(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】2024-10-28
(54)【発明の名称】硝子体疾患重症度測定のためのシステム及び方法
(51)【国際特許分類】
A61B 3/10 20060101AFI20241018BHJP
【ＦＩ】
A61B3/10 100
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2024525090
(86)(22)【出願日】2022-11-10
(85)【翻訳文提出日】2024-04-25
(86)【国際出願番号】 IB2022060853
(87)【国際公開番号】W WO2023089459
(87)【国際公開日】2023-05-25
(31)【優先権主張番号】63/281,286
(32)【優先日】2021-11-19
(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】319008904
【氏名又は名称】アルコン インコーポレイティド
(74)【代理人】
【識別番号】100099759
【弁理士】
【氏名又は名称】青木 篤
(74)【代理人】
【識別番号】100123582
【弁理士】
【氏名又は名称】三橋 真二
(74)【代理人】
【識別番号】100153729
【弁理士】
【氏名又は名称】森本 有一
(74)【代理人】
【識別番号】100211177
【弁理士】
【氏名又は名称】赤木 啓二
(74)【代理人】
【識別番号】100160705
【弁理士】
【氏名又は名称】伊藤 健太郎
(72)【発明者】
【氏名】ポール アール．ハレン
【テーマコード（参考）】
4C316
【Ｆターム（参考）】
4C316AA11
4C316AB02
4C316AB06
4C316AB12
4C316AB16
4C316FB21
4C316FC14
4C316FC15
(57)【要約】
本明細書で提示される特定の態様は、硝子体疾患、特に硝子体混濁の重症度を判定する際に１つ以上の機械学習モデルを利用するシステム及び方法を提供する。このような機械学習モデルは、現在の患者が患う硝子体混濁の重症度を判定するために、過去の患者データに基づいて訓練される。その後、重症度判定は、特定のタイプの治療に対する患者の適性を含む、現在の患者のための治療の決定を知らせるために利用され得る。
【特許請求の範囲】
【請求項1】
硝子体混濁重症度測定値を生成するためのシステムであって、現在の患者の硝子体混濁状態の１つ以上の測定値を生成するように構成された１つ以上の眼科診断デバイスと、
実行可能命令を含むメモリと、
前記１つ以上の眼科診断デバイスと通信可能に結合されたプロセッサであって、前記メモリとデータ通信し、且つ１つ以上の訓練された機械学習モデルを使用して、前記現在の患者の前記硝子体混濁状態の前記１つ以上の測定値に基づいて、前記硝子体混濁状態の重症度評価を生成するために前記命令を実行するように構成されたプロセッサと、
を含み、
前記１つ以上の訓練された機械学習モデルは、少なくとも１つの過去のデータセットに基づいて訓練され、前記少なくとも１つの過去のデータセットにおける各エントリは、過去の患者に関する硝子体混濁状態の１つ以上の測定値を含み、前記測定値は、前記過去の患者の１つ以上の硝子体混濁の数、サイズ、形状、表面積、相対透明度、移動、場所、並びに、網膜及び／又は水晶体までの距離の１つ以上を示す、システム。
【請求項2】
前記重症度評価は、１～１００のスケールの重症度スコアを含み、１の重症度スコアは、最も低い重症度に対応し、及び１００の重症度スコアは、最も高い重症度に対応する、請求項１に記載のシステム。
【請求項3】
前記現在の患者の前記硝子体混濁状態の前記測定値は、前記現在の患者の眼の２次元断面画像、前記現在の患者の眼の２次元広角画像、前記現在の患者の眼の３次元画像及び前記現在の患者の眼の２次元トポグラフィックマップの１つ以上から導出される、請求項１に記載のシステム。
【請求項4】
前記眼科診断デバイスは、光干渉断層撮影（ＯＣＴ）デバイス、走査型レーザ眼底検査（ＳＬＯ）デバイス、暗視野顕微鏡、超音波デバイス及びマルチスペクトルイメージングデバイスの１つ以上を含む、請求項１に記載のシステム。
【請求項5】
前記重症度評価を生成することは、前記現在の患者の人口統計学的情報に更に基づく、請求項１に記載のシステム。
【請求項6】
前記少なくとも１つの過去のデータセットにおける各エントリは、前記過去の患者の人口統計学的情報を更に含む、請求項５に記載のシステム。
【請求項7】
前記重症度評価を生成することは、前記現在の患者の自らの硝子体混濁状態の自己評価を示す自己申告データに更に基づく、請求項１に記載のシステム。
【請求項8】
前記現在の患者の自らの硝子体混濁状態の自己評価を示す前記自己申告データは、前記現在の患者によって視覚機能質問票（ＶＦＱ）で提供された回答に基づく、請求項７に記載のシステム。
【請求項9】
前記少なくとも１つの過去のデータセットにおける各エントリは、前記過去の患者の自らの硝子体混濁状態の自己評価を示す自己申告データを更に含む、請求項１に記載のシステム。
【請求項10】
前記過去の患者の自らの硝子体混濁状態の自己評価を示す前記自己申告データは、前記過去の患者によって視覚機能質問票（ＶＦＱ）で提供された回答に基づく、請求項９に記載のシステム。
【請求項11】
前記少なくとも１つの過去のデータセットにおける各エントリは、前記過去の患者に関する治療後情報を更に含む、請求項１に記載のシステム。
【請求項12】
前記治療後情報は、治療後の前記過去の患者の前記硝子体混濁状態の１つ以上の測定値を含む、請求項１１に記載のシステム。
【請求項13】
前記治療後情報は、治療後の前記過去の患者の自らの硝子体混濁状態の自己評価を示す自己申告データを含む、請求項１１に記載のシステム。
【請求項14】
前記治療後情報は、治療後の前記過去の患者の硝子体混濁状態における改善を示す改善スコアを含む、請求項１１に記載のシステム。
【請求項15】
前記重症度評価は、治療後の前記現在の患者の硝子体混濁状態における予測される改善を示す改善スコアを含む、請求項１４に記載のシステム。
【請求項16】
前記メモリは、前記現在の患者の前記硝子体混濁状態の前記１つ以上の測定値を前記重症度評価にマッピングすることと、
前記現在の患者の前記硝子体混濁状態の前記１つ以上の測定値及び前記重症度評価を、前記１つ以上の機械学習モデルを再訓練するためのサンプルに変換することと
を行うために前記命令を実行するように更に構成される、請求項１に記載のシステム。
【発明の詳細な説明】
【背景技術】
【0001】
硝子体は、水晶体と網膜との間に位置する親水性ゲルであり、人間の眼の最大の体積を有する構成要素を構成する。健康な硝子体は、光学的に透明であり、ほとんど水で構成され、眼球を構造的に支え、急速な眼球運動及び激しい身体活動で安定性をもたらす巨大分子（コラーゲン、可溶性タンパク質及びヒアルロナン）を低濃度で含む。硝子体の光学的透明度は、これらの分子成分から構成される組織によってもたらされる。眼球を構造的に支え、光の透過を容易にすることに加えて、硝子体は、抗酸化物質のレポジトリとして且つ水晶体、毛様体及び網膜が利用する栄養素の経路として視覚生理学で重要である。
【0002】
加齢とともに、硝子体は、線維性変性及びゲル液化を起こし、その結果、場合により後部硝子体剥離（ＰＶＤ）として知られる過程で網膜から硝子体が剥離することもある。分子変化によって線維化した硝子体の液化により、ヒアルロナンからコラーゲンが解離し、液状の硝子体が形成され、コラーゲン線維が架橋して視認可能な線維になる。このような分子変化の発症を早め得る他の条件としては、近視（近眼）、眼外傷及び過去の白内障手術が挙げられる。
【0003】
液化したポケットが形成され、コラーゲン線維が凝集して大きい線維になり、硝子体が網膜から剥離することにより、「飛蚊症」としても知られる混濁が硝子体に生じる。硝子体混濁は、眼に入る光を散乱させ得るため、視力の質を悪化させ、これにより患者の視野内を動き回るように見えるスポット、影、クモの巣又は他の様々な形状として現れる。硝子体混濁は、最も一般的な眼疾患の１つであるが、ほとんど治療されない。症状は、ほとんどの患者でわずかであり、治療を必要としないが、硝子体混濁は、場合により著しい視力障害を引き起こすことがあり、それにより一部の患者では視力に関連した生活の質（ＱＯＬ）を損なうことがある。視力障害の重症度が大きい場合、硝子体混濁は、例えば、レーザ硝子体索切断及び小切開硝子体手術で治療されることもある。
【0004】
現在、硝子体混濁を臨床的に特徴付け及び類別するために、患者の自己申告に加えて、様々な光学的技法が利用されている。このような光学的技法は、硝子体混濁を光学的に観察するために、例えばスリット照明と組み合わせた手持ちレンズの利用を含む。しかしながら、これらの技法が提供するのは、最低限で変わりやすい結果であり、硝子体混濁による視力障害の程度の客観的な定量化をもたらすものではなく、その特性付け及び類別を一貫性のないものにする。患者の自己申告は、主観的なものでもあり、場合により視力障害の真の程度を示すことができない。そのため、患者の硝子体混濁発生に治療を適用するか否かを判定することは、困難であることが多い。
【発明の概要】
【発明が解決しようとする課題】
【0005】
したがって、当技術分野では、治療に関する患者の適性を知らせるために硝子体疾患の重症度を判定するための改善されたシステム及び方法が必要とされている。
【課題を解決するための手段】
【0006】
特定の実施形態によれば、硝子体混濁状態の重症度を判定する方法が提供される。本方法は、１つ以上の診断デバイスを使用して、現在の患者の硝子体混濁状態の物理的パラメータの測定値に関連する１つ以上のデータポイントを生成することと、１つ以上の訓練された機械学習モデルを使用して、現在の患者の硝子体混濁状態の物理的パラメータの測定値に関連する１つ以上のデータポイントに少なくとも部分的に基づいて、硝子体混濁状態の重症度スコアを含む１つ以上の診断判定を生成することとを含み、１つ以上の訓練された機械学習モデルは、少なくとも１つの過去のデータセットに基づいて訓練され、過去のデータセットにおける各エントリは、過去の患者に関連する診断判定にマッピングされた過去の患者に関する硝子体混濁状態の物理的パラメータの測定値に関連する１つ以上のデータポイントを含み、過去の患者に関連する診断判定は、過去の患者に関する硝子体混濁状態の重症度スコアを含み、過去の患者に関する硝子体混濁状態の物理的パラメータは、１つ以上の硝子体混濁の数、サイズ、形状、表面積、相対透明度、移動、場所並びに網膜及び／又は水晶体までの距離の１つ以上を含む。
【0007】
上記の本開示の特徴を詳細に理解することができるように、上記の簡潔に要約した本開示のより具体的な説明は、実施形態を参照することによって行われ得、そのいくつかを添付の図面に示す。しかしながら、添付の図面は、例示的な実施形態を示すにすぎないため、その範囲を限定するものとみなされるべきではなく、他の均等に効果的な実施形態が認められ得ることに留意されたい。
【図面の簡単な説明】
【0008】
【図1A-1C】本明細書で説明される特定の態様による、患者の硝子体混濁状態の重症度を判定する際に使用するために１つ以上の機械学習モデルが訓練及びデプロイされる例示的な環境を示す。
【図2】本明細書で説明される特定の態様による、患者の硝子体混濁発生の重症度を判定するために１つ以上の機械学習モデルを訓練する、１つ以上のコンピューティングシステムによって実行され得る例示的な動作を示す。
【図3】本明細書で説明される特定の態様による、患者の硝子体混濁状態の重症度を判定する、１つ以上のコンピューティングシステムによって実行され得る例示的な動作を示す。
【図4】本開示の実施形態が実行され得る例示的なシステムを示す。
【発明を実施するための形態】
【0009】
理解を容易にするために、図面間で共通の同一要素を示すために、可能な場合には同一の参照符号が使用される。更なる説明を伴わずに、１つの実施形態の要素及び特徴を他の実施形態に有益に組み込み得ることが企図される。
【0010】
以下の説明では、開示される主題の理解を容易にするために、詳細が例として記載される。しかしながら、開示される実装形態が例であり、すべての可能な実装形態を網羅するものではないことが当業者に明らかなはずである。したがって、説明される例への言及は、本開示の範囲を限定することを意図するものではないことを理解されたい。説明されるデバイス、器具、方法に対する任意の変更形態及び更なる修正形態並びに本開示の原理の更なる任意の応用形態は、本開示が関連する技術分野の当業者が通常想到するであろうことが完全に想定される。特に、１つの実装形態に関して説明される特徴、構成要素及び／又はステップは、本開示の他の実装形態に関して説明される特徴、構成要素及び／又はステップと組み合わされ得ることが十分に想定される。
【0011】
本明細書で使用される場合、「約」という用語は、公称値からの＋／－１０％の変動を指し得る。このような変動は、本明細書で提供されるいずれの値にも含まれ得ることを理解されたい。
【0012】
本開示は、一般に、硝子体疾患の重症度を判定するためのシステム及び方法に関し、より詳細には、硝子体混濁の重症度を判定するためのシステム及び方法に関する。
【0013】
上述のように、硝子体混濁の存在は、その重症度を効果的に特徴付けることが困難であることが多い一般的な眼の状態である。「飛蚊症」としても知られる硝子体混濁は、一般に、加齢とともに自然に生じ得る線維性変性及びゲル液化によって引き起こされる。健康な眼では、ヒアルロナン（すなわちヒアルロン酸）は、硝子体腔内でコラーゲン線維が凝集するのを防止し、これにより硝子体の構造及び透明性を維持し得る。しかしながら、眼が老化するにつれて、ヒアルロナンは、コラーゲンから解離し、コラーゲン線維の架橋及び凝集を引き起こし、液状の硝子体のポケットを形成する。これらの構造は、眼に入る光を散乱させ、様々な形状及び影として患者の視野に現れることがある。
【0014】
現在、顕微鏡、超音波イメージング及び動的光散乱（ＤＬＳ）を含む様々な光学的技法は、硝子体混濁を特性付け及び類別することを促進するために利用されている。しかしながら、このような技法は、硝子体混濁の構造的特徴付けを容易にするのみであり、それにより引き起こされる視力障害の程度の定量化はできない。現在、患者に関連する画像データ又は他の情報に基づいて、患者の硝子体混濁によって引き起こされる視力障害の程度を客観的に定量化することができる眼科システムは、存在しない。上述のように、患者の自己申告は、主観的なものでもあり、場合により視力障害の真の程度を示すことができない。そのため、患者の硝子体混濁状態に治療を適用するか否かを判定することは困難であることが多い。
【0015】
本明細書で提示される態様は、治療に関する患者の適性を知らせるために、患者が患う硝子体混濁の重症度を判定する際に１つ以上の機械学習モデルを利用するシステム及び方法を提供する。このような機械学習モデルは、同一又は類似の状態の様々な重症度を有する過去の患者に関連する過去の患者のデータに基づいて訓練される。これらの機械学習モデルを使用することにより、多数の過去の患者のデータを活用して、現在の患者が患う硝子体混濁の重症度のより正確な又は客観的な指標を求めることができる。本明細書で定義される場合、現在の患者とは、一般に、硝子体混濁の症状を患う患者であり、現在の患者の情報（例えば、画像データ）に基づいて、重症度測定値、例えば重症度スコアを提供するためにこれらの機械学習モデルが使用され得る患者である。重症度測定値を使用して、医師、例えば眼科外科医は、患者の状態が、レーザ硝子体索切断及び小切開硝子体手術などの治療に適するか否かを判定することができる。したがって、本明細書における技法は既存の眼科システムを改善して、患者に関連する画像データ又は他の情報に基づいて、患者の硝子体混濁状態によって引き起こされる視力障害の程度を客観的に定量化することを可能にする。
【0016】
硝子体疾患診断を改善するための例示的なコンピューティング環境
図１Ａ～図１Ｃは、患者の硝子体混濁又は硝子体混濁状態（以下では「混濁状態」）の重症度を判定する際に、１つ以上の機械学習モデルが訓練され、使用される例示的なコンピューティング環境を示す。一般に、これらの機械学習モデルは、過去の患者のデータに対応する記録を含む訓練データのコーパスを使用して訓練され、患者の混濁状態の重症度を判定する際に使用するためにデプロイされ得る。過去の患者ごとの過去の患者のデータは、患者の人口統計学的情報、治療前の患者の混濁状態の物理的パラメータの記録された測定値、治療前の自己申告重症度データ、患者の硝子体混濁重症度測定値、治療の種類などの治療に関する情報がある場合にはその情報及び／又は治療後の自己申告重症度データ並びに治療後の患者の混濁状態の物理的パラメータの測定値などの他の治療後情報を含み得る。
図１Ａ～図１Ｃは、患者の硝子体混濁又は硝子体混濁状態（以下では「混濁状態」）の重症度を判定する際に、１つ以上の機械学習モデルが訓練され、使用される例示的なコンピューティング環境を示す。一般に、これらの機械学習モデルは、過去の患者のデータに対応する記録を含む訓練データのコーパスを使用して訓練され、患者の混濁状態の重症度を判定する際に使用するためにデプロイされ得る。過去の患者ごとの過去の患者のデータは、患者の人口統計学的情報、治療前の患者の混濁状態の物理的パラメータの記録された測定値、治療前の自己申告重症度データ、患者の硝子体混濁重症度測定値、治療の種類などの治療に関する情報がある場合にはその情報及び／又は治療後の自己申告重症度データ並びに治療後の患者の混濁状態の物理的パラメータの測定値などの他の治療後情報を含み得る。
【0017】
これらの機械学習モデルは、更に詳細に後述するように、入力として、現在の患者の混濁状態の物理的パラメータの少なくとも測定値を使用し、且つ出力として、現在の患者の混濁状態の重症度スコアを含む１つ以上の硝子体混濁重症度測定値（以下では「混濁重症度測定値」）を生成するように構成され得る。本明細書では、重症度とは、混濁状態によって引き起こされる視力障害（例えば、患者の視覚機能への悪影響）の範囲又は程度をいう。硝子体混濁が重度である場合、そうでない場合と比べて視力障害が重くなり、それを矯正するためにはより集中的な形態の治療が必要になり得る。特定の実施形態では、重症度スコアは、１～１００のスケール上の値に対応するスケールスコアであり、１が最低限の重症度であり（すなわち最も低い重症度）、１００が最も重症である（すなわち最も高い重症度）。
【0018】
結果として、外科医は、現在の患者の混濁状態の重症度のより客観的且つより正確な判定を提供され得る。この情報を使用して、外科医は、現在の患者のための最適な治療の形態を決定することができる。更に詳細に後述するように、これらの機械学習モデルへの入力は、現在の患者の人口統計学的情報に関連するデータポイント、治療前の自己申告重症度データ及び現在の患者の混濁状態に関する他の情報などの追加情報を含み得ることに留意されたい。
【0019】
現在の患者に関する混濁重症度測定値を生成する機械学習モデルを訓練し、デプロイするために様々な技法が使用され得る。様々なデプロイ方式を図１Ａ～図１Ｃに示す。例えば、図１Ａは、機械学習モデルがリモートサーバ上で訓練され、患者の診察中に外科医が使用するユーザコンソールにデプロイされるデプロイ方式を示す。図１Ｂは、機械学習モデルが、ユーザコンソールを通してアクセス可能なリモートサーバ上で訓練及びデプロイされるデプロイ方式を示す。最後に、図１Ｃは、機械学習モデルがリモートサーバ上で訓練され、診断デバイス、例えばイメージングデバイスに組み込まれたコンピューティングシステムにデプロイされるデプロイ方式を示す。しかしながら、現在の患者に関する混濁重症度測定値を生成する機械学習モデルを訓練し、デプロイするための他の様々な技法が企図され得、図１Ａ～図１Ｃに示されるデプロイ方式は非限定的な説明のための例であることを認識されたい。
【0020】
図１Ａは、例示的なコンピューティング環境１００Ａを示し、ここでは、診断デバイス１１０、サーバ１２０及びユーザコンソール１３０は、現在の患者に関する混濁重症度測定値を生成する際に使用される１つ以上の機械学習モデルを、診断デバイス１１０によって提供される現在の患者の混濁状態の物理的パラメータの測定値に少なくとも部分的に基づいて訓練するためにネットワークを介して接続される。読みやすくするために、本明細書では、１つ以上の機械学習モデルを「ＭＬモデル」と呼び、単一のＭＬモデル及び複数のＭＬモデルの両方を指す。
【0021】
診断デバイス１１０は、一般に、現在の患者が患う硝子体混濁の物理的パラメータの測定値など、硝子体に関する情報を生成し得るか又は生成することを容易にし得る任意の適切なデバイスの代表である。本明細書では、硝子体混濁の物理的パラメータとは、数、サイズ、形状（例えば、ワイスリング、クモの巣又は雲）、表面積、密度又は相対透明度、移動、場所（例えば、視軸に沿った又はその周辺における場所）、網膜及び／又は水晶体までの距離など、個別（例えば、単一の混濁又は複数の混濁のうちの個々の混濁）又は集合（例えば、複数の集合体である）パラメータを指す。測定値は、いくつかの実施形態では、例えば、対応する物理的パラメータの測定値を含み得る。特定の実施形態では、測定値は、現在の患者が患う硝子体混濁の物理的パラメータの１つ以上の測定値に関連するデータポイントを含む。
【0022】
特定の実施形態では、診断デバイス１１０は、測定値が導出され得る生データを生成し得る。このような場合、生データは、例えば、眼の２次元断面画像、眼の２次元広角画像、眼の３次元画像、眼の２次元トポグラフィックマップ又は物理的パラメータの測定値が導出され得る他のデータを含み得る。一般に、任意の数の診断デバイス１１０１～１１０ｎがコンピューティング環境１００Ａに含まれ得、混濁重症度測定値を生成するＭＬモデルへの入力として使用され得る異なる種類のデータを生成するために使用され得る。コンピューティング環境１００Ａにおける各診断デバイス１１０は、患者の混濁状態、より一般的には患者の眼の１つ以上の物理的パラメータの測定値又は関連するデータポイントを生成し、且つ測定値又は関連するデータポイントをユーザコンソール１３０、サーバ１２０及び／又はレポジトリ１４０に提供することができる。
【0023】
１つの例では、診断デバイス１１０の１つは、時間又は周波数領域ＯＣＴデバイス、フーリエＯＣＴデバイスなどの光干渉断層撮影（ＯＣＴ）デバイスを含み得る。例えば、診断デバイス１１０は、現在の患者の混濁状態の様々な個別又は集合的な物理的パラメータの測定値が導出され得る、現在の患者の眼に関する１次元（例えば、中心点から）、２次元及び／又は３次元のデータ（例えば、画像データ）を生成し得るＯＣＴデバイスを含み得る。ＯＣＴデバイスは、データから、数、サイズ、形状（例えば、ワイスリング、クモの巣又は雲）、表面積、密度又は相対透明度、移動、場所（例えば、視軸に沿った又はその周辺における場所）、網膜及び／又は水晶体までの距離などを含む、現在の患者の混濁状態の重症度を特徴付けるための様々な関連測定値を導出し得る。
【0024】
診断デバイス１１０の別の１つは、現在の患者の眼底の高品質で広角の２次元画像をリアルタイムで生成し得る走査型レーザ眼底検査（ＳＬＯ）デバイスを含み得る。ＯＣＴと同様に、ＳＬＯデバイスは、数、サイズ、形状、表面積、密度又は相対透明度、移動、場所及びその網膜及び／又は水晶体までの距離などを含む、現在の患者の混濁状態の重症度を特徴付けるための様々な関連測定値を導出し得る。このような実施形態では、現在の患者の眼における硝子体混濁の存在は、広範な２次元ＳＬＯ画像における焦点の合っていない構造の存在によって示され得る。
【0025】
診断デバイス１１０の更に他の例としては、暗視野顕微鏡、超音波デバイス及び８バンド又は１０バンドのマルチスペクトル網膜イメージングシステムなどのマルチスペクトルイメージングシステムが挙げられる。一般に、現在の患者の混濁状態の様々な物理的パラメータの測定値を導出するために、任意の適切な診断デバイス１１０が、単独で又は組み合わされて利用され得る。
【0026】
サーバ１２０は、一般に、単一のコンピューティングデバイス又はコンピューティングデバイスのクラスタの代表であり、その上で訓練データセットが生成され、混濁重症度測定値を生成するためにＭＬモデルを訓練するために使用され得る。サーバ１２０は、過去の患者のデータレポジトリ１４０（以下では「レポジトリ１４０」）に通信可能に結合され、そこに過去の患者の記録が格納される。特定の実施形態では、レポジトリ１４０は、サーバ１２０、ユーザコンソール１３０及び／又は診断デバイス１１０からの情報を受信し、対応する患者の記録に情報を構造化及び組織化して格納するためのデータベースサーバであり得るか又はそれを含み得る。
【0027】
特定の態様では、レポジトリ１４０における各患者の記録は、患者の人口統計学的情報、治療前の患者の混濁状態の物理的パラメータの記録された測定値、治療前の自己申告重症度データ、患者の混濁重症度測定値、治療の種類などの治療に関する情報がある場合にはその情報及び／又は治療後の自己申告重症度データ並びに治療後の患者の混濁状態の物理的パラメータの測定値などの他の治療後情報などの情報を含む。例えば、各患者の人口統計学的情報は、患者の年齢、性別、民族及びその他を含み得る。患者の混濁状態の物理的パラメータの測定値は、上述のように、ＯＣＴデバイス、ＳＬＯデバイス、暗視野顕微鏡、マルチスペクトルイメージングシステムなどによって生成又は提供された生データ又は測定値を含み得る。各患者記録は、自らの混濁状態の結果として得られた患者の自らの視力障害の自己評価を示す１つ以上のデータポイントを含む、治療前の自己申告重症度データも含み得る。例えば、特定の実施形態では、自己申告重症度データは、「軽度」、「中等度」若しくは「重度」の３段階のスケール又は上記のように１～１００のスケールでの主観的な重症度スコアを含む。特定の場合、自己申告重症度データは、患者の自らの視力関連の生活の質（ＱＯＬ）の評価を評価し得る視覚機能質問票（ＶＦＱ）で患者が提供した回答に基づくものである。治療前の自己申告重症度データと同様に、治療後の自己申告重症度データは、治療後の患者の自らの視力障害の自己評価を示す１つ以上のデータポイントを含む。例えば、特定の実施形態では、治療後の重症度データは、主観的な重症度スコア（例えば、軽度、中等度、重度）であり得、且つ／又は患者が自らの混濁状態の治療後に提供したＶＦＱ回答に基づくものであり得る。レポジトリ１４０における他の治療後情報は、患者の混濁状態の治療後の物理的パラメータの測定値を含み得る。
【0028】
サーバ１２０は、過去の患者のこれらの記録を使用して、現在の患者のための適切な治療戦略を知らせるために混濁重症度測定値を外科医に提供し得るＭＬモデルを訓練するために使用するためのデータセットを生成する。より具体的には、図１Ａに示すように、サーバ１２０は訓練データ生成器１２２（以下では「ＴＤＧ １２２」）とモデル訓練器１２４とを含む。ＴＤＧ１２２は、レポジトリ１４０でデータを取得して、モデル訓練器１２４がＭＬモデル１２５を訓練するために使用するためのデータセットを生成する。
【0029】
モデル訓練器１２４は、訓練データセットを使用してＭＬモデル１２５を訓練するように構成された１つ以上の機械学習アルゴリズム（以下では「ＭＬアルゴリズム」と呼ぶ）を含むか又は指す。特定の実施形態では、訓練されたＭＬモデルとは、ある入力群に対する混濁重症度測定値を生成するために使用される、例えば重み及びパラメータを用いた関数をいう。ある入力群に対して異なる種類の出力を生成するために各種のＭＬアルゴリズムが使用され得る。
【0030】
ＭＬアルゴリズムは、一般に、教師あり学習アルゴリズム、教師なし学習アルゴリズム及び／又は半教師あり学習アルゴリズムを含み得る。教師なし学習は、ラベル付き回答のない入力データから構成されるデータセットから推論を引き出すために使用されるタイプの機械学習アルゴリズムである。教師あり学習は、例えば入力を出力に、例としての入力－出力ペアに基づいてマッピングする関数を学習する機械学習タスクである。教師あり学習アルゴリズムは、一般に、回帰アルゴリズム、分類アルゴリズム、決定木、ニューラルネットワークなどを含む。ラベル付きデータセットについて以下に説明する。
【0031】
訓練及びデプロイされると、患者の混濁状態の物理的パラメータの測定値、人口統計学的情報及び治療前の自己申告重症度データを含む、現在の患者に関連する特定の入力群に基づいて、ＭＬモデル１２５は、出力として、現在の患者に関する混濁重症度測定値を生成又は予測することができる。特定の態様では、モデル訓練器１２４は、現在の患者に関連する入力群を取り込み、且つ客観的な硝子体混濁重症度スコアを含む混濁重症度測定値を外科医に提供するように構成されたＭＬモデル１２５を訓練する。次いで、外科医は、重症度測定値を利用して、現在の患者のための適切な治療戦略を選択し得る。ＭＬモデル１２５を訓練するために、モデル訓練器１２４は、人口統計学的情報、いくつかの診断デバイス（例えば、ＯＣＴデバイス、ＳＬＯデバイス、暗視野顕微鏡及び／又はマルチスペクトルイメージングシステム）によって生成された混濁状態の物理的パラメータの測定値、治療前及び治療後の自己申告重症度データ、改善スコア（例えば、治療前と治療後とでの自己申告重症度データの違い）などに関連する複数の特徴量を含む複数の特徴量化データサンプルを含む、ＴＤＧ１２２によって提供されたラベル付きデータセットを利用し得る。
【0032】
このラベル付きデータセットに基づいて、様々なＭＬモデルが訓練され得る。１つの例では、ＭＬモデル１２５は、客観的な治療前の重症度評価を予測するように訓練され得る。このような例では、このようなモデルを訓練するために、モデル訓練器１２４は、ＭＬモデル１２５を介して、過去の患者に関連するデータセットにおける各サンプルから特定の又はすべての特徴量を実行し得る。特徴量は、過去の患者の人口統計学的情報（例えば、年齢、性別、民族、人種など）、患者の混濁状態に関連する治療前情報（例えば、いくつかの診断デバイスによって生成された過去の患者の個々又は集合的な硝子体混濁について、数、サイズ、形状、表面積、密度又は相対透明度、移動、場所、網膜及び／又は水晶体までの距離など）、視覚機能質問票又は同様の検査で過去の患者によって提供された治療前の自己申告重症度データなどを含み得る。各サンプルをＭＬモデル１２５で処理すると、客観的な重症度スコアの予測が得られ、これが患者の自己報告重症度スコアと比較される。多数のサンプルをＭＬモデル１２５で処理し、それに基づいて重みを調整し続けた後、ある時点で、ＭＬモデル１２５は、データセットの外れ値ではない患者によって提供された主観的な重症度スコアとより一致する客観的な重症度スコアを予測し始める。
【0033】
別の例では、異なるＭＬモデル１２５が、治療され、各患者の治療前と治療後との自己報告重症度評価の比較に基づく改善スコアによって示されたときに治療後に視力障害の改善が見られた患者に関連するデータセットにおけるサンプルを最初に選択することにより、モデル訓練器１２４によって訓練され得る。治療され、治療後に視力障害に改善がみられた患者は、治療前の自己申告による視力障害の評価が混濁状態と高い相関がある患者である可能性が高い。一方で、治療され、視力障害に改善がみられないか低下した患者は、治療前の自己申告による視力障害の評価が混濁状態と低い相関がある患者である可能性が高いことに留意されたい。したがって、より客観的な重症度評価を予測することができるＭＬモデル１２５を訓練するために、治療後の視力障害に改善（例えば、特定の閾値を上回る改善スコアによって示される改善）が見られた患者に関連するサンプルが選択される。
【0034】
適切なサンプルを選択した後、モデル訓練器１２４は、ＭＬモデル１２５で各サンプルからの特定の特徴量を処理することができ、特徴量は、過去の患者の人口統計学的情報、患者の混濁状態に関連する情報、過去の患者が視覚機能質問票又は同様の検査で提供した治療前の自己申告重症度データを含み得る。
【0035】
各サンプルをＭＬモデル１２５で処理すると、客観的な重症度評価の予測が得られ、これは、過去の患者が提供した実際の治療前の自己申告重症度スコアと比較される。２つの間のいかなる差異も誤差とみなされ、モデル訓練器１２４は、ＭＬモデル１２５における様々な特徴量又は変数に関連する重みを調整することにより、その誤差を減らすように動作し得る。ＭＬモデル１２５で多数のサンプルを処理し、ある時点以降もそれに基づく重みの調整を続けることにより、ＭＬモデル１２５は客観的な重症度スコアを正確に判定し始める。
【0036】
別の例では、ＭＬモデル１２５は、特定の治療を行うことによって現在の患者の視力障害が改善する可能性を示す改善スコアを予測するように訓練され得る。このようなモデルの場合、モデル訓練器１２４は、まず、選択された治療で治療された過去の患者に関連するデータセットにおけるサンプルを選択し、次に、ＭＬモデル１２５で各サンプルからの特定の特徴量を処理することができ、特徴量は、過去の患者の人口統計学的情報、患者の混濁状態に関連する情報、過去の患者が視覚機能質問票又は同様の検査で提供した治療前の自己申告重症度データ、改善スコアなどを含み得る。各サンプルをＭＬモデル１２５で処理すると、改善の予測が得られ、それが過去の患者の実際の改善スコアと比較される。２つの間のいかなる差異も誤差とみなされ、モデル訓練器１２４は、ＭＬモデル１２５における様々な特徴量又は変数に関連する重みを調整することにより、その誤差を減らすように動作し得る。
【0037】
様々な他のＭＬモデルも訓練され、利用され得る。ＭＬモデル１２５が訓練されると、現在の患者に関する入力群を取り込み、混濁重症度測定値（例えば、現在の患者のための治療戦略を知らせるために利用され得る客観的な重症度評価、改善スコアの予測など）を生成するためにデプロイする準備が整う。図１Ａの例では、次いで、訓練されたＭＬモデル１２５は、更に詳細に後述するように、現在の患者のための混濁重症度測定値を生成するためにユーザコンソール１３０で使用するためにデプロイされ得る。
【0038】
いくつかの態様では、ＭＬモデル１２５は、混濁重症度測定値を生成するように訓練される深層学習モデルであり得る。深層学習モデルは、例えば、畳み込みニューラルネットワーク（ＣＮＮ）、敵対的学習アルゴリズム、生成ネットワーク又はこのようなモデルの訓練に使用されるデータ内で明確に定義されないこともあるデータセット間の関係を学習し得る他の深層学習アルゴリズムを含み得る。このような場合、ＭＬモデル１２５は、診断デバイス１１０により取り込まれた生データ、例えば２次元又は３次元画像（そこから硝子体混濁の物理的パラメータの典型的な数値的測定値を導出することができる）を使用して訓練され得る。ＭＬモデル１２５は例えば、入力を深層学習モデルの１つ又は複数の層における異なるニューロンにマッピングし得る（例えば、ＭＬモデルがニューラルネットワークを使用して生成される場合）。この場合、ＭＬモデル１２５における各ニューロンは入力の内部表現における、時間とともに学習された新しい特徴量を表す。次いで、これらのニューロンは、上述のように、混濁重症度測定値を表す出力にマッピングされ得る。
【0039】
ＭＬモデル１２５が訓練された後、モデル訓練器１２４は、ＭＬモデル１２５を、現在の患者に関する混濁重症度測定値を生成する際に使用されるようにユーザコンソール１３０にデプロイする。診断デバイス１１０は、現在の患者の混濁状態の物理的パラメータの測定値を生成し、これらの測定値をサーバ１２０、ユーザコンソール１３０及び／又はレポジトリ１４０に送信する。診断デバイス１１０がデータポイントをサーバ１２０又はユーザコンソール１３０に送信する実施形態では（これらをレポジトリ１４０に直接送信する場合と異なり）、データポイントは、後のある時点で、サーバ１２０又はユーザコンソール１３０によってレポジトリ１４０に移され得、レポジトリ１４０が現在の患者の記録に測定値を格納する点に留意されたい。
【0040】
次いで、ユーザコンソール１３０は、データポイントを（レポジトリ１４０及び／又はユーザコンソール１３０の一時メモリから）取得し、データポイント及び他の患者情報（例えば、現在の患者の人口統計学的情報、自己申告重症度データなど）をＭＬモデル１２５に入力する。次いで、ユーザコンソール１３０は、ＭＬモデル１２５によって生成された重症度測定値を出力する。その後、ＭＬモデル１２５によって生成された重症度測定値にマッピングされた現在の患者の混濁状態の１つ以上の物理的パラメータの測定値を含むレポジトリ１４０における記録は、ＭＬモデル１２５を再訓練するために使用される訓練データセットにおける新しいサンプルに変換される。より一般的には、新しい（すなわち現在の）患者が診察されるたびに、その新しい患者に関する情報がレポジトリ１４０内に保存されて、訓練データセットに補足され、補足された訓練データセットは、ＭＬモデル１２５の再訓練に使用され得る。
【0041】
訓練されたＭＬモデル１２５がデプロイされると、後で詳細に説明するように、ＴＤＧ１２２は引き続き、デプロイされたＭＬモデル１２５が混濁重症度測定値を提供した患者に関連する情報で訓練データセットを拡充する。例えば、図１Ａの実施形態では、外科医は、ユーザコンソール１３０を使用して、デプロイされたＭＬモデル１２５を使用して、新しい患者について、混濁重症度測定値（例えば、硝子体混濁予測された客観的な重症度評価、予測された改善スコアなどを含む）を生成し得る。この例では、上述のように、次に人口統計学的情報、患者の混濁状態の物理的パラメータの測定値、自己申告重症度データ及び／又は治療後情報などの患者の混濁状態に関連する他の情報を含む、新しい患者に関する情報を含み得る新しい記録がレポジトリ１４０に追加される。すると、ＴＤＧ１２２は、ＭＬモデル１２５を再訓練するためにデータセットを拡充する。特定の態様では、ＴＤＧ１２２は、新しい（すなわち現在の）患者に関する情報が入手可能となるたびにデータセットを拡充する。他の特定の態様では、ＴＤＧ１２２は、新しい患者の記録のバッチでデータセットを拡充し、それにより資源効率が向上し得る。例えば、新しい患者の記録の数が１００（又はより一般的にある閾値数）に達すると、ＴＤＧ１２２は、１００の新しい患者の記録に関連する情報を使用してデータセットを拡充し得る。このような例では、１００の新しいサンプルは、ＭＬモデル１２５を再訓練するためにモデル訓練器１２４にとって利用可能となる。
【0042】
ユーザコンソール１３０は、一般に、サーバ１２０、レポジトリ１４０及び／又は診断デバイス１１０に通信可能に結合されたコンピューティングデバイス又はシステムを代表する。特定の実施形態では、ユーザコンソール１３０は、デスクトップコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、スマートフォン又は他のコンピューティングデバイスであり得る。例えば、ユーザコンソール１３０は、外科医のオフィス又はクリニックで使用されるコンピューティングシステムであり得る。別の例では、ユーザコンソール１３０は、診察室で外科医が現在の患者の診察を行うために使用するデバイスコンソールであり得る。例えば、ユーザコンソールは、診断デバイス１１０の１つ以上におけるコンソールであり得る。更に別の例では、ユーザコンソール１３０は、レーザ硝子体索切断及び小切開硝子体手術を行うことができる手術コンソールであり得る。
【0043】
図１Ａの例では、訓練されたＭＬモデル１２５は、現在の患者のための治療戦略の決定を知らせるために、例えば外科医によって利用され得る現在の患者に関する混濁重症度測定値を生成するために、サーバ１２０によってユーザコンソール１３０にデプロイされる。図示のように、ユーザコンソール１３０は、患者データ記録器（「ＰＤＲ」）１３２と重症度測定値生成器（「ＳＭＧ」）１３４とを含む。ＳＭＧ１３４は、一般に、現在の患者に関する入力群を取り込み、出力として混濁重症度測定値を生成する、ＭＬモデル１２５を含むソフトウェアモジュール又はソフトウェア命令若しくはアルゴリズムの集合を指す。特定の実施形態では、ＳＭＧ１３４は、レポジトリ１４０、診断デバイス１１０、ユーザコンソール１３０のユーザインタフェース又は何らかの他のコンポーネント及び医療技術者／医務室が現在の患者に関する情報を記録するために使用し得る他のコンピューティングデバイスの少なくとも１つから入力群を受け取るように構成される。特定の実施形態では、ＳＭＧ１３４は、ユーザコンソール１３０に通信可能に結合された表示デバイスに混濁重症度測定値を出力する、重症度測定値を印刷する、重症度測定値を含む１つ以上の電子メッセージを生成し、宛先デバイス（例えば、タブレット、スマートフォン、ウェアラブルデバイスなどの接続されたデバイス）に送信することなどを行う。
【0044】
ユーザコンソール１３０は、現在の患者の混濁状態に関するデータ及び現在の患者に関する他の患者データを受信又は生成するＰＤＲ１３２も含む。上述のように、患者データは、現在の患者に関する自己申告重症度データ、人口統計学的データ及び治療後情報などの任意の追加的な関連情報を含み得る。図１Ａの実施形態では、ＰＤＲ１３２は、現在の患者データをレポジトリ１４０及び／又はサーバ１２０に送信し、現在の患者データは、ＴＤＧ１２２により、ＭＬモデル１２５を再訓練するために使用される訓練データセットにおける新しいサンプルに変換され得る。
【0045】
図１Ｂは、混濁重症度測定値を生成するための機械学習モデルの訓練及び使用が行われる別の例示的なコンピューティング環境１００Ｂを示す。図示のように、コンピューティング環境１００Ｂは、１つ以上の診断デバイス１１０、サーバ１２０、ユーザコンソール１３０及び過去の患者のデータレポジトリ１４０を含む。図１Ｂの例では、ＴＤＧ１２２、モデル訓練器１２４、ＰＤＲ１３２及びＳＭＧ１３４は、すべてサーバ１２０上で実行される。これらのソフトウェアモジュールのすべては、図１Ａに関して説明したものと同じか又は少なくとも実質的に同様に機能する。図１Ｂの例では、診断デバイス１１０は、現在の患者に関する硝子体混濁の物理的パラメータの測定値を、サーバ１２０及び／又はレポジトリ１４０に送信し得る。ＳＭＧ１３４は、現在の患者に関連する入力群に基づいて混濁重症度測定値を生成し、混濁重症度測定値をユーザコンソール１３０に送信する。次いで、ユーザコンソール１３０は、患者データをＰＤＲ１３２に送り返し、ＰＤＲ１３２は、対応する情報を処理してレポジトリ１４０に格納する。
【0046】
図１Ｃは、混濁重症度測定値の生成が診断デバイス１１０上で実行される例示的なコンピューティング環境１００Ｃを示す。図示のように、コンピューティング環境１００Ｃは、診断デバイス１１０、サーバ１２０及び過去の患者のデータレポジトリ１４０を含む。図１Ｃの例では、ＰＤＲ１３２及びＳＭＧ１３４は、すべて診断デバイス１１０上で実行される。これらのソフトウェアモジュールのすべては、図１Ａ及び図１Ｂに関して説明したものと同じか又は少なくとも実質的に同様に機能する。
【0047】
図示のように、診断デバイス１１０は、診断ハードウェア／ソフトウェア１１２を含み、これは、一般に、ＯＣＴデバイス、ＳＬＯデバイス、マルチスペクトルイメージングシステムなどのいずれかに関連するハードウェア及びソフトウェアのコンポーネント及びモジュールを指す。診断デバイス１１０は、ＰＤＲ１３２及びＳＭＧ１３４の機能に関連する場合にその情報をユーザが入力及び／又は閲覧することを可能にするユーザインタフェース及び／又は表示デバイスも含み得る。
【0048】
機械学習モデルを使用して混濁重症度測定値を生成するための例示的な方法
図２は、本明細書で説明される特定の態様による、少なくとも現在の患者の混濁状態の物理的パラメータの測定値に基づいて、現在の患者の混濁状態に関する客観的な硝子体混濁重症度スコアを含む混濁重症度測定値を生成するためにＭＬモデルを訓練し、使用するコンピューティングシステムによって実行され得る例示的な動作２００を示す。動作２００は、図１Ａ～図１Ｃに示すユーザコンソール１３０、サーバ１２０又は診断デバイス１１０の１つ以上によって実行され得る。
図２は、本明細書で説明される特定の態様による、少なくとも現在の患者の混濁状態の物理的パラメータの測定値に基づいて、現在の患者の混濁状態に関する客観的な硝子体混濁重症度スコアを含む混濁重症度測定値を生成するためにＭＬモデルを訓練し、使用するコンピューティングシステムによって実行され得る例示的な動作２００を示す。動作２００は、図１Ａ～図１Ｃに示すユーザコンソール１３０、サーバ１２０又は診断デバイス１１０の１つ以上によって実行され得る。
【0049】
図示のように、動作２００は、ブロック２１０で開始し得る。ここで、システムは、過去の患者の記録のセットを取得する。過去の患者の記録のセットにおける各記録は、特定の過去の患者に関する情報を含む。上述のように、例えば、各記録は、人口統計学的情報、治療前の患者の混濁状態の物理的パラメータの測定値、治療前の自己申告重症度データ、治療及び治療後情報など患者の混濁状態に関連する他の情報並びに過去の患者に関して記録された任意の混濁重症度測定値を含む。特定の実施形態では、患者の混濁状態に関連する他の情報は、治療の種類及び／又は治療後の自己申告重症度データ並びに治療後の患者の混濁状態の物理的パラメータの測定値などの他の治療後情報を含む。
【0050】
ブロック２２０では、システムは、いくつかの過去の患者のうちの過去の患者ごとに、患者の人口統計学的情報、治療前の患者の混濁状態の物理的パラメータの記録された測定値、治療前の自己申告重症度データ、治療に関する情報（存在する場合）及び治療後のデータを患者の混濁重症度測定値にマッピングすることにより、訓練データセットを生成する。一般に、これらの過去の患者のデータポイント及びパラメータを、その混濁重症度測定値にマッピングすることにより、訓練データセットは、ＭＬモデルが、将来（すなわち現在）の患者に関する硝子体混濁の物理的パラメータの測定値の少なくとも入力が与えられたならば混濁重症度測定値を生成するように訓練されることを可能にし得る。
【0051】
ブロック２３０では、システムは、訓練データセットに基づいて１つ以上のＭＬモデルを訓練する。訓練されたＭＬモデルは、現在の患者の混濁状態に関する客観的な硝子体混濁重症度スコアを含む１つ以上の重症度測定値を生成するように訓練され得る。ＭＬモデルは、ＭＩＭＯモデル又はＭＩＭＯモデルのセットであり得る。
【0052】
ブロック２４０では、システムは、使用のために訓練されたＭＬモデルをデプロイする。訓練されたＭＬモデルは、例えば、図１Ａ～図１Ｃに示されるような１つ以上のサーバコンピュータ、ユーザコンソール、コンピューティングデバイスが組み込まれた診断デバイスなど又は更に図１Ａ～図１Ｃには示されないコンピューティングデバイスにデプロイされ得る。
【0053】
図３は、本明細書で説明される特定の態様による、少なくとも現在の患者の混濁状態の物理的パラメータの測定値に基づいて、現在の患者の混濁状態に関する客観的な硝子体混濁重症度スコアを含む混濁重症度測定値を生成するために、１つ以上のコンピューティングシステムによって実行され得る例示的な動作３００を示す。動作３００は、図１Ａ～図１Ｃに示されるＳＭＧ１３４などの重症度測定値生成器によって実行され得る。
【0054】
ブロック３１０では、システムは、人口統計学的情報、現在の患者の混濁状態の物理的パラメータの測定値、治療前の自己申告重症度データ及び現在の患者の混濁状態に関連する他の情報など、患者に関連する情報を受信する。
【0055】
ブロック３２０では、システムは、訓練されたＭＬモデルを使用して、客観的な重症度スコアを含む１つ以上の混濁重症度測定値を生成する。生成された混濁重症度測定値は、上記のデータポイントに少なくとも部分的に基づき得る。次いで、混濁重症度測定値は、現在の患者に関連する他の関連するデータポイントのすべてとともに、ＭＬモデルを再訓練するために、上記の訓練データセットに追加され得る。
【0056】
ブロック３３０では、システムは、指定された宛先デバイスに、生成された混濁重症度測定値を送信する。指定された宛先デバイスは、それを通して眼科治療の計画が行われるユーザコンソール（これは、１つ以上の診断デバイスに、ネットワーク又はポイントツーポイント接続を介して通信可能に結合され得るか又は診断デバイスに組み込まれ得る）又は別のデバイスから電子メッセージを受信することのできるデバイスであり得る。
【0057】
機械学習モデルを使用して混濁重症度測定値を生成するための例示的なシステム
図４は、眼科的診断及び手術を実行する際に支援するための機械学習モデルを使用する例示的システム４００を示す。例えば、システム４００は、図１に示す診断デバイス１１０、サーバ１２０及び／又はユーザコンソール１３０の１つ以上を含み得る。
図４は、眼科的診断及び手術を実行する際に支援するための機械学習モデルを使用する例示的システム４００を示す。例えば、システム４００は、図１に示す診断デバイス１１０、サーバ１２０及び／又はユーザコンソール１３０の１つ以上を含み得る。
【0058】
図示のように、システム４００は、中央処理ユニット（ＣＰＵ）４０２、各種のＩ／Ｏデバイス４１４（例えば、キーボード、ディスプレイ、マウスデバイス、ペン入力など）をシステム４００に接続できるようにし得る１つ以上のＩ／Ｏデバイスインタフェース４０４、それを通してシステム４００がネットワーク４９０（これは、ローカルネットワーク、イントラネット、インターネット又は相互に通信可能に接続される任意の他のコンピューティングデバイスの群であり得る）に接続されるネットワークインタフェース４０６、メモリ４０８、ストレージ４１０及びインタコネクト４１２を含む。
【0059】
ＣＰＵ ４０２は、メモリ４０８に格納されたプログラミング命令を取得し、実行し得る。同様に、ＣＰＵ ４０２は、メモリ４０８内にあるアプリケーションデータを取得し、格納し得る。インタコネクト４１２は、プログラミング命令及びアプリケーションデータをＣＰＵ ４０２、Ｉ／Ｏデバイスインタフェース４０４、ネットワークインタフェース４０６、メモリ４０８及びストレージ４１０間で送信する。
【0060】
ＣＰＵ ４０２は、単一のＣＰＵ、複数のＣＰＵ、複数の処理コアを有する単一のＣＰＵなどの代表として含まれる。
【0061】
メモリ４０８は、ランダムアクセスメモリなどの揮発性メモリ及び／又は不揮発性ランダムアクセスメモリ若しくは相変化ランダムアクセスメモリなどの不揮発性メモリを代表する。図示のように、メモリ４０８は、診断ソフトウェア又は命令４２０、ＳＭＧ４３０、ＰＤＲ４４０、ＴＤＧ４５０、モデル訓練器４６０及びレポジトリ４７０を含む。診断ソフトウェア４２０は、一般に、システム４００の一部である光学ハードウェア（例えば、ＯＣＴ又はＳＬＯスキャナなど）又は接続された測定デバイス（例えば、ＯＣＴデバイス、ＳＬＯデバイス、暗視野顕微鏡、マルチスペクトルイメージングデバイスなど）から生画像又は反射データを受信し、そこから硝子体混濁の１つ以上の物理的パラメータの測定値に関連するデータポイントを生成するように構成される。診断ソフトウェア４２０は、患者の混濁状態に関する客観的な重症度スコアの提供を含む重症度測定値を提供する際に使用するために、物理的パラメータの測定値に関連するデータポイントをＳＭＧ４３０に出力し得る。
【0062】
ＳＭＧ４３０は、モデル訓練器４６０によって訓練された１つ以上の訓練及びデプロイされたＭＬモデルを含むか又は使用する。ＳＭＧ４３０は、一般に、診断ソフトウェア４２０又は外部ソースから受信した物理的パラメータの測定値に関連する少なくとも１つ以上のデータポイント並びに患者の人口統計データ、自己申告された患者パラメータ及び他の関連情報を処理し、１つ以上のＭＬモデルを使用して、１つ以上の重症度測定値を生成する。
【0063】
ＰＤＲ４４０により、一般に、システム４００のユーザは、以前に定義した患者データを記録することができる。ＰＤＲ４４０は、格納されて、将来、ＳＭＧ４３０にデプロイされ、それにより使用される１つ以上のＭＬモデルを訓練するために使用される訓練データセットを生成する際に使用されるようにレポジトリ４７０にデータを出力し得る。
【0064】
上述のように、ＴＤＧ４５０は、一般に、過去の患者の情報（例えば、過去の患者のデータレポジトリ４７０に格納された情報）を使用して、ＳＭＧ４３０にデプロイされ、それにより使用される１つ以上のＭＬモデルを訓練するためにモデル訓練器４６０が使用し得る訓練データセットを生成する。
【0065】
モデル訓練器４６０は、一般に、現在の患者に関する混濁重症度測定値を生成する際にＳＭＧ４３０が使用した１つ以上のＭＬモデルを訓練する。上述のように、モデル訓練器４６０は、訓練データ生成器４５０により生成された訓練データセットを使用して、ＭＬモデルを訓練し得、訓練されたＭＬモデルを使用のためにＳＭＧ４３０（又はリモートシステム）にデプロイし得る。
【0066】
上述のように、本開示の実施形態は、現在の患者が患う硝子体混濁の重症度を判定する際に１つ以上の機械学習モデルを利用するシステム及び方法を提供する。本明細書におけるシステム及び方法を使用することにより、医師、例えば眼科外科医は、多数の過去の患者のデータを活用して、現在の患者が患う硝子体混濁のより正確な重症度を判定することができ、そして、より正確な重症度は、現在の患者のための最適化された治療戦略を決定するために利用され得る。したがって、本明細書における技法は、硝子体疾患診断の精度を高めることによって医療分野を改善し、それにより治療戦略のより良い情報に基づく選択をもたらす。
【0067】
本明細書で使用される場合、項目のリスト「の少なくとも１つ」を指す語句は、単一の要素を含む、それらの項目の任意の組み合わせを指す。例として、「ａ、ｂ又はｃの少なくとも１つ」は、ａ、ｂ、ｃ、ａ－ｂ、ａ－ｃ、ｂ－ｃ及びａ－ｂ－ｃ並びに複数の同じ要素の任意の組み合わせ（例えば、ａ－ａ、ａ－ａ－ａ、ａ－ａ－ｂ、ａ－ａ－ｃ、ａ－ｂ－ｂ、ａ－ｃ－ｃ、ｂ－ｂ、ｂ－ｂ－ｂ、ｂ－ｂ－ｃ、ｃ－ｃ並びにｃ－ｃ－ｃ又はａ、ｂ及びｃの他の任意の順序）を網羅することを意図される。
【0068】
本明細書で使用される場合、「決定する」という用語は、多様な作用を包含する。例えば、「決定する」は、算出すること、計算すること、処理すること、導出すること、調査すること、検索すること（例えば、テーブル、データベース又は別のデータ構造で検索すること）、確認することなどを含み得る。「決定する」は、受信する（例えば、情報を受信する）こと、アクセスする（例えば、メモリ内のデータにアクセスする）ことなども含み得る。「決定する」は、解くこと、選択すること、選定すること、定めることなども含み得る。
【0069】
本明細書に開示される方法は、方法を実現するための１つ以上のステップ又は作用を含む。方法ステップ及び／又は作用は、特許請求の範囲から逸脱することなく、相互交換可能であり得る。換言すれば、ステップ又は作用の具体的な順序の指定がない限り、具体的なステップ及び／又は作用の順序及び／又は使用は、特許請求の範囲から逸脱することなく変更され得る。更に、上記の方法の種々の動作は、対応する機能を実行することができる任意の適切な手段によって実行され得る。これらの手段は、回路、特定用途向け集積回路（ＡＳＩＣ）又はプロセッサを含むが、これらに限定されない種々のハードウェア及び／又はソフトウェア構成要素及び／又はモジュールを含み得る。一般に、図面に示される動作がある場合、それらの動作には、同様の番号が付けられた対応する同等のミーンズプラスファンクションの構成要素が含まれ得る。
【0070】
本開示に関連して記載される種々の図示する論理ブロック、モジュール及び回路は、汎用プロセッサ、デジタルシグナルプロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）若しくは他のプログラマブルロジックデバイス（ＰＬＤ）、個別ゲート若しくはトランジスタロジック、個別ハードウェアコンポーネント又は本明細書に記載される機能を実行するように設計されるそれらの任意の組み合わせでも実装又は実行することができる。汎用プロセッサは、マイクロプロセッサであり得るが、代替として、プロセッサは、任意の市販のプロセッサ、コントローラ、マイクロコントローラ又はステートマシンであり得る。プロセッサは、コンピューティングデバイスの組み合わせ、例えばＤＳＰとマイクロプロセッサとの組み合わせ、複数のマイクロプロセッサ、ＤＳＰコアと組み合わせた１つ以上のマイクロプロセッサ又は任意の他のそのような構成としても実装され得る。
【0071】
処理システムは、バスアーキテクチャで実装することができる。バスは、処理システムの特定の用途と全体的な設計上の制約に応じて、任意の数の相互接続するバス及びブリッジを含み得る。バスは、とりわけ、プロセッサ、機械可読媒体及び入出力デバイスを含む様々な回路を相互にリンクすることができる。ユーザインタフェース（例えば、キーパッド、ディスプレイ、マウス、ジョイスティックなど）もバスに接続され得る。バスは、タイミングソース、周辺機器、電圧レギュレータ、電力管理回路など、当技術分野でよく知られている（したがってこれ以上説明しない）他の様々な回路をリンクすることもできる。プロセッサは、１つ以上の汎用及び／又は特殊目的のプロセッサで実装することができる。例としては、マイクロプロセッサ、マイクロコントローラ、ＤＳＰプロセッサ及びソフトウェアを実行できる他の回路が挙げられる。当業者は、特定の用途及びシステム全体に課せられる全体的な設計上の制約に応じて、処理システムについて説明された機能をどのように実装するのが最善であるかを認識されよう。
【0072】
ソフトウェアに実装される場合、機能は、コンピュータ可読媒体上に１つ以上の命令又はコードとして格納又は送信され得る。ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード又はハードウェア記述言語などと呼ばれるかどうかにかかわらず、命令、データ又はそれらの任意の組み合わせを意味するように広く解釈されるものとする。コンピュータ可読媒体には、コンピュータ記憶媒体と、ある場所から別の場所へのコンピュータプログラムの転送を容易にする任意の媒体などの通信媒体との両方が含まれる。プロセッサは、コンピュータ可読記憶媒体に格納されたソフトウェアモジュールの実行を含む、バス及び一般的な処理の管理を担当することができる。コンピュータ可読記憶媒体は、プロセッサが記憶媒体から情報を読み出し、記憶媒体に情報を書き込むことができるように、プロセッサに結合され得る。代替的には、記憶媒体はプロセッサに統合することができる。例として、コンピュータ可読媒体は、伝送線路、データによって変調された搬送波及び／又は無線ノードとは別にその上に格納された命令を備えたコンピュータ可読記憶媒体を含み得、これらは、すべてプロセッサによってバスインタフェースを介してアクセスされ得る。代わりに又は更に、コンピュータ可読媒体又はその任意の部分は、キャッシュ及び／又は一般的なレジスタファイルを伴い得る場合などのプロセッサに統合され得る。機械可読記憶媒体の例としては、例として、ＲＡＭ（ランダムアクセスメモリ）、フラッシュメモリ、ＲＯＭ（読み出し専用メモリ）、ＰＲＯＭ（プログラム可能読み出し専用メモリ）、ＥＰＲＯＭ（消去可能なプログラム可能読み出し専用メモリ）、ＥＥＰＲＯＭ（電気的消去可能なプログラム可能読み出し専用メモリ）、レジスタ、磁気ディスク、光ディスク、ハードドライブ若しくは任意の他の適切な記憶媒体又はそれらの任意の組み合わせが挙げられる。機械可読媒体は、コンピュータプログラム製品に具現化することができる。
【0073】
ソフトウェアモジュールは、単一の命令又は多くの命令を含み得、いくつかの異なるコードセグメントにわたって、異なるプログラム間で且つ複数の記憶媒体にわたって分散され得る。コンピュータ可読媒体は、いくつかのソフトウェアモジュールを含み得る。ソフトウェアモジュールは、プロセッサなどの装置によって実行されると処理システムに様々な機能を実行させる命令を含む。ソフトウェアモジュールは、送信モジュール及び受信モジュールを含み得る。各ソフトウェアモジュールは、単一のストレージデバイスに常駐し得るか又は複数のストレージデバイスにわたって分散され得る。例として、トリガーイベントが発生したときにソフトウェアモジュールをハードドライブからＲＡＭに読み込むことができる。ソフトウェアモジュールの実行中に、プロセッサはアクセス速度を上げるために命令のいくつかをキャッシュに読み込むことができる。次に、１つ以上のキャッシュラインを汎用レジスタファイルに読み込んで、プロセッサで実行することができる。ソフトウェアモジュールの機能に言及するとき、そのような機能は、そのソフトウェアモジュールからの命令を実行するときにプロセッサによって実装されることが理解されよう。
【0074】
以下の特許請求の範囲は、本明細書に示す実施形態に限定されることを意図されず、特許請求の範囲の文言に一致する全範囲が認められるべきである。特許請求の範囲では、単数形での要素への言及は、具体的にそのような定めがない限り、「１つ及び１つのみ」を意味することを意図するものではなく、むしろ「１つ以上」を意味するものである。具体的に別段の定めがない限り、「いくつか」という用語は、１つ以上を指す。請求項のいかなる要素も、要素が語句「するための手段」を用いて明示的に記載されない限り又は方法クレームの場合には要素が語句「するためのステップ」を用いて記載されない限り、米国特許法第１１２条（ｆ）の規定に基づいて解釈されない。当業者に知られているか又は後に知られることになる、本開示全体を通して記載された種々の態様の要素に対するすべての構造的及び機能的均等物は、本明細書に参照により明示的に組み込まれ、特許請求の範囲に包含されることが意図される。更に、本明細書に開示したいずれのものも、そのような開示が特許請求の範囲に明示的に列挙されているか否かにかかわらず、公衆に提供されることを意図されない。
【図1A】
【図1B】
【図1C】
【図2】
【図3】
【図4】
【国際調査報告】