CN106529117B - 用于治疗规划的生理驱动决策支持 - Google Patents
用于治疗规划的生理驱动决策支持 Download PDFInfo
- Publication number
- CN106529117B CN106529117B CN201610813875.2A CN201610813875A CN106529117B CN 106529117 B CN106529117 B CN 106529117B CN 201610813875 A CN201610813875 A CN 201610813875A CN 106529117 B CN106529117 B CN 106529117B
- Authority
- CN
- China
- Prior art keywords
- patient
- therapy
- processor
- treatment
- patient information
- 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
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- G06F19/34—
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Robotics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
用于治疗规划的生理驱动决策支持。对患者生理和各种治疗选项使用计算模型,决策支持系统呈现一定范围的预测结果以帮助规划治疗。该模型在各种实验中被用于许多治疗选项以确定最佳方法。
Description
背景技术
本实施例涉及用于治疗规划的决策支持。在治疗规划中,需要由通过指南指导的但非常经常地受经验驱动的临床医生进行许多决策。例如,在放支架(stenting)程序中,常常存在要从其来进行选择的许多不同支架(stent)。不同的支架具有不同的参数,诸如直径、长度、孔隙度、金属覆盖面积、孔隙形状和/或材料机械性质。同样地存在用于将支架定位于血管内部的不同选项。由于解剖结构、疾病和程序本身的有限可用信息和复杂性,特定治疗的结果(outcome)可能并不总是临床医生预期的。具有结果的可靠预测可帮助针对在考虑中的患者规划和执行最佳治疗。
最近,已开发了生理系统的计算建模。因为通过模拟,此类方法是预测性的,所以可使用该建模来在硅之中(in-silico)测试治疗。然而,随着可用于患者的模型和临床数据的倍增,选项使得计算辅助是压倒性的。
发明内容
提供了用于针对治疗的决策支持的系统、方法以及计算机可读介质。对患者生理和各种治疗选项使用计算模型,决策支持系统呈现一定范围的预测结果以帮助规划治疗。该模型在各种实验中被用于许多治疗选项以确定最佳方法。
在第一方面,提供了一种用于针对治疗的决策支持的方法。从来自医疗扫描仪的扫描数据对表示第一患者的器官的器官数据分段。扫描数据表示第一患者的体积(volume)。处理器用基于分段数据针对器官个性化的生理模型对多个不同的治疗进行模拟。不同的治疗是针对具有不同参数的治疗设备和/或针对不同的治疗设备。处理器估计不同治疗的模拟结果中的不确定性。不同治疗的模拟的模拟结果和估计不确定性被在显示器上呈现。
在第二方面,提供了一种用于针对治疗的决策支持的方法。患者信息被从不同的源输入到第一深度自动编码器。患者信息是第一患者和治疗设备的类型所特定的。用第一深度自动编码器的输出来选择第一患者的类似患者。该类似患者已经被用该类型的治疗设备进行治疗。根据用于类似患者的数据来从该类型治疗设备的治疗设备的范围推断结果的范围。显示用于第一患者的结果的范围和治疗设备的范围。
在第三方面,提供了一种用于针对治疗的决策支持的方法。患者信息被从不同的源输入到第一深度自动编码器。患者信息是第一患者和治疗设备的类型所特定的。用第一深度自动编码器的输出来选择第一患者的第一类似患者。该类似患者已经被用该类型的治疗设备进行治疗。根据用于第一类似患者的数据来从该类型治疗设备的治疗设备的范围推断第一结果的第一范围。基于该结果来选择治疗设备中的至少一个。使用针对第一患者个性化的生理模型和治疗设备中的所述至少一个特定的治疗设备类型的模型来模拟由治疗设备中的所选的至少一个进行的治疗。计算从治疗的模拟得到的血液动力因子(factor)。该血液动力因子和患者信息中的至少某些被输入到第二深度自动编码器。用第二深度自动编码器的输出来选择第一患者的第二类似患者。根据用于第二类似患者的数据从治疗设备中的所述至少一个推断至少一个第二结果。显示用于第一患者的所述至少一个第二结果和所述至少一个治疗设备。
可单独地或以组合方式使用上述方面中的任何一个或多个。根据将结合附图来阅读的优选实施例的以下详细描述,这些及其它方面、特征以及优点将变得显而易见。本发明由下面的权利要求定义,并且不应将本节中的任何内容理解为对那些权利要求的限制。下面结合优选实施例来讨论本发明的另外的方面和优点,并且稍后可独立地或以组合方式被要求保护。
附图说明
部件和图形不一定按比例,而是将重点放在说明实施例的原理上。此外,在图中,遍及不同视图的相似的参考数字指定对应部分。
图1示出了用于治疗中的决策支持的方法的一个实施例的流程图;
图2图示出用于治疗中的决策支持的方法的另一实施例;
图3示出了其中结果推断是通过最近近邻(neighbor)检索的用于决策支持的方法的一个实施例;
图4图示出示例性深度自动编码器;
图5示出了其中结果推断是通过最近近邻和建模的用于决策支持的方法的另一实施例;以及
图6是用于治疗中的决策支持的系统的一个实施例的框图。
具体实施方式
生理驱动决策支持系统可帮助针对特定患者的治疗规划。决策支持系统是一种指导虚拟实验被执行并概括用于治疗决策支持的结果的客观自动化系统。以直观方式将模拟信息与患者临床数据和历史整合。该临床决策支持系统被生理系统的模型和高级机器学习技术驱动以帮助临床医生从用于给定患者和程序的一组可用选项之中选择治疗。
决策支持系统根据1)用户定义情形,2)来自医院或专业团体的临床委员会情形或标准操作程序(SOP)或3)临床指南来开展(launch)治疗模拟。可在诸如工作站之类的本地硬件上或者在云中模拟治疗。在概要页面上呈现模拟的结果,使得用户能够将模拟的结果可视化。例如,在虚拟放支架的情况下,直观的信息可包括支架部署之后的模拟血流的屏幕快照或视频、血管壁变形的数字或视觉指示符、预测支架负荷、计算压力变化或其它血液动力信息。决策支持系统为临床医生充当检查工具,并且可帮助临床医生基于由决策支持系统提供的相干数据来选择最佳处理选项。可提出建议(即根据用户定义准则的前两个治疗选项)。诸如根据用户定义准则提供类似结果的治疗选项被自动地聚集在一个结果集合中以帮助检查过程。
在一个实施例中,加载患者临床数据和图像。将感兴趣的器官分段。设计一种虚拟实验,其涉及到在给定生理模型、治疗模型以及治疗参数的情况下计算一组治疗模拟。根据患者数据对生理模型进行个性化。估计模拟不确定性。将模拟结果聚集并根据感兴趣的任何度量进行排序。可将具有类似结果的结果聚类。如果可以计算不确定性,则将结果与其置信度一起呈现。然后可让用户选择最佳选项。可使用机器学习来以加强方式从用户和/或从临床病案报告和指南的数据库学习虚拟实验设计过程和预期结果。
在下面的讨论中,在肺动脉(PA)放支架的使用情况下描述决策支持系统的操作。在其它实施例中,治疗是针对其它应用,诸如心脏再同步化规划、烧蚀治疗(心脏心律不齐或肿瘤)或瓣膜替换。
肺动脉从心脏的右心室向肺发送低氧血液,在肺处,血液富氧以满足整个身体和器官的需要。然而,由于各种因素(例如先天),可能发生限制通过PA的血液量的窄化。此窄化被称为PA狭窄。如果严重且未经治疗,PA狭窄可导致右心室中的明显增加的压力,这进而可对心肌层造成不可逆的损害。用以治疗PA狭窄的常见方式是通过经导管气囊血管成形术和/或放支架。介入的目的是使窄化段扩张并稳定。然而,结果取决于所选支架的尺寸、类型以及部署参数,并且可从患者到患者而不同。此外,此治疗具有关联的程序相关不利事件的估计22%风险,从脉管或心脏创伤(例如撕裂)变动到心律不齐、到气囊破裂或者到支架栓塞。在10%的病案中,不利事件是严重或致命的。因此,个性化治疗是至关重要的,并且通过决策支持系统所期望的高级计算模型模拟进行的治疗规划可导致利用医生的人工努力所不可能的更加细化的治疗决策。
图1示出了针对用于决策支持治疗的方法的一个实施例的流程图。使用个性化建模来模拟治疗。可用个性化模型和治疗模型来执行模拟。模型的交互为患者提供治疗的有效性的指示。在其它方法中,模拟使用通过被建模为类似于给定患者的患者的机器学习选择进行的建模。使用不同的治疗和从那些类似患者所得到的结果来指示用于患者的治疗的有效性。模拟治疗的结果被呈现给用户以帮助对给定患者的治疗进行决策。
图2示出了用于针对治疗的决策支持的方法的另一实施例。到决策支持系统的输入是用于对不同可用治疗进行建模的工具。该决策支持系统对来自所有治疗的预测结果进行编译,包括不确定性,如果可用的话。在视觉用户接口中将结果呈现给临床医生。可应用加强学习或其它学习技术来根据预定义或学习目标准则来自动地计算最佳治疗。
在图6的系统或不同系统上实现所述方法。计算机、工作站、服务器或其它处理器接收或获得用于患者的数据并使用那个信息来模拟不同治疗在患者上的应用。数据库存储被处理器访问和使用的模型、当前患者信息、过去患者信息或其它数据。
方法是按照所示顺序提供的,但可提供其它顺序。可提供附加、不同或较少的动作。例如,未提供动作40和/或50。作为另一示例,未提供动作52。在又一些示例中,提供了用于扫描患者或用户交互的动作。
在动作40中,处理器获得将被用于模拟的信息。该信息包括患者和/或治疗信息。该信息是从数据库(诸如计算机化患者记录或其它存储器)获得的。替换地,用户用用户接口来输入信息。
患者信息可包括血液动力学度量、临床数据、扫描数据或其组合。可提供附加、不同或较少类型的患者信息。
血液动力学度量是从个性化模型和/或从扫描数据提取的。血液动力学度量包括速度、变化、体积流量、压力、流量变化、压力变化、差压和/或流动的其它度量。
患者信息包括扫描数据。诸如磁共振成像(MRI)、计算机断层成像(CT)或超声波系统之类的医疗扫描仪对患者进行扫描。扫描数据表示患者的二维或三维区域,诸如患者的血管的扫描。可重复该扫描以随时间推移而表示该区域。
其它患者信息包括临床数据。可获得任何临床数据,诸如测试结果。可包括患者医疗和/或家庭历史。可提供各种类型的患者信息的任何组合。
还获得模型。该治疗信息包括治疗的模型。可使用作为不同参数的函数而改变的一个模型来创建用于不同治疗的模型。可获得表示患者的一部分的一个或多个模型,诸如血管模型。每个模型可提供不同的信息,或者可提供相同的信息,但是以不同的方式。可对患者信息拟合血管模型,针对患者对模型进行个性化。该拟合可以是空间的或结构的,诸如针对用于患者的扫描数据对网孔确定尺寸。该拟合可替换地或另外地通过优化参数的值,诸如确定压力、流速率、组织弹性、组织模量、流速率和/或其它血液动力学参数,其促使模型随时间推移而最佳地表示或拟合解剖的动态行为(behavior)。
为了模拟或使生理模型个性化,在动作42中根据扫描数据将器官信息分段。识别表示感兴趣器官(例如,血管)的扫描数据。确定表示对应于该器官的患者体积的体素。忽视或掩蔽(mask out)其它扫描数据。
在扫描数据随时间推移而表示患者的情况下,诸如在一个或多个心脏循环内,可针对时间(times)中的每个执行分段。替换地或另外,可跟踪在一个事件被分段的器官至其它时间以便针对其它时间进行分段。
在一个实施例中,为了获得患者特定血管几何结构,从医疗图像或扫描数据(类似于MRI、CT、使用C臂的介入CT或超声扫描数据)对血管进行分段。可采用基于数据驱动机器学习的分段工具来促进分段过程并使其自动化,并且因此使得结果可再生。可使用手册或编程(例如,强度阈值或窗口/基于层级的分段)。如果动态图像是可用的,则在每个帧或时间中跟踪血管边界以得到血管动态的时间分辨表示。
在动作44中,处理器模拟多个不同的治疗。治疗可针对相同类型的设备,诸如支架。通过改变设备的性质,提供不同的治疗。可改变尺寸、形状、材料特性、放置或位置、硬度和/或其它性质以提供不同的治疗。不同的治疗可以是针对不同类型的设备,诸如使用支架或在没有放支架的情况下使用气囊导管。不同的治疗可使用相同的设备,但是以不同的方式或通过不同的工作流,提供不同的治疗。
可考虑其它治疗,比如心脏再同步化治疗或烧蚀治疗。不同的治疗可使用一个或多个不同类型的设备和/或过程,提供不同的治疗。
不同治疗的模拟提供决策支持。决策支持系统是基于规则、指南、类似患者的检索或进行决策学习技术来支持治疗的选择以进行最佳处理的病案推理系统。模拟可以是通过根据类似患者的不同治疗的先前使用来估计结果而通过使用模型和/或模拟的交互的模拟。可使用其它类型的模拟。可使用模拟的类型的组合。
当前患者的数据部分地表示病人的生理机能,因而在模拟中被用来将生理模型个性化的。该模拟提供针对特定患者的不同治疗的虚拟实验以求识别更加有效和/或具有较少副作用的一个或多个治疗。在一个实施例中,决策支持系统能够:1)设计涉及到用多个模型和参数进行的多个模拟的虚拟实验,2)开展设计的实验,3)聚合并呈现结果,以及4)根据其与用户的交互来细化能够实现1)的智能部件。
处理器用基于分段数据针对器官被个性化的生理模型来模拟不同的治疗。被个性化的生理模型可提供被用于模拟的值(例如,计算被用来找到类似患者的血液动力因子)。替换地或另外,被个性化的生理模型在与治疗模型(例如,支架模型)相交互的处理器运行模拟中被用来确定个性化模型与治疗模型之间的物理、生物、电或其它交互。在其它实施例中,模拟通过找到类似的患者来使用患者的生理机能。
该生理模型被针对患者的分段器官进行个性化且可被用其它数据来个性化,如果可用的话。其它数据可包括来自图像的信息(例如,运动和/或高级生理信息,诸如从运动提取或通过扫描测量的组织性质(硬度))。其它数据可以是非成像数据,诸如来自插管术或其它设备以测量血压(护腕)的12导联ECG(心电图)和/或心室和/或血管中的压力。
可将多于一个生理模型用于模拟。不同的模型可针对相同的参数提供不同的信息或不同的值。决策支持系统可通过使用不同的模型作为不同选项(例如,作为不同实验)来帮助降低复杂化(complication)。替换地,使用不同的模型来提供被求平均或一起使用以提供作为输入的信息到决策支持系统或来自模拟的输出的值。
生理模型提供生物力学参数。该生物力学参数可以是组织性质,诸如弹性或模量。可提供形状或解剖参数,诸如曲率、直径、面积、体积、尺寸或取向。可提供血液动力学参数,诸如压力、差压、流量、体积流量、流量或压力的变化或者其它流体动力学信息。可由生理模型来提供其它类型的参数。
该生理模型使用逆向建模、计算流体动力学或其它物理建模来提供参数。在一个实施例中,在创建个性化模型中估计血管的生物力学参数。使用通过随时间推移的分段或跟踪而获得的移动边界来通过诸如逆向优化之类的逆向建模技术而估计血管的组织性质。在逆向优化中,目标是通过调谐模型参数(例如血管硬度)而重复地使计算模型的模拟的输出与对应临床测量结果之间的误差最小化。例如,使用插管术直接地在血管中测量在血管中的狭窄附近的血压数据。该模型被改变直至提供正确的血压为止。替换地,如果此类直接数据是不可用的,但是替代地流入和流出(例如,来自MRI或超声)数据是可用的,则可采用计算流体动力学(CFD)模拟来计算压力梯度和替代压力。
在示例性实施例中,以计算方式求解生理血管模型与支架治疗模型之间的交互。治疗模型被提供为应用程序接口。在开始虚拟支架部署之前,从可用设备的库(例如,治疗设备模型的库)中选择具有特定性质(例如,直径、长度、孔隙度、金属覆盖面积、孔隙形状和/或材料机械性质)的支架。为了在仍启用快速计算的同时对所选设备的实际物理性质进行建模,可使用质量弹簧模型。替换地,取决于模拟的所需准确度和虚拟支架模型的可用性,可采用基于具有区域变化机械性质的可变形表面的支架模型近似。
一旦解剖模型针对分段器官被分段或个性化、血管组织性质被个性化且设备被选定,则在计算机模拟中虚拟地部署支架。可对整个部署过程进行建模,从支架卷曲(封装)开始,后面是拟合到微型导管中,然后是支架—微型导管系统的操纵和递送以及最后的支架从微型导管的释放。可替代地使用此整个程序的缩减序列,其将至少包括最后的支架部署。
基于物理学对交互进行建模,因此可以以计算方式求解。在实际支架部署中,在外部(例如,通常使用气囊)生成力以驱动设备的部署。可通过使用被附着到未部署支架且将使支架朝着其原始的已部署位置变形的虚拟弹簧来实现其它类型的力,比如形状记忆。支架的典型几何结构有助于被建模为交织纤维的网络。描述此类结构的有效方式是基于降低阶数(例如,一维或集总参数)模型,将两个接触点之间的每个束(tract)表示为独立的机械部件。在有利实施例中,用无质量弹簧来表示每个束,并且将接触点表示为质量。用在内部和外部力的影响下计及网孔变形的快速求解二阶偏微分方程系统来管理此类质量弹簧模型。可使用其它模型。
虽然使用质量弹簧模型来计算支架变形,但可使用有限元建模来计算由于支架而引起的血管变形。可使用优化数值算法和多核心架构来高效地计算网孔的完整显式表示和针对血管变形的有限元分析。在此类方法中,对牛顿第二定律求解,其中,根据本构定律(例如,组织模型)来对组织性质进行建模并将其用来计算应力张量。添加来自血压或来自与支架的接触的外部源。使用射线投射或其它方法来自动地检测支架壁接触,并根据作用—反作用原理在支架和血管两者上的接触节点处添加具有摩擦的接触力。在部署期间,支架使血管变形直至达到平衡为止,其通过监视逐个顶点速度而被自动地检测,并且然后停止模拟。
模型之间的交互的基于物理学的模拟用患者的个性化模型来提供指示特定治疗模型的效果的信息。该效果被测量为任何的一个或多个参数,诸如结构的(例如,体积、直径)或血液动力学的(例如,流量)。在支架示例中,计算部署后血液动力学。该模拟由于由部署程序生成的力而使血管的解剖模型相对于其原始形状变形。通过比较虚拟放支架之前和之后的血管内部的性质来预测所选程序的结果。
可将血管壁建模为刚性或可变形结构。在后一种情况下,可估计支架部署之后的血管壁的机械性质。可能性是使用在基线处估计的相同性质。如果组织学信息在基线处可用(例如,来自CT图像的钙分数),则可基于钙化组织的浓度和斑块(plaque)的估计破碎程度来预测部署之后的壁的机械性质。还可以将斑块破碎的过程模拟为支架部署模拟的一部分。使用生物力学模型,可计算部署之后的支架上的负荷。
可将生物力学模型耦合到流体力学模型以就支架的稳定性(支架折断的潜在风险)及其它风险因素而言提供对支架植入之后的血管的动态响应的洞察。例如,放支架的束的增加的硬度可引起压力波的反射,并且因此增加右心室的后负荷,对心脏具有潜在的长期副作用。可采用其它类型的模型,比如集总一维求解器或刚性体三维计算流体动力学(CFD)模型。可针对模拟的每个时间步来计算支架上的负荷以识别可能潜在地折断(较高应力)的区域及其它风险。
动作46和48表示用于模拟的不同方法。不同的模拟方法使用患者特定的生理信息。两者都可使用生理模型。替换地,用于找到类似患者的机器学习方法不使用生理模型。可使用仅一个或两个方法。可提供其它方法。
在动作46中,对指南进行编码。该指南具有将被模拟为虚拟实验的特定治疗或许多不同治疗。可将该指南提取为先前在一个或多个其它患者上使用的治疗,由团体或惯例(practice)(例如,医院)提供或者由委员会作为标准提供。
指南被编码,诸如编码为决策树或马尔可夫决策过程。用户可替代地指定将以脚本形式执行的实验。可自动地从已执行实验的数据库或临床病案报告中检索实验设计。最后,由于可就马尔可夫决策过程而言表示实验设计,所以可在动作47中使用加强学习方法来通过与用户的连续交互学习要执行的实验。
在动作48中,使用对类似患者的搜索来模拟许多不同的治疗。通过对具有相同治疗的过去患者进行定位来模拟治疗在当前患者上的应用。用于不同治疗的过去患者结果被提供为用于当前患者的模拟的结果。
图3示出了这种方法的示例性实施例。可提供其它实施例,诸如使用设定特征来确定最近近邻(即,类似)过去患者。例如,使用血管解剖和/或血液动力学参数来找到具有相同或类似特性的过去患者。
处理器执行该动作。处理器访问过去患者的数据库。过去患者的数据库包括用于那些患者的患者信息和/或包括用动作60的自动编码器或其它编码创建的过去患者信息的表示。
在动作60中,将患者信息输入到深度自动编码器。该患者信息来自不同的源。不同的源提供不同类型的信息,但是可被存储在同一存储器或设备中。替换地,不同的源是不同的设备,诸如提供图像或扫描数据的医疗扫描仪、提供临床数据的计算机化患者医疗记录数据库或用户接口和/或其本身针对来自扫描和/或其它测量的分段数据而根据对生理模型进行个性化来计算血液动力因子的处理器。
可使用任何患者信息。图3和4示出了三个类型的信息—临床数据、血液动力因子以及成像显型数据。可输入附加、不同或较少类型的信息。患者信息是当前患者和治疗或治疗设备类型所特定的。例如,提取并输入针对当前患者的与血管治疗(例如,放支架和/或气囊插管术)相关的信息。要放支架的血管被分段或者输入分段信息。输入通过血管的流动特性。输入用于建模参数的值。输入诊断相关度量,诸如血压或血管比压。可输入其它数据。
该输入被深度自动编码器用来确定当前患者的表示。通常,基于学习的相似性搜索算法包括:(i)用于患者的已学习紧凑表示,(ii)最后可被学习以能够比较表示的关联相似性度量,以及(iii)与相关信息(例如,设备的类型、尺寸、位置、治疗效力以及设备故障)相关联的参考患者的数据库。可用多个信息源来表征患者数据,诸如临床和家庭历史、支架植入之前和/或之后的血液动力因子、根据MR、CT和/或超声计算的成像显型。针对虚拟实验,还存储模型、模型参数以及模型输出。在此上下文中,用其关联的相似性度量来定义适当的患者表示是具有挑战性的问题。事实上,这些不同的信息源存在于呈现不同维数、标度以及结构的不同特征空间中,使得基于学习的相似性搜索算法的使用是困难的。
使用用于减少用以表示特定患者的数据的量的深度自动编码或其它方法。决策支持或病案推理系统构建到深度自动编码器上以便学习患者数据的多模式低维表示。深度自动编码器是一堆受限波耳兹曼机,因此可被以无监督方式逐个层地高效地预先训练,并且使用监督而使用向后传播来进行微调。
深度生成模型已被用来解决学习文档的低维表示的问题。经训练的深度自动编码器创建输入数据的数字表示,提供高效的表示以用于快速检索。使用中间隐藏层来执行维数缩减并将不同的信息源混合。图4示出了具有四个层的表示。前两个层单独地减少临床、血液动力因子以及成像显型信息。前两个层将此多模式信息组合成二进制或数字表示。可使用其它表示,诸如使用除1和0之外的其它编码。
通过使用过去患者的大型集合而在不使用任何监督的情况下对深度自动编码器进行预先训练。然后,执行无监督或监督向后传播以对网络进行微调。在监督情况下,可使用结果信息(诸如治疗效力)来驱动向后传播。
一旦被训练,在动作62中对用于当前患者的输入患者信息应用深度自动编码器。结果是患者信息的较低维度表示的数字数据。患者信息被减少到较少的信息,提供将被用于比较的较低维度表示。
在动作64中,将当前患者的较低维度数字表示与数据库中的用于过去患者的患者信息相比较。该比较可以是与用同一深度自动编码器创建的过去患者的低维度数字表示。用于过去患者的数字表示被根据需要创建或者被先前创建并存储。
过去患者可受限于已接收到相同类型的治疗和/或具有相同的状况或诊断的患者。例如,过去的患者已被用对于其而言决策支持系统正在虚拟地进行实验的一个或多个类型的治疗设备进行治疗。用介入类型来指定过去患者。使用多个且异构的信息(比如设备、设备参数、成像或其它信息)来记录该介入。替换地,数据库包括具有许多不同诊断的过去患者,并且依赖于该比较来找到与治疗类型相关的类似患者。
在动作66中,处理器用深度自动编码器的输出来选择与当前患者类似的患者。通过创建低维度表示,自动编码器发现用于与过去患者的数据比较的当前患者的特征。被缩减成数字表示的临床、血液动力以及医疗扫描信息允许与过去的患者相匹配。一旦被使用数字表示编码,可按汉明距离或学习的相似性度量将新输入的患者与参考数据库内的所有参考患者相比较。可使用与自动编码器相同的训练集来学习相似性度量。可使用其它相似性度量,诸如用于发现近似匹配的散列函数。使用散列函数来检索具有类似编码的患者。
可识别具有充分相似性的任何数目的患者。该数目可以是受限的,诸如选择N个最相似过去患者。替换地,该相似性是阈值,因此仅选择具有充分相似性的患者。可使用相似性阈值与过去患者的数目的组合。
在动作68中,从过去患者信息提供模拟实验的输出。基于检索的最近近邻患者,处理器通过在检索的患者之中针对每个类型的设备将频率和治疗效力聚合来推断结果。最佳设备是使从那个信息导出的分数最大化的设备。推断来自一定范围的治疗设备的一定范围的结果。类似患者已经受不同的治疗,因此使用对应的结果。可使用结果的任何度量,诸如血液动力度量、支架故障、再准入(re-admittance)、再处理或预期寿命。
该推断指示被用于类似患者的治疗(例如,支架性质)。治疗在当前患者上的成功是从该同一治疗在过去患者上的成功与否推断的。由于过去的患者已经经受不同的治疗,所以作为模拟的结果而输出治疗的范围和用于治疗中的每个的结果的关联分布。
可使用类似的过去患者针对模拟执行进一步处理。图5示出了将基于物理学的模拟与使用与过去患者的相似性的模拟相组合的实施例。
在动作70中,基于模拟结果来选择治疗设备中的一个或多个。在图3的方法中,针对植入模拟之前和之后或刚刚在之前导出血液动力因子。针对图5的方法,将基于物理学的模拟之前和之后的血液动力因子分离以避免用于针对所有可能治疗设备的基于物理学的模拟的处理。针对动作60和64,数据库中的患者表示是基于四个或其它数目的信息源。例如,临床数据、在植入模拟之前测量的血液动力因子以及成像显型信息被输入到自动编码器。
从基于物理学的模拟所得到的血液动力因子被用于后续相似性识别。用由自动编码器使用植入模拟之后的血液动力因子生成的数字代码来增强先前的数字表示。在第一遍中,在动作66中使用数字表示来从数据库检索最近患者。在动作70中,然后选择具有期望结果的治疗(例如,治疗设备)并在动作72中将其用于执行植入模拟。用拟合到当前患者的生理模型来模拟用该治疗设备的治疗。在动作60中被输入到编码器的相同或不同患者信息被用来拟合生理模型。处理器以计算方式求解治疗模型与个性化生理模型的交互。治疗模型是在动作70中选择的治疗或治疗设备所特定的。
在动作74中,计算从治疗的模拟所得到的血液动力因子。在动作76中使用导出的模拟血液动力因子来构建增强数字表示。在动作60中使用的患者信息和来自模拟的计算的处理后血液动力因子被输入到单独训练自动编码器。可输入相同或不同的患者信息。替换地,在没有其它信息的情况下输入计算的血液动力因子,并且将结果添加到先前的数字表示。可根据模型或者在治疗模拟中计算血液动力因子之外的其它因子。
然后,使用此增强表示在动作78中检索最近的过去患者和实验设计。基于由自动编码器输出的数字表示来选择另一组类似患者。选择准则(例如,相似性阈值)与针对动作66的相同或不同。结果得到的过去患者的集合是相同或不同的。
在动作80中从所选过去患者推断结果。该推断提供针对在动作70中选择的治疗中的每个的一定范围的结果。替换地,推断中值、平均值或其它统计结果信息。在动作80中如针对动作68一样使用相同或不同的推断。例如,动作68中的推断针对平均值结果,而动作80中的推断针对结果的分布。可使用不同的参数,诸如针对两个动作68和80不同地测量结果。
可使用动作47(图2)的加强学习来改善实验设计。决策支持系统从用户学习最佳或多种治疗选项。机器学习技术被用来通过评估和比较不同治疗模拟的输出而自动地识别可用替换方案之中的最佳或其它选项。然而,这假设存在用于模拟的“优良”的明确的客观准则。如果此类准则不存在,则使用专家决策的数据库(例如来自临床医生关于类似患者的先前选择)来自动地“根据经验”学习此类准则。为此,应用逆向加强学习。
要执行的模拟部分地由在动作47中使用加强学习计算的“策略”(指南)定义。由于可根据一组规则来设立连续实验的设计,其中,可将每个虚拟实验视为“动作”,并且由于可将先前实验的结果视为决策过程的“状态”,所以可将实验设计编码为马尔可夫决策过程。可使用例如动态编程或更加高级的加强学习技术(诸如Q学习)来从马尔可夫决策过程计算最佳策略。在学习程序期间,代理从可用动作的集合中重复地尝试不同动作以获得经验,其被用来学习最佳策略。策略针对决策过程期间的任何可能状态确定要执行的最佳动作以便使未来奖励(reward)最大化。以这样的方式设立奖励,即使得针对在要执行少数的虚拟实验的情况下导致快速且可靠(低不确定性)的进行决策的动作给予正(positive)奖励,而针对几乎未向进行决策的过程提供值的实验给予负(negative)奖励。来自过去进行决策的过程的经验可被用来定义奖励和状态,并且对过去患者执行的实验可被用来定义动作的集合。
在图1中,加强学习是动作44的一部分。要执行哪些实验由加强学习来确定。在图5的示例中,动作70—74可使用加强学习来基于来自类似患者的信息而确定要执行的不同植入模拟实验。
再次地参考图1,处理器在动作50中估计不同治疗的模拟中的不确定性。该不确定性在结果中、在结果范围中、在模拟中所使用的输入信息中、在模型中、在模拟中、在其它源中或其组合。可针对实验中的某些不计算不确定性,诸如不计算针对模拟治疗的子集的不确定性。在替换实施例中,不计算不确定性。
可使用不确定性的任何估计。例如,在模拟中使用的模型中的一个或多个可具有预定的不确定性,诸如基于模型的测试。使用基于模型的不确定性作为用于结果的不确定性(例如,模拟治疗的效力的不确定性)的估计。在另一示例中,使用结果的变化性作为不确定性的度量。用于给定模拟的结果中的更大变化性指示更大的不确定性。在使用要模拟的类似患者的支架示例中,具有宽范围或遍及该范围的更大分布的类似患者指示比窄的和/或在窄范围中更强烈的分布更多的不确定性。
在一个实施例中,决策支持系统估计由于数据以及还有的模型假设中的噪声而引起的预测参数不确定性。确定被用作输入或作为输出而提供的一个或多个参数中的不确定性。例如,提供用以显示用于每个所呈现数据的置信度指示符的选项,其对于治疗决策而言可具有特别的重要性。此指示符可以是置信度区间或数值(例如在用于低或高置信度的0和1之间)或彩色按钮(例如,用于低、中或高置信度的红色、黄色和绿色)。可直接地由模型提供或者间接地计算该不确定性信息本身。针对间接的计算,访问治疗模型的应用程序接口以触发模拟。使用不确定性量化方法,例如通过在指定范围内改变模型输入参数并计算不同模拟之间的结果中的变化性来估计预测治疗结果中的不确定性。落在同一不确定性区域内的结果可被自动地聚集。然后可根据预测治疗结果还有计算参数中的置信度将结果排序。
在动作52中,向用户呈现结果。治疗选项和模拟结果被处理器在显示器上输出。输出信息可具有任何格式,诸如列表、图、图表或图标。诸如针对治疗中的每个来输出虚拟实验结果中的每个。替换地,输出治疗(例如,更好的结果)的子集和对应统计。可将该结果聚类或排序,并且用该聚类或排序呈现输出。
针对每个治疗设备、治疗类型、所使用模型或其组合而提供结果,诸如范围、中值、平均值和/或其它结果统计。可针对每个治疗呈现结果的不同度量。可提供附加、不同或较少的信息。
如果可用的话,可以用估计的不确定性来呈现结果。例如,用结果输出不确定性排序或百分比值。结果可以被色彩编码以指示不确定程度。
可呈现结果的不同集合。例如,基于图5的动作68而输出来自类似患者的结果。也在动作80中基于类似患者的不同集合而输出结果的另一集合。替换地,呈现最终或最后发生的结果。
输出可包括用于针对多个或一定范围的治疗或治疗设备中的每个而言的每个治疗或治疗设备的结果的范围。可输出基于治疗范围的关于治疗结果的统计,诸如示出随着治疗中的给定参数的变化的改善结果方面的趋势(例如,随着支架的增加直径的效力方面的趋势)。
在替换实施例中,决策支持系统进行学习以根据模型输入将模型输出分类。可通过训练分类器以在给定输入信息的情况下预测输出来避免时间和处理器消耗模拟过程。训练使用来自患者数据的大型数据库的任何机器学习或者(如果不可用的话)通过经由关于随机生成几何结构和生理条件的模拟而生成合成数据。在其它实施例中,决策支持系统通过加强来直接地学习最佳治疗选项而不需要执行虚拟实验。替换地,决策支持系统根据实际观察来学习模型和误差。在被询问时,系统首先输出来自其被学习特征的结果,然后基于预期误差,询问一个或多个附加模拟以将结果细化。
图6示出了用于治疗中的决策支持的系统的一个实施例。系统是计算机、控制器、工作站、服务器或其它装置。系统包括显示器14、存储器16以及处理器18。可提供附加、不同或更少的部件。在其它实施例中,医学成像系统11是所述系统的一部分。在又一些实施例中,作为用于供应图像的医学成像系统11的替代或除此之外提供图像归档及通信系统(PACS)或其它存储器。
在一个实施例中,处理器18和存储器16是托管治疗决策支持系统以供作为客户端的计算机使用的服务器的一部分。客户端和服务器被网络(诸如内部网或因特网)互连。客户端可以是医学成像系统11的计算机或医疗专业人员的计算机,并且服务器可由治疗决策支持系统的制造商、提供商、主人或创造者提供。
医学成像系统11是任何现在已知或以后开发的成像系统。例如,医学成像系统11是计算机断层成像、超声、x射线、磁共振或功能成像系统。作为计算机断层成像系统,在患者空间和对应患者病床的相对侧的构台上或其中安装x射线源和检测器。随着构台围绕着患者移动源和检测器,获取患者的x射线投射序列。处理器(诸如处理器18或不同的处理器)以三维方式或针对一个或多个切片重构x射线衰减。作为超声系统,使用换能器和波束形成器来对患者进行扫描。处理器(诸如处理器18或不同的处理器)以三维方式或针对一个或多个切片重构回波。
显示器14是用于显示图像、个性化模型的图示、治疗设备或治疗的图示、血液动力或其它参数、相似性的指示、模拟视频、模拟结果、结果、不确定性和/或其它信息的CRT、LCD、投影仪、等离子体(plasma)、打印机、智能电话或其它现在已知或以后开发的显示设备。例如,显示器14显示用于类似的患者或者在虚拟实验中使用的治疗列表、用于治疗中的每个的结果(例如,用于治疗中的每个的结果的中值、平均值或范围)和/或不确定性。可向医生指示针对给定患者推荐的一个或多个治疗(例如,支架尺寸、形状和/或材料和/或放置的范围)。基于用户选择,示出了所选治疗的模拟的视频。
患者信息、分段信息、模型、个性化模型、过去患者信息、较低维度表示、最近近邻选择、模拟结果、血液动力因子和/或其它信息被存储在非临时计算机可读存储器中,诸如存储器16。存储器16是外部存储设备、RAM、ROM、数据库和/或本地存储器(例如,固态驱动器或硬驱)。可将相同或不同的非临时计算机可读介质用于指令及其它数据。可使用被处理器18管理并驻留于存储器(诸如硬盘、RAM或可移动介质)上的数据库管理系统(DBMS)来实现存储器16。替换地,存储器16在处理器18(例如高速缓存器)内部。
在非临时计算机可读存储介质或存储器(诸如高速缓存器、缓冲器、RAM、可移动介质、硬驱或其它计算机可读存储介质(例如,存储器16))上提供用于实现在本文中讨论的决策支持系统、模拟或其它过程、方法和/或技术的指令。计算机可读存储介质包括各种类型的易失性和非易失性存储介质。响应于存储在计算机可读存储介质中或上面的一个或多个指令集而执行图中所示或本文所述的功能、动作或任务。该功能、动作或任务与特定类型的指令集、存储介质、处理器或处理策略无关,并且可由单独地或以组合方式操作的软件、硬件、集成电路、固件、微代码等执行。
在一个实施例中,将指令存储在可移动介质设备上以便被本地或远程系统读取。在其它实施例中,指令被存储在远程位置中以便通过计算机网络传输。在又一些实施例中,指令被存储在给定计算机、CPU、GPU或系统内。由于可用软件来实现在附图中描绘的组成系统部件和方法步骤中的某些,所以系统部件(或过程步骤)之间的实际连接可取决于其中本实施例被编程的方式而不同。
可将程序上传到包括任何适当架构的处理器18并由该处理器18执行。同样地,处理策略可包括多处理、多任务、并行处理等。为了模拟,可使用图形处理单元和/或多核处理器。模拟(诸如有限元分析)包括使得并行处理架构更加高效的重复计算。处理器18是在具有硬件的计算机平台上实现的,所述硬件诸如一个或多个中央处理单元(CPU)、随机存取存储器(RAM)以及(多个)输入/输出(I/O)接口。计算机平台还包括操作系统和微指令代码。本文所述的各种过程和功能可以是微指令代码的一部分或经由操作系统执行的程序的一部分(或其组合)。替换地,处理器18是网络中的一个或多个处理器。
可一起或单独地使用本文所述的各种改善。虽然在本文中已参考附图描述了本发明的说明性实施例,但应理解的是本发明不限于那些精确实施例,并且在不脱离本发明的范围或精神的情况下可由本领域的技术人员对其进行其它变更和修改。
Claims (12)
1.一种用于针对治疗的决策支持的系统,该系统包括:
至少一个处理器,
至少一个存储器,其用于存储要由处理器执行的指令,以及
显示器,
其中,所述指令在由所述至少一个处理器执行时使得该系统:
将患者信息从不同的源输入到第一深度自动编码器,患者信息是第一患者和治疗设备的类型所特定的;
用第一深度自动编码器的输出来选择第一患者的类似患者,所述类似患者已经被用所述类型的治疗设备进行治疗;
根据用于类似患者的数据来从所述类型的治疗设备的治疗设备范围推断结果的范围,其中使用设定特征来确定最近近邻过去患者,并且其中基于检索的最近近邻过去患者,通过在检索的患者之中针对每个类型的设备将频率和治疗效力聚合来推断结果;以及
显示用于第一患者的结果的范围和治疗设备的范围,
其中,决策支持是针对肺动脉放支架和/或心脏再同步化规划和/或烧蚀治疗和/或瓣膜替换的使用情况,
并且其中,患者信息包括医疗扫描仪的扫描数据,其中扫描数据表示患者的二维或三维区域,其中可重复扫描以随时间推移而表示所述区域。
2.权利要求1的系统,其中,所述指令在由所述至少一个处理器执行时还使得该系统估计结果的不确定性,其中,显示包括与不确定性一起显示结果。
3.权利要求1或2的系统,其中,输入包括输入作为临床数据、血液动力因子以及成像数据的患者信息。
4.权利要求1或2的系统,其中,选择包括利用作为患者信息的较低维度表示的数字表示的输出来进行选择。
5.权利要求1或2的系统,其中,所述指令在由所述至少一个处理器执行时还使得该系统:
用生理模型来模拟治疗设备的治疗,所述生理模型用患者信息中的至少一些来进行拟合,
将患者信息和治疗模拟结果输入到第二深度自动编码器,以及
基于第二深度自动编码器的输出来选择相似患者的另一集合。
6.权利要求1或2的系统,其中,治疗设备的类型包括支架,患者信息包括来自医疗扫描仪的血管信息,并且治疗设备的范围包括具有不同性质的支架。
7.一种计算机可读存储介质,其上存储有用于针对治疗的决策支持的指令,所述指令在由至少一个处理器执行时使得所述至少一个处理器:
将患者信息从不同的源输入到第一深度自动编码器,患者信息是第一患者和治疗设备的类型所特定的;
用第一深度自动编码器的输出来选择第一患者的类似患者,所述类似患者已经被用所述类型的治疗设备进行治疗;
根据用于类似患者的数据来从所述类型的治疗设备的治疗设备范围推断结果的范围,其中使用设定特征来确定最近近邻过去患者,并且其中基于检索的最近近邻过去患者,通过在检索的患者之中针对每个类型的设备将频率和治疗效力聚合来推断结果;以及
显示用于第一患者的结果的范围和治疗设备的范围,
其中,决策支持是针对肺动脉放支架和/或心脏再同步化规划和/或烧蚀治疗和/或瓣膜替换的使用情况,
并且其中,患者信息包括医疗扫描仪的扫描数据,其中扫描数据表示患者的二维或三维区域,其中可重复扫描以随时间推移而表示所述区域。
8.权利要求7的计算机可读存储介质,其中,所述指令在由至少一个处理器执行时还使得所述至少一个处理器估计结果的不确定性,其中,显示包括与不确定性一起显示结果。
9.权利要求7或8的计算机可读存储介质,其中,输入包括输入作为临床数据、血液动力因子以及成像数据的患者信息。
10.权利要求7或8的计算机可读存储介质,其中,选择包括利用作为患者信息的较低维度表示的数字表示的输出来进行选择。
11.权利要求7或8的计算机可读存储介质,其中,所述指令在由至少一个处理器执行时还使得所述至少一个处理器:
用生理模型来模拟治疗设备的治疗,所述生理模型用患者信息中的至少一些来进行拟合,
将患者信息和治疗模拟结果输入到第二深度自动编码器,以及
基于第二深度自动编码器的输出来选择相似患者的另一集合。
12.权利要求7或8的计算机可读存储介质,其中,治疗设备的类型包括支架,患者信息包括来自医疗扫描仪的血管信息,并且治疗设备的范围包括具有不同性质的支架。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/851,552 US20170071671A1 (en) | 2015-09-11 | 2015-09-11 | Physiology-driven decision support for therapy planning |
US14/851552 | 2015-09-11 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106529117A CN106529117A (zh) | 2017-03-22 |
CN106529117B true CN106529117B (zh) | 2022-05-03 |
Family
ID=56920549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610813875.2A Active CN106529117B (zh) | 2015-09-11 | 2016-09-09 | 用于治疗规划的生理驱动决策支持 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20170071671A1 (zh) |
EP (1) | EP3142033B1 (zh) |
CN (1) | CN106529117B (zh) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10032281B1 (en) | 2017-05-03 | 2018-07-24 | Siemens Healthcare Gmbh | Multi-scale deep reinforcement machine learning for N-dimensional segmentation in medical imaging |
CN107273925B (zh) * | 2017-06-12 | 2020-10-09 | 太原理工大学 | 基于局部感受野和半监督深度自编码的肺实质ct影像处理装置 |
EP3270308B9 (en) | 2017-06-14 | 2022-05-18 | Siemens Healthcare GmbH | Method for providing a secondary parameter, decision support system, computer-readable medium and computer program product |
US10881463B2 (en) * | 2017-08-30 | 2021-01-05 | International Business Machines Corporation | Optimizing patient treatment recommendations using reinforcement learning combined with recurrent neural network patient state simulation |
US11264135B2 (en) | 2017-11-10 | 2022-03-01 | Siemens Medical Solutions Usa, Inc. | Machine-aided workflow in ultrasound imaging |
US20210030468A1 (en) * | 2018-02-14 | 2021-02-04 | Navix International Limited | Systems and methods for automated guidance of treatment of an organ |
US20190279767A1 (en) * | 2018-03-06 | 2019-09-12 | James Stewart Bates | Systems and methods for creating an expert-trained data model |
US11348688B2 (en) | 2018-03-06 | 2022-05-31 | Advinow, Inc. | Systems and methods for audio medical instrument patient measurements |
CN108231193A (zh) * | 2018-03-12 | 2018-06-29 | 东南大学 | 一种临床决策辅助系统及方法 |
US20210290308A1 (en) * | 2018-09-25 | 2021-09-23 | Siemens Healthcare Gmbh | Endovascular implant decision support in medical imaging |
CN111613300B (zh) * | 2019-02-22 | 2023-09-15 | 曹生 | 基于VRDS 4D医学影像的肿瘤与血管Ai处理方法及产品 |
CN109907827B (zh) * | 2019-04-16 | 2020-07-14 | 北京大学第三医院(北京大学第三临床医学院) | 一种下颌角截骨术的手术导航系统 |
US20200411184A1 (en) * | 2019-06-13 | 2020-12-31 | 3Derm Systems, Inc. | Machine learning techniques for updating medical decisions based on event data from field devices |
KR20210012730A (ko) | 2019-07-26 | 2021-02-03 | 삼성전자주식회사 | 인공지능 모델의 학습 방법 및 전자 장치 |
US11436731B2 (en) | 2019-08-05 | 2022-09-06 | Lightlab Imaging, Inc. | Longitudinal display of coronary artery calcium burden |
EP3905259A1 (en) * | 2020-04-27 | 2021-11-03 | Siemens Healthcare GmbH | Predictions for clinical decision support using patient specific physiological models |
DE102020206232A1 (de) * | 2020-05-18 | 2021-11-18 | Siemens Healthcare Gmbh | Computerimplementiertes Verfahren zur Klassifizierung eines Körpertyps |
US11605038B1 (en) * | 2020-05-18 | 2023-03-14 | Vignet Incorporated | Selecting digital health technology to achieve data collection compliance in clinical trials |
US11461216B1 (en) | 2020-05-18 | 2022-10-04 | Vignet Incorporated | Monitoring and improving data collection using digital health technology |
AU2021287881A1 (en) * | 2020-06-08 | 2023-01-19 | Kinesiometrics, Inc. | System and method for providing analytics relating to patients and medical interventions |
WO2022026581A1 (en) * | 2020-07-28 | 2022-02-03 | Mako Surgical Corp. | Systems and methods for joint balancing |
US20220076831A1 (en) * | 2020-09-09 | 2022-03-10 | Koninklijke Philips N.V. | System and method for treatment optimization using a similarity-based policy function |
US20220208373A1 (en) * | 2020-12-31 | 2022-06-30 | International Business Machines Corporation | Inquiry recommendation for medical diagnosis |
US11296971B1 (en) | 2021-02-03 | 2022-04-05 | Vignet Incorporated | Managing and adapting monitoring programs |
US11361846B1 (en) | 2021-02-03 | 2022-06-14 | Vignet Incorporated | Systems and methods for customizing monitoring programs involving remote devices |
US11316941B1 (en) | 2021-02-03 | 2022-04-26 | Vignet Incorporated | Remotely managing and adapting monitoring programs using machine learning predictions |
US11789837B1 (en) | 2021-02-03 | 2023-10-17 | Vignet Incorporated | Adaptive data collection in clinical trials to increase the likelihood of on-time completion of a trial |
US11196656B1 (en) | 2021-02-03 | 2021-12-07 | Vignet Incorporated | Improving diversity in cohorts for health research |
US11521714B1 (en) | 2021-02-03 | 2022-12-06 | Vignet Incorporated | Increasing diversity of participants in health research using adaptive methods |
US20240087729A1 (en) * | 2022-08-17 | 2024-03-14 | Cercle.Ai, Inc. | Outcome Matching with Personalized Comparison |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7912528B2 (en) * | 2003-06-25 | 2011-03-22 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automated diagnosis and decision support for heart related diseases and conditions |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005036446A2 (en) * | 2003-10-07 | 2005-04-21 | Entelos, Inc. | Simulating patient-specific outcomes |
US8527251B2 (en) * | 2009-05-01 | 2013-09-03 | Siemens Aktiengesellschaft | Method and system for multi-component heart and aorta modeling for decision support in cardiac disease |
US10496729B2 (en) * | 2014-02-25 | 2019-12-03 | Siemens Healthcare Gmbh | Method and system for image-based estimation of multi-physics parameters and their uncertainty for patient-specific simulation of organ function |
-
2015
- 2015-09-11 US US14/851,552 patent/US20170071671A1/en not_active Abandoned
-
2016
- 2016-09-09 EP EP16188087.7A patent/EP3142033B1/en active Active
- 2016-09-09 CN CN201610813875.2A patent/CN106529117B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7912528B2 (en) * | 2003-06-25 | 2011-03-22 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automated diagnosis and decision support for heart related diseases and conditions |
Also Published As
Publication number | Publication date |
---|---|
EP3142033A1 (en) | 2017-03-15 |
CN106529117A (zh) | 2017-03-22 |
US20170071671A1 (en) | 2017-03-16 |
EP3142033B1 (en) | 2022-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529117B (zh) | 用于治疗规划的生理驱动决策支持 | |
US10483006B2 (en) | Learning based methods for personalized assessment, long-term prediction and management of atherosclerosis | |
US10984905B2 (en) | Artificial intelligence for physiological quantification in medical imaging | |
JP7267743B2 (ja) | 脈管内においてカテーテルのような導管ラインをルーティングするためのシステムおよび方法 | |
EP2963574B1 (en) | Method and system for prediction of post-stenting hemodynamic metrics for treatment planning of arterial stenosis | |
EP3404667B1 (en) | Learning based methods for personalized assessment, long-term prediction and management of atherosclerosis | |
CN107851464B (zh) | 用于针对个体患者进行疾病进展建模和疗法优化的方法和系统 | |
CA2920848C (en) | Systems and methods for identifying personalized vascular implants from patient-specific anatomic data | |
KR102269495B1 (ko) | 환자-특정 기하학적 모델들을 변경함으로써 치료들을 결정하기 위한 방법 및 시스템 | |
US20210151187A1 (en) | Data-Driven Estimation of Predictive Digital Twin Models from Medical Data | |
US20170004280A1 (en) | Systems and methods for image processing for modeling changes in patient-specific blood vessel geometry and boundary conditions | |
EP3277169B1 (en) | Systems and methods for estimating virtual perfusion images | |
CN103270513A (zh) | 用于患者特异性血流建模的方法和系统 | |
CN112740334A (zh) | 医学成像中的血管内植入物决定支持 | |
CN113261939A (zh) | 根据医学数据针对围手术期心肌梗塞或并发症的基于机器的风险预测 | |
JP2022504889A (ja) | 脂肪組織から心血管疾患および治療有効性を査定するためのシステムおよび方法 | |
Villa-Uriol et al. | Toward integrated management of cerebral aneurysms | |
CN111815643A (zh) | 基于人工智能的copd评估 | |
CN109256205B (zh) | 用于利用本地和远程分析学进行的临床决策支持的方法和系统 | |
US20240145100A1 (en) | System and method for physiological parameter estimations | |
US11139082B2 (en) | Method for classifying a risk for thrombus formation in an organ, system for classifying a risk for thrombus formation in an organ, a computer program product and a computer readable medium | |
WO2024064997A1 (en) | System and method for coronary vascular diagnosis and prognosis with a biomechanical stress profiling index | |
KR20230034762A (ko) | 기계학습 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |