CN109147931B - 电脑辅助医疗法、非暂态电脑可读取存储媒体及医疗系统 - Google Patents

电脑辅助医疗法、非暂态电脑可读取存储媒体及医疗系统 Download PDF

Info

Publication number
CN109147931B
CN109147931B CN201810354318.8A CN201810354318A CN109147931B CN 109147931 B CN109147931 B CN 109147931B CN 201810354318 A CN201810354318 A CN 201810354318A CN 109147931 B CN109147931 B CN 109147931B
Authority
CN
China
Prior art keywords
actions
prediction
candidate
disease
action
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
CN201810354318.8A
Other languages
English (en)
Other versions
CN109147931A (zh
Inventor
汤凯富
张智威
高皓成
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.)
HTC Corp
Original Assignee
HTC Corp
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 HTC Corp filed Critical HTC Corp
Publication of CN109147931A publication Critical patent/CN109147931A/zh
Application granted granted Critical
Publication of CN109147931B publication Critical patent/CN109147931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及电脑辅助医疗法、非暂态电脑可读取存储媒体及医疗系统。电脑辅助医疗方法包含以下步骤，通过互动介面收集患者的初始症状与背景信息。依据这些候选预测模型以及初始症状按序产生一系列多个动作，多个动作各自对应于询问动作或疾病预测动作其中一者。当此系列多个动作当中最新一个动作对应于其中一个疾病预测动作时，通过候选预测模型的评估，产生潜在疾病预测的第一排名。依据背景信息将第一排名调整为一第二排名，产生对应于潜在疾病预测的第二排名的结果预测。候选预测模型可根据评估而决定要进行询问动作或疾病预测动作，增加进行疾病预测的时间弹性与效率。

Description

电脑辅助医疗法、非暂态电脑可读取存储媒体及医疗系统
技术领域
本公开涉及一种电脑辅助医疗方法，特别涉及一种用于产生医学预测的电脑辅助医疗方法。
背景技术
最近出现了电脑辅助医疗系统的概念，以便于患者自我诊断。电脑辅助医疗系统可以要求患者提供一些信息，然后电脑辅助医疗系统可以基于与这些患者的互动，提供潜在疾病的诊断。
发明内容
本公开提供一电脑辅助医疗方法。电脑辅助医疗方法基于多个候选预测模型，各候选预测模型包含多个询问动作以及多个疾病预测动作。电脑辅助医疗方法包含以下步骤。取得初始症状以及背景信息，依据这些候选预测模型以及初始症状按序产生一系列多个动作，各动作是对应于询问动作的其中一者或是疾病预测动作的其中一者。当此系列多个动作当中最新的一个动作对应其中一个疾病预测动作时，由候选预测模型评估产生潜在疾病预测的一第一排名。依据背景信息将第一排名调整为一第二排名，产生潜在疾病预测的第二排名的结果预测。
于一实施例中，该系列多个动作的一当前动作是经由以下而选定：依据一当前状态，通过一模型选择模型从该些候选预测模型当中决定一动态预测模型，其中该模型选择模型是依据一临床数据由一机器学习演算法所训练；依据该当前状态，针对该动态预测模型当中的多个候选动作产生多个状态动作值；以及，选择该动态预测模型的所有候选动作当中具有一最高状态动作值的一候选动作，作为该系列多个动作的该当前动作。
于一实施例中，产生该些潜在疾病预测的该第一排名的步骤，包含依据该些疾病预测动作的该些状态动作值，将该动态预测模型中的所有该些疾病预测动作由高至低排序。
于一实施例中，将该第一排名调整为该第二排名的步骤包含：取得该背景信息与该些疾病预测动作之间的多个统计概率；将该些统计概率乘以该些疾病预测动作的该些状态动作值；以及，依据该些统计概率与该些疾病预测动作的该些状态动作值的乘积形成该第二排名。
于一实施例中，背景信息包含一患者的一年龄、该患者的一性别、该患者的一血型、该患者的一DNA、该患者的一病史记录、该患者的一住所、一当前季节、一当前温度、一位置或一医疗事件。
于一实施例中，对应该系列多个动作当中每一个动作，通过该模型选择模型重新决定该动态预测模型。
于一实施例中，电脑辅助医疗方法另包含：当该些询问动作其中一者被选择为该系列多个动作的该当前动作时，收集对应于该些询问动作的该其中一者的一症状答复；其中该系列多个动作的一下一动作是进一步依据该症状答复而产生。
于一实施例中，该当前状态包含该当前动作之前的所有询问动作以及对应的所有症状答复。
于一实施例中，决定该动态预测模型的步骤包含：对该些候选预测模型各自产生一状态动作值；以及选择该些候选预测模型当中具有一最高状态动作值的其中一候选预测模型作为该动态预测模型，通过该动态预测模型选择该系列多个动作的该当前动作。
于一实施例中，该些候选预测模型是对应于一人体的相异的多个解剖部位而独立训练，该些候选预测模型各自依据与该人体的一解剖部位相关的临床数据进行训练，该临床数据包含多个临床病例，该些临床病例各自记录一确诊疾病以及与该确诊疾病有关的多个症状之间的一关系。
本公开另提供一具有一电脑程序的非暂态电脑可读取存储媒体，电脑程序是用以执行上述的电脑辅助医疗方法。
本公开又提供一医疗系统，其基于多个候选预测模型，该些候选预测模型各自包含多个询问动作以及多个疾病预测动作。医疗系统包含互动介面(互动接口)以及一控制电路，互动介面用以收集一初始症状，控制电路与互动介面通信。控制电路可操作以依据这些候选预测模型以及初始症状，按序产生一系列多个动作，此系列多个动作各自对应于询问动作其中一者或是疾病预测动作其中一者。当此系列多个动作中最新的一个动作对应于这些疾病预测动作其中一者时，控制电路经操作利用候选预测模型评估而产生多个潜在疾病预测的一第一排名。控制电路可操作依据背景信息将第一排名调整为一第二排名，控制电路可操作以产生这些潜在疾病预测的第二排名的结果预测。
于一实施例中，该控制电路依据一当前状态，通过一模型选择模型从该些候选预测模型决定一动态预测模型，该模型选择模型是依据一临床数据由一机器学习演算法所训练，该控制电路依据该当前状态针对该动态预测模型当中的多个候选动作产生多个状态动作值，该控制电路选择该动态预测模型的所有候选动作当中具有一最高状态动作值的一候选动作，作为该系列多个动作的该当前动作。
于一实施例中，该控制电路依据该些疾病预测动作的该些状态动作值，将该动态预测模型中的所有该些疾病预测动作由高至低排序，借此产生该些潜在疾病预测的该第一排名。
于一实施例中，该控制电路获得该背景信息与该些疾病预测动作之间的多个统计概率，该控制电路将该些统计概率乘以该些疾病预测动作的该些状态动作值，该控制电路依据该些统计概率与该些疾病预测动作的该些状态动作值的乘积形成该第二排名。
于一实施例中，该背景信息包含一患者的一年龄、该患者的一性别、该患者的一血型、该患者的一DNA、该患者的一病史记录、该患者的一住所、一当前季节、一当前温度、一位置或一医疗事件。
于一实施例中，该控制电路对应该系列多个动作当中每一个动作，通过该模型选择模型重新决定该动态预测模型。
于部分实施例中，候选预测模型可根据评估而决定要进行询问动作或疾病预测动作，增加进行疾病预测的时间弹性与效率。此外，可以动态选择不同的候选预测模型，借此贴近于不同医疗部门的医师交互进行诊断的效果。
附图说明
为让本发明的上述和其他目的、特征、优点与实施例能更明显易懂，说明书附图的说明如下：
图1是依据本公开的一实施例的一医疗系统的示意图；
图2是依据本公开的一实施例的一电脑辅助医疗方法的流程图；
图3是依据本公开的一实施例所建立的不同候选预测模型的示意图；
图4是图2的一操作中所执行的进一步操作的流程图；
图5A至图5C说明关于如何在不同阶段中产生系列动作的操作范例的示意图；
图6是依据一实施例于图2的一操作中所执行的进一步操作的流程图；
图7是依据本公开的另一实施例的一医疗系统的示意图；
图8是依据本公开的另一实施例的一电脑辅助医疗方法的流程图；以及
图9是依据本公开的又一实施例的一电脑辅助医疗方法的流程图。
附图标记说明：
100、700 医疗系统
120、720 控制电路
140、740 互动介面
160、760 存储单元
200、800、900 电脑辅助医疗方法
U1 使用者
CON 背景信息
Sini 初始症状
Sqry 症状询问
Sans、RES3N、RES5Y 症状答复
Acand 候选动作
STAT、STAT1、STAT2、STAT3 当前状态
Acurt、Acurt1、Acurt2、Acurt3 当前动作
MD1～MD3 候选预测模型
INQ1-INQ14 询问动作
PRD1-PRD7 疾病预测动作
RES3N、RES5Y 症状答复
MDM 模型选择模型
MD1～MDn 候选预测模型
S210～S260、S810～S860、S910～S940 操作
具体实施方式
以下将以附图及详细说明阐述本发明的精神，任何所属技术领域中技术人员在了解本发明的优选实施例后，当可由本发明所启示的技术，加以改变及修饰，其并不脱离本发明的精神与范围。
请参照图1，图1为依据本公开的一实施例的一医疗系统100的示意图。医疗系统100包含控制电路120、互动介面(互动接口)140以及存储单元160。
于一些实施例中，控制电路120与互动介面140通信，医疗系统100用以经由互动介面140与使用者U1互动(例如，从使用者U1取得至少一个初始症状，向使用者U1提供一些症状询问及/或从使用者U1取得对应的症状答复)。基于前述的互动历史，医疗系统100得以分析、诊断或预测发生在使用者U1身上的潜在疾病。医疗系统100是利用机器学习演算法来进行训练，使得医疗系统100得以基于有限的患者数据来查询和诊断。于一些实施例中，医疗系统100采用强化学习(Reinforcement Learning,RL)框架来制定查询和诊断策略。
于一些实施例中，医疗系统100是使用电脑、服务器或是处理中心而建立。控制电路120可以由处理器、中央处理单元或是计算单元实现。互动介面140可包含输出介面(输出接口)(例如，用于显示信息的一显示面板)或者输入元件(例如，一触控面板、一键盘、一麦克风、一扫描器或是一快闪存储器读取器)，使用者可以通过上述输入元件输入文字指令、发出语音指令或是上传一些相关数据(例如，影像、病历或个人检查报告)。
于一些其他实施例中，医疗系统100的至少一部分是利用分配式系统所建立。例如，控制电路120是由云端计算系统所建立。在这种情况下，互动介面140可以是智能手机，其通过无线与控制电路120进行通信。互动介面140的输出介面可以为智能手机上的显示面板，互动介面140的输入元件可以为智能手机上的触控面板、键盘及/或麦克风。
如图1所示，存储单元160与控制电路120耦接。于一些实施例中，存储单元160可以由存储器、快闪存储器、只读存储器(ROM)、硬盘或是任何等效的存储元件实现。
如图1所示，互动介面140可以由使用者U1操控。使用者U1可以看到互动介面140上所显示的信息，并且使用者U1可以在互动介面140上输入他/她的输入。于一实施例中，互动介面140将显示一通知以向使用者U1询问他/她的多个症状，而使用者U1输入的症状将被视为初始症状Sini(例如，使用者U1输入的一或多个症状)。互动介面140用以依据使用者的操控，取得初始症状Sini以及背景信息CON，互动介面140将初始症状Sini以及背景信息CON传送至控制电路120。
控制电路120用以依据初始症状Sini，产生将被显示于互动介面140上的多个症状询问Sqry。症状询问Sqry被按序显示于互动介面140上，并且使用者U1可通过互动介面140回答症状询问Sqry。互动介面140用以接收对应于症状询问Sqry的症状答复Sans。当控制电路120获得足够信息以作出决定时，控制电路120被用以产生结果预测，例如至少一疾病预测(例如，疾病名称或按其概率排序的疾病名称列表)，或/及依据初始症状Sini以及症状答复Sans，与疾病预测结果相匹配的至少一个医疗部门建议。控制电路120将依据初始症状Sini以及所有先前的症状答复Sans(在当前问题之前)决定多个最佳问题(即症状询问Sqry)，以向使用者U1询问。最佳问题是依据被控制电路120所使用的预测模型而选择，以提高结果预测的效率(例如可以更快地或以更少的询问来决定结果预测)与正确性(例如结果预测可以更准确)。
请参照图2，图2为依据本公开的一实施例的一电脑辅助医疗方法200的流程图。电脑辅助医疗方法200可以由图1中的医疗系统100执行。
如图1与图2所示，操作S210被执行以获得初始症状Sini以及背景信息CON。关于初始症状Sini，互动介面140可以将文字通知显示为“今天感觉如何？如果你感觉不好，你能用几句话来形容你的感觉吗？”使用者U1可以通过打字输入(或者通过语音识别输入)来回答该问题为“我现在有严重的头痛”。在此例中，初始症状Sini(例如头痛)可以在来自使用者U1的输入中被识别。于一实施例中，背景信息CON可以依据来自使用者U1的输入，通过互动介面140而获得。于另一实施例中，背景信息CON可以由医疗系统100通过从医院或医疗机构中的医疗记录数据库下载或提取而获得。例如，使用者U1可以提供个人身份或个人信息以在医疗系统100上创建一帐户。在此例中，倘若使用者U1授权医疗系统100，则医疗系统100可以从医疗记录数据库自动下载或提取使用者U1的背景信息CON。
在某些情况下，一些电脑辅助医疗系统将建立一个整体化通用预测模型来分析来自患者的输入并产生预测。由于整体化通用预测模型应涵盖所有种类的疾病与症状，因此建立整体化通用预测模型需要大量的计算。整体化通用预测模型可能需要很长时间才能进行预测，并且整体化通用预测模型所做的预测有时可能不准确。除此之外，因为整体化通用预测模型要考量到太多的疾病与症状，使得整体化通用预测模型的训练非常困难。即使是在医院里面，也有许多医生专门在不同的医疗部门，单单依赖一名医生难以高效率、高准确度地诊断所有种类的症状与疾病。
为了模拟真实情况中医院的不同部门中由多位专科医生各自负责的诊断方式，于一些实施例中医疗系统100利用机器学习演算法根据临床数据分别训练的多个不同的候选预测模型。请参照图3，图3为依据本公开的一实施例所建立的不同候选预测模型MD1、MD2及MD3的示意图。于一些实施例中，候选预测模型MD1、MD2及MD3对应于人体的不同解剖部位而被独立训练。于另外一些实施例中，候选预测模型MD1、MD2及MD3对应于人体的不同功能部位(例如，呼吸系统、消化系统、神经系统、内分泌系统)而被独立训练。候选预测模型MD1、MD2及MD3各自均不需要涵盖人体上的所有疾病与症状。候选预测模型MD1、MD2及MD3整体的组合应能够涵盖人体上不同解剖部位或不同功能部位的所有疾病与症状。
候选预测模型MD1、MD2及MD3的各自依据与人体的其中一个解剖部位相关的临床数据而被训练。临床数据包含来自一些医疗数据库的临床病例，例如来自疾病控制与预防中心的数据与信息(https://www.cdc.gov/datastatistics/index.html)。每一个临床病例描述了确诊疾病以及与确诊疾病有关的多个对应症状之间的关系。例如，静脉功能不全的患者可能有皮肤病变、腿部肿胀和腿痛的症状；另一位有手臂骨折的患者可能有手臂疼痛、手腕肿胀、肘关节僵硬或紧缩感的症状；而又一位患有慢性便秘疾病的患者可能会出现剧烈的腹痛、肛门疼痛和胃胀气的症状。关于不同疾病与症状的临床病例被分组为不同的解剖部位(或不同的功能部位)。
用来训练多个互相独立的候选预测模型MD1、MD2及MD3中每一候选预测模型所需要的计算时间，将会短于用来训练整体化通用预测模型的计算时间。原因在于，候选预测模型MD1、MD2及MD3中每一者仅仅需要考虑有关于单一解剖部位(或单一功能部位)的疾病与症状。除此之外，候选预测模型MD1、MD2及MD3可以平行计算在同时间各自独立训练，使得建立候选预测模型MD1、MD2及MD3比建立单一的预测模型更快。
每个候选预测模型MD1、MD2及MD3是利用与单一个解剖部位(或一个功能部位)相关临床数据加以训练。例如，候选预测模型MD1是利用与头相关的临床数据进行训练，候选预测模型MD2是利用与胸部相关的临床数据进行训练，并且候选预测模型MD3是利用与手臂相关的临床数据进行训练。医疗系统100以及电脑辅助医疗方法200所使用的候选预测模型并不限于图2所示的三个模型。为了简洁起见，图2是说明三个候选预测模型MD1、MD2及MD3的示例，医疗系统100以及电脑辅助医疗方法200所使用的候选预测模型可为二或更多个不同的模型。
于一实施例中，人体可以被分为十一个不同的组别(分别对应于不同的解剖部位)，例如人体的头部、颈部、手臂、胸部、腹部、背部、骨盆、臀部、腿部、皮肤以及一般区域。其中“一般区域”的组别是用来对应影响人体的不只一个解剖部位的疾病与症状。在本实施例中，医疗系统100以及电脑辅助医疗方法200将训练对应于此十一个组别的十一个候选预测模型。为了简洁起见，以下的段落以图3所示包含三个候选预测模型MD1、MD2及MD3的实施例来解释。
于另一实施例中，人体可以被分为不同的组别(分别对应于各功能部位)，例如人体的呼吸系统、消化系统、神经系统、内分泌系统、肌肉骨骼系统、循环系统、泌尿系统、生殖系统及一般功能(其意味着症状不会发生在一个特定功能部位)。
初始症状Sini(例如，由使用者U1输入的一或多个症状)将提供关于使用者U1感觉如何的重要线索。控制电路120得以决定候选预测模型MD1、MD2及MD3中的哪一个适合用来预测使用者U1的情况。如图1与图2所示，执行操作S220以依据初始症状Sini从候选预测模型MD1-MD3中选择一代表预测模型。
例如，倘若初始症状Sini为“头痛”，可以从候选预测模型MD1-MD3中选择候选预测模型MD1(对应于头部)作为代表预测模型。另一方面，倘若初始症状Sini为“呼吸急促”，可以从候选预测模型MD1-MD3中选择候选预测模型MD2(对应于胸部)作为代表预测模型。
如图1与图2所示，执行操作S230以依据代表预测模型与初始症状Sini按序产生一系列多个动作。此一系列多个动作是对应于代表预测模型中的多个候选动作所产生。
如图3所示，倘若候选预测模型MD1被选择为代表预测模型，候选预测模型MD1包含数个候选动作Acand。在候选预测模型MD1中存在两种类型的候选动作Acand，包含询问动作INQ1、INQ2、INQ3、INQ4、INQ5及INQ6以及疾病预测动作PRED1、PRED2及PRED3。在候选预测模型MD2中存在两种类型的候选动作Acand，包含询问动作INQ1、INQ5、INQ7、INQ8、INQ9、INQ10及INQ11以及疾病预测动作PRED3及PRED4。在候选预测模型MD3中存在两种类型的候选动作Acand，包含询问动作INQ3、INQ10、INQ12、INQ13及INQ14以及疾病预测动作PRED2、PRED5及PRED7。上述一系列多个动作中的每一个动作分别询问动作INQ1-INQ14其中一者或是疾病预测动作PRED1-PRED7其中一者。于一些实施例中，上述一系列多个动作显示在互动介面140上。
询问动作INQ1-INQ14每一者用以询问使用者是否患有一特定症状(例如，“你咳嗽吗？”、“你有发烧吗？”、“你最近睡得好吗？”与“你呼吸急促吗？”)。当使用者U1针对询问动作INQ1-INQ14提供答案(例如，答案可以是简单的是或否)时，控制电路120便能得知更多关于使用者U1的信息。当关于使用者U1的信息足以进行预测时，控制电路120将依据初始症状Sini，所有之前的询问动作以及所有预测之前的症状答复Sans，选择一个疾病预测动作。在一些实施例中，疾病预测动作PRED1-PRED7中的每一个动作对应于一种疾病。
倘若候选预测模型MD1被选为代表预测模型，控制电路120使用候选预测模型MD1以依据当前状态STAT选择候选动作Acand中的一个，并将被选定的这一个候选动作当作是当前动作Acurt。当询问动作INQ1-INQ6中的其中一个选定为当前动作Acurt时，医疗系统100以及电脑辅助医疗方法200将执行询问动作INQ1-INQ6中被选择的那一个。当疾病预测动作PRED1、PRED2及PRED3中的其中一个被选择为当前动作Acurt时，医疗系统100以及电脑辅助医疗方法200将进行疾病预测。
请参照图4，图4为图2的操作S230中所执行的进一步操作的流程图。如图4所示的实施例，操作S230可进一步包含操作S231-S235。操作S231-S235包含关于如何依据代表预测模型与初始症状Sini产生一系列动作的进一步细节。
请进一步参照图5A至图5C，图5A至图5C是说明关于如何在不同阶段中产生系列动作的示例的示意图。在图5A至图5C所示出的实施例中，是假设候选预测模型MD1被选定为代表预测模型，以此进行举例说明，但不以此为限。在其他情况之下，代表预测模型也可能被选定为其他候选预测模型，而不限于候选预测模型MD1。
图5A说明第一阶段的代表预测模型(候选预测模型MD1)的示意图。为了要决定一系列动作当中一第一动作，如图5A所示，执行操作S231以收集输入至代表预测模型(即候选预测模型MD1)的当前状态STAT1。在第一阶段，当前状态STAT1包含初始症状Sini。操作S232被执行，以依据当前状态分别为每个候选动作(包含询问动作INQ1-INQ6与疾病预测动作PRED1-PRED3)产生各自的一状态动作值。
于一实施例中，候选动作的状态动作值可以分别被Q值函数评估，状态动作的Q值函数可以定义为：Qπ(s,a)。Q值函数的结果可以意味着在状态“s”中执行动作“a”采用策略π的预期回报。Q值函数可以被分为当前奖励以及后续阶段的预期Q值，预期的回报由与执行动作相对应的奖励信号所提升。
医疗系统100以及电脑辅助医疗方法200作为代理程序(即基于代表预测模型运行的控制电路120)与患者互动的过程中，可以将查询与诊断过程视为一连串的按序判断问题。在每一个阶段，代理程序询问患者是否有某种症状，然后患者对代表预测模型回答是或否，以表明患者是否有此症状。与此同时，代理程序可以整合使用者对时间步骤的回应，以提出后续问题。在过程结束时，如果代理程序能够以有限的询问数量正确地预测疾病(每个添加的询问从奖励中扣除一个处罚)，则代理程序收到一定量奖励或是可变量奖励。代理程序的目标是将奖励最大化，换句话说，其目标是在诊断过程结束时用有限的询问数量正确预测患者疾病。
给定一状态s，代表预测模型会产生多个候选动作各自的Q值。在我们的定义中，有两种类型的候选动作，包含询问动作INQ1-INQ6与疾病预测动作PRED1-PRED3。如果输出的最大Q值是落在询问动作INQ1-INQ6其中一个，则控制电路120将相应的症状询问输出给使用者U1，从使用者U1取得症状答复，并进行到下一个阶段。
在图5A所示的情况中，包含初始症状Sini的当前状态STAT1仅提供有关于使用者U1的少量信息。目前，由初始症状Sini所提供的信息不足以作出疾病预测。医疗系统100以及电脑辅助医疗方法200将优先采取询问动作，而低几率在这个阶段立刻进行疾病预测。如图5A所示，在当前阶段中，询问动作INQ1-INQ6的Q值将相对较高，并且疾病预测动作PRED1-PRED3的Q值将相对较低。
执行操作S233以选择具有一最高状态动作值的候选动作为一系列多个动作的当前动作。在图5A所示的实施例中，询问动作INQ3具有最高的Q值(Q＝0.45)，因此，询问动作INQ3被选为当前动作Acurt1，其也是一系列多个动作当中的第一动作。
执行操作S234以判断当前动作Acurt1是否为询问动作。在这种情况下，当前动作Acurt1是询问动作INQ3，因此于操作S235中，将对应于询问动作INQ3的症状询问显示于互动介面140上。
请进一步参照图5B，图5B说明图5A所示第一阶段之后的第二阶段的代表预测模型(候选预测模型MD1)的示意图。
执行操作S231以收集输入至代表预测模型(即候选预测模型MD1)的当前状态STAT2。在第二阶段，当前状态STAT2包含初始症状Sini、先前询问动作INQ3以及对应于询问动作INQ3的一症状答复RES3N。在这种情况下，症状答复RES3N指出，使用者U1本身并未遭遇询问动作INQ3中提及的症状。再次执行操作S232，以依据当前状态STAT2分别为每个候选动作(包含询问动作INQ1、INQ2、INQ4-INQ6与疾病预测动作PRED1-PRED3)分别产生一状态动作值。候选动作的状态动作值将依据症状答复RES3N而被更新。在这种情况下，由于当前状态STAT2已经不同于之前的状态(图5A所示的STAT1)，针对每个候选动作的状态动作值可以被Q值函数重新评估，Q值函数的结果可以依据症状答复RES3N中的是/否回答而增加或减少。当从候选动作中选择一目标询问动作(即，在这种情况下询问动作INQ3)时，会倾向于选择多个询问动作中最大几率能够引起其他候选动作的Q值显著变化的一个询问动作，以此作为目标询问动作。在症状答复RES3N被提供给医疗系统100以及电脑辅助医疗方法200之后，询问动作INQ1、INQ2、INQ4-INQ6以及疾病预测动作PRED1-PRED3的Q值将相应于症状答复RES3N而改变。
如图5B所示的实施例，询问动作INQ5具有最高的Q值(Q＝0.57)，因此，询问动作INQ5被选为一当前动作Acurt2，其也是一系列多个动作中的第二动作。
在这种情况下，先前动作(图5A所示的Acurt1)的下一个当前动作Acurt2(其为询问动作INQ5)，进一步依据初始症状Sini外加症状答复RES3N被产生。
操作S234被执行以判断当前动作Acurt2是否为询问动作。在这种情况下，当前动作Acurt2是询问动作INQ5，因此对应于询问动作INQ5的一症状询问可于操作S235中被显示于互动介面140上。
请进一步参照图5C，图5C说明图5B所示第二阶段之后的第三阶段的代表预测模型(候选预测模型MD1)的示意图。
操作S231被执行以收集输入至代表预测模型(即候选预测模型MD1)的一当前状态STAT3。在第三阶段，当前状态STAT3包含初始症状Sini、先前询问动作INQ3、症状答复RES3N、先前询问动作INQ5以及对应于询问动作INQ5的一症状答复RES5Y。在这种情况下，症状答复RES5Y指出使用者U1有遭遇到询问动作INQ5中提及的症状。再次执行操作S232，以依据当前状态STAT3分别为每个候选动作(包含询问动作INQ1、INQ2、INQ4、INQ6与疾病预测动作PRED1-PRED3)分别产生一状态动作值。候选动作的状态动作值将依据症状答复RES3N及症状答复RES5Y而被更新。在这种情况下，由于当前状态STAT3已经不同于之前的状态(即STAT2)，针对每个候选动作的状态动作值可以被Q值函数重新评估，Q值函数的结果可以依据症状答复RES3N及症状答复RES5Y中的是/否回答而增加或减少。当从候选动作中选择一目标询问动作(即，在这种情况下询问动作INQ5)时，询问动作中能够引起其他候选动作的Q值显著变化的一个将被选择为目标询问动作。在症状答复RES5Y被提供给医疗系统100以及电脑辅助医疗方法200之后，询问动作INQ1、INQ2、INQ4、INQ6以及疾病预测动作PRED1-PRED3的Q值将相应于症状答复RES5Y而改变。
如图5C所示的实施例，疾病预测动作PRED2具有最高的Q值(Q＝0.83)，因此，疾病预测动作PRED2被选为一当前动作Acurt3，其也是一系列多个动作当中的第三动作。
在图5C所示的情况中，当前状态STAT3包含初始症状Sini、先前询问动作INQ3、症状答复RES3N、先前询问动作INQ5以及症状答复RES5Y。在这种情况下，当前状态STAT3可以提供足够的信息来进行疾病预测。因此，在当前阶段下，询问动作INQ1、INQ2、INQ4及INQ6的Q值相对较低，目标疾病预测动作PRED2的Q值相对较高。
在这种情况下，先前动作(图5B所示的Acurt2)的下一个当前动作Acurt3(其为疾病预测动作PRED2)，进一步依据初始症状Sini、症状答复RES3N外加症状答复RES5Y被产生。
操作S234被执行以判断当前动作Acurt3是否为询问动作。在这种情况下，当前动作Acurt3并非是询问动作而是疾病预测动作PRED2，因此操作S240依据疾病预测动作PRED2被执行。
于一些实施例中，当疾病预测动作PRED2被选为当前动作Acurt3时，电脑辅助医疗方法200依据被选择的疾病预测动作PRED2进一步于操作S240中产生一预测结果。于一实施例中，预测结果可以是按概率排名的一疾病名称列表。例如，疾病列表可以包含疾病预测动作PRED2、PRED3及PRED1在它们的Q值(图5C所示例子中的0.83、0.54及0.22)的第一排名，于操作S240中，疾病预测动作PRED2、PRED3及PRED1的第一排名，是依据初始症状Sini输入以及对应于症状询问Sqry的症状答复Sans而被候选预测模型MD1决定。除了患者的症状与相关信息(位置、当前原因、疾病预测程序的当前温度)或医疗事件(例如，SARS、兹卡病毒或H1N1的国际通报事件)，第一排名无法反映其他信息(例如，性别、年龄、病史记录、患者住所、患者的血型或患者的DNA)。在图1所示的实施例中，可以透过通过互动介面140进一步取得使用者的背景信息CON。背景信息CON可以包含患者的年龄、性别、血型、DNA、病史记录、住所、或是当前季节、当前温度、当疾病预测过程启动时的位置或医疗事件。于另一实施例中，医疗系统100也可以由通过从医院或医疗机构中的医疗记录数据库下载或提取，以取得使用者的背景信息CON。
如图2所示，执行操作S250依据背景信息CON将第一排名调整为第二排名。请进一步参阅图6，图6为依据一实施例的图2中的操作S250中所执行的进一步操作S251-S253的流程图。如图6所示，执行操作S251以取得背景信息与疾病预测动作之间的统计概率。统计概率可以从疾病控制与预防中心或其他医疗数据库提取。
在以下的段落中，提供一个操作范例来举例说明操作S250，在此操作范例中，假设背景信息表明患者是年龄在45与59岁之间的男性，统计概率显示一般年龄在45至59岁之间的男性发生疾病的概率。
执行操作S252以将统计概率乘以疾病预测动作的状态动作值。然后，执行操作S253，以依据统计概率与疾病预测动作的状态动作值的乘积形成第二排名。请参阅图5C所示实施例的示范，疾病预测动作的第一排名为PRED2、PRED3及PRED1，假设在候选预测模型MD1所决定的第一排名中，疾病预测动作为尿道感染(PRED2)、肾结石(PRED3)与暂时或良性血尿(PRED1)。
依据一般年龄在45至59岁之间的男性的统计概率，尿道感染的概率是2％(因为尿道感染通常发生在女性患者身上)，肾结石的概率是25％(因为年龄在45至59岁之间的男性患肾石病的风险高)，以及暂时或良性血尿的概率为20％。尿道感染(PRED2)的Q值(0.83)与概率的乘积为0.0166，肾结石(PRED3)的Q值(0.54)与概率的乘积为0.135，暂时或良性血尿(PRED1)的Q值(0.22)与概率的乘积为0.044。在这种情况下，依据统计概率与疾病预测动作的状态动作值的乘积，疾病预测动作PRED1-PRED3之间的第二排名将为PRED3最高，接着是PRED1，最后是PRED2。之后，图2中的操作S260被执行以产生潜在疾病预测在第二排名的列表。在此列表中，疾病预测动作PRED3(肾结石)将排在最前面，疾病预测动作PRED1(暂时或良性血尿)将排在第二位，然后疾病预测动作PRED2(尿道感染)将排在这两种疾病之后。
在以下的段落中，提供另一个操作范例以举例说明操作S250，在此操作范例中，假设背景信息表明患者是年龄在75岁以上的女性，统计概率显示一般年龄在75岁以上的女性发生疾病的概率。在此操作范例中，其中一个候选预测模型(即代表预测模型)所提供的在第一排名前五位的疾病预测分别是转移性癌症、慢性便秘、腹疝、慢性肾脏疾病与胃食道逆流。基于年龄在75岁以上的女性的统计概率所重新计算第二排名，在重新计算后的第二排名中前五位的疾病预测分别为骨质疏松症、转移性癌症、慢性肾脏疾病、褥疮溃疡与静脉功能不全。在此操作范例中，由于“骨质疏松症”经常发生在老年妇女身上，纵使根据症状询问所得出的第一排名中疾病预测“骨质疏松症”并未被认为是前五位可能疾病，仍可能被列在第二排名的第一位。
在以下的段落中，提供再一个操作范例以举例说明操作S250，在此操作范例中，假设背景信息表明患者是年龄80岁的男性。在此示例中，其中一个候选预测模型(即代表预测模型)所提供的在第一排名，前五位的疾病预测分别是慢性阻塞性肺病(COPD)、肺不张、阿尔茨海默症、低血容量与愈伤组织。在考虑背景信息(患者是80岁的男性)之后所得到的第二排名，前五位的疾病预测分别是阿尔茨海默症、慢性阻塞性肺病(COPD)、肺不张、低血容量与愈伤组织。在根据背景信息调整排名之前，阿尔茨海默症在预测中排名第三，但是由于阿尔茨海默症很可能发生在75岁以上的患者身上，因此阿尔茨海默症因为考虑了背景信息因此名次上升。
在以下的段落中，提供再一个操作范例以举例说明操作S250，在此操作范例中，假设背景信息表明患者是年龄25岁的女性并且诊断发生在十一月。在此示例中，其中一个候选预测模型(即代表预测模型)所提供的在第一排名，前五位的疾病预测分别是慢性阻塞性肺病(COPD)、普通感冒、肺不张、乳糖不耐症与愈伤组织。在考虑背景信息(患者是25岁的女性并且诊断发生在十一月)之后，重新计算的第二排名，前五位的疾病预测分别是普通感冒、慢性阻塞性肺病(COPD)、肺不张、乳糖不耐症与愈伤组织。由于背景信息表明当前的季节是冬季，普通感冒因为考虑了背景信息因此名次上升。季节使得普通感冒的概率增加，因此预测结果在考虑了背景信息之后进行了修正。
基于以上的四个操作范例，第一排名可以依据背景信息，包含患者的年龄、患者的性别及/或疾病预测过程的当前季节，被转换为第二排名。然而，背景信息并不限于此。背景信息可以包含患者的病史记录、患者的住所、疾病预测过程的当前温度，或是关于患者或患者周围环境的任何等效数据。
在一些其他的方法中，可将背景信息并入用于建立候选预测模型的训练数据中。在这些方法中，倘若医疗系统倾向于将新的因素添加到背景信息中，则必需基于包含新添加因素的背景信息再次训练所有的候选预测模型。
基于图2、图4与图6所示的电脑辅助医疗方法200的以上实施例，可以在操作S250中考虑背景信息(例如，年龄、性别、病史记录、季节因素、温度)，以重新排列潜在疾病预测的排名，使得由电脑辅助医疗方法200产生的疾病预测结果，可以依据背景信息而被调整。如果在电脑辅助医疗方法200中的背景信息中添加了新的因素，则没有必要再度训练所有的候选预测模型。
本公开的另一实施例包含具有一电脑程序的一非暂态电脑可读取存储媒体(例如，图1所示的存储单元160)，以执行前述图2、图4与图6所示的电脑辅助医疗方法200。
在前述图2所示的实施例中，电脑辅助医疗方法200依据初始症状Sini，从候选预测模型MD1-MDn中选择代表预测模型。随后，利用代表预测模型完成以下的预测程序。在前述图2所示的实施例中，代表预测模型是从候选预测模型MD1-MDn中选择的一固定模型(在多个阶段都采用同一个候选预测模型MD1)，其中n为正整数。然而，本公开并不限于此。
请参照图7，图7为依据本公开的另一实施例的一医疗系统700的示意图。医疗系统700包含控制电路720、互动介面740以及存储单元760，图7中的医疗系统700的电路结构类似于图1中的医疗系统100的电路结构。于医疗系统700的实施例中，建立了多个候选预测模型MD1-MDn并且存储在存储单元760中，每个候选预测模型MD1-MDn是对应于人体的不同解剖部位而独立训练，每个候选预测模型MD1-MDn依据与人体的一解剖部位相关的临床数据进行训练。候选预测模型MD1-MDn的细节类似于前述图1中所示的实施例。在图7所示的实施例中，医疗系统700进一步建立模型选择模型MDM。
模型选择模型MDM是用来从候选预测模型MD1-MDn中决定动态预测模型，以负责产生一系列多个动作中的每一个动作。于此实施例中，动态预测模型可以对应于一系列多个动作中的每一个动作由模型选择模型MDM重新决定。例如一系列多个动作中的第一个动作可以依据与人体的一部位相关的候选预测模型MD1来选择，并且一系列多个动作中的第二个动作可以依据与人体的另一部位相关的候选预测模型MDn来选择。在图7所示的实施例中，在整个预测过程中系列动作并不限于由相同的候选预测模型选择。
请参照图8，图8为依据本公开的另一实施例的一电脑辅助医疗方法800的流程图。电脑辅助医疗方法800是适合被用于图7中的医疗系统700。
执行操作S810以取得初始症状Sini以及背景信息CON。执行操作S820以依据当前状态由模型选择模型MDM从候选预测模型MD1-MDn中选择动态预测模型。在一开始的时候，当前状态只包含初始症状Sini，模型选择模型MDM得以依据初始症状Sini从候选预测模型MD1-MDn中决定动态预测模型。执行操作S830以依据本阶段的动态预测模型选择一系列多个动作的一当前动作。操作S830可以包含进一步的子操作，例如收集输入到动态预测模型的当前状态，分别为动态预测模型中的每个候选动作产生状态动作值，以及选择具有最高状态动作值的候选动作为一系列多个动作的当前动作(可参考图4中的操作S231、S232与S233以获得进一步的细节)。
执行操作S834以判断本阶段由动态预测模型所选择的当前动作是否为询问动作。如果当前动作为询问动作，执行操作S835以显示症状询问，并且从一患者U1收集多个症状答复Sans。然后，电脑辅助医疗方法800再次执行操作S820，以依据更新后的当前状态(包含初始症状Sini、上一阶段的症状询问Sqry、以及针对症状询问Sqry的症状答复Sans)，由模型选择模型MDM从候选预测模型MD1-MDn决定动态预测模型。在第二阶段中决定的动态预测模型可以与第一阶段中先前选择的动态预测模型不同，或者也可以与第一阶段中先前选择的动态预测模型相同。是否改变或保留动态预测模型取决于模型选择模型MDM的判断结果。模型选择模型MDM是依据临床数据由机器学习演算法所训练，在训练过程中，模型选择模型MDM能够在每一阶段中由所有的候选预测模型MD1-MDn决定出一个动态预测模型，并且当最终预测正确时，模型选择模型MDM将收到一个正向奖励信号，当最终的预测是错误时，模型选择模型MDM将收到一个负向反馈信号。
操作S830-S835将被重复多个阶段，直到动态预测模型选择了其中一个疾病预测动作作为一系列多个动作当中最新的一个动作。一旦选择了疾病预测动作(例如，操作S834将检测到当前动作不是询问动作)时，便执行操作S840以产生第一排名，第一排名是由候选预测模型所评估的潜在疾病预测。执行操作S850，以依据背景信息将第一排名调整为第二排名。执行操作S860以产生潜在疾病预测在第二排名的列表。由于电脑辅助医疗方法800中操作S840-S860的细节类似于前述图2与图6所示实施例中的操作S240-S260，于此不再重复。
基于电脑辅助医疗方法800，不同阶段的疾病预测程序并不一定是由与初始症状Sini匹配的同一个候选预测模型来决定。在本实施例中，倘若患者U1所提供的初始症状Sini对于描述发生在患者U1身上的疾病并不理想，则电脑辅助医疗方法800仍然有机会依据之后的症状答复Sans，切换到另一个候选预测模型。因此，电脑辅助医疗方法800可以参考多个候选预测模型来进行诊断，由电脑辅助医疗方法800所做的最终预测与来自不同医疗部门的医生的咨询相似。因此，由电脑辅助医疗方法800所做的预测将具有更好的准确性。
本公开的另一实施例包含具有一电脑程序的一非暂态电脑可读取存储媒体(例如，图7所示的存储单元760)，以执行前述图8所示的电脑辅助医疗方法800。
请进一步参照图9，图9为依据本公开的又一实施例的一电脑辅助医疗方法900的流程图。电脑辅助医疗方法900是适合被用于图7中的医疗系统700。
操作S910被执行以获得初始症状Sini(例如，由患者U1输入的一个或多个症状)。在电脑辅助医疗方法900的实施例中，背景信息并非必需的。操作S920被执行以依据当前状态由模型选择模型MDM从候选预测模型MD1-MDn中决定动态预测模型。在一开始的时候，当前状态只包含初始症状Sini，模型选择模型MDM得以依据初始症状Sini从候选预测模型MD1-MDn中决定动态预测模型。操作S930被执行以依据本阶段的动态预测模型选择一系列多个动作当中的当前动作。操作S930可以包含进一步的子操作，例如收集输入到动态预测模型的当前状态、分别为动态预测模型中的每个候选动作产生状态动作值，以及选择具有最高状态动作值的候选动作为一系列多个动作的当前动作(可参考图4中的操作S231、S232与S233以获得进一步的细节)。
操作S934被执行以判断本阶段由动态预测模型所选择的当前动作是否为询问动作。如果当前动作是询问动作，执行操作S935以显示症状询问，并且从患者U1收集多个症状答复Sans。然后，电脑辅助医疗方法900再次执行操作S920，以依据更新的当前状态，由模型选择模型MDM从候选预测模型MD1-MDn决定动态预测模型。在第二阶段中决定的动态预测模型可以与第一阶段中先前选择的动态预测模型不同，或者也可以与第一阶段中先前选择的动态预测模型相同。是否改变或保留动态预测模型取决于模型选择模型MDM的判断结果。
操作S930-S935将被重复多个阶段，直到动态预测模型中的疾病预测动作之一被选择为一系列多个动作当中最新的一个动作。当选择了疾病预测动作(例如，操作S934将检测到当前动作不是询问动作)时，执行操作S940以产生潜在疾病预测的一列表，列表中的潜在疾病预测是依据由候选预测模型所评估的一排名进行排列，可以依据疾病预测动作的Q值决定候选预测模型评估的排名。例如，潜在疾病预测列表可以包含疾病预测动作PRED2、PRED3及PRED1在它们的Q值(图5C中所示例子中的0.83、0.54及0.22)的排名。
基于电脑辅助医疗方法900，不同阶段的疾病预测程序并不一定是由与初始症状Sini匹配的同一个候选预测模型来决定。在本实施例中，倘若患者U1所提供的初始症状Sini对于描述发生在患者U1身上的疾病并不理想，则电脑辅助医疗方法900仍然有机会依据之后的症状答复Sans，切换到另一个候选预测模型。因此，电脑辅助医疗方法900可以参考多个候选预测模型来进行诊断，由电脑辅助医疗方法900所做的最终预测与来自不同医疗部门的医生的咨询相似。因此之故，由电脑辅助医疗方法900所做的预测将具有更好的准确性。
基于以上的说明，在另外的实施例中，医疗系统100也有可能依据使用者输入的至少一个初始症状以及一或多个候选预测模型，直接产生疾病预测动作，在部分情况下也可能不需要产生一或多个询问动作。
虽然本发明已以实施例公开如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作各种的变动与润饰，因此本发明的保护范围当视权利要求所界定者为准。

Claims (17)

1.一种电脑辅助医疗方法，其特征在于，该电脑辅助医疗方法根据多个候选预测模型进行，该些候选预测模型各自包含多个询问动作以及多个疾病预测动作，该电脑辅助医疗方法包含：
取得初始症状以及背景信息；
依据该些候选预测模型其中一个或多个以及该初始症状，按序产生一系列多个动作，该系列多个动作各自对应于该些询问动作其中一者或是该些疾病预测动作其中一者；
当该系列多个动作当中最新动作对应于该些疾病预测动作其中一者时，产生多个潜在疾病预测的第一排名，由该些候选预测模型其中一个或多个候选预测模型未基于该背景信息评估而产生该第一排名，且该些候选预测模型利用与多个解剖部位相关临床数据加以训练，该些候选预测模型未包含该背景信息；
依据该背景信息将该第一排名调整为第二排名；以及
产生对应于该些潜在疾病预测的该第二排名的结果预测。
2.如权利要求1所述的电脑辅助医疗方法，其中该系列多个动作中当前动作的选定，是经由以下步骤：
依据当前状态，通过模型选择模型从该些候选预测模型当中决定动态预测模型，其中该模型选择模型是依据临床数据由机器学习演算法所训练；
依据该当前状态，针对该动态预测模型当中的多个候选动作产生多个状态动作值；以及
选择该动态预测模型的所有候选动作当中具有最高状态动作值的候选动作，作为该系列多个动作的该当前动作。
3.如权利要求2所述的电脑辅助医疗方法，其中产生该些潜在疾病预测的该第一排名的步骤，包含：
依据该些疾病预测动作的该些状态动作值，将该动态预测模型中的所有该些疾病预测动作由高至低排序。
4.如权利要求3所述的电脑辅助医疗方法，其中将该第一排名调整为该第二排名的步骤，包含：
获得该背景信息与该些疾病预测动作之间的多个统计概率；
将该些统计概率乘以该些疾病预测动作的该些状态动作值；以及
依据该些统计概率与该些疾病预测动作的该些状态动作值的乘积形成该第二排名。
5.如权利要求4所述的电脑辅助医疗方法，其中该背景信息包含患者的年龄、该患者的性别、该患者的血型、该患者的DNA、该患者的病史记录、该患者的住所、当前季节、当前温度、位置或医疗事件。
6.如权利要求2所述的电脑辅助医疗方法，其中对应该系列多个动作当中每一个动作，通过该模型选择模型重新决定该动态预测模型。
7.如权利要求2所述的电脑辅助医疗方法，另包含：
当该些询问动作其中一者被选择为该系列多个动作的该当前动作时，收集对应于该些询问动作的该其中一者的症状答复；
其中该系列多个动作的下一动作是进一步依据该症状答复而产生。
8.如权利要求7所述的电脑辅助医疗方法，其中该当前状态包含该当前动作之前的所有询问动作以及对应的所有症状答复。
9.如权利要求2所述的电脑辅助医疗方法，其中决定该动态预测模型的步骤包含：
对该些候选预测模型各自产生状态动作值；以及
选择该些候选预测模型当中具有最高状态动作值的其中一者作为该动态预测模型，通过该动态预测模型选择该系列多个动作的该当前动作。
10.如权利要求1所述的电脑辅助医疗方法，其中该些候选预测模型是对应于人体的相异的多个解剖部位而独立训练，该些候选预测模型各自依据与该人体的解剖部位相关的临床数据进行训练，该临床数据包含多个临床病例，该些临床病例各自记录确诊疾病以及与该确诊疾病有关的多个症状之间的关系。
11.一种非暂态电脑可读取存储媒体，其具有电脑程序以执行电脑辅助医疗方法，其特征在于，其中该电脑辅助医疗方法包含：
取得患者的初始症状以及背景信息；
依据多个候选预测模型其中一或多个以及该初始症状，按序产生一系列多个动作，该系列多个动作各自对应于该些候选预测模型中多个询问动作其中一者或是该些候选预测模型中多个疾病预测动作其中一者；
当该系列多个动作当中最新动作对应于该些疾病预测动作其中一者时，产生多个潜在疾病预测的第一排名，由该些候选预测模型其中一个或多个候选预测模型未基于该背景信息评估而产生该第一排名，且该些候选预测模型利用与多个解剖部位相关临床数据加以训练，该些候选预测模型未包含该背景信息；
依据该背景信息将该第一排名调整为第二排名；以及
产生对应于该些潜在疾病预测的该第二排名的结果预测。
12.一种医疗系统，其特征在于，该医疗系统根据多个候选预测模型而运行，该些候选预测模型各自包含多个询问动作以及多个疾病预测动作，该医疗系统包含：
互动介面，用以收集患者的初始症状以及背景信息；以及
控制电路，与该互动介面通信，其中该控制电路经操作以：
依据该些候选预测模型其中一或多个以及该初始症状，按序产生一系列多个动作，该系列多个动作各自对应于该些询问动作其中一者或是该些疾病预测动作其中一者；
当该系列多个动作当中最新动作对应于该些疾病预测动作其中一者时，产生多个潜在疾病预测的第一排名，由该些候选预测模型其中一个或多个候选预测模型未基于该背景信息评估而产生该第一排名，且该些候选预测模型利用与多个解剖部位相关临床数据加以训练，该些候选预测模型未包含该背景信息；
依据该背景信息将该第一排名调整为第二排名；以及
产生对应于该些潜在疾病预测的该第二排名的结果预测。
13.如权利要求12所述的医疗系统，其中该控制电路依据当前状态，通过模型选择模型从该些候选预测模型决定动态预测模型，该模型选择模型是依据临床数据由机器学习演算法所训练，该控制电路依据该当前状态针对该动态预测模型当中的多个候选动作产生多个状态动作值，该控制电路选择该动态预测模型的所有候选动作当中具有最高状态动作值的候选动作，作为该系列多个动作的当前动作。
14.如权利要求13所述的医疗系统，其中该控制电路依据该些疾病预测动作的该些状态动作值，将该动态预测模型中的所有该些疾病预测动作由高至低排序，借此产生该些潜在疾病预测的该第一排名。
15.如权利要求14所述的医疗系统，其中该控制电路获得该背景信息与该些疾病预测动作之间的多个统计概率，该控制电路将该些统计概率乘以该些疾病预测动作的该些状态动作值，该控制电路依据该些统计概率与该些疾病预测动作的该些状态动作值的乘积形成该第二排名。
16.如权利要求15所述的医疗系统，其中该背景信息是包含该患者的年龄、该患者的性别、该患者的血型、该患者的DNA、该患者的病史记录、该患者的住所、当前季节、当前温度、位置或医疗事件。
17.如权利要求13所述的医疗系统，其中该控制电路对应该系列多个动作当中每一个动作，通过该模型选择模型重新决定该动态预测模型。
CN201810354318.8A 2017-06-16 2018-04-19 电脑辅助医疗法、非暂态电脑可读取存储媒体及医疗系统 Active CN109147931B (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US201762520642P 2017-06-16 2017-06-16
US62/520,642 2017-06-16
US15/826,626 US10854335B2 (en) 2017-06-16 2017-11-29 Computer aided medical method and medical system for medical prediction
US15/826,626 2017-11-29
US15/835,479 2017-12-08
US15/835,479 US10734113B2 (en) 2017-06-16 2017-12-08 Computer aided medical method and medical system for medical prediction

Publications (2)

Publication Number Publication Date
CN109147931A CN109147931A (zh) 2019-01-04
CN109147931B true CN109147931B (zh) 2022-04-19

Family

ID=64657488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810354318.8A Active CN109147931B (zh) 2017-06-16 2018-04-19 电脑辅助医疗法、非暂态电脑可读取存储媒体及医疗系统

Country Status (3)

Country Link
US (4) US10854335B2 (zh)
CN (1) CN109147931B (zh)
TW (4) TWI686819B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018205496A1 (de) * 2018-04-11 2019-10-17 Siemens Healthcare Gmbh Verfahren zur Steuerung des Betriebs einer Medizintechnikeinrichtung, Bediengerät, Bediensystem, Medizintechnikeinrichtung, Computerprogramm und elektronisch lesbarer Datenträger
WO2020123723A1 (en) * 2018-12-11 2020-06-18 K Health Inc. System and method for providing health information
US11204691B2 (en) * 2019-02-05 2021-12-21 International Business Machines Corporation Reducing input requests in response to learned user preferences
US20200268302A1 (en) * 2019-02-27 2020-08-27 Seoul National University Hospital Systems and methods for diagnosing lower urinary tract dysfunction
CN110088748B (zh) * 2019-03-19 2023-11-14 京东方科技集团股份有限公司 问题生成方法和装置、问诊系统、计算机可读存储介质
KR102455469B1 (ko) * 2019-04-17 2022-10-17 사회복지법인 삼성생명공익재단 하부요로증상 진단보조 방법
JP7361505B2 (ja) * 2019-06-18 2023-10-16 キヤノンメディカルシステムズ株式会社 医用情報処理装置及び医用情報処理方法
US11537818B2 (en) 2020-01-17 2022-12-27 Optum, Inc. Apparatus, computer program product, and method for predictive data labelling using a dual-prediction model system
CN111326251B (zh) * 2020-02-13 2023-08-29 北京百度网讯科技有限公司 一种问诊问题输出方法、装置以及电子设备
JP7371220B2 (ja) * 2020-03-03 2023-10-30 富士フイルム株式会社 情報処理装置、情報処理方法及び情報処理プログラム
CN113393940B (zh) * 2020-03-11 2024-05-24 宏达国际电子股份有限公司 控制方法以及医疗系统
CN111785369B (zh) * 2020-06-30 2024-04-05 讯飞医疗科技股份有限公司 诊断预测方法、相关设备及可读存储介质
CN112017788B (zh) * 2020-09-07 2023-07-04 平安科技（深圳）有限公司 基于强化学习模型的疾病排序方法、装置、设备及介质
CN114999626A (zh) * 2021-03-02 2022-09-02 宏达国际电子股份有限公司 医疗系统、控制方法以及非暂态电脑可读取储存媒体
TWI776638B (zh) * 2021-08-17 2022-09-01 臺中榮民總醫院 以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統
CN118016274B (zh) * 2024-02-09 2024-08-06 北京大学 疾病知识检索与诊疗决策辅助系统
CN118136284B (zh) * 2024-03-22 2024-09-13 南京美桥信息科技有限公司 一种虚拟医院诊疗方法、装置、诊疗设备和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366073A (zh) * 2012-03-28 2013-10-23 腾讯科技（深圳）有限公司 问诊信息处理方法及系统
CN105095622A (zh) * 2014-05-13 2015-11-25 伦纳德·索力 医疗辅助方法和系统
CN105190634A (zh) * 2013-03-07 2015-12-23 梅德索有限公司 用于计算用作医疗决策支持的医疗建议的分数的方法
CN106354998A (zh) * 2016-08-26 2017-01-25 成都汉康信息产业有限公司 一种支持远程问诊的在线医疗系统
CN106599574A (zh) * 2016-12-13 2017-04-26 天津迈沃医药技术股份有限公司 基于医疗信息平台的诊疗数据分析方法及系统

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2286711C2 (ru) 2000-02-14 2006-11-10 Фёрст Опинион Корпорэйшн Система и способ автоматической диагностики
US7149756B1 (en) * 2000-05-08 2006-12-12 Medoctor, Inc. System and method for determining the probable existence of disease
US6684276B2 (en) * 2001-03-28 2004-01-27 Thomas M. Walker Patient encounter electronic medical record system, method, and computer product
US20050065813A1 (en) * 2003-03-11 2005-03-24 Mishelevich David J. Online medical evaluation system
TW200532523A (en) 2004-02-27 2005-10-01 Aureon Biosciences Corp Methods and systems for predicting occurrence of an event
US9081879B2 (en) * 2004-10-22 2015-07-14 Clinical Decision Support, Llc Matrix interface for medical diagnostic and treatment advice system and method
US7624030B2 (en) * 2005-05-20 2009-11-24 Carlos Feder Computer-implemented medical analytics method and system employing a modified mini-max procedure
US8888697B2 (en) * 2006-07-24 2014-11-18 Webmd, Llc Method and system for enabling lay users to obtain relevant, personalized health related information
TW201142641A (en) 2010-05-31 2011-12-01 Jian Duan Bio Technology Co Ltd Storage medium, method and system for assisting medical assessment
CN102110192A (zh) 2011-04-02 2011-06-29 中国医学科学院医学信息研究所 基于诊断要素数据关联的疾病辅助判断方法
US20130158434A1 (en) 2011-12-20 2013-06-20 Delta Electronics, Inc. Apparatus for voice assisted medical diagnosis
US20130268203A1 (en) * 2012-04-09 2013-10-10 Vincent Thekkethala Pyloth System and method for disease diagnosis through iterative discovery of symptoms using matrix based correlation engine
CN103164616A (zh) 2013-02-02 2013-06-19 杭州卓健信息科技有限公司 一种智能导诊系统和方法
US20140249830A1 (en) * 2013-03-01 2014-09-04 Nuance Communications, Inc. Virtual medical assistant methods and apparatus
KR20170023770A (ko) * 2014-06-25 2017-03-06 삼성전자주식회사 진단모델 생성 시스템 및 방법
TW201612846A (en) 2014-09-19 2016-04-01 Yi-Cheng Yu System and method of self-help inquiry and generating structural compliant medical record
JP2016126587A (ja) 2015-01-06 2016-07-11 株式会社リコー 面談システム、サーバシステム、サーバ装置、情報端末、面談方法、情報処理方法及びプログラム
CN106709254B (zh) 2016-12-29 2019-06-21 天津中科智能识别产业技术研究院有限公司 一种医疗诊断机器人系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366073A (zh) * 2012-03-28 2013-10-23 腾讯科技（深圳）有限公司 问诊信息处理方法及系统
CN105190634A (zh) * 2013-03-07 2015-12-23 梅德索有限公司 用于计算用作医疗决策支持的医疗建议的分数的方法
CN105095622A (zh) * 2014-05-13 2015-11-25 伦纳德·索力 医疗辅助方法和系统
CN106354998A (zh) * 2016-08-26 2017-01-25 成都汉康信息产业有限公司 一种支持远程问诊的在线医疗系统
CN106599574A (zh) * 2016-12-13 2017-04-26 天津迈沃医药技术股份有限公司 基于医疗信息平台的诊疗数据分析方法及系统

Also Published As

Publication number Publication date
US20180366222A1 (en) 2018-12-20
US20180365381A1 (en) 2018-12-20
TWI656503B (zh) 2019-04-11
TWI747574B (zh) 2021-11-21
TW202109551A (zh) 2021-03-01
TW201905838A (zh) 2019-02-01
US11361865B2 (en) 2022-06-14
US11488718B2 (en) 2022-11-01
TW201923779A (zh) 2019-06-16
TWI709102B (zh) 2020-11-01
US20200342989A1 (en) 2020-10-29
US10734113B2 (en) 2020-08-04
TWI686819B (zh) 2020-03-01
CN109147931A (zh) 2019-01-04
US10854335B2 (en) 2020-12-01
TW201905839A (zh) 2019-02-01
US20210043324A1 (en) 2021-02-11

Similar Documents

Publication Publication Date Title
CN109147931B (zh) 电脑辅助医疗法、非暂态电脑可读取存储媒体及医疗系统
CN107729710B (zh) 医学系统及非暂态计算机可读取媒体
KR101884609B1 (ko) 모듈화된 강화학습을 통한 질병 진단 시스템
Kao et al. Context-aware symptom checking for disease diagnosis using hierarchical reinforcement learning
US7917377B2 (en) Patient data mining for automated compliance
JP5523342B2 (ja) 類似事例検索を精密化するための方法及び装置
US8579784B2 (en) Personalized prognosis modeling in medical treatment planning
CN101031921B (zh) 用于临床指南和用于根据不同抽象等级导航临床指南的决策支持系统
JP2020537232A (ja) 全母集団から任意に選択された部分母集団内の被験者における非健康状態のリスク、発生又は進行を予測する医療装置及びコンピュータ実装方法
Deschepper et al. A hospital wide predictive model for unplanned readmission using hierarchical ICD data
EP3618080B1 (en) Reinforcement learning for medical system
WO2016181490A1 (ja) 分析システム及び分析方法
CN113066531B (zh) 风险预测方法、装置、计算机设备及存储介质
JP7238705B2 (ja) 診療支援方法、診療支援システム、学習モデルの生成方法、および、診療支援プログラム
JP2021135930A (ja) 分析装置、分析方法、および分析プログラム
WO2022249407A1 (ja) アセスメント支援システム、アセスメント支援方法、及び記録媒体
Sacoransky et al. ChatGPT and assistive AI in structured radiology reporting: a systematic review
JP2019185252A (ja) 情報処理装置、待ち時間算出プログラム及び待ち時間算出方法
CN117954065A (zh) 一种就诊预约方法、装置、设备及介质
Moore Yet Another Local Learner (YALL): a localized machine learning algorithm with applications to precision medicine
CN112151181A (zh) 诊疗管理方法、系统及存储介质
KR20230112351A (ko) 지능형 챗봇을 이용한 비대면 진단 시스템
Takes et al. Opleiding Informatica & Economie

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