KR20230003483A - 망막 신호 데이터를 처리하고 병태들을 식별하기 위한 시스템들 및 방법들 - Google Patents
망막 신호 데이터를 처리하고 병태들을 식별하기 위한 시스템들 및 방법들 Download PDFInfo
- Publication number
- KR20230003483A KR20230003483A KR1020227037151A KR20227037151A KR20230003483A KR 20230003483 A KR20230003483 A KR 20230003483A KR 1020227037151 A KR1020227037151 A KR 1020227037151A KR 20227037151 A KR20227037151 A KR 20227037151A KR 20230003483 A KR20230003483 A KR 20230003483A
- Authority
- KR
- South Korea
- Prior art keywords
- condition
- retinal signal
- signal data
- retinal
- patient
- Prior art date
Links
- 230000002207 retinal effect Effects 0.000 title claims abstract description 407
- 238000000034 method Methods 0.000 title claims abstract description 231
- 238000012545 processing Methods 0.000 title description 28
- 238000013178 mathematical model Methods 0.000 claims abstract description 63
- 208000028017 Psychotic disease Diseases 0.000 claims description 45
- 230000000638 stimulation Effects 0.000 claims description 42
- 208000020925 Bipolar disease Diseases 0.000 claims description 38
- 201000000980 schizophrenia Diseases 0.000 claims description 34
- 208000024714 major depressive disease Diseases 0.000 claims description 29
- 230000003287 optical effect Effects 0.000 claims description 26
- 210000001525 retina Anatomy 0.000 claims description 21
- 239000000090 biomarker Substances 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 20
- 210000001747 pupil Anatomy 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 13
- 238000011282 treatment Methods 0.000 claims description 13
- 239000003814 drug Substances 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 9
- 208000011117 substance-related disease Diseases 0.000 claims description 9
- 208000024827 Alzheimer disease Diseases 0.000 claims description 8
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 claims description 8
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 claims description 8
- 206010003805 Autism Diseases 0.000 claims description 8
- 208000020706 Autistic disease Diseases 0.000 claims description 8
- 208000021384 Obsessive-Compulsive disease Diseases 0.000 claims description 8
- 208000018737 Parkinson disease Diseases 0.000 claims description 8
- 208000012641 Pigmentation disease Diseases 0.000 claims description 8
- 208000006011 Stroke Diseases 0.000 claims description 8
- 208000015802 attention deficit-hyperactivity disease Diseases 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 208000035231 inattentive type attention deficit hyperactivity disease Diseases 0.000 claims description 8
- 201000006417 multiple sclerosis Diseases 0.000 claims description 8
- 208000028173 post-traumatic stress disease Diseases 0.000 claims description 8
- 201000009032 substance abuse Diseases 0.000 claims description 8
- 231100000736 substance abuse Toxicity 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 7
- 229940079593 drug Drugs 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 61
- 238000005516 engineering process Methods 0.000 description 60
- 238000013507 mapping Methods 0.000 description 30
- 230000000875 corresponding effect Effects 0.000 description 28
- 238000000513 principal component analysis Methods 0.000 description 25
- 238000013480 data collection Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 15
- 238000007405 data analysis Methods 0.000 description 13
- 230000004630 mental health Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000002571 electroretinography Methods 0.000 description 11
- 238000012986 modification Methods 0.000 description 11
- 230000004048 modification Effects 0.000 description 11
- 230000003595 spectral effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000007620 mathematical function Methods 0.000 description 8
- 230000000926 neurological effect Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 208000032400 Retinal pigmentation Diseases 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000007170 pathology Effects 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 208000028683 bipolar I disease Diseases 0.000 description 3
- 208000025307 bipolar depression Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000002847 impedance measurement Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 208000025721 COVID-19 Diseases 0.000 description 2
- 206010060860 Neurological symptom Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 230000004071 biological effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002483 medication Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 206010013654 Drug abuse Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 208000004547 Hallucinations Diseases 0.000 description 1
- 101000635799 Homo sapiens Run domain Beclin-1-interacting and cysteine-rich domain-containing protein Proteins 0.000 description 1
- 238000010824 Kaplan-Meier survival analysis Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 229920001410 Microfiber Polymers 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 102100030852 Run domain Beclin-1-interacting and cysteine-rich domain-containing protein Human genes 0.000 description 1
- 208000036142 Viral infection Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 210000000795 conjunctiva Anatomy 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 238000002001 electrophysiology Methods 0.000 description 1
- 230000007831 electrophysiology Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 239000003658 microfiber Substances 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 230000010399 physical interaction Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
- A61B5/4839—Diagnosis combined with treatment in closed-loop systems or methods combined with drug delivery
-
- 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
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/30—Input circuits therefor
- A61B5/307—Input circuits therefor specially adapted for particular uses
- A61B5/315—Input circuits therefor specially adapted for particular uses for electrooculography [EOG]; for electroretinography [ERG]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Neurology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Developmental Disabilities (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Neurosurgery (AREA)
- Child & Adolescent Psychology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Social Psychology (AREA)
- Educational Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Fuzzy Systems (AREA)
- Medicinal Chemistry (AREA)
- Evolutionary Computation (AREA)
- Ophthalmology & Optometry (AREA)
- Pharmacology & Pharmacy (AREA)
Abstract
환자가 하나 이상의 병태를 겪고 있을 가능도를 예측하기 위한 방법 및 시스템이 개시된다. 환자에 대응하는 망막 신호 데이터가 수신될 수 있다. 망막 신호 특징들이 망막 신호 데이터로부터 추출될 수 있다. 디스크립터들은 망막 신호 특징들로부터 추출될 수 있다. 디스크립터들은 제1 수학적 모델 및 제2 수학적 모델에 적용될 수 있다. 제1 수학적 모델은 제1 병태에 대응할 수 있다. 제2 수학적 모델은 제2 병태에 대응할 수 있다. 제1 병태에 대한 제1 예측 확률이 생성될 수 있다. 제2 병태에 대한 제2 예측 확률이 생성될 수 있다. 제1 예측 확률 및 제2 예측 확률이 출력될 수 있다.
Description
관련 출원들에 대한 상호-참조
본 출원은 2020년 3월 26일자로 출원된 미국 가특허 출원 제63/000,055호, 2020년 6월 12일자로 출원된 미국 가특허 출원 제63/038,257호, 및 2021년 2월 15일자로 출원된 미국 가특허 출원 제63/149,508호를 우선권으로 주장하며, 상기 출원들 각각은 그 전체가 인용에 의해 본원에 포함된다.
본 기술은, 광 자극에 의해 생성된 망막 신호 데이터를 처리하기 위한 시스템들 및 방법들에 관한 것이다.
임상의들은, 환자가 정신의학적 병태(condition) 또는 신경학적 병태와 같은 의학적 병태를 겪고 있는지 여부를 결정하기를 희망할 수 있다. 임상의는, 환자가 어느 병태를 겪고 있는지를 결정하기 위해 환자를 알려진 기준들과 비교할 수 있다. 일부 예시들에서, 환자는 다수의 병태들에 맞을 수 있고, 임상의가 병태들 사이를 구별하는 것은 어렵거나 불가능할 수 있다. 임상의가, 환자가 의학적 병태를 겪고 있는지 여부를 결정 및/또는 확증하는 것 및/또는 그러한 병태들 사이를 구별하는 것을 보조하는 툴을 갖고 있다면 바람직할 수 있다.
본 기술의 목적은, 종래 기술에 존재하는 제한들 중 적어도 일부를 개선하는 것이다.
본 기술의 실시예들은, 의학적 병태들을 결정하기 위한 기존의 시스템들과 연관된 특정 단점들에 대한 개발자들의 인식에 기반하여 개발되었다.
예컨대, 정신의학적, 정신적, 또는 신경학적 병태들, 예컨대, 조현병, 양극성 장애 I형, 또는 우울증과 같은 병태들의 생체지표들 및/또는 생체특성들의 식별은, 의료 전문가들이 병태를 더 조기에 결정하는 것, 다수의 후보 병태들이 존재할 때 환자가 어느 병태를 겪고 있는지를 식별하는 것, 및/또는 조기의 그리고 가능하게는 예방적 개입들을 전달하는 것을 가능하게 할 수 있다. 의학적 병태의 이러한 조기 결정은 환자들의 치료 및/또는 그들의 예후를 개선할 수 있다.
본 기술의 실시예들은, 망막전위도(ERG)들에서 획득된 데이터가 의학적 병태들을 결정하는 것에 대한 어떤 통찰을 제공할 수 있다는 개발자들의 관찰에 기반하여 개발되었다. 그러나, 망막전위도(ERG)들을 수집하고 분석하기 위한 기존의 방법들은 포착된 전기 신호들로부터 제한된 정보 볼륨만을 수집하고 분석할 수 있다. 광 자극에 대한 망막 반응에 관하여 수집되는 정보 볼륨의 확장은, 더 고밀도의 정보, 더 높은 정보 볼륨, 및/또는 부가적인 유형들의 정보로 망막 신호 데이터를 생성하는 것을 허용한다는 것이 밝혀졌다. 이러한 망막 신호 데이터는, 전기 신호 및/또는 다른 데이터의 다중-모드 맵핑을 가능하게 하고, 특정 병태들에 특정적인 다중-모드 맵핑에서 부가적인 특징들의 검출을 허용한다. 다중-모드 맵핑은, 망막 신호 데이터의 다수의 파라미터들, 이를테면, 시간, 주파수, 광 자극 파라미터들, 및/또는 임의의 다른 파라미터를 포함할 수 있다.
본 기술의 실시예들은, 종래의 ERG 데이터와 비교하여 더 많은 정보 볼륨, 더 고밀도의 정보, 및/또는 부가적인 유형들의 정보 상세를 갖고 본원에서 "망막 신호 처리 및 분석"(RSPA)이라고 명명된 망막 신호 데이터의 처리에 기반하여 의학적 병태들을 결정하는 정교화된 방법론의 기초를 형성한다. 이러한 망막 신호 데이터는, 특정 실시예들에서, 다수의 정보를 포함하는 데이터세트들의 수학적 모델링, 망막 신호 특징들의 식별, 및 예컨대 망막 신호 특징들을 사용하여 망막 신호 데이터에서 생체지표들 및/또는 생체특성들을 식별하는 능력을 허용한다. 본 기술의 비-필수적인 특정 실시예들은 또한, ERG 데이터와 비교하여 더 많은 정보 볼륨, 더 고밀도의 정보, 및/또는 부가적인 유형들의 정보를 갖는 망막 신호 데이터를 수집하기 위한 방법들을 제공한다.
본 기술의 특정 실시예들에서, 특정 의학적 병태들의 더 정확한 검출 또는 의학적 병태들 사이의 더 판별력 있는 분리가 달성될 수 있다. 의학적 병태들의 검출 또는 병태들 사이의 판별력 있는 분리는 관련된 인자들(예컨대, 성별, 나이, 질환의 발병, 망막 색소침착, 홍채 색) 및/또는 교란 인자들(예컨대, 병태들의 발병, 약물들의 사용, 일부 치료들의 효과들, 정신병의 에피소드들, 불안, 우울증, 여러 장애들에 공통인 징후들과 증상들의 겹침)의 다양성 내에서 달성될 수 있다. 기술이 포착하고 분석할 수 있는 망막 신호 특징들의 수 및/또는 상세 수준의 증가는, 병리학적 병태들과 같은 병태들 사이를 더 양호하게 판별할 뿐만 아니라 대조군(비-병리학적 병태로 지칭될 수 있음)과 비교하여 병태들을 더 양호하게 묘사하기 위해 망막 신호 데이터를 사용하여 생체특성들을 식별하는 잠재력에 직접적인 영향을 미친다. 예컨대, 본 방법들의 실시예들은, 종래의 ERG와 비교하여 더 높은 샘플링 주파수로 그리고/또는 더 긴 시간 기간 동안 포착된 망막 신호 데이터에 기반할 수 있다. 망막 신호 데이터는, 임피던스, 광 파장, 광 스펙트럼, 또는 망막에 도달하는 광 강도와 같은, 그러나 이에 제한되지 않는 전기 신호로 기록되는 부가적인 특징들을 포함할 수 있다. 더 높은 샘플링 주파수에서의 부가적인 정보의 포착 및/또는 연장된 시간 기간에 걸친 연장된 범위의 망막 광 자극으로 수집된 데이터, 및 그의 다차원 표현은 "고밀도 망막 신호 데이터"로 지칭될 수 있다. 고밀도로 포착된 망막 신호 데이터는, ERG("종래의 ERG"로 지칭됨) 동안 이전에 포착된 데이터보다 더 많은 정보를 포함할 수 있다. 망막 신호 데이터는, 종래의 ERG와 달리 전압 독립적이고/거나 시간 독립적일 수 있다.
특정 실시예들에서, 고밀도 망막 신호 데이터를 사용하여 망막 신호 데이터의 더 효율적인 처리가 가능하다. 종래의 ERG 데이터에 비교하여 고밀도 망막 신호 데이터의 장점은, 전기 신호들 및 부가적인 망막 신호 특징들과 관련된 더 많은 양의 정보 및 그에 따른 더 상세한 생체특성으로부터 이익을 얻는 것이다. 따라서, 상세 수준이 더 높아짐에 따라, 상이한 병태들을 더 양호하게 판별하고 각각의 병태의 생체특성 특징들을 나타내는 일련의 분류자들을 준비하는 것이 가능하다.
본 기술의 광범위한 제1 양상에 따르면, 제1 병태에 대응하는 수학적 모델을 생성하기 위한 방법이 제공되며, 방법은 컴퓨터 시스템의 적어도 하나의 프로세서에 의해 실행가능하고, 방법은 제1 병태에 대응하는 수학적 모델을 생성하는 단계를 포함하고, 방법은 컴퓨터 시스템의 적어도 하나의 프로세서에 의해 실행가능하고, 방법은 복수의 환자들에 대응하는 라벨링된 망막 신호 데이터의 복수의 데이터세트들을 수신하는 단계 ― 각각의 데이터세트는 환자의 망막 신호 데이터 및 라벨을 포함하고, 라벨은 환자가 제1 병태를 겪고 있는지 여부를 표시함 ―; 망막 신호 데이터로부터 특징들의 세트를 추출하는 단계; 특징들의 세트로부터 특징들의 서브세트를 선택하는 단계 ― 특징들의 서브세트는 제1 병태의 생체지표들에 대응함 ―; 및 특징들의 서브세트에 기반하여, 제1 병태를 제2 병태와 구별하는 하나 이상의 분류자를 결정하는 단계를 포함한다.
방법의 일부 구현들에서, 특징들의 세트는, 전압, 회로 임피던스, 신호 수집 시간, 샘플링 주파수, 광 자극 동기화 시간, 광 자극 오프셋, 또는 어느 망막 영역들이 조명되었는지의 표시들을 포함한다.
방법의 일부 구현들에서, 특징들의 세트는, 눈 위치, 동공 크기, 적용된 휘도의 강도, 광 자극의 주파수, 망막 신호 샘플링의 주파수, 조명의 파장, 조명 시간, 배경 파장, 또는 배경 휘도를 포함한다.
방법의 일부 구현들에서, 하나 이상의 분류자는, 제1 병태의 생체특성을 제2 병태의 생체특성과 구별한다.
방법의 일부 구현들에서, 방법은, 제1 병태의 생체특성에 대한 각각의 특징의 관련성에 기반하여 특징들의 세트를 순위화하는 단계를 더 포함하며, 특징들의 서브세트를 선택하는 것은, 특징들의 세트 중 가장 높게 순위화된 특징들을 선택하는 것을 포함한다.
방법의 일부 구현들에서, 방법은, 복수의 환자들에 대응하는 임상 정보 보조인자들을 수신하는 단계 ― 각각의 데이터세트는 환자의 임상 정보 보조인자들을 포함함 ―; 및 임상 보조인자들의 서브세트를 선택하는 단계 ― 임상 보조인자들의 서브세트 내의 임상 보조인자들은 생체지표들의 검출에 영향을 미침 ― 를 더 포함한다.
방법의 일부 구현들에서, 임상 정보 보조인자들은, 개개의 환자의 나이, 성별, 피부 색소침착, 또는 홍채 색을 표시한다.
방법의 일부 구현들에서, 하나 이상의 분류자를 결정하는 것은, 임상 보조인자들의 서브세트에 기반하여 하나 이상의 분류자를 결정하는 것을 포함한다.
방법의 일부 구현들에서, 방법은, 하나 이상의 분류자에 기반하여 수학적 모델을 생성하는 단계를 더 포함한다.
방법의 일부 구현들에서, 방법은, 환자에 대응하는 망막 신호 데이터 및 임상 정보 보조인자들을 수학적 모델에 입력하는 단계; 및 수학적 모델에 의해, 환자가 제1 병태를 겪고 있을 예측 가능도(predicted likelihood)를 출력하는 단계를 더 포함한다.
방법의 일부 구현들에서, 방법은, 환자에 대응하는 망막 신호 데이터 및 임상 정보 보조인자들을 수학적 모델에 입력하는 단계; 및 수학적 모델에 의해, 환자가 제1 병태를 겪고 있지 않을 예측 가능도를 출력하는 단계를 더 포함한다.
방법의 일부 구현들에서, 제1 병태는, 조현병, 양극성 장애, 주요 우울증 장애, 또는 정신병이다.
방법의 일부 구현들에서, 제1 병태는, 외상 후 스트레스 장애, 뇌졸중, 약물 남용, 강박 장애, 알츠하이머병, 파킨슨병, 다발성 경화증, 자폐증, 또는 주의력 결핍 장애이다.
방법의 일부 구현들에서, 망막 신호 데이터는 4 내지 24 kHz의 샘플링 주파수를 갖는다.
방법의 일부 구현들에서, 망막 신호 데이터는 200 밀리초 내지 500 밀리초의 신호 수집 시간 동안 수집된다.
방법의 일부 구현들에서, 망막 신호 데이터는, 망막 신호 데이터를 포착하는 동안 연속적으로 기록되는 수신 회로의 임피던스 성분을 포함한다.
방법의 일부 구현들에서, 망막 신호 데이터는 하나 이상의 광학 파라미터를 포함한다.
방법의 일부 구현들에서, 광학 파라미터들은 망막 광 자극의 휘도 또는 동공 크기를 포함한다.
본 기술의 다른 광범위한 양상에 따르면, 환자가 하나 이상의 병태를 겪고 있을 확률을 예측하기 위한 방법이 제공되며, 방법은 컴퓨터 시스템의 적어도 하나의 프로세서에 의해 실행가능하고, 방법은, 환자에 대응하는 망막 신호 데이터를 수신하는 단계; 망막 신호 데이터로부터 하나 이상의 망막 신호 특징을 추출하는 단계; 망막 신호 특징들로부터 하나 이상의 디스크립터(descriptor)를 추출하는 단계; 하나 이상의 디스크립터를 제1 수학적 모델 및 제2 수학적 모델에 적용함으로써 제1 병태에 대한 제1 예측 확률(predicted probability) 및 제2 병태에 대한 제2 예측 확률을 생성하는 단계 ― 제1 수학적 모델은 제1 병태에 대응하고 제2 수학적 모델은 제2 병태에 대응함 ―; 및 제1 예측 확률 및 제2 예측 확률을 출력하는 단계를 포함한다.
방법의 일부 구현들에서, 방법은, 제1 예측 확률 및 제2 예측 확률을 포함하는 인터페이스를 디스플레이하는 단계를 더 포함한다.
방법의 일부 구현들에서, 방법은, 제1 예측 확률 및 제2 예측 확률을 저장하는 단계를 더 포함한다.
방법의 일부 구현들에서, 방법은, 망막 신호 데이터를 수집하는 단계를 더 포함한다.
방법의 일부 구현들에서, 방법은: 환자에 대응하는 임상 정보로부터 추출된 임상 정보 보조인자들을 획득하는 단계; 및 임상 정보 보조인자들을 제1 수학적 모델 및 제2 수학적 모델에 적용하는 단계를 더 포함한다.
방법의 일부 구현들에서, 임상 정보 보조인자들은, 환자의 나이, 성별, 피부 색소침착, 또는 홍채 색에 대응한다.
방법의 일부 구현들에서, 망막 신호 데이터는 4 내지 24 kHz의 샘플링 주파수를 갖는다.
방법의 일부 구현들에서, 망막 신호 데이터는 200 밀리초 내지 500 밀리초의 신호 수집 시간 동안 수집된다.
방법의 일부 구현들에서, 망막 신호 데이터는, 망막 신호 데이터를 포착하는 동안 연속적으로 기록되는 수신 회로의 임피던스 성분을 포함한다.
방법의 일부 구현들에서, 망막 신호 데이터는 하나 이상의 광학 파라미터를 포함한다.
방법의 일부 구현들에서, 광학 파라미터들은 망막 광 자극의 휘도 또는 동공 크기를 포함한다.
방법의 일부 구현들에서, 제1 병태는 의학적 병태이고, 제2 병태는 대조군 병태이다.
방법의 일부 구현들에서, 제1 병태 또는 제2 병태는, 조현병, 양극성 장애, 주요 우울증 장애, 또는 정신병이다.
방법의 일부 구현들에서, 제1 병태 또는 제2 병태는, 외상 후 스트레스 장애, 뇌졸중, 약물 남용, 강박 장애, 알츠하이머병, 파킨슨병, 다발성 경화증, 자폐증, 또는 주의력 결핍 장애이다.
방법의 일부 구현들에서, 방법은, 제1 병태 및 제2 병태의 선택을 표시하는 사용자 입력을 수신하는 단계를 더 포함한다.
방법의 일부 구현들에서, 방법은, 제1 예측 확률 및 제2 예측 확률에 기반하여 의약을 선택하는 단계; 및 환자에게 의약을 투여하는 단계를 더 포함한다.
본 기술의 또 다른 광범위한 양상에 따르면, 병태의 생체특성을 결정하기 위한 방법이 제공되며, 방법은 컴퓨터 시스템의 적어도 하나의 프로세서에 의해 실행가능하고, 방법은, 복수의 환자들에 대응하는 라벨링된 망막 신호 데이터의 복수의 데이터세트들을 수신하는 단계 ― 각각의 데이터세트는 환자의 망막 신호 데이터 및 라벨을 포함하고, 라벨은 환자가 병태를 겪고 있는지 여부를 표시함 ―; 망막 신호 데이터로부터 특징들의 세트를 추출하는 단계; 특징들의 세트로부터 특징들의 서브세트를 선택하는 단계 ― 특징들의 서브세트는 병태의 생체지표들에 대응함 ―; 및 특징들의 서브세트에 기반하여, 병태의 생체특성을 식별하는 하나 이상의 분류자를 결정하는 단계를 포함한다.
방법의 일부 구현들에서, 방법은, 복수의 환자들에 대응하는 임상 정보 보조인자들을 수신하는 단계 ― 각각의 데이터세트는 환자의 임상 정보 보조인자들을 포함함 ―; 및 임상 보조인자들의 서브세트를 선택하는 단계 ― 임상 보조인자들의 서브세트 내의 임상 보조인자들은 생체지표들의 검출에 영향을 미침 ― 를 더 포함하며, 하나 이상의 분류자를 결정하는 것은, 임상 보조인자들의 서브세트에 기반하여 하나 이상의 분류자를 결정하는 것을 포함한다.
방법의 일부 구현들에서, 방법은, 제1 병태의 생체특성에 대한 각각의 특징의 관련성에 기반하여 특징들의 세트를 순위화하는 단계를 더 포함하며, 특징들의 서브세트를 선택하는 것은, 특징들의 세트 중 가장 높게 순위화된 특징들을 선택하는 것을 포함한다.
본 기술의 또 다른 광범위한 양상에 따르면, 환자가 하나 이상의 병태를 겪고 있을 확률을 예측하기 위한 시스템이 제공되며, 시스템은, 광 자극기; 하나 이상의 센서; 적어도 하나의 프로세서 및 복수의 실행가능 명령어들이 저장된 메모리를 포함하는 시스템을 포함하는 컴퓨터 시스템을 포함하며, 복수의 실행가능 명령어들은, 적어도 하나의 프로세서에 의해 실행될 때, 시스템으로 하여금, 광 자극기가 환자의 망막에 광 자극 신호들을 제공하는 것을 야기하게 하고; 하나 이상의 센서를 통해, 광 자극에 대한 반응의 전기 신호들을 수집하게 하고; 전기 신호들에 기반하여, 환자에 대응하는 망막 신호 데이터를 생성하게 하고; 망막 신호 데이터로부터 하나 이상의 망막 신호 특징을 추출하게 하고; 망막 신호 특징들로부터 하나 이상의 디스크립터를 추출하게 하고; 하나 이상의 디스크립터를 제1 수학적 모델 및 제2 수학적 모델에 적용함으로써 제1 병태에 대한 제1 예측 확률 및 제2 병태에 대한 제2 예측 확률을 생성하게 하고 ― 제1 수학적 모델은 제1 병태에 대응하고 제2 수학적 모델은 제2 병태에 대응함 ―; 제1 예측 확률 및 제2 예측 확률을 출력하게 한다.
시스템의 일부 구현들에서, 망막 신호 데이터는, 망막 신호 데이터를 포착하는 동안 기록되는 광 파장 성분을 포함한다.
시스템의 일부 구현들에서, 망막 신호 데이터는, 망막 신호 데이터를 포착하는 동안 기록되는 광 스펙트럼 성분을 포함한다.
시스템의 일부 구현들에서, 망막 신호 데이터는, 망막 신호 데이터를 포착하는 동안 기록되는 광 강도 성분을 포함한다.
시스템의 일부 구현들에서, 망막 신호 데이터는, 망막 신호 데이터를 포착하는 동안 기록되는 조명된 망막 표면 성분을 포함한다. 망막 표면 성분은, 조명되는 망막의 표면적을 표시할 수 있다.
본 기술의 또 다른 광범위한 양상에 따르면, 환자가 하나 이상의 병태를 겪고 있을 확률을 예측하기 위한 시스템이 제공되며, 시스템은, 적어도 하나의 프로세서 및 복수의 실행가능 명령어들이 저장된 메모리를 포함하는 컴퓨터 시스템을 포함하며, 복수의 실행가능 명령어들은, 적어도 하나의 프로세서에 의해 실행될 때, 컴퓨터 시스템으로 하여금, 환자에 대응하는 망막 신호 데이터를 수신하게 하고; 망막 신호 데이터로부터 하나 이상의 망막 신호 특징을 추출하게 하고; 망막 신호 특징들로부터 하나 이상의 디스크립터를 추출하게 하고; 하나 이상의 디스크립터를 제1 수학적 모델 및 제2 수학적 모델에 적용함으로써 제1 병태에 대한 제1 예측 확률 및 제2 병태에 대한 제2 예측 확률을 생성하게 하고 ― 제1 수학적 모델은 제1 병태에 대응하고 제2 수학적 모델은 제2 병태에 대응함 ―; 제1 예측 확률 및 제2 예측 확률을 출력하게 한다.
시스템의 일부 구현들에서, 시스템은 광 자극기 및 하나 이상의 센서를 더 포함하며, 명령어들은, 적어도 하나의 프로세서에 의해 실행될 때, 컴퓨터 시스템으로 하여금, 광 자극기가 환자의 망막에 광 자극 신호들을 제공하는 것을 야기하게 하고; 하나 이상의 센서를 통해, 광 자극에 대한 반응의 전기 신호들을 수집하게 하고; 전기 신호들에 기반하여, 망막 신호 데이터를 생성하게 한다.
시스템의 일부 구현들에서, 시스템은 디스플레이를 더 포함하며, 명령어들은, 적어도 하나의 프로세서에 의해 실행될 때, 시스템으로 하여금, 디스플레이를 통해, 제1 예측 확률 및 제2 예측 확률을 포함하는 인터페이스를 출력하게 한다.
본 기술의 또 다른 광범위한 양상에 따르면, 환자의 병태를 모니터링하기 위한 방법이 제공되며, 방법은 컴퓨터 시스템의 적어도 하나의 프로세서에 의해 실행가능하고, 방법은, 환자에 대응하는 망막 신호 데이터를 수신하는 단계; 망막 신호 데이터로부터 하나 이상의 망막 신호 특징을 추출하는 단계; 망막 신호 특징들로부터 하나 이상의 디스크립터를 추출하는 단계; 하나 이상의 디스크립터를 병태에 대응하는 수학적 모델에 적용함으로써 병태에 대한 예측 확률을 생성하는 단계; 및 예측 확률을 출력하는 단계를 포함한다.
방법의 일부 구현들에서, 방법은, 예측 확률에 기반하여 의약을 선택하는 단계; 및 환자에게 의약을 투여하는 단계를 더 포함한다.
방법의 일부 구현들에서, 망막 신호 데이터는, 병태에 대한 환자의 치료 동안 포착된 망막 신호 데이터를 포함한다.
방법의 일부 구현들에서, 병태는, 조현병, 양극성 장애, 주요 우울증 장애, 정신병, 외상 후 스트레스 장애, 뇌졸중, 약물 남용, 강박 장애, 알츠하이머병, 파킨슨병, 다발성 경화증, 자폐증, 또는 주의력 결핍 장애이다.
본 명세서의 맥락에서, 명백하게 달리 제공되지 않는 한, 컴퓨터 시스템은, "전자 디바이스", "운영 체제", "시스템", "컴퓨터 기반 시스템", "제어기 유닛", "제어 디바이스", 및/또는 당면한 관련 작업에 적절한 이들의 임의의 조합을 지칭할 수 있지만, 이에 제한되지 않는다.
본 명세서의 맥락에서, 명백하게 달리 제공되지 않는 한, "컴퓨터 판독가능 매체" 및 "메모리"라는 표현은 무엇이든 간에 임의의 속성 및 종류의 매체를 포함하는 것으로 의도되며, 이들의 비-제한적인 예들은, RAM, ROM, 디스크들(CD-ROM들, DVD들, 플로피 디스크들, 하드 디스크 드라이브들 등), USB 키들, 플래시 메모리 카드들, 솔리드 스테이트 드라이브들, 및 테이프 드라이브들을 포함한다.
본 명세서의 맥락에서, "데이터베이스"는, 그의 특정 구조, 데이터베이스 관리 소프트웨어, 또는 데이터가 저장되거나 구현되거나 또는 다른 방식으로 사용에 이용가능하게 되는 컴퓨터 하드웨어와 관계없이, 데이터의 임의의 구조화된 집합이다. 데이터베이스는, 데이터베이스에 저장된 정보를 저장하거나 이용하는 프로세스와 동일한 하드웨어 상에 상주할 수 있거나, 데이터베이스는, 전용 서버 또는 복수의 서버들과 같은 별개의 하드웨어 상에 존재할 수 있다.
본 명세서의 맥락에서, 명백하게 달리 제공되지 않는 한, "제1", "제2", "제3" 등의 단어들은, 그들이 수식하는 명사들 사이를 서로 구별하는 것을 허용하는 목적만을 위한 형용사들로서 사용되었으며, 그 명사들 사이의 임의의 특정 관계를 설명하는 목적을 위한 것이 아니다.
본 기술의 실시예들은 각각 위에 언급된 목적 및/또는 양상들 중 적어도 하나를 갖지만, 반드시 그들 전부를 가질 필요는 없다. 위에 언급된 목적을 달성하려고 시도하는 것에 기인한 본 기술의 일부 양상들은 이러한 목적을 충족시키지 않을 수 있고/거나 본원에 구체적으로 언급되지 않은 다른 목적들을 충족시킬 수 있다는 것이 이해되어야 한다.
본 기술의 실시예들의 부가적인 및/또는 대안적인 특징들, 양상들, 및 장점들은, 다음의 설명, 첨부된 도면들, 및 첨부된 청구항들로부터 명백해질 것이다.
본 기술뿐만 아니라 다른 양상들 및 그들의 추가적인 특징들의 더 양호한 이해를 위해, 첨부된 도면들과 함께 사용될 다음의 설명에 대한 참조가 이루어진다.
도 1은 본 기술의 다양한 실시예들에 따른 예시적인 컴퓨팅 환경의 블록도이다.
도 2는 본 기술의 다양한 실시예에 따른 망막 신호 처리 시스템의 블록도이다.
도 3은 본 기술의 다양한 실시예들에 따른, 환자가 병태를 겪고 있는지 여부를 예측하기 위한 수학적 함수들의 구성으로 이어지는 정보 처리 방법의 예시적인 기능적 아키텍처를 예시한다.
도 4는 본 기술의 다양한 실시예들에 따른, 의학적 병태의 가능도를 예측하기 위한 방법의 흐름도를 예시한다.
도 5는 본 기술의 다양한 실시예들에 따른, 환자가 병태를 겪고 있는지 여부를 예측하기 위한 수학적 모델을 생성하기 위한 방법의 흐름도를 예시한다.
도 6은 본 기술의 다양한 실시예들에 따른, 의학적 병태의 가능도를 예측하도록 기계 학습 알고리즘(MLA)을 훈련시키기 위한 방법의 흐름도를 예시한다.
도 7은 본 기술의 다양한 실시예들에 따른, MLA를 사용하여 의학적 병태의 가능도를 예측하기 위한 방법의 흐름도를 예시한다.
도 8 내지 도 27은 본 기술의 다양한 실시예들에 따른, 더 높은 크기의 주파수의 통계적 유의도에 기반한 판별력 있는 영역들의 시간-주파수 분석 및 선택의 예들을 예시한다.
도 28 내지 도 42는 본 기술의 다양한 실시예들에 따른, 망막 신호 특징 선택 및 선택된 망막 신호 특징들의 통계적 유의도 맵핑의 예들을 예시한다.
도 43 내지 도 58은 본 기술의 다양한 실시예들에 따른, 2개의 병태 사이의 판별의 크기에 기반한 디스크립터 선택 및 맵핑의 예들을 예시한다.
본원에서 달리 명시적으로 특정되지 않는 한, 도면들은 실척이 아니라는 것이 유의되어야 한다.
도 1은 본 기술의 다양한 실시예들에 따른 예시적인 컴퓨팅 환경의 블록도이다.
도 2는 본 기술의 다양한 실시예에 따른 망막 신호 처리 시스템의 블록도이다.
도 3은 본 기술의 다양한 실시예들에 따른, 환자가 병태를 겪고 있는지 여부를 예측하기 위한 수학적 함수들의 구성으로 이어지는 정보 처리 방법의 예시적인 기능적 아키텍처를 예시한다.
도 4는 본 기술의 다양한 실시예들에 따른, 의학적 병태의 가능도를 예측하기 위한 방법의 흐름도를 예시한다.
도 5는 본 기술의 다양한 실시예들에 따른, 환자가 병태를 겪고 있는지 여부를 예측하기 위한 수학적 모델을 생성하기 위한 방법의 흐름도를 예시한다.
도 6은 본 기술의 다양한 실시예들에 따른, 의학적 병태의 가능도를 예측하도록 기계 학습 알고리즘(MLA)을 훈련시키기 위한 방법의 흐름도를 예시한다.
도 7은 본 기술의 다양한 실시예들에 따른, MLA를 사용하여 의학적 병태의 가능도를 예측하기 위한 방법의 흐름도를 예시한다.
도 8 내지 도 27은 본 기술의 다양한 실시예들에 따른, 더 높은 크기의 주파수의 통계적 유의도에 기반한 판별력 있는 영역들의 시간-주파수 분석 및 선택의 예들을 예시한다.
도 28 내지 도 42는 본 기술의 다양한 실시예들에 따른, 망막 신호 특징 선택 및 선택된 망막 신호 특징들의 통계적 유의도 맵핑의 예들을 예시한다.
도 43 내지 도 58은 본 기술의 다양한 실시예들에 따른, 2개의 병태 사이의 판별의 크기에 기반한 디스크립터 선택 및 맵핑의 예들을 예시한다.
본원에서 달리 명시적으로 특정되지 않는 한, 도면들은 실척이 아니라는 것이 유의되어야 한다.
본 기술의 특정 양상들 및 실시예들은, 망막 신호들을 처리하기 위한 방법들 및 시스템들에 관한 것이다. 광범위하게, 본 기술의 특정 양상들 및 실시예들은, 예컨대, 광 자극에 대한 조건들(예컨대, 광 강도들의 수 및 범위)을 증가시키는 것, 전기 신호들을 수집하는 데 사용되는 회로의 동적 저항(임피던스)을 부가하는 것, 더 긴 시간 기간 동안 망막 신호 데이터를 포착하는 것, 및/또는 더 높은 주파수에서 망막 신호 데이터를 포착하는 것에 의한 것과 같은 임의의 방식으로 획득되었을 수 있는, 더 고밀도를 갖는 망막 신호 데이터에 기반한다. 종래 기술과 함께 언급된 제한들을 최소화하거나, 감소시키거나, 또는 피하기 위해, 망막 신호 데이터를 분석하고 생체지표들 및/또는 생체특성들을 추가로 해독하기 위해 조합되어 사용되는 망막 신호 특징들을 추출하기 위한 본원의 컴퓨터에 의해 구현되는(computer implemented) 방법들이 제공된다. 특정 임의적 실시예들에서, 고밀도 망막 신호 데이터를 포착하기 위한 방법들 및 시스템들이 제공된다.
본 기술의 특정 양상들 및 실시예들은, 망막 신호 데이터를 분석하고 다수의 상이한 임상 정보 보조인자들을 고려하면서 특정 병태들에 대한 예측 가능도를 제공할 수 있는 방법들 및 시스템들을 제공한다. 병태들은, 정신의학적 병태들, 심리학적 병태들, 신경학적 병태들, 및/또는 임의의 다른 유형의 의학적 병태일 수 있다. 예측 가능도는, 환자가 현재 병태를 겪고 있다는 것 및/또는 환자가 병태를 나타낼 위험이 있다는 것을 표시할 수 있다. 예컨대, 환자의 부모가 병태를 겪고 있는 경우, 환자의 망막 신호 데이터를 분석하여, 환자가 그의 부모와 동일한 병태를 겪고 있을 가능성이 있는지 여부를 결정할 수 있다.
본원에 설명된 시스템들 및 방법들은, 의학적 병태 또는 의학적 병태에 대한 치료 계획을 결정함에 있어서 임상의의 입력을 최소화하도록 완전히 또는 적어도 부분적으로 자동화될 수 있다. 본원에 설명된 시스템들 및 방법들에 의해 출력된 예측들은, 의학적 병태를 결정하고/거나 환자에 대한 치료 계획을 전개하는 동안 보조로서 임상의에 의해 사용될 수 있다.
본원에 설명된 시스템들 및 방법들은, 1) 환자들로부터 망막 신호 데이터를 수집하고, 2) 각각의 환자의 망막 신호 데이터를 (임상의에 의해 진단되었을 수 있는) 환자의 잠재적인 의학적 병태를 표시하는 라벨로 라벨링하고, 3) 망막 신호 데이터로부터 망막 신호 특징들을 추출하고, 4) 병태의 생체지표들에 대응하는 특징들의 서브세트를 선택하고/거나, 5) 병태의 생체특성을 다른 병태들의 생체특성과 구별하는 분류자들을 결정함으로써, 병태의 생체특성으로부터의 환자의 거리를 식별하기 위한 수학적 모델을 생성하는 것을 포함할 수 있다. 생체특성은, 병태에 특정적인 망막 신호 데이터의 부분들을 포함할 수 있다. 망막 신호 데이터는, 각각의 생체특성이 병태에 특정적인 여러 생체특성들을 포함할 수 있다. 병태는, 조현병, 양극성 장애, 주요 우울증 장애, 정신병, 외상 후 스트레스 장애, 뇌졸중, 약물 남용, 강박 장애, 알츠하이머병, 파킨슨병, 다발성 경화증, 자폐증, 주의력 결핍 장애, 및/또는 임의의 다른 병태일 수 있지만, 이에 제한되지 않는다. 이러한 단계들은, 망막 신호 데이터에 내장된 생체지표를 갖는 임의의 병태의 수학적 모델을 구축하는 데 사용될 수 있다. 본원에 설명된 바와 같은 망막 신호 데이터를 수집하기 위한 단계들은, 망막 신호 데이터에서 표현되는 임의의 병태들에 특정적인 특징들의 분석에 적용가능할 수 있다.
본원에 설명된 시스템들 및 방법들은, 1) 환자의 망막 신호 데이터를 수집하고, 2) 검사할 병태들의 선택을 수신하고, 3) 선택된 병태들에 대응하는 수학적 모델들을 리트리브(retrieve)하고, 4) 망막 신호 데이터로부터 망막 신호 특징들을 추출하고, 5) 망막 신호 특징들로부터 디스크립터들을 추출하고 ― 디스크립터들은 망막 신호 데이터 내의 선택된 병태들의 생체특성들과 관련됨 ―, 6) 디스크립터들을 수학적 모델들에 적용하고/거나, 7) 환자가 각각의 병태를 겪고 있을 예측 확률들을 출력함으로써, 환자가 병태를 겪고 있는지 여부를 예측하는 것을 포함할 수 있다. 환자의 임상 정보가 수집될 수 있다. 임상 정보를 사용하여 임상 정보 보조인자들이 생성될 수 있다. 임상 정보 보조인자들이 또한 수학적 모델들에 적용될 수 있다.
본원에 설명된 시스템들 및 방법들은, 종래의 ERG에 의해 포착된 데이터와 비교하여 더 높은 수준의 정보를 갖는 망막 신호 데이터에 기반할 수 있다. 수집된 망막 신호 데이터는, 특정 망막 신호 특징들을 추출하기 위해 수학적 및 통계적 계산들을 사용하여 분석될 수 있다. 망막 신호 특징들은, 망막 신호 데이터의 파라미터들 및/또는 망막 신호 데이터를 사용하여 생성된 특징들을 포함할 수 있다. 디스크립터들은 망막 신호 특징들로부터 추출될 수 있다. 판별결과(finding)들의 그래픽 표현들이 전개되고 출력될 수 있고, 관련 망막 신호 특징들 및/또는 디스크립터들을 선택하는 것에서 이루어지는 선택들에 대한 시각적 지원을 제공할 수 있다. 애플리케이션들은, 결과들의 수학적 및/또는 통계적 분석을 적용하여, 그러한 망막 신호 특징들 및/또는 디스크립터들의 정량화 및 다양한 병태들 사이의 비교들을 허용할 수 있다. 망막 신호 데이터 및/또는 임의의 다른 임상 정보에 기반하여, 망막 신호 데이터에서 식별된 병태의 생체특성을 기술하는 분류자들이 구성될 수 있다. 환자의 망막 신호 데이터가 수집될 수 있고, 환자의 망막 신호 데이터와 식별된 생체특성들 사이의 거리가, 이를테면 분류자들을 사용함으로써 결정될 수 있다.
컴퓨팅 환경
도 1은 본원에 설명된 방법들 중 임의의 방법을 구현 및/또는 실행하는 데 사용될 수 있는 컴퓨팅 환경(100)을 예시한다. 일부 실시예들에서, 컴퓨팅 환경(100)은, 종래의 개인용 컴퓨터, 네트워크 디바이스 및/또는 전자 디바이스(이를테면, 이에 제한되지 않지만, 모바일 디바이스, 태블릿 디바이스, 서버, 제어기 유닛, 제어 디바이스 등) 중 임의의 것, 및/또는 당면한 관련 작업에 적절한 이들의 임의의 조합에 의해 구현될 수 있다. 일부 실시예들에서, 컴퓨팅 환경(100)은, 프로세서(110), 솔리드 스테이트 드라이브(120), 랜덤 액세스 메모리(130), 및 입력/출력 인터페이스(150)에 의해 집합적으로 표현되는 하나 이상의 단일 또는 다중 코어 프로세서를 포함하는 다양한 하드웨어 구성요소들을 포함한다. 컴퓨팅 환경(100)은, 기계 학습 알고리즘(MLA)을 동작시키도록 특별히 설계된 컴퓨터일 수 있다. 컴퓨팅 환경(100)은 일반적인 컴퓨터 시스템일 수 있다.
일부 실시예들에서, 컴퓨팅 환경(100)은 또한, 위에 열거된 시스템들 중 하나의 시스템의 서브시스템일 수 있다. 일부 다른 실시예들에서, 컴퓨팅 환경(100)은, "기성품"인 일반적인 컴퓨터 시스템일 수 있다. 일부 실시예들에서, 컴퓨팅 환경(100)은 또한, 다수의 시스템들 간에 분산될 수 있다. 컴퓨팅 환경(100)은 또한, 본 기술의 구현에 특별히 전용될 수 있다. 본 기술의 관련 기술분야의 통상의 기술자가 인식할 수 있는 바와 같이, 본 기술의 범위를 벗어나지 않으면서 컴퓨팅 환경(100)이 구현되는 방식에 관한 다수의 변형들이 구상될 수 있다.
관련 기술분야의 통상의 기술자들은, 프로세서(110)가 일반적으로 처리 능력을 나타낸다는 것을 인식할 것이다. 일부 실시예들에서, 하나 이상의 종래의 중앙 처리 유닛(CPU) 대신에 또는 그에 부가하여, 하나 이상의 특수화된 처리 코어가 제공될 수 있다. 예컨대, 하나 이상의 그래픽 처리 유닛(111)(GPU), 텐서 처리 유닛(TPU), 및/또는 다른 소위 가속 프로세서(또는 처리 가속기)가 하나 이상의 CPU에 부가하여 또는 그 대신에 제공될 수 있다.
시스템 메모리는 전형적으로 랜덤 액세스 메모리(130)를 포함할 것이지만, 더 일반적으로는, 임의의 유형의 비-일시적인 시스템 메모리, 이를테면, 정적 랜덤 액세스 메모리(SRAM), 동적 랜덤 액세스 메모리(DRAM), 동기식 DRAM(SDRAM), 판독 전용 메모리(ROM), 또는 이들의 조합을 포괄하는 것으로 의도된다. 솔리드 스테이트 드라이브(120)가 대용량 저장 디바이스의 예로서 도시되지만, 더 일반적으로, 그러한 대용량 저장소는, 데이터, 프로그램들, 및 다른 정보를 저장하고, 데이터, 프로그램들, 및 다른 정보를 시스템 버스(160)를 통해 액세스가능하게 하도록 구성되는 임의의 유형의 비-일시적인 저장 디바이스를 포함할 수 있다. 예컨대, 대용량 저장소는, 솔리드 스테이트 드라이브, 하드 디스크 드라이브, 자기 디스크 드라이브, 및/또는 광학 디스크 드라이브 중 하나 이상을 포함할 수 있다.
컴퓨팅 환경(100)의 다양한 구성요소들 사이의 통신은, 다양한 하드웨어 구성요소들이 전자적으로 결합되는 하나 이상의 내부 및/또는 외부 버스(예컨대, PCI 버스, 범용 직렬 버스, IEEE 1394 "파이어와이어(Firewire)" 버스, SCSI 버스, 직렬-ATA 버스, ARINC 버스 등)를 포함하는 시스템 버스(160)에 의해 가능해질 수 있다.
입력/출력 인터페이스(150)는, 유선 또는 무선 액세스와 같은 네트워킹 능력들을 가능하게 하는 것을 허용할 수 있다. 예로서, 입력/출력 인터페이스(150)는, 네트워크 포트, 네트워크 소켓, 네트워크 인터페이스 제어기 등과 같은, 그러나 이에 제한되지 않는 네트워킹 인터페이스를 포함할 수 있다. 네트워킹 인터페이스가 구현될 수 있는 방식의 다수의 예들이 본 기술의 관련 기술분야의 통상의 기술자에게 명백해질 것이다. 예컨대, 네트워킹 인터페이스는, 이더넷(Ethernet), 파이버 채널(Fibre Channel), 와이파이(Wi-Fi), 토큰 링(Token Ring) 또는 직렬 통신 프로토콜들과 같은 특정 물리 계층 및 데이터 링크 계층 표준들을 구현할 수 있다. 특정 물리 계층 및 데이터 링크 계층은 전체 네트워크 프로토콜 스택에 대한 기반을 제공할 수 있어서, 인터넷 프로토콜(IP)과 같은 라우팅가능한 프로토콜들을 통해 동일한 근거리 네트워크(LAN) 및 대규모 네트워크 통신들 상의 소그룹들의 컴퓨터들 간의 통신을 허용한다.
입력/출력 인터페이스(150)는, 터치스크린(190) 및/또는 하나 이상의 내부 및/또는 외부 버스(160)에 결합될 수 있다. 터치스크린(190)은 디스플레이의 부분일 수 있다. 일부 실시예들에서, 터치스크린(190)은 디스플레이이다. 터치스크린(190)은 스크린(190)으로 동일하게 지칭될 수 있다. 도 1에 예시된 실시예들에서, 터치스크린(190)은, 터치 하드웨어(194)(예컨대, 사용자와 디스플레이 사이의 물리적 상호작용의 검출을 허용하는 디스플레이의 층 내에 내장된 감압성 셀들), 및 디스플레이 인터페이스(140) 및/또는 하나 이상의 내부 및/또는 외부 버스(160)와의 통신을 허용하는 터치 입력/출력 제어기(192)를 포함한다. 일부 실시예들에서, 입력/출력 인터페이스(150)는, 키보드(도시되지 않음), 마우스(도시되지 않음), 또는 트랙패드(도시되지 않음)에 연결되어, 사용자가 터치스크린(190)에 부가하여 또는 그 대신에 컴퓨팅 디바이스(100)와 상호작용하는 것을 허용할 수 있다.
본 기술의 일부 구현들에 따르면, 솔리드 스테이트 드라이브(120)는, 본원에 설명된 하나 이상의 방법의 동작들을 실행하기 위해 랜덤 액세스 메모리(130)에 로딩되고 프로세서(110)에 의해 실행되기에 적합한 프로그램 명령어들을 저장한다. 예컨대, 프로그램 명령어들 중 적어도 일부는 라이브러리 또는 애플리케이션의 일부일 수 있다.
망막 신호 처리 시스템
도 2는 본 기술의 다양한 실시예에 따른 망막 신호 처리 시스템(200)의 블록도이다. 망막 신호 처리 시스템(200)은 환자로부터 망막 신호 데이터를 수집할 수 있다. 위에 설명된 바와 같이, 종래의 ERG와 비교할 때, 망막 신호 처리 시스템(200)을 사용하여 포착된 망막 신호 데이터는 부가적인 특징들 및/또는 데이터, 이를테면, 임피던스, 더 높은 측정 주파수, 확장된 망막 광 자극 범위, 및/또는 더 긴 측정 시간을 포함할 수 있다. 망막 신호 처리 시스템(200)은 수집된 데이터를 처리 및/또는 분석할 수 있다. 망막 신호 처리 시스템(200)은, 환자가 의학적 병태와 같은 주어진 병태를 겪고 있을 예측 가능도를 출력할 수 있다.
도시된 바와 같은 시스템(200)은 단지 본 기술의 예시적인 구현이라는 것이 명백히 이해되어야 한다. 그에 따라, 그에 대한 후속하는 설명은 단지 본 기술의 예시적인 예들의 설명이도록 의도된다. 이러한 설명은 본 기술의 범위를 정의하거나 본 기술의 경계들을 기재하도록 의도되지 않는다. 일부 경우들에서, 시스템(200)에 대한 수정들의 도움이 되는 예들로 여겨지는 것들이 또한 아래에 기재될 수 있다. 이는 단지 이해를 돕기 위해 행해지고, 또한, 본 기술의 범위를 정의하거나 경계들을 기재하기 위한 것이 아니다. 이러한 수정들은 포괄적인 목록이 아니며, 관련 기술분야의 통상의 기술자가 이해할 바와 같이, 다른 수정들이 가능할 가능성이 있다. 추가로, 이것이 행해지지 않은 경우(즉, 수정들의 어떠한 예들도 기재되지 않은 경우), 수정들이 가능하지 않고/거나 설명된 것이 본 기술의 해당 요소를 구현하는 유일한 방식인 것으로 해석되어서는 안 된다. 관련 기술분야의 통상의 기술자가 이해할 바와 같이, 이는 그렇지 않을 가능성이 있다. 게다가, 시스템(200)은 특정 예시들에서 본 기술의 간단한 구현들을 제공할 수 있고, 그러한 경우에 그 구현들이 이해를 돕기 위해 이러한 방식으로 제시되었다는 것이 이해되어야 한다. 관련 기술분야의 통상의 기술자들이 이해할 바와 같이, 본 기술의 다양한 구현들은 더 큰 복잡도를 가질 수 있다.
망막 신호 처리 시스템(200)은, 환자의 망막에 광 자극 신호를 제공하기 위한, 광학 자극기일 수 있는 광 자극기(205)를 포함할 수 있다. 망막 신호 처리 시스템(200)은, 광학 자극에 대한 반응으로 발생하는 전기 신호들을 수집하기 위한 센서(210)를 포함할 수 있다. 망막 신호 처리 시스템(200)은, 광 자극기(205)를 제어하고/거나 센서(210)에 의해 측정되는 데이터를 수집하기 위한, 컴퓨팅 환경(100)일 수 있는 데이터 수집 시스템(215)을 포함할 수 있다. 예컨대, 광 자극기(205) 및/또는 센서(210)는, 디아그노시스, 엘엘씨(DIAGNOSYS, LLC)로부터의 에스피온 시각 전기생리학 시스템(Espion Visual Electrophysiology System) 또는 LKC 테크놀로지스, 인코포레이티드(LKC TECHNOLOGIES, INC)에 의해 제조된 UTAS 및 리트리벌 시스템들(UTAS and RETEVAL systems)과 같은 상업적으로 입수가능한 ERG 시스템일 수 있다.
광 자극기(205)는, 단독으로 또는 조합되어 특정된 범위의 파장, 강도, 주파수, 및/또는 지속기간 내의 광을 생성할 수 있는 임의의 종류의 광원 또는 광원들일 수 있다. 광 자극기(205)는, 생성된 광을 환자의 망막 상으로 지향시킬 수도 있다. 광 자극기(205)는, 하나 이상의 크세논 램프들과 같은 다른 광원들과 조합된 발광 다이오드(LED)들을 포함할 수 있다. 광 자극기(205)는 배경 광원을 제공할 수 있다.
광 자극기(205)는, 환자의 망막에 광 자극 신호를 제공하도록 구성될 수 있다. 수집된 망막 신호 데이터는 광 자극 조건들에 의존할 수 있다. 망막 신호 데이터에서 관련 망막 신호 특징들을 생성할 잠재력을 최대화하기 위해, 광 자극기(205)는, 매우 다양한 광 조건들을 제공하도록 구성될 수 있다. 광 자극기(205)는, 광 플래시들로서 망막 상으로 지향되는 배경 광 및/또는 자극 광을 제어하도록 구성가능할 수 있다.
광 자극기는, 상이한 파장(예컨대, 약 300 내지 약 800 나노미터), 광 강도(예컨대, 약 0.001 내지 약 3000 cd.s/m2), 조명 시간(예컨대, 약 1 내지 약 500 밀리초), 상이한 배경 파장(예컨대, 약 300 내지 약 800 나노미터)을 갖는 각각의 광 플래시들 사이의 시간(예컨대, 약 0.2 내지 약 50 초), 및 배경 휘도(예컨대, 약 0.01 내지 약 900 cd/m2)의 광 빔들을 생성할 수 있는 임의의 광원들을 포함할 수 있다.
망막 신호 처리 시스템(200)은 센서(210)를 포함할 수 있다. 센서(210)는, 망막으로부터의 전기 신호들을 검출하도록 배열될 수 있다. 센서(210)는 하나 이상의 전극을 포함할 수 있다. 센서(210)는 망막전위도검사 센서일 수 있다. 접지 전극은 이마의 가운데에서 피부 상에 배치될 수 있다. 각각의 눈에 대한 기준 전극들은, 귓불들 또는 눈들 근처의 측두부 영역들, 또는 다른 피부 영역들 상에 배치될 수 있다.
망막으로부터의 전기 신호들은, 광 자극기(205)로부터의 광 자극에 의해 트리거링되고 센서(210)에 의해 망막 신호 데이터로서 수집될 수 있다. 망막 신호 데이터는, 센서(210)에 의해, 이를 테면, 안구 상에 또는 안구 영역 인근에 위치된 전극에 의해 수집될 수 있다. 광은, 환자의 망막 세포들에 의해 생성되는 낮은 진폭의 전기 신호를 트리거링할 수 있다. 광의 속성(예컨대, 플래시들의 강도, 파장, 스펙트럼, 주파수, 및 지속기간) 및 광 자극에 대한 조건들(예컨대, 배경 광, 이 프로세스를 겪는 개인의 암순응 또는 명순응)에 따라, 상이한 유형들의 망막 세포들이 트리거링될 것이기 때문에 상이한 전기 신호들이 생성될 수 있다. 이러한 신호는 눈 내에서 궁극적으로는 시신경을 통해 뇌의 시각 영역으로 전파된다. 그러나, 임의의 전기 신호와 같이, 그것은 조직들의 전도도에 따라 모든 가능한 방향으로 전파된다. 따라서, 전기 신호는, 결막과 같이 외부로부터 액세스가능할 수 있는 안구 외부의 조직들에서 수집될 수 있다.
전기 신호를 수집하는 데 사용될 수 있는 여러 유형들의 전극들이 존재한다. 그들은 특정 와이어 전도율 및 기하학적 구조에 기반한다. 기록 전극들의 많은 가능한 설계들이 존재하고 임의의 적합한 설계 또는 설계들의 조합이 센서(210)에 사용될 수 있다는 것이 이해되어야 한다. 센서(210)는, 콘택트 렌즈, 금 포일, 금 와이어, 각막 윅(corneal wick), 와이어 루프들, 마이크로섬유들, 및/또는 피부 전극들을 포함할 수 있다. 각각의 전극 유형은 자신 고유의 기록 특성들 및 고유 아티팩트들을 갖는다.
센서(210)에 부가하여, 시스템(200)은 또한, 눈 위치 및/또는 동공 크기를 모니터링하기 위한 다른 디바이스들을 포함할 수 있으며, 이들 둘 모두는, 망막에 도달하는 광의 양에 영향을 미치고 그에 따라서 이러한 자극에 대한 반응으로 트리거링되는 전기 신호에 영향을 미친다. 시스템(200)은, 광 파장, 광 스펙트럼, 및/또는 광 강도를 기록하기 위한 센서들, 이를테면, 분광계 및/또는 광검출기를 포함할 수 있다.
전기 신호는 (눈 상에 위치된) 활성 안구 전극과 기준 전극 사이에서, 접지 전극으로부터 기록되는 차이로 획득될 수 있다. 센서(210)의 전극들은, 기록 디바이스를 포함할 수 있는 데이터 수집 시스템(215)에 연결될 수 있다. 데이터 수집 시스템(215)은, 추가적인 처리를 위해 전기 신호들의 증폭 및/또는 전기 신호들의 디지털 신호들로의 변환을 허용할 수 있다. 데이터 수집 시스템(215)은, 센서(210)로부터의 전기 신호들에 적용될 수 있는 주파수 필터링 프로세스들을 구현할 수 있다. 데이터 수집 시스템(215)은, 전기 신호들을 전압 대 시점들의 포맷으로 데이터베이스에 저장할 수 있다.
데이터 수집 시스템(215)은, 이를테면 센서(210)로부터의 환자의 측정된 전기 신호들, 및/또는 이를테면 광 자극기(205)로부터의 자극 광 데이터를 수신하고, 이러한 수집된 데이터를 망막 신호 데이터로서 저장하도록 배열될 수 있다. 데이터 수집 시스템(215)은, 전기 신호들을 트리거링하고 데이터를 데이터 수집 시스템(215)에 제공하도록 배열될 수 있는 광 자극기(205)에 동작가능하게 결합될 수 있다. 데이터 수집 시스템(215)은, 광 자극을 전기 신호 포착 및 기록과 동기화할 수 있다.
수집된 데이터는, 임의의 적합한 방법을 통해, 이를테면, 저장 디바이스(도시되지 않음) 및/또는 네트워크를 통해 데이터 수집 시스템(215)에 제공될 수 있다. 데이터 수집 시스템(215)은, 통신 네트워크(도시되지 않음)를 통해 센서(210) 및/또는 광 자극기(205)에 연결가능할 수 있다. 통신 네트워크는 인터넷 및/또는 인트라넷일 수 있다. 통신 네트워크의 다수의 실시예들이 구상될 수 있고, 본 기술의 관련 기술분야의 통상의 기술자에게 명백해질 것이다.
망막 신호 데이터는, 광 자극 동기화 시간(플래시의 시간) 및/또는 오프셋(광 자극 이전의 기준선 전압 및 임피던스)과 함께 여러 샘플링 주파수들(예컨대, 0.2 내지 24 kHz)에서 여러 신호 수집 시간들(예컨대, 5 내지 500 밀리초) 동안 수집된 전기적 응답 데이터(예컨대, 전압 및 회로 임피던스)를 포함할 수 있다. 데이터 수집 시스템(215)은, 4 내지 16 kHz, 또는 그보다 높은 주파수들(즉, 샘플링 레이트)에서 망막 신호 데이터를 수집할 수 있다. 이러한 주파수는 종래의 ERG보다 높을 수 있다. 전기적 응답 데이터는 연속적으로 또는 간헐적으로 수집될 수 있다.
데이터 수집 시스템(215)은, 망막 신호 데이터를 수집하는 데 사용되는 전기 회로의 임피던스를 측정하기 위한 센서 프로세서를 포함할 수 있다. 전기 회로의 임피던스는 다른 전기 신호들의 포착과 동시에 기록될 수 있다. 수집된 임피던스 데이터는 망막 신호 데이터에 저장될 수 있다. 전기 신호들의 포착과 동시에 회로의 임피던스를 결정하기 위한 방법은, 알려져 있는 주파수 및 진폭의 기준 신호를 전기 신호들의 기록 채널을 통해 주입하는 프로세스에 기반할 수 있다. 이러한 기준 신호는 이어서 별개로 필터링 아웃(filter out)되고 처리될 수 있다. 여기(excitation) 신호 주파수에서 출력의 크기를 측정함으로써, 전극 임피던스가 계산될 수 있다. 임피던스는 이어서, 전기 신호들의 기록의 각각의 시점에서 회로의 저항으로 신호 밀도를 향상시키기 위해 공변수(co-variable)로서 사용될 수 있다.
데이터 분석 시스템(220)은, 데이터 수집 시스템(215)에 의해 수집된 데이터를 처리할 수 있다. 데이터 분석 시스템(220)은, 망막 신호 데이터로부터 망막 신호 특징들 및/또는 디스크립터들을 추출하고/거나 망막 신호 데이터에 대해 임의의 다른 처리를 수행할 수 있다. 데이터 분석 시스템(220)은, 환자의 임상 정보를 수신하고/거나 임상 정보로부터 임상 정보 보조인자들을 추출할 수 있다.
예측 출력 시스템(225)은, 데이터 분석 시스템(220)으로부터 데이터를 수신하고 임상의에 의해 사용될 출력을 생성할 수 있다. 출력은, 출력 사용자 인터페이스, 보고, 또는 다른 문서 등일 수 있다. 출력은, 환자가 하나 이상의 병태를 겪고 있을 예측 가능도를 표시할 수 있다. 각각의 병태에 대해, 출력은, 환자가 그 병태를 겪고 있을 예측 가능도를 표시할 수 있다. 출력은, 환자가 병리상태 내에 위치하고 있다는 것을 표시할 수 있다. 출력은, 환자가 의학적 병태를 겪고 있는지 여부를 결정하는 것 및/또는 환자가 어떤 의학적 병태를 겪고 있는지를 결정하는 것을 보조하기 위해 임상의에 의해 사용될 수 있다.
데이터 수집 시스템(215), 데이터 분석 시스템(220), 및/또는 예측 출력 시스템(225)은, 하나 이상의 사용자에 의해, 이를테면, 그들 개개의 진료소를 통해 그리고/또는 서버(도시되지 않음)를 통해 액세스될 수 있다. 데이터 수집 시스템(215), 데이터 분석 시스템(220), 및/또는 예측 출력 시스템(225)은 또한, 시스템(200)의 실시예들에 의한 병태의 결정에 기반하여 예약(appointment)들 또는 후속 조치들을 스케줄링할 수 있는 예약 관리 소프트웨어에 연결될 수 있다.
데이터 수집 시스템(215), 데이터 분석 시스템(220), 및/또는 예측 출력 시스템(225)은, 다수의 시스템들 간에 분산되고/거나 시스템 또는 다수의 시스템들 내에서 결합될 수 있다. 데이터 수집 시스템(215), 데이터 분석 시스템(220), 및/또는 예측 출력 시스템(225)은 지리적으로 분산될 수 있다.
본원에 설명된 시스템들 및 방법들은, 1) 이를테면 컴퓨터 시스템의 메모리로부터, 다수의 개인들로부터 수집된 망막 신호 데이터를 리트리브하는 것, 2) 망막 신호 데이터로부터 망막 신호 특징들, 이를테면, 전압, 회로 임피던스, 신호 수집 시간들, 샘플링 주파수들, 광 자극 동기화 시간 및/또는 오프셋, 및/또는 망막 신호 데이터로부터 추출되거나 망막 신호 데이터를 사용하여 생성될 수 있는 임의의 다른 유형들의 데이터를 추출 및/또는 생성하는 것, 3) 망막 신호 특징들을 개개의 개인에서 관찰된 병태들과 관련된 임상 정보로부터의 보조인자들과 결합하는 것, 4) 추출된 특징들 및 결합된 특징들로부터 망막 신호 특징들을 선택하고 망막 신호 특징들의 관련성에 따른 순위화로 계층구조를 결정하는 것, 5) 이러한 정보를 수학적 디스크립터들로 어셈블링하는 것, 6) 그러한 수학적 디스크립터들로부터 분류자들을 추정하는 것, 7) 그러한 병태들과 관련된 분류자들의 수학적 도메인들을 구축하는 것, 및/또는 8) 그러한 분류자들로부터 밀도 함수들을 획득하는 것을 포함할 수 있다.
수학적 디스크립터들은, 망막 신호 데이터 및/또는 임상 보조인자들로부터의 특징들을 결합하는 수학적 함수들일 수 있다. 디스크립터들은, 환자들의 그룹들 사이의 추가적인 판별을 고려하여 병태 또는 집단에 특정적인 망막 신호 특징을 표시할 수 있다. 사용될 수 있는 디스크립터들의 예들은, 왜도, 첨도, 밀집도(compactness), 고유벡터들, 중심 좌표들, 로컬 바이너리 패턴들, 시계열 회귀 계수들, 스펙트럼 엔트로피, 임의의 형태의 양자 엔트로피, 레니(
) 엔트로피, 폰 노이만(von Neumann) 엔트로피, 하틀리(Hartley) 엔트로피, 살리스(Tsallis) 엔트로피, 통합 엔트로피, 휴(Hu) 모멘트들, 하랄릭(Haralick) 특징들, 및/또는 고유값 기반 함수들을 포함한다. 디스크립터들은 분류자들을 획득하기 위해 사용될 수 있다. 분류자들은, 디스크립터들을 그들의 통계적 유의도에 따라 순위화함으로써 데이터를 정보의 범주 또는 부류에 맵핑하기 위해 디스크립터들을 사용하는 수학적 또는 통계적 함수들일 수 있다. 디스크립터들은, 생체특성의 특정 성분들을 묘사하기 위한 그들의 관련성에 기반하여 순위화될 수 있다. 디스크립터들은, 디스크립터들의 카탈로그로 그룹화될 수 있다. 디스크립터들의 카탈로그는 MLA를 훈련시킬 때 사용될 수 있다.
본원에 설명된 시스템들 및 방법들은, 1) 이를테면 컴퓨터 시스템의 메모리로부터, 개인으로부터 수집된 망막 신호 데이터를 리트리브하는 것, 2) 망막 신호 데이터로부터 망막 신호 특징들, 이를테면, 전압, 회로 임피던스, 신호 수집 시간들, 샘플링 주파수들, 광 자극 동기화 시간 및/또는 오프셋, 및/또는 망막 신호 데이터로부터 추출되거나 망막 신호 데이터를 사용하여 생성될 수 있는 임의의 다른 유형들의 데이터를 추출 및/또는 생성하는 것, 3) 망막 신호 특징들을 개인에서 관찰된 병태들과 관련된 임상 정보로부터의 보조인자들과 결합하는 것, 4) 개인이 하나 또는 여러 도메인에 속할(즉, 병태를 겪고 있을) 확률을 계산하는 것, 및/또는 5) 이 개인에 대한 그러한 도메인들에 대한 수학적 근접도를 환자가 도메인에 대응하는 병태를 겪고 있을 예측 확률로서 결정하는 것을 포함할 수 있다.
임상 정보는, 개인의 일반적인 건상 상태들을 표시하는 정보, 이를테면, 동반되는 질환들, 치료들, 이전의 의학적 병태들, 커피, 알코올 또는 담배 사용, 약물 남용, 및/또는 임의의 다른 일반적인 건강 상태 데이터에 관한 정보를 포함할 수 있다. 임상 정보는, 특정 정신의학적 병태들과 관련된 정보, 이를테면, 정신의학적 질병들에 특정적인 구조화된 질문표들로부터의 정보를 포함할 수 있다. 이러한 구조화된 질문표들은, 불안, 정서적 및 기분 요소(component)들, 인지 장애들, 감정들, 습관들, 환각들, 행동들과 관련된 질문들, 및/또는 정신의학적 질병들과 관련된 다른 질문들을 포함할 수 있다. 임상 정보로부터 임상 정보 보조인자들, 이를테면, 나이, 성별, 홍채 색, 및/또는 망막 색소침착에 대한 대용물로서의 피부 색소침착 등을 표시하는 임상 정보 보조인자들이 추출될 수 있다.
망막 신호 데이터는, 각각의 생체특성이 병태에 특정적인 여러 생체특성들을 포함할 수 있다. 주어진 환자에 대한 병태에 대응하는 생체특성은 분류자들을 사용하여 식별될 수 있다. 병태는, 양극성 장애, 조현병, 및 우울증과 같은, 그러나 이에 제한되지 않는 정신의학적 병태일 수 있다. 병태는 또한, 신경학적 병태들, 비-정신의학적 병태들, 또는 그러한 병태들에 대한 위험이 있는 것일 수 있다. 본원에 설명된 바와 같은 망막 신호 데이터를 분석하기 위한 단계들은, 망막 신호 데이터에서 표현되는 임의의 병태들에 특정적인 망막 신호 특징들의 분석에 적용가능할 수 있다.
판별결과들의 그래픽 표현들이 전개되고 출력될 수 있고, 수학적 모델들에서 사용될 망막 신호 특징들을 선택하는 것에서 이루어지는 선택들에 대한 시각적 지원을 제공할 수 있다. 애플리케이션들은, 분석 프로세스 동안 생성된 결과들의 데이터 적합성, 정보의 강건성, 및 정확성을 평가하기 위해 결과들의 수학적 및/또는 통계적 분석을 적용할 수 있다.
기록된 망막 신호 데이터로부터 추출된 망막 신호 특징들은, 전압 및 회로 임피던스와 같은 전기적 파라미터들, 신호 수집 시간들(예컨대, 5 내지 500 밀리초), 샘플링 주파수들(예컨대, 0.2 내지 24 kHz), 광 자극 동기화 시간(플래시의 시간) 및 오프셋(광 자극 이전의 기준선 전압 및 임피던스), 조명된 망막 영역들, 및/또는 망막 신호 데이터에 영향을 미치는 다른 망막 신호 특징들을 포함할 수 있다. 망막 신호 특징들은, 추출된 망막 신호 특징들에 기반하여, 이를테면, 추출된 망막 신호 특징들 중 하나 이상에 대해 수학적 연산을 수행함으로써 생성될 수 있다. 망막 신호 데이터로부터 추출된 망막 신호 특징들은, 망막 신호와 관련된 데이터, 이를테면, 눈 위치, 동공 크기, 광원으로부터 눈 또는 눈의 부분(동공, 망막)까지의 거리, 및/또는 적용된 휘도 파라미터들(강도, 파장, 스펙트럼, 광 자극의 주파수, 망막 신호 샘플링의 주파수, 파장, 조명 시간, 배경 파장, 배경 휘도)을 포함할 수 있다. 망막 신호 특징들은 전압 독립적이고/거나 시간 독립적일 수 있다. 이러한 특징들의 부분 또는 그 전부가 본원에 설명된 시스템들 및 방법들을 사용하여 분석될 수 있다.
망막 신호 데이터 처리 방법들
도 3은, 환자가 병태를 겪고 있는지 여부를 예측하기 위한 수학적 함수들의 구성으로 이어지는 정보 처리 방법(300)의 예시적인 기능적 아키텍처를 예시한다. 방법(300)은, 병태들을 겪고 있는 환자들로부터 수집된 망막 신호 데이터로부터의 정보의 수학적 도메인들을 모델링하는 데 사용될 수 있다. 방법(300)의 부분들 또는 그 전부는, 정보 입력 스테이지(310), 특징 추출 스테이지(320), 특징 선택 및 위치결정 스테이지(330), 특징 가중 및 어셈블링 스테이지(340), 분류자 순위화 및 판별 스테이지(350), 대비(confront) 스테이지(360), 및/또는 예측 출력 스테이지(370) 동안 실행될 수 있다.
망막 신호 데이터 및 수집된 임상 정보는, 정보의 수준 및 특정성에 따라 상이하게 처리될 수 있다. 망막 신호 특징들은, 속성들에 대한 설명을 위한 변수들에 의해 주어지는 표시자들의 부류들 또는 범주들일 수 있다. 디스크립터들은, 판별 프로세스에 후속하여 결정되는 병태 또는 집단에 특정적인 관련 특징들일 수 있다. 분류자들은, 순위화 프로세스에 후속하여 데이터를 범주 또는 부류에 맵핑하기 위해 디스크립터들을 사용하는 수학적 또는 통계적 함수들일 수 있다. 구역들은, 수학적 함수들의 범위들의 서브세트 또는 분류자들로 구축된 함수들의 집합으로서 식별될 수 있다. 도메인은 병태에 특정적인 구역으로서 식별될 수 있다.
도 3에 도시된 바와 같은 기능적 아키텍처는 단지 본 기술의 예시적인 구현이라는 것이 명백히 이해되어야야 한다. 그에 따라, 그에 대한 후속하는 설명은 단지 본 기술의 예시적인 예들의 설명이도록 의도된다. 이러한 설명은 본 기술의 범위를 정의하거나 본 기술의 경계들을 기재하도록 의도되지 않는다.
일부 경우들에서, 도 3에 도시된 기능적 아키텍처에 대한 수정들의 도움이 되는 예들로 여겨지는 것들이 또한 아래에 기재될 수 있다. 이는 단지 이해를 돕기 위해 행해지고, 또한, 본 기술의 범위를 정의하거나 경계들을 기재하기 위한 것이 아니다. 이러한 수정들은 포괄적인 목록이 아니며, 관련 기술분야의 통상의 기술자가 이해할 바와 같이, 다른 수정들이 가능할 가능성이 있다. 추가로, 이것이 행해지지 않은 경우(즉, 수정들의 어떠한 예들도 기재되지 않은 경우), 수정들이 가능하지 않고/거나 설명된 것이 본 기술의 해당 요소를 구현하는 유일한 방식인 것으로 해석되어서는 안 된다. 관련 기술분야의 통상의 기술자가 이해할 바와 같이, 이는 그렇지 않을 가능성이 있다. 게다가, 도 3에 도시된 기능적 아키텍처는 특정 예시들에서 본 기술의 간단한 구현들을 제공할 수 있고, 그러한 경우에 그 구현들이 이해를 돕기 위해 이러한 방식으로 제시되었다는 것이 이해되어야 한다. 관련 기술분야의 통상의 기술자들이 이해할 바와 같이, 본 기술의 다양한 구현들은 더 큰 복잡도를 가질 수 있다.
하나 이상의 양상에서, 방법(300) 또는 그의 하나 이상의 단계는, 컴퓨팅 시스템, 이를테면 컴퓨팅 환경(100)에 의해 수행될 수 있다. 방법(300) 또는 그의 하나 이상의 단계는, 메모리에 로딩되고 CPU에 의해 실행되는, 비-일시적인 대용량 저장 디바이스와 같은 컴퓨터 판독가능 매체에 저장되는 컴퓨터 실행가능 명령어들로 구현될 수 있다. 방법(300)은 예시적이며, 도면에서의 일부 단계들 또는 단계들의 부분들은 생략되고/거나 순서가 변경될 수 있다는 것이 이해되어야 한다.
특정 실시예들에서, 병태의 특정 수학적 모델링에 대한 잠재력은, 시연들 동안에 고려되었고 수학적 도메인들의 개념을 설명하기 위해 후속하여 사용된 병태들에 특정적인 정보의 도메인들의 그래픽 표현에 의해 지원된다. 강건성 및 정확성 분석들의 결과들은 본 기술로 구축된 수학적 도메인들의 관련성 및 특정성을 시연하기 위해 사용된다.
분석 전략을 부가적인 계산 프로세스들로 확장한 다음 부가적인 수학적 디스크립터들을 생성함으로써, 망막 신호 데이터에 포함된 생체특성을 해독하기 위한 방법이 풍부해질 수 있다.
정보 입력
단계(311)에서, 정보 입력은, 왜곡된 신호들, 간섭들, 및/또는 임의의 다른 유형의 아티팩트들을 포함할 수 있는 아티팩트들의 제거 하에서 또는 그러한 제거 없이, 수집된 망막 신호 데이터를 사용하여 수행될 수 있다. 아티팩트들은, 의도치 않게 포착되는 망막으로부터 비롯되지 않은 전기 신호들, 안구 전극 위치결정에서의 편이들, 접지 또는 기준 전극 접촉에서의 변화들, 눈꺼풀 깜박임들 및/또는 안구 움직임들 중 하나 이상을 통해 발생할 수 있다.
단계(312)에서, 수집된 망막 신호 데이터는, 이를테면, 망막 신호 데이터를 다른 단차원 또는 다차원 스케일로 전치시킴으로써, 예컨대, 스케일링, 편이, 기본 함수 변환(예컨대, 로그, 다항식, 거듭제곱, 삼각법), 시계열(분포 형상의 변화로 이어짐), 웨이블릿 변환(스칼로그램들로 이어짐), 경험적 모드 분해(내재 모드 함수(IMF)들로 이어짐), 구배 변환들(벡터로 이어짐), 및/또는 커널 분해(분포 형상 및/또는 길이 스케일들 및 신호 분산들에서의 변화로 이어짐)에 의해 변환될 수 있다. 고역 통과 필터, 저역 통과 필터, 대역 통과 필터, 노치 필터들과 같은 필터처리(유한 임펄스 응답, 무한 임펄스 응답)가 망막 신호 데이터에 대해 수행될 수 있다. 힐베르트-황(Hilbert-Huang) 변환(IMF들의 순간 주파수).
단계(313)에서, 임상 정보는, 이를테면, 임상 데이터를 다른 단차원 또는 다차원 스케일로 전치시킴으로써, 예컨대, 스케일링, 편이, 기본 함수 변환(예컨대, 로그, 다항식, 거듭제곱, 삼각법), 및/또는 복합 변수들로의 변수들의 재그룹화에 의해 변환될 수 있다.
단계(314)에서, 정보 입력 스테이지(310) 동안 생성된 데이터의 데이터 적합성은, 이를테면, 처리될 모든 데이터가 의도된 처리에 적합한 표준화된 포맷을 충족시킬 것을 보장함으로써 테스트 및 확증될 수 있다.
특징 추출
단계(321)에서, 생체특성의 성분들을 포함하는 것으로 간주되는 망막 신호 특징들은, 예컨대, 시간-주파수 분석(스칼로그램들에서의 특정 위치의 크기, 크기 최소치 및 최대치의 위치들), 커널 분해, 주 성분 분석(PCA), 다양한 시간-주파수 구간에서의 기하학적 (대수) 연산들, 이를테면, min(예컨대, a-파), max(예컨대, b-파), 레이턴시, 기울기, 구배, 곡률, 적분, 에너지(제곱된 진폭들의 합), 분산, 응집도-산포도(cohesion-dispersion)(균질성, 밀도), 및/또는 망막 신호 데이터로부터 망막 신호 특징들을 리트리브 또는 생성하기 위한 임의의 다른 방법들에 의해 획득될 수 있다.
단계(322)에서, 생체특성의 성분들에 영향을 미치는 것으로 간주되는 잠재적 임상 정보 보조인자들은, 예컨대, 다중 성분 분석(분산들과 결합된 카이(Chi) 제곱) 및 후속 그룹화에 의해, 단계적 회귀에 기반한 순방향 선택에 의해, (보조인자들의 특정된 세트를 사용한) 최상 서브세트 회귀에 의해, 임상 실습(즉, 병태에 대한 보조인자들, 예컨대, 질환의 지속기간, 위기/입원 횟수)으로부터, 그리고/또는 임상 정보로부터 임상 정보 보조인자들을 획득하기 위한 임의의 다른 방법들에 의해 임상 정보로부터 획득될 수 있다.
단계(323)에서, 특징 추출 스테이지(320) 동안 생성된 결과들의 정보의 강건성 및 정확성이 평가될 수 있다.
특징 선택 및 위치결정
단계(331)에서, 생체특성의 가장 중요한 성분들을 포함하는 망막 신호 특징들은, 예컨대, 시간-주파수 시각 분석들 또는 스칼로그램들(그러한 경우에, 망막 신호 특징들은 판별력 있는 것으로 발견된 특정 시간-주파수 윈도우에서의 신호의 크기들임), 교차 검증을 이용한 단계적 회귀, 미리 정의된 임계치들을 이용한 보조인자 조정 또는 미조정 희소 표현 기반 분류(Sparse Representation based Classification)(SRC), 예컨대, 지도식 PCA(Supervised PCA)(SPCA) 프로세스에서 주 성분들을 생성하기 위한 가장 관련 있는 망막 신호 특징들의 선택 및 결합, 최소 절대치 수렴 및 선택 연산자(least absolute shrinkage and selection operator)(LASSO), 능형 회귀, 신축망(elastic net), 베이지안(Bayesian) 또는 스파이크-앤-슬래브(spike-and-slab) 방법, 및/또는 임의의 다른 선택 방법에 의해 선택될 수 있다.
단계(332)에서, 보조인자 계층구조(교란, 매개변수(mediator), 조절변수(moderator))가 결정될 수 있는데, 즉, 예컨대, i) 교란 방법들(무작위화, 제약 및 매칭); 계층화(stratification)와 그에 후속되는 맨텔-핸젤(Mantel-Haenszel) 추정자; 및/또는 다변량 방법들, 예컨대, ANCOVA, 선형 및 로지스틱 회귀들, 및/또는 ii) 매개 및 조절 방법들: 예컨대, 바론 & 케니(Baron & Kenny) 방법; 페어차일드 & 맥키넌(Fairchild & MacKinnon) 방법, 및/또는 다른 적합한 방법들에 의해, 함께 분석 모델들에 대한 높은 기여를 갖는 가장 중요한 망막 신호 특징들 및 임상 정보 보조인자들의 영향의 방향 및 계층구조를 생체특성의 성분들로서 평가할 수 있다.
단계(333)에서, 수학적 모델들에 대한 높은 기여를 갖는 임상 정보 보조인자들, 즉, 생체특성의 성분들에 영향을 미치고 함께 수학적 모델들에 대한 높은 기여를 갖는(그에 따라, '자격검증된' 보조인자들이 됨) 그러한 임상 정보 보조인자들이 임상 정보로부터 선택될 수 있다.
단계(334)에서, 특징 선택 및 위치결정 스테이지(330) 동안 생성된 결과들의 정보의 강건성 및 정확성이 평가될 수 있다.
특징 가중 및 어셈블링
단계(341)에서, 디스크립터들을 생성하기 위해 관련 망막 신호 특징들을 재구성 및/또는 가중하는 것이 수행될 수 있다. 예컨대, 망막 신호 특징들의 기여가 결정 및/또는 맵핑될 수 있다. 생체특성의 디스크립터들을 포함하고 모델들에 영향을 미치는 망막 신호 특징들은, 예컨대, 다변량 회귀 분석들 또는 관련된 프로세스들에 의해 식별될 수 있다.
단계(342)에서, 디스크립터들은 가장 중요한 임상 정보 보조인자들(즉, 자격검증된 보조인자들)과 어셈블링될 수 있다. 이어서, 디스크립터들은, 예를 들어 PCA, SPCA, 또는 망막 신호 데이터 특징들을 선택 및/또는 결합하는 데 사용되는 다른 방법들을 사용함으로써, 예컨대, 수학적 표현들 또는 관계들을 사용하여 디스크립터들 및 보조인자들을 매칭-병합함으로써 함께 수학적 모델들에 가장 많이 기여하는 생체특성의 성분들을 획득하도록 선택될 수 있다.
단계(343)에서, 특징 가중 및 어셈블링 스테이지(340) 동안 생성된 결과들의 정보의 강건성 및 정확성이 평가될 수 있다.
분류자 순위화 및 판별
단계(351)에서, 분류자들은, 분류자들을 훈련시키기 위해, 어셈블링된 디스크립터들 및/또는 임상 정보 보조인자들을 사용함으로써 추정될 수 있다. 분류자들은, 예컨대, 로지스틱 회귀들, 프로빗(probit) 회귀들, 확률론적 모델링(가우시안 프로세스, 커널 추정 모델들, 베이지안 모델링), (예측자들의 특정된 세트를 사용한) 최상 서브세트 회귀, SVM, 신경망 방법들, 결정 트리, 랜덤 포레스트(random forest), 가중-투표(weighted-voting), 부스팅 및 배깅(boosting and bagging), 카플란-마이어(Kaplan-Meier) 분석, 콕스(Cox) 회귀, 및/또는 다른 선택 또는 순위화 방법들에 의해 그 성능들에 기반하여 선택 및/또는 순위화될 수도 있다.
단계(352)에서, 구역들 및 도메인들은, 예컨대, 수학적 구성들(예컨대, 웨이블릿들, 쿨백-라이블러(Kullback-Leibler) 발산 등), 도메인들 사이를 판별하기 위한 네이만-피어슨(Neyman-Pearson), 및/또는 다른 관련된 방법들에 의해 향상된 회귀 결과들의 시각화에 의해, 병태들에 특정적인 분류자들을 선택하여 그들의 가장 특정한 생체특성을 표현하는 수학적 함수들에 맵핑함으로써 구축될 수 있다.
단계(353)에서, 분류자 순위화 및 판별 스테이지(350) 동안 생성된 결과들의 정보의 강건성 및 정확성이 평가될 수 있다.
망막 신호 해독으로부터의 대비 판별결과들
단계(361)에서, 밀도 함수들이 획득 및 비교될 수 있는데, 즉, 망막 신호 데이터 및 임상 보조인자들로부터 가장 고밀도의 생체특성 성분들을 포함하는 수학적 함수들을 획득하고, 예컨대, 히스토그램, 커널 밀도 추정(예컨대, 파르젠-로젠블랫(Parzen-Rosenblatt) 윈도우들, 대역폭 선택), 특성 함수 밀도 및 다른 관련 추정자들, 벡터 양자화를 포함하는 데이터 클러스터링 기법들, 샘플 누적 확률 분포 또는 샘플 모멘트들에 기반한 재구성 방법들, 및/또는 다른 방법들에 의해 병태들에 걸쳐 그러한 함수들을 비교함으로써 획득 및 비교될 수 있다.
망막 신호 해독의 종결
단계(371)에서, 예컨대, 밀도 함수를 사용하고, 누적 확률 함수(CPF)를 추정하고/거나, 다른 관련된 방법들에 의해, 다양한 병태들에서 획득된 것들을 비교하는 것에서 망막 신호 데이터 및 임상 정보 보조인자들로부터의 생체특성 성분들의 관련 밀도를 포함하는 수학적 함수들로부터 확률들이 계산될 수 있다.
단계(372)에서, 구역들로부터의 거리들이, 다양한 병태들에서, 고밀도의 정보의 구역들 또는 도메인들 사이의 거리들과 가장 관련 있는 생체특성 성분들을 식별하고, 예컨대, 확률들을 베이지안 통계적 프라이어(prior)들과 비교하는 것에 의해 거리들을 수학적 표현식들로서 계산함으로써 결정될 수 있다. 엔트로피 기반 방법들, 변화들의 방향을 평가하기 위한 쿨백-라이블러(Kullback-Leibler) 발산 파라미터, 및 구역들 사이의 거리들을 평가하기 위한 네이만-피어슨. 준모수적(semiparametric) 최대 가능도 추정 절차 풀-인접-위반-알고리즘(pool-adjacent-violation-algorithm)(PAVA)뿐만 아니라, 모델의 각각의 개별 부분(즉, 구역들)에 기인하는 의학적 병태를 의심하고 역확률 가중 추정자(Inverse Probability Weighting Estimator)(IPWE) 또는 관련된 방법들을 사용하여 그 모델에 속하는 것들을 재평가하는 다른 방법들이 사용될 수 있다.
단계(373)에서, 종결 스테이지(370) 동안 생성된 결과들의 정보의 강건성 및 정확성이 평가될 수 있다.
예측 방법들
도 4는 본 기술의 다양한 실시예들에 따른, 환자가 병태를 겪고 있을 가능도를 예측하기 위한 방법(400)의 흐름도를 예시한다. 방법(400)의 부분들 또는 그 전부는, 데이터 수집 시스템(215), 데이터 분석 시스템(220), 및/또는 예측 출력 시스템(225)에 의해 실행될 수 있다. 하나 이상의 양상에서, 방법(400) 또는 그의 하나 이상의 단계는, 컴퓨팅 시스템, 이를테면 컴퓨팅 환경(100)에 의해 수행될 수 있다. 방법(400) 또는 그의 하나 이상의 단계는, 메모리에 로딩되고 CPU에 의해 실행되는, 비-일시적인 대용량 저장 디바이스와 같은 컴퓨터 판독가능 매체에 저장되는 컴퓨터 실행가능 명령어들로 구현될 수 있다. 방법(400)은 예시적이며, 흐름도에서의 일부 단계들 또는 단계들의 부분들은 생략되고/거나 순서가 변경될 수 있다는 것이 이해되어야 한다.
방법(400)은, 이제 아래에서 더 상세히 설명될 바와 같이, 다양한 활동들, 이를테면, 망막 신호 데이터로부터 망막 신호 특징들을 추출하는 것, 특정 병태들과 가장 관련 있는 망막 신호 특징들을 선택하는 것, 분석 또는 비교될 병태들에 대한 가장 판별력 있는 수학적 디스크립터들을 생성하기 위해 그러한 망막 특징들을 결합 및 비교하는 것, 다중-모드 맵핑을 생성하는 것, 병태들의 생체지표들 및/또는 생체특성들을 식별하는 것, 및/또는 환자가 병태들 중 임의의 하나를 겪고 있을 가능도를 예측하는 것을 수행하는 것을 포함한다.
단계(405)에서, 망막 신호 데이터가 환자로부터 포착될 수 있다. 망막 신호 데이터는, 미리 정의된 수집 프로토콜을 사용하여 포착될 수 있다. 망막 신호 데이터는, 환자 상에 배치된 전극들에 의해 포착되는 측정된 전기 신호들을 포함할 수 있다. 망막 신호 데이터는, 망막 신호 데이터를 포착하는 데 사용된 시스템의 파라미터들, 이를테면 광 자극의 파라미터들을 포함할 수 있다. 망막 신호 데이터는, 전기 신호들을 측정하는 디바이스에서 사용되는 수신 전기 회로의 임피던스를 포함할 수 있다. 특정 실시예들에서, 이러한 단계(405)는 생략된다.
망막 신호 데이터는, 임피던스 측정치들 및/또는 다른 전기적 파라미터들을 포함할 수 있다. 망막 신호 데이터는, 광학 파라미터들, 이를테면 동공 크기 변화들, 및/또는 적용된 휘도 파라미터들(강도, 파장, 스펙트럼, 광 자극의 주파수, 망막 신호 샘플링의 주파수)을 포함할 수 있다.
망막 신호 데이터를 생성하기 위해, 이를테면, 하나 이상의 광학 자극기일 수 있는 광 자극기(205)를 사용함으로써 환자의 망막이 자극될 수 있다. 망막 신호 데이터는, 하나 이상의 전극 및/또는 다른 센서들을 포함할 수 있는 센서, 이를테면 센서(210)에 의해 수집될 수 있다.
광 자극기는, 상이한 파장(예컨대, 약 300 내지 약 800 나노미터), 광 강도(예컨대, 약 0.01 내지 약 3000 cd.s/m2), 조명 시간(예컨대, 약 1 내지 약 500 밀리초), 상이한 배경 파장(예컨대, 약 300 내지 약 800 나노미터)을 갖는 각각의 광 플래시들 사이의 시간(예컨대, 약 0.2 내지 약 50 초), 및 배경 휘도(예컨대, 약 0.1 내지 약 800 cd/m2)의 광 빔들을 생성할 수 있는 임의의 광원들을 포함할 수 있다.
망막 신호 데이터는, 광 자극 동기화 시간(플래시의 시간) 및 오프셋(광 자극 이전의 기준선 전압 및 임피던스)과 함께 여러 샘플링 주파수들(예컨대, 0.2 내지 24 kHz)에서 여러 신호 수집 시간들(예컨대, 5 내지 500 밀리초) 동안 수집된 전기적 응답 데이터(예컨대, 전압 및 회로 임피던스)를 포함할 수 있다. 따라서, 단계(405)는, 4 내지 16 kHz의 주파수들에서 망막 신호 데이터를 수집하는 것을 포함할 수 있다.
이를테면 진료의에 의해 망막 신호 데이터가 수집된 후에, 망막 신호 데이터는 분석을 위해 서버, 이를테면 데이터 분석 시스템(220)에 업로드될 수 있다. 망막 신호 데이터는, 컴퓨터 시스템의 메모리(130)에 저장될 수 있다.
단계(410)에서, 단계(405)가 생략되는 경우, 망막 신호 데이터는 메모리(130)로부터 리트리브될 수 있다. 망막 신호 특징들이 망막 신호 데이터로부터 추출될 수 있다. 망막 신호 특징들의 추출은, 다수의 신호 분석 방법들, 이를테면, 다항식 회귀들, 웨이블릿 변환들, 및/또는 경험적 모드 분해(EMD)를 사용하여 망막 신호 데이터 및/또는 그들의 변환들을 처리하는 것에 기반할 수 있다. 망막 신호 특징들의 추출은, 그러한 분석들 또는 특정 모델링으로부터 도출된 파라미터들, 예컨대, 주 성분들 및 가장 판별력 있는 예측자들, 선형 또는 비선형 회귀 함수들로부터의 파라미터들, 더 높은 크기의 주파수, 차이의 쿨백-라이블러 계수, 가우시안 커널들의 특징들, 차이의 로그 가능도, 및/또는 고에너지의 영역들에 기반할 수 있다. 이러한 분석들은, 각각의 특정적 망막 신호 특징의 기여를 결정하고 망막 신호 특징들을 통계적으로 비교하는 데 사용될 수 있다.
추출될 망막 신호 특징들은 이전에 결정되었을 수 있다. 추출할 망막 신호 특징들은, 다수의 환자들에 대한 망막 신호 데이터의 라벨링된 데이터세트들을 분석함으로써 결정될 수 있다. 데이터세트들에서 표현된 각각의 환자는, 환자가 겪고 있는 하나 이상의 연관된 의학적 병태 및/또는 환자가 겪고 있지 않은 하나 이상의 의학적 병태를 가질 수 있다. 이러한 의학적 병태들은 각각의 환자의 데이터세트에 대한 라벨일 수 있다. 의학적 병태를 공유하는 환자들로부터의 망막 신호 데이터의 세트를 분석함으로써, 추출할 망막 신호 특징들이 결정될 수 있다. 망막 신호 특징들에 기반하여 다중-모드 맵이 생성될 수 있다. 도메인들은 다중-모드 맵에 기반하여 결정될 수 있다.
단계(415)에서, 망막 신호 특징들로부터 디스크립터들이 추출될 수 있다. 수학적 디스크립터들은, 망막 신호 데이터 및/또는 임상 보조인자들로부터의 특징들을 결합하는 수학적 함수들일 수 있다. 디스크립터들은, 환자들의 그룹들 사이의 추가적인 판별을 고려하여 병태 또는 집단에 특정적인 망막 신호 특징을 표시할 수 있다. 방법(300)의 단계(342)에서 위에 설명된 바와 같이, 디스크립터들은, 예컨대, 예를 들어 PCA, SPCA, 또는 망막 신호 데이터 특징들을 선택 및/또는 결합하는 데 사용되는 다른 방법들을 사용함으로써, 수학적 표현들 또는 관계들을 사용하여 디스크립터들 및 보조인자들을 매칭-병합함으로써 함께 수학적 모델들에 가장 많이 기여하는 생체특성의 성분들을 획득하도록 선택될 수 있다.
단계(420)에서, 환자의 임상 정보가 수신될 수 있다. 임상 정보는, 의료 기록들 및/또는 환자에 관하여 수집된 임의의 다른 데이터를 포함할 수 있다. 임상 데이터는, 의료 진료의에 의한 임상 검사 및/또는 질문표의 결과들을 포함할 수 있다.
단계(425)에서, 임상 정보를 사용하여 임상 정보 보조인자들이 생성될 수 있다. 임상 정보 보조인자들은, 망막 신호 데이터에 대한 그들의 영향에 기반하여 선택될 수 있다. 임상 정보 보조인자들은, 환자의 나이, 성별, 망막 색소침착에 대한 대용물로서 사용될 수 있는 피부 색소침착, 및/또는 환자에 대응하는 임의의 다른 임상 정보의 표시들을 포함할 수 있다.
단계(430)에서, 임상 정보 보조인자들 및/또는 디스크립터들이 병태들의 수학적 모델들에 적용될 수 있다. 임의의 수의 수학적 모델들이 사용될 수 있다. 임상의는, 어느 수학적 모델들을 사용할지를 선택할 수 있다. 각각의 모델은 특정 병태 또는 대조군에 대응할 수 있다.
단계(435)에서, 각각의 모델은, 환자와 모델의 병태의 생체특성 사이의 거리를 결정할 수 있다. 망막 신호 데이터의 주 성분들은 병태들에 대응하는 도메인들 내에 위치할 수 있다. 디스크립터들 및/또는 임상 정보 보조인자들은 각각의 모델의 생체특성과 비교될 수 있다.
단계(440)에서, 각각의 모델은, 환자가 모델의 병태를 겪고 있을 예측 확률을 출력할 수 있다. 환자가 병태를 겪고 있을 가능도는, 개인의 디스크립터들의 크기 및 위치를 모델의 디스크립터들과 비교하는 것에서의 통계적 유의도의 수준에 기반하여 예측될 수 있다. 예측 확률은 바이너리일 수 있고, 병태의 생체특성이 환자의 망막 신호 데이터에 존재하거나 부재함을 표시할 수 있다. 예측 확률은, 환자가 병태를 겪고 있을 가능성이 얼마나 있는지를 표시하는 백분율일 수 있다.
단계(445)에서, 환자가 각각의 병태를 겪고 있을 예측 확률이 출력될 수 있다. 인터페이스 및/또는 보고가 출력될 수 있다. 인터페이스는 디스플레이 상에 출력될 수 있다. 인터페이스 및/또는 보고는 임상의에게 출력될 수 있다. 출력은, 환자가 하나 이상의 병태들을 겪고 있을 가능도를 표시할 수 있다. 출력은, 환자가 병리상태 내에 위치하고 있다는 것을 표시할 수 있다. 예측 확률들이 저장될 수 있다.
출력은, 의학적 병태, 의학적 병태의 예측 확률, 및/또는 환자의 망막 신호 데이터가 병태 및/또는 다른 병태들과 일치하는 정도를 결정하는 것을 포함할 수 있다. 예측 확률은, 임상의의 의학적 병태 가설을 추가로 돕기 위해 객관적인 신경 생리학적 척도를 제공할 수 있는 의학적 병태에 대한 대응 백분율의 포맷일 수 있다.
출력은, 임상의의 의학적 병태의 결정에 대한 편안함의 수준을 증가시키고/거나 더 조기의 또는 더 효과적인 치료 계획을 시작하기 위해 임상의의 잠정적인 의학적 병태 가설과 함께 사용될 수 있다. 출력은, 의학적 병태 및 치료 계획을 명확하게 하는 데 부가적인 시간을 소비하는 것이 아니라 더 조기의 치료를 시작하는 데 사용될 수 있다. 출력은, 임상의의 잠정적인 의학적 병태 가설에 대한 임상의 및/또는 환자의 불확실성의 수준을 감소시킬 수 있다. 출력은, 환자에게 투여할 의약을 선택하는 데 사용될 수 있다. 선택된 의약은 이어서 환자에게 투여될 수 있다.
방법(400)은, 환자의 병태를 모니터링하는 데 사용될 수 있다. 환자는 이전에 병태를 진단받았을 수 있다. 방법(400)은, 병태의 진행을 모니터링하는 데 사용될 수 있다. 방법(400)은, 병태에 대한 치료 계획을 모니터링 및/또는 변경하는 데 사용될 수 있다. 예컨대, 방법(400)은, 병태를 치료하는 데 사용되는 의약의 유효성을 모니터링하는 데 사용될 수 있다. 망막 신호 데이터는, 환자가 병태에 대한 치료를 받기 전에, 받는 동안에, 그리고/또는 받은 후에 수집될 수 있다.
방법(400)은, 바이러스 감염과 같은 감염의 신경학적 증상들을 식별 및/또는 모니터링하는 데 사용될 수 있다. 예컨대, 방법(400)은, COVID-19에 감염되었던 환자들의 신경학적 증상들을 식별 및/또는 모니터링하는 데 사용될 수 있다. 망막 신호 데이터는, COVID-19에 감염된 또는 감염되었던 환자들로부터 수집될 수 있다. 망막 신호 데이터는, 환자가 신경학적 증상들을 앓고 있는지 여부, 신경학적 증상들의 중증도를 결정하고/거나 신경학적 증상들에 대한 치료 계획을 전개하기 위해 방법(400)을 사용하여 평가될 수 있다.
수학적 모델 생성
도 5는 본 기술의 다양한 실시예들에 따른, 환자가 병태를 겪고 있는지 여부를 예측하기 위한 수학적 모델을 생성하기 위한 방법(500)의 흐름도를 예시한다. 방법(500)의 부분들 또는 그 전부는, 데이터 수집 시스템(215), 데이터 분석 시스템(220), 및/또는 예측 출력 시스템(225)에 의해 실행될 수 있다. 하나 이상의 양상에서, 방법(500) 또는 그의 하나 이상의 단계는, 컴퓨팅 시스템, 이를테면 컴퓨팅 환경(100)에 의해 수행될 수 있다. 방법(500) 또는 그의 하나 이상의 단계는, 메모리에 로딩되고 CPU에 의해 실행되는, 비-일시적인 대용량 저장 디바이스와 같은 컴퓨터 판독가능 매체에 저장되는 컴퓨터 실행가능 명령어들로 구현될 수 있다. 방법(500)은 예시적이며, 흐름도에서의 일부 단계들 또는 단계들의 부분들은 생략되고/거나 순서가 변경될 수 있다는 것이 이해되어야 한다.
방법(500)은, 망막 신호 데이터 및/또는 다른 임상 정보의 데이터세트들을 처리하여 다양한 병태들에 특정적인 도메인들에 기반한 분류 모델을 생성할 수 있다. 망막 신호 데이터의 수학적 모델링은, 망막 신호 데이터 및/또는 임상 정보 보조인자들을 처리하여 병태들에 특정적인 도메인들에 기반한 분류 메트릭들을 생성하는 여러 순차적 분석들을 사용하여 수행될 수 있다. 분석은, 망막 신호 데이터 및 임상 정보 보조인자들, 이를테면, 망막 생체특성들의 특정 디스크립터들을 결합하여 가장 판별력 있는 성분들을 디스크립터들로서 선택하는 여러 메커니즘들을 갖는다. 임상 정보 보조인자들과 결합될 수 있는 이러한 디스크립터들이 사용되어, 분류자들을 훈련시키고, 이어서, 환자가 병태를 겪고 있을 확률 인자를 제공하는 것에서 그들의 성능에 기반하여 분류자들을 선택할 수 있다. 디스크립터들은, 병태들 각각에 특정적인 밀도 함수들을 구축하는 데 사용될 수 있다. 도메인 클러스터들은, 판별력 있는 특징들, 주 성분들, 및 높은 통계적 유의도의 디스크립터들의 맵핑들의 다중-모드 분석을 사용하여 형성될 수 있다.
단계(505)에서, 환자들로부터 망막 신호 데이터가 수집될 수 있다. 수집된 망막 신호 데이터는, 임피던스 측정치들 및/또는 다른 전기적 파라미터들을 포함할 수 있다. 망막 신호 데이터는, 광학 파라미터들, 이를테면, 광원으로부터 눈 또는 눈의 부분(동공, 망막)까지의 거리, 동공 크기 변화들, 및/또는 적용된 휘도 파라미터들(광 강도, 광 파장, 광 스펙트럼, 광 자극의 주파수, 망막 신호 샘플링의 주파수)을 포함할 수 있다. 특정 실시예들에서, 단계(505)는 생략될 수 있다.
단계(510)에서, 각각의 환자의 망막 신호 데이터가 병태로 라벨링될 수 있다. 라벨은, 환자가 진단받은 하나 이상의 병태일 수 있다. 라벨은, 환자가 어떠한 병태들도 진단받지 않았다는 것을 표시할 수 있으며, 이 경우에, 환자는 대조군 대상으로서 지칭될 수 있다. 병태는, 조현병, 양극성 장애, 주요 우울증 장애, 정신병, 외상 후 스트레스 장애, 뇌졸중, 약물 남용, 강박 장애, 알츠하이머병, 파킨슨병, 다발성 경화증, 자폐증, 주의력 결핍 장애, 및/또는 임의의 다른 병태일 수 있다. 단계(505)가 생략된 경우, 단계(510)는, 컴퓨팅 환경(100)의 메모리(130)와 같은 메모리로부터 저장된 망막 신호 데이터를 리트리브하는 것을 포함할 수 있다.
단계(515)에서, 환자들에 대한 임상 정보 보조인자들이 수신될 수 있다. 임상 정보 보조인자들은 의료 기록들로부터 추출될 수 있다. 임상 정보 보조인자들은, 나이, 성별, 및/또는 망막 색소침착에 대한 대용물로서의 피부 색소침착, 홍채 색 등과 같은 집단 파라미터들의 표시들을 포함할 수 있다. 망막 신호 데이터가 수집된 환자들의 서브세트 또는 그 전부에 대해 임상 정보 보조인자들이 수신될 수 있다.
단계(520)에서, 각각의 환자에 대한 데이터세트가 생성될 수 있다. 데이터세트는, 환자의 망막 신호 데이터, 환자에 배정된 라벨 또는 라벨들, 및/또는 환자의 임상 정보 보조인자들을 포함할 수 있다. 데이터세트는 데이터베이스에 저장되고/거나 임의의 다른 적합한 포맷으로 저장될 수 있다.
단계(525)에서, 데이터세트들 내의 망막 신호 데이터로부터 망막 신호 특징들이 추출될 수 있다. 추출할 망막 특징들을 선택하기 위해, 임의의 적합한 수학적 선택 프로세스, 이를테면, 주 성분 분석(PCA), 일반화된 선형 모델(GLM)들, 희소 표현 기반 분류(SRC), 최소 절대치 수렴 및 선택 연산자(LASSO), 및/또는 가장 판별력 있는 망막 신호 특징들을 선택하고 통계적 유의도의 맵핑들을 생성하기 위한 목적으로 선택된 망막 신호 특징들을 변환하고 응집도 및 밀도(정보 밀도)의 관점에서 관심 디스크립터들을 생성하는 것을 목표로 하는 여러 모델들의 조합이 사용될 수 있다. 수집된 망막 신호 데이터를 분석하기 위해, 다양한 방법들, 이를테면, 이에 제한되진 않지만, 시간-주파수 분석, 기준 데이터세트들로부터 생성된 원형 모 웨이블릿(prototype mother wavelet)들, 확률론적 모델링, 정보의 응집도 및 산포도, 지도식 또는 비-지도식(unsupervised)일 수 있는 주 성분 분석(PCA), 일반화된 선형 모델(GLM)들, 희소 표현 기반 분류(SRC), 최소 절대치 수렴 및 선택 연산자(LASSO), 및/또는 유사한 선택 방법들 또는 여러 방법들의 조합이 사용될 수 있다. 맵핑들은, 각각의 병태의 도메인을 분리하고 그러한 도메인들(거리들) 내에서 개인을 위치결정하기 위해 가장 판별력 있는 검정력(discriminant power)을 갖는 망막 신호 데이터(n차원)의 영역들을 기술하는 데 사용될 수 있다.
병태의 생체특성은, 병태에 고유한 망막 신호 데이터의 부분들을 포함할 수 있다. 가장 판별력 있는 망막 신호 특징들 중 하나 이상이 특정 병태의 디스크립터들로서 선택될 수 있다. 디스크립터들은 다중-모드 계산 프로세스에서 결합될 수 있다.
특정 수학적 모델링에 대한 잠재력은, 시연들 동안에 고려되었고 도메인들을 설명하기 위해 후속하여 사용된 병태들에 특정적인 정보의 도메인들의 그래픽 표현에 의해 지원된다. 관련 예측자들의 클러스터들은 다중-모드 분석을 사용하여 획득된 망막 신호 특징들 중에서 정의될 수 있다.
분석 전략을 부가적인 계산 프로세스들로 확장한 다음 부가적인 망막 신호 특징들을 생성함으로써, 망막 신호 데이터에 포함된 생체특성을 해독하는 데 사용되는 그러한 성분들이 풍부해질 수 있다.
주파수(스펙트럼) 분석
시간-주파수 분석은, 예컨대, 이산 웨이블릿 변환(DWT)들 또는 연속 웨이블릿 변환(CWT)들, 및/또는 경험적 모드 분해(EMD) 필터링에 대해 모 웨이블릿들을 사용하여 수행될 수 있다. 더 높은 크기의 주파수, 발생 시간, 주파수 맵핑(스칼로그램들), 시간-주파수 도메인들, 웨이블릿 변환의 출력으로서의 웨이블릿 계수, 웨이블릿 계수의 상대적 발생 빈도, 및/또는 복합 파라미터들과 같은 통상적으로 사용되는 특징들이 시각화 및/또는 계산될 수 있다.
특정 모 웨이블릿들(원형 웨이블릿들)은, 데이터의 속성(대조군 그룹들 또는 특정 병리상태들을 갖는 개인의 그룹)에 맞게 구성 및 조정될 수 있다. 특정 모 웨이블릿들은, 중요한 특징들로서 고려되지 않는 재처리 및 필터링 주파수들로 검증(웨이블릿 설계)될 수 있다. 이러한 전략은, 알려져 있는 미리 정의된 모 웨이블릿을 조정하고 시간 클러스터링과 함께 또는 시간 클러스터링 없이 더 특정적인 시간-주파수 분석(즉, 분석되는 망막 신호 파형의 부분에 따라 조정된 모 웨이블릿을 이용한 시간-주파수 분석)을 수행하는 데 사용될 수 있다.
애플리케이션들은, 정신의학적 병태들과 같은 병태들이 있는 환자들로부터의 망막 신호 데이터와, 비교되는 바로서, 그러한 병태들을 진단받지 않은 개인들(대조군 대상들)로부터의 망막 신호 데이터 사이의 분석들을 비교하고 차이들을 나타내기 위해 사용될 수 있다.
주 성분 분석
주 성분 분석(PCA)이 수행될 수 있다. PCA는 망막 신호 데이터로부터 가장 판별력 있는 망막 신호 특징들을 추출하기 위해 지도식(SPCA) 또는 비-지도식(PCA)일 수 있다. PCA는, 응답 변수들, 이러한 경우에서는 의심되는 병태들에 대한 최대 종속성을 갖는 망막 신호 특징들일 수 있는 소위 "주 성분들"을 결정할 수 있다. PCA는, 망막 신호 특징들과 병태들 사이의 종속성을 분석하고 최대 종속성을 갖는 그러한 망막 신호 특징들의 선택을 허용할 수 있다.
망막 신호 특징들은, 동반되는 병리상태들 또는 의학적 병태들에 특정적인 부가적인 인구통계학적 또는 임상적 변수들과 조합하여 분석될 수 있다. 그러한 분석들은, 망막 신호 특징들을 정의하는 데 사용되는 특정 데이터 벡터들(주 성분 점수들)로 이어질 수 있으며, 이들은 이어서, 미리 정의된 임계치를 갖는 그들의 통계적 유의도에 기반하여 가장 판별력 있는 망막 신호 특징들의 분류를 도출하기 위해 결합 및 재분석("대비")될 수 있다. 그러한 분류는, 병태들에 특정적인 벡터화된 도메인들을 구축하는 데 사용될 수 있는 망막 신호 특징들의 선택을 허용할 수 있다.
확률론적 모델링
확률론적 모델링은, 망막 신호 데이터 내에서 관심 영역들을 찾는 데 사용될 수 있다. 수집된 대량의 정보 내에서 이벤트들의 확률을 정의하기 위해 표준 가우시안 및/또는 비-가우시안 프로세스 모델링이 사용될 수 있다. (모델을 훈련시키기 위해) 모델들을 구축하도록 선택된 망막 신호 특징들은, 대조군 대상들(병태들을 겪고 있지 않은 환자들의 데이터세트들) 및 특정 병태들이 있는 환자들로부터의 망막 신호 데이터에 특정적인 데이터세트들에 기반하여 선택될 수 있다.
단계(530)에서, 병태의 생체지표에 대응하는 망막 신호 특징들의 서브세트가 선택될 수 있다. 망막 신호 특징들은 병태에 대한 그들의 관련성에 기반하여 순위화될 수 있다. 가장 높게 순위화된 망막 신호 특징들의 일부 또는 그 전부가 서브세트 내에 있도록 선택될 수 있다.
단계(535)에서, 병태의 생체특성을 다른 병태들의 생체특성과 구별하는 분류자가 결정될 수 있다. 분류자는, 망막 신호 특징들의 서브세트 및/또는 임상 정보 보조인자들을 포함할 수 있다. 분류자는 생체특성을 표시하는 수학적 모델일 수 있다. 환자가 병태를 겪고 있을 가능도를 예측하기 위해, 환자의 망막 신호 데이터와 병태의 분류자 사이의 거리가 결정될 수 있다.
도 6은 본 기술의 다양한 실시예들에 따른, 정신의학적 병태 또는 신경학적 병태와 같은 의학적 병태의 가능도를 예측하도록 기계 학습 알고리즘(MLA)을 훈련시키기 위한 방법(600)의 흐름도를 예시한다. 방법(600)의 부분들 또는 그 전부는, 데이터 수집 시스템(215), 데이터 분석 시스템(220), 및/또는 예측 출력 시스템(225)에 의해 실행될 수 있다. 하나 이상의 양상에서, 방법(600) 또는 그의 하나 이상의 단계는, 컴퓨팅 시스템, 이를테면 컴퓨팅 환경(100)에 의해 수행될 수 있다. 방법(600) 또는 그의 하나 이상의 단계는, 메모리에 로딩되고 CPU에 의해 실행되는, 비-일시적인 대용량 저장 디바이스와 같은 컴퓨터 판독가능 매체에 저장되는 컴퓨터 실행가능 명령어들로 구현될 수 있다. 방법(600)은 예시적이며, 흐름도에서의 일부 단계들 또는 단계들의 부분들은 생략되고/거나 순서가 변경될 수 있다는 것이 이해되어야 한다.
단계(605)에서, 망막 신호 데이터의 데이터세트들이 리트리브될 수 있다. 데이터세트들은, 위에 설명된 바와 같이, 방법(500)의 단계들(505-520)을 사용하여 생성되었을 수 있다. 각각의 데이터세트는, 환자의 망막 신호 데이터, 환자가 진단받은 병태들에 대응하는 하나 이상의 라벨, 및 환자에 대응하는 임상 정보 보조인자들을 포함할 수 있다. 망막 신호 데이터는 다수의 환자들에 대응할 수 있다. 망막 신호 데이터는 특정 환자 집단에 기반하여 선택될 수 있다. 예컨대, 특정된 성별 및 나이 범위에 대응하는 모든 망막 신호 데이터가 리트리브될 수 있다.
리트리브된 데이터세트들은, 임피던스 측정치들 및/또는 다른 전기적 파라미터들을 포함할 수 있다. 리트리브된 데이터세트들은, 광학 파라미터들, 이를테면 동공 크기 변화들, 및/또는 적용된 휘도 파라미터들(광 강도, 파장, 스펙트럼, 광 자극의 주파수, 망막 신호 샘플링의 주파수)을 포함할 수 있다. 리트리브된 데이터세트들은, 나이, 성별, 홍채 색, 및/또는 망막 색소침착에 대한 대용물로서의 피부 색소침착 등과 같은 집단 파라미터들을 포함할 수 있다.
망막 신호 데이터는 라벨링될 수 있다. 데이터에서 표현된 각각의 환자에 대해, 환자가 진단받은 하나 이상의 병태가 표시될 수 있다. 이용가능한 병태들 중 임의의 병태로 진단받지 않은 환자들에 대해, 어떠한 병태도 표시되지 않을 수 있거나, 환자가 대조군 대상이라는 것을 표시하는 라벨이 표시될 수 있다.
단계(610)에서, 망막 신호 특징들이 생성될 수 있다. 망막 신호 특징들은 변환 프로세스를 사용하여 생성될 수 있다. 단계(605)에서, 리트리브된 망막 신호 데이터의 각각의 세트에 대해 망막 신호 특징들이 생성될 수 있다.
단계(615)에서, 데이터세트들 내의 망막 신호 특징들로부터 디스크립터들이 추출될 수 있다. 디스크립터들은 병태를 가장 잘 나타내는 것으로서 선택된 특징들일 수 있다.
단계(620)에서, 디스크립터들이 순위화될 수 있다. 각각의 디스크립터는, 병태들 사이 및/또는 병태와 대조군(즉, 진단된 병태가 없음) 사이를 판별하는 것에 대한 디스크립터의 기여를 테스트할 때의 디스크립터의 통계적 유의도의 수준에 기반하여 순위화될 수 있다.
단계(625)에서, 디스크립터들은 그들의 순위들에 기반하여 선택될 수 있다. 미리 결정된 양의 가장 높게 순위화된 디스크립터들이 선택될 수 있다.
단계(630)에서, 선택된 디스크립터들을 사용하여 MLA가 훈련될 수 있다. 605에서 리트리브된 데이터세트들은, 단계(625)에서 선택된 그러한 디스크립터들 이외의 디스크립터들이 제거되도록 필터링될 수 있다. 이어서, 데이터세트들의 일부 또는 그 전부가 MLA를 훈련시키는 데 사용될 수 있다. MLA는, 환자에 대응하는 디스크립터들의 세트에 기반하여, 환자가 병태를 겪고 있을 가능도를 예측하도록 훈련될 수 있다.
MLA를 훈련시킨 후에, MLA는, 측정된 망막 신호 데이터에 기반하여, 환자가 병태를 겪고 있을 가능도를 예측하는 데 사용될 수 있다. 도 7은 본 기술의 다양한 실시예들에 따른, MLA를 사용하여 정신의학적 병태의 가능도를 예측하기 위한 방법(700)의 흐름도를 예시한다. 방법(700)의 부분들 또는 그 전부는, 데이터 수집 시스템(215), 데이터 분석 시스템(220), 및/또는 예측 출력 시스템(225)에 의해 실행될 수 있다. 하나 이상의 양상에서, 방법(700) 또는 그의 하나 이상의 단계는, 컴퓨팅 시스템, 이를테면 컴퓨팅 환경(100)에 의해 수행될 수 있다. 방법(700) 또는 그의 하나 이상의 단계는, 메모리에 로딩되고 CPU에 의해 실행되는, 비-일시적인 대용량 저장 디바이스와 같은 컴퓨터 판독가능 매체에 저장되는 컴퓨터 실행가능 명령어들로 구현될 수 있다. 방법(700)은 예시적이며, 흐름도에서의 일부 단계들 또는 단계들의 부분들은 생략되고/거나 순서가 변경될 수 있다는 것이 이해되어야 한다.
단계(705)에서, 환자의 망막 신호 데이터가 수집될 수 있다. 단계(505)에서 수행되는 동작들은 단계(405)와 관련하여 위에 설명된 것들과 유사할 수 있다.
단계(710)에서, 망막 신호 데이터로부터 망막 신호 특징들 및/또는 디스크립터들이 추출될 수 있다. 디스크립터들은, MLA, 이를테면 방법(600)을 사용하여 생성된 MLA에 대응하도록 추출될 수 있다.
단계(715)에서, 디스크립터들이 MLA에 입력될 수 있다. 환자의 임상 정보 보조인자들이 또한 MLA에 입력될 수 있다. MLA는, 디스크립터들 및/또는 임상 정보 보조인자들에 기반하여, 환자가 병태를 겪고 있을 가능도를 예측하도록 구성될 수 있다. MLA는, 방법(600)을 사용하여 생성된 MLA일 수 있다.
단계(720)에서, MLA에 더 많은 데이터가 입력되어야 하는지 여부에 대한 결정이 이루어질 수 있다. MLA는, 단계(715)에서의 데이터 입력이 예측을 하기에 불충분하다고 결정할 수 있다. MLA는, 데이터의 양이 불충분하다고 결정할 수 있다. MLA는, 이를테면 데이터에 오류가 존재하는 경우, 데이터가 예측을 하기에 충분히 정확하지 않다고 결정할 수 있다. MLA는 예측의 신뢰 수준을 출력할 수 있고, 신뢰 수준이 임계 신뢰 수준, 이를테면 미리 결정된 임계 신뢰 수준 미만이라는 결정이 이루어질 수 있다. MLA가 더 많은 데이터를 요구하는 경우, 단계(705)에서, 더 많은 데이터가 포착될 수 있다. 그렇지 않고, MLA가 예측을 하기에 충분한 양의 데이터를 갖는 경우, 방법(700)은 단계(725)로 계속될 수 있다.
단계(725)에서, MLA는, 환자가 하나 이상의 병태를 겪고 있을 예측 가능도를 출력할 수 있다. MLA는, 각각의 병태에 대해 환자가 그 병태를 겪고 있을 예측 가능도를 출력할 수 있다. 병리상태 내에서의 환자 위치결정이 MLA에 의해 출력될 수 있고/거나 MLA에 의해 출력된 예측들에 기반하여 결정될 수 있다. 환자 위치결정은, 병태의 생체특성으로부터의 환자의 거리를 표시할 수 있다. 환자의 의학적 병태를 결정하고/거나 의학적 병태를 확증하는 것에서 보조로서 사용하기 위한 사용자 인터페이스 및/또는 보고가 생성되어 임상의에게 출력될 수 있다.
더 높은 크기의 주파수의 통계적 유의도에 기반한 시간-주파수 분석 및 판별력 있는 영역들의 선택에 대한 예들이 도 8 내지 도 27에 예시된다. 이러한 예들에서, 조현병, 양극성 장애, 또는 주요 우울 장애가 있는 환자들, 정신병들의 위험이 있는 어린 집단(즉, 조현병, 양극성 장애 또는 우울증에 의한 정동이 있는 부모를 가진 어린 자녀) 및 그러한 병태들에 의한 정동이 없는 대조군 대상들로부터의 망막 신호 데이터는, 시간-주파수 분석(상이한 모 웨이블릿들을 이용한 웨이블릿 변환)을 겪고 비교되었다. 시간-주파수 분석은, 기준 데이터세트들(대조군 대상 또는 특정한 병태들이 있는 개인들)로부터 준비된 임의의 알려져 있는 모 웨이블릿 또는 특정 모 웨이블릿(원형 모 웨이블릿들)으로 수행된다.
망막 신호 특징들의 선택 및 통계적 유의도 맵핑을 위한 예들이 도 28 내지 42에 예시된다. 이러한 예들에서, 조현병, 양극성 장애, 또는 주요 우울증 장애가 있는 환자들에서의, 정신병들의 위험이 있는 어린 집단(즉, 조현병, 양극성 장애 또는 우울증에 의한 정동이 있는 부모를 가진 어린 자녀)에서의 그리고 그러한 병태들에 의한 정동이 없는 대조군 대상들로부터의 신호 주파수 분석으로 획득된 망막 신호 특징들이 선택 및 비교되었다. 이어서, 가장 판별력 있는 특징들의 맵핑들이 특징 선택으로부터 준비된다.
망막 신호 디스크립터들의 선택 및 통계적 유의도 맵핑을 위한 예들이 도 43 내지 58에 예시된다. 이러한 예들에서, 조현병, 양극성 장애, 또는 주요 우울증 장애가 있는 환자들에서, 정신병들의 위험이 있는 어린 집단(즉, 조현병, 양극성 장애 또는 우울증에 의한 정동이 있는 부모를 가진 어린 자녀)에서 그리고 그러한 병태들에 의한 정동이 없는 대조군 대상들로부터 획득된 망막 신호 디스크립터들이 결합되었고, 여러 병태들 내에서 판별하기 위한 그들의 잠재력이 평가되었다. 이어서, 정보 볼륨 내에서의 그들의 위치 및 그들의 구별 잠재력에 기반하여, 그 선택으로부터 가장 판별력 있는 디스크립터들의 맵핑들이 준비된다.
도 8은 모 웨이블릿으로서 모렛(Morlet) 파형의 이산 근사화를 사용한, 조현병이 있는 환자들(더 밝은 점들) 대 정신 건강 병태들을 진단받지 않은 개인들(대조군 대상들; 더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 9는 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿 웨이블릿의 이산 근사화를 사용한, 조현병이 있는 환자들(더 밝은 점들) 대 정신 건강 병태들을 진단받지 않은 개인들(대조군 대상들; 더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 10은 모 웨이블릿으로서 모렛 파형의 이산 근사화를 사용한, 양극성 장애가 있는 환자들(더 밝은 점들) 대 정신 건강 병태들을 진단받지 않은 개인들(대조군 대상들; 더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 11은 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿 웨이블릿의 이산 근사화를 사용한, 양극성 장애가 있는 환자들(더 밝은 점들) 대 정신 건강 병태들을 진단받지 않은 개인들(대조군 대상들; 더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 12는 모 웨이블릿으로서 모렛 파형의 이산 근사화를 사용한, 주요 우울 장애가 있는 환자들(더 밝은 점들) 대 정신 건강 병태들을 진단받지 않은 개인들(더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 13은 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿 웨이블릿의 이산 근사화를 사용한, 주요 우울 장애가 있는 환자들(더 밝은 점들) 대 정신 건강 병태들을 진단받지 않은 개인들(더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 14는 모 웨이블릿으로서 모렛 파형의 이산 근사화를 사용한, 정신병들의 위험이 있는 환자들(더 밝은 점들) 대 정신 건강 병태들을 진단받지 않은 개인들(더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 15는 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿 웨이블릿의 이산 근사화를 사용한, 정신병들의 위험이 있는 환자들(더 밝은 점들) 대 정신 건강 병태들을 진단받지 않은 개인들(더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 16은 모 웨이블릿으로서 모렛 파형의 이산 근사화를 사용한, 조현병이 있는 환자들(더 밝은 점들) 대 양극성 장애가 있는 환자들(더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 17은 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿 웨이블릿의 이산 근사화를 사용한, 조현병이 있는 환자들(더 밝은 점들) 대 양극성 장애가 있는 환자들(더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 18은 모 웨이블릿으로서 모렛 파형의 이산 근사화를 사용한, 주요 우울 장애가 있는 환자들(더 밝은 점들) 대 양극성 장애가 있는 환자들(더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 19는 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿 웨이블릿의 이산 근사화를 사용한, 주요 우울 장애가 있는 환자들(더 밝은 점들) 대 양극성 장애가 있는 환자들(더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 20은 모 웨이블릿으로서 모렛 파형의 이산 근사화를 사용한, 주요 우울 장애가 있는 환자들(더 밝은 점들) 대 조현병이 있는 환자들(더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 21은 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿 웨이블릿의 이산 근사화를 사용한, 주요 우울 장애가 있는 환자들(더 밝은 점들) 대 조현병이 있는 환자들(더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 22는 모 웨이블릿으로서 모렛 파형의 이산 근사화를 사용한, 양극성 장애가 있는 환자들(더 밝은 점들) 대 정신병들의 위험이 있는 환자들(더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 23은 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿 웨이블릿의 이산 근사화를 사용한, 양극성 장애가 있는 환자들(더 밝은 점들) 대 정신병들의 위험이 있는 환자들(더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 24는 모 웨이블릿으로서 모렛 파형의 이산 근사화를 사용한, 조현병이 있는 환자들(더 밝은 점들) 대 정신병들의 위험이 있는 환자들(더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 25는 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿 웨이블릿의 이산 근사화를 사용한, 조현병이 있는 환자들(더 밝은 점들) 대 정신병들의 위험이 있는 환자들(더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 26은 모 웨이블릿으로서 모렛 파형의 이산 근사화를 사용한, 주요 우울 장애가 있는 환자들(더 밝은 점들) 대 정신병들의 위험이 있는 환자들(더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 27은 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿 웨이블릿의 이산 근사화를 사용한, 주요 우울 장애가 있는 환자들(더 밝은 점들) 대 정신병들의 위험이 있는 환자들(더 어두운 점들)에서의 망막 신호 데이터 주파수 분석의 비교를 예시한다. 시간 및 주파수에 대한 SRC 계수들의 크기는 90 %의 임계치 비교로 있다.
도 28은 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿의 이산 근사화를 사용한, 양극성 장애가 있는 환자들 대 조현병이 있는 환자들에서 p ≤ 0.05의 임계치로 웨이블릿 계수에 대해 희소 표현 기반 분류(SRC)를 이용하여 수행된 특징 선택(그러한 예에서는, 주파수 분석 성분들)으로부터의 가장 판별력 있는 예측자들을 예시한다. 색상들은 특정 위치에서의 SRC의 크기의 스케일들이다. 더 어두운 점들은 SRC가 정의된 임계치보다 높은 SRC 위치들을 도시하고 있다(예시된 예에서, 임계치는 70 % 내지 100 %임).
도 29는 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿을 사용한, 양극성 장애가 있는 환자들 대 조현병이 있는 환자들에서 통계적 p 값 ≤ 0.05의 임계치로 통계적 유의도에 기반한 주 성분 분석 분류를 이용하여 수행된 특징 선택(그러한 예에서는, 주파수 분석 성분들)으로부터의 가장 판별력 있는 예측자들을 예시한다.
도 30은 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿을 사용한, 양극성 장애가 있는 환자들 대 조현병이 있는 환자들에서 통계적 유의도에 의해 순위화된 주 성분 분석 분류를 이용하여 수행된 특징 선택(그러한 예에서는, 주파수 분석 성분들)으로부터의 가장 판별력 있는 예측자들 및 그들의 유의도 레벨들(통계적 p 값들)의 맵핑들을 예시한다. 이러한 예에서, p ≤ 0.05의 임계치로 2개의 가장 판별력 있는 성분이 고려되었다. 색상들(그레이 스케일)은 판별력 있는 검정력의 크기의 스케일들이다.
도 31은 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿의 이산 근사화를 사용한, 양극성 장애가 있는 환자들 대 주요 우울 장애가 있는 환자들에서 p ≤ 0.05의 임계치로 웨이블릿 계수에 대해 희소 표현 기반 분류(SRC)를 이용하여 수행된 특징 선택(그러한 예에서는, 주파수 분석 성분들)으로부터의 가장 판별력 있는 예측자들을 예시한다. 음영은 특정 위치에서의 SRC의 크기의 스케일들을 예시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 높은 SRC 위치들을 도시하고 있다(예시된 예에서, 임계치는 70 % 내지 100 %임).
도 32는 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿을 사용한, 양극성 장애가 있는 환자들 대 주요 우울 장애가 있는 환자들에서 통계적 p 값 ≤ 0.05의 임계치로 통계적 유의도에 기반한 주 성분 분석 분류를 이용하여 수행된 특징 선택(예시된 예에서는, 주파수 분석 성분들)으로부터의 가장 판별력 있는 예측자들을 예시한다.
도 33은 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿을 사용한, 양극성 장애가 있는 환자들 대 주요 우울 장애가 있는 환자들에서 통계적 유의도에 의해 순위화된 주 성분 분석 분류를 이용하여 수행된 특징 선택(그러한 예에서는, 주파수 분석 성분들)으로부터의 가장 판별력 있는 예측자들 및 그들의 유의도 레벨들(통계적 p 값들)의 맵핑들을 예시한다. 예시된 예에서, p ≤ 0.05의 임계치로 2개의 가장 판별력 있는 성분이 고려되었다. 그레이 스케일의 음영은 판별력 있는 검정력의 크기의 스케일들을 표시한다.
도 34는 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿의 이산 근사화를 사용한, 양극성 장애가 있는 환자들 대 정신병들의 위험이 있는 환자들에서 p ≤ 0.05의 임계치로 웨이블릿 계수에 대해 희소 표현 기반 분류(SRC)를 이용하여 수행된 특징 선택(이러한 예에서는, 주파수 분석 성분들)으로부터의 가장 판별력 있는 예측자들을 예시한다. 음영은 특정 위치에서의 SRC의 크기의 스케일들을 표시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 높은 SRC 위치들을 도시한다(예시된 예에서, 임계치는 70 % 내지 100 %임).
도 35는 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿을 사용한, 양극성 장애가 있는 환자들 대 정신병들의 위험이 있는 환자들에서 통계적 p 값 ≤ 0.05의 임계치로 통계적 유의도에 기반한 주 성분 분석 분류를 이용하여 수행된 특징 선택(그러한 예에서는, 주파수 분석 성분들)으로부터의 가장 판별력 있는 예측자들을 예시한다.
도 36은 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿을 사용한, 양극성 장애가 있는 환자들 대 정신병들의 위험이 있는 환자들에서 통계적 유의도에 의해 순위화된 주 성분 분석 분류를 이용하여 수행된 특징 선택(그러한 예에서는, 주파수 분석 성분들)으로부터의 가장 판별력 있는 예측자들 및 그들의 유의도 레벨들(통계적 p 값들)의 맵핑들을 예시한다. 예시된 예에서, p ≤ 0.05의 임계치로 2개의 가장 판별력 있는 성분이 고려되었다. 음영은 판별력 있는 검정력의 크기의 스케일들을 표시한다.
도 37은 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿의 이산 근사화를 사용한, 조현병이 있는 환자들 대 정신병들의 위험이 있는 환자들에서 p ≤ 0.05의 임계치로 웨이블릿 계수에 대해 희소 표현 기반 분류(SRC)를 이용하여 수행된 특징 선택(그러한 예에서는, 주파수 분석 성분들)으로부터의 가장 판별력 있는 예측자들을 예시한다. 음영은 특정 위치에서의 SRC의 크기의 스케일들을 표시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 높은 SRC 위치들을 도시한다(예시된 예에서, 임계치는 70 % 내지 100 %임).
도 38은 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿을 사용한, 조현병이 있는 환자들 대 정신병들의 위험이 있는 환자들에서 통계적 p 값 ≤ 0.05의 임계치로 통계적 유의도에 기반한 주 성분 분석 분류를 이용하여 수행된 특징 선택(그러한 예에서는, 주파수 분석 성분들)으로부터의 가장 판별력 있는 예측자들을 예시한다.
도 39는 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿을 사용한, 조현병이 있는 환자들 대 정신병들의 위험이 있는 환자들에서 통계적 유의도에 의해 순위화된 주 성분 분석 분류를 이용하여 수행된 특징 선택(그러한 예에서는, 주파수 분석 성분들)으로부터의 가장 판별력 있는 예측자들 및 그들의 유의도 레벨들(통계적 p 값들)의 맵핑들을 예시한다. 그러한 예에서, p ≤ 0.05의 임계치로 2개의 가장 판별력 있는 성분이 고려되었다. 음영은 판별력 있는 검정력의 크기의 스케일들을 표시한다.
도 40은 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿의 이산 근사화를 사용한, 주요 우울 장애가 있는 환자들 대 정신병들의 위험이 있는 환자들에서 p ≤ 0.05의 임계치로 웨이블릿 계수에 대해 희소 표현 기반 분류(SRC)를 이용하여 수행된 특징 선택(그러한 예에서는, 주파수 분석 성분들)으로부터의 가장 판별력 있는 예측자들을 예시한다. 음영은 특정 위치에서의 SRC의 크기의 스케일들을 표시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 높은 SRC 위치들을 도시한다(예시된 예에서, 임계치는 70 % 내지 100 %임).
도 41은 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿을 사용한, 주요 우울 장애가 있는 환자들 대 정신병들의 위험이 있는 환자들에서 통계적 p 값 ≤ 0.05의 임계치로 통계적 유의도에 기반한 주 성분 분석 분류를 이용하여 수행된 특징 선택(예시된 예에서는, 주파수 분석 성분들)으로부터의 가장 판별력 있는 예측자들을 예시한다.
도 42는 대조군 대상들로부터의 망막 신호 데이터세트들로 특별히 설계된 모 웨이블릿을 사용한, 주요 우울증 장애가 있는 환자들 대 정신병들의 위험이 있는 환자들에서 통계적 유의도에 의해 순위화된 주 성분 분석 분류를 이용하여 수행된 특징 선택(그러한 예에서는, 주파수 분석 성분들)으로부터의 가장 판별력 있는 예측자들 및 그들의 유의도 레벨들(통계적 p 값들)의 맵핑들을 예시한다. 그러한 예에서, p ≤ 0.05의 임계치로 2개의 가장 판별력 있는 성분이 고려되었다. 음영은 판별력 있는 검정력의 크기의 스케일들을 표시한다.
도 43은 정신병들의 위험이 있는 환자들 대 정신 건강 병태들을 진단받지 않은 개인들(대조군 대상들)에서 p ≤ 0.05의 임계치로 희소 표현 기반 분류(SRC)를 이용하여 수행된 가장 판별력 있는 선택된 디스크립터들(그러한 예에서는, 스펙트럼 엔트로피)의 맵핑을 예시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 큰 더 높은 판별 검정력의 위치이다(예시된 예에서, 임계치는 80 %임).
도 44는 정신병들의 위험이 있는 환자들 대 정신 건강 병태들을 진단받지 않은 개인들(대조군 대상들)에서 p ≤ 0.05의 임계치로 희소 표현 기반 분류(SRC)를 이용하여 수행된 가장 판별력 있는 선택된 디스크립터들(예시된 예에서는, 첨도)의 맵핑을 예시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 큰 더 높은 판별 검정력의 위치들이다(예시된 예에서, 임계치는 80 %임).
도 45는 정신병들의 위험이 있는 환자들 대 정신 건강 병태들을 진단받지 않은 개인들(대조군 대상들)에서 p ≤ 0.05의 임계치로 희소 표현 기반 분류(SRC)를 이용하여 수행된 가장 판별력 있는 선택된 디스크립터들(그러한 예에서는, 휴 모멘트)의 맵핑을 예시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 큰 더 높은 판별 검정력의 위치이다(예시된 예에서, 임계치는 80 %임).
도 46은 정신병들의 위험이 있는 환자들 대 정신 건강 병태들을 진단받지 않은 개인들(대조군 대상들)에서 p ≤ 0.05의 임계치로 희소 표현 기반 분류(SRC)를 이용하여 수행된 가장 판별력 있는 선택된 디스크립터들(그러한 예에서는, 3개의 디스크립터, 즉, 스펙트럼 엔트로피, 첨도, 및 휴 모멘트)의 맵핑을 예시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 큰 더 높은 판별 검정력의 위치이다(예시된 예에서, 임계치는 80 %임). (정보의 위치 및 통계적 유의도 둘 모두에서) 부가적인 추출가능한 특정 망막 신호 디스크립터들의 이점은, 도 43, 도 44, 및 도 45에서 제시된 것들과 디스크립터들을 비교할 때 알 수 있다.
도 47은 정신병들의 위험이 있는 환자들 대 양극성 장애가 있는 환자들에서 p ≤ 0.05의 임계치로 희소 표현 기반 분류(SRC)를 이용하여 수행된 가장 판별력 있는 선택된 디스크립터들(그러한 예에서는, 스펙트럼 엔트로피)의 맵핑을 예시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 큰 더 높은 판별 검정력의 위치들이다(예시된 예에서, 임계치는 80 %임).
도 48은 정신병들의 위험이 있는 환자들 대 양극성 장애가 있는 환자들에서 p ≤ 0.05의 임계치로 희소 표현 기반 분류(SRC)를 이용하여 수행된 가장 판별력 있는 선택된 디스크립터들(그러한 예에서는, 첨도)의 맵핑을 예시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 큰 더 높은 판별 검정력의 위치들이다(예시된 예에서, 임계치는 80 %임).
도 49는 정신병들의 위험이 있는 환자들 대 양극성 장애가 있는 환자들에서 p ≤ 0.05의 임계치로 희소 표현 기반 분류(SRC)를 이용하여 수행된 가장 판별력 있는 선택된 디스크립터들(이러한 예에서는, 휴 모멘트)의 맵핑을 예시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 큰 더 높은 판별 검정력의 위치들이다(예시된 예에서, 임계치는 80 %임).
도 50은 정신병들의 위험이 있는 환자들 대 양극성 장애가 있는 환자들에서 p ≤ 0.05의 임계치로 희소 표현 기반 분류(SRC)를 이용하여 수행된 가장 판별력 있는 선택된 디스크립터들(이러한 예에서는, 3개의 디스크립터, 즉, 스펙트럼 엔트로피, 첨도, 및 휴 모멘트)의 맵핑을 예시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 큰 더 높은 판별 검정력의 위치들이다(예시된 예에서, 임계치는 80 %임). (정보의 위치 및 통계적 유의도 둘 모두에서) 부가적인 추출가능한 특정 망막 신호 디스크립터들의 이점은, 도 47, 도 48, 및 도 49에서 제시된 것들과 디스크립터들을 비교할 때 알 수 있다.
도 51은 정신병들의 위험이 있는 환자들 대 조현병이 있는 환자들에서 p ≤ 0.05의 임계치로 희소 표현 기반 분류(SRC)를 이용하여 수행된 가장 판별력 있는 선택된 디스크립터들(이러한 예에서는, 스펙트럼 엔트로피)의 맵핑을 예시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 큰 더 높은 판별 검정력의 위치이다(예시된 예에서, 임계치는 80 %임).
도 52는 정신병들의 위험이 있는 환자들 대 조현병이 있는 환자들에서 p ≤ 0.05의 임계치로 희소 표현 기반 분류(SRC)를 이용하여 수행된 가장 판별력 있는 선택된 디스크립터들(그러한 예에서는, 첨도)의 맵핑을 예시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 큰 더 높은 판별 검정력의 위치들이다(예시된 예에서, 임계치는 80 %임).
도 53은 정신병들의 위험이 있는 환자들 대 조현병이 있는 환자들에서 p ≤ 0.05의 임계치로 희소 표현 기반 분류(SRC)를 이용하여 수행된 가장 판별력 있는 선택된 디스크립터들(이러한 예에서는, 휴 모멘트)의 맵핑을 예시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 큰 더 높은 판별 검정력의 위치들이다(예시된 예에서, 임계치는 80 %임).
도 54는 정신병들의 위험이 있는 환자들 대 조현병이 있는 환자들에서 p ≤ 0.05의 임계치로 희소 표현 기반 분류(SRC)를 이용하여 수행된 가장 판별력 있는 선택된 디스크립터들(이러한 예에서는, 3개의 디스크립터, 즉, 스펙트럼 엔트로피, 첨도, 및 휴 모멘트)의 맵핑을 예시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 큰 더 높은 판별 검정력의 위치들이다(예시된 예에서, 임계치는 80 %임). (정보의 위치 및 통계적 유의도 둘 모두에서) 부가적인 추출가능한 특정 망막 신호 디스크립터들의 이점은, 도 51, 도 52, 및 도 53에서 제시된 것들과 디스크립터들을 비교할 때 알 수 있다.
도 55는 정신병들의 위험이 있는 환자들 대 주요 우울 장애가 있는 환자들에서 p ≤ 0.05의 임계치로 희소 표현 기반 분류(SRC)를 이용하여 수행된 가장 판별력 있는 선택된 디스크립터들(이러한 예에서는, 스펙트럼 엔트로피)의 맵핑을 예시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 큰 더 높은 판별 검정력의 위치들이다(예시된 예에서, 임계치는 80 %임).
도 56은 정신병들의 위험이 있는 환자들 대 주요 우울 장애가 있는 환자들에서 p ≤ 0.05의 임계치로 희소 표현 기반 분류(SRC)를 이용하여 수행된 가장 판별력 있는 선택된 디스크립터들(이러한 예에서는, 첨도)의 맵핑을 예시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 큰 더 높은 판별 검정력의 위치들이다(예시된 예에서, 임계치는 80 %임).
도 57은 정신병들의 위험이 있는 환자들 대 주요 우울 장애가 있는 환자들에서 p ≤ 0.05의 임계치로 희소 표현 기반 분류(SRC)를 이용하여 수행된 가장 판별력 있는 선택된 디스크립터들(이러한 예에서는, 휴 모멘트)의 맵핑을 예시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 큰 더 높은 판별 검정력의 위치들이다(예시된 예에서, 임계치는 80 %임).
도 58은 정신병들의 위험이 있는 환자들 대 주요 우울 장애가 있는 환자들에서 p ≤ 0.05의 임계치로 희소 표현 기반 분류(SRC)를 이용하여 수행된 가장 판별력 있는 선택된 디스크립터들(그러한 예에서는, 3개의 디스크립터, 즉, 스펙트럼 엔트로피, 첨도, 및 휴 모멘트)의 맵핑을 예시한다. 더 어두운 점들은 SRC가 정의된 임계치보다 큰 더 높은 판별 검정력의 위치들이다(예시된 예에서, 임계치는 80 %임). (정보의 위치 및 통계적 유의도 둘 모두에서) 부가적인 추출가능한 특정 망막 신호 디스크립터들의 이점은, 도 55, 도 56, 및 도 57에서 제시된 것들과 디스크립터들을 비교할 때 알 수 있다.
본원에 언급된 모든 기술적 효과들이 본 기술의 각각의 그리고 모든 각각의 실시예에서 향유될 필요는 없다는 것이 명백히 이해되어야 한다.
본 기술의 위에 설명된 구현들에 대한 수정들 및 개선들이 관련 기술분야의 통상의 기술자들에게 명백해질 수 있다. 전술한 설명은 제한적인 것이 아니라 예시적인 것으로 의도된다. 따라서, 본 기술의 범위는 오직 첨부된 청구항들의 범위에 의해서만 제한되도록 의도된다.
Claims (48)
- 제1 병태(condition)에 대응하는 수학적 모델을 생성하기 위한 방법으로서,
상기 방법은 컴퓨터 시스템의 적어도 하나의 프로세서에 의해 실행가능하며, 상기 방법은,
복수의 환자들에 대응하는 라벨링된 망막 신호 데이터의 복수의 데이터세트들을 수신하는 단계 ― 각각의 데이터세트는 환자의 망막 신호 데이터 및 라벨을 포함하고, 상기 라벨은 상기 환자가 상기 제1 병태를 겪고 있는지 여부를 표시함 ―;
상기 망막 신호 데이터로부터 특징들의 세트를 추출하는 단계;
상기 특징들의 세트로부터 특징들의 서브세트를 선택하는 단계 ― 상기 특징들의 서브세트는 상기 제1 병태의 생체지표들에 대응함 ―; 및
상기 특징들의 서브세트에 기반하여, 상기 제1 병태를 제2 병태와 구별하는 하나 이상의 분류자를 결정하는 단계
를 포함하는, 방법. - 제1항에 있어서,
상기 특징들의 세트는, 전압, 회로 임피던스, 신호 수집 시간, 샘플링 주파수, 광 자극 동기화 시간, 광 자극 오프셋, 또는 어느 망막 영역들이 조명되었는지의 표시들을 포함하는, 방법. - 제1항 또는 제2항에 있어서,
상기 특징들의 세트는, 눈 위치, 동공 크기, 적용된 휘도의 강도, 광 자극의 주파수, 망막 신호 샘플링의 주파수, 조명의 파장, 조명 시간, 배경 파장, 또는 배경 휘도를 포함하는, 방법. - 제1항 내지 제3항 중 어느 한 항에 있어서,
상기 하나 이상의 분류자는, 상기 제1 병태의 생체특성을 상기 제2 병태의 생체특성과 구별하는, 방법. - 제4항에 있어서,
상기 제1 병태의 생체특성에 대한 각각의 특징의 관련성에 기반하여 상기 특징들의 세트를 순위화하는 단계를 더 포함하며, 상기 특징들의 서브세트를 선택하는 단계는, 상기 특징들의 세트 중 가장 높게 순위화된 특징들을 선택하는 단계를 포함하는, 방법. - 제1항 내지 제5항 중 어느 한 항에 있어서,
상기 복수의 환자들에 대응하는 임상 정보 보조인자들을 수신하는 단계 ― 상기 각각의 데이터세트는 상기 환자의 임상 정보 보조인자들을 포함함 ―; 및
임상 보조인자들의 서브세트를 선택하는 단계 ― 상기 임상 보조인자들의 서브세트 내의 임상 보조인자들은 상기 생체지표들의 검출에 영향을 미침 ―
를 더 포함하는, 방법. - 제6항에 있어서,
상기 임상 정보 보조인자들은, 개개의 환자의 나이, 성별, 피부 색소침착, 또는 홍채 색을 표시하는, 방법. - 제6항 또는 제7항에 있어서,
상기 하나 이상의 분류자를 결정하는 단계는, 상기 임상 보조인자들의 서브세트에 기반하여 상기 하나 이상의 분류자를 결정하는 단계를 포함하는, 방법. - 제1항 내지 제8항 중 어느 한 항에 있어서,
상기 하나 이상의 분류자에 기반하여 상기 수학적 모델을 생성하는 단계를 더 포함하는, 방법. - 제1항 내지 제9항 중 어느 한 항에 있어서,
상기 환자에 대응하는 상기 망막 신호 데이터 및 임상 정보 보조인자들을 상기 수학적 모델에 입력하는 단계; 및
상기 수학적 모델에 의해, 상기 환자가 상기 제1 병태를 겪고 있을 예측 가능도(predicted likelihood)를 출력하는 단계
를 더 포함하는, 방법. - 제1항 내지 제9항 중 어느 한 항에 있어서,
상기 환자에 대응하는 상기 망막 신호 데이터 및 임상 정보 보조인자들을 상기 수학적 모델에 입력하는 단계; 및
상기 수학적 모델에 의해, 상기 환자가 상기 제1 병태를 겪고 있지 않을 예측 가능도를 출력하는 단계
를 더 포함하는, 방법. - 제1항 내지 제11항 중 어느 한 항에 있어서,
상기 제1 병태는, 조현병, 양극성 장애, 주요 우울증 장애, 또는 정신병인, 방법. - 제1항 내지 제12항 중 어느 한 항에 있어서,
상기 제1 병태는, 외상 후 스트레스 장애, 뇌졸중, 약물 남용, 강박 장애, 알츠하이머병, 파킨슨병, 다발성 경화증, 자폐증, 또는 주의력 결핍 장애인, 방법. - 제1항 내지 제13항 중 어느 한 항에 있어서,
상기 망막 신호 데이터는 4 내지 24 kHz의 샘플링 주파수를 갖는, 방법. - 제1항 내지 제14항 중 어느 한 항에 있어서,
상기 망막 신호 데이터는 200 밀리초 내지 500 밀리초의 신호 수집 시간 동안 수집되는, 방법. - 제1항 내지 제15항 중 어느 한 항에 있어서,
상기 망막 신호 데이터는, 상기 망막 신호 데이터를 포착하는 동안 연속적으로 기록되는 수신 회로의 임피던스 성분을 포함하는, 방법. - 제1항 내지 제16항 중 어느 한 항에 있어서,
상기 망막 신호 데이터는 하나 이상의 광학 파라미터를 포함하는, 방법. - 제17항에 있어서,
상기 광학 파라미터들은 망막 광 자극의 휘도 또는 동공 크기를 포함하는, 방법. - 제1항 내지 제18항 중 어느 한 항에 있어서,
상기 망막 신호 데이터는, 상기 망막 신호 데이터를 포착하는 동안 기록되는 광 파장 성분, 상기 망막 신호 데이터를 포착하는 동안 기록되는 광 스펙트럼 성분, 상기 망막 신호 데이터를 포착하는 동안 기록되는 광 강도 성분, 또는 상기 망막 신호 데이터를 포착하는 동안 기록되는 조명된 망막 표면 성분을 포함하는, 방법. - 환자가 하나 이상의 병태를 겪고 있을 확률을 예측하기 위한 방법으로서,
상기 방법은 컴퓨터 시스템의 적어도 하나의 프로세서에 의해 실행가능하며, 상기 방법은,
상기 환자에 대응하는 망막 신호 데이터를 수신하는 단계;
상기 망막 신호 데이터로부터 하나 이상의 망막 신호 특징을 추출하는 단계;
상기 망막 신호 특징들로부터 하나 이상의 디스크립터(descriptor)를 추출하는 단계;
상기 하나 이상의 디스크립터를 제1 수학적 모델 및 제2 수학적 모델에 적용함으로써 제1 병태에 대한 제1 예측 확률(predicted probability) 및 제2 병태에 대한 제2 예측 확률을 생성하는 단계 ― 상기 제1 수학적 모델은 상기 제1 병태에 대응하고 상기 제2 수학적 모델은 상기 제2 병태에 대응함 ―; 및
상기 제1 예측 확률 및 상기 제2 예측 확률을 출력하는 단계
를 포함하는, 방법. - 제20항에 있어서,
상기 제1 예측 확률 및 상기 제2 예측 확률을 포함하는 인터페이스를 디스플레이하는 단계를 더 포함하는, 방법. - 제20항 또는 제21항에 있어서,
상기 제1 예측 확률 및 상기 제2 예측 확률을 저장하는 단계를 더 포함하는, 방법. - 제20항 내지 제22항 중 어느 한 항에 있어서,
상기 망막 신호 데이터를 수집하는 단계를 더 포함하는, 방법. - 제20항 내지 제23항 중 어느 한 항에 있어서,
상기 환자에 대응하는 임상 정보로부터 추출된 임상 정보 보조인자들을 획득하는 단계; 및
상기 임상 정보 보조인자들을 상기 제1 수학적 모델 및 상기 제2 수학적 모델에 적용하는 단계
를 더 포함하는, 방법. - 제24항에 있어서,
상기 임상 정보 보조인자들은, 상기 환자의 나이, 성별, 피부 색소침착, 또는 홍채 색에 대응하는, 방법. - 제20항 내지 제24항 중 어느 한 항에 있어서,
상기 망막 신호 데이터는 4 내지 24 kHz의 샘플링 주파수를 갖는, 방법. - 제20항 내지 제26항 중 어느 한 항에 있어서,
상기 망막 신호 데이터는 200 밀리초 내지 500 밀리초의 신호 수집 시간 동안 수집되는, 방법. - 제20항 내지 제27항 중 어느 한 항에 있어서,
상기 망막 신호 데이터는, 상기 망막 신호 데이터를 포착하는 동안 연속적으로 기록되는 수신 회로의 임피던스 성분을 포함하는, 방법. - 제20항 내지 제28항 중 어느 한 항에 있어서,
상기 망막 신호 데이터는 하나 이상의 광학 파라미터를 포함하는, 방법. - 제29항에 있어서,
상기 광학 파라미터들은 망막 광 자극의 휘도 또는 동공 크기를 포함하는, 방법. - 제20항 내지 제30항 중 어느 한 항에 있어서,
상기 제1 병태는 의학적 병태이고, 상기 제2 병태는 대조군 병태인, 방법. - 제20항 내지 제31항 중 어느 한 항에 있어서,
상기 제1 병태 또는 상기 제2 병태는, 조현병, 양극성 장애, 주요 우울증 장애, 또는 정신병인, 방법. - 제20항 내지 제31항 중 어느 한 항에 있어서,
상기 제1 병태 또는 상기 제2 병태는, 외상 후 스트레스 장애, 뇌졸중, 약물 남용, 강박 장애, 알츠하이머병, 파킨슨병, 다발성 경화증, 자폐증, 또는 주의력 결핍 장애인, 방법. - 제20항 내지 제33항 중 어느 한 항에 있어서,
상기 제1 병태 및 상기 제2 병태의 선택을 표시하는 사용자 입력을 수신하는 단계를 더 포함하는, 방법. - 제20항 내지 제34항 중 어느 한 항에 있어서,
상기 제1 예측 확률 및 상기 제2 예측 확률에 기반하여 의약을 선택하는 단계; 및
상기 환자에게 상기 의약을 투여하는 단계
를 더 포함하는, 방법. - 병태의 생체특성을 결정하기 위한 방법으로서,
상기 방법은 컴퓨터 시스템의 적어도 하나의 프로세서에 의해 실행가능하며, 상기 방법은,
복수의 환자들에 대응하는 라벨링된 망막 신호 데이터의 복수의 데이터세트들을 수신하는 단계 ― 각각의 데이터세트는 환자의 망막 신호 데이터 및 라벨을 포함하고, 상기 라벨은 상기 환자가 상기 병태를 겪고 있는지 여부를 표시함 ―;
상기 망막 신호 데이터로부터 특징들의 세트를 추출하는 단계;
상기 특징들의 세트로부터 특징들의 서브세트를 선택하는 단계 ― 상기 특징들의 서브세트는 상기 병태의 생체지표들에 대응함 ―; 및
상기 특징들의 서브세트에 기반하여, 상기 병태의 생체특성을 식별하는 하나 이상의 분류자를 결정하는 단계
를 포함하는, 방법. - 제36항에 있어서,
상기 복수의 환자들에 대응하는 임상 정보 보조인자들을 수신하는 단계 ― 상기 각각의 데이터세트는 상기 환자의 임상 정보 보조인자들을 포함함 ―; 및
임상 보조인자들의 서브세트를 선택하는 단계 ― 상기 임상 보조인자들의 서브세트 내의 임상 보조인자들은 상기 생체지표들의 검출에 영향을 미침 ―
를 더 포함하며, 상기 하나 이상의 분류자를 결정하는 단계는, 상기 임상 보조인자들의 서브세트에 기반하여 상기 하나 이상의 분류자를 결정하는 단계를 포함하는, 방법. - 제36항 또는 제37항에 있어서,
제1 병태의 생체특성에 대한 각각의 특징의 관련성에 기반하여 상기 특징들의 세트를 순위화하는 단계를 더 포함하며, 상기 특징들의 서브세트를 선택하는 단계는, 상기 특징들의 세트 중 가장 높게 순위화된 특징들을 선택하는 단계를 포함하는, 방법. - 시스템으로서,
적어도 하나의 프로세서, 및 복수의 실행가능 명령어들이 저장된 메모리를 포함하며, 상기 복수의 실행가능 명령어들은, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 시스템으로 하여금 제1항 내지 제38항 중 어느 한 항의 방법을 수행하게 하는, 시스템. - 명령어들을 포함한 비-일시적인 컴퓨터 판독가능 매체로서,
상기 명령어들은, 프로세서에 의해 실행될 때, 상기 프로세서로 하여금 제1항 내지 제38항 중 어느 한 항의 방법을 수행하게 하는, 비-일시적인 컴퓨터 판독가능 매체. - 환자가 하나 이상의 병태를 겪고 있을 확률을 예측하기 위한 시스템으로서,
광 자극기;
하나 이상의 센서; 및
적어도 하나의 프로세서, 및 복수의 실행가능 명령어들이 저장된 메모리를 포함하는 컴퓨터 시스템
을 포함하며, 상기 복수의 실행가능 명령어들은, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 컴퓨터 시스템으로 하여금,
상기 광 자극기가 상기 환자의 망막에 광 자극 신호들을 제공하는 것을 야기하게 하고,
상기 하나 이상의 센서를 통해, 광 자극에 대한 반응의 전기 신호들을 수집하게 하고,
상기 전기 신호들에 기반하여, 상기 환자에 대응하는 망막 신호 데이터를 생성하게 하고,
상기 망막 신호 데이터로부터 하나 이상의 망막 신호 특징을 추출하게 하고,
상기 망막 신호 특징들로부터 하나 이상의 디스크립터를 추출하게 하고,
상기 하나 이상의 디스크립터를 제1 수학적 모델 및 제2 수학적 모델에 적용함으로써 제1 병태에 대한 제1 예측 확률 및 제2 병태에 대한 제2 예측 확률을 생성하게 하고 ― 제1 수학적 모델은 제1 병태에 대응하고 제2 수학적 모델은 제2 병태에 대응함 ―,
상기 제1 예측 확률 및 상기 제2 예측 확률을 출력하게 하는, 시스템. - 환자가 하나 이상의 병태를 겪고 있을 확률을 예측하기 위한 시스템으로서,
적어도 하나의 프로세서, 및 복수의 실행가능 명령어들이 저장된 메모리를 포함하는 컴퓨터 시스템을 포함하며, 상기 복수의 실행가능 명령어들은, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 컴퓨터 시스템으로 하여금,
상기 환자에 대응하는 망막 신호 데이터를 수신하게 하고;
상기 망막 신호 데이터로부터 하나 이상의 망막 신호 특징을 추출하게 하고;
상기 망막 신호 특징들로부터 하나 이상의 디스크립터를 추출하게 하고;
상기 하나 이상의 디스크립터를 제1 수학적 모델 및 제2 수학적 모델에 적용함으로써 제1 병태에 대한 제1 예측 확률 및 제2 병태에 대한 제2 예측 확률을 생성하게 하고 ― 제1 수학적 모델은 제1 병태에 대응하고 제2 수학적 모델은 제2 병태에 대응함 ―;
상기 제1 예측 확률 및 상기 제2 예측 확률을 출력하게 하는, 시스템. - 제42항에 있어서,
광 자극기 및 하나 이상의 센서를 더 포함하며, 상기 명령어들은, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 컴퓨터 시스템으로 하여금,
상기 광 자극기가 상기 환자의 망막에 광 자극 신호들을 제공하는 것을 야기하게 하고;
상기 하나 이상의 센서를 통해, 광 자극에 대한 반응의 전기 신호들을 수집하게 하고;
상기 전기 신호들에 기반하여, 상기 망막 신호 데이터를 생성하게 하는, 시스템. - 제42항 또는 제43항에 있어서,
디스플레이를 더 포함하며, 상기 명령어들은, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 컴퓨터 시스템으로 하여금, 상기 디스플레이를 통해, 상기 제1 예측 확률 및 상기 제2 예측 확률을 포함하는 인터페이스를 출력하게 하는, 시스템. - 환자의 병태를 모니터링하기 위한 방법으로서,
상기 방법은 컴퓨터 시스템의 적어도 하나의 프로세서에 의해 실행가능하며, 상기 방법은,
상기 환자에 대응하는 망막 신호 데이터를 수신하는 단계;
상기 망막 신호 데이터로부터 하나 이상의 망막 신호 특징을 추출하는 단계;
상기 망막 신호 특징들로부터 하나 이상의 디스크립터를 추출하는 단계;
상기 하나 이상의 디스크립터를 상기 병태에 대응하는 수학적 모델에 적용함으로써 상기 병태에 대한 예측 확률을 생성하는 단계; 및
상기 예측 확률을 출력하는 단계
를 포함하는, 방법. - 제45항에 있어서,
상기 예측 확률에 기반하여 의약을 선택하는 단계; 및
상기 환자에게 상기 의약을 투여하는 단계
를 더 포함하는, 방법. - 제45항에 있어서,
상기 망막 신호 데이터는, 상기 병태에 대한 상기 환자의 치료 동안 포착된 망막 신호 데이터를 포함하는, 방법. - 제45항 내지 제47항 중 어느 한 항에 있어서,
상기 병태는, 조현병, 양극성 장애, 주요 우울증 장애, 정신병, 외상 후 스트레스 장애, 뇌졸중, 약물 남용, 강박 장애, 알츠하이머병, 파킨슨병, 다발성 경화증, 자폐증, 또는 주의력 결핍 장애인, 방법.
Applications Claiming Priority (7)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202063000055P | 2020-03-26 | 2020-03-26 | |
| US63/000,055 | 2020-03-26 | ||
| US202063038257P | 2020-06-12 | 2020-06-12 | |
| US63/038,257 | 2020-06-12 | ||
| US202163149508P | 2021-02-15 | 2021-02-15 | |
| US63/149,508 | 2021-02-15 | ||
| PCT/CA2021/050390 WO2021189144A1 (en) | 2020-03-26 | 2021-03-25 | Systems and methods for processing retinal signal data and identifying conditions |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230003483A true KR20230003483A (ko) | 2023-01-06 |
Family
ID=77855016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227037151A KR20230003483A (ko) | 2020-03-26 | 2021-03-25 | 망막 신호 데이터를 처리하고 병태들을 식별하기 위한 시스템들 및 방법들 |
Country Status (11)
| Country | Link |
|---|---|
| US (1) | US20210298687A1 (ko) |
| EP (1) | EP4128270A4 (ko) |
| JP (1) | JP2023519581A (ko) |
| KR (1) | KR20230003483A (ko) |
| CN (1) | CN115668395A (ko) |
| AU (1) | AU2021242809A1 (ko) |
| BR (1) | BR112022019113A2 (ko) |
| CA (1) | CA3173341A1 (ko) |
| IL (1) | IL296708A (ko) |
| MX (1) | MX2022012017A (ko) |
| WO (1) | WO2021189144A1 (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230013462A1 (en) * | 2021-07-15 | 2023-01-19 | Level 3 Communications Llc. | Systems and methods for identifying defects in local loops |
| WO2023114446A2 (en) * | 2021-12-16 | 2023-06-22 | Peter Koulen | A machine learning-based framework using electroretinography for detecting early-stage glaucoma |
| US20230248237A1 (en) * | 2022-02-09 | 2023-08-10 | Diamentis Inc. | Systems and methods for retinal stimulation and/or collecting retinal signal data |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7222961B2 (en) * | 2002-08-05 | 2007-05-29 | Kestrel Corporation | Method for detecting a functional signal in retinal images |
| US20060122529A1 (en) * | 2004-12-06 | 2006-06-08 | Yang Tsau | Low noise amplifier for electro-physiological signal sensing |
| US20060244913A1 (en) * | 2004-12-21 | 2006-11-02 | Werner Gellermann | Imaging of macular pigment distributions |
| US7365856B2 (en) * | 2005-01-21 | 2008-04-29 | Carl Zeiss Meditec, Inc. | Method of motion correction in optical coherence tomography imaging |
| US8771689B2 (en) * | 2006-12-11 | 2014-07-08 | The Board Of Trustees Of The Leland Stanford Junior University | Alpha B-crystallin as a therapy for ischemia or inflammation |
| US7828440B2 (en) * | 2007-08-17 | 2010-11-09 | Peyman Gholam A | Method of detecting glaucoma |
| WO2009128903A2 (en) * | 2008-04-15 | 2009-10-22 | The United States Of America, As Represented By The Secretary Of Agriculture | Method to detect transmissible spongiform encephalopathies via electroretinogram |
| US20110190657A1 (en) * | 2009-08-10 | 2011-08-04 | Carl Zeiss Meditec, Inc. | Glaucoma combinatorial analysis |
| CA3126082A1 (en) * | 2013-03-14 | 2014-09-18 | Universite Laval | Use of electroretinography (erg) for the assessment of psychiatric disorders |
| US20150105689A1 (en) * | 2013-10-10 | 2015-04-16 | Robert F. Miller | Pattern electroretinography for evaluating a neurological condition |
| EP3110308B1 (en) * | 2014-02-28 | 2023-09-06 | Board of Regents, The University of Texas System | System for traumatic brain injury detection using oculomotor tests |
| KR20170095365A (ko) * | 2014-12-18 | 2017-08-22 | 유니베르시테 피에르 에 마리에 쿠리에 (파리 6) | 망막 변성의 치료를 위한 otx2를 과발현하는 형질전환 rpe 세포 |
| US20170354326A1 (en) * | 2016-06-10 | 2017-12-14 | Johnson & Johnson Vision Care, Inc. | Electronic ophthalmic lens with medical monitoring |
| US11040019B2 (en) * | 2016-08-19 | 2021-06-22 | The United States Of America, As Represented By The Secretary, Department Of Health And Human Services | Selective estrogen-receptor modulators (SERMs) confer protection against photoreceptor degeneration |
| US20190127684A1 (en) * | 2017-11-01 | 2019-05-02 | Yale University | Composition and methods for culturing retinal progenitor cells |
| WO2019118309A1 (en) * | 2017-12-11 | 2019-06-20 | Adaptive, Intelligent And Dynamic Brain Corporation (Aidbrain) | Method, module and system for analysis of physiological signal |
| WO2020118160A1 (en) * | 2018-12-07 | 2020-06-11 | University Of Miami | Systems and method for detecting cognitive impairment |
-
2021
- 2021-03-25 KR KR1020227037151A patent/KR20230003483A/ko unknown
- 2021-03-25 BR BR112022019113A patent/BR112022019113A2/pt unknown
- 2021-03-25 AU AU2021242809A patent/AU2021242809A1/en active Pending
- 2021-03-25 MX MX2022012017A patent/MX2022012017A/es unknown
- 2021-03-25 CA CA3173341A patent/CA3173341A1/en active Pending
- 2021-03-25 CN CN202180030622.7A patent/CN115668395A/zh active Pending
- 2021-03-25 JP JP2022558122A patent/JP2023519581A/ja active Pending
- 2021-03-25 US US17/212,410 patent/US20210298687A1/en active Pending
- 2021-03-25 IL IL296708A patent/IL296708A/en unknown
- 2021-03-25 EP EP21774883.9A patent/EP4128270A4/en active Pending
- 2021-03-25 WO PCT/CA2021/050390 patent/WO2021189144A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| MX2022012017A (es) | 2022-12-15 |
| EP4128270A1 (en) | 2023-02-08 |
| BR112022019113A2 (pt) | 2022-12-06 |
| IL296708A (en) | 2022-11-01 |
| EP4128270A4 (en) | 2024-04-03 |
| CN115668395A (zh) | 2023-01-31 |
| WO2021189144A1 (en) | 2021-09-30 |
| CA3173341A1 (en) | 2021-09-30 |
| AU2021242809A1 (en) | 2022-10-13 |
| US20210298687A1 (en) | 2021-09-30 |
| JP2023519581A (ja) | 2023-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gómez et al. | Automatic seizure detection based on imaged-EEG signals through fully convolutional networks | |
| US20210298687A1 (en) | Systems and methods for processing retinal signal data and identifying conditions | |
| Beyrami et al. | A robust, cost-effective and non-invasive computer-aided method for diagnosis three types of neurodegenerative diseases with gait signal analysis | |
| JP7433602B2 (ja) | 機械学習に用いられる教師データを増幅するためのシステム、方法、プログラム | |
| AU2018285950A1 (en) | Mental state indicator | |
| UR et al. | Automated diagnosis of epileptic electroencephalogram using independent component analysis and discrete wavelet transform for different electroencephalogram durations | |
| Long et al. | A scoping review on monitoring mental health using smart wearable devices | |
| Soni et al. | Graphical representation learning-based approach for automatic classification of electroencephalogram signals in depression | |
| EP3901963A1 (en) | Method and device for estimating early progression of dementia from human head images | |
| Singh et al. | Cognitive computing in mental healthcare: A review of methods and technologies for detection of mental disorders | |
| García-Ponsoda et al. | Feature engineering of EEG applied to mental disorders: a systematic mapping study | |
| Xia et al. | Dynamic viewing pattern analysis: towards large-scale screening of children with ASD in remote areas | |
| Dastgheib et al. | A new diagnostic vestibular evoked response | |
| US20220199245A1 (en) | Systems and methods for signal based feature analysis to determine clinical outcomes | |
| Gavrishchaka et al. | Multi-complexity ensemble measures for gait time series analysis: Application to diagnostics, monitoring and biometrics | |
| Wu et al. | The superiority verification of morphological features in the EEG-based assessment of depression | |
| Sourkatti et al. | Investigation of different ML approaches in classification of emotions induced by acute stress | |
| Nirmala Devi et al. | EEG data based human attention recognition using various machine learning techniques: a review | |
| US20240021313A1 (en) | System and a method for detecting and quantifying electroencephalographic biomarkers in alzheimer's disease | |
| US20230012989A1 (en) | Systems and methods for rapid neurological assessment of clinical trial patients | |
| Bafandehkar | Seizure detection from electroencephalography signals in the Temple University Hospital Seizure Corpus dataset using machine learning | |
| Bamanikar et al. | Stress Analysis using Feature Extraction Approach Using EEG Signal | |
| Subudhi et al. | DeEN: Deep Ensemble Framework for Neuroatypicality Classification | |
| Pathak et al. | Analysis of Stress Using Electroencephalogram Data for Feature Extraction | |
| Lal et al. | Fractal Dimensions and Machine Learning for Detection of Parkinson’s Disease in Resting-State EEG |