WO2015024770A1 - Analyseverfahren zur klassifikationsunterstützung - Google Patents

Analyseverfahren zur klassifikationsunterstützung Download PDF

Info

Publication number
WO2015024770A1
WO2015024770A1 PCT/EP2014/066786 EP2014066786W WO2015024770A1 WO 2015024770 A1 WO2015024770 A1 WO 2015024770A1 EP 2014066786 W EP2014066786 W EP 2014066786W WO 2015024770 A1 WO2015024770 A1 WO 2015024770A1
Authority
WO
WIPO (PCT)
Prior art keywords
analysis
classification
optical
calibration data
parameters
Prior art date
Application number
PCT/EP2014/066786
Other languages
English (en)
French (fr)
Inventor
Barbara KAVSEK
Peter Lederer
Peter Taal
Jan VAN DEN BOOGAART
Original Assignee
Siemens Healthcare Diagnostics Products Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Healthcare Diagnostics Products Gmbh filed Critical Siemens Healthcare Diagnostics Products Gmbh
Priority to EP14752580.2A priority Critical patent/EP2997365B1/de
Priority to US14/912,876 priority patent/US10401275B2/en
Priority to JP2016535396A priority patent/JP6611716B2/ja
Priority to CN201480045769.3A priority patent/CN105474013B/zh
Publication of WO2015024770A1 publication Critical patent/WO2015024770A1/de

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1456—Optical investigation techniques, e.g. flow cytometry without spatial resolution of the texture or inner structure of the particle, e.g. processing of pulse signals
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
    • 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
    • G01N33/483—Physical analysis of biological material
    • G01N33/487—Physical analysis of biological material of liquid biological material
    • G01N33/49—Blood
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
    • G01N2015/012—Red blood cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N2015/1006—Investigating individual particles for cytology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N2015/1477—Multiparameters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N2015/1488—Methods for deciding
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N2015/1497—Particle shape
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N2021/4702—Global scatter; Total scatter, excluding reflections
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
    • G01N2021/4764—Special kinds of physical applications
    • G01N2021/4769—Fluid samples, e.g. slurries, granulates; Compressible powdery of fibrous samples
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/22—Haematology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/26—Infectious diseases, e.g. generalised sepsis

Definitions

  • the invention relates to an analysis method for classifying support, an investigation to determine parameters of the analysis method and a Computerprogrammpro ⁇ domestic product, and an optical analysis system.
  • optical analysis systems and optical methods are used to optically analyze organic dispersions consisting of a dispersion medium and a disperse phase.
  • the dispersed phase typically comprises particles, in particular organic material, such as cells or Zellenbe ⁇ constituents.
  • the dispersion medium one can envision media comprising, diluting or otherwise ingesting the disperse phase, such as blood plasma.
  • the analysis of the components of a dispersion can be carried out with opti ⁇ rule methods, wherein a light beam, especially laser beam focused into the dispersion and then tested for various optical characteristics out under ⁇ is. In this way, measured values for certain characteristics of the dispersion can be determined.
  • an analysis system which consists of a light source whose light is focused in a dispersion circulation unit (Flowcell) and subsequently evaluated.
  • the evaluation relates in particular to the spectral determination of the wavelengths of the light used absorbed in the dispersion.
  • the near and far field diffraction characteristics are documented in order to deduce certain properties of the dispersion, in particular of the particles contained in the dispersion, such as red blood cells, white blood cells or platelets.
  • An optical haematological examination as known from the prior art, can advantageously be made automated, where ⁇ be examined in a number of optical characteristics of the dispersion.
  • the optical analysis method limits the information content extractable for dispersion. Although information on absorption behavior, white and red blood cell counts, or platelets can be obtained, the extracted information content is still insufficient to perform many medical diagnostics.
  • malaria diagnosis so that can be used as dispersion a blood sample of the patient not be investigated auto ⁇ matically but must be tested for manual way under the microscope in the laboratory.
  • the best method (gold standard) for malarial dia ⁇ tion is the blood smear on a slide or between two slides. Malaria parasites are detected by light microscopy using thin and thick blood smears. The accuracy of diagnosis depends to a large extent on the quality of blood smear and experience of the laboratory personnel ⁇ .
  • Characteristic of parasitically infected red blood cells is a special ring shape which is getting to the ER under a microscope, but a definite diagnosis only provides ⁇ achieved if a sufficient number of these annular red blood cells can be counted in the dispersion of the blood sample. Based on this culling experiment, a doctor can tell if it is a strong or less severe malaria infection. Unfortunately, the count of the annular red blood cells under the microscope is very tedious, time-consuming and error-prone, so that malaria diagnosis is expensive and too inaccurate. In addition, different laboratories in different notations refer to different areas in terms of the counted annular red blood cells. In this way, there is also the question ⁇ position as a standardized, reliable Malariadiag- nose or diagnoses of other diseases or negative conditions can be performed reliably.
  • the invention has for its object to provide an optical analysis method to provide analog which verbes ⁇ sert the Informationsge ⁇ holding an optical analysis method to the effect that more precise statements about the dispersion, in particular diagnoses and classifications are possible.
  • This object is inventively achieved by a method for classifying ⁇ analysis support according to claim 1, an investigation for the determination of analysis parameters of the analysis method according to claim 7, a computer program product according to claim 13 and an optical analytical diagnostics system according to claim fourteenth
  • the analysis method includes the classifi ⁇ cation support the steps of:
  • Test dispersion of a dispersion medium, in particular blood plasma, and a disperse phase is formed and the disperse phase cells or cell components, in ⁇ particular organic material,
  • the classification index is intended to provide information that allows a classification to be made for a dispersion, in particular an organic dispersion.
  • the classifications can come from various fields of medicine, technology or from probability theory or similar areas. Possible classifications include, for example, the presence or absence of an illness, as well as the presence or absence of a property that is to be understood in the most general sense.
  • the number of classes is just as limited, as is their technical field, so two, three or more Klassiquesal ⁇ ternatives be possible and displayed by the classification index.
  • the classification by the classification index is to be considered as a suggestion, which applies with a certain probability, but does not necessarily have to be present.
  • the classification index proposes a classification of the dispersion, but this suggestion, with respect to the individual case, does not apply with a certain, ideally low probability.
  • a dispersion medium is a medium, particularly a liquid medium, understood that in the position, the disperse phase is to be incorporated in such a manner that the members of the disperse phase, cells or cell components are transported by a movement of the dispersion medium Kgs ⁇ NEN.
  • a test dispersion to be classified for example a blood sample
  • a required for a specific statistical ⁇ viewing mixing of Testdisper- sion ensure or alternatively intrinsically related changes of the dispersion, such as a clotting in blood dispersions prevent.
  • the classification index depends on a number of the optical characteristics of the test dispersion.
  • a measured value is assigned to an opti ⁇ rule feature of the test dispersion, thus, a certain information content of the test dispersion can be taken out through the measurement of the associated measured value.
  • an optical feature may be a number of particular cells, such as red blood cells, white blood cells, or the like, within a particular volume unit. However, it can also be an optical feature for the shape or absorption characteristics of said cells. This list of characteristics is not exhaustive.
  • the visual characteristics per se do not allow unambiguous Klas ⁇ fication, indexing or diagnosis, so that a single optical characteristic hardly delivers actionable intelligence.
  • ⁇ but carry optical characteristics with respect to an Klassifikati ⁇ on yet a certain significance in itself.
  • technical backgrounds or technical knowledge to select the optical characteristics can be used, whose measured values then the analytical sever drive to support classification can be based.
  • These underlying optical features are also called feature set.
  • malarial diagnostic support uses the optical features associated with red blood cells. This can be explained by a prior knowledge, which goes back to the usual microscope-based diagnostic support, in which also red blood cells are examined. However, other optical features relating to other components of the test dispersion may also gradually be added to the feature set or features already belonging to the feature set may be removed based on the significance of the information content. This is how Exhibit that an optical feature, although it concerns the red blood cell, has no predictive value with regard to malaria and thus can be removed from the feature set.
  • an optical feature which play relates examples a cell which interacts with the red Blutkör ⁇ corpuscles, and therefore also plays a role in a para ⁇ -university malaria infection contribute to the effect on the entspre ⁇ sponding optical characteristic that its significant Information content for the analysis method for classification support is provided by the optical feature for malaria diagnosis support is taken into account.
  • a significance parameter is in each case assigned to an optical feature, wherein the latter can indicate by its magnitude and / or its sign to what extent the measured value of the respective optical feature acts on the classification index . Furthermore, based on the significance of parameter a ranking can be established by which the importance of the characteristic for classification, diagnosis or derglei ⁇ chen stating. On the basis of the significance parameter, it is also possible to recognize whether the measured value of an optical feature should usefully continue to be used in the feature set for the classification support analysis method.
  • One goal of the analytical method for Klassifika ⁇ tion support is the most accurate determination of the significance of parameters to be identified as an important optical characteristics.
  • the classification index depends on mean values, the individual mean values being in each case attributable to optical characteristics.
  • the mean values are average values of measured values of the respective optical feature obtained from calibration data.
  • the classification index depends in particular on the difference of the determined measured value of the test dispersion and the average value for the optical characteristic, whereby the erstoff ⁇ th measurement value decreases the stronger the classification index influence, the further it is away from the mean. Further, the classification index depends on the Standardabwei ⁇ monitoring of the respective optical characteristic from, with which a scaling is achieved which takes into a natural variance of the to be drawn in Be ⁇ tracht measured value of the optical characteristic is taken into, and thus the natural variance of the reco ⁇ tes has no influence on the classification index, at the same time no imbalance between the Summan ⁇ the sum in the classification index formula is created.
  • the mean value of the optical feature and the standard deviation of the measured value of the optical feature have been determined on the basis of first calibration data, the first calibration data being derived from dispersions having a negative classification, in particular from the first and second Calibration data are derived, the second calibration data are derived from dispersions with positive classification.
  • first calibration data being derived from dispersions having a negative classification
  • second calibration data are derived from dispersions with positive classification.
  • only two classes are provided for classification. For example, it is simply necessary in an assay method for Klassifika ⁇ tion support in case of illness diagnoses that a statement whether the test dispersion of a sick patient comes or from a healthy patient. Therefore, the mean values of measurement values of a particular optical feature are considered with regard to whether the test dispersion is to be associated with a positive classification or a negative classification.
  • the mean value can be formed with measured values of the optical feature in which a negative classification is known. This would ge ⁇ certain extent correspond to a calibration with a mean of healthy patients in disease diagnosis. Thus, the deviation of the measured measured value of the test dispersion from this mean value is regarded as the information content which has relevance with regard to the classification. If the determined measured value of the test dispersion is very close to the mean value or even identical with the mean value, then the associated optical feature provides no contribution.
  • the first calibration data can be derived from dispersions of negative classification, but also alternatively from dispersions having a positive classification. Thus, the second calibration data are each associated with the other classification than the first calibration data.
  • calibration data are determined from measured values measured on dispersions for optical features, which ideally were found in a large number of dispersions, in order to ensure the statistical significance required for optimum classification support.
  • These calibration data may have been determined by means of classification methods of the prior art, as for example in the case of malaria diagnosis by means of blood smears and their microscopic evaluation.
  • the calibration data should be based on sufficiently many dispersions of different classifications, ideally essentially the same number of data records for the respective classification.
  • the significance of parameters from the ERS ⁇ th and the second calibration data are means of a
  • the classification index is interpreted as a random variable, and a probability of the presence of a classification over the frequency of the classification index can be plotted.
  • the classification index provides a probability distribution ⁇ that includes both test dispersions with positive and negative classification, or in general, with all planned classifications.
  • Discriminant analysis now describes how to make judgments about the classification index based on the probability distribution over the classification index, which leads to a more accurate classification.
  • a classification rule can be specified, on the basis of which value ranges of the classification index can be assigned to a specific classification.
  • the average of the measured value of an optical characteristic is the arithmetic With ⁇ tel several measurement values of the first and / or second calibration data.
  • the average value of a measured value to an opti ⁇ rule feature can also be a focus of a set of points in single or multi-dimensional space.
  • a threshold for classification support is based on a mean classification ⁇ index, in particular a first center of gravity, the first calibration data, and a middle classification index, in particular a second focus, the second calibration data used, in which a positive classification present when the classi- fikationsindex is greater than the threshold and negative classification present when the classification index klei ⁇ ner than the threshold value.
  • the threshold value may advertising chosen in dependence of the mean From ⁇ classification indices, wherein the threshold may be, for example, the arithmetic mean of two middle classification indices. However, the threshold may also be due to the variance of classification indices, which may vary more or less depending on the classification. In principle, the determination of the threshold value can take place on the basis of the discriminant analysis. For example, the threshold value can be so fixed between the two central classifi ⁇ cation indices that positive and negative classification at the threshold value is equally likely.
  • a positive classification indicates a presence of a defect, a parasitic infestation or an abnormal condition of, the deficiency, in particular a anemia, in particular a Mediterranean anemia or sickle cell anemia, and wherein the parasitic Be ⁇ fall, in particular a leishmaniasis or another Parasi ⁇ mentary infection.
  • a defect, egg ⁇ nes parasitic infestation or an abnormal condition can be associated with the test dispersion always so an off ⁇ say or diagnostic test for dispersion is possible.
  • two optical characteristics are at least taken into account for calculation of the classification ⁇ index:
  • the feature set may be very small, which means that few, idealerwei ⁇ se two optical characteristics sufficient to propose a classification secure enough.
  • the measured values of the optical features which are used to calculate the classification index are also advantageously relevant for the classification, the classification index being formed from a sum whose number of summands corresponds to the number of optical features used.
  • the analysis beam is substantially in a Z-direction perpendicular to both the X and Y directions.
  • the Z-direction of the analysis beam for example, by optical lenses, optical fil ter or the like focused, defocused, or have been otherwise word ⁇ tig conditioned to have an optimum beam diameter in the test dispersion.
  • the analysis beam is evaluated, taking into account, for example, near field scattering, far field scattering and / or wavelength absorption in the sense of spectral analysis.
  • the invention further includes a determination method for determining analysis parameters of the analysis method according to the invention, wherein the analysis parameters of the standard deviation, the mean value and the significance parameter, based on the first and / or the second calibration data, are determined for a defined number of optical features. It is not always necessary for all types of analysis parameters to be adjusted or determined. For example, it is conceivable that the average values, the pitch formed at ⁇ as priorities, from NEN gewonne ⁇ from calibration data measured values of the respective optical characteristics become. The same applies for the associated Standardab ⁇ deviations of the measured values obtained from the first and / or second calibration data.
  • At least the significance parameters must be varied in the investigations to optimize the support classification to determine a weighting of the summands of the classification index to the effect that a Klassifika ⁇ tion is clearly possible. This is exactly the case when value ranges of the classification index to be allocated to each ei ⁇ ner classification, with each other do not overlap. Non-overlapping will be very rare in practice, but it is important to optimize that these ranges overlap as little as possible.
  • At least one control parameter in particular a measure of the overlap of the aforementioned value ranges, is calculated based on the analysis parameters, in particular based on the significance parameters, for evaluating the classification support.
  • the classification support is the better, the more the value ranges of different classifications are separated from each other, or the less they overlap.
  • a part of the analysis Para ⁇ meter is at least matched by a first control parameter after an evaluation, in particular an adjustment of Wenig ⁇ least one analysis parameter and the evaluation of the classifi ⁇ cation support is alternately executed until an improvement is not possible or not desirable is.
  • the present first and second calibration data always result in the variation of the analysis parameters or a part of the analysis parameters to a different probability distribution of the classification index of said calibration data.
  • first and second calibration data always result in the variation of the analysis parameters or a part of the analysis parameters to a different probability distribution of the classification index of said calibration data.
  • the first control parameter could be a minimum between the named distributions, wherein the first control parameter always becomes smaller as the analysis parameter or its part is continuously adjusted, so that a separation of the two distributions is all the more pronounced. It can be selected, for example be determined by separate curve fits the above spakeitsvertei ⁇ ments other first control parameters. Several first control parameters may also play a role, these being obtained from the fit parameters, or simply being identical to one or more of the fit parameters.
  • the verify matching part of the not include Analy ⁇ separameter with one type of analysis parameters, such as parameters of significance, standard deviation or mean to be identical, but may be parameters of different types must.
  • the threshold value can also be adapted to the probability distribution of the classification index if distribution functions that can affect the threshold are emerging for the distributions of different classification.
  • the determination method or the analysis method with a reduced number of optical features is executable again as soon as an improvement in consideration of the first control parameter is no longer possible or undesirable, wherein the analysis parameters of a non-significant optical feature or a plurality of non-significant, optical features are no longer taken into account, wherein a missing Sig ⁇ sifikanz an optical feature based on the respective
  • the influence of the optical feature on the classification index is low or absent.
  • ver ⁇ VARIOUS optical features can be waived if the measured values of other optical characteristics enough information content be sitting ⁇ .
  • the invention further execute a Computerpro ⁇ program product which enables a computer in the situation analysis, the inventive method and / or the erfindungsge ⁇ Permitted investigation.
  • the first and / or second calibration data is the computer in an appropriate manner as records, so that a He-making ⁇ the analysis parameters can be brought about on the basis of computer-implemented.
  • comparative data exists which are not suitable for but based on which the analytical method can be tested for its classification support.
  • the computer program product in particular compact discs or the like, contain an installable algorithm.
  • the algorithm executes program cycles with a corresponding termination condition, which can be used both for the determination of analysis parameters, but also for the elimination of analysis parameters.
  • the invention also provides an optical Analysesys ⁇ system, particularly a hematology analyzer, with ei ⁇ ner analysis means for performing an optical measurement value recording of measured values, the optical characteristics of the
  • Test dispersion can be assigned.
  • Such systems are, for example, represent hematological analyzers that automates a number of different readings ermit ⁇ stuffs, the optical features can be assigned.
  • the number au- tomatinstrument determined measured values can impresstau ⁇ sent from several hundred to number in the thousands, for example, one thousand or go.
  • FIG 2 is a schematic representation of part of Da ⁇ tenpoundes according to the inventive methods of analysis, a representation of significance parameters for the corresponding measured value of a respective characteristic, ge ⁇ classified according to the amount size, a scheme for the detection of analysis parameters, and a quality test for the analysis method, a schematic illustration of program loops to improve the classification support, two graphs for use in the discriminant analysis, a Two-dimensional graphical representation for controlling and improving the classification support, a graphical representation of a specificity histogram, and a representation of a sensitivity histogram.
  • FIG. 1 shows an optical analysis system 10, which generates a light source 1, such as a laser, an analysis ⁇ beam 13 which is kussiert such f o in various lenses 2 having the analysis beam 13 in an organic dispersion 12 a focus wherein subsequently a further focusing of the beam is taken before ⁇ by further lenses 2, so that this is a large area through a beam splitter 3 on the one hand in a spectral sensor 7, such as a spectrometer analyzed and also on the mirror 4 far-field diffraction pattern 5 and Nahfeldbeugungsmuster 6 are detectable in each case a sensor.
  • a whole series of measured values attributable to an optical characteristic of the organic dispersion 12 can be determined in an automated manner.
  • the measured values Pi to P29 from the optical analysis method are processed in a downstream data processing 8, which can be performed, for example, in a computer, so that the measured values Pi can be used in a multivariate analysis.
  • the multivariate analysis is an embodiment of an analysis method inventions to the invention to carry out and to determine a classification ⁇ fikationsindex Y, of the organic dispersion may be assigned 1 of FIG 12th
  • the classification index Y can be abandoned, for example, together with a threshold Y s , so that the operator of the optical analysis system 10 can see how a classification can be made.
  • FIG. 3 shows a diagram with significance parameters Ii, wherein the significance parameters Ii have been plotted above the respective measured value Pi.
  • the measured values Pi were assigned the consecutive number i as a function of the magnitude of the associated significance parameter Ii.
  • the Erasmusnfol ⁇ ge which is given by the counter i, are also simultaneous tig information about the information contribution of the measured value to the classification index again.
  • FIG. 3 The diagram shown in FIG. 3 relates to the same measured values Pi, which are also shown in FIG.
  • FIG. 4 shows an example of classification support for malaria diagnosis in which the analysis parameters are to be found by checking the quality of the classification support.
  • the malaria diagnostic support 20 is based on a training phase 28 and a subsequent test phase 31.
  • the test phase 31 enables the standardization 27 of the training phase 28.
  • the training is 22 based on a value allocation 25 for the analysis parameters Y s, started egg, Ii, ⁇ ⁇ wherein based on calibration data, a probability distribution of the classification index is generated and a scaling is performed on the basis of this perception ⁇ scheinegisvertechnik that allows a threshold Y s .
  • the Skalie ⁇ tion 29 is successful, the value allocation of the analysis parameters Ys, egg, Ii, Oi is held to be used in the analysis process.
  • a test takes place on the basis of test data which preferably does not belong to the calibration data but has been taken from another data set or another examination or the like.
  • classifications of test dispersions are made for which, based on the calibration data, already clear classifications exist.
  • the classification 32 is the classification that can be assigned to the analysis method.
  • the sensitivity and specificity are considered in order to determine the accuracy of the classification, or in the case of malaria classification support, the diagnostic accuracy.
  • the specificity is defined as the probability of a negative diagnosis, if the test dispersion, set the case that this classification is correct.
  • Sensitivity is defined as the probability of a positive classification, assuming the case that this classification is correct.
  • Correctness is determined at sensitivity, as well as the Spe ⁇ zifiztician with the calibration data in a comparison.
  • other criteria should also be taken into account, which may optionally be used alternatively or optionally, namely a canonical correlation 34, Wilk's lambda 35, fit parameter Chi 2 36 or a P-value 37 consideration.
  • quality control 24 can be decided whether the method of analysis can provide an efficient classification rule that meets the quality standards of medical analy ⁇ sesysteme. 5 shows which steps should be understood from the steps known from FIG.
  • the processing sequence 50 with the steps of resampling 21, training 22, prediction 23 and quality control 24 can be repeated hundreds of times when using personal computers, even thousands of times, typically exactly one thousand times. If the analysis parameters found, in particular the significance parameters Ii, can no longer be optimized, the inner loop terminates with the processing sequence 50.
  • the inner loop can suggest a classification rule for each execution. The same applies to the off ⁇ execution of the outer loop 52nd
  • a query 51 takes place as to whether a significance parameter Ii is so small that it can not contribute any useful information to the classification index. If such significance parameters Ii found, all the analysis parameters that belong to the respective optical measurement will not be taken into account, including the Standardab ⁇ deviation Oi, the average egg and the significance parameters of Ii irrelevant, optical characteristic.
  • the significance parameter which could be 1 2 8, for example, has assumed a value that is very close to zero.
  • the number of fragments is not subsequently used for malaria diagnosis by the Standardabwei ⁇ r ⁇ 28 monitoring the average value E28 and the significance Parameter 1 2 8 no longer be taken into account.
  • the knowledge of the actually present classification has been included in the diagram insofar as known positive classifications in the distribution are marked with broad bars and negative classifications are shown in a distribution with narrow bars.
  • the two distributions of different classifications are regarded as probability density distributions, and therefore normalized accordingly. This normalization can play as set the area of the respective distributions on one with ⁇ .
  • Other standards may also be useful.
  • the standardizations ensure that the different number of classifications in the calibration data has no influence on the classification rule to be determined. Ideally, one would want a clear separation Zvi ⁇ rule shown probability density distributions D.
  • a threshold Y s would be very easily determinable, namely by determining Y s between the value ranges of the two distributions.
  • the malaria diagnosis this is so that the predetermined threshold Y s is for a rich ⁇ Be the probability of a false classification possible because the classification index Y insufficiently has in this area statement ⁇ force.
  • a discriminant analysis of the present in FIG 6 distribu ⁇ gene leads to a determination of the analysis parameters, as indicated in the table below for the analysis method for malaria diagnosis support.
  • the number of summands for determining the classification index is 29 and is identical to the number of considered optical Features that actually play a role in the test dispersion test. In fact, 500 optical features were begun, 471 of which, during the course of the investigation, revealed a very small significance parameter Ii, and were included in the set of those to be considered
  • Table 1 The above table lists the analysis parameters Ii, Ei, Gi, where both the associated measured value Pi and the listed analysis parameters Ii, Ii, Oi are assigned to the respective optical characteristic i, and where the parameter meter i is to be understood as the number of the respective optical feature.
  • i Pi ADVIA definition The above table lists the analysis parameters Ii, Ei, Gi, where both the associated measured value Pi and the listed analysis parameters Ii, Ii, Oi are assigned to the respective optical characteristic i, and where the parameter meter i is to be understood as the number of the respective optical feature.
  • n means a refractive index of the blood platelet- ⁇ (from PLT measurement)
  • ADVIA is a hematomic analysis system with automated measurement.
  • the measured values Pi are indicated with their respective abbreviations, as used in so-called ADVIA export files, and defined in the last column.
  • a proposed diagnosis can be ge ⁇ give to a small residual risk for each identified classification index of a blood sample, namely When Y> 1.822 a positive malaria diagnosis, and Y ⁇ 1.822 a negative malaria diagnosis.
  • FIG. 8 and FIG. 9 each show the number of identified specificities or sensitivities in the form of histograms.
  • the specificity S P and the sensitivity S E have already been used as a bar graph in FIG.
  • the invention relates to an analysis method for classification support, a determination method for determining analysis parameters Y s , Ei, Ii, ⁇ ⁇ for the analysis method, a computer program product and an opti ⁇ cal analysis system for classification support, based on first and second calibration data analysis parameter Y s , Ei, Ii, Oi are determinable according to the rules of
  • discriminant a classification support available which permit on the basis of measured values Pi of optical features i, in particular organic dispersions whose information content classification, and in particular disease diagnosis, a classification proposal or Diag ⁇ nosevorschlag compared with a threshold Y s.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Hematology (AREA)
  • Ecology (AREA)
  • Dispersion Chemistry (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Urology & Nephrology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

Zusammenfassend betrifft die Erfindung ein Analyseverfahren zur Klassifikationsunterstützung, ein Ermittlungsverfahren zur Bestimmung von Analyseparameter Ys, Ei, Ii, σi für das Analyseverfahren, ein Computerprogrammprodukt und ein optisches Analysesystem zur Klassifikationsunterstützung, bei dem basierend auf ersten und zweiten Eichdaten Analyseparameter Ys, Ei, Ii, σi festlegbar sind, die nach Regeln der Diskriminanzanalyse eine Klassifikationsunterstützung zur Verfügung stellen, die auf der Basis von Messwerten Pi von optischen Merkmalen i, insbesondere organischer Dispersionen, deren Informationsgehalt zur Klassifikation, insbesondere Krankheitsdiagnose, einen Klassifikationsvorschlag oder Diagnosevorschlag im Vergleich mit einer Schwelle Ys erlauben.

Description

Beschreibung
Analyseverfahren zur Klassifikationsunterstützung Die Erfindung betrifft ein Analyseverfahren zur Klassifikationsunterstützung, ein Ermittlungsverfahren zur Bestimmung von Parametern des Analyseverfahrens und ein Computerprogrammpro¬ dukt, sowie ein optisches Analysesystem. Im medizinischen Bereich werden optische Analysesysteme und optische Verfahren verwendet, um organische Dispersionen, die zum einen aus einem Dispersionsmedium und zum anderen aus einer dispersen Phase bestehen, optisch zu analysieren. Die disperse Phase umfasst in der Regel Partikel, insbesondere organisches Material, wie zum Beispiel Zellen oder Zellenbe¬ standteile. Unter dem Dispersionsmedium kann man sich Medien vorstellen, die die disperse Phase umfassen, verdünnen oder anderweitig aufnehmen, wie zum Beispiel Blutplasma. Die Analyse der Bestandteile einer Dispersion kann mit opti¬ schen Methoden durchgeführt werden, wobei ein Lichtstrahl, insbesondere Laserstrahl, in die Dispersion fokussiert und anschließend auf verschiedene optische Merkmale hin unter¬ sucht wird. Auf diese Weise sind Messwerte zu bestimmten Merkmalen der Dispersion ermittelbar.
Aus WO 00/58727 ist ein Analysesystem bekannt, welches aus einer Lichtquelle besteht, deren Licht in eine Dispersionsum- wälzungseinheit (Flowcell) fokussiert und anschließend ausge- wertet wird. Die Auswertung bezieht sich insbesondere auf die spektrale Ermittlung der in der Dispersion absorbierten Wellenlängen des verwendeten Lichts. Zum anderen werden die Beugecharakteristiken im Nah- als auch im Fernfeld dokumentiert, um auf bestimmte Eigenschaften der Dispersion, insbesondere der in der Dispersion enthaltenen Partikel, wie zum Beispiel der roten Blutkörperchen, der weißen Blutkörperchen oder Blutplättchen, rückzuschließen. Eine optische, hämatologische Untersuchung, wie sie aus dem Stand der Technik bekannt ist, kann vorteilhafterweise automatisiert vorgenommen werden, wo¬ bei eine Reihe von optischen Merkmalen der Dispersion untersucht werden. Jedoch begrenzt die optische Analysemethode den Informationsgehalt, der zur Dispersion extrahierbar ist. Ob- wohl Informationen zum Absorbtionsverhalten, Häufigkeitswerten von weißen und roten Blutkörperchen oder Blutplättchen, gewonnen werden können, ist für die Durchführung vieler medizinscher Diagnosen der extrahierte Informationsgehalt immer noch unzulänglich.
Beispielsweise verhält es sich bei der Malaria-Diagnose so, dass als Dispersion eine Blutprobe des Patienten nicht auto¬ matisch untersucht werden kann, sondern auf händische Art und Weise unter dem Mikroskop im Labor untersucht werden muss. Die derzeit beste Methode (Goldstandard) für die Malariadiag¬ nose ist der Blutausstrich auf einem Objektträger oder zwischen zwei Objektträgern. Malariaparasiten werden lichtmikroskopisch mittels Dünn- und Dickblutausstrichen nachgewiesen. Die Genauigkeit der Diagnose ist zu einem großen Anteil von der Qualität des Blutausstriches und der Erfahrung des Labor¬ personals abhängig.
Charakteristisch für parasitär befallene rote Blutkörperchen ist eine besondere Ringform, die unter dem Mikroskop zu er- kennen ist, jedoch ist eine sichere Diagnose nur dann gewähr¬ leistet, wenn eine ausreichende Anzahl dieser ringförmigen roten Blutkörperchen in der Dispersion der Blutprobe gezählt werden können. Aufgrund dieses Zählexperimentes kann ein Arzt erkennen, ob es sich um eine starke oder weniger starke Mala- riainfektion handelt. Leider ist das Zählen der ringförmigen roten Blutkörperchen unter dem Mikroskop sehr langwierig, aufwändig und fehlerbehaftet, sodass eine Malariadiagnose teuer und zu ungenau ist. Hinzu kommt, dass sich verschiedene Labore in verschiedenen Notationen auf unterschiedliche Be- reiche hinsichtlich der gezählten ringförmigen roten Blutkörperchen beziehen. Auf diese Weise besteht zudem die Frage¬ stellung, wie eine standardisierte, verlässliche Malariadiag- nose oder auch Diagnosen anderer Krankheiten oder Negativzuständen zuverlässig durchgeführt werden können.
Der Erfindung liegt die Aufgabe zugrunde, ein optisches Ana- lyseverfahren bereit zu stellen, welches den Informationsge¬ halt eines optischen Analyseverfahrens dahingehend verbes¬ sert, dass präzisere Aussagen zur Dispersion, insbesondere Diagnosen und Klassifizierungen, möglich sind. Diese Aufgabe wird erfindungsgemäß gelöst durch ein Analyse¬ verfahren zur Klassifikationsunterstützung gemäß Anspruch 1, einem Ermittlungsverfahren zur Bestimmung von Analyseparametern des Analyseverfahrens gemäß Anspruch 7, einem Computerprogrammprodukt gemäß Anspruch 13 und einem optischen Analy- sesystem gemäß Anspruch 14.
Erfindungsgemäß beinhaltet das Analyseverfahren zur Klassifi¬ kationsunterstützung die Schritte:
Ermittlung von Messwerten (Pi) zu optischen Merkmalen einer zu klassifizierenden Testdispersion, wobei die
Testdispersion aus einem Dispersionsmedium, insbesondere Blutplasma, und einer dispersen Phase gebildet ist und die disperse Phase Zellen oder Zellenbestandteile, ins¬ besondere organischen Materials, aufweist,
- Berechnung eines Klassifikationsindex Y, definiert
durch : n
Figure imgf000005_0001
i=l wobei der Klassifikationsindex Y von einer Anzahl n der optischen Merkmale i der Testdispersion, einem
Signifikanzparameter 1^ des jeweiligen optischen Merk- mals i, einem Mittelwert Ei zum jeweiligen optischen
Merkmal i und einer Standardabweichung σ± zum jeweiligen optischen Merkmal i abhängt. Der Klassifikationsindex ist dafür vorgesehen, eine Auskunft zu geben, die es erlaubt zu einer Dispersion, insbesondere einer organischen Dispersion, eine Klassifizierung vorzunehmen. Die Klassifizierungen können dabei aus verschiedenen Be- reichen der Medizin, Technik oder aus der Wahrscheinlichkeitstheorie oder aus ähnlichen Bereichen stammen. Mögliche Klassifikationen sind beispielsweise das Vorliegen oder das Nichtvorliegen einer Krankheit, genauso wie das Vorliegen oder das Nichtvorliegen einer Eigenschaft, die in einem all- gemeinsten Sinne zu verstehen ist. Dabei ist die Anzahl der Klassen genauso wenig beschränkt, wie auch deren technisches Gebiet, so können zwei, drei oder mehrere Klassifikationsal¬ ternativen möglich sein und durch den Klassifikationsindex angezeigt werden.
Darüber hinaus ist die Klassifikation durch den Klassifikationsindex als Vorschlag anzusehen, der mit einer bestimmten Wahrscheinlichkeit zutrifft, jedoch nicht zwingend vorliegen muss. Somit ist es möglich, dass der Klassifikationsindex ei- ne Klassifikation der Dispersion vorschlägt, dieser Vorschlag bezogen auf den Einzelfall mit einer gewissen, idealerweise geringen Wahrscheinlichkeit jedoch nicht zutrifft.
Unter einem Dispersionsmedium wird ein Medium, insbesondere ein flüssiges Medium, verstanden, welches in der Lage ist die disperse Phase derart aufzunehmen, dass die zur dispersen Phase gehörenden Zellen oder Zellenbestandteile durch eine Bewegung des Dispersionsmediums mittransportiert werden kön¬ nen. Beispielsweise ist es sinnvoll bei einer zu klassifizie- renden Testdispersion, wie zum Beispiel einer Blutprobe, diese während der optischen Ermittlung von Messwerten zu den optischen Merkmalen in einem fließenden Zustand zu halten. Auf diese Weise ist es einerseits möglich eine für eine statisti¬ sche Betrachtung erforderliche Durchmischung der Testdisper- sion sicherzustellen oder alternativ intrinsisch bedingte Änderungen der Dispersion, wie zum Beispiel einer Gerinnung bei Blutdispersionen, vorzubeugen. Der Klassifikationsindex hängt von einer Anzahl der optischen Merkmale der Testdispersion ab. Ein Messwert ist einem opti¬ schen Merkmal der Testdispersion zuzuordnen, womit ein gewisser Informationsgehalt der Testdispersion durch die Messung des zugeordneten Messwertes entnommen werden kann. Ein optisches Merkmal kann beispielsweise eine Anzahl von bestimmten Zellen, beispielsweise rote Blutkörperchen, weiße Blutkörperchen oder dergleichen, innerhalb einer bestimmten Volumeneinheit sein. Es kann aber auch ein optisches Merkmal zur Form oder Absorptionscharakteristik der genannten Zellen sein. Diese Merkmalsliste ist nicht abschließend.
Die optischen Merkmale per se erlauben keine eindeutige Klas¬ sifizierung, Indizierung oder Diagnose, sodass ein einzelnes optisches Merkmal kaum verwertbare Informationen liefert. Je¬ doch tragen optische Merkmale in Bezug auf eine Klassifikati¬ on dennoch eine gewisse Signifikanz in sich. Um eine Unterstützung für eine Klassifikation zu erhalten, ist es vorteilhaft eine Anzahl bestimmter optischer Merkmale auszuwählen, die eine gewisse Signifikanz für diese Klassifikation enthal¬ ten können. In Abhängigkeit der jeweiligen Klassifikations¬ problematik einer Ausführungsform, können technische Hintergründe oder technisches Vorwissen zur Auswahl der optischen Merkmale herangezogen werden, deren Messwerte dann dem Analy- severfahren zur Klassifikationsunterstützung zugrunde gelegt werden können. Diese zugrunde gelegten optischen Merkmale werden des Weiteren auch Merkmalssatz genannt. Beispielsweise im Falle einer Blutprobe einer Testdispersion, werden bei einer Malariadiagnoseunterstützung die optischen Merkmale her- angezogen, die in Verbindung mit roten Blutkörperchen zustande kommen. Dies kann durch eine Vorkenntnis begründet werden, die auf die übliche mikroskopbasierte Diagnoseunterstützung zurückgeht, bei der ebenfalls rote Blutkörperchen untersucht werden. Jedoch können auch andere optische Merkmale, die sich auf andere Bestandteile der Testdispersion beziehen nach und nach zum Merkmalssatz hinzugenommen oder bereits dem Merkmalssatz angehörige Merkmale basierend auf der Signifikanz des Informationsgehaltes entfernt werden. So kann sich her- ausstellen, dass ein optisches Merkmal, obwohl es das rote Blutkörperchen betrifft, keine Aussagekraft im Hinblick auf Malaria besitzt und somit vom Merkmalssatz entfernt werden kann. Umgekehrt kann ein optisches Merkmal, welches bei- spielsweise eine Zelle betrifft, die mit dem roten Blutkör¬ perchen wechselwirkt, und von daher ebenfalls bei einem para¬ sitären Malariabefall eine Rolle spielt, über das entspre¬ chende optische Merkmal dahingehend beitragen, dass dessen signifikanter Informationsgehalt für das Analyseverfahren zur Klassifikationsunterstützung bereitgestellt wird, indem das optische Merkmal für eine Malariadiagnoseunterstützung Berücksichtigung findet.
Ein Signifikanzparameter ist jeweils einem optischen Merkmal zugeordnet, wobei dieses durch dessen Betrag und/oder dessen Vorzeichen anzeigen kann, inwieweit sich der Messwert des jeweiligen optischen Merkmals auf den Klassifikationsindex aus¬ wirkt. Ferner kann anhand des Signifikanzparameters eine Rangfolge aufgestellt werden, anhand derer die Wichtigkeit des Merkmals für eine Klassifizierung, Diagnose oder derglei¬ chen, hervorgeht. Anhand des Signifikanzparameters ist es auch möglich zu erkennen, ob der Messwert eines optischen Merkmals sinnvollerweise im Merkmalssatz für das Analyseverfahren zur Klassifikationsunterstützung weiter Verwendung finden sollte. Ein Ziel des Analyseverfahrens zur Klassifika¬ tionsunterstützung ist die möglichst genaue Bestimmung der Signifikanzparameter zu den als wichtig zu identifizierenden optischen Merkmalen. Ferner hängt der Klassifikationsindex von Mittelwerten ab, wobei die einzelnen Mittelwerte jeweils optischen Merkmalen zuordenbar sind. Die Mittelwerte sind Mittelwerte von aus Eichdaten gewonnen Messwerten des jeweiligen optischen Merkmals. Der Klassifikationsindex hängt insbesondere von der Differenz des ermittelten Messwerts der Testdispersion und des Mittelwerts zum optischen Merkmal ab, womit der ermittel¬ te Messwert umso stärker auf den Klassifikationsindex Ein- fluss nimmt, je weiter er von dem Mittelwert entfernt liegt. Ferner hängt der Klassifikationsindex von der Standardabwei¬ chung des jeweiligen optischen Merkmals ab, womit eine Normierung erzielt wird, die eine natürliche Varianz des in Be¬ tracht zu ziehenden Messwerts des optischen Merkmals berück- sichtigt wird, und somit die natürliche Varianz des Messwer¬ tes keinen Einfluss auf den Klassifikationsindex nehmen kann, wobei gleichzeitig kein Ungleichgewicht zwischen den Summan¬ den der Summe in der Klassifikationsindexformel entsteht. Bei einer vorteilhaften Ausführungsform des Analyseverfahrens zur Klassifikationsunterstützung ist der Mittelwert des optischen Merkmals und die Standardabweichung des Messwerts des optischen Merkmals auf der Basis von ersten Eichdaten ermittelt worden, wobei die ersten Eichdaten von Dispersionen mit einer negativen Klassifikation abgeleitet sind, insbesondere von den ersten und zweiten Eichdaten abgeleitet sind, wobei die zweiten Eichdaten von Dispersionen mit positiver Klassifikation abgeleitet sind. Bei dieser Ausführungsform sind lediglich zwei Klassen zur Klassifizierung vorgesehen. Bei- spielsweise ist es bei einem Analyseverfahren zur Klassifika¬ tionsunterstützung bei Krankheitsdiagnosen schlichtweg erforderlich, dass eine Aussage, ob die Testdispersion von einem kranken Patienten stammt oder von einem gesunden Patienten. Daher werden die Mittelwerte von Messwerten eines bestimmten optischen Merkmals im Hinblick darauf mit dem Vorwissen betrachtet, ob die Testdispersion einer positiven Klassifikation oder einer negativen Klassifikation zuzuordnen ist. Beispielsweise kann der Mittelwert mit Messwerten des optischen Merkmals gebildet werden, bei denen eine negative Klassifika- tion bekannt ist. Dies würde bei der Krankheitsdiagnose ge¬ wissermaßen eine Eichung mit einem Mittelwert von gesunden Patienten entsprechen. Damit wird die Abweichung des gemessenen Messwertes der Testdispersion von diesem Mittelwert als der Informationsgehalt gewertet, der im Hinblick auf die Klassifikation Relevanz hat. Liegt der ermittelte Messwert der Testdispersion sehr nahe beim Mittelwert oder ist sogar mit diesem identisch, so liefert das zugehörige optische Merkmal keinen Beitrag. Die ersten Eichdaten können von Dispersionen negativer Klassifikation abgeleitet sein, aber auch alternativ von Dispersionen mit einer positiven Klassifikation. Somit sind die zweiten Eichdaten jeweils der anderen Klassifikation zugehö- rig als die der ersten Eichdaten.
Grundsätzlich werden Eichdaten aus an Dispersionen gemessenen Messwerten zu optischen Merkmalen ermittelt, die idealerweise bei einer großen Vielzahl von Dispersionen festgestellt wur- de, um eine statistische Aussagekraft zu gewährleisten, die für eine optimale Klassifikationsunterstützung erforderlich ist. Diese Eichdaten können mittels Klassifikationsverfahren des Stands der Technik ermittelt worden sein, wie zum Bei¬ spiel im Falle der Malariadiagnose mittels Blutausstriche und deren mikroskopischer Beurteilung. Zu den Eichdaten sollten ferner ausreichend viele Dispersionen unterschiedlicher Klassifikationen zugrunde liegen, idealerweise im Wesentlichen gleich viele Datensätze zur jeweiligen Klassifikation. Vorteilhafterweise sind die Signifikanzparameter von dem ers¬ ten und von dem zweiten Eichdaten mittels einer
Diskriminanzanalyse abgeleitet, wobei bei der
Diskriminanzanalyse insbesondere eine bayes'sche Theorie ver¬ wendet wird.
Bei der Diskriminanzanalyse wird der Klassifikationsindex als Zufallsvariable interpretiert, wobei eine Wahrscheinlichkeit des Vorliegens einer Klassifikation über die Häufigkeit des Klassifikationsindex aufgetragen werden kann. Auf diese Weise liefert der Klassifikationsindex eine Wahrscheinlichkeits¬ verteilung, die sowohl Testdispersionen mit positiver als auch negativer Klassifikation beinhaltet, oder allgemein, mit allen vorgesehenen Klassifikationen. Die Diskriminanzanalyse beschreibt nun, wie es anhand der Wahrscheinlichkeits- Verteilung über den Klassifikationsindex Entscheidungen zu treffen sind, die zu einer treffsicheren Klassifizierung führen . Bei einer besonderen Ausführungsform, kann eine Klassifikationsregel angegeben werden, aufgrund derer Wertebereiche des Klassifikationsindex einer bestimmten Klassifikation zugeordnet werden können. Im Spezialfall der Zweiklassen-Klassi- fikation (positiv/negativ, gut/schlecht, minus/plus) kann auch ein Schwellenwert für den Klassifikationsindex anzugeben sein, der den Wertebereich des Klassifikationsindex in zwei Intervalle aufteilt und somit ebenfalls zu einer Klassifika- tionssregel führt. Beim Ausführungsbeispiel der Krankheitsdi- agnose, kann bei Unterschreitung des angegebenen Schwellenwerts eine negative Diagnose vorgeschlagen und bei Über¬ schreitung der Schwelle eine positive Diagnose vorgeschlagen werden .
Beispielsweise kann die bayes 'sehe Theorie eingesetzt werden, wobei priore und posteriore Wahrscheinlichkeit in die Berech¬ nung mit einbezogen werden. Dabei muss genügend Wissen beziehungsweise Eichdaten, von verlässlichen priore Wahrscheinlichkeiten vorliegen, damit die Theorie zum Tragen kommt. Hierbei werden als priore Wahrscheinlichkeiten, Wahrscheinlichkeiten angesehen, die mit Vorwissen geschätzt sind und posteriore Wahrscheinlichkeiten als Wahrscheinlichkeiten die nachträglich errechnet wurden. Hierbei ist die Entfernung der Schwerpunkte zu den Testdaten zu berücksichtigen.
Bei einer vorteilhaften Ausführungsform ist der Mittelwert des Messwerts eines optischen Merkmals das arithmetische Mit¬ tel mehrerer Messwerte von ersten und/oder zweiten Eichdaten. Alternativ kann der Mittelwert eines Messwerts zu einem opti¬ schen Merkmal auch ein Schwerpunkt einer Gruppe von Punkten im ein- oder mehrdimensionalen Raum sein.
Bevorzugt ist basierend auf einem mittleren Klassifikations¬ index, insbesondere einem ersten Schwerpunkt, der ersten Eichdaten und einem mittleren Klassifikationsindex, insbesondere einem zweiten Schwerpunkt, der zweiten Eichdaten ein Schwellenwert zur Klassifikationsunterstützung verwendbar, wobei eine positive Klassifikation vorliegt, wenn der Klassi- fikationsindex größer ist als der Schwellenwert und negative Klassifikation vorliegt, wenn der Klassifikationsindex klei¬ ner als der Schwellenwert ist. Der Schwellenwert kann in Ab¬ hängigkeit der mittleren Klassifikationsindizes gewählt wer- den, wobei der Schwellenwert beispielsweise das arithmetische Mittel der beiden mittleren Klassifikationsindizes sein kann. Jedoch kann der Schwellenwert ebenfalls auf die Varianz von Klassifikationsindizes zurückgehen, die in Abhängigkeit der Klassifikation stärker oder weniger variieren können. Grund- sätzlich kann die Ermittlung des Schwellenwertes auf Basis der Diskriminanzanalyse stattfinden. Beispielsweise kann der Schwellenwert derart zwischen den beiden mittleren Klassifi¬ kationsindizes festgelegt werden, dass positive und negative Klassifikation am Schwellenwert gleichermaßen wahrscheinlich ist.
Bei einer vorteilhaften Ausführungsform zeigt eine positive Klassifikation ein Vorliegen eines Mangels, eines parasitären Befalls oder eines unnormalen Zustandes an, wobei der Mangel, insbesondere eine Anämie, insbesondere eine Mittelmeer Anämie oder eine Sichelzellanämie, ist und wobei der parasitäre Be¬ fall, insbesondere eine Leishmaniose oder eine andere parasi¬ täre Infektion ist. Das genannte Vorliegen eines Mangels, ei¬ nes parasitären Befalls oder eines unnormalen Zustandes kann stets der Testdispersion zugeordnet werden, sodass eine Aus¬ sage oder Diagnose zur Testdispersion möglich ist.
Vorteilhafterweise werden zur Berechnung des Klassifikations¬ index wenigstens zwei optische Merkmale berücksichtigt:
Y (n = 2) = li*(Pi - Ei) /σι + 12*(P2 - E2) /σ2, wobei n = 2 und ein erstes optisches Merkmal ein Maß für eine optische Streuung in eine transversale X-Richtung zu einem Analysestrahl ist und ein zweites optisches Merkmal ein Maß für eine optische Streuung in einer zur X-Richtung senkrechten und zum Analysestrahl ebenfalls senkrechten Y-Richtung ist, wobei der Analysestrahl durch die Testdispersion ver- läuft. Bei einer höheren Anzahl n erhöht sich auch die Anzahl der Summanden des Klassifikationsindex Y entsprechend. Bei der Wahl der Anzahl kann stets zwischen Rechenaufwand und zusätzlichem Informationsgehalt abgewogen werden.
In Abhängigkeit des Einzelfalls, kann der Merkmalssatz sehr klein gewählt werden, das heißt, dass nur wenige, idealerwei¬ se zwei, optische Merkmale ausreichen, um eine Klassifikation sicher genug vorzuschlagen. Die Messwerte der optischen Merk- male, die zur Berechnung des Klassifikationsindex verwendet werden, sind für die Klassifikation vorteilhafterweise auch relevant, wobei der Klassifikationsindex aus einer Summe ge¬ bildet wird, deren Anzahl der Summanden der Anzahl der verwendeten, optischen Merkmale entspricht.
Vorteilhafterweise verläuft der Analysestrahl im Wesentlichen in einer Z-Richtung, die sowohl auf der X-, als auch auf der Y-Richtung senkrecht steht. In der Z-Richtung kann der Analysestrahl beispielsweise durch optische Linsen, optische Fil- ter oder dergleichen fokussiert, defokussiert oder anderwei¬ tig konditioniert worden sein, um in der Testdispersion einen optimalen Strahldurchmesser aufzuweisen. Nach der Transmission durch die Testdispersion wird der Analysestrahl ausgewertet, wobei beispielsweise Nahfeldstreuung, Fernfeldstreuung und/oder Wellenlängenabsorptionen im Sinne einer Spektralanalyse berücksichtigt werden.
Zur Erfindung gehört ferner ein Ermittlungsverfahren zur Bestimmung von Analyseparametern des erfindungsgemäßen Analyse- Verfahrens, wobei für eine festgelegte Anzahl von optischen Merkmalen die Analyseparameter der Standardabweichung, des Mittelwerts und des Signifikanzparameter, basierend auf den ersten und/oder den zweiten Eichdaten ermittelt werden. Dabei ist es nicht immer erforderlich, dass alle Typen von Analyse- parametern einer Anpassung oder Ermittlung unterzogen werden. Beispielsweise ist es denkbar, dass die Mittelwerte, bei¬ spielsweise als Schwerpunkte, aus von aus Eichdaten gewonne¬ nen Messwerten der jeweiligen optischen Merkmale gebildet werden. Entsprechendes gilt für die zugehörigen Standardab¬ weichungen der aus den ersten und/oder den zweiten Eichdaten gewonnenen Messwerte. Zumindest die Signifikanzparameter müssen beim Ermittlungsverfahren zur Optimierung der Klassifikationsunterstützung variiert werden, um eine Gewichtung der Summanden des Klassifikationsindex dahingehend festzulegen, dass eine Klassifika¬ tion möglichst eindeutig ist. Dies ist genau dann der Fall, wenn Wertebereiche des Klassifikationsindex, die jeweils ei¬ ner Klassifikation zuzuordnen sind, sich untereinander nicht überlappen. Eine NichtÜberlappung wird in der Praxis äußerst selten vorkommen, jedoch ist darauf hin zu optimieren, dass die genannten Wertebereiche möglichst wenig überlappen.
Vorteilhafterweise wird wenigstens ein Kontrollparameter, insbesondere ein Maß für die Überlappung der vorgennannten Wertbereiche, basierend auf den Analyseparametern, insbesondere basierend auf den Signifikanzparametern, zur Bewertung der Klassifikationsunterstützung berechnet. Die Klassifikationsunterstützung wird umso besser, je mehr die Wertebereiche unterschiedlicher Klassifikationen voneinander separiert sind, beziehungsweise je weniger diese überlappen. Vorteilhafterweise wird wenigstens ein Teil der Analysepara¬ meter nach einer Bewertung durch einen ersten Kontrollparameter angepasst, wobei insbesondere eine Anpassung des wenigs¬ tens einen Analyseparameters und die Bewertung der Klassifi¬ kationsunterstützung solange abwechselnd ausführbar ist, bis eine Verbesserung nicht mehr möglich oder nicht mehr wünschenswert ist. Die vorliegenden ersten und zweiten Eichdaten führen bei der Variation der Analyseparameter oder eines Teils der Analyseparameter stets zu einer unterschiedlichen Wahrscheinlichkeitsverteilung des Klassifikationsindex der genannten Eichdaten. Idealerweise sollen erste und zweite
Eichdaten nachweislich zu separierbaren Wahrscheinlichkeitsdichteverteilungen unterschiedlicher Klassifikationen führen. Der erste Kontrollparameter könnte beispielsweise ein Minimum zwischen den genannten Verteilungen sein, wobei der erste Kontrollparameter bei der fortwährenden Anpassung der Analyseparameter oder deren Teil möglichst immer geringer ausfällt, sodass eine Separation der beiden Verteilungen umso deutlicher herausgestellt wird. Es können auch andere erste Kontrollparameter gewählt werden, die beispielsweise durch separate Kurvenfits der genannten Wahrscheinlichkeitsvertei¬ lungen ermittelt werden. Dabei können auch mehrere erste Kontrollparameter eine Rolle spielen, wobei diese aus den Fitparametern gewonnen werden, oder schlicht mit einem oder mehreren der Fitparameter identisch sind.
Vorteilhafterweise sind/ist der wenigstens eine Teil der Ana¬ lyseparameter die Signifikanzparameter und/oder der Schwel- lenwert. Grundsätzlich muss der anzupassende Teil der Analy¬ separameter nicht mit einem Typ von Analyseparameter, wie zum Beispiel Signifikanzparameter, Standardabweichung oder Mittelwert, identisch sein, sondern kann auch Parameter unterschiedlichen Typs beinhalten. Auch der Schwellenwert kann an die Wahrscheinlichkeitsverteilung des Klassifikationsindex angepasst werden, falls sich für die Verteilungen unterschiedlicher Klassifikation Verteilungsfunktionen abzeichnen, die sich auf den Schwellenwert auswirken können. Bei einer vorteilhaften Ausführungsform ist das Ermittlungsverfahren oder das Analyseverfahren mit einer reduzierten Anzahl von optischen Merkmalen erneut ausführbar, sobald eine Verbesserung unter Berücksichtigung des ersten Kontrollparameters nicht mehr möglich, oder nicht mehr erwünscht ist, wo- bei die Analyseparameter eines nicht signifikanten, optischen Merkmals oder mehrerer nicht signifikanter, optischer Merkmale nicht mehr berücksichtigt werden, wobei eine fehlende Sig¬ nifikanz eines optischen Merkmals anhand des jeweiligen
Signifikanzparameters festgestellt wird. Da im Vorhinein meist nicht bekannt ist, welche Messwerte von optischen Merk¬ malen zur Aussagekraft des Klassifikationsindex tatsächlich beitragen können, können beispielsweise eine große Anzahl Messwerte optischer Merkmale anfangs berücksichtigt werden - idealerweise alle verfügbaren Messwerte, wobei durch das Er¬ mittlungsverfahren nach und nach Messwerte optischer Merkmale ausgeschlossen werden können, weil diese keinen oder nur einen sehr geringen Beitrag zur Aussagekraft des Klassifikati- onsindex aufweisen. Ausschlaggebend hierbei ist der
Signifikanzparameter, der dann auf eine Signifikanz hindeutet, wenn er deutlich ungleich Null ist.
Signifikanzparameter, die sehr klein sind und/oder nahezu Null, können gegebenenfalls zum Ausschluss des Messwerts des jeweiligen optischen Merkmals führen. Auf diese Weise wird zum einen die Aussagekraft der Klassifikationsunterstützung verbessert, zum anderen werden aufgrund der Nichtberücksichtigung der Rechenaufwand eines Computers, auf den beispiels- weise das Ermittlungsverfahren als Computerprogramm implementiert ist, weniger Rechenleistung aufwenden müssen.
Bevorzugt liegt eine fehlende Signifikanz vor, wenn der Ein- fluss des optischen Merkmals auf den Klassifikationsindex ge- ring ist oder nicht vorliegt. Dennoch kann auf Messwerte ver¬ schiedener optischer Merkmale verzichtet werden, wenn Messwerte anderer optischer Merkmale genug Informationsgehalt be¬ sitzen. In diesem Fall ist es denkbar, beispielsweise mit ei¬ nem Merkmalssatz zu beginnen, der vergleichsweise klein ist und sukzessiv weitere Messwerte anderer optischer Merkmale zum Merkmalssatz hinzuzufügen, womit im Einzelfall getestet werden kann, ob eine Verbesserung der Klassifikationsunterstützung erzielt worden ist. Gegenstand der Erfindung ist des Weiteren ein Computerpro¬ grammprodukt, welches einen Computer in die Lage versetzt das erfindungsgemäße Analyseverfahren und/oder das erfindungsge¬ mäße Ermittlungsverfahren auszuführen. Dazu ist es vorteilhaft, wenn die ersten und/oder zweiten Eichdaten den Computer in geeigneter Weise als Datensätze vorliegen, damit eine Er¬ findung der Analyseparameter auf computerimplementierter Basis herbeigeführt werden kann. Vorteilhaft ist insbesondere, wenn Vergleichsdaten existieren, die nicht zum Eichen heran- gezogen wurden, aber anhand derer das Analyseverfahren auf seine Klassifikationsunterstützung getestet werden kann.
Vorteilhafterweise kann das Computerprogrammprodukt, insbe- sondere Compact Discs oder dergleichen, einen installierbaren Algorithmus enthalten. Der Algorithmus führt Programmschlei¬ fen mit entsprechender Abbruchsbedingung aus, die sowohl für die Ermittlung von Analyseparametern herangezogen werden können, aber auch zur Eliminierung von Analyseparametern ver- wendbar sein können.
Gegenstand der Erfindung ist auch ein optisches Analysesys¬ tem, insbesondere ein hämatologisches Analysesystem, mit ei¬ ner Analyseeinrichtung zur Durchführung einer optischen Mess- wertaufnahme von Messwerten, die optischen Merkmalen der
Testdispersion zugeordnet werden können. Derartige Systeme stellen beispielsweise hämatologische Analysegeräte dar, die automatisiert eine ganze Reihe verschiedener Messwerte ermit¬ teln, die optischen Merkmalen zuordenbar sind. Die Anzahl au- tomatisiert ermittelter Messwerte kann von mehreren Hundert bis in die Tausende, beispielsweise eintausend oder zweitau¬ send, gehen.
Weitere vorteilhafte Ausbildungen und bevorzugte Weiterbil- düngen der Erfindung sind der Figurenbeschreibung und/oder den Unteransprüchen zu entnehmen.
Im Folgenden wird die Erfindung anhand der in den Figuren dargestellten Ausführungsbeispiele näher beschrieben und er- läutert. Es zeigen:
FIG 1 Ein optisches Analysesystem gemäß dem Stand der
Technik, FIG 2 eine schematische Darstellung eines Teils des Da¬ tenflusses gemäß dem erfindungsgemäßen Analyseverfahren, eine Darstellung von Signifikanzparametern zum zugehörigen Messwert eines jeweiligen Merkmals, ge¬ ordnet nach deren Betragsgröße, ein Schema zur Ermittlung von Analyseparametern und ein Qualitätstest zum Analyseverfahren, eine schematische Verdeutlichung von Programmschleifen zur Verbesserung der Klassifikationsunterstützung, zwei grafische Darstellungen zur Verwendung in der Diskriminanzanalyse, eine zweidimensionale grafische Darstellung zur Kontrolle und Verbesserung der Klassifikationsunterstützung, eine grafische Darstellung eines Spezifitätshistog- ramms, und eine Darstellung eines Sensitivitätshistogramms .
FIG 1 zeigt ein optisches Analysesystem 10, welches mit einer Lichtquelle 1, wie zum Beispiel einem Laser, einen Analyse¬ strahl 13 generiert, der in verschiedenen Linsen 2 derart fo- kussiert wird, das der Analysestrahl 13 in einer organischen Dispersion 12 einen Fokus aufweist, wobei anschließend durch weitere Linsen 2 eine weitere Fokussierung des Strahles vor¬ genommen wird, sodass dieser großflächig durch einen Strahlteiler 3 zum einen in einem spektralen Sensor 7, wie zum Beispiel einem Spektrometer, analysierbar ist und auch über den Spiegel 4 Fernfeldbeugungsmuster 5 und Nahfeldbeugungsmuster 6 in jeweils einem Sensor detektierbar sind. Auf diese Weise lassen sich eine ganze Reihe von Messwerten, die einem optischen Merkmal der organischen Dispersion 12 zuzuordnen ist auf automatisierte Art und Weise bestimmen. FIG 2 zeigt das optische Analysesystem 10 mit der Ausgabe von Messwerten Pi, wobei i von i = 1 bis 500 laufen kann und zur Durchnummerierung der optischen Merkmale verwendet wird. In diesem Ausführungsbeispiel werden die Messwerte Pi bis P29 aus dem optischen Analyseverfahren in einer nachgeschalteten Datenverarbeitung 8, die beispielsweise in einem Computer vorgenommen werden kann, aufbereitet, sodass die Messwerte Pi in einer multivariaten Analyse einsetzbar sind. Die multivariate Analyse besteht darin ein Ausführungsbeispiel eines erfin- dungsgemäßen Analyseverfahrens auszuführen und einen Klassi¬ fikationsindex Y zu bestimmen, der der organischen Dispersion 12 aus FIG 1 zugeordnet werden kann.
Der Klassifikationsindex Y kann dabei beispielsweise zusammen mit einem Schwellenwert Ys aufgegeben werden, sodass für den Betreiber des optischen Analysesystems 10 ersichtlich ist, wie eine Klassifikation vorgenommen werden kann. Dabei handelt es sich jedoch nur um eine Klassifikationsunterstützung, bei der ein Klassifikationsvorschlag vom Analyseverfahren ausgegeben wird. Dies bedeutet, dass zwar ein Klassifikati¬ onsvorschlag durch das System gegebenenfalls feststeht, näm¬ lich dann wenn der Klassifikationsindex Y über oder unter einer Schwelle Ys liegt, aber wenn beispielsweise eine Diagnose einer Krankheit vorgenommen werden soll, obliegt es immer noch dem Arzt des Patienten, der die organische Dispersion in Form einer Blutprobe zur Verfügung gestellt hat, die Diagnose einer vorliegenden Krankheit zu stellen oder nicht. Liegt der Klassifikationsindex Y genau auf dem Schwellenwert Y = Ys liefert das optische Analysesystem keine Klassifikationsunterstützung .
FIG 3 zeigt ein Diagramm mit Signifikanzparametern Ii, wobei die Signifikanzparameter Ii über dem jeweiligen Messwert Pi abgetragen worden sind. Dabei erhielten die Messwerte Pi in Abhängigkeit vom Betrag des zugehörigen Signifikanzparameters Ii die laufende Nummer i. Mit anderen Worten, die Reihenfol¬ ge, die durch den Zähler i gegeben ist, gibt auch gleichzei- tig Auskunft über den Informationsbeitrag des Messwerts zum Klassifikationsindex wieder.
Das gezeigte Diagramm der FIG 3 bezieht sich auf die gleichen Messwerte Pi, die auch in FIG 2 gezeigt werden.
FIG 4 zeigt am Beispiel einer Klassifikationsunterstützung für die Malariadiagnose, bei der die Analyseparameter gefunden werden sollen, indem die Qualität der Klassifikationsun- terstützung überprüft wird.
Die Malariadiagnoseunterstützung 20 basiert auf einer Trainingsphase 28 und einer anschließenden Testphase 31. Hierbei ermöglicht die Testphase 31 die Standardisierung 27 der Trai- ningsphase 28.
Zunächst wird das Training 22 anhand einer Wertebelegung 25 für die Analyseparameter Ys, Ei, Ii, σ± begonnen, wobei anhand von Eichdaten eine Wahrscheinlichkeitsverteilung des Klassifikationsindex generiert wird und anhand dieser Wahr¬ scheinlichkeitsverteilung eine Skalierung vorgenommen wird, die es ermöglicht eine Schwelle Ys anzugeben. War die Skalie¬ rung 29 erfolgreich, so wird die Wertebelegung der Analyseparameter Ys, Ei, Ii, Oi festgehalten, um im Analyseverfahren verwendet zu werden.
In einer zweiten Phase, der Vorhersage 23, findet ein Test anhand von Testdaten statt, die vorzugsweise nicht zu den Eichdaten gehören, sondern aus einem anderen Datensatz oder einer anderen Untersuchung oder dergleichen entnommen worden sind .
Aufgrund des gefundenen Satzes von Analyseparametern Ys, Ei, Ii, Oi, die insbesondere die Signifikanzparameter Ii ein- schließen, werden Klassifikationen von Testdispersionen vorgenommen, zu denen aufgrund der Eichdaten, bereits eindeutige Klassifikationen vorliegen. Die Klassifikation 32 ist die Klassifikation, die dem Analyseverfahren zugeordnet werden kann.
Im Ausführungsbeispiel werden die Sensitivität und Spezifität betrachtet, um die Klassifikationsgenauigkeit, beziehungswei¬ se bei einer Malaria Klassifikationsunterstützung, die Diagnosegenauigkeit festzustellen.
Die Spezifizität wird definiert als Wahrscheinlichkeit einer negativen Diagnose, wenn die Testdispersion, gesetzt den Fall, dass diese Klassifikation richtig ist.
Sensitivität wird als Wahrscheinlichkeit einer positiven Klassifikation definiert, gesetzt den Fall, dass diese Klas- sifizierung korrekt ist.
Die Korrektheit wird bei Sensitivität, als auch bei der Spe¬ zifizität mit den Eichdaten in einem Vergleich festgestellt. Zusätzlich sind auch andere Kriterien zu berücksichtigen, die gegebenenfalls alternativ oder optional Verwendung finden können, nämlich eine kanonische Korrelation 34, Wilk's Lambda 35, Fit-Parameter Chi2 36 oder eine P-Wert 37 Betrachtung. Nach der Qualitätskontrolle 24 kann entschieden werden, ob das Analyseverfahren eine effiziente Klassifizierungsregel bieten kann, die den Qualitätsstandards medizinischer Analy¬ sesysteme genügt. FIG 5 zeigt welche Schritte der aus FIG 4 bekannten Schritte nachvollzogen werden sollten.
Die Bearbeitungsabfolge 50 mit den Schritten Resampling 21, Training 22, Vorhersage 23 und der Qualitätskontrolle 24 kann bei Verwendung von Personalcomputern einige hunderte Male wiederholt werden, auch tausende Male, typischer Weise genau tausendmal . Können die gefundenen Analyseparameter, insbesondere die Signifikanzparameter Ii nicht weiter optimiert werden, so bricht die innere Schleife mit der Bearbeitungsabfolge 50 ab. Die innere Schleife kann bei jeder Abarbeitung eine Klassifi- zierungsregel vorschlagen. Entsprechendes gilt bei der Aus¬ führung der äußeren Schleife 52.
Sodann findet eine Abfrage 51 statt, ob ein Signifikanzpara¬ meter Ii derart klein ist, dass er keine verwertbare Informa- tion zum Klassifikationsindex beitragen kann. Wird ein derartiger Signifikanzparameter Ii gefunden, so werden sämtliche Analyseparameter, die zum jeweiligen optischen Messwert gehören nicht weiter berücksichtigt, dazu gehören die Standardab¬ weichung Oi, der Mittelwert Ei und der Signifikanzparameter Ii des irrelevanten, optischen Merkmals.
Wurde beispielsweise erkannt, dass die Anzahl von Fragmenten in der Dispersion für die Malariadiagnose unerheblich ist, so hat der Signifikanzparameter, der beispielsweise 128 sein könnte einen Wert angenommen, der sehr nah bei null liegt. Somit wird nachfolgend die Anzahl von Fragmenten nicht mehr zur Malariadiagnose herangezogen, indem die Standardabwei¬ chung Ö28r der Mittelwert E28 und der Signifikanzparameter 128 nicht mehr berücksichtigt werden. Dies kann in einem Compu- terprogramm dadurch erreicht werden, dass man l2g auf null setzt (128 = 0) . Die Anzahl n wird um eins verringert, womit beispielsweise ausgehend von n = 29 nur noch n = 28 optische Merkmale berücksichtigt werden. Hierbei würde das optische Merkmal i = 29 die Zählernummer 28 erhalten, womit der erneu- te Start 52 der äußeren Schleife nunmehr mit 28 optischen Messwerten fortgesetzt werden kann.
FIG 6 zeigt zwei Diagramme, wobei das obere die Frequenz (Häufigkeit) von Klassifikationsindizes Y für eine negative Klassifikation (schmale Balken) und eine positive Klassifika¬ tion (breite Balken) über den Klassifikationsindex Y abgetra¬ gen sind. Aus dem oberen Diagramm ist ersichtlich, dass für die positive Klassifikation deutlich weniger Datensätze zur Verfügung standen, als für eine negative Klassifikation.
Des Weiteren wurde die Kenntnis der tatsächlich vorliegenden Klassifikation insoweit in das Diagramm einbezogen, dass bekannte positive Klassifikationen in der Verteilung mit breiten Balken gekennzeichnet sind und negative Klassifikationen in einer Verteilung mit schmalen Balken dargestellt sind. Um vom oberen Diagramm zum unteren Diagramm zu gelangen, werden die beiden Verteilungen unterschiedlicher Klassifikationen als Wahrscheinlichkeitsdichteverteilung angesehen, und von daher entsprechend normiert. Diese Normierung kann bei¬ spielsweise den Flächeninhalt der jeweiligen Verteilungen auf eins setzen. Andere Normierungen sind gegebenenfalls auch sinnvoll. Die Normierungen stellen sicher, dass die unterschiedliche Zahl an Klassifikationen in den Eichdaten keinen Einfluss auf die zu bestimmende Klassifikationsregel nimmt. Idealerweise würde man sich eine deutliche Separierung zwi¬ schen den gezeigten Wahrscheinlichkeitsdichteverteilungen D wünschen. Auf diese Weise wäre eine Schwelle Ys sehr leicht bestimmbar, indem nämlich Ys zwischen den Wertebereichen der beiden Verteilungen festgelegt würde. In vorliegendem Fall der Malariadiagnose, verhält es sich so, dass für einen Be¬ reich um die festgelegte Schwelle Ys die Wahrscheinlichkeit einer falschen Klassifikation möglich ist, weil der Klassifikationsindex Y in diesem Bereich nur unzureichend Aussage¬ kraft besitzt. Je näher der Klassifikationsindex Y an einer Testdispersion dem Schwellenwert Ys liegt, umso wahrscheinli¬ cher ist eine unkorrekte Klassifikation.
Eine Diskriminanzanalyse der in FIG 6 vorliegenden Verteilun¬ gen führt zu einer Festlegung der Analyseparameter, wie sie in der nachfolgenden Tabelle für das Analyseverfahren zur Malariadiagnoseunterstützung angegeben ist. Die Anzahl der Summanden zur Bestimmung des Klassifikationsindex beträgt 29 und ist identisch zu der Anzahl der berücksichtigten optischen Merkmale, die beim Test der Testdispersion tatsächlich eine Rolle spielen. In der Tat wurde mit 500 optischen Merkmalen begonnen, wobei 471 davon im Laufe der Anwendung des Ermittlungsverfahrens einen sehr kleinen Signifikanzparameter Ii zu Tage brachten und aus dem Satz der zu berücksichtigenden
Merkmale i entfernt wurden. Die Analyseparameter 1ι,Ει,σ± der verbliebenen 29 optischen Merkmale i lauten:
i Ii Ei Oi
1 0, 0243143292327641 3, 85878279704797 0, 996350482855477
2 1, 05744699221905 86, 2085734326568 12, 953846866348
3 1, 3620780210087 31, 3808859769373 2, 65337438754902
4 0, 298681341952128 16,7073148570111 3, 05622820486547
5 0, 039685909568696 3, 18916825922509 0, 610392795099183
6 0, 802606052864478 22, 4169387250923 6, 67725822054997
7 0, 013290099049454 1, 80846317896679 0, 490486418856065
8 0, 172647099054505 0, 602234248154981 0, 216930342394397
9 0, 0796067332070757 7, 38290569464945 11, 6539118822964
10 0, 197381907473051 4, 55739805811808 10, 0180223771838
11 0, 399165319578081 19, 4079367287823 22, 1428759582116
12 0, 0494342161138479 1, 24748103597786 2, 31647351118736
13 1, 44026210168956 26, 9894740940959 5, 0938073590873
14 0, 520893299030793 4, 28650641605166 1, 07368357499902
15 0, 284413335456635 16,4872902721402 12, 5135939166568
16 0, 531892835621228 7,23708487084871 8, 95211789259242
17 0, 698987246767777 336, 37508399262 233, 481906156752
18 0, 488427163694765 9, 19492226291513 2, 00576799720274
19 0, 683216666590792 53, 4022117638376 11, 7120398800053
20 2, 39463588229883 23, 307653449262 2, 81445425488391
21 0, 493291518472633 5, 742889099631 0, 731852460724153
22 0, 199742256744743 1, 95712033394834 0, 25494636006376
23 1, 76951528599063 0, 839687189114391 0, 161239146887579
24 0, 0918169689792613 1,37246023431734 0, 00515681120954237
25 2, 99867547853134 34, 8957316577491 5, 81915230603462
26 2, 46145277256995 17, 5466706845018 3, 58836148561811 27 0, 0213275666681148 8, 33807254059041 7, 74938961818539
28 0, 477404018065088 0, 0352406872693727 0, 136793871627217
29 0272433630134861 0, 016729979704797 0, 0197033898754757
Tabelle 1: Die vorstehende Tabelle listet die Analyseparame¬ ter Ii, Ei, Gi auf, wobei sowohl der zugehörige Messwert Pi, als auch die aufgelisteten Analyseparameter li,Ei,Oi dem jeweili- gen optischen Merkmal i zugeordnet sind, und wobei der Para¬ meter i als Nummer des jeweiligen optischen Merkmals zu verstehen ist. i Pi ADVIA Definition
Parameter/ des Messwerts Pi zum optisches jeweiligen Merkmal i
Merkmal
1 Pi RBC Zählung der roten Blutkörperchen aus dem RBC/PLT-Kanal
2 P2 MCV Mittleres Zellvolumen der gezählten roten Blutkörperchen (RBC)
3 P3 CHCM Mittlere Hämoglobinkonzentration
(g/dL) der Zellen (aus RBC)
4 P4 RDW Dichteverteilungsbreite der roten
Blutkörperchen (aus RBC)
5 P5 HDW Breite der Hämoglobindichteverteilung
(g/dL)
6 P6 plat mode PLT Mode
7 Pv mu fit μ-FIT
8 P8 sig fit o-FIT
9 P9 micro pcnt Anzahl der RBC Zellen in Prozent mit weniger als 60 Femtoliter
10 Pio macro pcnt Anzahl der RBC Zellen in Prozent mit mehr als 120 Femtoliter
11 Pll hypo pcnt Anzahl der von roten Blutkörperchen in
Prozent mit einer Hämoglobin Konzent¬ ration von weniger als 28 g/dL
12 Pl2 hyper pcnt Anzahl der von roten Blutkörperchen in
Prozent mit einer Hämoglobin Konzent- ration von weniger als 41 g/dL
13 Pl3 H mean Mittelwert der Hämoglobinkonzentration in Pikogramm
14 Pl4 H deviation Breite der Hämoglobininhaltsverteilung in Pikogramm
15 Pl5 VHC covar Kovarianz der
Hämoglobindichteverteilung
16 Pl6 MN PMN alley Das BASO M /PMN Minimum als Senke zwischen den MN und PMN Clustern des BASO Zytogramms
17 Pl7 PLT Zählung der erkannten Blutplättchen
18 Pl8 MPV Mittleres Blutplättchenvolumen
19 Pl9 PDW Blutplättchenverteilungsbreite
20 P20 MPC Mittlere Blutplättchen- Komponentenkonzentration
21 P21 PCDW Verteilungsbreite der
Blutplättchenkomponentenkonzentration
22 P22 MPM Mittlere Blutplättchentrockenmasse
23 P23 PMDW Verteilungsbreite der
Blutplättchentrockenmasse
24 P24 PLT Mean n Mittel eines Brechungsindex der Blut¬ plättchen (aus PLT-Messung)
25 P25 PLT Mean X Mittelwert der Beugungsablenkung in X- Richtung
26 P26 PLT Mean Y Mittelwert der Beugungsablenkung in Y- Richtung
27 P27 Large PLT große Blutplättchen (Anzahl)
28 P28 RBC Fragments Anzahl der gezählten Fragmente im PLT- Beugungszytogramm
29 P29 RBC Ghosts Anzahl der Ereignisse im PLT- Beugungszytogramm ohne Zuordnung
Tabelle 2: Bei ADVIA handelt es sich um ein hämatomisches Analysesystem mit automatisierter Messwertermittlung. Die Messwerte Pi werden mit ihrem jeweiligen Kürzel, wie sie in sogenannten ADVIA Exportdateien verwendet werden, angegeben und in der letzten Spalte definiert. An dieser Stelle wird eine Referenz zur WO 00/58727
(PCT/US00/08512) hergestellt, deren gesamter Offenbarungsgehalt durch explizite Bezugnahme in dieses Schutzrecht zu in- tegrieren ist, insbesondere soweit es die darin verwendeten Messwerte und optischen Merkmale des offenbarten hämatologi- schen Analysesystems betrifft.
Im Ausführungsbeispiel der Tabellen wird zur Maraliadiagnose- Unterstützung eine Schwelle Ys = 1,822 vorgeschlagen. Somit kann für jeden ermittelten Klassifikationsindex einer Blutprobe ein Diagnosevorschlag bei einem kleinen Restrisiko ge¬ geben werden, nämlich Bei Y > 1,822 ein positiver Malariabefund und bei Y < 1,822 ein negativer Malariabefund. Y = 1,822 liefert keine Unterstützung.
Während der Qualitätskontrolle 24 der Malariadiagnose¬ unterstützung wurden die Spezifitätsverteilung 41 und die Sensitivitätsverteilung 40 ermittelt und in einem zweidimen- sionalen Graphen gegeneinander abgetragen. Teilt man die Verteilungen in 4 gleiche Teile, so können die beiden mittleren Viertel für diese Betrachtung berücksichtigt werden. Mit an¬ deren Worten, es werden das IQR 42 ( InterQuartile Range) von der Verteilung 40 und das IQR 43 von der Verteilung 41 be- rücksichtigt. Um beste Ergebnisse zu erzielen wird empfohlen, dass man Klassifikationsregeln auswählt, die innerhalb des gezeigten Schnittbereichs S angesiedelt sind, um höchsten me¬ dizinischen Anforderungen gerecht zu werden. Bei einer einfachen Mittelwertbildung erreicht die Sensitivi- tät 96,25 % und bei einer Betrachtung des IQR einen Bereich von 59 % bis 97,5 %. Die Spezifizität erreicht im Mittel 98,29 % und bei einer Betrachtung des IQR einen Bereich von 97,98 % bis 89,60 %. Somit ist eine korrekte Klassifizierung höchstwahrscheinlich, wobei falsche Klassifizierungsvorschlä¬ ge nur mit einem kleinen Restrisiko ausgeschlossen werden können . FIG 8 und FIG 9 zeigen jeweils die Anzahl festgestellter Spezifizitäten, beziehungsweise Sensitivitäten in Form von Histogrammen. Die Spezifizität SP und die Sensitivität SE wurden bereits als Balkendiagramm in FIG 7 verwendet.
Zusammenfassend betrifft die Erfindung ein Analyseverfahren zur Klassifikationsunterstützung, ein Ermittlungsverfahren zur Bestimmung von Analyseparameter Ys, Ei, Ii, σ± für das Analyseverfahren, ein Computerprogrammprodukt und ein opti¬ sches Analysesystem zur Klassifikationsunterstützung, bei dem basierend auf ersten und zweiten Eichdaten Analyseparameter Ys, Ei, Ii, Oi festlegbar sind, die nach Regeln der
Diskriminanzanalyse eine Klassifikationsunterstützung zur Verfügung stellen, die auf der Basis von Messwerten Pi von optischen Merkmalen i, insbesondere organischer Dispersionen, deren Informationsgehalt zur Klassifikation, insbesondere Krankheitsdiagnose, einen Klassifikationsvorschlag oder Diag¬ nosevorschlag im Vergleich mit einer Schwelle Ys erlauben.

Claims

Patentansprüche
1. Analyseverfahren zur Klassifikationsunterstützung mit den Schritten
Ermittlung von Messwerten (Pi) zu optischen Merkmalen (i) einer zu klassifizierenden Testdispersion, wobei die Testdispersion aus einem Dispersionsmedi¬ um, insbesondere Blutplasma, und einer dispersen Phase gebildet ist und die disperse Phase Zellen oder Zellenbestandteile organischen Materials auf¬ weist,
Berechnung eines Klassifikationsindex (Y) , defi¬ niert durch
n
Figure imgf000029_0001
i=l
wobei der Klassifikationsindex (Y) von einer Anzahl (n) der optischen Merkmale (i) der Testdispersion, einem Signifikanzparameter (Ii) des jeweiligen optischen Merkmals (i) , einem Mittelwert (Ei) des je¬ weiligen optischen Merkmals (i) und einer Standard¬ abweichung (oi) des jeweiligen optischen Merkmals (i) abhängt.
Analyseverfahren nach Anspruch 1, wobei der Mittelwert (Ei) des optischen Merkmals (i) und die Standardabwei¬ chung (oi) des optischen Merkmals (i) auf der Basis von ersten Eichdaten ermittelt wurden, wobei die ersten Eichdaten von Dispersionen mit einer negativen Klassifi kation abgeleitet sind, insbesondere von den ersten Eichdaten und zweiten Eichdaten abgeleitet sind, wobei die zweiten Eichdaten von Dispersionen mit positiver Klassifikation abgeleitet sind. 3. Analyseverfahren nach Anspruch 2, wobei die
Signifikanzparameter (Ii) von den ersten und von den zweiten Eichdaten mittels einer Diskriminanzanalyse ab- geleitet sind, wobei bei der Diskriminanzanalyse insbe¬ sondere ein Bayes'sches Theorem verwendet wird.
4. Analyseverfahren nach Anspruch 3, wobei basierend auf einem ersten mittleren Klassifikationsindex (Yi) , insbe¬ sondere einen ersten Schwerpunkt, der ersten Eichdaten und einem zweiten mittleren Klassifikationsindex (Y2) , insbesondere einem zweiten Schwerpunkt, der zweiten Eichdaten ein Schwellenwert (Ys) zur Klassifikationsunterstützung verwendbar ist, wobei Y > Ys positiver Klas¬ sifikation und Y < Ys negativer Klassifikation zugeord¬ net ist.
5. Analyseverfahren nach Anspruch 4, wobei eine positive Klassifikation ein Vorliegen eines Mangels, eines parasitären Befalls oder eines unnormalen Zustandes anzeigt, wobei der Mangel insbesondere eine Anämie, insbesondere eine Mittelmeer Anämie oder eine Sichelzellanämie, ist und wobei der parasitäre Befall insbesondere eine Leish¬ maniose oder eine andere parasitäre Infektion ist.
6. Anspruch nach einem der Ansprüche 1 bis 5, wobei zur Be¬ rechnung des Klassifikationsindex (Y) wenigstens zwei optische Merkmale (i) berücksichtigt werden:
Y (n = 2) = li*(Pi - Ei) /σι + 12*(P2 - E2) /σ2, wobei n = 2 und ein erstes optisches Merkmal ein Maß für eine optische Streuung in eine transversale X-Richtung zu einem Analysestrahl (13) ist und ein zweites opti¬ sches Merkmal ein Maß für eine optische Streuung in ei¬ ner zur X-Richtung senkrechten und zum Analysestrahl (13) senkrechten Y-Richtung ist, wobei der Analysestrahl (13) durch die Testdispersion (12) verläuft.
7. Ermittlungsverfahren zur Bestimmung von Analyseparametern (Ys, Ei, Ii, Oi) des Analyseverfahrens nach einem der Ansprüche 1 bis 6, wobei für eine festgelegte Anzahl (n) von optischen Merkmalen (i) die Analyseparameter (Ys, Ei, Ii, Oi) der Standardabweichung (σ±) , des Mittel¬ werts (Ei) und der Signifikanzparameter (Ii) basierend auf den ersten und den zweiten Eichdaten ermittelt wer- den .
Ermittlungsverfahren nach Anspruch 7, wobei wenigstens ein erster Kontrollparameter, insbesondere ein Minimum oder ein Fitparameter, basierend auf den Analyseparame¬ tern (Ys, Ei, Ii, Oi) zur Bewertung der Klassifikationsunterstützung berechnet wird.
Ermittlungsverfahren nach Anspruch 8, wobei wenigstens ein Teil der Analyseparameter (Ys, Ei, Ii, σ±) nach einer Bewertung durch den ersten Kontrollparameter angepasst wird, wobei insbesondere eine Anpassung des wenigstens einen Analyseparameters (Ys, Ei, Ii, σ±) und die Bewer¬ tung der Klassifikationsunterstützung, solange abwechselnd ausführbar sind, bis ein Verbesserung nicht mehr möglich oder nicht mehr erwünscht ist.
Ermittlungsverfahren nach Anspruch 9, wobei der wenigstens eine Teil der Analyseparameter (Ys, Ei, Ii, σ±) die Signifikanzparameter (Ii) und/oder der Schwellenwert (Ys) sind/ist.
Ermittlungsverfahren nach Anspruch 9, wobei das Ermittlungsverfahren, sobald eine Verbesserung nicht mehr möglich oder nicht mehr erwünscht ist, mit einer reduzierten Anzahl von optischen Merkmalen (i) erneut ausführbar ist, wobei die Analyseparameter (Ys, Ei, Ii, oi) eines nicht signifikanten, optischen Merkmals (i) oder mehreren nicht signifikanten Merkmalen (i) nicht mehr berücksichtigt werden, wobei eine fehlende Signifikanz eines optischen Merkmals (i) anhand des Signifikanzparameters (Ii) festgestellt wird.
12. Ermittlungsverfahren nach Anspruch 11, wobei fehlende Signifikanz vorliegt, wenn der Einfluss des optischen Merkmals (i) auf den Klassifikationsindex (Y) gering ist .
13. Computerprogrammprodukt, welches einen Computer in die Lage versetzt das Analyseverfahren nach Anspruch 1 und/oder das Ermittlungsverfahren nach Anspruch 7 auszuführen .
14. Optisches Analysesystem (10), insbesondere ein hämatolo- gisches Analysesystem (10), mit einer Analyseeinrichtung zur Durchführung des Analyseverfahrens nach Anspruch 1 und/oder zur Durchführung des Ermittlungsverfahrens nach Anspruch 7.
PCT/EP2014/066786 2013-08-19 2014-08-05 Analyseverfahren zur klassifikationsunterstützung WO2015024770A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP14752580.2A EP2997365B1 (de) 2013-08-19 2014-08-05 Analyseverfahren zur klassifikationsunterstützung
US14/912,876 US10401275B2 (en) 2013-08-19 2014-08-05 Analysis method for supporting classification
JP2016535396A JP6611716B2 (ja) 2013-08-19 2014-08-05 分類を支援するための分析法
CN201480045769.3A CN105474013B (zh) 2013-08-19 2014-08-05 用于分类支持的分析方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102013216362.2 2013-08-19
DE102013216362.2A DE102013216362A1 (de) 2013-08-19 2013-08-19 Analyseverfahren zur Klassifikationsunterstützung

Publications (1)

Publication Number Publication Date
WO2015024770A1 true WO2015024770A1 (de) 2015-02-26

Family

ID=51357909

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2014/066786 WO2015024770A1 (de) 2013-08-19 2014-08-05 Analyseverfahren zur klassifikationsunterstützung

Country Status (6)

Country Link
US (1) US10401275B2 (de)
EP (1) EP2997365B1 (de)
JP (1) JP6611716B2 (de)
CN (1) CN105474013B (de)
DE (1) DE102013216362A1 (de)
WO (1) WO2015024770A1 (de)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3076333A1 (de) * 2015-04-02 2016-10-05 Siemens Aktiengesellschaft Analyseverfahren zur klassifikation einer testdispersion hinsichtlich des vorliegens einer sichelzellenanämie
EP3859425B1 (de) * 2015-09-17 2024-04-17 S.D. Sight Diagnostics Ltd. Verfahren und vorrichtung zur detektion einer entität in einer körperprobe
EP3455610B1 (de) 2016-05-11 2023-01-04 S.D. Sight Diagnostics Ltd. Probenträger für optische messungen
CN111788471B (zh) 2017-11-14 2023-12-12 思迪赛特诊断有限公司 用于光学测量的样品载体
US11994514B2 (en) * 2018-06-15 2024-05-28 Beckman Coulter, Inc. Method of determining sepsis in the presence of blast flagging
DE102019114117B3 (de) * 2019-05-27 2020-08-20 Carl Zeiss Microscopy Gmbh Automatische Workflows basierend auf einer Erkennung von Kalibrierproben
US11526701B2 (en) * 2019-05-28 2022-12-13 Microsoft Technology Licensing, Llc Method and system of performing data imbalance detection and correction in training a machine-learning model
US11537941B2 (en) 2019-05-28 2022-12-27 Microsoft Technology Licensing, Llc Remote validation of machine-learning models for data imbalance
US11521115B2 (en) 2019-05-28 2022-12-06 Microsoft Technology Licensing, Llc Method and system of detecting data imbalance in a dataset used in machine-learning
CN111024569B (zh) * 2019-10-18 2022-07-01 重庆邮电大学 一种磨粒检测传感器的标定方法及其存储介质
CN110823938A (zh) * 2019-11-14 2020-02-21 南京钢铁股份有限公司 一种统计分析钢铁材料中TiN和TiC夹杂物的方法
CN111401407B (zh) * 2020-02-25 2021-05-14 浙江工业大学 一种基于特征重映射的对抗样本防御方法和应用

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100273168A1 (en) * 2009-04-27 2010-10-28 Martin Krockenberger Method for discriminating red blood cells from white blood cells by using forward scattering from a laser in an automated hematology analyzer
EP2280278A1 (de) * 2008-05-09 2011-02-02 Sysmex Corporation Blutanalysator, blutanalyseverfahren und hämolytikum
US20110178716A1 (en) * 2010-01-15 2011-07-21 Martin Krockenberger Method for determining volume and hemoglobin content of individual red blood cells
WO2013093913A1 (en) * 2011-12-19 2013-06-27 Opticul Diagnostics Ltd. Spectroscopic means and methods for identifying microorganisms in culture

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19737109A1 (de) * 1996-08-30 1998-03-12 Pe Diagnostik Gmbh Verfahren zur Ermittlung signifikanter Abweichungen des Zellenwachstums
CA2367780A1 (en) 1999-03-31 2000-10-05 Bayer Corporation Single channel, single dilution detection method
US6647341B1 (en) * 1999-04-09 2003-11-11 Whitehead Institute For Biomedical Research Methods for classifying samples and ascertaining previously unknown classes
CN1371660A (zh) * 2001-02-22 2002-10-02 上海市脑血管病防治研究所 用脑血管血液动力学参数评估中风危险度的方法
US6636623B2 (en) 2001-08-10 2003-10-21 Visiongate, Inc. Optical projection imaging system and method for automatically detecting cells with molecular marker compartmentalization associated with malignancy and disease
CA2468601A1 (en) * 2001-12-03 2003-06-12 Dnaprint Genomics, Inc. Methods and apparatus for complex genetics classification based on correspondence analysis and linear/quadratic analysis
DE10317717B4 (de) * 2003-04-17 2005-02-24 Pe Diagnostik Gmbh Verfahren zur Diagnose von Erkrankungen unter Verwendung von Indikatorstoffen
JP4825562B2 (ja) * 2006-03-30 2011-11-30 シスメックス株式会社 試料測定装置及び試料測定方法
CN101236150B (zh) * 2007-02-02 2012-09-05 深圳迈瑞生物医疗电子股份有限公司 用于基于流式细胞术的仪器的光电传感器及其照射单元
CN101059431A (zh) * 2007-05-11 2007-10-24 上海师范大学 镰刀菌属真菌的红外指纹快速鉴定方法
CN102165454B (zh) * 2008-09-29 2015-08-05 皇家飞利浦电子股份有限公司 用于提高计算机辅助诊断对图像处理不确定性的鲁棒性的方法
JP5887141B2 (ja) * 2009-02-26 2016-03-16 ユニバーシティ ダンガース 肝線維症または肝硬変の向上した診断方法
JP5452058B2 (ja) * 2009-03-31 2014-03-26 シスメックス株式会社 血液分析装置
WO2011001681A1 (ja) * 2009-07-03 2011-01-06 シスメックス株式会社 血液分析装置及び血液分析方法
CN101716069A (zh) * 2009-11-17 2010-06-02 中国科学院安徽光学精密机械研究所 人体氧化应激无创荧光检测装置与方法
DE102011003101B4 (de) * 2010-12-23 2016-04-07 Siemens Healthcare Diagnostics Products Gmbh Verfahren zum Nachweis einer Plasmodieninfektion
WO2012147451A1 (ja) * 2011-04-28 2012-11-01 シスメックス株式会社 血液分析装置、血液分析方法、及びコンピュータプログラム
EP2520926B1 (de) * 2011-05-05 2022-06-15 Sysmex Corporation Blutanalysegerät, blutanalyseverfahren und computerprogrammprodukt
JP6321637B2 (ja) * 2012-07-05 2018-05-09 ベックマン コールター， インコーポレイテッド 白血球数の測定方法及び測定装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2280278A1 (de) * 2008-05-09 2011-02-02 Sysmex Corporation Blutanalysator, blutanalyseverfahren und hämolytikum
US20100273168A1 (en) * 2009-04-27 2010-10-28 Martin Krockenberger Method for discriminating red blood cells from white blood cells by using forward scattering from a laser in an automated hematology analyzer
US20110178716A1 (en) * 2010-01-15 2011-07-21 Martin Krockenberger Method for determining volume and hemoglobin content of individual red blood cells
WO2013093913A1 (en) * 2011-12-19 2013-06-27 Opticul Diagnostics Ltd. Spectroscopic means and methods for identifying microorganisms in culture

Also Published As

Publication number Publication date
EP2997365A1 (de) 2016-03-23
EP2997365B1 (de) 2018-05-23
DE102013216362A1 (de) 2015-02-19
CN105474013B (zh) 2018-09-18
JP2016528506A (ja) 2016-09-15
CN105474013A (zh) 2016-04-06
US20160202171A1 (en) 2016-07-14
JP6611716B2 (ja) 2019-11-27
US10401275B2 (en) 2019-09-03

Similar Documents

Publication Publication Date Title
EP2997365B1 (de) Analyseverfahren zur klassifikationsunterstützung
DE69422128T2 (de) Verfahren zur interaktiven automatischen Zytologie
DE3751859T2 (de) Durchflusszytometrie-Verfahren zur Klassifikation von Leukozyten und Reagenzien dafür
EP3042177B1 (de) In-vitro-verfahren zum markierungsfreien bestimmen eines zelltyps einer zelle
DE69322498T2 (de) Verfahren zur identifizierung von normalen biomedizinischen proben
DE19616997A1 (de) Verfahren zur automatisierten mikroskopunterstützten Untersuchung von Gewebeproben oder Körperflüssigkeitsproben
DE69532276T2 (de) Automatisiertes cytologisches probenklassifizierungsverfahren
DE69701446T2 (de) Verfahren und vorrichtung zur bestimmung des hämoglobingehalts von einzelnen roten blutkörperchen
DE2903625C2 (de)
EP3430565B1 (de) Verfahren zur untersuchung verteilter objekte unter segmentierung eines übersichtbildes
DE102009000904A1 (de) Verfahren und Systeme zum Berechnen einer Grössenverteilung von kleinen Partikeln
EP3114480B1 (de) Verfahren und vorrichtung zur qualitätskontrolle eines blutprodukts
WO2019175082A1 (de) In-vitro-verfahren zum markierungsfreien bestimmen eines zelltyps einer weissen blutzelle
DE2742957C2 (de) Mikroskop-Photometer
WO2015028365A1 (de) Analyseverfahren zur ermittlung der typen und konzentrationen biologischer partikel
EP3165899A1 (de) Verfahren zum nachweis von neutrophilen extrazellulären fallen
DE19637741B4 (de) Automatisches Zytologisches Probenanalysesystem unter Verwendung von individualisierten Patientendaten
DE102020002256A1 (de) Prozesssteuerung/-regelung auf Basis einer spektroskopischen Bestimmung unbestimmter Substanzkonzentrationen
DE2056291A1 (de) Vorrichtung zur Unterscheidung, zum Zahlen und Sortieren von Teilchen ent sprechend ihrer MikroStruktur
EP3076333A1 (de) Analyseverfahren zur klassifikation einer testdispersion hinsichtlich des vorliegens einer sichelzellenanämie
DE102011012674B3 (de) Verfahren und Nachweisvorrichtung zur Bestimmung eines Nierenfunktionsparameters
AT525533B1 (de) Verfahren und System zur Analyse einer Blutprobe
DE10317717B4 (de) Verfahren zur Diagnose von Erkrankungen unter Verwendung von Indikatorstoffen
EP3809115A1 (de) Methode zur klassifikation von thrombozyten-aggregationen
EP3153856A1 (de) Verfahren zur bestimmung der konzentration von retikulierten thrombozyten

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 201480045769.3

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14752580

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2014752580

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2016535396

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 14912876

Country of ref document: US