CN115985492A - 一种基于患者的医学信息进行预后管理的系统和方法 - Google Patents
一种基于患者的医学信息进行预后管理的系统和方法 Download PDFInfo
- Publication number
- CN115985492A CN115985492A CN202210197090.2A CN202210197090A CN115985492A CN 115985492 A CN115985492 A CN 115985492A CN 202210197090 A CN202210197090 A CN 202210197090A CN 115985492 A CN115985492 A CN 115985492A
- Authority
- CN
- China
- Prior art keywords
- time
- information
- image
- patient
- medical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本公开涉及一种基于患者的医学信息进行预后管理的方法、系统和计算机可读介质。其中所述方法包括:接收患者的医学信息,所述医学信息至少包括反映与所述患者相关联的对象在第一时间的形态的医学图像。所述方法还包括基于第一时间的医学信息预测第二时间的发展状况,其中所述发展状况指示预后风险,并且所述第二时间在所述第一时间之后。所述方法还包括所述第一时间的所述医学图像,生成第二时间的反映所述对象在所述第二时间的所述形态的预后图像。所述方法还包括向信息管理系统提供对象在第二时间的发展状况和预后图像,以呈现给用户。
Description
相关申请的交叉引用
本申请是2021年9月29日提交的美国申请第17/489,682号,标题为“一种基于患者的医学信息进行预后管理的系统和方法”的部分延续,该申请通过引用整体结合于此。
技术领域
本公开涉及医学数据处理技术领域,更具体地,涉及一种基于患者的医学信息进行预后管理的系统和方法。
背景技术
在医疗领域中,有效的治疗依靠准确的诊断,并且诊断的准确性通常取决于医学图像分析的质量,特别是目标对象(诸如器官、组织、目标部位等)的检测。与常规二维成像相比,容积(3D)成像,诸如容积CT,可捕获更有价值的医疗信息,从而有助于更准确的诊断。按照常规,目标对象通常由经验丰富的医疗人员(诸如放射科医生)手动检测,这使得它很繁琐、耗时且容易出错。
需要准确检测的一个示例性医学状况是脑内出血(ICH)。ICH是一种严重威胁生命的疾病并且每年在全球范围内导致数百万人死亡。该状况通常采用非对比计算机断层扫描(NCCT)进行诊断。脑出血通常分为五种亚型:脑内型、硬膜下型、硬膜外型、脑室内型和蛛网膜下腔型。血肿扩大,即脑出血发病后血肿的自发扩大,发生在约三分之一的脑出血患者中,是导致治疗效果不佳的重要危险因素。对放射科医师来说,通过头颅CT图像和患者临床病史信息的视觉检查来预测HE的风险是一项具有挑战性的任务。现有的临床实践无法准确且快速地预测评估脑出血患者的风险(例如血肿扩大风险)。因此,也缺乏准确高效的风险管理方法。
发明内容
本发明提供一种基于患者的医学信息进行预后管理的系统和方法,用以利用已有的医学信息来对与预后结果相关联的对象的发展状况实现自动预测,并能够生成体现对象在第二时间的预后形态的预后图像,来帮助用户(诸如医生和放射科医生)提高对于对象的发展状况的评估准确性和管理效率,有效辅助用户进行决策。
在第一方面,本公开的实施例提供了一种基于患者的医学信息进行预后管理的方法。所述方法可以包括接收所述医学信息,所述医学信息至少包括反映与所述患者相关联的对象在第一时间的形态的所述患者的医学图像。所述方法还可以包括由所述处理器,由处理器,基于所述第一时间的所述医学信息,预测所述对象在第二时间的发展状况。所述发展状况指示预后风险,所述第二时间在所述第一时间之后。所述方法还可以包括由所述处理器,基于所述第一时间的所述医学信息和在所述第一时间与所述第二时间之间的时间间隔,生成第二时间的体现所述对象在所述第二时间的形态的预后图像。此外,所述方法还可以包括由所述处理器,向信息管理系统提供对象在第二时间的发展状况和所述预后图像,以呈现给用户。
在第二方面,本公开的实施例提供了一种基于患者的医学信息进行预后管理的系统,所述系统可以包括接口,所述接口配置为接收所述医学信息,所述医学信息至少包括反映与所述患者相关联的对象在第一时间的形态的所述患者的医学图像。所述系统还可以包括处理器,所述处理器配置为执行根据各个本公开实施例所述的基于患者的医学信息进行预后管理的方法。
在第三方面,本公开的实施例提供了一种非瞬时性计算机可读介质,其上存储有计算机指令,所述计算机指令由处理器执行时,实现根据各个本公开实施例所述的基于患者的医学信息进行预后管理的方法。
利用根据本公开的实施例的进行预后管理的系统和方法,利用患者在较早时间的医学信息可以对与预后结果相关联的对象在较晚时间的发展状况实现自动预测,并能够生成对象在较晚时间的预后形态的预后图像。发展状况和预后图像可以被提供到信息管理系统和/或直观地展示给用户(诸如医生和放射科医生)。因此可以提高对于对象的发展状况的评估准确性和管理效率。
附图说明
在不一定按比例绘制的附图中,相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例,并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。这样的实施例是例证性的,而并非旨在作为本系统或方法的穷尽或排他实施例。
图1示出根据本公开实施例的进行预后管理的方法的示例性流程图。
图2示出根据本公开实施例的示例性用户界面。
图3示出根据本公开实施例的利用对抗网络生成将来时间的预后图像的示例性框架。
图4示出根据本公开实施例对血肿的检测和分割示例性框架。
图5示出根据本公开实施例训练对抗网络的示例性框架。
图6示出根据本公开实施例的对抗网络的生成器的示例性框架。
图7示出根据本公开实施例的对抗网络的鉴别器的示例性框架。
图8示出根据本公开实施例的预后管理装置的框图。
具体实施方式
下面结合附图和具体实施方式对本公开作详细说明。
本公开中使用的类似于“第一”、“第二”的词语并不表示任何特定顺序、数量或者重要性,而只是用来区分。
为了在临床实践中准确且快速地预测评估脑出血患者的风险,本公开的实施例提供一种基于患者的医学信息进行预后管理的系统和方法。如图1中所示,在在步骤S101中,本公开的预后管理的方法可以获取患者在第一时间的至少包括医学图像的医学信息。例如可以通过用户界面来输入患者在第一时间的医学信息,也可以从数据库读取患者在第一时间的医学信息,例如从本地分发中心获取,或者基于数据库的目录进行加载,具体的患者在第一时间的医学信息的来源在此不做具体限定。常用的患者的医学信息有多种,包括例如医学图像(如胸透、MRI,B超等),医学检测报告,化验结果,医生建议等,本示例中对患者的医学信息的具体类型在此不做具体限定,医学图像可以是DICOM格式的医学图像,例如CT图像,也可以是其他格式的医学图像,在此不做限定。所述医学信息至少包括反映与所述患者相关联的对象在第一时间的形态的所述患者的医学图像。
然后可以在步骤S102中由处理器,基于所获取的医学信息预测与预后结果相关联的对象在第二时间的发展状况,其中所述第二时间在所述第一时间之后。作为一种示例,本实施例并非用当前时间的医学信息来进行当前时间的预测,而是利用当前时间患者的医学信息来实现未来的某个时间对象的发展状况的预测,从而便于为患者进行预后管理。在2021年9月29号提交的美国申请第17/489,682号,标题为“一种基于患者的医学信息进行预后管理的系统和方法”,对步骤S103中执行的预测进行更详细地描述,其内容通过引用整体结合于此。
接着可以在步骤S103中由所述处理器,基于所获取的医学信息和所述第一时间与所述第二时间之间的时间间隔,生成第二时间的体现所述对象在所述第二时间的预后形态的预后图像。并在步骤S104中由所述处理器,向信息管理系统提供对象在第二时间的发展状况和所述预后图像。在一些实施例中,信息管理系统可以是存储和管理患者医学信息的集中式系统。例如,信息管理系统可以存储患者的多模态图像、患者的非图像临床数据以及患者的预后预测结果和模拟预后图像。用户可以访问信息管理系统来监测患者的发展状况。在一些实施例中,信息管理系统可以经由用户界面呈现预测结果。
在一些实施例中,对象可以是医学图像中的病变部位或者病变体,例如对象实例可以是结节、肿瘤或者由医学图像拍摄的任意其他病变或医学状况。因此,比如某个病人患有结节,则本实施例的进行预测得对象的发展状况还可以是该患者在未来的结节的发展状况。对象还可以是患有结节或者肿瘤的患者。在一些实施例中,可以利用当前时间患者的医学信息来预测未来对象的发展状况,并且可以模拟生成(合成)体现对象在未来时间的预后形态的预后图像。通过向用户提供更加形象的预后形态,本公开的进行预后管理方法可以改善诊断。并且通过直观地向用户呈现对象在第二时间的发展状况和预后图像,还能够向用户提供复杂信息以进行更有信息的诊断决策。
常用的患者的医学信息有多种。在一些实施例中,患者在第一时间的医学信息包括患者在第一时间的医学图像。医学图像可以是DICOM格式的医学图像,诸如CT图像,或者其他模态的医学图像,在此不做限制。在一些实施例中,所述医学信息还可以包括非图像临床数据。医学信息还可以包括非图像临床数据。即可以基于医学图像和非图像临床数据执行预测,来获得与预后结果相关联的对象在第二时间的发展状况。非图像临床数据可以是例如临床数据,临床报告或不包含医学图像的其他数据。利用非图像临床数据的补充,能够更有效地指示患者在第一时间的状况,并且能够基于医学信息快速实现发展状况的预测。在一些实施例中,非图像临床数据可以根据临床的用途,从不同类型的数据来源获得。比如非图像临床数据可以是结构化临床数据中获取,例如临床特征项或叙述性临床报告,或两者的组合来获取。独立地或者附加地,如果可以提供叙述性、非结构化的临床报告,则可以根据所需临床数据的格式,通过自动处理方法诸如自然语言处理(NLP),将其转换为结构化的临床信息项,获取非图像临床数据。通过这种格式转换,能够将各类的例如叙述性、非结构化的临床报告等数据转换为统一的处理器能够处理的非图像临床数据,从而降低处理器的数据处理复杂程度。
根据本公开的进行预后管理的方法可以向用户可访问的信息管理系统提供对象在第二时间的发展状况和所述预后图像。在一些实施例中,还可以由所述处理器,与对象在第二时间的发展状况和所述预后图像中的至少一个相关联地呈现第一时间与第二时间之间的时间间隔。以血肿为示例对象,如图2所示,可以在用户界面关联地展示,时间间隔为26小时以及对象在第二时间(例如26小时之后)的发展状况和预后图像。通过直观地将时间间隔展示给用户,能够辅助忙碌的医生在第一时间有效地进行决策的搜索和判定,为医生和病人节约宝贵的时间,提高医生的诊断效率。
具体的第二时间可以是医生监测或观察特定状况的时间,并且时间间隔可以相应的设定为第二时间与第一时间之间的差,例如24小时,48小时或者72小时等。例如图2中给出了时间间隔为26小时的情况。可以假设,根据预后管理的观察所需,可以使用其他时间间隔。在一些实施例中,用户可以调整时间间隔,所述处理器可以相应地调整第二时间。响应于所述用户的输入,可以预测对象在调整后的第二时间的发展状况和所述预后图像,并且提供给信息管理系统以向用户呈现。例如用户需要观察对象在第一时间之后的3小时、4小时、12小时、甚至是一周或者几个月等可能的发展状况,则用户可以输入时间间隔,并且处理器可以分别确定第二时间,预测对象在第二时间的发展状况以及模拟预后图像。由此用户可以观察关注度较高的未来时间对象的发展状况,更好地帮助医生进行诊断。在一些实施例中,第二时间可以是任意的未来时间。例如,在预测血肿扩大的情况下,可以预测血肿在任意的未来时间(不限定具体时间的未来)的扩大风险,也就是预测血肿在未来的扩大风险。血肿在未来的扩大风险对于脑内出血(ICH)疾病的诊断来说,是重要的参考指标,可以为医生的决策提供充分的参考。
向用户呈现对象在第二时间的发展状况和所述预后图像的方式可以有多种方式,例如可以通过输出(打印)预后管理报告,通过短信、电子邮件等方式向用户发发送预后管理的信息。还可以例如由信息管理系统通过用户界面的方式来向用户呈现预后管理的结果。在一些实施例中,还可以在用户界面的部分向用户呈现所述患者在第一时间的体现各个对象实例的形态的医学图像。如图2所示,用户界面包括5个部分(部分201-205),各部分之间可以通过分割线进行分隔。第一部分201可以向用户呈现患者在第一时间的体现各个对象的形态的医学图像。还是以对象为血肿为例进行说明,图2中第一部分201,DICOM脑部图像可以同时包括患者(约翰史密斯)在第一时间的体现该对象的形态的切面图像和3D图像,此时的第一时间指的是第四部分204中指示的23小时前。在对象包含诸如血肿实例的多个对象实例的情况下,第一部分201还可以展示各血肿实例的细节。例如在一些实施例中,在用户界面的第一部分内,可以与所述患者在第一时间的医学图像相关联地,呈现各个对象实例的体积、亚型和位置。例如图2中,包括了血肿1、血肿3和血肿4三个编号的血肿实例。由此可以对第一时间的血肿信息进行展示,例如分别展示血肿1、血肿3、血肿4的位置、体积和亚型等信息。通过展示各个血肿实例的视觉和文本信息,能够辅助用户直观的确定各个血肿的优先就诊顺序。比如医生和医院对非关键部位的血肿可以放宽就诊时间的同时将资源集中于关键的一个或多个血肿,从而提高医疗资源的使用效率。
在一些实施例中,还可以在用户界面的第二部分向用户呈现所述患者在第一时间的与所述对象的发展相关联的非图像临床数据。例如图2中第二部分202还展示了患者约翰史密斯的非图像临床数据,第二部分202展示的非图像临床数据可以是与对象的发展相关的数据。例如对象是结节,则第二部分202展示的内容可以是与结节发展相关的数据,例如年龄、性别、遗传史等。又例如对象是肿瘤,则第二部分202展示可以是与肿瘤发展相关的数据,例如年龄、性别、吸烟史等。在对象是血肿的情况下,所述与所述对象的发展相关联的非图像临床数据可以包括患者的性别、年龄、从发病到首次检查之间的时间、BMI、糖尿病史、吸烟史、饮酒史、血压以及心血管疾病史。图2中的第二部分202能够呈现非图像临床数据,例如约翰史密斯,男性,36岁,从发病到第一次检查之间的时间为23小时,糖尿病史、吸烟史、饮酒史均有,血压正常没有高血压,有高血脂。独立地或者附加的还可以显示患者当前正在服用的药品,进一步辅助医生进行决策。还可以提供标签或者链接,响应于用户的点击操作从而显示更多的该患者的非图像临床数据。
还是以血肿为例,在一些实施例中发展状况可以包括血肿实例或者患者血肿的扩大风险,其中所述第一时间为在脑实质出血的发病之后的时间。也即在对象是血肿的情况下,对象的发展状况可以包括某个血肿或者该患者的扩大风险。血肿扩大,即脑出血发病后血肿的自发扩大,发生在约三分之一的脑出血患者中,是导致治疗效果不佳的重要危险因素。因此对于血肿,医生主要关注的于是否脑实质出血,本示例中可以将第一时间设置为在脑实质出血的发病之后的时间,此时医生可能认为观察血肿扩大是有帮助的,从而更加贴合医生的诊断需求。如图2所示,第五部分205展示了包括血肿2、血肿3和血肿5三个编号的血肿在23小时之后的扩大风险。对应的风险可以设置指定的阈值,在预测的扩大风险大于该指定阈值的情况下,进一步展示风险的等级。例如血肿2和血肿3为血肿扩大风险较高的血肿,可以标注为高风险,血肿5为血肿扩大风险较低的血肿,可以标注为低风险。独立地或附加的,如图2所示,还可以展示出具体的预测的扩大风险的数值,还可以设置至少预设阈值,通过该预设阈值来进行等级划分。例如当预测的扩大风险的数值超过该预设阈值可以认为是高风险,低于该阈值可以认为是低风险。类似的还可以设置中风险数值范围,在此不做具体限定。独立地或者附加地还可以展示该患者的血肿扩大风险或风险等级,例如图2中该患者有95%的血肿扩大的风险(高风险),预测的扩大风险本身也可以是一个数值范围,例如85%-95%,具体在此不做一一限定。本公开的预后管理方法提供该痛点的高效的风险管理方案,能够有效地辅助医生进行患者的预后管理工作。
在一些实施例中,如图2所示,还可以在用户界面的第三部分203向用户呈现所述患者在第二时间的所述预后图像。例如图2中给出了用户期望预测在23小时之后的对象的发展状况。则可以将预测的23小时之后的对象的预后图像通过第三部分203进行展示。在一些实施例中,第三部分203显示的图像可以是与第一部分201中呈现的图像对应的类型。例如图2中在第一部分201中同时展示了切面图像和3D图像,则在第三部分203可以呈现对应于第二时间的模拟的切面图像和3D图像,使得用户可以进行并排比较。
本示例中体现第二时间的预后形态的预后图像可以呈现为二维形式的切面、3D图像或者二维图像切面与3D图像的组合。在呈现3D图像的情况下,可以根据用户的操作指令进行缩放,旋转,生成局部图像等图像操作。例如在一些实施例中,所呈现的医学图像和预后图像可以包括冠状面、矢状面、轴状面的截面图像以及三维图像。冠状面、矢状面、轴状面的截面图像是具有代表意义的截面。同时还可以展示三维图像并可以根据用户的指令进行例如缩放,局部切面等的操作,由此医生可以访问其他感兴趣区域的切面。
在一些实施例中,所述对象的发展状况可以包括如下中的一种或多种,比如对象实例或患者的增大风险、对象实例或患者的恶化风险、对象实例或患者的扩展风险、对象实例或患者的转移风险、对象实例或患者的复发风险、对象实例的位置、对象实例的体积和对象实例的亚型。对象实例可以是患者的目标对象的出现,例如血肿实例。血肿扩大风险可以在第五部分205进行单独地呈现(例如,分别示出血肿2、3和5的扩大风险)和/或以集体方式呈现(例如还示出患者的合计血肿扩大风险)。
作为用户界面的另一种示例,如图2所示,还可以在第四部分204中展示其他患者信息,例如姓名,就诊医院,以及第一时间相关的信息,例如图2中,第一时间点为23小时前。独立地或者附加的还可以提供若干按钮,用户可以点击按钮来实现例如选取其他的时间点,或者进行多时间点的对比,还可以选择其他的患者的操作。
本示例的预后管理方法预测与预后结果相关联的对象在第二时间的发展状况。具体预测的过程可以结合深度学习网络来实现,例如在一些实施例中,基于所获取的医学信息和所述时间间隔,生成第二时间的预后图像具体可以包括:基于所获取的医学信息和在所述时间间隔,利用生成对抗网络(GAN),来生成第二时间的预后图像。也即本示例在预测环节可以利用生成对抗网络的生成器来生成预后图像。还是以血肿为例,通过生成对抗网络可以生成在第二时间的模拟头部图像,向医生提供一种更加直观方式来评估ICH患者未来的潜在风险。
例如图3示出了根据本公开实施例的利用对抗网络生成未来时间的预后图像的示例性框架。在一些实施例中,生成对抗网络可以包括生成器模块300和鉴别器模块500,且基于所获取的医学信息和所述时间间隔,利用生成对抗网络,来生成第二时间的预后图像具体可以包括,首先获取与第一时间的医学图像对应的对象的检测和分割信息。然后对所述第一时间的医学图像和对应的对象的检测和分割信息进行融合,以得到第一融合信息。以对象为血肿为例进行举例说明,如图3所示,可以基于血肿实例的检测和分割信息以及原始的CT脑部图像来进行融合。作为一种示例,如图4所示,对血肿的检测和分割可以采用蒙版RCNN来实现,例如蒙版RCNN是一个多任务编码器-解码器网络,可以用来执行体素级分类任务和回归任务。例如蒙版RCNN可以包括第一编码器401和第一解码器402,例如图4中可以将血肿患者的头部图像数据输入蒙版RCNN的第一编码器401中,接着将第一编码器401的输出作为第一解码器402的输入来获得各个血肿实例的检测和分割信息。例如检测和分割可以分割出包括血肿相关的中心点、尺寸、亚型、出血位置和体积等信息。所获得的血肿的检测和分割信息可以与原始的CT脑部图像进行融合,从而可以获得初始的第一融合信息。接着基于所述第一融合信息以及所述第一时间与所述第二时间之间的时间间隔,利用训练好的生成器模块300,来生成第二时间的预后图像。
在一些实施例中,生成对抗网络可以通过如下步骤基于训练数据进行训练。例如可以为生成对抗网络构建训练集,训练集中可以包括多个训练数据。每个训练数据可以包括第三时间的医学图像及对象的检测和分割信息、所述第三时间与后面的第四时间之间的采样时间间隔,以及所述第四时间的医学图像及对象的检测和分割信息。示例性的,生成对抗网络的训练过程可以首先确定第三时间的医学图像及对象的检测和分割信息,并基于此确定第三时间的医学图像的第一融合信息。在一些实施例中,可以采用蒙版RNN来检测和分割,在此不做赘述。如图5所示,在训练过程中可以通过生成器模块300来基于所述第一融合信息以及所述第三时间与后面的第四时间之间的时间间隔,来确定在第四时间的合成融合信息。接着还可以基于第四时间的医学图像及对象的检测和分割信息,确定第二融合信息。然后可以基于所述第一融合信息和所述第四时间的合成融合信息,形成合成信息对;基于所述第一融合信息和所述第二融合信息,形成真实信息对。利用所述鉴别器模块500对所述合成信息对和所述真实信息对进行鉴别,基于所述鉴别器模块500的结果,对所述生成器模块300的待训练的模型参数进行调整。所生成的合成信息对和真实信息对可以作为生成对抗网络的鉴别器模块500的输入。鉴别器模块500被配置为区分出真实信息对和合成信息对,鉴别器模块500与生成器模块300具有相反的训练目标,也即生成器模块300期望生成看起来真实的图像,以用于输出作为第二时间的预后图像。而鉴别器模块500被配置为区分真实信息对和合成信息对,两个模块都可以以迭代方式进行训练。与非任务特定的GAN网络相比,由生成器模块300生成的任何图像都将通过鉴别器模块500。训练过的框架可以生成在临床上更加逼真的预后图像。同时本公开的预后管理的方法还结合了分割信息,因此本公开的预后管理方法能够确保生成对抗网络专注于病变的区域。
在一些实施例中,生成器模块300的实现可以是任何通用的编码器-解码器卷积神经网络。如图6所示,生成器模块300可以包括第二编码器601和第二解码器602,生成器模块300的输入和输出的特征的维度等于初始头部CT图像的维度。在第二编码器601的最后一层,编码特征被展平为一维特征向量的形式,这样非成像信息可以作为附加通道连接到编码图像特征,具体的非成像信息可以包括例如临床信息和扫描间隔时间等。然后利用第二解码器602将编码的特征解码为原始图像维度中的数据。
在一些实施例中,鉴别器模块500可以使用具有多层感知器(MLP)的CNN框架来实现,以实现对输入的是真实/可信信息还是合成信息进行鉴别,并可以输出二进制结果来表明这一点。在训练阶段,生成器-鉴别器旨在实现联合损失最小,一种损失函数的示例如下公式(1):
其中x′,x分别表示合成数据和真实数据,表示生成器模块-鉴别器模块的总损失,表示鉴别器模块的损失,表示生成器模块的损失。具体的损失函数的实现可以采用多种形式,包括但不限于minimax损失、二元交叉熵损失或任何形式的分布距离损失。上述损失函数仅仅作为示例,训练过程也可以采用其他形式的损失函数。
图7示出了鉴别器模块500的示例性框架,鉴别器模块500可以包括第三编码器701和全连接层702。可以将真实信息对和合成信息对作为第三编码器701的输入,并通过全连接层702鉴别出真实还是合成的结果。在推理阶段,可以仅通过应用生成器模块300进行预测,鉴别器模块500仅在训练阶段提供监督作用的辅助模块。可以利用训练获得的生成器模块300根据初始扫描和后续扫描之间的时间间隔生成在第二时间的血肿形态的可能进展,包括生成第二时间的预后图像,并且进一步模拟出对象在第二时间的预后形态。用户(例如放射科医生)可以基于这些预测评估患者的状况。独立地或附加地,初始扫描与后续扫描之间的持续时间以及非成像数据等信息用户可以通过用户界面(UI)来完成输入。
本公开的预后管理方法基于所能获得的患者的医学信息通过预测模型来进行预测,并可以生成第二时间的体现对象在第二时间的预后形态的预后图像,从而能够非常直观地为医生的诊断提供有效的辅助。并且通过特殊设计的生成对抗网络的,能够使得生成的预后形态的图像在临床上更加逼真,帮助医生改进诊断。
本公开的实施例还提供一种基于患者的医学信息进行预后管理的装置,如图8所示,所述装置包括处理器801、存储器802及通信总线。所述通信总线用于实现处理器801和存储器802之间的连接通信。处理器801可以是包括一个以上通用处理设备的处理设备,诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地,该处理器可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理器还可以是一个以上专用处理设备,诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。在一些实施例中,预后管理设备800还可以包括输入/输出803,输入/输出803也连接在通信总线上,输入/输出803可以用于处理器801获取外部输入的患者的医学信息,输入/输出803也可以将患者的医学信息输入到存储器802中。如图8中,通信总线上还可以连接显示单元804,显示单元804可以用于展示预后管理设备的工作进程和/或者预测结果输出。处理器801还可以用于执行存储器802中存储的一个或者多个计算机程序,例如存储器中可以存储预测程序,并且由处理器1401执行以执行根据本公开各个实施例的基于患者的医学信息进行预后管理的方法的步骤。
本公开的实施例还提供一种基于患者的医学信息进行预后管理的系统,所述系统包括:接口,所述接口配置为接收包括由医学成像装置采集的医学图像在内的医学信息。具体地,该接口可以是硬件形式的接口也可以是软件形式的API接口,也可以是两者的组合,在此不做具体限定。该系统还可以包括处理器,所述处理器配置为执行根据本公开各个实施例的基于患者的医学信息进行预后管理的方法的步骤。
本公开的实施例还提供一种非瞬时性计算机可读介质,其上存储有计算机指令,所述计算机指令由处理器执行时,实现根据本公开各个实施例的基于患者的医学信息进行预后管理的方法的步骤。本示例中计算机可读存储介质可以是非暂时性计算机可读的介质,诸如只读存储器(ROM)、随机存取存储器(RAM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦除可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAM)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器(CD-ROM)、数字通用光盘(DVD)或其他光学存储器、盒式磁带或其他磁存储设备,或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。
此外,尽管已经在本文中描述了示例性实施例,其范围包括任何和所有基于本公开的具有等同元件、修改、省略、组合(例如,各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释,并不限于在本说明书中或本申请的实施期间所描述的示例,其示例将被解释为非排他性的。因此,本说明书中描述的实施例旨在仅被认为是示例,真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
Claims (15)
1.一种基于患者的医学信息进行预后管理的方法,其特征在于,包括:
接收所述医学信息,所述医学信息至少包括反映与所述患者相关联的对象在第一时间的形态的所述患者的医学图像;
由处理器,基于所述第一时间的所述医学信息,预测所述对象在第二时间的发展状况,其中所述发展状况指示预后风险,其中所述第二时间在所述第一时间之后;
由所述处理器,基于所述第一时间的所述医学信息,生成所述第二时间的反映所述对象在所述第二时间的所述形态的预后图像;以及
向信息管理系统提供所述对象在所述第二时间的所述发展状况和在所述第二时间的所述预后图像,以呈现给用户。
2.如权利要求1所述的方法,其特征在于,所述医学信息还包括与所述对象的发展相关联的非图像临床数据。
3.如权利要求1所述的方法,其特征在于,还包括:由所述信息管理系统,以与所述对象在所述第二时间的所述发展状况或在所述第二时间的所述预后图像中的至少一个相关联的方式呈现所述第一时间与所述第二时间之间的时间间隔。
4.如权利要求1所述的方法,其特征在于,还包括:基于所述用户的输入调整所述第二时间;以及
响应于所述用户的所述输入,预测所述对象在调整后的所述第二时间的所述发展状况并且生成在调整后的所述第二时间的所述预后图像。
5.如权利要求2所述的方法,其特征在于,还包括:
在用户界面的第一部分内呈现所述患者在所述第一时间的所述医学图像;
在所述用户界面的第二部分内呈现所述患者在所述第一时间所述非图像临床数据;以及
在所述用户界面的第三部分内呈现所述患者在所述第二时间的所述预后图像。
6.如权利要求5所述的方法,其特征在于,还包括:
在所述用户界面的所述第一部分内,与所述患者在所述第一时间的所述医学图像相关联地呈现所述对象的体积、亚型和位置。
7.如权利要求5所述的方法,其特征在于,所述对象包括血肿,并且所述预后风险包括所述血肿的扩大风险,其中所述第一时间为在脑实质出血的发病之后的时间。
8.如权利要求7所述的方法,其特征在于,与所述对象的所述发展相关联的所述非图像临床数据包括如下中的至少一种:所述患者的性别、年龄、从发病到首次检查之间的时间段、BMI、糖尿病史、吸烟史、饮酒史、血压或心血管疾病史。
9.根据权利要求5所述的方法,其特征在于,所述第一时间的所述医学图像和所述第二时间的所述预后图像各个以冠状面、矢状面、轴状面的截面图像或三维图像中的至少一种呈现。
10.如权利要求1所述的方法,其特征在于,
所述预后风险至少包括如下中的至少一种:所述对象的增大风险、所述对象的恶化风险、所述对象的扩展风险、所述对象的转移风险、所述对象的复发风险、所述对象的位置、所述对象的体积和所述对象的亚型。
11.如权利要求1所述的方法,其特征在于,基于所述第一时间的所述医学图像生成在所述第二时间的所述预后图像还包括:基于所述第一时间的所述医学信息以及所述第一时间与所述第二时间之间的时间间隔,利用生成对抗网络,来生成在所述第二时间的所述预后图像。
12.如权利要求11所述的方法,其特征在于,所述生成对抗网络包括生成器和鉴别器,且基于所述第一时间的所述医学信息和所述时间间隔,利用所述生成对抗网络,来生成在所述第二时间的所述预后图像还包括:
获取与所述第一时间的所述医学图像对应的所述对象的检测和分割信息;
对所述第一时间的所述医学图像和对应的所述对象的检测和分割信息进行融合,以得到第一融合信息;
基于所述第一融合信息以及所述第一时间与所述第二时间之间的所述时间间隔,利用训练好的所述生成器,来生成所述在所述第二时间的所述预后图像。
13.根据权利要求12所述的方法,其特征在于,所述生成对抗网络是基于训练数据进行训练的,所述训练数据的每一项包括第三时间的医学图像及所述对象的检测和分割信息、所述第三时间与所述第三时间之后的第四时间之间的时间间隔,以及所述第四时间的医学图像及所述对象的检测和分割信息,其中所述生成对抗网络的训练包括:
基于所述第三时间的所述医学图像及所述对象的检测和分割信息,确定所述第一融合信息;
基于所述第一融合信息以及所述第三时间与所述第三时间之后的所述第四时间之间的所述时间间隔,利用所述生成器确定所述第四时间的合成融合信息;
基于所述第四时间的所述医学图像及所述对象的检测和分割信息,确定第二融合信息;
基于所述第一融合信息和所述第四时间的所述合成融合信息,形成合成信息对;
基于所述第一融合信息和所述第二融合信息,形成真实信息对;
利用所述鉴别器对所述合成信息对和所述真实信息对进行鉴别;
基于所述鉴别器的所述鉴别结果,对所述生成器的参数进行调整。
14.一种基于患者的医学信息进行预后管理的系统,所述系统包括:
接口,所述接口配置为接收所述医学信息,所述医学信息至少包括反映与所述患者相关联的对象在第一时间的形态的所述患者的医学图像;
处理器,所述处理器配置为执行根据权利要求1-13中任一项所述的基于患者的医学信息进行预后管理的方法。
15.一种非瞬时性计算机可读介质,其上存储有计算机指令,所述计算机指令由处理器执行时,实现根据权利要求1-13中任一项所述的基于患者的医学信息进行预后管理的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/501,041 US20230099284A1 (en) | 2021-09-29 | 2021-10-14 | System and method for prognosis management based on medical information of patient |
US17/501,041 | 2021-10-14 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115985492A true CN115985492A (zh) | 2023-04-18 |
Family
ID=85956861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210197090.2A Pending CN115985492A (zh) | 2021-10-14 | 2022-03-02 | 一种基于患者的医学信息进行预后管理的系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115985492A (zh) |
-
2022
- 2022-03-02 CN CN202210197090.2A patent/CN115985492A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rubin | Artificial intelligence in imaging: the radiologist’s role | |
US11894114B2 (en) | Complex image data analysis using artificial intelligence and machine learning algorithms | |
US10269114B2 (en) | Methods and systems for automatically scoring diagnoses associated with clinical images | |
US20190156947A1 (en) | Automated information collection and evaluation of clinical data | |
RU2687760C2 (ru) | Способ и система компьютерной стратификации пациентов на основе сложности случаев заболеваний | |
Banaste et al. | Whole-body CT in patients with multiple traumas: factors leading to missed injury | |
JP5582707B2 (ja) | 医療意志決定支援装置及びその制御方法 | |
US10522253B2 (en) | Machine-learnt prediction of uncertainty or sensitivity for hemodynamic quantification in medical imaging | |
JP2015131199A (ja) | 医療画像を分析、優先順位付与、視覚化、および報告するための方法およびシステム | |
JP2007524461A (ja) | 乳房撮像の自動診断及び決定支援システム及び方法 | |
CA2530595A1 (en) | Automated regional myocardial assessment for cardiac imaging | |
US20210142480A1 (en) | Data processing method and apparatus | |
EP3477551B1 (en) | Machine-learnt prediction of uncertainty or sensitivity for hemodynamic quantification in medical imaging | |
CN115985492A (zh) | 一种基于患者的医学信息进行预后管理的系统和方法 | |
US20230099284A1 (en) | System and method for prognosis management based on medical information of patient | |
JP6193964B2 (ja) | 情報処理装置、情報処理装置の作動方法および情報処理システム | |
JP2018014113A (ja) | 医療意志決定支援装置及びその制御方法 | |
Borgers | The role of Artificial Intelligence (AI) in radiology: The current ctatus of FDA approved systems | |
JP5865447B2 (ja) | 診断支援装置及びその制御方法、診断支援システム、プログラム | |
CN115881279A (zh) | 基于患者的医学信息进行预后管理的方法、设备和介质 |
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 |