特表 2022-528014 デジタル病理学のために、画像を処理し、処理された画像を分類するためのシステムおよび方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2022-06-07

(54)【発明の名称】デジタル病理学のために、画像を処理し、処理された画像を分類するためのシステムおよび方法

(51)【国際特許分類】

   G01N 33/48 20060101AFI20220531BHJP

【ＦＩ】

G01N33/48 M

G01N33/48 Z

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2021568008

(86)(22)【出願日】2020-05-15

(85)【翻訳文提出日】2021-12-24

(86)【国際出願番号】 US2020033161

(87)【国際公開番号】W WO2020232363

(87)【国際公開日】2020-11-19

(31)【優先権主張番号】62/848,703

(32)【優先日】2019-05-16

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【識別番号】518307592

【氏名又は名称】ペイジ．エーアイ インコーポレイテッド

【氏名又は名称原語表記】ＰＡＩＧＥ．ＡＩ， Ｉｎｃ．

(74)【代理人】

【識別番号】100078282

【弁理士】

【氏名又は名称】山本 秀策

(74)【代理人】

【識別番号】100113413

【弁理士】

【氏名又は名称】森下 夏樹

(74)【代理人】

【識別番号】100181674

【弁理士】

【氏名又は名称】飯田 貴敏

(74)【代理人】

【識別番号】100181641

【弁理士】

【氏名又は名称】石川 大輔

(74)【代理人】

【識別番号】230113332

【弁護士】

【氏名又は名称】山本 健策

(72)【発明者】

【氏名】カプール， スプリヤ

(72)【発明者】

【氏名】カナン， クリストファー

(72)【発明者】

【氏名】フックス， トーマス

(72)【発明者】

【氏名】グラディー， レオ

【テーマコード（参考）】

2G045

【Ｆターム（参考）】

2G045AA24

2G045CB01

2G045FA19

2G045JA01

2G045JA05

2G045JA07

(57)【要約】

標的試料に対応する標的画像を受信するステップであって、標的試料は、患者の組織サンプルを備える、ステップと、機械学習モデルを標的画像に適用し、標的試料の少なくとも１つの特性および／または標的画像の少なくとも１つの特性を決定するステップであって、機械学習モデルは、複数の訓練画像を処理し、少なくとも１つの特性を予測することによって発生されており、訓練画像は、ヒト組織の画像および／またはアルゴリズム的に発生される画像を備える、ステップと、標的試料の少なくとも１つの特性および／または標的画像の少なくとも１つの特性を出力するステップとのためのシステムおよび方法が、開示される。

【特許請求の範囲】

【請求項1】

試料に対応する画像を分析するためのコンピュータ実装方法であって、前記方法は、
標的試料に対応する標的画像を受信することであって、前記標的試料は、患者の組織サンプルを備える、ことと、
機械学習モデルを前記標的画像に適用し、前記標的試料の少なくとも１つの特性および／または前記標的画像の少なくとも１つの特性を決定することであって、前記機械学習モデルは、複数の訓練画像を処理し、少なくとも１つの特性を予測することによって発生されており、前記訓練画像は、ヒト組織の画像および／またはアルゴリズム的に発生される画像を備える、ことと、
前記標的試料の少なくとも１つの特性および／または前記標的画像の少なくとも１つの特性を出力することと
を含む、コンピュータ実装方法。

【請求項2】

前記標的試料の少なくとも１つの特性に基づいて、前記標的試料の試料タイプの予測を決定することと、
前記標的試料の試料タイプの予測を出力することと
をさらに含む、請求項１に記載のコンピュータ実装方法。

【請求項3】

前記標的試料の少なくとも１つの特性に基づいて、前記標的試料の試料タイプの予測を決定することと、
前記予測の信頼度値が所定の閾値を超えないことを決定することに応答して、前記標的試料の試料タイプが識別不可能であることを示すアラートを出力することと
をさらに含む、請求項１に記載のコンピュータ実装方法。

【請求項4】

前記標的試料の少なくとも１つの特性に基づいて、前記標的試料の試料タイプの予測の信頼度値を決定することと、
前記信頼度値を出力することと
をさらに含む、請求項１に記載のコンピュータ実装方法。

【請求項5】

前記標的画像に関する品質スコアを識別することであって、前記品質スコアは、前記機械学習モデルに従って決定される、ことと、
前記品質スコアを出力することと
をさらに含む、請求項１に記載のコンピュータ実装方法。

【請求項6】

前記標的画像に関する品質スコアを識別することであって、前記品質スコアは、前記機械学習モデルに従って決定される、ことと、
前記標的画像に関する品質スコアが所定の値未満であるかどうかを決定することと、
前記標的画像に関する品質スコアが前記所定の値未満であることに応答して、前記標的画像に関する品質スコアを増加させるための推奨を出力することと
をさらに含む、請求項１に記載のコンピュータ実装方法。

【請求項7】

前記推奨は、切断された試料、走査パラメータ、スライド再構成、およびスライドマーキングのうちの任意の１つまたは任意の組み合わせを備える、請求項６に記載のコンピュータ実装方法。

【請求項8】

前記標的画像および前記機械学習モデルを使用して、前記標的試料が治療後であるかまたは治療前であるかを決定することをさらに含む、請求項１に記載のコンピュータ実装方法。

【請求項9】

前記標的画像および前記機械学習モデルを使用して、前記標的試料が治療後であるかまたは治療前であるかを決定することと、
前記標的試料が治療後であることを決定することに応じて、前記標的画像に基づいて、前記標的試料が治療されている予測される程度を決定することと、
前記標的試料が治療されている予測される程度を出力することと
をさらに含む、請求項１に記載のコンピュータ実装方法。

【請求項10】

試料に対応する画像を分析するためのシステムであって、前記システムは、
命令を記憶するメモリと、
プロセッサであって、前記プロセッサは、前記命令を実行することにより、
標的試料に対応する標的画像を受信することであって、前記標的試料は、患者の組織サンプルを備える、ことと、
機械学習モデルを前記標的画像に適用し、前記標的試料の少なくとも１つの特性および／または前記標的画像の少なくとも１つの特性を決定することであって、前記機械学習モデルは、複数の訓練画像を処理し、少なくとも１つの特性を予測することによって発生されており、前記訓練画像は、ヒト組織の画像および／またはアルゴリズム的に発生される画像を備える、ことと、
前記標的試料の少なくとも１つの特性および／または前記標的画像の少なくとも１つの特性を出力することと
を含むプロセスを実施する、プロセッサと
を備える、システム。

【請求項11】

前記標的試料の少なくとも１つの特性に基づいて、前記標的試料の試料タイプの予測を決定することと、
前記標的試料の試料タイプの予測を出力することと
をさらに含む、請求項１０に記載のシステム。

【請求項12】

前記標的試料の少なくとも１つの特性に基づいて、前記標的試料の試料タイプの予測を決定することと、
前記予測の信頼度値が所定の閾値を超えないことを決定することに応答して、前記標的試料の試料タイプが識別不可能であることを示すアラートを出力することと
をさらに含む、請求項１０に記載のシステム。

【請求項13】

前記標的試料の少なくとも１つの特性に基づいて、前記標的試料の試料タイプの予測の信頼度値を決定することと、
前記信頼度値を出力することと
をさらに含む、請求項１０に記載のシステム。

【請求項14】

前記標的画像に関する品質スコアを識別することであって、前記品質スコアは、前記機械学習モデルに従って決定される、ことと、
前記品質スコアを出力することと
をさらに含む、請求項１０に記載のシステム。

【請求項15】

前記標的画像に関する品質スコアを識別することであって、前記品質スコアは、前記機械学習モデルに従って決定される、ことと、
前記標的画像に関する品質スコアが所定の値未満であるかどうかを決定することと、
前記標的画像に関する品質スコアが前記所定の値未満であることに応答して、前記標的画像に関する品質スコアを増加させるための推奨を出力することと
をさらに含む、請求項１０に記載のシステム。

【請求項16】

前記推奨は、切断された試料、走査パラメータ、スライド再構成、およびスライドマーキングのうちの任意の１つまたは任意の組み合わせを備える、請求項１５に記載のシステム。

【請求項17】

前記標的画像および前記機械学習モデルを使用して、前記標的試料が治療後であるかまたは治療前であるかを決定することをさらに含む、請求項１０に記載のシステム。

【請求項18】

前記標的画像および前記機械学習モデルを使用して、前記標的試料が治療後であるかまたは治療前であるかを決定することと、
前記標的試料が治療後であることを決定することに応じて、前記標的画像に基づいて、前記標的試料が治療されている予測される程度を決定することと、
前記標的試料が治療されている予測される程度を出力することと
をさらに含む、請求項１０に記載のシステム。

【請求項19】

非一過性コンピュータ可読媒体であって、前記非一過性コンピュータ可読媒体は、命令を記憶しており、前記命令は、プロセッサによって実行されると、前記プロセッサに、試料に対応する画像を分析するための方法を実施させ、前記方法は、
標的試料に対応する標的画像を受信することであって、前記標的試料は、患者の組織サンプルを備える、ことと、
機械学習モデルを前記標的画像に適用し、前記標的試料の少なくとも１つの特性および／または前記標的画像の少なくとも１つの特性を決定することであって、前記機械学習モデルは、複数の訓練画像を処理し、少なくとも１つの特性を予測することによって発生されており、前記訓練画像は、ヒト組織の画像および／またはアルゴリズム的に発生される画像を備える、ことと、
前記標的試料の少なくとも１つの特性および／または前記標的画像の少なくとも１つの特性を出力することと
を含む、非一過性コンピュータ可読媒体。

【請求項20】

前記標的試料の少なくとも１つの特性に基づいて、前記標的試料の試料タイプの予測を決定することと、
前記標的試料の試料タイプの予測を出力することと
をさらに含む、請求項１９に記載の非一過性コンピュータ可読媒体。

【発明の詳細な説明】

【技術分野】

【0001】

（関連出願の相互参照）
本願は、その開示全体が参照することによってその全体として本明細書に組み込まれる、２０１９年５月１６日に出願された、米国仮出願第６２／８４８，７０３号の優先権を主張する。

【0002】

本開示の種々の実施形態は、概して、画像ベースの試料分類および関連画像処理方法に関する。より具体的には、本開示の特定の実施形態は、組織試料の処理画像に基づいて、試料タイプまたは試料性質を識別または照合するためのシステムおよび方法に関する。

【背景技術】

【0003】

病院または研究環境内でデジタル病理学画像を使用するために、試料の組織タイプ、試料の入手元（例えば、前立腺針生検、乳房生検、乳房切除等）、および試料または画像の他の関連性質をカテゴリ化することが、重要であり得る。病院設定では、組織タイプ情報は、実験室情報システム（ＬＩＳ）内に記憶されてもよい。しかしながら、正しい組織分類情報は、常時、画像コンテンツと対合されるわけではない。例えば、第三者は、ＬＩＳ内に記憶される対応する試料タイプ標識を伴わずに、画像コンテンツへの匿名化されたアクセスを与えられ得る。ＬＩＳコンテンツへのアクセスは、その取り扱いに注意を要するコンテンツに起因して、限定され得る。加えて、ＬＩＳが、デジタル病理学画像のための試料タイプにアクセスするために使用される場合でも、本標識は、ＬＩＳの多くの構成要素が、手動で入力され、大幅な許容誤差を残し得るという事実に起因して、正しくない場合がある。

【0004】

必ずしも、ＬＩＳまたは関連情報データベースにアクセスせずに、デジタル病理学画像のために、正しくないまたは欠測試料タイプ標識のための解決策を提供する方法に関する所望が存在する。以下の開示は、組織試料をデジタル病理学画像から分類する本必要性に対処するためのシステムおよび方法を対象とする。

【0005】

前述の一般的説明および以下の詳細な説明は、例示的および説明的にすぎず、本開示の制限ではない。本明細書に提供される背景説明は、概して、本開示の文脈を提示する目的のためのものである。本明細書に別様に示されない限り、本節に説明される資料は、本願における請求項の先行技術ではなく、本節における含有によって、先行技術である、または先行技術の示唆と認められるものではない。

【発明の概要】

【課題を解決するための手段】

【0006】

本開示のある側面によると、試料タイプまたは試料性質を組織試料の画像分析から識別または照合するためのシステムおよび方法が、開示される。

【0007】

試料に対応する画像を分析するための方法は、標的試料に対応する標的画像を受信するステップであって、標的試料は、患者の組織サンプルを備える、ステップと、機械学習モデルを標的画像に適用し、標的試料の少なくとも１つの特性および／または標的画像の少なくとも１つの特性を決定するステップであって、機械学習モデルは、複数の訓練画像を処理し、少なくとも１つの特性を予測することによって発生されており、訓練画像は、ヒト組織の画像および／またはアルゴリズム的に発生される画像を備える、ステップと、標的試料の少なくとも１つの特性および／または標的画像の少なくとも１つの特性を出力するステップとを含む。

【0008】

試料に対応する画像を分析するためのシステムは、命令を記憶する、メモリと、命令を実行し、標的試料に対応する標的画像を受信するステップであって、標的試料は、患者の組織サンプルを備える、ステップと、機械学習モデルを標的画像に適用し、標的試料の少なくとも１つの特性および／または標的画像の少なくとも１つの特性を決定するステップであって、機械学習モデルは、複数の訓練画像を処理し、少なくとも１つの特性を予測することによって発生されており、訓練画像は、ヒト組織の画像および／またはアルゴリズム的に発生される画像を備える、ステップと、標的試料の少なくとも１つの特性および／または標的画像の少なくとも１つの特性を出力するステップとを含む、プロセスを実施する、プロセッサとを含む。

【0009】

プロセッサによって実行されると、プロセッサに、試料に対応する画像を分析するための方法を実施させる、命令を記憶する、非一過性コンピュータ可読媒体であって、本方法は、標的試料に対応する標的画像を受信するステップであって、標的試料は、患者の組織サンプルを備える、ステップと、機械学習モデルを標的画像に適用し、標的試料の少なくとも１つの特性および／または標的画像の少なくとも１つの特性を決定するステップであって、機械学習モデルは、複数の訓練画像を処理し、少なくとも１つの特性を予測することによって発生されており、訓練画像は、ヒト組織の画像および／またはアルゴリズム的に発生される画像を備える、ステップと、標的試料の少なくとも１つの特性および／または標的画像の少なくとも１つの特性を出力するステップとを含む。

【0010】

前述の一般的説明および以下の詳細な説明は両方とも、例示的および説明的にすぎず、請求されるような開示される実施形態の制限ではないことを理解されたい。

【図面の簡単な説明】

【0011】

本明細書内に組み込まれ、その一部を構成する、付随の図面は、種々の例示的実施形態を図示し、説明とともに、開示される実施形態の原理を解説する、役割を果たす。

【0012】

【図1A】図１Ａは、本開示の例示的実施形態による、デジタル病理学画像に関する試料性質または画像性質情報を決定するためのシステムおよびネットワークの例示的ブロック図を図示する。

【0013】

【図1B】図１Ｂは、本開示の例示的実施形態による、疾患検出プラットフォーム１００の例示的ブロック図を図示する。

【0014】

【図1C】図１Ｃは、本開示の例示的実施形態による、試料分類プラットフォームの例示的ブロック図を図示する。

【0015】

【図2A】図２Ａおよび２Ｂは、本開示の１つ以上の例示的実施形態による、機械学習を使用して、デジタル病理学画像に関する試料性質または画像性質情報を決定し、試料を分類するための例示的方法を図示する、フローチャートである。

【図2B】図２Ａおよび２Ｂは、本開示の１つ以上の例示的実施形態による、機械学習を使用して、デジタル病理学画像に関する試料性質または画像性質情報を決定し、試料を分類するための例示的方法を図示する、フローチャートである。

【0016】

【図3】図３は、本開示の例示的実施形態による、デジタル病理学画像に関する試料性質または画像性質情報を決定する、例示的実施形態のフローチャートである。

【0017】

【図4】図４は、本開示の例示的実施形態による、試料タイプ識別ツールを発生させ、使用する、例示的実施形態のフローチャートである。

【0018】

【図5】図５は、本開示の例示的実施形態による、画質制御および／または試料品質制御ツールを発生させ、使用する、例示的実施形態のフローチャートである。

【0019】

【図6】図６は、本開示の例示的実施形態による、以前の組織治療効果識別ツールを発生させ、使用する、例示的実施形態のフローチャートである。

【0020】

【図7】図７は、本明細書に提示される技法を実行し得る、例示的システムを描写する。

【発明を実施するための形態】

【0021】

ここで、本開示の例示的実施形態が詳細に参照され、その実施例は、付随の図面に図示される。可能な限り、同一参照番号が、同一または同様の部品を指すために、図面全体を通して使用されるであろう。

【0022】

本明細書に開示されるシステム、デバイス、および方法は、一例として、図を参照して詳細に説明される。本明細書で議論される実施例は、実施例にすぎず、本明細書に説明される装置、デバイス、システム、および方法の解説を補助するために提供される。図面に示される、または下記に議論される、特徴または構成要素のいずれも、必須として具体的に指定されない限り、これらのデバイス、システム、または方法のいずれかの任意の具体的実装のために必須なものとして捉えられるべきではない。

【0023】

また、説明される任意の方法に関して、方法が、フロー図と併せて説明されるかどうかにかかわらず、文脈によって別様に規定または要求されない限り、方法の実行において実施されるステップの任意の明示的または暗示的順序付けは、それらのステップが、提示される順序で実施されなければならないことを含意するものではなく、代わりに、異なる順序において、または並行して実施されてもよいことを理解されたい。

【0024】

本明細書で使用されるように、用語「例示的」は、「理想的」ではなく、「実施例」の意味において使用される。さらに、用語「ａ」および「ａｎ」は、本明細書では、数量の限定を示すものではなく、むしろ、参照されるアイテムのうちの１つ以上のものの存在を示す。

【0025】

病理学は、疾患の研究を指す。より具体的には、病理学は、疾患を診断するために使用される、試験および分析を実施することを指す。例えば、組織サンプルが、病理学者（例えば、組織サンプルを分析し、任意の異常が存在するかどうかを決定する、専門家である、医師）によって、顕微鏡下で視認されるために、スライド上に設置されてもよい。すなわち、病理学試料は、複数の断片に切断され、染色され、病理学者が、検査し、診断を与えるためのスライドとして調製され得る。診断の不確実性が、スライド上で見出されるとき、病理学者は、より多くの情報を組織から集めるために、付加的切断レベル、染色、または他の試験を指示し得る。技術者は、次いで、新しいスライドを作成し得、これは、病理学者が診断を行う際に使用するための付加的情報を含有し得る。付加的スライドを作成する本プロセスは、組織の塊を採取し、それを切断し、新しいスライドを作成し、次いで、スライドを染色するステップを伴い得るためだけではなく、また、複数の指示のために一括化され得るため、時間がかかり得る。これは、病理学者が与える、最終診断を有意に遅延させ得る。加えて、遅延後でも、依然として、新しいスライドが診断を与えるために十分な情報を有するであろう保証がない場合がある。

【0026】

病理学者は、分離して、癌および他の疾患病理学スライドを評価し得る。本開示は、癌および他の疾患の診断を改良するための統合されたワークフローを提示する。ワークフローは、例えば、スライド評価、タスク、画像分析および癌検出人工知能（ＡＩ）、注釈、コンサルテーション、および推奨を１つのワークステーション内に統合し得る。特に、本開示は、ワークフロー内で利用可能な種々の例示的ユーザインターフェース、および病理学者の作業を促し、改良するためにワークフローの中に統合され得る、ＡＩツールを説明する。

【0027】

例えば、コンピュータが、組織サンプルの画像を分析し、付加的情報が特定の組織サンプルについて必要とされ得るかどうかを迅速に識別し、および／または病理学者がより詳しく調べるべき面積をハイライトするために使用され得る。したがって、付加的染色されたスライドおよび試験を取得するプロセスは、病理学者によって精査される前に、自動的に行われ得る。自動スライド区画化および染色機械と対合されると、これは、完全に自動化されたスライド調製パイプラインを提供し得る。本自動化は、少なくとも、（１）病理学者が診断を行うために不十分なスライドを決定することによって無駄にされる時間量を最小限にする、（２）付加的試験が指示されたときとそれらが生成されたときとの間の付加的時間を回避することによって、試料入手から診断までの（平均総）時間を最小限にする、（３）再切断が組織塊（例えば、病理学試料）が切断台にある間に行われることを可能にすることによって、再切断あたりの時間量および無駄にされる材料の量を低減させる、（４）スライド調製の間に無駄にされる／廃棄される組織材料の量を低減させる、（５）部分的または完全に手技を自動化することによって、スライド調製のコストを低減させる、（６）サンプルからより代表的／有益なスライドをもたらすであろう、スライドの自動カスタマイズ切断および染色を可能にする、（７）病理学者にとっての付加的試験を要求する諸経費を低減させることによって、より大量のスライドが組織塊あたり発生されることを可能にし、より情報が多く／精密な診断に寄与する、および／または（８）デジタル病理学画像の正しい性質（例えば、試料タイプに関する）を識別または照合する等の利点を有する。

【0028】

病理学者を補助するためにコンピュータを使用するプロセスは、コンピュータ処理病理学として知られる。コンピュータ処理病理学のために使用されるコンピューティング方法は、限定ではないが、統計的分析、自律的または機械学習、およびＡＩを含み得る。ＡＩは、限定ではないが、深層学習、ニューラルネットワーク、分類、クラスタ化、および回帰アルゴリズムを含み得る。コンピュータ処理病理学を使用することによって、病理学者が、その診断正確度、信頼性、効率性、およびアクセス性を改良することに役立つことで、命が救われ得る。例えば、コンピュータ処理病理学は、癌が疑われるスライドを検出することを補助し、それによって、病理学者が、最終診断を与える前に、その初期査定をチェックおよび確認することを可能にするために使用されてもよい。

【0029】

組織病理学は、スライド上に設置されている、試料の研究を指す。例えば、デジタル病理学画像が、試料（例えば、塗抹標本）を含有する、顕微鏡スライドのデジタル化された画像から成ってもよい。病理学者がスライド上の画像を分析するために使用し得る、１つの方法は、核を識別し、核が正常（例えば、良性）であるかまたは異常（例えば、悪性）であるかを分類するものである。病理学者が核を識別および分類することを補助するために、組織学的染色が、細胞を可視化するために使用されてもよい。多くの色素ベースの染色システムが、開発されており、過ヨウ素酸シッフ反応、マッソントリクローム、ニッスルおよびメチレンブルー、およびヘマトキシリンおよびエオジン（Ｈ＆Ｅ）を含む。医療診断のために、Ｈ＆Ｅは、広く使用される色素ベースの方法であって、ヘマトキシリンは、細胞核を青色に染色し、エオジンは、細胞質および細胞外マトリクスを桃色に染色し、他の組織領域は、これらの色の変動を帯びる。しかしながら、多くの場合、Ｈ＆Ｅ染色による組織学的調製は、病理学者が、診断を補助する、または治療を誘導し得る、バイオマーカを視覚的に識別するための十分な情報を提供しない。本状況では、免疫組織化学的性質（ＩＨＣ）、免疫蛍光、原位置ハイブリダイゼーション（ＩＳＨ）、または蛍光原位置ハイブリダイゼーション（ＦＩＳＨ）等の技法が、使用されてもよい。ＩＨＣおよび免疫蛍光は、例えば、組織内の具体的抗原に結合し、具体的着目タンパク質を発現する細胞の視覚的検出を可能にする、抗体の使用を伴い、これは、Ｈ＆Ｅ染色スライドの分析に基づいて、訓練された病理学者に確実に識別可能ではない、バイオマーカを明らかにし得る。ＩＳＨおよびＦＩＳＨは、採用されるプローブのタイプ（例えば、遺伝子コピー数のためのＤＮＡプローブおよびＲＮＡ発現の査定のためのＲＮＡプローブ）に応じて、遺伝子のコピーの数または具体的ＲＮＡ分子の存在量を査定するために採用されてもよい。これらの方法もまた、いくつかのバイオマーカを検出するために十分な情報を提供することができない場合、組織の遺伝子試験が、バイオマーカ（例えば、腫瘍内の具体的タンパク質または遺伝子産物の過剰発現、癌内の所与の遺伝子の増幅）が存在するかどうかを確認するために使用されてもよい。

【0030】

デジタル化された画像は、染色された顕微鏡スライドを示すように調製されてもよく、これは、病理学者が、スライド上の画像を手動で視認し、画像内の染色された異常細胞の数を推定することを可能にし得る。しかしながら、本プロセスは、いくつかの異常が検出することが困難であるため、時間がかかり得、異常を識別する際の誤差につながり得る。コンピュータ処理プロセスおよびデバイスが、病理学者が、そうでなければ検出することが困難であり得る、異常を検出することを補助するために使用されてもよい。例えば、ＡＩが、バイオマーカ（タンパク質および／または遺伝子産物の過剰発現、増幅、または具体的遺伝子の突然変異体等）をＨ＆Ｅおよび他の色素ベースの方法を使用して染色された組織のデジタル画像内の顕著な領域から予測するために使用されてもよい。組織の画像は、全体的スライド画像（ＷＳＩ）、マイクロアレイ内の組織コアの画像、または組織切片内の選択された着目面積であり得る。Ｈ＆Ｅのような染色方法を使用すると、これらのバイオマーカは、ヒトが付加的試験の補助を伴わずに視覚的に検出または定量化することが困難であり得る。ＡＩを使用して、これらのバイオマーカを組織のデジタル画像から推測することは、患者処置を改良する一方、また、より高速かつより安価となる潜在性を有する。

【0031】

検出されたバイオマーカまたは画像のみが、次いで、患者を治療するために使用されるべき具体的癌薬物または薬物組み合わせ療法を推奨するために使用され得、ＡＩは、検出されたバイオマーカを治療オプションのデータベースと相関させることによって、成功する可能性が低い、薬物または薬物組み合わせを識別し得る。これは、患者の具体的癌を標的するための免疫療法薬物の自動推奨を促進するために使用されることができる。さらに、これは、患者の具体的サブセットおよび／またはより稀有な癌型のための個人化された癌治療を可能にするために使用され得る。

【0032】

今日の病理学の分野では、病理学試料調製に対する系統的品質制御（「ＱＣ」）および組織病理学ワークフロー全体を通した診断の品質に対する品質保証（「ＱＡ」）を提供することは困難であり得る。系統的品質保証は、２人の病理学者による複製労力を要求し得ることから、リソースおよび時間集約的であるため、困難である。品質保証のためのいくつかの方法は、（１）最初の診断癌症例の２回目の精査、（２）品質保証委員会による不一致または変更された診断の周期的精査、および（３）症例のサブセットのランダム精査を含む。これらは、非包括的で、主に、遡及的で、かつ手動である。自動化および系統的ＱＣおよびＱＡ機構を用いることで、品質が、症例毎に、ワークフロー全体を通して確実にされることができる。実験室品質制御およびデジタル病理学品質制御は、患者試料の取込、プロセス、診断、およびアーカイブの成功のために不可欠である。ＱＣおよびＱＡに対する手動およびサンプリングアプローチは、実質的利点を与える。系統的ＱＣおよびＱＡは、効率性を提供し、診断品質を改良する潜在性を有する。

【0033】

上記に説明されるように、本開示のコンピュータ処理病理学プロセスおよびデバイスは、統合されたプラットフォームを提供し、実験室情報システム（ＬＩＳ）と統合しながら、ウェブブラウザまたは他のユーザインターフェースを介して、デジタル病理学画像のデータ取込、処理、および視認を含む、完全に自動化されたプロセスを可能にし得る。さらに、臨床情報が、患者データのクラウドベースのデータ分析を使用して集約されてもよい。データは、病院、医院、現場研究者等から由来してもよく、機械学習、コンピュータビジョン、自然言語処理、および／または統計的アルゴリズムによって分析され、複数の地理的特異性レベルにおいて、リアルタイム監視および健康パターンの予想を行ってもよい。

【0034】

上記に説明されるデジタル病理学画像は、デジタル病理学画像の試料または画像の性質に関するタグおよび／または標識とともに記憶されてもよく、そのようなタグ／標識は、正しくないまたは不完全である場合がある。故に、本開示は、デジタル病理学画像の正しい性質（例えば、試料タイプに関する）を識別または照合するためのシステムおよび方法を対象とする。特に、開示されるシステムおよび方法は、記憶されたタグ／標識に依拠せずに、デジタル病理学画像の試料または画像性質を自動的に予測し得る。さらに、本開示は、必ずしも、ＬＩＳまたは類似情報データベースにアクセスせずに、デジタル病理学画像の試料タイプまたはデジタル病理学画像に関する任意の情報を迅速かつ正しく識別および／または照合するためのシステムおよび方法を対象とする。本開示の一実施形態は、以前のデジタル病理学画像のデータセットに基づいてデジタル病理学画像の種々の性質を識別するように訓練される、システムを含んでもよい。訓練されたシステムは、デジタル病理学画像に示される試料に関する分類を提供し得る。分類は、試料と関連付けられる患者に関する治療または診断予測を提供することに役立ち得る。

【0035】

本開示は、試料分類ツールの１つ以上の実施形態を含む。ツールへの入力は、デジタル病理学画像および任意の関連付加的入力を含んでもよい。ツールの出力は、試料についての大域的および／または局所的情報を含んでもよい。試料は、生検または外科手術切除試料を含んでもよい。

【0036】

開示されるツールの例示的大域的出力は、画像全体についての情報、例えば、試料タイプ、試料の断片の全体的品質、ガラス病理学スライド自体の全体的品質、および／または組織形態構造特性を含有してもよい。例示的局所的出力は、画像の具体的領域内の情報を示し得、例えば、特定の画像領域は、スライド内にぼけまたは亀裂を有するものとして分類され得る。本開示は、下記にさらに詳細に説明されるように、開示される試料分類ツールの開発および使用の両方に関する実施形態を含む。

【0037】

図１Ａは、本開示の例示的実施形態による、機械学習を使用して、デジタル病理学画像に関する試料性質または画像性質情報を決定するためのシステムおよびネットワークのブロック図を図示する。

【0038】

具体的には、図１Ａは、病院、実験室、および／または医師の診療所等におけるサーバに接続され得る、電子ネットワーク１２０を図示する。例えば、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５等がそれぞれ、１つ以上のコンピュータ、サーバ、および／またはハンドヘルドモバイルデバイスを通して、インターネット等の電子ネットワーク１２０に接続されてもよい。本願の例示的実施形態によると、電子ネットワーク１２０はまた、サーバシステム１１０に接続されてもよく、これは、本開示の例示的実施形態による、疾患検出プラットフォーム１００を実装するように構成される、処理デバイスを含み得、これは、機械学習を使用して、試料を分類するために、デジタル病理学画像に関する試料性質または画像性質情報を決定するための試料分類ツール１０１を含む。

【0039】

医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５は、１つ以上の患者の細胞診試料の画像、組織病理学試料、細胞診試料のスライド、組織病理学試料のスライドのデジタル化された画像、またはそれらの任意の組み合わせを作成または別様に取得してもよい。医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５はまた、年齢、医療既往歴、癌治療既往歴、家族歴、過去の生検、または細胞診情報等の患者特有の情報の任意の組み合わせを取得してもよい。医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５は、電子ネットワーク１２０を経由して、デジタル化されたスライド画像および／または患者特有の情報をサーバシステム１１０に伝送してもよい。サーバシステム１１０は、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの少なくとも１つから受信される画像およびデータを記憶するための１つ以上の記憶デバイス１０９を含んでもよい。サーバシステム１１０はまた、記憶デバイス１０９内に記憶される画像およびデータを処理するための処理デバイスを含んでもよい。サーバシステム１１０はさらに、１つ以上の機械学習ツールまたは能力を含んでもよい。例えば、処理デバイスは、一実施形態による、疾患検出プラットフォーム１００のための機械学習ツールを含んでもよい。代替として、または加えて、本開示（または本開示のシステムおよび方法の一部）は、ローカル処理デバイス（例えば、ラップトップ）上で実施されてもよい。

【0040】

医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５は、スライドの画像を精査するために、病理学者によって使用されるシステムを指す。病院設定では、組織タイプ情報は、ＬＩＳ１２５内に記憶されてもよい。しかしながら、正しい組織分類情報が、常時、画像コンテンツと対合されるわけではない。加えて、ＬＩＳが、デジタル病理学画像に関する試料タイプにアクセスするために使用される場合でも、本標識は、ＬＩＳの多くの構成要素が、手動で入力され、大幅な許容誤差を残し得るという事実に起因して、正しくない場合がある。本開示の例示的実施形態によると、試料タイプは、ＬＩＳ１２５にアクセスする必要なく識別されてもよい、または可能性として、ＬＩＳ１２５を補正するように識別されてもよい。例えば、第三者が、ＬＩＳ内に記憶される対応する試料タイプ標識を伴わずに、画像コンテンツへの匿名化されたアクセスを与えられ得る。加えて、ＬＩＳコンテンツへのアクセスは、その取り扱いに注意を要するコンテンツに起因して限定され得る。

【0041】

図１Ｂは、機械学習を使用して、デジタル病理学画像に関する試料性質または画像性質情報を決定するための疾患検出プラットフォーム１００の例示的ブロック図を図示する。

【0042】

具体的には、図１Ｂは、一実施形態による、疾患検出プラットフォーム１００の構成要素を描写する。例えば、疾患検出プラットフォーム１００は、試料分類ツール１０１と、データ取込ツール１０２と、スライド取込ツール１０３と、スライドスキャナ１０４と、スライド管理装置１０５と、記憶装置１０６と、視認アプリケーションツール１０８とを含んでもよい。

【0043】

下記に説明されるような試料分類ツール１０１は、例示的実施形態による、機械学習を使用して、デジタル病理学画像に関する試料性質または画像性質情報を決定し、試料を分類するためのプロセスおよびシステムを指す。

【0044】

データ取込ツール１０２は、例示的実施形態による、デジタル病理学画像を分類および処理するために使用される、種々のツール、モジュール、構成要素、およびデバイスへのデジタル病理学画像の転送を促進するためのプロセスおよびシステムを指す。

【0045】

スライド取込ツール１０３は、例示的実施形態による、病理学画像を走査し、それらをデジタル形態に変換するためのプロセスおよびシステムを指す。スライドは、スライドスキャナ１０４を用いて走査されてもよく、スライド管理装置１０５は、スライド上の画像をデジタル化された病理学画像に処理し、デジタル化された画像を記憶装置１０６内に記憶してもよい。

【0046】

視認アプリケーションツール１０８は、例示的実施形態による、ユーザ（例えば、病理学者）に、デジタル病理学画像に関する試料性質または画像性質情報を提供するためのプロセスおよびシステムを指す。情報は、種々の出力インターフェース（例えば、画面、モニタ、記憶デバイス、および／またはウェブブラウザ等）を通して提供されてもよい。

【0047】

試料分類ツール１０１およびその構成要素はそれぞれ、ネットワーク１２０を経由して、デジタル化されたスライド画像および／または患者情報を、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５に伝送し、および／またはそこから受信してもよい。さらに、サーバシステム１１０は、試料分類ツール１０１、データ取込ツール１０２、スライド取込ツール１０３、スライドスキャナ１０４、スライド管理装置１０５、および視認アプリケーションツール１０８のうちの少なくとも１つから受信される画像およびデータを記憶するための記憶デバイスを含んでもよい。サーバシステム１１０はまた、記憶デバイス内に記憶される画像およびデータを処理するための処理デバイスを含んでもよい。サーバシステム１１０はさらに、例えば、処理デバイスに起因して、１つ以上の機械学習ツールまたは能力を含んでもよい。代替として、または加えて、本開示（または本開示のシステムおよび方法の一部）は、ローカル処理デバイス（例えば、ラップトップ）上で実施されてもよい。

【0048】

上記のデバイス、ツール、およびモジュールのいずれかは、１つ以上のコンピュータ、サーバ、および／またはハンドヘルドモバイルデバイスを通して、インターネットまたはクラウドサービスプロバイダ等の電子ネットワーク１２０に接続され得る、デバイス上に位置してもよい。

【0049】

図１Ｃは、本開示の例示的実施形態による、試料分類ツール１０１の例示的ブロック図を図示する。試料分類ツール１０１は、訓練画像プラットフォーム１３１および／または標的画像プラットフォーム１３５を含んでもよい。

【0050】

一実施形態によると、訓練画像プラットフォーム１３１は、訓練画像取込モジュール１３２、品質スコア決定器モジュール１３３、および／または治療識別モジュール１３４を含んでもよい。

【0051】

訓練画像プラットフォーム１３１は、一実施形態によると、機械学習モデルを訓練し、デジタル病理学画像を効果的に分析および分類するために使用される、訓練画像を作成または受信してもよい。例えば、訓練画像は、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの任意の１つまたは任意の組み合わせから受信されてもよい。訓練のために使用される画像は、実際のソース（例えば、ヒト、動物等）に由来してもよい、または合成ソース（例えば、グラフィックレンダリングエンジン、３Ｄモデル等）に由来してもよい。デジタル病理学画像の実施例は、（ａ）（限定ではないが）Ｈ＆Ｅ、ヘマトキシリンのみ、ＩＨＣ、分子病理学等の種々の染色で染色されたデジタル化されたスライド、および／または（ｂ）マイクロＣＴ等の３Ｄ撮像デバイスからのデジタル化された組織サンプルを含んでもよい。

【0052】

訓練画像取込モジュール１３２は、ヒト組織の画像およびグラフィック的にレンダリングされる画像の一方または両方に対応する、１つ以上の訓練画像を備える、データセットを作成または受信してもよい。例えば、訓練画像は、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの任意の１つまたは任意の組み合わせから受信されてもよい。本データセットは、デジタル記憶デバイス上に保たれてもよい。品質スコア決定器モジュール１３３は、デジタル病理学画像の有用性に著しく影響を及ぼし得る、大域的または局所的レベルにおける訓練画像に関する品質制御（ＱＣ）問題点（例えば、不完全性）を識別してもよい。例えば、品質スコア決定器モジュールは、画像全体についての情報、例えば、試料タイプ、試料の断片の全体的品質、ガラス病理学スライド自体の全体的品質、または組織形態構造特性を使用して、画像に関する全体的品質スコアを決定してもよい。治療識別モジュール１３４は、組織の画像を分析し、治療効果を有する（例えば、治療後）デジタル病理学画像および治療効果を有していない画像（例えば、治療前）を決定してもよい。組織内の以前の治療効果が組織自体の形態構造に影響を及ぼし得るため、デジタル病理学画像が治療効果を有するかどうかを識別することは、有用である。大部分のＬＩＳは、本特性を明示的に追跡しておらず、したがって、以前の治療効果を伴う試料タイプを分類することが、所望され得る。

【0053】

一実施形態によると、標的画像プラットフォーム１３５は、標的画像取込モジュール１３６と、試料検出モジュール１３７と、出力インターフェース１３８とを含んでもよい。標的画像プラットフォーム１３５は、標的画像を受信し、機械学習モデルを受信された標的画像に適用し、標的試料の特性を決定してもよい。例えば、標的画像は、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの任意の１つまたは任意の組み合わせから受信されてもよい。標的画像取込モジュール１３６は、標的試料に対応する標的画像を受信してもよい。試料検出モジュール１３７は、機械学習モデルを標的画像に適用し、標的試料の特性を決定してもよい。例えば、試料検出モジュール１３７は、標的試料の試料タイプを検出してもよい。試料検出モジュール１３７はまた、機械学習モデルを標的画像に適用し、標的画像に関する品質スコアを決定してもよい。さらに、試料検出モジュール１３７は、機械学習モデルを標的試料に適用し、標的試料が治療前であるかまたは治療後であるかを決定してもよい。

【0054】

出力インターフェース１３８は、標的画像および標的試料についての情報を出力するために使用されてもよい（例えば、画面、モニタ、記憶デバイス、ウェブブラウザ等）。

【0055】

図２Ａは、本開示の例示的実施形態による、試料を分類するためのツールの例示的方法を図示する、フローチャートである。例えば、例示的方法２００（例えば、ステップ２０２－２０６）は、ユーザ（例えば、医師）からの要求に応答して、試料分類ツール１０１によって実施されてもよい。

【0056】

一実施形態によると、試料を分類するための例示的方法２００は、以下のステップのうちの１つ以上のものを含んでもよい。ステップ２０２では、本方法は、標的試料に対応する標的画像を受信するステップであって、標的試料は、患者の組織サンプルを備える、ステップを含んでもよい。例えば、標的画像は、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの任意の１つまたは任意の組み合わせから受信されてもよい。

【0057】

ステップ２０４では、本方法は、機械学習モデルを標的画像に適用し、標的試料の少なくとも１つの特性および／または標的画像の少なくとも１つの特性を決定するステップを含んでもよい。標的試料の特性を決定するステップは、標的試料の試料タイプを決定するステップを含んでもよい。さらに、一実施形態によると、標的試料の特性を決定するステップは、標的試料の試料タイプに対応する信頼度値を識別するステップを含んでもよい。例えば、機械学習モデルは、種々のパラメータに従って、試料タイプにおける信頼度のレベルを示してもよい。これは、限定ではないが、ニューラルネットワークを使用して、１つ以上の特性に関する確率スコアをコンピュータ処理し、その確率を閾値処理するステップを含む、ある範囲の手段を使用することによって行われてもよい。本アプローチの代替は、確率的機械学習システムによって生成される出力のエントロピを検査するものであって、高エントロピは、より高い不確実性を示す。加えて、標的画像の特性を決定するステップは、訓練画像毎に、品質スコアを識別するステップを含んでもよい。例えば、本方法は、訓練された機械学習モデルを適用し、品質制御（ＱＣ）問題点の存在を予測するステップを含んでもよい。例えば、本方法は、品質制御問題点（例えば、不良に切断された試料切片、走査アーチファクト、損傷されたスライド、スライド上のマーキング等）を識別するステップ、および／または問題点を緩和するための措置（例えば、画像の再走査、再切断、スライド再構成等）を推奨するステップを含んでもよい。一実施形態によると、標的画像の特性を決定するステップは、標的画像内の治療効果の量を識別するステップと、標的画像の組織が治療されている予測される程度を出力するステップとを含んでもよい。

【0058】

機械学習モデルは、複数の訓練画像を処理し、少なくとも１つの特性を予測することによって発生されていてもよく、訓練画像は、ヒト組織の画像および／またはアルゴリズム的に発生される画像を含んでもよい。機械学習モデルは、分類および回帰のための機械学習方法を使用して実装されてもよい。訓練入力は、実際のまたは合成画像を含み得る。訓練入力は、強化される場合とそうではない場合がある（例えば、雑音を追加する、または反転／歪曲によって入力の異型を作成する）。例示的機械学習モデルは、限定ではないが、ニューラルネットワーク、畳み込みニューラルネットワーク、ランダムフォレスト、ロジスティック回帰、および最近傍法のうちの任意の１つまたは任意の組み合わせを含んでもよい。畳み込みニューラルネットワークは、直接、特性を判別するために必要な画像特徴表現を学習することができ、これは、試料毎に訓練すべき大量のデータが存在するとき、非常に良好に機能し得る一方、他の方法は、従来のコンピュータビジョン特徴、例えば、ＳＵＲＦまたはＳＩＦＴのいずれかまたは訓練された畳み込みニューラルネットワークによって生成される学習された埋込（例えば、記述子）と併用されることができ、これは、訓練すべき小量のデータのみが存在するとき、利点をもたらし得る。訓練画像は、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの任意の１つまたは任意の組み合わせから受信されてもよい。本データセットは、デジタル記憶デバイス上に保たれてもよい。訓練するために使用される画像は、実際のソース（例えば、ヒト、動物等）に由来してもよい、または合成ソース（例えば、グラフィックレンダリングエンジン、３Ｄモデル等）に由来してもよい。デジタル病理学画像の実施例は、（ａ）（限定ではないが）Ｈ＆Ｅ、ＩＨＣ、分子病理学等の種々の染色で染色されたデジタル化されたスライド、および／または（ｂ）マイクロＣＴ等の３Ｄ撮像デバイスからのデジタル化された組織サンプルを含んでもよい。

【0059】

ステップ２０６では、本方法は、標的試料の少なくとも１つの特性および／または標的画像の少なくとも１つの特性を出力するステップを含んでもよい。試料タイプを決定することが不可能である場合、本方法は、標的試料の試料タイプが識別不可能であることを示す、アラートを出力するステップを含んでもよい。

【0060】

図２Ｂは、本開示の例示的実施形態による、試料を分類するためのツールの例示的方法を図示する、フローチャートである。例えば、例示的方法２０８（例えば、ステップ２１０－２５０）は、ユーザ（例えば、医師）からの要求に応答して、試料分類ツール１０１によって実施されてもよい。

【0061】

一実施形態によると、試料を分類するための例示的方法２０８は、以下のステップのうちの１つ以上のものを含んでもよい。ステップ２１０では、機械学習モデルは、ヒト組織の画像およびグラフィック的にレンダリングされる画像の一方または両方に対応する１つ以上の訓練画像を備える、データセットを作成または受信してもよい。例えば、訓練画像は、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの任意の１つまたは任意の組み合わせから受信されてもよい。本データセットは、デジタル記憶デバイス上に保たれてもよい。訓練するために使用される画像は、実際のソース（例えば、ヒト、動物等）に由来してもよい、または合成ソース（例えば、グラフィックレンダリングエンジン、３Ｄモデル等）に由来してもよい。デジタル病理学画像の実施例は、（ａ）（限定ではないが）Ｈ＆Ｅ、ＩＨＣ、分子病理学等の種々の染色で染色されたデジタル化されたスライド、および／または（ｂ）マイクロＣＴ等の３Ｄ撮像デバイスからのデジタル化された組織サンプルを含んでもよい。

【0062】

ステップ２２０では、機械学習モデルは、１つ以上のパラメータに基づいて、訓練画像の訓練試料の特性を予測するように訓練されてもよい。例えば、機械学習モデルは、訓練セット内の標識を予測するようにそのパラメータを適合させてもよく（例えば、逆伝搬を用いて訓練されたニューラルネットワーク）、これは、モデルが、デジタル病理学画像が入力として与えられるとき、正しい出力挙動（例えば、対応する標識）を復元することを可能にし得る。本機械学習モデルは、分類および回帰のための機械学習方法を使用して実装されてもよい。訓練入力は、実際のまたは合成画像を含み得る。訓練入力は、強化される場合とそうではない場合がある（例えば、雑音を追加する）。例示的機械学習モデルは、限定ではないが、ニューラルネットワーク、畳み込みニューラルネットワーク、ランダムフォレスト、ロジスティック回帰、および最近傍法のうちの任意の１つまたは任意の組み合わせを含んでもよい。

【0063】

ステップ２３０では、本方法は、デジタル病理学画像（例えば、標的画像）を受信するステップを含んでもよい。例えば、標的画像は、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの任意の１つまたは任意の組み合わせから受信されてもよい。ステップ２４０では、本方法は、機械学習モデルを受信された標的画像に適用し、標的試料の特性を決定するステップを含んでもよい。標的試料の特性を決定するステップは、標的試料の試料タイプを決定するステップを含んでもよい。さらに、一実施形態によると、標的試料の特性を決定するステップは、標的試料の試料タイプに対応する信頼度値を識別するステップを含んでもよい。例えば、機械学習モデルは、種々のパラメータに従って、試料タイプにおける信頼度のレベルを示してもよい。加えて、標的画像の特性を決定するステップは、訓練画像毎に、品質スコアを識別するステップを含んでもよい。例えば、本方法は、訓練された機械学習モデルを適用し、品質制御（ＱＣ）問題点の存在を予測するステップを含んでもよい。本方法は、品質制御問題点（例えば、不良に切断された試料切片、走査アーチファクト、損傷されたスライド、スライド上のマーキング等）を識別するステップ、および／または問題点を緩和するための措置（例えば、画像の再走査、再切断、スライド再構成等）を推奨するステップを含んでもよい。一実施形態によると、標的画像の特性を決定するステップは、標的画像内の治療効果の量を識別するステップと、標的画像の組織が治療されている予測される程度を出力するステップとを含んでもよい。

【0064】

ステップ２５０では、本方法は、標的試料の特性を、モニタ、デジタル記憶デバイス等に出力するステップを含んでもよい。試料タイプを決定することが不可能である場合、本方法は、標的試料の試料タイプが識別不可能であることを示す、アラートを出力するステップを含んでもよい。

【0065】

図３は、機械学習を使用して、デジタル病理学画像に関する試料性質または画像性質情報を決定するためのツールの例示的方法を図示する。例えば、例示的方法３００および３２０（例えば、ステップ３０１－３２５）は、ユーザ（例えば、医師）からの要求に応答して、試料分類ツール１０１によって実施されてもよい。

【0066】

一実施形態によると、試料分類ツール１０１を開発するための例示的方法３００は、以下のステップのうちの１つ以上のものを含んでもよい。ステップ３０１では、機械学習モデルは、１つ以上のデジタル病理学画像および対応する試料／組織タイプ標識を備える、データセットを作成または受信してもよい。例えば、画像は、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの任意の１つまたは任意の組み合わせから受信されてもよい。本データセットは、デジタル記憶デバイス上に保たれてもよい。訓練するために使用される画像は、実際のソース（例えば、ヒト、動物等）に由来してもよい、または合成ソース（例えば、グラフィックレンダリングエンジン、３Ｄモデル等）に由来してもよい。デジタル病理学画像の実施例は、（ａ）（限定ではないが）Ｈ＆Ｅ、ＩＨＣ、分子病理学等の種々の染色で染色されたデジタル化されたスライド、および／または（ｂ）マイクロＣＴ等の３Ｄ撮像デバイスからのデジタル化された組織サンプルを含んでもよい。

【0067】

ステップ３０３では、機械学習モデルは、パラメータまたは非パラメータ機械学習モデルを訓練してもよく、例えば、その中で機械学習モデルは、画像のパラメータおよびデータセット内の対応する標識を識別してもよく、これは、モデルが、デジタル病理学画像が入力として与えられるとき、正しい出力挙動（例えば、対応する標識）を再現することを可能にし得る。本機械学習モデルは、分類および回帰のための機械学習方法を使用して実装されてもよい。訓練入力は、実際のまたは合成画像を含み得る。訓練入力は、強化される場合とそうではない場合がある（例えば、雑音を追加する）。例示的機械学習モデルは、限定ではないが、ニューラルネットワーク、畳み込みニューラルネットワーク、ランダムフォレスト、ロジスティック回帰、および最近傍法のうちの任意の１つまたは任意の組み合わせを含んでもよい。

【0068】

ステップ３０５では、機械学習モデルは、例えば、機械学習モデルの１つ以上の識別されたパラメータに基づいて、病理学画像に関する局所的および大域的出力を生成するようにプロンプトされてもよい。そのような出力は、モニタ、デジタル記憶デバイス等に行われてもよい。

【0069】

一実施形態によると、試料分類ツール１０１を使用するための例示的方法３２０は、下記のステップのうちの１つ以上のものを含んでもよい。ステップ３２１では、本方法は、デジタル病理学画像をユーザから受信するステップを含んでもよい。例えば、画像は、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの任意の１つまたは任意の組み合わせから受信されてもよい。ステップ３２３では、本方法は、訓練されたシステムをデジタル病理学画像に適用し、試料タイプを予測するステップを含んでもよい。ステップ３２５では、本方法は、試料タイプ予測をモニタ、デジタル記憶デバイス等に出力するステップを含んでもよい。

【0070】

さらに、ステップ３２５では、本方法は、予測される試料情報をＬＩＳまたはいずれかの場所内に提供される情報と比較するステップを含んでもよい。予測される情報が、記憶された情報に合致しない、または記憶された情報の所定の許容度内にない場合、アラートが、発生されてもよい、または本システムは、本不合致に起因して、入力のその処理挙動を改変し、および／または記憶された情報を補正してもよい。本方法は、ユーザ（例えば、組織ドナー）から受信された画像または関連情報を処理するために、予測される試料タイプを使用して、別の機械学習モデルまたは機械学習モデルを始動させるステップを含んでもよい。実施例は、自動化された診断を本具体的試料タイプから実施するための診断モデル、または文脈情報を多くの種類の組織から画像を処理することが可能なシステムに提供するステップを含んでもよい。試料タイプが、識別されることができない場合、本方法は、アラートをシステムまたはユーザに発生させるステップを含んでもよい。

【0071】

上記に説明される試料分類ツール１０１は、研究および／または生成／臨床／産業設定において使用可能な特定の用途または実施形態を含んでもよい。これらは、下記に詳細に説明される。

【0072】

試料タイプを識別する例示的方法は、デジタル病理学の多くの用途のために使用されてもよい。例えば、試料タイプを識別するステップは、画像情報または画像情報へのアクセスが（例えば、ＬＩＳからの）対応する試料タイプ情報を欠いている、デジタル病理学画像へのアクセスを受信する、施設のために所望され得る。識別はまた、デジタル病理学画像が試料特有の診断または診断補助ツールに送信される必要がある場合、病院内部での使用のために所望され得る。識別は、ＬＩＳ提供試料タイプ標識が実際に正しいことを確実にするための照合の形態として使用されてもよい。

【0073】

図４は、試料タイプ識別ツールのための例示的方法を図示する。例えば、例示的方法４００は、ユーザ（例えば、医師）からの要求に応答して、試料分類ツール１０１によって実施されてもよい。一実施形態によると、試料タイプ識別ツールを開発するための例示的方法４００は、下記のステップのうちの１つ以上のものを含んでもよい。ステップ４０１では、機械学習モデルは、デジタル病理学画像およびその対応する試料タイプ標識のデータセットを作成または受信してもよい。例えば、画像は、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの任意の１つまたは任意の組み合わせから受信されてもよい。本データセットは、モデルが分類するように意図される、１つ以上の試料タイプを含んでもよい。本ステップはまた、モデルが分類するように意図される、１つ以上の試料タイプを決定するステップを含んでもよい。本データセットは、デジタル記憶デバイス上に保たれてもよい。１つの試料タイプを伴う、データセットは、ＬＩＳ提供試料タイプ標識を照合するために使用されてもよい。多くの試料タイプを伴う、データセットは、より広範な識別目的のために使用されてもよい。

【0074】

ステップ４０３では、機械学習モデルは、機械学習モデルを訓練し、その試料タイプに従って、各デジタル病理学画像を分類してもよい。本モデルは、デジタル病理学画像および対応する試料タイプ標識を入力としてとってもよい。本モデルは、任意の機械学習分類モデルを使用して実装されてもよい。実装の実施例は、限定ではないが、ニューラルネットワーク、ランダムフォレスト、ロジスティック回帰、最近傍法、および密度推定アプローチのうちの任意の１つまたは任意の組み合わせを含んでもよい。畳み込みニューラルネットワークは、直接、試料タイプを判別するために使用される、画像特徴表現を学習してもよく、これは、試料毎に訓練すべき大量のデータが存在する場合、良好に機能し得る一方、他の方法は、従来のコンピュータビジョン特徴、例えば、ＳＵＲＦまたはＳＩＦＴのいずれかまたは訓練された畳み込みニューラルネットワークによって生成される学習された埋込（例えば、記述子）と併用されてもよく、これは、訓練すべきより小量のデータが存在する場合、利点をもたらし得る。ステップ４０５では、機械学習モデルは、個々の病理学画像に関する標識をデジタル記憶デバイスに出力するようにプロンプトされてもよい。

【0075】

一実施形態によると、試料タイプ識別ツールを使用するための例示的方法４２０は、下記のステップのうちの１つ以上のものを含んでもよい。ステップ４２１では、本方法は、デジタル病理学画像を受信するステップを含んでもよい。例えば、画像は、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの任意の１つまたは任意の組み合わせから受信されてもよい。ステップ４２３では、本方法は、例示的試料タイプツールの訓練された機械学習モデルを受信されたデジタル病理学画像に適用するステップと、試料タイプを予測するステップとを含んでもよい。ステップ４２５では、本方法は、画像標識に関する試料タイプ予測を、例えば、画面、モニタ、記憶デバイス等に出力するステップを含んでもよい。機械学習モデルが、デジタル病理学画像に関する既存の試料タイプ標識を照合するために使用されている場合、機械学習モデルは、所与の標識に関する信頼度または適合のインジケーションを画面、モニタ、記憶デバイス等に出力してもよい。

【0076】

図５は、デジタル病理学画像の有用性に著しく影響を及ぼし得る、大域的または局所的レベルにおける品質制御（ＱＣ）問題点（例えば、不完全性）を識別するために使用され得る、試料分類ツール１０１の例示的実施形態を図示する。例えば、例示的方法５００および５２０（例えば、ステップ５０１－５２５）は、ユーザ（例えば、医師）からの要求に応答して、試料分類ツール１０１によって実施されてもよい。例示的方法５００は、デジタル病理学画像に関するＱＣ関連情報が、ＬＩＳまたは任意のデジタル記憶デバイス内に記憶されなくてもよいことを前提として、有用であり得る。

【0077】

一実施形態によると、品質制御ツールを開発するための例示的方法５００は、下記のステップのうちの１つ以上のものを含んでもよい。ステップ５０１では、機械学習モデルは、ＱＣ問題点の実施例を含み、各画像に大域的または局所的標識を与え、ＱＣ問題点の存在を示し得る、実際のまたは合成のデータセットデジタル病理学画像を作成または受信してもよい。例えば、画像は、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの任意の１つまたは任意の組み合わせから受信されてもよい。本データセットは、デジタル記憶デバイス上に保たれてもよい。ＱＣ標識は、限定ではないが、不良に切断された試料切片、走査アーチファクト、損傷されたスライド、スライド上のマーキング等を含んでもよい。

【0078】

ステップ５０３では、機械学習モデルは、機械学習モデルを訓練し、その品質に関連して、各デジタル病理学スライドを分類してもよい。本モデルは、デジタル化された病理学画像および対応するＱＣ標識を入力としてとってもよい。例示的機械学習モデルは、限定ではないが、ニューラルネットワーク、ランダムフォレスト、ロジスティック回帰、および最近傍法のうちの任意の１つまたは任意の組み合わせを含んでもよい。ステップ５０５では、機械学習モデルは、個々の病理学画像に関するＱＣ問題点の存在を示す標識をデジタル記憶デバイスに出力するようにプロンプトされてもよい。

【0079】

一実施形態によると、ＱＣツールを使用するための例示的方法５２０は、下記のステップのうちの１つ以上のものを含んでもよい。ステップ５２１では、本方法は、デジタル病理学画像を取得または受信するステップを含んでもよい。例えば、画像は、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの任意の１つまたは任意の組み合わせから受信されてもよい。ステップ５２３では、本方法は、ＱＣツールの訓練された機械学習モデルを適用し、ＱＣ問題点の存在を予測するステップを含んでもよい。ステップ５２５では、本方法は、予測をデジタル記憶デバイス、例えば、画面、モニタ、記憶デバイス等に出力するステップを含んでもよい。本方法は、ＱＣ問題点（不良に切断された試料、走査アーチファクト等）のタイプおよび／または問題点を緩和するための措置（画像の再走査、再切断等）の推奨を、例えば、画面、モニタ、記憶デバイス等に出力するステップを含んでもよい。本方法は、画像上のＱＣ問題が組織自体に影響を直接及ぼすかどうかを出力するステップを含んでもよい。これは、例えば、画面、モニタ、記憶デバイス等で、デジタル画像が依然として病理学者によって使用可能であるかどうかを理解するために有用であり得る。

【0080】

図６は、本開示の例示的実施形態による、以前の組織治療効果識別ツールを発生させ、使用する例示的実施形態を図示する。組織内の以前の治療効果は、組織自体の形態構造に影響を及ぼし得る。大部分のＬＩＳは、本特性を明示的に追跡しておらず、したがって、以前の治療効果を伴う試料タイプを分類することが、所望され得る。１つ以上の組織タイプにおける治療効果を検出するためのシステムは、下記に説明される。例えば、例示的方法６００および６２０（例えば、ステップ６０１－６２５）は、ユーザ（例えば、医師）からの要求に応答して、試料分類ツール１０１によって実施されてもよい。

【0081】

一実施形態によると、以前の組織治療効果識別ツールを開発するための例示的方法６００は、下記のステップのうちの１つ以上のものを含んでもよい。ステップ６０１では、機械学習モデルは、治療効果を有する、組織の画像と、治療効果を有していない、組織の画像とを含む、デジタル病理学画像のデータセットを作成または受信してもよい。例えば、画像は、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの任意の１つまたは任意の組み合わせから受信されてもよい。本データセットは、単一組織タイプまたは複数の組織タイプのいずれかに関する画像を含有してもよい。本データセットは、デジタル記憶デバイス上に保たれてもよい。

【0082】

ステップ６０３では、機械学習モデルは、機械学習モデルを訓練し、各デジタル病理学画像を治療済み（例えば、治療後）または未治療（治療前）として分類してもよい。患者が、治療効果を有する場合、モデルはまた、治療効果の程度に関して訓練されてもよい。本モデルは、デジタル化された病理学画像および対応する治療効果標識を入力としてとってもよい。本モデルは、教師あり学習分類方法または教師なし密度推定または異常検出方法を使用して訓練されてもよい。教師あり学習実装の実施例は、ニューラルネットワーク、ランダムフォレスト、ロジスティック回帰、および最近傍法のうちの任意の１つまたは任意の組み合わせを含んでもよい。ステップ６０５では、機械学習モデルは、個々の病理学画像に関する治療効果の存在（例えば、治療後）を示す標識をデジタル記憶デバイスに出力するようにプロンプトされてもよい。

【0083】

一実施形態によると、以前の組織治療効果識別ツールを使用するための例示的方法６２０は、下記のステップのうちの１つ以上のものを含んでもよい。ステップ６２１では、本方法は、デジタル病理学画像を取得または受信するステップを含んでもよい。例えば、画像は、サーバシステム１１０、医師サーバ１２１、病院サーバ１２２、臨床試験サーバ１２３、研究実験室サーバ１２４、および／または実験室情報システム１２５のうちの任意の１つまたは任意の組み合わせから受信されてもよい。ステップ６２３では、本方法は、例示的な以前の治療効果ツールの訓練された機械学習モデルを適用し、治療効果の存在を予測するステップを含んでもよい。ステップ６２５では、本方法は、予測を、例えば、画面、モニタ、記憶デバイス等に出力するステップを含んでもよい。本方法は、病理学画像の組織が治療されている程度のインジケーションを、例えば、画面、モニタ、記憶デバイス等に出力するステップを含んでもよい。

【0084】

図７に示されるように、デバイス７００は、中央処理ユニット（ＣＰＵ）７２０を含んでもよい。ＣＰＵ７２０は、例えば、任意のタイプの特殊目的または汎用マイクロプロセッサデバイスを含む、任意のタイプのプロセッサデバイスであってもよい。当業者によって理解されるであろうように、ＣＰＵ７２０はまた、マルチコア／マルチプロセッサシステム内の単一プロセッサであってもよく、そのようなシステムは、単独で、またはクラスタまたはサーバファーム内で動作するコンピューティングデバイスのクラスタ内で動作する。ＣＰＵ７２０は、データ通信インフラストラクチャ７１０、例えば、バス、メッセージ待ち行列、ネットワーク、またはマルチコアメッセージ通過スキームに接続されてもよい。

【0085】

デバイス７００はまた、メインメモリ７４０、例えば、ランダムアクセスメモリ（ＲＡＭ）を含んでもよく、また、二次メモリ７３０を含んでもよい。二次メモリ７３０、例えば、読取専用メモリ（ＲＯＭ）は、例えば、ハードディスクドライブまたはリムーバブル記憶ドライブであってもよい。そのようなリムーバブル記憶ドライブは、例えば、フロッピー（登録商標）ディスクドライブ、磁気テープドライブ、光ディスクドライブ、フラッシュメモリ、または同等物を備えてもよい。リムーバブル記憶ドライブは、本実施例では、周知の様式において、リムーバブル記憶ユニットから読み取られ、および／またはその中に書き込む。リムーバブル記憶ユニットは、フロッピー（登録商標）ディスク、磁気テープ、光ディスク等を備えてもよく、これは、リムーバブル記憶ドライブによって読み取られる、そこに書き込まれる。当業者によって理解されるであろうように、そのようなリムーバブル記憶ユニットは、概して、その中に記憶されるコンピュータソフトウェアおよび／またはデータを有する、コンピュータ使用可能記憶媒体を含む。

【0086】

その代替実装では、二次メモリ７３０は、コンピュータプログラムまたは他の命令がデバイス７００の中にロードされることを可能にするための他の類似手段を含んでもよい。そのような手段の実施例は、プログラムカートリッジおよびカートリッジインターフェース（ビデオゲームデバイスに見出されるもの等）、リムーバブルメモリチップ（ＥＰＲＯＭまたはＰＲＯＭ等）および関連付けられるソケット、および他のリムーバブル記憶ユニットおよびインターフェースを含んでもよく、これは、ソフトウェアおよびデータが、リムーバブル記憶ユニットからデバイス７００に転送されることを可能にする。

【0087】

デバイス７００はまた、通信インターフェース（「ＣＯＭ」）７６０を含んでもよい。通信インターフェース７６０は、ソフトウェアおよびデータが、デバイス７００と外部デバイスとの間で転送されることを可能にする。通信インターフェース７６０は、モデム、ネットワークインターフェース（Ｅｔｈｅｒｎｅｔ（登録商標）カード等）、通信ポート、ＰＣＭＣＩＡスロットおよびカード、または同等物を含んでもよい。通信インターフェース７６０を介して転送される、ソフトウェアおよびデータは、信号の形態であってもよく、これは、通信インターフェース７６０によって受信されることが可能な電子、電磁、光学、または他の信号であってもよい。これらの信号は、デバイス７００の通信経路を介して、通信インターフェース７６０に提供されてもよく、これは、例えば、ワイヤまたはケーブル、光ファイバ、電話回線、携帯電話リンク、ＲＦリンク、または他の通信チャネルを使用して実装されてもよい。

【0088】

ハードウェア要素、オペレーティングシステム、およびそのような機器のプログラミング言語は、性質上、従来的であって、当業者は、それに十分に精通していることが想定される。デバイス７００はまた、入力および出力ポート７５０を含み、キーボード、マウス、タッチスクリーン、モニタ、ディスプレイ等の入力および出力デバイスと接続してもよい。当然ながら、種々のサーバ機能は、いくつかの類似プラットフォーム上に分散方式で実装され、処理負荷を分散させてもよい。代替として、サーバは、１つのコンピュータハードウェアプラットフォームの適切なプログラミングによって実装されてもよい。

【0089】

本開示全体を通して、構成要素またはモジュールの言及は、概して、論理的に、機能または関連機能の群を実施するためにともに群化され得る、アイテムを指す。同様の参照番号は、概して、同一または類似構成要素を指すことが意図される。構成要素およびモジュールは、ソフトウェア、ハードウェア、またはソフトウェアおよびハードウェアの組み合わせ内に実装されることができる。

【0090】

上記に説明されるツール、モジュール、および機能は、１つ以上のプロセッサによって実施されてもよい。「記憶」タイプ媒体は、随時、ソフトウェアプログラミングのための非一過性記憶装置を提供し得る、種々の半導体メモリ、テープドライブ、ディスクドライブ、および同等物等のコンピュータ、プロセッサまたは同等物、またはその関連付けられるモジュールの有形メモリのいずれかまたは全てを含んでもよい。

【0091】

ソフトウェアは、インターネット、クラウドサービスプロバイダ、または他の電気通信ネットワークを通して通信されてもよい。例えば、通信は、ソフトウェアを１つのコンピュータまたはプロセッサから別のものの中にロードすることを可能にし得る。本明細書で使用されるように、非一過性有形「記憶」媒体に制限されない限り、コンピュータまたは機械「可読媒体」等の用語は、実行のための命令をプロセッサに提供することに関わる、任意の媒体を指す。

【0092】

前述の一般的説明は、例示的および説明的にすぎず、本開示の制限ではない。本発明の他の実施形態は、明細書の考慮および本明細書に開示される本発明の実践から当業者に明白となるであろう。明細書および実施例は、例示にすぎないものと見なされることが意図される。

【図1A】

【図1B】

【図1C】

【図2A】

【図2B】

【図3】

【図4】

【図5】

【図6】

【図7】

【手続補正書】

【提出日】2021-12-24

【手続補正1】

【補正対象書類名】特許請求の範囲

【補正対象項目名】全文

【補正方法】変更

【補正の内容】

【特許請求の範囲】

【請求項1】

試料に対応する画像を分析するためのコンピュータ実装方法であって、前記方法は、
標的試料に対応する標的画像を受信することであって、前記標的試料は、患者の組織サンプルを備える、ことと、
機械学習システムを前記標的画像に適用し、前記標的試料の少なくとも１つの特性および／または前記標的画像の少なくとも１つの特性を決定することであって、前記機械学習システムは、複数の訓練画像を処理し、少なくとも１つの特性を予測することによって発生されており、前記訓練画像は、ヒト組織の画像および／またはアルゴリズム的に発生される画像を備える、ことと、
前記標的試料の少なくとも１つの特性および／または前記標的画像の少なくとも１つの特性を出力することと、
前記標的画像に関する品質スコアを識別することであって、前記品質スコアは、前記機械学習システムに従って決定される、ことと、
前記標的画像に関する品質スコアが所定の値未満であるかどうかを決定することと、
前記標的画像に関する品質スコアが前記所定の値未満であることに応答して、前記標的画像に関する品質スコアを増加させるための推奨を出力することと
を含む、コンピュータ実装方法。

【請求項2】

前記標的試料の少なくとも１つの特性に基づいて、前記標的試料の試料タイプの予測を決定することと、
前記標的試料の試料タイプの予測を出力することと
をさらに含む、請求項１に記載のコンピュータ実装方法。

【請求項3】

前記標的試料の少なくとも１つの特性に基づいて、前記標的試料の試料タイプの予測を決定することと、
前記予測の信頼度値が所定の閾値を超えないことを決定することに応答して、前記標的試料の試料タイプが識別不可能であることを示すアラートを出力することと
をさらに含む、請求項１に記載のコンピュータ実装方法。

【請求項4】

前記標的試料の少なくとも１つの特性に基づいて、前記標的試料の試料タイプの予測の信頼度値を決定することと、
前記信頼度値を出力することと
をさらに含む、請求項１に記載のコンピュータ実装方法。

【請求項5】

前記品質スコアを出力すること
をさらに含む、請求項１に記載のコンピュータ実装方法。

【請求項6】

前記推奨は、切断された試料、走査パラメータ、スライド再構成、およびスライドマーキングのうちの任意の１つまたは任意の組み合わせを備える、請求項１に記載のコンピュータ実装方法。

【請求項7】

前記標的画像および前記機械学習システムを使用して、前記標的試料が治療後であるかまたは治療前であるかを決定することと、
前記標的試料が治療後であることを決定することに応じて、前記標的画像に基づいて、前記標的試料が治療されている予測される程度を決定することと、
前記標的試料が治療されている予測される程度を出力することと
をさらに含む、請求項１に記載のコンピュータ実装方法。

【請求項8】

試料に対応する画像を分析するためのシステムであって、前記システムは、
命令を記憶する少なくとも１つのメモリと、
少なくとも１つのプロセッサであって、前記少なくとも１つのプロセッサは、前記命令を実行することにより、
標的試料に対応する標的画像を受信することであって、前記標的試料は、患者の組織サンプルを備える、ことと、
機械学習システムを前記標的画像に適用し、前記標的試料の少なくとも１つの特性および／または前記標的画像の少なくとも１つの特性を決定することであって、前記機械学習システムは、複数の訓練画像を処理し、少なくとも１つの特性を予測することによって発生されており、前記訓練画像は、ヒト組織の画像および／またはアルゴリズム的に発生される画像を備える、ことと、
前記標的試料の少なくとも１つの特性および／または前記標的画像の少なくとも１つの特性を出力することと、
前記標的画像に関する品質スコアを識別することであって、前記品質スコアは、前記機械学習システムに従って決定される、ことと、
前記標的画像に関する品質スコアが所定の値未満であるかどうかを決定することと、
前記標的画像に関する品質スコアが前記所定の値未満であることに応答して、前記標的画像に関する品質スコアを増加させるための推奨を出力することと
を含む動作を実施する、少なくとも１つのプロセッサと
を備える、システム。

【請求項9】

前記動作は、
前記標的試料の少なくとも１つの特性に基づいて、前記標的試料の試料タイプの予測を決定することと、
前記標的試料の試料タイプの予測を出力することと
をさらに含む、請求項８に記載のシステム。

【請求項10】

前記動作は、
前記標的試料の少なくとも１つの特性に基づいて、前記標的試料の試料タイプの予測を決定することと、
前記予測の信頼度値が所定の閾値を超えないことを決定することに応答して、前記標的試料の試料タイプが識別不可能であることを示すアラートを出力することと
をさらに含む、請求項８に記載のシステム。

【請求項11】

前記動作は、
前記標的試料の少なくとも１つの特性に基づいて、前記標的試料の試料タイプの予測の信頼度値を決定することと、
前記信頼度値を出力することと
をさらに含む、請求項８に記載のシステム。

【請求項12】

前記動作は、
前記品質スコアを出力すること
をさらに含む、請求項８に記載のシステム。

【請求項13】

前記推奨は、切断された試料、走査パラメータ、スライド再構成、およびスライドマーキングのうちの任意の１つまたは任意の組み合わせを備える、請求項８に記載のシステム。

【請求項14】

前記動作は、
前記標的画像および前記機械学習システムを使用して、前記標的試料が治療後であるかまたは治療前であるかを決定することと、
前記標的試料が治療後であることを決定することに応じて、前記標的画像に基づいて、前記標的試料が治療されている予測される程度を決定することと、
前記標的試料が治療されている予測される程度を出力することと
をさらに含む、請求項８に記載のシステム。

【請求項15】

試料に対応する画像を分析するためのコンピュータ実装方法であって、前記方法は、
標的試料に対応する標的画像を受信することであって、前記標的試料は、患者の組織サンプルを備える、ことと、
機械学習システムを前記標的画像に適用し、前記標的試料の少なくとも１つの特性および／または前記標的画像の少なくとも１つの特性を決定することであって、前記機械学習システムは、複数の訓練画像を処理し、少なくとも１つの特性を予測することによって発生されており、前記訓練画像は、ヒト組織の画像および／またはアルゴリズム的に発生される画像を備える、ことと、
前記標的試料の少なくとも１つの特性および／または前記標的画像の少なくとも１つの特性を出力することと、
前記標的画像および前記機械学習システムを使用して、前記標的試料が治療後であるかまたは治療前であるかを決定することと
を含む、コンピュータ実装方法。

【請求項16】

前記標的試料の少なくとも１つの特性に基づいて、前記標的試料の試料タイプの予測を決定することと、
前記標的試料の試料タイプの予測を出力することと
をさらに含む、請求項１５に記載のコンピュータ実装方法。

【請求項17】

前記標的試料の少なくとも１つの特性に基づいて、前記標的試料の試料タイプの予測を決定することと、
前記予測の信頼度値が所定の閾値を超えないことを決定することに応答して、前記標的試料の試料タイプが識別不可能であることを示すアラートを出力することと
をさらに含む、請求項１５に記載のコンピュータ実装方法。

【請求項18】

前記標的試料の少なくとも１つの特性に基づいて、前記標的試料の試料タイプの予測の信頼度値を決定することと、
前記信頼度値を出力することと
をさらに含む、請求項１５に記載のコンピュータ実装方法。

【請求項19】

前記標的試料が治療後であることを決定することに応じて、前記標的画像に基づいて、前記標的試料が治療されている予測される程度を決定することと、
前記標的試料が治療されている予測される程度を出力することと
をさらに含む、請求項１５に記載のコンピュータ実装方法。

【請求項20】

試料に対応する画像を分析するためのシステムであって、前記システムは、
命令を記憶する少なくとも１つのメモリと、
少なくとも１つのプロセッサであって、前記少なくとも１つのプロセッサは、前記命令を実行することにより、
標的試料に対応する標的画像を受信することであって、前記標的試料は、患者の組織サンプルを備える、ことと、
機械学習システムを前記標的画像に適用し、前記標的試料の少なくとも１つの特性および／または前記標的画像の少なくとも１つの特性を決定することであって、前記機械学習システムは、複数の訓練画像を処理し、少なくとも１つの特性を予測することによって発生されており、前記訓練画像は、ヒト組織の画像および／またはアルゴリズム的に発生される画像を備える、ことと、
前記標的試料の少なくとも１つの特性および／または前記標的画像の少なくとも１つの特性を出力することと、
前記標的画像および前記機械学習システムを使用して、前記標的試料が治療後であるかまたは治療前であるかを決定することと
を含む動作を実施する、少なくとも１つのプロセッサと
を備える、システム。

【手続補正2】

【補正対象書類名】明細書

【補正対象項目名】００１０

【補正方法】変更

【補正の内容】

【0010】

前述の一般的説明および以下の詳細な説明は両方とも、例示的および説明的にすぎず、請求されるような開示される実施形態の制限ではないことを理解されたい。
本発明は、例えば、以下を提供する。
（項目１）
試料に対応する画像を分析するためのコンピュータ実装方法であって、上記方法は、
標的試料に対応する標的画像を受信することであって、上記標的試料は、患者の組織サンプルを備える、ことと、
機械学習モデルを上記標的画像に適用し、上記標的試料の少なくとも１つの特性および／または上記標的画像の少なくとも１つの特性を決定することであって、上記機械学習モデルは、複数の訓練画像を処理し、少なくとも１つの特性を予測することによって発生されており、上記訓練画像は、ヒト組織の画像および／またはアルゴリズム的に発生される画像を備える、ことと、
上記標的試料の少なくとも１つの特性および／または上記標的画像の少なくとも１つの特性を出力することと
を含む、コンピュータ実装方法。
（項目２）
上記標的試料の少なくとも１つの特性に基づいて、上記標的試料の試料タイプの予測を決定することと、
上記標的試料の試料タイプの予測を出力することと
をさらに含む、項目１に記載のコンピュータ実装方法。
（項目３）
上記標的試料の少なくとも１つの特性に基づいて、上記標的試料の試料タイプの予測を決定することと、
上記予測の信頼度値が所定の閾値を超えないことを決定することに応答して、上記標的試料の試料タイプが識別不可能であることを示すアラートを出力することと
をさらに含む、項目１に記載のコンピュータ実装方法。
（項目４）
上記標的試料の少なくとも１つの特性に基づいて、上記標的試料の試料タイプの予測の信頼度値を決定することと、
上記信頼度値を出力することと
をさらに含む、項目１に記載のコンピュータ実装方法。
（項目５）
上記標的画像に関する品質スコアを識別することであって、上記品質スコアは、上記機械学習モデルに従って決定される、ことと、
上記品質スコアを出力することと
をさらに含む、項目１に記載のコンピュータ実装方法。
（項目６）
上記標的画像に関する品質スコアを識別することであって、上記品質スコアは、上記機械学習モデルに従って決定される、ことと、
上記標的画像に関する品質スコアが所定の値未満であるかどうかを決定することと、
上記標的画像に関する品質スコアが上記所定の値未満であることに応答して、上記標的画像に関する品質スコアを増加させるための推奨を出力することと
をさらに含む、項目１に記載のコンピュータ実装方法。
（項目７）
上記推奨は、切断された試料、走査パラメータ、スライド再構成、およびスライドマーキングのうちの任意の１つまたは任意の組み合わせを備える、項目６に記載のコンピュータ実装方法。
（項目８）
上記標的画像および上記機械学習モデルを使用して、上記標的試料が治療後であるかまたは治療前であるかを決定することをさらに含む、項目１に記載のコンピュータ実装方法。
（項目９）
上記標的画像および上記機械学習モデルを使用して、上記標的試料が治療後であるかまたは治療前であるかを決定することと、
上記標的試料が治療後であることを決定することに応じて、上記標的画像に基づいて、上記標的試料が治療されている予測される程度を決定することと、
上記標的試料が治療されている予測される程度を出力することと
をさらに含む、項目１に記載のコンピュータ実装方法。
（項目１０）
試料に対応する画像を分析するためのシステムであって、上記システムは、
命令を記憶するメモリと、
プロセッサであって、上記プロセッサは、上記命令を実行することにより、
標的試料に対応する標的画像を受信することであって、上記標的試料は、患者の組織サンプルを備える、ことと、
機械学習モデルを上記標的画像に適用し、上記標的試料の少なくとも１つの特性および／または上記標的画像の少なくとも１つの特性を決定することであって、上記機械学習モデルは、複数の訓練画像を処理し、少なくとも１つの特性を予測することによって発生されており、上記訓練画像は、ヒト組織の画像および／またはアルゴリズム的に発生される画像を備える、ことと、
上記標的試料の少なくとも１つの特性および／または上記標的画像の少なくとも１つの特性を出力することと
を含むプロセスを実施する、プロセッサと
を備える、システム。
（項目１１）
上記標的試料の少なくとも１つの特性に基づいて、上記標的試料の試料タイプの予測を決定することと、
上記標的試料の試料タイプの予測を出力することと
をさらに含む、項目１０に記載のシステム。
（項目１２）
上記標的試料の少なくとも１つの特性に基づいて、上記標的試料の試料タイプの予測を決定することと、
上記予測の信頼度値が所定の閾値を超えないことを決定することに応答して、上記標的試料の試料タイプが識別不可能であることを示すアラートを出力することと
をさらに含む、項目１０に記載のシステム。
（項目１３）
上記標的試料の少なくとも１つの特性に基づいて、上記標的試料の試料タイプの予測の信頼度値を決定することと、
上記信頼度値を出力することと
をさらに含む、項目１０に記載のシステム。
（項目１４）
上記標的画像に関する品質スコアを識別することであって、上記品質スコアは、上記機械学習モデルに従って決定される、ことと、
上記品質スコアを出力することと
をさらに含む、項目１０に記載のシステム。
（項目１５）
上記標的画像に関する品質スコアを識別することであって、上記品質スコアは、上記機械学習モデルに従って決定される、ことと、
上記標的画像に関する品質スコアが所定の値未満であるかどうかを決定することと、
上記標的画像に関する品質スコアが上記所定の値未満であることに応答して、上記標的画像に関する品質スコアを増加させるための推奨を出力することと
をさらに含む、項目１０に記載のシステム。
（項目１６）
上記推奨は、切断された試料、走査パラメータ、スライド再構成、およびスライドマーキングのうちの任意の１つまたは任意の組み合わせを備える、項目１５に記載のシステム。
（項目１７）
上記標的画像および上記機械学習モデルを使用して、上記標的試料が治療後であるかまたは治療前であるかを決定することをさらに含む、項目１０に記載のシステム。
（項目１８）
上記標的画像および上記機械学習モデルを使用して、上記標的試料が治療後であるかまたは治療前であるかを決定することと、
上記標的試料が治療後であることを決定することに応じて、上記標的画像に基づいて、上記標的試料が治療されている予測される程度を決定することと、
上記標的試料が治療されている予測される程度を出力することと
をさらに含む、項目１０に記載のシステム。
（項目１９）
非一過性コンピュータ可読媒体であって、上記非一過性コンピュータ可読媒体は、命令を記憶しており、上記命令は、プロセッサによって実行されると、上記プロセッサに、試料に対応する画像を分析するための方法を実施させ、上記方法は、
標的試料に対応する標的画像を受信することであって、上記標的試料は、患者の組織サンプルを備える、ことと、
機械学習モデルを上記標的画像に適用し、上記標的試料の少なくとも１つの特性および／または上記標的画像の少なくとも１つの特性を決定することであって、上記機械学習モデルは、複数の訓練画像を処理し、少なくとも１つの特性を予測することによって発生されており、上記訓練画像は、ヒト組織の画像および／またはアルゴリズム的に発生される画像を備える、ことと、
上記標的試料の少なくとも１つの特性および／または上記標的画像の少なくとも１つの特性を出力することと
を含む、非一過性コンピュータ可読媒体。
（項目２０）
上記標的試料の少なくとも１つの特性に基づいて、上記標的試料の試料タイプの予測を決定することと、
上記標的試料の試料タイプの予測を出力することと
をさらに含む、項目１９に記載の非一過性コンピュータ可読媒体。

【国際調査報告】