JP6559707B2 - 症例の難しさに基づくコンピュータ支援患者層別化のためのシステムの作動方法及びシステム - Google Patents
症例の難しさに基づくコンピュータ支援患者層別化のためのシステムの作動方法及びシステム Download PDFInfo
- Publication number
- JP6559707B2 JP6559707B2 JP2016567211A JP2016567211A JP6559707B2 JP 6559707 B2 JP6559707 B2 JP 6559707B2 JP 2016567211 A JP2016567211 A JP 2016567211A JP 2016567211 A JP2016567211 A JP 2016567211A JP 6559707 B2 JP6559707 B2 JP 6559707B2
- Authority
- JP
- Japan
- Prior art keywords
- lesion
- patient
- computer
- score
- case
- 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.)
- Active
Links
- 238000013517 stratification Methods 0.000 title claims description 70
- 238000000034 method Methods 0.000 title claims description 29
- 230000003902 lesion Effects 0.000 claims description 92
- 206010028980 Neoplasm Diseases 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 13
- 201000011510 cancer Diseases 0.000 claims description 10
- 230000036210 malignancy Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000004195 computer-aided diagnosis Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 7
- 238000012552 review Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 description 13
- 230000003211 malignant effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 210000000481 breast Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 206010006187 Breast cancer Diseases 0.000 description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010061818 Disease progression Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012831 peritoneal equilibrium test Methods 0.000 description 1
- 238000012636 positron electron tomography Methods 0.000 description 1
- 238000012877 positron emission topography Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Library & Information Science (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Description
この革新的技術（ｉｎｎｏｖａｔｉｏｎ）は、特にコンピュータ支援診断に関する医療診断技術に適用される。しかしながら、記載される技法は、他の患者診断システム、他の診断状況、他の層別化（ｓｔｒａｔｉｆｉｃａｔｉｏｎ）技法等においても適用され得ることは認められよう。
患者の疾病管理及び治療のためには正確な診断が重要である。正確な診断に至るため、医師は、「難しい」症例すなわち普通でない症例又は複雑な症例では、読影（ｒｅａｄｉｎｇ）、検討、及び助言の生成に長い時間を費やすことが多い。一方、診断がもっと容易な症例では、医師の診断及び次のステップについての助言は極めて短時間で生成される可能性がある。これは、若手の医師の場合に特に当てはまる。若手の医師は難しい症例に遭遇すると、多くの場合、年長の医師のセカンドオピニオンを求める必要があるからである。すなわち、医師が難しい症例と容易な症例を評価するために必要な時間及び労力の量には著しい差があり得る。その一例として、放射線専門医は、病変が明らかに可視的であり明らかに悪性である画像と、病変が見えにくく悪性と良性の特徴を併せ持つ症例とを評価するように求められることがある。
病院の放射線科の実務において、放射線専門医は通常、放射線医学情報システム（ＲＩＳ：ｒａｄｉｏｌｏｇｙ ｉｎｆｏｒｍａｔｉｏｎ ｓｙｓｔｅｍ）又は画像保管通信システム（ＰＡＣＳ：ｐｉｃｔｕｒｅ ａｒｃｈｉｖｉｎｇ ａｎｄ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｓｙｓｔｅｍ）に記憶された、最近撮像された患者から構成される１日ごとのワークリストに従って仕事をする。これらのシステムは通常、症例の「難しさ」は考慮せず、患者は診察のタイプのみに基づいて分類され、特定の症例の診断が難しいか否かの意見は用いられない。従来のシステムは、撮像モダリティ（ｉｍａｇｉｎｇ ｍｏｄａｌｉｔｙ）及び専門分野によって症例を分類して提示するインテリジェンスのみを有し得る。例えば従来のシステムは、臓器（例えば胸部、肝臓等）及び／又は撮像モダリティ（ＣＴ、Ｘ線、超音波、ＤＣＥ−ＭＲＩ等）のみに基づいて症例を分類することができる。
本出願は、上述の問題や他の問題を克服する、潜在的な診断の難しさレベルに従って患者症例を層別化することを容易にする新規の及び改良されたシステム及び方法を提供する。
１つの態様によれば、難しさレベルに従って患者症例にランク付けを行う方法は、複数の患者症例の各々について、データベースから患者の画像調査（ｉｍａｇｅ ｓｔｕｄｙ）を検索することと、画像調査に含まれる患者画像において異常を識別することと、患者の人口統計学的情報及び臨床情報を分析することと、識別した異常並びに患者の人口統計学的情報及び臨床情報に応じて患者症例のコンピュータ支援層別化スコアを算出することと、各患者症例に割り当てた各層別化スコアに従った患者症例のランク付きリストを出力することと、を備える。
別の態様によれば、難しさレベルに従った患者症例のランク付けを容易にするシステムは、複数の患者症例の各々について、データベースから患者の画像調査を検索することと、画像調査に含まれる患者画像において異常を識別することと、患者の人口統計学的情報及び臨床情報を分析することと、識別した異常並びに患者の人口統計学的情報及び臨床情報に応じて患者症例のコンピュータ支援層別化スコアを算出することと、を行うように適合されたプロセッサを備えるコンピュータ支援層別化モジュールを備える。プロセッサは更に、各患者症例に割り当てた各層別化スコアに従った患者症例のランク付きリストを（例えばユーザインタフェース、プリンタ等に）出力するように構成されている。
別の態様によれば、コンピュータ読み取り可能媒体は、難しさレベルに従って患者症例にランク付けを行うためのコンピュータ実行可能命令が記憶されている。この命令は、複数の患者症例の各々について、データベースから患者の画像調査を検索することと、画像調査に含まれる患者画像において異常を識別することと、患者の人口統計学的情報及び臨床情報を分析することと、異常のアイデンティティ（ｉｄｅｎｔｉｔｙ）並びに患者の人口統計学的情報及び臨床情報に応じて患者症例のコンピュータ支援層別化スコアを算出し割り当てることと、を備える。命令は更に、各患者症例に割り当てた各層別化スコアに従った患者症例のランク付きリストを出力することを備える。
１つの利点は、医師の作業量のバランスが改善されることである。
別の利点は、追加の精査のために難しい症例を識別できることである。
主題の革新的技術の更に別の利点は、当業者が以下の詳細な説明を読んで理解することによって認識されるであろう。
図面は様々な態様を説明する目的のためだけのものであり、限定として解釈するべきではない。
記載されるシステム及び方法は、患者の診断に関する難しさレベルに従って患者症例を層別化することによって、上述の問題を克服する。例えば、効率及び精度を最大にするため、医師のワークリストに対する症例の割り当ては、難しさをファクタとして含む。例えば、より容易な症例を若手の医師に割り当てると共に、より複雑な症例を年長の職員に予約することができる。別の例では、様々な症例を別々の医師に等しく分配することができる。従って、この革新的技術は、症例の難しさを評価すること、及びこの評価の結果を用いて臨床ワークフローを調整することを容易にする。例えば患者症例は、臓器のタイプ又は撮像モダリティだけでなく診断の難しさレベルにも基づいて特定の医師に割り当てることができる。別の実施形態では、症例が極めて複雑であると判定された場合、例えば別の医師による再検討を勧める及び／又はその症例が有益な教育用の症例となることを示すアラート等のアラートが発生される。
図１は、本明細書に記載する１つ以上の態様による、症例の難しさに従って患者を分類するコンピュータ支援患者層別化の実行を容易にするシステム１０を示す。このシステムは、入力として、特定の臨床上の問題について評価対象となる現在の患者の臨床症例を取得する。臨床症例は、患者の人口統計学的情報、臨床情報、現在の撮像検査等を含む患者の情報又はデータを含む。データベース１２は、限定ではないが、例えば性別、年齢、民族等の人口統計学的情報を含む患者情報を記憶する。また、データベースは、複数の患者の各々について、例えば家族歴、病歴、撮像検査の理由、現在の状態、症状、現在の治療、危険因子等を含む臨床情報も記憶する。また、データベースには、例えばＣＴスキャン、ＭＲＩスキャン、ＰＥＴスキャン、ＳＰＥＣＴスキャン、超音波スキャン、ｘ線等を含む、一人以上の患者について取得された撮像検査も記憶される。
臨床上の問題は、スクリーニングタスク（例えば異常の検出等）、診断タスク（例えば異常の性質及び／又は悪性度の特徴付け）、又は評価タスク（例えば疾患の進行及び／又は治療の有効性の測定、評価）として広く記述することができる。臨床上の問題は、例えば異常が検索されている臓器（例えば胸部病変の検索）、又は評価対象の特定の腫瘍等、評価のために画像内で位置（複数の位置）を特定することによって更に絞り込むことができる。この情報は、患者又は画像情報に関連付けたメタデータに含めることができる（プライベートのＤＩＣＯＭフィールド内で、又は臨床記録のコンピュータ解釈可能セグメントとして等）。
システムは更に、本明細書に記載される様々な機能、方法、技法、適用等を遂行するためのコンピュータ実行可能命令を実行するプロセッサ１４と、これらの命令を記憶するメモリ１６と、を備えている。メモリ１６は、ディスクやハードドライブ等、制御プログラムが記憶されたコンピュータ読み取り可能媒体とすればよい。コンピュータ読み取り可能媒体の一般的な形態は、例えばフロッピーディスク、可撓性ディスク、ハードディスク、磁気テープ、又は他のいずれかの磁気記憶媒体、ＣＤ−ＲＯＭ、ＤＣＤ、又は他のいずれかの光媒体、ＲＡＭ、ＲＯＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＦＬＡＳＨ−ＥＰＲＯＭ、それらの変形、他のメモリチップ又はカートリッジ、又はプロセッサ１４が読み取って実行することができる他の任意の有形の媒体を含む。この文脈において、システム１０は、１つ以上の汎用コンピュータ、特殊用途コンピュータ（複数の特殊用途コンピュータ）、プログラムされたマイクロプロセッサ又はマイクロコントローラ及び周辺集積回路要素、ＡＳＩＣ又は他の集積回路、デジタル信号プロセッサ、ディスクリート要素回路等のハードワイヤード電子回路又は論理回路、又はＰＬＤ、ＰＬＡ、ＦＰＧＡ、グラフィック処理ユニット（ＧＰＵ）、もしくはＰＡＬ等のプログラマブル論理デバイス等において実施され得るか又はそれらとして実施され得る。
臨床症例データ１２に対して、コンピュータ支援層別化（ＣＡＳ：ｃｏｍｐｕｔｅｒ−ａｉｄｅｄ ｓｔｒａｔｉｆｉｃａｔｉｏｎ）モジュール１８を実行して、層別化スコア２０を発生する。スコアは、数値（０〜１００等）、又はカテゴリ（「容易」、「中程度」、及び「難しい」等）とすればよい。一実施形態では、ＣＡＳモジュールは撮像データを用いて層別化スコアを発生させる。他の実施形態では、ＣＡＳモジュールは上述のような人口統計学的情報及び他の非撮像情報も用いる。コンピュータ支援層別化モジュール１８が発生させる層別化スコアは、臨床上の問題に関して予想される症例の難しさに基づいて患者症例を分類するために用いられる。別の実施形態では、ＣＡＳモジュール１８は、所与の病変を特徴付ける難しさを評価する層別化スコアを計算する。
ＣＡＳモジュール１８はランク付き患者リスト２１を出力する。このリストは、それぞれの患者症例に関連付けた層別化スコア（例えば診断の難しさレベル）に従ってランク付けすることができる。患者リストは、例えば指定された患者症例について別の医師の再検討（例えばセカンドオピニオン）を勧めるアラート、特定の症例を教育用の症例として用いることを勧めるアラート等を含むことができる。層別化スコア又は各患者症例のランク付けを用いて、例えば難しい症例を年長の医師に割り当てることを保証し、（医師の間で仕事量のバランスをとるため）過剰な数の難しい症例がいずれか一人の医師に割り当てられないことを保証することができる。
図１も引き続き参照するが、図２は、本明細書に記載される１つ以上の態様による、複数の患者症例について診断の難しさレベルのコンピュータ支援層別化を実行するための方法を示す。５０では、多数の症例について、例えば患者の人口統計学的情報、臨床情報、撮像検査情報等を含むデータベースを収集する（例えば推測的に（ａ ｐｒｉｏｒｉ））。データベースは、例えば指定された病変が悪性であるか又は良性であるかに関して、読影（ｒｅａｄｉｎｇ）（診断）放射線専門医の診断評価も含む。データベースは更に、病理学や、経時的な安定性（良性のプロセスを示唆する）のような他の付加的な尺度によって判定された実際の診断も含む。従ってデータベースは、放射線専門医の評価及び放射線専門医の評価が正しかったか否かの双方を示すデータを含む。５２では、機械学習技法を用いて、コンピュータ分類部２２が数学的な変換を実行することで、データベース内のデータを、医師の診断評価（例えば腫瘍が悪性であるか又は良性であるか）が、真実（すなわち病理学等によって判定された実際の正しい診断）に合致する可能性を決定する数値尺度に変える。すなわち、ＣＡＳモジュールは、放射線専門医が症例を正しく評価するか又は間違って評価するかを予測する。一例では、多数の患者症例の履歴診断精度を用いて、現在の患者症例に層別化スコアを割り当てる。例えばＣＡＳモジュールは、特定のタイプの病変が所定の閾値よりも高い率で誤診されるか否かを判定し、その特定のタイプの病変に「難しい」格付け又はスコアを割り当てる。この例を更に進めると、放射線専門医は、特定の腫瘍又は腫瘍位置が悪性であると正式に判定し、生検手順を命令する場合がある。生検によって腫瘍が良性であると正式に示された場合、その特定の腫瘍タイプ又は位置（又は他の腫瘍の測定基準（ｍｅｔｒｉｃ））を、「難しい」という層別化スコアに関連付けることができる。前述の例は、層別化スコアを割り当てるための測定基準として誤診に限定されず、例えば画像の特徴や、放射線レポートに記載される不確かさレベルを示す計算された測定基準のような、他の測定基準も用い得ることは認められよう。５４では、特定の病変位置（又はタイプ又は他の測定基準）が予め指定されている新しい症例に適用されると、前述のように、分類部によって発生したスコアは層別化スコアになる。一実施形態では、ＣＡＳアルゴリズムは、特定の医師の診断精度に基づいて、それぞれの放射線専門医に層別化スコアを提供することができる。
図１も引き続き参照するが、図３は、本明細書に記載される１つ以上の態様による、複数の患者症例について診断の難しさレベルのコンピュータ支援層別化を実行するための方法を示す。例えばＣＡＳモジュール１８は、所与の病変の測定の難しさを評価する層別化スコアを計算する。測定対象の特定の病変が予め指定されている場合、６０では、病変の位置を入力パラメータとして取得する。６２では、プロセッサによって、画像上の病変をセグメント化するためのセグメント化アルゴリズム２４を、指定された病変位置に対して実行する。これにより、６４では、病変アウトライン又はマスク２６が生成される。これを用いて、表面積、体積、長軸、短軸、又は同様の一般的な臨床測定値等の病変パラメータ２８を計算することができる。６６では、例えば以下のように、複数の代替的な病変アウトラインを（更に、その結果として代替的なマスクも）計算することができる。すなわち、例えば、１ｍｍ又は２ｍｍの標準偏差のような設定された分布の近傍からのランダムサンプリングによって、入力位置に摂動を与えることができる。あるいは、複数の異なるセグメント化アルゴリズムを同一の入力に実行することで、この場合も多種多様な測定値を得ることができる。６８では、異なる測定値間の不一致（ｖａｒｉａｎｃｅ）から層別化スコアを直接導出する。層別化スコアは、異なる放射線専門医又はアルゴリズムが特定の病変の評価においてどのくらい相違するかの推定値を示す。例えば、１つ以上の入力パラメータの小さい変化がセグメント化の結果に大きい変化を引き起こす場合、この症例に「難しい」層別化スコアを割り当てることができる。一方、入力値の大きい不一致が出力値に最小限の差を引き起こす場合、この症例に「容易」層別化スコアを割り当てることができる。一実施形態では、実際の放射線専門医のワークフローは全体的に手作業であり得る。別の実施形態では、自動化セグメント化を用いて不確かさを推定すると共に層別化スコアを計算する。
図１も引き続き参照するが、図４は、本明細書に記載される１つ以上の態様による、複数の患者症例について診断の難しさレベルのコンピュータ支援層別化を実行するための方法を示す。ＣＡＳモジュール１８は、所与の病変を特徴付ける難しさを評価する層別化スコアを計算する。８０では、特徴付ける特定の病変が予め指定され、病変の位置が入力パラメータとして取得される。８２では、プロセッサによって、コンピュータ支援診断（ＣＡＤｘ：ｃｏｍｐｕｔｅｒ−ａｉｄｅｄ ｄｉａｇｎｏｓｉｓ）アルゴリズム３０を実行し、画像情報に基づいて病変の悪性の確率を計算する。別の実施形態では、８２で病変の悪性の確率を判定する場合、ＣＡＤｘアルゴリズムは、８３で与えられる画像情報並びに患者の人口統計学的情報及び臨床情報を用いることができる。ＣＡＤｘの技法は、例えば０〜１００までのスコアを生成し、１００が悪性の最大の確率を示すものを含む。８４では、直接ＣＡＤｘスコアに基づいて層別化スコアを導出することができる。極めて高い（又は極めて低い）ＣＡＤｘスコア（例えば＜２０又は＞８０）は、「容易」症例に対応させることができる。同様に、「中程度」及び「難しい」症例もマッピングすることができる。
８６では、ＣＡＳモジュールの層別化スコア出力を用いて、様々な手法で臨床医による症例読影ワークフローに影響を与える。例えば、症例を更に分類し、医師の経験に基づいて医師に割り当てることができる。例えば、最も難しい症例を一定年数の経験を持つ年長の医師に割り当てると共に、中程度の難しさの症例をもっと経験の少ない医師に割り当てることができる。別の実施形態では、医師の間での難しさレベルのばらつきを低減するために症例を分類して医師に割り当てることができる。すなわち、各医師について、１日に与えられる医師の全ての症例の層別化スコアの合計を計算することによって作業量測定基準を規定し、次いでこの作業量測定基準の医師間での不一致を最小限に抑える配分を選択すればよい。
別の実施形態では、１日を通して難しい症例を均一に配分するため、一人の医師のワークリスト内で症例を分類することができる。この場合も、例えば、作業量測定基準を規定し、次いで一人の医師についてこの作業量測定基準の１時間ごとの（又は他の時間尺度の）不一致を最小限に抑える配分を選択すればよい。別の実施形態では、ワークリスト内で患者の隣に、各患者症例の複雑さを示すインジケータを配置することができる（例えばＲＩＳ上）。インジケータは、閾値に基づくフラグ、すなわち一定レベルの複雑さを超えた症例のためのもの、又は数値、又はその数値を示すカラーフラグ、グラフィックライン等の視覚的インジケータとすればよい。
別の例によれば、例外的に難しい症例には、自動二重読影すなわち別の放射線専門医による読影のためのフラグを付けることができる。これは、このイベントがトリガされる閾値を超える閾値を設定することによって実施可能である。別の実施形態では、難しい症例に、教育用ファイルに含める可能性を示すため又はケーススタディとして、フラグを付けることができる。
図５は、本明細書に記載される１つ以上の態様による、複数の患者症例について診断の難しさレベルのコンピュータ支援層別化を実行するための方法を示す。１００では、特定の患者のデータベースから撮像検査を生成又は検索する。撮像検査は、ＭＲＩ、ＣＴ、超音波、ｘ線、核等、任意の適切な撮像モダリティである。１０２では、異常（例えば病変）を識別する。一実施形態では、異常はコンピュータ支援検出を用いて識別される。別の実施形態では、異常は手作業で注釈を付けるか又は識別される。１０４では、患者の人口統計学的情報及び／又は臨床情報を検索する。１０６では、患者の人口統計学的情報、臨床情報、及び病変のアイデンティティ、又は前述の情報の任意の組み合わせに応じて、コンピュータ支援層別化スコアを計算する。すなわち、ＣＡＤｘを用いて、画像セグメント化データに基づいて等により、スコアを計算することができる。動作１００、１０２、１０４、及び１０６は、複数の患者症例の各々に対して繰り返し実行される。１０８では、層別化スコアに従って患者症例を分類する。
一例に従って、４３歳の女性に対して胸部ダイナミック造影（ＤＣＥ）−磁気共鳴画像法（ＭＲＩ）スクリーニング検査を行う。患者の家族歴は、乳がんのため４５歳で死亡した母親を含む。病院のＰＡＣＳシステムでＤＣＥ−ＭＲＩ検査が利用可能になるとすぐ、バックグラウンドで症例に対してＣＡＳアルゴリズムを実行する。コンピュータ支援検出アルゴリズムが、患者の左乳房に乳房病変を識別する。次いで、コンピュータ支援診断（ＣＡＤｘ）アルゴリズムを実行して、悪性の可能性スコア（例えば０〜１００）を導出する。この可能性スコアが高くなればなるほど悪性の確率が高くなる。可能性スコアが、例えば０から２０の間、又は８０から１００の間である場合、層別化スコアは「容易」である。可能性スコアが２０から３０の間、又は７０から８０の間である場合、層別化スコアは「中程度」である。ＣＡＤｘアルゴリズム出力が３０から７０である場合、層別化スコアは「難しい」である。コンピュータ支援検出及びコンピュータ支援診断アルゴリズムの双方を用いることができる（例えば病変のセグメント化、画像及びセグメント化境界に基づくフィーチャ抽出、及び分類部による可能性スコアの算出を実行することによって）。
この例を更に進めると、ＣＡＳアルゴリズムは、患者に関する人口統計学的情報及びその他の非画像ベースの情報も用いる。例えば上記の例では、女性は乳がんの家族歴を有するので、たとえ層別化スコアが「容易」であっても、この追加の臨床情報のためにスコアを「中程度」に引き上げてもよい。結果としてこの症例は、より経験豊富な医師に割り当てられるか、又は二重読影を行うことができる。
いくつかの実施形態を参照して、この革新的技術について説明した。前述の詳細な説明を読んで理解すれば、他にも変形及び変更が想起され得る。全てのそのような変形及び変更が添付の特許請求の範囲又はその均等物の範囲内にある限り、この革新的技術は、全てのそのような変形及び変更を含むと解釈されることが意図される。
Claims (13)
- 診断の難しさレベルに従って患者症例にランク付けを行うシステムの作動方法であって、前記システムのプロセッサが、
複数の患者症例の各々について、
データベースから患者の画像調査を検索することと、
前記画像調査に含まれる患者画像において異常を識別することと、
患者の人口統計学的情報及び臨床情報を分析することと、
識別した前記異常並びに前記患者の人口統計学的情報及び臨床情報に応じて前記患者症例のコンピュータ支援層別化スコアを算出することと、
各患者症例に割り当てられた各コンピュータ支援層別化スコアに従った前記患者症例のランク付きリストを出力することと、
を備え、前記プロセッサが、
前記データベースに複数の以前診断された患者症例を記憶することと、
前記複数の以前診断された患者症例の履歴診断精度を評価することと、
複数の患者症例タイプの各々について前記診断精度を示す精度スコアを分類部が生成することを実行することと、
現在の患者症例タイプを記述する情報を受信することと、
前記現在の患者症例タイプと前記現在の患者症例タイプの前記精度スコアとに基づいて、前記現在の患者症例のコンピュータ支援層別化スコアを生成することと、
前記プロセッサが、各患者症例について、
前記患者画像における病変の病変タイプ及び病変位置の情報を受信することと、
前記病変位置で前記画像をセグメント化して第１の病変アウトラインを生成することと、
前記第１の病変アウトラインから１つ以上の病変パラメータを計算することと、
１つ以上の代替的な病変アウトラインを計算することと、
前記１つ以上の代替的な病変アウトラインから１つ以上の病変パラメータを計算することと、
前記病変アウトラインと前記１つ以上の代替的な病変アウトラインとの間の病変パラメータ不一致に応じて前記コンピュータ支援層別化スコアを計算することと、
を更に備える、システムの作動方法。 - 前記プロセッサが、各患者症例をコンピュータ支援層別化スコア及び臨床経験に応じて臨床医に割り当てる、請求項１に記載のシステムの作動方法。
- 前記プロセッサが、前記１つ以上の代替的な病変アウトラインを計算することが、
前記病変位置について設定された分布の近傍からの画像データをランダムサンプリングすることと、
複数の異なるセグメント化アルゴリズムを用いて前記病変位置で前記画像をセグメント化することと、
のうち１つを備える、請求項１に記載のシステムの作動方法。 - 前記病変パラメータが、
病変表面積と、
病変体積と、
前記病変の長軸と、
前記病変の短軸と、
のうち１つ以上を備える、請求項１に記載のシステムの作動方法。 - 前記プロセッサが、各患者症例について、
前記患者画像における病変の病変タイプ及び位置情報を受信することと、
前記患者画像における前記病変並びに患者の人口統計学的情報及び臨床情報のうち１つ以上に対してコンピュータ支援診断（ＣＡＤｘ）技法を実行し、前記病変の悪性の確率を決定することと、
前記悪性の確率から前記患者症例の前記コンピュータ支援層別化スコアを導出することと、
前記複数の患者症例のコンピュータ支援層別化スコアに応じて臨床医ワークフローを調整することと、
を更に備える、請求項１に記載のシステムの作動方法。 - 前記プロセッサが、少なくとも１つの患者症例の前記コンピュータ支援層別化スコアに応じて、少なくとも二人の再検討者による再検討の候補として、前記少なくとも１つの患者症例にフラグを付けることを更に備える、請求項１に記載のシステムの作動方法。
- 前記プロセッサが、少なくとも１つの患者症例の前記層別化スコアに応じて、教育用の症例としての学問的な使用の候補として、前記少なくとも１つの患者症例にフラグを付けることを更に備える、請求項１に記載のシステムの作動方法。
- 診断の難しさレベルに従った患者症例のランク付けを容易にするシステムであって、前記システムが、
複数の患者症例の各々について、
データベースから患者の画像調査を検索することと、
前記画像調査に含まれる患者画像において異常を識別することと、
患者の人口統計学的情報及び臨床情報を分析することと、
識別した前記異常並びに前記患者の人口統計学的情報及び臨床情報に応じて前記患者症例のコンピュータ支援層別化スコアを算出することと、
各患者症例に割り当てた各コンピュータ支援層別化スコアに従った前記患者症例のランク付きリストを出力することと、
を行うプロセッサを備えるコンピュータ支援層別化モジュールを備え、前記システムが、
複数の以前診断された患者症例を記憶するコンピュータ読み取り可能媒体を更に備え、
前記プロセッサが更に、
前記複数の以前診断された患者症例の履歴診断精度を評価することと、
複数の患者症例タイプの各々について前記診断精度を示す精度スコアを分類部が生成することを実行することと、
現在の患者症例タイプを記述する情報を受信することと、
前記現在の患者症例タイプと前記現在の患者症例タイプの前記精度スコアとに基づいて、前記現在の患者症例のコンピュータ支援層別化スコアを生成することと、
前記プロセッサが更に、各患者症例について、
前記患者画像における病変の病変タイプ及び病変位置の情報を受信することと、
前記病変位置で前記画像をセグメント化して第１の病変アウトラインを生成することと、
前記第１の病変アウトラインから１つ以上の病変パラメータを計算することと、
１つ以上の代替的な病変アウトラインを計算することと、
前記１つ以上の代替的な病変アウトラインから１つ以上の病変パラメータを計算することと、
前記病変アウトラインと前記１つ以上の代替的な病変アウトラインとの間の病変パラメータ不一致に応じて前記コンピュータ支援層別化スコアを計算することと、
を行う、システム。 - 前記異常が病変であり、前記層別化スコアの算出が少なくとも部分的に、前記病変の画像をセグメント化することによって行われる、請求項８に記載のシステム。
- １つ以上の代替的な病変アウトラインを計算することが、
前記病変位置について設定された分布の近傍からの画像データをランダムサンプリングすることと、
複数の異なるセグメント化アルゴリズムを用いて前記病変位置で前記画像をセグメント化することと、
のうち１つを備える、請求項８に記載のシステム。 - 前記病変パラメータが、
病変表面積と、
病変体積と、
前記病変の長軸と、
前記病変の短軸と、
のうち１つ以上を備える、請求項８に記載のシステム。 - 前記プロセッサが更に、各患者症例について、
前記患者画像における病変の病変タイプ及び位置情報を受信することと、
前記患者画像における前記病変並びに患者の人口統計学的情報及び臨床情報のうち１つ以上に対してコンピュータ支援診断（ＣＡＤｘ）技法を実行し、前記病変の悪性の確率を決定することと、
前記悪性の確率から前記患者症例の前記コンピュータ支援層別化スコアを導出することと、
前記複数の患者症例のコンピュータ支援層別化スコアに応じて臨床医ワークフローを調整することと、
を行う、請求項８に記載のシステム。 - 診断の難しさレベルに従って患者症例にランク付けを行うためのコンピュータ実行可能命令が記憶されているコンピュータ読み取り可能媒体であって、前記命令が、
複数の患者症例の各々について、
データベースから患者の画像調査を検索することと、
前記画像調査に含まれる患者画像において異常を識別することと、
患者の人口統計学的情報及び臨床情報を分析することと、
前記異常のアイデンティティ並びに前記患者の人口統計学的情報及び臨床情報に応じて前記患者症例のコンピュータ支援層別化スコアを算出し割り当てることと、
各患者症例に割り当てた各コンピュータ支援層別化スコアに従った前記患者症例のランク付きリストを出力することと、
を備え、前記命令が、
前記データベースに複数の以前診断された患者症例を記憶することと、
前記複数の以前診断された患者症例の履歴診断精度を評価することと、
複数の患者症例タイプの各々について前記診断精度を示す精度スコアを分類部が生成することを実行することと、
現在の患者症例タイプを記述する情報を受信することと、
前記現在の患者症例タイプと前記現在の患者症例タイプの前記精度スコアとに基づいて、前記現在の患者症例のコンピュータ支援層別化スコアを生成することと、
各患者症例について、
前記患者画像における病変の病変タイプ及び病変位置の情報を受信することと、
前記病変位置で前記画像をセグメント化して第１の病変アウトラインを生成することと、
前記第１の病変アウトラインから１つ以上の病変パラメータを計算することと、
１つ以上の代替的な病変アウトラインを計算することと、
前記１つ以上の代替的な病変アウトラインから１つ以上の病変パラメータを計算することと、
前記病変アウトラインと前記１つ以上の代替的な病変アウトラインとの間の病変パラメータ不一致に応じて前記コンピュータ支援層別化スコアを計算することと、
を更に備える、コンピュータ読み取り可能媒体。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201461991646P | 2014-05-12 | 2014-05-12 | |
| US61/991,646 | 2014-05-12 | ||
| PCT/IB2015/052775 WO2015173675A1 (en) | 2014-05-12 | 2015-04-16 | Method and system for computer-aided patient stratification based on case difficulty |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2017515574A JP2017515574A (ja) | 2017-06-15 |
| JP2017515574A5 JP2017515574A5 (ja) | 2018-05-31 |
| JP6559707B2 true JP6559707B2 (ja) | 2019-08-14 |
Family
ID=53366224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2016567211A Active JP6559707B2 (ja) | 2014-05-12 | 2015-04-16 | 症例の難しさに基づくコンピュータ支援患者層別化のためのシステムの作動方法及びシステム |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US10585940B2 (ja) |
| EP (1) | EP3143534A1 (ja) |
| JP (1) | JP6559707B2 (ja) |
| CN (1) | CN106462662B (ja) |
| RU (1) | RU2687760C2 (ja) |
| WO (1) | WO2015173675A1 (ja) |
Families Citing this family (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10980519B2 (en) * | 2015-07-14 | 2021-04-20 | Duke University | Systems and methods for extracting prognostic image features |
| US10729396B2 (en) | 2016-08-31 | 2020-08-04 | International Business Machines Corporation | Tracking anatomical findings within medical images |
| US20180060535A1 (en) * | 2016-08-31 | 2018-03-01 | International Business Machines Corporation | Updating probabilities of conditions based on annotations on medical images |
| US10276265B2 (en) | 2016-08-31 | 2019-04-30 | International Business Machines Corporation | Automated anatomically-based reporting of medical images via image annotation |
| US10531825B2 (en) * | 2016-10-14 | 2020-01-14 | Stoecker & Associates, LLC | Thresholding methods for lesion segmentation in dermoscopy images |
| USD855651S1 (en) | 2017-05-12 | 2019-08-06 | International Business Machines Corporation | Display screen with a graphical user interface for image-annotation classification |
| EP3407227A1 (en) * | 2017-05-24 | 2018-11-28 | Koninklijke Philips N.V. | Multi-disciplinary decision support |
| JP2019051221A (ja) * | 2017-09-19 | 2019-04-04 | キヤノン株式会社 | 情報処理装置および情報処理方法 |
| GB201715331D0 (en) * | 2017-09-22 | 2017-11-08 | Optellum Ltd | System, method and apparatus for assisting a determination of medical images |
| JP7221961B2 (ja) * | 2017-11-22 | 2023-02-14 | コーニンクレッカ フィリップス エヌ ヴェ | 病理学ワークフローを最適化するためのデバイス、システム及び方法 |
| ES2914600T3 (es) * | 2018-01-30 | 2022-06-14 | Dental Monitoring | Método de análisis de una representación de una arcada dental |
| WO2019150608A1 (ja) * | 2018-02-01 | 2019-08-08 | テルモ株式会社 | 支援システム、支援方法、支援プログラム、および支援プログラムを記録した記録媒体 |
| JP6882216B2 (ja) * | 2018-02-28 | 2021-06-02 | 富士フイルム株式会社 | 診断支援システム、診断支援方法、及びプログラム |
| DE102018205496A1 (de) * | 2018-04-11 | 2019-10-17 | Siemens Healthcare Gmbh | Verfahren zur Steuerung des Betriebs einer Medizintechnikeinrichtung, Bediengerät, Bediensystem, Medizintechnikeinrichtung, Computerprogramm und elektronisch lesbarer Datenträger |
| CN112533527B (zh) * | 2018-08-08 | 2024-09-13 | 皇家飞利浦有限公司 | 在临床评估中并入场景数据 |
| CN109346188A (zh) * | 2018-10-19 | 2019-02-15 | 刘瑞红 | 一种医学统计数据处理方法 |
| EP3884458A4 (en) * | 2018-11-23 | 2022-07-27 | iCAD, Inc. | SYSTEM AND PROCEDURE FOR ASSESSING BREAST CANCER RISK USING IMAGES |
| KR102289277B1 (ko) * | 2018-12-21 | 2021-08-13 | 주식회사 인피니트헬스케어 | 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법 |
| CN109686444A (zh) | 2018-12-27 | 2019-04-26 | 上海联影智能医疗科技有限公司 | 用于医学图像分级的系统和方法 |
| CN113614837A (zh) * | 2019-03-20 | 2021-11-05 | 皇家飞利浦有限公司 | 用于自主解释的图像研究资格的确定 |
| CN110009623B (zh) * | 2019-04-10 | 2021-05-11 | 腾讯医疗健康(深圳)有限公司 | 一种图像识别模型训练及图像识别方法、装置及系统 |
| CN110148465B (zh) * | 2019-05-10 | 2023-07-04 | 中山大学孙逸仙纪念医院 | 一种用于分析类风湿性关节炎的系统 |
| US20200401887A1 (en) * | 2019-06-18 | 2020-12-24 | Budi Kusnoto | Method and system for automatically deriving quantitative deep learning best value index data |
| CN111568393B (zh) * | 2020-05-10 | 2023-05-12 | 张东 | 一种基于人工智能的个体化中医脉诊系统 |
| JP7415787B2 (ja) * | 2020-05-15 | 2024-01-17 | コニカミノルタ株式会社 | 医用画像システム |
| JP7443929B2 (ja) * | 2020-05-25 | 2024-03-06 | コニカミノルタ株式会社 | 医療診断支援装置、医療診断支援プログラム、および医療診断支援方法 |
| DE102020212318A1 (de) * | 2020-09-30 | 2022-03-31 | Siemens Healthcare Gmbh | Fallpriorisierung für ein medizinisches System |
| US20220406418A1 (en) * | 2020-12-25 | 2022-12-22 | Boe Technology Group Co., Ltd. | Method and apparatus for distributing physical examination information, electronic device, computer-readable storage medium and computer program product |
| CN117116472B (zh) * | 2023-10-25 | 2024-10-11 | 首都医科大学附属北京友谊医院 | 医学诊断装置、电子设备及存储介质 |
Family Cites Families (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5319543A (en) | 1992-06-19 | 1994-06-07 | First Data Health Services Corporation | Workflow server for medical records imaging and tracking system |
| US5839438A (en) | 1996-09-10 | 1998-11-24 | Neuralmed, Inc. | Computer-based neural network system and method for medical diagnosis and interpretation |
| RU2163088C1 (ru) * | 2000-04-12 | 2001-02-20 | Успенский Вячеслав Максимилианович | Способ диагностики заболеваний внутренних органов неинфекционной природы на любой стадии их развития |
| JP4218347B2 (ja) * | 2003-01-17 | 2009-02-04 | コニカミノルタホールディングス株式会社 | 画像診断支援装置 |
| JP2007524461A (ja) | 2003-06-25 | 2007-08-30 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | 乳房撮像の自動診断及び決定支援システム及び方法 |
| US7912528B2 (en) | 2003-06-25 | 2011-03-22 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automated diagnosis and decision support for heart related diseases and conditions |
| US7672491B2 (en) | 2004-03-23 | 2010-03-02 | Siemens Medical Solutions Usa, Inc. | Systems and methods providing automated decision support and medical imaging |
| CN1934589A (zh) | 2004-03-23 | 2007-03-21 | 美国西门子医疗解决公司 | 为医学成像提供自动决策支持的系统和方法 |
| US20090082637A1 (en) * | 2007-09-21 | 2009-03-26 | Michael Galperin | Multi-modality fusion classifier with integrated non-imaging factors |
| US20090082634A1 (en) * | 2007-09-25 | 2009-03-26 | Biten Kishore Kathrani | Surgical method |
| JP5328146B2 (ja) * | 2007-12-25 | 2013-10-30 | キヤノン株式会社 | 医用画像処理装置、医用画像処理方法ならびにプログラム |
| KR101578743B1 (ko) * | 2007-12-27 | 2015-12-18 | 제임스 쥐. 막스 | 워크 플로우 프로세싱을 위한 시스템 및 방법 |
| US20110166879A1 (en) * | 2008-09-26 | 2011-07-07 | Koninklijke Philips Electronics N.V. | System and method for fusing clinical and image features for computer-aided diagnosis |
| US9818164B2 (en) | 2009-09-25 | 2017-11-14 | Cerner Innovation, Inc. | Facilitating and tracking clinician-assignment status |
| US8509959B2 (en) | 2010-08-12 | 2013-08-13 | Schneider Electric It Corporation | System and method for predicting transient cooling performance for a data center |
| JP5670695B2 (ja) * | 2010-10-18 | 2015-02-18 | ソニー株式会社 | 情報処理装置及び方法、並びにプログラム |
| CN102985924A (zh) | 2011-02-14 | 2013-03-20 | 松下电器产业株式会社 | 相似病例检索装置以及相似病例检索方法 |
| CN102156715A (zh) * | 2011-03-23 | 2011-08-17 | 中国科学院上海技术物理研究所 | 面向医学影像数据库的基于多病灶区域特征的检索系统 |
| US9133959B2 (en) | 2012-09-07 | 2015-09-15 | Pentair Flow Services Ag | Virtual limit switch |
| JP5661890B2 (ja) * | 2013-10-03 | 2015-01-28 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
-
2015
- 2015-04-16 JP JP2016567211A patent/JP6559707B2/ja active Active
- 2015-04-16 US US15/304,321 patent/US10585940B2/en active Active
- 2015-04-16 WO PCT/IB2015/052775 patent/WO2015173675A1/en active Application Filing
- 2015-04-16 CN CN201580024701.1A patent/CN106462662B/zh active Active
- 2015-04-16 EP EP15727723.7A patent/EP3143534A1/en not_active Withdrawn
- 2015-04-16 RU RU2016148690A patent/RU2687760C2/ru active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106462662B (zh) | 2020-10-02 |
| RU2016148690A3 (ja) | 2018-11-19 |
| JP2017515574A (ja) | 2017-06-15 |
| CN106462662A (zh) | 2017-02-22 |
| RU2016148690A (ru) | 2018-06-19 |
| WO2015173675A1 (en) | 2015-11-19 |
| US20170061087A1 (en) | 2017-03-02 |
| EP3143534A1 (en) | 2017-03-22 |
| RU2687760C2 (ru) | 2019-05-16 |
| US10585940B2 (en) | 2020-03-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6559707B2 (ja) | 症例の難しさに基づくコンピュータ支援患者層別化のためのシステムの作動方法及びシステム | |
| JP6585772B2 (ja) | 医療画像を分析、優先順位付与、視覚化、および報告するための方法およびシステム | |
| Greer et al. | Validation of the dominant sequence paradigm and role of dynamic contrast-enhanced imaging in PI-RADS version 2 | |
| EP3043318B1 (en) | Analysis of medical images and creation of a report | |
| US20170193660A1 (en) | Identifying a Successful Therapy for a Cancer Patient Using Image Analysis of Tissue from Similar Patients | |
| US20190156947A1 (en) | Automated information collection and evaluation of clinical data | |
| Sharma et al. | Artificial intelligence in diagnostic imaging: status quo, challenges, and future opportunities | |
| Burns et al. | Automated detection of sclerotic metastases in the thoracolumbar spine at CT | |
| WO2018042272A1 (en) | Updating probabilities of conditions based on annotations on medical images | |
| JP5744877B2 (ja) | 臨床判断支援のためのシステム及びその方法 | |
| JP6796060B2 (ja) | 画像レポート注釈同定 | |
| JP6865678B2 (ja) | 縦断的特徴に基づく関心組織の健康状態の分類 | |
| JP2014512897A (ja) | 医療データの知的リンキング方法及びシステム | |
| US20180350466A1 (en) | Longitudinal health patient profile for incidental findings | |
| JP7021101B2 (ja) | 検査値のコンテキストによるフィルタリング | |
| Miki et al. | Prospective study of spatial distribution of missed lung nodules by readers in CT lung screening using computer-assisted detection | |
| US20240078089A1 (en) | System and method with medical data computing | |
| Taylor et al. | CT colonography and computer-aided detection: effect of false-positive results on reader specificity and reading efficiency in a low-prevalence screening population | |
| US20230360213A1 (en) | Information processing apparatus, method, and program | |
| JP2020086730A (ja) | 優先度判定装置、方法およびプログラム | |
| WO2020043674A1 (en) | An apparatus and method for detecting an incidental finding | |
| US20240177454A1 (en) | Methods and systems for classifying a medical image dataset | |
| US20240070860A1 (en) | Methods and systems for identifying a candidate medical finding in a medical image and providing the candidate medical finding | |
| Borgers | The role of Artificial Intelligence (AI) in radiology: The current ctatus of FDA approved systems | |
| Poelhuis | Helping to Detect Breast Cancer with Artificial Intelligence |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180412 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180412 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20181128 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181211 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190130 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190618 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190717 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6559707 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |