TW202109551A - 電腦輔助醫學方法、非暫態電腦可讀取媒體以及醫學系統 - Google Patents

電腦輔助醫學方法、非暫態電腦可讀取媒體以及醫學系統 Download PDF

Info

Publication number
TW202109551A
TW202109551A TW109136981A TW109136981A TW202109551A TW 202109551 A TW202109551 A TW 202109551A TW 109136981 A TW109136981 A TW 109136981A TW 109136981 A TW109136981 A TW 109136981A TW 202109551 A TW202109551 A TW 202109551A
Authority
TW
Taiwan
Prior art keywords
actions
candidate
prediction
disease
action
Prior art date
Application number
TW109136981A
Other languages
English (en)
Other versions
TWI747574B (zh
Inventor
湯凱富
高皓成
周俊男
張智威
Original Assignee
宏達國際電子股份有限公司
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 宏達國際電子股份有限公司 filed Critical 宏達國際電子股份有限公司
Publication of TW202109551A publication Critical patent/TW202109551A/zh
Application granted granted Critical
Publication of TWI747574B publication Critical patent/TWI747574B/zh

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

一種電腦輔助醫學方法包含下列步驟。透過互動介面接收初始症狀；根據該初始症狀由複數個候選預測模型中選擇代表預測模型，其中該些候選預測模型是由機器學習演算法根據臨床資料加以訓練；以及，根據該代表預測模型以及該初始症狀，選擇一系列的複數個序列行動，其中該些序列行動是由該代表預測模型當中的複數個候選行動中選出，該些候選行動包含複數個詢問行動以及複數個疾病預測行動，該些序列行動各自為該些詢問行動或該些疾病預測行動其中一者。

Description

電腦輔助醫學方法、非暫態電腦可讀取媒體以及醫學系統
本揭示係關於電腦輔助醫學方法，更進一步而言，本揭示係關於用以產生醫學預測的電腦輔助醫學方法。
近年來已經出現了電腦輔助醫學系統的概念以便於患者自我診斷。電腦輔助醫學系統可請求患者提供一些資訊，並隨後基於與患者的互動來嘗試診斷潛在疾病。
本揭示提供一種電腦輔助醫學方法，其包含下列步驟。透過互動介面接收初始症狀；根據該初始症狀由複數個候選預測模型中選擇代表預測模型，其中該些候選預測模型是由機器學習演算法根據臨床資料加以訓練；以及，根據該代表預測模型以及該初始症狀，選擇一系列的複數個序列行動，其中該些序列行動是由該代表預測模型當中的複數個候選行動中選出，該些候選行動包含複數個詢問行動以及複數個疾病預測行動，該些序列行動各自為該些詢問行動或該些疾病預測行動其中一者。
本揭示進一步提供一種非暫態電腦可讀取媒體，其具有電腦程式以執行上述電腦輔助醫學方法。
本揭示進一步提供一種醫學系統，其包含互動介面以及控制電路。互動介面經配置用於接收初始症狀。控制電路與互動介面通訊，控制電路用以根據該初始症狀由複數個候選預測模型中選擇一代表預測模型。控制電路用以根據該代表預測模型以及該初始症狀，選擇一系列的複數個序列行動，其中該些序列行動是由該代表預測模型當中的複數個候選行動中選出，該些候選行動包含複數個詢問行動以及複數個疾病預測行動，該些序列行動各自為該些詢問行動或該些疾病預測行動其中一者。
須說明的是，上述說明以及後續詳細描述是以實施例方式例示性說明本案，並用以輔助本案所請求之發明內容的解釋與理解。
以下揭示提供許多不同實施例或例證用以實施本揭示文件的不同特徵。特殊例證中的元件及配置在以下討論中被用來簡化本揭示。所討論的任何例證只用來作解說的用途，並不會以任何方式限制本揭示文件或其例證之範圍和意義。在適當的情況下，在圖示之間及相應文字說明中採用相同的標號以代表相同或是相似的元件。
參考第1圖，其繪示根據本揭示之一實施例說明醫學系統100的示意圖。醫學系統100包括控制電路120、互動介面140以及儲存單元160。
在一些實施例中，控制電路120與互動介面140通訊連接。醫學系統100透過互動介面140與使用者U1互動(例如由使用者U1接收一初始症狀、向使用者U1提出一些症狀詢問問題及/或由使用者U1接收相應的症狀回覆)。基於上述互動歷程，醫學系統100可以分析、診斷或預測使用者遭遇的潛在疾病。醫學系統100是利用機器學習演算法加以訓練，如此醫學系統100可以根據有限病患資料進行詢問以及診斷。在一些實施例中，醫學系統100採用強化學習(reinforcement learning)架構來規劃詢問及診斷的策略，例如採用馬爾可夫決策過程(Markov decision processes)。
在一些實施例中，醫學系統100由電腦、伺服器或處理中心建立。控制電路120可由處理器、中央處理單元或計算單元實現。互動介面140可包括輸出介面（例如，用於顯示資訊的顯示面板）及用於讓使用者鍵入文字指令、給予聲音指令或上載一些相關資料（例如，影像、醫學記錄、或個人檢查報告）的輸入裝置（例如，接觸面板、鍵盤、麥克風、掃描器或快閃記憶體讀取器）。
在一些其他實施例中，醫學系統100的至少一部分是使用分散式系統建立。例如，控制電路120係藉由雲端計算系統建立。在此情形中，互動介面140可以由智慧型手機實現，其透過無線方式通訊連接至控制電路120。互動介面140的輸出介面可以是智慧型手機上的顯示面板。互動介面140的輸入裝置可以是智慧型手機上的觸控面板、鍵盤及/或麥克風。
如第1圖所示，儲存單元160耦接控制電路120。於一些實施例中，儲存單元160可以利用記憶體、快閃記憶體、唯讀記憶體、硬碟或任何具相等性的儲存組件來實現。
如第1圖所示，互動介面140可由使用者U1操控。使用者U1可看到在互動介面140上顯示的資訊並且在互動介面140上鍵入他/她的輸入指令。在一實施例中，互動介面140將顯示通知以詢問使用者U1關於他/她的症狀。由使用者U1輸入之第一個症狀將被認定為初始症狀Sini。互動介面140根據使用者的操作而接收初始症狀Sini。互動介面140將初始症狀Sini傳輸到控制電路120。
如第2圖所示，控制電路120用以根據初始症狀Sini產生將顯示在互動介面140上的一系列的多個症狀詢問Sqry。多個症狀詢問Sqry將依先後順序顯示在互動介面140上，並且使用者U1可經由互動介面140逐一回答症狀詢問Sqry。互動介面140用以接收對應於多個症狀詢問Sqry的多個症狀回覆Sans。當控制電路120接收到的資訊已足以進行判斷時，控制電路120用以根據初始症狀Sini以及多個症狀回覆Sans產生預測結果，此預測結果可以是至少一個疾病預測(例如，疾病名稱或依機率排列之疾病名稱列表)或/及至少一個匹配此可能的疾病預測之醫學科別建議。控制電路120會根據初始症狀Sini及先前每一個症狀回覆Sans(在當前問題之前)決定下一次詢問時的最佳問題(即症狀詢問Sqry)。最佳問題的選擇方式是基於控制電路120所採用的預測模型。藉由挑選最佳問題來詢問使用者U1有助於增加效率(例如，較短的運算時間內產生預測結果，或是在更少的症狀詢問下產生預測結果)及提高預測結果之正確性(例如，預測結果可更加準確對應到使用者的病況)。
進一步參考第2圖，其繪示根據本揭示文件之一實施例中一種電腦輔助醫學方法200的方法流程圖。電腦輔助醫學方法200可以在第1圖所示的醫學系統100上執行。
如第1圖及第2圖所示，步驟S210執行以透過互動介面140接收初始症狀Sini。舉例來說，互動介面140可以顯示文字提示，其內容可以是「你今天感覺如何？如果你覺得不舒服，請簡單描述你的感覺」。使用者U1可以透過打字(或透過語音辨識)方式提出回覆，如「現在感覺劇烈頭痛」。在這個例子中，可以從使用者U1的輸出中辨識到初始症狀Sini(例如頭痛)。
於一些情況下，部分的電腦輔助醫學系統會建立單一整體預測模型以分析使用者的輸入並產生預測。然而，建立單一整體預測模型需要大量的計算，因為單一整體預測模型必須涵蓋各式各樣的疾病與症狀。單一整體預測模型需要長時間才能完成預測，且單一整體預測模型的預測偶爾可能不準確。此外，因為單一整體預測模型需要考慮大量的疾病與大量的症狀，故單一整體預測模型的訓練並不容易進行。即使是在醫院當中，也經常需要雇用多名醫師各自的專長分佈在不同的醫學部門。依賴單單一位醫師來診斷各種不同的症狀與各種疾病並不容易達到高效率及高準確度。
為了模擬真實情況中的醫院多個不同部門的多位醫師，醫學系統100採用多個候選預測模型，多個候選預測模型分別以一機器學習演算法根據臨床資料加以訓練。請一併參閱第3圖，其繪示根據本揭示文件之一實施例中多個不同候選預測模型MD1、MD2及MD3的示意圖。於一些實施例中，多個候選預測模型MD1、MD2及MD3是各自獨立訓練，候選預測模型MD1、MD2及MD3各自分別根據人體的其中一個解剖部位相關的該臨床資料而加以訓練。於另一實施例中，候選預測模型MD1、MD2及MD3各自根據人體的不同的功能部份(例如呼吸系統、消化系統、神經系統、內分泌系統)而分別單獨訓練。候選預測模型MD1、MD2及MD3每一者並不需要單獨涵蓋人體的各種疾病及症狀。只要上述各候選預測模型MD1、MD2及MD3的整體加總組合能涵蓋各種人體上的所有相異解剖部位或功能部份的各種疾病及症狀即可。
候選預測模型MD1、MD2及MD3各自分別根據人體的其中一個解剖部位相關的該臨床資料而加以訓練。臨床資料包含可由一些醫學資料庫取得的複數個臨床病歷，例如可以是美國疾病管制與預防中心(Centers for Disease Control and Prevention)所取得的資料與相關資訊，上述美國疾病管制與預防中心的網頁位址為https://www.cdc.gov/datastatistics/index.html，該些臨床病歷各自記錄一確診疾病以及該確診疾病的複數個相應症狀之間的關係。舉例來說，若病患罹患的疾病為靜脈功能不全，其可能具有的症狀為皮膚病變、腿部腫脹和腿部疼痛；若另一病患罹患的疾病為手臂骨折，其可能具有的症狀為手臂疼痛、手腕腫脹、手肘僵硬或緊張；若再一病患罹患的疾病為慢性便秘，其可能具有的症狀為劇烈腹痛、肛門疼痛及胃脹氣。上述有關不同疾病與症狀的各種臨床病歷將依照不同的解剖部位(或不同的功能部份)而進行分類。
訓練候選預測模型MD1、MD2及MD3各者的計算時間將明顯短於訓練單一整體預測模型的計算時間，因為候選預測模型MD1、MD2及MD3每一者僅考慮有關於單一個解剖部位(或功能部份)的臨床資料。舉例來說，候選預測模型MD1是基於有關頭部的臨床資料進行訓練，候選預測模型MD2是基於有關胸部的臨床資料進行訓練，候選預測模型MD3是基於有關手臂的臨床資料進行訓練。醫學系統100及電腦輔助醫學方法200所採用的候選預測模型數目並不僅限於第2圖所示的三個候選預測模型。為了說明上的簡潔，第2圖繪示的三個候選預測模型MD1、MD2及MD3是作為例示性範例。醫學系統100及電腦輔助醫學方法200所採用的候選預測模型數目可以是兩個或多於兩個的多個相異預測模型。
於一實施例中，人體可以分類為十一個不同的部位(分別對應到不同的解剖部位)，例如頭部、頸部、手臂、胸部、腹部、背部、骨盆、臀部、腳部、皮膚及非特定部位之通用範圍。上述「非特定部位之通用範圍」對應到疾病或症狀並非僅影響人體上的單一解剖部位。於此實施例中，醫學系統100及電腦輔助醫學方法200會訓練十一個不同的候選預測模型。為了說明上的簡潔，後續段落中的實施例是以三個候選預測模型MD1、MD2及MD3進行說明，如第3圖所示。
於另一實施例中，人體可以區分為不同的類別(分別對應到不同的功能部份)，例如呼吸系統、消化系統、神經系統、內分泌系統、肌肉骨骼系統、循環系統、泌尿系統、生殖系統及非特定功能之通用系統(代表疾病或症狀並非僅影響人體上的單一功能)。
醫學系統100透過互動介面140接收初始症狀Sini。初始症狀Sini會提供有關使用者U1感受的重要線索。控制電路120可用以從候選預測模型MD1、MD2及MD3當中決定一個候選預測模型，其適合用來針對使用者目前的狀態進行預測。如第1圖及第2圖所示，執行步驟S220根據初始症狀Sini從候選預測模型MD1、MD2及MD3當中挑選一個代表預測模型。
舉例來說，若初始症狀Sini為「頭痛」，則可從多個候選預測模型MD1-MD3當中選出候選預測模型MD1(對應到頭部)作為代表預測模型。另一方面，若初始症狀Sini為「呼吸短促」，則可從多個候選預測模型MD1-MD3當中選出候選預測模型MD2(對應到胸部)作為代表預測模型。
如第1圖及第2圖所示，執行步驟S230以根據代表預測模型以及初始症狀Sini產生一系列的複數個序列行動。其中該些序列行動是由該代表預測模型當中的複數個候選行動中選出。
如第3圖所示，假設候選預測模型MD1被選為代表預測模型，候選預測模型MD1當中包含許多個候選行動Acand。候選預測模型MD1當中包含兩種不同類型的候選行動Acand，其中一種類型的候選行動Acand為詢問行動INQ1、INQ2、INQ3、INQ4、INQ5以及INQ6，另外一種類型的候選行動Acand為疾病預測行動PRED1、PRED2及PRED3。候選預測模型MD2當中也包含兩種不同類型的候選行動Acand，其中一種類型的候選行動Acand為詢問行動INQ1、INQ5、INQ7、INQ8、INQ9、INQ10以及INQ11，另外一種類型的候選行動Acand為疾病預測行動PRED3及PRED4。候選預測模型MD3當中也包含兩種不同類型的候選行動Acand，其中一種類型的候選行動Acand為詢問行動INQ3、INQ10、INQ12、INQ13以及INQ14，另外一種類型的候選行動Acand為疾病預測行動PRED2、PRED5及PRED7。該些序列行動當中的每一者分別可以是詢問行動INQ1-INQ14其中一者或者疾病預測行動PRED1-PRED7其中一者。
詢問行動INQ1-INQ14每一者是詢問使用者是否遭遇一種特定症狀的問題(例如「是否咳嗽？」、「是否發燒？」、「睡得好嗎？」及「是否感覺呼吸急促？」)。當使用者U1針對詢問行動INQ1-INQ14回答時(此回答可以是簡單回覆，是或不是)，藉此控制電路120將得知更多有關使用者U1的資訊。當有關使用者U1的資訊已足以進行預測時，控制電路120將根據初始症狀Sini、在預測產生之前所有的詢問行動以及所有詢問行動的症狀回覆Sans，而選擇其中一個疾病預測行動。於部分實施例中，疾病預測行動PRED1-PRED7每一者分別對應到一種疾病。
若候選預測模型MD1被選為代表預測模型，控制電路120利用候選預測模型MD1根據當前狀態STAT在所有候選行動Acand當中選擇其中一者，被選定的候選行動即為當級行動Acurt。當詢問行動INQ1-INQ6其中一個被選為當級行動Acurt時，醫學系統100及電腦輔助醫學方法200會執行多個詢問行動INQ1-INQ6當中被選定的該詢問行動。當疾病預測行動PRED1-PRED3其中一個被選為當級行動Acurt時，醫學系統100及電腦輔助醫學方法200會執行多個疾病預測行動PRED1-PRED3當中被選定的該疾病預測行動。
請參閱第4圖，其繪示第2圖當中步驟S220的進一步步驟的方法流程圖。如第4圖所示之實施例中，步驟S220更包含步驟S221至S226。
電腦輔助醫學方法200由控制電路120執行步驟S221，將初始症狀Sini匹配至人體的至少一解剖部位。在一些情況下，初始症狀Sini僅發生在單一個解剖部位(例如頭痛是有關於頭部)。在另一些情況下，初始症狀Sini僅發生在兩個或兩個以上的解剖部位(例如外傷導致開放性傷口可能有關於手臂、胸部、腿部及其他部位；或者，夜間盜汗可能有關於皮膚、頭部、背部及其他部位)。執行步驟S222以判斷初始症狀Sini為匹配至人體的兩個以上的解剖部位或是僅匹配單一個解剖部位。
若臨床資料當中一個疾病是對應到人體的至少兩個解剖部位時，對應上述疾病的相關臨床病歷將用來測試至少兩個候選預測模型的準確率。如第3圖所示，不同的候選預測模型MD1及MD2都具有相同的詢問行動INQ1及INQ5，以及相同的疾病預測行動PRED4。相似的情況還有，不同的候選預測模型MD2及MD3都具有相同的詢問行動INQ10。此外，不同的候選預測模型MD1及MD3都具有相同的詢問行動INQ3以及相同的疾病預測行動PRED2。
當初始症狀Sini匹配至單一個解剖部位時，候選預測模型MD1-MD3當中與上述單一個解剖部位匹配的其中一個候選預測模型將被選為代表預測模型。例如，若初始症狀Sini僅發生在頭部，或者初始症狀Sini對應到僅存在於候選預測模型MD1當中的詢問行動INQ2，則候選預測模型MD1可以被選為代表預測模型。若初始症狀Sini僅發生在手臂，或者初始症狀Sini對應到僅存在於候選預測模型MD3當中的詢問行動INQ12，則候選預測模型MD3可以被選為代表預測模型。
另一方面，若初始症狀Sini匹配到至少兩個解剖部位時，執行步驟S224，選擇上述至少兩個候選預測模型，上述至少兩個候選預測模型對應於初始症狀Sini所匹配的至少兩個解剖部位。若初始症狀Sini發生在頭部以及手臂，或者初始症狀Sini匹配至詢問行動INQ3其同時存在於兩個候選預測模型MD1及MD3當中，則將候選預測模型MD1及MD3納入測試當中。在這個情況下，控制電路120可用以執行步驟S225，針對初始症狀Sini匹配到至少兩個解剖部位所對應的至少兩個候選預測模型(包含MD1及MD3)測試各自的訓練準確率。控制電路120可用以執行步驟S226，由初始症狀Sini匹配到至少兩個解剖部位所對應的至少兩個候選預測模型當中挑選具有最高訓練準確率的其中一個候選預測模型作為代表預測模型。於此例子中，候選預測模型MD1及MD3兩者當中具有較高訓練準確率的其中一者會作為代表預測模型。
在一些實施例中，每一個候選預測模型的訓練準確率可以透過下列方式測得。首先，控制電路120可以隱藏多個臨床病歷當中各自的確診疾病。控制電路120將多個臨床病歷(包含對症狀的描述)分別輸入至兩個要測試的候選預測模型MD1及MD3。控制電路120根據兩個候選預測模型MD1及MD3分別產生預測結果。控制電路120將兩個候選預測模型MD1及MD3各自產生的預測結果與原始臨床病歷當中的原始確診疾病進行核對，便能測得兩個候選預測模型MD1及MD3各自的訓練準確率。
於一實施例中，步驟S224至S226可以在收到初始症狀Sini時即時計算並決定最準確的候選預測模型。但本揭示文件並不以此為限。於另一實施例中，所有可能的初始症狀Sini都經過預先計算(重複步驟S224至S226)，以找到對各種可能的初始症狀Sini分別對應的最準確候選預測模型，並將各種可能的初始症狀Sini與其最準確候選預測模型的對照關係記錄在一查找表，該查找表可以儲存在儲存單元160，當接收到初始症狀Sini時，控制電路120便可參照該查找表中的對照關係決定初始症狀Sini所匹配的代表預測模型。
由於本揭示文件的多個序列行動僅僅在相對較小的資料庫(相較於涵蓋所有疾病與症狀的單一整體預測模型)當中進行搜尋，也就是候選預測模型MD1-MD3其中一者當中進行搜尋，因此醫學系統100及電腦輔助醫學方法200可以提升預測的準確度以及減少計算時間。
請一併參閱第5圖，其繪示根據第2圖中步驟S230的進一步步驟的方法流程圖。如第5圖所示之實施例中，步驟S230更包含步驟S231-S236。步驟S231-S236包含如何根據代表預測模型以及初始症狀Sini產生一系列的多個序列行動的進一步細節。
請一併參閱第6A圖至第6C圖，其繪示一示範性例子說明如何產生不同階段的多個序列行動。在第6A圖至第6C圖的示範性例子中假設候選預測模型MD1被選定為代表預測模型。於其他例子中，代表預測模型也可以替換為其他的候選預測模型，並不僅限於候選預測模型MD1。
第6A圖繪示在第一階段時代表預測模型(候選預測模型MD1)的示意圖。如第6A圖，當要決定多個序列行動當中的第一個行動時，執行步驟S231以接收輸入至代表預測模型(候選預測模型MD1)的當前狀態STAT1。在第一階段時，當前狀態STAT1包含初始症狀Sini。執行步驟S232以根據當前狀態STAT1產生複數個狀態行動估值，該些狀態行動估值分別對應該些候選行動(包含詢問行動INQ1-INQ6以及疾病預測行動PRED1-PRED3)各者。
於一實施例中，多個候選行動各自的狀態行動估值可以分別以Q值函式(Q-value function)進行評估。用以計算狀態行動估值的Q值函式可以定義為Q π (s ,a )，Q值函式的輸出結果可以代表，基於策略π 在狀態s 的情況下執行行動a 所得到的預期回報。Q值可以區分為目前階段的當前回報以及在後續各階段的預期回報值。預期回報的評估是根據執行個別行動所對應的報酬訊號(reward signal)。
醫學系統100以及電腦輔助醫學方法200可以將詢問與診斷的過程當作是一個由代理程式(即控制電路120基於代表預測模型)與病患互動的序列決策問題。在每一階段，代理程式詢問病患一個特定的症狀。病患針對此特定症狀回答「是或否」遭遇此症狀並提供給代表預測模型。於此同時，代理程式可以整合使用者在各個時間步驟中依序回答的各個答案，並提出後續的詢問問題。當整個流程結束時，若代理程式正確地預測了疾病，則代理程式會收到一可調整大小的報酬(每增加一次詢問將使報酬的大小遞減)。代理程式的目標是將報酬最大化。換句話說，代理程式的目標是在利用有限的詢問次數在診斷過程的最後能正確預測疾病。
給定一個狀態s ，代表預測模型可用以輸出每一個候選行動的Q值。在目前定義中，候選行動有兩種類型，包含多個詢問行動INQ1-INQ6以及多個疾病預測行動PRED1-PRED3。若輸出當中的最大Q值落在多個詢問行動INQ1-INQ6其中一者，控制電路120將會輸出相對應的症狀詢問至使用者U1，接著由使用者U1接收相應的症狀回覆，並進入下一階段。
如第6A圖所示的情況，當前狀態STAT1包含初始症狀Sini，其僅僅提供了有關使用者的少量資訊。在第一階段，初始症狀Sini所提供的資訊尚不足以做出疾病預測。醫學系統100以及電腦輔助醫學方法200在此階段將趨向選取一個詢問行動，而非選取疾病預測行動。如第6A圖所示，在現階段多個詢問行動INQ1-INQ6所計算得到的Q值相對較高，而多個疾病預測行動PRED1-PRED3所計算得到的Q值相對較低。
執行步驟S233由多個候選行動當中選擇具有最高狀態行動估值的一個候選行動做為多個序列行動中的當級行動。於第6A圖所示的實施例中，詢問行動INQ3具有最高的Q值(Q=0.45)。因此，詢問行動INQ3被選擇當級行動Acurt1，也就是多個序列行動當中的第一個行動。
執行步驟S234以判斷當級行動Acurt1是否為詢問行動。於此例子中，當級行動Acurt1是詢問行動INQ3，因此，在步驟S235中將對應詢問行動INQ3的症狀詢問的內容顯示在互動介面140上。
接著，進一步參閱第6B圖，其繪示在第二階段時代表預測模型(候選預測模型MD1)的示意圖。第6B圖所示的第二階段是接續在第6A圖所示的第一階段之後。
執行步驟S231以接收輸入至代表預測模型(候選預測模型MD1)的當前狀態STAT2。在第二階段時，當前狀態STAT2包含初始症狀Sini、先前的詢問行動INQ3以及對應先前的詢問行動INQ3之症狀回覆RES3N。於此例子中，症狀回覆RES3N代表使用者U1身上並未發生詢問行動INQ3當中所描述的症狀。再次，執行步驟S232以根據當前狀態STAT2產生複數個狀態行動估值，該些狀態行動估值分別對應該些候選行動(包含詢問行動INQ1, INQ2, INQ4-INQ6以及疾病預測行動PRED1-PRED3)各者。該些候選行動各自的狀態行動估值會因為症狀回覆RES3N而有所更新變動。在此例子中，因為當前狀態STAT2已經不同於先前階段的狀態(第6A圖中所示的STAT1)，該些候選行動各自的狀態行動估值會由Q值函式重新評估計算。根據症狀回覆RES3N的答案為是或否，Q值函式的計算結果可能增加或減少，在多個候選行動當中選擇一目標詢問行動(如本例子中的詢問行動INQ3)，能夠導致其他候選行動的Q值發生明顯變化的詢問行動將會被選擇作為該目標詢問行動。當症狀回覆RES3N輸入至醫學系統100以及電腦輔助醫學方法200時，詢問行動INQ1, INQ2, INQ4-INQ6以及疾病預測行動PRED1-PRED3各自的Q值將隨著症狀回覆RES3N的答案而發生變化。
如第6B圖所示之實施例，詢問行動INQ5具有最高的Q值(Q=0.57)。因此，詢問行動INQ5被選擇當級行動Acurt2，也就是多個序列行動當中的第二個行動。
於此例子中，當級行動Acurt2(也就是詢問行動INQ5)接續在前級行動(第6A圖當中的Acurt1)之後，除了參考初始症狀Sini更進一步根據症狀回覆RES3N而產生。
執行步驟S234以判斷當級行動Acurt1是否為詢問行動。於此例子中，當級行動Acurt2是詢問行動INQ5，因此，在步驟S235中將對應詢問行動INQ5的症狀詢問的內容顯示在互動介面140上。
接著，進一步參閱第6C圖，其繪示在第二階段時代表預測模型(候選預測模型MD1)的示意圖。第6C圖所示的第三階段是接續在第6B圖所示的第二階段之後。
執行步驟S231以接收輸入至代表預測模型(候選預測模型MD1)的當前狀態STAT3。在第三階段時，當前狀態STAT3包含初始症狀Sini、先前的詢問行動INQ3、對應先前的詢問行動INQ3之症狀回覆RES3N、另一個先前的詢問行動INQ5以及對應詢問行動INQ5之另一個症狀回覆RES5Y。於此例子中，症狀回覆RES5Y代表使用者U1身上有發生詢問行動INQ5當中所描述的症狀。再次，執行步驟S232以根據當前狀態STAT3產生複數個狀態行動估值，該些狀態行動估值分別對應該些候選行動(包含詢問行動INQ1, INQ2, INQ4, INQ6以及疾病預測行動PRED1-PRED3)各者。該些候選行動各自的狀態行動估值會因為症狀回覆RES3N以及症狀回覆RES5Y而有所更新變動。在此例子中，因為當前狀態STAT3已經不同於先前階段的狀態(第6B圖中所示的STAT2)，該些候選行動各自的狀態行動估值會由Q值函式重新評估計算。根據症狀回覆RES3N以及症狀回覆RES5Y的答案為是或否，Q值函式的計算結果可能增加或減少，在多個候選行動當中選擇一目標詢問行動(如本例子中的詢問行動INQ5)，能夠導致其他候選行動的Q值發生明顯變化的詢問行動將會被選擇作為該目標詢問行動。當症狀回覆RES5Y輸入至醫學系統100以及電腦輔助醫學方法200時，詢問行動INQ1, INQ2, INQ4, INQ6以及疾病預測行動PRED1-PRED3各自的Q值將隨著症狀回覆RES5Y的答案而發生變化。
如第6C圖所示之實施例，疾病預測行動PRED2具有最高的Q值(Q=0.83) 。因此，疾病預測行動PRED2被選擇當級行動Acurt3，也就是多個序列行動當中的第三個行動。
於第6C圖所示的實施例中，當前狀態STAT3包含了初始症狀Sini、先前的詢問行動INQ3、對應先前的詢問行動INQ3之症狀回覆RES3N、另一個先前的詢問行動INQ5以及對應詢問行動INQ5之另一個症狀回覆RES5Y。於此例子中，當前狀態STAT3可能包含了足夠的資訊以進行疾病預測。因此，現階段多個詢問行動INQ1, INQ2, INQ4, INQ6所計算得到的Q值相對較低，而疾病預測行動PRED2所計算得到的Q值相對較高。
於此例子中，當級行動Acurt3(也就是疾病預測行動PRED2)接續在前級行動(第6B圖當中的Acurt2)之後，除了參考初始症狀Sini以及症狀回覆RES3N更進一步根據症狀回覆RES5Y而產生。
執行步驟S234以判斷當級行動Acurt3是否為詢問行動。於此例子中，當級行動Acurt3並非詢問行動而是疾病預測行動PRED2，因此，執行步驟S236以輸出疾病預測行動PRED2。舉例來說，疾病預測行動PRED2可以顯示在互動介面140上。使用者U1可藉此得知疾病預測行動PRED2所代表的疾病預測結果。
於一些實施例中，當疾病預測行動PRED2被選為當級行動Acurt3時，電腦輔助醫學方法200更用以根據選定的疾病預測行動PRED2產生一預測結果。於一實施例中，預測結果可以是一個疾病的名稱。於另一實施例中，預測結果可以是依機率順序排列的複數個疾病名稱的一清單。舉例來說，疾病名稱的清單可以包含疾病預測行動PRED2、PRED3及PRED1所對應的三種不同疾病，依照各自的Q值順序排列(在第6C圖的例子中分別為0.83、0.31及0.22)。在另一實施例中，預測結果可以是對應疾病預測行動PRED2的醫學部門建議。
在上述第6A圖至第6C圖的例子中，步驟S230產生的一系列的多個序列行動是包含了兩個詢問行動以及一個疾病預測行動。然而，本揭示文件並不以此為限。於此揭示文件中，電腦輔助醫學方法200並不僅限於產生特定數目的序列行動。多個序列行動的總數是根據各階段當中每一個候選行動之狀態行動估值的評估結果而動態決定的。在所有的候選行動當中，一旦發生其中一個疾病預測行動經評估具有最高的狀態行動估值，電腦輔助醫學方法200便會產生疾病預測的最終結果。於一些例子中，一系列的多個序列行動可能包含三個至七個詢問行動，或甚至包含更多次的詢問行動。產生疾病預測的時間點是由代表預測模型動態決定的。產生疾病預測的時間點並非固定在接收到特定數目的症狀回覆之後。也就是說，並未限定在收到三個症狀回覆或收到五個症狀回覆後便產生疾病預測結果。
於本揭示文件的另一實施例中提供一種非暫態電腦可讀取媒體(例如第1圖中所繪示的儲存單元160)，其具有一電腦程式用以執行第2圖、第4圖以及第5圖中所示的電腦輔助醫學方法200。
雖然本發明之實施例已揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可做些許之更動與潤飾，因此本發明之保護範圍當以後附之申請專利範圍所界定為準。
為讓本揭示內容之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附符號之說明如下： 100:醫學系統 120:控制電路 140:互動介面 160:儲存單元 200:電腦輔助醫學方法 S210~S236:步驟 Sini:初始症狀 Sqry:症狀詢問 Sans、RES3N、RES5Y:症狀回覆 MD1、MD2、MD3:候選預測模型 STAT、STAT1、STAT2、STAT3:當前狀態 Acand:候選行動 Acurt、Acurt1、Acurt2、Acurt3:當級行動 INQ1-INQ14:詢問行動 PRED1-PRED7:疾病預測行動
為讓本揭示內容之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下： 第1圖繪示根據本揭示之一實施例說明醫學系統的示意圖。 第2圖繪示根據本揭示文件之一實施例中一種電腦輔助醫學方法的方法流程圖。 第3圖繪示根據本揭示文件之一實施例中多個不同候選預測模型的示意圖。 第4圖繪示第2圖其中一個步驟的進一步步驟的方法流程圖。 第5圖繪示根據第2圖中另一個步驟的進一步步驟的方法流程圖。 第6A圖至第6C圖繪示一示範性例子說明如何產生不同階段的多個序列行動。
200:電腦輔助醫學方法
S210~S230:步驟

Claims (18)

  1. 一種電腦輔助醫學方法，根據複數個候選預測模型進行，該些候選預測模型對應複數個人體解剖部位，該些候選預測模型各者分別根據該些人體解剖部位其中一個人體解剖部位相關的一臨床資料而加以訓練，該臨床資料包含複數個臨床病歷，該些臨床病歷各自記錄一確診疾病以及該確診疾病的複數個相應症狀，該電腦輔助醫學方法包含： 透過一互動介面接收一初始症狀； 根據該初始症狀由該些候選預測模型中選擇一代表預測模型；以及 根據該代表預測模型以及該初始症狀，選擇一系列的複數個序列行動，其中該些序列行動是由該代表預測模型當中的複數個候選行動中選出，該些候選行動包含複數個詢問行動以及複數個疾病預測行動，該些序列行動各自為該些詢問行動或該些疾病預測行動其中一者。
  2. 如請求項1所述之電腦輔助醫學方法，其中對應於該臨床資料中一第一疾病是相關於該些人體解剖部位至少兩者，對應該第一疾病的該些臨床病歷用來訓練該些候選預測模型中至少兩者。
  3. 如請求項1所述之電腦輔助醫學方法，其中選擇該代表預測模型之步驟包含： 判斷與該初始症狀匹配之一第一人體解剖部位； 選擇與該第一人體解剖部位對應之一第一候選預測模型；以及 將該第一候選預測模型視為該代表預測模型。
  4. 如請求項1所述之電腦輔助醫學方法，其中選擇該代表預測模型之步驟包含： 判斷與該初始症狀匹配之一第二人體解剖部位及一第三人體解剖部位； 選擇與該第二人體解剖部位對應之一第二候選預測模型； 選擇與該第三人體解剖部位對應之一第三候選預測模型； 測試該第二候選預測模型與該第三候選預測模型各自的訓練準確率；以及 由該第二候選預測模型與該第三候選預測模型中挑選具有最高訓練準確率的其中一個作為該代表預測模型。
  5. 如請求項1所述之電腦輔助醫學方法，其中該些序列行動之中的一當級行動的選擇是透過： 根據一當前狀態產生複數個狀態行動估值，該些狀態行動估值分別對應該些候選行動各者；以及 選擇該些候選行動當中具有最高狀態行動估值之一者，作為該些序列行動之中的該當級行動。
  6. 如請求項5所述之電腦輔助醫學方法，更包含： 相應於該些詢問行動其中一詢問行動被選為該當級行動，接收對應該其中一詢問行動的一症狀回覆， 其中，該些序列行動之中的一下一行動的選擇進一步考慮該症狀回覆。
  7. 如請求項6所述之電腦輔助醫學方法，其中該當前狀態包含該當前行動之前的所有詢問行動以及相應的症狀回覆。
  8. 如請求項5所述之電腦輔助醫學方法，更包含： 相應於該些疾病預測行動其中一疾病預測行動被選為該當級行動，根據被選上的該疾病預測行動產生一預測結果。
  9. 如請求項8所述之電腦輔助醫學方法，其中該預測結果包含一疾病名稱、依機率順序排列的複數個疾病名稱的一清單或一醫療部門建議。
  10. 一種非暫態電腦可讀取媒體，具有一電腦程式用以執行根據複數個候選預測模型進行的一電腦輔助醫學方法，該些候選預測模型對應複數個人體解剖部位，該些候選預測模型各者分別根據該些人體解剖部位其中一個人體解剖部位相關的一臨床資料而加以訓練，該臨床資料包含複數個臨床病歷，該些臨床病歷各自記錄一確診疾病以及該確診疾病的複數個相應症狀，其中該電腦輔助醫學方法包含： 接收一初始症狀； 根據該初始症狀由該些候選預測模型中選擇一代表預測模型；以及 根據該代表預測模型以及該初始症狀，選擇一系列的複數個序列行動，其中該些序列行動是由該代表預測模型當中的複數個候選行動中選出，該些候選行動包含複數個詢問行動以及複數個疾病預測行動，該些序列行動各自為該些詢問行動或該些疾病預測行動其中一者。
  11. 一種醫學系統，其包含： 一互動介面，經配置用於接收一初始症狀；以及 一控制電路，與該互動介面通訊，該控制電路用以： 根據該初始症狀由複數個候選預測模型中選擇一代表預測模型，其中該些候選預測模型對應複數個人體解剖部位，該些候選預測模型各者分別根據該些人體解剖部位其中一個人體解剖部位相關的一臨床資料而加以訓練，該臨床資料包含複數個臨床病歷，該些臨床病歷各自記錄一確診疾病以及該確診疾病的複數個相應症狀；以及 根據該代表預測模型以及該初始症狀，選擇一系列的複數個序列行動，其中該些序列行動是由該代表預測模型當中的複數個候選行動中選出，該些候選行動包含複數個詢問行動以及複數個疾病預測行動，該些序列行動各自為該些詢問行動或該些疾病預測行動其中一者。
  12. 如請求項11所述之醫學系統，其中相應於該臨床資料中一第一疾病是相關於該些人體解剖部位至少兩者，對應該第一疾病的該些臨床病歷用來訓練該些候選預測模型中至少兩者。
  13. 如請求項11所述之醫學系統，其中該控制電路將該初始症狀匹配至一第一人體解剖部位，且選擇與該第一人體解剖部位對應的一第一候選預測模型作為該代表預測模型。
  14. 如請求項11所述之醫學系統，其中該控制電路將該初始症狀匹配至一第二解剖部位與一第三解剖部位，該控制電路選擇與該第二人體解剖部位對應之一第二候選預測模型以及與該第三人體解剖部位對應之一第三候選預測模型，該控制電路測試該第二候選預測模型與該第三候選預測模型各自的訓練準確率，該控制電路由該第二候選預測模型與該第三候選預測模型中挑選具有最高訓練準確率的其中一個作為該代表預測模型。
  15. 如請求項11所述之醫學系統，其中該控制電路根據一當前狀態產生複數個狀態行動估值，該些狀態行動估值分別對應該些候選行動各者，該控制電路選擇該些候選行動當中具有最高狀態行動估值之一者作為該些序列行動之中的一當級行動。
  16. 如請求項15所述之醫學系統，其中相應於該些詢問行動其中一詢問行動被選為該當級行動，該互動介面接收對應該其中一詢問行動的一症狀回覆，該控制電路進一步考慮該症狀回覆以選擇該些序列行動之中的一下一行動。
  17. 如請求項16所述之醫學系統，其中該當前狀態包含該當前行動之前的所有詢問行動以及相應的症狀回覆。
  18. 如請求項15所述之醫學系統，其中相應於該些疾病預測行動其中一疾病預測行動被選為該當級行動，根據被選上的該疾病預測行動產生一預測結果，該預測結果顯示於該互動介面，該預測結果包含一疾病名稱、依機率順序排列的複數個疾病名稱的一清單或一醫療部門建議。
TW109136981A 2017-06-16 2017-12-08 電腦輔助醫學方法、非暫態電腦可讀取媒體以及醫學系統 TWI747574B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201762520642P 2017-06-16 2017-06-16
US62/520,642 2017-06-16
US15/826,626 US10854335B2 (en) 2017-06-16 2017-11-29 Computer aided medical method and medical system for medical prediction
US15/826,626 2017-11-29

Publications (2)

Publication Number Publication Date
TW202109551A true TW202109551A (zh) 2021-03-01
TWI747574B TWI747574B (zh) 2021-11-21

Family

ID=64657488

Family Applications (4)

Application Number Title Priority Date Filing Date
TW108108292A TWI686819B (zh) 2017-06-16 2017-12-08 電腦輔助醫療方法以及用於醫學預測的醫療系統
TW106143247A TWI709102B (zh) 2017-06-16 2017-12-08 電腦輔助醫學方法、非暫態電腦可讀取媒體以及醫學系統
TW106143246A TWI656503B (zh) 2017-06-16 2017-12-08 電腦輔助醫療方法以及用於醫學預測的醫療系統
TW109136981A TWI747574B (zh) 2017-06-16 2017-12-08 電腦輔助醫學方法、非暫態電腦可讀取媒體以及醫學系統

Family Applications Before (3)

Application Number Title Priority Date Filing Date
TW108108292A TWI686819B (zh) 2017-06-16 2017-12-08 電腦輔助醫療方法以及用於醫學預測的醫療系統
TW106143247A TWI709102B (zh) 2017-06-16 2017-12-08 電腦輔助醫學方法、非暫態電腦可讀取媒體以及醫學系統
TW106143246A TWI656503B (zh) 2017-06-16 2017-12-08 電腦輔助醫療方法以及用於醫學預測的醫療系統

Country Status (3)

Country Link
US (4) US10854335B2 (zh)
CN (1) CN109147931B (zh)
TW (4) TWI686819B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018205496A1 (de) * 2018-04-11 2019-10-17 Siemens Healthcare Gmbh Verfahren zur Steuerung des Betriebs einer Medizintechnikeinrichtung, Bediengerät, Bediensystem, Medizintechnikeinrichtung, Computerprogramm und elektronisch lesbarer Datenträger
US11810671B2 (en) * 2018-12-11 2023-11-07 K Health Inc. System and method for providing health information
US11204691B2 (en) * 2019-02-05 2021-12-21 International Business Machines Corporation Reducing input requests in response to learned user preferences
US20200268302A1 (en) * 2019-02-27 2020-08-27 Seoul National University Hospital Systems and methods for diagnosing lower urinary tract dysfunction
CN110088748B (zh) * 2019-03-19 2023-11-14 京东方科技集团股份有限公司 问题生成方法和装置、问诊系统、计算机可读存储介质
KR102455469B1 (ko) * 2019-04-17 2022-10-17 사회복지법인 삼성생명공익재단 하부요로증상 진단보조 방법
JP7361505B2 (ja) * 2019-06-18 2023-10-16 キヤノンメディカルシステムズ株式会社 医用情報処理装置及び医用情報処理方法
US11537818B2 (en) 2020-01-17 2022-12-27 Optum, Inc. Apparatus, computer program product, and method for predictive data labelling using a dual-prediction model system
CN111326251B (zh) * 2020-02-13 2023-08-29 北京百度网讯科技有限公司 一种问诊问题输出方法、装置以及电子设备
JP7371220B2 (ja) * 2020-03-03 2023-10-30 富士フイルム株式会社 情報処理装置、情報処理方法及び情報処理プログラム
CN113393940B (zh) * 2020-03-11 2024-05-24 宏达国际电子股份有限公司 控制方法以及医疗系统
CN111785369B (zh) * 2020-06-30 2024-04-05 讯飞医疗科技股份有限公司 诊断预测方法、相关设备及可读存储介质
CN112017788B (zh) * 2020-09-07 2023-07-04 平安科技（深圳）有限公司 基于强化学习模型的疾病排序方法、装置、设备及介质
CN114999626A (zh) * 2021-03-02 2022-09-02 宏达国际电子股份有限公司 医疗系统、控制方法以及非暂态电脑可读取储存媒体
TWI776638B (zh) * 2021-08-17 2022-09-01 臺中榮民總醫院 以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統
CN118016274B (zh) * 2024-02-09 2024-08-06 北京大学 疾病知识检索与诊疗决策辅助系统
CN118136284B (zh) * 2024-03-22 2024-09-13 南京美桥信息科技有限公司 一种虚拟医院诊疗方法、装置、诊疗设备和介质

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020068857A1 (en) 2000-02-14 2002-06-06 Iliff Edwin C. Automated diagnostic system and method including reuse of diagnostic objects
US7149756B1 (en) * 2000-05-08 2006-12-12 Medoctor, Inc. System and method for determining the probable existence of disease
US6684276B2 (en) * 2001-03-28 2004-01-27 Thomas M. Walker Patient encounter electronic medical record system, method, and computer product
US20050065813A1 (en) * 2003-03-11 2005-03-24 Mishelevich David J. Online medical evaluation system
TW200532523A (en) 2004-02-27 2005-10-01 Aureon Biosciences Corp Methods and systems for predicting occurrence of an event
US9081879B2 (en) * 2004-10-22 2015-07-14 Clinical Decision Support, Llc Matrix interface for medical diagnostic and treatment advice system and method
US7624030B2 (en) * 2005-05-20 2009-11-24 Carlos Feder Computer-implemented medical analytics method and system employing a modified mini-max procedure
US8888697B2 (en) * 2006-07-24 2014-11-18 Webmd, Llc Method and system for enabling lay users to obtain relevant, personalized health related information
TW201142641A (en) 2010-05-31 2011-12-01 Jian Duan Bio Technology Co Ltd Storage medium, method and system for assisting medical assessment
CN102110192A (zh) * 2011-04-02 2011-06-29 中国医学科学院医学信息研究所 基于诊断要素数据关联的疾病辅助判断方法
US20130158434A1 (en) 2011-12-20 2013-06-20 Delta Electronics, Inc. Apparatus for voice assisted medical diagnosis
CN103366073B (zh) * 2012-03-28 2018-09-21 深圳市世纪光速信息技术有限公司 问诊信息处理方法及系统
US20130268203A1 (en) * 2012-04-09 2013-10-10 Vincent Thekkethala Pyloth System and method for disease diagnosis through iterative discovery of symptoms using matrix based correlation engine
CN103164616A (zh) 2013-02-02 2013-06-19 杭州卓健信息科技有限公司 一种智能导诊系统和方法
US20140249830A1 (en) * 2013-03-01 2014-09-04 Nuance Communications, Inc. Virtual medical assistant methods and apparatus
EP2775412A1 (en) * 2013-03-07 2014-09-10 Medesso GmbH Method of generating a medical suggestion as a support in medical decision making
CN105095622A (zh) * 2014-05-13 2015-11-25 伦纳德·索力 医疗辅助方法和系统
KR20170023770A (ko) * 2014-06-25 2017-03-06 삼성전자주식회사 진단모델 생성 시스템 및 방법
TW201612846A (en) * 2014-09-19 2016-04-01 Yi-Cheng Yu System and method of self-help inquiry and generating structural compliant medical record
JP2016126587A (ja) 2015-01-06 2016-07-11 株式会社リコー 面談システム、サーバシステム、サーバ装置、情報端末、面談方法、情報処理方法及びプログラム
CN106354998A (zh) * 2016-08-26 2017-01-25 成都汉康信息产业有限公司 一种支持远程问诊的在线医疗系统
CN106599574B (zh) * 2016-12-13 2019-04-30 天津迈沃医药技术股份有限公司 基于医疗信息平台的诊疗数据分析方法及系统
CN106709254B (zh) 2016-12-29 2019-06-21 天津中科智能识别产业技术研究院有限公司 一种医疗诊断机器人系统

Also Published As

Publication number Publication date
TWI747574B (zh) 2021-11-21
US20200342989A1 (en) 2020-10-29
US20180366222A1 (en) 2018-12-20
CN109147931B (zh) 2022-04-19
TWI709102B (zh) 2020-11-01
TW201923779A (zh) 2019-06-16
TWI656503B (zh) 2019-04-11
TWI686819B (zh) 2020-03-01
TW201905838A (zh) 2019-02-01
US20210043324A1 (en) 2021-02-11
CN109147931A (zh) 2019-01-04
US20180365381A1 (en) 2018-12-20
TW201905839A (zh) 2019-02-01
US10734113B2 (en) 2020-08-04
US11361865B2 (en) 2022-06-14
US10854335B2 (en) 2020-12-01
US11488718B2 (en) 2022-11-01

Similar Documents

Publication Publication Date Title
TWI747574B (zh) 電腦輔助醫學方法、非暫態電腦可讀取媒體以及醫學系統
CN107729710B (zh) 医学系统及非暂态计算机可读取媒体
CN110516161B (zh) 一种推荐方法及装置
TWI745693B (zh) 控制方法以及醫學系統
EP3618080B1 (en) Reinforcement learning for medical system
KR20170061222A (ko) 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
Williams et al. Clinical judgement within the South African clinical nursing environment: A concept analysis
CN111696661B (zh) 患者分群模型构建方法、患者分群方法及相关设备
US11355249B2 (en) Pet evaluation and triage system
JP7107375B2 (ja) 状態遷移予測装置、予測モデル学習装置、方法およびプログラム
WO2020206172A1 (en) Confidence evaluation to measure trust in behavioral health survey results
TWI823277B (zh) 醫療系統、控制方法以及非暫態電腦可讀取儲存媒體
WO2022249407A1 (ja) アセスメント支援システム、アセスメント支援方法、及び記録媒体
CN114676236A (zh) 结构化临床思维训练方法、系统、存储介质及计算机设备
US20220270716A1 (en) Confidence evaluation to measure trust in behavioral health survey results
KR102702389B1 (ko) 사용자 인터랙션 기반의 정신질환을 진단하는 방법, 이를 수행하는 서비스서버 및 컴퓨터-판독가능 매체
Smitha et al. VOICE RECOGNITION BASED MEDI ASSISTANT
CN117174241A (zh) 一种基于对话式生成的预防医学智能问答系统
CN113393940A (zh) 控制方法以及医疗系统