ES3046215T3 - Infection detection using image data analysis - Google Patents

Infection detection using image data analysis

Info

Publication number
ES3046215T3
ES3046215T3 ES21772601T ES21772601T ES3046215T3 ES 3046215 T3 ES3046215 T3 ES 3046215T3 ES 21772601 T ES21772601 T ES 21772601T ES 21772601 T ES21772601 T ES 21772601T ES 3046215 T3 ES3046215 T3 ES 3046215T3
Authority
ES
Spain
Prior art keywords
subject
images
image data
image
infection
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
ES21772601T
Other languages
English (en)
Inventor
Peter Whitehead
Mahendran Maliapen
Sarbjit Sarkaria
Steven Rebiffe
Udit GUPTA
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Light Ai Inc
Original Assignee
Light Ai Inc
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 Light Ai Inc filed Critical Light Ai Inc
Application granted granted Critical
Publication of ES3046215T3 publication Critical patent/ES3046215T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/145—Illumination specially adapted for pattern recognition, e.g. using gratings
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

Un método para determinar la predicción de un estado patológico, relacionado con una posible enfermedad o afección médica de un sujeto, incluye el acceso a un conjunto de imágenes del sujeto, que capturan una parte de su cuerpo, y el acceso a un conjunto de factores clínicos del sujeto. Un dispositivo o un profesional médico recopila estos factores clínicos prácticamente al mismo tiempo que se capturan las imágenes del sujeto. Las imágenes del sujeto se introducen en un modelo de datos de imagen para generar métricas de la enfermedad y predecir su evolución. Las métricas generadas por el modelo de datos de imagen y los factores clínicos se introducen en un clasificador para determinar la predicción del estado patológico, la cual se devuelve. (Traducción automática con Google Translate, sin valor legal)

Description

[0001] DESCRIPCIÓN
[0002] Detección de infecciones usando análisis de datos de imágenes
[0003] Antecedentes
[0004] Campo de la técnica
[0005] La divulgación se refiere al procesamiento de imágenes y particularmente al uso de datos de imágenes que describen la garganta de un sujeto para evaluar la presencia de enfermedad sin realizar un cultivo.
[0006] Descripción de la técnica relacionada
[0007] Un diagnóstico rápido y preciso de una infección viral, tal como COVID-19, o una infección bacteriana, tal como una infección estreptocócica, supone un desafío para los médicos. Las pruebas actuales que tradicionalmente implican realizar un cultivo in vitro para detectar la presencia de una infección viral o bacteriana pueden ser lentas, difíciles de administrar de manera apropiada, especialmente en niños, y por lo tanto pueden ser inexactas y pueden poner en riesgo a los proveedores de atención médica que administran la prueba. Existe una clara necesidad de un proceso de detección más fiable, rápido y automático.
[0008] El documento WO 2020/073114 A1 post-publicado, que representa un documento según el art. 54(3) EPC, describe un método para determinar una predicción del estado de una enfermedad, relacionada con una posible enfermedad o afección médica de un sujeto, que incluye acceder a un conjunto de imágenes del sujeto, en el que las imágenes del sujeto capturan una parte del cuerpo de un sujeto, y acceder a un conjunto de factores clínicos del sujeto. Los factores clínicos son recopilados por un dispositivo o un médico practicante de manera sustancialmente contemporánea con la captura de las imágenes del sujeto. Las imágenes del sujeto se introducen a un modelo de imagen para generar métricas de enfermedad para la predicción de la enfermedad para el sujeto. Las métricas de enfermedad generadas por el modelo de imagen y los factores clínicos se introducen a un clasificador para determinar la predicción de estado de enfermedad y se devuelve la predicción de estado de enfermedad.
[0009] El documento WO 2018/205029 A1 describe un método de detección configurado para realizar un escaneo y una interpretación de una infección de la que se tiene sospechas en un sitio diana biológico in vivo, que comprende emitir luz de excitación seleccionada para generar luz fluorescente desde una infección de la que se tiene sospechas en el sitio diana; detectar la luz fluorescente que emana desde el sitio diana causada por dicha luz de excitación; detectar los niveles de calor por encima de la temperatura corporal ambiente que emana desde el sitio diana; y, a continuación, en base al menos en parte a la luz fluorescente y a los niveles de calor detectados, determinar una probabilidad de que el sitio diana comprende o no una infección.
[0010] Behnam Askarian ET AL: "Novel Image Processing Method for Detecting Strep Throat (Streptococcal Pharyngitis) Using Smartphone", Sensors, vol. 19, N215, 27 de Julio de 2019 (27/07/2019), página 3307, XP055756196, DOI: 10.3390/s19153307 se refiere a la detección de la Faringitis Estreptocócica usando un teléfono inteligente.
[0011] Sumario
[0012] La presente invención se define en las reivindicaciones independientes adjuntas. Las realizaciones son el resultado de las reivindicaciones dependientes y de la siguiente descripción.
[0013] Breve descripción de los dibujos
[0014] La Fig. 1 muestra un sistema de detección para analizar una combinación de datos de imágenes que describen la garganta de un sujeto y factores clínicos asociados al sujeto para determinar una predicción de estado de enfermedad para el sujeto, según una realización.
[0015] La Fig. 2 es un diagrama de bloques de alto nivel que ilustra un ejemplo de un dispositivo informático usado como dispositivo cliente, servidor de aplicaciones y/o servidor de base de datos, según una realización.
[0016] Las Figs. 3A-3I representan varias vistas de un dispositivo de captura de imágenes, según una realización.
[0017] La Fig. 3J es un diagrama de interacción para la captura de imágenes de la garganta de un sujeto, según una realización.
[0018] La Fig. 4 ilustra un proceso para el entrenamiento de un modelo de datos de imágenes en el interior de un modelo encadenado, según una realización.
[0019] La Fig. 5 ilustra un proceso para el entrenamiento de un clasificador en el interior de un modelo encadenado, según una realización.
[0021] La Fig. 6 ilustra un proceso para generar predicciones de estado de enfermedad usando un modelo encadenado, según una realización.
[0023] La Fig. 7 ilustra vectores de entrada y salida ejemplares relevantes para el modelo encadenado, según una realización.
[0024] La Fig. 8 es un diagrama de flujo para devolver una predicción de estado de enfermedad para el sujeto determinada por un modelo encadenado, según una realización
[0026] Las figuras representan diversas realizaciones de la invención presentada solo con propósitos ilustrativos. Una persona con conocimientos en la materia podrá observar, en base al siguiente análisis, que pueden emplearse realizaciones alternativas de las estructuras y los métodos ilustrados en el presente documento sin apartarse de los principios descritos en el presente documento. Las realizaciones relacionadas con patógenos distintos de COVID-19 se proporcionan con propósitos ilustrativos y se proporcionan para una mejor comprensión de la invención expuesta en las reivindicaciones.
[0028] Descripción detallada
[0030] I. Arquitectura del sistema
[0032] La Fig. 1 muestra un sistema de detección para analizar una combinación de datos de imágenes que describen el interior de la garganta de un sujeto y factores clínicos asociados al sujeto para determinar una predicción de estado de enfermedad para el sujeto (al que se hace referencia también en el presente documento como el "paciente"), según una realización. Los datos de imágenes son datos que pueden usarse para visualizar una región. Los datos de imágenes pueden incluir, por ejemplo, una imagen, un sonograma, un holograma, vídeo, alguna otra forma de datos que describan la región (por ejemplo, en 2 dimensiones o 3 dimensiones), o alguna combinación de los mismos. Una predicción de estado de enfermedad está relacionada con una enfermedad o afección médica que el sujeto puede tener potencialmente. Por ejemplo, la predicción de estado de enfermedad puede indicar una presencia, o una probabilidad de que el sujeto tenga, una infección viral, tal como COVID-19, una infección bacteriana, tal como una infección estreptocócica, u otra enfermedad o afección. El sistema de detección analiza los datos de imágenes (por ejemplo, imágenes, sonogramas, hologramas, etc.) proporcionados por un dispositivo 120 de captura de datos de imágenes y los factores clínicos proporcionados por un profesional 112 médico o dispositivo para determinar un estado de enfermedad relacionado con un tipo de infección presente en el sujeto. En algunas realizaciones, el sistema 100 de detección se usa para detectar infecciones en sujetos que experimentan síntomas conocidos.
[0034] El sistema 100 de detección incluye dispositivos 110, 111 informáticos cliente, un dispositivo 120 de captura de datos de imágenes, un servidor 130 de aplicaciones, al que se hace referencia también en el presente documento como servidor 130, un servidor 140 de base de datos y un modelo 150 encadenado. Aunque la Fig. 1 ilustra solo una única instancia de la mayoría de los componentes del sistema 100 de detección, en la práctica puede haber presente más de uno de cada componente, y pueden usarse más o menos componentes. En una realización, el modelo 150 encadenado es una parte del dispositivo 110 cliente, y las funciones del modelo 150 encadenado se realizan localmente en el dispositivo 110 cliente.
[0036] I.A. Dispositivo cliente y aplicación
[0038] Los dispositivos 110, 111 cliente interactúan con el sistema 100 de detección a través de una red 160. En una realización, la red 160, el sistema 100, los dispositivos 110, 111 cliente y/o el servidor 130 son una red segura que manipula información sensible o confidencial, por ejemplo, pueden estar diseñados para proporcionar acceso restringido a datos, encriptación de datos y, si no, pueden cumplir con las regulaciones de protección de información médica, tales como HIPAA. En aras de la explicación y la claridad, es útil identificar al menos dos tipos diferentes de usuarios. Un tipo de usuario es un sujeto que potencialmente tiene faringitis u otra enfermedad relacionada con la garganta y hace uso del sistema 100 al menos en parte para obtener una predicción de estado de enfermedad proporcionada por el servidor 130. Tal como se explicará a continuación, un conjunto de datos de imágenes de garganta del sujeto (por ejemplo, imágenes, sonograma, etc.) de la garganta del sujeto recopilados por un dispositivo 120 de captura de datos de imágenes se proporcionan a un dispositivo 110 cliente, que a su vez informa al servidor 130 de aplicaciones, que a su vez puede iniciar un proceso para determinar una predicción de estado de enfermedad que se proporciona al usuario a través del dispositivo 110 cliente.
[0040] Otro tipo de usuario es un profesional 112 médico que proporciona factores clínicos recopilados por un dispositivo o un profesional médico de manera sustancialmente contemporánea con la captura del conjunto de datos de imágenes de garganta del sujeto a un dispositivo 111 cliente (que puede ser también el mismo que el dispositivo 110 cliente), que a su vez informa al servidor 130 de aplicaciones, que a su vez pueden combinarse con los datos de imágenes de garganta del sujeto para iniciar un proceso para determinar una predicción de estado de enfermedad que se proporciona al usuario a través del dispositivo 110 cliente. El profesional 112 médico puede operar el dispositivo 120 de captura de datos de imágenes y el dispositivo 110 cliente. De manera alternativa, el sujeto puede operar el dispositivo 120 de captura de datos de imágenes y el dispositivo 110 cliente.
[0042] El dispositivo 110, 111 cliente es un sistema informático. A continuación, se describe más completamente una implementación física ejemplar con respecto a la Fig. 2. El dispositivo 110, 111 cliente está configurado para comunicarse (por ejemplo, de manera inalámbrica o a través de un enlace cableado) con el sistema 100 de detección a través de la red 160. Con el acceso a la red 160, el dispositivo 110 cliente transmite al sistema 100 de detección el conjunto de datos de imágenes de garganta del sujeto capturados por el dispositivo 120 de captura de datos de imágenes, y el dispositivo 111 cliente transmite al sistema 100 de detección los factores clínicos proporcionados por el profesional 112 médico.
[0044] Además de comunicarse con el servidor 130 de aplicaciones, los dispositivos 110, 111 cliente conectados al sistema 100 de detección pueden intercambiar también información con otros dispositivos 110, 111 cliente conectados.
[0045] El dispositivo 110 cliente puede realizar también localmente algunos procesamientos de datos y de imágenes en el conjunto de datos de imágenes de garganta del sujeto usando los recursos del dispositivo 110 cliente antes de enviar los datos procesados a través de la red 160. El dispositivo 111 cliente puede realizar también localmente algún procesamiento de datos sobre los factores clínicos usando los recursos del dispositivo 111 cliente antes de enviar los datos procesados a través de la red 160. Los datos de imágenes y los factores clínicos enviados a través de la red 160 son recibidos por el servidor 130 de aplicaciones donde se analizan y se procesan para su almacenamiento y recuperación junto con el servidor 140 de base de datos. El servidor 130 de aplicaciones puede dirigir la solicitud de recuperación y de almacenamiento al sistema 130 de base de datos según lo requieran los dispositivos 110, 111 cliente.
[0047] Los dispositivos 110 cliente pueden comunicarse con el dispositivo 120 de captura de datos de imágenes usando un adaptador de red y un protocolo de comunicación cableado o inalámbrico, un ejemplo de los cuales es el protocolo Bluetooth de baja energía (BTLE). BTLE es un estándar de protocolo de corto alcance y baja potencia que transmite datos de manera inalámbrica a través de enlaces de radio en redes inalámbricas de corto alcance. En otras implementaciones, se usan otros tipos de conexiones inalámbricas (por ejemplo, infrarrojos, celulares, 4G, 5G, 802.11).
[0048] Aunque los dispositivos 110 cliente y los dispositivos 120 de captura de imágenes se han descrito anteriormente como dispositivos físicos separados (tales como un dispositivo informático y un sensor de imágenes, respectivamente), en una realización, el dispositivo 120 de captura de datos de imágenes puede incluir aspectos del dispositivo 110 cliente. Por ejemplo, un dispositivo de captura de imágenes puede incluir una interfaz audiovisual que incluye una pantalla u otros elementos de iluminación, así como altavoces para presentar información audible. En dicha implementación, el propio dispositivo 120 de captura de datos de imágenes puede presentar el contenido de la información obtenida desde el servidor 130, tal como la predicción de estado de enfermedad determinada por el sistema 100 de detección, proporcionada por el servidor 130 directamente, en lugar de o además de presentarlo a través de los dispositivos 110 cliente.
[0050] En una realización, el dispositivo 110 cliente puede ser un teléfono inteligente, y parte del dispositivo 120 de captura de datos de imágenes puede ser un accesorio de un teléfono inteligente. En dicha implementación, una cámara incorporada del teléfono inteligente combinada con elementos ópticos del accesorio del teléfono inteligente proporciona la funcionalidad del dispositivo 120 de captura de datos.
[0052] En realizaciones adicionales, un teléfono inteligente funciona como el dispositivo 110 cliente y como el dispositivo 120 de captura de datos de imágenes, sin requerir necesariamente ningún accesorio separado. En este caso, una cámara integrada del teléfono inteligente realiza las funciones atribuidas al dispositivo 120 de captura de datos de imágenes.
[0053] En una realización, un dispositivo cliente puede actuar como el dispositivo 110 cliente y como el dispositivo 111 cliente.
[0054] I.B Servidor de aplicaciones
[0056] El servidor 130 de aplicaciones es un ordenador o una red de ordenadores. Aunque en la Fig. 2 se ilustra un ejemplo simplificado, típicamente el servidor de aplicaciones será un sistema de clase servidor que usa procesadores potentes, gran cantidad de memoria y componentes de red más rápidos en comparación con un sistema informático típico usado, por ejemplo, como un dispositivo 110 cliente. Típicamente, el servidor tiene un gran almacenamiento secundario, por ejemplo, usando una matriz RAID (matriz redundante de discos independientes) y/o estableciendo una relación con una red de suministro de contenido (CDN) independiente contratada para almacenar, intercambiar y transmitir datos. Además, el sistema informático incluye un sistema operativo, por ejemplo, un sistema operativo UNIX, un sistema operativo LINUX o un sistema operativo WINDOWS. El sistema operativo gestiona los recursos de hardware y de software del servidor 130 de aplicaciones y proporciona también diversos servicios, por ejemplo, gestión de procesos, entrada/salida de datos, gestión de dispositivos periféricos, etc. El sistema operativo proporciona diversas funciones para gestionar archivos almacenados en un dispositivo, por ejemplo, crear un nuevo archivo, mover o copiar archivos, transferir archivos a un sistema remoto, etc.
[0058] El servidor 130 de aplicaciones incluye una arquitectura de software para permitir el acceso a y el uso del sistema 100 de detección por parte de muchos dispositivos 110, 111 cliente diferentes a través de la red 160 y, de esta manera, a un alto nivel, puede caracterizarse generalmente como un sistema basado en la nube. El servidor 130 de aplicaciones generalmente proporciona una plataforma para que los sujetos y los profesionales 112 médicos proporcionen los datos registrados por los dispositivos 110, 111 cliente asociados con los síntomas del sujeto, colaboren en los planes de tratamiento, naveguen y obtengan información relacionada con su estado, y hagan uso de una diversidad de otras funciones.
[0060] En general, el servidor 130 de aplicaciones está diseñado para gestionar una amplia diversidad de datos. El servidor 130 de aplicaciones incluye rutinas lógicas que realizan una diversidad de funciones que incluyen verificar la validez de los datos entrantes, analizar y formatear los datos si es necesario, pasar los datos procesados a un servidor 140 de base de datos para su almacenamiento y confirmar que el servidor 140 de base de datos se ha actualizado.
[0061] El servidor 130 de aplicaciones almacena y gestiona datos, al menos en parte, sujeto por sujeto. Con este fin, el servidor 130 de aplicaciones crea un perfil de sujeto para cada usuario. El perfil de sujeto es un conjunto de datos que caracteriza a un sujeto 113 del sistema 100 de detección. El perfil de sujeto puede incluir información de identificación acerca del sujeto, tal como la edad, el sexo, el historial médico relevante del sujeto y una lista de usuarios distintos del sujeto con autorización para acceder al perfil del sujeto. El perfil puede especificar además un identificador de dispositivo, tal como una dirección de control de acceso al medio (MAC) única que identifica los uno o más dispositivos 110, 111 cliente o dispositivos 120 de captura de imágenes autorizados para enviar datos (tal como un conjunto de datos de imágenes de garganta del sujeto) para el sujeto.
[0063] El servidor 130 de aplicaciones crea también perfiles para los proveedores 112 de atención médica. Un perfil de proveedor de atención médica puede incluir información de identificación acerca del proveedor 112 de atención médica, tal como la ubicación de la consulta, las titulaciones y certificaciones, etc. El perfil del proveedor de atención médica incluye también información acerca de su población de sujetos. El perfil del proveedor puede incluir acceso a todos los perfiles de los sujetos de ese proveedor, así como a los datos derivados de esos perfiles, tales como información demográfica añadida. Estos datos pueden subdividirse adicionalmente según cualquier tipo de dato almacenado en los perfiles de sujeto, tal como por área geográfica (por ejemplo, vecindario, ciudad) por período de tiempo (por ejemplo, semanal, mensual, anual).
[0065] El servidor 130 de aplicaciones recibe factores de cliente y datos de imágenes de garganta de sujeto desde los dispositivos 110, 111 de cliente que desencadenan una diversidad de rutinas en el servidor 130 de aplicaciones. En las implementaciones ejemplares descritas a continuación, el modelo 150 encadenado ejecuta rutinas para acceder a los datos de imágenes de la garganta del sujeto, así como a factores clínicos, para analizar las imágenes y los datos, y para enviar los resultados de su análisis a los sujetos o profesionales 112 médicos.
[0067] I.C. Servidor de base de datos
[0069] El servidor 140 de base de datos almacena datos relacionados con el sujeto y el proveedor de atención médica, tales como perfiles, eventos de medicación, historial médico del sujeto (por ejemplo, registros médicos electrónicos). Los datos del sujeto y del proveedor están encriptados por seguridad y están al menos protegidos con contraseña y asegurados para cumplir con todos los requisitos de la Ley de Portabilidad y Responsabilidad del Seguro Médico (HIPAA). Cualquier análisis que incorpore datos desde múltiples sujetos y que se proporcione a los usuarios se anonimiza de manera que se elimine la información de identificación personal para proteger la privacidad del sujeto.
[0070] Aunque el servidor 140 de base de datos se ilustra en la Fig. 1 como una entidad separada del servidor 130 de aplicaciones, el servidor 140 de base de datos puede ser, de manera alternativa, un componente de hardware que es parte de otro servidor, tal como el servidor 130, de manera que el servidor 140 de base de datos se implemente como uno o más dispositivos de almacenamiento persistente, en el que la capa de aplicación de software para interactuar con los datos almacenados en la base de datos es una parte de ese otro servidor 130.
[0072] El servidor 140 de base de datos almacena datos según esquemas de base de datos definidos. Típicamente, los esquemas de almacenamiento de datos en diferentes fuentes de datos varían significativamente incluso cuando se almacena el mismo tipo de datos, incluyendo los registros de eventos de aplicaciones en la nube y las métricas de registro, debido a las diferencias de implementación en la estructura de la base de datos subyacente. El servidor 140 de base de datos puede almacenar también diferentes tipos de datos, tales como datos estructurados, datos no estructurados o datos semiestructurados. Los datos en el servidor 140 de base de datos pueden estar asociados con usuarios, grupos de usuarios y/o entidades. El servidor 140 de base de datos proporciona soporte para consultas de base de datos en un lenguaje de consulta (por ejemplo, SQL para bases de datos relacionales, bases de datos JSON NoSQL, etc.) para especificar instrucciones para administrar objetos de base de datos representados por el servidor 140 de base de datos, leer información desde el servidor 140 de base de datos o escribir en el servidor 140 de base de datos.
[0074] Con respecto a las descripciones de las Figs. 4-6, el contenido de las bases de datos descritas con respecto a esas figuras puede almacenarse en bases de datos físicamente cercanas al servidor 130 de aplicaciones y separadas del servidor 140 de base de datos, tal como se ilustra.
[0076] I. D. Red
[0078] La red 160 representa las diversas vías de comunicación cableadas e inalámbricas entre los dispositivos 110, 111 cliente, el dispositivo 120 de captura de datos de imágenes, el servidor 130 de aplicaciones y el servidor 140 de base de datos. La red 160 usa tecnologías y/o protocolos de comunicaciones de Internet estándar. De esta manera, la red 160 puede incluir enlaces que usan tecnologías tales como Ethernet, IEEE 802.11, red digital de servicios integrados (RDSI), modo de transferencia asíncrono (ATM), etc. De manera similar, los protocolos de red usados en la red 160 pueden incluir el protocolo de control de transmisión/protocolo de Internet (TCP/IP), el protocolo de transporte de hipertexto (HTTP), el protocolo de transferencia de correo simple (SMTP), el protocolo de transferencia de archivos (FTP), etc. Los datos intercambiados a través de la red 160 pueden representarse usando tecnologías y/o formatos que incluyen el lenguaje de marcado de hipertexto (HTML), el lenguaje de marcado extensible (XML), etc. Además, la totalidad o parte de los enlaces pueden encriptarse usando tecnologías de encriptación convencionales, tales como la capa de sockets seguros (SSL), HTTP seguro (HTTPS) y/o redes privadas virtuales (VPN). En otra realización, las entidades pueden usar tecnologías de comunicación de datos personalizadas y/o dedicadas en lugar de, o además de, las descritas anteriormente.
[0080] II. Ejemplo de dispositivos informáticos
[0082] La Fig. 2 es un diagrama de bloques de alto nivel que ilustra componentes físicos de un ordenador 200 ejemplar que puede usarse como parte de un dispositivo 110, 111 cliente, servidor 130 de aplicaciones y/o servidor 140 de base de datos de la Fig. 1, según una realización. Se ilustra un circuito 210 integrado auxiliar acoplado a al menos un procesador 205. Acoplados al circuito 210 integrado auxiliar hay una memoria 215 volátil, un adaptador 220 de red, uno o más dispositivos 225 de entrada/salida (E/S), un dispositivo 230 de almacenamiento que representa una memoria no volátil y una pantalla 235. En una realización, la funcionalidad del circuito 210 integrado auxiliar es proporcionada por un controlador 211 de memoria y un controlador 212 de E/S. En otra realización, la memoria 215 está acoplada directamente al procesador 205 en lugar del circuito 210 integrado auxiliar. En algunas realizaciones, la memoria 215 incluye memoria de acceso aleatorio (RAM) de alta velocidad, tal como DRAM, SRAM, DDR RAM u otros dispositivos de memoria de acceso aleatorio de estado sólido.
[0084] El dispositivo 230 de almacenamiento es cualquier medio de almacenamiento legible por ordenador no transitorio, tal como un disco duro, una memoria de solo lectura de disco compacto (CD-ROM), DVD o un dispositivo de memoria de estado sólido. La memoria 215 contiene instrucciones y datos usados por el procesador 205. El dispositivo 225 de E/S puede ser una superficie de entrada táctil (capacitiva o de otro tipo), un ratón, una rueda de desplazamiento u otro tipo de dispositivo señalador, un teclado u otra forma de dispositivo de entrada. La pantalla 235 muestra imágenes y otra información desde/para el ordenador 200. El adaptador 220 de red acopla el ordenador 200 a la red 160.
[0086] Tal como se conoce en la técnica, un ordenador 200 puede tener componentes diferentes y/u otros distintos a los mostrados en la Fig. 2. Además, el ordenador 200 puede carecer de determinados componentes ilustrados. En una realización, un ordenador 200 que actúa como servidor 140 puede carecer de un dispositivo 225 de E/S dedicado y/o una pantalla 218. Además, el dispositivo 230 de almacenamiento puede ser local y/o remoto con relación al ordenador 200 (tal como incorporado en una red de área de almacenamiento (SAN)), y, en una realización, el dispositivo 230 de almacenamiento no es un dispositivo de CD-ROM ni un dispositivo de DVD.
[0088] En general, los componentes físicos exactos usados en un dispositivo 110, 111 cliente variarán en tamaño, requisitos de potencia y rendimiento de los usados en el servidor 130 de aplicaciones y el servidor 140 de base de datos. Por ejemplo, los dispositivos 110, 111 cliente que frecuentemente serán ordenadores domésticos, tabletas, ordenadores portátiles o teléfonos inteligentes, incluirán capacidades de almacenamiento y de potencia de procesamiento relativamente pequeñas, pero incluirán dispositivos de entrada y pantallas. Estos componentes son adecuados para la entrada de datos por parte del usuario y la recepción, visualización e interacción con las notificaciones proporcionadas por el servidor 130 de aplicaciones. Por el contrario, el servidor 130 de aplicaciones puede incluir muchos ordenadores físicamente separados, conectados localmente en red, cada uno con una cantidad significativa de potencia de procesamiento para realizar los análisis indicados anteriormente. En una realización, la potencia de procesamiento del servidor 130 de aplicaciones es proporcionada por un servicio tal como Amazon Web Services™ o Microsoft Azure™. También en contraste, el servidor 140 de base de datos puede incluir muchos ordenadores físicamente separados, cada uno con una cantidad significativa de capacidad de almacenamiento persistente para almacenar los datos asociados con el servidor de aplicaciones.
[0089] Tal como se conoce en la técnica, el ordenador 200 está adaptado para ejecutar módulos de programas informáticos para proporcionar la funcionalidad descrita en el presente documento. Un módulo puede implementarse en hardware, firmware y/o software. En una realización, los módulos de programa se almacenan en el dispositivo 230 de almacenamiento, se cargan en la memoria 215 y son ejecutados por el procesador 205.
[0091] III. Captura de imágenes y factores clínicos
[0093] III.A. Dispositivo de captura de imágenes
[0095] Las Figs. 3A-3C representan tres vistas de un dispositivo 120 de captura de datos de imágenes ejemplar, según una realización. La realización representada está configurada para su uso en una cavidad oral humana (boca y, si se desea, garganta superior). En otras realizaciones, el dispositivo de captura de imágenes está configurado para capturar imágenes de otras partes del cuerpo u otros objetos. Por ejemplo, en una realización, el dispositivo 120 de captura de datos de imágenes está configurado para capturar imágenes de la piel de un sujeto. Cabe señalar que, en realizaciones, no mostradas en las Figs. 3A-3C, el dispositivo de captura de datos de imágenes está configurado para capturar sonogramas, hologramas, imágenes, videos, alguna otra forma de datos que describan la parte del cuerpo humano (por ejemplo, en 2 dimensiones o 3 dimensiones), o alguna combinación de los mismos. El dispositivo de escaneo y de detección puede tener cualquier forma deseada adecuada para un sitio diana determinado, por ejemplo, un catéter o endoscopio u otra configuración (por ejemplo, colposcopio, laparoscopio, etc.) conformado para insertarse o si no introducirse en o dirigirse hacia el cuerpo de un sujeto.
[0097] En una realización, el dispositivo 120 de captura de datos de imágenes comprende un extremo 4 proximal y un extremo 6 distal, en el que el extremo 6 distal está configurado para introducirse o dirigirse hacia un sitio diana biológico in vivo sospechoso de tener una infección. El dispositivo 120 de captura de datos de imágenes comprende la carcasa 8 que tiene un emisor 10 de luz de excitación en el extremo 6 distal, el emisor 10 de luz de excitación está configurado para emitir luz de excitación seleccionada para causar luz fluorescente desde la infección de la que se tiene sospechas en el sitio diana; si se desea, pueden proporcionarse múltiples emisores de luz de excitación, cada uno con luz de excitación de una longitud de onda/banda de longitudes de onda diferente. El dispositivo 120 de captura de datos de imágenes puede comprender además un sensor de luz, así como un sensor 14 de calor (véanse, por ejemplo, las Figs.
[0098] 3D y 3F). El sensor de luz está configurado para detectar al menos la luz fluorescente que emana desde el sitio diana, y el sensor 14 de calor está configurado para detectar e identificar al menos los niveles de calor por encima de la temperatura corporal ambiente que emana desde la infección en el sitio diana.
[0100] En una realización, el sistema de detección comprende además una programación implementada por ordenador, conectada de manera operativa, configurada para aceptar datos de luz fluorescente asociados con la luz fluorescente y datos térmicos asociados con los niveles de calor por encima de la temperatura corporal ambiente y para interpretar los datos para determinar una probabilidad de que el sitio diana contenga una infección. Dicha programación implementada por ordenador puede estar contenida en el interior de la carcasa 8 o puede estar ubicada externamente.
[0101] El dispositivo 120 de captura de datos de imágenes contiene también tres botones para la interacción del usuario. El primer botón 30 de control controla el LED de iluminación (emisor de luz blanca). El segundo botón 32 inicia un procedimiento de adquisición de imagen/escaneo, tal como un procedimiento de detección/obtención de imagen fluorescente. El tercer botón 34 de control inicia un procedimiento de adquisición de temperatura. Pueden proporcionarse también más o menos botones, según se desee.
[0103] Tal como se muestra en las Figs. 3D y la Fig. 3F, el dispositivo 120 de captura de datos de imágenes puede comprender un emisor 16 de luz de iluminación y un sistema 26 de obtención de imágenes que comprende una cámara 18. Pueden proporcionarse también uno o más filtros configurados para transmitir solo longitudes de onda/indicadores de luz o calor deseables, tales como un primer filtro 20 de luz emanante, un filtro 22 de calor emanante y un segundo filtro 24 de luz emanante.
[0105] El dispositivo 120 de captura de datos de imágenes contiene además una pantalla 36 de visualización, que puede mostrar resultados espectrográficos, imágenes del sitio diana, resultados de diagnóstico, representaciones en falso color de los datos recibidos desde el sitio diana y similares. La pantalla puede proporcionar también otra información si se desea, tal como la fecha, la hora, el nombre del sujeto, etc. Se muestra también un elemento 38 distal fácilmente separable y extraíble dimensionado y configurado para fijarse de manera extraíble al extremo distal de la carcasa. El elemento 38 distal separable puede comprender lados 40 de bloqueo de luz y, si se desea, una ventana 42 orientada hacia adelante, tal como se muestra en la Fig. 3E, configurada para transmitir al menos la luz de excitación, la luz fluorescente y los niveles de calor sin alteración sustancial. El elemento 38 distal separable puede comprender también rebajes 48, 50 para alojar estructuras físicas esperadas en un sitio diana, para evitar que una pared lateral afecte a un campo de visión de imagen/aumento de escaneo/obtención de imágenes, etc. El extremo 6 distal de la carcasa 8 y el elemento 38 distal separable pueden estar configurados de manera cooperativa para que el elemento 38 distal separable pueda encajarse en y separarse del extremo 6 distal de la carcasa 8. Por ejemplo, el extremo 6 distal de la carcasa 8 y el elemento 38 distal separable pueden comprender proyecciones 52 y retenes 54 cooperativos configurados de manera que el elemento 38 distal separable pueda encajarse en y separarse del extremo 6 distal de la carcasa 8 mediante el acoplamiento y la liberación cooperativos de dichos elementos. El dispositivo 120 de captura de datos de imágenes puede comprender además un puerto 44 de conexión y un compartimento 46 de batería.
[0106] En la realización representada en las Figs. 3A-3F, la carcasa 8 está configurada para ser sostenida en una sola mano de un usuario, y está configurada para encajar en el interior de una cavidad oral humana y para escanear al menos una superficie posterior de dicha cavidad oral y/o una garganta detrás de dicha cavidad oral.
[0108] Las Figs. 3G y 3H muestran información adicional acerca de los emisores de luz, sensores de luz y sensores de calor. En esta realización, todos están situados en el extremo 6 distal de la carcasa 8 (no mostrada) y todos están orientados hacia adelante y están destinados a cubrir sustancialmente una misma área del sitio diana, tal como lo demuestran los campos de visión superpuestos en las figuras. También en esta realización, los emisores de luz de excitación incluyen un LED 56 rojo, un LED 58 verde y un LED 60 azul.
[0110] La Fig. 3I muestra una realización adicional relacionada con emisores de luz, sensores de luz y sensores de calor. En esta realización, la matriz incluye dos LEDs 62 emisores de luz blanca y dos LEDs 60 azules, así como una cámara 18 y un sensor 14 de calor radiante.
[0112] La Fig. 3J muestra un diagrama de interacción del proceso de captura de imágenes para proporcionar el conjunto de datos de imágenes de garganta del sujeto al sistema 100 de detección, según una realización. Para imágenes blancas, el emisor 16 de iluminación proporciona una entrada de luz a la garganta del sujeto, y la cámara 18 graba simultáneamente una imagen blanca de la garganta. La imagen blanca de la garganta puede formarse recogiendo la luz reflejada desde la garganta del sujeto. Para las imágenes de excitación, a las que se hace referencia también en el presente documento como "imágenes azules", el emisor 10 de excitación proporciona una entrada de luz a la garganta del sujeto a una longitud de onda de excitación específica, y la cámara 18 graba simultáneamente una imagen azul de la garganta, según una realización. La imagen azul puede formarse recogiendo la luz emitida desde la garganta del sujeto como resultado de la autofluorescencia, además de la luz reflejada por la garganta del sujeto. En algunos casos, la luz procedente de la autofluorescencia tiene una longitud de onda diferente de la longitud de onda de excitación. En una realización, el emisor 10 de excitación proporciona una entrada de luz a otra parte del cuerpo del sujeto, y la cámara 18 graba simultáneamente una imagen de excitación de la parte del cuerpo del sujeto. En algunas realizaciones, el emisor 10 de excitación proporciona una entrada de luz azul, pero en otras realizaciones, el emisor de excitación puede proporcionar una entrada de luz a longitudes de onda correspondientes a otros colores. En algunas realizaciones, los datos de imágenes de garganta del sujeto incluyen imágenes distintas de las imágenes blancas y las imágenes azules. Por ejemplo, los datos de imágenes de garganta del sujeto capturados pueden incluir imágenes capturadas en múltiples longitudes de onda y múltiples condiciones de iluminación. En realizaciones en las que el sistema 100 de detección tiene como objetivo otras enfermedades y/o afecciones médicas, las imágenes del sujeto capturadas pueden incluir imágenes distintas de las imágenes blancas y las imágenes azules. Cabe señalar que, aunque la recopilación de datos de imágenes se ha descrito anteriormente en el contexto de imágenes, el dispositivo 120 de captura de imágenes puede modificarse para recopilar otras formas de datos de imágenes (por ejemplo, sonogramas, hologramas, etc.) además de y/o como alternativa a las imágenes.
[0114] El emisor 10 de excitación causa que el virus u otro factor objetivo emita fluorescencia en respuesta a la entrada de luz desde el emisor 10 de excitación. En el caso en el que los patógenos bacterianos objetivo (tal como bacterias estreptocócicas) están presentes en la garganta del sujeto, los huéspedes fluorescentes en las bacterias, por ejemplo, una porfirina, causan que las bacterias emitan autofluorescencia en respuesta a la entrada de luz desde el emisor 10 de excitación. La cámara 18 capturará esta autofluorescencia como parte de la imagen azul.
[0116] La imagen blanca y la imagen azul se incluyen en el conjunto de datos de imágenes de garganta del sujeto proporcionados al modelo 150 encadenado para su uso en la determinación de una predicción del estado de enfermedad del sujeto. En una realización, pueden incluirse más de una imagen azul o una imagen blanca en el conjunto de datos de imágenes de garganta del sujeto. En otra realización, pueden incluirse imágenes distintas de la imagen azul o la imagen blanca en el conjunto de datos de imágenes de garganta del sujeto, por ejemplo, imágenes bajo condiciones de iluminación desde el dispositivo 120 de captura de datos de imágenes. Por ejemplo, los datos de imágenes de garganta del sujeto proporcionados al modelo 150 encadenado pueden incluir imágenes capturadas en otros colores u otras longitudes de onda de la luz, según algunas realizaciones.
[0118] En otro ejemplo, el sistema 100 de detección puede usarse para detectar enfermedades y afecciones relacionadas con lesiones cutáneas presentes en un sujeto. En dicho caso, el dispositivo 120 de captura de datos de imágenes captura imágenes blancas e imágenes de excitación de las lesiones cutáneas. En algunas realizaciones, el dispositivo 120 de captura de datos de imágenes solo captura imágenes blancas. En otras realizaciones, el dispositivo 120 de captura de datos de imágenes solo captura imágenes de excitación de las lesiones cutáneas. Los datos de imágenes capturados (por ejemplo, imágenes) se proporcionan al modelo 150 encadenado para determinar una predicción de estado de enfermedad relacionada con la lesión cutánea.
[0119] III.B Recopilación de factores clínicos
[0121] Los factores clínicos para el sujeto se recopilan de manera sustancialmente contemporánea con la captura de datos de imágenes de garganta del sujeto por parte del dispositivo 120 de captura de datos de imágenes. En una realización, los factores clínicos para un sujeto son recopilados por el profesional 112 médico y son enviados al modelo 150 encadenado usando el dispositivo 111 cliente. En otra realización, los factores clínicos son proporcionados por un sujeto sin la ayuda de, o sin interactuar con, el profesional 112 médico. Por ejemplo, el sujeto puede proporcionar los factores clínicos a través de una aplicación en un dispositivo 110 cliente, tal como un teléfono inteligente. En realizaciones alternativas, uno o más de los factores clínicos no se recopilan de manera contemporánea con la captura de imágenes por parte del dispositivo 120 de captura de datos de imágenes. Por ejemplo, si la edad es un factor clínico para predecir la presencia de una enfermedad, la edad del sujeto puede registrarse en un momento diferente al de la captura de imágenes.
[0123] III. C. Captura y preprocesamiento de imágenes
[0125] Para diagnosticar un caso de infección, los espectros de luz de color se filtran por longitud de onda específica. A continuación, la cámara 18 del dispositivo de captura de imágenes realiza la captura como imágenes digitales de luz blanca y luz azul. A continuación, estas imágenes son seleccionadas, centradas y recortadas por un algoritmo de preprocesamiento de imágenes que evalúa la calidad y la idoneidad de estas imágenes para su uso en el modelo de datos de imágenes.
[0127] Un buen preprocesamiento de imágenes conduce a un modelo de IA robusto para predicciones precisas. Las técnicas de preprocesamiento que pueden realizarse en el conjunto de datos de imágenes de garganta del sujeto pueden incluir: relación de aspecto uniforme, reescalado, normalización, segmentación, recorte, detección de objetos, reducción/incremento de dimensionalidad, ajuste de brillo, técnicas de aumento de datos para aumentar el tamaño de los datos, tales como: cambio de imagen, volteo, acercamiento/alejamiento, rotación, etc., determinación de la calidad de la imagen para excluir que imágenes de mala calidad formen parte del conjunto de datos de entrenamiento, corrección de píxeles de las imágenes y la realización de un algoritmo de brillo de fluorescencia de imagen FV.
[0128] IV. Modelo encadenado
[0130] IV.A. Entrenamiento del modelo de datos de imágenes
[0132] En una realización, el modelo 150 encadenado incluye un modelo 400 de datos de imágenes y un clasificador 500. El entrenamiento del modelo 400 de datos de imágenes y del clasificador 500 se describirá a continuación.
[0134] La Fig. 4 ilustra un proceso para el entrenamiento de un modelo 400 de datos de imágenes en el interior de un modelo 150 encadenado, según una realización. El modelo 400 de datos de imágenes se entrena sobre un primer conjunto de datos de imágenes de entrenamiento asociados con un primer conjunto de sujetos de entrenamiento y un primer conjunto de etiquetas de entrenamiento correspondiente. Los datos de imágenes (a los que se hace referencia también como datos de imágenes de garganta) describen una parte del cuerpo asociada a la garganta (por ejemplo, gargantas, orificios, criptas, alguna otra parte de la garganta o alguna combinación de los mismos). Los datos de imágenes de garganta pueden incluir, por ejemplo, imágenes, sonogramas, hologramas, vídeos, alguna otra forma de datos que describan la parte del cuerpo (por ejemplo, en 2 dimensiones o 3 dimensiones), o alguna combinación de los mismos. En una realización, las imágenes de entrenamiento son de gargantas capturadas bajo luz fluorescente, luz blanca y luz ambiental. La luz fluorescente puede contener luz azul a una longitud de onda adecuada para la fluorescencia.
[0135] Cada sujeto de entrenamiento tiene una de entre varias etiquetas predeterminadas. En una realización, las etiquetas predeterminadas distinguen al sujeto como teniendo A) un patógeno viral tal como COVID-19 (u otra infección viral similar) o B) una ausencia de un patógeno. De manera alternativa, las etiquetas pueden distinguir sujetos que tienen A) un patógeno bacteriano (tal como bacterias estreptocócicas), B) un patógeno viral, tal como COVID-19 (u otra infección viral similar), o C) una ausencia de un patógeno. La etiqueta puede ser una etiqueta categórica (por ejemplo, {A, B} o {A, B C}), o puede ser una etiqueta numérica (por ejemplo, {0, 1} o {-1,0, 1}). El primer conjunto de datos de imágenes de garganta de entrenamiento y las etiquetas asociadas son proporcionados por una base 415 de datos de entrenamiento. El primer conjunto de datos de imágenes de entrenamiento puede ser capturado por el dispositivo 120 de captura de datos de imágenes. Las etiquetas para el primer conjunto de sujetos de entrenamiento se proporcionan en base a que los estados de enfermedad del primer conjunto de sujetos de entrenamiento se conocen previamente, por ejemplo, según lo determinado por cultivos celulares y evaluaciones tradicionales por parte de uno o más profesionales médicos que evalúan el conjunto de sujetos de entrenamiento.
[0137] El modelo 400 de datos de imágenes se entrena determinando los coeficientes 430 de los parámetros de los datos de imágenes, cada uno asociado con un parámetro de imagen correspondiente, (no mostrado). Colectivamente, los coeficientes 430 de los parámetros de los datos de imágenes se determinan para representar de la mejor manera posible la relación entre el primer conjunto de datos de imágenes de garganta de sujetos de entrenamiento introducidos a una función del modelo 400 de datos de imágenes y sus etiquetas asociadas. En general, el modelo 400 de datos de imágenes es una técnica de aprendizaje automático supervisado. En una realización, el modelo 400 de datos de imágenes es un modelo de red neuronal convolucional. En una realización adicional, la red neuronal convolucional se entrena usando aprendizaje por transferencia con ajuste fino. En otras realizaciones, el modelo 400 de datos de imágenes es específicamente una red neuronal VGG, una red neuronal ResNet o una red neuronal Inception V4. En otras realizaciones, pueden usarse otros tipos de modelos de aprendizaje automático y métodos de entrenamiento, cuyos ejemplos incluyen, pero sin limitarse a: descenso de gradiente estocástico, algoritmos de aprendizaje por transferencia, atenuación progresiva de la velocidad de aprendizaje, velocidades de aprendizaje cíclico, velocidades de aprendizaje diferencial, técnicas de regularización, tales como normalización por lotes, conjunto de redes neuronales, etc.
[0139] Una vez que se conocen los coeficientes de los parámetros, el modelo 400 de datos de imágenes puede usarse para la predicción, tal como se analiza en la Fig. 5 y la Fig. 6 accediendo a los coeficientes 430 de los parámetros de los datos de imágenes y la función especificada por el modelo, e introduciendo los valores de entrada para los parámetros de imagen para generar una predicción de la presencia de patógenos. La predicción generada para un sujeto por el modelo 400 de datos de imágenes puede incluir uno o más de entre: una probabilidad de presencia de un patógeno bacteriano o tipo específico de patógeno bacteriano (tal como bacterias estreptocócicas), una probabilidad de presencia de un patógeno viral, una probabilidad de presencia de una clase específica de patógenos (por ejemplo, coronavirus), una probabilidad de presencia de un patógeno viral específico, tal como COVID-19 y una probabilidad de ausencia de un patógeno. La predicción puede emitirse en forma de un vector que incluye uno o más de los valores numéricos anteriores. La predicción puede emitir también una confianza numérica separada en la predicción.
[0141] En una realización, la predicción puede incluir una o más de entre: una probabilidad de presencia de exudado, una probabilidad de presencia de petequias, una probabilidad de presencia de amígdalas hinchadas y una probabilidad de presencia de una úvula hinchada. En esta realización, el modelo 400 de datos de imágenes se entrena con imágenes de entrenamiento y etiquetas de entrenamiento correspondientes que indican la presencia o ausencia de estas condiciones. Una vez más, la predicción puede emitirse en forma de un vector que incluye uno o más de los valores numéricos anteriores, y la predicción puede emitir también una confianza numérica separada en la predicción. En algunas realizaciones, en las que el sistema 100 de detección se usa para enfermedades y/o afecciones médicas diferentes, la predicción puede incluir una o más de entre: una presencia de patógenos virales, una presencia de placa, una presencia de mucosa oral, una presencia de cáncer, detección de enfermedad por reflujo gastroesofágico (GERD) y una presencia de patógenos bacterianos (por ejemplo, bacterias estreptocócicas, ecoli, salmonella y otros patógenos).
[0143] En otras realizaciones, el modelo 400 de datos de imágenes es cualquier modelo de aprendizaje automático que genere directa o indirectamente una predicción de la presencia de un factor de enfermedad, tal como un patógeno viral, un patógeno bacteriano, la presencia o propiedad de un tumor o un grado de hinchazón de una parte del cuerpo. En una realización, el modelo 400 de datos de imágenes es un modelo de aprendizaje automático que realiza una detección de características en imágenes (por ejemplo, imágenes blancas, imágenes azules o imágenes en otras longitudes de onda o condiciones de iluminación) de la garganta de un sujeto, así como una clasificación por color. Según algunas realizaciones, la detección de características y la clasificación por color pueden usarse para determinar las métricas de características diana que incluyen, pero no se limitan a: presencia/tamaño/forma/ubicación de la cavidad oral, simetría de la cavidad oral, presencia/tamaño/forma/ubicación de las amígdalas, enrojecimiento de las amígdalas, hinchazón de las amígdalas, paladar blando o duro, presencia de manchas rojas en el paladar, rayas de pus, manchas blancas y boca seca. Cada una de las métricas de características puede corresponder a una característica identificada en una imagen. Por ejemplo, una métrica de característica puede indicar la presencia de una característica identificada o una propiedad de una característica identificada. En algunas realizaciones, la detección de características en las imágenes blancas puede complementar la detección de características realizada en las imágenes azules.
[0145] En algunas realizaciones, para las imágenes azules, la detección de características y la clasificación por color determinan métricas de infección diana que incluyen, pero no se limitan a: presencia/tamaño/forma/ubicación de un área infectada, una intensidad y una identificación de patrón. En algunas realizaciones, la detección de características y la clasificación por color se usan para imágenes distintas de las imágenes azules. En algunas realizaciones, una o más de las métricas de infección diana generadas por el modelo de imagen para las imágenes azules indican características de autofluorescencia en una o más regiones de la garganta de un sujeto capturadas en la imagen azul, en respuesta a la iluminación desde una fuente de luz de excitación (por ejemplo, luz azul desde el dispositivo de captura de imágenes). Cada una de las métricas de infección puede corresponder a una infección en el sujeto. Por ejemplo, una métrica de infección puede indicar la presencia de una determinada infección (por ejemplo, una infección viral, tal como COVID-19 o una infección bacteriana) en el sujeto o una propiedad de una infección. En una realización, las métricas de características determinadas y las métricas de infección pueden proporcionarse, independientemente de o junto con la predicción de la presencia de un patógeno según los métodos descritos anteriormente, al clasificador como entradas para generar la predicción de estado de enfermedad de un paciente. En otras realizaciones, las métricas de características determinadas y las métricas de infección pueden proporcionarse sin la predicción de la presencia de un patógeno al clasificador como entrada para generar el estado de enfermedad de un paciente. En una realización, la detección de características y la clasificación por color se realizan usando agrupamiento k-means, sin embargo, pueden usarse también otras técnicas de aprendizaje automático no supervisadas.
[0147] En una realización específica para la detección de COVID-19, el modelo de imagen puede entrenarse para identificar características del canal rojo en imágenes RGB de la garganta que son indicativas de COVID-19. Por ejemplo, un análisis espectral muestra que las imágenes virales demuestran un pico significativo de píxeles rojos de alto valor de alta densidad más cerca de los valores 255 en comparación con las imágenes sanas. En un proceso de entrenamiento ejemplar, puede seleccionarse un conjunto de imágenes positivas de pacientes que exhibieron ciertos factores clínicos asociados con COVID-19, incluyendo fiebre leve a alta (de 37,8 a 40°C (de 100°F a 1042F)), tos y dolor de garganta. Las imágenes pueden seleccionarse para excluir imágenes borrosas e imágenes en las que la úvula o las amígdalas estaban obstruidas. A continuación, pueden analizarse imágenes de luz blanca de estos pacientes para buscar estas características de manifestación viral, tales como: amígdalas hinchadas, enrojecimiento en las amígdalas, manchas rojas en las lenguas, lenguas costrosas, inflamación (enrojecimiento) en las gargantas, enrojecimiento en el arco faríngeo. Pueden excluirse imágenes con presencia de exudado en las amígdalas y úvula hinchada. Debido a los filtros, la luz emitida es más naranja que roja, puede realizarse un análisis de espectros de los canales RGB respectivos. Las características asociadas con el canal rojo pueden derivarse a partir del conjunto de imágenes de entrenamiento positivas junto con características similares desde un conjunto de imágenes de entrenamiento negativas (asociadas con pacientes sanos) para entrenar el modelo 400 de datos de imágenes para la detección de COVID-19.
[0149] IV.B. Entrenamiento del clasificador
[0151] La Fig. 5 ilustra un proceso para el entrenamiento de un clasificador en el interior de un modelo 150 encadenado, según una realización. El clasificador 500 se entrena usando un conjunto de predicciones de entrenamiento de la presencia de patógenos generadas por el modelo 400 de datos de imágenes preentrenado en base a un segundo conjunto de datos de imágenes de garganta de entrenamiento, factores clínicos de entrenamiento asociados con un segundo conjunto de sujetos de entrenamiento y un segundo conjunto de etiquetas de entrenamiento correspondiente. En una realización, el clasificador 500 se entrena usando métricas de características y métricas de infección generadas por el modelo 400 de datos de imágenes preentrenado en base al segundo conjunto de datos de imágenes de garganta de entrenamiento, además de o independientemente de los datos de entrenamiento descritos anteriormente. Al igual que con el primer conjunto de etiquetas de entrenamiento, cada sujeto del segundo conjunto de sujetos de entrenamiento tiene una etiqueta predeterminada correspondiente que distingue al sujeto como teniendo un patógeno bacteriano, un patógeno viral o una ausencia de un patógeno. Una vez más, estas etiquetas pueden determinarse mediante el cultivo y la evaluación celular tradicional por parte de uno o más profesionales médicos que evalúan el conjunto de sujetos de entrenamiento. De manera alternativa, las etiquetas pueden determinarse mediante otros métodos.
[0153] Una vez más, el segundo conjunto de datos de imágenes de garganta del sujeto de entrenamiento y las etiquetas asociadas son proporcionados por la base 415 de datos de entrenamiento. Los factores clínicos de entrenamiento son proporcionados por una base 515 de datos clínica de entrenamiento. La base 515 de datos clínica de entrenamiento contiene factores clínicos para cada uno del segundo conjunto de sujetos de entrenamiento recopilados por un profesional o dispositivo 120 médico. Estas imágenes generalmente se recopilan de manera sustancialmente simultánea con la captura de los datos de imágenes de garganta del sujeto de entrenamiento correspondientes para ese sujeto.
[0155] El clasificador 500 se entrena mediante la determinación de los coeficientes 530 de los parámetros del clasificador, cada uno asociado con cada parámetro del clasificador (no mostrado). Los coeficientes se entrenan de manera que representen colectivamente de la mejor manera posible la relación entre los valores de entrada (predicciones de presencia de patógenos y factores clínicos) del segundo conjunto de sujetos de entrenamiento y una función del clasificador para el segundo conjunto de etiquetas de entrenamiento.
[0157] En general, el clasificador 500 se entrena usando una técnica de aprendizaje automático supervisada. En una realización, el clasificador 500 es un modelo de red neuronal, entrenado usando descenso de gradiente estocástico. En otras realizaciones, pueden usarse otros tipos de clasificadores y métodos de entrenamiento, ejemplos de los cuales incluyen, pero sin limitarse a, regresión lineal, logística y otras formas de regresión (por ejemplo, red elástica, regresión multinomial), árboles de decisión (por ejemplo, bosque aleatorio, aumento de gradiente), máquinas de vectores de soporte, clasificadores (por ejemplo, clasificador Naíve Bayes), coincidencia difusa. En otras realizaciones, el clasificador puede realizar métodos de análisis estadístico clásicos que incluyen, pero no se limitan a: correlaciones, verificaciones de hipótesis y análisis de varianza (ANOVA).
[0159] Una vez que se conocen los coeficientes de los parámetros, el modelo 500 clasificador puede usarse para la predicción, tal como se analiza en la Fig. 6 accediendo a los coeficientes 530 de los parámetros del clasificador y a la función especificada por el clasificador, e introduciendo valores de entrada para los parámetros para generar una predicción del estado de enfermedad. La predicción del estado de enfermedad del sujeto generada por el clasificador 500 puede incluir una probabilidad de presencia o ausencia de una infección viral. De manera alternativa, la predicción puede incluir uno o más de entre: una probabilidad de infección bacteriana, una probabilidad de infección viral y una probabilidad de ausencia de infección. De manera adicional o alternativa, la predicción de estado de enfermedad puede incluir probabilidades que indiquen la presencia de morfologías o síntomas anatómicos. En una realización, las probabilidades que indican la presencia de morfologías o sistemas anatómicos incluyen una o más de entre: una probabilidad de una presencia de exudado, una probabilidad de una presencia de petequias, una probabilidad de presencia de amígdalas hinchadas y una probabilidad de presencia de una úvula hinchada. En los casos en los que los objetivos son enfermedades o afecciones distintas de la faringitis, las predicciones de estado de enfermedad pueden indicar probabilidades de otras morfologías o síntomas.
[0161] IV. C. Factores clínicos
[0163] En una realización, el conjunto de factores clínicos del sujeto usado por el clasificador 500 en el modelo 150 encadenado puede incluir, pero sin limitarse a: una edad, sexo, raza, historial de pruebas para una infección específica (por ejemplo, COVID-19), historial de salud reciente, historial de amigdalectomía u otros diagnósticos (por ejemplo, diabetes, presión arterial alta, amígdalas/adenoides inflamadas, enfermedad cardiovascular, reflujo ácido), historial de tabaquismo, presencia o ausencia de ganglios linfáticos inflamados, una temperatura del sujeto, presencia o ausencia de fiebre, presencia o ausencia de síntomas de tos, presencia o ausencia de secreción nasal, presencia o ausencia de congestión nasal, presencia o ausencia de dolor de cabeza, presencia o ausencia de dolores corporales, presencia o ausencia de vómitos, presencia o ausencia de diarrea, presencia o ausencia de fatiga, presencia o ausencia de escalofríos, presencia o ausencia de tos, presencia o ausencia de pérdida del sentido del olfato, presencia o ausencia de dolor de garganta, duración de una faringitis y un conjunto de síntomas correlacionados con el procedimiento Centor.
[0164] V. Inferencia del modelo
[0166] La Fig. 6 ilustra un proceso para generar predicciones de estado de enfermedad usando un modelo 150 encadenado, según una realización. El modelo 150 encadenado recibe como entrada un conjunto de datos de imágenes de la garganta del sujeto (por ejemplo, imágenes, sonogramas, etc.) desde un sujeto y un conjunto de factores clínicos recopilados por un profesional 112 médico de manera sustancialmente contemporánea con la captura del conjunto de datos de imágenes de la garganta del sujeto. En una realización, los datos de imágenes son imágenes del sujeto y corresponden a dolores de garganta capturados bajo luz fluorescente, luz blanca y luz ambiental. El modelo 150 encadenado genera una predicción de estado de enfermedad para el sujeto. En algunas realizaciones, el conjunto de entrada de datos de imágenes de garganta del sujeto puede incluir solo imágenes blancas capturadas con condiciones de iluminación blanca o condiciones de iluminación ambiental, o solo imágenes azules capturadas usando iluminación desde una fuente de luz de excitación para fluorescencia. En otras realizaciones, el conjunto de entrada de datos de imágenes de garganta del sujeto puede incluir datos de imágenes de garganta del sujeto capturados bajo otras condiciones de iluminación. Por ejemplo, el conjunto de entrada de datos de imágenes de garganta del sujeto puede incluir múltiples imágenes que capturan múltiples longitudes de onda de la luz.
[0168] La generación de la predicción de estado de enfermedad para el sujeto es un proceso de dos etapas. Una primera etapa incluye introducir el conjunto de datos de imágenes de garganta del sujeto al modelo 400 de datos de imágenes. El modelo 400 de datos de imágenes accede a los coeficientes 430 de los parámetros de los datos de imágenes y genera una predicción de presencia de patógenos para el sujeto. La predicción de presencia de patógenos se proporciona junto con el conjunto de factores clínicos como entradas al clasificador 500. El clasificador 500 accede a los coeficientes 530 de los parámetros del clasificador y junto con los factores clínicos y la predicción de la presencia de patógenos genera una predicción de estado de enfermedad para el sujeto. A continuación, la predicción de estado de enfermedad puede ser proporcionada al dispositivo 110 cliente y puede ser mostrada a un profesional médico o al sujeto.
[0170] En una realización, el modelo 150 encadenado puede proporcionar una predicción de estado de enfermedad usando únicamente la predicción de presencia de patógenos sin acceder a los factores clínicos para el sujeto. En este caso, el conjunto de datos de imágenes de garganta del sujeto es suficiente para determinar la predicción de estado de enfermedad, y solo se usa la salida del modelo 400 de datos de imágenes.
[0172] En algunas realizaciones, el modelo 400 de datos de imágenes se entrena usando imágenes azules, imágenes blancas, imágenes capturadas a una longitud de onda de luz diferente o bajo diferentes condiciones de iluminación, o alguna combinación de las mismas, pero, cuando se generan predicciones de estado de enfermedad, el modelo 150 encadenado puede tener datos de imágenes de garganta del sujeto de entrada capturados a una longitud de onda de luz diferente o bajo condiciones de iluminación diferentes que las imágenes de entrenamiento. Por ejemplo, el modelo 400 de datos de imágenes puede entrenarse usando una combinación de imágenes blancas e imágenes azules, pero solo pueden usarse imágenes blancas como entradas para el modelo 150 encadenado cuando se generan predicciones de estado de enfermedad para un sujeto.
[0173] La Fig. 7 ilustra vectores de entrada y salida ejemplares relevantes para el modelo 150 encadenado, según una realización. Los vectores de entrada incluyen el conjunto de datos de imágenes de garganta del sujeto (por ejemplo, imágenes) y los factores clínicos. El vector de salida resultante del modelo encadenado es una predicción de estado de enfermedad, que incluye probabilidades de varios tipos de infecciones en el sujeto.
[0175] En el ejemplo mostrado en la Fig.7, los factores clínicos incluyen la edad, la presencia o ausencia de ganglios linfáticos inflamados, la temperatura corporal y la presencia o ausencia de tos. El conjunto de datos de imágenes de garganta del sujeto incluye imágenes blancas e imágenes azules de la garganta del sujeto capturadas con el dispositivo 120 de captura de datos de imágenes. La predicción de estado de enfermedad incluye una probabilidad de una infección bacteriana, una probabilidad de una infección viral y una probabilidad de ausencia de infección, según lo determinado por el modelo 150 encadenado, en base a los vectores de entrada. Los vectores de entrada y los vectores de salida resultantes del modelo 150 encadenado pueden ser diferentes de los mostrados en la Fig. 7. Por ejemplo, los vectores de entrada y los vectores de salida resultantes pueden ser relevantes para la enfermedad objetivo. En realizaciones alternativas, la predicción y el estado de enfermedad pueden limitarse a predecir si la imagen corresponde a una infección viral o a la ausencia de la infección viral. En otras realizaciones, la predicción y el estado de enfermedad pueden corresponder a una clase específica de infecciones virales (por ejemplo, coronavirus) o a una infección viral específica (por ejemplo, COVID-19).
[0177] La Fig. 8 es un diagrama de flujo 800 para devolver una predicción de estado de enfermedad para el sujeto determinada por un modelo 150 encadenado, según una realización. La predicción de estado de enfermedad indica una probabilidad de que un sujeto tenga una enfermedad o afección médica, según algunas realizaciones. El modelo 150 encadenado accede 810 a un conjunto de datos de imágenes del sujeto asociados con el sujeto. Los datos de imágenes del sujeto representan una parte del cuerpo del sujeto. Por ejemplo, los datos de imágenes del sujeto pueden ser una imagen de la garganta del sujeto. El modelo 150 encadenado accede 820 a un conjunto de factores clínicos para el sujeto. Los factores clínicos se registran de manera sustancialmente contemporánea con la captura de las imágenes del sujeto. Los datos de imágenes del sujeto se introducen 830 en el modelo 400 de datos de imágenes para generar métricas de enfermedad. A continuación, las métricas de enfermedad generadas y los factores clínicos se introducen al clasificador 500 para determinar la predicción de estado de enfermedad para el sujeto, y se devuelve 850 la predicción de estado de enfermedad determinada.
[0179] VI. Beneficios
[0181] El sistema de detección descrito en el presente documento permite una predicción clínica in situ y en seco de la presencia/ausencia de infecciones por patógenos virales (y/o infecciones bacterianas) sin la necesidad de ninguna prueba patológica o de laboratorio. El sistema de detección, según algunas realizaciones, puede proporcionar a los sujetos una herramienta de diagnóstico domiciliaria para COVID-19, infección estreptocócica u otras infecciones relacionadas. Esto puede reducir efectivamente la carga financiera tanto para los proveedores de atención médica como para los sujetos, puede reducir el tiempo necesario para determinar un diagnóstico preciso y puede mejorar la seguridad de los administradores de pruebas. Además, el sistema de detección puede proporcionar predicciones precisas para otras enfermedades y afecciones.
[0183] En una realización, una aplicación de móvil proporciona instrucciones paso por paso para permitir que un paciente introduzca factores clínicos relevantes y capture una imagen de garganta de calidad suficiente para permitir un diagnóstico y un entrenamiento adicional del modelo 400 de datos de imágenes. Por ejemplo, la aplicación de móvil puede incluir una interfaz de usuario que comienza con un conjunto de preguntas, solicitando al paciente que introduzca información tal como edad, sexo, raza, historial de pruebas de infección (para COVID-19, infección estreptocócica u otras infecciones), historial de salud reciente, historial de amigdalectomía, síntomas recientes (por ejemplo, tos, pérdida del sentido del olfato, fiebre, congestión nasal, secreción nasal, dolor de garganta, etc.), afecciones médicas (por ejemplo, diabetes, presión arterial alta, amígdalas/adenoides inflamadas, enfermedad cardiovascular, reflujo ácido, etc.) e historial de tabaquismo. A continuación, la interfaz de usuario proporciona asistencia guiada para capturar una imagen de garganta con la cámara integrada del dispositivo móvil. Por ejemplo, la interfaz de usuario puede indicar al usuario que encienda el flash y proporciona instrucciones y/o un diagrama que ilustra dónde posicionar y cómo orientar la cámara. Además, la interfaz de usuario puede proporcionar instrucciones para capturar la imagen usando un espejo y puede proporcionar diagramas que ilustren las características específicas de la garganta que deberían estar a la vista. Tras capturar una imagen, la imagen puede cargarse y procesarse. En algunos casos, la aplicación de móvil puede evaluar automáticamente la calidad de la imagen puede indicar al paciente si debería capturarse o no una nueva imagen.
[0185] VII. Ejemplo
[0187] La presente invención se ilustra adicionalmente mediante el siguiente ejemplo experimental. Este ejemplo se proporciona meramente con propósitos ilustrativos y no se interpretará en modo alguno como limitativo del alcance o del contenido de la presente invención.
[0188] Este ejemplo incluye resultados experimentales relacionados con un clasificador de enfermedad faríngea. En este ejemplo, un clasificador basado en CNN se entrenó con la intención de discriminar imágenes faríngeas con enfermedad por COVID-19 con respecto a imágenes sin enfermedad tomadas de la boca/garganta de un sujeto. VII.A. Metodología
[0189] El objetivo científico del experimento era desarrollar múltiples algoritmos de CNN que permitieran el uso combinado de imágenes de teléfonos inteligentes de alta resolución que mostraban las características anatómicas deseadas desde múltiples dispositivos en la población integrados con los datos clínicos necesarios. Los sujetos toman una o más imágenes de sus bocas/gargantas con su teléfono inteligente y envían o si no ponen esas imágenes a disposición del sistema/servidor de detección. Debido a que estas imágenes se toman con un teléfono inteligente, pueden contener varias anomalías, incluyendo cierto ruido o inconsistencia en la forma, o pueden ser de baja resolución. Los ensayos de estudios clínicos se realizaron de manera que se obtuvieron los síntomas necesarios, los datos demográficos y de laboratorio, y otros factores clínicos necesarios para comparar sujetos enfermos con sujetos no enfermos o sanos. VII.B. Datos de entrenamiento
[0190] Se preparó un conjunto de datos de entrenamiento que comprendía 183 imágenes, una imagen por cada paciente. Los síntomas clínicos, los medicamentos consumidos y otras comorbilidades presentes en el momento de la obtención de imagen/prueba PCR se usaron para determinar si estos pacientes cumplían con los criterios clínicos necesarios para su selección para el ensayo clínico.
[0191] El conjunto de datos final incluía 83 imágenes de sujetos sanos (sin enfermedad), 100 que dieron positivo para COVID en base a los resultados de una prueba de reacción en cadena de la polimerasa (PCR). El conjunto de datos de entrenamiento se dividió aleatoriamente en un grupo de entrenamiento y un grupo de validación en la proporción 80/20, respectivamente.
[0192] VII.C. Enfoque de entrenamiento
[0193] Se aplicó un método automatizado al algoritmo para identificar y centrarse en los artefactos diana para ayudar al clasificador con las extracciones de características y para definir la verdad fundamental entre las clases con enfermedad y sin enfermedad. Se usó una arquitectura RESNet-18 CNN preentrenada con 14 millones de imágenes desde ImageNet, lo que mejoró el aprendizaje por transferencia para el clasificador diseñado.
[0194] VII.D. Resultados del entrenamiento
[0195] Después de 20 épocas de entrenamiento, la mejor precisión en el conjunto de validación fue cercana al 95%, y las ponderaciones de CNN asociadas con ese resultado se capturaron y se almacenaron.
[0196] VII.E. Pruebas del modelo y resultados
[0197] Se construyó un conjunto de PRUEBAS completamente nuevo e independiente con propósitos de puntuación. Las imágenes de las bocas/gargantas de los sujetos en el nuevo conjunto de PRUEBAS se seleccionaron cuidadosamente a partir de los datos de ensayos clínicos para garantizar que no hubiera ninguna superposición con los conjuntos de entrenamiento o de validación anteriores. Se aplicaron los mismos criterios de inclusión y exclusión clínica al conjunto de datos de la PRUEBA que los que se aplicaron a los conjuntos de entrenamiento y de validación.
[0198] El conjunto de datos de PRUEBA comprendía 97 imágenes, de las cuales 32 eran de sujetos sanos y 65 eran positivas para COVID. Los resultados se resumen a continuación según lo predicho por la CNN en la matriz de confusión: Positivos verdaderos = 59,
[0199] Negativos verdaderos = 22,
[0200] Falsos positivos =6 y Falsos negativos= 10
[0201] Usando una calculadora de sensibilidad/especificidad de diagnóstico de enfermedad, se calcularon los siguientes resultados para el modelo usando datos de PRUEBA independientes suponiendo una tasa de prevalencia de la enfermedad COVID-19 en la población del 0,5%.
[0202] Resultados
[0203] Estadística Valor 95% de Cl
[0204] Sensibilidad 85,51% del 74,96% al 92,83%
[0205] Especificidad 78,57% del 59,05% al 91,70%
[0206] Tasa de positivos verdaderos 3,99 de 1,95 a 8,16
[0207] Tasa de negativos verdaderos 0,18 de 0,10 a 0,34
[0208] Prevalencia de la enfermedad(*) 5,00%
[0209] Valor predictivo positivo (*) 17,36% del 9,31% al 30,06%
[0210] Valor predictivo negativo (*) 99,04% del 98,25% al 99,47%
[0211] Precisión (*) 78,92% del 69,46% al 86,54%
[0213] VII. F. Conclusiones
[0214] El sistema generalmente usa la sensibilidad, especificidad y precisión como métricas para la comparación entre diferentes algoritmos clasificadores de diagnóstico basados en CNN.
[0215] La sensibilidad indica la probabilidad de que la predicción del modelo sea positiva cuando la enfermedad COVID-19 está presente con un 85,51% con un intervalo de confianza (IC) comprendido entre el 74,96% y el 92,83%. Esto se conoce también como la tasa de positivos verdaderos.
[0216] La especificidad indica la probabilidad de que la predicción del modelo sea negativa cuando la enfermedad COVID-19 está ausente con un 78,57% con un intervalo de confianza (IC) comprendido entre el 59,05% y el 91,7%. Esto se conoce también como la tasa de negativos verdaderos.
[0217] La precisión es la probabilidad global de que un sujeto se prediga correctamente con compensación por la prevalencia de la enfermedad, tal como se indica en la fórmula: Precisión = Sensibilidad x Prevalencia Especificidad x (1 -Prevalencia) donde se supone que la prevalencia de COVID-19 es del 5%. En el conjunto PRUEBA independiente, el modelo fue capaz de clasificar los positivos verdaderos y los negativos verdaderos con una precisión del 78,92% en un IC del 69,46% al 86,54%. Esto es indicativo de que el modelo está funcionando bien y que es capaz de generalizar su clasificación a imágenes novedosas y a datos de pacientes que se obtienen de la población en general.
[0218] Como regla general, el IC con márgenes más estrechos y más cercanos al 100% indica confianza estadística de que las puntuaciones del modelo y los resultados no podrían haberse producido por casualidad o por un muestreo sesgado. También ha sido posible conseguir mejores resultados de sensibilidad y especificidad con conjuntos de datos clínicos más grandes y seleccionados de manera adecuada.
[0219] El cociente de probabilidad positiva se define como tasa de positivos verdaderos/tasa de positivos falsos y es indicativa de la razón de probabilidades de que un paciente que tiene la enfermedad reciba una predicción positiva de COVID-19.
[0220] El cociente de probabilidad negativa se define como la tasa de negativos falsos/tasa de negativos verdaderos y es indicativa de la razón de probabilidades de que un paciente tiene la enfermedad reciba una predicción saludable. El valor predictivo positivo es la probabilidad de que la enfermedad COVID-19 esté presente cuando la prueba es positiva.
[0221] El valor predictivo negativo es la probabilidad de que la enfermedad COVID-19 no esté presente cuando la prueba es negativa.
[0222] VIII. Consideraciones adicionales
[0223] Aunque la descripción anterior incluye ejemplos que se centran en la faringitis y la faringitis estreptocócica específicamente, todos los sistemas y procesos descritos en el presente documento son igualmente aplicables a otras afecciones.
[0224] Debe entenderse que las figuras y las descripciones de la presente divulgación se han simplificado para ilustrar elementos que son relevantes para una comprensión clara de la presente divulgación, mientras que se eliminan, por razones de claridad, muchos otros elementos que se encuentran en un sistema típico. Las personas expertas en la técnica pueden reconocer que otros elementos y/o etapas son deseables y/o necesarios para implementar la presente divulgación. Sin embargo, debido a que dichos elementos y etapas son bien conocidos en la técnica, y debido a que no facilitan una mejor comprensión de la presente divulgación, no se proporciona una descripción de dichos elementos y etapas en el presente documento. La divulgación en el presente documento se refiere a la totalidad de dichas variaciones y modificaciones de dichos elementos y métodos conocidos por las personas expertas en la técnica.
[0225] Algunas partes de la descripción anterior describen las realizaciones en términos de algoritmos y representaciones simbólicas de operaciones sobre una información. Estas descripciones y representaciones algorítmicas son usadas comúnmente por aquellas personas expertas en las técnicas de procesamiento de datos para transmitir la esencia de su trabajo eficazmente a otras personas expertas en la técnica. Estas operaciones, aunque se describen de manera funcional, computacional o lógica, se entiende que se implementan mediante programas de ordenador o circuitos eléctricos equivalentes, microcódigo, o similares. Además, también ha demostrado ser conveniente en ocasiones, hacer referencia a estas disposiciones de operaciones como módulos, sin pérdida de generalidad. Las operaciones descritas y sus módulos asociados pueden materializarse en software, firmware, hardware o cualquier combinación de los mismos.
[0227] Tal como se usa en el presente documento, cualquier referencia a "una realización" significa que un elemento, rasgo, estructura o característica particular descrita con relación a la realización está incluido en al menos una realización. Las apariciones de la frase "en una realización" en varios lugares de la memoria descriptiva no se refieren necesariamente a la misma realización.
[0229] Tal como se usa en el presente documento, los términos "comprende", "que comprende", "incluye", "que incluye", "tiene", "que tiene" o cualquier otra variación de los mismos, pretenden cubrir una inclusión no exclusiva. Por ejemplo, un proceso, método, artículo o aparato que comprende una lista de elementos no está limita necesariamente sólo a esos elementos, sino que puede incluir otros elementos no enumerados expresamente en, o inherentes a, dicho proceso, método, artículo o aparato. Además, a menos que se indique expresamente lo contrario, "o" se refiere a un o inclusivo y no a un o exclusivo. Por ejemplo, una condición A o B se satisface mediante uno cualquiera de los siguientes: A es verdadero (o presente) y B es falso (o no presente), A es falso (o no presente) y B es verdadero (o presente), y tanto A como B son verdaderos (o presentes).
[0231] Además, el uso del "un" o "una" se emplea para describir elementos y componentes de las realizaciones en el presente documento. Esto se hace meramente por conveniencia y para proporcionar un sentido general de la invención. Esta descripción debe leerse como que incluye uno o al menos uno y el singular incluye también el plural, a menos que sea obvio que se pretende lo contrario.
[0233] Aunque se han ilustrado y descrito realizaciones y aplicaciones particulares, debe entenderse que las realizaciones divulgadas no están limitadas a la construcción y a los componentes precisos divulgados en el presente documento. Pueden realizarse diversas modificaciones, cambios y variaciones, que serán evidentes para las personas expertas en la técnica, en la disposición, operación y los detalles del método y del aparato divulgados en el presente documento sin apartarse del alcance de las reivindicaciones adjuntas..

Claims (15)

1. REIVINDICACIONES
1. Producto de programa informático que comprende instrucciones que, cuando son realizadas por un dispositivo informático, causan que el dispositivo informático realice un método que comprende las etapas de:
acceder (810) a un conjunto de imágenes del sujeto, en particular un conjunto de datos de imágenes de la garganta del sujeto, las imágenes del sujeto capturan una parte de un cuerpo de un sujeto, en particular un interior de la garganta del sujeto;
acceder (820) a un conjunto de factores clínicos del sujeto, en el que los factores clínicos son recopilados por un dispositivo o un profesional médico de manera sustancialmente contemporánea con la captura de las imágenes del sujeto;
introducir (830) las imágenes del sujeto a un modelo (400) de datos de imágenes para generar métricas de enfermedad para la predicción de enfermedad para el sujeto, en el que el modelo de datos de imágenes se entrena para identificar características que son indicativas de una infección por COVID-19;
introducir (840) las métricas de enfermedad y los factores clínicos a un clasificador (500), entrenado usando una técnica de aprendizaje automático supervisado, para determinar una predicción de estado de enfermedad, en el que la predicción de estado de enfermedad está relacionada con la presencia o la ausencia o la probabilidad de una infección por COVID-19; y
devolver (850) la predicción de estado de enfermedad.
2. Producto de programa informático según la reivindicación 1, en el que el modelo (400) de datos de imágenes comprende:
un conjunto de coeficientes 430 de los parámetros de los datos de imágenes entrenados usando un primer conjunto de imágenes de sujetos de entrenamiento, en particular un primer conjunto de datos de imágenes de garganta de entrenamiento, y un primer conjunto de etiquetas de entrenamiento, cada una correspondiente a un primer conjunto de sujetos de entrenamiento, comprendiendo el primer conjunto de etiquetas de entrenamiento:
una etiqueta viral que indique la presencia de la infección por COVID-19,
una etiqueta bacteriana que indica la presencia de un patógeno bacteriano, y
una etiqueta vacía que indica la ausencia de la infección por COVID-19; y
una función que relaciona una de las imágenes del sujeto y los coeficientes de los parámetros de los datos de imágenes con las métricas de enfermedad,
y, opcionalmente,
en el que las métricas de la enfermedad comprenden:
métricas de características correspondientes a las características identificadas en la imagen del sujeto, y métricas de infección correspondientes a la presencia de la infección por COVID-19 en la parte del cuerpo del sujeto.
3. Producto de programa informático según la reivindicación 1, en el que el clasificador (500) comprende:
un conjunto de coeficientes de los parámetros del clasificador entrenados usando un conjunto de métricas de enfermedad de entrenamiento, en particular un conjunto de predicciones de presencia de patógenos de entrenamiento, un conjunto de factores clínicos de entrenamiento y un segundo conjunto de etiquetas de entrenamiento, cada una correspondiente a un segundo conjunto de sujetos de entrenamiento, comprendiendo el segundo conjunto de etiquetas de entrenamiento:
una etiqueta viral que indique la presencia de la infección por COVID-19,
una etiqueta bacteriana que indica la presencia de un patógeno bacteriano, y
un subconjunto vacío que indica la ausencia de la infección por COVID-19,
en el que el conjunto de métricas de enfermedad de entrenamiento se genera introduciendo un segundo conjunto de imágenes de sujetos de entrenamiento correspondientes al segundo conjunto de sujetos en el modelo (400) de datos de imágenes;
en el que el conjunto de factores clínicos de entrenamiento es recopilado por un dispositivo o un profesional médico de manera sustancialmente contemporánea con la captura del segundo conjunto de imágenes de sujetos de entrenamiento, y
una función que relaciona las métricas de enfermedad, los factores clínicos y los coeficientes de los parámetros del clasificador con la predicción de estado de enfermedad.
4. Producto de programa informático según la reivindicación 3, que comprende además instrucciones que, cuando son realizadas por el dispositivo informático, causan que el dispositivo informático realice las etapas adicionales de: introducir las imágenes del sujeto, en particular los datos de imágenes de garganta del sujeto, al modelo (400) de datos de imágenes para generar una predicción con respecto a al menos una predicción de presencia de patógeno viral para el sujeto; y
introducir la predicción de presencia de patógeno viral y los factores clínicos al clasificador (500) para determinar una predicción de estado de enfermedad; y opcionalmente,
en el que el modelo de datos de imágenes es una red neuronal convolucional (CNN).
5. Producto de programa informático según la reivindicación 4, en el que el conjunto de imágenes de sujetos de entrenamiento, en particular el conjunto de datos de imágenes de garganta de entrenamiento, se capturaron usando el mismo dispositivo (120) de captura de imágenes usado para capturar el conjunto de imágenes de sujetos, en particular el conjunto de datos de imágenes de garganta de sujetos,
y, opcionalmente,
en el que el conjunto de imágenes de sujetos de entrenamiento y el conjunto de imágenes de sujetos comprenden cada uno
múltiples imágenes de sujetos capturadas bajo condiciones de luz ambiental,
múltiples imágenes del sujeto capturadas bajo luz fluorescente, y
múltiples imágenes del sujeto capturadas bajo iluminación de luz blanca.
6. Producto de programa informático según la reivindicación 4, en el que el conjunto de imágenes del sujeto, en particular el conjunto de datos de imágenes de garganta del sujeto, se registra con un dispositivo (120) de captura de imágenes que comprende:
una carcasa (8);
un emisor (10) de luz configurado para emitir luz de excitación a una longitud de onda seleccionada para causar la autofluorescencia de un patógeno;
un sensor de luz configurado para detectar emisiones de luz o una ausencia de emisiones de luz resultantes de la autofluorescencia del patógeno; y
una pantalla (36),
y, opcionalmente,
en el que la predicción de estado de enfermedad se muestra en la pantalla (36) del dispositivo (120) de captura de imágenes.
7. Producto de programa informático según la reivindicación 4, en el que el conjunto de imágenes del sujeto, en particular el conjunto de datos de imágenes de la garganta del sujeto, se registra mediante un dispositivo de teléfono móvil, y/o en el que la predicción de estado de enfermedad se muestra en el dispositivo de teléfono móvil.
8. Producto de programa informático según la reivindicación 4, en el que
el conjunto de imágenes del sujeto, en particular el conjunto de datos de imágenes de la garganta del sujeto, comprende al menos una imagen de garganta azul capturada usando un emisor de luz azul; y al menos una imagen de garganta blanca capturada usando un emisor de luz blanca, y opcionalmente,
en el que las imágenes del sujeto capturan datos relacionados con la luz infrarroja o con múltiples longitudes de onda de luz.
9. Producto de programa informático según la reivindicación 4, en el que el conjunto de imágenes del sujeto, en particular el conjunto de datos de imágenes de la garganta del sujeto, se preprocesan antes de introducirse al modelo de datos de imágenes, en el que el preprocesamiento comprende al menos uno de entre el grupo que consiste en: corrección de relación de aspecto uniforme,
reescalado,
normalización,
detección de objetos,
segmentación,
recorte,
reducción de dimensionalidad,
incremento de dimensionalidad,
ajuste de brillo:
desplazamiento de imagen,
volteo de imagen,
acercamiento o alejamiento,
rotación de imagen,
filtrado por calidad de imagen, y
corrección de píxeles de imagen.
10. Producto de programa informático según la reivindicación 4, en el que el clasificador se entrena usando uno de entre:
regresión lineal, regresión logística, regresión multinomial, regresión de red elástica,
y/o en el que el clasificador es uno de entre
un clasificador externo aleatorio, un clasificador potenciado por gradiente, un clasificador de máquina de vectores de soporte y un clasificador Naíve Bayes.
11. Producto de programa informático según la reivindicación 4, en el que la predicción de presencia de patógenos comprende al menos uno de entre:
una probabilidad de presencia de un patógeno de COVID-19,
una probabilidad de ausencia del patógeno de COVID-19,
una probabilidad de presencia de una infección por COVID-19,
una probabilidad de ausencia de la infección por COVID-19,
una probabilidad de síntomas de una infección por COVID-19, y
una probabilidad de síntomas de una infección por COVID-19,
o en el que
la predicción de estado de enfermedad comprende al menos uno de entre:
una probabilidad de presencia de un patógeno de COVID-19,
una probabilidad de ausencia del patógeno de COVID-19,
una probabilidad de presencia de una infección por COVID-19, y
una probabilidad de ausencia de la infección por COVID-19.
12. Producto de programa informático según la reivindicación 4, en el que el conjunto de factores clínicos comprende al menos uno de entre el grupo que consiste en:
edad,
presencia o ausencia de ganglios linfáticos inflamados,
temperatura del sujeto,
presencia o ausencia de fiebre,
presencia o ausencia de tos,
presencia o ausencia de secreción nasal,
presencia o ausencia de dolor de cabeza,
presencia o ausencia de dolores corporales,
presencia o ausencia de vómitos,
presencia o ausencia de diarrea,
presencia o ausencia de fatiga,
presencia o ausencia de escalofríos,
la duración de la faringitis,
un síntoma asociado con la presencia de COVID-19, y
un síntoma asociado con una infección por COVID-19.
13. Producto de programa informático según la reivindicación 4, en el que el conjunto de imágenes del sujeto es un conjunto de datos de imágenes de la garganta del sujeto, y en el que la predicción de estado de enfermedad predice una infección viral usando un modelo de aprendizaje automático, en el que el modelo de aprendizaje automático comprende las etapas de:
obtener múltiples datos de imágenes de garganta que incluyen un conjunto de imágenes positivas que representan gargantas con una infección viral y un conjunto de imágenes negativas que representan gargantas sanas; obtener etiquetas para cada uno de los múltiples datos de imágenes de garganta para etiquetar los datos de imágenes de garganta como positivos o negativos;
extraer características a partir de los múltiples datos de imágenes de garganta;
aplicar un modelo de aprendizaje automático para aprender un mapeo entre las características y las etiquetas; y emitir el modelo de aprendizaje automático,
en el que la infección viral comprende una infección por COVID-19.
14. Sistema (100) informático que comprende:
un dispositivo informático; y
un producto de programa informático según cualquiera de las reivindicaciones 1 a 13.
15. Método implementado por ordenador para determinar una predicción de estado de enfermedad, en el que la predicción de estado de enfermedad está relacionada con una presencia o una ausencia o una probabilidad de una infección por COVID-19, comprendiendo el método:
recibir, por parte de un modelo (400) de imagen de datos, el modelo (400) de imagen de datos entrenado para identificar características que son indicativas de una infección por COVID-19, como entrada un conjunto de imágenes del sujeto, en particular un conjunto de datos de imágenes de garganta del sujeto, en el que las imágenes del sujeto capturan una parte de un cuerpo de un sujeto, en particular un interior de la garganta del sujeto;
generar, por parte del modelo (400) de imagen de datos, métricas de enfermedad para la predicción de enfermedad para el sujeto;
recibir, por parte de un clasificador (500), el clasificador (500) entrenado usando una técnica de aprendizaje automático supervisado, como entrada las métricas de enfermedad y los factores clínicos, en el que los factores clínicos son recopilados por un dispositivo o un profesional médico de manera sustancialmente contemporánea con la captura de las imágenes del sujeto;
determinar, por parte del clasificador (500), una predicción de estado de enfermedad, en el que la predicción de estado de enfermedad está relacionada con la presencia o la ausencia, o una probabilidad de, una infección por COVID-19; y
emitir, por parte del clasificador (500), la predicción de estado de enfermedad.
ES21772601T 2020-03-19 2021-03-19 Infection detection using image data analysis Active ES3046215T3 (en)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202062992118P 2020-03-19 2020-03-19
US202063029391P 2020-05-22 2020-05-22
PCT/CA2021/050370 WO2021184129A1 (en) 2020-03-19 2021-03-19 Infection detection using image data analysis

Publications (1)

Publication Number Publication Date
ES3046215T3 true ES3046215T3 (en) 2025-12-01

Family

ID=77748257

Family Applications (1)

Application Number Title Priority Date Filing Date
ES21772601T Active ES3046215T3 (en) 2020-03-19 2021-03-19 Infection detection using image data analysis

Country Status (5)

Country Link
US (3) US12148150B2 (es)
EP (2) EP4121983B1 (es)
CA (1) CA3172013A1 (es)
ES (1) ES3046215T3 (es)
WO (1) WO2021184129A1 (es)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12080080B2 (en) * 2021-07-12 2024-09-03 Toyota Motor Engineering & Manufacturing North America, Inc. Detection, classification, and prediction of bacteria colony growth in vehicle passenger cabin
US20240403692A1 (en) * 2023-05-30 2024-12-05 Servicenow, Inc. Anomaly detection
CN117649565B (zh) * 2024-01-30 2024-05-28 安徽大学 一种模型训练方法、训练装置及医学影像分类方法
CN118629660B (zh) * 2024-08-15 2024-10-22 青岛言鼎生物医疗科技有限公司 一种基于舌象特征的健康状态预测模型的构建方法
CN119494842B (zh) * 2025-01-17 2025-05-02 北京大学人民医院 一种用于家用内窥镜视频的腺样体检测分割方法与系统

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050234526A1 (en) * 2004-04-14 2005-10-20 Gilhuly Terence J Systems and methods for detection of disease including oral scopes and ambient light management systems (ALMS)
CA3162577C (en) * 2008-05-20 2023-09-26 University Health Network Device and method for fluorescence-based imaging and monitoring
CN102665562A (zh) * 2009-11-20 2012-09-12 皇家飞利浦电子股份有限公司 基于成像的病毒检测
JP5736459B2 (ja) 2011-08-25 2015-06-17 株式会社日立メディコ 医用画像撮影装置
EP2868096B1 (en) * 2012-06-27 2020-08-05 Zipline Health, Inc. Devices, methods and systems for acquiring medical diagnostic information and provision of telehealth services
CA2986363C (en) * 2015-05-19 2021-10-26 Tyto Care Ltd. Systems and methods for throat imaging
US10482313B2 (en) 2015-09-30 2019-11-19 Siemens Healthcare Gmbh Method and system for classification of endoscopic images using deep decision networks
CN108471945A (zh) 2015-11-13 2018-08-31 耶斯生物技术公司 有关病毒性和非病毒性感染之间原位分化的装置和系统以及方法
US10252145B2 (en) 2016-05-02 2019-04-09 Bao Tran Smart device
WO2017214061A1 (en) 2016-06-07 2017-12-14 The Board Of Trustees Of The Leland Stanford Junior University Methods for diagnosis of bacterial and viral infections
CN106295139B (zh) 2016-07-29 2019-04-02 汤一平 一种基于深度卷积神经网络的舌体自诊健康云服务系统
US9589374B1 (en) 2016-08-01 2017-03-07 12 Sigma Technologies Computer-aided diagnosis system for medical images using deep convolutional neural networks
BR112019023602A2 (pt) 2017-05-09 2020-06-16 Yes Biotechnology Inc. Dispositivos, sistemas e métodos relativos a dispositivos de comunicação de mão para diferenciação in situ entre infecções virais e não virais
CN107492099B (zh) 2017-08-28 2021-08-20 京东方科技集团股份有限公司 医学图像分析方法、医学图像分析系统以及存储介质
JP2021507428A (ja) 2017-10-13 2021-02-22 エーアイ テクノロジーズ インコーポレイテッド 眼科疾病及び障害の深層学習に基づく診断及び紹介
US10558887B2 (en) 2017-12-04 2020-02-11 Adobe Inc. Digital image search based on arbitrary image features
US20210042916A1 (en) * 2018-02-07 2021-02-11 Ai Technologies Inc. Deep learning-based diagnosis and referral of diseases and disorders
IL320398A (en) 2018-10-09 2025-06-01 Light Ai Inc Image processing of streptococcal infection in pharyngitis subjects
US11369318B2 (en) * 2019-05-31 2022-06-28 Light Ai, Inc. Image processing of streptococcal infection in pharyngitis subjects
US11298017B2 (en) * 2019-06-27 2022-04-12 Bao Tran Medical analysis system
WO2021044431A1 (en) * 2019-09-08 2021-03-11 Camdoc Ltd. Methods, systems and software for improved diagnosis of a medical condition

Also Published As

Publication number Publication date
EP4121983A1 (en) 2023-01-25
US20250117936A1 (en) 2025-04-10
US20210295506A1 (en) 2021-09-23
EP4629189A3 (en) 2025-12-24
EP4629189A2 (en) 2025-10-08
US20260073517A1 (en) 2026-03-12
CA3172013A1 (en) 2021-09-23
WO2021184129A1 (en) 2021-09-23
EP4121983B1 (en) 2025-09-10
US12148150B2 (en) 2024-11-19
EP4121983C0 (en) 2025-09-10
EP4121983A4 (en) 2024-04-17

Similar Documents

Publication Publication Date Title
ES3046215T3 (en) Infection detection using image data analysis
ES3015134T3 (en) Image processing of streptococcal infection in pharyngitis subjects
Ilhan et al. The contribution of artificial intelligence to reducing the diagnostic delay in oral cancer
US20200107787A1 (en) Image Processing of Streptococcal Infection in Pharyngitis Subjects
Escalé-Besa et al. Exploring the potential of artificial intelligence in improving skin lesion diagnosis in primary care
US8543519B2 (en) System and method for remote melanoma screening
Babenko et al. A deep learning model for novel systemic biomarkers in photographs of the external eye: a retrospective study
US11452479B2 (en) System and method for diagnosing soft tissue conditions
Hui et al. Deep learning-based mobile application for efficient eyelid tumor recognition in clinical images
US20230172427A1 (en) Methods and related aspects for ear pathology detection
Baleydier et al. Study protocol for a two-site clinical trial to validate a smartphone-based artificial intelligence classifier identifying cervical precancer and cancer in HPV-positive women in Cameroon
Ashwini et al. Scrutinized report of artificial intelligence in the field of dentistry and forensic odontology
HK40111473A (en) Image processing of streptococcal infection in pharyngitis subjects
Singh et al. Automated Detection and Diagnosis of Bacterial Skin Infections using Deep Learning with Segmentation Techniques
Kamba et al. Benchmark test for the characterization of colorectal polyps using a computer‐aided diagnosis with a publicly accessible database.
Munaf et al. Exploring the Potential of Artificial Intelligence for Diagnosing Oral Cancer: A Review of Imaging and Computational Techniques
Mitbander et al. Optimization of a mobile imaging system to aid in evaluating patients with oral lesions in a dental care setting
Bryton et al. Deep learning algorithm classification of tympanostomy tube images from a heterogenous pediatric population
Olubeko Machine learning models for screening and diagnosis of infections
Verma et al. Remote Patient Monitoring: Supporting Treatment Adherence and Early Intervention
Belgaum et al. Framework for Detection of Cervical Cancer Using Explainable Artificial Intelligence Model
Hussain et al. Cognitive Machine Learning-Based Intrusion Detection System for Identification of Life-Threatening Diseases
Paul et al. AI Frontier in Oral Cancer Detection for Early Diagnosis and Patient Outcomes Application
Hema Introducing the Autoimmune Skin Diseases Managing App
WO2024155928A1 (en) Systems, methods, and media for multimodal data collection and analysis for cancer screening