[发明专利]以端到端训练方式使用单深度神经网络的样本容器表征

说明书

一种表征样本容器中的样本的血清或血浆部分的方法包括：从多个视点捕获样本容器的多个图像；沿着通道维度将多个视点图像堆叠成单个堆叠的输入；以及利用单个深度卷积神经网络（SDNN）来处理该堆叠的输入。SDNN包括分割卷积神经网络，该分割卷积神经网络接收堆叠的输入并且同时输出多个标签图。SDNN还包括分类卷积神经网络，该分类卷积神经网络处理多个标签图并输出对样本的血清或血浆部分的HILN确定（溶血、黄疸和/或血脂、或正常）。还描述了被构造成实施该方法的质量检查模块和测试设备以及其他方面。

相关申请的交叉引用

本申请要求2018年6月15日提交的美国临时申请序列号62/685,344的优先权，该申请的内容通过引用整体地并入本文中。

技术领域

本公开涉及用于在自动化诊断分析系统中表征样本容器（和其中的样本）的方法和设备。

背景技术

自动化诊断分析系统可使用一种或多种试剂进行测定或临床分析，以识别样本中的分析物或其他成分（诸如，尿液、血清、血浆、间质液、脑脊髓液等）。此类样本通常被包含在样本容器（例如，样本收集管）内。测试反应生成各种变化，可读取和/或操纵这些变化以确定样本中的分析物或其他成分的浓度。

自动化测试技术的改进已伴随着预分析样本制备和处理操作的对应进步，诸如通过自动化样本制备系统进行分选、批量制备、使样本容器离心以分离样本组分、移除帽以促进流体进入、预筛选HILN（溶血、黄疸和/或血脂、或正常）等，该自动化样本制备系统被称为实验室自动化系统（LAS）。LAS还可将样本容器中的样本自动地运送到若干个样本处理站，因此可以对其执行各种操作（例如，预分析或分析测试）。

LAS可处理被包含在标准的有条形码标签的样本容器中的若干不同样本，这些样本容器可具有不同的大小（例如，直径和高度）。条形码标签可包含登录号（accessionnumber），所述登录号可包含患者信息和其他信息或与患者信息和其他信息相关，该患者信息和其他信息可连同测试订单（test order）一起输入到医院的实验室信息系统（LIS）中。操作者可将有标签的样本容器放置到LAS系统上，该LAS系统可自动地路由样本容器以进行预分析操作，诸如离心、去帽（de-capping）和/或等分试样（aliquot）制备，之后使样本经受由一个或多个分析仪（例如，临床化学或测定仪器）进行的临床分析或测定，所述分析仪也可以是LAS的一部分。

对于某些测试，可分析诸如血清或血浆部分（通过离心从全血获得）之类的生物液体。在样本是全血的情况下，可将凝胶分离物（gel separator）添加到样本容器以帮助从血清或血浆部分分离沉降的血液部分。在预处理之后，可将样本容器运送到适当的分析仪，该分析仪可从样本容器提取生物流体的一部分（例如，血清或血浆部分），并将流体与一种或多种试剂以及可能地其他材料在反应器皿（例如，比色皿）中组合。然后，可通过使用询问辐射（interrogating radiation）束等经由光度或荧光吸收读数来执行分析测量。这些测量允许确定终点速率或其他值，使用众所周知的技术从其确定生物流体中的分析物或其他成分的量。

然而，样本中任何干扰物（例如，溶血、黄疸和/或血脂）的存在（其可由患者状况或样品处理造成）可对从所述一个或多个分析仪获得的分析物或成分测量的测试结果产生不利影响。例如，样本中溶血（H）的存在（其可与患者的疾病状态无关）可引起对患者的疾病状况的不同解释。此外，样本中黄疸（I）和/或血脂（L）的存在也可引起对患者的疾病状况的不同解释。

在一些系统中，熟练的实验室技术人员可目检样本的血清或血浆部分的完整性，并将其评定为正常的（N）抑或具有H、I和/或L程度（例如，通过指派指数）。这可涉及对照已知标准来审查血清或血浆部分的颜色。然而，这种人工目检是非常主观的、费力的并且充满可能的人为误差。