CN117321700A - 用于促进放射学报告中的描述符的一致使用的方法和系统 - Google Patents

Abstract

提供了一种用于促进对描述医学图像的描述符的一致使用的系统和方法。所述方法包括：经由GUI从用户接收放射学报告的内容，所述内容包括异常的测量结果和与所述测量结果相对应的描述性文本中的描述符；使用NLP算法从所述放射学报告的所述内容中提取所述测量结果和对应的描述符；开发包括所述测量结果和所述描述符的机器学习模型，其中，所述机器学习模型确定所述用户关于对所述描述符的使用相对于行业标准和/或额外用户的报告行为的行为模式或实践变化中的至少一项；并且开发关于所述用户的行为模式和/或实践变化的所开发的机器学习模型的结果和关于所述额外用户的行为模式和/或实践变化的所开发的机器学习模型的结果的集体机器学习模型。

Description

用于促进放射学报告中的描述符的一致使用的方法和系统

背景技术

放射科医师通常生成描述患者的医学图像的放射学报告。放射学报告通常部分地包括发现节段和印象节段，该发现节段识别放射科医师在医学图像的区域中观察到什么并且表征每个观察结果的正常或异常，该印象节段总结发现、评估状况、提供未来关于额外测试和处置的诊断和建议。放射学报告应当是清楚且简洁的，使用行业标准和/或来自经批准的词典的常用术语。例如，放射学报告可以包括医学图像中的病变或其他异常的测量结果、以及病变的描述和/或诊断。为了有用，放射学报告应当包含使用标准化描述符(即，行业标准和/或常用描述符)的某些显著特征，以消除病变的歧义，并识别诊断的基线和后续。在没有这些特征的情况下，放射学报告将可能是不完整的，并且可能无法传达诊断的严重性或充分性。而且，描述符的错过或不一致使用不仅指示实践中的不期望变化，而且还可能对由误解的发现造成的患者护理具有关键影响，从而导致不合标准的处置。

然而，在准备放射学报告时，放射科医师经常使用未标准化的描述符，在描述相同或相似的异常时(在相同的放射学报告内和在不同的放射学报告之间)不一致地使用描述符，和/或在识别医学图像中的异常时未能完全使用描述符。目前，没有包括标准化描述符、在多个报告中一致使用描述符或完全缺失描述符的有效措施。因此，在放射学报告中未正确识别和描述的异常可能被忽略、被不正确地诊断和/或非常难以跟踪以用于长期研究或数据分析。例如，根据推荐的放射学实践，成像检查通常应当与先前的筛查或诊断检查进行比较，因此描述符的不一致使用可能导致缺失成像检查之间的趋势，例如诸如疾病进展和处置效果。

因此，需要一种用于测量放射学报告中的描述符的使用、准确性和一致性的自动化系统。这样的自动化系统可以使得能够检测放射科医师的行为模式和相对于报告的测量结果和标准化描述符的实践变化，将改进放射学报告之间的一致性和诊断确定性。

附图说明

当与附图一起阅读时，根据以下详细描述最好地理解示例实施例。要强调的是，各种特征不一定按比例绘制。实际上，为了清楚讨论，可以任意增加或减小尺寸。只要适用且实用，相似的附图标记指代相似的元件。

图1是根据代表性实施例的用于促进由用户对描述在包括图形用户接口(GUI)的显示器上显示的医学图像的描述符的一致使用的系统的简化框图。

图2是示出根据代表性实施例的促进由用户对描述在包括GUI的显示器上显示的医学图像的描述符的一致使用的方法的流程图。

图3是根据代表性实施例的应用NPL算法以从放射学报告中提取特征测量结果和对应的描述符的方法的流程图。

图4示出了根据代表性实施例的输入到自然语言处理(NLP)算法的说明性放射学报告的部分、以及包括提取的测量结果和描述符的NLP算法的对应的输出。

具体实施方式

在以下详细描述中，出于解释而非限制的目的，阐述了公开具体细节的代表性实施例，以便提供对根据本教导的实施例的透彻理解。可以省略对已知系统、设备、材料、操作方法和制造方法的描述，以避免模糊对代表性实施例的描述。尽管如此，在本领域普通技术人员的知识范围内的系统、设备、材料和方法也在本教导的范围内，并且可以根据代表性实施例使用。应注意，本文使用的术语仅用于描述特定实施例的目的，而不旨在为限制。所定义的术语是如在本教导的技术领域中通常理解和接受的所定义的术语的技术和科学含义的补充。

将理解，尽管本文可以使用术语第一、第二、第三等来描述各种元件或部件，但是这些元件或部件不应受这些术语的限制。这些术语仅用于区分一个元件或部件与另一个元件或部件。因此，在不脱离本发明构思的教导的情况下，下面讨论的第一元件或部件可以被称为第二元件或部件。

本文使用的术语仅用于描述特定实施例的目的，而不旨在是限制性的。如说明书和权利要求中所使用的，单数形式的术语“一”、“一个”和“所述”旨在包括单数和复数形式两者，除非上下文另有明确规定。此外，术语“包括”、“包含”和/或类似术语指定陈述的特征、元件和/或部件的存在，但不排除一个或更多其他特征、元件、部件和/或其组的存在或添加。如本文所使用的，术语“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。

除非另行指出，否则当元件或部件被认为“连接到”、“耦合到”或“邻近于”另一元件或部件时，将理解该元件或部件可以直接连接或耦合到其他元件或部件，或者可以存在中间元件或部件。也就是说，这些和类似术语涵盖可以采用一个或多个中间元件或部件来连接两个元件或部件的情况。然而，当元件或部件被认为“直接连接”到另一元件或部件时，这仅涵盖两个元件或部件彼此连接而没有任何中间或中介元件或部件的情况。

因此，本公开通过其各个方面、实施例和/或特定特征或子部件中的一项或多项旨在呈出如下具体指出的优点中的一个或多个。出于解释而非限制的目的，阐述了公开具体细节的示例实施例，以便提供对根据本教导的实施例的透彻理解。然而，与本公开一致的脱离本文公开的具体细节的其他实施例仍在权利要求的范围内。此外，可以省略对公知的装置和方法的描述，以免模糊对示例实施例的描述。这样的方法和装置在本公开的范围内。

通常，本文描述的各种实施例提供了一种自动化系统，用于针对对标准化描述符的一致包括和使用来分析放射学报告，从而使得能够检测行为模式并确定放射科医师关于对测量描述符的使用的实践变化。实施例还提供了一种机器学习模型，用于测量关于放射科医师的决策的实践行为以包括某些测量描述符。机器学习模型的结果是对放射科医师可用的便捷参考，以使得当前或后续放射学报告的变化能够使用标准化描述符并符合描述符的使用，从而帮助诊断朝向更大的确定性。机器学习模型结果还可以用作针对放射科医师的训练工具，以便增加意识，促进描述符使用的一致性，并且改进操作和阅读工作流程效率。

图1是根据代表性实施例的用于促进由用户对描述在包括图形用户接口(GUI)的显示器上显示的医学图像的描述符的一致使用(包括和标准化)的系统的简化框图。

参考图1，系统包括用于实施和/或管理本文描述的过程的工作站130。工作站130包括由处理器120指示的一个或多个处理器、由存储器140指示的一个或多个存储器、接口122和显示器124。处理器120可以通过成像接口(未示出)与成像设备160接口连接。成像设备160可以是各种类型的医学成像设备/模态中的任一种，包括例如X射线成像设备、计算机断层摄影(CT)扫描设备、磁共振(MR)成像设备、正电子发射断层摄影(PET)扫描设备或超声成像设备。

存储器140存储可由处理器120执行的指令。当被执行时，指令使得处理器120实施用于促进由放射科医师对描述在显示器124上显示的医学图像中的测量病变的描述符的一致使用的一个或多个过程，例如下面参考图2描述的。出于说明的目的，存储器140被示出为包括软件模块，其中每个包括与系统100的相关联能力相对应的指令。

处理器120表示一个或多个处理设备，并且可以通过现场可编程门阵列、专用集成电路、数字信号处理器(DSP)、通用计算机、中央处理单元、计算机处理器、微处理器、微控制器、状态机、可编程逻辑设备或其组合使用硬件、软件、固件、硬连线逻辑电路或其组合的任何组合来实施。本文中的任何处理单元或处理器可以包括多个处理器、并行处理器或两者。多个处理器可以包括在单个设备或多个设备中，或耦合到单个设备或多个设备。如本文所使用的术语“处理器”涵盖能够执行程序或机器可执行指令的电子部件。处理器还可以指单个计算机系统内或分布在多个计算机系统之间(诸如在基于云的应用或其他多站点应用中)的处理器的集合。程序具有由可以在相同计算设备内或可以跨多个计算设备分布的一个或多个处理器执行的软件指令。

存储器140可以包括主存储器和/或静态存储器，其中，这样的存储器可以经由一个或多个总线彼此通信并且与处理器120通信。存储器140可以例如由任何数量、类型和组合的随机存取存储器(RAM)和只读存储器(ROM)来实施，并且可以存储各种类型的信息，诸如软件算法、人工智能(AI)机器学习模型和计算机程序，所有这些都可由处理器120执行。各种类型的ROM和RAM可以包括任何数量、类型和组合的计算机可读存储介质，诸如磁盘驱动器、闪速存储器、电可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、寄存器、硬盘、可移动盘、磁带、光盘只读存储器(CD-ROM)、数字通用盘(DVD)、软盘、蓝光盘、通用串行总线(USB)驱动器或本领域已知的任何其他形式的存储介质。存储器140是用于存储数据和可执行软件指令的有形存储介质，并且在软件指令被存储在其中的时间期间是非瞬态的。如本文所使用的，术语“非瞬态”不应被解释为状态的永恒特性，而是应被解释为将持续一段时间的状态的特性。术语“非瞬态”明确地否定短暂的特性，诸如载波或信号或在任何时间在任何地方仅暂时存在的其他形式的特性。存储器140可以存储使得能够执行各种功能的软件指令和/或计算机可读代码。存储器140可以是安全的和/或加密的、或不安全的和/或未加密的。

系统100还包括用于存储可以由存储器140的各种软件模块使用的信息的数据库，包括影像归档和通信系统(PACS)数据库112和放射学信息系统(RIS)数据库114。例如，数据库可以通过任何数量、类型和组合的RAM和ROM来实施。各种类型的ROM和RAM可以包括任何数量、类型和组合的计算机可读存储介质，诸如磁盘驱动器、闪速存储器、EPROM、EEPROM、寄存器、硬盘、可移动磁盘、磁带、CD-ROM、DVD、软盘、蓝光盘、USB驱动器或本领域已知的任何其他形式的存储介质。数据库是用于存储数据和可执行软件指令的有形存储介质，并且在数据和软件指令存储在其中的时间期间是非瞬态的。数据库可以是安全的和/或加密的、或不安全的和/或未加密的。出于说明的目的，PACS数据库112和RIS数据库114被示出为单独的数据库，但是应理解，在不脱离本教导的范围的情况下，PACS数据库112和RIS数据库114可以被组合和/或被包括在存储器140中。

处理器120可以包括或有权访问可以被实施为提供人工智能(例如，NLP算法)并应用本文所描述的机器学习的软件的人工智能(AI)引擎。AI引擎可以驻留在除了处理器120之外或不同于处理器120的各种部件中的任一个中，例如诸如存储器140、外部服务器和/或云。当AI引擎被实施在云中(例如诸如在数据中心处)时，AI引擎可以使用一个或多个有线和/或无线连接经由因特网连接到处理器120。

接口122可以包括用于向用户提供由处理器120和/或存储器140输出的信息和数据和/或用于接收由用户输入的信息和数据的用户和/或网络接口。也就是说，接口122使得用户能够输入数据并控制或操纵本文描述的过程的各方面，并且还使得处理器120能够指示用户的控制或操纵的效果。接口122的全部或部分可以由下面讨论的图形用户接口(GUI)(诸如在显示器124上可查看的GUI 128)来实施。接口122可以包括端口、磁盘驱动器、无线天线或其他类型的接收器电路中的一个或多个。接口122还可以连接一个或多个用户接口，例如诸如鼠标、键盘、轨迹球、操纵杆、麦克风、摄像机、触摸板、触摸屏、由麦克风或摄像机捕获的语音或手势识别。

显示器124(也称为诊断观察器)可以是监测器，例如诸如计算机监测器、电视机、液晶显示器(LCD)、有机发光二极管(OLED)、平板显示器、固态显示器、或阴极射线管(CRT)显示器、或电子白板。显示器124包括用于查看受检者(患者)165的内部图像的屏幕126、以及本文描述的帮助用户准确且有效地阅读医学图像的各种特征、以及使得用户能够与显示的图像和特征交互的GUI 128。例如，用户能够通过创建特定的警报和提醒来个性化下面讨论的GUI 128的各种特征。

参考存储器140，当前图像模块141被配置为接收(和处理)对应于受检者165的当前医学图像以显示在显示器124上。当前医学图像是用户(例如，放射科医师)在阅读工作流程期间当前正阅读/解读的图像。可以例如在受检者的同时成像会话期间从成像设备160接收当前医学图像。备选地，当前图像模块141可以从PACS数据库112检索当前医学图像，该当前医学图像已经从成像会话被存储但尚未被用户阅读。当前医学图像被显示在屏幕126上，以使得能够由用户分析以准备放射学报告，该放射学报告包括在当前医学图像中识别的各种异常(例如，病变、肿瘤)的测量结果和对应的描述性文本。

存储器140可以任选地包括先前图像模块142，先前图像模块142从PACS数据库112接收受检者165的(一幅或多幅)先前医学图像。可以在屏幕126上与当前医学图像联合地或分开地显示先前医学图像的全部或部分以使得用户能够进行视觉比较。当被联合显示时，先前和当前医学图像可以彼此配准。

先前放射学报告模块143被配置为从PACS数据库112和/或RIS数据库114检索关于受检者165的先前放射学报告。放射学报告提供对受检者165的先前成像的分析和发现，并且可以对应于由先前图像模块142检索的先前医学图像。放射学报告包括关于受检者165的信息、关于先前成像会话的细节、以及由查看和分析与放射学报告相关联的先前医学图像的用户输入的测量结果和医学描述性文本。放射学报告的相关部分可以被显示在显示器124上，以便向用户强调可能有助于分析当前医学图像的信息，诸如在当前医学图像中查看的相同异常的过去测量结果。

NLP模块144被配置为使用词嵌入技术来执行一个或多个NLP算法，以通过处理和分析自然语言数据来从放射学报告的内容中提取异常的测量结果和对应的描述性文本，如下面参考图2和3所讨论的。NLP算法可以将放射学报告分裂成由用户输入的节段(诸如发现节段和印象(结论)节段)，并且还将该节段分裂成句子。然后，NLP模块144评估句子，并提取在当前图像中观察到的异常的测量结果、以及与如由用户输入的测量结果相关联的描述符。例如，描述符可以包括诸如测量结果的时间性(例如，当前或先前)、测量结果被报告的图像的序列号、报告测量结果的图像的图像号、发现其中有相关联的异常的解剖实体、异常或其他观察结果的状态的描述、被成像的区域的成像描述以及被成像的器官的段号的信息。通常，/>提供了用于在放射学报告中使用的放射学术语的综合集合，以促进使用公共语言来传达诊断结果。NLP模块144使得提取的信息视觉地显示在显示器124上，其示例由图4中的NLP输出402示出。NLP是公知的，并且可以包括例如语法和语义分析、以及用于利用数据的积累来改进NLP模块144的理解的深度学习，如对于本领域技术人员来说将是显而易见的。

机器学习模型模块145被配置为根据机器学习模型或算法基于NLP模块144的输出来测量用户的报告行为，如下面参考图2所讨论的。机器学习模型模块145可以相对于行业标准描述符和/或由其他放射科医师在描述类似异常的测量结果时通常使用的描述符来评估对从放射学报告中提取的描述符的使用。基于评估，机器学习模型模块145可以检测放射学报告内的用户的行为模式，并且检测用户关于对标准化描述符(例如，行业标准描述符和/或由用户在其他放射学报告中通常使用的描述符)的使用的实践变化。当涉及报告测量结果的描述符时，机器学习模型模块145可以提供对放射科医师行为模式和实践变化的可见性，从而改进放射学报告的内容和一致性。

在实施例中，机器学习模型模块145还被配置为确定和分析多个用户随时间的集体行为模式和实践变化。例如，在处理预定数量的放射学报告之后，机器学习模型模块145可以根据用于个体评估的相同机器学习模型或使用不同的机器学习模型来相对于行业标准描述符和/或由参与用户在描述类似异常的测量结果时使用的描述符评估对从这些放射学报告中提取的描述符的使用。因此，机器学习模型模块145能够测量和提供用户之间的集体行为模式和实践变化。该信息可以用作用户在准备未来的放射学报告时的参考和用于教育用户的训练工具，以便增加意识并促进用户之间的放射学报告的标准化和一致性。机器学习模型模块145还能够提供用于确定这些行为模式和实践变化如何影响操作效率、阅读工作流程效率以及最终患者护理的信息。

在各种实施例中，由NLP模块144和/或机器学习模型模块145提供的过程的全部或部分可以例如由AI引擎实施。

图2是根据代表性实施例的促进由用户对描述在包括GUI的显示器上显示的医学图像的描述符的一致使用的方法的流程图。例如，该方法可以由上面讨论的系统100在执行作为各种软件模块存储在存储器140中的指令的处理器120的控制下实施。

参考图2，在框S211中，接收在当前成像检查期间获得的受检者的医学图像，并且利用GUI显示其以用于特定研究。例如，可以直接从医学成像设备/模态(例如，成像设备160)(诸如X射线成像设备、CT扫描设备、MR成像设备、PET扫描设备或超声成像设备)接收医学图像。备选地或另外地，可以从数据库(例如，PACS数据库112)检索医学图像，例如，其中，在当前成像检查之后先前已经存储了医学图像。对应的医学图像可以显示在兼容的显示器(诸如常规用于阅读放射学研究的诊断观察器)上。

在框S212中，经由GUI从放射科医师接收描述受检者的医学图像的放射学报告的内容。放射学报告的内容包括医学图像中的一个或多个异常(例如，病变、肿瘤)的测量结果以及与测量结果相关联的描述性文本。例如，测量结果和相关联的描述性文本可以被包括在放射学报告的发现节段和/或印象节段中。描述性文本包括与所测量的异常相关联的描述符。描述符可以是如上所述的标准化描述符，或可以由放射科医师即兴创作。放射学报告的内容还可以将来自当前成像检查的医学图像与来自先前成像检查(例如，筛查、诊断检查)的一幅或多幅先前医学图像进行比较。在这种情况下，内容还将包括一幅或多幅先前医学图像中的异常的测量结果和相关联的描述性文本。

通常，放射学报告的发现节段可以包括用户的关于医学图像的观察结果，并且印象节段可以包括由用户确定的医学状况或疾病的结论和诊断、以及关于后续处置、测试、额外成像等的建议。印象节段还可以包括医学图像中的异常的大小与例如从PACS数据库112检索的一幅或多幅先前医学图像和放射学报告的比较。

例如，放射学报告的内容中的全部或部分可以由放射科医师使用用户接口(例如，接口122)的麦克风来指示。而且，在实施例中，接收放射学报告的内容可以是交互式的，其中，GUI为放射科医师提供提示以系统地测量和描述医学图像的异常和其他视觉特征，并且输入发现和印象。例如，可以初始提示放射科医师经由GUI突出显示医学图像中的明显异常，执行并输入突出显示的异常的测量结果，并且输入测量结果的对应的描述性文本。备选地，例如，可以使用公知的图像分割技术自动识别和执行异常和/或测量。在这种情况下，可以自动填充放射学报告的关于异常识别和测量结果的对应的部分。然后，GUI可以提示用户输入关于异常和测量结果的对应的描述性文本。

框S213示出了其中NLP算法(NLP流水线)被应用于放射学报告以便提取描述性文本中的测量结果和对应的描述符的过程。NLP算法解析放射学报告中的测量结果和描述性文本，以使用公知的NLP提取技术来识别指示测量结果和相关联的描述符的数字、关键词和关键短语。可以自动执行NLP提取，而无需来自正在复查医学图像的放射科医师的明确输入。测量结果和对应的描述符可以以表格形式显示，例如，如图4的示例所示。通常，关于NLP算法，可以通过应用领域特异性背景嵌入来提取来自内容的相关数据，以从放射学报告中成功提取测量结果和描述符。NLP算法可以被应用于从解析的句子中提取测量结果和描述符的任务，并且然后可以将这些临床短语显示给放射科医师。

图3是根据代表性实施例的应用NPL算法以从放射学报告中提取特征测量结果和对应的描述符(在图2的框S213中指示)的方法的流程图。例如，该方法可以由上面讨论的系统100在执行作为各种软件模块(诸如NLP模块144)存储在存储器140中的指令的处理器120的控制下实施。

参考图3，在框S311中执行对放射学报告的预处理，以提供经预处理的内容。预处理包括执行边界保护算法以识别放射学报告的节段和句子。例如，边界保护算法可以包括将放射学报告分裂成节段(诸如发现节段和印象(结论)节段)的基于规则的节段分裂器，随后是将发现节段和印象节段分裂成句子的句子解析器。也就是说，识别节段和句子，并且使用正则表达式将放射学报告的内容分裂成节段，该正则表达式与放射学报告中常用的已知节段标头的列表匹配，并被分割成节段。例如，病变测量结果和对应的描述性文本通常被记录在发现节段中，并且在印象节段中被分析。在实施例中，例如，可以使用开源Python库自然语言工具包(NLTK)将放射学报告的所有节段解码为“utf-8”并分裂成句子。预处理还包括将描述性文本转换成小写并移除标点符号。

在框S312中，在放射学报告中标记异常(例如，病变、肿瘤)的测量结果以及与异常相关联的时间性。时间性是对测量结果是来自医学图像的当前测量结果还是来自先前医学图像的先前测量结果的确定，该先前测量结果已经被包括在放射学报告中以例如用于比较或背景。可以使用正则表达式模式和预定义规则来标记测量结果。为了检测每个句子中的不同测量结果，并且为了准确地标记测量结果的时间性，每个句子被划分为部分，这些部分是基于测量结果的数量及其时间性而创建的，并且捕获测量结果的所有元素的完整描述。特别地，句子可以被分成两部分：包含当前测量结果的第一部分、以及包含先前测量结果的第二部分。一旦测量结果被标记，就可以输出包含标记的测量结果的句子以用于标记下面所讨论的病变实体。

例如，可以在以下说明性句子中标记测量结果和相关联的时间性：“左下叶结节的大小的胸腔轻度增加，先前测量8×8mm，现在测量12×9mm(7/288)”。根据实施例，该句子可以被划分为记录医学图像的当前测量结果的第一句段和记录放射学报告中的先前医学图像参考的先前测量的第二句段。在该示例中，第一句段将是“左下叶结节的大小的胸腔轻度增加，现在测量12×9mm(7/288)”，并且第二句段将是“先前测量8×8mm”。

在框S313中，在放射学报告中标记与标记的测量结果相关联的命名实体，包括描述符，诸如报告测量结果的序列号和图像号、解剖实体、描述、成像描述和成像中涉及的器官的段号。在实施例中，可以使用条件随机场(CRF)模型来标记命名实体，以适应不同的书写风格以及放射学报告中的医学术语的语言和词汇变体。通常，CRF模型是在给定邻域的背景的情况下发现描述性文本中的模式以便捕获输入的许多相关特征以及描述符之间的顺序关系的图形模型。CRF模型可以被训练为实现解剖实体、成像观察结果和与特征测量结果相关联的描述符的自动命名实体标记。例如，命名实体标记可以包括标记/>描述，包括与测量结果相关联的/>子类。CRF模型接收来自框S312的标记的测量结果和词典图作为输入，并且输出帮助放射科医师探索和可视化与标记的测量结果相关联的标记的描述符之间的关系的标签转变评分。标签转变评分是给定CRF模型的当前状态和观察序列的可能的下一状态的条件概率。在实施例中，CRF模型可以包括Python sklearn-crfsuite库，其中，其模型参数用于标记命名实体。

在框S314中，对标记的测量结果和标记的命名实体执行测量结果和相关描述符的基于规则的提取。可以使用公知的正则表达式模式和预定义规则来提取测量结果和描述符。提取可以聚焦于表征放射学的测量结果的七种类型的描述符：时间性、图像的序列号、图像的图像号、发现其中有异常的解剖实体、(状态)描述、被成像的区域的成像描述以及被成像的器官的段号。来自提取的输出可以被记录为帧，其中，每个测量结果被认为是目标实体(主实体)，并且包含该测量结果的句段中的所有其他实体(次级实体)被假设为与作为其描述符的目标条目有关。次级实体被标记，其中，每个标签对实体的类型及其与目标实体的关系的类型进行编码。因此，每个测量结果可以被表示为包含特征大小的数值度量及其相关联的描述符作为来自NLP算法的输出的单帧对象。

图4示出了根据代表性实施例的输入到NLP算法的说明性放射学报告的部分、以及例如如由图3所提供的包括提取的测量结果和描述符的NLP算法的对应的输出。

参考图4，输入401包括如由放射科医师经由GUI输入的放射学报告的内容，例如，如上所述。在所描绘的示例中，内容包括具有相关联的描述性文本的当前医学图像中的病变的测量结果。出于说明的目的，内容将第一病变识别为测量1.3cm×1.2cm的纵隔结节，将第二病变识别为测量1.5cm×1.8cm的左脚后结节，并且将第三病变识别为测量2.0cm×1.8cm的右下叶结节。

输出402包括由NLP算法从输入401中所示的放射学报告的内容中提取的测量结果和相关联的描述符。在所描绘的示例中，输出402被布置为使得测量结果定义与测量结果相关联的病变的描述符的相应列。描述符包括时间性、序列号、图像号、解剖实体、描述和成像描述。在实施例中，描述符还可以包括被成像的器官的段号，如上所述。例如，输出402的第一列411识别第一病变的测量结果1.3cm×1.2cm，并且将相关联的时间性列出为“当前”，将序列号列出为1，将图像号列出为37，将解剖实体列出为“纵隔，右气管旁，右肺门”，将/>描述列出为“未改变，小”，并且将成像描述列出为“纵隔结节”。第二列412识别第二病变的测量结果1.5cm x 1.2cm，并且将相关联的时间性列出为“当前”，将序列号列出为3，将图像号列出为67，并且将成像描述列出为“左脚后结节”。解剖实体和/>描述是空白的，因为放射科医师没有将该信息包括在第二病变的放射学报告中。第三列413识别第三病变的测量结果2.0cm×1.8cm，并且将相关联的时间性列出为“当前”，将序列号列出为5，将图像号列出为283，将解剖实体为“肺，胸膜，右叶”，将/>描述列出为“空腔，大小减小”，并且将成像描述列出为“右下叶结节”。例如，可以在显示器124的屏幕126/GUI128上示出输入401和/或输出402。

再次参考图2，一旦NLP算法从放射学报告中提取测量结果和对应的描述符，则在框S214中开发所报告的测量结果和相关联的描述符的机器学习模型。机器学习模型关于描述类似异常的测量结果的标准化描述符来评估从放射学报告中提取的描述符的使用。为此，机器学习模型如实地对放射科医师的报告行为进行测量，并且探索放射科医师对描述符使用相对于行业标准和/或其他放射科医师的报告行为的实践变化。

例如，机器学习模型可以检测放射科医师关于放射学报告内的记录测量结果和对应的描述符的完整性的行为模式。也就是说，机器学习模型可以检测由放射科医师与放射学报告中记录的测量结果中的每个相关联地使用的描述符的数量和类型，并且识别内部变化和/或缺失的描述符。参考图4，例如，机器学习模型可以检测到第二病变的描述缺少针对解剖实体和描述的描述符。关于实践变化，机器学习模型可以将从放射学报告中提取的描述符与在医学领域中使用的标准描述符的数据库和/或与根据使用相同系统的所有放射科医师的放射科医师报告随时间构建的类似描述符的数据库进行比较。

在框215中，机器学习模型的结果任选地作为反馈报告给放射科医师，以便关于描述符的标准化使用和放射学报告的完整性来改进放射学报告。例如，机器学习模型可以使行为模式和实践变化被显示给放射科医师，以使得能够关于描述符的存在和使用来分析放射科医师报告的质量。在实施例中，机器学习模型甚至可以经由GUI提示放射科医师将缺失的描述符添加到放射学报告，或将描述符改变为标准和/或更常用的措辞。因此，当涉及报告测量结果的描述符时，机器学习模型能够提供对放射科医师行为模式和实践变化的可见性，从而改进放射学报告的内容和一致性。机器学习模型的结果也被保存到从系统范围内的多个放射学报告收集的机器学习模型结果的数据库。

在框S216中，基于从多个放射学报告收集的机器学习模型结果，开发关于来自针对相应的放射学报告的机器学习模型的测量结果和相关联的描述符的所有结果的集体机器学习模型。集体机器学习模型用于确定和分析贡献放射科医师的集体行为模式和实践变化。在框S217中，集体机器学习模型用于通过比较描述符对放射科医师之间的集体行为模式和实践变化进行测量，并且输出具有描述符的使用的可视化(显示)的报告。例如，在处理来自与特定指示/成像模态对(诸如乳腺癌和CT扫描)有关的一组不同放射科医师的1000个放射学报告之后，从这些放射学报告的机器学习模型保存的结果的集体机器学习模型在涉及报告标准化描述符时对不同放射科医师之间的行为模式和实践变化进行测量。机器学习对放射科医师的决策进行建模以包括某些描述符对于理解他们的判断是有用的。集体机器学习模型还能够提供用于确定行为模式和实践的变化如何影响操作效率、阅读工作流程效率以及最终患者护理质量的信息。集体机器学习模型和可视化的结果是对放射科医师可用的便捷参考，以使得未来的改变能够标准化如何编写描述符。

集体机器学习模型和可视化的结果可用作放射科医师在后续放射学报告中应用描述符或校正先前放射学报告的参考。例如，集体机器学习模型的结果使放射科医师意识到在阅读时要包括在放射学报告中的各种标准化描述符，最终创建更完整的、临床有效的和确定性的放射学报告。因此，确保放射学报告包括与行业标准和/或其他多个放射学报告一致的标准化描述符。结果和可视化还可以用作针对放射科医师的参考和训练工具，以便在放射科医师组之间提高意识并促进放射学报告的标准化和一致性。而且，结果和可视化提供了用于确定这些行为模式和实践变化如何影响操作效率、阅读工作流程效率以及最终患者护理质量的信息。

通常，关于报告的测量结果和相关联的标准化描述符的完整性的集体行为模式和实践变化有助于统一许多放射科医师之间的测量结果的报告，改进放射学报告和更好的诊断确定性。也就是说，集体机器学习模型的输出示出了例如关于可以在个体放射科医师水平或聚合水平处校正的缺失的描述符的放射科医师实践变化。这支持朝向更大的确定性和可理解性的更好报告诊断。缺失的描述符不仅指示实践的变化，而且还可能具有由于病变和其他异常的误解的关键性而造成的对患者护理的关键影响，这可能导致延迟或以其他方式不充分的处置。

根据本公开的各种实施例，可以使用执行存储在非瞬态存储介质上的软件程序的硬件计算机系统来实施本文描述的方法。此外，在示例性的非限制性实施例中，实施方式可以包括分布式处理、部件/对象分布式处理和并行处理。虚拟计算机系统处理可以实施如本文描述的方法或功能中的一个或多个，并且本文描述的处理器可以用于支持虚拟处理环境。

尽管已经参考示例性实施例描述了在准备关于医学图像的放射学报告中促进与测量结果有关的描述符的一致使用，但是应理解，已经使用的词语是描述和说明的词语，而不是限制的词语。在不脱离介入流程优化在其方面中的范围和精神的情况下，可以在所附权利要求的范围内进行改变，如当前陈述和修改的。尽管已经参考特定手段、材料和实施例描述了在放射学报告的准备中促进对描述符的一致使用，但是促进对医学图像的阅读并不旨在被限制于所公开的细节；相反，在放射学报告的准备中促进对描述符的一致使用扩展到诸如在所附权利要求的范围内的所有功能等效的结构、方法和用途。

对本文描述的实施例的图示旨在提供对各种实施例的结构的总体理解。这些图示并非旨在用作对本文描述的公开的所有元件和特征的完整描述。在查看本公开后，许多其他实施例对于本领域技术人员而言是显而易见的。可以利用其他实施例并从本公开中导出其他实施例，使得可以在不脱离本公开的范围的情况下做出结构和逻辑替换和改变。此外，图示仅仅是代表性的，并且可以不按比例绘制。图示内的某些比例可能被夸大，而其他比例可能被最小化。因此，本公开和附图应被视为说明性的而非限制性的。

本文仅仅出于方便通过术语“发明”个体地和/或共同地在本文中提及本公开的一个或多个实施例，而不旨在将本申请的范围自愿地限制于任何特定发明或发明构思。此外，尽管本文已经图示并描述了特定实施例，但应该意识到，被设计为实现相同或相似目的的任何后续布置可替代所示的特定实施例。本公开旨在覆盖各种实施例的任何和所有后续修改或变化。在查看本说明书之后，上述实施例以及本文未具体描述的其他实施例的组合对于本领域技术人员而言将是显而易见的。

本公开的摘要被提供为符合37C.F.R.§1.72(b)并且被提交有以下理解：即其不会用于解释或限制权利要求的范围或含义。此外，在前面的具体实施方式中，各种特征可以分组在一起或在单个实施例中描述，以用于简单化本公开的目的。本公开不应被解释为反映所要求保护的实施例需要比每个权利要求中明确记载的更多特征的意图。而是，如以下权利要求所反映的，发明主题可以涉及少于任何所公开的实施例的所有特征。因此，以下权利要求被并入具体实施方式中，每个权利要求自身作为定义单独要求保护的主题。

所公开的实施例的先前描述被提供为使本领域技术人员能够实践本公开中所描述的概念。这样一来，以上公开的主题要被认为是说明性的而非限制性的，并且权利要求旨在覆盖落入本公开的真实精神和范围内的所有这样的修改、增强和其他实施例。因此，在由法律允许的最大范围内，本公开的范围要由权利要求及其等效方案的最宽泛的可允许解释来确定，并且不应受前述详细描述约束或限制。

Claims (18)

1.一种促进对描述医学图像的描述符的一致使用的方法，所述方法包括：

经由图形用户接口(GUI)从用户接收描述受检者的医学图像的放射学报告的内容，所述内容包括出现在所述医学图像中的至少一个异常的测量结果和与所述测量结果相对应的描述性文本，所述描述性文本包括所述测量结果的至少一个描述符；

使用自然语言处理(NLP)算法从所述放射学报告的所述内容中提取所述测量结果和所述至少一个描述符；

开发包括所述测量结果和所述至少一个描述符的机器学习模型，其中，所述机器学习模型确定以下各项中的至少一项：所述用户关于对所述至少一个描述符的使用相对于行业标准和/或额外用户的报告行为的行为模式或实践变化；

基于来自所述额外用户的额外放射学报告来开发以下各项的集体机器学习模型：关于所述用户的所述行为模式和/或所述实践变化的所开发的机器学习模型的结果；以及关于所述额外用户的行为模式和/或实践变化的所开发的机器学习模型的结果；并且

使用集体机器学习模型对集体行为模式和集体实践变化进行测量，所测量的集体行为模式和集体实践变化能用作所述用户的参考。

2.根据权利要求1所述的方法，其中，使用NLP算法从所述放射学报告的所述内容中提取所述测量结果和所述对应的描述性文本包括：

对所述放射学报告进行预处理以提供经预处理的内容；

标记所述经预处理的内容中的所述测量结果；

标记与所述经预处理的内容中的标记的测量结果相对应的命名实体；并且

对所述标记的测量结果和标记的命名实体执行对所述测量结果和所述至少一个描述符的基于规则的提取。

3.根据权利要求2所述的方法，其中，所述预处理包括：

将所述放射学报告分裂成节段；

将节段解析成句子；并且

将所述描述性文本转换成小写并移除标点符号。

4.根据权利要求2所述的方法，其中，所述测量结果是使用正则表达式模式和预定义规则来标记的。

5.根据权利要求4所述的方法，其中，标记所述测量结果包括：

将所述放射学报告的每个句子划分为包含所述至少一个异常的所述测量结果的第一部分和包含先前测量结果的第二部分。

6.根据权利要求2所述的方法，其中，所述命名实体是使用条件随机场(CRF)模型来标记的。

7.根据权利要求2所述的方法，其中，执行基于规则的提取包括：

将所述基于规则的提取的输出记录为帧，在所述帧中，所述测量结果被认为是目标实体，并且所有其他实体被假设为作为所述至少一个描述符而与所述目标条目有关；

标记所述其他实体，其中，每个标签对实体的类型和所述实体与所述目标实体的关系的类型进行编码；并且

将所述测量结果表示为包含所述测量结果和所述至少一个描述符的单帧对象。

8.根据权利要求1所述的方法，其中，所述至少一个描述符包括以下各项中的一项或多项：时间性、所述医学图像的序列号、所述医学图像的图像号、发现其中有所述至少一个异常的解剖实体、对所述异常的状态的状态描述；对被成像的区域的成像描述、以及被成像的器官的段号。

9.根据权利要求1所述的方法，其中，所述放射学报告的所述内容是通过口述从所述用户接收的。

10.一种用于促进对描述医学图像的描述符的一致使用的系统，所述系统包括：

处理器；

图形用户接口(GUI)，其使得用户能够与所述处理器进行接口连接；以及

非瞬态存储器，其存储指令，所述指令当由所述处理器执行时使所述处理器：

经由所述GUI从所述用户接收描述受检者的医学图像的放射学报告的内容，所述内容包括出现在所述医学图像中的至少一个异常的测量结果和与所述测量结果相对应的描述性文本，所述描述性文本包括所述测量结果的至少一个描述符；

使用自然语言处理(NLP)算法从所述放射学报告的所述内容中提取所述测量结果和所述至少一个描述符；

开发包括所述测量结果和所述至少一个描述符的机器学习模型，其中，所述机器学习模型确定以下各项中的至少一项：所述用户关于对所述至少一个描述符的使用相对于行业标准和/或额外用户的报告行为的行为模式或实践变化；

基于来自所述额外用户的额外放射学报告来开发以下各项的集体机器学习模型：关于所述用户的所述行为模式和/或所述实践变化的所开发的机器学习模型的结果；以及关于所述额外用户的行为模式和/或实践变化的所开发的机器学习模型的结果；并且

使用集体机器学习模型对集体行为模式和集体实践变化进行测量，所测量的集体行为模式和集体实践变化能用作所述用户的参考。

11.根据权利要求10所述的系统，其中，所述指令使所述处理器通过以下操作使用NLP算法从所述放射学报告的所述内容中提取所述测量结果和所述对应的描述性文本：

对所述放射学报告进行预处理以提供经预处理的内容；

标记所述经预处理的内容中的所述测量结果；

标记与所述经预处理的内容中的标记的测量结果相对应的命名实体；并且

对所述标记的测量结果和标记的命名实体执行对所述测量结果和所述至少一个描述符的基于规则的提取。

12.根据权利要求11所述的系统，其中，所述指令使所述处理器通过以下操作对所述放射学报告进行预处理：

将所述放射学报告分裂成节段；

将节段解析成句子；并且

将所述描述性文本转换成小写并移除标点符号。

13.根据权利要求11所述的系统，其中，所述指令使所述处理器使用正则表达式模式和预定义规则来标记所述测量结果。

14.根据权利要求13所述的系统，其中，所述指令使所述处理器通过以下操作来标记所述测量结果：

将所述放射学报告的每个句子划分为包含所述至少一个异常的所述测量结果的第一部分和包含先前测量结果的第二部分。

15.根据权利要求11所述的系统，其中，所述指令使所述处理器使用条件随机场(CRF)模型来标记所述命名实体。

16.根据权利要求11所述的系统，其中，所述指令使所述处理器通过以下操作来执行基于规则的提取：

将所述基于规则的提取的输出记录为帧，在所述帧中，所述测量结果被认为是目标实体，并且所有其他实体被假设为作为所述至少一个描述符而与所述目标条目有关；

标记所述其他实体，其中，每个标签对实体的类型和所述实体与所述目标实体的关系的类型进行编码；并且

将所述测量结果表示为包含所述测量结果和所述至少一个描述符的单帧对象。

17.根据权利要求10所述的系统，其中，所述至少一个描述符包括以下各项中的一项或多项：时间性、所述医学图像的序列号、所述医学图像的图像号、发现其中有所述至少一个异常的解剖实体、对所述异常的状态的状态描述；对被成像的区域的成像描述、以及被成像的器官的段号。

18.根据权利要求10所述的系统，其中，所述放射学报告的所述内容是通过口述经由所述GUI从所述用户接收的。