CN113366580A - 使用分布式学习平台促进将人工智能集成到系统中 - Google Patents
使用分布式学习平台促进将人工智能集成到系统中 Download PDFInfo
- Publication number
- CN113366580A CN113366580A CN201980090644.5A CN201980090644A CN113366580A CN 113366580 A CN113366580 A CN 113366580A CN 201980090644 A CN201980090644 A CN 201980090644A CN 113366580 A CN113366580 A CN 113366580A
- Authority
- CN
- China
- Prior art keywords
- data
- diagnostic
- medical image
- image data
- medical
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 443
- 230000013016 learning Effects 0.000 title abstract description 62
- 230000010354 integration Effects 0.000 title description 77
- 238000000034 method Methods 0.000 claims abstract description 149
- 238000012549 training Methods 0.000 claims abstract description 147
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 71
- 238000003384 imaging method Methods 0.000 claims abstract description 70
- 238000010801 machine learning Methods 0.000 claims abstract description 45
- 238000007435 diagnostic evaluation Methods 0.000 claims abstract description 4
- 230000015654 memory Effects 0.000 claims description 61
- 238000003860 storage Methods 0.000 claims description 32
- 238000005259 measurement Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 19
- 230000000007 visual effect Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 7
- 239000003550 marker Substances 0.000 claims description 4
- 238000003058 natural language processing Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 description 96
- 230000018109 developmental process Effects 0.000 description 96
- 238000012800 visualization Methods 0.000 description 92
- 238000010586 diagram Methods 0.000 description 44
- 230000003993 interaction Effects 0.000 description 40
- 230000006870 function Effects 0.000 description 36
- 238000012545 processing Methods 0.000 description 32
- 230000000670 limiting effect Effects 0.000 description 29
- 238000003745 diagnosis Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 26
- 238000010561 standard procedure Methods 0.000 description 26
- 230000009471 action Effects 0.000 description 21
- 230000036541 health Effects 0.000 description 16
- 238000011282 treatment Methods 0.000 description 16
- 206010028980 Neoplasm Diseases 0.000 description 15
- 238000011156 evaluation Methods 0.000 description 15
- 230000008520 organization Effects 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 14
- 238000002591 computed tomography Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 12
- 238000013499 data model Methods 0.000 description 11
- 239000003814 drug Substances 0.000 description 11
- 238000002595 magnetic resonance imaging Methods 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000012552 review Methods 0.000 description 10
- 230000007547 defect Effects 0.000 description 9
- 229940079593 drug Drugs 0.000 description 9
- 230000003902 lesion Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 230000035790 physiological processes and functions Effects 0.000 description 9
- 208000024891 symptom Diseases 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 229940088597 hormone Drugs 0.000 description 7
- 239000005556 hormone Substances 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 6
- 230000001105 regulatory effect Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000000090 biomarker Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000010191 image analysis Methods 0.000 description 5
- 208000037805 labour Diseases 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 5
- 230000004962 physiological condition Effects 0.000 description 5
- 238000009877 rendering Methods 0.000 description 5
- 238000001356 surgical procedure Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 4
- JYGXADMDTFJGBT-VWUMJDOOSA-N hydrocortisone Chemical compound O=C1CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 JYGXADMDTFJGBT-VWUMJDOOSA-N 0.000 description 4
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000011591 potassium Substances 0.000 description 4
- 229910052700 potassium Inorganic materials 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 3
- 102000001554 Hemoglobins Human genes 0.000 description 3
- 108010054147 Hemoglobins Proteins 0.000 description 3
- 206010039491 Sarcoma Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 239000008103 glucose Substances 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000009607 mammography Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000005055 memory storage Effects 0.000 description 3
- 230000006996 mental state Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007170 pathology Effects 0.000 description 3
- 238000007670 refining Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 102000004420 Creatine Kinase Human genes 0.000 description 2
- 108010042126 Creatine kinase Proteins 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- 102000008857 Ferritin Human genes 0.000 description 2
- 108050000784 Ferritin Proteins 0.000 description 2
- 238000008416 Ferritin Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 2
- 102000004877 Insulin Human genes 0.000 description 2
- 108090001061 Insulin Proteins 0.000 description 2
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 2
- 229930003779 Vitamin B12 Natural products 0.000 description 2
- 229930003316 Vitamin D Natural products 0.000 description 2
- QYSXJUFSXHHAJI-XFEUOLMDSA-N Vitamin D3 Natural products C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@H](C)CCCC(C)C)=C/C=C1\C[C@@H](O)CCC1=C QYSXJUFSXHHAJI-XFEUOLMDSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 210000001772 blood platelet Anatomy 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 210000001124 body fluid Anatomy 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- FDJOLVPMNUYSCM-WZHZPDAFSA-L cobalt(3+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+3].N#[C-].N([C@@H]([C@]1(C)[N-]\C([C@H]([C@@]1(CC(N)=O)C)CCC(N)=O)=C(\C)/C1=N/C([C@H]([C@@]1(CC(N)=O)C)CCC(N)=O)=C\C1=N\C([C@H](C1(C)C)CCC(N)=O)=C/1C)[C@@H]2CC(N)=O)=C\1[C@]2(C)CCC(=O)NC[C@@H](C)OP([O-])(=O)O[C@H]1[C@@H](O)[C@@H](N2C3=CC(C)=C(C)C=C3N=C2)O[C@@H]1CO FDJOLVPMNUYSCM-WZHZPDAFSA-L 0.000 description 2
- 238000010968 computed tomography angiography Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 235000014113 dietary fatty acids Nutrition 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 239000000194 fatty acid Substances 0.000 description 2
- 229930195729 fatty acid Natural products 0.000 description 2
- 150000004665 fatty acids Chemical class 0.000 description 2
- 229940014144 folate Drugs 0.000 description 2
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 description 2
- 239000011724 folic acid Substances 0.000 description 2
- 235000019152 folic acid Nutrition 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 229960000890 hydrocortisone Drugs 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 229940125396 insulin Drugs 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 210000000265 leukocyte Anatomy 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 239000011777 magnesium Substances 0.000 description 2
- 229910052749 magnesium Inorganic materials 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 230000003211 malignant effect Effects 0.000 description 2
- 230000008774 maternal effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000002483 medication Methods 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 108091070501 miRNA Proteins 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 230000036407 pain Effects 0.000 description 2
- 230000032696 parturition Effects 0.000 description 2
- 244000052769 pathogen Species 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 229920001690 polydopamine Polymers 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 230000001850 reproductive effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 239000011734 sodium Substances 0.000 description 2
- 229910052708 sodium Inorganic materials 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000005495 thyroid hormone Substances 0.000 description 2
- 229940036555 thyroid hormone Drugs 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 150000003626 triacylglycerols Chemical class 0.000 description 2
- 235000019163 vitamin B12 Nutrition 0.000 description 2
- 239000011715 vitamin B12 Substances 0.000 description 2
- 235000019166 vitamin D Nutrition 0.000 description 2
- 239000011710 vitamin D Substances 0.000 description 2
- 150000003710 vitamin D derivatives Chemical class 0.000 description 2
- 229940046008 vitamin d Drugs 0.000 description 2
- 230000003936 working memory Effects 0.000 description 2
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 208000010392 Bone Fractures Diseases 0.000 description 1
- 206010010071 Coma Diseases 0.000 description 1
- 230000007067 DNA methylation Effects 0.000 description 1
- 206010013710 Drug interaction Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 206010064571 Gene mutation Diseases 0.000 description 1
- 241000027036 Hippa Species 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000003618 Intervertebral Disc Displacement Diseases 0.000 description 1
- 206010050296 Intervertebral disc protrusion Diseases 0.000 description 1
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 102000011923 Thyrotropin Human genes 0.000 description 1
- 108010061174 Thyrotropin Proteins 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229960000074 biopharmaceutical Drugs 0.000 description 1
- 238000010241 blood sampling Methods 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 229960005069 calcium Drugs 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000035606 childbirth Effects 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 235000020805 dietary restrictions Nutrition 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 238000007876 drug discovery Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000001605 fetal effect Effects 0.000 description 1
- 210000002458 fetal heart Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 229940091250 magnesium supplement Drugs 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000007310 pathophysiology Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 239000006187 pill Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000003498 protein array Methods 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 230000009326 social learning Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 108020001568 subdomains Proteins 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明描述了使用分布式学习平台促进将人工智能(AI)信息学集成在医疗保健系统中的技术。在一个实施方案中,提供了计算机实现的方法,该计算机实现的方法包括由操作地耦接到处理器的系统与用于查看医学图像数据的医学成像应用程序进行交互。该方法还包括,由该系统促进根据与使用该成像应用程序相关联的定义的本体生成结构化诊断数据,以执行对该医学图像数据的临床评估。该方法还包括,由该系统将该结构化诊断数据提供给一个或多个机器学习系统,其中基于该提供,该一个或多个机器学习系统采用该结构化诊断数据作为训练数据,以生成或训练被配置为提供新医学图像数据的基于人工智能的诊断评估的一个或多个诊断模型。
Description
技术领域
本申请涉及使用分布式学习平台将人工智能信息学集成到包括医疗保健系统在内的各种系统中的计算机实现的技术。
背景技术
医疗保健行业有无数的机会利用人工智能(AI)和机器学习来实现更准确、主动和全面的患者护理。AI提供了优于传统分析和临床决策技术的多个优点。从减少行政负担到支持精准医疗,AI在临床、财务和运营领域都显示出前景。学习算法在与训练数据交互时可变得更加精确和准确,从而使人类能够获得对诊断、护理过程、治疗变异性和患者结果的前所未有的见解。然而,即使是目前拥有行业领先分析能力的组织,在涉及将AI应用于临床护理时也面临着复杂的挑战。
发明内容
以下呈现了发明内容以提供对本发明的一个或多个实施方案的基本理解。本发明内容不旨在标识关键或重要元素,也不旨在描绘不同实施方案的任何范围或权利要求的任何范围。其唯一目的是以简化形式呈现概念,作为稍后呈现的更详细描述的序言。在一个或多个实施方案中,本文描述了使用分布式学习平台促进将AI信息学集成到医疗保健系统中的系统、计算机实现的方法、装置和/或计算机程序产品。
根据一个实施方案,提供了一种系统,该系统包括:处理器;以及存储可执行指令的存储器,该可执行指令在由该处理器执行时促进操作的执行。这些操作可包括促进多个不同的机器学习系统访问与不同实体相关联并提供关于各种医疗保健领域的临床和操作方面的医疗保健信息的多个不同的医疗保健系统和来源。操作还包括:促进由多个不同的机器学习系统生成多个AI模型,该多个AI模型被配置为生成关于各种医疗保健领域的临床和操作方面的推断。操作还包括:促进AI模型在集中式网络可访问数据库中的存储,以及促进应用与各种医疗保健组织的临床和操作工作流的执行相关联的相应模型的相关子集以生成推断。
在另一个实施方案中,提供了一种系统,该系统包括存储计算机可执行部件的存储器以及执行存储在存储器中的计算机可执行部件的处理器。计算机可执行部件可包括接口部件,该接口部件促进访问用于查看医学图像数据的医学成像应用程序。计算机可执行部件还可包括诊断数据生成部件,该诊断数据生成部件促进根据与使用成像应用程序查看医学图像数据相关联的定义的本体生成结构化诊断数据。计算机可执行部件还可包括数据收集部件,该数据收集部件将结构化诊断数据提供给一个或多个机器学习系统,其中基于结构化诊断数据的接收,该一个或多个机器学习系统采用结构化诊断数据作为训练数据,以生成或训练被配置为提供新医学图像数据的基于人工智能的诊断评估的一个或多个诊断模型。
在另一个实施方案中,提供了一种系统,该系统包括:处理器;以及存储可执行指令的存储器,该可执行指令在由该处理器执行时促进操作的执行。这些操作可包括访问集中式网络可访问的医疗保健模型数据库,该数据库包括被配置为生成关于各种医疗保健领域的临床和操作方面的推断的多个AI模型,其中该多个AI模型的相应模型由不同的机器学习系统开发。操作还包括识别该多个AI模型中与用于使用医学成像可视化应用程序进行评估的所选患者的医学图像数据相关的一个或多个模型,其中该一个或多个模型被配置为确定以下中的至少一者:识别和表征在医学图像数据中反映的一个或多个定义特征的特征信息,或关于在医学图像数据中反映的医学病症的诊断信息。操作还包括将该一个或多个模型应用于医学图像数据以生成特征信息或诊断信息中的至少一者,并且基于将特征信息或诊断信息中的至少一者应用于医学成像可视化应用程序、提供给医学成像可视化应用程序以用于经由医学成像可视化应用程序进行渲染。
在另一个实施方案中,提供了一种系统,该系统包括:处理器;以及存储可执行指令的存储器,该可执行指令在由该处理器执行时促进操作的执行。这些操作可包括选择多个AI模型中的一个或多个诊断模型,该一个或多个诊断模型与用于使用医学成像可视化应用程序进行评估的所选患者的医学图像数据相关。操作还包括将该一个或多个诊断模型应用于图像数据以生成医学图像数据的解释,其中该解释识别和表征在医学图像数据中反映的一个或多个特征,或者提供关于在医学图像数据中反映的医学病症的诊断信息。操作还包括经由医学成像应用程序提供表示解释的解释信息,以及基于该提供来接收关于该解释的准确性的反馈数据。操作还包括生成将图像数据与解释信息和反馈数据相关联的结构化训练数据,以及使用一种或多种机器学习技术基于结构化训练数据来细化该一个或多个诊断模型。
在一些实施方案中,结合所公开的系统描述的元件能够以不同形式体现,诸如计算机实现的方法、计算机程序产品或另一种形式。
附图说明
图1示出了根据所公开主题的一个或多个实施方案的示例性非限制性系统的框图,该系统使用分布式学习架构促进将AI信息学集成到各种系统中。
图2示出了根据所公开主题的一个或多个实施方案的分布式学习架构的示例性非限制性后端集成层的框图,该分布式学习架构促进将AI信息学集成在医疗保健系统中。
图3示出了根据所公开主题的一个或多个实施方案的分布式学习架构的示例性非限制性AI编排层的框图,该分布式学习架构促进将AI信息学集成在医疗保健系统中。
图4示出了根据所公开主题的一个或多个实施方案的分布式学习架构的示例性非限制性前端交互/可视化层的框图,该分布式学习架构促进将AI信息学集成在医疗保健系统中。
图5示出了根据所公开主题的一个或多个实施方案的示例性非限制性系统的框图,该系统促进生成与使用分布式学习架构将AI信息学集成在医疗保健系统中相关联的一个或多个诊断模型。
图6呈现了根据所公开主题的一个或多个实施方案的包括医学图像的示例性可视化,该医学图像可在医学成像应用程序的关联使用中生成并呈现给医生。
图7示出了根据所公开主题的一个或多个实施方案的示例性非限制性服务器设备的框图,该服务器设备促进生成与使用分布式学习架构将AI信息学集成在医疗保健系统中相关联的结构化诊断训练数据。
图8示出了根据所公开主题的一个或多个实施方案的示例性非限制性计算机实现方法的流程图,该计算机实现方法促进生成与使用分布式学习架构将AI信息学集成在医疗保健系统中相关联的一个或多个诊断模型。
图9示出了根据所公开主题的一个或多个实施方案的示例性非限制性系统的框图,该系统促进应用与使用分布式学习架构将AI信息学集成在医疗保健系统中相关联的一个或多个诊断模型。
图10示出了根据所公开主题的一个或多个实施方案的示例性临床AI辅助诊断子系统的框图,该临床AI辅助诊断子系统促进应用与使用分布式学习架构将AI信息学集成在医疗保健系统中相关联的一个或多个诊断模型。
图11示出了根据所公开主题的一个或多个实施方案的示例性非限制性计算机实现方法的框图,该计算机实现方法促进应用与使用分布式学习架构将AI信息学集成在医疗保健系统中相关联的一个或多个诊断模型。
图12A至图12D呈现了根据所公开主题的一个或多个实施方案的与将一个或多个AI诊断模型与医学成像应用程序集成相关联而生成的医学成像可视化。
图13示出了根据所公开主题的一个或多个实施方案的示例性非限制性计算机实现方法的框图,该计算机实现方法使用分布式学习平台促进将AI信息学集成在医疗保健系统中。
图14示出了根据所公开主题的一个或多个实施方案的另一个示例性非限制性计算机实现方法的框图,该计算机实现方法促进应用与使用分布式学习架构将AI信息学集成在医疗保健系统中相关联的一个或多个诊断模型。
图15示出了示例性非限制性操作环境的框图,在该操作环境中可以促进本文所述的一个或多个实施方案。
图16示出了另一个示例性非限制性操作环境的框图,在该操作环境中可以促进本文所述的一个或多个实施方案。
图17示出了另一个示例性非限制性操作环境的框图,在该操作环境中可以促进本文所述的一个或多个实施方案。
图18示出了另一个示例性非限制性操作环境的框图,在该操作环境中可以促进本文所述的一个或多个实施方案。
图19示出了另一个示例性非限制性操作环境的框图,在该操作环境中可以促进本文所述的一个或多个实施方案。
图20示出了另一个示例性非限制性操作环境的框图,在该操作环境中可以促进本文所述的一个或多个实施方案。
具体实施方式
以下具体实施方式仅仅是示例性,并非旨在限制实施方案和/或实施方案的应用或使用。此外,并不意图受前述“发明内容”部分或者“具体实施方式”部分中提出的任何明示或暗示信息的约束。
本发明所公开的主题涉及用于使用分布式学习平台将AI信息集成到各种系统(诸如医疗保健系统)中的技术。例如,机器学习方法(并且更广泛地讲,AI技术)在提供医疗保健中的应用有望减少浪费、降低成本并提高诊断和治疗的准确性和有效性。各种分析和数字方法已经很好地服务于诊断医学,这些方法可检测信号和基于图像的数据中的模式、特征和伪影。问题是如何将其成功地集成到我们的医疗保健系统中。AI公司和医疗保健提供商在将新技术集成到医疗保健领域的各个领域的道路上面临着一系列障碍。
最大挑战之一是创建可支持这项工作的基础结构。对于整个医疗保健行业,目前还没有用于AI平台的基础结构。例如,数据是AI驱动的医疗保健的核心。虽然数据是机器学习技术所依赖的基础,但是日益丰富的医疗保健数据仍然以孤岛或专有格式高度分散,这使得很难与外部来源结合。成像分析是与使用AI信息学工具评估医学图像数据的复杂性的良好示例。例如,AI可用于医学成像以自动表征图像中的特征,从而提高放射科医生的效率,最小化误差,并且帮助他们使他们的报告对他们所服务的患者更定量且更有用。然而,例如,当试图对计算机断层摄影(CT)中的特征进行分类时,成像算法可能需要数百到数百万张图像来学习一致的模式和所有可能的变体。因此,仅基于AI的成像分析的集成就需要独特的基础结构,该基础结构促进存储、访问和处理如此大的数据集。
不仅数据访问、存储和处理需求是一个问题,而且涉及数据存储、传输和处理的不同系统之间的互操作性也是实现将AI集成到医疗保健系统中的主要因素。例如,基础结构的缺陷,诸如电子健康记录(EHR),它不适用于与模型开发系统的互操作性,可能会导致难以访问开发和训练AI模型所需的特定数据元素。在实施非当前系统固有的临床AI决策支持工具时,这种碎片化对于医院或卫生系统而言可能是显著的问题。
除了数据存储、访问和互操作性要求之外,要开发被配置为提供基于AI的临床解决方案的模型,必须使用大量准确注释的训练数据来训练和验证模型。机器学习算法可被分为两大类,有监督的和无监督的。在过去的几十年里,人们对无监督学习方法进行了研究和探索,尽管令人鼓舞,但这些方法的成熟度和稳健性还不足以保证其达到常规临床实践所需的严苛程度。然而,在过去的五年里,由于计算和理论上的突破,监督学习技术已显示出巨大的前景。在有监督的范例中,首先向学习系统提供数据的示例,人类教师或注释人员通过这些示例将分类标签应用于数据的语料库。然后,学习算法使用类标签来调整和改变数据的内部数学表示(诸如人工神经网络的行为),并映射到分类的某些预测等。训练由使用数值优化技术的迭代方法组成,该数值优化技术减少了期望的类标签和算法的预测之间的误差。然后向新训练的模型提供新数据作为输入,并且如果训练良好,则可对新数据进行分类或以其他方式提供评估。
因为有监督的训练范例取决于丰富多样的数据,因此训练数据必须准确并且代表在向算法提供新数据时算法可以“看到”的大多数变体。例如,考虑开发一种诊断模型,该模型被配置为评估胸部x射线以将它们分类为正常与异常。可能有数百种不同的变量会造成x射线异常。因此,为了训练诊断模型,将需要数据的语料库,与将被归类为正常的表示相比,该语料库显示所有那些不同变量的所有可能表示。这可能加起来多达数千或甚至数百万个图像,所有这些图像都需要以一致的方式进行标记和注释。
目前用于为医疗保健信息学中的机器学习生成带注释的训练数据的技术效率低下、繁琐且容易出错。例如,为了创建生成准确的医学成像诊断模型所需的训练数据,人类专家必须标记图像,并定义哪些元素是正常的,哪些元素应该被标记。就这一点而言,将基于采集物理学的图像特征映射到基础生理、功能和解剖结构是诊断放射学、心脏病学和病理学的科学和领域的核心。因此,为了为基于医学成像的诊断创建足够的训练数据,人类注释人员必须评估图像数据集以检测和解释医学成像中大量的病理生理学和伪影,并且进一步准确且一致地标记伪影。在回顾性培训环境中收集数据集,人类专家通过这种方式对预选考试的结果进行排序、突出显示和分类,这可能是极其乏味、昂贵且耗时的。此外,由于它涉及容易犯错和固执己见的人类专家来定义算法将要寻找的内容,这也是无意识偏见潜入的机会。因此,注释是在医疗保健领域中创建机器学习算法的挑战的相当大一部分。
所公开主题的一个或多个实施方案涉及使用分布式学习平台或架构促进将AI信息学集成到医疗保健系统中的系统、计算机实现的方法、装置和/或计算机程序产品。分布式学习架构可分配和连接开发基于医疗保健的AI模型以及在各种医疗保健系统的实际工作流中应用基于医疗保健的AI模型所需的各种硬件和软件部件。分布式学习架构还可促进基于模型验证反馈的自持续模型优化和扩展的连续循环,该模型验证反馈与模型在实际工作流中的使用以及使用一个或多个集中式健康数据联盟在不同的医疗保健系统和服务之间协作和共享不同的带注释的和原始的训练数据相关联地接收。
在各种实施方案中,分布式学习架构可聚集来自各种不同系统和数据源的大型数据集(标记的和未标记的)。就这一点而言,分布式学习架构可提供基础结构解决方案,该解决方案允许无缝访问大量数据以用于教学和训练目的,从而产生可信结果。与整理来自不同数据源的医疗保健数据相关联,所公开的分布式学习架构可促进不同系统之间的互操作性,包括提供数据的后端系统、促进查看数据并与数据交互的前端系统,以及负责处理数据以生成和训练模型并进一步将模型应用程序集成在实际临床工作流中以提供各种基于AI的临床决策支持工具的AI编排系统。就这一点而言,分布式学习架构可允许跨地区和国家联网的多个用户和临床系统共享(标记的和非结构化的)训练数据和开发的模型,以便在多个应用程序中重用。分布式学习架构可将匿名化方法应用于数据,以确保符合安全和隐私法规。分布式学习架构的一个或多个部件还可被配置为识别包括在不同数据源中的相关训练数据,对其进行解析、检索、清理,并将其格式化为标准化的、结构化的机器可读形式,使得其可用于模型创建。
在一个或多个实施方案中,分布式学习架构还可提供用于在临床环境中系统地生成高质量带注释的训练数据的技术。就这一点而言,所公开的技术不是通过不同的数据库进行回顾性解析以识别用于训练的相关医学图像数据集,并且进一步发现和关联可用于促进模式识别和诊断结论的与相应图像相关联的其他相关数据(例如,患者临床病史数据、来自临床医生的先前生成的放射科医生解释性病理报告等),然后将该数据提供给第三方注释团队以审查、关联和手动注释训练数据,而是将训练数据整理和生成集成到执业医生的临床常规中。就这一点而言,所公开主题的一个或多个实施方案提供了技术和工具,通过这些技术和工具,可在诊断医生执行信号和基于图像的医疗数据的解释的临床常规期间收集训练数据。根据这些实施方案,分布式学习架构可提供一个或多个医学成像应用程序/系统和/或与一个或多个医学成像应用程序/系统进行交互,该一个或多个医学成像应用程序/系统促进查看与诊断报告相关联的医学图像并与之进行交互。例如,在一些具体实施中,医学成像应用程序可包括被配置为向临床医生提供医学成像可视化和交互服务的现有网络应用程序。
与提供对用于诊断报告的医学成像应用程序的访问和/或与该医学成像应用程序交互相关联,所公开的技术可提供允许临床医生(例如,放射科医生等)解释成像数据以在诊断解释的临床执行中注释数据的各种工具。例如,所公开的技术可允许医生通过对图像数据中感兴趣的特征/缺陷加标签、限定特征/缺陷的维度(例如,面积、体积深度等),以及将进一步描述特征的相关特性的描述性注释数据(例如,文本数据、符号等)添加到感兴趣的特征,来在图像或信号伪影上应用“标记”。所公开的技术还可限制或控制在注释图像或信号伪影时可使用的术语/词汇和语义,从而能够一致地生成用于训练目的的统一结构化数据。这对于确保避免训练和教学中的歧义非常重要。该方法的另一个有益效果是与临床护理团队的沟通清晰,该临床护理团队还将使用这些数据来治疗患者。带注释的图像数据(例如,包括标记和注释)可存储在集中式训练数据数据库中。
在一些实施方案中,除了注释图像数据之外,所公开的技术还可促进从由临床医生结合他们对医学图像和信号数据和/或其他诊断数据(例如,实验室数据、基于患者评估的医学笔记、生理反馈诸如生命体征等)的评估而生成的解释性文本报告中生成和提取语义相关的术语。这些术语还可与训练数据数据库中的相应图像和/或其他诊断数据相关联。除了生成和整理带有标记和注释的医学图像数据以及由临床医生通过其诊断报告提供的相关诊断报告术语之外,所公开的技术还可在解释时收集和整理与医学图像相关的其他相关数据,诸如原始图像数据(包括波形)、患者病史数据、实验室数据、生理反馈数据等。累积的数据还可被清理和组织,并添加到一个或多个集中式训练数据数据库中用于模型开发和训练。分布式学习架构还可使得能够将与上述技术相关联地生成的结构化训练数据(标记、注释和文本/报告数据)提供给用于模型开发和训练的一个或多个机器学习系统。
尽管所公开的系统的各种实施方案是结合使用AI信息对医学图像数据进行诊断分析来描述的,但是应当理解,所公开的系统可被定制为促进许多其他临床和操作医疗保健领域中的临床决策支持,以消除人为误差和低效率、提高患者护理质量并减少浪费等。就这一点而言,医学成像仅为可应用所公开的用于集成AI信息学以促进医疗保健相关决策和评估的技术的一千个用例中的一个。所公开的分布式学习架构可用于共享相关的训练数据,开发AI模型,并且可将AI模型以跨部门、跨企业和跨区域的方式大规模实施到各种医疗保健学科的临床工作流中。例如,除了促进放射科医生、医生和涉及患者护理的其他临床医生的临床工作流优化之外,所公开的分布式学习系统还可提供在行政级别集成AI信息学以促进规划、调节和管理医疗服务。例如,AI信息学可集成到患者安排和床位管理系统中以优化群体健康管理。在另一个示例中,AI信息学可用于识别医疗保健系统中与浪费相关的区域,并且促进确定用于降低成本和提高投资回报(ROI)的技术,或以其他方式优化患者护理服务的临床和财务结果。AI信息学可集成到医疗保健计费系统中,以促进提高索赔提交和报销效率,促进减少欺诈浪费和滥用(FWA),等等。
除了医疗保健之外,所公开的分布式学习技术还可扩展到各种其他行业或领域。例如,所公开的分布式学习技术可扩展到营销行业,以自动识别趋势并向消费者提供更个性化的广告和产品。在另一个示例中,所公开的分布式学习技术可应用于运输行业,以促进自动驾驶系统、基于预期延迟实时优化航线和列车时刻表以及ROI,等等。在另一个示例中,所公开的分布式学习系统可向商业组织提供各种AI解决方案,以筛选庞大的数据池、处理应用、发现异常、得出结论并做出明智的决策等,以促进提高服务质量和效率,同时降低成本。可采用所公开的分布式学习架构来促进将AI信息学集成到其系统中的其他行业可包括例如教育系统、制造系统、法律系统、个性化辅助系统、政府监管系统、安全系统、机器到机器(M2M)通信系统、农业系统等。可能性是无穷的。
现在参考附图描述一个或多个实施方案,其中相同的附图标号始终用于表示相同的元件。在以下描述中,出于解释的目的,阐述了许多具体细节以便提供对一个或多个实施方案的更透彻理解。然而,很明显,在各种情况下,可以在没有这些具体细节的情况下实践一个或多个实施方案。
图1示出了根据所公开主题的一个或多个实施方案的示例性非限制性系统100的框图,该系统促进使用分布式学习架构将AI信息学集成到各个领域的系统中。本公开中解释的系统、装置或过程的各方面可以构成在机器内体现(例如,在与一个或多个机器相关联的一个或多个计算机可读介质(或媒体)中体现)的机器可执行组件。当由一个或多个机器(例如,计算机、计算设备、虚拟机等)执行时,这类组件可以使机器执行所述操作。
在各种实施方案中,系统100的分布式学习架构可包括三个互连层,包括后端集成层102、AI编排层110和前端交互/可视化层122。后端集成层102可经由一个或多个后端接口/网关108耦接到AI编排层110,并且前端交互/可视化层122可经由一个或多个前端接口/网关120耦接到AI编排层。
后端集成层102可包括各种不同的数据源和系统,这些数据源和系统提供与应用系统100以促进集成AI信息学的行业/领域相关联的数据和/或服务。例如,在将系统100应用于医疗保健的具体实施中,后端集成层102可包括各种不同的医疗保健数据源和提供医疗保健数据和/或与生成或使用医疗保健数据相关联的服务的医疗保健系统。后端集成层102可包括一个或多个内部数据源/系统104,以及提供可用于教学和训练一个或多个AI模型定向的领域/行业特定解决方案的输入数据的一个或多个外部数据源/系统106。
例如,当应用于医疗保健时,一个或多个内部数据源/系统104以及提供可用于教学和训练一个或多个AI模型以提供各种医疗保健解决方案的输入数据的一个或多个外部数据源/系统106,在本文中通常称为医疗保健AI模型。就这一点而言,一个或多个内部和/或外部数据源/系统可包括被配置为提供医学图像数据的医学成像系统、被配置为提供患者健康信息的患者记录系统、被配置为提供患者病理报告的医疗报告系统等。后端集成层102还可包括医疗保健报告/监测系统,该医疗保健报告/监测系统提供与一个或多个医疗保健机构处的患者、临床医生和医疗用品/器械相关联的实时(或基本上实时)的上下文输入信息(例如,生理信息、位置信息、工作流信息等),该上下文输入信息可在医疗保健模型与实时执行实际临床和/或操作工作流相关联地运行时用作输入,以通过AI监督增强这些工作流的执行。在各种实施方案中,包括在后端集成层102中的数据元素和训练数据是可搜索的,并且可由多个系统(研究人员)访问以用于构建新的模型和算法。
在所示的实施方案中,内部数据源/系统104与外部数据源/系统106不同,以指示内部数据源/系统104可包括与单个企业相关联的一个或多个专有数据源/系统。例如,尽管系统100促进不同的医疗保健相关企业、系统和数据源的集成,但在一个或多个具体实施中,可从利用、提供和/或管理系统100的单个企业的角度来描述系统100。例如,在一些具体实施中,单个企业可以是健康信息技术(HIT)公司(诸如通用电气公司(GE)医疗保健公司),其提供一系列产品和服务,包括医学成像和信息技术、电子病历、医学诊断、患者监测系统、药物发现、生物制药制造技术等。根据该示例,除了提供用于开发或训练医疗保健AI模型的内部医疗保健数据之外,HIT公司还可提供和/或启用系统100的一个或多个特征和功能。例如,在一些具体实施中,HIT系统可提供促进访问医学图像、查看医学图像并与医学图像交互(例如,经由web应用程序、本地客户端应用程序、瘦应用程序等)的一个或多个医学成像可视化服务。在另一个具体实施中,单个企业可包括经由一个或多个医院、门诊医疗机构等向患者提供医疗服务的医院组织。不管企业提供的性质、操作和/或服务如何,内部数据源/系统104可包括由该企业拥有和/或操作的内部数据源/系统。就这一点而言,后端集成层102可聚集由不同企业/实体在世界各地的不同位置(和/或在云中)提供的各种医疗保健数据源和系统,以使得能够访问所有类型的数据,这些数据可用作由AI编排层110训练和/或开发基于AI的医疗保健信息学的输入。
图2示出了当应用于医疗保健系统AI信息学集成时,根据所公开主题的一个或多个实施方案的后端集成层102的更详细表示。为简洁起见,省略了对各个实施方案中采用的类似元素的重复描述。
在所示的实施方案中,内部数据源/系统104可包括(但不限于):医学图像存档系统202、医学图像可视化系统、医疗报告系统206、结构化训练数据数据库208和研究注册表21。医学图像存档系统202可包括用于存储医学图像数据的专有和/或专有存档系统,该医学图像数据包括但不限于:DICOM(医学数字成像和通信)图像、原生医学图像数据和带注释的图像。DICOM是用于处理、存储、打印和传输医学成像信息的一项全球标准。它包括文件格式定义和网络通信协议。DICOM在全球范围内用于存储、交换和传输医学图像。例如,DICOM结合了用于各种成像模态的标准,诸如放射摄影术、超声检查、计算机x线断层扫描、磁共振、乳房X射线摄影术等。DICOM包括用于图像交换(例如,通过便携式媒体诸如DVD)、图像压缩、3D可视化、图像呈现和结果报告的协议。由于DICOM的广泛采用,使用开发复杂的AI成像诊断模型所需的大小和复杂程度的成像数据集可能比使用其他类型的数据集更容易,DICOM是一种已经存在了二十多年的医学成像标准。对于成像,DICOM起到了连接医院中所有模态的角色。打印机、显示器、MRI机和其他采集设备均使用DICOM标准进行通信。
如本文所用,原生医学图像或原生医学图像数据是指由医学成像捕获设备或医学成像采集设备捕获的、不一定根据DICOM标准格式化的任何图像数据。例如,医学成像捕获设备可以包括但不限于:常规的X射线设备、数字放射摄影(DX)X射线设备、X射线血管造影(XA)设备、全景X射线(PX)设备、计算机断层摄影(CT)设备、乳房X线摄影(MG)设备(包括断层合成设备)、磁共振成像(MRI)设备、超声(US)成像设备、彩色流多普勒(CD)设备、正电子发射断层摄影(PET)设备、单光子发射计算机断层摄影(SPECT)设备、核医学(NM)成像设备等。原生医学图像数据可包括原始像素数据、波形数据、三维或深度数据、点云数据等。在各种实施方案中,医学图像存档系统202可将DICOM图像与一组或多组与DICOM图像相关联的原生图像数据相关联。在一些实施方案中,图像可视化/处理系统可采用原生图像数据来生成三维(3D)或重建的医学图像。
带注释的图像可包括应用了某种形式的注释或标记的DICOM图像和/或原生图像。注释或标记可包括应用于图像中的感兴趣的限定点、区域或体积的图形标记、标签、文本标签、文本数据、符号数据、音频数据等。例如,带注释的医学图像可包括患者大脑的图像,该图像具有限定肿瘤边界的图形标记,并且包括对肿瘤的等级或类型进行分类的文本或符号数据。在各种实施方案中,带注释的医学图像可包括使用本文所述的独特注释工具生成的带注释的医学图像,该独特注释工具可集成到由医生用来查看和评估医学图像的成像可视化应用程序中,作为他们的诊断常规的一部分。下文参考图7更详细地描述了这些注释工具的特征和功能。
在一些具体实施中,医学图像存档系统202可包括图片存档和通信系统(PACS)。PACS提供了对来自多种模态(源机器类型)的图像的经济存储和方便访问。电子图像和报告可经由PACS以数字方式传输,无需手动存档、检索或运输胶片夹,即用于存储和保护X射线胶片的文件夹。PACS图像存储和传输的通用格式是DICOM。一旦封装在DICOM中,非图像数据诸如扫描文档便可使用消费行业标准格式如PDF(便携式文档格式)进行合并。利用这些具体实施,医学图像存档系统202可包括各种成像模态(例如,X射线平片(PF)、CT、MRI等)。
医学图像可视化系统204可包括软件和/或硬件部件,该软件和/或硬件部件促进访问/检索医学图像存档系统202中包括的图像和/或图像数据,查看或审查图像数据,和/或与图像数据相关联地交互。在一些具体实施中,医学图像可视化系统204可提供用于注释医学图像的注释工具,如下文参考图7所述。在一些实施方案中,医学图像可视化系统204的一个或多个特征和功能可体现为基于web的服务(例如,经由web应用程序、瘦客户端应用程序、胖客户端应用程序、混合应用程序等)。在其他实施方案中,医学图像可视化系统204的一个或多个特征和功能可在客户端设备处体现和/或提供为本地驻留应用程序。虽然医学图像可视化系统204被描绘为后端集成层102的一部分,但是医学图像可视化系统204的一个或多个部件和/或实例可与AI编排层110和/或前端交互/可视化层122相关联。
在一些实施方案中,医学图像可视化系统204可被配置为生成和/或提供重建的医学图像。如本文所用,重建的医学图像是指基于一个或多个原生医学图像生成的计算机生成的医学图像。重建的医学图像通常是指基于若干组合的原生医学图像生成的3D模型或体积呈现(VR)。例如,3D重建的医学图像可以包括三角形、四边形、点云和/或n边形的一个或多个网格。3D重建的医学图像还可以包括曲面诸如非均匀有理基准样条(NURBS),它们是映射到三维空间中的公共表面区域的两个参数的函数。在一些方面,3D重建的医学图像可具有相关联的颜色、纹理或材料属性。术语“3D图像”、“3D模型”、“3D重建”、“3D可视化”和“3D呈现”在本文中可互换使用。
医疗报告系统206可包括促进为患者生成医疗报告的软件和/或硬件部件。例如,医疗报告系统206可提供工具,该工具促进生成和/或整理由报告临床医生结合他们的临床/诊断工作流解释和/或提供的临床报告数据,他们的临床/诊断工作流包括涉及评估和解释医学图像数据的诊断工作流。在一些具体实施中,医疗报告系统206可提供独特的工具,该工具促进由医生结合其临床工作流提供的医疗报告的文本(例如,包括语音到文本)生成结构化训练数据,如下文参考图7更详细地描述。在一些实施方案中,医疗报告系统206的一个或多个特征和功能可体现为基于web的服务(例如,经由web应用程序、瘦客户端应用程序、胖客户端应用程序、混合应用程序等)。在其他实施方案中,医疗报告系统206的一个或多个特征和功能可在客户端设备处体现和/或提供为本地驻留应用程序。就这一点而言,虽然医疗报告系统206被描绘为后端集成层102的一部分,但是医疗报告系统206的一个或多个部件和/或实例可与AI编排层110和/或前端交互/可视化层122相关联。
结构化训练数据数据库208可包括已根据标准化格式注释的结构化训练数据,以促进基于该结构化训练数据进行高效且一致的机器学习和AI模型开发。例如,在一些具体实施中,结构化训练数据可包括经整理的带注释的医学图像,以及根据本文参考图5和图7描述的技术生成的医学术语/描述。就这一点而言,结构化训练数据数据库208可整理医学图像数据、医疗报告数据等,这些数据使用针对相应类型的数据集定义的数据结构、本体、词汇,将识别和定义医学图像数据中的关键数据点的信息与医疗报告数据相关联。
研究注册表210可包括将一个或多个内部数据源中包括的相关数据对象编入索引并将其组织成数据集群组的信息。例如,研究注册表可包括识别用于患者研究的一组图像的信息、解释图像的医疗报告数据、识别与数据集相关联的患者ID的患者信息、对数据集的一个或多个特征进行分类的分类信息(例如,阴性胸部x射线)等。就这一点而言,研究注册表可将各种类型的元数据与不同的数据集相关联,这促进评估在相应数据集内相关联的各种类型的数据点之间的相关性。
图2还提供了根据本文所述的各种实施方案的一些外部数据源/系统106的若干示例,这些外部数据源/系统可提供用于生成、训练、应用和/或细化医疗保健AI模型的有用的医疗保健相关信息。在各种实施方案中,外部数据源/系统106可包括外部医疗保健系统的一个或多个PACS 212。例如,许多医院组织和医疗保健IT公司可拥有和/或运营自己的内部PACS。就这一点而言,外部系统的PACS可包括为外部系统的患者和/或客户捕获和/或存储的DICOM图像。外部数据源/系统106还可包括一个或多个供应商中立归档(VNA)系统。VNA是一种医学成像技术,其中图像和文档(以及可能的任何临床相关性文件)以具有标准接口的标准格式存储(归档),以便其他系统可以供应商中立的方式访问它们。就这一点而言,VNA可从多个模态和部门(例如,放射科、心脏病科、骨科等)收集并存储图像,并将所有内容汇总到一个大档案中。除了DICOM图像之外,VNA还可存储与图像或DICOM数据不直接相关的数据对象,诸如人工生成的请求和报告、健康等级7临床文档架构(HL7-CDA)文档等。VNA还可采用非DICOM访问协议,诸如跨企业文档共享(XDS和XDS-I)。VNA还可提供跨域身份和代码解析(患者ID、登录号、程序代码)、动态DICOM标签变形以及其他自适应特征。
外部数据源/系统106还可包括一个或多个医疗保健组织的一个或多个电子病历和/或电子健康记录数据库216,以及各个部门系统218。各个部门系统218可包括管理不同部门的工作流和信息流的医院医疗保健IT系统,诸如放射学信息系统(RIS),计算机化医嘱录入(CPOE)系统,入院、出院和转院系统(ADT),等等。
在一些实施方案中,外部数据源/系统106还可包括医疗保健组织的一个或多个部门的一个或多个安排系统222,诸如医疗保健机构用来安排和管理医疗预约的医疗预约安排系统。预约安排系统可维护识别安排的预约的信息,包括安排的患者、预约的时间和日期、安排预约的临床医生或部门、预约的位置、预约的类型、关于预约目的的信息、关于建议或要求患者带去预约或以其他方式准备预约的医疗表格和事物的信息等。在一些实施方案中,预约安排系统还可跟踪和更新关于医疗预约进展的信息,包括识别患者是否被签入医疗预约、医疗预约是否当前正在进行、医疗预约的当前时间线(例如,跟踪医疗预约的实时持续时间)、患者是否已签出医疗预约等的信息。
可包括在后端集成层102中的一些附加数据外部数据源还可包括组学数据224、标准操作程序(SOP)数据226、实验室(lab)数据228、人力资源(HR)数据230、财务数据232和库存数据234。
组学数据224包括患者的遗传或组学信息。遗传或组学信息可包括可归因于特定医学病症或疾病的基本上任何类型的生物学特性。例如,患者组学数据224可包括但不限于DNA序列数据、基因表达数据、微RNA(miRNA)表达数据、拷贝数变异数据、基因突变数据、DNA甲基化数据、反相蛋白质阵列(RPPA)数据等。
SOP数据226可包括定义用于医疗保健组织(诸如医院、辅助生活机构等)的各种临床手术和场景的工作流的信息。例如,大多数医疗组织已定义了规则或条例,这些规则或条例提供了关于如何结合特定的患者病症、手术和/或情况治疗患者的指南。这些规则或条例通常被称为标准操作程序(SOP)。例如,急诊室医生有对处于昏迷状态的患者的SOP;手术室的护士有对他们交给手术外科医生的镊子和拭子的SOP;并且实验室技术人员有处理、测试和随后丢弃从患者身上获得的体液的SOP。医疗手术还可与SOP相关联,这些SOP提供定义如何执行该手术(例如,执行该手术的步骤和如何执行这些步骤)、如何响应与执行该手术相关联的不同患者病症、如何响应出现的并发症,以及在该手术的过程中可能出现的其他类型的事件等的指南。一些医疗保健组织还可针对医学病症建立或采用SOP,这些SOP可定义用于治疗患有该医学病症的患者和相应医学病症的标准医疗实践。一些医疗保健组织还可制定关于向患有两种或更多种医学病症(例如,称为共病)的患者提供医疗保健的SOP。就这一点而言,SOP数据226可包括识别和/或定义一个或多个标准化或定义的协议的信息,该协议用于与手术的执行相关联地遵循、治疗患有病症的患者和/或响应临床场景。例如,关于手术,工作流信息可识别要执行的手术步骤或过程以及何时执行、步骤的定时、关于每个步骤/过程应如何执行的信息等。
在一些具体实施中,SOP数据226可包括定义用于特定医疗保健组织或机构的工作流SOP的信息。在其他具体实施中,SOP数据226可包括经整理的信息,该经整理的信息定义由不同的医疗保健组织以及单个医疗保健组织内的不同机构或部门采用的不同工作流SOP。例如,存在一种普遍的误解,即SOP在整个实践领域都是标准化的。然而,SOP的本质是它并不是普遍适用的。例如,在农村小诊所治疗分娩患者的工作流SOP可能不同于大型培训医院所采用的工作流SOP。在一些具体实施中,可开发不同的AI医疗保健工作流模型,这些模型可评估工作流对SOP的遵守情况和/或根据适当的SOP建议适当的工作流执行步骤。利用这些具体实施,不同的AI医疗保健评估工作流模型可针对不同环境和/或不同医疗保健组织的不同SOP,以促进基于临床场景的当前上下文来确定应用于临床场景的SOP的适当方面。
实验室数据228可包括关于为患者进行的实验室研究结果的信息,包括临床实验室结果和提供实验室结果的诊断解释形式的实验室报告数据。在各种具体实施中,实验室数据228可从实验室信息系统(LIS)接收和/或与之相关联。在一些实施方案中,患者的实验室数据可包括在患者EMR或EHR中(例如,在EMR/EHR数据库216中)。
HR数据230可包括关于一个或多个医疗保健机构雇用的临床医生的信息。这可包括识别各个临床医生、他们的角色(例如,包括执行各种任务的授权)他们的职责、他们的专业、他们的雇用/工作历史、工资信息、安排信息、偏好信息等的信息。HR数据230还可包括关于各个临床医生随时间推移的有关专业能力和表现的学习信息。例如,医生的HR数据230可包括针对医生开发的随时间推移的验证信息,即与诊断特定类型的患者病症、读取医学图像、读取特定类型的医学图像和/或具有某些特征的医学图像等相关联的医生的准确性和/或能力的水平。就这一点而言,在一些具体实施中,当使用由放射科医生提供的信息(例如关于用于机器学习教学/训练的医学图像的解释)时,应用于解释的准确性的值或权重可基于临床医生的能力或准确性的水平。例如,与用于机器学习的图像或信号相关联的特定诊断的准确性可基于提供解释的医生的准确性/能力的水平进行加权。在另一个示例中,医生的HR数据230可包括针对医生开发的随时间推移的信息,该信息识别与一个或多个手术的执行相关联的医生的历史表现。这可包括,例如,所执行的手术的数量、手术的结果、临床医生良好执行的手术的工作流区域、犯错误的数量、犯错误的类型、倾向于犯错误的地方等等。历史表现信息还可包括关于与治疗不同医学病症相关联的临床医生的表现的信息。就这一点而言,历史表现信息可识别临床医生在治疗不同类型的病症和执行不同类型的手术方面的专业知识水平和熟练程度。HR数据230还可包括由患者、同事等提供的关于临床医生表现的反馈,包括与临床医生表现相关联的质量水平和相应个体的满意度。在一些具体实施中,HR数据230还可包括关于临床医生更喜欢与之共事的一名或多名其他临床医生、临床医生不能很好地与之共事的一名或多名其他临床医生(例如,与表现或患者满意度中的一个或多个负面结果相关联)等的偏好的信息。
财务数据232可包括与医疗保健服务和/或医疗保健机构的运营相关的成本有关的任何类型的财务信息。例如,财务数据232可包括与不同手术和对不同资源(包括人力资源以及医疗器械和用品)的利用相关联的成本。
在一些具体实施中,财务数据232可包括历史成本,例如与过去的手术、护理过程等相关联的历史成本。例如,关于过去的手术,财务数据232可识别所执行的每个手术的总成本(例如,对于医疗保健组织),以及与手术的各个组成部分相关联的行项目成本,包括用品/设备成本、人员成本、房间/空间成本、各个过程或手术步骤等。在一些具体实施中,财务数据232还可包括有关相应手术的报销(包括总报销和手术组成部分的报销)的信息。在一些具体实施中,财务数据232还可包括归因于LOS、手术并发症以及手术和/或临床错误的成本信息(例如,包括归因于与错误相关的诉讼的成本)。
库存数据234可包括有关由医疗保健组织结合医疗手术的执行来使用的医疗用品、器械、设备等的信息。就这一点而言,库存信息可识别有存货的或医疗组织以其他方式拥有的所有医疗用品、器械、设备、它们的状态(例如,用过/未用过、新近/过期、正常工作/损坏等)、它们有什么用、它们位于何处等。库存数据234还可包括以下的记录:何时订购相应医疗用品、器械、设备等、为了什么订购它们(例如,特定手术、特定临床医生、特定医疗部门、特定手术室等)以及这些用品来自何处。库存数据234还可包括缺货、已订购和要订购的用品的相同或类似信息。
在一些实施方案中,外部数据源/系统106可包括一个或多个动态医疗保健服务报告系统236,该系统被配置为提供与医疗保健机构的当前状态相关联的实时(或基本上实时)的上下文信息,包括例如患者数据238、工作流数据240、临床医生数据242和机构数据244。由动态医疗保健服务报告系统236提供的信息可被认为是动态的,因为至少一些信息可在患者护理过程中动态地改变。例如,至少一些信息可从一秒钟到另一秒钟、从一分钟到另一分钟、在一小时内、在一天内等等改变。
患者数据238可包括与患者的当前生理状态或病症相关的实时信息。例如,在一些具体实施中,患者数据238可包括与患者治疗的开始相关联地接收的信息,该信息提供对正在接受医疗护理的患者的病症或诊断的评估。患者数据238还可包括在护理过程中收集的与患者的生理状态或病症相关的任何信息。例如,患者数据238可包括关于患者的所跟踪的生理参数(例如,生命体征和各种其他生理参数)、与所跟踪的生理参数相关联的时间(例如,发作、持续时间等)、患者的生理状况或状态的变化、患者外貌的变化、患者能够进行的动作或运动的身体范围、患者表现出的症状和副作用、患者所经历的疼痛的表现程度、关于患者精神状态的信息等的信息。例如,对于分娩患者,有一些关键数据和决定点会影响婴儿的结局,包括终身认知和身体功能。例如,这些关键数据点可包括但不限于:分娩开始的时间、决定诱导的时间、活跃期的时间、膜破裂的时间、某些给药药物的时间和剂量、扩张的变化、胎儿心率、胎儿减速、母体温度、母体高血压、缺氧开始的时间等。根据该示例,对于分娩患者,患者数据238可包括与这些关键数据点对应或相关的信息。在一些具体实施中,患者数据还可识别患者相对于医疗保健机构的当前位置(例如,在前往急诊室的途中的救护车中、在医疗保健机构的房间内等)。在一些实施方案中,所跟踪的特定生理参数可基于患者的病症或患者的护理过程来预定义。例如,与经历分娩过程的患者相关的生理数据可能与接受心脏移植的患者的生理数据不同。因此,实时收集和报告的特定患者数据可根据患者的病症和治疗的具体上下文进行调整。
从其接收患者数据238的动态医疗保健服务报告系统236的类型可变化。在一些具体实施中,患者数据238可直接从与患者(例如,分娩患者的母亲和婴儿)相关联的一个或多个医疗监测设备接收并且被配置为读取和报告所监测的生理参数。例如,医疗监测设备可包括由患者佩戴的设备、位于患者体内的设备(例如,植入式医疗设备(IMD))和/或物理地连接到患者的设备,并且被配置为捕获和/或监测可实时或基本上实时地发送或接收的生理信息(例如,生理参数)。例如,这些生理参数可包括但不限于关于以下各项的信息:心率、血压、SpO2、呼吸频率、温度、高血压、水合水平、葡萄糖水平、皮质醇水平、钾水平等。在另一个示例中,患者数据238可由一个或多个医疗监测设备提供,这些医疗监测设备被配置为检测各种细菌、病毒、病原体的存在,各种生物标志物和/或身体产生的已知物质的存在和/或水平。可由医疗监测设备检测的其他潜在信息可包括但不限于关于患者的叶酸、钙、镁、肌酸激酶、维生素B12、维生素D、铁蛋白、总胆固醇、血红蛋白、HDL、LDL、甘油三酯、脂肪酸、胰岛素、血红蛋白、激素(例如,甲状腺激素(促甲状腺激素(TSH)、代谢激素、生殖激素等)、肝酶、电解质(例如,钠、钾、氯等)、血小板、白细胞、红细胞、铁等的信息。
例如,在一些实施方案中,动态医疗保健服务报告系统236可包括血液采样传感器(例如,作为血糖仪)、组织嵌入传感器(例如,起搏器和除颤器)、嵌入溶解药丸中的可摄取物、表皮传感器(例如,贴片和数字纹身)、嵌入衣服或配饰中的可穿戴设备,以及外部传感器(例如,血压袖带和脉搏血氧计)。在另一个示例中,动态医疗保健服务报告系统236可包括生物感测接触镜片,该生物感测接触镜片被配置为佩戴在患者的眼睛中并且感测/检测泪液中的各种生物标志物。在另一个示例中,动态医疗保健服务报告系统236可包括植入式心律转复除颤器(ICD),该植入式心律转复除颤器被植入患者体内并且被配置为执行ICD的常规功能以及对体液中的生物标志物的附加感测。在又一个示例中,动态医疗保健服务报告系统236可包括导尿管,该导尿管被配置为由用户佩戴以促进排尿功能,同时还被配置为检测尿液中的生物标志物。在另一个示例中,动态医疗保健服务报告系统236可包括被配置为基于对患者产生的汗液中包含的一种或多种生物标志物的检测来确定关于用户的生理信息的设备。在又一个示例中,动态医疗保健服务报告系统236可包括血液测试设备,该血液测试设备被植入体内(例如,皮下)或以贴片的形式佩戴,并且被配置为检测关于以下的至少一者的生化信息:葡萄糖水平、皮质醇水平、钾水平、血氧水平、血液酒精水平、炎症、一氧化氮水平、体内存在的药物水平/残留物、体内存在的病原体或体内存在的细菌、叶酸水平、钙水平、镁水平、肌酸激酶水平、维生素B12水平、维生素D水平、铁蛋白水平、总胆固醇水平、血红蛋白、HDL、LDL、甘油三酯、脂肪酸、胰岛素、激素(例如,甲状腺激素(促甲状腺激素(TSH)、代谢激素、生殖激素等)、肝酶、电解质(例如,钠、钾、氯等)、血小板、白细胞、红细胞、铁等。
在另一个示例中,动态医疗保健服务报告系统236可包括被配置为检测和确定关于大脑电活动的生理信息(也称为神经反馈)的设备。根据该示例,动态医疗保健服务报告系统236可包括近红外光谱(NIRS)光谱传感器,该近红外光谱传感器被配置为确定患者的血液动力学信息,诸如工作记忆表现水平、压力水平和注意力水平。神经反馈还可包括由患者佩戴的脑电图(EEG)传感器确定的大脑活动信息。例如,EEG测量可包括时域和/或频域中的电压波动,该电压波动可与关于各种定义的认知功能区域的心理表现相关,包括但不限于:注意力、熟悉度、心智努力、工作记忆、语言习得、社会学习和药物治疗。
应当理解,上述医疗监测设备(以及能够由这些设备检测/确定的相关联类型的生理信息)仅仅是示例性的,并且可采用能够检测附加类型的生理信息的其他现有和未来的植入式/可穿戴设备。
在其他具体实施中,患者数据238可包括由临床医生观察或确定并输入到电子跟踪系统中的信息,该电子跟踪系统记录并报告所观察到的患者生理状态的变化。例如,电子跟踪系统可接收由现场急救员、护理人员、护士、医生等观察和/或确定的关于患者在护理过程中的生理状态或病症的信息。该患者数据238被输入到电子跟踪系统的方式可变化(例如,作为文本、语音到文本输入、自然语言输入等)。在另一个示例中,可从电子症状跟踪系统接收患者数据238,该电子症状跟踪系统接收由患者(或患者的授权代理人)输入的关于自我报告的医学症状的信息或关于患者精神和/或身体感觉如何的其他信息(例如,经历的疼痛程度、精力程度、压力水平、情绪信息等)。
工作流数据240可包括关于患者在护理过程中所遵循的临床工作流的实时信息,包括在护理过程中发生的临床事件。就这一点而言,工作流数据240可识别和描述由一个或多个临床医生在护理过程中提供给患者的医学治疗。这可包括但不限于:所执行的手术、所执行的手术的特定步骤、与相应步骤相关联的相关方面/参数、步骤的时间和顺序、所使用的医疗器械/用品、参与执行手术步骤的临床医生、相应临床医生所执行的角色和动作、所施用的药物、所施用的药物剂量、患者检查的时间等。与患者数据一样,实时跟踪和报告的特定工作流事件可因每个患者的临床上下文而异。例如,关于分娩患者,工作流数据240可包括关于临床医生在患者分娩过程中向患者提供的治疗的信息(例如,施用药物、外科手术步骤等),包括识别临床医生和他们执行的特定动作以及作出的临床决策(例如,诱导决策)的信息。在另一个示例中,关于外科手术,工作流信息可包括与由外科医生执行的物理动作相关的特定参数。例如,工作流信息可识别切口的位置、切口的大小、医疗器械与患者身体解剖部分的物理关系(例如,经由与医疗器械相关联的一个或多个传感器诸如摄像头、压力传感器等捕获)等等。
从其接收工作流数据240的动态医疗保健服务报告系统236的类型可变化。在一些实施方案中,可从电子跟踪系统接收工作流数据中的至少一些工作流数据,该电子跟踪系统被配置为接收记录患者护理过程中的工作流事件的用户输入。例如,用户输入可由参与治疗患者或监测患者治疗的一名或多名临床医生提供。在另一个实施方案中,可从临床医生佩戴的一个或多个动作或运动传感器接收关于临床医生执行的动作、临床医生的位置等的至少一些工作流数据240。在另一个实施方案中,可从图像数据监测系统接收工作流数据240中的至少一些工作流数据,该图像数据监测系统被配置为在医疗保健机构处捕获和/或接收实时视频。例如,可从临床医生、患者和医疗保健机构处的其他实体佩戴的摄像头接收实时视频。在另一个示例中,可从位于整个机构的各个位置处的一个或多个固定摄像头接收实时视频。根据该实施方案,图像数据监测系统可被配置为采用实时视频处理技术来自动识别包括在图像数据中的对象、人和其他事物。视频处理技术还可被配置为基于图像数据来确定由临床医生、患者等执行的动作。在另一个实施方案中,可从音频监测系统接收工作流数据240中的至少一些工作流数据,该音频监测系统被配置为实时接收和评估音频,包括语音。例如,音频监测系统可基于对音频的分析来确定所说的话、所执行的动作等。
临床医生数据242可包括与相应临床医生相关联的实时信息,这些实时信息可影响他们提供优质患者护理的能力。就这一点而言,临床医生数据242可识别可用于执行患者护理的当前临床医生(例如,值班的临床医生、待命的临床医生)、相应临床医生的当前位置以及临床医生正在执行的当前活动(例如,在手术室303中对患者John Doe实施麻醉)等。临床医生数据242还可跟踪临床医生的当前工作负荷,包括正在治疗和安排就诊的患者数量、临床医生对每个患者所需的治疗范围的类型等。临床医生数据242还可包括关于临床医生的当前生理和精神状态的信息(例如,疲劳、压力水平等)。
从其接收临床医生数据242的动态医疗保健服务报告系统236的类型可变化。在一些实施方案中,临床医生数据242中的至少一些临床医生数据可从临床医生佩戴或以其他方式物理地耦接到临床医生的一个或多个装置接收。例如,可从临床医生佩戴的各种类型的生物反馈传感器接收包括关于临床医生的生理和/或精神状态的信息的临床医生数据242。在另一个示例中,关于临床医生的当前位置的信息也可由临床医生佩戴或耦接到临床医生的设备跟踪。临床医生的位置也可使用各种其他自动化对象位置跟踪技术来确定。在另一个示例中,可从安排系统、患者跟踪系统等接收关于临床医生的当前工作负荷的信息(例如,包括正在治疗的患者的数量、所需的治疗类型等)。
机构数据244可包括关于医疗保健机构的当前上下文或状态的动态上下文数据。这可包括可在一分钟、一小时、一天等的过程中改变的上下文信息。例如,机构数据244可包括关于由机构提供的资源(包括房间、医疗设备和医疗用品)的状态和可用性的实时信息。机构数据244还可包括实时跟踪在整个医疗保健机构中发生的事件和活动的实时活动信息(例如,在医疗保健机构的相应位置处正在执行哪些临床和非临床动作)。从其接收机构数据244的动态医疗保健服务报告系统236的类型可变化。例如,机构数据可从自动化视频监测系统、库存监测系统等接收。
外部数据源/系统106还可包括历史工作流信息220数据库。历史工作流信息220可包括为过去的患者记录的关于与他们的护理过程相关联的任何监测参数的历史信息。在一个或多个实施方案中,这可包括由与过去的患者护理过程相关联的动态医疗保健服务报告系统236提供的历史患者数据(例如,患者数据238)、历史工作流数据(例如,工作流数据240)、历史临床医生数据(例如,临床医生数据242)和/或历史机构数据(例如,机构数据244)。例如,对于相应的过去患者,历史工作流信息220可识别患者的病症或诊断、识别或描述患者在到达医疗保健机构时(或在开始治疗时)的生理状态/病症的信息、关于向患者提供什么治疗的详细参数,该详细参数包括与治疗相关联而采取的临床行动以及何时采取该临床动作,相应动作的临床反应或结果,哪些临床医生执行相应动作、在执行相应动作时临床医生的状态、与相应动作相关联的患者的生理状态、医疗保健机构在护理过程中的上下文状态(例如,人员配备是否充足、入院患者数量、可用医疗资源状态等),等等。
在各种实施方案中,历史工作流信息220可用于(例如,由AI编排层110的AI模型开发系统112,如下文所讨论)开发和/或训练各种AI模型,这些AI模型被配置为做出关于与医疗保健组织的一个或多个临床和/或操作工作流相关联的临床和/或操作动作、事件、病症和/或问题的推断、评估、确定和/或建议。另一方面,由动态医疗保健服务报告系统236提供的各种类型的医疗保健数据可用于(例如,由AI编排层110的AI工作流辅助系统116,如下文所讨论的)在医疗保健组织的实际实时操作期间作为相应模型的新输入,以实时或基本上实时地生成并提供关于与医疗保健组织的一个或多个临床和/或操作工作流相关联的临床和/或操作动作、事件、病症和/或问题的推断、评估、确定和/或建议。
应当理解,可采用各种附加数据源来提供可与开发和应用AI医疗保健模型相关联地使用的输入数据点,该AI医疗保健模型被配置为在各种临床和医疗保健领域中提供AI信息和推断。就这一点而言,后端集成层102的内部数据源/系统104和/或外部数据源/系统106可包括任何潜在的信息源或系统,其可提供和/或利用关于从患者和医疗保健人员到与集成的医疗保健组织相关联的物理工具和结构的医疗保健组织、机构、研究指令等的操作和执行的任何方面的见解。就这一点而言,可用作AI医疗保健模型训练和模型应用的输入的医疗保健数据的类型不限于本文所述的那些。
再次参考图1,AI编排层110可提供与在各个领域/行业中开发和提供AI信息学相关联的各种处理功能。就这一点而言,AI编排层110可基于由后端集成层102提供的大量不同领域相关数据,通过一个或多个机器学习模型开发系统提供与开发和细化领域特定AI模型相关联的编排功能。AI编排层110还可促进将一个或多个AI模型集成并应用于实际行业操作工作流中。在所示的实施方案中,AI编排层110可包括AI模型开发系统112、AI模型数据库114、AI工作流辅助系统116和一个或多个其他IT服务118。
AI模型数据库114可提供被配置为提供与各个领域/行业相关联的AI信息学的一个或多个AI模型。例如,当应用于医疗保健时,AI模型数据库114可提供被配置为提供与各种医疗保健领域相关联的AI信息学的一个或多个医疗保健AI模型。就这一点而言,包括在AI模型数据库114中的模型可被配置为处理由后端集成层102提供的各种类型的医疗保健输入数据,以基于数据来生成各种临床和/或操作推断、确定、评估、建议等。例如,包括在AI模型数据库114中的模型可包括被配置为基于医学图像和信号数据、患者生理信息(例如,包括体征/症状)、患者病史/记录信息、患者实验室信息/测试结果、患者组学数据等生成诊断信息的一个或多个诊断模型。根据该示例,诊断模型可被配置为不仅生成诊断患者病症或状态的诊断信息,而且还提供关于诊断的置信水平的信息(例如,病症A的诊断概率为76%,病症B的诊断概率为24%,等等)。
在另一个示例中,AI模型数据库114中包括的模型可包括医嘱模型,该医嘱模型被配置为基于患者的诊断、患者的当前状态、患者的病史、体征和症状、人口统计信息、保险信息等来确定关于如何治疗患者的信息。例如,该医嘱模型可生成关于要进行的建议医学测试/研究、要执行的手术、要施用的药物、为了进行(或不进行)康复/治疗活动而要进行的身体活动、饮食限制等的信息。在另一个示例中,AI模型数据库114可包括一个或多个医疗保健AI模型,该一个或多个医疗保健AI模型被配置为生成关于特定患者的建议护理过程以及促进最佳临床和/或财务结果的特定临床和/或操作上下文的信息。AI模型还可包括被配置为识别与SOP、临床并发症、对补救临床并发症的响应等相关的工作流中的临床和操作差异的模型。在另一个示例中,AI模型可包括被配置为提供关于将临床医生分配给特定患者的建议的模型(例如,基于临床医生的学习表现和能力水平、患者的病症、临床医生的偏好、患者的偏好等等)。在另一个示例中,AI模型可包括一个或多个模型,该一个或多个模型被配置为基于患者需求、医疗保健机构的状态、预测的占用水平等来确定关于如何将患者优先安排到医疗机构中有限数量的床位的建议。
包括在AI模型数据库114中的AI模型所生成的输出的类型、模型的数量和模型的多样性可变化。应当理解,考虑到可由后端集成层102提供的医疗保健数据的粒度、多样性和海量,以及本文所讨论的系统100所提供的分布式学习处理功能,各种复杂的医疗保健AI信息学和相关模型是可能的。就这一点而言,上面讨论的各种示例性AI模型仅提供了可通过系统100的分布式学习架构实现的AI信息学在医疗保健中的可能应用的一小部分。系统100的分布式学习架构也被设计成使得,包括在AI模型数据库114中的现有模型可被定期更新和细化,并且随着时间的推移,当接收到新的输入数据、新技术出现等时,可将新的模型添加到AI模型数据库114中。
AI模型开发系统112可至少部分地基于后端集成层102提供的医疗保健输入数据来提供用于开发和训练AI模型数据库114中包括的各种医疗保健AI模型的分析工具。就这一点而言,AI编排层110可经由一个或多个后端接口/网关108耦接到后端集成层102。一个或多个后端接口/网关108可提供灵活接口,允许AI模型开发系统112使用训练数据。例如,在一个或多个实施方案中,后端接口/网关108可向后端企业系统和源提供域和站点特定的接口(例如,作为适配器/抽象层)。就这一点而言,AI编排层110可使得能够访问来自由后端集成层102的各种不同数据源提供的精选数据储存库的训练数据。
AI工作流辅助系统116可提供用于在开发/训练后应用医疗保健AI模型以促进增强各种医疗保健系统的临床和操作工作流的分析工具。就这一点而言,AI工作流辅助系统116可提供互操作性,以断言AI模型数据库114中包括的医疗保健AI模型作为临床常规的一部分,同时还促进AI模型开发系统112对模型的持续更新和版本控制。例如,在一个或多个实施方案中,AI工作流辅助系统116可与由医疗保健组织采用的一个或多个软件应用程序交互以促进医疗保健组织的临床和/或操作工作流。例如,一个示例性软件应用程序可包括医学成像可视化/交互应用程序,该医学成像可视化/交互应用程序被配置为提供与医生(或患者或其他适当实体)查看和评估医学图像相关联的功能。根据该示例,AI工作流辅助系统116可促进将从AI模型数据库114识别和调用一个或多个适用的AI模型与医生对成像应用程序的使用相关联,并且应用该一个或多个AI模型来生成对医生正在查看的图像的自动化(例如,基于AI的)诊断评估。AI工作流辅助系统116还可促进在临床工作流期间(例如,经由成像应用程序)向医生提供AI模型结果。在一些实施方案中,AI模型开发系统112还可在应用于实际工作流时定期接收关于由AI医疗保健模型生成的结果的反馈,并且采用该反馈定期更新和/或优化AI模型数据库114中提供的一个或多个医疗保健AI模型。
AI编排层110还可包括一个或多个附加IT服务118,该一个或多个附加IT服务可提供与将AI编排层110的一个或多个特征和功能与其他系统、设备(例如,客户端设备124)和/或与前端交互/可视化层122和后端集成层102相关联的应用程序集成相关联的各种服务。例如,一个或多个附加IT服务118可促进提供供各种实体和系统使用的医疗保健AI数据模型(例如,包括在AI模型数据库114中和/或由AI模型开发系统112提供)。一个或多个附加IT服务118还可促进多个系统(研究人员)查询AI模型数据库114中包括的模型,以及后端集成层102中包括的数据元素和训练数据,以构建新的模型和算法。AI编排层110因此可使跨不同企业、企业部门和区域扩展的数据模型和训练数据的重用和共享最大化。在一些具体实施中,一个或多个附加IT服务118还可提供用于系统地和统一地生成结构化数据(例如,包括在结构化训练数据数据库208中)的工具,以用于训练公共数据模型和新的医疗保健AI模型。
所公开主题的各种示例性实施方案涉及医学成像中的AI信息学。医学成像是AI医疗保健领域中发展最快的领域之一。例如,AI可用于生成医学图像数据的自动评估,为放射科医生、病理学家、眼科医生和其他图像丰富学科(image-rich discipline)的从业者提供增强其工作流的机会。本文所述的系统100的各种特征和功能提供了对医学成像领域中的AI工具的主要改进。
就这一点而言,考虑到后端集成层102提供的训练数据的量和多样性,以及AI模型开发系统112的分布式模型开发环境所提供的处理能力,可开发与人类能够执行的分析功能相比,具有增强的分析功能的高精度医学图像分析算法。例如,当人类查看和评估医学图像时,他们会查看原始图像数据的重建变换。然而,源图像数据的原始数据片(例如,像素数据、波形数据等)可具有人眼无法看到的特征中的模式,这些模式可与特定的解剖特征、缺陷、诊断等相关联。因为后端集成层102可提供图像的DICOM和重建版本以及用于生成图像的重建版本的原始图像数据两者,所以AI算法可由AI模型开发系统112生成,这些AI算法足够智能以在该粒度级别上识别图像数据中数据点的相关性,从而生成关于数据的推断。此外,由于后端集成层102提供可与患者的医学图像数据集相关联的各种附加类型的多维输入数据,诸如患者的病史、组学数据、人口统计数据等,AI模型开发系统112还可识别许多附加相关数据点之间的模式和相关性,以促进评估医学图像,从而识别图像中的定义特征、图像的诊断解释等。
此外,除了可基于训练数据的量和多样性实现的智能能力的粒度级别之外,通过本文所述的用于生成结构化/带注释的训练数据的机制极大地增强了生成医学图像AI模型的效率和准确性的程度。就这一点而言,如下文参考图5和图7更详细地讨论的,可有效地生成带注释的医学图像以及提供对带注释的医学图像的解释的相关文本报告数据,以在医生执行的临床常规过程中用于教学和训练目的。用于生成带注释的医学图像和文本报告数据的技术还可通过限制用于注释医学图像并描述文本报告中的图像的本体、词汇、术语等来促进训练数据的统一性和一致性。因此,可随时间推移以有效的方式定期生成高精度、结构化的医学图像训练数据,从而不仅允许生成足够的样本来开发和训练图像算法,而且允许在接收到新的训练数据时进一步连续更新和优化算法。就这一点而言,医学成像算法可变得足够智能,不仅生成图像数据的诊断评估,而且还突出显示和识别图像数据中的关键特征,以便在临床实践中查看图像时呈现给放射科医生。实质上,算法可变得足够复杂以自动或自注释医学图像。
此外,除了开发和训练这种高度智能的AI图像分析信息学之外,所公开的技术还用于通过AI工作流辅助系统116在放射科医生的临床工作流中实际集成和应用医学图像AI模型。因此,由系统100提供的优异AI算法解决方案将通过生成放射学报告以及突出显示关键发现而节省大量时间。这项技术将产生深远的影响,包括增强的图像诊断和附带发现、预测性图像分析,以及数据分析、报告生成和关键发现优先化的工作流效率。
此外,系统100用于在临床工作流期间从解释医生接收关于AI图像分析模型所生成的一个或多个结果是否正确以及正确程度的反馈。例如,与查看和评估大脑的医学图像相关联,一个或多个AI成像算法可提供识别图像中的肿瘤并描述肿瘤的恶性程度的信息。解释的临床医生还可提供指示AI模型结果是否正确以及正确程度的反馈。该反馈可与图像相关联并且反馈回到AI模型开发系统112以进一步细化一个或多个模型。
图3示出了根据所公开主题的一个或多个实施方案的AI编排层110的更详细表示。为简洁起见,省略了对各个实施方案中采用的类似元素的重复描述。
在一个或多个实施方案中,AI模型开发系统112可包括协作模型构建、训练/开发环境,该训练/开发环境包括多个不同但协作的AI模型构建系统。虽然综合来自不同来源的大量领域/行业相关信息使得能够生成更有针对性和更准确的AI模型,但分析如此多数据的挑战很快超过了许多单独提供商的能力。AI模型开发系统112通过利用许多不同AI开发系统的机器学习库、工具和动力库来解决这个障碍。以这种方式,AI编排层110在市场中可以不知道“谁”正在进行教学和训练工作以用于开发包括在AI模型数据库114中的各种AI模型以及“哪里”正在进行教学和训练处理。就这一点而言,AI模型开发系统112的这种分布式学习架构支持许多机器学习开发场景,包括本地开发、基于云的开发和多区域数据中心开发。
例如,在所示的实施方案中,AI模型开发系统112可包括多个AI模型开发子系统,分别被标识为AI模型开发子系统1、AI模型开发子系统2等。AI模型开发子系统的数量可变化(例如,可包括其中N为整数的任何子系统)。这些AI模型开发子系统可包括一个或多个内部模型开发系统(例如,由与拥有和/或操作一个或多个内部数据源/系统104相同的实体提供)、一个或多个外部或第三方模型开发系统、基于云的模型开发系统、本地模型开发系统等。例如,在一些具体实施中,AI模型开发子系统中的一个或多个AI模型开发子系统可与由与内部数据源/系统104相关联的相同实体提供的内部学习工厂相关联。AI模型开发子系统中的一个或多个AI模型开发子系统还可包括被配置为提供AI算法教学和训练工具、机器学习算法库和模型等(例如,Partners Health Systems(PHS)TM公司、NVIDIATM公司等)的一个或多个外部或第三方系统。
在一个或多个具体实施中,各种AI模型构建子系统可被配置为提供各种专有和非专有机器学习工具和服务,以至少部分地基于由后端集成层102提供的医疗保健数据(其可包括使用本文参考图5和图7更详细描述的技术生成的结构化带注释的训练数据)来共同生成包括在AI模型数据库114中的一个或多个AI医疗保健模型。例如,机器学习技术可包括各种有监督的机器学习技术,包括但不限于深度学习技术、神经网络、卷积神经网络、支持向量机(SVM)、线性回归、决策树、朴素贝叶斯、最近邻和其他数据驱动技术。在一些具体实施中,机器学习技术还可包括无监督机器学习技术、半监督机器学习技术、增强学习等。
将AI信息学集成到各种医疗保健领域中的另一个挑战在于需要具有限定范围的高目标模型,以有意义的方式解决特定医疗保健问题。例如,每个临床问题需要不同的模型和不同的输入数据集以及训练的水平或类型。AI模型开发系统112可通过将针对不同临床和/或操作难题/问题定制的不同模型的生成分发给不同的训练和开发子系统来解决这个问题。例如,在一个或多个实施方案中,模型构建和开发子系统可分别被配置为生成不同的目标分析模型,这些目标分析模型促进生成不同医疗保健领域中的推断,包括临床领域(例如,医学成像、诊断、医嘱等)和操作领域(例如,工作流优化、浪费管理、计费和索赔等)。例如,AI模型开发系统112的一个AI模型开发子系统可被配置为生成针对评估用于诊断的医学图像数据的AI模型,而另一个子系统可被配置为生成针对确定医嘱或处方或确定最佳工作流等的AI模型。在另一个示例中,在特定医疗保健领域内,不同AI模型开发子系统进一步被定制为解决与其相关联的不同子领域。例如,关于医学成像领域,可基于不同的图像采集技术(例如,x射线、CT图像数据、MRI图像数据等)、不同的数据类型(例如,非对比CT扫描与CT血管造影数据集)、身体的不同区域、不同的病症等来定义不同的子领域。就这一点而言,AI模型数据库114中包括的每个AI模型可分别被定制为寻址特定的输入数据集并生成特定的输出。每个模型的特异性水平可变化。此外,一些AI模型可以某种方式相关,使得一个模型的输出可用作另一个模型的输入。例如,第一模型可被配置为识别医学图像数据中的肿瘤,并且第二模型可被配置为评估所识别的肿瘤以确定所识别的肿瘤的水平或等级等。
AI工作流辅助系统116可促进运行或应用AI模型数据库114中包括的训练模型,以作出关于相应AI模型被配置为解决的领域特定问题的实际推断。例如,当应用于医疗保健时,AI工作流辅助系统116可促进运行或应用包括在AI模型数据库114中的训练模型以做出关于临床和管理工作流的实际推断。例如,如下文参考图9至图11和图12A至图12D更详细讨论的,AI工作流辅助系统116可促进将训练的医学图像AI模型应用于医学图像数据,以在放射科医生、病理学家等解释和评估医学图像数据时提供方便。例如,在一些具体实施中,AI工作流辅助系统116可应用一个或多个医学成像模型以处理医学图像数据和潜在的其他相关输入数据(例如,患者病史、组学数据、实验室数据等),以生成关于反映在图像中的患者病症的诊断信息,以生成提供对医学图像数据的解释的自动化医疗报告信息等。在一些具体实施中,包括在AI模型数据库114中的一个或多个医学成像模型可被训练成不仅生成图像数据的诊断解释,而且还在视觉上识别医学图像中包括的感兴趣的特征。例如,一个或多个成像模型可识别和定义医学图像中表示的肿瘤或病变的边界。利用这些具体实施,AI工作流辅助系统116还可与由放射科医生采用的医学成像可视化应用程序集成,以促进生成如经由应用程序(例如,在设备显示器上)呈现给放射科医生的医学图像上的图形标记,该图形标记突出显示、环绕、标记或以其他方式在视觉上调出所识别的肿瘤或病变。
将医学成像AI模型集成到上述放射科医生工作流中仅提供AI工作流辅助系统116的一个示例性用例。就这一点而言,AI工作流辅助系统116可被配置为将适当的医疗保健AI模型集成到各种临床和操作工作流中。例如,AI工作流辅助系统116可被配置为在已建立患者医学病症的诊断或评估之后促进应用医嘱模型,以促进提供关于患者的治疗的后续方面的医嘱的建议。在另一个示例中,AI工作流辅助系统116可被配置为使用一个或多个AI模型实时监测患者护理过程,以识别与SOP的差异,并基于患者的病症、医疗保健机构的状态、可用的医疗器械等,提供关于在患者护理过程中执行的临床行动的建议。在另一个示例中,AI工作流辅助系统116可被配置为使用一个或多个AI模型来评估住院医疗机构处的床位请求,该一个或多个AI模型被配置为生成关于如何满足床位请求并将患者分配给有限数量的床位的优先化信息。
就这一点而言,类似于AI模型开发系统112提供的分布式学习环境,其中不同的模型开发子系统可被配置为开发和训练特定医疗保健领域和子领域中的不同AI模型,AI工作流辅助系统116可包括多个AI工作流辅助子系统,该多个AI工作流辅助子系统可分别被配置为应用相应的模型以促进不同类型的工作流。就这一点而言,在一个或多个实施方案中,每个AI工作流辅助子系统(分别被识别为AI工作流辅助子系统-1、AI工作流辅助子系统-2等)可被配置为评估一组不同的输入数据并且应用一个或多个不同的AI模型来针对不同类型的临床和/或操作问题生成不同的临床和/或操作推断、建议和监督。
因此,不同的AI工作流辅助子系统可分别在各种医疗保健领域和上下文中提供临床决策支持。临床决策支持是指为临床医生、管理人员、患者、护理人员或护理团队的其他成员提供过滤或针对特定人员或情况的信息的任何工具。就这一点而言,AI工作流辅助系统116可提供各种临床决策支持工具,诸如提供医学图像和信号数据的诊断解释的工具、减少临床变异和重复测试的工具、建议下一步治疗的工具、提醒提供商他们可能没有看到的可用信息的工具、捕捉潜在问题诸如危险的药物相互作用的工具等。此外,相应AI工作流辅助子系统可被配置为提供临床决策支持,不仅通过选择适当的AI模型并将其应用于临床上下文或工作流,而且还通过正确的渠道(例如,EHR、移动设备、患者门户)在工作流中的正确点(用于决策或动作)以正确的干预格式(例如,医嘱集、流程表、仪表板、患者列表)向正确的人(整个护理团队—包括患者)提供正确的信息(使用适当的一个或多个AI模型并响应于临床需求的循证指南)。
如图3所示的AI编排层110还提供可包括在AI编排层110中的一些示例性IT服务118。在所示的实施方案中,这些示例性IT服务118可包括数据互操作性服务部件302、HL7服务部件304、可视化框架服务部件306、编排服务部件308和跨企业服务部件310。
数据互操作性服务部件302可促进将从后端集成层102的各种不同数据源检索到的医疗保健数据配置为可由AI模型开发系统112和AI工作流辅助系统116使用的标准格式。就这一点而言,数据互操作性服务部件302可促进将各种不同企业的有效数据交换和使用与系统之间的协作相关联,以生成AI模型并集成AI分析。
健康等级7(HL7)服务部件304可根据HL7标准促进由后端集成层102提供的不同数据源和系统之间的数据交换和重试。HL7是指用于在各种医疗保健提供商所使用的软件应用程序之间传输临床和管理数据的一组国际标准。例如,医院和其他医疗保健提供商组织通常具有许多不同的计算机系统,用于从计费记录到患者跟踪的所有事情。当这些系统接收到新信息时或者当它们希望检索信息时,它们应彼此通信。HL7规定了多种灵活的标准、指南和方法,各种医疗保健系统可通过这些标准、指南和方法来交流和共享以统一和一致的方式处理的信息。
可视化框架服务部件306可包括提供与访问、处理、查看和/或与医学图像数据交互相关的库和核心服务集的一个或多个处理部件。例如,可视化框架服务部件306可向医学图像数据源提供成像通道(例如,由医学图像存档系统202、PACS 212、VNA 214等提供),以使得能够访问、解析和检索医学图像。可视化框架服务部件306还可促进访问和使用一个或多个医学成像可视化系统(例如,医学图像可视化系统204),该一个或多个医学成像可视化系统提供用于查看医学图像并与医学图像交互、生成重建医学图像等的一个或多个应用程序。
编排服务部件308可提供促进AI模型开发系统112和AI工作流辅助系统116的特征和功能的各种处理功能。例如,编排服务部件308可促进与放射学桌面(研究和患者上下文)的同步、适当分析服务模型的调用、与后端服务如报告系统/数据接口的交互等。编排服务部件308还可提供业务逻辑,以驱动AI模型开发系统112的各个子系统之间的教学和训练协作。
跨企业服务部件310可包括一个或多个处理部件,该一个或多个处理部件使得能够询问后端集成层102中提供的多个信息系统。例如,跨企业服务部件310可包括适配器(基于快速医疗保健互操作性资源(FHIR)),以使得能够根据管理患者安全性和匿名性的标准来摄取EHR数据。在一些实施方案中,跨企业服务部件310还可允许询问远程PACS并将研究流传输到由可视化框架服务部件306提供的可视化框架服务部件306中,以允许创建统一的患者外套。跨企业服务部件310还可提供智能患者匹配机制(基于本体)和对主患者索引(MPI)信息的访问,以促进识别和收集与一个或多个患者有关的数据集的所有相关信息,以供AI模型开发系统112和AI工作流辅助系统116使用。例如,跨企业服务部件310可从由后端集成层102提供的与特定患者、患者组、成像研究等相关的不同数据源中提取数据,并将数据分组为统一的数据集,这促进评估在相应数据集内相关联的各种类型的数据点之间的相关性。在一些具体实施中,跨企业服务部件310可识别由后端集成层102中包括的各种数据源提供的开发特定AI模型所需的相关和关联数据,提取该数据,并进一步对其进行归一化,从而可将其有效地用于模型创建。例如,跨企业服务部件310可识别后端集成层102的一个或多个数据源中包括的相关数据对象,并且可生成数据集群组。例如,关于AI医学图像分析模型,跨企业服务部件310可识别患者研究的一组图像、解释图像的医疗报告数据、识别与数据集相关联的患者ID的患者信息、对数据集的一个或多个特征进行分类的分类信息(例如,阴性胸部x射线)等。
再次参考图1,前端交互/可视化层122可促进将用户交互与使用由后端集成层102和/或AI编排层110提供的数据和服务相关联。例如,在系统100应用于医疗保健的一个或多个实施方案中(参考图1和图3),前端交互/可视化层122可使用合适的客户端设备(例如,一个或多个客户端设备124中的客户端设备)来促进访问和使用由可视化框架服务部件306提供的医学成像可视化服务。前端交互/可视化层122还可集成独特工具,这些独特工具促进为领域特定AI模型的开发生成结构化训练数据并将AI模型应用于实际操作工作流中。例如,当应用于医疗保健系统时,前端交互/可视化层122可提供零占用空间可视化层,该零占用空间可视化层用作由临床医生在常规临床实践中生成结构化带注释的训练数据的手段,以及用作将AI结果和反馈提供到临床工作流中的诊断可视化层的手段。在所示的实施方案中,前端交互/可视化层122可包括一个或多个客户端设备124和一个或多个AI交互/可视化应用程序126。
客户端设备124可包括与系统100的用户相关联的各种类型的设备,用户可经由这些设备使用由系统100提供的数据和服务。例如,一些合适的客户端设备可包括但不限于台式计算机、膝上型计算机、电视、支持互联网的电视、移动电话、智能电话、平板个人计算机(PC)或个人数字助理(PDA)、平视显示器(HUD)、增强现实(AR)设备、虚拟现实(VR)设备、可穿戴设备、植入式医疗设备(IMD)、能够接收和应用计算机可读指令的医疗器械或设备(例如,成像设备、机器人器械等),等等。在各种实施方案中,客户端设备124中的一个或多个客户端设备可被配置为用于使用合适的输出部件(诸如显示器、扬声器、感官或触觉反馈设备等)向客户端设备的用户呈现信息。例如,在一些实施方案中,客户端设备124中的一个或多个客户端设备可包括放射科医生的台式计算机,放射科医生经由该台式计算机访问和/或执行医学成像可视化/交互应用程序以查看医学图像并与之交互。
如本文所用的术语“用户”或“最终用户”可指使用系统100提供的数据和/或服务的任何实体。就这一点而言,用户或最终用户可包括人类用户以及机器、设备和系统。例如,在一些上下文中,最终用户可包括医生,该医生使用本文所述的新注释技术在临床实践期间生成结构化训练数据。在另一个上下文中,最终用户可包括医院管理员,该医院管理员接收与确定患者在住院医疗保健机构处的病床位置相关联的临床决策支持(例如,由AI工作流辅助系统116使用AI模型数据库114中包括的一个或多个适当的医疗保健AI模型提供)。在又一个示例中,最终用户可包括机器人医疗器械,该机器人医疗器械被配置为接收并自动应用关于如何使探头在患者体内关节运动或定位的AI模型确定的指令。
AI交互/可视化应用程序126可包括促进集成独特工具的一个或多个应用程序,这些独特工具促进生成结构化训练数据并在临床和/或操作工作流中提供医疗保健AI模型分析结果。例如,AI交互/可视化应用程序126可包括一个或多个应用程序,该一个或多个应用程序提供交互范例模式/用于更有效地向注释人员呈现与生成结构化/带注释的训练数据相关联的非结构化输入数据和训练工具。在另一个示例中,AI交互/可视化应用程序126可包括通过呈现或以其他方式向最终用户提供临床决策支持并促进接收用户反馈以进一步验证和定制医疗保健AI模型来促进将AI模型结果和反馈集成到临床工作流中的应用程序。
AI交互/可视化应用程序126的部署方式可变化。例如,在一些实施方案中,AI交互/可视化应用程序126可包括一个或多个web应用程序。例如,在一些具体实施中,web应用程序可包括基于角度的应用程序。在其他具体实施中,web应用程序可以是非角度的web应用程序。根据该实施方案,AI交互/可视化应用程序126(基于角度或不基于角度)可被配置为使用由可视化框架服务部件306提供的成像服务。作为web应用程序,AI交互/可视化应用程序126可包括它们自己的基于代码的二进制/目标代码。在其他实施方案中,AI交互/可视化应用程序126可包括一个或多个云应用程序、一个或多个瘦客户端应用程序、一个或多个胖客户端应用程序、一个或多个本机客户端应用程序、一个或多个混合客户端应用程序等。就这一点而言,尽管AI交互/可视化应用程序126被示出为前端交互/可视化层122的一部分,但在其他实施方案中,AI交互/可视化应用程序126和/或AI交互/可视化应用程序126的一个或多个部件可以是AI编排层110的一部分。
图4示出了根据所公开主题的一个或多个实施方案的前端交互/可视化层122的更详细表示的框图,该前端交互/可视化层与将AI信息学集成到医疗保健系统中相关联。为简洁起见,省略了对各个实施方案中采用的类似元素的重复描述。
在一些实施方案中,AI交互/可视化应用程序126可包括两个单独的应用程序,一个用于促进注释并生成结构化训练数据,并且另一个用于提供与将模型应用于临床和/或操作工作流相关联的AI模型结果。例如,在所示的实施方案中,两个单独的应用程序由诊断开发部件410和临床AI反馈部件412表示。下文参考图5至图8更详细地描述诊断数据开发部件410,并且临床AI反馈部件412在下文中参考图9至图11和图12A至图12D更详细地描述。
在所示的实施方案中,客户端设备124包括本地临床应用程序404,该本地临床应用程序包括成像/PAC应用程序和临床报告应用程序408。成像/PAC应用程序406可包括诸如本文所述的那些(例如,与医学图像可视化系统204相关联)的医学成像应用程序,该医学成像应用程序促进经由在客户端设备124处显示的图形用户界面(GUI)访问医学图像、查看医学图像并与医学图像交互。临床报告应用程序408可包括报告应用程序诸如本文(例如,与医疗报告系统206相关联)描述的那些报告应用程序,该报告应用程序促进生成医疗报告诸如提供描述与患者相关联的医学图像的解释和/或其他诊断数据的信息的医疗报告、描述患者现场医学评估的医疗报告等。虽然成像/PACS应用程序406和临床报告应用程序408被示出为单独的应用程序,但在一些实施方案中,这些应用程序可被组合成单个应用程序/服务。在一些具体实施中,成像/PAC应用程序406和临床报告应用程序408可包括被配置为以离线模式加载和审查医学图像的完全本地客户端应用程序。在其他具体实施中,成像/PAC应用程序406和临床报告应用程序408可包括被配置为访问医学图像和其他患者数据的web应用程序、瘦客户端应用程序、胖客户端应用程序、混合应用程序等,以及由一个或多个医学成像/可视化系统(例如,使用可视化框架服务部件306)提供的图像处理/可视化服务。
根据该示例性实施方案,客户端设备124可包括与医生(例如,放射科医生的桌面)相关联的设备,该设备在客户端设备124处提供本地/驻留的医学成像/报告软件(例如,成像/PAC应用程序406和临床报告应用程序408)(例如,存储在客户端设备124的存储器中并由客户端设备124的处理器执行)。例如,医学成像/报告软件可包括由特定医疗保健系统提供并由特定医疗保健系统使用的传统和/或专有医学成像软件,其中医学图像/报告软件不包括AI交互/可视化应用程序126的AI特征和功能。具体地,许多医院IT系统使用现有的医学成像软件应用程序来访问和查看医学图像、生成医疗报告等。利用该实施方案,客户端设备124可继续使用由医院IT系统提供的传统医学成像/报告软件,还经由临床AI应用程序集成部件402采用AI交互/可视化应用程序126的特征和功能。
例如,临床AI应用程序集成部件402可用作本地桌面代理,该本地桌面代理分别使用本地临床应用程序404和AI交互/可视化应用程序126的相应应用程序接口(API)来促进AI交互/可视化应用程序126和本地临床应用程序之间的互操作性。这解决了在集成由AI交互/可视化应用程序126提供的AI信息学与一些医院IT系统采用的现有医学成像/报告系统之间缺乏互操作性的问题。因此,临床AI应用程序集成部件402促进将AI见解和信息的集成和提供与现有医学成像/报告技术的使用相关联,从而消除了医院IT系统必须在新软件中实施数百万美元的需要。例如,临床AI应用程序集成部件402可向本地临床应用程序404提供关于与由AI交互/可视化应用程序126确定的AI推断和结果的信息和通知,该信息和通知与评估由本地临床应用程序404使用的医学图像和相关信息相关联。
在其他实施方案中,前端交互/可视化层122可提供和/或采用新的AI医学成像/可视化应用程序和/或AI报告应用程序,其将现有的PACS和报告系统(例如,成像/PACS应用程序406和临床报告应用程序408)的各种特征和功能以及AI交互/可视化应用程序126的特征和功能组合到单个应用程序中。利用这些实施方案,统一应用程序可包括web应用程序、瘦客户端应用程序、混合应用程序等。在一些具体实施中,该统一应用程序的特征和功能可由可视化框架服务部件306提供。
再次参考图1,在一些实施方案中,除了三个主要层(例如,后端集成层102、AI编排层110和前端交互/可视化层122)之外,系统100还可包括一个或多个联盟系统128、联盟数据存储库130和域云132。系统100的这些附加部件可通信地彼此耦接并耦接到相应的层,以促进在系统100的相应部件之间共享信息和服务。
联盟系统128可合作应用程序,这些应用程序可提供有包括在AI模型数据库114中的医疗保健AI模型,以及根据本文所述的技术开发的结构化训练数据。例如,这些应用程序可以是系统100的受控网络中涉及的合作伙伴,已使用本文所述的一致工具注释和标记的数据集可与这些合作伙伴共享。联盟系统128也可提供用于模型训练和开发的附加数据集。联盟数据存储库可编译由联盟系统128提供的信息和数据以及由AI编排层开发的信息,以用于高效且无缝的访问和利用。
域云132可提供用于将来自多个源的相关域数据和服务组合到网络可访问的基于云的环境中的另一种手段。例如,在其中采用系统100来促进将AI信息学集成到各种医疗保健系统中的实施方案中,域云132可对应于健康云。例如,域云132可包括将电子病历、医疗设备数据甚至可穿戴设备组合到单个位置中的云存储140。在一些实施方案中,使用本文所述的技术(参考图5和图7)生成的结构化诊断数据(包括带注释的医学图像、医疗报告术语等)也可存储在云存储140中。域云132可包括结果显示部件134,该结果显示部件促进全球各种实体接收和查看由AI工作流辅助系统116生成的AI结果。域云132还可包括AI模型管理器部件136,该AI模型管理器部件可促进通过联盟系统128识别、访问和采用包括在AI模型数据库114中的适当AI医疗保健模型。
域云132还可包括领域文献/监管数据138。领域文献/监管数据138可基本上包括与系统100所应用的领域相关的任何形式的信息,这些信息可经由网络(例如,互联网)查询和检索,AI编排层110可使用这些信息来开发和训练AI模型和/或在实践中应用AI医疗保健模型。例如,在系统100应用于医疗保健的实施方案中,领域文献/监管数据138可包括提供医疗信息的各种电子文献来源,包括用于在医疗保健服务的各种领域和专业中训练临床医生的教科书数据、描述已知医学病症和诊断的信息、描述已知医疗手术和并发症的信息、描述药物的信息、描述医疗器械、用品和设备的信息、医学研究数据等。领域文献/监管数据138还可包括关于指南和/或限制的信息,该指南和/或限制提供用于交换/共享患者信息的标准(例如,根据《健康保险隐私及责任法案》(HIPPA)),以及用于行医的临床法规(例如,根据联邦药物管理局(FDA)等)。
系统100的部署架构可变化。然而,应当理解,尽管未示出,但系统100的各种系统、服务、设备、应用程序、部件等可耦接到存储计算机可执行部件或前端交互/可视化层122、AI编排层110和后端集成层102的至少一个存储器。此外,系统100的各种系统、服务、设备、应用程序、部件等可通信地耦接到执行计算机可执行部件的至少一个处理器。在各种实施方案中,系统100的各种系统、服务、设备、应用程序、部件等中的一者或多者可部署在云架构、虚拟化企业架构或企业架构中,其中前端部件和后端部件中的一者以客户端/服务器关系分布。利用这些实施方案,系统100的各种系统、服务、设备、应用程序、部件等中的一者或多者的特征和功能可被部署为web应用程序、云应用程序、瘦客户端应用程序、胖客户端应用程序、本机客户端应用程序、混合客户端应用程序等,其中一个或多个前端部件设置在客户端设备124(例如,移动设备、膝上型计算机、台式计算机等)上,并且一个或多个后端部件设置在云中、在虚拟化服务器、虚拟化数据存储库、远程服务器、远程数据存储库、本地数据中心等上,并且经由网络(例如,互联网)访问。下面参考图15至图20描述用于系统100的各种示例性部署架构。
虽然系统100的一个或多个系统、服务、设备、应用程序、部件等被示为单独的部件,但应注意,各种部件可由一个或多个其他部件组成。此外,应当指出的是,为了简洁起见,实施方案可包括未示出的附加组件。另外,本文所述的各个方面可以由彼此通信的一个设备或两个或更多个设备来执行。例如,系统100的一个或多个系统、服务、设备、应用程序、部件等可以位于单独的(真实或虚拟)机器上并且经由网络(例如,互联网)访问。
图5示出了根据所公开主题的一个或多个实施方案的示例性非限制性系统500的框图,该系统促进生成与使用分布式学习架构将AI信息学集成在医疗保健系统中相关联的一个或多个诊断模型。在各种实施方案中,系统500是系统100的子系统。就这一点而言,系统100可包括系统500,反之亦然。从系统500移除系统100的各种元件(例如,后端集成层102)仅仅是为了实现与系统100的具体实施相关联的系统100的更集中的描述,以生成结构化诊断训练数据(例如,结构化诊断训练数据506)。因此,系统500可包括系统500中未示出的系统100的一个或多个元件(反之亦然)。为简洁起见,省略了对各个实施方案中采用的类似元素的重复描述。
系统500呈现了与系统100的应用程序相关联的系统100的示例性实施方案,以促进部分地基于医生在常规临床实践期间对医学图像数据502的评估来生成结构化诊断训练数据506。例如,医学图像数据502可包括DICOM医学图像、非DICOM格式的原生医学图像、重建的医学图像等。参考图1、图2、图3和图5,在各种实施方案中,医学图像数据502可由后端集成层102的一个或多个数据源/系统(例如,医学图像存档系统202、医学图像可视化系统204、一个或多个PACS 212和/或一个或多个VnA)提供。AI编排层110还可促进识别、提取并向客户端设备124提供正在评估的相关医学图像数据502(例如,针对特定患者、研究、患者/研究组等)以供呈现。例如,在一些具体实施中,可视化框架服务部件306可促进将在运行时期间识别、提取并向客户端设备124提供相关医学图像数据502与客户端设备124对成像/PACS应用程序406的使用相关联。
系统500结合与医生(例如,放射科医生)在医生可访问的客户端设备124处对医学图像数据502的评估来描述,该评估与使用成像/PACS应用程序406和临床报告应用程序408的常规临床实践相关联。就这一点而言,成像/PACS应用程序406可促进生成图形用户界面(GUI),医学图像数据502可经由该图形用户界面呈现给临床医生以供查看(例如,经由客户端设备124的显示器)。例如,图6呈现了包括医学图像的示例性可视化,该医学图像可在成像/PACS应用程序406或类似应用程序的关联使用中生成并呈现给医生。在所示的实施方案中,患者MRI脑部扫描的若干不同MRI视图呈现在不同窗口中以供医生查看。
再次参考图5,在一些具体实施中,成像/PACS应用程序406还可提供允许医生选择和加载特定图像或成像研究以供查看、与所显示的图像交互、从查看不同类型的图像和视角过渡、生成和/或查看重建的(3D)图像、编辑图像等的各种交互功能。临床报告应用程序408可类似地提供面向用户的交互式应用程序,该交互式应用程序可促进医生(例如,使用预定义的模板或形式、以自由形式的文本、以语音到文本的形式等)输入描述医学图像数据的解释、描述患者的现场评估、描述为患者接收的其他诊断信息的解释(例如,实验室数据、生命体征和由非基于图像的医疗设备提供的其他生理信号等)的解释等等的信息。
虽然成像/PACS应用程序406和临床报告应用程序408被示为客户端设备124的本地应用程序,但应当理解,系统500不限于这种部署架构。例如,在一个实施方案中,成像/PACS应用程序406和/或临床报告应用程序408可存储在客户端设备124的存储器(未示出)中并由处理器(未示出)或客户端设备124执行。在其他实施方案中,成像/PACS应用程序406和/或临床报告应用程序408的一个或多个特征和功能可位于一个或多个外部设备(例如,外部服务器、虚拟机等)处并由客户端设备124经由合适的网络访问。
在各种实施方案中,诊断数据开发部件410可由客户端设备124外部的一个或多个设备提供,并且可由客户端设备124经由一个或多个合适的网络访问。例如,在所示的实施方案中,诊断数据开发部件410可由远离客户端设备124的服务器设备504提供。就这一点而言,诊断数据开发部件410可存储在服务器设备504的存储器(未示出)中并由服务器设备504的处理器(未示出)执行。利用该具体实施,客户端设备124可包括本地桌面代理(例如,临床AI应用程序集成部件402)并采用该本地桌面代理来访问诊断数据开发部件410的特征和功能,并将它们集成到由成像/PACS应用程序406和/或临床报告应用程序408提供的临床工作流中。在其他实施方案中,成像/PACS应用程序406、临床报告应用程序408和诊断数据开发部件410的一个或多个特征和功能可由单个应用程序(例如,web应用程序、瘦客户端应用程序、胖客户端应用程序、本地客户端应用程序、混合应用程序等)提供。
诊断数据开发部件410可提供除了由常规医学成像和报告应用程序(例如,成像/PACS应用程序406和/或临床报告应用程序408)提供的特征和功能之外的附加特征和功能,以促进生成与此类医学成像和报告应用程序的常规临床使用相关联的结构化诊断训练数据506。例如,在一个或多个实施方案中,诊断数据开发部件410可促进将新的注释工具与成像/PACS应用程序406集成,该成像/PACS应用程序在其常规临床实践期间用于与查看医学图像数据502并与之交互相关联地注释医学图像数据502。用于注释医学图像数据502的技术可促进生成具有应用于其上的标记、文本、符号等的统一注释的医学图像(如下文参考图7所述)。就这一点而言,除了在放射科医生读取和解释医学图像的常规临床实践期间促进结构化诊断数据的生成之外,诊断数据开发部件410还可根据一个或多个定义的本体促进结构化诊断数据的生成。本体涵盖对概念、数据和实体之间的类别、属性和关系的表示、正式命名和定义,这些概念、数据和实体使一个、多个或所有域实体化。就这一点而言,诊断数据开发部件410可定义可用于描述医学图像数据的词汇、可用于相应类型的特征和图像的术语和/或视觉标记和符号、术语和/或视觉标记或符号的含义、术语之间的关系以及所应用的术语/标记描述等与医学图像数据相关联的数据模型或格式。
除了带注释的医学图像之外,诊断数据开发部件410还可促进将新的医疗报告工具与临床报告应用程序408集成,该临床报告应用程序促进根据一个或多个定义的本体生成统一的医疗报告数据(也如下文参考图7所述)。例如,统一的医疗报告数据可提供具有恒定术语、词汇、格式等的一个或多个医学图像的诊断解释。在所示的实施方案中,带注释的医学图像数据和统一的医疗报告数据统称为结构化诊断训练数据506。
由诊断数据开发部件410生成的结构化诊断训练数据506可存储在一个或多个集中式数据库中,以供各种实体和企业访问、重用和共享。例如,在所示的实施方案中,结构化诊断训练数据506存储在与后端集成层102的一个或多个内部数据系统/源相关联的结构化训练数据数据库中,如参考图2所述。在其他实施方案中,结构化诊断训练数据506可在云存储140中、在联盟数据存储库130处或AI模型开发系统112和其他协作系统和企业可访问的另一个集中式数据库中提供。因为结构化诊断训练数据506是根据一个或多个定义的本体、公共数据结构、词汇、术语等生成的,所以结构化诊断训练数据506可基于一致的模式对模型进行有效的离线和在线教学。此外,通过使用即将到来的本体、数据结构、词汇术语等,结构化诊断训练数据506使跨部门、企业和区域扩展的重用、共享、模型开发和推断最大化。
根据各种实施方案,结构化诊断训练数据506可被AI模型开发系统112用作训练数据,以用于生成一个或多个AI模型,该一个或多个AI模型被配置为自动解释新的医学图像数据。例如,在所示的实施方案中,AI模型开发系统112可包括AI诊断模型开发子系统508,该AI诊断模型开发子系统可被配置为采用结构化诊断训练数据506(例如,包括带注释的医学图像和结构化诊断报告数据),以使用各种监督(并且在一些具体实施中,无监督)机器学习技术来开发和/或训练一个或多个诊断模型512。例如,结构化诊断训练数据可用于扩充已存在的监督学习模型(丰富训练数据)或用于开发新的数学模型或分类器。一个或多个诊断模型512可被配置为评估医学图像数据(以及潜在的其他相关输入数据点),以基于该图像数据生成诊断,以识别和表征图像数据中的感兴趣的特征和/或缺陷等。
在一些实施方案中,AI诊断模型开发子系统508还可识别并采用与结构化诊断训练数据(例如,对应的原始图像数据、对应的患者EHR数据、对应的患者组学数据、医学文献数据等)相关的相关诊断数据510,以促进揭示包括在结构化诊断训练数据506中的数据点与常规人类临床评估无法执行的相关诊断训练数据之间的隐藏相关性。相关诊断数据510可由AI编排层110从由后端集成层102、联盟数据存储库130、域云132等提供的不同数据源和系统中识别和提取。
在各种实施方案中,AI诊断模型开发子系统508可被配置为生成多个不同的诊断模型512,该多个不同的诊断模型分别被配置为解释不同的数据集。例如,各个诊断模型可被配置为解释不同类型的医学图像数据(例如,X射线、CT扫描、对比CT扫描、非对比CT扫描、MRI等)、图像数据中的不同类型的医学病症(例如,一个模型寻找肿瘤或病变,另一个模型寻找骨折)、与不同身体部位相关联的医学图像等。在另一个示例中,一些相应诊断模型512可被配置为解释与患者相关联的非图像输入数据(例如,组学数据、实验室数据、记录的症状、基于现场患者评估的记录的医生笔记、患者HER数据等),以确定患者的诊断信息。各个诊断模型512的粒度级别可变化。就这一点而言,尽管AI诊断模型开发子系统508以单个框描绘为单个“子系统”,但应当理解,AI诊断模型开发子系统508还可被划分为多个不同的子系统,这些子系统分别被配置为生成不同类型的诊断模型512,这些诊断模型分别被配置为解释不同的数据点并生成不同的输出。
在一些具体实施中,一组两个或更多个模型可用于评估与患者相关联的数据集,该数据集包括不同类型的数据点(例如,不同类型的图像数据、非图像数据等)以促进为患者生成诊断信息。根据该具体实施,各个诊断模型512可被配置为处理包括在数据集中的数据点的子集,以生成与患者诊断相关的不同输出。在一些具体实施中,一些诊断模型512的输出可用作该组中包括的诊断模型512中的其他诊断模型的输入。
图7示出了根据所公开主题的一个或多个实施方案的示例性非限制性服务器设备504的框图,该服务器设备促进生成与使用分布式学习架构将AI信息学集成在医疗保健系统中相关联的结构化诊断训练数据。为简洁起见,省略了对各个实施方案中采用的类似元素的重复描述。
除了诊断数据开发部件410之外,服务器设备504还可包括应用程序接口(API)部件702、推断部件726、索引部件728和收集部件730。服务器设备504可包括或通信地耦接到存储计算机可执行部件的至少一个存储器718。这些计算机可执行部件可包括例如API部件702、诊断数据开发部件410、推断部件726、索引部件728和收集部件730。存储器718还可存储注释规则/术语720和报告规则/术语722。服务器设备504还可包括用于执行这些计算机可执行部件的处理器724。服务器设备504还可包括系统总线716以通信地耦接服务器设备504的各种部件(例如,API部件702、诊断数据开发部件410、存储器718、处理器724、推断部件726、索引部件728和收集部件730)。
参考图5和图7,API部件702可促进将诊断数据开发部件410和推断部件726的一个或多个特征和功能与客户端设备124使用的成像/PACS应用程序406和临床报告应用程序408集成。例如,API部件702可促进在客户端设备124处使用相应应用程序期间实时访问成像/PACS应用程序406和临床报告应用程序408。就这一点而言,API部件702可与临床AI应用程序集成部件402交互,反之亦然,以接收关于使用成像/PACS应用程序406和临床报告应用程序408评估的医学图像数据502的信息,并提供由诊断数据开发部件410和推断部件726提供的相关注释和报告工具,以促进生成结构化诊断训练数据506。
在所示的实施方案中,诊断数据开发部件410可包括标记部件704、注释部件706、测量部件708、分割部件710、报告部件712和相关数据检索部件714。
标记部件704可促进将图形标记应用于在如经由客户端设备124处的GUI显示的医学图像数据502中存在的感兴趣的特征。标记部件704还可生成结构化诊断训练数据506,该结构化诊断训练数据包括识别感兴趣的特征相对于医学图像数据的位置的结构化标记数据。例如,标记部件704可允许查看医学图像数据的放射科医生在各种位置和深度处对图像或信号伪影应用“标记”。这些标记可经由解释医生所使用的成像软件中的一组图形工具来呈现。例如,标记部件704可在呈现的数据集上应用缺陷和感兴趣区域的叠加或分割。数据的标记区域的图形表示可使用坐标配对和感兴趣的特征的边界范围以数字方式存储。例如,在各种实施方案中,DICOMTM标准灰度表示状态可用于收集和保存这些标记。标记部件704还可根据一个或多个定义的数据模型来限制所应用的标记与图像数据中感兴趣的特征相关的方式。
注释部件706可促进将注释应用于在如经由客户端设备124处的GUI显示的医学图像数据502中存在的感兴趣的特征。注释部件706还可生成结构化诊断训练数据506,该结构化诊断训练数据包括相对于医学图像数据识别感兴趣的特征并将注释与该特征相关联的结构化注释数据。就这一点而言,本发明所公开的注释工具不仅可用于识别或标记感兴趣的缺陷或特征,而且还允许医生将定义的文本和/或符号注释应用于该缺陷或特征,其中该文本和/或符号提供关于该感兴趣的缺陷或特征的附加定义的描述性信息。注释部件706还可限制和/或控制文本和/或符号可应用于医学图像数据502的方式以及可根据定义的注释规则(例如,定义的数据模型和本体)、术语或词汇使用的术语和/或符号。例如,在所示的实施方案中,定义的注释规则和术语或词汇可作为注释规则/术语720存储在存储器718中。通过限制可用于注释医学图像的术语和词汇,将避免训练和教学中的歧义。该方法的另一个有益效果是与临床护理团队的沟通清晰,该临床护理团队还将使用这些数据来治疗患者。
在一些实施方案中,注释部件706可确定或推断与正被评估的医学图像数据相关的一个或多个注释术语,并将该一个或多个注释术语提供给注释人员(例如,经由GUI),以用于潜在应用于医学图像数据或在医学图像数据中识别或标记的感兴趣的特征。注释部件706可基于一个或多个相关注释术语来进一步限制将注释应用于医学图像数据。例如,基于正在查看的医学图像的类型、医学图像中表示的身体部位、图像的视角、包括在医学图像数据中的感兴趣的特征(例如,由注释人员使用标记部件704标记和/或由分割部件710提取的感兴趣的特征)的一个或多个特性(例如,感兴趣的特征的位置、面积或体积、像素着色数据、像素化图案数据等)、患者的病史等,注释部件706可识别在注释规则/术语720中定义的与潜在应用于医学图像相关的相关术语和/或符号的子集。在一些具体实施中,注释部件706可采用AI和一个或多个分类器来确定或推断相关注释术语。就这一点而言,注释部件706可采用启发法来确定和建议用于注释特定医学图像和/或医学图像中识别的特征或缺陷的适当词汇或术语集。
测量部件708可促进将测量应用于如经由GUI显示的医学图像数据中存在的感兴趣的特征,并且生成包括结构化测量数据的结构化诊断训练数据506,该结构化测量数据相对于医学图像数据识别感兴趣的特征并将测量与该特征相关联。例如,结构化测量数据可定义感兴趣的特征的一个或多个维度(例如,面积、体积、长度、宽度等)。在一些具体实施中,测量部件可部分地基于接收到经由GUI在医学图像数据上选择或标记感兴趣的特征的输入来确定维度。就这一点而言,与识别医学图像中感兴趣的特征(例如,病变、肿瘤、骨折、椎间盘突出、医疗设备、发炎组织等)相关联,测量部件708可允许放射科医生直接在图像数据上测量感兴趣的特征的面积或体积。这些测量是确定医学诊断、适当治疗和/或治疗功效的关键。通常,由于用于管理图像数据的信息技术(IT)系统并不总是能够很好地处理这些数据类型,因此这些测量通常不会“保存”到成像研究中。利用所公开的技术,测量部件708可根据定义的数据模型或基于标准的格式来生成并保存测量数据,该定义的数据模型或基于标准的格式可由(例如,AI模型开发系统112的)一个或多个机器学习系统一致地用于模型训练和开发。
分割部件710可应用一个或多个分割工具来识别和分割医学图像数据中包括的视觉上不同的特征。分割部件710还可自动或半自动地从医学成像数据中提取分割特征并生成识别不同视觉特征的结构化分割数据。例如,在一些实施方案中,分割部件710可被配置为基于使用标记部件704和/或测量部件708将标记应用于包括在医学图像数据中的特征来提取该特征。就这一点而言,基于识别特征、定义特征的维度、围绕特征绘制圆圈或框等的用户输入,分割部件710可将特征从图像数据中分离出来,并用于进一步的注释和评估。分割部件710还可存储从原始图像数据中提取或分割的特征的图像数据。在另一个实施方案中,分割部件710可分析医学图像数据以基于与特征相关联的视觉像素着色和纹理数据、特征的维度、特征的布置、特征的位置等来自动识别视觉上不同的特征。利用这些实施方案,分割部件710可被配置为使用一种或多种启发法来识别图像数据中的定义模式。在一些具体实施中,分割部件710还可对分割的特征进行分类。
报告部件712可促进从解释临床医生在临床实践中所准备的诊断报告中提取或生成结构化训练数据。例如,在诊断放射学和心脏病学中,诊断医生通过文本报告传达他或她对数据的解释。这些报告中的术语、描述符和信息可以是算法训练和开发中的关键参数。报告部件712可促进根据存储器中由报告规则/术语所定义的定义的本体、规则和术语来生成关于医学图像数据的诊断解释的文本诊断报告。报告部件712还可基于文本诊断报告来生成结构化文本报告数据。例如,在一些具体实施中,报告部件712可根据报告规则/术语限制可在诊断报告中使用的术语和词汇。例如,报告部件712可部分地基于正在评估的医学图像数据以及患者EHR中与患者相关联的其他相关信息(例如,病史信息、人口统计信息、药物信息等)、患者的组学数据、患者的实验室数据等来确定可能包括在文本诊断报告中的医学术语或信息类别的子集。在一些实施方案中,报告部件712可采用AI和一个或多个分类器来确定或推断适当医学术语或信息类别的子集。报告部件712还可基于适当医学术语或信息类别的子集来限制包括在文本诊断报告中的内容。
在一些具体实施中,在创建解释性报告期间,报告部件712还可促进上下文感知报告,并引导医生完成报告过程的每个步骤。例如,基于正在评估的图像数据和/或与正在为其做出报告的患者相关联的其他数据、元数据和其他队列的方面的分析,报告部件712可确定适当的报告模板或所定义的信息类别的选择选项,并将模板和/或信息类别呈现给解释医生。在一些具体实施中,报告部件712可从包括在报告规则/术语722中的定义集合中选择报告信息类别的模板和/或选项。可包括在报告中的术语和词汇还可由报告部件712标准化和控制,并且可由系统管理员配置。就这一点而言,报告部件712可识别解释报告中使用的上下文相关的标签和术语,并且生成包括相关报告标签和术语的结构化诊断训练数据506。在一些具体实施中,报告部件712还可提供嵌入式或自适应报告工具。就这一点而言,报告部件712可自动确定或推断用于包括在医疗报告中的一个或多个适当的术语和/或描述,并自动填写它们。
在一些实施方案中,报告部件712可采用NLP来识别文本诊断报告中包括的一个或多个语义相关的术语或短语。利用这些实施方案,报告部件712可使用语义相关的术语或短语生成结构化文本报告数据。例如,与使用常规临床报告应用程序(例如,临床报告应用程序408)来生成使用自由文本和自然语言的医疗报告相关联,报告部件712可使用NPL技术来评估医疗报告,以从刚刚完成的解释性报告中抓取和提取语义相关的术语。就这一点而言,NLP技术可提供被配置为解析和提取文本数据中的关键概念的自动化算法,这些关键概念在从诊断数据构建学习模型时将是有用的和必需的。报告部件712还可根据在报告规则/术语中定义的本体、术语和规则,将NPL术语转换为结构化的机器可读术语。
相关数据检索部件714可促进识别、检索由后端集成层102、健康云、联盟数据存储库130等的一个或多个数据源/系统提供的信息,该信息与临床医生结合临床报告应用程序408(或类似应用程序)的使用而创建的医疗报告相关。在一些具体实施中,报告部件712还可基于检索到的信息来自动填充或以其他方式填写报告中包括的术语、描述和类别。例如,与对患者的医学图像研究的评估相关联,相关数据检索部件714可识别并检索患者EHR中包括的关于患者的人口统计、病史、保险信息、记录的体征和系统等的信息,并且将患者EHR的相关部分包括到报告中。在其他实施方案中,相关数据检索部件714可确定或推断在生成对患者图像数据(或其他诊断数据)的解释时与评估该数据相关联的对解释临床医生有用或以其他方式相关的信息。例如,相关数据检索部件714可识别具有相似症状、体征和医学图像的其他相似患者的相关研究,并向临床医生提供关于相关研究的信息。在另一个示例中,相关数据检索部件714可找到由域云132中包括的与特定患者的成像研究、实验室数据、病史、组学数据等相关的信息提供的医学文献(例如,教科书数据、临床研究报告、反映在患者数据中的潜在病症的最近疾病报告/爆发统计等),这些信息可促进诊断或以其他方式评估患者的病症。例如,相关数据检索部件714可确定正在为其生成报告的患者是癌症患者,并且从患者胸部的横截面医学图像确定存在具有80%恶性可能性的肉瘤。根据该示例,相关数据检索部件714可识别具有与当前肉瘤/患者概况匹配的相似肉瘤的其他患者的医学图像数据,并将这些图像提供给放射科医生以供审查和/或包括在肿瘤科医生的报告中。
推断部件726可被配置为提供或有助于与诊断数据开发部件410的一个或多个特征和功能相关联的各种推断或确定。例如,推断部件726可促进将注释部件706与推断医学图像中包括的哪些特征应被注释以及什么注释(例如,什么术语和符号)应用于相应特征相关联。在另一个示例中,推断部件726可促进将测量部件708与基于对图像数据的分析和/或应用于图像的标记来推断与感兴趣的解剖特征(例如,肿瘤的尺寸、椎间盘相对于参考点的突出量、骨折深度等)相关联的维度(例如,缩放的或实际的)相关联。在另一个示例中,推断部件726可促进将分割部件710与识别医学图像数据中包括的可区分特征以及从医学图像或重建的3D医学图像中分离分割特征以用于隔离的注释、分析和模式识别相关联。在另一个示例中,推断部件726可促进将报告部件712与根据报告规则/术语722推断、建议和/或自动输入医疗报告中的相关信息和信息类别相关联。在又一个示例中,推断部件726可促进相关数据检索部件714与如下推断相关联:推断在后端集成层、联盟数据存储库130和健康云中的服务器设备可访问的各种数据源/系统中服务器设备504可用的信息是否与临床医生基于患者和正在为其做出医疗报告的患者的数据集而生成的医疗报告相关以及哪些信息与之相关。
为了提供或有助于本文所述的众多推断,推断部件726可检查授权访问的数据的全部或子集,并且可从经由事件和/或数据捕获的一组查看中提供关于系统(例如,系统100、500等)、环境的状态的推理或者推断该状态。例如,可以使用推断来识别特定上下文或动作,或者可以生成状态的概率分布。推断可以是概率性的-即,对感兴趣状态的概率分布的计算基于对数据和事件的考虑。推断还可以指用于从一组事件和/或数据组成更高级别事件的技术。
这种推断可以导致从一组观察的事件和/或存储的事件数据构造新的事件或动作,无论事件是否在时间上紧密相关,以及无论事件和数据来自一个还是多个事件和数据源。可以结合执行与要求保护的主题有关的自动化和/或推断动作来采用各种分类(显式和/或隐式训练的)方案和/或系统(例如,支持向量机、神经网络、专家系统、贝叶斯信念网络、模糊逻辑、数据融合引擎等)。
分类器可以将输入属性向量x=(x1,x2,x4,x4,xn)映射到输入属于一个类别的置信度,诸如通过f(x)=置信度(类别)。这种分类可以采用基于概率和/或统计的分析(例如,分析实用程序和费用考虑的因素)来预测或推断用户期望自动执行的动作。支持向量机(SVM)是可以使用的分类器的示例。SVM通过在可能输入的空间中找到超表面来操作,其中超表面尝试将触发标准与非触发事件分开。直观地,这使得分类对于测试接近但不同于训练数据的数据是正确的。其他有向和无向模型分类方法包括例如朴素贝叶斯、贝叶斯网络、决策树、神经网络、模糊逻辑模型,并且可以采用提供不同独立模式的概率分类模型。本文所用的分类还包括用于开发优先级模型的统计回归。
索引部件728可促进根据一个或多个定义的数据模型和本体来清理、索引或组织由诊断数据开发部件410生成的结构化诊断训练数据506,以促进将结构化诊断训练数据506有效地用于模型开发和训练。就这一点而言,索引部件728可根据定义的数据模型来索引和组织由标记部件704生成的标记的医学图像数据、由注释部件706生成的带注释的图像数据、由测量部件708生成的测量数据、由分割部件710生成的分割数据、由报告部件712生成的报告数据,以及在一些具体实施中,由相关数据检索部件714检索的相关数据,该定义的数据模型涉及与相应数据集相关联的关键数据点。在一些具体实施中,索引部件728可进一步索引源数据(例如,非结构化图像数据、原生图像数据等)并将其与其结构化/带注释的对应部分关联和相关。
收集部件730还可收集数据元素,包括结构化诊断数据、根据定义的数据模型组织结构化诊断数据的索引数据,以及在一些具体实施中,由相关数据检索部件714检索的源数据和相关数据,并将它们存储在结构化训练数据数据库208中。就这一点而言,收集部件730可提供或以其他方式促进将结构化诊断训练数据506提供给AI模型开发系统112的一个或多个机器学习系统,其中基于结构化诊断数据的接收,该一个或多个机器学习系统采用结构化诊断训练数据506作为训练数据,以生成或训练被配置为提供新医学图像数据的基于AI的诊断评估的一个或多个诊断模型。
图8示出了根据所公开主题的一个或多个实施方案的示例性非限制性计算机实现方法800的流程图,该计算机实现方法促进生成与使用分布式学习架构将AI信息学集成在医疗保健系统中相关联的一个或多个诊断模型。尽管出于简化说明的目的,本文所述的方法(例如,本文所述的方法800和另外的过程)被示出并描述为一系列动作,但是所公开主题不受动作顺序的限制,因为一些动作能够以不同的顺序发生和/或与本文所示和所述的其他动作同时发生。例如,本领域技术人员应当理解并认识到,方法可以另选地表示为一系列相互关联的状态或事件,诸如在状态图中。此外,可能不需要所有示出的动作来实现根据所公开主题的方法。此外,应当理解,本公开中公开的方法能够存储在制品上,以促进将这种方法传输和转移到计算机或其他计算设备。为简洁起见,省略了对各个实施方案中采用的类似元素的重复描述。
参考图8,在802处,操作地耦接到处理器(例如,系统100、系统500和/或服务器设备504)的系统与用于查看医学图像数据的医学成像应用程序(例如,成像/PACS应用程序406)进行交互。在804处,系统促进根据与使用成像应用程序相关联的定义的本体生成结构化诊断数据(例如,结构化诊断训练数据506),以执行对医学图像数据的临床评估。在806处,系统将结构化诊断数据(例如,经由收集部件730和/或结构化训练数据数据库208)提供给一个或多个机器学习系统(例如,AI诊断模型开发子系统508),其中基于该提供,该一个或多个机器学习系统采用该结构化诊断数据作为训练数据来生成或训练被配置为提供新医学图像数据的基于人工智能的诊断评估的一个或多个诊断模型(例如,诊断模型512)。
图9示出了根据所公开主题的一个或多个实施方案的示例性非限制性系统900的框图,该系统促进应用与使用分布式学习架构将AI信息学集成在医疗保健系统中相关联的一个或多个诊断模型112。在各种实施方案中,系统900是系统100的子系统。就这一点而言,系统100可包括系统900,反之亦然。从系统900移除系统100的各种元件(例如,后端集成层102)仅仅是为了实现与系统100的具体实施相关联的系统100的更集中的描述,以生成审查的结构化诊断训练数据(例如,结构化诊断训练数据912)。因此,系统900可包括系统900中未示出的系统100的一个或多个元件(反之亦然)。为简洁起见,省略了对各个实施方案中采用的类似元素的重复描述。
系统900呈现了与系统100的应用相关联的系统100的示例性实施方案,以促进部分地基于医生在常规临床实践期间对新医学图像数据902的评估来生成结构化诊断训练数据912。在该上下文中,医学图像数据被称为“新的”医学图像数据,以指示它没有被与对诊断模型112的训练和开发相关联的机器学习算法看到或以其他方式使用。就这一点而言,在基于结构化诊断训练数据506(以及在各种具体实施中,基于相关诊断数据510)来对诊断模型112进行初始开发和训练之后,并且在各种具体实施中,AI工作流辅助系统116可促进将诊断模型集成并应用到涉及评估患者的新医学图像数据(例如,新医学图像数据902)的临床工作流中。例如,在各种实施方案中,AI工作流辅助系统116可促进与成像/PACS应用程序406和/或临床报告应用程序408或类似应用程序的使用相关联地集成并应用诊断模型112,该集成并应用诊断模型由医生结合解释患者的新医学图像数据902进行,并且部分基于医生的解释生成医疗报告。
如上文参考图3所讨论的,在一些实施方案中,AI工作流辅助系统116可包括多个不同的AI工作流辅助子系统,这些AI工作流辅助子系统可分别在各种医疗保健领域和上下文中提供临床决策支持。就这一点而言,在所示的实施方案中,AI工作流辅助系统116可包括临床AI辅助诊断子系统904,该临床AI辅助诊断子系统可被具体配置为提供与工作流相关联的临床决策支持,该工作流涉及生成和/或采用关于患者的诊断解释的信息。例如,在本文所述的各种示例性具体实施中,临床AI辅助诊断子系统904可被配置为促进涉及评估医学图像数据以基于该图像数据来生成诊断信息的工作流(例如,涉及使用成像/PACS应用程序406、临床报告应用程序408或其他相关应用程序的工作流)。在各种实施方案中,临床AI辅助诊断子系统904还可被配置为促进基于其他输入数据,诸如但不限于患者实验室数据、监测到的患者数据诸如生命体征和症状(例如,患者数据238)、患者组学数据、患者健康历史数据等,提供与临床工作流相关联的诊断解释信息。就这一点而言,尽管系统900的以下描述涉及其中至少部分地基于被评估的医学图像数据来生成诊断数据并且其中将向临床医生提供诊断数据与临床医生对成像/PACS应用程序和/或临床报告应用程序408的使用相关联的用例,应当理解,系统900的特征和功能可应用于生成其他类型的临床和/或操作推断,以用于经由与合适的实体执行临床和推断或操作工作流相关联的各种手段提供给这些实体。
就这一点而言,在一个或多个实施方案中,与使用成像/PACS应用程序406选择用于审查的新医学图像数据902相关联,临床AI应用程序集成部件402可促进将新医学图像数据902提供给临床AI辅助诊断子系统904。另选地,临床AI应用程序集成部件402可促进向临床AI辅助诊断子系统904通知哪些新医学图像数据902已被选择用于审查和/或当前正在被查看(例如,经由医学图像数据的一个或多个标识符),并且临床AI辅助诊断子系统904可检索或以其他方式访问(例如,后端集成层102的)一个或多个医学图像数据存储库或高速缓存中提供的医学图像数据的副本。例如,在所示的实施方案中,服务器设备504,或更具体地,临床AI反馈部件412可监测成像/PACS应用程序406的使用,以识别和提取关于被选择用于审查和/或当前正在被查看的新医学图像数据902的信息。在一些具体实施中,服务器设备504和/或临床AI反馈部件412还可作为到临床AI辅助诊断子系统904的信息中继器进行操作,并向临床AI辅助诊断子系统904提供新医学图像数据和/或识别新医学图像数据902的信息。在其他实施方案中,临床AI反馈部件412和/或临床AI辅助诊断子系统904的一个或多个特征和功能可在单个设备(例如,服务器设备504或另一个合适的设备)处组合。例如,临床AI反馈部件412可包括临床AI辅助诊断子系统904的一个或多个部件,或者反之亦然。
基于新医学图像数据902或识别新医学图像数据902的信息的接收,临床AI辅助诊断子系统904可选择一个或多个适当的诊断模型112并将其应用于新医学图像数据902,以生成AI诊断数据908,该AI诊断数据可表示一个或多个诊断模型112的结果或输出。在各种具体实施中,诊断模型112可被配置为评估与新医学图像数据902相关联的相关诊断输入数据(例如,相关诊断输入数据906)以生成AI诊断数据908。例如,相关诊断输入数据906可包括与新医学图像数据902相关联的原始图像数据(例如,像素数据、波形数据等)、患者病史数据、实验室数据、组学数据、监测到的生理数据、报告的体征/症状等。利用这些具体实施,基于新医学图像数据902和/或识别被选择用于查看的新医学图像数据902的信息的接收,临床AI辅助诊断子系统904可被配置为进一步识别和检索来自(例如,后端集成层102的)一个或多个数据源/系统的相关诊断输入数据906,以输入到一个或多个诊断模型112。
由诊断模型112生成的结果的类型可基于相应诊断模型的配置而变化。例如,在一些具体实施中,AI诊断数据908可包括如下信息,该信息提供关于由新医学图像数据反映的患者的医学病症的诊断解释的信息。在其他具体实施中,AI诊断数据908可包括识别和/或表征医学图像数据中反映的定义特征(例如,识别的病变、骨折、解剖特征、发炎的解剖特征等)的信息。
临床AI辅助诊断子系统904还可将AI诊断数据908提供给成像/PACS应用程序和/或临床报告应用程序408,以与相应应用程序的使用相关联地提供给医生(例如,放射科医生)。例如,在所示的实施方案中,临床AI辅助诊断子系统904可向临床AI反馈部件412提供AI诊断数据908。临床AI反馈部件412还可促进经由临床AI应用程序集成部件402将AI诊断数据908集成到本地临床应用程序404的工作流使用中。
AI诊断数据908经由成像/PACS应用程序406和/或临床报告应用程序408提供给解释医生的方式可变化。例如,在AI诊断数据908包括患者病症的文本诊断描述的一些具体实施中,AI诊断数据908可被配置用于响应于向医生通知自动诊断等的图形特征的选择,由成像/PACS应用程序406和/或临床报告应用程序408经由弹出显示窗口、经由通知来呈现。在其他具体实施中,AI诊断数据908可被配置为覆盖在GUI中查看的医学图像数据上。例如,在一些具体实施中,AI诊断数据908可识别医学图像数据中的特定特征并且与定义图像数据内特征的位置和维度的元数据相关联。利用这些具体实施,成像/PACS应用程序406可被配置为将图形或视觉标记叠加到图像上以识别特征和/或特征的维度。在其他具体实施中,AI诊断数据908可包括具有应用于其上的视觉伪影或标记的图像数据的副本,该视觉伪影或标记在视觉上识别或调出感兴趣的特征(例如,具有突出显示或可区分的颜色,如与原始图像分割或分离等)。利用该具体实施,成像/PACS应用程序406可被配置为呈现具有应用于其上的视觉伪影或标记的图像数据的副本。
系统900还用于基于所提供的AI诊断数据908从解释医生接收反馈(例如,用户反馈910)。具体地,临床AI反馈部件412和临床AI应用程序集成部件402可促进提示解释医生提供关于AI诊断数据908的准确性的AI诊断数据的某种形式的审查。例如,在一个具体实施中,临床AI反馈部件412和临床AI应用程序集成部件402可提示医生提供指示AI诊断数据908是正确还是不正确(例如,是或否)的二进制反馈。在另一个具体实施中,临床AI反馈部件412和临床AI应用程序集成部件402可促进接收用户定义的得分,该得分表示AI诊断数据908的准确性水平的个人解释。在另一个示例中,临床AI反馈部件412和临床AI应用程序集成部件402可促进接收详细描述AI诊断数据908是否正确或如何产生的反馈。例如,在一些具体实施中,医生可用改变AI诊断数据908的一个或多个方面的信息进一步注释和/或标记医学图像数据以校正诊断数据。
在一些实施方案中,与基于AI诊断数据来生成医疗报告相关联,如果医生接受AI诊断解释为准确的,则AI诊断数据可自动集成到或以其他方式添加到医疗报告中。
临床AI应用程序集成部件402还可向诊断数据开发部件410提供用户反馈以用于生成结构化诊断训练数据912。就这一点而言,诊断数据开发部件410可将新的医学图像数据与用户反馈910相关联,以生成结构化诊断训练数据912。因此,结构化诊断训练数据912可例如包括具有自动注释、标记和文本数据的新医学图像数据,该数据由一个或多个诊断模型生成并被接受为正确的。结构化诊断训练数据912还可包括,例如,包括具有由临床医生应用或提供的信息(例如,注释、标记、文本数据等)的新医学图像数据,该临床医生通过丢弃或修改AI诊断数据来准确解释医学图像。就这一点而言,结构化诊断训练数据912可包括基于证据的经验证和校正的训练数据,该训练数据可在成像/PACS应用程序406和/或临床报告应用程序的路由使用过程中定期生成。
结构化诊断训练数据912还可被提供给临床AI模型开发子系统和/或由临床AI模型开发子系统检索,以定期更新和/或优化诊断模型112。就这一点而言,系统900提供了用于定期接收新训练数据的优化周期,该数据提供关于新系数/模型参数的信息或识别先前设置的系数/模型参数中的误差,该误差可用于进一步适应、训练和改进模型性能。
图10示出了根据所公开主题的一个或多个实施方案的示例性临床AI辅助诊断子系统904的框图,该临床AI辅助诊断子系统促进应用与使用分布式学习架构将AI信息学集成在医疗保健系统中相关联的一个或多个诊断模型。
在所示的实施方案中,临床AI辅助诊断子系统904可包括模型调用部件1002、输入数据检索部件1104、模型应用部件1106和众包部件。如下文所述,在各种实施方案中,包括在AI模型数据库114中的AI模型可针对不同的医学领域、数据集等来定制,并且具有不同的粒度级别。例如,在单个领域诸如医学成像领域内,可针对不同的图像数据类型、不同的病症、不同的身体部位、不同的功能(例如,识别具有特定特性的特征或基于特征和其他患者相关数据诊断病症等)来定制不同的模型。就这一点而言,模型调用部件1002可被配置为解析包括在数据库中的相应模型,以识别和调用可应用于被评估的当前数据集/患者的一个或多个适当模型。例如,基于被评估的图像数据集、数据的类型(例如,非对比CT扫描或CT血管造影数据集或MRI),模型调用部件1002可选择一个或多个适用模型,以用于应用于数据集来生成AI诊断数据908。
在各种实施方案中,图像数据可仅用作所选数据模型的部分输入。就这一点而言,各种类型的相关诊断输入数据906可用作与被评估的图像数据集相关的相应模型的输入。因此,输入数据检索部件1004可被配置为从包括在后端集成层102中的各种数据源识别和检索用于所选择的诊断模型的必要输入数据。例如,基于被选择用于审查的图像数据集,输入数据检索部件1004可识别患者以及患者的EHR中包括的与患者相关联的其他相关数据。在另一个示例中,基于被选择用于审查的图像数据集,输入数据检索部件1004可检索图像数据集,检索与图像数据集相关联的原始图像数据等。
模型应用部件1006可被配置为将一个或多个所选择的诊断模型应用于输入数据(例如,图像数据和/或相关诊断输入数据906)以生成相关诊断输入数据906。
众包部件1008可提供与实时生成医学图像数据的众包解释相关联的一个或多个附加特征。例如,在其中向放射科医生提供AI诊断数据908的一些具体实施中,放射科医生可能不确信接受还是拒绝结果。根据该示例,众包部件1008可促进将图像数据和相关联的AI诊断数据实时或持续实时地呈现给多个专家、放射科医生等,以接收他们对AI诊断结果的意见。他们的轮询意见可呈现给直接的放射科医生,以方便他或她对AI诊断结果的审查。轮询意见数据还可与图像数据相关联,以促进模型的训练和更新。
在另一个实施方案中,一个或多个诊断模型112可被配置为生成与表示结果的置信度的得分相关联的诊断信息。例如,诊断算法可被配置为评估肿瘤以确定代表是否恶性的置信度的肿瘤的得分(例如,90%确信该肿瘤是恶性的)。根据该实施方案,众包部件1008可被配置为当与解释相关联的置信度得分小于定义的阈值(例如,小于100%、小于90%等)时,发起对一组专家的轮询以接收他们对诊断解释的意见。轮询可允许专家提供他们对AI结果和图像数据的解释。可将轮询结果连同AI结果一起进一步提供给解释临床医生,并且/或者AI结果可基于轮询观点来进行调整。
图11示出了根据所公开主题的一个或多个实施方案的示例性非限制性计算机实现方法1100的框图,该计算机实现方法促进应用与使用分布式学习架构将AI信息学集成在医疗保健系统中相关联的一个或多个诊断模型。为简洁起见,省略了对各个实施方案中采用的类似元素的重复描述。
在1102处,选择多个AI模型(例如,包括在AI医疗保健模型数据库1114中)的一个或多个诊断模型,其与用于使用医学成像可视化应用程序(例如,成像/PACS应用程序406)进行评估的所选患者的医学图像数据相关。在1104处,将一个或多个诊断模型应用于图像数据以生成医学图像数据的解释,其中该解释识别和表征在医学图像数据中反映的一个或多个特征,或者提供关于在医学图像数据中反映的医学病症的诊断信息。在1106处,经由医学成像应用程序将解释呈现给放射科医生,并且接收关于解释的准确性的反馈。
在1108处,如果反馈指示解释是正确的,则方法1100可继续到1110,并且解释结果可被自动输入到医疗报告(例如,使用临床报告应用程序408生成的医疗报告、在没有人工输入的情况下生成的自动医疗报告或者另一合适的医疗报告)中。然后在1112处,可将图像数据和相关联的解释结果添加到训练数据数据库(例如,结构化训练数据数据库)。在1120处,包括在结构化训练数据数据库208中的新训练数据和/或聚合训练数据可用于周期性地更新一个或多个诊断模型。然而,如果在1108处,反馈指示解释不正确,则在1114处,解释结果可被丢弃(或被部分丢弃以仅去除结果的不正确的部分)。然后在1116处,可接收校正基于AI的解释结果中的误差的经校正解释结果。然后,图像数据和相关联的经校正解释结果可在1118处添加到训练数据数据库,并且在1120处用于周期性地更新一个或多个诊断模型。
图12A至图12D呈现了根据所公开主题的一个或多个实施方案的与将一个或多个AI诊断模型与医学成像应用程序集成相关联而生成的医学成像可视化。在各种实施方案中,图12A至图12D中呈现的医学成像可视化可根据本文所述的技术由成像/PACS应用程序406(或类似应用程序),与经由临床AI应用程序集成部件402集成由临床AI反馈部件412和临床AI辅助诊断子系统904提供的特征和功能相关联地生成。为简洁起见,省略了对各个实施方案中采用的类似元素的重复描述。
首先参考图12A,呈现了包括患者MRI脑部扫描的若干不同MRI视图的示例性可视化,这些MRI视图呈现在不同窗口中以供医生查看,图12A中呈现的可视化与图6中呈现的可视化相同,但添加了在GUI的上部工具栏中呈现的通知消息1202。图12B呈现了包括通知消息1202的虚线框1201内的可视化区域的放大视图。如图12B所示,通知消息1202指示中风算法结果可用。例如,在各种实施方案中,通知消息1202可响应于对被查看的医学图像数据集的诊断模型(例如,诊断模型512中的一个或多个诊断模型)的应用(例如,经由临床AI辅助诊断子系统904)而生成,该医学图像数据集被配置为评估脑部MRI扫描数据以识别和表征指示中风的特征。在植入的示例中,可选择通知消息1202来查看或以其他方式接收中风算法的结果。图12C呈现了示例性弹出显示窗口1203的示例性视图,该窗口可响应于通知消息1202的选择而被生成(例如,经由临床AI辅助诊断子系统904、临床AI反馈部件412和/或成像/PACS应用程序406)并覆盖(例如,经由临床AI应用程序集成部件402和/或成像/PACS应用程序)到先前的可视化上。图12D呈现了弹出显示窗口1203的放大视图。如图12D所示,中风算法的AI诊断结果可包括图像数据,该图像数据通过突出显示、以不同颜色呈现或以其他方式在视觉上标记感兴趣的特征1204来在视觉上识别存在于(一个或多个)医学图像中的感兴趣的特征1204。中风算法的结果还可包括描述感兴趣的特征的一个或多个特性的文本数据。例如,如对话框1205中所呈现的,呈现对“发现”和该发现的“压痕”的描述。就这一点而言,该发现表明识别出体积为12mL且扩散率降低的区域(例如,感兴趣的特征1204)。压痕表明该区域为核心大小为12mL的急性梗塞。在所示的实施方案中,放射科医生还可选择接受并插入结果(例如,插入到医疗报告中或以其他方式将结果与图像数据相关联),或者通过选择对应的桌面小程序来拒绝结果。
图13示出了根据所公开主题的一个或多个实施方案的示例性非限制性计算机实现方法1300的框图,该计算机实现方法使用分布式学习平台促进将AI信息学集成在医疗保健系统中。为简洁起见,省略了对各个实施方案中采用的类似元素的重复描述。
在1302处,包括处理器(例如,系统100、系统500、系统900等)的系统促进(例如,经由AI编排层110)多个不同的机器学习系统(例如,包括在AI模型开发系统112中)访问与不同实体相关联并提供关于各种医疗保健领域的临床和操作方面的医疗保健信息的多个不同的医疗保健系统和来源(例如,由后端集成层102、联盟数据存储库130、健康云132等提供)。在1304处,系统促进(例如,经由AI编排层110)由多个不同的机器学习系统生成多个AI模型(例如,诊断模型112以及可包括在AI模型数据库114中的其他类型的AI模型),该多个AI模型被配置为生成关于各种医疗保健领域的临床和操作方面的推断。在1306处,系统促进(例如,经由AI编排层110)将AI模型存储在集中式网络可访问数据库(例如,AI模型数据库114)中。在1308处,系统进一步促进(例如,经由AI编排层110)应用与各种医疗保健组织的临床和操作工作流的执行相关联的AI模型的相关子集以生成推断(例如,经由AI工作流辅助系统116和相关联的子系统)。
图14示出了根据所公开主题的一个或多个实施方案的另一个示例性非限制性计算机实现方法1400的框图,该计算机实现方法促进应用与使用分布式学习架构将AI信息学集成在医疗保健系统中相关联的一个或多个诊断模型。为简洁起见,省略了对各个实施方案中采用的类似元素的重复描述。
在1402处,包括处理器的系统访问集中式网络可访问的医疗保健模型数据库(例如,AI模型数据库114),该数据库包括被配置为生成关于各种医疗保健领域的临床和操作方面的推断的多个AI模型,其中该多个AI模型的相应模型由不同的机器学习系统(例如,AI模型开发系统112的机器学习系统)开发。在1404处,系统识别(例如,经由模型调用部件1002)该多个AI模型中与用于使用医学成像可视化应用程序(例如,经由成像/PACS应用程序406)进行评估的所选患者的医学图像数据相关的一个或多个模型,其中该一个或多个模型被配置为确定以下中的至少一者:识别和表征在医学图像数据中反映的一个或多个定义特征的特征信息,或关于在医学图像数据中反映的医学病症的诊断信息。例如,模型调用部件1002可基于图像数据的类型、图像数据中表示的身体区域、可能反映在图像数据中的潜在医学病症等来选择一个或多个诊断模型512。在1406处,系统将一个或多个模型应用于医学图像数据,以生成特征信息或诊断信息中的至少一者(例如,经由模型应用部件1006)。在1408处,基于该应用,系统将特征信息或诊断信息(例如,AI诊断数据908)中的至少一者提供给医学成像可视化应用程序,以用于经由医学成像可视化应用程序渲染。例如,特征信息和/或诊断信息可被格式化以渲染为文本、渲染为医学图像上的识别、标记和/或描述感兴趣的特征的图形叠加等。
一个或多个实施方案可以是处于集成的任何可能技术细节水平的系统、方法和/或计算机程序产品。计算机程序产品可包括其上具有计算机可读程序指令以用于致使处理器执行本实施方案的一个或多个方面的计算机可读存储介质(或多个介质)。
计算机可读存储介质可以是有形设备,该有形设备可以保持和存储供指令执行设备使用的指令。计算机可读存储介质可以是例如但不限于电子存储设备、磁性存储设备、光学存储设备、电磁存储设备、半导体存储设备、或前述的任何适当组合。计算机可读存储介质的更具体示例的非穷举列表包括以下项:便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存存储器)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字多功能磁盘(DVD)、记忆棒、软盘、机械编码设备(诸如打孔卡或其上记录有指令的凹槽中的凸起结构)以及上述项的任何适当组合。如本文所用,计算机可读存储介质不应被理解为是暂态信号本身,诸如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如,穿过光纤电缆的光脉冲)或通过电线发送的电信号。
本文描述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理设备,或者经由网络(例如,互联网、局域网、广域网和/或无线网络)下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口从网络接收计算机可读程序指令,并且转发计算机可读程序指令以用于存储在相应计算/处理设备内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以是汇编器指令、指令集架构(ISA)指令、机器指令、机器相关指令、微码、固件指令、状态设置数据、集成电路的配置数据或以一种或多种编程语言(包括面向对象的编程语言,诸如Smalltalk、C++等)和过程编程语言(诸如“C”编程语言或类似编程语言)的任何组合编写的源代码或目标代码。计算机可读程序指令可以完全在实体计算机上执行、部分在实体计算机上执行、作为独立软件包执行、部分在实体计算机上并且部分在远程计算机上执行或完全在远程计算机或服务器上执行。在后一种场景中,远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到实体计算机,或者可以与外部计算机建立连接(例如,通过使用互联网服务提供商的互联网)。在一些实施方案中,包括例如可编程逻辑电路、现场可编程门阵列(FPGA)、或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令以个性化电子电路,以便执行本发明的方面。
本文参考根据本发明实施方案的方法、装置(系统)和计算机程序产品的流程图图示和/或框图描述了本发明的各方面。可以理解,流程图图示和/或框图的每个框、以及流程图图示和/或框图中的框组合可以由计算机可读程序指令来实现。
可以将这些计算机可读程序指令提供给通用计算机、专用计算机、或其他可编程数据处理装置的处理器以产生机器,使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图的一个或多个框中指定的功能/动作的装置。这些计算机可读程序指令也可以存储在计算机可读存储介质中,其可以引导计算机、可编程数据处理装置、和/或其他设备以特定方式起作用,使得具有存储在其中的指令的计算机可读存储介质包括制品,该制品包括实现在流程图和/或框图的一个或多个框中指定的功能/动作的各方面的指令。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,以致使一系列操作步骤在计算机、其他可编程装置、或其他设备上执行以产生计算机实现过程,使得在计算机、其他可编程装置、或其他设备上执行的指令实现流程图和/或框图的一个或多个框中指定的功能/动作。
附图中的流程图和框图示出了根据本发明的各种实施方案的系统、方法和计算机程序产品的可能具体实施的架构、功能和操作。在这方面,流程图或框图中的每个框可以表示指令的模块、片段或部分,其包括用于实现指定逻辑功能的一个或多个可执行指令。在一些另选具体实施中,框中所指出的功能可不按图中所指出的顺序发生。例如,取决于所涉及的功能,实际上可以基本上同时执行连续示出的两个框,或者有时可能以相反顺序执行这些框。还将指出的是,框图和/或流程图图示的每个框以及框图和/或流程图图示中的框的组合可以由执行特定功能或动作或者执行专用硬件和计算机指令的组合的专用基于硬件的系统来实现。
结合图15,下文所述的系统和过程可以体现在硬件内,诸如单个集成电路(IC)芯片、多个IC、专用集成电路(ASIC)等。此外,一些或所有过程框在每个过程中出现的顺序不应视为限制性的。相反,应当理解,一些过程框能够以各种顺序执行,并非所有这些顺序都可以在本文中明确示出。
参考图15,用于实现要求保护的主题的各个方面的示例性环境1500包括计算机1502。计算机1502包括处理单元1504、系统存储器1506、编解码器1535和系统总线1508。系统总线1508将包括但不限于系统存储器1506的系统部件耦接到处理单元1504。处理单元1504可以是各种可用处理器中的任一种。双微处理器和其他多处理器架构也可以用作处理单元1504。
系统总线1508可以是多种类型的总线结构中的任一种,包括存储器总线或存储器控制器、外围总线或外部总线或者使用各种可用总线架构的本地总线,包括但不限于工业标准架构(ISA)、微通道架构(MSA)、扩展ISA(EISA)、智能驱动电子设备(IDE)、VESA本地总线(VLB)、外围部件互连件(PCI)、卡总线、通用串行总线(USB)、高级图形端口(AGP)、个人计算机存储器卡国际协会总线(PCMCIA)、火线(IEEE13154)和小型计算机系统接口(SCSI)。
在各种实施方案中,系统存储器1506包括易失性存储器1510和非易失性存储器1512,其可以采用所公开的存储器架构中的一种或多种存储器架构。基本输入/输出系统(BIOS)(包含在计算机1502内的元件之间传输信息的基本例程,诸如在启动期间)存储在非易失性存储器1512中。此外,根据本发明的创新,编解码器1535可以包括编码器或解码器中的至少一者,其中该编码器或解码器中的至少一者可以由硬件、软件或硬件和软件的组合组成。尽管编解码器1535被示为单独的部件,但编解码器1535可以包含在非易失性存储器1512中。以举例说明而非限制的方式,非易失性存储器1512可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存存储器、3D闪存存储器或电阻性存储器,诸如电阻性随机存取存储器(RRAM)。在至少一些实施方案中,非易失性存储器1512可采用所公开存储器设备中的一种或多种存储器设备。此外,非易失性存储器1512可以是计算机存储器(例如,与计算机1502或其主板物理集成)或可移除存储器。可以用来实现所公开的实施方案的合适的可移除存储器的示例可以包括安全数字(SD)卡、紧凑型闪存(CF)卡、通用串行总线(USB)记忆棒等。易失性存储器1510包括充当外部高速缓存存储器的随机存取存储器(RAM),并且在各种实施方案中还可以采用一种或多种公开的存储器设备。以举例说明而非限制的方式,RAM能以多种形式提供,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据速率SDRAM(DDR SDRAM)和增强型SDRAM(ESDRAM)等。
计算机1502还可以包括可移除/不可移除、易失性/非易失性计算机存储介质。图15示出了例如磁盘存储装置1514。磁盘存储装置1514包括但不限于如磁盘驱动器、固态盘(SSD)、闪存存储器卡或记忆棒的设备。此外,磁盘存储装置1514可以单独或与其他存储介质组合包括存储介质,包括但不限于光盘驱动器,诸如光盘ROM设备(CD-ROM)、CD可记录驱动器(CD-R驱动器)、CD可重写驱动器(CD-RW驱动器)或数字通用磁盘ROM驱动器(DVD-ROM)。为了便于将磁盘存储装置1514连接到系统总线1508,通常使用可移除或不可移除的接口,诸如接口1516。应当理解,磁盘存储装置1514可以存储与实体相关的信息。此类信息可以存储在服务器处或者提供给服务器或实体设备上运行的应用程序。在一个实施方案中,可以向实体通知(例如,通过输出设备1536)存储到磁盘存储装置1514或传输到服务器或应用程序的信息的类型。可以向实体提供选择加入或选择退出通过服务器或应用程序来收集或共享此类信息的机会(例如,通过来自输入设备1528的输入)。
应当理解,图15描述了充当实体和合适的操作环境1500中描述的基本计算机资源之间的中介的软件。此类软件包括操作系统1518。可以存储在磁盘存储装置1514上的操作系统1518用于控制和分配计算机系统1502的资源。应用程序1520利用操作系统1518通过程序模块1524来管理资源,以及存储在系统存储器1506中或磁盘存储器1514上的程序数据1526,诸如引导/关机事务表等。应当理解,要求保护的主题可以用各种操作系统或操作系统的组合来实现。
实体通过输入设备1528将命令或信息输入到计算机1502中。输入设备1528包括但不限于诸如鼠标、轨迹球、触笔、触摸板、键盘、麦克风、操纵杆、游戏板、卫星天线、扫描仪、电视调谐卡、数码相机、数码摄像机、网络摄像头等指向设备。这些和其他输入设备经由接口端口1530通过系统总线1508连接到处理单元1504。接口端口1530包括例如串行端口、并行端口、游戏端口和通用串行总线(USB)。输出设备1536使用与输入设备1528相同类型的端口中的一些端口。因此,例如,USB端口可以用于向计算机1502提供输入,并将信息从计算机1502输出到输出设备1536。提供输出适配器1534以示出存在如监视器、扬声器和打印机的一些输出设备1536,以及需要特殊适配器的其他输出设备1536。通过举例说明而非限制的方式,输出适配器1534包括在输出设备1536和系统总线1508之间提供连接方式的视频和声卡。应当指出的是,其他设备或设备的系统提供输入和输出能力,诸如远程计算机1538。
计算机1502可以使用到一个或多个远程计算机(诸如,远程计算机1538)的逻辑连接在联网环境中操作。远程计算机1538可以是个人计算机、服务器、路由器、网络PC、工作站、基于微处理器的设备、对等设备、智能电话、平板电脑或其他网络节点,并且通常包括许多相对于计算机1502描述的元素。出于简洁的目的,仅示出了具有远程计算机1538的存储器存储设备1540。远程计算机1538通过网络接口1542逻辑连接到计算机1502,然后经由通信连接1544连接。网络接口1542包括有线或无线通信网络,诸如局域网(LAN)和广域网(WAN)和蜂窝网络。LAN技术包括光纤分布式数据接口(FDDI)、铜分布式数据接口(CDDI)、以太网、令牌环等。WAN技术包括但不限于点到点链路、如综合业务数字网络(ISDN)及其上的变体的电路交换网络、分组交换网络和数字用户线(DSL)。
通信连接1544是指用于将网络接口1542连接到总线1508的硬件/软件。虽然为了清楚说明而在计算机1502内示出了通信连接1544,但是其也可以在计算机1502外部。仅出于举例的目的,连接到网络接口1542所需的硬件/软件包括内部和外部技术,诸如调制解调器,包括常规电话级调制解调器、电缆调制解调器和DSL调制解调器、ISDN适配器,以及有线和无线以太网卡、集线器和路由器。
本公开的所例示的方面还可以在分布式计算环境中实践,在该环境中,由通过通信网络链接的远程处理设备执行特定任务。在分布式计算环境中,程序模块可以位于本地和远程存储器存储设备中。
参考图16,其示出了根据本公开的计算环境1600的示意性框图,其中可以部署主题系统(例如,系统100、500、900等)、方法和计算机可读介质。计算环境1600包括一个或多个客户端1602(例如,膝上型计算机、智能电话、PDA、媒体播放器、计算机、便携式电子设备、平板电脑等)。客户端1602可以是硬件和/或软件(例如,线程、进程、计算设备)。计算环境1600还包括一个或多个服务器1604。服务器1604还可以是硬件或与软件组合的硬件(例如,线程、进程、计算设备)。例如,服务器1604可以容纳线程以通过采用本公开的各方面来执行转换。在各种实施方案中,系统100、500和900的一个或多个部件、设备、系统或子系统可被部署为客户端1602处的硬件和/或软件和/或被部署为服务器1604处部署的硬件和/或软件。客户端1602和服务器1604之间的一种可能的通信可以是在两个或更多个计算机过程之间传输的数据分组的形式,其中数据分组可包括医疗保健相关的数据、训练数据、AI模型、AI模型的输入数据等。例如,数据分组可以包括元数据,例如,相关联的上下文信息。计算环境1600包括通信框架1606(例如,诸如互联网的全球通信网络,或移动网络),其可用于促进客户端1602与服务器1604之间的通信。
可以通过有线(包括光纤)和/或无线技术来促进通信。客户端1602包括或可操作地连接到一个或多个客户端数据存储库1608,其可用于存储客户端1602本地的信息(例如,相关联的上下文信息)。类似地,服务器1604可操作地包括或可操作地连接到一个或多个服务器数据存储库1610,其可用于存储服务器1604本地的信息。
在一个实施方案中,客户端1602可以根据所公开的主题将编码文件传输到服务器1604。服务器1604可以存储该文件,解码该文件或将该文件发送到另一客户端1602。应当理解,客户端1602还可以将未压缩的文件传输到服务器1604,并且服务器1604可以根据所公开的主题来压缩该文件。同样,服务器1604可以编码视频信息并经由通信框架1606将该信息发送到一个或多个客户端1602。
图17示出了根据本公开的另一示例性计算环境1700的示意性框图,其中可以部署主题系统(例如,系统100、500、900等)、方法和计算机可读介质。计算环境1700包括由一个或多个客户端1702组成的云部署架构,这些客户端可以经由网络(例如,互联网)通信地联接到系统云1704。系统云1704可以包括云负载平衡器、一个或多个应用程序容器、一个或多个云服务容器、云数据存储库,以及将一个或多个云部件通信地联接到云数据存储库的云网络。根据云部署架构,客户端1702可以包括一个或多个客户端设备(例如,移动设备、膝上型计算机、台式计算机等),其可以包括或使用合适的应用程序(例如,本机移动应用程序、基于web的应用程序、瘦/胖客户端应用程序等)以访问和使用部署在系统云1704中的主题原生/重建医学成像系统(例如,系统100、500、900等)的一个或多个特征和功能。在各种具体实施中,系统100、500和/或900的一个或多个部件可以分布在客户端1702和系统云1704之间。
图18示出了根据本公开的另一示例性计算环境1800的示意性框图,其中可以部署主题系统(例如,系统100、500、900等)、方法和计算机可读介质。计算环境1800包括由一个或多个客户端1702组成的虚拟化企业部署,这些客户端可以经由网络(例如,互联网)通信地联接到远程数据中心1802。远程数据中心1802可以包括应用服务器子网1804,其可以提供负载平衡器、一个或多个应用程序容器、一个或多个虚拟化服务器以及一个或多个机架服务器。数据中心1802还可以包括一个或多个数据存储库,其可以经由数据中心网络通信地联接到应用服务器子网1804。根据虚拟化企业部署,客户端1702可以包括一个或多个客户端设备(例如,移动设备、膝上型计算机、台式计算机等),其可以包括或使用合适的应用程序(例如,本机移动应用程序、基于web的应用程序、瘦/胖客户端应用程序等)以访问和使用部署在数据中心1802和应用服务器子网1804中的主题原生/重建医学成像系统(例如,系统100、500、900等)的一个或多个特征和功能。在各种具体实施中,系统100、500和/或900的一个或多个部件可以分布在客户端1702和应用服务器子网1804以及数据中心1802之间。
图19示出了根据本公开的另一示例性计算环境1900的示意性框图,其中可以部署主题系统(例如,系统100、500、900等)、方法和计算机可读介质。计算环境1900包括由一个或多个客户端1702组成的本地企业部署,这些客户端可以经由网络(例如,互联网)通信地联接到应用服务器子网1904。根据该实施方案,可以在企业楼宇1902(例如,与远程数据中心1902相对)处提供应用服务器子网1904。应用服务器子网1904可以包括负载平衡器、一个或多个应用程序容器以及一个或多个服务器。应用服务器子网1904可以经由企业网络通信地联接到企业楼宇1902处提供的一个或多个数据存储库。与云和虚拟化企业部署相似,客户端1702可以包括一个或多个客户端设备(例如,移动设备、膝上型计算机、台式计算机等),其可以包括或使用合适的应用程序(例如,本机移动应用程序、基于web的应用程序、瘦/胖客户端应用程序等)以访问和使用部署在企业楼宇1902处和应用服务器子网1904中的主题原生/重建医学成像系统(例如,系统100、500、900等)的一个或多个特征和功能。在各种具体实施中,系统100、500和/或900的一个或多个部件可以分布在客户端1702和应用服务器子网1904以及企业楼宇1902之间。
图20示出了根据本公开的另一示例性计算环境2000的示意性框图,其中可以部署主题系统(例如,系统100、500、900等)、方法和计算机可读介质。计算环境2000包括本地设备部署,其中系统100、500和/或900的所有部件都在单个客户端设备2002处提供。利用该具体实施,客户端设备2002可以包括基于web的应用程序,其可以经由环回通信地联接到一个或多个应用程序容器。一个或多个应用程序容器可以通过环回通信地联接到一个或多个数据库和/或一个或多个本地文件系统。
虽然上文已经在一个或多个计算机上运行的计算机程序产品的计算机可执行指令的一般上下文中描述了主题,但本领域的技术人员将认识到,本公开也可以或可以与其他程序模块结合实现。通常,程序模块包括执行特定任务和/或实现特定抽象数据类型的例程、程序、部件、数据结构等。此外,本领域技术人员将理解,可以用其他计算机系统配置来实践本发明的计算机实现方法,这些计算机系统配置包括单处理器或多处理器计算机系统、小型计算设备、大型计算机、以及计算机、手持式计算设备(例如,PDA、电话)、基于微处理器或可编程的消费或工业电子器件等。所例示的方面还可以在分布式计算环境中实践,在该环境中,由通过通信网络链接的远程处理设备执行任务。然而,本公开的一些(如果不是全部)方面可以在独立计算机上实践。在分布式计算环境中,程序模块可以位于本地和远程存储器存储设备中。
如本申请中所使用的,术语“部件”、“系统”、“子系统”、“平台”、“层”、“网关”、“接口”、“服务”、“应用程序”、“设备”等可指和/或可包括一个或多个计算机相关的实体或与具有一个或多个特定功能的操作机器相关的实体。本文公开的实体可以是硬件、硬件和软件的组合、软件、或执行中的软件。例如,部件可以是但不限于是在处理器上运行的进程、处理器、对象、可执行文件、执行的线程、程序和/或计算机。通过举例说明的方式,在服务器上运行的应用程序和服务器都可以是部件。一个或多个部件可以驻留在进程和/或执行的线程内,并且部件可以位于一台计算机上和/或分布在两台或更多台计算机之间。在另一个示例中,相应部件可以根据其上存储有各种数据结构的各种计算机可读介质执行。部件可以经由本地和/或远程进程进行通信,诸如根据具有一个或多个数据分组的信号(例如,来自一个部件的数据,该部件在本地系统、分布式系统和/或网络(诸如,经由信号与其他系统的互联网)中与另一个部件交互)。作为另一个示例,部件可以是具有由电气或电子电路操作的机械零件提供的特定功能的装置,该电气或电子电路由处理器所执行的软件或固件应用程序操作。在这种情况下,处理器可以在装置的内部或外部,并且可以执行软件或固件应用程序的至少一部分。作为又一个示例,部件可以是通过电子部件而非机械零件提供特定功能的装置,其中电子部件可以包括处理器或用于执行至少部分地赋予电子部件功能性的软件或固件的其他装置。在一个方面,部件可以例如在云计算系统内经由虚拟机来仿真电子部件。
此外,术语“或”旨在表示包含性的“或”而不是排他性的“或”。也就是说,除非另有指明或从上下文中清楚,否则“X采用A或B”旨在表示任何自然的包含性置换。也就是说,如果X采用A;X采用B;或者X采用A和B两者,则在任何前述情况下都满足“X采用A或B”。此外,本说明书和附图中使用的冠词“一”和“一个”通常应解释为是指“一个或多个”,除非另有指明或从上下文中清楚是指单数形式。如本文所用,术语“示例”和/或“示例性”用于表示用作示例、实例或说明,并且旨在是非限制性的。为了避免疑问,本文所公开的主题不受此类示例的限制。此外,本文中描述为“示例”和/或“示例性”的任何方面或设计不必被解释为比其他方面或设计更优选或有利,也不意味着排除本领域普通技术人员已知的等效示例性结构和技术。
如在本说明书中采用的,术语“处理器”可以基本上指任何计算处理单元或设备,包括但不限于单核处理器;具有软件多线程执行能力的单处理器;多核处理器;具有软件多线程执行能力的多核处理器;具有硬件多线程技术的多核处理器;并行平台;以及具有分布式共享存储器的并行平台。另外,处理器可以指集成电路、专用集成电路(ASIC)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑控制器(PLC)、复杂可编程逻辑设备(CPLD)、分立栅极或晶体管逻辑部件、分立硬件部件、或被设计为执行本文所述的功能的其任意组合。另外,处理器可以利用纳米级架构(诸如但不限于基于分子和量子点的晶体管、开关和门)以便优化空间使用或增强实体设备的性能。处理器也可以被实现为计算处理单元的组合。在本公开中,术语诸如“存储”、“存储装置”、“数据存储”、“数据存储装置”、“数据库”、以及与部件的操作和功能相关的基本上任何其他信息存储部件用于指代“存储器部件”、体现在“存储器”中的实体、或包括存储器的部件。应当认识到,本文所述的存储器和/或存储器部件可以是易失性存储器或非易失性存储器,或者可以包括易失性和非易失性存储器两者。以举例说明而非限制的方式,非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除ROM(EEPROM)、闪存存储器、或非易失性随机存取存储器(RAM)(例如,铁电RAM(FeRAM))。例如,易失性存储器可以包括RAM,其可以充当外部高速缓存存储器。以举例说明而非限制的方式,RAM能以多种形式提供,诸如同步RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据速率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、Synchlink DRAM(SLDRAM)、直接Rambus RAM(DRRAM)、直接Rambus动态RAM(DRDRAM)和Rambus动态RAM(RDRAM)。另外,本文所公开的系统或计算机实现的方法的存储器部件旨在包括但不限于包括这些和任何其他合适类型的存储器。
上面已经描述的内容仅包括系统和计算机实现方法的示例。当然,无法为了描述本公开的目的而描述部件或计算机实现方法的每种可想到的组合,但本领域的普通技术人员可以认识到,本公开的许多进一步组合和置换是可能的。此外,关于在具体实施方式、权利要求书、附录和附图中使用术语“包括”、“具有”、“拥有”等的程度,此类术语旨在以类似于术语“包括”的方式为包括性的,如“包括”在权利要求中被用作过渡词时那样解释。已经出于说明的目的给出了各种实施方案的描述,但这些描述并不旨在是穷举的或限于所公开的实施方案。在不脱离所描述的实施方案的范围和精神的情况下,许多修改和变型对于本领域普通技术人员而言是显而易见的。选择本文使用的术语是以最好地解释实施方案的原理、优于市场上发现的技术的实际应用或技术改进,或者使得本领域的其他普通技术人员能够理解本文公开的实施方案。
Claims (20)
1.一种系统,包括:
存储器,所述存储器存储计算机可执行部件;和
处理器,所述处理器执行存储在所述存储器中的所述计算机可执行部件,其中所述计算机可执行部件包括:
接口部件,所述接口部件促进访问用于查看医学图像数据的医学成像应用程序;
诊断数据生成部件,所述诊断数据生成部件促进根据与使用所述成像应用程序查看所述医学图像数据相关联的定义的本体生成结构化诊断数据;和
数据收集部件,所述数据收集部件将所述结构化诊断数据提供给一个或多个机器学习系统,其中基于所述结构化诊断数据的接收,所述一个或多个机器学习系统采用所述结构化诊断数据作为训练数据,以生成或训练被配置为提供新医学图像数据的基于人工智能的诊断评估的一个或多个诊断模型。
2.根据权利要求1所述的系统,其中所述诊断数据生成部件包括:
标记部件,所述标记部件促进将图形标记应用于在如经由图形用户界面显示的所述医学图像数据中存在的感兴趣的特征,并且生成识别所述感兴趣的特征相对于所述医学图像数据的位置的结构化标记数据。
3.根据权利要求1所述的系统,其中所述结构化标记数据包括一个或多个医学图像,所述一个或多个医学图像包括所述图形标记并且根据数字成像和通信(DICOM)标准格式化。
4.根据权利要求1所述的系统,其中所述诊断数据生成部件包括:
注释部件,所述注释部件促进将注释应用于在如经由图形用户界面显示的所述医学图像数据中存在的感兴趣的特征,并且生成结构化注释数据,所述结构化注释数据相对于所述医学图像数据识别所述感兴趣的特征并将所述注释与所述特征相关联。
5.根据权利要求4所述的系统,其中所述注释部件确定与所述医学图像数据相关的一个或多个注释术语,并且经由所述图形用户界面提供所述一个或多个注释术语,以用于潜在应用于所述感兴趣的特征。
6.根据权利要求5所述的系统,其中所述注释部件采用人工智能和一个或多个分类器来确定所述一个或多个注释术语。
7.根据权利要求5所述的系统,其中所述注释部件基于所述一个或多个注释术语来限制将注释应用于所述医学图像数据。
8.根据权利要求1所述的系统,其中所述诊断数据生成部件包括:
测量部件,所述测量部件促进将测量应用于在如经由图形用户界面显示的所述医学图像数据中存在的感兴趣的特征,并且生成结构化测量数据,所述结构化测量数据相对于所述医学图像数据识别所述感兴趣的特征并将所述测量与所述特征相关联。
9.根据权利要求8所述的系统,其中所述测量包括所述感兴趣的特征的维度,并且其中所述测量部件部分地基于接收到经由所述图形用户界面在所述医学图像数据上选择或标记所述感兴趣的特征的输入来确定所述维度。
10.根据权利要求1所述的系统,其中所述诊断数据生成部件包括:
分割部件,所述分割部件识别所述医学图像数据中存在的一个或多个不同的视觉特征,提取所述一个或多个不同的视觉特征,并且生成识别所述不同的视觉特征的结构化分割数据。
11.根据权利要求1所述的系统,其中所述诊断数据生成部件包括:
报告部件,所述报告部件促进生成关于所述医学图像数据的诊断解释的文本诊断报告,其中所述报告部件还基于所述文本诊断报告来生成结构化文本报告数据。
12.根据权利要求11所述的系统,其中所述报告部件部分地基于所述医学图像数据来确定可能包括在所述文本诊断报告中的医学术语或信息类别的子集。
13.根据权利要求12所述的系统,其中所述报告部件采用人工智能和一个或多个分类器来确定医学术语或信息类别的所述子集。
14.根据权利要求12所述的系统,其中所述报告部件基于所述医学术语或所述信息类别来限制包括在所述文本诊断报告中的内容。
15.根据权利要求11所述的系统,其中所述报告部件采用自然语言处理来识别包括在所述文本诊断报告中的一个或多个语义相关的术语或短语,并且其中所述报告部件使用所述语义相关的术语或短语生成所述结构化文本报告数据。
16.一种方法,包括:
由操作地耦接到处理器的系统与用于查看医学图像数据的医学成像应用程序进行交互;
由所述系统促进根据与使用所述成像应用程序相关联的定义的本体生成结构化诊断数据,以执行对所述医学图像数据的临床评估;以及
由所述系统将所述结构化诊断数据提供给一个或多个机器学习系统,其中基于所述提供,所述一个或多个机器学习系统采用所述结构化诊断数据作为训练数据,以生成或训练被配置为提供新医学图像数据的基于人工智能的诊断评估的一个或多个诊断模型。
17.根据权利要求16所述的方法,其中所述促进包括:
由所述系统提供标记工具,所述标记工具促进将图形标记应用于在如经由图形用户界面显示的所述医学图像数据中存在的感兴趣的特征;以及
由所述系统生成识别所述感兴趣的特征相对于所述医学图像数据的位置的结构化标记数据。
18.根据权利要求16所述的方法,其中所述促进包括:
由所述系统提供注释工具,所述注释工具促进将注释应用于在如经由图形用户界面显示的所述医学图像数据中存在的感兴趣的特征,其中所述注释工具基于定义的一组术语来限制所述注释;以及
由所述系统生成结构化注释数据,所述结构化注释数据相对于所述医学图像数据识别所述感兴趣的特征并将所述注释与所述特征相关联。
19.根据权利要求18所述的方法,其中所述方法还包括,与所述提供所述注释工具相关联:
由所述系统确定与包括在所述定义的一组术语中的所述医学图像数据相关的一个或多个注释术语;以及
由所述系统经由所述图形用户界面提供所述一个或多个注释术语,以用于潜在应用于所述感兴趣的特征。
20.一种机器可读存储介质,所述机器可读存储介质包括可执行指令,所述可执行指令当由处理器执行时,促进操作的执行,所述操作包括:
与医学成像应用程序进行交互,所述医学成像应用程序用于查看医学图像数据;
促进根据与使用所述成像应用程序相关联的定义的本体生成结构化诊断数据,以执行对所述医学图像数据的临床评估;以及
将所述结构化诊断数据提供给一个或多个机器学习系统,其中基于所述提供,所述一个或多个机器学习系统采用所述结构化诊断数据作为训练数据,以生成或训练被配置为提供新医学图像数据的基于人工智能的诊断评估的一个或多个诊断模型。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/237,525 US10957442B2 (en) | 2018-12-31 | 2018-12-31 | Facilitating artificial intelligence integration into systems using a distributed learning platform |
US16/237,525 | 2018-12-31 | ||
PCT/US2019/068877 WO2020142401A1 (en) | 2018-12-31 | 2019-12-30 | Facilitating artificial intelligence integration into systems using a distributed learning platform |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113366580A true CN113366580A (zh) | 2021-09-07 |
Family
ID=69188022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980090644.5A Pending CN113366580A (zh) | 2018-12-31 | 2019-12-30 | 使用分布式学习平台促进将人工智能集成到系统中 |
Country Status (4)
Country | Link |
---|---|
US (2) | US10957442B2 (zh) |
EP (1) | EP3906563A1 (zh) |
CN (1) | CN113366580A (zh) |
WO (1) | WO2020142401A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643818A (zh) * | 2021-09-16 | 2021-11-12 | 上海齐网网络科技有限公司 | 基于区域数据的医疗数据集成数据的方法及系统 |
CN114018863A (zh) * | 2021-11-03 | 2022-02-08 | 杭州电子科技大学 | 基于近红外光谱和对比学习的烟叶部位判别方法及装置 |
CN117389529A (zh) * | 2023-12-12 | 2024-01-12 | 神州医疗科技股份有限公司 | 基于pacs系统的ai接口调用方法及系统 |
WO2024013696A1 (en) * | 2022-07-15 | 2024-01-18 | Doctomatic S.L. | System and method for digitizing medical devices at a patient terminal |
CN117423428A (zh) * | 2023-12-18 | 2024-01-19 | 西南医科大学附属医院 | 一种基于数据分析的麻醉药剂输送智能管理系统及方法 |
Families Citing this family (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6818424B2 (ja) * | 2016-04-13 | 2021-01-20 | キヤノン株式会社 | 診断支援装置、情報処理方法、診断支援システム及びプログラム |
KR101880275B1 (ko) * | 2017-01-09 | 2018-08-16 | 김선중 | 생물학적 체계 정보 검색 시스템 및 방법 |
US11763950B1 (en) | 2018-08-16 | 2023-09-19 | Clarify Health Solutions, Inc. | Computer network architecture with machine learning and artificial intelligence and patient risk scoring |
US10818386B2 (en) * | 2018-11-21 | 2020-10-27 | Enlitic, Inc. | Multi-label heat map generating system |
US11195050B2 (en) * | 2019-02-05 | 2021-12-07 | Microstrategy Incorporated | Machine learning to generate and evaluate visualizations |
US11532395B2 (en) * | 2019-02-22 | 2022-12-20 | Siemens Healthcare Gmbh | Optimizing catheterization laboratory throughput using machine learning |
CN109903280B (zh) * | 2019-02-27 | 2020-09-29 | 上海联影智能医疗科技有限公司 | 肿瘤确定系统、方法及存储介质 |
EP3709309A1 (en) * | 2019-03-11 | 2020-09-16 | Koninklijke Philips N.V. | Medical data collection for machine learning |
US20200303060A1 (en) * | 2019-03-18 | 2020-09-24 | Nvidia Corporation | Diagnostics using one or more neural networks |
US11100917B2 (en) * | 2019-03-27 | 2021-08-24 | Adobe Inc. | Generating ground truth annotations corresponding to digital image editing dialogues for training state tracking models |
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 |
US11625789B1 (en) * | 2019-04-02 | 2023-04-11 | Clarify Health Solutions, Inc. | Computer network architecture with automated claims completion, machine learning and artificial intelligence |
US11621085B1 (en) | 2019-04-18 | 2023-04-04 | Clarify Health Solutions, Inc. | Computer network architecture with machine learning and artificial intelligence and active updates of outcomes |
CN110895968B (zh) * | 2019-04-24 | 2023-12-15 | 苏州图灵微生物科技有限公司 | 人工智能医学图像自动诊断系统和方法 |
US11238469B1 (en) | 2019-05-06 | 2022-02-01 | Clarify Health Solutions, Inc. | Computer network architecture with machine learning and artificial intelligence and risk adjusted performance ranking of healthcare providers |
US11416653B2 (en) * | 2019-05-15 | 2022-08-16 | The Mitre Corporation | Numerical model of the human head |
US20210082565A1 (en) * | 2019-06-01 | 2021-03-18 | Inteneural Networks Inc. | Method and system for predicting neurological treatment |
KR102140402B1 (ko) * | 2019-09-05 | 2020-08-03 | 주식회사 루닛 | 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치 |
US10878567B1 (en) * | 2019-09-18 | 2020-12-29 | Triage Technologies Inc. | System to collect and identify skin conditions from images and expert knowledge |
US11416360B2 (en) * | 2019-10-09 | 2022-08-16 | Fujifilm Medical Systems U.S.A., Inc. | Systems and methods for detecting errors in artificial intelligence engines |
US20220122735A1 (en) * | 2019-10-25 | 2022-04-21 | Wise IOT Solutions | System and method for processing human related data including physiological signals to make context aware decisions with distributed machine learning at edge and cloud |
US20210133239A1 (en) * | 2019-11-01 | 2021-05-06 | Tableau Software, Inc. | Providing data visualizations based on personalized recommendations |
KR102270934B1 (ko) * | 2019-11-19 | 2021-06-30 | 주식회사 코어라인소프트 | 의료용 인공 신경망 기반 대표 영상을 제공하는 의료 영상 판독 지원 장치 및 방법 |
US11270785B1 (en) | 2019-11-27 | 2022-03-08 | Clarify Health Solutions, Inc. | Computer network architecture with machine learning and artificial intelligence and care groupings |
US20220189185A1 (en) * | 2019-12-09 | 2022-06-16 | Cognex Corporation | System and method for applying deep learning tools to machine vision and interface for the same |
TWI793391B (zh) * | 2019-12-27 | 2023-02-21 | 廣達電腦股份有限公司 | 醫療影像辨識系統及醫療影像辨識方法 |
US11501386B2 (en) * | 2020-02-04 | 2022-11-15 | Kpn Innovations, Llc. | Methods and systems for physiologically informed account metrics utilizing artificial intelligence |
US11537913B2 (en) * | 2020-03-12 | 2022-12-27 | Aetna Inc. | Artificial intelligence automation for enrollment |
KR102211851B1 (ko) * | 2020-03-20 | 2021-02-03 | 주식회사 루닛 | 데이터의 특징점을 취합하여 기계 학습하는 방법 및 장치 |
US11443424B2 (en) * | 2020-04-01 | 2022-09-13 | Kpn Innovations, Llc. | Artificial intelligence methods and systems for analyzing imagery |
CN115461821A (zh) * | 2020-05-08 | 2022-12-09 | 佩治人工智能公司 | 处理电子图像以确定数字病理学中的凸显信息的系统和方法 |
US11727306B2 (en) * | 2020-05-20 | 2023-08-15 | Bank Of America Corporation | Distributed artificial intelligence model with deception nodes |
WO2022040433A1 (en) * | 2020-08-19 | 2022-02-24 | Recovery Exploration Technologies Inc. | Augmented intelligence for next-best-action in patient care |
US20220076819A1 (en) * | 2020-09-04 | 2022-03-10 | Tienovix, Llc | Systems and Methods for Secure Transmission and Secure Storage of Medical Data from Standalone Medical Devices |
US20220083561A1 (en) * | 2020-09-14 | 2022-03-17 | DeepSee.ai Inc. | Extensible data objects for use in machine learning models |
US11763081B2 (en) | 2020-10-02 | 2023-09-19 | Merative Us L.P. | Extracting fine grain labels from medical imaging reports |
US11244755B1 (en) * | 2020-10-02 | 2022-02-08 | International Business Machines Corporation | Automatic generation of medical imaging reports based on fine grained finding labels |
US20220139513A1 (en) * | 2020-11-03 | 2022-05-05 | Nuance Communications, Inc. | Communication System and Method |
US20220157474A1 (en) * | 2020-11-13 | 2022-05-19 | Cerner Innovation, Inc. | Automated susceptibility identification and alerting in infectious disease outbreaks |
CN112669939A (zh) * | 2020-12-24 | 2021-04-16 | 中电通商数字技术(上海)有限公司 | 一种医学影像检查部位标准化方法及系统 |
SE2150124A1 (en) * | 2021-02-03 | 2022-08-04 | Equalis Ab | Method and computing apparatus for healthcare quality assessment |
CN112965717A (zh) * | 2021-03-22 | 2021-06-15 | 深圳市城市交通规划设计研究中心股份有限公司 | 多系统集成部署并保持界面统一的前端部署系统及方法 |
EP4068295A1 (en) * | 2021-03-29 | 2022-10-05 | Siemens Healthcare GmbH | Clinical decision support system for estimating drug-related treatment optimization concerning inflammatory diseases |
JPWO2022215529A1 (zh) * | 2021-04-05 | 2022-10-13 | ||
AU2022280631A1 (en) * | 2021-05-28 | 2024-01-18 | Strados Labs, Inc. | Augmented artificial intelligence system and methods for physiological data processing |
US20230056923A1 (en) * | 2021-08-20 | 2023-02-23 | GE Precision Healthcare LLC | Automatically detecting characteristics of a medical image series |
CN113761748B (zh) | 2021-09-09 | 2023-09-15 | 中国矿业大学 | 一种基于联邦增量随机配置网络的工业过程软测量方法 |
US11664113B2 (en) * | 2021-10-08 | 2023-05-30 | GE Precision Healthcare LLC | Methods and systems for visually detectable processing indicators |
US11928186B2 (en) | 2021-11-01 | 2024-03-12 | International Business Machines Corporation | Combined deep learning and knowledge driven reasoning for artificial intelligence classification |
CN114255835B (zh) * | 2021-11-15 | 2023-07-28 | 四川大学华西医院 | 一种基于人工智能的病例大数据管理方法和系统 |
WO2023097005A1 (en) * | 2021-11-25 | 2023-06-01 | GE Precision Healthcare LLC | Generalizable machine learning medical protocol recommendation |
JP2023102935A (ja) * | 2022-01-13 | 2023-07-26 | 株式会社リコー | 三次元形状生成装置、三次元形状生成システム、三次元形状生成方法およびプログラム |
WO2023147308A1 (en) * | 2022-01-25 | 2023-08-03 | Northwestern Memorial Healthcare | Image analysis and insight generation |
US11869674B2 (en) | 2022-04-15 | 2024-01-09 | Recovery Exploration Technologies Inc. | Translation of medical evidence into computational evidence and applications thereof |
US20240086248A1 (en) * | 2022-09-12 | 2024-03-14 | International Business Machines Corporation | Learning-based automatic selection of AI applications |
CN115331796B (zh) * | 2022-10-17 | 2022-12-27 | 中科厚立信息技术(成都)有限公司 | 基于强化学习的病床资源配置优化方法、系统及终端 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101203170A (zh) * | 2005-06-02 | 2008-06-18 | 美的派特恩公司 | 计算机辅助检测系统和方法 |
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
CN105359161A (zh) * | 2013-04-13 | 2016-02-24 | 宾夕法尼亚大学托管会 | 用于医学图像分析和概率诊断的系统和方法 |
CN106897573A (zh) * | 2016-08-01 | 2017-06-27 | 12西格玛控股有限公司 | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统 |
CN107209809A (zh) * | 2015-02-05 | 2017-09-26 | 皇家飞利浦有限公司 | 用于放射学报告的报告内容的背景创建 |
US20180060512A1 (en) * | 2016-08-29 | 2018-03-01 | Jeffrey Sorenson | System and method for medical imaging informatics peer review system |
CN108305671A (zh) * | 2018-01-23 | 2018-07-20 | 深圳科亚医疗科技有限公司 | 由计算机实现的医学图像调度方法、调度系统及存储介质 |
US10140888B2 (en) * | 2012-09-21 | 2018-11-27 | Terarecon, Inc. | Training and testing system for advanced image processing |
CN109102490A (zh) * | 2017-06-21 | 2018-12-28 | 国际商业机器公司 | 自动图像注册质量评估 |
Family Cites Families (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070081706A1 (en) * | 2005-09-28 | 2007-04-12 | Xiang Zhou | Systems and methods for computer aided diagnosis and decision support in whole-body imaging |
US11043307B2 (en) * | 2013-03-15 | 2021-06-22 | James Paul Smurro | Cognitive collaboration with neurosynaptic imaging networks, augmented medical intelligence and cybernetic workflow streams |
US20200294642A1 (en) * | 2018-08-08 | 2020-09-17 | Hc1.Com Inc. | Methods and systems for a pharmacological tracking and reporting platform |
US10593035B2 (en) * | 2015-03-18 | 2020-03-17 | University Of South Florida | Image-based automated measurement model to predict pelvic organ prolapse |
DE102015217429A1 (de) * | 2015-09-11 | 2017-03-16 | Siemens Healthcare Gmbh | Diagnosesystem und Diagnoseverfahren |
CA3030577A1 (en) * | 2016-07-12 | 2018-01-18 | Mindshare Medical, Inc. | Medical analytics system |
EP3488381B1 (en) * | 2016-07-21 | 2024-02-28 | Siemens Healthineers AG | Method and system for artificial intelligence based medical image segmentation |
US10140421B1 (en) * | 2017-05-25 | 2018-11-27 | Enlitic, Inc. | Medical scan annotator system |
US11250364B2 (en) * | 2017-12-06 | 2022-02-15 | Hartford Fire Insurance Company | System and method for evaluating images to support multiple risk applications |
US11424020B2 (en) * | 2017-12-08 | 2022-08-23 | Actual Healthcare Solutions | Cloud-based interactive digital medical imaging and patient health information exchange platform |
WO2019200535A1 (zh) * | 2018-04-17 | 2019-10-24 | 深圳华大生命科学研究院 | 基于人工智能的眼科疾病诊断建模方法、装置及系统 |
US20210118557A1 (en) * | 2018-04-24 | 2021-04-22 | Koninklijke Philips N.V. | System and method for providing model-based predictions of beneficiaries receiving out-of-network care |
US11126649B2 (en) * | 2018-07-11 | 2021-09-21 | Google Llc | Similar image search for radiology |
US10949951B2 (en) * | 2018-08-23 | 2021-03-16 | General Electric Company | Patient-specific deep learning image denoising methods and systems |
US11515018B2 (en) * | 2018-11-08 | 2022-11-29 | Express Scripts Strategic Development, Inc. | Systems and methods for patient record matching |
KR102226899B1 (ko) * | 2018-11-16 | 2021-03-11 | 주식회사 딥바이오 | 지도학습기반의 합의 진단방법 및 그 시스템 |
US10818386B2 (en) * | 2018-11-21 | 2020-10-27 | Enlitic, Inc. | Multi-label heat map generating system |
KR102338018B1 (ko) * | 2019-07-30 | 2021-12-10 | 주식회사 힐세리온 | 초음파 이미지상의 특징점들을 이용한 초음파 지방간 자동 진단 장치 및 이를 이용한 원격 의료 진단 방법 |
US11322250B1 (en) * | 2019-10-25 | 2022-05-03 | TNacity Blue Ocean LLC | Intelligent medical care path systems and methods |
JPWO2021162124A1 (zh) * | 2020-02-14 | 2021-08-19 | ||
US20210304857A1 (en) * | 2020-03-31 | 2021-09-30 | Change Healthcare Holdings Llc | Medical indication determination using neural network prediction engine |
KR102179584B1 (ko) * | 2020-04-16 | 2020-11-18 | 주식회사 딥노이드 | 의료영상 판독을 위한 인공지능 기반의 클라우드 플랫폼 시스템 |
CN116075901A (zh) * | 2020-06-08 | 2023-05-05 | 艾科缇弗外科公司 | 用于处理医疗数据的系统和方法 |
US11527329B2 (en) * | 2020-07-28 | 2022-12-13 | Xifin, Inc. | Automatically determining a medical recommendation for a patient based on multiple medical images from multiple different medical imaging modalities |
US20220319697A1 (en) * | 2021-03-31 | 2022-10-06 | Change Healthcare Holdings Llc | Methods, systems, and computer program products using artificial intelligence for coordinated identification of patients for a clinical trial that are served by multiple providers |
US20220405933A1 (en) * | 2021-06-18 | 2022-12-22 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems, methods, and apparatuses for implementing annotation-efficient deep learning models utilizing sparsely-annotated or annotation-free training |
US20230317278A1 (en) * | 2022-04-05 | 2023-10-05 | BioticsAI | System for Aggregating, Analyzing, and Reporting Medical Information |
-
2018
- 2018-12-31 US US16/237,525 patent/US10957442B2/en active Active
-
2019
- 2019-12-30 WO PCT/US2019/068877 patent/WO2020142401A1/en unknown
- 2019-12-30 EP EP19842568.8A patent/EP3906563A1/en active Pending
- 2019-12-30 CN CN201980090644.5A patent/CN113366580A/zh active Pending
-
2021
- 2021-02-26 US US17/187,016 patent/US20210183498A1/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101203170A (zh) * | 2005-06-02 | 2008-06-18 | 美的派特恩公司 | 计算机辅助检测系统和方法 |
US10140888B2 (en) * | 2012-09-21 | 2018-11-27 | Terarecon, Inc. | Training and testing system for advanced image processing |
CN105359161A (zh) * | 2013-04-13 | 2016-02-24 | 宾夕法尼亚大学托管会 | 用于医学图像分析和概率诊断的系统和方法 |
CN107209809A (zh) * | 2015-02-05 | 2017-09-26 | 皇家飞利浦有限公司 | 用于放射学报告的报告内容的背景创建 |
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
CN106897573A (zh) * | 2016-08-01 | 2017-06-27 | 12西格玛控股有限公司 | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断系统 |
US20180060512A1 (en) * | 2016-08-29 | 2018-03-01 | Jeffrey Sorenson | System and method for medical imaging informatics peer review system |
CN109102490A (zh) * | 2017-06-21 | 2018-12-28 | 国际商业机器公司 | 自动图像注册质量评估 |
CN108305671A (zh) * | 2018-01-23 | 2018-07-20 | 深圳科亚医疗科技有限公司 | 由计算机实现的医学图像调度方法、调度系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
刘睿峰;夏宇;姜玉新;: "人工智能在超声医学领域中的应用", 协和医学杂志, no. 05, 27 March 2018 (2018-03-27), pages 453 - 457 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643818A (zh) * | 2021-09-16 | 2021-11-12 | 上海齐网网络科技有限公司 | 基于区域数据的医疗数据集成数据的方法及系统 |
CN113643818B (zh) * | 2021-09-16 | 2023-11-24 | 上海德衡数据科技有限公司 | 基于区域数据的医疗数据集成数据的方法及系统 |
CN114018863A (zh) * | 2021-11-03 | 2022-02-08 | 杭州电子科技大学 | 基于近红外光谱和对比学习的烟叶部位判别方法及装置 |
CN114018863B (zh) * | 2021-11-03 | 2023-07-28 | 杭州电子科技大学 | 基于近红外光谱和对比学习的烟叶部位判别方法及装置 |
WO2024013696A1 (en) * | 2022-07-15 | 2024-01-18 | Doctomatic S.L. | System and method for digitizing medical devices at a patient terminal |
CN117389529A (zh) * | 2023-12-12 | 2024-01-12 | 神州医疗科技股份有限公司 | 基于pacs系统的ai接口调用方法及系统 |
CN117423428A (zh) * | 2023-12-18 | 2024-01-19 | 西南医科大学附属医院 | 一种基于数据分析的麻醉药剂输送智能管理系统及方法 |
CN117423428B (zh) * | 2023-12-18 | 2024-02-13 | 西南医科大学附属医院 | 一种基于数据分析的麻醉药剂输送智能管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
US20200211692A1 (en) | 2020-07-02 |
US20210183498A1 (en) | 2021-06-17 |
US10957442B2 (en) | 2021-03-23 |
WO2020142401A1 (en) | 2020-07-09 |
EP3906563A1 (en) | 2021-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10957442B2 (en) | Facilitating artificial intelligence integration into systems using a distributed learning platform | |
Davenport et al. | The potential for artificial intelligence in healthcare | |
Naylor | On the prospects for a (deep) learning health care system | |
Wang et al. | Deep learning in medicine—promise, progress, and challenges | |
Khang et al. | Computer Vision and AI-Integrated IoT Technologies in the Medical Ecosystem | |
US11164045B2 (en) | Complex image data analysis using artificial intelligence and machine learning algorithms | |
Maddox et al. | Questions for artificial intelligence in health care | |
Greenes | Definition, scope, and challenges | |
Chowriappa et al. | Introduction to machine learning in healthcare informatics | |
Everson et al. | Real-time benefit tools for drug prices | |
US20240177836A1 (en) | Systems and methods for artificial intelligence-assisted image analysis | |
Poongodi et al. | Deep learning techniques for electronic health record (EHR) analysis | |
Mohsin et al. | The role of artificial intelligence in prediction, risk stratification, and personalized treatment planning for congenital heart diseases | |
Kocakoç | The role of artificial intelligence in health care | |
Schnurr et al. | Medicine 4.0—interplay of intelligent systems and medical experts | |
Bjarnadóttir et al. | Machine learning in healthcare: Fairness, issues, and challenges | |
Lamba et al. | Predictive analytics and machine learning for medical informatics: A survey of tasks and techniques | |
Olawade et al. | Artificial intelligence in healthcare delivery: Prospects and pitfalls | |
Bansal et al. | Introduction to computational health informatics | |
Vyas et al. | Handbook on Augmenting Telehealth Services: Using Artificial Intelligence | |
GM et al. | Healthcare Data Analytics Using Artificial Intelligence | |
Parry | Health informatics | |
Davenport | Artificial intelligence in healthcare: Promise and Reality | |
Sherwani et al. | Role of Deep Learning for Smart Health Care | |
GUPTA et al. | AI in Healthcare Services |
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 |