CN117795607A - 使用区块链的医疗数据共享 - Google Patents
使用区块链的医疗数据共享 Download PDFInfo
- Publication number
- CN117795607A CN117795607A CN202280056019.0A CN202280056019A CN117795607A CN 117795607 A CN117795607 A CN 117795607A CN 202280056019 A CN202280056019 A CN 202280056019A CN 117795607 A CN117795607 A CN 117795607A
- Authority
- CN
- China
- Prior art keywords
- data
- medical
- access
- management entity
- medical records
- 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
- 238000000034 method Methods 0.000 claims abstract description 71
- 238000007726 management method Methods 0.000 claims description 119
- 238000012014 optical coherence tomography Methods 0.000 claims description 53
- 238000013528 artificial neural network Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 27
- 238000010801 machine learning Methods 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 208000014733 refractive error Diseases 0.000 claims description 4
- 238000013475 authorization Methods 0.000 claims description 3
- 230000036760 body temperature Effects 0.000 claims description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 3
- 238000012550 audit Methods 0.000 claims 1
- 239000010410 layer Substances 0.000 description 89
- 238000012549 training Methods 0.000 description 53
- 238000003384 imaging method Methods 0.000 description 31
- 238000012360 testing method Methods 0.000 description 27
- 238000004422 calculation algorithm Methods 0.000 description 18
- 210000001525 retina Anatomy 0.000 description 18
- 238000005286 illumination Methods 0.000 description 16
- 210000001747 pupil Anatomy 0.000 description 16
- 239000013598 vector Substances 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 15
- 238000004891 communication Methods 0.000 description 12
- 230000033001 locomotion Effects 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 11
- 230000002207 retinal effect Effects 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000002583 angiography Methods 0.000 description 7
- 210000001061 forehead Anatomy 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000001105 regulatory effect Effects 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000017531 blood circulation Effects 0.000 description 5
- 239000000975 dye Substances 0.000 description 5
- 238000013534 fluorescein angiography Methods 0.000 description 5
- 210000003128 head Anatomy 0.000 description 5
- 239000013307 optical fiber Substances 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000002792 vascular Effects 0.000 description 5
- 239000002131 composite material Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 210000004379 membrane Anatomy 0.000 description 4
- 239000012528 membrane Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 210000005166 vasculature Anatomy 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 210000004087 cornea Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 239000007850 fluorescent dye Substances 0.000 description 3
- MOFVSTNWEDAEEK-UHFFFAOYSA-M indocyanine green Chemical compound [Na+].[O-]S(=O)(=O)CCCCN1C2=CC=C3C=CC=CC3=C2C(C)(C)C1=CC=CC=CC=CC1=[N+](CCCCS([O-])(=O)=O)C2=CC=C(C=CC=C3)C3=C2C1(C)C MOFVSTNWEDAEEK-UHFFFAOYSA-M 0.000 description 3
- 229960004657 indocyanine green Drugs 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 101100421668 Caenorhabditis elegans slo-1 gene Proteins 0.000 description 2
- 206010025421 Macule Diseases 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 210000001775 bruch membrane Anatomy 0.000 description 2
- 210000003161 choroid Anatomy 0.000 description 2
- 238000004883 computer application Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 239000012792 core layer Substances 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000000799 fluorescence microscopy Methods 0.000 description 2
- 210000000554 iris Anatomy 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000001000 micrograph Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000399 orthopedic effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 210000003583 retinal pigment epithelium Anatomy 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000009528 vital sign measurement Methods 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 208000003098 Ganglion Cysts Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 208000009857 Microaneurysm Diseases 0.000 description 1
- 102100035593 POU domain, class 2, transcription factor 1 Human genes 0.000 description 1
- 101710084414 POU domain, class 2, transcription factor 1 Proteins 0.000 description 1
- 208000005400 Synovial Cyst Diseases 0.000 description 1
- 206010053648 Vascular occlusion Diseases 0.000 description 1
- 208000000208 Wet Macular Degeneration Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 208000011325 dry age related macular degeneration Diseases 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 108091008695 photoreceptors Proteins 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 210000001210 retinal vessel Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012956 testing procedure Methods 0.000 description 1
- 208000021331 vascular occlusion disease Diseases 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一种用于在不同利益相关者(远程用户或订户)之间交易医疗数据的系统/方法使用区块链计算机网络来记录所有数据交易并确保数据所有者的隐私。
Description
技术领域
本发明总体上涉及用于医疗应用的区块链的使用。
背景技术
数据在开发人工智能解决方案和分析以及构建智能设备和服务中起到重要作用。在医生、研究者和商业组织之间共享数据可以推进新的发现,并提供更好的医学诊断和治疗。具体地,在眼科界之间共享数据具有为患者提供更好的眼睛护理的潜力。
使用患者数据改善临床结果有两个主要问题:1)在存储位置、应用和IT/安全框架的范围内对数据的技术访问;以及2)通过不断变化的、更有影响的、高度不同的监管范围来增加全球患者(消费者)隐私保护。
存在影响对诸如眼科数据、整形外科数据、心脏病学数据、皮肤病学数据、放射学等的患者医疗数据的访问的障碍。例如,患者医疗数据通常被存储在最初获取数据的每一个医院、成像中心或医生办公室(例如,收集医疗数据的医疗机构)或最近可能在虚拟机(VM)托管站点(云)处的电子医疗记录系统中。由于存储基础设施、软件/数据库、本地安全基础设施(例如防火墙,认证,加密等)、法律隐私问题、数据大小、与其他医生共享数据的控制问题、信任以及患者对其数字足迹的技术复杂性,使得数据访问的成本通常超过了使数据可访问的价值。
监管机构提出了其他问题。如今,如果患者的知情同意书缺失,则无法“合法地使用”可访问的生物测定数据。在全球患者/消费者隐私框架开发和严格实践/医生同意的周期内收集的数据对使用所收集的现有数据产生挑战,并对新数据产生挑战。即使在患者知情同意存在的情况下,医生、医院和其他医疗机构仍然没有动机共享医疗数据,因为激励是逐个案例的并且难以大规模协商。此外,对于管理数据集和法律同意文件的“数据消费者”提出了重大的行政/法律挑战。例如,存在问题,例如“另一机构在特定周期产生的知情同意今天是否合法可行?”
先前已经提出了解决一个或多个上述问题的方法。一些示例包括:“通过区块链共识安全和去中心化共享医学成像数据的框架”,《健康信息学杂志》,2019年12月25日(4):1398-1411,doi:10.1177/1460458218769699;A.Azaria、A.Ekblaw、T.Vieira和A.Lippman,“MedRec:使用区块链进行医疗数据访问和许可管理,”2016年第二届开放和大数据(OBD)国际会议,维也纳,2016,pp.25-30,doi:10.1109/OBD.2016.11;Fan,K.,Wang,S.,Ren,Y.等人,“MedBlock:通过区块链的高效安全的医疗数据共享,”JMed Syst,42,136(2018),doi:/10.1007/s10916-018-0993-7。
本发明的一个目的是提供一种用于提供对访问患者医疗数据/记录的有效、实时的患者/消费者同意的系统和方法。
本发明的另一个目的是提供一种确保实时符合法律/规章要求的系统和方法。
本发明的另一个目的是提供一种便于和激励患者/消费者和(例如,医疗)机构共享他们的数据并获得对存档(例如,历史收集的)数据的访问的方法和系统。
发明内容
由于预期全球监管框架的易变性不会在任何时候很快稳定,因此需要一种能够实现实时、患者/消费者确认同意的解决方案。除了确保遵守实时法律要求之外,还需要一种解决方案,其将激励患者/消费者共享他们的数据,打开对历史收集的数据的访问,并且激励机构共享他们的数据。在基于使用区块链技术来提供实现该解决方案的框架的方法/系统中满足了上述目的。
在本发明中,建立用于数据共享的市场,以允许患者使用区块链技术在医疗社区内商业化他/她自己的具有市场价值的医疗数据/记录。作为示例,本发明被描述为应用于眼科医学界,但是应当理解,本发明可以应用于其它医疗领域,或者其它更通用的数据收集领域。本发明还为研究人员和组织提供了购买所需数据的平台。同时,所有利益相关者,例如患者、医生、数据主机、医疗机构和区块链服务提供商(例如,管理实体或工作场所平台或市场平台或区块链管理员或数据代理)获得支付的一部分作为激励。
随着交易在市场中发生,可以定义多种不同的交易类型(货币和非货币)来限制(由医疗数据的所有者)同意,以及为需要提供不同的价格等级(例如,不同的数据访问权限)。这样的交易类型可以包括仅查看、到期租借/租借、永久下载、(工作场所/市场)平台中的处理(例如,管理实体控制/管理远离请求访问医疗数据的实体的选择医疗数据的处理)等。
为了确保共享的数据与原始数据一致,在网络中构建数据验证机制以验证存储在区块链上的数据总是与区块链上的元数据匹配。例如,区块链上的元数据可以包括电子分类账(例如,所存储的医疗数据/记录的描述/摘要),而医疗数据本身由单独的数据主机(例如,在管理实体的控制下)存储,并且散列算法(或其他验证方法)可以用于确认区块链上的元数据与单独存储的医疗数据相匹配。以类似的方式,本管理实体可以使用诸如散列算法的验证机制来检查成员用户(例如,远程用户)获得访问的数据与当数据最初由管理实体存储时相同。
区块链(计算机)网络可以直接集成到诸如眼科成像设备的医疗数据采集设备中,并且所采集的医疗数据(即测量、图像等)可以在患者同意的情况下(在采集医疗数据之前或之后)由医疗设备自动地发送/传输到管理实体。因此,医疗数据被无缝地保存/记录到区块链(和/或管理实体)而不影响任何当前临床工作流程。
基于该框架,具有医生之间的数据共享的医生之间的转诊也可以通过本区块链构造来实现。由于患者在区块链的中心,因此患者可以在任何时间访问他们自己的医疗数据。由于所有成员都能够访问区块链分类账,所以透明度和信任被构建到区块链成员之间的当前网络中。
这种新颖的方法提供了一种使用为所有利益相关者提供财政激励的市场来共享成像数据(例如,在眼科或医学界内)的方式。本发明还提供不同的数据访问类型/格式/方法,包括数据验证。本新颖的方法还使得眼科患者能够完全访问他们的成像数据(或其他医疗数据),并且能够完全控制他们的数据访问。
因此,本发明提供了一种用于实现数据交易(例如,医疗数据的交易)的方法和系统,其中利用医疗数据的所有者(例如,作为医疗数据的主体或由医疗数据描述的患者)的协议,管理实体(工作场所平台/市场平台/区块链服务提供商/区块链管理员)接收医疗数据以进行存储。可以电子地(例如,经由计算机网络,诸如使用加密技术的因特网)或在电子数据存储介质(例如,CD/DVD)上接收医疗数据。管理实体将接收到的医疗数据的概要记录到区块链,该区块链至少维护可用医疗记录(例如,可经由管理实体访问的医疗记录)的电子分类账。远程用户然后可以向管理实体发送对医疗数据的请求,并且优选地指定描述正被请求的医疗数据的类型的标准。管理实体可以通过向远程用户提供至少部分地从电子分类账确定的满足用户指定标准的可用合格医疗记录的列表(例如,计数),来响应来自远程用户的对满足用户指定标准的医疗数据的电子请求。远程用户可以从列表中选择或简单地指定多个期望的医疗记录。管理实体可以响应于远程用户选择一个或多个合格医疗记录,通过根据由合格医疗记录的所有者授权的每一个合格医疗记录的访问批准状态授权远程用户访问所选择的合格医疗记录,并将数据交易记录到区块链。访问批准状态可以在远程用户请求数据之前由数据所有者提供。例如,可以为选择的医生/机构、或为医生转诊、或为他们的医疗数据的特定使用等提供预先批准的数据所有者。
可选地,管理实体可以提供对所存储的医疗数据的不同类型的访问许可。在这种情况下,管理实体可以从远程用户接收指示被请求的数据访问类型的访问类型请求。访问类型请求可以包括(仅)数据查看,具有有效期的临时数据访问,具有数据下载的永久数据访问,以及远离远程用户并由管理实体管理的数据处理(例如,由管理实体提供的数据处理服务)中的一者或多者。利用数据下载进行永久访问的选项可以包括从电子分类账中的可用医疗记录中移除所访问的合格医疗记录(例如,所下载的数据可能在区块链上不再可用)。如果需要,每一个访问类型可以具有由远程用户可支付的相关联的访问价格。
在一些实施方式中,用于由管理实体管理的数据处理的访问选项可以包括使用所选择的医疗记录生成机器学习模型,以及授权远程用户访问所生成的机器学习模型。例如,机器模型选项可以包括从人工神经网络、卷积神经网络、u-net、递归神经网络、生成对抗网络和多层感知器的一个或多个中选择的深度学习模型。可替换地或附加地,机器模型选项可以包括基于分类模型、回归模型、聚类和降维中的一者或多者的机器学习模型。
如上所述,医疗数据可以包括由医疗设备(例如,放射学设备、计算机断层摄影设备、光学相干断层摄影设备、眼底成像器、用于测试患者视场的视场测试仪器(周界),或狭缝扫描眼科系统)获取的医疗测量或图像,并且医疗设备在患者同意的情况下自动将医疗数据发送到管理实体。
医疗数据的所有者可以基于与对应的私钥相关联的公钥由公共标识符来标识,其中该公共标识符不包括个人标识信息。以这种方式,管理实体保持隐藏医疗数据所有者的任何个人标识信息。换句话说,没有远程用户能够亲自标识所存储的医疗数据的任何所有者。
可选地,满足用户指定标准的可用合格医疗记录的列表可以包括合格医疗记录的计数。如果该数量对于远程用户是不够的,则远程用户可以选择改变用户指定标准,例如通过减少用户指定标准的数量。然后,管理实体可以通过向远程用户提供满足改变的用户指定标准的可用合格医疗记录的更新列表来响应用户指定标准的电子改变,更新列表可能高于先前呈现的列表。
远程用户可以选择单独的医疗记录,但是也可以选择多个或提供多个期望的医疗记录,这些期望的医疗记录可以构成一批或一组。响应于远程用户选择合格医疗记录中的一者或多者,管理实体可检查每一个所选合格医疗记录(例如,记录批/组内的每一个合格医疗记录)的预先存在的访问批准状态,并且对于不具有预先存在的访问批准状态的每一个所选合格医疗记录,管理实体可向合格医疗记录的所有者发送(消息到app、或电子邮件、或文本等)批准请求,并根据所有者的批准答复更新合格医疗记录的批准状态。
类似地,响应于远程用户指定期望数量的合格医疗记录,管理实体可以检查每一个合格医疗记录的预先存在的访问批准状态。如果存在足够数量的具有预先存在的访问批准状态的合格医疗记录,则管理实体可以从具有预先存在的访问批准状态的那些合格医疗记录中选择期望数量的合格医疗记录。如果没有足够数量的具有预先存在的访问批准状态的合格医疗记录,则管理实体可确定需要多少额外的合格医疗记录来满足指定的期望数量,并且对于每一个额外需要的合格医疗记录,向额外需要的合格医疗记录的所有者发送批准请求。然后,管理实体可以根据所有者的批准响应来更新额外需要的合格医疗记录的批准状态。
可选地,管理实体可以通过向远程用户提供与可用合格医疗记录的列表相关联的价格列表来响应来自远程用户的对满足用户指定标准的医疗数据的电子请求。远程用户然后可以选择接受或拒绝所提供的价格。该管理实体可以响应于该远程用户选择该合格医疗记录中的一者或多者,通过收集与该远程用户被授权访问的该合格医疗记录相关联的价格,并且向每一个所选择的合格医疗记录所有者、收集该远程用户被授权访问的该合格医疗记录中的任一个的医疗机构、托管该远程用户被授权访问的该合格医疗记录中的任一个的数据主机中的一者或多者分配付款,和/或管理实体本身。
尽管管理实体可以管理上述区块链,但是区块链可以附加地或替代地是公共分类账计算机网络。另外,所接收的医疗数据可以至少部分地存储在链上(在区块链内)和链外(在区块链外部)。
管理实体可以向患者(医疗数据的所有者)正被转诊的医生提供自动数据访问。例如,如果远程用户是患者所涉及的医生,并且用户指定标准仅指定患者的医疗记录,则管理实体可以维护(或自动设置)合格医疗记录的访问批准状态以指示访问批准。
类似地,管理实体可以向医疗记录的所有者提供自动数据访问。例如,如果远程用户是医疗数据的所有者并且用户指定标准仅指定医疗数据的所有者的医疗记录,则管理实体维护可以维护(自动设置)合格医疗记录的访问批准状态以指示访问批准。
出于透明的目的,管理实体可以向选择用户提供对记录在区块链中的电子分类账的自由查看访问。例如,管理实体可以维护一组有特权的远程用户,其中的每一个都具有对电子分类账的无阻碍的查看访问。可以基于由管理实体建立的访问标准来标识特权用户,访问标准诸如先前的给定授权,由特权用户提交用于存储到管理实体的医疗记录的数量,以及先前商定的订阅周期或付费订阅中的一者或多者。
作为示例,由远程用户提交的用户指定标准可以包括解剖测量、身体功能测量、数据扫描类型和图像类型中的一者或多者。例如:解剖学测量可以包括眼压、角膜曲率测量、屈光误差或眼睛大小;身体功能测量包括心电图、生命体征测量(体温、脉搏率、呼吸率);数据扫描类型包括来自光学相干断层扫描装置的A扫描、B扫描或C扫描;图像类型包括眼底图像、正面(en-face)图像或眼前节图像。
如上所述,数据交易可以可选地包括某种激励以激励数据共享的参与。一个示例是货币化医疗数据交易。例如,可以提供一种方法/系统,用于使用计算机来促进买方和至少一个卖方之间的交易,其中卖方使用私钥来授权向管理实体(或数据存储)提交医疗信息。管理实体可以通过与卖方的个人身份无关的基于公钥的标识符来标识卖方。使用公钥-私钥交易是公知的,并且在本领域技术人员的范围内。购买者可以向管理实体提交用于访问指定类型的医疗信息(例如,满足用户指定标准)的购买要约,并且管理实体可以标识与购买要约中指定的医疗信息的类型相匹配的潜在医疗记录的列表(或其提交的医疗信息的卖方)。响应于卖方使用卖方的私钥来接受购买要约(例如,提供访问批准状态),管理实体可完成交易,包括向买方提供对与购买要约中指定的医疗信息的类型相匹配的卖方的医疗信息的所请求的访问,以及向卖方和/或其它利益相关者提供支付。管理实体可以使用区块链计算机网络维护由销售者提交的医疗信息的描述和销售者的公钥中的至少一个。然后将当前交易记录在区块链上。可选地,购买要约可以包括要约价格,但是管理实体可以为指定类型的医疗信息向购买者提供建议的购买价格。买方可以接受建议的购买价格或提交不同的(更高或更低)购买要约。类似于上述示例,卖方可以在卖方提交购买要约之前预先核准所建议的购买价格。在这种情况下,销售者可以预先核准在销售者提交的医疗信息中找到的不同类型的医疗信息的不同购买价格(例如,眼科对整形外科,或图像对非图像等)。
可选地,管理实体可以提供机器模型创建服务,其中购买者的购买要约可以包括创建机器模型所需的指定类型的医疗信息的期望数量的数据样本。在这种情况下,响应于从卖方收集足以满足期望数量的数据样本的购买要约的接受,管理实体然后使用数据样本创建买方指定的机器模型,并将所创建的机器模型提供给买方。在选择机器模型创建服务的情况下,买方请求的访问可以排除对卖方的医疗信息的查看访问。作为示例,机器模型可以包括从人工神经网络、卷积神经网络、u-net、递归神经网络、生成对抗网络和多层感知器中的一者或多者中选择的深度学习模型。可选地,所述机器模型包括基于分类模型、回归模型、聚类和降维中的一者或多者的机器学习模型。
在上述交易示例中,提供给远程用户或购买者的医疗信息(例如,医疗数据/记录)访问可排除亲自标识数据所有者或销售者的任何信息。
更一般地,本发明提供了一种用于共享医疗(例如,眼科)数据的方法/系统。该方法包括将医疗数据保存/存储到区块链。远程用户然后请求访问存储/指定在具有付费要约的区块链中的医疗数据。然后(例如,由数据所有者)批准或拒绝访问请求。然后,将访问请求决定记录在区块链上,并且远程用户基于访问请求决定获得对医疗数据的访问或接收说该请求被拒绝的通知。然后,当访问请求被批准时,可以向利益相关者提供支付。利益相关者可以包括数据的所有者,其可以是从其收集医疗数据的患者,从患者收集数据的医生或医疗设施,存储数据的数据主机,和/或区块链服务提供商(其可以包括管理实体)。可选地,支付可以基于密码货币。另外,将数据保存到区块链的步骤可以包括保存链上数据和链外数据。例如,链上数据可以包括用于联系(例如,眼科)数据的所有者的数据所有者标识符和指示存储在链外的任何数据的位置的存储位置信息中的至少一个。优选地,批准或拒绝访问请求由拥有数据的患者执行。例如,访问请求的批准或拒绝可以经由电子(有线或无线)通信设备来接收,从收集医疗数据的患者接收。如上所述,对数据的访问的存取可具有多种类型,例如仅查看,具有到期时间/周期的租用,永久数据下载和网络平台内的处理(例如,仅)。在仅处理访问中,所请求的数据在远离请求数据访问的远程用户的计算机网络平台内被访问和处理,并且可以排除远程用户的查看访问。
本发明还提供了一种用于在医疗(例如,眼科)团体中参考患者的方法/系统。例如,该方法可以包括将患者医疗数据保存到区块链网络;由第一名医生审查医疗数据集并作出转诊决定;根据转诊决定将转诊链接发送给被转诊的第二医生;通知患者希望与第二医生共享他/她的医疗数据;患者批准或拒绝本次转诊数据共享;在区块链上记录批准决定;第二名医生访问数据或收到请求被拒绝的通知。通常,如上所述,转诊获得自动访问批准,但是在本示例中,患者可以可选地停止数据共享。在本示例中,将数据保存到区块链可以包括保存链上数据和链外数据。转诊链接可以通过电子邮件、文本消息、电子消息等发送。如前所述,访问请求的批准或拒绝由拥有数据的患者执行。
本发明还提供了一种用于与患者共享医疗(例如,眼科)数据的方法/系统。本方法/系统包括将数据保存到区块链网络,然后区块链可以认证在线访问存储在区块链中的数据的用户。将数据保存到区块链可以包括保存链上数据和链外数据。在线访问存储在区块链中的数据可以通过web浏览器、移动设备应用程序或计算机应用程序来完成。
本发明还提供了一种用于在医疗(例如,眼科)数据共享期间建立透明度和信任的方法/系统。所述方法包括将数据保存到所述区块链网络;将所有交易存储在区块链上(例如,网络化公共(交易)分类账);以及允许成员访问/查看公共交易分类账。可选地,由成员访问网络化公共交易分类账需要某些标准,例如付费订阅。
通过结合附图参考下面的描述和权利要求,本发明的其它目的和成就以及更全面的理解将变得明显和明白。
在此可以引用或引用若干出版物以便于理解本发明。本文引用或提及的所有出版物通过引用整体并入本文。
这里公开的实施方式仅是示例,并且本公开的范围不限于它们。在一个权利要求类别例如系统中提及的任何实施方式特征也可以在另一个权利要求类别例如方法中要求。所附权利要求中的从属或引用仅出于形式原因而选择。然而,也可以要求保护由对任何先前权利要求的有意引用产生的任何主题,使得权利要求及其特征的任何组合被公开并且可以要求保护,而不管在所附权利要求中选择的从属性。
附图说明
在附图中,相同的参考符号/字符表示相同的部分:
图1示出了示例性的区块链计算机网络。
图2提供了根据本发明的示例性系统的总体概述。
图3示出了用于标识期望医疗数据的一些用户指定标准的示例。
图4示出了数据访问类型的数据计数列表和相关联的访问价格的示例。
图5示出了远程用户(例如,数据客户或研究者)与本管理实体(例如,市场/工作场所平台或区块链管理员/服务提供商)之间的示例性数据访问交易过程。
图6示出了用于将新患者数据存储(移动)到当前管理实体(例如,市场/工作场所平台或区块链管理员/服务提供商)的过程。
图7说明使用本系统/平台的医生转诊工作流程。
图8示出了用于测试患者视野的视野测试仪器(周边)的示例。
图9示出了用于对眼底成像的狭缝扫描眼科系统的示例。
图10示出了适用于本发明的用于收集眼睛的3D图像数据的通用频域光学相干断层扫描系统。
图11示出了人眼的正常视网膜的示例性OCT B-扫描图像,并且示例性地标识各种规范视网膜层和边界。
图12示出了正面显微图的示例。
图13示出了脉管系统(OCTA)图像的示例性B-扫描。
图14示出了多层感知器(MLP)神经网络的示例。
图15示出了由输入层、隐藏层和输出层组成的简化神经网络。
图16示出了示例卷积神经网络架构。
图17示出了示例U-Net架构。
图18示出了示例计算机系统(或计算设备或计算机)。
具体实施方式
在眼科界(或其他医疗界)内,用于在利益相关者(例如,数据交易/交换中的参与者)之间共享(例如,医疗)数据的典型过程可包括以下步骤:
1.创建列出方案(例如,采集(医学)数据、实施测试、选择受试者等)的(例如,医学)研究提案;
2.获得IRB(如机构审查委员会或伦理委员会)批准;
3.对于每位受试者(例如,医学研究中的患者),获得同意并生成合法权利(例如,使用患者的医疗数据);
4.基于协议获取所需数据,保存数据并同意数据库;以及
5.诸如通过在线共享工具、外部便携式数据存储驱动器等共享所有获取的数据/同意(例如,与利益相关者)。
然而,该当前方法存在若干限制,包括:
1)获得同意是困难的、不可扩展的,并且通常不能撤回。通常,获得同意包括向患者解释技术细节和临床受益,这会降低临床工作流程效率。一些患者也会拒绝给予有限时间的同意,以理解同意的条款,限制和目的。此外,如果在基于同意的一个特定使用情况下获取数据,则其可能不会扩展到原始同意中未涵盖的其它/未来应用。而且,一旦给予了同意,如果患者后来改变了他/她的想法,则很难撤回同意。
2)与医生建立数据共享协议具有挑战性。经常地,医生倾向于将数据共享限制为仅关闭协作者。对于没有成熟合作者的小公司和新研究人员来说,很难与医生达成研究建议或研究协议。
3)患者和医生没有适当的财务激励来共享数据。如今,基于数据的创新解决方案可以产生相当经济的收入。然而,作为(医疗)数据的所有者的患者通常没有得到他们的数据的适当的财务支付(或其他补偿)。这也是因为当前的数据共享框架不提供这种情况发生的机制。即使对于共享数据的医生,由于缺乏免费市场评估,也难以获得数据价值的良好估计。这在协商研究提议/合同时进一步提出了挑战。
4)当完成所有的研究建议和同意时,数据共享部分本身很大程度上是手动过程,这可能非常难以缩放。当跨国或全球运输物理硬盘驱动器(或CD,或DVD,或闪存驱动器,或其它物理存储媒体)时尤其如此。这种装运会增加运输过程中数据丢失的风险。
5)在当前的数据共享框架中,作为数据的所有者,患者通常不能容易地访问他/她自己的数据。
本发明使用区块链技术来解决上述问题。典型的区块链计算机网络的构造在本领域中是众所周知的,但是为了说明的目的,图1示出了示例性的区块链计算网络。通常,区块链11是具有增长的记录或区块[例如,11a,11b…,11(n-1)]列表的分布式分类账,区块使用密码术彼此链接。区块链内的第一区块通常称为起源区块。每一个块可以包含块本身的加密散列和先前块的散列(通过该散列,它标识其在块链中的位置)、时间戳和交易数据,但是附加类型的数据也可以存储在块中。例如,新块11n包含要存储在其中的数据,块11n的散列和先前块11(n-1)的散列。存储在块内的数据取决于区块链的类型(例如,区块链的目的)。如本领域已知的,散列可以使用散列算法来确定,并且提供标识块及其所有内容的唯一标识符。如果块的内容被改变,则将产生新的散列以反映该改变。因此,散列可用于确定块何时已被改变。此外,改变的块的新散列有效地将其标识为不同的块。另外,时间戳可用于确保当块被发布并添加到块链时存储的交易数据存在。由于每一个块标识(例如,包含关于)其之前的块,因此它们形成链,其中每一个附加块加强其之前的块。这使得区块链抵抗其数据的修改,因为一旦被记录,任何给定块中的数据就不能在不改变区块链中的所有后续块以反映改变的情况下被追溯地改变。
先前的眼科区块链应用没有目标图像数据共享。它们主要集中在电子医疗记录(EMR)方面,其中主要是文本数据,与诊断成像数据相比,文本数据具有有限的价值。允许共享图像数据的其它领域中的区块链应用不提供基于市场的图像数据商业化系统。除了本发明的其他特征之外,本发明的财政方面具有在工业中产生大的影响的潜力,并且可以产生强有力的激励以使数据共享可证实的、有机的和以患者为中心。此外,本方法提供了可选地具有不同价格等级的多个数据访问类型,这提供了对不同用户组获益的灵活性。可以提供在链上数据(存储在区块链上的数据)和链外数据(存储在区块链上的数据,但是区块链可以可选地标识数据存储在哪里)之间的数据验证,以确保本基于区块链的解决方案满足任何规章要求并提供现实世界利益。发生在区块链上的交易通常称为链上交易,而发生在区块链网络外的交易通常称为链外交易。还可以在链上交易和/或链外交易中使用数字(或“智能”)合同来解决监管要求。另外,与现有方法相比,在本系统中可以不同地处理转诊和患者对其成像数据的访问(在任何时间)。
图2提供了根据本发明的示例性系统的总体概述。在本示例中,患者21可以访问使用医疗设备22从患者21收集医疗数据的私人医生或医疗机构(例如,诊所、医院、研究所等)。所收集的数据可以包括对患者医疗问卷的回答、患者的生物测量和/或医学图像。不同类型的医疗设备的示例包括但不限于用于测试患者视场的视场测试仪器(周界),用于对眼睛的前部或后部进行成像的狭缝扫描眼科系统或其他相机、光学相干断层扫描(OCT)系统和OCT血管造影(OCTA)系统。下面将更详细地讨论这些类型的设备中的一些。所收集的生物测量和医学图像的示例包括但不限于视网膜厚度图、视网膜层、OCT/OCTAB-扫描、OCT/OCTAA-扫描、OCT/OCTA C-扫描、OCT/OCTA正面图像,诸如视网膜、黄斑、中央凹、视盘或神经、后极、特定目标血管结构、瞳孔、角膜、虹膜等的特定目标生物/地理特征的图像。在本示例中,患者可以在医学检查之前或之后授权许可(例如,提供协定),供医生或医疗机构将所有或部分收集的数据发送到管理实体(工作场所平台或市场平台或区块链服务提供商或区块链管理者或数据代理)23。可选地,在患者同意的情况下,捕获医疗测量或图像的医疗设备/装置自动向管理实体23发送/传送医疗数据,使得对检查工作流没有干扰。数据可经由电子邮件,经由因特网(例如,web门户)、计算机应用程序、便携式装置应用程序或在物理数据存储媒体(例如,硬盘驱动器、CD、DVD、USB快闪驱动器等)上以电子方式发送。因此,通过医疗数据的所有者的同意,管理实体23接收用于存储在数据存储/主机25中的医疗数据,或者被授权从远程数据存储/主机28访问医疗数据的许可。例如,远程数据存储器可以由收集医疗数据的医生或医疗机构操作。可选地,所收集的医疗数据的所有者,例如在本示例中的患者,可以直接与管理实体23通信,并且可选地直接将他/她的医疗数据提交给管理实体用于存储。可选地,与管理实体23的数据提交协议可以授权管理实体23自由研究访问所接收的医疗数据。可选地,该研究访问可以排除患者的个人标识信息。
管理实体23管理/监督/管理和记录不同利益相关者(例如,患者、数据所有者、医生、研究人员、机构等)之间的数据交换的交易(例如,医疗数据/数据记录,其可包括数据的货币交易)。管理实体23可以保存/容纳数据的副本,如内部数据存储器25所示,或者可以访问远程保存的医疗数据,如数据存储器27所示,其可以在管理实体23的管理下,或者通过独立的数据存储28。例如,独立数据存储28可以由向管理实体提供数据的医生或机构来管理,或者至少提供包括用于获得对其存储数据的访问的指令的数据描述。
管理实体23可以在交易之前、期间和之后维护数据所有者(和其他利益相关者)的个人身份的隐藏(例如,秘密),而且还维护包括所涉及的利益相关者的公共标识符的所有交易的电子分类账(例如,电子记录)。如上所述,管理实体23通过使用一个或多个区块链来实现这一点。管理实体23因此将所有交易(例如,接收到的医疗数据)的摘要记录到区块链,区块链还可以维护可用医疗记录的电子分类账。本管理实体23可以主存其自己的私有区块链24a,和/或可以维护/管理公共区块链24b。在这两种情况下,管理实体23可以控制谁被给予对区块链24a/24b的访问。可选地,利益相关者可以经由管理实体23与专用区块链24a通信,如实箭头所示,或者可以被授权与公共区块链24b直接通信的许可,如虚箭头所示。区块链可用作分布式分类账,其类似于可在多家人可访问的多个站点、机构或地理区域上一致共享和同步的数据库,且可允许交易具有增加透明度的公共“证人”。可以给予分布式公共分类账网络的每一个节点处的参与者对跨该网络共享的记录交易的访问。由此,对分类账做出的任何改变或添加(例如,交易)可以由不同的利益相关者反映和验证。管理实体23可以使用与个人可标识信息(PII)和其它私有数据相关联的分散(或公共)标识符(DID)。DID可以是公共域知识,但是其相关联的PII保持隐藏。只有DID的所有者可以访问其相关的PII。以此方式,所有者可以选择与谁共享私有(例如,医疗)数据,以及何时、何处以及如何共享私有数据。这将个人数据的访问控制置于具有个人数据所有者的区块链上。可选地,为了加速区块链交易,管理实体23可以在相同的利益相关者之间执行一组多个交易,并且在该组交易完成时,在区块链上存储交易的记录。发生在区块链网络外部的交易,例如将数据存储到区块链外的数据存储器或从区块链外的数据存储器存取数据,通常称为链外交易,但也可在区块链上维持链外交易的记录。
区块链24a/24b可使用公钥密码系统,其可基于非对称加密。在公钥密码系统中,网络(例如,管理实体23和/或区块链24a/24b)使用户能够生成并使用公钥-私钥对,其中公钥及其唯一对应的私钥一起生成。公钥可以自由地与任何人共享,但是私钥用作安全通行码以解锁属于其特定配对公钥的交易。因此,私钥通常是保密的。以这种方式,公钥-私钥对使得能够进行安全的交易,例如通信和数据交换。使用公钥对交易进行加密,并要求对公钥的相应私钥进行解密。例如,如果第一用户希望从第二用户接收消息,则第一用户将与第二用户共享其公钥,并且第二用户将使用第一用户的公钥来加密消息。一旦接收到加密消息,第一用户就可以使用他们自己的私钥来解密该消息。在所有交易中,用户的个人标识信息保持隐藏而不被公众看到。
因为公共密钥可以是长串的字母数字字符,所以它们使用起来笨重和麻烦。可选地,可以使用公钥的修改表示来代替公钥。这个修改的表示优选地比它表示的原始公钥更短和更容易使用。例如,公钥-私钥对中的公钥的修改表示可以采取“公共地址”或公共标识符的形式。在特定的实现方式中,公共地址/标识符可以采用典型的电子邮件地址的形式,这使得区块链的用户(例如,利益相关者)更容易标识他们自己,因为公共地址可以被自由地共享。例如,可以使用对其表示的公钥的散列算法来创建公共地址,这有效地增加了额外的加密层。因此,尽管公共地址典型地比它表示的公共密钥更容易使用,但是实际上仍然不可能对公共地址的相应私有密钥进行反工程。在本示例中,当想要访问区块链时,将呈现一个人的公共地址(或公共密钥),但是也可能需要通过提供公共地址(例如,所表示的公共密钥)的相应私有密钥来验证一个人的身份。如果私钥不正确,则拒绝对区块链的访问。以这种方式,可以确保只有特定公共地址(或公共密钥)的所有者被授权访问。
因此,由管理实体23存储/管理的医疗数据的所有者可以由公共标识符来标识,该公共标识符可以基于与对应的个人可标识信息相关联的公钥,该个人可标识信息可以基于私钥。公共标识符优选地不包括任何个人标识信息,由此管理实体23保持隐藏医疗数据所有者的任何个人标识信息。
多个远程用户29-1至29-i可以发送满足用户指定标准的医疗数据的电子请求。可选地,远程用户29-1至29-i可以在提交电子请求之前查看可用医疗数据(由管理实体23和/或区块链24a/24b提供)的分类账。在验证请求之后,如上所述,管理实体可以通过向远程用户提供至少部分地从电子分类账确定的满足用户指定标准的可用合格医疗记录的列表来响应电子请求。
参考图3,用户指定标准的示例可以按类别划分。例如,远程用户29-1至29-i可以指定特定的医疗测量或数据类型31和/或由患者特定的描述符/要求32指定。医学测量或数据类型31可以包括解剖测量(例如眼压、角膜曲率测量、屈光误差或眼睛大小)、身体功能测量(例如心电图或生命体征测量(体温、脉搏率、呼吸率))、来自光学相干断层扫描设备的数据扫描类型(例如A-扫描、B-扫描或C-扫描)、图像类型(例如眼底图像、正面图像或眼前/眼后段图像)等。患者特定要求可以包括年龄范围、性别、社会经济状况、地理位置(例如国家、州、城镇、地理区域等)、种族、现有医学状况(例如,先前诊断的疾病)、当前治疗等。
参考图4,可选地,满足用户指定标准的可用合格医疗记录的列表可以包括可用(合格)医疗记录的计数41。如果计数不足以用于远程用户的目的,则远程用户可以选择改变用户指定标准(参见图3)。管理实体23可以通过自动地向远程用户提供满足经更改的用户指定标准的可用合格医疗记录的经更新列表(包括更新可用性计数41)来响应该用户指定标准的电子更改。
远程用户然后可以选择单独的记录和/或提交一般数量的期望医疗数据记录。响应于远程用户选择一个或多个合格医疗记录,管理实体23检查每一个所选(合格)医疗记录的预先存在的访问批准状态。即,个体医疗数据/记录的所有者(例如,患者)可以根据某些标准(例如,访问类型、使用目的、支付值、请求数据的特定用户等)提交对访问其数据的预先存在的批准。对于没有来自数据所有者的预先存在的访问批准状态的每一个选择的合格医疗记录,管理实体向数据所有者发送批准请求(其可以包括价格提议),并根据数据所有者的批准响应更新合格医疗记录的批准状态。
可选地,远程用户可以提交期望数量的合格医疗记录42,其可以低于可用记录计数41。管理实体23可以通过检查每一个合格医疗记录的预先存在的访问批准状态来响应,并且如果存在足够数量的具有预先存在的访问批准状态的合格医疗记录,则管理实体23可以从具有预先存在的访问批准状态的合格医疗记录中自由地选择期望数量的合格医疗记录。然而,如果具有预先存在的访问批准状态的合格医疗记录的数量不足,则管理实体23然后可以确定需要多少额外的合格医疗记录来满足指定的期望数量,并且对于每一个额外需要的合格医疗记录,向额外需要的合格医疗记录的所有者发送批准请求,并且根据数据所有者的批准响应来更新额外需要的合格医疗记录的批准状态。
在一些情况下,管理实体23可以根据来自数据所有者的预先存在的同意来分配访问批准状态以选择医疗数据。例如,如果第一医生将患者转诊给第二医生,则管理实体23可以授权第二医生访问患者的相关医疗记录,而不需要来自患者的新的访问批准响应。例如,如果远程用户是患者被转诊到的第二医生,并且用户指定标准仅指定患者的医疗记录,则管理实体23维护或可以分配合格医疗记录的自动访问批准状态。在另一种情况下,如果患者(或其他数据所有者)希望访问他们自己的记录,则可以省略对来自患者的新访问批准响应的请求。换言之,如果提交对医疗数据的请求的远程用户是医疗数据的所有者,并且所有用户指定标准仅指定医疗数据的所有者的医疗记录,则管理实体23可以维护或分配所请求的医疗数据的自动访问批准状态。
如上所述,本系统可以为利益相关者提供参与本系统的货币激励。例如,管理实体23可以向请求医疗数据的远程用户提供与可用合格医疗记录的列表相关联的价格列表(例如,每一个数据项或每一个医疗记录)。价格列表可基于各种标准而变化,诸如所请求的数据类型(例如,测量数据、图像数据、调查表数据等),收集数据的地理位置(例如,原产国等),所请求的数据访问的类型等。相应地,如果远程用户选择访问任何合格医疗记录,则管理实体23可从远程用户收集与合格医疗记录相关联的价格。以及向所选择的医疗记录的所有者,收集任何所选择的医疗记录的医疗机构和托管任何所选择的医疗记录的数据存储中的每一个中的一者或多者以及向管理实体本身分发支付。如果远程用户不接受所提供的价格列表,则远程用户可以提交所需数据的还价(例如,提供不同的价格),该还价可以高于或低于所提供的价格列表中所示的还价。然后,管理实体23和/或数据所有者可以检查还价并选择接受或拒绝它。未来建议的价格列表可以至少部分地基于先前接受的还价。
不管管理实体23是否收集和分配付款还是提供某种其它类型的激励利益,当远程用户选择一个或多个合格医疗记录进行访问时,管理实体23通过根据由所选(合格)医疗记录的所有者授权的每一个所选(合格)医疗记录的访问批准状态授权远程用户对所选合格医疗记录的访问来作出响应,并将数据交易记录到区块链24a/24b。
如上所述,管理实体23可以向远程用户提供不同类型的数据访问。例如参考图4,管理实体23可以从远程用户接收访问类型请求,该可用访问类型列表43中选择的访问类型请求。例如,访问类型列表43可包括仅数据查看43a,具有有效期的临时(完整)数据访问43b,具有数据下载的永久数据访问43c,以及由远离远程用户的管理实体23执行(或在其管理下执行)的远程数据处理43d。可以选择多于一种类型的访问请求。例如,远程数据处理选项43d可以不包括视图访问。如果远程用户希望查看数据的选项,则远程用户可另外选择仅查看选项43a。可选地,永久下载选项43b(例如,利用数据下载的永久访问)可以包括从电子分类账中的可用医疗记录的列表中移除所访问的合格医疗数据。如果正在实施货币激励,则每一个访问类型可以具有由远程用户支付的相关联的访问价格44a至44d(例如,每一个医疗记录值)。
利用远程数据处理选项43d,远程用户进一步选择需要什么类型的数据处理。然后,管理实体23执行或安排在远程站点执行所需的处理。例如,期望的数据处理可以包括使用所选择的医疗数据来生成机器学习模型(使用所选择的医学记录)以解决指定的目标,诸如在眼底图像中定位中央凹。然后,远程用户被授权完全访问所生成的机器学习模型。机器模型类型的示例包括从人工神经网络、卷积神经网络、u-net、递归神经网络、生成对抗网络和多层感知器中的一者或多者中选择的深度学习模型。下面提供这些类型的机器模型的示例。更一般地,机器模型选项可以附加地或替代地包括基于分类模型、回归模型、聚类和降维中的一者或多者的机器学习模型。
如上所述,管理实体23可授权选择(特许)远程用户访问电子分类账以供审阅,其提供可用医疗数据的记录以供访问。这些有特权的远程用户可以被授权对电子分类账的无阻碍的查看访问权。特权用户由管理实体23建立的访问标准来标识特权用户,所述访问标准包括先前给定的授权,由特权用户提交用于存储到管理实体23的医疗记录的数量,和/或先前商定的访问订阅价格/周期中的一者或多者。
图5和图6示出了本发明的第一使用情况。本实施方式示出用于例如通过市场在区块链网络成员(例如,远程用户或利益相关者)之间共享(医疗)数据的工作流程。图5示出了(远程)用户(例如,数据客户或研究人员)的数据访问(例如,数据交换/购买/租赁),以及图6示出了用于将新患者(医疗)数据存储(移动)到当前市场平台(例如,管理实体/区块链)的过程。参考图5,首先,区块链的(远程)用户发出对特定(医疗)数据类型或简档的请求(框51)。基于该请求,例如由平台/管理实体聚集满足该请求的可用潜在数据集的目录(例如,列表)(框52)。这种聚集可以发生在区块链中,或者由托管数据集的数据代理(例如,管理实体)来完成。基于该目录,针对每一个数据集的相应请求被发布给拥有所请求的数据的个体患者,作为具有基于数据访问类型的(例如,价格)报价的一个或多个电子通知(框53)。数据访问类型可以包括仅查看、具有期满(周期)的租金/租约、永久下载、市场平台(例如、管理实体)内的数据处理等。可以针对每一个数据访问类型配置不同的价格等级,使得报价基于数据访问类型而变化,如图4所示。
然后,所请求的数据的所有者(例如,患者)具有批准或拒绝数据访问的选择(框54)。如果患者不同意访问,则向提交访问请求的(远程)用户发送相应的答复,例如拒绝访问的通知(框55)。如果患者同意访问,这意味着患者明确同意共享患者的数据,则将该明确同意记录在区块链上并保存为永久记录(框57)。请求访问的用户(例如,数据客户)被给予对所请求的格式(数据访问类型)的数据的访问(框58)。如上所述,验证机制也内置到市场平台中,使得(远程)用户访问的数据可以在其被访问/检索时以及可选地在其被存储/保存到平台/管理实体时对照状态/记录来验证。如果确认通过,则认为该数据访问成功。一旦访问完成,支付交易完成,并且所有利益相关者获得支付的适当部分(框59)。适当的支付部分可以在交易之前达成协议,或者可以基于当前趋势的供需值/百分比实时确定。例如,拥有数据的的患者,获取该数据的医生/诊所,主持该数据的医院/成像中心/设备公司以及区块链服务都得到支付。在任何时候,患者可以撤回同意,并且将退还按比例支付的款项。撤回知情同意书后,任何(之前)永久下载的数据不再用于研究或商业目的。
本市场平台可以包括平台自身上的各种工具/服务,用于购买、租借或以其他方式访问数据。这些工具可用于帮助操纵、分析或处理所访问的数据。例如,当要在市场平台内至少部分地执行对所访问的数据的处理时,市场平台可以允许用户(数据客户)直接在经由区块链可用的购买/租用数据上运行一个或多个应用/工具/服务(app)。例如,市场平台可向数据客户提供对一个或多个自动机器学习(ML)应用程序的访问,以帮助分析购买/租用的数据。下面提供了ML架构的各种示例。一旦研究人员(用户)购买/租用数据并选择在平台内处理所购买/租用的数据,自动ML app就可以被购买(或租用)并在所购买/租用的数据上使用以生成训练的ML模型,可选地遵循由研究人员提供的训练指令/配置。在另一个示例中,可以购买/租用算法或分析应用程序,以在区块链中的购买/租用数据上运行,以产生商业洞察力。
参考图6,将新的患者数据保存(存储)到区块链(管理实体)可以在后台实现,并且与现有的临床工作流完全兼容。例如,在医学检查完成之后(框61),基于患者的偏好/许可,可以将患者的数据保存/传送到区块链(管理实体)或不保存/传送到区块链(框62)。如果患者更喜欢不选择进入市场平台(框62=否),则遵循(医生/诊所的)正常工作流程,并且不将患者数据移动到工作场所平台(框64)。如果患者的偏好是选择进入市场平台(框62=是),则患者的检查数据被保存到区块链(管理实体/平台),并且患者将在成功的数据存储之后接收通知(框63)。同时,将该患者数据(例如,图像数据集)添加到数据共享市场数据库(例如,电子分类账/区块链),如框63所示。
以与共享患者/医疗数据类似的方式,也可以使用区块链(管理实体/平台)来共享算法/应用。在这种情况下,以类似于如何处理“数据”的方式来处理算法/应用,并且可以使用区块链在市场平台中进行测试/许可/购买。以这种方式,所有的批准和交易记录被自动保存在区块链上。
图7示出了使用本管理实体/平台(例如,使用区块链)的医生转诊的工作流程。在这种使用情况下,第一医生检查患者数据(框71),然后决定是否将患者转诊给第二医生(框72)。如果转诊决策为否(框72=否),那么过程结束(框73)。如果转诊决定为是(框72=是),则转诊链接(例如,电子邮件、电子消息、URL等)将连同关于如何加入区块链网络(框74),例如如何向管理实体注册为用户的指令一起发送给第二医生。同时,拥有数据的患者还可以接收指示他/她的医疗数据/记录将与第二医生共享的通知(框74),例如作为医生转诊的一部分。在一个实施方式中,患者然后可以批准或不批准他/她的数据的共享(框75)。如果患者不同意(框75=否),则两个医生都接收到表示患者拒绝与第二医生共享他/她的数据的答复(框76)。这类似于拒绝转诊的患者。如果患者同意共享他/她的数据(框75=是),则第二医生获得对患者数据的访问(框77)。或者,该患者批准过程可以作为患者协议的一部分被集成到临床工作流中,以允许患者的数据与其他医生共享(自动地)。
可选地,其数据被保存在区块链网络上的患者可以在任何时间从web门户(例如web浏览器)或app访问他/她自己的数据,如上所述。一旦患者的凭证被认证,患者默认地完全同意访问他/她自己的数据。
最优地,市场平台(管理实体)可以为满足某些要求(例如,订阅付费,满足共享的最小数量的数据集)的区块链网络的成员提供对其中具有所有记录的区块信息的区块链分类账概要信息的访问。这将在区块链网络中提供透明性,使得可以由访问单个真实记录的每一个人建立信任。
以下提供适用于本发明的各种硬件和架构的描述。
视野测试系统
本文所述的改进可与任何类型的视野测试器/系统(例如周边)结合使用。一种这样的系统是“碗”视野测试器VFO,如图8所示。对象(例如,患者)VF1被示为观察大体成形为碗的半球形投影屏幕(或其它类型的显示器)VF2,测试者VFO被称为该投影屏幕VF2。通常,指示对象固定在半球形屏幕VF3的中心的点。对象将他/她的头部搁置在患者支撑件上,该患者支撑件可以包括腮托VF12和/或前额托V1714。例如,对象将他/她的头部搁在腮托VF12上并将他/她的前额靠着前额托VF14放置。可选地,腮托VF12和前额托VF14可以一起移动或彼此独立地移动,以例如相对于试验透镜保持器VF9正确地固定/定位患者的眼睛,试验透镜保持器VF9可以保持透镜,通过该透镜对象可以观察屏幕VF2。例如,腮托和头靠可以在垂直方向上独立地移动以适应不同的患者头部尺寸,并且在水平和/或垂直方向上一起移动以正确地定位头部。然而,这不是限制性的,并且本领域技术人员可以想到其它布置/移动。
投影仪或其它成像设备VF4在处理器VF5的控制下在屏幕VF2上显示一系列测试激励(例如,任何形状的测试点)VF6。对象VF1指示他/她通过致动用户输入VF7(例如,按下输入按钮)看到刺激VF6。该对象响应可由处理器VF5记录,该处理器VF5可用于基于对象的响应来评估眼睛的视野,例如,确定对象VF1能看到的测试刺激VF6的大小、位置和/或强度,并由此确定测试刺激VF6的(可见)阈值。相机VF8可用于在整个测试中捕捉患者的凝视(例如,凝视方向)。凝视方向可用于患者对准和/或确定患者对适当测试过程的坚持。在本示例中,相机VF8位于相对于患者眼睛的Z轴上(例如,相对于试验透镜保持器VF9)并且在(屏幕VF2的)碗状物后面,用于捕获患者眼睛的实况图像或视频。在其他实施方式中,该相机可以位于偏离该Z轴的位置。来自凝视相机VF8的图像可任选地在第二显示器VF10上显示给临床医生(其在本文中也可互换地称为技术人员)以帮助患者对准或测试验证。相机VF8可以在每一个刺激呈现期间记录和存储眼睛的一个或多个图像。取决于测试条件,这可能导致每一个视野测试在任何地方收集数十到数百个图像。可替换地,相机VF8可以在测试期间记录和存储全长电影,并且提供指示何时呈现每一个刺激的时间戳。另外,还可以在刺激呈现之间收集图像,以在VF测试的整个持续时间内提供关于对象的整体注意力的细节。
试验透镜保持器VF9可以定位在患者眼睛的前面以校正眼睛中的任何屈光误差。任选地,透镜保持器VF9可以承载或保持液体试验透镜(参见例如美国专利第8,668,338号,其内容在此全文引入作为参考),其可以用于为患者VF1提供可变屈光矫正。然而,应当注意,本发明不限于使用用于折射校正的液体试验透镜,也可以使用本领域已知的其它常规/标准试验透镜。
在一些实施方式中,一个或多个光源(未示出)可以位于对象VF1的眼睛的前面,其产生来自诸如角膜的眼睛表面的反射。在一个变型中,光源可以是发光二极管(LED)。
同时图8示出了投影型视野测试器VFO,在此描述的本发明可以与其它类型的装置(视野测试器)一起使用,包括通过液晶显示器(LCD)或其它电子显示器产生图像的装置(参见例如美国专利第8,132,916号,在此引入作为参考)。其它类型的视野测试器包括例如平面屏幕测试器、小型化测试器和双目视野测试器。这些类型的测试器的示例可以在美国专利8,371,696、美国专利5,912,723、美国专利第8,931,905号、美国设计专利D472637中找到,其每一个通过引用整体并入本文。
视野测试器VFO可以包括使用硬件信号的仪器控制系统(例如运行算法,其可以是软件、代码和/或例程)和自动定位系统,以将患者的眼睛自动定位在期望的位置,例如透镜保持器V179处的折射校正透镜的中心。例如,步进电机可以在软件控制下移动腮托VF12和前额托VF14。可以提供摇臂开关,以使主治技术人员能够通过使腮托和前额步进电机工作来调节患者的头部位置。可手动移动的折射透镜也可以放置在透镜架VF9上的患者眼睛的前面,尽可能靠近患者眼睛,而不会不利地影响患者的舒适度。可选地,仪器控制算法可以在腮托和/或前额马达运动正在进行时暂停视野检查测试执行,如果这种运动将中断测试执行的话。
眼底成像系统
用于对眼底成像的两类成像系统是泛光照明成像系统(或泛光照明成像器)和扫描照明成像系统(或扫描成像器)。泛光照明成像器例如通过使用闪光灯来同时泛光照明样本的感兴趣的整个视场(FOV),并且使用全帧相机(例如,具有足够大小的二维(2D)光传感器阵列以捕获期望的FOV作为整体的相机)来捕获样本(例如,眼底)的全帧图像。例如,泛光照明眼底成像器会用光泛光照明眼睛的眼底,并在相机的单个图像捕获序列中捕获眼底的全帧图像。扫描成像器提供在对象(例如眼睛)上扫描的扫描束,并且当扫描束在对象上扫描时,扫描束在不同的扫描位置处成像,从而创建可以被重构(例如单边)的一系列图像段,以创建期望FOV的合成图像。扫描光束可以是点、线或二维区域,例如狭缝或宽线。在美国专利8,967,806和美国专利8,998,411中提供了眼底成像器的示例。
图9示出了用于对眼底F进行成像的狭缝扫描眼科系统SLO-1的示例,眼底F是与眼睛晶状体(或晶状体)CL相对的眼睛E的内表面,并且可以包括视网膜、视盘、黄斑、中央凹和后极。在本示例中,成像系统处于所谓的“扫描-去扫描”配置中,其中扫描线光束SB穿过眼睛E的光学部件(包括角膜Cm、虹膜Irs、瞳孔Ppl和晶状体CL),以穿过眼底F。在洪水眼底成像器的情况下,不需要扫描仪,并且光一次施加在整个期望视场(FOV)上。其它扫描配置在本领域中是已知的,并且具体的扫描配置对于本发明不是关键的。如图所示,成像系统包括一个或多个光源LtSrc,优选地是多色LED系统或激光系统,其中集光率被适当地调节。可选的狭缝Slt(可调节的或静态的)位于光源LtSrc的前面,并可用于调节扫描线光束SB的宽度。另外,狭缝S1t可以在成像期间保持静止,或者可以被调节到不同的宽度,以允许不同的共焦水平和不同的应用,或者用于特定的扫描,或者在用于抑制反射的扫描期间。可选的物镜ObjL可以放置在狭缝Slt的前面。物镜ObjL可以是现有技术透镜中的任何一种,包括但不限于折射、衍射、反射或混合透镜/系统。来自狭缝S1t的光穿过光瞳分割镜SM并被导向扫描仪LnScn。希望使扫描平面和光瞳平面尽可能靠近在一起,以减少系统中的渐晕。可以包括可选的光学器件DL以操纵两个分量的图像之间的光学距离。光瞳分割镜SM可以将来自光源LtSrc的照明光束传递到扫描仪LnScn,并且将来自扫描仪LnScn的检测光束(例如,从眼睛E返回的反射光)朝向相机Cmr反射。光瞳分割镜SM的任务是分割照明和检测光束并帮助抑制系统反射。扫描仪LnScn可以是旋转电流计扫描仪或其它类型的扫描仪(例如,压电或音圈、微机电系统(MEMS)扫描仪、电光偏转器和/或旋转多边形扫描仪)。根据光瞳分割是在扫描仪LnScn之前还是之后进行,扫描可以分为两个步骤,其中一个扫描仪在照明路径中,而单独的扫描仪在检测路径中。在美国专利第9,456,746号中详细描述了具体的光瞳分割装置,该专利的全部内容在此引入作为参考。
照明光束从扫描仪LnScn通过一个或多个光学器件,在这种情况下是扫描透镜SL和眼科或目镜OL,其允许眼睛E的瞳孔成像到系统的图像瞳孔。通常,扫描透镜SL以多个扫描角(入射角)中的任何一个从扫描仪LnScn接收扫描照明光束,并产生具有基本平坦的表面焦平面(例如,准直光路)的扫描线光束SB。然后,眼科透镜OL可以将扫描线光束SB聚焦到要成像的物体上。在本示例中,眼科透镜OL将扫描线光束SB聚焦到眼睛E的眼底F(或视网膜)上以对眼底成像。以这种方式,扫描线光束SB产生穿过眼底F的横穿扫描线。这些光学器件的一种可能的配置是开普勒型望远镜,其中选择两个透镜之间的距离以产生近似远心的中间眼底图像(4-f配置)。眼科透镜OL可以是单个镜片、消色差镜片或不同镜片的布置。如本领域技术人员已知的,所有透镜可以是折射的、衍射的、反射的或混合的。眼科透镜OL、扫描透镜SL的焦距以及光瞳分割镜SM和扫描仪LnScn的尺寸和/或形式可以根据期望的视场(FOV)而不同,并且因此可以设想这样的布置,其中可以根据视场例如通过使用翻盖光学器件、机动轮或可拆卸光学元件来将多个部件切换到光束路径中和从光束路径切换出。由于视场的改变导致瞳孔上的光束尺寸不同,因此也可以结合FOV的改变来改变瞳孔分裂。例如,45°至60°视场是眼底相机的典型或标准FOV。更高的视场,例如60°-120°或更大的宽场FOV也是可行的。宽场FOV对于宽线眼底成像器(BLFI)与诸如光学相干断层扫描(OCT)的另一成像模态的组合可能是期望的。视场的上限可以由可达到的工作距离结合人眼周围的生理条件来确定。因为典型的人类视网膜具有140°水平和80°-100°垂直的FOV,所以对于系统上的最高可能FOV可能期望具有不对称视场。
扫描线光束SB穿过眼睛E的瞳孔Ppl,并被导向视网膜或眼底表面F。扫描仪LnScn1调节光在视网膜或眼底F上的位置,使得眼睛E上的横向位置的范围被照明。反射或散射光(或在荧光成像的情况下发射的光)沿着与照明类似的路径被引导回,以在到相机Cmr的检测路径上限定收集光束CB。
在本发明的示例性狭缝扫描眼科系统SLO-1的“扫描-去扫描”配置中,从眼睛E返回的光在其到达瞳孔分离镜SM的途中由扫描仪LnScn“去扫描”。即,扫描仪LnScn扫描来自光瞳分割镜SM的照明光束,以定义穿过眼睛E的扫描照明光束SB,但是由于扫描仪LnScn也在相同的扫描位置接收来自眼睛E的返回光,所以扫描仪LnScn具有将返回光去外壳的效果(例如,取消扫描动作),以定义从扫描仪LnScn到光瞳分割镜SM的非扫描(例如,稳定的或静止的)收集光束,其将收集光束朝向相机Cmr折叠。在光瞳分割镜SM处,反射光(或在荧光成像的情况下发射的光)从照明光分离到指向相机Cmr的检测路径上,相机Cmr可以是具有用于捕获图像的光传感器的数字相机。成像(例如,物镜)透镜ImgL可以位于检测路径中,以将眼底成像到相机Cmr。如同物镜ObjL的情况,成像透镜ImgL可以是本领域已知的任何类型的透镜(例如折射、衍射、反射或混合透镜)。在PCT公开W02016/124644中描述了附加的操作细节,特别是减少图像中的伪像的方式,其内容在此全部引入作为参考。相机Cmr捕获所接收的图像,例如,它创建图像文件,该图像文件可以由一个或多个(电子)处理器或计算设备(例如,图18的计算机系统)进一步处理。因此,收集光束(从扫描线光束SB的所有扫描位置返回)由相机Cmr收集,并且全帧图像Img可以由单独捕获的收集光束的合成构成,例如通过蒙太奇(montage)。然而,也可以设想其它扫描配置,包括其中照明光束在眼睛E上扫描而收集光束在相机的光传感器阵列上扫描的配置。PCT公开WO 2012/059236和美国专利公开第2015/0131050号(在此引入作为参考)描述了狭缝扫描检眼镜的几个实施方式,包括各种设计,其中返回光扫过相机的光传感器阵列,并且其中返回光不扫过相机的光传感器阵列。
在本示例中,相机Cmr连接到处理器(例如,处理模块)Proc和显示器(例如,显示模块、计算机屏幕、电子屏幕等)Dspl,两者都可以是图像系统本身的一部分,或者可以是分离的专用处理和/或显示单元(一个或多个)的一部分,数据通过包括无线网络的电缆或计算机网络从相机Cmr传递到计算机系统。显示器和处理器可以是一个整体单元。显示器可以是传统的电子显示器/屏幕或触摸屏类型,并且可以包括用于向仪器操作者或用户显示信息和从仪器操作者或用户接收信息的用户界面。用户可以使用本领域已知的任何类型的用户输入设备与显示器交互,所述用户输入设备包括但不限于鼠标、旋钮、按钮、指针和触摸屏。
可能希望患者的目光在进行成像时保持固定。实现这一点的一种方式是提供患者可被引导凝视的固定目标。固定目标可以在仪器内部或外部,这取决于要对眼睛的哪个区域进行成像。内部固定目标的一个实施方式在图9中示出。除了用于成像的主光源LtSrc之外,可以定位诸如一个或多个LED的第二可选光源FxLtSrc,使得使用透镜FxL、扫描元件FxScn和反射器/反射镜FxM将光图案成像到视网膜。注视扫描仪FxScn可以移动光图案的位置,并且反射器FxM将光图案从注视扫描仪FxScn引导到眼睛E的眼底F。优选地,注视扫描仪FxScn的位置使得它位于系统的瞳孔平面,从而视网膜/眼底上的光图案可以根据期望的注视位置而移动。
狭缝扫描检眼镜系统能够根据所使用的光源和波长选择过滤元件以不同的成像模式操作。当用一系列彩色LED(红色、蓝色和绿色)对眼睛成像时,可以实现真色反射成像(类似于临床医生在使用手持或裂隙灯检眼镜检查眼睛时所观察到的成像)。每种颜色的图像可以在每一个LED在每一个扫描位置接通的情况下逐步建立,或者每一个彩色图像可以单独地整体拍摄。三个彩色图像可以被组合以显示真彩色图像,或者它们可以被单独显示以突出显示视网膜的不同特征。红色通道最突出脉络膜,绿色通道突出视网膜,蓝色通道突出视网膜前层。另外,可以使用特定频率的光(例如,单独的有色LED或激光器)来激发眼睛中的不同荧光团(例如,自发荧光),并且可以通过滤除激发波长来检测所得荧光。
眼底成像系统还可以提供红外反射图像,例如通过使用红外激光器(或其它红外光源)。红外(IR)模式的优点在于眼睛对IR波长不敏感。这可以允许用户连续地拍摄图像而不干扰眼睛(例如,在预览/对准模式中)以在仪器对准期间帮助用户。而且,IR波长增加了穿过组织的穿透,并且可以提供脉络膜结构的改善的可视化。此外,荧光素血管造影术(FA)和吲哚菁绿(ICG)血管造影术成像可以通过在将荧光染料注射到受试者的血流中之后收集图像来完成。例如,在FA(和/或ICG)中,可以在将光反应性染料(例如荧光染料)注入受试者的血流中之后捕获一系列时移图像。应注意的是,必须小心,因为荧光染料部分人群中导致危及生命的过敏反应。高对比度、灰度图像是使用选择用于激发染料的特定光频率捕获的。当染料流过眼睛时,使眼睛的各个部分明亮地发光(例如,发荧光),使得可以辨别染料的进程,并因此辨别现在通过眼睛的血液。
光学相干断层成像系统
通常,光学相干断层扫描(OCT)使用低相干光来产生生物组织的二维(2D)和三维(3D)内部视图。OCT能够对视网膜结构进行体内成像。OCT血管造影术(OCTA)现在产生信息,例如来自视网膜内的血管流。OCT系统的示例在美国专利6,741,359和9,706,915中提供,OCTA系统的示例可在美国专利9,700,206和9,759,544中找到,所有这些专利通过引用整体并入本文。本文提供了示例性OCT/OCTA系统。
图10示出了适用于本发明的用于收集眼睛的3D图像数据的通用频域光学相干断层扫描(FD-OCT)系统。FD-OCT系统OCT_1包括光源LtSrcl。典型的光源包括但不限于具有短时间相干长度的宽带光源或扫频激光源。来自光源LtSrcl的光束通常由光纤Fbrl路由,以照射样本,例如眼睛E;典型的样本是人眼中的组织。例如,在谱域OCT(SD-OCT)的情况下,光源LtSrcl可以是具有短时间相干长度的宽带光源,或者在扫频源OCT(SS-OCT)的情况下,光源LtSrcl可以是波长可调的激光源。通常可以用位于光纤Fbr1的输出和样本E之间的扫描仪Scnr1扫描光,使得光束(虚线Bm)在待成像的样本区域上横向扫描。来自扫描仪Scnr1的光束可以穿过扫描透镜SL和眼科透镜OL,并被聚焦到被成像的样本E上。扫描透镜SL可以以多个入射角接收来自扫描仪Scnr1的光束并产生基本上准直的光,然后眼科透镜OL可以聚焦到样本上。本示例示出了需要在两个横向方向(例如,笛卡尔平面上的x和y方向)上扫描以扫描期望视场(FOV)的扫描波束。这种情况的一个示例是点场OCT,它使用点场光束扫描样本。因此,扫描仪Scnrl说明性地示为包括两个子扫描仪:第一子扫描仪Xscn,用于在第一方向(例如,水平x方向)上扫描穿过样本的点场束;以及第二子扫描仪Yscn,用于在横穿第二方向(例如,垂直y方向)的方向上扫描样本上的点场束。如果扫描光束是线场光束(例如,线场OCT),其可以一次对样本的整个线部分进行采样,则可能仅需要一个扫描仪来扫描穿过样本的线场光束以跨越期望的FOV。如果扫描光束是全视场光束(例如,全视场OCT),则不需要扫描仪,并且可以一次在整个期望的FOV上施加全视场光束。
不考虑所使用的光束类型,收集从样本散射的光(例如,样本光)。在本示例中,从样本返回的散射光被收集到相同的光纤Fbr1中,该光纤Fbr1引导照明光。来自相同光源LtSrcl的参考光通过单独的路径传播,在这种情况下涉及光纤Fbr2和具有可调光学延迟的后向反射器RR1。本领域技术人员将认识到,也可以使用透射参考路径,并且可以将可调延迟放置在干涉仪的样本或参考臂中。所收集的样本光例如在光纤耦合器Cplr1中与参考光组合,以在OCT光检测器Dtctr1(例如,光电检测器阵列、数码相机等)中形成光干涉。虽然示出单个光纤端口到达检测器Dtctrl,但是本领域技术人员将认识到,各种设计的干涉仪可用于干扰信号的平衡或不平衡检测。来自检测器Dtctrl的输出被提供给处理器(例如,内部或外部计算设备)Cmpl,该处理器将观察到的干涉转换成样本的深度信息。深度信息可以存储在与处理器Cmpl相关联的存储器中和/或显示在显示器(例如,计算机/电子显示器/屏幕)Scnl上。处理和存储功能可以位于OCT器械内,或者功能可以卸载到外部处理器(例如,外部计算设备)上(例如,在其上执行),所收集的数据可以传送到该外部处理器。计算设备(或计算机系统)的示例在图18中示出。这个单元可以专用于数据处理或执行其他任务,这些任务是非常通用的并且不专用于OCT设备。处理器(计算设备)Comp1可以包括例如现场可编程门阵列(FPGA)、数字信号处理器(DSP)、专用集成电路(ASIC)、图形处理单元(GPU)、片上系统(SoC)、中央处理单元(CPU)、通用图形处理单元(GPGPU)或其组合,其可以与一个或多个主机处理器和/或一个或多个外部计算设备以串行和/或并行方式执行一些或全部处理步骤。
干涉仪中的样本和参考臂可以由体光学、光纤光学或混合体光学系统组成,并且可以具有不同的结构,例如Michelson、Mach-Zehnder或本领域技术人员已知的基于公共路径的设计。在此使用的光束应解释为任何细定向的光路。代替机械地扫描光束,光场可以照射视网膜的一维或二维区域以生成OCT数据(参见例如美国专利9332902;D.Hillmann等人,“全息光学相干断层扫描”,《光学快报》,36(13):2390 2011;Y.Nakamura等人,“线场谱域光学相干断层扫描的高速三维人类视网膜成像”,《光学快报》,15(12):7103 2007;Blazkiewicz等人,“全场傅立叶域光学相干断层扫描的信噪比研究”,《应用光学》,44(36):7722(2005)。在时域系统中,参考臂需要具有可调光学延迟以产生干涉。平衡检测系统通常用在TD-OCT和SS-OCT系统中,而光谱仪用在SD-OCT系统的检测端口处。在此描述的本发明可以应用于任何类型的OCT系统。本发明的各个方面可以应用于任何类型的OCT系统或其他类型的眼科诊断系统和/或多个眼科诊断系统,包括但不限于眼底成像系统、视野测试设备和扫描激光偏振计。
在傅立叶域光学相干断层扫描(FD-OCT)中,每一个测量是实值光谱干涉图(Sj(k))。实值光谱数据通常经过几个后处理步骤,包括背景减除、色散校正等。处理过的干涉图的傅立叶变换导致复值OCT信号输出Aj(z)=|Aj|eiφ。该复合OCT信号的绝对值|Aj|,揭示了不同路径长度处的散射强度的轮廓,且因此揭示了作为样本中深度(z方向)的函数的散射。类似地,相位φj也可以从复数值OCT|Aj|信号中提取。作为深度函数的散射轮廓被称为轴向扫描(A-扫描)。在样本中的相邻位置处测量的一组A-扫描产生样本的截面图像(断层扫描或B-扫描)。在样本上不同横向位置处收集的B-扫描的集合构成数据体或立方体。对于特定的数据量,术语快轴是指沿单个B-扫描的扫描方向,而慢轴是指沿其收集多个B-扫描的轴。术语“群集扫描”可以指为了分析运动对比度而在相同(或基本相同)位置(或区域)通过重复采集产生的单个数据单元或数据块,其可以用于标识血流。群集扫描可以由在样本上大约相同的位置以相对短的时间间隔收集的多个A-扫描或B-扫描组成。由于群集扫描中的扫描具有相同的区域,所以在群集扫描中静态结构从扫描到扫描保持相对不变,而满足预定标准的扫描之间的运动对比度可以被标识为血流。
创建B-扫描的各种方式在本领域中是已知的,包括但不限于:沿水平或x方向,沿垂直或y方向,沿x和y的对角线,或以圆形或螺旋形图案。B-扫描可以在x-z维度上,但可以是包括z-维度的任何截面图像。在图11中示出了人眼的正常视网膜的示例OCT B-扫描图像。视网膜的OCT B-扫描提供了视网膜组织结构的视图。为了说明的目的,图11标识各种典型视网膜层和层边界。所确定的视网膜边界层包括(从上到下):内界膜(ILM)Layr1、视网膜神经纤维层(RNFL或NFL)Layr2、神经节细胞层(GCL)Layr3、内丛状层(IPL)Layr4、内核层(INL)Layr5、外丛状层(OPL)Layr6、外核层(ONL)Layr7、光感受器的外节段(OS)和内节段(IS)之间的接合处(用参考符号Layr8表示)、外或外界膜(ELM或OLM)Layr9、视网膜色素上皮(RPE)Layr10和布鲁赫膜(BM)Layr11。
在OCT血管造影术或功能性OCT中,可将分析算法应用于在不同时间(例如,群集扫描)在样本上的相同或近似相同的样本位置处收集的OCT数据,以分析运动或流动(参见例如美国专利公开案第2005/0171438号、第2012/0307014号、第2010/0027857号、第2012/0277579号和美国专利第6,549,801号,其全部内容以引用的方式并入本文中)。OCT系统可以使用多种OCT血管造影处理算法(例如,运动对比算法)中的任何一种来标识血流。例如,可以将运动对比度算法应用于从图像数据导出的强度信息(基于强度的算法),来自图像数据的相位信息(基于相位的算法),或复合图像数据(基于复合的算法)。正面图像是3D OCT数据的2D投影(例如,通过平均每一个单独的A-扫描的强度,使得每一个A-扫描定义2D投影中的像素)。类似地,正面脉管系统图像是显示运动对比度信号的图像,其中对应于深度的数据维度(例如,沿A-扫描的z-方向)被显示为单个代表值(例如,2D投影图像中的像素),通常通过对数据的全部或隔离部分进行求和或积分来显示(参见例如美国专利第7,301,644号,其全部内容通过引用并入本文)。提供血管造影成像功能的OCT系统可以称为OCT血管造影(OCTA)系统。
图12示出了正面显微图的示例。在使用本领域中已知的任何运动对比技术处理数据以突出显示运动对比之后,可以将对应于从视网膜中的内界膜(ILM)表面的给定组织深度的像素范围求和以生成脉管系统的正面(例如,前视图)图像。图13示出了脉管系统(OCTA)图像的示例性B-扫描。如图所示,结构信息可能不是明确定义的,因为血流可能穿过多个视网膜层,使得它们的定义不如在结构OCT B-扫描中的定义,如图11所示。然而,OCTA提供了用于对视网膜和脉络膜的微脉管系统成像的非侵入性技术,这对于诊断和/或监测各种病理可能是关键的。例如,OCTA可用于通过鉴别微动脉瘤、新血管复合体和定量中央无血管区和非灌注区来鉴别糖尿病性视网膜病。此外,OCTA已被证明与荧光素血管造影术(FA)很好地一致,荧光素血管造影术(FA)是一种更传统但更激进的技术,其需要注射染料以观察视网膜中的血管流。此外,在干性年龄相关性黄斑变性中,OCTA已用于监测脉络膜血管层血流的总体减少。类似地,在湿性年龄相关性黄斑变性中,OCTA可提供脉络膜新血管膜的定性和定量分析。OCTA还用于研究血管闭塞,例如评价非灌注区域以及浅层和深层血管丛的完整性。
神经网络
如上所述,本发明可以使用神经网络(NN)机器学习(ML)模型。为了完整起见,这里提供了对神经网络的一般讨论。本发明可以单独地或组合地使用下面描述的神经网络架构中的任何一种。神经网络或神经网络是互连神经元的(节点)网络,其中每一个神经元代表网络中的节点。在多层感知器(MLP)多层感知器(MLP)排列中,一层的输出向前馈送到下一层。MLP可以被理解为将一组输入数据映射到一组输出数据上的前馈神经网络模型。
图14示出了多层感知器(MLP)神经网络的示例。其结构可以包括多个隐藏(例如内部)层HL1到HLn,其将输入层in1(其接收一组输入(或矢量输入)in_1到in_3)映射到输出层OutL,输出层OutL产生一组输出(或矢量输出),例如out-1和out-2。每层可以具有任何给定数量的节点,这些节点在本文中示例性地示出为每层内的圆圈。在本示例中,第一隐藏层HL1具有两个节点,而隐藏层HL2、HL3和HLn各自具有三个节点。一般来说,MLP越深(例如,MLP中的隐藏层的数量越大),其学习能力越大。输入层InL接收向量输入(说明性地示出为由in_1、in_2和in_3组成的三维向量),并且可以将接收到的向量输入应用于隐藏层序列中的第一隐藏层HL1。输出层OutL接收来自多层模型中的最后隐藏层(例如HLn)的输出,处理其输入,并产生向量输出结果(说明性地示出为由out-1和out-2组成的二维向量)。
通常,每一个神经元(或节点)产生单个输出,该输出被前馈到紧随其后的层中的神经元。但是隐藏层中的每一个神经元可以从输入层或从紧接在前面的隐藏层中的神经元的输出接收多个输入。通常,每一个节点可以将函数应用于其输入以产生该节点的输出。隐藏层(例如,学习层)中的节点可以将相同的函数应用于它们各自的输入以产生它们各自的输出。然而,一些节点,诸如输入层InL中的节点仅接收一个输入并且可以是无源的,这意味着它们简单地将它们的单个输入的值中继到它们的输出,例如,它们向它们的输出提供它们的输入的副本,如输入层InL的节点内的虚线箭头所示。
为了说明的目的,图15示出了由输入层InL'、隐藏层HL1'和输出层OutL'组成的简化神经网络。输入层InL'被示为具有分别接收输入Input-1和Input-2的两个输入节点i1和i2(例如,层InL'的输入节点接收二维输入向量)。输入层InL'向前馈送到具有两个节点h1和h2的一个隐藏层HL1',其又向前馈送到两个节点o1和o2的输出层OutL'。神经元之间的互连或链路(如实线箭头所示)具有权重w1至w8。典型地,除了输入层之外,节点(神经元)可以接收其紧邻的前一层中的节点的输出作为输入。每一个节点可以通过将其每一个输入乘以每一个输入的相应互连权重,对其输入的乘积求和,加上(或乘以)由可以与该特定节点相关联的另一权重或偏置定义的常数(例如,分别对应于节点h1、h2、o1和o2的节点权重w9、w10、w11、w12),然后将非线性函数或对数函数应用于结果来计算其输出。非线性函数可以称为激活函数或传递函数。多种激活功能是本领域已知的,并且特定激活功能的选择对于本讨论不是关键的。然而,应注意,ML模型的操作或神经网络的行为取决于权重值,其可被学习以使神经网络为给定输入提供期望的输出。
神经网络学习(例如,被训练以确定)适当的权重值以在训练或学习阶段期间实现给定输入的期望输出。在训练神经网络之前,可以为每一个权重单独地分配初始(例如,随机的和可选地非零的)值,例如随机数种子。分配初始权重的各种方法在本领域中是已知的。然后训练(优化)权重,使得对于给定的训练矢量输入,神经网络产生接近期望的(预定的)训练矢量输出的输出。例如,可以通过称为反向传播的技术在数千个迭代循环中递增地调整权重。在反向传播的每一个周期中,训练输入(例如矢量输入或训练输入图像/样本)通过神经网络被向前馈送以确定其实际输出(例如矢量输出)。然后基于实际神经元输出和该神经元的目标训练输出(例如,对应于当前训练输入图像/样本的训练输出图像/样本)来计算每一个输出神经元或输出节点的误差。然后通过神经网络向后传播(在从输出层回到输入层的方向上),基于每一个权重对总误差有多少影响来更新权重,使得神经网络的输出移动得更接近期望的训练输出。然后重复该循环,直到神经网络的实际输出在给定训练输入的期望训练输出的可接受误差范围内。如将理解的,在实现期望的误差范围之前,每一个训练输入可能需要许多反向传播迭代。通常,一个时期是指所有训练样本的一个反向传播迭代(例如,一个前传和一个后传),使得训练神经网络可能需要许多时期。通常,训练集越大,训练的ML模型的性能越好,因此可以使用各种数据扩充方法来增加训练集的大小。例如,当训练集包括多对相应的训练输入图像和训练输出图像时,训练图像可以被分成多个相应的图像片段(或拼贴)。来自训练输入图像和训练输出图像的相应拼贴元可以被配对以定义来自一个输入/输出图像对的多个训练拼贴元对,这扩大了训练集。然而,对大型训练集的训练对计算资源(例如存储器和数据处理资源)提出了高要求。可以通过将大训练集划分为多个小批量来减少计算需求,其中小批量的大小定义了一个前/后通路中训练样本的数量。在这种情况下,一个时期可以包括多个小批量。另一个问题是NN过拟合训练集使得其从特定输入到不同输入的概括能力降低的可能性。过拟合的问题可以通过创建神经网络的集合或通过在训练期间随机地丢弃神经网络内的节点来减轻,这有效地从神经网络中去除丢弃的节点。诸如反向释放的各种释放调节方法在本领域中是已知的。
注意,训练的NN机器模型的操作不是操作/分析步骤的直接算法。实际上,当训练的NN机器模型接收输入时,该输入不在传统意义上进行分析。相反,不管输入的主题或性质(例如,定义活动图像/扫描的向量或定义一些其它实体的向量,诸如人口统计描述或活动记录)如何,输入将经受训练的神经网络的相同的预定义架构构造(例如,相同的节点/层布置、训练的权重和偏置值、预定义的卷积/反卷积操作、激活函数、合并操作等),并且可能不清楚训练的网络的架构构造如何产生其输出。此外,训练的权重和偏差的值不是确定性的,并且取决于许多因素,诸如神经网络被给予训练的时间量(例如,训练中的时期数)、训练开始之前的权重的随机开始值、在其上训练NN的机器的计算机架构、训练样本的选择、训练样本在多个小批量之间的分布、激活函数的选择、修改权重的误差函数的选择,并且即使训练在一台机器(例如,具有第一计算机架构)上中断并且在另一台机器(例如,具有不同的计算机架构)上完成。要点是为什么训练的ML模型达到某些输出的原因还不清楚,并且目前正在进行许多研究来尝试确定ML模型基于其输出的因素。因此,神经网络对实况数据的处理不能简化为简单的步骤算法。相反,其操作取决于其训练结构、训练样本集、训练序列和ML模型训练中的各种情况。
总之,NN机器学习模型的构建可以包括学习(或训练)阶段和分类(或操作)阶段。在学习阶段,神经网络为特定目的训练神经网络,并且可以为神经网络提供一组训练示例,包括训练(样本)输入和训练(样本)输出,并且可选地包括一组验证示例以测试训练的进度。在该学习过程中,递增地调整与神经网络中的节点和节点互连相关联的各种权重,以便减小神经网络的实际输出与期望训练输出之间的误差。以这种方式,可以使多层前馈神经网络(例如上面讨论的)能够将任何可测量函数近似到任何期望的精确度。学习阶段的结果是已经学习(例如,训练)的(神经网络)机器学习(ML)模型。在操作阶段,可以将一组测试输入(或实况输入)提交给学习的(训练的)ML模型,该模型可以应用其已经学习的内容来基于测试输入产生输出预测。
与图14和图15中的规则神经网络相似,卷积神经网络(CNN)也由具有可学习的权重和偏置的神经元组成。每一个神经元接收输入,执行运算(例如点积),并且可选地跟随有非线性。然而,CNN可以在一端(例如,输入端)接收原始图像像素,并在另一端(例如,输出端)提供分类(或类)分数。因为CNN期望图像作为输入,所以它们被优化用于与体积一起工作(例如,图像的像素高度和宽度,加上图像的深度,例如,颜色深度,诸如由三种颜色定义的RGB深度):红、绿和蓝)。例如,CNN的层可以针对三维排列的神经元进行优化。CNN层中的神经元也可以连接到该层之前的小区域,而不是完全连接的NN中的所有神经元。CNN的最终输出层可以将整个图像缩小为沿深度维度排列的单个矢量(分类)。
图16提供了一个示例卷积神经网络架构。卷积神经网络可以被定义为两层或更多层(例如,层1到层N)的序列,其中层可以包括(图像)卷积步骤、(结果的)加权和步骤,以及非线性函数步骤。可以通过例如在输入数据上的移动窗口上应用滤波器(或内核)来对其输入数据执行卷积,以产生特征映射。每一层和层的组件可以具有不同的预定滤波器(来自滤波器组)、权重(或加权参数)和/或函数参数。在本示例中,输入数据是具有给定像素高度和宽度的图像,其可以是图像的原始像素值。在本示例中,输入图像被示为具有三个颜色通道RGB(红色、绿色和蓝色)的深度。可选地,输入图像可以经历各种预处理,并且可以代替原始输入图像或除了原始输入图像之外输入预处理结果。图像预处理的一些示例可能包括:视网膜血管图分割、颜色空间转换、自适应直方图均衡、连接分量生成等。在一个层内,可以在给定权重和它们在输入体积中连接的小区域之间计算点积。配置CNN的许多方式在本领域中是已知的,但是作为示例,层可以被配置为应用逐元素的激活函数,在零处的max(0,x)阈值。可以执行合并功能(例如,沿x-y方向)以对体积进行下采样。全连接层可用于确定分类输出并产生一维输出向量,已发现其可用于图像标识和分类。然而,对于图像分割,CNN将需要对每一个像素进行分类。由于每一个CNN层倾向于降低输入图像的分辨率,因此需要另一级来将图像上采样回其原始分辨率。这可以通过应用转置卷积(或去卷积)级TC来实现,其通常不使用任何预定义内插方法,而是具有可学习的参数。
卷积神经网络已经成功地应用于许多计算机视觉问题。如上所述,训练CNN通常需要大的训练数据集。U-Net架构基于CNN,并且通常可以在比传统CNN更小的训练数据集上进行训练。
图17示出了示例U-Net架构。本示例性U-Net包括接收任何给定尺寸的输入U-in(例如,输入图像或图像补丁)的输入模块(或输入层或级)。出于说明的目的,在表示图像的框内指示任何阶段或层处的图像大小,例如,输入模块包含数字“128×128”以指示输入图像U-in由128×128个像素组成。输入图像可以是眼底图像、OCT/OCTA正面、B-扫描图像等。然而,应当理解,输入可以是任何大小或尺寸。例如,输入图像可以是RGB彩色图像、单色图像、体图像等。输入图像经历一系列处理层,每一个处理层以示例性尺寸示出,但是这些尺寸仅是说明性的目的,并且将取决于例如图像、卷积滤波器和/或合并级的尺寸。本架构包括收缩路径(这里示例性地包括四个编码模块),其后跟随扩展路径(这里示例性地包括四个解码模块),以及相应模块/级之间的复制和剪切链路(例如,CC1到CC4),该复制和剪切链路复制收缩路径中的一个编码模块的输出并将其连接到扩展路径中的相应解码模块的上变换输入(例如,将其附加到扩展路径中的相应解码模块的上变换输入的后面)。这导致特征U形,从该U形结构得出其名称。可选地,例如出于计算考虑,“瓶颈”模块/级(BN)可以位于收缩路径和扩展路径之间。瓶颈BN可以包括两个卷积层(具有批归一化和可选的丢弃)。
收缩路径类似于编码器,并且通常通过使用特征映射来捕获上下文(或特征)信息。在本示例中,收缩路径中的每一个编码模块可以包括两个或更多个卷积层,如星号符号“*”所示,并且其之后可以是最大合并层(例如,下采样层)。例如,输入图像U-in被说明性地示出为经历两个卷积层,每一个卷积层具有32个特征图。可以理解,每一个卷积核产生特征图(例如,来自与给定核的卷积操作的输出是通常称为“特征图”的图像)。例如,输入U-in经历应用32个卷积核(未示出)的第一卷积,以产生由32个相应特征映射组成的输出。然而,如本领域所知,可以调整(向上或向下)卷积运算产生的特征图的数量。例如,可以通过对特征映射组求平均,丢弃一些特征映射,或其它已知的特征映射减少方法来减少特征映射的数量。在本例中,该第一卷积之后是第二卷积,其输出限于32个特征图。设想特征图的另一种方式可以是将卷积层的输出视为3D图像,该3D图像的2D维度由所列出的X-Y平面像素维度(例如,128×128像素)给出,并且其深度由特征图的数量给出(例如,32个平面图像深度)。按照这种模拟,第二卷积的输出(例如,收缩路径中的第一编码模块的输出)可以被描述为128×128×32图像。然后,来自第二卷积的输出经历合并操作,这减小了每一个特征图的2D维度(例如,X和Y维度可以各自减半)。合并操作可以在向下采样操作中实施,如向下箭头所示。本领域中已知几种合并方法,例如最大合并,并且具体的合并方法对于本发明不是关键的。特征映射的数量可以在每一个合并处加倍,从第一编码模块(或块)中的32个特征映射开始,第二编码模块中的64个特征映射开始,依此类推。因此,收缩路径形成由多个编码模块(或级或块)组成的卷积网络。如卷积网络的典型情况一样,每一个编码模块可以提供至少一个卷积级,其后是激活功能(例如,整流线性单元(ReLU)或S形层)(未示出)和最大合并操作。通常,激活函数将非线性引入层中(例如,以帮助避免过度拟合问题),接收层的结果,并确定是否“激活”输出(例如,确定给定节点的值是否满足预定义的标准以将输出转发到下一层/节点)。总之,收缩路径通常在增加特征信息的同时减少空间信息。
扩展路径类似于解码器,并且其中可以为收缩路径的结果提供定位和空间信息,而不管在收缩阶段执行的下采样和任何最大合并。扩展路径包括多个解码模块,其中每一个解码模块将其当前上变换的输入与相应编码模块的输出连接。以这种方式,通过上卷积(例如,上采样或转置卷积或去卷积)和与来自收缩路径的高分辨率特征的级联(例如,经由CC1到CC4)的序列在扩展路径中组合特征和空间信息。因此,去卷积层的输出与来自收缩路径的对应(任选地裁剪的)特征映射级联,随后是两个卷积层和激活函数(具有任选的批量归一化)。
来自扩展路径中的最后扩展模块的输出可以被馈送到另一处理/训练块或层,诸如分类器块,其可以与U-Net架构一起被训练。可替换地,附加地,在产生其输出U-out之前,最后的上采样块的输出(在扩展路径的末端)可以被提交给另一个卷积(例如,输出卷积)操作,如虚线箭头所示。可以选择输出卷积的核大小以将最后上采样块的维数减小到期望的大小。例如,神经网络可以在到达输出卷积之前具有每一个像素的多个特征,这可以提供1×1卷积操作,以在逐像素级别上将这些多个特征组合成每一个像素的单个输出值。
计算设备/系统
图18示出了示例计算机系统(或计算设备或计算机设备)。在一些实施方式中,一个或多个计算机系统可以提供在此描述或示出的功能和/或执行在此描述或示出的一个或多个方法的一个或多个步骤。计算机系统可以采用任何适当的物理形式。例如,计算机系统可以是嵌入式计算机系统、片上系统(SOC)、单板计算机系统(SBC)(例如,计算机上模块(COM)或系统上模块(SOM))、台式计算机系统、膝上型或笔记本计算机系统、计算机系统网格、移动电话、个人数字助理(PDA)、服务器、平板计算机系统、增强/虚拟现实设备,或这些中的两个或更多个的组合。适当时,计算机系统可以驻留在云中,该云可以包括一个或多个网络中的一个或多个云组件。
在一些实施方式中,计算机系统可以包括处理器Cpnt1、存储器Cpnt2、存储装置Cpnt3、输入/输出(I/O)接口Cpnt4、通信接口Cpnt5和总线Cpnt6。计算机系统还可以可选地包括显示器Cpnt7,例如计算机监视器或屏幕。
处理器Cpntl包括用于执行诸如构成计算机程序的指令的硬件。例如,处理器Cpnt1可以是中央处理单元(CPU)或图形处理单元上的通用计算(GPGPU)。处理器Cpntl可从内部寄存器、内部高速缓冲存储器、存储器Cpnt2或存储装置Cpnt3检索(或获取)所述指令,解码并执行所述指令,且将一个或一个以上结果写入到内部寄存器、内部高速缓冲存储器、存储器Cpnt2或存储装置Cpnt3。在特定实施方式中,处理器Cpnt1可以包括用于数据、指令或地址的一个或多个内部高速缓存。处理器Cpntl可以包括一个或多个指令高速缓存、一个或多个数据高速缓存,诸如以保存数据表。指令高速缓冲存储器中的指令可以是存储器Cpnt2或存储装置Cpnt3中的指令的副本,且指令高速缓冲存储器可加速处理器Cpnt1对那些指令的检索。处理器Cpntl可包括任何合适数量的内部寄存器,且可包括一个或一个以上算术逻辑单元(ALU)。处理器Cpntl可以是多核处理器;或者包括一个或多个处理器Cpntl。虽然本公开描述并说明特定处理器,但本公开涵盖任何合适的处理器。
存储器Cpnt2可以包括主存储器,用于存储处理器Cpnt1在处理期间执行或保持中间数据的指令。例如,计算机系统可以将指令或数据(例如,数据表)从存储器Cpnt3或从另源(例如另一计算机系统)加载到存储器Cpnt2。处理器Cpntl可以将指令和数据从存储器Cpnt2加载到一个或多个内部寄存器或内部高速缓存。为了执行所述指令,处理器Cpnt1可从内部寄存器或内部高速缓冲存储器检索并解码所述指令。在指令执行期间或之后,处理器Cpnt1可将一个或一个以上结果(其可为中间或最终结果)写入到内部寄存器、内部高速缓冲存储器、存储器Cpnt2或存储装置Cpnt3。总线Cpnt6可包括一个或一个以上存储器总线(其可各自包括地址总线和数据总线),且可将处理器Cpnt1耦合到存储器Cpnt2和/或存储装置Cpnt3。可选地,一个或多个存储器管理单元(MMU)便于处理器Cpnt1和存储器Cpnt2之间的数据传送。存储器Cpnt2(可以是快速易失性存储器)可以包括随机存取存储器(RAM),例如动态RAM(DRAM)或静态RAM(SRAM)。存储器Cpnt3可以包括用于数据或指令的长期或大容量存储。存储器Cpnt3可以在计算机系统的内部或外部,并且包括磁盘驱动器(例如,硬盘驱动器,HDD或固态驱动器,SSD)、闪存、ROM、EPROM、光盘、磁光盘、磁带、通用串行总线(USB)可访问驱动器或其它类型的非易失性存储器中的一者或多者。
I/O接口Cpnt4可以是软件、硬件或两者的组合,并且包括用于与I/O设备通信的一个或多个接口(例如,串行或并行通信端口),其可以实现与人(例如,用户)的通信。例如,I/O设备可以包括键盘、小键盘、麦克风、监视器、鼠标、打印机、扫描仪、扬声器、静态相机、指示笔、输入板、触摸屏、跟踪球、相机、另一合适的I/O设备,或这些中的两个或更多个的组合。
通信接口Cpnt5可以提供用于与其它系统或网络通信的网络接口。通信接口Cpnt5可以包括蓝牙接口或其它类型的基于分组的通信。例如,通信接口Cpnt5可以包括用于与无线网络通信的网络接口控制器(NIC)和/或无线NIC或无线适配器。通信接口Cpnt5可以提供与WI-FI网络、自组织网络、个人区域网络(PAN)、无线PAN(例如,蓝牙WPAN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、蜂窝电话网络(例如、全球移动通信系统(GSM)网络)、因特网,或这些中的两个或更多个的组合的通信。
总线Cpnt6可以提供计算系统的上述组件之间的通信链路。例如,总线Cpnt6可以包括加速图形端口(AGP)或其它图形总线、增强型工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽总线、低引脚计数(LPC)总线、存储器总线、微通道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCIe)总线、串行高级技术附件(SATA)总线、视频电子标准协会本地(VLB)总线,或其他合适的总线或这些中的两种或更多种的组合。
尽管本公开描述并示出了在特定布置中具有特定数量的特定组件的特定计算机系统,但是本公开设想了在任何合适的布置中具有任何合适数量的任何合适组件的任何合适的计算机系统。
在此,计算机可读非瞬态存储介质可以包括一个或多个基于半导体的或其他集成电路(IC)(例如,现场可编程门阵列(FPGA)或专用IC(ASIC))、硬盘驱动器(HDD)、混合硬盘驱动器(HHD)、光盘、光盘驱动器(ODD)、磁光盘、磁光驱动器、软盘、软盘驱动器(FDD)、磁带、固态驱动器(SSD)、RAM驱动器、安全数字卡或驱动器、任何其他合适的计算机可读非瞬态存储介质,或这些中的两个或更多个的任何合适的组合。计算机可读、计算机可读非瞬态存储介质可以是易失性的、非易失性的,或者易失性和非易失性的组合。
虽然已经结合几个特定的实施方式描述了本发明,但是对于本领域的技术人员来说显而易见的是,根据前面的描述,许多进一步的替换、修改和变化将是显而易见的。因此,这里描述的本发明旨在包括所有这些可落入所附权利要求的精神和范围内的替换、修改、应用和变化。
Claims (22)
1.一种用于实现医疗数据的交易的方法,包括:
在所述医疗数据的所有者同意的情况下,管理实体接收用于存储的所述医疗数据并将所接收的医疗数据的摘要记录到维护可用医疗记录的电子分类账的区块链计算机网络;
所述管理实体通过向远程用户提供至少部分地从所述电子分类账中确定的满足用户指定标准的可用合格医疗记录的列表,来响应来自所述远程用户的对满足用户指定标准的医疗数据的电子请求;
所述管理实体响应于所述远程用户选择合格医疗记录中的一者或多者,通过根据由所述合格医疗记录的所有者授权的每一个合格医疗记录的访问批准状态授权所述远程用户对所选择的合格医疗记录的访问,并将数据交易记录到所述区块链计算机网络。
2.根据权利要求1所述的方法,其中:
所述管理实体还从所述远程用户接收指示被请求的数据访问类型的访问类型请求;
所述访问类型请求包括数据查看、具有有效期的临时数据访问、具有数据下载的永久数据访问、以及远离所述远程用户并由所述管理实体管理的数据处理中的一者或多者。
3.根据权利要求2所述的方法,其中,利用数据下载的永久访问包括从所述电子分类账中的可用医疗记录的列表中移除访问的合格医疗数据。
4.根据权利要求2至3中的任一项所述的方法,其中,每一个访问类型具有由所述远程用户能够支付的相关联的访问价格。
5.根据权利要求2至4中的任一项所述的方法,其中,由所述管理实体管理的数据处理包括使用所选择的医疗记录生成机器学习模型并授权所述远程用户访问所生成的机器学习模型。
6.根据权利要求5所述的方法,其中,机器模型包括深度学习模型,所述深度学习模型选自人工神经网络、卷积神经网络、u-net、递归神经网络、生成对抗网络和多层感知器中的一者或多者。
7.根据权利要求5至6中的任一项所述的方法,其中,机器模型包括基于分类模型、回归模型、聚类和降维中的一者或多者的机器学习模型。
8.根据权利要求1至7中的任一项所述的方法,其中,所述医疗数据的所有者是由所述医疗数据描述的患者。
9.根据权利要求1至8中的任一项所述的方法,其中,所述医疗数据包括由医疗设备获取的医疗测量或图像,并且所述医疗设备在患者同意的情况下自动将所述医疗数据发送到所述管理实体。
10.根据权利要求1至9中的任一项所述的方法,其中,所述医疗数据的所有者由基于与对应的私钥相关联的公钥的公共标识符来标识,所述公共标识符不包括任何个人标识信息,由此所述管理实体维护隐藏所述医疗数据的所有者的任何个人标识信息。
11.根据权利要求1至10中的任一项所述的方法,其中:
满足所述用户指定标准的可用合格医疗记录的列表包括合格医疗记录的计数;并且
所述管理实体通过向所述远程用户提供满足改变的用户指定标准的可用合格医疗记录的更新列表,来响应所述用户指定标准的电子改变。
12.根据权利要求1至11中的任一项所述的方法,其中,所述管理实体:
响应于所述远程用户选择所述合格医疗记录中的一者或多者,检查所选择的合格医疗记录中的每一个的预先存在的访问批准状态;并且
对于不具有预先存在的访问批准状态的每一个选择的合格医疗记录,向所述合格医疗记录的所有者发送批准请求,并根据所述所有者的批准响应更新所述合格医疗记录的批准状态。
13.根据权利要求1至11中的任一项所述的方法,其中,所述管理实体:
响应于所述远程用户指定期望数量的合格医疗记录,检查所述合格医疗记录中的每一个的预先存在的访问批准状态;并且
响应于具有预先存在的访问批准状态的足够数量的合格医疗记录,从具有预先存在的访问批准状态的所述合格医疗记录中选择期望数量的合格医疗记录;
响应于具有预先存在的访问批准状态的数量不足的合格医疗记录,确定需要多少额外的合格医疗记录来满足指定的期望数量,并且对于每一个额外需要的合格医疗记录,向额外需要的合格医疗记录的所有者发送批准请求,并且根据所述所有者的批准响应来更新额外需要的合格医疗记录的批准状态。
14.根据权利要求1至13中的任一项所述的方法,其中,所述管理实体:
通过向所述远程用户提供与可用合格医疗记录的列表相关联的价格列表,来响应来自所述远程用户的对满足用户指定标准的医疗数据的电子请求;以及
响应于所述远程用户选择所述合格医疗记录中的一者或多者,通过收集与所述远程用户被授权访问的所述合格医疗记录相关联的价格,并向每一个选择的合格医疗记录所有者、收集所述远程用户被授权访问的所述合格医疗记录中的任一个的医疗机构、以及托管所述远程用户被授权访问的所述合格医疗记录中的任一个的数据主机中的一者或多者分配付款。
15.根据权利要求1至14中的任一项所述的方法,其中,所述区块链计算机网络是公共分类账计算机网络。
16.根据权利要求1至15中的任一项所述的方法,其中,所接收的医疗数据至少部分地存储在所述区块链计算机网络内的链上和所述区块链计算机网络外部的链外。
17.根据权利要求1至16中的任一项所述的方法,其中,响应于所述远程用户是患者正被转诊到的医生,并且所述用户指定标准仅指定所述患者的医疗记录,所述管理实体维护所述合格医疗记录的自动访问批准状态。
18.根据权利要求1至17中的任一项所述的方法,其中,响应于所述远程用户是所述医疗数据的所有者并且所述用户指定标准仅指定所述医疗数据的所有者的医疗记录,所述管理实体维护所述合格医疗记录的自动访问批准状态。
19.根据权利要求1至18中的任一项所述的方法,其中,所述管理实体维护一组特权远程用户,所述特权远程用户中的每一个具有对所述电子分类账的不受阻碍的审查访问。
20.根据权利要求19所述的方法,其中,基于由所述管理实体建立的访问标准来标识特权用户,所述访问标准包括先前给予的授权、由所述特权用户提交到所述管理实体的用于存储的医疗记录的数量、以及先前商定的订阅周期中的一者或多者。
21.根据权利要求1至20中的任一项所述的方法,其中,由所述远程用户提交的所述用户指定标准包括解剖测量的类型、身体功能测量、数据扫描类型和图像类型中的一者或多者。
22.根据权利要求21所述的方法,其中:
所述解剖测量包括眼压、角膜曲率测量、屈光误差或眼睛大小中的一者或多者;
所述身体功能测量包括心电图、体温、脉搏率或呼吸率中的一者或多者;
所述数据扫描类型包括来自光学相干断层扫描设备的A-扫描、B-扫描或C-扫描中的一者或多者;以及
所述图像类型包括眼底图像、正面图像或眼前节图像中的一者或多者。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163211955P | 2021-06-17 | 2021-06-17 | |
US63/211,955 | 2021-06-17 | ||
PCT/EP2022/066472 WO2022263589A1 (en) | 2021-06-17 | 2022-06-16 | Medical data sharing using blockchain |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117795607A true CN117795607A (zh) | 2024-03-29 |
Family
ID=82270615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280056019.0A Pending CN117795607A (zh) | 2021-06-17 | 2022-06-16 | 使用区块链的医疗数据共享 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4356389A1 (zh) |
CN (1) | CN117795607A (zh) |
WO (1) | WO2022263589A1 (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AUPM537994A0 (en) | 1994-04-29 | 1994-05-26 | Australian National University, The | Early detection of glaucoma |
US7301644B2 (en) | 2004-12-02 | 2007-11-27 | University Of Miami | Enhanced optical coherence tomography for anatomical mapping |
US8132916B2 (en) | 2008-12-12 | 2012-03-13 | Carl Zeiss Meditec, Inc. | High precision contrast ratio display for visual stimulus |
DE102010050693A1 (de) | 2010-11-06 | 2012-05-10 | Carl Zeiss Meditec Ag | Funduskamera mit streifenförmiger Pupillenteilung und Verfahren zur Aufzeichnung von Fundusaufnahmen |
CN103429140B (zh) | 2011-03-17 | 2017-06-23 | 卡尔蔡司医疗技术股份公司 | 在视野测试中用于屈光矫正的系统和方法 |
US9332902B2 (en) | 2012-01-20 | 2016-05-10 | Carl Zeiss Meditec, Inc. | Line-field holoscopy |
US8931905B2 (en) | 2013-01-25 | 2015-01-13 | James Waller Lambuth Lewis | Binocular measurement method and device |
US9456746B2 (en) | 2013-03-15 | 2016-10-04 | Carl Zeiss Meditec, Inc. | Systems and methods for broad line fundus imaging |
US11043307B2 (en) * | 2013-03-15 | 2021-06-22 | James Paul Smurro | Cognitive collaboration with neurosynaptic imaging networks, augmented medical intelligence and cybernetic workflow streams |
US10582852B2 (en) | 2015-02-05 | 2020-03-10 | Carl Zeiss Meditec Ag | Method and apparatus for reducing scattered light in broad-line fundus imaging |
-
2022
- 2022-06-16 WO PCT/EP2022/066472 patent/WO2022263589A1/en active Application Filing
- 2022-06-16 EP EP22734576.6A patent/EP4356389A1/en active Pending
- 2022-06-16 CN CN202280056019.0A patent/CN117795607A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022263589A1 (en) | 2022-12-22 |
EP4356389A1 (en) | 2024-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Christopher et al. | Performance of deep learning architectures and transfer learning for detecting glaucomatous optic neuropathy in fundus photographs | |
Horton et al. | Practice guidelines for ocular telehealth-diabetic retinopathy | |
CN102046067B (zh) | 光学相干断层分析设备、方法及系统 | |
Santiago et al. | Management of R&D projects under uncertainty: A multidimensional approach to managerial flexibility | |
Silva et al. | Nonmydriatic ultrawide field retinal imaging compared with dilated standard 7-field 35-mm photography and retinal specialist examination for evaluation of diabetic retinopathy | |
An et al. | Hierarchical deep learning models using transfer learning for disease detection and classification based on small number of medical images | |
US20220400943A1 (en) | Machine learning methods for creating structure-derived visual field priors | |
WO2015019865A1 (ja) | 患者管理システムおよび患者管理サーバ | |
US20170188816A1 (en) | Ophthalmic information system and ophthalmic information processing server | |
US20230196572A1 (en) | Method and system for an end-to-end deep learning based optical coherence tomography (oct) multi retinal layer segmentation | |
US20230140881A1 (en) | Oct en face pathology segmentation using channel-coded slabs | |
Trucco et al. | Computational retinal image analysis: tools, applications and perspectives | |
Muchuchuti et al. | Retinal Disease Detection Using Deep Learning Techniques: A Comprehensive Review | |
López-Varela et al. | Fully-automatic 3d intuitive visualization of age-related macular degeneration fluid accumulations in oct cubes | |
Quellec et al. | Feasibility of support vector machine learning in age‐related macular degeneration using small sample yielding sparse optical coherence tomography data | |
Cavichini et al. | Artificial intelligence for automated overlay of fundus camera and scanning laser ophthalmoscope images | |
Domalpally et al. | Optical coherence tomography evaluation in the Multicenter Uveitis Steroid Treatment (MUST) trial | |
Wang et al. | Impact of natural blind spot location on perimetry | |
US20230344636A1 (en) | Ocular self-imaging high-resolution optical coherence tomography system and methods | |
CN117795607A (zh) | 使用区块链的医疗数据共享 | |
US11547295B2 (en) | Cloud based corneal surface difference mapping system and method | |
JP6608479B2 (ja) | 患者管理システム | |
Nouri et al. | Addressing inter-device variations in optical coherence tomography angiography: will image-to-image translation systems help? | |
Su et al. | Comparison of retina specialist preferences regarding spectral-domain and swept-source optical coherence tomography angiography | |
Dansingani et al. | Amplitude-scan classification using artificial neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |