СПОСОБ ПОДДЕРЖКИ ДИФФЕРЕНЦИАЦИИ ЗАБОЛЕВАНИЙ, УСТРОЙСТВО ДЛЯ ПОДДЕРЖКИ ДИФФЕРЕНЦИАЦИИ ЗАБОЛЕВАНИЙ И КОМПЬЮТЕРНАЯ ПРОГРАММА ДЛЯ ПОДДЕРЖКИ ДИФФЕРЕНЦИАЦИИ ЗАБОЛЕВАНИЙ Российский патент 2025 года по МПК A61B5/145 G01N15/14 G06T7/00 

Описание патента на изобретение RU2834692C1

ОБЛАСТЬ ТЕХНИКИ, К КОТОРОЙ ОТНОСИТСЯ ИЗОБРЕТЕНИЕ

[0001]

В настоящей заявке раскрываются способ поддержки дифференциации заболеваний, устройство для поддержки дифференциации заболеваний и компьютерная программа для поддержки дифференциации заболеваний.

УРОВЕНЬ ТЕХНИКИ ИЗОБРЕТЕНИЯ

[0002]

Дифференциацию заболеваний выполняют анализом образца, полученного от субъекта. Например, непатентный документ 1 раскрывает способ для выполнения дифференциации между истинной полицитемией (PV), эссенциальной тромбоцитемией (ET) и первичным миелофиброзом (PMF) в «миелопролиферативных новообразованиях (MPN)» на основании экспрессии генов, получаемой при помощи секвенирования нового поколения.

СПИСОК ЛИТЕРАТУРЫ

[ПАТЕНТНЫЕ ДОКУМЕНТЫ]

[0003]

[Непатентный документ NPL 1] Manja Meggendorfer et al., Deep learning algorithms Support Distinction of PV, PMF, and ET Based on Clinical and Genetic Markers, Blood 2017 130:4223

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

ЦЕЛИ ИЗОБРЕТЕНИЯ

[0004]

Однако, обычные анализы для дифференциации заболеваний требуют выполнения сложных этапов анализа, и анализы должны выполняться квалифицированными экспертами. Поэтому существует потребность в новом способе поддержки дифференциации заболеваний.

[0005]

Целью настоящего изобретения является создание способа поддержки дифференциации заболеваний, устройства для поддержки дифференциации заболеваний и компьютерной программы для поддержки дифференциации заболеваний, которые являются новаторскими, и которые делают возможной поддержку дифференциации заболеваний.

ДОСТИЖЕНИЕ ЦЕЛЕЙ

[0006]

В настоящей заявке раскрывается способ поддержки дифференциации заболеваний для поддержки дифференциации заболеваний. Способ поддержки дифференциации заболеваний включает в себя следующие этапы: получение первого параметра, получаемого анализом изображения, включающего в себя клетку, содержащуюся в пробе, отобранной от субъекта; получение второго параметра, относящегося к численности клеток, содержащихся в пробе; и формирование, путем использования компьютерного алгоритма, информации, поддерживающей дифференциацию, для поддержки дифференциации заболеваний, на основании первого параметра и второго параметра.

[0007]

В настоящей заявке раскрывается способ поддержки дифференциации заболеваний для поддержки дифференциации заболеваний. Способ поддержки дифференциации заболеваний включает в себя формирование, путем использования компьютерного алгоритма, информации, поддерживающей дифференциацию, для поддержки дифференциации заболеваний, на основании первого параметра, полученного анализом изображения, включающего в себя клетку, содержащуюся в пробе, отобранной от субъекта, и второго параметра, относящегося к численности клеток, содержащихся в пробе.

[0008]

В настоящей заявке раскрывается устройство (200A, 200B, 100B) для поддержки дифференциации заболеваний для поддержки дифференциации заболеваний. Устройство (200A, 200B, 100B) для поддержки дифференциации заболеваний включает в себя процессорную часть (20A, 20B, 10B). Процессорная часть (20A, 20B, 10B) получает первый параметр, полученный анализом изображения, включающего в себя клетку, содержащуюся в пробе, отобранной от субъекта, получает второй параметр, относящийся к численности клеток, содержащихся в пробе, и формирует, путем использования компьютерного алгоритма, информацию, поддерживающую дифференциацию, для поддержки дифференциации заболеваний, на основании первого параметра и второго параметра.

[0009]

В настоящей заявке раскрывается компьютерная программа для поддержки дифференциации заболеваний. Компьютерная программа, при выполнении компьютером, предписывает компьютеру выполнять способ, включающий в себя этапы: получения первого параметра, получаемого анализом изображения, включающего в себя клетку, содержащуюся в пробе, отобранной от субъекта; получения второго параметра, относящегося к численности клеток, содержащихся в пробе; и формирования, путем использования компьютерного алгоритма, информации, поддерживающей дифференциацию, для поддержки дифференциации заболеваний, на основании первого параметра и второго параметра.

[0010]

Способ поддержки дифференциации заболеваний, устройство для поддержки дифференциации заболеваний и компьютерная программа, раскрытые в настоящей заявке, могут поддерживать дифференциацию заболеваний путем использования информации, получаемой с помощью способа анализа, ежедневно выполняемого в клинической лаборатории или подобном месте.

ПОЛЕЗНЫЕ ЭФФЕКТЫ ИЗОБРЕТЕНИЯ

[0011]

Предлагаются способ поддержки дифференциации заболеваний, устройство для поддержки дифференциации заболеваний, и компьютерная программа для поддержки дифференциации заболеваний, которые являются новаторскими.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

[0012]

[Фиг. 1] Фиг. 1 - общая схема способа для поддержки дифференциации заболеваний.

[Фиг. 2] Фиг. 2 - пример группы первых параметров.

[Фиг. 3] Фиг. 3 - пример группы вторых параметров.

[Фиг. 4] Фиг. 4 - пример данных обучения.

[Фиг. 5] Фиг. 5 - пример конфигурации системы 1 для поддержки дифференциации заболеваний.

[Фиг. 6] Фиг. 6 - схема конфигурации устройство для анализа изображения клеток.

[Фиг. 7] Фиг. 7 - пример конфигурации счетчика клеток крови, включающего в себя оптический датчик.

[Фиг. 8] Фиг. 8 - пример конфигурации счетчика клеток крови, включающего в себя датчик электрического сопротивления.

[Фиг. 9] Фиг. 9 - аппаратная конфигурация устройства 100A обучения и устройства 100B для поддержки дифференциации заболеваний.

[Фиг. 10] Фиг. 10 - пример конфигурирования функций устройства 100A обучения.

[Фиг. 11] Фиг. 11 - блок-схема последовательности операций обучающей программы.

[Фиг. 12] Фиг. 12 - аппаратная конфигурация устройства 200A, 200B для поддержки дифференциации заболеваний и оконечного устройства 200C.

[Фиг. 13] Фиг. 13 - пример конфигурирования функций устройства 200A для поддержки дифференциации заболеваний.

[Фиг. 14] Фиг. 14 - блок-схема последовательности операций компьютерной программы для поддержки дифференциации заболеваний.

[Фиг. 15] Фиг. 15 - пример конфигурации системы 2 для поддержки дифференциации заболеваний.

[Фиг. 16] Фиг. 16 - пример конфигурирования функций устройства 200B для поддержки дифференциации заболеваний.

[Фиг. 17] Фиг. 17 - пример конфигурации системы 3 для поддержки дифференциации заболеваний.

[Фиг. 18] Фиг. 18 - пример конфигурирования функций устройства 100B для поддержки дифференциации заболеваний.

[Фиг. 19] Фиг. 19 - сравнение результатов прогнозирования заболевания машинным способом с диагнозами, поставленными врачом.

[Фиг. 20] Фиг. 20 - кривая ошибок (ROC-кривая) результата прогнозирования PV машинным способом.

[Фиг. 21] Фиг. 21 - кривая ошибок (ROC-кривая) результата прогнозирования ET машинным способом.

[Фиг. 22] Фиг. 22 - кривая ошибок (ROC-кривая) результата прогнозирования PMF машинным способом.

[Фиг. 23] Фиг. 23 - точность прогнозирования машинного способа.

[Фиг. 24] Фиг. 24 - результат прогнозирования по алгоритму в соответствии с непатентным документом 1.

ВАРИАНТЫ ОСУЩЕСТВЛЕНИЯ ИЗОБРЕТЕНИЯ

[0013]

Далее по тексту будут подробно описаны общие принципы и вариант осуществления настоящего изобретения со ссылкой на прилагаемые чертежи. В последующем описании и на чертежах одинаковые условные обозначения обозначают одинаковые или сходные компоненты, и поэтому описание одинаковых или сходных компонентов не повторяется.

[0014]

1. Способ для поддержки дифференциации заболеваний

1-1. Общие принципы способа поддержки

Настоящий вариант осуществления относится к способу поддержки дифференциации заболеваний для поддержки дифференциации заболеваний (далее по тексту, называемому просто «способом поддержки»). В способе поддержки, множество типов первых параметров и множество типов вторых параметров, относящихся к клеткам, получают от пробы, содержащей клетки, отобранной от субъекта, и информацию, поддерживающую дифференциацию, для поддержки дифференциации заболеваний формируют на основании множества типов первых параметров и множества типов вторых параметров, путем использования компьютерного алгоритма.

[0015]

Каждый первый параметр получают из результата анализа, полученного путем анализа изображения, включающего в себя каждую клетку, содержащуюся в пробе, отобранной от субъекта. Каждый второй параметр является параметром, относящимся к численности клеток и получаемым из результата анализа, полученного путем анализа оптического сигнала или электрического сигнала, полученного от каждой клетки, содержащейся в пробе. При этом, параметр, относящийся к численности клеток, включает в себя, кроме количества клеток: концентрацию (например, концентрацию эритроцитов в 1 мкл), определенной клетки в предварительно заданном количестве пробы; и соотношение между определенной клеткой и некоторой клеткой (например, численность эозинофильных клеток на 100 лейкоцитов), которые являются значениями, вычисленными основании количества клеток.

[0016]

На фиг. 1 показаны общие принципы способа поддержки. Как показано на фиг. 1, проба S, отобранная от субъекта, разделяется на образец S1 для использования в анализе на этапе A, и образец S2 для использования в анализе на этапе B. На этапе A устройство 400 для анализа изображения клеток получает изображение каждой клетки, содержащейся в образце S1, и анализирует полученное изображение P клетки, с получением, тем самым, группы первых параметров, состоящей из множества типов первых параметров, включающих в себя параметр, относящийся к аномальному полученному результату. На этапе B, счетчик 450 клеток крови получает оптический сигнал L или электрический сигнал от каждой клетки, содержащейся в образце S2, и анализирует полученный оптический сигнал L или электрический сигнал, с получением, тем самым, группы вторых параметров, состоящей из множества типов вторых параметров, включающих в себя численность, соотношение или подобный параметр, для каждого типа клетки. На этапе C, группа первых параметров, состоящая из множества типов первых параметров, и группа вторых параметров, состоящая из множества типов вторых параметров, вводятся в предварительно обученный компьютерный алгоритм CA, и формируется информация, поддерживающая дифференциацию, для поддержки дифференциации заболеваний.

[0017]

В настоящем варианте осуществления клетки, содержащиеся в пробе, принадлежат к предварительно заданной группе клеток. Предварительно заданная группа клеток является группой клеток, которая формирует соответствующий орган человека. Предварительно заданная группа клеток, когда она является нормальной, включает в себя множество типов клеток, которые морфологически классифицированы путем гистологического исследования методом микроскопии или цитологического исследования методом микроскопии. Морфологическая классификация (называемая также «классификацией морфологии») включает в себя классификацию типов клеток и классификацию морфологических признаков клеток. Клетки, являющиеся целевыми объектами анализа, предпочтительно являются группой клеток, которая является предварительно заданной клеточной линией, которая принадлежит к предварительно заданной группе клеток. Предварительно заданная клеточная линия является группой клеток, которая принадлежит к одной и той же линии дифференцировки, отличаемой от тканевой стволовой клетки некоторого типа. Предварительно заданная клеточная линия предпочтительно является гематопоэтической системой, и гематопоэтические клетки являются предпочтительно периферическими клетками крови или клетками костного мозга.

[0018]

В общем, при анализе крови, с использованием пробы S гематопоэтической системы, отобранной от субъекта, счетчик клеток крови измеряет количество эритроцитов, количество лейкоцитов, количество тромбоцитов, концентрацию гемоглобина, гематокритное число, эритроцитарные индексы, классификационные числа эритроцитов и тому подобное. Когда подозревается, в частности, заболевание системы крови, выполняют анализ гемоцитов с использованием счетчика клеток крови, и, дополнительно, из пробы S приготавливают препарат-мазок, и фактически выполняют морфологическое исследование клеток крови, чтобы проверить присутствие или отсутствие морфологической аномалии клеток.

[0019]

(1) Группа первых параметров

В настоящем варианте осуществления, на этапе A, показанном на фиг. 1, чтобы получить первый параметр для каждой клетки на препарате-мазке, приготовленном из образца S1, выделяют морфологический признак из клетки методом микроскопии или на изображении, полученном сканером предметного стекла.

[0020]

Для выделения морфологического признака предпочтительно используют препарат, подвергнутый окрашиванию в светлом поле. Окрашивание в светлом поле предпочтительно выбирают из окрашивания по Райту, окрашивания по Гимзе, окрашивания по Райту-Гимзе и окрашивания по Маю-Гимзе. Предпочтительнее, окрашивание в светлом поле является окрашиванием по Маю-Гимзе. Препарат может быть любым препаратом, который допускает отдельное исследование морфологии каждой клетки, принадлежащей к предварительно заданной группе клеток. Примеры препарата включают в себя препарат-мазок и препарат-отпечаток. Препарат предпочтительно является препаратом-мазком, использующим периферическую кровь, или пунктатом костного мозга в качестве пробы.

[0021]

При выделении морфологического признака из клетки выполняется морфологическая классификация отдельной клетки или препарата. Когда для клетки получают аномальный результат, выполняется классификация полученного аномального результата. Посредством морфологической классификации клетки, по меньшей мере, что-то одно из типа клетки и доли клеток одного типа, содержащихся в пробе, получают в качестве параметра, относящегося к морфологической классификации клетки. Посредством классификации полученного аномального результата, по меньшей мере, что-то одно из типа полученного аномального результата и доли клеток, показывающих полученный аномальный результат одного типа, получают в качестве параметра, относящегося к полученному аномальному результату. Первый параметр является, по меньшей мере, каким-то одним из параметра, относящегося к морфологической классификации, и параметра, относящегося к аномальному полученному результату. Группа первых параметров предпочтительно является группой первых параметров, обнаруженных при одном исследовании. На фиг. 2 представлен пример группы первых параметров.

[0022]

Примеры параметра, относящегося к полученному аномальному результату, включают в себя значение, относящееся к, по меньшей мере, чему-то одному, выбранному из аномалии морфологии ядра, аномалии грануляции, аномалии размеров клеток, деформации клеток, фрагментации или некроза, вакуоли, незрелой клетки, присутствия внутриклеточного тельца, тельца Деле, сателлитизма, аномалии хроматиновой сети, ядра лопастной формы, увеличенного ядерно-цитоплазматического отношения, пузырчатой морфологии, тени Боткина-Гумпрехта, и волосатоклеточной морфологии.

[0023]

Аномалия морфологии ядра может включать в себя, по меньшей мере, один тип, выбранный из гиперсегментации, гипосегментации, аномалии псевдо-Пельгера, кольцеобразного ядра, сферического ядра, эллиптического ядра, апоптоза, полинуклеарности, кариорексиса, энуклеации, «голого» ядра, неправильного контура ядра, ядерной фрагментации, образования межъядерных мостиков, ядер с разделением на несколько частей, расщепленного ядра, деления ядра, и аномалии ядрышек.

[0024]

Аномалия грануляции может включать в себя, по меньшей мере, один тип, выбранный из дегрануляция, аномального распределения гранул, токсической грануляции, тельца Ауэра, клетки Фаготта, и гранулы псевдо Чедиак-Хагаси.

Аномалия размеров клеток может включать в себя мегатромбоцит.

[0025]

Параметр, относящийся к морфологической классификации каждой клетки, может включать в себя значение, относящееся к, по меньшей мере, какому-то одному из: значения, относящегося к численности, для каждого типа клетки из, по меньшей мере, одного типа, выбранного из нейтрофила, эозинофильной клетки, тромбоцита, лимфоцита, моноцита, базофила, метамиелоцита, миелоцита, промиелоцита, бластной клетки, плазмоцита, атипичного лимфоцита, незрелой эозинофильной клетки, незрелого базофила, эритробласта и мегакариоцита; и доле, для каждого типа клетки из, по меньшей мере, одного типа, выбранного из нейтрофила, эозинофильной клетки, тромбоцита, лимфоцита, моноцита, базофила, метамиелоцита, миелоцита, промиелоцита, бластной клетки, плазмоцита, атипичного лимфоцита, незрелой эозинофильной клетки, незрелого базофила, эритробласта и мегакариоцита.

[0026]

Способ получения первого параметра может быть любым способом, который может получать параметр, относящийся к морфологической классификации, и/или параметр, относящийся к вышеописанному аномальному полученному результату. Например, получение первого параметра может выполняться исследователем и предпочтительно выполняется с помощью устройства 300, 400 для анализа изображения клеток, описанного в дальнейшем.

[0027]

Получение первого параметра может выполняться с помощью алгоритма глубокого обучения, описанного в патентной публикации США № 2019-0347467, или подобного алгоритма. Патентная публикация США № 2019-0347467 включена в настоящую заявку. Дискриминатор, который применяется в способе получения первого параметра, включает в себя множество алгоритмов глубокого обучения, каждый из которых имеет структуру нейронной сети, как показано на фиг. 1. Дискриминатор включает в себя первый алгоритм DL1 глубокого обучения и второй алгоритм DL2 глубокого обучения. Первый алгоритм DL1 глубокого обучения получает величину признака каждой клетки, и второй алгоритм DL2 глубокого обучения распознает клетку, являющуюся целевым объектом анализа, на основании величины признака, полученной посредством первого алгоритма глубокого обучения. Второй алгоритм DL2 глубокого обучения выдает, для каждой клетки, результат морфологической классификации и вероятность, с которой клетка соответствует классификации, или полученный аномальный результат классификации и вероятность, с которой клетка соответствует классификации. Первый алгоритм DL1 глубокого обучения является сверточной нейронной сетью, и второй алгоритм DL2 глубокого обучения является полносвязной нейронной сетью, расположенной после первого алгоритма глубокого обучения.

[0028]

Препарат, подлежащий использованию для получения группы первых параметров, может быть приготовлен путем воздействия на препарат-мазок или препарат-отпечаток окрашивания в светлом поле. Препарат-мазок или препарат-отпечаток может быть приготовлен намазыванием или прижатием образца на/к предметное(ому) стекло(у) и затем воздушной сушкой предметного стекла, чтобы закрепить клетки. Клетки могут быть зафиксированы, при необходимости, широко известным фиксирующим агентом, таким как спирт типа метанола или этанола, формалина или ацетона.

[0029]

Пример окрашивания в светлом поле описан ниже.

Когда окрашивание в светлом поле является окрашиванием по Гимзе, зафиксированное предметное стекло погружают в жидкий краситель Гимзы, или высушенное предметное стекло покрывают жидким красителем Гимзы, чтобы выполнить окрашивание в течение предварительно заданного времени. После окрашивания, предметное стекло промывают водой или подобной жидкостью, и предметное стекло снова подвергают воздушной сушке. При необходимости, предметное стекло очищают ксиленом или чем-то подобным, и затем исследуемую поверхность предметного стекла герметизируют покровным стеклом и заливочным агентом.

[0030]

Когда окрашивание в светлом поле является окрашиванием по Райту, зафиксированное предметное стекло погружают в жидкий краситель Райта, или высушенное предметное стекло покрывают жидким красителем Райта, чтобы выполнить окрашивание в течение предварительно заданного времени. После окрашивания, предметное стекло промывают фосфатным буфером или чем-то подобным (например, фосфатным буфером, 1/15 M, pH 6,4), и предметное стекло снова подвергают воздушной сушке. При необходимости, предметное стекло очищают ксиленом или чем-то подобным, и затем исследуемую поверхность предметного стекла герметизируют покровным стеклом и заливочным агентом.

[0031]

Когда окрашивание в светлом поле является окрашиванием по Маю-Гимзе, зафиксированное предметное стекло погружают в жидкий краситель Мая-Грюнвальда, или высушенное предметное стекло покрывают жидким красителем Мая-Грюнвальда, чтобы выполнить окрашивание в течение предварительно заданного времени. После окрашивания, предметное стекло погружают в фосфатный буфер (например, фосфатный буфер, 1/15 M, pH 6,4) или подобную жидкость. Затем, предметное стекло погружают в жидкий краситель Гимзы, или предметное стекло покрывают жидким красителем Гимзы, чтобы выполнить окрашивание в течение предварительно заданного времени. После окрашивания, предметное стекло промывают водой или подобной жидкостью, и предметное стекло снова подвергают воздушной сушке. При необходимости, предметное стекло очищают ксиленом или чем-то подобным, и затем исследуемую поверхность предметного стекла герметизируют покровным стеклом и заливочным агентом.

[0032]

Когда окрашивание в светлом поле является окрашиванием по Райту-Гимзе, зафиксированное предметное стекло погружают в жидкий краситель Райта-Гимзы, или высушенное предметное стекло покрывают жидким красителем Райта-Гимзы, чтобы выполнить окрашивание в течение предварительно заданного времени. После окрашивания, предметное стекло погружают в фосфатный буфер (например, фосфатный буфер, 1/15 M, pH 6,4), или подобную жидкость. Затем предметное стекло промывают водой или подобной жидкостью, и предметное стекло снова подвергают воздушной сушке. При необходимости, предметное стекло очищают ксиленом или чем-то подобным, и затем исследуемую поверхность предметного стекла герметизируют покровным стеклом и заливочным агентом.

[0033]

(2) Второй параметр

В настоящем варианте осуществления, на этапе B, показанном на фиг. 1, образец S2 измеряется с использованием счетчика клеток крови, чтобы получить второй параметр.

[0034]

Второй параметр является параметром, полученным из оптического сигнала или электрического сигнала, принятым счетчиком 350, 450 клеток крови, и является значением, относящимся к, по меньшей мере, чему-то одному из: численности для каждого типа клетки; доли для каждого типа клетки; размера клетки; и концентрации компонента, содержащегося в клетке. Получение второго параметра может выполняться с помощью алгоритма глубокого обучения, описанного в патентной публикации США № 2014-0051071, или подобного алгоритма. Патентная публикация США № 2014-0051071 включена в настоящую заявку.

На фиг. 3 приведены примеры параметров, полученных из счетчика 350, 450 клеток крови.

[0035]

Второй параметр предпочтительно является: (i) значением, относящимся к численности, для каждого типа клетки из, по меньшей мере, одного типа, выбранного из эритроцита, ядерного эритроцита, микроцита, тромбоцита, гемоглобина, ретикулоцита, незрелого гранулоцита, нейтрофила, эозинофильной клетки, базофила, лимфоцита и моноцита; (ii) значением, относящимся к доле, для каждого типа клетки из, по меньшей мере, одного типа, выбранного из эритроцита, ядерного эритроцита, микроцита, тромбоцита, гемоглобина, ретикулоцита, незрелого гранулоцита, нейтрофила, эозинофильной клетки, базофила, лимфоцита, и моноцита; и (iii) значением, относящимся к, по меньшей мере, чему-то одному, выбранному из гематокрита, среднего объема эритроцитов (MCV), среднего эритроцитарного гемоглобина (MCH), средней концентрации гемоглобина в эритроцитах (MCHC) и среднего объема тромбоцитов (MPV). Второй параметр может включать в себя, по меньшей мере, один параметр, выбранный из (i), (ii) и (iii).

[0036]

(3) Дифференциация заболеваний

В настоящем варианте осуществления информация, поддерживающая дифференциацию, для поддержки дифференциации заболеваний формируется на основании группы первых параметров и группы вторых параметров.

[0037]

Заболевание, подлежащее дифференциации, в настоящем варианте осуществления может быть любым заболеванием, которое является заболеванием человека. Заболевание предпочтительно является гематопоэтическим заболеванием. Заболевание гематопоэтической системы заболевание может включать в себя миелопролиферативные новообразования, лейкемия, миелодиспластический синдром, лимфому, миелому и тому подобное. Миелопролиферативные новообразования предпочтительно могут включать в себя истинную полицитемию, эссенциальную тромбоцитемию, первичный миелофиброз и тому подобное. Лейкемия предпочтительно может включать в себя острый миелобластный лейкоз, острый промиелоцитарный лейкоз, острый миеломоноцитарный лейкоз, острый моноцитарный лейкоз, эритролейкоз, острый мегакариобластный лейкоз, острый миелоидный лейкоз, острый лимфобластный лейкоз, лимфобластный лейкоз, хронический миелоидный лейкоз, хронический лимфоцитарный лейкоз и тому подобное. Лимфома может включать в себя лимфому Ходжкина, неходжскинскую лимфому и тому подобное. Миелома может включать в себя множественную миелому и тому подобное.

[0038]

Формирование информации для поддержки дифференциации заболеваний выполняется описанной далее процессорной частью 20 путем использования компьютерного алгоритма. Компьютерный алгоритм может включать в себя алгоритм машинного обучения, алгоритм глубокого обучения и так далее.

[0039]

Алгоритм машинного обучения может включать в себя такие алгоритмы, как древовидный, регрессии, машины опорных векторов, байесовский, кластеризации, и случайного леса. Алгоритм машинного обучения предпочтительно является алгоритмом градиентного бустинга над деревьями решений. Предпочтительнее, градиентный бустинг над деревьями решений представляет собой мультимодальные глубокие нейронные сети (мультимодальные DNN).

Алгоритм глубокого обучения имеет структуру нейронной сети.

Компьютерный алгоритм обучается следующим способом и функционирует как дискриминатор заболевания.

[0040]

1-2. Формирование дискриминатора

Данные обучения формируются посредством расположения группы первых параметров для обучения и группы вторых параметров для обучения в форме матрицы на одном иерархическом уровне и дополнительного связывания их с меткой (далее по тексту называемой также «меткой названия заболевания»), указывающей название заболевания. Группу первых параметров для обучения получают от препарата-мазка для обучения. На фиг. 4 приведен пример данных обучения. Например, первый столбец на фиг. 4 обозначает категорию группы параметров. Второй столбец на фиг. 4 обозначает номер строки. Третий столбец на фиг. 4 обозначает название (метку) каждого параметра и четвертый столбец обозначает каждый параметр. Например, когда параметр является типом клетки или долей клеток, имеющей аномальный полученный результат, параметр представляется в % единицах измерения; когда параметр является концентрацией, параметр представляется, например, в единицах измерения г/дл; и когда параметр является количеством клеток, параметр параметр представляется, например, в единицах измерения 10˄4/мкл (×104/мкл) или подобных единицах. Данные единицы измерения являются единицами измерения обычно используемыми в анализах гемоцитов и подобных анализах. Первый параметр получается с использованием алгоритма DL2 глубокого обучения посредством подсчета результатов морфологической классификации или результатов классификации аномальных полученных результатов и взвешивания полученного результата счета по вероятности, что клетка соответствует классификации. Например, когда численность клеток, классифицированных как нейтрофильные палочкоядерные гранулоциты, равна 1 из 100 клеток, и вероятность, что клетка, классифицированная как нейтрофильный палочкоядерный гранулоцит, классифицируется как нейтрофильный палочкоядерный гранулоцит, равна 90%, 1 умножается на 90%, вследствие чего численность принимается равной 0,9. Пятый столбец на фиг. 4 является меткой обозначающей название заболевания.

[0041]

Группа первых параметров для обучения и группа вторых параметров для обучения формируется для каждой пробы из проб (далее по тексту называемой также «пробой обучения»), отобранных из пациентов, для которых врачом уже поставлен окончательный диагноз по названию заболевания. Затем, для каждой пробы, матрицу, состоящую из группы первых параметров для обучения и группы вторых параметров для обучения, связывают с названием заболевания, и тем самым формируются данные обучения.

[0042]

В пример на фиг. 4 группа первых параметров для обучения и группа вторых параметров для обучения расположены в направлении строк, но могут быть также расположены в направлении столбцов. Каждый параметр может быть представлен сокращением, как на фиг. 4, или может быть представлен значением метки. Метка названия заболевания может быть также представлена значением метки.

[0043]

При этом, с группой первых параметров для обучения и группой вторых параметров для обучения может быть выполнен предварительно заданный статистический анализ, посредством которого могут быть выбраны параметры, имеющие высокую релевантность в отношении заболевания. Примеры предварительно заданного статистического анализа включают в себя однофакторный дисперсионный анализ (ANOVA), корреляцию Пирсона, ранговую корреляцию Спирмена и тому подобное. Предварительно заданный статистический анализ предпочтительно является однофакторным дисперсионным анализом. Посредством статистического выбора параметра можно повысить точность дифференциации.

[0044]

Затем данные обучения вводят в компьютерный алгоритм, и компьютерный алгоритм обучается, чтобы создать дискриминатор. При этом, когда используется алгоритм машинного обучения, для каждого заболевания обучается один алгоритм. При этом, когда применяется алгоритм глубокого обучения, единственного алгоритма достаточно для обучения в отношении множества заболеваний.

[0045]

Обучение компьютерного алгоритма может выполняться путем использования такого программного обеспечения, как Python.

[0046]

Обученный компьютерный алгоритм используется для поддержки дифференциации заболеваний в качестве дискриминатора заболевания.

[0047]

1-3. Формирование данных анализа и формирование информации, поддерживающей дифференциацию.

Данные анализа формируются посредством получения группы первых параметров для анализа и группы вторых параметров для анализа из пробы для анализа, отобранной от субъекта, и объединения упомянутых групп. В предпочтительно варианте, группа первых параметров для анализа и группа вторых параметров для анализа формируются соответственно способами, аналогичными способам для группы первых параметров для обучения и группы вторых параметров для обучения. Кроме того, параметры, включенные в данные анализа, предпочтительно являются идентичными по типам параметрам, включенные в данные обучения. В предпочтительном варианте, данные анализа формируются, в предположении, что группа первых параметров для анализа и группа вторых параметров для анализа находятся на одном иерархическом уровне, предпочтительно посредством составления их в форме матрицы такого же порядка, как матрица данных обучения.

[0048]

Затем данные анализа вводятся в дискриминатор, обученный как выше в 1-2., чтобы сформировать информацию для поддержки дифференциации заболеваний. Информация является значением, означающим вероятность, спрогнозированную по данным анализа, что субъект имеет заболевание, соответствующее дискриминатору. Далее, на основании вероятности может быть выдана метка, указывающая название заболевания пациента.

[0049]

2. Система 1 для поддержки дифференциации заболеваний

Вариант осуществления в настоящем раскрытии относится к системе 1 для поддержки дифференциации заболеваний.

Конфигурация системы 1 для поддержки дифференциации заболеваний будет описана со ссылкой на фиг. 5. Система 1 для поддержки дифференциации заболеваний включает в себя устройство 100A обучения и устройство 200A для поддержки дифференциации заболеваний. Устройство 100 поставщика функционирует как устройство 100A обучения, и устройство 200 пользователя работает как устройство 200A для поддержки дифференциации заболеваний.

[0050]

Устройство 100A обучения имеет соединение с устройством 300 для анализа изображения клеток и счетчиком 350 клеток крови. Устройство 100A обучения получает группу первых параметров для обучения из устройства 300 для анализа изображения клеток и получает группу вторых параметров для обучения из счетчика 350 клеток крови.

[0051]

Устройство 200A для поддержки дифференциации заболеваний имеет соединение с устройством 400 для анализа изображения клеток и счетчиком 450 клеток крови. Устройство 200A для поддержки дифференциации заболеваний получает группу первых параметров для анализа из устройства 400 для анализа изображения клеток и получает группу вторых параметров для анализа из счетчика 350 клеток крови.

[0052]

Носитель 98 данных является компьютерно-читаемым энергонезависимым носителем данных, таким как, например, постоянная память на цифровом видеодиске (DVD-ROM) или флэш-накопитель.

Далее будет описана каждая конфигурация.

[0053]

2-1. Устройство для анализа изображения клеток

Конфигурация устройства 300 для анализа изображения клеток будет описана со ссылкой на фиг. 6. Устройство 300 для анализа изображения клеток включает в себя, по меньшей мере, часть 304 формирования изображений. Часть 304 формирования изображений включает в себя столик 309 для размещения на нем препарата, увеличительную часть 302, например, микроскоп, и формирователь 301 изображений для получения микроскопического изображения. Получают изображение каждой клетки из препарата 308 для обучения, установленного на столике 309. Устройство 300 для анализа изображения клеток получает группу первых параметров из полученного изображения. Устройство 300 для анализа изображения клеток включает в себя блок 305 обработки информации. Блок 305 обработки информации выполняет получение и оформление группы первых параметров и информационный обмен с устройством 100A обучения.

[0054]

Далее будет описана конфигурация устройства 400 для анализа изображения клеток. Устройство 400 для анализа изображения клеток имеет, в основном, такую же конфигурацию, как устройство 300 для анализа изображения клеток, и включает в себя часть 404 формирования изображений. Часть 404 формирования изображений включает в себя столик 409 для размещения на нем препарата, увеличительную часть 402, например, микроскоп, и формирователь 401 изображений для получения микроскопического изображения. Устройство 400 для анализа изображения клеток получает изображение каждой клетки на препарате 408 для анализа, установленном на столике 409. Устройство 400 для анализа изображения клеток получает группу первых параметров для анализа из полученного изображения. Устройство 400 для анализа изображения клеток включает в себя блок 405 обработки информации. Блок 405 обработки информации выполняет получение и оформление группы первых параметров и информационный обмен с устройством для поддержки дифференциации заболеваний 200.

[0055]

В качестве устройства 300, 400 для анализа изображения клеток можно применить, например, автоматический цифровой анализатор DI-60 морфологии клеток, изготовленный компанией SYSMEX, или подобный прибор.

[0056]

2-2. Счетчик клеток крови

Конфигурация счетчика 350 клеток крови будет описана со ссылкой на фиг. 7 и фиг. 8. Счетчик 350 клеток крови является проточным цитометром или подобным прибором, который включает в себя оптический датчик 411 для приема оптического сигнала, содержащий проточную кювету, показанную на фиг. 7.

На фиг. 7, свет, излучаемый лазерным диодом, являющимся источником 4111 света, наводится светоподводящим объективом 4112 на каждую клетку, протекающую через проточную кювету 4113.

[0057]

В настоящем варианте осуществления источник 4111 света проточного цитометра конкретно не ограничен, и выбирают источник 4111 света, который имеет длину волны, подходящую для возбуждения флуоресцентного красителя. В качестве такого источника 4111 света применяется, например, полупроводниковый лазер, включающий в себя полупроводниковый лазер красного диапазона и/или полупроводниковый лазер голубого диапазона, газовый лазер, например, аргоновый лазер или a гелий-неоновый лазер, ртутная лампа или что-то подобное. В частности, полупроводниковый лазер пригоден потому, что полупроводниковый лазер является очень дешевым по сравнению с газовым лазером.

[0058]

Как показано на фиг. 7, свет прямого рассеивания, испускаемый частицей, протекающей через проточную кювету 4113, принимается приемником 4116 света прямого рассеивания через конденсор 4114 и точечную диафрагму 4115. Приемник 4116 света прямого рассеивания может быть фотодиодом или подобным прибором. Свет бокового рассеивания принимается приемником 4121 света бокового рассеивания через конденсор 4117, дихроичное зеркало 4118, полосовой фильтр 4119 и точечную диафрагму 4120. Приемник 4121 света бокового рассеивания может быть фотодиодом, фотоумножителем или подобным прибором. Флуоресценция в боковом направлении принимается приемником 4122 флуоресценции в боковом направлении через конденсор 4117 и дихроичное зеркало 4118. Приемник 4122 флуоресценции в боковом направлении может быть лавинным фотодиодом, фотоумножителем или подобным прибором.

[0059]

Принимаемые оптические сигналы, выдаваемые из соответствующих приемников 4116, 4121 и 4122 света, проходят аналоговую обработку, например, усиление и обработку формы сигнала в аналоговой процессорной части, содержащей усилители 4151, 4152, 4153, и передаются в контроллер 480 измерительного блока.

[0060]

Контроллер 480 измерительного блока подсоединен к блоку 351 обработки информации. Блок 351 обработки информации получает второй параметр, исходя из оптических сигналов, полученных в оптическом датчике 411.

[0061]

Счетчик 350 клеток крови может включать в себя датчик 412 электрического сопротивления, показанный на фиг. 8. На фиг. 8 показан случай, когда датчик 412 электрического сопротивления является датчиком 412 электрического сопротивления для проточной цитометрии. Датчик 412 электрического сопротивления для проточной цитометрии включает в себя: стенку 412a камеры; участок 412b отверстия для измерения электрического сопротивления клетки; насадку 412b ввода пробы, которая подает пробу; и сборную трубку 412d, которая собирает клетки, протекшие через участок 412b отверстия. Пространство вокруг насадки 412b ввода пробы и сборной трубки 412d внутри стенки 412a камеры заполнено обжимающей жидкостью. Штриховые стрелки, обозначенные позицией 412s, показывают направление, в котором протекает обжимающая жидкость. Эритроцит 412e и тромбоцит 412f, выпущенные из насадки ввода пробы, протекают через участок 412b отверстия и при этом заключены в потоке 412s обжимающей жидкости. К участку 412b отверстия прикладывается стабилизированное постоянное напряжение, и обеспечивается такое управление, что стабилизированный ток протекает только в то время, когда протекает только обжимающая жидкость. Клетка снижает вероятность сквозного прохождения электрического тока, т.е. имеет большое электрическое сопротивление. Следовательно, когда через участок 412b отверстия протекает клетка, электрическое сопротивление изменяется. Таким образом, на участке 412b отверстия можно определять число раз прохождения клеток и электрическое сопротивление в эти промежутки времени. Так как электрическое сопротивление повышается пропорционально объему клетки, часть 481 обработки информации измерительного блока может вычислить объем клетки, прошедшей через участок 412b отверстия, по интенсивности сигнала, относящегося к значению электрического сопротивления, и может передать гистограмму сосчитанного количества клеток каждого объема, в блок 351 обработки информации.

Счетчик 350 клеток крови измеряет пробу обучения, чтобы получить группу вторых параметров для обучения.

[0062]

Конфигурация счетчика 450 клеток крови аналогична конфигурации счетчика 350 клеток крови. Счетчик 450 клеток крови измеряет пробу обучения, чтобы получить группу вторых параметров для анализа.

Примером счетчиков 350, 450 клеток крови является, например, счетчик клеток крови XN-2000, изготавливаемый компанией SYSMEX.

[0063]

2-3. Устройство обучения

Устройство 100A обучения обучает компьютерный алгоритм с использованием, в качестве данных обучения, группу первых параметров для обучения и группу вторых параметров для обучения и название заболевания, связанного с ними, чтобы сформировать дискриминатор. Устройство 100A обучения получает каждый первый параметр из устройства 300 для анализа изображения клеток, через носитель 98 данных или по сети 99. Устройство 100A обучения получает каждый второй параметр из счетчика 350 клеток крови, через носитель 98 данных или по сети 99. Устройство 100A обучения подает сформированный дискриминатор в устройство 200A для поддержки дифференциации заболеваний. Дискриминатор подается через носитель 98 данных или по сети 99. С использованием дискриминатора, устройство 200A для поддержки дифференциации заболеваний формирует информацию, поддерживающую дифференциацию, для поддержки дифференциации заболеваний.

[0064]

(1) Аппаратная конфигурация устройства обучения

Конфигурация аппаратных средств устройства 100A обучения будет описана со ссылкой на фиг. 9. Устройство 100A обучения включает в себя процессорную часть 10 (10A), часть 16 ввода и часть 17 вывода. Устройство 100A обучения реализуется, например, в виде универсального компьютера.

[0065]

Процессорная часть 10 включает в себя ЦП (центральный процессор) 11, который выполняет описанную далее обработку данных; память 12 для использования в качестве рабочей области для обработки данных; a запоминающее устройство 13, которое хранит программу и данные обработки, описанные далее; шину 14, которая передает данные между частями; интерфейсную часть 15, которая вводит/выводит данные в/из внешнее(его) устройство(а); и ГП (графический процессор) 19. Часть 16 ввода и часть 17 вывода соединяются с процессорной частью 10. Например, часть 16 ввода является устройством ввода, таким как клавиатура, сенсорная панель или мышь, и часть 17 вывода является устройством отображения, таким как жидкокристаллический дисплей. ГП 19 функционирует как акселератор, который поддерживает арифметическую обработку (например, параллельную арифметическую обработку), выполняемую в ЦП 11. То есть, в последующем описании подразумевается, что обработка, выполняемая в ЦП 11, включает в себя обработку, выполняемую в ЦП 11, при одновременном использовании ГП 19 в качестве акселератора.

[0066]

Процессорная часть 10 предварительно сохранила в запоминающем устройстве 13 и, например, в выполняемой форме, компьютерный алгоритм и компьютерную программу для выполнения способа обучения, описанного ниже и показанного на фиг. 11. Выполняемая форма является формой, созданной преобразованием языка программирования, например, посредством компилятора. Процессорная часть 10 выполняет способ обучения компьютерного алгоритма с использованием компьютерной программы (далее по тексту, просто называемой иногда «обучающей программой») для выполнения способа обучения, в связи с операционной системой, хранящейся в запоминающем устройстве 13.

[0067]

В последующем описании, если не указано иное, обработка, выполняемая процессорной частью 10, означает обработку, выполняемую в ЦП 11 на основании компьютерного алгоритма и компьютерной программы для выполнения способа обучения, сохраненных в запоминающем устройстве 13 или памяти 12. ЦП 11 временно сохраняет, в энергозависимой памяти, необходимые данные (такие как обрабатываемые промежуточные данные), с использованием памяти 12 в качестве рабочей области и записывает, при необходимости, энергонезависимым способом, данные, подлежащие длительному хранению, например, результаты арифметических операций, в запоминающее устройство 13.

[0068]

(2) Конфигурирование функций устройства обучения

Как показано на фиг. 10, процессорная часть 10A устройства 100A обучения функционирует как часть 101 формирования данных обучения, часть 102 ввода данных обучения и часть 103 коррекции алгоритма. Данные функции реализуются, когда: обучающая программа (например, Python) для предписания компьютеру задания выполнять способ обучения установлена в запоминающем устройстве 13 или памяти 12 процессорной части 10A; и программа выполняется в ЦП 11. База данных (БД) 104 данных обучения сохраняет группу первых параметров для обучения, полученную процессорной частью 10A из устройства 300 для анализа изображения клеток, и группу вторых параметров для обучения, полученную процессорной частью 10A из счетчика 350 клеток крови. Кроме того, БД 104 данных обучения хранит метку названия заболевания, соответствующую параметрам. База данных (БД) 105 алгоритмов может сохранять компьютерный алгоритм до проведения его обучения, и компьютерный алгоритм после проведения его обучения.

[0069]

Часть 101 формирования данных обучения соответствует этапу S11, описанному далее, часть 102 ввода данных обучения соответствует этапу S12, и часть 103 коррекции алгоритма соответствует этапу S15.

[0070]

(3) Способ обучающей программы

Процессорная часть 10A устройства 100A обучения выполняет каждый этап обучающей программы, показанный на фиг. 11.

[0071]

После приема команды на начало способа получения данных обучения, введенной оператором посредством части 16 ввода, процессорная часть 10A получает группу первых параметров для обучения из устройства 300 для анализа изображения клеток и сохраняет группу первых параметров для обучения в БД 104 данных обучения в запоминающем устройстве 13, на этапе S11. Далее, процессорная часть 10A получает группу вторых параметров для обучения из счетчика 350 клеток крови, и сохраняет группу вторых параметров для обучения в БД 104 данных обучения в запоминающем устройстве 13. В соответствии со способом, описанном выше в разделе 1-2., процессорная часть 10A формирует данные обучения таким образом, чтобы группу первых параметров для обучения и группу вторых параметров для обучения связать с меткой названия заболевания, и сохраняет данные обучения в базе данных 104 данных обучения в запоминающем устройстве 13. Метка названия заболевания, соответствующая каждой группе параметров, может быть связана с группой первых параметров для обучения и группой вторых параметров для обучения посредством приема метки названия заболевания, введенной для каждой группы параметров оператором с помощью части 16 ввода. В качестве альтернативы, когда устройством 300 для анализа изображения клеток или счетчиком 350 клеток крови получен каждый параметр, информация о пациенте и каждый параметр могут быть связаны друг с другом, и данная информация может считываться процессорной частью 10A.

[0072]

Процессорная часть 10A принимает команду на начало способа обучения, введенную оператором посредством части 16 ввода, затем на этапе S12 считывает компьютерный алгоритм, хранящийся в БД 105 алгоритмов в запоминающем устройстве 13, дополнительно считывает данные обучения из БД 10 данных обучения и вводит данные обучения в компьютерный алгоритм.

[0073]

На этапе S13 процессорная часть 10A определяет, обучен ли компьютерный алгоритм с использованием всех данных обучения. Когда компьютерный алгоритм не обучен с использованием всех данных обучения (если «Нет»), процессорная часть 10A переходит на этап S14, считывает следующие данные обучения из БД 10 данных обучения, возвращается на этап S12 и продолжает способ.

[0074]

На этапе S13, когда компьютерный алгоритм уже обучен с использованием всех данных обучения (если «Да»), процессорная часть 10A переходит на этап S15 и сохраняет обученный компьютерный алгоритм в БД 105 алгоритмов в запоминающем устройстве 13.

[0075]

Обученный компьютерный алгоритм выполняет функцию дискриминатора для формирования информации, поддерживающей дифференциацию, для поддержки дифференциации заболеваний.

[0076]

2-4. Устройство для поддержки дифференциации заболеваний

Устройство 200A для поддержки дифференциации заболеваний получает группу первых параметров для анализа, группу вторых параметров для анализа и дискриминатор и формирует информацию, поддерживающую дифференциацию, для поддержки дифференциации заболеваний. Устройство 200A для поддержки дифференциации заболеваний получает каждый первый параметр для анализа из устройства 400 для анализа изображения клеток, через носитель 98 данных или по сети 99. Устройство 200A для поддержки дифференциации заболеваний получает каждый второй параметр для анализа из счетчика 450 клеток крови, через носитель 98 данных или по сети 99.

[0077]

(1) Аппаратная конфигурация устройства для поддержки дифференциации заболеваний

Конфигурация аппаратных средств устройства 200A для поддержки дифференциации заболеваний будет описана со ссылкой на фиг. 12. Конфигурация устройства 200A для поддержки дифференциации заболеваний является в основном аналогичной конфигурации устройства 100A обучения. Однако, процессорная часть 10 (10A), часть 16 ввода и часть 17 вывода устройства 100A обучения заменены в устройстве 200A для поддержки дифференциации заболеваний на процессорную часть 20 (20A), часть 26 ввода и часть 27 вывода, соответственно.

[0078]

Кроме того, ЦП 11, память 12, запоминающее устройство 13, шина 14, интерфейсная часть 15 и ГП 19 устройства 100A обучения заменены в устройстве 200A для поддержки дифференциации заболеваний на ЦП 21, память 22, запоминающее устройство 23, шину 24, интерфейсную часть 25 и ГП 29, соответственно.

[0079]

Процессорная часть 20 предварительно сохранила в запоминающем устройстве 13 и, например, в выполняемой форме, компьютерную программу для выполнения каждого этапа способа, описанного ниже на фиг. 14. Выполняемая форма является формой, созданной преобразованием языка программирования, например, посредством компилятора. Процессорная часть 10 формирует информацию, поддерживающую дифференциацию, для поддержки дифференциации заболеваний, с использованием компьютерной программы для поддержки дифференциации заболеваний, сохраненной в запоминающем устройстве 13, и дискриминатора, сформированного устройством 100A обучения.

[0080]

Кроме того, процессорная часть 20 предварительно сохранила в запоминающем устройстве 23 и, например, в выполняемой форме, дискриминатор и компьютерную программу для поддержки дифференциации заболеваний, описанную далее, чтобы выполнять процедуру каждого этапа, описанного ниже в способе анализа заболевания ниже. Выполняемая форма является формой, созданной преобразованием языка программирования, например, посредством компилятора. Процессорная часть 20 выполняет способ формирования информации, поддерживающей дифференциацию, для поддержки дифференциации заболеваний, с использованием дискриминатора и программы для поддержки дифференциации заболеваний, в связи с операционной системой, хранящейся в запоминающем устройстве 23.

[0081]

В последующем описании, если не указано иное, обработка, выполняемая процессорной частью 20, означает, фактически, обработку, выполняемую в CPU 21 процессорной части 20 на основании дискриминатора и компьютерной программы для поддержки дифференциации заболеваний, сохраненных в запоминающем устройстве 23 или памяти 22. ЦП 21 временно сохраняет, в энергозависимой памяти, необходимые данные (такие как обрабатываемые промежуточные данные) с использованием памяти 22 в качестве рабочей области, и записывает, при необходимости, энергонезависимым способом, данные, подлежащие длительному хранению, например, результаты арифметических операций, в запоминающее устройство 23.

[0082]

(2) Конфигурирование функций устройства для поддержки дифференциации заболеваний

Как показано на фиг. 13, процессорная часть 20A устройства 200A для поддержки дифференциации заболеваний функционирует как часть 201 получения данных анализа, часть 202 ввода данных анализа, часть 203 анализа, база данных (БД) 204 данных анализа и база данных (БД) 205 дискриминаторов. Данные функции реализуются, когда: компьютерная программа (например, Python) для предписания компьютеру задания выполнять способ формирования информации, поддерживающей дифференциацию, установлена в запоминающем устройстве 23 или памяти 22 процессорной части 20A; и данная компьютерная программа и компьютерная программа для поддержки дифференциации заболеваний, включающая в себя дискриминатор, выполняются в ЦП 21. База данных (БД) 204 данных анализа сохраняет группу первых параметров для анализа, полученную процессорной частью 10A из устройства 400 для анализа изображения клеток, и группу вторых параметров для анализа, полученную процессорной частью 10A из счетчика 450 клеток крови. База данных (БД) 205 дискриминаторов сохраняет дискриминатор, полученный из устройства 100 обучения.

[0083]

Часть 201 получения данных анализа соответствует этапу S21, описанному далее, часть 202 ввода данных анализа соответствует этапу S22 и этапу S23, и часть 203 анализа соответствует этапу S24.

[0084]

(3) Способ компьютерной программы для поддержки дифференциации заболеваний

Процессорная часть 20A устройства 200A для поддержки дифференциации заболеваний выполняет каждый этап, показанный на фиг. 14.

[0085]

После приема команды на начало способа получения данных анализа, введенной оператором посредством части 26 ввода, процессорная часть 20A получает группу первых параметров для анализа из устройства 400 для анализа изображения клеток и сохраняет группу первых параметров для анализа в БД 204 данных анализа в запоминающем устройстве 23. Далее, процессорная часть 20A получает группу вторых параметров для анализа из счетчика 450 клеток крови и сохраняет группу вторых параметров для анализа в БД 204 данных анализа в запоминающем устройстве 23.

[0086]

Процессорная часть 20A принимает команду на начало способа получения дискриминатора, введенную оператором посредством части 26 ввода, и, на этапе S22, получает дискриминатор из устройства 100A обучения. В качестве альтернативы, когда дискриминатор предварительно сохраняется в базе данных 205 дискриминаторов в запоминающем устройстве 23, процессорная часть 20A считывает сохраненный дискриминатор.

[0087]

Процессорная часть 20A принимает команду на начало способа анализа, введенную оператором посредством части 26 ввода, затем, на этапе S23 вызывает из БД 204 данных анализа группу первых параметров для анализа и группу вторых параметров для анализа, полученные на этапе S21, и вводит группу первых параметров для анализа и группу вторых параметров для анализа в дискриминатор.

[0088]

На этапе S24, процессорная часть 20A формирует значение, указывающее вероятность каждого заболевания, в качестве информации, поддерживающей дифференциацию, для поддержки дифференциации заболеваний, и сохраняет значение в запоминающем устройстве 23.

[0089]

На этапе S25, процессорная часть 20A выводит результат, сформированный на этапе S24, в часть 27 вывода.

[0090]

3. Система 2 для поддержки дифференциации заболеваний

Другой аспект системы для поддержки дифференциации заболеваний будет описан со ссылкой на фиг. 15 и фиг. 16. На фиг. 15 показан пример конфигурации системы 2 для поддержки дифференциации заболеваний. Система 2 для поддержки дифференциации заболеваний включает в себя устройство 200 пользователя, устройство 400 для анализа изображения клеток и счетчик 450 клеток крови, и устройство 200 пользователя действует как устройство 200B для поддержки дифференциации заболеваний, которое выполняет как обучение, так и поддержку дифференциации заболеваний. Устройство 200B для поддержки дифференциации заболеваний имеет функции как устройства 100A обучения, так и устройство 200A для поддержки дифференциации заболеваний. Устройство 200B для поддержки дифференциации заболеваний имеет соединение с устройством 400 для анализа изображения клеток и счетчиком 450 клеток крови.

[0091]

(1) Аппаратная конфигурация устройства 200B для поддержки дифференциации заболеваний

Аппаратная конфигурация устройства 200B для поддержки дифференциации заболеваний является подобной аппаратной конфигурации устройства 200 пользователя, показанного на фиг. 12. В устройстве 200B для поддержки дифференциации заболеваний, процессорная часть 20A, показанная на фиг. 12, заменена процессорной частью 20B.

[0092]

(2) Конфигурирование функций устройства 200B для поддержки дифференциации заболеваний

На фиг. 16 показано конфигурирование функций устройства 200B для поддержки дифференциации заболеваний. Процессорная часть 20B устройства 200B для поддержки дифференциации заболеваний функционирует как часть 101 формирования данных обучения, часть 102 ввода данных обучения, часть 103 коррекции алгоритма, часть 201 получения данных анализа, часть 202 ввода данных анализа, часть 203 анализа, база данных (БД) 314 параметров и база данных (БД) 315 алгоритмов. База данных (БД) 314 параметров выполняет как функцию БД 104 данных обучения, описанной выше в подразделе (2) раздела 2-3., так и функцию БД 204 данных анализа, описанную выше в подразделе (2) раздела 2-4. База данных (БД) 315 алгоритмов выполняет как функцию БД 105 алгоритмов, описанной выше в подразделе (2) раздела 2-3., так и функцию БД 205 дискриминаторов, описанной выше в подразделе (2) раздела 2-4. То есть, БД 314 параметров сохраняет: группу первых параметров для обучения и группу первых параметров для анализа, полученные процессорной частью 20B из устройства 400 для анализа изображения клеток; и группу вторых параметров для обучения и группа вторых параметров для анализа, полученные процессорной частью 20B из счетчика 450 клеток крови. БД 315 алгоритмов сохраняет компьютерный алгоритм до обучения и дискриминатор, являющийся компьютерным алгоритмом после обучения.

[0093]

Процессорная часть 20B устройства 200B для поддержки дифференциации заболеваний выполняет способы, описанные выше в подразделе (3) раздела 2-3. и показанные на фиг. 11, во время обучения. Часть 101 формирования данных обучения соответствует этапу S11, часть 102 ввода данных обучения соответствует этапу S12, и часть 103 коррекции алгоритма соответствует этапу S15, причем эти этапы описаны выше в подразделе (3) раздела 2-3. Но, при этом, «запоминающее устройство 13 процессорной части 10A», «БД 104 данных обучения» и «БД 105 алгоритмов», описанные выше в подразделе (3) раздела 2-3., заменяются на, соответственно, «запоминающее устройство 23 процессорной части 20B», «БД 314 параметров» и «БД 315 алгоритмов».

[0094]

Процессорная часть 20B устройства 200B для поддержки дифференциации заболеваний выполняет способы, описанные выше в подразделе (3) раздела 2-4. и показанные на фиг. 14, в ходе способа формирования информации, поддерживающей дифференциацию. Часть 201 получения данных анализа соответствует этапу S21, часть 202 ввода данных анализа соответствует этапу S22 и этапу S23, и часть 203 анализа соответствует этапу S24, причем эти этапы описаны выше в подразделе (3) раздела 2-4. Но, при этом, «БД 204 данных анализа» и «БД 205 дискриминаторов», описанные выше в подразделе (3) раздела 2-4., заменяются, соответственно, на «БД 314 параметров» и «БД 315 алгоритмов».

[0095]

4. Система 3 для поддержки дифференциации заболеваний

Другой аспект система для поддержки дифференциации заболеваний будет описан со ссылкой на фиг. 17 и фиг. 18. На фиг. 17 показан пример конфигурации системы 3 для поддержки дифференциации заболеваний. Система 3 для поддержки дифференциации заболеваний включает в себя устройство 100 поставщика и устройство 200 пользователя. Устройство 100 поставщика включает в себя процессорную часть 10 (10B), часть 16 ввода, и часть 17 вывода. Подобно вышеописанному устройству 200B для поддержки дифференциации заболеваний, устройство 100 поставщика действует как устройство 100B для поддержки дифференциации заболеваний, которое выполняет как способ обучения, так и способ формирования информации, поддерживающей дифференциацию. Вместе с тем, устройство 200 пользователя действует как оконечное устройство 200C.

[0096]

В данном случае, устройство 100B для поддержки дифференциации заболеваний является устройством на стороне облачного сервера, реализованного, например, как универсальный компьютер или что-то подобное. Устройство 100B для поддержки дифференциации заболеваний имеет коммуникационное соединение с устройством 300 для анализа изображения клеток и счетчиком 350 клеток крови. Кроме того, устройство 100B для поддержки дифференциации заболеваний имеет коммуникационное соединение с оконечным устройством 200C по сети 99.

Оконечное устройство 200C является универсальным компьютером или чем-то подобным и имеет коммуникационное соединение с устройством 400 для анализа изображения клеток и счетчиком 450 клеток крови.

[0097]

(1) Аппаратная конфигурация устройства 100B для поддержки дифференциации заболеваний

Аппаратная конфигурация устройства 100B для поддержки дифференциации заболеваний является подобной аппаратной конфигурации устройства 100 поставщика, показанного на фиг. 10. В устройстве 100B для поддержки дифференциации заболеваний, процессорная часть 10A, , показанная на фиг. 10, заменена процессорной частью 10B.

[0098]

(2) Конфигурирование функций системы 3 для поддержки дифференциации заболеваний

На фиг. 18 показано конфигурирование функций системы 3 для поддержки дифференциации заболеваний. Конфигурирование функций устройства 100B для поддержки дифференциации заболеваний подобно конфигурированию, описанному выше в разделе 3.(2) и показанному на фиг. 16.

[0099]

Оконечное устройство 200C получает каждый первый параметр для анализа из устройства 400 для анализа изображения клеток, получает каждый второй параметр для анализа из счетчика 450 клеток крови и передает эти параметры для анализа в устройство 100B для поддержки дифференциации заболеваний по сети 99. Устройство 100B для поддержки дифференциации заболеваний формирует информацию, поддерживающую дифференциацию, из параметров для анализа, переданных из оконечного устройства 200C, и передает информацию, поддерживающую дифференциацию, в оконечное устройство 200C.

[0100]

5. Компьютерная программа

Другой вариант осуществления настоящего изобретения относится к компьютерной программе, которая предписывает компьютеру выполнять способ обучения, включающий в себя этапы S11-S15, описанные выше в подразделе (3) раздела 2-3. и показанные на фиг. 11.

[0101]

Другой вариант осуществления настоящего изобретения относится к компьютерной программе, которая предписывает компьютеру выполнять способ поддержки дифференциации заболеваний, включающий в себя этапы S21-S25, описанные выше в подразделе (3) раздела 2-4. и показанные на фиг. 14.

[0102]

Компьютерная программа может быть предоставлена в форме программного продукта, такого как носитель данных, содержащий записанную на нем компьютерную программу. Компьютерная программа хранится на таком носителе данных, как жесткий диск, полупроводниковый запоминающий элемент типа флэш-памяти или оптический диск. Форма хранения программы на носителе данных не ограничивается при условии, что процессорная часть может считать программу. Программа хранится на носителе данных, предпочтительно, энергонезависимым способом.

[0103]

6. Стратегия терапии

Стратегия терапии по настоящему варианту осуществления включает в себя этап лечения субъекта на основании метки названия заболевания, присвоенной субъекту, в дополнение к этапам, описанным в «способе поддержки» выше в разделе 1. В предпочтительном варианте, на этапе лечения, для лечения субъекта ему вводят лекарство в соответствии с заболеванием субъекта.

[0104]

Субъекту с присвоенной меткой, означающей истинную полицитемию, можно вводить аспирин, гидроксикарбамид, интерферон α или подобное лекарство.

[0105]

Субъекту с присвоенной меткой, означающей эссенциальную тромбоцитемию, можно вводить аспирин, гидроксикарбамид, анагрелид или подобное лекарство.

[0106]

Субъекту с присвоенной меткой, означающей первичный миелофиброз, можно вводить, например, талидомид, например, леналидомид; или даназол.

[0107]

Субъекту с присвоенной меткой, означающей миелодиспластический синдром, можно назначить введение азацитидина; введение децитабина; комбинированное введение децитабина и цедазуридина; введение талидомида, например, леналидомида; или что-то подобное.

[0108]

Субъекту с присвоенной меткой, означающей острый миелобластный лейкоз, можно назначить введение цитарабина (или эноцитабина); введение эноцитабина; комбинированное введение полностью трансретиноевой кислоты и 6-меркаптопурин метотрексата; введение азацитидина; введение талидомида, например, гидрата леналидомида; или что-то подобное.

[0109]

Субъекту с присвоенной меткой, означающей острый промиелоцитарный лейкоз или острый миелоидный лейкоз, можно назначить введение цитарабина (или эноцитабина); введение эноцитабина; введение даунорубицина; введение идарубицина; введение митоксантрона; комбинированное введение полностью трансретиноевой кислоты и тамибаротена; введение гемтузумаба озогамицина; или что-то подобное.

[0110]

Субъекту с присвоенной меткой, означающей острый миеломоноцитарный лейкоз или острый моноцитарный лейкоз, можно назначить комбинированное введение цитарабина (или эноцитабина) и антрациклинового противоопухолевого средства (даунорубицина, идарубицина, митоксантрона или подобного лекарства); введение полностью трансретиноевой кислоты; комбинированное введение триоксида мышьяка и полностью трансретиноевой кислоты; или что-то подобное.

[0111]

Субъекту с присвоенной меткой, означающей эритролейкоз, можно назначить введение азацидина или подобного лекарства.

[0112]

Субъекту с присвоенной меткой, означающей острый мегакариобластный лейкоз, можно назначить введение этопозида; введение цитарабина (или эноцитабина); комбинированное введение цитозина арабинозида и дауномицина; или что-то подобное.

[0113]

Субъекту с присвоенной меткой, означающей острый лимфобластный лейкоз или лимфобластный лейкоз, можно вводить, например, талидомид, например, гидрат леналидомида, эноцитабин, винкристин, преднизолон, доксорубицин, L-аспарагиназу или комбинацию из перечисленных лекарств.

[0114]

Субъекту с присвоенной меткой, означающей хронический миелоидный лейкоз, можно вводить, например, иматиниб, нилотиниб, дазатиниб, бозутиниб, понатиниб, гидроксикарбамид или комбинацию из перечисленных лекарств.

[0115]

Субъекту с присвоенной меткой, означающей хронический лимфоцитарный лейкоз, можно вводить, например, циклофосфамид, винкристим, флударабин, ритуксимаб или комбинацию из перечисленных лекарств.

[0116]

Субъекту с присвоенной меткой, означающей лимфому Ходжкина, можно назначить выполнение лучевой терапии или что-то подобное. Субъекту с присвоенной меткой, означающей лимфому Ходжкина, можно назначить выполнение программы химиотерапии ((ABVD протокол), в которой скомбинированы винбластин, блеомицин, доксорубицин и дакарбазин; комбинированную терапию брентуксимабом ведотином, винбластином, доксорубицином и дакарбазином; или что-то подобное.

[0117]

Субъекту с присвоенной меткой, означающей неходжскинскую лимфому, можно назначить выполнение лучевой терапии или что-то подобное. Субъекту с присвоенной меткой, означающей неходжскинскую лимфому, можно назначить введение ритуксимаба, винкристина, доксорубицина, эндоксана, преднизолона, пирарубицина, этопозида, виндезина или комбинации перечисленных лекарств, и/или, например, введение талидомида, например, леналидомида.

[0118]

Субъекту с присвоенной меткой, означающей множественную миелому, можно назначить, например, введение бортезомиба; дексаметазона; или талидомида, например, леналидомида.

[0119]

7. Валидация результатов

Способы поддержки дифференциации заболеваний, раскрытые в настоящей заявке получили подтверждение.

[0120]

7-1. Проба

(1) Проба обучения

От пациентов, которые консультировались в университетской больнице Джунтендо с февраля по сентябрь 2017 г., брали периферическую кровь с добавлением этилендиаминтетрауксусной кислоты из 34 пациентов с уже поставленным диагнозом истинной полицитемии (PV), 168 пациентов с уже поставленным диагнозом эссенциальной тромбоцитемии (ET) и 69 пациентов с уже поставленным диагнозом первичного миелофиброза (PMF), и взятую кровь использовали в качестве проб обучения.

[0121]

(2) Валидационная проба

От пациентов, которые консультировались в университетской больнице Джунтендо, брали периферическую кровь с добавлением этилендиаминтетрауксусной кислоты из 9 пациентов с уже поставленным диагнозом истинной полицитемии (PV), 53 пациентов с уже поставленным диагнозом эссенциальной тромбоцитемии (ET) и 12 пациентов с уже поставленным диагнозом первичного миелофиброза (PMF), и и взятую кровь использовали в качестве валидационных проб.

[0122]

7-2. Получение и выбор параметров

(1) Получение группы первых параметров

Приготовили препарат-мазок периферической крови, и параметры, относящиеся к аномальному полученному результату, получали с использованием автоматического цифрового анализатора DI-60 морфологии клеток (компания SYSMEX). Аномальные результаты получали по, в совокупности, 181 позициям, т.е. 17 позициям «типа клетки» и «классификационного числа» и 164 позициям «признака нарушения морфологии».

[0123]

(2) Получение группы вторых параметров

С помощью счетчика клеток крови серии XN получали значения измерения по 174 позициям анализа гемоцитов.

[0124]

(3) Выбор первого параметра и второго параметра

Для выбора каждой позиции, имеющей более сильную взаимосвязь с дифференциацией заболеваний, из вышеупомянутых группы первых параметров и группы вторых параметров, выбор производился в соответствии с однофакторным дисперсионным анализом (ANOVA).

[0125]

Нулевой гипотетическое условие H0 в соответствии с ANOVA принималось как «отсутствие различия между группами», и альтернативное гипотетическое условие H1 принималось как «существование различия между группами». P-значение уровня значимости принимался равным 0,05, и позиция с p<0,05 отбиралась как позиция, более релевантная в отношении заболевания. По критерию значимости в соответствии с ANOVA, из группы первых параметров были выбраны 44 позиции, и из группы вторых параметров были выбраны 121 позиции. В таблице 1 приведены примеры выбранных позиций и p-значения.

[0126]

[Таблица 1]

Параметр P-значение HCT(%) (гематокрит) 3,08×10-47 RBC(10˄4/µL) (количество эритроцитов, ×104/мкл) 2,40×10-46 [IG%(%)] 3,97×10-46 Q-flag (сдвиг лейкоцитарной формулы влево?) 4,07×10-41 HGB (гемоглобин) (г/дл) 4,17×10-41 morph_MMY 1,77×10-37 [NE-WY] 1,76×10-36 NRBC%(%) (количество ядросодержащих эритроцитов) 1,06×10-34 morph_MY 8,74×10-34 IP SUS(WBC) сдвиг лейкоцитарной формулы влево? 1,56×10-31 HFR% (ретикулоциты с высокой флуоресценцией) 2,34×10-31 Q-flag (слипание эритроцитов) 7,47×10-31 [NE-WX] 1,96×10-30 morph_ERB 1,27×10-29 [RBC-O(10˄4/µL)] 4,70×10-29 morph_BNE 1,24×10-28 IRF(%)(фракция незрелых ретикулоцитов) 1,04×10-27 RBC/M 2,24×10-26 EO%/M 2,42×10-24 [PLT-F(10˄4/µL)] 2,67×10-24 [PLT-I(10˄4/µL)] 3,10×10-24 PLT(10˄4/µL) (тромбоциты) 6,90×10-24 PLT/M 1,07×10-23 RDW-CV(%) (относительная ширина распределения эритроцитов по объему, коэффициент вариации) 4,78×10-23 PCT(%) (доля тромбоцитов в крови) 7,57×10-23

[0127]

7-3. Обучение

Для каждой пробы обучения были получены выбранные выше в подразделе (3) раздела 6-2. группа первых параметров и группа вторых параметров, и для каждой пробы обучения была создана матрица, в которой упомянутые параметры располагались на одном и том же иерархическом уровне. Метку заболевания каждого пациента, от которого взята проба обучения, связали с соответствующей матрицей, и тем самым были составлены данные обучения. Составленные данные обучения вводились в алгоритм градиентного бустинга над деревьями решений, и алгоритм обучался, в результате чего был сформирован дискриминатор. В качестве программного обеспечения применялся Python.

[0128]

7-4. Валидация

Для каждой валидационной пробы были получены выбранные выше в подразделе (3) раздела 6-2. группа первых параметров и группа вторых параметров, и для каждой валидационной пробы была создана матрица, в которой упомянутые параметры располагались на одном и том же иерархическом уровне. Данная матрица применялась в качестве данных анализа каждой валидационной пробы. Каждые сформированные данные анализа вводились в дискриминатор, и получали результат дифференциации.

[0129]

На фиг. 19 показано сравнение результатов, полученных машинным способом с использованием дискриминатора, и точных диагнозом, поставленных врачом. Для всех 9 пациентов с диагнозом PV, поставленным врачом, также было предсказано наличие PV машинным способом. Из 53 пациентов с диагнозом ET, поставленным врачом, для 49 пациентов был выдан прогноз ET машинным способом, и для 2 пациентов был выдан прогноз PV, и для 2 пациентов был выдан прогноз PMF машинным способом. Из 12 пациентов с диагнозом PMF, поставленным врачом, для 10 пациентов также был выдан прогноз PMF машинным способом, и для 1 пациента был выдан прогноз PV, и для 1 пациента был выдан прогноз ET машинным способом.

[0130]

На фиг. 20, фиг. 21 и фиг. 22, соответственно, представлены ROC-кривые PV, ET и PMF, спрогнозированных машинным способом. На фиг. 23 показаны чувствительность, специфичность и значение площади под фармакокинетической кривой, описывающей зависимость «концентрация/время», (AUC-значение), полученное по каждой ROC-кривой. Каждое заболевание характеризуются чувствительностью и специфичностью выше 90%, что было удовлетворительно. AUC-значение превышало 0,96, что было удовлетворительно.

[0131]

7-5. Сравнение с обычным способом

На фиг. 24 представлена фигура B из непатентного документа 1. В способе непатентного документа 1, как можно видеть применительно к PMF, многие случаи заболевания определялись как ET или PT, или многие случаи заболевания не удавалось определить. На основании этого полагают, что способ поддержки дифференциации заболеваний, описанный в настоящей заявке, является более подходящим для поддержки дифференциации заболеваний.

ОПИСАНИЕ УСЛОВНЫХ ОБОЗНАЧЕНИЙ

[0132]

200A, 200B, 100B устройство для поддержки дифференциации заболеваний

20A, 20B, 10B процессорная часть

Похожие патенты RU2834692C1

название год авторы номер документа
СПОСОБ КЛЕТОЧНОГО АНАЛИЗА, СПОСОБ ОБУЧЕНИЯ ДЛЯ АЛГОРИТМА ГЛУБОКОГО ОБУЧЕНИЯ, УСТРОЙСТВО КЛЕТОЧНОГО АНАЛИЗА, ОБУЧАЮЩЕЕ УСТРОЙСТВО ДЛЯ АЛГОРИТМА ГЛУБОКОГО ОБУЧЕНИЯ, ПРОГРАММА КЛЕТОЧНОГО АНАЛИЗА И ОБУЧАЮЩАЯ ПРОГРАММА ДЛЯ АЛГОРИТМА ГЛУБОКОГО ОБУЧЕНИЯ 2020
  • Кимура, Конобу
  • Танака, Масамити
  • Асада, Соитиро
RU2820983C2
Способ диагностики онкологического заболевания крови 2022
  • Никитаев Валентин Григорьевич
  • Проничев Александр Николаевич
  • Нагорнов Олег Викторович
  • Тупицын Николай Николаевич
  • Сельчук Владимир Юрьевич
  • Дмитриева Валентина Викторовна
  • Палладина Александра Дмитриевна
  • Поляков Евгений Валерьевич
RU2803281C1
СПОСОБ ОБУЧЕНИЯ И УСВОЕНИЯ УЧЕБНОГО МАТЕРИАЛА 2008
  • Никитаев Валентин Григорьевич
  • Проничев Александр Николаевич
  • Бердникович Елена Юрьевна
  • Чистов Кирилл Сергеевич
  • Гончаренко Ирина Ивановна
  • Зайцев Сергей Михайлович
RU2413298C2
СИСТЕМА И СПОСОБ ОСУЩЕСТВЛЕНИЯ КОЛИЧЕСТВЕННОЙ ГИСТОПАТОЛОГИЧЕСКОЙ ОЦЕНКИ НЕКЛАССИФИЦИРОВАННОГО ИЗОБРАЖЕНИЯ ТКАНИ НА ПРЕДМЕТНОМ СТЕКЛЕ, КЛАССИФИКАТОР ТКАНИ ДЛЯ ОСУЩЕСТВЛЕНИЯ КОЛИЧЕСТВЕННОЙ ГИСТОПАТОЛОГИЧЕСКОЙ ОЦЕНКИ И СПОСОБ ЕГО ОБУЧЕНИЯ 2019
  • Трейси, Алекс
  • Маркс, Кристин
  • Джонсон, Майкл Томас
  • Виллани, Томас Стивен
RU2799788C2
СИСТЕМА ДЛЯ ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ 2020
  • Гусев Александр Владимирович
  • Новицкий Роман Эдвардович
RU2752792C1
СПОСОБ И УСТРОЙСТВО ДЛЯ АНАЛИЗА in vitro мPHK ГЕНОВ, УЧАСТВУЮЩИХ В РАЗВИТИИ ГЕМАТОЛОГИЧЕСКИХ НЕОПЛАЗИЙ 2006
  • Хиральдо Кастельяно Пилар
  • Альварес Кабеса Патрисия
  • Покови Мьерас Мигель
RU2426786C2
СИСТЕМА ДЛЯ МОДЕЛИРОВАНИЯ МОЛЕКУЛЯРНЫХ ВЗАИМОДЕЙСТВИЙ, ПРИНИМАЮЩИХ УЧАСТИЕ В ВОСПАЛИТЕЛЬНОМ ПРОЦЕССЕ 2020
  • Гупта Шайлендра Кумар
  • Чеснулевичюс Константин
RU2804998C2
СПОСОБЫ ОБНАРУЖЕНИЯ ПАТОЛОГИЧЕСКИХ ИЗМЕНЕНИЙ В ОРГАНЕ ИЛИ СИСТЕМЕ ОРГАНОВ 2012
  • Шейнерман Кира С.
  • Цивинский Владимир
  • Уманский Самуил Р.
RU2626540C2
Способы детектирования 5Т4-положительных циркулирующих опухолевых клеток и способы диагностики 5Т4-положительного рака у млекопитающего 2013
  • Гербер Ханс-Питер
  • Марринуччи Дена
  • Пайри-Шеперд Стивен
  • Такер Эрик
RU2646498C2
СПОСОБЫ ЛЕЧЕНИЯ, ДИАГНОСТИКИ И ПРОГНОЗИРОВАНИЯ ГЕМАТОЛОГИЧЕСКОГО ЗЛОКАЧЕСТВЕННОГО НОВООБРАЗОВАНИЯ 2015
  • Муньос Рисуэньо Рут
RU2727418C2

Иллюстрации к изобретению RU 2 834 692 C1

Реферат патента 2025 года СПОСОБ ПОДДЕРЖКИ ДИФФЕРЕНЦИАЦИИ ЗАБОЛЕВАНИЙ, УСТРОЙСТВО ДЛЯ ПОДДЕРЖКИ ДИФФЕРЕНЦИАЦИИ ЗАБОЛЕВАНИЙ И КОМПЬЮТЕРНАЯ ПРОГРАММА ДЛЯ ПОДДЕРЖКИ ДИФФЕРЕНЦИАЦИИ ЗАБОЛЕВАНИЙ

Группа изобретений относится к поддержке дифференциации заболеваний. Предложен способ, реализуемый устройством, который включает в себя: этап получения группы первых параметров, включающей в себя первый параметр, полученный анализом изображения, включающего в себя клетку, содержащуюся в пробе, отобранной от субъекта; этап получения группы вторых параметров, включающей в себя второй параметр, полученный анализом оптического сигнала или электрического сигнала, полученного от каждой клетки, содержащейся в пробе; и этап формирования, путем использования компьютерного алгоритма, информации, поддерживающей дифференциацию, для поддержки дифференциации заболеваний на основании группы первых параметров и группы вторых параметров. Группа изобретений обеспечивает поддержки дифференциации заболеваний посредством простой подготовки пробы. 2 н. и 12 з.п. ф-лы, 24 ил.

Формула изобретения RU 2 834 692 C1

1. Способ поддержки дифференциации заболеваний гематопоэтической системы для поддержки дифференциации заболеваний гематопоэтической системы, при этом способ поддержки дифференциации заболеваний гематопоэтической системы содержит следующие этапы:

получение первого параметра, касающегося числа клеток с аномальным полученным результатом, где параметр получают анализом изображения, содержащего клетку, содержащуюся в периферической крови, отобранной от субъекта,

где изображением является изображение препарата-мазка c нанесенным мазком периферической крови, и

получение первого параметра содержит анализ изображения, содержащего каждую клетку, содержащуюся в периферической крови, отобранной от субъекта, путем использования алгоритма глубокого обучения, имеющего структуру нейронной сети, и получение первого параметра на основании результата анализа, выданного из устройства для анализа изображения клеток, которое анализирует изображение каждой клетки, полученное частью формирования изображений; и

получение второго параметра, относящегося к численности клеток, содержащихся в периферической крови,

где получение второго параметра содержит получение второго параметра на основании результата анализа, выданного из счетчика клеток крови, который анализирует оптический сигнал или электрический сигнал, полученный из датчика проточного цитрометра; и

формирование, путем использования предварительно обученного компьютерного алгоритма, информации, поддерживающей дифференциацию, для поддержки дифференциации заболеваний гематопоэтической системы, на основании первого параметра и второго параметра, где компьютерный алгоритм содержит алгоритм машинного обучения.

2. Способ поддержки дифференциации заболеваний гематопоэтической системы по п. 1, в котором

получение второго параметра содержит получение второго параметра, получаемого анализом оптического сигнала или электрического сигнала, полученного от каждой клетки, содержащейся в периферической крови.

3. Способ поддержки дифференциации заболеваний гематопоэтической системы по п. 1, в котором

параметр, относящийся к аномальному полученному результату, содержит параметр, относящийся к, по меньшей мере, чему-то одному, выбранному из аномалии морфологии ядра, аномалии грануляции, аномалии размеров клеток, деформации клеток, фрагментации или некроза, вакуоли, незрелой клетки, присутствия внутриклеточного тельца, тельца Деле, сателлитизма, аномалии хроматиновой сети, ядра лопастной формы, повышенного ядерно-цитоплазматического отношения, пузырчатой морфологии, тени Боткина-Гумпрехта и волосатоклеточной морфологии.

4. Способ поддержки дифференциации заболеваний гематопоэтической системы по п. 3, в котором

аномалия морфологии ядра содержит по меньшей мере один тип, выбранный из гиперсегментации, гипосегментации, аномалии псевдо-Пельгера, кольцеобразного ядра, сферического ядра, эллиптического ядра, апоптоза, полинуклеарности, кариорексиса, энуклеации, голого ядра, неправильного контура ядра, ядерной фрагментации, образования межъядерных мостиков, ядра с разделением на несколько частей, расщепленного ядра, деления ядра и аномалии ядрышек,

аномалия грануляции содержит по меньшей мере один тип, выбранный из дегрануляции, аномального распределения гранул, токсической грануляции, тельца Ауэра, клетки Фаготта и гранулы псевдо-Чедиак-Хагаси, и

аномалия размеров клеток содержит мегатромбоцит.

5. Способ поддержки дифференциации заболеваний гематопоэтической системы по любому из пп. 1-4, в котором

первый параметр содержит параметр, относящийся к по меньшей мере одному из: численности для каждого типа клетки из по меньшей мере одного типа, выбранного из нейтрофила, эозинофильной клетки, тромбоцита, лимфоцита, моноцита, базофила, метамиелоцита, миелоцита, промиелоцита, бластной клетки, плазмоцита, атипичного лимфоцита, незрелой эозинофильной клетки, незрелого базофила, эритробласта и мегакариоцита; и доли для каждого упомянутого типа клетки.

6. Способ поддержки дифференциации заболеваний гематопоэтической системы по любому из пп. 1-5, в котором

второй параметр содержит параметр, относящийся к численности в соответствии с типом клетки или доле в соответствии с типом клетки.

7. Способ поддержки дифференциации заболеваний гематопоэтической системы по любому из пп. 1-6, в котором

второй параметр содержит параметр, относящийся к по меньшей мере одному из: численности для каждого типа клетки из по меньшей мере одного типа, выбранного из эритроцита, ядерного эритроцита, микроцита, тромбоцита, ретикулоцита, незрелого гранулоцита, нейтрофила, эозинофильной клетки, базофила, лимфоцита и моноцита; и доли для каждого типа клетки.

8. Способ поддержки дифференциации заболеваний гематопоэтической системы по п. 1, в котором

алгоритм машинного обучения содержит алгоритм, выбранный из древовидного, регрессионного, машины опорных векторов, байесовского, кластеризации и случайного леса.

9. Способ поддержки дифференциации заболеваний гематопоэтической системы по п. 8, в котором

алгоритм машинного обучения содержит алгоритм градиентного бустинга над деревьями решений.

10. Способ поддержки дифференциации заболеваний гематопоэтической системы по п. 1, в котором

получение первого параметра содержит получение первого параметра на основании результата классификации клетки, выданного из алгоритма глубокого обучения, и вероятности классификации для клетки.

11. Способ поддержки дифференциации заболеваний гематопоэтической системы по любому из пп. 1-10, в котором

заболевание гематопоэтической системы является миелопролиферативными новообразованиями.

12. Способ поддержки дифференциации заболеваний гематопоэтической системы по п. 11, в котором

миелопролиферативные новообразования содержат истинную полицитемию, эссенциальную тромбоцитемию или первичный миелофиброз.

13. Способ поддержки дифференциации заболеваний гематопоэтической системы по любому из пп. 1-10, в котором

заболевание гематопоэтической системы является лейкемией, миелодиспластическим синдромом, лимфомой или миеломой.

14. Устройство для поддержки дифференциации заболеваний гематопоэтической системы для поддержки дифференциации заболеваний гематопоэтической системы для осуществления способа по п. 1, при этом

устройство для поддержки дифференциации заболеваний гематопоэтической системы содержит процессорную часть, причем процессорная часть выполнена с возможностью

получения первого параметра, получаемого анализом изображения, содержащего клетку, содержащуюся в периферической крови, отобранной от субъекта, где изображением является изображение препарата-мазка c нанесенным мазком периферической крови,

получения второго параметра, относящегося к численности клеток, содержащихся в периферической крови, и

формирования, путем использования компьютерного алгоритма, информации, поддерживающей дифференциацию, для поддержки дифференциации заболеваний гематопоэтической системы на основании первого параметра и второго параметра.

Документы, цитированные в отчете о поиске Патент 2025 года RU2834692C1

US 2010248347 А1, 30.09.2010
US 2018211380 A1, 26.07.2018
US 2017011253 A1, 12.01.2017
JP 2016505836 A, 25.02.2016.

RU 2 834 692 C1

Авторы

Охсака, Акимити

Табе, Йоко

Кимура, Конобу

Даты

2025-02-12Публикация

2021-03-30Подача