CN114008671A - 使用人工智能的自适应医学成像设备配置 - Google Patents
使用人工智能的自适应医学成像设备配置 Download PDFInfo
- Publication number
- CN114008671A CN114008671A CN202080045866.8A CN202080045866A CN114008671A CN 114008671 A CN114008671 A CN 114008671A CN 202080045866 A CN202080045866 A CN 202080045866A CN 114008671 A CN114008671 A CN 114008671A
- Authority
- CN
- China
- Prior art keywords
- machine
- genetic
- operating condition
- genetic construct
- sequence
- 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 description 4
- 230000003044 adaptive effect Effects 0.000 title description 3
- 238000002059 diagnostic imaging Methods 0.000 title description 2
- 230000002068 genetic effect Effects 0.000 claims abstract description 154
- 230000035772 mutation Effects 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000015654 memory Effects 0.000 claims abstract description 40
- 239000000203 mixture Substances 0.000 claims abstract description 31
- 230000006872 improvement Effects 0.000 claims abstract description 11
- 108090000623 proteins and genes Proteins 0.000 claims description 123
- 238000003860 storage Methods 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 4
- 239000003607 modifier Substances 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 15
- 230000006870 function Effects 0.000 description 28
- 238000003384 imaging method Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 20
- 238000013461 design Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 12
- 230000008439 repair process Effects 0.000 description 12
- 238000002591 computed tomography Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000013400 design of experiment Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 230000000116 mitigating effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 206010064571 Gene mutation Diseases 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000003339 best practice Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000001447 compensatory effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013264 cohort analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012633 nuclear imaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000069 prophylactic effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/58—Testing, adjusting or calibrating the diagnostic device
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality 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
- 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
- G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Genetics & Genomics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了提供可突变机器遗传结构的方法、装置、系统和制品。示例装置包括存储器,该存储器包括用于由处理器执行的指令和指定机器的组成、性能和运行状况的机器遗传结构;和至少一个处理器。该处理器用于执行该指令以至少:相对于该机器的操作条件评估该机器遗传结构以识别该机器遗传结构的差异和/或改进机会以满足该操作条件;确定该机器遗传结构从第一序列到第二序列的突变以解决该差异和/或改进机会以满足该操作条件;以及将该机器遗传结构从该第一序列设置为该第二序列的该突变以根据该机器遗传结构配置该机器以进行操作。
Description
技术领域
本公开整体涉及医疗系统,并且更具体地涉及使用人工智能的自适应医疗系统配置。
背景技术
大型机器(例如,卫生保健中的影像机、能源中的涡轮机和运输中的引擎)的制造商将此类大型机器部署给用户/客户以供现场使用。由于此类机器的复杂性,一些制造商通过技术人员团队提供修复和/或维修服务,以在定期维护期间和/或在机器发生故障和/或停机时为机器提供服务。当用户具有有关部署的机器的问题时,用户(例如,经由呼叫、电子邮件等)联系制造商描述问题(例如,提供症状),然后技术人员被派来维修机器。另外,制造商和/或客户可以设定的持续时间安排维护呼叫,以验证机器是否正常工作。
发明内容
某些示例提供装置,包括存储器,该存储器包括用于由至少一个处理器执行的指令和指定机器的组成、性能和运行状况的机器遗传结构;和至少一个处理器。该至少一个处理器用于执行该指令以至少:相对于该机器的操作条件评估该机器遗传结构以识别该机器遗传结构的差异或改进机会中的至少一者以满足该操作条件;确定机器遗传结构从第一序列到第二序列的突变以解决差异或改进机会中的至少一者以满足操作条件;以及将该机器遗传结构从该第一序列设置为该第二序列的该突变以根据该机器遗传结构配置该机器以进行操作。
某些示例提供包括指令的非暂态计算机可读存储介质。该指令在被执行时使机器至少:相对于该机器的操作条件评估机器遗传结构以识别该机器遗传结构的差异或改进机会中的至少一者以满足该操作条件,该机器遗传结构指定该机器的组成、性能和运行状况;确定机器遗传结构从第一序列到第二序列的突变以解决差异或改进机会中的至少一者以满足操作条件;以及将该机器遗传结构从该第一序列设置为该第二序列的该突变以根据该机器遗传结构配置该机器以进行操作。
某些示例提供一种方法,该方法包括通过使用至少一个处理器执行指令来相对于机器的操作条件评估机器遗传结构以识别该机器遗传结构的差异或改进机会中的至少一者以满足该操作条件,该机器遗传结构指定该机器的组成、性能和运行状况。该示例方法包括通过使用该至少一个处理器执行指令来确定该机器遗传结构从第一序列到第二序列的突变以解决差异或改进机会中的至少一者以满足该操作条件。该示例方法包括通过使用该至少一个处理器执行指令来将该机器遗传结构从该第一序列设置为该第二序列的突变以根据该机器遗传结构配置该机器以进行操作。
附图说明
图1示出了与一个或多个医疗机器通信的示例性医疗机器配置系统或装置。
图2示出了图1的示例的机器配置处理器的示例性实施方式。
图3示出了表示成像扫描仪的图像质量的示例机器遗传结构。
图4描绘了包括多个突变以修饰其对应机器的组成、性能或运行状况中的至少一者的机器遗传结构的示例图示。
图5示出了示例成像系统功能到基因的映射。
图6提供了用于驱动用于成像系统的机器基因序列的示例遗传算法的另一图示。
图7示出了展示与用于操作条件的遗传结构相关联的操作条件、机器遗传结构和适合性评估分数的示例表。
图8示出了提供来自对用于多个操作条件的特定基因进行评分的性能分数的示例表。
图9示出了调整机器的配置的示例突变或干涉。
图10描绘了在设计时间、在运行时间以及在停机时间期间的遗传结构的变化。
图11示出了机器的遗传结构由于故障而停机的示例。
图12至图13是表示可以被执行以使用图1至图2的示例系统来评估和修饰机器遗传结构的机器可读指令的流程图。
图14是被构造为执行图12至图13的指令以实现图1至图10的系统的示例处理平台的框图。
图15是可以形成包括根据图1的示例系统的机器遗传结构的医疗机器的一部分的示例处理平台的框图。
附图未按比例绘制。通常,在所有的附图以及附带的书面描述中将使用相同的附图标记来指代相同或类似的部件。
在下文结合附图阐述的以下具体实施方式中,本文公开的系统和方法的特征和技术方面将变得显而易见,附图中相同的附图标记表示相同或功能相似的元件。
具体实施方式
在以下详细描述中,参考形成其一部分的附图,并且其中通过图示的方式示出了可实践的具体示例。足够详细地描述了这些示例以使得本领域技术人员能够实践本主题,并且应当理解,可以利用其他示例,并且可以在不脱离本公开主题的范围的情况下进行逻辑、机械、电气和其他改变。因此提供以下详细描述的目的是为了描述示例性实施方式,而非被看作对本公开所述的主题的范围进行限制。来自以下描述的不同方面的某些特征可组合形成下文所讨论的主题的新方面。
当介绍本公开的各种实施方案的元件时,词语“一个”、“一种”、“该”和“所述”旨在意指存在这些元件中的一个或多个元件。术语“包括”、“包含”和“具有”旨在是包含性的,并且意指除了列出的元件之外还可存在附加元件。
如本文所用,术语“系统”、“单元”、“模块”、“引擎”等可以包括操作以执行一个或多个功能的硬件和/或软件系统。例如,模块、单元或系统可包括计算机处理器、控制器和/或基于存储在有形和非暂态计算机可读存储介质(诸如计算机存储器)上的指令来执行操作的其他基于逻辑的设备。另选地,模块、单元、引擎或系统可包括基于设备的硬连线逻辑来执行操作的硬连线设备。附图中示出的各种模块、单元、引擎和/或系统可表示基于软件或硬连线指令操作的硬件、指示硬件执行操作的软件、或其组合。
当识别可单独提及的多个元件或部件时,本文使用描述符“第一”、“第二”、“第三”等。除非基于其使用的上下文另外指明或理解,否则此类描述符不旨在影响列表中优先级、物理顺序或布置的任何含义,或时间排序,但仅用作单独提及多个元件或部件的标签,以便于理解所公开的示例。在一些示例中,描述符“第一”能够被用来指代具体实施方式中的元素,而同一元素可以在具有不同描述符的权利要求中被称为“第二”或“第三”。在此类实例中,应当理解,此类描述符仅用于简便参考多个元件或部件。
I.概述
机器群组诸如但不限于成像系统、涡轮机和引擎被越来越多地部署在大的地理区域上。在医学领域中,包括诸如磁共振成像(MRI)、计算机断层扫描(CT)、核成像和超声之类的模态的成像系统正越来越多地部署在医院、诊所和医学研究机构中以对受试者进行医学成像。在机车或飞机中部署的引擎需要在不同的环境条件下运行。在发电系统中,风力涡轮机或水力涡轮机被安装以从自然资源获取能量。对于拥有属于机器群组中的机器的厂家,希望利用最小的停机时间来最大化机器的利用率。然而,系统故障和故障中断会中断涉及机器的工作流过程并降低其利用率。
大多数制造商力求提供有效的周期性维护例程和响应或呼叫修复服务。尽管预防性维护程序具有完善的能力,但机器有时可产生需要不定时诊断和修复的问题。通常,这种问题由管理安装机器的厂家的相关权威机构识别。所识别的问题作为服务请求以一种或多种格式提交,诸如但不限于通过网页的文本描述和通过服务热线的语音呼叫。如本文所用,术语“服务请求”是指对与机器(诸如成像系统)相关联的问题(problem)、故障或问题(issue)的描述。问题(problem)、故障或问题(issue)可例如由技术人员或用户在例行维护检查期间或机器的使用期间观察到。服务请求可以是由用户经由用户界面提供的文本或音频消息的描述,并且可以自动存储在数据库中。
传统地,针对机器群组中的机器诸如成像系统的服务可能需要部件更换或由现场工程师到现场进行现场检查。现场工程师进行的此类现场检查对于客户和通常安排此类检查的系统制造商或修理厂双方而言可能是昂贵且耗时的。远程诊断和修复通常用于加速系统修复并消除或最小化此类现场检查的需要。然而,现有远程诊断和修复仍然需要中断成像系统的使用并与修理厂联系。另外,在使用远程诊断识别故障时,可能需要手动干预来提交服务请求,启动服务请求处理,并且识别现场检查的需求。传统地,专家需要手动扫描与服务请求有关的大量数据,以基于服务请求作出和/或推荐关于服务选项的决策。手动处理服务请求的效率低下,并且会对响应时间产生不利影响。期望在处理服务请求时减少手动开销而不损害准确度和响应时间。
本文所公开的示例提供了通过将机器配置定义为基因组并修饰该基因组(例如,参考本文为“MuGene”)以促进机器的配置、修改和操作来表征和增强机器(例如,成像系统等)的系统和方法。MuGene表示机器的配置、状态/运行状况等,其可以被读取、修改、处理、分析和/或以其它方式用于机器配置、操作、群组分析等。
在某些示例中,机器的MuGene是可执行构造,其中机器的性能、其运行状况、其寿命、其耐久性等可以使用经由基于云的平台提供的机器学习和/或自学习算法来增强,以从同族的更大资产群体中学习,同时通过对特定资产的情境操作条件进行干涉来将该特定资产的性能置于情境中。当在诸如MRI/CT系统的医疗设备制造领域的上下文中应用时,示例使用案例包括通过特定代码片段的干涉,该干涉像人类遗传构成一样可以驱动输出的质量,例如在亚最佳条件下改进的图像质量等。其它示例使用案例包括驱动每个事件的增加数量的检查、零个无计划的停机时间等,从而提高吞吐量,并且最终提高资产的总经营成本。例如,可以将相同的概念应用于各种行业组合,其中资产的性能对于驱动投资权利至关重要。
在某些示例中,设备互通和/或互连性(诸如物联网(IoT))使得能够增强与成像系统和/或其他设备的以及成像系统和/或其他设备之间的交互,包括人类计算机交互、人机交互、机器交互、机器云交互等。某些示例增强了与机器驱动智能的此类交互,以不仅使用数据增强和自动化人类的决策技能,而且使机器能够适应其操作环境的情境现实。
某些示例定义了机器基因或MuGene作为纳米、微观和宏观水平参数、设置、描述符等的集合,诸如材料组成(分子水平)、制造过程、机器装配、配置、操作条件、硬件和软件等。由于由机器基因的核心组成、制造过程和/或其它方面产生的复杂和固有差异,类似机器家族中的每个单独的机器是唯一的。在给定机器内,机器基因的概念可以被扩展到机器的每个单独部件和子部件,包括例如无法进一步解集成/分解的最终子部件。
形成作为单独实体的机器的基因集合还使得该机器在如何执行、如何对使用和操作条件做出响应、其从问题中愈合和恢复的能力等方面是唯一的。这种将一个机器与同一产品系列内的每个其它机器区分的唯一性被表示为机器基因。可以最大限度地利用机器基因来确定什么使一个机器比针对给定操作标准的产品系列中的其它机器更好。在某些示例中,可以突变和/或增强机器基因的一个或多个方面以改进机器性能。例如,随着机器和材料设计发展,突变方面可以响应于改变的情境而由机器本身驱动,使得给定机器始终处于其峰值性能。
某些示例使得机器或系统能够用一个系统的能力补偿另一个系统的不足以解决操作使用案例,甚至在亚最佳水平下。例如,基于机器基因处理和配置,可以在低功率条件下从计算机断层扫描(CT)扫描仪获得低分辨率扫描图像,和/或可以使用更好的图像重建算法来补偿在扫描期间的不佳图像数据捕获。
某些示例通过创建、操纵和管理机器基因来驱动改进的成像机器配置、操作、性能等。在某些示例中,识别机器基因的组成,并且相对于机器基因的生态系统(例如,机器的群组及其相关联的机器基因等)分析机器基因。模型被构建为相对于一个或多个生态系统、操作条件等来捕获机器遗传特性。实验设计(DOE)和模拟用于识别针对给定生态系统、操作条件等最佳地发挥作用的机器遗传特性的组合。定义了框架来采集和分析数据以关于生态系统、操作条件等来定义和细化机器遗传特性。机器遗传特性可以被突变、增强和/或以其它方式修饰以配置机器部件(例如,硬件、软件、固件等)以响应生态系统、操作条件等。在某些示例中,作为机器基因序列突变的一部分,一个机器部件可以补偿另一个机器部件。
更具体地,可以通过识别影响机器及其部件的特定方面的一个或多个纳米、微观和/或宏观因素来识别机器遗传组成。例如,机器形式、功能、能力和/或其它特性可以由一个或多个因素指定。例如,该因素提供了影响机器的形式、功能、能力、其它特性等的硬件、软件、过程、制造和材料的组合。在制造中,来自同一组装线的两个机器可能由于由各个材料如何构成、铸造、处理、连接和装配等诱导的变化而不同。通过分析诱导机器之间的变化的因素以及用于DOE的其它数据点等,影响机器的能力(诸如扫描、检测、移动、振动、冷却等)的因素的组合形成机器基因(MuGene)的核心。在一段时间内对机器群组的连续分析有助于改进每个机器基因的组成。
然后可以针对其生态系统分析机器基因。例如,可以将机器的遗传结构与机器基因群组进行比较。例如,可以相对于机器群组执行高级统计分析,以识别哪个因素组合将使给定机器相对于生态系统和机器周围的操作条件拥有最优的机器配置。例如,可以使用各种统计技术分析无约束和随机化的样品集,以识别将给定结果识别为不良、良好或极佳的机器基因的组合和组成。
在某些示例中,可以构建模型以捕获(例如,连续地、周期性地、按需求等)用于相对于一个或多个生态系统、操作条件等进行比较的遗传特性。例如,可以识别多变量遗传特性的相关性和因果关系以使特定基因优于用于给定生态系统和操作条件的其它配置。
例如,使用DOE和模拟,可以确定遗传特性的组合以最佳地针对给定生态系统和/或操作条件起作用。例如,组合可以不同于给定机器或部件的当前遗传组成。例如,确定遗传特性针对生态系统和/或操作条件的不同模拟的适当组合的能力有助于驱动机器(例如,成像机器、诊断设备等)的硬件和/或软件方面的设计公差和灵活性。例如,可以定义框架以收集和分析来自机器的数据以定义和细化机器相对于一个或多个生态系统和/或操作条件的遗传特性。
在某些示例中,可以突变和/或增强与机器或其部件(例如,软件、固件和/或硬件)相关的遗传特性或特性组合。例如,此类突变/增强最初可以是例如反应性干涉,其可以随着例如适用的遗传特性针对给定生态系统和/或环境条件被锁定和固化而被递增地扩展到主动、预防性和/或预测性干涉。
作为连续学习和分析的一部分,可以集成工程和技术设计另选方案以使用其它部件(已经被包括在机器中作为突变的一部分被构建和/或添加以补偿给定部件的故障)补偿一个部件的能力。理解内置到机器和/或可以被添加到机器中的设计缓解的能力(例如,通过软件更新、新硬件附件等)增加了部件在机器的另一部件进入故障模式时过度补偿的可能性。然而,例如,相同的能力还可以帮助机器进入故障安全模式而不是整个机器和/或一个或多个机器部件的重大故障模式。
突变基因是通过改变此类基因表现的条件以纠正那些异常在那些基因中的影响来补偿表现欠佳的特征基因或亚最佳表现基因的基因。性能增强MuGene结合了与给定系统及其功能相关联的遗传组成的不同链,以在给定一个或多个操作条件、使用变化等的情况下改进性能。
特定基因可以通过数据分析、机器/深度学习等在每个机器产品家族中被识别,并且可以与产品能力相关联。产品能力可以被形成为这些集合在一起的基因的集合以执行特定操作。例如,计算机断层扫描(CT)扫描仪扫描患者的能力可以连接到各种遗传基础,诸如辐射剂量、高电压、检测器保真度、重建算法、门架稳定性、噪声避免等。某些示例首先确定这些基因如何单独地调整到改变的操作情境,并且然后共同补偿以利用机器学习和集体记忆得出预期结果。
某些示例识别、表征和/或分类机器和/或机器的单独部件作为与形成设备的机器基因组的基因相关联的特征。可以使用基因来确定在不同条件下驱动机器性能、机器行为等的特性,这例如驱动改进的诊断、故障排除和处方式缓解/修复。另外,机器基因可以突变以驱动增量变化和采用以自动帮助机器补偿特定故障模式/条件,等等。
机器故障诊断和调整的传统方法通常浪费材料并且通过部分替换和设计改变而导致复杂的缓解。进一步,在大多数情况下,此类传统方法不是对问题的有效解决方案。另外,传统方法采取机器状态是工作或不工作的二元视图。缺乏自补偿设计或缓解通常导致解决直接服务干涉的问题和更换问题部件的仅有选项。
传统方法中经常遇到的另一个挑战是将故障特征图和部件能力与更高抽象的数据相关联,这没有考虑机器如何被实际制造、什么材料被使用、机器如何被装配等。相比之下,某些示例确定了纳米、微观和宏观特性来定义机器基因并且提供非常精确和节省成本的干涉来调整机器,并且还实现了机器及其部件的更好设计。
因此,某些示例提供机器(例如,成像设备、医疗设备、健康信息系统等)和/或计算机、处理器和/或配置机器的其他设备以基于目标客户安装基础推荐特定的机器基因和增强产品。例如,机器基因可以与资产性能管理(APM)集成以提供非常处方式的资产性能产品。例如,高级系统可以被设计和绑定到特定基因前进算法。在某些示例中,例如,可以使用机器基因(使用深度学习、其他机器学习和/或其他机器认知处理)在成像扫描仪和/或其他机器中提供自我学习、自我修复和自我改进。
使用机器基因,机器及其部件可以利用其自身的特性和固有能力(全部在基因水平连接)单独地和组合地被建模和评估。例如,机器基因使得能够精确地描述和控制机器的状态和性能。“MuGene”提供了对特定机器的物理和复杂设计的深度建模和理解,并与操作和使用情境相关联。通过将MuGene的知识与深度学习和/或其它机器智能算法集成,可以对机器配置和操作进行建模、预测、配置、改进、修复等。
图1示出了与一个或多个机器110、112(例如,成像扫描仪、医疗设备、医疗信息系统等)通信的示例医疗机器配置系统或装置100。每个机器110-112包括定义其相应机器110-112的配置的机器基因组或MuGene 120-122。该一个或多个机器基因110-112针对相应机器110、112定义了结构、配置、操作、状态等。示例机器配置装置100包括存储器102、机器配置处理器104和通信接口106。示例机器配置装置100经由通信接口106(例如,无线和/或有线接口等)与机器110-112通信以提取关于机器的遗传密码120-122的信息、调整和/或以其它方式配置密码120-122等。
图2示出了图1的示例的机器配置处理器104的示例实施方式。如图2的示例所示,机器配置处理器104可以被实现为包括MuGene分析器210、MuGene修饰器220和MuGene通信器230。
示例MuGene分析器210经由通信接口106处理从机器110-112接收的MuGene 120-122信息以确定机器110-112的配置、状态、错误、能力等。MuGene分析器210可以确定机器110-112是否能够处理特定任务、是否针对给定工作流程/任务/操作被正确配置、是否在没有故障的情况下操作等。
在某些示例中,MuGene 120-122是可执行功能,诸如软件代码,该软件代码基于机器110-112的群体和这类机器110-112群组相对于单独的机器110-112的视图将软件置于情境中以适应操作条件。MuGene 120-122是增强机器110-112的遗传构成或配置的自学习算法。例如,MuGene 120-122采取来自云到边缘的群体视图以将软件和机器操作设置置于情境中以适应机器的操作条件和特定机器110-112正在操作的目标。
因此,例如,MuGene 120-122采取全局群组和环境视图以聚焦特定机器110-112的特定硬件、固件和软件部件以及机器110-112的硬件、固件和软件元件如何与机器110-112的内部和外部条件及其环境交互。MuGene 120-122可以例如针对结果来定义,Y,如下:
结果(Y)=功能(硬件、软件、操作条件(参数、环境、在上面操作、其它) (公式1),
例如,考虑特定资产、多个资产的基于云的环境以及单独资产与云之间的边缘设备/连接性。
MuGene分析器210可以通过分析MuGene 120-122来确定用于机器110-112的组成遗传学(例如,制造、组成/构成、方差对公差、软件等)、用于机器110-112的性能遗传学(例如,MuGene 120-122在特定操作条件下的性能等)以及用于机器110-112的运行状况遗传学(例如,用于对不同输出的运行状况以及机器运行状况的边界、阈值或限制等分类的组成和性能)。全部或部分MuGene 120-122的突变(诸如通过机器110-112和/或MuGene修饰器220)基于来自另一机器110-112的最佳实践和/或设置以及与工作流或任务、用户说明、医疗保健协议等相关联的观测/地面实况来调整对应机器110-112的组成、性能和/或运行状况。MuGene通信器230可以与机器110-112通信以例如提取其MuGene 120-122和/或在分析/处理之后用更新/替换的MuGene 120-122更新/替换机器的MuGene 120-122。
图3示出了表示MRI扫描仪的图像质量的示例MuGene Y 300。示例基因组Y 300包括与组成302有关的片段、与性能304有关的片段以及与运行状况306有关的片段。在图3的示例中,组成基因序列302包括磁体308、梯度线圈310、射频(RF)发射器/接收器312和计算机314。如图3的示例所示,性能基因序列304包括对比度鉴别316和信噪比318。在图3的示例中,运行状况基因序列306包括重复时间320和反转时间322。例如,重复时间320与对比度鉴别316和信噪比318相关联。这些元件可以被进一步划分,如图3的示例所示。
例如,磁体基因组308可以包括磁体308的超导特性324的表征/描述。例如,梯度线圈基因组310可以包括线圈壳326的描述。例如,RF发射器/接收器基因组312可以包括包括的振荡器328的表征。例如,计算机基因组314可以包含与计算机314相关联的通用处理器(GPU)330的描述。
如图3的示例中所示,对比度鉴别基因组316可以包括相关联脉冲332的表征/描述,如图3的示例中所示,该相关联脉冲也连接到RF发射器/接收器312。信噪比基因组318进一步由氢气密度334和质子密度336指定。
如图3的示例所示,重复时间基因组320可以包括对比度翻转角338和对比度介质340的描述。例如,反转时间基因组322可以包括例如脉冲速率342。
在某些示例中,基于等级的遗传算法可以用于将用于突变的单独的机器基因组120-122组合成改进的机器组成、性能和运行状况。例如,基于等级的遗传算法可以如下定义:
φ(i)=κ·R(i),i=1...N (公式2),
其中i是指单独的机器110-112和/或其MuGene 120-122,κ是表示选择性压力的常数,并且其值固定在1与2之间。更大的选择性压力值使最适合的单独机器/机器特性具有更多的重组概率。参数R(i)表示个体i的等级。
使用公式2的基于等级的遗传评估,可以协调从云到边缘设备到医疗设备110-112(例如,成像系统等)的交叉,使得可以针对每个资产110-112部署遗传结构的最佳组合。突变可以从云到边缘到设备进行协调,以便一个基因可以补偿另一个基因的次优性能。例如,通过MuGene分析器210集中执行和/或通过每个机器110-112本地执行的公式2的算法可以随着算法通过云、边缘和资产110-112之间的协调自学习来提供连续的改进过程。
图4描绘了包括多个突变以修饰其对应机器110-112的组成、性能或运行状况中的至少一者的机器MuGene 400的示例图示。基因A-K 401-411表示机器110-112的“标准”、正常或预设配置。如图4的示例所示,可以存在许多突变以调整机器110-112的配置/操作以适应特定任务、工作流、操作条件、错误/故障等。例如,一个或多个基因401-411可以具有第一突变412-420。例如,一个或多个基因402-411可以具有第二突变421-427、第三突变428-430、第四突变431-432、第五突变433-434和/或第六突变435-437。在图4的示例中,例如,MuGene 400可以根据诸如ABEABFACGACHACIADIADHADJADK的一串或一系列元素形成,形成相关联机器110-112的图片或表示、其组成、性能/操作和运行状况/状态。
如图5的示例所示,成像系统功能可以被表示为基因映射。同样地,例如,对功能的调整可以采取基因突变的形式(例如,以调整时间、强度、焦点、布置等)。机器110-112根据基因序列(MuGene 120-122)执行以根据其编程代码进行操作。图5示出了用于MRI机器的图像生成功能510、电源管理功能520和磁体冷却功能530的示例功能到基因的映射。如图5的示例中所示,例如,每个功能510-530包括可由机器110-112动态地选择/配置和/或由机器配置处理器104集中选择/配置的一个或多个置换/突变/变体。因此,机器110-112和/或机器配置处理器104可以通过选择用于系统配置的基因突变来使机器适应特定任务、操作条件和/或其它情形。
图6提供了用于驱动用于MRI系统中的图像质量的机器基因序列Y的示例遗传算法的另一图示。图6在图3的示例上扩展以采取基因序列300和设计条件610以根据第一操作条件评估基因序列配置/突变。示例序列620表示参与机器110-112中排名最好的执行者的基因排名,这些机器在基于云的比较(例如,通过机器配置处理器104等)中组织用于第一操作条件。示例序列630表示参与机器110-112中亚最佳执行者的基因排名,这些机器在基于云的比较(例如,通过机器配置处理器104等)中组织用于第一操作条件。示例序列640表示参与机器110-112中排名最好的干涉的基因排名,这些机器在基于云的比较(例如,通过机器配置处理器104等)中组织。
除了将功能映射到基因之外,诸如在图5的示例中,操作条件也可以被映射到基因,并且可以确定关于映射的操作条件的基因性能。图7示出了展示与用于操作条件710的遗传结构720相关联的操作条件710、机器遗传结构720和适合性评估分数730的示例表700。因此,对于给定操作条件,可以对特定基因进行评分(例如,在亲本和部件水平等)。图8示出了提供来自对用于多个操作条件830的特定基因820进行评分的性能分数810的示例表800。例如,基于评分810,可以针对多个操作条件830评估特定机器遗传结构820的性能以导出每个操作条件830的一流遗传结构基线。在某些示例中,在基因性能分数820的确定中考虑了另外的因素,诸如成本、复杂性、时间、客户期望、对力效分析的益处等。另选地或除此之外,例如,当在外部对一个或多个其它机器110-112进行基因突变推荐时,可以评估此类附加因素。
图9示出了调整机器110-112的配置的示例突变或干涉900。如图9的示例900中所示,指定操作条件910以及当前使用的低执行遗传结构920。例如,适合性评估分数930可以与例如遗传结构920相关联。例如,可以提供遗传干涉940以突变和/或以其它方式替换低执行遗传结构920,并且更新的适合性评估分数950可以与干涉940相关联。
通过建模每个资产的遗传结构以及特定功能、能力和操作条件针对给定亲本或其子部件的映射,可以通过数据科学和分析针对实际结果(连续和/或周期性地等)监测、测量和分析预期结果。同样地,可以分析特定资产以确定其如何针对其当前操作条件执行,可以确定并推荐最佳遗传结构以基于群组分析解决当前操作条件。例如,此知识可以从云到边缘移动到实际机器110-112及其子部件,使得干涉针对特定的客户期望可以是反应性的、预测的、主动的、处方式的和个性化的(例如,性能、总经营成本、总服务成本、患者安全性等)。
例如,基因补偿可以在设计时间、运行时间和/或在停机时间期间作为服务干涉的一部分发生。随着补偿干涉的捕获和实施,新的遗传结构可以在整个亲本水平以及子部件水平上进行适合性评分,同时也可以对新的补偿系统如何与其操作条件相互作用进行评分。例如,先进的数据科学和分析通过将数据分析引入工程设计来产生新的补偿机会。
例如,图10描绘了在设计时间1010、在运行时间1020以及在停机时间1030期间的遗传结构的变化。在图10的示例中,在设计时间1010处,功能A由一系列基因序列1012-1016定义。第一基因序列1012是机器110-112执行功能A的“理想”或期望或最佳实践配置。当基因B不工作时,第二基因序列1014是待使用的另选配置。当基因A不工作时,第三基因序列1016是待使用的另选配置。
在图10的示例中,在运行时间1020处,功能A由另一系列基因序列1022、1024定义。第一基因序列1022对于标称条件是理想的。第二基因序列1024是待用于在更高性能下由机器110-112执行更多的功能A和/或执行功能A的另选配置。例如,机器110-112被配置为在运行时间1020处使用第二基因序列1024而不是第一基因序列1022支持超过设计的负载、采取更多扫描等。
在图10的示例中,在停机时间1030中,功能A被由基因A和基因B形成的基因序列1032定义。然而,在图10的示例中,当跨过给定阈值时,基因B发生故障。如果MuGene突变中不存在已知的补偿,则执行干涉以确定新的设计,从而导致重新建模以形成新的基因结构。然后,例如,可以相对于新的基因结构执行评分和适合性测量。
图11示出了机器110-112的遗传结构由于软件和/或硬件故障而停机的示例1100。例如,当机器110-112资产似乎完整时,存在特定能力的故障。为了用其它工作部件和完整遗传结构补偿该能力的故障,机器110-112和/或MuGene配置处理器104可以维护可能的补偿配置的表格或其它存储器,如图11的示例1100中所示。在图11的示例中,图像质量能力1110由具有基因1120到能力/任务1110的相关联的适合度分数1130的多个机器基因1120提供。然而,在图11的示例中,当故障发生在支持MR系统的图像质量的一个或多个部件中时,可能导致较差的图像质量。可以将被设计成解决噪声、牧师误差、插补损失的像素等的新的重建算法1140应用于补偿图像质量中的故障。在补偿之后,适合性分数1150反映了重建算法1140在较低质量图像上的使用,以及与补偿相关联的整体适合性评分因素1160。
因此,MuGene分析器210可以促进对一个或多个机器110-112的操作条件、机器基因、状态和可用替代物的分析。MuGene修饰器220可以利用另一可用基因序列促进机器的MuGene 120-122的突变和/或替换。MuGene通信器230可以例如接收MuGene 120-122和/或其它机器110-112信息,并且可以向机器110-112提供MuGene 120-122更新和/或其它配置信息。
图12示出了用于根据一个或多个操作条件动态地配置机器110-112以用于操作的示例方法1200的流程图。例如,示例方法1200可以由存储在存储器中并且可由至少一个处理器执行以实施方法1200的可执行程序指令形成。在框1210,针对机器110-112确定一个或多个操作条件。例如,一个或多个纳米、微观和/或宏观因素影响机器110-112及其部件的特定方面。例如,机器形式、功能、能力和/或其它特性可以由一个或多个因素指定。例如,该因素提供了影响机器的形式、功能、能力、其它特性等的硬件、软件、过程、制造和材料的组合。在制造中,来自同一组装线的两个机器110-112可能由于由各个材料如何构成、铸造、处理、连接和装配等诱导的变化而不同。通过分析诱导机器110-112之间的变化的因素以及用于DOE的其它数据点等,影响机器110-112的能力(诸如扫描、检测、移动、振动、冷却等)的因素的组合形成机器基因(MuGene)120-122的核心。例如,在一段时间内对机器110-112群组的连续分析有助于改进每个机器基因120-122的组成。
在框1220,相对于操作条件评估机器110-112的基因序列120-122。例如,可以将机器的遗传结构120-122与机器基因120-122群组进行比较。例如,可以相对于机器110-112群组执行高级统计分析,以识别哪个因素组合将使给定机器110-112相对于生态系统和机器110-112周围的操作条件拥有最优的机器配置。例如,可以使用各种统计技术分析无约束和随机化的样品集,以识别将给定结果识别为不良、良好或极佳的机器基因120-122的组合和组成。
在某些示例中,可以构建模型以捕获(例如,连续地、周期性地、按需求等)用于相对于一个或多个生态系统、操作条件等进行比较的遗传特性。例如,可以识别多变量遗传特性的相关性和因果关系以使特定基因优于用于给定生态系统和操作条件的其它配置。
例如,使用DOE和模拟,可以确定遗传特性的组合以最佳地针对给定生态系统和/或操作条件起作用。例如,组合可以不同于给定机器或部件110-112的当前遗传组成120-122。例如,确定遗传特性120-122针对生态系统和/或操作条件的不同模拟的适当组合的能力有助于驱动机器110-112(例如,成像机器、诊断设备等)的硬件和/或软件方面的设计公差和灵活性。例如,可以定义框架以收集和分析来自机器110-112的数据以定义和细化机器110-112相对于一个或多个生态系统和/或操作条件的遗传特性120-122。
在框1230,处理评估以确定是否相对于MuGene 120-122和用于机器110-112的操作条件存在/已经发生错误、故障和/或其它差异。例如,从基因序列120-122相对于操作条件的评估中识别机器的遗传配置120-122与机器110-112的操作条件和/或手头的其他任务之间的差异或断开。例如,与机器的生态系统、环境、任务等相关联的机器操作条件相比,机器110-112可能缺失能力,部件可能发生故障,配置可能是不正确的等。
在框1240,确定突变和/或替换基因以纠正/补偿当前基因序列120-122与机器110-112的操作条件、任务等之间的错误、故障和/或其它差异。例如,可以突变和/或增强与机器110-112或其部件(例如,软件、固件和/或硬件)有关的遗传特性或特征120-122的组合。例如,此类突变/增强最初可以是例如反应性干涉(例如,到错误、故障、其它差异等),其可以随着例如适用的遗传特性120-122针对给定生态系统和/或环境条件被锁定和固化而被递增地扩展到主动、预防性和/或预测性干涉。
作为连续学习和分析的一部分,可以集成工程和技术设计另选方案以使用其它部件(已经被包括在机器中作为突变的一部分被构建和/或添加以补偿给定部件的故障)补偿一个部件的能力。理解内置到机器110-112和/或可以被添加到机器110-112中的设计缓解的能力(例如,通过软件更新、新硬件附件等)增加了部件在机器110-112的另一部件进入故障模式时过度补偿的可能性。然而,例如,相同的能力还可以帮助机器110-112进入故障安全模式而不是整个机器110-112和/或一个或多个机器部件的重大故障模式。
突变基因是通过改变此类基因表现的条件以纠正那些异常在那些基因中的影响来补偿表现欠佳的特征基因或亚最佳表现基因的基因。性能增强机器基因(MuGene)序列120-122结合了与机器110-112及其功能相关联的遗传组成的不同链,以在给定一个或多个操作条件、使用变化、任务等的情况下改进性能。
特定基因120-122可以通过数据分析、机器/深度学习等在每个机器110-112产品家族中被识别,并且可以与产品能力相关联。产品能力可以被形成为这些集合在一起的基因120-122的集合以执行特定操作。例如,计算机断层扫描(CT)扫描仪扫描患者的能力可以连接到各种遗传基础,诸如辐射剂量、高电压、检测器保真度、重建算法、门架稳定性、噪声避免等。某些示例首先确定这些基因如何单独地调整到改变的操作情境,并且然后共同补偿以利用机器学习和集体记忆得出预期结果。可以基于该分析确定对机器110-112的基因序列120-122的突变和/或其它调整。
在框1250,处理框1220的评估以确定MuGene 120-122和用于机器110-112的操作条件是否可以改进。例如,机器110-112的遗传配置120-122可以足以执行任务和/或在机器的操作条件下以其它方式操作,但是可以存在更好的机器基因序列120-122以改进机器运行状况、性能等。如在框1240,性能增强机器基因和/或基因序列120-122结合了与机器110-112及其功能相关联的基因组成的不同链以在给定一个或多个操作条件、使用情况变化、任务等的情况下改进性能。例如,可以替换一个或多个基因和/或可以突变整个基因序列120-122以提供改进的机器基因序列120-122以配置机器110-112用于操作。
当可以进行改进时,在框1260,确定突变和/或替换基因120-122以改进机器110-112的配置、性能和/或机器运行状况。例如,基因突变/增强可以随着例如适用的遗传特性120-122针对给定生态系统和/或环境条件被锁定和固化而被递增地扩展到主动、预防性和/或预测性干涉。同样地,可以突变和/或增强与机器或其部件(例如,软件、固件和/或硬件)110-112有关的遗传特性或特征120-122的组合以改进机器110-112配置、性能、运行状况等。
在框1270,根据来自框1240和/或1260的变化(如果有的话)来设置机器基因序列120-122。例如,MuGene 120-122可以在一个或多个基因中被调整、用另一个基因序列替换等,以重新配置机器110-112和/或机器操作。然后,机器110-112根据更新的MuGene 120-122操作。
在某些示例中,机器110-112和相关联的MuGene 120-122(例如,成像设备、成像工作站、健康信息系统等)(单独采用和/或作为机器群组等)可以被建模为数字孪生和/或根据人工神经网络和/或其它机器/深度学习网络模型进行处理,以确定基因突变、识别和/或预测误差/故障/差异等。使用一个或多个人工智能模型,诸如数字孪生、神经网络模型等,可以对一个或多个真实系统进行建模、监测、模拟和制备,以用于场力自动化管理。
数字表示、数字模型、数字“孪生”或数字“阴影”是关于物理系统、过程等的数字信息学构造。即,数字信息可被实现为物理设备/系统/人/过程的“孪生”和与物理设备/系统/过程相关联的和/或嵌入物理设备/系统/过程内的信息。数字孪生通过物理系统的生命周期与物理系统相链接。在某些示例中,数字孪生包括真实空间中的物理对象、存在于虚拟空间中的该物理对象的数字孪生以及将物理对象与其数字孪生相链接的信息。数字孪生存在于对应于真实空间的虚拟空间中,并且包括用于从真实空间到虚拟空间的数据流的链接以及用于从虚拟空间到真实空间和虚拟子空间的信息流的连接。例如,可以使用数字孪生在各种操作条件下对机器110-112和相关联的MuGene 120-122进行建模。例如,可以通过数字孪生建模和分析确定基因替换、突变等。
图13示出了用于分析和评分机器110-112的遗传结构120-122的示例方法1300的流程图。例如,示例方法1300可以由存储在存储器中并且可由至少一个处理器执行以实施方法1300的可执行程序指令形成。在框1310,识别机器110-112的遗传结构120-122。可以执行若干传递或迭代以识别机器的遗传结构120-122。例如,第一传递可以识别和收集机器110-112的遗传结构120-122的组成遗传学,诸如其制造、组成、方差对公差、软件等。例如,第二传递可以识别和收集机器110-112的遗传结构120-122的性能遗传学,诸如基因120-122在特定操作条件下的性能。例如,第三传递可以识别和收集机器110-112的遗传结构120-122的运行状况遗传学,诸如组成和性能以对与机器110-112相关联的不同输出的运行状况进行分类(例如,获得x射线成像、执行消融、预处理原始图像数据等)。
在框1320,框1310的遗传鉴定继续,直到机器110-112的遗传结构120-122已经被完全识别为止。例如,评估遗传结构120-122以确定其是否与机器110-112被设计成按每个客户请求提供的特定输出对准。如果是,则在框1330,进行用于期望输出的机器110-112的遗传结构120-122的适合性评估。例如,基于序列120-122的组成遗传学(例如,硬件、软件和/或固件)和运行状况遗传学确定等级并分配给每个输出。
在框1340,基于机器的基因序列120-122的组成遗传学、性能遗传学和运行状况遗传学在不同性能条件下选择最佳执行系统配置以例如驱动机器运行状况和性能,同时优化组成。在框1350,基于组成遗传学、性能遗传学和运行状况遗传学识别并堆叠最佳执行遗传结构,以形成用于最佳的、改进的或以其它方式有益的性能的遗传密码120-122。
在框1360,基于框1330的适合性评估、框1340的选择标准和框1350的交叉条件来导出遗传密码120-122的突变能力以确定一个或多个突变。例如,一个突变可以包括同时通过机器110-112、边缘设备和云来诱导最佳性能的突变。另一突变可以包括一个基因可以如何补偿机器的配置中的另一基因。
在框1370,评估停止标准。停止标准表示多代连续体,其中每代都以一个面值与一个集体分数相结合,以改进性能并识别补偿突变基因。直到停止标准已经发生和/或以其它方式满足,在框1330重新评估机器110-112的遗传结构120-122以识别用于进一步突变的可能性。然而,一旦满足停止标准,在框1380,将分数分配给机器110-112的遗传结构120-122。因此,基因序列120-122可基于其指示特定操作条件、输出等的最佳适用性的相关联分数进行评分和保存,以供同一机器110-112和/或群组中的其他机器110-112使用。在某些示例中,可形成性能优化遗传结构120-122以补偿强迫条件(例如,故障、错误、次最佳性能等)下的一个或多个标准,并且该突变可转化成用于下一代机器110-112、下一配置等的常规基因120-122。
虽然图1至图2中示出了示例系统100的示例实施方式,但是图1至图2中所示的一个或多个元件、过程和/或设备可以以任何其他方式组合、划分、重新布置、省略、消除和/或实现。此外,存储器102、机器配置处理器104、通信接口106和/或更一般地,图1-2的系统100可以通过硬件、软件、固件和/或硬件、软件和/或固件的任何组合来实施。因此,例如,存储器102、机器配置处理器104、通信接口106和/或,更一般地,图1至图2中的系统100中的任一者可由一个或多个模拟或数字电路、逻辑电路、可编程处理器、可编程控制器、图形处理单元(GPU)、数字信号处理器(DSP)、专用集成电路(ASIC)、可编程逻辑设备(PLD)和/或现场可编程逻辑设备(FPLD)实现。当读到本专利中的任一项覆盖纯粹的软件实现的装置或系统权利要求时,存储器102、机器配置处理器104和通信接口106中的至少一者在此明确地被定义为包括非暂态计算机可读存储设备或存储盘,诸如存储器、数字通用盘(DVD)、压缩盘(CD)、蓝光盘等,包括软件和/或固件。此外,图1至图2的示例系统100可包括一个或多个元件、过程和/或设备,作为图1至图2中所示的那些的补充或替代,和/或可以包括所示元件、过程和设备中的任何一者或全部中的不止一者。如本文所用,短语“进行通信”包括其变型形式,涵盖直接通信和/或通过一个或多个中间部件的间接通信,并且不需要直接物理(例如有线)通信和/或恒定通信,而是另外包括以周期性间隔、预定间隔、非周期性间隔和/或一次性事件的选择性通信。
在图12至图13中示出了表示示例性硬件逻辑、机器可读指令、硬件实现的状态机和/或用于实现图1至图2的示例系统100的任何组合的流程图。机器可读指令可以为可执行程序或可执行程序的一部分,以用于由计算机处理器(诸如下文结合图14讨论的处理器平台1400所示的处理器1412)执行。程序可具体体现在非暂态计算机可读存储介质(诸如CD-ROM、软盘、硬盘驱动器、DVD、蓝光盘或与处理器1412相关联的存储器)上存储的软件中,但整个程序和/或其部分可另选地由除处理器1412之外的设备执行以及/或者具体体现在固件或专用硬件中。此外,尽管参考图12至图13中所示的流程图描述了示例性程序,但是可以另选地使用实现示例性系统100的许多其他方法。例如,可改变框的执行顺序,和/或可改变、消除或组合所描述的框中的一些框。附加地或另选地,框中的任一个或全部可由被构造为执行对应操作的一个或多个硬件电路(例如,分立和/或集成的模拟和/或数字电路、FPGA、ASIC、比较器、运算放大器(op-amp)、逻辑电路等)来实现,而无需执行软件或固件。
如上所述,图12至图13的示例性过程可使用存储在非暂态计算机和/或机器可读介质上的可执行指令(例如,计算机和/或机器可读指令)来实现,该非暂态计算机和/或机器可读介质诸如为将信息存储任何持续时间(例如,存储延长时间段、永久存储、用于短暂情况、用于暂时缓冲和/或用于信息的高速缓存)的硬盘驱动器、闪速存储器、只读存储器、光盘、数字通用光盘、高速缓存、随机存取存储器和/或任何其他存储设备或存储盘。如本文所用,术语非暂态计算机可读介质明确地被定义为包括任何类型的计算机可读存储设备和/或存储盘,并且排除传播信号并且排除传输介质。
“包括”和“包含”(及其所有形式和时态)在本文中用作开放式术语。因此,每当权利要求采用任何形式的“包括”或“包含”(例如,包含(comprises、comprising)、包括(includes、including)、具有,等等)作为前序或在任何种类的权利要求叙述内时,应当理解,可以存在附加的元件、术语等而不落在对应的权利要求或叙述的范围之外。如本文所用,当短语“至少”例如用作权利要求前序中的过渡性术语时,与术语“包含”和“包括”是开放式的一样,也是开放式的。当例如以诸如A、B和/或C的形式使用时,术语“和/或”是指A、B、C的任何组合或子集,诸如(1)单独的A,(2)单独的B,(3)单独的C,(4)A与B,(5)A与C,(6)B与C,以及(7)A与B和C。如本文在描述结构、部件、项目、对象和/或事物的上下文中所使用的,短语“A和B中的至少一个”旨在指代包括以下项目中的任何一者的实施方式:(1)至少一个A,(2)至少一个B,以及(3)至少一个A和至少一个B。类似地,如本文在描述结构、部件、项目、对象和/或事物的上下文中所使用的,短语“A或B中的至少一个”旨在指代包括以下项目中的任何一者的实施方式:(1)至少一个A,(2)至少一个B,以及(3)至少一个A和至少一个B。如本文在描述过程、指令、动作、活动和/或步骤的执行或实行的上下文所使用的,短语“A和B中的至少一个”旨在指代包括以下项目中的任何一者的实施方式:(1)至少一个A,(2)至少一个B,以及(3)至少一个A和至少一个B。类似地,如本文在描述过程、指令、动作、活动和/或步骤的执行或实行的上下文所使用的,短语“A或B中的至少一个”旨在指代包括以下项目中的任何一者的实施方式:(1)至少一个A,(2)至少一个B,以及(3)至少一个A和至少一个B。
图14是被构造为执行图12和/或图13的指令以实现图1至图2的示例医疗机器配置系统100的处理器平台1400的框图。处理器平台1400可以是例如服务器、个人计算机、工作站、自学机器(例如,神经网络)、互联网设备和/或任何其他类型的计算设备。
所示示例的处理器平台1400包括处理器1412。所示示例的处理器1412是硬件。例如,处理器1412可以由来自任何期望的产品系列或制造商的一个或多个集成电路、逻辑电路、微处理器、GPU、DSP或控制器来实现。硬件处理器可以是基于半导体的(例如,基于硅的)设备。在该示例中,处理器1412实施如图1和/或图2所示的示例系统100及其部件。
所示示例的处理器1412包括本地存储器1413(例如,高速缓存)。所示示例的处理器1412经由总线1418与包括易失性存储器1414和非易失性存储器1416的主存储器通信。易失性存储器1414可由同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、动态随机存取存储器和/或任何其他类型的随机存取存储器设备来实现。非易失性存储器1416可由闪存存储器和/或任何其他所需类型的存储器设备来实现。对主存储器1414、1416的访问由存储器控制器来控制。可以使用存储器1413、1414、1416中的一个或多个存储器来实施存储器102。
所示示例的处理器平台1400还包括接口电路1420(例如,通信接口106)。接口电路1420可由任何类型的接口标准来实现,诸如以太网接口、通用串行总线(USB)、接口、近场通信(NFC)接口,和/或PCI express接口。
在所示示例中,一个或多个输入设备1422连接到接口电路1420。输入设备1422准许用户将数据和/或命令输入到处理器1412中。一个或多个输入设备可由例如音频传感器、麦克风、相机(静物相机或摄像机)、键盘、按钮、鼠标、触摸屏、触控板、轨迹球、isopoint和/或语音识别系统来实现。
一个或多个输出设备1424也连接到所示示例的接口电路1420。输出设备1424可例如由显示设备(例如,发光二极管(LED)、有机发光二极管(OLED)、液晶显示器(LCD)、阴极射线管显示器(CRT)、就地切换(IPS)显示器、触摸屏等)、触觉输出设备、打印机和/或扬声器来实现。因此,所示示例的接口电路1420通常包括图形驱动器卡、图形驱动器芯片和/或图形驱动器处理器。
所示示例的接口电路1420还包括通信设备,诸如发射器、接收器、收发器、调制解调器、家庭网关、无线接入点和/或网络接口,以有利于经由网络1426与外部机器(例如,任何种类的计算设备)交换数据。通信可经由例如以太网连接、科技用户线路(DSL)连接、电话线连接、同轴电缆系统、卫星系统、直线对传式无线系统、蜂窝电话系统等来进行。
所示示例的处理器平台1400还包括用于存储软件和/或数据的一个或多个大容量存储设备1428。此类大容量存储设备1428的示例包括软盘驱动器、硬盘驱动器盘、光盘驱动器、蓝光盘驱动器、独立磁盘冗余阵列(RAID)系统以及数字通用光盘(DVD)驱动器。
图12和/或图13的机器可执行指令1432可存储在大容量存储设备1428中、易失性存储器1414中、非易失性存储器1416中和/或可移动的非暂态计算机可读存储介质上诸如CD或DVD。
图15是被构造为执行作为机器110-112的一部分的图12和/或图13的指令以实现图1至图2的示例MuGene 120-122的处理器平台1500的框图。处理器平台1500可以是例如服务器、个人计算机、工作站、自学机器(例如,神经网络)、互联网设备和/或任何其他类型的计算设备。
所示示例的处理器平台1500包括处理器1512。所示示例的处理器1512是硬件。例如,处理器1512可以由来自任何期望的产品系列或制造商的一个或多个集成电路、逻辑电路、微处理器、GPU、DSP或控制器来实现。硬件处理器可以是基于半导体的(例如,基于硅的)设备。在该示例中,处理器1512可以形成如图1和/或图2所示的包括MuGene 120-122的示例机器110-112及其部件的一部分。
所示示例的处理器1512包括本地存储器1513(例如,高速缓存)。所示示例的处理器1512经由总线1518与包括易失性存储器1514和非易失性存储器1516的主存储器通信。易失性存储器1514可由同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、动态随机存取存储器和/或任何其他类型的随机存取存储器设备来实现。非易失性存储器1516可由闪存存储器和/或任何其他所需类型的存储器设备来实现。对主存储器1514、1516的访问由存储器控制器来控制。
所示示例的处理器平台1500还包括接口电路1520。接口电路1520可由任何类型的接口标准来实现,诸如以太网接口、通用串行总线(USB)、接口、近场通信(NFC)接口,和/或PCI express接口。
在所示示例中,一个或多个输入设备1522连接到接口电路1520。输入设备1522准许用户将数据和/或命令输入到处理器1512中。输入设备可以由例如音频传感器、麦克风、相机(静物相机或摄像机)、键盘、按钮、鼠标、触摸屏、触控板、轨迹球、isopoint和/或语音识别系统来实现。
一个或多个输出设备1524也连接到所示示例的接口电路1520。输出设备1524可例如由显示设备(例如,发光二极管(LED)、有机发光二极管(OLED)、液晶显示器(LCD)、阴极射线管显示器(CRT)、就地切换(IPS)显示器、触摸屏等)、触觉输出设备、打印机和/或扬声器来实现。因此,所示示例的接口电路1520通常包括图形驱动器卡、图形驱动器芯片和/或图形驱动器处理器。
所示示例的接口电路1520还包括通信设备,诸如发射器、接收器、收发器、调制解调器、家庭网关、无线接入点和/或网络接口,以有利于经由网络1526与外部机器(例如,任何种类的计算设备)交换数据。通信可经由例如以太网连接、科技用户线路(DSL)连接、电话线连接、同轴电缆系统、卫星系统、直线对传式无线系统、蜂窝电话系统等来进行。
所示示例的处理器平台1500还包括用于存储软件和/或数据的一个或多个大容量存储设备1528。此类大容量存储设备1528的示例包括软盘驱动器、硬盘驱动器盘、光盘驱动器、蓝光盘驱动器、独立磁盘冗余阵列(RAID)系统以及数字通用光盘(DVD)驱动器。
图12和/或图13的机器可执行指令1532可存储在大容量存储设备1528中、易失性存储器1514中、非易失性存储器1516中和/或可移动的非暂态计算机可读存储介质上诸如CD或DVD。
根据上述内容,应当理解,已经公开了提供新的技术先进的医疗机器配置、维护、监测和修复的示例性方法、装置和制品。通过将机器配置和控制表示为可以被突变、修饰、存储、中继等的基因序列,所公开的方法、装置和制品提供了技术改进,并且还通过将计算设备转换为用于连接的医疗系统的诊断、修复和其它配置的基因测序仪改进了使用计算设备的效率。因此,所公开的方法、装置和制品涉及计算机功能的一个或多个改进。机器基因序列或结构可以在机器之间和/或在机器与协调器系统之间驱动自动、动态的调整/突变(包括主动的和被动的),而无需手动人工干预。
虽然本文已公开了某些示例性方法、装置和制品,但本专利的覆盖范围不限于此。相反,本专利覆盖合理落入本专利的权利要求书的范围内的所有方法、装置和制品。
Claims (20)
1.一种装置,所述装置包括:
存储器,所述存储器包括用于由至少一个处理器执行的指令和指定机器的组成、性能和运行状况的机器遗传结构;和
至少一个处理器,所述至少一个处理器用于执行所述指令以至少:
相对于所述机器的操作条件评估所述机器遗传结构以识别所述机器遗传结构的差异或改进机会中的至少一者以满足所述操作条件;
确定所述机器遗传结构从第一序列到第二序列的突变以解决所述差异或改进机会中的至少一者以满足所述操作条件;以及
将所述机器遗传结构从所述第一序列设置为所述第二序列的所述突变以根据所述机器遗传结构配置所述机器以进行操作。
2.根据权利要求1所述的装置,其中所述至少一个处理器包括:
基因分析器,所述基因分析器用于分析所述机器遗传结构;
基因修饰器,所述基因修饰器用于使所述机器遗传结构突变;和
基因通信器,所述基因通信器用于发送所述机器遗传结构。
3.根据权利要求1所述的装置,其中所述操作条件包括a)待由所述机器执行的任务或b)用于配置所述机器的参数中的至少一者。
4.根据权利要求1所述的装置,其中所述差异指示所述机器处的错误。
5.根据权利要求1所述的装置,其中所述至少一个处理器用于存储所述突变以发送到第二机器。
6.根据权利要求1所述的装置,其中所述至少一个处理器通过将所述机器遗传结构与a)一组存储的机器遗传结构或b)与包括所述机器和多个附加机器的群组相关联的多个机器遗传结构中的至少一者进行比较,以用于相对于所述机器的操作条件评估所述机器遗传结构以识别所述机器遗传结构的差异或改进机会中的至少一者以满足所述操作条件。
7.根据权利要求1所述的装置,其中所述机器遗传结构根据所述机器的硬件、软件和操作条件形成,所述机器经由边缘设备最大限度地利用来自基于云的系统的附加机器遗传结构来配置所述机器。
8.根据权利要求1所述的装置,其中所述机器遗传结构包括数据结构用于改变所述机器的所述配置、指定所述机器相对于所述操作条件的所述性能、以及建立运行中的所述机器相对于所述操作条件的所述运行状况的边界。
9.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质包括指令,所述指令在被执行时使得机器至少:
相对于所述机器的操作条件评估机器遗传结构以识别所述机器遗传结构的差异或改进机会中的至少一者以满足所述操作条件,所述机器遗传结构指定所述机器的组成、性能和运行状况;
确定所述机器遗传结构从第一序列到第二序列的突变以解决所述差异或改进机会中的至少一者以满足所述操作条件;以及
将所述机器遗传结构从所述第一序列设置为所述第二序列的所述突变以根据所述机器遗传结构配置所述机器以进行操作。
10.根据权利要求9所述的非暂态计算机可读存储介质,其中所述操作条件包括a)待由所述机器执行的任务或b)用于配置所述机器的参数中的至少一者。
11.根据权利要求9所述的非暂态计算机可读存储介质,其中所述差异指示所述机器处的错误。
12.根据权利要求9所述的非暂态计算机可读存储介质,其中所述指令在被执行时使所述机器存储所述突变以发送到第二机器。
13.根据权利要求9所述的非暂态计算机可读存储介质,其中所述指令在被执行时使所述机器通过将所述机器遗传结构与a)一组存储的机器遗传结构或b)与包括所述机器和多个附加机器的群组相关联的多个机器遗传结构中的至少一者进行比较,以用于相对于所述机器的操作条件评估所述机器遗传结构以识别所述机器遗传结构的差异或改进机会中的至少一者以满足所述操作条件。
14.根据权利要求9所述的非暂态计算机可读存储介质,其中所述机器遗传结构根据所述机器的硬件、软件和操作条件形成,所述机器经由边缘设备最大限度地利用来自基于云的系统的附加机器遗传结构来配置所述机器。
15.一种方法,所述方法包括:
通过使用至少一个处理器执行指令来相对于所述机器的操作条件评估机器遗传结构以识别所述机器遗传结构的差异或改进机会中的至少一者以满足所述操作条件,所述机器遗传结构指定所述机器的组成、性能和运行状况;
通过使用所述至少一个处理器执行指令来确定所述机器遗传结构从第一序列到第二序列的突变以解决所述差异或改进机会中的至少一者以满足所述操作条件;以及
通过使用所述至少一个处理器执行指令来将所述机器遗传结构从所述第一序列设置为所述第二序列的所述突变以根据所述机器遗传结构配置所述机器以进行操作。
16.根据权利要求15所述的方法,其中所述操作条件包括a)待由所述机器执行的任务或b)用于配置所述机器的参数中的至少一者。
17.根据权利要求15所述的方法,其中所述差异指示所述机器处的错误。
18.根据权利要求15所述的方法,还包括存储所述突变以发送到第二机器。
19.根据权利要求15所述的方法,其中相对于所述机器的操作条件评估所述机器遗传结构以识别所述机器遗传结构的差异或改进机会中的至少一者以满足所述操作条件还包括将所述机器遗传结构与a)一组存储的机器遗传结构或b)与包括所述机器和多个附加机器的群组相关联的多个机器遗传结构中的至少一者进行比较。
20.根据权利要求15所述的方法,其中所述机器遗传结构根据所述机器的硬件、软件和操作条件形成,所述机器经由边缘设备最大限度地利用来自基于云的系统的附加机器遗传结构来配置所述机器。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/450,480 US20200401904A1 (en) | 2019-06-24 | 2019-06-24 | Adaptive medical imaging device configuration using artificial intelligence |
US16/450,480 | 2019-06-24 | ||
PCT/US2020/038399 WO2020263670A1 (en) | 2019-06-24 | 2020-06-18 | Adaptive medical imaging device configuration using artificial intelligence |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114008671A true CN114008671A (zh) | 2022-02-01 |
Family
ID=74038575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080045866.8A Pending CN114008671A (zh) | 2019-06-24 | 2020-06-18 | 使用人工智能的自适应医学成像设备配置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20200401904A1 (zh) |
EP (1) | EP3987374A4 (zh) |
JP (1) | JP7439140B2 (zh) |
CN (1) | CN114008671A (zh) |
WO (1) | WO2020263670A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11769587B2 (en) * | 2019-10-08 | 2023-09-26 | GE Precision Healthcare LLC | Systems and methods to configure, program, and personalize a medical device using a digital assistant |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8219983B1 (en) * | 2008-03-31 | 2012-07-10 | Symantec Corporation | Systems and methods for providing guidance on the potential impact of application and operating-system changes on a computing system |
CN106557069A (zh) * | 2015-09-29 | 2017-04-05 | 发那科株式会社 | 机械学习装置和方法以及具有该机械学习装置的机床 |
CN108292414A (zh) * | 2016-01-15 | 2018-07-17 | 微软技术许可有限责任公司 | 数据中心中的部署的自动推荐 |
CN108463806A (zh) * | 2014-12-01 | 2018-08-28 | 摄取技术有限公司 | 用于基于预测模型修改数据采集参数的计算机体系结构和方法 |
US20190036789A1 (en) * | 2017-07-31 | 2019-01-31 | Accenture Global Solutions Limited | Using machine learning to make network management decisions |
CN109643256A (zh) * | 2016-08-08 | 2019-04-16 | 摄取技术有限公司 | 用于推荐资产修复的计算机架构和方法 |
US20190146861A1 (en) * | 2017-11-15 | 2019-05-16 | Accenture Global Solutions Limited | Predictive self-healing error remediation architecture |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5901198A (en) * | 1997-10-10 | 1999-05-04 | Analogic Corporation | Computed tomography scanning target detection using target surface normals |
AU2003261272A1 (en) * | 2002-07-24 | 2004-02-09 | New York University | Method of using a matched filter for detecting qrs complex from a patient undergoing magnetic resonance imaging |
US20040122703A1 (en) * | 2002-12-19 | 2004-06-24 | Walker Matthew J. | Medical data operating model development system and method |
US7890568B2 (en) * | 2006-04-28 | 2011-02-15 | Sap Ag | Service-to-device mapping for smart items using a genetic algorithm |
US7388940B1 (en) * | 2006-11-24 | 2008-06-17 | General Electric Company | Architectures for cardiac CT based on area x-ray sources |
US20080183444A1 (en) * | 2007-01-26 | 2008-07-31 | Grichnik Anthony J | Modeling and monitoring method and system |
WO2008130679A1 (en) * | 2007-04-18 | 2008-10-30 | Koninklijke Philips Electronics N.V. | Reconstruction of a magnetic resonance image in image space using basis functions (rib) for partially parallel imaging |
JP5773142B2 (ja) | 2011-06-22 | 2015-09-02 | 株式会社日立製作所 | 計算機システムの構成パターンの算出方法及び構成パターンの算出装置 |
US10176032B2 (en) * | 2014-12-01 | 2019-01-08 | Uptake Technologies, Inc. | Subsystem health score |
US10108471B2 (en) * | 2014-12-29 | 2018-10-23 | Sandisk Technologies Llc | System and method for utilizing history information in a memory device |
US10318437B2 (en) * | 2016-10-31 | 2019-06-11 | Vinod Sitaram Mukkamala | System and method for unified secure remote configuration and management of multiple applications on embedded device platform |
EP3327419B1 (en) * | 2016-11-29 | 2020-09-09 | STS Intellimon Limited | Engine health diagnostic apparatus and method |
WO2018114864A1 (en) * | 2016-12-20 | 2018-06-28 | Koninklijke Philips N.V. | Method for configuring a medical device |
JP6673227B2 (ja) * | 2017-01-10 | 2020-03-25 | 横河電機株式会社 | クラウドサービス制御装置、クラウドサービス制御システム、クラウドサービス制御方法、クラウドサービス制御プログラム及び記録媒体 |
US10678975B2 (en) * | 2017-11-07 | 2020-06-09 | Amazon Tecnnologies, Inc. | Code module selection for device design |
US10720236B2 (en) * | 2018-03-30 | 2020-07-21 | DI Insights, LLC | System and method for predictive maintenance of medical diagnostic machine components |
US10495544B1 (en) * | 2019-01-15 | 2019-12-03 | Caterpillar Inc. | Failure detection device for detecting an issue with a part of a machine |
-
2019
- 2019-06-24 US US16/450,480 patent/US20200401904A1/en active Pending
-
2020
- 2020-06-18 EP EP20833320.3A patent/EP3987374A4/en not_active Withdrawn
- 2020-06-18 JP JP2021573339A patent/JP7439140B2/ja active Active
- 2020-06-18 CN CN202080045866.8A patent/CN114008671A/zh active Pending
- 2020-06-18 WO PCT/US2020/038399 patent/WO2020263670A1/en unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8219983B1 (en) * | 2008-03-31 | 2012-07-10 | Symantec Corporation | Systems and methods for providing guidance on the potential impact of application and operating-system changes on a computing system |
CN108463806A (zh) * | 2014-12-01 | 2018-08-28 | 摄取技术有限公司 | 用于基于预测模型修改数据采集参数的计算机体系结构和方法 |
CN106557069A (zh) * | 2015-09-29 | 2017-04-05 | 发那科株式会社 | 机械学习装置和方法以及具有该机械学习装置的机床 |
CN108292414A (zh) * | 2016-01-15 | 2018-07-17 | 微软技术许可有限责任公司 | 数据中心中的部署的自动推荐 |
CN109643256A (zh) * | 2016-08-08 | 2019-04-16 | 摄取技术有限公司 | 用于推荐资产修复的计算机架构和方法 |
US20190036789A1 (en) * | 2017-07-31 | 2019-01-31 | Accenture Global Solutions Limited | Using machine learning to make network management decisions |
US20190146861A1 (en) * | 2017-11-15 | 2019-05-16 | Accenture Global Solutions Limited | Predictive self-healing error remediation architecture |
Also Published As
Publication number | Publication date |
---|---|
JP2022539305A (ja) | 2022-09-08 |
JP7439140B2 (ja) | 2024-02-27 |
US20200401904A1 (en) | 2020-12-24 |
EP3987374A4 (en) | 2023-06-28 |
EP3987374A1 (en) | 2022-04-27 |
WO2020263670A1 (en) | 2020-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10732618B2 (en) | Machine health monitoring, failure detection and prediction using non-parametric data | |
US11531901B2 (en) | Imaging modality smart find maintenance systems and methods | |
US11120904B2 (en) | Imaging modality maintenance smart dispatch systems and methods | |
US10838797B2 (en) | Imaging modality smart symptom maintenance systems and methods | |
KR20210141917A (ko) | 머신 러닝 모델의 설명 가능성 기반의 조정 | |
AU2018203375A1 (en) | Method and system for data based optimization of performance indicators in process and manufacturing industries | |
WO2020046286A1 (en) | Integrated cybersecurity risk assessment and state monitoring for electrical power grid | |
RU2724716C1 (ru) | Система и способ формирования данных для мониторинга кибер-физической системы с целью раннего определения аномалий в системе графического интерфейса пользователя | |
US20160188814A1 (en) | Modeling of patient risk factors at discharge | |
JP7297898B2 (ja) | 画像診断法保守ケアパッケージのシステムおよび方法 | |
US9904540B2 (en) | Method and system to automate the maintenance of data-driven analytic models | |
RU2724075C1 (ru) | Система и способ определения источника аномалии в кибер-физической системе, обладающей определенными характеристиками | |
US11972398B2 (en) | Machine learning powered anomaly detection for maintenance work orders | |
US9799007B2 (en) | Method of collaborative software development | |
JP2020512631A (ja) | 段階的な機械学習を使用する自動化された意思決定 | |
US20220283695A1 (en) | Machine Learning-Based Interactive Visual Monitoring Tool for High Dimensional Data Sets Across Multiple KPIs | |
EP3315465A1 (en) | Method and system for dynamically managing waste water treatment process for optimizing power consumption | |
El Mokhtari et al. | Development of a cognitive digital twin for building management and operations | |
CN114008671A (zh) | 使用人工智能的自适应医学成像设备配置 | |
CN112486784A (zh) | 诊断和优化数据分析系统的方法、设备和介质 | |
CN110321243B (zh) | 使用用于多个领域的统一认知根本原因分析的系统维护的方法、系统和存储介质 | |
KR20220141220A (ko) | 다수의 kpi들에 걸친 고차원 데이터 세트들에 대한 머신 학습 기반 대화형 비주얼 모니터링 툴 | |
Taylor | Autonomic Business Processes | |
Luz et al. | Integration of reduced order models in Industry 4.0 manufacturing systems | |
Xu et al. | A data-driven approach toward a machine-and system-level performance monitoring digital twin for production lines |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220201 |