CN101903883A - 用于基于病例的决策支持的方法和装置 - Google Patents

Abstract

本发明涉及一种用于基于病例的决策支持的方法和装置。本发明提出在来自若干放射科医师的输入上训练基于病例的决策支持系统，以具有“基线”系统，然后系统为放射科医师提供选项来基于他/她的输入细化基线系统，输入直接细化用于相似性距离计算的特征权重或提供新的相似性基础事实集群。通过实现基于用户输入修改相似性距离计算，本发明针对具有不同经验和/或不同看法的不同用户调整相似性基础事实。

Description

用于基于病例的决策支持的方法和装置

技术领域

本发明涉及基于病例的决策支持，更具体而言涉及一种用于个人化基于病例的决策支持中的方法和装置，例如用于在诸如计算机辅助诊断(CADx)的医疗应用中的方法和装置。

背景技术

放射科医师必须要阅读很多由计算机断层摄影(CT)、X射线、磁共振成像(MRI)、超声、正电子发射断层摄影(PET)等产生的扫描图像。这可能对放射科医师造成“信息过载”。另一方面，放射科医师可能会对扫描有错误解释，从而导致治疗延迟或不必要的活组织检查。信息过载潜在地会加重这个问题。因此，在这种情况下，越来越多的利用诸如计算机辅助诊断方案的决策支持系统以改善工作流程和患者结果。

计算机辅助诊断系统的背景是临床医生凭经验参考他们以前看过的病例获取知识。决策支持系统能够辅助临床医师对例如肺癌CT扫描做出诊断的一种方式是提供先前已确诊且相似于新图像的图像。可以由CT或任何其他器械，例如X射线、磁共振成像(MRI)、超声、正电子发射断层摄影(PET)等产生扫描。基于实例(即基于病例)的范式是，从先前病例数据库检索具有已知诊断的结节并将其提供给放射科医师。这是基于实例的CADx系统的基本前提。

Koninkliike Philips Electronics N.V提交的题为“Clinician-drivenexample-based computer-aided diagnosis”、申请号为IB2007/052307且尚未公开的WO专利申请描述了一种用于优化临床医师驱动的基于实例的计算机辅助诊断系统的方法和装置。根据该WO专利申请，通过根据对相似性的主观评估将数据库中的感兴趣体积(VOI)群集到各自的集群中来完成基于实例(即基于病例)的诊断优化。然后选择感兴趣体积特征的最佳集合来提取实例，从而使基于所选特征，相似性的客观评估在特征空间中对数据库的VOI进行群集，以便与基于主观的群集相一致。将提取的实例与要诊断的VOI并排显示，以供临床医师比较。

发明内容

迄今为止，对于大部分现有基于病例的决策支持系统而言，例如对于CADx系统而言，假设对于一位放射科医师而言相似的内容对于另一位放射科医师也是相似的。然而，由于相似性是非常主观的，因此可能在不同物理师之间，甚至是具有相同经验水平的物理师之间都可能是不同的。因此，需要开发对于每个用户而言个人化的用于检索的可靠相似性度量。找到相似性的问题与建立相似性基础事实(ground truth)的问题相关。在决策支持中，术语“基础事实”通常描述理想系统会返回的“正确答案”。例如，在估计肺结节是良性还是恶性的计算机辅助诊断系统中，用于数据集的基础事实是针对每种肺结节经临床验证的诊断：它是良性的，或它是恶性的，常常通过活检样本和组织病理学分析证实的。与针对恶性或良性的基础事实不同，相似性基础事实是模糊的，并不是非黑即白的，且对于每个用户而言是不同的。不同放射科医师对于相似性可能有不同看法。于是，目标仍然是创建一种能够匹配基础事实的计算机系统；不过，基础事实自身并没有明确定义。相似性是高度主观的，且在用户间是变化的。例如，用户可能基于钢笔和圆珠笔都能写字而认为它们是相似的。然而，对于另一用户而言，它们是具有完全不同性质的两个非常不同的物体。

本文提出，在来自几位放射科医师的输入上训练基于病例的决策支持系统，以建立“基线”系统，然后系统向放射科医师提供选项，以基于他/她的输入来细化基线系统。使用这些输入来直接细化用于相似性距离计算的特征的权重或提供新的相似性基础事实集群，以便针对具有不同经验和/或不同看法的不同用户调整相似性距离计算。

因此，根据本发明的一个方面，提供了一种方法，包括如下步骤：

利用用于评估相似性的一组默认特征和权重执行输入病例和数据库中一组病例之间的相似性距离计算以检索相似病例；

向用户呈现所述相似病例和所述组默认特征和权重；

从所述用户接收输入，所述输入包括针对所述组默认特征中至少一个的经修改权重和/或除所述组默认特征之外的至少一个新特征；以及

利用一组新特征和权重修改所述相似性距离计算以检索对所述用户而言相似的病例。

通过实现特征权重的修改或包括用于相似性距离计算的新特征，所提出的方法直接改变了系统性能，于是针对具有不同经验和/或不同看法的不同用户调整了相似病例检索。

在实施例中，该方法还包括如下步骤：接收所述用户赋予若干病例用于相似性群集的输入评分；以及基于所述相似性群集产生一组新特征和权重以通过运行学习算法来修改相似性距离计算。

通过实现并入用户确定的变改后基础事实以及产生一组新特征和权重以修改相似性距离计算，所提出的方法间接改变了系统性能，于是能够针对具有不同经验和/或不同看法的不同用户调整相似性基础事实。

在另一实施例中，该方法还包括如下步骤：基于从一组用户收集的对于特征和权重的多个个人设置产生一组新特征和权重作为用于相似性距离计算的新基线。

通过这种方式，将新基线设置成特别针对一组用户，例如，特别针对医院。此外，评价每个用户的个人设置和新基线基础事实之间的差异以识别离群值。在无经验用户可能希望从有经验人那里学习的情况下，应当鼓励他们使用来自有经验者的设置。

根据本发明的另一方面，提供了一种装置，包括：

检索单元，其被布置成执行输入病例和一组病例之间的相似性距离计算，以利用用于评估相似性的一组默认特征和权重检索相似病例；

呈现单元，其被布置成向用户呈现所述相似病例和所述组默认特征和权重；

接收单元，其被布置成从所述用户接收输入，所述输入包括用于所述组默认特征中至少一个的经修改权重或除所述组默认特征之外的至少一个新特征；以及

修改单元，其被布置成利用一组新特征和/或权重修改相似性距离计算，以检索对用户而言相似的病例。

在实施例中，接收单元进一步被布置成接收所述用户赋予若干病例用于相似性群集的输入评分；并且所述修改单元被布置成基于所述相似性群集产生一组新特征和权重以通过运行学习算法来修改相似性距离计算。

本领域技术人员在当前描述的基础上能够执行所述的独立权利要求界定的本发明的修改及其变型，所述修改和变型对应于方法的修改及其变型。

附图说明

通过下文结合附图考虑的详细说明，本发明的上述和其他目的和特征将变得更显而易见，在附图中：

图1是提供了对根据本发明的方法的示范性实施例概况的流程图；

图2是示出了根据本发明的方法的细化过程示范性实施例的流程图；

图3是示出了根据本发明的装置300的示范性实施例的方框图；

在所有的附图中采用相同的附图标记表示相似的部分。

具体实施方式

图1是提供了根据本发明的方法一个实例概况的流程图。根据这种方法，首先在来自几位放射科医师的输入上对基于病例的决策支持系统进行训练，以建立“基线”系统(步骤100)。然后基于放射科医师的输入通过细化过程针对特定放射科医师调整系统(步骤101)。

可以通过系统中嵌入的培训模块，例如使用WO专利申请IB2007/052307中描述的方法，在产品开发期间或在医院安装期间进行基线训练。一旦针对“一般”人群训练了该系统，就确定了用于相似性距离计算的一组默认特征和权重。这些特征和权重用于对要诊断病例(即要查询病例)和数据库中病例之间的相似性做出客观评价。

在放射科医师首次登录到系统中时，他/她可以利用本发明提供的细化过程选择为他/她自己的使用个人化基本事实和相似性函数。相似性基本事实和相似性函数的细化基于放射科医师的输入，其可以直接修改特征的权重或提供新的相似性基础事实集群或两者的组合。基于多次迭代之后的基础事实和相似性函数，在放射科医师对检索结果满意时，细化过程停止，现在系统针对特定放射科医师得到个人化，该放射科医师将检索到如同放射科医师感受到的相关相似病例。

图2是示出了详细绘示细化过程，例如图1中的步骤101的示范性实施例的流程图。假设已经如上所述开发出并训练了基于病例的决策支持系统。根据图2，该方法包括从用户接收查询病例的步骤210，其中用户可以是放射科医师、物理师或新来的医生。

然后，该方法还包括在输入病例和数据库中一组病例之间进行相似性距离计算的步骤220。使用用于评估相似性的一组默认特征和权重来检索相似病例。

每个病例，即与医学主题相关联的图像和信息，都与表征该病例的一组特征相关联。这些特征可以包括诸如有效直径、圆度、对比度、平均灰度值、棱角性(angularity)、边缘、密度、像素标准偏差、径向梯度指数等特性。对于患者特定的临床数据，例如年龄、癌症历史等也可以构成特征。“一组默认特征”表示已经预先确定的特征类型列表，但对于每个病例都明确有与每个特征相关联的不同值。默认特征及其对应权重用于相似性距离计算，以客观评价查询病例和用户选择的数据库所存病例之间的相似性。在特征或权重变化时，即，在相似性距离计算变化时，系统性能，即检索结果将相应地变化。

可以从医院自己的包括以前在该医院评价、诊断或处置过的病例的数据库，从用户自己的包括被标记为由该特定用户诊断的病例的记录，或从包括用基线系统打包的病例的预选训练集，检索相似病例。用户查询的病例和从数据库检索的病例可以包括图像和/或文本。例如，用户查询的病例可以是有关诸如肺结节的医学主题的诊断图像(或一系列图像)，而检索的病例可以是已经被诊断为恶性或良性的肺结节。还可以为查询病例和检索结果增加文本，例如来自查询病例或检索病例的电子健康记录的信息。

该方法还包括步骤230，该步骤向用户呈现所述相似病例以及所述组默认特征和权重以供他/她主观评价，这些特征和权重用于相似性距离计算以客观评价查询病例和用户选择的数据库中病例之间的相似性。

该方法还包括从用户接收指示是否需要进一步调整的输入的步骤235。用户观察并评价检索到的相似病例并判断他/她是否希望细化基线系统。如果用户对检索结果满意(即，针对用户对相似性基础事实或相似性距离计算进行了充分调整)，那么系统就不需要进一步调整。否则，用户可以选择根据其需求调整系统。

该方法还包括步骤240，该步骤从用户接收输入，输入包括用于所述组默认特征中至少一个的经修改权重或除所述组默认特征之外的至少一个新特征。用户输入反映了用户的个人意见或对病例间相似性的偏爱。在实施例中，用户可以明白地修改默认特征和/或权重。例如，用户输入修改针对基线系统中现有特征权重的信息，或增加排除在基线系统之外的新特征，例如由于处置导致的肿瘤大小变化。

在备选实施例中，可以由训练会话暗中进行特征的修改。例如，系统可以接收变更后基础事实方面的输入：要被用户归类成与给定查询病例相似或不相似的一组不同病例，例如与基线系统中开始使用的病例不同的一组肺结节图像。或者，可以为用户提供一系列肺结节，他/她将评定哪个相似哪个不相似。用户还可以指示将从病例导出的哪些特征用于群集。通过这种方式，用户生成他/她优选的新相似性基础事实。

该方法还包括步骤250，该步骤利用一组新特征和权重修改相似性距离计算以检索对用户而言相似的病例。在由用户输入直接修改特征的权重或直接增加新特征时，将利用该组新特征和权重改变相似性距离计算，从而直接导致系统性能的变化。

在修改基础事实时，将基于来自用户的输入，即相似性群集，产生一组新特征和权重，以通过运行学习算法修改相似性函数。利用该组新特征和权重，相似性距离计算将会变化，从而间接导致系统性能的变化。

关于如何产生或选择一组新特征和权重的详细情况可以参考专利申请WO IB2007/052307中的描述，其中利用遗传算法(GA)来找到最佳特征空间，优选地，找到用于最佳特征空间中的最佳点到点相似性准则。要从可以从群集步骤中特征的主观排序导出其成员特征的特征池导出最佳特征空间。特征池可以更广地包含任何可提取的与数据库中的VOI相关的图像特征，或相关临床数据。仅仅相对于所用的点到点距离度量而言，候选相似性准则可以彼此不同。

每次通过在GA中繁殖而生成新染色体时，都评价染色体的适应度。由于每个染色体代表一组各自特征，优选代表各自的距离度量，并且由于在满足停止准则时选择最适应的染色体，因此可以将每次评估染色体适应度都视为迭代过程的迭代。然后，以迭代方式选择一组特征，优选为距离度量。

一旦改变了用于相似性函数的该组特征和权重，用户还可以利用查询病例查询该系统。查询病例可以是前一查询中使用的同一病例或由用户输入的新病例。在这种情况下，将使用反映用户的个人相似性基础事实，即用户对病例间相似性的意见的一组新特征和权重来执行相似性距离计算。在这种情况下，细化过程返回步骤S110以进一步查询。

根据接收的查询病例和一组更新的特征和权重，再次执行相似性距离计算，以评估查询的病例和数据库中病例之间的相似性，以便检索对于用户而言相似的病例。在使用新特征和权重进行相似性距离计算的情况下，为用户提供检索到的病例。用户可以再次查看并评估检索到的相似病例并判断是否需要进一步细化。如果用户仍然对检索结果不满意，他/她可以让系统再次执行细化过程。在细化过程迭代若干次后，用户可能对检索结果满意了，现在为用户细化或个人化系统。

一旦为用户调整了相似性基础事实，过程前进到步骤S155，在该步骤中用户保存设置，即更新的特征和权重，供将来之用。可以允许用户具有一组以上的个人化设置以供在不同应用领域中使用，允许用户设置标记以允许或限制访问其自己的设置以供其他用户使用，以及允许用户在需要时将其个人设置下载到其计算机。

有利的是，该方法的实施例允许所有检索到的病例实时变化，从而使得用户能够轻易地细调检索，并允许用户观看两组或更多组查询和检索结果，同时调节权重。此外，细化过程可以为有经验的用户提供额外的控制，例如，手工或半自动修改特征的权重。

在以上实施例中同样有利的是，该方法包括如下步骤：由用户对检索的病例数和他们意欲针对每个检索病例查看的数据或图像，即，意欲为他们提供什么临床信息进行个人化。在细化过程或使用系统期间中的任一点，用户可以通过指示在其使用系统时永不检索特定病例来进一步进行个人化，因为，例如用户已经得到结论，这是“不正常的”病例。

可以根据用户的判断，在用户第一次登录时或将来任何时候执行细化过程。例如，随着用户获得更多经验，可能希望改变个人化设置，即用于相似性距离计算的特征和权重。

在另一实施例中，该方法还包括步骤160，在该步骤中生成(260)一组新特征和权重作为相似性距离计算的新基线。产生一组新特征和权重的步骤基于从一组用户，例如医院中使用该系统的一组医生收集的对于特征和权重的多个个人设置。可以通过直接修改特征/权重明白地或通过训练会话暗中设置对于特征和权重的个人设置，可以将新基线设置成特别针对医院。

在评估步骤165中，计算新基线和每个用户的个人设置之间的差异以识别离群值。在无经验用户可能希望从有经验人那里学习的情况下，应当鼓励他们使用来自有经验者的设置。

可以利用软件或硬件或两者的组合来实施图1和2所示的以上方法。

图3是示出了根据本发明的个人化基于病例的决策支持装置300的示范性实施例的方框图。装置300包括：

检索单元310，其被布置成执行输入查询病例与来自数据库的一组病例之间的相似性距离计算，以利用用于评估相似性的默认组的特征和权重检索相似病例，即意图执行检索步骤220的功能；

呈现单元320，其被布置成向用户呈现所述相似病例和该组默认特征和权重，即，意图执行呈现步骤230的功能；

接收单元330，其被布置成于从用户接收输入，输入包括用于该组默认特征中至少一个的经修改权重或除该组默认特征之外的至少一个新特征，即意图执行接收步骤240的功能；以及

修改单元340，其被布置成利用用于检索对用户而言相似的病例的一组新特征和权重修改相似性距离计算，即，意图执行修改步骤250的功能。

装置300还可以包括数据库303和内部总线305，其中数据库303包括用于检索的病例，而内部总线305用于集中装置300中的单元。

在实施例中，接收单元330进一步被布置成接收用户赋予若干病例的用于相似性群集的输入评分，并进一步接收用户用来进行相似性群集的特征输入。

在另一实施例中，修改单元340被布置成基于相似性群集产生一组新特征和权重以通过运行学习算法来修改相似性距离计算。

在又一实施例中，装置300还包括控制单元345，其被布置成控制迭代步骤，在迭代步骤中利用一组更新的特征和权重进行相似性距离计算以检索对用户而言相似的病例。

在又一实施例中，装置300还包括评估单元350，其被布置成基于从一组用户收集的对于特征和权重的多个个人设置产生一组新特征和权重作为相似性距离计算的新基线。评估单元350进一步被布置成评估新基线和每个用户对于特征和权重的个人设置之间的差异，以识别离群值。

本领域的技术人员将认识到，可以利用其他功能，例如灵活的用户接口和验证控制来加强本发明。可以将本发明作为特征或独立的外加模块集成到放射医学信息产品或保健信息产品中。还可以将本发明实现为独立的基于病例的CADx工作站产品。

可以将本发明用于结合任何成像模态的计算机辅助诊断系统。具体而言，可以将本发明用于在放射科医师进行的诊断过程期间辅助诊断不同疾病或确认推测的诊断。其他应用包括教学、急诊诊断和基于病例的计算机辅助治疗管理。

应当注意，上述实施例旨在对本发明进行举例说明，而不是对其做出限制，并且本领域技术人员能够在不脱离权利要求的范围的情况下设计出备选的实施例。在权利要求中，不应当将任何放置在括号内的附图标记推断为限制所述权利要求。“包括”一词不排除权利要求或描述中未列举的元件或步骤。元件前的单数冠词不排除存在复数个这样的元件。可以由包括几个不同元件的硬件单元以及由程序控制计算机的单元实施本发明。在枚举了几个单元的装置权利要求中，可以由同一个硬件或软件项目实现这些单元中的几个。第一、第二和第三等词语的使用不表示任何顺序排列。可以将这些词语解释为名称。

Claims (15)

1.一种方法，包括如下步骤：

-执行(220)输入查询病例和一组病例之间的相似性距离计算，以利用用于评估相似性的一组默认特征和权重来检索相似病例；

-向用户呈现(230)所述相似病例以及所述组默认特征和权重；

-从所述用户接收(240)输入，所述输入包括针对所述组默认特征中至少一个的经修改权重和/或除所述组默认特征之外的至少一个新特征；以及

-利用一组新特征和权重修改(250)所述相似性距离计算以检索对所述用户而言相似的病例。

2.根据权利要求1所述的方法，还包括如下步骤：

-接收所述用户赋予若干病例以用于相似性群集的输入评分；

-基于所述相似性群集产生一组新特征和权重以通过运行学习算法来修改所述相似性距离计算。

3.根据权利要求2所述的方法，在所述产生的步骤之前，还包括如下步骤：接收所述用户用来进行所述相似性群集的特征输入。

4.根据权利要求2所述的方法，其中，所述学习算法为遗传算法。

5.根据权利要求1所述的方法，还包括如下步骤：从用户接收输入以把某一病历排除在检索到的对所述用户而言相似的病例之外。

6.根据权利要求1到5中任一项所述的方法，还包括如下迭代步骤：利用一组更新的特征和权重执行相似性距离计算，以检索对所述用户而言相似的病例。

7.根据权利要求6所述的方法，还包括如下步骤：基于从一组用户收集的对于特征和权重的多个个人设置产生(260)一组新特征和权重作为用于相似性距离计算的新基线。

8.根据权利要求7所述的方法，还包括如下步骤：评估(265)所述新基线和每个用户对于特征和权重的个人设置之间的差异以识别离群值。

9.根据权利要求1所述的方法，包括如下步骤：从数据库或从包括用所述基线系统打包的病例的预选训练集中选择病例，打包。

10.一种装置，包括：

检索单元(310)，其被布置成执行输入查询病例和一组病例之间的相似性距离计算，以利用用于评估相似性的一组默认特征和权重检索相似病例；

呈现单元(320)，其被布置成向用户呈现所述相似病例以及所述组默认特征和权重；

接收单元(330)，其被布置成从所述用户接收输入，所述输入包括针对所述组默认特征中至少一个的经修改权重或除所述组默认特征之外的至少一个新特征；以及

修改单元(340)，其被布置成通过提供新相似性基础事实而利用新一组特征和权重修改所述相似性距离计算以检索对所述用户而言相似的病例。

11.根据权利要求10所述的装置，其中，所述接收单元(330)进一步被布置成接收所述用户赋予若干病例以用于相似性群集的输入评分。

12.根据权利要求12所述的装置，其中，所述接收单元(330)进一步被布置成接收所述用户用来进行所述相似性群集的特征输入。

13.根据权利要求12所述的装置，其中，所述修改单元(340)被布置成基于所述相似性群集产生一组新特征和权重以通过运行学习算法来修改所述相似性距离计算。

14.根据权利要求10到13中任一项所述的装置，还包括控制单元(345)，其被布置成控制迭代步骤，在所述迭代步骤中利用一组更新的特征和权重执行相似性距离计算以检索对所述用户而言相似的病例。

15.根据权利要求14所述的装置，还包括评估单元(350)，其被布置成基于从一组用户收集的对于特征和权重的多个个人设置产生一组新特征和权重作为用于相似性距离计算的新基线。

Images