DE102021119035A1 - Computerimplementiertes Verfahren, Diagnoseunterstützungssystem sowie computerlesbares Speichermedium - Google Patents

Computerimplementiertes Verfahren, Diagnoseunterstützungssystem sowie computerlesbares Speichermedium Download PDF

Info

Publication number
DE102021119035A1
DE102021119035A1 DE102021119035.5A DE102021119035A DE102021119035A1 DE 102021119035 A1 DE102021119035 A1 DE 102021119035A1 DE 102021119035 A DE102021119035 A DE 102021119035A DE 102021119035 A1 DE102021119035 A1 DE 102021119035A1
Authority
DE
Germany
Prior art keywords
computer
patient data
implemented method
data
artificial intelligence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102021119035.5A
Other languages
English (en)
Inventor
gleich Anmelder Erfinder
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to DE102021119035.5A priority Critical patent/DE102021119035A1/de
Publication of DE102021119035A1 publication Critical patent/DE102021119035A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70ICT 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
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00ICT specially adapted for the handling or processing of medical images
    • G16H30/40ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Landscapes

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

Abstract

Die vorliegende Erfindung betrifft ein computerimplementiertes Verfahren zur Unterstützung bei einer medizinischen Diagnose, wobei eine Vielzahl von Patientendaten eines Patienten einer Vorverarbeitung unterzogen wird, die vorverarbeiteten Patientendaten als Eingangswerte einer trainierten künstlichen Intelligenz übergeben werden, und die trainierte künstliche Intelligenz als Ausgangswerte Wahrscheinlichkeiten für das mögliche Vorliegen spezifischer Erkrankungen des Patienten ausgibt. Es wird vorgeschlagen, dass die der trainierten künstlichen Intelligenz übergebenen vorverarbeiteten Patientendaten krankheitsunspezifische Patientendaten umfassen und die trainierte künstliche Intelligenz zur Erkennung einer Mehrzahl von Erkrankungen trainiert ist. Die Erfindung betrifft außerdem ein Diagnoseunterstützungssystem (14) mit einer Recheneinheit (15) und ein computerlesbares Speichermedium (21) zur Ausführung des Verfahrens.

Description

  • Die vorliegende Erfindung betrifft ein computerimplementiertes Verfahren zur Unterstützung bei einer medizinischen Diagnose, wobei eine Vielzahl von Patientendaten eines Patienten einer Vorverarbeitung unterzogen wird, die vorverarbeiteten Patientendaten als Eingangswerte einer trainierten künstlichen Intelligenz übergeben werden, und die trainierte künstliche Intelligenz als Ausgangswerte Wahrscheinlichkeiten für das mögliche Vorliegen spezifischer Erkrankungen des Patienten ausgibt. Die Erfindung betrifft außerdem ein Diagnoseunterstützungssystem mit einer Recheneinheit und ein computerlesbares Speichermedium.
  • Die Diagnose medizinischer Befunde beruht heute weitgehend noch auf der analogen Interpretation beispielsweise von Laborwerten, Patientenmessungen, klinischen Symptomen und/oder bildgebenden Untersuchungsverfahren durch den behandelnden Arzt. Während die Menge der erhobenen Daten je Patient stetig steigt, erfolgt die Diagnosestellung weitgehend durch den Vergleich einzelner Werte mit in der Literatur beschriebenen Auffälligkeiten bei bestimmten Krankheiten. Hierbei erfolgt die Beurteilung einzelner Werte meist qualitativ in Abhängigkeit empirisch ermittelter Normbereiche. Die Werte werden unterteilt in Werten, die innerhalb eines Normbereichs liegen und Werte, die außerhalb des Normbereichs liegen. Eine Differenzierung über die absoluten Beträge der Messwerte erfolgt nur eingeschränkt bis gar nicht. Dies bedeutet konkret, dass zur eigentlichen Diagnosestellung nur ein kleiner Anteil der zur Verfügung stehenden Daten herangezogen wird. Wechselwirkungen und komplexere Zusammenhänge, die die vorliegenden Messwerte untereinander beeinflussen, spielen dabei eine untergeordnete Rolle und werden oft vernachlässigt.
  • Das Wissen der Medizin ist, ähnlich anderer Wissenschaften, über die letzten Jahrzehnte derart massiv gewachsen, dass es auch von der Fachrichtung und der individuellen Erfahrung des diagnostizierenden Arztes abhängt, welchen ausgesuchten Werten er die führende Bedeutung bemisst. Als Resultat ergibt sich daher trotz Vorliegen einer großen Datenmenge die Gefahr, dass insbesondere seltenere Erkrankungen oder komplexere Erkrankungen, die über Fachgebietsgrenzen hinausgehen, übersehen oder zu spät erkannt werden.
  • Zur Auswertung großer Datenmengen werden seit einigen Jahrzehnten Methoden der Mustererkennung oder der künstlichen Intelligenz verwendet. Computerimplementierte künstliche Intelligenz ist in der Lage, aus Datensätzen von Mustern bzw. Datenmustern und bereits bekannten Interpretationen der Muster Erkennungsalgorithmen für unbekannte Muster zu schaffen. Das Zuführen von Datensätzen aus Mustern und Interpretationen wird auch als Training der künstlichen Intelligenz bezeichnet. Es ähnelt im weitesten Sinne einem Lernprozess von biologischen Intelligenzen. Im Bereich der Medizintechnik ist die Anwendung künstlicher Intelligenz zur Datenauswertung bekannt. Derartige Methoden werden beispielsweise bei der Auswertung von bildgebenden Untersuchungsmethoden bereits erfolgreich eingesetzt.
  • Auch für die allgemeine Diagnose bzw. Diagnoseunterstützung ist beispielsweise aus der WO 97/05553 A1 der Einsatz eines künstlichen neuronalen Netzes zur Auswertung von Patientendaten in Bezug auf das Vorliegen möglicher Erkrankungen bekannt. In dem dort beschriebenen Verfahren werden krankheitsspezifische Biomarker einem trainierten neuronalen Netz übergeben, das hierdurch das Vorhandensein einer bestimmten Krankheit ermitteln kann. Nachteilig hierbei ist die Vorauswahl der Biomarker, die anhand empirischer Zuordnungen zu einer bestimmten Krankheit vorgenommen wird. Außerdem ist das trainierte neuronale Netz nur zum Erkennen einer einzigen Krankheit ausgebildet. Hierdurch werden einerseits möglicherweise wichtige Biomarker bzw. Patientendaten von der Auswertung ausgeschlossen und andererseits sind die Möglichkeiten einer Diagnoseunterstützung des beschriebenen neuronalen Netzes stark begrenzt.
  • Aufgabe der vorliegenden Erfindung ist es somit, die Möglichkeiten einer Diagnoseunterstützung durch eine künstliche Intelligenz zu verbessern.
  • Die Aufgabe wird gelöst durch ein computerimplementiertes Verfahren, ein Diagnoseunterstützungssystem und ein computerlesbares Medium mit den Merkmalen der unabhängigen Patentansprüche.
  • Bei dem erfindungsgegenständlichen computerimplementierten Verfahren zur Unterstützung bei einer medizinischen Diagnose wird eine Vielzahl von Patientendaten eines Patienten einer Vorverarbeitung unterzogen. Die vorverarbeiteten Patientendaten werden als Eingangswerte einer trainierten künstlichen Intelligenz übergeben. Die trainierte künstliche Intelligenz gibt als Ausgangswerte Wahrscheinlichkeiten für das mögliche Vorliegen spezifischer Erkrankungen des Patienten aus. Erfindungsgemäß wird vorgeschlagen, dass die der trainierten künstlichen Intelligenz übergebenen vorverarbeiteten Patientendaten krankheitsunspezifische Patientendaten umfassen und die trainierte künstliche Intelligenz zur Erkennung einer Merhrzahl von Erkrankungen trainiert ist.
  • Die Verwendung von krankheitsunspezifischen Patientendaten vermeidet das Ausschließen möglicherweise wichtiger Daten im Vorfeld der Auswertung mit der künstlichen Intelligenz. So können beispielsweise für eine spezifische Krankheit auch die nach üblicher Lehre nicht relevanten Daten positive Auswirkungen für das Erkennen der Krankheit aufweisen. Auch können Korrelationen zwischen verschiedenen Daten, die durch eine menschliche Auswertung kaum zu erkennen sind, eventuell für eine Diagnose einer Erkrankung wichtig sein. Derartige Korrelationen fließen in das Training der künstlichen Intelligenz ein und können damit zur Diagnoseunterstützung beitragen. Beispielsweise kann nur eine gemeinsame Veränderung bestimmter Werte des Patienten auf das Vorliegen einer Krankheit hindeuten. Ebenso werden etwaige in der medizinischen Praxis etablierte Fehlschlüsse, was den Zusammenhang zwischen bestimmten Patientendaten und bestimmten Krankheiten betrifft, ausgeschlossen.
  • Durch das Trainieren der künstlichen Intelligenz zur Erkennung einer Mehrzahl von Erkrankungen kann der Einsatzbereich der künstlichen Intelligenz zur diagnostischen Unterstützung stark erweitert werden. Selbstverständlich ist es wünschenswert die künstliche Intelligenz für das Erkennen möglichst vieler Krankheiten bzw. Krankheitstypen vorzusehen. Aufgrund der erforderlichen Datenmengen und Rechenkapazitäten ist es aber denkbar, eine spezifische künstliche Intelligenz beispielsweise für eine bestimmte Gruppe von Erkrankungen vorzusehen. Denkbar ist beispielsweise eine Einteilung wie sie bei Fachärzten vorliegt. Ein Beispiel hierfür ist eine künstliche Intelligenz, die auf Kardiologie, also auf Erkrankungen des Herzens, trainiert ist. Ein Satz von Patientendaten eines Patienten kann in diesem Falle beispielsweise durch mehrere künstliche Intelligenzen verarbeitet werden, die jeweils auf eine bestimmte Gruppe von Erkrankungen trainiert sind. Auf diese Weise ist eine Hilfestellung bei einer umfangreichen Diagnostik des Patienten durch das Verfahren möglich.
  • Die Erhebung der Patientendaten ist nicht Teil des erfindungsgemäßen Verfahrens. Diese Daten können insbesondere auf übliche Weise durch medizinisch geschultes Personal erhoben werden und sind beispielsweise Bestandteil einer digitalen Patientenakte. Auch ist es denkbar, medizinische Patientendaten aus analogen Patientenakten für das Verfahren zu digitalisieren.
  • Diese Digitalisierung kann beispielsweise Teil der Vorverarbeitung der Patientendaten sein. Auch ist das Stellen der letztendlichen Diagnose für den Patienten nicht Teil des erfindungsgemäßen Verfahrens. Die Diagnose muss durch medizinisch geschultes Personal, insbesondere einen Arzt, eventuell unter Zuhilfenahme der Ergebnisse des erfindungsgemäßen Verfahrens, gestellt werden.
  • Das Verfahren wird als Computerprogramm implementiert, wobei die Patientendaten insbesondere durch digitalisierte Zahlenwerte repräsentiert werden. Eingangswerte und Ausgangswerte der künstlichen Intelligenz werden beispielsweise in Datenbanken abgelegt. Auch können Trainingsdaten beispielsweise künstlicher Neuronen der künstlichen Intelligenz, die durch das Training entstanden sind, in Form einer Datenbank vorliegen. Die Patientendaten, der Programmcode der künstlichen Intelligenz, Trainingsdaten der künstlichen Intelligenz sowie von der künstlichen Intelligenz erstellten Ausgabewerte können lokal auf einem Computer oder Datenträger vorliegen oder beispielsweise über das Internet übertragen werden. Die künstliche Intelligenz kann beispielsweise zentral auf einem Webserver zur Verfügung gestellt werden. Dieser hat den zusätzlichen Vorteil, dass die künstliche Intelligenz immer weiter trainiert werden kann, und somit eine Zuordnungsgenauigkeit immer weiter verbessert werden kann.
  • Die Patientendaten, die als Eingangswerte für die künstliche Intelligenz verwendet werden, können beispielsweise im Rahmen ärztlicher Untersuchungen gewonnen werden. Es ist aber ebenfalls denkbar, dass die Daten mittels Biosensoren insbesondere in Alltagsgegenständen gewonnen werden. Derartige Alltagsgegenstände mit Biosensoren können beispielsweise Mobiltelefone, insbesondere Smartphones, Smartwatches, Kleidungsstücke, AR-Brillen oder allgemein als „wearables“ bezeichnete Gegenstände sein. Ebenfalls können sich mit Biosensoren ausgerüstete Möbel oder Automobile für eine derartige Datenerhebung eignen. Die Biosensoren sind in diesen Fällen beispielsweise ausgebildet, elektrische, chemische, optische und/oder akustische Daten eines potenziellen Patienten aufzunehmen und in einem dezentralen oder zentralen Speicher abzulegen.
  • Wie bereits beschrieben, kann die Vorverarbeitung der Patientendaten eine Digitalisierung sowie eine Bereinigung, Einteilung, Skalierung und/oder Zusammenfassung umfassen. Auch muss sichergestellt werden, dass Patientendaten, die mit Einheiten versehen sind, in der gleichen physikalischen Einheit verarbeitet werden, insbesondere in derselben Größenordnung.
  • In diesem Zusammenhang ist es vorteilhaft, wenn die Vorverarbeitung eine Einteilung der Patientendaten in Abhängigkeit von vorgegebenen Normbereichen umfasst. Dies führt zu einer Vereinfachung der Auswertung durch die künstliche Intelligenz, da den Daten bereits vor der Auswertung ein zusätzlicher Bedeutungsgehalt, insbesondere basierend auf medizinischen Erfahrungswerten, verliehen wird. Die Normbereiche können beispielsweise abhängig einer Zugehörigkeit des Patienten zu einer bestimmten Gruppe gewählt werden. So können die Normbereiche insbesondere abhängig vom Geschlecht, vom Alter oder von einer ethnischen Zugehörigkeit des Patienten gewählt werden. Die Normbereiche können einer medizinischen Datenbank oder beispielsweise medizinischen Lehrbüchern entnommen werden. Eventuell können auch Normbereiche bei der Vorbereitung des Trainings der künstlichen Intelligenz erkannt und festgelegt werden. In der diagnostischen Praxis wird in der Regel nur evaluiert, ob ein gewisser Wert innerhalb oder außerhalb eines Normbereichs liegt.
  • Deshalb ist es von Vorteil, wenn die Patientendaten in mehrere Datensätze, insbesondere einen ersten Datensatz, der die Patientendaten enthält, die unterhalb eines Normbereichs liegen, einen zweiten Datensatz, der die Patientendaten enthält, die innerhalb eines Normbereichs liegen, und/oder einen dritten Datensatz, der die Patientendaten enthält, die oberhalb eines Normbereichs liegen, eingeteilt werden. Im Gegensatz zur üblichen Einteilung von innerhalb bzw. außerhalb eines Normbereichs wird hierbei eine feinere Einteilung vorgenommen. Eventuell können die drei Datensätze in weiteren Vorverarbeitungsschritten unabhängig voneinander vorverarbeitet werden. Entsprechend können die drei Datensätze ebenfalls vorzugsweise im selben Format unabhängig voneinander gespeichert bzw. zwischengespeichert werden.
  • Ebenso bringt es Vorteile mit sich, wenn den Datensätzen für eine digitale Bildverarbeitung unterschiedliche Farben, insbesondere eines RGB-Farbraums, zugeordnet werden, wobei vorzugsweise dem ersten Datensatz eine erste Farbe, insbesondere die Farbe Blau, dem zweiten Datensatz eine zweite Farbe, insbesondere die Farbe Grün, und dem dritten Datensatz eine dritte Farbe, insbesondere die Farbe Rot zugeordnet wird. Zum einen kann auf diese Weise ein Bediener bzw. ein Benutzer des Verfahrens leichter zwischen den Datensätzen unterschieden werden. Hierzu ist insbesondere auch die Darstellung der Datensätze in den unterschiedlichen Farben beispielsweise in einer entsprechenden Bedienoberfläche vorteilhaft. Andererseits ist in dieser Darstellung auch die Zuordnung von bestimmten Daten zu einem der Datensätze leichter erkennbar. Andererseits lassen sich die Datensätze in weiteren Verarbeitungsschritten in vorteilhafter Weise weiterverarbeiten. Mithilfe des RGB-Farbraums lässt sich eine große Bandbreite von Farben des sichtbaren Spektrums darstellen, bzw. digital kodieren. Jedem Punkt eines digitalen Bildes wird eine Intensität der Farbe Rot, Grün und Blau zugeordnet. Aus der Mischung dieser drei Farben entstehen alle anderen Farben.
  • Vorteilhaft ist es zudem, wenn die Vorverarbeitung eine Skalierung oder Reskalierung der Patientendaten umfasst. Die Skalierung oder Reskalierung der Patientendaten gewährleistet vor allem eine Vergleichbarkeit unter verschiedenen Patienten bzw. unter verschiedenen Datensätzen. In diesem Fall muss die bestimmte Skalierung oder Reskalierung der Patientendaten mit einer Skalierung der Trainingsdatensätze der künstlichen Intelligenz übereinstimmen, um zu reproduzierbaren Ergebnissen zu gelangen. Vorzugsweise weisen die einander entsprechenden Werte von Patientendaten verschiedener Patienten dieselbe Skalierung auf. Ebenso ist es denkbar, dass alle Werte der Patientendaten dieselbe Skalierung aufweisen. Vorzugsweise findet die Skalierung bzw. Reskalierung der Patientendaten erst nach einer eventuellen Einteilung der Patientendaten in den ersten, zweiten und dritten Datensatz statt.
  • In diesem Zusammenhang ist es vorteilhaft, wenn die Patientendaten in einen Zahlenbereich von 0-255 skaliert oder reskaliert werden. Diese Skalierung entspricht einer üblichen Skalierung eines RGB-codierten digitalen Bildes, wobei jeder Pixel des Bildes jeweils einen Rotwert, Grünwert und Blauwert im Bereich von 0 bis 255 aufweist. Es lassen sich hierdurch Synergien aus etablierten Methoden der digitalen Bildverarbeitung gewinnen. Werte aus den Patientendaten, deren möglicher Wertebereich weit größer oder weit kleiner als dieser Zahlenbereich ist, müssen eventuell interpoliert werden. Eine Interpolation kann mit üblichen mathematischen Methoden durchgeführt werden.
  • Vorteilhaft ist es, wenn aus den Datensätzen, insbesondere dem ersten, zweiten und dritten Datensatz ein vorzugsweise RGB-codiertes digitales Bild generiert wird. Das auf diese Weise generierte Bild stellt in einfacher und kompakter Weise umfassende Informationen über die Gesundheit eines Patienten dar. Das Bild kann leicht gespeichert, übertragen und eventuell mit Bildern anderer Patienten verglichen werden. Auf das Bild können etablierte Methoden der digitalen Bildverarbeitung angewendet werden. Auch kann das Bild auf einfache Weise digital gespeichert oder in analoger Weise gelagert werden. Eine Umwandlung von digital zu analog und umgekehrt ist beispielsweise durch Ausdrucken und Einscannen in einfacher Weise möglich. Es ist ebenfalls denkbar, das Bild um weitere nicht medizinische Daten zu erweitern, beispielsweise um Namen, Adressen, Versichertennummer und/oder Geburtsdaten. Diese Daten können dem Bild beispielsweise in Form eines QR-Codes oder Strichcodes beigefügt oder in das Bild integriert werden.
  • Vorteilhaft ist es zudem, wenn ein Pixel des digitalen Bilds einem bestimmten Wert der Patientendaten entspricht. Hierbei entspricht insbesondere ein Datensatz dem Rotwert aller Pixel, ein Datensatz dem Grünwert aller Pixel und ein Datensatz dem Blauwert aller Pixel. In diesem Fall hat jeder Pixel genau eine bestimmte Farbe mit einer Intensität, die dem eskalierten Zahlenwert des Wertes aus den Patientendaten entspricht. Es ist ebenfalls denkbar, eine bestimmte Anzahl an benachbarten Pixeln zu einem gemeinsamen Farbton zusammenzufügen. Auf diese Weise steigt die Komplexität der entstehenden Farbmuster.
  • Besonders vorteilhaft ist es, wenn das digitale Bild zur Auswertung an die trainierte künstliche Intelligenz übergeben wird. Hierdurch führt die trainierte künstliche Intelligenz im Grunde eine Bilderkennung durch. Das digitale Bild ist aufgrund der bereits beschriebenen Vereinheitlichungen für die künstliche Intelligenz leicht zu verarbeiten. Optimierungen für die Mustererkennung durch künstliche Intelligenzen, die bisher nur bei der Bildverarbeitung angewendet werden konnten, können somit ebenfalls auf Patientendaten und die Diagnoseunterstützung angewendet werden. Das Bild kann unabhängig von den ursprünglichen Patientendaten verarbeitet werden. Insbesondere kann es beispielsweise auch nur analog als Ausdruck vorliegen, der zum Zwecke der Verarbeitung durch die künstliche Intelligenz eingescannt wird. Hierdurch kann ebenfalls in einfacher Weise eine Anonymisierung der Patientendaten gewährleistet werden, falls dies gewünscht ist. Ein menschlicher Bediener kann beispielsweise aus dem Bild keinerlei Informationen ziehen. Für die künstliche Intelligenz bietet das Bild mindestens so viel Informationsgehalt wie die ursprünglichen Patientendaten vor der Vorverarbeitung.
  • Ebenso bringt es Vorteile mit sich, wenn die trainierte künstliche Intelligenz mit einer Vielzahl von Datensätzen aus Patientendaten und von Ärzten gestellten Diagnosen von Erkrankungen trainiert ist, wobei die Patientendaten hierzu einer Vorverarbeitung gemäß einem der vorangegangenen Ansprüche unterzogen sind. Für den Erkennungserfolg der künstlichen Intelligenz ist es wünschenswert, ein Training mit möglichst vielen Datensätzen durchzuführen. Erwartungsgemäß steigt die Erkennungsleistung der künstlichen Intelligenz mit der Anzahl an Datensätzen, die für das Training verwendet werden.
  • Die Datensätze aus Patientendaten und Diagnosen entstammen vorzugsweise medizinischen Datenbanken, die von medizinischen Institutionen erstellt und gepflegt werden. Hierdurch wird die benötigte medizinische Kompetenz zur Stellung der Diagnosen sichergestellt. Ein Training der künstlichen Intelligenz kann beispielsweise in regelmäßigen Abständen insbesondere mit aktualisierten Datensätzen wiederholt werden. Die Datensätze stammen vorzugsweise von einer Vielzahl von Patienten mit unterschiedlichem medizinischen Hintergrund sowie unterschiedlichen Altersstufen, sowie unterschiedlicher Herkunft. Es ist allerdings denkbar, die künstliche Intelligenz für ein spezifisches Geschlecht und/oder eine spezifische Altersgruppe zu trainieren. Insbesondere ist es aufgrund der besonderen medizinischen Voraussetzungen denkbar, eine künstliche Intelligenz speziell für Kinder zu trainieren. Das Training der künstlichen Intelligenz kann mittels üblicher hierzu entwickelter Algorithmen, wie insbesondere eines Backpropagation Algorithmus, durchgeführt werden.
  • Vorteilhaft ist es, wenn die trainierte künstliche Intelligenz ein künstliches neuronales Netz, insbesondere ein für Bilderkennung optimiertes künstliches neuronales Netz, ist. Künstliche neuronale Netze sind gut erforscht und besonders für die Mustererkennung in computerimplementierten Verfahren geeignet. Aufgrund der zuvor beschriebenen Umwandlung der Patientendaten in ein digitales Bild kann ein für die Bilderkennung optimiertes künstliches neuronales Netz verwendet werden. Eventuelle Entwicklungen und Optimierungen, die bisher nur bei Bilderkennungsverfahren zum Einsatz kamen, können hierdurch auch für die allgemeine medizinische Diagnoseunterstützung angewendet werden. Ein künstliches neuronales Netz zeichnet sich durch künstliche Neuronen aus, die den Neuronen biologischer neuronaler Netze nachempfunden sind. Bei den künstlichen Neuronen werden Gewichtungen, die in eine Übertragungsfunktion der künstlichen Neuronen einfließen, durch das Training des künstlichen neuronalen Netzes festgelegt. Es ist üblich, künstliche neuronale Netze aus mehreren Schichten von künstlichen Neuronen aufzubauen. Alle Funktionen des künstlichen neuronalen Netzes bzw. der künstlichen Intelligenz werden bei dem vorliegenden Verfahren vorzugsweise in Form eines ausführbaren Programms auf einem bekannten Computersystem ausgeführt.
  • Auch ist es von Vorteil, wenn die trainierte künstliche Intelligenz einen Bildverarbeitungsalgorithmus umfasst. Die Bildverarbeitung ist mittlerweile eine klassische Anwendung der künstlichen Intelligenz. Hierdurch lassen sich für die Diagnoseunterstützung Synergien gewinnen. Es können etablierte Methoden der Bilderkennung bzw. hierauf optimierte künstliche Intelligenzen angewendet werden. Der Bildverarbeitungsalgorithmus kann Funktionen zum Erfassen, Aufbereiten und gegebenenfalls Umwandeln von Bilddateien umfassen.
  • Vorteilhaft ist es zudem, wenn die Patientendaten Blutwerte, insbesondere Enzymwerte, Elektrolytwerte, Ferritwerte, Vitaminwerte und/oder Hormonwerte, sowie Patientenalter, Blutdruck, und/oder Körpertemperatur umfassen. Die aufgezählten Patientendaten gehören heute zu den üblicherweise erfassbaren und auch in der medizinischen Praxis erfassten Patientendaten. Allen diesen Daten lässt sich ein Zahlenwert zuordnen, der in einfacher Weise skalierbar bzw. reskalierbar ist. Viele weitere Patientendaten sind denkbar, beispielsweise genetische Informationen. Das erfindungsgemäße Verfahren ist bei fortschreitender wissenschaftlicher Erkenntnis ohne Probleme erweiterbar. Eine derartige Erweiterung kann beispielsweise nach der Entwicklung neuartiger diagnostischer Verfahren, die entsprechende Patientendaten erzeugen, durchgeführt werden.
  • Des Weiteren wird ein Diagnoseunterstützungssystem vorgeschlagen, das eine Recheneinheit umfasst, die ausgebildet ist, ein computerimplementiertes Verfahren gemäß der vorangegangenen Beschreibung auszuführen. Das Diagnoseunterstützungssystem dient der Unterstützung von medizinischem Personal, insbesondere von Ärzten, bei der Diagnose von Erkrankungen eines Patienten. Durch die Ausführung des erfindungsgemäßen Verfahrens auf dem Diagnoseunterstützungssystem ergeben sich die bereits beschriebenen Vorteile. Insbesondere bietet das Diagnoseunterstützungssystem im Vergleich zum Stand der Technik erweiterte Diagnosemöglichkeiten durch den effizienten Einsatz künstlicher Intelligenz. Die Verfahrensmerkmale können hierbei einzeln oder in beliebiger Kombination Anwendung finden.
  • Neben der Recheneinheit kann das Diagnoseunterstützungssystem beispielsweise eine Leseeinrichtung für computerlesbare Medien, ein Netzwerkmodul beispielsweise zur Verbindung mit dem Internet, Eingabevorrichtungen und/oder wenigstens eine Ausgabevorrichtung zur Ausgabe der Ausgangswerte der künstlichen Intelligenz aufweisen. Ebenfalls kann das Diagnoseunterstützungssystem einen Scanner für das Einlesen von nach dem oben beschriebenen Verfahren aus Patientendaten erstellten Bildern umfassen. Die Recheneinheit kann beispielsweise speziell für das Ausführen von Funktionen künstlicher Intelligenz ausgebildet sein. Hierzu weist die Recheneinheit beispielsweise eine Vielzahl parallel arbeitender Prozessoren auf. Auch kann der physische Aufbau der Recheneinheit beispielsweise dem konzeptuellen Aufbau eines künstlichen neuronalen Netzes entsprechen. Hier kann beispielsweise eine Prozessoreinheit der Recheneinheit einem künstlichen Neuron entsprechen. Das Diagnoseunterstützungssystem kann mit einem Webserver verbunden sein, der einen Programmcode der künstlichen Intelligenz aus dem zuvor beschriebenen Verfahren enthält.
  • Ebenfalls wird ein computerlesbares Speichermedium vorgeschlagen, das Anweisungen für eine Recheneinheit zur Ausführung eines computerimplementierten Verfahrens gemäß der vorangegangenen Beschreibung umfasst.
  • Somit werden die beschriebenen Vorteile des erfindungsgemäßen computerimplementierten Verfahrens auch durch den bestimmungsgemäßen Gebrauch des computerlesbaren Speichermediums verwirklicht. Die beschriebenen Verfahrensmerkmale können hierbei einzeln oder in beliebiger Kombination in den Anweisungen enthalten sein. Insbesondere kann das computerlesbare Speichermedium in Verbindung mit dem Diagnoseunterstützungssystem verwendet werden, um das erfindungsgemäße Verfahren auszuführen. Das computerlesbare Speichermedium kann beispielsweise ein Flash-Speicher, eine Festplatte, eine Cloud und/oder ein optischer Speicher sein. Das computerlesbare Speichermedium kann beispielsweise mit einem Webserver verbunden sein, der wiederum mit dem Diagnoseunterstützungssystem verbunden ist.
  • Weitere Vorteile der Erfindung sind in den nachfolgenden Ausführungsbeispielen beschrieben. Es zeigt:
    • 1 einen Satz von Patientendaten eines Patienten zur Verwendung in dem erfindungsgemäßen Verfahren,
    • 2 einen ersten Datensatz, zweiten Datensatz und dritten Datensatz als Einteilung der Patientendaten,
    • 3 ein aus den vorverarbeiteten Patientendaten generiertes digitales Bild, und
    • 4 eine schematische Darstellung eines Diagnoseunterstützungssystems.
  • Bei der nachfolgenden Beschreibung der Figuren werden für in den verschiedenen Figuren jeweils identische und/oder zumindest vergleichbare Merkmale gleiche Bezugszeichen verwendet. Die einzelnen Merkmale, deren Ausgestaltung und/oder Wirkweise werden meist nur bei ihrer ersten Erwähnung ausführlich erläutert. Werden einzelne Merkmale nicht nochmals detailliert erläutert, so entspricht deren Ausgestaltung und/oder Wirkweise der Ausgestaltung und Wirkweise der bereits beschriebenen gleichwirkenden oder gleichnamigen Merkmale.
  • 1 zeigt in schematischer Weise eine Vielzahl von Patientendaten eines Patienten. Diese sind in dem Beispiel als Einträge 1 einer Tabelle 2 dargestellt. Stärker gezeichnete Linien innerhalb der Tabelle 2 trennen verschiedene Kategorien von Patientendaten voneinander. Eine erste Kategorie 3 entspricht beispielsweise den Werten eines großen Blutbilds des Patienten. Eine zweite Kategorie 4 entspricht beispielsweise den Enzymwerten des Patienten. Eine dritte Kategorie 5 entspricht den Elektrolytwerten des Patienten. Eine vierte Kategorie 6 entspricht beispielsweise den Ferritwerten des Patienten, wobei eine fünfte Kategorie 7 den Vitaminwerten des Patienten entspricht. Eine sechste Kategorie 8 kann beispielsweise den Hormonwerten des Patienten entsprechen, wobei eine siebte Kategorie 9 allgemeinen Patientendaten, wie beispielsweise Temperatur, Gewicht Größe oder alter des Patienten, entspricht.
  • Die exemplarisch genannten Patientendaten und eventuell weitere Patientendaten werden für eine diagnostische Auswertung einer zum Erkennen von Erkrankungen trainierten künstlichen Intelligenz übergeben. Die Patientendaten sind in dieser Form aber beispielsweise noch nicht skaliert, sondern entsprechen einer Form, die direkt aus einer Patientenakte bzw. einer Datenbank entnommen wurde. Die Patientendaten werden während der Verarbeitung durch das erfindungsgemäße Verfahren einer Vorverarbeitung unterzogen. Einer der möglichen Vorverarbeitungsschritte ist beispielsweise in 2 dargestellt.
  • 2 zeigt, wie in einer Ausführungsform des computerimplementierten Verfahrens die Patientendaten in drei Datensätze 10, 11, 12 aufgeteilt werden. Der erste Datensatz 10 enthält diejenigen Patientendaten, die unterhalb eines Normbereichs liegen. Der zweite Datensatz 11 enthält diejenigen Patientendaten, die innerhalb eines Normbereichs liegen und der dritte Datensatz 12 enthält die Patientendaten die oberhalb eines Normbereichs liegen. In der Darstellung der 2 bedeuten die schraffierten Einträge 1 der entsprechenden Datensätze 10, 11, 12, dass dort ein Wert ungleich 0 vorliegt. Der Übersichtlichkeit halber sind die Einträge 1, die einem Wert 0 entsprechen, ebenfalls dargestellt. Auf diese Weise wird der Zusammenhang zu den Patientendaten aus 1 deutlich.
  • Die Einträge 1 der Datensätze 10, 11, 12 sind beispielsweise alle auf den gleichen Wertebereich skaliert. So können die Einträge 1 beispielsweise alle einen Zahlenwert im Bereich von 0 bis 255 aufweisen. Jedem der drei Datensätze 10, 11, 12 kann beispielsweise eine Farbe eines RGB-Farbraums zugeordnet sein. Auf diese Weise lässt sich gemäß einer weiteren Ausführungsform der vorliegenden Erfindung aus den drei Datensätzen 10, 11, 12 ein RGB-codiertes digitales Bild 13 (siehe 3) erstellen.
  • Ein derartiges digitales Bild 13 ist schematisch in 3 dargestellt. Jeder Pixel bzw. Eintrag 1 des digitalen Bildes 13 entspricht einem Eintrag 1 der ursprünglichen Patientendaten. Gemäß der vorherigen farblichen Zuordnung, wie sie in 2 verdeutlicht ist, ist jedem Eintrag 1 eine bestimmte Farbe zugeordnet. Der skalierte Zahlenwert des Eintrags 1 entspricht beispielsweise der Intensität der zugeordneten Farbe. Es ist denkbar, mehrere benachbarte Einträge 1 zu vereinen, um komplexe Farbmuster zu erzeugen. Alternativ können auch im weiteren Verfahren mehrere Einträge 1 gemeinsam ausgewertet werden.
  • Das in 3 schematisch dargestellte Bild kann im weiteren Verfahrensverlauf der trainierten künstlichen Intelligenz zugeführt werden und von dieser ausgewertet werden. Algorithmen, Verfahren, Optimierungen und Programmcode einer KI-gestützten Bilderkennung können damit ebenfalls zur Diagnoseunterstützung eines Patienten eingesetzt werden. Die künstliche Intelligenz liefert Wahrscheinlichkeiten für das Vorliegen von Krankheiten, für die die künstliche Intelligenz zuvor trainiert wurde. Ein behandelnder Arzt kann diese Wahrscheinlichkeiten für eine endgültige Diagnose des Patienten einsetzen.
  • 4 zeigt eine schematische Darstellung eines Diagnoseunterstützungssystems 14. Das Diagnoseunterstützungssystem 14 weist eine Recheneinheit 15 auf, die ausgebildet ist, ein computerimplementiertes Verfahren gemäß der vorangegangenen Beschreibung auszuführen. Die Recheneinheit 15 ist beispielsweise mit einem Anzeigeelement 16, einem Eingabeelement 17, einem Scanner 18, einem Netzwerkmodul 19 und einer Leseeinrichtung 20 für ein computerlesbares Speichermedium 21 verbunden.
  • Ergebnisse bzw. Ausgabewerte der künstlichen Intelligenz werden einem behandelnden Arzt beispielsweise auf dem Anzeigeelement 16 angezeigt. Eventuell kann der Arzt auf dem Eingabeelement 17 Eingaben vornehmen, um die Ergebnisse zu verfeinern. Das computerlesbare Speichermedium 21 enthält beispielsweise Anweisungen zur Ausführung des computerimplementierten Verfahrens gemäß der vorangegangenen Beschreibung. Der Scanner 18 ist insbesondere ausgebildet, ein beispielsweise auf Papier ausgedrucktes, nach obiger Methode aus Patientendaten generiertes RGB-codiertes Bild wieder zu digitalisieren und für die Verwendung in dem Verfahren vorzubereiten. Das Netzwerkmodul 19 dient beispielsweise einer Verbindung mit dem Internet, insbesondere um Patientendaten abzurufen oder um auf einem Webserver zentral einen Programmcode der künstlichen Intelligenz aufzurufen.
  • Die vorliegende Erfindung ist nicht auf die dargestellten und beschriebenen Ausführungsbeispiele beschränkt. Abwandlungen im Rahmen der Patentansprüche sind ebenso möglich wie eine Kombination der Merkmale, auch wenn sie in unterschiedlichen Ausführungsbeispielen dargestellt und beschrieben sind.
  • Bezugszeichenliste
  • 1
    Eintrag
    2
    Tabelle
    3
    erste Kategorie
    4
    zweite Kategorie
    5
    dritte Kategorie
    6
    vierte Kategorie
    7
    fünfte Kategorie
    8
    sechste Kategorie
    9
    siebte Kategorie
    10
    erster Datensatz
    11
    zweiter Datensatz
    12
    dritter Datensatz
    13
    digitales Bild
    14
    Diagnoseunterstützungssystem
    15
    Recheneinheit
    16
    Anzeigeelement
    17
    Eingabeelement
    18
    Scanner
    19
    Netzwerkmodul
    20
    Leseeinrichtung
    21
    computerlesbares Speichermedium
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • WO 9705553 A1 [0005]

Claims (15)

  1. Computerimplementiertes Verfahren zur Unterstützung bei einer medizinischen Diagnose, wobei - eine Vielzahl von Patientendaten eines Patienten einer Vorverarbeitung unterzogen wird, - die vorverarbeiteten Patientendaten als Eingangswerte einer trainierten künstlichen Intelligenz übergeben werden, und - die trainierte künstliche Intelligenz als Ausgangswerte Wahrscheinlichkeiten für das mögliche Vorliegen spezifischer Erkrankungen des Patienten ausgibt, dadurch gekennzeichnet, dass die der trainierten künstlichen Intelligenz übergebenen vorverarbeiteten Patientendaten krankheitsunspezifische Patientendaten umfassen und die trainierte künstliche Intelligenz zur Erkennung einer Mehrzahl von Erkrankungen trainiert ist.
  2. Computerimplementiertes Verfahren gemäß dem vorangegangenen Anspruch, dadurch gekennzeichnet, dass die Vorverarbeitung eine Einteilung der Patientendaten in Abhängigkeit von vorgegebenen Normbereichen umfasst.
  3. Computerimplementiertes Verfahren gemäß dem vorangegangenen Anspruch, dadurch gekennzeichnet, dass die Patientendaten in mehrere Datensätze (10, 11, 12), insbesondere - einen ersten Datensatz (10), der die Patientendaten enthält, die unterhalb eines Normbereichs liegen, - einen zweiten Datensatz (11), der die Patientendaten enthält, die innerhalb eines Normbereichs liegen, und/oder - einen dritten Datensatz (12), der die Patientendaten enthält, die oberhalb eines Normbereichs liegen, eingeteilt werden.
  4. Computerimplementiertes Verfahren gemäß dem vorangegangenen Anspruch, dadurch gekennzeichnet, dass den Datensätzen (10, 11, 12) für eine digitale Bildverarbeitung unterschiedliche Farben, insbesondere eines RGB-Farbraums, zugeordnet werden, wobei vorzugsweise dem ersten Datensatz (10) eine erste Farbe, insbesondere die Farbe Blau, dem zweiten Datensatz (11) eine zweite Farbe, insbesondere die Farbe Grün, und/oder dem dritten Datensatz (12) eine dritte Farbe, insbesondere die Farbe Rot, zugeordnet wird.
  5. Computerimplementiertes Verfahren gemäß einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass die Vorverarbeitung eine Skalierung oder Reskalierung der Patientendaten umfasst.
  6. Computerimplementiertes Verfahren gemäß dem vorangegangenen Anspruch, dadurch gekennzeichnet, dass die Patientendaten in einen Zahlenbereich von 0-255 skaliert oder reskaliert werden.
  7. Computerimplementiertes Verfahren gemäß einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass aus den Datensätzen (10, 11, 12), insbesondere dem ersten, zweiten und dritten Datensatz (10, 11, 12), ein, vorzugsweise RGB-codiertes, digitales Bild (13) generiert wird.
  8. Computerimplementiertes Verfahren gemäß einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass ein Pixel des digitalen Bilds (13) einem bestimmten Wert der Patientendaten entspricht.
  9. Computerimplementiertes Verfahren gemäß einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass das digitale Bild (13) zur Auswertung an die trainierte künstliche Intelligenz übergeben wird.
  10. Computerimplementiertes Verfahren gemäß einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass die trainierte künstliche Intelligenz mit einer Vielzahl von Datensätzen aus Patientendaten und von Ärzten gestellten Diagnosen von Erkrankungen trainiert ist, wobei die Patientendaten hierzu einer Vorverarbeitung gemäß einem der vorangegangenen Ansprüche unterzogen sind.
  11. Computerimplementiertes Verfahren gemäß einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass die trainierte künstliche Intelligenz ein künstliches neuronales Netz, insbesondere ein für Bilderkennung optimiertes künstliches neuronales Netz, ist.
  12. Computerimplementiertes Verfahren gemäß einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass die trainierte künstliche Intelligenz einen Bildverarbeitungsalgorithmus umfasst.
  13. Computerimplementiertes Verfahren gemäß einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass die Patientendaten Blutwerte, insbesondere Enzymwerte, Elektrolytwerte, Ferritwerte, Vitaminwerte und/oder Hormonwerte, sowie Patientenalter, Blutdruck, und/oder Körpertemperatur umfassen.
  14. Diagnoseunterstützungssystem (14) mit einer Recheneinheit (15), die ausgebildet ist, ein computerimplementiertes Verfahren gemäß einem oder mehreren der vorherigen Ansprüche auszuführen.
  15. Computerlesbares Speichermedium (21), das Anweisungen für eine Recheneinheit (15) zur Ausführung eines computerimplementierten Verfahrens gemäß eines oder mehreren der vorherigen Ansprüche umfasst.
DE102021119035.5A 2021-07-22 2021-07-22 Computerimplementiertes Verfahren, Diagnoseunterstützungssystem sowie computerlesbares Speichermedium Pending DE102021119035A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102021119035.5A DE102021119035A1 (de) 2021-07-22 2021-07-22 Computerimplementiertes Verfahren, Diagnoseunterstützungssystem sowie computerlesbares Speichermedium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102021119035.5A DE102021119035A1 (de) 2021-07-22 2021-07-22 Computerimplementiertes Verfahren, Diagnoseunterstützungssystem sowie computerlesbares Speichermedium

Publications (1)

Publication Number Publication Date
DE102021119035A1 true DE102021119035A1 (de) 2023-01-26

Family

ID=84784710

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021119035.5A Pending DE102021119035A1 (de) 2021-07-22 2021-07-22 Computerimplementiertes Verfahren, Diagnoseunterstützungssystem sowie computerlesbares Speichermedium

Country Status (1)

Country Link
DE (1) DE102021119035A1 (de)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1997005553A1 (en) 1995-07-25 1997-02-13 Horus Therapeutics, Inc. Computer assisted methods for diagnosing diseases
DE102018000647A1 (de) 2018-01-28 2019-08-01 Ricarda Schuhmann Die innovation beinhaltet die umwandlung, zusammenführung und parametrisierte darstellung einer beliebigen anzahl naturwissenschaftlicher messwerte und/oder sachverhalte in form eines 3-dimensionalen körpers
US20200381083A1 (en) 2019-05-31 2020-12-03 410 Ai, Llc Estimating predisposition for disease based on classification of artificial image objects created from omics data
WO2020245727A1 (en) 2019-06-02 2020-12-10 Predicta Med Analytics Ltd. A method of evaluating autoimmune disease risk and treatment selection

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1997005553A1 (en) 1995-07-25 1997-02-13 Horus Therapeutics, Inc. Computer assisted methods for diagnosing diseases
DE102018000647A1 (de) 2018-01-28 2019-08-01 Ricarda Schuhmann Die innovation beinhaltet die umwandlung, zusammenführung und parametrisierte darstellung einer beliebigen anzahl naturwissenschaftlicher messwerte und/oder sachverhalte in form eines 3-dimensionalen körpers
US20200381083A1 (en) 2019-05-31 2020-12-03 410 Ai, Llc Estimating predisposition for disease based on classification of artificial image objects created from omics data
WO2020245727A1 (en) 2019-06-02 2020-12-10 Predicta Med Analytics Ltd. A method of evaluating autoimmune disease risk and treatment selection

Similar Documents

Publication Publication Date Title
Ahmed et al. Single volume image generator and deep learning-based ASD classification
DE112010003251T5 (de) Medizinische Diagnoseunterstützungsvorrichtung, Verfahren zur Steuerung einer medizinischen Diagnoseunterstützungsvorrichtung und Programm
DE112014000897T5 (de) Lernende Gesundheitssysteme und -verfahren
JP2022507861A (ja) 脳機能地図のサル-ヒト種間移行に基づいて精神疾患の個別的予測を行う方法およびシステム
DE102008002882A1 (de) System und Verfahren zu von einer elektronischen Krankenakte beeinflusster Datenerfassung, -verarbeitung und -anzeige
DE102009025856A1 (de) Verarbeitungs- und Visualisierungstechnik medizinischer Daten
DE102018108072A1 (de) Einrichtung, Verfahren und Programm zur Klassifizierung medizinischer Bilder
DE10316298A1 (de) Verfahren und Anordnung zur automatischen Aufbereitung und Auswertung medizinischer Daten
EP3930563A1 (de) Verfahren zur evaluierung von hautläsionen unter verwendung künstlicher intelligenz
EP3196791A1 (de) Verfahren zur unterstützung von medizinischem personal, unterstützungssystem, computerprogramm und datenträger
DE112020003412T5 (de) Verfahren zum Prüfen medizinischer Daten
DE102011081541A1 (de) Bildverarbeitungsvorrichtung, bildverarbeitungsverfahren und programmspeicherträger
DE102017213714B4 (de) Verfahren zum Ermitteln einer Erkrankungsprognose eines Kraftfahrzeuginsassen sowie Prognoseeinrichtung
DE102007031686A1 (de) Verfahren und System zum klinischen Interpretieren und Überprüfen von Patientendaten
DE102021119035A1 (de) Computerimplementiertes Verfahren, Diagnoseunterstützungssystem sowie computerlesbares Speichermedium
DE102015109853A1 (de) Assistenz- und Entscheidungssystem und Verfahren zur Auswertung von Elektroenzephalogrammen
DE112015000337T5 (de) Entwicklung von Informationen von gesundheitsbezogenen Funktionsabstraktionen aus intraindividueller zeitlicher Varianzheterogenität
EP3635728A1 (de) Verfahren zur patientenrekrutierung und patientenrekrutierungssystem
EP3155588B1 (de) Ganzkörperbildaufnahme- und bildverarbeitungssystem sowie verfahren zu dessen betrieb
DE102020111584A1 (de) Verfahren zum Gewinnen von Daten mithilfe von Operationsmikroskopiesystemen
EP3454341A1 (de) Automatisiertes verarbeiten von patientendaten zur gesundheitsbetreuung
DE102020212318A1 (de) Fallpriorisierung für ein medizinisches System
DE102020210709A1 (de) Computersystem und verfahren zur gleichzeitigen verbesserung und codierung von klinischen dokumenten
DE202022103482U1 (de) Aufbereitung von Diagnoseinformationen
DE102020212189A1 (de) Verfahren und Vorrichtung zur Analyse von Histopathologiedatensätzen

Legal Events

Date Code Title Description
R163 Identified publications notified