CN114981897A - 肺部疾病检测中的辅助设备 - Google Patents

肺部疾病检测中的辅助设备 Download PDF

Info

Publication number
CN114981897A
CN114981897A CN202080093072.9A CN202080093072A CN114981897A CN 114981897 A CN114981897 A CN 114981897A CN 202080093072 A CN202080093072 A CN 202080093072A CN 114981897 A CN114981897 A CN 114981897A
Authority
CN
China
Prior art keywords
sub
network
data
patient
ards
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202080093072.9A
Other languages
English (en)
Inventor
A·C·格雷
B·拉比茨克
A·萨芬
H·迭达姆
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.)
Bayer AG
Original Assignee
Bayer AG
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 Bayer AG filed Critical Bayer AG
Publication of CN114981897A publication Critical patent/CN114981897A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及患者的急性呼吸窘迫综合征的检测。本发明的主题是用于检测急性呼吸窘迫综合征的计算机系统、方法和计算机程序产品。

Description

肺部疾病检测中的辅助设备
本发明涉及患者的急性呼吸窘迫综合征的检测。本发明的主题是用于检测急性呼吸窘迫综合征的计算机系统、方法和计算机程序产品。
急性呼吸窘迫综合征(缩写ARDS)是一种肺部无法正常工作的危及生命的疾病。ARDS是由疾病或身体损伤引起的毛细血管壁损伤导致的。这种损伤使毛细血管壁泄漏，导致液体积累，最终导致肺泡塌陷。因此，肺部不再有能力交换氧气和二氧化碳。ARDS通常不作为一种独立的疾病发生，而是另一种疾病或严重事故或伤害的结果。
尽管每十分之一的重症监护患者均患有急性呼吸窘迫综合征，但这种危及生命的并发症往往未被发现(JAMA2016；315：788-800)。通常可以通过一些简单的干预措施来防止即将到来的死亡；其包含使用呼气末正压(PEEP)和减少的潮气量的早期机械通气。还推荐患者采用俯卧位。在临床研究中，这些措施在一些情况下明显降低了死亡率。然而，这些推荐只有在早期检测到ARDS的情况下才能实施。
关于基于患者数据自动检测肺部疾病的出版物众多。P.Rajpurkar等人描述了一种基于胸部X射线照片检测肺炎的人工神经网络(CheXNet:Radiologist-Level PneumoniaDetection on Chest X-Rays with Deep Learning；arXiv:1711.05225[cs.CV])。然而，仅根据X射线照片不能可靠地检测ARDS。WO2013/121374A2公开了一种用于检测患者的ARDS的系统，该系统分析患者的生理参数。然而，单凭生理参数并不能可靠地检测ARDS。
从所描述的现有技术出发，本发明的目的是提供一种用于可靠地检测重症监护患者的ARDS的解决方案。
独立权利要求的主题实现了该目的。在从属权利要求以及本申请的说明书和附图中可以找到优选的实施方案。
本发明在第一方面中提供一种计算机系统，包含
-输入装置(unit)
-控制和计算装置
-输出装置
其中控制和计算装置被配置为促使输入装置接收与重症监护患者相关的患者数据，其中患者数据至少包含以下患者数据：
ο重症监护患者的胸部的多个放射学图像，其中放射学图像显示不同时间的胸部，以及
ο与重症监护患者的生命参数相关的多个生命数据，其中生命数据详述了与不同时间的生命参数相关的值，
其中控制和计算装置被配置为将所接收的患者数据提供给人工神经网络，
ο其中人工神经网络包含至少三个子网络：第一子网络、第二子网络和第三子网络，
ο其中第一子网络包含第一输入层，其中第二子网络包含第二输入层，其中第三子网络包含输出层，并且其中第一子网络和第二子网络合并(merge)在第三子网络中，
ο其中将多个放射学图像提供给第一输入层，并且将多个生命数据提供给第二输入层，
ο其中第一子网络被配置为给每个放射学图像生成时间相关的图像描述符(descriptor)，
ο其中第二子网络被配置为从生命数据生成时间相关的生命数据描述符，
ο其中将时间相关的图像描述符和时间相关的生命数据描述符提供给人工神经网络中包含反馈神经元的层，
ο其中已经使用参考数据训练人工神经网络，以基于患者数据计算ARDS指标值(indicator value)，并经由输出层输出ARDS指标值，
其中控制和计算装置被配置为从所述人工神经网络接收ARDS指标值，
其中控制和计算装置被配置为将ARDS指标值与阈值进行比较，以及
其中控制和计算装置被配置为如果ARDS指标值以定义的方式(defined manner)偏离阈值，则促使输出装置输出通知。
本发明还提供了一种用于检测重症监护患者中ARDS的方法，包含以下步骤
-接收与重症监护患者相关的患者数据，其中患者数据至少包含以下患者数据：
ο重症监护患者的胸部的多个放射学图像，其中放射学图像显示不同时间的胸部，以及
ο与重症监护患者的生命参数相关的多个生命数据，其中生命数据详述了与不同时间的生命参数相关的值，
-将患者数据提供给人工神经网络，
ο其中人工神经网络包含至少三个子网络：第一子网络、第二子网络和第三子网络，
ο其中第一子网络包含第一输入层，其中第二子网络包含第二输入层，其中第三子网络包含输出层，并且其中第一子网络和第二子网络合并在第三子网络中，
ο其中将多个放射学图像提供给第一输入层，并且将多个生命数据提供给第二输入层，
ο其中第一子网络被配置为给每个放射学图像生成时间相关的图像描述符，
ο其中第二子网络被配置为从生命数据生成时间相关的生命数据描述符，
ο其中将时间相关的图像描述符和时间相关的生命数据描述符提供给人工神经网络中包含反馈神经元的层，
ο其中已经使用参考数据训练人工神经网络，以基于患者数据计算ARDS指标值，并经由输出层输出ARDS指标值，
-从人工神经网络接收所提供的患者数据的ARDS指标值，
-将ARDS指标值与阈值进行比较，
-如果ARDS指标值以定义的方式偏离所述阈值，则输出通知。
本发明还提供一种计算机程序产品，包含可装载到计算机系统存储器中的计算机程序，其中其促使计算机系统执行以下步骤：
-接收与重症监护患者相关的患者数据，其中患者数据至少包含以下患者数据：
ο重症监护患者的胸部的多个放射学图像，其中放射学图像显示不同时间的胸部，以及
ο与重症监护患者的生命参数相关的多个生命数据，其中生命数据详述了与不同时间的生命参数相关的值，
-将患者数据提供给人工神经网络，
ο其中人工神经网络包含至少三个子网络：第一子网络、第二子网络和第三子网络，
ο其中第一子网络包含第一输入层，其中第二子网络包含第二输入层，其中第三子网络包含输出层，并且其中第一子网络和第二子网络合并在第三子网络中，
ο其中将多个放射学图像提供给第一输入层，并且将多个生命数据提供给第二输入层，
ο其中第一子网络被配置为给每个放射学图像生成时间相关的图像描述符，
ο其中第二子网络被配置为从生命数据生成时间相关的生命数据描述符，
ο其中将时间相关的图像描述符和时间相关的生命数据描述符提供给人工神经网络中包含反馈神经元的层，
ο其中已经使用参考数据训练人工神经网络，以基于患者数据计算ARDS指标值，并经由输出层输出ARDS指标值，
-从人工神经网络接收所提供的患者数据的ARDS指标值，
-将ARDS指标值与阈值进行比较，
-如果ARDS指标值以定义的方式偏离所述阈值，则输出通知。
下面将更具体地说明本发明，而不区分本发明的主题(计算机系统、方法、计算机程序产品)。相反，下面的说明将类似地适用于本发明的所有主题，无论它们是在什么背景下进行的(计算机系统、方法、计算机程序产品)。
如果步骤在本说明书中是以特定顺序列出，这并非表示这些步骤也必须以指定的顺序执行。相反，本发明应被理解为表示以特定顺序列出的步骤可以以任何顺序或彼此平行地执行，除非一个步骤是基于另一个步骤，这在每种情况下可从步骤的描述中清楚得知。因此，在本文件中具体列出的顺序只是本发明的优选实施方案。
本发明为医师和/或医院工作人员提供了帮助医师和/或医院工作人员检测重症监护患者的急性呼吸窘迫综合征(ARDS)发病的工具(means)。
在这方面，医师和/或医院工作人员是由计算机系统协助。
“计算机系统”是通过可编程计算规则处理数据的电子数据处理系统。这种系统通常包含“计算机”——包含用于执行逻辑运算(logical operation)的处理器的装置，以及外围设备(peripherals)。
在计算机技术中，“外围设备”是指连接到计算机并用于控制计算机和/或作为输入和输出设备的所有设备。其实例为显示屏(屏幕)、打印机、扫描仪、鼠标、键盘、驱动器、照相机、麦克风、扬声器等。内部端口和扩展卡在计算机技术中也被视为外围设备。
现代计算机系统通常分为台式电脑、便携式电脑、膝上型电脑、笔记本电脑、上网本、平板电脑、手持式电脑(例如智能手机)、云计算机和工作站；所有这些系统原则上都可用于执行本发明。优选地，本发明在医院重症监护室中的一个或多个计算机系统上执行。可以想到这种计算机系统在重症监护室中执行进一步的功能，例如监测重症监护患者的健康状态。优选地，计算机系统可以访问医院的数据库，其中可以存储重症监护患者的患者数据。优选地，本发明在一个或多个计算机系统上作为后台进程自动执行。
根据本发明的计算机系统被配置为基于患者数据确定ARDS指标值。ARDS指标值与重症监护患者中存在急性呼吸窘迫综合征的概率相关。优选地，ARDS指标值规定了在重症监护患者中存在ARDS的概率，其中数值0可以表示可以排除ARDS，数值1或100％可以表示所有评估的患者数据表明和/或推断存在ARDS。
根据本发明的计算机系统被配置为将ARDS指标值与定义的阈值进行比较。如果ARDS指标值和阈值之间存在定义的偏差，则计算机系统输出通知。优选地，根据本发明的计算机系统被配置为如果ARDS指标值高于定义的阈值，则输出通知，因此重症监护患者中存在ARDS的概率超过阈值。在这种情况下，应采取防止患者病症恶化的措施。如果ARDS指标值低于定义的阈值，则重症监护患者中出现ARDS的概率足够低，无需采取ARDS特异性措施。
阈值可以是例如0.5(或50％)和1之间的值。优选地，阈值是由医师和/或基于医学经验(特别是基于可通过本发明获得的经验)来定义。例如，为了排除忽视患者的急性呼吸窘迫综合征的任何风险，可以从一开始就故意将阈值设置得较低。然后，可以随着时间的推移将阈值调整到根据医学角度和医学经验看起来合适的更高阈值。
通知可以是屏幕上的通知(例如，文本消息)和/或可听信号和/或可视信号和/或振动警报和/或类似的。通知可以在根据本发明的计算机系统的一个或多个输出装置上输出，例如显示在显示器上和/或通过扬声器输出和/或在打印机上输出，例如作为文本消息，和/或通过电子邮件发送到固定计算机系统或移动接收设备(例如，智能手机或平板计算机或寻呼机)。
该通知旨在提示医师和/或医院工作人员去照顾重症监护患者，并采取措施防止患者健康状况恶化。优选地，该通知包含由医师或医院工作人员采取的推荐措施，以防止重症监护患者的健康状态恶化。
根据本发明的计算机系统被配置为自动确定ARDS指标值，自动将ARDS指标值与定义的阈值进行比较，并自动发送一个或多个通知。
“自动”表示根本不需要人为干预。
ARDS指标值是根据患者数据确定的。根据本发明的计算机系统可以访问患者数据和/或患者数据可以被自动提供给计算机系统。
患者数据可以存在于例如一个或多个数据存储介质中，所述数据存储介质是根据本发明的计算机系统的一部分，或者经由一个网络或经由多个网络连接到根据本发明的计算机系统。特别地，这样的数据存储介质可以是医院的一个或多个数据库，优选地是存储患者数据的数据库。根据本发明的计算机系统可以被配置为在定义的时间和/或在定义的时间间隔和/或在发生定义的事件时(例如，当新的患者数据变得可用时)从一个或多个数据存储介质中读取患者数据，并使用所述患者数据来确定ARDS指标值。
还可以想到，根据本发明的计算机系统被配置为从医疗设备和/或连接到医疗设备的计算机系统检索/接收患者特异性数据。
术语“医疗设备”应理解为是指可用于获得关于患者的生理信息的设备。这种医疗设备的实例是心率监测器、血压监测器、临床温度计、X射线机、计算机断层摄影机等。医疗设备特别是X射线机、计算机断层摄影机、呼吸机和可用于确定患者动脉氧分压PaO2的值、吸入氧浓度FiO2和/或PaO2/FiO2比率的值以及PEEP和CPAP的值(PEEP＝呼气末正压；CPAP＝持续气道正压)的设备。
优选地，根据本发明的计算机系统被配置为每当新的患者数据被获取并存储在数据存储介质中时确定ARDS指标值，该数据存储介质可以是根据本发明的计算机系统的一部分，或者根据本发明的计算机系统可以连接到该数据存储介质。根据本发明的计算机系统可以被配置为以定义的时间间隔(例如，每10分钟)检查数据存储介质中是否存在新的患者数据。
用于确定ARDS指标值的患者数据包含重症监护患者胸部的多个放射学图像。
放射学图像的实例是X射线、CT扫描(CT＝计算机断层扫描)等。优选使用X射线。例如，在ARDS患者中，肺部的双侧压迫可以在放射学图像中看到(参见例如H.M.Kulke:
Figure BDA0003745937750000071
von Thoraxerkrankungen[X-ray diagnosis of thoracicdiseases],De Gruyter Verlag 2013,ISBN 978-3-11-031118-1)。
各个放射学图像显示重症监护患者在不同时间的胸部。优选地，存在至少三个过去七天内产生的图像。特别优选地，最近的放射学图像是在过去24小时内产生的，甚至更优选地在过去12小时内，最优选地在过去3小时内。
优选地，每个放射学图像都带有表明其何时生成(通过测量捕获)的时间戳。
放射学图像优选地以数字图像文件的形式存在。术语“数字”是指放射学图像可以由机器处理，通常是计算机系统。“处理”应理解为是指用于电子数据处理(EDP)的已知方法。
数字图像文件可以以各种格式存在。例如，数字图像文件可以编码为光栅图形。光栅图形由所谓的图像元素(像素)或体积元素(体素)的网格排列组成，在每种情况下都为其分配颜色或灰度值。为了简单起见，在本说明书中假定放射学图像以光栅图形的形式存在。然而，这一假设不应被理解为以任何方式加以限制。存在许多可能的数字图像格式和彩色编码；对于图像处理领域的技术人员来说，本说明书中的教学如何应用于不同的图像格式是清楚的。
用于确定ARDS指标值的进一步的患者数据包括与重症监护患者的生命参数相关的生命数据。
“生命参数”是在检查生命体征时确定的重要身体功能的测量值。生命参数通常包括重症监护患者的心率、呼吸频率、血压和体温。
进一步的生命参数是血氧饱和度和/或氧分压。
氧饱和度，简称sO2，是血液中存在的氧和血液的最大氧容量的商(以百分比表示)。因此，氧饱和度表明血液中负载氧气的总血红蛋白的百分比。氧饱和度可以用不同的方法在心血管系统的不同部分进行测定。可以区分以下氧饱和度：动脉氧饱和度(SaO2)、静脉氧饱和度(SvO2)、中心静脉氧饱和度(ScvO2)和混合静脉氧饱和度(SmvO2)。优选地，测量动脉氧饱和度和/或混合静脉氧饱和度。氧饱和度优选地是使用脉搏血氧计和/或通过血气分析来测量。
氧分压(pO2)是指血液中气态氧所施加的压力。血液中氧分压越高，氧饱和度就越高。这种关系是非线性的，因为血红蛋白的氧亲和力依赖于已经结合的O2分子的数量；氧结合曲线呈S型曲线。优选地，测量动脉氧分压(paO2)。
进一步的生命参数是吸入氧分数(FiO2)。吸入氧分数表示吸入气体中氧气的比例。其可以指定为百分比或十进制数。
进一步的生命参数是氧合指数(Horowitz商)。其定义为动脉氧分压(paO2)与吸入空气中氧浓度(FiO2)的商：Horowitz商＝paO2/FiO2。
可以想到进一步的生命参数，特别是可以从所述生命参数计算或导出的生命参数。
由于对重症监护患者定期进行血气分析，因此在血气分析期间确定的进一步的参数的值可以作为生命参数被包括在ARDS自动检测中，例如，血液的pH、二氧化碳分压、实际碳酸氢盐、过量碱和/或类似的(参见例如H.W.Striebel:
Figure BDA0003745937750000081
Intensivmedizin,Notfallmedizin[Anesthesia,intensive care,emergency care],7th edition,Schattauer 2009,ISBN:978-3-7945-2635-2)。这同样适用于进一步的参数，其值是常规确定的重症监护患者的值。
生命数据描述了生命参数在不同时间的值。对于每个生命参数，优选地可获得至少10个特定时间的值(优选地在过去12小时内生成)。在一个实施方案中，每个生命数据都带有表明其何时被获取的时间戳。在另一实施方案中，生命数据或生命数据的一部分是时间谱数据(temporal profile data)，即，生命参数的值为时间的函数。
可以想到待作为确定ARDS指标值的基础的进一步的数据。所述进一步的数据可以是动态数据。术语“动态数据”应理解为是指可以在一段时间内(例如，一周内或一天内)可以显著变化的数据。动态数据包含所描述的生命数据。所述进一步的数据也可以是准静态和/或静态数据。这应理解为是指在一段时间内没有显著变化(准静态)或根本没有变化(静态)的数据。如果变化对疾病的进程而言有重要意义，特别是可能发生ARDS，则存在“显著变化”。静态数据的一个实例是重症监护患者的性别。准静态数据的一个实例是重症监护患者的年龄或体重或身高。进一步的数据也可以是历史数据，例如诊断结果、病历数据、与患者自我评估相关的数据等。
利用人工神经网络确定ARDS指标值。已经使用参考数据训练人工神经网络，以根据患者数据确定ARDS指标值。例如，可以已经通过监督式学习来训练和验证人工神经网络。在这种情况下，将患者数据提供给人工神经网络，并且将患者数据的来源患者是否患有ARDS传达给人工神经网络。例如，可以使用此训练数据通过反向传播法来创建模型，该模型学习患者数据与诊断之间的关系(ARDS存在或不存在)，该关系可以应用于未知患者数据(来自不确切知道其是否患有ARDS的患者的数据)。
根据本发明的人工神经网络包含用于放射学图像和用于生命数据的独立输入层。因此，存在至少两个输入层，第一输入层用于放射学图像的输入，第二输入层用于生命数据的输入。还可以想到存在两个以上的输入层。例如，可以想到对于当前的多个放射学图像中的每个放射学图像存在单独的输入层。还可以想到对于测量的每个生命参数，存在对应的生命数据的单独输入层。还可以想到对于进一步的数据，例如对于进一步的动态、准静态和/或静态数据，存在进一步的输入层。
至少放射学图像和生命数据最初是由根据本发明的人工神经网络彼此分开处理。这种单独处理的目的是确定单独的时间相关描述符。因此，根据本发明的人工神经网络包含至少三个子网络：第一子网络、第二子网络和第三子网络。第一子网络用于确定放射学图像的时间相关的描述符。在本说明书中，所述描述符也被称为图像描述符。第二子网络用于确定生命数据的时间相关的描述符。在本说明书中，所述描述符也被称为生命数据描述符。第一子网和第二子网合并在第三子网中。合并应理解为是指第一子网络的至少一层和第二子网络的至少一层分别连接到第三子网络的层。第三子网络包含输出层。输出层用于输出ARDS指标值。
图像描述符和生命数据描述符均是各自数据的表示。图像描述符是放射学图像的表示；生命数据描述符是一个或多个生命参数的值的表示。描述符优选地具有比原始数据更少的维度。当生成一个描述符时，由此所生成的是以比原始数据更少的维度管理的各个数据的表示。这种降维可以例如通过卷积神经网络(CNN)实现。因此，第一和/或第二子网络均可以被构造为CNN或者包含相关层(特别是卷积层和池化层)。
用于生成图像描述符的第一子网络优选地是密集卷积神经网络(DenseNet)。这样的网络记载于例如G.Hunag et al.:Densely Connected Convolutional Networks,arXiv:1608.06993v5[cs.CV]28Jan 2018。上文已经提到的ChestXnet或其部分也可以用作第一个子网络。
图像描述符和生命数据描述符是时间相关的描述符。这是指关于获取作为描述符基础的数据的时间的信息仍然至少部分存在于描述符中，或者在根据本发明的人工神经网络对其进行进一步处理期间添加到所述描述符中。这个时间信息对于ARDS指标值的确定是重要的，并由反馈神经元处理。因此，根据本发明的人工神经网络具有反馈神经元。特别地，第三子网络包含递归(反馈)神经子网络。因此，根据本发明的人工神经网络能够在确定ARDS指标值时考虑放射学图像和生命数据的随时间的发展。
特别适合的循环网络是长短期记忆(LSTM)或时间感知LSTM网络(参见例如I.M.Baytas et al.:Patient Subtyping via Time-Aware LSTM Networks,Proceedingsof KDD‘17,2017,DOI:10.1145/3097983.3097997)。
在优选实施方案中，第三子网络具有反馈神经元。第一和/或特别地，第二子网络可以同样具有反馈神经元。
在优选实施方案中，第二子网络具有自编码器和/或其已经在自编码器的帮助下被预先训练。自编码器的目的是学习一组数据的压缩表示(编码)，从而提取基本特征。这是指其可以用于降维。自编码器记载于例如Q.V.Le:A Tutorial on Deep Learning Part 2:Autoencoders,Convolutional Neural Networks and Recurrent Neural Networks,2015,https://cs.stanford.edu/～quocle/tutorial2.pdf；W.Meng:RelationalAutoencoder for Feature Extraction,arXiv:1802.03145v1[cs.LG]9Feb2018；WO2018046412A1。
在特别优选的实施方案中，第二子网络包含后接自编码器的递归(反馈)神经网络。
下文参照附图更具体地阐明本发明，但不希望将本发明限制于附图中所示的特征或特征的组合。
图1示意性地示出了根据本发明的计算机系统(10)的一个实施方案。计算机系统(10)包含输入装置(11)、控制和计算装置(12)和输出装置(13)。控制和计算装置(12)包含具有用于执行逻辑运算的一个或多个处理器的处理装置(14)和存储装置(15)。
通过输入装置(11)接收和/或检索患者数据。
处理装置(14)是使用处理器可执行指令(其可存储在存储装置(15)中)配置，以在人工神经网络(可同样存储在存储装置(15)中)的协助下根据患者数据确定ARDS指标值，并将所述ARDS指标值与阈值进行比较。处理装置(14)还被配置为在ARDS指标值与阈值存在定义的偏差时经由输出装置(13)输出通知。
图2示意性地示出了根据本发明的神经网络(20)的一个实施方案。网络(20)包含一个第一子网络(21)、一个第二子网络(22)和一个第三子网络(23)。将重症监护患者的放射学图像(24)提供给第一子网络(21)。将生命参数的生命数据(25)提供给第二子网络(22)。第一子网络(21)和第二子网络(22)合并在第三子网络(23)中。通过第三子网络(23)输出由神经网络(20)根据所提供的数据确定的ARDS指标值(26)。
可以想到向神经网络(20)提供在确定ARDS指标值时考虑的进一步的数据(27)。
图3示意性地示出了根据本发明的神经网络(20)的另一个实施方案。网络(20)包含一个第一子网络(21)、两个第二子网络(22-1、22-2)和一个第三子网络(23)。将重症监护患者的放射学图像(24)提供给第一子网络(21)。将生命参数的生命数据(25)提供给一个第二子网络(22-1)。将其他患者数据(27)提供给另一个第二子网络(22-2)。第一子网络(21)和第二子网络(22-1、22-2)合并在第三子网络(23)中。通过第三子网络(23)输出由神经网络(20)根据所提供的数据确定的ARDS指标值(26)。
图4示意性地示出了根据本发明的神经网络(20)的另一个实施方案。网络(20)包含一个第一子网络(21)、一个第二子网络(22)和一个第三子网络(23)。将重症监护患者的放射学图像(24)提供给第一子网络(21)。将生命参数的生命数据(25)提供给第二子网络(22)。第一子网络(21)和第二子网络(22)合并在第三子网络(23)中。通过第三子网络(23)输出由神经网络(20)根据所提供的数据确定的ARDS指标值(26)。
图5示意性地示出了根据本发明的神经网络(20)的另一个实施方案。在本实施例中，存在多个子网络(21-1、21-2、21-3)，每个子网络分别处理一个放射学图像(24-1、24-2、24-3)。放射学图像来自同一患者，但优选地在不同的时间记录。优选地，第一子网络的结构和权重是相同的。此外，存在多个第二子网络(22-1，22-2)，一个用于处理与生命参数相关的生命数据(25)，另一个用于处理其他数据(27)。优选地，第二子网络的结构和/或权重并不相同。子网络合并在第三子网络(23)中。通过第三子网络(23)输出ARDS指标值(26)。
图6通过示例且示意性地(by way of example and schematically)示出了用于处理放射学图像的第一子网络的功能原理，第一子网络是CNN的形式。图4描绘了CNN中的各个层。将放射学图像(24)提供给CNN。例如，光栅图形的灰度级可以被逐个像素或逐个体素提供给输入层作为输入数据。CNN通常包含多个卷积层和池化层(40，41)。在这些层中执行的是卷积运算，其输出被传递到下一层。在卷积层内执行的降维是使CNN能够缩放(scale)较大图像的一个方面。卷积层和池化层的输出通常在多个全连接层(42)中结束。
图7通过示例示出了CNN的卷积层内的计算阶段。向CNN的卷积层(52)中的输入(51)可以分三个阶段处理。这三个阶段可以包含卷积阶段(53)、检测阶段(54)和收集阶段(55)。然后卷积层(52)可以向后续卷积层(56)输出数据。
图8通过示例示出了递归神经网络。在递归神经网络(RNN)中，网络的先前状态影响网络的当前状态的输出。所描绘的RNN包含接收输入向量(x1，x2)的输入层(60)、具有反馈机制(62)的隐藏层(61)，以及输出结果的输出层(63)。
图9以流程图形式示意性地示出了根据本发明的方法(70)的一个实施方案。在第一步骤(71)中，接收患者数据。患者数据包含重症监护患者胸部的多个放射学图像(24)、与重症监护患者的生命参数相关的多个生命数据(25)、以及可选地进一步的数据(27)。
在另一步骤(72)中，将患者数据提供给人工神经网络。人工神经网络被配置为基于患者数据确定ARDS指标值。在另一步骤(73)中，将所述ARDS指标值与阈值进行比较(“IARDS>S”？)。如果ARDS指标值和阈值之间存在定义的偏差(“y”)，则在另一步骤(74)中输出通知，表明在重症监护患者中发生ARDS的概率高。另一方面，如果存在ARDS的概率低(“n”)，则不给出通知；相反，一旦获得新的患者数据，则再次通过(pass through)根据本发明的方法(70)。
图10通过示例示出了人工神经网络的训练。一旦为一个任务构建了给定的网络(82)，则使用训练数据集(80)训练神经网络。为了开始训练过程，可以随机或通过预训练选择初始权重，例如使用深度信念网络。然后，可以监督或在无人值守的情况下运行训练周期。监督式学习是一种学习方法，其中训练是作为中介操作来执行，例如当训练数据集(1102)包含与输入的期望输出配对的输入时，或者当训练数据集包含具有已知输出的输入时。网络处理输入并将结果输出与一组预期或期望输出进行比较。然后以使误差最小的方式改变权重。训练框架(81)可以提供用于监视未经训练的神经网络(82)如何向适合于基于已知输入数据生成正确响应的模型收敛(converge)的工具。可以继续训练过程，直到神经网络达到统计学上期望的准确度。然后，经训练的神经网络(84)可用于生成新数据的输出。
图11通过示例且示意性地示出了通过人工神经网络处理生命数据(25)和进一步的数据(27)的一种可能性。人工神经网络包含具有多个反馈层的子网络(91)，用于处理生命数据(25)中的时间信息。经处理的生命数据在具有多个全连接层的子网络(92)中与进一步的数据(27)合并。然后将合并的数据提供给具有定义的大小的瓶颈(93)，以实现降维。然后重建数据(94)。接下来是具有多个反馈层的子网络(95)，用于生成原始数据的表示(25，27)。子网络(91)->(92)->(93)->(94)->(95)的结构对应于自编码器。

Claims (12)

1.一种计算机系统，包含
-输入装置
-控制和计算装置
-输出装置
其中控制和计算装置被配置为促使输入装置接收与重症监护患者相关的患者数据，其中患者数据至少包含以下患者数据：
ο重症监护患者的胸部的多个放射学图像，其中放射学图像显示不同时间的胸部，以及
ο与重症监护患者的生命参数相关的多个生命数据，其中生命数据详述了与不同时间的生命参数相关的值，
其中控制和计算装置被配置为将所接收的患者数据提供给人工神经网络，
ο其中人工神经网络包含至少三个子网络：第一子网络、第二子网络和第三子网络，
ο其中第一子网络包含第一输入层，其中第二子网络包含第二输入层，其中第三子网络包含输出层，并且其中第一子网络和第二子网络合并在第三子网络中，
ο其中将多个放射学图像提供给第一输入层，并且将多个生命数据提供给第二输入层，
ο其中第一子网络被配置为给每个放射学图像生成时间相关的图像描述符，
ο其中第二子网络被配置为从生命数据生成时间相关的生命数据描述符，
ο其中将时间相关的图像描述符和时间相关的生命数据描述符提供给人工神经网络中包含反馈神经元的层，
ο其中已经使用参考数据训练人工神经网络，以基于患者数据计算ARDS指标值，并经由输出层输出ARDS指标值，
其中控制和计算装置被配置为从所述人工神经网络接收ARDS指标值，
其中控制和计算装置被配置为将ARDS指标值与阈值进行比较，以及
其中控制和计算装置被配置为如果ARDS指标值以定义的方式偏离阈值，则促使输出装置输出通知。
2.根据权利要求1中所述的计算机系统，其中所述多个放射学图像包含重症监护患者胸部的至少三张X射线照片，其中至少一张X射线照片是在过去12小时内产生的，优选地在过去3小时内。
3.根据权利要求1和2中任一项所述的计算机系统，其中所述生命参数选自以下组：重症监护患者的心率、呼吸频率、血压、体温、血氧饱和度、氧分压、吸入氧分数、氧合指数和/或血液pH值。
4.根据权利要求1至3中任一项所述的计算机系统，其中所述控制和计算装置被配置为促使输入装置接收与重症监护患者相关的进一步的患者数据，其中所述进一步的患者数据选自以下组：重症监护患者的年龄、性别、体重、身高、现有疾病和/或先前疾病，其中，控制和计算装置被配置为将接收的患者数据提供给人工神经网络，其中人工神经网络包含一个第一子网络、两个第二子网络和一个第三子网络，其中第一子网络包含第一输入层，其中一个第二子网络包含第二输入层，其中另一个第二子网络包含第三输入层，其中第三子网络包含输出层，其中第一子网络和第二子网络合并在第三子网络中，其中将进一步的患者数据提供给第三输入层。
5.根据权利要求1至4中任一项所述的计算机系统，其中所述通知包含待由医师或医院工作人员采取的推荐措施，以防止重症监护患者的健康状态恶化。
6.根据权利要求1至5中任一项所述的计算机系统，其中所述计算机系统被进一步配置为基于生命参数来监视医院重症监护室中的重症监护患者的健康状态。
7.根据权利要求1至6中任一项所述的计算机系统，其中所述计算机系统可以访问其中存储了一些患者数据的至少一个医院数据库。
8.根据权利要求1至7中任一项所述的计算机系统，其中所述计算机系统被配置为每当有新定义的患者数据可用时，计算新的ARDS指标值。
9.根据权利要求1至8中任一项所述的计算机系统，其中第一子网络是CNN或包含CNN和/或其中第三子网络是RNN或包含RNN。
10.根据权利要求1至9中任一项所述的计算机系统，其中第二子网络是后接自编码器的RNN。
11.一种用于检测重症监护患者中ARDS的方法，包含以下步骤：
-接收与重症监护患者相关的患者数据，其中患者数据至少包含以下患者数据：
ο重症监护患者的胸部的多个放射学图像，其中放射学图像显示不同时间的胸部，以及
ο与重症监护患者的生命参数相关的多个生命数据，其中生命数据详述了与不同时间的生命参数相关的值，
-将患者数据提供给人工神经网络，
ο其中人工神经网络包含至少三个子网络：第一子网络、第二子网络和第三子网络，
ο其中第一子网络包含第一输入层，其中第二子网络包含第二输入层，其中第三子网络包含输出层，并且其中第一子网络和第二子网络合并在第三子网络中，
ο其中将多个放射学图像提供给第一输入层，并且将多个生命数据提供给第二输入层，
ο其中第一子网络被配置为给每个放射学图像生成时间相关的图像描述符，
ο其中第二子网络被配置为从生命数据生成时间相关的生命数据描述符，
ο其中将时间相关的图像描述符和时间相关的生命数据描述符提供给人工神经网络中包含反馈神经元的层，
ο其中已经使用参考数据训练人工神经网络，以基于患者数据计算ARDS指标值，并经由输出层输出ARDS指标值，
-从人工神经网络接收所提供的患者数据的ARDS指标值，
-将ARDS指标值与阈值进行比较，
-如果ARDS指标值以定义的方式偏离所述阈值，则输出通知。
12.一种计算机程序产品，包含可装载到计算机系统存储器中的计算机程序，其中其促使计算机系统执行以下步骤：
-接收与重症监护患者相关的患者数据，其中患者数据至少包含以下患者数据：
ο重症监护患者的胸部的多个放射学图像，其中放射学图像显示不同时间的胸部，以及
ο与重症监护患者的生命参数相关的多个生命数据，其中生命数据详述了与不同时间的生命参数相关的值，
-将患者数据提供给人工神经网络，
ο其中人工神经网络包含至少三个子网络：第一子网络、第二子网络和第三子网络，
ο其中第一子网络包含第一输入层，其中第二子网络包含第二输入层，其中第三子网络包含输出层，并且其中第一子网络和第二子网络合并在第三子网络中，
ο其中将多个放射学图像提供给第一输入层，并且将多个生命数据提供给第二输入层，
ο其中第一子网络被配置为给每个放射学图像生成时间相关的图像描述符，
ο其中第二子网络被配置为从生命数据生成时间相关的生命数据描述符，
ο其中将时间相关的图像描述符和时间相关的生命数据描述符提供给人工神经网络中包含反馈神经元的层，
ο其中已经使用参考数据训练人工神经网络，以基于患者数据计算ARDS指标值，并经由输出层输出ARDS指标值，
-从人工神经网络接收所提供的患者数据的ARDS指标值，
-将ARDS指标值与阈值进行比较，
-如果ARDS指标值以定义的方式偏离所述阈值，则输出通知。
CN202080093072.9A 2019-12-05 2020-11-23 肺部疾病检测中的辅助设备 Pending CN114981897A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
EP19213939 2019-12-05
EP19213939.2 2019-12-05
EP20151108.6 2020-01-10
EP20151108 2020-01-10
PCT/EP2020/083003 WO2021110446A1 (de) 2019-12-05 2020-11-23 Unterstützung bei der erkennung von lungenerkrankungen

Publications (1)

Publication Number Publication Date
CN114981897A true CN114981897A (zh) 2022-08-30

Family

ID=73452224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080093072.9A Pending CN114981897A (zh) 2019-12-05 2020-11-23 肺部疾病检测中的辅助设备

Country Status (4)

Country Link
US (1) US20230029547A1 (zh)
EP (1) EP4070327A1 (zh)
CN (1) CN114981897A (zh)
WO (1) WO2021110446A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022106302A1 (en) 2020-11-20 2022-05-27 Bayer Aktiengesellschaft Representation learning

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9554740B2 (en) * 2008-02-07 2017-01-31 Koninklijke Philips N.V. Apparatus for measuring and predicting patients' respiratory stability
CN104115150B (zh) 2012-02-17 2018-05-04 皇家飞利浦有限公司 急性肺损伤(ali)/急性呼吸窘迫整合征(ards)评估和监测
EP3510530A1 (en) 2016-09-07 2019-07-17 Koninklijke Philips N.V. Semi-supervised classification with stacked autoencoder
US11631485B2 (en) * 2017-09-26 2023-04-18 Koninklijke Philips N.V. System and method for joint clinical decision for pharmaceuticals

Also Published As

Publication number Publication date
US20230029547A1 (en) 2023-02-02
EP4070327A1 (de) 2022-10-12
WO2021110446A1 (de) 2021-06-10

Similar Documents

Publication Publication Date Title
JP6541738B2 (ja) 急性肺損傷（ａｌｉ）について患者をモニタする装置及びその作動方法
CN110459328B (zh) 临床监护设备
US9554740B2 (en) Apparatus for measuring and predicting patients' respiratory stability
JP6402185B2 (ja) トリアージ決定に基づく臨床決定支援システム
JP6557673B2 (ja) 生理学的データセットにおけるトレンドおよび変動を表示するための方法およびデバイス
JP2018513727A (ja) 心血管劣化の警告スコア
CN108135489B (zh) 将成像与生理监测结合的增强的急性护理管理
EP4272645A1 (en) Method and apparatus for converting electrical biosignal data into numerical vectors, and method and apparatus for analyzing disease by using same
JP2018512237A (ja) 急性呼吸促迫症候群（ａｒｄｓ）のリスクスコアによって導かれる換気治療推薦のためのツール
EP4173001A1 (en) Systems and methods for respiratory support recommendations
CN117672532B (zh) 住院患者护理风险评估预警监控系统及方法
Rozo et al. Data augmentation and transfer learning for data quality assessment in respiratory monitoring
CN114981897A (zh) 肺部疾病检测中的辅助设备
Sarlabous et al. Development and validation of a sample entropy-based method to identify complex patient-ventilator interactions during mechanical ventilation
US11901074B2 (en) Medical information processing apparatus, medical information processing method, and non-transitory computer-readable storage medium storing program
Park Artificial intelligence application cases and considerations in digital healthcare
US20230201504A1 (en) System and method for generating patient-specific ventilation settings based on lung modeling
KR20220032405A (ko) 흉부 이미지 판독 방법
US20230102865A1 (en) Digital twin of lung that is calibrated and updated with mechanical ventilator data and bed-side imaging information for safe mechanical ventilation
JP7480601B2 (ja) 医療診断支援装置、医療診断支援装置の制御方法、およびプログラム
US20230293103A1 (en) Analysis device
US20230320690A1 (en) Analysis device
US20230386676A1 (en) Systems and methods to detect a false alarm in a patient monitoring device
Rehm A Computational System for Detecting the Acute Respiratory Distress Syndrome Using Physiologic Waveform Data from Mechanical Ventilators
US20240212843A1 (en) Method and apparatus for converting electrical biosignal data into numerical vectors, and method and apparatus for analyzing disease by using same

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