JP2022537818A - 機械学習されたモデルを使用して皮膚状態を診断すること - Google Patents
機械学習されたモデルを使用して皮膚状態を診断すること Download PDFInfo
- Publication number
- JP2022537818A JP2022537818A JP2021576048A JP2021576048A JP2022537818A JP 2022537818 A JP2022537818 A JP 2022537818A JP 2021576048 A JP2021576048 A JP 2021576048A JP 2021576048 A JP2021576048 A JP 2021576048A JP 2022537818 A JP2022537818 A JP 2022537818A
- Authority
- JP
- Japan
- Prior art keywords
- input image
- skin
- model
- machine
- generating
- 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
- 208000006981 Skin Abnormalities Diseases 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims description 72
- 238000003745 diagnosis Methods 0.000 claims description 63
- 239000013598 vector Substances 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 20
- 238000012880 independent component analysis Methods 0.000 claims description 15
- 238000002591 computed tomography Methods 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000002604 ultrasonography Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims 14
- 230000036541 health Effects 0.000 abstract description 149
- 208000024891 symptom Diseases 0.000 abstract description 27
- 238000012549 training Methods 0.000 description 146
- 230000008569 process Effects 0.000 description 47
- 208000010201 Exanthema Diseases 0.000 description 21
- 201000005884 exanthem Diseases 0.000 description 21
- 230000006870 function Effects 0.000 description 21
- 206010037844 rash Diseases 0.000 description 21
- 230000033228 biological regulation Effects 0.000 description 10
- 210000003484 anatomy Anatomy 0.000 description 9
- 201000004624 Dermatitis Diseases 0.000 description 8
- 230000003862 health status Effects 0.000 description 7
- 208000002874 Acne Vulgaris Diseases 0.000 description 6
- 206010000496 acne Diseases 0.000 description 6
- 208000010668 atopic eczema Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 201000004681 Psoriasis Diseases 0.000 description 4
- 238000013523 data management Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000002560 therapeutic procedure Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 208000004898 Herpes Labialis Diseases 0.000 description 2
- 206010027145 Melanocytic naevus Diseases 0.000 description 2
- 208000007256 Nevus Diseases 0.000 description 2
- 206010067152 Oral herpes Diseases 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 208000017520 skin disease Diseases 0.000 description 2
- 208000019838 Blood disease Diseases 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010012442 Dermatitis contact Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 208000010247 contact dermatitis Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 208000014951 hematologic disease Diseases 0.000 description 1
- 208000018706 hematopoietic system disease Diseases 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 231100000046 skin rash Toxicity 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30088—Skin; Dermal
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
診断システムは、患者の画像を受信し、患者が1つ以上の健康状態を有するかどうかについての予測を発生させるように構成される、機械学習された診断モデルのセットを訓練する。一実施形態では、機械学習されたモデルのセットは、患者の2つ以上の基礎的健康状態を含有する画像に関して予測を発生させるように訓練される。一事例では、2つ以上の健康状態に関する症状は、患者上の2つ以上の重複する皮膚異常として示される。本明細書に説明される診断モデルのセットのアーキテクチャを使用することによって、診断システムは、既存のシステムと比較して、2つ以上の健康状態に関して重複する症状を含有する画像に関して、より正確な予測を発生させることができる。
Description
(関連出願の相互参照)
本願は、参照することによってその全体として本明細書に組み込まれる、2019年7月1日に出願された米国仮出願第62/869,553号の利益および優先権を主張する。
本願は、参照することによってその全体として本明細書に組み込まれる、2019年7月1日に出願された米国仮出願第62/869,553号の利益および優先権を主張する。
本開示は、概して、健康異常の診断に関し、より具体的には、画像内の重複する健康状態の診断に関する。
コンピュータ化診断システムは、患者の画像を受信し、画像内の症状の存在に基づいて、患者が1つ以上の健康状態を有するかどうかについて予測を発生させるように構成される。コンピュータ化診断システムは、患者の種々の解剖学的部分における健康状態を予測するように適用されることができる。例えば、皮膚診断システムは、患者の皮膚の画像が、発疹、ほくろ、湿疹、座瘡、およびヘルペス等の1つ以上の皮膚異常を有するかどうかを予測するように適用されることができる。別の実施例として、腫瘍診断システムが、患者の生体構造の画像が腫瘍を含有するかどうかを予測するように適用されることができる。
多くの場合、患者は、同一の画像に出現する複数の健康状態を有し得る。例えば、画像は、相互から空間的に分離される、同一の腕の上に位置する、両方とも皮膚異常である、乾癬性プラークおよび母斑を含有し得る。別の実施例として、画像は、その境界内にほくろを有する乾癬性プラーク等の相互に重複する皮膚異常を含有し得る。しかしながら、例えば、コンピュータ化診断システムが、単一の健康状態に関して予測を発生させるように訓練されているため、既存のコンピュータ化診断システムは、これらの事例において正確な診断を発生させることに困難を有する。さらに、健康状態が重複するとき、画像内の提示および他の症状は、個別に、または組み合わせて両方のいずれかで、状態の結果であり得、コンピュータ化診断システムが、画像内の症状を個別の健康状態に正確に分化させることは困難であり得る。
診断システムは、患者の画像を受信し、患者が1つ以上の健康状態を有するかどうかについての予測を発生させるように構成される、機械学習された診断モデルのセットを訓練する。一実施形態では、機械学習されたモデルのセットは、患者の2つ以上の基礎的健康状態を含有する画像に関して予測を発生させるように訓練される。
一事例では、2つ以上の健康状態に関する症状は、患者上の2つ以上の重複する皮膚異常として示される。本明細書に説明される診断モデルのセットのアーキテクチャを使用することによって、診断システムは、既存のシステムと比較して、2つ以上の健康状態に関して重複する症状を含む画像に関して、より正確な予測を発生させることができる。
一事例では、2つ以上の健康状態に関する症状は、患者上の2つ以上の重複する皮膚異常として示される。本明細書に説明される診断モデルのセットのアーキテクチャを使用することによって、診断システムは、既存のシステムと比較して、2つ以上の健康状態に関して重複する症状を含む画像に関して、より正確な予測を発生させることができる。
ある実施形態では、診断システムは、クライアントデバイスから、入力画像内の皮膚異常を診断する要求を受信する。入力画像は、皮膚上の2つ以上の皮膚異常に関する重複する症状を含む。診断システムは、データベースから機械学習された診断モデルのセットにアクセスする。各機械学習されたモデルは、訓練プロセスを通して決定された、訓練された加重の個別のセットを含む。診断システムは、診断モデルのセットを入力画像に適用することによって、入力画像内の2つ以上の皮膚異常の各々に関して個別の予測を発生させる。予測は、2つ以上の皮膚異常の中の個別の皮膚異常が入力画像に示される可能性を示す。診断システムは、入力画像に関して予測から皮膚異常の診断を発生させ、診断をクライアントデバイスに提供する。
一実施形態では、診断システムは、患者または個人の画像を受信し、入力画像が2つ以上の健康状態を提示するかどうかについてのインジケーションを発生させるように構成される、機械学習されたインジケータモデルのセットを訓練する。一実施形態では、診断システムは、入力画像内の健康状態の診断の要求を受信する。診断システムは、データベースからインジケータモデルまたはインジケータ機能性を伴う診断モデルにアクセスする。診断システムは、インジケータモデルを入力画像に適用することによって、入力画像が2つ以上の健康状態を含む可能性を表す、インジケーションを発生させる。診断システムは、入力画像に関して発生されるインジケーションから、入力画像が2つ以上の健康状態を提示するかどうかについての決定を行う。診断システムは、決定に基づいて、要求に関して結果を発生させ、結果をクライアントデバイスのユーザに提供する。
複数の健康状態を提示する入力画像は、診断することが困難であり得るため、クライアントデバイスのユーザは、画像の能動的診断に加えて、またはその代替として、そのようなインジケーションを受信することができる。ユーザは、次いで、入力画像を医療専門家に提供することを決定し、より正確な診断を取得することができる。したがって、より正確な診断が、異なる専門システムまたは医療専門家によって行われ得るように、コンピュータ化診断システムのユーザが、入力画像が2つ以上の健康状態からの症状を含むかどうかについての情報を受信することが、有利であり得る。
図面は、例証の目的のみのために、本発明の種々の実施形態を描写する。当業者は、以下の議論から、本明細書に図示される構造および方法の代替実施形態が、本明細書に説明される本発明の原理から逸脱することなく採用され得ることを容易に認識するであろう。
概観
図1は、ある実施形態による、診断システムのためのシステム環境の高レベルブロック図である。図1によって示されるシステム環境100は、1つ以上のクライアントデバイス110と、ネットワーク120と、診断システム130とを含む。代替構成では、異なるおよび/または付加的コンポーネントが、システム環境100に含まれてもよい。
図1は、ある実施形態による、診断システムのためのシステム環境の高レベルブロック図である。図1によって示されるシステム環境100は、1つ以上のクライアントデバイス110と、ネットワーク120と、診断システム130とを含む。代替構成では、異なるおよび/または付加的コンポーネントが、システム環境100に含まれてもよい。
診断システム130は、種々のタイプのコンピュータ化診断をクライアントデバイス110のユーザに提供するためのシステムである。診断システム130は、患者の解剖学的部分の画像を受信し、画像に基づいて、患者が1つ以上の健康状態を有するかどうかについての予測を発生させてもよい。例えば、診断システム130は、患者の皮膚の画像を受信し、患者が、発疹、ほくろ、湿疹、座瘡、およびヘルペス等の1つ以上の皮膚異常を有するかどうかについての予測を発生させてもよい。別の実施例として、診断システム130は、患者の脳の放射線画像を受信し、患者が脳腫瘍を有するかどうかについての予測を発生させてもよい。診断システム130によって発生される予測は、独立型診断として使用されることができる、または、例えば、患者の画像の解釈において病院の医師を補助するために使用されることができる。
診断システム130は、患者の画像を受信し、1つ以上の健康状態についての予測を発生させるように構成される、機械学習された診断モデルのセットを訓練する。診断システム130によって受信される画像は、放射線画像、コンピュータ断層撮影(CT)スキャン、医療共鳴画像(MRI)スキャン、X線画像、超音波または超音波検査画像、触覚画像、もしくはサーモグラフィ画像等の病院において取得される医用画像であってもよい。別の事例では、画像は、(例えば、自宅またはオフィス内の)クライアントデバイス110の個々のユーザによって撮影された写真であってもよい。画像は、診断システム130が、これらの症状を発生させることに関与する健康状態を推論するために使用し得る、患者の解剖学的部分上の症状または他の提示を示し得る。
一実施形態では、診断システム130は、機械学習されたモデルのセットを訓練し、患者の2つ以上の健康状態に関する症状を含む画像に関して予測を発生させる。具体的には、患者は、同一の画像に出現する複数の健康状態からの症状を有し得る。例えば、画像は、相互から空間的に分離される、同一の腕の上に位置する、両方とも皮膚異常である、乾癬性プラークおよび母斑を含有し得る。別の実施例として、画像は、その境界内にほくろを有する乾癬性プラーク等の相互に重複する皮膚異常を含み得る。しかしながら、既存のコンピュータ化診断システムは、特に、症状が個人の結果または患者の基礎的健康状態の未知の組み合わせであり得るため、症状が重複するときに、これらの事例において正確な診断を発生させることに困難を有し得る。さらに、既存の診断システムは、単一の状態に関して予測を発生させるように構成されてもよい。したがって、既存の診断システムが、画像内の健康状態のうちの1つを検出することが可能である場合でさえも、検出された状態は、画像内の残りの健康状態の除外にあり、画像の対象にとって有意な健康問題につながり得る、見逃された診断につながるであろう。
推論プロセスの間に、診断システム130は、入力画像内の健康状態を診断する要求を受信する。入力画像は、患者の2つ以上の健康状態からの重複する症状を含む。診断システム130は、データベースから機械学習された診断モデルのセットにアクセスする。各機械学習されたモデルは、訓練プロセスを通して決定された、訓練された加重の個別のセットを含む。診断システム130は、診断モデルのセットを入力画像に適用することによって、入力画像内の2つ以上の健康状態の各々に関して個別の予測を発生させる。予測は、入力画像が個別の健康状態からの症状を示す可能性を示す。診断システム130は、予測から入力画像の診断を発生させ、診断をクライアントデバイス110に戻すように提供する。
本明細書の残りの部分の全体を通して参照される、1つの特定の実施形態では、2つ以上の健康状態は、患者の皮膚上に提示される重複する症状を有する、2つ以上の皮膚異常である。例えば、ほくろが、発疹を伴う皮膚の面積内に出現し得る。別の実施例として、湿疹を伴う皮膚の面積が、接触皮膚炎を伴う皮膚の一部と重複し得る。しかしながら、他の実施形態では、2つ以上の健康状態が、患者の同一の解剖学的部分に重複するまたは空間的に分離された症状を生成し得る、疾患もしくはアレルギー等の任意のタイプの健康関連状態であり得ることを理解されたい。例えば、2つ以上の健康状態は、個別に、または組み合わせて、患者上に症状を提示し得る、異なるタイプの腫瘍、血液疾患、および同等物であり得る。
図2は、ある実施形態による、診断モデルのための一般的推論プロセスを図示する。診断システム130は、皮膚異常を有する疑いがある患者の入力画像210を受信する。具体的には、入力画像210は、患者の腕の上で相互と重複する、第1の皮膚異常212および第2の皮膚異常214を示す。診断システム130は、データベースから機械学習された診断モデルのセットにアクセスする。診断システム130は、診断モデルを入力画像210に適用し、入力画像210に関して2つ以上の予測v’1、v’2、…、v’nを発生させる。予測v’iは、入力画像210が個別の皮膚異常iからの症状を含む可能性を示し得る。図2に示される実施例では、予測v’1は、入力画像210がほくろを含む高い可能性を示し得、予測v’2は、入力画像210が発疹も含む高い可能性を示し得る。他の皮膚異常に関する残りの予測は、有意に低い可能性と関連付けられ得る。診断システム130は、事前決定された閾値を上回る可能性を伴う予測のサブセットを選択することによって、入力画像210がほくろおよび皮膚発疹を含むという診断を決定し、クライアントデバイス110に診断を提供する。
図1のシステム環境に戻ると、診断システム130は、概して、画像および標識の訓練コーパスを使用して、診断モデルのための加重の個別のセットを訓練し、損失関数を低減させる。診断モデルのための損失関数は、加重の推定されたセットを伴う診断モデルを、診断モデルが受信するように構成される、訓練コーパス内の入力データに適用することによって発生される推定出力と、診断モデルが予測するように構成される、データのタイプを表す訓練コーパス内の実際の標識との間の差異を示す。診断モデルのための加重の推定されたセットは、事前決定された基準に到達されるまで、損失関数を低減させるように繰り返し更新される。診断モデルのセットのための訓練プロセスは、図9と併せてより詳細に説明される。
本明細書に説明されるように、図3-7は、推論プロセスの間に画像に提示される2つ以上の健康状態に関して予測を発生させるために、診断システム130によって使用され得る、診断モデルのセットの種々のアーキテクチャを図示する。下記に説明される各アーキテクチャは、図9と併せて説明されるであろう、訓練プロセスを通して決定された、訓練された加重のセットを含んでもよい。本明細書に説明される診断モデルのセットのアーキテクチャを使用することによって、診断システムは、既存のシステムと比較して、2つ以上の重複する健康状態を含む画像に関して、より正確な予測を発生させることができる。
図3は、ある実施形態による、アンサンブルアーキテクチャを伴う機械学習された診断モデルのセットのための例示的推論プロセスを図示する。一実施形態では、診断モデルのセットは、機械学習された診断モデルのアンサンブルセットを含む。具体的には、アンサンブルの中の各診断モデルは、入力画像を受信し、診断モデルのための訓練された加重のセットを適用することによって、患者が1つ以上の健康状態を有するかどうかについての1つ以上の予測を発生させるように構成される。図3に示される実施例では、診断モデルのアンサンブルセットは、「診断モデル1」と、「診断モデル2」と、「診断モデル3」とを含む。
アンサンブルセットの中の診断モデルは、アンサンブルセットの中の他の診断モデルから健康状態の異なるまたは同一のセットに関して予測を発生させるように構成される。図3に示される実施例では、「診断モデル1」は、入力画像がほくろを含む可能性を示す予測v’M1
1および入力画像が発疹を含む可能性を示す予測v’M1
2を発生させるように構成されてもよい。別の実施例として、「診断モデル2」は、入力画像が発疹を含む可能性を示す単一の予測v’M2
1を発生させるように構成されてもよく、「診断モデル3」は、入力画像がほくろを含む可能性を示す予測v’M3
1および入力画像が座瘡を含む可能性を示す予測v’M3
2を発生させるように構成されてもよい。
推論プロセスの間に、診断システム130は、診断モデルのアンサンブルセットを入力画像に適用し、各個別の健康状態に関してアンサンブルセットからの予測を組み合わせることによって、入力画像内の2つ以上の健康状態の各々に関して個別の予測を発生させる。一事例では、個別の健康状態に関する予測は、アンサンブルセットによって発生された健康状態に関して予測の平均を算出することによって発生される。図3に示される実施例では、患者が発疹を有する可能性を示す予測v’1は、「診断モデル1」および「診断モデル2」からの予測v’M1
2、v’M2
1を平均することによって発生される。しかしながら、他の実施形態では、アンサンブルの中の診断モデルからの予測は、平均以外の任意の他の方法で組み合わせられ得ることを理解されたい。診断システム130は、事前決定された閾値を上回る可能性を伴う予測のサブセットを選択することによって、診断を決定する。
一実施形態では、アンサンブルセットの中の診断モデルは、診断モデルが入力画像に適用される度に、同一の一連の健康状態に必ずしも対応しない、複数の出力を発生させるように構成されることができる。そのような実施形態では、診断システム130は、予測および中間特徴の類似性によってアンサンブルセットからの予測を群化してもよく、入力画像に提示される2つ以上の健康状態に関する予測は、各識別された群からの予測を組み合わせることによって発生されてもよい。別の事例では、診断システム130は、例えば、注目モデルを使用して、類似場所によってアンサンブルセットからの予測を群化してもよく、入力画像内の2つ以上の健康状態に関する予測は、各識別された場所に関して予測を組み合わせることによって発生されてもよい。
図4は、ある実施形態による、診断モデルのセットと併せて独立成分分析(ICA)を使用する、例示的推論プロセスを図示する。一実施形態では、診断モデルのセットは、特徴エクストラクタモデルと、独立成分分析(ICA)モデルと、特徴分類器モデルとを含む。特徴エクストラクタモデルは、入力画像を受信し、訓練された加重の第1のセットを適用することによって、入力画像内の複数の空間特徴を特徴付ける画像テンソルを発生させるように構成される。ICAモデルは、画像テンソルを受信し、画像テンソルから複数の成分を抽出するように構成される。特徴分類器モデルは、成分を受信し、訓練された加重の第2のセットを適用することによって、成分に関して個別の健康状態の可能性を示す予測を発生させるように構成される。
推論プロセスの間に、診断システム130は、特徴エクストラクタモデルを入力画像に適用することによって、入力画像に関して画像テンソル416を発生させる。診断システム130は、ICAを実施し、画像テンソル416内の各空間場所を観察と見なして、画像テンソル416から複数の成分CF1、CF2、CF3、…、CFnを抽出する。各抽出された成分に関して、診断システム130は、画像テンソル416への成分の寄与を算出し、成分に関して個別のテンソルを発生させる。一事例では、成分に関する個別のテンソルは、複数の成分の中の残りの成分の寄与を算出し、画像テンソル416から残りの成分の寄与を減算することによって、発生される。図4に示される実施例では、成分CF1に関する個別のテンソル418は、残りの成分CF2、CF、…、CFnの寄与を算出し、画像テンソル416から寄与を減算することによって、発生される。図4は、成分CF1に関する個別のテンソル418のみを図示するが、本プロセスは、残りの成分CF2、CF3、…、CFnの各々に関して個別のテンソルを発生させるように繰り返されてもよい。
各テンソルに関して、診断システム130は、特徴分類器モデルを成分に関するテンソルに適用することによって、予測を発生させる。図4に示される実施例では、成分CF1に関する予測v’1は、特徴分類器モデルを成分に関するテンソル418に適用することによって発生される。図4は、成分CF1に関する予測v’1のみを図示するが、本プロセスは、特徴分類器モデルを各成分に対するテンソルに適用することによって、残りの成分CF2、CF3、…、CFnのそれぞれから個別の予測を発生させるように繰り返されてもよい。診断システム130は、閾値を上回る可能性を伴うサブセットを選択することによって、予測v’1、v’2、…、v’nに基づいて診断を決定する。
画像テンソルから抽出される成分の数に基づいて、診断はそれぞれ、入力画像の基礎にある異なる健康状態に対応し得る、または診断のサブセットは、抽出された成分の数が入力画像に含まれる健康状態の数を上回る場合、同一の健康状態に対応し得る。一事例では、診断システム130は、入力画像内の推定された数の健康状態に基づいて、事前決定された数の成分を抽出する。別の事例では、診断システム130は、増加する数の成分を用いてICAを実施し、各新しい成分を用いて予測および診断を反復して発生させる。診断システム130は、成分の数をさらに増加させることが一意の診断の数を増加させず、ICAに関して基準関数の収束が存在するときに、推論プロセスを完了する。一事例では、収束を決定するために閾値数の追加された成分が存在し得る。例えば、3つの成分が、追加されてもよい一方、診断のセットは、収束のために考慮されるように不変である。
別の実施形態では、複数の成分は、訓練プロセスの間に事前に抽出される。推論プロセスの間に、診断システム130は、画像テンソルを複数の成分の混合物に分解し、画像テンソルへの各事前決定された成分の寄与を算出し、各成分に関して個別のテンソルを発生させる。診断システム130は、閾値を上回る寄与を有する成分のサブセットを識別する。各テンソルに関して、診断システム130は、特徴分類器モデルをサブセットの中の成分に関するテンソルに適用することによって、予測を発生させる。いくつかの実施形態では、各事前決定された成分は、特徴分類器モデルを使用して、事前分類および記憶されてもよい。分類結果は、次いで、寄与する成分と関連付けられる、記憶された成分を使用することによって、決定される。
図5は、ある実施形態による、リカレントニューラルネットワーク(RNN)アーキテクチャを伴う診断モデルのための例示的推論プロセスを図示する。一実施形態では、診断モデルのセットは、加重のセットを伴う1つ以上のニューラルネットワーク層を含む、RNNアーキテクチャを伴う診断モデルを含む。RNNアーキテクチャは、一連の画像を受信し、一連の画像に提示される2つ以上の健康状態に関して予測を連続的に発生させるように構成される。一連の入力画像は、繰り返される一連の同一の入力画像であってもよい、または異なるビュー、視点、フィルタ、および同等物の発行時に患者の解剖学的部分を捕捉する一連の画像であってもよい。図5に示される実施例では、一連の画像510(1)、510(2)、…、510(n)は、患者の腕の皮膚の同じ画像である。しかしながら、別の実施例では、一連の画像は、異なる視点から、または異なる色もしくはスケールで捕捉される、同一の腕の画像を含んでもよい。
具体的には、一連の中の現在の画像に関して、RNNアーキテクチャは、現在の画像510(i)および前の反復に関する隠れ状態hi-1を受信し、訓練された加重の第1のセットを適用することによって、現在の画像510(i)に関して隠れ状態hiを発生させるように構成される。RNNアーキテクチャはさらに、現在の画像hiに関する隠れ状態を受信し、訓練された加重の第2のセットを適用することによって、個別の健康状態に関して予測viを発生させるように構成される。各反復後、RNNアーキテクチャはさらに、診断モデルが入力画像内の他の健康状態に関して予測を発生させるべきであるか、または推論プロセスを完了するべきであるかどうかを決定するように構成されてもよい。RNNアーキテクチャが、予測を発生させ続けることを決定する場合、RNNアーキテクチャは、一連の中の次の画像510(i+1)を受信し、別の健康状態に関して予測vi+1を発生させる。本プロセスは、RNNアーキテクチャが推論プロセスを完了することを決定するまで繰り返される。図5に示される実施例では、予測v’1は、入力画像がほくろを含むことを示し得る一方、次の予測v’2は、入力画像が発疹を含むことを示し得る。
一実施形態では、RNNアーキテクチャはさらに、現在の画像510(i)および前の反復に関する隠れ状態hi-1に加えて、各反復においてメモリベクトルmiを受信し、現在の画像510(i)から個別の健康状態に関して予測viを発生させるように構成される。メモリベクトルmiは、健康状態がすでに現在の反復iまで分類されている情報を含む、ベクトルを表し得る。例えば、メモリベクトルmiは、現在の反復までの前の予測または前の診断の集計であってもよい。図5に示される実施例では、第2の反復におけるメモリベクトルm2は、ほくろに関する予測または診断がv1に基づいて第2の反復まで行われていることを示し得る。メモリベクトルを受信するようにRNNアーキテクチャをさらに構成することによって、診断システム130は、診断モデルを構造化し、推論プロセスの各反復において前もって予測されていない健康状態に関して予測を発生させてもよい。
推論プロセスの間に、診断システム130は、RNNアーキテクチャを一連の入力画像に繰り返し適用することによって、2つ以上の健康状態の各々に関して個別の予測を発生させる。一実施形態では、RNNアーキテクチャがさらに、メモリベクトルを受信するように構成されるとき、診断システム130は、現在の反復まで発生された予測に基づいて、反復に関して個別のメモリベクトルを取得してもよい。診断システム130は、RNNアーキテクチャを一連の画像およびメモリベクトルに繰り返し適用することによって、2つ以上の健康状態の各々に関して個別の予測を発生させる。
図6は、ある実施形態による、無定形および限局性皮膚異常のための微分器モデルを含む、診断モデルのセットのための例示的推論プロセスを図示する。一実施形態では、機械学習された診断モデルのセットは、微分器モデルと、無定形異常モデルと、限局性異常モデルとを含む。微分器モデルは、入力画像を受信し、訓練された加重の第1のセットを適用することによって、入力画像が無定形皮膚異常または限局性皮膚異常を含むかどうかについてのインジケーションを発生させるように構成される。無定形異常モデルは、入力画像を受信し、訓練された加重の第2のセットを適用することによって、入力画像が発疹、湿疹等の1つ以上の無定形皮膚異常を含むかどうかについての予測を発生させるように構成される。限局性異常モデルは、入力画像を受信し、訓練された加重の第3のセットを適用することによって、入力画像がほくろ、座瘡等の1つ以上の限局性皮膚異常を含むかどうかについての予測を発生させるように構成される。
具体的には、発疹、湿疹、皮膚炎等の無定形皮膚異常が、明確な形状または形態を伴わずに皮膚上に発現し得る一方、ほくろ等の限局性皮膚異常は、皮膚上の局所点により明確に画定され得る。したがって、形状および形態の差異に起因して、診断システム130は、1つのモデルが無定形皮膚異常に関して予測を発生させ、別のモデルが限局性皮膚異常に関して予測を発生させる、2つの別個のモデルを訓練することによって、より正確な予測を取得してもよい。
推論プロセスの間に、診断システム130は、微分器モデルを入力画像に適用することによって、入力画像が限局性または無定形皮膚異常を含むかどうかについてインジケーションを発生させる。具体的タイプの皮膚異常(例えば、ほくろ、座瘡、発疹)を診断するために使用され得る予測を発生させるのではなく、微分器モデルの出力は、単に、入力画像が無定形として分類され得る任意の皮膚異常および/または限局性として分類され得る任意の皮膚異常を含むかどうかを示し得る。入力画像が無定形皮膚異常を含むことを決定することに応答して、診断システム130は、無定形異常モデルを入力画像に適用することによって、1つ以上の無定形皮膚異常に関して具体的予測を発生させる。さらに、入力画像が限局性皮膚異常を含むことを決定することに応答して、診断システム130は、限局性異常モデルを入力画像に適用することによって、1つ以上の限局性皮膚異常に関して具体的予測を発生させる。
図7は、ある実施形態による、非最大抑制を伴う診断モデルのための例示的推論プロセスを図示する。一実施形態では、機械学習された診断モデルは、入力画像を受信し、健康状態のリストに関する予測を含むベクトルを発生させるように構成される。図7に示される実施例では、診断モデルによって発生される予測v’は、それぞれ個別の健康状態に関する予測に対応する、1つ以上の要素を含んでもよい。例えば、第1の要素は、入力画像が湿疹を含むという予測に対応し得、第2の要素は、入力画像が皮膚炎を含むという予測に対応し得る等である。
推論プロセスの間に、診断システム130は、診断モデルを入力画像に適用することによって、2つ以上の健康状態に関して個別の予測を発生させる。一実施形態では、診断システム130は、非最大抑制を使用することによって、診断を決定する。具体的には、診断システム130は、ベクトルv’によって表される異なる健康状態を群に分割し、各群に関して、診断の一部として最高の可能性を伴う健康状態のみを選択する。一事例では、健康状態は、その症状が患者上に視覚的に提示される類似性の程度に従って群化され、したがって、各群は、診断モデルが画像内でおそらく混同される健康状態を含有する。図7に示される実施例では、ベクトル内の第1から第4の要素に関する健康状態は、「群1」に割り当てられ、第n-3から第n要素に関する健康状態は、「群m」に割り当てられる。診断システム130は、各要素が各群の中で最高の可能性を有するため、「群1」の中の第2の要素および「群m」の中の第n-1要素に関して健康状態を選択し、残りの要素をゼロに設定することによって、診断v’nmを決定する。
図1の系統図に戻ると、診断システム130はまた、患者の画像を受信し、入力画像が2つ以上の健康状態を提示するかどうかについてのインジケーションを発生させるように構成される、機械学習されたインジケータモデルのセットを訓練してもよい。具体的健康状態自体を能動的に診断するのではなく、診断システム130は、入力画像が2つ以上の健康状態を提示するかどうかについてのインジケーションを発生させ、結果をクライアントデバイス110のユーザに提供してもよい。具体的には、具体的タイプの健康状態を診断するために使用され得る予測を発生させるのではなく、インジケータモデルの出力は、単に、入力画像が2つ以上の健康状態からの症状(例えば、重複する症状)を示すかどうかを決定してもよい。複数の健康状態を提示する入力画像は、診断することが困難であり得るため、クライアントデバイス110のユーザは、能動的診断に加えて、または代替として、そのようなインジケーションを受信することができる。ユーザは、次いで、入力画像を医療専門家に提供することを決定し、より正確な診断を取得することができる。
図8は、ある実施形態による、インジケータモデルのための例示的推論プロセスを図示する。一実施形態では、診断モデルは、入力画像を受信し、訓練された加重のセットを適用することによって、入力画像が2つ以上の健康状態を提示するかどうかについてのインジケーションe’を発生させるように構成される、機械学習されたインジケータモデルを訓練する。図8に示される実施例では、診断システム130は、インジケータモデルを入力画像に適用することによって、インジケーションe’を発生させる。診断システム130は、単に、クライアントデバイス110のユーザに、画像が正確な診断のために過剰に多くの健康状態を含むという情報を提供してもよい。
別の実施形態では、図8と併せて説明されるように別個のインジケータモデルを訓練するのではなく、診断システム130はさらに、インジケータ機能を診断モデルに組み込む。例えば、診断モデルは、入力画像を受信し、画像に含まれる1つ以上の健康状態についての予測、および入力画像が2つ以上の健康状態を提示するかどうかのインジケーションを発生させるように構成されてもよい。例えば、図2-7と併せて説明される診断モデルのセットはさらに、健康状態に関する予測に加えて、そのようなインジケーションを発生させるように構成されてもよい。別の実施例として、診断モデルは、一度に単一の出力を発生させるように構成されてもよく、2つ以上の健康状態を示す入力画像を受信することに応答して、単一の出力としてそのようなインジケーションを発生させてもよい。
一事例では、診断モデルは、2つ以上の健康状態を提示する入力画像を別個のカテゴリとしてカテゴリ化し、入力画像を受信することに応答して、別個のカテゴリに関して可能性を発生させることによって、そのようなインジケーションを発生させるように構成される。別の事例では、診断モデルは、健康状態に関する予測が、予測の曖昧性を示す、比較的等しい可能性または信頼レベルを伴って出力されるときに、そのようなインジケーションを発生させるように構成される。例えば、診断システム130は、ほくろ、発疹、皮膚病を有するための予測が、それぞれ、0.32、0.29、0.35であるように出力される場合、入力画像が2つ以上の健康状態からの症状を含むことを決定してもよい。
一実施形態では、診断システム130は、インジケーション可能性が閾値可能性を上回る場合、入力画像が2つ以上の状態を提示し、そうでなければ、入力画像が単一の健康状態を提示することを決定してもよい。いくつかの実施形態では、インジケーションは、2つの可能性、すなわち、入力画像が2つ以上の健康状態を提示するかどうかについての第1の可能性、および入力画像が単一の健康状態を提示するかどうかについての第2の可能性を表し得る。診断システム130は、第1の可能性が閾値を上回る場合、入力画像が2つ以上の状態を提示することを決定してもよく、第2の可能性が閾値を上回る場合、入力画像が単一の健康状態を提示することを決定してもよい。
したがって、一実施形態では、診断システム130は、入力画像内の健康状態の診断の要求を受信してもよい。診断システム130は、データベースからインジケータモデルまたはインジケータ機能性を伴う診断モデルにアクセスしてもよい。診断システム130は、インジケータモデルを入力画像に適用することによって、入力画像が2つ以上の健康状態を含む可能性を表す、インジケーションを発生させることができる。診断システム130は、入力画像に関して発生されるインジケーションから、入力画像が2つ以上の健康状態を提示するかどうかについての決定を行う。診断システム130は、決定に基づいて、要求に関して結果を発生させ、結果をクライアントデバイス110に提供する。結果は、決定に基づく入力画像内の個人のための医療処置オプションを含むことができ、本提案された処置オプションは、クライアントデバイス110に提供されることができる。
一実施形態では、診断システム130は、診断モデル130が、入力画像が2つ以上の健康状態を提示するかどうかについて決定的決定を行うことができないという点で、インジケーションが不明確であることを決定してもよい。例えば、これは、第1の可能性(例えば、画像が2つ以上の健康状態を提示する可能性)および第2の可能性(例えば、画像が単一の健康状態を提示する可能性)が両方とも閾値(例えば、80%)を下回るときに起こり得る。そのような実施形態では、診断システム130は、診断が行われることができないという結果をクライアントデバイスに出力してもよく、例えば、クライアントデバイス110のユーザが医学の専門知識を取得することを提案することができる。
いくつかの実施形態では、入力画像が2つ以上の皮膚異常を提示することを決定することに応答して、診断システム130は、入力画像内の2つ以上の健康状態に関して予測を提供することなく、インジケーションについての情報をクライアントデバイス110に提供してもよい。例えば、診断システム130は、政府規制および方針(例えば、食品医薬品局(FDA)から公表された規制、または疾病管理センター(CDC)から発行されたガイドライン等)を精査および確認し、これらの規制に準拠するように要求の結果を発生させてもよい。したがって、診断システム130が、2つ以上の健康状態に関して予測を発生させることができる場合でさえも、診断システム130は、規制が、例えば、画像に提示される2つ以上の健康状態のコンピュータ化診断に制約を加える場合、クライアントデバイス110への出力においてこれらの結果を省略してもよい。そのような実施形態では、診断システム130は、単に、入力画像が2つ以上の健康状態を含有するが、政府規制に起因して、診断が行われることができないという情報をユーザに提供してもよい。
いくつかの実施形態では、入力画像が単一の健康状態を提示することを決定することに応答して、診断システム130は、データベースから、単一の健康状態に関して予測を発生させるように構成される診断モデルにアクセスし、それを選択してもよい。診断システム130は、選択された診断モデルを入力画像に適用することによって、入力画像に関して予測を発生させる。診断システム130は、予測に基づいて単一の皮膚異常に関して診断を発生させ、結果として診断をクライアントデバイスに提供する。
いくつかの実施形態では、入力画像が2つ以上の健康状態を提示することを決定することに応答して、診断システム130は、データベースから、2つ以上の健康状態の各々に関して個別の予測を発生させるように構成される診断モデルのセットにアクセスし、それを選択してもよい。例えば、診断システム130は、2つ以上の健康状態に関して予測を発生させるように構成される、図2-7と併せて説明されるモデルにアクセスすることができる。診断システム130は、診断モデルのセットを入力画像に適用することによって、入力画像内の2つ以上の健康状態に関して予測を発生させる。診断システム130は、予測から入力画像に関して診断を発生させ、結果として診断をクライアントデバイス110に提供する。
図2-8と併せて説明される機械学習されたモデルは、画像の形態で入力データを受信するように構成されるが、機械学習されたモデルはまた、付加的タイプの入力データを受信するように構成されてもよい。例えば、付加的タイプの入力データは、患者の身長または体重、患者の病歴、もしくは患者に公知である既存の病状についての情報を要求する質問への患者回答、および同等物等の患者の経歴データを含んでもよい。例えば、患者の病歴は、患者が、モデルの予測成果に影響を及ぼし得る、ある健康状態になりやすい傾向があることを示し得る。
図1の系統図に戻ると、クライアントデバイス110は、診断システム130が、クライアントデバイス110上に予測または他のインジケーションを発生させ、表示し得るように、患者の解剖学的部分の画像を診断システム130に提供する。クライアントデバイス110のユーザは、コンピュータ化診断システムを用いて患者の健康状態の診断において補助されることを所望する、病院の医療専門家であり得る。別の実施例として、クライアントデバイス110のユーザは、個人の身体上に提示される症状に基づいて基礎的健康状態の診断を取得することを所望する、自宅またはオフィス内の個人であり得る。
一実施形態では、クライアントデバイス110は、クライアントデバイス110のユーザが、標準インターネットプロトコルを使用して、診断システム130と相互作用することを可能にする、ブラウザを含む。別の実施形態では、クライアントデバイス110は、クライアントデバイス110およびサーバの間の相互作用を可能にするように(例えば、診断システム130に関与する団体によって)具体的に設計される、専用アプリケーションを含む。一実施形態では、クライアントデバイス110は、クライアントデバイス110のユーザが、診断システム130と相互作用し、入力画像内の健康状態の予測を視認することを可能にする、ユーザインターフェースを含む。例えば、ユーザインターフェースは、個別の健康状態を有することが推定される画像上の場所の上に、診断システム130によって発生される予測をオーバーレイするように構成されてもよい。
クライアントデバイス110は、ANDROID(登録商標)またはAPPLE(登録商標) IOS(登録商標)等のオペレーティングシステムを伴うスマートフォン、タブレットコンピュータ、ラップトップコンピュータ、デスクトップコンピュータ、またはカメラを含む、もしくはそれと接続するように構成され得る、任意の他のタイプのネットワーク対応デバイス等のコンピューティングデバイスであってもよい。別の実施形態では、クライアントデバイス110は、拡張現実(AR)環境をユーザに発生させるためのコンピューティングデバイスまたはスマートフォンカメラを含むヘッドセット、もしくは仮想現実(VR)環境をユーザに発生させるためのコンピューティングデバイスを含むヘッドセットである。典型的クライアントデバイス110は、(例えば、WiFiおよび/または4Gもしくは5Gまたは他の無線電気通信規格を介して)ネットワーク122に接続するために必要とされるハードウェアおよびソフトウェアを含む。
ネットワーク122は、クライアントデバイス110と診断システム130との間の通信インフラストラクチャを提供する。ネットワーク122は、典型的には、インターネットであるが、限定ではないが、ローカルエリアネットワーク(LAN)、メトロポリタンエリアネットワーク(MAN)、広域ネットワーク(WAN)、モバイル有線または無線ネットワーク、プライベートネットワーク、もしくは仮想プライベートネットワークを含む、任意のネットワークであってもよい。
(診断システムのアーキテクチャ)
(診断システムのアーキテクチャ)
図9は、ある実施形態による、診断システム130のアーキテクチャのブロック図である。図9によって示される診断システム130は、訓練モジュール920と、データ管理モジュール925と、訓練モジュール330と、予測モジュール930と、治療出力モジュール935とを含む。診断システム130はまた、訓練データストア960と、モデルデータストア965とを含む。代替構成では、異なるおよび/または付加的コンポーネントが、診断システム130に含まれてもよい。
データ管理モジュール920は、図2-8の診断システム130と併せて説明されるモデルのセットを訓練するために使用され得る、訓練データストア960内に記憶された訓練データを取得および管理する。訓練データストア960は、個人の解剖学的部分の画像またはビデオ、およびこれらの画像に提示される健康状態の既知の診断から抽出される情報を含む。例えば、訓練データストア960は、病院、医用画像レポジトリ、研究画像レポジトリ、および同等物からデータ管理モジュール920によって取得される、放射線画像、コンピュータ断層撮影(CT)スキャン、医療共鳴画像(MRI)スキャン、X線画像、超音波または超音波検査画像、触覚画像、もしくはサーモグラフィ画像等の医用画像から抽出される情報を含んでもよい。別の実施例として、訓練データストア960は、クライアントデバイス110のユーザからデータ管理モジュール920によって取得される、スマートフォンカメラ上で取得される画像等の個人によって撮影された画像から抽出される情報を含んでもよい。
訓練モジュール925は、訓練データストア960内の情報を使用して、モデルのセットを訓練する。具体的には、所与の診断モデルMiに関して、訓練データSiは、入力データxj∈S(例えば、訓練画像またはビデオ)と、入力データxj∈Sの既知の特性評価(例えば、診断)である標識yj∈Siとをそれぞれ含む、複数の訓練インスタンスj=1、2、…、|Si|を含む。具体的には、入力データxjは、個人の解剖学的部分を捕捉する訓練画像から抽出される情報を含んでもよい。一実施形態では、機械学習されたモデルが、入力画像に加えて、または代替として、付加的タイプのデータを受信するように構成されるとき、入力データxj∈Sはまた、訓練画像内の患者に関する付加的タイプのデータ(例えば、患者に関する人口統計情報)を含んでもよい。一事例では、標識yj∈Siは、入力データのための特性評価を検証し得る、医師、医療専門家、または他の個人等の人間のオペレータによって取得されてもよい。別の事例では、標識自体は、人間のオペレータによって後に正当性を立証される、機械学習されたモデルによって発生される予測であってもよい。
訓練モジュール925は、前方パスステップと逆伝搬ステップとの間で繰り返し反復することによって、モデルに関して加重のセットを訓練する。前方パスステップの間に、訓練モジュール920は、訓練データの対応するサブセットSiを横断して、加重の推定されるセットを伴うモデルを入力データxj∈Sに適用することによって、推定出力y’j∈Sを発生させる。訓練モジュール920は、複数の訓練インスタンスに関して推定出力y’j∈Sと標識yj∈Sとの間の差異を示す、損失関数を決定する。逆伝搬ステップの間に、訓練モジュール920は、損失関数から取得される逆伝搬誤差項によって、モデルに関する加重のセットを繰り返し更新する。本プロセスは、損失関数の変化が事前決定された基準を満たすまで繰り返される。例えば、基準は、各反復における損失関数の変化が閾値を下回る場合、トリガーされてもよい。
一実施形態では、損失関数は、例えば、標識yjが連続値であるときに、以下によって求められ得、
式中、θpは、診断モデルに関する加重のセットである。別の実施形態では、損失関数は、例えば、標識yjが2進値であるときに、以下によって求められ得る。
しかしながら、損失関数は、実際の標識と各訓練相互作用の間に発生される推定出力との間の差異を示す、L1-ノルム、L-無限ノルム等の任意の他の関数であり得ることを理解されたい。
下記に説明されるように、訓練モジュール925は、入力画像の能動的診断を決定するために使用され得る、図2-7と併せて説明される診断モデルのセットを訓練する。一実施形態では、1つ以上の診断モデルは、出力ベクトルとして予測y’=v’を発生させるように構成され、出力ベクトルv’内の各要素は、個別の健康状態に関する予測に対応する。そのような実施形態では、診断モデルに関する訓練標識yj=vjは、ワンホットエンコードされたベクトルとしてエンコードされてもよく、ベクトル内の各要素は、訓練画像が要素に関して個別の健康状態で診断される場合、ゼロではない2進値(例えば、1の値)であり、いずれの診断も存在しない場合、ゼロである。したがって、2つ以上の健康状態を提示する訓練画像に関して、各個別の要素は、ベクトル内の2つ以上の要素がゼロではない値を有するように、適切な値に設定されてもよい。例えば、発疹およびほくろを予測するように構成される、診断モデルに関する訓練データは、第1の要素が、対応する訓練画像内の発疹の存在を示し、第2の要素が、訓練画像内のほくろの非存在を示す、標識「[0 1]」を含んでもよい。別の実施形態では、診断モデルは、個別の健康状態をそれぞれ表す、1つ以上のカテゴリに割り当てられ得る出力値として、予測y’=v’を発生させるように構成されてもよい。そのような実施形態では、診断モデルに関する標識yj=vjは、訓練画像内で診断される個別の健康状態に関するカテゴリを表す、値であってもよい。例えば、例示的診断モデルに関する訓練データは、訓練画像内の発疹の存在を示す標識「1」、または訓練画像内のほくろの存在を示す「2」を含んでもよい。
訓練モジュール920は、図3と併せて説明される診断モデルのアンサンブルセットに関して加重のセットを訓練する。具体的には、アンサンブルセットの中の各診断モデルは、1つ以上の健康状態の個別のセットに関して予測を発生させるように構成されてもよい。アンサンブルセットの中の診断モデルは、モデルのアーキテクチャ、モデルが予測するように構成される健康状態のセット、および同等物に対して相互と異なり得る。一実施形態では、診断モデルはそれぞれ、ノードの層のセットを含む、ニューラルネットワークアーキテクチャとして構成され、各層は、加重のセットを介して前の層に接続される。したがって、そのようなアンサンブルセットの中の診断モデルは、アーキテクチャ内の層、ノード、および接続の数に対して相互と異なり得る。
訓練モジュール925は、入力データxj∈Siとしての訓練画像と、診断モデルが予測するように構成される具体的健康状態の存在を示す、対応する標識yj∈S=vj∈Sとを含む、訓練データセットを使用して、アンサンブルセットの中の診断モデルに関して加重のセットを訓練する。前方パスステップの間に、訓練モジュール925は、診断モデルを訓練画像に適用することによって、推定出力y’j∈S=v’j∈Sを発生させる。逆伝搬ステップの間に、訓練モジュール925は、損失関数から取得される項を用いて、診断モデルに関する加重のセットを繰り返し更新する。
訓練モジュール920は、図4と併せて説明される特徴エクストラクタモデルおよび特徴分類器モデルに関して加重のセットを訓練する。一実施形態では、特徴エクストラクタモデルおよび特徴分類器モデルは、第1の部分と、第2の部分とを含む、ニューラルネットワークアーキテクチャを訓練することによって、訓練される。ニューラルネットワークアーキテクチャの第1の部分に関する加重のセットは、特徴エクストラクタモデルに関する加重のセットとして記憶されてもよく、第2の部分に関する加重のセットは、特徴分類器モデルに関する加重のセットとして記憶されてもよい。特徴分類器モデルに関する加重のセットは、続いて、訓練画像から抽出される複数の成分を使用して再訓練される。
図10は、ある実施形態による、図4に示される診断モデルのセットのための例示的訓練プロセスを図示する。訓練モジュール925は、ノードの層のセットを含む、ニューラルネットワークアーキテクチャ1036を訓練し、各層は、加重のセットを介して前の層に接続される。ニューラルネットワークアーキテクチャ1036は、1つ以上の健康状態の個別のセットに関して予測を発生させるように構成されてもよい。一実施形態では、ニューラルネットワークアーキテクチャ1036は、ディープニューラルネットワーク(DNN)、畳み込みニューラルネットワーク(CNN)、または画像データを受信し、出力を発生させ得る、任意の他のタイプのニューラルネットワークアーキテクチャとして構成される。
訓練モジュール925は、入力データxj∈Siとしての訓練画像と、特徴分類器モデルが予測するように構成される具体的健康状態の存在を示す、対応する標識yj∈S=vj∈Sとを含む、訓練データセットを使用して、ニューラルネットワークアーキテクチャに関して加重のセットを訓練する。前方パスステップの間に、訓練モジュール925は、ニューラルネットワークアーキテクチャを訓練画像に適用することによって、推定出力y’j∈S=v’j∈Sを発生させる。逆伝搬ステップの間に、訓練モジュール925は、損失関数から取得される項を用いて、ニューラルネットワークアーキテクチャに関する加重のセットを繰り返し更新する。
ニューラルネットワークアーキテクチャのための訓練プロセスが完了した後、訓練モジュール925は、特徴エクストラクタモデルに関する加重のセットとしてのニューラルネットワークアーキテクチャの第1の部分および特徴分類器モデルに関する加重のセットとしてのニューラルネットワークアーキテクチャの第2の部分を記憶する。一実施形態では、第1の部分および第2の部分は、第2の部分が、ニューラルネットワークアーキテクチャの第1の部分のための層の後に設置される層に関する加重のセットを含むように、選択される。例えば、第1の部分は、ニューラルネットワークアーキテクチャの最初の3つの層に関する加重のセットを含んでもよい一方、第2の部分は、ニューラルネットワークアーキテクチャの最後の5つの層に関する加重のセットを含んでもよい。
訓練モジュール925は、続いて、入力データxj∈Siとして訓練画像から抽出される複数の成分CFj∈Sと、特徴分類器モデルが予測するように構成される訓練画像内の具体的健康状態の存在を示す、対応する標識yj∈S=vj∈Sとを含む、訓練データセットを使用して、特徴分類器モデルに関して加重のセットを再訓練する。一事例では、訓練画像に関する複数の成分は、訓練された特徴エクストラクタモデルを訓練画像に適用し、訓練画像に関する画像テンソルを発生させ、画像テンソルにICAを実施し、複数の成分を発生させることによって、抽出される。前方パスステップの間に、訓練モジュール925は、特徴分類器モデルを複数の成分CFj∈Sに適用することによって、推定出力y’j∈S=v’j∈Sを発生させる。逆伝搬ステップの間に、訓練モジュール925は、損失関数から取得される項を用いて、特徴分類器モデルに関する加重のセットを繰り返し更新する。
訓練モジュール925は、図5と併せて説明されるRNNアーキテクチャに関して加重のセットを訓練する。訓練モジュール925は、入力データxj∈Sとしての一連の訓練画像と、RNNアーキテクチャが予測するように構成される具体的健康状態の存在を示す、対応する標識yj∈S=vj∈Sとを含む、訓練データセットを使用して、RNNアーキテクチャに関して加重のセットを訓練する。一実施形態では、RNNアーキテクチャに関する訓練データが、2つ以上の健康状態を提示する一連の訓練画像を含むとき、一連の各反復における標識vjは、訓練画像に存在する健康状態のうちの個別のものにおいてゼロではない値を有する、ワンホットエンコードされたベクトルであってもよい。前方パスステップの間に、訓練モジュール925は、RNNアーキテクチャを一連の訓練画像に繰り返し適用することによって、一連の推定出力y’j∈S=v’j∈Sを発生させる。一実施形態では、標識vjは、差異、例えば、|vj∈S-v’j∈S|が、可能性として考えられる順序付けの全てまたはサブセットにわたって低減される、もしくは最小限にされるように、訓練プロセスの前方パスステップの間に並べ替えられてもよい。訓練モジュール925は、一連の各反復における推定出力と標識との間の差異を組み合わせることによって、損失関数を決定する。逆伝搬ステップの間に、訓練モジュール925は、損失関数から取得される項を用いて、RNNアーキテクチャに関する加重のセットを繰り返し更新する。
訓練モジュール925は、図6と併せて説明される、微分器モデル、無定形異常モデル、および限局性異常モデルを訓練する。訓練モジュール925は、入力データxj∈Sとしての訓練画像と、無定形皮膚異常の存在または限局性皮膚異常の存在を示す、対応する標識yj∈S=vj∈Sとを含む、訓練データセットを使用して、微分器モデルに関して加重のセットを訓練する。一事例では、微分器モデルは、第1の要素が、画像が無定形皮膚異常を含む可能性に対応し、第2の要素が、画像が限局性皮膚異常を含む可能性に対応する、ベクトルとしてインジケーションを発生させるように構成される。そのような事例では、標識yj∈Sは、訓練画像が無定形皮膚異常を含む場合、ベクトルの第1の要素がゼロではない値(例えば、1の値)である、または画像がそれを含まない場合、ゼロであるように、エンコードされてもよい。同様に、ベクトルの第2の要素は、訓練画像が限局性皮膚異常を含む場合、ゼロではない値(例えば、1の値)である、または画像がそれを含まない場合、ゼロである。前方パスステップの間に、訓練モジュール925は、微分器モデルを訓練画像に適用することによって、推定出力y’j∈S=v’j∈Sを発生させ、損失関数から取得される項を用いて、逆伝搬ステップの間に微分器モデルに関する加重のセットを繰り返し更新する。
訓練モジュール925は、入力データxj∈Siとしての訓練画像と、モデルが予測するように構成される具体的無定形皮膚異常の存在を示す、対応する標識yj∈S=vj∈Sとを含む、訓練データセットを使用して、無定形異常モデルに関して加重のセットを訓練する。無定形異常モデルに関する訓練データは、単一の無定形皮膚異常または複数の無定形皮膚異常を伴う訓練画像を含んでもよい。前方パスステップの間に、訓練モジュール925は、無定形異常モデルを訓練画像に適用することによって、推定出力y’j∈S=v’j∈Sを発生させる。逆伝搬ステップの間に、訓練モジュール925は、損失関数から取得される項を用いて、無定形異常モデルに関する加重のセットを繰り返し更新する。
訓練モジュール925は、入力データxj∈Sとしての訓練画像と、モデルが予測するように構成される具体的限局性皮膚異常の存在を示す、対応する標識yj∈S=vj∈Sとを含有する、訓練データセットを使用して、限局性異常モデルに関して加重のセットを訓練する。限局性異常モデルに関する訓練データは、単一の限局性皮膚異常または複数の限局性皮膚異常を伴う訓練画像を含んでもよい。前方パスステップの間に、訓練モジュール925は、限局性異常モデルを訓練画像に適用することによって、推定出力y’j∈S=v’j∈Sを発生させる。逆伝搬ステップの間に、訓練モジュール925は、損失関数から取得される項を用いて、限局性異常モデルに関する加重のセットを繰り返し更新する。
下記にさらに説明されるように、訓練モジュール925はさらに、画像が2つ以上の健康状態を提示するかどうかのインジケーションを提供する、図8と併せて説明されるインジケータモデルを訓練する。訓練モジュール925は、入力データxj∈Sとしての訓練画像と、訓練画像が2つ以上の健康状態を提示するかどうかを示す、対応する標識yj∈S=vj∈Sとを含有する、訓練データセットを使用して、インジケータモデルに関して加重のセットを訓練する。訓練データは、単一の健康状態または複数の健康状態からの症状を伴う訓練画像を含んでもよい。一事例では、インジケータモデルは、画像が2つ以上の健康状態を提示する可能性を表す、インジケーションを発生させるように構成される。そのような事例では、標識yj∈Siは、訓練画像が2つ以上の健康状態を提示する場合、ゼロではない値として、または訓練画像が単一の健康状態を提示する場合、ゼロとしてエンコードされてもよい。前方パスステップの間に、訓練モジュール925は、インジケータモデルを訓練画像に適用することによって、推定出力y’j∈S=v’j∈Sを発生させる。逆伝搬ステップの間に、訓練モジュール925は、損失関数から取得される項を用いて、インジケータモデルに関する加重のセットを繰り返し更新する。
訓練モジュール925はまた、インジケータ機能性を伴って組み込まれる診断モデルを訓練することもできる。診断モデルは、図2-7の診断モデルのセット、または単一の健康状態を予測するように構成される診断モデル等の画像内の1つ以上の健康状態についてコンピュータ化予測を発生させるように構成される任意のモデルであってもよい。診断モデルは、概して、診断訓練データ(例えば、訓練画像および対応する健康状態標識)を使用して訓練されることができるが、訓練モジュール925はさらに、診断訓練データに加えて、診断モデルに関する指示訓練データを含むことによって、インジケータ機能性を組み込むように診断モデルを訓練する。
一実施形態では、指示訓練データSaは、2つ以上の健康状態を提示する訓練画像と、訓練画像内の2つ以上の健康状態の存在を示す、対応する標識yj∈Sa=vj∈Saと含む。一事例では、診断訓練データに関する標識yj∈S=vj∈Sが、ワンホットエンコードされたベクトルであるとき、指示訓練データに関する標識yj∈Sa=vj∈Saは、ベクトル内の全てまたは殆どの要素に関してゼロではない値を有する、ベクトルであってもよい。例えば、単一の健康状態を予測するように構成される診断モデルに関する訓練データは、訓練画像が2つ以上の健康状態を提示する場合、全ての要素に関してゼロではない値を含む、標識「[1 1]」を含んでもよい。このように、診断モデルは、全てまたは殆どの健康状態に関して比較的に類似するまたは等しい可能性を予測することによって、インジケーションを発生させるように構成される。
別の事例では、指示訓練データに関する標識yj∈Sa=vj∈Saは、2つ以上の健康状態を提示する画像を割り当てるための付加的要素またはカテゴリを含んでもよい。例えば、診断訓練データに関する標識yj∈S=vj∈Sが、ワンホットエンコードされたベクトルであるとき、標識はさらに、異なる健康状態に関する要素に加えて、インジケーションに関する別個の要素を含むように構成されてもよい。別個の要素は、訓練画像が2つ以上の健康状態を提示する場合、ゼロではない値であり、訓練画像がそれらを提示しない場合、ゼロである。例えば、発疹および/またはほくろを予測するように構成される診断モデルに関する訓練データは、第1の要素が、対応する訓練画像内の発疹の存在を示し、第2の要素が、訓練画像内のほくろの存在を示し、第3の別個の要素が、訓練画像内の2つ以上の健康状態の存在を示す、標識「[1 1 1]」を含んでもよい。別の実施例として、診断に関する標識yj∈S=vj∈Sであって、標識がカテゴリであるとき、標識はさらに、異なる健康状態に関するカテゴリに加えて、インジケーションに関する別個のカテゴリを含むように構成されてもよい。例えば、例示的診断モデルに関する訓練データは、訓練画像内の発疹の存在を示す標識「1」と、訓練画像内のほくろの存在を示す標識「2」と、訓練画像内の2つ以上の健康状態の存在を示す標識「3」とを含んでもよい。
訓練モジュール925は、図2-8と併せて説明される様式で、推論プロセスの間に展開され得るように、モデルデータストア965内の訓練される機械学習されたモデルを記憶してもよい。
予測モジュール930は、クライアントデバイス110から要求を受信し、入力画像内で捕捉される健康状態のコンピュータ化診断を提供する。診断の要求に応答して、予測モジュール930は、診断システム130によって訓練される診断モデルを使用して、入力画像に関して診断を発生させるために使用され得る、診断モデルのセットを選択してもよい。予測モジュール930は、図2-8と併せて説明される例示的推論プロセスと同様に、選択された診断モデルを適用し、入力画像に提示される健康状態について予測を発生させてもよい。一事例では、予測モジュール930は、予測の可能性が閾値を上回る場合、健康状態に関して診断を決定する。例えば、予測モジュール930は、予測可能性が0.80または80%を上回る場合、個別の健康状態が入力画像に確かに存在することを結論付けてもよい。予測モジュール930は、個別の健康状態が別様に入力画像に欠如していることを結論付けてもよい。
いくつかの実施形態では、予測モジュール930は、個別の健康状態に関する予測が決定的ではないことを決定し、診断要求が行われることができないという情報をクライアントデバイス110に発生させてもよい、または代替として、決定的予測を有する残りの健康状態に関する診断をクライアントデバイス110に出力してもよい。例えば、予測モジュール930は、個別の予測が第1の閾値と第2の閾値との間(例えば、20%~80%)の可能性を有する場合、診断が決定的ではないことを決定してもよい。別の事例では、予測モジュール930は、予測の可能性が診断モデルによって発生される他の予測可能性の中で閾値割合以内である場合、健康状態に関する診断を決定する。
一実施形態では、予測モジュール930は、コンピュータ化診断を統制する、関連性がある政府規制または方針に準拠するようにプログラムされ、現在の規制または方針に準拠するように診断結果を発生させる。例えば、規制または方針は、個別の健康状態が入力画像に提示されるかどうかを決定するために使用される、種々の予測閾値を決定付けてもよく、これらの閾値は、異なる健康状態の間で変動し得る。一事例では、診断システム130の管理者が、これらの規制または方針を精査し、それらに準拠するように予測モジュール930をプログラムしてもよい。別の事例では、予測モジュール930は、関連性がある団体(例えば、FDA)のウェブサイトまたはデータベースから情報を収集し、収集された情報から解析されるルールに従って、予測を発生させてもよい。したがって、予測モジュール930は、モデルによって発生される予測を精査し、これらの規制または方針に準拠するように要求に関する診断結果を発生させてもよい。例えば、予測モジュール930は、FDAによって設定される方針に従って、予測可能性が80%の閾値を超える場合、座瘡に関する診断を決定してもよい一方、予測モジュール930は、予測可能性が95%の閾値のみを超える場合、発疹に関する診断を決定してもよい。
さらに、診断の要求に応答して、予測モジュール930は、インジケータモデルまたはインジケータ機能性を伴う診断モデルを選択し、入力画像に関するインジケーションを発生させてもよい。予測モジュール930は、選択されたモデルを適用し、インジケーションを発生させてもよい。一事例では、予測モジュール930は、インジケーションの可能性が閾値を上回る場合、入力画像が2つ以上の健康状態を提示することを決定する。別の事例では、予測モジュール930は、インジケーションの可能性が選択されたモデルによって発生される他の出力の中で閾値割合以内である場合、入力画像が2つ以上の健康状態を提示することを決定する。図8と併せて説明されるように、予測モジュール930は、適切な診断モデルが診断を発生させるために選択され得る、または、例えば、コンピュータ化診断についての政府規制もしくは方針への準拠に起因して、診断が行われることができないという情報が、クライアントデバイス110のユーザに出力されるように、決定に基づいて要求に関して結果を発生させてもよい。
治療出力モジュール935は、予測モジュール930によって提供される診断と併せて、潜在的治療オプションを提供する。診断結果を前提として、例えば、必要とされる場合、短い時間周期内に健康状態を治療し得るように、クライアントデバイス110のユーザが、診断を用いた治療のための潜在的オプションを受信することが有利であり得る。一実施形態では、治療出力モジュール935は、人間の医療専門家に相談すること、専門システムの論法、または前のシステムからオプションを導出することによって、治療オプションを発生させてもよい。一実施形態では、治療出力モジュール935は、患者によって提示される健康状態に対して副作用を低減させ、回避することが公知である、治療オプションを提案してもよい。
(重複する皮膚異常を診断する方法)
(重複する皮膚異常を診断する方法)
図11は、入力画像内の重複する皮膚異常を診断する方法を図示する。診断システム130は、クライアントデバイスから、入力画像内の皮膚異常を診断する要求を(例えば、ネットワーク120を経由して)受信する1102。入力画像は、患者の皮膚上の重複する皮膚異常を含む。診断システム130は、データベース(例えば、モデル965が、訓練データ960を使用して訓練され、図2-8と併せて説明されるモデルを含み得る、モデルデータストア965)から機械学習されたモデルのセットに(例えば、予測モジュール930を使用して、ネットワーク120を経由して)アクセスする1104。各機械学習されたモデルは、訓練された加重の個別のセットを含む。診断モデル130は、機械学習されたモデルのセットを入力画像に適用すること(例えば、図2-8と併せて説明される推論プロセス)によって、(例えば、予測モジュール930を使用して)入力画像内の2つ以上の皮膚異常の各々に関して個別の予測を発生させる1106。予測は、2つ以上の皮膚異常の中の個別の皮膚異常が入力画像に示される可能性を示す。診断システム130は、(例えば、予測モジュール930を使用して)予測から重複する皮膚異常の診断を発生させる1108。診断システム130は、(例えば、ネットワーク120を経由して)診断をクライアントデバイスに提供する1100。
(2つ以上の皮膚異常のインジケーションを発生させる方法)
(2つ以上の皮膚異常のインジケーションを発生させる方法)
図12は、入力画像内の2つ以上の皮膚異常のインジケーションを発生させる方法を図示する。診断システム130は、クライアントデバイスから、入力画像内の皮膚異常の診断の要求を(例えば、ネットワーク120を経由して)受信する1202。診断システム130は、データベース(例えば、モデル965が、訓練データ960を使用して訓練され、図8と併せて説明されるモデルを含み得る、モデルデータストア965)から機械学習されたモデルに(例えば、予測モジュール930を使用して、ネットワーク120を経由して)アクセスする1204。機械学習されたモデルは、訓練された加重の個別のセットを含む。診断モデル130は、機械学習されたモデルを入力画像に適用すること(例えば、図8と併せて説明される推論プロセス)によって、(例えば、予測モジュール930を使用して)インジケーションを発生させる1206。診断システム130は、(例えば、予測モジュール930を使用して)予測からの重複する皮膚異常の決定に基づいて、要求に関して結果を発生させる1208。診断システム130は、(例えば、ネットワーク120を経由して)結果をクライアントデバイスに提供する1210。
(概要)
(概要)
本発明の実施形態の前述の説明は、例証の目的のために提示されており、包括的であること、または本発明を開示される精密な形態に限定することを意図していない。当業者は、多くの修正および変形例が上記の開示を踏まえて可能性として考えられることを理解することができる。
本説明のいくつかの部分は、情報への動作のアルゴリズムおよび象徴的表現の観点から本発明の実施形態を説明する。これらのアルゴリズム的記述および表現は、データ処理の分野の当業者によって、その仕事の内容を他の当業者に効果的に伝えるために一般的に使用されている。これらの動作は、機能的、計算上、または論理的に説明されるが、コンピュータプログラムまたは同等の電気回路、マイクロコード、もしくは同等物によって実装されると理解される。さらに、また、一般性を失うことなく、これらの動作の配列をモジュールと称することが、随時、便宜的であることも証明されている。説明される動作およびそれらの関連付けられるモジュールは、ソフトウェア、ファームウェア、ハードウェア、またはそれらの任意の組み合わせで具現化され得る。
本明細書に説明されるステップ、動作、またはプロセスのうちのいずれかは、単独で、もしくは他のデバイスと組み合わせて、1つ以上のハードウェアもしくはソフトウェアモジュールを伴って実施または実装され得る。一実施形態では、ソフトウェアモジュールは、説明されるステップ、動作、またはプロセスのうちのいずれかもしくは全てを実施するためにコンピュータプロセッサによって実行され得る、コンピュータプログラムコードを含有するコンピュータ可読媒体を備える、コンピュータプログラム製品を伴って実装される。
本発明の実施形態はまた、本明細書の動作を実施するための装置に関し得る。本装置は、特に、要求される目的のために構築されてもよい、および/またはコンピュータ内に記憶されたコンピュータプログラムによって選択的にアクティブ化もしくは再構成される汎用コンピューティングデバイスを備えてもよい。そのようなコンピュータプログラムは、コンピュータシステムバスに結合され得る、非一過性の有形コンピュータ可読記憶媒体または電子命令を記憶するために好適な任意のタイプの媒体内に記憶されてもよい。さらに、本明細書で参照される任意のコンピューティングシステムは、単一のプロセッサを含んでもよい、または増加したコンピューティング能力のために複数のプロセッサ設計を採用するアーキテクチャであってもよい。
本発明の実施形態はまた、本明細書に説明されるコンピューティングプロセスによって生産される製品に関し得る。そのような製品は、コンピューティングプロセスから生じる情報を備えてもよく、情報は、非一過性の有形コンピュータ可読記憶媒体上に記憶され、本明細書に説明されるコンピュータプログラム製品または他のデータの組み合わせの任意の実施形態を含んでもよい。
最後に、本明細書で使用される言語は、主に、可読性および指示目的のために選択されており、発明の主題を正確に描写する、または制限するために説明されていない場合がある。したがって、本発明の範囲は、本発明を実施するための形態によってではなく、むしろ、これに基づく出願上で生じる任意の請求項によって限定されることが意図される。故に、本発明の実施形態の開示は、以下の請求項に記載される、本発明の範囲の限定ではなく、例証であることを意図している。
Claims (40)
- 入力画像内の重複する皮膚異常を診断する方法であって、前記方法は、
クライアントデバイスから、入力画像内の皮膚異常を診断する要求を受信することであって、前記入力画像は、患者の皮膚上の重複する皮膚異常を含む、ことと、
データベースから機械学習されたモデルのセットにアクセスすることであって、各機械学習されたモデルは、訓練された加重の個別のセットを含む、ことと、
前記機械学習されたモデルのセットを前記入力画像に適用することによって、前記入力画像内の2つ以上の皮膚異常の各々に関して個別の予測を発生させることであって、予測は、前記2つ以上の皮膚異常の中の個別の皮膚異常が前記入力画像に示される可能性を示す、ことと、
前記入力画像に関して前記予測から前記重複する皮膚異常の診断を発生させることと、
前記クライアントデバイスに前記診断を提供することと
を含む、方法。 - 前記機械学習されたモデルのセットは、ニューラルネットワークモデルのアンサンブルセットであり、前記2つ以上の皮膚異常に関して前記予測を発生させることはさらに、
前記アンサンブルセットの中の各ニューラルネットワークモデルに関して、前記ニューラルネットワークモデルを前記入力画像に適用することによって、前記ニューラルネットワークモデルから1つ以上の予測を発生させることと、
前記ニューラルネットワークモデルのアンサンブルセットに関する前記予測を組み合わせ、前記2つ以上の皮膚異常に関して前記予測を発生させることと
を含む、請求項1に記載の方法。 - 前記機械学習されたモデルのセットは、第2の機械学習されたモデルと、第3の機械学習されたモデルとを含み、前記2つ以上の皮膚異常に関して前記予測を発生させることはさらに、
前記第2の機械学習されたモデルを前記入力画像に適用することによって、画像テンソルを発生させることであって、前記画像テンソルは、前記入力画像内の複数の空間特徴を特徴付ける、ことと、
前記画像テンソルから複数の成分を抽出することと、
前記2つ以上の皮膚異常の各々に関して個別のテンソルを発生させることと、
前記第3の機械学習されたモデルを前記2つ以上の皮膚異常の各々に関する前記個別のテンソルに適用することによって、前記2つ以上の皮膚異常に関して前記予測を発生させることと
を含む、請求項1に記載の方法。 - 前記複数の成分は、前記画像テンソルに独立成分分析(ICA)を実施することによって、前記画像テンソルから抽出される、請求項3に記載の方法。
- 前記第2の機械学習されたモデルおよび前記第3の機械学習されたモデルに関する前記訓練された加重のセットは、合同で訓練される、請求項3に記載の方法。
- 前記機械学習されたモデルのセットは、リカレントニューラルネットワークモデルを含み、前記2つ以上の皮膚異常に関して前記予測を発生させることはさらに、
前記リカレントニューラルネットワークモデルを前記入力画像に繰り返し適用し、第1の時間において前記2つ以上の皮膚異常の中の第1の皮膚異常に関して前記個別の予測を発生させ、前記第1の時間の後続の第2の時間において前記2つ以上の皮膚異常の中の第2の皮膚異常に関して前記個別の予測を発生させること
を含む、請求項1に記載の方法。 - 前記機械学習されたモデルのセットは、第2の機械学習されたモデルと、第3の機械学習されたモデルと、第4の機械学習されたモデルとを含み、前記2つ以上の皮膚異常に関して前記予測を発生させることはさらに、
前記入力画像が無定形皮膚異常または限局性異常を含むかどうかについて予測を発生させることと、
前記入力画像が無定形皮膚異常を含むことを決定することに応答して、前記無定形異常モデルを前記入力画像に適用することによって、前記無定形皮膚異常に関して予測を発生させることと、
前記入力画像が限局性皮膚異常を含むことを決定することに応答して、前記限局性異常モデルを前記入力画像に適用することによって、前記限局性皮膚異常に関して予測を発生させることと
を含む、請求項1に記載の方法。 - 前記機械学習されたモデルのセットのうちの少なくとも1つは、ノードの層のセットを含むニューラルネットワークアーキテクチャとして構成され、各層は、加重のサブセットを介して前の層に接続される、請求項1に記載の方法。
- 前記入力画像は、放射線画像、コンピュータ断層撮影(CT)スキャン、医療共鳴画像(MRI)スキャン、X線画像、超音波または超音波検査画像、触覚画像、またはサーモグラフィ画像のうちの少なくとも1つである、請求項1に記載の方法。
- 前記入力画像は、前記クライアントデバイスのユーザによって捕捉される画像であり、前記クライアントデバイスは、スマートフォンである、請求項1に記載の方法。
- 入力画像内の重複する皮膚異常を診断するためのコンピュータプログラム製品であって、前記コンピュータプログラム製品は、コンピュータ可読記憶媒体を備え、前記コンピュータ可読記憶媒体は、
クライアントデバイスから、入力画像内の皮膚異常を診断する要求を受信することであって、前記入力画像は、患者の皮膚上の重複する皮膚異常を含む、ことと、
データベースから機械学習されたモデルのセットにアクセスすることであって、各機械学習されたモデルは、訓練された加重の個別のセットを含む、ことと、
前記機械学習されたモデルのセットを前記入力画像に適用することによって、前記入力画像内の2つ以上の皮膚異常の各々に関して個別の予測を発生させることであって、予測は、前記2つ以上の皮膚異常の中の個別の皮膚異常が前記入力画像に示される可能性を示す、ことと、
前記入力画像に関して前記予測から前記重複する皮膚異常の診断を発生させることと、
前記クライアントデバイスに前記診断を提供することと
のためのコンピュータプログラムコードを含有する、コンピュータプログラム製品。 - 前記機械学習されたモデルのセットは、ニューラルネットワークモデルのアンサンブルセットであり、前記2つ以上の皮膚異常に関して前記予測を発生させることはさらに、
前記アンサンブルセットの中の各ニューラルネットワークモデルに関して、前記ニューラルネットワークモデルを前記入力画像に適用することによって、前記ニューラルネットワークモデルから1つ以上の予測を発生させることと、
前記ニューラルネットワークモデルのアンサンブルセットに関する前記予測を組み合わせ、前記2つ以上の皮膚異常に関して前記予測を発生させることと
を含む、請求項11に記載のコンピュータプログラム製品。 - 前記機械学習されたモデルのセットは、第2の機械学習されたモデルと、第3の機械学習されたモデルとを含み、前記2つ以上の皮膚異常に関して前記予測を発生させることはさらに、
前記第2の機械学習されたモデルを前記入力画像に適用することによって、画像テンソルを発生させることであって、前記画像テンソルは、前記入力画像内の複数の空間特徴を特徴付ける、ことと
前記画像テンソルから複数の成分を抽出することと、
前記2つ以上の皮膚異常の各々に関して個別のテンソルを発生させることと、
前記第3の機械学習されたモデルを前記2つ以上の皮膚異常の各々に関する前記個別のテンソルに適用することによって、前記2つ以上の皮膚異常に関して前記予測を発生させることと
を含む、請求項11に記載のコンピュータプログラム製品。 - 前記複数の成分は、前記画像テンソルに独立成分分析(ICA)を実施することによって、前記画像テンソルから抽出される、請求項13に記載のコンピュータプログラム製品。
- 前記第2の機械学習されたモデルおよび前記第3の機械学習されたモデルに関する前記訓練された加重のセットは、合同で訓練される、請求項13に記載のコンピュータプログラム製品。
- 前記機械学習されたモデルのセットは、リカレントニューラルネットワークモデルを含み、前記2つ以上の皮膚異常に関して前記予測を発生させることはさらに、
前記リカレントニューラルネットワークモデルを前記入力画像に繰り返し適用し、第1の時間において前記2つ以上の皮膚異常の中の第1の皮膚異常に関して前記個別の予測を発生させ、前記第1の時間の後続の第2の時間において前記2つ以上の皮膚異常の中の第2の皮膚異常に関して前記個別の予測を発生させること
を含む、請求項11に記載のコンピュータプログラム製品。 - 前記機械学習されたモデルのセットは、第2の機械学習されたモデルと、第3の機械学習されたモデルと、第4の機械学習されたモデルとを含み、前記2つ以上の皮膚異常に関して前記予測を発生させることはさらに、
前記入力画像が無定形皮膚異常または限局性異常を含むかどうかについて予測を発生させることと、
前記入力画像が無定形皮膚異常を含むことを決定することに応答して、前記無定形異常モデルを前記入力画像に適用することによって、前記無定形皮膚異常に関して予測を発生させることと、
前記入力画像が限局性皮膚異常を含むことを決定することに応答して、前記限局性異常モデルを前記入力画像に適用することによって、前記限局性皮膚異常に関して予測を発生させることと
を含む、請求項11に記載のコンピュータプログラム製品。 - 前記機械学習されたモデルのセットのうちの少なくとも1つは、ノードの層のセットを含むニューラルネットワークアーキテクチャとして構成され、各層は、加重のサブセットを介して前の層に接続される、請求項11に記載のコンピュータプログラム製品。
- 前記入力画像は、放射線画像、コンピュータ断層撮影(CT)スキャン、医療共鳴画像(MRI)スキャン、X線画像、超音波または超音波検査画像、触覚画像、またはサーモグラフィ画像のうちの少なくとも1つである、請求項11に記載のコンピュータプログラム製品。
- 前記入力画像は、前記クライアントデバイスのユーザによって捕捉される画像であり、前記クライアントデバイスは、スマートフォンである、請求項11に記載のコンピュータプログラム製品。
- 入力画像内の2つ以上の皮膚異常のインジケーションを発生させる方法であって、前記方法は、
クライアントデバイスから、入力画像に提示される皮膚異常の診断の要求を受信することと、
データベースから機械学習されたモデルにアクセスすることであって、前記機械学習されたモデルは、訓練された加重の個別のセットを含む、ことと、
前記機械学習されたモデルを前記入力画像に適用することによって、インジケーションを発生させることであって、前記インジケーションは、前記入力画像が2つ以上の皮膚異常を示す可能性を表す、ことと、
前記入力画像に関して発生される前記インジケーションから、前記入力画像が2つ以上の皮膚異常を提示するかどうかについての決定を発生させることと、
前記決定に基づいて、前記要求に関して結果を発生させ、前記結果を前記クライアントデバイスに提供することと
を含む、方法。 - 前記決定に基づいて、前記入力画像に関して処置オプションを決定し、前記結果として前記処置オプションを前記クライアントデバイスに提供することをさらに含む、請求項21に記載の方法。
- 前記入力画像が、2つ以上の皮膚異常ではなく、1つの皮膚異常を提示することを決定することに応答して、前記データベースから単一の皮膚異常に関して予測を発生させるように構成される診断モデルにアクセスすることと、
前記診断モデルを前記入力画像に適用することによって、前記入力画像内の前記皮膚異常に関して予測を発生させることと、
前記予測から前記入力画像に関して診断を発生させ、前記結果として前記診断を前記クライアントデバイスに提供することと
をさらに含む、請求項21に記載の方法。 - 前記入力画像が2つ以上の皮膚異常を提示することを決定することに応答して、前記データベースから2つ以上の皮膚異常の各々に関して個別の予測を発生させるように構成される診断モデルのセットにアクセスすることと、
前記診断モデルのセットを前記入力画像に適用することによって、前記入力画像内の前記2つ以上の皮膚異常に関して予測を発生させることと、
前記予測から前記入力画像に関して診断を発生させ、前記結果として前記診断を前記クライアントデバイスに提供することと
をさらに含む、請求項21に記載の方法。 - 前記入力画像が2つ以上の皮膚異常を提示することを決定することに応答して、前記入力画像が診断されることができないという情報を前記クライアントデバイスに提供することをさらに含む、請求項21に記載の方法。
- 前記入力画像が2つ以上の皮膚異常を提示することを決定することに応答して、前記入力画像内の前記2つ以上の皮膚異常に関する予測を提供することなく、前記インジケーションについての情報を前記クライアントデバイスに提供することをさらに含む、請求項21に記載の方法。
- 前記機械学習されたモデルはまた、画像を受信し、前記画像に提示される1つ以上の皮膚異常に関して予測を発生させるようにさらに構成される診断モデルである、請求項21に記載の方法。
- 前記インジケーションを発生させることはさらに、前記診断モデルを前記入力画像に適用し、要素のセットを含む出力ベクトルを発生させることを含み、前記1つ以上の皮膚異常に関する前記予測は、前記出力ベクトル内の前記要素の値によって表され、
前記入力画像は、前記出力ベクトル内の前記要素のセットの値の間の差異が事前決定された閾値を下回るときに、2つ以上の皮膚異常を提示するように決定される、
請求項27に記載の方法。 - 前記インジケーションを発生させることはさらに、前記診断モデルを前記入力画像に適用し、要素のセットを含む出力ベクトルを発生させることを含み、前記1つ以上の皮膚異常に関する前記予測は、前記出力ベクトル内の要素のサブセットに関する値によって表され、前記インジケーションは、前記出力ベクトル内の残りの要素の値によって表される、請求項27に記載の方法。
- 前記1つ以上の皮膚異常に関する前記予測は、カテゴリのセットの中の1つ以上のカテゴリによって表され、
前記インジケーションを発生させることはさらに、前記診断モデルを前記入力画像に適用し、出力値を発生させることを含み、
前記入力画像は、前記出力値が前記カテゴリのセットの中の残りのカテゴリに割り当てられるときに、2つ以上の皮膚異常を提示するように決定される、
請求項27に記載の方法。 - 入力画像内の2つ以上の皮膚異常のインジケーションを発生させるためのコンピュータプログラム製品であって、前記コンピュータプログラム製品は、コンピュータ可読記憶媒体を備え、前記コンピュータ可読記憶媒体は、
クライアントデバイスから、入力画像内の皮膚異常の診断の要求を受信することと、
データベースから機械学習されたモデルにアクセスすることであって、前記機械学習されたモデルは、訓練された加重の個別のセットを含む、ことと、
前記機械学習されたモデルを前記入力画像に適用することによって、インジケーションを発生させることであって、前記インジケーションは、前記入力画像が2つ以上の皮膚異常を含む可能性を表す、ことと、
前記入力画像に関して発生される前記インジケーションから、前記入力画像が2つ以上の皮膚異常を提示するかどうかについての決定を発生させることと、
前記決定に基づいて、前記要求に関して結果を発生させ、前記結果を前記クライアントデバイスに提供することと
のためのコンピュータプログラムコードを含有する、コンピュータプログラム製品。 - 前記コンピュータ可読記憶媒体はさらに、
前記決定に基づいて、前記入力画像内の個人のための処置オプションを決定し、前記結果として前記処置オプションを前記クライアントデバイスに提供するためのコンピュータプログラムコードを含有する、請求項31に記載のコンピュータプログラム製品。 - 前記コンピュータ可読記憶媒体はさらに、
前記入力画像が、2つ以上の皮膚異常ではなく、1つの皮膚異常を提示することを決定することに応答して、前記データベースから単一の皮膚異常に関して予測を発生させるように構成される診断モデルにアクセスすることと、
前記診断モデルを前記入力画像に適用することによって、前記入力画像内の前記皮膚異常に関して予測を発生させることと、
前記予測から前記入力画像に関して診断を発生させ、前記結果として前記診断を前記クライアントデバイスに提供することと、
のためのコンピュータプログラムコードを含有する、請求項31に記載のコンピュータプログラム製品。 - 前記コンピュータ可読記憶媒体はさらに、
前記入力画像が2つ以上の皮膚異常を提示することを決定することに応答して、前記データベースから2つ以上の皮膚異常の各々に関して個別の予測を発生させるように構成される診断モデルのセットにアクセスすることと、
前記診断モデルのセットを前記入力画像に適用することによって、前記入力画像内の前記2つ以上の皮膚異常に関して予測を発生させることと、
前記予測から前記入力画像に関して診断を発生させ、前記結果として前記診断を前記クライアントデバイスに提供することと
のためのコンピュータプログラムコードを含有する、請求項31に記載のコンピュータプログラム製品。 - 前記コンピュータ可読記憶媒体はさらに、前記入力画像が2つ以上の皮膚異常を提示することを決定することに応答して、前記入力画像が診断されることができないという情報を前記クライアントデバイスに提供するためのコンピュータプログラムコードを含有する、請求項31に記載のコンピュータプログラム製品。
- 前記コンピュータ可読記憶媒体はさらに、前記入力画像が2つ以上の皮膚異常を提示することを決定することに応答して、前記入力画像内の前記2つ以上の皮膚異常に関する予測を提供することなく、前記インジケーションについての情報を前記クライアントデバイスに提供するためのコンピュータプログラムコードを含有する、請求項31に記載のコンピュータプログラム製品。
- 前記機械学習されたモデルはまた、画像を受信し、前記画像に提示される1つ以上の皮膚異常に関して予測を発生させるようにさらに構成される診断モデルである、請求項31に記載のコンピュータプログラム製品。
- 前記インジケーションを発生させることはさらに、前記診断モデルを前記入力画像に適用し、要素のセットを含む出力ベクトルを発生させることであって、前記1つ以上の皮膚異常に関する前記予測は、前記出力ベクトル内の前記要素の値によって表される、ことを含み、
前記入力画像は、前記出力ベクトル内の前記要素のセットの値の間の差異が事前決定された閾値を下回るときに、2つ以上の皮膚異常を提示するように決定される、
請求項37に記載のコンピュータプログラム製品。 - 前記インジケーションを発生させることはさらに、前記診断モデルを前記入力画像に適用し、要素のセットを含む出力ベクトルを発生させることを含み、前記1つ以上の皮膚異常に関する前記予測は、前記出力ベクトル内の要素のサブセットに関する値によって表され、前記インジケーションは、前記出力ベクトル内の残りの要素の値によって表される、請求項37に記載のコンピュータプログラム製品。
- 前記1つ以上の皮膚異常に関する前記予測は、カテゴリのセットの中の1つ以上のカテゴリによって表され、
前記インジケーションを発生させることはさらに、前記診断モデルを前記入力画像に適用し、出力値を発生させることを含み、
前記入力画像は、前記出力値が前記カテゴリのセットの中の残りのカテゴリに割り当てられるときに、2つ以上の皮膚異常を提示するように決定される、
請求項37に記載のコンピュータプログラム製品。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962869553P | 2019-07-01 | 2019-07-01 | |
US62/869,553 | 2019-07-01 | ||
PCT/US2020/040270 WO2021003142A1 (en) | 2019-07-01 | 2020-06-30 | Diagnosing skin conditions using machine-learned models |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022537818A true JP2022537818A (ja) | 2022-08-30 |
Family
ID=74101280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021576048A Pending JP2022537818A (ja) | 2019-07-01 | 2020-06-30 | 機械学習されたモデルを使用して皮膚状態を診断すること |
Country Status (9)
Country | Link |
---|---|
US (2) | US20220367049A1 (ja) |
EP (1) | EP3959669A4 (ja) |
JP (1) | JP2022537818A (ja) |
KR (1) | KR20220034144A (ja) |
CN (1) | CN114223006A (ja) |
AU (1) | AU2020299568B2 (ja) |
CA (1) | CA3141644A1 (ja) |
IL (1) | IL288866A (ja) |
WO (1) | WO2021003142A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10932970B2 (en) * | 2018-08-27 | 2021-03-02 | Careview Communications, Inc. | Systems and methods for monitoring and controlling bed functions |
WO2022139943A2 (en) * | 2020-10-23 | 2022-06-30 | Remmie, Inc. | Machine learning for ear disease diagnosis assistance |
KR20230034762A (ko) * | 2021-09-03 | 2023-03-10 | 주식회사 뷰노 | 기계학습 방법 및 장치 |
WO2023235628A1 (en) * | 2022-06-03 | 2023-12-07 | University Of Central Florida Research Foundation, Inc. | System to visualize, measure and track skin abnormalities |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8543519B2 (en) * | 2000-08-07 | 2013-09-24 | Health Discovery Corporation | System and method for remote melanoma screening |
EP2713872A4 (en) * | 2011-05-26 | 2014-10-22 | 3Derm Systems Llc | STEREOSCOPIC DERMATOSCOPE READY TO ROTATE AND INTERNET INTERFACE |
CN103324940A (zh) * | 2013-05-02 | 2013-09-25 | 广东工业大学 | 基于多示例多标签学习的皮肤病理图片特征识别方法 |
US9286537B2 (en) * | 2014-01-22 | 2016-03-15 | Cognizant Technology Solutions India Pvt. Ltd. | System and method for classifying a skin infection |
US9687155B2 (en) * | 2014-02-20 | 2017-06-27 | Modiface Inc. | System, method and application for skin health visualization and quantification |
IT201600121060A1 (it) * | 2016-11-29 | 2018-05-29 | St Microelectronics Srl | Procedimento per analizzare lesioni della pelle, sistema, dispositivo e prodotto informatico corrispondenti |
CN107480769A (zh) * | 2017-07-26 | 2017-12-15 | 广州慧扬健康科技有限公司 | 基于深度学习的皮肤癌识别系统 |
DE102017010397A1 (de) * | 2017-11-09 | 2019-05-09 | FotoFinder Systems GmbH | Verfahren zur Auswertung des Hautbildes eines Menschen im Rahmen der Hautkrebs-Vorsorgeuntersuchung sowie Vorrichtung zu dessen Betrieb |
US10937540B2 (en) * | 2017-12-21 | 2021-03-02 | International Business Machines Coporation | Medical image classification based on a generative adversarial network trained discriminator |
CN108198620B (zh) * | 2018-01-12 | 2022-03-22 | 洛阳飞来石软件开发有限公司 | 一种基于深度学习的皮肤疾病智能辅助诊断系统 |
US12014500B2 (en) * | 2019-04-14 | 2024-06-18 | Holovisions LLC | Healthy-Selfie(TM): methods for remote medical imaging using a conventional smart phone or augmented reality eyewear |
US20200327470A1 (en) * | 2019-04-15 | 2020-10-15 | International Business Machines Corporation | Cognitively-Derived Knowledge Base of Supply Chain Risk Management |
-
2020
- 2020-06-30 WO PCT/US2020/040270 patent/WO2021003142A1/en unknown
- 2020-06-30 CN CN202080048294.9A patent/CN114223006A/zh active Pending
- 2020-06-30 CA CA3141644A patent/CA3141644A1/en active Pending
- 2020-06-30 EP EP20834431.7A patent/EP3959669A4/en active Pending
- 2020-06-30 US US17/623,533 patent/US20220367049A1/en active Pending
- 2020-06-30 AU AU2020299568A patent/AU2020299568B2/en active Active
- 2020-06-30 KR KR1020227003554A patent/KR20220034144A/ko unknown
- 2020-06-30 JP JP2021576048A patent/JP2022537818A/ja active Pending
-
2021
- 2021-12-09 IL IL288866A patent/IL288866A/en unknown
-
2022
- 2022-01-02 US US17/567,135 patent/US20220122734A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220122734A1 (en) | 2022-04-21 |
CN114223006A (zh) | 2022-03-22 |
EP3959669A1 (en) | 2022-03-02 |
WO2021003142A1 (en) | 2021-01-07 |
AU2020299568A1 (en) | 2022-02-17 |
US20220367049A1 (en) | 2022-11-17 |
IL288866A (en) | 2022-02-01 |
KR20220034144A (ko) | 2022-03-17 |
EP3959669A4 (en) | 2023-06-21 |
CA3141644A1 (en) | 2021-01-07 |
AU2020299568B2 (en) | 2024-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10937164B2 (en) | Medical evaluation machine learning workflows and processes | |
CN108784655B (zh) | 针对医疗患者的快速评估和后果分析 | |
US10825167B2 (en) | Rapid assessment and outcome analysis for medical patients | |
AU2020299568B2 (en) | Diagnosing skin conditions using machine-learned models | |
US20190139641A1 (en) | Artificial intelligence for physiological quantification in medical imaging | |
US10438380B2 (en) | Systems and methods for translation of medical imaging using machine learning | |
JP7252122B2 (ja) | 医療撮像装置、及び、画像取得方法を行うように少なくとも1つのプロセッサを制御するためのソフトウェアを担う非一時的コンピュータ可読媒体 | |
US11443201B2 (en) | Artificial intelligence-based self-learning in medical imaging | |
Chassagnon et al. | Deep learning–based approach for automated assessment of interstitial lung disease in systemic sclerosis on CT images | |
JP7374202B2 (ja) | 機械学習システムおよび方法、統合サーバ、プログラムならびに推論モデルの作成方法 | |
EP3618077A1 (en) | Generating metadata for trained model | |
Chagas et al. | A new approach for the detection of pneumonia in children using CXR images based on an real-time IoT system | |
Agnello et al. | Unsupervised tissue classification of brain MR images for voxel‐based morphometry analysis | |
JP2023504026A (ja) | 医用イメージング・システムにおける自動式プロトコル指定 | |
JP7097350B2 (ja) | 医用画像評価のためのディープラーニングの応用 | |
JP7485512B2 (ja) | 医用情報処理装置、医用情報処理方法、及び医用情報処理プログラム | |
JP2023027663A (ja) | 学習装置、方法およびプログラム、並びに情報処理装置、方法およびプログラム | |
US20220391760A1 (en) | Combining model outputs into a combined model output | |
JP7178910B2 (ja) | 情報処理装置、医用画像処理装置、およびプログラム | |
US11587232B1 (en) | Systems and methods for preventing errors in medical imaging | |
US12027267B2 (en) | Information processing apparatus, information processing system, information processing method, and non-transitory computer-readable storage medium for computer-aided diagnosis | |
Aravind et al. | Detection of Pathological Artifacts Caused by COVID-19 Using U-Net | |
JP2023032648A (ja) | 医用情報処理装置、医用情報処理方法、およびプログラム | |
Jeba Priya et al. | Deep Learning-Based Enhanced Classification Model for Pneumonia Disease | |
KR20230108213A (ko) | 인공지능 모델에 기반하여 석회화에 대한 진단을 보조하기 위한 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230425 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240522 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240604 |