JP7203206B2 - 標本分類のための仮説および検証ネットワークおよび方法 - Google Patents

Description

関連出願
本出願は、２０１８年９月２０日出願の「ＨＹＰＯＴＨＥＳＩＺＥ ＡＮＤ ＨＩＥＲＡＲＣＨＩＣＡＬ ＶＥＲＩＦＩＣＡＴＩＯＮ ＮＥＴＷＯＲＫ ＦＯＲ ＣＬＡＳＳＩＦＩＣＡＴＩＯＮ／ＲＥＧＲＥＳＳＩＯＮ ＴＡＳＫ」という名称の米国特許仮出願第６２／７３４，００７号の優先権を主張するものであり、その全体をあらゆる目的で参照によって本明細書に組み入れる。

本開示の実施形態は、自動診断分析システムにおいて標本を特性評価するための方法および装置に関する。

自動診断分析システムは、１つまたはそれ以上の試薬を使用してアッセイまたは臨床分析を行い、血液標本中の血清または血漿部分中の分析物または他の成分を同定することができる。自動試験技術の改良は、分析前の標本の調製および取扱いの相応の進歩によって達成されている。そのような調整および取扱いは、例えば、実験室自動システム（ＬＡＳ）と呼ばれる自動標本調製システムによる、選別、バッチ調製、標本成分を分離するための標本容器の遠心分離、流体アクセスを容易にするためのキャップの取外し、ＨＩＬＮ（溶血、黄疸、および／もしくは脂肪血症、または正常）に関する事前スクリーニングなどである。ＬＡＳはまた、標本容器内の標本をいくつかの標本処理ステーションに自動的に輸送することができ、そこで様々な操作（例えば分析前または分析試験）が行われる。

標本が全血である場合、ゲルセパレータが標本容器に加えられて、血清または血漿部分からの沈降血液部分の分離を助ける。前処理後、標本容器は適切な分析器に輸送され、分析器は、生体液の一部（例えば血清または血漿部分）を標本容器から抽出し、反応容器（例えばキュベット）内でその流体を１つまたはそれ以上の試薬および場合によっては他の物質と混ぜ合わせることができる。次いで、問合せ放射線ビームなどを使用することによって、測光または蛍光吸収の読取りにより分析測定が行われる。測定は、エンドポイントレートまたは他の値の決定を可能にし、そこから、生体液中の分析物または他の成分の量が決定される。

しかし、患者状態または試料処理に起因することがある標本中の任意の干渉物（溶血、黄疸、および／または脂肪血症など）の存在が、１つまたはそれ以上の分析器から得られる分析物または成分測定の試験結果に悪影響を及ぼすことがある。例えば、患者の病状とは無関係であり得る標本中の溶血（Ｈ）の存在は、患者の病状の異なる解釈を引き起こすことがある。さらに、標本中の黄疸（Ｉ）および／または脂肪血症（Ｌ）の存在も、患者の病状の異なる解釈を引き起こすことがある。

いくつかのシステムでは、熟練した検査技師が、標本の血清または血漿部分の完全性を、正常（Ｎ）として、または（例えば指数を割り当てることによって）ある度合いのＨ、Ｉ、および／もしくはＬを有するものとして目視検査して評価することができる。このプロセスは、既知の基準に対する血清または血漿部分の色の検討を含むことがある。しかし、そのような手動の目視検査は非常に主観的で、労働集約的であり、人為的ミスが起こるおそれがある。

手動検査は問題を生じることがあるので、検査技師による目視検査を用いずに、代わりに自動マシンビジョン検査装置を使用して標本の完全性を評価する努力がなされており、そのような評価は分析前試験中に行われる（以下「事前スクリーニング」）。事前スクリーニングは、分画によって（例えば遠心分離によって）全血から得られた血清または血漿部分中のＨ、Ｉ、および／またはＬなどの干渉物を自動で検出することを含む。

場合によっては、１つまたはそれ以上のラベルが標本容器に直接貼付されることがある。そのようなラベルは、標本の特定の横方向の視点を部分的に遮って妨害することがあり、したがって、血清または血漿部分を視覚的に明確に観察することができないいくつかの向きがあり得る。したがって、そのような事前スクリーニングの自動化は、例えば、Ｈ、Ｉ、および／もしくはＬ、またはＮに関する自動事前スクリーニングを可能にするように標本を回転可能に向きを定めることを含んでいた（例えば、特許文献１を参照）。他のシステムでは、標本容器および標本は複数の視点から撮像され、モデルベースのシステムで処理され、したがって標本容器の回転は必要とされない（例えば、特許文献２を参照）。

場合によっては、血清または血漿部分のごく一部しか見えないことがあり、血清または血漿部分に対して行われるＨ、Ｉ、および／もしくはＬ、またはＮの読取りが高レベルの信頼性を伴わないことがある。さらに、そのようなシステムは複雑になることがあり、画像データの処理は計算上の負担が大きくなり得る。

米国特許第９，３２２，７６１号 国際公開第２０１６／１３３，９００号

したがって、溶血（Ｈ）、黄疸（Ｉ）、および／もしくは脂肪血症（Ｌ）の存在および度合い、または標本の血清もしくは血漿部分が正常（Ｎ）かどうかを判断するために、標本の血漿または血清部分を特性評価するためのロバストであり効率的な方法および装置の必要性はまだ満たされていない。より特定的には、標本がＨ、Ｉ、および／もしくはＬを含むかどうかおよびその度合い、または正常（Ｎ）であるかを決定するための改善された方法および装置の必要性はまだ満たされていない。

第１の態様によれば、標本を特性評価する方法が提供される。この方法は、１つまたはそれ以上の画像取込みデバイスによって標本の１つまたはそれ以上の画像を取り込む工程であって、１つまたはそれ以上の画像は、標本の血清または血漿部分を含み、画素データが生成される、工程と；血清または血漿部分の分類を予測するために、コンピュータで実行される第１のネットワークを使用して、標本の１つまたはそれ以上の画像の画素データを処理する工程であって、分類は、溶血、黄疸、および脂肪血症を含む、工程と；コンピュータで実行される１つまたはそれ以上の検証ネットワークを使用して、予測された分類を検証する工程と、を含む。

別の態様によれば、品質チェックモジュールが提供される。この品質チェックモジュールは、標本の血清または血漿部分を含む標本容器の１つまたはそれ以上の視点から、１つまたはそれ以上の画像を取り込むように動作可能な複数の画像取込みデバイスと；複数の画像取込みデバイスに連結されたコンピュータとを含み、コンピュータは、標本の１つまたはそれ以上の画像を取り込む工程であって、１つまたはそれ以上の画像は、標本の血清または血漿部分を含み、画素データが生成される、工程と；血清または血漿部分の分類を予測するために、コンピュータで実行される第１のネットワークを使用して、標本の１つまたはそれ以上の画像の画素データを処理する工程であって、分類は、溶血、黄疸、および脂肪血症を含む、工程と；コンピュータで実行される１つまたはそれ以上の検証ネットワークを使用して、予測された分類を検証する工程とを行うように構成され動作可能である。

別の態様では、標本試験装置が提供される。この標本試験装置は、トラックと；トラック上で可動であり、標本の血清または血漿部分を含む標本容器を含むように構成されたキャリアと；トラックの周囲に配置されて、１つまたはそれ以上の視点から標本容器および標本の血清または血漿部分の１つまたはそれ以上の画像を取り込むように動作可能である複数の画像取込みデバイスと；複数の画像取込みデバイスに連結されたコンピュータとを含み、コンピュータは：標本の１つまたはそれ以上の画像を取り込む工程であって、１つまたはそれ以上の画像は、標本の血清または血漿部分を含み、画素データが生成される、工程と；血清または血漿部分の分類を予測するために、コンピュータで実行される第１のネットワークを使用して、標本の１つまたはそれ以上の画像の画素データを処理する工程であって、分類は、溶血、黄疸、および脂肪血症を含む、工程と；コンピュータで実行される１つまたはそれ以上の検証ネットワークを使用して、予測された分類を検証する工程とを行うように構成され動作可能である。

本開示のさらに他の態様、特徴、および利点は、企図される最良の形態を含む、いくつかの例示的な実施形態および実装形態によって示される以下の詳細な説明から容易に明らかになり得る。本開示は、他の異なる実施形態も可能であり得て、本開示のいくつかの詳細は、様々な点で修正されることがある。したがって、図面および説明は、本質的に例示とみなされるべきであり、限定とみなされるべきではない。図面は、必ずしも一定の縮尺で描かれているわけではない。本開示は、添付の特許請求の範囲の範囲内にある全ての修正形態、等価形態、および代替形態を網羅する。

以下に述べる図面は、例示目的であり、必ずしも一定の縮尺で描かれているわけではない。したがって、図面および説明は、本質的に例示とみなされるべきであり、限定とみなされるべきではない。図面は、本発明の範囲を限定することをなんら意図されていない。

１つまたはそれ以上の実施形態による、干渉物の存在および度合いの決定を可能にするために、標本容器の複数の視点を含み、標本容器の複数のバックライト照明された画像を取り込み分析するように構成された品質チェックモジュール（上部が取り外されている）の概略上面図である。 １つまたはそれ以上の実施形態による、図１Ａの断面線１Ｂ－１Ｂに沿って取られた、図１Ａの品質チェックモジュール（エンクロージャ前壁が取り外された状態）の概略側面図である。 １つまたはそれ以上の実施形態によるＨＩＬＮ決定方法を実施するように構成された１つまたはそれ以上の品質チェックモジュールを含む標本試験装置の上面概略図である。 １つまたはそれ以上の実施形態による、血清または血漿部分と沈降血液部分とを含む分離された標本を含む標本容器の側面図であって、標本容器がラベルを含む図である。 １つまたはそれ以上の実施形態による、標本容器内の標本の血清または血漿部分の干渉物分類および分類の確実性の度合いを出力するように動作可能な仮説ネットワークおよび検証ネットワークを含む品質チェックモジュールの機能的構成要素のブロック図である。 １つまたはそれ以上の実施形態による、標本容器内の標本の血清または血漿部分の干渉物分類指数および分類指数の確実性の度合いを出力するように動作可能な仮説ネットワークおよび指数検証ネットワークを含む品質チェックモジュールの機能的構成要素のブロック図である。 １つまたはそれ以上の実施形態による、標本容器内の標本の血清または血漿部分の干渉物分類指数を出力するように動作可能なセグメント化畳み込みニューラルネットワーク（ＳＣＮＮ）を含む品質チェックモジュールの機能的構成要素のブロック図である。 １つまたはそれ以上の実施形態による、図４のＳＣＮＮのディープセマンティックセグメント化ネットワーク（ＤＳＳＮ）のアーキテクチャのブロック図である。 １つまたはそれ以上の実施形態による、標本容器内の標本を特性評価および検証する方法の流れ図である。

上述したように、患者状態または試料処理に起因することがある標本中の任意の干渉物（溶血、黄疸、および／または脂肪血症など）の存在が、１つまたはそれ以上の分析器から得られる分析物または成分測定の試験結果に悪影響を及ぼすことがある。例えば、患者の病状とは無関係であり得る標本中の溶血（Ｈ）の存在は、患者の病状の異なる解釈を引き起こすことがある。さらに、標本中の黄疸（Ｉ）および／または脂肪血症（Ｌ）の存在も、患者の病状の異なる解釈を引き起こすことがある。

本明細書で使用するとき、Ｈ、Ｉ、および／もしくはＬなどの干渉物、または正常（Ｎ）の決定（以下「ＨＩＬＮ」）は、標本の血清または血漿部分中の溶血（Ｈ）、黄疸（Ｉ）、または脂肪血症（Ｌ）の少なくとも１つの存在を表す。「Ｎ」は「正常」を表し、許容できる程度に少量のＨ、Ｉ、およびＬを含む血清または血漿部分と定義される。溶血は、処理中に赤血球が破壊され、赤血球から血清または血漿部分へのヘモグロビンの解放をもたらし、それにより血清または血漿部分が赤みがかった色合いを呈した状態として定義される。溶血の度合いは、溶血指数を割り当てることによって定量化される。黄疸は、胆汁色素（ビリルビン）の蓄積によって引き起こされる、血清または血漿部分が暗黄色に変色される血液の状態として定義される。黄疸の度合いは、黄疸指数を割り当てることによって定量化される。脂肪血症は、血清または血漿部分が白っぽいまたは乳白色の外観を有するような、異常に高濃度の乳化脂肪が血中に存在することとして定義される。脂肪血症の度合いは、脂肪血症指数を割り当てることによって定量化される。

本明細書に開示するネットワーク、システム、および方法は、ＨＩＬ予測を検証するネットワーク（例えばニューラルネットワーク）を含む。例えば、第１のネットワーク（例えば仮説ネットワーク）が、標本のＨＩＬＮ分類を仮説または予測し、後段のネットワーク（例えば検証ネットワーク）が、予測を検証する。標本を表す画像データまたは画素データが第１のネットワークに入力され、ＨＩＬＮ分類の仮説または予測が行われる。ＨＩＬＮ分類の仮説に基づいて、画素データは、１つまたはそれ以上の特殊な検証ネットワークによってさらに分析される。いくつかの実施形態では、第１のネットワークによって生成された最後の層または最後の層に近い層が、１つまたはそれ以上の特殊なネットワークによってさらに分析される。いくつかの実施形態では、ＨＩＬまたはＨＩＬＮ分類のそれぞれに関する特殊な検証ネットワークがあり得る。例えば、第１のネットワークが標本において溶血分類を仮説する場合、画素データは、溶血を検証および／または検出するように訓練された検証ネットワークによってさらに分析される。他の検証ネットワークは、黄疸および／または脂肪血症の仮説を検証することがある。いくつかの実施形態では、システムは、正常分類を検証するために同様の検証ネットワークを含むことがある。いくつかの実施形態では、第１のネットワークは、遠心分離されていない標本の血清または血漿部分に関する未遠心分離（Ｕ）クラスを予測または仮説することがある。

前述したことに加えて、本明細書に開示する実施形態による方法、システム、および装置は、溶血の分類指数（例えば、いくつかの実施形態ではＨ０～Ｈ６、他の実施形態ではより多いまたはより少ない）、黄疸の分類指数（例えば、いくつかの実施形態ではＩ０～Ｉ６、他の実施形態ではより多いまたはより少ない）、および／または脂肪血症の分類指数（例えば、いくつかの実施形態ではＬ０～Ｌ４、他の実施形態ではより多いまたはより少ない）を予測または仮説する第１のネットワークを含むことがある。いくつかの実施形態では、分類は、ＨＩＬ濃度を出力するために回帰によって行われる。分類指数は、特定のＨＩＬ分類の度合いまたはサブクラスと呼ばれることがある。第１のネットワークの結果は、第１のネットワークによって予測された干渉物の分類指数に特有の１つまたはそれ以上の指数検証ネットワークに入力される。いくつかの実施形態では、検証ネットワークは、第１のネットワークの予測が正しいかどうかを識別する加重応答（例えば、パーセンテージ）を提供することがある。他の実施形態では、検証ネットワークは、第１のネットワークの予測が正しいかまたは誤っているかを識別するバイナリ出力を提供することがある。

いくつかの実施形態では、第１のネットワークは、血清または血漿部分、沈降血液部分、ゲルセパレータ（使用される場合）、空気、ラベル、標本容器のタイプ（例えば、高さおよび幅／直径を示す）、ならびに／または標本容器キャップのタイプおよび／もしくは色など、標本容器および標本の様々な領域を分類（または「セグメント化」）することができる。標本容器ホルダおよび／または背景も分類されることがある。

上述した課題に鑑みて、第１の広範な態様において、本開示の実施形態は、ＨＩＬＮの存在および／または度合いを決定するように構成された方法および装置を提供する。第１のネットワーク（例えば仮説ネットワーク）は、予測された標本の分類および／または分類指数を出力するディープセマンティックセグメント化ネットワーク（ＤＳＳＮ）を含むセグメント化畳み込みニューラルネットワーク（ＳＣＮＮ）を使用することがある。いくつかの実施形態では、ＤＳＳＮは、血清または血漿部分の画素データによって表される色に少なくとも一部基づいて、標本容器内で識別される標本の血清または血漿部分の分類指数を予測することがある。ＤＳＳＮは、いくつかの実施形態では、以下でさらに述べる１００個を超える演算層を含むことがある。ＳＣＮＮは、容器タイプおよび容器境界を決定するためのフロントエンド容器セグメント化ネットワーク（ＣＳＮ）も含むことがある。次いで、この決定された容器情報は、以下でさらに述べるように、追加の入力チャネルを介してＤＳＳＮに入力される。分類予測に基づいて、特殊な検証ネットワークによって、予測を検証するためにさらに分析が行われる。いくつかの実施形態では、装置および方法は、各ＨＩＬ分類指数について少なくとも１つの指数検証ネットワークを含むことがある。

いくつかの実施形態では、ＳＣＮＮへの入力は、多重スペクトル、多重露光画素データまたは画像データでよく、これらは、統合および正規化されることがあり、１つまたはそれ以上の画像取込みデバイスから取得される。画像取込みデバイスは、デジタルカメラ、ＣＣＤ（電荷結合素子）、１つまたはそれ以上のＣＭＯＳ（相補型金属酸化物半導体）センサ、センサのアレイなど、分析のための画素化画像（例えばデジタル画像）を取り込むことが可能な任意のデバイスでよい。複数の視点（例えば３つの視点；他の数の視点も可能である）から画像を取り込むように２つ以上の画像取込みデバイスが配置および構成される。いくつかの実施形態では、本明細書で述べる方法、装置、およびシステムは、ＳＣＮＮへの入力として、標本容器および血清または血漿部分の高ダイナミックレンジ（ＨＤＲ）画像処理を使用することがある。ＨＤＲ撮像は、複数のスペクトル照明を使用しながら、複数の露光を取り込むことを含むことがある。いくつかの実施形態では、ＳＣＮＮは、標本容器の１つまたはそれ以上のラベルによって遮られた領域を認識するように訓練され、それにより、ＳＣＮＮは、Ｈ、Ｉ、Ｌ、またはＮを特性評価する際に、任意の視点から標本容器の裏側にあるラベルの存在をより良く考慮に入れることができる。

いくつかの態様によれば、特性評価方法は、品質チェックモジュールによって、およびＳＣＮＮをそれぞれ含む標本試験システムで実施されることがある。ＳＣＮＮは、例えば、ＢａｔｃｈＮｏｒｍ、ＲｅＬＵ活性化、畳み込み（例えば２Ｄ）、ドロップアウト、およびデコンボリューション（例えば２Ｄ）層を含む演算層を含むことがあり、血清または血漿部分およびラベルを含む領域の単純なエッジ、テクスチャ、および一部分などの特徴を抽出する。部分間の相関を提供するために、完全畳み込み層などの最上層が使用される。層の出力はＳｏｆｔＭａｘ層に供給され、ＳｏｆｔＭａｘ層は、各画素またはパッチがＨ、Ｉ、Ｌ、またはＮを含むかどうかに関して、画素ごと（またはｎ×ｎ画素を含むパッチごと）に出力を生成する。いくつかの実施形態では、Ｈ、Ｉ、Ｌ、またはＮの出力のみがＳＣＮＮから提供される。他の実施形態では、ＳＣＮＮの出力は、存在する干渉物ごとに干渉物のレベル（指数）の推定値も得られるように、Ｈ、Ｉ、ＬまたはＮの２０個を超える血清クラスまたは指数を有する細粒度のＨ、Ｉ、Ｌ、またはＮでよい。

標本がＨ、Ｉ、およびＬのうちの１つまたはそれ以上を含むことが判明した場合、操作者に適切な通知が提供され、および／または標本容器がオフラインにされて、（１）Ｈ、Ｉ、およびＬのうちの１つまたはそれ以上を修正するために改善手段を行う、（２）標本を再採取する、または（３）他の処理を行う。したがって、遠心分離後、かつ１つまたはそれ以上の分析器による分析前の最初に可能な時点などにＨ、Ｉ、Ｌ、またはＮを事前スクリーニングする機能は、有利には（ａ）分析に適切な質でない標本を分析するのに費やされる時間を最小限に抑えることができ、（ｂ）誤った試験結果を回避するまたは最小限に抑えることができ、（ｃ）患者の試験結果の遅延を最小限に抑えることができ、かつ／または（ｄ）患者標本の浪費を回避することができる。

特性評価および検証方法、特性評価および検証方法を実施するように構成された装置、システム、および品質チェックモジュール、ならびに１つまたはそれ以上の品質チェックモジュールを含む標本試験装置のさらなる詳細を、図１Ａ～６を参照して本明細書でさらに述べる。

ここで図１Ａおよび１Ｂを参照する。図１Ａおよび１Ｂは、本明細書に図示して述べる特性評価および検証方法を実施するように構成された品質チェックモジュール１００の実施形態を示す。品質チェックモジュール１００は、品質チェックモジュールに連結された１つまたはそれ以上の分析器による分析（図１Ｃ）の前に、標本容器１０６内の標本１０４中の干渉物（例えば、Ｈ、Ｉ、および／またはＬ）の存在および度合い（例えば指数）について事前スクリーニングするように構成される。このような事前スクリーニングは、貴重な分析器リソースを浪費することなく、または場合によっては干渉物の存在が試験結果の信頼性に影響を及ぼすことなく、標本１０４の追加の処理、追加の定量化もしくは特性評価、ならびに／または廃棄および／もしくは再採取を可能にする。品質チェックモジュール１００は、標本１０４が正常であるかどうかを判断することもある。

本明細書で述べる干渉物検出法に加えて、品質チェックモジュール１００で標本容器１０６に含まれる標本１０４に対して他の検出法を行うこともできる。例えば、容器セグメント化ネットワーク（ＣＳＮ ４６２。図４）からの出力としてセグメント化を提供するために品質チェックモジュール１００で方法が実施される。セグメント化データは、標本１０４を定量化する、すなわち、標本１０４の特定の物理的寸法特性を決定するための後処理工程で使用される。

さらに図２を参照する。図２は、１つまたはそれ以上の実施形態による、標本１０４を含む標本容器１０６の側面図を示す。標本１０４は、ゲルセパレータ２０７を含むことがあり、ゲルセパレータ２０７は、標本１０４の血清または血漿部分２０４ＳＰを標本１０４の沈降血液部分２０４ＳＢから分離する。血清および血漿部分２０４ＳＰの上方に空気２０８が入り、それらの間の境界線は、液体－空気界面（ＬＡ）と定義される。キャップ２０９が、標本容器１０６を封止することができる。セグメント化によって少なくとも部分的に決定される物理的特性は、標本容器１０６の上部（ＴＣ）の位置、標本容器１０６の高さ（ＨＴ）、標本容器１０６の幅（Ｗ）、標本容器１０６の内幅（Ｗｉ）、および標本容器１０６の壁の厚さ（Ｔｗ）を含むことがある。さらに、セグメント化データは、液体－空気界面（ＬＡ）の位置と、標本１０４の全高（ＨＴＯＴ）と、ゲルセパレータ２０７の上側位置（ＧＵ）および下側位置（ＧＬ）とを提供することがある。上側位置（ＧＵ）と下側位置（ＧＬ）との差は、ゲルセパレータ２０７の高さである。特徴は、血清または血漿部分２０４ＳＰの高さＨＳＰおよび沈降血液部分２０４ＳＢの高さＨＳＢをさらに含むことがある。また、定量化は、血清または血漿部分の体積および／または沈降血液部分の体積を推定することを含むこともある。キャップ２０９のサイズおよび色など、他の定量化可能な幾何学的特徴も決定されることがある。

標本容器１０６にはラベル２１０が付され、ラベル２１０は、バーコード、アルファベット、数字、またはこれらの組合せなど、識別情報２１０ｉ（すなわちインデックス）を含むことがある。識別情報２１０ｉは、品質チェックモジュール１００を含む様々な位置で機械可読であり得る。機械可読情報は、容易に撮像することができるように、ラベル材料（例えば白紙）よりも濃い色（例えば黒）でよい。識別情報２１０ｉは、患者の識別、および標本１０４に対して実施予定の試験を示すことがあり、あるいはラボラトリ情報管理システム（ＬＩＳ）を介してそれらに相関されることがある。識別情報２１０ｉは、他のまたは追加の情報を示すこともある。上述した識別情報２１０ｉはラベル２１０に提供され、ラベル２１０は、標本容器１０６の外面に接着される、または別の方法で提供される。図２に示されるように、ラベル２１０は、標本容器１０６の全周にわたって、または標本容器１０６の全長に沿って延びることはなく、したがって図示される特定の正面の視点から血清または血漿部分２０４ＳＰの大部分が見え（破線で示した部分）、ラベル２１０によって妨げられない。

いくつかの実施形態では、（例えば標本容器１０６を取り扱っている複数の設備から）複数のラベルが提供されることがあり、複数のラベルは、ある程度互いに重なっていることがある。例えば、２つのラベル（例えば、製造業者のラベルおよびバーコードラベル）が付与されることがあり、重なっていてもよく、１つまたはそれ以上の視点のいくつかまたは全てを遮って（妨害して）いてもよい。したがって、いくつかの実施形態では、ラベル２１０が標本１０４の一部を遮っていることがある（遮られた部分）が、標本１０４および血清または血漿部分２０４ＳＰの一部が少なくとも１つの視点から依然として見える（遮られていない部分）と理解すべきである。したがって、本開示の別の態様によれば、特性評価方法を実施するように構成されたＳＣＮＮの実施形態は、改善されたＨＩＬＮ検出を提供することができるように、遮られた部分と遮られていない部分とを認識するように訓練することができる。

再び図１Ａおよび１Ｂを参照すると、品質チェックモジュール１００は、それぞれ視点１、２、および３を通して標本容器１０６を撮像する１つまたはそれ以上の画像取込みデバイス１１０Ａ、１１０Ｂ、１１０Ｃを含むことがある。図１Ａには３つの画像取込みデバイス１１０Ａ～１１０Ｃが図示されているが、場合により２つまたは４つ以上を使用することもできる。画像取込みデバイス１１０Ａ～１１０Ｃは、画素化画像を取り込むことが可能な従来のデジタルカメラ、電荷結合素子（ＣＣＤ）、光検出器のアレイ、１つまたはそれ以上のＣＭＯＳセンサなど、よく定義されたデジタル画像を取り込むための任意の適切なデバイスでよい。図１Ａに示される３つの画像取込みデバイス１１０Ａ～１１０Ｃは、３つの異なる横方向の視点（１、２、および３として表される視点）から画像を取り込むように構成される。いくつかの実施形態では、取り込まれる画像のサイズは、例えば約２５６０×６９４画素でよい。他の実施形態では、画像取込みデバイス１１０Ａ～１１０Ｃは、例えば約１２８０×３８７画素の画像サイズを取り込むことがある。他の画像サイズおよび画素密度を使用することもできる。

画像取込みデバイス１１０Ａ～１１０Ｃはそれぞれ、標本容器１０６の少なくとも一部分および標本１０４の少なくとも一部分の横方向画像を取り込むように構成され動作可能でよい。例えば、画像取込みデバイス１１０Ａ～１１０Ｃは、ラベル２１０の一部および血清または血漿部分２０４ＳＰの一部または全てを取り込むことができる（図２）。場合によっては、視点１～３の一部は、ラベル２１０によって部分的に遮られる。いくつかの実施形態では、視点１～３のうちの１つまたはそれ以上は完全に遮られ、すなわち、血清または血漿部分２０４ＳＰがはっきりと見えない可能性があり得る。しかし、視点１～３の片面（表側または裏側）が１つまたはそれ以上のラベル２１０によって完全に遮られている場合でさえ、特性評価方法はそれでも、１つまたはそれ以上のラベル２１０を通して血清または血漿部分２０４ＳＰの境界を区別することができることがある。

図示される実施形態では、複数の画像取込みデバイス１１０Ａ～１１０Ｃは、撮像位置１１６で、複数の視点１～３から標本容器１０６および標本１０４の横方向画像を取り込むように構成される。視点１～３は、図示されるように、互いに約１２０度など、互いにほぼ等間隔にされるように配置される。図示されるように、画像取込みデバイス１１０Ａ～１１０Ｃは、標本容器１０６が輸送されるトラック１０８の周りに配置される。複数の画像取込みデバイス１１０Ａ～１１０Ｃの他の配置を使用してもよい。このようにして、標本容器１０６がキャリア１２０内で撮像位置１１６に位置している状態で、標本容器１０６内の標本１０４の画像が撮影される。画像取込みデバイス１１０Ａ～１１０Ｃによって得られる複数の画像の視界は、周縁領域でわずかに重なり合っていてもよい。

１つまたはそれ以上の実施形態では、キャリア１２０は、品質チェックモジュール１００での所定の位置、例えば撮像位置１１６で停止される。この位置で、画像取込みデバイス１１０Ａ～１１０Ｃのそれぞれからの法線ベクトルが互いに交差する。撮像位置１１６でキャリア１２０を停止させるためにキャリア１２０のゲートまたはリニアモータ（図示せず）が提供され、その撮像位置１１６で複数の品質画像が取り込まれる。品質チェックモジュール１１０にゲートがある実施形態では、１つまたはそれ以上のセンサ（図示せず）が、品質チェックモジュール１１０でのキャリア１２０の存在を決定するために使用される。

いくつかの実施形態では、品質チェックモジュール１００は、外部照明の影響を最小限にするために、トラック１１８を少なくとも部分的に取り囲むまたは覆うことができるハウジング１２８を含むことがある。標本容器１０６は、画像取込みシーケンス中、ハウジング１２８内に位置する。ハウジング１２８は、キャリア１２０がハウジング１２８に入るかつ／またはハウジング１２８から出ることを可能にするために、１つまたはそれ以上の開口部（および／またはドア）１２８Ｄを含むことがある。いくつかの実施形態では、天井部は開口部１２８Ｏを含むことがあり、標本容器１０６が、可動ロボットフィンガを含むロボット（図示せず）によって上方からキャリア１２０に装填されることを可能にする。

画像取込みデバイス１１０Ａ～１１０Ｃは、画像ウィンドウに近接して設けられ、撮像位置１１６で画像ウィンドウを取り込むために訓練される、または焦点を合わせられる。ここで、画像ウィンドウは、標本容器１０６の予想位置を含むエリアである。したがって、標本容器１０６は、いくつかの実施形態では、画像ウィンドウのほぼ中央に位置するように停止される。

品質チェックモジュール１００の動作時、各画像は、コンピュータ１２４によって送信される、通信線１２２Ａ、１２２Ｂ、１２２Ｃで提供されるトリガ信号に応答してトリガされて取り込まれる。取り込まれた画像はそれぞれ、本明細書で述べる１つまたはそれ以上の実施形態に従ってコンピュータ１２４によって処理される。いくつかの方法では、取り込まれた画像から画像データを取り込み処理するために高ダイナミックレンジ（ＨＤＲ）処理が使用される。より詳細には、品質チェックモジュール１００で、標本１０４の複数の画像が、複数の異なる露光で（例えば異なる露光時間で）、１つまたはそれ以上の異なるスペクトルで順次に照明されながら取り込まれる。例えば、各画像取込みデバイス１１０Ａ～１１０Ｃは、複数のスペクトルそれぞれで、異なる露光時間で、血清または血漿部分２０４ＳＰ（図２）を含む標本容器１０６の画像を４～８つ取り込むことがある。例えば、４～８つの画像は、標本１０４が赤色スペクトルを有する光源１２６Ａでバックライト照明された状態で、視点１で画像取込みデバイス１１０Ａによって取り込まれる。追加の同様の画像が、視点２および３で順次に取り込まれる。他の数の画像を取り込んでもよい。

いくつかの実施形態では、多重スペクトル画像の取込みは、異なるスペクトル照明を放出する異なる光源１２６Ａ、１２６Ｂ、および１２６Ｃを使用して達成される。光源１２６Ａ～１２６Ｃは、（図示されるように）標本容器１０６をバックライト照明することができる。いくつかの実施形態では、光源１２６Ａ～１２６Ｃと共に光拡散器が使用される。複数の異なるスペクトル光源１２６Ａ～１２６Ｃは、赤、緑、青（ＲＧＢ）光源、例えば、６３４ｎｍ±３５ｎｍ（赤）、５３７ｎｍ±３５ｎｍ（緑）、および４５５ｎｍ±３５ｎｍ（青）の公称波長を放出する発光ダイオード（ＬＥＤ）でよい。他の実施形態では、光源１２６Ａ～１２６Ｃは白色光源でよい。ラベル２１０が複数の視点を妨げる場合には、赤外線（ＩＲ）バックライト照明または近赤外線（ＮＩＲ）バックライト照明が使用される。さらに、ラベルによる遮蔽が存在するときでさえ、場合によってはＲＧＢ光源が使用される。他の実施形態では、光源１２６Ａ～１２６Ｃは、約７００ｎｍ～約１２００ｎｍの公称波長を有する１つまたはそれ以上のスペクトルを放出することがある。他の光源および／または波長を使用することができる。

非限定的な例として、第１の波長で画像を取り込むために、３つの赤色光源１２６Ａ～１２６Ｃ（約６３４ｎｍ±３５ｎｍの波長）が、３つの横方向位置から標本１０４を順次に照明するために使用される。異なる露光時間での複数の画像（例えば４～８つ以上の画像）が各視点１～３から各画像取込みデバイス１１０Ａ～１１０Ｃによって取り込まれるとき、光源１２６Ａ～１２６Ｃによる赤色照明が行われることがある。いくつかの実施形態では、露光時間は約０．１ｍｓ～２５６ｍｓでよい。他の露光時間を使用してもよい。いくつかの実施形態では、各画像取込みデバイス１１０Ａ～１１０Ｃに関する対応する各画像は、例えば順次に撮影されることもある。したがって、各視点１～３について、赤色スペクトルのバックライト照明を有し、多重（例えば、４～８回の露光、異なる露光時間など）である１群の画像が順次に得られる。画像は、例えば、視点１からの全ての画像が取り込まれ、続いて視点２および３によって順次に取り込まれる、ラウンドロビン方式で撮影される。

図１Ａ～１Ｂの実施形態で赤色照明された画像が取り込まれると、別の光スペクトル、例えば緑色スペクトルの光源１２６Ａ～１２６Ｃがオンにされ（約±３５ｎｍの帯域幅を有する約５３７ｎｍの公称波長）、異なる露光時間での複数の画像（例えば４～８つ以上の画像）が、各画像取込みデバイス１１０Ａ～１１０Ｃによって順次に取り込まれる。これは、各画像取込みデバイス１１０Ａ～１１０Ｃに関して、青色スペクトル光源１２６Ａ～１２６Ｃ（約±３５ｎｍの帯域幅を有する約４５５ｎｍの公称波長）を用いて繰り返される。異なる公称波長スペクトル光源１２６Ａ～１２６Ｃは、例えば、選択的にオンオフすることができる異なる所望のスペクトル光源（例えば、Ｒ、Ｇ、Ｂ、Ｗ、ＩＲ、および／またはＮＩＲ）のバンクを含むライトパネルによって達成される。バックライト照明のための他の手段を使用することもできる。

いくつかの実施形態では、各対応する波長スペクトルに関して複数の露光（例えば露光時間）で撮影される複数の画像が次々と得られ、したがって、複数の視点１～３からの標本容器１０６および標本１０４に関するバックライト照明画像の集合全体が、例えば数秒未満で得られる。いくつかの実施形態では、画像取込みデバイス１１０Ａ～１１０Ｃと、ＲＧＢ光源１２６Ａ～１２６Ｃを用いたバックライト照明とを使用した３つの視点１～３での各波長に関する４つの異なる露光の画像は、４つの画像×３つのスペクトル×３つの画像取込みデバイス＝３６個の画像となる。別の実施形態では、画像取込みデバイス１１０Ａ～１１０Ｃと、Ｒ、Ｇ、Ｂ、Ｗ、ＩＲ、およびＮＩＲ光源１２６Ａ～１２６Ｃを用いたバックライト照明とを使用した３つの視点１～３での各波長に関する４つの異なる露光の画像は、４つの画像×６つのスペクトル×３つのカメラ＝７２個の画像となる。他の数の画像を使用することもできる。

本明細書で提供される特性評価および検証方法の実施形態によれば、画像データまたは画素データの処理は、例えば、異なる露光時間で、各波長スペクトルで、各画像取込みデバイス１１０Ａ～１１０Ｃに関する複数の取り込まれた画像からの最適に露光された画素を選択することを含む前処理工程を含むことがあり、各スペクトルに関しておよび各視点１～３に関して最適に露光された画素データを生成する。

各画像取込みデバイス１１０Ａ～１１０Ｃによって取り込まれた画像から、対応する画素（またはパッチ）ごとに、各視点１～３に関する異なる露光画像それぞれから、最適な画像強度を示す画素（またはパッチ）が選択される。いくつかの実施形態では、最適な画像強度は、例えば０～２５５のスケールで１８０～２５４など、所定の強度範囲内に含まれる画素（またはパッチ）であり得る。別の実施形態では、最適な画像強度は、例えば０～２５５のスケールで１６～２５４であり得る。２つの露光画像の対応する画素（またはパッチ）位置での複数の画素（またはパッチ）が最適に露光されていると判断される場合、例えば、２つのうちの高いほうが選択される。

最適な画像強度を示す選択された画素（またはパッチ）は、それらのそれぞれの露光時間によって正規化される。その結果、照明スペクトル（例えば、使用される組合せに応じて、Ｒ、Ｇ、Ｂ、白色光、ＩＲ、および／またはＮＩＲ）に関して、および各画像取込みデバイス１１０Ａ～１１０Ｃに関して、複数の正規化されて統合されたスペクトル画像データセットが得られ、ここで、全ての画素（またはパッチ）が最適に露光され（例えばスペクトルごとに１つの画像データセット）、正規化される。言い換えると、各視点１～３に関して、コンピュータ１２４によって行われるデータ前処理は、採用された照明スペクトルごとに１つずつ、複数の最適に露光されて正規化された画像データセットをもたらすことがある。

図１Ｃは、標本１０４を含む複数の標本容器１０６を自動的に処理することが可能な標本試験装置１５０を示す。標本容器１０６は、装填エリア１５４で１つまたはそれ以上のラック１５２に提供された後、標本試験装置１５０の周りに配置された１つまたはそれ以上の分析器（例えば、第１の分析器１５６、第２の分析器１５８、および／または第３の分析器１６０）に輸送され、分析器によって分析される。より多数またはより少数の分析器を使用してもよい。分析器は、臨床化学分析器および／またはアッセイ機器などの任意の組合せでよい。標本容器１０６は、標本１０４を含むことができ、含まれる標本１０４の撮像を可能にすることができる、採血管、試験管、試料カップ、キュベット、または他の透明もしくは不透明のガラスもしくはプラスチック容器など任意の適切な透明または半透明の容器でよい。標本容器１０６は、様々なサイズでよい。

より詳細には、標本試験装置１５０は、トラック１１８が取り付けられる基部１６２（例えば、フレーム、フロア、または他の構造）を含むことがある。トラック１１８は、レール式トラック（例えばモノレールまたはマルチレール）、コンベアベルトの集合、コンベアチェーン、可動プラットホーム、または任意の他の適切なタイプの搬送機構でよい。トラック１１８は、円形または任意の他の適切な形状でよく、いくつかの実施形態では、閉じたトラック（例えばエンドレストラック）でよい。トラック１１８は、動作時、個々の標本容器１０６を、キャリア１２０のトラック１１８の周りで離間された様々な位置に輸送することができる。

キャリア１２０は、トラック１１８上で単一の標本容器１０６を搬送するように構成されたモータのない受動パックでよく、または場合により、トラック１１８の周りを動き、事前プログラムされた位置で停止するようにプログラムされたリニアモータなどの搭載型ドライブモータを含む自動キャリアでよい。キャリア１２０の他の構成を使用することもできる。いくつかの実施形態では、キャリア１２０は、１つまたはそれ以上のラック１５２から装填解除された後、装填エリア１５４から出ることがある。装填エリア１５４は、事前スクリーニングおよび／または分析が完了した後、標本容器１０６をキャリア１２０から装填エリア１５４へ再装填することも可能にする二重の機能を果たすことができる。

ロボット１６６が装填エリア１５４に提供され、１つまたはそれ以上のラック１５２から標本容器１０６を把持して、キャリア１２０、例えばトラック１１８の投入レーンに標本容器１０６を装填するように構成される。また、ロボット１６６は、標本容器１０６をキャリア１２０から１つまたはそれ以上のラック１５２へ再装填するように構成される。ロボット１６６は、Ｘ（横方向）およびＺ（垂直方向－図示されるように紙面外へ）、ＹおよびＺ、Ｘ、Ｙ、およびＺ、またはｒ（径方向）およびθ（回転方向）の運動が可能な１つまたはそれ以上（例えば少なくとも２つ）のロボットアームまたは構成要素を含むことがある。ロボット１６６は、ガントリロボット、関節式ロボット、Ｒ－θ型ロボット、または他の適切なロボットでよく、ロボット１６６は、標本容器１０６を持ち上げて配置するように向けられ、サイズ設定され、構成されたロボットグリッパフィンガを含むこともある。

トラック１１８に装填されると、キャリア１２０によって搬送される標本容器１０６は、第１の前処理ステーション１６８に進むことができる。例えば、第１の前処理ステーション１６８は、標本１０４の分画を実施するように構成された自動遠心分離器でよい。標本容器１０６を搬送するキャリア１２０は、流入レーンまたは他の適切なロボットによって第１の前処理ステーション１６８へ偏向される。遠心分離された後、標本容器１０６は、流出レーンに出るか、または別の方法でロボットによって取り出され、トラック１１８に沿って進み続けることができる。図示される実施形態では、次に、キャリア１２０にある標本容器１０６は、本明細書でさらに述べる事前スクリーニングを実施するために品質チェックモジュール１００へ輸送される。

追加のステーションが、トラック１１８上のまたはトラック１１８に沿った１つまたはそれ以上の位置に設けられる。追加のステーションは、キャップ取外しステーション、アリコートステーション、１つまたはそれ以上の追加の品質チェックモジュール１００などを含むことがある。

標本試験装置１５０は、トラック１１８の周囲の１つまたはそれ以上の位置にいくつかのセンサ１７０を含むことがある。センサ１７０は、識別情報２１０ｉまたは各キャリア１２０に提供される類似の情報（図示せず）を読み取ることによってトラック１１８上での標本容器１０６の位置を検出するために使用される。近接センサなど、位置を追跡するための任意の適切な手段を使用することができる。各標本容器１０６の位置が常に分かっているように、全てのセンサ１７０が、コンピュータ１７２とインターフェースすることができる。

前処理ステーションおよび分析器１５６、１５８、および１６０は、トラック１１８からキャリア１２０を取り出すように構成されたロボット機構および／または流入レーンと、トラック１１８にキャリア１２０を再び入れるように構成されたロボット機構および／または流出レーンとを含むことができる。

標本試験装置１５０は、コンピュータ１７２によって制御され、コンピュータ１７２は、適切なメモリと、様々なシステム構成要素を操作するための適切な調整電子回路およびドライバとを有する、マイクロプロセッサベースの中央演算処理装置（ＣＰＵ）でよい。コンピュータ１７２は、標本試験装置１５０の基部１６２の一部として、またはそれとは別に収容される。コンピュータ１７２は、キャリア１２０が装填エリア１５４に出入りする動き、トラック１１８の周りでの運動、第１の前処理ステーション１６８に出入りする運動、および第１の前処理ステーション１６８（例えば遠心分離器）の動作、品質チェックモジュール１００に出入りする運動、および品質チェックモジュール１００の動作、ならびに各分析器１５６、１５８、１６０に出入りする運動、および様々なタイプの試験（例えばアッセイまたは臨床化学）を実施するための各分析器１５６、１５８、１６０の動作を制御するように動作することができる。図１Ａおよび１Ｂのコンピュータ１２４は、図１Ｃのコンピュータ１７２の一部でも、またはそれとは別でもよい。

さらに図３Ａを参照する。図３Ａは、本明細書で述べるＨＩＬまたはＨＩＬＮ特性評価および検証方法を実施するように構成された機能的構成要素を含む装置３３０Ａを示す。装置３３０Ａは、コンピュータ１２４および／または１７２によって制御される品質チェックモジュール１００（図１Ａ～１Ｃ）内で具現化される。例えば、各機能的構成要素は、ソフトウェア、ハードウェア、またはソフトウェアとハードウェアとの組合せとして実装される。上で論じたように、標本容器１０６は、品質チェックモジュール１００の撮像位置１１６（図１Ａ）に提供される。標本容器１０６の多重ビュー画像は、画像収集サブシステム３３２で、複数の画像取込みデバイス１１０Ａ～１１０Ｃのうちの１つまたはそれ以上によって取り込まれる。多重ビュー、多重スペクトル、多重露光画像それぞれに関する画像データは、複数の最適に露光されて正規化された画素データセット（以下「画像データセット」）を提供するために、上述したように前処理サブシステム３３４で前処理される。標本容器の画像の１つまたはそれ以上の画像データセットは、標本分類を予測するために仮説ネットワーク３３８によって使用される。いくつかの実施形態では、仮説ネットワーク３３８は、セグメント化ネットワークおよび／または分類ネットワークでよい。

１つまたはそれ以上の画像データセットが与えられると、仮説ネットワーク３３８は、画像の各画素に、その画素データ値によって示されるその局所的な外観に基づいてＨＩＬＮ分類を割り当てるように動作可能である。いくつかの実施形態では、仮説ネットワーク３３８は、血清または血漿部分の画素データによって表される色に基づいて、または少なくとも一部基づいて、標本の血清または血漿部分の分類を予測することがある。いくつかの実施形態では、分類は、未遠心分離クラスを含むことがある。分類は、より少ないまたはより多くのクラスおよびサブクラスを含むこともある。いくつかの実施形態では、仮説ネットワークは、サンプルが遠心分離されているかどうかを決定することがある。サンプルが遠心分離されていない場合、ＨＩＬ分類を実施することができないことを実験技術者に知らせるための通知が生成される。さらに、装置３３０Ａは、遠心分離されていないサンプルのＨＩＬ分類をスキップすることがある。

装置３３０Ａは、検証サブシステム３４０において標本の予測された分類を検証する。検証サブシステム３４０は、１つまたはそれ以上の検証ネットワーク３４２を含む、またはそれらに連結される。図３Ａに示される実施形態は、４つの検証ネットワーク３４２を含む。溶血検証ネットワーク３４２Ａ（「第１の検証ネットワーク」と呼ぶこともある）は、溶血予測を検証するために溶血分類について訓練される。黄疸検証ネットワーク３４２Ｂ（「第２の検証ネットワーク」と呼ぶこともある）は、黄疸予測を検証するために黄疸分類について訓練される。脂肪血症検証ネットワーク３４２Ｃ（「第３の検証ネットワーク」と呼ぶこともある）は、脂肪血症予測を検証するために脂肪血症分類について訓練される。第４の検証ネットワーク３４２Ｄは、正常の予測を検証するように訓練される。いくつかの実施形態は、第４の検証ネットワーク３４２Ｄを含まず、正常分類を検証しない。他の数およびタイプの検証ネットワーク３４２を使用することもできる。

装置３３０Ａの動作中、仮説ネットワーク３３８は、例えば標本の溶血分類を予測することがある。次いで、検証サブシステム３４０は、１つまたはそれ以上の画像データセットを溶血検証ネットワーク３４２Ａに伝送することができ、溶血検証ネットワーク３４２Ａは、溶血を検証するためだけに訓練される。溶血検証ネットワーク３４２Ａは、正しいまたは誤った溶血予測を示す信号を生成することがある。

装置３３０Ａは、（出力サブシステム３４４を使用して）検証された分類を出力することができ、この分類は、検証ネットワーク３４２の出力に基づいて生成される。出力サブシステム３４４の検証された出力は、検証ネットワーク３４２によって生成された肯定的な結果に基づくことがある。例えば、検証ネットワーク３４２は、仮説ネットワーク３３８によって生成されたＨＩＬ分類の予測を検証または拒絶することがある。検証ネットワーク３４２が仮説ネットワーク３３８を検証した場合、出力サブシステム３４４は、所定の確実性レベルよりも高い確実性で仮説ネットワーク３３８のＨＩＬ決定を出力することができる。例えば、検証された出力、したがって装置３３０Ａの出力は、９８％の確実性で、ＨＩＬ分類が正しいと決定することがある。他の確実性レベルが使用されることもある。いくつかの実施形態では、検証された出力は、装置３３０Ａが所定の確実性レベル内でＨＩＬ分類の決定を行うことができなかったことを示す信号であり得る。いくつかの状況では、検証された出力は、標本が手動で分析されるべきであることを示すことがある。

さらに図３Ｂを参照する。図３Ｂは、分類指数を予測し、標本の予測された分類指数を検証する装置３３０Ｂの実施形態を示す。例えば、装置３３０Ｂは、ＨＩＬクラス内の分類指数を予測および検証する。装置３３０Ｂは、図３Ａの装置３３０Ａと同様であるが、図３Ａの仮説ネットワーク３３８の代わりに用いられ、標本の分類指数を予測する仮説ネットワーク３４８を含む。いくつかの実施形態では、分類指数は、未遠心分離クラス、正常クラス、および１９個のＨＩＬクラス／サブクラスを含む２１個の血清クラスを含むことがある。分類指数は、より少ないもしくはより多い、または異なるクラスおよびサブクラスを含むことがある。

装置３３０Ｂは、図３Ａの検証サブシステム３４０の代わりに用いられ、例えば指数検証ネットワーク３５２を使用することによって、予測された分類指数を検証する検証サブシステム３５０を含む。指数検証ネットワーク３５２は、特定のＨＩＬ分類指数を検証するように訓練される。例えば、指数検証ネットワーク３５２のうちの１つまたはそれ以上は、仮説ネットワーク３３９または仮説ネットワーク３４８によって生成された仮説が正しいかまたは否かを判断する二項分類器でよい。

溶血指数検証ネットワーク３５２Ａ（「第１の指数検証ネットワーク」と呼ぶこともある）は、個々の溶血分類指数を検証するために訓練される。黄疸指数検証ネットワーク３５２Ｂ（「第２の指数検証ネットワーク」と呼ぶこともある）は、個々の黄疸分類指数を検証するために訓練される。脂肪血症指数検証ネットワーク３５２Ｃ（「第３の指数検証ネットワーク」と呼ぶこともある）は、個々の脂肪血症分類指数を検証するために訓練される。指数検証ネットワーク３５２は、第４の検証ネットワーク３４０Ｄを含むことがあり、第４の検証ネットワーク３４０Ｄは、上述したように正常分類を検証するために訓練される。いくつかの実施形態は、第４の検証ネットワーク３４２Ｄを含まず、正常分類を検証しない。他の数およびタイプの指数検証ネットワークを使用することもできる。

溶血指数検証ネットワーク３５２Ａは、複数の個別の予測された溶血分類指数を検証することがある。いくつかの実施形態では、溶血指数検証ネットワーク３５２Ａは、予測された各溶血分類指数を検証するために、ＣＮＮなどの個々のニューラルネットワークを含むことがある。黄疸指数検証ネットワーク３５２Ｂは、複数の個別の予測された黄疸分類指数を検証することがある。いくつかの実施形態では、黄疸指数検証ネットワーク３５２Ｂは、予測された各黄疸分類指数を検証するために、ＣＮＮなどの個々のニューラルネットワークを含むことがある。同様に、脂肪血症指数検証ネットワーク３５２Ｃは、複数の予測された脂肪血症分類指数を検証することがある。いくつかの実施形態では、脂肪血症指数検証ネットワークは、各脂肪血症分類指数を検証するために、ＣＮＮなどの個々のニューラルネットワークを含むことがある。

装置３３０Ｂの動作の一例として、仮説ネットワーク３４８は、例えば標本に関する溶血分類指数Ｈ３を予測することがある。次いで、検証サブシステム３５０は、１つまたはそれ以上の画像データセットを溶血指数検証ネットワーク３５２Ａに伝送することができ、溶血指数検証ネットワーク３５２Ａは、溶血分類指数Ｈ３を検証するためだけに訓練される。溶血指数検証ネットワーク３５２Ａは、正しいまたは誤った予測を示す信号を生成することがある。いくつかの実施形態では、指数検証ネットワーク３５２は、予測の確実性に関連するパーセンテージなどの加重応答を生成することがある。例えば、加重応答は、予測が所定の信頼水準を超えているかどうかを決定することがある。

装置３３０Ｂは、出力サブシステム３５４を使用して、検証された分類指数を出力することができ、この分類指数は、指数検証ネットワーク３５２の出力に基づいて生成される。出力サブシステム３５４の検証された出力は、指数検証ネットワーク３４２によって生成された肯定的な結果に基づくことがある。例えば、指数検証ネットワーク３５２は、仮説ネットワーク３４８によって予測されたＨＩＬ分類の予測を検証または拒絶することがある。指数検証ネットワーク３５２が仮説ネットワーク３４８を検証する場合、出力サブシステム３５４は、所定の確実性レベルで、仮説ネットワーク３４８によって予測されたＨＩＬ分類指数を出力することができる。例えば、検証された出力、したがって装置３３０Ｂの出力は、予測されたＨＩＬ分類指数が正しいという９８％の確実性を有することがある。他の確実性レベルが使用されることもある。いくつかの実施形態では、検証された出力は、装置３３０Ｂが所定の確実性レベル内でＨＩＬ分類指数の決定を行うことができなかったことを示す信号であり得る。いくつかの状況では、検証された出力は、標本が手動で分析されるべきであることを示すことがある。

いくつかの状況では、第１の分類指数が第２の分類指数に近いことがある。第１の分類指数が第２の分類指数として識別される、またはその逆など、第１と第２の分類指数の間で混乱が生じることがある。これらの問題を克服するために、指数検証ネットワーク３５２は、分類指数を区別する検証ネットワークを含むことがある。例えば、指数検証ネットワークは、上述した第１の分類指数を第２の分類指数から区別するように訓練されたエキスパートネットワークなどのネットワークを含むことがある。したがって、類似した分類指数間の混乱が緩和される。

図４は、本明細書で述べるＨＩＬ（Ｎ）仮説方法を実施するように構成された機能的構成要素を含む仮説ネットワーク４５８の実施形態を示す。図４に示される仮説ネットワーク４５８は、複数の指数検証ネットワーク３５２（例えば、３５２Ａ～Ｃ）に連結される。仮説ネットワーク４５８は、コンピュータ１２４および／または１７２によって制御される品質チェックモジュール１００（図１Ａ～１Ｃ）内で（例えば、コンピュータ１２４および／または１７２と通信する、またはコンピュータ１２４および／または１７２内にあるメモリで）具現化される。仮説ネットワーク４５８は、例えば、畳み込みニューラルネットワークなどのニューラルネットワークでよい。上で論じたように、標本容器１０６は、品質チェックモジュール１００の撮像位置１１６（図１Ａ）に提供される。多重ビュー画像は、１つまたはそれ以上の画像取込みデバイス１１０Ａ～１１０Ｃ（図１Ａ）によって取り込まれる。多重ビュー、多重スペクトル、多重露光画像それぞれに関する画像データまたは画素データは、複数の最適に露光されたおよび／または正規化された画素データセットを提供するために、上述したように前処理される。コンピュータ１２４および／または１７２は、画素データを前処理して、画像データセットを生成することができる。画像データセットは、仮説ネットワーク４５８への入力として提供され、仮説ネットワーク４５８は、セグメント化畳み込みニューラルネットワーク（ＳＣＮＮ）４６０でよく、またはそれを含むことがある。仮説ネットワーク４５８および／またはＳＣＮＮ ４６０は、コンピュータ１２４および／または１７２で実行されるプログラムでよい。

仮説ネットワーク４５８によって実施されるタスクは、標本容器１０６などの標本容器内の標本（例えば標本１０４、図１Ａ～１Ｂ）の特性評価である。このタスクは、背景からの標本容器の分離、および標本容器に貼付された任意のラベルのセグメント化、それに続く血清または血漿部分２０４ＳＰ（図２）の分類を含むことがある。これらのタスクは全て、画素レベルの分類を行うＳＣＮＮ ４６０によって完了される。画素データを含む入力画像データセットが与えられると、ＳＣＮＮ ４６０は、画像の画素データ値によって示されるその局所的な外観に基づいて、画像の各画素に分類指数を割り当てるように動作可能である。抽出された画素指数情報は、最終的なＨＩＬＮ分類および／または最終的なＨＩＬＮ分類指数を決定するためにＳＣＮＮ ４６０によってさらに処理することができる。いくつかの実施形態では、分類指数は、以下により詳細に述べるように、未遠心分離クラス、正常クラス、および１９個のＨＩＬクラス／サブクラス（指数）を含む２１個の血清クラスを含むことがある。分類および／または分類指数は、異なる、より少ないまたはより多いクラスおよびサブクラスを含むことがある。

上述したように、ＨＩＬ分類または分類指数を決定する際の課題は、Ｈ、Ｉ、およびＬクラスの各サブクラス内の小さな外観の相違に起因することがある。さらなる課題は、上述したように、異なる標本容器のサイズおよび形状、ならびに生じる可能性のある様々な標本容器ラベルによる遮蔽に起因する。例えば、標本容器のラベルは、標本容器内の標本のビューを遮ることがあり、または標本容器の裏側に影となる領域を生成することがあり、標本の外観を暗くすることがある。

これらの課題を克服するために、ＳＣＮＮ ４６０は、いくつかの実施形態では１００個を超える演算層を含む（ベリー）ディープセマンティックセグメント化ネットワーク（ＤＳＳＮ）４６２を含むことがある。そのようなディープネットワークを有する利点は、ネットワーク受信フィールドを増大することができることであり、ネットワーク受信フィールドは、小さなローカル領域ではなく、より多くのコンテキスト情報を利用する。さらに、密に接続されたネットワークは、低レベルから高レベルの層まで、および符号化領域から復号領域までの機能を連結する。そうすることによって、ＤＳＳＮ ４６２をより簡単に訓練して、同じタスクのために構成された他の畳み込みニューラルネットワークよりも詳細な特徴を画像から認識することができる。ＳＣＮＮ ４６０は、他のニューラルネットワークを含むこともある。

標本容器タイプ（例えばサイズおよび／または形状）のばらつきによって引き起こされることがある外観の相違を克服するために、ＳＣＮＮ ４６０は、ＤＳＳＮ ４６２のフロントエンドに小さい容器セグメント化ネットワーク（ＳＣＮ）４６４を含むことがある。ＳＣＮ ４６４は、容器タイプおよび容器境界情報４６６を決定するように構成され動作可能でよい。容器タイプおよび容器境界情報４６６は、追加の入力チャネルを介してＤＳＳＮ ４６２に入力され、いくつかの実施形態では、ＳＣＮＮ ４６０は、決定された容器タイプおよび境界４６８を出力として提供することがある。いくつかの実施形態では、ＳＣＮ ４６４は、ＤＳＳＮ ４６２と同様のネットワーク構造を有することができるが、より浅い（すなわち、層がはるかに少ない）。

標本容器のラベルによって引き起こされる外観の相違を克服するために、マルチラベル損失をサポートするようにネットワーク損失関数が構成される。すなわち、いくつかの既知のネットワークでは、画像画素ごとに１つの値しか出力されない。ＳＣＮＮ ４６０では、画像画素ごとに２つの値が出力される。一方は血清クラスに関し、他方は標本容器ラベルクラスに関する。標本容器ラベルクラスに関する値は、０（標本容器ラベルがないことを意味する）から３（画素が３層のラベルで覆われていることを意味する）の範囲にある。２つの値を組み合わせることによって、ＳＣＮＮ ４６０は、１つまたはそれ以上の標本容器ラベルの後方に隠されている標本流体領域の血清または血漿部分クラスをより良く決定することができる。

図４に示されているように、ＳＣＮＮ ４６０の出力は、予測された分類（または分類指数）４７０でよく、予測された分類４７０は、いくつかの実施形態では、未遠心分離クラス４７０Ｕ、正常クラス４７０Ｎ、溶血クラス４７０Ｈ、黄疸クラス４７０Ｉ、および脂肪血症クラス４７０Ｌ（または対応するクラス指数）を含むことがある。いくつかの実施形態では、溶血クラス４７０Ｈは、サブクラスまたは指数Ｈ０、Ｈ１、Ｈ２、Ｈ３、Ｈ４、およびＨ５を含むことがある。黄疸クラス４７０Ｉは、サブクラスまたは指数Ｉ０、Ｉ１、Ｉ２、Ｉ３、Ｉ４、およびＩ５を含むことがある。脂肪血症クラス４７０Ｌは、サブクラスＬ０、Ｌ１、Ｌ２、およびＬ３を含むことがある。溶血クラス４７０Ｈ、黄疸クラス４７０Ｉ、および／または脂肪血症クラス４７０Ｌはそれぞれ、他の実施形態では、他の数のサブクラスまたは指数を有することがある。

予測された分類（または分類指数）４７０の結果は、検証サブシステム３４０（図３Ａ）を参照して述べたように検証ネットワーク３４２（図３Ａ）へ転送されるか、または検証サブシステム３５０（図３Ｂ）を参照して述べたように指数検証ネットワーク３５２へ転送される。ＳＣＮＮ ４６０は、予測された分類または分類指数４７０を生成するためのコンピュータ１２４および／または１７２で実行する畳み込みニューラルネットワークなどのニューラルネットワークを採用することがある。

図４に示される指数検証ネットワーク３５２は、未遠心分離検証ネットワーク４７２を含むことがあり、未遠心分離検証ネットワーク４７２は、標本１０４が血清または血漿部分２０４ＳＰと沈降血液部分２０４ＳＢとに分離されていないという仮説ネットワーク４５８による予測を検証する。指数検証ネットワーク３５２は、複数の個々の検証ネットワークを含むことがあり、各個々の検証ネットワークは、個々の分類指数を検証するように訓練される。例えば、第１の個々の検証ネットワークは、Ｈ２を検証するためだけに訓練され、第２の個々の検証ネットワークは、Ｈ３を検証するためだけに訓練される。いくつかの実施形態では、個々の検証ネットワークはそれぞれ、畳み込みニューラルネットワークなどのニューラルネットワークでよい。いくつかの実施形態では、個々の検証ネットワークは、ＤｅｎｓｅＮｅｔおよび／またはＲｅｓＮｅｔネットワークでよい。

図４に示される実施形態では、仮説ネットワーク４５８によって生成される各分類指数は、対応する検証ネットワークを有することがある。例えば、仮説ネットワーク４５８が標本１０４に関してＨ４分類指数を予測した場合、画素データおよび／または画像データセットは、特にＨ４に対して訓練された溶血指数検証ネットワーク３５２Ａ内のネットワークによって処理される。次いで、指数検証ネットワーク３５２は、画素データおよび／または画像データセットを分析して、予測Ｈ４分類指数を検証する、または取り消すことがある。

図５は、ＤＳＳＮ ４６２のアーキテクチャ５００および実施形態を示す。ＤＳＳＮ ４６２は、例えばＢｅｒｋｌｅｙ Ｖｉｓｉｏｎ ａｎｄ Ｌｅａｒｎｉｎｇ Ｃｅｎｔｅｒ（ＢＶＬＣ）から入手可能なＣａｆｆｅ、Ｍｏｎｔｒｅａｌ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｌｅａｒｎｉｎｇ Ａｌｇｏｒｉｔｈｍｓによって開発されたＴｈｅａｎｏ Ｐｙｔｈｏｎライブラリ、ＴｅｎｓｏｒＦｌｏｗ、Ｔｏｒｃｈなど、任意の適切な科学計算フレームワーク、プログラム、またはツールボックスを使用して符号化される。アーキテクチャ５００は、例えば、図５に示されるように配置された以下の演算層を含むことがある：２つの畳み込み（ＣＯＮＶ）層５０１および５４７；１１個の高密度ブロック層ＤＢ４ ５０３、ＤＢ５ ５０７、ＤＢ７ ５１１、ＤＢ１０ ５１５、ＤＢ１２ ５１９、ＤＢ１５ ５２３、ＤＢ１２ ５２７、ＤＢ１０ ５３１、ＤＢ４ ５３５、ＤＢ５ ５３９、およびＤＢ４ ５４３；５つの遷移ダウン層ＴＤ ５０５、ＴＤ ５０９、ＴＤ ５１３、ＴＤ ５１７、およびＴＤ ５２１；５つの遷移アップ層ＴＵ ５２５、ＴＵ ５２９、ＴＵ ５３３、ＴＵ ５３７、およびＴＵ ５４１；および完全接続層５４５。ここで、分類指数４７０が出力される。他の数、タイプ、および／または配置の層を使用することもできる。

いくつかの実施形態では、各高密度ブロック層ＤＢ４ ５０３、５３５、および５４３は、４つの高密度層を含むことがある。各高密度ブロック層ＤＢ５ ５０７および５３９は、５つの高密度層を含むことがある。高密度ブロック層ＤＢ７ ５１１は、７つの高密度層を含むことがある。各高密度ブロック層ＤＢ１０ ５１５および５３１は、１０個の高密度層を含むことがある。各高密度ブロック層ＤＢ１２ ５１９および５２７は、１２個の高密度層を含むことがあり、高密度ブロック層ＤＢ１５ ５２３は、１５個の高密度層を含むことがある。いくつかの実施形態では、各高密度層は、バッチ正規化演算、ＲｅＬＵ層、およびドロップアウトｐ＝０．２を有する３×３畳み込み層が含まれることがあり、ここで、第１の高密度層は入力を受け取り、入力に連結された複数の画素ラベルマップを出力する。次いで、第２の高密度層は、連結された出力をその入力として受け取り、いくつかの画素ラベルマップを出力し、これらのマップは、前の画素ラベルマップに再び連結される。これは、高密度ブロック層内の各高密度層に関して繰り返すことができる。他の数および／またはタイプの高密度層を使用することもできる。

いくつかの実施形態では、各遷移ダウン層ＴＤ ５０５、ＴＤ ５０９、ＴＤ ５１３、ＴＤ ５１７、およびＴＤ ５２１は、バッチ正規化演算、次いでＲｅＬｕ層、次いでドロップアウトｐ＝０．２を有する３×３畳み込み層、次いで２×２マックスプーリング層を含むことがある。ドロップアウト確率は、最良の結果をもたらす実験的な試験の実行に応じて、０～１の範囲内であり得ることに留意されたい。いくつかの実施形態では、層ＴＤ ５０５の出力での画素ラベルマップの数は１１２でよく、ＴＤ ５０９の出力では１９２でよく、ＴＤ ５１３の出力では３０４でよく、ＴＤ ５１７の出力では４６４でよく、ＴＤ ５２１の出力では６５６でよい。他の実施形態では、他のタイプの遷移ダウン層が使用される、および／または他の数の画素ラベルマップが出力される。いくつかの実施形態では、各遷移アップ層ＴＵ ５２５、ＴＵ ５２９、ＴＵ ５３３、ＴＵ ５３７、およびＴＵ５４１は、ストライド２を有する３×３転置畳み込み層を含むことがある。他の遷移アップ層パラメータを使用することもできる。

いくつかの実施形態では、ＤＢ１５ ５２３の出力での画素ラベルマップの数は８９６でよく、ＤＢ１２ ５２７の出力では１０８８でよく、ＤＢ１０ ５３１の出力では８１６でよく、ＤＢ４ ５３５の出力では５７８でよく、ＤＢ５ ５３９の出力では３８４でよく、ＤＢ４ ５４３の出力では２５６でよい。他の実施形態では、他の数の画素ラベルマップが出力される。

ここで図６を参照する。図６は、標本（例えば標本１０４）を特性評価する方法６００を述べる流れ図を示す。方法６００は、工程６０２で、標本の１つまたはそれ以上の画像を取り込むことを含み、１つまたはそれ以上の画像は、標本の血清または血漿部分（例えば血清または血漿部分２０４ＳＰ）を含み、取込みにより画素データが生成される。方法６００は、工程６０４で、コンピュータ（例えばコンピュータ１２４および／または１７２）で実行される第１のネットワーク（例えばＳＣＮＮ ４６０）を使用して、標本の１つまたはそれ以上の画像の画素データを処理して、血清または血漿部分の分類を予測することを含み、分類は、溶血、黄疸、および脂肪血症を含む。方法は、工程６０６で、１つまたはそれ以上の検証ネットワーク（例えば検証ネットワーク３４２）を使用して、予測された分類を検証することを含む。予測された分類指数を検証するために同様の方法が実施されることもある。

本明細書で使用するとき、畳み込み層とは、入力画像データ（例えば画素強度値）にフィルタ（カーネルとも呼ばれる）を適用して、入力画像データでのある空間位置におけるある特定のタイプの色または特徴（例えば、第１の畳み込み層の適用後の単純な曲線から、いくつかの畳み込み層の適用後のいくぶん複雑な特徴まで）の検出を示すことがある活性化マップを出力する処理工程である。

マックスプーリング層は、フィルタを適用して、畳み込み層から受け取られた１つまたはそれ以上の活性化マップに現れる最大画素値を有する出力活性化マップを生成することができる処理工程である。

ＲｅＬＵ（正規化線形ユニット）層は、受け取られた活性化マップの全ての値に非線形関数を適用することができ、例えば全ての負の活性化値に値０が割り当てられる処理工程である。

完全接続層は、前の活性化マップ（それぞれがより低レベルの機能の検出を示すことがある）を集約して高レベルの機能の検出を示す処理工程である。

ソフトマックス層は通常、画像特徴のクラスから１つまたはそれ以上の画像の最もあり得る特徴を強調表示または識別する確率分布を出力する最終処理工程である。ＨＩＬ分類指数を決定するための別の課題は、ＳＣＮＮ ４６０に均質な構造を出力させることである。すなわち、この課題は、血清または血漿部分が異なるＨＩＬクラスの組合せとして分類されることを避けることである。これは、セマンティックセグメント化ネットワークでの損失関数が各画素を個別に評価することがあるために生じることがある。ＤＳＳＮ ４６２は、大きな受信フィールドに応答してコンテキスト情報を使用するが、通常であれば、標本容器の同じ画像の各画素に関する均質なクラスを出力する制約がないことがある。

特定の実施形態を参照して本開示を本明細書で述べるが、本開示は、記載される詳細に限定されることを意図されてはいない。むしろ、本開示から逸脱することなく、本開示の等価形態の範囲内で、細部に様々な修正を施すことができる。

Claims (21)

1. 標本を特性評価する方法であって：
   標本の１つまたはそれ以上の画像を取り込む工程であって、１つまたはそれ以上の画像は、標本の血清または血漿部分を含み、画素データが生成される、工程と；
   血清または血漿部分の分類を予測するために、コンピュータで実行される仮説ネットワークを使用して、標本の１つまたはそれ以上の画像の画素データを処理する工程であって、分類は、溶血、黄疸、および脂肪血症を含む、工程と；
   予測された分類を検証または拒絶する、予測された分類について訓練された検証ネットワークを使用して、画素データを分析することにより、予測された分類を検証する工程とを含む前記方法。
2. 仮説ネットワークが標本に関して溶血分類を予測したのに応答して、溶血について訓練された検証ネットワークによって、予測された分類を検証する工程と；
   仮説ネットワークが標本に関して黄疸分類を予測したのに応答して、黄疸について訓練された検証ネットワークによって、予測された分類を検証する工程と；
   仮説ネットワークが標本に関して脂肪血症分類を予測したのに応答して、脂肪血症について訓練された検証ネットワークによって、予測された分類を検証する工程と
   をさらに含む請求項１に記載の方法。
3. 画素データを処理する工程は、溶血、黄疸、および脂肪血症の少なくとも１つに関する分類指数を予測することを含み；
   予測された分類を検証する工程は、予測された分類指数について訓練された検証ネットワークを使用して、画素データを分析することを含む請求項１に記載の方法。
4. 画素データを処理する工程は、溶血分類指数を予測することを含み；
   予測された分類を検証する工程は、予測された溶血分類指数について訓練された指数検証ネットワークを使用して、予測された溶血分類指数を検証することを含む
   請求項１に記載の方法。
5. 画素データを処理する工程は、黄疸分類指数を予測することを含み；
   予測された分類を検証する工程は、予測された黄疸分類指数について訓練された指数検証ネットワークを使用して、予測された黄疸分類指数を検証することを含む
   請求項１に記載の方法。
6. 画素データを処理する工程は、脂肪血症分類指数を予測することを含み；
   予測された分類を検証する工程は、予測された脂肪血症分類指数について訓練された指数検証ネットワークを使用して、予測された脂肪血症分類指数を検証することを含む
   請求項１に記載の方法。
7. 分類を予測することは、正常分類を予測することをさらに含む、請求項１に記載の方法。
8. 正常分類について訓練された検証ネットワークを使用して正常分類を検証する工程をさらに含む、請求項７に記載の方法。
9. 仮説ネットワークを使用して、標本の１つまたはそれ以上の画像の画素データを処理する工程は、セグメント化ネットワークを使用して、標本の１つまたはそれ以上の画像の画素データを処理することを含む、請求項１に記載の方法。
10. 仮説ネットワークを使用して、標本の１つまたはそれ以上の画像の画素データを処理する工程は、分類ネットワークを使用して、標本の１つまたはそれ以上の画像の画素データを処理することを含む、請求項１に記載の方法。
11. 画素データを処理する工程は：
    ディープセマンティックセグメント化ネットワークを使用して、標本中の血清または血漿部分を識別すること；および
    血清または血漿部分の画素データによって表される色に少なくとも一部基づいて、ディープセマンティックセグメント化ネットワークを使用して、標本の血清または血漿部分の分類指数を予測すること
    を含む請求項１に記載の方法。
12. 仮説ネットワークは、少なくとも１１個の高密度ブロック層を含むアーキテクチャを含む、請求項１に記載の方法。
13. 検証ネットワークを使用した予測された分類の検証に応答して信頼水準を生成する工程をさらに含む、請求項１に記載の方法。
14. 検証ネットワークを使用した予測された分類の検証に応答して信頼水準を生成し、信頼水準が所定のレベル未満であることに応答して信号を生成する工程をさらに含む、請求項１に記載の方法。
15. 検証ネットワークは、１つまたはそれ以上の畳み込みニューラルネットワークを含む、請求項１に記載の方法。
16. 品質チェックモジュールであって：
    標本の血清または血漿部分を含む標本容器の１つまたはそれ以上の視点から、１つまたはそれ以上の画像を取り込むように動作可能な複数の画像取込みデバイスと；
    複数の画像取込みデバイスに連結されたコンピュータとを含み、該コンピュータは：
    標本の１つまたはそれ以上の画像を取り込む工程であって、１つまたはそれ以上の画
    像は、標本の血清または血漿部分を含み、画素データが生成される、工程と；
    血清または血漿部分の分類を予測するために、コンピュータで実行される仮説ネットワークを使用して、標本の１つまたはそれ以上の画像の画素データを処理する工程であって、分類は、溶血、黄疸、および脂肪血症を含む、工程と；
    予測された分類を検証または拒絶する、予測された分類について訓練された、コンピュータで実行される検証ネットワークを使用して、予測された分類を検証する工程と
    を行うように構成され動作可能である、前記品質チェックモジュール。
17. コンピュータは、血清または血漿部分の正常な分類を予測するために画素データを処理する工程を行うようにさらに構成され動作可能である、請求項１６に記載の品質チェックモジュール。
18. コンピュータは：
    分類指数を予測するために画素データを処理する工程と；
    予測された分類指数について訓練された検証ネットワークを使用して、予測された分類指数を検証する工程と
    を行うようにさらに構成され動作可能である、請求項１６に記載の品質チェックモジュール。
19. コンピュータは：
    仮説ネットワークが標本に関して溶血分類を予測したのに応答して、溶血について訓
    練された検証ネットワークによって、予測された分類を検証する工程と；
    仮説ネットワークが標本に関して黄疸分類を予測したのに応答して、黄疸について訓練された検証ネットワークによって、予測された分類を検証する工程と；
    仮説ネットワークが標本に関して脂肪血症分類を予測したのに応答して、脂肪血症について訓練された検証ネットワークによって、予測された分類を検証する工程と
    を行うようにさらに構成され動作可能である、請求項１６に記載の品質チェックモジュール。
20. 検証ネットワークは、１つまたはそれ以上の畳み込みニューラルネットワークを含む、請求項１６に記載の品質チェックモジュール。
21. 標本試験装置であって：
    トラックと；
    トラック上で可動であり、標本の血清または血漿部分を含む標本容器を含むように構成されたキャリアと；
    トラックの周囲に配置されて、１つまたはそれ以上の視点から標本容器および標本の血清または血漿部分の１つまたはそれ以上の画像を取り込むように動作可能である複数の画像取込みデバイスと；
    複数の画像取込みデバイスに連結されたコンピュータとを含み、該コンピュータは：
    標本の１つまたはそれ以上の画像を取り込む工程であって、１つまたはそれ以上の画像は、標本の血清または血漿部分を含み、画素データが生成される、工程と；
    血清または血漿部分の分類を予測するために、コンピュータで実行される仮説ネットワークを使用して、標本の１つまたはそれ以上の画像の画素データを処理する工程であって、分類は、溶血、黄疸、および脂肪血症を含む、工程と；
    予測された分類を検証または拒絶する、コンピュータで実行される１つまたはそれ以上の検証ネットワークを使用して、予測された分類を検証する工程と
    を行うように構成され動作可能である、前記標本試験装置。

Images