CN112447287A - 自动化的临床工作流程 - Google Patents
自动化的临床工作流程 Download PDFInfo
- Publication number
- CN112447287A CN112447287A CN202010877455.7A CN202010877455A CN112447287A CN 112447287 A CN112447287 A CN 112447287A CN 202010877455 A CN202010877455 A CN 202010877455A CN 112447287 A CN112447287 A CN 112447287A
- Authority
- CN
- China
- Prior art keywords
- algorithms
- medical
- selection
- evaluation
- user
- 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
Links
- 238000011156 evaluation Methods 0.000 claims description 239
- 238000000034 method Methods 0.000 claims description 101
- 230000003993 interaction Effects 0.000 claims description 41
- 238000002059 diagnostic imaging Methods 0.000 claims description 19
- 238000003384 imaging method Methods 0.000 claims description 14
- 230000001960 triggered effect Effects 0.000 claims description 14
- 210000000746 body region Anatomy 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 16
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000002591 computed tomography Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 238000010968 computed tomography angiography Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 210000004185 liver Anatomy 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000013185 thoracic computed tomography Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 208000004434 Calcinosis Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000011511 automated evaluation Methods 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000023555 blood coagulation Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 208000010706 fatty liver disease Diseases 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910000078 germane Inorganic materials 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- 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
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- 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
- 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
- G16H50/70—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45583—Memory management, e.g. access or allocation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45595—Network integration; Enabling network access in virtual machine instances
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Abstract
本发明涉及自动化的临床工作流程。本发明的各种示例总体上涉及使临床工作流程自动化,该临床工作流程包括对一个或更多个医学数据集进行分析并且基于该分析生成医学报告。例如,可以使用机器学习算法来进行分析。医学报告可以基于一个或更多个报告模板来生成。
Description
技术领域
本发明的各种示例总体上涉及使临床工作流程自动化,该临床工作流程包括对一个或更多个医学数据集进行分析并且基于该分析生成医学报告。
背景技术
在临床工作流程中,使用一个或更多个成像模态来获取一个或更多个医学成像数据集。然后,用户(例如放射科医生和/或病理学家)对医学成像数据集进行分析,并且放射科医生起草医学报告。该医学报告通常可以涉及放射学信息和/或病理学信息或其他的医学相关信息。
这样的技术面临某些限制和缺点。
例如,对医学成像数据集进行评估需要大量时间。另外,起草医学报告也需要大量时间。
通常,取决于起草医学报告的特定的放射科医生,医学报告包括显著的主观成分。例如,医学报告中包括的结构和详细程度可以取决于放射科医生。有时这可能会在用于起草完整且结构合理的医学报告的时间管理和可用时间方面对放射科医生带来挑战。
发明内容
因此,需要在医学成像数据集的评估和医学报告的生成中支持临床人员的技术。
这种需求通过独立权利要求的特征来满足。从属权利要求的特征限定实施方式。
一种计算机实现的方法包括获得患者的一个或更多个医学数据集。该方法还包括触发从算法存储库中选择一个或更多个算法。算法存储库包括多个候选算法。所述选择基于一个或更多个医学数据集。该方法还包括将一个或更多个医学数据集作为输入提供至一个或更多个算法。该方法还包括触发一个或更多个算法的执行。一个或更多个算法提供对一个或更多个医学数据集的评估。该方法还包括基于一个或更多个算法中的至少一个算法的输出来触发医学报告的生成。
如本文所使用的,触发通常可以指的是进行本地执行或者向另一实体发送用于卸载执行的命令。
计算机程序或计算机程序产品或计算机可读存储介质包括程序代码。该程序代码可以由至少一个处理器加载并执行。在执行程序代码时,至少一个处理器执行方法。该方法包括获得患者的一个或更多个医学数据集。该方法还包括触发从算法存储库中选择一个或更多个算法。算法存储库包括多个候选算法。所述选择基于一个或更多个医学数据集。该方法还包括将一个或更多个医学数据集作为输入提供至一个或更多个算法。该方法还包括触发一个或更多个算法的执行。一个或更多个算法提供对一个或更多个医学数据集的评估。该方法还包括基于一个或更多个算法中的至少一个算法的输出来触发医学报告的生成。
这样的程序代码可以用于执行上面描述的方法。此外,贯穿本文,将在方法的上下文中描述各种示例,并且程序代码可以被配置成提供相应的逻辑。
一种设备,包括控制电路,该控制电路被配置成加载并执行程序代码。在执行程序代码时,控制电路被配置成:获得患者的一个或更多个医学数据集。控制电路还被配置成触发从算法存储库中选择一个或更多个算法。算法存储库包括多个候选算法。所述选择基于一个或更多个医学数据集。控制电路还被配置成将一个或更多个医学数据集作为输入提供至一个或更多个算法。控制电路还被配置成触发一个或更多个算法的执行。一个或更多个算法提供对一个或更多个医学数据集的评估。控制电路还被配置成基于一个或更多个算法中的至少一个算法的输出来触发医学报告的生成。
例如,该设备可以由计算机或医学成像设备或医学分析设备或服务器来实现。
这样的设备可以执行上面描述的方法。此外,贯穿本文,将在方法的上下文中描述各种示例,并且设备的控制电路可以被配置成执行相应的逻辑。
应当理解,在不脱离本发明的范围的情况下,以上提及的特征以及下面将要说明的特征不仅可以在所指示的各个组合中使用,而且可以在其他组合中使用或单独使用。
附图说明
图1示意性地示出了根据各种示例的用于使临床工作流程自动化的系统。
图2示意性地示出了根据各种示例的针对可以对医学数据集进行评估的评估算法的存储库。
图3示意性地示出了根据各种示例的针对可以用于生成医学报告的医学报告模板的存储库。
图4示意性地示出了根据各种示例的针对可以选择用于对医学数据集进行评估的一个或更多个评估算法的选择算法的存储库。
图5示意性地示出了根据各种示例的云计算服务。
图6是根据各种示例的方法的流程图。
图7示意性地示出了根据各种示例的用于对医学数据集进行评估的多个评估算法。
图8示意性地示出了根据各种示例的用于对医学数据集进行评估的多个评估算法。
图9示意性地示出了根据各种示例的在自动化的临床工作流程期间的用户交互。
图10是根据各种示例的方法的流程图。
图11是根据各种示例的方法的流程图。
图12示意性地示出了根据各种示例的算法运行时基础设施。
具体实施方式
本公开内容的一些示例通常提供多个电路或其他电气设备。对电路和其他电气设备和每个提供的功能的所有引用并不旨在受限于仅涵盖本文中示出并描述的内容。虽然可以将特定的标签分配给所公开的各种电路或其他电气设备,但是这样的标签并不旨在限制针对电路和其他电气设备的操作的范围。这样的电路和其他电气设备可以基于期望的特定类型的电气实现方式以任何方式彼此组合和/或分离。应当认识到,本文公开的任何电路或其他电气设备可以包括任意数目的微控制器、图形处理器单元(GPU)、集成电路、存储设备(例如,闪存、随机存取存储器(RAM)、只读存储器(ROM)、电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或它们的其他合适的变体)以及彼此协作以执行本文公开的操作的软件。另外,电气设备中的任何一个或更多个可以被配置成执行包含在非暂态计算机可读介质中的程序代码,该程序代码被编程以执行所公开的任何数目的功能。
在下文中,将参照附图详细描述本发明的实施方式。应当理解的是,实施方式的以下描述不应被视为限制性的。本发明的范围并不旨在受限于仅被视为说明性的下文描述的实施方式或附图。
附图应被认为是示意性表示,并且附图中示出的元件不必按比例示出。相反,各种元件被表示成使得它们的功能和通用目的对于本领域技术人员而言变得明显。在附图中示出或本文描述的功能块、设备、部件或其他物理单元或功能单元之间的任何连接或耦接也可以通过间接连接或间接耦接来实现。部件之间的耦接也可以通过无线连接来建立。功能块可以以硬件、固件、软件或其组合来实现。
在下文中,将描述可以在临床工作流程中找到应用的技术。在本文描述的示例中,临床工作流程可以与以下项中的一个或更多个项相关联:(i)对一个或更多个医学数据集的评估;(ii)医学报告的生成;以及(iii)评估结果的可视化。
本文描述的技术可以在与临床工作流程的这些项有关的任务中协助临床人员诸如放射科医生。这可以通过自动化来实现。本文描述的技术可以采用计算机实现的逻辑。根据实现方式,计算机实现的逻辑可以按照临床工作流程与临床人员持续地进行交互,以提供较小或较大程度的自动化。
所描述的技术可以用于实现医学分析平台。医学分析平台可以提供对可以对医学数据集进行定性分析和/或定量分析的评估算法的访问。医学分析平台可以例如通过预填充医学报告的某些部分和/或以自动化方式生成整个医学报告来帮助生成医学报告。可替选地或附加地,对于这种医学报告的生成,可以提供对一个或更多个所选择的评估算法的输出的可视化。
作为一般规则,本文描述的医学数据集可以包括医学成像数据集和非成像医学数据集:换句话说,医学数据集可以通过医学图像或医学测量(诸如血液值、遗传信息等)来实现。作为一般规则,本文描述的技术不限于一个或更多个特定类型的医学成像数据集,或者具体地,不限于一个或更多个特定的成像模态。可以与本文描述的技术交互的成像模态的示例包括但不限于:X射线成像;计算机断层摄影(CT);超声成像;正电子发射断层摄影(PET);以及磁共振成像(MRI)。取决于场景,非成像医学数据集也可以广泛地变化。非成像医学数据集的示例包括:血液测试;心电图;诸如粪便样本或尿液样本的样本等。
本文描述的技术覆盖临床工作流程的各个项。
本文描述的技术的第一方面总体上涉及从算法存储库中选择一个或更多个评估算法。评估算法可以用于对医学数据集进行评估。可以使评估自动化为较大或较小程度。根据一些示例,可以使用一个或更多个选择算法来实现选择。根据一些示例,可以选择针对一个或更多个评估算法的选择的用户交互模式。根据一些示例,一个或更多个评估算法的选择考虑了基于一个或更多个评估算法的输出而生成的医学报告。
通过这种技术,对一个或更多个评估算法进行定制的且准确的选择是可能的。这种技术基于下述发现:有时可能难以确定哪个评估算法适合于对某个医学数据集的分析。在选择一个或更多个评估算法时的典型问题是:针对某个身体部分选取哪个评估算法?针对某个成像模态选取哪个算法?针对某个疾病选取哪个算法?本文描述的技术有助于促进使用各种策略来适当地选择一个或更多个评估算法。
本文描述的技术的第二方面总体上涉及计算机实现的逻辑,例如在内部部署服务器与外部部署服务器之间的分布。例如,某个计算机实现的逻辑可以在医院本地网络中的本地服务器上实现。另一计算机实现的逻辑可以在医院本地网络外部的可以经由因特网到达的服务器上以外部部署方式实现。根据本文描述的技术,可以实现这种不同服务器之间的交互。与本文描述的临床工作流程相关联的计算机实现的逻辑中的至少一些可以通过云计算服务来实现。具体地,描述了针对用于云计算服务器的计算容器的实例化或预先实例化的策略。所述策略包括将这种容器分配至与按照临床工作流程的不同步骤相关联的某些计算任务,例如,一个或更多个评估算法的选择、一个或更多个评估算法的执行、医学报告模板的选择、医学报告的生成等。通过这种技术,可以有效地实现计算机实现的逻辑。可以减少计算资源。可以减少数据流量。可以减少计算延迟。
本文描述的技术的第三方面总体上涉及临床工作流程的自动化部件与用户之间按照临床工作流程的交互。根据本文描述的技术,持续的双向用户接口是可能的,所述用户接口按照临床工作流程向用户提供持续的指导,并且有助于简化用户交互,从而使针对人为错误的停滞时间和可能性最小化。
在本文描述的各种技术中,可以将关于这些方面中的一个方面的特征与关于这些方面中的另一个方面的特征结合。有时,将一起描述关于这些方面中的一个方面的特征将与关于这些方面中的另一个方面的特征;但是应当理解,这种特征可以彼此隔离并且彼此独立地实现。
根据本文描述的技术,临床工作流程的自动化程度可以变化。例如,根据一些技术,可以使用一个或更多个评估算法来实现对医学数据集的评估。然后,可以向临床人员呈现一个或更多个评估算法的输出,并且随后,临床人员可以基于该输出来手动起草医学报告。可替选地或附加地,也可以例如使用用于配置医学报告的报告模板以半自动方式或全自动方式生成医学报告。更进一步地,可替选地或附加地,可以以半自动方式或全自动方式选择用于医学数据集的评估的一个或更多个评估算法。此处,可以使用一个或更多个选择算法来协助临床人员进行选择。本文描述的技术利于按照临床工作流程的各个项的用户交互。例如,用户可能期望手动注释评估算法的输出。通过适当的用户交互,这可能是可以的。然后,在接收到关于评估算法的输出的这种用户反馈时,可以将用户反馈作为先验,重新执行评估算法和/或一个或更多个其他的评估算法。类似地,用户可以对基于医学报告模板自动生成的医学报告的内容进行调整。医学报告的这种调整可以触发临床工作流程上游的某些调整;例如,可以选择另一评估报告的结果等。用户还可以选取或选择优选的用户交互模式。从而,可以利于对用户输入的获取。
在本文描述的各种技术中,除了本地计算之外,可以采用或可以不采用基于云的计算。例如,本文描述的计算机实现的逻辑中一些或全部可以由本地服务器执行。本地服务器可以表示位于局域网中由临床环境的操作者操作的服务器,本文描述的临床人员、医学设备等与所述临床环境相关联。例如,可以在临床的前提下对本地服务器进行定位。本地服务器也可以位于服务器群中,并且由代表临床的操作者的第三方操作来进行操作。本地服务器可以与云计算服务器不同。此处,云计算操作者可以对包括多个云计算服务器的服务器群进行操作,并且可以在不同用户之间分配计算资源。这可以通过依赖虚拟机和/或容器来完成。云计算服务器可以不将硬件与相应的用户固定地关联。临床的操作者可能无法访问或管理与云计算服务器相关联的硬件。
图1示意性地示出了根据各种示例的系统200。系统200可以用于协助临床人员对医学数据集进行评估并且生成医学报告。系统200可以实现医学分析平台。
在图1的示例中,系统200包括三个本地网络201至203。每个本地网络201至203与各自的操作者相关联。每个本地网络201至203可以与医院或医院集合相关联。本地网络201至203中的不同本地网络可以具有不同的操作者。因此,例如本地网络202的用户可能无法访问本地网络201或本地网络203。在图1中,仅结合本地网络202示出细节;然而,通常,可以以与本地网络202相同的方式配置本地网络201、203。
本地网络202包括医学设备211至212。例如,医学设备211至212可以包括一个或更多个医学成像设备,例如,X射线成像设备、计算机断层摄影扫描设备、磁共振成像设备。医学设备211至212还可以包括一个或更多个医学实验室设备,可以确定患者的一个或更多个临床诊断。示例包括血气、心脏、凝血、糖尿病、尿蛋白分析或其他临床测量。
医学设备211至212可以提供医学数据集作为输出。通常,基于这些医学数据集,医师可以基于诊断来起草医学报告。通过对医学数据集进行评估来获得诊断。根据本文描述的技术,系统200可以协助医师进行这些任务。
出于该目的,本地网络202还包括连接至医学设备211至212的服务器213。例如,服务器213可以接收由医学设备211至212作为输出而提供的医学数据集。
本地网络202还包括人机接口(HMI)214。可以经由HMI 214从用户接收输入数据。可以经由HMI 214向用户提供输出数据。由此,按照临床工作流程的持续的用户指导和协助是可能的。
本地网络201至203例如经由因特网与中央服务器221通信(中央服务器221可以被标记为外部部署服务器,而不是内部部署服务器213)。例如,服务器221可以由与本地网络201至203的操作者不同的操作者来操作和维护。例如,服务器221可以提供云计算服务。服务器221处可用的计算资源可以分布在与本地网络201至203中的每个相关联的计算任务中。
如图1所示,提供了各种数据库225至227;数据库225至227可以实现针对数据的存储库。例如,数据库225以及数据库226与服务器221相关联;而数据库227与服务器213相关联。这些关联仅是示例。在其他示例中,数据库227也可以与服务器221相关联。数据库225至226也可以与服务器213相关联。
如图1所示的系统200在特征在于本地网络201至203和中央服务器221共存。作为一般规则,中央服务器221是可选的。在一些示例中,由服务器221实现的计算机实现的逻辑可以在服务器213上实现。例如,这样的示例,数据库225至226可以直接耦接至服务器213。
接下来,结合以下附图来描述关于数据库225至227的细节。
图2示意性地示出了关于数据库225的各方面。数据库225被配置成实现针对评估算法711至713的存储库。
作为一般规则,可以将评估算法711至713应用于一个或更多个医学数据集,以对一个或更多个医学数据集进行分析。这样的分析可以对应于进行医学诊断。例如,分析可以从一个或更多个医学数据集中提取患者的一个或更多个医学状况。例如,分析可以根据一个或更多个医学数据集来确定一个或更多个异常医学状况或病理性医学状况。例如,分析可以基于一个或更多个医学数据集来对一个或更多个医学状况进行量化。
评估算法711至713中的至少一些评估算法可以采用机器学习的技术,有时也被标记为人工智能(AI)。例如,评估算法711至713中的一些评估算法可以实现人工神经元网络,诸如用于特征检测/特征分类的卷积神经网络。例如,可以使用这种人工神经元网络来实现对患者的某些解剖部分的分割。可以想到其他机器学习技术,例如,支持向量机等。
作为一般规则,数据库225可以能够由多个用户填充。例如,服务器221可以提供对评估算法存储库的访问,以使得第三方能够上传新的评估算法。具体地,数据库225不仅可以由采用评估算法711至713的用户来填充,而且可以由其他用户来填充。例如,这样的其他用户可以专门评估算法711至713的生成。因此,数据库225可以实现将生成评估算法711至713的用户和应用评估算法711至713的用户汇集在一起的平台。
数据库225可以存储多种评估算法711至713。具体地,评估算法711至713中的不同评估算法可以接受不同种类和类型的输入。换句话说,评估算法711至713中的不同评估算法可以基于不同的医学数据集进行操作。例如,评估算法711至713中的第一个评估算法可能期望将脊椎MRT医学成像数据集作为输入;而评估算法711至713中的第二个评估算法可能期望将脑部CT医学成像数据集作为输入。因此,将认识到,评估算法711至713可以相对于所需的输入而不同。可替选地或附加地,评估算法711至713也可以相对于评估的种类并且因此输出类型而不同。例如,虽然评估算法711至713中的两个评估算法都可以基于肝脏MRT医学成像数据集进行操作,但是这些评估算法中的一个可以对肝脏大小进行评估,而这些评估算法中的另一个可以对肝脏的脂肪含量进行评估。
作为一般规则,数据库225中包括的特定评估算法711至713与本文描述的技术的功能没有密切关系。具体地,本文描述的技术可以灵活地适应各种不同种类和类型的评估算法711至713,并且因此提供了针对这种评估算法711至713的应用的框架。另一方面,每个单独的评估算法711至713的具体实现方式超出了本文描述的技术的范围。
为了利于对一个或更多个适当的评估算法711至713的选择,数据库225还存储元数据715至717。这通常是可选的。元数据715至717可以针对评估算法711至713中的每个来提供。元数据715至717描述了相应评估算法711至713的属性。例如,元数据715至717可以描述相应评估算法711至713的所需输入。例如,元数据715至717可以描述相应评估算法711至713的相应输出。更具体地,元数据可以指示评估算法711至713的输入和输出中的生理诊断内容描述。元数据715至717因此可以提供对评估算法711至713的语义描述。元数据715至717利于针对给定的临床任务的适当的评估算法711至713的选择。评估算法711之713的提供者可以使用元数据715至717来适当地注释所提供的评估的功能特征。
使用评估算法711至713,可以使临床工作流程中的一部分自动化。这是因为对医学数据集的评估可以完全地或部分地自动化。
在本文描述的各种示例中,使临床工作流程中与医学状况的诊断相关联的这部分自动化可以通过使医学报告的生成自动化来补充。为此,医学报告的生成可以根据报告模板来配置。报告模板可以从数据库226中检索。结合图3来示出关于数据库226的细节。
图3示意性地示出了关于数据库226的各方面。数据库226被配置成实现针对医学报告模板721至723的存储库。可以应用医学报告模板721至723以对医学报告的生成进行配置。更具体地,使用医学报告模板721至723,医学报告的生成可以部分地自动化。具体地,基于医学报告模板721至723,医学报告可以以半自动方式或全自动方式生成。
举例来说,医学报告模板721至723可以指定医学报告的结构;该结构可以在生成医学报告时使用。例如,医学报告模板721至723可以指定医学报告的内容,使得医学报告的生成可以是自动化的。例如,医学报告的内容可以指定所报告的医学状况。
再次,如已经结合数据库225所说明的,数据库226可以由多个用户来填充。具体地,数据库226不仅可以由采用报告模板721至723的用户来填充,而且可以由其他用户来填充。例如,这样的其他用户可以专门生成医学报告模板721至723。因此,数据库226可以实现将生成医学报告模板721至723的用户和应用医学报告模板721至723的用户汇集在一起的平台,以用于医学报告的生成。
数据库226可以存储多种医学报告模板721至723。具体地,医学报告模板721至723中的不同医学报告模板可以配置医学报告的生成,以依赖于不同种类和类型的输入。换句话说,医学报告模板721至723中的不同医学报告模板可以基于不同评估算法711至713的输出来操作。例如,医学报告模板中的第一医学报告模板可以配置医学报告,以便指定与脑肿瘤相关联的医学状况;而医学报告模板中的第二医学报告模板可以配置医学报告,以便指定与脂肪肝疾病相关联的医学状况。
为了利于对一个或更多个适当的医学报告模板721至723的选择,在图3的示例中,数据库226还存储元数据725至727。这通常是可选的。元数据725至727针对医学报告模板721至723中的每个来提供。元数据725至727描述了相应医学报告模板721至723的属性。例如,元数据725至727可以描述相关联的医学报告的生成所需的输入。例如,元数据725至727可以描述由相应医学报告模板721至723生成的相关联的医学报告的内容。
应当认识到,可以想到的针对临床工作流程的临床任务或实现变体的数目和变化由下述计数来限定:数据库225中的评估算法711至713的计数;以及数据库226中的医学报告模板721至723的计数。通常,数据库225至226中的每个数据库将包括大量条目,例如,分别大于50个条目,或者甚至大于100个条目,或者甚至大于1000个条目。因此,存在临床工作流程的多种可能的实现方式。各种技术基于下述发现:从数据库225中选择用于给定的医学数据集的评估的适当的评估算法711至713可能是具有挑战性的。同样地,各种技术基于下述发现:从数据库226中选择用于配置医学报告的生成的适当的医学报告模板721至723可能是具有挑战性的。因此,在本文描述的各种示例中,可以采用一个或更多个选择算法来利于这种选择,例如,适当的评估算法711至713的选择,和/或适当的医学报告模板721至723的选择。可以将一个或更多个选择算法存储在数据库227中。接下来结合图4来说明关于数据库227的细节。
图4示意性地示出了关于数据库227的各方面。数据库227被配置成实现针对选择算法731至733的存储库。可以应用选择算法731至733,以从数据库225中选择一个或更多个评估算法711至713(参见图2),以及/或者从数据库226中选择一个或更多个医学报告模板721至723。具体地,基于选择算法731至733,可以以半自动方式或全自动方式实现对一个或更多个评估算法711至713的选择。
根据上面对图1至图4的讨论应当认识到,一个或更多个医学数据集的评估和相关联的医学报告的生成的临床工作流程可以依赖于以各种方式的计算机实现的逻辑;已经结合下述对示例进行描述:使用评估算法(参见图2)对一个或更多个医学数据集进行评估;基于一个或更多个医学报告模板(参见图3)生成医学报告并且对医学报告的生成进行配置;以及使用一个或更多个选择算法(参见图4)对一个或更多个评估算法进行选择。
作为一般规则,这样的和其他的计算机实现的逻辑可以由云计算服务来实现。结合图5来示出关于云计算服务的各方面。
图5示意性地示出了关于云计算服务601的各方面。云计算服务601可以用于在诸如服务器群的云计算中心中实现计算机实现的逻辑。云计算中心可以限定硬件层和功能层。硬件层对于云计算服务601的用户可以是透明的。例如,请求执行评估算法711至713中的一个或更多个评估算法的用户可能不知道由云计算服务601使用的用于执行评估算法711至713的底层硬件。
关于图1:例如,服务器221可以实现云计算服务601的硬件层。云计算服务601可以提供用于将硬件层的计算资源分配至特定任务的各种选项。对于这样的选项在图5中示出。第一选项依赖于虚拟机602。第二选项依赖于容器603。
每个虚拟机602可以运行唯一的操作系统。具有或不具有不同操作系统的虚拟机可以在相同的物理服务器221上运行。操作系统的示例包括:Windows;Unix;Linux。每个虚拟机602通常具有其自己的二进制文件、库和该虚拟机602所服务的应用。虚拟机的典型存储要求为约千兆字节。通常,虚拟机的实例化可能需要几分钟。一旦被实例化,虚拟机就可以针对将来要分配给各个虚拟机602的计算任务预先提供一定预定量的计算资源。
不同地,多个容器603可以共享相同的操作系统。具体地,可以通过操作系统来实现容器引擎,并且该容器引擎可以支持多个容器。容器603的实例化可以包括加载容器引擎,并且使用操作系统来执行容器引擎。容器引擎可以支持多个容器的实例化。因此,多个容器共享操作系统的相同实例化。这种共享部件通常可能不会被容器改变。因此,由容器实现的计算任务可以使用由操作系统以只读方式向多个容器提供的库、二进制文件和应用,其中,多个容器被同时执行。这增加了故障冗余和鲁棒性。容器可以快速地被实例化;通常,容器的实例化可以比虚拟机的实例化快得多。例如,容器的实例化可能需要几秒钟。
例如,可以使用所谓的奇异点类型容器603。这种奇异点类型容器可以用于封装整个工作流程、软件、库和数据。另一选项依赖于所谓的Docker类型容器603。
图6是根据各种示例的方法的流程图。在图6中,使用虚线来示出可选框。
图6的方法是计算机实现的。例如,图6的方法可以由包括控制电路的设备来实现。该设备可以由服务器例如本地网络202的服务器213(参见图1)来实现。例如,当从设备的存储器中加载程序代码并且执行该程序代码时,图6的方法可以由设备的处理器来实现。例如,程序代码可以由计算机程序或计算机程序产品或计算机可读存储介质来提供。在下文中,描述了设备由服务器来实施的示例性场景;但是其他场景是可以想到的。
图6示出了临床工作流程的各方面,该临床工作流程包括(i)获得医学数据集;(ii)对医学数据集进行评估;以及(iii)基于所述评估来生成医学报告。图6的方法有助于使针对一个或更多个医学数据集的评估和相关联的医学报告的生成的临床工作流程部分地或全部地自动化。
在框2011处,获得一个或更多个医学数据集101至103。例如,可以从一个或更多个医学设备例如医学实验室设备、医学成像设备等接收到一个或更多个医学数据集101至103。一个或更多个医学数据集101至103可以被预先生成或者可以在获取时获得。框2011可以包括对一个或更多个医学成像设备进行控制以获取医学数据集。
一个或更多个医学数据集101至103与患者相关联。如此,一个或更多个医学数据集101至103包括指示患者的一个或更多个医学状况的信息。
在可选框2012处,获得患者数据集131。患者数据集131包括该患者的患者特定信息。例如,患者数据集113可以指定下述患者特定信息元素中的一个或更多个:患者的先前诊断;患者的包括例如用药等的治疗历史。
接下来,在框2013处,触发对一个或更多个评估算法的选择。这可以基于在框2011处获得的一个或更多个医学数据集101至103以及/或者基于在框2012处获得的患者数据集131。
触发所述选择可以包括:在本地例如在也执行框2011至2012的服务器处进行选择;或者向例如远程服务器或云计算服务(参见图5)发送用于进行选择的命令;或者经由HMI提供用户接口,以例如根据用户交互模式实现对一个或更多个评估算法的手动选择或半自动选择。
存在可用于实现对一个或更多个评估算法的选择的各种选项。例如,可以经由HMI利于手动选择。也可以使选择部分地或全部地自动化。在这样的自动化实现方式中,可以依赖一个或更多个选择算法(参见图4:选择算法731至733)。因此,框2013可以包括:提供一个或更多个医学数据集101至103作为对一个或更多个选择算法的输入并且触发一个或更多个选择算法的执行。然后,可以基于一个或更多个选择算法的输出来选择一个或更多个评估算法711至712。
此外,存在可用于实现选择算法的各种选项。例如,选择算法可以包括AI技术。此处,可以例如取决于特定临床工作流程的某些处理参数(例如医学数据集的来源、用户、患者、一天中的时间等)来选择适当的评估算法。这样的技术可以在使用期间依赖于循环训练。更具体地,可以接收到用户输入,并且基于该用户输入对选择算法进行训练。另一示例可以采用界标检测,以在医学成像数据集中检测生理特征,例如某些身体区域。又一技术可以依赖于将医学数据集的语义内容描述和与评估算法相关联的元数据715至717进行匹配。更具体地,选择算法可以被配置成进行以下二者之间的比较:与候选评估算法711至713相关联的元数据715至717与根据界标检测获得的生理特征。此处,可以采用语义推理器。例如,语义推理器可以依赖于知识图——例如,基于主题-谓语-对象语义关系进行操作,该知识图构建了不同医学属性之间的语义相互关系。例如,生理特征可以与身体区域相关联。例如,身体区域可以彼此相关联。例如,身体区域可以与疾病相关联。例如,疾病可以与适用于诊断的成像模态相关联。例如,评估算法可以与身体区域和/或疾病相关联。所有这种相关性可以通过元数据715至717与医学数据集101至103之间的比较来分析。
已经发现,使用由云计算服务的预实例化容器(参见图5:容器603)执行的一个或更多个选择算法来实现选择可能会有帮助。具体地,已经发现与这样的一个或更多个选择算法的执行相关联的典型计算资源是相当有限的,特别是如果与执行一个或更多个评估算法相关联的计算资源相比。因此,对相应的容器进行预实例化并且然后根据需要将与一个或更多个选择算法的执行相关联的计算任务分配至预实例化的容器可能会有帮助,如果与其中根据需要对容器进行实例化的场景相比,即,在触发一个或更多个其他算法的执行时。具体地,这种按需实例化可能引入延迟,并且在计算效率方面的益处可能受限。
框2013提供了从候选评估算法的存储库(参见图2,其中存储库由数据库225实现)中选择的一个或更多个评估算法作为输出。
然后,接下来,在框2014处,将一个或更多个医学数据集101至103作为输入提供至所选择的一个或更多个评估算法711至712(从框2013获得)。
作为一般规则,可以使用各种选项来实现在一个或更多个医学数据集101至103与在框2013中选择的一个或更多个评估算法711至712之间的映射。换句话说:医学数据集101至103中的不同医学数据集可以作为输入被提供至所选择的评估算法711至712中的不同评估算法。具体地,这种映射可以随不同类型的医学数据集和/或随不同类型的评估算法而变化。图7和图8示出了两个相应的示例。在图7中,医学数据集101作为输入被提供至评估算法711,并且医学数据集102作为输入被提供至评估算法712。此外,在图7的示例中,医学成像数据集101的评估使用多个评估算法711和712,其中,评估算法712的输入是评估算法711的输出。在图8中,评估算法714接收医学数据集101至102两者作为输入。图7的场景和图8的场景可以彼此结合。
例如,图8的场景可以实现跨模态评估。例如,出于借助评估算法714进行分析的目的,可以将MRT成像数据集101与CT成像数据集102进行结合。这可以提供高准确性。对各种评估算法711至714的输入的约束和/或要求可以由对应的元数据715至717(参见图2)来指定。
再次参照图6,在框2014处,触发这些评估算法711至712的执行。此外,触发评估算法711至712的执行可以包括:在本地(例如在也执行框2011至2012的服务器处)执行评估算法711至712;或者向例如远程服务器或云计算服务(参见图5)发送用于进行选择的请求。例如,在云计算服务601处,可以使用云计算服务601的一个或更多个专用或预实例化的容器603来执行评估算法711至712。具体地,在选择评估算法时,可以针对每个评估算法711至712对云计算服务601的相应专用容器603进行实例化。
已经发现,使用容器的按需实例化来实现一个或更多个评估算法的执行(即,在选择相应的一个或更多个评估算法并且触发评估算法的执行时)可能会有帮助。这是因为通常所需的计算资源对于评估算法的执行是非常重要的。例如,要处理的有效载荷数据量——即,医学数据集101至103的大小——可以是显著的。此外,计算资源的量也可以从评估算法711至713到评估算法711至713显著变化。即,不同的评估算法711至713可能需要显著不同的计算资源的量。更进一步,有时,特定评估算法711至713的执行所需的运行时环境也可以特定于该特定评估算法711至713。出于所有这样的原因,在选择相应的一个或更多个评估算法711至712时可能期望对容器603和云计算服务601的按需实例化。
接下来,在框2015处,触发医学报告180的生成。这基于一个或更多个评估算法711至712的输出。
作为一般规则,不要求基于所有选择的一个或更多个评估算法711至712的输出来生成/起草针对已经在框2014中触发执行的医学报告180。更具体地,在框2015处,基于所选择的一个或更多个评估算法711至712中至少一个评估算法的输出来触发医学报告的生成。
在框2015处的医学报告180的生成可以是自动化的。为此,可以基于从相应的存储库(参见图3,其中,医学报告模板721至723的存储库由数据库226实现)中选择和检索的医学报告模板来配置医学报告180的生成。换句话说,可以基于医学报告模板来生成医学报告。
作为一般规则,用户可以从数据库226中手动选择适当的医学报告模板721至723。可替选地或附加地,也可以协助用户使用一个或更多个报告模板选择算法进行适当的医学报告模板721至723的选择。报告模板选择算法本身可以被存储在相应的存储库(图中未示出)中。此外,一个或更多个报告模板选择算法的执行可以由云计算服务(参见图5:云计算服务601)来实现。
在可选框2016处,可以经由相应的HMI(参见图1:HMI 214)向用户输出医学报告180和/或在框2014处的评估结果(即,一个或更多个评估算法711至712的输出)。
图7的计算机实现的方法可以与用户交互。具体地,可以使用按照临床工作流程的持续用户交互来定制对一个或更多个医学数据集101至103的评估和医学报告180的生成。接下来结合图9来说明关于用户交互的细节。
图9是根据各种示例的方法的功能流程图。图9的方法通常对应于图6的方法。
图9示出了关于按照临床工作流程的用户交互的各方面。
首先,如图9所示,在框2013处对一个或更多个评估算法711至712的选择取决于医学数据集101至103,可选地取决于患者数据集113,并且另外可选地,取决于用户输入111。经由HMI例如HMI 214(参见图1)来接收用户输入111。
在简单的示例中,对一个或更多个评估算法711至712的选择也可以基于由用户输入111指示的用户偏好设置。因此,给定的用户可以在数据库225中指定某些优选的评估算法711至713。可替选地或附加地,给定用户还可以针对一个或更多个评估算法的选择来指定优选的用户交互模式。
作为一般规则,可以使用各种用户交互模式。例如,用户交互模式可以基于用户输入111在框2013处提供对一个或更多个评估算法的选择的不同实现方式。例如,不同的用户交互模式可以相对于选择处理的自动化的程度而变化,例如,第一用户交互模式可以是完全自动化的;此处,可以不需要用户输入111。第二用户交互模式可以是完全手动的;此处,基于经由HMI向用户提供的适当的用户接口,用户可以手动地选择一个或更多个评估算法711至712。例如,可以向用户呈现医学数据集101至103。例如,在医学数据集101至103包括医学成像数据集的情况下,可以显示这些医学数据集,并且可以启动相应的查看应用。可以向用户输出患者数据集131。然后,用户可以使所有信息可用于手动地选择一个或更多个评估算法711至712。第三用户交互模式可以是部分地自动化。此处,可以例如使用一个或更多个选择算法731至733来进行从相应的存储库中预选择一个或更多个评估算法。然后,可以将该预选择呈现给用户,并且用户可以从预选择的候选者中手动地选择一个或更多个评估算法711至712。例如,一个或更多个选择算法731至733可以提供预选择的候选的排名,使得更可能被用户最终选择的这种预选择的候选评估算法借助于用户接口更突出地呈现给用户。例如,可以呈现排序列表,其中,排序列表内的位置取决于排名。表1中示出了这样的场景。
排名 | 评估算法 | 描述 |
1 | CT脑部A | <<针对医师的有帮助的描述>> |
2 | CT脑部B | <<针对医师的有帮助的描述>> |
表1:用于根据排名进行评估算法选择的排序列表
例如,不同的用户交互模式可以相对于用于对评估算法进行排名的标准而变化。例如,可以用于对评估算法进行排名的因素可以包括以下中的一个或更多个:用于处理医学数据集101至103的适用性;用户偏好设置;所需的计算资源;估计的运行时;过去特定评估算法的选择的频率;以及/或者第三方对评估算法的质量的满意度等。例如,不同的用户交互模式可以相对于所排名的评估算法的呈现形式而变化。
为了说明,如果用户从排序列表中选择评估算法中的一个或更多个评估算法例如作为用户输入111的一部分,则可以相应地训练相应的选择算法。因此,循环训练可以对选择算法进行细化,以提供更相关的排名。
针对用户交互模式的另一选项涉及针对医学报告的生成的配置提供不同的实现方式。因此,不同的用户交互模式可以提供用于选择适当的医学报告模板的不同的用户交互例程。例如,第一用户交互模式可以向用户呈现第一标准医学报告模板和第二定制报告模板的选择。第二用户交互模式可以提供其他选择,或者与另一排名相同的选择。
各种技术基于下述发现:关于用户交互模式,不同的用户可能具有不同的偏好。此外,各种技术基于下述发现:从数据库225中可以选择适当的一个或更多个评估算法711至712的准确性可以取决于用户交互模式而变化。更进一步,各种技术基于下述发现:从数据库225中选择适当的一个或更多个评估算法711至712所需的时间可以取决于用户交互模式而变化。
因此,可以在多个用户交互模式之间进行选择,以用于一个或更多个评估算法711至712的选择。
存在可以想到的用于在用户交互模式之间进行选择的不同的策略。例如,用户可以进行优选的用户交互模式的手动选择。多个用户交互模式之间的选择也可以基于一个或更多个评估算法的先前选择的准确性反馈。
例如,可以取决于准确性反馈来调整在排名(参见表1)中使用的因素和/或因素的相对权重。
在这方面,准确性反馈可以指定所选择的一个或更多个评估算法711至712的输出对于相应的临床任务是否是令人满意的。所选择的一个或更多个评估算法711至712的输出是令人满意的指示可以是:在审查所选择的一个或更多个评估算法711至712的输出时用户不会触发对一个或更多个其他评估算法的重新选择。如此,例如,在审查最初选择的一个或更多个评估算法的输出时,可以基于从数据库225中基于用户输入重新选择一个或更多个评估算法的计数来确定先前选择的准确性反馈。
在图9中,示出了框2015——即,医学报告180的生成——可以取决于相应的用户输入112。例如,这可以包括从相应的存储库(参见图3:数据库226)中选择适当的报告模板。该选择可以取决于用户输入112。
表2中示出了示例医学报告模板721至723:
表2:医学报告模板的示例
如图9所示,用户输入112还可以用于在2013处选择适当的一个或更多个评估算法711至712。医学报告180的生成的配置可以影响对一个或更多个评估算法711至712的选择。因此,换句话说,一个或更多个评估算法711至712的选择可以基于医学报告180生成的配置。接下来结合图10对其进行详细说明。
图10是根据各种示例的方法的流程图。图10的方法可以与框2013和框2014(参见图6)结合使用。
图10示出了关于一个或更多个评估算法711至714的选择的各方面。图10示出了2步骤选择处理。
图10的技术基于下述发现:通常,一个或更多个评估算法711至714的执行需要大量的计算资源,并且因此需要大量的时间。为了避免用户的等待时间,采用根据图10的2步骤选择处理。
此处,首先,在框2151处,基于医学数据集101至103并且可选地基于患者数据集131和/或用户输入111来进行粗略选择。然后,可以获得评估算法的第一集合。在框2152处,可以触发在第一集合中这些评估算法的执行。然后,在框2153处,在接收到针对医学报告的配置的用户输入112时,可以实现精细选择。通常,评估算法的输出已经在框2153处可用。具体地,可以获得评估算法的第二集合,其中,第二集合是第一集合的子集。换句话说,然后可以例如基于用户输入112或医学报告的配置从第一集合中选择一个或更多个评估算法711至712。
因此,这样的场景可以与第一集合中的所有评估算法的抢先执行(甚至可以在最终决定是否将这些评估算法包括在第二集合中之前)相关联。例如,在框2152处,抢先执行可能与用户相关的所有评估算法。然后,在框2153处,基于第二选择,丢弃这些抢先执行的评估算法中的一个或更多个的输出。尽管如此,当配置医学报告时,用户不必面对用于呈现最终选择的一个或更多个评估算法711至714的输出的等待时间。
如结合图10说明的这样的技术基于下述发现:一方面,虽然医学检查是出于一定原因而进行的,通常遵循鉴别诊断的原则,但是根据获取的数据,检查的目的并不总是明显的。例如,可能由于(疑似)心血管疾病(CVD)或者由于(疑似)肺部疾病(例如,癌症、COPD、ILD)或者由于胸部中的其他器官诸如椎骨、食道或淋巴结而指示对胸部进行CT扫描。即使请求程序/检查的原因是已知的,检查医师也可能得到他/她也需要报告的偶然发现。
另一方面,评估算法通常被设计和训练,以用于从某些种类的医学数据集中提取特定信息,例如,用于在CT肺部扫描中发现结节、用于对某些动脉中的钙化进行量化、用于追踪和解剖识别CTA中的血管、用于在T1加权脑部MR扫描中对解剖结构进行分割等。因此,出现了下述挑战:选择正确的一个或更多个评估算法,以应用于针对要进行医学报告的检查而产生的一个或更多个医学数据集。
下面给出了相关联问题的几个示例:
a)针对医学报告的某些部分——例如,程序、临床发现、印象等——选择哪个最佳的评估算法?
b)针对某些测量属性选择哪个最佳的评估算法?
c)针对某个身体部分的形态学发现选择哪个最佳的评估算法?
d)针对基于位置解剖或区域解剖的病变检测选择哪个最佳的评估算法?
e)基于先前的指示(例如,针对PIRAD报告PSA/活检)或技术(对比/脉冲序列)选择哪个最佳的评估算法?
f)为了生成基于自然语言的印象,基于发现集合或基于病变定位选择哪个最佳的评估算法?
g)为了预测疾病的分级或分类或评分,选择哪个最佳的评估算法?
结合图10,上面已经描述了下述技术:使得能够从报告医师的视角解决该问题,即,考虑用户必须递送哪个种类的医学报告作为检查结果的问题。然后,将所需信息与通过第一集合的所有评估算法提取的信息进行匹配。对医学数据集执行第一集合的这些评估算法。使用元数据利用语义术语来描述生成医学报告所需的信息以及第一集合中的每个评估算法的能力两者。由于评估算法可以运行持续一些时间,因此第一集合的评估算法的执行应当在用户选择医学报告模板之前进行,以确保在最终选择评估算法的第二集合时不存在等待时间或存在很少的等待时间。
根据上面描述的技术,可以选择并触发所有评估算法的执行,所述评估算法首先适合于输入数据,并且其次适合于所需的输出适合,例如,从由医学报告模板施加约束的视角来看。
这可以使用元数据来完成。元数据可以用于以使用元数据的语义术语来描述相应评估算法的输入/输出的种类。元数据可以指示预定的本体集合中的一个或更多个所选择的条目(例如,以SNOMED或RadLex品牌商业上可用)。当基于关于医学数据集的输入限制和输出使用语义术语来识别合适的评估算法时,可以利用语义关系(诸如“子类”)以识别超出相同术语的匹配。为此,可以采用语义推理器。例如,在文中给出的算法中,存在可以分析“冠状动脉CT血管造影”类型的数据中的冠状动脉的算法,并且存在可以分析“胸部CT”类型的数据的算法。现在,医学数据集为“冠状动脉CT血管造影”类型的医学数据集。可以进行医学数据集与两个评估算法之间的匹配。语义推理可以将“冠状动脉CT血管造影”限定为“胸部CT”的子类;因此,基于这样的知识,两个评估算法都可以证明是合适的。
为了确定评估算法的所需输出,可以在医学报告模板中对利用评估算法的输出要预填充的报告条目进行语义注释。例如,在上面示出的表2的报告中考虑了病变。然后,可以通过相应的元数据来识别具有用于提供可处理的输入数据和所产生的输出数据的语义描述的能力的评估算法。
在已经识别出应当执行的评估算法的初始集合之后,这些评估算法例如并行地或者使用云计算服务的多个容器来执行。可以将输出与相关联的评估算法的指示以及元数据一起存储在数据库(即结构化结果集合)中。
当用户最终选择医学报告模板时,查询并且从包括该输出的数据库中检索针对所选择的情况的合适输出(潜在地基于多个医学数据集,例如多个检查),。
最后,用户可以对由评估算法提供的输出进行校正,并且导航至进行测量的非结构化医学数据(例如图像研究)。
上面已经说明了基于医学报告生成的配置——该配置又可以取决于用户输入112——来选择一个或更多个评估算法。再次转向图9,接下来,将说明在框2016处关于报告的输出的细节。
如图9所示,可以例如经由HMI 214(参见图1)向用户输出医学报告180。然后,用户可以研究医学报告180的细节。具体地,医学报告180还可以包括先前选择的一个或更多个评估算法的输出。也可以输出一个或更多个评估算法的输出。此处,可能会发生下述情况:在研究医学报告180以及先前选择的一个或更多个评估算法的输出时,用户对一个或更多个评估算法711至714的输出的准确性,或对医学报告180的准确性不满意。
如图9场景所示,用户然后可以例如经由HMI 214提供另一用户输入114作为反馈。该用户输入与医学报告180或一个或更多个评估算法711至714的输出有关。
为了给出提供反馈的这种用户输入114的几个示例:评估算法可以在医学成像数据集中执行对解剖特征的分割。例如,评估算法可以注释肝脏。有时,用户可能对这种分割或注释的准确性不满意。然后,使用提供反馈的用户输入114,用户可以对分割或注释进行细化。
然后,可以想到关于下述的各种场景:如何使用实现关于医学报告180的反馈的这种用户输入114以及/或者先前选择的和先前执行的一个或更多个评估算法的输出。例如,如图9所示,可以重新配置医学报告180,即,基于来自用户以用户输入114的形式的反馈(反馈回路6001)来新生成医学报告180。因此,在重新执行框2015之后,医学报告180中可以包括由用户进行的某些更改。图9中所示的另一选项(反馈回路6002)涉及通过重新执行框2014来重新执行一个或更多个评估算法中的至少一个。具体地,对一个或更多个评估算法的先前执行的输出的更改可以用作针对一个或更多个评估算法711至714中的至少一个评估算法711至714的后续执行的先验知识以及框2014的进一步迭代。然后,基于细化输出,可以在框2015处触发医学报告180的重新生成。
存在可以想到的各种场景,在各种场景中,当重新执行一个或更多个评估算法711至714中的至少一个评估算法711至714时,这种先验知识是有帮助的。例如,某些统计学习的技术可以容纳先验知识,并且然后在考虑该先验知识的情况下确定输出。例如,所述输出是基于用户输入114手动分割的解剖特征的某些部分,因此这可能也会影响解剖特征的其他部分的自动分割。另一示例与图7所示的关于后续执行的评估算法711至712的场景有关。例如,由用户输入114实现的反馈可以影响两个相互依赖的评估算法711至712中的先前评估算法711的输出。然后,可以针对后续算法712触发重新执行。
图11是根据各种示例的方法的流程图。图11示出了与针对一个或更多个医学数据集的评估和医学报告的生成的临床工作流程相关联的整个处理的示例。具体地,图11示出了关于用于使用内部部署计算资源和外部部署计算资源来实现计算机实现的逻辑的各种选项的各方面。
图11描绘了医学分析平台的高级构思图。图11总体上涉及从下述的一个或更多个中接收一个或更多个医学数据集的场景:成像模态;实验室;医院信息系统等。例如,医学数据网关可以充当针对这种医学数据集的存储库。然后,可以以外部部署方式例如使用云计算服务或者以内部部署方式(参见图1:中央服务器221和本地服务器213)执行对一个或更多个医学数据集的评估。
在两个场景中——即,外部部署评估以及内部部署评估——可以使一个或更多个评估算法的选择自动化、半自动化或手动。此外,可以自动地、半自动地或手动地触发对所选择的一个或更多个评估算法的执行。
图11的方法可以由软件模块来实现。这样的软件模块7001至7004在图12中示出。在下文中,参照图11和图12的组合。
例如,考虑内部部署自动触发。此处,医学数据网关可以通知算法运行时基础设施7000实现算法选择模块7001,例如,以服务器213上的软件来实现(参见图1)。例如,算法选择模块7001——即使在内部部署场景下——也可以使用依赖于容器的计算资源管理来实现,如上面关于云计算服务601(参见图5)所说明的。然后,算法执行模块7002可以执行一个或更多个所选择的评估算法。然后,医学报告模块7003可以生成医学报告。所有模块7001至7003的操作可以经由用户接口模块7004进行用户交互。
基于云的实现方式可以遵循上面结合内部部署自动/手动触发概述的类似策略。此处,模块7001至7004中的一个或更多个模块可以由云计算服务来实现。
现在,说明关于图11的处理流程的细节。该处理流程可以使用算法运行时基础设施7000来实现。
该处理在框2101处开始。在框2102处,获得患者的一个或更多个医学数据集。这可以包括经由医学数据网关的数据集合。可以例如从医院信息系统(HIS)或放射学信息系统(RIS)和/或图片存档和通信系统(PACS)来执行查询。
接下来,在框2103处,选择部署场景。这可以涉及对计算任务在内部部署执行与外部部署执行(例如,涉及云计算服务)之间的适当分布的选择。
取决于在框2103处的检查,下述选项是可用的:针对内部部署场景执行框2104;针对外部部署场景执行框2131;以及针对混合场景执行框2120。
在框2104、框2120和框2131中的每个处,在一个或更多个用户交互模式之间进行相应的选择。具体地,在自动用户交互模式或手动用户交互模式之间进行选择,以用于一个或更多个评估算法的选择。
在选择(半)手动用户交互模式的情况下,然后,在框2105、框2121或框2132处,接收用户输入,并且由此,用户可以选择用于执行的一个或更多个评估算法。例如,这可以包括根据排名列表(参见表1)的选择。可选地,用户还可以选择医学报告模板,从而执行医学报告的生成的配置。否则,自动地实现选择。
在任何情况下,在框2106处或在框2133处,触发对一个或更多个评估算法的选择。在框2106处,可以使用内部部署算法选择模块7001;而在框2133处,可以使用外部部署算法选择模块7002。
接下来,在框2107处或在框2134处,触发并进行对所选择的一个或更多个评估算法的执行。这包括分别与内部部署执行模块7002或外部部署执行模块7002接口。
在可选框2108和可选框2135处,可以针对每个所选择的评估算法来实例化并执行计算容器。在框2108处,结合框2107的内部部署算法运行时基础设施对计算容器进行限定。在框2135处,针对框2133的每个所选择的评估算法来实例化并执行计算容器,其中,结合云计算服务对计算容器进行限定。
然后,可以分别在框2110处或在框2137处将一个或更多个评估算法的输出存储在例如RIS、HIS或PACS中。
可以分别在框2111处或在框2138处向用户输出一个或更多个评估算法的输出。这可以通过使用用户接口模块7004来实现。用户接口模块7004可以访问HMI 214。
在框2111或框2138处,也可以生成医学报告。这可以使用报告模块7003来完成。根据医学报告模板,可以基于评估算法的输出对医学报告进行预填充。
在框2111处或在框2138处,可选地,可以例如基于医学报告模板配置医学报告的生成(例如,如果在框2105或框2132或框2121处尚未进行该配置)。可以自动地或半自动地或手动地选择适当的医学报告模板。针对框2111,可以使用内部部署计算资源或者使用诸如云计算服务的外部部署计算资源来实现与医学报告的输出和生成相关的这种任务和其他任务。
然后,在框2141处,可以将医学报告上传至存储库,例如,HIS、RIS或PACS。存储器在框2142示出。
在一些示例中,分别在框2112处或在框2139处,向用户呈现一个或更多个评估算法的输出以及/或者分别在框2111或框2138中已生成的医学报告。然后,用户有机会对一个或更多个评估算法的输出和/或医学报告进行细化和修改;然后,基于这样的用户反馈,重新执行框2102和后续操作(参见图9:用户反馈114)。例如,可以对评估算法的定量结果进行编辑。例如,可以编辑分割。
综上所述,上面已经描述了促进了针对一个或更多个医学数据集的自动化评估和基于相应评估算法的输出的医学报告的自动生成的有效的且精益的工作流程的技术。具体地,可以使用元数据对各种评估算法进行语义标记,这可以促进对适当的评估算法的选择。可以保存评估算法的通用存储库以及元数据。
根据一些示例,实现了报告驱动的临床工作流程。此处,用于医学报告的评估算法的选择取决于用于配置医学报告本身的生成的医学报告模板的选择。
所提出的技术实现了对评估算法的通用且可扩展的存储。算法存储库可以由任意算法容易地扩展。由此,存在处理不同的非结构化类型的医学数据集和各种医学报告类型的能力。这些可以容易地由第三方来提供。
所采用的评估算法的集合以及报告模板可以容易地根据解决方案的个人用户和客户进行定制,从而尊重针对某些提供者的个人偏好。
通过不公开关于医学数据集的所有执行的评估算法的所有结果,而仅公开所选择的评估算法——例如,取决于所选择的报告模板的选择——的子集的结果,避免了向用户显示可能导致假阳性(较低的诊断准确性)的干扰结果以及使工作流程减慢。
尽管已经关于某些优选实施方式示出并描述了本发明,但是本领域技术人员在阅读和理解说明书之后将想到等同内容和修改。本发明包括所有这样的等同内容和修改,并且仅由所附权利要求的范围进行限定。
为了说明,已经描述了依赖于计算资源例如在局域网中的服务器与中央服务器之间的特定分布的各种示例。在其他示例中,可以使用计算资源的不同分布来实现相同的功能。在这方面,已经结合数据库的特定结构描述了一些技术。通常,可以将结合两个单独的数据库描述的某些信息内容集成至单个数据库中。此外,可以将元数据和算法存储在单独的数据库(参见图2至图3)中。
为了进一步说明,已经结合例如通过使用被配置成加载并执行程序代码的控制电路来实现某些逻辑的服务器描述了各种示例。在本文描述的各种示例中,除服务器之外,其他种类的设备可以包括被配置成加载并执行这种程序代码的控制电路。其他设备包括例如医学成像装置、个人计算机、膝上型计算机、平板电脑等。程序代码可以由计算机程序或计算机程序产品或计算机可读存储介质来提供。
为了更进一步说明,本文结合方法描述的各种技术更确切地可以由设备或计算机程序或计算机程序产品或计算机可读存储介质来实现。
Claims (19)
1.一种计算机实现的方法,包括:
-获得(2011)患者的一个或更多个医学数据集(101至103),
-触发(2013)从包括多个候选算法(711至714)的算法存储库(225)中选择一个或更多个算法(711至714),所述选择基于所述一个或更多个医学数据集(101至103),
-将所述一个或更多个医学数据集(101至103)作为输入提供(2014)至所述一个或更多个算法(711至714),并且触发对所述一个或更多个算法(711至714)的执行,所述一个或更多个算法(711至714)提供对所述一个或更多个医学数据集(101至103)的评估,以及
-基于所述一个或更多个算法(711至714)中的至少一个的输出来触发(2015)医学报告(180)的生成。
2.根据权利要求1所述的方法,还包括:
-将所述一个或更多个医学数据集(101至103)作为输入提供至一个或更多个其他算法(731至733),并且触发所述一个或更多个其他算法(731至733)的执行,
其中,基于所述一个或更多个其他算法(731至733)的输出来选择所述一个或更多个算法(711至714)。
3.根据权利要求2所述的方法,
其中,所述一个或更多个医学数据集(101至103)包括医学成像数据集,
其中,所述一个或更多个其他算法中的至少一个被配置成在相应输入中执行生理特征的界标检测。
4.根据权利要求3所述的方法,
其中,所述一个或更多个其他算法中的至少一个被配置成执行与所述多个候选算法相关联的元数据(715至717)与根据所述界标检测获得的生理特征之间的比较,所述元数据(715至717)指示所述多个候选算法的输入和/或输出的生理诊断内容描述。
5.根据权利要求4所述的方法,
其中,所述比较包括基于知识图的语义推理,所述知识图与以下中的一个或更多个相关联:生理特征;身体区域;疾病;成像模态;和/或医学数据集的类型。
6.根据权利要求4或5所述的方法,还包括:
-提供对所述算法存储库的访问,以使得第三方能够上传新的候选算法以及所述元数据。
7.根据权利要求2至6中任一项所述的方法,
其中,所述一个或更多个算法(711至714)的选择还基于经由人机接口接收到的用户输入(111),
其中,基于所述用户输入对所述一个或更多个其他算法进行训练。
8.根据权利要求2至7中任一项所述的方法,
其中,使用云计算服务(601)的预实例化的容器(603)来实现所述一个或更多个其他算法(731至733)的执行。
9.根据前述权利要求中任一项所述的方法,
其中,使用云计算服务(601)的专用容器(603)来实现所述一个或更多个算法(711至714)中的每个算法的执行,当触发所述一个或更多个算法(711至714)中的相应一个算法的执行时,对所述专用容器(603)进行实例化。
10.根据前述权利要求中任一项所述的方法,还包括:
-在多个用户交互模式之间进行选择,以用于所述一个或更多个算法(711至714)的选择,
其中,所述一个或更多个算法(711至714)的选择还基于根据所述多个用户交互模式中的所选择的用户交互模式从人机接口接收到的用户输入。
11.根据权利要求10所述的方法,
其中,所述多个用户交互模式相对于所述一个或更多个算法(711至714)的选择的自动化程度而变化。
12.根据权利要求10或11所述的方法,
其中,所述多个用户交互模式之间的所述选择基于所述一个或更多个算法(711至714)的先前选择的准确性反馈。
13.根据权利要求12所述的方法,
其中,基于所述一个或更多个评估算法的重新选择的计数来确定所述准确性反馈,所述一个或更多个评估算法的重新选择基于从所述人机接口接收到的用户输入。
14.根据前述权利要求中任一项所述的方法,还包括:
-执行所述医学报告(180)的生成的配置,
其中,所述医学报告(180)的生成的配置包括从报告存储库(226)中选择所述医学报告(180)的报告模板(721至723)。
15.根据权利要求14所述的方法,
其中,所述一个或更多个算法(711至714)的选择还基于所述医学报告(180)的生成的配置。
16.根据权利要求15所述的方法,
其中,所述一个或更多个算法(711至714)的选择包括基于所述一个或更多个医学数据集(101至103)从所述算法存储库中预选择(2151)算法的第一集合,
其中,所述一个或更多个算法(711至714)的选择包括基于所述医学报告(180)的生成的配置的后选择(2152)算法的第二集合,所述第二集合是所述第一集合的子集。
17.根据前述权利要求中任一项所述的方法,还包括:
-向人机接口发送所述医学报告(180)和所述一个或更多个算法(711至714)的输出中的至少一个作为用户输出,
-从所述人机接口接收与所述医学报告(180)和所述一个或更多个算法(711至714)的输出中的至少一个相关联的用户反馈(114),以及
-基于所述用户反馈(114),触发以下中的至少一个:所述一个或更多个算法(711至714)中的至少一个的重新执行和所述医学报告(180)的重新生成。
18.根据权利要求17所述的方法,
其中,所述用户反馈与所述一个或更多个算法(711至714)中的第一算法(711)的输出相关联,
其中,触发所述一个或更多个算法(711至714)中的第二算法(712)的重新执行,所述第二算法(712)的输入取决于所述第一算法(711)的输出。
19.根据前述权利要求中任一项所述的方法,还包括:
-获得(2012)患者数据集(131),所述患者数据集(131)包括所述患者的患者特定信息,
其中,所述一个或更多个算法(711至714)的选择还基于所述患者数据集。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19194504.7 | 2019-08-30 | ||
EP19194504.7A EP3786978A1 (en) | 2019-08-30 | 2019-08-30 | Automated clinical workflow |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112447287A true CN112447287A (zh) | 2021-03-05 |
Family
ID=67810407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010877455.7A Pending CN112447287A (zh) | 2019-08-30 | 2020-08-27 | 自动化的临床工作流程 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210065886A1 (zh) |
EP (1) | EP3786978A1 (zh) |
CN (1) | CN112447287A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4339961A1 (en) * | 2022-09-14 | 2024-03-20 | Siemens Healthineers AG | Methods and systems for providing a template data structure for a medical report |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102365641A (zh) * | 2009-03-26 | 2012-02-29 | 皇家飞利浦电子股份有限公司 | 基于诊断信息自动检索报告模板的系统 |
US20120130223A1 (en) * | 2010-11-19 | 2012-05-24 | Dr Systems, Inc. | Annotation and assessment of images |
US20150169652A1 (en) * | 2012-10-31 | 2015-06-18 | 1C Llc | Systems and methods for automated report generation |
US20160209995A1 (en) * | 2015-01-19 | 2016-07-21 | Samsung Electronics Co., Ltd. | Image processing apparatus, medical imaging apparatus, and image processing method |
US20170323442A1 (en) * | 2016-07-22 | 2017-11-09 | Siemens Healthcare Gmbh | Method for supporting a reporting physician in the evaluation of an image data set, image recording system, computer program and electronically readable data carrier |
US20190156947A1 (en) * | 2017-11-22 | 2019-05-23 | Vital Images, Inc. | Automated information collection and evaluation of clinical data |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130224694A1 (en) * | 2011-08-26 | 2013-08-29 | Laura M. Moore | Integrated System and Method for Meal Planning and Management |
US20170337329A1 (en) * | 2016-05-18 | 2017-11-23 | Siemens Healthcare Gmbh | Automatic generation of radiology reports from images and automatic rule out of images without findings |
US10452813B2 (en) * | 2016-11-17 | 2019-10-22 | Terarecon, Inc. | Medical image identification and interpretation |
US11720813B2 (en) * | 2017-09-29 | 2023-08-08 | Oracle International Corporation | Machine learning platform for dynamic model selection |
US11152810B2 (en) * | 2018-05-21 | 2021-10-19 | Sling Media Pvt. Ltd. | Rule based smart charging |
-
2019
- 2019-08-30 EP EP19194504.7A patent/EP3786978A1/en active Pending
-
2020
- 2020-08-12 US US16/991,229 patent/US20210065886A1/en active Pending
- 2020-08-27 CN CN202010877455.7A patent/CN112447287A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102365641A (zh) * | 2009-03-26 | 2012-02-29 | 皇家飞利浦电子股份有限公司 | 基于诊断信息自动检索报告模板的系统 |
US20120130223A1 (en) * | 2010-11-19 | 2012-05-24 | Dr Systems, Inc. | Annotation and assessment of images |
US20150169652A1 (en) * | 2012-10-31 | 2015-06-18 | 1C Llc | Systems and methods for automated report generation |
US20160209995A1 (en) * | 2015-01-19 | 2016-07-21 | Samsung Electronics Co., Ltd. | Image processing apparatus, medical imaging apparatus, and image processing method |
US20170323442A1 (en) * | 2016-07-22 | 2017-11-09 | Siemens Healthcare Gmbh | Method for supporting a reporting physician in the evaluation of an image data set, image recording system, computer program and electronically readable data carrier |
US20190156947A1 (en) * | 2017-11-22 | 2019-05-23 | Vital Images, Inc. | Automated information collection and evaluation of clinical data |
Also Published As
Publication number | Publication date |
---|---|
US20210065886A1 (en) | 2021-03-04 |
EP3786978A1 (en) | 2021-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10984905B2 (en) | Artificial intelligence for physiological quantification in medical imaging | |
US10937164B2 (en) | Medical evaluation machine learning workflows and processes | |
US11037070B2 (en) | Diagnostic test planning using machine learning techniques | |
US20190156947A1 (en) | Automated information collection and evaluation of clinical data | |
US20190220978A1 (en) | Method for integrating image analysis, longitudinal tracking of a region of interest and updating of a knowledge representation | |
JP6014059B2 (ja) | 医療データの知的リンキング方法及びシステム | |
US20100114597A1 (en) | Method and system for medical imaging reporting | |
US20140341449A1 (en) | Computer system and method for atlas-based consensual and consistent contouring of medical images | |
WO2015134530A1 (en) | Personalized content-based patient retrieval system | |
JP7071441B2 (ja) | 装置、方法、システム及びプログラム | |
US20170154167A1 (en) | A system and a related method for automatically selecting a hanging protocol for a medical study | |
US20210296004A1 (en) | Inference Transparency System for Image-Based Clinical Decision Support Systems | |
US10146907B2 (en) | Network system and method for controlling a computer tomograph | |
WO2021157705A1 (ja) | 文書作成支援装置、方法およびプログラム | |
WO2021112141A1 (ja) | 文書作成支援装置、方法およびプログラム | |
EP3955260A1 (en) | Clinical decision support | |
CN112447287A (zh) | 自动化的临床工作流程 | |
JPWO2019208130A1 (ja) | 医療文書作成支援装置、方法およびプログラム、学習済みモデル、並びに学習装置、方法およびプログラム | |
US20170322684A1 (en) | Automation Of Clinical Scoring For Decision Support | |
US11869654B2 (en) | Processing medical images | |
US20210217535A1 (en) | An apparatus and method for detecting an incidental finding | |
US20200051676A1 (en) | Device, system, and method for optimizing usage of prior studies | |
US20210220055A1 (en) | Anatomic or physiological state data clustering | |
US20240127917A1 (en) | Method and system for providing a document model structure for producing a medical findings report | |
EP4328855A1 (en) | Methods and systems for identifying a candidate medical finding in a medical image and providing the candidate medical finding |
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 |