜 시간 동안 막을 안으로 당기거나 밖으로 밀어낼 수 있다. 예를 들어, 사인파 또는 다른 더 복잡한 여기가 인가될 수 있고 변환기에서 관찰된 링다운은 여기 필드와 응답 필드의 상호 상관(crooss-correlation)이 있을 수 있다. 공압 여기는 100kHz 미만, 1kHz 미만, 100Hz 미만, 10Hz 미만, 1Hz 미만 또는 더 미만, 또는 이전 값 중 임의의 두 값으로 주어진 범위 내의 주파수로 인가될 수 있다. 공압 여기는 1Hz 이상, 10Hz 이상, 100Hz 이상, 1kHz 이상, 100kHz 이상 또는 더 이상, 또는 이전 값 중 임의의 두 값에 의해 주어진 범위 내의 주파수로 인가될 수 있다. 공압 여기는 10Hz와 100Hz 사이의 범위 내에서 인가될 수 있다.
도 4는 본 발명의 질의 장치에 의해 제공되는 예시적인 데이터 세트를 도시한다. 파트 A에서, 도 4는 m-모드 초음파 신호의 강도 척도를 나타낸다. 파트 A는 압력 펄스가 인가되는 동안 초음파 측정을 사용하여 특정된 시간 범위에 걸쳐 움직이는 고막의 위치를 특성화한다. 파트 A의 수평 시간 척도는 파트 B, C 및 D에서와 동일한 척도이다(여기서 파트 D는 파트 B 및 C와 비교하여 시간 범위에서 축약됨). 파트 B에서, 도 4는 파트 A(점선으로 표시됨)의 히트맵(heatmap)의 수평 슬라이스 플롯을 나타낸다. 파트 A는 모든 깊이에서 신호 진폭을 보여주는 반면, 파트 B는 시간에 따른 신호 위상 변화를 기초로 하여 막 위치 변화를 나타낸다. 파트 B는 측정된 시간에 대한 고막 위치를 나타낸다. 파트 C에서, 도 4는 파트 B와 동일한 시간 범위에 걸쳐 인가된 압력 펄스를 나타낸다. 파트 D에서, 도 4는 파트 C의 시간 척도의 전반부에 걸친 압력 펄스 동안 외이도 내 압력의 측정을 나타낸다. 파트 C의 시간 척도의 후반부 동안 외이도 내 압력의 측정은 전반부의 데이터와 겹치도록 시간 변환된 파트 D의 초 곡선으로서 플로팅된다. 파트 D에서 이들 감지된 압력 프로파일은 값이 매우 유사하고 서로 구별하기 어렵우며 이는 압력 자극이 반복될 때 고막의 매우 유사한 움직임을 나타낸다. 파트 E에서, 도 4는 CCD 카메라에 의해 기록된 예시적인 광학 이미지를 나타내며, 압력 펄스 동안 백색 영역, 즉 광의 원뿔(화살표와 함께 검은색 상자로 강조 표시됨)의 동적 움직임은 TM의 이동성을 나타낸다.
종합하면, 도 4는 압력 펄스가 인가될 때(C), 생성 및 변환된 초음파 신호가 고막 위치(A 및 B)에 대한 자세한 정보와 이미지(D) 및 (E)의 고유한 압력 및 광학 응답을 각각 제공함을 보여준다. 이러한 측정에 포함된 정보는 분류를 출력하기 위한 기계 학습 모델과 같은 분류기 모델을 트레이닝하기 위한 파라미터 세트를 생성하는 데 사용될 수 있다.
모델 파라미터
파라미터 세트는 하나 이상의 데이터 세트로부터 유도될 수 있다. 파라미터 세트의 적어도 하나의 파라미터는 고막의 동적 특성과 관련될 수 있다. 파라미터 세트는 고막의 정적 특징과 관련된 파라미터(예컨대, 막 운동과 관련이 없는 파라미터)도 포함할 수 있다. 파라미터의 세트는 막 운동과 관련된 파라미터 및 막 운동과 관련되지 않은 파라미터를 포함할 수 있다. 파라미터 세트는 정적 파라미터와 동적 파라미터를 포함할 수 있다. 파라미터 세트는 하나 이상의 초음파 특징, 하나 이상의 압력 특징 및/또는 하나 이상의 광학 특징을 포함할 수 있다. 파라미터 세트 또는 파라미터 세트의 하위 세트는 트레이닝된 기계 학습 알고리즘과 같은 분류기 모델에 대한 입력으로 사용될 수 있다. 분류기 모델은 분류를 출력할 수 있다. 분류는 이동성 출력을 포함할 수 있다. 분류는 질병 상태를 포함할 수 있다.
파라미터 세트의 적어도 하나의 파라미터는 고막의 동적 특성에 관련할 수 있다. 고막의 동적 특성은 시간에 따라 변할 수 있다. 예를 들어, 고막의 동적 특성은 공압 여기, 예를 들어 공기의 방출 또는 가스의 방출에 응답하여 시간에 따라 변할 수 있다. 동적 특성과 관련된 잠재적인 파라미터의 전체 목록은 다음과 같다: 막 움직임 또는 막 이동의 표시; 고막의 최소 또는 최대 변위; 이상치 변위; 최소 변위와 최대 변위 사이의 차이 또는 비율; 공압 여기의 압력에 대한 변위의 기울기 또는 최소 변위와 최대 변위 사이의 차이 또는 비율의 기울기; 측정된 압력 대 인가된 압력의 응답; 공압 여기에 응답하여 고막의 시각적 움직임; 특이값 분해, 주성분 분석 및 K-평균 클러스터링으로부터 생성된 하나 이상의 통계적 성분; 및 초음파 펄스 에코 진폭 또는 초음파 에코 위상 또는 이들의 도함수 또는 이들의 움직임 평균을 포함한다. 동적 파라미터는 위에 나열된 파라미터의 정규화 또는 평균과 같은 동적 여기에 응답하여 고막의 정규화 또는 평균화된 동적 특성에서 유도될 수 있다.
표 1은 고막의 동적 특성에 관련한 파라미터의 예시적인 목록을 나타낸다. 인가된 공압 여기에 응답한 고막의 변위는 도 4의 방법에 의해 측정될 수 있다. 대안으로, 공압 여기에 응답한 고막의 변위는 광간섭 단층촬영으로 측정될 수 있다.
고막의 동적 특성에 관련한 파라미터는 고막의 최소 또는 최대 변위를 포함할 수 있다. 고막이 움직이는 절대 거리는 환자에 따라 다를 수 있다. 일반적으로, 더 큰 변위는 더 높은 이동성과 관련될 수 있는 반면, 더 낮은 변위는 더 낮은 이동성과 관련될 수 있다. 이러한 변위는 다양한 분류를 나타낼 수 있다. 예를 들어, 낮은 이동성은 막 뒤의 점성 유체와 관련될 수 있다.
고막의 동적 특성에 관련한 파라미터는 이상치 변위를 포함할 수 있다. 일부 경우에, 측정된 변위는 초음파 장치의 측정 범위를 벗어날 정도로 크거나 작을 수 있다. 이러한 "이상치" 변위는 단정적인 예/아니오 특징으로 처리될 수 있다. 큰 이상치는 일반적으로 이동성이 높은 고막을 나타낼 수 있다. 작은 이상치는 일반적으로 매우 움직이지 않는 고막을 나타낼 수 있다.
고막의 동적 특성에 관련한 파라미터는 최소 변위와 최대 변위 사이의 차이 또는 비율을 포함할 수 있다. 최소 변위와 최대 변위 사이의 차이는 고막의 정적 수축 또는 팽창과 관련될 수 있다. 정적 수축 또는 팽창은 + 및 - 압력 펄스 동안 막에 의해 이동된 거리 간의 관계를 측정하여 측정할 수 있다. 팽창된 막(질의 장치 쪽으로)은 양압 주기 동안 더 많은 이동성 및 음압 주기 동안 더 낮은 이동성으로 표시될 수 있다. 수축된 막은 양압 사이클 동안 이동성이 더 적고 음압 사이클 동안 이동성이 더 높다는 것을 나타낼 수 있다. 이러한 측정은 정적인 막 파라미터, 예컨대 팽창된 막 또는 수축된 막을 추출하는 데 사용할 수 있다.
고막의 동적 특성에 관련한 파라미터는 측정된 압력 펄스의 진폭에 의해 변위 특성 중 임의의 것을 정규화하는 것을 포함하는 변위 특성의 변화 및 변위 및 측정된 움직임에 따른 압력은 인가된 압력 자극에 적어도 부분적으로 의존한다. 이 계량은 양방향일 수 있으며, 예컨대 고막 이동성의 특성화는 음압 자극뿐만 아니라 양압 자극에서도 계량을 알게 되면 더욱 완벽할 수 있다.
고막의 동적 특성에 관련한 파라미터는 변위의 기울기, 공압 여기의 압력에 대한 최소 변위와 최대 변위 사이의 차이의 기울기, 또는 공압 여기의 압력에 대한 최소 변위와 최대 변위 사이의 비율의 기울기를 포함할 수 있다. 막이 압력 펄스에 의해 변위된 후 원래 위치로 돌아가는 속도는 막 이동성을 나타낼 수 있다. 속도는 본 명세서에 기술된 변위 측정의 도함수에 의해 측정될 수 있다. 2차 이상의 도함수가 또한 이용될 수 있다. 본 명세서에 기술된 바와 같은, 링 다운 특성의 감쇠 계수는 또한 막의 복원력과 관련될 수 있다.
고막의 동적 특성에 관련한 파라미터는 측정된 압력 대 인가된 압력의 응답을 포함할 수 있다. 인가된 압력보다 낮은 측정 압력은 막 이동성을 나타낼 수 있다. 그것은 또한 식별될 절차의 오류를 허용하는 기기 씰(seal)의 실패를 나타낼 수 있다. 고막의 동적 특성에 관련한 파라미터는 압력 응답의 기울기를 포함할 수 있다. 압력의 기울기는 고막 이동성과 직접 관련될 수 있다.
고막 움직임은 압력 자극 동안 CCD 카메라를 통해 볼 수 있다. 이러한 시각적 움직임 및 변위(속도, 크기)는 분류기를 트레이닝하기 위한 입력 파라미터 또는 특성들로 변환될 수 있다. 예를 들어, 사용자(예컨대, 의료 전문가)는 막 이동성의 관찰을 나타낼 수 있다. 사용자는 막이 질적으로 이동성 또는 고정성임을 나타낼 수 있다. 사용자는 이동성을 0-4 포인트 척도로 나타낼 수 있다. 예를 들어, 외이도에 압력이 인가된 후 정상적인 고막은 활발하게 움직여 4+로 분류되는 반면, 부분적으로 또는 완전히 손상된 고막은 서수 척도에서 이동성의 감소 정도를 나타내는 3+, 2+, 1+ 또는 이동성이 없는 것으로 분류될 수 있다. 예를 들어, 의료 제공자는 고막의 순응도(snappiness)를 나타낼 수 있다. 예를 들어, 인가된 여기에 응답하여 막이 얼마나 빨리 제자리로 돌아오는지 정성적으로 표시할 수 있다. 압력 평가는 공압 이경 검사 중에 임상의가 수행할 수 있다.
다른 파라미터는 초음파 신호의 다른 전처리로 인해 발생할 수 있는 초음파 신호의 다른 유형으로부터 유도될 수 있지만, 다른 주파수에서의 대역통과 필터, 펄스 및 측정의 다른 시퀀스, (I,Q) 도플러 신호 및 데이터 처리 단계로 한정되지는 않는다. 다양한 비제한적인 예는 다음을 포함한다: 초음파 신호 캡처의 "빠른 시간 도메인"에 대역통과 필터를 적용하여 초음파 변환기의 통과 대역을 벗어나는 잡음 아티팩트를 제거하여 신호 대 잡음비를 개선할 수 있다; 고막의 깊이에서 (I,Q) 도플러 신호의 위상은 시간에 대한 막 변위의 파라미터를 유도하기 위하여 통합될 수 있다; 변위 대 시간의 파라미터는 외이도 자극 압력의 변화 동안 응답을 나타내기 위하여 분석될 수 있으며, 기울기(가파르거나 둔함) 및 압력 자극 변화의 시작과 끝에서의 위치(위치의 전체 변화를 알려줌)에 대해 평가될 수 있다; 힐버트 변환(Hilbert transform)은 고막으로부터의 초음파 반사의 진폭을 평가하는 데 사용될 수 있으며, 고막 이동성의 추가 표시로서 압력 자극 하에서 광 방향의 원뿔의 변화를 감지하기 위하여 자극 압력 변화의 시간들에서 평가될 수 있다; 막 운동 방향성은 선험적 이해의 자격으로 평가될 수 있으며, 예를 들어 외이도의 압력이 감소하면 고막이 초음파 변환기 쪽으로 이동할 수 있고 그 반대의 경우 외이도의 압력이 증가할 수 있다; 고막으로부터 반사의 신호 대 잡음비는 결과적인 이동성 측정이 유효한지 여부를 검증하기 위하여 평가될 수 있다; 그리고 고막 신호보다 더 넓은 깊이 범위를 커버하는 다수의 인접한 게이트가 식별될 수 있으며, 변환기 앞에 위치하는 시간 프레임 동안 고막 신호를 가장 잘 추적할 수 있도록 동시에 모니터링될 수 있고, 검증된 고막 신호가 있는 최상의 게이트 깊이로부터 이동성을 평가한다.
고막의 동적 특성에 관련한 파라미터는 도플러 초음파 데이터로부터 유도될 수 있다. 예를 들어, 시간의 함수로서의 고막의 도플러 신호는 초음파 에코 진폭 및 초음파 에코 위상을 포함할 수 있다. 이들 파라미터는 특정 펄스-에코 게이트 깊이에 의존한다. 초음파 에코 진폭과 관련된 파라미터는 고막 음향 단면 및 고막 표면 법선 방향에 관련한 데이터를 포함할 수 있다. 초음파 에코 위상과 관련된 파라미터는 초음파 에코 위상의 시간 도함수를 포함할 수 있다. 초음파 에코 위상은 막 속도에 비례할 수 있다.
고막의 동적 특성과 관련된 파라미터는 주성분 분석, K-평균 또는 임의의 상기 데이터 세트에 대한 유사한 클러스터 알고리즘으로부터 유도된 특성을 포함할 수 있다. 예를 들어, 특성의 공선성을 줄이거나 각각의 특성을 기반으로 유사한 샘플 그룹을 클러스터링하기 위한 정적 데이터의 선형 또는 비선형 변환(예컨대, 주성분 분석, K-평균 클러스터링)은 하나 이상의 파라미터를 추출하는 데 사용될 수 있다. PCA 및 K-평균은 파라미터를 생성하기 위하여 다양한 데이터 세트에 사용될 수 있다. 특성 간의 공선성이 데이터 세트에 중복 정보를 생성할 때 PCA 및 K-평균을 시도할 수 있다. PCA 및 K-평균은 예측의 분산을 줄이거나 정확도를 향상시키는 파라미터를 제공할 수 있다. PCA의 경우, 주 성분은 그 자체로 트레이닝 특성으로서 사용되거나 변환되지 않은 특성과 조합하여 사용될 수 있다. 임의의 수의 주 성분을 선택할 수 있다(예컨대, 설명된 분산이 95%와 같이 충족될 때까지 상위 2-3개 또는 N개의 구성 성분만). K-평균 클러스터링의 경우, "클러스터(cluster)"와 같은 특성이 유도될 수 있으며, 여기서 각 샘플이 속하는 클러스터 그룹으로 구성된 범주 트레이닝 특성은 트레이닝 모델의 파라미터로 사용될 수 있다.
상이한 윈도우 길이에 걸쳐 움직임 평균 및 지수적 움직임 평균을 포함하는 시간에 대한 추가 특징을 생성함.
고막의 동적 특성에 관련된 파라미터의 예
고막의 최소 변위 및 최대 변위 초음파
측정 가능한 범위를 벗어난 이상치 변위 초음파
최소 변위와 최대 변위의 차이와 비율 초음파
인가된 압력에 의한 변위의 정규화 초음파 + 압력
압력 펄스의 종료 중 또는 종료 직후의 시작 시 변위 기울기 초음파 + 압력
인가된 압력 대 압력의 측정된 응답 압력
측정된 압력 응답의 기울기 압력
체계적인 압력 펄스 동안 "밝은" 위치의 시각적 움직임 광학 + 압력
선형 또는 비선형 변환 모두
시간에 따른 움직임 평균 모두
파라미터 세트는 막의 정적 특성에 관련한 파라미터를 포함할 수 있다. 예를 들어, 광학 측정을 생성하는 질문 시스템은 시각적 특성을 기반으로 한 파라미터의 추출을 허용할 수 있다. 중이염의 시각적 표시는 착색, 투명도 및/또는 돌출을 포함할 수 있다. 다른 정적 파라미터는 색상, 불투명도, 반투명도 및 위치를 포함할 수 있다. 광학 측정으로부터의 시각적 특성은 사용자에 의해 표시될 수 있으며 파라미터, 예컨대 가시적 돌출 또는 비-가시적 돌출로 표시될 수 있다.
다른 예에서, 고막의 정적 위치 특성에 관련한 파라미터는 광간섭 단층촬영 방법으로부터 유도될 수 있다. 예를 들어, 파라미터는 고막의 깊이 특성과 관련될 수 있다. 예를 들어, 귀는 저점도의 감염성 삼출액을 포함하고 있고, 고막 광간섭 단층촬영 신호의 초기 피크는 반사된 신호의 광학적 감쇠로 인해 떨어지는 진폭으로 확장된 반사의 축 영역을 생성할 수 있다. 예를 들어, 귀에 세균 감염이 있는 경우, 세균막이 고막의 반대 표면에 존재할 수 있으며, 이는 더 큰 축 방향 반사 범위를 생성할 수 있으며, 그 후 높은 산란 계수 및 상응하는 증가된 감쇠를 생성할 수 있다. 예를 들어, 파라미터는 고막의 흡수 특성의 파장과 관련될 수 있다. 고막이 세균 삼출액 또는 바이러스 삼출액 또는 무 삼출액에 해당하는 파장에서 흡수하는 것으로 밝혀지는 경우, 흡수의 파장 또는 흡수 특성의 정체는 파라미터 세트의 파라미터를 포함할 수 있다.
분류
본 발명의 방법 및 시스템은 고막의 분류(예를 들어, 출력)를 출력할 수 있다. 분류는 본 명세서에 개시된 분류기 모델에 기초할 수 있고, 분류기는 기계 학습 알고리즘일 수 있다. 파라미터 세트 또는 파라미터 세트의 하위 세트는 트레이닝된 기계 학습 알고리즘과 같은 분류기 모델에 대한 입력으로 사용될 수 있다. 분류기 모델은 분류를 출력할 수 있다. 분류는 이동성 출력을 포함할 수 있다. 분류는 질병 상태를 포함할 수 있다. 분류는 고막의 상태, 병태 또는 이동성 계량 중 하나 이상을 포함할 수 있다. 분류기 모델의 출력은 생성될 수 있다. 출력은 TM 이동성에 대한 정보를 포함할 수 있으며, 이는 의사가 중이염 감염을 진단하거나 환자의 질병 상태를 직접 진단하는 데 도움이 될 수 있다.
도 5a 및 도 5b는 일부 구현예에 따른, 분류를 출력하기 위하여 분류기 모델(520)에 대한 입력(510)을 포함할 수 있는 압력, 초음파, 및 광학 측정으로부터 유도된 파라미터 세트의 개략도이다. 도 5a에 도시된 바와 같이, 반사된 초음파의 진폭, 압력 여기 후 초음파 응답의 기울기, 측정된 압력 대 인가된 압력, 압력 응답의 기울기, 및 광학적 순응도는 분류기에 대한 입력을 포함할 수 있다. 분류기는 이동성 계량(530)을 출력할 수 있다. 도 5a에 도시된 바와 같이, 이동성 계량(530)은 이동성 또는 비-이동성과 같은 이진 분류를 포함할 수 있다. 도 5b에 도시된 바와 같이, 반사된 초음파의 진폭, 압력 여기 후 초음파 응답의 기울기, 측정된 압력 대 인가된 압력, 압력 응답의 기울기, 및 광학적 순응도는 분류기에 대한 입력을 포함할 수 있다. 분류기는 도시된 바와 같이 급성 중이염, 삼출성 중이염, 무 삼출액과 같은 상태 또는 병태(531)를 출력할 수 있다.
일부 경우에, 분류는 고막의 이동성 계량을 포함할 수 있다. 이동성 계량은 이진 분류, 서수 출력, 범주 서수 출력, 또는 연속 숫자 값 중 하나 이상을 포함할 수 있다. 분류는 다양한 형태의 고막 정보를 포함할 수 있으며, 이러한 정보는 의료 제공자(예컨대, 의사)에게 제공될 수 있다. 분류는 초음파, 압력 및 광학 측정 특성 중 하나 이상을 기반으로 할 수 있다.
일부 예에서, 분류는 범주 판독을 포함한다. 범주 판독은 높은 이동성, 중간 이동성, 반 이동성 또는 비-이동성 중 적어도 하나로 막 이동성 정도의 표시를 포함할 수 있다. 예를 들어, 범주 분류는 높은 이동성, 중간 정도의 이동성, 반 이동성 또는 비-이동성을 포함할 수 있다. 일부 예에서, 범주 판독은 이진 분류를 포함한다. 이진 분류는 이동성 또는 비-이동성을 포함할 수 있다. 이진 분류는 정상 이동성 또는 비정상 이동성을 포함할 수 있다. 일예에서, 단순 분류는 "이동성" 또는 "비-이동성" 중 하나의 최대 확률에 기초한 이진 선택이 의사에게 표시되는 이진 분류기일 수 있다.
일부 예에서, 분류는 범주 서수 분류를 포함한다. 범주-서수 분류는 본 명세서에서 상술된 바와 같이 0-4+ 척도를 포함할 수 있다. 다른 예에서, 범주-서수 출력은 0-10 포인트 척도, 예컨대 10.0은 높은 이동성, 5.0은 약간의 이동성, 0은 비-이동성(또는 그 반대)를 포함할 수 있다. 사용자는 막이 질적으로 이동성 또는 고정성임을 나타낼 수 있다. 사용자는 이동성을 0-4 포인트 척도로 나타낼 수 있다. 예를 들어, 외이도에 압력이 인가된 후 정상적인 고막은 활발하게 움직여 4+로 분류되는 반면, 부분적으로 또는 완전히 손상된 고막은 서수 척도에서 이동성의 감소 정도를 나타내는 3+, 2+, 1+ 또는 비-이동성인 것으로 분류될 수 있다. 압력 평가는 공압 이경 검사 중에 임상의가 수행할 수 있다.
일부 예에서, 분류는 측정 막 변위, 막 이동 속도 또는 막 회복 속도 중 하나 이상을 포함하는 연속 수치 출력을 포함한다. 일부 예에서, 순서 판독은 막 이동성의 정도에 관한 수치 척도를 포함한다. 연속 계량은 감소된 증분을 가진 수치 척도를 포함할 수 있다. 연속 숫자 출력의 일예에서, 연속 변수 회귀 알고리즘을 사용하여 연속 예측, 예컨대 특정 상태 또는 병태(condition)의 퍼센트 가능성을 생성할 수 있다. 일부 예에서, 상태 또는 병태는 일부 값 또는 척도로 정규화될 수 있다. 예를 들어, 연속 계량은 최대값이 10이고 최소값이 0이 되도록 정규화될 수 있고, 여기서 10은 이동성이 높은 막과 관련되고 0은 고정된 막과 관련되거나 그 반대의 경우도 마찬가지이다.
일부 예에서, 다중 클래스 분류가 사용될 수 있다. 예를 들어, 이진 분류(예컨대, 이동성 또는 비-이동성)가 결정될 수 있고, 비-이동성이 가장 가능성이 있는 경우, 다양한 비-이동성의 정도(예컨대, 4 포인트 척도에서 0 대 1+ 대 2+ 대 3+)가 분류될 수 있다. 다른 예에서, 분류는 각각의 가능한 카테고리의 예상 확률을 포함할 수 있다. 예상 확률은 의료 제공자에게 표시되는 분류로서 선택된 최대 확률을 포함할 수 있다. 예를 들어, 확률은 소프트 맥스(softmax) 함수 또는 하나 대 나머지(one-vs-rest) 분류와 같은 전략을 사용하여 계산될 수 있다.
분류는 사용자(예컨대, 의료 제공자)에게 고막의 상태 또는 병태를 나타낼 수 있다. 일부 경우에 분류는 고막의 상태 또는 병태를 포함할 수 있다. 고막의 상태 또는 병태는 급성 중이염, 급성 삼출성 중이염, 중이 삼출액, 세균 감염, 바이러스 감염, 무 삼출액 및 미지의 분류 중 하나 이상을 포함할 수 있다. 귀가 급성 중이염을 나타내는 분류에는 삼출액의 존재 감지 및 장액성, 점액성, 화농성 또는 이들의 조합 중 하나로 삼출액 유형의 특성화가 포함될 수 있다. 급성 중이염에서 중이 삼출액은 감염원에 의해 유발될 수 있으며 바이러스 감염의 경우 얇거나 장액성이고 세균 감염의 경우 진하고 화농성일 수 있다.
분류기 모델
도 6은 일부 구현예에 따른, 기계 학습 알고리즘을 포함하는 분류기 모델의 예(600)를 도시하는 개략도이다. 파라미터들의 세트(610)에 기초하여 분류기 모델이 생성될 수 있다. 파라미터들의 세트(610)는 초음파 특성들 및/또는 압력 특성들 및/또는 광학 특성들을 포함할 수 있다. 예를 들어, 파라미터 세트는 분류기 모델에 대한 입력을 포함할 수 있고 분류는 분류기 모델의 출력일 수 있다. 분류기 모델은 분류(630)를 출력할 수 있다. 분류는 이동성 출력을 포함할 수 있다. 분류는 질병 상태를 포함할 수 있다.
분류기 모델은 기계 학습 알고리즘(620)을 포함할 수 있다. 예를 들어, 기계 학습 알고리즘은 선형 회귀, 로지스틱 회귀, 분류 및 회귀 트리 알고리즘, 서포트 벡터 머신(SVM), 나이브 베이즈, K-최근접 이웃, 랜덤 포레스트 알고리즘, XGBoost 및 LightGBM, 신경망, 합성곱 신경망, 순환 신경망 중 하나 이상을 포함할 수 있다. 기계 학습 알고리즘은 지도 학습 알고리즘, 비-지도 학습 알고리즘, 또는 반-지도 학습 알고리즘일 수 있다.
파라미터 세트를 사용하여 예측을 하기 위하여 기계 학습 알고리즘이 사용될 수 있다. 기계 학습 알고리즘의 한 클래스인 인공 신경망(ANN)은 분류기 모델의 일부를 포함할 수 있다. 예를 들어, 피드포워드(feedforward) 신경망(예컨대, 컨볼루션 신경망 또는 CNN) 및 순환 신경망(RNN)이 사용될 수 있다. 신경망 이진 분류기는 기본 기계 학습 모델에 의해 만들어진 예측을 실제 검증자료와 비교하여 트레이닝될 수 있다. 오류 함수는 예측 값과 실제 검증자료 사이의 불일치를 계산하고 이 오류는 예측 출력 값에 영향을 미치는 가중치 세트를 변경하기 위하여 여러 주기 또는 기간에 걸쳐 신경망을 통해 반복적으로 역전파된다. 작은 크기의 계산된 오류를 얻는 것과 같이 예측 값이 수렴 조건을 충족하면 트레이닝이 중지된다. 여러 계층의 신경망을 사용하여 심층 신경망을 만들 수 있다. 심층 신경망을 사용하면 신경망 알고리즘의 예측력을 높일 수 있다. 일부의 경우, 신경망을 이용한 기계 학습 알고리즘은 아담(Adam) 최적화(예컨대, 적응 학습률), 정규화 등을 추가로 포함할 수 있다. 계층들의 수, 계층 내의 노드 수, 합성곱 신경망의 활보장, 패딩, 필터 등은 신경망에서 조정 가능한 파라미터일 수 있다.
본 명세서에 개시된 파라미터로부터 통찰력을 얻기 위하여 추가적인 기계 학습 알고리즘 및 통계 모델이 사용될 수 있다. 사용할 수 있는 추가적인 기계 학습 방법은 로지스틱 회귀, 분류 및 회귀 트리 알고리즘, 서포트 벡터 머신(SVMs), 나이브 베이즈, K-최근접 이웃 및 랜덤 포레스트 알고리즘이다. 이러한 알고리즘은 데이터 분류, 클러스터링, 밀도 추정 또는 차원 축소를 비롯한 다양한 작업에 사용할 수 있다. 기계 학습 알고리즘은 능동적 학습, 지도 학습, 비-지도 학습 또는 반 지도 학습 작업에 사용될 수 있다. 본 명세서에서, 다양한 통계, 기계 학습, 또는 딥 러닝 알고리즘은 파라미터의 세트에 기초하여 출력을 생성하는 데 사용될 수 있다.
기계 학습 알고리즘은 지도 학습 접근법을 사용할 수 있다. 지도 학습에서, 알고리즘은 트레이닝 데이터에서 함수 또는 모델을 생성할 수 있다. 트레이닝 데이터에 라벨을 지정할 수 있다. 트레이닝 데이터는 그와 관련된 메타데이터를 포함할 수 있다. 트레이닝 데이터의 각 트레이닝의 예는 적어도 하나의 입력 객체와 원하는 출력 값으로 이루어진 쌍일 수 있다. 지도 학습 알고리즘은 사용자가 하나 이상의 제어 파라미터를 결정하도록 요구할 수 있다. 이들 파라미터는 트레이닝 데이터의 하위 세트, 예컨대 검증 세트에 대한 성능을 최적화하여 조정할 수 있다. 파라미터 조정 및 학습 후 결과 함수/모델의 성능은 트레이닝 세트와 분리될 수 있는 테스트 세트에서 측정될 수 있다. 회귀 방법은 지도 학습 접근 방식에서 사용할 수 있다.
일부 구현예에서, 지도 기계 학습 알고리즘은 신경망, 서포트 벡터 머신, 최근접 이웃 보간기, 결정 트리, 부스트 결정 스텀프, 이러한 알고리즘의 부스트 버전, 이러한 알고리즘의 파생 버전, 또는 그들의 조합에 한정되지 않고 포함할 수 있다. 일부 구현예에서, 기계 학습 알고리즘은, 베이예지안(Bayesian) 모델, 결정 그래프, 귀납적 논리 프로그래밍, 가우스 프로세스 회귀, 유전 프로그래밍, 커널 추정기, 최소 메시지 길이, 다중선형 부분공간 학습, 나이브 베이즈 분류기, 최대 엔트로피 분류기, 조건부 랜덤 필드, 최소 복잡성 기계, 랜덤 포레스트, 분류기 앙상블 및 다중 기준 분류 알고리즘 중 하나 이상을 포함할 수 있다.
기계 학습 알고리즘은 반 지도 학습 접근 방식을 사용할 수 있다. 반 지도 학습은 라벨이 지정된 데이터와 라벨이 지정되지 않은 데이터를 모두 결합하여 적절한 함수 또는 분류기를 생성할 수 있다.
일부 구현예에서, 기계 학습 알고리즘은 비-지도 학습 접근법을 사용할 수 있다. 비-지도 학습에서 알고리즘은 라벨이 지정되지 않은 데이터(즉, 관찰하거나 계산할 수 없는 분류 또는 카테고리)에서 숨겨진 구조를 설명하는 함수/모델을 생성할 수 있다. 학습자에게 주어진 예는 라벨이 없기 때문에 관련 알고리즘에 의해 출력되는 구조의 정확도에 대한 평가가 없다. 비-지도 학습에 대한 접근 방식은 클러스터링, 이상 감지 및 신경망을 포함한다.
기계 학습 알고리즘은 강화 학습 접근법을 사용할 수 있다. 강화 학습에서, 알고리즘은 세계를 관찰할 때 행동하는 방법에 대한 정책을 학습할 수 있다. 모든 작업은 환경에 약간의 영향을 미칠 수 있으며 환경은 학습 알고리즘을 안내하는 피드백을 제공할 수 있다.
이전에 논의된 기계 학습 알고리즘이 입력 특성과 출력 라벨들 사이에서 훨씬 더 복잡한 관계를 생성할 수 있지만, 관계형 알고리즘의 몇 가지 간단한 예가 도 7의 예시적인 결정 트리에 의해 도시된다.
도 7a, 도 7b 및 도 7c는 일부 구현예에 따른, 기계 학습 알고리즘에 의해 생성될 수 있는 예시적인 결정 트리를 도시하는 개략도이다. 일부 구현예에서, 기계 학습 알고리즘은 파라미터 세트에 기초하여 결정 트리를 구축한다. 결정 트리는 파라미터 세트 내의 파라미터의 임계값을 포함할 수 있다. 임계값은 데이터 세트를 분류해야 하는 트리의 분기를 결정할 수 있다. 결정 트리는 트리의 최상위 노드에서 가장 큰 정보 이득을 포함할 수 있다. 의사 결정 트리는 부분적으로 주어진 데이터 세트에 대한 가장 유익한 노드(예컨대, 파라미터)를 검색하여 구축할 수 있다.
일부 예들에서, 결정 트리가 가지치기(pruning)된다. 가지치기는 파라미터 세트 내의 파라미터의 수를 가장 관련 있는 파라미터의 하위 세트로 줄이는 것을 포함할 수 있다. 파라미터의 하위 세트는 지정된 민감도 또는 특이도 내에서 데이터 세트를 분류하기 위한 파라미터의 최소 개수, 예컨대 90% 민감도 또는 특이도일 수 있다. 일부 구현예에서, 결정 트리는 J48, C4.5, 또는 ID3을 포함한다. 일부 구현예에서, 결정 트리는 ADA 부스트(ADABoost) 또는 결정 스텀프(DecisionStump)를 포함한다.
도 7a에 도시된 바와 같이, 제1 예시적인 트리는 단일 파라미터(예를 들어, 변위의 절대값)를 포함한다. 파라미터가 임계값 0.2mm보다 큰 경우 막이 이동성으로 분류된다. 파라미터가 임계값 0.2mm 미만인 경우 막은 비-이동성으로 분류된다.
도 7b에 도시된 바와 같이, 제2 예시적인 트리는 3개의 파라미터(예를 들어, 고정된 압력 자극 진폭을 갖는 변위의 절대값, 고정된 시간 측정 윈도우 지속기간을 갖는 변위의 절대값, 및 이상치 변위)를 포함한다. 모델의 분류는 고막의 이동성과 관련이 있다. 고정된 압력 자극 진폭이 있는 변위의 절대값이 임계값 0.1보다 크고 이상값 변위가 0.5보다 큰 경우, 막은 매우 이동성이 높다. 고정된 압력 자극 진폭이 있는 변위의 절대값이 임계값 0.1보다 크고 이상값 변위가 0.5 미만인 경우, 막은 반 이동성이다. 고정된 압력 자극 진폭이 있는 변위의 절대값이 임계값 0.1 미만이고 고정된 시간 측정 윈도우 지속 시간이 있는 변위의 절대값이 1.5보다 큰 경우, 막은 대부분 움직이지 않는다. 고정 압력 자극 진폭이 있는 변위의 절대값이 임계값 0.1 미만이고 고정 시간 윈도우 지속 시간이 있는 변위의 절대값이 1.5 미만인 경우, 막은 완전히 움직이지 않는다.
도 7c에 도시된 바와 같이. 제3 예시적인 트리는 3개의 파라미터(예를 들어, 고정된 압력 자극 진폭을 갖는 변위의 절대값, 고정된 시간 측정 윈도우 지속기간을 갖는 변위의 절대값, 및 이상치 변위)를 포함한다. 모델의 분류는 고막의 상태 또는 병태와 관련된다. 고정된 압력 자극 진폭에 대한 변위의 절대값이 임계값 0.1보다 크고 이상값 변위가 0.5보다 큰 경우, 막은 무 삼출액을 갖는 것으로 특성화된다. 고정된 압력 자극 진폭에 의한 변위의 절대값이 임계값 0.1보다 크고 이상치 변위가 0.5 미만인 경우, 막은 삼출성 중이염이 있는 것으로 특성화된다. 고정 압력 자극 진폭 변위의 절대값이 임계값 0.1 미만이고 고정 시간 윈도우 지속 시간 변위의 절대값이 1.5보다 클 경우, 막은 삼출성 중이염을 갖는 것으로 특성화된다. 고정 압력 자극 진폭 변위의 절대값이 임계값 0.1 미만이고 고정 시간 윈도우 지속 시간 변위의 절대값이 1.5 미만인 경우, 막은 급성 중이염을 갖는 것으로 특성화된다.
컴퓨터로 구현된 분류기의 트레이닝
도 8은 일부 구현예에 따른, 컴퓨터로 구현된 분류기를 트레이닝하는 예시적인 방법의 흐름도를 도시한다. 동작(810)에서, 방법(800)은 하나 이상의 고막에 관한 하나 이상의 데이터 세트 및 하나 이상의 고막에 관련한 하나 이상의 분류된 데이터 세트에 기초하여 파라미터 세트를 수신하는 단계를 포함할 수 있다. 분류는 고막의 상태, 병태, 또는 이동성 계량을 포함할 수 있고, 파라미터 세트는 하나 이상의 고막의 동적 특성에 관련된 적어도 하나의 파라미터를 포함한다. 동작(820)에서, 방법(800)은 파라미터 세트 및 하나 이상의 분류된 데이터 세트를 데이터베이스에 저장하는 단계를 포함할 수 있다. 동작(830)에서, 방법(800)은 파라미터 세트 및 하나 이상의 분류된 데이터 세트에 기초하여 분류기 모델을 구축하는 단계를 포함할 수 있다. 분류기 모델은 파라미터들의 세트로부터 유도될 수 있고, 분류기 모델은 하나 이상의 분류된 데이터 세트의 데이터 세트에 기초하여 분류를 출력한다. 동작(840)에서, 방법(800)은 분류기 모델을 사용하여 분류되지 않은 데이터 세트의 분류를 제공하는 단계를 포함할 수 있다.
일부 경우에, 방법은 제2의 하나 이상의 분류된 데이터 세트에 기초하여 데이터베이스를 갱신하는 단계를 추가로 포함한다. 일부 경우에, 방법은 제2의 하나 이상의 분류된 데이터 세트에 기초하여 분류기 모델을 갱신하는 단계를 추가로 포함한다. 이 방법은 분류기 모델을 사용하여 여기에 설명된 고막을 분류하는 방법에 의해 분류되지 않은 데이터 세트의 분류를 제공하는 단계를 추가로 포함할 수 있다. 분류기는 지속적으로 갱신될 수 있다. 예를 들어, 방법은 개선된 검출을 위하여 모델 파라미터를 지속적으로 갱신하는 데 온라인 경사 하강법 또는 확률적 경사 하강법을 사용할 수 있다. 일부 경우에, 분류기가 모든 데이터 세트로 갱신될 수 있다. 분류기는 배치의 최근 샘플로 갱신될 수 있다.
위의 동작이 컴퓨터로 구현된 분류기를 트레이닝시키는 방법(800)을 보여주고 있지만, 일부 구현예에 따라, 당업자는 본 명세서에 기술된 교시에 기초하여 많은 변형을 인식할 것이다. 단계는 임의의 순서로 완료될 수 있다. 단계는 추가되거나 삭제될 수 있다. 일부 단계는 하위 단계를 포함할 수 있다. 많은 단계가 제조 방법에 유익한 만큼 자주 반복될 수 있다.
방법(800)의 하나 이상의 단계는 본 명세서에 기술된 바와 같은 회로, 예를 들어 디지털 처리 장치 또는 프로세서 또는 필드 프로그램 가능 게이트 어레이용 프로그램 가능 어레이 로직과 같은 논리 회로 중 하나 이상으로 실행될 수 있다. 회로는 방법(800)의 하나 이상의 단계를 제공하도록 프로그램될 수 있고, 프로그램은 예컨대, 컴퓨터 판독가능 메모리에 저장된 프로그램 명령들 또는 프로그램 가능 어레이 로직 또는 필드 프로그램 가능 게이트 어레이와 같은 논리 회로의 프로그램된 단계들을 포함할 수 있다. 방법(800)의 하나 이상의 단계를 실행하도록 동작할 수 있는 디지털 처리 장치의 구현예, 변형 및 예시들은 예를 들어 "디지털 처리 장치" 섹션 및 도 10과 관련하여 본 명세서의 다른 곳에서 설명된다.
도 9는 일부 구현예에 따른, 컴퓨터로 구현된 분류기를 트레이닝하기 위한 시스템(900)의 예를 도시하는 개략도이다. 도 9의 시스템은 도 8에 도시된 방법(800)을 실행하도록 동작가능한 시스템의 예를 포함할 수 있다. 시스템(900)은 하나 이상의 분류된 데이터 세트(예를 들어, 이력 데이터)를 포함할 수 있다. 하나 이상의 분류된 데이터 세트는 하나 이상의 고막에 관련한 하나 이상의 데이터 세트를 포함할 수 있다. 분류된 데이터 세트는 알려진 분류를 가진 데이터를 포함할 수 있다. 예를 들어, 분류된 데이터 세트는 생검된 고막의 데이터 세트를 포함할 수 있다. 분류된 데이터 세트는 고막의 동적 특성에 기초한 하나 이상의 파라미터를 포함하는 연관된 파라미터 세트를 가질 수 있다. 분류된 데이터 세트는 연관된 분류를 가질 수 있다. 일부 경우에, 파라미터 세트(예컨대, 특성)는 하나 이상의 분류된 데이터 세트로부터 추출될 수 있다.
시스템(900)의 하위 루프에서, 하나 이상의 분류된 데이터 세트의 전부 또는 일부는 트레이닝 데이터로서 사용될 수 있다. 분류된 데이터 세트에 대한 파라미터 세트는 분류를 찾기 위하여 분류기 모델을 트레이닝하기 위한 학습 알고리즘의 일부로서 사용될 수 있다. 예를 들어, 분류된 데이터의 전부 또는 일부는 유도 학습 알고리즘을 위한 트레이닝 데이터 세트로서 사용될 수 있다.
시스템(900)의 상위 루프에 도시된 바와 같이, 분류된 데이터 세트의 일부는 검증(validation) 데이터 세트(예를 들어, 테스트 데이터)로서 예약될 수 있다. 검증 데이터는 예를 들어 실험에 의해 확립된 분류의 세트를 가질 수 있다. 검증 데이터 세트는 분류기 모델의 예측을 테스트하는 데 사용될 수 있다. 검증 데이터 세트는 트레이닝 데이터 세트에서 트레이닝된 모델을 검증하는 데 사용될 수 있다. 트레이닝 데이터는 공학 테스트 루프의 일부로 사용될 수 있다. 예를 들어, 모델 또는 모델 세트(예컨대, "앙상블(ensemble)")는 검증 절차를 사용하여 결정될 수 있으며, 여기서 모델은 활용 가능한 데이터의 하위 세트(예컨대, 트레이닝 데이터)에 대해 트레이닝된 후 활용 가능한 데이터의 나머지 하위 세트(예컨대, 테스트 데이터)를 예측하는 데 사용된다. 정확도 계량(예컨대, 수치 데이터에 대한 오차 제곱 평균의 제곱근(root-mean-squared error), 범주 데이터에 대한 정밀도 및 재현율, 수신기 동작 곡선(AUC) 아래 영역 등)은 주어진 모델이 제공된 데이터 세트에 대해 얼마나 정확한지를 범주화하기 위하여 정의될 수 있다. 일부 예에서, 오버 샘플링(over-sampling) 또는 언더 샘플링(under sampling)(예컨대, 합성 소수 오버 샘플링 기술(Synthetic Minority Over-Sampling Technique; SMOTE)은 모델 구축의 일부로서 모델 트레이닝 동안에 사용될 수 있다.
기계 학습 모델이 이전에 한 번도 직면한 적이 없는 데이터로 일반화하는 데 실패할 위험은 가능한 한 많은 대표적인 트레이닝 데이터 세트를 사용함으로써 완화될 수 있다. 또한 모델 일반화를 최대화하기 위하여 교차 검증을 통한 하이퍼파라미터 튜닝과 같은 기술을 활용하면 모델 일반화를 개선할 수 있다. 간단히 말해서, 하이퍼파라미터 튜닝은 트레이닝 및 검증 데이터와 관련하여 편향(bias)(즉, 과소 적합) 또는 분산(즉, 과대 적합)을 방지하기 위하여 주어진 모델의 양상을 변경할 수 있다. 또한 교차 검증은 데이터의 서로 다른 하위 세트(예컨대, K-Fold 및 Leave-one-out)에 대해 연속적으로 트레이닝하는 데 사용될 수 있으며, 각 하위 세트에서 생성된 정확도 예측은 주어진 모델에 대한 전체 정확도 계량을 생성하기 위해 평균화될 수 있다.
트레이닝된 분류기 모델은 분류되지 않은 데이터 세트에 대한 테스트를 받을 수 있다. 예를 들어, 분류되지 않은 데이터 세트는 분류된 데이터 세트에 없는 하나 이상의 고막을 포함할 수 있다. 분류기 모델은 분류되지 않은 데이터 세트에서 추출된 파라미터 세트를 기반으로 분류를 생성하는 데 사용될 수 있다. 분류기 모델은 막을, 예를 들어 높은 이동성, 약간의 이동성, 낮은 이동성 또는 비-이동성으로 분류하는 데 사용될 수 있다.
컴퓨터로 구현된 분류기를 트레이닝하기 위한 시스템은 예를 들어 "디지털 처리 장치" 섹션 및 도 10과 관련하여 본 명세서의 다른 곳에서 설명된 디지털 처리 장치의 구현예, 변형 및 예시들을 포함할 수 있다.
디지털 처리 장치
일부 구현예에서, 본 명세서에 기술된 장치, 시스템 및 그 사용 방법은 디지털 처리 장치 또는 그 사용을 포함한다. 예를 들어, 디지털 처리 장치는 본 명세서에 개시된 장치 및 방법의 다양한 측면을 제어하는 데 사용될 수 있다. 예를 들어, 디지털 처리 장치를 사용하여 고막을 분류하는 방법을 실행할 수 있다. 디지털 처리 장치는 컴퓨팅 시스템을 포함할 수 있으며, 예를 들어, 컴퓨팅 시스템은 메모리를 포함하고, 메모리는 고막을 분류하기 위한 명령을 포함한다. 디지털 처리 장치는 고막을 분류하는 방법의 하나 이상의 단계를 실행하도록 구성될 수 있다. 디지털 처리 장치는 본 명세서에 개시된 바와 같이 방법(100) 또는 방법(800)의 하나 이상의 단계를 수행하도록 구성될 수 있다. 디지털 처리 장치는 본 명세서에 개시된 질문 시스템의 임의의 예, 변형 또는 예시와 같은 질문 시스템을 제어하도록 구성될 수 있다. 디지털 처리 장치는 질의 시스템으로부터 하나 이상의 데이터 세트를 수신 및/또는 검색할 수 있다. 디지털 처리 장치는 하나 이상의 데이터 세트에 대한 데이터베이스 관리 시스템을 포함할 수 있다. 디지털 처리 장치는 본 명세서에 기술된 컴퓨터로 구현된 분류기를 트레이닝하기 위한 하나 이상의 단계를 실행할 수 있다.
추가 구현예에서, 디지털 처리 장치는 장치의 기능을 수행하는 하나 이상의 하드웨어 중앙 처리 장치(CPU), 범용 그래픽 처리 장치(GPGPU), 또는 필드 프로그램가능 게이트 어레이(FPGA)를 포함한다. 또 다른 구현예에서, 디지털 처리 장치는 실행 가능한 명령어를 수행하도록 구성된 운영 체제를 추가로 포함한다. 일부 구현예에서, 디지털 처리 장치는 선택적으로 컴퓨터 네트워크에 연결될 수 있다. 추가 구현예에서, 디지털 처리 장치는 선택적으로 인터넷에 연결되어 월드 와이드 웹에 접속한다. 또 다른 구현예에서, 디지털 처리 장치는 선택적으로 클라우드 컴퓨팅 기반구조에 연결된다. 다른 구현예에서, 디지털 처리 장치는 선택적으로 인트라넷에 연결된다. 다른 구현예에서, 디지털 처리 장치는 선택적으로 데이터 저장 장치에 연결된다.
본 명세서의 기재에 따르면, 적절한 디지털 처리 장치는 비제한적인 예로서, 서버 컴퓨터, 데스크탑 컴퓨터, 랩톱 컴퓨터, 노트북 컴퓨터, 서브-노트북 컴퓨터, 넷북 컴퓨터, 넷패드 컴퓨터, 셋톱(set-top) 컴퓨터, 미디어 스트리밍 장치, 휴대용 컴퓨터, 인터넷 기기, 이동성(mobile) 스마트폰, 태블릿(tablet) 컴퓨터, 개인 정보 단말기(PDA), 비디오 게임 콘솔 및 차량을 포함한다. 당업자는 많은 스마트폰이 본 명세서에 기술된 시스템에서 사용하기에 적합하다는 것을 인식할 것이다. 당업자는 또한 선택적인 컴퓨터 네트워크 연결을 갖는 선택된 텔레비전, 비디오 플레이어 및 디지털 음악 플레이어가 본 명세서에 기술된 시스템에서 사용하기에 적합하다는 것을 인식할 것이다. 적합한 태블릿 컴퓨터는 당업자에게 공지된 소책자, 슬레이트(slate) 및 컨버터블 구성을 갖는 것을 포함한다.
일부 구현예에서, 디지털 처리 장치는 실행 가능한 명령을 실행하도록 구성된 운영 체제를 포함한다. 운영 체제는 예를 들어 장치의 하드웨어를 관리하고 응용 프로그램 실행을 위한 서비스를 제공하는, 프로그램 및 데이터를 포함하는 소프트웨어이다.
일부 구현예에서, 디바이스는 저장 장치 및/또는 메모리 장치를 포함한다. 저장 장치 및/또는 메모리 장치는 데이터 또는 프로그램을 임시 또는 영구적으로 저장하는 데 사용되는 하나 이상의 물리적 장치이다. 일부 구현예에서, 장치는 휘발성 메모리이고 저장된 정보를 유지하기 위하여 전력을 필요로 한다. 일부 구현예에서, 장치는 비휘발성 메모리이고 디지털 처리 장치에 전원이 공급되지 않을 경우에도 저장된 정보를 유지한다. 추가 구현예에서, 비휘발성 메모리는 플래시 메모리를 포함한다. 일부 구현예에서, 비휘발성 메모리는 동적 랜덤 액세스 메모리(DRAM)를 포함한다. 일부 구현예에서, 비휘발성 메모리는 강유전성 랜덤 액세스 메모리(FRAM)를 포함한다. 일부 구현예에서, 비휘발성 메모리는 상변이성 랜덤 액세스 메모리(PRAM)를 포함한다. 다른 구현예에서, 장치는 비제한적인 예로서 CD-ROM, DVD, 플래시 메모리 장치, 자기 디스크 드라이브, 자기 테이프 드라이브, 광 디스크 드라이브 및 클라우드 컴퓨팅 기반 저장소를 포함하는 저장 장치이다. 추가 구현예에서, 저장 장치 및/또는 메모리 장치는 본 명세서에 개시된 것과 같은 장치들의 조합이다.
일부 구현예에서, 디지털 처리 장치는 시각적 정보를 사용자에게 전송하기 위한 디스플레이를 포함한다. 일부 구현예에서, 디스플레이는 음극선관(CRT)이다. 일부 구현예에서, 디스플레이는 액정 디스플레이(LCD)이다. 추가 구현예에서, 디스플레이는 박막 트랜지스터 액정 디스플레이(TFT-LCD)이다. 일부 구현예에서, 디스플레이는 유기 발광 다이오드(OLED) 디스플레이이다. 다양한 추가 구현예에서, OLED 디스플레이 상에 수동-매트릭스 OLED(PMOLED) 또는 능동-매트릭스 OLED(AMOLED) 디스플레이가 있다. 일부 구현예에서, 디스플레이는 플라즈마 디스플레이이다. 다른 구현예에서, 디스플레이는 비디오 프로젝터이다. 또 다른 구현예에서, 디스플레이는 본 명세서에 개시된 것과 같은 장치들의 조합이다.
일부 구현예에서, 디지털 처리 장치는 사용자로부터 정보를 수신하기 위한 입력 장치를 포함한다. 일부 구현예에서, 입력 장치는 키보드이다. 일부 구현예에서, 입력 장치는 비제한적인 예로서 마우스, 트랙 볼, 트랙 패드, 조이스틱, 게임 컨트롤러 또는 스타일러스를 포함하는 포인팅 장치이다. 일부 구현예에서, 입력 장치는 터치 스크린 또는 멀티-터치 스크린이다. 다른 구현예에서, 입력 장치는 음성 또는 다른 사운드 입력을 캡처하기 위한 마이크로폰이다. 다른 구현예에서, 입력 장치는 움직임 또는 시각적 입력을 캡처하기 위한 비디오 카메라 또는 다른 센서이다. 추가 구현예에서, 입력 장치는 키넥트(Kinect), 립 모션(Leap Motion) 등이다. 또 다른 구현예에서, 입력 장치는 본 명세서에 개시된 것과 같은 장치들의 조합이다.
도 10을 참조하면, 특정 구현예에서, 예시적인 디지털 처리 장치(1001)는 고막을 분류하기 위한 시스템 및 방법 및 본 명세서에 기술된 컴퓨터로 구현된 분류기를 트레이닝하기 위한 시스템 및 방법을 구현하거나 구현하도록 프로그래밍되거나 그렇지 않으면 제어하도록 구성된다. 장치(1001)는 고막을 분류하기 위한 시스템 및 방법, 및 예를 들어 처리 단계를 수행하는 것과 같이 본 발명의 컴퓨터로 구현된 분류기를 트레이닝하기 위한 시스템 및 방법의 다양한 양태를 조절할 수 있다. 이러한 구현예에서, 디지털 처리 장치(1001)는 단일 코어 또는 다중 코어 프로세서, 또는 병렬 처리를 위한 복수의 프로세서일 수 있는 중앙 처리 장치(1005)(CPU, 본 명세서에서 또한 "프로세서" 및 "컴퓨터 프로세서")를 포함한다. 디지털 처리 장치(1001)는 또한 메모리 또는 메모리 위치(1010)(예컨대, 랜덤 액세스 메모리, 읽기 전용 메모리, 플래시 메모리), 전자 저장 유닛(1015)(예컨대, 하드 디스크), 하나 이상의 다른 시스템과 통신하기 위한 통신 인터페이스(1020)(예컨대, 네트워크 어댑터) 및 캐시, 다른 메모리, 데이터 스토리지(storage) 및/또는 전자 디스플레이 어댑터와 같은 주변 장치(1025)를 포함한다. 메모리(1010), 저장 유닛(1015), 인터페이스(1020) 및 주변 장치(1025)는 마더보드와 같은 통신 버스(실선)를 통해 CPU(1005)와 통신한다. 저장 유닛(1015)은 데이터를 저장하기 위한 데이터 저장 유닛(또는 데이터 저장소)일 수 있다. 디지털 처리 장치(1001)는 통신 인터페이스(1020)의 도움으로 컴퓨터 네트워크("네트워크")(1030)에 작동 가능하게 연결될 수 있다. 네트워크(1030)는 인터넷, 인터넷 및/또는 익스트라넷(extranet), 또는 인터넷과 통신하는 인트라넷 및/또는 익스트라넷일 수 있다. 네트워크(1030)는 일부 경우에 통신 및/또는 데이터 네트워크이다. 네트워크(1030)는 클라우드 컴퓨팅과 같은 분산 컴퓨팅을 가능하게 할 수 있는 하나 이상의 컴퓨터 서버를 포함할 수 있다. 네트워크(1030)는 일부 경우에 장치(1001)의 도움으로 피어-투-피어(peer-to-peer) 네트워크를 구현할 수 있으며, 이는 장치(1001)에 연결된 장치가 클라이언트 또는 서버로 동작하도록 할 수 있다.
계속해서 도 10을 참조하면, CPU(1005)는 프로그램 또는 소프트웨어로 구현될 수 있는 일련의 기계 판독가능 명령을 실행할 수 있다. 그 명령은 메모리(1010)와 같은 메모리 위치에 저장될 수 있다. 명령은 CPU(1005)로 보내질 수 있고, 본 발명의 방법을 구현하도록 CPU(1005)를 후속적으로 프로그래밍하거나 다르게 구성할 수 있다. CPU(1005)에 의해 수행되는 동작의 예시는 인출(fetch), 디코딩, 실행 및 다시 쓰기를 포함할 수 있다. CPU(1005)는 집적 회로와 같은 회로의 일부일 수 있다. 장치(1001)의 하나 이상의 다른 구성 요소가 회로에 포함될 수 있다. 일부 경우에, 회로는 주문형 집적회로(Application Specific Integrated Circuit, ASIC) 또는 필드 프로그램 가능 게이트 어레이(Field Programmable Gate Array, FPGA)이다.
계속해서 도 10을 참조하면, 저장 유닛(1015)는 드라이버, 라이브러리 및 저장된 프로그램과 같은 파일을 저장할 수 있다. 저장 유닛(1015)은 사용자 데이터, 예를 들어 사용자 선호도 및 사용자 프로그램을 저장할 수 있다. 일부 경우에, 디지털 처리 장치(1001)는 인트라넷 또는 인터넷을 통해 통신하는 원격 서버에 위치하는 것과 같이 외부에 있는 하나 이상의 추가 데이터 저장 유닛을 포함할 수 있다. 디지털 처리 장치(1001)는 네트워크(1030)를 통해 하나 이상의 원격 컴퓨터 시스템과 통신할 수 있다. 예를 들어, 장치(1001)는 사용자의 원격 컴퓨터 시스템과 통신할 수 있다.
원격 컴퓨터 시스템의 예는 개인용 컴퓨터(예컨대, 휴대용 PC), 슬레이트 또는 태블릿 PC(예컨대, Apple® iPad, Samsung® Galaxy Tab), 전화기, 스마트폰(예컨대, Apple® iPhone, Android 지원 장치, Blackberry®) 또는 개인 정보 단말기를 포함한다.
본 명세서에 기술된 바와 같은 방법은 예를 들어 메모리(1010) 또는 전자 저장 유닛(1015)과 같은 디지털 처리 장치(1001)의 전자 저장 위치 상에 저장된 기계(예컨대, 컴퓨터 프로세서) 실행가능한 코드에 의해 구현될 수 있다. 기계 실행가능하거나 기계 판독가능한 코드는 소프트웨어 형태로 제공될 수 있다. 사용 중에, 코드는 프로세서(1005)에 의해 실행될 수 있다. 일부 경우에, 코드는 저장 유닛(1015)으로부터 검색될 수 있고 프로세서(1005)에 의해 준비된 접속을 위하여 메모리(1010)에 저장될 수 있다. 어떤 상황에서, 전자 저장 유닛(1015)이 제외될 수 있고 기계 실행가능한 명령은 메모리(1010)에 저장된다.
디지털 처리 장치(1001)는 사용자 인터페이스(UI)(1040)를 포함하는 전자 디스플레이(1035)를 포함하거나 이와 통신할 수 있다. UI의 예는 그래픽 사용자 인터페이스(GUI) 및 웹 기반 사용자 인터페이스를 포함하지만 이에 제한되지 않는다 . 일부 경우에, 전자 디스플레이(1035)는 네트워크, 예컨대 네트워크(1030)를 통해 컴퓨터 시스템(1001)에 연결될 수 있다.
일부 구현예에서, 본 명세서에 개시된 플랫폼, 시스템, 매체 및 방법은 선택적으로 네트워크화된 디지털 처리 장치의 운영 체제에 의해 실행가능한 명령을 포함하는 프로그램으로 인코딩된 하나 이상의 비-일시적 컴퓨터 판독가능 저장 매체를 포함한다. 추가 구현예에서, 컴퓨터 판독가능 저장 매체는 디지털 처리 장치의 유형의 구성요소이다. 또 다른 구현예에서, 컴퓨터 판독가능 저장 매체는 선택적으로 디지털 처리 장치로부터 제거 가능하다. 일부 구현예에서, 컴퓨터 판독가능 저장 매체는 비제한적인 예로서, CD-ROM, DVD, 플래시 메모리 장치, 고체(solid state) 메모리, 자기 디스크 드라이브, 자기 테이프 드라이브, 광 디스크 드라이브, 클라우드 컴퓨팅 시스템 및 서비스 등을 포함한다. 일부 경우에, 프로그램과 명령이 매체 상에 영구적으로, 실질상 영구적으로, 반영구적으로 또는 비-일시적으로 인코딩된다.
일부 구현예에서, 본 명세서에 개시된 플랫폼, 시스템, 매체 및 방법은 적어도 하나의 컴퓨터 프로그램, 또는 그 사용을 포함한다. 컴퓨터 프로그램은 디지털 처리 장치의 CPU에서 실행가능하고 지정된 작업을 실행하도록 작성된 일련의 명령이 포함한다. 컴퓨터 판독가능 명령은 특정 작업을 수행하거나 특정 추상 데이터 유형을 구현하는 기능, 객체, API(응용 프로그래밍 인터페이스), 데이터 구조 등과 같은 프로그램 모듈로 구현될 수 있다. 본 명세서에 제공된 개시 내용에 비추어, 당업자는 컴퓨터 프로그램이 다양한 언어의 다양한 버전으로 작성될 수 있음을 인식할 것이다.
컴퓨터 판독가능 명령의 기능은 다양한 환경에서 원하는 대로 결합되거나 분산될 수 있다. 일부 구현예에서, 컴퓨터 프로그램은 하나의 명령 시퀀스를 포함한다. 일부 구현예에서, 컴퓨터 프로그램은 명령의 복수의 시퀀스를 포함한다. 일부 구현예에서, 컴퓨터 프로그램은 하나의 위치로부터 제공된다. 다른 구현예에서, 컴퓨터 프로그램은 복수의 위치로부터 제공된다. 다양한 구현예에서, 컴퓨터 프로그램은 하나 이상의 소프트웨어 모듈을 포함한다. 다양한 구현예에서, 컴퓨터 프로그램은 부분적으로 또는 전체적으로 하나 이상의 웹 애플리케이션, 하나 이상의 이동성 애플리케이션, 하나 이상의 독립형 애플리케이션, 하나 이상의 웹 브라우저 플러그인, 확장, 애드-인(add-ins) 또는 애드-온(add-ons), 또는 이들의 조합을 포함한다.
일부 구현예에서, 본 명세서에 개시된 플랫폼, 시스템, 매체 및 방법은 소프트웨어, 서버, 및/또는 데이터베이스 모듈, 또는 이들의 사용을 포함한다. 본 명세서에 제공된 개시 내용을 고려하여, 소프트웨어 모듈은 당해 기술 분야에 공지된 기계, 소프트웨어 및 언어를 사용하여 당업자에게 공지된 기술에 의해 생성된다. 여기에 개시된 소프트웨어 모듈은 다양한 방식으로 구현된다. 다양한 구현예에서, 소프트웨어 모듈은 파일, 코드 섹션, 프로그래밍 객체, 프로그래밍 구조, 또는 이들의 조합을 포함한다. 추가의 다양한 구현예에서, 소프트웨어 모듈은 복수의 파일, 복수의 코드 섹션, 복수의 프로그래밍 객체, 복수의 프로그래밍 구조, 또는 이들의 조합을 포함한다. 다양한 구현예에서, 하나 이상의 소프트웨어 모듈은 비제한적인 예로서, 웹 애플리케이션, 이동성 애플리케이션, 및 독립형 애플리케이션을 포함한다. 일부 구현예에서, 소프트웨어 모듈은 하나의 컴퓨터 프로그램 또는 애플리케이션에 있다. 다른 구현예에서, 소프트웨어 모듈은 하나 이상의 컴퓨터 프로그램 또는 애플리케이션에 있다. 일부 구현예에서, 소프트웨어 모듈은 하나의 기계에서 호스팅된다. 다른 구현예에서, 소프트웨어 모듈은 하나 이상의 기계에서 호스팅된다. 추가 구현예에서, 소프트웨어 모듈은 클라우드 컴퓨팅 플랫폼에서 호스팅된다. 일부 구현예에서, 소프트웨어 모듈은 하나의 위치에 있는 하나 이상의 기계에서 호스팅된다. 다른 구현예에서, 소프트웨어 모듈은 하나 이상의 위치에 있는 하나 이상의 기계에서 호스팅된다.
일부 구현예에서, 본 명세서에 개시된 플랫폼, 시스템, 매체 및 방법은 하나 이상의 데이터베이스, 또는 이들의 사용을 포함한다. 본 명세서에 제공된 개시 내용을 고려하여, 당업자는 많은 데이터베이스가 질문 시스템으로부터 데이터 세트의 저장 및 검색, 분류된 데이터 세트 저장, 하나 이상의 데이터 세트로부터 파라미터의 결정, 연관된 파라미터의 저장에 적합하다는 것을 인식할 것이다. 다양한 구현예에서, 적절한 데이터베이스는 비제한적인 예로서, 관계형 데이터베이스, 비관계형 데이터베이스, 객체 지향 데이터베이스, 객체 데이터베이스, 엔티티 관계(entity-relationship) 모델 데이터베이스, 연관 데이터베이스, 및 XML 데이터베이스를 포함한다. 추가의 비제한적인 예로는 SQL, PostgreSQL, MySQL, Oracle, DB2 및 Sybase가 있다. 일부 구현예에서, 데이터베이스는 인터넷 기반이다. 추가 구현예에서, 데이터베이스는 웹 기반이다. 또 다른 구현예에서, 데이터베이스는 클라우드 컴퓨팅 기반이다. 다른 구현예에서, 데이터베이스는 하나 이상의 로컬 컴퓨터 저장 장치를 기반으로 한다.
본 발명의 바람직한 구현예가 본 명세서에 도시되고 기술되었지만, 그러한 구현예가 단지 예로서 제공된다는 것은 당업자에게 자명할 것이다. 당업자에게는 수많은 변형, 변경 및 대체가 이제 본 개시의 범위를 벗어나지 않고 발생할 것이다. 본 명세서에 기재된 본 발명의 구현예에 대한 다양한 대안이 본 개시의 발명을 실시하는데 이용될 수 있음을 이해해야 한다. 다음의 청구범위는 본 발명의 범위를 정의하고 이러한 청구범위 및 그 균등물의 범위 내의 방법 및 구조는 이에 의해 포함되는 것으로 의도된다.

Claims (67)

  1. 고막을 분류하는 방법에 있어서,
    질의 시스템으로부터 고막에 관련한 하나 이상의 데이터 세트를 수신하는 단계;
    상기 하나 이상의 데이터 세트로부터 파라미터 세트를 결정하는 단계로서, 상기 파라미터 세트의 적어도 하나의 파라미터는 고막의 동적 특성 또는 정적 위치에 관련하는, 상기 파라미터 세트를 결정하는 단계; 및
    상기 파라미터 세트로부터 유도된 분류기 모델에 기초하여 고막의 분류를 출력하는 단계로서, 상기 분류는 고막의 상태, 병태 또는 이동성 계량 중 하나 이상을 포함하는, 상기 고막의 분류를 출력하는 단계를 포함하는, 고막을 분류하는 방법.
  2. 제1항에 있어서,
    상기 질의 시스템은 이미징 시스템을 포함하고, 상기 하나 이상의 데이터 세트는 고막의 하나 이상의 이미지를 포함하는, 고막을 분류하는 방법.
  3. 제1항에 있어서,
    상기 분류기 모델은 기계 학습 알고리즘을 포함하는, 고막을 분류하는 방법.
  4. 제3항에 있어서,
    상기 기계 학습 알고리즘은 선형 회귀, 로지스틱(logistic) 회귀, 분류 및 회귀 트리 알고리즘, 서포트 벡터 머신(SVM), 나이브 베이즈(naive Bays), K-최근접 이웃(K-nearest neighbor), 랜덤 포레스트 알고리즘, XGBoost 및 LightGBM과 같은 부스티드 알고리즘(boosted algorithm), 신경망, 합성곱 신경망 및 순환 신경망 중 하나 이상을 포함하는, 고막을 분류하는 방법.
  5. 제3항에 있어서,
    상기 기계 학습 알고리즘은 지도 학습 알고리즘, 비-지도 학습 알고리즘 또는 반-지도(semi-supervised) 학습 알고리즘인, 고막을 분류하는 방법.
  6. 제2항에 있어서,
    상기 고막의 하나 이상의 이미지가 하나 이상의 초음파 이미지를 포함하는, 고막을 분류하는 방법.
  7. 제6항에 있어서,
    상기 하나 이상의 초음파 이미지는 공압식 초음파 고실경으로부터의 이미지를 포함하는, 고막을 분류하는 방법.
  8. 제6항에 있어서,
    상기 하나 이상의 초음파 이미지는 공압 여기(pneumatic excitation)에 응답하여 측정되는, 고막을 분류하는 방법.
  9. 제2항에 있어서,
    상기 고막의 하나 이상의 이미지는 하나 이상의 광간섭 단층촬영 이미지를 포함하는, 고막을 분류하는 방법.
  10. 제2항에 있어서,
    상기 이미지는 광학 이미지를 포함하는, 고막을 분류하는 방법.
  11. 제2항에 있어서,
    상기 막의 동적 특성 또는 정적 위치에 관련된 적어도 하나의 파라미터는 공압 여기에 대한 응답인, 고막을 분류하는 방법.
  12. 제11항에 있어서,
    상기 공압 여기는 가스의 방출을 포함하는, 고막을 분류하는 방법.
  13. 제11항에 있어서,
    상기 공압 여기는 10Hz보다 큰 주파수를 갖는, 고막을 분류하는 방법.
  14. 제1항에 있어서,
    상기 고막의 동적 특성은:
    막 움직임 또는 막 이동성의 표시;
    고막의 최소 또는 최대 변위;
    이상치 변위;
    최소 변위와 최대 변위 사이의 차이 또는 비율;
    공압 여기의 압력에 대한, 변위의 기울기 또는 최소 변위와 최대 변위 사이의 차이 또는 비율의 기울기;
    측정된 압력 대 인가된 압력의 응답;
    공압 여기에 응답한 고막의 시각적 움직임;
    특이값 분해, 주성분 분석 및 K-평균 클러스터링으로부터 생성된 하나 이상의 통계적 성분; 및
    초음파 펄스 에코 진폭 또는 초음파 에코 위상 또는 이들의 도함수 또는 이들의 움직임 평균; 중 하나 이상을 포함하는, 고막을 분류하는 방법.
  15. 제14항에 있어서,
    상기 고막의 동적 특성은 공압 여기의 압력에 대해 정규화되는, 고막을 분류하는 방법.
  16. 제1항에 있어서,
    상기 고막 이동성의 순서 판독, 범주 판독, 또는 연속 수치 출력 중 하나 이상을 생성하는 단계를 더 포함하는, 고막을 분류하는 방법.
  17. 제16항에 있어서,
    순서 판독은 막 이동성의 정도에 관련한 수치 척도를 포함하는, 고막을 분류하는 방법.
  18. 제17항에 있어서,
    상기 수치 척도는 0 내지 4+ 분류를 포함하는, 고막을 분류하는 방법.
  19. 제16항에 있어서,
    범주 판독은 높은 이동성, 중간 이동성, 반(semi) 이동성 또는 비-이동성 중 적어도 하나로서 막 이동성 정도의 표시를 포함하는, 고막을 분류하는 방법.
  20. 제16항에 있어서,
    범주 판독은 이진 분류를 포함하는, 고막을 분류하는 방법.
  21. 제16항에 있어서,
    연속 수치 출력은 측정 막 변위, 막 움직임 속도 또는 막 회복 속도 중 하나 이상을 포함하는, 고막을 분류하는 방법.
  22. 제1항에 있어서,
    상기 고막의 상태 또는 병태가 급성 중이염, 급성 삼출성 중이염, 중이 삼출액, 만성 중이염, 만성 화농성 중이염, 세균 감염, 바이러스 감염, 무삼출액 및 미지의 분류 중 하나 이상을 포함하는, 고막을 분류하는 방법.
  23. 제1항에 있어서,
    상기 하나 이상의 데이터 세트는 m-모드 초음파 데이터 세트를 포함하는, 고막을 분류하는 방법.
  24. 제1항에 있어서,
    상기 하나 이상의 데이터 세트는 적외선 이미지를 포함하는, 고막을 분류하는 방법.
  25. 제1항에 있어서,
    상기 하나 이상의 데이터 세트는 공압 데이터 세트를 포함하는, 고막을 분류하는 방법.
  26. 제1항에 있어서,
    상기 하나 이상의 데이터 세트는 공압 여기에 응답하여 촬영된 하나 이상의 광학 이미지를 포함하는, 고막을 분류하는 방법.
  27. 제1항에 있어서,
    상기 정적 위치는 팽창된 막 또는 수축된 막을 포함하는, 고막을 분류하는 방법.
  28. 고막을 분류하기 위한 시스템에 있어서,
    상기 시스템은:
    메모리를 포함하는 컴퓨팅 시스템으로서, 상기 메모리는 상기 고막을 분류하기 위한 명령을 포함하는, 상기 컴퓨팅 시스템을 포함하고,
    상기 컴퓨팅 시스템은:
    질의 시스템으로부터 고막에 관련한 하나 이상의 데이터 세트를 수신하고;
    상기 하나 이상의 데이터 세트로부터 파라미터 세트를 결정하는 것으로서, 상기 파라미터 세트의 적어도 하나의 파라미터는 고막의 동적 특성 또는 정적 위치에 관련하는, 상기 파라미터 세트를 결정하고;
    상기 파라미터 세트로부터 유도된 분류기 모델에 기초하여 고막의 분류를 출력하는 것으로서, 상기 분류는 고막의 상태, 병태 또는 이동성 계량을 포함하는, 상기 고막의 분류를 출력하도록 하는 명령을 적어도 실행하는, 고막을 분류하기 위한 시스템.
  29. 제28항에 있어서,
    상기 질의 시스템은 이미징 시스템을 포함하고, 상기 하나 이상의 데이터 세트는 고막의 하나 이상의 이미지를 포함하는, 고막을 분류하기 위한 시스템.
  30. 제28항에 있어서,
    공압식 초음파 고실경을 추가로 포함하는, 고막을 분류하기 위한 시스템.
  31. 제28항에 있어서,
    상기 분류기 모델은 기계 학습 알고리즘을 포함하는, 고막을 분류하기 위한 시스템.
  32. 제31항에 있어서,
    상기 기계 학습 알고리즘은 선형 회귀, 로지스틱(logistic) 회귀, 분류 및 회귀 트리 알고리즘, 서포트 벡터 머신(SVM), 나이브 베이즈(naive Bays), K-최근접 이웃(K-nearest neighbor), 랜덤 포레스트 알고리즘, XGBoost 및 LightGBM과 같은 부스티드 알고리즘(boosted algorithm), 신경망, 합성곱 신경망 및 순환 신경망 중 하나 이상을 포함하는, 고막을 분류하기 위한 시스템.
  33. 제31항에 있어서,
    상기 기계 학습 알고리즘은 지도 학습 알고리즘, 비-지도 학습 알고리즘, 또는 반-지도(semi-supervised) 학습 알고리즘인, 고막을 분류하기 위한 시스템.
  34. 제29항에 있어서,
    상기 고막의 하나 이상의 이미지는 하나 이상의 초음파 이미지를 포함하는, 고막을 분류하기 위한 시스템.
  35. 제34항에 있어서,
    상기 하나 이상의 초음파 이미지는 공압식 초음파 고실경으로부터의 이미지를 포함하는, 고막을 분류하기 위한 시스템.
  36. 제34항에 있어서,
    상기 하나 이상의 초음파 이미지는 공압 여기에 응답하여 측정되는, 고막을 분류하기 위한 시스템.
  37. 제29항에 있어서,
    상기 고막의 하나 이상의 이미지는 하나 이상의 광간섭 단층촬영 이미지를 포함하는, 고막을 분류하기 위한 시스템.
  38. 제29항에 있어서,
    상기 이미지는 광학 이미지를 포함하는, 고막을 분류하기 위한 시스템.
  39. 제29항에 있어서,
    상기 막의 동적 특성 또는 정적 위치에 관련된 적어도 하나의 파라미터는 공압 여기에 대한 응답인, 고막을 분류하기 위한 시스템.
  40. 제39항에 있어서,
    상기 공압 여기가 가스의 방출을 포함하는, 고막을 분류하기 위한 시스템.
  41. 제39항에 있어서,
    상기 공압 여기는 10Hz보다 큰 주파수를 포함하는, 고막을 분류하기 위한 시스템.
  42. 제28항에 있어서,
    상기 고막의 동적 특성은:
    막 움직임 또는 막 이동성의 표시;
    고막의 최소 또는 최대 변위;
    이상치 변위;
    최소 변위와 최대 변위 사이의 차이 또는 비율;
    공압 여기의 압력에 대한, 변위의 기울기 또는 최소 변위와 최대 변위 사이의 차이 또는 비율의 기울기;
    측정된 압력 대 인가된 압력의 응답;
    공압 여기에 응답한 고막의 시각적 움직임;
    특이값 분해, 주성분 분석 및 K-평균 클러스터링으로부터 생성된 하나 이상의 통계적 성분; 및
    초음파 펄스 에코 진폭 또는 초음파 에코 위상 또는 이들의 도함수 또는 이들의 움직임 평균; 중 하나 이상을 포함하는, 고막을 분류하기 위한 시스템.
  43. 제42항에 있어서,
    상기 고막의 동적 특성은 공압 여기의 압력에 대해 정규화되는, 고막을 분류하기 위한 시스템.
  44. 제28항에 있어서,
    상기 컴퓨팅 시스템은 순서 판독, 범주 판독 또는 고막 이동성의 연속 수치 출력 중 하나 이상을 생성하기 위한 명령을 실행하도록 추가로 구성되는, 고막을 분류하기 위한 시스템.
  45. 제44항에 있어서,
    순서 판독은 막 이동성의 정도에 관련한 수치 척도를 포함하는, 고막을 분류하기 위한 시스템.
  46. 제45항에 있어서,
    상기 수치 척도는 0 내지 4+ 분류를 포함하는, 고막을 분류하기 위한 시스템.
  47. 제44항에 있어서,
    범주 판독은 높은 이동성, 중간 이동성, 반(semi) 이동성 또는 비-이동성 중 적어도 하나로서 막 이동성 정도의 표시를 포함하는, 고막을 분류하기 위한 시스템.
  48. 제44항에 있어서,
    범주 판독은 이진 분류를 포함하는, 고막을 분류하기 위한 시스템.
  49. 제44항에 있어서,
    연속 수치 출력은 측정 막 변위, 막 이동 속도 또는 막 회복 속도 중 하나 이상을 포함하는, 고막을 분류하기 위한 시스템.
  50. 제28항에 있어서,
    상기 고막의 상태 또는 병태는 급성 중이염, 급성 삼출성 중이염, 중이 삼출액, 만성 중이염, 만성 화농성 중이염, 세균 감염, 바이러스 감염, 무삼출액 및 미지의 분류 중 하나 이상을 포함하는, 고막을 분류하기 위한 시스템.
  51. 제28항에 있어서,
    상기 하나 이상의 데이터 세트는 m-모드 초음파 데이터 세트를 포함하는, 고막을 분류하기 위한 시스템.
  52. 제28항에 있어서,
    상기 하나 이상의 데이터 세트는 적외선 이미지를 포함하는, 고막을 분류하기 위한 시스템.
  53. 제28항에 있어서,
    상기 하나 이상의 데이터 세트는 공압 데이터 세트를 포함하는, 고막을 분류하기 위한 시스템.
  54. 제28항에 있어서,
    상기 하나 이상의 데이터 세트는 공압 여기에 응답하여 촬영된 하나 이상의 광학 이미지를 포함하는, 고막을 분류하기 위한 시스템.
  55. 제28항에 있어서,
    상기 정적 위치는 팽창된 막 또는 수축된 막을 포함하는, 고막을 분류하기 위한 시스템.
  56. 컴퓨팅 시스템에 의한 실행 시 막을 분류하기 위한 방법을 구현하는 기계 실행 가능 코드를 포함하는 비-일시적 컴퓨터 판독가능 저장 매체로서,
    상기 방법은:
    질의 시스템으로부터 고막에 관련한 하나 이상의 데이터 세트를 수신하는 단계;
    상기 하나 이상의 데이터 세트로부터 파라미터 세트를 결정하는 단계로서, 상기 파라미터 세트의 적어도 하나의 파라미터는 고막의 동적 특성 또는 정적 위치에 관련하는, 상기 파라미터 세트를 결정하는 단계; 및
    상기 파라미터 세트로부터 유도된 분류기 모델에 기초하여 고막의 분류를 출력하는 단계로서, 상기 분류는 고막의 상태, 병태 또는 이동성 계량을 포함하는, 상기 고막의 분류를 출력하는 단계를 포함하는, 비-일시적 컴퓨터 판독가능 저장 매체.
  57. 제56항에 있어서,
    상기 질의 시스템은 이미징 시스템을 포함하고, 상기 하나 이상의 데이터 세트는 상기 고막의 하나 이상의 이미지를 포함하는, 비-일시적 컴퓨터 판독가능 저장 매체.
  58. 제56항에 있어서,
    제2항 내지 제27항 중 어느 한 항의 방법을 추가로 포함하는, 비-일시적 컴퓨터 판독가능 저장 매체.
  59. 컴퓨터로 구현된 분류기를 트레이닝하는 방법에 있어서,
    하나 이상의 고막에 관련한 하나 이상의 데이터 세트 및 하나 이상의 고막에 관련한 하나 이상의 분류된 데이터 세트에 기초하여 파라미터 세트를 수신하는 단계로서, 분류는 고막의 상태, 병태 또는 이동성 계량을 포함하고 파라미터 세트는 상기 하나 이상의 고막의 동적 특성 또는 정적 위치에 관련된 적어도 하나의 파라미터를 포함하는, 상기 파라미터 세트를 수신하는 단계;
    상기 파라미터 세트 및 상기 하나 이상의 분류된 데이터 세트를 데이터베이스에 저장하는 단계;
    상기 파라미터 세트 및 상기 하나 이상의 분류된 데이터 세트에 기초하여 분류기 모델을 구축하는 단계로서, 상기 분류기 모델은 상기 파라미터 세트로부터 유도되고 상기 분류기 모델은 상기 하나 이상의 분류된 데이터 세트 중 하나의 데이터 세트에 기초하여 분류를 출력하는, 상기 분류기 모델을 구축하는 단계; 및
    분류되지 않은 데이터 세트의 분류를 제공하기 위해 상기 분류기 모델을 사용하는 단계를 포함하는, 컴퓨터로 구현된 분류기를 트레이닝하는 방법.
  60. 제59항에 있어서,
    제2의 하나 이상의 분류된 데이터 세트에 기초하여 상기 데이터베이스를 갱신하는 단계; 및
    상기 제2의 하나 이상의 분류된 데이터 세트에 기초하여 상기 분류기 모델을 갱신하는 단계를 추가로 포함하는, 컴퓨터로 구현된 분류기를 트레이닝하는 방법.
  61. 제59항 또는 제60항에 있어서,
    제1항 내지 제27항 중 어느 한 항의 고막을 분류하는 방법에 의해 분류되지 않은 데이터 세트의 분류를 제공하기 위해 상기 분류기 모델을 사용하는 단계를 추가로 포함하는, 컴퓨터로 구현된 분류기를 트레이닝하는 방법.
  62. 컴퓨터로 구현된 분류기를 트레이닝하기 위한 시스템으로서,
    상기 시스템은:
    메모리를 포함하는 컴퓨팅 시스템으로서, 상기 메모리는 데이터 세트를 트레이닝하기 위한 명령을 포함하는, 상기 컴퓨팅 시스템을 포함하고,
    상기 컴퓨팅 시스템은:
    하나 이상의 고막에 관련한 하나 이상의 데이터 세트 및 하나 이상의 고막에 관련한 하나 이상의 분류된 데이터 세트에 기초하여 파라미터 세트를 수신하는 것으로서, 분류는 고막의 상태, 병태 또는 이동성 계량을 포함하고 파라미터 세트는 상기 하나 이상의 고막의 동적 특성 또는 정적 위치에 관련된 적어도 하나의 파라미터를 포함하는, 상기 파라미터 세트를 수신하고;
    상기 파라미터 세트 및 상기 하나 이상의 분류된 데이터 세트를 데이터베이스에 저장하고;
    상기 파라미터 세트 및 상기 하나 이상의 분류된 데이터 세트에 기초하여 분류기 모델을 구축하는 것으로서, 상기 분류기 모델은 상기 파라미터 세트로부터 유도되고 상기 분류기 모델은 상기 하나 이상의 분류된 데이터 세트 중 하나의 데이터 세트에 기초하여 분류를 출력하는, 상기 분류기 모델을 구축하고;
    분류되지 않은 데이터 세트의 분류를 제공하기 위해 상기 분류기 모델을 사용하도록 하는 명령을 적어도 실행하는, 컴퓨터로 구현된 분류기를 트레이닝하기 위한 시스템.
  63. 제62항에 있어서,
    제2의 하나 이상의 분류된 데이터 세트에 기초하여 상기 데이터베이스를 갱신하는 단계; 및
    상기 제2의 하나 이상의 분류된 데이터 세트에 기초하여 상기 분류기 모델을 갱신하는 단계를 추가로 포함하는, 컴퓨터로 구현된 분류기를 트레이닝하기 위한 시스템.
  64. 제62항 또는 제63항에 있어서,
    제28항 내지 제55항 중 어느 한 항의 고막을 분류하기 위한 시스템을 추가로 포함하는, 컴퓨터로 구현된 분류기를 트레이닝하기 위한 시스템.
  65. 컴퓨팅 시스템에 의한 실행 시 컴퓨터로 구현된 분류기를 트레이닝하는 방법을 구현하는 기계 실행 가능 코드를 포함하는 비-일시적 컴퓨터 판독가능 저장 매체로서,
    상기 방법은:
    하나 이상의 고막에 관련한 하나 이상의 데이터 세트 및 하나 이상의 고막에 관련한 하나 이상의 분류된 데이터 세트에 기초하여 파라미터 세트를 수신하는 단계로서, 분류는 고막의 상태, 병태 또는 이동성 계량을 포함하고 파라미터 세트는 상기 하나 이상의 고막의 동적 특성 또는 정적 위치에 관련된 적어도 하나의 파라미터를 포함하는, 상기 파라미터 세트를 수신하는 단계;
    상기 파라미터 세트 및 상기 하나 이상의 분류된 데이터 세트를 데이터베이스에 저장하는 단계;
    상기 파라미터 세트 및 상기 하나 이상의 분류된 데이터 세트에 기초하여 분류기 모델을 구축하는 단계로서, 상기 분류기 모델은 상기 파라미터 세트로부터 유도되고 상기 분류기 모델은 분류를 출력하는, 상기 분류기 모델을 구축하는 단계; 및
    분류되지 않은 데이터 세트의 분류를 제공하기 위해 상기 분류기 모델을 사용하는 단계를 포함하는, 비-일시적 컴퓨터 판독가능 저장 매체.
  66. 제65항에 있어서,
    상기 방법은, 제2의 하나 이상의 분류된 데이터 세트에 기초하여 상기 데이터베이스를 갱신하는 단계; 및
    상기 제2의 하나 이상의 분류된 데이터 세트에 기초하여 상기 분류기 모델을 갱신하는 단계를 추가로 포함하는, 비-일시적 컴퓨터 판독가능 저장 매체.
  67. 제65항 또는 제66항에 있어서,
    상기 방법은, 제1항 내지 제28항 중 어느 한 항의 고막을 분류하기 위한 방법에 의해 분류되지 않은 데이터 세트의 분류를 제공하기 위하여 상기 분류기 모델을 사용하는 단계를 추가로 포함하는, 비-일시적 컴퓨터 판독가능 저장 매체.
KR1020217026907A 2019-01-25 2020-01-24 중이염 진단을 위한 기계 학습 KR102650078B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020247009024A KR20240043807A (ko) 2019-01-25 2020-01-24 중이염 진단을 위한 기계 학습

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962796762P 2019-01-25 2019-01-25
US62/796,762 2019-01-25
PCT/US2020/015101 WO2020154698A1 (en) 2019-01-25 2020-01-24 Machine learning for otitis media diagnosis

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020247009024A Division KR20240043807A (ko) 2019-01-25 2020-01-24 중이염 진단을 위한 기계 학습

Publications (2)

Publication Number Publication Date
KR20210121119A true KR20210121119A (ko) 2021-10-07
KR102650078B1 KR102650078B1 (ko) 2024-03-25

Family

ID=71735819

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020247009024A KR20240043807A (ko) 2019-01-25 2020-01-24 중이염 진단을 위한 기계 학습
KR1020217026907A KR102650078B1 (ko) 2019-01-25 2020-01-24 중이염 진단을 위한 기계 학습

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020247009024A KR20240043807A (ko) 2019-01-25 2020-01-24 중이염 진단을 위한 기계 학습

Country Status (8)

Country Link
US (2) US11361434B2 (ko)
EP (1) EP3914140A4 (ko)
JP (2) JP7297904B2 (ko)
KR (2) KR20240043807A (ko)
CN (1) CN113632178A (ko)
AU (1) AU2020213126A1 (ko)
CA (1) CA3127484A1 (ko)
WO (1) WO2020154698A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024014702A1 (ko) * 2022-07-13 2024-01-18 재단법인 아산사회복지재단 중이염 진단 방법 및 장치

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113632178A (zh) * 2019-01-25 2021-11-09 沃德诺希斯医疗技术有限公司 用于中耳炎诊断的机器学习
US11501101B1 (en) * 2019-12-16 2022-11-15 NTT DATA Services, LLC Systems and methods for securing machine learning models
US11928509B2 (en) * 2021-01-07 2024-03-12 Micron Technology, Inc. Memory system workload allocation
CN114764986A (zh) * 2021-01-15 2022-07-19 苏州仁甬得物联科技有限公司 一种弹性器皿仿生模拟系统
CN117835902A (zh) * 2021-07-23 2024-04-05 飞通尼护理股份有限公司 用于计算机辅助诊断中耳炎的多模态方法的系统及使用方法
KR20230030799A (ko) * 2021-08-26 2023-03-07 재단법인 아산사회복지재단 중이염 고막 영상에 기계 학습 모델을 이용하여 정상 고막 영상을 생성하기 위한 고막 영상 처리 장치 및 방법
CN115670520B (zh) * 2023-01-06 2023-05-16 深圳微创踪影医疗装备有限公司 血管内超声成像方法、装置、计算机设备、存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020026125A1 (en) * 2000-08-25 2002-02-28 Hans Leysieffer Device for electromechanical stimulation and testing of hearing
US20040133108A1 (en) * 2002-12-06 2004-07-08 Jan Lewandowski Ultrasonic detection of ear disorders
KR20100130765A (ko) * 2009-06-04 2010-12-14 을지대학교 산학협력단 삼출성 중이염 진단용 초음파 프로브
US20140249426A1 (en) * 2011-11-02 2014-09-04 Industry-Academic Cooperation Foundation Yonsei University Probe for Diagnosing Otitis Media Using Terahertz Waves and Otitis Media Diagnosis System and Method
US20150065803A1 (en) * 2013-09-05 2015-03-05 Erik Scott DOUGLAS Apparatuses and methods for mobile imaging and analysis
US20150305609A1 (en) * 2012-08-03 2015-10-29 Carnegie Mellon University Method and apparatus for aiding in the diagnosis of otitis media by classifying tympanic membrane images
US20170323176A1 (en) * 2016-05-05 2017-11-09 National Central University System and Method for an Otitis Media Database Constructing and an Image Analyzing
KR20180031711A (ko) * 2015-07-13 2018-03-28 오토넥서스 메디컬 테크놀러지 인코퍼레이티드 급성 중이염의 특성화를 위한 장치 및 방법
US20190216308A1 (en) * 2016-09-02 2019-07-18 Ohio State Innovation Foundation System and method of otoscopy image analysis to diagnose ear pathology
KR20200077461A (ko) * 2018-12-20 2020-06-30 옵토스 피엘씨 안구 이미지에서 병리의 검출
KR20210070294A (ko) * 2018-10-03 2021-06-14 오토넥서스 메디컬 테크놀러지 인코퍼레이티드 초음파 및 광학 조명을 사용한 막 특성화를 위한 방법 및 장치
KR20220002591A (ko) * 2019-04-30 2022-01-06 오토넥서스 메디컬 테크놀러지 인코퍼레이티드 고막을 시뮬레이션하기 위한 시스템 및 방법

Family Cites Families (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69131681T2 (de) 1990-11-22 2000-06-08 Toshiba Kawasaki Kk Rechnergestütztes System zur Diagnose für medizinischen Gebrauch
US5331550A (en) 1991-03-05 1994-07-19 E. I. Du Pont De Nemours And Company Application of neural networks as an aid in medical diagnosis and general anomaly detection
JP3848364B2 (ja) * 1995-01-26 2006-11-22 エムディーアイ・インストルメンツ・インコーポレーテッド 耳の音響反射曲線を発生させ且つその形状を測定する装置及び方法
US6090044A (en) * 1997-12-10 2000-07-18 Bishop; Jeffrey B. System for diagnosing medical conditions using a neural network
AU5493499A (en) 1998-08-19 2000-03-14 Cedars-Sinai Medical Center System and method for spectral topography of mammalian matter using white light illumination
WO2001026026A2 (en) 1999-10-04 2001-04-12 University Of Florida Local diagnostic and remote learning neural networks for medical diagnosis
KR20040067836A (ko) 2000-11-16 2004-07-30 에이.비.와이. 샤하르 이니셜 다이어그노시스 리미티드 귀의 진단 시스템
JP2003038476A (ja) 2001-08-03 2003-02-12 Konica Corp コンピュータ支援診断システム
US20040068167A1 (en) 2002-09-13 2004-04-08 Jiang Hsieh Computer aided processing of medical images
US7283653B2 (en) 2002-11-26 2007-10-16 Siemens Aktiengesellschaft Method and system for supporting the evaluation of a picture of an eye
US7606402B2 (en) * 2003-06-09 2009-10-20 Ge Medical Systems Global Technology, Llc Methods and systems for physiologic structure and event marking
SE0301718L (sv) 2003-06-13 2005-02-11 Atos Medical Ab Metod och anordning för bestämning av kroppstillstånd
WO2005050156A2 (en) 2003-11-18 2005-06-02 Chameleon Medical Innovation Ltd. Measurement system and method for use in determining the patient's condition
US20060235725A1 (en) 2005-04-15 2006-10-19 Martin Kleen Method for utilization of computer-assisted diagnosis tools
US7771356B2 (en) 2005-11-14 2010-08-10 Spentech, Inc. Ultrasound tympanoscope
US8157730B2 (en) 2006-12-19 2012-04-17 Valencell, Inc. Physiological and environmental monitoring systems and methods
WO2008090910A1 (ja) 2007-01-24 2008-07-31 Panasonic Corporation 生体情報測定装置及びその制御方法
US8115934B2 (en) 2008-01-18 2012-02-14 The Board Of Trustees Of The University Of Illinois Device and method for imaging the ear using optical coherence tomography
WO2009157825A1 (en) 2008-06-24 2009-12-30 Atos Medical Ab A method and device for diagnosing ear conditions
JP4810562B2 (ja) 2008-10-17 2011-11-09 キヤノン株式会社 画像処理装置、画像処理方法
JP2012235796A (ja) 2009-09-17 2012-12-06 Sharp Corp 診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体、並びに、分類処理装置
US20110112995A1 (en) * 2009-10-28 2011-05-12 Industrial Technology Research Institute Systems and methods for organizing collective social intelligence information using an organic object data model
CN103181154A (zh) 2010-10-29 2013-06-26 加利福尼亚大学董事会 用于成像的手机显微镜装置和方法
US20130303941A1 (en) 2010-12-13 2013-11-14 The Board Of Trustees Of The University Of Illinois Method and Apparatus for Evaluating Dynamic Middle Ear Muscle Activity
US20120185275A1 (en) 2011-01-15 2012-07-19 Masoud Loghmani System and method of automated data analysis for implementing health records personal assistant with automated correlation of medical services to insurance and tax benefits for improved personal health cost management
US8996098B2 (en) 2012-03-19 2015-03-31 Donald Spector System and method for diagnosing and treating disease
WO2013149038A1 (en) 2012-03-28 2013-10-03 University Of Houston System Methods and software for screening and diagnosing skin lesions and plant diseases
WO2013160780A1 (en) 2012-04-23 2013-10-31 I.R.Med Ltd. Short-wave infrared imaging and spectroscopy technique for inflammation classification and tumor and inflammation differentiation in human tissues inside the body
US9798918B2 (en) 2012-10-05 2017-10-24 Cireca Theranostics, Llc Method and system for analyzing biological specimens by spectral imaging
US9922242B2 (en) 2012-12-02 2018-03-20 Agricam Ab Systems and methods for predicting the outcome of a state of a subject
KR20160005677A (ko) * 2013-02-04 2016-01-15 헬렌 오브 트로이 리미티드 피험자의 귀의 상태를 결정하는 방법 및 귀 검사 장치
WO2014117955A2 (en) * 2013-02-04 2014-08-07 Helen Of Troy Limited Method for identifying objects in a subject's ear
US9867528B1 (en) 2013-08-26 2018-01-16 The Board Of Trustees Of The University Of Illinois Quantitative pneumatic otoscopy using coherent light ranging techniques
US9684960B2 (en) 2014-01-25 2017-06-20 Pangea Diagnostics Limited Automated histological diagnosis of bacterial infection using image analysis
US9750450B2 (en) 2015-09-18 2017-09-05 Htc Corporation Method, electronic apparatus, and computer readable medium of constructing classifier for skin-infection detection
KR101623431B1 (ko) 2015-08-06 2016-05-23 주식회사 루닛 의료 영상의 병리 진단 분류 장치 및 이를 이용한 병리 진단 시스템
US10874333B2 (en) 2015-09-15 2020-12-29 Massachusetts Institute Of Technology Systems and methods for diagnosis of middle ear conditions and detection of analytes in the tympanic membrane
US20170132367A1 (en) 2015-11-10 2017-05-11 International Business Machines Corporation Multifarious medical consultation options optimizer
US9536054B1 (en) 2016-01-07 2017-01-03 ClearView Diagnostics Inc. Method and means of CAD system personalization to provide a confidence level indicator for CAD system recommendations
CN105996995B (zh) * 2016-05-03 2018-09-07 华南师范大学 一种基于光谱技术的中耳炎诊断系统和仪器
US10675001B2 (en) 2016-06-04 2020-06-09 Otonexus Medical Technologies, Inc. Apparatus and method for characterization of a ductile membrane, surface, and sub-surface properties
US10568515B2 (en) 2016-06-21 2020-02-25 Otonexus Medical Technologies, Inc. Optical coherence tomography device for otitis media
US10357161B1 (en) 2017-05-31 2019-07-23 Otonexus Medical Technologies, Inc. Infrared otoscope for characterization of effusion
US9589374B1 (en) 2016-08-01 2017-03-07 12 Sigma Technologies Computer-aided diagnosis system for medical images using deep convolutional neural networks
KR101944536B1 (ko) 2016-12-11 2019-02-01 주식회사 딥바이오 뉴럴 네트워크를 이용한 질병의 진단 시스템 및 그 방법
WO2018140014A1 (en) 2017-01-25 2018-08-02 Athelas, Inc. Classifying biological samples using automated image analysis
US20180211380A1 (en) 2017-01-25 2018-07-26 Athelas Inc. Classifying biological samples using automated image analysis
US10275644B2 (en) 2017-03-08 2019-04-30 Ricoh Company, Ltd Automatic classification of eardrum shape
WO2018198253A1 (ja) 2017-04-26 2018-11-01 オリンパス株式会社 画像処理装置、撮像システム、画像処理方法、及び画像処理プログラム
US11445942B2 (en) 2018-06-01 2022-09-20 Otonexus Medical Technologies, Inc. Acoustic otoscope
US11786148B2 (en) * 2018-08-01 2023-10-17 Digital Diagnostics Inc. Autonomous diagnosis of ear diseases from biomarker data
CN113632178A (zh) * 2019-01-25 2021-11-09 沃德诺希斯医疗技术有限公司 用于中耳炎诊断的机器学习

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020026125A1 (en) * 2000-08-25 2002-02-28 Hans Leysieffer Device for electromechanical stimulation and testing of hearing
US20040133108A1 (en) * 2002-12-06 2004-07-08 Jan Lewandowski Ultrasonic detection of ear disorders
KR20100130765A (ko) * 2009-06-04 2010-12-14 을지대학교 산학협력단 삼출성 중이염 진단용 초음파 프로브
US20140249426A1 (en) * 2011-11-02 2014-09-04 Industry-Academic Cooperation Foundation Yonsei University Probe for Diagnosing Otitis Media Using Terahertz Waves and Otitis Media Diagnosis System and Method
US20150305609A1 (en) * 2012-08-03 2015-10-29 Carnegie Mellon University Method and apparatus for aiding in the diagnosis of otitis media by classifying tympanic membrane images
US20150065803A1 (en) * 2013-09-05 2015-03-05 Erik Scott DOUGLAS Apparatuses and methods for mobile imaging and analysis
KR20180031711A (ko) * 2015-07-13 2018-03-28 오토넥서스 메디컬 테크놀러지 인코퍼레이티드 급성 중이염의 특성화를 위한 장치 및 방법
US20170323176A1 (en) * 2016-05-05 2017-11-09 National Central University System and Method for an Otitis Media Database Constructing and an Image Analyzing
US20190216308A1 (en) * 2016-09-02 2019-07-18 Ohio State Innovation Foundation System and method of otoscopy image analysis to diagnose ear pathology
JP2019534723A (ja) * 2016-09-02 2019-12-05 オハイオ・ステイト・イノベーション・ファウンデーション 耳病理を診断するための耳鏡検査画像分析のシステム及び方法
KR20210070294A (ko) * 2018-10-03 2021-06-14 오토넥서스 메디컬 테크놀러지 인코퍼레이티드 초음파 및 광학 조명을 사용한 막 특성화를 위한 방법 및 장치
KR20200077461A (ko) * 2018-12-20 2020-06-30 옵토스 피엘씨 안구 이미지에서 병리의 검출
KR20220002591A (ko) * 2019-04-30 2022-01-06 오토넥서스 메디컬 테크놀러지 인코퍼레이티드 고막을 시뮬레이션하기 위한 시스템 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024014702A1 (ko) * 2022-07-13 2024-01-18 재단법인 아산사회복지재단 중이염 진단 방법 및 장치

Also Published As

Publication number Publication date
CA3127484A1 (en) 2020-07-30
WO2020154698A1 (en) 2020-07-30
KR20240043807A (ko) 2024-04-03
US20200286227A1 (en) 2020-09-10
JP7297904B2 (ja) 2023-06-26
JP2022518267A (ja) 2022-03-14
EP3914140A1 (en) 2021-12-01
CN113632178A (zh) 2021-11-09
EP3914140A4 (en) 2022-11-16
US11361434B2 (en) 2022-06-14
KR102650078B1 (ko) 2024-03-25
US20220261994A1 (en) 2022-08-18
AU2020213126A1 (en) 2021-09-09
JP2023123581A (ja) 2023-09-05

Similar Documents

Publication Publication Date Title
KR102650078B1 (ko) 중이염 진단을 위한 기계 학습
Noor et al. Automated sheep facial expression classification using deep transfer learning
EP3500173B1 (en) Enhanced stethoscope devices
WO2019210292A1 (en) System and method for feature extraction and classification on ultrasound tomography images
JP2024069301A (ja) 眼内レンズを選択するためのシステム及び方法
Zhou et al. Lung mass density analysis using deep neural network and lung ultrasound surface wave elastography
US11923090B2 (en) Early skin condition diagnostics using sonic sensors
Parker et al. Detecting paroxysmal coughing from pertussis cases using voice recognition technology
US20200226796A1 (en) Learning device, learning method, and recording medium
US20220022791A1 (en) Systems and methods for uroflowmetry
Dar et al. Design and development of hybrid optimization enabled deep learning model for COVID-19 detection with comparative analysis with DCNN, BIAT-GRU, XGBoost
Shastry An ensemble nearest neighbor boosting technique for prediction of Parkinson’s disease
US20200229870A1 (en) Systems and methods for intraocular lens selection using emmetropia zone prediction
US11308615B1 (en) Systems and processes for improving medical diagnoses
US20230015122A1 (en) Aortic stenosis classification
Dar et al. Jaya Honey Badger optimization-based deep neuro-fuzzy network structure for detection of (SARS-CoV) Covid-19 disease by using respiratory sound signals
Kalimuthukumar et al. Early-detection of Parkinson’s disease by patient voice modulation analysis through MFCC Feature extraction technique
Liu et al. Toward reliable calcification detection: calibration of uncertainty in object detection from coronary optical coherence tomography images
Sun et al. Automated discomfort detection for premature infants in NICU using time-frequency feature-images and CNNs
Parente Development of machine learning tools for the extraction of behavioral and physiological parameters of birds in their natural environment
KR102675431B1 (ko) 초음파 단층 촬영 이미지에 대한 특징 추출 및 분류를 위한 시스템 및 방법
US20230112160A1 (en) Mapping brain data to behavior
Krishnasamy Venugopal Automatic Arterial Wall Detection and Diameter Tracking using M-mode Ultrasound
Toloubidokhti et al. Neural State-Space Modeling with Latent Causal-Effect Disentanglement
Faiyaz et al. Dominance of Deep LSTM in Smartphone Sensor based Human Activity Classification

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant