RU2687760C2 - Способ и система компьютерной стратификации пациентов на основе сложности случаев заболеваний - Google Patents

Способ и система компьютерной стратификации пациентов на основе сложности случаев заболеваний Download PDF

Info

Publication number
RU2687760C2
RU2687760C2 RU2016148690A RU2016148690A RU2687760C2 RU 2687760 C2 RU2687760 C2 RU 2687760C2 RU 2016148690 A RU2016148690 A RU 2016148690A RU 2016148690 A RU2016148690 A RU 2016148690A RU 2687760 C2 RU2687760 C2 RU 2687760C2
Authority
RU
Russia
Prior art keywords
patient
lesion
specified
stratification
case
Prior art date
Application number
RU2016148690A
Other languages
English (en)
Other versions
RU2016148690A3 (ru
RU2016148690A (ru
Inventor
Лилла БОРОЦКИ
Майкл Чунь-чи ЛИ
Original Assignee
Конинклейке Филипс Н.В.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Конинклейке Филипс Н.В. filed Critical Конинклейке Филипс Н.В.
Publication of RU2016148690A publication Critical patent/RU2016148690A/ru
Publication of RU2016148690A3 publication Critical patent/RU2016148690A3/ru
Application granted granted Critical
Publication of RU2687760C2 publication Critical patent/RU2687760C2/ru

Links

Images

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)

Abstract

Группа изобретений относятся к медицинской технике, а именно к средствам медицинской диагностики, реализуемым с помощью компьютеров. Способ ранжирования случаев заболеваний пациентов в соответствии с уровнями сложности диагностирования содержит: извлечение из базы данных визуализирующего исследования пациента, установление патологии на изображении, анализ демографических и клинических данных, расчет показателя компьютерной стратификации для каждого случая заболевания в зависимости от установленной патологии и демографических и клинических данных и выдачу ранжированного списка случаев заболеваний пациентов согласно соответствующим оценкам стратификации, присвоенным каждому случаю заболевания, хранение ранее диагностированных случаев заболеваний в базе данных, оценку точности ранее установленного диагноза, выполнение классификатора, который генерирует показатель точности, указывающий на точность диагноза, прием информации о типе каждого случая заболевания и генерацию показателя стратификации. Способ осуществляется с использованием системы, содержащей модуль компьютерной стратификации и процессор. Кроме того, система содержит машиночитаемый носитель, который хранит выполняемые системой команды, описанные в способе. Использование группы изобретений позволяет облегчать стратифицирование случаев заболеваний пациентов в соответствии с потенциальными уровнями сложности диагноза. 3 н. и 12 з.п. ф-лы, 5 ил.

Description

Настоящее изобретение относится к методам медицинской диагностики, в частности, реализуемым с помощью компьютеров. Однако следует понимать, что описанные методики также применимы к другим системах диагностирования пациентов, другим способах диагностирования, другим методикам стратификации и т.д.
Точный диагноз является важным для управления ходом заболевания и определения терапии для пациента. Чтобы установить точный диагноз, врачи часто проводят много времени за чтением, изучением и составлением рекомендаций для «сложных», то есть необычных или комплексных, случаев заболеваний. С другой стороны, в более простых случаях диагноза врач может очень быстро установить диагноз и составить рекомендации для последующих действий. Сказанное в особенности справедливо для врачей-интернов, когда они сталкиваются со сложными случаями заболеваний и часто нуждаются в помощи более опытного коллеги. Таким образом, может существовать значительная разница в количестве времени и усилиях, затрачиваемых врачом для оценки сложного случая по сравнению с простым случаем. Примером этого является ситуация, когда радиолог должен оценить изображение, на котором хорошо видно поражение, а его злокачественный характер является очевидным, по сравнению со случаем, когда поражение является сложным и обладает смешанными злокачественными и доброкачественными характеристиками.
В медицинской радиологической практике радиолог обычно работает по ежедневному рабочему листу, который хранится в радиологической информационной системе (RIS) или в системе архивации и передачи изображений (PACS) и в который включены пациенты, недавно прошедшие визуализирующее исследование. Указанные системы обычно не учитывают «сложность» случая заболевания, сортировка пациентов выполняется только по типам исследований, и не обращается внимание на то, что конкретный случай может оказаться сложным для диагностирования или нет. Обычные системы способны только сортировать и представлять случаи заболеваний по методикам визуализирующих исследований и по медицинской специализации. Например, они могут сортировать случаи заболеваний только по органам (например, грудь или молочная железа, печень и т.д.) и/или только по методикам визуализирующих исследований (КТ, рентгенография, УЗИ, МРТ-ДКУ и т.д.).
Настоящая заявка предлагает новые и усовершенствованные системы и способы, которые облегчают стратифицирование случаев заболеваний пациентов в соответствии с потенциальными уровнями сложности диагноза, благодаря чему решаются указанные выше и другие проблемы.
В соответствии с одним аспектом, способ ранжирования случаев заболеваний пациентов в соответствии с уровнями сложности включает для каждого из множества случаев заболеваний пациентов: извлечение из базы данных визуализирующего исследования пациента; установление патологии на изображении пациента, включенном в указанное визуализирующее исследование; анализ демографических и клинических данных пациента; и расчет показателя компьютерной стратификации для данного случая заболевания пациента в зависимости от установленной патологии и демографических и клинических данных пациента. Данный способ дополнительно включает выдачу ранжированного списка случаев заболеваний пациентов согласно соответствующему показателю стратификации, присвоенному каждому случаю заболевания пациента. Кроме того, данный способ включает: хранение множества ранее диагностированных случаев заболеваний пациентов в базе данных; оценку точности ранее установленного диагноза для указанного множества ранее диагностированных случаев заболеваний пациентов; выполнение классификатора, который генерирует показатель точности, указывающий на точность диагноза для каждого из множества типов случаев заболеваний пациентов; и прием информации о типе текущего случая заболевания пациента и генерацию показателя стратификации для текущего случая заболевания пациента на основании типа текущего случая заболевания пациента и показателя точности для этого типа.
В соответствии с другим аспектом, система, облегчающая ранжирование случаев заболеваний пациентов в соответствии с уровнями сложности, включает модуль компьютерной стратификации, включающий процессор, выполненный с возможностью для каждого из множества случаев заболеваний пациентов: извлекать из базы данных визуализирующие исследования для пациента; устанавливать патологию на изображении пациента, включенном в указанное визуализирующее исследование; анализировать демографические и клинические данные пациента; и рассчитывать показатель компьютерной стратификации для данного случая заболевания пациента в зависимости от установленной патологии и демографических и клинических данных пациента. Указанный процессор дополнительно выполнен с возможностью вывода (например, на пользовательский интерфейс, принтер и т.д.) ранжированного списка случаев заболеваний пациентов согласно соответствующему показателю стратификации, присвоенному каждому случаю заболевания пациента. Указанная система дополнительно включает машиночитаемый носитель, который хранит множество ранее диагностированных случаев заболеваний пациентов; причем процессор дополнительно выполнен с возможностью: оценивать точность ранее установленного диагноза для указанного множества ранее диагностированных случаев заболеваний пациентов; выполнять классификатор, который генерирует показатель точности, указывающий на точность диагноза для каждого из указанного множества типов случаев заболеваний пациентов; и принимать информацию о типе текущего случая заболевания пациента; и генерировать показатель стратификации для текущего случая заболевания пациента на основании указанного типа текущего случая заболевания пациента и указанного показателя точности для этого типа.
В соответствии еще с одним аспектом, машиночитаемый носитель хранит выполняемые компьютером команды для ранжирования случаев заболеваний пациентов в соответствии с уровнями сложности, где указанные команды включают для каждого из множества случаев заболеваний пациентов: извлечение из базы данных визуализирующего исследования для пациента; установление патологии на изображении пациента, включенном в указанное визуализирующее исследование; анализ демографических и клинических данных пациента; и расчет и присвоение показателя компьютерной стратификации для данного случая заболевания пациента в зависимости от установленной патологии и демографических и клинических данных пациента. Данные команды дополнительно включают выдачу ранжированного списка случаев заболеваний пациентов согласно соответствующему показателю стратификации, присвоенному каждому случаю заболевания пациента. Кроме того, эти команды включают: хранение множества ранее диагностированных случаев заболеваний пациентов в базе данных; оценку точности ранее установленного диагноза для указанного множества ранее диагностированных случаев заболеваний пациентов; выполнение классификатора, который генерирует показатель точности, указывающий на точность диагноза для каждого из множества типов случаев заболеваний пациентов; и прием информации о типе текущего случая заболевания пациента и генерацию показателя стратификации для текущего случая заболевания пациента на основании типа текущего случая заболевания пациента и показателя точности для этого типа.
Одним преимуществом является улучшение равномерности рабочей нагрузки врача.
Другим преимуществом является возможность идентификации сложных диагнозов для дополнительного рассмотрения.
После изучения представленного ниже подробного описания специалистам в данной области техники станут очевидными и другие преимущества настоящего изобретения.
Данные чертежи представлены только с целью иллюстрации различных аспектов настоящего изобретения и не должны рассматриваться как ограничивающие.
ФИГУРА 1 иллюстрирует систему, которая помогает выполнять компьютерную стратификацию пациентов для ранжирования пациентов по сложности случаев заболеваний в соответствии с одним или более аспектами, описанными в данном документе.
ФИГУРА 2 иллюстрирует способ выполнения компьютерной стратификации уровней сложности диагноза для множества случаев заболеваний пациентов с использованием данных ретроспективной диагностической достоверности в соответствии с одним или более аспектами, описанными в данном документе.
ФИГУРА 3 иллюстрирует способ выполнения компьютерной стратификации уровней сложности диагноза для множества случаев заболеваний пациентов в зависимости от анализа параметров поражения в соответствии с одним или более аспектами, описанными в данном документе.
ФИГУРА 4 иллюстрирует способ выполнения компьютерной стратификации уровней сложности диагноза для множества случаев заболеваний пациентов с помощью компьютерной медицинской диагностики (КМД) в соответствии с одним или более аспектами, описанными в данном документе.
ФИГУРА 5 иллюстрирует способ выполнения компьютерной стратификации уровней сложности диагноза для множества случаев заболеваний пациентов в соответствии с одним или более аспектами, описанными в данном документе.
Описанные системы и способы решают указанные выше проблемы путем стратифицирования случаев заболеваний пациентов по уровням сложности, связанных с диагнозами пациентов. Например, чтобы добиться максимальной эффективности и точности в работе, запись случая заболевания в рабочий лист врача включает уровень сложности как фактор. Например, простые случаи заболеваний могут быть переданы врачам-интернам, а более сложные случаи заболеваний направляются более опытным специалистам. В другом примере вся совокупность случаев заболеваний может равномерно распределяться между разными врачами. Таким образом, данное изобретение облегчает выполнение оценки уровня сложности случая заболевания и внедрение результата этой оценки для корректировки рабочего процесса в медицинском учреждении. Например, случаи заболеваний пациентов передаются конкретному врачу не только исходя из органа тела человека или методики визуализации, но также в зависимости от уровня сложности диагноза. В другом варианте реализации, если установлено, что случай заболевания очень сложный, создается предупреждающий сигнал, например, предупреждающий сигнал, который рекомендует осмотр пациента вторым врачом, и/или когда данный случай заболевания является полезным обучающим примером.
ФИГУРА 1 иллюстрирует систему 10, которая помогает выполнять компьютерную стратификацию пациентов для ранжирования пациентов по сложности случаев заболеваний в соответствии с одним или более аспектами, описанными в данном документе. Данная система получает в качестве входных данных случай заболевания текущего пациента, который необходимо оценить с точки зрения конкретного клинического вопроса. Такой случай заболевания может включать информацию о пациенте или данные, содержащие демографические сведения о пациенте, клинические данные, данные текущего визуализирующего исследования и т.д. База 12 данных хранит информацию о пациенте, включая, в числе прочего, демографические сведения, например пол, возраст, этническую принадлежность и т.д. Такая база данных также хранит клинические данные каждого из множества пациентов, которые могут включать, например, семейный анамнез, медицинский анамнез, причину проведения визуализирующего исследования, текущее состояние пациента, симптомы, выполняемую терапию, факторы риска и т.д. Также в базе данных хранятся полученные данные проведенных визуализирующих исследований для одного или более пациентов, включая, например, срезы, или сканы, КТ, срезы МРТ, срезы ПЭТ, срезы ОФЭКТ, фотографии УЗИ, рентгенограммы и т.д.
Клинический вопрос может быть широко определен как задача скрининга (например, выявление патологий и т.п.), диагностическая задача (например, определение природы и/или злокачественного характера патологий) или задача оценки (например, измерения, оценка течения болезни и/или эффективности лечения). Указанный вопрос можно дополнительно сузить путем указания положения(ий) на изображении для оценки, такого как орган тела, в котором выполняется поиск патологий (например, поражений в груди) или оценивается специфическая опухоль. Эта информация может быть включена в метаданные, связанные с информацией о пациенте или изображении (например, в личном поле стандарта DICOM или в интерпретируемом компьютером сегменте клинического комментария).
Данная система также включает процессор 14, который выполняет выполняемые компьютером команды по выполнению различных функций, способов, методик, приложений и т.п., описанных в данном документе, и память 16, которая их хранит. Память 16 может быть машиночитаемым носителем, на котором хранится управляющая программа, таким как диск, жесткий диск и т.д. Машиночитаемые носители в общем случае включают, например, дискеты, гибкие диски, жесткие диски, магнитную ленту и другие магнитные запоминающие носители, CD-ROM, DVD и другие оптические носители, ОЗУ, ПЗУ, ППЗУ, СППЗУ, флэш-СППЗУ, их варианты, другие микросхемы или картриджи памяти и любые другие материальные носители информации, с которых процессор 14 может считывать и выполнять команды. В данном контексте система 10 может быть реализована в пределах или как один или более компьютеров общего назначения, специализированный компьютер(ы), программируемый микропроцессор или микроконтроллер и элементы периферийной ИС, специализированная или другая интегральная микросхема, цифровой сигнальный процессор, аппаратно-реализованная электронная или логическая схема, такая как схема с дискретными элементами, программируемое логическое устройство, такое как ПЛИС, ПЛМ, ППВМ, графический процессор (ГП) или ПМЛ и другие.
Модуль 18 компьютерной стратификации (ВКС) работает на данных 12 случаев заболеваний и генерирует показатель 20 стратификации. Такой показатель может быть количественным (например, от 0 до 100 баллов) или категориальным (например, «легкий», «средний» и «сложный»). В одном варианте реализации для генерирования показателя стратификации модуль ВКС использует данные визуализирующих исследований. В другом вариант реализации модуль ВКС также использует демографические сведения и другую не относящуюся к визуализирующим исследованиям информацию, которая была указана выше. Модуль 18 компьютерной стратификации генерирует показатель стратификации, который используется для ранжирования случая заболевания пациента исходя из ожидаемого уровня сложности случая заболевания в отношении клинического вопроса. В другом варианте реализации модуль 18 ВКС рассчитывает показатель стратификации, который оценивает уровень сложности при описании признаков и особенностей данного поражения.
Модуль 18 ВКС выдает ранжированный список 21 пациентов, который может быть отранжирован в соответствии с показателями стратификации (например, с уровнем сложности постановки диагноза), связанными с соответствующими случаями заболеваний пациентов. Такой список пациентов может также включать, например, предупреждающие сигналы, рекомендующие осмотр пациента вторым врачом (например, заключение другого специалиста) для указанных случаев заболеваний пациентов, предупреждающие сигналы, рекомендующие использование отдельных случаев заболеваний в качестве обучающего примера, и т.д. Показатели стратификации или ранжирование для каждого случая заболеваний пациента могут использоваться, например, для гарантии того, что сложные случаи заболеваний будут переданы опытным врачам, что одному врачу не будет направлено чрезмерное количество сложных случаев заболеваний (для равномерного распределения рабочей нагрузки между врачами) и т.д.
Продолжая рассматривать ФИГУРУ 1, рассмотрим также ФИГУРУ 2, которая иллюстрирует способ выполнения компьютерной стратификации уровня сложности диагноза для множества случаев заболеваний пациентов в соответствии с одним или более аспектами, описанными в данном документе. На этапе 50 выполняется сбор (например, предварительный) базы данных для большого количества случаев заболеваний, включающий, например, демографические сведения о пациенте, клинические данные, данные визуализирующих исследований и т.д. Указанная база данных также включает диагностическую оценку радиолога, расшифровывающего снимки (ставящего диагноз) радиолога, например, относительно того, является ли установленное поражение злокачественным или доброкачественным. База данных также включает действующий диагноз, установленный по патологии или по дополнительным признакам, таким как стабильность во времени (указывающая на начальные процессы). Таким образом, база данных включает данные, отображающие как оценку радиолога, так и то, является ли оценка радиолога правильной. На этапе 52 классификатор 22 компьютера, используя методики машинного обучения, выполняет математическое преобразование, которое переводит данные в базе данных в числовую форму определения вероятности того, что диагностическая оценка (например, опухоль злокачественная или доброкачественная) будет правильной (то есть совпадет с фактическим правильным диагнозом, определяемым по патологии или по другим признакам). Иными словами, модуль ВКС предсказывает, правильно или неправильно оценит данный случай заболевания радиолог. В одном примере для присвоения показателей стратификации текущим случаям заболеваний пациентов используется точность ранее установленных диагнозов для множества случаев заболеваний пациентов. Например, модуль ВКС определяет, был ли поставлен неправильный диагноз поражению конкретного типа в количестве выше заданного порога, и присваивает этому поражению конкретного типа рейтинг или показатель «сложный». В дополнение к этому примеру, радиолог может регулярно определять, что конкретная опухоль или место опухоли являются злокачественными, и предписывать процедуру биопсии. Если биопсия регулярно показывает, что опухоль является доброкачественной, тогда опухоль конкретного типа или место опухоли (или другой показатель опухоли) может соответствовать оценке стратификации «сложный». Следует понимать, что приведенный пример не ограничен неправильным диагнозом как показателем для присвоения показателя стратификации, но могут также использоваться и другие показатели, такие как характеристики изображений или рассчитанные показатели, описывающие уровень неопределенности, отраженный в радиологических отчетах. На этапе 54 при применении к новому случаю заболевания, для которого, как отмечалось выше, было предварительно указано конкретное положение (или тип, или другой показатель) поражения, показатель, генерируемый классификатором, становится показателем стратификации. В одном варианте реализации, алгоритм ВКС может обеспечить показатель стратификации для каждого отдельного радиолога исходя из диагностической достоверности конкретного врача.
Продолжая рассматривать ФИГУРУ 1, рассмотрим также ФИГУРУ 3, которая иллюстрирует способ выполнения компьютерной стратификации уровня сложности диагноза для множество случаев заболеваний пациентов в соответствии с одним или более аспектами, описанными в данном документе. Например, модуль 18 ВКС рассчитывает показатель стратификации, который оценивает уровень сложности измерения данного поражения. В случае заболевания, когда заранее указывается конкретное поражение, которое должно быть измерено, положение поражения принимается в качестве входного параметра на этапе 60. Алгоритм 24 сегментации для разбиения на сегменты поражения на изображении выполняется процессором на заданном положении поражения на этапе 62. Он создает контур или маску 26 поражения, который или которая может использоваться для расчета на этапе 64 параметров 28 поражения, таких как площадь поверхности, объем, продольная ось, поперечная ось и другие стандартные характеристики клинических измерений. Множество альтернативных контуров (и, следовательно, альтернативных масок) поражения может быть рассчитано на этапе 66, например, следующим образом. Возможно отклонение от исходного положения, например, путем случайной выборки из окрестности с заданным распределением, таким как среднеквадратичное отклонение 1 или 2 мм. В альтернативном варианте может работать множество разных алгоритмов сегментации с одинаковыми исходными данными, что также дает ряд измерений. На этапе 68 показатель стратификации получают непосредственно из колебаний между различными измерениями. Показатель стратификации отображает оценку того, как разные радиологи или алгоритмы различались бы в своей оценке конкретного поражения. Например, если небольшое изменение одного или более входных параметров приводит к большому изменению результатов сегментации, тогда такому случаю заболевания может быть присвоен показатель стратификации «сложный». В то же время, если большие колебания входных значений приводят к минимальным отличиям между выходными значениями, тогда такому случаю заболевания может быть присвоен показатель стратификации «легкий». В одном варианте реализации реальный рабочий процесс радиолога может полностью выполняться вручную. В другом варианте реализации для оценки неопределенности и расчета показателя стратификации используется автоматическая сегментация.
Продолжая рассматривать ФИГУРУ 1, рассмотрим также ФИГУРУ 4, которая иллюстрирует способ выполнения компьютерной стратификации уровней сложности постановки диагноза для множества случаев заболеваний пациентов в соответствии с одним или более аспектами, описанными в данном документе. Модуль 18 ВКС рассчитывает показатель стратификации, который оценивает уровень сложности при описании признаков и особенностей данного поражения. На этапе 80 конкретное поражение характеризуется как предварительно заданное, и положение поражения берется в качестве входного параметра. Алгоритм 30 компьютерной медицинской диагностики выполняется процессором на этапе 82 для расчета вероятности злокачественного характера поражения на основе данных изображения. В другом варианте реализации алгоритм КМД может использовать данные изображения и демографические и клинические данные пациента, представленные на этапе 83, при определении на этапе 82 вероятности злокачественного характера поражения. Методики КМД могут включать, например, методики, которые дают показатели в пределах 0-100, где показатель 100 указывает на наивысшую вероятность злокачественного характера. Далее показатель стратификации можно получить на этапе 84 непосредственно из оценки КМД. Очень высокий (или очень низкий) показатель КМД (например, меньше 20 или больше 80) может соответствовать «легким» случаям заболеваний. «Средний» и «сложный» случаи заболеваний можно отображать аналогичным образом.
Показатель стратификации с выхода модуля ВКС используется на этапе 86 для воздействия на рабочий процесс рассмотрения случая заболевания врачами различными способами. Например, случаи заболеваний могут быть дополнительно ранжированы и переданы врачам исходя из их опыта. Например, наиболее сложные случаи заболеваний могут быть направлены опытным врачам с определенным количеством лет стажа, а случаи заболеваний средней сложности будут переданы менее опытным врачам. В другом варианте реализации случаи заболеваний могут быть отранжированы и переданы врачам с целью уменьшения различия в уровнях сложности для разных врачей, то есть для каждого врача определяется показатель рабочей нагрузки путем расчета суммы показателей стратификации по всем случаям заболеваний для данного врача за день и выбирается такое распределение, которое минимизирует колебания этого показателя рабочей нагрузки между врачами.
В другом варианте реализации случаи заболеваний могут быть ранжированы в рабочем листе одного врача с целью равномерного распределения сложных случаев заболеваний по всему рабочему дню, например, как и в предыдущем случае, путем определения показателя рабочей нагрузки и выбора распределения, которое минимизирует почасовые (или с другим отрезком времени) колебания этого показателя рабочей нагрузки для отдельного врача. В другом варианте реализации рядом с пациентом в рабочем листе (например, В РИС) может быть установлен индикатор, отображающий уровень сложности каждого случая заболевания пациента. Такой индикатор может быть отметкой порогового значения случая заболевания, срабатывающим при превышении определенного уровня сложности или численного значения, или визуальным индикатором, таким как цветной флажок, графическая линия и т.д., отображающим это значение.
В соответствии с другим примером, исключительно сложные случаи заболеваний могут быть отмечены индикатором автоматического двойного чтения, то есть чтения вторым радиологом. Его можно реализовать путем задания порогового значения, которое превышает пороговое значение, выше которого происходит срабатывание этого события. В другом варианте реализации сложные случаи заболеваний могут быть отмечены знаком возможного включения в обучающий файл или для анализа случая заболевания.
ФИГУРА 5 иллюстрирует способ выполнения компьютерной стратификации уровней сложности постановки диагноза для множества случаев заболеваний пациентов в соответствии с одним или более аспектами, описанными в данном документе. На этапе 100 из базы данных конкретного пациента генерируется или извлекается визуализирующее исследование. Это визуализирующее исследование может относиться к любой соответствующей методике визуализирующих исследований, таким как МРТ, КТ, УЗИ, рентгенография, радионуклидная визуализация и т.д. На этапе 102 устанавливается патология (например, поражение). В одном варианте реализации патология устанавливается с использованием выполняемого с помощью компьютера обнаружения. В другом варианте реализации патология снабжается комментариями или устанавливается вручную. На этапе 104 извлекаются демографические сведения и/или клинические данные о пациенте. На этапе 106 показатель компьютерной стратификации рассчитывается как функция демографических сведений о пациенте, клинических данных пациента и идентификационных характеристик поражения, или комбинации указанной информации. То есть, такой показатель может быть рассчитан с помощью КМД, на основе данных сегментации изображения и т.п.Действия 100, 102, 104 и 106 итерационно выполняются для каждого из указанного множества случаев заболеваний пациентов. На этапе 108 случаи заболеваний пациентов ранжируются согласно их показателям стратификации.
В соответствии с примером, 43-летней женщине было выполнено обследование груди с помощью магнитно-резонансной терапии (МРТ) с динамическим контрастным усилением (ДКУ). Семейный анамнез пациентки содержит мать, которая умерла в возрасте 45 лет от рака молочной железы. Как только МРТ-ДКУ исследование стало доступно для системы архивации и передачи изображений в этой больнице, алгоритм ВКС обработал данный случай заболевания в биографических данных. Выполняемый с помощью компьютера алгоритм обнаружения устанавливал поражение в левой груди пациентки. Далее был выполнен алгоритм компьютерной медицинской диагностики (КМД) для получения показателя вероятности (например, от 0 до 100) злокачественного характера опухоли, где более высокие показатели вероятности соответствуют большей вероятности злокачественного характера. Если показатель вероятности находится, например, между 0 и 20 или между 80 и 100, тогда показателем стратификации будет «легкий»; если показатель вероятности находится в пределах 20-30 или 70-80, тогда показателем стратификации будет «средний»; и показателем стратификации будет «сложный», если выход алгоритма КМД составляет 30-70. Может быть реализован как выполняемый с помощью компьютера алгоритм обнаружения, так и алгоритм компьютерной медицинской диагностики (например, путем выполнения сегментации поражения, выделения признаков с помощью оконтуривания изображения и сегментации и расчета классификатором оценки вероятности).
В дополнение к этому примеру, алгоритм ВКС использует также демографические сведения и другую информацию о пациентах, не относящуюся к изображениям. Например, в приведенном выше примере женщина имела семейный анамнез рака молочной железы, и поэтому даже если оценка стратификации является «легкий», она, благодаря этим дополнительным клиническим данным, может быть повышена до уровня «средний», что, в свою очередь, может привести к тому, что данный случай заболевания будет передан более опытным врачам или, соответственно, к изучению двумя врачами.
Данное изобретение было описано с привязкой к нескольким вариантам реализации. После внимательного изучения представленного выше подробного описания в данное изобретение могут внесены изменения и усовершенствования. Предполагается, что данное изобретение будет истолковываться как включающее все такие изменения и усовершенствования в той мере, в какой они будут находиться в рамках формулы изобретения или ее эквивалентов.

Claims (84)

1. Способ ранжирования случаев заболеваний пациентов в соответствии с уровнями сложности диагностирования, включающий:
для каждого из указанных случаев заболеваний пациентов:
извлечение из базы (12) данных визуализирующего исследования для пациента;
установление патологии на изображении пациента, содержащемся в визуализирующем исследовании;
анализ демографических и клинических данных пациента;
расчет показателя (20) компьютерной стратификации для указанного каждого случая заболевания пациента в зависимости от установленной патологии и демографических и клинических данных пациента и
выдачу ранжированного списка (21) случаев заболеваний пациентов согласно соответствующим оценкам стратификации, присвоенным каждому случаю заболевания пациента,
причем способ кроме того включает:
хранение ранее диагностированных случаев заболеваний пациентов в базе (12) данных;
оценку точности ранее установленного диагноза для указанных ранее диагностированных случаев заболеваний пациентов;
выполнение классификатора (22), который генерирует показатель точности, указывающий на точность диагноза для случаев заболеваний пациентов каждого типа; и
прием информации о типе указанного каждого случая заболевания пациента и
генерацию показателя (20) стратификации для указанного каждого случая заболевания пациента на основании типа указанного каждого случая заболевания пациента и показателя точности для этого типа.
2. Способ по п. 1, согласно которому указанный каждый случай заболевания пациента назначают врачу в зависимости от показателя (20) стратификации и опыта врача.
3. Способ по п. 1, также включающий для указанного каждого случая заболевания пациента:
прием информации о типе и месте расположения поражения для поражения на изображении пациента;
сегментацию указанного изображения на месте расположения поражения для генерирования первого контура поражения;
расчет одного или более параметров (28) поражения из первого контура поражения;
расчет одного или более альтернативных контуров поражения;
расчет одного или более параметров поражения из указанных одного или более альтернативных контуров поражения и
расчет показателя (20) стратификации в зависимости от колебаний параметров поражения между указанным контуром поражения и указанными одним или более альтернативными контурами поражения.
4. Способ по п. 3, согласно которому расчет одного или более альтернативных контуров поражения включает одно из следующего:
случайную выборку данных изображения из окрестности с заданным распределением относительно места расположения поражения и
применение разных алгоритмов сегментации для сегментации изображения в месте расположения поражения.
5. Способ по п. 3, согласно которому параметры поражения включают одну или более из следующих характеристик:
площадь поверхности поражения;
объем поражения;
продольная ось поражения и поперечная ось поражения.
6. Способ по п. 1, также включающий:
для указанного каждого случая заболевания пациента:
прием информации о типе и месте расположения поражения для поражения на изображении пациента;
выполнение методики (30) компьютерной медицинской диагностики (КМД) для одного или более поражений на изображении пациента с использованием демографических и клинических данных пациента и определение вероятности злокачественного характера указанного поражения;
получение показателя (20) стратификации для указанного каждого случая заболевания пациента из указанной вероятности злокачественного характера и
корректировку рабочего процесса врача в зависимости от показателей стратификации для указанных случаев заболеваний пациентов.
7. Способ по п. 1, также включающий отметку по меньшей мере одного случая заболевания пациента как потенциально подлежащего просмотру по меньшей мере двумя пользователями в зависимости от показателя стратификации для указанного по меньшей мере одного случая заболевания пациента.
8. Способ по п. 1, также включающий отметку по меньшей мере одного случая заболевания пациента как потенциально подходящего для учебно-методического использования в качестве обучающего примера в зависимости от показателя стратификации для указанного по меньшей мере одного случая заболевания пациента.
9. Система (10) ранжирования случаев заболеваний пациентов в соответствии с уровнями сложности диагностирования, содержащая:
модуль (18) компьютерной стратификации, содержащий процессор, выполненный с возможностью для каждого из указанных случаев заболеваний пациентов:
извлекать из базы (12) данных визуализирующее исследование для пациента;
устанавливать патологию на изображении пациента, включенном в указанное визуализирующее исследование;
анализировать демографические и клинические данные пациента;
рассчитывать показатель (20) компьютерной стратификации для указанного каждого случая заболевания пациента в зависимости от установленной патологии и демографических и клинических данных указанного пациента и
выдавать ранжированный список (21) указанных случаев заболеваний пациентов согласно соответствующим показателям стратификации, присвоенным каждому случаю заболевания пациента,
причем система кроме того содержит машиночитаемый носитель (12), который хранит ранее диагностированные случаи заболеваний пациентов; а
процессор (14) также выполнен с возможностью:
оценивать точность ранее установленного диагноза для указанных ранее диагностированных случаев заболеваний пациентов;
выполнять классификатор (22), который генерирует показатель точности, указывающий на точность диагноза для случаев заболеваний пациентов каждого типа; и
принимать информацию о типе указанного каждого случая заболевания пациента и
генерировать показатель (20) стратификации для указанного каждого случая заболевания пациента на основании указанного типа указанного каждого случая заболевания пациента и указанного показателя точности для этого типа.
10. Система по п. 9, в которой патология является поражением, а показатель (20) стратификации рассчитан по меньшей мере частично путем сегментации (24) изображения указанного поражения.
11. Система по п. 9, в которой процессор (14) также выполнен с возможностью для указанного каждого случая заболевания пациента:
принимать информацию о типе и месте расположения поражения для поражения на изображении пациента;
сегментировать указанное изображение на месте расположения поражения для генерирования первого контура поражения;
рассчитывать один или более параметров (28) поражения из первого контура поражения;
рассчитывать один или более альтернативных контуров поражения;
рассчитывать один или более параметров поражения из указанных одного или более альтернативных контуров поражения и
рассчитывать показатель (20) стратификации в зависимости от колебаний параметров поражения между указанным контуром поражения и указанными одним или более альтернативными контурами поражения.
12. Система по п. 11, в которой расчет одного или более альтернативных контуров поражения включает одно из следующего:
случайную выборку данных изображения из окрестности с заданным распределением относительно места расположения указанного поражения и
применение разных алгоритмов сегментации для сегментации изображения в месте расположения поражения.
13. Система по п. 11, в которой параметры поражения включают одну или более из следующих характеристик:
площадь поверхности поражения;
объем поражения;
продольная ось поражения и
поперечная ось поражения.
14. Система по п. 9, в которой процессор также выполнен с возможностью:
для указанного каждого случая заболевания пациента:
принимать информацию о типе и месте расположения поражения для поражения на изображении пациента;
выполнять методику (30) компьютерной медицинской диагностики (КМД) для одного или более поражений на изображении пациента с использованием демографических и клинических данных пациента и определять вероятность злокачественного характера указанного поражения;
получать показатель (20) стратификации для указанного каждого случая заболевания пациента исходя из указанной вероятности злокачественного характера и
корректировать рабочий процесс врача в зависимости от показателей стратификации для указанных случаев заболеваний пациентов.
15. Машиночитаемый носитель (16), который содержит хранящиеся на нем выполняемые компьютером команды для ранжирования случаев заболеваний пациентов в соответствии с уровнем сложности диагностирования, включающие:
для каждого из указанных случаев заболеваний пациентов:
извлечение из базы (12) данных визуализирующего исследования для пациента;
установление патологии на изображении пациента, содержащемся в визуализирующем исследовании;
анализ демографических и клинических данных пациента;
расчет и присвоение показателя (20) компьютерной стратификации для указанного каждого случая заболевания пациента в зависимости от установленной патологии и демографических и клинических данных пациента и
выдачу ранжированного списка (21) случаев заболеваний пациентов согласно соответствующим оценкам (20) стратификации, присвоенным каждому случаю заболевания пациента,
причем указанные команды включают:
хранение ранее диагностированных случаев заболеваний пациентов в базе (12) данных;
оценку точности ранее установленного диагноза для указанных ранее диагностированных случаев заболеваний пациентов;
выполнение классификатора (22), который генерирует показатель точности, указывающий на точность диагноза для случаев заболеваний пациентов каждого типа; и
прием информации о типе указанного каждого случая заболевания пациента и
генерацию показателя (20) стратификации для указанного каждого случая заболевания пациента на основании типа указанного каждого случая заболевания пациента и показателя точности для этого типа.
RU2016148690A 2014-05-12 2015-04-16 Способ и система компьютерной стратификации пациентов на основе сложности случаев заболеваний RU2687760C2 (ru)

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
RU2016148690A RU2016148690A (ru) 2018-06-19
RU2016148690A3 RU2016148690A3 (ru) 2018-11-19
RU2687760C2 true RU2687760C2 (ru) 2019-05-16

Family

ID=53366224

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2016148690A RU2687760C2 (ru) 2014-05-12 2015-04-16 Способ и система компьютерной стратификации пациентов на основе сложности случаев заболеваний

Country Status (6)

Country Link
US (1) US10585940B2 (ru)
EP (1) EP3143534A1 (ru)
JP (1) JP6559707B2 (ru)
CN (1) CN106462662B (ru)
RU (1) RU2687760C2 (ru)
WO (1) WO2015173675A1 (ru)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
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
US10276265B2 (en) 2016-08-31 2019-04-30 International Business Machines Corporation Automated anatomically-based reporting of medical images via image annotation
US20180060535A1 (en) * 2016-08-31 2018-03-01 International Business Machines Corporation Updating probabilities of conditions based on annotations on medical images
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
WO2019101549A1 (en) * 2017-11-22 2019-05-31 Koninklijke Philips N.V. Device, system, and method for optimizing pathology workflows
ES2914600T3 (es) 2018-01-30 2022-06-14 Dental Monitoring Método de análisis de una representación de una arcada dental
JP7229178B2 (ja) * 2018-02-01 2023-02-27 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
US20210298686A1 (en) * 2018-08-08 2021-09-30 Koninklijke Philips N.V. Incorporating contextual data in a clinical assessment
CN109346188A (zh) * 2018-10-19 2019-02-15 刘瑞红 一种医学统计数据处理方法
JP2022507955A (ja) * 2018-11-23 2022-01-18 アイカード インコーポレイテッド 画像を使用して乳癌リスクを評価するためのシステムと方法
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
US20220101958A1 (en) * 2019-03-20 2022-03-31 Koninklijke Philips N.V. Determination of image study eligibility for autonomous interpretation
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2163088C1 (ru) * 2000-04-12 2001-02-20 Успенский Вячеслав Максимилианович Способ диагностики заболеваний внутренних органов неинфекционной природы на любой стадии их развития
US20100280842A1 (en) * 2007-12-25 2010-11-04 Canon Kabushiki Kaisha Medical image processing apparatus, medical image processing method, and program
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
US20120095331A1 (en) * 2010-10-18 2012-04-19 Japanese Foundation For Cancer Research Information processing apparatus and information processing method and program for them

Family Cites Families (16)

* Cited by examiner, † Cited by third party
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
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
US7640051B2 (en) 2003-06-25 2009-12-29 Siemens Medical Solutions Usa, Inc. Systems and methods for automated diagnosis and decision support for breast imaging
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
EP2225682A1 (en) 2007-12-27 2010-09-08 Mark, James G. Systems and methods for workflow processing
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
WO2012111288A1 (ja) * 2011-02-14 2012-08-23 パナソニック株式会社 類似症例検索装置および類似症例検索方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2163088C1 (ru) * 2000-04-12 2001-02-20 Успенский Вячеслав Максимилианович Способ диагностики заболеваний внутренних органов неинфекционной природы на любой стадии их развития
US20100280842A1 (en) * 2007-12-25 2010-11-04 Canon Kabushiki Kaisha Medical image processing apparatus, medical image processing method, and program
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
US20120095331A1 (en) * 2010-10-18 2012-04-19 Japanese Foundation For Cancer Research Information processing apparatus and information processing method and program for them

Also Published As

Publication number Publication date
EP3143534A1 (en) 2017-03-22
US20170061087A1 (en) 2017-03-02
CN106462662A (zh) 2017-02-22
CN106462662B (zh) 2020-10-02
RU2016148690A3 (ru) 2018-11-19
JP6559707B2 (ja) 2019-08-14
US10585940B2 (en) 2020-03-10
WO2015173675A1 (en) 2015-11-19
RU2016148690A (ru) 2018-06-19
JP2017515574A (ja) 2017-06-15

Similar Documents

Publication Publication Date Title
RU2687760C2 (ru) Способ и система компьютерной стратификации пациентов на основе сложности случаев заболеваний
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
Ringl et al. The ribs unfolded-a CT visualization algorithm for fast detection of rib fractures: effect on sensitivity and specificity in trauma patients
EP3043318B1 (en) Analysis of medical images and creation of a report
US10269114B2 (en) Methods and systems for automatically scoring diagnoses associated with clinical images
US10949975B2 (en) Patient management based on anatomic measurements
US20170193660A1 (en) Identifying a Successful Therapy for a Cancer Patient Using Image Analysis of Tissue from Similar Patients
Burns et al. Automated detection of sclerotic metastases in the thoracolumbar spine at CT
RU2573218C2 (ru) Поддержка принятия клинических решений
RU2699416C2 (ru) Идентификация аннотаций к описанию изображения
Ariji et al. Automatic detection of cervical lymph nodes in patients with oral squamous cell carcinoma using a deep learning technique: a preliminary study
JP2014512897A (ja) 医療データの知的リンキング方法及びシステム
CN111210899A (zh) 临床试验研究中的医学影像阅片方法和系统
Piętka et al. Role of radiologists in CAD life-cycle
EP3362925B1 (en) Systems and methods for generating correct radiological recommendations
Parascandolo et al. Computer aided diagnosis: state-of-the-art and application to musculoskeletal diseases
CN115249527A (zh) 用于产生医学检查信息并对其进行结构化的方法和系统
WO2020030643A1 (en) Processing medical images
US20230099284A1 (en) System and method for prognosis management based on medical information of patient
US20240127917A1 (en) Method and system for providing a document model structure for producing a medical findings report
WO2021246047A1 (ja) 経過予測装置、方法およびプログラム
Otsuka et al. Local mammographic density as a predictor of breast cancer
EP3790015A1 (en) System and method for automated tracking and quantification of the clinical value of a radiology exam
Poelhuis Helping to Detect Breast Cancer with Artificial Intelligence
CN115985492A (zh) 一种基于患者的医学信息进行预后管理的系统和方法