CN117912626A - 提供用于创建医学评定报告的文档模型结构的方法和系统 - Google Patents
提供用于创建医学评定报告的文档模型结构的方法和系统 Download PDFInfo
- Publication number
- CN117912626A CN117912626A CN202311341615.6A CN202311341615A CN117912626A CN 117912626 A CN117912626 A CN 117912626A CN 202311341615 A CN202311341615 A CN 202311341615A CN 117912626 A CN117912626 A CN 117912626A
- Authority
- CN
- China
- Prior art keywords
- medical
- dataset
- data set
- pds
- comparison
- 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 title claims abstract description 103
- 238000004458 analytical method Methods 0.000 claims abstract description 138
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 185
- 238000011524 similarity measure Methods 0.000 claims description 60
- 230000005856 abnormality Effects 0.000 claims description 51
- 238000003860 storage Methods 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000011161 development Methods 0.000 claims description 17
- 230000002123 temporal effect Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 238000009877 rendering Methods 0.000 claims description 5
- 229920000117 poly(dioxanone) Polymers 0.000 description 67
- 238000012549 training Methods 0.000 description 40
- 238000013528 artificial neural network Methods 0.000 description 15
- 230000018109 developmental process Effects 0.000 description 14
- 238000003745 diagnosis Methods 0.000 description 14
- 230000003902 lesion Effects 0.000 description 12
- 239000013598 vector Substances 0.000 description 10
- 206010028980 Neoplasm Diseases 0.000 description 9
- 230000000712 assembly Effects 0.000 description 9
- 238000000429 assembly Methods 0.000 description 9
- 239000000523 sample Substances 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 210000000056 organ Anatomy 0.000 description 8
- 230000003936 working memory Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 230000008520 organization Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000007170 pathology Effects 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000009607 mammography Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 206010060999 Benign neoplasm Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010984 neurological examination Methods 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000013125 spirometry Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000008685 targeting Effects 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
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Abstract
本发明的实施方式涉及用于查找或辨识所谓的文档模型结构的方法和系统,基于所述方法和系统能够创建匹配于相应的待进行评定的患者的医学评定报告。为此提供比较数据集,其中每个比较数据集具有至少一个医学参考评定报告。提供分析函数,其构成用于对于待进行评定的患者的医学数据集从多个比较数据集中求取至少一个参考数据集。通过将分析函数应用于医学数据集和比较数据集从多个比较数据集中求取至少一个参考数据集。基于与至少一个参考数据集相关联的至少一个医学参考评定报告来辨识用于待进行评定的患者的至少一个文档模型结构,并且提供所述至少一个文档模型结构以进一步处理并且尤其创建用于待进行评定的患者的医学评定报告。
Description
技术领域
本发明涉及用于在医学诊断中使用的方法和系统。根据本发明的实施方式的方法和设备尤其能够在创建医学评定报告时使用。尤其地,本发明的实施方式涉及用于查找或辨识尤其预先确定的组合件或元素的方法和系统,基于所述方法和系统能够创建医学评定报告,其中所述查找对于相应的待进行评定的患者匹配地进行。
背景技术
在评定医学数据集时,在医学评定报告中描述异常。在此,异常在医学数据集中被标记也被测量,并且在评定报告中指出。
诊断以及创建医学评定报告是复杂的活动。例如,放射科医生通常在评估医学数据和创建评定报告时必须并行地完成多个任务。首先,放射科医生必须分析患者的基本医学(图像)数据,并且在评定报告中总结其观察结果和印象。此外,所述放射科医生必须考虑关于患者的附加信息。例如,所述信息能够来自不同的模态或测量协议的图像,以及由患者的病历、实验室评测、较早的记录等中的信息产生。诊断中的各个工作包的类型和数量从而待创建的评定报告与多个因素相关,如可用的跨学科数据、患者状况、诊断任务、疾病状况、现有疑似诊断等。
对于评定者而言并非始终清楚在个别情况中应如何最好地构造评定报告,或者应注意哪些其他方面。此外,基于现有数据和附加说明,诊断并非始终是明确的,并且存在必须在进一步的诊断过程中阐明的可能的鉴别诊断。
为了向评定者提供帮助,引入所谓的结构化的评定报告。所述评定报告基于结构化的、机器可读的(报告)模板或“模板组合件”,所述模板或“模板组合件”能够由评定者组合和逐步填充,以便提供最终的医学评定报告。在理想情况下,结构化的评定报告是机器可读的,具有固定的结构并且包含标准化的元素、表述和布局。此外,预制的报告模板或模块能够用作用于医学评定报告的组合件。所述报告模板或模块能够提供特定情况的结构并且包含推荐的评定步骤。
结构化的评定报告虽然能够提高医学报告的质量和互用性,然而这也可能在创建评定报告时提高各个评定者的耗费。评定者必须选择正确的模板或组合件并且以预设的方式填充所述模板或组合件,而不是或多或少自由地口述医学评定。此外,评定者通常必须从多个不同的模板中进行选择。找出正确的模板对于整个过程通常是决定性的,因为错误的模板可能将评定从而整个诊断带到错误的道路上。选择正确的模板又是困难的任务,因为这可能与不同的因素,如诊断任务、疾病图像、待阐明的疑似诊断或可用的数据相关。此外,对于医学评定报告很少存在单独的模板。更确切地说,必须组合不同的组合件或子模板,以便得到全面的医学评定报告。
发明内容
在这种背景下,本发明的实施方式的目的是提供在创建医学评定报告时辅助评定者或用户的方法和系统。尤其地,本发明的实施方式的目的是提供如下方法和系统,所述方法和系统向用户提供匹配于相应的情况的文档模型结构以创建医学评定报告,基于所述方法和系统,用户能够目标明确地和高效地创建医学评定报告。
所述目的和其他目的借助根据主权利要求和并列权利要求的方法、系统、计算机程序产品或计算机可读的存储介质来实现。有利的改进方案在从属权利要求中说明。
下面不仅关于要求保护的系统也关于要求保护的方法来描述所述目的的根据本发明的解决方案。在这种情况下提到的特征、优点或替选的实施方式/方面同样也可转用于其他要求保护的主题,并且反之亦然。换言之,实体的权利要求(其例如针对系统)也能够通过结合方法描述或要求保护的特征来改进。所述方法的对应的功能特征在此能够通过对应的实体模块构成。
此外,还关于用于调整经训练的函数的方法和系统描述所述目的的根据本发明的解决方案。在这种情况下,在经训练的函数的应用中的方法和设备中的数据结构和/或函数的特征和替选的实施方式/方面能够转用在用于调整的方法和系统中的模拟的数据结构和/或函数。模拟的数据结构在这种情况下尤其能够通过使用前缀“训练”来表征。此外,在方法和设备中使用的经训练的函数尤其能够通过用于调整经训练的函数的方法和系统来调整和/或提供。
根据一个方面,提供一种计算机实现的用于提供文档模型结构的方法。文档模型结构在此适合于,在评定待进行评定的患者的过程中基于所述文档模型结构创建医学评定报告。所述方法具有多个步骤。一个步骤针对在计算装置中接收待进行评定的患者的医学数据集。另一步骤针对在计算装置中提供与医学数据集不同的多个比较数据集,其中每个比较数据集具有至少一个医学参考评定报告。另一步骤针对提供分析函数,所述分析函数构成用于,对于医学数据集从多个比较数据集中求取至少一个参考数据集。另一步骤针对通过由计算装置将分析函数应用于医学数据集和比较数据集来从多个比较数据集中求取至少一个参考数据集。另一步骤针对通过计算装置基于与至少一个参考数据集相关联的至少一个医学参考评定报告来辨识用于待进行评定的患者的至少一个文档模型结构。另一步骤针对通过计算装置提供经辨识的至少一个文档模型结构,以创建用于待进行评定的患者的医学评定报告。
医学评定报告能够是诊断过程的结果,其目的在于基于对此而言重要的医学数据确定患者的关于一个或多个临床方面的状况。医学评定报告能够具有文档。尤其地,医学评定报告能够具有结构化的文档或结构化的文档部分。此外,医学评定报告能够具有非结构化的文档或非结构化的文档部分。此外,医学评定报告能够由在诊断患者特定的信息的过程中输入的一个或多个模板组合件构造。
由成像方法产生的数据尤其例如X射线图像、磁共振扫描或超声记录、组织病理学图像能够形成医学评定报告的一部分并且尤其用于文档编制和诊断过程的可追溯性。以类似的方式,非图像数据能够包含在医学评定报告中。
此外,也能够通过数据处理的机构从医学数据集中导出数据。这例如能够是从图像数据中尤其自动地提取的测量值(例如体积、距离、对比度值、面积比等),或者是从非图像数据中尤其自动地提取的测量值(趋势、绝对值等)。这种数据也能够包含在评定报告中。
此外,用户致力于解释或审定关于疾病图像的医学数据集或单个信息。患者数据的审定结果也能够包含在医学评定报告中,例如作为评定文本。
医学数据能够包括供待进行评定的患者可用的数据和信息。医学数据在此能够包括供待进行评定的患者可用的数据和信息的全部或仅一部分。医学数据不仅能够包括医学图像数据,而且能够包括非图像数据。在这一点上,图像数据能够涉及具有两个或三个空间维度的医学图像数据。此外,图像数据能够附加地具有时间维度。在此,医学图像数据尤其是借助成像模态记录并且尤其能够表示患者的身体部位的图像数据。在此,成像模态例如能够包括计算机断层扫描设备、磁共振设备、X射线设备、超声设备等。通过这种或类似的模态记录的图像数据也称为放射学图像数据。此外,医学图像数据能够包括数字化的组织病理学图像,其表示患者的对应地制备的组织切片。图像数据还能够包括纵向数据,例如呈时间序列或以时间上间隔的连续记录的形式。
非图像数据能够包括包含患者的一个或多个医学值和/或患者的病史中的元素的数据、尤其纵向数据。在此能够涉及实验室数据、生命体征和/或其他关于患者的测量值或预先检查。此外,非图像数据能够包括关于患者的人口统计学说明,例如关于年龄、性别、生活习惯、风险因素等。
在此,能够从一个或多个存储装置调用医学数据,所述存储装置能够结合到医学信息网络中。例如,用户能够从前端计算装置中的工作列表中选择评定任务或患者。基于评定任务或患者的选择,能够(例如通过计算装置或前端计算装置)从所连接的存储装置查询患者的患者数据。为此例如能够使用电子标识、例如患者ID或访问号码。对应地,能够从一个或多个可用的存储装置接收医学数据,在所述存储装置中分别存储医学数据的至少一部分。在此,存储装置例如能够是医学信息系统的一部分,例如医院信息系统和/或PACS系统和/或实验室信息系统等。
根据本发明的一些实施方式/方面,医学数据能够具有关于患者的健康状态的非常全面的和不同类型的信息(但是,根据其他实施方式/方面,也仅限制于一个数据类别——例如图像数据和在此尤其为放射学图像数据)。用户的任务能够是,在评定任务的过程中基于医学数据得出医学评定或医学诊断或结论并且创建医学评定报告。
比较数据集能够基本上具有与医学数据集相同的形式。然而,与医学数据集不同,对于比较数据集已经分别存在至少一个医学评定报告作为参考评定报告。比较数据集能够(至少部分地)来自与待进行评定的患者不同的患者。此外,比较数据集也能够具有待进行评定的患者的尤其较旧的数据集。
根据一些示例,比较数据集能够分别具有仅一个医学评定报告。换言之,能够将比较数据集理解为将现有的评定报告集合在一起或存档。
参考评定报告尤其能够具有完成的评定报告。在此能够对完成的评定报告进行签名和/或验证。评定报告例如能够通过用户或一个或多个(与所述用户不同的)另外的用户进行签名和/或验证。参考评定报告能够分别基于至少一个文档模型结构或包括至少一个文档模型结构。
尤其能够将分析函数理解为计算机程序产品,所述计算机程序产品构成用于从多个比较数据集中选择“匹配于”医学数据集的一个或多个参考数据集。分析函数能够具有呈用于计算装置的一个或多个指令的形式的程序组成部分,以求取参考数据集。例如能够通过如下方式来提供分析函数:将所述分析函数保存在存储装置中或加载到计算装置的工作存储器中或普遍可供使用。
分析函数构成用于基于(包括至少一个医学数据集和多个比较数据集的)输入数据提供一个或多个参考数据集作为输出数据。为了选择合适的参考数据集,分析函数能够单独地或以组合的方式实现不同的方法。例如,分析函数能够构成用于根据具有一个或多个特性的合适的参考数据集过滤比较数据集。此外,分析函数能够构成用于求取或量化各个比较数据集与医学数据集的相似性或可比性。为此,分析函数能够构成用于推断和评估医学数据集或比较数据集的相应的内容。
将分析函数应用于输入数据尤其能够包括将输入数据输入到分析函数中。
参考数据集尤其可以是那些由于其内容而与医学数据集具有一定的相似性或可比性的比较数据集。尤其地,参考数据集可以是具有与医学数据集相似的内容和/或表明与医学数据集相似的疾病图像的数据集。
文档模型结构尤其能够是简化或辅助用于创建待进行评定的患者的医学评定报告的数据元素。医学评定报告在此能够自动化地或在用户的协助下创建。
例如,文档模型结构能够包括特别完成的参考评定报告本身,用户能够以所述参考评定报告为导向。此外,文档模型结构能够包括空的或至少部分地空的文档模板,所述文档模板能够例如通过用户来填充以创建评定报告。此外,文档模型结构可以包括能够与其他组合件和单元组合以便编排医学评定报告的模板组合件。
计算装置能够构成为后端计算装置。尤其地,计算装置能够构成为服务器系统。计算装置能够具有群集或一组计算装置和数据存储器。计算装置本身能够不具有用于用户的用户界面。计算装置能够经由医学信息网络与前端计算装置进行数据连接,所述前端计算装置主管用于用户的用户界面。计算装置能够经由医学网络与多个不同的(但尤其相同类型的)前端计算装置进行数据连接。(多个)前端计算装置能够属于医学组织,例如诊所、医院或医院联合体。计算装置同样能够属于医学组织或者在医学组织外构成。计算装置能够经由医学信息网络与多个不同的前端计算装置进行数据连接,所述前端计算装置分别属于不同的医学组织。
根据实施方式,医学信息网络能够基于HL7标准。健康水平7(HL7)是一组用于在卫生部门中的组织及其计算机系统之间交换数据的国际标准。尤其地,通信和/或数据连接能够基于FHIR标准。快速医疗互操作性资源(FHIR)是由HL7制订的标准。其辅助卫生部门中的软件系统之间的数据交换。通过使用HL7或FHIR标准,能够结构化地传输数据,并且无需重新格式化。
根据一个方面,在提供经辨识的文档模型结构的步骤中,将文档模型结构提供给用户界面以通过用户进行进一步处理。根据一些示例,能够附加地将参考数据集或其一部分提供给用户以进行进一步辅助。尤其地,除了文档模型结构之外,还能够将参考评定报告提供给用户(除非所述参考评定报告总归已经作为文档模型结构提供)。
用户界面尤其能够由前端计算装置提供。前端计算装置尤其能够构成为评定工作站或评定站,用户(尤其医学人员、如女医生或男医生)能够在所述评定工作站或评定站处调用和/或查看和/或分析医学数据集,和/或用户能够在所述评定工作站或评定站处调用和/或查看和/或修改医学报告。为此,前端计算装置能够具有用户界面。前端计算装置能够构成为所谓的客户端。
通过提供文档模型结构,能够提供能够如下元素,所述元素用于(要么通过用户要么通过下游的(部分)自动化的处理)创建用于待进行评定的患者的医学评定报告。通过基于参考数据集来辨识所提供的文档模型结构的方式,不提供任何任意的文档模型结构,而是提供在参考情况中已经被证明为有用的文档模型结构。换言之,通过搜索参考情况,有针对性地选择文档模型结构,以特定于待进行评定的患者创建医学评定报告。由此,所述方法能够将在比较数据集的总体中存在的知识用于新的评定工作流程,更确切地说通过提供文档模型结构、例如呈评定模板的形式的文档模型结构。此外,由此也为用户提供其他诊断操作推荐。总体上,由此在目标明确地和高效地创建医学评定报告时有效地辅助用户。
根据一个方面,提供文档模型结构的步骤还包括对经辨识的文档模型结构匿名化的步骤。
由此能够确保,相应的参考数据集的患者的个人相关的数据得到充分保护。此外,如此能够实现跨组织边界地提供文档模型结构。替选地,所提供的比较数据集能够已经匿名化。
根据一个方面,所述方法还能够包括基于医学数据集和/或用户输入和/或评定任务来确定评定上下文(Befundungskontext)的步骤,其中分析函数还构成用于附加地基于所述评定上下文来确定参考数据集,并且在求取的步骤中,附加地通过将分析函数应用于评定上下文上来确定至少一个参考数据集。
评定上下文(换言之是上下文信息)尤其能够说明对于用户的特定的诊断活动或待创建的评定报告重要的框架条件。评定上下文能够涉及待创建的评定报告,并且例如确定报告应包含哪些信息并且可选地确定其顺序。评定上下文能够包括关于诊断活动、评定任务、患者的健康状况等的说明。能够对于特定的诊断活动或评定任务从多个元素中选择评定上下文。评定上下文的示例是:“创伤后胸部CT记录的评定”、“在器官X的癌症治疗的范围内的后续检查”、“肺部的MR记录的分析”、“疑似诊断Y的确认”等。例如能够基于对应的用户输入和/或医学数据来检测评定任务。
通过考虑评定上下文,能够更有针对性地选择参考数据集。因此,分析函数能够构成用于将具有相同的或至少相似的评定上下文的比较数据集辨识为参考数据集。
根据一个方面,每个文档模型结构与评定上下文相关联,并且提供步骤包括经由用户界面输出与经辨识的文档模型结构相关联的评定上下文。由此,用户能够更简单地决定:文档模型结构适合于哪个评定工作流程。
根据一个方面,所述方法还包括经由用户界面接收用户的针对医学数据集的用户输入的步骤,其中分析函数还构成用于,附加地基于针对医学数据集的用户输入求取参考数据集,并且在求取步骤中,附加地通过将分析函数应用于用户输入来求取至少一个参考数据集。
通过考虑用户输入,能够更有针对性地选择参考数据集。因此,用户输入能够表明医学数据集内对于用户而言在评定时重要的方面,于是能够对应地考虑所述方面。
根据一个方面,用户输入包括用户对一个或多个疑似诊断的说明。在此,这种用户输入能够包括从疑似诊断的预先确定的集(或列表)中选择一个或多个疑似诊断。尤其地,评定上下文的求取能够基于经说明的疑似诊断进行。
通过考虑疑似诊断,能够目标明确地选择参考数据集。例如,分析函数能够构成用于将一个或多个经说明的疑似诊断与比较数据集中的诊断进行比较,以便如此求取合适的参考数据集。在此,分析函数例如能够构成用于将如下比较数据集求取为参考数据集,所述比较数据集的诊断对应于经说明的疑似诊断。
根据一个方面,用户输入针对以下输入中的一个或多个输入:
-限定医学数据集中的感兴趣区域,
-探测医学数据集中的医学异常,
-创建在医学数据集中示出的异常的测量值,
-选择分析工具来创建在医学数据集中示出的异常的测量值,和/或-设定一个或多个用于在用户界面中显示医学数据集的再现参数。
根据一个方面,医学数据集包括待进行评定的患者的至少一个医学图像数据集,并且用户输入包括以下输入中的一个或多个输入:
-限定医学图像数据集中的感兴趣区域,
-探测在医学图像数据集中示出的医学异常,
-创建在医学图像数据集中示出的医学异常的测量值,
-选择分析工具来创建在医学图像数据集中示出的医学异常的测量值,和/或
-设定一个或多个用于在用户界面中显示医学图像数据集的图像再现参数。
能够将感兴趣区域理解为医学数据集内的区域或数据元素。感兴趣区域能够包括医学数据集的至少一个数据元素、然而优选包括多个数据元素。例如,这能够涉及用户恰好观察的数据类别,例如实验室数据或组织病理学数据。此外,感兴趣区域能够是纵向数据列的时间部段,例如待进行评定的患者的生命数据的时间序列的部段。此外,感兴趣区域能够涉及包含在医学数据集中的医学图像数据内的一组图像元素、如像素或体素。这种感兴趣区域在此能够具有任意形状,感兴趣区域优选是圆形的或方形的。此外,感兴趣区域能够包括多个单独的子区域。
医学异常能够涉及在医学数据集中的数据元素。例如,医学异常能够涉及医学图像中的对应的图像数据。医学异常能够指示待进行评定的患者的特定的状况或特定的病理。状况或病理对于待进行评定的患者的诊断能够是重要的。
医学异常能够涉及将患者与其他(健康的)患者区分开的结构或日期(Datum)。医学异常能够处于患者的不同器官中(例如患者的肺部中或患者的肝脏中)或处于患者的器官之间。
尤其地,医学异常能够涉及在医学数据集的医学图像数据中示出的结构或图案。尤其地,医学异常能够涉及新生物(也称为“肿瘤”),尤其良性新生物、原位新生物、恶性新生物和/或具有不确定的/未知的表现的新生物。尤其地,医学异常能够涉及结节、尤其肺部结节。尤其地,医学评定能够涉及病变、尤其肺部病变。
尤其地,医学异常能够涉及医学数据集中的异常数据值或异常数据值的组合。例如,医学异常能够涉及与正常值偏离的实验室值、例如PSA值或生命体征。
测量值通常能够构成为,使得其量化医学异常。
通常为用户提供不同类型的分析工具。例如,这种工具能够是几何测量工具、体积测量工具、图像处理工具、异常值(英文为:Outlier)检测工具和/或计算机辅助识别工具。与此对应地,由用户调用的分析工具的类型也说明通过所述工具辨识的对应的医学异常的类型。分析工具尤其能够构成用于产生医学异常的测量值。因此,使用所述信息能够进一步改进在查找参考数据集时的结果。
根据一个方面,再现参数包括以下参数中的一个或多个参数:
-对医学数据集中的数据元素的选择,
-应用于医学数据集的图像数据的器官分割,
-应用于医学数据集的图像数据的强度窗口(Intensity Window),
-应用于医学数据集的图像数据的对比度和/或亮度调整,
-对于医学数据集所应用的图像数据的查找表,
-应用于医学数据集的图像数据的自动视图设定,
-为医学数据集的图像数据选择的观察平面或方向,和/或-为医学数据集的图像数据选择的缩放级别或移动(Schwenkung)。
这种用户输入提供相对于医学数据集的对于用户感兴趣的区域的结论。因此,所述用户输入的考虑能够有助于有针对性地选择参考数据集,从而有助于有针对性地提供文档模型结构以进一步评定。因此,例如能够基于医学异常和/或所属的测量值有针对性地搜索同样包含这种异常和/或测量值的参考数据集。同样,再现参数能够表明医学数据集的用户恰好观察以及因此感兴趣的元素。因此,能够搜索同样包含所述元素的参考数据集。
根据一个方面,所述方法还包括如下步骤:
-提供与分析函数不同的探测函数,所述探测函数构成用于自动化地探测医学数据集(PDS)中的医学异常,并且
-通过计算装置将探测函数应用于医学数据集以探测至少一个医学异常,其中
-分析函数还构成用于附加地基于通过探测函数在医学数据集中探测的医学异常来求取参考数据集,
-在求取步骤中,附加地通过将分析函数应用于医学异常来求取至少一个参考数据集。
探测函数也能够称为计算机辅助识别算法。例如,探测函数能够具有两个阶段:用于识别医学数据集中的潜在重要的图案的识别阶段;和用于将潜在重要的图案分类为潜在医学重要或者分类为假阳性的从而待拒绝的结果的分类阶段。原则上,对于医学评定候选的这种计算机辅助的识别和分类已知均能够在探测函数中实现的大量函数和方法。例如参考文献US2009/0 092 300A1、US2009/0 067 693A1和US2016/0 321 427A1中的公开内容。
根据一个方面,医学数据集包括待进行评定的患者的至少一个医学图像数据集,并且探测函数构成用于探测医学图像数据集中的医学异常。
通过使用探测函数能够进一步辅助用户。用户不必自己搜索异常,而是所述异常自动化地被提供给所述用户。相反,能够由分析函数将异常用于有针对性地搜索参考数据集,以便如此改进所提供的文档模型结构的命中准确度。
根据一个方面,所述方法还包括如下步骤:
-在计算装置中获得医学数据集中的感兴趣区域,
-通过计算装置确定感兴趣区域的解剖学位置,其中-分析函数还构成用于附加地基于感兴趣区域的解剖学位置求取参考数据集,以及
-在求取步骤中,附加地通过将分析函数应用于解剖学位置来求取至少一个参考数据集。
根据示例,感兴趣区域能够通过用户以用户输入的方式提供。替选地,能够自动化地获得感兴趣区域,例如通过由计算装置将探测函数应用于医学数据集。
解剖学位置(或地点)例如能够表示器官或器官的一部分。例如,如果PSA值的时间变化过程被辨识为感兴趣区域,那么能够将前列腺确定为解剖学位置。
借助解剖学位置,能够调用说明感兴趣区域的解剖学上下文的信息。由此能够限制潜在重要的参考数据集的组,这在提供文档模型结构时引起更好的结果。
根据一个方面,医学数据集包括待进行评定的患者的至少一个医学图像数据集,并且所述方法还包括获得在医学图像数据集中示出的病变、尤其肿瘤的至少一个测量值的步骤,其中分析函数还构成用于附加地基于病变、尤其肿瘤的测量值求取参考数据集,并且在求取步骤中附加地通过将分析函数应用于测量值来求取至少一个参考数据集。
因此,能够有针对性地搜索示出具有相似测量值的病变的参考数据集,由此能够有针对性地辨识文档模型结构。
根据一个方面,所述方法还包括获得涉及用户的特性的用户信息的步骤,其中分析函数还构成用于附加地基于用户信息求取参考数据集,并且在求取步骤中附加地通过将分析函数应用于用户信息来求取至少一个参考数据集。
用户信息例如能够已经是用户的标识,通过所述标识能够(例如在医学信息网络中)辨识用户。因此例如能够搜索用户在过去已经处理的参考数据集,由此能够为用户有针对性地辨识文档模型结构。
此外,用户信息能够包括用户关于一个或多个文档模型结构的偏好。因此能够有针对性地求取如下参考数据集,所述参考数据集包括对应于用户的偏好的文档模型结构或基于所述文档模型结构。
此外,用户信息能够包括用户所属的用户圈的说明。尤其地,用户圈的说明能够包括关于文档模型结构的使用的一个或多个规范。
通过考虑用户圈,例如能够在评定时考虑用户必须遵循的规范。因此,例如能够为用户圈规定:医学评定报告应基于一个或多个文档模型结构。对应地,能够求取对应于规范的参考数据集,这确保基于此辨识的文档模型结构的良好可用性。
根据一个方面,医学数据集包括待进行评定的患者的至少一个医学图像数据集,并且所述方法还包括通过计算装置确定涉及医学图像数据集的记录的至少一个记录参数的步骤,其中分析函数还构成用于附加地基于记录参数求取参考数据集,并且在求取步骤中附加地通过将分析函数应用于记录参数来求取至少一个参考数据集。
根据一个方面,记录参数包括以下参数中的一个或多个参数:
-在图像记录过程期间的患者位置,
-用于检测原始数据的图像检测协议,基于所述原始数据产生医学图像数据集,和/或
-用于基于原始数据生成医学图像数据集的图像重建协议。
图像检测协议能够涉及用于检测医学图像数据集或所基于的原始数据的医学成像模态的类型。例如,检测协议能够指定使用MRI系统还是CT系统。此外,检测协议能够涉及在检测期间用于医学成像模态的设定。以MRI系统为例,这例如能够是所使用的MR脉冲序列。
重建协议能够涉及重建算法和用于处理所检测的原始数据以便提供医学图像数据集的对应的设定。以CT成像过程为例,重建协议能够指定所使用的内核(或卷积算法)。内核涉及用于在CT扫描仪中在反向投影之前在图像重建期间修改投影数据的频率内容的过程。所述过程通过其减少模糊的方式来校正图像。内核通过其锐化图像的方式来影响图像结构的外观。对于转门的解剖学应用开发不同的内核,包括软组织(标准内核)和骨骼(骨骼内核)。
在求取参考数据集时考虑记录参数是有利的,因为记录参数提供对在医学图像数据集中示出的器官和解剖学结构的附加的深入了解。因此,能够找出匹配的参考数据集,由此能够有针对性地辨识用于评定工作流程的文档模型结构。
根据一个方面,所述方法还包括如下步骤:
-通过计算装置获得医学数据集中的医学异常的说明,并且-通过计算装置基于医学数据集和/或待进行评定的患者的其他与医学数据集不同的医学信息来确定医学异常的时间发展。
对应地,分析函数还构成用于附加地基于医学异常的时间发展求取参考数据集,其中在求取步骤中附加地通过将分析函数应用于时间发展来求取至少一个参考数据集。
例如,能够基于用户输入或通过应用探测函数来获得医学异常。医学异常的说明例如能够包括医学数据集中的医学异常在第一时刻的病征。
时间发展的确定例如能够包括:在医学数据集中确定所获得的异常在不同于第一时刻的另一时刻的至少一个另外的病征;和基于至少一个另外的病征、尤其基于医学异常的病征的比较确定时间发展。为此,尤其能够获得病征中的测量值并且进行比较。
通过考虑时间发展,能够求取示出医学异常的类似的时间发展的参考数据集。因此,也能够找出适合于评定时间发展的文档模型结构。
根据一个方面,与比较数据集相关联的参考评定报告分别基于至少一个、尤其标准化的用于创建医学评定报告的模板组合件。此外,辨识文档模型结构的步骤包括:通过计算装置基于与至少一个参考数据集相关联的至少一个医学参考评定报告来辨识至少一个模板组合件。此外,提供文档模型结构的步骤包括:提供至少一个经辨识的模板组合件。
模板组合件能够是组合件或模块或模板,基于其能够产生结构化的医学评定报告(结构化的医学评定报告能够基于组合件或模块或模板)。能够基于一个或多个模板组合件产生医学评定报告。尤其地,多个不同的模板组合件能够组合,以便形成医学报告。
每个模板组合件对于特定的评定上下文能够是专用的。例如,能够将一个特定的模板组合件与肺部中的病变相关联,而将另一模板组合件与肝脏中的病变相关联。
每个模板组合件能够指定必须解决或填充以完成报告的一个或多个数据区。此外,模板组合件能够包括一个或多个具有用户能够选择的元素的下拉菜单。因此,也能够将模板组合件理解为输入表格或掩码,所述输入表格或掩码将用于所给出的评定类型的待提供的信息结构化。
通常,参考评定报告中的模板组合件通过特定于参考评定报告所基于的情况的数据来填充。根据一些示例,在提供步骤中,能够将空的模板组合件作为文档模型结构提供。为此,能够自动移除模板组合件中的条目。替选地,能够从数据存储器下载对应于经辨识的模板组合件的空的模板组合件(所述数据存储器能够是计算装置的一部分或能够与所述计算装置进行数据连接)。
由此自动地给用户提供合适的模板组合件。反过来,减轻用户即使在可能大的数据库中也必须搜索正确的模板的负担。用户自动获得能够在产生结构化的评定时直接使用的可使用的结果。
根据一个方面,所述方法还包括:通过计算装置经由用户界面接收用户的针对编辑经辨识的文档模型结构的用户输入;通过计算装置基于经辨识的文档模型结构和针对编辑的用户输入创建医学评定报告;以及通过计算装置提供医学评定报告。
由此,能够通过持续的人机交互来构造完整的医学评定报告。
根据一个方面,所述方法还包括基于医学数据集和/或至少一个参考数据集(和/或针对医学数据集的用户输入和/或通过探测算法检测的医学异常)编辑和/或预填充经辨识的文档模型结构,其中在提供步骤中,将预填充的文档模型结构提供给用户以用于进一步处理。
根据一个方面,所述方法还包括基于医学数据集和/或至少一个参考数据集(和/或针对医学数据集的用户输入和/或通过探测算法检测的医学异常)编辑和/或填充经辨识的文档模型结构,以自动产生最终的医学评定报告。
由此,能够自动提供医学评定报告,而无需用户的协助。借此,能够减轻用户的负担,并且用户例如能够具有更多时间来将注意力集中到复杂情况上,在所述复杂情况中不能找出参考数据集。
根据一个方面,所述方法还包括是否能够找出具有足够置信度(或相似性量度)的至少一个参考数据集的检查步骤。如果是这种情况,那么能够基于文档模型结构自动化地产生最终的医学评定报告。如果不是这种情况,那么能够将文档模型结构提供给用户以进行进一步处理。
根据一个方面,参考评定报告中的至少一个经辨识的文档模型结构填充有包含自然语言的评定文本,并且所述方法还包括如下步骤:
-提供语言分析算法,所述语言分析算法构成用于通过评估评定文本和医学数据集来使评定文本适应于医学数据集,
-通过借助于计算装置将语言分析算法应用于评定文本和医学数据集来使评定文本适应于医学数据集,
-通过计算装置用经适应的评定文本预填充经辨识的文档模型结构,其中-在提供步骤中,提供预填充的文档模型结构。
语言分析算法例如能够构成用于识别评定文本中的各个元素并且赋予含义。为此能够使用不同的已知的方法和函数。例如,这能够借助于潜在语义分析(英文:latentsemantic indexing,简称LSI)来实现。
换言之,能够通过使用语言分析算法实现对预先评定的非结构化的内容的自动化的评估。由此能够给用户提供在评定中重要的其他信息。
根据一个方面,分析函数构成用于计算医学数据集与比较数据集之间的相似性量度,所述相似性量度说明医学数据集与比较数据集之间的相似性。此外,求取至少一个参考数据集的步骤包括:通过将分析函数应用于医学数据集和比较数据集来分别计算用于比较数据集的相似性量度,并且基于特定的相似性量度从比较数据集中求取参考数据集。
对于所考虑的比较数据集能够分别确定相似性量度,所述相似性量度基于医学数据集与相应的比较数据集之间的相似性并且尤其说明或量化相似性。相似性量度能够例如是数值或“分数”。例如,能够基于相似性测度的应用来确定相似性量度,所述相似性测度基于输入变量、即医学数据集和比较数据集来输出相似性量度。相似性测度在此尤其能够在分析函数中实现。参考数据集尤其是与医学数据集具有一定相似性的比较数据集。换言之,参考数据集尤其能够是其相似性量度高于预先确定的或预设的或可预设的阈值的比较数据集。
通过计算相似性量度,提供客观的和可再现的标准,根据所述标准能够查找参考数据集。
根据一个方面,分析函数构成用于从医学数据集中提取数据描述符和/或从比较数据集中提取相对应的数据描述符,所述数据描述符和/或相对应的数据描述符说明所基于的医学数据集和/或比较数据集的对于求取参考数据集重要的特性。此外,分析函数构成用于基于医学数据集的和比较数据集的数据描述符来计算所述医学数据集与所述比较数据集之间的相似性量度,尤其通过将所述医学数据集的和所述比较数据集的数据描述符输入到相似性度量中。此外,计算用于比较数据集的相似性量度包括如下步骤:
-尤其通过将分析函数应用于医学数据集来从医学数据集中获得数据描述符,
-尤其通过将分析函数应用于比较数据集来获得用于比较数据集的相对应的数据描述符,以及
-通过将分析函数应用于数据描述符和相应的相对应的数据描述符,基于数据描述符和相应的相对应的数据描述符来计算用于比较数据集的相似性量度。
数据描述符能够具有从医学数据集以及尤其医学数据集的图像数据中提取或从其中计算出的一个或多个特征。此外,数据描述符能够基于(或附加地考虑)其他信息或非图像数据,例如关于图像数据的元数据、患者数据、其他测量值、医学评定报告等。数据描述符的另一名称能够是表述“特征签名”。数据描述符尤其能够表征医学数据集。数据描述符的特征能够组合成特征向量。尤其地,数据描述符能够具有这种特征向量。从图像数据中提取的特征能够是形态的和/或结构的和/或涉及纹理的和/或涉及图案的特征。从非图像数据中提取的特征能够是涉及诊断、测量值、人口统计学信息等的特征。分析函数尤其能够构成用于基于数据描述符来求取相似性量度。分析函数能够具有用于提取数据描述符的不同的模块,例如用于处理医学图像数据的图像分析模块或用于处理医学评定报告的语言分析模块。
求取相似性量度能够包括分别从可能的比较数据集中提取或接收相对应的数据描述符。在此能够如在基于医学数据集提取的数据描述符中那样进行。此外,求取相似性量度能够包括将相对应的数据描述符分别与数据描述符进行比较。
比较步骤尤其能够基于评估用于两个数据描述符的相似性度量。相似性度量能够构成用于量化数据描述符的坐标系中的相应的数据描述符的间距。能够预设相似性测度。例如,相似性测度能够基于数据描述符的余弦相似性的计算和/或数据描述符的各个特征的差异或相似性的加权总和的计算。尤其能够将如下比较数据集辨识为参考数据集,所述比较数据集的所属的相似性量度大于预设的或可预设的阈值。
通过使用数据描述符,限定用于比较不同的数据集的易于实现的和可良好传输的参数。此外,在特征签名中包含的特征能够基于从数据集中导出的上级的可观测量,所述可观测量通常比所基于的数据本身更好地表征数据集的特性。
根据一个方面,分析函数包括经训练的函数。
经训练的函数通常将输入数据映射到输出数据上。输出数据在这种情况下尤其能够与经训练的函数的一个或多个参数相关。经训练的函数的其他术语是经训练的映射规则、具有经训练的参数的映射规则、具有经训练的参数的函数、基于人工智能的算法、机器学习的算法。
经训练的函数的示例是人工神经网络。也能够使用术语“神经网”来替代术语“神经网络”。神经网络基本上像生物神经网(例如人脑一样)构造。尤其地,人工神经网络包括输入层和输出层。所述人工神经网络还能够包括在输入和输出层之间的多个层。每个层包括至少一个、优选地多个节点。能够将每个节点理解为生物处理单元,例如神经元。换言之,每个神经元对应于应用于输入数据的操作。一层的节点能够通过边或连接部与其他层的节点连接,尤其通过有取向的边或连接部来连接。所述边或连接部定义了在网络节点之间的数据流。边或连接部与通常称为“权重”或“边权重”的参数相关联。所述参数能够调节第一节点的输出对于第二节点的输入的重要性,其中第一节点和第二节点通过边连接。尤其地,经训练的函数也能够具有深度人工神经网络(英文专业术语是“deep neural network”或“deep artificial neural network”)。
根据一个方面,经训练的函数具有卷积神经网络并且尤其具有基于区域的卷积神经网络。
卷积神经网络的英文专业术语是:convolutional neural network。尤其地,卷积神经网络能够构成为深度卷积神经网络(英文专业术语是“deep convolutional neuralnetwork”)。神经网络在此具有一个或多个卷积层(英文专业术语是“convolutionallayer”)和一个或多个解卷积层(英文专业术语是“deconvolutional layer”)。尤其地,神经网络能够包括池化层(英文专业术语是“pooling layer”)。通过使用卷积层和/或解卷积层,神经网络能够特别高效地用于图像处理,因为尽管在节点层之间存在多个连接部,然而仅须确定较少的边权重(即对应于卷积核的值的边权重)。由此,在相同数量的训练数据的情况下,也能够改进神经网络的精确性。
经训练的函数通过调整参数来学习,所述参数确定从输入数据到输出数据的映射。在神经网络的情况下,这例如是各个层和节点的权重或加权参数(例如边权)。经训练的函数例如能够通过被监测的学习的方法来训练(对此的英文专业术语是“supervisedlearning”)。在此例如能够使用反向传播的方法(对此的英文专业术语是“backpropagation”)。在训练期间,将经训练的函数应用于训练输入数据,以便产生对应的输出值,所述输出值的目标值以训练输出数据的形式已知。能够使用输出值与训练输出数据之间的差,以便引入成本函数或损失函数作为表示经训练的函数完成给其设置的任务有多好或有多坏的量度。训练的目标是,通过迭代地调整经训练的函数的参数(例如边权重)的方式来找出成本函数的(局部)最小值。由此,经训练的函数最终能够在(足够)大的群体的训练输入数据的范围内提供可接受的结果。所述优化问题能够利用随机梯度方法(对此的英文专业术语是“stochastic gradient descent”)或本专业领域已知的其他方案来执行。
根据实施方式,训练数据集可能分别具有医学训练数据集和训练比较数据集,以及根据经训练的函数的配置,具有所属的经验证的参考数据集和/或经验证的(尤其地,相对)相似性量度。经验证的参考数据集在此能够基于用户的注释,所述注释基于医学训练数据集的分析或评定而做出。相同情况适用于经验证的相似性量度。
根据一些实施方式,训练经训练的函数于是因此能够包括:将经训练的函数应用于医学训练数据集或训练-比较数据集以产生输出值;以及将输出值与经验证的参考数据集和/或经验证相似性量度进行比较。基于所述比较,于是能够调整经训练的函数的一个或多个参数。
根据一个方面,经训练的函数具有:
-编码器部段,其构成用于从医学数据集中提取数据描述符和/或从比较数据集中提取相对应的数据描述符,
-分类器部段,其构成用于基于医学数据集的数据描述符和比较数据集的相对应的数据描述符来计算医学数据集与比较数据集之间的相似性量度。
根据一个方面,编码器部段包括神经网络、尤其卷积神经网络。根据一个方面,分类器部段包括支持向量机、k-最近邻算法、决策树算法和/或朴素贝叶斯算法(Naive-Bayes-Algorithmus)。
根据一个方面,经训练的函数还构成用于通过将机器学习的相似性测度应用于数据描述符来计算相似性量度,其中计算相似性量度包括:将机器学习的相似性测度应用于数据描述符和相应的相对应的数据描述符。
根据一个方面,机器学习的相似性测度在分类器部段中实现。
根据一个方面,在辨识至少一个文档模型结构的步骤中,辨识多个文档模型结构以通过用户进行选择,其中在提供步骤中,经由用户界面将多个经辨识的文档模型结构提供给用户。此外,所述方法包括:经由用户界面接收用户的针对选择至少一个文档模型结构的用户输入,其中在提供步骤中,提供通过针对选择至少一个文档模型结构的用户输入所选择的至少一个文档模型结构,以通过用户进行进一步处理。
通过用户选择,能够通过人机交互提供适合的文档模型结构。因此,用户能够灵活地影响处理以便改进结果。
根据一个方面,所述方法包括:经由用户界面接收用户的针对选择经辨识的至少一个文档模型结构以进行进一步处理的用户输入。尤其地,用户输入能够针对确认或拒绝经辨识的至少一个文档模型结构。
根据一个方面,所述方法还包括:基于针对选择至少一个文档模型结构的用户输入来调整分析函数。
换言之,由此能够基于用户交互进一步改进分析函数。尤其地,能够进一步训练在分析函数中包含的经训练的函数,以便如此实现更好地求取参考数据集,从而有针对性地提供文档模型结构。
根据一个方面,提供一种用于提供文档模型结构的系统,所述文档模型结构用于在评定待进行评定的患者时创建医学评定报告。所述系统具有计算装置和接口。接口构成用于接收待进行评定的患者的医学数据集和与医学数据集不同的多个比较数据集,其中每个比较数据集具有至少一个医学参考评定报告。计算装置构成用于:主管分析函数,所述分析函数构成用于,对于医学数据集从多个比较数据集中求取至少一个参考数据集;通过将分析函数应用于医学数据集和比较数据集来从多个比较数据集中求取至少一个参考数据集;基于与至少一个参考数据集相关联的至少一个医学参考评定报告来辨识用于待进行评定的患者的至少一个文档模型结构;并且经由接口提供经辨识的至少一个文档模型结构。
接口通常能够构成用于在计算装置与其他部件之间进行数据交换。接口能够以一个或多个单独的数据接口的形式实现,所述接口能够具有硬件接口和/或软件接口(例如PCI总线)、USB接口、Fire-Wire接口、ZigBee接口或蓝牙接口。接口还能够具有通信网络的接口,其中通信网络能够具有局域网(LAN)(例如内联网)或广域网(WAN)或互联网。对应地,一个或多个数据接口能够具有LAN接口或无线LAN接口(WLAN或WiFi)。
根据一个方面,还提供一种用于提供医学报告的系统,所述系统具有上述设备以及至少一个用户界面,所述用户界面构成用于经由接口接收所提供的文档模型结构并且将其显示给用户。
此外,所述系统能够具有与接口连接的数据存储器,比较数据集和/或分析函数和/或医学数据集存储在所述数据存储器中并且可经由接口调用从而是可提供的。数据存储器在此能够构成为中央的或分立的存储单元或云存储器。
此外,所述系统能够包括一个或多个成像模态,例如计算机断层扫描系统、磁共振系统、血管造影系统、X射线系统、正电子发射断层扫描系统、乳腺X射线摄影系统和/或用于产生组织病理学图像数据的系统。
所提出的系统的优点基本上对应于所提出的方法的优点。所述方法的特征、优点或替选的实施方式/方面同样能够转用于其他要求保护的主题并且反之亦然。
在另一方面中,本发明涉及一种计算机程序产品,所述计算机程序产品包括程序并且可直接加载到可编程的控制装置的存储器中并且具有程序模块(Programmmitteln)、例如库和辅助函数,以便当运行计算机程序产品时,执行尤其根据上述实施方式/方面所述的用于提供医学报告的方法。
此外,在另一方面中,本发明涉及一种计算机可读的存储介质,在所述存储介质上存储有可读的和可执行的程序段,以便当由控制装置运行程序段时,执行根据上述实施方式/方面所述的用于提供医学报告的方法的所有步骤。
计算机程序产品在此能够包括具有源代码的软件,所述源代码还必须被编译和链接或仅必须被解释,或者包括可执行的软件代码,所述软件代码为了执行仅还需加载到处理单元中。通过计算机程序产品,所述方法能够快速、同样可重复且鲁棒地执行。计算机程序产品配置成,使得其能够借助于计算单元执行根据本发明的方法步骤。在此,计算单元必须分别具有前提条件,例如对应的工作存储器、对应的处理器、对应的显卡或对应的逻辑单元,使得能够高效地执行相应的方法步骤。
计算机程序产品例如存储在计算机可读的存储介质上或保存在网络或服务器上,所述计算机程序产品能够从该处被加载到相应的计算单元的处理器中,所述处理器能够与计算单元直接连接或构成为计算单元的一部分。此外,计算机程序产品的控制信息能够存储在计算机可读的存储介质上。计算机可读的存储介质的控制信息能够构成为,使得当在计算单元中使用数据载体时,所述控制信息执行根据本发明的方法。计算机可读的存储介质的示例是存储有电子可读的控制信息、尤其软件的DVD、磁带或USB棒。如果从数据载体读取所述控制信息并且将其存储到计算单元中,那么能够执行上述方法的所有根据本发明的实施方式/方面。因此,本发明也能够以所述的计算机可读的介质和/或所述的计算机可读的存储介质为出发点。所提出的计算机程序产品和/或相关的计算机可读的介质的优点基本上对应于所提出的方法的优点。
附图说明
从下面根据示意图对实施例的阐述中可见本发明的其他特点和优点。在所述上下文中提及的改型能够分别彼此组合,以便构成新的实施方式。在不同的附图中,对于相同的特征使用相同的附图标记。
附图示出:
图1示出用于提供用于创建医学评定报告的文档模型结构的系统的一个实施方式的示意图,
图2示出根据一个实施方式的用于提供用于创建医学评定报告的文档模型结构的方法的流程图,
图3示出根据一个实施方式的用于提供用于创建医学评定报告的文档模型结构的方法的数据流程图,
图4示出根据一个实施方式的用于提供用于创建医学评定报告的文档模型结构的方法中的可选的方法步骤的图表,
图5示出根据一个实施方式的用于提供用于创建医学评定报告的文档模型结构的方法中的可选的方法步骤的图表,
图6示出根据一个实施方式的用于提供用于创建医学评定报告的文档模型结构的方法中的可选的方法步骤的图,
图7示出用于提供用于辨识参考数据集的经训练的函数的方法的流程图,以及
图8示出用于提供经训练的函数的系统的一个实施方式的示意图。
具体实施方式
在图1中示出根据一个实施方式的用于提供文档模型结构DVS或用于提供医学评定报告MBB的系统1。系统1具有至少一个具有用户界面的前端计算装置10(或也仅称为“用户界面10”)、存储装置RD和后端计算装置20(或也仅称为“计算装置20”),所述前端计算装置10、存储装置RD和后端计算装置20经由医学网络或数据接口26彼此通信连接。
医学数据集PDS和其他信息能够经由适合的接口26从存储装置RD或医学信息系统40提供给前端计算装置10。通常,如在图1中示出的系统具有多个前端计算装置10,所有前端计算装置10均访问相同的医学信息系统40或与后端计算装置20进行数据交换。在所示出的实施方式中,存储装置RD、后端计算装置20、医学信息系统40和(多个)前端计算装置10是相同的医学组织的一部分。例如,医学组织能够是诊所、诊所集团、医院或医院集团。对应地,经由接口26连接所述部件的网络能够构成为组织的内部网络,并且例如包括内联网(例如局域网和/或无线局域网)。
前端计算装置10例如能够构成为评定站或评定工作场所,用户能够在所述评定站或评定工作场所处查看和分析患者数据或医学数据集PDS,以及创建、检查、改变和审定医学评定报告MBB。为此,前端计算装置10能够具有例如包括显示器和/或输入装置的用户界面。前端计算装置10能够具有处理器。处理器能够具有中央处理单元(CPU)、图形处理单元(GPU)、数字信号处理器(DSP)、图像处理处理器、集成(数字或模拟)电路或上述部件的组合以及根据实施方式的用于提供医学评定报告MBB的其他装置。前端计算装置10例如能够包括台式PC、笔记本电脑或平板电脑。
医学信息系统40通常能够构成用于检测和/或存储和/或转发医学数据集PDS。例如,医学信息系统40能够具有一个或多个(未示出的)数据库。尤其地,数据库能够以一个或多个云存储模块的形式实现。替选地,数据库能够实现为本地存储器或分布式存储器,例如实现为PACS(图像存档和通信系统,Picture Archiving and Communication System)、医院信息系统(KIS)、实验室信息系统(LIS)、“电子病历(EMR)”信息系统和/或其他医学信息系统。根据一些示例,医学信息系统40也能够包括一个或多个(未示出的)医学成像模态,例如计算机断层扫描系统、磁共振系统、血管造影系统、C型臂X射线系统、正电子发射断层扫描系统、乳腺X射线摄影系统、X射线系统等。
存储装置RD能够构成为中央式或分立式数据库。存储装置RD尤其能够是服务器系统的一部分。存储装置RD尤其能够是医学信息系统40的一部分。存储装置RD构成用于存储大量的比较数据集VDS。存储装置RD也能够称为数据源或数据库。附加地,在存储装置26中能够存储有多个预先确定的文档模型结构DVS。
存储装置RD能够构成用于为系统1并且尤其为不同的前端计算装置10中央地提供比较数据集VDS和/或文档模型结构DVS。
在实施方式中,文档模型结构DVS能够被视为用于医学评定报告MBB的组合件。文档模型结构DVS能够构成用于通过用户经由前端计算装置10进行处理。此外,文档模型结构DVS能够构成用于包含在医学评定报告MBB中。文档模型结构DVS能够包括一个或多个数据区DF,能够将患者特定的信息和/或所基于的医学评定输入到所述数据区DF中。数据区DF能够是空白区或用于不同类型的数据如文本、测量值或图像的占位符,。根据一些示例,文档模型结构DVS包括一个或多个具有用户能够从中进行选择的条目的下拉菜单。
文档模型结构DVS能够专用于特定的评定上下文。换言之,文档模型结构DVS对于不同的评定上下文能够是不同的。例如,所述文档模型结构能够在数据区DF的数量和类型方面不同。
医学数据集PDS能够具有医学图像数据和/或不包括图像信息的其他医学数据。在这一点上,图像数据能够涉及具有两个或三个空间维度的医学图像数据。此外,图像数据能够附加地具有时间维度。例如,图像数据能够通过成像医学模态,例如X射线设备、计算机断层扫描设备、磁共振设备、正电子发射断层扫描设备或血管造影设备或其他设备来产生。这种图像数据也能够称为放射学图像数据。
此外,医学数据集PDS也能够包括组织病理学图像数据,所述组织病理学图像数据分别示出一个或多个组织病理学图像。组织病理学图像数据是基于患者的组织样本的图像数据。从组织样本中制备组织切片,所述组织切片通过组织病理学染色来进行染色。然后将如此制备的组织切片数字化,以便获得组织病理学图像数据。为此能够使用专用扫描仪、即所谓的切片扫描仪(Slide Scanner)。在此记录的图像也称为“全视野数字切片图像(WholeSlide Image)”。在此记录的图像数据通常是二维的像素数据。
在医学数据集PDS中包含的图像数据例如能够对应于DICOM格式来格式化。DICOM(=Digital Imaging and Communications in Medicine,医学数字成像和通信)是用于医学图像数据和所属的数据的通信和管理的公开标准。
除了图像数据之外,医学数据集PDS还能够包括非图像数据。例如,非图像数据能够是不基于医学成像的检查结果。这能够包括实验室数据、生命数据、肺活量测定数据或神经学检查日志。此外,非图像数据能够包括文本数据集,例如结构化的和非结构化的医学评定报告(对此的英文专业术语是“medical reports”)。此外,非图像数据也能够是患者相关的数据。这例如能够包括关于患者的人口统计学说明,例如涉及其年龄、性别或体重。非图像数据能够例如作为元数据结合到图像数据中。替选地或补充地,非图像数据也能够存储在患者的电子病历(对此的英文表达是“Electronic Medical Record”或简称EMR)中,即与图像数据分开地保存。这种电子医学病历例如能够在医学信息系统40中归档。
比较数据集VDS表示已经评定的数据集。换言之,所述比较数据集VDS分别具有至少一个(完成的)医学评定报告、即所谓的参考评定报告R-MBB。
根据本发明的实施方式,比较数据集VDS也能够分别包括仅一个参考评定报告R-MBB。换言之,比较数据集能够分别是参考评定报告或分别由参考评定报告R-MBB构成。
根据其他实施例,比较数据集VDS也能够具有与医学数据集PDS相同的结构,即除了参考评定报告之外尤其也能够包括医学图像数据和非图像数据。
后端计算装置20能够具有处理器。处理器能够具有中央处理单元(CPU)、图形处理单元(GPU)、数字信号处理器(DSP)、图像处理处理器、集成(数字或模拟)电路或上述部件的组合以及根据实施方式的用于提供文档模型结构DVS的其他装置。后端计算装置20能够实现为单独部件或具有计算机组、例如群集。这种系统能够称为服务器系统。根据实施方式,后端计算装置20能够作为本地服务器。此外,后端计算装置20能够具有工作存储器、例如RAM,以便例如临时存储患者数据PD、数据过滤器DF、单个信息EI或报告模板BT。例如,通过计算机可读指令、通过设计和/或硬件,后端计算装置20构成为,使得其能够执行根据本发明的实施方式的一个或多个方法步骤。
后端计算装置20能够经由接口26与前端计算装置10和/或存储装置RD和/或医学信息系统40连接。经由所述接口26,后端计算装置20能够接收医学数据集PDS、比较数据集VDS和/或用户输入,基于所述医学数据集PDS、比较数据集VDS和/或用户输入,能够自动选择文档模型结构以及以计算机支持的方式创建和提供医学评定报告MBB等。
为了提供医学报告MB,后端计算装置20能够具有不同的模块。
模块21构成为数据检索模块。所述数据检索模块构成用于,访问医学信息系统40或存储装置RD并且搜索医学数据集PDS或比较数据集VDS。尤其地,模块21能够构成用于制定搜索请求并且将所述搜索请求解析给医学信息系统40。
模块22能够构成为用户交互模块或单元。模块22能够构成用于将文档模型结构DVS提供给用户以进行进一步处理。此外,模块22能够构成用于检测一个或多个用户输入并且将其提供用于在后端计算装置中进行处理。这种用户输入例如能够包括语言、手势、眼睛运动、输入设备例如计算机鼠标的操作等。在此,用户输入能够针对与医学数据集PDS的交互,或涉及基于文档模型结构DVS的医学评定报告MBB的创建。
模块23构成用于提供参考数据集RDS。模块23能够称为相似性分析模块。为此,模块23能够构成用于访问所提供的比较数据集VDS并且选择一个或多个参考数据集RDS。在此,参考数据集RDS的特征在于,所述参考数据集RDS与医学数据集PDS或医学数据集PDS的医学事实或评定上下文具有一定的相似性。为此,模块23例如能够构成用于从医学数据集PDS中提取数据描述符并且将其与来自比较数据集VDS的对应的数据描述符进行比较。在此,能够将数据描述符理解为聚合有对于比较不同的医学数据集重要的特征的数据向量或特征向量。在此,这种重要的特征能够不仅从医学数据集PDS的图像数据中而且从医学数据集PDS的非图像数据中提取,或者例如包括关于相应的患者的人口统计学信息(如年龄或性别)、实验室值(例如患者的PSA值)和/或患者的生命数据。从图像数据中提取的特征例如能够包括图像信息如图案、颜色信息、强度值等。能够由模块23将从医学数据集PDS中产生的数据描述符与比较数据集VDS的对应的数据描述符进行比较,以便在比较数据集VDS下求取与待进行评定的患者的医学数据集PDS具有一定相似性的情况。为此,模块23能够对于所考虑的比较数据集VDS分别求取相似性量度,所述相似性量度说明(或量化)医学数据集PDS与相应的比较数据集VDS的相似性。具有一定相似性量度(例如高于一定阈值的相似性量度)的比较数据集VDS被辨识为参考数据集RDS。
为了执行相似性分析,模块23能够构成用于执行分析函数AF。然后,分析函数AF构成用于基于医学数据集PDS和比较数据集VDS来辨识一个或多个参考数据集RDS并且提供对应的相似性量度。分析函数AF能够具有一个或多个经训练的函数。
模块24能够构成为报告模块,通过所述报告模块创建医学评定报告MBB。尤其地,模块24能够构成用于从存储装置RD查询合适的文档模型结构DVS。此外,模块24能够构成用于基于用户输入来编辑文档模型结构DVS。此外,模块24能够构成用于将多个文档模型结构DVS组合成医学评定报告。
所进行的将后端计算装置20划分成模块21-24在此仅用于更简单地阐述后端计算装置20的工作方式,并且不应理解为是限制性的。模块21-24或其功能也能够整合在一个元件中。在此,尤其也能够将模块21-24理解为计算机程序产品或计算机程序段,所述计算机程序产品或计算机程序段当在后端计算装置20中执行时实现在本文中描述的方法步骤中的一个或多个。
在图2中示出用于提供文档模型结构DVS或医学评定报告MBB的方法的示意性流程图。方法步骤的顺序既不受所示出的次序、也不受所选择的编号限制。因此,必要时能够交换步骤的顺序并且能够删去个别步骤。此外,能够重复执行一个或多个步骤,尤其是一系列步骤,以及可选地重复执行整个方法。在图3中示出所属的图表,其示例性示出与在图2中示出的方法相关联的数据流。
在一些实施方式中,在图2中示出的方法适合于,基于待提供给患者的数据的自动化分析来提供可行的文档模型结构DVS的选择,并且必要时通过持续的人机交互进行限制。待提供的数据一方面通过待进行评定的患者的医学数据集PDS给出,而另一方面通过比较数据集VDS给出。
在第一步骤S10中,提供待进行评定的患者的医学数据集PDS。这能够包括通过用户经由前端计算装置10手动选择相应的情况。此外,这能够包括从医学信息系统40加载医学数据集PDS。此外,步骤S10能够包括通过后端计算单元20接收医学数据集PDS。
根据本发明的一个构思,由后端计算装置20自动地将医学数据集PDS与比较数据集VDS进行比较,以便在比较数据集VDS下辨识与医学数据集PDS具有一定相似性的数据集。所述相似的数据集也称为参考数据集RDS。假设相似的医学数据集意味着相似的医学评定报告MBB,那么能够从参考数据集RDS的预先已知的参考评定报告R-MBB中推断出用于待进行评定的医学数据集PDS的可行的文档模型结构DVS。
在步骤S20中,对应地提供比较数据集VDS。例如能够经由存储装置RD或从医学信息系统40内的存储装置将比较数据集VDS提供给后端计算装置20。
在步骤S30中,将分析函数AF提供给后端计算装置20,所述分析函数AF构成用于,对于医学数据集PDS从比较数据集VDS中找出一个或多个参考数据集RDS。例如,能够通过如下方式提供分析函数AF:所述分析函数作为可运行的计算机代码在后端计算装置20的存储器中保持可用。
在步骤S40中,利用分析函数AF从比较数据集VDS中求取一个或多个参考数据集RDS,所述参考数据集RDS优选与医学数据集PDS具有特定的相似性。
步骤S40在此能够基于相似性分析,在所述相似性分析中,由分析函数AF辨识或量化医学数据集PDS与比较数据集VDS之间的相似性。在此,能够通过相似性量度来表达或量化所述相似性。尤其地,对于比较数据集VDS的至少一个子集,能够由分析函数AF分别求取相似性量度,所述相似性量度分别表述相应的比较数据集VDS与医学数据集PDS的相似性。
于是能够将所有与医学数据集PDS具有一定相似度的比较数据集VDS辨识为对于评定医学数据集PDS潜在重要的参考数据集RDS。例如,所有其相似性量度高于预设的或可预设的阈值的比较数据集VDS能够被辨识为参考数据集RDS。替选地,能够将具有相对最高的相似性量度的比较数据集VDS辨识为参考数据集RDS。
因此,如在图3中示出那样,步骤S40引起一个或多个参考数据集RDS。对应的参考评定报告R-MBB属于每个参考数据集RDS。
在步骤S50中,基于参考数据集RDS的一个参考评定报告R-MBB或多个参考评定报告R-MBB来辨识一个或多个文档模型结构DVS。为此,例如能够识别参考评定报告R-MBB所基于的文档模型结构DVS。于是能够将如此识别的文档模型结构DVS辨识为对于待进行评定的情况是重要的。
在步骤S60中,能够提供如此辨识的文档模型结构DVS(要么给前端计算装置10处的用户要么给(例如后端计算装置20中的)自动化过程)以进行进一步处理,以便基于文档模型结构DVS为待进行评定的患者创建医学评定报告MBB。例如,在步骤S60中,能够例如从存储装置RD下载和提供“空”版本的文档模型结构DVS。替选地,能够提供对于参考评定报告R-MBB编辑的和/或填充的文档模型结构DVS。
在可选的步骤S70中,基于文档模型结构DVS产生医学评定报告MBB。这能够包括接收用户输入,所述用户输入针对经由前端计算装置10处理文档模型结构DVS。这能够包括将内容输入到文档模型结构DVS中或改变文档模型结构DVS的内容。对于医学评定报告MBB,如此由用户处理的文档模型结构DVS还能够与涉及其他医学评定MF的其他文档模型结构DVS组合。所产生的医学评定报告MBB于是能够例如经由医学信息系统40转发给其他系统或用户。此外,所产生的医学评定报告MBB能够被归档,例如在报告数据库RD中或医学信息系统40中。尤其地,如此创建的医学评定报告MBB能够作为另外的比较数据集VDS被存储,以便因此增大系统1中的“知识”。
可选的步骤S80进行人机交互以选择文档模型结构。因此,在步骤S50中,能够提供多个不同的文档模型结构,然后所述文档模型结构能够在步骤S60中被提供给前端计算装置10。随后在步骤S80中能够接收用户输入,所述用户输入针对选择所提供的文档模型结构DVS中的一个或多个和/或丢弃其他文档模型结构DVS。所选择的文档模型结构于是能够用于进一步创建医学评定报告MBB。
根据一些实现方案,用户输入还能够被反馈给分析函数AF,以便改进所述分析函数AF(例如通过进一步训练所述分析函数AF的方式)。
在图4中示出另外可选的步骤,通过所述步骤能够获得关于待进行评定的情况或评定工作流程的附加信息,并且将所述附加信息用于确定比较数据集VDS或辨识文档模型结构DVS。所述步骤能够单独地或以任意组合结合到在图2中示出的或另外的在本文中描述的方法中。尤其地,在图4中示出的步骤能够单独地或以任意组合在步骤S40的过程中执行。
可选的步骤S41针对将用户输入包含在内。用户输入能够由用户输入到前端计算装置10中并且在后端计算装置20中接收。优选地,用户输入是用户的如下输入,所述输入使用户在分析或评定的过程中把注意力集中在医学数据集PDS上。
例如,用户输入能够针对选择医学数据集PDS的特定部分,例如医学数据集PDS内的图像数据或实验室数据。此外,用户输入能够包括标记医学数据集PDS的一部分内的相关区域或感兴趣区域。因此,用户输入例如能够针对限定医学图像数据中的局部或患者的值的时间序列中的单个值。此外,用户输入能够涉及一个或多个再现参数,通过所述再现参数在前端计算装置10中显示医学数据集或其一部分。此外,用户输入能够针对基于医学数据集PDS创建测量值。为此,用户例如能够在前端计算装置10中选择数字测量工具并将其应用于医学数据集PDS。例如,用户能够激活用于测量医学图像数据的工具,以便在几何上测量在图像数据中示出的解剖学情况。
上述和另外的用户输入给出相对于医学数据集PDS中的用户认为对于评定重要的信息的推断。分析函数AF能够对应地构成用于在求取比较数据集VDS时考虑用户输入。例如能够由分析函数AF将这种用户输入用于自动滤出医学数据集PDS的对应的组成部分。所述组成部分于是能够在辨识比较数据集VDS时使用或者至少更强地进行加权。例如,如果用户经由用户输入将待进行评定的患者的一定生命数据辨识为是重要的,那么分析函数AF能够构成用于有针对性地搜索具有类似的生命数据的比较数据集VDS。
根据其他实施例,也能够自动地探测这种重要的区域。为此,在步骤S42中,例如能够提供构成用于自动识别医学数据集中的医学异常的探测函数。例如,探测函数能够构成用于自动检测医学图像数据中的可疑的生命体征和/或异常图案。这种探测函数原则上是已知的并且能够包括所谓的“异常值”检测算法或图像分析函数,所述探测函数尤其能够基于经训练的函数。例如能够通过如下方式提供探测函数:将所述探测函数作为可运行的计算机代码在后端计算装置20的存储器中保持可用。
在步骤S43中,将探测函数应用于医学数据集PDS,由此探测医学数据集PDS中的至少一个医学异常。
与在步骤S41中类似地,分析函数AF构成用于在求取参考数据集RDS时考虑自动检测的医学异常,从而改进参考数据集的“命中准确度”。对应地,医学异常(与医学数据集PDS一起)被输入到分析函数AF中。
关于匹配的参考数据集的另外的说明能够给出医学异常的时间发展。因此,具有相似的时间发展的参考数据集RDS能够指示相似的病理学从而指示匹配的参考评定报告R-MBB。
首先,在步骤S44中(要么通过使用如在步骤S42和S43中的探测函数,要么基于如在步骤S41中的用户输入)获得医学异常。
随后,在步骤S45中计算所获得的医学异常的时间发展。为此,例如能够自动化地搜索医学数据集PDS或待进行评定的患者的其他可用数据中的医学异常的更早的病征。例如,如果在医学图像数据集中获得病变作为医学异常,那么能够调用患者的另外的医学图像数据并且分析病变。此外,能够在不同的时刻产生表征病变的测量值,由此能够提供医学异常的时间发展。
与在步骤S41中类似地,分析函数AF构成用于在求取参考数据集RDS时考虑医学异常的时间发展,从而改进参考数据集RDS的“命中准确度”。对应地,医学异常(与医学数据集PDS一起)被输入到分析函数AF中。
图5示出用于求取参考数据集RDS的各个步骤的示例性的实施方式。各个步骤尤其能够在步骤S40内执行。方法步骤的顺序既不受所示出的次序、也不受所选择的编号限制。因此,必要时能够交换步骤的顺序并且能够删去个别步骤。此外,能够重复执行一个或多个步骤,尤其是一系列步骤直至所有步骤。
在此,在图5中示出的步骤针对:为比较数据集VDS分别求取相似性量度,所述相似性量度(例如以数值的形式)量化相应的比较数据集VDS与医学数据集PDS的相似性。基于所述相似性量度,随后能够将与医学数据集PDS具有一定相似性的比较数据集VDS辨识为参考数据集RDS。
在第一步骤S40-A中,基于医学数据集PDS产生数据描述符。可选地,在产生数据描述符时也能够考虑其他信息和输入参数(例如结合图4阐述的另外的信息和输入参数)。数据描述符能够包括医学数据集PDS的呈特征向量形式的实质特征。因为医学数据集PDS通常具有图像数据和非图像数据,所以数据描述符也能够基于图像特征和非图像特征。能够利用图像处理方法来提取图像特征。所述图像处理方法能够包括辨识、分析和/或测量在医学数据集PDS的图像数据中包含的对象、局部的和/或全局的结构、图案或纹理。所述特征还能够包括解剖学特征和/或结构,例如解剖学标志的存在或者经辨识的器官的大小、纹理或密度。此外,所述特征能够包括表征在医学数据集PDS中包含的图像数据的图像值的参数。这例如能够是描述所述变量的颜色、灰度级、对比度或梯度的参数。从非图像数据中提取的特征例如能够包括相对于医学数据集PDS的图像数据的元数据。此外,所述特征能够涉及待进行评定的患者的另外的上下文数据。例如,所述特征能够涉及关于患者的人口统计说明、一种或多种既往疾病、风险因素、已经存在的诊断和评定、实验室值、生命体征等。数据描述符优选具有多个特征,所述特征整个地表征医学数据集PDS。在一些实施方式中,利用对应地构成的分析函数AF来执行步骤S40-A。
在步骤S40-B中,获得比较数据集VDS的相对应的数据描述符。相对应的数据描述符能够类似于医学数据集PDS的数据描述符产生,并且尤其具有与所述数据描述符相同的结构。根据一些实施方式,相对应的数据描述符已经预先产生并且与比较数据集VDS一起存储在存储装置RD中。
在下面的步骤S40-C中评估相似性测度,通过所述相似性测度能够量化医学数据集PDS的数据描述符与比较数据集VDS的相对应的数据描述符之间的相似性。在此能够考虑在存储单元中包含的比较数据集VDS中的所有比较数据集或仅一部分。换言之,因此能够在步骤S40-C中对于每个所考虑的比较数据集VDS获得相似性量度。根据一些实施方式,相似性测度能够是医学数据集PDS的特征向量和比较数据集VDS的特征向量之间的向量空间中的间距。例如,所述间距能够作为欧几里得间距给出。根据其他示例,相似性测度能够限定为数据描述符之间的余弦相似性。根据其他示例,能够个体化地对各个特征的相似性进行加权。
随后,相似性量度能够用于从比较数据集VDS中选择与医学数据集PDS具有一定相似性的数据集。根据示例性的实施方式,能够选择其相似性量度高于预先确定的阈值的所有比较数据集VDS。
步骤S40-A至S40-C中的一个或多个步骤(并且尤其所有步骤)能够由(对应地构成的)分析函数AF来执行。为此,分析函数AF能够具有一个或多个经训练的函数。尤其地,能够借助于经训练的函数来提取数据描述符。
能够在不同的经训练的编码器路径内处理医学数据集或比较数据集内的不同的数据源。因此,一个编码器路径例如能够构成为从医学图像中提取特征,而另一编码器路径能够构成用于从尤其非结构化的文本文档中提取特征。同样能够考虑结合图4提及的其他信息和输入参数。所述输入参数也能够借助于适合的编码器路径转换成特征。编码器路径的整体也能够称为分析函数AF的(经训练的)编码器部段。
此外,分析函数能够具有经训练的解码器路径或分类路径,所述解码器路径或分类路径构成用于输出输入到解码器路径中的特征向量的相似性。尤其地,解码器路径能够为此将学习的相似性测度应用于特征向量。解码器路径也能够称为分析函数AF的(经训练的)分类器部段。
替选地,经训练的函数也能够设计用于直接说明相似性量度,即在没有产生数据描述符的明确的中间步骤的情况下说明相似性量度。
除了经训练的函数之外,当然也能够使用不基于人工智能的经典函数。对此的示例是所谓的纹理分类算法。
在图6中示出用于自动化地编辑和/或填充文档模型结构DVS的可选的方法步骤。在图6中示出的步骤在此能够例如在提供文档模型结构DVS的过程中来执行。
在步骤S61中,能够基于已经存在的信息自动地改变或填充文档模型结构DVS的各个输入区DF。为此,例如能够从医学数据集PDS、参考数据集RDS和/或一个或多个用户输入中导出信息,并且输入到文档模型结构DVS的所属的输入区DF中。例如能够将病变的测量值输入到适合于评定病变的文档模型结构DVS中。
步骤S62、S63和S64进行参考评定报告R-MBB中的非结构化信息的自动评估和利用。因此,例如能够对存在于参考数据集RDS中的文本进行分析并且在提供文档模型结构时再次使用。在此,例如能够识别如下文本段落,其专用于参考数据集RDS且不能被传输。这例如能够是患者的测量值或个人数据。同样能够识别更普遍的从而可传输的文本段落。
为此,在步骤S62中能够首先提供语言分析算法,所述语言分析算法构成用于通过评估评定文本以及可选地评估医学数据集PDS来使评定文本适应于医学数据集PDS。在此,在最简单的情况下,适应能够包括从评定文本中删除特定信息或通过占位符替代所述特定信息。在更先进的应用中,适应也能够包括用医学数据集PDS的相对应的特定信息替代参考数据集RDS的特定信息。例如,能够通过如下方式来提供语言分析算法:将语言分析算法作为可运行的计算机代码在后端计算装置20的存储器中保持可用。
语言分析算法尤其能够是计算机语言学算法,所述计算机语言学算法构成用于识别包含自然语言的文本并且(至少部分地)赋予含义。因此,计算机语言学算法例如能够构成用于识别评定文本中的一定关键词或数值,并且在必要时替换所述关键词或数值或给其设置占位符。此外,语言分析算法能够构成用于以类似的方式从医学数据集PDS搜寻相对应的信息,通过所述相对应的信息能够替代所识别的元素。
原则上,从现有技术中已知能够在如此构成的语言识别算法中应用的大量应用和功能。作为示例提及潜在语义分析的方法。
在步骤S63中,于是通过将语言分析算法应用于评定文本来调整评定文本。可选地,在此也能够将医学数据集PDS输入到语言分析算法中。由此获得经调整的评定文本,通过所述经调整的评定文本能够在步骤S64中预填充经辨识的文档模型结构DVS。
图7示出用于提供包括经训练的函数的分析函数AF的计算机实现的方法的一个示例性的设计方案。方法步骤的顺序既不受所示出的次序、也不受所选择的编号限制。因此,必要时能够交换步骤的顺序并且能够删去个别步骤。此外,能够重复执行一个或多个步骤,尤其是一系列步骤,以及可选地重复执行整个方法。
在步骤T10中提供训练输入数据,其中训练输入数据具有至少一个训练数据集和多个训练比较数据集,通过分析函数AF能够将训练数据集与所述多个训练比较数据集进行比较。训练数据集在此优选不包含在训练比较数据集中。可选地,训练输入数据还能够具有用于确定参考数据集的其他信息,例如本文中描述的用户输入、对医学异常的指示或其时间变化过程。
在步骤T20中提供训练输出数据。训练输出数据至少指示训练比较数据集内的与训练数据集具有一定相似性的经验证的参考数据集。经验证的参考数据集在此能够由人类专家说明或以其他方式通过选择规则确定。
在步骤T30中,将分析函数AF应用于训练输入数据,以便产生中间输出数据。中间输出数据在此对应于通过分析函数对至少一个参考数据集的预测。在此,分析函数AF能够已经被预训练,即分析函数AF的一个或多个参数已经通过所描述的训练方法和/或另一训练方法调整。替选地,分析函数AF的一个或多个参数尚不能借助于训练数据调整,尤其地,所述一个或多个参数能够通过恒定值和/或通过随机值预设。
在步骤T40中,将中间输出数据与训练输出数据进行比较,于是在步骤T50中基于比较来调整经训练的函数TF。例如,这能够基于惩罚错误地选择的参考数据集的成本函数来实现。尤其地,为此能够使用外部分类器,所述外部分类器评估中间输出数据与训练输出数据的相似性,并且中间输出数据与训练输出数据越不相似,对分析函数AF的惩罚就越大。如果参考数据集彼此具有的相似结构与稍后待处理的医学数据集的相似结构不同,那么将外部分类器用于确定成本函数尤其是有利的。例如,如果比较数据集VDS基本上包含评定报告R-MBB,而医学数据PDS包括另外的信息,那么能够是这种情况。通过使用外部分类器,能够更简单地产生训练输出数据,并且能够在训练期间给分析函数AF提供更好分辨的反馈,这能够改进训练。
分析函数AF的一个或多个参数于是能够在步骤T50中尤其被调整成,使得成本函数最小化,例如借助于反向传播(英文专业术语是“back propagation”)。为了使成本函数最小化,对由训练输出数据和训练输出数据以及中间输出数据构成的不同的成对的集合执行比较,直至达到成本函数的局部最小值并且分析函数AF以令人满意的方式工作。在步骤T60中,最终提供如此调整的经训练的函数TF。
图8示出用于训练包括一个或多个经训练的函数的分析函数AF的系统200的一个实施方式。所述系统包括处理器210、接口220、工作存储器230、本地存储器240和数据库250。处理器210、接口220、工作存储器230和本地存储器240能够构成为计算机290。处理器210通过执行计算机程序指令来控制计算机290。计算机程序指令能够存储在工作存储器230或本地存储器240中,并且当期望执行计算机程序指令时加载到工作存储器230中。在图7中示出的方法步骤能够通过存储在工作存储器230和/或本地存储器240中的计算机程序指令来限定。
数据库250是存储装置、例如云或本地存储器,所述数据库250用作为用于上文中介绍的训练数据集的档案。数据库250能够经由无线连接或有线连接与计算机290连接。也可行的是,数据库250和计算机290实现为单个仪器。接口220尤其构成用于在计算机290与数据库250之间建立数据连接。
虽然尤其已经参照附图详细地描述了实施例,但应注意的是,多个改型方案是可行的。此外应注意的是,示例性的实施方案仅为示例,其不应以任何方式限制保护范围、应用或构造。更确切地说,通过上文中的描述,为本领域技术人员提供用于实现至少一个实施例的指南,其中能够按照本领域技术人员的期望进行各种改型,尤其所描述的组成部分的功能和/或布置的替选的或附加的特征和/或改型,而在此不与在所附的权利要求中分别规定的主题及其法律上等效方案偏离和/或不脱离其保护范围。
Claims (15)
1.一种计算机实现的用于提供用于在评定待进行评定的患者时创建医学评定报告(MBB)的文档模型结构(DVS)的方法,所述方法具有如下步骤:
-在计算装置(20)中接收(S10)所述待进行评定的患者的医学数据集(PDS),
-在所述计算装置(20)中提供(S20)与所述医学数据集(PDS)不同的多个比较数据集(VDS),其中每个比较数据集(VDS)具有至少一个医学参考评定报告(R-MBB),
-提供(S30)分析函数(AF),所述分析函数(AF)构成用于,对于医学数据集(PDS)从多个比较数据集(VDS)中求取至少一个参考数据集(RDS),
-通过借助于所述计算装置(20)将所述分析函数(AF)应用于所述医学数据集(PDS)和所述比较数据集(VDS)来从所述多个比较数据集(VDS)中求取(S40)至少一个参考数据集(RDS),
-通过所述计算装置(20)基于与所述至少一个参考数据集(RDS)相关联的所述至少一个医学参考评定报告(R-MBB)来辨识(S50)用于所述待进行评定的患者的至少一个文档模型结构(DVS),以及
-通过所述计算装置(20)提供(S60)经辨识的至少一个文档模型结构(DVS),以便为所述待进行评定的患者创建医学评定报告(MBB)。
2.根据权利要求1所述的方法,所述方法还具有如下步骤:
-在所述计算装置(20)中接收(S41)用户的针对所述医学数据集(PDS)的用户输入,其中
-所述分析函数(AF)还构成用于,附加地基于针对所述医学数据集(PDS)的用户输入求取所述参考数据集(RDS),以及
-在求取(S40)步骤中,附加地通过将所述分析函数(AF)应用于所述用户输入来求取所述至少一个参考数据集(RDS)。
3.根据权利要求2所述的方法,其中所述用户输入针对以下输入中的一个或多个输入:
-限定所述医学数据集(PDS)中的感兴趣区域,
-探测所述医学数据集(PDS)中的医学异常,
-创建在所述医学数据集(PDS)中示出的异常的测量值,
-选择分析工具来创建在所述医学数据集(PDS)中示出的异常的测量值,和/或
-设定一个或多个用于在用户界面(10)中显示所述医学数据集(PDS)的再现参数。
4.根据上述权利要求中任一项所述的方法,所述方法还具有如下步骤:
-提供(S42)与所述分析函数(AF)不同的探测函数,所述探测函数构成用于自动化地探测医学数据集(PDS)中的医学异常,并且
-通过所述计算装置(20)将所述探测函数应用(S43)于所述医学数据集(PDS)以探测至少一个医学异常并且提供关于所探测的医学异常的信息,其中
-所述分析函数(AF)还构成用于,附加地基于关于在医学数据集(PDS)中探测的医学异常的信息来求取所述参考数据集(RDS),以及
-在求取(S40)步骤中,附加地通过将所述分析函数(AF)应用于关于所述医学异常的信息来求取所述至少一个参考数据集(RDS)。
5.根据上述权利要求中任一项所述的方法,所述方法还具有如下步骤:
-通过所述计算装置(20)获得(S44)所述医学数据集(PDS)中的医学异常,
-通过所述计算装置(20)基于所述医学数据集(PDS)和/或所述待进行评定的患者的另外的与所述医学数据集(PDS)不同的医学信息来确定(S45)所述医学异常的时间发展,其中
-所述分析函数(AF)还构成用于,附加地基于医学异常的时间发展来求取所述参考数据集(RDS),
-在求取(S40)步骤中,附加地通过将所述分析函数(AF)应用于所述时间发展来求取所述至少一个参考数据集(RDS)。
6.根据上述权利要求中任一项所述的方法,其中
-与所述比较数据集(VDS)相关联的所述参考评定报告(R-MBB)分别基于用于创建医学评定报告的至少一个、尤其标准化的模板组合件,
-辨识(S50)步骤包括:通过所述计算装置(20)基于与所述至少一个参考数据集(RDS)相关联的所述至少一个医学参考评定报告(R-MBB)来辨识至少一个模板组合件,以及
-提供(S50)所述文档模型结构(DVS)的步骤包括提供至少一个经辨识的所述模板组合件作为文档模型结构(DVS)。
7.根据上述权利要求中任一项所述的方法,所述方法还具有如下步骤:
-通过所述计算装置(20)接收(S70)所述用户的针对编辑经辨识的所述文档模型结构(DVS)的用户输入,
-通过所述计算装置(20)基于经辨识的所述文档模型结构(DVS)和针对编辑的所述用户输入来创建医学评定报告(MBB),
-通过所述计算装置提供(S80)所述医学评定报告。
8.根据上述权利要求中任一项所述的方法,其中
-给所述参考评定报告(R-MBB)中的至少一个经辨识的文档模型结构(DVS)填充包含自然语言的评定文本,
所述方法还具有如下步骤:
-提供(S62)语言分析算法,所述语言分析算法构成用于通过评估评定文本和医学数据集(PDS)来使所述评定文本适应于所述医学数据集(PDS),
-通过借助于所述计算装置(20)将所述语言分析算法应用于所述评定文本和所述医学数据集(PDS)来使所述评定文本适应(S63)于所述医学数据集(PDS),
-通过所述计算装置(20)用经适应的评定文本预填充(S64)经辨识的文档模型结构(DVS),其中
-在提供(S60)步骤中,提供预填充的文档模型结构(DVS)。
9.根据上述权利要求中任一项所述的方法,其中
-所述分析函数(AF)构成用于计算医学数据集(PDS)与比较数据集(VDS)之间的相似性量度(AE),所述相似性量度(AE)说明所述医学数据集(PDS)与所述比较数据集(VDS)之间的相似性,并且
-求取(S40)所述至少一个参考数据集(RDS)的步骤包括:通过将所述分析函数(AF)应用于所述医学数据集(PDS)和所述比较数据集(VDS)来分别计算用于所述比较数据集(VDS)的相似性量度(AE),以及
-基于所确定的相似性量度(AE)从所述比较数据集(VDS)中求取所述参考数据集(RDS)。
10.根据权利要求9所述的方法,其中
-所述分析函数(AF)构成用于,
-从医学数据集(PDS)中提取数据描述符和/或从比较数据集(VDS)中提取相对应的数据描述符,所述数据描述符和/或所述相对应的数据描述符说明所基于的所述医学数据集(PDS)和/或比较数据集(VDS)的对于求取参考数据集重要的特性,以及
-基于医学数据集(PDS)的数据描述符和比较数据集(VDS)的数据描述符来计算所述医学数据集(PDS)与所述比较数据集(VDS)之间的相似性量度(AE),尤其通过将所述医学数据集(PDS)的数据描述符和所述比较数据集(VDS)的数据描述符输入到相似性度量中的方式,
-计算用于比较数据集(VDS)的相似性量度(AE)包括:
-尤其通过将所述分析函数(AF)应用于所述医学数据集来从所述医学数据集(PDS)中获得(S40-A)数据描述符,
-尤其通过将所述分析函数(AF)应用于所述比较数据集(VDS)来获得(S40-B)用于所述一个比较数据集(VDS)的相对应的数据描述符,以及
-通过将所述分析函数(AF)应用于所述数据描述符和相应的所述相对应的数据描述符,基于所述数据描述符和相应的所述相对应的数据描述符来计算(S40-C)用于比较数据集(VDS)的所述相似性量度(AE)。
11.根据上述权利要求中任一项所述的方法,其中所述分析函数(AF)包括经训练的函数。
12.根据上述权利要求中任一项所述的方法,其中
-在辨识(S50)至少一个文档模型结构(DVS)的步骤中,辨识多个文档模型结构(DVS)以通过所述用户进行选择,
-在提供(S60)步骤中,经由用户界面(10)将多个经辨识的所述文档模型结构(DVS)提供给所述用户,
所述方法还具有如下步骤:
-经由所述用户界面(10)接收(S80)所述用户的针对选择至少一个文档模型结构(DVS)的用户输入,其中
-在提供(S60)步骤中,在所述用户界面(10)中提供通过针对选择所述至少一个文档模型结构(DVS)的所述用户输入所选择的所述至少一个文档模型结构(DVS),以通过所述用户进行进一步处理。
13.一种用于提供用于在评定待进行评定的患者时创建医学评定报告(MBB)的文档模型结构(DVS)的系统(1),其中
-所述系统(1)具有计算装置(20)和接口(26),
-所述接口(26)构成用于接收所述待进行评定的患者的医学数据集(PDS)并且提供与所述医学数据集(PDS)不同的多个比较数据集(VDS),其中每个比较数据集(VDS)具有至少一个医学参考评定报告(R-MBB),并且
-所述计算装置(20)构成用于:
-主管分析函数(AF),所述分析函数(AF)构成用于,对于医学数据集从多个比较数据集(VDS)中求取至少一个所述参考数据集(RDS),
-通过将所述分析函数(AF)应用于所述医学数据集(PDS)和所述比较数据集(VDS)从所述多个比较数据集(VDS)中求取至少一个参考数据集(RDS),
-基于与所述至少一个参考数据集(RDS)相关联的所述至少一个医学参考评定报告(R-MBB)来辨识用于所述待进行评定的患者的至少一个文档模型结构(DVS),以及
-经由所述接口(26)提供经辨识的至少一个文档模型结构(DVS)。
14.一种计算机程序产品,所述计算机程序产品包括程序并且能够直接加载到可编程的计算装置(20)的存储器中,所述计算机程序产品具有程序模块,以便当在所述计算装置(20)中运行所述程序时,执行根据权利要求1至12所述的方法。
15.一种计算机可读的存储介质,在所述存储介质上存储有可读的和可执行的程序段,以便当由计算装置(20)运行所述程序段时,执行根据权利要求1至12中任一项所述的方法的所有步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022211036.6 | 2022-10-18 | ||
DE102022211036.6A DE102022211036A1 (de) | 2022-10-18 | 2022-10-18 | Verfahren und System zur Bereitstellung einer Dokumentenvorlagestruktur zur Erstellung eines medizinischen Befundsberichts |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117912626A true CN117912626A (zh) | 2024-04-19 |
Family
ID=90469718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311341615.6A Pending CN117912626A (zh) | 2022-10-18 | 2023-10-17 | 提供用于创建医学评定报告的文档模型结构的方法和系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240127917A1 (zh) |
CN (1) | CN117912626A (zh) |
DE (1) | DE102022211036A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8331636B2 (en) | 2007-09-11 | 2012-12-11 | Siemens Medical Solutions Usa, Inc. | Automatic calibration of computer aided diagnosis based on retrospective examination |
US7876943B2 (en) | 2007-10-03 | 2011-01-25 | Siemens Medical Solutions Usa, Inc. | System and method for lesion detection using locally adjustable priors |
US20160321427A1 (en) | 2015-04-28 | 2016-11-03 | Siemens Medical Solutions Usa, Inc. | Patient-Specific Therapy Planning Support Using Patient Matching |
US11532386B2 (en) | 2019-03-20 | 2022-12-20 | International Business Machines Corporation | Generating and customizing summarized notes |
US11791044B2 (en) | 2019-09-06 | 2023-10-17 | RedNova Innovations, Inc. | System for generating medical reports for imaging studies |
EP4016543A1 (de) | 2020-12-15 | 2022-06-22 | Siemens Healthcare GmbH | Verfahren und vorrichtung zur bereitstellung einer medizinischen information |
-
2022
- 2022-10-18 DE DE102022211036.6A patent/DE102022211036A1/de active Pending
-
2023
- 2023-10-17 CN CN202311341615.6A patent/CN117912626A/zh active Pending
- 2023-10-17 US US18/488,490 patent/US20240127917A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102022211036A1 (de) | 2024-04-18 |
US20240127917A1 (en) | 2024-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11069056B2 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
US20190220978A1 (en) | Method for integrating image analysis, longitudinal tracking of a region of interest and updating of a knowledge representation | |
JP5952835B2 (ja) | 撮像プロトコルの更新及び/又はリコメンダ | |
US8953858B2 (en) | Methods and systems for analyzing, prioritizing, visualizing, and reporting medical images | |
JP6014059B2 (ja) | 医療データの知的リンキング方法及びシステム | |
US10733727B2 (en) | Application of deep learning for medical imaging evaluation | |
US11430119B2 (en) | Spatial distribution of pathological image patterns in 3D image data | |
US20210319879A1 (en) | Method and system for computer aided detection of abnormalities in image data | |
JP6796060B2 (ja) | 画像レポート注釈同定 | |
US11893729B2 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
US11037659B2 (en) | Data-enriched electronic healthcare guidelines for analytics, visualization or clinical decision support | |
US20220366151A1 (en) | Document creation support apparatus, method, and program | |
US20220262471A1 (en) | Document creation support apparatus, method, and program | |
CN111226287A (zh) | 用于分析医学成像数据集的方法、用于分析医学成像数据集的系统、计算机程序产品以及计算机可读介质 | |
Abler et al. | QuantImage v2: a comprehensive and integrated physician-centered cloud platform for radiomics and machine learning research | |
JP7007469B2 (ja) | 医療文書作成支援装置、方法およびプログラム、学習済みモデル、並びに学習装置、方法およびプログラム | |
WO2020099941A1 (en) | Application of deep learning for medical imaging evaluation | |
EP3965117A1 (en) | Multi-modal computer-aided diagnosis systems and methods for prostate cancer | |
CN117912626A (zh) | 提供用于创建医学评定报告的文档模型结构的方法和系统 | |
US20240087697A1 (en) | Methods and systems for providing a template data structure for a medical report | |
Lehmann et al. | Strategies to configure image analysis algorithms for clinical usage | |
US20230070906A1 (en) | Information processing apparatus, method, and program | |
US20240070860A1 (en) | Methods and systems for identifying a candidate medical finding in a medical image and providing the candidate medical finding | |
US20220391599A1 (en) | Information saving apparatus, method, and program and analysis record generation apparatus, method, and program | |
US20220414883A1 (en) | Methods and systems for identifying slices in medical image data sets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |