CN110235206B - 推理机训练方法和装置、升级方法和装置及存储介质 - Google Patents
推理机训练方法和装置、升级方法和装置及存储介质 Download PDFInfo
- Publication number
- CN110235206B CN110235206B CN201780085296.3A CN201780085296A CN110235206B CN 110235206 B CN110235206 B CN 110235206B CN 201780085296 A CN201780085296 A CN 201780085296A CN 110235206 B CN110235206 B CN 110235206B
- Authority
- CN
- China
- Prior art keywords
- blood flow
- inference engine
- actual
- characteristic parameters
- knowledge base
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
提供一种推理机训练方法和装置、辅助诊断系统的升级方法和装置及存储介质。训练方法包括:步骤S2010:利用知识库中存储的多组血流数据作为样本训练推理机,其中,知识库中存储的每组血流数据包括血流特征参数和对应的已知结论;步骤S2020:从知识库中选择至少一组血流数据;步骤S2030:对于至少一组血流数据中的每组血流数据,利用推理机对该组血流数据中的血流特征参数进行推理,以获得对应的测试结论;步骤S2040:基于至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论进行血流动力学校验;以及步骤S2050:基于血流动力学校验结果判断推理机是否合格。利用血流动力学校验来验证训练后的推理机是否合格,可以准确获知当前推理机的训练水平。
Description
技术领域
本发明涉及人工智能领域,更具体地涉及一种推理机训练方法和装置、辅助诊断系统的升级方法和装置及计算机可读存储介质。
背景技术
超声多普勒(Transcranial Doppler,TCD)血流分析是通过非侵入性的检查评价不同血流状态生理学特征的一种方法。超声经颅多普勒血流分析仪(简称经颅)是一种定制化的超声设备,专门用于经颅骨的超声检查。经颅是二十世纪八十年代初出现的产品,用于诊断脑血管病变,帮助检查脑血管变窄、阻塞、血流不畅或脑溢血等病情。应用多普勒频谱分析技术,可以为临床诊断提供血流波形、血流速度(峰速度、平均速度)、血流紊乱和涡流状态下的频率宽度、血流体积等信息,对脑血管疾病的早期发现十分重要。
超声经颅多普勒血流分析仪使用体外超声探头经颅骨的缝隙或“窗口”向脑血管发射超声波。超声波与血流之间产生多普勒效应(多普勒频移),反射的超声波返回探头,由分析仪中的处理器进行数据处理,得出相应的信息。利用多普勒效应,超声经颅多普勒血流分析仪可以探查血管内血液流动速度等信息。当血管发生病变,比如狭窄、阻塞等,其血流动力学会发生明显改变。
现有的经颅多普勒设备,主要是生成谱图后,由操作者对谱图进行评估,从而给出诊断意见。首先,这会增加操作者的工作量,操作者需要手动对特征进行逐一识别。其次,操作者特征识别受精神状态影响较大,在疲劳、心情低落时可能会出现漏识别现象。再次,临床诊断问题非常复杂,对于操作者的技术要求较高,需要较多的临床培训。因此可以将基于人工智能的计算机辅助诊断技术应用于经颅多普勒检查,以辅助操作者进行诊断,提高诊断效率。辅助诊断系统一般包括知识库、推理机等部分。目前缺乏针对用于经颅多普勒检查的辅助诊断系统的推理机的训练方法。
发明内容
考虑到上述问题而提出了本发明。本发明提供了一种推理机训练方法和装置、辅助诊断系统的升级方法和装置及计算机可读存储介质。
根据本发明一方面,提供了一种推理机训练方法。该方法包括:步骤S2010:利用知识库中存储的多组血流数据作为样本训练推理机,其中,知识库中存储的每组血流数据包括血流特征参数和对应的已知结论;步骤S2020:从知识库中选择至少一组血流数据;步骤S2030:对于至少一组血流数据中的每组血流数据,利用推理机对该组血流数据中的血流特征参数进行推理,以获得对应的测试结论;步骤S2040:基于至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论进行血流动力学校验;以及步骤S2050:基于血流动力学校验结果判断推理机是否合格。
示例性地,步骤S2050包括:如果确定推理机不合格,则转至步骤S2060;推理机训练方法还包括:步骤S2060:输出用于指示推理机未通过血流动力学校验的指示信息。
示例性地,在步骤S2060之后,推理机训练方法还包括:步骤S2070:接收关于修改用于实现推理机的模型、推理机的参数、知识库中存储的血流数据和血流动力学校验所采用的血流动力学模型中的一项或多项的第一修改指令;以及步骤S2080:根据第一修改指令执行对应的修改动作并返回步骤S2010。
示例性地,步骤S2050包括:如果确定推理机合格,则转至步骤S2090;推理机训练方法还包括:步骤S2090:以推理机提供的规则更新知识库中存储的已知规则。
示例性地,步骤S2050包括:如果确定推理机合格,则转至步骤S2100;推理机训练方法还包括:步骤S2100:判断推理机提供的规则与知识库中存储的已知规则是否冲突,如果是,则转至步骤S2110;以及步骤S2110:输出用于指示规则发生冲突的指示信息。
示例性地,在步骤S2110之后,推理机训练方法还包括:步骤S2120:接收关于修改用于实现推理机的模型、推理机的参数和知识库中存储的血流数据中的一项或多项的第二修改指令;以及步骤S2130:根据第二修改指令执行对应的修改动作并返回步骤S2010。
示例性地,步骤S2100包括:如果推理机提供的规则与知识库中存储的已知规则不冲突,则转至步骤S2140;推理机训练方法还包括:步骤S2140:以推理机提供的规则更新知识库中存储的已知规则。
示例性地,在步骤S2010之后,推理机训练方法还包括:步骤S2012:利用多组血流数据对推理机进行交叉验证,以评估推理机的正确率。
示例性地,步骤S2012包括:如果正确率小于预设阈值,则转至步骤S2014;推理机训练方法还包括:步骤S2014:输出用于指示推理机未通过交叉验证的指示信息。
示例性地,在步骤S2014之后,推理机训练方法还包括:步骤S2016:接收关于修改用于实现推理机的模型、推理机的参数和知识库中存储的血流数据中的一项或多项的第三修改指令;以及步骤S2018:根据第三修改指令执行对应的修改动作并返回步骤S2010。
示例性地,推理机采用贝叶斯分类器、支持向量机或深度神经网络实现。
示例性地,步骤S2040包括:建立预定义的血流动力学模型;以及判断至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论是否符合预定义的血流动力学模型所规定的物理规律,以获得血流动力学校验结果。
根据本发明另一方面,提供一种辅助诊断系统的升级方法,包括:至少利用辅助诊断系统的、采用上述推理机训练方法训练获得的推理机对一组或多组实际血流特征参数进行推理,以获得与一组或多组实际血流特征参数一一对应的一个或多个实际结论;输出一个或多个实际结论;接收关于一个或多个实际结论中的至少部分实际结论的指示信息;以及基于指示信息将至少部分实际结论以及与至少部分实际结论一一对应的至少一组实际血流特征参数存储到辅助诊断系统的知识库中用于实现辅助诊断系统的升级。
示例性地,辅助诊断系统的数据库用于存储辅助诊断系统先前处理的实际血流特征参数和针对先前处理的实际血流特征参数进行推理获得的先前结论,一组或多组实际血流特征参数是来自辅助诊断系统的数据库的先前处理的实际血流特征参数。
示例性地,至少部分实际结论是与人工选择的非典型病例对应的实际结论。
示例性地,至少利用辅助诊断系统的、采用如上述推理机训练方法训练获得的推理机对一组或多组实际血流特征参数进行推理包括:综合推理机提供的规则与辅助诊断系统的知识库中存储的已知规则,以获得综合后的规则;以及基于综合后的规则对一组或多组实际血流特征参数进行推理。
示例性地,辅助诊断系统的数据库用于存储关于先前结论是否被采纳的反馈信息,升级方法还包括:如果根据数据库中存储的反馈信息确定特定类型的先前结论未被采纳的次数超过次数阈值,则输出关于特定类型的先前结论可能存在问题的提示信息;接收关于修改用于实现推理机的模型、推理机的参数和知识库中存储的已知规则中的一项或多项的修改指令;以及根据修改指令执行对应的修改动作。
示例性地,升级方法还包括:对于多根血管中的每根血管,至少利用推理机对与该血管相关的一组实际血流特征参数进行推理,以获得与该血管对应的血管相关结论;实时输出与该血管对应的血管相关结论;以及实时接收并存储关于与该血管对应的血管相关结论是否被采纳的反馈信息。
示例性地,升级方法还包括:至少利用推理机对与多根血管一一对应相关的多组实际血流特征参数进行推理,以获得与多根血管一一对应的多个血管相关结论;基于多个血管相关结论确定总结论;输出总结论;以及接收并存储关于总结论是否被采纳的反馈信息。
示例性地,一组或多组实际血流特征参数是辅助诊断系统当前需要处理的血流特征参数,升级方法还包括:基于知识库和/或推理机生成辅助诊断系统中的新的解释器。
根据本发明另一方面,提供一种推理机训练装置,包括:训练模块,用于利用知识库中存储的多组血流数据作为样本训练推理机,其中,知识库中存储的每组血流数据包括血流特征参数和对应的已知结论;选择模块,用于从知识库中选择至少一组血流数据;推理模块,用于对于至少一组血流数据中的每组血流数据,利用推理机对该组血流数据中的血流特征参数进行处理,以获得对应的测试结论;血流动力学校验模块,用于基于至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论进行血流动力学校验;以及合格判断模块,用于基于血流动力学校验结果判断推理机是否合格。
根据本发明另一方面,提供一种辅助诊断系统的升级装置,包括:第一推理模块,用于至少利用辅助诊断系统的、采用上述推理机训练方法训练获得的推理机对一组或多组实际血流特征参数进行推理,以获得与一组或多组实际血流特征参数一一对应的一个或多个实际结论;第一输出模块,用于输出一个或多个实际结论;第一接收模块,用于接收关于一个或多个实际结论中的至少部分实际结论的指示信息;以及第一存储模块,用于基于指示信息将至少部分实际结论以及与至少部分实际结论一一对应的至少一组实际血流特征参数存储到辅助诊断系统的知识库中用于实现辅助诊断系统的升级。
根据本发明另一方面,提供一种推理机训练装置,包括:存储器,用于存储程序;处理器,用于运行程序;其中,程序在处理器中运行时,用于执行以下步骤:步骤S2010:利用知识库中存储的多组血流数据作为样本训练推理机,其中,知识库中存储的每组血流数据包括血流特征参数和对应的已知结论;步骤S2020:从知识库中选择至少一组血流数据;步骤S2030:对于至少一组血流数据中的每组血流数据,利用推理机对该组血流数据中的血流特征参数进行推理,以获得对应的测试结论;步骤S2040:基于至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论进行血流动力学校验;以及步骤S2050:基于血流动力学校验结果判断推理机是否合格。
根据本发明另一方面,提供一种辅助诊断系统的升级装置,包括:存储器,用于存储程序;处理器,用于运行程序;其中,程序在处理器中运行时,用于执行以下步骤:至少利用辅助诊断系统的、采用上述推理机训练方法训练获得的推理机对一组或多组实际血流特征参数进行推理,以获得与一组或多组实际血流特征参数一一对应的一个或多个实际结论;输出一个或多个实际结论;接收关于一个或多个实际结论中的至少部分实际结论的指示信息;以及基于指示信息将至少部分实际结论以及与至少部分实际结论一一对应的至少一组实际血流特征参数存储到辅助诊断系统的知识库中用于实现辅助诊断系统的升级。
根据本发明另一方面,提供一种计算机可读存储介质,存储介质上存储了程序,程序在运行时用于执行如下步骤:步骤S2010:利用知识库中存储的多组血流数据作为样本训练推理机,其中,知识库中存储的每组血流数据包括血流特征参数和对应的已知结论;步骤S2020:从知识库中选择至少一组血流数据;步骤S2030:对于至少一组血流数据中的每组血流数据,利用推理机对该组血流数据中的血流特征参数进行推理,以获得对应的测试结论;步骤S2040:基于至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论进行血流动力学校验;以及步骤S2050:基于血流动力学校验结果判断推理机是否合格。
根据本发明另一方面,提供一种计算机可读存储介质,存储介质上存储了程序,程序在运行时用于执行如下步骤:至少利用辅助诊断系统的、采用上述推理机训练方法训练获得的推理机对一组或多组实际血流特征参数进行推理,以获得与一组或多组实际血流特征参数一一对应的一个或多个实际结论;输出一个或多个实际结论;接收关于一个或多个实际结论中的至少部分实际结论的指示信息;以及基于指示信息将至少部分实际结论以及与至少部分实际结论一一对应的至少一组实际血流特征参数存储到辅助诊断系统的知识库中用于实现辅助诊断系统的升级。
根据本发明实施例的推理机训练方法和装置、辅助诊断系统的升级方法和装置及存储介质,利用血流动力学校验来验证训练后的推理机是否合格,由此可以准确获知当前推理机的训练水平。如果确定推理机不合格,可以选择继续训练直至推理机合格为止。这样便于训练获得更有效的推理机,进而获得更准确高效的用于经颅多普勒检查的辅助诊断系统。
附图说明
通过结合附图对本发明实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与本发明实施例一起用于解释本发明,并不构成对本发明的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1示出根据本发明一个实施例的用于经颅多普勒检查的辅助诊断系统及相关元素的示意性框图;
图2示出根据本发明一个实施例的推理机训练方法的示意性流程图;
图3示出大脑动脉环的示意图;
图4示出根据本发明一个实施例的辅助诊断系统的升级方法的示意性流程图;
图5示出根据本发明一个实施例的推理机训练装置的示意性框图;
图6示出了根据本发明一个实施例的辅助诊断系统的升级装置的示意性框图;
图7示出了根据本发明一个实施例的推理机训练装置的示意性框图;以及
图8示出了根据本发明一个实施例的辅助诊断系统的升级装置的示意性框图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例,本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
计算机辅助诊断技术目前尚未应用于经颅多普勒诊断方面。由于医学诊断具有非常高的专业性,因此通用的辅助诊断方法并不能很好地解决经颅多普勒领域遇到的实际问题。根据本发明实施例,可以将辅助诊断技术取得的成果与经颅多普勒的具体特点相结合,以有效地解决经颅多普勒临床问题。本发明实施例涉及的用于经颅多普勒检查的辅助诊断系统可以包括知识库、数据库、推理机、解释器和用户接口等部分。
图1示出根据本发明一个实施例的用于经颅多普勒检查的辅助诊断系统及相关元素的示意性框图。如图1所示,辅助诊断系统包括知识库、数据库、推理机、解释器和用户接口。专家和文献是与辅助诊断系统相关的元素。文献主要指的是可查阅到的研究结论,由专家进行转化后,可以直接放入知识库。专家主要指的是人类专家,其可以是在经颅多普勒领域具有多年工作经验,掌握大量的专业知识,有能力对临床表现做出正确的诊断结论的人。知识库的基础由专家奠定,同时新的知识导入也可以经过专家进行评审。数据库用于存储推理机推理过程中所需的原始数据、中间结果和最终结论等,往往是作为暂时的存储区。解释器可以根据知识库中的知识(例如知识库中存储的已知规则)将输入的经颅多普勒检查结果转换为辅助诊断结论。用户接口可以提供操作者(其可以是普通用户或者专家)和辅助诊断系统交互的界面。例如,经颅多普勒检查通常要检查10根左右的血管,在检查过程中和全部检查结束时,操作者(例如专家)和辅助诊断系统可以经由用户接口进行交互。知识库和推理机的作用在下文描述。
如上文所述,目前缺乏针对用于经颅多普勒检查的辅助诊断系统的推理机的训练方法。为了解决上述问题,本发明实施例提供一种推理机训练方法和装置。根据本发明实施例的推理机训练方法,在推理机的训练过程中,利用血流动力学校验采验证训练后的推理机是否合格。如果不合格,可以选择重新训练直到推理机合格为止。
下面,将参考图2描述根据本发明实施例的推理机训练方法2000。图2示出根据本发明一个实施例的推理机训练方法2000的示意性流程图。如图2所示,推理机训练方法2000包括以下步骤。
在步骤S2010,利用知识库中存储的多组血流数据作为样本训练推理机,其中,知识库中存储的每组血流数据包括血流特征参数和对应的已知结论。
知识库(knowledge base)可以存储由专家标定的数据和由推理机完善的规则。通常由专家标定的数据是非常稀缺的资源,知识库中还有一部分知识是由推理机输出的,可以作为专家知识的重要补充。知识库是辅助诊断系统的质量是否优越的关键所在,即知识库中知识的质量和数量决定着辅助诊断系统的质量水平。知识库中的知识可以包括先验事实、先验结论、规则等等。
上述由专家标定的数据可以包括若干组血流数据,每组血流数据包括血流特征参数(即先验事实)。此外,每组血流数据还可以包括与该组血流数据中的血流特征参数对应的已知结论(即先验结论)。一组血流数据可以视为是一个病例。血流特征参数可以包括收缩期最大血流速度、舒张未期血流速度、平均血流速度、搏动指数、阻力指数、血流反向、窃血、涡流、湍流和短横线等。这些血流特征参数可以从经颅多普勒谱图中提取获得,而经颅多普勒谱图可以由现有的或将来可能出现的超声经颅多普勒血流分析仪检测获得。大脑中主要的血管包含:大脑中动脉、大脑前动脉、大脑后动脉、椎动脉和基底动脉等。由于颈部血管和大脑血管直接相连,因此相关的颈总动脉、颈内动脉和颈外动脉也是超声经颅多普勒血流分析仪可以检查的血管。对于每个血管,可以得到一幅经颅多普勒谱图,并且可以从经颅多普勒谱图中识别出上述血流特征参数。
假设每组血流数据共包括十种血流特征参数,则这些血流特征参数可以采用一个向量标示V=(x0,x1…x9)来表示。其中,速度可以用实际数值表示,状态量可以用0和1表示,比如存在涡流为1,不存在为0。对于多个血管,可以得到多个向量,例如VMCA、VACA、VBA等。所有血管的血流特征参数的综合为T=(VMCA,VACA,VBA…)。T可以代表一组血流数据中的所有血流特征参数。对于一个受试者来说,可以将初始状态下的所有血流特征参数设置为0,每检查完一根血管,可以填充一个子向量。
推理机(inference engine)是辅助诊断系统的核心,可以完善人类专家所不能归纳出的细节规则。人类专家归纳的知识通常比较粗略,同时受人力资源限制,也不可能非常全面。通常数百条规则已经是非常大的知识资源了。但是这对于辅助诊断来说远远不足,辅助诊断需要更加完整、丰富的诊断判据,以应对实际应用中的各种复杂病症。人类专家给出的规则(即知识库中存储的已知规则)中所涉及到的阈值通常不够精确,这也需要推理机来完善。当推理机提供的规则与人类专家不一致时,以人类专家的结论为主。虽然人类专家的作用是决定性的,但是推理机的结果才是知识库的主体。
推理机可以由知识库来训练。可选地,机器学习算法是推理机的一种有效实现方式。例如,推理机可以采用贝叶斯分类器、支持向量机或深度神经网络等实现。
在步骤S2020,从知识库中选择至少一组血流数据。
可以从知识库中选择至少一组血流数据作为测试集来测试训练后的推理机是否满足要求。示例性地,至少一组血流数据可以随机选择。
在步骤S2030,对于至少一组血流数据中的每组血流数据,利用推理机对该组血流数据中的血流特征参数进行推理,以获得对应的测试结论。
推理机可以基于训练好的规则对血流特征参数进行推理。将一组血流数据中的血流特征参数输入训练后的推理机,可以获得对应的测试结论(即血流数据对应的病因)。示例性地,推理机经训练之后,获得如下规则:平均血流速度大于65cm/s代表血管存在异常(例如血管狭窄病变)。假设输入推理机的一组血流数据中的、某根血管的平均血流速度为80cm/s,则测试结论可以为存在血管狭窄病变。
在步骤S2040,基于至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论进行血流动力学校验。
示例性地,可以建立一个预定义的血流动力学模型来对推理机的输入和输出进行校验。也就是说,步骤S2040可以包括:建立预定义的血流动力学模型;以及判断至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论是否符合预定义的血流动力学模型所规定的物理规律,以获得血流动力学校验结果。
血流动力学模型作为推理机的一种验证方式来说是有其存在价值的,这样可以有效避免由于纯机器学习而产生违背物理规律的情况。示例性地,可以要求机器学习产生的知识库中的知识和推理机提供的规则经过血流动力学模型的验证,只有符合基本的物理规律,才可认为是一条有效的知识或规则。
下面结合图3描述血流动力学校验的原理。大脑内部最重要的血管组成一个环状结构,将两侧半球和前、后循环联系起来,称为大脑动脉环(Willis环),如图3所示。大脑中的动脉左右对称,主要的动脉有前动脉、中动脉、后动脉P1段、后动脉P2段、基底动脉、椎动脉、颈总动脉、颈内动脉和颈外动脉等。由于大脑受颅骨保护,而颅骨不利于超声信号传播,因此需要在颅骨上找到比较薄的地方,才能确保信号可正确获取。典型的检查点为颞窗(图3中检查点1)和枕窗(图3中检查点2)。对于颈部动脉(颈总动脉、颈内动脉和颈外动脉),由于外部仅是软组织保护,因此检查相对较为容易(图3中检查点3)。从颞窗检查,通常可以检查前动脉、中动脉和后动脉。对应血流方向为前动脉背离探头,中动脉朝向探头,后动脉P1段朝向探头,P2段背离探头。从枕窗检查,通常可以检查基底动脉和椎动脉。对应血流方向为基底动脉背离探头,椎动脉背离探头。血流方向是经颅多普勒检查中的重要特征,如果血流方向和正常方向不同(即血流方向不符合物理规律),则可以将其作为疾病诊断的重要依据。虽然本文以颅内血管为例进行描述,然而,实际使用时,颈部血管(颈总动脉、颈内动脉和颈外动脉等)也可遵循此规律。
例如,如果一侧颈内动脉发生阻塞,其供血的同侧中动脉和前动脉就可能会出现供血不足的情况,中动脉和前动脉的血流速度减慢就是一个符合血流动力学的规则;而中动脉和前动脉的血流速度增快则违背了血流动力学模型,是一条错误的判据。又例如,如果一侧颈内动脉发生阻塞,颈总动脉的阻力指数就会增加,而中动脉的阻力指数就会降低,因此,如果颈总动脉的阻力指数反而降低,就与血流动力学不符,也是需要进一步评估的判据。
在步骤S2050,基于血流动力学校验结果判断推理机是否合格。
可以根据需要设定推理机通过血流动力学校验的条件。示例性地,如果参与血流动力学校验的血流数据只有一组,则可以规定在该组血流数据中的血流特征参数及对应的测试结论满足物理规律的情况下,血流动力学校验结果为推理机通过血流动力学校验,反之血流动力学校验结果为推理机未通过血流动力学校验。示例性地,如果参与血流动力学校验的血流数据多于一组,则可以规定在特定数目组(例如10组)或特定比例(例如80%)组的血流数据中的血流血流特征参数及对应的测试结论满足物理规律的情况下,血流动力学校验结果为推理机通过血流动力学校验,反之血流动力学校验结果为推理机未通过血流动力学校验。
如果推理机通过血流动力学校验,则可以确定推理机合格,在这种情况下,可以示例性地将推理机提供的规则和/或由推理机推理出的某些诊断结论及对应的血流特征参数存储在知识库中,作为专家知识的补充。如果推理机未通过血流动力学校验,则可以确定推理机不合格,在这种情况下,可以示例性地重新训练推理机。
根据本发明实施例的推理机训练方法,利用血流动力学校验来验证训练后的推理机是否合格,由此可以准确获知当前推理机的训练水平。如果确定推理机不合格,可以选择继续训练直至推理机合格为止。这样便于训练获得更有效的推理机,进而获得更准确高效的用于经颅多普勒检查的辅助诊断系统。
根据本发明实施例,步骤S2050可以包括:如果确定推理机不合格,则转至步骤S2060;推理机训练方法2000还可以包括步骤S2060:输出用于指示推理机未通过血流动力学校验的指示信息。
示例性地,如果确定推理机未通过血流动力学校验,也就是确定推理机不合格,则可以输出指示信息,例如在显示屏上显示“血流动力学校验未通过”这样的文字信息。这样方便通知辅助诊断系统的操作者(例如专家)推理机是否满足要求,方便操作者(例如专家)及时采取措施应对,以尽快训练获得符合要求的推理机。
根据本发明实施例,在步骤S2060之后,推理机训练方法2000还可以包括以下步骤。
在步骤S2070,接收关于修改用于实现推理机的模型、推理机的参数、知识库中存储的血流数据和血流动力学校验所采用的血流动力学模型中的一项或多项的第一修改指令。
在步骤S2080,根据第一修改指令执行对应的修改动作并返回步骤S2010。
操作者(例如专家)在看到类似上述“血流动力学校验未通过”的文字信息时,获知推理机不满足要求,在这种情况下,操作者(例如专家)可以选择修改知识库中的原始血流数据、向知识库中加入新的血流数据、修改用于实现推理机的模型(例如由贝叶斯分类器改为深度神经网络)、修改推理机的参数或者修改血流动力学模型等。操作者(例如专家)可以将期望执行的修改指令(本实施例中称为第一修改指令)输入辅助诊断系统,辅助诊断系统接收到该指令后,将执行对应的修改动作。在执行修改动作之后,方法返回步骤S2010,重新开始训练推理机,并循环上述步骤S2010至S2050,如果推理机仍然不合格,可以再次执行步骤S2060至S2080。也就是说,步骤S2010至S2080可以重复进行直至推理机合格为止。通过及时调整知识库、推理机或血流动力学模型等环节,可以训练获得鲁棒性更好的推理机,进而获得更准确可靠的辅助诊断系统。
根据本发明实施例,步骤S2050可以包括:如果确定推理机合格,则转至步骤S2090;推理机训练方法2000还可以包括步骤S2090:以推理机提供的规则更新知识库中存储的已知规则。
推理机可以提供规则,知识库中存在初始存储好的已知规则。当推理机训练好之后,可以将训练好的推理机提供的规则更新到知识库中。如果推理机通过血流动力学校验,则可以认为推理机已训练好。示例性地,知识库中存储的已知规则可以包括专家预先制定好的规则。示例性地,已知规则还可以包括推理机在先前提供的规则。可以理解,推理机可以不断训练和更新。在知识库中的知识(即血流数据)数量较少时,训练获得的推理机可以提供一些规则。随着知识库中的知识逐渐增多,推理机可以重新训练,重新训练之后获得的推理机可以提供一些新的规则,以此类推。每次训练好的推理机提供的规则可以更新当前存储在知识库中的已知规则。
根据本发明实施例,步骤S2050可以包括:如果确定推理机合格,则转至步骤S2100;推理机训练方法2000还可以包括:步骤S2100:判断推理机提供的规则与知识库中存储的已知规则是否冲突,如果是,则转至步骤S2110;以及步骤S2110:输出用于指示规则发生冲突的指示信息。
在推理机通过血流动力学校验之后,可以由冲突处理机制判断推理机提供的规则与知识库中存储的已知规则(主要是由专家存储的规则)是否冲突。例如,假设知识库中存储的已知规则规定平均血流速度大于70cm/s并且小于30cm/s表示存在异常,而推理机提供的规则规定平均血流速度大于65cm/s表示存在异常,则推理机提供的规则与知识库中存储的已知规则是不冲突的,如果推理机提供的规则规定平均血流速度大于75cm/s才表示异常,则推理机提供的规则与知识库中存储的已知规则是冲突的。也就是说,示例性地,推理机提供的规则比知识库中存储的已知规则更严厉时可以认为推理机提供的规则与知识库中存储的已知规则冲突。
如果推理机提供的规则与知识库中存储的已知规则存在冲突,则可以输出指示信息,例如在显示屏上显示“规则冲突”这样的文字信息。这样方便通知辅助诊断系统的操作者(例如专家)推理规则与已知规则之间的冲突,方便操作者(例如专家)及时采取措施应对,以尽快训练获得符合要求的推理机。
根据本发明实施例,在步骤S2110之后,推理机训练方法2000还可以包括:步骤S2120:接收关于修改用于实现推理机的模型、推理机的参数和知识库中存储的血流数据中的一项或多项的第二修改指令;以及步骤S2130:根据第二修改指令执行对应的修改动作并返回步骤S2010。
对于推理机提供的规则和知识库中存储的已知规则存在冲突的情况,可以选择对辅助诊断系统进行重新优化,例如修改机器学习参数或者血流动力学模型等,并重新训练推理机。冲突处理在操作人员能力不足时,可以由专家进行补充。
根据本发明实施例,步骤S2100可以包括:如果推理机提供的规则与知识库中存储的已知规则不冲突,则转至步骤S2140;推理机训练方法2000还可以包括:步骤S2140:以推理机提供的规则更新知识库中存储的已知规则。
在确定提供的规则与知识库中存储的已知规则不冲突的情况下,可以认为推理机已训练好,可以将训练好的推理机提供的规则更新到知识库中。
根据本发明实施例,在步骤S2010之后,推理机训练方法2000还可以包括步骤S2012:利用多组血流数据对推理机进行交叉验证,以评估推理机的正确率。
对于训练集,可以使用K次交叉验证(K-Fold Cross Validation)来评估正确率。K次交叉验证的大致思想是将数据大致分为K个子样本,每次取一个子样本作为验证数据,取余下的K-1个子样本作为训练数据。用于实现推理机的模型构建好后作用于验证数据上,计算出当前正确率(或错误率)。重复K次,将K次正确率(或错误率)平均,得到一个整体正确率(或错误率)。可以通过整体正确率(或错误率),估计当前推理机的正确率(或错误率)。
根据本发明实施例,步骤S2012可以包括:如果正确率小于预设阈值,则转至步骤S2014;推理机训练方法2000还可以包括:步骤S2014:输出用于指示推理机未通过交叉验证的指示信息。
示例性地,预设阈值可以是任何合适的值,本发明不对此进行限制。如果正确率大于或等于某个预设阈值,则可以认为推理机训练成功。一般临床使用时对于错误的容忍度很低,因此预设阈值可以设定得非常高,例如95%。如果正确率不能达到要求,则可以通过修改推理机的参数、检查知识库是否存在错误、增加血流数据中的血流特征参数的种类等来达到目标正确率。当正确率接近100%时,相当于推理机的结论和专家给出的结论一致,推理机提供的规则其实已经包含了专家给出的知识。
如果推理机未通过交叉验证,则可以输出指示信息,例如在显示屏上显示“交叉验证未通过”这样的文字信息。这样方便通知辅助诊断系统的操作者(例如专家)推理机是否满足要求,方便操作者(例如专家)及时采取措施应对,以尽快训练获得符合要求的推理机。
根据本发明实施例,在步骤S2014之后,推理机训练方法2000还可以包括以下步骤。
在步骤S2016,接收关于修改用于实现推理机的模型、推理机的参数和知识库中存储的血流数据中的一项或多项的第三修改指令。
在步骤S2018,根据第三修改指令执行对应的修改动作并返回步骤S2010。
与推理机未通过血流动力学校验的情况类似地,操作者(例如专家)在看到类似上述“交叉验证未通过”的文字信息时,获知推理机不满足要求,在这种情况下,操作者(例如专家)可以选择修改知识库中的原始血流数据、向知识库中加入新的血流数据、修改用于实现推理机的模型、修改推理机的参数等。操作者(例如专家)可以将期望执行的修改指令(本实施例中称为第三修改指令)输入辅助诊断系统,辅助诊断系统接收到该指令后,将执行对应的修改动作。在执行修改动作之后,方法返回步骤S2010,重新开始训练推理机。在训练之后可以再次执行步骤S2012,即再次对训练后的推理机进行交叉验证。如果推理机仍然未通过交叉验证,则可以重复执行步骤S2010、S2012和S2014直至推理机通过交叉验证为止。利用交叉验证可以提高推理机的准确度。
上文描述了辅助诊断系统中的推理机的训练方法。推理机训练好之后,可以应用于辅助诊断系统。可以理解的是,推理机的训练过程和辅助诊断系统的应用过程可以是相辅相成的,二者可以交叉实施。例如,在辅助诊断系统的实际应用中,可以在需要时(定期或不定期地)采用上文所述的推理机训练方法重新训练一次推理机,以实现推理机的不断改进。在辅助诊断系统的日后工作中,可以利用新训练好的推理机进行推理。
此外,在辅助诊断系统的实际应用中,还可以不断更新辅助诊断系统中的其他部分,例如知识库、解释器等,以实现辅助诊断系统的升级。辅助诊断系统的升级有助于提供更准确的辅助诊断结论。下面描述根据本发明实施例的一种辅助诊断系统的升级方法。
图4示出根据本发明一个实施例的辅助诊断系统的升级方法400的示意性流程图。如图4所示,升级方法400包括以下步骤。
在步骤S410,至少利用辅助诊断系统的、采用上述推理机训练方法200训练获得的推理机对一组或多组实际血流特征参数进行推理,以获得与一组或多组实际血流特征参数一一对应的一个或多个实际结论。
如上文所述,对于辅助诊断系统来说,可以在需要时(定期或不定期地)采用上文所述的推理机训练方法200重新训练一次推理机。在某次推理机训练结束之后,可以利用训练获得的推理机开始对实际血流特征参数进行推理。比较可取的是,实际血流特征参数可以是在辅助诊断系统的应用过程中需要处理的各种真实病例中的血流特征参数。当然,实际血流特征参数可以有其他来源,例如是仿真实验中的仿真参数等,本发明不对此进行限制。
可选地,每组实际血流特征参数同样可以包括上文所述的收缩期最大血流速度、舒张末期血流速度、平均血流速度、搏动指数、阻力指数、血流反向、窃血、涡流、湍流和短横线等参数中的一种或多种。
示例性地,所述一组或多组实际血流特征参数可以是辅助诊断系统未处理过的实际血流特征参数,也可以是辅助诊断系统先前处理过的实际血流特征参数,这将在下文描述。
如上文所述,推理机可以提供规则,可以至少基于推理机提供的规则对每组实际血流特征参数进行推理,以获得对应的结论(本文称为实际结论)。
在步骤S420,输出一个或多个实际结论。
可以通过上文所述的用户接口输出一个或多个实际结论,以供操作者(例如专家)查看。
在步骤S430,接收关于一个或多个实际结论中的至少部分实际结论的指示信息。
操作者(例如专家)查看实际结论之后,可以分析哪些实际结论属于常见的、比较普通的病例,哪些实际结论属于不太常见的非典型病例,随后,操作者(例如专家)可以自主选择将与哪类病例对应的实际结论存储起来。例如,操作者(例如专家)可以通过用户接口与辅助诊断系统交互,指示辅助诊断系统将与非典型病例对应的实际结论以及与该实际结论对应的实际血流特征参数存储到知识库中作为新的知识。示例性地,知识库中存储新的知识(即知识库得到更新)之后,可以基于更新后的知识库重新训练一遍推理机。此外,知识库中存储新的知识(即知识库得到更新)之后,还可以基于更新后的知识库和当前的推理机(可以是基于更新后的知识库重新训练一遍后获得的推理机)生成新的解释器。
在步骤S440,基于指示信息将至少部分实际结论以及与至少部分实际结论一一对应的至少一组实际血流特征参数存储到辅助诊断系统的知识库中用于实现辅助诊断系统的升级。
在一个示例中,一组或多组实际血流特征参数可以是辅助诊断系统当前需要处理的实际血流特征参数,即辅助诊断系统先前未处理过的新的实际血流特征参数。也就是说,辅助诊断系统在应用过程中,接收到新的实际血流特征参数之后,对新的实际血流特征参数进行推理,获得对应的实际结论。此时如果操作者(例如专家)认为某个实际结论属于比较有价值的病例(例如非典型病例),则可以将该实际结论和与该实际结论对应的一组实际血流特征参数存储到知识库中。
在另一个示例中,辅助诊断系统的数据库用于存储辅助诊断系统先前处理的实际血流特征参数和针对先前处理的实际血流特征参数进行推理获得的先前结论,一组或多组实际血流特征参数是来自辅助诊断系统的数据库的先前处理的实际血流特征参数。
数据库在辅助诊断系统的应用过程中会积累推理所需的原始数据、中间结果和最终结论等等。数据库中的原始数据可以包括上文所述的血流特征参数(在关于升级方法400的描述中称为“实际血流特征参数”)。也就是说,数据库中可以存储有辅助诊断系统先前已经处理过的实际血流特征参数及对应的先前结论。随着辅助诊断系统的应用时间越长,数据库中积累的数据越多,并且数据库中积累的主要是现实中遇到的各种病例,因此具有非常重要的现实意义和参考价值。对于数据库中的一些不常见的非典型病例,可以利用这些病例来扩充知识库。例如,在某次训练获得新的推理机之后,可以利用训练获得的推理机重新推理一遍数据库中存储的先前处理的实际血流特征参数,获得对应的实际结论。这样处理可以修正以前的某些推理错误,并且有助于发现一些以前被忽略的重要信息。例如,从重新推理获得的实际结论中有可能发现一些以前未被发现或未受重视的病例,如果发现一些有价值的病例,可以将与这类病例对应的实际结论及相关的实际血流特征参数存储到数据库中作为新的知识。这样同样可以实现知识库的扩充,即实现辅助诊断系统的升级。
辅助诊断系统在应用过程中需要不断升级,例如,在辅助诊断系统初始搭建完成时,知识库中的数据可能是不充分的。通过升级方法400可以实现数据库的不断扩充,从而实现辅助诊断系统的不断升级。
根据本发明实施例,上述至少部分实际结论是与人工选择的非典型病例对应的实际结论。至少部分实际结论可以是人工选择的,示例性地,可以是专家选择的。随着辅助诊断系统的应用,会有大量的新数据补充到数据库中,其中可以存在一些不常见的非典型病例。这些非典型病症可以交给人类专家进行进一步分析。也就是说,操作者(例如专家)可以自主选择与非典型病例对应的实际结论,这样的数据具有非常重要的现实意义和参考价值,有利于提高辅助诊断系统的有效性。
根据本发明实施例,步骤S410可以包括:综合推理机提供的规则与辅助诊断系统的知识库中存储的已知规则,以获得综合后的规则;以及基于综合后的规则对一组或多组实际血流特征参数进行推理。
示例性地,可以将推理机提供的规则与知识库中存储的已知规则综合在一起,生成解释器。例如,可以将知识库中的已知规则与推理机提供的规则转化为一组函数F=(f1,f2…fn),n可以是结论的数目。f1,f2…fn中的每一个函数输出一个结论。假设实际血流特征参数采用上文所述的向量T来表示,可以将向量T放入解释器F中进行运算,然后取所获得的n个输出中的数值最大的输出作为最终的辅助诊断结论(即上述实际结论)。
根据本发明实施例,辅助诊断系统的数据库用于存储关于先前结论是否被采纳的反馈信息,升级方法400还可以包括:如果根据数据库中存储的反馈信息确定特定类型的先前结论未被采纳的次数超过次数阈值,则输出关于特定类型的先前结论可能存在问题的提示信息;接收关于修改用于实现推理机的模型、推理机的参数和知识库中存储的已知规则中的一项或多项的修改指令;以及根据修改指令执行对应的修改动作。
示例性地,数据库还可以存储在人机交互过程中由辅助诊断系统的操作者(例如专家)输入的一些信息,例如其对辅助诊断系统提供的辅助诊断结论的意见(例如辅助诊断结论是否可以采纳、关于辅助诊断结论的一些补充意见等)。
人类专家虽然具有极高的专业素质,但是也可能会出错误。系统设计也不可能完全以专家为主,因此可以设计一个纠错机制,尽量减少人类专家的错误。辅助诊断系统实际应用时,操作者对辅助诊断结论的采纳程度是一个重要指标,可以定期分析这个数据,如果发现某个结论经常被更改或经常性地不被操作者采纳,则可以重新评估该结论及获得该结论所基于的规则。评估工作可以由操作者(主要是专家)进行。操作者(主要是专家)可以判断结论不准确的原因,例如可能是知识库中存储的已知规则不合理、推理机提供的规则不合理等等,并制定相应的修改计划。操作者(主要是专家)可以通过用户接口与辅助诊断系统交互,指示辅助诊断系统对某些地方进行修改,例如修改用于实现推理机的模型和/或修改推理机的参数,以修改推理机提供的规则。又例如,操作者(主要是专家)可以指示辅助诊断系统修改知识库中存储的已知规则等。
示例性地,升级方法400还可以包括:对于多根血管中的每根血管,至少利用推理机对与该血管相关的一组实际血流特征参数进行推理,以获得与该血管对应的血管相关结论;实时输出与该血管对应的血管相关结论;以及实时接收并存储关于与该血管对应的血管相关结论是否被采纳的反馈信息。
例如,经颅多普勒检查通常要检查10根左右血管,在检查过程中和全部检查结束时,操作者和辅助诊断系统可以进行交互。需要检查的多根血管可以逐一进行检查。一根血管检查完毕,可以得到与该血管相关的一组实际血流特征参数。在检查过程中,辅助诊断系统可以根据已获得的信息,实时输出辅助诊断结论(即与血管对应的血管相关结论)。实时输出的辅助诊断结论,操作者可以确定是否采纳,并且可以根据当前的辅助诊断结论确定是否改变默认的检查顺序。例如,如果根据当前的辅助诊断结论确定某个部位可能有问题,并且该部位的血管并非是下一个检查目标,则操作者可以输入指令,要求调整检查顺序。此外,操作者也可以选择维持默认检查顺序,等检查完毕后统一处理。通过以上方式可以获得操作者的反馈信息,该反馈信息是针对每根血管的反馈信息。后续可以基于反馈信息来修正知识库或推理机,实现辅助诊断系统的进一步升级。本发明并不局限于上述实现方式,例如,可以无需向操作者输出与每根血管相关的血管相关结论,可以仅输出最后的总结论。
示例性地,升级方法400还可以包括:至少利用推理机对与多根血管一一对应相关的多组实际血流特征参数进行推理,以获得与多根血管一对应的多个血管相关结论;基于多个血管相关结论确定总结论;输出总结论;以及接收并存储关于总结论是否被采纳的反馈信息。
在所有血管检查完毕后,辅助诊断系统可以给出总体的检查报告建议(可以称为“总结论”),如果操作者采纳,则可以签字确认;如果操作者觉得不够完整或不够正确,可以选择不采纳。通过以上方式可以获得操作者的反馈信息,该反馈信息是针对多根血管的整体反馈信息。后续可以基于反馈信息来修正知识库或推理机,实现辅助诊断系统的进一步升级。
示例性地,在每次知识库和推理机中的一者或两者更新后,可以重新生成解释器。也就是说,可以基于知识库和/或推理机生成辅助诊断系统中的新的解释器。解释器的更新也属于辅助诊断系统的一种升级。解释器可以对实际结论进行简单分类,例如分为“常见”、“不常见”等,人类专家可以从中选择更有价值的实际结论。解释器的分类可以大大降低人类专家的工作,使得人类专家有机会专注于更有特点的病例,从而大大提高知识库的迭代升级效率。
上文描述的辅助诊断系统的升级方法是一种自主化升级方法,采用该方法,辅助诊断系统可以在实际应用过程中自动升级,不断完善自己,从而使得系统的正确率和性能可以不断得到提升。
根据本发明另一方面,提供一种推理机训练装置。图5示出了根据本发明一个实施例的推理机训练装置500的示意性框图。
如图5所示,根据本发明实施例的推理机训练装置500包括训练模块510、选择模块520、推理模块530、血流动力学校验模块540和合格判断模块550。所述各个模块可分别执行上文中结合图1-3描述的推理机训练方法的各个步骤/功能。以下仅对该推理机训练装置500的各部件的主要功能进行描述,而省略以上已经描述过的细节内容。
训练模块510用于利用知识库中存储的多组血流数据作为样本训练推理机,其中,知识库中存储的每组血流数据包括血流特征参数和对应的已知结论。
选择模块520用于从知识库中选择至少一组血流数据。
推理模块530用于对于至少一组血流数据中的每组血流数据,利用推理机对该组血流数据中的血流特征参数进行推理,以获得对应的测试结论。
血流动力学校验模块540用于基于至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论进行血流动力学校验。
合格判断模块550用于基于血流动力学校验结果判断推理机是否合格。
根据本发明实施例,推理机训练装置500还包括第一输出模块(未示出),合格判断模块550包括:第一启动子模块,用于如果确定推理机不合格,则启动第一输出模块;第一输出模块用于输出用于指示推理机未通过血流动力学校验的指示信息。
根据本发明实施例,推理机训练装置500还包括:第一接收模块(未示出),用于接收关于修改用于实现推理机的模型、推理机的参数、知识库中存储的血流数据和血流动力学校验所采用的血流动力学模型中的一项或多项的第一修改指令;以及第一执行模块(未示出),用于根据第一修改指令执行对应的修改动作并启动训练模块。
根据本发明实施例,推理机训练装置500还包括第一更新模块(未示出),合格判断模块550包括:第二启动子模块,用于如果确定推理机合格,则启动第一更新模块;第一更新模块用于以推理机提供的规则更新知识库中存储的已知规则。
根据本发明实施例,推理机训练装置500还包括冲突判断模块和第二输出模块(未示出),合格判断模块550包括:第三启动子模块,用于如果确定推理机合格,则启动冲突判断模块;冲突判断模块用于判断推理机提供的规则与知识库中存储的已知规则是否冲突,如果是,则启动第二输出模块;第二输出模块用于输出用于指示规则发生冲突的指示信息。
根据本发明实施例,推理机训练装置500还包括:第二接收模块(未示出),用于接收关于修改用于实现推理机的模型、推理机的参数和知识库中存储的血流数据中的一项或多项的第二修改指令;以及第二执行模块(未示出),用于根据第二修改指令执行对应的修改动作并启动训练模块。
根据本发明实施例,推理机训练装置500还包括第二更新模块(未示出),冲突判断模块包括:第四启动子模块,用于如果推理机提供的规则与知识库中存储的已知规则不冲突,则启动第二更新模块;第二更新模块用于以推理机提供的规则更新知识库中存储的已知规则。
根据本发明实施例,推理机训练装置500还包括:交叉验证模块(未示出),用于在训练模块利用知识库中存储的多组血流数据作为样本训练推理机之后,利用多组血流数据对推理机进行交叉验证,以评估推理机的正确率。
根据本发明实施例,推理机训练装置500还包括第三输出模块(未示出),交叉验证模块包括:第三启动子模块,用于如果正确率小于预设阈值,则启动第三输出模块;第三输出模块用于输出用于指示推理机未通过交叉验证的指示信息。
根据本发明实施例,推理机训练装置500还包括:第三接收模块(未示出),用于接收关于修改用于实现推理机的模型、推理机的参数和知识库中存储的血流数据中的一项或多项的第三修改指令;以及第三执行模块(未示出),用于根据第三修改指令执行对应的修改动作并启动训练模块。
根据本发明实施例,推理机采用贝叶斯分类器、支持向量机或深度神经网络实现。
根据本发明实施例,血流动力学校验模块540包括:建立子模块,用于建立预定义的血流动力学模型;以及判断子模块,用于判断至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论是否符合预定义的血流动力学模型所规定的物理规律,以获得血流动力学校验结果。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
根据本发明另一方面,提供一种辅助诊断系统的升级装置。图6示出了根据本发明一个实施例的辅助诊断系统的升级装置600的示意性框图。
如图6所示,根据本发明实施例的辅助诊断系统的升级装置600包括第一推理模块610、第一输出模块620、第一接收模块630和第一存储模块640。所述各个模块可分别执行上文中结合图4描述的辅助诊断系统的升级方法的各个步骤/功能。以下仅对该辅助诊断系统的升级装置600的各部件的主要功能进行描述,而省略以上已经描述过的细节内容。
第一推理模块610用于至少利用辅助诊断系统的、采用上述推理机训练方法训练获得的推理机对一组或多组实际血流特征参数进行推理,以获得与一组或多组实际血流特征参数一一对应的一个或多个实际结论。
第一输出模块620用于输出一个或多个实际结论。
第一接收模块630用于接收关于一个或多个实际结论中的至少部分实际结论的指示信息。
第一存储模块640用于基于指示信息将至少部分实际结论以及与至少部分实际结论一一对应的至少一组实际血流特征参数存储到辅助诊断系统的知识库中用于实现辅助诊断系统的升级。
根据本发明实施例,辅助诊断系统的数据库用于存储辅助诊断系统先前处理的实际血流特征参数和针对先前处理的实际血流特征参数进行推理获得的先前结论,一组或多组实际血流特征参数是来自辅助诊断系统的数据库的先前处理的实际血流特征参数。
根据本发明实施例,至少部分实际结论是与人工选择的非典型病例对应的实际结论。
根据本发明实施例,推理模块610包括:综合子模块,用于综合推理机提供的规则与辅助诊断系统的知识库中存储的已知规则,以获得综合后的规则;以及推理子模块,用于基于综合后的规则对一组或多组实际血流特征参数进行推理。
根据本发明实施例,辅助诊断系统的数据库用于存储关于先前结论是否被采纳的反馈信息,升级装置还包括:第二输出模块(未示出),用于如果根据数据库中存储的反馈信息确定特定类型的先前结论未被采纳的次数超过次数阈值,则输出关于特定类型的先前结论可能存在问题的提示信息;第二接收模块(未示出),用于接收关于修改用于实现推理机的模型、推理机的参数和知识库中存储的已知规则中的一项或多项的修改指令;以及修改模块(未示出),用于根据修改指令执行对应的修改动作。
根据本发明实施例,升级装置还包括:第二推理模块(未示出),用于对于多根血管中的每根血管,至少利用推理机对与该血管相关的一组实际血流特征参数进行推理,以获得与该血管对应的血管相关结论;第三输出模块(未示出),用于实时输出与该血管对应的血管相关结论;以及第二存储模块(未示出),用于实时接收并存储关于与该血管对应的血管相关结论是否被采纳的反馈信息。
根据本发明实施例,升级装置还包括:第三推理模块(未示出),用于至少利用推理机对与多根血管一一对应相关的多组实际血流特征参数进行推理,以获得与多根血管一一对应的多个血管相关结论;总结论确定模块(未示出),用于基于多个血管相关结论确定总结论;第四输出模块(未示出),用于输出总结论;以及第三存储模块(未示出),用于接收并存储关于总结论是否被采纳的反馈信息。
根据本发明实施例,一组或多组实际血流特征参数是辅助诊断系统当前需要处理的实际血流特征参数,升级装置还包括:生成模块(未示出),用于基于知识库和/或推理机生成辅助诊断系统中的新的解释器。
图7示出了根据本发明一个实施例的推理机训练装置700的示意性框图。推理机训练装置700包括存储器710和处理器720。
所述存储器710存储用于实现根据本发明实施例的推理机训练方法中的相应步骤的程序代码(即程序)。
所述处理器720用于运行所述存储器710中存储的程序代码,以执行根据本发明实施例的推理机训练方法的相应步骤,并且用于实现根据本发明实施例的推理机训练装置500中的训练模块510、选择模块520、推理模块530、血流动力学校验模块540和合格判断模块550。
在一个实施例中,所述程序代码在所述处理器720中运行时,用于执行以下步骤:步骤S2010:利用知识库中存储的多组血流数据作为样本训练推理机,其中,知识库中存储的每组血流数据包括血流特征参数和对应的已知结论;步骤S2020:从知识库中选择至少一组血流数据;步骤S2030:对于至少一组血流数据中的每组血流数据,利用推理机对该组血流数据中的血流特征参数进行推理,以获得对应的测试结论;步骤S2040:基于至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论进行血流动力学校验;以及步骤S2050:基于血流动力学校验结果判断推理机是否合格。
在一个实施例中,所述程序代码在所述处理器720运行时,所用于执行的步骤S2050包括:如果确定推理机不合格,则转至步骤S2060;所述程序代码在所述处理器720中运行时,还用于执行以下步骤:步骤S2060:输出用于指示推理机未通过血流动力学校验的指示信息。
在一个实施例中,在所述程序代码在所述处理器720中运行时所用于执行的步骤S2060之后,所述程序代码在所述处理器720中运行时还用于执行以下步骤:步骤S2070:接收关于修改用于实现推理机的模型、推理机的参数、知识库中存储的血流数据和血流动力学校验所采用的血流动力学模型中的一项或多项的第一修改指令;以及步骤S2080:根据第一修改指令执行对应的修改动作并返回步骤S2010。
在一个实施例中,所述程序代码在所述处理器720中运行时,所用于执行的步骤S2050包括:如果确定推理机合格,则转至步骤S2090;所述程序代码在所述处理器720中运行时,还用于执行以下步骤:步骤S2090:以推理机提供的规则更新知识库中存储的已知规则。
在一个实施例中,所述程序代码在所述处理器720中运行时,所用于执行的步骤S2050包括:如果确定推理机合格,则转至步骤S2100;所述程序代码在所述处理器720中运行时还用于执行以下步骤:步骤S2100:判断推理机提供的规则与知识库中存储的已知规则是否冲突,如果是,则转至步骤S2110;以及步骤S2110:输出用于指示规则发生冲突的指示信息。
在一个实施例中,在所述程序代码在所述处理器720中运行时所用于执行的步骤S2110之后,所述程序代码在所述处理器720中运行时还用于执行以下步骤:步骤S2120:接收关于修改用于实现推理机的模型、推理机的参数和知识库中存储的血流数据中的一项或多项的第二修改指令;以及步骤S2130:根据第二修改指令执行对应的修改动作并返回步骤S2010。
在一个实施例中,所述程序代码在所述处理器720中运行时,所用于执行的步骤S2100包括:如果推理机提供的规则与知识库中存储的已知规则不冲突,则转至步骤S2140;所述程序代码在所述处理器720中运行时,还用于执行以下步骤:步骤S2140:以推理机提供的规则更新知识库中存储的已知规则。
在一个实施例中,在所述程序代码在所述处理器720中运行时所用于执行的步骤S2010之后,所述程序代码在所述处理器720中运行时还用于执行以下步骤:步骤S2012:利用多组血流数据对推理机进行交叉验证,以评估推理机的正确率。
在一个实施例中,所述程序代码在所述处理器720中运行时,所用于执行的步骤S2012包括:如果正确率小于预设阈值,则转至步骤S2014;所述程序代码在所述处理器720中运行时还用于执行:步骤S2014:输出用于指示推理机未通过交叉验证的指示信息。
在一个实施例中,在所述程序代码在所述处理器720中运行时所用于执行的步骤S2014之后,所述程序代码在所述处理器720中运行时还用于执行以下步骤:步骤S2016:接收关于修改用于实现推理机的模型、推理机的参数和知识库中存储的血流数据中的一项或多项的第三修改指令;以及步骤S2018:根据第三修改指令执行对应的修改动作并返回步骤S2010。
在一个实施例中,推理机采用贝叶斯分类器、支持向量机或深度神经网络实现。
在一个实施例中,所述程序代码在所述处理器720中运行时,所用于执行的步骤S2040包括:建立预定义的血流动力学模型;以及判断至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论是否符合预定义的血流动力学模型所规定的物理规律,以获得血流动力学校验结果。
图8示出了根据本发明一个实施例的辅助诊断系统的升级装置800的示意性框图。辅助诊断系统的升级装置800包括存储器810和处理器820。
所述存储器810存储用于实现根据本发明实施例的辅助诊断系统的升级方法中的相应步骤的程序代码(即程序)。
所述处理器820用于运行所述存储器810中存储的程序代码,以执行根据本发明实施例的辅助诊断系统的升级方法的相应步骤,并且用于实现根据本发明实施例的辅助诊断系统的升级装置600中的第一推理模块610、第一输出模块620、第一接收模块630和第一存储模块640。
在一个实施例中,所述程序代码在所述处理器820中运行时,用于执行以下步骤:至少利用辅助诊断系统的、采用上述推理机训练方法训练获得的推理机对一组或多组实际血流特征参数进行推理,以获得与一组或多组实际血流特征参数一一对应的一个或多个实际结论;输出一个或多个实际结论;接收关于一个或多个实际结论中的至少部分实际结论的指示信息;以及基于指示信息将至少部分实际结论以及与至少部分实际结论一一对应的至少一组实际血流特征参数存储到辅助诊断系统的知识库中用于实现辅助诊断系统的升级。
在一个实施例中,辅助诊断系统的数据库用于存储辅助诊断系统先前处理的实际血流特征参数和针对先前处理的实际血流特征参数进行推理获得的先前结论,一组或多组实际血流特征参数是来自辅助诊断系统的数据库的先前处理的实际血流特征参数。
在一个实施例中,至少部分实际结论是与人工选择的非典型病例对应的实际结论。
在一个实施例中,所述程序代码在所述处理器820中运行时,所用于执行的至少利用所述辅助诊断系统的、采用上述推理机训练方法训练获得的推理机对一组或多组实际血流特征参数进行推理的步骤包括:综合推理机提供的规则与辅助诊断系统的知识库中存储的已知规则,以获得综合后的规则;以及基于综合后的规则对一组或多组实际血流特征参数进行推理。
根据本发明实施例,辅助诊断系统的数据库用于存储关于先前结论是否被采纳的反馈信息,所述程序代码在所述处理器820中运行时,还用于执行以下步骤:如果根据数据库中存储的反馈信息确定特定类型的先前结论未被采纳的次数超过次数阈值,则输出关于特定类型的先前结论可能存在问题的提示信息;接收关于修改用于实现推理机的模型、推理机的参数和知识库中存储的已知规则中的一项或多项的修改指令;以及根据修改指令执行对应的修改动作。
在一个实施例中,所述程序代码在所述处理器820中运行时,还用于执行以下步骤:对于多根血管中的每根血管,至少利用推理机对与该血管相关的一组实际血流特征参数进行推理,以获得与该血管对应的血管相关结论;实时输出与该血管对应的血管相关结论;以及实时接收并存储关于与该血管对应的血管相关结论是否被采纳的反馈信息。
在一个实施例中,所述程序代码在所述处理器820中运行时,还用于执行以下步骤:至少利用推理机对与多根血管一一对应相关的多组实际血流特征参数进行推理,以获得与多根血管一一对应的多个血管相关结论;基于多个血管相关结论确定总结论;输出总结论;以及接收并存储关于总结论是否被采纳的反馈信息。
在一个实施例中,一组或多组实际血流特征参数是辅助诊断系统当前需要处理的实际血流特征参数,所述程序代码在所述处理器820中运行时,还用于执行以下步骤:基于知识库和/或推理机生成辅助诊断系统中的新的解释器。
此外,根据本发明实施例,还提供了一种计算机可读存储介质,在所述存储介质上存储了程序指令(即程序),在所述程序指令被计算机或处理器运行时用于执行本发明实施例的推理机训练方法或辅助诊断系统的升级方法的相应步骤,并且用于实现根据本发明实施例的推理机训练装置或辅助诊断系统的升级装置中的相应模块。所述存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。
在一个实施例中,所述计算机程序指令在被计算机或处理器运行时可以使得计算机或处理器实现根据本发明实施例的推理机训练装置或辅助诊断系统的升级装置的各个功能模块,并且/或者可以执行根据本发明实施例的推理机训练方法或辅助诊断系统的升级方法。
在一个实施例中,所述计算机程序指令在运行时用于执行以下步骤:步骤S2010:利用知识库中存储的多组血流数据作为样本训练推理机,其中,知识库中存储的每组血流数据包括血流特征参数和对应的已知结论;步骤S2020:从知识库中选择至少一组血流数据;步骤S2030:对于至少一组血流数据中的每组血流数据,利用推理机对该组血流数据中的血流特征参数进行推理,以获得对应的测试结论;步骤S2040:基于至少一组血流数据中的每组血流数据中的血流特征参数及时应的测试结论进行血流动力学校验;以及步骤S2050:基于血流动力学校验结果判断推理机是否合格。
在一个实施例中,所述计算机程序指令在运行时所用于执行的步骤S2050包括:如果确定推理机不合格,则转至步骤S2060;所述计算机程序指令在运行时还用于执行以下步骤:步骤S2060:输出用于指示推理机未通过血流动力学校验的指示信息。
在一个实施例中,在所述计算机程序指令在运行时所用于执行的步骤S2060之后,所述计算机程序指令在运行时还用于执行以下步骤:步骤S2070:接收关于修改用于实现推理机的模型、推理机的参数、知识库中存储的血流数据和血流动力学校验所采用的血流动力学模型中的一项或多项的第一修改指令;以及步骤S2080:根据第一修改指令执行对应的修改动作并返回步骤S2010。
在一个实施例中,所述计算机程序指令在运行时所用于执行的步骤S2050包括:如果确定推理机合格,则转至步骤S2090;所述计算机程序指令在运行时还用于执行以下步骤:步骤S2090:以推理机提供的规则更新知识库中存储的已知规则。
在一个实施例中,所述计算机程序指令在运行时所用于执行的步骤S2050包括:如果确定推理机合格,则转至步骤S2100;所述计算机程序指令在运行时还用于执行以下步骤:步骤S2100:判断推理机提供的规则与知识库中存储的已知规则是否冲突,如果是,则转至步骤S2110;以及步骤S2110:输出用于指示规则发生冲突的指示信息。
在一个实施例中,在所述计算机程序指令在运行时所用于执行的步骤S2110之后,所述计算机程序指令在运行时还用于执行以下步骤:步骤S2120:接收关于修改用于实现推理机的模型、推理机的参数和知识库中存储的血流数据中的一项或多项的第二修改指令;以及步骤S2130:根据第二修改指令执行对应的修改动作并返回步骤S2010。
在一个实施例中,所述计算机程序指令在运行时所用于执行的步骤S2100包括:如果推理机提供的规则与知识库中存储的已知规则不冲突,则转至步骤S2140;所述计算机程序指令在运行时还用于执行以下步骤:步骤S2140:以推理机提供的规则更新知识库中存储的已知规则。
在一个实施例中,在所述计算机程序指令在运行时所用于执行的步骤S2010之后,所述计算机程序指令在运行时还用于执行以下步骤:步骤S2012:利用多组血流数据对推理机进行交叉验证,以评估推理机的正确率。
在一个实施例中,所述计算机程序指令在运行时所用于执行的步骤S2012包括:如果正确率小于预设阈值,则转至步骤S2014;所述计算机程序指令在运行时还用于执行以下步骤:步骤S2014:输出用于指示推理机未通过交叉验证的指示信息。
在一个实施例中,在所述计算机程序指令在运行时所用于执行的步骤S2014之后,所述计算机程序指令在运行时还用于执行以下步骤:步骤S2016:接收关于修改用于实现推理机的模型、推理机的参数和知识库中存储的血流数据中的一项或多项的第三修改指令;以及步骤S2018:根据第三修改指令执行对应的修改动作并返回步骤S2010。
在一个实施例中,推理机采用贝叶斯分类器、支持向量机或深度神经网络实现。
在一个实施例中,所述计算机程序指令在运行时所用于执行的步骤S2040包括:建立预定义的血流动力学模型;以及判断至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论是否符合预定义的血流动力学模型所规定的物理规律,以获得血流动力学校验结果。
在一个实施例中,所述计算机程序指令在运行时用于执行以下步骤:至少利用辅助诊断系统的、采用上述推理机训练方法训练获得的推理机对一组或多组实际血流特征参数进行推理,以获得与一组或多组实际血流特征参数一一对应的一个或多个实际结论;输出一个或多个实际结论;接收关于一个或多个实际结论中的至少部分实际结论的指示信息;以及基于指示信息将至少部分实际结论以及与至少部分实际结论一一对应的至少一组实际血流特征参数存储到辅助诊断系统的知识库中用于实现辅助诊断系统的升级。
在一个实施例中,辅助诊断系统的数据库用于存储辅助诊断系统先前处理的实际血流特征参数和针对先前处理的实际血流特征参数进行推理获得的先前结论,一组或多组实际血流特征参数是来自辅助诊断系统的数据库的先前处理的实际血流特征参数。
在一个实施例中,至少部分实际结论是与人工选择的非典型病例对应的实际结论。
在一个实施例中,所述计算机程序指令在运行时所用于执行的至少利用所述辅助诊断系统的、采用上述推理机训练方法训练获得的推理机对一组或多组实际血流特征参数进行推理的步骤包括:综合推理机提供的规则与辅助诊断系统的知识库中存储的已知规则,以获得综合后的规则;以及基于综合后的规则对一组或多组实际血流特征参数进行推理。
根据本发明实施例,辅助诊断系统的数据库用于存储关于先前结论是否被采纳的反馈信息,所述计算机程序指令在运行时还用于执行以下步骤:如果根据数据库中存储的反馈信息确定特定类型的先前结论未被采纳的次数超过次数阈值,则输出关于特定类型的先前结论可能存在问题的提示信息;接收关于修改用于实现推理机的模型、推理机的参数和知识库中存储的已知规则中的一项或多项的修改指令;以及根据修改指令执行对应的修改动作。
在一个实施例中,所述计算机程序指令在运行时还用于执行以下步骤:对于多根血管中的每根血管,至少利用推理机对与该血管相关的一组实际血流特征参数进行推理,以获得与该血管对应的血管相关结论;实时输出与该血管对应的血管相关结论;以及实时接收并存储关于与该血管对应的血管相关结论是否被采纳的反馈信息。
在一个实施例中,所述计算机程序指令在运行时还用于执行以下步骤:至少利用推理机对与多根血管一一对应相关的多组实际血流特征参数进行推理,以获得与多根血管一一对应的多个血管相关结论;基于多个血管相关结论确定总结论;输出总结论;以及接收并存储关于总结论是否被采纳的反馈信息。
在一个实施例中,一组或多组实际血流特征参数是辅助诊断系统当前需要处理的实际血流特征参数,所述计算机程序指令在运行时还用于执行以下步骤:基于知识库和/或推理机生成辅助诊断系统中的新的解释器。
根据本发明实施例的推理机训练装置中的各模块可以通过根据本发明实施例的实施推理机训练的电子设备的处理器运行在存储器中存储的计算机程序指令来实现,或者可以在根据本发明实施例的计算机程序产品的计算机可读存储介质中存储的计算机指令被计算机运行时实现。
类似地,根据本发明实施例的辅助诊断系统的升级装置中的各模块可以通过根据本发明实施例的实施辅助诊断系统的升级的电子设备的处理器运行在存储器中存储的计算机程序指令来实现,或者可以在根据本发明实施例的计算机程序产品的计算机可读存储介质中存储的计算机指令被计算机运行时实现。
尽管这里已经参考附图描述了示例实施例,应理解上述示例实施例仅仅是示例性的,并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改,而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该本发明的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如相应的权利要求书所反映的那样,其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域的技术人员可以理解,除了特征之间相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的推理机训练装置或辅助诊断系统的升级装置中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本发明的具体实施方式或对具体实施方式的说明,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。本发明的保护范围应以权利要求的保护范围为准。
Claims (25)
1.一种推理机训练方法,包括:
步骤S2010:利用知识库中存储的多组血流数据作为样本训练推理机,其中,所述知识库中存储的每组血流数据包括血流特征参数和对应的已知结论,所述血流特征参数从经颅多普勒谱图中提取获得;
步骤S2020:从所述知识库中选择至少一组血流数据;
步骤S2030:对于所述至少一组血流数据中的每组血流数据,利用所述推理机对该组血流数据中的血流特征参数进行推理,以获得对应的测试结论;
步骤S2040:基于所述至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论进行血流动力学校验;以及
步骤S2050:基于血流动力学校验结果判断所述推理机是否合格;
其中,所述步骤S2040包括:
建立预定义的血流动力学模型;以及
判断所述至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论是否符合所述预定义的血流动力学模型所规定的物理规律,以获得所述血流动力学校验结果。
2.如权利要求1所述的推理机训练方法,其中,
所述步骤S2050包括:
如果确定所述推理机不合格,则转至步骤S2060;
所述推理机训练方法还包括:
步骤S2060:输出用于指示所述推理机未通过血流动力学校验的指示信息。
3.如权利要求2所述的推理机训练方法,其中,在所述步骤S2060之后,所述推理机训练方法还包括:
步骤S2070:接收关于修改用于实现所述推理机的模型、所述推理机的参数、所述知识库中存储的血流数据和血流动力学校验所采用的血流动力学模型中的一项或多项的第一修改指令;以及
步骤S2080:根据所述第一修改指令执行对应的修改动作并返回所述步骤S2010。
4.如权利要求1所述的推理机训练方法,其中,
所述步骤S2050包括:
如果确定所述推理机合格,则转至步骤S2090;
所述推理机训练方法还包括:
步骤S2090:以所述推理机提供的规则更新所述知识库中存储的已知规则。
5.如权利要求1所述的推理机训练方法,其中,
所述步骤S2050包括:
如果确定所述推理机合格,则转至步骤S2100;
所述推理机训练方法还包括:
步骤S2100:判断所述推理机提供的规则与所述知识库中存储的已知规则是否冲突,如果是,则转至步骤S2110;以及
步骤S2110:输出用于指示规则发生冲突的指示信息。
6.如权利要求5所述的推理机训练方法,其中,在所述步骤S2110之后,所述推理机训练方法还包括:
步骤S2120:接收关于修改用于实现所述推理机的模型、所述推理机的参数和所述知识库中存储的血流数据中的一项或多项的第二修改指令;以及
步骤S2130:根据所述第二修改指令执行对应的修改动作并返回所述步骤S2010。
7.如权利要求5所述的推理机训练方法,其中,
所述步骤S2100包括:
如果所述推理机提供的规则与所述知识库中存储的已知规则不冲突,则转至步骤S2140;
所述推理机训练方法还包括:
步骤S2140:以所述推理机提供的规则更新所述知识库中存储的已知规则。
8.如权利要求1所述的推理机训练方法,其中,在所述步骤S2010之后,所述推理机训练方法还包括:
步骤S2012:利用所述多组血流数据对所述推理机进行交叉验证,以评估所述推理机的正确率。
9.如权利要求8所述的推理机训练方法,其中,
所述步骤S2012包括:
如果所述正确率小于预设阈值,则转至步骤S2014;
所述推理机训练方法还包括:
步骤S2014:输出用于指示所述推理机未通过交叉验证的指示信息。
10.如权利要求9所述的推理机训练方法,其中,在所述步骤S2014之后,所述推理机训练方法还包括:
步骤S2016:接收关于修改用于实现所述推理机的模型、所述推理机的参数和所述知识库中存储的血流数据中的一项或多项的第三修改指令;以及
步骤S2018:根据所述第三修改指令执行对应的修改动作并返回所述步骤S2010。
11.如权利要求1所述的推理机训练方法,其中,所述推理机采用贝叶斯分类器、支持向量机或深度神经网络实现。
12.一种辅助诊断系统的升级方法,包括:
至少利用所述辅助诊断系统的、采用如权利要求1至11任一项所述的推理机训练方法训练获得的推理机对一组或多组实际血流特征参数进行推理,以获得与所述一组或多组实际血流特征参数一一对应的一个或多个实际结论;
输出所述一个或多个实际结论;
接收关于所述一个或多个实际结论中的至少部分实际结论的指示信息;以及
基于所述指示信息将所述至少部分实际结论以及与所述至少部分实际结论一一对应的至少一组实际血流特征参数存储到所述辅助诊断系统的知识库中用于实现所述辅助诊断系统的升级。
13.如权利要求12所述的升级方法,其中,所述辅助诊断系统的数据库用于存储所述辅助诊断系统先前处理的实际血流特征参数和针对所述先前处理的实际血流特征参数进行推理获得的先前结论,所述一组或多组实际血流特征参数是来自所述辅助诊断系统的数据库的先前处理的实际血流特征参数。
14.如权利要求12所述的升级方法,其中,所述至少部分实际结论是与人工选择的非典型病例对应的实际结论。
15.如权利要求12所述的升级方法,其中,所述至少利用所述辅助诊断系统的、采用如权利要求1至11任一项所述的推理机训练方法训练获得的推理机对一组或多组实际血流特征参数进行推理包括:
综合所述推理机提供的规则与所述辅助诊断系统的知识库中存储的已知规则,以获得综合后的规则;以及
基于所述综合后的规则对所述一组或多组实际血流特征参数进行推理。
16.如权利要求12所述的升级方法,其中,所述辅助诊断系统的数据库用于存储关于先前结论是否被采纳的反馈信息,所述升级方法还包括:
如果根据所述数据库中存储的反馈信息确定特定类型的先前结论未被采纳的次数超过次数阈值,则
输出关于所述特定类型的先前结论可能存在问题的提示信息;
接收关于修改用于实现所述推理机的模型、所述推理机的参数和所述知识库中存储的已知规则中的一项或多项的修改指令;以及
根据所述修改指令执行对应的修改动作。
17.如权利要求16所述的升级方法,其中,所述升级方法还包括:
对于多根血管中的每根血管,
至少利用所述推理机对与该血管相关的一组实际血流特征参数进行推理,以获得与该血管对应的血管相关结论;
实时输出与该血管对应的血管相关结论;以及
实时接收并存储关于与该血管对应的血管相关结论是否被采纳的反馈信息。
18.如权利要求16所述的升级方法,其中,所述升级方法还包括:
至少利用所述推理机对与多根血管一一对应相关的多组实际血流特征参数进行推理,以获得与所述多根血管一一对应的多个血管相关结论;
基于所述多个血管相关结论确定总结论;
输出所述总结论;以及
接收并存储关于所述总结论是否被采纳的反馈信息。
19.如权利要求12所述的升级方法,其中,所述一组或多组实际血流特征参数是所述辅助诊断系统当前需要处理的实际血流特征参数,
所述升级方法还包括:基于所述知识库和/或所述推理机生成所述辅助诊断系统中的新的解释器。
20.一种推理机训练装置,包括:
训练模块,用于利用知识库中存储的多组血流数据作为样本训练推理机,其中,所述知识库中存储的每组血流数据包括血流特征参数和对应的已知结论,所述血流特征参数从经颅多普勒谱图中提取获得;
选择模块,用于从所述知识库中选择至少一组血流数据;
推理模块,用于对于所述至少一组血流数据中的每组血流数据,利用所述推理机对该组血流数据中的血流特征参数进行推理,以获得对应的测试结论;
血流动力学校验模块,用于基于所述至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论进行血流动力学校验;以及
合格判断模块,用于基于血流动力学校验结果判断所述推理机是否合格;
其中,所述血流动力学校验模块包括:
建立子模块,用于建立预定义的血流动力学模型;以及
判断子模块,用于判断所述至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论是否符合所述预定义的血流动力学模型所规定的物理规律,以获得所述血流动力学校验结果。
21.一种辅助诊断系统的升级装置,包括:
第一推理模块,用于至少利用所述辅助诊断系统的、采用如权利要求1至11任一项所述的推理机训练方法训练获得的推理机对一组或多组实际血流特征参数进行推理,以获得与所述一组或多组实际血流特征参数一一对应的一个或多个实际结论;
第一输出模块,用于输出所述一个或多个实际结论;
第一接收模块,用于接收关于所述一个或多个实际结论中的至少部分实际结论的指示信息;以及
第一存储模块,用于基于所述指示信息将所述至少部分实际结论以及与所述至少部分实际结论一一对应的至少一组实际血流特征参数存储到所述辅助诊断系统的知识库中用于实现所述辅助诊断系统的升级。
22.一种推理机训练装置,包括:
存储器,用于存储程序;
处理器,用于运行所述程序;
其中,所述程序在所述处理器中运行时,用于执行以下步骤:
步骤S2010:利用知识库中存储的多组血流数据作为样本训练推理机,其中,所述知识库中存储的每组血流数据包括血流特征参数和对应的已知结论,所述血流特征参数从经颅多普勒谱图中提取获得;
步骤S2020:从所述知识库中选择至少一组血流数据;
步骤S2030:对于所述至少一组血流数据中的每组血流数据,利用所述推理机对该组血流数据中的血流特征参数进行推理,以获得对应的测试结论;
步骤S2040:基于所述至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论进行血流动力学校验;以及
步骤S2050:基于血流动力学校验结果判断所述推理机是否合格;
其中,所述步骤S2040包括:
建立预定义的血流动力学模型;以及
判断所述至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论是否符合所述预定义的血流动力学模型所规定的物理规律,以获得所述血流动力学校验结果。
23.一种辅助诊断系统的升级装置,包括:
存储器,用于存储程序;
处理器,用于运行所述程序;
其中,所述程序在所述处理器中运行时,用于执行以下步骤:
至少利用所述辅助诊断系统的、采用如权利要求1至11任一项所述的推理机训练方法训练获得的推理机对一组或多组实际血流特征参数进行推理,以获得与所述一组或多组实际血流特征参数一一对应的一个或多个实际结论;
输出所述一个或多个实际结论;
接收关于所述一个或多个实际结论中的至少部分实际结论的指示信息;以及
基于所述指示信息将所述至少部分实际结论以及与所述至少部分实际结论一一对应的至少一组实际血流特征参数存储到所述辅助诊断系统的知识库中用于实现所述辅助诊断系统的升级。
24.一种计算机可读存储介质,所述存储介质上存储了程序,所述程序在运行时用于执行如下步骤:
步骤S2010:利用知识库中存储的多组血流数据作为样本训练推理机,其中,所述知识库中存储的每组血流数据包括血流特征参数和对应的已知结论,所述血流特征参数从经颅多普勒谱图中提取获得;
步骤S2020:从所述知识库中选择至少一组血流数据;
步骤S2030:对于所述至少一组血流数据中的每组血流数据,利用所述推理机对该组血流数据中的血流特征参数进行推理,以获得对应的测试结论;
步骤S2040:基于所述至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论进行血流动力学校验;以及
步骤S2050:基于血流动力学校验结果判断所述推理机是否合格;
其中,所述步骤S2040包括:
建立预定义的血流动力学模型;以及
判断所述至少一组血流数据中的每组血流数据中的血流特征参数及对应的测试结论是否符合所述预定义的血流动力学模型所规定的物理规律,以获得所述血流动力学校验结果。
25.一种计算机可读存储介质,所述存储介质上存储了程序,所述程序在运行时用于执行如下步骤:
至少利用辅助诊断系统的、采用如权利要求1至11任一项所述的推理机训练方法训练获得的推理机对一组或多组实际血流特征参数进行推理,以获得与所述一组或多组实际血流特征参数一一对应的一个或多个实际结论;
输出所述一个或多个实际结论;
接收关于所述一个或多个实际结论中的至少部分实际结论的指示信息;以及
基于所述指示信息将所述至少部分实际结论以及与所述至少部分实际结论一一对应的至少一组实际血流特征参数存储到所述辅助诊断系统的知识库中用于实现所述辅助诊断系统的升级。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/079710 WO2018184202A1 (zh) | 2017-04-07 | 2017-04-07 | 推理机训练方法和装置、升级方法和装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110235206A CN110235206A (zh) | 2019-09-13 |
CN110235206B true CN110235206B (zh) | 2023-05-09 |
Family
ID=63712509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780085296.3A Active CN110235206B (zh) | 2017-04-07 | 2017-04-07 | 推理机训练方法和装置、升级方法和装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110235206B (zh) |
WO (1) | WO2018184202A1 (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002026111A2 (en) * | 2000-09-29 | 2002-04-04 | New Health Sciences, Inc. | Decision support systems and methods for assessing vascular health |
CN1839392A (zh) * | 2003-06-25 | 2006-09-27 | 美国西门子医疗解决公司 | 心脏成像的自动区域心肌评定 |
CN1914617A (zh) * | 2004-02-03 | 2007-02-14 | 美国西门子医疗解决公司 | 与心脏有关的疾病和病症的自动诊断和决策支持系统和方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7458936B2 (en) * | 2003-03-12 | 2008-12-02 | Siemens Medical Solutions Usa, Inc. | System and method for performing probabilistic classification and decision support using multidimensional medical image databases |
CN103584852A (zh) * | 2012-08-15 | 2014-02-19 | 深圳中科强华科技有限公司 | 个性化心电图智能辅助诊断装置与方法 |
WO2016086289A1 (en) * | 2014-12-01 | 2016-06-09 | Quikflo Technologies Inc. | Decision support tool for stroke patients |
CN105975740B (zh) * | 2016-04-21 | 2018-09-11 | 寇玮蔚 | 一种带有智能诊断的医疗系统 |
CN106530298A (zh) * | 2016-11-14 | 2017-03-22 | 同济大学 | 一种基于三支决策的肝脏肿瘤ct图像分类方法 |
-
2017
- 2017-04-07 WO PCT/CN2017/079710 patent/WO2018184202A1/zh active Application Filing
- 2017-04-07 CN CN201780085296.3A patent/CN110235206B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002026111A2 (en) * | 2000-09-29 | 2002-04-04 | New Health Sciences, Inc. | Decision support systems and methods for assessing vascular health |
CN1839392A (zh) * | 2003-06-25 | 2006-09-27 | 美国西门子医疗解决公司 | 心脏成像的自动区域心肌评定 |
CN1914617A (zh) * | 2004-02-03 | 2007-02-14 | 美国西门子医疗解决公司 | 与心脏有关的疾病和病症的自动诊断和决策支持系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110235206A (zh) | 2019-09-13 |
WO2018184202A1 (zh) | 2018-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210043324A1 (en) | Computer aided medical method and medical system for medical prediction | |
Zucco et al. | Sentiment analysis and affective computing for depression monitoring | |
KR101295187B1 (ko) | 치매 예방을 위한 뇌기능 향상 시스템 및 그 운용방법 | |
CN110111885B (zh) | 属性预测方法、装置、计算机设备及计算机可读存储介质 | |
KR20230044976A (ko) | 학습 기반 사용자 맞춤형 인지 모델을 이용하여, 인지검사 태스크를 대체 수행하는 인지모델 기반의 인지 상태 평가 장치 및 그 동작 방법 | |
Sharma et al. | Classification and development of tool for heart diseases (MRI images) using machine learning | |
CN110235206B (zh) | 推理机训练方法和装置、升级方法和装置及存储介质 | |
Mendel | The perceptual computer: the past, up to the present, and into the future | |
Callejas et al. | A virtual coach for active ageing based on sentient computing and m-health | |
Chattopadhyay et al. | Fuzzy-logic-based screening and prediction of adult psychoses: A novel approach | |
US20220285025A1 (en) | Medical system and control method thereof | |
CN113303773B (zh) | 运动风险评估方法、装置及可读存储介质 | |
Di Nuovo et al. | Benefits of fuzzy logic in the assessment of intellectual disability | |
JP6422512B2 (ja) | 計算機システム及びグラフィカルモデルの管理方法 | |
WO2022073067A1 (en) | Centrality rankings of network graphs generated using connectomic brain data | |
Gomez et al. | Fine-tuned Circuit Representation of Human Vessels through Reinforcement Learning: A Novel Digital Twin Approach for Hemodynamics | |
Beierle et al. | A case study on the application of probabilistic conditional modelling and reasoning to clinical patient data in neurosurgery | |
Dziomdziora et al. | Running Pace Adjustment and Training Distance Fitting with Fuzzy Logic and Machine Learning | |
JP2022514206A (ja) | 被検体の危険度を評価して危険度に基づいて被検体を分類する方法及びそれを用いた装置 | |
Myrzakerimova et al. | Development of an automated expert system for diagnosing diseases of internal organs | |
Pasha et al. | Neural nework-based mobile app framework to aid resource-poor setting community health | |
KR102656727B1 (ko) | 모듈식 디지털 치료 프레임워크를 통해 디지털 치료제를 개발하는 방법 및 이러한 방법을 사용하는 장치 | |
CN116344042B (zh) | 基于多模态分析的认知储备干预提升方法及系统 | |
US20240005178A1 (en) | Method for generating predicting model, information processing apparatus, and computer-readable recording medium having stored therein predicting model generating program | |
US20230285002A1 (en) | Systems and methods for assessing internal lumen shape changes to screen patients for a medical disorder |
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 |