CN113393940A - 控制方法以及医疗系统 - Google Patents

控制方法以及医疗系统 Download PDF

Info

Publication number
CN113393940A
CN113393940A CN202110263519.9A CN202110263519A CN113393940A CN 113393940 A CN113393940 A CN 113393940A CN 202110263519 A CN202110263519 A CN 202110263519A CN 113393940 A CN113393940 A CN 113393940A
Authority
CN
China
Prior art keywords
symptom
predicted
inspection
distribution
candidate
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.)
Granted
Application number
CN202110263519.9A
Other languages
English (en)
Other versions
CN113393940B (zh
Inventor
陈仰恩
汤凯富
张智威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HTC Corp
Original Assignee
HTC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by HTC Corp filed Critical HTC Corp
Publication of CN113393940A publication Critical patent/CN113393940A/zh
Application granted granted Critical
Publication of CN113393940B publication Critical patent/CN113393940B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Electrotherapy Devices (AREA)

Abstract

一种控制方法包含下列操作：收集症状输入状态以及检查结果状态；利用神经网路根据症状输入状态以及检查结果状态产生检查建议、预测检查结果分布以及预测疾病分布，其中检查建议包含候选检查；根据预测检查结果分布以及预测疾病分布，估算候选检查相对于多个疾病的多个资讯增益；根据候选检查的资讯增益产生有关检查建议的解释性描述；可根据关注输入产生有关预测疾病清单的另一解释性描述。藉此，本控制方法可以在检查建议阶段以及疾病预测阶段提出相应的决策解释。

Description

控制方法以及医疗系统
技术领域
本公开有关于一种可以产生医疗建议的医疗系统，且特别是有关于基于人工智能的医疗系统其能提供关于医疗建议的解释性描述。
背景技术
近年来已经出现了电脑辅助医学系统的概念以便于患者自我诊断。电脑辅助医学系统可请求患者提供一些资讯，并随后基于与患者的互动来提供潜在疾病的诊断与建议。电脑辅助医学系统可以协助医生进行诊断，或者提供病患咨询服务或协助病患进行自我诊断。
大部分的电脑辅助医学系统采用人工智能技术(包含机器学习及/或神经网路模型)来预测潜在的疾病或给予相关的建议。然而，人工智能技术提供的结果(例如诊断或建议)通常缺乏解释内容。因此，经常使得病患或医生不易信任或者难以理解人工智能技术提供的结果。
发明内容
本公开的一态样有关一种控制方法，其包含收集一症状输入状态以及一检查结果状态；利用一神经网路根据该症状输入状态以及该检查结果状态产生一检查建议、一预测检查结果分布以及一预测疾病分布，其中该检查建议包含一候选检查；根据该预测检查结果分布以及该预测疾病分布，估算该候选检查相对于多个疾病的多个资讯增益；以及根据该候选检查的该些资讯增益产生有关该检查建议的一解释性描述。
于一些实施例中，该解释性描述是根据该些资讯增益得知并对应至由该候选检查所能分辨的一疾病清单。
于一些实施例中，该候选检查对应至一目标疾病的一资讯增益是根据一第一基尼指数(Gini index)、在该候选检查取得一目标结果的一机率以及一第二基尼指数而估算的，其中该第一基尼指数是执行该候选检查前的一群组中有关该目标疾病的基尼指数，该第二基尼指数是执行该候选检查后且具有该目标结果的一群组中有关该目标疾病的基尼指数。
于一些实施例中，该第一基尼指数的取得是基于当该候选检查的结果为未知的状态下该神经网路所产生的该预测疾病分布。
于一些实施例中，在该候选检查取得该目标结果的该机率的取得是基于该预测检查结果分布。
于一些实施例中，该第二基尼指数的取得是基于当该候选检查的结果为该目标结果的状态下该神经网路所产生的该预测疾病分布。
于一些实施例中，该神经网路是参照多个已知病历进行训练以产生该检查建议、该预测检查结果分布以及该预测疾病分布。
于一些实施例中，控制方法更包含：利用该神经网路产生一症状提问；收集对应该症状提问的一症状答复；以及根据该症状答复更新该症状输入状态。
于一些实施例中，该症状输入状态包含多个症状答复，该检查结果状态包含多个检查结果，该控制方法更包含：根据该预测疾病分布产生一预测疾病清单；套用一关注遮罩藉以过滤该些症状答复以及该些检查结果，以取得一关注输入；以及根据该关注输入产生有关该预测疾病清单的另一解释性描述。
本公开的另一态样有关一种控制方法，其包含收集一症状输入状态以及一检查结果状态，该症状输入状态包含多个症状答复，该检查结果状态包含多个检查结果：利用一神经网路根据该症状输入状态以及该检查结果状态产生一预测疾病分布；根据该预测疾病分布产生一预测疾病清单；套用一关注遮罩藉以过滤该些症状答复以及该些检查结果，以取得一关注输入；以及根据该关注输入产生有关该预测疾病清单的一解释性描述。
于一些实施例中，该解释性描述相对应于该些症状答复当中通过该关注遮罩的至少一个，或者该些检查结果当中通过该关注遮罩的至少一个。
于一些实施例中，该关注遮罩是由一关注模组根据该症状输入状态以及该检查结果状态而产生。
于一些实施例中，该关注模组是参照多个已知病历进行训练以产生该关注遮罩。
本公开的另一态样有关一种医疗系统，其包含接口以及处理器。接口用以接收症状输入状态以及检查结果状态，该症状输入状态包含多个症状答复，该检查结果状态包含多个检查结果，处理器与该接口耦接。
于一些实施例中，在检查建议阶段，该处理器利用一神经网路根据该症状输入状态以及该检查结果状态产生一检查建议、一预测检查结果分布以及一预测疾病分布，其中该检查建议包含一候选检查，该处理器根据该预测检查结果分布以及该预测疾病分布估算该候选检查相对于多个疾病的多个资讯增益，以及该处理器根据该候选检查的该些资讯增益产生有关该检查建议的一第一解释性描述。
于一些实施例中，该第一解释性描述是根据该些资讯增益得知并对应至由该候选检查所能分辨的一疾病清单，该神经网路是参照多个已知病历进行训练以产生该检查建议、该预测检查结果分布以及该预测疾病分布。
于一些实施例中，该处理器更用以：利用该神经网路产生一症状提问；收集对应该症状提问的一症状答复；以及根据该症状答复更新该症状输入状态。
于一些实施例中，在一疾病预测阶段，该处理器根据该预测疾病分布产生一预测疾病清单，该处理器套用一关注遮罩藉以过滤该些症状答复以及该些检查结果进而取得一关注输入，该处理器根据该关注输入产生有关该预测疾病清单的一第二解释性描述。
于一些实施例中，该第二解释性描述相对应于该些症状答复当中通过该关注遮罩的至少一个，或者该些检查结果当中通过该关注遮罩的至少一个。
于一些实施例中，医疗系统更包含关注模组由该处理器所执行，该关注模组用以根据该症状输入状态以及该检查结果状态产生该关注遮罩。
于一些实施例中，该关注模组是参照多个已知病历进行训练以产生该关注遮罩。
综上所述，本公开文件可以在自动诊断系统的检查建议阶段以及疾病预测阶段提出相应的决策解释。在检查建议阶段，神经网路其预测的检查结果分布可以用来计算每一个检查对于不同疾病的资讯增益，藉此可以解释被推荐的检查与此检查用来分辨的目标疾病之间的关联性。在疾病预测阶段，关注遮罩用以找出对于疾病预测来说具有重要性的关键症状以及关键检查结果。
附图说明
图1绘示根据本公开文件一些实施例中一种医疗系统的示意图；
图2绘示本公开文件一些实施例当中图1的处理器内部的功能方块示意图；
图3绘示本公开文件一些实施例用以控制图1中医疗系统的控制方法的方法流程图；
图4绘示根据一些实施例中输入状态中的症状输入状态以及检查结果状态的示意图；以及
图5绘示根据一些实施例中输出状态中的症状询问状态值、检查建议状态值、预测疾病分布以及预测检查结果分布的示意图。
附图标记说明：
100:医疗系统
120:接口
140:处理器
142:神经网路
144:关注模组
146:解释模组
160:储存元件
200:控制方法
S210～S264:步骤
P1:症状询问阶段
P2:检查建议阶段
P3:疾病预测阶段
Ssym:症状输入状态
Ssym_1～Ssym_m:资料位元
Str:检查结果状态
Str_1～Str_n:资料位元
IN:输入状态
Osq:症状询问状态值
Otest:检查建议状态值
Odd:预测疾病分布
Otrd:预测检查结果分布
OUT:输出状态
Sqry:症状提问
Sqry_1～Sqry_m：症状提问
Sans:症状答复
TS:检查建议
CT_1～CT_n:候选检查
CD_1～CD_x:候选疾病
ED1:第一解释性描述
MSK:关注遮罩
INm:关注输入
ED2:第二解释性描述
具体实施方式
下文将揭露实施例与用于实施方式的附图被揭露。为了明确说明，许多实作的细节在以下说明被解释。然而，将理解，作法的此些细节不意欲限制本公开。也就是，作法的此些细节在本公开的实施例的部分为非必要。而且，为了简化图，一些传统结构及元件用示意说明表明。
请参考图1，其绘示根据本公开文件一些实施例中一种医疗系统100的示意图。如图1所示，医疗系统100包含接口120、处理器140以及储存元件160。
于一些实施例中，处理器140与接口120通讯连接。医疗系统100透过接口120与使用者U1互动(例如从使用者U1收集症状输入状态Ssym、向使用者U1提出症状提问Sqry、从使用者U1收集相应的症状答复Sans、向使用者U1提出检查建议TS、从使用者U1收集检查结果状态Str等)，基于上述互动历史，医疗系统100可以分析、诊断或预测使用者U1可能罹患的潜在疾病。
医疗系统100可以透过机器学习(machine learning)演算法或强化式学习(reinforcement learning)演算法加以训练，藉此使得医疗系统100能够提出询问并且在有限的病患资讯下进行诊断。于一些实施例中，医疗系统100采用了强化式学习的框架以定义询问与诊断的策略(例如马可夫决策过程)。在一些实施例中，处理器140根据一些训练资料(例如多个已知的病历)并基于机器学习演算法或强化式学习演算法训练一神经网路，此训练完成的神经网路储存于储存元件160。
在一些实施例中，医疗系统100可以用电脑、服务器或运算中心加以实现。处理器140可以用中央处理器(CPU)、图形处理器(GPU)、张量处理器(TPU)、专用集成电路(ASIC)或其他具相等性的运算元件加以实现。接口120可以包含输出接口(例如用来显示资讯的显示面板)以及输入装置(例如触控面板、键盘、麦克风、扫描器、FLASH读取装置等)让使用者能够输入文字指令、语音指令或是上传相关资料(例如图片、病历、个人检查报告)。如图1所示，储存元件160与处理器140耦接。在一些实施例中，储存元件160可以由存储器、FLASH、只读存储器、硬盘或其他具相等性的元件加以实现。
如图1所示，使用者U1可以在接口120上操作。使用者可以看到接口120上显示的资讯并且使用者U1能够透过接口120进行输入。在一实施例中，接口120显示通知讯息用以询问使用者U1所遇到的症状。接口120用以收集有关使用者U1的症状输入状态Ssym。接口120可以同时收集有关使用者U1的其他资讯，例如使用者U1已经完成了医疗检查(例如血压检查、流感快筛检查)则接口120可以收集检查结果状态Str。接口120将症状输入状态Ssym以及检查结果状态Str传送至处理器140。
请一并参阅图2以及图3，图2绘示本公开文件一些实施例当中图1的处理器140内部的功能方块示意图，图3绘示本公开文件一些实施例用以控制图1中医疗系统100的控制方法200的方法流程图。
如图1、图2以及图3所示，当使用者U1提供个人资讯(例如使用者U1的医疗检查结果为阳性或阴性)以及症状资讯(例如使用者U1是否遭遇特定症状，如发烧、咳嗽、头痛)，在步骤S210当中，接口120可以收集输入状态IN(包含症状输入状态Ssym以及检查结果状态Str)并将输入状态IN传送至处理器140。于步骤S220，处理器140利用神经网路142根据症状输入状态Ssym以及检查结果状态Str产生症状询问状态值Osq、检查建议状态值Otest、预测疾病分布Odd以及预测检查结果分布Otrd。
于一些实施例中，神经网路142可以事先根据训练资料以机器学习演算法或强化式学习演算法加以训练。于一些实施例中，训练资料包含多个已知病历。医疗系统100利用训练资料中的多个已知病历训练神经网路142。于一例子中，训练资料可以由美国疾病控制与预防中心(Centers for Disease Control and Prevention)的资料与统计数据页面中取得(www.cdc.gov/datastatistics/index.html)。关于如何训练神经网路142的进一步细节将在后续其他实施例中讨论。
在训练完成后，神经网路142能够根据输入状态IN中的症状输入状态Ssym以及检查结果状态Str产生输出状态OUT。请一并参阅图4，其绘示根据一些实施例中输入状态IN中的症状输入状态Ssym以及检查结果状态Str的示意图。
如图4所示，症状输入状态Ssym包含m个资料位元Ssym_1、Ssym_2、Ssym_3、Ssym_4…以及Ssym_m，其中m为正整数其对应医疗系统100所考虑的症状总数。上述多个资料位元Ssym_1至Ssym_m每一个各自代表使用者U1是否遇到其中一个相应的症状。例如，资料位元Ssym_1设定为1代表使用者U1具有「咳嗽」症状；资料位元Ssym_3设定为-1代表使用者U1不具有「头痛」症状；资料位元Ssym_2设定为0代表目前尚不知道使用者U1是否具有「胃痛」症状；资料位元Ssym_4设定为0代表目前尚不知道使用者U1是否具有「食欲低落」症状。
如图4所示，检查结果状态Str包含n个资料位元Str_1、Str_2、Str_3…以及Str_n，上述多个资料位元Str_1至Str_n每一个各自代表使用者U1对应一种医疗检查的检查结果，其中n为正整数其对应医疗系统100所考虑的医疗检查总数。例如，资料位元Str_1设定为1代表使用者U1在第一种医疗检查的结果为「阳性」；资料位元Str_3设定为-1代表使用者U1在第三种医疗检查的结果为「阴性」；资料位元Str_2设定为0代表使用者U1目前尚未进行第二种医疗检查。上述资料位元的定义方式只是作为举例说明，本公开文件并不以此为限。
在步骤S220中，神经网路142能够根据输入状态IN中的症状输入状态Ssym以及检查结果状态Str产生输出状态OUT。于一些实施例中，输出状态OUT包含症状询问状态值Osq、检查建议状态值Otest、预测疾病分布Odd以及预测检查结果分布Otrd。请一并参阅图5，其绘示根据一些实施例中输出状态OUT中的症状询问状态值Osq、检查建议状态值Otest、预测疾病分布Odd以及预测检查结果分布Otrd的示意图。
如图5所示，症状询问状态值Osq包含了对应多个不同的症状提问Sqry_1至Sqry_m各自的状态值。检查建议状态值Otest包含了对应多个不同的候选检查CT_1至CT_n各自的状态值。预测疾病分布Odd包含了使用者U1罹患不同的候选疾病CD_1至CD_x相对应的多个机率值(由神经网路142根据输入状态IN估算得知)。其中x为正整数其对应医疗系统100所考虑的疾病总数。预测检查结果分布Otrd包含了使用者U1在多个不同的候选检查CT_1至CT_n中得到目标结果(例如检查结果为阳性)各自对应的机率值(由神经网路142根据输入状态IN估算得知)。
在步骤S230中，处理器140根据输出状态OUT选择下一个动作。于一些实施例中，若输出状态OUT表示症状资讯尚未充足(例如已经回答的症状问题数量未达门槛、检查建议状态值Otest不够高、或者预测疾病分布Odd当中个候选疾病CD_1至CD_x相对应多个机率值当中的最大机率值不够高)，也就是目前的症状资讯尚不足以给出检查建议或进行疾病预测时，控制方法200会进入症状询问阶段P1，藉以在步骤S241产生一症状提问Sqry。于一些实施例中，症状提问Sqry是根据所有症状询问状态值Osq当中具有最大状态值的症状而决定。举例来说，若从所有症状询问状态值Osq当中得知了症状提问Sqry_2(例如「请问你的胃感觉疼痛吗？」)具有最大状态值，则症状提问Sqry_2将被产生并呈现给使用者U1。使用者U1可以回答症状提问Sqry_2。在步骤S242，可以透过接口120自使用者U1收集到对应于症状提问Sqry_2的症状答复Sans。处理器140可以根据症状答复Sans更新症状输入状态Ssym。如图4中，若使用者回答有感觉到胃痛，资料位元Ssym_2将被更新为+1；或者，若使用者回答没有感觉到胃痛，资料位元Ssym_2将被更新为-1。如图3所示，症状询问阶段P1可以重复多次，直到医疗系统100以及控制方法200收集到足够的症状资讯。
于一些实施例中，当医疗系统100以及控制方法200收集到足够的症状资讯，如图3所示，医疗系统100以及控制方法200将会进入检查建议阶段P2。根据一些实施例中，执行步骤S251根据所有检查建议状态值Otest产生检查建议TS。检查建议TS可以包含在所有检查建议状态值Otest当中具有最大状态值的一个或多个医疗检查。在后续的表1展示了检查建议TS其内容的一个例子，在表1所示的例子中，检查建议TS包含了三个不同的医疗检查作为举例说明，但本公开文件并不以此为限。
Figure BDA0002971078040000091
表1
在一些实施例中，检查建议TS包含至少一个候选检查。如表1的实施例所示，检查建议TS包含了三个候选检查CT1～CT3，其中包含流感快速筛检(候选检查CT1)、咽喉理学检查(候选检查CT2)以及胸腔理学检查(候选检查CT3)。这些候选检查CT1～CT3是根据所有检查建议状态值Otest当中前三大状态值而定的。如表1的实施例，检查建议TS包含了三个不同的候选检查CT1～CT3作为举例说明，而医疗系统100以及控制方法200并不限定于提供特定数量的候选检查。举例来说，一些实施例中，医疗系统100以及控制方法200产生的检查建议TS当中可以包含1至10个候选检查。在一些人工智能系统中可以提供类似于上述表1的检查建议TS给使用者U1但并未提供任何解释。对使用者U1来说难以了解、验证或者信任没有解释的检查建议TS。有些时候，即便是医疗专业人员也难以解释或说明人工智能系统所产生的检查建议TS。在后续段落的一些实施例中，医疗系统100以及控制方法200能够提供用以解释检查建议TS的第一解释性描述ED1。
在步骤S252中，处理器140中的解释模组146用以根据预测检查结果分布Otrd以及预测疾病分布Odd估算每个候选检查相对于多个不同的疾病的多个资讯增益(informationgains)。举例来说，若医疗系统100总共考虑70种不同的疾病(D1～D70)，解释模组146会估算候选检查CT1与疾病D1之间的一组资讯增益、候选检查CT1与疾病D2之间的另一组资讯增益…以及候选检查CT1与疾病D70之间的另一组资讯增益。相似地，解释模组146会估算候选检查CT2与疾病D1之间的一组资讯增益、候选检查CT2与疾病D2之间的另一组资讯增益…以及候选检查CT2与疾病D70之间的另一组资讯增益。于一些实施例中，解释模组146可以透过由处理器140执行的软体指令加以实现。
为了说明上的简便，后续实施例将讨论如何计算一个候选检查CT与一个目标疾病d之间的一组资讯增益。对一个目前输入装态为IN的病人进行候选检查CT1相对于一个目标疾病d的资讯增益
Figure BDA0002971078040000101
可以估算如下：
Figure BDA0002971078040000102
对目前输入装态为IN的病人进行候选检查CT相对于目标疾病d的资讯增益
Figure BDA0002971078040000103
的估算是参照第一吉尼指数
Figure BDA0002971078040000104
在候选检查CT取得目标结果v的机率
Figure BDA0002971078040000105
以及第二吉尼指数
Figure BDA0002971078040000106
第一吉尼指数
Figure BDA0002971078040000107
是执行候选检查CT前的一群组中有关目标疾病d的吉尼指数。第二吉尼指数
Figure BDA0002971078040000108
是执行候选检查CT后且具有目标结果v的一群组中有关目标疾病d的吉尼指数。目标结果v是执行候选检查CT的可能结果VCT中的一个检查结果。
在上述方程式(1)当中，在候选检查CT取得目标结果v的机率
Figure BDA0002971078040000109
可以根据神经网路142产生的预测检查结果分布Otrd而得知。
在上述方程式(1)当中，第一吉尼指数
Figure BDA00029710780400001010
可以估算如下：
Figure BDA00029710780400001011
在上述方程式(2)中，机率πdis(IN，d)是具有当前输入状态IN的病患被诊断为具有目标疾病d的估算机率。机率πdis(IN，d)可以根据神经网路142产生的预测疾病分布Odd而得知。
在上述方程式(1)当中，第二吉尼指数
Figure BDA00029710780400001012
可以估算如下
Figure BDA00029710780400001013
在上述方程式(3)中，机率πdis(INv，d)是一假设病患(具有当前输入状态IN且预期中将会在候选检查CT得到目标结果v的假设病患)被诊断为具有目标疾病d的估算机率。机率πdis(INv，d)可以透过更新输入状态IN至另一个输入状态INv(将目标结果v填入候选检查CT的结果栏位中)并用神经网路142基于更新后的输入状态INv重新计算预测疾病分布Odd而得知。
当候选检查CT的资讯增益
Figure BDA00029710780400001014
愈大时，代表候选检查CT对于分辨具有当前输入状态IN的病患是否具有目标疾病d的判断中具有更重要的关键性。当候选检查CT的资讯增益
Figure BDA00029710780400001015
愈小时，代表候选检查CT对于分辨具有当前输入状态IN的病患是否具有目标疾病d的判断中并没有太大的帮助。透过计算候选检查CT相对不同的候选疾病各自的资讯增益
Figure BDA00029710780400001016
大小，医疗系统100以及控制方法200能够得知候选检查CT在所有候选疾病的诊断当中特别是针对于分辨哪一部分疾病具有其重要性。
在步骤S253中，解释模组146用以根据各个候选检查的多个资讯增益产生有关检查建议TS的第一解释性描述ED1。
下列表2展示了第一解释性描述ED1其内容的一个例子，第一解释性描述ED1是由医疗系统100以及控制方法200产生用以说明表1中的检查建议TS。
Figure BDA0002971078040000111
表2
如表2所示，第一解释性描述ED1有助于使用者理解为何医疗系统100以及控制方法200给出检查建议TS。于一些实施例中，第一解释性描述ED1当中疑似疾病的信心水平可以根据目前输入状态IN下所产生的预测疾病分布Odd所决定。在一些实施例中，第一解释性描述ED1当中各个候选检查所对应的目标分辨疾病是由各个候选检查对应各种疾病所算出的资讯增益所得知。
当使用者U1完成建议的检查之后，在步骤S254可以透过接口120收集上述被推荐的检查的检查结果。在步骤S255当中，处理器140可以基于收集到的检查结果更新输入状态IN当中的检查结果状态Str。控制方法200回到步骤S220，以神经网路142根据更新后的输入状态IN重新产生输出状态OUT。在这样的情况下，输出状态OUT当中的预测疾病分布Odd便可将这些被推荐的医疗检查的结果纳入考虑之中。
在完成症状询问阶段P1以及检查建议阶段P2之后，医疗系统100以及控制方法200可收集到足够的资讯(有关症状答复以及检查结果)来预测使用者的疾病。控制方法200将进入疾病预测阶段P3，在步骤S261当中，根据神经网路142基于输入状态IN产生的预测疾病分布Odd，由处理器140产生预测疾病清单DP(及/或与预测疾病清单DP相对应的医疗部门建议)。如图1所示，可以透过接口120将预测疾病清单DP显示给使用者U1查阅。
下列表3展示了预测疾病清单DP其内容的一个例子，在表3所示的例子中，预测疾病清单DP包含了三个不同的疾病作为举例说明，但本公开文件并不以此为限。
Figure BDA0002971078040000121
表3
在一些实施例中，预测疾病清单DP包含至少一个预测疾病。如表3的实施例所示，预测疾病清单DP包含了三个预测疾病，其中包含急性肠胃炎、诺罗病毒感染以及霍乱。这些预测疾病是根据所有预测疾病分布Odd当中具有状态值(或信心水平)前三高的预测疾病而定的。如表3的实施例，预测疾病清单DP包含了上述数个预测疾病作为举例说明，而医疗系统100以及控制方法200并不限定于提供特定数量的候选检查。举例来说，一些实施例中，医疗系统100以及控制方法200产生的预测疾病清单DP当中可以包含1至10个预测疾病。
在一些其他实施例中，在步骤S261，处理器140可以根据预测疾病清单DP产生医疗部门建议，而医疗系统100以及控制方法200可用医疗部门建议取代预测疾病清单DP提供给使用者U1。举例来说，医疗部门建议可以包含对应「急性肠胃炎」的「急诊部门」。
在一些人工智能系统中可以提供类似于上述表3的预测疾病清单DP给使用者U1但并未提供任何解释。对使用者U1来说难以了解、验证或者信任没有解释的预测疾病清单DP。有些时候，即便是医疗专业人员也难以解释或说明人工智能系统所产生的预测疾病清单DP。在后续段落的一些实施例中，医疗系统100以及控制方法200能够提供用以解释预测疾病清单DP的第二解释性描述ED2。
在一个例示性的举例中，对应表3所示的预测疾病清单DP其相应的输入状态IN(包含症状输入状态Ssym以及检查结果状态Str)当中的资讯可能包含了：
(特征一)有发烧症状；
(特征二)没有外伤；
(特征三)有咳嗽症状；
(特征四)没有流鼻水症状；
(特征五)有呕吐症状；
(特征六)有腹泻症状；
(特征七)没有全身肌肉酸痛症状；以及
(特征八)霍乱弧菌培养试验：阴性。
参照图2及图3，在步骤S262中，由关注模组144根据输入状态IN(包含症状输入状态Ssym以及检查结果状态Str)产生关注遮罩MSK。关注遮罩MSK用以过滤输入状态IN，透过遮蔽一部份的输入特征并允许另一部分的输入特征通过，其中通过关注遮罩MSK的该部分输入特征将被视为关注输入INm。随着输入状态IN当中具有不同的数值，关注模组144将随之产生不同的关注遮罩MSK。于一些实施例中，关注模组144可由处理器140所执行的软体指令所实现。
在步骤S263中，将关注遮罩MSK套用至输入状态IN以取得关注输入INm。举例来说，关注遮罩MSK可以允许特征一、特征六以及特征七通过，如此一来，关注输入INm则包含(特征一)有发烧症状；(特征六)有腹泻症状；以及(特征七)没有全身肌肉酸痛症状。
在步骤S264，解释模组146用以根据关注输入INm产生有关预测疾病清单DP的第二解释性描述ED2。
下列表4展示了第二解释性描述ED2其内容的一个例子，第二解释性描述ED2是由医疗系统100以及控制方法200产生用以说明表3中的预测疾病清单DP。
Figure BDA0002971078040000141
表4
如表4所示，第二解释性描述ED2有助于使用者U1理解医疗系统100以及控制方法200给出的预测疾病清单DP的根据。
于一些实施例中，关注模组144是根据一些训练资料在训练阶段中进行训练学习(有关如何根据输入状态IN产生相应的关注遮罩MSK)。关注模组144可以由数个全连阶层(fully-connected layer)加以实现，其用以基于输入状态IN(可以根据训练资料中的病历内容喂入训练演算法)产生关注遮罩，藉此选择性地阻挡一部份的输入特征，如此一来后续的神经网路142将只根据通过关注遮罩的这一部分特征进行运算。在训练完成后，神经网路142可以根据输入的内容决定哪一部分的特征是比较重要的，关注模组144产生相应的关注遮罩以保留输入状态中重要的特征并阻挡不重要的特征，如此一来整个模组仍然可以根据过滤后的输入状态产生正确的特征结果。透过采用关注遮罩MSK，当产生预测疾病清单DP时，医疗系统100可以根据关注模组144产生的关注遮罩，辨识出哪一些输入特征是目前的预测疾病清单DP的主要依据。
于一些实施例中，神经网路142是事先根据训练资料(例如多个已知病历)进行训练。处理器140利用神经网路142产生输出状态OUT并据以从多个候选行动的群组逐次选择一系列的序列行动。在一些实施例中，这一系列的序列行动包含了多个症状询问行动、一或多个医疗检查建议行动(用以提供额外的资讯以进行疾病诊断或疾病预测)以及一疾病预测行动。
当处理器140选择了适当的行动(例如，提出适当症状询问、给出适当的检查建议、做出正确的疾病预测行动，其符合了训练资料当中的已知病历纪录)，则会提供相对应的奖励给神经网路142。于一些实施例中，神经网路142被训练以最大化在序列行动所能得到的累积报酬。于一些实施例中，累积报酬包含了症状异常报酬、检查异常报酬、检查成本惩罚及/或正确疾病预测报酬与错误疾病预测惩罚等。换句话说，神经网路142被训练用来尽可能地提出适当的症状询问、建议适当的医疗检查以及做出正确的疾病预测。
基于上述实施例，本公开文件可以在自动诊断系统的检查建议阶段以及疾病预测阶段提出相应的决策解释。在检查建议阶段，神经网路其预测的检查结果分布可以用来计算每一个检查对于不同疾病的资讯增益，藉此可以解释被推荐的检查与此检查用来分辨的目标疾病之间的关联性。在疾病预测阶段，关注遮罩用以找出对于疾病预测来说具有重要性的关键症状以及关键检查结果。
虽然本公开的特定实施例已经揭露有关上述实施例，此些实施例不意欲限制本公开。各种替代及改良可藉由相关领域中的一般技术人员在本公开中执行而没有从本公开的原理及精神背离。因此，本公开的保护范围由所附申请专利范围确定。

Claims (20)

1.一种控制方法，其特征在于，该控制方法包含：
收集一症状输入状态以及一检查结果状态；
利用一神经网路根据该症状输入状态以及该检查结果状态产生一检查建议、一预测检查结果分布以及一预测疾病分布，其中该检查建议包含一候选检查；
根据该预测检查结果分布以及该预测疾病分布，估算该候选检查相对于多个疾病的多个资讯增益；以及
根据该候选检查的该些资讯增益产生有关该检查建议的一解释性描述。
2.如权利要求1所述的控制方法，其中该解释性描述是根据该些资讯增益得知并对应至由该候选检查所能分辨的一疾病清单。
3.如权利要求1所述的控制方法，其中该候选检查对应至一目标疾病的一资讯增益是根据一第一基尼指数(Giniindex)、在该候选检查取得一目标结果的一机率以及一第二基尼指数而估算的，其中该第一基尼指数是执行该候选检查前的一群组中有关该目标疾病的基尼指数，该第二基尼指数是执行该候选检查后且具有该目标结果的一群组中有关该目标疾病的基尼指数。
4.如权利要求3所述的控制方法，其中该第一基尼指数的取得是基于当该候选检查的结果为未知的状态下该神经网路所产生的该预测疾病分布。
5.如权利要求3所述的控制方法，其中在该候选检查取得该目标结果的该机率的取得是基于该预测检查结果分布。
6.如权利要求3所述的控制方法，其中该第二基尼指数的取得是基于当该候选检查的结果为该目标结果的状态下该神经网路所产生的该预测疾病分布。
7.如权利要求1所述的控制方法，其中该神经网路是参照多个已知病历进行训练以产生该检查建议、该预测检查结果分布以及该预测疾病分布。
8.如权利要求1所述的控制方法，更包含：
利用该神经网路产生一症状提问；
收集对应该症状提问的一症状答复；以及
根据该症状答复更新该症状输入状态。
9.如权利要求1所述的控制方法，其中该症状输入状态包含多个症状答复，该检查结果状态包含多个检查结果，该控制方法更包含：
根据该预测疾病分布产生一预测疾病清单；
套用一关注遮罩藉以过滤该些症状答复以及该些检查结果，以取得一关注输入；以及
根据该关注输入产生有关该预测疾病清单的另一解释性描述。
10.一种控制方法，其特征在于，该控制方法包含：
收集一症状输入状态以及一检查结果状态，该症状输入状态包含多个症状答复，该检查结果状态包含多个检查结果：
利用一神经网路根据该症状输入状态以及该检查结果状态产生一预测疾病分布；
根据该预测疾病分布产生一预测疾病清单；
套用一关注遮罩藉以过滤该些症状答复以及该些检查结果，以取得一关注输入；以及
根据该关注输入产生有关该预测疾病清单的一解释性描述。
11.如权利要求10所述的控制方法，其中该解释性描述相对应于该些症状答复当中通过该关注遮罩的至少一个，或者该些检查结果当中通过该关注遮罩的至少一个。
12.如权利要求10所述的控制方法，其中该关注遮罩是由一关注模组根据该症状输入状态以及该检查结果状态而产生。
13.如权利要求12所述的控制方法，其中该关注模组是参照多个已知病历进行训练以产生该关注遮罩。
14.一种医疗系统，其特征在于，该医疗系统包含：
一接口，用以接收一症状输入状态以及一检查结果状态，该症状输入状态包含多个症状答复，该检查结果状态包含多个检查结果；以及
一处理器，与该接口耦接；
其中在一检查建议阶段，该处理器利用一神经网路根据该症状输入状态以及该检查结果状态产生一检查建议、一预测检查结果分布以及一预测疾病分布，其中该检查建议包含一候选检查，该处理器根据该预测检查结果分布以及该预测疾病分布估算该候选检查相对于多个疾病的多个资讯增益，以及该处理器根据该候选检查的该些资讯增益产生有关该检查建议的一第一解释性描述。
15.如权利要求14所述的医疗系统，其中该第一解释性描述是根据该些资讯增益得知并对应至由该候选检查所能分辨的一疾病清单，该神经网路是参照多个已知病历进行训练以产生该检查建议、该预测检查结果分布以及该预测疾病分布。
16.如权利要求14所述的医疗系统，其中该处理器更用以：
利用该神经网路产生一症状提问；
收集对应该症状提问的一症状答复；以及
根据该症状答复更新该症状输入状态。
17.如权利要求14所述的医疗系统，其中在一疾病预测阶段，该处理器根据该预测疾病分布产生一预测疾病清单，该处理器套用一关注遮罩藉以过滤该些症状答复以及该些检查结果进而取得一关注输入，该处理器根据该关注输入产生有关该预测疾病清单的一第二解释性描述。
18.如权利要求17所述的医疗系统，其中该第二解释性描述相对应于该些症状答复当中通过该关注遮罩的至少一个，或者该些检查结果当中通过该关注遮罩的至少一个。
19.如权利要求17所述的医疗系统，更包含：
一关注模组，由该处理器所执行，该关注模组用以根据该症状输入状态以及该检查结果状态产生该关注遮罩。
20.如权利要求19所述的医疗系统，其中该关注模组是参照多个已知病历进行训练以产生该关注遮罩。
CN202110263519.9A 2020-03-11 2021-03-11 控制方法以及医疗系统 Active CN113393940B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202062987881P 2020-03-11 2020-03-11
US62/987,881 2020-03-11

Publications (2)

Publication Number Publication Date
CN113393940A true CN113393940A (zh) 2021-09-14
CN113393940B CN113393940B (zh) 2024-05-24

Family

ID=77617465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110263519.9A Active CN113393940B (zh) 2020-03-11 2021-03-11 控制方法以及医疗系统

Country Status (3)

Country Link
US (1) US20210287793A1 (zh)
CN (1) CN113393940B (zh)
TW (1) TWI823067B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100794516B1 (ko) * 2007-12-03 2008-01-14 한국정보통신대학교 산학협력단 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목선정 시스템 및 방법
US20100010835A1 (en) * 2008-07-09 2010-01-14 Alexander Laurence Johnson Pricing and distribution of medical diagnostics
US20110119212A1 (en) * 2008-02-20 2011-05-19 Hubert De Bruin Expert system for determining patient treatment response
WO2016094330A2 (en) * 2014-12-08 2016-06-16 20/20 Genesystems, Inc Methods and machine learning systems for predicting the liklihood or risk of having cancer
US20180046773A1 (en) * 2016-08-11 2018-02-15 Htc Corporation Medical system and method for providing medical prediction
CN108242266A (zh) * 2018-01-22 2018-07-03 北京颐圣智能科技有限公司 辅助诊断装置和方法
CN109147930A (zh) * 2017-06-28 2019-01-04 京东方科技集团股份有限公司 分诊对话方法、分诊对话设备及系统
CN109147931A (zh) * 2017-06-16 2019-01-04 宏达国际电子股份有限公司 电脑辅助医疗法、非暂态电脑可读取存储媒体及医疗系统
US20190019581A1 (en) * 2015-12-18 2019-01-17 Cognoa, Inc. Platform and system for digital personalized medicine
TW201936114A (zh) * 2018-02-27 2019-09-16 美商蝴蝶網路公司 用於遠距醫療的方法和設備
CN110473615A (zh) * 2019-08-16 2019-11-19 北京声智科技有限公司 一种信息处理方法及装置
US20190355471A1 (en) * 2018-05-18 2019-11-21 Htc Corporation Control method and reinforcement learning for medical system

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140122109A1 (en) * 2012-10-29 2014-05-01 Consuli, Inc. Clinical diagnosis objects interaction
US11701054B2 (en) * 2017-03-13 2023-07-18 Ohio State Innovation Foundation Systems and methods for measuring behavior changes of processes
US10973468B2 (en) * 2018-07-12 2021-04-13 The Chinese University Of Hong Kong Deep learning approach for long term, cuffless, and continuous arterial blood pressure estimation
CN113272912A (zh) * 2018-10-22 2021-08-17 杰克逊实验室 使用似然比范式的用于表型驱动临床基因组的方法和装置
US11810671B2 (en) * 2018-12-11 2023-11-07 K Health Inc. System and method for providing health information
JP7270058B2 (ja) * 2019-03-12 2023-05-09 エフ・ホフマン－ラ・ロシュ・アクチェンゲゼルシャフト 予測的組織パターン特定のためのマルチプルインスタンスラーナ

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100794516B1 (ko) * 2007-12-03 2008-01-14 한국정보통신대학교 산학협력단 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목선정 시스템 및 방법
US20110119212A1 (en) * 2008-02-20 2011-05-19 Hubert De Bruin Expert system for determining patient treatment response
US20100010835A1 (en) * 2008-07-09 2010-01-14 Alexander Laurence Johnson Pricing and distribution of medical diagnostics
WO2016094330A2 (en) * 2014-12-08 2016-06-16 20/20 Genesystems, Inc Methods and machine learning systems for predicting the liklihood or risk of having cancer
US20190019581A1 (en) * 2015-12-18 2019-01-17 Cognoa, Inc. Platform and system for digital personalized medicine
CN107729710A (zh) * 2016-08-11 2018-02-23 宏达国际电子股份有限公司 医学系统、医学方法及非暂态计算机可读取媒体
US20180046773A1 (en) * 2016-08-11 2018-02-15 Htc Corporation Medical system and method for providing medical prediction
CN109147931A (zh) * 2017-06-16 2019-01-04 宏达国际电子股份有限公司 电脑辅助医疗法、非暂态电脑可读取存储媒体及医疗系统
CN109147930A (zh) * 2017-06-28 2019-01-04 京东方科技集团股份有限公司 分诊对话方法、分诊对话设备及系统
US20190385739A1 (en) * 2017-06-28 2019-12-19 Boe Technology Group Co., Ltd. Triage dialogue method, device and system
CN108242266A (zh) * 2018-01-22 2018-07-03 北京颐圣智能科技有限公司 辅助诊断装置和方法
TW201936114A (zh) * 2018-02-27 2019-09-16 美商蝴蝶網路公司 用於遠距醫療的方法和設備
US20190355471A1 (en) * 2018-05-18 2019-11-21 Htc Corporation Control method and reinforcement learning for medical system
CN110504026A (zh) * 2018-05-18 2019-11-26 宏达国际电子股份有限公司 控制方法以及医学系统
CN110473615A (zh) * 2019-08-16 2019-11-19 北京声智科技有限公司 一种信息处理方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨光;马尔丽;: "决策树模型在2型糖尿病预测中的应用", 沈阳师范大学学报(自然科学版), no. 03, 3 June 2018 (2018-06-03) *

Also Published As

Publication number Publication date
TW202135093A (zh) 2021-09-16
TWI823067B (zh) 2023-11-21
CN113393940B (zh) 2024-05-24
US20210287793A1 (en) 2021-09-16

Similar Documents

Publication Publication Date Title
US10854335B2 (en) Computer aided medical method and medical system for medical prediction
KR100794516B1 (ko) 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목선정 시스템 및 방법
US11600387B2 (en) Control method and reinforcement learning for medical system
TWI778289B (zh) 控制方法以及醫學系統
US20180211008A1 (en) Assist Selection of Provider/Facility for Surgical Procedures Based on Frequency of Procedure, History of Complications, and Cost
CN113611433A (zh) 一种问诊辅助系统及方法
Ganitidis et al. Stratification of carotid atheromatous plaque using interpretable deep learning methods on B-mode ultrasound images
CN116452592B (zh) 脑血管病ai认知功能评测模型的构建方法、装置及系统
TWI823277B (zh) 醫療系統、控制方法以及非暫態電腦可讀取儲存媒體
CN113393940B (zh) 控制方法以及医疗系统
Alqaysi et al. Evaluation and benchmarking of hybrid machine learning models for autism spectrum disorder diagnosis using a 2-tuple linguistic neutrosophic fuzzy sets-based decision-making model
EP4437424A1 (en) A system and method for medical queries
CN112669973B (zh) 基于大数据深度学习的疾病协同递进预测方法和机器人
Mayatopani Expert System for Diagnosing Behavioral Disorders Using the Dempster-Shafer Theory Algorithm
CN114882993B (zh) 问题的解释要素生成方法、装置、介质及电子设备
Nahimana Detection of pneumonia by chest x-ray using machine learning techniques.
Bala et al. Enhancing Radiology Training with GPT-4: Pilot Analysis of Automated Feedback in Trainee Preliminary Reports
Cinaroglu et al. Quality of birth care and risk factors of length of stay after birth: A machine learning approach
JP2023025415A (ja) プログラム、記憶媒体、システム、学習済モデルおよび判定方法
Priya et al. Enhancing Meningitis Type Diagnosis through a Novel Hybrid Ensemble of Bagging and Gradient Boosting
Lisicic et al. Beyond Text: The Impact of Clinical Context on GPT-4’s 12-lead ECG Interpretation Accuracy
JP2024072818A (ja) マルチラベル分類方法及びマルチラベル分類システム
WO2023095071A1 (en) System and method for providing enhanced medical symptom checker
CN118588293A (zh) 基于超声影像处理的前列腺穿刺靶点定位方法及装置
CN118538386A (zh) 一种健康筛查智能分诊系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant