TWI825240B - 用於判定體液樣品中之分析物濃度的方法和系統及用於產生軟體實施模組的方法和系統 - Google Patents
用於判定體液樣品中之分析物濃度的方法和系統及用於產生軟體實施模組的方法和系統 Download PDFInfo
- Publication number
- TWI825240B TWI825240B TW108144905A TW108144905A TWI825240B TW I825240 B TWI825240 B TW I825240B TW 108144905 A TW108144905 A TW 108144905A TW 108144905 A TW108144905 A TW 108144905A TW I825240 B TWI825240 B TW I825240B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- interest
- image
- analyte
- region
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000012491 analyte Substances 0.000 title claims abstract description 67
- 210000001124 body fluid Anatomy 0.000 title claims abstract description 57
- 238000005259 measurement Methods 0.000 claims abstract description 90
- 238000012360 testing method Methods 0.000 claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000013528 artificial neural network Methods 0.000 claims abstract description 66
- 238000003062 neural network model Methods 0.000 claims abstract description 47
- 230000004044 response Effects 0.000 claims abstract description 21
- 230000009466 transformation Effects 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims abstract description 5
- 239000010839 body fluid Substances 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 48
- 239000008280 blood Substances 0.000 claims description 45
- 210000004369 blood Anatomy 0.000 claims description 45
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 43
- 239000008103 glucose Substances 0.000 claims description 43
- 238000004458 analytical method Methods 0.000 claims description 41
- 230000008859 change Effects 0.000 claims description 19
- 238000002474 experimental method Methods 0.000 claims description 11
- 238000010200 validation analysis Methods 0.000 claims description 10
- 239000012530 fluid Substances 0.000 claims description 8
- 239000007788 liquid Substances 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 4
- 238000001454 recorded image Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 9
- 239000000523 sample Substances 0.000 description 56
- 230000001413 cellular effect Effects 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 7
- 239000012472 biological sample Substances 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000007705 chemical test Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 239000002207 metabolite Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003018 immunoassay Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 101100248200 Arabidopsis thaliana RGGB gene Proteins 0.000 description 1
- 102000005548 Hexokinase Human genes 0.000 description 1
- 108700040460 Hexokinases Proteins 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012742 biochemical analysis Methods 0.000 description 1
- 238000010876 biochemical test Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/8483—Investigating reagent band
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
- G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
- G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/66—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood sugars, e.g. galactose
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Immunology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Hematology (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Urology & Nephrology (AREA)
- Software Systems (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Biotechnology (AREA)
- Diabetes (AREA)
- Microbiology (AREA)
- Cell Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computational Linguistics (AREA)
Abstract
本發明係關於一種用於產生經組態以判定一體液之一樣品中之一分析物之濃度之一軟體實施模組的方法和系統。在一或多個資料處理裝置中,該方法包括:提供第一組量測資料,該第一組量測資料表示藉由影像資料處理自一或多個測試條之一所關注區之影像導出之第一色彩資訊;在應用一人工神經網路之一機器學習程序中產生一神經網路模型;及產生一軟體實施模組,該軟體實施模組包括表示該神經網路模型之一第一分析演算法。該軟體實施模組經組態以在被載入至具有一或多個處理器之一資料處理裝置中時依據分析第二組量測資料判定一體液之一第二樣品中之一分析物之濃度,該第二組量測資料指示藉由影像處理自一或多個測試條之一所關注區之影像導出之第二色彩資訊,該等影像指示所關注區回應於將含有該分析物之該體液之該第二樣品施加至該所關注區而發生之一色彩變換。此外,本發明係關於一種用於產生一軟體實施模組之系統以及一種用於判定一體液之一樣品中之一分析物之濃度的方法和系統。此外,揭示一種電腦程式產品。
Description
本發明係關於一種用於產生經組態以判定一體液之一樣品中之一分析物之濃度之一軟體實施模組的方法及一種用於判定一體液之一樣品中之一分析物之濃度之方法。此外,本發明係關於一種用於產生經組態以判定一體液之一樣品中之一分析物之濃度之一軟體實施模組之系統以及一種用於判定一體液之一樣品中之一分析物之濃度之系統。此外,係關於一種電腦程式產品。
機器學習(ML)係電腦科學之一個分支,其用於導出資料驅動型演算法。不使用顯式公式,而是ML演算法採用真實訓練資料來產生模型,該等模型比傳統上由人構想之模型更準確且更複雜。人工神經網路(ANN)屬機器學習之一分支且依靠遍佈於多個層之人工神經元。神經網路之概念已存在了數十年,但直至最近計算能力才滿足有效地開發神經網路演算法之大量計算需要。散佈式計算能力使得開發者將計算分配於多個單元上而非使用超級電腦。散佈式計算之知名實施方案包含Apache Hadoop、Apache Spark及MapReduce。
神經網路模型十分適合於識別圖案/當不存在直接的一對一關係或一對一關係弱時,十分適合於識別一輸入與輸出之間的非線性關係。此重要乃是由於一模型之準確性高度取決於對基礎系統的表徵程度以及輸入與輸出之間的關係如何界定。
文件US 2006 / 0008923 A1中提供用於對一患者做出醫學診斷或風險評估之系統及方法。此等系統及方法經設計以在定點照護時採用,諸如在急診室及手術室中或在期望得到一迅速且準結果之任何情況下採用。該等系統及方法處理患者資料,特別是來自定點照護診斷測試或測定之資料(包含免疫測定、心電圖、X射線及其他此類測試),且提供一醫學狀況或風險或者不存在風險之一指示。該等系統包含用於讀取或評價測試資料之一儀器及用於將資料轉換成診斷資訊或風險評估資訊之軟體。患者資訊包含來自物理測試及生化測試之資料(諸如免疫測定)以及來自其他過程之資料。該等測試係在定點照護時對一患者執行並產生資料,可諸如藉由一電子反射或傳輸讀取器將該資料數位化以產生一資料信號。使用採用資料減化及曲線擬合演算法之軟體或一決策支援系統(諸如,一經訓練神經網路)或其組合來處理該信號,以將信號轉換成資料,使用所轉換資料來輔助診斷一醫學狀況或判定一疾病風險。可進一步將此結果鍵入至一第二決策支援系統(諸如一神經網)中以改進或增強評估。
文件WO 2018/0194525 A1係關於用於將一生物樣品中之代謝物量化之一生化分析方法。該方法係基於在各種條件下產生並瞭解一測試條(量桿)之外觀以估計一未知樣品影像之值/標籤。該方法由兩個部分組成:一訓練部分及一測試部分。在訓練部分中,藉由一生化分析器量測一測試條之代謝物數量。藉由模擬各種周圍照明條件之一裝置擷取同一測試條之一組影像。使用測試條之該等影像及其對應代謝物數量來訓練一機器學習模型,且將該學習模型傳送至一智慧型裝置。在測試部分中,藉由該智慧型裝置擷取一待分析測試條之影像,並使用在訓練部分中所判定之學習模型來處理該等影像。
文件US 2018 / 0211380 A1係關於用於對生物樣品進行成像並分析生物樣品之影像之一系統。該系統自動分析生物樣品之影像以使用機器學習技術來對所關注細胞進行歸類。在一實施方案中,可診斷與特定細胞類型相關聯之疾病。
文件US 2016/0048739 A1係關於一生物樣品診斷系統。該診斷系統包含一診斷儀器及一可攜式電子裝置。該診斷儀器具有一參考色彩條及用以接收一生物樣品之複數個化學測試墊。該可攜式電子裝置包含:一數位相機,其用以在不受控照明環境中擷取診斷儀器之一數位影像;一感測器,其用於擷取診斷儀器之一表面之照度;一處理器,其耦合至該數位相機及該感測器以接收數位影像及照度;及一儲存裝置,其耦合至該處理器。該儲存裝置儲存指令,該等指令由處理器執行以處理數位影像及照度,以將該複數個化學測試墊之色彩正規化並回應於化學測試墊之色彩改變之量化而判定診斷測試結果。
本發明之一目標係提供用於判定一體液之一樣品中之一分析物之濃度之經改良技術。
為解決該問題,根據獨立技術方案1提供一種用於產生經組態以判定一體液之一樣品中之一分析物之濃度之一軟體實施模組的方法。此外,根據獨立技術方案2提供一種用於判定一體液之一樣品中之一分析物之濃度之方法。根據獨立技術方案11及12分別提供一種用於產生經組態以判定一體液之一樣品中之一分析物之濃度之一軟體實施模組之系統以及用於判定一體液之一樣品中之一分析物之濃度之系統。此外,根據技術方案13提供一種電腦程式產品。在附屬請求項中揭示其他實施例。
根據一項態樣,提供一種用於產生經組態以判定一體液之一樣品中之一分析物之濃度之一軟體實施模組之方法。在一或多個資料處理裝置中,該方法包括提供第一組量測資料,該第一組量測資料表示藉由影像資料處理自一或多個測試條之一所關注區之影像導出之第一色彩資訊。該等影像指示該所關注區回應於將含有一分析物之一體液之一或多個第一樣品施加至該所關注區而發生之一色彩變換,且該等影像由複數個裝置記錄,該複數個裝置各自經組態以進行影像記錄及影像資料處理以產生該第一色彩資訊,該複數個裝置設置有應用於在該裝置中進行影像記錄及影像資料處理之不同軟體及/或硬體裝置組態。該方法進一步包括在該一或多個資料處理裝置中在應用一人工神經網路之一機器學習程序中產生一神經網路模型,該操作包括提供該神經網路模型,並藉由自該第一組量測資料選擇之訓練資料訓練該神經網路模型。產生一軟體實施模組,軟體實施模組該包括表示該神經網路模型之一第一分析演算法,其中該軟體實施模組經組態以在被載入至具有一或多個處理器之一資料處理裝置中時依據分析第二組量測資料判定一體液之一第二樣品中之一分析物之濃度,該第二組量測資料指示藉由影像處理自一或多個測試條之一所關注區之影像導出之第二色彩資訊,該等影像指示所關注區回應於將含有該分析物之該體液之第二樣品施加至該所關注區而發生之一色彩變換。
根據一項態樣,一種用於判定一體液之一樣品中之一分析物之濃度之方法,在一或多個資料處理裝置中,該方法包括:提供一組當前量測資料,該組當前量測資料指示藉由影像處理自一當前測試條之一所關注區之影像導出之當前色彩資訊,該等影像指示該所關注區回應於將含有一分析物之一體液之一當前樣品施加至該所關注區而發生之一色彩變換;提供包括一第一分析演算法之一軟體實施模組,該第一分析演算法表示在應用一人工神經網路之一機器學習程序中產生之一神經網路模型;判定該體液之該當前樣品中之該分析物之濃度,其包括藉由該第一分析演算法分析該組當前量測資料;及產生指示該體液之該當前樣品中之該分析物之該濃度之濃度資料。在該機器學習程序中產生該神經網路模型包括:提供第一組量測資料,該第一組量測資料指示藉由影像資料處理自一或多個測試條之一所關注區之影像導出之第一色彩資訊,該等影像指示該所關注區回應於將含有一分析物之一體液之一或多個第一樣品施加至該所關注區而發生之一色彩變換。該第一組量測資料表示自複數個裝置所記錄之影像導出之第一色彩資訊,該複數個裝置各自經組態以進行影像記錄及影像資料處理以產生該第一色彩資訊,該複數個裝置設置有應用於在該裝置中進行影像記錄及影像資料處理之一不同裝置組態。藉由自該第一組量測資料選擇之訓練資料訓練該神經網路模型。
根據另一態樣,提供一種用於產生經組態以判定一體液之一樣品中之一分析物之濃度之一軟體實施模組之系統,該系統包括一或多個資料處理裝置,該一或多個資料處理裝置經組態以:提供第一組量測資料,該第一組量測資料表示藉由影像資料處理自一或多個測試條之一所關注區之影像導出之第一色彩資訊。該等影像指示該所關注區回應於將含有一分析物之一體液之一或多個第一樣品施加至該所關注區而發生之一色彩變換;及由複數個裝置記錄,該複數個裝置各自經組態以進行影像記錄及影像資料處理以產生該第一色彩資訊,該複數個裝置設置有應用於在該裝置進行影像記錄及影像資料處理之不同軟體及/或硬體裝置組態。該一或多個資料處理裝置經組態以在應用一人工神經網路之一機器學習程序中產生一神經網路模型,該步驟包括提供該神經網路模型;及藉由自該第一組量測資料選擇之訓練資料訓練該神經網路模型。此外,該一或多個資料處理裝置經組態以產生一軟體實施模組,該軟體實施模組包括表示該神經網路模型之一第一分析演算法,其中該軟體實施模組經組態以在被載入至具有一或多個處理器之一資料處理裝置中時依據分析第二組量測資料來判定一體液之一第二樣品中之一分析物之濃度,該第二組量測資料指示藉由影像處理自一或多個測試條之一所關注區之影像導出之第二色彩資訊,該等影像指示該所關注區回應於將含有該分析物之該體液之該第二樣品施加至該所關注區而發生之一色彩變換。
根據又一態樣,提供一種用於判定一體液之一樣品中之一分析物之濃度之系統,該系統包括一或多個資料處理裝置,該一或多個資料處理裝置經組態以:提供一組當前量測資料,該組當前量測資料指示藉由影像處理自一當前測試條之一所關注區之影像導出之當前色彩資訊,該等影像指示該所關注區回應於將含有一分析物之一體液之一當前樣品施加至該所關注區而發生之一色彩變換;提供包括一第一分析演算法之一軟體實施模組,該第一分析演算法表示在應用一人工神經網路之一機器學習程序中產生之一神經網路模型;判定該體液之該當前樣品中之該分析物之濃度,其包括藉由該第一分析演算法分析該組當前量測資料;及產生指示該體液之該當前樣品中之該分析物之該濃度之濃度資料。在該機器學習程序中產生該神經網路模型包括:提供第一組量測資料,該第一組量測資料指示藉由影像資料處理自一或多個測試條之一所關注區之影像導出之第一色彩資訊,該等影像指示該所關注區回應於將含有一分析物之一體液之一或多個第一樣品施加至該所關注區而發生之一色彩變換。該第一組量測資料表示自複數個裝置所記錄之影像導出之第一色彩資訊,該複數個裝置各自經組態以進行影像記錄及影像資料處理以產生該第一色彩資訊,該複數個裝置設置有應用於在該裝置中進行影像記錄及影像資料處理之一不同裝置組態。藉由自該第一組量測資料選擇之訓練資料訓練該神經網路模型。
此外,提供一種包括程式碼之電腦程式產品,該等程式碼經組態以在被載入至具有一或多個處理器之一電腦中時執行以上方法。
在該機器學習程序中產生之該神經網路模型允許改良體液之(當前)樣品中之分析物之濃度之判定。藉由具有基於表示第一色彩資訊之該第一組量測資料產生之神經網路模型提供一神經網路模型,該第一色彩資訊自由該複數個不同裝置記錄之影像導出,該複數個不同裝置各自經組態以進行影像記錄及影像資料處理以產生該第一色彩資訊,該神經網路模型在訓練及測試之後可應用或實施於不同裝置上以判定一體液之一樣品中之一分析物之濃度,該等不同裝置具有應用於在各別裝置中進行影像記錄及影像資料處理之不同裝置組態。
之前所產生之神經網路模型應用於分析指示藉由影像處理自當前測試條/第二測試條之一所關注區之影像導出之當前色彩資訊/第二色彩資訊的一組當前量測資料或第二組量測資料,該等影像指示所關注區回應於施加將一患者之一體液之一當前樣品/第二樣品而發生之一色彩變換,該樣品含有施加至所關注區之一分析物。在此程序中,針對提供樣品之患者之判定分析物濃度。
該方法可包括具有應用於進行影像記錄及影像資料處理之不同相機裝置及不同影像處理軟體中之至少一者之該複數個裝置。
所記錄之該等影像可包括在不同光學影像記錄條件下記錄之影像。
該方法可進一步包括以下:提供一第二分析演算法,該第二分析演算法不同於該第一分析演算法;及藉助第二分析演算法分析該組當前量測資料來為體液之當前樣品中之分析物之濃度判定一第一估計值。該第二分析演算法可係一非機器學習型演算法,諸如參數多變量線性回歸。此非機器學習型演算法亦可被稱為用於判定分析物濃度之傳統演算法。分析物濃度之該第一估計值可提供一輸入以供由神經網路模型(進一步)分析。另一選擇為,自非機器學習型演算法導出之濃度結果可用於一失效安全測試中以驗證藉由應用神經網路模型判定之分析物濃度值。
該判定可包括判定體液之當前樣品中之分析物之濃度之一目標範圍。替代判定分析物濃度之實際值或除此判定之外,可判定分析物濃度值之目標範圍。
該判定可包括藉由對第一估計值與藉由第一分析演算法分析一組當前量測資料所提供之一濃度值求平均值來判定一平均濃度。依據所判定平均值將來自神經網路模型分析之結果與基於傳統演算法之分析之結果組合。
在另一實施例中,該判定可包括判定第二樣品中之血糖濃度。
該第一組量測資料、該第二組量測資料及該組當前量測資料中之至少一者可分別表示藉由影像處理自在一量測時間週期內所記錄的該一或多個測試條之該所關注區之影像、以自約0.1 s至約1.5 s之一時間間隔記錄之連續影像導出之第一色彩資訊、第二色彩資訊及當前色彩資訊。
導出該第一組量測資料所依據之影像可包括在將該體液之該一或多個第一樣品施加至該一或多個測試條之該所關注區之前該所關注區之影像。類似地,另外或另一選擇為,導出該組當前量測資料所依據之影像可包括在將該體液之當前樣品施加至當前測試條之所關注區之前該所關注區之影像。
在一實例中,可規定將量測資料劃分成一訓練資料集、一驗證資料集及一測試資料集。舉例而言,約60%之量測資料可用於訓練(訓練資料集),約20%之量測資料用於驗證(驗證資料集),且約20%之量測資料用於測試(測試資料集)。可採用交叉驗證技術,諸如留p交叉驗證或k重交叉驗證。可對量測資料使用分層隨機取樣形成訓練資料集。可基於應用於搜集量測資料之裝置類型及在收集量測資料時所應用之實驗類型中之至少一者進行該分層。將量測資料劃分成單獨子群體(層次),其中每一層次可對應於一不同裝置類型及/或不同實驗類型。隨後,可針對每一層次對資料單獨取樣且然後合並以形成訓練資料集。如此一來可應用於確認訓練資料本質上表示裝置類型及/或實驗類型之全群體。驗證資料集及測試資料集可以類似方式形成。
上文關於方法中之至少一者所揭示之實施例可適用於一種或兩種系統,加上必要的變更。
以下,更詳細地揭示一種用於產生經組態以判定一體液之一樣品中之一分析物之濃度之一軟體實施模組之方法之實施例。在產生軟體實施模組之後,在另一方法中軟體實施模組可用於不同裝置(諸如,行動裝置)上以分析實驗結果,從而判定施加至測試條上之一體液之一樣品中之一分析物之濃度,測試條之一測試區將回應於將樣品施加至條上之測試區而展示出色彩改變。
用於產生一軟體實施模組之方法係在一或多個資料處理裝置中進行。提供第一組量測資料,該第一組量測資料表示藉由影像資料處理自一或多個測試條之一所關注區之影像導出之第一色彩資訊。舉例而言,可將血液樣品施加至測試條,該等測試條作為回應而展示出所關注區(測試區)之色彩改變。此色彩改變可取決於按計量施加至測試區之樣品中之一血糖濃度。所擷取的所關注區之影像指示所關注區回應於將含有一分析物之一體液之一或多個第一樣品施加至該所關注區而發生之一色彩變換。由複數個裝置(諸如,行動裝置(例如,行動電話或平板電腦))記錄該等影像。每一裝置經組態以進行影像記錄及影像資料處理以產生第一色彩資訊,該複數個裝置設置有應用於在該裝置中進行影像記錄及影像資料處理之不同軟體及/或硬體裝置組態。舉例而言,該裝置可設置有用於擷取影像之不同類型之相機。此外,該等裝置可設置有不同軟體組態,具體而言設置有用於在裝置中處理所擷取影像之不同軟體應用程式。
在應用一人工神經網路之一機器學習程序中產生一神經網路模型,其包括提供神經網路模型,及藉由自該第一組量測資料選擇之訓練資料訓練該神經網路模型。提供軟體實施模組,該軟體實施模組包括表示該神經網路模型之一第一分析演算法。該軟體實施模組經組態以在被載入至具有一或多個處理器之一資料處理裝置中時藉由分析第二組量測資料來判定一體液之一第二樣品中之一分析物之濃度,該第二組量測資料指示藉由影像處理自一或多個測試條之一所關注區之影像之導出之第二色彩資訊,該等影像指示所關注區回應於將含有分析物之體液之第二樣品施加至所關注區而發生之一色彩變換。因此,在產生神經網路模型之後,應用該神經網路模型分析第二樣品之結果,該第二樣品亦可被稱為當前樣品且係在該神經網路模型產生之後藉由使用該神經網路模型來判定之一體液之一樣品,如下文更詳細地闡釋。包括軟體實施模組之一軟體應用程式將被載入至分析裝置,諸如一行動電話或其他行動裝置。藉由運行軟體應用程式以判定分析物之濃度來進行測試條分析。
圖1展示一前饋人工神經網路(ANN) 10之一示意性圖示,如所熟知。在一典型前饋ANN中,資訊單向流動。將輸入特徵11a、11b、11c、…、11x饋送至一輸入層12之節點(或人工神經元) 12a、12b、12c、…、12x。節點12a、12b、12c、…、12x之數目在理想情況下應等於基礎資料集中之特徵數目。輸入層12僅接收輸入特徵11a、11b、11c、…、11x並將輸入特徵11a、11b、11c、…、11x經由連接13傳遞至一隱藏層14。
隱藏層14包括節點14a、14b、…、14y。隱藏層14之節點數目取決於輸入層12及輸出層16的節點數目。輸入層12與隱藏層14的節點數目可相等或不相等。在每一節點14a、14b、…、14y中,對其各別輸入應用一變換。隨後,將經變換值經由連接15傳遞至輸出層16。當對ANN 10進行訓練時,在一較高程度上給提供較高預測值之節點12a、12b、12c、…、12x、14a、14b、…、14y加權。至此,各別連接13、15接收一較高權重。
輸出層16提供解決基礎問題所期望之資訊。輸出層16之節點16a數目取決於手頭之問題。若問題係(例如)將一對象歸類至四個類別中之一者,則輸出層16將由四個節點(未展示)組成。若問題實際上係一回歸,則輸出層16將由一單個節點16a組成。
接下來,揭示以下實例:應用ANN來依據量測基於一測試條之一測試區回應於施加體液之樣品而發生之色彩改變來判定一體液之一樣品中之一分析物之濃度。舉例而言,可判定一血糖位準。圖2示意性地圖解說明方法之一實例之步驟。
在量測過程中,在一第一影像資料收集步驟202中使用不同裝置擷取測試條之影像系列201,每一裝置經組態以獲取影像並處理影像資料。該等裝置可係行動裝置,諸如蜂巢電話或行動電話類型或平板電腦。
如所熟知,為獲取影像,將一體液(例如,一血液樣品)之一樣品施加至測試條之一測試區。回應於樣品施加,測試區將展示出色彩改變,藉由獲取影像來偵測該色彩改變。將在一分析處理中處理該等影像以判定體液之樣品中之一分析物之濃度,諸如一血糖位準。
在獲取影像以判定體液樣品的同時,可因例如不同溫度、相對濕度值、照度值及/或血容比之若干種組合而存在擷取影像之不同量測條件。亦可使用其他值。在一實例中,關於不同氣候條件,可應用以例如5℃為步進單位自5℃至30℃之溫度值且應用以例如10%為步進單位自15%至85%之相對濕度值。可規定將相對濕度值中之每一者與溫度值中之每一者組合以形成一組不同氣候條件。另一選擇為,由於一些相對濕度/溫度組合不太相關,因此僅將一些相對濕度值與溫度值中之每一者組合。
在氣候研究中之溫度濕度之資料集中,可應用以下量測條件:
溫度(℃) 相對於 濕度 (%)
5 45
10 15
10 45
10 85
15 45
25 45
30 45
30 85
針對每一測試條,在一量測時間週期內擷取一影像系列201。舉例而言,在約40秒內,每半秒擷取測試條之一影像30 (參見圖3,影像30之一圖示)。每測試條之每一影像系列201開始於一空白測試條(未被施加血液劑量或樣品之一測試條)之一影像。在施加血液樣品之後擷取後續影像30。因此,將測試條之色彩改變完全擷取於每一影像系列201內。接下來,將影像系列201保存至一資料庫中。可在擷取第一影像與第二影像之間提供一額外時間延遲,使得一使用者將一血液劑量施加至測試條。
利用複數個不同蜂巢電話或行動電話擷取影像,每一蜂巢電話設置有用於擷取影像及處理影像資料的一個別相機裝置以及影像處理參數RGGB、一色彩變換矩陣及一色調映射曲線的軟體組態。
在量測時獲取之影像提供(量測)影像資料,該影像資料表示測試區回應於施加含有需要判定濃度之分析物之體液之樣品而發生之色彩改變之色彩資訊。然後,使用影像資料來產生經組態以判定一當前樣品中之分析物之濃度之一軟體實施模組。提供一ANN,並基於自所量測影像資料獲取之一訓練資料集來訓練該ANN。
在下一步驟203中,參考圖2及圖3,處理自可保存於一資料庫中之影像系列201導出之影像資料,以判定影像系列201之每一影像30之一所關注區域31。所關注區域31由展示出施加於一測試條30a上之體液樣品(例如,血液樣品)之影像部分(目標域32)及在目標域32周圍之一正方形33組成。在目標域32之外且在正方形33之內的由四個區段組成之空間被稱為白色域34。由影像處理軟體擷取目標域32及白色域34之像素色彩值來偵測所關注區域(測試區) 31。每一像素色彩可被編碼為例如RGB。亦可採用替代性色彩空間及色彩模型(諸如,CIE L*a*b*、CIE 1931 XYZ、CMYK及HSV)來對像素色彩進行編碼。使用替代性色彩空間及將色彩變換成替代性色彩空間可提高信號品質,從而使得預測演算法更簡單及/或更準確。
可規定將原始像素資料進行變換以提高信號準確性。可採用以下類型之色彩變換或其組合:
- 依據被施加有血液之目標域32計算原始R、G及B通道的方式;
- 藉由來自目標域32之B來將R通道及G通道正規化(藉由將R通道值及G通道值中之每一者除以對應B值來執行正規化);
- 計算來自目標域32的R通道與B通道之間的一差值以及來自目標域32的G通道與B通道之間的一差值;
- 藉由來自白色域34之R、G、B通道將來自目標域32之R、G、B通道正規化;
- 計算目標域32之目標白色正規化R、G、B通道與一參考場之白色正規化R、G、B通道之間的一比率。
此色彩變換清單並不詳盡。可提供不同特徵之其他色彩變換。
應用於影像獲取之裝置(例如,複數個蜂巢電話或行動電話)可採用不同校準方法。不同蜂巢電話類型之間色彩調整方案之差異若不加校正將造成不同的葡萄糖預測效能。可使用各種方法來產生將輸出標準化至一共同參考標度的蜂巢電話型特定校準曲線。一方面,可使用包括具有已知色度之區之色彩參考卡執行離線校準。不必在每一量測之前皆實施此離線校準。可規定,在一使用者實施任何量測之前執行一次離線校準。另一選擇為,以週期性時間間隔實施離線校準。另一方面,可採用使用色彩參考之線上校準。為此,在已給測試條施加劑量之後的一預規定時間擷取參考卡影像以及一測試場之影像。在施加劑量之前及施加劑量之後擷取測試條之影像。另外,測試條可具有用於線上校準之預列印參考域。
一旦定位目標域32,則提取來自目標域32內之一區(例如,在目標域32內具有一略小半徑之一圓圈)之RGB像素值並對每一通道求平均值,從而產生R、G及B通道中之每一者之平均值。因此,可避免求目標域32之邊界處之非所要像素的平均值。
隨後,將每一色彩通道之平均值與其他相關資料(諸如,一參考葡萄糖值、一影像ID、一研究名稱、誤差碼、研究相關資訊(諸如,溫度、濕度、血容比或裝置模型數目))一起保存至一資料表中。可將資料表例如作為逗號分隔值(csv)檔案或MATLAB mat檔案保存起來以供進一步處理。
就特定模型化目的而言,並非資料表之每一行皆相關。因此,藉由僅包含模型化所需之行來依據資料表產生一較小表,即特徵表。表1中繪示特徵表的具有四個列之一例示性表。
表1:例示性繪示一特徵表。
順序號 | 觀測號 | 空白影像名稱 | 最終影像名稱 | tfRlin | tfGlin | tfBlin |
1 | 1 | R5-W2-07_*_image_ | R5-W2-07_*_ image | 129.5 | 126.74 | 72,89 |
2 | 1 | R5-W2-07_*_ image _ | R5-W2-07_*_ image | 129.6 | 126.68 | 73,58 |
3 | 1 | R5-W2-07_*_ image _ | R5-W2-07_*_ image | 129.8 | 126.92 | 73,35 |
4 | 1 | R5-W2-07_*_ image _ | R5-W2-07_*_ image | 129.9 | 126.95 | 73,74 |
順序號 | wfRlin | wfGlin | wfBlin | 葡萄糖碼值含量 | 空白值Rtf | 空白值Gtf |
1 | 207,35 | 206,164 | 202,28 | 10.46475029 | 145.2584534 | 143.0743256 |
2 | 207,16 | 206,037 | 201,79 | 10.11334229 | 145.2584534 | 143.0743256 |
3 | 207,63 | 206,186 | 202,02 | 10.42901993 | 145.2584534 | 143.0743256 |
4 | 207,38 | 206,262 | 202,08 | 9.864500046 | 145.2584534 | 143.0743256 |
順序號 | 空白值Btf | 空白值Rwf | 空白值Gwf | 空白值Bwf |
1 | 73.74324036 | 209.0067902 | 207.8676453 | 204.3337097 |
2 | 73.74324036 | 209.0067902 | 207.8676453 | 204.3337097 |
3 | 73.74324036 | 209.0067902 | 207.8676453 | 204.3337097 |
4 | 73.74324036 | 209.0067902 | 207.8676453 | 204.3337097 |
該特徵表包括目標域(tfRlin、tfGlin、tfBlin)及白色域(wfRlin、wfGlin、wfBlin)兩者的線性平均RGB通道值。藉由將一智慧型電話之色調映射曲線設定為一1:1直線來達成線性化。線性化對於處置不同智慧型電話類型中之不同預設色調映射曲線而言係必要的。在不設定色調映射曲線之情況下,由於預設色調映射曲線係非線性的,因此值之間的關係將係人為非線性的。藉由取各別區(目標域或白色域)之通道值之算術平均值來對每一RGB通道單獨執行求平均值。
特徵表進一步包括在施加劑量之前目標域(空白值Rtf、空白值Gtf、空白值Btf)及白色域(空白值Rwf、空白值Rwf、空白值Rwf)的線性平均RGB通道值。
若判定資料係嚴重(部分地)過度曝光、不均勻、包括的像素太少、對應影像不夠清晰或其一組合,則可將資料評估為無效。可自特徵表移除無效資料。特徵表不包含同一量測之所有影像之資訊。通常,對於每一影像系列201而言,擷取大約80個影像30,但並非所有影像30皆係模型化所必需的。採用來自最終影像及來自在最終影像之前的10至19個影像的資料來用於模型化可足矣,或期望採用來自最終影像及來自在最終影像之前的10至19個影像的資料來用於模型化。在最終影像中,R通道或G通道之斜率接近零,即色彩動力學在施加劑量之後的某一時間穩定下來且自該點開始色彩不發生改變或僅最低程度地改變。獲取具有靜止色彩動力學之影像可提高影像之對比度。
進一步參考圖2,在步驟204中,使用特徵表之資料來進行特徵工程設計(feature engineering)。模型化之最重要態樣之一係為一模型選擇適當特徵。用於目標係預測血糖值,因此使用與參考血糖值具有一強相關性之特徵預期會得到較佳模型。已利用所建立血糖量測系統判定參考血糖值。線性RGB通道展現出與參考葡萄糖值之某種程度之相關性。然而,仍可藉由形成與參考葡萄糖值具有一更強相關性之新特徵來改良結果。形成此等新特徵可之益處亦在於可降低對不同蜂巢電話類型及量測條件(諸如,氣候條件或照度條件)之依賴性。
就此而言,圖4展示藉由對特徵40應用一特徵變換41 (諸如,一色彩變換)而自特徵表中之特徵40形成新特徵42之程序之一圖示。特徵40可包括目標域(tfRlin、tfGlin、tfBlin)及/或白色域(wfRlin、wfGlin、wfBlin)之線性平均RGB通道值及/或在施加劑量之前的RGB通道值(空白值Rtf、空白值Gtf、空白值Btf)、(空白值Rwf、空白值Rwf、空白值Rwf)。
在圖5a及圖5b中,展示對特徵40進行特徵變換41而形成之例示性新特徵42之相關性特性之繪示。圖表51至56各自顯示新特徵42中之一者(x軸)與參考血糖值(y軸)的相關性特性。圖表52中之特徵「GRY」係指灰階色彩值。一些特徵中之後綴「N」係指正規化。確切而言,圖表53中之「RGBN」意指「經正規化RGB色彩」。不同標記(○、+、◊)對應於不同實驗類型。所繪示新特徵42展現出與參考葡萄糖值的比原始RGB值強的一相關性。
相比之下,圖5c展示原始RGB通道值與參考血糖值之相關性特性之繪示。圖表57展示目標域tfRlin之線性平均R通道值。圖表58展示目標域tfGlin之線性平均G通道值。圖表57及58展示值具有一較大分散性,且因此與圖5a及圖5b中所繪示之新特徵42相比具有與參考血糖值之一較弱相關性。
再次參考圖2,在可訓練一ANN模型之前,在一後續步驟206中,自特徵表中之資料形成訓練集、驗證集及測試集。可規定將資料劃分成一訓練集、一驗證集及一測試集。60%之資料用於訓練,20%之資料用於驗證,且20%之資料用於測試。亦可採用交叉驗證技術,諸如留p交叉驗證(leave-p-out cross validation)或k-重交叉驗證(k-fold cross validation)。對資料使用分層隨機取樣來形成訓練集。基於智慧型電話類型及實驗類型進行分層。即,將資料劃分成獨立的亞群(層次),其中每一層次對應於一不同智慧型電話類型及實驗類型。隨後,針對每一層次對資料單獨取樣且然後合並以形成訓練資料。如此一來確保訓練資料仍表示智慧型電話及實驗類型之全群體。可以類似方式形成驗證集及測試集。
使用驗證集來防止過度訓練/過度擬合,而測試集用於在訓練期間對模型進行一獨立評價。將一行添加至一輸入資料集以指示哪些資料用於訓練、測試及驗證。所添加行在訓練ANN時對於識別適當子集係重要的。
在步驟207中,訓練ANN。在不同量測條件下訓練ANN以使得在訓練集中表示不同量測條件,且可將不同量測條件包含於模型中。亦可規定在模型化時將不同智慧型電話類型包含在內。可在數值計算環境(諸如MATLAB)中執行ANN訓練。為提高效能,亦可採用編譯程式設計語言。圖6展示一待訓練ANN模型60之一例示性架構之一圖示。圖6中之架構包括兩個隱藏層62、63。另一選擇為,可根據問題之複雜性採用兩個以上隱藏層中之一單個隱藏層(未展示)。將輸入值61傳遞至隱藏層62。將隱藏層62之輸出傳遞至隱藏層63。繼而將隱藏層63之輸出傳遞至一輸出層64,從而產生一輸出值65。輸出值65對應於一所預測血糖值。在訓練期間將權重係數62a、62b、63a、63b、64a及64b最佳化以達成適當血糖模型。
可使用正則化方法(諸如,早停法)防止過度訓練。舉例而言,可規定允許一最大12次反覆來訓練模型60。舉例而言,可將時間點之最大數目設定為1000。訓練具有不同初始化點之多個模型60並將其效能度量保存至一表檔案(諸如,一csv檔案)中以供稍後進行模型選擇。一旦形成所有模型60並評價效能度量之後,選擇一最佳效能模型作為最終訓練模型。
返回參考圖2,在步驟208中,使用由特徵之雙曲正切與自經訓練ANN獲得之最佳化係數的線性組合組成之一神經網路公式建立經訓練模型。藉由使用經訓練神經網路模型,判定血糖值(步驟209)。隨後,輸出所判定血糖值以供進一步處理(步驟210)。
圖7及圖8各自展示基於全資料集圖解說明所判定血糖值對實際血糖值之表現的一帕克斯誤差網。帕克斯誤差網(統一稱為誤差網)係在量化診斷中比較不同資料之知名圖形工具(帕克斯等人,Diabetes Care 23: 1143–1148,2000)。每一y軸對應於所預測血糖值;每一x軸對應於實際血糖值。每一誤差網被劃分成不同區帶A至D,該等區帶對應於不同誤差區。區帶A內與等分線71、81之偏差對應於低誤差。期望大多數值皆在區帶A內。區帶B對應於中等誤差,區帶C對應於患者治療之極大誤差,且區帶D對應於過大誤差。在圖7中,不同標記對應於不同實驗類型;在圖8中,不同標記對應於不同智慧型電話類型。自圖7及圖8可看到,就不同蜂巢電話類型及不同實驗類型而言,所預測血糖值相當好地對應於實際血糖值。
表2展示與ANN模型方法相比,在使用一傳統演算法或非ANN演算法(參數多變量線性回歸)時血糖值多久一次降至不同帕克斯誤差網區帶A至E中。區帶A及B內之值視為可接受的,區帶C至E內之值不可接受甚至係臨界值。傳統演算法及ANN模型兩者皆係利用寫碼資料集M1及M2來訓練。隨後,評估未知蜂巢電話類型(寫碼資料集M4、M5及M6)。寫碼資料集M1至M5源自於實驗室資料,該實驗室資料係在標準條件下(溫度 = 24℃,濕度 = 45%)在一標準量測站處判定且包括一己糖激酶葡萄糖參考值。環境效應及操控效應得以最小化。每寫碼資料集採用五種不同類型之蜂巢電話。因此,使用10種不同蜂巢電話類型執行訓練。隨後,為因此產生之演算法提供3×5 = 15種不同蜂巢電話類型之未知資料。
表2:傳統方法與ANN方法在血糖預測方面之比較。
傳統演算法 | n | A | B | C | D | E |
寫碼集M1 | 371 | 338 (91.11%) | 33 (8.89%) | 0 | 0 | 0 |
寫碼集M2 | 470 | 405 (86.17%) | 65 (13.83%) | 0 | 0 | 0 |
寫碼集M4、M5、M6 | 1429 | 1159 (81.11%) | 263 (18.40%) | 2 (0.14%) | 5 (0.35%) | 0 |
ANN模型 | n | A | B | C | D | E |
寫碼集M1 | 371 | 362 (97.57%) | 9 (2.43%) | 0 | 0 | 0 |
寫碼集 M2 | 470 | 435 (92.55 %) | 35 (7.45 %) | 0 | 0 | 0 |
寫碼集M4、M5、M6 | 1429 | 1106 (77.40%) | 323 (22.60%) | 0 | 0 | 0 |
自表2可看到,就未知蜂巢電話類型而言在估計血糖值時ANN模型之效能優於傳統演算法。重要的是,來自ANA模型之值皆不在對應於血糖位準之嚴重分類錯誤之不可接受區帶C至E內。
在血糖預測之其他實例中,傳統演算法91 (諸如,多項式擬合)可與ANN模型92組合使用。圖9展示可使用之不同類型組合之一圖示:
a) 來自一傳統演算法91之預測93可用作去往ANN模型92之一輸入(特徵);
b) 來自一ANN模型92之預測94可用作一傳統演算法91之一輸入;且
d) 可使用一傳統演算法91及一ANN模型92兩者且來自兩種演算法之預測93、94之差可用作一失效安全以清除不正確預測。
圖10展示繪示使用傳統演算法預測作為其輸入中之一者之ANN模型之預測之一帕克斯誤差網。
圖11展示一組合的傳統演算法與ANN模型演算法110之另一實施例之一圖示。自包括至少兩個影像之影像系列201提取一些特徵(步驟111)。然後,使用一動力學演算法監測並判定此等特徵以得到一無結果(空白)值及一最終值(步驟112)。
然後,並行地在一傳統演算法(步驟113)及一ANN模型(步驟114)中處理該等特徵,從而產生血糖值預測(步驟115)。若可以,亦可提供誤差旗標。
圖12展示比較傳統方法與ANN模型方法的效能之三個帕克斯誤差網120、121、122。就誤差網120而言,僅採用了一傳統演算法;就誤差網121而言,僅採用了一ANN模型。在誤差網120及121中可看到,基於特徵之ANN模型之量測效能優於傳統演算法之量測效能。誤差網122證明不能僅依靠ANN模型之原因。在此,作為一展示例,僅基於低於450 mg/dl之血糖值訓練ANN。因此,來自訓練範疇之樣品122a、122b被嚴重地錯誤歸類。為確保去往ANN之任何意料之外輸入資料將造成錯誤血糖結果,傳統方式判定之血糖值可用作ANN血糖結果之一失效安全。
10:前饋人工神經網路/人工神經網路
11a:輸入特徵
11b:輸入特徵
11c:輸入特徵
11x:輸入特徵
12:輸入層
12a:節點
12b:節點
12c:節點
12x:節點
13:連接
14:隱藏層
14a:節點
14b:節點
14y:節點
15:連接
16:輸出層
16a:節點
30:影像
30a:測試條
31:所關注區域
32:目標域
33:正方形
34:白色域
40:特徵
41:特徵變換
42:新特徵
51:圖表
52:圖表
53:圖表
54:圖表
55:圖表
56:圖表
57:圖表
58:圖表
60:人工神經網路模型/模型
61:輸入值
62:隱藏層
62a:權重係數
62b:權重係數
63:隱藏層
63a:權重係數
63b:權重係數
64:輸出層
64a:權重係數
64b:權重係數
65:輸出值
71:等分線
81:等分線
91:傳統演算法
92:人工神經網路模型
93:預測
94:預測
110:人工神經網路模型演算法
111:步驟
112:步驟
113:步驟
114:步驟
115:步驟
120:帕克斯誤差網/誤差網
121:帕克斯誤差網/誤差網
122:帕克斯誤差網/誤差網
201:影像系列
202:第一影像資料收集步驟
203:步驟
204:步驟
206:步驟
207:步驟
208:步驟
209:步驟
210:步驟
接下來,參考各圖舉例闡述實施例。各圖中展示:
圖1係一前饋人工神經網路(ANN)之一圖示;
圖2係基於一經施加劑量測試條之色彩改變預測血糖值之一方法之一圖示;
圖3係一測試條之一影像之一圖示;
圖4係藉由應用一特徵變換來由特徵表中之特徵形成新特徵之程序之一圖示;
圖5A係例示性新特徵之相關性特性之一圖示;
圖5B係例示性新特徵之相關性特性之另一圖示;
圖5C係例示性新特徵之相關性特性之另一圖示;
圖6係一待訓練ANN模型之一架構之一圖示;
圖7展示圖解說明所預測血糖值對實際血糖位準之表現之一帕克斯(Parkes)誤差網;
圖8係圖解說明所預測血糖值對實際血糖位準之表現之另一帕克斯誤差網;
圖9係傳統演算法與ANN模型的不同類型組合之一圖示;
圖10係一帕克斯誤差網,其繪示一ANN模型使用傳統演算法預測作為其輸入中之一者而做出之預測;
圖11係一組合的傳統演算法與ANN演算法之另一實施例之一圖示;且
圖12係用於比較傳統方法與ANN方法之效能之三個帕克斯誤差網。
10:前饋人工神經網路/人工神經網路
11a:輸入特徵
11b:輸入特徵
11c:輸入特徵
11x:輸入特徵
12:輸入層
12a:節點
12b:節點
12c:節點
12x:節點
13:連接
14:隱藏層
14a:節點
14b:節點
14y:節點
15:連接
16:輸出層
16a:節點
Claims (13)
- 一種用於產生經組態以判定一體液之一樣品中之一分析物之濃度之一軟體實施模組的方法,在一或多個資料處理裝置中,該方法包括,提供第一組量測資料,該第一組量測資料表示藉由影像資料處理自一或多個測試條之一所關注區之影像導出之第一色彩資訊,該等影像指示該所關注區回應於將含有一分析物之一體液之一或多個第一樣品施加至該所關注區而發生之一色彩變換;及由複數個裝置記錄,該複數個裝置各自經組態以進行影像記錄及影像資料處理以產生該第一色彩資訊,該複數個裝置設置有應用於在該裝置中進行影像記錄及影像資料處理之不同軟體及/或硬體裝置組態;在應用一人工神經網路之一機器學習程序中產生一神經網路模型,該步驟包括提供該神經網路模型;自該第一組量測資料形成訓練資料、驗證資料及測試資料;及藉由該訓練資料訓練該神經網路模型,其中該訓練資料表示該複數個裝置及實驗類型之一全群體;及產生一軟體實施模組,該軟體實施模組包括表示該神經網路模型之一第一分析演算法;其中該軟體實施模組經組態以在被載入至具有一或多個處理器之一資料處理裝置中時依據分析第二組量測資料來判定一體液之一第二樣品中之一分析物之濃度,該第二組量測資料指示藉由影像處理自一或多個測試條 之一所關注區之影像導出之第二色彩資訊,該等影像指示該所關注區回應於將含有該分析物之該體液之該第二樣品施加至該所關注區而發生之一色彩變換。
- 一種用於判定一體液之一樣品中之一分析物之濃度之方法,在一或多個資料處理裝置中,該方法包括,提供一組當前量測資料,該組當前量測資料指示藉由影像處理自一當前測試條之一所關注區之影像導出之當前色彩資訊,該等影像指示該所關注區回應於將含有一分析物之一體液之一當前樣品施加至該所關注區而發生之一色彩變換;提供包括一第一分析演算法之一軟體實施模組,該第一分析演算法表示在應用一人工神經網路之一機器學習程序中產生之一神經網路模型;判定該體液之該當前樣品中之該分析物之濃度,該步驟包括藉由該第一分析演算法分析該組當前量測資料;及產生指示該體液之該當前樣品中之該分析物之該濃度之濃度資料;其中在該機器學習程序中產生該神經網路模型包括提供第一組量測資料,該第一組量測資料指示藉由影像資料處理自一或多個測試條之一所關注區之影像導出之第一色彩資訊,該等影像指示該所關注區回應於將含有一分析物之一體液之一或多個第一樣品施加至該所關注區而發生之一色彩變換;及表示自複數個裝置所記錄之影像導出之第一色彩資訊,該複數個裝置各自經組態以進行影像記錄及影像資料處理以產生該第一色彩資 訊,該複數個裝置設置有應用於在該裝置中進行影像記錄及影像資料處理之一不同裝置組態;及自該第一組量測資料形成訓練資料、驗證資料及測試資料;及藉由該訓練資料訓練該神經網路模型,其中該訓練資料表示該複數個裝置及實驗類型之一全群體。
- 如請求項1或2之方法,其包括具有不同相機裝置及不同影像處理軟體中之至少一者之該複數個裝置,該等不同相機裝置及該不同影像處理軟體應用於影像記錄及影像資料處理。
- 如請求項1或2之方法,其中所記錄之該等影像包括在不同光學影像記錄條件下所記錄之影像。
- 如請求項2之方法,其進一步包括:提供一第二分析演算法,該第二分析演算法不同於該第一分析演算法;及藉助該第二分析演算法分析該組當前量測資料來為該體液之該當前樣品中之該分析物之該濃度判定一第一估計值。
- 如請求項5之方法,其中該判定包括判定該體液之該當前樣品中之該分析物之該濃度之一目標範圍。
- 如請求項5之方法,其中該判定包括藉由對該第一估計值與藉由該第 一分析演算法對該組當前量測資料之該分析所提供之一濃度值求平均值來判定一平均濃度。
- 如請求項2之方法,其中該判定包括判定第二樣品中之血糖濃度。
- 如請求項1或2之方法,其中該第一組量測資料、第二組量測資料及該組當前量測資料中之至少一者分別表示藉由影像處理自在一量測時間週期內所記錄的該一或多個測試條之該所關注區之影像、以自約0.1s至約1.5s之一時間間隔記錄之連續影像導出之第一色彩資訊、第二色彩資訊及當前色彩資訊。
- 如請求項1或2之方法,其中該等影像包括在將該體液之該一或多個第一樣品施加至該所關注區之前該所關注區之影像。
- 一種用於產生經組態以判定一體液之一樣品中之一分析物之濃度之一軟體實施模組之系統,該系統包括一或多個資料處理裝置,該一或多個資料處理裝置經組態以提供第一組量測資料,該第一組量測資料表示藉由影像資料處理自一或多個測試條之一所關注區之影像導出之第一色彩資訊,該等影像指示該所關注區回應於將含有一分析物之一體液之一或多個第一樣品施加至該所關注區而發生之一色彩變換;及由複數個裝置記錄,該複數個裝置各自經組態以進行影像記錄及影像資料處理以產生該第一色彩資訊,該複數個裝置設置有應用於在 該裝置進行影像記錄及影像資料處理之不同軟體及/或硬體裝置組態;在應用一人工神經網路之一機器學習程序中產生一神經網路模型,該步驟包括提供該神經網路模型;自該第一組量測資料形成訓練資料、驗證資料及測試資料;及藉由該訓練資料訓練該神經網路模型,其中該訓練資料表示該複數個裝置及實驗類型之一全群體;及產生一軟體實施模組,該軟體實施模組包括表示該神經網路模型之一第一分析演算法;其中該軟體實施模組經組態以在被載入至具有一或多個處理器之一資料處理裝置中時依據分析第二組量測資料來判定一體液之一第二樣品中之一分析物之濃度,該第二組量測資料指示藉由影像處理自一或多個測試條之一所關注區之影像導出之第二色彩資訊,該等影像指示該所關注區回應於將含有該分析物之該體液之該第二樣品施加至該所關注區而發生之一色彩變換。
- 一種用於判定一體液之一樣品中之一分析物之濃度之系統,該系統包括一或多個資料處理裝置,該一或多個資料處理裝置經組態以提供一組當前量測資料,該組當前量測資料指示藉由影像處理自一當前測試條之一所關注區之影像導出之當前色彩資訊,該等影像指示該所關注區回應於將含有一分析物之一體液之一當前樣品施加至該所關注區而發生之一色彩變換;提供包括一第一分析演算法之一軟體實施模組,該第一分析演算法表 示在應用一人工神經網路之一機器學習程序中產生之一神經網路模型;判定該體液之該當前樣品中之該分析物之濃度,該步驟包括藉由該第一分析演算法分析該組當前量測資料;及產生指示該體液之該當前樣品中之該分析物之該濃度之濃度資料;其中在該機器學習程序中產生該神經網路模型包括提供第一組量測資料,該第一組量測資料指示藉由影像資料處理自一或多個測試條之一所關注區之影像導出之第一色彩資訊,該等影像指示該所關注區回應於將含有一分析物之一體液之一或多個第一樣品施加至該所關注區而發生之一色彩變換;及表示自複數個裝置所記錄之影像導出之第一色彩資訊,該複數個裝置各自經組態以進行影像記錄及影像資料處理以產生該第一色彩資訊,該複數個裝置設置有應用於在該裝置中進行影像記錄及影像資料處理之一不同裝置組態;及自該第一組量測資料形成訓練資料、驗證資料及測試資料;及藉由該訓練資料訓練該神經網路模型,其中該訓練資料表示該複數個裝置及實驗類型之一全群體。
- 一種包括程式碼之電腦程式產品,該程式碼經組態以在被載入至具有一或多個處理器之一電腦中時執行如請求項1至10中至少一項之方法。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862777360P | 2018-12-10 | 2018-12-10 | |
US62/777,360 | 2018-12-10 | ||
EP18215541.6A EP3667301B1 (en) | 2018-12-10 | 2018-12-21 | Method and system for determining concentration of an analyte in a sample of a bodily fluid, and method and system for generating a software-implemented module |
EP18215541.6 | 2018-12-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202032435A TW202032435A (zh) | 2020-09-01 |
TWI825240B true TWI825240B (zh) | 2023-12-11 |
Family
ID=64901409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108144905A TWI825240B (zh) | 2018-12-10 | 2019-12-09 | 用於判定體液樣品中之分析物濃度的方法和系統及用於產生軟體實施模組的方法和系統 |
Country Status (12)
Country | Link |
---|---|
US (2) | US11928814B2 (zh) |
EP (1) | EP3667301B1 (zh) |
JP (1) | JP2022514826A (zh) |
KR (1) | KR20210099575A (zh) |
CN (1) | CN113167738A (zh) |
BR (1) | BR112021011115A2 (zh) |
CA (1) | CA3120025A1 (zh) |
ES (1) | ES2910573T3 (zh) |
MA (1) | MA51798B1 (zh) |
PL (1) | PL3667301T3 (zh) |
TW (1) | TWI825240B (zh) |
WO (1) | WO2020120349A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116324406A (zh) * | 2020-10-16 | 2023-06-23 | 株式会社钟化 | 自动判别系统、自动判别方法以及自动判别程序 |
CN113486900B (zh) * | 2021-05-28 | 2024-06-07 | 杭州微策生物技术股份有限公司 | 一种用于poct的嵌入式实时图像采集处理系统 |
CN114145738B (zh) * | 2022-02-10 | 2022-06-24 | 苏州百孝医疗科技有限公司 | 分析物浓度数据生成方法和装置、监测分析物水平的系统 |
AR128485A1 (es) * | 2022-02-11 | 2024-05-15 | Hoffmann La Roche | Métodos y dispositivos para llevar a cabo una medición analítica |
WO2023152200A1 (en) | 2022-02-11 | 2023-08-17 | F. Hoffmann-La Roche Ag | Methods and devices for determining the concentration of at least one analyte in a bodily fluid |
CN115598124B (zh) * | 2022-11-03 | 2023-07-18 | 淮北师范大学 | 颜色去卷积水质检测方法 |
WO2024108597A1 (zh) * | 2022-11-25 | 2024-05-30 | 深圳迈瑞生物医疗电子股份有限公司 | 一种干化学检测装置及方法 |
CN117723530A (zh) * | 2023-11-24 | 2024-03-19 | 中国石油大学(华东) | 可穿戴比色生物传感器及深度学习智能感知微系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018194525A1 (en) * | 2017-04-18 | 2018-10-25 | Yeditepe Universitesi | Biochemical analyser based on a machine learning algorithm using test strips and a smartdevice |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6394952B1 (en) | 1998-02-03 | 2002-05-28 | Adeza Biomedical Corporation | Point of care diagnostic systems |
US20040092036A1 (en) * | 2002-09-11 | 2004-05-13 | Lattec I/S | Device for analysing analyte compounds and use hereof |
EP2271942A2 (en) * | 2008-03-17 | 2011-01-12 | Randall W. Nelson | Biomarkers and assays for diabetes |
EP3180596A4 (en) * | 2014-08-15 | 2018-09-26 | Scanadu Incorporated | Precision luxmeter methods for digital cameras to quantify colors in uncontrolled lighting environments |
US20180211380A1 (en) * | 2017-01-25 | 2018-07-26 | Athelas Inc. | Classifying biological samples using automated image analysis |
-
2018
- 2018-12-21 MA MA51798A patent/MA51798B1/fr unknown
- 2018-12-21 PL PL18215541T patent/PL3667301T3/pl unknown
- 2018-12-21 ES ES18215541T patent/ES2910573T3/es active Active
- 2018-12-21 EP EP18215541.6A patent/EP3667301B1/en active Active
-
2019
- 2019-12-09 CN CN201980081481.4A patent/CN113167738A/zh active Pending
- 2019-12-09 JP JP2021532484A patent/JP2022514826A/ja active Pending
- 2019-12-09 BR BR112021011115-8A patent/BR112021011115A2/pt unknown
- 2019-12-09 CA CA3120025A patent/CA3120025A1/en active Pending
- 2019-12-09 TW TW108144905A patent/TWI825240B/zh active
- 2019-12-09 WO PCT/EP2019/084115 patent/WO2020120349A1/en active Application Filing
- 2019-12-09 KR KR1020217017328A patent/KR20210099575A/ko active Search and Examination
-
2021
- 2021-06-09 US US17/343,513 patent/US11928814B2/en active Active
-
2024
- 2024-02-05 US US18/432,427 patent/US20240177304A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018194525A1 (en) * | 2017-04-18 | 2018-10-25 | Yeditepe Universitesi | Biochemical analyser based on a machine learning algorithm using test strips and a smartdevice |
Also Published As
Publication number | Publication date |
---|---|
PL3667301T3 (pl) | 2022-02-28 |
TW202032435A (zh) | 2020-09-01 |
CN113167738A (zh) | 2021-07-23 |
CA3120025A1 (en) | 2020-06-18 |
ES2910573T3 (es) | 2022-05-12 |
WO2020120349A1 (en) | 2020-06-18 |
EP3667301A1 (en) | 2020-06-17 |
EP3667301B1 (en) | 2021-12-01 |
US20240177304A1 (en) | 2024-05-30 |
JP2022514826A (ja) | 2022-02-16 |
US20210295515A1 (en) | 2021-09-23 |
MA51798B1 (fr) | 2022-01-31 |
BR112021011115A2 (pt) | 2021-08-31 |
US11928814B2 (en) | 2024-03-12 |
KR20210099575A (ko) | 2021-08-12 |
MA51798A (fr) | 2020-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI825240B (zh) | 用於判定體液樣品中之分析物濃度的方法和系統及用於產生軟體實施模組的方法和系統 | |
Menghini et al. | A standardized framework for testing the performance of sleep-tracking technology: step-by-step guidelines and open-source code | |
Barrett et al. | Measures of metacognition on signal-detection theoretic models. | |
Petersen et al. | Reprint of “influence of analytical bias and imprecision on the number of false positive results using guideline-driven medical decision limits” | |
Benkarim et al. | Population heterogeneity in clinical cohorts affects the predictive accuracy of brain imaging | |
Liu et al. | Simple model for encoding natural images by retinal ganglion cells with nonlinear spatial integration | |
JP6164678B2 (ja) | ネットワークエントロピーに基づく生体の状態遷移の予兆の検出を支援する検出装置、検出方法及び検出プログラム | |
CN110403611B (zh) | 血液中糖化血红蛋白成分值预测方法、装置、计算机设备和存储介质 | |
Sotirakis et al. | Identification of motor progression in Parkinson’s disease using wearable sensors and machine learning | |
WO2014050160A1 (ja) | 動的ネットワークバイオマーカーの検出装置、検出方法及び検出プログラム | |
Ghosh et al. | A low-cost test for anemia using an artificial neural network | |
WO2022190891A1 (ja) | 情報処理システム及び情報処理方法 | |
KR101878359B1 (ko) | 정보기술을 이용한 다중지능 검사 장치 및 방법 | |
RU2808555C2 (ru) | Способ и система для определения концентрации аналита в образце физиологической жидкости и способ и система для создания реализуемого программным обеспечением модуля | |
Madrolle et al. | Supervised Bayesian source separation of nonlinear mixtures for quantitative analysis of gas mixtures | |
Nazaret et al. | Modeling personalized heart rate response to exercise and environmental factors with wearables data | |
Kolisnyk et al. | Features of Telemedicine Technology for Monitoring of Patients with Atopic Dermatitis | |
Horien et al. | The individual functional connectome is unique and stable over months to years | |
Wang | Towards Real-Time Predictive Health Monitoring from Sweat Wearables | |
KR20240014125A (ko) | 인공지능-신속진단키트 융복합 기반 약물 복용 여부 검출 장치 및 그 동작방법 | |
KR20240014127A (ko) | 시각 인공지능 기반 신속진단키트 검사결과 정량화 서비스 제공장치 및 그 동작방법 | |
KR20240014124A (ko) | 인공지능과 신속진단키트 융복합 기반 심근 경색 예후 판별 장치 및 그 동작방법 | |
Liang et al. | Semiparametrically efficient estimation in quantile regression of secondary analysis | |
Wang et al. | Establishment of Biological Reference Interval | |
Anstee | Potential Use of Artificial Intelligence in the Histologic Assessment of Nonalcoholic Steatohepatitis |