CN112053767A - 医疗中的人工智能分派 - Google Patents

医疗中的人工智能分派 Download PDF

Info

Publication number
CN112053767A
CN112053767A CN202010504646.9A CN202010504646A CN112053767A CN 112053767 A CN112053767 A CN 112053767A CN 202010504646 A CN202010504646 A CN 202010504646A CN 112053767 A CN112053767 A CN 112053767A
Authority
CN
China
Prior art keywords
patient
information
artificial intelligence
user
selecting
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.)
Pending
Application number
CN202010504646.9A
Other languages
English (en)
Inventor
P.沙马
D.科马尼丘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Medical Ag
Original Assignee
Siemens Healthcare GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Healthcare GmbH filed Critical Siemens Healthcare GmbH
Publication of CN112053767A publication Critical patent/CN112053767A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

医疗中的人工智能分派。在多目标优化中使用患者、用户和/或AI信息来选择用于任务的多个可用AI之一。在患者或用户特定的基础上，选择最佳AI并将其应用于医学成像或其他医疗动作。选择可以在应用之前，这避免了应用多个AI来获得最好结果的成本。优化可以基于来自用户的针对各种可用AI的统计反馈，提供否则不可用的信息。优化可以基于AI性能、AI包括和/或排除标准和/或定价信息。通过使用基于与患者、用户和/或可用AI相关的各种信息的优化，可以改进计算机对给定用户和/或患者的AI的应用。计算机更好地操作以通过AI应用来提供更关注的信息。

Description

医疗中的人工智能分派
背景技术
本实施例涉及人工智能（AI）在医疗中的使用。在医学中，AI算法用于疾病检测、分类、量化、细分（segmentation）或其他目的。许多AI是由各种供应商开发和引入的。难以判断每个AI算法对于相同任务的相对性能。关于可能是私有的且公众不可用的小同期群（cohort）单独验证每个AI，使得性能的比较困难。对于开发的AI的用户，难以针对特定问题选择最佳AI提供（offering），因为针对每个这种供应的证据、强度（strength）和弱点不容易相互比较。
医疗提供者经常基于供应商呈现的发布的结果来为所有患者选择AI供应商。针对这种发布的研究的具体包括和/或排除标准可以或可以不与供应商的预期用例对准。结果，难以选择哪个特定AI供应商解决方案对于给定用户而言可能是最佳的，更不用说给定患者了。
发明内容
通过介绍，以下描述的优选实施例包括用于AI分派（dispatch）的方法、系统、指令和计算机可读介质。在多目标（multi-objective）优化中使用患者、用户和/或AI信息来选择用于任务的多个可用AI之一。在患者或用户特定的基础上，选择最佳AI并将其应用于医学成像或其他医疗动作。选择可以在应用之前，这避免了应用多个AI来获得最好结果的成本。优化可以基于来自用户的针对各种可用AI的统计反馈，提供否则不可用的信息。优化可以基于AI性能、AI包括和/或排除标准和/或定价信息。通过使用基于与患者、用户和/或可用AI相关的各种信息的优化，可以改进计算机对给定用户和/或患者的AI的应用。计算机更好地操作以通过AI应用来提供更关注的信息。
在第一方面中，提供了一种用于医学系统中的人工智能分派的方法。医学成像扫描仪扫描患者，提供表示患者的医学图像。从多个人工智能的组选择第一人工智能。该选择是通过使用医学图像、其他患者数据、至少一个用户定义的约束和针对多个人工智能的人工智能信息的多目标优化的。将选择的第一人工智能应用于医学图像。显示来自应用的选择的第一人工智能的输出。
在一个实施例中，选择是利用多目标优化的，所述多目标优化是进化编程、线性编程、非线性编程、动态编程或模拟退火。该优化可以提供帕累托最优解，虑及一些约束不被满足以便选择至少一个人工智能。
在优化中可以使用各种标准。选择可以利用作为要求的至少一个用户定义的约束以及作为与该要求相关的特性的人工智能信息。选择可以利用作为不是要求的目标的至少一个用户定义的约束，以及作为与该目标相关的特性的人工智能信息。选择可以利用至少一个用户定义的约束，该约束是临床、操作或财务约束。选择可以利用至少一个用户定义的约束，该约束是临床指征（clinical indication）、临床任务、成本约束、时间约束或输出要求。选择可以利用作为人工智能的操作约束、性能特性或定价信息的人工智能信息。
在一个实施例中，收集关于包括第一人工智能的组的人工智能的使用信息，诸如收集关于AI使用、接受和/或校正的统计信息。通过多目标优化的选择使用使用信息。例如，收集使用信息作为性能或约束相关的信息的指示。
在其他实施例中，选择可以使用其他患者数据，诸如患者的条件。人工智能信息可以是条件相关信息。选择可以使用人工智能信息，诸如成本信息。通过基于成本进行选择，可以减少患者的应用成本。在选择之后执行应用。
可以显示来自应用的人工智能的各种输出。例如，显示细分、解剖标识、疾病表征或损伤作为输出。
在第二方面中，提供了一种用于机器学习模型的分派的系统。提供存储器，用于存储机器学习模型，以及针对每个机器学习模型，存储模型性能、模型包括标准、模型排除标准和成本。处理器被配置为基于模型性能、模型包括标准、模型排除标准、成本和患者信息的多目标优化，为患者分派机器学习模型中的一个。显示器被配置为显示来自对患者的图像的应用的机器学习模型中的所分派的一个的输出。
在一个实施例中，多目标优化包括模型成本。应用在分派之后发生以减少成本。
在其他实施例中，模型性能、模型包括标准或模型排除标准基于来自机器学习模型的先前分派的统计使用反馈。模型包括标准和/或模型排除标准可以包括多目标优化中的软约束。多目标优化还可以是用户包括标准和用户排除标准。
在第三方面中，提供了一种用于人工智能的分派的系统。提供存储器，用于存储人工智能提供和用于每个人工智能提供的任务相关信息。处理器被配置为针对患者分派通过任务相关信息和患者相关信息的多目标优化所标识的人工智能提供之一。显示器被配置为显示来自对患者的图像的应用的人工智能提供中的所分派的一个的输出。
在其他实施例中，任务相关信息是操作、财务和/或临床信息，并且患者相关信息是图像、患者条件数据和/或一个或多个约束。
本发明由以下权利要求书来限定，并且本部分中没有什么应被认为是对那些权利要求的限制。一种类型的权利要求（例如，方法或系统）的部分可以在其他类型的权利要求中使用。本发明的另外的方面和优势在下面结合优选实施例进行讨论并且可以在之后独立地或组合地要求保护。
附图说明
部件和图不一定是按比例的，而是将重点放在说明本发明的原理上。此外，在图中，相同的附图标记贯穿不同的视图表示相应的部分。
图1是用于医学系统中的AI分派的方法的一个实施例；
图2示出了针对患者和用户的AI提供的分派的模型；以及
图3是用于机器学习模型分派的系统的一个实施例的框图。
具体实施方式
AI分派者（dispatcher）服务从可用的选项中自动标识最佳（例如，最优的）的AI提供。以患者特定、用户特定和/或任务特定的方式来标识AI提供。各种AI服务的利和弊（prosand cons），诸如它们的统计性能、包括和排除标准以及成本，被整体建模为具有约束的多目标优化问题。不是在针对给定患者的患者数据选择适当的解决方案和/或供应商中未能计及各种AI服务的性能特性，而是患者数据可以在AI的动态或实时选择中使用。不是选择具有最低成本或最高通告性能的AI服务，而是基于多个用户、患者和/或AI标准的优化可导致针对给定（例如，患者特定的）应用的多目标之间的更好平衡。分派AI可以避免AI执行的医学任务的计算机的不良性能，特别是对于患者和/或机构特定应用而言。
图1示出了用于医学系统中的人工智能分派的方法的一个实施例。给定具体的患者和/或用户信息，从AI的组选择AI。执行多目标优化以虑及选择中多标准的使用。图2示出了图1的方法的分派的模型。
方法由图3的系统或另一系统实现。例如，方法在医学系统中实现。医学系统具有对诸如患者信息之类的医学信息的访问，因此可以是医院中的工作站、医学扫描仪或医师的计算机。医学系统是计算机、服务器、医学成像器（imager）或其他处理器。医学成像器在动作10中扫描。在动作12中，图像或其他处理器（例如，医学成像器的处理器、其他处理器、服务器或计算机）进行选择。相同或不同的设备（例如，服务器、计算机或处理器）在动作14中应用选择的AI和/或在动作18中提供反馈。显示设备在动作16中进行显示。不同的设备可以用于动作中的一个或多个动作。
可以提供附加的、不同的或更少的动作。例如，不提供动作10的扫描，诸如在没有成像数据的情况下使用非成像数据。作为另一示例，输出是去往存储器（例如，医学记录）和/或计算机网络的而不是去往动作16中的显示器的。在其他实施例中可以不提供动作18。
动作以所示的顺序（例如，从上到下或数字）或其他顺序执行。例如，动作10可以在动作12之后应用，诸如在图像不在选择中使用但是在应用中使用的情况中。
在动作10中，医学成像扫描仪对患者进行扫描。医学成像扫描仪是任何医学成像器，诸如计算机断层摄影（CT）、磁共振（MR）、C形臂（C-arm）、超声、x射线、光声（photoacoustic）断层摄影、光学照相机、深度照相机、扩散光学成像（diffuse opticalimaging）、磁粒子（magnetic particle）成像、光学相干断层摄影、核医学（例如，单光子发射计算机断层摄影或正电子发射断层摄影）或用于扫描患者的内部和/或外部的其他医学扫描仪。
沿着平面或在体积中扫描患者。诸如x射线、电磁脉冲、声学或其他之类的能量可以被传输到患者中。检测通过患者的能量，和/或从患者接收或检测对能量的响应。替代地，扫描测量来自患者内的发射。所检测的响应、能量或发射是扫描数据。
扫描数据可以作为扫描的部分被处理。例如，应用重建。重建可以通过患者内的位置，诸如针对患者的体积或平面中的体素或像素，来确定患者的响应。对于MR，用傅立叶变换重建k空间数据。对于CT，通过计算机断层摄影重建来自相对于患者的不同方向的投影图像。对于核医学，通过断层摄影重建沿着响应的线的检测的发射。
扫描数据用于生成表示患者的医学图像。应用格式转换、过滤、重建、渲染、映射和/或另一过程来将扫描数据转换成医学图像。医学图像可以是处理前的扫描数据。医学图像表示来自患者的测量的空间分布。空间分布可以是一维、二维或三维的。医学图像可以是显示在显示屏上或用于显示在显示屏上的灰度或彩色图像，或者可以是在映射到显示值之前的标量值。
图2的模型使用成像研究21的输入。获得具有或不具有链接到医学图像的其他信息（例如，诸如图像的分辨率或比例之类的扫描设置）的医学图像。
可以获得非扫描数据。通过接收或查找获得来自其他传感器、实验室结果、历史、发现或其他信息的数据。例如，从诸如医嘱（physician’s order）之类的医学记录标识针对患者的临床任务。作为另一示例，从医学报告或记账数据库标识临床指征。可以获得任何临床指征，诸如诊断、预后、症状、风险因素（例如，吸烟者或不吸烟者）和/或疾病标识。获得具有或不具有其他数据的医学图像。替代地，获得没有成像或扫描数据的患者数据。
图2的模型使用患者数据20的输入。患者数据20是患者的非成像数据。
患者数据和/或医学图像可以从存储（memory）获得，存储诸如计算机化的患者记录或图片存档和通信系统。可以通过在用户接口上的输入来获得数据。患者数据可以从多个源获得，诸如通过挖掘医学记录和/或记账数据库。可以从医学扫描仪获得数据。从存储器、用户输入和/或其他源获得诸如图2的用户定义的约束22和/或图2的AI信息23之类的其他数据。
在图1的动作12中，处理器从多个人工智能的组选择人工智能。对于给定的任务或应用（例如，肝脏中的病变的细分），存在可以应用的多个机器学习模型。任何种类（variety）的机器学习模型都是可用的。不同的训练数据、不同类型的机器学习、不同的架构和/或机器学习中的任何其他差异都可以导致针对相同任务的不同AI。用于一个任务的机器学习模型对于另一个任务而言可以是可用的，使得可用的人工智能的数量更大。
AI来自一个或多个供应商。例如，针对给定任务的AI的一个设计者或创建者可以为相同的任务提供仅一个、两个或更多AI。不同的供应商或相同的供应商提供所有可用的AI。
在图2的示例中，示出了来自一个或多个供应商的N个AI提供（AI提供1至N） 26。N是大于1的整数。从任务的管理观点来看，这些算法（即，机器学习模型）中的每个都被批准用于医学用途。AI分派服务24针对图1的动作12的选择选择AI提供26中的一个。服务24是处理器的服务或者是由与用户的雇主或患者的治疗（treating）医学机构不同的实体提供的服务（即，其他实体对临床用户的服务）。替代地，服务由用户或治疗机构作为给患者的服务提供。
一些示例任务包括AI提供26，用于在CT、MRI、乳房X线摄影术和/或超声检查中的癌症（病变）的（例如，阶段）的检测和/或表征。其他示例是用于医学图像中的出血或创伤的检测和/或表征的AI提供。可以提供AI提供用于医学图像中的斑块和狭窄的检测和/或表征。可以提供AI提供用于CT扫描中的出血或骨折的检测。
动作12的选择使用多目标优化。在选择中使用不止一个标准。处理器通过执行多目标优化来进行选择。参考图2，AI分派服务24解决多目标优化问题并且选择多个AI提供26中的一个用于手头（at hand）的任务和数据。AI分派者服务24根据各种约束和/或用户要求，诸如临床的、操作的（例如，获得结果的时间长度和数据隐私风险）、财务的（例如，AI的使用成本）和/或其他约束或要求，来决定最佳AI提供26。
可以使用不同的多目标优化。可以使用进化编程、线性编程、非线性编程、动态编程或模拟退火来求解目标。多目标函数被实现为分析过程，其利用具有多个考虑的目标函数求解最优解。在替代实施例中，多目标函数被实现为机器学习模型。将输入提供给曾被机器训练的模型，以在给定多个考虑的输入的情况下提供输出选择。
目标对优化中的不同考虑进行排名（rank）、加权和/或惩罚（penalize）。可以使用默认目标。替代地，控制使用的用户或实体可以设置目标函数。通过设置目标函数，建立考虑的最小化或最大化的优先次序。控制优化以针对一个或多个考虑比针对多目标中的其他考虑更强烈地做出决定或进行优化。
通过将多目标优化用于AI的选择，可以提供帕累托最优解。帕累托最优解虑及一些约束不被满足，因此可以在没有AI满足所有约束的情况下提供AI。在其他实施例中，优化要求满足所有约束，诸如所有硬约束或要求。诸如动态编程或进化算法之类的技术可用于求解给定问题的最优或帕累托最优解。
不同的机器学习模型可具有不同的约束（例如，对不同类型的数据操作或使用不同的输入数据）、成本、性能和/或操作限制（例如，提供结果的速度）。这些特性中的不同特性可以是可用的，诸如由供应商提供或在出版物中提供（publication）。其他特性可以通过测试或从其他源确定。对于不同的患者信息和/或用户设置或约束，特性可以是不同的。特性可以限制适用性，诸如要求给定分辨率的数据或仅与一种类型的医学成像（例如CT或MR）一起工作。
对优化的约束可以是硬约束或软约束。硬约束是要求。选择的AI必须满足该约束，诸如必须满足性能约束。软约束是可能不被满足的目标。优化寻求满足或超过目标，但是选择的AI可能不满足或超过目标。AI分派者服务24基于解决具有多个硬约束和软约束的多目标优化问题。
约束、目标中的变量被最小化或最大化和/或其他变量形成多目标优化函数。该信息涉及用户（例如，用户定义的约束）、患者（例如，医学图像和/或其他患者数据）和/或AI，并且在优化中作为考虑输入以从用于任务的可用AI选择一个AI或AI的子集。用户和患者信息对于给定的优化而言是相同的，而AI信息对于针对给定任务的不同AI提供而言可以是相同的或不同的。
优化可以平衡或比较信息。在优化中，可以平衡患者和/或用户信息或将其与AI信息进行比较。在选择中使用用户定义的和/或患者要求，其中AI信息包括与要求相关的特性。在选择中使用用户定义的和/或患者目标，其中AI信息包括与目标相关的特性。优化比较信息以选择给定要求和/或目标情况下的更优的AI。例如，成本受到患者或用户限制作为目标或软约束。AI信息包括应用AI的成本，使得优化选择满足硬约束而使成本最小化的AI提供。作为另一示例，将患者的条件（例如，适用于患者的风险的指标，诸如癌症诊断和癌症的家族史）与针对具有该条件的患者的AI的性能进行比较。可以以包括其他要求和/或目标的其他变量的优化平衡成本的最小化，诸如针对成本和条件匹配两者进行优化。
对于患者特定的优化，AI分派服务24将针对具体患者的（一个或多个）医学图像21和/或针对该患者的其他患者数据20作为输入。该其他患者数据可以是患者的条件（例如，诊断、症状、临床指标、家族史、测试结果和/或预后）。在一个实施例中，其他患者数据是患者的条件。患者数据和图像从计算机化的患者医学记录、人工输入和/或对一个或多个数据库的访问获得。诸如来自图像的切片厚度、分辨率、信噪比或特征之类的来自图像的信息与来自每个供应商的AI信息结合可以是有用的。从图像导出的信息（例如视场、视场中的具体器官是什么等）对于帮助选择最好AI提供可以是有用的。
对于用户特定的优化，AI分派服务24将用于用户的诸如要求或目标之类的约束作为输入。诸如临床实体或医学专业人员之类的用户可以将一个或多个约束定义为用户偏好或要求。定义一般可以是针对任务的或针对患者的。在替代实施例中，默认约束被用作用户定义的约束。来自用户的其他信息可以在优化中使用，诸如在目标函数中或作为除约束之外的变量。
用户定义的约束可以是临床的、操作的或财务的约束。操作约束可以是时间约束，诸如返回输出的时间量。AI优化具有基于AI的处理速度的目标或要求。可以提供其他操作约束，诸如AI的供应商是否具有与临床实体的协议或供应商的服务的级别。
财务约束可以是AI的应用的成本。不同的AI提供可具有不同的成本，诸如在AI由第三方供应商提供的情况下。用户定义的约束可以是用户的成本或由用户添加的成本。其他财务约束包括医师审查（review）的成本，诸如来自一个AI的结果可能比来自不同AI的结果更容易解释的情况、折扣（例如，按照临床用户使用的数量）和/或假阳性的责任风险。财务约束可以是目标或要求。
临床约束可以是与临床指征、临床任务或输出相关的信息。可以使用任何临床指征，诸如检查原因的指征。临床指征的用户定义的约束可以提供用于用户的基于用户的指南、治疗规范、设备可用性或其他指征信息。针对用户定义的信息的临床任务可以是感兴趣的解剖和要使用的AI过程的类型。不同的用户可能期望针对不同解剖的不同类型的AI过程。输出可以是AI的输出要求或目标。用户可以建立要被输出用于临床诊断、预后或治疗计划的信息。不同的用户可能期望不同的输出。
参考图2，AI分派服务24接收关于AI提供26的AI信息23。该AI信息23提供AI供应商和/或AI特定信息，诸如约束，以在优化中使用。
AI信息23可以是AI的操作约束、性能特性或定价信息。定价信息可以是使用AI的成本，诸如每个患者情况供应商收费多少。来自AI供应商的成本可以与用户或患者的成本约束进行比较。可以使用其他定价信息，诸如所提供的任何折扣。
操作约束可以是针对输入数据的要求或目标，诸如要求的患者信息。例如，患者的图像可以限于某模态（例如，MR或CT）、分辨率、视场或比例。操作约束可以是提供输出和/或所提供的输出所需的时间量。操作约束可以是针对哪些临床任务和/或指征AI被批准或是可操作的。例如，来自一个供应商的用于CT图像中的肺结节检测的AI可能仅可用于实性（solid）结节和亚实性（sub-solid）结节，而来自另一供应商的类似提供可能对所有结节都有效。如果AI未被训练用于检测特定类型的肺结节，则该情况被认为是优化中针对该AI的"排除"标准。通常，当考虑到关于成像的技术因素时，AI具有严格的排除标准。例如，将不处理具有切片厚度＞3mm的图像，或者图像应当至少具有0.5mm的面内（in-plane）分辨率。
性能特性可以是指示AI在应用中的可靠性或风险的信息。例如，优化中使用的性能特性可以包括灵敏度、特异性、阳性预测值、阴性预测值、准确度、接收者（receiver）操作特性（ROC）曲线、ROC曲线下面积、或AI的性能的其他测量。性能对于不同的应用可以是不同的，诸如用于标识一种类型的结节而不是用于另一种类型的结节的不同的ROC。可以将性能归一化（normalize），诸如关于具有已知结果的测试数据的相同集合测试不同的AI提供。替代地，性能可以针对每个AI而没有归一化（例如，使用来自供应商的、针对它们的AI提供的发布的性能信息）。
从发布的结果获得AI信息23。AI提供的供应商或创建者可以发布所述AI提供的文章或情况说明书（fact sheet），从所述文章或情况说明书提取AI信息。供应商可以提供AI信息，诸如作为用于使用或访问的协议的部分来提供。AI信息可以来自FDA批准和/或提交（submission）。可以提供其他源。
在一个实施例中，自然语言处理（NLP）技术被用于从临床出版物提取关键信息。AI的临床试验可以具有结构化格式，其中这种信息被制成表格（tabulate），因此可以使用该结构自动地提取AI信息。可以使用其中调查者将各种AI提供制成表格并比较的发布的元分析（meta-analysis）来提取AI信息。
在另一实施例中，基于动作14和16的先前执行的应用和显示在图1的动作18中收集使用信息。当给定用户或多个不同用户为不同患者选择、使用输出和/或校正不同AI提供的输出时，收集该使用数据。日志文件、用户接口跟踪或其他后台进程可被用于收集不同AI的使用。关于特定AI提供26的AI信息23可由程序或平台导出用于通过随时间的使用（usageover time）的AI选择（即，从AI提供的使用收集的信息）。在可从不同的供应商获得针对相同临床指征或任务的若干提供的情况下，诸如在放射学应用或平台中，可以跟踪比较使用（comparative usage）并且使用比较使用来设置AI信息。
使用信息指示操作约束、性能特性和/或定价信息。例如，通过用户是否改变输出来指示准确度。作为另一示例，跟踪选择的AI的操作，提供操作约束（例如，提供结果的时间）。
在一个示例中，随着时间跟踪显式或隐式用户反馈。跟踪AI算法的结果和/或发现的接受或拒绝。接受或拒绝可以通过输出是被编辑还是按原样接受来提供。可以按照按病例付费（pay-per-case）跟踪特定用户的趋势。如果用户利用AI提供越来越多，则该信息指示该特定AI的准确度和/或其他性能高。可以跟踪用户通常路由这些AI之一的检查的种类。例如，如果仅将低剂量CT扫描路由到特定AI提供，并且常规剂量CT检查很少路由到特定AI提供，则可以设置该AI提供的子组（sub-group）性能，其中性能对于常规剂量相对低并且对于低剂量相对高。
该使用信息被用作AI信息（例如，性能或约束相关信息）的指示。多目标优化使用该使用信息，诸如基于从使用导出的AI信息设置约束或变量。AI的选择是给定用户或一般用户对选择的AI提供和/或其他AI提供的先前使用的函数。
在动作14中，处理器应用选择的AI。AI使用输入数据生成输出。输入数据可以与用于选择AI的患者信息（例如，成像研究21和其他患者数据20）相同或不同。
该应用发生在选择之后。不是付费来应用不同的AI以确定哪个提供了患者的期望结果，而是应用选择的AI或AI的选择的子集。
在一个实施例中，将患者的一个或多个图像输入到选择的AI。替代地，输入从患者的一个或多个图像导出的特征。可以输入其他数据，诸如其他患者数据（例如，测试结果、家族史和/或患者特性）。
响应于输入特征向量（vector）的输入，AI输出信息。输出分类、检测、细分或其他表征。例如，AI输出在输入患者医学图像中表示的病变、出血、狭窄、斑块和/或骨折的位置和表征。
在动作16中，显示选择的AI的应用的输出。处理器生成针对显示屏格式化的图像。显示屏显示该图像。
图像包括AI的输出或从AI的输出导出的信息。例如，显示注释、标记、细分或突出显示。使用注释、标记、细分或突出显示在图像上输出来自AI的解剖标识、疾病表征、损伤或其他信息。AI可以生成图像作为覆盖（overlay）或在没有覆盖的情况下用于显示。AI进行的细分可以用于计算诸如体积或面积之类的量。可以输出体积或面积。
来自AI的输出或从AI的输出导出的信息可以在具有或不具有用作输入的医学图像的情况下被显示。例如，生成解剖的图像（例如，CT或MR），其中来自AI输出的注释、标记或突出显示被包括在图像上。
图3示出了用于机器学习模型或AI的分派的系统的一个实施例的框图。当存在多个可用的机器学习模型来为患者提供相同的信息或相同的任务时，系统基于使用患者和/或用户特定信息的多目标优化来选择要应用的模型。系统实现图2的模型、图1的方法、或不同的模型或方法。
系统包括一个或多个医学成像器32、处理器34、存储器37 （例如，医学记录数据库）和显示器38。可以提供附加的、不同的或更少的部件。例如，在医学成像器32上和/或针对处理器34提供用户接口或输入设备。在另一示例中，提供网络或网络连接，诸如用于将不同的部件联网（例如，医学成像器32与处理器34和/或处理器34与存储器37）。
存储器37、处理器34和/或显示器38是服务器、工作站或计算机的部分。在一个实施例中，存储器37、处理器34和/或显示器38是医学成像器32的部分。存储器37可以是与处理器34分离的计算机的部分，诸如在云托管的电子健康记录或电子医学记录系统中。
医学成像器32是磁共振（MR）、计算机断层摄影（CT）、x射线、超声、核医学（例如，正电子发射断层摄影或单光子计算机断层摄影）或另一医学扫描仪。在其他实施例中，医学成像器32是多模态设备，诸如核医学和x射线或CT的组合。在另外的实施例中，使用侵入性、其他非侵入性或最小侵入性成像系统。
医学成像器32被配置为扫描患者。相同的成像器32可以用于在不同时间扫描不同的患者。其他成像器32可以用于扫描其他患者。医学成像器32被配置为向处理器34输出扫描数据。扫描数据是在处理的任何阶段处源自扫描的数据。例如，提供没有重建的数据。对于CT，数据可以是在没有重建为用于具体空间位置的值的情况下的用于多个投影的检测器测量。对于MR，数据可以是在傅立叶变换之前的k空间数据，以确定用于具体空间位置的值。对于核成像，数据可以是在断层摄影之前的响应线（line-of-response）值，以分配具体空间位置。作为另一个示例，提供重建后的数据。可以或可以不对用于传送到处理器34的数据应用过滤、检测、扫描转换和/或其他图像处理。医学成像器32提供图像数据（例如，扫描数据）作为利用任何处理量来在显示器38上生成图像的、源自扫描的数据。图像数据可以被格式化以用于显示，诸如RGB值，或者可以是扫描格式（例如标量值）。
存储器37是随机存取存储器、系统存储器、高速缓存存储器、硬盘驱动器、光学介质、磁介质、闪存驱动器、缓冲器、数据库、其组合，或用于存储患者信息、AI信息、用户信息和/或可用机器学习模型的库36的其他现在已知或以后开发的存储器设备。存储器37是与处理器34或医学成像器32相关联的计算机的部分，或者是用于通过计算机网络访问的单独的或远程的数据库。
库36的机器学习模型用于不同或相同的临床任务。对于给定的任务和成像类型，不止一个机器学习模型可以是可用的。AI提供的该库36包括将被应用或用于给定患者的多个选项。
存储器37存储用于每个人工智能提供的任务相关信息。针对每个机器学习模型的一个或多个任务，存储AI信息。例如，存储用于每个AI提供的操作、财务和/或临床信息。可以为每个机器学习模型存储模型性能、模型包括标准、模型排除标准和成本。
存储器37可以存储患者信息（例如，来自医学成像器32或另一成像器的医学图像数据和/或其他患者数据）。存储器37可以包括患者的计算机化的医学记录。可以通过对除存储器37之外的设备的传送或访问来提供一些或所有患者信息。
存储器37可以存储用户信息（例如，约束）。用户的包括和/或排除标准被存储为硬或软约束。存储来自用户接口或文件的约束值。
存储器37或其他存储器替代地或附加地是存储表示可由编程处理器34和/或医学成像器32执行的指令的数据的非暂时性计算机可读存储介质。用于实现本文中讨论的过程、方法和/或技术的指令被提供在非暂时性计算机可读存储介质或存储器上，非暂时性计算机可读存储介质或存储器诸如是高速缓存、缓冲器、RAM、可移除介质、硬盘驱动器或其他计算机可读存储介质。非暂时性计算机可读存储介质包括各种类型的易失性和非易失性存储介质。响应于存储在计算机可读存储介质中或上的一个或多个指令集来执行图中示出的或本文中描述的功能、动作或任务。功能、动作或任务独立于特定类型的指令集、存储介质、处理器或处理策略，并且可以由单独操作或组合操作的软件、硬件、集成电路、固件、微代码以及诸如此类来执行。同样，处理策略可以包括多处理、多任务、并行处理以及诸如此类。
在一个实施例中，指令被存储在可移动介质设备上以供本地或远程系统读取。在其他实施例中，指令被存储在远程位置以通过计算机网络或通过电话线来传送。在另外的实施例中，指令被存储在给定的计算机、CPU、GPU、张量处理单元（TPU）、神经处理单元、AI加速器或系统内。
处理器34是通用处理器、控制处理器、数字信号处理器、专用集成电路、现场可编程门阵列或用于基于多目标优化来选择机器学习模型和/或选择的机器学习模型的应用的其他硬件处理器。在一个实施例中，处理器34是计算机、工作站、服务器或被配置为选择和应用机器学习模型的其他设备的部分。处理器34可以是诸如多个计算机或服务器之类的计算设备的网络。处理器34由软件、硬件和/或固件来配置。
处理器34被配置为分派通过多目标优化所标识的人工智能提供中的一个。多目标优化使用任务相关信息和患者相关信息。任务相关信息可以是针对患者的任务的用户和/或AI特定信息。例如，对于患者，基于模型性能、模型包括标准、模型排除标准、成本和患者信息的多目标优化来分派（例如，选择）库36的机器学习模型中的一个。模型包括标准和/或模型排除标准可以是多目标优化中的软或硬约束。包括和/或排除标准可以针对临床用户和/或针对库36的AI。
在优化的目标函数中使用了两个或更多考虑。例如，成本和一个或多个约束被用于选择机器学习模型。通过在目标中包括患者信息和AI信息两者，分派选择时最佳地适合于给定患者的机器学习模型。例如，患者的图像或图像的特性（例如，诸如CT或MR之类的类型、分辨率、比例和/或视场）、患者条件数据（例如，患者的其他数据或非图像数据）以及针对任务的可用机器学习模型的约束在优化中被用于选择机器学习模型来针对患者使用。可在优化中使用用户、患者和/或AI约束或其他信息。
在一个实施例中，处理器34被配置为基于来自库36中的一个或多个机器学习模型的先前分派的统计使用反馈来分派。模型性能、模型包括标准、模型排除标准或其他AI信息基于来自机器学习模型的先前分派的统计使用反馈。给定的统计量（statistic）或统计量的组合被用于设置在优化中使用的一个或多个变量的值。
处理器34或不同的处理器被配置为应用分派的机器学习模型。机器学习模型被应用于来自患者的数据，导致生成输出以辅助针对患者的诊断、预后和/或治疗计划。由于优化，来自应用的输出更可能用于帮助诊断、预后和/或治疗计划。
显示器38是监视器、LCD、投影仪、等离子体显示器、CRT、打印机或其他现在已知或以后开发的用于显示分派的机器学习模型或AI提供的输出的设备。通过将机器学习模型应用于诸如患者的医学图像之类的患者信息，生成了输出。显示器38显示表示输出的图像或从输出导出的信息。
显示器38接收来自处理器34、医学成像扫描仪32或存储器37的输出。处理器34将用于显示的数据格式化（例如，映射到RGB值） 并将图像存储在缓冲器中，配置显示器38。显示器38使用缓冲器中的图像来生成用于观看的图像。图像包括图形、字母数字文本、解剖扫描和/或表示输出其他信息或来自输出的信息。显示器38在医学成像器32、处理器34、医师的计算机或另一位置处。
虽然上面已经通过参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，旨在前面的详细描述被认为是说明性的而不是限制性的，并且应当理解，正是包括所有等同物的以下权利要求书旨在限定本发明的精神和范围。

Claims (20)

1.一种用于医学系统中的人工智能分派的方法，所述方法包括：
通过医学成像扫描仪扫描患者，所述扫描提供表示所述患者的医学图像；
从多个人工智能的组选择第一人工智能，所述选择通过使用所述医学图像、其他患者数据、至少一个用户定义的约束和所述多个人工智能的人工智能信息的多目标优化；
将选择的第一人工智能应用于所述医学图像；以及
显示来自所述应用的所述选择的第一人工智能的输出。
2.根据权利要求1所述的方法，其中，选择包括利用包括进化编程、线性编程、非线性编程、动态编程或模拟退火的多目标优化进行选择。
3.根据权利要求1所述的方法，其中，选择包括利用提供帕累托最优解的多目的优化进行选择。
4.根据权利要求1所述的方法，其中，选择包括利用作为要求的所述至少一个用户定义的约束和包括与所述要求相关的特性的所述人工智能信息来进行选择。
5.根据权利要求1所述的方法，其中，选择包括利用作为不是要求的目标的所述至少一个用户定义的约束以及包括与所述目标相关的特性的所述人工智能信息进行选择。
6.根据权利要求1所述的方法，其中，选择包括利用作为临床、操作或财务约束的所述至少一个用户定义的约束进行选择。
7.根据权利要求1所述的方法，其中，选择包括利用作为临床指征、临床任务、成本约束、时间约束或输出要求的所述至少一个用户定义的约束进行选择。
8.根据权利要求1所述的方法，其中，选择包括利用包括所述人工智能的操作约束、性能特性或定价信息的所述人工智能信息进行选择。
9.根据权利要求8所述的方法，还包括收集关于包括所述第一人工智能的所述组的所述人工智能的使用信息，并且其中选择包括通过使用所述使用信息的所述多目标优化进行选择。
10.根据权利要求9所述的方法，其中，收集所述使用信息包括收集所述使用信息作为性能或约束相关信息的指示。
11.根据权利要求1所述的方法，其中，选择包括利用包括所述患者的条件的所述其他患者数据进行选择，并且其中，所述人工智能信息包括条件相关信息。
12.根据权利要求1所述的方法，其中，选择包括利用包括成本信息的所述人工智能信息进行选择，并且其中应用在所述选择之后发生。
13.根据权利要求1所述的方法，其中显示包括显示细分、解剖标识、疾病表征或损伤作为所述输出。
14.一种用于机器学习模型的分派的系统，所述系统包括：
存储器，用于存储机器学习模型，以及针对所述机器学习模型中的每个，存储模型性能、模型包括标准、模型排除标准和成本；
处理器，被配置为基于所述模型性能、所述模型包括标准、所述模型排除标准、成本和患者信息的多目标优化，为患者分派所述机器学习模型中的一个；以及
显示器，被配置为显示来自对所述患者的图像的应用的所述机器学习模型中的分派的一个的输出。
15.根据权利要求14所述的系统，其中，所述多目标优化包括模型成本，并且其中，所述应用在所述分派之后发生。
16.根据权利要求14所述的系统，其中，所述模型性能、模型包括标准或模型排除标准基于来自所述机器学习模型的先前分派的统计使用反馈。
17.根据权利要求14所述的系统，其中，所述模型包括标准和/或所述模型排除标准包括所述多目标优化中的软约束。
18.根据权利要求14所述的系统，其中，所述多目标优化还具有用户包括标准和用户排除标准。
19.一种用于人工智能的分派的系统，所述系统包括：
存储器，用于存储人工智能提供和所述人工智能提供中的每个的任务相关信息；
处理器，被配置为针对患者分派通过所述任务相关信息和患者相关信息的多目标优化所标识的人工智能提供中的一个；以及
显示器，被配置为显示来自对所述患者的图像的应用的所述人工智能提供中的分派的一个的输出。
20.根据权利要求19所述的系统，其中所述任务相关信息包括操作、财务和/或临床信息，并且其中所述患者相关信息包括所述图像、患者条件数据和/或一个或多个约束。
CN202010504646.9A 2019-06-07 2020-06-05 医疗中的人工智能分派 Pending CN112053767A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/434666 2019-06-07
US16/434,666 US11710566B2 (en) 2019-06-07 2019-06-07 Artificial intelligence dispatch in healthcare

Publications (1)

Publication Number Publication Date
CN112053767A true CN112053767A (zh) 2020-12-08

Family

ID=70977830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010504646.9A Pending CN112053767A (zh) 2019-06-07 2020-06-05 医疗中的人工智能分派

Country Status (3)

Country Link
US (1) US11710566B2 (zh)
EP (1) EP3748648A1 (zh)
CN (1) CN112053767A (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113707289B (zh) * 2021-07-16 2023-11-10 联影智能医疗科技(北京)有限公司 医学人工智能平台及其搭建方法
WO2023197305A1 (en) * 2022-04-15 2023-10-19 Iqvia Inc. System and method for automated adverse event identification
US20230386031A1 (en) * 2022-05-27 2023-11-30 PAIGE.AI, Inc. Systems and methods to process electronic images for histological morphology trajectory prediction
WO2024171109A1 (en) * 2023-02-16 2024-08-22 DeepTek Inc. Systems and methods for selection of priority-wise artificially intelligent mechanisms per one or more characteristics

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101261702A (zh) * 2008-04-09 2008-09-10 永凯软件技术（上海）有限公司 一种基于逐层优化的排程方案评价及选择方法
US20110274338A1 (en) * 2010-05-03 2011-11-10 Sti Medical Systems, Llc Image analysis for cervical neoplasia detection and diagnosis
US20140101080A1 (en) * 2012-09-28 2014-04-10 Samsung Electronics Co., Ltd. Apparatus and method of diagnosis using diagnostic models
CN107247887A (zh) * 2017-07-27 2017-10-13 点内（上海）生物科技有限公司 基于人工智能帮助肺癌筛查的方法及系统
US20180032841A1 (en) * 2016-08-01 2018-02-01 Siemens Healthcare Gmbh Medical Scanner Teaches Itself To Optimize Clinical Protocols And Image Acquisition
CN109690554A (zh) * 2016-07-21 2019-04-26 西门子保健有限责任公司 用于基于人工智能的医学图像分割的方法和系统
US20190139643A1 (en) * 2017-11-08 2019-05-09 International Business Machines Corporation Facilitating medical diagnostics with a prediction model
CN109829880A (zh) * 2018-12-07 2019-05-31 清影医疗科技（深圳）有限公司 一种基于深度学习的ct图像检测方法、装置和控制设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9119540B2 (en) 2010-09-16 2015-09-01 Siemens Aktiengesellschaft Method and system for non-invasive assessment of coronary artery disease
EP2863360B1 (en) * 2013-10-21 2018-08-22 Tecnologie Avanzate T.A. Srl Multimodality image segmentation of volumetric data sets
US9349178B1 (en) 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging
WO2016144914A1 (en) * 2015-03-06 2016-09-15 Duke University Systems and methods for automated radiation treatment planning with decision support
US20190197011A1 (en) * 2017-12-22 2019-06-27 At&T Intellectual Property I, L.P. Network-based machine learning model discovery and benchmarking
US11250726B2 (en) * 2018-05-24 2022-02-15 Verily Life Sciences Llc System for simulation of soft bodies
EP3573068A1 (en) * 2018-05-24 2019-11-27 Siemens Healthcare GmbH System and method for an automated clinical decision support system
US10977796B2 (en) * 2019-03-29 2021-04-13 Fujifilm Medical Systems U.S.A., Inc. Platform for evaluating medical information and method for using the same

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101261702A (zh) * 2008-04-09 2008-09-10 永凯软件技术（上海）有限公司 一种基于逐层优化的排程方案评价及选择方法
US20110274338A1 (en) * 2010-05-03 2011-11-10 Sti Medical Systems, Llc Image analysis for cervical neoplasia detection and diagnosis
US20140101080A1 (en) * 2012-09-28 2014-04-10 Samsung Electronics Co., Ltd. Apparatus and method of diagnosis using diagnostic models
CN109690554A (zh) * 2016-07-21 2019-04-26 西门子保健有限责任公司 用于基于人工智能的医学图像分割的方法和系统
US20180032841A1 (en) * 2016-08-01 2018-02-01 Siemens Healthcare Gmbh Medical Scanner Teaches Itself To Optimize Clinical Protocols And Image Acquisition
CN107247887A (zh) * 2017-07-27 2017-10-13 点内（上海）生物科技有限公司 基于人工智能帮助肺癌筛查的方法及系统
US20190139643A1 (en) * 2017-11-08 2019-05-09 International Business Machines Corporation Facilitating medical diagnostics with a prediction model
CN109829880A (zh) * 2018-12-07 2019-05-31 清影医疗科技（深圳）有限公司 一种基于深度学习的ct图像检测方法、装置和控制设备

Also Published As

Publication number Publication date
US11710566B2 (en) 2023-07-25
EP3748648A1 (en) 2020-12-09
US20200388386A1 (en) 2020-12-10

Similar Documents

Publication Publication Date Title
US10129553B2 (en) Dynamic digital image compression based on digital image characteristics
US8412544B2 (en) Method and apparatus of determining a radiation dose quality index in medical imaging
CN103460213B (zh) 图像采集和/或图像相关参数推荐器
US11710566B2 (en) Artificial intelligence dispatch in healthcare
US10997475B2 (en) COPD classification with machine-trained abnormality detection
US9037988B2 (en) User interface for providing clinical applications and associated data sets based on image data
US7747050B2 (en) System and method for linking current and previous images based on anatomy
EP2169577A1 (en) Method and system for medical imaging reporting
US8333508B2 (en) Multi-functional medical imaging quality assurance sensor
JP6014059B2 (ja) 医療データの知的リンキング方法及びシステム
US20080103834A1 (en) Method and apparatus of providing a radiation scorecard
JP5744877B2 (ja) 臨床判断支援のためのシステム及びその方法
US10929973B2 (en) Medical image pre-processing at the scanner for facilitating joint interpretation by radiologists and artificial intelligence algorithms
US20070133851A1 (en) Method and apparatus for selecting computer-assisted algorithms based on protocol and/or parameters of an acquisistion system
Salimi et al. Deep learning-based fully automated Z-axis coverage range definition from scout scans to eliminate overscanning in chest CT imaging
JP2009157527A (ja) 医用画像処理装置、医用画像処理方法ならびにプログラム
CN104487978A (zh) 用于基于来自放射医生的输入来生成报告的系统和方法
US20160321402A1 (en) Data-Enriched Electronic Healthcare Guidelines For Analytics, Visualization Or Clinical Decision Support
Tadavarthi et al. Overview of noninterpretive artificial intelligence models for safety, quality, workflow, and education applications in radiology practice
US8737699B2 (en) Combinational computer aided diagnosis
JP2014119881A (ja) 情報処理装置、ラベル選択方法、及びプログラム
US20230238117A1 (en) Subscription and retrieval of medical imaging data
EP4145464A1 (en) Decision module and method for image-based operational decision support
JP2023521838A (ja) 合成医用画像の作成
CN117637123A (zh) 通过编辑医学图像中的正常区域的人工智能支持的读取

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
TA01 Transfer of patent application right

Effective date of registration: 20240830

Address after: German Phu F Haim

Applicant after: Siemens Medical AG

Country or region after: Germany

Address before: Erlangen

Applicant before: Siemens Healthineers AG

Country or region before: Germany