CN111684534B - 用于优化病理学工作流的设备、系统和方法 - Google Patents

Abstract

一种设备、系统和方法优化病理学工作流。在工作流服务器处执行的所述方法包括接收与病理学实例相关联的多个数字切片，所述病理学实例与表征所述病理学实例的第一信息相关联。所述方法包括基于对所述数字切片的分析来生成第二信息，所述第二信息表征所述数字切片。所述方法包括基于所述第一信息和所述第二信息来确定在完成所述病理学实例中使用的多个任务。所述方法包括确定要被分配以执行所述任务中的选定任务的任务执行者。所述方法包括将分配分派给对应于所述选定任务的所述任务执行者。

Description

用于优化病理学工作流的设备、系统和方法

背景技术

病理学一般涉及其中病理学家可以通过分析包括组织、细胞、体液或其组合的样本来诊断和/或跟踪疾病的疾病研究。在执行病理学家职责的常规方法中，模拟病理学程序可以被使用，其中病理学家通过显微镜或其他观察工具来观察病理切片。例如，为病理学家准备实际样本的物理切片以进行分析。然而，对物理病理切片的使用需要切片行进到病理学家或病理学家行进到切片以完成诊断。

为了解决共址要求，执行病理学家职责的另一方法是数字病理学程序。数字病理学程序可以被使用，其中患者的样本的病理切片(例如，通过扫描器)被数字化以允许病理学家随后通过观察病理切片的数字副本来对样本进行评价和诊断。数字病理学程序的出现引入了将病理学家与物理切片的位置分离的能力。

使用模拟和数字病理学程序两者中的常规方法，病理学实例的工作流的一部分通过病理学家的决策来操纵。例如，需要病理学家沿着工作流的某些方面做出手动决策。在第一范例中，在病理学实例的初始评价(例如，通过观察物理或数字病理切片的初步集合)之后，病理学家可以确定需要专业病理学家或专家来进一步诊断病理学实例。在第二范例中，病理学家可以确定病理学实例与又一目的(诸如教学目的)相关。在第三范例中，病理学家可以确定可能需要额外的测试和/或染色来继续诊断病理学实例。鉴于这些手动决策可能性，工作流可能需要更多的时间并且完成病理学工作流变得更低效。

上面提及的问题假设必须最初将病理学实例分配或分派给病理学家的准则已经完成。然而，分配病理学家的这种过程也可能包括干扰工作流在完成病理学实例方面的效率的问题。具体地，使用模拟和数字病理学程序两者中的常规方法，病理学实例的工作流的一部分包括管理员或其他分配实体/用户确定对于病理学实例或其部分要选择哪个病理学家。然而，可能存在在确定如何将病理学实例分配给病理学家中涉及的大量变量(例如，器官类型、提取方法、临床问题、病理学实例的工作流中的地点、病理学家的可用性、病理学家的专业知识、病理学家的角色等)。由于这种大量变量和如何考虑这些变量(尤其是组合地)，本领域技术人员将理解，病理学实例到病理学家的分配可能不能以最佳或有效的方式被执行。

在关于确定要被分配以病理学实例的病理学家的选择的又一方面中，也可以基于可以特异于捕获背景(例如，样本)的实验室或病理学实体的一组定义的策略来进行确定。例如，策略可以与病理学家的特性(例如，专业知识、角色、可用时间等)和病理学实例的特性(例如，类型、复杂性、预期诊断时间等)以及实验室的目标(例如，公平性、吞吐量、周转时间、成本/收益、资源利用率、及时性等)相关联。在模拟病理学程序中，这些策略可以被定义在文档中并且被手动地实施(例如，由实验室的技术员)。然而，不存在集成与诊断任务有关的相关工作流(例如，质量控制、会诊、住院医生对比主治病理学家对诊断的贡献等)以支持在每个工作流中实施相关策略的有效任务分布的计算机化支持或自动化功能性。即使数字病理学程序要包含为要被计算机化的任务分布和对应的工作流以及要被实施在软件中的策略提供自动化机制的另外的操作，要在对应于策略的定义域模型中使用的实体的属性将必须被应用策略(例如，被定义为关于模型的规则和约束)以提议针对任务分布的改善定义目标的解决方案的优化算法使用。然而，如下面所描述的，即使假设自动化操作是可用的，这种功能性也需要对多个不同条件和准则的包含。

当优化病理学工作流时，可以针对完成病理学实例中的考虑来选择一个或多个优化目标。例如，在诊断工作流中，分配的公平性、病理学实例的吞吐量、病理学实例的周转时间、病理学实体的资源利用率等可以被定义为目标。然而，在定义目标和对其的选择的过程中，目标的组合可能与彼此部分地冲突。当这发生时，至少一个目标的权衡可能必须被定义。为了平衡在实验室中工作的病理学家的工作负荷并且为了改善实验室的总体性能，可能需要关联到可靠地表示用于诊断的努力、时间、成本等的若干实例属性(例如，平均诊断时间或复杂性)中的每个。这些属性可以用来提议改善选定目标的解决方案。

然而，针对实验室的各种工作流内的任务分布实施策略和隐含地对应的优化目标可能需要大量时间，并且产生大量复杂且有时交叠或冲突的规则和目标。此外，当旨在在具有相应策略和目标的大量实验室处部署实施方案时，这种操作较差地衡量。即使设想了其中整个实验室策略的实施方案充当要被选定并且适应新实验室的模板的解决方案，总体操作也可能基本上难以检测规则之间的冲突，设置将实现到达最佳优化解决方案的得分之间的正确权衡，对针对新实验室的适应的解决方案进行验证和调试等。

在将病理学实例分配或分派给病理学家方面的另一要素中，诊断病理学实例所需的努力可能很大地改变，并且取决于实例本身(例如，临床问题、器官的类型、构成实例的病理切片的数量和类型、阳性或阴性诊断结果等)和/或特定病理学家(例如，通过专业知识、经验、技能等来参数化)。如上面提及的，当优化病理学实例的诊断工作流时，可以选择至少一个优化目标(例如，分配的公平性、实例的吞吐量、实例的周转时间、针对实例的资源分配、完成实例方面的及时性等)。因此，除了优化完成病理学实例的效率作为优化目标之外，可以存在优化病理学实体和病理学家的效率的另一优化目标。

在平衡与病理学实体相关联的病理学家的工作负荷中并且为了改善个体和总体性能，每个实例必须与可靠地表示在诊断中涉及的因素(例如，努力、时间、成本等)的属性(例如，平均诊断时间、复杂性等)相关联。在常规方法中，病理学实体可以提议针对被应用于所有病理学家的每个实例类型的诊断类型的平均值。然而，在实践中，取决于每个病理学家的专业知识并且取决于特定实例的复杂性(不仅种类的复杂性)，实际诊断时间可能极大地改变。总体专业度量可能仅仅是利用也随着时间演变的病理学家之间的差异的粗糙估计(例如，病理学家获得新的专业知识并且之前实例的回忆也有助于优化)。尽管数字病理学程序可以使得新信息能够被收集(例如，扫描器和图像管理系统两者)以优化诊断工作流(例如，以更快地将结果带回给患者)，但是使用平均值来估计诊断时间同时与用于补偿的估计对齐的当前方法导致吞吐量和周转时间的不准确预测器。

发明内容

示范性实施例涉及一种方法，包括：在工作流服务器处：接收与病理学实例相关联的多个数字切片，所述病理学实例与表征所述病理学实例的第一信息相关联；基于对所述数字切片的分析来生成第二信息，所述第二信息表征所述数字切片；基于所述第一信息和所述第二信息来确定在完成所述病理学实例中使用的多个任务；确定要被分配以执行所述任务中的选定任务的任务执行者；并且将分配分派给对应于所述选定任务的所述任务执行者。

示范性实施例涉及一种工作流服务器，包括：收发器，其经由通信网络进行通信，所述收发器被配置为接收与病理学实例相关联的多个数字切片，所述病理学实例与表征所述病理学实例的第一信息相关联；存储器，其存储可执行程序；以及处理器，其运行使所述处理器执行操作的所述可执行程序，所述操作包括：基于对所述数字切片的分析来生成第二信息，所述第二信息表征所述数字切片；基于所述第一信息和所述第二信息来确定在完成所述病理学实例中使用的多个任务；确定要被分配以执行所述任务中的选定任务的任务执行者；以及将分配分派给对应于所述选定任务的所述任务执行者。

示范性实施例涉及一种方法，包括：在工作流服务器处：接收与多个病理学实例相关联的多个数字切片，所述病理学实例与表征对应病理学实例的相应的第一信息相关联；基于对所述数字切片的分析来生成第二信息，所述第二信息表征所述数字切片；基于所述第一信息和所述第二信息来确定要在时间窗口中完成的多个任务，所述多个任务与所述病理学实例相关联；确定要被分配以执行所述任务中的选定任务的任务执行者；并且将分配分派给对应于所述选定任务的所述任务执行者，其中，所述分配与以下中的一项的优化目标相关联：公平性、吞吐量、周转时间、资源分配、及时性、或其组合。

附图说明

图1示出了根据示范性实施例的系统。

图2示出了根据示范性实施例的图1的工作流服务器。

图3示出了根据示范性实施例的用于自动完成病理学实例的总体方法。

图4示出了根据示范性实施例的用于生成用于将病理学家分配给病理学实例的策略的方法。

图5示出了根据示范性实施例的用于将病理学家分配给病理学实例的方法。

具体实施方式

示范性实施例可以进一步参考以下描述和相关的附图来进行理解，其中，相似的元件被提供有相同的附图标记。示范性实施例涉及用于优化用于完成病理学实例的设备、系统和方法。示范性实施例被配置为沿着工作流路径自动确定多个选择。具体地，示范性实施例提供了确定病理学实例要被完成的方式的总体过程。沿着总体过程，工作流可以被划分成病理学家被分配给的任务。示范性实施例提供了通过其来生成策略以定义满足与分派任务分配相关联的优化目标的方式的机制。示范性实施例还提供了通过其基于策略和可用病理学家的动态确定的当前特性来确定任务分配的机制。如将在下面进一步详细地描述的，示范性实施例利用数字病理学程序，并且提供了用于沿着工作流路径的选择以自动化方式被确定的特征。

应注意，示范性实施例参考优化用于完成病理学实例的工作流来进行描述。然而，对病理学实例和与之相关联的工作流的使用仅仅是示范性的。示范性实施例可以被修改为与任何医学实例(例如，图像采集程序)或非医学相关的实例一起使用，其中工作流用来完成实例，特别是通过确定与工作流相关联的任务并且将用户分配给任务以满足优化目标。示范性实施例还参考生成与将病理学家分配给任务相关联的策略来进行描述。然而，生成用于将病理学家分配给任务的策略的实施方式仅仅是示范性的。示范性实施例可以被修改为在生成针对任何实体的策略中被使用，使得规则或模型之间的冲突被解决以实现策略。示范性实施例还参考确定病理学家如何被分配给工作流中的不同任务来进行描述。然而，病理学家到任务的分配仅仅是示范性的。示范性实施例可以被修改为在确定实现优化目标的匹配中被使用。示范性实施例还可以确定任何任务执行者如何被分配以工作流中的不同任务，并不仅限于病理学家(例如，实验室技术人员、档案保管员等)。然而，出于说明性目的，示范性实施例在本文中具体关于分配病理学家来进行描述。

示范性实施例提供了生成并使用当在模拟病理学程序下完成病理学实例时不可用的信息。具体地，示范性实施例涉及数字病理学程序，使得通过利用样本的数字切片的可用性生成的额外信息被利用。如将在下面详细地进行描述的，算法可以被应用于数字切片上以驱动工作流选择、工作流执行和资源分配(例如，病理学家、设备等)。示范性实施例提供了可以用来驱动或优化工作流决策的对数字切片的自动化分析。例如，三个不同的方面可以是有区别的：(1)对工作流的选择、(2)在工作流中的决策点处对路径的选择、以及(3)对资源要求的评价(例如，由病理学家所需的诊断时间)。

示范性实施例利用了与模拟病理学程序相关联的位置分离。位置分离引入了在数字切片已经在实验室中被创建并扫描之后改变并优化病理学实例的工作流的机会。例如，病理学实例的工作流可以允许更多的见解被生成，并且改善效率以及质量。此外，对数字病理切片的分析可以用来操纵工作流，并且改善资源分配。位置要求的分离也可以对实例的规划和安排(诸如哪个病理学家要诊断样本)有影响。在数字病理学实验室中，与病理学实体相关联的病理学家可以被请求以评价以来自病理学实体内的内部方式(例如，例程诊断)以及来自病理学实体外的外部方式(例如，第二意见请求)来源于各种来源的实例。本领域技术人员将认识到，位置分离可以在完成病理学实例方面实现更多的灵活性。然而，常规方法可能仅利用数字病理学程序的位置分离方面，同时仍然将完成病理学实例的所有其余方式维持为模拟病理学程序。

示范性实施例还提供了处理病理学实例的粒度的变化。常规方法依赖于将整个病理学实例分配给单个病理学家。因此，选定的病理学家执行所有必要的操作以完成病理学实例或确定并委托其他操作(例如，当需要特定的专业知识时)。然而，示范性实施例引入了确定与病理学实例相关联的一个或多个任务(例如，基于从数字切片导出的信息)的方式。因此，每个任务可以具有可以用来确定哪个病理学家要被分配以该任务的它自己的考虑和准则。

如将在下面详细地进行描述的，示范性实施例可以提供管理和/或分配用来执行病理学工作流中的任务的资源(例如，病理学家)的自动化资源规划器。资源规划器可以使用来自对病理切片的自动化分析的信息来更好地评价资源要求。例如，IHC HER2评分算法可以指示可能可疑的得分，使得涉及HER2 FISH测试的排序的工作流可以被触发。随后，资源规划器可以使用该信息来更好地评价诊断实例所需的预期诊断时间(因为排序的HER2FISH测试对诊断活动有影响)。

自动化资源规划器还可以在确定如何分配资源方面包含处于原子水平的模型。示范性实施例提供了有效地提高对策略的建模、实施和随后的适应以及增加规则和目标的再利用并且在定义并管理大量规则和目标时帮助避免错误的解决方案。示范性实施例还可以使用对病理学实体的整体策略的实施作为要被选择和适应于另一病理学实体的模板。在该备选方法中，示范性实施例可以被配置为检测规则之间的冲突，设置实现到达优化解决方案的得分之间的正确权衡，并且对针对另外的病理学实体的适应的解决方案进行验证/调试。示范性实施例备选地改善构成病理学实例或任务的自动分配的基础的域模型和约束值的准确性，由此实现导致更高且更可靠的性能增益的更准确的性能分析和目标优化。

示范性实施例可以还提供将病理学实例与工作流和对应的任务相关联的机制。常规方法利用病理学实例的单一视图，其中单个实例状态被使用(例如，准备中、准备好审查、所需的动作、完成等)。对比之下，示范性实施例可以脱离病理学实例与工作流和任务相关联的这种特性。如将在下面进一步详细地描述的，病理学实例的这种关联性可以相对于由常规方法使用的单一特性提供实现优化目标的改善的方式。

图1示出了根据示范性实施例的系统100。系统100涉及在完成病理学实例中涉及的各种部件之间的通信。具体地，系统100可以涉及当患者提供要被诊断的样本的情形，该样本用来创建数字切片，该数字切片在诊断中被使用，并且系统100确定病理学实例应当至少部分地基于数字切片被完成的方式。系统100可以包括医师设备105、通信网络110和收集实体115。系统100还能够访问可以在完成病理学实例中被使用的各种信息源。各种信息源(包括从医师设备105和/或收集实体115接收的任何信息)可以通过医学数据储存库120来表示。系统100可以还包括工作流服务器125，该工作流服务器确定病理学实例被完成的方式，具体地经由对与对应于选定病理学实例的工作流相关联的任务的分配。在执行其功能性中，工作流服务器125可以利用被包括在工作流储存库130以及模型和规则储存库135中的数据。

医师设备105可以表示被配置为执行与医师相关联的功能性的任何电子设备。具体地，医师设备105可以被病理学家利用。例如，医师设备105可以是便携式设备(诸如平板电脑、膝上型电脑等)或固定设备(诸如台式终端)。医师设备105可以包括特别是在基于与工作流服务器125的数据交换来跟踪病理学实例中执行与医学处置相关联的各种操作所必要的硬件、软件和/或固件。医师设备105还可以包括建立与通信网络110的连接以进一步建立与系统100的其他部件的连接所需的连接性硬件、软件和固件(例如，收发器)。医师设备105可以还被配置为接收样本的数字切片，并且被配置为在诊断样本中向病理学家示出数字切片。

医师设备105可以被配置为使得病理学家能够执行与医学处置或诊断相关联的各种操作。例如，医师设备105可以从工作流服务器125接收要被执行的即将到来的诊断的安排。以这种方式，病理学家可以接收要被诊断的对应数字切片。在另一范例中，医师设备105可以用来为工作流服务器125提供诊断的结果或与诊断相关联的其他信息。

应注意，医师设备105也可以表示可以为工作流服务器125提供输入以定义病理学实例被完成的方式的管理员设备或其他用户设备。如将在下面进一步详细地描述的，工作流服务器125可以利用各种信息，包括在定义实例完成的方式中手动键入的输入。例如，工作流服务器125的管理员或用户也可以是病理学家。在另一范例中，用户可以是如何包含示范性实施例的各种特征的知识的规划者或工程师。

通信网络110可以被配置为通信性地连接系统100的各种部件以交换数据。通信网络110可以表示被系统100的部件用来与彼此通信的任何单个或多个网络。例如，如果医师设备105在医院处被使用，则通信网络110可以包括医师设备105可以最初与之连接的私人网络(例如医院网络)。私人网络可以连接到互联网服务提供商的网络以连接到互联网。随后，通过互联网，可以建立到其他电子设备的连接。例如，工作流服务器125可以相对于医院是远程的，但是可以被连接到互联网。因此，医师设备105可以被通信性地连接到工作流服务器125。应当注意，通信网络110和可以被包括在其中的所有网络可以是任何类型的网络。例如，通信网络110可以是局域网(LAN)、广域网(WAN)、虚拟LAN(VLAN)、WiFi网络、热点、蜂窝网络(例如，3G、4G、长期演进(LTE)等)、云网络、这些网络的有线形式、这些网络的无线形式、这些网络的组合的有线/无线形式等。

收集实体115可以表示收集样本并生成样本的数字切片的任何人或组织。例如，收集实体115可以从医师的办公室、实验室等接收样本。收集实体115可以将样本数字化成适当的切片。例如，组织样本可以被取向或成形成被变亮和/或染色的剖视图。该视图的图像可以被捕获并且被格式化成数字切片。本领域技术人员将理解，收集实体115可以使用将物理样本转换成数字切片的任何机制。收集实体115可以包括建立与通信网络110的连接以进一步建立与系统100的其他部件的连接所需的连接性硬件、软件和固件(例如，收发器)。例如，由收集实体115创建的数字切片可以被存储在医学数据储存库120中或被发送到工作流服务器125。

医学数据储存库120可以是可以针对与患者有关的信息进行查询的医学数据的储存库。在第一范例中，医学数据储存库120可以涉及患者历史，其中每个患者可以具有用来跟踪患者的不同程序、处置、访问等并且还跟踪与病理学实例的不同任务相关联的诊断的电子医学记录(EMR)。在第二范例中，医学数据储存库120可以涉及存储样本、图像或数字切片以及相关联的信息。在具体范例中，当与病理学相关时，医学数据储存库120的该方面可以基本上类似于实验室信息系统。当与图像采集相关时，医学数据储存库120的该方面可以基本上类似于放射学信息系统。在第三范例中，医学数据储存库120可以涉及在执行诸如关于病理学实例的具体程序中的跟踪和记录协议和/或步骤。在具体范例中，当与病理学相关时，医学数据储存库120的该方面可以基本上类似于图像管理系统。当与图像采集相关时，医学数据储存库120的该方面可以基本上类似于影像归档与通信系统。

工作流服务器125可以是根据示范性实施例执行与确定如何完成病理学实例相关联的功能性的系统100的部件。如将在下面进一步详细地描述的，工作流服务器125可以包括总体程序被执行以使用相关联的工作流和工作流内的所确定的任务来完成病理学实例的机制。在完成病理学实例的过程内，工作流服务器125可以还包括与定义要在完成病理学实例中被使用的优化目标和策略以及选择要被分配给工作流的具体任务的病理学家相关联的机制。

在执行其功能性中，工作流服务器125可以利用工作流储存库130以及模型和规则储存库135。工作流储存库130可以存储可以在完成病理学实例中被使用的多个工作流。工作流可以与各种特性(例如，关键词)相关联，使得具有匹配特性的病理学实例可以指示对选定工作流的使用。工作流储存库130也可以存储与每个工作流相关联的多个任务。被存储在工作流储存库130中的工作流和任务可以基于例如如被存储在医学数据储存库120中的历史病理学实例来确定。模型和规则储存库135可以存储多个模型(和/或规则)，包括被选择以满足所识别的优化目标的原子策略模型和复合策略模型。被存储在模型和规则储存库135中的模型(和/或规则)可以基于例如被更新为与正被处理的当前病理学实例相关的病理学实例和病理学家的历史性能来生成和/或确定。

应注意，系统100可以包括多个医师设备105、多个收集实体115和多个工作流服务器125。即，许多不同的医师和收集实体可以利用系统100或与该系统相关联。也可以存在服务不同的医师设备105和收集实体115的许多不同的工作流服务器125。例如，工作流服务器125可以与地理区域或具体的医学领域有关。还应注意，被实施在系统100的单个部件中的医学数据储存库120的存储能力和任何相关联的功能性仅仅是示范性的。根据另一示范性实施例，医学数据储存库120的每个功能性和对应的存储能力可以被包含到个体系统部件内。

如上面所描述的，工作流服务器125可以通过确定相关联的工作流、识别工作流内的任务并且将病理学家分配给用于完成的任务中的每个来确定病理学实例要被完成的方式。图2示出了根据示范性实施例的图1的工作流服务器125。工作流服务器125可以在完成病理学实例中提供各种功能性。尽管工作流服务器125被描述为网络部件(具体地服务器)，但是工作流服务器125可以被体现在各种硬件部件(诸如便携式设备(例如，平板电脑、智能手机、膝上型电脑等)、固定设备(例如，台式终端))，被包含到医师设备105和/或收集实体115内，被包含到网站服务内，被包含为云设备等。工作流服务器125可以包括处理器205、存储器装置210、显示设备215、输入和输出(I/O)设备220、收发器225、以及其他部件230(例如，成像器、音频I/O设备、电池、数据采集设备、将工作流服务器125电性地连接到其他电子设备的端口等)。

处理器205可以被配置为运行工作流服务器125的多个应用。处理器205可以利用多个引擎，包括分配引擎235、分析引擎240、规划引擎245和选择引擎250。分配引擎235可以还包括部署引擎255和效率引擎260。分配引擎235可以接收各种输入以选择要被分配以任务的病理学家。在执行这种功能性中，部署引擎255可以确定要在将病理学家分配给任务中被考虑的策略和优化目标。效率引擎260可以利用策略和优化目标来识别要被分配给任务的病理学家。分析引擎240可以接收并分析数字切片，以生成诸如预测的实例特性的额外信息。规划引擎245可以通过遵循分配规则(例如，优化目标、资源可用性等)基于任务分配请求来生成任务分配。选择引擎250可以确定要与病理学实例相关联的工作流以及确定与工作流相关联的任务。

应当注意，均为由处理器205运行的应用(例如，程序)的以上应用和引擎仅仅是示范性的。与应用相关联的功能性也可以被表示一个或多个多功能程序的部件、工作流服务器125的单独包含的部件，或可以是被耦合到工作流服务器125的模块化部件(例如，具有或没有固件的集成电路)。

存储器210可以是被配置为存储与由工作流服务器125执行的操作相关的数据的硬件部件。具体地，存储器210可以存储与引擎235-260相关的数据。显示设备215可以是被配置为向用户示出数据的硬件部件，而I/O设备220可以是被配置为使得用户能够键入输入的硬件部件。例如，工作流服务器125的管理员可以通过被显示在显示设备215上的用户接口利用借助于I/O设备220键入的输入来维持和更新工作流服务器125的功能性。应当注意，显示设备215和I/O设备220可以是单独的部件或被集成在一起(诸如触摸屏)。收发器225可以是被配置为经由通信网络110发送和/或接收数据的硬件部件。

根据示范性实施例，工作流服务器125可以执行各种不同的操作以确定病理学实例要被完成的方式。具体地，经由引擎235-260的工作流服务器125可以利用期望病理学实例工作流的正式且可执行模型，其中模型与对应域相关联。通过捕获将将任务分配给病理学家所需并且由资源规划部件、图像分析部件使用的所有相关信息(例如，任务特性和病理学家信息)和关于任务分配的约束/策略/优化目标，可以使得示范性实施例能够通过分配病理学家以支持期望复杂性的协作的模型来确定任务如何被分布。

最初，工作流服务器125可以接收关于病理学实例或与病理学实例相关联的至少一个数字切片的指示。这可以是对工作流服务器125执行确定要完成病理学实例的方式的其功能性的触发。例如，工作流服务器125可以监测存储来自收集实体115的数字切片的医学数据储存库120。当新的数字切片被识别时，工作流服务器125可以请求数字切片。数字切片可以与特定病理学实例相关联(例如，病理学实例的标记或识别可以与数字切片相关联)。以另一方式，工作流服务器125可以分析数字切片，并且通过参考医学数据储存库120中的其他信息(例如，EMR)来识别相关联的病理学实例。在另一范例中，工作流服务器125可以从医师设备105或收集实体115接收关于可以具有被存储在医学数据储存库120中的相关联的数字切片的病理学实例的指示。在病理学实例已经被识别的情况下，任何相关联的数字切片可以被请求并且被接收。

应注意，在工作流服务器125的功能性和由工作流服务器125使用的任何信息中，手动输入或通过手动键入提供的信息可以被包含。例如，患者的医师可以提供关于临床问题或样本被获取的原因的手动输入。具体地，这种手动输入可以利用患者的EMR来键入。被手动地键入的信息也可以指示样本的类型、样本何时被获取、样本如何被获取(例如，所使用的仪器或技术)、样本如何被保存、优先级水平、截止期限等。在另一范例中，代替依赖于通过工作流服务器125的自动化确定，可以取代任何自动化确定的手动输入可以被键入。以这种方式，对应的病理学实例可以包括来自手动输入的可以被工作流服务器125使用的额外信息。

在利用手动输入中，工作流服务器125可以被配置有解读输入的各种功能性。在第一范例中，手动输入可以使用标准化表单或以与表单输入基本上类似的输入的另一方式来提供。以此方式，工作流服务器125可以接收该表单，并且识别对应于特定条信息正在进行的选择。在第二范例中，工作流服务器125可以被配置有自然语言处理或解析操作，以接收可以被分析以确定被包含在手动输入中的信息的自由形式文本。在第三范例中，工作流服务器125可以被配置为将手动输入规范化(例如，成关键词)以识别被包含在手动输入中的信息。

在接收数字切片(和与数字切片或所识别的病理学实例相关联的任何伴随信息)之后，分析引擎240可以被配置为执行其功能性。如上面提及的，分析引擎240可以接收并分析数字切片以生成额外信息。具体地，数字切片可以被分析以确定实例特性(例如，器官/组织类型、提取方法、样本准备好分派给病理学家以便进行诊断的时间、切片的数量、优先级水平、截止期限等)和/或预测的实例特性(例如，预期的诊断时间、所需的额外测试、实例评价的难度等)。分析引擎240可以在生成该额外信息中利用任何可用信息(例如，基于被存储在医学数据储存库120中的信息或基于由工作流服务器125确定的信息)。

分析引擎240可以还被配置有在确定由工作流服务器125使用的其他特性中使用可用信息的功能性。在第一范例中，分析引擎240可以确定病理学家特性。具体地，使用可以被存储在医学数据储存库120中的历史病理学实例信息，分析引擎240可以识别与可以被分配给病理学实例的可用病理学家相关联的特性。病理学家特性可以包括专长、可用性、角色等。在第二范例中，分析引擎240可以确定关于工作流中的任务的状态的隐式或显式信息。如将在下面进一步详细地描述的，工作流可以针对病理学任务进行选择，其中工作流可以包括至少一个任务。这些任务中的每个可以被跟踪，并且任务的状态可以被确定(例如，任务已经开始、任务已经完成、任务被暂停等)。

使用可用信息、额外信息和任何其他信息源，要被用于病理学实例的工作流可以被确定。如上面提及的，选择引擎250可以确定要与病理学实例相关联的工作流。如上面提及的，选择引擎250可以利用工作流储存库130，该工作流储存库存储可以在完成病理学实例中被使用的多个工作流。应注意，病理学实例可以利用一个或多个工作流。出于说明性目的，示范性实施例关于使用单个工作流来进行描述。然而，与单个工作流相关联的过程的另一迭代可以被用于可以与病理学实例相关联的任何其他工作流。

在选择引擎250选择工作流的具体实施方式中，使用分析引擎240(例如，基于数字切片)导出的所生成的实例特性可以实现对工作流的选择和执行。例如，数字切片(和所指示的临床问题)可以用来检测HER2 IHC切片的可能诊断是可疑的。基于这种确定，可以选择预订HER2 FISH测试以增加病理学实例的预期诊断时间的工作流。诸如如果病理学家可能希望读取IHC切片以及FISH测试的结果，则这种改善的效率可以延伸到所分配的病理学家。在另一范例中，数字切片可以用来检测病理学实例的可能难度(例如，基于预期的诊断结果)。取决于病理学实体的策略(其在下面详细地进行描述)，选择引擎250可以触发非例程工作流，诸如教学工作流、涉及专门的专家(例如，非本地)的工作流、针对同一任务分配多于一个病理学家(以审查一致性)的质量保证工作流等。应注意，特别是如果病理学实例类型的诊断可能是困难的，则质量保证工作流可以被用于随后的病理学实例分析。

本领域技术人员将理解，可以在确定要被使用的工作流中被使用的许多机制。关于示范性实施例，基于由分析引擎240提供的信息，选择引擎250可以执行对工作流的确定。例如，分析引擎240可以分析与病理学实例相关联的数字切片和信息，以确定一个或多个关键词或确定要通过病理学实例解决的临床问题。被存储在工作流储存库130中的工作流可以与关键词相关联或与一个或多个临床问题有关。以这种方式，选择引擎250可以确定要与数字切片相关联的工作流。

应注意，工作流储存库130可以被填入以各种不同的方式创建和/或更新的工作流。例如，工作流服务器125可以被配置为基于可用信息(诸如完成的历史病理学实例)来生成一个或多个工作流。在另一范例中，工作流储存库130可以被填入由管理员创建的工作流。在又一范例中，工作流服务器125可以被配置为在更新被存储在工作流储存库130中的工作流中利用当前可用信息(例如，以反映具体的病理学实体、区域等)。

选择引擎250可以还确定与所选择的工作流相关联的任务。根据示范性实施例，在识别与数字切片对应于的病理学实例相关联的工作流之后，选择引擎250可以确定要针对该工作流被完成的任务。例如，选择引擎250可以利用可用信息以及任何所确定的信息(例如，来自分析引擎240的输出)来确定工作流要经由在给定病理学实例的具体条件/准则的情况下使用工作流所需的任务被执行的方式。在具体范例中，所识别的工作流可以被用于诊断样本的具体方式。基于该工作流和临床问题(其可以被提供或确定)，选择引擎250可以确定所需要的任务。以这种方式，与工作流相关联的任务可以被识别。

应注意，工作流可以与任务的不同集合相关联。即，从一个病理学实例到另一个病理学实例，给定的工作流可能不一定使用任务的相同集合。例如，第一病理学实例和第二病理学实例可以包括共同类型的器官的数字切片。因此，相同的工作流可以被选择。然而，第一病理学实例可以涉及第一临床问题，而第二病理学实例可以涉及第二不同的临床问题。因此，尽管使用相同的工作流，但是要针对工作流被执行的任务可以是不同的。然而，还应注意，工作流可以包括当该工作流被选择时总是被执行的任务的基本集合。在这种实施方式中，每当该工作流被选择时，任务的该基本集合可以总是被执行。

应进一步注意，工作流储存库130可以存储与工作流相关联的任务，特别是当工作流服务器125被用于病理学实例时。在第一范例中，当工作流包括任务的基本集合时，这些任务可以与工作流相关联。在第二范例中，当工作流已经被选择时，工作流可以具有与之相关联的数据库，使得工作流针对其被选择的病理学实例的条件/准则可以被存储。以这种方式，当病理学实例已经完成时，被确定为被用于病理学实例的任务也可以被存储在数据库中。因此，当另一病理学实例具有与数据库中的病理学实例基本上类似的条件/准则时并且当相同的工作流被选择时，之前选择的任务可以再次被选择(或至少被建议用于选择)。

一旦任务已经被选择引擎250确定，每个任务可以具有被分配给其的病理学家。在确定针对每个任务选择哪个病理学家中，工作流服务器125可以利用多个引擎。具体地，工作流服务器125可以使用分配引擎235、规划引擎245、部署引擎255和效率引擎260。如上面提及的，规划引擎245可以通过遵循分配规则(例如，优化目标、资源可用性等)基于任务分配请求来生成任务分配。分配引擎235可以接收各种输入以选择要被分配以任务的病理学家。部署引擎255可以确定要在将病理学家分配给任务中被考虑的策略和优化目标。效率引擎260可以利用策略和优化目标来识别要被分配给任务的病理学家。

应注意，当多个任务针对工作流来进行确定时，可以存在针对这些任务被分配的一个或多个病理学家。例如，可以由工作流服务器125做出如下确定：单个病理学家可以被分配为执行任务，两个不同的病理学家可以被分配为均执行任务中的相应任务，或另外多个不同的病理学家可以被分配为均执行任务中的相应任务，其中，每个病理学家可以执行任务中的一个或多个。因此，任务中的每个可以被分配给不同的病理学家，所有任务都可以被分配给单个病理学家，或这些极限之间中的任何分配确定可以被使用。

在将任务分配给病理学家中，部署引擎255可以执行各种操作以定义如何鉴于病理学实体的优化目标来选择病理学家。具体地，部署引擎255可以被配置为将定义病理学实体处的相关策略的规则和目标拆分成原子模型。原子模型可以表示均对应于单个原子目标的规则的子集，并且可以利用非冲突规则(即，不与另一规则冲突)来表示。部署引擎255可以通过定义可以根据需要被组合在复杂或复合模型中的这些原子模型来构建并管理病理学实体的策略。

根据示范性实施例的原子模型可以包括非冲突和非交叠规则。原子模型还可以包括对应的域模型，其中，所述域模型可以涉及与特定问题有关的主题的概念模型，除了控制特定问题的约束之外，所述概念模型描述实体、属性、关系等。原子模型也可以与要被优化的明确定义的目标有关。一旦被定义，原子模型就可以被组合成实施用于病理学实体的策略的复合模型。可以针对原子模型维持综合注释，当尝试复合模型中的组合时，所述综合注释帮助检测原子模型之间的冲突和交叠，以及识别原子模型应用于的域模型的变化。如本领域技术人员将理解的，复合模型可以包括具有针对每个的定义的得分/权重的冲突评分规则。示范性实施例可以利用得分来确定基于原子模型的权衡以实现优化目标。

如将在下面进一步详细地描述的，原子模型和复合模型可以由部署引擎255基于初始模型来部署。因此，可以存储原子和复合模型的模型和规则储存库135可以与对应的优化目标有关。以这种方式，原子和复合模型可以被有效地再利用，并且被扩展到应用于其他病理学实体的背景。

尽管部署引擎260可以以基本上自主的方式进行操作，但是部署引擎260也可以被配置有使得用户(例如，管理员)能够选择原子和/或复合模型的用户接口。在使用该特征时，部署引擎260也可以可视化规则之间的冲突(例如，自动检测和手动识别)以及被存储为注释以当用户尝试组合某些原子或复合模型时被示出的冲突。部署引擎260可以还使得在创建复合模型中与原子模型一起使用的规则和得分能够在期望的情况下被检查和修改。部署引擎260可以额外地被配置用于要(手动地或自动地)创建的新的原子模型。部署引擎260可以包括评估/验证特征以帮助用户通过对原子模型的选择测试得分/惩罚和规则的改变对期望优化目标的影响并且创建复合模型。

部署引擎260可以执行多个操作以生成用于病理学实体的策略。例如，部署引擎260可以接收当完成病理学实例时要通过病理学实体实现的优化目标的指示。优化目标可以被处理(例如，自然语言处理或表单识别)以确定与优化目标相关联的特性或关键词。例如，优化目标可以涉及效率、吞吐量、公平性、其组合、资源分配、及时性等。

基于优化目标，部署引擎260可以确定对应于优化目标的原子模型。如上面描述的，原子模型可以与对应的目标有关。例如，第一原子模型可以与效率目标有关。第二原子模型也可以与效率目标有关。第三原子模型可以与公平性目标有关。因此，原子模型可以被确定和收集以便进一步处理。

如上面提及的，原子模型可以被组合成涉及所识别的优化目标的复合模型。尽管原子模型利用非冲突和非交叠规则来开发，但是当被组合成复合模型时，来自第一原子模型的规则可能与来自第二原子模型的规则冲突。因此，部署引擎260可以解决由创建复合模型而引起的冲突。例如，评分操作可以被使用，其中与第一冲突规则相关联的第一原子模型对比与第二冲突规则相关联的第二原子模型进行分析。具体地，权衡可以被识别，其中包括或不包括冲突原子模型的复合模型被确定。随后，使得优化目标能够被实现的更好复合模型被识别。以这种方式，复合模型可以提供优化目标可以如何通过包含适当的原子模型和复合模型来实现的表示。复合模型可以用来生成对应的策略。

如上面提及的，部署引擎260还可以用来实现用于手动输入的用户接口。因此，沿着该过程在任何阶段处，用户可以提供可以取代通过部署引擎260进行的任何自动化确定的输入。例如，优化目标可以由用户来提供。优化目标可以以任何格式(例如，自由形式文本、以标准化形式等)来提供。在另一范例中，原子模型或复合模型可以选自模型的预定列表。当手动选择被键入时，部署引擎260可以被配置为相对于优化目标尽其所能包含所选择的模型。然而，如果所选择的模型最终被确定为包括未解决的冲突或如果优化目标不能被满足，则部署引擎260可以将警告返回给用户。

部署引擎260可以还基于可用的原子和复合模型来确定优化目标是能够被实现还是不能被实现。例如，特别地在对部署引擎260的使用的早期阶段期间，可能不存在可用的原子或复合模型的充足列表。因此，为了实现具体的优化目标，新的原子模型可以被创建，新的原子模型可以被包括在用于实现优化目标的策略的复合模型中。

尽管部署引擎260可以以基本上自动化的方式执行以上操作，但是当策略基于用户准许而被创建时，部署引擎260可以基于原子和复合模型来生成策略作为要被显示给用户的建议。因此，经由用户接口，用户可以基于由部署引擎260提供的建议来浏览、编辑、组合模型等。

部署引擎260可以额外地被配置有策略的结果被验证的反馈操作。即，部署引擎260可以确定基于原子和复合模型而被使用的策略最终是否已经实现对应的优化目标。例如，第一策略可能在第一策略被选择的时间的第一百分比内已经成功地实现其优化目标。在另一范例中，第二策略可能在第二策略被选择的时间的第二百分比内已经未能实现优化目标。基于这些成功和失败，部署引擎260可以更准确地确定如何针对涉及优化目标的某些策略选择原子和复合模型。反馈操作还可以用来通过手动或自动化检测来注释模型中的冲突。部署引擎260可以基准测试对用于随后在实现优化目标中使用的策略的改变的效果。

如上面提及的，部署引擎260可以执行其功能性以开发要在创建实现优化目标的策略中使用的原子和复合模型。对部署引擎260的使用可以集中于分析策略和构建与特定优化目标有关的原子模型。对处于其初期的部署引擎260的最初使用可以构建模型和规则储存库135以及可以通过后期使用而被再利用的对应注释。如本领域技术人员将理解的，对策略进行建模的努力在部署引擎260的早期使用中是更大的。一旦原子模型的强库已经被构建，部署引擎260就可以使用储存库135用于随后的实施，从而使建模者的工作更有效且更快(例如，由可用的构建块构成整个策略，通过修改约束和其权衡来解决冲突，只有当可用的模型不支持病理学实体的所有设定目标和策略时才定义新的模型等)。

基于部署引擎260的以上实施方式，工作流服务器125可以提供各种特征。例如，工作流服务器125可以被配置为实现用于病理学实体处的各种工作流中的分配策略的有效建模和任务实施。在另一范例中，工作流服务器125可以被配置为提供在实现优化目标中构建、评估和测试/验证策略的直观方式。在又一范例中，工作流服务器125可以被配置为支持在实现优化目标中将文本策略转变成计算机化模型的过程。

工作流服务器125还可以在将任务分配给病理学家中利用效率引擎260。再次，效率引擎260可以利用(例如，如利用部署引擎255所定义的)策略和优化目标来识别要被分配给任务的病理学家。效率引擎260可以执行各种操作以选择可用病理学家中的一个以被分配给给定任务来实现期望的优化目标。效率引擎260还可以利用独立的方法或整体的方法，使得针对任务的病理学家的选择可以基于目前的条件或可以基于选择如何影响任务分配的安排。

使用数字病理学，诊断统计可以被确定。因此，工作流服务器125可以基于实例类型来有效地评价和分析针对每个病理学家的实际诊断时间，并且识别病理学家的性能和专长的变化。相比于完成病理学实例的常规方法，历史上完成的病理学实例的日志的分析可以使得根据示范性实施例的工作流服务器125能够移动远离使用平均总体性能属性，并且替代地使用随时间改变的被动态地确定的变量。这些变量可以基于历史日志的实况分析而被分配以值。虽然平均值可以用来在(关于工作负荷的)公平性需要被保留在病理学家之间时估计资源利用率，但是从所收集的活动数据导出的更准确的诊断时间值可以改善实现优化目标(例如，吞吐量、周转时间等)。因此，根据示范性实施例的工作流服务器125组合两种方法，从而维持公平性(例如，不奖励具有更少工作的效率更低的病理学家)同时找到具有产生期望的总体性能的可能性的安排。

如将在下面详细地进行描述的，使用从工作流收集的轨迹(例如，被病理学家完成的工作流的一部分)，效率引擎260可以被配置为基于实例类型来演变描述每个病理学家的预期性能的计时特性，并且考虑这些值随着时间的变化。计时特性可以在两种类型的设置中被使用。统计可以用来将病理学家分配给给定的病理学实例。例如，分配可以是针对给定病理学实体的，给定病理学实体包括多个病理学家和病理学实体处的需要一时间段内的诊断的当前病理学实例。统计还可以用来随着时间跟踪每个病理学家的性能。

在提供上面提及的功能性中，效率引擎260可以被配置为执行多个操作。在第一操作中，效率引擎260可以包括求解器功能性。求解器功能性可以利用域模型和评分规则以及活动估计表和工作流模型，其描述具有被选择为在实现优化目标中用作输入参数的关键活动的具体病理学实体的操作的方式。因此，求解器功能性可以估计每个病理学家的每个实例类型的诊断时间。应注意，求解器功能性也可以被扩展为覆盖其他活动。还应注意，域模型可以包括可以被活动估计表填充的参数和/或变量。

在第二操作中，效率引擎260可以包括日志处理功能性。日志处理功能性可以从(例如，医学数据储存库120中的)图像管理系统检索被映射到选定活动种类上的活动的日志。在第三操作中，效率引擎260可以包括分析功能性。分析功能性可以处理日志，并且计算每个病理学家和实例类型的活动参数的当前值。分析功能性可以馈送输出以便进一步处理(例如，以更新规则/约束定义)。应注意，分析功能性可以包括处理估计的变化的结果和对要被实现的优化目标的任何影响的反馈功能性。在第四操作中，效率引擎260可以包括优化功能性。优化功能性可以考虑域模型和规则定义以提议优化期望优化目标(例如，吞吐量或周转时间)的针对病理学实例分配的解决方案。

为了确定要被分配以用于病理学实例的工作流的任务的病理学家的选择，效率引擎260可以接收并审查之前的病理学实例和相关联的任务的历史日志。具体地，工作流轨迹可以被收集以便病理学家读取病理学实例/任务以及对应的实例特征。特征(例如，临床问题、器官的类型、被关联到病理学实例的病理切片的数量和类型、疾病等)可以用来构建实例类型。以这种方式，病理学家、实例类型和对应的任务可以被关联以确定病理学家在针对类似实例类型执行类似任务时可能需要的可能时间的估计。具体地，以上操作可以用来计算每个病理学家针对每个实例类型的预期读取时间。额外地，以上操作可以用来针对可以被用作预测器的其他相关活动计算计时估计。

如上面提及的，可以存在任务的安排需要病理学家的诊断的时间窗口。基于这些已知的所安排的任务，效率引擎260可以利用每个病理学家针对针对每个任务所需要的预期时间。然后，基于要被满足的任何优化目标和可以(例如，经由部署引擎255)被定义的任何策略，效率引擎260可以为每个任务选择病理学家。以这种方式，效率引擎260可以使用这些估计来计算针对任务的安排，其中被认为基于一组关键性能指标来实现任何定义的优化目标或策略的安排可以被执行。对于每个病理学实例，效率引擎260可以给出根据每个合格病理学家的所估计的努力的平均值(例如，以时间为单位)，该平均值用来决定病理学实例/任务要被分配给哪个病理学家。

应注意，以上功能性基于历史病理学实例和病理学家将在诊断具体实例类型或任务中需要的当前预期时间。然而，对于当足够的数据源不可用时的初始迭代，效率引擎260可以使用被分配给每个病理学实例的预期努力的部署值。部署值可以基于平均值、任何可用数据或其组合。因此，当系统正在运行并且效率引擎260正在被使用时，随着轨迹(例如，在历史病理学实例中完成的任务)被收集，部署值或任何更新的值可以被更新(或被进一步更新)。

如上面提及的，效率引擎260可以包括反馈功能性。因此，当更新值时，针对每个病理学实例和任务的实际计时/努力可以与在将任务分配给病理学家中使用的所确定的估计的值进行比较。针对所分配的病理学家和实例类型的估计的(例如，预测的)值可以由此被更新。标准偏差也可以被计算，并且用来确定是否需要对所估计的诊断时间的改变(例如，离群值可以被检测并且被忽视)。参数/变量可以在域模型中基于对历史日志的分析根据定义的策略来更新(例如，在每200个该类型的新实例之后更新针对实例类型的平均诊断持续时间并且排除离群值)。应注意，更新操作可以基于任何计时准则来执行。例如，基于病理学实例/任务的时间或数量的预定间隔可以被使用。在另一范例中，动态间隔可以被使用。在又一范例中，当每个病理学实例/任务被完成时，恒定的更新可以被使用。

基于效率引擎260的以上实施方式，工作流服务器125可以提供各种特征。例如，工作流服务器125可以被配置为指示要被分配以病理学实例的具体任务的病理学家的分配确定。分配确定可以通过在给定实例类型的情况下包括关于每个病理学家的预期性能的知识来优化。这在优化功能性中被用于对周转时间和吞吐量的准确预测。在另一范例中，工作流服务器125可以被配置为跟踪病理学家的性能，由此允许与对等者的比较并且比较不同阶段中的病理学家的性能。在又一范例中，工作流服务器125可以被配置为检测并考虑用于随后迭代的病理学家的性能的变化。

一旦任务已经被分配给病理学家，工作流服务器125就可以分派分配。示范性实施例可以利用针对每个病理学家的任何分派机制，以在完成针对病理学实例的工作流的任务中执行相应的职责。例如，如果病理学实例由(例如，医院的病理学部门中、实验室中等的)病理学实体来执行，则工作流服务器125可以将分配提供给病理学实体。病理学实体可以安排分配(例如，基于分配中的任何安排要求)。

一旦工作流的任务中的每个已经被完成，示范性实施例也可以被配置有反馈操作，其中结果或随后的动作也被工作流服务器125接收。基于反馈数据，工作流服务器125可以更新医学数据储存库120中的任何信息，可以更新被存储在工作流储存库130中的工作流/任务，和/或可以更新被存储在模型和规则储存库135中的模型/规则。在使用反馈操作的具体方式中，病理学家特性可以被更新，其中最新经验被包含以反映病理学家的概况。因此，被处理的任何其他病理学实例可以依赖于每个病理学家的同时期概况。

图3示出了根据示范性实施例的用于自动完成病理学实例的总体方法300。具体地，方法300涉及确定用于病理学实例的工作流被划分成被分配给病理学家的任务的方式。方法300还涉及工作流服务器125如何生成和/或利用从在数字病理学程序中使用数字病理切片获得的额外信息。方法300将从工作流服务器125和引擎235-260的角度来进行描述。方法300还将关于图1的系统100和图2的工作流服务器125来进行描述。

在305中，工作流服务器125接收与病理学实例相关联的数字切片。如上面描述的，数字切片可以是由收集实体115捕获的患者的样本的数字文件。例如，样本可以是组织或体液。收集实体115(或另一机构)可以将样本数字化成可以被存储在医学数据储存库120中的数字切片。工作流服务器125可以以直接的方式从收集实体115(或创建数字切片的组织)被提供以数字切片，或可以从医学数据储存库120请求数字切片。应注意，工作流服务器125可以已经接收数字切片以(如上面描述的)各种方式被关联到的病理学实例的指示。因此，工作流服务器125可以已经被提示以接收基于所识别的病理学实例的数字切片。

在310中，工作流服务器125识别数字切片被关联到的病理学实例。如果病理学实例的识别在检索数字切片中被使用，则工作流服务器125可以已经识别病理学实例。然而，如果工作流服务器125已经在没有识别的情况下接收数字切片，则工作流服务器125可以(例如，经由分析引擎240)分析数字切片以确定与数字切片相关联的各种特性。例如，样本的类型可以被识别。基于这些特性，工作流服务器125可以参考被存储在医学数据储存库120中的信息(例如，EMR)来识别病理学实例。在315中，基于所识别的病理学实例，工作流服务器125可以接收相关联的信息。例如，与病理学实例相关联的临床问题可以被包括在相关联的信息中。

在320中，工作流服务器125经由分析引擎240可以分析数字切片。如上面提及的，工作流服务器125被配置为确定来自数字切片的额外信息以在确定在完成病理学实例中如何使用工作流中被使用。具体地，数字切片可以被分析以确定实例特性(例如，器官/组织类型、提取方法、样本准备好分派给病理学家以便进行诊断的时间、切片的数量等)和/或预测的实例特性(例如，预期的诊断时间、所需的额外测试、实例评价的难度等)。

在325中，基于所接收的与数字切片相关联的信息和从数字切片导出的额外信息，工作流服务器125确定要在完成病理学实例中使用的工作流。例如，工作流服务器125可以访问存储可以用来完成病理学实例的多个工作流的工作流储存库130。在330中，工作流服务器125确定与所确定的工作流相关联的一个或多个任务。如上面提及的，任务可以与工作流紧密地有关。即，当对应的工作流被选择时，选定的任务可以总是被使用。也可以存在针对对应的工作流例如基于数字切片的所接收的和/或额外的信息来动态地选择的其他任务。

在335-340中，工作流服务器125经由规划引擎245和选择引擎250选择任务，并且确定要被分配以所选择的任务的病理学家。对病理学家的选择将关于部署引擎255和效率引擎260进一步详细地进行描述。在345中，工作流服务器125确定是否存在需要病理学家被分配的任何其他任务。如果另一任务存在于工作流中，则工作流服务器125返回到335。然而，当所有任务都已经被分配了病理学家时，在350中，工作流服务器125分派诸如针对要被病理学实体完成的即将到来的任务的窗口的安排中的分配。

图4示出了根据示范性实施例的用于生成用于将病理学家分配给病理学实例的策略的方法400。具体地，方法400可以涉及生成并且在创建复合模型中利用原子模型，所述复合模型形成实现病理学实体处的优化目标的策略的基础。方法400将从工作流服务器125和部署引擎255的角度来进行描述。方法400还将关于图1的系统100和图2的工作流服务器125来进行描述。

在405中，工作流服务器125接收针对病理学实体的优化目标。例如，优化目标可以涉及吞吐量、周转时间、公平性等。优化目标可以从用户(诸如病理学实体的管理员)手动地接收，或可以基于病理学实体被配置为以其进行操作的预定准则被自动地确定。基于优化目标，在410中，工作流服务器125确定对应于优化目标的原子模型，其中，所述原子模型利用非冲突和非交叠规则来定义。如上面描述的，工作流服务器125可以访问存储原子模型的模型和规则储存库135，所述原子模型中的每个与一个或多个优化目标相关联。因此，对应于优化目标的原子模型可以被确定。应注意，本文中描述了其中模型和规则储存库135已经根据部署引擎255的至少一个先前使用被填入原子模型的方法400。

在415中，工作流服务器125将对应于优化目标的原子模型组合成一个或多个复合模型。如上面提及的，尽管原子模型可以包括可以独立地和组合地坚持的规则，但是通过原子模型的组合的复合模型可以导致被包括在原子模型中的规则之间的冲突。因此，在420中，工作流服务器125解决冲突。例如，权衡可以在原子模型之间进行确定，以改善优化目标可以被实现的方式。

在425中，工作流服务器125可以确定手动输入是否已经被接收。最初，应注意，手动输入可以在沿着方法400的任何阶段处被接收。例如，手动输入可以是优化目标。在另一范例中，手动输入可以是被手动选择的原子模型。手动输入可以优先于自动确定的输入。因此，如果手动输入被接收，则在430中，工作流服务器125实施手动输入，并且返回到410，其中原子模型被确定，并且在415中，复合模型被创建。

如果没有手动输入被接收，则在435中，工作流服务器125确定具有被解决的任何冲突的复合模型是否导致任何优化目标不被实现。特别地当模型和规则储存库135还未被构建为包括适当的模型时，成为复合模型的组合可能不能实现被接收的优化目标。如果至少一个优化目标不可利用复合模型实现，则在440中，工作流服务器125针对可以被包含到复合模型内的缺失的目标定义新的原子模型。此后，工作流服务器125返回到415，其中包括新的原子模型的复合模型被评价以在420中解决冲突。当所有优化目标都可利用包括原子模型的复合模型实现时，在445中，对应于优化目标的策略被生成。

图5示出了根据示范性实施例的用于将病理学家分配给病理学实例的方法500。具体地，方法500可以涉及利用策略和优化目标以及与病理学家相关联的历史病理学实例/任务信息。方法500将从工作流服务器125和效率引擎260的角度来进行描述。方法500还将关于图1的系统100和图2的工作流服务器125来进行描述。

在505中，工作流服务器125接收已经被完成的先前病理学实例/任务的日志。日志可以包括各种类型的信息。因此，在510中，工作流服务器125确定在日志中被执行的实例类型和任务。实例类型可以基于各种特性(例如，器官类型)。日志也可以包括被分配了完成的任务的对应病理学家以及关于病理学家在完成任务中使用的时间量的计时信息。因此，在515中，工作流服务器125可以确定由具体病理学家完成特定实例类型或任务的预期读取时间。在维持病理学家/实例类型的预期时间中，工作流服务器125可以确定在完成即将到来的任务中的安排。

在520中，工作流服务器125接收即将到来的任务的安排。如上面提及的，工作流服务器125可以确定要在时间窗口内被分配给病理学家的任务。例如，工作流服务器125可以确定要在未来时间的给定日子(例如，自当前日子的一周)执行的任务。任务可以与一个或多个病理学实例的一个或多个工作流相关联。应注意，用于任务的时间窗口的使用仅仅是示范性的。在另一示范性实施例中，工作流服务器125可以基于用于特定病理学实例的工作流来确定要被分配给病理学家的任务。因此，与病理学实例相关联的任务可以具有被分配给其的病理学家。

在525中，工作流服务器125接收针对任务的安排的优化目标。如上面提及的，优化目标可以具有与之相关联的策略，并且包括在实现优化目标中的原子和/或复合模型。因此，基于根据执行505-515的估计并且还基于优化目标/策略，在530中，工作流服务器125将病理学家分配给针对安排的每个任务从而以最大的成功概率实现优化目标。

示范性实施例提供了通过优化工作流要被完成的方式来完成病理学实例的设备、系统和方法。通过利用从数字病理学程序的数字切片收集的额外信息，要在病理学实例的工作流中被完成的任务可以被确定。以这种方式，示范性实施例可以以有效的方式将一个或多个病理学家分配给任务。当从任务要被完成的时间窗口观察时，示范性实施例也可以在该窗口中以有效的方式将一个或多个病理学家分配给任务。因此，病理学家的病理学实体的优化目标可以被实现。

本领域技术人员将理解，可以以任何合适的软件或硬件配置或其组合来实施上述示例性实施例。用于实施示例性实施例的示例性硬件平台可以包括例如具有兼容性操作系统的基于Intel x86的平台、Windows平台、Mac平台和MAC OS、具有诸如iOS、Android等操作系统的移动设备。在另外的示例中，上述方法的示例性实施例可以被实施为计算机程序产品，该计算机程序产品包含被存储在计算机可读存储介质上的代码行，该代码行可以在处理器或微处理器上运行。存储介质可以是例如本地或远程数据储存库，该本地或远程数据储存库是兼容性的或被格式化以与使用任何存储操作的上述操作系统一起使用。

对本领域技术人员而言将显而易见的是，可以在公开中进行各种修改而不脱离本公开的精神或范围。因此，旨在将本公开覆盖本公开的修改和变型，只要它们落入随附权利要求以及与其等价要件的范围内。

Claims (20)

1.一种方法，包括：

在工作流服务器处：

接收与病理学实例相关联的多个数字切片，所述病理学实例与表征所述病理学实例的第一信息相关联；

基于对所述数字切片的分析来生成第二信息，所述第二信息表征所述数字切片；

基于所述第一信息和所述第二信息来确定在完成所述病理学实例中使用的多个任务；

生成用于将病理学家分配给任务的策略；

基于定义的策略的集合来确定要被分配以执行所述任务中的选定任务的任务执行者；并且

将分配分派给对应于所述选定任务的所述任务执行者。

2.根据权利要求1所述的方法，其中，所述第二信息包括以下中的一项：实例特性、预测的实例特性、或其组合。

3.根据权利要求2所述的方法，其中，所述实例特性包括以下中的一项：器官类型、组织类型、提取方法、所述数字切片中的一个数字切片的样本准备好分派给所述任务执行者的时间、所述数字切片的数量、优先级水平、截止期限、或其组合。

4.根据权利要求2所述的方法，其中，所述预测的实例特性包括以下中的一项：预期的诊断时间、所需的额外测试、实例评价的难度、或其组合。

5.根据权利要求1所述的方法，其中，所述第一信息包括与针对样本被抽取以生成所述数字切片的原因相关联的临床问题。

6.根据权利要求1所述的方法，还包括：

确定在完成所述病理学实例中使用的工作流，所述工作流与所述任务相关联。

7.根据权利要求1所述的方法，还包括：

接收在完成所述病理学实例中使用的优化目标，所述确定所述任务和所述任务执行者还基于所述优化目标。

8.根据权利要求7所述的方法，其中，所述优化目标与以下中的一项相关联：吞吐量、周转时间、公平性、资源利用率、及时性、或其组合。

9.根据权利要求7所述的方法，其中，所述确定所述任务执行者基于在策略中定义的所述优化目标。

10.根据权利要求9所述的方法，还包括：

确定对应于所述优化目标的多个原子模型，所述原子模型包括非冲突和非交叠规则。

11.根据权利要求10所述的方法，还包括：

将所述原子模型组合成表示所述策略的复合模型。

12.根据权利要求11所述的方法，其中，所述复合模型中的所述原子模型中的第一个包括第一规则，并且所述复合模型中的所述原子模型中的第二个包括第二规则，所述第一规则中的第一个与所述第二规则中的第二个冲突。

13.根据权利要求12所述的方法，还包括：

在使用所述复合模型实现所述优化目标中确定针对第一原子模型和第二原子模型的评分值；

确定在所述复合模型中包括所述第一原子模型、所述第二原子模型、或所述第一原子模型和所述第二原子模型两者的相应权衡；以及

识别具有实现所述优化目标的最高概率的所述相应权衡。

14.根据权利要求1所述的方法，其中，所述确定所述任务执行者基于历史完成的病理学实例的日志，每个历史完成的病理学实例包括相应的多个完成的任务，每个完成的任务与相应的任务执行者相关联。

15.根据权利要求14所述的方法，还包括：

确定所述任务执行者针对所述选定任务的预期读取时间，所述预期读取时间基于所述日志。

16.一种工作流服务器，包括：

收发器，其经由通信网络进行通信，所述收发器被配置为接收与病理学实例相关联的多个数字切片，所述病理学实例与表征所述病理学实例的第一信息相关联；

存储器，其存储可执行程序；以及

处理器，其运行使所述处理器执行操作的所述可执行程序，所述操作包括：

基于对所述数字切片的分析来生成第二信息，所述第二信息表征所述数字切片；

基于所述第一信息和所述第二信息来确定在完成所述病理学实例中使用的多个任务；

生成用于将病理学家分配给任务的策略；

基于定义的策略的集合来确定要被分配以执行所述任务中的选定任务的任务执行者；以及

将分配分派给对应于所述选定任务的所述任务执行者。

17.根据权利要求16所述的工作流服务器，其中，所述第二信息包括以下中的一项：实例特性、预测的实例特性、或其组合。

18.根据权利要求17所述的工作流服务器，其中，所述实例特性包括以下中的一项：器官类型、组织类型、提取方法、所述数字切片中的一个数字切片的样本准备好分派给所述任务执行者的时间、所述数字切片的数量、优先级水平、截止期限、或其组合。

19.根据权利要求17所述的工作流服务器，其中，所述预测的实例特性包括以下中的一项：预期的诊断时间、所需的额外测试、实例评价的难度、或其组合。

20.一种方法，包括：

在工作流服务器处：

接收与多个病理学实例相关联的多个数字切片，所述病理学实例与表征对应病理学实例的相应的第一信息相关联；

基于对所述数字切片的分析来生成第二信息，所述第二信息表征所述数字切片；

基于所述第一信息和所述第二信息来确定要在时间窗口中完成的多个任务，所述多个任务与所述病理学实例相关联；

生成用于将病理学家分配给任务的策略；

基于定义的策略的集合来确定要被分配以执行所述任务中的选定任务的任务执行者；并且

将分配分派给对应于所述选定任务的所述任务执行者，

其中，所述分配与以下中的一项的优化目标相关联：公平性、吞吐量、周转时间、资源分配、及时性、或其组合。