JP7080932B2 - ワークフロー管理のための方法およびシステム - Google Patents

Description

本明細書に開示される主題の実施形態は、ヘルスケアおよび診断プロトコルにおけるワークフローの管理に関する。

病院または診療所などのヘルスケア環境は、患者の処置中に収集されたデータを記憶するための記憶システムを含む。記憶システムに記憶された情報は、例えば、患者の病歴、撮像データ、試験結果、診断情報、管理情報、および／またはスケジューリング情報を含み得る。情報は、中央に記憶され、複数のローカルおよび遠隔の場所からアクセス可能であり得る。ヘルスケアワークフローは、医療開業医による分析のための記憶システムからの、画像保管通信システム（「ＰＡＣＳ」）に記憶された以前の患者スキャンなどの患者データの抽出および分析を含み得る。例えば、放射線技師は、現在のスキャンと比較するために前のスキャンを抽出する場合がある。ヘルスケアワークフローはまた、患者の現在のスキャンと比較して信頼できる診断を行うために、開業医が関連のある文献参照および関連のある以前に診断された症例を識別することを指示する場合もある。

米国特許出願公開第２０１８／０３６４８７９号明細書

一実施形態では、方法は、１つまたは複数の医療画像を含む診断検査に関連する１つまたは複数の検査パラメータを自動的に識別することと、１つまたは複数の医療画像を分析するためのワークフローを自動的に生成することであって、ワークフローは、診断プロトコル、ツールセット、以前の撮像スキャン、以前の所見、および参照画像の１つまたは複数を含み、ワークフローは、１つまたは複数の検査パラメータに基づいて生成されることとを含む。このようにして、ワークフローの選択におけるユーザの疲労およびエラーを軽減し、診断成果の生産性および効率を向上させることができる。

上記の簡単な説明は、詳細な説明でさらに説明される概念の選択を簡略化した形で紹介するために提供されていることを理解されたい。特許請求される主題の重要なまたは本質的な特徴を識別することは意図されておらず、その主題の範囲は詳細な説明に添付される特許請求の範囲によって一義的に定義される。さらに、特許請求される主題は、上記のまたは本開示の任意の部分に記載の欠点を解決する実施態様に限定されない。

本開示は、添付の図面を参照しながら、以下の非限定的な実施形態の説明を読むことからよりよく理解されるであろう。

一実施形態による、撮像システムの絵図である。 一実施形態による、例示的な撮像システムのブロック概略図である。 ヘルスケアシステムＰＡＣＳに結合されたオンライン中央学習プラットフォームの例示的な実施形態を示す図である。 複数のヘルスケア環境と統合された図３のオンライン中央学習プラットフォームの例示的な実施形態を示す図である。 １つまたは複数のワークフローモデルからの出力に基づいて診断検査のワークフローを自動的に生成するための例示的な方法を示す図である。 １つまたは複数のワークフローモデルを訓練するための例示的な方法を示す図である。 １つまたは複数のワークフローモデルの訓練および実行の例示的な概要を示す図である。 最適化されたワークフローに関連するオプションを表示する例示的なワークフローインターフェースを示す図である。 最適化されたワークフローに従って選択された患者画像の事前情報を表示する例示的なインターフェースを示す図である。 最適化されたワークフローに従って選択された参照画像を表示する例示的なインターフェースを示す図である。

以下の説明は、プロトコル管理および臨床意思決定支援システムを含むワークフロー管理の様々な実施形態に関する。特に、診断撮像スキャン中に取得された画像のより簡単で改善された分析、および疑わしい状態のより信頼できる診断を可能にするワークフローを臨床医に提供することができるシステムおよび方法が提供される。

撮像システムで患者の撮像データを取得した後、放射線技師などの臨床医は、検査または研究において、取得された画像の分析を実施することができる。そこで、臨床医は、現在のスキャンで取得された画像に少なくとも部分的に基づいて疑わしい状態を診断または除外することができる。分析は、現在の患者スキャンで取得された画像を、同じ患者の１つまたは複数の前のスキャン、参照画像、参照文献などと比較することを含み得る。ただし、臨床医は、現在のスキャンと比較する前のスキャンのいずれかを選択しなければならない。加えて、臨床医は、診断に最も良く到達するようにスキャンを閲覧する順序を決定しなければならない。臨床医はまた、診断される状態に関係する参照文献および画像を識別および抽出しなければならない場合もある。例えば、臨床医は、同じヘルスケア施設の他の患者または別の施設の患者からの確認された症例を含む確認された症例、公開された文献からの確認された症例、参考図書からの画期的な確認された症例、正常な解剖学的特徴を示す参照画像などからスキャンを識別しなければならない場合がある。検査中、臨床医はまた、スキャン時に患者に関係する臨床データ（例えば、血液試験結果、体温測定値、血圧測定値など）を抽出する必要がある場合もある。これらは、診断中に考慮する必要があり得る。またさらに、画像を分析するために、臨床医は、１つまたは複数のツールセットを選択しなければならない場合がある。１つまたは複数のツールセットは、選択されると、ウィンドウレベリング、パン、ズーム、画像分析機能の適用などのある特定のタスクの実施を可能にするユーザインターフェースメニューオプション／制御ボタンを含むことができる。ツールセットの選択は撮像モダリティに基づき得るが、診断される疑わしい状態、ユーザ嗜好などに基づいてもよい。例えば、マンモグラムの分析時に所与のヘルスケア施設での使用が推奨される具体的なツールセットがある場合がある。追加的または代替的に、所与の臨床医が、臨床医のマンモグラム分析の履歴に基づいてマンモグラムを分析するときに有用である具体的なツールセット（例えば、ズーム、パン、回転、スライスなど）がある場合がある。いくつかの例では、臨床医が診断された状態に到達するために検査を実施したら、最終的な診断結果が患者に伝達される前に、診断された状態の治療に特化した医師などの別の臨床医によって検査がさらにレビューされることがある。

上述のように、画像分析時において、臨床医にかなりの認知負荷が存在し得る。上述のパラメータのいずれかが変更された場合、診断に影響が出る可能性がある。例えば、臨床医が比較のために正しい参照画像を選択しなかった場合（例えば、サイズが間違っている、向きが間違っている、状態が間違っている、身体部分が間違っているなど）、根本的な状態が診断されないことがある。別の例として、臨床医が正しいセットの以前の患者スキャンを選択しなかった場合、または特定の順序で以前の患者スキャンを分析しなかった場合、疑わしい状態が誤診される可能性がある。臨床医が疲れている、または疲労している場合、誤った選択が行われ、診断精度に影響が出る可能性が大きくなる。

したがって、本明細書に開示される実施形態によれば、臨床医が患者の診断医療画像を分析することを含む検査を実施しているときにガイド付き診断ワークフローが自動的に生成され、臨床医の認知負荷を軽減することができる。患者の新しい検査の記憶および／または抽出時、コンピューティングシステムは、自動的に、かつユーザ入力なしで、検査に関する様々なパラメータを検出および識別することができる。これらは、例えば、患者のＩＤ、検査で分析される患者画像を取得するために使用される撮像モダリティ、疑わしい患者状態などに関するパラメータを含み得る。様々なパラメータの自動検出に続いて、コンピューティングシステムは、診断ワークフローを自動的に生成し得る。そこで、識別されたパラメータに基づいて、コンピューティングシステムは、関連のある前の患者のスキャン、ならびに現在の検査に最も関係する参照画像および文献結果を自動的に選択および抽出することができる。コンピューティングシステムは、人工知能ベースのモデルを使用して、疑わしい状態を診断する際に臨床医を支援することができる以前のデータを識別、抽出、および表示するように構成することができ、それによって臨床医の認知負荷を軽減し、また診断効率も向上させる。関連のある以前のスキャンおよび参照を識別することに加えて、診断ワークフローはまた、疑わしい患者状態、撮像モダリティ、および／または臨床医に基づいて、現在の検査に最も適したツールセットをディスプレイに表示することができる。さらに、以前のスキャンおよび参照は、選択された診断ワークフローに対応して選択されたハンギングプロトコルに従って表示されてもよい。

さらに、コンピューティングシステムは、診断ワークフローのデータベースを含むことができ、反復的に学習される診断精度に基づいてデータベースからワークフローを選択することができる。例えば、臨床医は、特定のハンギングプロトコル、特定のツールセット、特定のセットの参照画像、特定のセットの以前の患者スキャンなどを使用して、患者スキャンの検査のためのワークフローを実行することができる。ワークフローの詳細は、データベースに保存される。臨床医は、実行されたワークフローに従って分析された患者スキャンの画像、患者に関する臨床情報、以前のスキャンなどに基づいて初期診断を行うことができる。初期診断は、ワークフローの詳細と共にデータベースに記憶され得る。さらに、いくつかの例では、初期診断の確証がなされた場合、これもまたデータベースに記憶することができる。確証には、検査を閲覧したときに別の臨床医によって行われた診断、患者に実施されたフォローアップ処置からの追加の情報などが含まれ得る。初期診断が確証される場合、次に関連するワークフローに高いスコアが割り当てられ得、ワークフローによって臨床医が疑わしい状態を確実に識別することができたことを示す。初期診断が確証されない場合、または他の臨床医もしくは処置が初期診断で行われた以外の状態を示す場合、次に関連するワークフローに低いスコアが割り当てられ得、ワークフローによって臨床医が疑わしい状態を確実に識別することができなかったことを示す。スコアは、診断効率ならびにユーザによるワークフローの修正（例えば、ユーザが大幅にワークフローを修正した場合、ユーザが修正を加えなかったワークフローよりもスコアが低くなり得る）、診断までの時間、またはワークフローの効率および／もしくは有用性を示し得る他の要因に基づいて割り当てることができる。ワークフローが閾値スコアよりも高いスコアを有し、診断の信頼性および／または効率が高いワークフローを示す場合、ワークフローは、患者ＩＤ、診断された状態、撮像モダリティ、臨床医ＩＤなどを含む様々なワークフローパラメータの関数としてワークフローデータベースに記憶され得る。その後、同じモダリティ、状態、および／または患者の別のスキャンの分析が実施されているとき、ワークフローはオプションとして同じ臨床医、または別の臨床医に提供することができる。これにより、信頼できるワークフローを共有することが可能である。

スキャン技術者が患者の画像を取得するために使用することができるＣＴ撮像システムの形態の例示的な医療撮像システムが、図１に提示されている。撮像システムは、図２に示すように、撮像システムで取得された画像を記憶するためにＰＡＣＳシステムに通信可能に結合されてもよく、ＰＡＣＳは、臨床医による取得された画像の分析を含む診断検査中のワークフロー生成を支援するために推論サービスに結合されてもよい。図３は、ユーザが診断分析（例えば、検査の実行）のためにスキャンを抽出するとき、ワークフローの生成のためにヘルスケアシステムＰＡＣＳおよび推論サービスに結合された中央学習プラットフォームの例示的な実施形態を示す。図４は、異なる病院などの複数の異なるヘルスケア環境のヘルスケアシステムと統合された中央学習プラットフォームを示し、それにより信頼できる診断成果を生成するワークフローを、異なる病院間で共有することができる。図５は、１つまたは複数のワークフローモデルからの出力に基づいて医療画像の診断検査中に診断ワークフローを自動的に生成および適用するためのフローチャートを示す。図６は、中央学習プラットフォームを介して１つまたは複数のワークフローモデルを訓練するための方法を示す。図７は、中央学習プラットフォームのスマートエンジンを通るデータの例示的なフローを示し、エンジンは、様々なソースからデータ入力を受信し、最適化されたワークフローの一部としてディスプレイ上での選択されたデータの表示を容易にする。図８は、ユーザに表示され得る例示的な最適化されたワークフローを示す。図９は、関連のある事前情報（例えば、関連のある撮像スキャンおよび／またはレポート）が自動的に識別されるワークフローインターフェースを示す。図１０は、関連のある参照画像が自動的に選択され、ユーザに表示するためにロードされるワークフローインターフェースを示す。

ＣＴシステムが例として説明されているが、本技法は、陽電子放出断層撮影撮像システム、核医学撮像システム、磁気共鳴撮像システム、Ｘ線ラジオグラフィ撮像システム、Ｘ線透視撮像システム、インターベンショナル撮像システム（例えば、血管造影、生検）、超音波撮像システムなど、他の撮像モダリティを用いた撮像セッションに適用されるときにも有用であり得ることを理解されたい。ＣＴ撮像モダリティに関する本説明は、１つの適切な撮像モダリティの一例としてのみ提供される。

図１は、様々な構成要素の相対的な位置決めの例示的な構成を示す。互いに直接接触して、または直接結合して示される場合、そのような要素は、少なくとも一例では、それぞれ直接接触しているまたは直接結合していると称することができる。同様に、互いに連続してまたは隣接して示される要素は、少なくとも一例では、それぞれ互いに連続しているまたは隣接していてもよい。一例として、互いに面を共有して接触している構成要素は、面共有接触と称されることがある。別の例として、それらの間のスペースのみを有し、他の構成要素が存在しない互いに離れて位置決めされた要素は、少なくとも一例では、そのように称されてもよい。さらに別の例として、互いに上／下に、互いに反対側に、または互いに左／右に示される要素は、互いに対してそのように称されてもよい。さらに、図に示すように、少なくとも一例では、要素の最上部の要素または点は、構成要素の「上部」と称されることがあり、要素の最下部の要素または点は、構成要素の「下部」と称されることがある。本明細書で使用する場合、上部／下部、上側／下側、上／下は、図の垂直軸に相対的であり、図の要素の互いに対する位置決めを説明するために使用され得る。このように、他の要素の上に示される要素は、一例では、他の要素の上に垂直方向に位置決めされる。さらに別の例として、図内に示される要素の形状は、それらの形状（例えば、円形、直線状、平面状、湾曲状、球形、面取り、角度付きなど）を有すると称されてもよい。さらに、互いに交差して示される要素は、少なくとも一例では、交差している要素または互いに交差していると称されてもよい。またさらに、別の要素内に示される要素または別の要素の外側に示される要素は、一例では、そのように称されてもよい。

図１は、例示的なＣＴシステム１００を示している。特に、ＣＴシステム１００は、患者、無生物物体、１つまたは複数の製造部品、ならびに／または体内に存在する歯科用インプラント、ステント、および／もしくは造影剤などの異物などの対象１１２を撮像するように構成される。本開示を通して、対象および患者という用語は互換的に使用されることがあり、少なくともいくつかの例では、患者はＣＴシステムによって撮像され得る対象の一種であり、対象は患者を含み得ることを理解されたい。一実施形態では、ＣＴシステム１００は、ガントリ１０２を含み、ガントリ１０２は、患者の撮像に使用するためにＸ線放射線１０６のビームを投影するように構成された少なくとも１つのＸ線放射線源１０４をさらに含むことができる。具体的には、放射線源１０４は、Ｘ線１０６をガントリ１０２の反対側に位置決めされた検出器アレイ１０８に向けて投影するように構成される。図１は単一の放射線源１０４のみを図示しているが、ある特定の実施形態では、異なるエネルギーレベルで患者に対応する投影データを取得するために、複数の放射線源を用いて複数のＸ線１０６を投影することができる。

いくつかの例では、ＣＴシステム１００は、ガントリ１０２の上または外側に位置決めされた撮像センサ１１４を含み得る。示すように、撮像センサ１１４は、ガントリ１０２の外側に位置決めされ、対象がガントリ１０２の少なくとも部分的に外側にあるときに対象１１２を撮像するように配向される。撮像センサ１１４は、可視光センサ、および／または赤外線（ＩＲ）光源を含むＩＲセンサを含み得る。ＩＲセンサは、飛行時間型（ＴＯＦ）、ステレオ、または三次元深度画像を生成するように動作可能な構造化光深度センサなどの三次元深度センサであってもよく、他の実施態様では、赤外線センサは、二次元ＩＲ画像を生成するように動作可能な二次元ＩＲセンサであってもよい。いくつかの実施態様では、二次元ＩＲセンサを使用して、ＩＲ反射現象の知識から深度を推測して三次元深度を推定することができる。ＩＲセンサが三次元深度センサであるか二次元ＩＲセンサであるかにかかわらず、ＩＲセンサは、ＩＲ画像を符号化する信号を適切なＩＲインターフェースに出力するように構成されてもよく、ＩＲインターフェースは、ＩＲセンサからのＩＲ画像を符号化する信号を受信するように構成されてもよい。他の例では、撮像センサは、観察される対象および／または他のソースから到来する指向性および／または無指向性の音の受信および分析を可能にするためのマイクロフォンなどの他の構成要素をさらに含み得る。

ある特定の実施形態では、ＣＴシステム１００は、逐次近似または分析的画像再構成方法などの適切な再構成方法を使用して、患者のターゲットボリュームの画像を再構成するように構成された画像処理ユニット１１０をさらに含む。例えば、画像処理ユニット１１０は、フィルタ補正逆投影（ＦＢＰ）などの分析的画像再構成手法を使用して、患者のターゲットボリュームの画像を再構成することができる。別の例として、画像処理ユニット１１０は、患者のターゲットボリュームの画像を再構成するために、高度統計的逐次近似再構成（ＡＳＩＲ）、共役勾配（ＣＧ）、最尤期待値最大化（ＭＬＥＭ）、およびモデルベース逐次近似再構成（ＭＢＩＲ）などの逐次近似画像再構成手法を使用することができる。

ＣＴシステム１００は、テーブル１１５をさらに含み、その上に撮像される対象を位置決めすることができる。テーブル１１５は、テーブルの垂直方向および／または横方向位置を調整することができるように電動化され得る。したがって、テーブル１１５は、モータ１１６と、モータコントローラ１１８とを含み得る。テーブルモータコントローラ１１８は、対象のターゲットボリュームに対応する投影データを取得するために、対象をガントリ１０２に適切に位置決めするようにモータ１１６を調整することによってテーブル１１５を移動させる。テーブルモータコントローラ１１８は、テーブル１１５の高さ（例えば、テーブルが設置されている地面に対する垂直方向位置）とテーブル１１５の横方向位置（例えば、ガントリの回転軸に平行な軸に沿ったテーブルの水平位置）の両方を調整することができる。

図２は、図１のＣＴシステム１００と同様の例示的な撮像システム２００を示している。一実施形態では、システム２００は、検出器アレイ１０８（図１参照）を含む。検出器アレイ１０８は、対応する投影データを取得するために対象１１２を通過するＸ線ビーム１０６（図１参照）を共に収集する複数の検出器素子２０２をさらに含む。したがって、一実施形態では、検出器アレイ１０８は、セルまたは検出器素子２０２の複数の行を含むマルチスライス構成で製作される。そのような構成では、検出器素子２０２の１つまたは複数の追加の行が、投影データを取得するための並列構成に配置される。

ある特定の実施形態では、システム２００は、所望の投影データを取得するために、対象１１２の周りの異なる角度位置を横切るように構成される。したがって、ガントリ１０２およびそれに取り付けられた構成要素は、例えば、異なるエネルギーレベルで投影データを取得するために、回転中心２０６を中心に回転するように構成されてもよい。代替的に、対象２０４に対する投影角度が時間の関数として変化する実施形態では、取り付けられている構成要素は、円弧に沿ってではなく、一般的な曲線に沿って移動するように構成されてもよい。

一実施形態では、システム２００は、ガントリ１０２の回転およびＸ線放射線源１０４の動作などの構成要素の移動を制御する制御機構２０８を含む。ある特定の実施形態では、制御機構２０８は、電力およびタイミング信号を放射線源１０４に提供するように構成されたＸ線コントローラ２１０をさらに含む。加えて、制御機構２０８は、撮像要件に基づいてガントリ１０２の回転速度および／または位置を制御するように構成されたガントリモータコントローラ２１２を含む。

ある特定の実施形態では、制御機構２０８は、検出器素子２０２から受信されたアナログデータをサンプリングし、その後の処理のためにアナログデータをデジタル信号に変換するように構成されたデータ取得システム（ＤＡＳ）２１４をさらに含む。ＤＡＳ２１４によってサンプリングされデジタル化されたデータは、コンピューティングデバイス（またはコンピュータ）２１６に送信される。一例では、コンピューティングデバイス２１６は、データを記憶デバイス２１８に記憶する。記憶デバイス２１８は、例えば、ハードディスクドライブ、フロッピーディスクドライブ、コンパクトディスク読み出し／書き込み（ＣＤ－Ｒ／Ｗ）ドライブ、デジタル多用途ディスク（ＤＶＤ）ドライブ、フラッシュドライブ、および／またはソリッドステート記憶デバイスを含んでもよい。記憶デバイスは、コンピューティングデバイス２１６の内部または外部であり得る。さらに別の例では、データは、コンピューティングデバイスによってクラウドベースのサーバに送信されて記憶することができる。図２には単一のコンピューティングデバイス２１６のみが示されているが、いくつかの例では、コンピューティングデバイス２１６は、複数の物理的デバイスにわたって分散されてもよい。

加えて、コンピューティングデバイス２１６は、データ取得および／または処理などのシステム動作を制御するために、コマンドおよびパラメータをＤＡＳ２１４、Ｘ線コントローラ２１０、およびガントリモータコントローラ２１２の１つまたは複数に提供する。ある特定の実施形態では、コンピューティングデバイス２１６は、オペレータ入力に基づいてシステム動作を制御する。コンピューティングデバイス２１６は、コンピューティングデバイス２１６に動作可能に結合されたオペレータコンソール２２０を介して、例えば、コマンドおよび／またはスキャンパラメータを含むオペレータ入力を受信する。オペレータコンソール２２０は、オペレータがコマンドおよび／またはスキャンパラメータを指定することを可能にするキーボード（図示せず）またはタッチスクリーンを含むことができる。

図２は、１つのオペレータコンソール２２０のみを示しているが、２つ以上のオペレータコンソールをシステム２００に結合し、例えば、システムパラメータを入力もしくは出力すること、検査を要求すること、および／または画像を閲覧することができる。さらに、ある特定の実施形態では、システム２００は、例えば、施設もしくは病院内で、またはインターネットおよび／もしくは仮想プライベートネットワークなどの１つまたは複数の構成可能な有線および／もしくは無線ネットワークを介して完全に異なる場所において、ローカルにまたは遠隔に位置する複数のディスプレイ、プリンタ、ワークステーション、および／もしくは同様のデバイスに結合されてもよい。

いくつかの実施形態では、システム２００は、画像保管通信システム（ＰＡＣＳ）２２４を含むか、またはそれに結合される。例示的な実施態様では、ＰＡＣＳ２２４は、放射線科情報システム、病院情報システム、および／または内部もしくは外部ネットワーク（図示せず）などの１つまたは複数の他の記憶システムにさらに結合され、異なる場所（例えば、撮像システムと同じ医療施設内および／または異なる医療施設）にいるユーザが画像データへのアクセスを得ることを可能にする。

本明細書でさらに説明するように、コンピューティングデバイス２１６は、オペレータ供給のおよび／またはシステム定義のコマンドおよびパラメータを使用してテーブルモータコントローラ１１８を動作させ、テーブルモータコントローラ１１８は、電動テーブル１１５を制御することができる。例えば、コンピューティングデバイス２１６は、モータ１１６を介してテーブル１１５の垂直方向および／または横方向位置を調整するように、モータコントローラ１１８に命令するコマンドをモータコントローラ１１８に送出することができる。

前述のように、ＤＡＳ２１４は、検出器素子２０２によって取得された投影データをサンプリングしてデジタル化する。その後、画像再構成器２３０がサンプリングされデジタル化されたＸ線データを使用して、高速再構成を実施する。図２は別個のエンティティとして画像再構成器２３０を示しているが、ある特定の実施形態では、画像再構成器２３０は、コンピューティングデバイス２１６の一部を形成してもよい。代替的に、画像再構成器２３０は、システム２００に存在しなくてもよく、代わりに、コンピューティングデバイス２１６が、画像再構成器２３０の１つまたは複数の機能を実施してもよい。さらに、画像再構成器２３０は、ローカルにまたは遠隔に位置してもよく、有線または無線ネットワークを使用してシステム１００に動作可能に接続されてもよい。特に、１つの例示的な実施形態は、画像再構成器２３０のための「クラウド」ネットワーククラスタ内の算出資源を使用することができる。

一実施形態では、画像再構成器２３０は、再構成された画像を記憶デバイス２１８に記憶する。代替的に、画像再構成器２３０は、診断および評価のために有用な患者情報を生成するために、再構成された画像をコンピューティングデバイス２１６に送信する。ある特定の実施形態では、コンピューティングデバイス２１６は、再構成された画像および／または患者情報を、コンピューティングデバイス２１６および／または画像再構成器２３０に通信可能に結合されたディスプレイ２３２に送信する。一実施形態では、ディスプレイ２３２は、オペレータが撮像された解剖学的構造を評価することを可能にする。ディスプレイ２３２はまた、オペレータがその後のスキャンまたは処理のために、例えば、グラフィカルユーザインターフェース（ＧＵＩ）を介して関心ボリューム（ＶＯＩ）を選択すること、および／または患者情報を要求することを可能にすることができる。

いくつかの例では、コンピューティングデバイス２１６は、撮像プロトコルに従ってコマンドおよび／または制御パラメータをＤＡＳ２１４、Ｘ線コントローラ２１０、ガントリモータコントローラ２１２、およびテーブルモータコントローラ２２６の１つまたは複数に送出するために実行可能なコンピュータ可読命令を含み得る。さらに、コンピューティングデバイス２１６は、撮像プロトコルに従って様々なスキャンパラメータ（例えば、線量、ガントリ回転角度、ｋＶ、ｍＡ、減衰フィルタ）を設定および／または調整することができる。撮像プロトコルは、コンピューティングデバイス２１６および／または遠隔コンピューティングデバイス上のメモリに記憶された複数の撮像プロトコルの中からオペレータによって選択されてもよく、または撮像プロトコルは、例えば、受信された患者情報に従ってコンピューティングデバイス２１６によって自動的に選択されてもよい。

加えて、いくつかの例では、コンピューティングデバイス２１６は、図１のセンサ１１４などの撮像センサから受信された撮像情報を処理するための命令を含む画像センサデータプロセッサ２１５を含み得る。深度情報および／または可視光情報を含むことができる撮像センサから受信された情報を処理し、対象のＩＤ、対象のサイズ、現在の対象の位置、対象の移動などの様々な対象パラメータを決定することができる。これらの対象パラメータは、コンピューティングデバイス２１６または別の適切なデバイスによって使用され、対象の移動が検出されたときの画像取得の一時停止ならびに／または対象および／もしくはオペレータへの通知の出力など、医療撮像セッションの様々なパラメータを調整することができる。さらに、撮像センサからのビデオストリームがディスプレイ２３２を介して表示されてもよい。

画像センサからの情報は、画像センサデータプロセッサ２１５によって、画像センサの視野内の１つまたは複数の対象の追跡を実施するために使用可能であり得る。一例では、画像情報（例えば、深度情報）を使用して骨格追跡を実施することができ、対象の複数の関節は、識別および分析されて対象の移動、姿勢、位置などを決定する。骨格追跡中の関節の場所は、上述の対象パラメータを決定するために使用され得る。

図１～図２の撮像システムは、撮像プロトコルに従って動作されてもよい。コンピュータ２１６は、（大容量記憶装置２１８などの）メモリに記憶された１つまたは複数のデフォルトのおよび／またはカスタマイズされた撮像プロトコルを含むことができる。一例では、メモリに記憶された撮像プロトコルの１つまたは複数は、撮像プロトコルのライブラリとして提供される、製造業者がインストールした撮像プロトコルであってもよい。撮像プロトコルは、関連する撮像モダリティのために（コンピュータ断層撮影撮像、磁気共鳴撮像、陽電子放出断層撮影などのために）選択的に構成されてもよい。異なる撮像プロトコルは、評価される医学的状態、スキャンされる身体部分、患者の特性、およびそれらの組み合わせなどの様々な撮像パラメータに関連付けられてもよい。例えば、脳震盪の兆候などについて子供の頭部をスキャンするのと比較して、出血の兆候について中型の成人の腹部をスキャンするための個別の撮像プロトコルが提供される。各撮像プロトコルは、ガントリモータ、Ｘ線、テーブルモータなどの設定など、撮像システム（例えば、図２の撮像システム２００）の設定を含むことができる。

また、図２には、撮像システム２００および／または他の撮像システムで取得された画像に基づいて診断検査を実施するために使用され得る診断検査システム２５０が示されている。診断検査システム２５０は、ＰＡＣＳ２２４および／または推論サービス２３４に通信可能に結合されたビューア２３６を含む。ビューア２３６は、コンピューティングデバイス２１６およびディスプレイ２３２と同様に、メモリ、プロセッサ、およびディスプレイデバイス２３７を含むコンピューティングデバイスであり得る。同様に、推論サービス２３４は、コンピューティングデバイス２１６に関して上述したメモリおよびプロセッサと同様のメモリおよびプロセッサを各々が含む１つまたは複数のコンピューティングデバイスを備える。推論サービス２３４は、本明細書ではワークフローインターフェース２３５と呼ばれるインターフェースを生成し、例えば、撮像システム２００を使用するスキャン中に取得された画像の診断検査中にユーザのワークフロー管理を支援することができる。インターフェース２３５は、診断検査中にディスプレイデバイス２３７に表示するために出力されてもよい。

推論サービス２３４は、ビューア２３６とは別個のデバイスであり、ＰＡＣＳ２２４から（通信可能に結合されているが）別個であるように示されているが、いくつかの例では、推論サービス２３４は、ビューア２３６、コンピューティングデバイス２１６、またはＰＡＣＳ２２４の一部であるコンピューティングデバイスなどの異なるコンピューティングデバイス上に記憶され、実行されてもよい。さらに、１つまたは複数の追加のコンピューティングデバイスをＰＡＣＳ２２４および／または推論サービス２３４に結合し、ユーザがＰＡＣＳ２２４に保存された画像を閲覧し、本明細書に開示される実施形態に従って診断検査を実行することを可能にすることができる。

診断検査中、推論サービス２３４は、ユーザ入力に基づいて、および／または人工知能ベースのモデルに従ってワークフローを生成することができる。ワークフローは、画像の診断検査が実施されるときに適用され得るプロトコル、ツールセットなどを含み得る。推論サービス２３４は、診断検査ごとにワークフローを生成することができ、ワークフローは、画像のタイプ、検査の診断目標、検査を実行するユーザなどのために最適化されたワークフローが生成され得るように異なる場合がある。例えば、中型の成人の腹部に出血の兆候が見られるかどうかを決定するための検査に対して、第１のワークフローを提供することができる。脳震盪の兆候などについて子供の頭部を診断するために、異なるワークフローが提供されてもよい。各ワークフローは、所与のモダリティおよび／または撮像された身体領域に固有のツールセットを含む場合がある。さらに、ツールセットは、ユーザ設定および嗜好（ユーザが頻繁に使用するツールセット、ユーザの左利きまたは右利きなど）に基づいてカスタマイズされてもよい。ワークフローはまた、検査中の画像の提示の順序を示すことができるハンギングプロトコルを含み得る。ワークフローの複数のアクションアイテムを介して、ユーザは、初期診断評価を実施することができる。例えば、ユーザは、スキャン中に取得された患者の画像を分析し、患者の疑わしい状態を診断することができる。

さらに、推論サービス２３４は、ワークフローの一部としてビューア２３６に関連するディスプレイデバイス２３７上でユーザに表示するために、関連のある患者臨床データ、関連のある以前の画像、関連のある参照文献、および関連のある参照画像を自動的または半自動的に（例えば、ユーザ要求に応じて）抽出することができる。このようにして識別された参照、画像、および事前情報は、ＣＴ撮像システム２００が位置するヘルスケア環境からのデータソースなどのローカルデータであり得る。非限定的な例として、推論サービス２３４は、現在のスキャンと同じ身体領域の前の患者スキャン、疑わしい状態が確認された別の患者からの同じ身体領域のスキャン、ならびに参照画像を抽出することができる。

推論サービス２３４はまた、遠隔ソースからデータを抽出するように構成することができる。例えば、推論サービス２３４は、中央学習プラットフォーム２４２に通信可能に結合され得る。図３で詳述されるように、中央学習プラットフォーム２４２は、クラウドネットワーク２４０上に記憶され得、病院１～Ｎのサーバ２４４などの複数の他のヘルスケア環境のコンピューティングデバイス（例えば、サーバおよび／またはＰＡＣＳ）、ならびに参照画像ライブラリおよび参照文献ライブラリなどの遠隔サービスと通信することができる。結果として、参照画像および／または参照文献は、これらの場所のいずれかから選択され、最適化されたワークフローの一部としてディスプレイ２３７でユーザに表示される。さらに、ワークフローの使用状況データを他のヘルスケア環境から収集し、中央学習プラットフォームを介して１つまたは複数のモデルを訓練するために使用することができる。１つまたは複数のモデルは、上記で説明され、以下でより詳細に説明されるように、診断ワークフローの生成を支援するために展開されてもよい。

図３に関して詳述されるように、中央学習プラットフォーム２４２および／または推論サービス２３４は、ワークフロー推論を生成し、関連のある事前情報の選択を支援し、ツールセット、所見、および参照の選択を支援するために使用され得る。関連のある画像、事前情報、および参照を自動的に識別、抽出、および表示することを可能にすることによって、ユーザ（例えば、臨床医）の認知負荷および疲労が軽減され、同時に検査の診断の信頼性を向上させる。例えば、場合によっては識別されなかった診断を含む誤診を減らすことができる。

次に図３を参照すると、１つまたは複数のオンサイトコンピューティングデバイス３０４と通信するオンライン中央学習プラットフォーム３０２を含む、スマートワークフローシステム３００の例示的な実施形態が示されている。一例では、中央学習プラットフォーム３０２は、クラウドネットワーク（図２参照）などの１つまたは複数の集中型サーバ上に設けられ、それにより中央学習プラットフォーム３０２は、１つまたは複数のヘルスケア環境（例えば、病院）にあるコンピューティングデバイスを含むことができる、１つまたは複数のオンサイトコンピューティングデバイス３０４によってアクセスすることができる。プラットフォーム３０２は、患者の１つまたは複数の診断画像に基づく診断検査の実行中、最適なワークフロープロトコル、以前の選択、ツールセットの予測、所見、参照などの提案を予測／提供するために、１つまたは複数のオンサイトコンピューティングデバイス３０４によって展開され得る１つまたは複数のワークフローモデルを訓練するために割り当てられたリソース（例えば、メモリおよびプロセッサ）を含み得る。

プラットフォーム３０２は、訓練データ３１８を使用して１つまたは複数のワークフローモデルを訓練するように構成された訓練アルゴリズム３０８を含む。訓練データは、複数の患者の各々の入力－出力ペアを含み得る。訓練アルゴリズム３０８への入力－出力ペアの入力セグメントとして含まれ得る訓練データは、例えば、臨床データ３１０（血液試験結果、血圧および体温測定値など）、以前のレポート３１２（以前のスキャンまたは他の診断テストから診断された状態など）、および画像データ３１４（前のスキャンからの画像など）を含む。入力－出力ペアの出力セグメントは、各患者について、専門家の使用状況データ３１６（専門家、例えば、臨床医によって行われた診断の確認、ならびにオンサイトコンピューティングデバイス３０４または他のデバイスのユーザが様々なワークフローとどのように対話したかに関する使用状況データなど）を含むことができる。アルゴリズムは、機械学習（ＭＬ）方法などの人工知能（ＡＩ）を使用して、モデルリポジトリ３０６に保存することができる１つまたは複数のワークフローモデルを訓練する。次に、モデルは、臨床医が診断検査を実施するためのスキャンを抽出する場所などのオンサイト場所にあるオンサイトコンピューティングデバイス３０４に展開される。

ワークフローモデルは、例えば、ワークフロー推論モデル３２０を含む。ワークフロー推論モデル３２０は、放射線技師などの臨床医によって抽出および実施される診断検査に最も適したワークフローを推測するように構成される。ワークフロー推論モデル３２０は、疑わしい状態（状態の関数として、身体部分、撮像モダリティなど）を診断するために、取得された画像の分析を含み得る、診断検査のプロトコルの一部として実施されるアクションアイテムの順序およびＩＤを提案／予測することができる。ワークフロー推論モデル３２０は、事前情報、ツールセット、参照などが表示されるビューポート、ビューポートのサイズ、ビューポートの位置、ならびに診断検査中に画像および他の情報をユーザに提示するために使用される、グラフィカルユーザインターフェースのレイアウトおよび外観の他の側面を提案／予測する。さらに、ワークフロー推論モデル３２０は、現在の検査で分析される画像のハンギングプロトコルを提案／予測することができる。一例として、臨床医が患者のマンモグラム検査を抽出して腫瘍の存在を診断した場合、ワークフロー推論モデル３２０を使用して、乳房腫瘍を確実に診断するように、現在取得されている画像を閲覧する必要があるハンギング順序を含むワークフローを提案し得る。このようにして、ワークフロー推論モデルは、ユーザ（例えば、臨床医）が検査で画像を読み取るプロセスをナビゲートすることを可能にするワークフローを提案することができる。モデル３０７はまた、以前のデータ、以前の画像などの識別および選択を含む、事前情報の選択のために展開され得る事前情報選択モデル３２２を含むことができる。以前の画像は、現在の患者について収集された以前の画像、ならびに診断が確認された所与のオンサイト場所で他の患者から収集された以前の画像を含み得る。モデル３０７はまた、疑わしい状態の信頼できる診断を可能にするように決定されたツールセット、ならびにユーザ設定に基づいて選択されたツールセットの選択および表示のために展開され得るツールセット予測モデル３２４を含むことができる。例えば、ツールセット予測モデル３２４は、所与の臨床医によるマンモグラム分析に使用されるツールセット、ならびに確認された以前の症例の診断中に使用されたツールセットを自動的に予測および提案し得る。予測されたツールセットは、選択されたセットのツール、ならびにツールの定義された相対的な位置決めを含んでもよい。例えば、ズームツールが確認された以前の症例のほとんどの診断ワークフローで使用された場合、ユーザの利き手（例えば、左または右）に基づいて位置が調整されたズームツールを提案することができる。

モデル３０７はまた、関連のある所見の識別を可能にするために展開され得る所見モデル３２６と、関連のある参照（例えば、参照画像、参照文献）の識別を可能にするために展開され得る参照モデル３２８とを含むことができる。所見モデル３２６は、例えば、以前の検査からの関連のある所見を予測または提案し得る。その後、所見は現在の検査にコピーされ得、現在の患者の臨床データ、現在の検査の診断目標（例えば、以前に識別された病変のサイズの変化を決定するため）などに基づいて適合させることができる。参照モデル３２８は、例えば、確認された診断（例えば、腫瘍の存在の確認、および腫瘍の欠如の確認）の以前の画像および／または正常な参照画像（例えば、診断された異常を含まない画像）を予測または提案し得る。参照モデル３２８はまた、診断される状態に関する様々な問題に関係する参照文献（例えば、文献からの画像および／または要約）を予測または提案してもよい。

次いで、モデルの出力（例えば、モデルを介して生成された予測／提案）は、推論サービス２３４にリレーされ、推論サービス２３４は、ＰＡＣＳ２２４に送出され得る現在の検査について事前算出された予測を出力する。例えば、診断撮像セッションが完了し、診断画像がＰＡＣＳ２２４に送出されると、ワークフロー、ツールセット、および事前情報などの検査パラメータの一部またはすべてについて予測を決定することができる。ユーザが検査を選択すると（例えば、ビューア２３６のディスプレイデバイスに表示されるグラフィカルユーザインターフェースに提示される未解決の検査のメニューから）、検査および事前算出された予測は、ビューア２３６を介して自動的にユーザに表示される。言い換えると、検査がＰＡＣＳ２２４で作成されると、推論サービス２３４は、モデルの各々から提案および予測を受信し、モデルからの出力に基づいてワークフローを組み立てることができ、これは検査のワークフローに含める提案および予測の側面の決定、ならびに既知のユーザ嗜好、既知の患者情報などに基づくワークフローへの提案および予測のカスタマイズを含む。検査が開始されると、分析される画像がワークフローに従ってフォーマットされたグラフィカルユーザインターフェースに表示され、事前情報およびツールセットがモデルおよび推論サービス２３４の出力によって決定されるワークフローに従って選択および表示される。さらに、ビューア２３６は、検査中に要求および／またはオンデマンド予測に関係する情報を推論サービス２３４に送出してもよい。例えば、ユーザ要求に応じて、または検査がワークフローの特定の段階に達すると、所見モデルからの出力をフェッチして表示することができる。このようにして、臨床医が疑わしい患者状態をよりよく理解すると（例えば、いくつかの診断指標が画像で識別されたらなど）、過去の検査から最も関連性が高い所見を抽出することができる。同様に、参照モデルからの関連のある参照は、ユーザ要求に応じて、または検査がワークフローの特定の段階に達したときに抽出されてもよい。

モデル３０７は、診断検査中に収集されたデータに基づいて更新されてもよい。例えば、フィードバックエンジン３３０は、検査を実施するときにユーザによって選択された設定を監視するように構成され得る。設定は、提案された／適用されたワークフロー、およびユーザがワークフローに行った修正、ユーザが提案された事前情報、所見、および／または参照の閲覧を選んだかどうか（またはユーザが閲覧する追加または代替の事前情報、所見、および／または参照を選択したかどうか）、ツールセットからユーザが対話したツール（およびユーザが追加または代替のツールを追加したか）などを含んでもよい。フィードバックエンジン３３０は、ユーザによって選択されたツールセット、ユーザによって選択された（またはユーザに提案された）ハンギングプロトコル、ならびにユーザによって選択された参照を監視することができる。

さらに、フィードバックエンジン３３０は、各組み立てられたワークフローが患者状態の診断を容易にすることにおいてどれほど効果的および／または正確であるかを示すフォローアップデータを記憶することができる。例えば、ワークフローがモデル３０７からの出力に基づいて推論サービス２３４によって生成されると、ワークフローは、撮像モダリティ、診断目標、および撮像された解剖学的特徴などの様々な検査パラメータによって分類され得る。一例として、第１のワークフローは、乳房の病変を検出するためのＣＴワークフローとして分類されてもよく、第２のワークフローは、小児患者における脳出血を監視するためのＭＲＩワークフローとして分類されてもよい。各ワークフローに関連する検査が実施された後、検査で臨床医によって保存された所見／診断評価は、別の臨床医、追加の診断テスト（例えば、生検領域の病理検査、異なる撮像モダリティによる異なる診断検査など）、患者の症状、および／またはさらなる臨床医ベースの診断評価によって確証されてもよいし、確証されなくてもよい。検査の所見が確証されたかどうかの指標は、上述の他のデータと共にフィードバックエンジンに記憶され得る。フォローアップデータおよび確証の指標を使用して、可能な場合、診断精度スコアを各ワークフローに割り当てることができ、また、各ワークフローが検査パラメータに基づいて分類されるため、フィードバックエンジンは、異なるワークフロー分類ごとに比較的高い診断精度を有するワークフローを決定するように構成することができる。例えば、ＣＴスキャンで乳房の病変を検出するための複数の異なるワークフローを生成することができ、その各々には、各異なるワークフローが異なる検査ごとに複数回利用されるときに更新され得る診断精度スコアが割り当てられてもよい。高精度のワークフローが識別されると（例えば、閾値を超える精度スコアを有する）、高精度のワークフローは、将来の乳房病変のＣＴ検査で優先的に適用され得、図４に関して以下でより詳細に説明されるように、乳房病変のＣＴ検査のために他の医療施設に提案されてもよい。検査効率についても同様の手法をとることができ、検査の期間が決定され、フィードバックエンジンに記憶され、効率（例えば、速度）に基づいて異なるワークフローのランク付けに使用されてもよい。診断精度を損なうことなく、高速ワークフローが所与の分類に対して識別される場合、そのワークフローは優先的に適用され、かつ／または他の施設と共有される場合がある。

いくつかの例では、フィードバックエンジン３３０に記憶された情報は、フィードバックエンジン３３０から中央学習プラットフォームに送出され、訓練データ３１８として使用されてもよい。フィードバックデータの閾値量が収集されると、モデルを訓練アルゴリズム３０８を介して更新／再訓練し、リポジトリ３０６に記憶されたモデル３０７を更新することができる。さらに、いくつかの例では、モデルがオンサイトデバイス３０４にローカルに記憶されている場合、フィードバックエンジン３３０を使用してモデル３０７をローカルに再訓練することができる。例えば、病院ごとに異なる規制、好ましいワークフローを有し、異なる患者の人口統計などを提供する場合があり、したがって、病院固有の方法でモデルを訓練することが有利であることがある。ただし、特に最適なワークフローが病院で識別される場合、ワークフローは、中央学習プラットフォームを介して他の病院と共有されてもよい。

このようにして、中央学習プラットフォーム３０２は、ユーザが診断検査を開始したときに診断ワークフロー設定を提案または適用するために、１つまたは複数のオンサイトコンピューティングデバイスによって展開され得るリポジトリに記憶された複数のモデルを含むことができる。ワークフロー設定は、検査中に実行されるアクションアイテムの選択および順序付け、検査中に画像および他の情報を提示するために使用されるグラフィカルユーザインターフェースのフォーマット、検査中に表示されるツールセット、検査中に提示される患者の以前のスキャン、検査中に提示される関連のある所見、ならびに検査中に提示される関連のある参照を含み得る。複数のモデルは、複数の患者に対する以前の検査からの情報を使用して訓練されるＡＩベースのモデル（例えば、機械学習、ニューラルネットワーキングなど）であってもよい。訓練データは、各患者について、検査時に記憶された関連のある臨床データ（例えば、血圧、心拍数、体温、投薬、過去の診断）、以前のレポート／所見（例えば、診断画像に加えられた注釈、記憶された所見、診断された状態を含む、患者の検査中に文書化された所見）、画像データ（例えば、検査のために取得および分析された画像）、および専門家の使用状況データ（例えば、確証された診断、ならびに限定はしないが、選択された事前情報、選択された参照、選択されたツールセット、画像のハンギングプロトコル、ならびに選択された事前情報、参照、およびビューポート内の画像の配置／表示を含む、検査中に適用されたワークフローに関係するワークフロー情報）を含み得る。

いくつかの例では、中央学習プラットフォームは、単一の医療施設（例えば、病院）によって収集された訓練データを用いてモデルを訓練し、訓練されたモデルを単一の医療施設でのみ展開してもよい。ただし、他の例では、中央学習プラットフォームは、以下でより詳細に説明されるように、複数の異なる医療施設から訓練データを引き出し、かつ／または複数の異なる医療施設で訓練されたモデルを展開し得る。

上述のモデル３０７などの１つまたは複数のワークフローモデルは、モデルリポジトリ３０６に記憶され得、中央学習プラットフォーム３０２上に展開され得る。そのような例では、オンサイトデバイスは、検査のパラメータを中央学習プラットフォームに送出してもよく、モデルからの出力（例えば、上述の予測／提案）は、オンサイトデバイスに送り返されてもよく、出力がワークフローを生成するために推論サービス２３４によって使用され得る。他の例では、モデルは、オンサイトデバイス３０４上に記憶されて展開されてもよく、中央学習プラットフォームがモデルを再訓練するときに定期的に更新されてもよく、かつ／またはフィードバックエンジンを介してローカルに再訓練されてもよい。そのような例では、推論サービス２３４は、検査パラメータをモデルに供給することができ、モデルからの出力は、図３に示すように、すべてオンサイトデバイス内の推論サービス２３４に供給することができる。

示すように、推論サービス２３４は、病院などの医療施設のサーバであり得るオンサイトデバイス３０４上に記憶されて実行される。モデル３０７は、オンサイトデバイス上に記憶されて実行され得る。モデルの更新は、例えば、中央学習プラットフォームから送出される通知を介して提供されてもよい。他の例では、推論サービス２３４がオンサイトデバイス上に記憶されて実行されるが、モデルは、中央学習プラットフォーム上で訓練されて更新されてもよい。さらに別の例では、推論サービスおよびモデルは、中央学習プラットフォーム上に記憶されて実行することができる。

次に図４を参照すると、図３のスマートエンジンシステムと複数のヘルスケアシステムとの例示的な統合が示されている。実施形態４００は、本明細書では病院１～Ｎまでの複数のヘルスケア環境４１４に結合された訓練モデルリポジトリ３０６および訓練エンジン４０８を有する中央学習プラットフォーム３０２を示す。各病院は、ビューア４３２などの複数のビューアを含み得る。ビューアは、疑わしい状態の患者画像を閲覧および分析するスキャン技術者、医師、または他のヘルスケア専門家によって利用される異なるコンピューティングデバイスである場合がある。各病院は、上述の推論サービス２３４の非限定的な例であるスマートエンジン推論サービス４２０をさらに含み得、これはビューア４３２に表示され得るスマートなカスタマイズされた診断検査ワークフローを生成し得る。推論サービス４２０は、上述のように、集中型学習プラットフォーム３０２で訓練された１つまたは複数のワークフローモデルを利用することができる。いくつかの例では、１つまたは複数のワークフローモデルは、スマートエンジンデータリポジトリ４１６に記憶され得る。検査がビューア４３２を介して実施されるとき、使用状況データは、ユーザ入力収集サービス４１８で収集される。使用状況データは、分析された個々の患者データ、診断中に使用されたツールセット、診断中に適用されたワークフローおよびハンギングプロトコル、ならびに所与の病院で個々のヘルスケアプロバイダによって伝達された診断およびフォローアップデータ（例えば、診断を確証するか、または診断を確証しない）を含む。例えば、データは、分析された個々の患者データおよび所与の病院の複数のヘルスケアプロバイダによって伝達された診断を含み、各々が同じデータをレビューする。データならびに関連する成果は、スマートエンジンデータリポジトリ４１６に保存され、モデルをローカルに訓練するために使用されてもよく、および／またはデータならびに関連する成果は、訓練されたモデルを更新するように中央学習プラットフォームのスマートエンジン訓練およびモデル更新モジュール４０８に通信されてもよい。

各病院は（例えば、それぞれのスマートエンジンデータリポジトリから）情報を中央学習プラットフォームに送出することができ、各病院からの情報は、中央学習プラットフォームのモデルを更新するために使用することができる。いくつかの例では、中央学習プラットフォーム３０２は、すべての病院から受信された情報に基づいて更新され得るデータリポジトリ３０６に保存された共通のセットのモデルを含んでもよく、モデルは、すべての病院に展開されてもよい。そうすることで、大量の更新／訓練情報が収集され得、モデルの精度を向上させることができる。他の例では、中央学習プラットフォームは、病院固有の方法でモデルを更新してもよく、それにより、例えば病院１からの情報は病院１に展開されたモデルの更新にのみ使用され、病院２からの情報は病院２に展開されたモデルの更新にのみ使用される。このようにして、モデルは個々に医療施設／病院ごとに訓練することができ、これにより、特に病院の地理的な場所または平均的な患者の人口統計が大幅に異なる場合、モデルの精度を向上させることができる。前に説明したように、各ワークフローは、診断精度および／または効率に基づいて評価することができる。高い診断精度および／または高レベルの効率を有するワークフローが識別される場合、それらのワークフローは、例えば、中央学習プラットフォームからのレポートまたは通知の形式で、すべての病院に提案されてもよい。このようにして、高精度および／または高効率のワークフローが他の病院で開発されるときにすべての病院に通知され得、病院は、ワークフローの側面の一部またはすべてに従うことを選ぶことができる。

次に図５を参照すると、診断検査ワークフローを生成するための例示的な方法５００が示されている。方法５００は、ヘルスケア環境のユーザに、診断画像の検査中にツールセット、ハンギングプロトコル、ならびに関連のある事前情報および参照を含むワークフローを提供し、診断画像に基づいて患者状態の信頼できる診断を行う際にユーザを支援することを可能にする。方法５００を実行するための命令は、推論サービス２３４などのコンピューティングデバイスのメモリ上に記憶された命令に基づいて、コンピューティングデバイスによって実行され得る。

５０２において、診断画像が検査の一部として保存されたという通知が受信される。例えば、診断画像は、図１のＣＴ撮像システム１００および／または図２の撮像システム２００などの適切な撮像システムで取得され、ＰＡＣＳ２２４などのＰＡＣＳのメモリに保存され得る。画像は、臨床医によって実施される診断検査の一部として保存することができ、臨床医は、画像をレビューし、画像から決定された所見を保存する。所見は、診断された患者状態（腫瘍の有無など）を示したり、疑わしい患者状態を除外したり、治療の進行を示したり、または他の医学的に関連のある指標を示し得る。診断検査を実施するために、臨床医は、取得された画像を分析することができ、画像を以前の撮像スキャン中に取得された患者の以前の画像、正常な組織の参照画像、および／または同じもしくは同様の疑わしい患者状態を有する他の患者の検査（例えば、検査が実施される理由）と比較することを選ぶことができる。臨床医はまた、ズームインまたはズームアウト、画像のコントラストの調整、画像処理／分析フィルタの適用（例えば、背景の除去、血管の強調表示、血流分析など）など、画像を閲覧しながら診断画像を調整することを選んでもよい。さらに、臨床医は、疑わしい患者状態または撮像された解剖学的特徴に関する以前に公開された／準備された文献を参照することを選ぶことができる。そうすることで、所見の精度を高めることができる。ただし、関連のある以前の撮像スキャン、参照画像、以前の関連検査、参照文献、所望の画像調整を実施するための所望のツールセットなどを選択することは、時間がかかる場合がある。さらに、臨床医は、すべての利用可能なリソース、特に利用可能な以前の検査および参照文献を認識していない場合がある。またさらに、上述の選択および調整のすべては、臨床医の認知負荷を増加させることがあり、臨床医の疲労および誤診をする可能性を増加させる場合がある。

したがって、検査の表示フォーマット（ある特定の画像／情報が表示される場所）、表示されるツールセット、および表示される追加の情報などの検査の１つまたは複数の側面は、以前の撮像スキャン、検査、レポート、所見、参照画像、参照文献、ツールセットなどを検査中に臨床医に提示する必要があることを予測するように訓練された人工知能ベースのモデルに依存することによって、自動的にかつ明示的なユーザ入力なしで選択することができる。予測は、現在の検査のパラメータに基づき得る。したがって、５０４において、方法５００は、検査に関連するパラメータを識別することを含む。識別されたパラメータは、例えば、画像がＣＴ、超音波、ＭＲＩなどを介して取得されたかどうかなど、検査で分析される画像を取得するために使用される撮像モダリティ５０５を含み得る。別の例として、スキャンされた身体部分または領域５０６が識別される（例えば、乳房、頭部、胸部、腹部など）。さらに別の例として、検査の診断目標５０７が決定される（例えば、マンモグラム、病変検出、腫瘍進行、脳震盪など）。さらなる例として、検査を実施する臨床医が５０８で決定される。臨床医は、患者の電子医療記録から得られた情報に基づいて決定することができ、検査は、（例えば、事前設定されたルールに基づいて）臨床医に自動的に割り当てることができ、または臨床医は、検査が実際に実施されたときに決定することができる。検査に関連するパラメータは、例えば、ＰＡＣＳから受信された情報に基づいて識別されてもよい。

５１０において、検査を実施するためのワークフローが生成され、これは検査の一部として表示されるツールセットおよび事前情報の選択を含む。図３に関して上記で説明したように、ワークフローは、検査を実行するために実施されるアクションアイテムの選択および／または順序付けを含み得、ワークフローは、どの選択された情報（例えば、事前情報、参照など）を表示するか、それらを表示する場所、検査中に診断画像および他の情報を提示するために使用されるグラフィカルユーザインターフェースのフォーマットなどを含んでもよい。検査中に画像を分析するときに臨床医が使用すると予測されるツールへの素早いアクセスを提供するために、検査中にツールセットを表示することができる。さらに、関連のある事前情報は、患者および検査の診断目標に基づいて選択することができ、それにより関連のある撮像スキャンは提示されなくなる。例えば、検査がマンモグラフィ検査の場合、患者のすべての以前のマンモグラムが選択されてもよく、他の非関連スキャン（半月板が裂けているかどうかを決定するために実施される膝検査など）は選択されなくてもよい。上記で説明したように、ワークフロー、ツールセット、および／または事前情報は、識別されたパラメータおよび１つまたは複数のワークフローモデル（例えば、図３に関して上記で説明したワークフロー推論モデル、事前情報選択モデル、およびツールセット予測モデル）に基づいて選択することができる。例えば、識別されたパラメータ（例えば、画像を取得するために使用される撮像モダリティ、検査の診断目標、撮像された解剖学的特徴、および検査を実施する臨床医）は、１つまたは複数のモデルへの入力として入力されてもよく、１つまたは複数のモデルは、ワークフロー、ツールセット、および事前情報の提案または予測を出力することができ、それらは検査の一部として保存され得る。モデルによって出力された提案または予測は、ＰＡＣＳに送出され、検査の一部として保存することができる。

５１２において、実施される検査を選択するユーザ入力が受信される。例えば、臨床医は、臨床医に割り当てられた検査のメニューから検査を選択することができる。検査が選択されると、取得された画像、選択された事前情報、および選択されたツールセットは、５１４に示されるように、選択されたワークフローに従って表示される。このようにして、１つまたは複数のモデルによって出力される予測／提案は、検査がＰＡＣＳでロードされる／最初に作成されるときに事前に決定され、そして臨床医が検査の実施を要求するときに臨床医に提示され得る。ユーザ／臨床医が検査を実施するとき、臨床医は、ある特定の画像、事前情報などが表示されている場所への移動、ツールセットからのツールの選択（例えば、パン、チルト、ズーム、コントラストなど）を介した画像の表示アスペクトの調整、追加の事前情報またはツールセットの表示の要求など、ワークフローへの調整を行うことができる。本明細書に開示される実施形態に従って自動的に組み立てられるスマートワークフローが臨床医を実際に支援して検査効率を高めることを確実にするために、ワークフロー／検査とのユーザ対話が５１６で追跡される。ユーザがワークフローを修正するか、場合によってはワークフロー、事前情報、および／またはツールセット（または以下で説明されるように、所見および／または参照）が適切ではないまたは十分ではないことを示す場合、この情報は記憶され、モデルを再訓練するために使用することができる。

５１８において、方法５００は、所見および／または参照が要求されているかどうかを決定する。所見および／もしくは参照は、ユーザによって要求される場合があり、または所見および／もしくは参照は、自動的にワークフローによって要求される場合がある。例えば、臨床医がワークフローのある特定の段階（例えば、予備的所見の入力、特定の解剖学的特徴または異常の識別など）に進むと、ワークフローは、所見および／または参照を得る要求をトリガし得る。ただし、いくつかの例では、所見および／または参照は、ワークフロー、事前情報、およびツールセットと同時に、または他の適切な時間に得られる場合がある。所見および／または参照が要求されていない場合、方法５００は５２２に進み、これは以下でより詳細に説明される。

所見および／または参照が要求されている場合、方法５００は５２０に進んで識別されたパラメータおよび１つまたは複数のモデルに基づいて所見および／または参照を選択し、ワークフローに従って所見および／または参照を表示する。例えば、識別されたパラメータは、１つまたは複数のモデル（例えば、図３に関して上記で説明したような所見モデルおよび参照モデル）に入力され得、提案された所見および／または参照を出力し得る。いくつかの例では、検査中に臨床医によって入力された追加の関連のある情報（例えば、識別された解剖学的特徴または異常、予備的所見など）もまた、１つまたは複数のモデルへの入力として使用することができる。提案された所見は、同様のパラメータ（例えば、同様の診断目標、同様の撮像モダリティ、同様の予備的所見または識別された解剖学的特徴など）を有する他の以前の検査からコピーおよび／または適合された所見を含む場合がある。その後、ユーザは所見を受け入れるか拒否することができ、これにより、検査で所見を記録するプロセスが迅速化され得る。参照は、検査に関連のある正常な（例えば、非病理学的な）解剖学的特徴の画像および／または検査に関連のある文献を含み得る。所見および／または参照は、ワークフローおよび／または１つまたは複数のモデルによって示されるビューポートに表示することができる。

５２２において、方法５００は、検査が完了したかどうかを決定する。例えば、ユーザは、検査が完了したこと、例えば、すべての画像が分析されたこと、および臨床医によって識別された所見が保存されたことを示す入力を入力することができる。検査が完了していない場合、方法５００は５１４に戻り、選択されたワークフローに従って取得された画像、事前情報、ツールセット、所見、および／または参照を表示し続け、ワークフローとのユーザ対話を追跡し、要求されたときに所見および／または参照をフェッチする。検査が完了した場合、方法５００は５２４に進み、追跡されたユーザ対話に関する情報を中央学習プラットフォームに送出する。例えば、識別されたパラメータ、検査中のワークフローとのユーザ対話、最終所見などを含むワークフローの詳細が保存され、中央学習プラットフォームに送出され得る。中央学習プラットフォームは、情報を使用してモデルを微調整または再訓練することができる。さらに、いくつかの例では、追跡されたユーザ対話に関する情報、ならびにワークフローの診断精度（例えば、検査の初期所見を確認するまたは確認しないフォローアップ情報に基づく）および／またはワークフローの効率は、コンピューティングデバイス（または方法５００を実行するコンピューティングデバイスと同じ医療施設にある別のコンピューティングデバイス）および／または中央学習プラットフォームによって使用され、施設固有の方法でモデルを再訓練することができる。このようにして、ワークフローは、好ましい医療施設のガイドライン／プロトコルに従って生成することができ、これは例えば、各施設が適切な管轄区域固有の規制に準拠し続けるのに役立ち得る。ただし、生成されたワークフロー、ならびに各ワークフローの診断精度および／または効率は、中央学習プラットフォームによって分析され、他の場所に展開されているモデルの訓練、および／または他の医療施設への提案に役立つことができ、それにより複数の異なるワークフロー最適化が異なる医療施設を介して実施することが可能であり、これはすべての医療施設で共有される可能性のある高精度および／または高効率のワークフローの識別の迅速化に役立ち得る。その後、方法５００は終了する。

方法５００は、取得された画像、事前情報、ツールセット、所見、および／または参照を表示し、検査を選択するユーザ入力を受信し、ワークフローとのユーザ対話を追跡するものとして上記で説明されたが、いくつかの例では、ワークフローを生成し、事前情報、ツールセット、所見、および／または参照を選択するコンピューティングデバイスは、検査中に画像、事前情報、ツールセット、所見、および／または参照を表示するコンピューティングデバイスとは異なる場合があることを理解されたい。例えば、検査がＰＡＣＳコンピューティングデバイスに結合されたビューアコンピューティングデバイスを介して選択されると、ＰＡＣＳコンピューティングデバイス（例えば、推論サービスを記憶および実行する）は、画像、事前情報、ツールセット、所見、および／または参照を推論サービスによって生成されたワークフローパラメータに従ってビューアコンピューティングデバイスに送出してもよく、検査は、ビューアコンピューティングデバイスを用いて実施されてもよい。

図６を参照すると、図３に関して上述したモデルなど、１つまたは複数の診断ワークフローモデルを訓練および実行するための例示的な方法６００が示されている。方法６００は、１つまたは複数のコンピューティングデバイスの非一時的メモリ上に記憶された命令に従って、図３の中央学習プラットフォーム３０２などの中央学習プラットフォームの一部である１つまたは複数のコンピューティングデバイスのプロセッサによって実行され得る。６０２において、複数の訓練データセットが受信される。各訓練データセットは、６０４に示されるように、それぞれの患者の検査のための臨床データ、以前のレポート、および画像データを含み得る。各々が異なる患者の異なる検査に対応する、２００または５００のデータセットなど、適切な数の訓練データセットを受信することができる。臨床データは、検査時の測定された／記録された患者パラメータ（例えば、バイタルサイン、投薬、患者情報）を含む場合があり、以前のレポートは、患者の以前の撮像スキャン、以前の診断ラボ試験結果、または患者に関する他の臨床所見を含む場合があり、画像データは、患者の検査の一部として取得および保存された診断画像を含む場合がある。各訓練データセットは、６０６に示されるように、それぞれの患者の検査のためのワークフローの使用状況データおよびパラメータをさらに含み得る。例えば、検査のためのワークフローの使用状況データおよびパラメータは、検査の画像のハンギングプロトコル、各事前情報、参照画像または文献などが表示されたビューポート、検査中に表示された臨床データ、検査中に使用されたツール、検査で記録された所見、検査期間、および関連のあるフォローアップ情報（例えば、患者の診断の確認、誤診の確認）を含み得る。

６０８において、ワークフロー推論モデル、事前情報選択モデル、ツールセット予測モデル、所見モデル、および参照モデルが訓練データセットに基づいて生成される。モデルは、実施される機械学習／人工知能の方法に応じて、任意の適切な形式をとることができる。例えば、モデルがランダムフォレスト学習アルゴリズムを使用して訓練される場合、モデルは各々、決定木を含んでもよい。別の例では、モデルが人工ニューラルネットワークを使用して訓練される場合、モデルは各々、接続された人工ニューロンの層を含んでもよい（図７に示され、以下でより詳細に説明される）。モデルは、検査のパラメータに基づいて、その後の検査中に表示されるワークフロー、事前情報、所見、ツールセット、および参照を含む、その後の検査の予測または提案を出力するように構成することができる。

６１０において、モデルは、ユーザまたは中央学習プラットフォームと通信する別のコンピューティングデバイスによって要求されたとき、検査パラメータに基づいて予測／提案を出力することができる。例えば、モデルは、中央学習プラットフォームによって展開されてもよく、要求されたときに予測／提案をＰＡＣＳと通信するオンサイトコンピューティングデバイスに送出してもよい。他の例では、モデルは、オンサイトコンピューティングデバイスによって展開されてもよい。

６１２において、モデルは、受信されたワークフローの使用状況データに基づいて更新することができる。例えば、上記で説明したように、モデルによって出力された予測／提案を使用して、検査中のワークフローのフォーマット／選択、事前情報の選択、ツールセットの選択、所見の選択、および／または表示される参照の選択を行うと、ユーザ対話を追跡し、所見の受け入れ／拒否、画像／所見／参照が表示されている場所の周りへの移動、異なる事前情報または参照の検索など、ユーザが修正をワークフローに加えたかどうかを決定することができる。これらの対話のいずれかは、予測／提案が最適ではなかったことを示している可能性があるため、モデルを再訓練するために使用することができる。さらに、いくつかの例では、所与のセットの予測／提案の診断精度は、検査で臨床医によって提出された所見が確証されたかどうかに基づいて計算されてもよく、モデルは、診断精度に基づいて訓練されてもよい（例えば、診断精度が時間と共に高められるように）。またさらに、所与のセットの予測／提案の検査期間を決定することができ、モデルを検査期間に基づいて訓練することができる（例えば、検査期間が時間と共に短縮されるように）。

いくつかの例では、６１４に示されるように、高精度および／または高効率のワークフローを示す通知が生成され、学習プラットフォームと通信する医療施設に送出されてもよい。前に説明したように、高精度のワークフローが所与のワークフロー分類（例えば、ＣＴの乳房病変）に対して生成されると、そのワークフローのパラメータ（例えば、画像の提示方法、提示されたツールセット、使用された事前情報、および使用された参照）は、各医療施設のそれぞれのデバイスに送出される通知に含めることができる。次に、医療施設の推論サービスまたは他の管理グループは、それらのパラメータをその医療施設のワークフロー／モデルに組み込んでもよいかを選ぶことができる。その後、方法６００は終了する。

このようにして、診断精度を高め、検査時間を短縮するために、診断検査／研究の様々な側面を学習することができる。例えば、より最適なワークフローで使用されるツールセット、ならびにインターフェース上のそれらの相対的な位置が学習される。別の例として、以前の患者のスキャンおよび参照に対する現在のスキャンのハンギングプロトコルを学習することができる。さらに別の例として、ワークフロー中に実施されるアクションアイテムの順序を学習することができる。

図７は、図５～図６の方法による、図３～図４のスマートエンジンを通るデータの例示的なフロー７００を示す。データフローにより、診断効率、検査効率、ユーザによる検査の修正の削減などの関数として診断ワークフローを学習させることを可能にする。その後ワークフローは、ユーザが診断時に患者の検査をレビューするために生成およびロードすることができる。

７０２において、多種の入力がスマートエンジン（すなわち、本明細書で説明されるモデルを訓練および／または実行するように構成されたコンピューティングデバイス）に提供される。コンピューティングデバイスで受信された入力は、臨床データ、以前のレポート、以前の撮像データ、および専門家の使用状況データを含む。一例では、データは、ローカルのヘルスケア環境で供給および保存される。例えば、入力は、所与の病院のすべての患者の患者臨床データ、それらの以前の撮像データ、ならびにその場所の専門家からの参照および専門家の使用状況データ（複数の検査の各々についての診断、疑わしい状態の進行度などのコメント、ならびに検査中のワークフローインターフェースの対話など）であり得る。撮像データは、病院の撮像システムから供給され得る。所与の場所で収集されたデータは、病院の中央ＰＡＣＳならびにサーバの中央データリポジトリに保存することができる。そこから、データは、クラウドネットワーク上の中央学習プラットフォームのスマートエンジンで抽出することができる。同様に、データは、クラウドネットワークに通信可能に結合された複数の病院から収集することが可能である。

７０４において、スマートエンジンで機械学習および人工知能のアルゴリズムおよびモデルを使用してデータ処理を実施することができる。特に、様々なヘルスケア環境から（７０２で）受信された入力を使用して、ワークフロー推論、以前の選択、ツールセット予測、ならびに関連のある所見および参照の識別に関する予測を行うことができる。例えば、モデルは、各患者スキャンおよび関連する診断を分析し得る。そこで、診断時に臨床医によって選択された事前情報を監視することができる。加えて、臨床医によって使用された具体的なツールを含むツールセット、および画像に対するそれらの位置決めを学習することができる。さらに、臨床医によって行われた診断を学習し、専門家の使用状況データと比較して初期診断が確証されたかどうかを学習することが可能である。初期診断が確証された場合、モデルは、状態、撮像モダリティ、臨床医ＩＤ、ヘルスケア環境、および他のそのようなパラメータの関数としてワークフローを学習してもよい。ワークフローの学習には、スキャンが分析される順序、診断で使用された特定のツール、診断の確認で使用された具体的な参照などの学習が含まれる。

７０６において、７０４で実施された学習は、最適化されたワークフローを自動的に生成してユーザに表示するために使用される。本明細書におけるユーザは、放射線技師などの臨床医であり得、ワークフローは、少なくとも部分的に、ＰＡＣＳなどの記憶システムに診断検査として保存されている患者で取得されたセットの診断画像に応じて生成される。他の例では、ワークフローは、疑わしい状態の診断のためにディスプレイデバイス上で患者の診断検査を抽出するユーザに応じて生成されてもよい。最適化されたワークフローは、ワークフローのセットの予測／提案、ワークフローインターフェース、および検査中に提示される情報に基づいて生成することができ、セットの予測／提案は、スキャンが実施された所与のヘルスケア環境のＰＡＣＳでなど、クラウドネットワーク上の中央学習プラットフォームによって、またはローカルに生成され得る。最適化されたワークフローは、ワークフローインターフェースに表示することができる。ワークフローは、診断中に実施されるアクションアイテムの最適化された順序を含み得る。例えば、最適化されたワークフローは、信頼できる診断を実施するためにユーザが行うことができる段階的な命令を含んでもよい。最適化されたワークフローはまた、関連のある参照画像へのリンクを含んでもよい。

したがって、スマートエンジン（例えば、中央学習プラットフォーム）は、診断検査ワークフローパラメータを予測または提案するために展開され得る１つまたは複数のワークフローモデルを訓練することができる。モデルは、上述の入力によって訓練することができ、これは所与の過去の診断検査について、検査のパラメータ、患者撮像履歴（事前情報）、患者臨床データ（現在および過去）、患者個人データ（年齢、病気、病気の履歴など）、および以前のレポート／診断を含み得る。入力はまた、ユーザ（例えば、臨床医）が検査を実行したときにユーザによって使用された様々なツール（例えば、パン、ズーム、ウィンドウレベリングなど、ユーザが試験を実行したときに選択したユーザインターフェースツール）、検査中に関連のある画像をハンギングする（例えば、表示する）異なるステップ、および検査中に比較のために表示された異なる事前情報を含んでもよい。複数の過去の診断検査に対する同じまたは同様の入力を使用して、モデルを訓練することができる。

次に、新しい検査が実施されるとき、診断が撮像データ（例えば、適切な撮像モダリティによって取得された診断医療画像）に基づいて臨床医によって行われ得る一方で、患者に関する以下の臨床データ：患者の詳細（性別、年齢、習慣）、病気および履歴、現在／過去の治療および投薬、様々な臨床試験の結果なども考慮する。撮像データは、１つまたは複数のモデルによって提案されたワークフローに従って表示されてもよい。さらに、検査中に臨床医に提示される臨床データは、１つまたは複数のモデルによって提案され得る。このようにして、専門家ユーザがこれらの事実をすべて組み合わせて診断を行う方法と同様に、スマートエンジンは、これらの要素をすべてシステムに組み込むことができる。

図８は、診断検査の選択後にディスプレイ８０２に表示される例示的なユーザインターフェース８００を示す。例えば、ユーザインターフェース８００は、ビューア２３６のディスプレイデバイス２３７に表示されるインターフェース２３５の一例であり得る。特に、ユーザインターフェース８００を介して実行される診断検査は、プロトコル選択メニュー８０４によって示すように、デジタル乳房トモシンセシス（ＤＢＴ）プロトコルである。

検査およびプロトコルを選択すると、撮像スキャン中に（例えば、ＣＴ撮像システム１００で）得られた診断画像は、上記で説明した１つまたは複数のモデルによって提供される提案／予測を介して生成されたワークフローに従って、ユーザインターフェース８００を介して表示することができる。例えば、ワークフローに従って、第１の画像８０６および第２の画像８０８が表示される。ワークフローの複数のアクションアイテムは、ワークフローメニュー８１０を介して表示される。これらは、診断を確実に実施するために、ユーザが従う可能性のあるステップと、従う必要がある順序とを含む。ワークフローのアクションアイテムは、１つまたは複数のモデルによって予測されたステップのリストを含み得る。典型的には、ユーザは、ステップの各々を行って検査を完了する。スマートエンジン／推論サービスがステップのシーケンスを生成する一方で、メニューは、ユーザにステップのシーケンスを変更するオプションを提供する。これが行われる場合、使用状況およびシーケンス生成の最適化に関するフィードバックを保存し、後で使用することができる。ユーザは、個々のアクションアイテム８１２を選択することができ、選択に応じて、そのアクションアイテムで表示される画像が表示される。いくつかの例では、通知（図示せず）がポップアップし得、使用するツール、ズームする領域、画像で探す特徴などのアクションアイテムの詳細が表示される。示すように、選択された個々のアクションアイテム８１２は、従来のデジタルマンモグラフィシステムで撮られた乳房の頭尾方向（ＣＣ）および内外斜位方向（ＭＬＯ）ビューが示されることを指示し、したがって第１の画像８０６および第２の画像８０８は、それぞれＣＣおよびＭＬＯビューで乳房を示して表示される。ユーザが検査を進めるにつれて、ＤＢＴ画像が示されたり（ＣＣおよびＭＬＯビューが横並びで個々に）、デジタルマンモグラフィ画像が示されたりなどしてもよい。

ユーザは、ワークフローアイコン８１４を作動させることによって、ワークフローの異なるステップを通過することができる。これにより、ユーザはガイド付きワークフローを進めることが可能である。また、ユーザは、事前情報アイコン８１６を作動させることによって、以前の研究をナビゲートすることができる。事前情報アイコンの作動により、１つまたは複数のモデルによって最も関連性が高いと既に識別されている同じ患者の以前の乳房スキャン、ならびに１つまたは複数のモデルによって提案される参照画像をワークフローインターフェースにロードすることができる。

図９は、本明細書で説明される１つまたは複数のモデル（例えば、図３の事前情報選択モデル３２２）によって選択された関連のある事前情報の例示的な実証を示す。臨床医などのユーザが患者の検査を実施しているとき、従来、ユーザは、患者に対して実施されたすべての以前の撮像スキャンがリストされている事前情報選択ページ９０２にナビゲートすることを強いられる。検査セレクタ特徴はスキャンをモダリティ（例えば、ＭＲＩ、超音波、ＣＴなど）によってフィルタリングすることを可能にし得るが、臨床医は、複数の関連および非関連スキャンを並べ替えてから関連のあるスキャンを手動で選択する必要があり、したがって現在の検査を実施しているときに閲覧しなければならない（９０４に示す）。事前情報選択モデル３２２など、本明細書で説明される１つまたは複数のモデルは、事前情報選択ページ９０２にリストされたスキャンのどの以前のスキャンが現在の検査に関連しているかを自動的に決定し、検査のワークフローに含まれるスキャンを識別するように訓練することができる。例えば、事前情報選択モデル３２２によって識別された以前のスキャンは、検査の１つまたは複数のビューポートに含まれてもよい。本明細書で使用する場合、ビューポートは、インターフェースの表示領域を指し得る。例えば、９０４に示す検査は、第１のビューポート９０６（検査に関連のある参照文献のページが表示される）などの１１のビューポートを含み得る。識別された関連のある以前のスキャンは、ボックス９０８などのボックスで囲まれたスキャンである。例えば、現在の検査はデジタルマンモグラフィ検査であるため、患者の最新のスキャンである２０１６年１２月２７日に実施された骨密度スキャンは、現在の検査に関連しているとは識別されない。ボックス９０８のスキャンは、両方ともデジタルマンモグラフィスキャンであり、したがって関連のあるスキャンであると識別される。

図１０は、ディスプレイ８０２上の例示的なワークフローインターフェース１０００を示す。ここで、スマートエンジンは、検査中にユーザが閲覧するための関連のある参照画像を提案している。特に、インターフェース１０００を介して表示される検査ワークフローは、現在の患者画像１００２のグループおよび参照画像１００４のグループを含む。現在の患者画像１００２は、提案されたワークフローに従って閲覧するために定義された順序で配置されてもよい。参照画像１００４は、現在の患者画像１００２のグループに示される画像と同じ解剖学的構造および同じ向きの画像に対応することができ、さらに、参照画像も同じ定義された順序でロードすることができる。図示の例では、参照画像１００４は、比較および読み取りのための基礎をユーザに与えるように、疾患のない解剖学的構造のものである。ただし、他の例では、参照画像は、疑わしい状態の存在が確認され、状態の程度が変化する解剖学的構造の画像であり得、その結果ユーザは、状態の進行を比較および評価することができる。図示の例は、最適化されたワークフローの読み取りプロトコルの一部として参照ビューを含むが、他の例では、参照画像は、ポップアップ表示として提供されてもよい。例えば、現在の患者スキャンのグループから画像を選択すると、対応する参照画像が比較のためにポップアップされ得る。さらに、他の表示オプションが可能である。

図示されていないが、さらなる例では、同様の症例に対する追加の関連文献リソースおよび行われた診断がデータベースから抽出され、参照として示される場合がある。

深層学習技法を使用してスキャン分析および診断のワークフローを最適化する技術的効果は、診断成果を向上させることによって正確な健康状態を提供することができることである。コンピューティングデバイスが患者データを自動的に検索し、専門家の使用状況ならびに同様の研究およびワークフローからの推論と共に患者のデータの様々な側面を考慮に入れて結果をロードすることを可能にすることによって、診断の信頼性が向上し、ユーザ（放射線技師など）の認知負荷および疲労が軽減される。ＡＩアルゴリズムを活用してデータを検索することによって、多元的で算出量の多い分析をより正確に実施することができるため、他の方法では見逃されていた潜在的な問題を識別することが可能になる。さらに、中央学習プラットフォームでワークフローを共有することによって、クラス最高の読み取りプロトコルおよび実践が、様々なヘルスケア環境のすべてのユーザに利用可能となり得る。さらに、不要なユーザアクションを削除し、生産性を向上させることができる。

本明細書で使用する場合、単数形で列挙され、「１つの（ａ）」または「１つの（ａｎ）」という単語に続けられる要素またはステップは、除外することが明示的に述べられない限り、複数の前記要素またはステップを除外しないと理解されたい。さらに、本発明の「一実施形態」への言及は、列挙された特徴をも組み込む追加の実施形態の存在を除外するものとして解釈されることを意図しない。さらに、明示的に反対の記載がない限り、特定の性質を有する要素または複数の要素を「備える（ｃｏｍｐｒｉｓｉｎｇ）」、「含む（ｉｎｃｌｕｄｉｎｇ）」、または「有する（ｈａｖｉｎｇ）」実施形態は、その性質を有さない追加のそのような要素を含むことができる。「含む（ｉｎｃｌｕｄｉｎｇ）」および「そこにある（ｉｎ ｗｈｉｃｈ）」という用語は、それぞれの用語「備える（ｃｏｍｐｒｉｓｉｎｇ）」および「その（ｗｈｅｒｅｉｎ）」の明示的な均等物として使用される。さらに、「第１の」、「第２の」、および「第３の」などの用語は、単にラベルとして使用され、それらの物体に数値的要件または特定の位置的順序を課すことを意図しない。

本明細書は、最良の態様を含めて本発明を開示すると共に、いかなる当業者も、任意のデバイスまたはシステムの作製および使用ならびに任意の組み込まれた方法の実施を含め、本発明を実施することを可能にするために実施例を使用する。本発明の特許可能な範囲は、特許請求の範囲によって定義されると共に、当業者に想起される他の実施例を含んでもよい。そのような他の実施例は、特許請求の範囲の文言と異ならない構造要素を有する場合、または特許請求の範囲の文言と実質的な差のない等価の構造要素を含む場合、特許請求の範囲内にあることが意図されている。
［実施態様１］
１つまたは複数の医療画像を含む診断検査に関連する１つまたは複数の検査パラメータを自動的に識別すること（５０４）と、
前記１つまたは複数の医療画像を分析するためのワークフローを自動的に生成することであって、前記ワークフローは、診断プロトコル、ツールセット、以前の撮像スキャン、以前の所見、および参照画像（１００４）の１つまたは複数を含み、前記ワークフローは、前記１つまたは複数の検査パラメータに基づいて生成されることと
を含む、方法（５００、６００）。
［実施態様２］
前記１つまたは複数の検査パラメータは、前記１つまたは複数の医療画像を取得するために使用される撮像モダリティ（５０５）、前記診断検査の診断目標（５０７）、前記１つまたは複数の医療画像に撮像された解剖学的特徴、前記１つまたは複数の医療画像に撮像された患者の患者情報、および前記診断検査を実施する臨床医（５０８）のＩＤの１つまたは複数を含む、実施態様１に記載の方法（５００、６００）。
［実施態様３］
ユーザからの要求を受信すると、ディスプレイデバイス（２３７）に表示するために前記ワークフローを出力することをさらに含む、実施態様１に記載の方法（５００、６００）。
［実施態様４］
前記診断プロトコルは、前記診断検査中に実施されるアクションアイテム（８１２）のリストを含む、実施態様１に記載の方法（５００、６００）。
［実施態様５］
前記ワークフローは、前記１つまたは複数の医療画像、前記ツールセット、前記以前の撮像スキャン、前記以前の所見、および前記参照画像（１００４）が介して表示されるワークフローインターフェース（２３５、１０００）のフォーマットをさらに含む、実施態様１に記載の方法（５００、６００）。
［実施態様６］
前記ワークフローを自動的に生成することは、１つまたは複数のワークフローモデル（３０７）によって出力されたセットの提案されたワークフローパラメータに従って前記ワークフローを自動的に生成すること（５１０）を含む、実施態様１に記載の方法（５００、６００）。
［実施態様７］
前記１つまたは複数のワークフローモデル（３０７）は、前記１つまたは複数の検査パラメータを、異なるそれぞれの患者に関連する複数の以前の診断検査の各々について、患者臨床データ（３１０）、以前のレポート（３１２）、画像データ（３１４）、および診断検査ワークフローの使用状況データ（３１６）を含む訓練データセットに基づいて前記セットの提案されたワークフローパラメータと相関させるように訓練される、実施態様６に記載の方法（５００、６００）。
［実施態様８］
前記生成されたワークフローを介して前記診断検査の実行中にユーザ対話データを収集することをさらに含み、前記ユーザ対話データは、前記１つまたは複数のワークフローモデル（３０７）を再訓練するために使用可能である、実施態様７に記載の方法（５００、６００）。
［実施態様９］
前記診断検査の完了後、前記診断検査で保存された１つまたは複数の所見を確認するまたは確認しないフォローアップデータを収集することをさらに含み、前記フォローアップデータは、前記生成されたワークフローの診断精度を決定するために使用可能である、実施態様１に記載の方法（５００、６００）。
［実施態様１０］
記憶システム（２２４）と、
コンピューティングデバイス（２１６、３０４）であって、
１つまたは複数の医療画像、診断検査、および前記記憶システム（２２４）に記憶された前記１つまたは複数の医療画像を含む前記診断検査に関連する１つまたは複数の検査パラメータを自動的に識別し、
前記１つまたは複数の医療画像を分析するためのワークフローを自動的に生成し、前記ワークフローは、診断プロトコル、ツールセット、以前の撮像スキャン、以前の所見、および参照画像（１００４）の１つまたは複数を含み、前記ワークフローは、前記１つまたは複数の検査パラメータに基づいて生成され、
前記診断検査の一部として、前記ワークフローを前記記憶システム（２２４）に送出して前記１つまたは複数の医療画像を保存する
ための、前記コンピューティングデバイス（２１６、３０４）のプロセッサ（２１５）によって実行可能な命令を記憶するコンピューティングデバイス（２１６、３０４）と
を備える、システム（２００）。
［実施態様１１］
ディスプレイデバイス（２３７）を含むビューア（２３６、４３２）をさらに備え、前記ビューア（２３６、４３２）は、前記１つまたは複数の医療画像および前記ワークフローを含む前記診断検査を抽出する要求を前記記憶システム（２２４）に送出し、前記ワークフローの前記診断プロトコルに従って前記１つまたは複数の医療画像を前記ディスプレイデバイス（２３７）を介して表示し、前記ワークフローに従って前記ツールセット、前記以前の撮像スキャン、前記以前の所見、および／または前記参照画像（１００４）を表示するように構成される、実施態様１０に記載のシステム（２００）。
［実施態様１２］
前記１つまたは複数の検査パラメータは、前記１つまたは複数の医療画像を取得するために使用される撮像モダリティ（５０５）、前記診断検査の診断目標（５０７）、前記１つまたは複数の医療画像に撮像された解剖学的特徴、前記１つまたは複数の医療画像に撮像された患者の患者情報、および前記診断検査を実施する臨床医（５０８）のＩＤの１つまたは複数を含む、実施態様１０に記載のシステム（２００）。
［実施態様１３］
前記診断プロトコルは、前記診断検査中に実施されるアクションアイテム（８１２）のリストを含み、前記ワークフローは、前記１つまたは複数の医療画像、前記ツールセット、前記以前の撮像スキャン、前記以前の所見、および前記参照画像（１００４）が介して表示されるワークフローインターフェース（２３５、１０００）のフォーマットをさらに含む、実施態様１０に記載のシステム（２００）。
［実施態様１４］
前記ワークフローを自動的に生成することは、１つまたは複数のワークフローモデル（３０７）によって出力されたセットの提案されたワークフローパラメータに従って前記ワークフローを自動的に生成すること（５１０）を含む、実施態様１０に記載のシステム（２００）。
［実施態様１５］
前記１つまたは複数のワークフローモデル（３０７）は、前記１つまたは複数の検査パラメータを、異なるそれぞれの患者に関連する複数の以前の診断検査の各々について、患者臨床データ（３１０）、以前のレポート（３１２）、画像データ（３１４）、および診断検査ワークフローの使用状況データ（３１６）を含む訓練データセットに基づいて前記セットの提案されたワークフローパラメータと相関させるように訓練される、実施態様１４に記載のシステム（２００）。
［実施態様１６］
前記命令は、
前記生成されたワークフローを介して前記診断検査の実行中にユーザ対話データを収集し、前記ユーザ対話データは、前記１つまたは複数のワークフローモデル（３０７）を再訓練するために使用可能であり、
前記診断検査の完了後、前記診断検査で保存された１つまたは複数の所見を確認するまたは確認しないフォローアップデータを収集し、前記フォローアップデータは、前記生成されたワークフローの診断精度を決定するために使用可能である
ように実行可能である、実施態様１５に記載のシステム（２００）。
［実施態様１７］
各々が異なる医療施設に位置する複数のコンピューティングデバイス（２１６、３０４）に通信可能に結合された中央学習プラットフォーム（２４２、３０２）のための方法（５００、６００）であって、
前記中央学習プラットフォーム（２４２、３０２）において、１つまたは複数の診断検査パラメータを、異なるそれぞれの患者に関連する複数の以前の診断検査の各々について、患者臨床データ（３１０）、以前のレポート（３１２）、画像データ（３１４）、および診断検査ワークフローの使用状況データ（３１６）を含む訓練データセットに基づいてセットの提案されたワークフローパラメータと相関させるように１つまたは複数のワークフローモデル（３０７）を訓練することと、
要求されると、前記１つまたは複数のワークフローモデル（３０７）を前記複数のコンピューティングデバイス（２１６、３０４）の少なくとも第１のコンピューティングデバイス（２１６、３０４）に送出することと、
前記中央学習プラットフォーム（２４２、３０２）において、前記１つまたは複数のモデル（３０７）からの出力に基づいて生成されたワークフローに従って実行された診断検査の完了後に前記第１のコンピューティングデバイス（２１６、３０４）で生成されたフォローアップデータを受信することであって、前記フォローアップデータは、前記診断検査の１つまたは複数の所見を確認するまたは確認しないことと、
前記中央学習プラットフォーム（２４２、３０２）において、前記フォローアップデータに基づいて前記ワークフローの診断精度を決定することと、
前記診断精度が閾値精度よりも高い場合、前記ワークフローを前記複数のコンピューティングデバイス（２１６、３０４）の第２のコンピューティングデバイス（２１６、３０４）に送出することと
を含む、方法（５００、６００）。
［実施態様１８］
前記１つまたは複数の診断検査パラメータは、撮像モダリティ（５０５）、診断目標（５０７）、および解剖学的特徴の１つまたは複数を含み、前記セットの提案されたワークフローパラメータは、提案された診断プロトコル、提案されたワークフローインターフェースフォーマット、提案された以前の撮像スキャン、提案された参照画像（１００４）、および提案された所見の１つまたは複数を含む、実施態様１７に記載の方法（５００、６００）。
［実施態様１９］
前記ワークフローに従って実行された前記診断検査の実行中に前記第１のコンピューティングデバイス（２１６、３０４）で収集されたユーザ対話データを受信することと、前記ユーザ対話データで前記１つまたは複数のワークフローモデル（３０７）を再訓練することとをさらに含む、実施態様１７に記載の方法（５００、６００）。

１００ コンピュータ断層撮影（ＣＴ）システム
１０２ ガントリ
１０４ Ｘ線放射線源
１０６ Ｘ線／Ｘ線ビーム／Ｘ線放射線
１０８ 検出器アレイ
１１０ 画像処理ユニット
１１２ 対象
１１４ 撮像センサ
１１５ 電動テーブル
１１６ モータ
１１８ テーブルモータコントローラ
２００ 撮像システム／ＣＴ撮像システム
２０２ 検出器素子
２０４ 対象
２０６ 回転中心
２０８ 制御機構
２１０ Ｘ線コントローラ
２１２ ガントリモータコントローラ
２１４ データ取得システム（ＤＡＳ）
２１５ 画像センサデータプロセッサ
２１６ コンピュータ／コンピューティングデバイス
２１８ 記憶デバイス／大容量記憶装置
２２０ オペレータコンソール
２２４ 画像保管通信システム（ＰＡＣＳ）
２２６ テーブルモータコントローラ
２３０ 画像再構成器
２３２ ディスプレイ
２３４ 推論サービス
２３５ ワークフローインターフェース
２３６ ビューア
２３７ ディスプレイデバイス／ディスプレイ
２４０ クラウドネットワーク
２４２ 中央学習プラットフォーム
２４４ サーバ
２５０ 診断検査システム
３００ スマートワークフローシステム
３０２ オンライン中央学習プラットフォーム／集中型学習プラットフォーム
３０４ オンサイトコンピューティングデバイス／オンサイトデバイス
３０６ モデルリポジトリ／データリポジトリ／訓練モデルリポジトリ
３０７ モデル
３０８ 訓練アルゴリズム
３１０ 臨床データ
３１２ 以前のレポート
３１４ 画像データ
３１６ 専門家の使用状況データ
３１８ 訓練データ
３２０ ワークフロー推論モデル
３２２ 事前情報選択モデル
３２４ ツールセット予測モデル
３２６ 所見モデル
３２８ 参照モデル
３３０ フィードバックエンジン
４００ 実施形態
４０４ 病院
４０８ スマートエンジン訓練およびモデル更新モジュール
４１４ ヘルスケア環境
４１６ スマートエンジンデータリポジトリ
４１８ ユーザ入力収集サービス
４２０ スマートエンジン推論サービス
４３２ ビューア
５００ 方法
５０２ フローチャート
５０４ フローチャート
５０５ 撮像モダリティ
５０６ 身体部分／領域
５０７ 診断目標
５０８ 臨床医
５１０ フローチャート
５１２ フローチャート
５１４ フローチャート
５１６ フローチャート
５１８ フローチャート
５２０ フローチャート
５２２ フローチャート
５２４ フローチャート
６００ 方法
６０２ フローチャート
６０４ フローチャート
６０６ フローチャート
６０８ フローチャート
６１０ フローチャート
６１２ フローチャート
６１４ フローチャート
７００ フロー
７０２ フローチャート
７０４ フローチャート
７０６ フローチャート
８００ ユーザインターフェース
８０２ ディスプレイ
８０４ プロトコル選択メニュー
８０６ 第１の画像
８０８ 第２の画像
８１０ ワークフローメニュー
８１２ アクションアイテム
８１４ ワークフローアイコン
８１６ 事前情報アイコン
９０２ 事前情報選択ページ
９０４ 検査
９０６ 第１のビューポート
９０８ ボックス
１０００ ワークフローインターフェース
１００２ 現在の患者画像
１００４ 参照画像

Claims (15)

1. １つまたは複数の医療画像を含む診断検査に関連する１つまたは複数の検査パラメータをプロセッサが自動的に識別すること（５０４）と、
   前記１つまたは複数の医療画像を分析するためのワークフローをプロセッサが自動的に生成することであって、前記ワークフローは、診断プロトコル、ツールセット、以前の撮像スキャン、以前の所見、および参照画像（１００４）の１つまたは複数を含み、前記ワークフローは、前記１つまたは複数の検査パラメータに基づいて生成され、前記ツールセットは、少なくとも１つのユーザインターフェースメニューオプションまたは、選択されたときにタスクを実行する少なくとも１つの制御ボタンを含むことと、
   １つまたは複数のビューポートのどれが前記以前の撮像スキャン、前記ツールセット、または前記参照画像（１００４）を表示するかを示す推測に少なくとも部分的に基づいて、ユーザインターフェースの少なくとも１つのビューポートが前記ワークフローを表示することと、
   前記ワークフローに従ってフォーマットされた前記１つまたは複数の医療画像を前記ユーザーインターフェイスが表示することと
   を含み、
   前記推測は、前記参照画像（１００４）の取得に使用されたモダリティに少なくとも部分的に基づく人工知能ベースのモデルを使用して、明示的なユーザー入力なしでプロセッサが自動的に生成し、
   前記１つまたは複数のビューポートのサイズまたは前記１つまたは複数のビューポートの位置は、少なくとも部分的に、前記以前の撮像スキャン、前記ツールセット、前記参照画像（１００４）、またはそれらの組み合わせに基づいて予測される、方法（５００、６００）。
2. 前記１つまたは複数の検査パラメータは、前記１つまたは複数の医療画像を取得するために使用される撮像モダリティ（５０５）、前記診断検査の診断目標（５０７）、前記１つまたは複数の医療画像に撮像された解剖学的特徴、前記１つまたは複数の医療画像に撮像された患者の患者情報、および前記診断検査を実施する臨床医（５０８）のＩＤの１つまたは複数を含む、請求項１に記載の方法（５００、６００）。
3. ユーザからの要求を受信すると、ディスプレイデバイス（２３７）に表示するために前記ワークフローをプロセッサが出力すること（５１４）をさらに含む、請求項１または２に記載の方法（５００、６００）。
4. 前記診断プロトコルは、前記診断検査中に実施されるアクションアイテム（８１２）のリストを含み、
   前記アクションアイテム（８１２）は、前記モデルによって予測されたステップのリストを含み、
   ユーザは、前記ステップの各々を行って検査を実行し、
   前記推測に基づいて、前記ステップのシーケンスが自動的に生成される一方で、ユーザに前記ステップのシーケンスを変更するオプションが提供される、請求項１乃至３のいずれかに記載の方法（５００、６００）。
5. 前記ワークフローは、前記１つまたは複数の医療画像、前記ツールセット、前記以前の撮像スキャン、前記以前の所見、および前記参照画像（１００４）が介して表示されるワークフローインターフェース（２３５、１０００）のフォーマットをさらに含み、
   前記方法はさらに、ユーザが選択可能な前記以前の撮像スキャンのリストをプロセッサが表示することを含み、
   前記以前の撮像スキャンの前記リストは、前記１つまたは複数の医療画像に撮像された患者の前記１つまたは複数の医療画像に関連のあると前記推測に基づいて自動的に認識された前記患者の関連する以前の撮像スキャンを含み、前記１つまたは複数の医療画像に関連していないと前記推測に基づいて自動的に認識された前記患者の関連しない以前の撮像スキャンを含まない、請求項１乃至４のいずれかに記載の方法（５００、６００）。
6. 前記ワークフローを自動的に生成することは、１つまたは複数のワークフローモデル（３０７）によって出力されたセットの提案されたワークフローパラメータに従って前記ワークフローをプロセッサが自動的に生成すること（５１０）を含む、請求項１乃至５のいずれかに記載の方法（５００、６００）。
7. 前記１つまたは複数のワークフローモデル（３０７）は、前記１つまたは複数の検査パラメータを、異なるそれぞれの患者に関連する複数の以前の診断検査の各々について、患者臨床データ（３１０）、以前のレポート（３１２）、画像データ（３１４）、および診断検査ワークフローの使用状況データ（３１６）を含む訓練データセットに基づいて前記セットの提案されたワークフローパラメータと相関させるように訓練される、請求項６に記載の方法（５００、６００）。
8. 前記生成されたワークフローを介して前記診断検査の実行中にユーザ対話データをプロセッサが収集すること（５１６）をさらに含み、前記ユーザ対話データは、前記１つまたは複数のワークフローモデル（３０７）を再訓練するために使用可能である、請求項７に記載の方法（５００、６００）。
9. 前記診断検査の完了後、前記診断検査で保存された１つまたは複数の所見を確認するまたは確認しないフォローアップデータをプロセッサが収集すること（５２４）をさらに含み、前記フォローアップデータは、前記生成されたワークフローの診断精度を決定するために使用可能である、請求項１乃至８のいずれかに記載の方法（５００、６００）。
10. 記憶システム（２２４）と、
    コンピューティングデバイス（２１６、３０４）であって、
    １つまたは複数の医療画像、診断検査、および前記記憶システム（２２４）に記憶された前記１つまたは複数の医療画像を含む前記診断検査に関連する１つまたは複数の検査パラメータを自動的に識別し（５０４）、
    前記１つまたは複数の医療画像を分析するためのワークフローを自動的に生成し、前記ワークフローは、診断プロトコル、ツールセット、以前の撮像スキャン、以前の所見、および参照画像（１００４）の１つまたは複数を含み、前記ワークフローは、前記１つまたは複数の検査パラメータに基づいて生成され、前記ツールセットは、少なくとも１つのユーザインターフェースメニューオプションまたは、選択されたときにタスクを実行する少なくとも１つの制御ボタンを含み、
    １つまたは複数のビューポートのどれが前記以前の撮像スキャン、前記ツールセット、または前記参照画像（１００４）を表示するかを示す推測に少なくとも部分的に基づいて、ユーザインターフェースの少なくとも１つのビューポートに前記ワークフローを表示し、
    前記ワークフローに従ってフォーマットされた前記１つまたは複数の医療画像を前記ユーザーインターフェイスに表示し、
    前記推測は、前記参照画像（１００４）の取得に使用されたモダリティに少なくとも部分的に基づく人工知能ベースのモデルを使用して、明示的なユーザー入力なしで自動的に生成され、
    前記１つまたは複数のビューポートのサイズまたは前記１つまたは複数のビューポートの位置は、少なくとも部分的に、前記以前の撮像スキャン、前記ツールセット、前記参照画像（１００４）、またはそれらの組み合わせに基づいて予測され、
    前記診断検査の一部として、前記ワークフローを前記記憶システム（２２４）に送出して前記１つまたは複数の医療画像を保存する
    ための、前記コンピューティングデバイス（２１６、３０４）のプロセッサ（２１５）によって実行可能な命令を記憶するコンピューティングデバイス（２１６、３０４）と
    を備える、システム（２００）。
11. ディスプレイデバイス（２３７）を含むビューア（２３６、４３２）をさらに備え、前記ビューア（２３６、４３２）は、前記１つまたは複数の医療画像および前記ワークフローを含む前記診断検査を抽出する要求を前記記憶システム（２２４）に送出し、前記ワークフローの前記診断プロトコルに従って前記１つまたは複数の医療画像を前記ディスプレイデバイス（２３７）を介して表示し、前記ワークフローに従って前記ツールセット、前記以前の撮像スキャン、前記以前の所見、および／または前記参照画像（１００４）を表示するように構成される、請求項１０に記載のシステム（２００）。
12. 前記１つまたは複数の検査パラメータは、前記１つまたは複数の医療画像を取得するために使用される撮像モダリティ（５０５）、前記診断検査の診断目標（５０７）、前記１つまたは複数の医療画像に撮像された解剖学的特徴、前記１つまたは複数の医療画像に撮像された患者の患者情報、および前記診断検査を実施する臨床医（５０８）のＩＤの１つまたは複数を含む、請求項１０または１１に記載のシステム（２００）。
13. 前記診断プロトコルは、前記診断検査中に実施されるアクションアイテム（８１２）のリストを含み、
    前記アクションアイテム（８１２）は、前記モデルによって予測されたステップのリストを含み、
    ユーザは、前記ステップの各々を行って検査を実行し、
    前記推測に基づいて、前記ステップのシーケンスが自動的に生成される一方で、ユーザに前記ステップのシーケンスを変更するオプションが提供され、
    前記ワークフローは、前記１つまたは複数の医療画像、前記ツールセット、前記以前の撮像スキャン、前記以前の所見、および前記参照画像（１００４）が介して表示されるワークフローインターフェース（２３５、１０００）のフォーマットをさらに含み、
    前記システムはさらに、ユーザが選択可能な前記以前の撮像スキャンのリストを表示することを含み、
    前記以前の撮像スキャンの前記リストは、前記１つまたは複数の医療画像に撮像された患者の前記１つまたは複数の医療画像に関連のあると前記推測に基づいて自動的に認識された前記患者の関連する以前の撮像スキャンを含み、前記１つまたは複数の医療画像に関連していないと前記推測に基づいて自動的に認識された前記患者の関連しない以前の撮像スキャンを含まない、請求項１０乃至１２のいずれかに記載のシステム（２００）。
14. 前記ワークフローを自動的に生成することは、１つまたは複数のワークフローモデル（３０７）によって出力されたセットの提案されたワークフローパラメータに従って前記ワークフローを自動的に生成すること（５１０）を含み、
    前記１つまたは複数のワークフローモデル（３０７）は、前記１つまたは複数の検査パラメータを、異なるそれぞれの患者に関連する複数の以前の診断検査の各々について、患者臨床データ（３１０）、以前のレポート（３１２）、画像データ（３１４）、および診断検査ワークフローの使用状況データ（３１６）を含む訓練データセットに基づいて前記セットの提案されたワークフローパラメータと相関させるように訓練される、請求項１０乃至１３のいずれかに記載のシステム（２００）。
15. 前記命令は、
    前記生成されたワークフローを介して前記診断検査の実行中にユーザ対話データを収集し（５１６）、前記ユーザ対話データは、前記１つまたは複数のワークフローモデル（３０７）を再訓練するために使用可能であり、
    前記１つまたは複数のワークフローモデル（３０７）は、異なる病院間で共有され、
    前記診断検査の完了後、前記診断検査で保存された１つまたは複数の所見を確認するまたは確認しないフォローアップデータを収集し（５２４）、前記フォローアップデータは、前記生成されたワークフローの診断精度を決定するために使用可能である
    ように実行可能である、請求項１４に記載のシステム（２００）。

Images