CN101512567B - 从确定性模型中导出概率模型的方法和装置 - Google Patents

从确定性模型中导出概率模型的方法和装置 Download PDF

Info

Publication number
CN101512567B
CN101512567B CN200780031940.5A CN200780031940A CN101512567B CN 101512567 B CN101512567 B CN 101512567B CN 200780031940 A CN200780031940 A CN 200780031940A CN 101512567 B CN101512567 B CN 101512567B
Authority
CN
China
Prior art keywords
variable
probability model
deterministic models
data
learning algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN200780031940.5A
Other languages
English (en)
Other versions
CN101512567A (zh
Inventor
N·W·什巴特
K·范佐恩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN101512567A publication Critical patent/CN101512567A/zh
Application granted granted Critical
Publication of CN101512567B publication Critical patent/CN101512567B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

一种动态贝叶斯网络，提供用于提供患者数据的仿真的模型。

Description

从确定性模型中导出概率模型的方法和装置
相关申请的交叉参考
本申请涉及同时提交的标题为“DYNMAMIC BYASIAN NETWORKFOR EMULATING CARDIOVASCULAR FUNCTION”的美国专利申请(代理案卷号US006844)。在此以引用的方式将所述申请的公开具体合并入本发明。
动态系统的建模可以用于预测结果或效果。一种类型的建模已知为确定性建模。在确定性建模中，确定针对动态系统的变量。模型的普遍用途为预测实际系统的未来行为。可以对参数进行调谐以建立表示具体系统的通用模型。一旦设定模型的参数，确定性模型将生成感兴趣变量的准确值，而概率模型将生成这些具有某些值的变量的概率。
另一种类型的模型为概率模型。然而根据定义，概率解不如确定性解精确。概率模型的一个重要优势在于其处理丢失的和不确定的输入变量的固有能力。概率模型的概率内在地反映其变量的不确定性，因此输入变量的不准确性并不会在很大程度上影响输出变量的概率分布。同样，当输入变量丢失时，其概率分布仍然是已知的，并可以利用所述概率分布计算输出变量的概率分布。
现在所需要的是一种克服至少上述缺点的建模的方法和装置。
在典型实施例中，用于从确定性模型导出概率模型的系统包括：有效的确定性模型(VDM)；以及用于接收来自VDM的数据并生成概率模型的机器学习算法(MLA)。
在另一典型实施例中，一种用于从确定性模型导出概率模型的方法，包括：使用有效的确定性模型(VDM)对生理系统进行建模，所述VDM包括表示生理系统状态的变量；以及使用机器学习算法(MLA)接收来自所述VDM的数据，并生成所述概率模型，其中，所述概率模型接收输入变量，并且在配置过程中提供输出变量。
在另一典型实施例中，一种用于对人体内的变量进行仿真的系统，包括：用于提供患者数据的有效的确定性模型(VDM)；以及用于接收来自VDM的患者数据并生成概率模型的机器学习算法(MLA)。为概率模型提供输入变量以提供仿真变量。
在另一典型实施例中，一种用于对人体内的变量进行仿真的方法，包括：使用有效的确定性模型(VDM)提供患者数据，所述VDM对生理系统进行建模，并包括表示生理系统状态的变量；使用机器学习算法(MLA)接收来自所述VDM的患者数据，并生成所述概率模型，其中，将输入变量提供给所述概率模型以提供所述仿真变量。
图1为根据典型实施例从确定性模型中导出概率模型的系统的概念表示；
图2为表示根据典型实施例建立动态贝叶斯网络(DBN)的流程图；
图3为表示根据典型实施例的DBN配置的流程图；
图4为根据典型实施例利用DBN对患者数据进行仿真的系统的概念表示。
在下面的详细描述中，用于描述而不是限制，提出公开具体细节的示例性实施例，以提供对本教导的深入理解。另外，为了防止混淆对于示例性实施例的描述，省略了对公知的设备、硬件、软件、固件、方法和系统的描述。虽然如此，根据示例性实施例，可以利用属于本领域普通技术人员的范围之内的这样的硬件、软件、固件、设备、方法和系统。此外，无论用于何处，相同的附图标记表示相同的特征。
下述详细描述提出了一种方法，将所述方法实现为在配置有数据采集卡等的计算机可读介质、相关处理器、微处理器、通用个人计算机、制造装备中的数据位运算的例程和符号表示。通常，认为此处的方法为引起期望结果的一系列步骤或动作，并且同样地，其包括本领域中诸如“例程”、“程序”、“对象”、“函数”、“子程序”和“步骤”的这样的术语。
在人体心血管系统的测试的实现中对示例性实施例的装置和方法进行描述。应该强调的是这一描述仅为示例性的；并且强调该装置和方法可以在其他建模环境中实现。例如，本领域的普通技术人员在阅读了本教导之后，可以利用该教导测试其他生理系统。此外，为了治疗动物，还可以将该装置和方法用于兽医试验中。
图1为根据典型实施例从确定性模型中导出概率模型的系统100的概念表示。系统100包括有效的确定性模型(VDM)101，其表示(一个或多个)实际系统102。如所示出的，VDM 101储存参数103。VDM 101的输出为数据集104，将所述数据集104提供给机器学习算法105。算法105利用数据104和领域专业知识106经由机器学习算法(MLA)生成概率模型107。概率模型107接收输入变量108，并生成输出变量。由此，利用确定性模型101导出概率模型107。
在典型实施例中，利用系统100对人体内的某些生理变量进行仿真。例如，由系统100对心血管系统(CV)进行建模以对诸如心输出量的通常介入变量进行仿真。再次强调这仅仅是系统100示例性的应用。
VDM 101为示例性的DBN。可以从常微分方程(ODE)组中导出这样的网络，也可以例如在J.Hulst的“Modeling Physiological Processes usingDynamic Bayesian Networks”(Thesis in Partial Fulfillment for theRequirements of Master of Science Degree at the University of Pittsburgh(2006))中所描述的，将所述公开以具体引用的方式合并入本发明。此外，可以用MatLab或其他商用软件来表示该模型的ODEs。
实际系统102为生理系统。从能够影响受检功能的若干变量中选择变量。例如，在对心血管系统进行建模的示例性实施例中，输出为心脏的射血分数(EF)，将最直接影响EF的变量提供给VDM。
如所提到的，参数103进一步定义了变量。参数通常为影响变量的控制值。变量由模型方程或规则进行求解，并且表示可以随时间变化的系统状态。作为示例，在心血管系统中，血管顺应性为参数；而主动脉血压和流量为变量。
这些参数103可以为例如VDM的微分方程的系数。通常，参数103涉及所使用的确定性模型中的不同变量的相互关系(例如，权重)。在某些实施例中，这些参数可以例如基于来自一类患者的临床数据，或者基于特定变量(由于该特定变量与医学状况相关)的严重性。
VDM 101提供数据用于MLA 105中。这些数据为从模型获取的确定性数据，用于预期变量的概率计算。正如此处可以理解的和更充分描述的，为了更一般或更全面地确定变量或变量集的概率，所提供的数据的量越大，结果越准确。此外，与能够直接从概率模型获取相比，数据104提供更高的可靠程度。
领域专业知识106包括诸如由所模拟的实际系统领域的例如医生的专家所提供的知识。特别地，可以利用这些专业知识定义诸如在交叉参考申请中所描述的模型的节点及其相互关系。还可以利用这些专业知识建立概率模型的参数的数值。但是如从文献中可以知道的，这样既花费时间又容易引起误差。因此，本发明提出借助于MLA从由VDM提供的数据中得到这些数值参数。
MLA 108由数据生成概率模型107。例如，MLA 108可以为如在Hulst的参考论文中所描述的，也可以为美国宾夕法尼亚州匹兹堡大学的GeNIe工具的学习算法。
图2为表示根据典型实施例建立动态贝叶斯网络(DBN)的流程图。典型实施例的某些细节如连同图1一起描述的，因此不再重复。在步骤201中提供从例如医生那里得到的生理知识。利用该知识提供DBN结构。还可以利用该知识提供DBN参数(A)。然而有益地，这些参数可以经由机器学习算法108导出，而不是从由VDM 101提供的患者数据中导出。注意到可以将后者(B)与前者(A)结合，这对本领域技术人员来说是已知的。此外，可以为全体患者一次性建立参数A，或者为多个分类的患者多次建立参数A。后者允许将DBN用于不同类型的患者，例如，具有各种心血管病变的患者。最终，将DBN提供为(例如)表示变量的文件，并由参数定义它们的概率关系以及这些关系的强度。
图3为表示根据典型实施例的DBN配置的流程图。由于图1和2的系统和方法的某些细节与当前所述的配置相同，为了防止混淆当前描述，省略了这些细节。
如301所示，在当前的示例性实施例中，将从ICU中的患者测得的数据提供给概率模型。此外，可以提供表示当前患者类型(或分类)的参数，例如，表示该患者以前是否患过心肌梗塞的参数。概率模型109接收这些数据，选择针对DBN模型的适当参数分类，并且经由该模型根据患者分类对患者进行仿真。例如，可以对射血分数或心输出量进行仿真。之后经由图表或其它形式将所仿真的数据提供给医护人员。
图4为实现上述概念从而为医生或其他医护人员提供患者仿真的系统。由于图1和2的系统和方法的某些细节与当前所述的配置相同，为了防止混淆当前描述，省略了这些细节。
在输入侧，经由图形用户界面(GUI)或其他适合的界面机制，提供针对特定患者的参数。这些数据可以包括诸如心率和血压的患者具体数据，以及患者分类数据和其他类似数据。利用这些数据和例如在文件中表示的DBN文件，DBN推理机(inference engine)计算期望数据。
可以对由DBN推理机提供的输出概率进行后处理以适于提供给用户。这可以经由提供图表、表格等的标准软件实现。最后，另一个GUI以医护人员预备使用的形式提供输出。
虽然在此公开了典型实施例，还可能存在许多位于本发明的构思和范围内的变形。本领域普通技术人员在阅读说明书、附图和权利要求以后，这些变形将变得明显。因此本发明仅局限于权利要求的精神和范围。

Claims (4)

1.一种用于从确定性模型导出概率模型的方法，包括：
使用有效的确定性模型对生理系统进行建模，所述有效的确定性模型包括表示随时间变化的生理系统状态的变量；以及
使用机器学习算法接收来自所述有效的确定性模型的数据，并生成所述概率模型，其中，所述概率模型接收输入变量，并且在配置过程中提供输出变量。
2.一种用于对人体内的变量进行仿真的方法，包括：
使用有效的确定性模型提供患者数据，所述有效的确定性模型对生理系统进行建模，并包括表示随时间变化的生理系统状态的变量；
使用机器学习算法接收来自所述有效的确定性模型的患者数据，并生成概率模型，其中，将输入变量提供给所述概率模型以提供仿真变量。
3.如权利要求2所述的方法，其中，提供给所述概率模型的所述输入变量为所测的患者数据。
4.如权利要求2所述的方法，其中，所述机器学习算法接收领域专业知识。
CN200780031940.5A 2006-08-28 2007-08-28 从确定性模型中导出概率模型的方法和装置 Active CN101512567B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US82371606P 2006-08-28 2006-08-28
US60/823,716 2006-08-28
PCT/IB2007/053460 WO2008026167A2 (en) 2006-08-28 2007-08-28 Method and apparatus for deriving probabilistic models from deterministic ones

Publications (2)

Publication Number Publication Date
CN101512567A CN101512567A (zh) 2009-08-19
CN101512567B true CN101512567B (zh) 2015-04-22

Family

ID=38983247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200780031940.5A Active CN101512567B (zh) 2006-08-28 2007-08-28 从确定性模型中导出概率模型的方法和装置

Country Status (6)

Country Link
US (1) US8751416B2 (zh)
EP (1) EP2059894A2 (zh)
JP (1) JP5291625B2 (zh)
CN (1) CN101512567B (zh)
RU (1) RU2468432C2 (zh)
WO (1) WO2008026167A2 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5668090B2 (ja) * 2013-01-09 2015-02-12 キヤノン株式会社 医療診断支援装置及び医療診断支援方法
JP7395169B2 (ja) * 2017-11-14 2023-12-11 慶應義塾 時系列データ生成装置及びプログラム
US11907300B2 (en) * 2019-07-17 2024-02-20 Schlumberger Technology Corporation Geologic formation operations relational framework
US20230102152A1 (en) * 2021-09-24 2023-03-30 International Business Machines Corporation Automatic detection of changes in data set relations

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1714371A (zh) * 2002-11-19 2005-12-28 Gni美国公司 根据时间序列基因表达数据的基因网络的非线性模拟
CN1750030A (zh) * 2005-10-25 2006-03-22 二六三网络通信股份有限公司 一种过滤垃圾邮件的方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2216270C1 (ru) * 2002-03-20 2003-11-20 Государственный научно-клинический центр охраны здоровья шахтеров Способ диагностики гипертрофии правого желудочка сердца у больных хроническим обструктивным бронхитом
JP2005108183A (ja) * 2003-09-12 2005-04-21 Takashi Matsumoto タンパク質の膜貫通領域の数または位置の予測装置、予測方法及びコンピュータプログラム
US7480640B1 (en) * 2003-12-16 2009-01-20 Quantum Leap Research, Inc. Automated method and system for generating models from data
US7698055B2 (en) * 2004-11-16 2010-04-13 Microsoft Corporation Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data
JP4795681B2 (ja) * 2004-12-27 2011-10-19 富士フイルム株式会社 診断支援装置、診断支援方法およびそのプログラム
US7406453B2 (en) * 2005-11-04 2008-07-29 Microsoft Corporation Large-scale information collection and mining

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1714371A (zh) * 2002-11-19 2005-12-28 Gni美国公司 根据时间序列基因表达数据的基因网络的非线性模拟
CN1750030A (zh) * 2005-10-25 2006-03-22 二六三网络通信股份有限公司 一种过滤垃圾邮件的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Bayesian probabilistic extensions of a deterministic classification model;IWIN LEENEN;《COMPUTATIONAL STATISTICS》;20001231;第355-372页 *
FRIEDMAN N ET AL.leaning the structure of dunamic probabilistic networks.《UNCERTAINTY IN ARTIFICIAL INTELLIGENCE》.1998,139-147. *

Also Published As

Publication number Publication date
CN101512567A (zh) 2009-08-19
WO2008026167A2 (en) 2008-03-06
RU2468432C2 (ru) 2012-11-27
JP5291625B2 (ja) 2013-09-18
US8751416B2 (en) 2014-06-10
US20100017349A1 (en) 2010-01-21
RU2009111227A (ru) 2010-10-10
JP2010503058A (ja) 2010-01-28
WO2008026167A3 (en) 2008-11-06
EP2059894A2 (en) 2009-05-20

Similar Documents

Publication Publication Date Title
Ambekar et al. Disease risk prediction by using convolutional neural network
Papageorgiou et al. Multi-step prediction of pulmonary infection with the use of evolutionary fuzzy cognitive maps
US20210304891A1 (en) Generating Computer Models from Implicitly Relevant Feature Sets
KR20110090919A (ko) 위험 평가 및 진단을 위해 적용된 복잡성 과학 및 전문 지식을 사용한 의료 데이터의 자동 관리
KR20110120962A (ko) 포인트-어브-케어 인액티브 의료 시스템 및 방법
KR20210113336A (ko) 머신 러닝에 기반한 타깃 객체 속성 예측 방법 및 관련 디바이스
CN113362931B (zh) 基于知识图谱的归因分析方法、装置和系统
CN101512567B (zh) 从确定性模型中导出概率模型的方法和装置
Carson et al. Artificial intelligence approaches to predict coronary stenosis severity using non-invasive fractional flow reserve
CN112542242A (zh) 数据转换/症状评分
KR102421172B1 (ko) 앙상블 딥러닝과 형상 융합 기반 심장병 예측을 위한 스마트 헬스케어 모니터링 방법 및 시스템
Huynh et al. Probabilistic domain-knowledge modeling of disorder pathogenesis for dynamics forecasting of acute onset
Saleh et al. Diabetic retinopathy risk estimation using fuzzy rules on electronic health record data
KR102049829B1 (ko) 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치
Priyanga et al. The role of data mining-based cancer prediction System (DMBCPS) in cancer awareness
Echtermeyer et al. Causal pattern recovery from neural spike train data using the Snap Shot Score
Homayounfar et al. Data mining research trends in computerized patient records
Khambampati et al. CureNet: Improving Explainability of AI Diagnosis Using Custom Large Language Models
Khandelwal et al. Early Prediction of Cardiovascular Disease Using Machine Learning Algorithms
Naren et al. Menstrual Cycles Prediction using Artificial Neural Network
Chaturvedi et al. Questionnaire-Based Prediction of Hypertension Using Machine Learning
Chan et al. A hypoglycemic episode diagnosis system based on neural networks for Type 1 diabetes mellitus
Kriksciuniene et al. Discovering Healthcare Data Patterns by Artificial Intelligence Methods
Tang et al. Smart healthcare systems: A new IoT-Fog based disease diagnosis framework for smart healthcare projects
Sivan Pillai et al. Comprehensive interpretation model for heart disease prediction

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant