WO2018028789A1 - Method and arrangement for determining at least one implication, in particular a pathological implication - Google Patents

Method and arrangement for determining at least one implication, in particular a pathological implication Download PDF

Info

Publication number
WO2018028789A1
WO2018028789A1 PCT/EP2016/069142 EP2016069142W WO2018028789A1 WO 2018028789 A1 WO2018028789 A1 WO 2018028789A1 EP 2016069142 W EP2016069142 W EP 2016069142W WO 2018028789 A1 WO2018028789 A1 WO 2018028789A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
implication
module
information
kernel
Prior art date
Application number
PCT/EP2016/069142
Other languages
German (de)
French (fr)
Inventor
Clemens Otte
Original Assignee
Siemens Aktiengesellschaft
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 Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Priority to PCT/EP2016/069142 priority Critical patent/WO2018028789A1/en
Publication of WO2018028789A1 publication Critical patent/WO2018028789A1/en

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the invention relates to a method for detecting at least one, in particular pathological, implication according to claim 1 and an arrangement for detecting at least one, in particular pathological, implication according to claim 11.
  • a spectrometer in the medical field can be used to determine whether a tissue sample contains cancerous tissue by examining tissue parts.
  • Example ⁇ instance can this optical spectroscopy for use kom ⁇ men, wherein the tissue sample with light, especially in the near-infrared spectroscopy (NIRS) is irradiated with short-wave infrared light and then the intensity of the re ⁇ inflected light as a function of the wavelength of the light is measured.
  • NIRS near-infrared spectroscopy
  • spectroscopy is not only used to classify objects, but also for tasks that use the statistical method of regression to make predictions about quantitative properties, such as blood alcohol values. Furthermore, spectroscopy is also used in condition monitoring, for example in the context of an industrial application, in which vibration amplitudes are measured as a function of the frequency.
  • the complexity of the spectra therefore requires advanced methods of preprocessing and analysis.
  • the analysis of this requires, for example, a model for ⁇ Kali-calibration of the data generated, wherein for this purpose the characteristics of the respective measured sample are known and are set in relation to the each ⁇ weilig detected spectra.
  • the object of the invention is to provide a solution that overcomes the existing for the use of spectroscopy chal ⁇ aging, in particular for the medical field, in demge ⁇ genüber improved manner.
  • This object is achieved by the method for detecting at least one, in particular pathological, implication according to claim 1 by its features, and by the Anord ⁇ tion for detecting at least one, in particular pathological, implication according to claim 11.
  • the first and / or second Vorverarbei ⁇ processing module is operated in a further development of the invention so as to the set by means of a Merkmalsex Exerciseon, in particular intensities of each wavelength or frequency, correlated from the zugrun- delitis with the object, in particular spectrometrically detected, first information of data, in particular as coefficients of a function according to signal processing.
  • a machine processing by means of mathematical, in particular statistical methods of signal processing is possible.
  • Each preprocessing module provides its own view of the underlying object.
  • a view can be, for example, as ⁇ by defining that a pre-processing an egg gene mathematical filter function uses (for example, the first derivative of the spectrum over the wavelengths) on the spectra, and provides additional information.
  • a view can also be defined in that a separate measurement rate of the underlying object takes place, into ⁇ particular in a different spectral range than in the first measurement.
  • a view not spectral data of the underlying object beinhal ⁇ th, in particular genomic and / or proteomic Informati ⁇ tions in the medical field This allows, for example, to capture patient-specific factors that may have an influence on the spectral measurement and to take them into account in the calculation of the object properties in the prediction module.
  • the method is developed in such a way that the prediction module is operated in a processor-controlled manner such that training is initially carried out in a training phase using methods of machine learning for data for which the implication to be predicted is known.
  • linear models eg partial least squares
  • neural networks such as the multilayer perceptron, or kernel-based methods such as the Gaussian process model or the Support Vector Machine.
  • the invention is also advantageous further formed when the Vor kausmodulen a particular-use a kernel-based method, prediction module follows, wherein the prediction module, the data records of the pre-processing each ⁇ wells processing functions by separate sub-models and / or kernel and this by means of a mathematical function, in particular addition or Multiplication, combined.
  • the arrangement according to the invention for detecting at least one, in particular pathological, implication has means for carrying out the method according to one of the preceding claims.
  • the inventive arrangement helps by the realization of the method according to the invention by its implementation for the realization of the said advantages of the method and its developments.
  • FIG 3 shows a further embodiment in which a further development is shown in specific ⁇ matic representation in which each set of features that is known from the wavelet transformation or compression, so-called “wavelet decomposition" is performed.
  • FIG. 1 schematically shows the approach known from the prior art, in which a spectrum RS generated, for example, by NIRS is fed to preprocessing provided by a preprocessing module A.
  • preprocessing should reduce irrelevant information in the spectrum and highlight relevant information from the spectrum.
  • it is intended to reduce interfering influences of the measuring process, such as varying distances between the sensor and the sample, using suitable methods, such as, for example, offset correction or standardization of the spectrum.
  • An essential disadvantage of the approach illustrated in FIG. 1 is that the model provides the information about the sample only in a single representation (ie, a single view) as a result of preprocessing A.
  • the first inventive step is, therefore, to combine a plurality among ⁇ Kunststoffmug views with Ideally, complementing mutually independent as possible information about the sample.
  • Another essential inventive approach underlying the solution is further the transformation of learning in spectral data to a so-called multi-view learning problem known from machine learning.
  • the starting point is the spectrum RS of a sample produced, for example, by NIRS.
  • the data of the spectrum are transformed as signals suitable for processing in parallel to a plurality n of preprocessing modules AI ... An.
  • each of the preprocessing modules AI... An generates a set of features using algorithms that differ in each case, so that a plurality of feature vectors ⁇ ,... ⁇ are transformed at the prediction module B as signals suitable for processing.
  • the prediction module B can now, as it has available by the different ⁇ union preprocessing algorithms different views of one and the same object (ie complementary information about the sample has), this combined be ⁇ seek in such a way that the elaboration of relevant data from irrelevant data and learning can be performed in a much more optimized way, ultimately producing more accurate prediction data shaped to output signals.
  • the multi-view inventive learning problem transformation also allows another not directly represented In ⁇ play.
  • further spectroscopes can be the source of the spectra and thus feature vectors, these spectroscopes differing, for example, in the spectral measuring range. Also conceivable, at least individual Merkmalsvekto ⁇ ren Xi can be obtained from non-spectroscopic sources.
  • the dimension of the total vector X is here equal to the sum of the dimensions of the individual vectors XI... Xn.
  • the modeling in B takes place here on the total feature vectors X.
  • the second possibility is to process, instead of the concatenation to ei ⁇ nem total vector, the individual feature vectors XI ... Xn separated in module B. This is advantageous in particular ⁇ sondere heterogeneous in nature records as th example, in the combination of spectroscopic DA genomic non-spectroscopic (eg /
  • Separate processing of the feature vectors XI... Xn in module B can take place, for example, by n sub-models being trained separately on the XI... Xn and their n model predictions f (Xl), f (Xn) being suitably combined, for example about weighted averaging.
  • the models in module B can be, for example, linear models, neural networks or kernel-based methods such as Gaussian process models or support vector machines.
  • a variant embodiment of the invention uses kernel ⁇ based methods in the prediction module B. This function defines a similarity ei ne kernel k (X, Y) between two each by their feature vectors X and Y represented objects.
  • a well-functioning kernel for spectral data is, for example, the so-called MLP kernel known in the literature, which is characterized by a w 2 X T Y + a b 2
  • X and Y represent combined vectors of two spectra and the so-called hyperparameters a, a w , a b be optimized during exercise.
  • the function h can form the weighted sum and / or the weighted product of the individual kernels.
  • One advantage of this is that the individual kernels work in smaller spaces, so fewer total parameters need to be trained by machine learning. For example, instead of using the above-mentioned embodiment with MLP Kernel instead of concatenating to a 100-dimensional space, it may be split into two kernels, each operating in a 50-dimensional space.
  • N views N feature sets ver ⁇ work ⁇ N kernels are processed by M and thus ei ⁇ nige kernel process a concatenation of feature sets, while others merely supplied a feature set as the basis of their processing to get.
  • One advantage of the kernel is that various hyperparameter a kernel can also be interpreted as a measure of the importance of the input side this size often. This can help validate the model and identify spectral regions whose values are relevant to the prediction.
  • Gauß Gauß rational model
  • the schematic representation shows a so-called wavelet transformation. So also a processor-based signal processing of the resulting (spectral) data.
  • Decomposition which, according to their function, have a thinned-out Presentation of the input data, for example, for the kernel generated because many of the coefficients generated by the wavelet transform at least approximately the value of zero.
  • This transformation is applied to two views; generated in part to a detected by spectroscopic methods such as NIRS of egg ⁇ ner sample spectrum and on the other to a second point of view, the processing for example by an operation performed Signalver- of the spectrum of the first derivative Spekt ⁇ rums.
  • coefficients thinned and thinned out by wavelet decomposition can then, as indicated in the figure by the plus sign, be joined together by addition to combined feature vectors and passed on to the various models or kernels mentioned above, for example.
  • a spectrum of 250 wavelengths may be less than 50
  • Wavelet coefficients are represented. The concatenation of two views of 250 wavelengths initially would thus yield a combined feature vector with a dimension of less than 100 instead of a dimension of 500.

Landscapes

  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Fuzzy Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Evolutionary Computation (AREA)
  • Analytical Chemistry (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

The invention relates to a method and an arrangement for determining at least one implication, in particular a pathological implication, in which the implication is determined, by means of a first set of data generated using a spectrometric measurement of an object sample and correlating to the object and at least one second set of data correlating to the object, on the basis of a linking of the first and second data sets, wherein the first data set is formed by a first preprocessing module and the second data set is formed by a second preprocessing module and is forwarded to at least one forecast module at which data, on which the determination is based, are output.

Description

Beschreibung description
Verfahren und Anordnung zur Feststellung von zumindest einer, insbesondere pathologischen, Implikation Method and arrangement for detecting at least one, in particular pathological, implication
Die Erfindung betrifft ein Verfahren zur Feststellung von zumindest einer, insbesondere pathologischen, Implikation gemäß Anspruch 1 und eine Anordnung zur Feststellung von zumindest einer, insbesondere pathologischen, Implikation gemäß An- spruch 11. The invention relates to a method for detecting at least one, in particular pathological, implication according to claim 1 and an arrangement for detecting at least one, in particular pathological, implication according to claim 11.
Es ist bekannt Spektrometer zur Ermittlung von Eigenschaften eines mit diesem untersuchten Objekts einzusetzen. Beispielsweise kann man mit einem Spektrometer im medizinischen Be- reich durch Untersuchung von Gewebeteilen eine Entscheidung treffen, ob eine Gewebeprobe Krebsgewebe enthält. Beispiels¬ weise kann hierzu die optische Spektroskopie zum Einsatz kom¬ men, bei der die Gewebeprobe mit Licht, insbesondere bei der Nahinfrarotspektroskopie (NIRS) mit kurzwelligem infrarotem Licht, bestrahlt wird und daraufhin die Intensität des re¬ flektierten Lichts als Funktion der Wellenlänge des Lichts gemessen wird. It is known to use spectrometers to determine properties of an object under investigation. For example, a spectrometer in the medical field can be used to determine whether a tissue sample contains cancerous tissue by examining tissue parts. Example ¬ instance can this optical spectroscopy for use kom ¬ men, wherein the tissue sample with light, especially in the near-infrared spectroscopy (NIRS) is irradiated with short-wave infrared light and then the intensity of the re ¬ inflected light as a function of the wavelength of the light is measured.
Spektroskopie wird aber nicht nur zur Klassifikation von Ob- jekten eingesetzt, sondern auch für Aufgaben, die mittels des statistischen Verfahrens der Regression Voraussagen über quantitative Eigenschaften wie beispielsweise die Angabe von Blutalkoholwerten geben. Ferner kommt die Spektroskopie auch bei der Zustandsüberwachung, beispielsweise im Rahmen einer industriellen Anwendung zum Einsatz, in dem Vibrationsamplituden als Funktion der Frequenz gemessen werden. However, spectroscopy is not only used to classify objects, but also for tasks that use the statistical method of regression to make predictions about quantitative properties, such as blood alcohol values. Furthermore, spectroscopy is also used in condition monitoring, for example in the context of an industrial application, in which vibration amplitudes are measured as a function of the frequency.
Als Ergebnis der Messungen mittels Spektroskopie liegt ein Spektrum vor, welches durch einen aus Realzahlen gebildeten Vektor (xl,..., xL) von für L Wellenlängen bzw. Frequenzen gemessenen Intensitätswerten beschrieben werden kann. Dabei kann die Anzahl L sehr groß sein, also sich im Rahmen von mehreren hunderten oder tausenden Werten bewegen. Hinzu kommt das unterschiedliche Charakteristiken der untersuchten Proben das Spektrum auf komplexe Art und Weise verändern. Beispiels¬ weise ist daher bei der Nahinfrarotspektroskopie eine manuel¬ le Auswertung der Spektren in der Regel nicht möglich. As a result of the measurements by means of spectroscopy, there is a spectrum which can be described by a vector (x1,..., XL) formed of real numbers of intensity values measured for L wavelengths or frequencies. In this case, the number L can be very large, that move within the scope of several hundreds or thousands of values. Come in addition the different characteristics of the examined samples change the spectrum in a complex way. Example ¬ instance is therefore in the near infrared spectroscopy is not a manuel ¬ le evaluation of the spectra is usually possible.
Die Komplexität der Spektren erfordert daher fortgeschrittene Methoden der Vorverarbeitung und Analyse. In der Regel erfordert die Analyse hierzu beispielsweise ein Modell zur Kali¬ brierung der erzeugten Daten, wobei hierfür die Eigenschaften der jeweiligen gemessenen Probe bekannt sind und mit den je¬ weilig erfassten Spektren in Bezug gesetzt werden. The complexity of the spectra therefore requires advanced methods of preprocessing and analysis. In general, the analysis of this requires, for example, a model for ¬ Kali-calibration of the data generated, wherein for this purpose the characteristics of the respective measured sample are known and are set in relation to the each ¬ weilig detected spectra.
Den genannten Herausforderungen wird bisher typischerweise dadurch begegnet, dass bestimmte Vorverarbeitungen auf die Spektren angewandt werden, wie beispielsweise eine Offset- Korrektur, eine Glättung oder Normierung, worauf die vorverarbeiteten Spektren und die bekannten Eigenschaften genutzt werden, um ein Modell anhand der Daten zu bilden bzw. optimieren, oft unter Nutzung von linearen Modellen wie dem so genannten „Partial Least Squares". The above challenges have typically been addressed by applying certain preprocessing to the spectra, such as offset correction, smoothing or normalization, whereupon the preprocessed spectra and the known characteristics are used to form a model from the data Optimize, often using linear models such as the "partial least squares".
Dieser Ansatz bewältigt die bestehenden Herausforderungen aber nur zum Teil. Aufgabe der Erfindung ist es eine Lösung anzugeben, die die für die Anwendung der Spektroskopie bestehenden Herausforde¬ rungen, insbesondere für das medizinische Umfeld, in demge¬ genüber verbesserter Weise bewältigt. Diese Aufgabe wird durch das Verfahren zur Feststellung von zumindest einer, insbesondere pathologischen, Implikation gemäß Anspruch 1 durch dessen Merkmale, sowie durch die Anord¬ nung zur Feststellung von zumindest einer, insbesondere pathologischen, Implikation gemäß Anspruch 11, gelöst. However, this approach only partly copes with the existing challenges. The object of the invention is to provide a solution that overcomes the existing for the use of spectroscopy chal ¬ aging, in particular for the medical field, in demge ¬ genüber improved manner. This object is achieved by the method for detecting at least one, in particular pathological, implication according to claim 1 by its features, and by the Anord ¬ tion for detecting at least one, in particular pathological, implication according to claim 11.
Bei dem erfindungsgemäßen Verfahren zur Feststellung von zumindest einer, insbesondere pathologischen, Implikation erfolgt auf Grundlage von mittels eines mit einer spektrometrischen Messung einer Objektprobe erzeugten mit dem Objekt korrelierenden ersten Satzes von Daten und zumindest einem zweiten von mit dem Objekt korrelierenden Satzes von Daten eine Feststellung über die Implikation basierend auf einer Verknüpfung der ersten und zweiten Datensätze, wobei der erste Datensatz durch ein erstes Vorverarbeitungsmodul und der zweite Datensatz durch ein zweites Vorverarbeitungs¬ modul gebildet und an ein Voraussagemodul weitergeleitet wird, so dass an dem Voraussagemodul eine Datenausgabe er- folgt und der Feststellung der Objekteigenschaften zugrundegelegt wird. In the method according to the invention for determining at least one, in particular pathological, implication takes place on the basis of by means of a with a spectrometrically measuring an object sample generated with the object correlating first set of data and at least a second correlated with the object set of data, a determination of the implication based on a combination of the first and second data sets, the first data set by a first preprocessing module and the second data set is formed by a second preprocessing ¬ module and forwarded to a prediction module, so that at the prediction module, a data output follows and the determination of the object properties is based.
Weitere Vorteile sind durch die Weiterbildungen des Verfahrens gegeben. Further advantages are given by the developments of the method.
Beispielsweise wird das erste und/oder zweite Vorverarbei¬ tungsmodul bei einer Weiterbildung der Erfindung derart betrieben, dass es mittels einer Merkmalsextrakton, insbesondere Intensitäten je Wellenlänge oder Frequenz, aus den zugrun- deliegenden mit dem Objekt korrelierenden, insbesondere spektrometrisch erfassten, ersten Informationen den Satz von Daten, insbesondere als Koeffizienten einer Funktion gemäß Signalverarbeitung, bildet. Hierdurch wird insbesondere eine maschinelle Verarbeitung mittels mathematischer, insbesondere statistischer Methoden der Signalverarbeitung möglich. For example, the first and / or second Vorverarbei ¬ processing module is operated in a further development of the invention so as to the set by means of a Merkmalsextrakton, in particular intensities of each wavelength or frequency, correlated from the zugrun- deliegenden with the object, in particular spectrometrically detected, first information of data, in particular as coefficients of a function according to signal processing. In this way, in particular, a machine processing by means of mathematical, in particular statistical methods of signal processing is possible.
Eine Kompression der Daten zur Reduktion der benötigten Res- sourcen erzielt man wenn man das Verfahren derart weiterbil¬ det, dass das erste und/oder zweite Vorverarbeitungsmodul derart betrieben wird, dass der erste Datensatz und der zwei¬ te Datensatz einer Verdichtung zugeführt wird, insbesondere mittels Wavelet-Transformation, Hauptkomponentenanalyse, oder Methoden der nichtlinearen Dimensionsreduzierung. Is obtained a compression of the data to reduce the required re- sources if one so far erbil ¬ det the method that the first and / or second pre-processing module is operated such that the first data and the two ¬ th data is supplied to a compression, in particular using wavelet transform, principal component analysis, or nonlinear dimensional reduction methods.
Wird die Erfindung derart weitergebildet, dass zur Verknüp¬ fung eine Verkettung der Koeffizienten zu einem Vektor er- folgt und der Vektor dem Voraussagemodul zugeführt wird, kön¬ nen da jeder Vektor quasi eine eigene Sicht auf die Daten darstellt, mehrere Sichten zu einer Sicht zusammengeführt und dem vorzugsweise für diese kombinierte Sicht optimierten Vo- raussagemodul zugeführt werden. If the invention is further developed such that ER- to Verknüp ¬ Fung a concatenation of the coefficients into a vector follows and the vector is supplied to the prediction module, Kings ¬ nen as each vector is quasi own view of the data, merged several views to a view and are supplied to the preferably for this combined view optimized prediction module.
Jedes Vorverarbeitungsmodul liefert eine eigene Sicht auf das zugrundeliegende Objekt. Eine Sicht kann beispielsweise da¬ durch definiert sein, dass ein Vorverarbeitungsmodul eine ei- gene mathematische Filterfunktion (z.B. die erste Ableitung des Spektrums über den Wellenlängen) auf die Spektren anwendet und dadurch zusätzliche Informationen bereitstellt. Each preprocessing module provides its own view of the underlying object. A view can be, for example, as ¬ by defining that a pre-processing an egg gene mathematical filter function uses (for example, the first derivative of the spectrum over the wavelengths) on the spectra, and provides additional information.
Eine Sicht kann auch dadurch definiert sein, dass eine sepa- rate Messung des zugrundeliegenden Objekts stattfindet, ins¬ besondere in einem anderen spektralen Messbereich als bei der ersten Messung. A view can also be defined in that a separate measurement rate of the underlying object takes place, into ¬ particular in a different spectral range than in the first measurement.
In einer Weiterbildung des Verfahrens kann eine Sicht auch nichtspektrale Daten des zugrundeliegenden Objekts beinhal¬ ten, insbesondere genomische und/oder proteomische Informati¬ onen im medizinischen Bereich. Dies erlaubt es beispielsweise patientenspezifische Faktoren, die einen Einfluss auf die spektrale Messung haben können, zu erfassen und bei der Be- rechnung der Objekteigenschaften im Voraussagemodul zu berücksichtigen . In a further development of the process, a view not spectral data of the underlying object beinhal ¬ th, in particular genomic and / or proteomic Informati ¬ tions in the medical field. This allows, for example, to capture patient-specific factors that may have an influence on the spectral measurement and to take them into account in the calculation of the object properties in the prediction module.
Vorzugsweise wird das Verfahren derart weitergebildet, dass das Voraussagemodul derart prozessorgesteuert betrieben wird, dass zunächst in einer Trainingsphase mittels Methoden des maschinellen Lernens auf Daten trainiert wird, für die die vorauszusagende Implikation bekannt ist. Preferably, the method is developed in such a way that the prediction module is operated in a processor-controlled manner such that training is initially carried out in a training phase using methods of machine learning for data for which the implication to be predicted is known.
Für das Training des Voraussagemodul eignen sich im Bereich des maschinellen Lernens bekannte und gut funktionierendeFor the training of the predictive module known and well-functioning in the field of machine learning
Verfahren, insbesondere lineare Modelle (z.B. Partial Least Squares) , Neuronale Netzwerke wie das Mehrschichtperzeptron, oder Kernel-basierte Methoden wie beispielsweise das Gaußpro- zessmodell oder die so genannte Support Vector Machine. Methods, in particular linear models (eg partial least squares), neural networks such as the multilayer perceptron, or kernel-based methods such as the Gaussian process model or the Support Vector Machine.
Die Erfindung wird auch vorteilhaft weitergebildet, wenn den Vorverarbeitungsmodulen ein, insbesondere eine Kernelbasierte Methode nutzendes, Voraussagemodul folgt, wobei das Voraussagemodul die Datensätze der Vorverarbeitungsmodule je¬ weils durch getrennte Teilmodelle und/oder Kernel Funktionen verarbeitet und diese mittels einer mathematischen Funktion, insbesondere Addition oder Multiplikation, kombiniert. The invention is also advantageous further formed when the Vorverarbeitungsmodulen a particular-use a kernel-based method, prediction module follows, wherein the prediction module, the data records of the pre-processing each ¬ weils processing functions by separate sub-models and / or kernel and this by means of a mathematical function, in particular addition or Multiplication, combined.
Die erfindungsgemäße Anordnung zur Feststellung von zumindest einer, insbesondere pathologischen, Implikation weist Mittel zur Durchführung des Verfahrens nach einem der vorhergehenden Ansprüche. The arrangement according to the invention for detecting at least one, in particular pathological, implication has means for carrying out the method according to one of the preceding claims.
Die erfindungsgemäße Anordnung hilft durch die Verwirklichung des erfindungsgemäßen Verfahrens durch seine Implementierung zur Verwirklichung der genannten Vorteile des Verfahrens und seiner Weiterbildungen. The inventive arrangement helps by the realization of the method according to the invention by its implementation for the realization of the said advantages of the method and its developments.
Weitere Vorteile und Einzelheiten der Erfindung werden anhand der in den Figuren dargestellten Ausführungsbeispiele erläutert. Es zeigt Further advantages and details of the invention will be explained with reference to the embodiments illustrated in the figures. It shows
FIG 1 eine schematische Darstellung eines aus dem Stand der Technik bekannten Ansatzes 1 shows a schematic representation of a known from the prior art approach
FIG 2 in schematischer Darstellung ein erstes Ausfüh- rungsbeispiel , bei welchem die Weiterbildung darge¬ stellt ist, bei der auf einer Kombination von Sätzen von Merkmalen ein maschinelles Lernen durchgeführt wird, 2 shows a first example approximately execution in a schematic representation, in which the further Darge ¬ represents is wherein a combination of sets of features, a machine learning is carried out,
FIG 3 ein weiteres Ausführungsbeispiel, bei dem in sche¬ matischer Darstellung eine Weiterbildung gezeigt wird, bei der je Satz von Merkmalen eine aus der Wavelet Transformation bzw. Kompression bekannte, so genannte „wavelet decomposition" durchgeführt wird . 3 shows a further embodiment in which a further development is shown in specific ¬ matic representation in which each set of features that is known from the wavelet transformation or compression, so-called "wavelet decomposition" is performed.
In FIG 1 ist schematisch der aus dem Stand der Technik be- kannte Ansatz zu erkennen, bei dem ein beispielsweise durch NIRS erzeugtes Spektrum RS einer durch ein Vorverarbeitungs¬ modul A bereitgestellten Vorverarbeitung zuführt wird. FIG. 1 schematically shows the approach known from the prior art, in which a spectrum RS generated, for example, by NIRS is fed to preprocessing provided by a preprocessing module A.
Im Idealfall soll eine Vorverarbeitung dabei irrelevante In- formationen im Spektrum reduzieren und relevante Informationen des Spektrums hervorheben. Beispielsweise sollen damit störende Einflüsse des Messprozesses wie variierende Abstände zwischen Sensor und Probe unter Anwendung von geeigneten Methoden, wie zum Beispiel einer Offsetkorrektur oder einer Normung des Spektrums, reduziert werden. Ideally, preprocessing should reduce irrelevant information in the spectrum and highlight relevant information from the spectrum. By way of example, it is intended to reduce interfering influences of the measuring process, such as varying distances between the sensor and the sample, using suitable methods, such as, for example, offset correction or standardization of the spectrum.
Das Ergebnis der Vorverarbeitung, also die Daten, werden als geeignete Signale transformiert einem Voraussagemodul B zuge¬ führt, welches die Implementierung und Anwendung eines mathe- matischen Modells repräsentiert, welches durch Training opti¬ miert wird. Die vom Modell vorausgesagten Merkmale einer spektroskopisch untersuchten Probe stehen dabei als in geeignete Signale transformierte Daten als Ausgabegröße (n) am Aus¬ gang OUTPUT des Moduls B bereit. The result of the pre-processing, thus the data, as appropriate signals transforms a prediction module B supplied ¬ leads representing the implementation and application of a mathematical model, which is opti mized ¬ by training. The predicted by the model features of a spectroscopically examined sample stand as transformed into suitable signals data as the output size (s) at the output OUT ¬ OUT module B ready.
Es zeigt sich aber, dass diese Ansätze häufig nicht ausrei¬ chen, um akkurate Vorhersagen zu ermöglichen. Wesentlicher Nachteil des in FIG 1 dargestellten Ansatzes ist, dass dem Modell die Informationen über die Probe nur in einer einzigen Repräsentation (d.h. einer einzigen Sicht) resultierend aus der Vorverarbeitung A zur Verfügung gestellt werden. But it turns out that these approaches often not suffi ¬ chen to enable accurate predictions. An essential disadvantage of the approach illustrated in FIG. 1 is that the model provides the information about the sample only in a single representation (ie, a single view) as a result of preprocessing A.
Der erste erfinderische Schritt ist daher, mehrere unter¬ schiedliche Sichten mit idealerweise sich komplementierenden, voneinander möglichst unabhängigen Informationen über die Probe zu kombinieren. Ein weiterer wesentlicher der Lösung zugrundeliegender erfinderische Ansatz liegt ferner in der Transformation des Lernens bei spektralen Daten auf ein aus dem maschinellen Lernen bekanntes so genanntes Multi-View Lernproblem. , The first inventive step is, therefore, to combine a plurality among ¬ schiedliche views with Ideally, complementing mutually independent as possible information about the sample. Another essential inventive approach underlying the solution is further the transformation of learning in spectral data to a so-called multi-view learning problem known from machine learning.
Als ein Ergebnis dieser Transformation stellt sich das in der FIG 2 dargestellte Ausführungsbeispiel der Erfindung dar. Zu erkennen ist als Ausgangsbasis das beispielsweise mit NIRS erzeugte Spektrum RS einer Probe. Die Daten des Spektrums werden als zur Verarbeitung geeignete Signale transformiert parallel zu einer Mehrzahl n von Vorverarbeitungsmodulen AI...An zugeführt. As a result of this transformation, the exemplary embodiment of the invention shown in FIG. 2 is shown. The starting point is the spectrum RS of a sample produced, for example, by NIRS. The data of the spectrum are transformed as signals suitable for processing in parallel to a plurality n of preprocessing modules AI ... An.
Jede der Vorverarbeitungsmodule AI...An erzeugt dabei unter An- wendung von sich jeweils unterscheidenden Algorithmen jeweils ein Satz an Merkmalen, so dass am Voraussagemodul B eine Mehrzahl von Merkmalsvektoren ΧΙ.,.Χη als zur Verarbeitung geeignete Signale transformiert bereitgestellt werden. Das Voraussagemodul B kann nun, da es durch die unterschied¬ lichen Vorverarbeitungsalgorithmen unterschiedliche Sichten auf ein und dasselbe Objekt vorliegen hat (d.h. komplementäre Informationen über die Probe besitzt) , diese kombiniert be¬ trachten und zwar derart, dass die Herausarbeitung relevanter Daten von irrelevanten Daten sowie das Lernen wesentlich optimierter durchgeführt werden kann und letztlich damit akkuratere zu Ausgabesignalen geformte Voraussagedaten erzeugt werden . Die erfindungsgemäße Multi-View Lernproblem Transformation ermöglicht auch ein weiteres nicht direkt dargestelltes Bei¬ spiel . In this case, each of the preprocessing modules AI... An generates a set of features using algorithms that differ in each case, so that a plurality of feature vectors ΧΙ,... Η are transformed at the prediction module B as signals suitable for processing. The prediction module B can now, as it has available by the different ¬ union preprocessing algorithms different views of one and the same object (ie complementary information about the sample has), this combined be ¬ seek in such a way that the elaboration of relevant data from irrelevant data and learning can be performed in a much more optimized way, ultimately producing more accurate prediction data shaped to output signals. The multi-view inventive learning problem transformation also allows another not directly represented In ¬ play.
Dieses weitere Ausführungsbeispiel ergibt sich mittels erfin- dungsgemäßer Weiterbildung unter anderem dann, wenn gemäß des erfindungswesentlichen Ansatzes, dass das lernende Modell sich anhand spektroskopischer Daten, die durch eine Mehrzahl sich unterscheidender Merkmalsvektoren ΧΙ.,.Χη repräsentiert sind, optimiert, wobei jeder Merkmalsvektor eine andere Sicht auf das gemessene Objekt darstellt. This further exemplary embodiment results, by means of the development according to the invention, inter alia when, according to the approach essential to the invention, the learning model is represented by spectroscopic data which is represented by a plurality of differing feature vectors ΧΙ, are optimized, each feature vector representing a different view of the measured object.
Hierdurch wird es nach erfindungsgemäßer Überlegung möglich auch andere Quellen, als nur ein Spektroskop, für sich unterscheidende Merkmalsvektoren einzusetzen. As a result, according to the invention consideration, it is also possible to use sources other than just a spectroscope for feature vectors which differ from each other.
Beispielsweise können weitere Spektroskope die Quelle der Spektren und damit Merkmalsvektoren sein, wobei diese Spekt- roskope sich beispielsweise im spektralen Messbereich unterscheiden. Denkbar sind auch zumindest einzelne Merkmalsvekto¬ ren Xi aus nicht-spektroskopischen Quellen zu beziehen. By way of example, further spectroscopes can be the source of the spectra and thus feature vectors, these spectroscopes differing, for example, in the spectral measuring range. Also conceivable, at least individual Merkmalsvekto ¬ ren Xi can be obtained from non-spectroscopic sources.
Grundsätzlich gibt es zwei Möglichkeiten, die unterschiedli- chen Merkmalsvektoren XI...Xn der n Sichten zu kombinieren. Basically, there are two ways to combine the different feature vectors XI ... Xn of the n views.
Die erste Möglichkeit ist die Konkatenation (d.h. Verkettung) zu einer Menge von Gesamtmerkmalsvektoren X=(X1, X2, Xn) , auf der das Modell in Modul B trainiert und angewandt wird. Die Dimension des Gesamtvektors X ist hier gleich der Summe der Dimensionen der einzelnen Vektoren XI...Xn. Die Modellbildung in B findet hierbei auf den Gesamtmerkmalsvektoren X statt . Die zweite Möglichkeit ist, anstelle der Konkatenation zu ei¬ nem Gesamtvektor, die einzelnen Merkmalsvektoren XI...Xn getrennt in Modul B zu verarbeiten. Dies ist vorteilhaft insbe¬ sondere bei in ihrer Art heterogenen Datensätzen, wie sie beispielsweise bei der Kombination von spektroskopischen Da- ten mit nicht-spektroskopischen (z.B. genomischen/ The first possibility is concatenation (ie, concatenation) into a set of total feature vectors X = (X1, X2, Xn) on which the model in module B is trained and applied. The dimension of the total vector X is here equal to the sum of the dimensions of the individual vectors XI... Xn. The modeling in B takes place here on the total feature vectors X. The second possibility is to process, instead of the concatenation to ei ¬ nem total vector, the individual feature vectors XI ... Xn separated in module B. This is advantageous in particular ¬ sondere heterogeneous in nature records as th example, in the combination of spectroscopic DA genomic non-spectroscopic (eg /
proteomischen) Daten auftreten. proteomic) data occur.
Eine getrennte Verarbeitung der Merkmalsvektoren XI...Xn in Modul B kann erfolgen, indem beispielsweise n Teilmodelle ge- trennt auf den XI...Xn trainiert werden und deren n Modellvorhersagen f(Xl), f (Xn) geeignet kombiniert werden, beispielsweise über gewichtete Mittelwertbildung. Die Modelle in Modul B können dabei beispielsweise lineare Modelle, Neuronale Netze oder Kernel-basierende Methoden wie Gaußprozessmodelle oder Support Vector Machines sein. Eine Ausgestaltungsvariante der Erfindung verwendet Kernel¬ basierte Methoden im Vorhersagemodul B. Hierbei definiert ei ne Kernelfunktion ein Ähnlichkeitsmaß k(X,Y) zwischen zwei jeweils durch ihre Merkmalsvektoren X und Y repräsentierten Objekte. Ein bei Spektraldaten gut funktionierender Kernel ist beispielsweise der in der Literatur bekannte sogenannte MLP-Kernel, welcher durch aw 2XTY + ab 2 Separate processing of the feature vectors XI... Xn in module B can take place, for example, by n sub-models being trained separately on the XI... Xn and their n model predictions f (Xl), f (Xn) being suitably combined, for example about weighted averaging. The models in module B can be, for example, linear models, neural networks or kernel-based methods such as Gaussian process models or support vector machines. A variant embodiment of the invention uses kernel ¬ based methods in the prediction module B. This function defines a similarity ei ne kernel k (X, Y) between two each by their feature vectors X and Y represented objects. A well-functioning kernel for spectral data is, for example, the so-called MLP kernel known in the literature, which is characterized by a w 2 X T Y + a b 2
k(X, Y) er — arcsin|  k (X, Y) er - arcsin |
π <Jaw 2XTX + ab 2 +llaw 2YTY + ab 2 + 1 gegeben ist, wobei X und Y aus kombinierten Merkmalen bestehende Vektoren zweier Spektren darstellen und die sogenannten Hyperparameter a,aw,ab während des Trainings optimiert werden. π <Ja w 2 X T X + a b 2 + lla w 2 Y T Y + a b 2 + 1 where X and Y represent combined vectors of two spectra and the so-called hyperparameters a, a w , a b be optimized during exercise.
Wenn man die Merkmalsvektoren nicht konkateniert , sondern aus oben genannten Gründen getrennt verarbeitet, kann dies durch Kombination mehrerer unterschiedlicher Kernel-Funktionen erfolgen, die jeweils auf den einzelnen Merkmalsvektoren arbeiten. Die Gesamt-Kernelfunktion ergibt sich hierbei als Kombination der n Kernel, k(X,Y) = h{kx(X\,Y\),...,kn(Xn n)) wobei XI und Yl die Repräsentationen zweier Objekte im Merkmalsraum der ersten Sicht sind und Xn und Yn entsprechend die Repräsentationen im Merkmalsraum der N-ten Sicht. Die Funktion h kann dabei die gewichtete Summe und/oder das gewichtete Produkt der einzelnen Kernel bilden. If one does not concatenate the feature vectors, but separately processes them for the above-mentioned reasons, this can be done by combining a plurality of different kernel functions, each working on the individual feature vectors. The total kernel function results here as a combination of n kernels, k (X, Y) = h {k x (X \, Y \), ..., k n (Xn n)) where XI and Yl are the representations of two Objects in the feature space of the first view and Xn and Yn are the representations in the feature space of the Nth view. The function h can form the weighted sum and / or the weighted product of the individual kernels.
Ein Vorteil dabei ist, dass die einzelnen Kernel in kleineren Räumen arbeiten, so dass insgesamt weniger Parameter vom maschinellen Lernen trainiert werden müssen. Beispielsweise kann statt der Anwendung des oben genannten Ausführungsbeispiels mit MLP Kernel anstelle der Konkatenation zu einem 100 dimensionalen Raum, eine Aufteilung auf zwei Kernel erfolgen, die jeweils in einem 50 dimensionalen Raum arbeiten. One advantage of this is that the individual kernels work in smaller spaces, so fewer total parameters need to be trained by machine learning. For example For example, instead of using the above-mentioned embodiment with MLP Kernel instead of concatenating to a 100-dimensional space, it may be split into two kernels, each operating in a 50-dimensional space.
Weitere Ausführungsbeispiele sind ebenso erfindungsgemäß um- fasst, bei denen zum Beispiel N Sichten N Merkmalssätze ver¬ arbeiten, durch M < N Kernel verarbeitet werden und somit ei¬ nige Kernel eine Verkettung von Merkmalssätzen verarbeiten, während andere lediglich einen Merkmalssatz als Grundlage ihrer Verarbeitung zugeführt bekommen. Other embodiments are construed as inventively environmentally, where, for example N views N feature sets ver ¬ work <N kernels are processed by M and thus ei ¬ nige kernel process a concatenation of feature sets, while others merely supplied a feature set as the basis of their processing to get.
Ein Vorteil der Kernel, insbesondere der bisher genannten Me¬ thoden, besteht darin, dass diverse Hyperparameter eines Ker- nel oft auch als Maß für die Wichtigkeit der eingangsseitig vorliegenden Größe interpretiert werden können. Dies kann dabei helfen, das jeweilige Modell zu validieren und spektrale Bereiche zu ermitteln, deren Werte von Relevanz für die Voraussage sind. One advantage of the kernel, in particular the previously mentioned Me ¬ methods, is that various hyperparameter a kernel can also be interpreted as a measure of the importance of the input side this size often. This can help validate the model and identify spectral regions whose values are relevant to the prediction.
Der Einsatz eines Gaußprozessmodells , was ebenfalls eine Aus¬ gestaltungsvariante der Erfindung darstellt, ist von Vorteil, weil dessen Anwendung eine Voraussage generiert, die auf ei¬ ner Wahrscheinlichkeitsinterpretation beruht, die genutzt werden kann, um die Sicherheit des Modells bei der Voraussage zu bewerten. The use of a Gaußprozessmodells, which is also an off ¬ design variant of the invention is advantageous because its application generates a prediction that is based on ei ¬ ner probabilistic interpretation that can be used to assess the safety of the model in predicting.
Insbesondere bei der Konkatenation entstehen hochdimensionale Merkmalsvektoren. Daher ist gemäß einer weiteren vorteilhaf- ten Weiterbildung der Erfindung eine Kompression vorgesehen. Ein Ausführungsbeispiel hierzu ist in der FIG 3 dargestellt. In particular, in the concatenation arise high-dimensional feature vectors. Therefore, according to a further advantageous development of the invention, a compression is provided. An embodiment of this is shown in FIG.
In der schematischen Darstellung ist eine so genannte Wave- let-Transformation gezeigt. Also eine ebenfalls prozessorge- stützte Signalverarbeitung der anfallenden ( Spektral ) Daten . The schematic representation shows a so-called wavelet transformation. So also a processor-based signal processing of the resulting (spectral) data.
Zu erkennen ist eine Wavelet Zerlegung (Wavelet A wavelet decomposition (wavelet
Decomposition) , die gemäß ihrer Funktion eine ausgedünnte Re- Präsentation der Eingangsdaten, beispielsweise für die Kernel, erzeugt, da sehr viele der durch die Wavelet- Transformation erzeugten Koeffizienten zumindest annähernd den Wert 0 aufweisen. Decomposition) which, according to their function, have a thinned-out Presentation of the input data, for example, for the kernel generated because many of the coefficients generated by the wavelet transform at least approximately the value of zero.
Diese Transformation wird auf zwei Sichten angewandt; zum Einen auf ein durch spektroskopische Verfahren wie NIRS von ei¬ ner Probe erfasstes Spektrum und zum Anderen auf eine zweite Sicht, die beispielsweise durch eine durchgeführte Signalver- arbeitung des Spektrums erzeugte erste Ableitung des Spekt¬ rums . This transformation is applied to two views; generated in part to a detected by spectroscopic methods such as NIRS of egg ¬ ner sample spectrum and on the other to a second point of view, the processing for example by an operation performed Signalver- of the spectrum of the first derivative Spekt ¬ rums.
Die erzeugten und per Wavelet Decomposition ausgedünnten Koeffizienten lassen sich dann wie in der Figur durch das Plus- zeichen angedeutet durch Addition zu kombinierten Merkmalsvektoren zusammenfügen und an die beispielsweise oben genannten diversen Modelle bzw. Kernel weitergeben. The coefficients thinned and thinned out by wavelet decomposition can then, as indicated in the figure by the plus sign, be joined together by addition to combined feature vectors and passed on to the various models or kernels mentioned above, for example.
Damit wird eine sehr gute Kompression erzielt. Beispielsweise kann ein Spektrum mit 250 Wellenlängen durch weniger als 50This achieves a very good compression. For example, a spectrum of 250 wavelengths may be less than 50
Wavelet-Koeffizienten repräsentiert werden. Die Konkatenation von zwei Sichten mit eingangs 250 Wellenlängen würde somit einen kombinierten Merkmalsvektor mit einer Dimension von weniger als 100 statt einer Dimension von 500 erzielen. Wavelet coefficients are represented. The concatenation of two views of 250 wavelengths initially would thus yield a combined feature vector with a dimension of less than 100 instead of a dimension of 500.
Alternative Kompressionsmethoden als die dargestellte Methode sind ebenso anwendbar, beispielsweise die Hauptkomponenten¬ analyse oder ein nichtlinearer Dimensionreduktionsansatz. Die Erfindung ist nicht auf die beschriebenen Ausführungsbei¬ spiele und deren Weiterbildungen beschränkt, vielmehr umfasst sie alle durch die Ansprüche abgedeckten Varianten sowie Kombinationen von zumindest Teilen von den genannten Methoden, insbesondere die, bei dem in das erfindungsgemäß gebildete Gerüst verschiedene Vorverarbeitungsmethoden sowie, insbesondere heterogene, beispielsweise von unterschiedlichen Messge¬ räten stammenden, Daten auf einfache Weise integriert werden und so beispielsweise in medizinischen Anwendungen, genomischen oder proteomischen Informationen über den Patien ten mit spektralen Daten mittels separater Kernel zur Analyse, wie beispielsweise zur Unterscheidung von karzinomen Gewebe von gesundem Gewebe, insbesondere während laufender Ope rationen, zu kombinieren. Alternative compression methods as the illustrated method are also applicable, for example, the main component ¬ analysis or a non-linear dimension reduction approach. The invention is not limited to the described Ausführungsbei ¬ games and their developments, but rather includes all covered by the claims variants and combinations of at least parts of the methods mentioned, in particular those in which in the scaffold formed according to the invention various preprocessing methods and, in particular heterogeneous , for example, of different Messge ¬ boards originating, data is easily integrated and so, for example, in medical applications, to combine genomic or proteomic information about the patient with spectral data using separate kernels for analysis, such as for distinguishing carcinoma tissue from healthy tissue, especially during ongoing surgery.

Claims

Patentansprüche claims
1. Verfahren zur Feststellung von zumindest einer, insbesondere pathologischen, Implikation bei der auf Grundlage von mittels eines mit einer spektrometrischen Messung einer Objektprobe erzeugten mit dem Objekt korrelierenden ersten Satzes von Daten und zumindest einem zweiten von mit dem Objekt korrelierenden Satzes von Daten eine Feststellung über die Implikation basierend auf einer Verknüpfung der ersten und zweiten Datensätze erfolgt, wobei der erste Datensatz durch ein erstes Vorverarbeitungsmodul und der zweite Datensatz durch ein zweites Vorverarbeitungsmodul gebildet und an ein Voraussagemodul weitergeleitet wird, an dem eine Datenausgabe erfolgt, die der Feststellung zugrundegelegt wird. 1. A method for determining at least one, in particular pathological, implication in the case of a determination based on a first set of data correlated with the object and at least a second set of data correlating with the object based on a spectrometric measurement of an object sample the implication is based on a combination of the first and second data records, wherein the first data record is formed by a first preprocessing module and the second data record is formed by a second preprocessing module and forwarded to a prediction module on which a data output takes place, on which the determination is based.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das erste und/oder zweite Vorverarbeitungsmodul derart be¬ trieben wird, dass es mittels einer Merkmalsextrakton, insbesondere Intensitäten je Wellenlänge oder Frequenz, aus den zugrundeliegenden mit dem Objekt korrelierenden, insbesondere spektrometrisch erfassten, ersten Informationen den Satz von Daten, insbesondere als Koeffizienten einer Funktion gemäß Signalverarbeitung, bildet. 2. The method according to claim 1, characterized in that the first and / or second preprocessing module is so be ¬ driven, that it by means of a feature extract, in particular intensities per wavelength or frequency, from the underlying correlating with the object, in particular spectrometrically detected, first Information forms the set of data, in particular as coefficients of a function according to signal processing.
3. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass das erste und/oder zweite Vorverarbei¬ tungsmodul derart betrieben wird, dass der erste Datensatz und der zweite Datensatz einer Verdichtung, insbesondere gemäß Wavelet-Transformation, Hauptkomponentenanalyse, und/oder nichtlinearen Dimensionsreduzierung, zugeführt wird. 3. Method according to the preceding claim, characterized in that the first and / or second Vorverarbei ¬ processing module is operated such that the first record and the second record of a compression, in particular according to wavelet transformation, principal component analysis, and / or non-linear dimension reduction, is supplied.
4. Verfahren nach einem der beiden vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zur Verknüpfung eine Verkettung der Koeffizienten zu einem Vektor erfolgt und der Vektor dem Voraussagemodul zugeführt wird. 4. The method according to one of the two preceding claims, characterized in that for linking a concatenation of the coefficients is carried out to a vector and the vector is supplied to the prediction module.
5. Verfahren nach einem der vorhergehenden Ansprüche dadurch gekennzeichnet, dass die für die Bildung des zweiten Daten- satz mit dem Objekt korrelierenden zugrundegelegten zweiten Informationen, durch Ermittlung einer, insbesondere mathematisch und/oder durch auf die Messung angewandten Filterfunktionen gebildeten, Ableitung der ersten Informationen, durch eine weitere separate, insbesondere spektrometrische, Messung des Objekts oder anderen Quellen, die mit dem Objekt korre¬ lierende zweite Informationen bereithalten, verwendet werden. 5. The method according to any one of the preceding claims, characterized in that for the formation of the second data Set based on the second information underlying the object, by determining a, in particular mathematically and / or formed by the filter functions applied, derivative of the first information, by another separate, in particular spectrometric, measurement of the object or other sources associated with the object be ready hold korre ¬-regulating second information, is used.
6. Verfahren nach dem vorhergehenden Anspruch, dadurch ge- kennzeichnet, dass die separate Messung zeitgleich als durch eine andere Charakterisierung, insbesondere mit anderem spektralen Messbereich, aufweisende spektrometrische Messung durchgeführt wird. 6. Method according to the preceding claim, characterized in that the separate measurement is carried out at the same time as having a different characterization, in particular with a different spectral measuring range, having spectrometric measurement.
7. Verfahren nach einem der beiden vorhergehenden Ansprüche dadurch gekennzeichnet, dass die für die Bildung des zweiten Datensatz mit dem Objekt korrelierenden zugrundegelegten zweiten Informationen durch nichtspektrale, beispielsweise genomische und/oder proteomische, Daten gegeben sind. 7. The method according to one of the two preceding claims, characterized in that the correlated for the formation of the second data set with the underlying second information is given by non-spectral, such as genomic and / or proteomic data.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Voraussagemodul derart prozessorge¬ steuert betrieben wird, dass ihm zugeführte Daten gemäß eines nach Art eines lernenden Modells derart verarbeitet werden, dass als Ausgabe eine Implikation enthaltende Daten erfolgt, wobei das Modul derart betrieben werden kann, dass dem Modul zur Ausgabe akkurater Implikationen in einer nach Art der Anwendung lernender Modelle erfolgenden Trainingsphase Daten zugeführt werden können, für die die vorauszusagende Implika- tion bekannt ist. 8. The method according to any one of the preceding claims, characterized in that the prediction module such prozessorge ¬ controls is operated such that data supplied in accordance with a to be processed in the manner of a learning model such him that as output an implication containing data occurs, the module so can be operated in such a way that the module for outputting accurate implications in a training phase taking place in the manner of the application of learning models can be supplied with data for which the implicit implication is known.
9. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass das Voraussagemodul derart betrieben wird, dass es als ein lernendes Modell nach Art eines so genannten linearen Modells, Neuronalen Netzwerks, einer Kernel¬ basierten Methode, wie beispielsweise dem Gaußprozessmodell , oder so genannten Support Vector Machine, funktioniert. 9. The method according to the preceding claim, characterized in that the prediction module is operated so as to support as a learning model in the manner of a so-called linear model, neural network, a kernel ¬ based method, such as the Gaußprozessmodell, or so-called Vector Machine, works.
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, das den Vorverarbeitungsmodulen ein, insbesondere eine Kernel-basierte Methode nutzendes, Voraus¬ sagemodul folgt, wobei das Voraussagemodul die Datensätze der Vorverarbeitungsmodule jeweils durch getrennte Teilmodelle und/oder Kernel Funktionen verarbeitet und diese mittels ei¬ ner mathematischen Funktion, insbesondere Addition oder Multiplikation, kombiniert. 10. The method according to any one of the preceding claims, characterized in that the pre-processing modules, in particular a kernel-based method using prediction ¬ sagemodul follows, wherein the prediction module processes the data sets of the preprocessing modules respectively by separate submodels and / or kernel functions and this means ei ¬ ner mathematical function, in particular addition or multiplication combined.
11. Anordnung zur Feststellung von zumindest einer, insbesondere pathologischen, Implikation gekennzeichnet durch Mittel zur Durchführung des Verfahrens nach einem der vorhergehenden Ansprüche . 11. Arrangement for detecting at least one, in particular pathological, implication characterized by means for carrying out the method according to one of the preceding claims.
PCT/EP2016/069142 2016-08-11 2016-08-11 Method and arrangement for determining at least one implication, in particular a pathological implication WO2018028789A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/EP2016/069142 WO2018028789A1 (en) 2016-08-11 2016-08-11 Method and arrangement for determining at least one implication, in particular a pathological implication

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2016/069142 WO2018028789A1 (en) 2016-08-11 2016-08-11 Method and arrangement for determining at least one implication, in particular a pathological implication

Publications (1)

Publication Number Publication Date
WO2018028789A1 true WO2018028789A1 (en) 2018-02-15

Family

ID=56799436

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2016/069142 WO2018028789A1 (en) 2016-08-11 2016-08-11 Method and arrangement for determining at least one implication, in particular a pathological implication

Country Status (1)

Country Link
WO (1) WO2018028789A1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6258576B1 (en) * 1996-06-19 2001-07-10 Board Of Regents, The University Of Texas System Diagnostic method and apparatus for cervical squamous intraepithelial lesions in vitro and in vivo using fluorescence spectroscopy
US6411907B1 (en) * 1997-07-25 2002-06-25 Intelligent Optical Systems, Inc. Accurate tissue injury assessment
DE102013200058B3 (en) * 2013-01-04 2014-06-26 Siemens Aktiengesellschaft Automated evaluation of the raw data of an MR spectrum

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6258576B1 (en) * 1996-06-19 2001-07-10 Board Of Regents, The University Of Texas System Diagnostic method and apparatus for cervical squamous intraepithelial lesions in vitro and in vivo using fluorescence spectroscopy
US6411907B1 (en) * 1997-07-25 2002-06-25 Intelligent Optical Systems, Inc. Accurate tissue injury assessment
DE102013200058B3 (en) * 2013-01-04 2014-06-26 Siemens Aktiengesellschaft Automated evaluation of the raw data of an MR spectrum

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HORI R ET AL: "A combined FT-IR microscopy and principal component analysis on softwood cell walls", CARBOHYDRATE POLYMERS, APPLIED SCIENCE PUBLISHERS, LTD. BARKING, GB, vol. 52, no. 4, 1 June 2003 (2003-06-01), pages 449 - 453, XP004411424, ISSN: 0144-8617, DOI: 10.1016/S0144-8617(03)00013-4 *

Similar Documents

Publication Publication Date Title
DE102014012745B4 (en) Background correction in emission spectra
EP3481275B1 (en) Method and device for ascertaining a degree of damage to hair, and method for ascertaining a user-specific agent for treating hair
DE112010004023B4 (en) Film thickness measuring device and film thickness measuring method
DE112011100038T5 (en) Method for developing recognition algorithms for laser-induced plasma emission spectroscopy
DE69837192T2 (en) OAK METHOD FOR SPECTROGRAPHIC ANALYSIS INSTRUMENTS
EP2480868B1 (en) Method for generating and for detecting a raman spectrum
EP3159681B1 (en) Method and device for automatable determination of the detection threshold and the relative error in the quantification of the concentration of a substance to be tested in a measuring probe
WO2019020259A1 (en) Preprocessing for a classification algorithm
EP3865052A1 (en) Measuring system and measuring method for determining the sun protection factor of a sunscreen
DE4203587A1 (en) Quantitative spectral analytical processes - e.g. for analysing exhaust gas from methanol-driven automobile
DE102005009195A1 (en) Correcting Raman spectrum by eliminating baseline due to interfering fluorescence spectrum, adding convex function to portion of spectrum to be corrected
EP3707496B1 (en) Identification of one or more spectral features in a spectrum of a sample for a constituent analysis
DE60301764T2 (en) Apparatus and method for detecting circular dichroism in the infrared range
WO2018028789A1 (en) Method and arrangement for determining at least one implication, in particular a pathological implication
DE112019006092T5 (en) LOOSELY COUPLED INSPECTION AND METROLOGY SYSTEM FOR MONITORING A PRODUCTION PROCESS WITH HIGH VOLUMES
El Orche et al. Coupling Mid Infrared Spectroscopy to mathematical and statistical tools for automatic classification, qualification and quantification of Argan oil adulteration
WO2012059210A1 (en) Method for determining chemical constituents of solid or liquid substances with the aid of thz spectroscopy
EP3619618A1 (en) Method for the computer-assisted configuration of a data-driven model on the basis of training data
DE102019205512B4 (en) DEVICE AND METHOD FOR EVALUATION OF SPECTRAL PROPERTIES OF AN OBJECT TO BE MEASURED
DE102017104872A1 (en) ATR spectrometer and method for analyzing the chemical composition of a sample
DE102014218354B4 (en) A method of obtaining information coded in a result of an NMR measurement
DE60126600T2 (en) METHOD OF ANALYSIS FOR SUBSTANCE MIXTURES
WO2023001752A1 (en) Method and system for analysing a sample based on data
WO2018059662A1 (en) Wavelength selection in tissue classification by means of hyperspectral imaging
EP3465164B1 (en) Method for the reconstruction of a raman spectrum

Legal Events

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

Ref document number: 16756644

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16756644

Country of ref document: EP

Kind code of ref document: A1