CN108784655A - 针对医疗患者的快速评估和后果分析 - Google Patents

Abstract

使用（26）机器学习（46）来评估针对处于紧急情况的患者的数据，基于大量信息来提供（28）快速诊断。可以提供分诊（30）上的辅助。考虑到可能出现的各种各样的患者和状况，机器学习（46）可以依赖于合成生成（42）的图像以用于更精确的预测。机器学习（46）甚至可以利用缺失信息进行精确预测（28），以及可以被用来确定（34）对于给定患者而言什么缺失信息是更重要或不那么重要来获得的。

Description

针对医疗患者的快速评估和后果分析

背景技术

当前的实施例涉及在患者的紧急评估中的医疗诊断和/或预后。每年，几百万具有各种各样病理状况的患者在急诊部进行检查。对于这样的患者而言，通常收集大量数据，包括血压测量结果、ECG、既往病史、症状概要以及诸如计算机断层扫描（CT）、超声或磁共振成像（MRI）图像之类的成像数据。然后基于这种收集中的信息来决定患者治疗。该信息需要被尽可能快地处理，特别是用以识别需要紧急医疗干预的患者。这一过程在当前是手动处置的，从而对急诊部施加了很大的压力。对这种大量的数据收集进行的分析可能甚至在紧急情形中延缓分诊（triage）或治疗。在医师的分析之后可能指定了其他测试，从而引起进一步的延缓并且使在多个患者间分配治疗顺序变得复杂。

发明内容

作为介绍，下文描述的优选实施例包括用于在医疗系统中进行评估和/或后果确定的方法、计算机可读介质和系统。机器学习被用来评估处于紧急情况的患者的数据，从而基于大量信息提供快速诊断。可以提供分诊上的辅助。考虑到可能出现的各种各样的患者和状况，机器学习可以依赖于同步生成的图像以用于更精确的预测。机器学习甚至可以利用缺失信息精确地预测，以及可以被用来确定对于给定患者而言什么样的缺失信息是更重要或不那么重要来获得的。

在第一方面，提供了一种用于在医疗系统中进行评估和/或后果确定的方法。获取医学扫描数据，该医学扫描数据表示在医院的急诊部中被分诊的患者的解剖结构。获得针对该患者的其他数据。从该医学扫描数据和其他数据提取特征的集合。处理器将该特征输入到机器训练分类器。机器训练分类器至少部分地根据不特定于针对现有患者实例的训练数据而合成生成的图像进行训练。处理器利用将机器训练分类器应用于该特征来确定患者的状况和针对该状况的风险。基于该风险提供针对患者分诊的顺序。基于对于患者中的第一患者可用的特征和针对第一患者的状况来输出缺失的信息源。

在第二方面，提供了一种用于在医疗系统中进行评估和/或后果确定的方法。获取医学扫描数据，该医学扫描数据表示处于紧急情况的患者的解剖结构。获得针对该患者的其他数据。从该医学扫描数据和其他数据提取特征的集合。处理器利用将机器训练分类器应用于该特征来确定该患者的状况、针对该患者的风险、针对该患者的后果、类似的患者或其组合。输出缺失的信息源。该缺失源是基于针对该患者的缺失特征。

在第三方面，提供了一种用于机器训练以针对患者进行评估或后果确定的方法。改变解剖模型的参数。该改变提供合成生成的解剖模型的集合。根据该集合的合成生成的解剖模型来仿真医学图像。机器使用仿真医学图像来训练机器学习分类器。

本发明由所附权利要求限定，并且本部分中的内容不应当被理解为对那些权利要求的限制。下文结合优选实施例讨论了本发明另外的方面和优点，以及该另外的方面和优点可以随后独立地或以组合方式来要求保护。

附图说明

部件和附图不一定是按比例的，而是要将重点置于说明本发明的原理。此外，在附图中，遍及不同视图，相同的附图标记标明对应的部分。

图1是表示用在紧急情况中的机器学习分类器的训练和应用两者的医疗系统。

图2是用于在医疗系统中进行评估和/或后果分析的方法的一个实施例的流程图。

图3图示了通过对根据解剖模型中的变化进行成像的模拟而对训练数据的创建。

图4是用于对根据合成生成的图像进行训练的方法的一个实施例的流程图示图。

图5图示了利用随机采样填充输入特征值来确定缺失信息的关联性；以及

图6是用于评估和/或后果确定的医疗系统的一个实施例的框图。

具体实施方式

来自患者图像和测量结果的数据的收集呈现了关于患者的非常复杂的信息网络。可以通过现代机器学习算法对该复杂的信息网络进行有效的整顿。机器学习分类器提供快速的患者评估和后果分析。现代机器学习和人工智能算法非常适于管理大量的异构数据。以自动化方式来提供一致预测。机器学习算法在复杂任务中具有优秀的预测能力，从而示出了专家级性能。综合性患者评估模型将来自患者的所有可用信息进行组合，以呈现对患者状态的完整理解以及使临床医生能够引导治疗。

使用异构数据源，机器学习分类器自动地将患者人群进行分类并且突出附加的信息源，其如果被收集的话则可以添加最多的附加信息来更好地诊断或治疗患者。特别地，系统评估现有的数据源以做出对不同病理状况的存在风险的模型预测。此外，该模型计算这些不同状况的似然概率，以及自动地标记需要来自临床提供方的优先评估的高风险患者。

一个示例应用是在紧急场景中，诸如在患者在急诊室中呈现胸痛的情况下。在这样的状况下，基于患者病史，可能给予患者一些类型的成像检查，诸如CT、MRI、超声或应激测试。存在多种可能的胸痛源，包括冠状动脉阻塞、主动脉夹层或肺动脉的问题。在这样的状况下，重要的是识别具有危及生命状况的患者的子集，这些患者可能由于任何延缓而遭受不利的后果。机器学习模型使用成像测试、患者血液生物指标、非侵入式测量结果（例如，血压和心率）和/或其他可用信息来快速地实行三排除（triple rule-out），以识别胸痛的可能源以及与该状况相关联的风险。

在由于缺失信息而可用信息导致不确定预测的场景中，模型可以考虑另外的信息源（诸如包括应激测试和灌注成像的其他种类的成像、或者针对附加生物指标的血液测试），以按所获得的最高信息的顺序建议或排列缺失信息的源。对于不同状况中的每个而言，该模型还评估了对状况的严重程度进行估计的定量指标。例如，当确定冠状动脉具有严重阻塞时，该模型可以自动地计算诸如血流储备分数（Fractional Flow Reserve）和相关的血液动力学指数之类的指标。

机器学习具有两个主要阶段：训练阶段和应用或测试阶段。在训练阶段期间，使用异构数据训练该模型。在测试或应用阶段期间，然后将该模型应用于患者数据来做出预测。图1示出了模型训练和测试阶段的示例示意性描述。顶框表示训练阶段使用多个数据源来产生经训练的模型。在底框的测试阶段中，将该模型应用于患者数据上以做出预测。

在两个阶段中，从数据提取特征。特征然后被用来训练和/或应用经训练的分类器。本文中的各种示例可以被用于训练阶段或测试阶段。相同的示例可以被用在所述阶段中的另一个中。

图2是用于在医疗系统中进行评估和/或后果确定的方法的一个实施例的流程图示图。该方法涉及机器训练分类器的应用以获得快速结果。将机器训练分类器训练成针对处于紧急情形的一个或多个患者进行诊断和/或做出预后。在典型的紧急情形中可用的数据被用来将分类器训练成以快速方式进行自动评估、辅助医师进行诊断或预后。

图6的医疗系统或其他医疗系统实现动作。系统可以是医学成像系统、医院工作站、患者医疗记录计算机、医疗服务器或其他安全医疗数据处理系统。医疗系统可以包括或可以不包括存储器或数据库，诸如患者医疗记录数据库和/或图片存档和通信系统（PACS）。

图2的动作以示出的顺序（数字顺序或从上到下的顺序）或其他顺序来实行。例如，动作20和22同时发生或以任意顺序发生。作为另一示例，动作30-36可以以任意顺序实行。

可以提供附加的、不同的或更少的动作。例如，动作30-36中的任意动作可以实行或者可以不实行。作为另一示例，动作20或22之一可以不实行。示例附加动作包括对其他机器学习分类器的特征输入和/或机器学习分类的其他使用。

在动作20中，医疗系统获取医学扫描数据。医学扫描数据通过从存储器加载而获取。替换地或附加地，医学扫描数据由医学成像系统获取，该医学成像系统诸如是X射线、CT、MRI、超声、相机或其他扫描仪。该医学成像系统是医疗系统的部分或者是该医疗系统，或者该医疗系统通过在计算机网络上从成像系统进行传输来获取该扫描数据。

医学扫描数据表示患者的一维、二维或三维区域。例如，在使用不同模态中的任意模态的3D成像中，获取表示在三维上分布的不同体素处的强度的扫描数据的集合。在另一实施例中，医学扫描数据是穿过患者的平面或投影的二维表示。

医学扫描数据表示一个或多个患者的解剖结构。可以表示任意解剖结构，诸如心脏系统的部分（例如，心脏以及周围血管或所连接血管的CT扫描）。

医学扫描数据表示处于紧急情形的患者。例如，由于患者到访急诊室而获取医学扫描数据和/或由救护车中的EMT获取医学扫描数据或者在探视患者时获取医学扫描数据。获取医学扫描数据来辅助诊断患者的状况。在替换的或附加的实施例中，在例行探视期间或在非紧急情况下获取医学扫描数据。

医疗系统可以根据患者的过往扫描来获取扫描数据。可以同时或在不同时间获取针对给定患者的用于训练模型或应用的不同数据。例如，将患者的过往医疗信息和医学图像与当前的医疗信息结合使用，以得到患者状况的综合性图片以及得到该状况已经如何演化。这样的信息可以在训练数据库中通过以下方式进行采样：通过使用在不同时间实例下的来自医院数据库的患者信息，或者通过使用疾病进展的数学模型（例如，斑块生长的模型），以及在给定时间的信息，或者这些方法的组合。

针对给定患者获取医学扫描数据。对于医院的急诊部中的分诊而言，获取针对多个患者的医学扫描数据。每个患者要被诊断，以便确定最高风险状况。具有较高风险的患者可以被首先治疗，所以机器训练分类器进行学习来评估患者的医学扫描数据，以便确定相关的风险水平。该确定可以是按患者进行的。替换地，分类器确定相关风险作为应用中的来自许多患者的输出给定特征。

在动作22中，医疗系统获得针对患者的其他数据。通过访问存储器、从存储器加载或通过接口设备传输来获得数据。其他数据处于一个或多个存储器中和/或来自一个或多个传感器。从计算机化的医疗记录、账单数据库、部门记录、图片存档和通信系统（PACS）或另一源获得数据。可以挖掘针对患者的文本临床报告。

可以使用多个不同的数据源对模型进行训练或应用。挖掘医院医疗记录以及任何可用的患者后果数据以用于训练。可以挖掘医疗记录以便在测试阶段中应用于患者。机器学习算法将这样的数据用作下述各项中的文本：临床报告、医学图像、血液生物指标信息、患者人口统计学信息（例如，年龄、种族、性别、体重、BMI等等）、患者病史（例如，吸烟、饮酒量、高血压、药物使用、当前使用的药物等等）、非侵入式测量结果（例如，血压、心率、ECG信号等等）和/或来自其他设备和传感器的信息。该模型还可以使用来自患者的基因组信息。例如，特定基因组指标的存在被用来评估当前正在经历任何病理状况的概率或者发展出任何病理状况的倾向性（predisposition）。该模型可以使用将患者数据用作输入（例如，血流、电生理现象、生物力学量等等）的生理学建模的结果。

该数据来自患者的过往检查（例如，先前的图像、人口统计学信息以及患者病史）和/或包括当前的信息。例如，先前的检查提供一些信息。也获得当前正在经历的症状。获得其他当前的测试结果，诸如CT成像和血液生物指标。从不同时间获得相同类型的数据可以示出进展。还可以通过查看具有密切匹配的疾病特性的过往患者和他们的后果来推断疾病进展。

在动作24中，医疗系统从医学扫描数据和/或其他数据提取特征的集合。在医学成像扫描仪或诸如成像工作站之类的另一设备上实行特征提取。处理器利用或不利用通过用户接口的用户输入来实行提取。针对源进行格式化的请求、挖掘或搜索获得数据。

从图像进行特征提取的过程是完全自动化的、半自动化的、手动的或其组合。在手动方法下，解剖特征或其他特征由人类操作者或用户来输入、加注释或测量。例如，成像扫描仪或工作站显示用户可以编辑来插入特征的对话框。图像被用来确定特征的值。作为另一示例，用户在图像上进行追踪。所得到的针对特征的值列表被存储为训练数据库的部分，或者被用于机器学习分类器的应用。

在自动化提取下，医疗系统计算针对特征的值。分区、阈值化、滤波、模板匹配、检测（例如，机器学习检测）、其他图像处理或其组合被用来提取特定于图像中所表示的解剖结构的值。替换地或附加地，使用了哈尔小波（Haar wavelet）、可操纵的特征、未处理的强度值或不管所表示的解剖结构如何跨越图像所计算的其他特征。

在医学图像内，模型可以使用多个特征。对于心脏示例而言，通过图像处理来确定总疤痕负担、灌注信息、钙分数、斑块量化、合计斑块体积、斑块的大小和位置和/或斑块的形态（例如，软的或钙化的）。模型可以利用根据图像所推断的先进的放射基因组表型信息。例如，检测到肿块。肿块的质地可以指示患者的基因组成。具有不同基因的患者具有不同类型或质地的肿块。可以提取指示表型信息的其他图像。在其他实施例中，从基因报告或分析提取表型。

机器学习检测器或分类器可以被用来进行提取。在一个实现方式中，从图像提取量化特征，诸如哈尔小波特征。这些特征然后被用来训练机器学习模型。一旦模型被训练，则还针对新的患者计算类似的特征集合以及然后将其作为对模型的输入进行馈送。该模型然后产生所需要的输出作为从图像所提取的特征。将一个机器学习分类器训练成将特征输入提取到被训练成输出状况的另一机器学习分类器，从而提供两个或多个机器学习或训练分类器的级联。模型可以以级联式方式使用各种各样学习算法的组合。该级联可以被用于成像数据和/或其他数据。例如，使用机器学习自然语言处理工具处理临床报告中的本文，以识别关键信息内容。作为另一示例，由包括深度卷积神经网络、基于核的方法等等的任何机器学习模型来处理医学图像。从这些不同源所提取的信息和特征然后被聚集来训练复杂的更高阶模型或机器学习分类器，其预测患者状况、后果和/或风险分数。

在动作26和28中，医疗系统应用一个或多个机器学习分类器。在动作26中，来自动作24的所提取特征的输入导致用于动作28的输出。处理器输入特征，将机器学习分类器应用于输入特征，以确定类似的一个或多个患者的状况、风险、后果和/或识别。

该状况可以是诸如紧急情况的原因之类的诊断。对于心脏示例而言，该状况是冠状动脉阻塞、主动脉夹层或肺动脉的问题之一。风险可以是针对任意时间框架。例如，预测由于该状况而在接下来的数分钟、数小时、数天、数星期、数月和/或数年内对患者产生进一步伤害（例如，日益恶化的状况）的风险。可以基于该状况了解该风险。后果是对给定治疗的结果和/或由于状况而引起的结果的预测。后果可以是未治疗情况下的状况的发生长度、治疗和/或未治疗情况下的预期寿命、复发、或者取决于各种治疗意见的其他信息。类似患者的识别可以基于任何方面（例如，状况、状况的严重程度、位置、大小或其他信息）之间相似性的任何度量。该识别可以是分布式的，诸如以不同方式被治疗或具有不同后果的类似患者。

对于训练而言，针对训练数据的样本所提取的特征和已知的真实数据（groundtruth）（即，类似的一个或多个患者的状况、风险、后果和/或识别）被用来学习分类。针对许多样本的输入特征向量和对应的结果被用在机器学习中。数十、数百或数千个示例被用来进行训练。对应的特征值被用来将特征值映射到结果。

可以将一个分类器训练成预测多个类型的结果。例如，同一分类器预测类似患者的状况、风险、后果或识别中的两个或多个。分类器可以预测具有或不具有严重程度的状况，以及然后使用查找来确定风险。替换地，不同分类器被用于不同类型的结果，诸如一个分类器指示状况，以及级联中的另一分类器指示风险和/或后果。

在紧急环境中，许多不同状况可以是可能的。因而，一个或多个分类器可以被用来确定针对患者的状况的种类，以及其他分类器被用来在考虑到该种类的情况下确定具体状况。分类器的决策树、级联或其他层级结构可以被用作机器学习分类器。在替换的实施例中，用户基于初始症状或确定来选择要被使用的分类器（例如，在患者显示出胸痛迹象的情况下选择心脏分类器）。

并非训练一个分类器，而是分类器可以被学习为不同模型的网络，其中每个模型作用于特征空间的一些子集或整体。来自每个模型的输出可以被用作对其他模型的输入，由此创建新的特征。来自一个模型的输出可以被用作对同一模型的输入，以产生递归模型估计。可以将分类器训练成向分类的、分立的和/或连续的特征学习。预测性分类器可以是多个相互作用的机器学习分类器的组合，其中的每个使用特征的同一子集或不同子集。来自一个模型的输出可以被用作对另一分类器的输入。

在一个实施例中，机器学习模型被实现为多任务神经网络。这样的网络具有用以确定手头上的任务的共同特征的共享层的池以及针对特定任务所训练的附加层。替换地，共享整个网络，以及附加的网络以级联式方式进行耦合，以学习特定任务。例如，将多任务问题制定为处理所获取的图像，以利用图像分割的一般任务（不管图像模态和/或关注的解剖结构如何）以及利用特定解剖结构的分段的特定任务和/或来自特定成像模态的特定任务生成量化信息。作为用以利用生理建模增加输入数据的另一示例，一般任务是功能指数（例如，血流储备分数）的计算，以及特定任务是计算冠状动脉循环中的血流储备分数、肺循环中的类似指数和/或主动脉中的类似指数。

可以使用任何类型的机器学习算法。机器学习是被监督的、半监督的或未监督的。一些使用被监督学习的示例包括回归、基于实例的方法、规则化方法、决策树学习、贝叶斯（Bayesian）、核方法、聚类方法、关联规则学习、人工神经网络、降维以及集成方法。可以使用概率提升树、分级或其他过程。

机器学习可以使用所有输入特征。替换地，机器学习确定区分性特征，以及选择要被用于分类的特征集合。提取特征的子集可以被用于学习，如根据特征选择和排序、特征组合或其他过程所确定的那样。

收集统计学上显著数量的训练样本（例如，对于给定的一个或多个状况而言具有已知结果的数千患者）可能是困难的。训练数据中的一些可以被合成地生成来填充任何空隙或者用于训练数据的整体。可能难以定位经受一个或多个状况、状况的组合或特定于状况（例如，在阻塞的量和/或阻塞的位置的特定组合下的两个堵塞）的患者的许多样本。可以创建合成的示例。并非使用针对训练数据的特定的现有患者实例，而是使用不特定于现有或先前处置的患者的数据。仅根据合成数据或根据来自一批患者的数据与合成数据的组合来训练机器学习分类器。

合成数据可以是针对其他数据和/或医学扫描数据。在一个实施例中，合成数据是医学图像。根据利用使用体外或硅片模型以及对应的真实数据进行的计算机建模、物理建模或计算机建模和物理建模两者所生成的图像的示例来训练机器训练分类器。图3示出一个示例。解剖模型被提供有一个或多个参数的不同值，导致不同的解剖模型。图像模拟器然后根据解剖模型中的每个来模拟一个或多个图像的生成。所得到的合成图像被存储在数据库中。参数的值、解剖模型和/或由此得出的信息（例如，正被建模的病理状况）被存储在数据库中，作为用于合成图像的真实数据。

图4是用于使用由合成生成的图像至少部分地填充的数据库进行机器训练来评估或确定针对患者的后果的方法的一个实施例的流程图示图。使用合成图像和数据集的方法具有下述优点：能够跨越相对罕见并且难以从以足够数量的患者人群进行采样的病理状况。可用的大量变化是将合成数据用于训练的一个好处。

以示出的顺序或不同的顺序来实行动作。例如，过程从动作48环回到动作40以重复该过程来处理训练数据库中的欠采样。可以使用附加的、不同的或更少的动作，诸如不实行动作48和/或动作44。

在动作40中，处理器改变解剖模型的参数。可以使用任何解剖模型，诸如计算机生成的模型、表示跨患者的统计平均值的模型、物理模型（例如，体模（phantom）或结构）、来自研究的模型和/或来自医学图集的模型。解剖模型由一个或多个参数定义。例如，提供形状、直径、体积、分支的位置、改变率、曲率、横截面积或其他参数。也提供对一个或多个状况进行量化的参数。

可以根据给定的患者创建启动模型，但是大多数训练示例是基于从启动模型进行的变更。替换地，一个或多个启动模型是平均值或不直接与给定患者相关的其他模型。数据因其不是从针对特定患者的数据进行提取来表示该特定患者而是合成的（即，该模型并不特定于患者）。生成数字表示以及将其存储在计算机上。在替换的实施例中，训练示例中的一些或大多数是从针对多个患者的患者特定数据进行提取的，以及示例中的仅一些是那些模型的变更。如果真实的患者解剖结构是可用的，则可以通过随机地扰动患者解剖结构的特征来构建另外的合成模型。这种添加的合成数据可以被用来得到更丰富的表示，其可以计及数据中的不确定性。

为了对任意给定状况进行建模，设定了参数的值。可以为其他参数提供其他值来产生针对给定状况的另外的示例。一些参数的其他值可以被用来对不同状况建模。通过改变值，合成地生成解剖模型的集合。通过变更用于解剖结构和/或用于生成解剖结构的变量的一个或多个值来创建用于训练的附加示例。任何数量的不同参数可以被改变。可以根据单个启动模型来生成用于训练的成几百或几千个不同示例。

变化可以是受控的或用户设定的。替换地或附加地，变化是随机的。例如，对于合成的解剖模型的几千个随机扰动产生了几千个对应的解剖模型。由于解剖模型具有已知的状况，所以提供了在其上要训练机器学习模型的丰富数据集。随机变化可以具有拥有相同状况的参数。替换地，随机变化跨越状况进行采样。

为了填充数据库，可以使用不同方法。创建一个或多个基线模型，其属性然后被随机地或系统性地扰动以获得大量模型。在另一方法中，通过遵循规则集合以及通过随机地或系统性地扰动这些规则的参数值来单独地生成每个模型。比例法则（scaling law）可以被用于生成现实的合成模型。

参数的值是针对每个合成示例而随机选择的（例如，针对二进制变量的真或伪或者针对连续变量的预定义范围中的值）或者整个参数空间是在生成合成示例的数据库时在有限范围内系统性地开发的。任何类型的分布可以被用于连续变量，诸如一致、正态等等。可以使用已知的、估计的或标准的正态分布。可变性的其他源可以被用来创建用于训练的合成示例。

在动作42中，处理器将来自集合的合成生成的解剖模型的医学图像进行仿真。各种解剖模型被用来生成一个或多个图像。通过对图像形成过程或医学扫描仪进行建模，根据合成解剖模型来生成合成图像。例如，将CT扫描仪的图像形成过程应用于解剖模型，得到对解剖结构的医学扫描进行模拟的合成图像。可以使用用以产生合成图像的任何正向建模。

在动作44中，通过变更仿真图像来创建用于训练的附加示例。处理器将不同程度的统计噪声添加到仿真医学图像中的每个，得到针对仿真医学图像中的每个的多个附加图像。结果是具有用于训练的已知真实数据的附加的合成图像。

为了增加鲁棒性，可以将不同的变换应用于训练数据以产生附加的训练样本。例如，不同程度的统计噪声被应用于医学图像（合成的或实际的）以产生附加的合成医学图像。噪声的添加并不变更真实数据，允许机器训练进行学习来不管噪声水平如何而提供相同的最终预测。可以将噪声引入到解剖模型中。可以使用图像和/或模型中的其他变化，诸如平移、扩缩和/或旋转，以根据给定的样本产生附加的图像。

在动作46中，机器至少部分地使用仿真医学图像来训练机器学习分类器。处理器使用训练数据来实行机器学习。

使用合成建模而不是需要来自一大批患者的示例来训练数据提供了若干优点。可以自动地生成非常大量的实例，从而导致广泛的数据库。可以生成复杂的病理构型，诸如连续性狭窄、多分支狭窄、分叉狭窄、弥漫性疾病等等，尽管这在实际患者当中是罕见的。罕见的病理实例可以被更好地采样。因为硅片几何结构中的合成生成可以是完全自动化的，所以与聚集患者样本相比，减少了生成大数据库的成本。可以将示例容易地延伸到不同的人口统计学群体。可以以全局方式或地点特定的方式来完成该训练，从而允许系统基于患者人口统计学信息和流行病学信息而计及解剖趋势。在局部区域中找到足够的示例可能是困难的。训练可以利用更多数据或者利用特征的更好表示来迭代地进行改善。

一旦已经生成合成图像，则从图像提取被用于训练机器学习算法的特征。从应用中的患者的医学图像提取相同的特征或者特征的一些子集，并且将其用于使用经训练的模型来预测结果。取决于输入数据的源和类型，所提取的特征可以是二进制的、数值的、分类的、顺序的、二项式的、间隔的、基于文本的或其组合。

可以使用任意类型的特征。可以使用形态学特征。机器学习过程可以提供要使用的某些特征和不被使用的其他特征。为了训练，可以由程序员选择要使用的特征。一些示例特征可以包括被使用或选择来定义或创建解剖模型的参数。可以附加地或替换地提取其他特征或不同特征。

在动作48中，针对欠采样来检查经训练的分类器。由于合成图像被用于训练，所以可以创建附加的合成图像来将该训练进行再训练或更新，其中由分类器输出的结果是较不精确的。为了进行检查，处理器应用机器学习分类器来利用已知的真实数据测试数据。针对精确度对结果进行检查。如果针对给定种类（例如，状况）的预测不具有期望的精确度，则训练数据可能对于该种类而言是欠采样的。针对该种类生成附加的样本，以及将其添加到训练数据。机器学习分类器利用附加的仿真医学图像进行再学习。

返回到图2，在动作28中，医疗系统确定结果。在动作26中，输入针对特定患者的提取特征。

在一个实施例中，机器学习分类器使用字典来确定风险。训练数据被聚类或压缩，从而提供字典参考信息。可以使用最近相邻匹配、聚类或其他方法。不同的数据集被用来创建患者数据的字典，以及对应的临床后果。当将新患者呈现给系统时，医疗系统在字典或数据集中找到最紧密匹配的子集，以及将它们的后果概要呈现给用户。这种后果概要指示了针对患者的风险。

在对于给定患者而言特征的一个或多个值是未知的情况下，然后可以将替代值用于缺失特征的值。例如，找到来自具有类似特征的患者的值。作为另一示例，使用平均值或默认替代值。在一个实施例中，针对缺失的一个或多个特征的不同值的分布来重复该应用，从而取决于缺失信息而提供结果的范围。

对于给定的患者而言，机器学习分类器根据输入特征向量来确定结果。例如，确定状况和/或由于该状况引起的风险。一旦被训练，则机器学习分类器被实例化为一个或多个真值表（matrix）。真值表将输入特征的值映射到结果（例如，状况）的值。在28中，该映射被用来预测结果。例如，通过由处理器将特征的值应用到机器训练分类器来预测患者的状况、针对患者的风险、针对患者治疗的后果、类似的患者或其组合。该预测或结果可以包括概率性信息，诸如针对结果或者在不同的可能结果的范围上的概率或置信度分数（例如，70%冠状动脉阻塞、25%肺动脉的问题以及5%主动脉夹层）。

随着使用机器学习模型，该机器学习模型可以被更新。由医师来验证针对给定患者的结果。正确的或不正确的模型可以被用来触发是否再次训练该模型。针对患者的经验证结果可以被用作真实数据，从而提供用于训练的另一样本。医疗系统可以以在线形式或者以离线形式使用任何用户实行的动作来改善模型性能。在在线情况下，当获取新信息时，模型自动地适配模型参数（例如，神经网络中的权重）。未来预测受益于在过往患者或应用期间所获得的知识，而不仅仅是包括在训练数据库中的那些知识。在离线情况下，用户动作和附加信息被存储以用于未来处理。一旦收集足够的附加数据，则将新数据与现有数据进行组合来训练新版本的机器学习模型，其然后被部署在临床设置中。

将机器学习模型托管为本地应用，例如直接在连接到患者信息系统的医学扫描仪或工作站上运行。替换地，将机器学习模型托管为联网机器上的服务，诸如，具有托管机器学习模型的服务器的公共或私有云部署。来自模型的输出可以是具有为了容易搜索和检索而以结构化格式呈现的关键发现的临床报告。可以使用其他输出，诸如警告、通知、填写患者医疗记录中的一个或多个字段或者对显示器的输出。

存在对确定的输出的各种使用。将结果输出或者进行记录。医师使用该输出结果来辅助诊断、治疗计划或向患者提出建议。动作30-36示出了四个示例使用。可以提供其他使用。使用对结果的一种或多种使用的任何组合。

在动作30中，医疗系统基于结果来提供针对分诊的优先级。将来自寻求紧急治疗的多个患者的结果进行比较。例如，结果指示随着时间的风险，或者随着时间的风险可以根据结果（例如，根据预测的状况）来确定。可以将患者按风险顺序进行排序，以使得相比较低风险患者更快速地治疗较高风险患者。

在一个实施例中，由结果来引导紧急状况下的决策制定。在急诊部中多个患者需要决策制定的情况下，经训练的机器学习分类器确定为患者看病和/或调度检查的顺序。机器学习分类器还可以结合基于约束满足问题（CSP）的方法一起被用来确定患者的调度计划。CSP被用来优化调度。为了引导紧急状况下的决策制定，在多个患者情况下为患者看病和/或调度检查的顺序需要急诊部中的决策制定，以便获得针对患者的最优后果结果。可以采用机器学习算法来估计每个检查的持续时间（基于患者的先前检查、当前症状和/或来自过往的类似患者），而CSP模型可以被用来然后提供这些检查的最优调度（考虑到若干约束，诸如设备和/或扫描仪的可用性、临床医生的可用性、检查的优先级和/或紧急性等等）。针对每个寻求治疗的患者的可用于医疗系统的输入信息包括来自下述各项的数据：患者的先前检查（例如，成像、血液生物指标、非侵入式测量结果、人口统计学信息以及后果）、当前症状以及来自过往的类似患者的医疗记录（例如，成像、血液生物指标、非侵入式测量结果、人口统计学信息以及后果——对于这些患者而言获得快速诊断和/或治疗具体有多么重要）。类似患者的医疗记录可能是不可用的，但是替代地机器学习分类器进行学习来将这样的信息相关，以确定针对当前患者的调度或优先级。

在其他实施例中，可以由救护车中的患者提供当前的患者数据（ID、症状），以及在患者正被带往医院的同时将该患者数据发送到医院。在另一变化中，可以在患者拨打紧急呼叫时由该患者提供数据（在紧急呼叫期间提供症状）。在又一变化中，可以由可穿戴（传感器）系统触发紧急呼叫和分诊，该可穿戴（传感器）系统实行连续的或定期的监测，并且检测异常生理参数。甚至可以在患者意识到在接下来的几分钟期间将会出现紧急情况之前对异常进行检测。

医疗系统可以是被建立在医院中或者是集中式系统。机器学习分类器访问针对各种患者的数据并且以快速方式提供调度解决方案。可以提供状况或其他结果来创建优先级，或者优先级本身可以是输出结果。

在另一实施例中，在救护车数量不够的情况下使用医疗系统，以便确定首先接走哪个患者。基于GPS的系统或估计去往各种患者和返回医院的行程时间的任何其他系统可以被用来根据对于患者的风险来优化救护车调度。在患者位于远处的情况下，医疗系统可以确定是否需要救护车或者比如直升机之类的更快速的运输工具。医疗系统可以确定患者应当被带到那个医院（例如，取决于可用设备、医院的负荷、从患者到医院的距离和/或其他信息）。

动作28的确定可以被用来将缺失的特征值的重要性进行排序。将机器训练分类器应用于利用缺失特征的随机采样所提取的特征被用来识别可能的测试或动作，以帮助做出更精确的预测，以及避免对结果不太可能是决定性的测试或动作。

在动作32中，医疗系统基于对于患者可用的特征和针对患者的状况来输出缺失的信息源。值可能对于针对患者的一个或多个特征是不可用的。列出这些特征允许针对该患者对测试进行排序或者针对该患者收集信息。针对所有特征收集缺失信息可能不是对时间、精力、金钱或其他资源的最优使用。来自机器学习分类器的应用的诸如预测状况之类的结果可以被用来对更有决定性的特征进行优先排序或选择。使用缺失特征的值的随机分布。在该分布上的预测结果中的变化指示了缺失信息的重要性，所以该变化被用来输出一个或多个缺失源的子集。比其他缺失源更有可能导致对不同状况、风险或后果的预测的缺失源被输出为针对要收集什么数据的建议（例如，要实行什么测试）。

图5示出了针对如何以随机方式使用数据库来填充缺失信息的示例。预测本身是随机输出，反映了未知值中的不确定性。当将新的患者数据呈现给模型时，可能的是信息源中的一些是缺失的。在该情况下，模型使用基于可用信息的数据库查找来在可用特征中找到接近当前患者信息的过往实例。可以利用最小平方差、向量点积、二进制匹配或已知值的其他比较来测量接近度。来自这些过往实例的附加特征然后提供当前患者的未知特征的统计分布。然后根据该分布随机地采样这些缺失的参数以做出多种输出预测。该方法不仅得到单个预测，还得到具有附属于每个实例的可能性的预测分布。在该情况下，识别了针对其应当指定附加测试的相对低可能性、但高影响力的后果。这些后果识别了缺失的信息段的患者特定的值。如果另一方面，预测后果的分布更窄，则附加特征不增加很多信息，从而使患者省去附加测试。

在动作34中，医疗系统提供决策支持。并非仅提供预测结果，而是还提供附加信息。例如，识别了类似于当前患者的其他患者的过往实例。可以利用最小平方差、向量点积、二进制匹配或已知值的其他比较来测量相似性。搜索可能被预测结果所限制，诸如受限于具有相同状况的患者。基于所识别的其他患者的实例，可以计算治疗和后果上的变化。呈现治疗和后果的这一分布来引导针对治疗患者的决策制定。

在另一实施例中，识别了针对当前患者的数据的子集。基于机器学习模型的输出来确定医学扫描数据、其他数据或这二者的子集，或者将其确定为机器学习模型的输出。例如，将机器学习模型训练成基于当前症状来确定患者的相关过往事件，该患者的相关过往事件可能帮助临床医生更快地做出决策。通过选择数据的这一子集，可能得到咨询时间的缩减，这对临床医生而言是至关重要的方面。通过输出用于回顾的所选数据子集，临床医生分配给单个患者的时间可以被减少。

在动作36中，将机器学习分类器（推荐系统）训练成推荐可穿戴传感器。替换地，医疗系统基于由机器学习分类器输出的结果来推荐可穿戴传感器。输入特征和/或结果被用来确定适合于对患者进行持续监测或定期监测的可穿戴传感器。例如，所预测的状况指示应当指定给定传感器。作为另一示例，在没有对状况进行具体识别的情况下推荐传感器。在任一情况下，确定了要由可穿戴系统实行以便确保在考虑到状况和过往事件的情况下对患者进行适当监测的测量。推荐对应的传感器来提供该测量。

图6示出了用于在紧急情况中进行辅助的医疗系统。该医疗系统包括医学成像系统11、处理器13、存储器15和显示器16。处理器13和存储器15被示为与医学成像系统11分离，与此相关联的是除了医学成像系统11以外的计算机或工作站。在其他实施例中，处理器13和/或存储器15是医学成像系统11的部分。在替换的实施例中，医疗系统是工作站、计算机或服务器。例如，没有提供医学成像系统11或者将医学成像系统11提供用于获取表示体积的数据，以及将单独的数据库、服务器、工作站和/或计算机提供用于提取特征以及应用分类器来预测一个或多个结果。可以使用附加的、不同的或更少的部件。

该系统被用于应用机器学习模型（例如，一个或多个机器学习分类器）。在替换的实施例中，该系统被用于利用数据库中示例的机器学习和/或生成来进行训练。

由硬件、软件和/或设计来将医疗系统的计算部件、设备或机器（诸如医学成像系统11和/或处理器13）配置为实行计算或其他动作。计算部件独立地或者彼此相结合地进行操作以实行任何给定动作，诸如上文描述的任何方法中的动作。动作由计算部件中的一个、计算部件中的另一个或计算部件的组合来实行。其他部件可以由计算部件使用或控制来扫描或实行其他功能。

医学成像系统11是用于扫描患者的任何现在已知的或随后开发的模态。医学成像系统11对患者进行扫描。例如，使用C型臂X射线系统（例如，来自西门子的DynaCT）、类似CT的系统或CT系统。其他模态包括MR、X射线、血管造影法、荧光透视法、PET、SPECT或超声。医学成像系统11被配置成获取表示患者的医学成像数据。通过使用由扫描仪进行的透射对患者进行扫描和/或接收来自患者的信号来获取数据。

存储器15是缓冲器、高速缓存、RAM、可移除介质、硬盘驱动器、磁盘存储器、光学存储器、数据库或其他现在已知的或随后开发的存储器。存储器15是单个设备或者是两个或更多个设备的组。存储器15处于系统11内、是具有处理器13的计算机的部分、或者在其他部件之外或远离其他部件。

存储器15被配置成存储医学扫描数据、其他数据、提取的特征、示例（例如，训练数据或来自其他患者的数据）和/或其他信息。输出的结果、从结果得出的信息或用来确定结果的计算结果被存储在存储器15中。存储器12存储用于一个或多个机器学习分类器的一个或多个真值表。

存储器15附加地或替换地是具有处理指令的非临时性计算机可读存储介质。存储器15存储了表示可由被编程的处理器13执行的指令的数据。将用于实现本文中所讨论的过程、方法和/或技术的指令提供于计算机可读存储介质或存储器上，该计算机可读存储介质或存储器诸如是高速缓存、缓冲器、RAM、可移除介质、硬盘驱动器或其他计算机可读存储介质。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。响应于被存储在计算机可读存储介质之中或之上的一个或多个指令集来执行附图中图示的或本文中所描述的功能、动作或任务。该功能、动作或任务独立于指令集、存储介质、处理器或处理策略的特定类型，以及可以由单独地或以组合形式进行操作的软件、硬件、集成电路、固件、微代码等等来实行。同样地，处理策略可以包括多重处理、多重任务、并行处理等等。在一个实施例中，将指令存储在可移除介质设备上以用于由本地系统或远程系统读取。在其他实施例中，将指令存储在远程位置中，以用于通过计算机网络或通过电话线进行传输。在又一实施例中，将指令存储在给定的计算机、CPU、GPU或系统内。

处理器13是通用处理器、数字信号处理器、三维数据处理器、图形处理单元、专用集成电路、现场可编程门阵列、数字电路、模拟电路、其组合或用于处理数据的其他现在已知的或随后开发的设备。处理器13是单个设备、多个设备或者网络。对于多于一个设备而言，可以使用处理的并行或顺序划分。组成处理器13的不同设备可以实行不同的功能，诸如由一个设备提取特征的值，以及由另一设备应用机器学习分类器。在一个实施例中，处理器13是医学成像系统11的控制处理器或其他处理器。处理器13根据所存储的指令进行操作，以实行本文中所描述的各种动作。

处理器13被配置成提取特征的值、输入该值、输出结果和/或根据输出的结果得出信息。处理器13将机器学习模型应用于针对一个或多个患者的数据。由处于紧急设置中的处理器13来确定状况、风险、后果、类似患者的身份和/或其他信息。

显示器16是CRT、LCD、等离子显示器、投影仪、打印机或用于示出图像的其他输出设备。显示器16显示结果或根据结果得出的信息。输出推荐、缺失源（例如，要实行的测试）、分诊优先排序或其他信息以辅助诊断、治疗计划和/或预后。输出与任意预测相关联的概率、支持数据（例如，输入特征的值）、来自医学扫描数据的图像和/或其他信息来辅助医师。通过由于机器学习分类器用以处理大量数据的能力而导致的快速输出信息，更有效地处置紧急诊断和治疗，从而有利于患者和医师二者。

虽然上文已经通过参照各种实施例描述了本发明，但应当理解的是可以在不偏离本发明的范围的情况下做出许多改变和修改。因此意图的是，前述详细描述被视为说明性的而非限制性的，以及要理解的是，所附权利要求（包括所有等价方式）意图限定本发明的精神和范围。

Claims (20)

1.一种用于在医疗系统中进行评估和/或后果确定的方法，所述方法包括：

获取（20）医学扫描数据，所述医学扫描数据表示在医院的急诊部中被分诊的患者的解剖结构；

获得（22）针对所述患者的其他数据；

从所述医学扫描数据和所述其他数据提取（24）特征的集合；

由处理器将所述特征输入（26）到机器训练分类器，所述机器训练分类器至少部分地根据不特定于针对现有患者实例的训练数据而合成生成的图像进行训练；

由所述处理器利用将所述机器训练分类器应用于所述特征来确定（28）所述患者的状况和针对所述状况的风险；

基于所述风险提供（30）针对患者分诊的顺序；以及

基于对于所述患者中的第一患者可用的特征和针对所述第一患者的状况来输出（32）缺失的信息源。

2.根据权利要求1所述的方法，其中获取（20）包括获取（20）所述患者的心脏区域的计算机断层扫描数据。

3.根据权利要求1所述的方法，其中获得（22）其他数据包括获得（22）症状、患者人口统计学信息、血液生物指标、患者病史、非侵入式测量结果、来自临床报告的提取信息或其组合。

4.根据权利要求1所述的方法，其中从所述医学扫描数据提取（24）所述特征包括将机器学习分类器应用于所述医学扫描数据，所述机器学习分类器和机器训练分类器包括级联。

5.根据权利要求1所述的方法，其中确定（28）包括利用所述机器训练分类器的应用进行确定（28），其中所述机器训练分类器根据由解剖模型中的变化产生所述合成生成的图像的正向模型进行训练。

6.根据权利要求5所述的方法，其中通过对所述训练数据的状况进行采样来引导所述合成生成的图像的产生。

7.根据权利要求1所述的方法，其中确定（28）包括利用所述机器训练分类器的应用进行确定（28），其中所述机器训练分类器根据具有所添加的不同程度的统计噪声的合成生成的图像进行训练。

8.根据权利要求1所述的方法，其中获取（20）包括从所述第一患者的过往扫描进行获取（20），以及其中获得（22）包括获得（22）当前症状。

9.根据权利要求1所述的方法，其中确定（28）针对所述第一患者的风险包括利用具有对应后果的患者数据字典进行确定（28）。

10.根据权利要求1所述的方法，其中输入（26）包括输入（26）针对所述第一患者的特征以及针对所述第一患者的缺失特征从其他患者提取的附加信息，以及其中输出（32）包括基于由所述附加信息导致的随机分布来输出（32）所述缺失源。

11.根据权利要求1所述的方法，进一步包括识别（34）类似于所述第一患者的过往实例，以及指示治疗和后果的分布。

12.根据权利要求1所述的方法，进一步包括利用机器学习模型识别（34）所述医学扫描数据、其他数据或其两者的子集，以及输出（32）所识别的子集。

13.根据权利要求1所述的方法，进一步包括基于被应用于所述其他数据、医学扫描数据或其两者的机器学习推荐系统来为所述第一患者推荐（36）可穿戴传感器。

14.一种用于在医疗系统中进行评估和/或后果确定的方法，所述方法包括：

获取（20）医学扫描数据，所述医学扫描数据表示处于紧急情况的患者的解剖结构；

获得（22）针对所述患者的其他数据；

从所述医学扫描数据和所述其他数据提取（24）特征的集合；

由处理器利用将所述机器训练分类器应用于所述特征来确定（28）所述患者的状况、针对所述患者的风险、针对所述患者的后果、类似的患者或其组合；以及

基于针对所述患者的缺失特征来输出（32）缺失的信息源。

15.根据权利要求14所述的方法，其中输出（32）包括将所述缺失源输出（32）为比其他缺失源更可能导致针对所述患者的不同状况、风险或后果。

16.根据权利要求14所述的方法，其中确定（28）包括利用将所述机器训练分类器应用于所述提取特征和对所述缺失特征进行随机采样来进行确定（28），以及其中输出（32）包括基于利用所述随机采样从所述机器训练分类器得出的结果来识别（34）所述缺失源。

17.一种用于机器训练（46）以针对患者进行评估或确定后果的方法，所述方法包括：

改变（40）解剖模型的参数，所述改变（40）提供（30）合成生成的解剖模型的集合；

根据所述集合的合成生成的解剖模型来仿真（42）医学图像；以及

利用机器使用仿真医学图像来训练（46）机器学习分类器。

18.根据权利要求17所述的方法，进一步包括应用（26）所述机器学习分类器，根据所述应用来确定（28）欠采样的训练数据的种类，以及利用基于欠采样的训练数据的种类所生成的附加的仿真医学图像来再次训练（46）所述机器学习分类器。

19.根据权利要求17所述的方法，其中改变（40）包括随机改变（40）。

20.根据权利要求17所述的方法，进一步包括向所述仿真医学图像中的每个添加（44）不同程度的统计噪声，得到针对所述仿真医学图像中的每个的多个附加图像，所述训练（46）使用所述附加图像。