用于中耳炎诊断的机器学习制造技术

本文公开了通过使用分类器来对鼓膜进行分类的系统和方法。该分类器是一种机器学习算法。一种对鼓膜进行分类的方法包括以下步骤：从问诊系统接收与鼓膜有关的一个或多个数据集；从该一个或多个数据集确定一组参数，其中该组参数中的至少一个参数与鼓膜的动态属性或静态位置有关；并基于从该组参数导出的分类器模型输出鼓膜的分类。该分类包括鼓膜的状态、病况或移动性度量中的一个或多个。病况或移动性度量中的一个或多个。病况或移动性度量中的一个或多个。

【技术实现步骤摘要】
【国外来华专利技术】用于中耳炎诊断的机器学习
交叉引用
[0001]本申请要求2019年1月25日提交的美国临时申请号62/796,762的权益，该申请通过引用并入本文。

技术介绍

[0002]本公开内容涉及用于表征组织和相关材料(诸如，用于诊断)的系统和方法。特别地，本公开内容涉及测量组织移动性或位置，诸如鼓膜的移动性或位置，用于诊断和表征中耳炎(即，耳部感染)。例如，本公开内容的实施方式涉及机器学习，例如，利用由鼓膜的光学和/或声学和/或压力数据集组成的一组训练数据，来预测鼓膜移动性或位置。预测模型可以用训练集来生成，并用于表征患者的鼓膜移动性或位置，从而诊断和表征任何中耳炎。
[0003]中耳炎(OM)是内耳的一组炎性疾病并且是最普遍的儿童医疗保健问题的诱因，通常称为“耳部感染”。OM定义为中耳中存在液体积液，并包括两种主要类型：急性中耳炎(AOM)，渗出性中耳炎(OME)，慢性中耳炎(COM)和慢性化脓性中耳炎(CSOM)。通常伴随耳痛的感染的快速发作是AOM中耳积液(MEE)的特点，而OME通常不与症状相关联，因为MEE液体是非感染性的。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于对鼓膜进行分类的方法，所述方法包括：从问诊系统接收与所述鼓膜有关的一个或多个数据集；从所述一个或多个数据集确定一组参数，其中所述组参数中的至少一个参数与所述鼓膜的动态属性或静态位置有关；以及基于从所述组参数导出的分类器模型输出所述鼓膜的分类，其中所述分类包括所述鼓膜的状态、病况或移动性量度中的一个或多个。2.根据权利要求1所述的方法，其中所述问诊系统包括成像系统，并且其中所述一个或多个数据集包括所述鼓膜的一个或多个图像。3.根据权利要求1所述的方法，其中所述分类器模型包括机器学习算法。4.根据权利要求3所述的方法，其中所述机器学习算法包括线性回归、逻辑回归、分类和回归树算法、支持向量机(SVM)、朴素贝叶斯、K最近邻算法、随机森林算法、诸如XGBoost和LightGBM的提升算法、神经网络、卷积神经网络和递归神经网络中的一个或多个。5.根据权利要求3所述的方法，其中所述机器学习算法是监督学习算法、无监督学习算法、或半监督学习算法。6.根据权利要求2所述的方法，其中所述鼓膜的所述一个或多个图像包括一个或多个超声图像。7.根据权利要求6所述的方法，其中所述一个或多个超声图像包括来自气动超声鼓室镜的图像。8.根据权利要求6所述的方法，其中响应于气动激励测量所述一个或多个超声图像。9.根据权利要求2所述的方法，其中所述鼓膜的所述一个或多个图像包括一个或多个光学相干断层扫描图像。10.根据权利要求2所述的方法，其中所述图像包括光学图像。11.根据权利要求2所述的方法，其中与所述膜的所述动态属性或静态位置有关的所述至少一个参数响应于气动激励。12.根据权利要求11所述的方法，其中所述气动激励包括一团气体。13.根据权利要求11所述的方法，其中所述气动激励具有大于10Hz的频率。14.根据权利要求1所述的方法，其中所述鼓膜的所述动态属性包括以下的一个或多个：膜移动或膜移动性的指示；所述鼓膜的最小或最大位移；异常位移；最小与最大位移之间的差值或比率；相对于气动激励的压力，位移的斜率或者最小与最大位移之间的差值或比率的斜率；测量压力与施加压力的响应；所述鼓膜响应于气动激励的视觉移动；从奇异值分解、主成分分析和K均值聚类生成的一个或多个统计分量；以及超声脉冲回波振幅或超声回波相位或其导数或其移动平均值。15.根据权利要求14所述的方法，其中所述鼓膜的所述动态属性相对于气动激励的压力归一化。
16.根据权利要求1所述的方法，其中所述方法还包括生成所述鼓膜移动性的序数读出、类别读出或连续数值输出中的一个或多个。17.根据权利要求16所述的方法，其中所述序数读出包括与膜移动性的程度有关的数值级别。18.根据权利要求17所述的方法，其中所述数值级别包括0至4+的分类。19.根据权利要求16所述的方法，其中所述类别读出包括作为高度移动、中度移动、半移动或不移动中的至少一个的膜移动性程度的指示。20.根据权利要求16所述的方法，其中所述类别读出包括二元分类。21.根据权利要求16所述的方法，其中所述连续数值输出包括测量膜位移、膜移动速度或膜恢复速度中的一个或多个。22.根据权利要求1所述的方法，其中所述鼓膜的所述状态或病况包括急性中耳炎、急性渗出性中耳炎、中耳积液、慢性中耳炎、慢性化脓性中耳炎、细菌感染、病毒感染、无积液和未知分类中的一个或多个。23.根据权利要求1所述的方法，其中所述一个或多个数据集包括m模式超声数据集。24.根据权利要求1所述的方法，其中所述一个或多个数据集包括红外图像。25.根据权利要求1所述的方法，其中所述一个或多个数据集包括气动数据集。26.根据权利要求1所述的方法，其中所述一个或多个数据集包括响应于气动激励而获取的一个或多个光学图像。27.根据权利要求1所述的方法，其中所述静态位置包括扩张的膜或收缩的膜。28.一种用于对鼓膜进行分类的系统，所述系统包括：计算系统，所述计算系统包括存储器，所述存储器包括用于对所述鼓膜进行分类的指令，其中所述计算系统被配置成执行所述指令以至少：从问诊系统接收与所述鼓膜有关的一个或多个数据集；从所述一个或多个数据集确定一组参数，其中所述组参数中的至少一个参数与所述鼓膜的动态属性或静态位置有关；以及基于从所述组参数导出的分类器模型输出所述鼓膜的分类，其中所述分类包括所述鼓膜的状态、病况或移动性量度。29.根据权利要求28所述的系统，其中所述问诊系统包括成像系统，并且其中所述一个或多个数据集包括所述鼓膜的一个或多个图像。30.根据权利要求28所述的系统，其中所述系统附加地包括气动超声鼓室镜。31.根据权利要求28所述的系统，其中所述分类器模型包括机器学习算法。32.根据权利要求31所述的系统，其中所述机器学习算法包括线性回归、逻辑回归、分类和回归树算法、支持向量机(SVM)、朴素贝叶斯、K最近邻算法、随机森林算法、诸如XGBoost和LightGBM的提升算法、神经网络、卷积神经网络和递归神经网络中的一个或多个。33.根据权利要求31所述的系统，其中所述机器学习算法是监督学习算法、无监督学习算法、或半监督学习算法。34.根据权利要求29所述的系统，其中所述鼓膜的所述一个或多个图像包括一个或多个超声图像。
35.根据权利要求34所述的系统，其中所述一个或多个超声图像包括来自气动超声鼓室镜的图像。36.根据权利要求34所述的系统，其中响应于气动激励测量所述一个或多个超声图像。37.根据权利要求29所述的系统，其中所述鼓膜的所述一个或多个图像包括一个或多个光学相干断层扫描图像。38.根据权利要求29所述的系统，其中所述图像包括光学图像。39.根据权利要求29所述的系统，其中与所述膜的动态属性或静态位置有关的所述至少一个参数响应于气动激励。40.根据权利要求39所述的系统，其中所述气动激励包括一团气体。41.根据权利要求39所述的系统，其中所述气动激励包括大于10Hz的频率。42.根据权利要求28所述的系统，其中所述鼓膜的所述动态属性包括以下中的一个或多个：膜移动或膜移动性的指示；所述鼓膜的最小或最大位移；异常位移；最小与最大位移之间的...

【专利技术属性】
技术研发人员：查理，
申请(专利权)人：沃德诺希斯医疗技术有限公司，
类型：发明
国别省市：