用于动物健康评估的粘液分析的制作方法

用于动物健康评估的粘液分析1.交叉参考相关引用2.本技术要求于2020年7月31日提交的美国专利申请第16/945,009号和于2020年7月31日提交的国际专利申请第pct/us20/44507号的优先权，其中上述申请中的每个申请的全部内容通过引用并入本文。
技术领域：
：3.本公开总体涉及用于评估动物健康的技术(例如通过分析如粘液等生物样品的图像)和用于为动物创建个性化系统的技术。
背景技术：
：：4.人和其它动物的消化道内部覆盖有含有分泌粘液的杯状细胞的上皮细胞。粘液具有重要的保护、生理和免疫功能。胃和小肠衬有单层粘液涂层，而大肠则具有两层粘液涂层。这些粘液涂层的功能可以基于位置和层的不同而有很大差异。最近的探索表明了粘液具有抗菌和细菌结合特性的能力。此外，包括超过99％至99.99％的水的粘液的物理特性可以通过物理大小限制和通过其凝胶样特性抑制移动性来帮助抑制细菌穿过脆弱的上皮细胞。5.由于所述粘液的极高的含水量以及脆弱的化学结构和组成，粘液本身可以是一种极其脆弱和短暂的物质。因此，粘液作为一种物质的研究和探索提出了真正的技术挑战。通常认为，对粘液层的功能和重要性的了解才仍刚刚开始(参见例如，《胃肠病学报告(gastroenterologyreport)》7(1),2019,第3-12页)。进一步地，由于超过70％的动物免疫力依存于胃肠道，因此粘液可以作为宿主生物体的字面上的看门人发挥关键作用——例如，通过选择性地允许和拒绝暴露于对宿主动物的健康和营养至关重要的关键代谢物，包含维生素和短链脂肪酸。而且由于每只动物的生命都是独特的，并且在实验室环境中评估粘液特性具有挑战性，因此在尝试使用粘液评估动物健康并确定动物的处理或其它行动方案时存在重大挑战。进一步地，大多数评估动物健康的诊断和检测方法都建立在传统的渗出物之上，包含粪便、血液或尿液。6.目前，例如，动物健康评估可以包含提交动物粪便的物理样品或与健康、行为、当前饮食和其它种族信息相关的问卷调查响应，然后分析该信息并与参考数据库比较以提供个性化健康计划。这些技术可能需要复杂而且繁琐的步骤，这些步骤通常需要数周(或数月)来处理，这通常是收集可靠的样品并在足够的时间内进行诊断以提供针对特定动物的可行解决办法的主要障碍。这些评估还缺乏以标准化方式评估短暂渗出物(如粘液)，提供或增强实时健康评估的方法。7.仍然需要改进动物健康评估，例如，利用如粘液等动物样本的更多实时呈现来产生更准确的结果和更有效的建议或处理计划。技术实现要素：8.本发明的教导内容总体上包含用于使用(例如，如粘液等渗出物的样品的)图像分析作为生物样本的传统实验室分析的补充、替代或替换来表征动物的健康(例如，胃肠健康)的技术。本发明的教导内容还可以包含或替代地包含用于使健康和保健计划(包含但不限于饮食补充剂，如基于健康评估的定制配方)个性化的技术，其中此类健康和保健计划可以基于本文所描述的健康表征技术中的一种或多种健康表征技术。本发明的教导内容还可以包含或替代地包含用于例如通过以循环方式执行健康表征和健康计划技术来对动物进行连续照看的技术或计划。还可以或替代地使用本发明的教导内容来创建个性化补充系统(例如，使用个性化补充剂、个性化投配装置和个性化包装)。9.一方面，一种分析生物样品图像以提供动物的健康评估的方法可以包含：接收图像，所述图像包含含有粘液的生物样品；识别和提取所述图像内的一个或多个感兴趣区域以供进一步分析；将模型应用于所述一个或多个感兴趣区域以识别其中的一种或多种粘液状况，所述模型使用具有不同粘液状况的多个图像进行训练，其中所述模型的输出至少包含对应于存在于所述一个或多个感兴趣区域中的粘液量的等级；至少部分基于所述模型的所述输出，预测所述生物样品来源于的动物的健康特性；以及向与所述动物相关联的用户呈现所述健康特性。10.实施方案可以包含以下中的一者或多者。所述方法可以进一步包含鉴于所述健康特性为所述动物提供治疗。治疗可以包含用于该动物的定制健康计划。定制健康计划可以包含行为改变和饮食改变中的一者或多者。定制健康计划可以包含关于饮食、睡眠、锻炼和活动中的一者或多者的推荐。治疗可以包含食物、补充剂和药物中的一者或多者。治疗可以包含用于动物的个性化饮食补充剂。个性化饮食补充剂可以包含预定量的益生菌、益生元、消化酶、抗炎剂、天然提取物、维生素、矿物质、氨基酸、短链脂肪酸、油和调配剂中的一者或多者。所述个性化膳食补充剂可以包含榆树皮粉和药蜀葵根粉中的一者或多者。所述方法可以进一步包含鉴于参考数据库分析所述健康特性以确定所述治疗。所述方法可以进一步包含为所述动物提供包含所述健康特性的报告。描述符可以与健康特性一起提供给用户。鉴于健康特性，警报可以提供给用户。所述等级可以将所述粘液量识别为不存在、低或高之一。所述模型的输出可以进一步包含对应于存在于所述一个或多个感兴趣区域中的粘液的不透明度的一个或多个标签。所述模型的输出可以进一步包含对应于存在于所述一个或多个感兴趣区域中的粘液的厚度的一个或多个标签。所述模型的输出可以进一步包含对应于所述一个或多个感兴趣区域中被粘液占据的表面积的一个或多个标签。所述模型的输出可以进一步包含对应于存在于所述一个或多个感兴趣区域中的粘液的颜色的一个或多个标签。所述模型的输出可以进一步包含对应于存在于所述一个或多个感兴趣区域中的粘液的微生物含量估计值的一个或多个标签。所述模型的输出可以进一步包含对应于所述动物中的细菌和皮质醇中的一者或多者的水平估计值的一个或多个标签。所述模型的输出可以进一步包含对应于血液和病原体中的一者或多者的检测的一个或多个标签。所述模型可以是卷积神经网络(cnn)模型。生物样品可以是伴随有粪便样品的粘液样品。所述方法可以进一步包含计算所述一个或多个感兴趣区域内的几何属性、质地属性和颜色属性中的一者或多者以识别所述粪便样品的一个或多个特征。所述方法可以进一步包含将第二模型应用于所述粪便样品的所述一个或多个特征，所述第二模型基于所述一个或多个特征预测所述动物的第二健康特性。所述方法可以进一步包含鉴于所述健康特性和所述第二健康特性的组合提供治疗。第二健康特性可以包含布里斯托尔粪便量表(bristolstoolscale)上的分类。所述第二模型可以包含机器学习模型和概率模型中的一者或多者。所述粪便样品的所述一个或多个特征可以包含颜色、质地、二进制数的数量、面积、周长、圆度、质量、偏心率、长轴、短轴、粘度、稠度、含水量、硬度、范围、等效直径、镜面反射性、相干性、反射率、扩散性和非粪便物质的存在中的至少一者。所述图像可以包含元数据。所述元数据可以包含时间、日期和地理位置中的一者或多者。图像可以存储在远程数据库中。接收图像可以包含从远程数据库检索图像。所述方法可以进一步包含接收与所述图像相关联的元数据。所述元数据可以包含与健康、行为、当前饮食、补充剂、药物、种族信息、品种、所述动物的重量、所述生物样品的重量、(宿主生物体和/或胃肠道微生物群落(也称为微生物组)的)dna基因测序和所述动物的大小中的一者或多者相关的问卷调查响应。所述元数据可以包含地理定位信息和生理信息中的一者或多者。所述元数据可以包含基本事实属性。元数据可以包含历史数据。所述生物样品可以包含痰、鼻涕、尿液、呕吐物、胆汁、血液、阴道排出物、精液和其它生物排出物中的一者或多者。提取一个或多个感兴趣区域可以包含至少部分由所述模型执行的所述图像的分割。提取一个或多个感兴趣区域可以包含所述图像的自动分割。所述自动分割可以包含利用使用深度学习的一个或多个语义分割模型。所述方法可以进一步包含使所述一个或多个感兴趣区域归一化以解决图像可变性，由此创建归一化的图像以进行另外的标准化分析。将一个或多个感兴趣区域归一化可以考虑了在捕获所述图像中使用的一个或多个图像获取设置。一个或多个图像获取设置可以包含焦距、颜色设置、照明设置和放大率中的一者或多者。将一个或多个感兴趣区域归一化可以包含调整所述一个或多个感兴趣区域的大小。所述方法可以进一步包含鉴于参考数据库分析所述模型的所述输出以确定所述健康特性和治疗中的一者或多者。所述参考数据库可以是包含来自其它生物样品分析的数据的历史数据库。其它生物样品中的至少一种生物样品可以来自所述动物。所述其它生物样品可以来自与所述生物样品来源于的所述动物不同的动物。所述图像可以进一步包含其上具有标记的静止表面，所述标记包含已知大小、已知形状和已知颜色中的一者或多者，其中所述标记被所述模型用于分析所述生物样品。11.一方面，用于分析生物样品图像以提供动物健康评估的计算机程序产品可以包含在非暂态计算机可读介质中实施的计算机可执行代码，当在一个或多个计算装置上执行时，所述计算机可执行代码执行以下步骤：接收图像，所述图像包含含有粘液的生物样品；识别和提取所述图像内的一个或多个感兴趣区域以供进一步分析；将模型应用于所述一个或多个感兴趣区域以识别其中的一种或多种粘液状况，所述模型使用具有不同粘液状况的多个图像进行训练，其中所述模型的输出至少包含对应于存在于所述一个或多个感兴趣区域中的粘液量的等级；至少部分基于所述模型的所述输出，预测所述生物样品来源于的动物的健康特性；以及向与所述动物相关联的用户呈现所述健康特性。12.一方面，一种用于分析生物样品图像以提供动物的健康评估的系统可以包含：数据网络、耦接到所述数据网络的用户装置；以及远程计算资源，所述远程计算资源耦接到所述数据网络并且可由所述用户装置通过所述数据网络访问。远程计算资源可以包含处理器和存储器，所述存储器存储可由处理器执行以执行以下步骤的代码：通过所述数据网络从所述用户装置接收图像，所述图像包含含有粘液的生物样品；识别和提取所述图像内的一个或多个感兴趣区域以供进一步分析；将模型应用于所述一个或多个感兴趣区域以识别其中的一种或多种粘液状况，所述模型使用具有不同粘液状况的多个图像进行训练，其中所述模型的输出至少包含对应于存在于所述一个或多个感兴趣区域中的粘液量的等级；至少部分基于所述模型的所述输出，预测所述生物样品来源于的动物的健康特性；以及在所述用户装置上呈现所述健康特性。所述代码可以被进一步配置成执行鉴于所述健康特性而通过所述数据网络向所述用户装置传输治疗的步骤。13.一方面，一种为动物调配个性化产品的方法可以包含：接收图像，所述图像包含含有粘液的生物样品；将模型应用于所述图像以识别其中的一种或多种粘液状况，所述模型使用具有不同粘液状况的多个图像进行训练，其中所述模型的输出至少包含对应于存在的粘液量的等级；以及至少部分基于所述模型的所述输出，为所述生物样品来源于的动物选择个性化产品的一种或多种成分。14.实施方案可以包含以下中的一种或多种。所述方法可以进一步包含组合一种或多种成分以形成个性化产品。所述方法可以进一步包含包装所述个性化产品。所述方法可以进一步包含将所述个性化产品分配给所述动物和与所述动物相关联的用户中的一者或多者。所述方法可以进一步包含为所述动物投配所述个性化产品。个性化产品可以包含个性化饮食产品。个性化饮食产品可以包含食物、补充剂和药物等中的一者或多者。所述个性化产品可以包含美容产品、洗发剂、护发剂、乳液、乳霜、药物、滴耳剂、滴眼剂、局部用物质、牙膏和口腔冲洗剂中的一者或多者。15.一方面，一种个性化产品可以包含从生物样品中的粘液的基于计算机的分析得出的一种或多种成分，所述生物样品中的所述粘液从应用于包含所述生物样品的图像的模型提取。16.实施方案可以包含以下中的一种或多种。所述生物样品可以是粪便，其中所述个性化产品包含个性化饮食产品。一种或多种成分可以包含预定量的益生菌、益生元、消化酶、抗炎剂、天然提取物、维生素、矿物质、氨基酸、短链脂肪酸、油和调配剂中的一者或多者。17.一方面，一种方法可以包含：接收含有不同粘液量的生物样品的多个图像；分析生物样品的所述多个图像；为所述多个图像中的每个图像分配与其中含有的生物样品上存在的粘液量相关联的多个等级之一；创建包含所述多个等级中的每个等级的量表；以及将所述量表输入到被编程为对输入图像执行图像分析的模型中，其中所述图像分析中的所述模型的输出是所述多个等级之一。18.实施方案可以包含以下中的一种或多种。所述方法可以进一步包含将所述输入图像输入到所述模型中，并且接收包含所述输入图像的所述多个等级之一的所述输出。所述方法可以进一步包含通过检查所述输出并且在所述输出与预期输出不匹配时调整所述模型来训练所述模型。所述多个图像中的所述生物样品可以各自包含粪便样品。所述不同粘液量的范围可以为从不存在粘液到定义为占据生物样品的25％以上的大量粘液。所述多个等级可以至少对应于第一状况、第二状况以及第三状况，在所述第一状况下，在所述多个图像中的至少一个图像中未从生物样品中检测到粘液，在所述第二状况下，粘液被检测到但在所述多个图像中的至少一个图像中占据小于预定量的生物样品，所述第三状况具有在所述多个图像中的至少一个图像中占据多于所述预定量的生物样品的粘液。所述第一状况可以包含‘不存在的’等级，所述第二状况可以包含‘低’等级，并且所述第三状况可以包含‘高’等级。预定量可以是生物样品的25％的涂层。预定量可以是生物样品的50％的涂层。所述多个等级中的等级可以考虑了粘液的不透明度、粘液的厚度、粘液占据的表面积、粘液的颜色、粘液的微生物含量估计值、动物中的皮质醇水平估计值以及粘液中的细菌水平估计值中的一者或多者。所述方法可以进一步包含：接收包含第一生物样品的第一图像；识别和提取所述第一图像内的一个或多个感兴趣区域以供进一步分析；将所述模型应用于所述一个或多个感兴趣区域以识别其中的一种或多种粘液状况；接收针对所述第一图像的所述模型的输出，所述输出至少包含所述多个等级中的第一等级；至少部分基于所述第一等级，预测所述第一生物样品来源于的动物的健康特性；以及向与所述动物相关联的用户呈现所述健康特性。所述方法可以进一步包含鉴于所述健康特性和所述第一等级中的一者或多者为所述动物提供治疗。19.参考以下描述、实例和所附权利要求，本发明的教导内容的这些和其它特征、方面和优点将变得更容易理解。附图说明20.根据以下对如附图中展示的本文特定实施例的描述，本文所描述的装置、系统和方法的目标、特征和优点将变得明显。附图不一定是按比例绘制，而是将重点放在示出本文所描述的装置、系统和方法的原理上。在附图中，类似的数字通常标识对应的元件。21.图1展示了根据代表性实施例的用于动物健康评估的系统。22.图2是展示了根据代表性实施例的用于至少部分地基于生物样品的图像分析来生成动物的定制健康计划的技术的流程图。23.图3是根据代表性实施例的用于至少部分地基于生物样品的图像分析来评估动物健康的方法的流程图。24.图4是展示了根据代表性实施例的具有反馈回路的动态推荐引擎的流程图。25.图5是根据代表性实施例的用于训练模型的方法的流程图。26.图6是根据代表性实施例的用于使用模型提供推荐的方法的流程图。27.图7是根据代表性实施例的分析图像以提供动物的健康评估的方法的流程图。28.图8是根据代表性实施例的分析图像以提供动物的健康评估的方法的流程图。29.图9示出了根据代表性实施例的生物样品的图像以展示粘液量表。30.图10示出了根据代表性实施例的呈现给最终用户的生物样品的图像分析输出。31.图11示出了根据代表性实施例的与粘液量表相关的等级。32.图12示出了根据代表性实施例的治疗推荐。33.图13是根据代表性实施例的创建和使用粘液量表的方法的流程图。34.图14示出了根据代表性实施例的图像以及其各种颜色平面。35.图15示出了根据代表性实施例的用于粘液分析的粪便样品的图像分割的实例。36.图16是为动物调配个性化产品的方法的流程图。具体实施方式37.现在将在下文中参考附图更全面地描述实施例，在附图中示出了优选实施例。然而，前述内容可以具体表现为多种不同形式，并且不应将其理解为受限于本文所述的图示实施例。相反，提供这些图示实施例是为了使本公开将向本领域技术人员传达范围。38.本文所提及的所有文献全文以引用方式并入本文。除非另外明确说明或从文字中清楚可见，否则单数形式的物件应被理解为包含复数形式的物件，反之亦然。语法连接词旨在表达所连接的从句、句子、字词等的任何和所有转折性和连接性组合，除非另有说明或从上下文中清楚可见。因此，术语“或”通常应当被理解为意指“和/或”等。39.除非本文另有说明，否则本文中对数值范围的叙述不旨在限制，而是单独地指落入该范围内的任何和所有值，并且这种范围内的每个单独值被并入本说明书中，如同它在本文中被单独地叙述一样。当伴随数值时，词语“约”、“大约”等应被解释为指示本领域普通技术人员将理解的偏差，以便令人满意地用于预期目的。类似地，当参考物理特性使用时，诸如“约”、“大约”或“基本上”的近似词应当被理解为预期本领域普通技术人员将理解的偏差范围，以便令人满意地用于相应的用途、功能、目的等。本文提供的值和/或数值的范围仅作为实例，并不构成对所描述实施例的范围的限制。在提供值范围的情况下，除非明确地相反说明，否则它们还旨在包含所述范围内的每个值，如同单独地阐述这些值一样。本文提供的任何和所有实例或示例性语言(“例如”、“如”等)的使用仅旨在更好地说明实施例，而不对实施例的范围施加限制。说明书中的任何语言都不应理解为表示任何不受权利要求书保护的要素是实践实施例所必需的。40.在以下描述中，应当理解，如“第一”、“第二”、“顶部”、“底部”、“上”、“下”等术语是方便的词语，并且不应被解释为限制性术语，除非有相反的具体说明。41.通常，本文所公开的装置、系统和方法通常涉及评估动物健康，包含但不限于胃肠健康。并且具体地，此申请建立在于2020年7月31日提交的国际专利申请第pct/us20/44507号的教导内容上，所述国际专利申请通过引用整体并入本文，并且包含微生物组和/或代谢组评估，采用样本图像评估作为微生物组和/或代谢组评估方法(例如，传统的微生物组和/或代谢组评估方法)的补充和/或替代，以及个性化健康系统(包含但不限于个性化消化补充剂、美容品制剂、投配方法和用于运输健康系统的包装)。然而，国际专利申请第pct/us20/44507号包含通过这些生物样本的按需图像分析避免现有的基于实验室的生物样本评估的教导内容，本发明的教导内容揭示了相关的、新颖的应用，包含针对某些生物样本(例如粘液等)的基于图像的分析创建标准评估量表和技术，其中鉴于这些样本的瞬变性，目前不存在基于实验室的评估。因此，本发明的教导内容可以包含使用和分析包含粘液的生物样品的图像。应当理解，本发明的教导内容可以与国际专利申请第pct/us20/44507号中概述的各种分析一起使用或代替所述各种分析。例如，根据本发明的教导内容的一种或多种技术可以与国际专利申请第pct/us20/44507号中描述的一种或多种技术组合以制定对动物的相对全面的健康评估。42.然而，应当理解，尽管本发明的教导内容可以强调使用和分析粘液(例如，包含粘液和其它材料的生物样品——如其上或其中含有粘液的粪便样品——或仅由粘液组成的生物样品)图像，本文所讨论的技术也可以或替代地用于分析其它生物材料和/或生理区域的图像。例如，除了粘液图像之外或代替粘液图像，本发明的教导内容可以用于分析血液，其中本发明的教导内容的“按需”方面可以是有利的，因为血液可以变色或以其它方式随时间变化。此外，除了粘液和血液之外或代替粘液和血液，以下是生物样本的非排他性列表，其可以使用或改编本技术进行分析以提供基于分析的健康评估：鼻涕、痰、斑块、扁桃体结石、精液、阴道排出物、其它生物排出物、动物身体的其它部分、其组合等。因此，如本文所使用的术语“生物样品”或“生物样本”将被理解为包含上述的一种或多种以及类似物。43.进一步地，如本文所使用的，应理解如本文所使用的术语“动物”通常指具有专门感觉器官和神经系统的任何活的(或先前活的)有机体，例如，其中活的有机体能够响应刺激。动物的实例包含但不限于伴侣动物(例如，狗、猫等)、灵长类动物、人、蜥蜴和其它动物学生物。例如，宠物所有者可以使用本发明的教导内容的一方面来至少部分地基于对其宠物粪便图像(或宠物的另一种生物特征或沉积物的图像，例如含有粘液等的沉积物)的分析来获得对其宠物的健康评估。具体地，在本发明的教导内容的一方面，图像分析和/或从中获得的有用信息的至少一部分可以相对快速地获得——例如，在遛狗时，用户可以拍摄粘液样品的图像，将图像上传到基于web的平台，并且至少获得近乎实时的图像的部分分析。44.如本文所使用的，术语“个性化”和其变化形式通常应指已经针对动物或用户特别定制的结果。45.如本文所使用的，术语“问卷调查”通常指来自用户(例如照看者或患者)的任何信息征求，所述信息征求可以电子方式记录、物理书写等。“问卷调查”还可以包含或替代地包含来自如本文所定义的术语“动物”的信息征求。以此方式，通过实例的方式，“问卷调查”可以包含来自除了提交用于分析的图像之外的来源的数据征求，例如，地理位置信息、心率信息或其它生理信息(其可以经由可穿戴装置测量或手动测量，例如经由来自经训练的健康助理的听诊器)、饮食或补充剂信息、活动信息、年龄、性别、体重、粪便重量、健康状况和历史、药物、手术、物种或品种等。因此，“问卷调查”还可以包含或替代地包含例如来自医学检查的医疗信息征求。从这种“问卷调查”得到的信息因此可以包含任何前述类型的信息或类似物。还应当理解，从这样的“问卷调查”得到的信息可以作为如本文所用并且在下文定义的术语“元数据”被包含在内，并且问卷调查本身也可以作为元数据被包含在内。46.在本发明的教导内容的上下文中，如本文所用，术语“元数据”通常应指在本发明的教导内容中可用的不同于在图像内容的分析中生成的数据的任何数据，例如，与直接从本文所述的图像处理技术导出的数据不同的任何数据。然而，应当理解，元数据可以包含与图像相关联的不同于对其内容的图像分析的信息，例如，日期、时间、文件名、文件类型、文件目录和/或其它存储相关信息、文件源、文件的创建者、文件大小等。47.此外，如上所述，从调查问卷到处的信息可以被认为是元数据。此外或替代地，元数据可以包含从实验室分析接收的数据，例如，来自动物的生物样品的实验室分析或动物本身的实验室分析。通常，从实验室分析接收的这种数据将被理解为包含使用定量工具导出的数据和/或包含标准化输出的数据。因此，还应当理解，本文所包含的健康评估技术可以利用图像分析与元数据的组合，如基于实验室的分析，包含但不限于微生物组评估、代谢组评估、血样分析、尿液分析、活检、寄生虫学评估等中的一种或多种。然而，在某些实施例中，图像分析可以代替基于实验室的分析来使用。进一步地，在此类方面中，图像分析可以用于对没有对应的基于实验室的分析的输出进行评估，如对动物粘液等的分析。并且虽然描述的重点可以包含胃肠病学健康，但本领域普通技术人员将认识到使用本文所描述的此类图像分析来预测其它健康、生活方式和/或饮食特性，因此不会背离本发明的教导内容的精神和范围。48.如本文所使用的术语“属性”通常是指由卷积神经网络等识别的图像伪影(例如，颜色通道、像素距离、一个或多个几何特征等)。这可以包含图像的内容的可见方面或特性、图像的内容的可测量方面或特性、图像的内容的计算方面或特性，和/或从上述内容或类似物中的任何一者导出的方面或特性中的一者或多者。因此，通常，“属性”可以包含可测量的(例如，根本上可测量的实体)、可观察的(如允许人用户和/或计算机程序根据特定属性的标准进行分级)、可计算的和/或以其它方式可通过图像分析导出的事物。通过实例的方式，可在本发明的教导内容的上下文中有用的特定属性可以包含图像内容的几何属性、质地属性、表面积属性、不透明度属性和/或颜色属性中的一种或多种——其中这些属性可以是可计算的或者换句话说可以通过分析图像来辨别。49.如本文所使用的，术语“特征”通常应指本发明的教导内容的模型使用的输入或数据点，例如，其中特征被特别定制以供所述模型使用。以此方式，特征可以包含如上文所描述的一个或多个属性。然而，应当理解，模型可能不能以某些属性的原始、未编辑、未转译和/或未转换形式来使用它们，因此为了使此类属性成为特征，可能需要进一步动作，如编辑、重新格式化、转换等中的一者或多者。对于元数据同样如此：特征可以包含一些元数据，和/或元数据可以被操纵或变换以变成要被本发明的教导内容的模型用作输入的特征。以此方式，特征可以包含原始属性(例如，图像内的像素强度)和/或元数据(例如，捕捉图像的相机的设置)的导出和/或整理以供模型使用。50.如本文所描述的，术语“特性”可以包含其标准字典定义，如(有生命的或无生命的)物品的有区别的性质。这样，如本文所使用的特性可以与如本文所描述的和上文所定义的属性具有某种重叠，不过尽管属性通常是从图像测量、计算和/或以其它方式导出的，但是如本文所使用的特性通常可以包含可以独立于任何图像或图像分析而测量、计算和/或以其它方式导出(或者可以采用其它方式存在或已知)的性质。51.在详述本发明的教导内容之前，一些与更传统的健康评估技术相关的背景可能会有所帮助。例如，当前用于评估胃肠道健康的技术可能包含用户提供粪便样本和/或与健康、行为、当前饮食和其它种族信息相关的问卷调查响应，然后对这些进行分析并与参考数据库进行比较，以提供个性化的健康计划。这样的实例是提供匹配服务的网站，用户可以通过所述网站填写调查问卷并进行任选的微生物组评估，以实现营养计划的最佳匹配，包含特定的狗粮提供。另一个实例是美国专利第9,633,831号，所述美国专利特此通过引用并入本文。52.此外，视觉评估还可能包含诊断评估，如美国专利申请公开第2017/0303901号中描述的诊断评估，所述美国专利申请公开特此通过引用并入本文，并且似乎考虑了在马桶座圈上设置的粪便颜色检测装置。然而，此类技术对于高采用率来说可能相当不切实际。53.此外，并且通过实例的方式，生物样品的图像的接收和算法的应用以生成分类在美国专利第10,043,054号中详述，所述美国专利通过引用整体并入本文——然而，这些教导内容不容易获得，因为样本制备需要深入的实验室准备和普通人无法获得的处理。54.个性化健康系统和产品的实例包含美国专利申请公开第2017/0148348号，所述美国专利申请公开特此通过引用并入本文，并且似乎考虑了一种用于生成个性化补充剂推荐的方法。此外，特此通过引用并入本文的美国专利申请公开第2017/0156386号似乎考虑了一种用于产生营养组合物的系统，其中营养分配器可操作地连接到控制器并且被配置成产生个性化营养组合物。最后，特此通过引用并入本文的美国专利第8,762,167号似乎考虑了为个人制定个性化健康和健身计划的系统。不幸的是，这些健康系统可能需要通常花费若干周至数月处理的冗长且复杂的分析，并且由于一些健康状况的急性性质，从患者参与和诊断/治疗时间表的角度来看，这可能是一个不可接受的过程。55.个性化补充剂通常可能源自费力、耗时的方法，这对动物来说可能并不理想。例如，特此通过引用并入本文的美国专利申请公开第2011/0014351号似乎考虑了一种计算机实施的方法、设备、系统和包装，用于提供每日营养补充剂组分方案，包含一系列每日包。然而，这种技术可能无法解决动物饲料补充剂的问题。无论计算机创建适当配方的能力如何，投配方法都应该是理想的以在一致的基础上摄入。向动物施用药丸可能是合规性的重大障碍。56.对于粘液相关研究等，在实验室或研究实践中，通常采用小鼠、大鼠和/或犬类模型，例如作为人类研究的近似值。分析方法可以包含处死动物并进行尸检以确定粘液厚度；然而，其物理和光学特性的测定没有得到良好的记录。57.因此，现有技术可能无法充分解决研究短暂或瞬时膜或样品的能力，作为与科学生物标志物相关的消化健康评估的一部分，作为健康或疾病的指标，并且将此类评估转化为强制遵守的个性化解决方案。因此，本文所公开的系统和方法可以利用生物样品图像(例如，客户提供的胃肠道粘液图像)的分析作为用于创建标准粘液评估量表并使用此量表形成对与其相关的动物的健康评估——例如，除了传统的实验室分析和信息收集(如问卷调查等)之外或作为其代替。58.现在将针对上下文并通过实例的方式来描述本发明的教导内容一方面的高级工作流。首先，用户将来自动物的生物样品的数字图像(例如照片)上传到数据库管理系统，所述数据库管理系统然后准备所述图像用于分析，所述图像例如来自用户宠物的粘液样品的数字照片，所述数字照片是利用用户的智能手机拍摄并且经由移动应用程序、电子邮件和/或网站上传的。因此，可以从用户获取图像，并且从数据库管理系统等检索图像。然后所述图像可以被传递到图像分析流水线中，所述流水线可以包含分析操作，如感兴趣区域提取、图像归一化、特征工程和建模阶段中的一者或多者。一个或多个模型可以基于从该图像导出的一个或多个特征来最终预测一个或多个健康指标。59.图1展示了根据代表性实施例的用于动物健康评估的系统。更具体地，系统100可以用于分析生物样品图像(例如，含有粘液等的图像)以提供动物的健康评估。总体上，系统100可以包含联网环境，其中数据网络102将多个参与装置和/或用户101以通信关系互连。参与装置可以例如包含任何数量的用户装置110、远程计算资源120和其它资源130。通常，系统100可以用于本文所描述的本发明的教导内容的任何实施方案。例如，系统100可以用于分析生物样品103的图像112以提供动物104的健康评估150。更具体地，在系统100中，用户101可以捕获或以其它方式检索与动物104相关的生物样品103的图像103，通过数据网络102将所述图像103传输到远程计算资源120用于处理和分析，其中远程计算资源120然后通过数据网络102向用户101提供所述分析的输出(例如，健康评估150，所述健康评估可以是报告等的形式)。这整个过程可以相对快速地完成，例如，近实时地完成(如小于五分钟、小于一分钟或仅几秒)。现在将描述系统100的某些参与者和方面。60.用户101可以与动物104和用户装置110相关联。例如，动物104可以包含宠物(例如，狗、猫等)，并且用户101可以是宠物的主人、与宠物相同的家庭的成员，或者换句话说与宠物相关联(例如，照看人员、医务人员等)。在一些实例中，用户101本身可以是动物104，即，动物104是人类。用户101还可以包含或替代地包含医学专业人员(例如，医生、兽医、护士等)、研究人员、科学家、实验室技术人员、学生等。在一些实例中，用户101可以不是人类，而是用户101可以包含计算装置、计算机程序等，例如，用户101是包括在非暂态计算机可读介质中实施的计算机可执行代码的计算机程序产品，当在一个或多个计算装置(例如，用户装置110)上执行时，所述计算机可执行代码被配置成捕获、创建、编辑、接收和/或传输图像112以用于如本文所描述的处理和分析，从而获得健康评估150等。61.动物104可以是如本文所描述的任何动物，即，具有专门的感觉器官和神经系统的任何活的(或先前活的)生物体。在某些实施方案中，动物104是伴侣动物，如狗、猫等。62.生物样品103可以与动物104相关。例如，一方面，生物样品103包含由动物104排泄的粪便，其中此粪便样品还含有粘液等，并且其中生物样品103的分析至少部分包含对其上或其中含有的粘液的分析。以此方式，在生物样品103包含动物104排泄的粪便的一方面，应当理解，生物样品103还可以包含或替代地包含动物104留存的其它物质(除了粪便之外或替代粪便)，如粘液、外来物(例如，咀嚼玩具的一部分)、血液、寄生虫(例如，绦虫和/或其卵/幼虫)、毛发、微生物、代谢物等。因此，一方面，生物样品103可以包含粪便和一种或多种其它物质。在其它方面，生物样品103还包含或替代地包含其它生物物质或如上文所描述的排出物。63.生物样品103还可以包含或替代地包含动物104本身的一部分。例如，生物样品103可以包含动物104的生理区域(内部和/或外部)。以此方式，生物样品103可以包含动物104的皮肤、动物104的毛皮(和/或动物104的毛发)、动物104的嘴巴(例如，牙齿、牙龈、牙斑、舌头、喉咙通道等中的一者或多者)、动物104的耳朵、动物104的眼睛、动物104的鼻子、动物104的喉咙、动物104的四肢(例如，手臂、腿、脚、爪等)、动物104的指甲、动物104的肛门、动物104的性器官和/或生殖器官、动物104的器官、动物104的血管、动物104的肌肉、动物104的关节、动物104的肌腱、动物身体的其它部分等中的一者或多者的至少一部分。此外，生物样品103还可以包含或替代地包含动物104的异常(例如，生长物诸如肿瘤、皮疹、感染、疤痕等)、损伤、突变等。64.生物样品103还可以包含或替代地包含如上文所描述的其它分泌物、排出物、内部物质等。例如，生物样品103可以包含粘液(例如，单独或与另一生物样品103组合，如存在于粪便样品中的粘液)、痰、鼻涕、尿液、呕吐物、胆汁、血液、阴道排出物、精液、其它生物排出物。65.因此，如上文所讨论的，应当理解，尽管本发明的教导内容可能强调含有粘液等粪便的生物样品103的图像112的使用和分析，但是系统100还可以包含或替代地包含具有其它生物材料和/或生理区域的其它生物样品103。66.数据网络102可以是适于在系统100的参与者之间传送数据和信息的任何网络或互联网络。这可以包含公共网络如互联网、专用网络、电信网络如公共交换电话网络或使用第三代(例如，3g或imt-2000)、第四代(例如，lte(e-utra)或wimax-advanced(ieee802.16m))、第五代(例如，5g)和/或其它技术的蜂窝网络，以及各种公司区域网或局域网和可以用于在系统100中的参与者之间携带数据的其它交换机、路由器、集线器、网关等中的任何一者。67.数据网络102的每个参与者可以包含适当的网络接口，包括例如网络接口卡，所述术语在本文被广泛地使用以包含适合于建立和保持有线和/或无线通信的任何硬件(连同用于控制其操作的软件、固件等)。网络接口卡可以包含但不限于有线以太网网络接口卡(“nic”)、无线802.11联网卡、无线802.11usb装置，或用于有线或无线局域联网的其它硬件。网络接口还可以包含或替代地包含蜂窝网络硬件、广域无线网络硬件，或用于集中式、自组织、对等或其它可用于连接到网络和携带数据的无线电通信的任何其它硬件。另一方面，网络接口可以包含用于直接连接到本地计算装置如台式计算机的串行或usb端口，所述本地计算装置继而提供到数据网络102的更一般的网络连接。68.用户装置110可以包含系统100内的由一个或多个用户101操作以用于实践如本文所设想的技术的任何装置。用户装置110因此可以耦接到数据网络102。具体地，用户装置110可以包含用于捕获图像112(例如，照片)或者以其它方式创建、准备、编辑或接收图像112并且(例如，通过数据网络102)传输图像112以用于分析的任何装置。为此，用户装置110可以包含相机114等，或者用户装置110可以采用其它方式与相机114等通信。在优选的实施方案中，用户装置110包含具有内部相机114、处理能力和对数据网络102的接入(所有这些都在一个装置中)的智能手机等。用户装置110还可以包含或替代地包含用于通过数据网络102接收图像112的分析的输出(例如，在其图形用户界面116上显示这样的输出)的任何装置。类似地，用户装置110可以包含用于创建、准备、编辑、接收和/或传输(例如，通过数据网络102)系统100中的其它数据或文件的任何装置，所述其它数据或文件如与图像112、动物104、用户101等相关的元数据118。用户装置110还可以包含或替代地包含用于管理、监测或以其它方式与包含在本文所设想的系统和技术中的工具、平台和装置交互的任何装置。用户装置110可以耦接到数据网络102，例如用于与系统100中的一个或多个其它参与者交互。还应当理解，本文所描述的系统100的功能的全部或部分可以在不连接到数据网络102的情况下在用户装置110(或系统100的另一部件)上执行，通过实例的方式，可以利用智能手机上的封闭网络原生应用程序，由此功能(例如，本文所述的模型128中的一个或多个)可以在封闭环境中运行。69.通过另外的实例的方式，用户装置110可以包含可以参与如本文所设想的系统100的一个或多个台式计算机、膝上型计算机、网络计算机、平板电脑、移动装置、便携式数字助理、消息传送装置、蜂窝电话、智能手机、便携式媒体或娱乐装置或任何其它计算装置。如上文所讨论的，用户装置110可以包含可以用于与联网系统100交互的任何形式的移动装置，如任何无线的、电池供电的装置。还应当理解，用户装置110之一可以在相关功能(例如，执行图像112的处理和/或分析等)由如远程计算资源120或其它资源130之一的另一实体执行时协调这些功能。70.每个用户装置110通常可以提供用户界面116。用户界面116可以由用户装置110之一上的从例如远程计算资源120或其它资源130接收数据的本地执行的应用程序维护。在其它实施例中，用户界面116可以被远程提供并呈现在用户装置110之一上，如在远程计算资源120或其它资源130包含web服务器的情况下，所述web服务器通过可以在用户装置110之一上执行的web浏览器或类似客户端内显示的一个或多个网页等来提供信息。用户界面116通常可以在用户装置110之一的显示装置上创建用于用户交互的适当的视觉呈现，并且用于接收任何适当形式的用户输入，包含例如来自键盘、鼠标、触摸板、触摸屏、手势或其它使用输入装置的输入。71.远程计算资源120可以包含处理器122和存储器124或者以其它方式与所述处理器和存储器通信，其中存储器124存储可由处理器122执行以执行本发明的教导内容的各种技术的代码。更具体地，远程计算资源120可以耦接到数据网络102并且可由用户装置110通过数据网络102访问，其中远程计算资源120包含处理器122和存储器124，其中存储器124存储可由处理器122执行以执行根据本发明的教导内容的方法(如本文所描述的方法或技术中的任一个)的步骤的代码。72.远程计算资源120还可以包含或替代地包含数据存储装置、网络接口和/或其它处理电路系统。在以下描述中，在描述远程计算资源120的功能或配置的情况下，这旨在包含远程计算资源120的处理器122的或与远程计算资源120通信的对应功能或配置(例如，通过编程)。通常，远程计算资源120(或其处理器122或与其通信的处理器)可以执行与分析生物样品103的图像112相关的各种处理任务，以提供如本文所讨论的与生物样品103相关的动物104的健康评估。例如，远程计算资源120可以管理从用户装置110中的一个或多个接收的信息(例如，图像112、元数据118等)，并且提供相关的支持功能，如图像112的解析或分割以用于分析，图像112的归一化，执行计算，识别并提取图像112的各种性质和属性，计算图像112的内容的特征，将一个或多个模型128和/或算法应用于图像112和/或元数据118，从数据库140和/或存储器124检索和/或分析信息，提供健康评估150，与系统100中的其它资源130和参与者通信，存储数据等。远程计算资源120还可以包含或替代地包含对用户101在用户装置110中的一个或多个处执行的动作做出反应的后端算法。这些后端算法还可以或替代地位于系统100中的其它位置。73.远程计算资源120还可以包含或替代地包含web服务器或类似的前端，其促进用户装置110对系统100的远程计算资源120或其它部件的能力的基于web的访问。远程计算资源120还可以或替代地与其它资源130通信，以便获得用于通过用户装置110上的用户界面116提供给用户101的信息。在用户101指定用于分析或其它的特定标准的情况下，该信息可以由远程计算资源120(以及任何相关联的算法)用来访问其它资源130。在这种情况下，可以有用地执行附加处理，如推荐某些分析和处理操作和技术。74.远程计算资源120还可以或替代地维护数据142的数据库140，或者以其它方式与所述数据库通信，并且任选地与用户装置110处的用户101的接口通信以利用这样的数据库140的数据142。因此，一方面，远程计算资源120可以包含数据142的数据库140，并且远程计算资源120可以充当提供用于选择和使用这样的数据142和/或提供与所述数据相关的支持服务的平台的服务器。数据库140可以是远程计算资源120的本地数据库，或者是远程计算资源120或系统100中的另一参与者的远程数据库。因此，数据库140可以包含基于云的数据库等。75.远程计算资源120还可以或替代地被配置成管理对特定内容(例如，针对特定用户101)的访问。在一个方面中，远程计算资源120可以根据来自用户101的输入来管理用户装置110对系统100的部件的访问。76.因此，并且如贯穿本公开所描述的，耦接到数据网络102并且可由用户装置110通过数据网络102访问的远程计算资源120可以包含处理器122和存储器124，其中存储器124存储可由处理器122执行以执行以下步骤的代码：通过数据网络102从用户101接收图像112，图像112包含含有粘液(例如，伴随粘液的粪便)的生物样品103；识别和提取所述图像112内一个或多个感兴趣区域以供进一步分析；将模型128应用于感兴趣区域以识别其中的一种或多种粘液状况，所述模型128使用具有不同粘液状况的多个图像进行训练，其中所述模型128的输出至少包含对应于存在于所述一个或多个感兴趣区域中的粘液量的等级；至少部分基于所述模型128的所述输出，预测所述生物样品103来源于的动物104的健康特性152；以及向与动物104相关联的用户101呈现健康特性152(例如，在用户装置110上呈现健康特性152或与其相关的信息)。所述代码还可以执行根据健康特性152(例如以报告或健康评估150的另一形式)通过数据网络102向用户装置110传输治疗154的步骤。77.存储在系统100的数据库140中的数据142可以包含供远程计算资源120用来提供健康评估150的参考信息。例如，此数据142可以包含历史数据，如来自一个或多个生物样品103(例如，来自相同动物104或不同动物)的分析的信息。数据142还可以包含或替代地包含例如用于由远程计算资源120或另一参与者检索和使用以用于处理和分析图像112或其它信息来生成健康评估150的一个或多个模型128。数据142还可以包含或替代地包含多个图像112(例如，相同或不同生物样品103的图像，来自相同动物104或不同动物等)。数据142还可以包含或替代地包含生物样品103的一个或多个基于图像的特征与微生物组存在和/或特征、代谢组存在和/或特征、健康特性、饮食特征等中的一者或多者之间的多个相关性和/或关联性。78.如本文所讨论的，本发明的教导内容的系统100和技术可以包含和利用被配置和编程为执行某些任务以辅助本文所述的各种分析的一个或多个模型128。通过实例的方式，解析所接收或检索的图像112以进行分析可涉及分割图像112，这可至少部分地由特定分割模型(例如深度学习模型)执行。此分割模型可以读入图像112并且标记图像112中的特定类别(例如，用于生物样品103的类别和用于背景的类别)，其中，可以因为正确地识别某些像素来对该分割模型进行加分，并且当分割模型不正确地识别某些像素时对该分割模型进行罚分。因此，分割模型可以被配置成从图像112提取背景，以仅分析包含在图像112内的生物样品103。分割模型还可以或替代地将图像112内的内容的一个或多个属性归一化、将图像112内的内容的一个或多个颜色平面归一化、考虑照明或其它条件等。通过实例的方式，在包含粪便样品内含有的粘液的生物样品103的上下文中，分割模型可以定义图像112内的感兴趣区域，所述感兴趣区域可以是完全或部分地含有粘液的粪便样品区域，用于提取/分析其视觉特征(例如，在执行归一化之后)。79.模型128还可以包含或替代地包含几何模型(例如模型128)，其被专门地配置和编程为识别和确定(例如，计算)图像112内的内容的几何特征，例如，几何特征包含但不限于形态学区域性质，这可以包含连续像素区域、周界、长轴/短轴等中的一者或多者。这种几何模型可以包含诸如随机森林的机器学习模型。这些模型可以可选地使用网格搜索例程、根据优化的超参数来训练，这可以具有有利的准确度。这种几何模型还可以包含或替代地包含其它机器学习模型，包含但不限于k最近邻、支持向量机、逻辑回归、决策树(其可以是梯度提升的和/或在整体架构中组合的)、朴素贝叶斯、多层感知等中的一者或多者。80.模型128还可以包含或替代地包含颜色模型(例如模型128)，其被专门地配置和编程为识别和确定图像112内的内容的颜色，或其它与颜色相关的属性和/或特征。这种颜色模型可以包含例如具有套索校正等的多线性模型。颜色模型的输出可以包含颜色索引，颜色索引可以是色轮、图像112的一部分内的颜色的列表、顶部颜色平面的总和等的形式。颜色模型的输出还可以包含或替代地包含布里斯托尔粪便评分等的预测(当生物样品103是粪便样品时)，其可以用作用于制定治疗154和/或健康评估150的健康特性152。颜色模型的输出还可以包含或替代地包含粘液健康评分等，其可以指示基于生物样品103内含有的粘液的颜色或其它状况的健康预测。81.如本文所使用的，“粘液健康评分”等可以包含等级、标签、评级等中的一者或多者，或至少部分基于动物粘液分析的与动物健康有关的任何其它信息，例如，根据对含有粘液(或完全缺乏粘液)的动物生物样品图像的分析。通常，此类粘液健康评分可以表示对从生物样品的图像分析中识别和/或得出的一种或多种粘液特性的整体评估，其中这些特性中的一种或多种特性可以包含存在的粘液量(或不存在粘液)、不透明度、厚度、粘液占据的表面积、颜色、微生物含量估计值、宿主动物中的皮质醇水平估计值、细菌水平估计值、血液检测、病原体检测、质地、粘度、稠度、体积、质量等。因此，粘液健康评分可以包含其它评分的组合和/或换算，如对应于存在的粘液量的等级、颜色评分、不透明度评分、质地评分、粘度评分、稠度评分、质量评分等。82.模型128还可以包含或替代地包含卷积神经网络——例如，模型128被专门配置和编程成确定图像112内的粘液涂层水平和/或其它粘液相关的属性和特征。此类模型128可以是resnet-18卷积神经网络，但是可以或替代地使用resnet-34。还可以或替代地使用如vgg等其它网络。此模型128的输出可以包含粘液指数，所述粘液指数可以是等级、量表、标签和/或度量的形式。模型128的输出还可以包含或替代地包含对健康评分等的预测，其可以用作用于调配治疗154和/或健康评估150的健康特性152。83.此外，或替代地，在本发明的教导内容中可以利用k均值图像分割，其中创建伪颜色平面(例如，具体地用于本发明的教导内容)，这可以允许本发明的教导内容识别和确定图像中的前“n”个最丰富的颜色。这还可以允许或替代地允许本发明的教导内容识别和确定图像内的颜色均匀性。84.监督机器学习可以找到数据(例如，特征向量x)和对应标签(y，其可以是分类的或连续的标签)之间的关联性，使得计算机可以学习将输入映射到输出的算法f(例如，y＝f(x))。另外两个子组可以包含分类和回归问题，其中监督机器学习模型被训练以分别预测分类数据(例如，从图像预测粘液健康评分)和连续数据(例如，从图像预测质量)。模型的一些实例包含：支持向量机、随机梯度下降、k最近邻、决策树、神经网络等，其中通过实例的方式在以下网址可以找到更详细的列表：https://scikit-learn.org/stable/supervised_learning.html#supervised-learning。85.无监督机器学习可以假定与监督机器学习类似的结构，不同的是可以不使用训练标签y。这些模型可以尝试学习数据的底层结构或分布以学习关于其行为的更多信息。这些任务的一些实例是聚类(例如，微生物组工作的主分量分析(pca))和关联性(例如，关联规则学习的关联算法)。通过实例的方式在以下网址可以找到更详细的列表：https://scikit-learn.org/stable/unsupervised_learning.html。86.当专业人员馈入经标记的训练数据的部分列表时，可以发生半监督方法。这通常由于使用经标记的数据而增加了准确性，但允许专业人员将代价最小化(例如，收集经标记的数据所耗费的时间和金钱)。通过实例的方式在以下网址可以找到更详细的列表：https://scikit-learn.org/stable/modules/label_propagation.html。87.迁移学习可以包含利用已经在显著更多的图像上训练的开源模型的技术。例如，inception已在1.4m的图像上训练，并且是为人熟知的用于分类任务的网络。根据本发明的教导内容，可以通过在inception的适当层之后附加自定义深度神经网络来将模型权重朝着自定义分类任务调节来使模型和/或模型权重适配用于自定义任务。88.用于粘液检测的模型可以使用迁移学习。为此，imagenet预训练的权重可能会保留到网络中的特定层，所述特定层对其最初设计的分类任务越来越敏感。然后可以将深度神经网络附加到resnet中的先前层，添加隐藏层(例如，具有256个神经元)，创建丢弃修剪以防止过度拟合(例如，将40％的神经元丢弃作为正则化步骤)，展平所得网络，以及最终的3类分类。以此方式，可以使用预训练模型(使用1.4m图像)并对最后一层进行微调以达到约75％的准确度来训练模型(使用约100个图像)。89.一般而言，模型128可以包含计算机视觉模型(例如，其中这样的计算机视觉模型使用语义分割来检测图像112内的感兴趣区域)、u-net分割模型、机器学习模型(例如，通过生物样品103的特征来预测动物104的健康)、迁移学习模型(例如，其中权重从在现有模型诸如vgg-16模型中训练的网络适配，即，在对一千万个图像进行分类时训练的)、相关模型、深度学习模型等中的一者或多者。90.其它资源130可以包含可以在如本文所描述的装置、系统和方法中有用地采用的任何资源。例如，这些其它资源130可以包含但不限于其它数据网络、人类参与者(例如，程序员、研究者、注释者、编辑、分析员等)、传感器(例如，音频或视觉传感器)、数据挖掘工具、计算工具、数据监测工具、算法等。其它资源130还可以包含或替代地包含可以在如本文所设想的联网应用中有用地采用的任何其它软件或硬件资源。例如，其它资源130可以包含用于授权针对访问、内容或选项/功能购买等的支付的支付处理服务器或平台。在另一方面，其它资源130可以包含证书服务器或用于身份的第三方验证、数据的加密或解密等的其它安全资源。在另一方面，其它资源130可以包含与用户装置110或远程计算资源120中的一者共处一地(例如，在与之相同的局域网上，或者通过串行或usb电缆直接与其耦接)的台式计算机等。在这种情况下，其它资源110可以为用户装置110和/或远程计算资源120提供补充功能。其它资源130还可以包含或替代地包含补充资源，诸如相机、扫描仪、打印机、输入装置等。91.其它资源130还可以包含或替代地包含一个或多个web服务器，这些web服务器提供去往和来自系统100中的任何其它参与者的基于web的访问。虽然被描绘为单独的网络实体，但是将容易地理解，其它资源130(例如，web服务器)还可以或替代地在逻辑上和/或物理上与本文所述的其它装置之一相关联，并且可以例如包含或提供用于以允许用户例如从用户装置110通过数据网络102交互的方式对远程计算资源120或数据库140进行web访问的用户界面。92.应当理解，系统100中的参与者可以包含执行如本文所述的各种功能的任何硬件或软件。例如，用户装置110和其它资源130中的一者或多者可以包含存储器124和处理器122。93.上述联网系统100的各种部件可以被布置和配置为以各种方式支持本文所述的技术、过程和方法。例如，在一个方面，用户装置110通过数据网络102连接到服务器(例如，该服务器是远程计算资源120或其它资源130中的一者或多者的一部分)，该服务器执行与分析图像112以提供与存在于图像112中的生物样品103相关联的动物104的健康评估150相关的各种处理任务。例如，远程计算资源120可以包含托管网站(和/或移动应用程序或应用程序编程接口)的服务器，该网站运行用于分析和/或处理图像112和其它数据的平台。更具体地，与用户装置110相关联并且具有使用系统100的适当权限的用户101可以使用用户装置110来通过数据网络102向远程计算资源120传输图像112和/或元数据118。远程计算资源120可以通过数据网络102从用户101接收图像112以用于对该图像进行处理和分析，其中该处理和分析的输出可以包含健康评估150。94.健康评估150可以包含关于动物104的健康特性152的预测。此类健康特性152可以包含与动物104可能是生病的或健康的、饮食见解等有关的信息中的一者或多者。例如，健康特性152可以基于粘液等级(所述粘液等级可以基于存在于生物样品103中的粘液量或生物样品103中含有的粘液的另一种属性)，因此，健康特性152可以与消化应激水平有关。例如，粪便样品中存在相对较大量的粘液(例如，产生“高”粘液等级)可能指示留存粪便样品的动物104中的高度消化不良，并且健康特性152和/或健康评估150可以反映这种预测状况。健康评估150还可以包含或替代地包含针对动物104的治疗154处方和/或推荐。此类治疗154推荐可以包含定制健康计划、食物、补充剂(例如，个性化饮食补充剂)、药物等中的一者或多者。健康评估150可以采用报告等的形式呈现或传输给用户101。应当理解，一般而言并且除非另有说明，本文所述的“报告”可以包含本发明的教导内容中执行的一种或多种分析的结果的任何分配。95.通过实例的方式，作为健康评估150和/或治疗154的一部分，技术可以涉及创建用于动物104的个性化产品156，并且因此系统100可以包含个性化产品156和/或相关部件，诸如包装、容器、投配仪器等。个性化产品156可以包含对生物样品103的一个或多个特征的基于计算机的分析得出的一种或多种成分，该一个或多个特征从应用于包含生物样品103的图像112的模型128提取得到。如本文所述，生物样品103可以包含粪便，并且在此类情况下(和/或在生物样品不是粪便的其它情况下)，个性化产品156可以包含个性化饮食产品。以此方式，个性化产品156的一种或多种成分可以包含预定量的益生菌、益生元、消化酶、抗炎剂、天然提取物、维生素、矿物质、氨基酸、短链脂肪酸、油、配制剂等中的一者或多者。个性化产品156还可以包含或替代地包含如本文另外描述的任何成分。96.一方面，本发明的教导内容的许多技术由远程计算资源120执行。例如，远程计算资源120可以包含由计算机可执行代码配置为分析图像112和元数据118的分析引擎(或者换句话说处理器122)、由计算机可执行代码配置为提供针对动物104的推荐的推荐引擎(或者换句话说处理器122)等。然而，应当理解，参考远程计算资源120描述的一些特征和功能性还可以或替代地由系统100中的另一参与者执行。97.图2是展示了根据代表性实施例的用于至少部分地基于生物样品的图像分析来生成动物的定制健康计划的技术的流程图。如图所示，输入201可以包含但不限于来自动物的生物样品203、生物样品203的图像212和元数据218。通过实例的方式，这些输入201可以包含含有粘液的粪便样品形式的生物样品203、数字文件形式的生物样品203的图像212，以及实验室数据和/或问卷调查响应形式的元数据218，该问卷调查回答可以与健康、行为、当前饮食、其它种族信息等相关。98.然后可以如所述图的分析202部分所示分析相应输入201。分析202可以包含实验室分析211(例如，代谢组和/或微生物组分析，其可以包含提取、扩增、测序及其后续分析)、所提供的图像212的图像分析213和/或元数据218的数据分析202等。对于输入201中的一种或多种输入，可以将分析数据与参考数据库进行比较。99.输出250可以包含但不限于关于动物的健康特性252的预测、结果与最终用户共享的报告251，和治疗254。例如，健康特性252和报告251中的一者或多者可以用于创建治疗254，如定制健康计划，该计划可以包含但不限于包含对个性化饮食补充剂的推荐以及对健康的其它方面的推荐，诸如对动物的饮食、睡眠、锻炼、活动和其它生活方式推荐。因此，输出250可以包含分析/评估的共享结果和从这些结果创建的用于动物的个性化解决方案。100.应当理解，图2所示的技术可以包含或不包含提供实际生物样品203用于实验室分析211的步骤。因此，输入201可以仅包含图像212和元数据218以用于图像分析213和数据分析215。101.图3是根据代表性实施例的用于至少部分地基于生物样品的图像分析来评估动物健康的方法的流程图。如步骤302所示，方法300可以包含接收生物样品的图像，例如，数字照片文件形式的粘液等(例如，存在于如粪便等另一种生物样品上)的原始图像。在此方法300中，可以在预定因素的集合中分析生物样品的图像，所述预定因素包含但不限于颜色、不透明度、质地、粘度、稠度、表面积(样本本身的表面积，或物质沿样本特定表面积的覆盖)、体积、质量等。可以以受控方式收集生物样品，例如，使得视觉参考标准在图像本身中可用。例如，在生物样品是粪便样品的情况下，这可以通过使用具有已知颜色、形状和/或如文本等其它标记的粪便样品收集袋来实现。102.如步骤304所示，方法300可以包含提取图像中所包含的生物样品的特征，并且如步骤306所示，方法300可以包含对这些特征进行评分和/或索引。在某些方面，基于原始图像与参考数据库的比较，可为所提取的每个特征分配评分或索引。每个评分可以单独地和/或聚合地提供与特定症状或生理状况的存在或不存在相关的重要数据，该数据可以用作个性化算法的输入，在报告中提供发现。因此，如步骤308所示，方法300可以包含生成诸如报告的输出。这样的报告可以包含或用于创建个性化健康计划，包含但不限于对个性化饮食补充剂以及健康的其它方面的推荐，包含饮食、睡眠、锻炼、活动和其它生活方式推荐。103.方法300中可以提取的特征可以包含但不限于颜色、不透明度、质地、粘度、稠度、体积、质量、表面积(例如，物质的表面积或被物质覆盖的表面积)等中的一者或多者。为此，可以被分配的评分可以与总体粘液评分一样是整体的，和/或可以包含颜色评分、不透明度评分、质地评分、粘度评分、稠度评分、质量评分等中的一者或多者。然而，应当理解，如本文所公开的从图像提取的特征的实例可以在本文中以方便和简单的方式提供。在粘液模型的本发明的教导内容中使用的卷积神经网络(cnn)提供了良好的实例，其中在cnn中，基于过滤操作提取特征，所述特征可能包含与本文提供的定义一致的特征，但可能不具有任何物理解释。104.图4是展示了根据代表性实施例的具有反馈回路的动态推荐引擎的流程图。更具体地，图4示出了系统400，所述系统展示了具有用于进一步细化的反馈回路407的动态推荐引擎405，可以生成所述反馈回路以确保将个性化/定制推荐409分配给特定粘液标签411。换言之，一旦识别粘液标签411，系统400展示了推荐引擎405，所述推荐引擎可以通过训练在不需要任何实验室数据作为输入并且只需要图像作为输入的情况下进行操作。在一些实例中，粘液标签411可以完全由总体粘液等级组成，或者可以以其它方式包含作为标签的一部分，所述总体粘液等级可以至少部分地基于生物样品或其感兴趣区域上存在的粘液量。粘液标签411还可以包含或替代地包含或以其它方式对应于存在于一个或多个感兴趣区域中的粘液的不透明度、存在于一个或多个感兴趣区域中的粘液的厚度、一个或多个感兴趣区域中粘液占据的表面积、存在于一个或多个感兴趣区域中的粘液的颜色、存在于一个或多个感兴趣区域中的粘液微生物含量估计值、宿主动物中的皮质醇水平估计值、细菌水平估计值、血液检测、病原体检测、其组合等。105.可以通过采用元数据418诸如症状数据等(例如，来自问卷调查)和初始推荐403(例如，至少部分地基于元数据418的假设)来形成推荐引擎405，以便递送针对动物的定制推荐409。推荐引擎405可以随着添加更多数据(包含但不限于纵向数据)而动态地更新和优化，以优化粘液标签411和针对动物的定制推荐409之间的对应关系。106.图5是根据代表性实施例的用于训练模型的方法的流程图，并且可以表示卷积神经网络(cnn)工作过程。具体地，图5中训练的模型可以是以下中的一者或多者：关联模型(例如，学习从生物样品的图像的分析识别的一个或多个基于图像的特征与用于形成健康评估和/或治疗计划的一个或多个健康特性之间的关联性的机器学习模型)、相关模型(例如，将从生物样品的图像的分析识别的一个或多个基于图像的特征与生物标签或特性，如存在的粘液特性和/或可能存在或不存在特定物质或微生物相关的模型——应当理解，pearson相关系数可以用于此目的)、和/或深度学习模型(例如，可以接收和处理输入图像、计算和/或分配可学习的权重和偏差并能够基于那些权重和偏差形成分类的如卷积神经网络(cnn)等模型)。因此，方法500通常可以用于开发新的特征模型，并且更具体地，方法500可以包含用于识别新特征的技术，所述新特征可以用于机器学习模型预测健康特性。即，方法500可以涉及使用新的基于计算机视觉的特征，所述特征可以将图像与可能的生物特征联系，如粘液和/或特定微生物的存在或不存在。应当理解，在一些方面，这些不是相关模型，而是将在未来机器学习模型开发中使用的特征向量。107.通过实例的方式，方法500可以涉及捕捉关联性以识别系统可以分辨什么特征，并且这些特征可以用于构建机器学习模型——例如，特征如存在的粘液量，其可以基于生物样品中的覆盖百分比，其可以表示可以示出与消化不良量的关联性的几何区域特性，如通过宿主生物皮质醇水平、白细胞水平、病原体存在(例如，寄生虫和/或细菌感染)和/或宿主动物微生物组的生态失调(可以通过粘液内致病菌或总细菌的平均浓度来测量)中的一者或多者所测量的。108.方法500可以包含用于训练如cnn等模型的技术，所述模型可以接收和处理输入图像，包含从中分配可学习的权重、偏差等。通常，这可能涉及使用基线、预训练模型——例如，使用超过一百万个图像进行训练的模型——并且使用其它已知某些感兴趣特征的预定图像来调整或进一步训练此模型。这可能产生更精调的模型，所述模型可以在为分析提供的新图像中识别这些感兴趣特征。在某些方面，以此方式，可以训练cnn模型来检测存在于生物样品图像中的粘液量，以及检测所述粘液的其它特征，如厚度、表面积、不透明度、颜色等。即，模型可以使用已经预先分类和/或预先标记有粘液特性的数百或数千个图像进行训练，使得训练后的细化模型可以识别和标记图像中的上述粘液特性。109.方法500还可以包含或替代地包含用于训练模型的技术，所述模型将从含有粘液的生物样品的图像的分析中提取的特征与特定代谢组的可能存在或不存在相关联。应当理解，从图像提取的特征与特定健康特性和/或生物特性之间存在其它相关性和/或关联性，并且本文所描述的技术将包含基于这些相关性和/或关联性来训练和使用模型。110.如步骤502所示，方法500可以包含获取生物样品的图像，为了进行实例，所述图像可以包含其中或其上含有粘液的粪便样品的数字照片。因此，此步骤502可以包含具体地定制所接收的图像，使得方法500包含在处理图像时使用基本一致的过程。为此，可以处理所接收的图像，使得它们在接收之后采用具有特定特征的特定格式，和/或可以控制图像的捕获(例如，经由支持web的装置上的用户的数字相机)以使得能够基本上一致地处理此类图像。控制图像的捕获可以包含调整用于捕获的设置和/或提供用于基本上一致的图像捕获的手段，诸如通过应用包含预定标记、颜色、形状、文本等中的一种或多种的用于生物样品的背景。111.如步骤504所示，方法500可以包含获取图像数据。这种图像数据可以包含伴随图像的元数据(或者以其它方式从用户等接收的元数据)。这种图像数据也可以或替代地从图像本身提取。在某些实施方案中，图像数据可以包含可以用于训练如本文所描述的模型的基本事实和/或预定标签。112.如步骤506所示，方法500可以包含处理图像。处理图像可以包含调整图像大小或以其它方式重新格式化图像，使得图像足以由特定模型分析，例如，待训练的模型或完全训练的模型。在训练上下文中，处理图像还可以或替代地包含为生物样品的基于图像的特征(例如，含有粘液的粪便)创建标签，如存在的物质(例如，粘液)的量、颜色、不透明度、质地、表观粘度、近似体积和/或质量、稠度、表面积等。通过实例的方式，处理用于训练的图像可以包含分配与存在于生物样品中的粘液量对应的标签或等级，并且通过另外的实例的方式，标签或等级可以将粘液量识别为‘不存在’、‘低’或‘高’之一。113.处理图像还可以包含或替代地包含信号/图像处理分析等，以识别和/或生成生物样品(例如，含有粘液的粪便)的基于图像的特征，如颜色、不透明度、质地、表观粘度、近似体积和/或质量、稠度、表面积等。因此，以此方式并且通常在机器学习上下文中，方法500可以包含提取图像的特征。信号/图像处理还可以包含或替代地包含利用标记的线性滤波。为此，可以使用滤波器组等，其中滤波器组是一组滤波器(例如，在各种频率和相位调谐的gabor滤波器)，并且可以在本地位于分析引擎等中，和/或可以从远程资源检索以供使用。114.如步骤508所示，方法500可以包含获得模型并且将其应用于经处理的图像。所述模型可以是预训练模型，其中此步骤508涉及通过将此模型应用于具有已知输出的经处理的图像来对所述模型进行精调。例如，模型可以是预训练的resnet模型。如上文所描述的，已知输出可以是对应于存在于生物样品图像中的粘液量的标签或等级，和/或与包含在其中的粘液的其它特性相关的标签。115.如步骤510所示，方法500可以包含接收数据。此数据可以包含模型的输出，如图像中包含的粘液或另一种物质的一种或多种特征的标签或等级。在某些方面，输出包含粘液健康评分等。模型的输出可以用于训练模型，如下文在步骤512中所解释的。116.接收数据还可以包含或替代地包含接收如本文所描述的元数据和/或基本事实数据、实验室数据等中的一者或多者。使用此数据和如来自图像处理的特征提取或来自模型的其它输出的数据，可以揭示相关性和/或关联性，和/或可以如本文所解释的那样训练模型。因此，在某些方面，方法500可以包含识别相关性和/或关联性。此外或替代地，在某些方面，对这些或其它参数的进一步处理可以采用深度学习网络——可能是卷积神经网络(cnn)——作为模型来创建学习将粘液标签与输入图像相关联的粘液模型。其它处理可以包含用于聚类的降维(例如pca、非负矩阵分解(nmf)等)，其可以进一步用于分析与图像特征的相关性和/或关联性。以此方式，方法500可以涉及将微生物组/代谢组特征与图像伪影相关联以创建新特征。117.如步骤512所示，方法500可以包含训练模型。这可以包含应用具有已知输出的经处理的图像，并且可以涉及基于在步骤510中接收到的输出来调整模型。例如，训练模型可以包含将未经训练或部分训练的模型的输出与基本事实、预定标签和其它已知输出中的一者或多者进行比较。也就是说，当输出偏离已知或预期输出时，可以调整模型使得输出更可能与已知或预期输出一致。118.如步骤514所示，方法500可以包含测试模型。测试模型可以包含在对模型进行调整之后，将模型应用于图像(例如，用于训练模型的不同图像或相同图像)并且针对已知或预期输出分析其输出。119.还应当理解，在某些方面，由模型提取的特征和/或作为模型输出的标签/等级可以通过生物样品(例如，含有粘液的粪便)的外观与生物内容物或物质的存在或不存在(例如，微生物组特性和/或代谢组特性)之间的关联性来定义。并且如上文所描述的，除了生物物质的存在或不存在之外或作为其补充，其它特征、标签、等级和模型的其它输出也可以或替代地由在图像中处理的生物样品的外观来定义，如健康特性、粘液健康评分等。一个实例是粪便中相对较大量的粘液通常可以归因于消化不良，因此存在的粘液量可以归因于消化不良的水平。另一个实例是粪便的质地属性可以被归因于留存粪便的动物的水化水平。进一步地，因为来自高级图像处理的更细粒度的输出可以产生更细粒度的健康特性，所以本发明的技术可以包含此类输出和模型的开发。120.图6是根据代表性实施例的用于使用模型提供推荐的方法的流程图。方法600可以类似于上面参考图5所示和所述的方法，但是其中该模型被用于在没有接收来自动物的物理生物样品的实验室分析的情况下进行预测(并且随后基于相关性和/或关联性对动物进行定制的个性化推荐)。因此，如步骤602所示，方法600可以包含获取生物样品(例如，含有粘液的粪便)的图像；如步骤604所示，方法600可以包含获取图像数据；并且，如步骤606所示，方法600可以包含处理图像。此外，虽然当使用cnn等实施方法600时这可能不是必需的，但是在某些实施方案中，方法600可以包含从图像中提取一种或多种属性和/或特征。并且，如步骤608所示，方法600可以包含应用经训练的模型，所述模型可以识别图像特征与另一特性之间的关系。121.如步骤610所示，方法600可以包含基于相关性和/或关联性来确定健康特性。例如，这可以包含基于与所提取的图像特征的相关性和/或关联性来确定粘液标签(和/或生物群落标签、代谢组标签或另一标签)。并且，如步骤612所示，方法600可以包含基于所确定的健康特性来提供推荐，例如针对动物的个性化推荐。122.方法600还可以包含或替代地包含测试任务，例如，其中保留该模型中的一些数据用于测试该模型。可以采用与图5中的训练任务类似的方式来获取和处理图像，只是所述模型可能已经被训练并且现在可以用于估计所学习的相关性和/或关联性，并且进一步由推荐引擎用来生成个性化推荐。123.令人惊讶地，图像分析算法输出可以与其它输入数据相关联或以其它方式联系。这种非显而易见的结果可以有益于作为递送个性化健康见解的可行替代手段的排除生物样本的方法，所述个性化健康见解可以采用相对快速的方式在个性化健康报告中实施。因此，本发明的教导内容的非显而易见的有利结果可以涉及图像属性/特征与健康特性之间的联系，这可以以高准确度并且比传统的实验室分析快得多地实现。例如，粪便样品的传统分析可能涉及请求样本套件和接收样本套件(可能需要约5天)，收集粪便样品(这可能是繁重的、易于污染的并且不卫生的，具体取决于收集技术)，将样品邮寄到实验室(可能需要几天)，以及等待提取、扩增、测序和分析的结果(可能需要约42天)，因此，这种传统分析可能总共需要约53至55天。相反，使用本发明的教导内容的涉及生物样品如粪便样品的图像分析的一个方面，用户可以在他们方便时使用智能手机等捕获粪便的照片并且上传该照片(或以其它方式传输数字照片文件)用于分析，然后执行计算机实现的分析并且数据在数秒内为用户准备就绪，整个过程可以花费少于1分钟，例如30秒或更少、15秒或更少，或甚至5秒或更少。在一实施例中，用户可以在稍后的时间重复上述技术，以尝试优化先前存在的健康计划和/或先前存在的个性化饮食补充剂，和/或根据新健康计划来测量/量化健康结果。此外，本发明的教导内容可以用作基于对没有对应实验室分析的样本——例如粘液的分析来递送个性化健康见解的可行替代手段。124.图7是根据代表性实施例的分析图像以提供动物的健康评估的方法的流程图。方法700可以单独地或组合地使用本文所述的任何系统和技术来执行，例如，图1的系统100。通过实例的方式，方法700可以包含分析含有粘液的粪便样品的图像以提供排泄具有粘液的粪便样品的动物的健康评估。然而，并且类似于本公开的其它方面，应当进一步理解，虽然方法700可以强调使用粪便样品的图像用于分析，但是方法700可以使用生物样品的另一形式的图像来采用，如本文所描述的任何生物样品。无论如何，一般而言，方法700可以包含提交生物样品的照片(例如，包含所述照片的数字文件)，处理和分析所述照片，以及根据该分析来提供与健康相关的有用反馈。125.如步骤702所示，方法700可以包含接收图像，其中所述图像包含动物的生物样品。例如，所述图像可以包含动物排泄的粪便样品的数字照片，其中粪便样品含有粘液等。以此方式，在优选实施例中，所述图像包含来自智能手机或其它支持web的装置的照片(例如，数字照片)，所述照片被传输到平台以供分析(例如，通过数据网络被传输到远程计算资源以供处理和分析)。然而，接收图像的其它形式也是可能的或替代地是可能的。例如，所述图像可以存储在数据库中，其中接收所述图像可以包含从所述数据库检索所述图像，无论是对于执行图像处理的计算资源是本地的还是远程的。126.应当理解，除了接收图像之外或者代替接收图像，方法700(或者更一般地，本发明的教导内容的一个方面)可以包含接收视频、多个图像、三维扫描等中的一者或多者。例如，在这种情况下，视频可以简单地被认为是静止图像的集合，其中这些图像中的一个或多个可以如本文所述地被分析。这可以为本发明的教导内容的一个方面产生更多的输入数据，并且因此产生更细化的结果/推荐。例如，视频等可以提供生物样品的更多角度、视图、颜色、特征等以用于基于图像的分析。因此，如本文所述，被分析的图像将被理解为有可能包含视频、三维图像等中的一者或多者，或其一部分，例如，静止图像或视频、扫描等的其它部分。127.如步骤704所示，方法700可以包含接收元数据，例如与图像、用户、动物或其它相关联的元数据。在一些实施方案中，图像本身包含元数据，例如，包含该图像的文件、文件名、文件目录和/或目录结构等。例如，以此方式，元数据可以包含时间、日期、地理位置或其它地理位置信息、通常与数字照片或计算机文件相关联的其它元数据等中的一者或多者。元数据还可以包含或替代地包含其它信息，如与动物的一个或多个方面相关的问卷调查响应，例如，健康、行为、当前饮食、补充剂、药物、种族信息、品种、体重、大小、其它生理信息等。元数据还可以包含或替代地包含实验室数据等。例如，元数据可以包含血样分析、对动物的dna基因测序、对动物粪便的微生物组分析的结果、对动物粪便的代谢组分析的结果等。元数据还可以包含或替代地包含历史数据，例如，来自动物的生物样品的先前分析或与另一动物相关的分析的数据。此历史数据可以包含原始数据和/或导出的数据。128.元数据还可以包含或替代地包含可以用于测试和/或加强方法700的模型分析技术中的一些的信息。例如，当生物样品是(或含有)粘液样品时，元数据可以包含如生物样品的重量等基本事实属性和/或如肠易激综合症等临床诊断。这样的基本事实属性还可以包含或替代地包含语义分割算法中的手动分割的图像。129.如步骤706所示，方法700可以包含识别并提取图像内的一个或多个感兴趣区域以用于进一步分析。这些感兴趣区域可以至少包含其中仅具有生物样品的第一感兴趣区域。例如，在生物样品含有粘液的一方面，感兴趣区域中的一个或多个感兴趣区域可以至少包含其中仅具有粘液的第一感兴趣区域。在这种情况下，即当感兴趣区域内仅存在生物样品并且感兴趣区域可以被识别和提取以用于处理时，感兴趣区域的归一化可以是不必要的。然而，方法700的一个方面可以包含如下文参考步骤708更详细地说明的归一化。130.如本文所描述的，在某些方面，图像包含与生物样品不同的背景，因此一个或多个感兴趣区域可以包含其中具有背景的至少一部分的第二感兴趣区域。以此方式，提取一个或多个感兴趣区域可以包含在图像的至少一部分内识别生物样品和背景。在一些实例中，此上下文中的背景包含生物样品的一部分——例如，在生物样品是含有粘液的粪便的情况下，并且在第一感兴趣区域中分析粘液的情况下，第二感兴趣区域可以包含背景，所述背景包含粪便。方法700可以进一步包含基于仅对生物样品的识别来创建第一感兴趣区域，以及基于生物样品的一部分和背景的一部分两者的识别来创建第二感兴趣区域。此外，或替代地，方法700可以包含对第一感兴趣区域和第二感兴趣区域进行分类以用于对其进行单独分析。例如，第二感兴趣区域可以是来自产生在第一感兴趣区域中被分析的粘液排泄物的相同排便的粪便，例如，在对第一感兴趣区域和第二感兴趣区域中的每个感兴趣区域的分析具有优势的情况下。131.在某些方面，为本发明的教导内容的系统和技术接收或以其它方式检索的图像可以具有很大变化。例如，照明和背景条件可以在图像之间显著变化。例如，照明和背景条件可以在图像之间显著变化。通过实例的方式，简单的图像分析(例如，otsu阈值和分割)可能由于存在变化非常大的背景而不能很好地工作，这就是为什么u-net网络可能是优选的，即，这是一种经常用于生物医学成像应用的语义分割网络的版本。卷积神经网络可能需要某些预处理作为对图像和/或其区域进行标准化以供分析的方式。因此，一方面，在使用u-net网络的情况下，可以调整图像的大小和/或将图像归一化以实现输入的一致性。此外或替代地，本文中用于这种分割的模型可以利用数据扩充、k折叠、更多数据、其它语义分割网络和训练模式、手动分割的图像、它们的组合等来改进。132.提取感兴趣区域因此可以包含分割。例如，提取一个或多个感兴趣区域可以包含至少部分地由模型执行的图像分割，例如，被配置为执行更全面的分析的分割模型或模型的一部分。这些模型中的一个或多个可以包含深度学习模型。以此方式，一方面，提取一个或多个感兴趣区域可以包含图像的自动分割，其中这种自动分割包含利用使用深度学习的一个或多个语义分割模型。例如，本文使用的语义分割模型可以包含u-net网络。此外或替代地，本文使用的语义分割模型可以与数据扩充、k折叠和数据的附加输入中的至少一者一起使用。基本事实数据可以用作语义分割模型中的输入以训练和验证该模型。因此，语义分割网络模型可以在内部(例如，u-net)被训练和/或使用迁移学习从公共模型适应以执行图像分割。并且可以提供基本事实数据(例如，所有类别都被标记)作为输入以帮助训练/验证该模型以获得最佳准确度。133.提取感兴趣区域还可以包含或替代地包含图像的手动分割。以此方式，一方面，提取一个或多个感兴趣区域包含图像的手动分割和图像的自动分割的组合。例如，当数据集相对小时，可以手动地分割图像。手动分割可以帮助提高所提取的特征的信噪比(snr)，因为感兴趣区域理论上应当被良好地定义。无论如何，一方面，使用深度学习的语义分割模型来执行自动roi分割，此类模型可以提供高质量的自主感兴趣区域分割。134.来自一个或多个感兴趣区域的提取的输出可以包含被分类为仅生物样品、仅背景、或生物样品和背景的组合中的一者的感兴趣区域。135.如步骤708所示，方法700可以包含将图像的一个或多个感兴趣区域归一化。图像可以被归一化以控制不同的图像采集设置(例如，焦距、放大率等)。此外或替代地，可以提取和/或归一化生物样品的颜色和长度特征，例如，使用已知背景上的标记作为校正因子以应用于某些感兴趣区域。例如，图像可以包含与生物样品不同的背景，其中执行归一化以便以有用的方式仅分析生物样品。因此，一个或多个感兴趣区域可以包含其中具有背景的至少一部分的第二感兴趣区域。通过实例的方式，在生物样品包含粘液样品的一方面，背景可以包含一个或多个表面(例如，人造表面如混凝土，或天然表面如草坪)，和/或背景可以包含保持或以其它方式包含粘液样品的袋、容器等。如上所述，背景还可以含有或替代地含有相关的图像基质，通过实例的方式包含粪便。另外或替代地，并且如下文更详细地说明的，背景可以包含可以帮助归一化、提取和识别感兴趣区域、提取和识别生物样品的特征等中的一者或多者的预定标记或特征。在一些方面，背景可以包含若干类型的背景，例如，专门为图像分析而定制的表面、草、泥土、碎屑、混凝土和/或路面等中的一者或多者的组合。136.以此方式，方法700可以包含使仅包含生物样品的第一感兴趣区域和包含一些背景的第二感兴趣区域中的一者或多者归一化，从而创建归一化图像以进行另外的标准化分析。应当理解，第二感兴趣区域可以有目的地包含一些背景以说明图像可变性和/或因为它可以包含可以被组合以创建更整体的健康确定并由此创建更精确的健康建议的另外元数据。例如，在对粪便样品的粘液含量进行分析的情况下，对粪便本身的分析(与粘液分析分开)可以为健康建议提供价值，尤其是与粘液分析组合时。因此，如本文所说明，识别生物样品的一个或多个特征可以通过分析该归一化图像而发生。137.一方面，使一个或多个感兴趣区域归一化包含从包含生物样品的至少一部分和背景的至少一部分的第二感兴趣区域提取归一化因子，诸如生物样品的颜色属性和维度属性(例如，长度)。如上所述，可以策略性地将背景设计成帮助该归一化过程，或者用于分析生物样品，例如，一方面，背景包含其上具有预定标记的搁置表面。例如，背景可以包含薄片(例如，塑料薄片，其可以是用于收集和/或处理粪便的袋子的形式)或具有可以用于归一化的标记的另一表面。因此，第二感兴趣区域中的背景上的标记可以用于提取颜色属性和维度属性中的一者或多者。标记可以包含具有已知属性的符号、设计或文字。以此方式，标记可以具有已知尺寸和已知形状中的一者或多者(例如，具有已知尺寸的矩形、三角形、圆形、直线、波浪等)。标记还可以包含或替代地包含一个或多个字母数字字符，例如，字母和/或数字。通过实例的方式，如果图像内的背景上的标记包含具有已知尺寸的字符，则该字符的纵横比可以用于计算图像内的内容的尺寸。可以从图像分析的角度应用纵横比的使用，例如在方法700可以包含识别多少像素对应于设定距离的情况下，使得该技术可以从以像素为单位的原始计算转换为更有用的形式。标记还可以包含或替代地包含一种或多种颜色，例如多种颜色。以此方式，标记的颜色可以提供用于确定生物样品内的颜色的基线参考，这可以帮助解决图像采集差异(例如，照明、聚焦、放大率等中的一者或多者)。138.将一个或多个感兴趣区域归一化还可以包含使用所提取的颜色属性和所提取的维度属性来计算对于颜色和宽高比的校正因子，以及将该校正因子应用于第一感兴趣区域。将一个或多个感兴趣区域归一化还可以包含或替代地包含调整感兴趣区域的尺寸。139.将一个或多个感兴趣区域归一化可以考虑在捕获图像时使用的一个或多个图像采集设置，例如，用户的智能手机上的相机应用程序的设置等。这种图像采集设置可以包含焦距、颜色设置、照明设置、放大率等中的一者或多者。140.如步骤710所示，方法700可以包含计算一个或多个属性，包含但不限于第一感兴趣区域中的几何属性、不透明度属性、质地属性和/或颜色属性，以识别生物样品的一个或多个特征。例如，一方面，方法700可以包含计算第一感兴趣区域中的几何属性、质地属性和颜色属性中的每一者以识别生物样品的一个或多个特征。141.在此步骤710中识别的特征可以包含以下中的至少一者：颜色、质地、二进制数的数量、面积(例如，样品占据的像素的数量)、周长(例如，使用8连通性、4连通性等将轮廓近似为经过边界像素的中心的线的样品的周长)、圆度(例如，样品的形状与圆有多相似的度量)、体积、质量、偏心率(例如，纵横比的度量，其被计算为具有与样品区域相同的二阶矩的椭圆的偏心率)、长轴(例如，具有与样品相同的归一化二阶中心矩的椭圆的长轴的长度)、短轴(例如，具有与样品相同的归一化二阶中心矩的椭圆的短轴的长度)、短长轴比(例如，这些轴的纵横比的度量，意指具有与样品区域相同的二阶矩的椭圆的短轴与长轴之比)、粘度、稠度、含水量、密实度(例如，凸度的度量，其被计算为样品中的像素数与其凸包的像素数之比)、范围(例如，样品的面积与其轴对准的边界框之比)、等效直径(例如，具有与样品相同面积的圆的直径)、镜面反射性、相干性、反射率、扩散性、与生物样品不同的物质(例如，当生物样品是粪便样品时，非粪便物质，诸如外来物或生物物质如粘液)的存在等。应当理解，在该步骤710中识别的特征可以包含导出的特征。通过实例的方式，可以在特征工程之前对粘度进行建模然后导出粘度。142.例如，在步骤710中可以识别质量。一方面，质量是从生物样品的几何形状和质地属性计算而来的。此外或替代地，质量可以从粪便样品的颜色和导出的颜色向量中的至少一者计算而来。一方面，可以在方法700中实现质量模型，其中这种模型使用的特征包含但不限于颜色和几何属性向量(x)和来自元数据的作为标签的基本事实权重(y)。一方面，相同的测试训练拆分过程可以用于在大约80％的数据上训练该模型，并且利用剩余的约20％的数据来评估该模型的性能。利用训练数据，监督机器学习回归算法(例如，支持向量机、k最近邻、随机森林回归量等)可以用于预测连续输出(其可以被选择以获得权重输出而不是分类的布里斯托尔粪便评分标签等)。然后可以使用超参数搜索例程诸如“gridsearch”、“randomsearch”等中的一者或多者来优化这些模型。143.通过另外的实例的方式，并且如上所述，当生物样品是粘液样品时，粘液样品中的一个或多个特征可以包含粪便形式的非粘液物质的存在。以此方式，非粘液物质还可以包含或替代地包含外来物——例如，寄生虫、病原体、无生命对象如玩具等中的一者或多者。此外，相反还可能或替代地是正确的——在生物样品是粪便样品的情况下，粪便样品的一个或多个特征可以包含粘液形式的非粪便物质的存在。144.如上所述，方法700可以包含计算感兴趣区域(例如，第一感兴趣区域)中的颜色属性以识别生物样品的一个或多个特征。通过实例的方式，一方面，方法700的输出可以包含布里斯托尔粪便量表上的分类形式的健康特性，其中该分类至少部分地基于颜色属性。颜色属性还可以或替代地至少部分地用于确定与稠度相关的属性，其可以特别地应用于粪便样品的背景中。145.颜色属性可以从红-绿-蓝颜色模型、红-绿-蓝-α颜色模型、色调-饱和度-值颜色模型和/或cielab颜色模型中的一者或多者导出或者以其它方式利用这些颜色模型。此外或替代地，可以使用多维颜色平面来计算颜色属性。可以使用诸如k均值算法的算法来提供这种计算的多维颜色平面。通过实例的方式，可以使用降维方法(例如，k均值聚类)将相似颜色的区域聚类，从而计算颜色属性。例如，在粪便roi内分割十个颜色平面可以允许技术查看样品内的色彩均匀性(例如，颜色平面1可以具有30％的丰度并且是占主导地位的颜色聚类)。这些均匀性值还可以用作用于训练若干机器学习模型的特征。146.如上所述，方法700可以包含计算感兴趣区域(例如，第一感兴趣区域)中的几何属性以识别生物样品的一个或多个特征。一方面，计算几何属性包含将第一感兴趣区域转换成灰度，将第一感兴趣区域转换成二进制，以及将一个或多个形态学操作应用于第一感兴趣区域。147.如上所述，方法700可以包含计算感兴趣区域(例如，第一感兴趣区域)中的质地属性以识别生物样品的一个或多个特征。在某些实施方案中，计算质地属性包含使用灰度共生矩阵(glcm)，其中glcm是测量连续像素的图案之间的空间关系的统计度量。glcm的使用可以包含绘制多个点以识别其聚类。因此，应当理解，通过计算来自图像的性质而识别的生物样品的一个或多个特征可能不是人类可见的，并且质地属性是glcm用于提取该属性的一个实例。通过另外的实例的方式，也可以或替代地使用gabor滤波器组来计算质地，该gabor滤波器组包含gabor小波的不同幅度、方向和频率的排列。每个gabor小波可以在图像上卷积，并且可以创建经滤波的图像，其中从质地或定向像素捕获的高信号与gabor滤波器同相。并且这些经滤波的图像可以用于质地的分类。以下是公开提供的脚本，其示出了在本发明的教导内容的上下文中可以如何适配和执行该序列：https://scikit-image.org/docs/stable/auto_examples/features_detection/plot_gabor.html，并且本领域的技术人员将理解在给定本公开内容的情况下如何实现这种技术。148.因此，可以从图像计算许多特征集，其中四个示例特征集包含颜色、不透明度、质地和区域属性，它们可以在分析流水线中的相应点处计算。这些特征集可用于训练机器学习模型。用于识别这些特征的示例分析流水线可以包含将图像转换为灰度，并且从灰度计算质地属性。然后可以将该灰度图像转换为二进制，并且利用形态学操作(例如，侵蚀/扩张)来净化其信号以计算区域属性。图像可以具有所计算的全局颜色向量以获得颜色属性和相关特征。以此方式，此步骤710的输出可以包含颜色、不透明度、质地、二进制的数量、面积、圆度、偏心率、长轴和短轴、周长等中的一者或多者。149.如步骤712所示，方法700可以包含分析生物样品的一个或多个特征，例如，通过计算几何属性、不透明度属性、表面积覆盖属性、质地属性和颜色属性中的一者或多者来识别特征。例如，此步骤712可以包含根据参考数据库来分析生物样品的特征以确定动物的健康特性或对动物的治疗。参考数据库可以是包含来自其它生物样品的分析数据的历史数据库，例如，来自相同动物的生物样品或来自不同动物的生物样品。150.应当理解，当通常采用深度学习(例如，使用cnn)而不是经典机器学习时，可以省略上文所描述的步骤710和712。为此，当使用cnn等时，在使用深度学习时可以简单地将在方法700中识别、提取和/或归一化的感兴趣区域中的一个或多个感兴趣区域输入到模型中。因此，在某些实施方案中，方法700可以直接从步骤708移动到步骤714。151.如步骤714所示，方法700可以包含将模型应用于生物样品的一个或多个特征。通常，模型可以是推荐引擎的一部分，该推荐引擎被配置为根据在生物样品的图像分析中确定或识别的健康特性来提供对治疗的一个或多个推荐。即，此模型可以被配置成(例如，被编程成)预测作为生物样品来源于的动物的健康特性(例如，在生物样品是粘液的情况下，所述模型可以预测粘液来源于的动物的健康特性)。应当理解，在本发明的教导内容的上下文中，“模型”可以包含一个或多个算法的输出，该一个或多个算法可以包含模型数据和预测算法。因此，算法可以被认为是编程，并且模型可以被认为是表示程序。以此方式，在本发明的教导内容的上下文中，本文讨论的模型可以表示由一个或多个机器学习算法学习的内容。模型因此可以表示在对训练数据运行机器学习算法之后保存的输出，并且可以表示进行预测所需的规则、数字和任何其它算法特定的数据结构。因此，模型可以包含数据和用于使用该数据来进行预测的过程(如由一个或多个算法所阐述的)。因此，在本发明的教导内容的上下文中，模型可以学习输入数据中的模式(例如，颜色、几何形状、不透明度、质地、表面积、存在或不存在物质如粘液等)，并且该模型可以将这些模式抽象成关系(例如，数学函数)，使得当输入新数据时，该“模型”使用其已经学习的这些函数与训练数据来创建预测(例如，用于制定治疗计划的健康特性预测)。152.所述模型可以包含机器学习模型。通常，机器学习模型可以是在输入数据上运行的一个或多个机器学习算法的输出，例如，输入数据的形式为来自如本文所述的样品的图像处理的生物样品的所识别的特征。机器学习模型可以利用被配置为执行模式识别的算法，如上文所描述。153.所述模型可以包含概率模型，例如随机模型等。概率模型可以产生一个实例将发生的随机机会。通过实例的方式，这可以包含健康数据的时间跟踪(类似于时间序列分析)，其中模型(例如，循环神经网络诸如长期短期记忆(lstm))用于预测健康结果的未来机会。154.所述模型可以将权重和评分中的一者或多者应用于生物样品的特征以预测健康特性。可以为与生物样品相关联的动物定制该权重和/或评分。应当理解，这些权重和/或评分可以被定制以供特定模型使用，和/或它们可以被定制以供多于一个模型使用(例如，在这些模型互连的情况下)。155.因此，应当理解，本文所用的一个或多个模型可以在另外的一个或多个模型内互连。例如，若干机器学习模型可以有助于健康预测(例如，包含不透明度、厚度、表面积等粘液模型)。一方面，前述权重可以提供每个个体模型的预测的预期平均值。因此，本文所描述的权重可以包含单独的模型权重(例如，颜色模型可以是线性回归y＝mx+b，其中权重为“m”和“b”值)和刚刚所述的预期平均值的权重(例如，健康指数＝a*一致性预测+b*颜色预测)中的一者或多者。换句话说，在本发明的教导内容中使用的模型可以由若干模型组成(例如，综合模型可以包含颜色模型、稠度模型等中的一者或多者)，其中模型权重可以辅助计算预期平均值，而个体模型(例如，颜色模型)中的模型权重可以用于训练/执行该特定模型。156.因此，还应当理解，一个或多个模型可以被输入到另外的一个或多个模型中。例如，不透明度模型和表面积模型(其可以作为粘液模型的一部分包含)可以各自在一方面对粘液健康评分做出预测。在此实例中，这两个值的预期平均值可以用于创建健康指数评分。然后可以将此预测的粘液健康评分值作为输入提供给健康模型以预测动物健康。157.以此方式，本发明的教导内容可以包含模型的系统，它指的是个体模型的组合和/或集合，例如，用于对导出的度量诸如“总体健康评分”等作出确定。因此，应当理解，这些模型可以包含个体模型和/或集成模型，例如，其中在集成模型中，每个模型的强度被认为提供最终导出结果。即，应当理解，可以使用个体模型作为组件(例如，作为模型的系统的输入)来生成模型的系统。例如，可以定义用于几何属性的单独的支持向量机模型和用于颜色属性的单独的线性回归模型，其中可以训练每个模型以预测健康结果，如粘液健康评分。可以定义这两个模型的系统，使得两个个体模型一起用于预测健康结果，如粘液健康评分。此外，当一个个体模型的输出(例如，几何模型或其它模型的粘液健康评分预测)用作单独模型(例如，微生物组预测模型)的特征时，可以创建另外的模型系统。158.本发明的教导内容的一方面还可以包含或替代地包含训练一个或多个模型，例如，以在方法700的步骤714中使用。在某些方面，训练模型包含使用在图像分析中识别的生物样品的一个或多个特征。下文包含了在包含粘液的生物样品的上下文中训练模型的几个实例，但是应当理解，其它技术也可以或替代地用于训练本文的模型。159.训练模型可以首先进行数据整理来准备实际的训练。例如，在包含粘液的生物样品的背景下，可以检索或以其它方式收集各种粘液健康特征。这可以包含从源提取数据，该源包含电子表格、关系和/或非关系数据库(本地或远程存储，例如，存储在云端)等。这可以包含将数据加载到软件中，以及根据需要转换数据(例如，将数据换算为单位均值和方差等)。在分析之前，数据可以继续被净化(例如，经由字符串格式化、移除空值、转换对象类型等中的一者或多者)。这可以进一步包含格式化特征矩阵x和标签向量y，其中特征矩阵x可以具有任何数量的特征，包含区域属性、颜色等，并且其中特征向量y包含真实分类标签(例如，粘液存在或不存在)。160.准备数据以用于训练还可以包含语义分割。这样，首先可以创建基本事实标签，其中可以手动创建这些标签。接下来，可以将图像和对应的基本事实标签存储在数据源中(例如，本地或远程地存储，例如，存储在基于云的存储系统上)。可以从源(例如，本地或基于云的存储)提取图像、调整图像的大小到标准大小以及扩充图像。这种扩充可以包含修剪、垂直/水平翻转、剪切、旋转等中的一者或多者。可以完成该操作以将数据集大小增加到原始和基本事实图像两者。应当理解，准备数据以用于训练可以利用软件自动进行。161.继续此训练实例，现在将讨论建模。训练模型可以包含训练以基于识别和分析粘液等来识别健康特征等。为此，可以将训练测试拆分以训练模型，例如，使用一部分数据(～70％至80％)来训练模型；保留一部分数据(～20％至30％)来对训练后的数据进行测试；以及将一部分数据(～10％)用于在训练期间验证模型。可以创建模型，例如从包或自定义定义的体系结构加载。然后可以使用训练数据来训练模型。为此，可以可选地馈入验证数据来在训练期间进行验证。可以利用测试数据来评估模型准确度，以将预测与基本事实数据进行比较。可以使用像交叉验证、网格搜索等的例程来优化模型超参数，以提出导致最高准确度、最低偏差和/或最低方差的最佳参数。可以保存模型以在运行时调用，其中模型可以具有在运行时以编程方式调用的应用程序编程接口(api)。162.训练模型还可以包含或替代地包含语义分割训练，该训练可以遵循与上述过程类似的过程。因此，可以定义自定义卷积神经网络(cnn)架构或将cnn架构实例化(例如，u-net)。可以将数据集拆分以训练模型，例如，使用一部分数据(～70％至80％)来训练模型；保留一部分数据(～20％至30％)来对训练后的数据进行测试；以及将一部分数据(～10％)用于在训练期间验证模型。然后可以使用训练数据来训练模型。为此，可以可选地馈入验证数据以在训练期间进行验证，例如，利用测试数据来评估模型准确度，以将预测与基本事实数据(例如，dice系数)进行比较。可以使用像交叉验证、网格搜索等的例程来优化模型超参数，以提出导致最高准确度、最低偏差和/或最低方差的最佳参数。可以保存模型以在运行时调用，其中模型可以具有在运行时以编程方式调用的api。163.训练模型还可以包含或替代地包含训练模型以识别粘液中的特征。为此，可以加载预先训练的开源模型权重(例如，vgg-16)，该权重可能先前已经在几百万个图像上训练。然后可以根据本发明的教导内容的上下文来调整权重。164.可以传入图像类元数据，该元数据可以按照文件夹名称来组织，和/或作为字典/列表对象来传递，其中每个图像具有对应的类名称。可以将训练测试拆分以训练模型，例如，使用一部分数据(～70％至80％)来训练模型；保留一部分数据(～20％至30％)来对训练后的数据进行测试；以及将一部分数据(～10％)用于在训练期间验证模型。然后可以使用训练数据来训练模型。为此，可以可选地馈入验证数据以在训练期间进行验证，例如，利用测试数据来评估模型准确度，以将预测与基本事实数据(例如，dice系数，在文件夹结构元数据中传递的标签等)进行比较。可以使用像交叉验证、网格搜索等的例程来优化模型超参数，以提出导致最高准确度、最低偏差和/或最低方差的最佳参数。可以保存模型以在运行时调用，其中模型可以具有在运行时以编程方式调用的api。165.如上所述，其它训练技术也可以或替代地用于训练本文所述的模型中的一个或多个。还应当理解，在模型被描述为执行动作或功能的情况下，这可以包含单个模型或多个模型的组合。166.模型的输出可以产生用于预测健康特性的可用输入，如本文所描述的。例如，模型的输出可以包含对应于存在于感兴趣区域中的粘液量的粘液等级。此类等级可以将粘液量识别为不存在、低或高之一——尽管当然可以使用其它量表，正如将理解的那样。模型的输出还可以包含或替代地包含对应于感兴趣区域或包含在其中的物质例如粘液等的特性的一个或多个标签。以此方式，模型的输出可以包含对应于以下的一个或多个标签：存在的粘液的不透明度、存在的粘液的厚度、粘液占据的表面积、存在的粘液的颜色、存在的粘液微生物含量估计值、宿主动物中的皮质醇水平估计值、细菌水平估计值、血液检测、病原体检测、上述中任何一者的组合等。167.如步骤716所示，至少部分地基于模型的输出，方法700可以包含预测生物样品来源于的动物的健康特性。如本文所描述的健康特性可以是可用于维持或改善动物的健康和康乐的任何属性，和/或可以识别潜在健康问题的任何特性。例如，如本文所讨论的，在生物样品是粘液样品的一方面，健康特性可以包含粘液健康量表的分类、宿主动物中的皮质醇水平的预测、细菌水平的预测、血液和/或病原体的检测等。168.如步骤718所示，方法700可以包含分析由模型预测的一个或多个健康特性，即与生物样品相关联的动物的健康特性。例如，此步骤718可以包含根据参考数据库来分析健康特性以确定对与生物样品相关联的动物的治疗。参考数据库可以是包含来自其它生物样品的分析数据的历史数据库，例如，来自相同动物的生物样品或来自不同动物的生物样品。169.如步骤720所示，方法700可以包含执行实验室分析或与上述图像分析分开的生物样品的另一分析。此分析可以用作预测动物的健康特性的因素。此外，或替代地，此分析可以用于测试上述图像分析技术，和/或用于提供基本事实数据。通过实例的方式，当生物样品包含粘液样品时，此步骤720可以包含对粘液样品(例如，宿主生物体和/或胃肠微生物群落(也称为微生物组))进行微生物组dna基因测序。为此，方法700可以进一步包含应用来自微生物组dna基因测序的结果作为预测动物的健康特性的因素。此外，或替代地，当生物样品包含粘液样品时，此步骤720可以包含对粘液样品执行代谢组测序。为此，方法700可以进一步包含应用来自代谢物组测序的结果作为预测动物的健康特性的因素。170.步骤720还可以包含或替代地包含进一步的分析，例如当生物样品包含粘液样品时，如质谱分析、电导和流变学中的一者或多者。同样，此进一步分析的结果可以用作预测动物的健康特性的因素和/或用于训练模型。171.如步骤722所示，方法700可以包含例如根据至少部分地由所应用的模型预测的健康属性而为动物提供治疗。治疗可以包含食物、液体、补充剂、行为推荐(例如，睡眠、锻炼、富集等)和/或药物中的一者或多者。例如，治疗可以包含用于动物的个性化饮食补充剂。这种个性化饮食补充剂可以包含预定量的益生菌、益生元、消化酶、抗炎剂、天然提取物、维生素、矿物质、氨基酸、短链脂肪酸、油、配制剂等中的一者或多者。172.因此，执行方法700或本文所公开的任何方法的实施例可以用于获得用于动物的个性化饮食补充剂。个性化饮食补充剂可以包含但不限于有益成分的个性化成分含量，这些成分可以在适用的情况下与配制剂组合。以此方式，本发明的教导内容可以提供个性化补充剂系统。这种个性化补充剂系统可以包含在结构上被构造用于储存个性化饮食补充剂的耐用容器，其中该容器的尺寸和形状可大致设计成易于再填充。还可以提供再填充杯，其中这些再填充杯可以是可回收的并且在结构上被构造成易于使用和填充。可以使用补充剂勺等，其中这种勺可以是定制设计的以容纳针对动物规格而个性化的剂量。该系统可以确保个性化饮食补充剂的投配的依从性。此外或替代地，个性化补充剂系统可以包含订阅服务等，其中基于预定的基础和/或以预定的剂量将补充剂邮寄或以其它方式递送给最终用户。例如，小纸袋或其它容器可用于储存预定剂量的待添加到动物食物或水中的个性化补充剂，其中基于预定的基础将这些小纸袋中的一个或多个提供给最终用户。173.治疗还可以包含或替代地包含用于动物的定制健康计划。定制健康计划可以包含行为改变、饮食改变等中的一者或多者。定制健康计划还可以包含或替代地包含关于饮食、睡眠、锻炼、活动、富集、生活方式改变等中的一者或多者的推荐。174.如步骤724所示，方法700可以包含生成并提供关于动物的报告，例如，其中该报告包含关于由模型预测的健康特性的信息。175.可以使用一个或多个计算装置来执行上述方法700。为此，本发明的教导内容可以包含用于分析生物样品图像以提供动物的健康评估的计算机程序产品，所述计算机程序产品包括在非暂态计算机可读介质中实施的计算机可执行代码，当在一个或多个计算装置上执行时，所述计算机可执行代码执行以下步骤：接收图像，所述图像包含含有粘液的生物样品；识别和提取所述图像内的一个或多个感兴趣区域以供进一步分析；将模型应用于感兴趣区域中的一个或多个感兴趣区域以识别其中的一种或多种粘液状况，所述模型使用具有不同粘液状况的多个图像进行训练，其中所述模型的输出至少包含对应于存在于所述一个或多个感兴趣区域中的粘液量的等级；至少部分基于所述模型的所述输出，预测所述生物样品来源于的动物的健康特性；以及向与所述动物相关联的用户呈现所述健康特性。176.图8是根据代表性实施例的分析生物样品的图像以提供动物的健康评估的方法的流程图。一般而言，方法800可以利用模型(例如，相关模型)，该模型可以是根据图5的描述训练的相同或类似的模型。因此，图8的方法800可以类似于参考图6所述的技术，其中应当理解，这些技术的步骤可以彼此替代和/或补充。177.如步骤802所示，方法800可以包含识别(i)从生物样品的图像分析确定的一个或多个特征和/或其它数据与(ii)与所述生物样品相关联的动物的一个或多个属性和/或特性之间的一个或多个关联性。178.因此，此步骤802还可以包含或替代地包含识别图像中包含的生物样品的一个或多个特征。因此，可以从本文所述的各种图像分析技术中的一个或多个发现、揭示、计算和/或识别从生物样品的图像确定的特征或其它数据，例如，在生物样品的数字照片上执行。通过实例的方式，此类特征可以包含那些由如resnet-18等卷积神经网络识别和训练的特征。179.与生物样品相关联的动物的属性和/或特性可以包含物质的存在或不存在(例如，微生物组特性和代谢组特性中的一者或多者)、健康特性、评分(例如，粘液健康评分)等，包含它们的组合。通过实例的方式，这些属性和/或特性可以包含或以其它方式帮助识别饮食指标(例如，碳水化合物摄入、新鲜食物摄入、蛋白质摄入、脂肪摄入、它们的代谢等)、代谢指标、动物体重指标、健康状况或疾病指标(例如，癌症、肠易激综合征(ibs)、肥胖症等)、病原体存在或不存在、寄生虫存在或不存在、宿主动物中的皮质醇水平等中的一者或多者。应当理解，一种物质的存在可以指示另一种物质的存在或不存在，反之亦然，其中这样的推论可以容易地包含在本发明的教导内容中。180.通过实例的方式，现在将在粘液样品的上下文中描述一些可能的关联性，即，与图像特征和健康相关属性和/或特性诸如胃肠道微生物组特性的存在或不存在的相关性。粘液样品的不透明度可能与粘液内细菌的平均浓度相关，这可能导致生态失调的进一步指示，这可能有助于饮食推荐。以此方式，如果不透明度相对较高，这可能表明存在微生物组失衡，这可以推断出相对较高水平的消化不良并且导致推荐使用益生菌、抗生素、粘膜剂、缓和剂等。粪便基质等上粘液的表面积或涂层百分比可能与宿主生物体的免疫应答相关，以防止吸收，这可能导致建议解毒和/或另外的病原体检测等。粘液的颜色可能与肠道内壁的完整性相关——例如，红色可能表明存在血液，然后这可能表明肠道内壁受损，这可能导致推荐立即就医。181.通过实例的方式，现在将在粪便样品的上下文中描述其它可能的相关性，即，来自图像特征和健康相关属性和/或特性诸如代谢组子系统的存在或不存在的相关性。偏心度可以与指示碳水化合物摄入、毒力、疾病和防御的一种或多种代谢物的存在或不存在相关。等效直径可以与指示碳水化合物摄入、氨基酸和衍生物、蛋白质代谢、辅因子、维生素、辅基、色素、毒力、疾病和防御的一种或多种代谢组子系统的存在或不存在相关。其它相关性也是可能的或替代地可能的。182.如步骤804所示，方法800可以包含存储关联性(例如，上述相关性)或以其它方式使它们可供模型(例如，相关模型)可用。例如，关联性可被存储在模型可访问的参考数据库中。183.如步骤806所示，方法800可以包含接收从包含生物样品(例如，含有粘液的粪便样品)的图像内的一个或多个感兴趣区域计算的生物样品的一个或多个特征。该特征可以涉及生物样品的几何属性、不透明度属性、颜色属性、质地属性等中的至少一者。应当理解，这些属性中的一者或多者可以是导出的属性。例如，在特征涉及颜色属性的情况下，这种颜色属性可以包含颜色和与颜色相关的导出的属性中的一者或多者(例如，使用k均值颜色分割来计算颜色均匀性，其中导出的特征被创建)。在更简单的实例中，某些颜色可以导出饮食属性，诸如特定食物或物质的摄入。184.还应理解，这些特征可以包含深度学习算法定义的数千个属性，所述属性不能由人类构建体构建或定义。换句话说，当使用经典机器学习时，模型可能需要在输入图像内寻找什么的起始位置，因此方法800可以包含如上文所描述的接收特征的步骤806。然而，当使用具有cnn等的深度学习时，模型本身可以能够完全基于其训练找到感兴趣特征，例如使用数百万个图像。185.如步骤808所示，方法800可以包含将模型应用于所述生物样品的特征和多个关联性以确定关于所述动物的有用见解。186.方法800还可以包含或替代地包含例如使用数百个数据点来训练模型。在模型800已被训练之后，它可被加载以接收诸如本文所述的图像特征的输入。187.如步骤810所示，方法800可以包含预测与生物样品相关联的动物的健康特性。188.如步骤812所示，方法800可以包含根据健康特性来提供治疗(其可包含推荐)。189.图9示出了根据代表性实施例的生物样品的图像以展示粘液量表。具体地，所述图包含第一图像901、第二图像902和第三图像903，其中每个图像含有粪便904形式的生物样品。如本文所描述的，尽管这些图像中的生物样品是粪便样品，但其它形式的生物样品也是可能的替代地可能的。通过实例的方式提供这些图像以展示如何根据本发明的教导内容的一方面创建和使用粘液量表。并且，尽管此处在粘液的上下文中进行了描述，但应当理解，这些技术可以应用于除粘液之外的其它物质和基质的量表的创建和使用，如本文中提及的那些中的任何一种。190.第一图像901示出了基本上不存在任何粘液的粪便904。以此方式，对应于第一图像901中所示的生物样品存在的粘液量的等级可以是‘不存在’等。也就是说，如果第一图像901被用作如本文所描述的粘液模型的输入，则所述模型的输出可以至少包含对应于生物样品内存在的粘液量的‘不存在’等级。进一步地，如果第一图像901和/或没有任何粘液的多个类似图像被用于训练如本文所描述的模型，则所述模型可以被编程为在应用于分析生物样品的图像时识别粘液存在的缺乏。191.第二图像902示出了粪便904，所述粪便含有在图像内所述粪便904上的一些粘液906。因为粘液906表示相对较薄的半透明涂层和/或因为粘液906在不到约一半的渗出物(即，粪便904)上，对应于第二图像902中所示的生物样品的粘液906的量的等级可以是‘低’等。也就是说，如果第二图像902被用作如本文所描述的粘液模型的输入，则所述模型的输出可以至少包含对应于生物样品内存在的粘液906的量的‘低’等级。进一步地，如果第二图像902和/或具有一些粘液906的多个类似图像被用于训练如本文所描述的模型，则所述模型可以被编程为在应用于分析生物样品的图像并相应地标记图像或对其进行分级时识别粘液906。192.第三图像902示出了粪便904，所述粪便含有在图像内所述粪便904上含有大量粘液906。因为粘液906表示超过约25％的渗出物(即粪便904)上的相对较厚的不透明涂层，对应于第二图像902中所示的生物样品的粘液906的量的等级可以是‘高’等。也就是说，如果第三图像903被用作如本文所描述的粘液模型的输入，则所述模型的输出可以至少包含对应于生物样品内存在的粘液906的量的‘高’等级。进一步地，如果第三图像903和/或具有相对较大量的粘液906的多个类似图像被用于训练如本文所描述的模型，则所述模型可以被编程为在应用于分析生物样品的图像并相应地标记图像或对其进行分级时识别粘液906。193.尽管本文提供的示例粘液量表可能看起来相对较简单(即，不存在、低和高的量表)，但检测生物样品中粘液906存在以了解健康和幸福的能力可能非常具有挑战性，并且类似地，训练模型来检测粘液含量并输出粘液量表的等级也非常具有挑战性。这是因为，如本文所描述的，粘液906是众所周知的瞬时且难以表征的物质——主要是由于所述粘液的短暂特性。例如，几乎不可能将粘液样品保存足够长的时间以将所述粘液样品送到实验室进行任何类型的评估。这创建了更好地理解粘液906(包含创建模型可用于分析生物样品图像的粘液量表)的需求，以确定与其相关的一个或多个健康特性，并且至少部分地基于这些健康特性中的一个或多个健康特性来制定动物健康计划。194.应当理解，图9中的粘液906以及本文对粘液的一般讨论主要是指结肠粘液，其特征在于明显的分层内层和不太明确的外层。根据最新的现有技术，外层通常难以在结肠组织切片或通过其它成像技术观察到(参见，例如schroeder,《胃肠病学报告》,7(1),2019-3-12)。粘液产生受到刺激，然后由杯状细胞产生和分泌。已提出炎性体组分参与控制杯状细胞的粘液释放(参见johansson和hansson,《自然综述免疫学(natrevimmunol.)》2016年10月；16(10):639-649)。有趣的是，粘液906在小肠中分泌并且沿着胃肠道向远侧行进。大肠还产生粘蛋白，所述粘蛋白形成组织良好的内部粘液结构。内部粘液层不断更新，例如，在实验室小鼠中约每小时更新一次。内源性蛋白酶将内层转化为分离的、密度较低的外层，随后是粪便流。由于粘液906提供半渗透性且有时不透性的层，因此所述粘液可以被认为是肠上皮的第一道免疫防御线。细菌也被表明是影响粘膜结构和功能的原因。195.虽然具有可移动的粘液906是维持小肠稳态的重要步骤，但粪便904中过量粘液906的存在通常是消化不良的迹象——例如，身体正在产生过量粘液906的信号，作为对病原体或其它一些外来入侵者的免疫应答。因此，本发明的教导内容的一方面涉及创建新颖的粘液量表以表征粪便904(或其它基质)上存在的粘液906，确定其健康特性，并且至少部分地基于健康特性制定健康计划。196.现在将描述如何创建粘液量表的实例，但是应当理解，其它技术是可能的并且可以与本发明的教导内容的方面一起使用。粘液量表的开发可以包含收集生物样品的多个图像和相关联的元数据，其中图像通常包含存在的不同量的粘液——例如，从无到相对大量。图像可以表示粘液体积的宽动态范围和粘液906存在的状况。通过实例的方式，粘液906可能会或可能不会伴随腹泻、饮食改变、外部应激源如创伤事件(例如，将动物移动到新位置)、肠道寄生虫的存在等。基于图像和元数据，可以创建主观量表来对粘液906的存在进行分级。如上文所描述的，粘液量表可以包含等级如：(i)不存在(例如，在未检测到粘液的情况下和/或在仅检测到痕量粘液的情况下)；(ii)低(例如，不到约一半的生物样品上的薄半透明涂层和/或粘液906)；(iii)高(例如，超过约25％的生物样品上的厚不透明涂层)。如本领域技术人员将理解的，其它量表也是或替代地可能的。197.包含在所述多个图像中的生物样品然后可以根据前述粘液量表分类。以此方式，预测计算机视觉模型可以被编程为在将新的、未训练的图像呈现给模型时将图像内的生物样品自分类为这些等级。198.应当理解，示例性粘液量表的等级可以直接与动物正在经历的消化不良的量相关，并且以此方式，等级可以用于预测粘液来源于的动物的健康特性。此外，粘液906的不透明度和物理规律性可以是用于建立增量模型、进行健康特性预测和制定动物治疗的另外或替代状况。199.因此，如本文所描述的，本发明的教导内容的某些方面涉及最终用户拍摄生物样本的照片并提交(例如，上传)生物样本的所得数字图像用于图像分析，以便基于图像分析接收获得生物样本的动物的健康特性。并且，在某些方面，上述步骤中的一个或多个步骤是使用智能手机或类似的最终用户计算装置完成的(例如，所有上述步骤都可以在智能手机上完成，和/或利用与智能手机进行通信的后端资源，如通过基于web的应用的远程计算资源)。通过实例的方式，用户可以是宠物所有者，其中用户可以通过安置在用户的计算装置(例如所述用户的智能手机)上的移动应用访问本发明的教导内容的大部分功能。以此方式，用户可以使用他们的智能手机拍摄宠物粪便的照片，上传所述图像用于分析(例如，使用移动应用)，并且接收健康特性或其它数据，所述其它数据是由用户的宠物粪便图像的图像分析得出输出的一部分。图10-12示出了可以从粪便形式的生物样品的图像分析中呈现给用户的此类输出的实例。200.图10示出了根据代表性实施例的呈现给最终用户的生物样品的图像分析输出。具体地，此图示出了计算装置1000的显示器1002上呈现的生物样品的图像分析的输出1010，所述计算装置在上文提供的实例中可以是与用户相关联的智能手机。显示器1002可以是交互式图形用户界面，如触摸屏等，使得用户可以与显示器1002上呈现给用户的输出1010或其它信息进行交互。201.在此实例中，用户的宠物是名为“trevor”的狗，即与被分析以生成所示输出1010的图像中的生物样本相关联的动物1004。并且在此实例中，生物样本是粪便，但是其它形式的生物样本也是或替代地如本文所描述的可能的。图10中的显示器1002的状态可以表示在用户提交已经分析过的数字照片之后呈现的屏幕——本地地，使用用户装置的处理能力，或者远程地，使用与用户装置或其组合进行通信的后端计算资源——根据本发明的教导内容的一方面。应当理解，图10中的实例独立于参考图9为上下文提供的实例。202.回到图10，如图所示，输出1010可以包含对应于图像分析中识别的生物样本的特征的一个或多个标签1012，以及一个或多个健康特性1014和一个或多个对应于至少一部分生物样本中存在的粘液量的等级1016。203.在此实例中，标签1012包含生物样本的稠度和生物样本的颜色——其中更具体地，此实例中的粪便样品具有“松散”的稠度和“微黄”的颜色。并且，通过实例的方式，进一步的信息可以与标签1012一起提供。例如，与稠度相关联的标签1012可以进一步包含布里斯托尔粪便评分(bss)，例如，其中bss为6通过实例的方式在图中提供。应当理解，这种进一步的信息(如bss)可以替代地作为健康特性1014提供，如所述术语在本文中定义的那样——即，其中此信息源自图像分析以及其输出1010，如集体分析标签1012的稠度和颜色或其它数据。还将理解，更多或更少的标签1012是可能的。例如，图像分析的输出1010(例如，执行全部或部分图像分析的模型，例如cnn模型)还可以包含或替代地包含对应于以下中的一者或多者的标签1012：生物样本或其一部分(例如，存在于生物样本中的粘液)的不透明度、生物样本或其一部分(例如，存在于生物样本中的粘液)的厚度、粘液或另一种物质占据的表面积、存在于生物样本中的粘液的颜色、生物样本或其一部分的微生物含量估计值(例如，存在于生物样本中的粘液)、宿主动物中的皮质醇水平估计值、生物样本或其一部分(例如，存在于生物样本中的粘液)中的细菌水平估计值、血液检测、病原体检测等。通常，标签1012应被理解为包含图像特征或特性，其被识别(并且在一些实例中被量化，或以其它方式可以包含从中导出的信息)作为如本文所描述的图像分析的一部分。204.健康特性1014通常可以包含从图像分析以及其输出1010导出的信息。例如，健康特性1014可以包含基于执行图像分析中的至少一些图像分析的模型的输出1010的预测。因此，通常标签1012可以包含生物样本的识别的特征或特性，并且健康特性1014可以包含与标签1012相关的导出信息或来自图像分析的另一种形式的输出1010。应当理解，在一些实例中，标签1012与如本文定义的健康特性1014之间可能存在重叠，并且此实例展示了一个此类实例。具体地，在此实例中，健康特性1014包含在粪便样品中未检测到寄生虫。然而，应当理解，所述特定健康特性1014也可以是或替代地为标签1012。也就是说，可以直接可观察到(例如，通过模型)没有寄生虫位于粪便样品中(在这种情况下，它将是如本文定义的标签1012)和/或寄生虫的缺乏可能源自其它从图像分析中识别或辨别的数据(在这种情况下，它将是如本文定义的健康特性1014)，如看起来相对较健康的粪便样品。205.在此实例中，等级1016对应于生物样本中存在的粘液量，但其它等级当然也是可能的。在这种上下文中，等级1016可以简单地认为是标签1012、健康特性1014等，它们可以放置在特定的量表上——例如，如本文所描述的粘液量表，所述粘液量表可以将粘液的量识别为不存在、低或高之一。在此实例中，等级1016是“低”，并且所述等级对应于粘液存在——即，在此实例中使用的粪便样品图像中仅含有相对较少量的粘液。等级1016(和/或标签1012、健康特性1014等)还可以包含或替代地包含颜色评分、不透明度评分、生物样本的微生物含量的识别等，其可用于提供更精确的健康规划和推荐。206.如上所述，显示器1002可以是交互式图形用户界面。以此方式，可以向用户提供选择输出1010中的一个或多个输出或显示器1002上的其它信息以访问另外或不同信息的机会。图11中示出了选择对应于存在的粘液量的等级1016的实例。207.图11示出了根据代表性实施例的与粘液量表相关的等级。类似于图10并且继续上文的实例，图11示出了可以是如上所述的智能手机的计算装置1000的显示器1002。具体地，图11的显示器1002可以包含当用户选择图10的输出1010中的一个或多个输出时示出的信息1110，并且具体地是图10的等级1016。因此，在此实例中，信息1110与粘液量表上“低”的等级1016相关，并且因此可以包含等级1016的描述符。因此，示例性信息1110表示“不用担心！粘液是身体对一些消化应激源如新型食物或环境状况的自然且常见的应答。由于检测到一些粘液，推荐密切监测接下来的几次粪便，并且注意其它线索，如作咯咯声的肚子、胀气或腹泻。”其它信息1110也是可能的或替代地可能的。例如，此处显示的信息1110可以包含动物治疗(例如，如本文所描述的定制健康计划和/或食物、补充剂或药物推荐或处方)、其它描述符、报告、警告、警报、图像等中的一者或多者。208.此外，显示器1002可以包含一个或多个选择1112，所述选择可以包含到其它信息等的超链接等。此其它信息可以本地、远程地存储，和/或可以从第三方平台、网站、应用等导出。例如，图11的实例中的选择1112可以将用户引导到兽医健康网站等。209.图12示出了根据代表性实施例的治疗推荐。类似于图10-11中所示的实例，可以在计算装置的显示器上向用户提供治疗1200。在此实例中，治疗1200包含基于对生物样品的基于图像的分析来推荐去看与生物样品相关联的动物的兽医。治疗1200可以通过在上文所描述或类似显示器中的一个或多个显示器中的选择来访问，和/或治疗1200可以通过报告、推送通知、文本消息、电子邮件消息等来传输。210.因此，如上文参考图10-12通常所描述的，基于创建并且应用于图像分析的粘液量表和/或其它分类，可以向用户提供等级、健康属性和标签连同其它有用信息如前述的一个或多个描述符以及治疗和/或推荐(例如，确定是否寻求兽医护理)中的一者或多者。以此方式，基于生物样品的粘液和/或其它属性(如稠度、颜色和寄生虫的存在)，可以形成健康计划，所述健康计划可以包含饮食、药物和/或个性化补充剂。例如，对于高粘液分类，推荐在狗的补充剂中添加榆树皮粉和药蜀葵根粉中的一者或多者，这可以支持粘液健康。还可以添加益生菌以支持胃肠道健康。其它健康计划和治疗也是可能的或替代地可能的。211.图13是根据代表性实施例的创建和使用粘液量表的方法的流程图。方法1300可以包含创建和使用如本文所描述的粘液量表，如上文参考图9-12——例如，与生物样品如粪便样品中存在的粘液量相关的粘液量表。根据方法1300创建的量表可以专门定制用于生物样品的基于图像的分析，其中在现有技术中对此类样品的粘液分析具有挑战性或不可能。这是因为，如本文所解释的，粘液是众所周知的瞬时且具有挑战性的物质——由于所述粘液的短暂特性。因此，检测生物样品中粘液的存在以了解健康和幸福的能力可能非常具有挑战性，并且类似地，训练模型来检测粘液含量并输出粘液量表上的等级(以及其它输出)也可以非常具有挑战性。然而，使用本发明的教导内容的技术，如图13的方法1300，可以创建可由用于分析生物样品的图像的模型使用的粘液量表，以确定与其相关的一个或多个健康特性，并且至少部分地基于这些健康特性中的一个或多个健康特性来制定动物健康计划。并且如本文所描述的，此类量表和模型的使用可以使用移动应用等来实施，从而允许用户拍摄生物样品的照片，通过此类移动应用上传照片以进行分析，并且基于照片的图像分析接收有用的反馈，如粘液量表上的等级、与健康相关的预测和/或治疗。212.如步骤1302所示，方法1300可以包含接收含有不同粘液量的生物样品的多个图像。所述图像可以是专门为创建粘液量表的目的而收集的，和/或所述图像中的一些图像可以是含有不同粘液量的生物样品的现有图像。所述多个图像可以包含例如数百个或数千个图像。如本文所解释的，所述多个图像中的生物样品可以各自包含粪便样品，但其它形式的生物样品也是可能的或替代地可能的，如本文所解释的。所述多个图像中的不同粘液量的范围可以从不存在粘液到相对较大量的粘液。在一些实施方案中，“大量”粘液可以定义为占据生物样品的25％以上。其它因素也可以定义或替代地定义粘液含量的范围，和/或用于其它与粘液相关的特性。213.如步骤1304所示，方法1300可以包含分析生物样品的多个图像。分析可以是自动的(例如，计算机实施的)、手动的(例如，使用人工审查者)或其组合。所述分析可以包含审查图像以确定是否存在粘液，并且如果存在，则识别其数量(或其它特性)。214.如步骤1306所示，所述方法1300可以包含为所述多个图像中的每个图像分配与其中含有的生物样品上存在的粘液量相关联的多个等级之一。在某些方面，所述多个等级至少对应于第一状况、第二状况以及第三状况，在所述第一状况下，在所述多个图像中的至少一个图像中未从生物样品中检测到粘液，在所述第二状况下，粘液被检测到但在所述多个图像中的至少一个图像中占据小于预定量的生物样品，所述第三状况具有在所述多个图像中的至少一个图像中占据多于所述预定量的生物样品的粘液。如本文所解释的，所述第一状况可以包含‘不存在的’等级，所述第二状况可以包含‘低’等级，并且所述第三状况可以包含‘高’等级。其它状况和/或等级也是可能的或替代地可能的，如多于三种状况，这将被理解为是用于理解本发明的教导内容的有用实例。215.通过实例的方式，将一个等级与另一个等级区分开来的预定量(例如，‘低’到‘高’)可以是生物样品的25％的涂层。在其它方面，预定量可以是生物样品的50％的涂层。如本领域技术人员将理解的，其它量也是可能的。216.还应当理解，替代地对应于存在于生物样品的图像中的粘液量的等级或除其之外，对应于粘液的其它特性的等级也是可能的。例如，所述多个等级中的等级可以考虑了粘液的不透明度、粘液的厚度、粘液占据的表面积、粘液的颜色、粘液的微生物含量估计值、与生物样品相关联的动物中的皮质醇水平估计值、粘液中的细菌水平估计值等中的一者或多者。217.如步骤1308所示，方法1300可以包含创建包含多个等级中的每个等级的量表。因此，使用本文提供的实例，量表可以包含‘不存在’、‘低’和‘高’的等级。218.如步骤1310所示，方法1300可以包含将所述量表输入到模型被编程为对输入图像执行图像分析的模型中，其中所述图像分析中的所述模型的输出可以包含所述多个等级之一。换句话说，此步骤1310可以包含对模型进行编程以通过从分配给已知图像的等级中学习来分析关于粘液的生物样品的图像。219.如步骤1312所示，所述方法1300可以包含将所述输入图像输入到所述模型中，并且接收包含所述输入图像的所述多个等级之一的所述输出。模型分析输入图像的预期输出可能是已知的。以此方式，并且如步骤1314所示，所述方法1300可以进一步包含通过检查所述输出并且在所述输出与预期输出不匹配时调整所述模型来训练所述模型。通过实例的方式，输入图像可以含有相对较大量的粘液，因此，如果模型的输出与反映输入图像中存在相对较大量粘液的标识和等级不同，则可以调整模型。220.方法1300可以进一步包含在如本文所描述的基于图像的分析中使用量表。以此方式，并且如步骤1316所示，所述方法1300可以包含接收包含第一生物样品的第一图像；以及识别和提取所述第一图像内的一个或多个感兴趣区域以供进一步分析。221.如步骤1318所示，方法1300可以包含将所述模型应用于第一图像内的一个或多个感兴趣区域以识别其中的一种或多种粘液状况。所述模型可以与上文使用粘液量表训练的模型相同，因此由所述模型识别的粘液状况可以包含第一图像内存在的粘液量和其中含有的生物样品。222.如步骤1320所示，方法1300可以包含接收针对所述第一图像的所述模型的输出。输出可以至少包含多个等级中的第一等级——通过实例的方式，等级‘不存在’、‘低’或‘高’。223.如步骤1322所示，至少部分地基于第一等级，方法1300可以包含预测第一生物样品来源于的动物的健康特性。健康特性可以是本文所描述的健康特性中的任何一种或多种健康特性。进一步地，方法1300可以包含将健康特性呈现给与动物相关联的用户——例如，通过将健康特性传输到与用户相关联的计算装置。224.如步骤1324所示，所述方法1300可以包含鉴于所述健康特性和所述第一等级中的一者或多者为所述动物提供治疗。治疗可以是本文所描述的治疗中的任何一种或多种治疗。225.图14示出了根据代表性实施例的图像以及其各种颜色平面。具体地，图14包含图像1400，其特征在于搁置表面1410，所述搁置表面在结构上可被构造用于至少部分地设置在其上的生物样品(例如，在粪便上含有的粘液样品)的图像分析。为此，搁置表面1410可以包含如本文所述的在其上的一个或多个预定标记，例如，其中此类标记可以用于提取如本文所述的颜色属性和维度属性中的一者或多者。通过实例的方式，所述图示出了使用搁置表面1410的预定标记的示例颜色平面(即，红色平面1412、绿色平面1414和蓝色平面1416)的归一化。226.图15示出了根据代表性实施例的用于粘液分析的粪便样品的图像分割的实例。具体地，图15包含上文所描述的图9中包含的图像的分割实例。如图15所示，在分割操作之后，以粘液样品形式放置在粪便基质上的生物样品为特征的图像可以被分割以移除静止表面的部分中的一个或多个部分或其它背景部分，以及可能与包含在其上的粘液的图像分析无关的粪便样品本身的部分。分割可以包含图像的第一分割，所述第一分割基本上分离粘液加粪便基质样品。分割还可以包含仅分离静止表面的图像的第二分割，所述第二分割可以用于进一步处理(例如，用于计算纵横比、用于图像归一化等)。然而，应当理解，此类第二分割可能不是必需的。227.如本文所述，本发明的教导内容可以包含从生物样品的图像提取特征。从高层面看，可以从输入图像中以数学方式提取特征。例如，对于几何属性，输入图像可以被二值化，其中根据各种性质来计算像素距离。通过实例的方式，对于长轴/短轴比，可以计算椭圆的中心，然后可以计算从中心到对应点的距离。这些单位可以是像素，这就是宽高比可以用于转换回另一形式(诸如英寸或毫米)的原因。228.图16是为动物调配个性化产品的方法的流程图。应当理解，类似于本文所示和所述的其它方法，方法1600可以与本文所述的任何其它技术组合、作为其补充和/或替代。以此方式，应当理解，为动物配制个性化产品的方法1600可以包含使用生物样品的图像分析，例如其中这样的图像分析形成用于配制个性化产品的整个基础。229.个性化产品可以包含个性化饮食产品。个性化饮食产品可以包含食物、补充剂、药物等中的一者或多者。为此，个性化饮食产品可以包含预定量的益生菌、益生元、消化酶、抗炎剂、天然提取物、维生素、矿物质、氨基酸、短链脂肪酸、油、配制剂等中的一者或多者。包含个性化饮食产品的个性化产品可以有利地基于粘液样品等形式的生物样品的分析来创建，例如，包含在粪便图像内。此外或替代地，个性化产品可以基于根据本发明的教导内容的生物样品的分析结合根据于2020年7月31日提交的国际专利申请第pct/us20/44507号的教导内容的分析来创建，所述国际专利申请通过引用整体并入本文。230.个性化产品还可以包含或替代地包含非饮食产品。例如，个性化产品可以包含美容产品、洗发剂、护发剂、乳液、乳霜、药物、滴耳剂、滴眼剂、局部用物质、牙膏、口腔冲洗剂、咀嚼物(例如，咀嚼玩具等，其可以提供健康益处，诸如口腔卫生)等中的一者或多者。231.如步骤1602所示，方法1600可以包含接收其中包含生物样品例如含有粘液的粪便样品的图像。232.如步骤1604所示，方法1600可以包含将模型应用于该图像以提取生物样品的一个或多个特征。所述模型可以是如本文所描述的任何模型，并且生物样品的特征的提取可以利用本文所述的任何图像分析技术。233.如步骤1606所示，方法1600可以包含至少基于从该模型提取的生物样品的一个或多个特征，选择用于作为生物样品来源于的动物的个性化产品的一种或多种成分。因此，方法1600可以包含通过为作为生物样品来源于的动物选择一种或多种成分和使用含量来创建用于个性化产品的独特配方。以此方式，应当理解，个性化产品可以包含个性化配方。234.如步骤1608所示，方法1600可以包含制备个性化产品，该制备可以包含组合该一种或多种成分(例如，以定制的使用含量)以形成个性化产品，例如，制备个性化配方。例如，这可以包含将所有成分合并成单一产品(例如，其中这些成分形成粉末、丸剂、糊剂、液体、固体等中的一者或多者)。这还可以包含或替代地包含将这些成分组合到单个容器或外壳中例如用于装运和/或运输，但是其中各个成分可以彼此分离，这对于特定的投配方案可以是有利的。235.如步骤1610所示，方法1600可以包含包装个性化产品例如以便分配，诸如装运给用户。换句话说，这可以包含包装个性化配方例如以便分配(诸如装运给用户)，从而包括个性化产品。236.如步骤1612所示，方法1600可以包含将个性化产品分配给动物和与该动物相关联的用户中的一者或多者(例如，动物的主人、兽医、医生等)。237.如步骤1614所示，方法1600可以包含为动物投配个性化产品。这可以包含分离特定剂量的个性化产品以便于最终用户使用。这还可以包含或替代地包含连同提供个性化产品二提供投配部件，诸如勺、匙、小瓶、量杯、注射器、小纸袋(例如泡罩包装、箔纸等)等。该投配方法还可以包含或替代地包含个性化投配部件以帮助确保个性化产品的准确施用。应当理解，个性化投配部件可以针对特定动物或一组动物定制。238.下面通过实例的方式描述本发明的教导内容的几个其它方面。239.数据整理和数据准备240.粘液健康特征：241.数据可以从来源中提取，例如数据库如远程、基于云的数据库。图像可以是用于模型的数据。每个图像都可以用与存在的粘液量相关联的对应粘液水平来标记。使用的粘液水平可以是高、低和无(或类似的)——但是应当理解可以使用其它标签(包含更详细的量)。然而，继续此实例，每个图像都可以用这三个标签之一来标记，其中标签被转换成数值。通过实例的方式，0可以对应于高，1可以对应于低，并且2可以对应于无。如本领域技术人员将理解的，其它数值可以是可能的。每个图像都可以调整大小，转换成张量，并且与其对应的标签一起馈送到cnn中。242.因此，换句话说，数据可以从源提取，诸如本地存储的或存储在云上的电子表格和/或关系/非关系数据库。数据可以被加载到软件中，诸如高级通用编程语言。数据可以根据需要进行转换(例如，将数据换算为单位均值和方差)。在分析(例如，字符串格式化、移除空值、转换对象类型)之前，数据可继续被净化。可以将特征矩阵x格式化，并且可以标记向量y。特征矩阵x可以具有任意数量的属性和/或特征，包含几何属性、颜色属性等。特征向量y可以包含真实分类标签，如粘液健康评分。另外，数据可以包含实验室数据，如宿主动物的皮质醇水平、细菌计数等。243.语义分割：244.图像和对应的基本事实标签可以存储在数据源(例如，本地和/或云)中。可以从源(例如，本地和/或基于云的存储)提取图像。可以将图像的大小调整到标准大小或其它预定大小。可以扩充(例如，裁剪、垂直/水平翻转、剪切、旋转等)图像以将数据集大小增加到原始事实和基本事实两者。应当理解，这些步骤可以用软件自动化。245.建模246.粘液健康特征：247.数据集被分成训练集、测试集和/或验证集，使用数据的一部分(例如，约70％至80％)来训练模型，其中保留一些数据(例如，约20％至30％)来对训练后的数据进行测试，并且一些数据(例如，约10％)用于在训练期间验证模型。然后可以创建模型，例如通过从包或定义的架构加载来创建。可以使用训练数据来训练模型，其中验证数据可选地馈入以在训练期间进行验证。可以利用测试数据来评估模型准确度，例如将预测与基本事实进行比较。可以使用诸如交叉验证、网格搜索等的例程来优化模型超参数，以提出可以导致期望的准确度、偏差和/或方差的参数。可以保存模型以在运行时调用，其中模型可以具有在运行时以编程方式调用的api。应当理解，这些步骤可以用软件自动化。248.语义分割：249.可以定义自定义卷积神经网络(cnn)架构或将已知的cnn架构(例如，u-net)实例化。数据集被分成训练集、测试集和/或验证集，使用数据的一部分(例如，约70％至80％)来训练模型，其中保留一些数据(例如，约20％至30％)来对训练后的数据进行测试，并且一些数据(例如，约10％)用于在训练期间验证模型。可以使用训练数据来训练模型，其中验证数据可选地馈入以在训练期间进行验证。可以用测试数据来评估模型准确性，例如，将预测与基本事实(例如，dice系数)进行比较。可以使用诸如交叉验证、网格搜索等的例程来优化模型超参数，以提出可以导致期望的准确度、偏差和/或方差的参数。可以保存模型以在运行时调用，其中模型可以具有在运行时以编程方式调用的api。250.粘液：251.可以上传预训练的开源模型(例如，resnet，它先前在具有数百万个图像的imagenet数据集上训练)。可以通过改变最后一层以根据目标函数的需要进行匹配来修改模型的架构，从而对此模型进行微调。图像数据集可以以80-20或类似的比率分成训练集和验证集。在训练时，图像可能会被发送到具有对应标签(例如，无、低和高)的模型。可以在图形处理单元(gpu)上执行训练。可以上传预训练的开源模型权重(例如，resnet，它先前在数百万个图像上训练)。然后可以根据需要调整权重以用于本发明的教导内容的操作。可以传入图像类元数据，所述元数据例如可以按照文件夹名称来组织，和/或作为字典/列表对象来传递，其中每个图像具有对应的类名称。训练测试可以被拆分，使用数据的一部分(例如，约70％至80％)来训练模型，其中保留一些数据(例如，约20％至30％)来对训练后的数据进行测试，并且一些数据(例如，约10％)用于在训练期间验证模型。可以使用训练数据来训练模型，其中验证数据可选地馈入以在训练期间进行验证。可以用测试数据来评估模型准确性，例如，将预测与基本事实(例如，dice系数)进行比较。可以使用诸如交叉验证、网格搜索等的例程来优化模型超参数，以提出可以导致期望的准确度、偏差和/或方差的参数。可以保存模型以在运行时调用，其中模型可以具有在运行时以编程方式调用的api。252.代码实例253.应当理解，所公开的用于分析生物样品图像的图像以提供与其相关的动物的健康评估的技术的特定部分可以利用可以适于执行这些特定部分的预先存在的算法和/或模型。254.在此实例中，首先，pytorch库、pytorchtransforms和预训练模型可以按如下方式导入：255.importtorch256.fromtorchvisionimporttransforms,datasets,models257.可以对数据应用以下转换：258.image_transforms＝{259.'train':transforms.compose([[0260]transforms.resize((512,512)),[0261]transforms.colorjitter(brightness＝0.5,contrast＝0.5,saturation＝0.5,hue＝0.5),[0262]transforms.randomrotation(degrees＝30),[0263]transforms.randomhorizontalflip(),[0264]transforms.randomverticalflip(),[0265]transforms.totensor(),[0266]]),[0267]'valid':transforms.compose([[0268]transforms.resize((512,512)),[0269]transforms.totensor(),[0270]数据集上的这些转换示出在以下代码中：[0271]data＝{[0272]'train':datasets.imagefolder(root＝train_directory,[0273]transform＝image_transforms['train']),[0274]'valid':datasets.imagefolder(root＝valid_directory,[0275]transform＝image_transforms['valid']),[0276]}[0277]train_data＝dataloader(data['train'],batch_size＝batch,shuffle＝true)[0278]valid_data＝dataloader(data['valid'],batch_size＝batch,shuffle＝true)[0279]数据目录的结构可能如下所示：[0280]/train[0281]|-high[0282]|-low[0283]|-none[0284]/valid[0285]|-high[0286]|-low[0287]|-none[0288]以下代码段是模型架构的代码的实例：[0289]resnet＝models.resnet18(pretrained＝false)[0290]forparaminresnet.parameters():[0291]param.requires_grad＝false[0292]fc_inputs＝resnet.fc.in_features[0293]resnet.fc＝nn.sequential([0294]nn.linear(fc_inputs,256),[0295]nn.relu(),[0296]nn.dropout(0.4),[0297]nn.linear(256,3)[0298])[0299]model＝resnet.to(device)[0300]此实例中在此使用的装置是gpu；使用的损失函数是交叉熵；并且优化器是学习率为0.001的adam：[0301]optimizer＝optim.adam(model.parameters(),lr＝0.001)[0302]loss_criterion＝nn.crossentropyloss()[0303]此实例中的上述模型被训练以使用adam优化器对损失函数进行优化，持续100次并且批量大小为16。[0304]应当理解，仅通过实例的方式和理解的方式提供本文所述的代码，并且可以使用其它类似的代码。此外，即使没有这样的代码实例，如何实践本发明的教导内容对于本领域的技术人员也将是显而易见的，例如由于本文提供的关于本文所述的模型等的功能性的充分公开。本领域的技术人员还应当理解，上面提供的代码实例涉及从盘读取文件，例如原始文本文件，并且根据本文所述的本发明的教导内容的重要细节，此类文件和代码可以由技术人员创建以重新创建本发明的教导内容的各方面。[0305]上述系统、装置、方法、过程等可以采用适于特定应用的硬件、软件或软硬件的任何组合来实现。硬件可以包含通用计算机和/或专用计算装置。这包含在一个或多个微处理器、微控制器、嵌入式微控制器、可编程数字信号处理器或其它可编程装置或处理电路系统中(连同内部和/或外部存储器)实现。这还可以包含或替代地包含一个或多个专用集成电路、可编程门阵列、可编程阵列逻辑组件或可以被配置为处理电子信号的任何其它一种或多种装置。还应当理解，上述过程或装置的实现可以包含使用结构化编程语言诸如c、面向对象的编程语言诸如c++或者可以被存储、编译或解释以在以上装置之一上运行的任何其它高级或低级编程语言(包含汇编语言、硬件描述语言和数据库编程语言和技术)创建的计算机可执行代码，以及处理器、处理器架构的异构组合，或不同硬件和软件的组合。在另一方面，这些方法可以在执行其步骤的系统中实现，并且可以采用多种方式在装置上分布。同时，处理可以在诸如上述各种系统的装置上分布，或者所有功能可以集成到专用的独立装置或其它硬件中。在另一方面，用于执行与上述过程相关联的步骤的装置可以包含上述硬件和/或软件中的任一者。所有这些排列和组合都旨在落入本公开的范围内。[0306]本文所公开的实施例可以包含计算机程序产品，该计算机程序产品包括当在一个或多个计算装置上执行时执行其任何和/或所有步骤的计算机可执行代码或计算机可用代码。该代码可以采用非暂态方式存储在计算机存储器中，该计算机存储器可以是程序从其执行的存储器(诸如与处理器相关联的随机存取存储器)，或者存储装置，诸如盘驱动器、闪存存储器或任何其它光学、电磁、磁、红外或其它装置或装置的组合。在另一方面，上述系统和方法中的任一个可以在承载计算机可执行代码和/或该计算机可执行代码的任何输入或输出的任何合适的传输或传播介质中实施。[0307]出于解释的目的，已经参考特定实施例描述了前述描述。然而，以上例示性讨论不旨在是穷举的或将本公开限制在所公开的精确形式。根据上述教导内容，许多修改和变化是可能的。[0308]除非上下文明确地要求，否则在整个说明书中，词语“包括(comprise/comprising)”、“包含(include/including)”等应被解释为包含性的意义，而不是排他性或穷举性的意义；也就是说，为“包含但不限于”的意义。另外，词语“本文”、“下文”、“上文”、“下文”和类似意思的词语是指本技术的整体，而不是本技术的任何特定部分。[0309]应当理解，上文所述的装置、系统和方法是通过实例的方式而非限制地陈述的。在没有明确的相反指示的情况下，在不脱离本公开的范围的前提下，可以修改、补充、省略和/或重新排序所公开的步骤。对于本领域的普通技术人员来说，许多变化、添加、省略和其它修改将是显而易见的。另外，除非明确要求特定顺序或者从上下文中清楚可见，否则上文的描述和附图中的方法步骤的顺序或呈现不旨在要求执行所叙述的步骤的这种顺序。[0310]本文所描述的实施方案的方法步骤旨在包含与所附权利要求的可专利性一致的使得执行此类方法步骤的任何合适的方法，除非明确地提供了不同的含义或者从上下文中清楚地知道不同的含义。因此，例如执行x的步骤包含用于使得另一方诸如远程用户、远程处理资源(例如，服务器或云计算机)或机器执行x的步骤的任何合适方法。类似地，执行步骤x、y和z可以包含指导或控制此类其它个体或资源的任何组合执行步骤x、y和z以获得此类步骤的益处的任何方法。因此，本文所描述的实施方案的方法步骤旨在包含与所附权利要求的可专利性一致的使得一个或多个其它方或实体执行这些步骤的任何合适的方法，除非明确地提供了不同的含义或者从上下文中清楚地知道不同的含义。这些当事方或实体不需要受到任何其它方或实体的指导或控制，并且不需要位于特定管辖范围内。[0311]还应当理解，上述方法是通过实例的方式提供的。在没有明确的相反指示的情况下，在不脱离本公开的范围的前提下，可以修改、补充、省略和/或重新排序所公开的步骤。[0312]应当理解，上述方法和系统是通过实例的方式而非限制地陈述的。对于本领域的普通技术人员来说，许多变化、添加、省略和其它修改将是显而易见的。另外，除非明确要求特定顺序或者从上下文中清楚可见，否则上文的描述和附图中的方法步骤的顺序或呈现不旨在要求执行所叙述的步骤的这种顺序。因此，虽然已经示出和描述了特定实施例，但是对于本领域的技术人员来说显而易见的是，在不脱离本公开的实质和范围的情况下，可以在形式和细节上进行各种改变和修改，并且这些改变和修改旨在形成由所附权利要求限定的本发明的一部分，所附权利要求将在法律允许的最广泛的意义上进行解释。当前第1页12当前第1页12
技术特征：
1.一种分析生物样品图像以提供动物的健康评估的方法，所述方法包括：接收图像，所述图像包含含有粘液的生物样品；识别和提取所述图像内的一个或多个感兴趣区域以供进一步分析；将模型应用于所述一个或多个感兴趣区域以识别其中的一种或多种粘液状况，所述模型使用具有不同粘液状况的多个图像进行训练，其中所述模型的输出至少包含对应于存在于所述一个或多个感兴趣区域中的粘液量的等级；至少部分基于所述模型的所述输出，预测所述生物样品来源于的动物的健康特性；以及向与所述动物相关联的用户呈现所述健康特性。2.根据权利要求1所述的方法，其进一步包括鉴于所述健康特性为所述动物提供治疗。3.根据权利要求2所述的方法，其中所述治疗包含用于所述动物的定制健康计划。4.根据权利要求3所述的方法，其中所述定制健康计划包含行为改变和饮食改变中的一者或多者。5.根据权利要求3所述的方法，其中所述定制健康计划包含关于饮食、睡眠、锻炼和活动中的一者或多者的推荐。6.根据权利要求2所述的方法，其中所述治疗包含食物、补充剂和药物中的一者或多者。7.根据权利要求2所述的方法，其中所述治疗包含用于所述动物的个性化饮食补充剂。8.根据权利要求7所述的方法，其中所述个性化饮食补充剂包含预定量的益生菌、益生元、消化酶、抗炎剂、天然提取物、维生素、矿物质、氨基酸、短链脂肪酸、油和调配剂中的一者或多者。9.根据权利要求8所述的方法，其中所述个性化膳食补充剂包含榆树皮粉和药蜀葵根粉中的一者或多者。10.根据权利要求2所述的方法，其进一步包括鉴于参考数据库分析所述健康特性以确定所述治疗。11.根据权利要求1所述的方法，其进一步包括为所述动物提供包含所述健康特性的报告。12.根据权利要求1所述的方法，其中向所述用户提供伴随所述健康特性的描述符。13.根据权利要求1所述的方法，其中鉴于所述健康特性向所述用户提供警报。14.根据权利要求1所述的方法，其中所述等级将所述粘液量识别为不存在、低或高之一。15.根据权利要求1所述的方法，其中所述模型的输出进一步包含对应于存在于所述一个或多个感兴趣区域中的粘液的不透明度的一个或多个标签。16.根据权利要求1所述的方法，其中所述模型的输出进一步包含对应于存在于所述一个或多个感兴趣区域中的粘液的厚度的一个或多个标签。17.根据权利要求1所述的方法，其中所述模型的输出进一步包含对应于所述一个或多个感兴趣区域中被粘液占据的表面积的一个或多个标签。18.根据权利要求1所述的方法，其中所述模型的输出进一步包含对应于存在于所述一个或多个感兴趣区域中的粘液的颜色的一个或多个标签。
19.根据权利要求1所述的方法，其中所述模型的输出进一步包含对应于存在于所述一个或多个感兴趣区域中的粘液的微生物含量估计值的一个或多个标签。20.根据权利要求1所述的方法，其中所述模型的输出进一步包含对应于所述动物中的细菌和皮质醇中的一者或多者的水平估计值的一个或多个标签。21.根据权利要求1所述的方法，其中所述模型的输出进一步包含对应于血液和病原体中的一者或多者的检测的一个或多个标签。22.根据权利要求1所述的方法，其中所述模型是卷积神经网络(cnn)模型。23.根据权利要求1所述的方法，其中所述生物样品是伴随粪便样品的粘液样品。24.根据权利要求23所述的方法，其进一步包括计算所述一个或多个感兴趣区域内的几何属性、质地属性和颜色属性中的一者或多者以识别所述粪便样品的一个或多个特征。25.根据权利要求24所述的方法，其进一步包括将第二模型应用于所述粪便样品的所述一个或多个特征，所述第二模型基于所述一个或多个特征预测所述动物的第二健康特性。26.根据权利要求25所述的方法，其进一步包括鉴于所述健康特性和所述第二健康特性的组合提供治疗。27.根据权利要求25所述的方法，其中所述第二健康特性包含布里斯托尔粪便量表(bristolstoolscale)上的分类。28.根据权利要求25所述的方法，其中所述第二模型包含机器学习模型和概率模型中的一者或多者。29.根据权利要求25所述的方法，其中所述粪便样品的所述一个或多个特征包含颜色、质地、二进制数的数量、面积、周长、圆度、质量、偏心率、长轴、短轴、粘度、稠度、含水量、硬度、范围、等效直径、镜面反射性、相干性、反射率、扩散性和非粪便物质的存在中的至少一者。30.根据权利要求1所述的方法，其中所述图像包含元数据。31.根据权利要求30所述的方法，其中所述元数据包含时间、日期和地理位置中的一者或多者。32.根据权利要求1所述的方法，其中所述图像存储在远程数据库中。33.根据权利要求32所述的方法，其中接收所述图像包含从所述远程数据库中检索所述图像。34.根据权利要求1所述的方法，其进一步包括接收与所述图像相关联的元数据。35.根据权利要求34所述的方法，其中所述元数据包含与健康、行为、当前饮食、补充剂、药物、种族信息、品种、所述动物的重量、所述生物样品的重量、dna基因测序和所述动物的大小中的一者或多者相关的问卷调查响应。36.根据权利要求34所述的方法，其中所述元数据包含地理定位信息和生理信息中的一者或多者。37.根据权利要求34所述的方法，其中所述元数据包含基本事实属性。38.根据权利要求34所述的方法，其中所述元数据包含历史数据。39.根据权利要求1所述的方法，其中所述生物样品包含痰、鼻涕、尿液、呕吐物、胆汁、血液、阴道排出物、精液和其它生物排出物中的一者或多者。
40.根据权利要求1所述的方法，其中提取所述一个或多个感兴趣区域包含至少部分由所述模型执行的所述图像的分割。41.根据权利要求1所述的方法，其中提取所述一个或多个感兴趣区域包含所述图像的自动分割。42.根据权利要求41所述的方法，其中所述自动分割包含利用使用深度学习的一个或多个语义分割模型。43.根据权利要求1所述的方法，其进一步包括使所述一个或多个感兴趣区域归一化以解决图像可变性，由此创建归一化的图像以进行另外的标准化分析。44.根据权利要求43所述的方法，其中使所述一个或多个感兴趣区域归一化考虑了在捕获所述图像中使用的一个或多个图像获取设置。45.根据权利要求44所述的方法，其中所述一个或多个图像获取设置包含焦距、颜色设置、照明设置和放大率中的一者或多者。46.根据权利要求1所述的方法，其中使所述一个或多个感兴趣区域归一化包含调整所述一个或多个感兴趣区域的大小。47.根据权利要求1所述的方法，其进一步包括鉴于参考数据库分析所述模型的所述输出以确定所述健康特性和治疗中的一者或多者。48.根据权利要求47所述的方法，其中所述参考数据库是包含来自其它生物样品分析的数据的历史数据库。49.根据权利要求48所述的方法，其中所述其它生物样品中的至少一种其它生物样品来自所述动物。50.根据权利要求48所述的方法，其中所述其它生物样品来自与所述生物样品来源于的所述动物不同的动物。51.根据权利要求1所述的方法，其中所述图像进一步包含其上具有标记的静止表面，所述标记包含已知大小、已知形状和已知颜色中的一者或多者，并且其中所述标记被所述模型用于分析所述生物样品。52.一种用于分析生物样品图像以提供动物的健康评估的计算机程序产品，所述计算机程序产品包括在非暂态计算机可读介质中实施的计算机可执行代码，当在一个或多个计算装置上执行时，所述计算机可执行代码执行以下步骤：接收图像，所述图像包含含有粘液的生物样品；识别和提取所述图像内的一个或多个感兴趣区域以供进一步分析；将模型应用于所述一个或多个感兴趣区域以识别其中的一种或多种粘液状况，所述模型使用具有不同粘液状况的多个图像进行训练，其中所述模型的输出至少包含对应于存在于所述一个或多个感兴趣区域中的粘液量的等级；至少部分基于所述模型的所述输出，预测所述生物样品来源于的动物的健康特性；以及向与所述动物相关联的用户呈现所述健康特性。53.一种用于分析生物样品图像以提供动物的健康评估的系统，所述系统包括：数据网络；耦接到所述数据网络的用户装置；以及
远程计算资源，所述远程计算资源耦接到所述数据网络并且可由所述用户装置通过所述数据网络访问，所述远程计算资源包含处理器和存储器，所述存储器存储可由所述处理器执行以执行以下步骤的代码：通过所述数据网络从所述用户装置接收图像，所述图像包含含有粘液的生物样品；识别和提取所述图像内的一个或多个感兴趣区域以供进一步分析；将模型应用于所述一个或多个感兴趣区域以识别其中的一种或多种粘液状况，所述模型使用具有不同粘液状况的多个图像进行训练，其中所述模型的输出至少包含对应于存在于所述一个或多个感兴趣区域中的粘液量的等级；至少部分基于所述模型的所述输出，预测所述生物样品来源于的动物的健康特性；以及在所述用户装置上呈现所述健康特性。54.根据权利要求53所述的系统，其中所述代码进一步执行鉴于所述健康特性而通过所述数据网络向所述用户装置传输治疗的步骤。55.一种为动物调配个性化产品的方法，所述方法包括：接收图像，所述图像包含含有粘液的生物样品；将模型应用于所述图像以识别其中的一种或多种粘液状况，所述模型使用具有不同粘液状况的多个图像进行训练，其中所述模型的输出至少包含对应于存在的粘液量的等级；以及至少部分基于所述模型的所述输出，为所述生物样品来源于的动物选择个性化产品的一种或多种成分。56.根据权利要求55所述的方法，其进一步包括：组合所述一种或多种成分以形成所述个性化产品；包装所述个性化产品；以及将所述个性化产品分配给所述动物和与所述动物相关联的用户中的一者或多者。57.根据权利要求56所述的方法，其进一步包括为所述动物投配所述个性化产品。58.根据权利要求55所述的方法，其中所述个性化产品包含个性化饮食产品。59.根据权利要求58所述的方法，其中所述个性化饮食产品包含食物、补充剂和药物中的一者或多者。60.根据权利要求55所述的方法，其中所述个性化产品包含美容产品、洗发剂、护发剂、乳液、乳霜、药物、滴耳剂、滴眼剂、局部用物质、牙膏和口腔冲洗剂中的一者或多者。61.一种个性化产品，其包括从生物样品中的粘液的基于计算机的分析得出的一种或多种成分，所述生物样品中的所述粘液从应用于包含所述生物样品的图像的模型提取。62.根据权利要求61所述的个性化产品，其中所述生物样品是粪便，并且其中所述个性化产品包含个性化饮食产品。63.根据权利要求62所述的个性化产品，其中所述一种或多种成分包含预定量的益生菌、益生元、消化酶、抗炎剂、天然提取物、维生素、矿物质、氨基酸、短链脂肪酸、油和调配剂中的一者或多者。64.一种方法，其包括：接收含有不同粘液量的生物样品的多个图像；
分析生物样品的所述多个图像；为所述多个图像中的每个图像分配与其中含有的生物样品上存在的粘液量相关联的多个等级之一；创建包含所述多个等级中的每个等级的量表；以及将所述量表输入到被编程为对输入图像执行图像分析的模型中，其中所述图像分析中的所述模型的输出是所述多个等级之一。65.根据权利要求64所述的方法，其进一步包括将所述输入图像输入到所述模型中，并且接收包含所述输入图像的所述多个等级之一的所述输出。66.根据权利要求65所述的方法，其进一步包括通过检查所述输出并且在所述输出与预期输出不匹配时调整所述模型来训练所述模型。67.根据权利要求64所述的方法，其中所述多个图像中的所述生物样品各自包含粪便样品。68.根据权利要求64所述的方法，其中所述不同粘液量的范围为从不存在粘液到定义为占据生物样品的25％以上的大量粘液。69.根据权利要求64所述的方法，其中所述多个等级至少对应于第一状况、第二状况以及第三状况，在所述第一状况下，在所述多个图像中的至少一个图像中未从生物样品中检测到粘液，在所述第二状况下，粘液被检测到但在所述多个图像中的至少一个图像中占据小于预定量的生物样品，所述第三状况具有在所述多个图像中的至少一个图像中占据多于所述预定量的生物样品的粘液。70.根据权利要求69所述的方法，其中所述第一状况包含
‘
不存在的’等级，所述第二状况包含
‘
低’等级，并且所述第三状况包含
‘
高’等级。71.根据权利要求69所述的方法，其中所述预定量是所述生物样品的25％的涂层。72.根据权利要求69所述的方法，其中所述预定量是所述生物样品的50％的涂层。73.根据权利要求64所述的方法，其中所述多个等级中的等级考虑了粘液的不透明度、粘液的厚度、粘液占据的表面积、粘液的颜色、粘液的微生物含量估计值、动物中的皮质醇水平估计值以及粘液中的细菌水平估计值中的一者或多者。74.根据权利要求64所述的方法，其进一步包括：接收包含第一生物样品的第一图像；识别和提取所述第一图像内的一个或多个感兴趣区域以供进一步分析；将所述模型应用于所述一个或多个感兴趣区域以识别其中的一种或多种粘液状况；接收针对所述第一图像的所述模型的输出，所述输出至少包含所述多个等级中的第一等级；至少部分基于所述第一等级，预测所述第一生物样品来源于的动物的健康特性；以及向与所述动物相关联的用户呈现所述健康特性。75.根据权利要求75所述的方法，其进一步包括鉴于所述健康特性和所述第一等级中的一者或多者为所述动物提供治疗。

技术总结
本发明的教导内容总体上包含用于使用(例如，如粘液等渗出物的样品的)图像分析作为生物样本的传统实验室分析的补充、替代或替换来表征动物的健康(例如，胃肠健康)的技术。本发明的教导内容可以进一步包含用于使健康和保健计划(包含但不限于饮食补充剂，如基于健康评估的定制配方)个性化的技术，其中此类计划可以基于本文所描述的健康表征技术中的一种或多种健康表征技术。本发明的教导内容还可以包含或替代地包含用于例如通过以循环方式执行健康表征和健康计划技术来对动物进行连续照看的技术或计划。还可以或替代地使用本发明的教导内容来创建个性化补充系统(例如，使用个性化补充剂、个性化投配装置和个性化包装)。个性化投配装置和个性化包装)。个性化投配装置和个性化包装)。


技术研发人员：塔拉
受保护的技术使用者：迪格实验室公司
技术研发日：2021.01.28
技术公布日：2023/9/7