CN116114029A - 使用生物标志物来评估细胞因子风暴的患者风险 - Google Patents

使用生物标志物来评估细胞因子风暴的患者风险 Download PDF

Info

Publication number
CN116114029A
CN116114029A CN202180055335.1A CN202180055335A CN116114029A CN 116114029 A CN116114029 A CN 116114029A CN 202180055335 A CN202180055335 A CN 202180055335A CN 116114029 A CN116114029 A CN 116114029A
Authority
CN
China
Prior art keywords
patient
assessment
vector
medical data
input
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
CN202180055335.1A
Other languages
English (en)
Inventor
D·科马尼丘
A·卡门
A·卡普尔
P·夏尔马
M·西伯特
V·辛格
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.)
Siemens Healthcare Diagnostics Inc
Original Assignee
Siemens Healthcare Diagnostics Inc
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 Siemens Healthcare Diagnostics Inc filed Critical Siemens Healthcare Diagnostics Inc
Publication of CN116114029A publication Critical patent/CN116114029A/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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

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

Abstract

提供了用于确定对患者的医学状况的评估的系统和方法。接收患者的输入医学数据。基于所述输入医学数据来生成表示患者状态的向量。基于所述向量使用基于机器学习的网络来确定对患者的医学状况的评估。输出对患者的评估。

Description

使用生物标志物来评估细胞因子风暴的患者风险
本申请要求2020年8月14日提交的第63/065,585号美国临时申请、2020年8月14日提交的第63/065,663号美国临时申请和2021年5月21日提交的第63/191,440号美国临时申请的权益，其公开内容通过引用整体地并入本文中。
技术领域
本发明总体上涉及评估细胞因子风暴的患者风险，并且特别地涉及使用患者的知识图和/或生物标志物来评估细胞因子风暴的患者风险。
背景技术
细胞因子风暴(也称为高细胞因子血症)是一种生理反应，其中患者的免疫系统释放不受控制且过量的促炎信号分子，称为细胞因子。大量细胞因子的突然释放可能引起多系统器官衰竭和死亡。细胞因子风暴可以由多种状况引起，包括病毒感染、败血症、白血病、淋巴瘤和MAS(巨噬细胞活化综合征)。最近的研究已经示出了细胞因子风暴与需要重症监护并引起器官损伤和衰竭的COVID-19(冠状病毒疾病2019)的严重表现(manifestation)之间的相关性。
用于评估细胞因子风暴的患者风险的常规方法不能够并入各种患者变量之间的先验知识和关系。例如，在患者具有诸如哮喘或糖尿病之类的先存状况，并且已知这样的状况对细胞因子风暴的患者风险具有显著影响的情况下，常规方法不能够并入这样的先验知识和关系。因此，常规方法不能够以足够的灵敏度和特异度来评估细胞因子风暴的患者风险。
发明内容
根据一个或多个实施例，提供了用于确定对患者的医学状况的评估的系统和方法。接收患者的输入医学数据。基于所述输入医学数据来生成表示患者状态的向量。基于所述向量使用基于机器学习的网络来确定对患者的医学状况的评估。输出对患者的评估。在一个实施例中，所述医学状况是细胞因子风暴。
在一个实施例中，对患者的评估包括所述医学状况的风险或严重性得分。在另一实施例中，对患者的评估包括患者结局。所述患者结局可以是存活时间或出院时间中的一个或多个。
在一个实施例中，基于所述输入医学数据来计算知识图。基于所述知识图来生成表示患者状态的另一向量。基于所述另一向量来确定对患者的医学状况的评估。
在一个实施例中，表示患者状态的向量是使用基于机器学习的编码器来生成的。所述基于机器学习的网络是使用利用所述基于机器学习的编码器所估算的(imputed)训练数据来训练的。
在一个实施例中，所述输入医学数据可以包括患者的生物标志物。
通过参考以下具体实施方式和附图，本发明的这些和其他优点将对本领域普通技术人员是明显的。
附图说明
图1示出了根据一个或多个实施例的用于确定对患者的医学状况的评估的方法；
图2示出了根据一个或多个实施例的用于在推断阶段期间使用基于机器学习的网络来确定对患者的医学状况的评估的工作流程；
图3示出了根据一个或多个实施例的用于针对输入医学数据的每个数据类型来训练编码器的工作流程；
图4示出了根据一个或多个实施例的用于确定对患者的评估的用户界面；
图5示出了根据一个或多个实施例的用于训练用于确定对患者的评估的基于机器学习的网络的工作流程；
图6示出了可用于实现一个或多个实施例的示例性人工神经网络；
图7示出了可用于实现一个或多个实施例的卷积神经网络；以及
图8示出了可用于实现一个或多个实施例的计算机的高级框图。
具体实施方式
本发明总体上涉及使用知识图和/或生物标志物来评估细胞因子风暴的患者风险的方法和系统。本文中描述了本发明的实施例以给出对这样的方法和系统的视觉理解。数字图像通常由一个或多个对象(或形状)的数字表示组成。在本文中通常在标识和操纵对象方面来描述对象的数字表示。这样的操纵是在计算机系统的存储器或其他电路/硬件中完成的虚拟操纵。因此，要理解的是，可以使用存储在计算机系统内的数据在计算机系统内执行本发明的实施例。
本文中描述的实施例提供了对患者的细胞因子风暴(或任何其他合适的医学状况)的自动评估。对患者的评估是基于表示患者状态的隐特征的向量来确定的。该向量可以通过对患者的知识图进行编码和/或通过对患者的生物标志物数据进行编码来生成。知识图并入了患者的输入医学数据之间的先验知识和关系，从而实现针对患者的评估的更准确和鲁棒的预测。
图1示出了根据一个或多个实施例的用于确定对患者的医学状况的评估的方法100。方法100可以由一个或多个合适的计算设备(诸如例如图8的计算机802)来执行。图2示出了根据一个或多个实施例的用于在推断阶段期间使用基于机器学习的网络来确定对患者的医学状况的评估的工作流程200。将一起描述图1和图2。
在图1的步骤102处，接收患者的输入医学数据。输入医学数据可以是患者的任何合适的医学数据(包括从其导出的数据)。在一个示例中，如图2中所示，输入医学数据可以是输入医学数据202，包括细胞因子、实验室标志物、共病、临床和人口统计数据以及基于成像的标志物。
在一个实施例中，输入医学数据可以包括患者的生物标志物。生物标志物是患者的客观、可量化的特性。在一个示例中，生物标志物可以包括从患者测量的特性，诸如例如生命体征(例如，温度、心率、呼吸率、血压、血氧饱和度等)。在另一示例中，生物标志物可以包括患者样本(例如，血液)分析的实验室结果，诸如例如细胞因子水平(例如，IL6(白介素6)水平)、IL8(白介素8)水平、CRP(C-反应性蛋白)水平、中性粒细胞水平、嗜酸性粒细胞水平、淋巴细胞水平、肌酸酐水平、D-二聚体水平、LDH(乳酸脱氢酶)水平、INR(国际标准化比率)、肌钙蛋白-I水平、铁蛋白水平、BUN(血尿素氮)水平、白蛋白水平、TNF-a(肿瘤坏死因子α)水平等)。在进一步的示例中，生物标志物可以包括从患者的医学成像数据中提取的特性，诸如例如毛玻璃体积百分比。医学成像数据可以包括任何合适模态的一个或多个2D图像或3D体积，诸如例如计算机断层摄影、磁共振成像、超声、x射线等。可以使用任何合适的方法从医学成像数据中提取这样的特性。
在另一个实施例中，输入医学数据可以包括患者的患者历史数据。例如，患者历史数据可以包括患者的临床数据、患者的共病、患者的家族史等。
在另一实施例中，输入医学数据可以包括患者的人口统计信息，诸如例如年龄、性别、种族、血型、出生地或居住地等。
输入医学数据可以以任何合适的方式来获取。例如，输入医学数据可以在医院处接纳患者时获取，或者可以在患者被接纳到医院之后被监测时的一时间段内获取。可以通过从用户(例如，临床医生)接收输入医学数据作为用户输入、通过从计算机系统(例如，电子健康记录系统)的存储装置或存储器加载先前获取的医学数据、或通过接收已经从远程计算机系统传输的医学数据来接收输入医学数据。
然后，图1的方法100可以前进到步骤104和106、前进到步骤108、或其两者。例如，在一个实施例中，方法100可以前进以执行步骤104和106，而不执行步骤108。在另一个实施例中，方法100可以前进以执行步骤108，而不执行步骤104和106。在另一个实施例中，方法100可以前进以执行步骤104、106和108。在这个实施例中，步骤104和106以及步骤108可以以任何次序执行(即，步骤104和106可以在步骤108之前、之后或者与步骤108同时执行)。
在图1的步骤104处，基于输入医学数据来计算知识图。知识图(也称为语义网络)是输入医学数据之间的关系的表示。知识图被建模为有向图，其中输入医学数据被表示为节点，并且输入医学数据之间的关系被表示为连接节点的边。边与标识节点之间关系的标签相关联。在一个示例中，如图2中所示，知识图可以是基于输入医学数据202所计算的知识图204。
知识图可以根据任何已知的方法来计算。在一个实施例中，知识图可以基于真实的或合成生成的患者数据使用图卷积网络来计算。在一个实施例中，知识图使用元学习框架来计算，其中使用神经网络来优化图嵌入网络，以优化嵌入网络的大小和复杂性，这确保了验证集上的泛化。
知识图并入了先验知识和关系，以定义输入医学数据之间的关系。例如，知识图可以将蛋白质浓度与共病进行关联，将共病彼此关联(因为共病在患者之间不同)并且与输入医学数据进行关联，包括疾病本体(例如，人类表型本体)中的疾病节点，并且定义疾病节点与患者共病之间的关系，和/或定义患者人口统计和习惯(例如，吸烟)与共病(例如，慢性阻塞性肺病)之间的关系。
在一个实施例中，知识图捕获混杂因素(诸如例如，给予患者的治疗和药物)与输入医学数据之间的关系。知识图将治疗和药物与蛋白质和共病进行关联。治疗和药物可以在治疗期间不断地更新，以不断地更新根据方法100所确定的患者评估。具有不断更新的治疗和药物的知识图也可以用于生成治疗计划。治疗和药物与输入医学数据之间的示例性关系包括通气增加氧饱和度，利用免疫抑制剂治疗的具有哮喘或自身免疫性疾病的患者具有较低的细胞因子水平，以及与IL-6R(白细胞介素-6受体)相关的关系(诸如例如托珠单抗(tocilizumab))不应当与TNF-a抑制剂组合，因为它可能导致CYP-450(细胞色素P450)同功酶的活性增加，并且因此引起对应的药理学相互作用，托珠单抗可能导致血压增加以及肝酶(例如丙氨酸氨基转移酶)水平增加，并且沙利鲁单抗(sarilumab)可能导致中性粒细胞减少症和血小板减少症以及脂质和转氨酶水平增加。
在图1的步骤106处，基于知识图来生成表示患者状态的第一向量。第一向量包括通过使用VAE(变分自编码器)的编码器或任何其他合适的基于机器学习的网络对知识图进行编码而生成的隐特征。在一个实施例中，首先通过应用数据归一化函数来归一化知识图，并且编码器接收归一化知识图作为输入，并且生成z隐空间中的隐特征的第一向量作为输出。数据归一化函数可以是例如z归一化或标准零均值归一化。例如，如图2中所示，知识图204通过数据归一化函数206被归一化，并且归一化知识图被输入到编码器E 208中，以生成z隐空间中的隐特征的向量210。编码器可以在先前的离线或训练阶段期间被训练，如下面关于图5所描述。一旦被训练，编码器可以在图1的步骤106处用于生成向量的在线或推断阶段期间被应用。
在图1的步骤108处，基于输入医学数据来生成表示患者状态的第二向量。第二向量包括通过使用VAE的编码器或任何其他基于机器学习的网络对输入医学数据进行编码而生成的隐特征。在一个实施例中，首先通过应用数据归一化函数来归一化输入医学数据，并且编码器接收归一化输入医学数据作为输入，并且生成z隐空间中的隐特征的第二向量作为输出。数据归一化函数可以是例如z归一化或标准零均值归一化。例如，如图2中所示，输入医学数据202通过数据归一化函数212被归一化，并且归一化输入医学数据被输入到编码器E 214中，以生成z隐空间中的隐特征的向量216。编码器可以在先前的离线或训练阶段期间被训练，如下面关于图5所描述。一旦被训练，编码器可以在图1的步骤108处用于生成向量的在线或推断阶段期间被应用。
输入医学数据可以包括异构数据类型的组合。例如，诸如性别、年龄组、体温、心率和实验室测试结果之类的输入医学数据可以是类别性的或离散的，或者可以是连续的实值或仅是正的。为了解决这个异构性，在一个实施例中，离散值可以被近似为连续值(在执行步骤104和/或108之前)。特别地，离散值使用一个热向量表示来表示，并且被近似为连续值。输入医学数据然后可以被组合在一个大的测量向量中。然而，将离散值近似为连续值可能是具有挑战性的，特别是在重建任务中，因为网络在准确地预测连续值与充分地评估近似的离散变量之间进行权衡，使得它们进入相同类别中。在另一实施例中，不同的编码器可以被应用于输入医学数据的每个数据类型。例如，图3示出了根据一个或多个实施例的用于针对输入医学数据的每个数据类型来训练编码器的工作流程300。工作流程300示出了输入医学数据，包括细胞因子302-A、实验室标志物302-B、共病、临床和人口统计302-C以及不同类型的基于成像的标志物302-D(统称为输入医学数据302)。每个输入医学数据302通过相应的数据归一化函数304-A、304-B、304-C和304-D被归一化，并且每个归一化输入医学数据由相应的编码器306-A、306-B、306-C和306-D来编码，以生成z隐空间中的隐特征的向量308。向量308由相应的解码器310-A、310-B、310-C和310-D来解码，以重建归一化输入医学数据，并且然后隐式地估算的重建函数312被应用于集体性重建的归一化输入医学数据，以反转该归一化，从而生成重建的输入医学数据314。隐式地估算的重建函数312仅仅惩罚原始输入医学数据中可用的数据的重建。这个实施例中的编码器和解码器可以基于数据类型使用不同的重建损失来训练。例如，交叉熵损失可以用于针对类别性数据来训练编码器，均方或绝对误差损失可以用于针对连续值来训练编码器，等等。
在图1的步骤110处，基于第一向量和/或第二向量使用基于机器学习的网络来确定对患者的医学状况的评估。在一个实施例中，医学状况是细胞因子风暴。然而，医学状况可以是任何其他合适的医学状况，诸如例如败血症、ARDS(急性呼吸窘迫综合征)、多器官衰竭等。
对患者的评估可以是对患者的任何合适的评估。在一个实施例中，对患者的评估是表示患者医学状况的风险或严重性的风险或严重性得分。该得分可以是类别性得分或实值得分。例如，类别性得分可以是低、中、或高风险或严重性。实值得分可以在从例如0到4的尺度上，其中0指示没有呼吸问题，1指示轻度或中度呼吸问题，2指示严重呼吸问题，3指示具有器官损伤的严重呼吸问题，并且4指示致命性。在另一实施例中，对患者的评估是患者结局，诸如例如需要呼吸机的可能性、末端器官损伤的可能性、致命性的可能性、细胞因子风暴的可能性、存活时间、出院时间等。患者结局的可能性可以是针对一时间段的。例如，患者结局的可能性可以是30天内住院致命性的可能性。
基于机器学习的网络可以是任何合适的基于机器学习的网络。在一个实施例中，基于机器学习的网络是分类器(或回归器)网络。分类器网络可以使用神经网络来实现。例如，分类器可以使用具有多个输出首部的生成性神经网络来实现，每个输出首部对应于不同的评估。基于机器学习的网络可以在先前的离线或训练阶段期间被训练，如下面关于图5所描述。一旦被训练，基于机器学习的网络可以在图1的步骤110处用于确定对患者的评估的在线或推断阶段期间被应用。
基于机器学习的网络接收第一向量、第二向量、或第一向量和第二向量的组合(例如，级联、相加或其组合)作为输入，并且输出对患者的评估。在一个实施例中，基于机器学习的网络生成得分作为输出，并且该得分被输入到附加网络层中，该附加网络层生成一个或多个患者结局作为输出。例如，如图2中所示，分类器/回归器C 218接收向量210和向量216的组合作为输入，并且生成严重性得分220作为输出。严重性得分220被输入在附加网络层222中，该附加网络层222生成患者结局224作为输出。在另一实施例中，基于机器学习的网络生成一个或多个患者结局作为输出，并且患者结局被输入到附加网络层中，该附加网络层生成得分作为输出。在另一实施例中，基于机器学习的网络生成得分连同一个或多个患者结局作为输出(而不使用附加网络层)。
在图1的步骤112中，输出对患者的评估。例如，可以通过在计算机系统的显示设备上显示对患者的评估、在计算机系统的存储器或存储装置上存储对患者的评估、或者通过将对患者的评估传输到远程计算机系统来输出对患者的评估。
在一个实施例中，方法100可以通过连续地获取患者的医学数据以更新输入医学数据而重复，例如重复达特定迭代次数或达特定时间量(例如，在患者被接纳到医院时)。在这个实施例中，可以在步骤110处基于更新的输入医学数据和任何先前确定的对患者的评估来确定对患者的评估。
图4示出了根据一个或多个实施例的用于确定对患者的评估的用户界面400。用户(例如，临床医生)与用户界面400交互以手动输入定义了患者的输入医学数据的输入402作为用户输入，并且响应于用户选择计算图标412，提供了对患者的ARDS(急性呼吸窘迫综合征)评估的预测404被输出。预测404是根据图1的方法100来确定的，其中在图1的步骤102处接收到的输入医学数据是输入402，并且在图1的步骤112处输出的患者评估是预测404。如图4中所示，预测404包括严重性得分406和患者结局408。严重性得分406示出了指示致命性的类别性得分，并且患者结局408示出了ARDS/呼吸机使用、末端器官损伤和住院30天致命性的可能性。用户界面400还示出了基于致命性严重性得分的相似患者的分布410。
图5示出了根据一个或多个实施例的用于训练用于确定对患者的评估的基于机器学习的网络的工作流程500。工作流程500示出了VAE502、VAE 504和分类器506。工作流程500在先前的离线或训练阶段期间被执行，以训练VAE 502、VAE 504和分类器506。一旦被训练，VAE502、VAE 504和分类器506在在线或推断阶段期间被应用。例如，可以应用VAE 502来执行图1的步骤106，可以在图1的步骤108处应用VAE 504，并且可以在图1的步骤110处应用分类器506。
VAE 502包括编码器E 510和解码器D 512。VAE 502是利用来自大量患者记录(例如，超过1000个患者记录)的训练医学数据518来训练的。训练医学数据518可以是任何合适的医学数据。例如，训练医学数据518可以类似于在图1的步骤102处接收到的输入医学数据。训练医学数据518通过数据归一化函数520被归一化。编码器E 510被训练成将归一化训练医学数据编码成z隐空间中的隐特征的向量522，并且解码器D 512被训练成从向量522来重建归一化训练医学数据。隐式地估算的重建函数524被应用以反转重建的归一化训练医学数据的归一化，以生成重建的训练医学数据526。VAE 502是根据重建损失函数528来训练的。
VAE 504包括编码器E 514和解码器D 516。VAE 504是利用从训练医学数据518生成的知识图530来训练的。知识图530通过数据归一化函数532被归一化。编码器E 514被训练成将归一化知识图编码成z隐空间中的隐特征的向量534，并且解码器D 516被训练成从向量534来重建归一化知识图。隐式地估算的重建函数536被应用以反转重建的归一化知识图的归一化，以生成重建的知识图538。VAE 504是根据重建损失函数540来训练的。
分类器506被训练成接收包括向量522、向量534、或向量522和向量534的组合的向量546，并且生成评估作为输出。在一个实施例中，如图5中所示，评估542可以是风险或严重性得分542，所述风险或严重性得分542可以被输入到附加层508中以生成患者结局544。在另一实施例中，评估542可以是患者结局，所述患者结局可以被输入到附加层中以生成风险或严重性得分。在另一实施例中，评估542是风险或严重性得分和患者结局(而不使用附加层)。可以根据使用患者标签的多任务损失函数548、使用监督学习利用VAE 522和/或VAE504来联合地训练分类器506。
如图5中所示，工作流程500包括用于训练编码器E 510以将归一化训练患者数据编码成向量522的部分550、以及用于训练编码器E 514以将归一化知识图编码成向量534的部分552。然而，应当理解的是，工作流程500可以在没有部分550的情况下或在没有部分552的情况下执行。例如，在一个实施例中，在执行工作流程500来将机器学习网络训练成根据基于知识图所生成的第一向量而没有基于输入医学数据所生成的第二向量来确定对患者的评估的情况下(例如，通过执行图1的步骤104和106，而不是步骤108)，在没有部分550的情况下执行工作流程500。在另一实施例中，在执行工作流程500以将机器学习网络训练成根据基于输入医学数据所生成的第二向量而没有基于知识图所生成的第一向量来确定对患者的评估的情况下(例如，通过执行图1的步骤108，而不是步骤104和106)，在没有部分552的情况下执行工作流程500。在另一实施例中，在执行工作流程500以将机器学习网络训练成根据基于知识图所生成的第一向量和基于输入医学数据所生成的第二向量来确定对患者的评估的情况下(例如，通过执行图1的步骤104和106以及步骤108)，利用部分550和部分552两者来执行工作流程500。
在一个实施例中，训练医学数据518可以包括部分数据，所述部分数据不包括训练VAE 502、VAE 504和/或分类器C 506所需要的所有医学数据。例如，实验室测试通常在按需的基础上来执行，并且可能不包括训练所需的所有数据。在一个实施例中，缺失的训练医学数据可以基于现有的训练医学数据518来估算(例如，使用标准估算方法)。在另一实施例中，缺失的医学数据可以由VAE 502来估算。特别地，编码器E 510将部分训练医学数据编码成向量522，并且解码器D 512解码向量522以重建训练医学数据以包括所估算的数据。在VAE 502的训练期间，与缺失的医学数据相关联的权重不被反向传播。在另一实施例中，附加的屏蔽向量可以被输入到分类器C 506，从而标识真实的、所收集的医学数据和所估算的医学数据(例如，使用标准方法)。分类网络应当认识到，所估算的训练医学数据可能不准确，并且仅仅是近似。可以在损失函数内对所估算的训练医学数据的标识进行编码，其中例如均方误差由马氏距离(Mahalanobis distance)的对数来代替，其中方差是从对相同样本的多个重建来评估的。
本文中描述的实施例是关于所要求保护的系统以及关于所要求保护的方法来描述的。本文中的特征、优点或替代实施例可以被指派给其他要求保护的对象，并且反之亦然。换句话说，可以利用在方法的上下文中描述或要求保护的特征来改进用于系统的权利要求。在这种情况下，该方法的功能特征通过提供系统的目标单元来体现。
此外，本文中描述的某些实施例是关于利用经训练的基于机器学习的网络(或模型)的方法和系统、以及关于用于训练基于机器学习的网络的方法和系统来描述的。本文中的特征、优点或替代实施例可以被指派给其他要求保护的对象，并且反之亦然。换句话说，可以利用在用于利用经训练的基于机器学习的网络的方法和系统的上下文中描述或要求保护的特征来改进用于训练基于机器学习的网络的方法和系统的权利要求，并且反之亦然。
特别地，在本文中描述的实施例中应用的经训练的基于机器学习的网络可以通过用于训练基于机器学习的网络的方法和系统来适配。此外，经训练的基于机器学习的网络的输入数据可以包括训练输入数据的有利特征和实施例，并且反之亦然。此外，经训练的基于机器学习的网络的输出数据可以包括输出训练数据的有利特征和实施例，并且反之亦然。
一般而言，经训练的基于机器学习的网络模仿人类与其他人类心智相联系的认知功能。特别地，通过基于训练数据的训练，经训练的基于机器学习的网络能够适应新的情形并且检测和外推出模式。
一般而言，可以借助于训练来适配基于机器学习的网络的参数。特别地，可以使用监督训练、半监督训练、无监督训练、强化学习和/或主动学习。此外，可以使用表示学习(替代术语是“特征学习”)。特别地，可以通过若干个训练步骤来迭代地适配经训练的基于机器学习的网络的参数。
特别地，经训练的基于机器学习的网络可以包括神经网络、支持向量机、决策树和/或贝叶斯网络，和/或经训练的基于机器学习的网络可以基于k均值聚类、Q学习、遗传算法和/或关联规则。特别地，神经网络可以是深度神经网络、卷积神经网络或卷积深度神经网络。此外，神经网络可以是对抗网络、深度对抗网络和/或生成对抗网络。
图6示出了根据一个或多个实施例的人工神经网络600的实施例。“人工神经网络”的替代术语是“神经网络”、“人工神经网”或“神经网”。可以使用人工神经网络600来实现本文中描述的机器学习网络，诸如例如在图1的步骤106、108和110处利用的基于机器学习的网络，图2的编码器E 214、编码器E 208和分类器C 218、图3的编码器306-A、306-B、306-C和306-D以及解码器310-A、310-B、310-C和310-D、以及图5的VAE502、VAE504和分类器C506。
人工神经网络600包括节点602-622和边632、634......636，其中每个边632、634......636是从第一节点602-622到第二节点602-622的有向连接。一般而言，第一节点602-622和第二节点602-622是不同的节点602-622，也有可能第一节点602-622和第二节点602-622是相同的。例如，在图6中，边632是从节点602到节点606的有向连接，并且边634是从节点604到节点606的有向连接。从第一节点602-622到第二节点602-622的边632、634......636还被表示为针对第二节点602-622的“传入边”、以及被表示为针对第一节点602-622的“传出边”。
在这个实施例中，人工神经网络600的节点602-622可以被布置在层624-630中，其中所述层可以包括由节点602-622之间的边632、634......636引入的固有次序。特别地，边632、634......636可以仅存在于节点的相邻层之间。在图6中所示的实施例中，存在仅包括节点602和604而没有传入边的输入层624、仅包括节点622而没有传出边的输出层630、以及在输入层624与输出层630之间的隐藏层626、628。一般而言，可以任意地选择隐藏层626、628的数量。输入层624内的节点602和604的数量通常与神经网络600的输入值的数量有关，并且输出层630内的节点622的数量通常与神经网络600的输出值的数量有关。
特别地，可以将(实数)数字作为值指派给神经网络600的每个节点602-622。在这里，x(n) i表示第n层624-630的第i个节点602-622的值。输入层624的节点602-622的值等同于神经网络600的输入值，输出层630的节点622的值等同于神经网络600的输出值。此外，每个边632、634......636可以包括作为实数的权重，特别地，权重是在区间[-1，1]内或在区间[0，1]内的实数。在这里，w(m，n) i，j表示第m层624-630的第i个节点602-622与第n层624-630的第j个节点602-622之间的边的权重。此外，缩写w(n) i，j被定义用于权重w(n,n+1) i，j。
特别地，为了计算神经网络600的输出值，使输入值传播通过神经网络。特别地，可以基于第n层624-630的节点602-622的值通过下式来计算第(n+1)层624-630的节点602-622的值：
Figure BDA0004113235100000121
在本文中，函数f是传递函数(另一术语是“激活函数”)。已知的传递函数是阶梯函数、sigmoid函数(例如，逻辑函数、广义逻辑函数、双曲正切函数、反正切函数、误差函数、平滑阶梯函数(smoothstep function))或整流函数(rectifier function)。传递函数主要被用于归一化目的。
特别地，使所述值逐层传播通过神经网络，其中输入层624的值由神经网络600的输入给出，其中第一隐藏层626的值可以基于神经网络的输入层624的值来计算，其中第二隐藏层628的值可以基于第一隐藏层626的值来计算等等。
为了设置边的值w(m，n) i，j，必须使用训练数据来训练神经网络600。特别地，训练数据包括训练输入数据和训练输出数据(被表示为ti)。对于训练步骤，将神经网络600应用于训练输入数据以生成所计算的输出数据。特别地，训练数据和所计算的输出数据包括某个数量的值，所述数量等于输出层的节点数量。
特别地，使用所计算的输出数据与训练数据之间的比较来递归地适配神经网络600内的权重(反向传播算法)。特别地，根据下式来改变权重：
Figure BDA0004113235100000131
其中γ是学习率，并且如果第(n+1)层不是输出层，则可以基于δ(n+1) j递归地将数字δ(n) j计算为：
Figure BDA0004113235100000132
并且如果第(n+1)层是输出层630，则将其计算为：
Figure BDA0004113235100000133
其中f′是激活函数的一阶导数，并且y(n+1) j是输出层630的第j个节点的比较训练值。
图7示出了根据一个或多个实施例的卷积神经网络700。可以使用卷积神经网络700来实现本文中描述的机器学习网络，诸如例如在图1的步骤106、108和110处利用的基于机器学习的网络，图2的编码器E214、编码器E 208和分类器C 218、图3的编码器306-A、306-B、306-C和306-D以及解码器310-A、310-B、310-C和310-D、以及图5的VAE 502、VAE 504和分类器C 506。
在图7中所示的实施例中，卷积神经网络700包括输入层702、卷积层704、池化层706、全连接层708和输出层710。替代地，卷积神经网络700可以包括若干卷积层704、若干池化层706和若干全连接层708、以及其他类型的层。可以任意地选择层的次序，全连接层708通常被用作输出层710之前的最后的层。
特别地，在卷积神经网络700内，可以认为一个层702-710的节点712-720被布置为d维矩阵或d维图像。特别地，在二维情况下，在第n层702-710中用i和j索引的节点712-720的值可以被表示为x(n) [i，j]。然而，一个层702-710的节点712-720的布置对在卷积神经网络700内执行的计算本身没有影响，这是因为这些仅由边的结构和权重所给出。
特别地，卷积层704的特征在于基于某个数量的核而形成卷积操作的传入边的结构和权重。特别地，选择传入边的结构和权重，使得卷积层704的节点714的值x(n) k基于前一层702的节点712的值x(n-1)而被计算为卷积x(n) k＝Kk*x(n-1)，其中卷积*在二维情况下被定义为：
Figure BDA0004113235100000141
在这里，第k个核Kk是d维矩阵(在这个实施例中是二维矩阵)，该d维矩阵与节点712-718的数量相比通常是小的(例如，3×3矩阵或5×5矩阵)。特别地，这意味着传入边的权重不是独立的，而是被选择成使得它们产生所述卷积等式。特别地，对于作为3×3矩阵的核而言，仅存在9个独立权重(核矩阵中的每个条目对应于一个独立权重)，而与相应层702-710中的节点712-720的数量无关。特别地，对于卷积层704而言，该卷积层中的节点714的数量等同于前一层702中的节点712的数量乘以核的数量。
如果前一层702的节点712被布置为d维矩阵，则使用多个核可以被解释为添加另外的维度(被表示为“深度”维度)，使得卷积层704的节点714被布置为(d+1)维矩阵。如果前一层702的节点712已经被布置为包括深度维度的(d+1)维矩阵，则使用多个核可以被解释为沿着深度维度进行扩展，使得卷积层704的节点714也被布置为(d+1)维矩阵，其中该(d+1)维矩阵关于深度维度的大小是在前一层702中的大小的核数量倍。
使用卷积层704的优点在于：可以通过在邻近层的节点之间强制执行局部连接性模式(local connectivity pattern)、特别是通过将每个节点仅连接到前一层的节点的小区域，从而利用输入数据的空间局部相关性。
在图7中所示的实施例中，输入层702包括被布置为二维6×6矩阵的36个节点712。卷积层704包括被布置为两个二维6×6矩阵的72个节点714，这两个矩阵中的每一个是输入层的值与核进行卷积的结果。等同地，卷积层704的节点714可以被解释为布置为三维6×6×2矩阵，其中最后的维度是深度维度。
池化层706的特征可以在于基于非线性池化函数f而形成池化操作的其节点716的激活函数以及传入边的结构和权重。例如，在二维情况下，池化层706的节点716的值x(n)可以基于前一层704的节点714的值x(n-1)而被计算为：
x(n)[i，j]＝f(x(n-1)[id1，jd2]，...，x(n-1)[id1+d1-1,jd2+d2-1])。
换句话说，通过使用池化层706，可以通过在池化层中用单个节点716来替换前一层704中的数量d1·d2的相邻节点714，从而减少节点714、716的数量，该单个节点716是根据所述数量的相邻节点的值来计算的。特别地，池化函数f可以是最大值函数、平均值或L2-范数。特别地，对于池化层706而言，传入边的权重是固定的，并且不通过训练来修改。
使用池化层706的优点在于减少了节点714、716的数量和参数的数量。这导致网络中的计算量减少，并且导致对过拟合的控制。
在图7中所示的实施例中，池化层706是最大池化，用仅一个节点来替换四个相邻节点，值是四个相邻节点的值中的最大值。最大池化被应用于先前层的每个d维矩阵；在这个实施例中，最大池化被应用于两个二维矩阵中的每一个，从而将节点数量从72个减少到18个。
全连接层708的特征可以在于以下事实：先前层706的节点716与全连接层708的节点718之间的大部分边、特别是所有边都存在，并且其中每一个边的权重可以被单独地调整。
在这个实施例中，全连接层708的前一层706的节点716既被显示为二维矩阵，又被附加地显示为不相关的节点(其被指示为一行节点，其中节点数量被减少以用于更好的展示性(presentability))。在这个实施例中，全连接层708中的节点718的数量等于前一层706中的节点716的数量。替代地，节点716、718的数量可以不同。
此外，在这个实施例中，通过将Softmax函数应用到前一层708的节点718的值上，从而确定输出层710的节点720的值。通过应用Softmax函数，输出层710的所有节点720的值的总和是1，并且输出层的所有节点720的所有值是0和1之间的实数。
卷积神经网络700还可以包括ReLU(整流线性单元)层或具有非线性传递函数的激活层，包括但不限于泄漏RELU、sigmoid、tanh、参数化RELU、ELU和SELU。特别地，被包含在ReLU层中的节点的数量和节点的结构等同于被包含在前一层中的节点的数量和节点的结构。特别地，通过将整流函数应用于前一层的对应节点的值来计算ReLU层中的每个节点的值。
不同卷积神经网络块的输入和输出可以使用求和(残差/密集神经网络)、逐元素乘法(注意力)或其他可微分算子被连线(wire)。因此，如果整个流水线是可微分的，则卷积神经网络架构可以是嵌套的，而不是顺序的。
特别地，可以基于反向传播算法来训练卷积神经网络700。为了防止过拟合，可以使用正则化的方法，例如节点712-720的丢弃(dropout)、随机池化、人工数据的使用、基于L1或L2范数的权重衰减、或最大范数约束。可以组合不同的损失函数以用于训练相同的神经网络，以反映联合训练目标。可以从优化中排除神经网络参数的子集，以保留在另一数据集上被预训练的权重。
本文中描述的系统、装置和方法可以使用数字电路来实现，或者使用一个或多个使用公知的计算机处理器、存储器单元、存储设备、计算机软件和其他组件的计算机来实现。通常，计算机包括用于执行指令的处理器和用于存储指令和数据的一个或多个存储器。计算机还可以包括或耦合到一个或多个大容量存储设备，诸如一个或多个磁盘、内部硬盘和可移动磁盘、磁光盘、光盘等。
本文中描述的系统、装置和方法可以使用以客户端-服务器关系操作的计算机来实现。通常，在这样的系统中，客户端计算机远离服务器计算机来定位，并且经由网络进行交互。客户端-服务器关系可以由在相应客户端和服务器计算机上运行的计算机程序来定义和控制。
本文中描述的系统、装置和方法可以在基于网络的云计算系统内实现。在这样的基于网络的云计算系统中，连接到网络的服务器或另一处理器经由网络与一个或多个客户端计算机通信。客户端计算机可以经由例如在客户端计算机上驻留和操作的网络浏览器应用与服务器进行通信。客户端计算机可以将数据存储在服务器上，并且经由网络来访问该数据。客户端计算机可以经由网络将对数据的请求或对在线服务的请求传输到服务器。服务器可以执行所请求的服务，并且将数据提供给(多个)客户端计算机。服务器还可以传输被适配成使客户端计算机执行指定功能(例如，执行计算、在屏幕上显示指定数据等)的数据。例如，服务器可以传输被适配成使客户端计算机执行本文中描述的方法和工作流程的一个或多个步骤或功能(包括图1的一个或多个步骤或功能)的请求。本文中描述的方法和工作流程的某些步骤或功能(包括图1的一个或多个步骤或功能)可以由服务器或者由基于网络的云计算系统中的另一处理器来执行。本文中描述的方法和工作流程的某些步骤或功能(包括图1的一个或多个步骤)可以由基于网络的云计算系统中的客户端计算机来执行。本文中描述的方法和工作流程的步骤或功能(包括图1的一个或多个步骤)可以由服务器和/或由基于网络的云计算系统中的客户端计算机以任何组合来执行。
本文中描述的系统、装置和方法可以使用有形地体现在信息载体中(例如，体现在非暂时性机器可读存储设备中)以由可编程处理器执行的计算机程序产品来实现；并且本文中描述的方法和工作流程步骤(包括图1的一个或多个步骤或功能)可以使用由这样的处理器可执行的一个或多个计算机程序来实现。计算机程序是一组计算机程序指令，可以在计算机中直接或间接使用所述指令来执行某个活动或带来某个结果。计算机程序能够以任何形式的编程语言(包括编译或解译的语言)来编写，并且它能够以任何形式来部署，包括作为独立程序或作为模块、组件、子例程、或适合用于计算环境中的其他单元。
图8中描绘了可以用于实现本文中描述的系统、装置和方法的示例计算机802的高级框图。计算机802包括操作地耦合到数据存储设备812和存储器810的处理器804。处理器804通过执行定义了计算机802的总体操作的计算机程序指令来控制这样的操作。计算机程序指令可以存储在数据存储设备812、或其他计算机可读介质中，并且在期望执行计算机程序指令时被加载到存储器810中。因此，图1的方法和工作流程步骤或功能可以由存储在存储器810和/或数据存储设备812中的计算机程序指令来定义，并且由执行计算机程序指令的处理器804来控制。例如，计算机程序指令可以被实现为由本领域技术人员编程以执行图1的方法和工作流程步骤或功能的计算机可执行代码。因此，通过执行计算机程序指令，处理器804执行图1的方法和工作流程步骤或功能。计算机802还可以包括一个或多个网络接口806以用于经由网络与其他设备通信。计算机802还可以包括实现与计算机802进行用户交互的一个或多个输入/输出设备808(例如，显示器、键盘、鼠标、扬声器、按钮等)。
处理器804可以包括通用微处理器和专用微处理器两者，并且可以是计算机802的唯一处理器或者多个处理器之一。例如，处理器804可以包括一个或多个中央处理单元(CPU)。处理器804、数据存储设备812和/或存储器810可以包括一个或多个专用集成电路(ASIC)和/或一个或多个现场可编程门阵列(FPGA)、由其补充、或者被并入其中。
数据存储设备812和存储器810每个包括有形的非暂时性计算机可读存储介质。数据存储设备812和存储器810可以每个包括高速随机存取存储器，诸如动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、双倍数据速率同步动态随机存取存储器(DDR RAM)、或其他随机存取固态存储器设备，并且可以包括非易失性存储器，诸如一个或多个磁盘存储设备(诸如，内部硬盘和可移动磁盘)、磁光盘存储设备、光盘存储设备、闪速存储器设备、半导体存储器设备(诸如，可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、紧凑盘只读存储器(CD-ROM)、数字多功能盘只读存储器(DVD-ROM)盘)或其他非易失性固态存储设备。
输入/输出设备808可以包括外围设备，诸如打印机、扫描仪、显示屏等。例如，输入/输出设备808可以包括用于向用户显示信息的显示设备(诸如，阴极射线管(CRT)或液晶显示器(LCD)监视器)、键盘以及诸如鼠标或轨迹球之类的定点设备，用户可以通过该定点设备向计算机802提供输入。
图像获取设备814可以连接到计算机802，以将图像数据(例如，医学图像)输入到计算机802。将图像获取设备814和计算机802实现为一个设备是可能的。图像获取设备814和计算机802通过网络进行无线通信也是可能的。在可能的实施例中，计算机802可以相对于图像获取设备814远程地定位。
可以使用一个或多个计算机(诸如，计算机802)来实现本文中讨论的任何或所有系统和装置。
本领域技术人员将认识到，实际计算机或计算机系统的实现方式可以具有其他结构，并且也可以包含其他组件，并且出于说明性目的，图8是这样的计算机的一些组件的高级表示。
前述具体实施方式要在每个方面被理解为是说明性和示例性的，而非限制性的，并且本文中公开的本发明的范围不是由该具体实施方式确定的，而是更确切地说从根据专利法允许的全部范围(full breadth)所解释的权利要求来确定的。要理解的是，本文中所示出和描述的实施例仅仅说明了本发明的原理，并且本领域技术人员可以在不脱离本发明的范围和精神的情况下实现各种修改。本领域技术人员可以在不脱离本发明的范围和精神的情况下实现各种其他特征组合。

Claims (20)

1.一种计算机实现的方法，包括：
接收(102)患者的输入医学数据；
基于所述输入医学数据来生成(108)表示患者状态的向量；
基于所述向量使用基于机器学习的网络来确定(110)对患者的医学状况的评估；以及
输出(112)对患者的评估。
2.根据权利要求1所述的计算机实现的方法，其中所述医学状况是细胞因子风暴。
3.根据权利要求1所述的计算机实现的方法，其中对患者的评估包括所述医学状况的风险或严重性得分。
4.根据权利要求1所述的计算机实现的方法，其中对患者的评估包括患者结局。
5.根据权利要求4所述的计算机实现的方法，其中所述患者结局包括存活时间或出院时间中的一个或多个。
6.根据权利要求1所述的计算机实现的方法，进一步包括：
基于知识图来生成(106)表示患者状态的另一向量，所述知识图是基于所述输入医学数据来计算的，
其中基于所述向量使用基于机器学习的网络来确定对患者的医学状况的评估包括：基于所述另一向量来确定(110)对患者的医学状况的评估。
7.根据权利要求1所述的计算机实现的方法，其中基于所述输入医学数据来生成表示患者状态的向量包括：
使用基于机器学习的编码器来生成所述向量。
8.根据权利要求1所述的计算机实现的方法，其中所述基于机器学习的网络是使用利用所述基于机器学习的编码器所估算的训练数据来训练的。
9.根据权利要求1所述的计算机实现的方法，其中所述输入医学数据包括患者的生物标志物。
10.一种设备，包括：
用于接收(102)患者的输入医学数据的装置；
用于基于所述输入医学数据来生成(108)表示患者状态的向量的装置；
用于基于所述向量使用基于机器学习的网络来确定(110)对患者的医学状况的评估的装置；以及
用于输出(112)对患者的评估的装置。
11.根据权利要求10所述的设备，其中所述医学状况是细胞因子风暴。
12.根据权利要求10所述的设备，其中对患者的评估包括患者结局。
13.根据权利要求12所述的设备，其中所述患者结局包括存活时间或出院时间中的一个或多个。
14.根据权利要求10所述的设备，进一步包括：
基于知识图来生成(106)表示患者状态的另一向量，所述知识图是基于所述输入医学数据来计算的，
其中用于基于所述向量使用基于机器学习的网络来确定对患者的医学状况的评估的装置包括：用于基于所述另一向量来确定(110)对患者的医学状况的评估的装置。
15.一种存储计算机程序指令的非暂时性计算机可读介质，所述计算机程序指令在由处理器执行时使得所述处理器实行操作，所述操作包括：
接收(102)患者的输入医学数据；
基于所述输入医学数据来生成(108)表示患者状态的向量；
基于所述向量使用基于机器学习的网络来确定(110)对患者的医学状况的评估；以及
输出(112)对患者的评估。
16.根据权利要求15所述的非暂时性计算机可读介质，其中对患者的评估包括所述医学状况的风险或严重性得分。
17.根据权利要求15所述的非暂时性计算机可读介质，所述操作进一步包括：
基于知识图来生成(106)表示患者状态的另一向量，所述知识图是基于所述输入医学数据来计算的，
其中基于所述向量使用基于机器学习的网络来确定对患者的医学状况的评估包括：基于所述另一向量来确定(110)对患者的医学状况的评估。
18.根据权利要求15所述的非暂时性计算机可读介质，其中基于所述输入医学数据来生成表示患者状态的向量包括：
使用基于机器学习的编码器来生成所述向量。
19.根据权利要求15所述的非暂时性计算机可读介质，其中所述基于机器学习的网络是使用利用所述基于机器学习的编码器所估算的训练数据来训练的。
20.根据权利要求15所述的非暂时性计算机可读介质，其中所述输入医学数据包括患者的生物标志物。
CN202180055335.1A 2020-08-14 2021-08-04 使用生物标志物来评估细胞因子风暴的患者风险 Pending CN116114029A (zh)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
US202063065585P 2020-08-14 2020-08-14
US202063065663P 2020-08-14 2020-08-14
US63/065585 2020-08-14
US63/065663 2020-08-14
US202163191440P 2021-05-21 2021-05-21
US63/191440 2021-05-21
PCT/EP2021/071783 WO2022033938A1 (en) 2020-08-14 2021-08-04 Estimating patient risk of cytokine storm using biomarkers

Publications (1)

Publication Number Publication Date
CN116114029A true CN116114029A (zh) 2023-05-12

Family

ID=77499810

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202180055747.5A Pending CN116057638A (zh) 2020-08-14 2021-08-04 使用知识图来评估细胞因子风暴的患者风险
CN202180055335.1A Pending CN116114029A (zh) 2020-08-14 2021-08-04 使用生物标志物来评估细胞因子风暴的患者风险

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202180055747.5A Pending CN116057638A (zh) 2020-08-14 2021-08-04 使用知识图来评估细胞因子风暴的患者风险

Country Status (4)

Country Link
US (2) US20230253117A1 (zh)
EP (2) EP4179545A1 (zh)
CN (2) CN116057638A (zh)
WO (2) WO2022033937A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115545580B (zh) * 2022-12-01 2023-04-07 四川大学华西医院 一种医疗培训流程规范化校验方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190131016A1 (en) * 2016-04-01 2019-05-02 20/20 Genesystems Inc. Methods and compositions for aiding in distinguishing between benign and maligannt radiographically apparent pulmonary nodules
US11756667B2 (en) * 2018-05-30 2023-09-12 Siemens Healthcare Gmbh Decision support system for medical therapy planning
CN110910243B (zh) * 2019-09-26 2020-07-10 山东佳联电子商务有限公司 一种基于可重构大数据知识图谱技术的产权交易方法

Also Published As

Publication number Publication date
CN116057638A (zh) 2023-05-02
EP4179544A1 (en) 2023-05-17
WO2022033938A1 (en) 2022-02-17
WO2022033937A1 (en) 2022-02-17
US20230253116A1 (en) 2023-08-10
EP4179545A1 (en) 2023-05-17
US20230253117A1 (en) 2023-08-10

Similar Documents

Publication Publication Date Title
US11756667B2 (en) Decision support system for medical therapy planning
RU2703679C2 (ru) Способ и система поддержки принятия врачебных решений с использованием математических моделей представления пациентов
EP3905257A1 (en) Risk prediction for covid-19 patient management
CN111612278A (zh) 生命状态预测方法、装置、电子设备及存储介质
US11776128B2 (en) Automatic detection of lesions in medical images using 2D and 3D deep learning networks
CN111815643A (zh) 基于人工智能的copd评估
US11266376B2 (en) Premature birth prediction
US12002583B2 (en) Universal health machine for the automatic assessment of patients
Schroeder et al. Prediction of obstructive lung disease from chest radiographs via deep learning trained on pulmonary function data
Chi et al. Deep semisupervised multitask learning model and its interpretability for survival analysis
WO2021244993A1 (en) Machine learning method and system suitable for prediction of disease onset using multi-variate longitudinal patient data
CN116114029A (zh) 使用生物标志物来评估细胞因子风暴的患者风险
EP3896702A1 (en) Cardiovascular assessment of patients suspected of having covid-19
EP4057296A1 (en) Machine learning for automatic detection of intracranial hemorrhages with uncertainty measures from ct images
CN115937081A (zh) 用于个性化疗法的成像和临床数据的多模态分析
US20230238141A1 (en) Subpopulation based patient risk prediction using graph attention networks
Sivarajkumar et al. Fair patient model: Mitigating bias in the patient representation learned from the electronic health records
US20230334655A1 (en) Cardio ai smart assistant for semantic image analysis of medical imaging studies
US20240046453A1 (en) Semi-supervised learning leveraging cross-domain data for medical imaging analysis
CN115512833B (zh) 基于深度学习Markov框架建立肺癌患者远期成本效用预测系统
US20230071558A1 (en) Fully automated assessment of coronary vulnerable plaque in coronary ct images using radiomic features
US20240104719A1 (en) Multi-task learning framework for fully automated assessment of coronary arteries in angiography images
Qiu Modeling Uncertainty in Deep Learning Models of Electronic Health Records
Lacerda et al. Deep Thompson Sampling for Length of Stay Prediction
Pradeep et al. Predicting Pulmonary Fibrosis Progression

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