MX2014004004A - Metodo y sistema para analizar especimenes biologicos por medio de imagenes espectrales. - Google Patents

Abstract

Los métodos, dispositivos y sistemas pueden permitir a un médico obtener información respecto a un muestra biológica, incluyendo datos analíticos, un diagnóstico médico y/o un pronóstico o análisis predictivo. Además, los métodos, dispositivos y sistemas pueden entrenar a uno o más algoritmos de aprendizaje por máquina para realizar un diagnóstico de una muestra biológica.

Description

MÉTODO Y SISTEMA PARA ANALIZAR ESPECIMENES BIOLÓGICOS POR MEDIO DE IMÁGENES ESPECTRALES SOLICITUDES RELACIONADAS Esta solicitud reclama prioridad sobre la solicitud de patente provisional de los E.U.A. No. 61/543,604 titulada " MÉTODO Y SISTEMA PARA ANALIZAR ESPECIMENES BIOLÓGICOS POR MEDIO DE IMÁGENES ESPECTRALES" presentada el 5 de octubre del 2011 y la solicitud de patente provisional de los E.U.A. No. 61/548,104 titulada "MÉTODO Y SISTEMA PARA ANALIZAR DATOS ESPECTROCÓPICOS IDENTIFICANDO PROBLEMAS MÉDICOS" presentada el 17 de octubre del 2011. Esta solicitud contiene materia relacionada con la solicitud de patente de los E.U.A. No. 13/507,386 titulada "MÉTODO PARA ANALIZAR ESPECIMENES BIOLÓGICOS POR MEDIO DE IMÁGENES ESPECTRALES" presentada el 25 de junio del 2012, la solicitud de patente provisional de los E.U.A. No. 61/322,642 titulada "UN SISTEMA DE IMAGEN INFRAROJO BASADO EN UN LASER GIRATORIO" presentada el 9 de abril del 2010; la solicitud de patente de los E.U.A. No. 12/994,647 presentada y titulada "MÉTODO PARA RECONSTITUIR ESPECTROS CELULARES UTILES PARA DETECTAR TRANSTORNOS CELULARES" presentada el 17 de febrero del 2011 , basada en la solicitud de patente No. PCT/US2009/045681 del Tratado de Cooperación en Materia de Patentes (PCT) titulada "MÉTODO PARA RECONSTITUIR ESPECTROS CELULARES UTILES PARA DETECTAR TRANSTORNOS CELULARES" con fecha de presentación internacional del 29 de mayo del 2009, y que clama prioridad sobre la solicitud de patente de los E.U.A. No. 61/056,955 titulada " MÉTODO PARA RECONSTITUIR ESPECTROS CELULARES DE DATOS DE MAPEO ESPECTRAL" presentada el 29 de mayo del 2008; la solicitud de patente provisional de los E.U.A. No. 61/358,606 titulada "TEÑIDOS DIGITALES DE ESPECIMENES HISTOPATOLOGICOS MEDIANTE HISPATOLOGÍA ESPECTRAL" presentada el 25 de junio del 2010; para la solicitud de patente de los E.U.A. No. 13/084,287 titulada "SISTEMA DE IMAGEN INFRAROJO BASADO EN UN LASER GIRATORIO Y MÉTODO PARA USO DEL MISMO" presentada el 11 de abril del 2011 ; and y para la solicitud de patente de los E.U.A. No. 13/067,777 titulada "MÉTODO PARA ANALIZAR ESPECIMENES BIOLÓGICOS POR MEDIO DE IMÁGENES ESPECTRALES" presentada el 24 de junio del 2011. La totalidad de cada una de las anteriores solicitudes son incorporadas aquí para referencia.

CAMPO TECNICO DE LA INVENCIÓN Aspectos de la presente invención se refieren a los sistemas y métodos de análisis de datos de imágenes y la evaluación de muestras de imágenes, entre ellas muestras de tejido para proporcionar un diagnóstico médico. Más concretamente, los aspectos de la presente invención se dirigen a los sistemas y métodos para recibir datos de muestras biológicas y proporcionar el análisis de los datos de muestras biológicas datos para ayudar en el diagnóstico médico.

ANTECEDENTES DE LA INVENCIÓN Uno de los problemas que existe en la técnica hoy en día es que no abundan métodos y sistemas que mejoren la detección de anomalías en las muestras biológicas y entregar resultados analíticos a un médico.

En la técnica relacionada, una serie de enfermedades pueden diagnosticarse mediante métodos de citopatología e histopatología clásicas que involucran el análisis de la morfología nuclear y celular y de los patrones de tinción. Por lo general, el diagnóstico se realiza a través de un análisis de hasta 10,000 células en una muestra biológica y descubrir de 10 a 50 células o una pequeña sección de un tejido que puede ser anormal. Este hallazgo se basa en interpretaciones subjetivas de la inspección microscópica visual de las células en la muestra.

Un ejemplo de citología clásica data de mediados del siglo pasado, cuando Papanicolaou introdujo un método para monitorear la aparición de enfermedades del cuello cervical mediante una prueba conocida comúnmente como el el "Papanicolaou". Para esta prueba, se exfolian células utilizando una espátula o cepillo y se depositan en un portaobjetos de microscopio para su examen. En la implementación original de la prueba, el cepillo de exfoliación se unta sobre un portaobjetos de microscopio, de ahí el nombre "citología vaginal". Posteriormente, las células se tiñen con hematoxilina y eosina (H y E) o la "tinción de Papanicolaou" (que consta de H y E y varios otros contra-teñidos) y un citopatólogo, con un microscopio con bajo consumo de energía (ver Figuras 1A y 1 B para imágenes fotostáticas de un portaobjetos con muestra de citología vaginal de ejemplo y una porción de éste con un aumento microscópico de 10X, respectivamente).

La vista microscópica de las muestras a menudo muestra una clúster de células y la contaminación por restos celulares y células hemáticas (eritrocitos y leucocitos/linfocitos). En consecuencia, el Papanicolaou tenía porcentajes muy elevados de falsos positivos y falsos negativos. Los métodos modernos basados en líquidos (como el cito-centrifugado, los métodos ThlnPrep® o Surepath®) han mejorado las muestras celulares al eliminar la aglomeración celular y eliminar tipos de células confusas (véase, por ejemplo la imagen fotostática de ejemplo de una ampliación microscópica a 10x de una muestra citológica preparada con métodos líquidos, que se muestra en la Figura 2).

Sin embargo, aunque los métodos para la preparación de las muestras de células exfoliadas en los portaobjetos de microscopio han mejorado sustancialmente, el paso del diagnóstico de la técnica se sigue basando típicamente en la inspección visual y en la comparación de los resultados con una base de datos en la memoria del citólogo. Por lo tanto, el diagnóstico sigue siendo esencialmente subjetivo y asociado a una baja reproducibilidad entre observadores y el observador mismo. Para mejorar este aspecto, se han introducido otros sistemas de análisis de imágenes de luz visual automatizada de la técnica relacionada para ayudar a los citólogos en la inspección visual de las células. Sin embargo, dado que la distinción entre atipia y bajos grados de displasia es extremadamente difícil, tales métodos de imágenes automatizadas de la técnica relacionada no han reducido sustancialmente la carga real de la responsabilidad en el citólogo.

También se han aplicado métodos espectrales en la técnica relacionada al diagnóstico histopatológico de secciones de tejido de biopsias. La adquisición de datos para este enfoque, que se conoce como "histopatología espectral (SHP)" se puede realizar utilizando la misma instrumentación visual fotónica utilizada para para la citopatología espectral ("SCP").

Las Figuras 3A y 3B muestran fotostáticas de los resultados de la SHP para la detección de cáncer metastásico en un ganglio linfático axilar extirpado con métodos de la técnica relacionada. La Figura 3A contiene una fotostática de la imagen teñida de H y E del tejido de ganglio linfático axilar con regiones marcadas de la siguiente manera: 1) cápsula; 2) tejido de ganglio linfático no canceroso; 3) seno medular; y 4) metástasis de cáncer de mama. Para obtener la imagen fotostática que se muestra en la Figura 3B, los datos espectrales infrarrojos recolectados fueron analizados mediante un algoritmo de diagnóstico, capacitado sobre datos de varios pacientes. Posteriormente el algoritmo es capaz de diferenciar las regiones no cancerosas y cancerosas en el ganglio linfático. En la Figura 3B, la fotostática muestra el mismo tejido como en la Figura 3A construida mediante una red neuronal artificial supervisada capacitada para diferenciar solamente tejido no canceroso y canceroso. La red se capacitó en los datos de 12 pacientes.

En algunos de los métodos de la técnica relacionada, una fuente infrarroja de banda ancha (IR) u otro tipo de luz de salida se transmite a una muestra (p. ej., una muestra de tejido), utilizando instrumentación como un ¡nterferómetro, para crear un patrón de interferencia. La transmisión reflejada y/o pasada se detecta, por lo general como otro patrón de interferencia. Se puede realizar entonces una transformación rápida de Fourier (FFT) en el patrón detectado para obtener información espectral de la muestra.

Una de las limitaciones del proceso de la técnica relacionada basada en la FFT es que la cantidad de energía disponible por unidad de tiempo en cada paso de banda puede ser muy baja, debido al uso de una transmisión de espectro muy amplio que puede incluir, por ejemplo, luz IR y luz visible. Como resultado, los datos disponibles para el procesamiento de este enfoque son generalmente limitados por naturaleza. Además, con el fin de discriminar los datos recibidos del ruido de fondo, por ejemplo, a causa de los datos de energía bajo detectados disponibles, se deben utilizar instrumentos de alta sensibilidad, tales como detectores enfriados por nitrógeno líquido de alta sensibilidad (el enfriamiento alivia los efectos de la interferencia de la luz IR de fondo). Entre otros inconvenientes, tales sistemas de la técnica relacionada pueden generar grandes gastos, espacio y consumo de energía.

En un dispositivo de la técnica relacionada producido por Block Engineering (ver por ejemplo J. Coates, "Next-Generation IR Microscopy. The Devil Is in the Detail " BioPhotonics (octubre 2010), páginas 24-27), que propone el uso de un láser de cascada cuántica (QCL) junto con un formador de imágenes interferométrico, no se ha identificado un dispositivo o sistema para coordinar adecuadamente la operación entre el QCL y el formador de imágenes.

Queda una necesidad no satisfecha en la técnica de dispositivos, métodos y sistemas para la transmisión y detección de IR y/u otras transmisiones para su uso, por ejemplo, en la formación de imágenes de muestras de tejidos y otras muestras en condiciones ambientales para fines tales como el diagnóstico, pronóstico y/o predicción de enfermedades y/o condiciones. Además, sigue existiendo una necesidad no satisfecha en la técnica de sistemas y métodos para proporcionar los resultados de los análisis a un médico.

SUMARIO DE LA INVENCIÓN Aspectos de la presente invención incluyen métodos, dispositivos y sistemas para la formación de imágenes de tejidos y otras muestras mediante transmisiones de infrarrojos a partir de fuentes de transmisión coherentes, tales como un láser de cascada cuántica (QCL) ajustable de banda ancha diseñado para la rápida recolección de datos infrarrojos microscópicos para diagnóstico médico a través de una amplia gama de incrementos espectrales discretos. Los datos infrarrojos pueden ser procesados por un analizador para proporcionar datos analíticos, un diagnóstico médico, un pronóstico y/o un análisis predictivo.

Tales métodos, dispositivos y sistemas pueden utilizarse para detectar anomalías en las muestras biológicas, por ejemplo, antes de que esas anomalías se puedan diagnosticar con métodos citopatológicos o histopatológicos de la técnica relacionada.

Los métodos, aparatos y sistemas pueden usarse para permitir convenientemente que un médico obtenga información sobre una muestra biológica, incluyendo datos analíticos y/o un diagnóstico médico.

Los métodos, dispositivos y sistemas también pueden ser utilizados para capacitar a uno o más algoritmos de aprendizaje maquinizados para proporcionar un diagnóstico, pronóstico y/o clasificación predictiva de una muestra biológica. Además, los métodos, dispositivos y sistemas también pueden ser utilizados para generar uno o más modelos de clasificación que se pueden utilizar para realizar un diagnóstico médico, pronóstico y/o análisis predictivo de una muestra biológica.

Ventajas adicionales y características novedosas respecto a las variaciones de la presente invención se establecerán en la parte de la descripción que sigue, y en parte se harán más evidentes para los especialistas en la técnica tras el examen de las siguientes Figuras o al aprender mediante la práctica los aspectos de éstas.

BREVE DESCRIPCIÓN DE LAS FIGURAS Aspectos de la presente invención se comprenderán a cabalidad a partir de la descripción detallada en el presente documento con los dibujos adjuntos que se dan a modo de ilustración y ejemplo, y por ende no se limitan en relación con los aspectos de la misma, en donde: Las Figuras 1A y 1B muestran las imágenes fotostáticas de una citología vaginal en portaobjetos y una porción de la misma bajo una ampliación microscópica 10x, respectivamente; La Figura 2 muestra una imagen fotostática de ejemplo de una vista microscópica en ampliación 10x de una muestra citológica preparada por métodos en líquido; Las Figuras 3A y 3B muestran fotostáticas de los resultados de la SHP para la detección de cáncer metastásico en un ganglio linfático axilar extirpado; La Figura 4 muestra un diagrama de flujo que ¡lustra los pasos en un método para proporcionar información de diagnóstico a un médico de acuerdo con aspectos de la presente invención; La Figura 5 muestra un diagrama de flujo que ilustra un método de poblar un centro de almacenamiento de datos de acuerdo con un aspecto de la presente invención; La Figura 6 muestra un diagrama de flujo que ilustra un método de etiquetar automáticamente una región de anotación de acuerdo con un aspecto de la presente invención; La Figura 7 ilustra un método de ejemplo para seleccionar automáticamente otra región de anotación de acuerdo con un aspecto de la presente invención; La Figura 8 ilustra un archivo de anotación de ejemplo de acuerdo con un aspecto de la presente invención; La Figura 9 ilustra un flujo de método de ejemplo para entrenar algoritmos de conformidad con un aspecto de la presente invención; La Figura 10 ilustra un flujo de método de ejemplo para crear un modelo de clasificación de conformidad con un aspecto de la presente invención; La Figura 1 1 ilustra un modelo de ejemplo para diagnosticar cáncer de pulmón de conformidad con un aspecto de la presente invención; La Figura 12 ilustra un método de ejemplo para analizar los datos biológicos de conformidad con un aspecto de la presente invención; La Figura 13 muestra una aplicación de ejemplo del modelo ilustrado en la Figura 11 ; La Figura 14 muestra diversas características de un sistema informático para su uso en conjunción con aspectos de la invención; y La Figura 15 muestra un sistema informático de ejemplo para su uso en conjunción con aspectos de la invención.

DESCRIPCIÓN DETALLADA DE LA INVENCIÓN Aspectos de la presente invención incluyen métodos, sistemas y dispositivos para proporcionar datos analíticos, diagnóstico médico, pronóstico y/o análisis predictivo de una muestra de tejido.

La Figura 4 ilustra un diagrama de flujo de ejemplo del método para proporcionar datos analíticos, un diagnóstico médico, pronóstico y/o análisis predictivo a un médico, de acuerdo con aspectos de la presente invención. En la Figura 4, de acuerdo con distintos aspectos de la presente invención, el método puede incluir tomar una muestra biológica S402. La muestra la puede tomar un médico a través de cualquier método conocido.

La muestra puede consistir, por ejemplo, en un micrótomo de tejido de una biopsia, un depósito de las células de una muestra de células exfoliadas, o aspiración con aguja fina (FNA). Sin embargo, la divulgación no se limita a estas muestras biológicas, pero puede incluir cualquier muestra para la que se desee información espectroscópica infrarroja espacialmente resuelta.

Una gran variedad de células o tejidos se pueden examinar con la presente metodología. Estas células pueden comprender células exfoliadas, incluyendo las células epiteliales. Las células epiteliales se clasifican como células epiteliales escamosas (simples o estratificadas, y queratinizadas o no queratinizadas), células epiteliales cilindricas (simples, estratificadas, o pseudo-estratificadas y ciliada o no ciliadas) y células epiteliales cuboideas (simples o estratificadas, ciliadas o no ciliadas). Estas células epiteliales recubren diversos órganos en todo el cuerpo, como los intestinos, ovarios, tejido germinal masculino, el sistema respiratorio, la córnea, la nariz, y el riñon. Las células endoteliales son un tipo de células epiteliales que se pueden encontrar revistiendo la garganta, el estómago, los vasos sanguíneos, el sistema linfático y la lengua. Las células mesoteliales son un tipo de células epiteliales que recubren las cavidades del cuerpo. Las células uroteliales son un tipo de células epiteliales que recubren la vejiga.

Después de obtenida una muestra, el método puede consistir en obtener los datos espectrales de la muestra S404. En un aspecto de la presente invención, el médico puede obtener los datos espectrales a través de un método con sistema de formación de imágenes infrarrojo con láser sintonizable, que se describe en la solicitud de patente de los E.U. No. 13/084,287. Los datos se pueden obtener mediante el uso de un láser sintonizable de espectro IR como una fuente de transmisión coherente. La longitud de onda de las transmisiones de IR del láser sintonizable puede variar en pasos discretos a través de un amplio espectro de interés y las transmisiones reflejadas y/o transmitidas a través del espectro pueden detectarse y utilizarse en el análisis de imágenes. Los datos también se pueden obtener a partir de un sistema de espectroscopia infrarroja con transformada de Fourier (FTIR) comercial con una fuente de luz no láser como un global u otra fuente de luz de banda ancha.

Un láser de ejemplo de conformidad con aspectos de la presente invención es un QCL, que pueden permitir variaciones en la longitud de onda de infrarrojos de salida entre unos seis y 10 µ??, por ejemplo. El detector puede utilizarse para detectar información de imágenes y de longitud de onda IR transmitida y/o reflejada. En la operación, con un mínimo aumento, un haz de salida del QCL puede iluminar adecuadamente cada una de las regiones de una muestra de 10 x 10 µ?t? para la detección de un detector de 30 x 30 µ??.

En una implementación de ejemplo de conformidad con aspectos de la presente invención, el haz del QCL está ópticamente acondicionado para proporcionar la iluminación de un punto macroscópica (alrededor de 5 - 8 mm de diámetro) en un portaobjetos infrarrojo reflector o transmisor, en el que el haz infrarrojo interactúa con la muestra. El haz infrarrojo reflejado o transmitido se proyecta, mediante una imagen óptica adecuada, a un detector infrarrojo, el cual muestrea el área iluminada completa en un tamaño de píxel más pequeño que el límite de difracción.

Los espectros infrarrojos de vóxeles de tejidos o células representan una instantánea de toda la composición química o bioquímica del vóxel de muestra. Este espectro infrarrojo son los datos espectrales obtenidos en S404. Aunque la descripción anterior sirve como un resumen de cómo y qué datos espectrales se obtienen en S404, una divulgación más detallada de los pasos necesarios para la obtención de los datos se provee en la solicitud de patente de los E.U. No. 13/084,287.

Además de los datos espectrales, S404 puede incluir recopilar una imagen visual de la misma muestra biológica. Una imagen visual de la muestra se puede obtener usando un microscopio visual estándar, tal como uno comúnmente utilizado en laboratorios de patología. El microscopio puede estar acoplado a una cámara digital de alta resolución que captura el campo de visión del microscopio digitalmente. Esta imagen digital en tiempo real puede basarse en la vista microscópica estándar de una muestra, y puede ser indicativa de arquitectura de los tejidos, morfología celular y de patrones de tinción. La imagen puede ser teñida, p. ej., con hematoxilina y eosina (H y E) y/o con otros componentes, inmuno-histoquímicos, etc., o sin teñir.

Por otra parte, además de los datos anteriores, S404 puede también incluir la obtención de datos clínicos. Los datos clínicos pueden incluir cualquier información que pueda ser pertinente para un diagnóstico y/o pronóstico, incluyendo qué tipo de células es probable que estén en la muestra, de qué parte del cuerpo se extrajo la muestra y qué tipo de enfermedad o condición es probable que se encuentre entre otros diagnósticos.

Después de que el médico ha adquirido el total de los datos, por ejemplo, los datos espectrales, la imagen visual y los datos clínicos, entre otros datos, el método puede incluir transmitir los datos a un analizador. Por ejemplo, el analizador puede tener un módulo de recepción operable para recibir los datos transmitidos. Los datos pueden ingresarse automáticamente o manualmente en un dispositivo electrónico capaz de transmitir datos, tales como una computadora, teléfono móvil, PDA, etc. En un aspecto de la presente invención el analizador puede ser una computadora ubicada en un sitio remoto con algoritmos apropiados para analizar los datos. En otro aspecto de la presente invención, el analizador puede ser una computadora ubicada dentro de la misma red de área local que el dispositivo electrónico en el que se ingresaron los datos o pueden estar en el mismo dispositivo electrónico en el que se ingresaron los datos (es decir, el médico puede introducir los datos directamente en el dispositivo que analiza los datos). Si el analizador está situado a distancia desde un dispositivo electrónico, los datos se pueden transferir al analizador a través de cualquier método de transferencia electrónica conocido como a una computadora local a través de una red de área local o a través de Internet. El diseño de la red y el sistema para comunicar los datos al analizador se describe con más detalle a continuación con respecto a las Figuras 14 y 15.

En otro aspecto de la presente invención, en lugar de que el médico obtenga los datos del practicante y envíe los datos al analizador en un sitio remoto, la muestra en sí puede ser enviada al analizador. Por ejemplo, el analizador puede tener un módulo de recepción operable para recibir la muestra. Cuando la muestra se envía al analizador, un médico que opere el analizador podrá obtener los datos espectrales. En este caso, la muestra biológica puede entregarse físicamente al analizador en el sitio remoto en lugar de sólo generar datos espectrales. Sin embargo, el médico puede todavía proporcionar los datos clínicos, cuando proceda.

Después de que el analizador adquiere todos los datos deseados, el método puede incluir realizar el procesamiento a través del analizador para reconstruir los datos en una imagen u otro formato, que indica la presencia y/o cantidades de constituyentes químicos particulares S408. La divulgación detallada de los pasos necesarios en el paso de procesamiento para reconstruir los datos se proporciona a continuación y en un mayor detalle en la solicitud de patente de los E.U. No. 13/067,777, que se incluye en el Anexo A.

Como ya se ha explicado en la patente '777, después de los pasos de procesamiento, se puede producir una imagen, que puede ser en escala de grises o una imagen pseudo-gris. La solicitud 777 explica cómo el método de procesamiento proporciona una imagen de una muestra biológica que se basa exclusiva o principalmente en la información química contenida en los datos espectrales recolectados en S404. La solicitud 777 explica además cómo la imagen visual de la muestra puede registrarse con una en escala de grises digitalmente teñida o espectral a pseudo-color. El registro de imágenes es el proceso de transformación o cotejar diferentes conjuntos de datos en un sistema de coordenadas. El registro de imágenes implica espacialmente igualar o transformar una primera imagen para alinearla con una segunda imagen. Cuando se siguen los pasos del método de registro como se explica en la solicitud 777, los datos resultantes permiten un punto de interés en los datos espectrales para corresponder a un punto en la muestra visual. Los datos permiten a un médico, por ejemplo, a un programa de computadora, seleccionar una parte de la imagen multi-espectral, y ver el área correspondiente de la imagen visual. Los datos permiten a un médico basarse en una imagen espectral que refleja el contenido bioquímico altamente sensible de una muestra biológica, al analizar la muestra biológica.

Por otra parte, los datos pueden ser reconstruidos en un formato que es adecuado para el análisis mediante algoritmos informáticos para proporcionar un diagnóstico, pronóstico y/o análisis predictivo, sin producir una imagen. Esto se describe con más detalle a continuación.

Después de completar el procesamiento en S408, el método puede incluir regresar los datos analíticos, de la imagen, y/o imagen registrada al médico, opcionalmente a través de un sistema accesible para el médico S410. Por ejemplo, el sistema puede ser el mismo dispositivo que el practicante utilizó originalmente para transmitir los datos. Los datos, imágenes y/o imagen registrada (es decir, información de la muestra) pueden transmitirse, por ejemplo, por vía electrónica, a través de la red informática descrita a continuación. Esto puede incluir, por ejemplo, transmitir la información de la muestra en un correo electrónico o proporcionar acceso a la información de la muestra una vez que el médico se ha conectado a una cuenta donde se ha cargado la información de la muestra. Una vez que el médico ha obtenido la información de la muestra en el sistema, el médico puede examinar la información para el diagnóstico de una enfermedad o condición utilizando software de computadora, por ejemplo.

En otro aspecto de la invención, en lugar de o además de devolver una imagen y/o imagen registrada al médico, los datos se procesan adicionalmente para el diagnóstico de una enfermedad o condición (S412). Este proceso puede incluir algoritmos basados en sets de capacitación antes de analizar la información de muestra. Los sets de capacitación pueden incluir los datos espectrales que se asocian a enfermedades o condiciones específicas, así como a los datos clínicos asociados. Los sets de capacitación y algoritmos pueden archivarse y se puede desarrollar un algoritmo informático con base en los sets de capacitación y algoritmos disponibles. En un aspecto, los algoritmos y sets de capacitación los pueden proporcionar diversas clínicas o laboratorios. La solicitud 777 también explica el uso de los sets de capacitación y los algoritmos para analizar la imagen registrada y obtener un diagnóstico. Por ejemplo, como se ha explicado en la solicitud 777, la imagen registrada puede ser analizada mediante algoritmos informáticos para proporcionar un diagnóstico.

Por otra parte, como se explicó anteriormente, los datos que se han reconstruido sin producir una imagen pueden compararse con los datos del set de capacitación o con un algoritmo para analizar los datos y obtener un diagnóstico, pronóstico y/o análisis predictivo. Es decir, en un aspecto de la presente invención, el método puede omitir los pasos para formar una imagen, y en lugar de ello, proceder directamente al análisis de los datos mediante la comparación con un set de capacitación o un algoritmo.

En un aspecto de la presente invención, el médico tiene la opción de utilizar uno o más algoritmos a través del sistema informático para obtener el diagnóstico, pronóstico y/o análisis predictivo. Por ejemplo, cuando el médico accede al sistema informático que contenga la imagen registrada, el médico puede seleccionar los algoritmos basados en los datos de entrenamiento proporcionados por las clínicas especializadas o laboratorios. El sistema informático puede tener un módulo de selección que puede seleccionar los algoritmos que se utilizan para obtener un diagnóstico, pronóstico y/o análisis predictivo para la muestra biológica. El módulo de selección puede recibir, por ejemplo, los parámetros de asistencia al usuario o de entrada como ayuda en la selección de los algoritmos. Por ejemplo, si el médico ha remitido una muestra biológica que se sospecha contiene células de cáncer de pulmón, y una clínica particular ya desarrolló un set de capacitación y/o algoritmo basado en una variedad de muestras de cáncer de pulmón, el médico puede optar por correr la muestra biológica mediante el set de capacitación y/o algoritmo para cáncer de pulmón de la clínica. Opcionalmente, el médico puede optar por ejecutar varios algoritmos desarrollados a partir de diferentes sets de capacitación, incluyendo algoritmos diferentes para el mismo tipo de enfermedad o condición o algoritmos diferentes para diferentes enfermedades. Por ejemplo, el sistema informático puede tener un módulo de generación operable para generar un diagnóstico, pronóstico y/o análisis predictivo para la muestra biológica con base en los resultados de los algoritmos aplicados a la muestra biológica. En otro aspecto de la invención, la totalidad de todos los algoritmos disponibles pueden correrse, por ejemplo, cuando no hay una indicación previa en cuanto a qué tipo de enfermedad puede estar presente en la muestra. En una modalidad, el médico puede acceder a y seleccionar los algoritmos en el sistema del médico, mientras que el procesamiento puede ocurrir en el sitio remoto.

El procesamiento de S408 puede también incluir el análisis de otros datos comparativos. Por ejemplo, después de analizada una muestra, el sistema puede almacenar cualquier información deseada de la muestra, con la cual se pueden comparar muestras futuras. Los resultados de cualquier muestra particular se pueden comparar con todos los demás resultados de la muestra que se han almacenado en el sistema. En un aspecto de la presente invención, cualquier información de la muestra deseada puede compararse con otras muestras analizadas previamente de un determinado médico, o con las muestras de un paciente en particular, por ejemplo. Opcionalmente, el médico puede ser alertado si los resultados de la muestra son incompatibles con resultados pasados, y si es así, se puede enviar una notificación junto con los resultados. El análisis comparativo también se puede llevar a cabo contra las muestras de otros médicos y/o otras clínicas o laboratorios, entre otras muestras. Opcionalmente, el procesamiento de análisis comparativo puede ocurrir en el sitio remoto.

El diagnóstico, pronóstico, análisis predictivo y/o cualquier otra información de muestra relevante pueden ser proporcionadas al médico. Por ejemplo, el sistema puede incluir un módulo transmisor operable para transmitir el diagnóstico, pronóstico, análisis predictivo y/u otra información relevante de la muestra biológica al médico. El médico puede acceder al diagnóstico, pronóstico y/o análisis predictivo a través del sistema del médico. En un aspecto de la presente invención sólo el diagnóstico, pronóstico y/o análisis predictivo se envían, de preferencia con una indicación (p. ej., un valor porcentual) de la enfermedad de muestra y/o qué parte de la muestra está enferma, y qué tipo de enfermedad está presente. En otro aspecto de la presente invención, una imagen y/o imagen registrada se proporcionan junto con el diagnóstico, pronóstico y/o información de análisis predictivo. Más información de la muestra puede incluir análisis estadístico y otros datos, en función de los diversos algoritmos que se ejecuten. Como se ha señalado anteriormente, la entrega del diagnóstico, pronóstico y/o información de análisis predictivo puede llevarse a cabo mediante, por ejemplo, el sistema informático a continuación. El paso de transmitir los resultados al médico puede incluir también alertar al médico de que los resultados están disponibles. Esto puede incluir un mensaje de texto a un teléfono celular, un correo electrónico y un mensaje telefónico, entre otras formas de alertar al médico.

Después de que el médico ha recibido los datos y/o da alerta de acceso a los datos, el médico puede examinar los resultados en S414. Una vez que los resultados hayan sido revisados, es posible determinar algoritmos adicionales que se deben ejecutar contra la muestra. Por ejemplo, si el médico es incapaz de determinar el diagnóstico con certeza, o si el médico no está satisfecho con los algoritmos que ya se habían realizado, la determinación puede ser que se deben ejecutar algoritmos adicionales para ofrecer un diagnóstico más exacto. Si la determinación se hace de que deben ejecutarse más algoritmos, el método puede incluir realizar los pasos de diagnóstico adicionales S416. En S416, utilizando el sistema informático, el médico puede seleccionar diferentes algoritmos, tales como los algoritmos creados por otros laboratorios o clínicas especializados para la misma enfermedad o condición y/o algoritmos para otras enfermedades o condiciones. El diagnóstico actualizado puede ser entregado al médico para su examen. S414 y S416 se pueden repetir hasta que el médico está satisfecho con el diagnóstico. Una vez que el practicante está satisfecho con el diagnóstico, el método puede opcionalmente proceder al S418, y el médico puede proceder a tratar al paciente en función de la información obtenida en el método.

En referencia ahora a la Figura 5, se ilustra un flujo de método 500 de poblar un centro de almacenamiento de datos de acuerdo con un aspecto de la presente invención. Los datos del centro de almacenamiento de datos se pueden utilizar, por ejemplo, para entrenar uno o más algoritmos para obtener un diagnóstico de una muestra biológica. Además, los datos pueden ser utilizados para la extracción de datos, tales como identificar patrones particulares de muestras biológicas y/o enfermedades para ayudar con el análisis predictivo y pronóstico. El centro de almacenamiento de datos también puede utilizarse para almacenar uno o más modelos de clasificación de enfermedades que el sistema puede utilizar para el diagnóstico de una enfermedad que se encuentra dentro de una muestra biológica.

El método puede incluir recibir información de anotación para una región de anotación seleccionada de una imagen espectral registrada 502. La información de anotación puede incluir, pero no se limita a, cualesquiera datos clínicos adecuados en cuanto a la región de anotación seleccionada, tales como los datos que pueden ser relevantes para el diagnóstico, incluyendo qué firmas bioquímicas relacionadas con una característica de un tipo de células y/o tejidos que posiblemente estén presentes en la muestra, los grados de tinción de la muestra, intensidades y estado de marcador molecular (p. ej., estado de marcador molecular de las tinciones de IHC), de qué parte del cuerpo se extrajo la muestra, y/o qué tipo de enfermedad o condición es probable que se encuentre. Además, la información de anotación puede referirse a cualquier marca medible de la imagen visual de la muestra. La información de anotación también puede incluir, por ejemplo, una marca de tiempo (p. ej., la fecha y/u hora en que se hizo la anotación), información de identificación de anotación del archivo principal (p. ej., si la anotación es parte de una serie de anotaciones), información del usuario (por ejemplo, el nombre del usuario quien creó la anotación), información de clúster, información de píxeles espectográficos del clúster, información de nivel de clúster y un número de píxeles en la región seleccionada, entre otra información relacionada con la anotación. Cabe señalar que el sistema puede recibir la información de anotaciones de un médico.

En un aspecto, un médico puede seleccionar una región de anotación de la imagen espectral y puede proporcionar la información de anotación para la región seleccionada. El médico puede utilizar el sistema para seleccionar una región de la imagen registrada que corresponde a una firma bioquímica de la enfermedad y/o condición. Por ejemplo, el médico puede colocar un límite alrededor de un área de la imagen espectral en donde los espectros de los píxeles de la imagen espectral en general parecen ser uniformes (p. ej., el color en el área de la imagen espectral es casi siempre del mismo color). El límite puede identificar a una pluralidad de píxeles de la imagen espectral que corresponden a una firma bioquímica de una enfermedad o condición. En otro aspecto, el médico puede seleccionar una región de anotación basándose en uno o más atributos o características de la imagen visual. Por lo tanto, la región de anotación puede corresponder a una variedad de atributos visuales de las muestras biológicas, así como a los estados bioquímicos de la muestra biológica. Las regiones de anotación se examinan en más detalle en la solicitud de patente de los E.U. No. 13/507,386. Cabe señalar también que el médico puede seleccionar una región de anotación de la imagen espectral registrada que no corresponde con una firma bioquímica de la enfermedad o condición.

En otro aspecto, el sistema puede automáticamente o de otra forma (p. ej., con cierta ayuda del usuario o los parámetros de entrada) proporcionar la información de anotación para la región de anotación seleccionada. Por ejemplo, el sistema puede proporcionar la fecha y la hora en que se creó la anotación, junto con la información del clúster para la región seleccionada. Además, el sistema puede automáticamente o de otra forma seleccionar la región de anotación de la imagen espectral registrada y proporcionar los datos clínicos (p. ej., los datos que pueden ser relevantes para el diagnóstico y/o pronóstico y clasificaciones de enfermedades o condiciones) de la región de anotación seleccionada.

Refiriéndose ahora a la Figura 6, se muestra ahí un método 600 de etiquetado automático de una región de anotación, aplicando un conjunto de reglas a una imagen visual de conformidad con un aspecto de la presente invención. El método puede incluir recibir una decisión clínica para una imagen visual 602. Por ejemplo, el sistema puede recibir una decisión clínica, como el diagnóstico de un médico incluyendo qué tipo de células posiblemente estén presentes en la muestra y/o qué tipo de enfermedad o condición es probable que se encuentre dentro de la muestra.

El método también puede incluir un conjunto de reglas de evaluación a aplicar para la decisión clínica 604. En un aspecto, el sistema puede seleccionar un "estándar de oro" clínico como el conjunto de reglas de evaluación aplicable a la decisión clínica. Un "estándar de oro" clínico puede incluir, por ejemplo, las prácticas aceptadas para el estado actual de la técnica. Por ejemplo, el "estándar de oro" clínico puede incluir la utilización de tinión en muestras biológicas tales como, pero no limitadas a, paneles y tinciones de IHC, tinciones de hematoxilina, tinciones de eosina y Papanicolaou. Además, el "estándar de oro" clínico también puede incluir utilizar un microscopio para medir e identificar las características de una muestra biológica incluyendo patrones de tinción. El sistema puede escanear algunos o todos los píxeles de la imagen visual y aplicar el conjunto de reglas de evaluación a los píxeles.

Además, el método puede incluir automáticamente o de otra forma el etiquetado de píxeles de la imagen visual con base en el conjunto de reglas de evaluación 606. En un aspecto, el sistema puede etiquetar automáticamente cada píxel de la imagen visual con base en el conjunto de reglas de evaluación.

El método también puede incluir aplicar automáticamente la etiqueta de los píxeles en la imagen visual a la región de anotación correspondiente de una imagen espectral 608. En un aspecto, el sistema puede recuperar la imagen espectral almacenada que se registra con la imagen visual, por ejemplo, de un centro de almacenamiento de datos. El sistema puede determinar la etiqueta de la imagen visual que corresponde a la región de anotación de la imagen espectral y puede aplicar automáticamente la etiqueta del área correspondiente de la imagen visual a la región de anotación de la imagen espectral. Cabe señalar que todos los píxeles correspondientes a una marca medible en la imagen visual pueden ser un objetivo para etiquetar y correlacionar a un píxel espectral. Por lo tanto, uno o más parámetros patológicos cuantitativos conocidos en una práctica de patología pueden convertirse en una clase, seleccionando los píxeles correspondientes de la imagen visual y correlacionando los píxeles seleccionados de la imagen visual a la imagen espectral para la misma ubicación espacial.

En referencia ahora a la Figura 7, se ilustra un flujo de método 700 de seleccionar automáticamente o de otra forma otra región de anotación de acuerdo con un aspecto de la presente invención. El método puede incluir recibir una región de anotación para una imagen espectral registrada 702. El sistema puede recibir uno o más regiones de anotación para la imagen espectral como se dijo anteriormente en 502 (Figura 5).

El método también puede incluir determinar si otro nivel o nivel de clúster deben utilizarse para la región de anotación seleccionada 704. En un aspecto, el sistema puede determinar si otro nivel o nivel de clúster en la imagen espectral puede ser una mejor selección para la región de anotación seleccionada. Por ejemplo, el sistema puede revisar todos los niveles de clúster de la imagen espectral y puede identificar un nivel de clúster donde los clústeres espectrales de píxeles son relativamente uniformes (p. ej., un clúster espectral homogéneo de píxeles con espectros similares conforme a un parámetro predeterminado).

En un aspecto, el sistema puede presentar cada clúster espectral homogéneo como un solo color (por ejemplo, azul para un clúster y rojo para un clúster diferente). El sistema puede comparar el nivel de clúster identificado con el nivel de clúster para la región de anotación seleccionada de la imagen espectral y si el sistema determina que se produce una coincidencia, el sistema puede determinar que otro nivel o nivel de clúster no debe ser seleccionado para la región de anotación. El método puede proceder al 504 (Figura 5) al determinar que otro nivel o nivel de clúster no debe ser seleccionado para la región de anotación.

El método puede incluir además automáticamente o de otra forma seleccionar un nivel diferente o nivel de clúster para la región de anotación con base en la determinación 706. Por ejemplo, cuando el sistema compara el nivel de clúster identificado con el nivel de clúster para la región de anotación seleccionada y si no se produce una coincidencia, el sistema puede determinar si los espectros de los píxeles en la región de clúster identificada son más similares en relación con el parámetro predeterminado. En un aspecto, el sistema puede determinar si el color de la región identificada es más uniforme en color que la región seleccionada. El sistema puede, por ejemplo, seleccionar automáticamente el nivel de clúster identificado para la región de anotación al determinar que la región identificada tiene más espectros similares conforme al parámetro predeterminado que la región seleccionada. En un aspecto, el nivel de clúster identificado puede ser más uniforme en color que el color de la región seleccionada. Al permitir que el sistema seleccione automáticamente un nivel de clúster para la región seleccionada, el sistema puede identificar la mejor opción para la región de anotación que la que el usuario identificó. Tras la selección de un diferente nivel de clúster para la región seleccionada, el método puede proceder al 504 (Figura 5).

En referencia nuevamente a la Figura 5, el método también puede incluir asociar la información de anotación con una enfermedad o condición específica 504. En un aspecto, el sistema puede asociar los datos clínicos que identifican una enfermedad o condición con la información de anotación recibida. Por ejemplo, el sistema puede asociar la información sobre las enfermedades con el nivel de clúster y/o con los espectros del nivel de clúster para la región seleccionada.

El método puede incluir almacenar la información de anotación para la región de anotación seleccionada en un archivo de anotación asociado a la imagen espectral registrada 506. Por ejemplo, el sistema puede almacenar la información de anotación en un archivo de texto, como un archivo de anotación de lenguaje de marcado extensible (xml) o un archivo con formato binario.

Con referencia ahora a la Figura 8, se ilustra un ejemplo de archivo anotado 800 de conformidad con un aspecto de la presente invención. El archivo anotado 800 puede ser almacenado en un formato anidado que puede almacenar datos en árbol jerárquico. Por ejemplo, el archivo anotado 800 puede incluir en el directorio raíz (por ejemplo, la parte superior del árbol) información sobre el conjunto de datos como un todo, tales como el nombre de archivo de la imagen espectral que define el directorio raíz, el nombre del médico, la información de registro 802, el tiempo transcurrido, etc. Las ramas del árbol pueden incluir el clúster espectral 804 y la información de nivel 806, 808 para la imagen espectral. Por ejemplo, cada clúster 804 puede tener un número de niveles 806, 808, cada uno de los cuales puede incluir una serie de anotaciones 810, 812. La información de anotación asociada con cada clúster específico, el nivel, y anotación se pueden almacenar en el nivel de hoja.

Cabe señalar que algunas de las ramas de clúster/nivel en el archivo anotado 800 pueden no tener todas las anotaciones asociadas con el respectivo clúster/nivel. Por lo tanto, estas ramas de anotación pueden estar vacías y/o ser inexistentes.

En referencia de vuelta a la Figura 5, el método puede, opcionalmente, proceder al 502 y recibir más información de anotación de la misma región seleccionada de la imagen registrada y/o de una región diferente de la imagen registrada.

El método puede incluir además almacenar el archivo anotado en un centro de almacenamiento de datos 508. Cabe señalar que el centro de almacenamiento de datos puede almacenar una pluralidad de archivos anotados.

El método puede incluir opcionalmente recibir y almacenar metadatos asociados a la muestra biológica y/o al paciente asociado con la muestra biológica 510. Los metadatos pueden incluir, pero no se limitan a, la edad del paciente, el sexo del paciente, la secuencia de tratamiento, el estado tumoral (p. ej., la etapa del tumor), estado de los ganglios linfáticos (p. ej., + o -), metástasis, grado tumoral, la localización del tumor, marcadores inmuno-histoquímico (IHQ) (p. ej., + o - ), marcadores moleculares (p. ej., + o - ), supervivencia (p. ej., un porcentaje de supervivencia durante un período), historia clínica, antecedentes quirúrgicos, diferencial Dx y anotación de la patología, entre otros metadatos. Por ejemplo, el sistema puede recibir los metadatos de un médico. Cabe señalar que los metadatos pueden ser proporcionados por el médico junto con la información de anotación. En otro aspecto, el sistema puede importar los metadatos de uno o más archivos relacionados con la muestra biológica y/o con el paciente (por ejemplo, un archivo del historial clínico del paciente). Por ejemplo, el sistema puede acceder a los metadatos desde un Registro Médico Electrónico (EMR) vinculado a un paciente, por ejemplo, a través de un identificador de paciente (ID) y/o un identificador de paciente y muestra.

Además, los metadatos pueden estar asociados con el archivo de anotación almacenado para la muestra biológica. Por lo tanto, los metadatos pueden estar asociados con los píxeles de las imágenes espectrales y/o las imágenes visuales almacenadas en el centro de almacenamiento de datos.

En un aspecto, los metadatos podrán ser utilizados por el sistema para extraer los datos en el centro de almacenamiento de datos de una o más correlaciones y/o relaciones directas entre los datos almacenados. Un ejemplo de la extracción de datos puede incluir que el sistema determine la correlación entre el historial clínico por paciente y por clase de enfermedades para todos los pacientes. Otro ejemplo puede incluir que el sistema realice la extracción de datos de la literatura mediante campos/etiquetas de clasificación en el conjunto de datos para extraer externamente las bases de datos de la literatura y reportar citas en resúmenes para referencia clínica. El sistema también puede utilizarse, por ejemplo, para extraer los datos de correlaciones y análisis de varianza para determinar las mejores prácticas. Además, el sistema puede utilizarse para extraer los datos para resultados experimentales y desarrollos dentro de una base de datos de un programa de investigación para el desarrollo de fármacos de una institución. Por ejemplo, el sistema puede recibir una consulta de un usuario del sistema para un correlación particular y/o relación para una enfermedad en particular. El sistema puede extraer todos o algunos de los datos almacenados y generar una correlación y/o una relación basada en los metadatos asociados con la enfermedad en particular.

Refiriéndose ahora a la Figura 9, se muestra en ella un ejemplo de flujo de método 900 para entrenar algoritmos para proporcionar un diagnóstico, pronóstico y/o clasificación predictiva de una enfermedad o condición de conformidad con un aspecto de la presente invención.

El método puede incluir recibir una consulta de características de entrenamiento y prueba para entrenar un algoritmo para diagnosticar y/o predecir una enfermedad o una condición en particular 902. Por ejemplo, el sistema puede recibir una consulta con uno o más parámetros de características de entrenamiento y prueba que se puede correlacionar con una firma biológica representativa de la enfermedad, el estado característico y/o clase en particular. Los parámetros pueden incluir, pero no están limitados a, un tipo de enfermedad o condición (p. ej., cáncer de pulmón o cáncer de riñon), clase de células o tejidos, tipo de tejido, estado de la enfermedad, nivel de clasificación, clase espectral y ubicación de los tejidos, entre otros parámetros. En un aspecto, el sistema puede recibir la consulta y los parámetros de un usuario del sistema. En otro aspecto, el sistema puede automáticamente o de otra forma determinar los parámetros que se deben utilizar para la enfermedad o condición específica. Por lo tanto, las características de entrenamiento y prueba pueden personalizarse en función de los parámetros recibidos.

El método también puede incluir determinar un conjunto de datos de entrenamiento con base en las características del entrenamiento 904. El sistema puede extraer píxeles de las imágenes visuales y espectrales almacenadas en un centro de almacenamiento de datos que corresponden a los parámetros de las características de entrenamiento y de prueba. Por ejemplo, el sistema puede acceder a las imágenes anotadas almacenadas en el centro de almacenamiento de datos, junto con cualquier información de anotación adecuada y/o metadatos correspondientes a las imágenes anotadas. El sistema puede comparar los parámetros de la consulta con la información de anotación y/o metadatos de las imágenes anotadas. Cuando existe una coincidencia entre los parámetros y la información de anotación y/o los metadatos, por ejemplo, el sistema puede extraer los píxeles de las imágenes espectrales y visuales asociadas con los parámetros y formar un conjunto de datos de entrenamiento. Los píxeles extraídos de los datos de entrenamiento pueden incluir píxeles de diferentes clases de células o tejidos y/o tipos de tejido. Cabe señalar que los píxeles extraídos de distintos tipos de tejidos pueden ser almacenados como parte de diferentes características de prueba. Así, por ejemplo, los píxeles del mismo tipo de tejido pueden ser asignados a una sola característica de prueba, mientras que los píxeles de otro tipo de tejido pueden ser asignados a una característica de prueba diferente. Además, los datos de entrenamiento pueden incluir los datos espectrales que se asocian con enfermedades o condiciones específicas o tipos de célula o de tejido (colectivamente, una "clase"). Por lo tanto, el sistema puede extraer píxeles de las imágenes visuales y espectrales que pueden proporcionar una representación significativa de la enfermedad o condición con base en los parámetros previstos para las características de entrenamiento para brindar un diagnóstico, un pronóstico y/o análisis predictivo de la enfermedad o condición.

Además, el método puede incluir realizar una o más pruebas de verificación correspondientes al conjunto de datos de entrenamiento 906. Las pruebas de verificación pueden incluir, pero no están limitadas a, pruebas de calidad y pruebas de selección de características en el conjunto de datos de entrenamiento. En un aspecto, el sistema puede utilizar el algoritmo creado por el conjunto de datos de entrenamiento junto con un conjunto de datos de prueba para verificar la exactitud del algoritmo. El conjunto de datos de prueba puede incluir muestras biológicas que contienen la enfermedad o condición específica, junto con las muestras biológicas que no contienen la enfermedad o condición específica. El sistema puede verificar la exactitud del algoritmo, por ejemplo, determinar si el algoritmo puede identificar correctamente las muestras biológicas que contienen la enfermedad o condición específica y las muestras biológicas que no contienen la enfermedad o condición específica. Cuando el algoritmo puede identificar correctamente qué muestras biológicas contienen la enfermedad o condición y qué muestras biológicas no contienen la enfermedad o condición, el sistema puede determinar que la precisión del algoritmo es alta. Sin embargo, cuando el algoritmo no puede identificar correctamente qué muestras biológicas de los datos de prueba contienen la enfermedad o condición o identifica incorrectamente las muestras biológicas que contienen la enfermedad o condición, el sistema puede determinar que la precisión del algoritmo es baja. En un aspecto, los resultados del algoritmo pueden compararse con un valor de índice que puede indicar la probabilidad de que el algoritmo identificó correctamente las muestras biológicas. Los valores de índice por encima de un nivel de umbral pueden indicar una alta probabilidad de que el algoritmo identificó correctamente las muestras biológicas. Mientras que los valores de índice por debajo de un nivel de umbral pueden indicar una baja probabilidad de que el algoritmo identificó correctamente las muestras biológicas.

El método también puede incluir opcionalmente refinar el conjunto de datos de entrenamiento con base en los resultados de una o más pruebas de verificación 908. Por ejemplo, cuando el sistema determina que la precisión del algoritmo es baja, el sistema puede perfeccionar el conjunto de datos de entrenamiento. El sistema puede aumentar y/o disminuir el número de píxeles para aumentar la probabilidad de ejecución estadísticamente relevante del algoritmo. Cabe señalar que el número de píxeles que son necesarios para el conjunto de datos de entrenamiento puede variar según el tipo de enfermedad o condición que el algoritmo está tratando de diagnosticar y/o la clase de célula o tejido seleccionado, por ejemplo. El método puede continuar a 906 hasta que el sistema determine que la exactitud del algoritmo es alta en relación con el conjunto de datos de prueba.

El método puede incluir además generar uno o más algoritmos entrenados para ofrecer un diagnóstico, un pronóstico y/o análisis predictivo de la enfermedad en particular, con base en las características de la prueba 910. Cuando el sistema determina que el algoritmo tiene un alto grado de exactitud, el sistema puede generar uno o más algoritmos entrenados para ofrecer un diagnóstico, un pronóstico y/o análisis predictivo de la enfermedad en particular con base en las características de la prueba. Cabe señalar que una pluralidad de algoritmos se puede generar para proporcionar un diagnóstico, un pronóstico y/o análisis predictivo de una enfermedad, que se basa en los parámetros recibidos. Por ejemplo, varios algoritmos se pueden entrenar para diagnosticar cáncer de pulmón con cada algoritmo entrenado para diagnosticar un tipo particular de cáncer de pulmón, que se base en diferentes parámetros que pueden correlacionarse y acoplarse con una firma bioquímica representativa de la enfermedad o estado de característica y clase de la enfermedad.

El método también puede incluir almacenar el uno o más algoritmos entrenados para la enfermedad en particular en un centro de almacenamiento de datos 912. Por ejemplo, el sistema puede almacenar uno o más algoritmos entrenados en un centro de almacenamiento de datos que contiene también las imágenes espectrales y visuales anotadas, información de anotación y/o metadatos, como se ha mencionado anteriormente en relación con las Figuras 5 a 8.

En referencia ahora a la Figura 10, se ilustra ahí un flujo de método de ejemplo 1000 para crear un modelo de clasificación de acuerdo con un aspecto de la presente invención. El método puede incluir obtener una pluralidad de algoritmos entrenados para una enfermedad o condición específica de un centro de almacenamiento de datos 1002. En un aspecto, el sistema puede recibir una petición de un usuario del sistema para extraer la pluralidad de algoritmos relacionados con la enfermedad o condición específica.

El método también puede incluir combinar los algoritmos entrenados extraídos para formar uno o varios modelos de clasificación para el diagnóstico de la enfermedad en particular 1004. Por ejemplo, el sistema puede combinar varios algoritmos para el diagnóstico de diferentes formas de cáncer (p. ej., cáncer de pulmón, cáncer de mama, cáncer de riñon, etc.) para formar un modelo para diagnosticar el cáncer. Cabe señalar que los modelos de clasificación también podrían incluir sub-modelos. Por lo tanto, el modelo de clasificación para el diagnóstico del cáncer puede tener sub-modelos para diagnosticar los diferentes tipos de cáncer (por ejemplo, cáncer de pulmón, cáncer de mama, cáncer de riñon). Por otra parte, los sub-modelos pueden incluir sub-modelos. Como ejemplo, el modelo para diagnosticar cáncer de pulmón puede tener varios sub-modelos para identificar el tipo de cáncer de pulmón que puede estar presente en la muestra biológica.

Además, el método puede incluir establecer un conjunto de reglas para aplicar los algoritmos dentro de un modelo de clasificación 1006. Por ejemplo, el sistema puede establecer un conjunto de reglas para determinar el orden de aplicación de los algoritmos en el modelo de clasificación. Además, el sistema puede establecer un conjunto de reglas para restringir cuándo se pueden utilizar los algoritmos. Cabe señalar que el conjunto de reglas puede variar en función de las enfermedades y/o el número de algoritmos combinados para formar los modelos.

El método puede incluir además generar uno o más modelos de clasificación para diagnóstico de la enfermedad en particular, con base en el conjunto de reglas 1008. Una vez que el sistema establece un conjunto de reglas para los modelos, el sistema puede generar uno o más modelos para el diagnóstico de la enfermedad en particular. Cabe señalar que, además del método anterior, una variedad de otros métodos pueden utilizarse para la creación de un modelo de clasificación para una enfermedad o condición específica.

Ahora en referencia a la Figura 1 1 , se ilustra un modelo de ejemplo para diagnosticar cáncer de pulmón de conformidad con un aspecto de la presente invención. Cada división en corchetes representa una nueva iteración. La Figura 11 Incluye una variedad de clases de tejido o celular que se pueden probar para el uso del método analítico inventivo. En un aspecto de ejemplo de la presente invención, el centro de almacenamiento de datos utilizado en el método analítico puede incluir todas las clases de tejidos o células enlistados. Las clases pueden derivarse de y puede aparecer en la lista, por ejemplo, a fin de reflejar las opiniones de los expertos, las decisiones de grupos y estándares individuales e institucionales. Por lo tanto, los algoritmos que se utilizan para proporcionar un diagnóstico y/o pronóstico o análisis predictivo de una muestra biológica se pueden entrenar para aplicar las prácticas de expertos y estándares que pueden variar de una institución a otra y entre las personas. En la operación, cuando un médico quiere saber si una muestra contiene una de las clases de tejidos o células indicadas, el método descrito anteriormente puede aplicarse de acuerdo con la Figura 11. Es decir, a partir del corchete más a la izquierda, el proceso iterativo se repite, como se ilustra, hasta que se alcanza el resultado deseado. Cabe señalar que el orden de iteraciones, que se muestra en la Figura 11 , logra un sorprendente resultado exacto.

El orden de iteraciones como se ilustra en la Figura 11 también denominado orden de reducción de variación, se puede determinar mediante análisis jerárquico de clúster (HCA). HCA se describe en detalle en la solicitud de patente de los E.U. No. 13/067,777. Tal como se describe en la solicitud 777, HCA identifica clases celulares y de tejido que se agrupan debido a varias similitudes. Con base en el HCA, el orden más eficaz de las iteraciones, u orden de reducción de variación, se puede determinar. Es decir, la jerarquía de iteración/orden de reducción de variación se puede establecer con base en mayor a menor variación en los datos, que es proporcionada por el HCA. Con HCA, con base en la similitud o diferencia en los datos, se puede determinar qué clase de tejido o células deben etiquetarse como tales y no se incluyen en el siguiente subconjunto de datos para extraer varianza y mejorar la exactitud de la identificación.

En referencia ahora a la Figura 12, se ilustra ahí un método de ejemplo para analizar datos, de acuerdo con aspectos de la presente invención. El método puede incluir obtener un conjunto original de datos de especímenes de una muestra biológica S102.

La muestra biológica puede ser tomada por un médico mediante cualquier método conocido y una amplia variedad de células o tejidos se examinarán de acuerdo con la metodología que se emplea actualmente, ambas se describen con mayor detalle en la solicitud de patente de los E.U. No. 13/067,777.

La obtención del conjunto de datos de especímenes originales incluye obtener datos espectroscópicos de la muestra. El término "original" significa que la totalidad de los datos obtenidos antes de cualquiera de los datos se ha identificado, y antes de que se haya generado un subconjunto de datos, el cual se describe en detalle a continuación. El término datos espectroscópicos abarca cualesquiera datos apropiados que se basen en datos espectrales. Es decir, los datos espectroscópicos del conjunto de datos de especímenes originales obtenidos en S102 pueden incluir datos espectrales reconstruidos, datos de la imagen reconstruidos y/o datos de la imagen registrados. Por otra parte, los datos espectroscópicos pueden incluir los datos que se derivan de datos espectroscópicos, tales como valores estadísticos representativos de los datos espectroscópicos. En un aspecto de la presente invención, el médico puede obtener los datos espectrales a través de un método con sistema de formación de imágenes infrarrojo con láser sintonizable, que se describe en la solicitud de patente de los E.U. No. 13/084,287 y en la solicitud 777. Un ejemplo de cómo obtener datos espectrales reconstruidos, datos de la imagen reconstruidos y datos de la imagen registrados se describe en más detalle en la solicitud 777. Un ejemplo de la manera en que se obtienen los datos mediante un analizador se discute con mayor detalle arriba.

Como se ha dicho anteriormente, los datos de espécimen se procesan adicionalmente para ofrecer un diagnóstico, un pronóstico y/o análisis predictivo para una enfermedad o condición en un analizador. Por ejemplo, como se ha explicado en la solicitud 777, la imagen registrada puede ser analizada mediante algoritmos informáticos para proporcionar un diagnóstico. Cabe señalar que la imagen registrada también puede ser analizada mediante algoritmos de computadora para establecer un pronóstico y/o clasificación predictiva de una enfermedad o condición. Este proceso incluye el uso de un set de capacitación que se ha utilizado para desarrollar un algoritmo. Además, el set de capacitación incluye los datos espectrales que se asocian con enfermedades o condiciones específicas o tipos de célula o de tejido (colectivamente, una "clase"). Como se trató antes, el set de capacitación puede archivarse y se puede desarrollar un algoritmo informático con base en los sets de capacitación disponibles. Además, la solicitud 777 también explica el uso de los sets de capacitación y los algoritmos para analizar la imagen registrada y obtener un diagnóstico.

Aunque la solicitud 777 por lo general describe cómo se pueden utilizar los distintos algoritmos para diagnosticar una condición, la presente invención se dirige a una mejor manera de aplicar los algoritmos para aumentar la precisión del resultado. Por otra parte, los métodos descritos anteriormente y en la solicitud 777 permiten que la muestra sea analizada mediante algoritmos entrenados para cualquier condición con base en la elección del médico. Por ejemplo, el médico puede optar por probar una muestra de las células cancerosas por lo general o para un determinado tipo de cáncer. Las condiciones que se ponen a prueba pueden basarse en datos clínicos (p. ej., qué condición es más probable que se encuentre) o al probar "en ciego" contra diversas condiciones. El método divulgado aquí aumenta la precisión del diagnóstico, y en particular, aumenta la precisión, incluso cuando hay poca o ninguna información respecto de cuáles condiciones está presente. Por otra parte, el método revelado en este documento puede ser utilizado para el pronóstico y/o clasificación predictiva de una enfermedad o condición.

Después de obtener el conjunto de datos de especímenes originales en el S102, incluyendo datos espectroscópicos, el método puede incluir comparar el conjunto de datos de la muestra original con los datos del centro de almacenamiento S104. Los datos del centro de almacenamiento incluyen datos que están asociados con al menos una clase de tejido o célula. En un aspecto de la presente invención, los datos de centro de almacenamiento incluyen los datos asociados con algunas o todas las clases conocidas de tejidos o células. Por ejemplo, los datos del centro de almacenamiento pueden incluir datos que están asociados con una clase de tejido o célula de cáncer, los datos que están asociados con una clase de tejido o célula no necrótica, los datos que se asocian con una clase de tejido o célula de carcinoma de célula no pequeña, los datos que están asociados con una clase de tejido o célula de carcinoma de célula no escamosa, los datos que están asociados con una clase de tejido o célula de carcinoma bronquio-alveolar, y los datos que están asociados con una clase de tejido do célula de adenocarcinoma. Los datos del centro de almacenamiento también pueden comprender los datos asociados con o que se sepan no están asociados con cualquiera o una combinación de los siguientes tipos de clases de tejidos células: pigmento negro, estroma con fibroblastos, estroma con abundantes linfocitos, bronquiolos, estroma mixoide, paredes de los vasos sanguíneos, pared alveolar, septos alveolares, carcinoma de células escamosas necróticas, adenocarcinoma necrótico, micrófagos cargados con mucina, glándula mucinosa, carcinoma de células pequeñas, carcinoma de células escamosas, carcinoma alveolar ramificado y adenocarcinoma (Figura 11). Cada clase de tejido o célula tiene características espectroscópicas que son indicativas de esa clase de tejido o célula. Es decir, una determinada clase de tejido o célula tiene características espectroscópicas únicas. Debido a esta singular calidad espectroscópica, es posible comparar los datos de los especímenes a los datos del centro de almacenamiento, y, en particular, comparar los datos de los especímenes con un subconjunto de los datos del centro de almacenamiento que se asocian con una clase de tejido o célula en particular. Cabe señalar que la Figura 11 muestra un ejemplo representativo de una clase y que una variedad de otras clases que reflejan las opiniones de expertos y/o nuevo aprendizaje en el campo puede variar. El paso comparativo se describe en más detalle en la solicitud 777.

Tras comparar los datos, el método puede incluir determinar si existe una correlación entre el conjunto de datos de especímenes originales y el conjunto de datos del centro de almacenamiento, preferiblemente con un algoritmo entrenado para reconocer si una clase de célula está presente en la muestra S106, tal como se describe en la solicitud '777.

Si se determina en el S106 que no existe correlación entre el conjunto de datos de los especímenes originales y los datos del centro de almacenamiento de una característica específica que se está consultando, el método entonces puede incluir proporcionar o generar un resultado del análisis S108. Por ejemplo, si se determina que los datos de la muestra original, cuando se les compara con un centro de almacenamiento que incluye, entre otros datos, los datos asociados con las células cancerosas, no muestran una correlación, entonces el método puede contemplar o generar que el conjunto de datos de los especímenes no incluyan una correlación con la clase con la que se compararon los datos de los especímenes.

Si se determina en el S 106 que sí existe correlación entre el conjunto de datos de los especímenes originales y los datos del centro de almacenamiento de la una característica que se está consultando, el método puede incluir generar un subconjunto de datos de los especímenes S110. El subconjunto de datos de los especímenes se puede generar al etiquetar los datos del conjunto de los especímenes originales que no se han asociado con los datos del centro de almacenamiento para esa característica, y, a continuación, producir un subconjunto de datos que sólo comprende los datos no etiquetados. Por ejemplo, si se determina que existe una correlación entre el conjunto de datos originales y un centro de almacenamiento que incluye, entre otros datos, los datos asociados a las células cancerosas, entonces los datos que no corresponden a las células cancerosas (es decir, los datos que no se asocian con datos de células cancerosas) pueden estar parcial o totalmente omitidos del análisis. Los datos pueden ser omitidos al etiquetar primero la porción de los datos de los especímenes que ha sido designada como no correlacionada con las células cancerosas y, a continuación, generar un subconjunto de datos que sólo comprende los datos no etiquetados. Por lo tanto, este subconjunto de datos de los especímenes recién formado sólo puede contener los datos relacionados con los datos del centro de almacenamiento para la característica que se está consultando. En el ejemplo del cáncer, por lo tanto, el subconjunto de datos de los especímenes sólo puede contener datos relacionados con el cáncer, debido a que los datos no relacionados con el cáncer se han omitido del análisis.

Después de generar el subconjunto de datos, el método puede proceder al S108 para proporcionar un resultado del análisis o puede volver al S104 para comparar el subconjunto de datos de los especímenes con datos adicionales del centro de almacenamiento de otras características que se van a consultar, ya sea utilizando el mismo algoritmo o un algoritmo diferente. Por ejemplo, un algoritmo inicial puede utilizarse para distinguir entre células cancerosas y no cancerosas, y, posteriormente, se puede utilizar un algoritmo más especializado para distinguir entre los tipos de cáncer o subtipos de cáncer. El método puede proceder al S108 para proporcionar un resultado del análisis cuando el resultado es satisfactorio, con base en el nivel de detalle deseado. Por ejemplo, si un médico sólo desea saber si la muestra de especímenes contiene células cancerosas y no quiere saber más detalles, el método puede proceder a informar de los resultados de dicho análisis en el S108. Sin embargo, cuando se desea un análisis adicional, el método puede proceder al paso S104 y repetir los pasos S104-S110. En particular, cuando el método regresa al paso S104, el subconjunto de datos de los especímenes puede compararse con un subconjunto de datos del centro de almacenamiento asociados con otra clase de tejido o célula. Este paso puede implicar el uso de los datos del centro de almacenamiento original o diferentes datos del centro de almacenamiento. Se determina entonces si existe una correlación (S106) y los resultados se comunican o se genera un nuevo subconjunto de datos de los especímenes, a lo largo de las líneas que se han descrito anteriormente. Este proceso iterativo ofrece un resultado más exacto porque cada iteración elimina los datos no relacionados con la función que se está consultando, reduciendo los datos que están siendo analizados. Por ejemplo, si el médico trata de determinar si la muestra de los especímenes contiene un tipo especial de carcinoma, como carcinoma de células escamosas, el método puede correr los pasos S104-S1 10, establecer el conjunto de datos pertinentes y retirar los datos no cancerosos. Los pasos S104-S110 se pueden repetir para determinar si hay carcinoma de células pequeñas, comparando el subconjunto de datos de los especímenes con los datos del centro de almacenamiento asociados con el carcinoma de células pequeñas y removiendo los datos del carcinoma de células pequeñas. Los pasos S104-S110 se pueden repetir una segunda vez para determinar si hay carcinoma de células escamosas, comparando el subconjunto de datos de los especímenes limitado con los datos del centro de almacenamiento asociados con el carcinoma de célula escamosa. Debido a que el médico ha tratado de determinar si hubo carcinoma de células escamosas, el método puede detenerse y continuar al paso S108 para reportar que hay o no carcinoma de células escamosas en la muestra.

Está en el ámbito del presente que los aspectos de la presente invención se puedan aplicar a cualquier clase de célula o tejido particular, cancerosa o no. Cuando se aplica el proceso iterativo, los resultados más precisos se pueden lograr cuando la primera iteración analiza el conjunto de datos de los especímenes originales para la clase de célula o tejido más amplia y, con cada iteración subsiguiente, analiza el subconjunto de datos de los especímenes resultantes para una clase de célula o tejidos más limitada. También está dentro del ámbito del presente que el resultado de cualquier iteración dada puede proporcionarse o generarse para indicar qué porción de los datos se asocian con una condición particular. Por ejemplo, si la primera iteración es el análisis de cáncer, el método puede proceder a una segunda iteración de los datos cancerosos, pero también puede proporcionar o generar información respecto a la porción de los datos que se encontraron no cancerosos.

Refiriéndose ahora a la Figura 13, se muestra una implementación de ejemplo de la Figura 11 como lo determina un conjunto de reglas que se aplican al modelo que se muestra en la Figura 11. Como se ha descrito anteriormente, el HCA se utiliza para preparar el gráfico que se muestra en la Figura 13, que es un ejemplo ilustrativo de un orden de reducción de variación. En cada una de las iteraciones que se muestran en la Figura 13, el tipo de clase de célula o tejido entre corchetes es el tipo de clase de célula o tejido que se está analizando en la iteración. Como se muestra en la Figura 13, la primera iteración S302 determina si el conjunto de datos de los especímenes originales incluye los datos relacionados con células o tejido de tipo canceroso. En primer lugar el método puede proceder a los pasos S104-S110 indicados anteriormente, donde el conjunto de datos de los especímenes originales se compara con los datos del centro de almacenamiento que se asocia con las células o tejido canceroso. En el paso S110, un subconjunto de datos de los especímenes se puede generar al eliminar los datos "A" de la Figura 13 que no se asocian con las células o tejido canceroso.

Después del paso S110, el método puede proceder a repetir los pasos S104-S110 con la segunda iteración S304, que sigue la ruta "B" de la Figura 13. Como se muestra en la Figura 13, la segunda iteración determina si el subconjunto de datos de los especímenes comprende los datos relacionados con células o tejido de tipo no necrótico. En la segunda iteración, el subconjunto de datos de los especímenes pueden compararse contra datos del centro de almacenamiento asociados con células no necróticas, que se pueden encontrar en el mismo centro de almacenamiento o en un centro de almacenamiento de datos diferente del centro de almacenamiento usado en la primera iteración. En el paso S110, un segundo subconjunto de datos de los especímenes se puede generar al eliminar los datos "D" de la Figura 13 que no se asocian con las células o tejido no necrótico.

En particular, la comparación no-necrótica podría realizarse en cualquier etapa del proceso iterativo, ya que no está asociada con un tipo particular de tejido o célula. Es decir, cualquier tipo de célula o tejido puede convertirse en necrótico. Sin embargo, se ha encontrado sorprendentemente que si el análisis necrótico se realiza como el segundo paso iterativo, la precisión resultante final es significativamente más alta que si no hubiera iteración necrótica o si la iteración necrótica se realiza en un momento posterior. Es decir, al remover los datos cancerosos necróticos del subconjunto de datos de cáncer, la precisión del resultado global aumenta significativamente.

Después del paso S110, el método puede proceder a repetir los pasos S104-S1 10 con la tercera iteración S306, que sigue la ruta "C" de la Figura 13. Como se muestra en la Figura 13, la tercera iteración determina si el segundo subconjunto de datos de los especímenes comprende los datos relacionados con células o tejido de tipo carcinoma de célula no pequeña. En la tercera iteración, el segundo subconjunto de datos de los especímenes se compara contra datos del centro de almacenamiento asociados con el carcinoma de células no pequeñas, que se pueden encontrar en el mismo centro de almacenamiento o en un centro de almacenamiento de datos diferente del centro de almacenamiento usado en la primera o segunda iteración. En el paso S110, un tercer subconjunto de datos de los especímenes pueden generarse al eliminar los datos que no están asociados con células o tejidos de carcinoma de células no pequeñas.

Después del paso S110, el método puede proceder a repetir los pasos S104-S110 con la cuarta iteración S308, que sigue la ruta ?" de la Figura 13. Como se muestra en la Figura 13, la cuarta iteración determina si el tercer subconjunto de datos de los especímenes comprende los datos relacionados con células o tejido de tipo carcinoma de célula no escamosa. En la cuarta iteración, el tercer subconjunto de datos de los especímenes se compara contra datos del centro de almacenamiento asociados con el carcinoma de células no escamosas, que se pueden encontrar en el mismo centro de almacenamiento o en un centro de almacenamiento diferente del centro de almacenamiento usado en cualquier iteración previa. En el paso S1 10, un cuarto subconjunto de datos de los especímenes pueden generarse al eliminar los datos "I" de la Figura 13 que no están asociados con células o tejidos de carcinoma de célula no escamosa.

Después del paso S110, el método puede proceder a repetir los pasos S104-S110 con la quinta iteración S310, que sigue la ruta "J" de la Figura 13. Como se muestra en la Figura 13, la quinta iteración determina si el cuarto subconjunto de datos de los especímenes comprende los datos relacionados con el análisis de células o tejido de tipo carcinoma bronquio-alveolar o adenocarcinoma. En la quinta iteración, el cuarto subconjunto de datos de los especímenes se compara contra datos del centro de almacenamiento asociados con el carcinoma bronquio-alveolar o adenocarcinoma, que se pueden encontrar en el mismo centro de almacenamiento o en un centro de almacenamiento de datos diferente del centro de almacenamiento usado en cualquier iteración previa. Ya que la quinta iteración es la iteración final en el ejemplo, no es necesario volver a generar un subconjunto de datos de los especímenes adicional. En su lugar, el resultado final puede ser proporcionado o generado.

Está dentro del ámbito del presente que el resultado de cualquier iteración dada puede proporcionarse o generarse para indicar qué porción de los datos se asocian con una condición particular. Por ejemplo, después de la primera iteración, el método puede proporcionar o generar información de la porción de los datos que se encontraron no eran cancerosos. De igual forma, después de la segunda iteración, el método puede proporcionar o generar información de la porción de los datos cancerosos que se encontraron eran necróticos. Lo mismo puede repetirse para todas las iteraciones posteriores.

Adicionalmente, cualquier ruta de bifurcación ruta de la Figura 13 puede seguirse en lugar de o además de la ruta "B" a "C" a "H" a "J" descrita anteriormente. Por ejemplo, después del paso S302, en lugar de sólo analizar el subconjunto de datos de datos asociados con las células cancerosas (p. ej., la ruta "B"), el « método puede proceder a realizar el análisis de los datos relacionados con las células no cancerosas (es decir, la ruta "A"). De igual modo, después de los pasos S304, S306, S308, el método puede proceder a realizar el análisis de los datos de muestra removidos (por ejemplo, después de las rutas "D", ?", "F", "G" e "I"). La ruta de análisis puede elegirla el usuario final (p. ej., un analista u otro profesional de la salud) con base en una característica particular que se va a consultar.

El método inventivo, incluyendo los pasos de ejemplo de la Figura 13, puede ser ventajoso cuando hay poca orientación preliminar en cuanto a qué firmas bioquímicas se relacionan con una característica de un tipo de célula y/o tejido que puede estar presente en la muestra. Realizar las iteraciones en el orden que se muestra en la Figura 13 reduce eficientemente el tamaño de los datos de muestra a un resultado más reducido, a la vez que proporciona información crítica después de cada iteración. Cuando un médico no está consciente del contenido de muestra, el análisis puede proporcionar resultados precisos de las firmas bioquímicas relacionadas con una característica de los tipos de células y/o tejidos que pueden estar presentes en la muestra. Por lo tanto, el método proporciona una manera mejor y más eficiente de analizar una muestra para proporcionar un diagnóstico, pronóstico y/o análisis predictivo.

La Figura 14 muestra las diversas características de un ejemplo de sistema informático 1400 para su uso en conjunción con los métodos de acuerdo con aspectos de la invención. Como se muestra en la Figura 14, el sistema informático 1400 puede ser utilizado por un solicitante/médico 1401 o un representante del solicitante/médico 1401 a través de una terminal 1402, tal como una computadora personal (PC), minicomputadora, computadora central, microcomputadora, dispositivo de teléfono, asistente digital personal (PDA por sus siglas en inglés), u otro dispositivo que tenga un procesador y una capacidad de entrada. El modelo de servidor comprende, por ejemplo, una PC, microcomputadora, computadora central, microcomputadora, u otro dispositivo que tenga un procesador y un centro de almacenamiento de datos o que sea capaz de acceder a un centro de almacenamiento de datos. El modelo de servidor 1406 puede estar asociado, por ejemplo, con un centro de almacenamiento accesible de datos de enfermedades datos tales como sets de capacitación y/o algontmos para su utilización en diagnósticos, pronósticos y/o análisis predictivo.

Cualquiera de los datos descritos anteriormente pueden transmitirse entre el médico y el analizador, por ejemplo, a través de una red 1410, como el caso del Internet, por ejemplo, y se transmiten entre el analista 1401 y el modelo de servidor 1406. Las comunicaciones pueden hacerse, por ejemplo, a través de acoplamientos 1411 , 1413, tales como enlaces cableados, inalámbricos, o de fibra óptica.

Los aspectos de la invención pueden ser implementados usando hardware, software o una combinación de los mismos y pueden ser implementados en uno o más sistemas de computación u otros sistemas de procesamiento. En una variación, los aspectos de la invención están dirigidos hacia uno o más sistemas de computación capaces de llevar a cabo la funcionalidad descrita en la presente. Un ejemplo de tal sistema informático 1500 se muestra en la Figura 15.

El sistema informático 1500 incluye uno o más procesadores, como el procesador 1504. El procesador 1504 está conectado a una infraestructura de comunicación 1506 (por ejemplo, un bus de comunicaciones, barra de cruce, o red). Diversos aspectos del software se describen en términos de este sistema informático ejemplar. Después de leer esta descripción, se hará evidente para un experto en la(s) técnica(s) pertinente(s) cómo implementar los aspectos de la invención usando otros sistemas y/o arquitecturas de computación.

El sistema informático 1500 puede incluir una interfaz de visualización 1502 que envía gráficos, texto y otros datos desde la infraestructura de comunicaciones 1506 (o desde una memoria intermedia de marco no mostrada) para su visualización en la unidad de visualización 1530. El sistema informático 1500 incluye también una memoria principal 1508, preferiblemente memoria de acceso aleatorio (RAM), y también puede incluir una memoria secundaria 1510. La memoria secundaria 1510 puede incluir, por ejemplo, un controlador de disco duro 1512 y/o un controlador de almacenamiento extraíble 1514, que representa un controlador de disquete, un controlador de cinta magnética, un controlador de disco óptico, etc. El controlador de almacenamiento extraíble 1514 lee y/o escribe en una unidad de almacenamiento extraíble 1518 de una manera bien conocida. La unidad de almacenamiento extraíble 1518, representa un disquete, cinta magnética, disco óptico, etc., que es leído por y escrito para el controlador de almacenamiento extraíble 1514. Como se apreciará, la unidad de almacenamiento extraíble 1518 incluye un medio de almacenamiento utilizable por computadora que tiene almacenado en el mismo software de computación y/o datos.

En variaciones alternativas, la memoria secundaria 1510 puede incluir otros dispositivos similares para permitir que los programas de computación u otras instrucciones se carguen en el sistema informático 1500. Tales dispositivos pueden incluir, por ejemplo, una unidad de almacenamiento extraíble 1522 y una interface 1520. Los ejemplos de tales pueden incluir un cartucho de programa y una interfaz de cartucho (tal como la que se encuentra en los dispositivos de videojuegos), un chip de memoria extraíble (como una memoria de sólo lectura programable borrable (EPROM por sus siglas en inglés), o memoria de sólo lectura programable (PROM por sus siglas en inglés)) y el correspondiente socket, y otras unidades de almacenamiento extraíbles 1522 e interfaces 1520, que permitan que el software y los datos sean transferidos desde la unidad de almacenamiento extraíble 1522 al sistema informático 1500.

El sistema informático 1500 puede incluir también una interfaz de comunicaciones 1524. La interfaz de comunicaciones 1524 permite que el software y los datos sean transferidos entre el sistema informático 1500 y los dispositivos externos. Ejemplos de la interfaz de comunicaciones 1524 pueden incluir un módem, una interfaz de red (como una tarjeta de Ethernet), un puerto de comunicaciones, una muesca y tarjeta de la Asociación Internacional de Memoria de Computadora Personal (PCMCIA por sus siglas en inglés), etc. El software y los datos transferidos a través de la interfaz de comunicaciones 1524 están en la forma de señales 1528, que pueden ser señales electrónicas, electromagnéticas, ópticas o de otro tipo capaces de ser recibidas por la interfaz de comunicaciones 1524. Estas señales 1528 se proporcionan a la interfaz de comunicaciones 1524 a través de una ruta de comunicaciones 1526 (por ejemplo, un canal). Esta ruta 1526 lleva las señales 1528 y puede llevarse a cabo mediante alambre o cable, fibra óptica, una línea telefónica, un enlace celular, un enlace de frecuencia de radio (RF) y/u otros canales de comunicación. En este documento, los términos "medio de programa de computación" y "medio utilizable de computación" se usan para referirse generalmente a medios tales como un controlador de almacenamiento extraíble 1514, un disco duro instalado en el controlador de disco duro 1512, y las señales 1528. Estos productos de programa de computación proporcionan software para el sistema informático 1500. Aspectos de la invención se refieren a tales productos de programas de computación.

Los programas de computación (también referido como la lógica de control de la computadora) se almacenan en la memoria principal 1508 y/o en la memoria secundaria 1510. Los programas de computación también se pueden recibir a través de la interfaz de comunicaciones 1524. Tales programas de computación, cuando se ejecutan, permiten al sistema informático 1500 llevar a cabo las funciones de acuerdo con aspectos de la invención, como se discute en la presente. En particular, los programas de computación, cuando se ejecutan, permiten al procesador 1504 llevar a cabo dichas funciones. En consecuencia, dichos programas de computación representan controladores del sistema informático 1500.

En una variación donde los aspectos de la invención se implementan utilizando un software, el software puede ser almacenado en un producto de programa de computación y cargarse en el sistema informático 1500 utilizando el controlador de almacenamiento extraíble 1514, el controlador de disco duro 1512 o la interfaz de comunicaciones 1524. La lógica de control (software), cuando es ejecutada por el procesador 1504, hace que el procesador 1504 realice las funciones descritas en la presente descripción. En otra variante, los aspectos de la invención se aplican principalmente en hardware usando, por ejemplo, componentes de hardware, como circuitos integrados de aplicación específica (ASIC). La implementación de la máquina de estado de hardware para realizar las funciones descritas en este documento será evidente para los técnicos en la materia(s) pertinente(s).

En otra variación, aspectos de la invención se implementan mediante una combinación de hardware y software.

ANEXO A MÉTODO PARA ANALIZAR ESPECIMENES BIOLÓGICOS POR MEDIO DE IMÁGENES ESPECTRALES Solicitud Relacionada Esta solicitud clama el beneficio de la solicitud de patente provisional de los E.U. No. 61/358,606 titulada " TEÑIDOS DIGITALES DE ESPECIMENES HISTOPATOLOGÍCOS MEDIANTE HISPATOLOGÍA ESPECTRAL" presentada el 25 de junio de 2010, que se incorpora al presente documento por referencia en su totalidad.

Campo de la invención Aspectos de la invención se refieren a un método para el análisis de especímenes biológicos por formación de imágenes espectrales para proporcionar un diagnóstico médico. Los especímenes biológicos pueden incluir muestras médicas o especímenes médicos obtenidas por métodos quirúrgicos, biopsias y muestras de cultivo.

Antecedentes Diversos métodos patológicos se utilizan para analizar especímenes biológicos para la detección de células anormales o cancerosas. Por ejemplo, la histopatología estándar implica el análisis visual de las secciones de tejido teñidas por un patólogo utilizando un microscopio. Típicamente, las secciones de tejido se retiran de un paciente por biopsia, y las muestras ya sea que se congelen instantáneamente y se seccionen utilizando un crio-micrótomo, o que se fijen con formalina, embebidos en parafina, y se seccionen a través de un micrótomo. Las secciones de tejido son montadas después sobre un substrato ANEXO A adecuado. Las secciones de tejido embebidas en parafina son posteriormente desparafinadas. Las secciones de tejido se tiñen utilizando, por ejemplo, una tinción de hematoxilina-eosina (H y E) y se colocan en un cubreobjetos.

Las muestras de tejido se inspeccionan entonces visualmente a una amplificación de 10x a 40x. Las células amplificadas se comparan con bases de datos visuales en la memoria del patólogo. El análisis visual de una sección de tejido teñido por un patólogo implica examinar las características como es el caso de la morfología nuclear y celular, arquitectura de los tejidos, patrones de tinción y la infiltración de células de respuesta inmune para detectar la presencia de células anormales o cancerosas.

Si se sospecha la metástasis temprana o pequeños grupos de células cancerosas de menos de 0.2 a 2 mm en tamaño, conocidas como micrometástasis, se pueden teñir secciones de tejido adyacentes con un agente/contra-teñido inmuno-histoquímico (IHQ) como teñidos específicos para citoqueratina. Tales métodos incrementan la sensibilidad de la histopatología desde el tejido normal, tal como el tejido del ganglio linfático, no responde a esta tinción. Por lo tanto, el contraste entre el tejido enfermo y el no afectado puede ser mejorado.

El principal método para la detección de micrometástasis ha sido la histopatología estándar. La detección de micrometástasis en los ganglios linfáticos, por ejemplo, mediante histopatología estándar es una tarea titánica debido a las reducidas dimensiones y la falta de características distintivas de la anomalía en el tejido de un ganglio linfático. Sin embargo, la detección de estas micrometástasis es de importancia primordial en la etapa de la propagación de la enfermedad, porque si un ganglio linfático se encuentra libre de las células metastásicas, la propagación del cáncer puede ser contenida. Por otro lado, un diagnóstico falso negativo resultante de una micrometástasis perdida en un ANEXO A ganglio linfático presenta un diagnóstico demasiado optimista y un tratamiento más agresivo debió de haber sido recomendado.

Aunque la histopatología estándar está muy bien establecida para diagnosticar enfermedades avanzadas, tiene muchos inconvenientes. En particular, las variaciones de los diagnósticos independientes de la misma sección de tejido por patólogos diferentes son muy comunes debido a que el diagnóstico y la clasificación de la enfermedad por este método se basa en una comparación del espécimen de interés con una base de datos en la memoria del patólogo, que es esencialmente subjetiva. Las diferencias en los diagnósticos surgen particularmente en el diagnóstico de tipos de cáncer poco comunes o en las etapas más tempranas de la enfermedad. Además, la histopatología estándar consume tiempo, es costosa y se basa en el ojo humano para la detección, lo que hace que los resultados sean difíciles de reproducir. Además, la fatiga del operador y los varios niveles de experiencia de los patólogos puede afectar a un diagnóstico.

Por otra parte, si un tumor es mal diferenciado, muchos teñidos inmuno-histoquímicos pueden ser necesarios para ayudar a diferenciar el tipo de cáncer. Tales tinciones pueden realizarse en múltiples bloques paralelos de células. Este proceso de tinción puede ser prohibitivamente caro y las muestras celulares sólo pueden proporcionar pocas células de diagnóstico en un bloque individual de células.

Para superar la variabilidad en el diagnóstico por histopatología estándar, que se basa principalmente en la morfología celular y las características estructurales de los tejidos, se han utilizado métodos espectroscópicos para capturar una foto instantánea de la composición bioquímica de las células y tejidos. Esto hace posible detectar variaciones en la composición bioquímica de un espécimen biológico causadas por una variedad de condiciones y enfermedades. Al someter una muestra de tejido o celular a la espectroscopia, las variaciones en la ANEXO A composición química en porciones de la muestra pueden ser detectadas, lo que puede indicar la presencia de células anormales o cancerosas. La aplicación de la espectroscopia a la citopatología infrarroja (el estudio de enfermedades de las células) se conoce como "citopatología espectral" (SCP, por sus siglas en inglés), y la aplicación de la espectroscopia infrarroja a la histopatología (el estudio de las enfermedades de los tejidos) como "histopatología espectral" (SHP, por sus siglas en inglés).

La SCP en cada tracto urinario y las células cultivadas se discute en B. Bird et al., Vibr. Spectrosc, 48, 10 (2008) y M. Romeo et al., Biochim Biophys Acta, 1758, 915 (2006). La SCP basada en conjuntos datos de formación de imágenes y aplicada a la mucosa oral y células cervicales es discutida en el documento WO 2009/146425. La demostración de la progresión de la enfermedad a través de la SCP en células de la mucosa oral se discute en Papamarka is K. et al., Laboratory Investigations, 90, 589 (2010). La demostración de la sensibilidad del SCP para detectar los efectos del campo del cáncer y la sensibilidad a la infección viral en las células cervicales se discute en K. Papamarkakis et al., Laboratory Investigations, 90, 589, (2010).

La demostración de la primera formación de una imagen de un tejido sin supervisión mediante SHP del tejido hepático mediante análisis jerárquico de clúster (HCA) es examinado en M. Diem et al., Biopolymers, 57, 282 (2000). La detección de cáncer metastásico en ganglios linfáticos se trata en M. J. Romeo et al., Vibrational Spectrosc, 38, 115 (2005) y en M. Romeo et al., Vibrational Microspectroscopy of Cells and Tissues, Wiley-lnterscience, Hoboken, NJ (2008). El uso de redes neurales, capacitadas en datos derivados de HCA, para diagnosticar cáncer en el tejido de colon es discutido en P. Lasch et al., J. Chemometrics, 20, 209 (2007). La detección de micrometástasis y células de cáncer metastásico en ganglios linfáticos se trata en B. Bird et al., The Analyst, 134, 1067 (2009), B. Bird et al., BMC J. Clin. Pathology, 8, 1 (2008), y en B. Bird et al., Tech. Cáncer Res. Treatment, 10, 135 (201 1 ).

ANEXO A Los métodos espectroscopios son ventajosos en que alertan a un patólogo de ligeros cambios en la composición química de una muestra biológica, que pueden indicar una etapa temprana de la enfermedad. Por el contrario, los cambios morfológicos en el tejido evidente por histopatología estándar tardan más en manifestarse, por lo que la detección temprana de la enfermedad se hace más difícil. Además, la espectroscopia permite a un patólogo revisar una mayor muestra de material de tejido o celular en un período de tiempo más corto del que le tomaría al patólogo inspeccionar visualmente la misma muestra. Además, la espectroscopia depende de mediciones basadas en instrumentos que son objetivos, grabados digitalmente y almacenados, reproducibles y susceptibles de análisis matemático/estadístico. Así, los resultados derivados de los métodos espectroscópicos son más exactos y precisos que los derivados de los métodos histopatológicos estándares.

Varias técnicas pueden ser utilizadas para obtener datos espectrales. Por ejemplo, la espectroscopia de Raman, que evalúa las vibraciones moleculares de un sistema que utiliza un efecto de dispersión, puede ser utilizada para analizar una muestra celular o de tejido. Este método se describe en N. Stone et al., Vibrational Spectroscopy for Medical Diagnosis, J.Wiley & Sons (2008), y C.Krafft, et al., Vibrational Spectrosc. (2011).

El efecto de dispersión Raman es considerado débil en el sentido de que sólo aproximadamente 1 de cada 1010 fotones incidentales sufren la dispersión Raman. En consecuencia, la espectroscopia de Raman trabaja mejor utilizando un rayo láser en espectro visible o cercano al infrarrojo (IR) estrechamente enfocado para la excitación. Esto, a su vez, dicta el punto desde el que la información espectral es recolectada o recogida. El tamaño de este punto puede variar aproximadamente de 0.3 pm a 2 pm en tamaño, dependiendo de la apertura numérica del objetivo del microscopio, y la longitud de onda del láser es utilizada. Este pequeño tamaño de punto imposibilita a la recolección o ANEXO A recopilación de datos de secciones de tejido de gran tamaño, dado que un conjunto de datos podría contener millones de espectros y pueden requerir de largos tiempos de obtención de datos. Así, la SHP utilizando espectroscopia de Raman requiere que el operador seleccione pequeñas áreas de interés. Este enfoque anula las ventajas de la formación de imágenes espectrales, tales como el análisis imparcial de grandes áreas de tejido.

La SHP usando espectroscopia infrarroja también ha sido utilizada para detectar anomalías en el tejido, incluyendo, pero no limitándose al cerebro, pulmón, mucosa oral, mucosa cervical, tiroides, colon, piel, mama, esófago, próstata, y ganglios linfáticos. La espectroscopia infrarroja, como la espectroscopia de Raman, se basa en las vibraciones moleculares, pero es un efecto de absorción, y entre 1 % y 50% de los fotones infrarrojos incidentes son susceptibles de ser absorbidos si se cumplen ciertos criterios. Como resultado, los datos pueden ser adquiridos por espectroscopia infrarroja más rápidamente con una calidad espectral excelente en comparación con la espectroscopia de Raman. Además, la espectroscopia infrarroja es extremadamente sensible en la detección de pequeños cambios en la composición del tejido. Así, la SHP utilizando espectroscopia infrarroja es particularmente ventajosa en el diagnóstico, tratamiento y pronóstico de cánceres tales como cáncer de mama, el cual frecuentemente no se detecta hasta que la metástasis se ha formado, ya que se puede detectar fácilmente la micrometástasis. También pueden detectarse pequeñas agrupaciones de células cancerosas metastásicas tan pequeñas como unas pocas células individuales. Además, la resolución espacial alcanzable utilizando espectroscopia infrarroja es comparable con el tamaño de una célula humana, y los instrumentos comerciales que incorporan grandes arreglos o matrices de detectores infrarrojos pueden recolectar decenas de miles de espectros de pixel en unos pocos minutos.

Un método de SHP usando espectroscopia infrarroja se describe en Bird et al., "Spectral detection of micro-metastates in lymph node histo-patholog , J.

ANEXO A Biophoton. 2, No. 1-2, 37-46 (2009), (en lo sucesivo "Bird"). Este método utiliza micro-espectroscopia infrarroja (IRMSP) y análisis de multivariante para identificar micrometástasis y células metastásicas individuales en los ganglios linfáticos.

Bird estudió los conjuntos de datos de formación de imágenes hiperespectrales sin procesar, incluyendo 25,600 espectros, cada uno con 1650 puntos de intensidad espectral entre 700 y 4000 cm"1. Estos conjuntos de datos, ocupando alrededor de 400 Mbytes cada uno, fueron importados y pre-procesados. El pre-procesamiento de datos incluyó la restricción del intervalo de número de onda de 900 a 1800 cm"1 y otros procesos. La región espectral infrarroja de "huella dactilar" se divide a su vez en un "región de proteína" entre 1700 y 1450 cm"1, que es dominada por las bandas vibracionales de la amida I y la amida II de los eslabones del péptido de las proteínas. Esta región es altamente sensible a las diferentes estructuras de la proteína secundaria y terciaria y puede ser utilizada para realizar eventos determinados en la biología celular que dependen de la abundancia de diferentes proteínas. El intervalo de número de onda inferior, de 900 a 1350 cm"1, la "región de fosfato", contiene varias vibraciones del enlace de fosfodiéster que se encuentra en los fosfolípidos, así como el ADN y el ARN.

En Bird, un criterio de mínima intensidad para la banda de amida I integrada fue impuesto para eliminar los píxeles sin cobertura del tejido. Entonces, la normalización del vector y la conversión de los vectores espectrales a segunda derivada fueron realizadas. Posteriormente, los conjuntos de datos fueron sometidos individualmente a un análisis de agrupamiento jerárquico (HCA, por sus siglas en inglés), utilizando la distancia Euclídea para definir la similitud espectral y al algoritmo de Ward para el agrupamiento. Los miembros de clústeres de píxeles fueron convertidos en imágenes espectrales en pseudo-color.

ANEXO A Según el método de Bird, las marcas se colocan en un deslizador, diapositiva o portaobjetos con una sección del tejido teñido para destacar las áreas que corresponden a las áreas en la sección de tejido adyacente sin teñir que van a ser sometidas al análisis espectral. Las imágenes visuales y espectrales resultantes son igualadas o emparejadas por un usuario que alinea características específicas en la imagen espectral y la imagen visual para superponer o incrustar físicamente las imágenes visuales y espectrales.

Mediante el método de Bird, las secciones correspondientes de la imagen espectral y la imagen visual se examinan para determinar la correlación entre las observaciones visuales y los datos espectrales. En particular, las células cancerosas o anormales observadas por un patólogo en la imagen visual teñida también puede observarse cuando se examina una porción correspondiente de la imagen espectral que se superpone a la imagen visual teñida. Así, los contornos de los patrones en la imagen espectral en pseudo-color pueden corresponder a células anormales o cancerosas conocidas en la imagen visual teñida. Las células potencialmente anormales o cancerosas que fueron observadas por un patólogo en una imagen visual teñida pueden ser utilizadas para verificar la precisión de la imagen espectral en pseudo-color.

El método de Bird, sin embargo, es inexacto porque se basa en la habilidad del usuario para coincidir visualmente marcas específicas en las imágenes espectral y visual. Este método es con frecuencia impreciso. Además, el método de Bird permite que las imágenes espectral y visual coincidan físicamente por superposición de ellas, pero no une los datos de las dos imágenes una a la otra. Puesto que las imágenes se superponen físicamente mera o simplemente, las imágenes superpuestas no se almacenan juntas para futuros análisis.

Además, dado que las diferentes secciones adyacentes del tejido se someten a formación de imágenes espectral y visual, las imágenes superpuestas de Bird no muestran la misma sección de tejido. Esto hace que sea difícil que coincidan las ANEXO A imágenes espectral y visual, ya que pueden existir diferencias en la morfología de la imagen visual y los patrones de color en la imagen espectral.

Otro problema con el método de superposición de Bird es que la imagen visual no está en el mismo dominio espacial que la imagen espectral infrarroja. Por lo tanto, la resolución espacial de la imagen visual de Bird y la imagen espectral son diferentes. Típicamente, la resolución espacial en la imagen infrarroja es menor que la resolución de la imagen visual. Para tener en cuenta esta diferencia en la resolución, los datos utilizados en el dominio de infrarrojos pueden ser expandidos mediante la selección de una región alrededor del punto visual de interés y diagnosticar la región, y no un solo punto. Para cada punto en la imagen visual, existe una región en la imagen infrarroja que es mayor que el punto que debe ser ingresado para alcanzar la salida del diagnóstico. Este proceso de contabilización de las diferencias de resolución no es realizado por Bird. En su lugar, Bird asume que cuando se selecciona un punto en la imagen visual, este es el mismo punto de información en la imagen espectral a través de la superposición, y en consecuencia una coincidencia de diagnóstico es reportada. Aunque las imágenes visualmente pueden ser las mismas, estas no son las mismas para el diagnóstico.

Para calificar una coincidencia en diagnóstico, la imagen espectral utilizada debe ser generada a partir de un algoritmo diagnóstico supervisado que está capacitado para reconocer la firma de interés diagnóstico. Por lo tanto, el clúster de la imagen espectral clúster estará limitado por el esquema de clasificación del algoritmo activado por una clasificación bioquímica para crear una coincidencia de diagnóstico y no una coincidencia seleccionare por el usuario. Por el contrario, Bird utiliza simplemente una imagen HCA "no supervisada" para comparar con una imagen visual teñida "supervisada" para hacer un diagnóstico. La imagen HCA identifica regiones de características espectrales comunes que aún no han sido determinadas para ser diagnosticadas, basado en reglas y límites asignados para la clúster, incluyendo cortar manualmente el dendrograma ANEXO A hasta una coincidencia del límite o borde (geométrico) es visualmente aceptado por el patólogo para trazar o delinear una región de cáncer. Este método simplemente proporciona una comparación visual.

Existen otros métodos basados en el análisis de los datos de fluorescencia que generalmente se basan en la distribución de una marca externa, tal como una mancha, tintura o etiqueta, o utilizan cambios en la fluorescencia inherente, también conocido como auto-fluorescencia. Estos métodos son generalmente de menor diagnóstico, en términos de reconocimiento de la composición bioquímica y cambios en la composición. Además, estos métodos no tienen la sensibilidad de huella dactilar de las técnicas de espectroscopia vibracional, tales como Raman e infrarroja.

Un problema general con las técnicas de adquisición espectral es que una enorme cantidad de datos espectrales es recolectada cuando se prueba una muestra biológica. Como resultado, el proceso para analizar los datos se vuelve computacionalmente complicado y consume tiempo. Los datos espectrales frecuentemente contienen características espectrales confusas que se observan con frecuencia en los espectros de infrarrojo microscópicamente adquiridos de células y tejidos, tales como dispersión y artefactos de base. Por lo tanto, es útil someter los datos espectrales a pre-procesamiento para aislar el material celular de interés, y eliminar las características espectrales de confusión.

Un tipo de característica espectral de confusión es la dispersión de Mié, que es un efecto dependiente de la morfología de la muestra. Este efecto interfiere con la absorción de infrarrojos o las medidas de reflexión si la muestra no es uniforme e incluye partículas del tamaño de aproximadamente la longitud de onda de la luz que examina la muestra. La dispersión de Mié es manifestada por las características de dispersión ancho, onduladas, sobre las cuales se superponen las características de absorción del infrarrojo.

ANEXO A La dispersión de Mié también puede mediar en la mezcla de formas de línea de absorción y reflexiva. En principio, las formas de línea de absorción puras son las correspondientes a la frecuencia dependiente de la capacidad de absorción, y son por lo general Gaussiana, Lorentziana o mezclas de ambas. Las curvas de absorción corresponden a la parte imaginaria del índice de refracción complejo. Las contribuciones reflexivas o reflectantes corresponden a la parte real del índice de refracción complejo, y son dispersivas en las formas de línea. Las contribuciones de dispersión pueden ser obtenidas de las formas de línea de absorción por la transformación numérica KK (Kramers-Kronig), o como la parte real de la transformada compleja de Fourier (FT).

Las características de la resonancia de Mié (RMie) resultan de la mezcla de las formas de las bandas de absorción y reflexiva, que ocurren debido a que el índice de refracción experimenta dispersión anómala cuando la absorción pasa por un máximo (es decir, sobre el perfil de una banda de absorción). La dispersión de Mié, o cualquier otro efecto óptico que depende del índice de refracción, mezclara las formas de línea de absorción y reflexiva, causando una distorsión del perfil de la banda, y un desplazamiento aparente de la frecuencia.

La Figura 1 ilustra la contaminación de los patrones de absorción por las formas de la banda de dispersión observadas tanto en SCP como en SHP. La traza inferior de la Figura 1 muestra un espectro de absorción regular del tejido biológico, mientras que la traza superior muestra un espectro muy contaminado por un componente de dispersión a través del efecto RMie. Las distorsiones espectrales aparecen independientemente de la composición química, sino que dependen de la morfología de la muestra. La intensidad de banda resultante y los cambios de frecuencia agravan el análisis espectral al punto que los espectros no contaminados y contaminados se clasifican en diferentes grupos debido a la presencia de los cambios de banda. Las características de ancho, ondulación de fondo, se muestran en la Figura 2. Cuando se superponen patrones de las células sobre la micro-espectroscopia de infrarrojo (IR-MSP, por ANEXO A sus siglas en inglés), estas características se atribuyen a la dispersión de Mié por partículas esféricas, tales como núcleos celulares, o células esféricas.

La apariencia de formas de línea de dispersión en la Figura 1 superpuestas sobre el espectro de IR-MSP fue reportada junto con un análisis teórico en M. Romeo, et al., Vibrational Spectroscopy, 38, 129 (2005) (en adelante "Romeo 2005"). Romeo 2005 identifica las formas de banda de dispersión como resultado de la superposición de los componentes (reflexivos) dispersivos en las características de absorción de un espectro infrarrojo. Estos efectos se atribuyeron a la incorrecta corrección de fase del software de control del instrumento. En particular, el ¡nterferograma puro, crudo o bruto adquirido en la espectroscopia de FTIR con frecuencia es "rechinado" o asimétrico, y necesita ser simetrizado antes de la FT. Esto se logra mediante la recolección de un ¡nterferograma de doble cara sobre un interferómetro de golpe, toque o trazo más corto, y el cálculo de una corrección de fase para producir un ¡nterferograma simétrico.

En Romeo 2005, se asumió que este procedimiento no estaba funcionando apropiadamente, lo que hace que se produzcan características espectrales distorsionadas. Se hizo un intento para corregir las características espectrales distorsionadas mediante el cálculo de la fase entre las partes real e imaginaria de los espectros distorsionados, y la reconstrucción de un espectro de potencia de la fase corregida de las partes real e imaginaria. Romeo 2005 también informó el hecho de que en cada banda de absorción de un espectro infrarrojo observado, el índice de refracción o refractivo sufre o experimenta dispersión anómala. Bajo ciertas circunstancias, varias cantidades de las formas de línea de dispersión se pueden superponer, o mezclar, con los espectros de absorción.

La relación matemática entre las formas de la banda de refracción y de absorción viene dada por la transformación de Kramers-Kronig (KK), la cual relaciona los dos fenómenos físicos. La mezcla de los efectos de dispersión ANEXO A (refracción) y de absorción en el espectro observado fueron identificados, y un método para corregir el efecto a través de un procedimiento llamado "Corrección de Fase" (PC, por sus siglas en inglés) es discutido en Romeo 2005. Aunque la causa de la mezcla de las contribuciones de dispersión y de absorción se atribuyó erróneamente al mal funcionamiento del software del instrumento, el principio del efecto de confusión fue identificado apropiadamente. Debido a la comprensión incompleta de la física subyacente, no obstante, el método de corrección propuesto no funcionó correctamente.

P. Bassan et al., Analyst, 134, 1586 (2009) y P. Bassan et al., Analyst, 134, 1 171 (2009), demostraron que efectos de absorción y dispersión pueden mezclarse a través del efecto la "Resonancia con dispersión de Mié" (RMieS). Un algoritmo y método para corregir la distorsión espectral se describe en P. Bassan et al., "Resonant Mié Scattering (RMieS) correction of infrared spectra from highly scattering biological samples", Analyst, 135, 268-277 (2010). Este método es una extensión del método "Extended Multiplicative Signal Correction" (EMSC) reportado en A. Kohler et al., Appl. Spectrosc, 59, 707 (2005) y A. Kohler et al., Appl. Spectrosc, 62, 259 (2008).

Este método elimina la dispersión de Mié no resonante de los conjuntos de datos espectrales infrarrojos mediante incluir componentes reflectantes obtenidos a través de la transformación KK de los espectros de absorción puros en un modelo de regresión lineal múltiple. El método utiliza el conjunto de datos en bruto o sin pulir y un espectro de "referencia" como entradas, en donde el espectro de referencia es utilizado tanto para el cálculo de la contribución reflexiva o reflectante, así como una característica de normalización en la escala de EMSC. Dado que el espectro de referencia no se conoce a priori, Bassan et al., utiliza el espectro de un medio del conjunto de datos entero, o un espectro "artificial", tal como el espectro de una matriz de proteína pura, como espectro de referencia "semilla". Después de la primera pasada a través del algoritmo, cada espectro corregido puede ser usado en un enfoque iterativo para corregir todos ANEXO A los espectros en las pasadas subsiguientes. Por lo tanto, un conjunto de datos de 1000 espectros producirá 1000 espectros corregidos de RMieS-EMSC, cada uno de los cuales podrán ser utilizados como un nuevo espectro de referencia independiente para la siguiente pasada, requiriendo 1 ,000,000 de corridas de corrección. Para llevar a cabo este algoritmo, denominado como el algoritmo "RMieS-EMSC", a un nivel estable de espectros de salida corregidos requiriendo un número de pases (~10), y tiempos de cálculo que son medidos en días.

Ya que el algoritmo RMieS-EMSC algoritmo requiere horas o días de tiempo de cálculo, se desarrolló un método rápido en dos pasos para realizar la eliminación de formas de líneas de dispersión y dispersivas de los espectros, como se ha comentado en B. Bird, M. Miljkovic y M. Diem, "Two step resonant Mié scattering comedión of infrared micro-spectral data: human lymph node tissue", J. Biophotonics, 3 (8-9) 597-608 (2010). Este enfoque incluye ajusfar los componentes dispersivos múltiples, que se obtienen a partir de la transformación KK de espectros de absorción pura, así como las curvas de dispersión Mié calculadas a través de la ecuación de van Hulst (véase, por ejemplo, H. C. Van De Hulst, Light Scattering by Small Partióles, Dover, Mineóla, NY, (1981)), a todos los espectros de un conjunto de datos mediante un procedimiento conocido como corrección de señal multiplicativa ampliada (EMSC) (véase A. Kohler et al., Appl.Spectrosc, 62, 259 (2008)) y la reconstrucción de todos los espectros sin estos componentes que causan confusión.

Este algoritmo evita el enfoque iterativo utilizado en el algoritmo de RMieS-EMSC mediante el uso de espectros de referencia no contaminados del conjunto de datos. Estos espectros de referencia no contaminados se encontraron mediante la realización de un análisis de clúster preliminar del conjunto de datos y se seleccionaron los espectros con la mayor frecuencia de amida I en cada clúster como los espectros "no contaminados". Los espectros fueron convertidos en espectros de refracción puros a través de la transformación numérica de KK y utilizados como espectros de interferencia, junto con las curvas de Mié ANEXO A comprimidas para la corrección de RMieS como se describió anteriormente. Este enfoque es rápido, pero sólo funciona bien para los conjuntos de datos que contienen unas pocas clases de espectros.

En el caso de los conjuntos de datos espectrales que contienen muchos tipos de tejidos, sin embargo, la extracción de los espectros no contaminados puede ser tediosa. Por otra parte, en estas condiciones, no está claro si está garantizado que todos los espectros en el conjunto de datos se adecúan con el espectro de interferencia más apropiado. Además, este algoritmo requiere espectros de referencia para la corrección, y funciona mejor con grandes conjuntos de datos.

En vista de lo anterior, sigue existiendo una necesidad de mejorar métodos para analizar especímenes biológicos por medio de formación de imágenes espectrales para proporcionar un diagnóstico médico. Además, existe una necesidad de un método de pre-procesamiento mejorado que se base en un enfoque de corrección de fase revisado, que no requiera datos de entrada, que sea computacionalmente rápido, y que tenga en cuenta muchos tipos de contribuciones espectrales de confusión que se observan con frecuencia en espectros infrarrojos microscópicamente adquiridos de células y tejidos.

Sumario Un aspecto de la invención se refiere a un método para el análisis de especímenes biológicos por formación de imágenes espectrales para proporcionar un diagnóstico médico. El método incluye la obtención de imágenes espectrales y visuales de los especímenes biológicos y el registro de las imágenes para detectar anomalías celulares, células precancerosas, y células cancerosas. Este método supera los obstáculos anteriormente mencionados, entre otros, porque elimina la tendencia (o parcialidad) y la falta de fiabilidad de los diagnósticos que son inherentes a los métodos histopatológicos estándares y otros métodos espectrales.

ANEXO A Otro aspecto de la invención se refiere a un método para corregir las contribuciones espectrales de confusión que se observan con frecuencia en los espectros infrarrojos microscópicamente adquiridos de las células y tejidos mediante la realización de una corrección de fase en los datos espectrales. Este método de corrección de fase puede ser utilizado para corregir varios tipos de espectros de absorción que están contaminados por componentes reflectantes.

De acuerdo con aspectos de la invención, un método para analizar los especímenes biológicos por formación de imágenes espectrales incluye adquirir una imagen espectral del espécimen biológico, la obtención de una imagen visual del espécimen biológico, y el registro de la imagen visual y la imagen espectral.

Un método para desarrollar un depósito de datos de acuerdo con aspectos de la invención incluye la identificación de una región de una imagen visual que muestra una enfermedad o condición, la asociación de la región de la imagen visual a los datos espectrales correspondientes a esa región, y el almacenamiento de la asociación entre los datos espectrales y la correspondiente enfermedad o condición.

Un método para proporcionar un diagnóstico médico de acuerdo con aspectos de la invención incluyen la obtención de los datos espectroscópicos para un espécimen biológico, la comparación de los datos espectroscópicos para el espécimen biológico en un depósito de datos que se asocia con una enfermedad o condición, la determinación de cualquier correlación entre los datos del depósito y los datos espectroscópicos para el espécimen biológico, y la salida de un diagnóstico asociado con la determinación.

Un sistema para proporcionar un diagnóstico médico, de acuerdo con aspectos de la invención que incluye un procesador, una interfaz de usuario que funciona ANEXO A a través del procesador, y un centro de almacenamiento o depósito accesible para el procesador, en donde se obtienen los datos espectroscópicos de un espécimen biológico, los datos espectroscópicos para el espécimen biológico se comparan con datos del centro de almacenamiento que son asociados con una enfermedad o condición, cualquier correlación entre los datos del centro de almacenamiento y los datos espectroscópicos para el espécimen biológico es determinado, y se arroja un diagnóstico asociado con la determinación.

Un producto de programa de computación o para computadora de conformidad con aspectos de la invención incluye un medio utilizable por computadora que tiene una lógica de control almacenada en el mismo para hacer que una computadora proporcione un diagnóstico médico. La lógica de control incluye un primer medio de código de programa legible por computadora para obtener datos espectroscópicos para un espécimen biológico, un segundo medio de código de programa legible por computadora para comparar los datos espectroscópicos para el espécimen biológico con los datos del centro de almacenamiento están asociados con una enfermedad o condición, un tercer medio de código de programa legible por computadora para determinar cualquier correlación entre los datos del centro de almacenamiento y los datos espectroscópicos para el espécimen biológico, y un cuarto medio de código de programa legible por computadora para emitir o arrojar un diagnóstico asociado con la determinación.

Descripción de las Figuras La Figura 1 ilustra la contaminación de los patrones de absorción por medio de formas de la banda de dispersión típicamente observadas tanto en la SCP como en la SHP.

La Figura 2 muestra las características de ancho, fondo o segundo plano ondulante observadas típicamente en la IR-MSP espectral de células atribuidas a la dispersión de Mié por partículas esféricas.

ANEXO A La Figura 3 es un diagrama de flujo que ilustra un método para analizar una muestra biológica por medio de formación de imágenes espectrales de acuerdo con aspectos de la presente invención.

La Figura 4 es un diagrama de flujo que ilustra los pasos de un método de obtención de una imagen espectral de acuerdo con aspectos de la invención.

La Figura 5 es un diagrama de flujo que ilustra los pasos de un método de pre-procesamiento de datos espectrales de acuerdo con los aspectos de la invención.

La Figura 6A muestra un espectro típico, superpuesto sobre un fondo o segundo plano lineal de acuerdo con aspectos de la invención.

La Figura 6B muestra un ejemplo de un segundo espectro derivado de acuerdo con aspectos de la invención.

La Figura 7 muestra una porción de la parte real de un interferograma de acuerdo con aspectos de la invención.

La Figura 8 muestra que el ángulo de fase que produce la mayor intensidad después de la corrección de fase se asume que será el espectro no alterado de acuerdo con aspectos de la invención.

La Figura 9A muestra que los espectros de absorción que están contaminados por los efectos de dispersión imitan una pendiente de la línea base de acuerdo con aspectos de la invención.

La Figura 9B muestra que la parte imaginaria de la FT delantera exhibe efectos fuertemente curvados en los límites espectrales, que contaminaran el espectro corregido resultante de acuerdo con aspectos de la invención.

ANEXO A La Figura 10A es una histopatología basada en H y E que muestra un ganglio linfático que se ha confirmado como micro-metástasis de cáncer de mama debajo de la cápsula de acuerdo con aspectos de la invención.

La Figura 10B muestra la segmentación de datos por medio del análisis jerárquico de clúster (HCA) llevado a cabo en la sección del ganglio linfático de la Figura 10A de acuerdo con aspectos de la invención.

La Figura 10C es un gráfico que muestra las frecuencias de picos de la banda vibratoria de amida I en cada espectro de acuerdo con aspectos de la invención.

La Figura 10D muestra una imagen de la sección del mismo ganglio linfático de la Figura 10A después de la corrección de fase usando la corrección de RMieS de acuerdo con aspectos de la invención.

La Figura 1 1A muestra los resultados del HCA después de la corrección de fase usando la corrección de RMieS de la Figura 10D de acuerdo con aspectos de la invención.

La Figura 1 1 B es una histopatología basada en H y E de la sección del ganglio linfático de la Figura 11A de acuerdo con aspectos de la invención La Figura 12A es una imagen visual microscópica de una sección de la imagen cervical teñida.

La Figura 12B es una imagen espectral infrarroja creada a partir del análisis de agrupamiento jerárquico de un conjunto de datos infrarrojos recolectados antes de la tinción o teñido del tejido de acuerdo con aspectos de la invención.

La Figura 13A es una imagen visual microscópica de una sección axilar de ganglios linfáticos con tinción de H y E de acuerdo con aspectos de la invención.

ANEXO A La Figura 13B es una imagen espectral infrarroja creada a partir del análisis una red neural artificial (ANN) de un conjunto de datos infrarrojos recolectados antes de la tinción o teñido del tejido de acuerdo con aspectos de la invención.

La Figura 14A es una imagen visual de un tejido de cáncer de pulmón de pequeñas células de acuerdo con aspectos de la invención.

La Figura 14B es una imagen espectral basada en HCA del tejido mostrado en la Figura 14A de acuerdo con aspectos de la invención.

La Figura 14C es una imagen registrada de la imagen visual de la Figura 14A y la imagen espectral de la Figura 14B, de acuerdo con aspectos de la invención.

La Figura 14D es un ejemplo de una interfaz gráfica del usuario (GUI) para la imagen registrada de la Figura 14C de acuerdo con aspectos de la invención.

La Figura 15A es una imagen visual microscópica de una sección de tejido de ganglio linfático con tinción de H y E de acuerdo con aspectos de la invención.

La Figura 15B es una imagen digital de tinción global de la sección que se muestra en la Figura 15A, distinguiendo la cápsula y el interior de los ganglios linfáticos de acuerdo con aspectos de la invención.

La Figura 15C es una imagen de tinción digital de diagnóstico de la sección mostrada en la Figura 15A, distinguiendo la cápsula, cáncer de mama metastásico, histiocitos, linfocitos B activados, y linfocitos T de acuerdo con aspectos de la invención.

La Figura 16 es un esquema de la relación entre la tinción digital global y de diagnóstico de acuerdo con aspectos de la invención.

ANEXO A La Figura 17A es una imagen visual de la sección de tejido teñido con H y E de un ganglio linfático axilar de acuerdo con aspectos de la invención.

La Figura 17B es una región teñida digitalmente basada en SHP de la micrometástasis de cáncer de mama de acuerdo con aspectos de la invención.

La Figura 17C es una región teñida digitalmente basada en SHP ocupada por linfocitos B de acuerdo con aspectos de la invención.

La Figura 17D es una región teñida digitalmente basada en SHP ocupada por histiocitos de acuerdo con aspectos de la invención.

La Figura 18 ilustra la detección de células cancerosas individuales y pequeñas agrupaciones de células cancerosas a través de SHP de acuerdo con aspectos de la invención.

La Figura 19A muestra los conjuntos de datos espectrales en bruto, puros, sin pulir o de baja calidad que comprenden espectros celulares registrados de células de adenocarcinoma de pulmón, carcinoma de células pequeñas y carcinoma de células escamosas de acuerdo con aspectos de la invención.

La Figura 19B muestra los conjuntos de datos espectrales corregidos que comprenden espectros celulares registrados de células de adenocarcinoma de pulmón, carcinoma de células pequeñas, y carcinoma de células escamosas de acuerdo con aspectos de la invención.

La Figura 19C muestra el espectro estándar para el adenocarcinoma de pulmón, carcinoma de células pequeñas y carcinoma de células escamosas de acuerdo con aspectos de la invención.

ANEXO A La Figura 19D muestra el espectro de la transformación de KK calculada a partir de los espectros en la Figura 19C.

La Figura 19E muestra gráficos de los resultados de PCA del conjunto de datos de múltiples clases antes de la corrección de EMSC de acuerdo con aspectos de la invención.

La Figura 19F muestra gráficos de los resultados de PCA del conjunto de datos de múltiples clases después de la corrección de EMSC de acuerdo con aspectos de la invención.

La Figura 20A muestra espectros de absorbancia de medios de adenocarcinoma de pulmón, carcinoma de células pequeñas y carcinoma de células escamosas, de acuerdo con aspectos de la invención.

La Figura 20B muestra el espectro de segunda derivada del espectro de absorbancia que se muestra en la Figura 20A de acuerdo con aspectos de la invención.

La Figura 21A muestra 4 imágenes microscópicas suturadas con tinción de R y E de áreas de tejido de 1 mm x 1 mm que comprenden células de adenocarcinoma, carcinoma de células pequeñas, y carcinoma de células escamosas, respectivamente, de acuerdo con aspectos de la invención.

La Figura 21 B es una imagen de máscara binaria construida por la realización de un rápido análisis de RCA reducido en la región espectral de 1350 cm"1 a 900 cm"1 de las 4 imágenes infrarrojas en puro, bruto o sin pulir suturadas registradas a partir de las áreas de tejido que se muestran en la Figura 21 A de acuerdo con aspectos de la invención.

ANEXO A La Figura 21 C es una imagen RCA de 6 agrupaciones de datos espectrales corregidos de dispersión registrados a partir de regiones de material celular de diagnóstico de acuerdo con aspectos de la invención.

La Figura 22 muestra diversas características de un sistema informático para su uso en conjunción con los aspectos de la invención.

La Figura 23 muestra un sistema informático para su uso en conjunción con los aspectos de la invención.

El archivo de esta patente contiene por lo menos un dibujo realizado en color. Copias de esta patente con dibujo(s) de color serán proporcionados por la Oficina de Patentes y Marcas a solicitud y pago de la tarifa necesaria.

Descripción Detallada A menos que se defina lo contrario, todos los términos técnicos y científicos utilizados aquí tienen el mismo significado que el comúnmente entendido por un técnico en la materia o una persona con habilidad y/o experiencia en el estado de la técnica a la que los aspectos de esta invención pertenecen. Aunque los métodos y materiales similares o equivalentes a los descritos en este documento pueden utilizarse en la práctica o someterse a prueba, se describen a continuación métodos y materiales adecuados. Todas las publicaciones, solicitudes de patente, patentes y otras referencias mencionadas en este documento se incorporan por referencia en su totalidad. En caso de conflicto, la presente especificación, incluyendo las definiciones, son las que regirán. Además, los materiales, métodos y ejemplos son sólo ilustrativos y no pretenden ser limitantes.

Un aspecto de la invención se refiere a un método para el análisis de especímenes biológicos por formación de imágenes espectrales para proporcionar un diagnóstico médico. Los especímenes biológicos pueden ser ANEXO A especímenes médicos obtenidos por métodos quirúrgicos, biopsias y muestras de cultivo. El método incluye la obtención de imágenes espectrales y visuales de los especímenes biológicos y el registro de las imágenes para detectar anomalías celulares, células precancerosas, y células cancerosas. Los especímenes biológicos pueden incluir muestras de tejidos o celulares, pero las muestras de tejido se prefieren para algunas aplicaciones. Este método identifica los desórdenes anormales o cancerosos y otros, incluyendo, pero no limitándose a, cáncer de mama, útero, renal, testicular, ovario o próstata, carcinoma de pulmón de células pequeñas, carcinoma de pulmón de células no pequeñas, y melanoma, así como efectos no cancerosos incluyendo, pero no limitándose a, inflamación, necrosis y apoptosis.

Un método de acuerdo con aspectos de la invención supera los obstáculos mencionados anteriormente ya que elimina o generalmente reduce el margen o sesgo y falta de fiabilidad en diagnósticos, que son inherentes a los métodos histopatológicos espectrales estándares y otros métodos espectrales. Además, permite el acceso a una base de datos espectrales de tipos de tejidos que son producidos por mediciones cuantitativas y reproducibles y son analizadas por un algoritmo que se calibra contra la histopatología clásica. A través de este método, por ejemplo, células anormales y cancerosas pueden ser detectadas antes de lo que estas puedan ser identificadas por el arte previo relacionado, incluyendo técnicas histopatológicas espectrales estándares u otras técnicas espectrales.

Un método de acuerdo con aspectos de la invención se ilustra en el diagrama de flujo de la Figura 3. Como se muestra en la Figura 3, el método generalmente incluye las etapas de la obtención de una sección biológica 301, adquiriendo una imagen espectral de la sección biológica 302, la obtención de una imagen visual de la misma sección biológica 303, y realizando el registro de imagen 304. La imagen registrada puede ser sometida opcionalmente a entrenamiento 305, y se puede obtener un diagnóstico médico 306.

ANEXO A Sección Biológica De acuerdo con el método de ejemplo de la invención que se muestra en la Figura 3, el paso de adquirir una sección biológica 301 se refiere a la extracción de tejido o material celular de un individuo, como un ser humano o animal. Una sección del tejido se puede obtener por métodos que incluyen, pero no se limitan a, biopsia del núcleo, extracción y perforación, y extirpación. El material celular se puede obtener por métodos que incluyen, pero no se limitan a, hisopado -raspado con hisopo - (exfoliación), lavado (aseos), y por aspiración con aguja fina FNA (por sus siglas en inglés).

Una sección de tejido que se va a someter a la obtención de imagen espectral y visual se puede preparar a partir de bloques de tejidos congelados, incrustados o embebidos en parafina de acuerdo con métodos utilizados en la histopatología estándar. La sección puede ser montada sobre un portaobjetos que puede ser utilizado tanto para la obtención de datos espectrales como para la patología visual. Por ejemplo, el tejido puede montarse en portaobjetos de microscopio transparentes infrarrojos que comprenden un material incluyendo, pero no limitado a, fluoruro de calcio (CaF2) o portaobjetos reflectantes infrarrojos, como los portaobjetos de baja emisividad "low-e" comercialmente disponibles. Después del montaje, las muestras incrustadas en parafina pueden ser sometidas a desparafinación.

Imagen Espectral De acuerdo con aspectos de la invención, la etapa de obtención de una imagen espectral de la sección biológica 302 mostrada en la Figura 3 puede incluir los pasos de obtener datos espectrales de la sección biológica 401 , realización de pre-procesamiento de datos 402, realización de análisis de multivariante 403, y creación de una imagen de escala de grises o de pseudo-color de la sección biológica 404, como se indica en el diagrama de flujo de la Figura 4.

ANEXO A Datos Espectrales Como se indica en la Figura 4, los datos espectrales de la sección biológica pueden ser obtenidos en el paso 401 . Los datos espectrales de una muestra biológica sin teñir, tales como una muestra de tejido, se pueden obtener para capturar una instantánea de la composición química de la muestra. Los datos espectrales se pueden recoger a partir de una sección de tejido en detalles de píxeles, en donde cada píxel es aproximadamente del tamaño de un núcleo celular. Cada píxel tiene su propio patrón espectral, y cuando los patrones espectrales de una muestra son comparados, pueden mostrar diferencias pequeñas pero recurrentes en la composición bioquímica de los tejidos.

Los datos espectrales pueden ser recolectados por métodos incluyendo, pero no limitado a la espectroscopia infrarroja, Raman, visible, en terahercios y de fluorescencia. La espectroscopia infrarroja puede incluir, pero no se limita a, la reflectancia total atenuada (ATR) la espectroscopia infrarroja con reflectancia total atenuada y transformación rápida de Fourier (ATR-FTIR). En general, la espectroscopia infrarroja puede utilizarse debido a su sensibilidad a las huellas dactilares, que también se exhibe por la espectroscopia Raman. La espectroscopia Infrarroja puede utilizarse con grandes secciones de tejido y proporcionar un conjunto de datos con un tamaño más fácil de manejar que la espectroscopia Raman. Además, los datos de espectroscopia infrarroja pueden ser más susceptibles a la totalmente automática adquisición e interpretación de datos. Adicionalmente, la espectroscopia infrarroja puede tener la sensibilidad y especificidad necesarias para la detección de diferentes estructuras de tejido y el diagnóstico de la enfermedad.

El eje de intensidad de los datos espectrales, en general, expresa absorbancia, reflectancia, emitancia, intensidad de dispersión o cualquier otra medida adecuada de potencia de luz. La longitud de onda puede relacionarse con la ANEXO A actual longitud de onda, número de onda, frecuencia o energía de radiación electromagnética.

La adquisición de datos infrarrojos se puede llevar a cabo utilizando micro-espectrómetros infrarrojos de formación de imágenes de la transformada de Fourier (FT) disponibles actualmente, instrumentos de formación de imágenes basados en láseres sintonizables, tales como dispositivos de cascada cuántica u óptica no lineales, u otros instrumentos funcionalmente equivalentes basados en diferentes tecnologías. La adquisición de los datos espectrales utilizando un láser sintonizable se describe más adelante en la solicitud de patente de los E.U. serie No. 13/084,287, titulada "Tunable Laser-Based Infrared Imaging System and Method of Use Thereof, que se incorpora al presente documento en su totalidad para referencia.

De acuerdo con un método de conformidad con aspectos de la invención, un patólogo o técnico puede seleccionar cualquier región de una sección de tejido teñido y recibir una evaluación basada en la espectroscopia de la región del tejido en tiempo real, basado en el conjunto de datos hiperespectrales recolectados para el tejido antes de la tinción. Los datos espectrales se pueden recolectar para cada uno de los píxeles en una muestra de tejido sin teñir seleccionada. Cada uno de los espectros recolectados contiene una huella de la composición química de cada uno de los píxeles del tejido. La adquisición de datos espectrales se describe en el documento WO 2009/146425, que se incorpora al presente documento en su totalidad para referencia.

En general, los datos espectrales incluyen conjuntos de datos híper-espectrales, que son construcciones incluyendo N = n · m espectros individuales o vectores espectrales (absorción, emisión, reflectancia, etc.), en donde n y m son el número de píxeles en las dimensiones X e Y de la imagen, respectivamente. Cada espectro es asociado con un píxel distinto de la muestra, y puede ser localizado por su coordenadas X e Y, donde 1=X=n y 1<Y=m. Cada vector tiene ANEXO A puntos de datos de intensidad k, que suelen estar igualmente espaciados en el dominio de frecuencia o del número de onda.

El tamaño de píxel de la imagen espectral generalmente se puede seleccionar para ser menor que el tamaño de una célula típica para que la resolución sub-celular puede ser obtenida. El tamaño también puede ser determinado por el límite de difracción de la luz, el cual es típicamente de aproximadamente 5 pm a aproximadamente 7 µ?t? para la luz infrarroja. Por lo tanto, para una sección de tejido de 1 mm2 de tejido, alrededor de 140* a 2002 espectros infrarrojos de píxeles individuales infrarrojos se pueden recopilar. Para cada uno de los N píxeles de un "hipercubo" espectral, sus coordenadas X e Y, y su vector de intensidad (intensidad vs longitud de onda), son almacenadas.

Pre-procesamiento Someter los datos espectrales a una forma de pre-procesamiento puede ser útil para aislar los datos relativos al material celular de interés y para eliminar las características espectrales de confusión. Haciendo referencia a la Figura 4, una vez que los datos espectrales se recogen, pueden ser sometidos a tal pre-procesamiento, como se establece en el paso 402.

El pre-procesamiento puede incluir la creación de una máscara binaria para separar las regiones de diagnóstico de las de no diagnóstico del área muestreada para aislar los datos celulares de interés. Los métodos para crear una máscara binaria se describen en el documento WO 2009/146425, que se incorpora en su totalidad a la presente para referencia.

Un método de pre-procesamiento, de acuerdo con otro aspecto de la invención, permite la corrección de las formas de línea dispersivas en los espectros de absorción observados por un algoritmo de "corrección de fase" que optimiza la separación de las partes real e imaginaria del espectro por medio de ajusfar el ANEXO A ángulo de fase entre ellos. Este método, que es computacionalmente rápido, se basa en un enfoque o aproximación de corrección de fase revisado, en el que no se requieren los datos de entrada. Aunque la corrección de fase se utiliza en el pre-procesamiento de interferogramas puros, brutos en espectroscopia de FTIR y RMN (en el último caso, el interferograma es referido generalmente como el "decaimiento de inducción libre (FID, por sus siglas en inglés)") en donde el ángulo de fase apropiado puede ser determinado experimentalmente, el método de este aspecto de la invención se diferencia de las aproximaciones anteriores de corrección de fase en que toman en cuenta factores atenuantes, tales como Mié, RMie y otros efectos basados en la dispersión anómala del índice de refracción, y puede ser aplicado retroactivamente a conjuntos de datos espectrales.

El método de pre-procesamiento de este aspecto de la invención transforma espectros dañados en espacio de Fourier por transformada de FT inversa. La FT inversa resulta en un interferograma real y uno imaginario. La segunda mitad de cada interferograma es llenada con ceros y transformada individualmente por FT avanzada. Este proceso produce una parte espectral real que exhibe las mismas formas de bandas dispersivas obtenidas a través de la transformación numérica de KK, y una parte imaginaria, que incluye las formas de línea de absorción. Por medio de recombinación de las partes real e imaginaria con un ángulo de fase correcto entre ellas, se obtiene la corrección de fase y los espectros libres de artefactos.

Ya que la fase necesaria para corregir los espectros contaminados no se puede determinar experimentalmente y varía de espectro a espectro, los ángulos de fase se determinan mediante un enfoque escalonado entre -90° y 90° en pasos seleccionabas por el usuario. El "mejor" espectro se determina por el análisis de la posición de pico(s) y criterios de intensidad, ambos de los cuales pueden variar durante la corrección de fase. Las amplias contribuciones de dispersión de Mié onduladas no están explícitamente corregidas para este enfoque, pero ANEXO A desaparecen mediante la realización del cálculo de corrección de fase en los espectros de segunda derivada, que presentan un fondo libre de dispersión.

De acuerdo con aspectos de la invención, el paso de pre-procesamiento 402 de la Figura 4 puede incluir los pasos de seleccionar el rango espectral 501 , calcular la segunda derivada del espectro 502, transformar por Fourier inversa los datos 503, transformar por llenado de ceros y Fourier avanzada los interferogramas 504, y corregir la fase de las partes real e imaginaria resultantes del espectro 505, tal como se indica en el diagrama de flujo de la Figura 5.

Rango Espectral En el paso 501 , cada espectro en el conjunto de datos hiperespectrales es pre-procesado para seleccionar el rango espectral más apropiado (región de huella dactilar). Este rango puede ser de 800 a 1800 cm"1, por ejemplo, que incluye un estiramiento de átomos pesados así como modos de deformación X-H (X: átomo pesado con número atómico > 12). Un espectro de ejemplo típico, superpuesto sobre un fondo lineal, se muestra en la Figura 6A.

Segunda Derivada de los Espectros La segunda derivada de cada espectro se calcula en el paso 502 del diagrama de flujo de la Figura 5. Los espectros de segunda derivada se derivan de los vectores espectrales originales mediante una segunda diferenciación de intensidad contra el número de onda. Los espectros de segunda derivada pueden calcularse utilizando un algoritmo Savitzky-Golay de ventana deslizante, y también se pueden calcular en espacio de Fourier al multiplicar el interferograma con una adecuada función cuadrática truncada.

Los espectros de segunda derivada pueden tener la ventaja de estar libres de pendientes de base de línea, incluyendo el fondo de dispersión de Mié ANEXO A cambiando lentamente. Los espectros de segunda derivada pueden ser casi completamente desprovistos de efectos de base de línea debido a la dispersión y dispersión no resonante de Mié, pero todavía contienen los efectos de RMieS. Los espectros de segunda derivada pueden ser normalizados por vector, si se desea, para compensar la variación del espesor de la muestra. Un ejemplo de un espectro de segunda derivada se muestra en la Figura 6B.

Transformada de Fourier Inversa En el paso 503 del diagrama de flujo de la Figura 5, cada espectro del conjunto de datos es transformado por Fourier (FT) inversa. La FT inversa se refiere a la conversión de un espectro de intensidad contra el dominio de número de onda hacia intensidad contra el dominio de diferencia de fase. Ya que las rutinas FT sólo funcionan con vectores espectrales, cuya longitud son un número entero de 2, los espectros se interpolan o truncan a 512, 1024 o 2048 (NFT) longitudes de puntos de datos antes de la FT. La FT inversa produce un interferograma real (RE) e imaginario (IM) de NFT/2 puntos. Una porción de la parte real de dicho interferograma se muestra en la Figura 7.

Llenado con Ceros v Transformada Avanzada de Fourier La segunda mitad de ambos interferogramas real e imaginario para cada espectro es posteriormente llenado de ceros en el paso 504. Estos interferogramas llenados de ceros son posteriormente transformados por Fourier avanzado para producir un componente espectral real y uno imaginario con formas de banda de dispersión y absorción, respectivamente.

Corrección de fase Las partes reales (RE) e imaginarias (IM) resultantes del análisis de Fourier son posteriormente corregidas de fase, tal como se muestra en el paso 505 diagrama ANEXO A de flujo de la Figura 5. Esta fase de producción desplaza las partes real (RE1) e imaginaria (IM1) como se establece en la siguiente fórmula: RE' cos(<j>) sin(<j>) RE IM' -s¡n(<j>) cos{<j>) IM en donde F es el ángulo de fase.

Ya que el ángulo de fase f para la corrección de fase no se conoce, el ángulo de fase puede variar entre -tt/2 < f < tt/2 en incrementos definidos por el usuario y se puede seleccionar un espectro con la forma de línea dispersiva residual mínima. El ángulo de fase que produce la mayor intensidad después de la corrección de fase puede suponerse que es el espectro no alterado, como se muestra en la Figura 8. El trazo pesado marcado con las flechas y referido como el "espectro original" es un espectro que está contaminado por las contribuciones de RMieS. Los trazos delgados muestran cómo cambia el espectro sobre la corrección de fase con diferentes ángulos de fase. El segundo trazo pesado es el espectro recuperado, que coincide bien con el espectro no contaminado. Tal como se indica en la Figura 8, el mejor espectro corregido exhibe la más alta intensidad de amida I en aproximadamente 1655 cm'1. Esta posición pico coincide con la posición antes de que el espectro estuviera contaminado.

El método de corrección de fase, de acuerdo con aspectos de la invención que se describen en los pasos 501-505, funciona bien tanto con los espectros de absorción y derivados. Esta aproximación o enfoque incluso resuelve una complicación que se puede producir si los espectros de absorción son utilizados, en que si los espectros de absorción están contaminados por los efectos dispersión que imitan una inclinación de base de línea, como se muestra esquemáticamente en la Figura 9A, la parte imaginaria de la FT avanzada exhibe efectos fuertemente curvados en los límites espectrales, como se muestra en la Figura 9B, que contaminan el espectro corregido resultante. El uso de espectros ANEXO A de segunda derivada puede eliminar este efecto, ya que la derivación elimina el fondo inclinado, por lo que, se pueden obtener los espectros libres de artefactos. Puesto que el subsiguiente análisis espectral del conjunto de datos por análisis de agrupamiento jerárquico, u otros adecuados algoritmos de segmentación o diagnóstico, de cualquier forma se lleva a cabo en los espectros de segunda derivada, es ventajoso también llevar a cabo la corrección de dispersión en los espectros de segunda derivada. Los espectros de segunda derivada exhiben la reversión de la señal de picos espectrales. Por lo tanto, se busca que el ángulo de fase cause la mayor intensidad negativa. El valor de este enfoque puede ser demostrado a partir de los espectros contaminados artificialmente: dado que la contaminación con un componente reflexivo siempre disminuirá su intensidad, el espectro no contaminado o "corregido" será el único con la intensidad de banda (negativa) más grande en la banda de amida I, entre 1650 y 1660 cm"1.

Ejemplo 1 - Operación del Algoritmo de Corrección de Fase Un ejemplo de la operación del algoritmo de corrección de fase es proporcionado en las Figuras 10A-10D y 1 1A-11 B. Este ejemplo se basa en un conjunto de datos recolectados a partir de una sección de tejido de ganglio linfático humano. El ganglio linfático tiene micrometástasis de cáncer de mama confirmado en el interior de la cápsula, que se muestra por las flechas negras en la Figura 10A. Esta fotomicrografía muestra distintos núcleos celulares en la región cancerosa, así como en alta celularidad en áreas de linfocitos activados, que se muestran por la flecha gris. Estas ambas heterogeneidades de muestra contribuyen a los grandes efectos de RMieS.

Cuando la segmentación de los datos por análisis de agrupamiento jerárquico (HCA) se llevó a cabo por primera vez en esta sección de ejemplo de los ganglios linfáticos, se obtuvo la imagen que se muestra en la Figura 10B. Para distinguir el tejido canceroso (verde oscuro y amarillo) de la cápsula (rojo), y los linfocitos (resto de colores), 10 agrupaciones fueron necesarias, y la distinción de ANEXO A estos tipos de tejido fue pobre. En la Figura 10B, la cápsula que se muestra en rojo incluye más de una clase espectral, que se combinó en 1 clúster.

Las dificultades en la segmentación de este conjunto de datos puede ser calibrado o medido por la inspección de la Figura 10C. Esta gráfica representa las frecuencias de picos de la banda de vibración de la amida I en cada espectro. La escala de color a la derecha de la Figura indica que el pico se produce entre 1630 y 1665 cm"1 del cuerpo del ganglio linfático, y entre 1635 y 1665 cm"1 para la cápsula. La propagación de la frecuencia de la amida I es típica para un conjunto de datos muy contaminados por los efectos de RMieS, ya que es bien sabido que la frecuencia de la amida I para péptidos y proteínas debe ocurrir en el rango de 1650 a 1660 cm- \ dependiendo de la estructura secundaria de la proteína. La Figura 10D muestra una imagen de la misma sección de tejido después de la corrección de fase basada en la corrección de RMieS. Dentro del cuerpo del ganglio linfático, la variación de la frecuencia del pico de la amida I se redujo a la serie de 1650 a 1654 cm"1 y para la cápsula a un rango de 1657 a 1665 cm"1 (se sabe que las proteínas fibro-conectivas de la cápsula consisten principalmente en colágeno, una proteína conocida por presentar una alta posición de banda de la amida I).

Los resultados de un HCA posterior se muestran en las Figuras 11A-11 B. En la Figura 11 A, el tejido canceroso se muestra en rojo; el contorno de las regiones cancerosas coincide bien con la histopatología basada en H y E mostrada en la Figura 1 B (esta Figura es la misma que la 10 A). La cápsula está representada por dos clases de tejido diferentes (azul claro y violeta), con linfocitos B activados mostrados en color verde claro. Los histiocitos y los linfocitos T se muestran en las regiones de colores verde oscuro, gris y azul. Las regiones que se muestran en la Figura 11A coinciden bien con la histopatología visual, e indican que el método de corrección de fase que se discute aquí mejora enormemente la calidad de los métodos de histopatología espectrales.

ANEXO A Las ventajas del método de pre-procesamiento de acuerdo con aspectos de la invención sobre métodos previos de corrección espectral incluyen que el método proporciona un tiempo de ejecución rápido de alrededor de 5000 espectros/segundo, y no se requiere información a priori sobre el conjunto de datos. Además, el algoritmo de corrección de fase puede ser incorporado en la formación de imágenes espectrales y rutinas de diagnóstico de "tinción digital" para la automática detección y diagnóstico del cáncer en SCP y SHP. Además, la corrección de fase mejora en gran medida la calidad de la imagen, que es útil para la precisión del registro de imágenes y en la alineación de diagnóstico y representaciones de contorno.

Además, el método de pre-procesamiento de acuerdo con aspectos de la invención puede ser utilizado para corregir un intervalo amplio de espectros de absorción contaminados por componentes reflectantes. Tal contaminación se produce con frecuencia en otros tipos de espectroscopia, tales como aquellas en las que las formas de la banda se ven distorsionadas por la forma de las líneas dispersivas, como la espectroscopia de transformada de Fourier de reflectancia difusa (DRIFTS, por sus siglas en inglés), refracción total atenuada (ATR, por sus siglas en inglés), y otras formas de espectroscopia en las que se mezcla la parte real e imaginaria del índice de refracción complejo, o susceptibilidad dieléctrica, se produce en un grado significativo, tal como puede estar presente con la espectroscopia de Raman Anti-Cargados o Cebados Coherente (Raman Anti-Stokes - CARS, por sus siglas en inglés).

Análisis de Multivariante El análisis de multivariante puede realizarse en los datos espectrales pre-procesados para detectar las diferencias espectrales, como se describe en el paso 403 del diagrama de flujo de la Figura 4. En algunos análisis de multivariantes, los espectros son agrupados en función de su similitud. El número de grupos puede ser seleccionado basándose en el nivel de ANEXO A diferenciación requerido para la muestra biológica dada. En general, cuanto mayor es el número de grupos, más detalles serán evidentes en la imagen espectral. Un número menor de grupos puede ser utilizado si se desea menos detalle. De acuerdo con aspectos de la invención, un usuario puede ajustar el número de grupos para alcanzar el nivel de diferenciación espectral deseado.

Por ejemplo pueden ser utilizados métodos no supervisados, tales como HCA y análisis de componentes principales (PCA, por sus siglas en inglés), métodos supervisados, tales como algoritmos de aprendizaje automático o mecánicos, incluyendo, pero no limitándose a, redes neuronales artificiales (ANNs, por sus siglas en inglés), redes neuronales artificiales jerárquicas (hANN, por sus siglas en inglés), máquinas de vectores de soporte (SVM, por sus siglas en inglés), y/o algoritmos de "Azar Forestal" ("Random Forest"). Los métodos no supervisados se basan en la similitud o la varianza en el conjunto de datos, respectivamente, y en segmentar o agrupar un conjunto de datos por estos criterios, que no requieren información excepto el conjunto de datos para la segmentación o clúster. Por lo tanto, estos métodos no supervisados crean imágenes que se basan en la similitud o diferencia naturales (varianza) en el conjunto de datos. Los algoritmos supervisados, por otra parte, requieren espectros de referencia, tales como espectros representativos de cáncer, músculo o hueso, por ejemplo, y clasifican un conjunto de datos basándose en ciertos criterios de similitud a estos espectros de referencia.

Técnicas de HCA se describen en Bird (Bird et al., "Spectral detection of micro-metastates in lymph node histo-pathology" , J. Biophoton. 2, No. 1-2, 37-46 (2009)), el cual es incorporado aquí en su totalidad. El PCA se divulga en el documento WO 2009/146425, que es incorporado aquí en su totalidad para referencia.

Los ejemplos de métodos supervisados para su uso de acuerdo con aspectos de la invención pueden encontrarse en P. Lasch et al. "Artificial neural networks as ANEXO A supervised techniques for FT-IR microspectroscopic imaging" J. Chemometrics 2006 (en adelante "Lasen"); 20: 209-220, M. Miljkovic et al., "Label-free imaging of human cells: algoríthms for image reconstruction of Raman hyperspectral datasets" (en adelante "Miljkovic"), Analyst, 2010, xx, 1-13, y A. Dupuy et al., "Critical Review of Published Microarray Studies for Cáncer Outcome and Guidelines on Statistical Analysis and Reporting", JNCI, Vol. 99, ejemplar 2 | enero 17, 2007 (en adelante "Dupuy"), cada uno de los cuales se incorpora por referencia en su totalidad en el presente documento.

Imagen Espectral de Escala de Grisers o Pseudo-color Los datos agrupados similares del análisis de multivariante pueden ser asignados al mismo código de color. Los datos agrupados pueden ser utilizados para construir mapas en escala de grises o pseudo-color "digitalmente teñidos", como se indica en el paso 404 del diagrama de flujo de la Figura 4. Por consiguiente, este método puede proporcionar una imagen de una muestra biológica que se basa exclusiva o principalmente en la información química contenida en los datos espectrales.

Un ejemplo de una imagen espectral preparada tras el análisis de multivariante por HCA es proporcionado en las Figuras 12A y 12B. La Figura 12A es una imagen visual microscópica de una sección de la imagen cervical teñida, que mide alrededor de 0.5 mm x 1 mm. Las capas típicas de epitelio escamoso se indican. La Figura 12B es una imagen espectral infrarroja de pseudo-color construida tras el análisis de multivariante de HCA antes de realizar la tinción del tejido. Esta imagen fue creada matemáticamente por los espectros de correlación en el conjunto de datos entre ellos, y es basado únicamente en las similitudes espectrales; no se proporcionan espectros de referencia para el algoritmo de computadora. Como se muestra en la Figura 12B, una imagen espectral de HCA puede reproducir la arquitectura del tejido visible después de la tinción adecuada (por ejemplo, con una tinción de H y E), utilizando ANEXO A microscopía estándar, como se muestra en la Figura 12A. Además, la Figura 12B muestra las características que no se detectan fácilmente en la Figura 12A, incluyendo depósitos de queratina en (a) e infiltración mediante células inmunes en (b).

La construcción de imágenes espectrales de pseudo-color por análisis de HCA es discutido en Bird.

Un ejemplo de una imagen espectral preparada tras el análisis por ANN es proporcionado en las Figuras 13A y 13B. La Figura 13A es una imagen visual microscópica de una sección de ganglios linfáticos axilares teñidas con H y E. La Figura 13B es una imagen espectral infrarroja creada a partir del análisis de ANN de un conjunto de datos infrarrojos recogidos antes de la tinción del tejido de la Figura 13A.

Imagen Visual Una imagen visual de la misma sección biológica obtenida en el paso 302 puede ser adquirida, como se indica en el paso 303 como se muestra en la Figura 3. La muestra biológica aplicada a un portaobjetos en la etapa 301 descrita anteriormente puede estar sin teñir o se puede teñir por cualquier método adecuado bien conocido utilizado en la histopatología estándar, tal como mediante una o más tinciones de H y E y/o IHC, y puede ser cubierta con un cubre objetos. Ejemplos de las imágenes visuales se muestran en las Figuras 12A y 13A.

Una imagen visual de una muestra histopatológica se puede obtener usando un microscopio visual estándar, tal como uno comúnmente utilizado en laboratorios de patología. El microscopio puede estar acoplado a una cámara digital de alta resolución que captura el campo de visión del microscopio digitalmente. Esta imagen digital en tiempo real se basa en la vista microscópica estándar de una ANEXO A muestra, y puede ser indicativa de arquitectura de los tejidos, morfología celular y de patrones de tinción. La imagen digital puede incluir muchos mosaicos de píxeles que se encuentran combinados como con pegado de imágenes, por ejemplo, para crear una fotografía. De acuerdo con aspectos de la invención, la imagen digital que es utilizada para el análisis puede incluir una teja individual o muchas tejas que se combinan por sutura en una fotografía. Esta imagen digital puede ser guardada y mostrada en una pantalla de computadora.

Registro de Imágenes Espectrales y Visuales De acuerdo con un método de conformidad con aspectos de la invención, una vez que las imágenes espectral y visual han sido adquiridas, la imagen visual del tejido teñido puede ser registrada con una imagen espectral en escala de grises o pseudo-color teñida digitalmente, como se indica en el paso 304 del diagrama de flujo de la Figura 3. En general, el registro de imágenes es el proceso de transformación o igualación (emparejamiento) de diferentes conjuntos de datos en un sistema de coordenadas. El registro de imágenes implica espacialmente igualar o transformar una primera imagen para alinearla con una segunda imagen. Las imágenes pueden contener diferentes tipos de datos, y el registro de imagen permite la igualación o transformación de los diferentes tipos de datos.

De acuerdo con aspectos de la invención, el registro de imágenes puede realizarse de diversas maneras. Por ejemplo, un sistema de coordenadas común puede ser establecido para las imágenes visual y espectral. Si no es posible o no se desea establecer un sistema de coordenadas común, las imágenes pueden ser registradas por mapeo de punto para llevar a una imagen en alineación con otra imagen. En el mapeo de punto, se seleccionan los puntos de control tanto en las imágenes que identifican la misma característica como en la marca de referencia en las imágenes. Basados en las posiciones de los puntos de control, se puede realizar el mapeo espacial de las dos imágenes. Por ejemplo, al menos ANEXO A dos puntos de control pueden ser utilizados. Para registrar las imágenes, los puntos de control en la imagen visible pueden ser correlacionados con los puntos de control correspondientes en la imagen espectral y alineados entre sí.

En una variación de acuerdo a los aspectos de la invención, los puntos de control pueden ser seleccionados al colocar marcas de referencia sobre el portaobjetos que contiene la muestra biológica. Marcas de referencia pueden incluir, pero no están limitadas a, tinta, pintura, y un trozo de material, incluyendo, pero sin limitarse al polietileno. Las marcas de referencia puede tener cualquier forma o tamaño, y se puede colocar en la porción central, bordes o esquinas del lado, siempre que estén dentro del campo de visión. La marca de referencia puede ser añadida al portaobjetos mientras que la muestra biológica se está preparando. Si se utiliza un material de patrones espectrales conocidos, incluyendo, pero no limitado a una sustancia química, como el polietileno, y una sustancia biológica en una marca de referencia, también puede utilizarse como marca de calibración para verificar la exactitud de los datos espectrales del espécimen biológico.

En otra variación en función de aspectos de la invención, un usuario, como por ejemplo un patólogo, puede seleccionar los puntos de control en las imágenes espectrales y visuales. El usuario puede seleccionar los puntos de control en función de sus conocimientos de las funciones distintivas de las imágenes visuales o espectrales incluyendo, pero no limitado a, bordes y fronteras. Para imágenes biológicas tales como células y los tejidos, se pueden seleccionar puntos de control a partir de cualquiera de las características biológicas de la imagen. Por ejemplo, tales características biológicas pueden incluir, pero no se limitan a, grupos de células, características de mitosis, cordones o nidos de células, huecos de la muestra, tales como alveolos y bronquios, y los bordes irregulares de la muestra. La selección del usuario de los puntos de control en las imágenes espectral y visual, pueden ser guardados en un depósito que se utiliza para proporcionar una correlación de entrenamiento para uso personal y/o ANEXO A personalizado. Este enfoque puede permitir mejores prácticas subjetivas para ser incorporadas en el proceso de control de selección de puntos.

En otra variación en función de aspectos de la invención, se puede usar reconocimiento basado en software de características distintivas en las imágenes espectrales y visuales para seleccionar puntos de control. El software puede detectar por lo menos un punto de control que corresponde a una característica distintiva en las imágenes visuales o espectrales. Por ejemplo, se pueden seleccionar puntos de control en una región particular de clúster en la imagen espectral. El patrón de clústeres puede utilizarse para identificar características similares en la imagen visual. Las características en ambas imágenes se pueden alinear por traslación, rotación y escalado. La traslación, rotación y escalado también pueden ser automatizados o sem i-automatizados, por ejemplo, mediante el desarrollo de relaciones o modelos de mapeo después de elegir la selección de características. Tal proceso automatizado puede proporcionar una aproximación de relaciones de mapeo que pueden entonces ser re-muestreadas y transformadas para optimizar el registro, por ejemplo. Las técnicas de re-muestreo incluyen, pero no se limitan a interpolación de vecino más cercano, lineal, y cúbica.

Una vez que los puntos de control están alineados, los píxeles de la imagen espectral con coordenadas Pi (xi , y-?) pueden alinearse con los píxeles correspondientes en la imagen visual con coordenadas P2 (X2, ^2). Este proceso de alineación se puede aplicar a todos o a una porción seleccionada de los píxeles en las imágenes espectrales y visuales. Una vez alineados, los píxeles en cada una de las imágenes espectral y visual pueden ser registrados juntos. Por este proceso de registro, los píxeles en cada una de la imagen espectral y la imagen visual pueden ser digitalmente unidos con los píxeles en la imagen correspondiente. Dado que el método de acuerdo con aspectos de la invención permite que la misma muestra biológica se examine espectroscópicamente y ANEXO A visualmente, las imágenes visual y espectral pueden ser registradas con precisión.

Una marca de identificación tal como un código numérico, código de barras, se puede añadir al deslizador, diapositiva o portaobjetos para verificar que el espécimen correcto está siendo introducido. Las marcas de referencia e identificación pueden ser reconocidas por una computadora que muestra o de otra manera almacena la imagen visual del espécimen biológico. Esta computadora también puede contener un software para su uso en el registro de imágenes.

Un ejemplo de registro de imagen según un aspecto de la invención se ilustra en las Figuras 14A-14C. La Figura 14A es una imagen visual de una muestra de tejido de cáncer de pulmón de células pequeñas, y la Figura 14B es una imagen espectral de la misma muestra de tejido sometida a HCA. La Figura 14B contiene datos espectrales de la mayor parte de la sección superior de mano derecha de la de la imagen visual de la Figura 14A. Cuando la imagen visual de la Figura 14A es registrada con la imagen espectral de la Figura 14B, el resultado se muestra en la Figura 14C. Como se muestra en la Figura 14C, las secciones circuladas que contienen puntos y contornos 1 a 4 que son fácilmente visibles en la imagen espectral de la Figura 14B corresponden estrechamente con los puntos y contornos visibles en la imagen microscópica de la Figura 14A.

Una vez que las coordenadas de los píxeles en las imágenes espectral y visual son registradas, estas pueden ser almacenadas juntas digitalmente. Las imágenes completas o una parte de las imágenes pueden ser almacenadas. Por ejemplo, las regiones de diagnóstico pueden ser almacenadas digitalmente en vez de las imágenes de toda la muestra. Esto puede reducir significativamente los requisitos de almacenamiento de datos.

ANEXO A Un usuario que observa una determinada región de píxeles, ya sea en la imagen espectral o en la visual, inmediatamente puede acceder a la correspondiente región de pixeles en la otra imagen. Por ejemplo, un patólogo puede seleccionar cualquier área de la imagen espectral, tal como haciendo clic con un ratón o un control de palanca de mando (joystick), y ver el área correspondiente de la imagen visual que se ha registrado en la imagen espectral. La Figura 14D es un ejemplo de una interfaz de usuario gráfica (GUI por sus siglas en inglés) para la imagen registrada de la Figura 14C de acuerdo con aspectos de la invención. La GUI mostrada en la Figura 14D permite a un patólogo alternar entre las imágenes visuales, espectrales, y registradas y examinar porciones de interés específicas.

Además, conforme un patólogo mueve o manipula una imagen, él/ella también puede acceder a la parte correspondiente de la otra imagen a la que está registrada. Por ejemplo, si un patólogo magnifica parte específica de la imagen espectral, él/ella puede acceder a la misma porción de la imagen visual en el mismo nivel de magnificación.

Los parámetros operacionales del sistema de microscopio visual, así como la magnificación del microscopio, cambios en la magnificación, etc., pueden ser también almacenados en un archivo de registro específico de instrumentos. El archivo de registro puede ser accedido en un momento posterior para seleccionar registros de anotación y píxeles espectrales correspondientes para el entrenamiento del algoritmo. Por lo tanto, un patólogo puede manipular la imagen espectral, y en un momento posterior, la imagen espectral y la imagen digital que está registrada para ella son ambas visualizadas en la magnificación adecuada. Esta característica puede ser útil, por ejemplo, dado que permite a un usuario guardar una imagen registrada manipulada digitalmente para su posterior visualización o para la transmisión electrónica para su visualización remota.

ANEXO A El registro de las imágenes se puede utilizar con una sección de tejido que cuenta con un diagnóstico conocido para extraer los espectros de entrenamiento durante un paso de entrenamiento de un método de acuerdo con aspectos de la invención. Durante el paso de entrenamiento, se puede registrar una imagen visual del tejido teñido con una imagen espectral no supervisada, como de HCA. El registro de la imagen también puede utilizarse al hacer un diagnóstico sobre una sección de tejido. Por ejemplo, una imagen espectral supervisada de la sección de tejido puede ser registrada con su imagen visual correspondiente. Así, un usuario puede obtener un diagnóstico basado en cualquier punto de las imágenes registradas que se han seleccionado.

El registro de imágenes de acuerdo con los aspectos de la invención proporciona numerosas ventajas sobre los procedimientos de análisis de muestras biológicas anteriores. Por ejemplo, permite a un patólogo confiar en una imagen espectral, que refleja el contenido bioquímico altamente sensible de una muestra biológica, al realizar el análisis del material biológico. Como tal, esto proporciona una precisión significativamente mayor en la detección de células con anormalidades pequeñas, pre-cancerosas o cancerosas, incluyendo micrometástasis, en comparación con la técnica relacionada. Así, el patólogo no tiene que basar su análisis de una muestra en su observación subjetiva de una imagen visual de la muestra biológica. Así, por ejemplo, el patólogo puede simplemente estudiar la imagen espectral y fácilmente puede referirse a la porción relevante en la imagen visual registrada para verificar sus hallazgos, según sea necesario.

Además, el método de registro de imagen de acuerdo con los aspectos de la invención proporciona una mayor precisión que el método anterior de Bird (Bird et al., "Spectral detectíon of micro-metastates in lymph node histo-pathology>' , J. Biophoton. 2, No. 1-2, 37-46 (2009)), porque se basa en la correlación de datos digitales, es decir, los píxeles de las imágenes espectral y visual. Bird no correlaciona ningún dato digital de las imágenes, y en cambio se basa meramente en la habilidad del usuario para coincidir visualmente las imágenes ANEXO A espectral y visual de las secciones de tejidos adyacentes al superponer las imágenes físicamente. Por lo tanto, el método de registro de imagen de acuerdo con los aspectos de la invención proporciona diagnósticos más precisos y reproducibles con respecto a células anormales o cancerosas. Esto puede ser útil, por ejemplo, para proporcionar el diagnóstico preciso en las etapas tempranas de la enfermedad, cuando indicios de anormalidades y cáncer son difíciles de detectar.

Entrenamiento Un set de capacitación puede ser opcionalmente desarrollado, tal como se expone en el paso 305 en el método proporcionado en el diagrama de flujo de la Figura 3. De acuerdo con aspectos de la invención, un set de capacitación incluye datos espectrales que están asociados con enfermedades o condiciones específicas, entre otras cosas. La asociación de enfermedades o condiciones a los datos espectrales en el set de capacitación se puede basar en una correlación de la patología clásica con los patrones espectrales basados en características morfológicas que se encuentran normalmente en los especímenes patológicos. Las enfermedades y condiciones pueden incluir, pero no se limitan a, anormalidades celulares, inflamación, infecciones, pre-cáncer y cáncer.

De conformidad con un aspecto de acuerdo a la invención, en la etapa de entrenamiento, un set de capacitación se puede desarrollar mediante la identificación de una región de una imagen visual que contiene una enfermedad o condición, la correlación de la región de la imagen visual a los datos espectrales correspondientes a la región, y el almacenamiento de la asociación entre los datos espectrales y la correspondiente enfermedad o condición. El set de capacitación puede entonces ser archivado en un centro de almacenamiento, como una base de datos, y puesto a disposición para su uso en algoritmos de aprendizaje automático para proporcionar un algoritmo de diagnóstico con salida ANEXO A derivada del set de capacitación. El algoritmo de diagnóstico también puede ser archivado en un centro de almacenamiento, como una base de datos, para uso futuro.

Por ejemplo, una imagen visual de una sección de tejido se puede registrar con una imagen espectral no supervisada correspondiente, por ejemplo, una preparado mediante HCA. A continuación, el usuario puede seleccionar una de las regiones características de la imagen visual. Esta región puede ser clasificada y/o anotada por un usuario para especificar una enfermedad o condición. Los datos espectrales que fundamentan la región característica en la correspondiente imagen espectral no supervisada registrada pueden ser clasificados y/o anotados con la enfermedad o condición.

Los datos espectrales que han sido clasificados y/o anotados con una enfermedad o condición proporcionando un set de capacitación que puede ser utilizado para capacitar en un método de análisis supervisado, como una ANN. Tales métodos también se describen, por ejemplo, en Lasch, Miljkovic Dupuy. El método de análisis supervisado entrenado puede proporcionar un algoritmo de diagnóstico.

Una información de enfermedad o condición puede estar basada en algoritmos que se suministran con el instrumento, los algoritmos capacitados por un usuario, o una combinación de ambos. Por ejemplo, un algoritmo que se suministra con el instrumento puede ser potenciado por el usuario.

Una ventaja del paso de entrenamiento de acuerdo con aspectos de la invención es que las imágenes registradas pueden ser entrenadas contra las mejores disponibles, basados en el consenso de las "estándares de oro", que evalúan los datos espectrales por criterios reproducibles y repetibles. Por lo tanto, después de una adecuada validación y entrenamiento del algoritmo, los métodos de conformidad con aspectos de la invención pueden producir resultados similares ANEXO A alrededor del mundo, en lugar de depender de criterios visualmente asignados tales como normal, atípico, neoplasia de grado inferior, neoplasia de grado superior y cáncer. Los resultados para cada célula pueden ser representados por un índice numérico escalado apropiadamente o los resultados en conjunto como una probabilidad de una coincidencia de clasificación. Así, los métodos de acuerdo con los aspectos de la invención pueden tener la sensibilidad y especificidad necesarias para la detección de diversas estructuras biológicas, y diagnóstico de la enfermedad.

La limitación del diagnóstico de un set de capacitación puede estar limitada o acotada por el grado en que los datos espectrales se clasifican y/o anotan con enfermedades o condiciones. Como se ha indicado anteriormente, este set de capacitación puede ser ampliado por el propio interés y experiencia del usuario. Por ejemplo, un usuario puede preferir una tinción sobre otra, como una o varias tinciones de IHC en una tinción de H y E. Además, se puede entrenar un algoritmo para reconocer una condición específica, como metástasis del cáncer de mama en los ganglios linfáticos de la axila, por ejemplo. El algoritmo puede ser entrenado para indicar tipos de tejido normal contra anormal o salidas binarias, como adenocarcenoma contra no adenocarcenoma únicamente, y para a clasificar los diferentes tipos de tejidos normales encontrados, tales como cápsula, linfocitos B y T. Las regiones de un determinado tipo de tejido, o estados de enfermedad, que se obtienen por SHP, puede ser traducidos como "manchas digitales" superpuestas en imágenes microscópicas en tiempo real de las secciones de tejido.

Diagnóstico Una vez que las imágenes espectral y visual han sido registradas, se pueden utilizar para hacer un diagnóstico médico, tal como se indica en el paso 306 en el diagrama de flujo de la Figura 3. El diagnóstico puede incluir una enfermedad o condición, incluyendo, pero no limitándose a, anormalidades celulares, ANEXO A inflamación, infecciones, pre-cáncer, cáncer, y características anatómicas gruesas. En un método de acuerdo con aspectos de la invención, los datos espectrales de una imagen espectral de un espécimen biológico de una enfermedad o condición desconocida que ha sido registrada con su imagen visual pueden ser ingresados a un algoritmo de diagnóstico capacitado como se describió anteriormente. En base a similitudes con el set de capacitación que se utilizó para preparar el algoritmo de diagnóstico, los datos espectrales de la muestra biológica pueden ser correlacionados con una enfermedad o condición. La enfermedad o condición puede ser arrojada como un diagnóstico.

Por ejemplo, los datos espectrales y la imagen visual pueden ser adquiridos a partir de un espécimen biológico de la enfermedad o condición desconocida. Los datos espectrales se pueden analizar mediante un método no supervisado, tal como HCA, que luego se puede utilizar junto con los datos de referencia espacial para preparar una imagen espectral no supervisada. La imagen espectral no supervisada puede ser registrada con la imagen visual, como se discutió anteriormente. Los datos espectrales que han sido analizados por un método no supervisado pueden ser entonces introducidos a un algoritmo supervisado capacitado. Por ejemplo, el algoritmo supervisado capacitado puede ser una ANN, tal como se describió anteriormente en la etapa de entrenamiento. La salida del algoritmo supervisado entrenado podrán ser datos espectrales que contienen una o más etiquetas que corresponden a clasificaciones y/o anotaciones de una enfermedad o condición basada en el set de capacitación.

Para extraer un diagnóstico basado en las etiquetas, los datos espectrales etiquetados pueden utilizarse para preparar una imagen espectral supervisada que puede ser registrada con la imagen visual y/o la imagen espectral no supervisada del espécimen biológico. Por ejemplo, cuando la imagen espectral supervisada es registrada con la imagen visual y/o la imagen espectral no supervisada, a través de una interfaz gráfica de usuario (GUI), un usuario puede seleccionar un punto de interés en la imagen visual o en la imagen espectral no A EXO A supervisada, y ser provisto de una enfermedad o condición correspondiente a la etiqueta en ese punto en la imagen espectral supervisada. Como alternativa, un usuario puede requerir un software para buscar la imagen registrada de una enfermedad o afección particular, y el software puede destacar las secciones en cualquiera de las imágenes visuales, espectrales no supervisadas, y espectrales supervisadas que están etiquetadas con la enfermedad o condición particular. Esto permite ventajosamente a un usuario obtener un diagnóstico en tiempo real, y también permite al usuario ver una imagen visual, con la que él/ella está familiarizado, al acceder a datos obtenidos espectroscópicamente altamente sensibles.

El diagnóstico puede incluir una salida binaria, tal como un tipo de salida de "es/no es", que indica la presencia o ausencia de una enfermedad o condición. Además, el diagnóstico puede incluir, pero no se limita a un informe adyuvante, tal como una probabilidad de una coincidencia para una enfermedad o condición, un índice o una relación de composición relativa.

De acuerdo con algunos aspectos del método de la invención, las características arquitectónicas en bruto de una sección de tejido pueden ser analizadas a través de patrones espectrales para distinguir características anatómicas en bruto que no necesariamente están relacionadas con una enfermedad. Estos procedimientos, conocido como tinción digital global (GDS), pueden usar una combinación de métodos de multivariantes con y sin supervisión. La GDS puede utilizarse para analizar características anatómicas incluyendo, pero no limitado a, epitelio glandular y escamoso, endotelio, tejido conectivo, huesos y tejido graso.

En la GDS, un algoritmo de diagnóstico supervisado puede ser construido a partir de un conjunto de datos de entrenamiento que incluye múltiples muestras de una enfermedad dada de diferentes pacientes. Cada sección de tejido individual de un paciente puede ser analizada como se describe anteriormente, usando la obtención de datos de una imagen espectral, el pre-procesamiento del ANEXO A conjunto de datos resultantes, y el análisis por un algoritmo no supervisado, tal como HCA. Las imágenes del HCA pueden ser registradas con el tejido teñido correspondiente, y pueden ser anotadas por un patólogo. Esta etapa de anotación, indicada en las Figuras 15A a 15C, permite la extracción de los espectros correspondientes a la manifestación típica de los tipos de tejidos o etapas y estados de la enfermedad, u otras características deseadas. Los espectros típicos resultantes, junto con su diagnóstico médico anotado, pueden utilizarse posteriormente para capacitar un algoritmo supervisado, como una ANN, que es especialmente adecuada para detectar las características para las que fue capacitada para reconocer.

De acuerdo con el método de GDS, la muestra puede teñirse usando tintas clásicas o agentes inmuno-histoquímicos. Cuando el patólogo recibe la muestra teñida y la inspecciona usando un microscopio formador de imágenes computarizado, los resultados espectrales pueden estar disponibles para la computadora que controla el microscopio visual. El patólogo puede seleccionar cualquier punto de tejido en la muestra y recibir un diagnóstico basado en la espectroscopia. Este diagnóstico puede sobreponer una imagen en escala de grises o pseudo-color sobre la imagen visual que describe todas las regiones que tienen la misma clasificación de diagnóstico espectral.

La Figura 15A es una imagen visual microscópica de sección de tejido de ganglios linfáticos teñida con H y E. La Figura 15B muestra un ejemplo típico de discriminación global de características anatómicas gruesas, tales como la cápsula y el interior de los ganglios linfáticos. La Figura 15B es una imagen de tinción global digital de la sección mostrada en la Figura 15A, distinguiendo la cápsula y el interior de los ganglios linfáticos.

Las áreas de estas características anatómicas gruesas, que están registradas con la imagen visual correspondiente, pueden ser seleccionadas para el análisis basado en criterios más sofisticados en el conjunto de datos de patrón espectral.

ANEXO A Este siguiente nivel de diagnóstico se puede soportar en una base de datos de tinción digital de marcador de diagnóstico (DMDS, por sus siglas en inglés), que puede, por ejemplo, estar basada únicamente en los resultados de SHP, o puede contener información espectral obtenida mediante resultados inmuno-histoquímicos (IHC, por sus siglas en inglés). Por ejemplo, una sección de tejido epitelial se puede seleccionar para analizar la presencia de patrones espectrales indicativos de anormalidad y/o cáncer, utilizando una base de datos de diagnóstico extra para explorar el área seleccionada. Un ejemplo de este enfoque se muestra esquemáticamente en la Figura 15C, que utiliza toda la potencia discriminatoria de SHP y detalles de rendimiento de las características del tejido en el interior de los ganglios linfáticos (tales como cáncer, linfocitos, etc.), como pueden estar disponibles sólo después de la tinción inmuno-histoquímica en la histopatología clásica. La Figura 15C es una imagen de DMDS de la sección que se muestra en la Figura 15A, distinguiendo la cápsula, el cáncer de mama metastásico, histiocitos, linfocitos B activados y linfocitos T.

La relación entre la GDS y DMDS se muestra por la progresión horizontal marcada en azul oscuro y púrpura, respectivamente, en el esquema de la Figura 16. Ambas GDS y DMDS se basan en datos espectrales, pero pueden incluir otra información, tal como datos de IHC. El diagnóstico actual también puede ser llevado a cabo por el mismo o un algoritmo similar de diagnóstico capacitado, tal como una hANN. Dicha hANN puede primero analizar una sección de tejido de características anatómicas gruesas detectando grandes variaciones en el conjunto de datos de los patrones recopilados para el tejido (la pista azul oscuro). El análisis subsiguiente del "elemento de diagnóstico" puede llevarse a cabo por hANN usando un subconjunto de información espectral, mostrado en la pista púrpura. Se puede, por ejemplo, implementar un algoritmo multi-capa en forma binaria. Ambas GDS y DMDS pueden utilizar diferentes sub-secciones de base de datos, mostradas como base de datos de tejido grueso y base de datos de tejido de diagnóstico en la Figura 16, para llegar a los respectivos ANEXO A diagnósticos, y sus resultados pueden ser superpuestos a la imagen teñida después del adecuado registro de la imagen.

De acuerdo con un método de ejemplo de conformidad con aspectos de la invención, un patólogo puede proporcionar ciertas entradas para asegurar que se consiga un diagnóstico preciso. Por ejemplo, el patólogo puede comprobar visualmente la calidad de la imagen teñida. Además, el patólogo puede realizar la interrogación selectiva para cambiar la amplificación o el campo de visión de la muestra.

El método de acuerdo con aspectos de la invención puede ser realizado por un patólogo observando la muestra biológica y realizando el registro de imagen. Alternativamente, dado que la imagen registrada contiene los datos digitales que pueden ser transmitidos electrónicamente, el método se puede realizar de forma remota.

Los métodos se pueden demostrar por los siguientes ejemplos no limitativos.

Ejemplo 2 - Sección de Ganglios Linfáticos Las Figuras 17A-17D muestran una imagen visual de una sección axilar del ganglio linfático teñido con H y E que mide 1mm x 1mm, que contiene una micrometástasis de cáncer de mama en el cuadrante superior izquierdo. La Figura 17B es una región con tinción digital basada en SHP de micrometástasis de cáncer de mama. Al seleccionar, por ejemplo, haciendo "click" con el ratón controlado de cursor, en el área general de la micrometástasis, una región que fue identificada por SHP como cancerosa se resalta en rojo como se muestra en la Figura 17B. La Figura 17C es una región con tinción digital basada en SHP ocupada por linfocitos B. Al apuntar hacia la esquina inferior derecha, las regiones ocupadas por los linfocitos B están marcadas con azul claro, como se muestra en la Figura 17C. La Figura 17D es una región con tinción digital basada ANEXO A en SHP que muestra las regiones ocupadas por los histiocitos, que se identifican por la flecha.

Dado que la tinción digital basada en SHP se fundamenta en un centro de almacenamiento capacitado y validado o en una base de datos que contiene espectros y diagnósticos, la tinción digital prestada es directamente relacionable con una categoría de diagnóstico, tal como "cáncer de mama metastásico", en el caso de la Figura 17B. El sistema puede ser utilizado primero como una herramienta complementaria o auxiliar por un patólogo, aunque el análisis de diagnóstico puede ser llevado a cabo por SHP. Como una herramienta adyuvante, la salida puede ser una probabilidad de coincidencia y no un informe binario, por ejemplo. La Figura 18 muestra la detección de células cancerosas individuales y en pequeñas agrupaciones con SHP.

Ejemplo 3 - Muestra de Aspiración con Aguja Fina de la Sección de Pulmón Las secciones de la muestra se cortaron de los bloques celulares embebidos con parafina fijados con formalina que fueron preparados a partir de aspirados con agujas finas de regiones sospechosas situadas en el pulmón. Los bloques celulares fueron seleccionados en base a los criterios que el análisis histológico anterior había identificado un adenocarcinoma, carcinoma de células pequeñas (SCC, por sus siglas en inglés) o carcinoma de pulmón de células escamosas. Los especímenes fueron cortados mediante el uso de un micrótomo para proporcionar un espesor de aproximadamente 5pm y posteriormente fueron montadas en los deslizadores, diapositivas o portaobjetos de un microscopio de baja emisividad (Kevley Technologies, Ohio, E.U.). Las secciones fueron luego desparafinadas utilizando protocolos estándar. Después de la recolección de los datos espectroscópicos, las secciones de tejido fueron teñidas con hematoxilina y eosina (H y E) para permitir interpretaciones morfológicas por un histopatólogo.

ANEXO A Un espectrofotómetro formador de imágenes espectro 1 /puntos de luz 400 de Perkin Elmer (Perkin Elmer Corp, Shelton, CT, E.U.) se utilizó en este estudio. Las imágenes micro-espectrales infrarrojas fueron grabadas de zonas de tejido de 1 mm x 1 mm en modo de transflección (transmisión/reflexión), con una resolución de píxel de 6.25 x 6.25 µ?t?, una resolución espectral de 4 cm"1, y la co-adición de 8 ¡nterferogramas, antes de la apodización de Norton-Beer (véase, por ejemplo, Naylor, et al. J Opt. Soc. Am., A24:3644-3648 (2007)) y la transformada de Fourier. Un espectro de fondo apropiado se recogió fuera del área de la muestra en una proporción comparada con el único espectro de haz. Los espectros en proporción resultantes luego se convirtieron a la absorbancia. Cada imagen infrarroja de 1 mm x 1 mm contiene espectros de 160 x 160, o de 25,600.

Inicialmente, las bases de datos micro-espectrales infrarrojas en bruto fueron importadas y procesadas utilizando el software descrito en Matlab (versión R2009a, Mathworks, Natick, MA, E.U.). Se realizó una prueba de calidad espectral para eliminar todos los espectros que se registraron de las áreas donde no existía tejido, o mostraban señal pobre al ruido. Todos los espectros que pasaron la prueba fueron entonces normalizados con base en compensación (resta de la intensidad de la absorbancia mínima a través del vector espectral total), convertidos a la segunda derivada (algoritmo de Savitzy-Golay (véase, por ejemplo, Savitzky, et al. Anal. Chem., 36:1627 (1964)), de 13 puntos de suavizado), cortados para incluir sólo los valores de intensidad registrados en la región espectral de 1350 cm"1a 900 cm"1 y finalmente del vector normalizado o de normalización.

Los conjuntos de datos procesados se importaron en un sistema de software y se realizó un HCA utilizando la distancia Euclídea para definir la similitud espectral, y el algoritmo de Ward (véase, por ejemplo, Ward, J Am. Stat. Assoc, 58:236 (1963)) para el agrupamiento. Las imágenes de agrupamiento de pseudo-color que describen la membrecía del agrupamiento de píxeles, ANEXO A entonces se reunieron y se compararon directamente con las imágenes de H y E capturadas de la misma muestra. Las imágenes de HCA de entre 2 y 15 clústeres, que describen diferentes estructuras de clúster, se ensamblaron mediante el corte del dendrograma de HCA calculado a diferentes niveles. Estas imágenes de clúster fueron proporcionadas luego a patólogos colaboradores que confirmaron la estructura de clúster que mejor replica las interpretaciones morfológicas que ellos hicieron sobre el tejido teñido con H y E.

Los espectros infrarrojos contaminados por los cambios subyacentes de línea de base, variaciones de intensidad de la señal desaparecidas, cambios de posición de pico o características generales que no se derivan u obedecen a la ley de Lambert-Beer fueron corregidos por una versión del modelo de sub-espacio de EMSC para las contribuciones de dispersión y refracción de Mié a los espectros registrados (véase B. Bird, Miljkovic M. y M. Diem, "Corrección de dispersión de Mié resonante de dos pasos de datos micro-espectrales infrarrojos: el tejido humano de los ganglios linfáticos", J. Biofotónica, 3 (8-9) 597-608 (2010). Inicialmente, 1000 espectros registrados para cada tipo de cáncer fueron agrupados en conjuntos de datos separados de las imágenes infrarrojas presentadas en la Figura 19A a 19F.

Estos conjuntos de datos se buscaron entonces para espectros con contribuciones de dispersión mínima, un medio para cada tipo de cáncer se calculó para aumentar la señal al ruido, y la transformada de KK fueron calculadas para cada tipo de célula, como se muestra en la Figura 19A y en la Figura 19B. La Figura 19A muestra los conjuntos de datos espectrales en bruto que comprenden espectros celulares registrados de adenocarcinoma de pulmón, carcinoma de células pequeñas, y carcinoma de células escamosas. La Figura 19B muestra los conjuntos de datos espectrales corregidos de espectros celulares registrados de adenocarcinoma de pulmón, carcinoma de células pequeñas, y carcinoma de células escamosas, respectivamente. La Figura 19C ANEXO A muestra el espectro estándar para el adenocarcinoma de pulmón, carcinoma de células pequeñas y carcinoma de células escamosas.

Un modelo de sub-espacio para contribuciones de la dispersión de Mié se construyó mediante el cálculo de 340 curvas de la dispersión de Mié que describen un rango de radios de núcleo de esfera de 6 µ?? a 40 µ?t?, y un rango de índice de refracción de 1.1 a 1.5, usando las fórmulas de aproximación de Van de Hulst (véase, por ejemplo, Brussard, et al., Rev. Mod. Phys., 34:507 (1962)). Los primeros 10 componentes principales que describen más del 95% de la varianza compuesta en estas curvas de dispersión, se utilizaron luego en una adición a las transformadas de KK para cada tipo de cáncer, como las interferencias en una corrección de EMSC de conjuntos de datos de un paso. El cálculo de EMSC tomó aproximadamente 1 segundo por 1000 espectros. La Figura 19D muestra los espectros de la transformada de KK calculada a partir de los espectros en la Figura 19C. La Figura 19E muestra los resultados gráficos de PCA de los conjuntos de datos de múltiples clases antes de la corrección de EMSC. La Figura 19F muestra los resultados gráficos de PCA de los conjuntos de datos de múltiples clases antes de la corrección de EMSC. El análisis se realizó en el vector normalizado de la región espectral de 1800 cm"1 a 900 cm"1.

La Figura 20A muestra medios de espectros de absorbancia de adenocarcinoma de pulmón, carcinoma de células pequeñas y carcinoma escamoso, respectivamente. Estos se calcularon a partir de 1000 espectros celulares corregidos de dispersión de cada tipo de célula. La Figura 20B muestra los espectros de segunda derivada de los espectros de absorbancia que se muestran en la Figura 20A. En general, el adenocarcinoma y el carcinoma de células escamosas tienen perfiles espectrales similares en la región de número de onda inferior del espectro. Sin embargo, el carcinoma de células escamosas muestra un hombro de número de onda sustancialmente bajo para la banda de la amida I, que ha sido observada para los datos espectrales registrados a partir de carcinoma de células escamosas en la cavidad oral (Papamarkakis, et al.

ANEXO A (2010), Lab. Invest., 90:589-598). El carcinoma de células pequeñas muestra bandas de fosfato simétricas y anti-simétricas muy fuertes que se desplazan ligeramente a un número de onda superior, lo que indica una fuerte contribución de fosfolípidos en los espectros observados.

Dado que la mayoría de la superficie de la muestra se compone de sangre y materiales sin diagnóstico, los datos fueron pre-procesados para incluir solamente el material de diagnóstico y corregirlo para las contribuciones de dispersión. Además, se utilizó HCA para crear una máscara binaria y finalmente clasificar los datos. Este resultado se muestra en las Figuras 21A-21C. La Figura 21A muestra 4 imágenes microscópicas suturadas con tinción de R y E de áreas de tejido de 1 mm x 1 mm que comprenden células de adenocarcinoma, carcinoma de células pequeñas, y carcinoma de células escamosas, respectivamente. La Figura 21 B es una imagen de la máscara binaria construida por la realización de un rápido análisis de RCA reducido sobre la región espectral de 1350 cm a 900 cm"1 las 4 imágenes infrarrojas en bruto suturadas registradas a partir de las zonas de tejido que se muestran en la Figura 21A. Se muestran las regiones de material de diagnóstico celular y las células sanguíneas. La Figura 21 C es una imagen RCA de 6 agrupaciones de datos espectrales corregidos de dispersión registrados a partir de regiones de material celular de diagnóstico. El análisis se realizó en la región espectral de 1800 cm"1 a 900 cm"1. Se muestran las regiones de carcinoma de células escamosas, adenocarcinoma, carcinoma de células pequeñas, y diversas respuestas de tejido desmoplásico. Alternativamente, estos procesos pueden ser reemplazados con un algoritmo de supervisión, como una ANN.

Los resultados presentados en los ejemplos anteriores muestran que el análisis de los datos espectrales medidos en bruto permite la diferenciación de SCC y carcinoma de células no pequeñas (NSCC por sus siglas en inglés). Después de que los espectros medidos en bruto se corrigen para contribuciones de dispersión de adenocarcinoma y carcinoma de células escamosas de acuerdo ANEXO A con métodos de acuerdo con aspectos de la invención, sin embargo, los dos subtipos de NSCC, se diferencian claramente. Por lo tanto, estos ejemplos proporcionan una fuerte evidencia de que este método de formación de imágenes espectrales se puede usar para identificar y clasificar correctamente los tres tipos principales de cáncer de pulmón.

La Figura 22 muestra las diversas características de un ejemplo de sistema informático 100 para su uso en conjunción con los métodos de acuerdo con los aspectos de la invención, incluyendo, pero no limitado a, el registro y entrenamiento de imágenes. Como se muestra en la Figura 22, el sistema informático 100 puede ser utilizado por un solicitante 101 a través de una terminal 102, tal como una computadora personal (PC), minicomputadora, computadora central, microcomputadora, dispositivo de teléfono, asistente digital personal (PDA por sus siglas en inglés), u otro dispositivo que tenga un procesador y una capacidad de entrada. El módulo de servidor puede comprender, por ejemplo, una PC, microcomputadora, computadora central, microcomputadora, u otro dispositivo que tenga un procesador y un centro de almacenamiento de datos o que sea capaz de acceder a un centro de almacenamiento de datos. El módulo de servidor 106 puede estar asociado, por ejemplo, con un centro de almacenamiento accesible de datos basados en enfermedades para su uso en diagnóstico.

La información relativa a un diagnóstico, por ejemplo, a través de una red 110, tal como Internet, por ejemplo, puede ser transmitida entre el analista 101 y el módulo de servidor 106. Las comunicaciones pueden estar hechas, por ejemplo, a través de acoplamientos 11 1 , 113, tales como enlaces cableados, inalámbricos, o de fibra óptica.

Los aspectos de la invención pueden ser implementados usando hardware, software o una combinación de los mismos y pueden ser implementados en uno o más sistemas de computación u otros sistemas de procesamiento. En una ANEXO A variación, los aspectos de la invención están dirigidos hacia uno o más sistemas de computación capaces de llevar a cabo la funcionalidad descrita en la presente. Un ejemplo de tal sistema informático 200 se muestra en la Figura 23.

El sistema informático 200 incluye uno o más procesadores, como el procesador 204. El procesador 204 está conectado a una infraestructura de comunicación 206 (por ejemplo, un bus de comunicaciones, barra de cruce, o red). Diversos aspectos del software se describen en términos de este sistema informático ejemplar. Después de leer esta descripción, se hará evidente para un experto en la(s) técnica(s) pertinente(s) cómo implementar los aspectos de la invención usando otros sistemas y/o arquitecturas de computación.

El sistema informático 200 puede incluir una interfaz de visualización 202 que envía gráficos, texto y otros datos desde la infraestructura de comunicaciones 206 (o desde una memoria intermedia de marco no mostrada) para su visualización en la unidad de visualización 230. El sistema informático 200 incluye también una memoria principal 208, preferiblemente memoria de acceso aleatorio (RAM), y también puede incluir una memoria secundaria 210. La memoria secundaria 210 puede incluir, por ejemplo, un controlador de disco duro 212 y/o un controlador de almacenamiento extraíble 214, que representa un controlador de disquete, un controlador de cinta magnética, un controlador de disco óptico, etc. El controlador de almacenamiento extraíble 214 lee y/o escribe en una unidad de almacenamiento extraíble 218 de una manera bien conocida. La unidad de almacenamiento extraíble 218, representa un disquete, cinta magnética, disco óptico, etc., que es leído por y escrito para el controlador de almacenamiento extraíble 214. Como se apreciará, la unidad de almacenamiento extraíble 218 incluye un medio de almacenamiento utilizable por computadora que tiene almacenado en el mismo software de computación y/o datos.

En variaciones alternativas, la memoria secundaria 210 puede incluir otros dispositivos similares para permitir que los programas de computación u otras ANEXO A instrucciones se carguen en el sistema informático 200. Tales dispositivos pueden incluir, por ejemplo, una unidad de almacenamiento extraíble 222 y una interfaz 220. Los ejemplos de tales pueden incluir un cartucho de programa y una interfaz de cartucho (tal como la que se encuentra en los dispositivos de videojuegos), un chip de memoria extraíble (como una memoria de sólo lectura programable borrable (EPROM por sus siglas en inglés), o memoria de sólo lectura programable (PROM por sus siglas en inglés)) y el correspondiente socket, y otras unidades de almacenamiento extraíbles 222 e interfaces 220, que permitan que el software y los datos sean transferidos desde la unidad de almacenamiento extraíble 222 al sistema informático 200.

El sistema informático 200 puede incluir también una interfaz de comunicaciones 224. La interfaz de comunicaciones 224 permite que el software y los datos sean transferidos entre el sistema informático 200 y los dispositivos externos. Ejemplos de la interfaz de comunicaciones 224 pueden incluir un módem, una interfaz de red (como una tarjeta de Ethernet), un puerto de comunicaciones, una muesca y tarjeta de la Asociación Internacional de Memoria de Computadora Personal (PCMCIA por sus siglas en inglés), etc. El software y los datos transferidos a través de la interfaz de comunicaciones 224 están en la forma de señales 228, que pueden ser señales electrónicas, electromagnéticas, ópticas o de otro tipo capaces de ser recibidas por la interfaz de comunicaciones 224. Estas señales 228 se proporcionan a la interfaz de comunicaciones 1524 a través de una ruta de comunicaciones 226 (por ejemplo, un canal). Esta ruta 226 lleva las señales 228 y puede llevarse a cabo mediante alambre o cable, fibra óptica, una línea telefónica, un enlace celular, un enlace de frecuencia de radio (RF) y/u otros canales de comunicación. En este documento, los términos "medio de programa de computación" y "medio utilizable de computación" se usan para referirse generalmente a medios tales como un controlador de almacenamiento extraíble 214, un disco duro instalado en el controlador de disco duro 212, y las señales 228. Estos productos de programa de computación proporcionan ANEXO A software para el sistema informático 200. Aspectos de la invención se refieren a tales productos de programas de computación.

Los programas de computación (también referido como la lógica de control de la computadora) se almacenan en la memoria principal 208 y/o en la memoria secundaria 210. Los programas de computación también se pueden recibir a través de la interfaz de comunicaciones 224. Tales programas de computación, cuando se ejecutan, permiten al sistema informático 200 llevar a cabo las funciones de acuerdo con aspectos de la invención, como se discute en la presente. En particular, los programas de computación, cuando se ejecutan, permiten al procesador 204 llevar a cabo dichas funciones. En consecuencia, dichos programas de computación representan controladores del sistema informático 200.

En una variación donde los aspectos de la invención se implementan utilizando un software, el software puede ser almacenado en un producto de programa de computación y cargarse en el sistema informático 200 utilizando el controlador de almacenamiento extraíble 214, el controlador de disco duro 212 o la interfaz de comunicaciones 224. La lógica de control (software), cuando es ejecutada por el procesador 204, hace que el procesador 204 realice las funciones descritas en la presente descripción. En otra variante, los aspectos de la invención se aplican principalmente en hardware usando, por ejemplo, componentes de hardware, como circuitos integrados de aplicación específica (ASIC). La implementacion de la máquina de estado de hardware para realizar las funciones descritas en este documento será evidente para los técnicos en la materia(s) pertinente(s).

En otra variación, aspectos de la invención se implementan mediante una combinación de hardware y software.

ANEXO A

Claims (34)

Reivindicaciones Lo que se reclama es:

1. Un método para analizar especímenes biológicos mediante formación de imágenes espectrales, que comprende: adquisición de una imagen espectral del espécimen biológico; adquirir una imagen visual del espécimen biológico; y registrar la imagen visual e imagen espectral.

2. El método de la reivindicación 1, que comprende además: almacenar la imagen visual e imagen espectral registradas.

3. El método de la reivindicación 1 , en donde el espécimen biológico está compuesto por células o tejidos.

4. El método de la reivindicación 1 , en donde adquirir una imagen espectral del espécimen biológico comprende: adquirir los datos espectrales del espécimen biológico; realizar el pre-procesamiento en los datos espectrales; realizar el análisis de multivariante en los datos espectrales; y preparar una imagen espectral de escala de grises o pseudo-color.

5. El método de la reivindicación 4, en donde adquirir los datos espectrales del espécimen biológico comprende: realizar una espectroscopia infrarroja, espectroscopia Raman, espectroscopia visible, en terahertz, o de fluorescencia en el espécimen biológico.

6. El método de la reivindicación 4, en donde adquirir los datos espectrales del espécimen biológico comprende: realizar espectroscopia infrarroja en el espécimen biológico. ANEXO A

7. El método de la reivindicación 4, en donde el pre-procesamiento de los datos espectrales comprende: seleccionar un rango espectral; calcular la segunda derivada; realizar la Transformada de Fourier Inversa; realizar un llenado de ceros y Transformada de Fourier Inversa; y realizar una corrección de fase.

8. El método de la reivindicación 4, en donde el pre-procesamiento de los datos espectrales comprende: someter los datos espectrales a una máscara binaria.

9. El método de la reivindicación 4, en donde el análisis de multivariante de los datos espectrales comprende: realizar un análisis sin supervisión.

10. El método de la reivindicación 9, en donde realizar el análisis sin supervisión comprende: realizar análisis jerárquico de clúster (HCA) o el análisis de componentes principales (PCA).

11. El método de la reivindicación 4, en donde el análisis de multivariante de los datos espectrales comprende: realizar el análisis de los datos a través de un algoritmo supervisado.

12. El método de la reivindicación 11 , en donde el análisis de los datos a través de un algoritmo supervisado comprende: realizar el análisis de los datos a través de un algoritmo de aprendizaje maquinizados seleccionado del grupo que consiste en redes neuronales artificiales (ANN), redes neuronales artificiales jerárquicas (hANN), máquinas de vectores de soporte (SVM) y algoritmos de azar forestal.

13. El método de la reivindicación 1 , en donde adquirir una imagen visual del espécimen biológico comprende: obtener una imagen digital del espécimen biológico. ANEXO A

14. El método de la reivindicación 2, en donde registrar la imagen visual e imagen espectral comprende: alinear los puntos de control correspondientes en la imagen espectral y la imagen visual.

15. El método de la reivindicación 1 , que comprende además: proporcionar un diagnóstico médico.

16. El método de la reivindicación 15, en donde proporcionar un diagnóstico médico comprende: obtener una región seleccionada de una imagen espectral; comparar los datos de la región seleccionada con los datos en un centro de almacenamiento que está asociado con una enfermedad o condición; determinar cualquier correlación entre los datos del centro de almacenamiento y los datos de la región seleccionada; y generar un diagnóstico asociado con la determinación.

17. El método de la reivindicación 16, en donde los datos del centro de almacenamiento se obtienen de una pluralidad de imágenes, y en donde cada una de la pluralidad de imágenes en el centro de almacenamiento está asociada con una enfermedad o condición.

18. Un método de desarrollo de un centro de almacenamiento de datos, que comprende: identificar una región de una imagen visual que muestra una enfermedad o condición; asociar la región de la imagen visual con los datos espectrales correspondientes a la región; y almacenar la asociación entre los datos espectrales y la enfermedad o condición correspondiente.

19. Un método para proporcionar un diagnóstico médico, que comprende: obtener datos espectroscópicos de un espécimen biológico; comparar los datos del espécimen biológico con los datos en un centro de almacenamiento que está asociado con una enfermedad o condición; determinar cualquier correlación entre los datos del centro de almacenamiento y los datos espectroscópicos del espécimen biológico; y generar un diagnóstico asociado con la determinación. ANEXO A

20. El método de la reivindicación 19, en donde los datos del centro de almacenamiento se obtienen desde una pluralidad de imágenes, y en donde cada una de la pluralidad de imágenes en el centro de almacenamiento está asociada con una enfermedad o condición.

21. El método de la reivindicación 19, en donde generar el diagnóstico comprende mostrar el diagnóstico en una pantalla de computadora.

22. El método de la reivindicación 19, en donde generar el diagnóstico comprende almacenar el diagnóstico electrónicamente.

23. Un sistema para proporcionar un diagnóstico médico, el sistema comprende: un procesador; una interfaz de usuario que funciona por medio del procesador; y un centro de almacenamiento accesible por medio del procesador; en donde se obtienen los datos espectroscópicos de un espécimen biológico; en donde los datos espectroscópicos del espécimen biológico se compara con los datos del centro de almacenamiento que están asociados con una enfermedad o condición; en donde se determina cualquier correlación entre los datos del centro de almacenamiento y los datos espectroscópicos para el espécimen biológico; y en donde se genera un diagnóstico asociado con la determinación.

24. El sistema de la reivindicación 23, en donde el procesador está alojado en una terminal.

25. El sistema de la reivindicación 24, en donde la terminal se selecciona de un grupo que consiste en una computadora personal, una minicomputadora, una computadora central, una microcomputadora, un dispositivo portátil y un dispositivo telefónico.

26. El sistema de la reivindicación 23, en donde el procesador está alojado servidor. ANEXO A

27. El sistema de la reivindicación 26, en donde el servidor se selecciona de un grupo que consiste en una computadora personal, una minicomputadora, una microcomputadora y una computadora central.

28. El sistema de la reivindicación 26, en donde el servidor está acoplado a una red.

29. El sistema de la reivindicación 28, en donde la red es el Internet.

30. El sistema de la reivindicación 28, en donde el servidor está acoplado a una red mediante un acoplamiento.

31. El sistema de la reivindicación 30, en donde el acoplamiento se selecciona de un grupo que consiste en una conexión alámbrica, una conexión inalámbrica y una conexión de fibra óptica.

32. El sistema de la reivindicación 23, en donde el centro de almacenamiento está alojado en un servidor.

33. El sistema de la reivindicación 32, en donde el servidor está acoplado a una red.

34. Un producto de programa de computación que comprende un medio utilizable por una computadora que tiene una lógica de control almacenada ahí para hacer que una computadora proporcione un diagnóstico médico, la lógica de control comprende: un primer medio de código de programa legible para computadora para obtener datos espectroscópicos para un espécimen biológico; un segundo medio de código de programa legible para computadora para comparar los datos espectroscópicos del espécimen biológico con los datos del centro de almacenamiento que están asociados con una enfermedad o condición; un tercer medio de código de programa legible para computadora ANEXO A para determinar cualquier correlación entre los datos del centro de almacenamiento y los datos espectroscópicos del espécimen biológico; y un cuarto medio de código de programa legible para computadora para generar un diagnóstico asociado con la determinación. Resumen de la Divulgación Un método para analizar especímenes biológicos mediante formación e imágenes espectrales para proporcionar un diagnóstico médico incluye obtener imágenes espectrales y visuales de los especímenes biológicos y registrar las imágenes para detectar las anomalías celulares, células precancerosas y células cancerosas. Este método elimina la propensión y la falta de fiabilidad de los diagnósticos que son inherentes a los métodos histopatológicos estándares y otros métodos espectrales. Además, un método para corregir las contribuciones espectrales de confusión que se observan con frecuencia en los espectros infrarrojos microscópicamente adquiridos de las células y tejidos incluye realizar una corrección de fase en los datos espectrales. Este método de corrección de fase puede ser utilizado para corregir varios tipos de espectros de absorción que están contaminados por componentes reflectantes. ANEXO A