CN111292821B - 一种医学诊疗系统 - Google Patents
一种医学诊疗系统 Download PDFInfo
- Publication number
- CN111292821B CN111292821B CN202010071131.4A CN202010071131A CN111292821B CN 111292821 B CN111292821 B CN 111292821B CN 202010071131 A CN202010071131 A CN 202010071131A CN 111292821 B CN111292821 B CN 111292821B
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- data
- treatment
- medical
- patient
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 162
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 76
- 238000010191 image analysis Methods 0.000 claims abstract description 63
- 201000010099 disease Diseases 0.000 claims abstract description 59
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 238000005516 engineering process Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000010354 integration Effects 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims 3
- 238000012216 screening Methods 0.000 claims 3
- 238000000034 method Methods 0.000 description 72
- 238000012545 processing Methods 0.000 description 39
- 208000024891 symptom Diseases 0.000 description 24
- 238000004891 communication Methods 0.000 description 17
- 208000004476 Acute Coronary Syndrome Diseases 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 208000024172 Cardiovascular disease Diseases 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 11
- 238000012986 modification Methods 0.000 description 11
- 230000004048 modification Effects 0.000 description 11
- 206010008479 Chest Pain Diseases 0.000 description 10
- 210000004351 coronary vessel Anatomy 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000003058 natural language processing Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 208000031481 Pathologic Constriction Diseases 0.000 description 5
- 208000029078 coronary artery disease Diseases 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 230000036262 stenosis Effects 0.000 description 5
- 208000037804 stenosis Diseases 0.000 description 5
- 208000031226 Hyperlipidaemia Diseases 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002565 electrocardiography Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 206010020751 Hypersensitivity Diseases 0.000 description 3
- 208000026935 allergic disease Diseases 0.000 description 3
- 230000007815 allergy Effects 0.000 description 3
- 230000002308 calcification Effects 0.000 description 3
- 238000002586 coronary angiography Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 208000000059 Dyspnea Diseases 0.000 description 2
- 206010013975 Dyspnoeas Diseases 0.000 description 2
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 101100261006 Salmonella typhi topB gene Proteins 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000003748 differential diagnosis Methods 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 208000013220 shortness of breath Diseases 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000035900 sweating Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 101150032437 top-3 gene Proteins 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 206010063659 Aversion Diseases 0.000 description 1
- 241000579895 Chlorostilbon Species 0.000 description 1
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000005242 cardiac chamber Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 238000011272 standard treatment Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 206010042772 syncope Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请实施例公开了一种医学诊疗系统。所述系统包括:诊疗数据集成模块,用于从一个或多个医疗信息源中获取与患者相关的诊疗数据,集成所述诊疗数据;所述诊疗数据至少包括医学影像数据、医学文本数据;人工智能影像分析模块,用于基于人工智能的影像分析技术对所述医学影像数据进行分析,生成影像分析报告;人工智能文本分析模块,用于基于人工智能的信息抽取技术对所述医学文本数据和/或所述影像分析报告进行信息抽取,获取与疾病相关的结构化诊疗数据。
Description
技术领域
本申请涉及人工智能和医疗应用技术领域,特别涉及一种医学诊疗系统。
背景技术
目前,随着互联网技术的发展,使用人工智能(AI)技术进行辅助医疗诊断的方法也越来越多样化。例如,在医学影像领域,越来越多的AI辅助诊断系统通过影像分割、识别等技术,可以自动完成对器官的分割和标注、病灶的定位定性等功能,如肺结节的自动检测、肝肿瘤的自动分割等。而实际临床医生的诊疗流程是非常复杂的,所涉及的医学数据也是多模态的。以冠心病为例,临床医生首先通过对患者的症状、病史、临床表现等进行观察和询问,做出初步的可能诊断,然后结合一定的辅助检查如实验室检验、心电图、冠脉电子计算机断层成像血管造影(CTA)等,以排除或明确某种疾病,完成对疾病的鉴别诊断,同时根据患者个体的病情、体质等,确定合适的个性化治疗方案。现有医疗信息系统中,这些多源异构数据分别存储于不同的信息系统,如冠脉CTA存储于影像归档和通信系统/放射信息管理系统(PACS/RIS),实验室检查存储于实验室信息管理系统(LIS),临床症状、病史等存储于电子病历(EMR)系统。临床医生在获取这些数据时需登录不同的系统,无法同时查看多种模态的数据。因此,单一的AI功能只能为某些特定科室如放射科提供辅助,仍无法改善现有临床科室的效率问题。
另一方面,临床决策支持系统(CDSS)是常用于提升临床科室效率和质量的辅助工具。然而现有的CDSS大都作为EMR系统的一部分,为临床医生提供决策辅助。依旧存在一些问题,例如EMR系统仅包含文本形式的临床数据,如患者主诉、临床表现、检验/检查结果的简单描述、诊疗记录等,详细的检验/检查结果,还需调用相应的信息系统,尤其是影像数据,临床医生还需额外登录PACS系统进行浏览,操作相对繁琐,导致医生为追求效率而不去详细观察影像表现,不能有效利用影像信息。又例如,CDSS无法从EMR及其他信息系统中自动提取决策系统所需要的特定参数数据,还需通过人机交互接口手动输入患者的各方面数据,导致效率低下。再例如,对患者数据的存储是以疾病为中心的诊疗过程记录,临床医生只能浏览当次诊疗中的相关临床数据,对于患者历史诊疗记录中的相关数据难以进行同步浏览以分析病情演变过程,无法为医生呈现全面的患者数据视图。
因此,本申请基于人工智能和大数据技术,提出了一种基于多源异构数据的医学诊疗系统,利用人工智能技术对不同模态的数据进行处理和分析,为临床医生提供诊疗决策支持。
发明内容
基于此,本申请提出一种医学诊疗系统。
本申请实施例之一提供一种医学诊疗系统。所述系统包括:诊疗数据集成模块,用于从一个或多个医疗信息源中获取与患者相关的诊疗数据,集成所述诊疗数据;所述诊疗数据至少包括医学影像数据、医学文本数据;人工智能影像分析模块,用于基于人工智能的影像分析技术对所述医学影像数据进行分析,生成影像分析报告;人工智能文本分析模块,用于基于人工智能的信息抽取技术对所述医学文本数据和/或所述影像分析报告进行信息抽取,获取与疾病相关的结构化诊疗数据。
本申请实施例之一提供一种医学诊疗装置,所述装置包括至少一个处理器和至少一个存储设备,所述存储设备用于存储指令,当所述至少一个处理器执行所述指令时,实现一个或多个操作。
本申请实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取所述存储介质中的所述计算机指令后,所述计算机执行本申请中任一项操作。
附图说明
本申请将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本申请一些实施例所示的一种示例性医学诊疗系统的应用场景;
图2是根据本申请一些实施例所示的一种示例性计算设备的硬件和/或软件组件的示意图;
图3是根据本申请一些实施例所示的医学诊疗系统的示例性框图;
图4-1是根据本申请一些实施例所示的集成后的诊疗数据的综合视图呈现示意图;
图4-2是根据本申请一些实施例所示的集成后的诊疗数据的冠脉CTA详细视图呈现示意图;
图5是根据本申请一些实施例所示的以患者为中心的时间轴诊疗视图;
图6是根据本申请一些实施例所示的与患者相关的结构化文本诊疗数据示意图;
图7是根据本申请一些实施例所示的经命名实体识别技术识别获取的结构化诊疗图示意图;
图8是根据本申请一些实施例所示的急性冠脉综合症医学知识图谱示意图;以及
图9是根据本申请一些实施例所示的以心血管疾病为例进行医学诊疗的示例性流程图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
参照附图并考虑以下描述,本申请的这些和其他特征以及相关的结构元件以及制造的部件和经济的结合的操作和功能的方法可以变得更加明显,且都构成本申请的一部分。然而,应当明确地理解,附图仅仅是为了说明和描述的目的,并不意图限制本申请的范围。应当理解的是,附图不是按比例的。
图1是根据本申请一些实施例所示的一种示例性医学诊疗系统的应用场景。
应用场景100可以包括信息源110、网络120、处理设备140和存储设备150。在一些实施例中,所述应用场景100还可以包括至少一个终端130。该应用场景100中的各个组件之间可以通过网络120互相连接。例如,信息源110和至少一个终端130可以通过网络120连接或通信。
在一些实施例中,信息源110可以存储一个或多个医疗信息数据。例如,信息源110可以用于存储医院信息系统(HIS)、影像归档和通信系统(PACS)、放射信息管理系统(RIS)、实验室信息系统(LIS)、电子病历(EMR)等一个或多个医疗信息系统的数据。在一些实施例中,信息源110可以包括医学影像数据、医学文本数据。在一些实施例中,信息源110可以存储从至少一个终端130和/或处理设备140获得的数据。
网络120可以包括能够促进应用场景100中的信息和/或数据交换的任何合适的网络。在一些实施例中,应用场景100的至少一个组件(例如,信息源110、处理设备140、存储设备150、至少一个终端130)可以通过网络120与应用场景100中至少一个其他组件交换信息和/或数据。例如,处理设备140可以通过网络120从信息源110中获得一个或多个医疗数据。又例如,处理设备140可以通过网络120从至少一个终端130获得用户(如,医生)指令。网络120可以或包括公共网络(例如,互联网)、专用网络(例如,局部区域网络(LAN))、有线网络、无线网络(例如,802.11网络、Wi-Fi网络)、帧中继网络、虚拟专用网络(VPN)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机和/或其任意组合。例如,网络120可以包括有线网络、无线网络、光纤网络、电信网络、内联网、无线局部区域网络(WLAN)、城域网(MAN)、公共电话交换网络(PSTN)、蓝牙TM网络、ZigBeeTM网络、近场通信(NFC)网络等或其任意组合。在一些实施例中,网络120可以包括至少一个网络接入点。例如,网络120可以包括有线和/或无线网络接入点,例如基站和/或互联网交换点,应用场景100中的至少一个组件可以通过接入点连接到网络120以交换数据和/或信息。
至少一个终端130可以与信息源110、处理设备140和/或存储设备150通信和/或连接。例如,至少一个终端130可以从处理设备140获得诊疗数据。又例如,至少一个终端130可以从信息源110获得一个或多个医疗数据,并将医疗数据发送到处理设备140以进行处理。在一些实施例中,至少一个终端130可以包括平板计算机131、膝上型计算机132、台式型计算机等或其任意组合。在一些实施例中,至少一个终端130可以包括输入设备、输出设备等。输入设备可以包括字母数字和其他键。输入设备可以选用键盘输入、触摸屏(例如,具有触觉或触觉反馈)输入、语音输入、眼睛跟踪输入、大脑监测系统输入或任何其他类似的输入机制。通过输入设备接收的输入信息可以通过如总线传输到处理设备140,以进行进一步处理。其他类型的输入设备可以包括光标控制装置,例如鼠标、轨迹球或光标方向键等。输出设备可以包括显示器、扬声器、打印机等或其任意组合。在一些实施例中,至少一个终端130可以是处理设备140的一部分。
处理设备140可以处理从信息源110、存储设备150、至少一个终端130或应用场景100中的其他组件获得的数据和/或信息。例如,处理设备140可以从信息源110中获取患者的医学影像数据、医学文本数据,基于人工智能的影像分析技术和人工智能的信息抽取技术,获取与疾病相关的结构化诊疗数据。又例如,处理设备140可以基于临床医学指南和专家共识,构建一种或多种疾病诊疗规则库。再例如,处理设备140可以基于所述结构化诊疗数据和所述疾病诊疗规则库,确定患者的诊断结果。在一些实施例中,处理设备140可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中,处理设备140可以是本地或远程的。例如,处理设备140可以通过网络120从信息源110、存储设备150和/或至少一个终端130访问信息和/或数据。又例如,处理设备140可以直接连接到信息源110、至少一个终端130和/或存储设备150以访问信息和/或数据。在一些实施例中,处理设备140可以在云平台上实现。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。在一些实施例中,处理设备140可以由计算设备200实现。
存储设备150可以存储数据、指令和/或任何其他信息。在一些实施例中,存储设备150可以存储从信息源110、至少一个终端130和/或处理设备140获得的数据。在一些实施例中,存储设备150可以存储处理设备140用来执行或使用来完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备150可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性RAM可以包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中,存储设备150可以在云平台上实现。
在一些实施例中,存储设备150可以连接到网络120以与应用场景100中的至少一个其他组件(例如,处理设备140、至少一个终端130)通信。应用场景100中的至少一个组件可以通过网络120访问存储设备150中存储的数据或指令。在一些实施例中,存储设备150可以是处理设备140的一部分。
应该注意的是,上述描述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域普通技术人员而言,在本申请内容的指导下,可做出多种变化和修改。可以以各种方式组合本申请描述的示例性实施例的特征、结构、方法和其他特征,以获得另外的和/或替代的示例性实施例。例如,存储设备150可以是包括云计算平台的数据存储设备,例如公共云、私有云、社区和混合云等。然而,这些变化与修改不会背离本申请的范围。
图2是根据本申请一些实施例所示的一种示例性计算设备200的硬件和/或软件组件的示意图。
计算设备200可以包括处理器210、存储器220、输入/输出(I/O)230和通信端口240。
处理器210可以执行计算机指令(例如,程序代码),并根据本申请描述的方法执行处理设备140的功能。计算机指令可以包括例如执行本申请描述的特定功能的常规方法、程序、对象、组件、数据结构、过程、模块和功能。例如,处理器210可以处理信息源110、至少一个终端130、存储设备150和/或应用场景100中的任何其他组件的数据。在一些实施例中,处理器210可以包括至少一个硬件处理器,诸如微控制器、微处理器、精简指令集计算机(RISC)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高阶RISC机器(ARM)、可编程逻辑器件(PLD)、能够执行至少一个功能的任何电路或处理器或类似物,或其任意组合。
仅为了说明的目的,在计算设备200中仅描述了一个处理器。然而,应该注意的是,本申请中的计算设备200还可以包括多个处理器,由此本申请中描述的由一个处理器执行的操作和/或方法步骤也可以由多个处理器联合地或单独地执行。例如,如果在本申请中,计算设备200的处理器执行操作A和操作B,则应该理解,操作A和操作B也可以由计算设备200中的多个不同的处理器共同地或单独地执行(例如,第一处理器执行操作A并且第二处理器执行操作B、或者第一处理器和第二处理器共同执行操作A和B)。
存储器220可以存储从信息源110、至少一个终端130、存储设备150和/或应用场景100中的任何其他组件获得的数据/信息。在一些实施例中,存储器220可以包括大容量存储器、可移动存储器、易失性读写内存、只读存储器(ROM)等或其任意组合。例如,大容量存储器可以包括磁盘、光盘、固态硬盘等。可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘和磁带等。易失性读取和写入存储器可以包括随机存取存储器(RAM)。RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDRSDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中,存储器220可以存储至少一个程序和/或指令用来执行在本申请中描述的示例性方法。
输入/输出(I/O)230可以用于输入和/或输出信号、数据、信息等。在一些实施例中,I/O230可以使用户与处理设备140交互。在一些实施例中,I/O230可以包括输入设备和输出设备。示例性的输入设备可以包括键盘、鼠标、触摸屏、麦克风等或其任意组合。示例性的输出设备可以包括显示设备、扬声器、打印机、投影仪等或其任意组合。示例性显示设备可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面显示器、电视设备、阴极射线管等或其任意组合。
通信端口240可以连接到网络(例如,网络120)以促进数据通信。通信端口240可以在处理设备140和信息源110、至少一个终端130和/或存储设备150之间建立连接。连接可以包括有线连接、无线连接。有线连接可以包括例如电缆、光缆、电话线等或其任意组合。无线连接可以包括例如BluetoothTM链路、Wi-FiTM链路、WiMaxTM链路、WLAN链路、ZigBee链路、移动网络链路(例如,3G、4G、5G等)等或其任意组合。在一些实施例中,通信端口240可以是和/或包括标准化的通信端口,诸如RS232、RS485等。在一些实施例中,通信端口240可以是专门设计的通信端口。例如,通信端口240可以根据数字成像和医学通信(DICOM)协议来设计。
图3是根据本申请一些实施例所示的医学诊疗系统的示例性框图。
如图3所示,医学诊疗系统300可以包括诊疗数据集成模块310、人工智能影像分析模块320、人工智能文本分析模块330和辅助诊断模块340。
诊疗数据集成模块310可以用于从一个或多个医疗信息源中获取与患者相关的诊疗数据,集成所述诊疗数据。在一些实施例中,集成模块310可以采用联邦式、基于中间件模型和数据仓库等方法来构造集成的系统。具体的,联邦数据库系统主要面向多个数据库系统的集成,通过在一个或多个数据源之间提供相互访问接口。中间件模式通过统一的全局数据模型来访问异构的数据库、遗留系统、网络资源等;中间件位于异构数据源系统(数据层)和应用程序(应用层)之间,向下协调各数据源系统,向上为访问集成数据的应用提供统一数据模式和数据访问的通用接口。数据仓库是一种在管理和决策中面向主题的、集成的、与时间相关的和不可修改的数据集合。
在一些实施例中,与患者相关的诊疗数据可以包括医学影像数据、医学文本数据。在一些实施例中,医学影像数据可以包括由成像设备生成的原始影像。例如,CT影像、MRI影像。在一些实施例中,成像设备可以是X光成像设备、MRI成像设备、MR成像设备、PET成像设备、SPECT成像设备等。在一些实施例中,医学文本数据可以包括以文本形式呈现的患者的基本信息(例如,患者的主诉、症状、病史等)、临床表现、影像检查结果的完整描述、非影像检验结果的完整描述等。在一些实施例中,一个或多个医疗信息源可以包括医院信息系统(HIS)、影像归档和通信系统(PACS)、放射信息管理系统(RIS)、实验室信息系统(LIS)、电子病历(EMR)等。
在一些实施例中,诊疗数据集成模块310可以用于负责与一个或多个医疗信息源进行交互,获取与患者相关的诊疗数据,并将所获取的数据进行集成。例如,诊疗数据集成模块310可以从EMR中获取患者的基本信息(例如,患者的主诉、现病史、个人史、既往史、家族史、生育史、过敏史等),从PACS中获取患者的医学影像检查数据和检查报告,从LIS中获取各项非影像检验指标,从ECG中获取心电图,将所获取的诊疗数据进行集成。在一些实施例中,诊疗数据集成模块310还可以将集成后的与患者相关的各种类型的诊疗数据形成统一视图,并呈现在终端130中,如图4-1和图4-2所示,图4-1是根据本申请一些实施例所示的集成后的诊疗数据的综合呈现视图,图4-2是根据本申请一些实施例所示的集成后的诊疗数据的冠脉CTA详细呈现视图。在一些实施例中,视图中可以显示包含影像在内的各种临床诊断数据和影像数据的分析报告。例如,视图中可以包括与患者相关的历史诊疗记录窗口、医学影像数据显示与处理窗口、临床信息显示窗口、心电数据显示窗口和风险评估窗口。其中,医学影像、临床信息、心电等数据的显示窗口既可以在一个界面多个子窗口下显示其重要结果(例如,异常、主要病变信息和报告),如图4-1所示,也可以单独选择某一种数据类型如冠脉CTA,浏览其医学影像数据和影像分析报告内容等详细信息和后处理功能,如图4-2所示。在一些实施例中,集成后的诊疗数据所形成的视图可以存储于存储设备150和/或存储器220中,当医生诊断需要时可以在终端130进行呈现。
在一些实施例中,诊疗数据集成模块310不仅可以从一个或多个医疗信息源中获取与患者相关的当前诊疗数据,还可以获取与患者相关的历史诊疗数据。在一些实施例中,历史诊疗数据可以是一个星期内、一个月内、半年内、一年内的诊疗数据,也可以是由医生自定义时间范围内的诊疗数据。在一些实施例中,诊疗数据集成模块310可以根据患者的诊疗日期顺序进行排序,生成以患者为中心的时间轴诊疗视图,如图5所示,图5是根据本申请一些实施例所示的以患者为中心的时间轴诊疗视图。在一些实施例中,时间轴诊疗视图可以是基于“时间-事件”的二维集成视图。具体的,可以选取二维平面中的一个方向为时间轴,以天为基本单位,用该方向的坐标值表示病例数据的日期信息;选取垂直于时间轴方向为事件轴,按类别排列各种诊疗事件,如诊断记录、检查医嘱、检验医嘱、长期医嘱、临时医嘱、生命体征、出入量、手术记录、病历文书等。如果同一类诊疗事件在一个基本单位时间内有多次记录,就按照事件发生的先后顺序,垂直于时间轴排列;如果事件类型为连续性、周期性数据采集或诊疗活动,则用直线或曲线沿时间轴方向延伸,图形化展示数据随时间的发展变化和趋势。需要注意的是,以上图4-1、图4-2以及图5仅用来举例,实际应用中可以根据医生和/或患者的需求对其进行各种变化。例如,医生有对显示界面的个性化偏好和使用习惯,则可以根据医生的偏好和习惯为其定制专属的显示界面。
人工智能影像分析模块320可以用于基于人工智能的影像分析技术对所述医学影像数据进行分析,生成影像分析报告。
在一些实施例中,人工智能的影像分析技术是指通过对医学影像数据进行重建、分割、标记、检测评估等过程实现对医学影像的自动分析。在一些实施例中,医学影像数据可以从PACS系统中获取。在一些实施例中,人工智能影像分析模块320可以用于根据专家共识,建立医学影像数据分析的结构化报告模板,基于该结构化模板的需求,对从PACS系统上获取的各种类型的医学影像数据进行人工智能自动分析(例如对病灶的自动定位、定性、定量等),并生成影像分析报告。在一些实施例中,针对不同人体部位的医学影像数据,人工智能影像分析的内容不同。以分析冠脉CTA为例,影像分析的内容可以包括各冠脉分支(例如,左主干、左前降支、左回旋支、右冠脉等)近、中、远各段狭窄程度的评估,各冠脉分支斑块性质的分析,钙化积分计算等内容。以分析肺部影像数据为例,影像分析的内容可以包括分析肺结节的最大径、最小径、体积、最大密度、最小密度或肺部的形态学特征(例如,分叶征、毛刺征、血管临近关系等)等内容。
在一些实施例中,人工智能影像分析过程可以包括影像重建、影像自动标记和注释、影像识别和评估等过程。具体的,影像重建可以用于对人体不同部位的医学影像数据进行重建。在一些实施例中,重建技术可以包括3D重建技术和2D重建技术。影像自动标记和注释可以基于影像分割技术对重建后的医学影像进行分割,自动标记出人体不同部位相应的各组成部分。在一些实施例中,影像分割技术可以是传统的分割技术如阈值分割法、区域分割法、边缘分割法、直方图法等,也可以是基于卷积神经网络的深度学习算法。影像识别和评估可以用于基于分割、标记后的医学影像,利用基于卷积神经网络的算法对人体不同部位相应的各组成部分进行自动检测,得到自动评分,再通过医生的审核修正,生成影像分析报告。在一些实施例中,基于卷积神经网络的算法可以是AlexNet、ZFNet、VGGNet、GoogLeNet、ResNet(Residual Network,残差神经网络)等。在一些实施例中,影像分析报告可以是文本形式呈现的报告结果,例如,医生结合自身医学知识给出的针对测量数值、信号、图像的解释和医生做出的病理诊断等。在一些实施例中,由于临床科室和放射科室任务分工不同,人工智能(AI)影像分析模块主要用于放射科室,由放射科对AI产生的结构化报告进行审核修正后,存储于RIS系统,由临床科室的客户端调取并浏览。另一方面,临床科室浏览详细的医学影像数据时,可提供同样的3D重建、分支标注、放大旋转等后处理功能以供临床医生结合医学影像数据快速做出评估。可选的,可根据实际的存储和时间需求来选择是否保存AI模型结果,使得同一功能的AI模型被调用后自动存储输出结果,方便下次快速浏览,也可以不保存模型输出结果,重复调用AI多次,以节省存储空间。人工智能影像分析模块320产生的数据的存储与否至少取决于人工智能影像分析模块产生的数据大小、存储模块的存储空间大小和/或对调用人工智能影像分析模块产生的数据的用时要求。在一些实施例中,对于所占存储空间较大的AI结果如重建后的3D模型,如服务器剩余的存储空间很小,可选择不存储3D模型,当需要浏览3D模型时调用AI算法进行重建后显示;对于时间效率要求较高的需求,比如临床科室医生需要快速查看AI模型结果,优先考虑对比较耗时的AI调用结果进行保存,方便医生需要时能够及时呈现。
在一些实施例中,人工智能影像分析过程还可以包括影像重建、影像自动标记和注释、影像识别和评估等相邻过程之间的预处理、后处理和数据转换过程。以人工智能分析冠脉CTA报告为例,分析过程可以包括心腔心室分割、冠脉血管分割、血管中心线提取和冠脉血管狭窄水平和斑块类型分析等过程。这些过程均可通过基于深度学习的图像分割、分类和回归等技术来实现。例如,分割方法可采用UNet、VNet,分类/回归等可采用VGG16、ResidualNet50等卷积神经网络,也可在此基础上结合循环神经网络(Recurrent NeuralNetwork,RNN),以提升模型的性能。
人工智能文本分析模块330可以用于基于人工智能的信息抽取技术对所述医学文本数据和/或所述影像分析报告进行信息抽取,获取与疾病相关的结构化诊疗数据。
在一些实施例中,人工智能的信息抽取技术可以是指基于人工智能方法从文本中抽取与用户兴趣相关的事件、实体和关系,以结构化的形式存储在数据库中,然后供文本分类、信息检索、数据挖掘等各种应用使用的技术。例如,NLP(Natural LanguageProcessing,自然语言处理)信息抽取技术。在一些实施例中,可以基于NLP信息抽取技术,对文本形式的临床数据或影像分析报告进行进一步信息抽取,得到一系列结构化的诊疗数据。如图6所示,图6是根据本申请一些实施例所示的与患者相关的结构化文本诊疗数据示意图,图中包含了患者的基本信息,如患者的主诉、现病史、既往史、家族史、生育史、过敏史等。
在一些实施例中,可以采用命名实体识别技术从非结构化的文本诊疗数据中提取命名实体,形成与患者相关的结构化诊疗图。在一些实施例中,命名实体识别可以是指识别文本中具有特定意义的实体,例如医学命名实体、数值实体、时间实体等。医学命名实体包括但不限于疾病名称、疾病类型、症状、发病部位、医学检查、检验、药物、手术等;数值实体包括但不限于患者年龄、身高、病灶大小等;时间实体包括但不限于发病时间、持续时长等。在一些实施例中,文本命名实体识别的分析方法可分为基于规则的命名实体识别方法、基于词典的命名实体识别方法、基于传统机器学习的命名实体识别方法和基于深度学习方法的命名实体识别方法。在一些实施例中,从非结构化的文本诊疗数据中识别的医学命名实体可以至少包括疾病、症状、检查、检验、手术、药品、疾病影响因素、预防手段、康复手段等。如图7所示,图7是根据本申请一些实施例所示的经命名实体识别技术识别获取的结构化诊疗图示意图。图7中的结构化诊疗图是图6中的结构化文本诊疗数据经过命名实体识别技术识别后得到的。以冠心病为例,症状主要包括胸闷(劳力性还是静息性,有无放射特点、放射区域)、气短等,病史主要有高血压、糖尿病、高血脂等。采用基于深度学习的命名实体识别技术(如BiLSTM-CRF,基于条件随机场和双向基于长短时记忆网络的算法)从中提取这些医学概念实体以及数值、时间等实体,关系识别提取这些实体之间的可能关系和属性值。如主诉中“<时间>3年前</时间>患者常于劳力时,发作性<症状>胸痛</症状>,位于<身体部位>心前区</身体部位>,程度中等,不伴<症状>出汗</症状>,被迫停止活动后<时间>10-15分钟</时间>自行缓解”,经过实体识别、关系识别和否定检测等一系列信息提取后,可以得到结构化的数据“症状:胸痛,部位:心前区,发作性质:劳力性,伴随症:无,持续时间:10-15分钟”,并将这些结构化数据进行整合形成结构化诊疗图。应当注意的是,对于RIS系统中的影像分析报告,如果报告结果是自由文本形式的,也可利用同样的流程对自由文本形式的影像分析报告进行结构化,并将重要的异常病变征象通过终端呈现给临床医生。
在一些实施例中,人工智能文本分析模块320还可以构建知识图谱,利用知识图谱对与疾病相关的结构化诊疗数据进行过滤和筛选,简化结构化诊疗数据。在一些实施例中,知识图谱是结构化的语义知识库,用于以符号形式描述物理世界中的概念及其相互关系,其基本组成单位是“实体-关系-实体”三元组,以及实体及其相关属性-值对,实体间通过关系相互联结,构成网状的知识结构。如图8所示,图8是根据本申请一些实施例所示的急性冠脉综合症医学知识图谱示意图。图中所示的知识图谱可以同时包含医学知识,以及临床实际工作中各类医学知识之间的关联,通过将该知识图谱和患者的病情信息进行匹配,能够快速得知该患者所处的诊疗阶段和下一步诊疗建议。以急性冠脉综合症为例,症状为胸痛,病史为高血压、糖尿病、高血脂,可能导致该疾病的危险因素为吸烟、饮酒,需要进行的辅助检查为心电、冠脉CTA和冠脉造影。在一些实施例中,知识图谱能够根据需求进行扩展,对知识图谱中的内容进行补充和更新。以肿瘤医学知识图谱为例,当存在新的肿瘤知识时,可以将新的肿瘤知识添加到知识图谱中,使得医生在临床工作中能够及时获取新的肿瘤知识,并且根据情况按照最新的肿瘤诊疗方案给患者提供规范的治疗。人工智能文本分析模块320中可以存储有多种疾病的知识图谱,在一些实施例中,可以先根据患者的病情信息做初步诊断,估计患者可能患有何种疾病,再调用所估计的疾病对应的知识图谱对患者的结构化诊疗数据进行过滤和筛选,以简化结构化诊疗数据。在初步诊断患者可能患有何种疾病时,可以是由医生进行人工诊断,也可以是通过文本分类技术进行自动诊断。
辅助诊断模块340可以用于基于临床医学指南和/或专家共识,构建一种或多种疾病诊疗规则库。
在一些实施例中,辅助诊断模块340可以基于一定的协议标准,将文本形式的临床指南转化为规范的诊疗流程图(流程的绘制规范可参考SAGE(Surrendering AcceptingGifting Extending,放弃接纳馈赠扩展模型),然后利用protégé本体建模平台,由信息技术人员将流程图转化为计算机可表示的模型图,然后通过CLIPS(C Language IntegratedProduction System,C语言集成产生式系统)专家系统建立一系列if-then规则库,构建推理引擎,实现自动诊断功能。在一些实施例中,辅助诊断模块340可以基于患者的电子病历信息通过文本分类技术自动进行初步诊断分析,确定至少一种候选疾病以及对应的疾病诊疗规则库。例如,输入患者的主诉、病史、影像分析报告等信息,通过深度学习网络模型,根据模型输出的概率置信度,获得若干个(如top3或top5)可能的候选疾病。在一些实施例中,文本分类技术可以是基于深度学习的文本分类模型,该模型需要进行预训练。将患者的主诉、病史、已有的检验检查报告结果等信息的文本表示,通过词向量技术(如Word2vec(Wordto Vector,词向量)、BERT(Bidirectional Encoder Representation from Transformer,基于Transformer的双向编码器表征)),转化为数学向量,然后基于双向LSTM等网络结构构建文本分类网络模型,并在已经标注好的训练数据集上训练网络模型。构建训练数据集时,一个电子病历的相关文本预处理成一行,记为文本text,对应一个疾病诊断标签label;每个text-label对表示一个文本样本和对应的类别标签,text和label可事先从医院已有的EMR系统中抽取得到。在一些实施例中,医生也可以根据患者的情况做出一个初步诊断,确定至少一种候选疾病以及对应的疾病诊疗规则库。
在一些实施例中,辅助诊断模块340可以将影像分析报告和结构化诊疗数据自动输入到已建立好的候选疾病的诊疗规则库中,由处理设备中的推理引擎进行规则逻辑判断,输出诊断结果。在一些实施例中,该诊断结果可以是疾病诊断结果及其分型(如急性冠脉综合征,非ST段抬高型急性冠脉综合征),以及相应的诊断依据(反映该疾病特点的临床症状、心电图特征)、鉴别诊断(具有相似症状的其他疾病)。在一些实施例中,当患者的临床信息不够完整,例如缺少某种检查或检验结果时,辅助诊断模块340可以输出下一步建议(如建议做冠脉造影检查以观察狭窄程度)。特别的,当诊疗规则库所需要的条件参数如检验指标肌钙蛋白不存在时,输出下一步执行参数检查的建议,即建议完成肌钙蛋白的检验,一旦LIS系统中更新了该参数,诊疗数据集成模块310即可从LIS获取该参数的数值结果,发送给辅助诊断模块340以进行后续步骤。
应当理解,图3所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
应该注意的是,上述关于医学诊疗系统300的描述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的修正和改变。然而,这些修正和改变不会背离本申请的范围。在一些实施例中,可以添加至少一个附加模块,或者可以将医学诊疗系统300的多个模块组合成一个模块。例如,医学诊疗系统300还可以包括存储模块,用于存储人工智能影像分析模块和/或人工智能文本分析模块产生的数据;其中,人工智能影像分析模块产生的数据的存储与否至少取决于人工智能影像分析模块产生的数据大小、存储模块的存储空间大小和/或对调用人工智能影像分析模块产生的数据的用时要求。
本申请实施例可能带来的有益效果包括但不限于:(1)在现有的EMR、LIS等非影像信息系统基础上,引入了从PACS系统抽取影像数据,将患者所有的多源异构数据集成到一个系统,使得临床医生可以像放射科医生那样,快速方便地浏览影像数据及其他临床信息;(2)依据专家共识,建立医学影像的结构化报告模板,指导基于人工智能的影像分析技术的开发,实现病灶的自动定位、定性、定量等功能,通过人工智能影像分析在结构化模板上完成各参数的自动填写,然后由医生审核修正,不仅能够提升医生撰写报告的效率,也为其提供了患者的全景数据信息,方便医生做出更为准确、全面的诊断和评估报告;(3)基于NLP信息抽取技术,对文本形式的临床数据或影像报告进行进一步信息抽取,得到一系列结构化的临床数据,然后结合知识图谱等技术,对与当前诊断相关的关键症状、危险因素、需进一步鉴别的疾病等信息按重要性或相关性进行过滤和筛选,简化数据显示内容,避免由于内容过多而需大量的翻页、滚动等无用操作;(4)将抽取到的结构化数据,自动地录入到事先构建好的诊疗决策人机交互接口,避免填鸭式人工输入,提升临床医生的工作效率;(5)知识图谱能够同时包含医学知识,以及临床实际工作中各类医学知识之间的关联,通过将知识图谱和患者的病情信息进行匹配,能够快速得知该患者所处的诊疗阶段,和下一步诊疗建议。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
图9是根据本申请一些实施例所示的以心血管疾病为例进行医学诊疗的示例性流程图。具体的,心血管疾病诊断方法900可以由医学诊疗系统300执行。例如,心血管疾病诊断方法900可以以程序或指令的形式存储在存储装置(如存储设备150、存储器220)中,当医学诊疗系统300执行该程序或指令时,可以实现心血管疾病诊断方法900。如图9所示,心血管疾病诊断方法900可以包括:
步骤910,从一个或多个医疗信息源获取与患者相关的诊疗数据,所述诊疗数据至少包括医学影像数据、医学文本数据。具体的,步骤910可以由诊疗数据集成模块310执行。
在一些实施例中,一个或多个医疗信息源可以包括医院信息系统(HIS)、影像归档和通信系统(PACS)、放射信息管理系统(RIS)、实验室信息系统(LIS)、电子病历(EMR)等。在一些实施例中,获取的与患者相关的诊疗数据可以至少包括医学影像数据、医学文本数据。在一些实施例中,可以从EMR中获取患者的基本信息(主诉、症状、病史等),从PACS中获取患者的影像检查数据和报告,从LIS中获取各项检验指标,从ECG中获取心电图,形成统一视图,将其存储于数据存储模块,在终端页面进行呈现,呈现方式如图4-1和图4-2所示。在一些实施例中,还可以从一个或多个医疗信息源中获取患者的历史诊疗数据,按照患者的诊疗日期顺序进行排序,形成以患者为中心的时间轴诊疗视图,如图5所示。时间轴诊疗视图是基于“时间-事件”的二维集成视图,图中自左向右的横轴为时间轴,以天为基本单位,用该方向的坐标值表示病例数据的日期信息;选取垂直于时间轴方向为事件轴,按类别排列各种诊疗事件,如诊断记录、检查医嘱、检验医嘱、长期医嘱、临时医嘱、生命体征、出血量、手术记录、病历文书等。如果同一类诊疗事件在一个基本单位时间内有多次记录,就按照事件发生的先后顺序,垂直于时间轴排列;如果事件类型为连续性、周期性数据采集或诊疗活动,则用直线或曲线沿时间轴方向延伸,图形化展示数据随时间的发展变化和趋势。
在一些实施例中,从一个或多个医疗信息来源处获取与患者相关的诊疗数据的指令可以存储在存储装置(如存储设备150、存储器220)中,并可以由处理设备140(如诊疗数据集成模块310)调用。
步骤920,基于人工智能的影像分析技术对获取的医学影像数据进行分析,生成影像分析报告。具体的,步骤920可以由人工智能影像分析模块320执行。
在一些实施例中,可以从PACS系统中获取与患者相关的各种类型的医学影像数据。在一些实施例中,可以先根据专家共识,建立医学影像数据分析的结构化报告模板,然后基于该结构化模板的需求,对从PACS系统上各种类型的影像数据进行人工智能影像自动分析,生成影像分析报告,并将影像分析报告呈现给医生。在一些实施例中,冠脉CTA的人工智能影像分析应包含以下内容:各冠脉分支(左主干、左前降支、左回旋支、右冠脉等)近、中、远各段狭窄程度的评估;各冠脉分支斑块性质的分析;钙化积分计算等。在一些实施例中,冠脉CT图像人工智能分析的过程如下:首先对冠脉CTA数据进行3D重建,然后基于卷积神经网络的算法如3D-Unet等影像分割技术,自动标记出各分支和分段,实现对各段血管狭窄程度的评估,同时利用检测算法实现对不同性质的斑块(软、钙化、血栓和混合)、PCI支架等自动检测,最终实现CAD-RADS的自动评分,最后通过医生的审核修正,生成影像分析结构化报告。应当注意的是,由于临床科室和放射科室任务分工不同,影像AI模块主要用于放射科室,由放射科对人工智能分析产生的结构化报告进行审核修正后,存储于RIS系统,由临床科室的终端调取并浏览。另一方面,临床科室浏览详细的医学影像数据时,可提供同样的3D重建、分支标注、放大旋转等后处理功能以供临床医生结合医学影像数据快速做出评估。可选的,可根据实际的存储和时间需求来选择是否保存AI模型结果,使得同一功能的AI模型被调用后自动存储输出结果,方便下次快速浏览,也可以不保存模型输出结果,重复调用AI多次,以节省存储空间。
在一些实施例中,生成影像分析报告的指令可以存储在存储装置(如存储设备150、存储器220)中,并可以由处理设备140(如人工智能影像分析模块320)调用。
步骤930,基于人工智能的信息抽取技术对获取的医学文本数据进行信息抽取,抽取与心血管疾病相关的结构化诊疗数据。具体的,步骤930可以由人工智能文本分析模块330执行。
在一些实施例中,可以基于NLP信息抽取技术,对文本形式的临床数据或影像分析报告进行进一步信息抽取,得到一系列结构化的诊疗数据。如图6所示,图中包含了患者的基本信息,如患者的主诉、现病史、既往史、家族史、生育史、过敏史等。在一些实施例中,可以采用命名实体识别技术从结构化的文本诊疗数据中提取命名实体,形成与患者相关的结构化诊疗图。在一些实施例中,从非结构化的文本诊疗数据中识别的命名实体可以至少包括疾病、症状、检查、检验、手术、药品、疾病影响因素、预防手段、康复手段等。如图7所示,图7中的结构化诊疗图是图6中的与患者相关的结构化文本诊疗数据经过命名实体识别技术识别后得到的。根据患者的主诉可以初步诊断为冠心病、心绞痛,因为冠心病的症状主要包括胸闷(劳力性还是静息性,有无放射特点、放射区域)、气短等,病史主要有高血压、糖尿病、高血脂等。再采用基于深度学习的命名实体识别技术(如BiLSTM-CRF,基于条件随机场和双向基于长短时记忆网络的算法)从中提取这些医学概念实体以及数值、时间等实体,关系识别提取这些实体之间的可能关系和属性值。如主诉中“<时间>3年前</时间>患者常于劳力时,发作性<症状>胸痛</症状>,位于<身体部位>心前区</身体部位>,程度中等,不伴<症状>出汗</症状>,被迫停止活动后<时间>10-15分钟</时间>自行缓解”,经过实体识别、关系识别和否定检测等一系列信息提取后,可以得到结构化的数据“症状:胸痛,部位:心前区,发作性质:劳力性,伴随症:无,持续时间:10-15分钟”,并将这些结构化数据进行整合形成结构化诊疗图。应当注意的是,对于RIS系统中的影像分析报告,如果报告结果是自由文本形式的,也可利用同样的流程对自由文本形式的影像分析报告进行结构化,并将重要的异常病变征象通过终端呈现给临床医生。
在一些实施例中,还可以构建急性冠脉综合症的医学知识图谱,利用该知识图谱对与急性冠脉综合症相关的结构化诊疗数据进行过滤和筛选,简化结构化诊疗数据。如图8所示,图8是根据本申请一些实施例所示的急性冠脉综合症医学知识图谱示意图。图中所示的知识图谱可以同时包含医学知识,以及临床实际工作中各类医学知识之间的关联,通过将该知识图谱和患者的病情信息进行匹配,能够快速得知该患者所处的诊疗阶段和下一步诊疗建议。如图中的急性冠脉综合症,症状为胸痛,病史为高血压、糖尿病、高血脂,可能导致该疾病的危险因素为吸烟、饮酒,需要进行的辅助检查为心电图检查、冠脉CTA检查和冠脉造影检查。在一些实施例中,急性冠脉综合症的医学知识图谱还能够根据需求进行扩展,对知识图谱中的内容进行补充和更新。
在一些实施例中,抽取与心血管疾病相关的结构化诊疗数据的指令可以存储在存储装置(如存储设备150、存储器220)中,并可以由处理设备140(如人工智能文本分析模块330)调用。
步骤940,基于临床医学指南和/或专家共识,构建心血管疾病诊疗的规则库,基于心血管疾病的结构化诊疗数据和诊疗规则库,确定患者的诊断结果。具体的,步骤940可以由辅助诊断模块340执行。
在一些实施例中,可以基于临床医学指南和/或专家共识,为心血管疾病构建诊疗规则库。在一些实施例中,可以首先由临床医生根据一定的协议标准,将文本形式的临床指南转化为规范的诊疗流程图(流程都绘制规范可参考SAGE模型),然后利用protégé本体建模平台,由信息技术人员将流程图转化为计算机可表示的模型图,然后通过CLIPS专家系统建立一系列if-then规则库,构建推理引擎,实现心血管疾病自动诊断功能。
在一些实施例中,可以先根据患者的病历信息初步确定可能的至少一种疾病。在一些实施例中,初步诊断可采用基于深度学习的文本分类技术,输入主诉、病史、影像学报告等信息,通过深度学习网络模型,根据模型输出的概率置信度,自动获得若干个(如top3或5)可能的心血管疾病候选,例如急性冠脉综合征、稳定性冠心病、心肌梗死等。在一些实施例中,初步诊断也可采用人工进行诊断分析,例如医生根据患者的情况做出一个初步诊断。若拟诊为急性冠脉综合症,医学诊疗系统可以从知识图谱中检索/调用急性冠脉综合症的相关知识库(如图8),结合急性冠脉综合症的临床知识如“症状主要为胸痛,病史主要有3高”,对结构化的电子病历(如图6)进行自动过滤或排序,优先呈现与疾病最相关的症状如“胸痛、昏厥”,无关或次要症状如“无畏寒、无发热”在系统界面上加以折叠或不显示(如图7)。确定候选疾病后,可以将与患者相关的影像分析报告和抽取的结构化诊疗数据输入到已建立好的候选疾病的诊疗规则库中,由处理设备中的推理引擎进行规则逻辑判断,输出诊断结果。在一些实施例中,该诊断结果可以是疾病诊断结果及其分型(如急性冠脉综合征,非ST段抬高型急性冠脉综合征)。特别的,当规则库所需要的条件参数如检验指标肌钙蛋白不存在时,输出下一步执行参数检查的建议,即建议完成肌钙蛋白的检验,一旦LIS系统中更新了该参数,诊疗数据集成模块310即可从LIS获取该参数的数值结果,发送给辅助诊断模块以进行后续步骤。
在一些实施例中,确定患者的诊断结果的指令可以存储在存储装置(如存储设备150、存储器220)中,并可以由处理设备140(如辅助诊断模块340)调用。
应当注意的是,以上关于流程900及其描述,仅出于说明的目的而提供,并非旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的修正和改变。然而,这些修正和改变不会背离本申请的范围。例如,步骤920和步骤930中可以增加一个存储步骤,用于存储人工智能影像分析模块和/或人工智能文本分析模块产生的数据。
本申请实施例可能带来的有益效果包括但不限于:(1)在现有与患者相关的EMR、LIS等非影像信息系统基础上,引入了从PACS系统抽取的影像数据,从LIS中获取各项检验指标,从ECG中获取心电图,将患者所有的多源异构数据集成到一个系统,使得临床医生可以像放射科医生那样,快速方便地浏览与患者相关的影像数据及其他临床信息;(2)基于NLP信息抽取技术,对患者文本形式的临床数据或影像报告进行进一步信息抽取,得到一系列结构化的临床数据,然后结合知识图谱等技术,对与当前诊断的心血管疾病相关的关键症状、危险因素等信息按重要性或相关性进行过滤和筛选,简化数据显示内容,避免由于内容过多而需大量的翻页、滚动等无用操作;(3)通过将知识图谱和患者可能患有心血管疾病的病情信息进行匹配,能够快速得知该患者目前所处的诊疗阶段,和下一步的诊疗建议。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (10)
1.一种医学诊疗系统,其特征在于,所述系统包括:
诊疗数据集成模块,用于
从一个或多个医疗信息源获取与患者相关的诊疗数据,集成所述诊疗数据,所述诊疗数据至少包括医学影像数据、医学文本数据;
从所述一个或多个医疗信息来源处获取与患者相关的历史诊疗数据,根据所述患者的诊疗日期顺序排序,生成以患者为中心的时间轴诊疗视图;
人工智能影像分析模块,用于基于人工智能的影像分析技术对所述医学影像数据进行分析,生成影像分析报告,所述分析包括对所述医学影像数据进行影像重建、影像自动标记和注释、影像识别和评估;
人工智能文本分析模块,用于
基于人工智能的信息抽取技术对所述医学文本数据和/或所述影像分析报告进行信息抽取,获取与疾病相关的结构化诊疗数据;
构建知识图谱,利用所述知识图谱对经命名实体识别技术提取的所述结构化诊疗数据进行过滤和筛选,得到精简的结构化诊疗数据,所述知识图谱还用于与患者的病情信息进行匹配,以确定患者所处的诊疗阶段和诊疗建议。
2.如权利要求1所述的系统,其特征在于,所述人工智能文本分析模块进一步用于:
采用命名实体识别技术从非结构化诊疗数据中提取命名实体得到结构化诊疗数据,所述命名实体至少包括医学命名实体、数值实体、时间实体。
3.如权利要求1所述的系统,其特征在于,所述医学诊疗系统还包括:
辅助诊断模块,用于基于临床医学指南和/或专家共识,构建一种或多种疾病诊疗规则库。
4.如权利要求3所述的系统,其特征在于,所述辅助诊断模块进一步用于:
至少基于患者的病历信息确定至少一种候选疾病;
从所述疾病诊疗规则库中获取与所述至少一种候选疾病相匹配的诊疗规则;
基于所述结构化诊疗数据和所述诊疗规则进行自动诊断,确定所述患者的诊断结果。
5.如权利要求4所述的系统,其特征在于,所述辅助诊断模块还用于:
当所述结构化诊疗数据缺少所述诊疗规则所需要的数据时,生成进行进一步检查以获取所缺数据的提示。
6.如权利要求1所述的系统,其特征在于,所述系统还包括:
存储模块,用于存储所述人工智能影像分析模块和/或所述人工智能文本分析模块产生的数据;
其中,所述人工智能影像分析模块产生的数据的存储与否至少取决于所述人工智能影像分析模块产生的数据大小、所述存储模块的存储空间大小和/或对调用所述人工智能影像分析模块产生的数据的用时要求。
7.一种医学诊疗装置,其特征在于,所述装置包括至少一个处理器和至少一个存储设备,所述存储设备用于存储指令,当所述至少一个处理器执行所述指令时,实现以下操作:
从一个或多个医疗信息源获取与患者相关的诊疗数据,集成所述诊疗数据,所述诊疗数据至少包括医学影像数据、医学文本数据;
从所述一个或多个医疗信息来源处获取与患者相关的历史诊疗数据,根据所述患者的诊疗日期顺序排序,生成以患者为中心的时间轴诊疗视图;
基于人工智能的影像分析技术对所述医学影像数据进行分析,生成影像分析报告,所述分析包括对所述医学影像数据进行影像重建、影像自动标记和注释、影像识别和评估;
基于人工智能的信息抽取技术对所述医学文本数据和/或所述影像分析报告进行信息抽取,获取与疾病相关的结构化诊疗数据;
构建知识图谱,利用所述知识图谱对经命名实体识别技术提取的所述结构化诊疗数据进行过滤和筛选,得到精简的结构化诊疗数据,所述知识图谱还用于与患者的病情信息进行匹配,以确定患者所处的诊疗阶段和诊疗建议。
8.如权利要求7所述的装置,其特征在于,当所述至少一个处理器执行所述指令时,还实现以下操作:
基于临床医学指南和/或专家共识,构建一种或多种疾病诊疗规则库。
9.如权利要求8所述的装置,其特征在于,当所述至少一个处理器执行所述指令时,还实现以下操作:
至少基于患者的病历信息确定至少一种候选疾病;
从所述疾病诊疗规则库中获取与所述至少一种候选疾病相匹配的诊疗规则;
基于所述结构化诊疗数据和所述诊疗规则进行自动诊断,确定所述患者的诊断结果。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取所述存储介质中的所述计算机指令后,所述计算机执行以下操作:
从一个或多个医疗信息源获取与患者相关的诊疗数据,集成所述诊疗数据,所述诊疗数据至少包括医学影像数据、医学文本数据;
从所述一个或多个医疗信息来源处获取与患者相关的历史诊疗数据,根据所述患者的诊疗日期顺序排序,生成以患者为中心的时间轴诊疗视图;
基于人工智能的影像分析技术对所述医学影像数据进行分析,生成影像分析报告,所述分析包括对所述医学影像数据进行影像重建、影像自动标记和注释、影像识别和评估;
基于人工智能的信息抽取技术对所述医学文本数据和/或所述影像分析报告进行信息抽取,获取与疾病相关的结构化诊疗数据;
构建知识图谱,利用所述知识图谱对经命名实体识别技术提取的所述结构化诊疗数据进行过滤和筛选,得到精简的结构化诊疗数据,所述知识图谱还用于与患者的病情信息进行匹配,以确定患者所处的诊疗阶段和诊疗建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010071131.4A CN111292821B (zh) | 2020-01-21 | 2020-01-21 | 一种医学诊疗系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010071131.4A CN111292821B (zh) | 2020-01-21 | 2020-01-21 | 一种医学诊疗系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111292821A CN111292821A (zh) | 2020-06-16 |
CN111292821B true CN111292821B (zh) | 2024-02-13 |
Family
ID=71018968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010071131.4A Active CN111292821B (zh) | 2020-01-21 | 2020-01-21 | 一种医学诊疗系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292821B (zh) |
Families Citing this family (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899845B (zh) * | 2020-06-24 | 2024-02-20 | 北京赛迈特锐医疗科技有限公司 | 基于影像检查目的dicom图像路由管理系统及方法 |
CN111785367A (zh) * | 2020-06-30 | 2020-10-16 | 平安科技(深圳)有限公司 | 基于神经网络模型的分诊方法、装置和计算机设备 |
CN111984805A (zh) * | 2020-07-06 | 2020-11-24 | 北京欧应信息技术有限公司 | 一种基于骨科知识图谱建立骨科云影像数据库的方法 |
CN111882533A (zh) * | 2020-07-15 | 2020-11-03 | 山东省眼科研究所 | 决策模型诊断方法、装置及计算机可读存储介质 |
WO2022012687A1 (zh) * | 2020-07-17 | 2022-01-20 | 武汉联影医疗科技有限公司 | 医疗数据处理方法与系统 |
CN111951952A (zh) * | 2020-07-17 | 2020-11-17 | 北京欧应信息技术有限公司 | 一种基于医疗影像信息自动诊断骨科疾病的装置 |
CN111951955A (zh) * | 2020-08-13 | 2020-11-17 | 神州数码医疗科技股份有限公司 | 一种基于规则推理的临床决策支持系统构建方法及装置 |
CN112133424A (zh) * | 2020-09-11 | 2020-12-25 | 北京欧应信息技术有限公司 | 一种用于骨科的学习诊疗系统 |
CN112086155A (zh) * | 2020-09-11 | 2020-12-15 | 北京欧应信息技术有限公司 | 一种基于语音录入的诊疗信息结构化收集方法 |
CN111933239A (zh) * | 2020-09-17 | 2020-11-13 | 泰康保险集团股份有限公司 | 数据处理的方法及装置、系统、存储介质 |
CN112309566A (zh) * | 2020-09-30 | 2021-02-02 | 中国地质大学(武汉) | 影像智能识别与医学智能推理的远程自动诊断系统及方法 |
CN112107332A (zh) * | 2020-10-10 | 2020-12-22 | 高慧强 | 医疗超声影像的处理方法、设备和系统 |
TWI818203B (zh) * | 2020-10-23 | 2023-10-11 | 國立臺灣大學醫學院附設醫院 | 基於病患病情的分類模型建立方法 |
CN112259183B (zh) * | 2020-11-11 | 2023-08-08 | 北京嘉和海森健康科技有限公司 | 一种基于电子病历的患者健康时间轴的提取方法和装置 |
CN112562816A (zh) * | 2020-11-13 | 2021-03-26 | 陈卫霞 | 肿瘤影像报告诊断结果与病理结果对应与评价系统及方法 |
CN112420192B (zh) * | 2020-11-26 | 2023-12-15 | 清华大学 | 融合多维诊疗信息的疾病分型方法及相关设备 |
CN112349369A (zh) * | 2020-11-27 | 2021-02-09 | 广州瀚信通信科技股份有限公司 | 医疗影像大数据智能分析方法、系统及存储介质 |
CN112507722B (zh) * | 2020-11-30 | 2023-08-01 | 北京百度网讯科技有限公司 | 电子病历内涵质控方法和装置 |
CN112635013B (zh) * | 2020-11-30 | 2023-10-27 | 泰康保险集团股份有限公司 | 医学影像信息的处理方法、装置、电子设备和存储介质 |
CN112530552A (zh) * | 2020-12-24 | 2021-03-19 | 中国医学科学院北京协和医院 | 一种分布式计算病患诊断系统 |
CN112712868A (zh) * | 2020-12-30 | 2021-04-27 | 杭州依图医疗技术有限公司 | 医学数据的分析方法、装置及存储介质 |
CN112700866A (zh) * | 2021-01-07 | 2021-04-23 | 北京左医科技有限公司 | 基于transformer模型的智能交互方法及系统 |
CN112650860A (zh) * | 2021-01-15 | 2021-04-13 | 科技谷(厦门)信息技术有限公司 | 一种基于知识图谱的电子病历智能检索系统 |
CN112885457B (zh) * | 2021-01-25 | 2022-07-08 | 武汉大学 | 医疗大数据的后结构化处理方法、系统及存储介质 |
CN113077887B (zh) * | 2021-03-24 | 2022-09-02 | 四川大学华西医院 | 大脑白质病变自动化定量分析系统与判读方法 |
CN112908473A (zh) * | 2021-03-24 | 2021-06-04 | 平安科技(深圳)有限公司 | 基于模型的数据处理方法、装置、计算机设备和存储介质 |
CN113159134A (zh) * | 2021-03-29 | 2021-07-23 | 宁波市科技园区明天医网科技有限公司 | 基于乳腺结构化报告的智能化诊断评估方法 |
CN113113100B (zh) * | 2021-04-09 | 2023-05-05 | 谐波(河北)科技有限公司 | 医学影像检查报告的制作方法和装置 |
CN112992362B (zh) * | 2021-04-19 | 2021-09-14 | 北京妙医佳健康科技集团有限公司 | 一种身体状态评估装置、电子设备及存储介质 |
CN113205872A (zh) * | 2021-04-29 | 2021-08-03 | 安徽医科大学第一附属医院 | 一种血液病智能诊疗辅助系统 |
CN113160976A (zh) * | 2021-04-29 | 2021-07-23 | 上海商汤智能科技有限公司 | 基于SaaS服务的医疗数据处理方法、装置及电子设备 |
CN113077873B (zh) * | 2021-05-06 | 2022-11-22 | 井颐医疗信息技术(杭州)有限公司 | 一种中医临床决策支持系统及方法 |
CN113223648B (zh) * | 2021-05-08 | 2023-10-24 | 北京嘉和海森健康科技有限公司 | 一种诊前信息采集方法及装置 |
CN112992317B (zh) * | 2021-05-10 | 2021-11-02 | 明品云(北京)数据科技有限公司 | 一种医学数据处理方法、系统、设备及介质 |
CN113380378A (zh) * | 2021-05-25 | 2021-09-10 | 复旦大学附属中山医院 | 在线协同的医学影像标注方法、装置及存储介质 |
CN113380380A (zh) * | 2021-06-23 | 2021-09-10 | 上海电子信息职业技术学院 | 一种医疗报告的智能解读装置 |
EP4367609A1 (en) * | 2021-07-09 | 2024-05-15 | Ayur.AI (OPC) Private Limited | Integrative system and method for performing medical diagnosis using artificial intelligence |
CN113569140A (zh) * | 2021-07-13 | 2021-10-29 | 深圳Tcl新技术有限公司 | 信息推荐方法、装置、电子设备及计算机可读存储介质 |
CN113450930A (zh) * | 2021-07-25 | 2021-09-28 | 浙江金融职业学院 | 一种远程在线健康管理系统及方法 |
CN113724891A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 医院疫情监测方法、装置及相关设备 |
CN113903422A (zh) * | 2021-09-09 | 2022-01-07 | 北京邮电大学 | 医疗影像诊断报告实体提取方法、装置及设备 |
CN113961634A (zh) * | 2021-11-18 | 2022-01-21 | 贵州电网有限责任公司 | 职工健康数据采集方法 |
CN114093451A (zh) * | 2021-12-01 | 2022-02-25 | 华平祥晟(上海)医疗科技有限公司 | 一种pacs系统管理用户数据的方法及系统 |
CN114224369B (zh) * | 2021-12-21 | 2022-12-13 | 深圳市医未医疗科技有限公司 | 一种医学影像自动诊断系统 |
CN114246591B (zh) * | 2021-12-30 | 2024-04-09 | 清华大学 | 一种基于知识图谱的心肌梗死智能辅助验证方法及系统 |
CN114283910B (zh) * | 2022-03-04 | 2022-06-24 | 广州科犁医学研究有限公司 | 基于多渠道信息的临床数据采集分析系统 |
CN115054209B (zh) * | 2022-04-14 | 2023-09-26 | 杭州华视诺维医疗科技有限公司 | 一种基于智能移动设备的多参数生理信息检测系统和方法 |
CN114783559B (zh) * | 2022-06-23 | 2022-09-30 | 浙江太美医疗科技股份有限公司 | 医学影像报告信息抽取方法、装置、电子设备和存储介质 |
CN115512810A (zh) * | 2022-11-17 | 2022-12-23 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种医学影像数据的数据治理方法及系统 |
CN116386850B (zh) * | 2023-03-28 | 2023-11-28 | 数坤科技股份有限公司 | 医学数据分析方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013036842A2 (en) * | 2011-09-08 | 2013-03-14 | Radlogics, Inc. | Methods and systems for analyzing and reporting medical images |
CN109346169A (zh) * | 2018-10-17 | 2019-02-15 | 长沙瀚云信息科技有限公司 | 一种人工智能辅助诊疗系统及其构建方法、设备和存储介质 |
EP3511941A1 (en) * | 2018-01-12 | 2019-07-17 | Siemens Healthcare GmbH | Method and system for evaluating medical examination results of a patient, computer program and electronically readable storage medium |
CN110491464A (zh) * | 2019-08-13 | 2019-11-22 | 重庆途图科技有限公司 | 一种云影像在线阅片诊断方法及系统 |
CN110675951A (zh) * | 2019-08-26 | 2020-01-10 | 北京百度网讯科技有限公司 | 智能化的疾病诊断方法及装置、计算机设备与可读介质 |
-
2020
- 2020-01-21 CN CN202010071131.4A patent/CN111292821B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013036842A2 (en) * | 2011-09-08 | 2013-03-14 | Radlogics, Inc. | Methods and systems for analyzing and reporting medical images |
EP3511941A1 (en) * | 2018-01-12 | 2019-07-17 | Siemens Healthcare GmbH | Method and system for evaluating medical examination results of a patient, computer program and electronically readable storage medium |
CN109346169A (zh) * | 2018-10-17 | 2019-02-15 | 长沙瀚云信息科技有限公司 | 一种人工智能辅助诊疗系统及其构建方法、设备和存储介质 |
CN110491464A (zh) * | 2019-08-13 | 2019-11-22 | 重庆途图科技有限公司 | 一种云影像在线阅片诊断方法及系统 |
CN110675951A (zh) * | 2019-08-26 | 2020-01-10 | 北京百度网讯科技有限公司 | 智能化的疾病诊断方法及装置、计算机设备与可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111292821A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292821B (zh) | 一种医学诊疗系统 | |
Wagner et al. | PTB-XL, a large publicly available electrocardiography dataset | |
Alizadehsani et al. | A database for using machine learning and data mining techniques for coronary artery disease diagnosis | |
US9081879B2 (en) | Matrix interface for medical diagnostic and treatment advice system and method | |
JP6542664B2 (ja) | 患者情報を臨床基準にマッチングするシステム及び方法 | |
RU2686627C1 (ru) | Автоматическое создание ориентированной на показатели продольной области для просмотра показателей пациента | |
Huang et al. | A clinical decision support framework for heterogeneous data sources | |
US20060136259A1 (en) | Multi-dimensional analysis of medical data | |
Väänänen et al. | AI in healthcare: A narrative review | |
US20100145720A1 (en) | Method of extracting real-time structured data and performing data analysis and decision support in medical reporting | |
JP2014505950A (ja) | 撮像プロトコルの更新及び/又はリコメンダ | |
JP7010946B2 (ja) | 健康状態の計算解析を容易化するシステム及び方法 | |
JP2018060529A (ja) | コンテキストベースの患者類似性の方法及び装置 | |
US11037659B2 (en) | Data-enriched electronic healthcare guidelines for analytics, visualization or clinical decision support | |
US20130159022A1 (en) | Clinical state timeline | |
US10282516B2 (en) | Medical imaging reference retrieval | |
JP7021101B2 (ja) | 検査値のコンテキストによるフィルタリング | |
Simegn et al. | Computer-aided decision support system for diagnosis of heart diseases | |
Liu et al. | A large-scale multi-label 12-lead electrocardiogram database with standardized diagnostic statements | |
JP2021536636A (ja) | 医療記録を分類する方法 | |
US20230051982A1 (en) | Methods and systems for longitudinal patient information presentation | |
US20090024413A1 (en) | Method and system to manage cross institutional mamma carcinoma care plans | |
Zhang et al. | A visual analytics framework for emergency room clinical encounters | |
US20240156415A1 (en) | Diagnosis support system and diagnosis support apparatus | |
NVPS et al. | Deep Learning for Personalized Health Monitoring and Prediction: A Review |
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 |