CN107209796A - 质量保证规则的自动化导出 - Google Patents

质量保证规则的自动化导出 Download PDF

Info

Publication number
CN107209796A
CN107209796A CN201580073885.0A CN201580073885A CN107209796A CN 107209796 A CN107209796 A CN 107209796A CN 201580073885 A CN201580073885 A CN 201580073885A CN 107209796 A CN107209796 A CN 107209796A
Authority
CN
China
Prior art keywords
rule
report
scoring
candidate rule
candidate
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.)
Granted
Application number
CN201580073885.0A
Other languages
English (en)
Other versions
CN107209796B (zh
Inventor
M·塞芬斯特
T·A·福斯贝里
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 CN107209796A publication Critical patent/CN107209796A/zh
Application granted granted Critical
Publication of CN107209796B publication Critical patent/CN107209796B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G06T2207/10136—3D ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

一种系统和方法生成规则集合。由规则生成设备执行的方法包括接收多个先前生成的报告，其中，所述先前生成的报告中的每个包括相应的图像的相应的分析内容。所述方法包括基于所述分析内容生成候选规则，其中，所述候选规则被配置为增加未来报告的质量保证。所述方法包括基于所述候选规则和所述先前生成的报告来生成针对每个候选规则的相应的评分。所述方法包括在所述评分高于预定阈值时将所述候选规则包括到所述规则集合中。

Description

质量保证规则的自动化导出
背景技术
成像设备被用于对身体的内部结构进行可视化。例如，成像设备可以使用二维、三维和/或多普勒超声创建内部器官(诸如心脏)的图像。从使用该技术收集的数据可以提供可以根据其生成解剖图像的基础。具体地，身体的内部结构的截面轴向图像可以被表示在二维图像中或更复杂的图像可以被生成为三维图像。以这种方式，提供了用于对软组织进行成像的无创非剂量模态。图像可以由用户(诸如医师、技术人员等)使用以通过确定任何解剖结构是否存在来确定在图像中捕获的内部结构是否是健康、损伤的等。
通过查看内部器官的所生成的图像，用户可以分析器官的状况。用户可以被提供有用户接口，其中，器官和其子部件可以具有与其相关联的预定义发现代码(FC)，其指示如通过图像目击的状况。FC包括代码段(例如，LV800.1)和文本段(例如，“左心室是正常的”)，使得叙述报告可以基于任何录入的(entered)FC生成。特别地，在报告期间，当与超声心动图有关时，用户(诸如心脏病专家)从然后表现为报告面板中的可选择项的下拉菜单选择FC。在报告的终结时，创建包括录入的FC的文本段的叙述报告。
给定可以生成报告的该格式，可以需要质量保证规则，特别地在超声心动图解释工作流程中。例如，用户可以录入实际上矛盾的FC，诸如第一录入的FC指示左心室是正常的，而第二录入的FC指示左心室是严重地扩张的。实际上，本领域的技术人员可以读取报告并且不能够基于该矛盾结果适当地断定器官的状况。然而，针对特定机构或以一般的方式起草可靠规则集合是劳动和知识密集的。此外，并非每个临床部位可以具有可用于内部地开发令人满意的规则集合的专业资源。由于结构化报告内容的定位，不可以开发在多个临床部位之间共享的一个规则集合。
因此，基于其中机构自身在处理报告中操作的方式来动态地生成与特定机构有关的规则的集合是期望的。
发明内容
示范性实施例涉及一种用于生成规则集合的系统和方法。所述方法包括：由规则生成设备接收多个先前生成的报告，所述先前生成的报告中的每个包括相应的图像的相应的分析内容；由所述规则生成设备基于所述分析内容生成候选规则，所述候选规则被配置为增加未来报告的质量保证；由所述规则生成设备基于所述候选规则和所述先前生成的报告生成针对每个候选规则的相应的评分；并且当所述评分大于预定阈值时，由所述规则生成设备将所述候选规则包括在所述规则集合中。
附图说明
图1示出了根据示范性实施例的用于扫描室的系统；
图2示出了根据示范性实施例的成像设备；
图3A示出了根据示范性实施例的用于包括发现代码的报告面板；
图3B示出了根据示范性实施例的基于在报告面板中录入的发现代码所生成的报告；
图4示出了根据示范性实施例的与规则生成设备通信的多个成像设备的网络；
图5示出了根据示范性实施例的规则生成设备；并且
图6示出了根据示范性实施例的生成规则集合的方法。
具体实施方式
示范性实施例还可以参考示范性实施例的以下描述和相关附图来理解，其中，类似的元件被提供有相同的附图标记。示范性实施例涉及一种生成针对利用多个发现代码(FC)的系统的规则集合的系统和方法。特别地，规则集合指示各种FC之间的交互，诸如第一FC与第二FC相反，使得当一起出现在单个报告中，可以执行诸如警报的动作。因此，包括所包括的FC的结果的报告正确并且不相互矛盾。下面将更详细地解释规则集合、FC、报告、警报和相关方法。
在本文中关于成像设备和结合由用户(诸如技术人员)通过成像设备所生成的图像的分析使用的多个FC描述了示范性实施例。然而，应当指出，成像设备的使用和图像分析的伴随方式仅是示范性的。本领域的技术人员将理解到，示范性实施例可以应用于利用识别特性的描述符(诸如FC)的任何系统。此外，FC的使用仅是示范性的。特别地，FC可以表示由用户录入的对象内的特性的任何识别。因此，成像设备可以表示在其中可以利用示范性实施例的任何系统，FC可以表示在其中可以利用示范性实施例的系统内所使用的任何标识符，并且图像的分析可以表示在其中用户可以提供在其中可以利用示范性实施例的所评价的多个输入的任何过程。
图1示出了根据示范性实施例的用于扫描室100的系统。扫描室100被用于需要执行成像的患者。例如，患者可以需要通过在特定身体部分上执行捕获流程生成磁共振成像(MRI)图像。在另一范例中，使用超声的超声心动图可以被用于还通过在特定身体部分上执行捕获流程来生成图像。扫描室100包括捕获设备105，其具有患者台110、控制面板115和捕获设备部件120以及包括成像设备130的操作者室125。
根据示范性实施例，捕获设备105可以执行捕获流程，诸如扫描，其中，数据从捕获流程的对应的机构被收集并且被发送到成像设备130。当捕获设备105是MRI设备时，捕获流程可以通过使患者躺在患者台110上来执行并且利用捕获设备部件120执行扫描。患者可以经由在控制面板115上所接收的输入在捕获设备105的膛内移动。控制面板115可以允许操作者移动患者台110以用于要执行的对齐，其中，患者台110被移动到等中心(中心辐射射束要穿过的空间中的点)。
特别参考为超声心动图设备的捕获设备105，超声心动图设备被配置为生成与基于心脏的声波图生成图像相关联的信息。因此，超声心动图设备使用二维、三维和多普勒超声创建心脏的图像。存在其中可以执行超声心动图流程的许多不同的配置。在第一配置中，超声心动图设备可以利用在其中换能器和探头被放置在患者的胸壁或胸部上并且图像通过其取得的经胸超声心动图或心脏超声。在第二配置中，可以执行经食道超声心动图流程，其中，包括超声换能器的专业探头被传递到患者的食道中以允许来自直接在心脏后面的位置的图像和多普勒评价。在其他配置中，可以执行应力超声心动图流程(在心脏在物理应力下时的成像)或三维超声心动图流程(通过适当的处理系统随时间产生移动图像的成像)。不管使用的配置，与心脏有关的信息被收集并且被记录并且从捕获设备105被发送到成像设备130以构建身体的扫描区的图像。
当捕获设备105是超声心动图设备时，捕获设备部件120可以包括探头，所述探头包括超声部件，诸如超声线圈或晶体。因此，超声部件可以生成从探头朝向心脏传播的超声波。超声可以反射离开组织并且朝向探头或其他部件返回。可以通过接收器(例如，被容纳在探头或另一部件中)测量返回的波。该信息可以被处理并且被发送到成像设备130。例如，捕获设备部件120还可以包括以有线或无线方式发送信息的短或长距离发射器。
使用以上捕获流程，成像设备130可以能够生成图像。图2示出了根据示范性实施例的图1的成像设备130。成像设备130可以被配置为使用有线或无线布置与捕获设备105通信。因此，成像设备130可以包括接收器225和发射器30，其可以包括对应的通信布置。然而，应当注意，成像设备130可以包括组合的收发器，以提供接收器225和发射器230的功能。接收器225和发射器230可以用于短距离无线通信(与预定范围内的捕获设备105)或用于长距离无线通信(诸如与网络)。
成像设备130可以包括处理器205和存储器布置210。处理器205可以运行图像生成应用235，所述图像生成应用处理由捕获设备105所提供的超声返回信号信息以生成要由用户查看的图像。如下面将更详细描述的，当用户正查看由成像设备130所生成的图像时，可以使用各种指示器(诸如FC)指示心脏中的区的状况。处理器205还可以运行报告应用240，所述报告应用在图像的分析期间基于录入的指示器生成报告。如下面将更详细地描述的，报告应用240还可以被配置为处理录入的指示器以基本上消除可以最终存在于报告上的任何矛盾。如下面将更详细地描述的，这可以基于针对利用捕获设备105和成像设备130的特定机构所确定的准则。应用235、240、指示器和准则可以被存储在存储器布置210中。
成像设备130还可以包括显示设备215和输入设备220。例如，处理器205可以运行图像生成应用235，所述图像生成应用利用从捕获设备所接收的数据(经由接收器225)来生成扫描的图像。这些图像可以被示出在显示设备215上。还可以一次一幅地示出图像或同时地示出多幅图像。还示出在显示设备215上的图像生成应用235和/或用户接口可以以图像要如何被示出以及在示出多幅图像时的布局的方式给用户提供选择。输入设备220可以从操作者接收输入以控制捕获设备部件120的操作，从而选择要针对要生成的图像扫描的切片。输入设备220还可以使得指示器能够在图像的分析期间被录入。
示范性实施例涉及生成规则集合，所述规则集合适用于在从执行成像流程所示的至少一幅图像的分析期间处理录入的指示器。在一个范例中，图像可以为患者的超声心动图流程期间的心脏的。规则集合还可以被定义用于给定设备、给定设备的集合(诸如在机构或部门内)、具有分析图像的共同实践的给定区域等。规则集合还可以被定义为由利用捕获设备105和成像设备130的任何用户使用的宽广的通用集合。然而，本领域的技术人员将理解，存在图像的分析中的差异(特别地逐机构)。如本文中将描述的，可以基于包括多个捕获设备105和成像设备130的给定机构中所执行的分析生成规则集合。特别地，规则集合可以基于在用于最终生成报告使用的报告面板中的分析期间所录入的指示器。
图3A示出了根据示范性实施例的用于包括FC的报告面板300。当患者使成像流程被执行时，用户可以查看所生成的图像。当查看图像时，用户可以利用用户接口，诸如报告面板300。报告面板300使得用户能够包括来自分析图像的各种发现。特别地，报告面板可以是FC驱动的，其中，发现基于包括代码段和文本段的FC被录入为指示。
如在示范性报告面板300中所图示的，可以示出多个心脏区标签305。用户可以选择这些心脏区标签305之一以定义报告面板300的后续部分。例如，心脏区标签305可以包括左心室和右心室、心房、不同的瓣膜等。如所示的，用户能够已经选择对应于左心室的心脏区标签305。应再指出，超声心动图的使用仅是示范性的，因此作为感兴趣的身体部分的心脏的使用仅是示范性的。本领域的技术人员将理解，报告面板300可以用于任何身体部分或可以表示将要分析的总体系统中的任何子部件。
一旦心脏区标签305被选择，用户可以开始录入作为输入区310中的FC的指示。输入区310可以包括录入FC的不同的方式。例如，输入框可以使得用户能够手动地录入期望的FC。在另一范例中，可以提供在其中用户可以选择一个或多个FC的菜单。可以通过各种装置(诸如下拉菜单(例如，利用输入框并入的)、弹出式窗口等)访问菜单。一旦FC被录入，对应的区段可以在其中列出FC，其中，对应的区段与所选择的心脏部分的特性有关。例如，可以示出多个窗口315-335，其中，每个窗口315-335与所选择的心脏部分的相应的特性(例如，尺寸/形状、血栓、厚度、功能、室壁运动等)有关。如所示，可以已经录入四个FC，其中，第一FC对应于左心室的尺寸或形状；第二FC和第三FC对应于左心室的血栓；并且第四FC对应于左心室的厚度。
一旦使用报告面板300，成像设备130可以处理被录入为FC的发现并且生成报告。图3B示出了根据示范性实施例的基于被录入在图3A的报告面板300中的FC所生成的示范性报告350。报告350可以是使用报告面板300的结果。相对于被录入在图3A的报告面板300中的特定FC，为了便于阅读，报告350包括文本格式的发现。报告350还可以包括患者的信息、何时执行成像流程的信息、何时执行所生成的图像的分析的信息、执行分析的用户或技术人员的信息(和/或签名)等。
应当指出，成像设备130和处理器205还可以运行分析应用，所述分析应用被配置为以自动化方式执行所生成的图像的分析。分析应用可以被预配置为以与当用户手动地执行分析时基本上类似的方式确定各种发现并且录入FC。然而，应当指出，该自动化过程还可以包括手动部件，其中，用户可以执行自动化分析的次级检查以验证分析应用的发现。
如上文所讨论的，报告350可以包括基于录入的FC的至少一个矛盾。例如，当查看针对患者的心脏所生成的图像的集合中的第一图像时，用户可以查看到左心室是正常的。因此，用户可以录入对应于该特性的FC。然而，当查看图像的集合中的第二图像时，用户可以查看到左心室是严重扩张的。因此，用户可以录入对应于该特性的FC。因此，来自这些录入的FC的得到的报告将包括说明左心室既正常和扩张两者的矛盾。当报告的后续读者查看这一点时，读者不能够理解左心室是正常还是扩张的。鉴于这些场景形成，示范性实施例被配置为识别何时这些矛盾存在并且执行适当的动作，诸如提供警报或移除一个或多个FC，这将消除矛盾。
尽管成像设备130的制造商可以能够在首先执行所生成的图像的成像流程和分析时生成用于使用的基本规则集合，但是本领域的技术人员将意识到，如果FC基础未对齐，则该规则集合不可以在机构或部门之间合理地传送。然而，报告的FC驱动的质量保证还是值得注意的，因为高质量报告在医疗保健企业中是日益重要的。因此，可以不制成并且提供将适于超过基本矛盾的规则集合。起草用于机构的规则集合常常是劳动密集和知识密集的，并且机构可能不能够或使资源适当地定义规则集合。因此，示范性实施例提供自动化机构以基于查看性报告的集合导出质量保证规则并且评估离线或在线工作流程中的有用性以克服若干缺点，诸如，规则集合的不可移植性和手动地创建规则集合的资源的缺乏。
图4示出了根据示范性实施例的经由通信网络405与规则生成设备410通信的多个成像设备130、130'、130″的网络400。如上文所讨论的，示范性实施例可以被配置为基于先前生成的报告以及随后对报告采取的动作(诸如做出的校正)生成规则集合。
上文讨论了成像设备130。成像设备130'和130″可以表示与成像设备130基本上类似的成像设备。例如，成像设备130、130'、130″可以与超声心动图流程有关。然而，应当指出，成像设备130、130'、130″还可以用于不同的成像流程(诸如MRI)，并且成像设备130、130'、130″均可以执行相应的成像流程。
通信网络405可以被用于帮助成像设备130、130'、130”与规则生成设备410之间的通信。根据示范性实施例，通信网络405可以是使用对具有处理器的一个或多个远程计算机的逻辑连接的网络环境。逻辑连接可以包括例如局域网(LAN)和广域网(WAN)，其利用各种各样的不同的通信协议。本领域技术人员将意识到，这样的网络计算环境通常涵盖许多类型的计算机系统配置，包括个人计算机、手持式设备、多处理器系统、基于微处理器的或可编程消费电子设备、网络PC、小型计算机、大型计算机等。
规则生成设备410可以是自动地生成要由包括成像设备130、130'、130″的机构使用的规则集合的部件。图5示出了根据示范性实施例的规则生成设备410。规则生成设备410可以被配置为使用有线或无线布置与通信网络405通信。因此，规则生成设备410可以包括接收器525和发射器530，其可以包括对应的通信布置。然而，类似成像设备130，应当指出，规则生成设备410可以包括组合的收发器，并且通信可以用于短距离无线通信或用于长距离无线通信。
规则生成设备410可以包括处理器505和存储器布置510。处理器505可以运行多个不同的应用，诸如候选规则生成应用535、规则评分应用540、接口应用545和规则运行应用550。如下面将更详细描述的，候选规则生成应用535可以基于先前已存在的逻辑模板和在结构化报告的数据库中使用的FC词汇创建候选规则；规则评分应用540可以评估候选规则并且根据预定缩放将其评级以确定其采用；并且接口应用545可以将所采用的规则暴露于外部代理，诸如规则运行应用550。应用535-550可以被存储在存储器布置210中。
规则生成设备410还可以包括显示设备515和输入设备520。例如，处理器505可以为用户提供用户接口以分析由规则生成设备410所生成的候选规则集合。输入设备520可以从用户接收输入以操纵候选规则和候选规则集合。输入设备520还可以表示使得报告能够由规则生成设备410接收的部件。在第一范例中，用户可以经由输入设备520手动地录入先前的报告。在第二范例中，具有接收器525的输入设备520可以接收先前的报告。
初始地，规则生成设备410可以对多个先前的报告进行编译。例如，可以从利用成像设备130、130'、130″的特定机构接收结构化报告的数据库。可以以各种方式编译结构化报告的数据库。在第一范例中，可以为本地的或远程的存储库数据库可以被用于存储来自由成像设备130、130'、130″所生成的图像的分析的所有先前生成的报告。可以经由通信网络405访问存储库数据库。应当指出，规则生成设备410可以接收结构化报告的数据库并且将其存储在存储器布置510中或可以远程地访问报告。在第二范例中，规则生成设备410可以被安装在机构处并且可以在针对使用规则生成设备410之前的预定时间量接收报告。
报告可以被结构化，其中，其基于FC而被生成。通过FC，规则生成设备410可以能够使用报告的代码段来提取相关信息。FC可以是图像内的发现的标准化指示器。因此，来自成像设备130的包括第一FC的结构化报告和来自成像设备130'的包括第一FC的结构化报告可以对应于图像内的相同类型的发现。因此，规则生成设备410可以能够将这些发现一起进行归类。
然而，应当指出，结构化报告的使用仅是示范性的。本领域的技术人员将理解，当未使用FC时，报告可以是“非结构化”的。例如，用户或技术人员可以徒手创建报告。在另一范例中，用户或技术人员可以利用不同类型的指示器，其不是FC。当非结构化报告被接收时，规则生成设备410可以被配置有被用于归一化非结构化报告的内容的其他应用。例如，归一化可以使内容对应于适当的FC。特别地，对于离散的数据点而言，FC可以被引入以表示在其中数据点不满足预定临床相关阈值(例如，小于50％的射血分数)的情况。对于叙述地描述的相关信息而言，自然语言处理引擎可以被用于自动地检测相关信息(例如，吸烟史)。以这种方式，可以通过执行该额外步骤以与结构化报告基本上类似的方式分析非结构化报告。
候选规则生成应用535可以利用多个逻辑模板(诸如“如果…则…”)或不相容原理。以这种方式，规则生成设备410可以确定可以被包括在规则集合中的多个潜在规则。每个模板可以具有不同的格式。例如，如果/则原理还可以利用不相容性原理。以特定格式，候选规则生成应用535可以指示当F C的集合中的任何或全部被包括在报告中，则FC的另外的集合中的任何或全部要被包括或被排除。再次，这可以基于由规则生成设备410所接收的报告。候选规则生成应用535还可以利用结构化报告数据库(诸如FC)的词汇。因此，候选规则生成应用535可以通过将一个或多个FC插入在逻辑模板中以导出要包括在规则集合中的潜在规则创建候选规则。例如，在上文所描述的范例中，当第一FC指示左心室是正常的并且第二FC指示左心室是严重扩张的时，候选规则可以声明将第一FC和第二FC包括在单个报告中是不正确的或可以防止该场景发生。即，如果报告已经要包括第一FC，则除非第一FC在该选择之前被处理，否则用户可能不能够录入第二FC。
应当指出，候选规则生成应用535可以被配置为限制候选规则的数目。本领域的技术人员将理解，可以生成的候选规则的数目可以随着FC、逻辑模板等的数目指数地增长。因此，候选规则生成应用535可以使用至少一个启发法(heuristic)限制候选规则的数目。在第一范例中，可以通过不填充FC的列表中的超过N个FC来限制候选规则生成应用535。在第二范例中，候选规则生成应用535可以不将相对不频繁的FC插入在报告数据库中，诸如出现少于报告的预定百分比。在第三范例中，候选规则生成应用535可以不将相对不频繁的FC的列表中的FC的组合插入在报告数据库中，再次，诸如出现少于报告的预定百分比。候选规则生成应用535还可以利用另外的启发法维持多个候选规则以用于后续处理。
规则评分应用540可以接受由候选规则生成应用535生成以确定表征规则的一个或多个特征的候选规则。特别地，每个特征可以描述机器可解释格式的给定候选规则的一个方面。因此，规则评分应用540可以包括特征生成子引擎。特征可以基于来自各种领域(诸如决策理论、统计结果、自然语言处理、空间建模等)的方法和技术。规则评分应用540还可以包括评分子引擎，其将针对特征中的每个的各种评分并入以生成用于候选规则的总体评分。
在第一范例中，每个候选规则可以是基于决策理论来评价的。特别地，无论何时候选规则激起并且检测错误，规则可以被授予正预设评分，然而当规则在静脉中激起时(即，误警报)，规则可以被扣除负预设评分。应指出，可以从所接收的报告的数据库估计真阳性和假阳性发生的概率。因此，可以确定候选规则的效用。负效用指示候选规则益处超过误警报的数目。例如，如果候选规则声明FC-A和FC-B将不一起出现(其中，FC-A是第一FC并且FC-B是第二FC)，真阳性的概率可以被估计为P(！B|A)＝(#(A&！B)/#A)并且假阳性的概率可以被估计为P(B|A)＝(#(A&B)/#A)。因此，通过决策理论措施，规则的效用可以是XxP(！B|A)-YxP(B|A)。该计算可以由规则评分应用540使用以确定与被评价的候选规则有关的该特性的值。
在第二范例中，每个候选规则可以是基于统计结果来评价的。特别地，有效规则可以检测在报告数据库中相对不频繁的FC的组合。可以通过统计方法确定FC的组合的相对频率。例如，对于其中FC-A和FC-B将不一起出现的以上所描述的候选规则而言，规则评分应用540具有看到具有FC-A和FC-B两者的相对少报告的期望。然而，如果FC的该组合是常见的，还存在这些FC不彼此排除的期望。评估相对不频繁的一个机制是通过基于先验概率的期望频率与所观察的频率的比较。FC-A出现的先验概率可以被估计为P(A)＝(#A/N)，而FC-B出现的先验概率可以被估计为P(B)＝(#B/N)。如果FC-A和FC-B是统计独立的，则规则评分应用540可以预期利用FC-A和FC-B的组合看到P(A)xP(B)xN报告。该数量可以使用#(A&B)/P(A)xP(B)xN与包括FC-A和FC-B两者的观察到的多个的报告相比较。该比较可以通过被指代为P(A&B)/P(A)P(B)、P(A&B)-P(A)P(B)的比率格式化。更高级的统计方法可以被用于计算FC-A和FC-B统计相关(例如，χ2)或所观察的FC-A和FC-B的数目是误点击(mis-click)(被建模为随机噪声过程)的结果的概率(例如，p值)。该计算可以由规则评分应用540使用以确定与被评价的候选规则有关的该特性的值。
在第三范例中，可以通过临床方面评价每个候选规则。特别地，临床方面可以与来自扰乱检测的工作流程中的中断有关。临床特征可以返回在其上候选规则将激起的报告的部分。如果报告的该部分是太高的，则这可以是规则评分应用540忽视候选规则的原因。该计算可以由规则评分应用540使用以确定与被评价的候选规则有关的该特性的值。
在第四范例中，可以通过自然语言处理方面评价每个候选规则。特别地，候选规则的叙述段可以被用于匹配。通过可以出现在FC(其可以被存储在分离的关键字数据库中)的叙述段中的设计的关键字的列表(例如，正常的、温和的、中等的、严重的等)，规则评分应用540可以将其外观与逻辑模板和叙述段的剩余部分进行比较。例如，如果关键字(例如，正常的和严重的)被组合在逻辑模板中(诸如“如果左心室是正常的，那么左心室不是严重扩张的”)，则自然语言处理可以准予候选规则。该计算可以由规则评分应用540使用以确定与被评价的候选规则有关的该特性的值。
在第五范例中，可以通过空间建模方面评价每个候选规则。特别地，空间模型可以是由包括主要解剖实体和其空间(例如，“被连接到”)和功能(例如，“在…下游”)关系的心脏解剖结构(例如，心室、心房等)设计的。该空间信息可以被存储在分离的空间模型数据库中。例如，解剖位置的列表可以包括腔静脉、右心房、三尖瓣、右心室、肺动脉瓣、左心房、二尖瓣、左心室、主动脉瓣和冠状动脉窦、主动脉、心房(左和右心房)、心室(左和右心室)和瓣膜(所有瓣膜)。关键字的列表可以被设计为检测针对这些解剖位置中的每个的解剖实体。空间建模方面可以仅返回包含其所检测的解剖实体相同或在附近的FC的候选规则。例如，距离矩阵可以被用于对两个解剖位置之间的距离进行建模。以这种方式，腔静脉与右心房之间的距离可以是第一值(例如，“1”)，而腔静脉与三尖瓣之间的距离可以是第二值(例如，“2”)。该计算可以由规则评分应用540使用以确定与被评价的候选规则有关的该特性的值。
一旦确定针对特征中的每个的评分，规则评分应用540经由评分子引擎可以确定候选规则的总评分。总评分可以指示候选规则是否要被采用在规则集合中。该决策过程可以被建造为决策规则、决策树、统计或机器学习分类器(例如，随机森林、神经网络、支持向量机等)等。在第一范例中，统计和机器学习分类器可以需要在其中样本规则可以由离线工作流程中的领域专家使用的训练数据。假定样本规则要由规则评分应用540采用，分类器的特征阈值和/或校准可以被用于最终确定候选规则是否要被采用。在第二范例中，规则评分应用540可以返回反映给定候选规则要被采用的确定性的数值。候选规则可以由确定性值分类，并且可以使用采用高于预定阈值的规则的决策。规则集合中的规则的采用的其他准则可以包括仅将前N个规则用作元包含(meta-inclusion)规则。应当指出，预定加权因子可以被应用到在生成总评分的数值中的评分(例如，第一特征可以被视为比第二特征更重要)。
接口应用545可以使用标准序列化和写入机制坚持人类和/或机器可解释格式的经评估的候选规则。此外，接口应用545可以被配置为包括经评估的候选规则的确定性值和/或包括用于人类查看的所有候选规则。
应当指出，上文所描述的规则采用特征仅是示范性的。当评分子引擎已经生成针对候选规则中的每一个的总评分时，具有其伴随评分的候选规则的集合可以经由显示设备515被呈现给用户。用户然后可以手动地确定哪些候选规则将被采用到规则集合中。因此，处理器505还可以运行规则查看应用(未示出)，其消耗候选规则的坚持的选择并且将他们以方便和直观的方式显示给用户。用户可以然后能够修改规则评估(例如，以否决规则评分应用540的评估)。本领域专家还可以使用该应用验证机构中的规则的期望性。应用可以通过接口应用545坚持经修改的规则集合。
规则运行应用550使得要包括在规则集合中的采用的候选规则能够被用于包括成像设备130、130'、130″的机构。由于规则集合是基于由这些成像设备130、130'、130″所生成的报告来定制的，因而规则集合被特别地设计为确定何时矛盾或否则FC的不可能的组合存在。成像设备130、130'、130″可以利用规则集合进行加载。因此，当用户将利用成像设备130并且通过经由报告面板300录入发现开始图像的分析时，规则的任何违反可以生成要执行的适当的动作。例如，如果用户录入第一FC并且随后录入第二FC并且这些FC的组合导致规则的违反，则成像设备130可以生成向用户指示存在该违反的警报。在另一范例中，如果用户录入第一FC并且随后完成报告的过程但是规则指示第二FC将在第一FC被录入时要被包括，则成像设备130可以生成包括第二FC的建议。
应当指出，在规则集合被实施在机构处时，处理器505还可以运行工作流程中的反馈收集应用(未示出)。当使用利用上文所描述的机制自动生成的规则集合时，工具可以被配置有用户反馈选项。以这种方式，用户可以指示检测到的违反是有用的(例如，“非常有帮助的”)或不是有用的(例如，“无用的”)。如果预定数目的反对投票被超过或如果预定百分比的投票是否定的，则可以实施禁用规则的投票机制。
图6示出了根据示范性实施例的生成规则集合的方法600。方法600可以通过规则生成设备410来确定，规则生成设备410可以具有经由通信网络405对由多个成像设备(诸如成像设备130、130'、130″)所生成的报告的访问。将参考这些部件描述方法600。
在步骤605中，规则生成设备410从机构的成像设备(诸如成像设备130、130'、130″)接收先前生成的报告。如上文所讨论的，可以以各种方式接收报告。在第一范例中，规则生成设备410可以被并入到网络400中，使得成像设备130、130'、130″可以经由通信网络405将报告发送到规则生成设备410。在第二范例中，规则生成设备410可以以离线方式接收报告，其中，用户可以手动地加载要在规则生成设备410上接收的报告。
在步骤610中，规则生成设备410可以对报告进行归一化。如上文所讨论的，报告可以是结构化或非结构化的。当是结构化的时，规则生成设备410可以提取报告中的FC。当被非结构化时，规则生成设备410可以利用各种引擎和处理器(例如，自然语言处理器)将报告的内容提取到对应的FC中或生成针对报告中的信息的新FC。
在步骤615中，规则生成设备410的候选规则生成应用535可以基于报告的信息生成候选规则。如上文所讨论的，候选规则可以是基于包括如果/则、包括、排除等格式的模板生成的。应当指出，方法600可以包括另外的步骤，诸如其中候选规则生成应用535确定候选规则的数目是否在预定参数(诸如利用启发法所标识的那些预定参数)内的步骤。
在步骤620中，规则生成应用410(诸如通过特征生成子引擎)可以生成针对每个规则的特征值。特征值可以包括表征机器可解释格式中的规则的方面。特征可以基于来自各种领域的方法和技术，诸如上文所列出的那些，包括决策理论、统计结果、临床方面、自然语言处理方面和空间建模方面。
在步骤625中，规则生成应用410的规则评分应用540可以生成针对候选规则的每个特征的相应的评分。可以使用对应于特征特性的类型的相应的计算针对每个评分确定评分。规则评分应用540还可以将不同的特征的评分归一化以随后确定针对特征的总评分。
在步骤630中，规则生成设备410可以基于针对每个特征的评分或者基于针对特征的总评分来确定候选规则是否被采用。例如，当规则生成设备410将每个特征用作决定因素时，对应的预定阈值可以被用作基础。在另一范例中，当规则生成设备410利用总评分时，预定阈值还可以用作基础。以这种方式，规则生成设备410可以自动地确定哪些候选规则将被采用到规则集合中。
应当再指出，方法600可以包括额外步骤，诸如如果要采用的候选规则的数目不超过预定数目。当使用这样的步骤时，方法600可以包括另外的子步骤，诸如将在步骤630中使用的阈值重新调节以过滤采用的候选规则。
在步骤635中，规则生成设备410确定候选规则是否被采用到针对机构的规则集合中。此外，这可以涉及规则生成设备410执行候选规则是否要被采用的自动确定。如果规则要被采用，则规则生成设备410可以将方法继续到步骤640。在步骤640中，用户可以经由接口应用545提供重写，其中，代替地消除要被采用的候选规则。因此，如果执行重写，则规则生成设备410将方法继续到步骤645。然而，如果用户未重写被采用的候选规则，则规则生成设备410将方法600继续到步骤650，其中，候选规则被添加到规则集合。返回到步骤635，如果候选规则被确定为未采用，则规则生成设备410将方法600继续到步骤655。在步骤655中，可以执行基本上类似的重写步骤，其中，用户可以重写确定以消除候选规则。因此，如果用户接受不采用规则的决策，则规则生成设备410将方法继续到步骤545。然而，如果用户重写规则生成设备410的确定，则规则生成设备410将方法600继续到步骤650，其中，候选规则被添加到规则集合。
在步骤660中，规则生成设备410确定是否存在要针对采用评价的任何另外的候选规则。如果存在另外的候选规则，则规则生成设备410将方法600返回到步骤630。然而，如果所有候选规则已经针对采用被评价，则规则生成设备410将方法600继续到步骤665，其中，规则集合针对机构被生成并且规则运行应用550将成像设备130、130'、130″配置为基于规则集合来提供报告生成的质量保证。
应当再指出，在实施规则集合时，方法600可以包括另外的步骤。例如，规则生成设备410的工作流内反馈采集应用可以被用于确定规则集合将如何在实施方式之后执行。特别地，反馈应用可以从提示规则是否有帮助的响应的成像设备130的用户接收输入。当预定数目的响应被接收时，反馈应用可以确定是否更新规则集合以潜在地包括另外的规则或消除现有规则。
根据示范性实施例，示范性实施例的系统和方法提供自动地确定超声心动图解释工作流程中的质量保证规则的机制。特别地，规则可以确保报告中的矛盾或不相容陈述被防止示出在报告中。通过首先从机构的多个成像设备接收先前生成的报告，规则生成设备可以首先生成候选规则并且基于表征候选规则的特征的评分评价候选规则。随后地，规则生成设备可以自动地确定候选规则是否将被采用到针对机构的成像设备实施的规则集合中(受用户介入影响)。以这种方式，机构可以克服手动地创建规则将通常需要的专业资源的缺乏。生成针对不同的机构的规则集合的能力也是有能力的，从而克服端口规则的无能力。
本领域技术人员将理解，可以以任何适合的软件或硬件配置或其组合实施上文所描述的示范性实施例。用于实施示范性实施例的示范性硬件平台可以包括例如具有兼容操作系统的基于Intel x86的平台、MAC平台和MAC OS、具有操作系统(iOS、Android等)的移动硬件设备。在另外的范例中，上文所描述的方法的示范性实施例可以被实现为包含被存储在非暂态计算机可读存储介质上的代码行的程序，其在被编译时可以被运行在处理器或微处理器上。
对于本领域技术人员而言将显而易见的，在不脱离本发明的精神或范围的情况下，可以在本发明中做出各种修改。因此，本发明旨在覆盖本发明的修改和变型，只要其在权利要求书和其等价方案的范围内。

Claims (20)

1.一种方法(600)，包括：
由规则生成设备(410)接收(605)多个先前生成的报告，所述先前生成的报告中的每个包括相应的图像的相应的分析内容；
由所述规则生成设备(410)基于所述分析内容来生成(615)候选规则，所述候选规则被配置为增加未来报告的质量保证；
由所述规则生成设备(410)基于所述候选规则和所述先前生成的报告来生成(625)针对每个候选规则的相应的评分；并且
当所述评分高于预定阈值时，由所述规则生成设备(410)将所述候选规则包括(650)到规则集合中。
2.根据权利要求1所述的方法(600)，还包括：
由所述规则生成设备(410)基于所述候选规则满足所述质量保证的预定准则来确定(620)表征所述候选规则的至少一个特征。
3.根据权利要求1所述的方法(600)，其中，所述先前生成的报告是以下各项中的至少一项：结构化报告，在所述结构化报告中，所述分析内容是利用预定指示器定义的；以及非结构化报告，在所述非结构化报告中，所述分析内容包括自然语言。
4.根据权利要求3所述的方法(600)，还包括：
由所述规则生成设备(410)通过确定所述自然语言来将所述非结构化报告归一化(610)以对应选择所述预定指示器中的预定指示器。
5.根据权利要求1所述的方法(600)，其中，基于包括、排除和其组合中的一项在模板中将所述候选规则格式化。
6.根据权利要求1所述的方法(600)，其中，特征包括以下各项中的至少一项：决策理论、统计结果、临床方面、自然语言处理方面和空间建模方面。
7.根据权利要求6所述的方法(600)，其中，所述评分是基于针对所述特征中的每个的个体分项评分生成的总评分。
8.根据权利要求6所述的方法(600)，其中，所述评分包括相应的针对所述特征中的每个的多个评分。
9.根据权利要求8所述的方法(600)，还包括：
利用相应的预定阈值评价所述多个评分中的每个。
10.根据权利要求1所述的方法(600)，其中，图像是由超声心动图流程生成的。
11.一种设备(410)，包括：
接收器(525)，其被配置为接收多个先前生成的报告，所述先前生成的报告中的每个包括相应的图像的相应的分析内容；以及
处理器(505)，其被配置为规则集合，在所述规则集合中，每个规则被配置为增加未来报告的质量保证，
其中，所述处理器(505)还被配置为：
基于所述分析内容来生成(615)候选规则，所述候选规则被配置为增加未来报告的质量保证；
基于所述候选规则和所述先前生成的报告来生成(625)针对每个候选规则的相应的评分；并且
当所述评分高于预定阈值时，将所述候选规则包括(650)到所述规则集合中。
12.根据权利要求11所述的设备(410)，其中，所述处理器(505)还被配置为基于所述候选规则满足所述质量保证的预定准则来确定(620)表征所述候选规则的至少一个特征。
13.根据权利要求11所述的设备(410)，其中，所述先前生成的报告是以下各项中的至少一项：结构化报告，在所述结构化报告中，所述分析内容是利用预定指示器定义的；以及非结构化报告，在所述非结构化报告中，所述分析内容包括自然语言。
14.根据权利要求13所述的设备(410)，其中，所述处理器还被配置为通过确定所述自然语言来将所述非结构化报告归一化(610)以对应选择所述预定指示器中的预定指示器。
15.根据权利要求11所述的设备(410)，其中，基于包括、排除和其组合中的一项在模板中将所述候选规则格式化。
16.根据权利要求11所述的设备(410)，其中，特征包括以下各项中的至少一项：决策理论、统计结果、临床方面、自然语言处理方面和空间建模方面。
17.根据权利要求16所述的设备(410)，其中，所述评分是基于针对所述特征中的每个的个体分项评分生成的总评分。
18.根据权利要求16所述的设备(410)，其中，所述评分包括相应的针对所述特征中的每个的多个评分。
19.根据权利要求18所述的设备(410)，其中，所述处理器(505)还被配置为利用相应的预定阈值评价所述多个评分中的每个。
20.一种系统(400)，包括：
第一成像设备(130)，其被配置为生成用于第一分析的第一图像，第一报告是基于所述第一分析生成的；
至少一个第二成像设备(130')，其被配置为生成用于第二分析的相应的第二图像，相应的第二报告是基于所述第二分析生成的；
规则生成设备(410)，其被配置为接收所述第一报告和所述第二报告，所述规则生成设备(410)被配置为生成规则集合，所述规则集合包括多个规则，所述多个规则被配置为增加由所述第一成像设备和所述第二成像设备生成的未来报告的质量保证，所述规则集合是通过以下操作生成的：
基于所述第一分析和所述第二分析来生成候选规则；
基于所述候选规则以及所述第一报告和所述第二报告来生成针对每个候选规则的相应的评分；并且
当所述评分高于预定阈值时，将所述候选规则包括到所述规则集合中。
CN201580073885.0A 2014-12-19 2015-12-18 质量保证规则的自动化导出 Active CN107209796B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201462094088P 2014-12-19 2014-12-19
US62/094,088 2014-12-19
PCT/IB2015/059772 WO2016098066A1 (en) 2014-12-19 2015-12-18 Automated derivation of quality assurance rules

Publications (2)

Publication Number Publication Date
CN107209796A true CN107209796A (zh) 2017-09-26
CN107209796B CN107209796B (zh) 2022-01-25

Family

ID=55085692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580073885.0A Active CN107209796B (zh) 2014-12-19 2015-12-18 质量保证规则的自动化导出

Country Status (5)

Country Link
US (1) US20170364647A1 (zh)
EP (1) EP3234835A1 (zh)
CN (1) CN107209796B (zh)
RU (1) RU2720664C2 (zh)
WO (1) WO2016098066A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7027302B2 (ja) 2015-08-14 2022-03-01 ストラタシス リミテッド 支持体材料配合物およびそれを使用する付加製造プロセス
CN111711867A (zh) * 2020-05-19 2020-09-25 腾讯科技（深圳）有限公司 流媒体业务的指标收集方法、装置、介质及电子设备

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030105638A1 (en) * 2001-11-27 2003-06-05 Taira Rick K. Method and system for creating computer-understandable structured medical data from natural language reports
US20070050187A1 (en) * 2005-08-30 2007-03-01 James Cox Medical billing system and method
CN101061480A (zh) * 2004-09-22 2007-10-24 三路影像公司 用来分析和优化用于癌症诊断的标记候选物的方法和计算机程序产品
CN101960863A (zh) * 2008-03-07 2011-01-26 日本电气株式会社 内容分发系统、特征量分发服务器、客户端和内容分发方法
CN102395975A (zh) * 2009-04-15 2012-03-28 皇家飞利浦电子股份有限公司 临床决策支持系统和方法
CN103124517A (zh) * 2010-10-07 2013-05-29 杜克大学 Mri图像的多维迭代相位循环重构
CN103827853A (zh) * 2011-09-29 2014-05-28 国际商业机器公司 最小化规则管理系统中的规则集
CN103946364A (zh) * 2011-09-25 2014-07-23 赛拉诺斯股份有限公司 用于多重分析的系统和方法
CN103946885A (zh) * 2011-11-17 2014-07-23 拜耳医疗保健公司 用于收集、报告和管理关于医疗诊断程序的信息的方法和技术
US20140278448A1 (en) * 2013-03-12 2014-09-18 Nuance Communications, Inc. Systems and methods for identifying errors and/or critical results in medical reports
CN104115149A (zh) * 2012-02-07 2014-10-22 皇家飞利浦有限公司 用于统计学测试的扫描数据库的交互式优化
US20140365239A1 (en) * 2013-06-05 2014-12-11 Nuance Communications, Inc. Methods and apparatus for facilitating guideline compliance

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100114609A1 (en) * 2008-10-30 2010-05-06 Duffy Jr Kevin James System and method for medical report generation
US9898586B2 (en) * 2013-09-06 2018-02-20 Mortara Instrument, Inc. Medical reporting system and method

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030105638A1 (en) * 2001-11-27 2003-06-05 Taira Rick K. Method and system for creating computer-understandable structured medical data from natural language reports
CN101061480A (zh) * 2004-09-22 2007-10-24 三路影像公司 用来分析和优化用于癌症诊断的标记候选物的方法和计算机程序产品
US20070050187A1 (en) * 2005-08-30 2007-03-01 James Cox Medical billing system and method
CN101960863A (zh) * 2008-03-07 2011-01-26 日本电气株式会社 内容分发系统、特征量分发服务器、客户端和内容分发方法
CN102395975A (zh) * 2009-04-15 2012-03-28 皇家飞利浦电子股份有限公司 临床决策支持系统和方法
CN103124517A (zh) * 2010-10-07 2013-05-29 杜克大学 Mri图像的多维迭代相位循环重构
CN103946364A (zh) * 2011-09-25 2014-07-23 赛拉诺斯股份有限公司 用于多重分析的系统和方法
CN103827853A (zh) * 2011-09-29 2014-05-28 国际商业机器公司 最小化规则管理系统中的规则集
CN103946885A (zh) * 2011-11-17 2014-07-23 拜耳医疗保健公司 用于收集、报告和管理关于医疗诊断程序的信息的方法和技术
CN104115149A (zh) * 2012-02-07 2014-10-22 皇家飞利浦有限公司 用于统计学测试的扫描数据库的交互式优化
US20140278448A1 (en) * 2013-03-12 2014-09-18 Nuance Communications, Inc. Systems and methods for identifying errors and/or critical results in medical reports
US20140365239A1 (en) * 2013-06-05 2014-12-11 Nuance Communications, Inc. Methods and apparatus for facilitating guideline compliance

Also Published As

Publication number Publication date
RU2017125948A3 (zh) 2019-06-19
EP3234835A1 (en) 2017-10-25
CN107209796B (zh) 2022-01-25
WO2016098066A1 (en) 2016-06-23
RU2017125948A (ru) 2019-01-21
US20170364647A1 (en) 2017-12-21
RU2720664C2 (ru) 2020-05-12

Similar Documents

Publication Publication Date Title
Reyes et al. On the interpretability of artificial intelligence in radiology: challenges and opportunities
US11288550B2 (en) Data processing apparatus and method, recognition apparatus, learning data storage apparatus, machine learning apparatus, and program
CN111511287B (zh) 从医学图像自动提取超声心动图测量结果
Davis et al. Artificial intelligence and echocardiography: a primer for cardiac sonographers
US9947090B2 (en) Medical image dectection system and method
JP5875285B2 (ja) 医療診断支援装置、情報処理方法及びプログラム
CN109817304A (zh) 针对放射学发现物传送现场护理警报的系统和方法
CN110114834A (zh) 用于医疗程序的深度学习医疗系统和方法
CN110121749A (zh) 用于图像采集的深度学习医疗系统和方法
CN109102490A (zh) 自动图像注册质量评估
CN102667786A (zh) 协议引导的成像流程
Delamaro et al. Using concepts of content‐based image retrieval to implement graphical testing oracles
CN111192660B (zh) 一种影像报告分析方法、设备及计算机存储介质
CN111178420B (zh) 一种二维造影图像上冠脉段标注方法及系统
JP2011180845A (ja) 推論装置
Gholinejad et al. Surgical process modelling strategies: which method to choose for determining workflow?
Dell'Angela et al. Artificial intelligence applied to cardiovascular imaging, a critical focus on echocardiography: The point‐of‐view from “the other side of the coin”
CN109147927B (zh) 一种人机交互方法、装置、设备及介质
CN108492885A (zh) 检查工作流推荐方法、装置及终端
CN107209796A (zh) 质量保证规则的自动化导出
Calikli et al. An algorithmic approach to missing data problem in modeling human aspects in software development
Chinnapongse et al. Model-based testing of gui-driven applications
Crockett et al. A Stress Test of Artificial Intelligence: Can Deep Learning Models Trained From Formal Echocardiography Accurately Interpret Point‐of‐Care Ultrasound?
US20220130546A1 (en) Task-oriented Dialogue System with Hierarchical Reinforcement Learning
KR102222015B1 (ko) 의료용 인공 신경망 기반 행잉 프로토콜을 제공하는 의료 영상 판독 지원 장치 및 방법

Legal Events

Date Code Title Description
PB01 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