CN109346187A - 利用表现出特殊特性的病例使患者数据库动态生长的系统与方法 - Google Patents

Abstract

公开一种用于针对临床决策支持的背景相关数据过滤的系统和方法。所述系统和方法包括确定针对当前病例的特性的值，基于所确定的值确定所述当前病例是否为特殊病例，接收来自用户的证实所述当前病例为所述特殊病例的输入，以及如果所述用户证实所述当前病例为所述特殊病例则保存所述当前病例到包含病例汇集的数据库。

Description

利用表现出特殊特性的病例使患者数据库动态生长的系统与 方法

本申请是申请号为201180050574.4、申请日为2011年10月11日、发明名称为“利用表现出特殊特性的病例使患者数据库动态生长的系统与方法”的中国发明专利申请的分案申请。

背景技术

乳腺癌是最常见的癌症之一，也是美国女性中癌症相关死亡的第二频繁的起因。针对高危女性，除乳房X射线摄影之外，通常推荐动态对比增强MRI(DCE-MRI)筛查，并且DCE-MRI筛查越来越多地被用作针对新诊断乳腺癌的关键分期工具。

基于病例推理(CBR)的临床决策支持(CDS)方法通过呈现先前诊断过或治疗过的、与问题病例相似的病例，辅助医师的决策制定。基于CBR的CDS系统将允许医师访问超出他们自身历史经验的既往病例集。针对乳腺癌诊断，基于CBR的CDS系统可以辅助可疑病变的诊断解释，这有可能减少不必要的活体检查以及治疗的延迟。然而，针对乳腺癌的基于CBR的CDS还有着巨大的研究挑战。

发明内容

一种方法，其用于：确定针对当前病例的特性的值；基于所确定的值确定所述当前病例是否为特殊病例；接收来自用户的证实所述当前病例为所述特殊病例的输入；以及如果所述用户证实所述当前病例为所述特殊病例，保存所述当前病例到包含病例汇集的数据库。

一种系统，其具有存储病例汇集的存储器以及处理设备，所述处理设备确定针对当前病例的特性的值并且基于所确定的值确定所述当前病例是否为特殊病例，所述处理器还接收来自用户的证实所述当前病例为所述特殊病例的输入，并且如果所述用户证实所述当前病例为所述特殊病例则保存所述当前病例到所述存储器。

一种非暂时性计算机可读存储介质，其存储可由处理器执行的指令集。所述指令集能操作来确定针对当前病例的特性的值，基于所确定的值确定所述当前病例是否为特殊病例，接收来自用户的证实所述当前病例为所述特殊病例的输入，以及如果所述用户证实所述当前病例为所述特殊病例则保存所述当前病例到包含病例汇集的数据库。

附图说明

图1示出根据示范性实施例的系统的示意图；

图2示出四种病变形状；

图3示出四种类型的增强；

图4示出根据示范性实施例的用户-系统方法的流程图；

图5示出椭圆形病变(左)及其半径分布(右)；

图6示出小叶形病变(左)及其半径分布(右)；

图7示出新图像特征的示范性表格，所述新图像特征被计算以表征小叶形、边缘增强，和暗内部隔膜病变特性；

图8示出用于区分增强类型的示范性图像处理方法；

图9示出针对具有边缘增强的两个病例的示范性图像处理。

具体实施方式

可参考以下描述和附图来进一步理解示范性实施例，其中，相似的要素用相同的附图标记来指示。所述示范性实施例涉及针对临床决策支持的背景相关数据过滤系统和方法。特别地，所述示范性实施例提供基于所述背景过滤患者数据的系统和方法，在所述背景中用户与所述系统交互以仅将最相关的数据提供给所述用户。尽管所述示范性实施例是关于罹患乳腺癌的患者进行描述的，但本领域技术人员将理解，本发明的示范性实施例的所述系统和方法可被用于任何健康护理情境，例如，作为举例，心脏信息学(cardioinformatics)和疾病管理。

如图1中所示，系统100包括经由通信网络被连接到多个用户设备104-108的处理设备102，所述通信网络例如，作为举例，有线/无线LAN/WAN、内联网、互联网、GPRS、移动网络等。如图1中所示，所述处理设备102为包括评价管理器114和决策管理器116的服务器，所述评价管理器114执行针对每个新病例的计算，所述决策管理器116确定所述新病例是否为特殊病例，并且如果是的话，为用户(例如，医师、管理员)提供存储所述病例的推荐。

所述用户设备104-108可以是连接到所述处理设备102并与所述处理设备102通信的任何有线或无线计算设备，例如，可携式计算设备、个人数字助理(PDA)、膝上型计算机、平板电脑、笔记本电脑等。所述用户设备104-108可以包括用于向所述用户显示经处理的信息，并且允许所述用户输入信息到所述处理设备102的用户界面。例如，所述用户界面可以是在显示器上对所述用户显示、并允许经由输入设备输入信息的图形用户界面。本领域技术人员将理解，所述系统100可以包括任意数目的用户设备104-108。

所述存储设备128包括先前已被保存的既往病例的数据库112。如下文将要更详细描述的，所述数据库112包括所述数据库112中所有病例的信息(例如，统计信息(包括平均、标准偏差、峰态)，以及其他定量信息，等)，该信息是分析新的和既往病例(如，所述病例为典型的或为偏常的)所需要的。这些值是基于由所述评价管理器114针对所述数据库中的所有病例进行的计算。所述数据库112还包括针对每位具有保存在所述数据库112中的病例的患者的记录110。为了执行对病例的计算，所述评价管理器114使用存储在所述存储设备128中的算法118。为了实现所述数据库的动态生长，所述数据库112还被连接到其他信息系统，例如机构的放射信息系统(RIS)、医院信息系统(HIS)，以及图片存档与通信系统(PACS)。所述系统100也可以被并入任何基于病例的检索或CDS系统。

下面提供特定于乳腺癌的所述系统100的功能性的范例。然而，如上文所描述的，本领域技术人员将理解，本文针对所述系统100所描述的功能性不限于乳腺癌评价。本文所描述的功能性也可以被应用于其他医学状况，例如其他类型的癌症、心血管疾病、骨科问题、中风、创伤，等。

回到所述乳腺癌的范例，乳房病变的形态学描述的大多数定性特性是按照病变的形状、边界和内部增强计算的。如图2中所示，病变的形状包括圆形202、椭圆形204、小叶形206和不规则形208。边界包括平滑的、毛刺的和不规则的形状。具有毛刺或不规则的边界和形状的病变往往是恶性病变。如图3中所见，病变的常见内部增强包括均质302、异质304、边缘增强306，以及暗内部隔膜308。如果病变中体素的强度不同并且增强是不均匀的，则所述增强往往更异质304。乳房病变MR成像的边缘增强306是由血管生成、分布以及纤维化的程度的组合造成的。这导致细胞死亡的“黑洞”。所述边缘(所述病变的白色区)越厚，所述病变越有可能是恶性的。边缘增强的外观示出与恶性病变在统计学上显著的关联，并且是所述病变为恶性的非常有用的指标。暗内部隔膜308是指增强肿块中未增强的隔膜。这些看上去像是所述病变里面的黑线。它们是纤维肿瘤的特点，尤其是当所述病变具有平滑边界或小叶形状时。人们发现内部隔膜和小叶形状的存在高度预测着良性。

乳房病变的这些定性特性中的每个均可以基于适当的尺度被指定为定量的值。一种示范性尺度可以包括针对更指示恶性的定性特性的较高评分，以及针对更指示良性病变的定性特性的较低评分。然而，可以使用任意合适的尺度来指定定量的值。下文更详细地描述由所述评价管理器执行的所述计算以指定所述定量的值。

图4示出当对所述处理设备102呈现新病例时，由所述处理设备102进行的示范性处理。步骤400中，所述处理器计算针对上文关于图2和3所描述的所述病变特性的值。基于这些值，在步骤402，所述处理器确定所述当前病例是否为特殊病例(即，会对未来诊断有益的病例)。如果所述当前病例不具有特殊特性，所述决策管理器116不对所述用户做出任何推荐(步骤412)。然而，如果所述处理器确定所述当前病例为特殊病例，则在步骤404，所述决策管理器116推荐保存所述当前病例到所述数据库112。例如，所述用户设备104-108可以包括与所述处理器102交互的应用或程序，以使得所述推荐被从所述处理器102发送到所述用户设备104-108，并在显示在所述用户设备104-108的显示屏幕上的所述应用的用户界面上被呈现给所述用户。保存所述当前病例到所述数据库112的所述决策则取决于所述用户(步骤406)。经由呈现在所述用户设备104-108上的所述用户界面，所述用户可以输入是否保存所述病例到所述数据库112的选择。如果所述用户不希望保存所述当前病例到所述数据库，则不对所述数据库112做出任何改动(步骤414)。

如果所述用户决定保存所述当前病例，所述病例被添加到所述数据库112(步骤408)用于未来检索，并且所述数据库112被更新以反映所述新病例的添加(步骤410)。当病例被添加到所述数据库112时，所述病变的图像以及所计算的值两者都被添加。此外，针对所述病例的其他识别数据也可以被添加到所述数据库112，例如患者ID、性别、年龄、呈现日期、家族病史、医疗史、共症、诊断、施予过的治疗，等。可被用于在以后检索所述病例的任何信息均可以被添加到所述数据库112。此外，所述数据库的所述更新还包括重新计算或重新应用机器学习方法，例如针对与所述数据库相关联的任何或所有参数的人工神经网络，所述参数例如作为将所述新病例添加到所述数据库112的结果的统计参数。

应指出，所述决策管理器116可以使用用于确定特殊病例的通用标准，或者也可以使用基于特定用户(如，医师)的个性化标准。更具体地，个体用户可以有他们自己的标准用于确定病例是否为他们想要包括在所述数据库112中的特殊病例。这种情形中，所述用户可以向所述决策管理器116表明或者向所述决策管理器116提供所述用户认为重要的那些定性和/或定量特性的标准。当所述决策管理器116在新病例中识别出这些特性时，所述决策管理器116将做出对所述用户的推荐，如上文在步骤404中所描述的。然而，所述决策管理器116也可以包括通用化的标准(例如，统计标准、分类标准，等)，所述通用化的标准可被任意数量的用户使用，以识别要被包括在所述数据库112中的特殊病例。统计标准的一个例子可以是边缘厚度的平均大于预设值。然而，本领域技术人员将理解，存在更多统计标准的范例，并且可以使用其他类型的机器学习技术。

此外，用户可以有个性化的数据库112或者可以使用通用数据库112。例如，用户可以决定它们仅有兴趣查看他们已识别为特殊的病例，用于帮助未来诊断。在这样的情形中，所述系统100可以包括专用于该用户、仅由该用户填入病例的个性化数据库112。所述个性化数据112也可以包括由第一个用户添加的其他用户的病例。亦即，所述决策管理器116可以识别对于该特定用户来说可能感兴趣的另一用户的病例，并给予所述用户添加该病例到所述个性化数据库112的选项。在所述通用数据库112的情况中，所述用户添加可以被所述系统100的所有用户检索到的病例。

现在将描述由所述评价管理器114对新病例执行的示范性计算。注意到，下文提供的所述范例计算是基于形态特征的。然而，应理解，可以使用基于非图像的特征来执行类似的计算。具体而言，感兴趣的特征可以包括放射科医师视为重要的任何特征，包括非形态学特征，例如遗传学、家族病史、传染病学，等。为了提供示范计算的目的，将选择形态学特征。当新病例被呈现给所述处理设备102时，确定所述病变的形状。为了将小叶形状与其他形状区别开，所述评价管理器114计算从所述病变的表面上的每个体素到所述病变的中心的距离。基于所计算的距离(半径)，生成阵列。这里未描述的其他特征基于该阵列来计算。如图5和图6中所见，所述椭圆形病变的半径具有与所述小叶形病变的半径相比更少的变化，因为所述椭圆形病变不具有像所述小叶形病变那么多的叶。然后所述评价管理器114确定所述半径的阵列的局部最大值和局部最小值。如图5和图6中所见，所述小叶形病变的局部最大值的总数目多于所述椭圆形病变的局部最大值的总数目。此外，尽管所述不规则形病变的局部最大值的总数目可能与所述小叶形病变的相似，但小叶形病变的局部最大值和最小值的差异将极有可能小于所述不规则形状的该差异。这些特征不依赖于所述病变的大小。图7示出在乳腺癌病变的病例中针对呈现给所述处理设备102的每个新病例所计算的不同特征的范例。

在所述病变的形状和上文提及的特性得以确定之后，所述评价管理器114表征所述当前病例中所述病变的增强。针对该表征的示范性简化算法示于图8中。为了表征边缘增强和暗内部隔膜，所述评价管理器114首先寻找所述病变边界并识别所述病变内部的异质区域(暗区域)。为了在白色区域和黑色区域之间区分，使用迭代方法来寻找阈值。接下来，找到最大的间隔异质区域，该区域示为死亡细胞的“黑洞”。然后找到该暗区域的边界。边缘为整个病变减去最大的暗区域，其示为所述病变的白色区域。在该过程中，计算图7中所列的特征。边缘或隔膜比率被用于在边缘增强和暗内部隔膜之间区分。以“同质”和“异质”打头的特征被用来在同质区域和异质区域之间区分。

图9示出具有边缘增强的两种病变的图像处理结果。左排示出原始图像902和906。中间排示出在找到内部“黑洞”之后的图像903和907，边缘为所述病变内部的白色区。右排图像904和908具有灰边和白边，灰边示出所述“黑洞”的边界，白边示出病变边界。

在另一实施例中，在新呈现病例的特征的自动计算期间，所述处理设备102可以检索具有与所述当前病例类似的特殊特性的既往病例。如上文所描述的，保存病例到所述数据库112的原因之一是使得用户可以在以后检索所述病例，以辅助新的诊断。由此，当新病例被呈现并且其值被计算时，可以检索到具有类似值的一个或多个已保存的病例。针对所保存病例已被存储的其他识别信息(例如，性别、年龄等)也可以被医师用来在检索到的病例之间进行辨别。例如，如果所述系统100检索到六个相似病例，所述医师可能仅期望看到针对年龄在40岁以上的女性的那些病例。然后，也可以将所述识别信息用于检索针对所保存病例的实际图像。该检索可以从连接到或包括在所述存储设备128中的RIS 120、HIS 122和PACS 124中的至少一个进行。

本领域技术人员将理解，上文描述的示范性实施例可以以任意数量的方式来实现，包括作为单独的软件模块、作为硬件与软件的组合，等。例如，所述评价管理器114和所述决策管理器116可以为包含多行代码的程序，所述程序在被编译时，可以在处理器上被执行。所述程序可以被嵌入在非暂时性计算机可读存储介质上。

要指出，根据PCT条约6.2(b)，权利要求书可以包括附图标记/标号。然而，本权利要求书不应被认为受限于与所述附图标记/标号相对应的示范性实施例。

可以不偏离本公开的精神或范围而对所公开的示范性实施例和方法进行各种修改和替换，这对于本领域技术人员来说将是明显的。由此，只要这些修改和变化落入所附权利要求书及其等同的范围内，本公开意图覆盖这些修改和变化。

Claims (16)

1.一种用于使数据库动态生长的方法，包括：

接收与用户相关联、用于确定当前病例是否为特殊病例的个性化标准，所述个性化标准包括定性特性和与所述定性特性相对应的定量值；

确定(400)与所述当前病例的定性特性相对应的定量值；

通过将所述当前病例的所述定性特性和所确定的定量值与所述个性化标准进行比较来确定(402)所述当前病例是否为所述特殊病例；

接收(406)来自用户的证实所述当前病例为所述特殊病例的输入；

如果所述用户证实所述当前病例为所述特殊病例，则保存(408)所述当前病例到包含病例汇集的数据库。

2.如权利要求1所述的方法，还包括：

更新(410)所述数据库以反映所述当前病例的添加。

3.如权利要求1所述的方法，其中，所述当前病例包括医学图像，所述医学图像被存储在单独的数据库中，其中，能够基于所计算的值和患者信息之一从所述单独的数据库检索所述医学图像。

4.如权利要求1所述的方法，还包括：

选择所述当前病例的所述特性，所述选择包括针对医学图像的形态学特性和非形态学特性之一。

5.如权利要求1所述的方法，还包括：

基于所述当前病例的所计算的值和患者信息从所述病例汇集检索至少一个病例。

6.如权利要求2所述的方法，其中，所述的更新(410)包括以下之一：更新所述病例汇集的统计值以及应用机器学习技术，以反映所述当前病例的所述值。

7.如权利要求1所述的方法，其中，所述的确定(402)所述当前病例是否为所述特殊病例还包括以下操作之一：分析所确定的值的统计标准，分析所述数据库中的所述病例汇集的统计标准，以及对所述当前病例和所述病例汇集应用机器学习技术。

8.如权利要求4所述的方法，还包括：

当所选择的特性为所述医学图像中病变的形状时，计算从所述病变的表面上的每个体素到所述病变的中心的距离；以及

当所选择的特性为病变的增强特性时，通过寻找所述病变的边界以及识别所述病变内部的异质区域，确定所述病变的边缘。

9.一种用于使数据库动态生长的系统(100)，包括：

存储器(128)，其存储病例汇集(112)；以及

处理设备(102)：

接收与用户相关联、用于确定当前病例是否为特殊病例的个性化标准，所述个性化标准包括定性特性和与所述定性特性相对应的定量值；

确定与所述当前病例的定性特性相对应的定量值；

通过将所述当前病例的所述定性特性和所确定的定量值与所述个性化标准进行比较来确定所述当前病例是否为所述特殊病例；

接收来自用户(104、106、108)的证实所述当前病例为所述特殊病例的输入；以及

如果所述用户(104、106、108)证实所述当前病例为所述特殊病例，则保存所述当前病例到所述存储器(128)。

10.如权利要求9所述的系统(100)，还包括：

另外的存储器(120、122、124)，其存储多个医学图像，其中，所述当前病例包括医学图像，所述医学图像被存储在所述另外的存储器(120、122、124)中，其中，能够基于所计算的值和患者信息之一从所述另外的存储器(120、122、124)检索所述医学图像。

11.如权利要求10所述的系统(100)，其中，所述另外的存储器包括放射信息系统(120)、医院信息系统(122)，以及图片存档与通信系统(124)之一。

12.如权利要求9所述的系统(100)，其中，所述处理设备(102)还接收对所述当前病例的所述特性的选择，所述选择包括医学图像的形态学特性和非形态学特性之一。

13.如权利要求9所述的系统(100)，其中，所述处理设备(102)还基于所述当前病例的所计算的值，从所述病例汇集(112)检索至少一个病例。

14.如权利要求9所述的系统(100)，其中，在确定所述当前病例是否为所述特殊病例时，所述处理设备(102)执行以下操作之一：分析所确定的值的统计标准，分析所述数据库(112)中的所述病例汇集的统计标准，以及对所述当前病例和所述病例汇集应用机器学习技术。

15.如权利要求12所述的系统(100)，其中，当所选择的特性为所述医学图像中病变的形状时，所述处理设备(102)计算从所述病变的表面上的每个体素到所述病变的中心的距离，当所选择的特性为病变的增强特性时，所述处理设备(102)还通过寻找所述病变的边界以及识别所述病变内部的异质区域，计算所述病变的边缘。

16.一种非暂时性计算机可读存储介质(128)，其上存储指令集，所述指令集在由处理器(102)运行时，使所述处理器执行根据权利要求1至8中的任一项所述的方法。