TWI823067B - 控制方法以及醫療系統 - Google Patents
控制方法以及醫療系統 Download PDFInfo
- Publication number
- TWI823067B TWI823067B TW110108658A TW110108658A TWI823067B TW I823067 B TWI823067 B TW I823067B TW 110108658 A TW110108658 A TW 110108658A TW 110108658 A TW110108658 A TW 110108658A TW I823067 B TWI823067 B TW I823067B
- Authority
- TW
- Taiwan
- Prior art keywords
- examination
- symptom
- status
- disease
- predicted
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 201000010099 disease Diseases 0.000 claims abstract description 149
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 149
- 208000024891 symptom Diseases 0.000 claims abstract description 127
- 238000009826 distribution Methods 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000007689 inspection Methods 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 6
- 206010022000 influenza Diseases 0.000 description 5
- 206010037660 Pyrexia Diseases 0.000 description 4
- 206010057190 Respiratory tract infections Diseases 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 206010000087 Abdominal pain upper Diseases 0.000 description 3
- 206010011224 Cough Diseases 0.000 description 3
- 206010012735 Diarrhoea Diseases 0.000 description 3
- 208000005577 Gastroenteritis Diseases 0.000 description 3
- 208000000112 Myalgia Diseases 0.000 description 3
- 206010046306 Upper respiratory tract infection Diseases 0.000 description 3
- 208000012873 acute gastroenteritis Diseases 0.000 description 3
- 206010006451 bronchitis Diseases 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000037798 influenza B Diseases 0.000 description 3
- 230000000873 masking effect Effects 0.000 description 3
- 208000015001 muscle soreness Diseases 0.000 description 3
- 208000006339 Caliciviridae Infections Diseases 0.000 description 2
- 206010008631 Cholera Diseases 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 231100000869 headache Toxicity 0.000 description 2
- 208000037797 influenza A Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 208000020029 respiratory tract infectious disease Diseases 0.000 description 2
- 238000004092 self-diagnosis Methods 0.000 description 2
- 208000002193 Pain Diseases 0.000 description 1
- 208000036071 Rhinorrhea Diseases 0.000 description 1
- 206010039101 Rhinorrhoea Diseases 0.000 description 1
- 241000607626 Vibrio cholerae Species 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 229940118696 vibrio cholerae Drugs 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
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
- 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
- G16H40/60—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 operation of medical equipment or devices
- G16H40/63—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 operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Electrotherapy Devices (AREA)
Abstract
一種控制方法包含下列操作。收集症狀輸入狀態以及檢查結果狀態。利用神經網路根據症狀輸入狀態以及檢查結果狀態產生檢查建議、預測檢查結果分布以及預測疾病分布,其中檢查建議包含候選檢查。根據預測檢查結果分布以及預測疾病分布,估算候選檢查相對於複數個疾病的複數個資訊增益。根據候選檢查的資訊增益產生有關檢查建議的解釋性描述。可根據關注輸入產生有關預測疾病清單的另一解釋性描述。
Description
本揭示有關於一種可以產生醫療建議的醫療系統,且特別是有關於基於人工智慧的醫療系統其能提供關於醫療建議的解釋性描述。
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提供潛在疾病的診斷與建議。電腦輔助醫學系統可以協助醫生進行診斷,或者提供病患諮詢服務或協助病患進行自我診斷。
大部分的電腦輔助醫學系統採用人工智慧技術(包含機器學習及/或神經網路模型)來預測潛在的疾病或給予相關的建議。然而,人工智慧技術提供的結果(例如診斷或建議)通常缺乏解釋內容。因此,經常使得病患或醫生不易信任或者難以理解人工智慧技術提供的結果。
本揭示的一態樣有關一種控制方法,其包含收集一症狀輸入狀態以及一檢查結果狀態;利用一神經網路根據該症狀輸入狀態以及該檢查結果狀態產生一檢查建議、一預測檢查結果分布以及一預測疾病分布,其中該檢查建議包含一候選檢查;根據該預測檢查結果分布以及該預測疾病分布,估算該候選檢查相對於複數個疾病的複數個資訊增益;以及根據該候選檢查的該些資訊增益產生有關該檢查建議的一解釋性描述。
本揭示的另一態樣有關一種控制方法,其包含收集一症狀輸入狀態以及一檢查結果狀態,該症狀輸入狀態包含複數個症狀答覆,該檢查結果狀態包含複數個檢查結果:利用一神經網路根據該症狀輸入狀態以及該檢查結果狀態產生一預測疾病分布;根據該預測疾病分布產生一預測疾病清單;套用一關注遮罩藉以過濾該些症狀答覆以及該些檢查結果,以取得一關注輸入;以及根據該關注輸入產生有關該預測疾病清單的一解釋性描述。
本揭示的另一態樣有關一種醫療系統,其包含介面以及處理器。介面用以接收症狀輸入狀態以及檢查結果狀態,該症狀輸入狀態包含複數個症狀答覆,該檢查結果狀態包含複數個檢查結果,處理器與該介面耦接。
於一些實施例中,在檢查建議階段,該處理器利用利用一神經網路根據該症狀輸入狀態以及該檢查結果狀態產生一檢查建議、一預測檢查結果分布以及一預測疾病分布,其中該檢查建議包含一候選檢查,該處理器根據該預測檢查結果分布以及該預測疾病分布估算該候選檢查相對於複數個疾病的複數個資訊增益,以及該處理器根據該候選檢查的該些資訊增益產生有關該檢查建議的一第一解釋性描述。
於一些實施例中,在疾病預測階段,該處理器根據該預測疾病分布產生一預測疾病清單,該處理器套用一關注遮罩藉以過濾該些症狀答覆以及該些檢查結果進而取得一關注輸入,該處理器根據該關注輸入產生有關該預測疾病清單的一第二解釋性描述。
下文將揭露實施例與用於實施方式的附圖。為了明確說明,許多實作的細節在以下說明被解釋。然而,將理解,作法的此些細節不意欲限制本揭示。也就是,作法的此些細節在本揭示的實施例的部分係非必要。而且,為了簡化圖,一些傳統結構及元件用示意說明表明。
請參考第1圖,其繪示根據本揭示文件一些實施例中一種醫療系統100的示意圖。如第1圖所示,醫療系統100包含介面120、處理器140以及儲存元件160。
於一些實施例中,處理器140與介面120通訊連接。醫療系統100透過介面120與使用者U1互動(例如從使用者U1收集症狀輸入狀態Ssym、向使用者U1提出症狀提問Sqry、從使用者U1收集相應的症狀答覆Sans、向使用者U1提出檢查建議TS、從使用者U1收集檢查結果狀態Str等),基於上述互動歷史,醫療系統100可以分析、診斷或預測使用者U1可能罹患的潛在疾病。
醫療系統100可以透過機器學習(machine learning)演算法或強化式學習(reinforcement learning)演算法加以訓練,藉此使得醫療系統100能夠提出詢問並且在有限的病患資訊下進行診斷。於一些實施例中,醫療系統100採用了強化式學習的框架以定義詢問與診斷的策略(例如馬可夫決策過程)。在一些實施例中,處理器140根據一些訓練資料(例如多筆已知的病歷)並基於機器學習演算法或強化式學習演算法訓練一神經網路,此訓練完成的神經網路儲存於儲存元件160。
在一些實施例中,醫療系統100可以用電腦、伺服器或運算中心加以實現。處理器140可以用中央處理器(CPU)、圖形處理器(GPU)、張量處理器(TPU)、特殊應用積體電路(ASIC)或其他具相等性的運算元件加以實現。介面120可以包含輸出介面(例如用來顯示資訊的顯示面板)以及輸入裝置(例如觸控面板、鍵盤、麥克風、掃描器、快閃記憶體讀取裝置等)讓使用者能夠輸入文字指令、語音指令或是上傳相關資料(例如圖片、病歷、個人檢查報告)。如第1圖所示,儲存元件160與處理器140耦接。在一些實施例中,儲存元件160可以由記憶體、快閃記憶體、唯讀記憶體、硬碟或其他具相等性的元件加以實現。
如第1圖所示,使用者U1可以在介面120上操作。使用者可以看到介面120上顯示的資訊並且使用者U1能夠透過介面120進行輸入。在一實施例中,介面120顯示通知訊息用以詢問使用者U1所遇到的症狀。介面120用以收集有關使用者U1的症狀輸入狀態Ssym。介面120可以同時收集有關使用者U1的其他資訊,例如使用者U1已經完成了醫療檢查(例如血壓檢查、流感快篩檢查)則介面120可以收集檢查結果狀態Str。介面120將症狀輸入狀態Ssym以及檢查結果狀態Str傳送至處理器140。
請一併參閱第2圖以及第3圖,第2圖繪示本揭示文件一些實施例當中第1圖的處理器140內部的功能方塊示意圖,第3圖繪示本揭示文件一些實施例用以控制第1圖中醫療系統100的控制方法200的方法流程圖。
如第1圖、第2圖以及第3圖所示,當使用者U1提供個人資訊(例如使用者U1的醫療檢查結果為陽性或陰性)以及症狀資訊(例如使用者U1是否遭遇特定症狀,如發燒、咳嗽、頭痛),在步驟S210當中,介面120可以收集輸入狀態IN(包含症狀輸入狀態Ssym以及檢查結果狀態Str)並將輸入狀態IN傳送至處理器140。於步驟S220,處理器140利用神經網路142根據症狀輸入狀態Ssym以及檢查結果狀態Str產生症狀詢問狀態值Osq、檢查建議狀態值Otest、預測疾病分布Odd以及預測檢查結果分布Otrd。
於一些實施例中,神經網路142可以事先根據訓練資料以機器學習演算法或強化式學習演算法加以訓練。於一些實施例中,訓練資料包含多筆已知病歷。醫療系統100利用訓練資料中的多筆已知病歷訓練神經網路142。於一例子中,訓練資料可以由美國疾病控制與預防中心(Centers for Disease Control and Prevention)的資料與統計數據頁面中取得(www.cdc.gov/ datastatistics/index.html)。關於如何訓練神經網路142的進一步細節將在後續其他實施例中討論。
在訓練完成後,神經網路142能夠根據輸入狀態IN中的症狀輸入狀態Ssym以及檢查結果狀態Str產生輸出狀態OUT。請一併參閱第4圖,其繪示根據一些實施例中輸入狀態IN中的症狀輸入狀態Ssym以及檢查結果狀態Str的示意圖。
如第4圖所示,症狀輸入狀態Ssym包含m個資料位元Ssym_1、Ssym_2、Ssym_3、Ssym_4…以及 Ssym_m,其中m為正整數其對應醫療系統100所考慮的症狀總數。上述多個資料位元Ssym_1至Ssym_m每一者各自代表使用者U1是否遇到其中一個相應的症狀。例如,資料位元Ssym_1設定為1代表使用者U1具有「咳嗽」症狀;資料位元Ssym_3設定為-1代表使用者U1不具有「頭痛」症狀;資料位元Ssym_2設定為0代表目前尚不知道使用者U1是否具有「胃痛」症狀;資料位元Ssym_4設定為0代表目前尚不知道使用者U1是否具有「食慾低落」症狀。
如第4圖所示,檢查結果狀態Str包含n個資料位元Str_1、Str_2、Str_3…以及 Str_n,上述多個資料位元Str_1至Str_n每一者各自代表使用者U1對應一種醫療檢查的檢查結果,其中n為正整數其對應醫療系統100所考慮的醫療檢查總數。例如,資料位元Str_1設定為1代表使用者U1在第一種醫療檢查的結果為「陽性」;資料位元Str_3設定為-1代表使用者U1在第三種醫療檢查的結果為「陰性」;資料位元Str_2設定為0代表使用者U1目前尚未進行第二種醫療檢查。上述資料位元的定義方式只是作為舉例說明,本揭示文件並不以此為限。
在步驟S220中,神經網路142能夠根據輸入狀態IN中的症狀輸入狀態Ssym以及檢查結果狀態Str產生輸出狀態OUT。於一些實施例中,輸出狀態OUT包含症狀詢問狀態值Osq、檢查建議狀態值Otest、預測疾病分布Odd以及預測檢查結果分布Otrd。請一併參閱第5圖,其繪示根據一些實施例中輸出狀態OUT中的症狀詢問狀態值Osq、檢查建議狀態值Otest、預測疾病分布Odd以及預測檢查結果分布Otrd的示意圖。
如第5圖所示,症狀詢問狀態值Osq包含了對應多個不同的症狀提問Sqry_1至Sqry_m各自的狀態值。檢查建議狀態值Otest包含了對應多個不同的候選檢查CT_1至CT_n各自的狀態值。預測疾病分布Odd包含了使用者U1罹患不同的候選疾病CD_1至CD_x相對應的多個機率值(由神經網路142根據輸入狀態IN估算得知)。其中x為正整數其對應醫療系統100所考慮的疾病總數。預測檢查結果分布Otrd包含了使用者U1在多個不同的候選檢查CT_1至CT_n中得到目標結果(例如檢查結果為陽性)各自對應的機率值(由神經網路142根據輸入狀態IN估算得知)。
在步驟S230中,處理器140根據輸出狀態OUT選擇下一個動作。於一些實施例中,若輸出狀態OUT表示症狀資訊尚未充足(例如已經回答的症狀問題數量未達門檻、檢查建議狀態值Otest不夠高、或者預測疾病分布Odd當中個候選疾病CD_1至CD_x相對應多個機率值當中的最大機率值不夠高),也就是目前的症狀資訊尚不足以給出檢查建議或進行疾病預測時,控制方法200會進入症狀詢問階段P1,藉以在步驟S241產生一症狀提問Sqry。於一些實施例中,症狀提問Sqry是根據所有症狀詢問狀態值Osq當中具有最大狀態值的症狀而決定。舉例來說,若從所有症狀詢問狀態值Osq當中得知了症狀提問Sqry_2(例如「請問你的胃感覺疼痛嗎?」)具有最大狀態值,則症狀提問Sqry_2將被產生並呈現給使用者U1。使用者U1可以回答症狀提問Sqry_2。在步驟S242,可以透過介面120自使用者U1收集到對應於症狀提問Sqry_2的症狀答覆Sans。處理器140可以根據症狀答覆Sans更新症狀輸入狀態Ssym。如第4圖,若使用者回答有感覺到胃痛,資料位元Ssym_2將被更新為+1;或者若使用者回答沒有感覺到胃痛,資料位元Ssym_2將被更新為-1。如第3圖所示,症狀詢問階段P1可以重複多次,直到醫療系統100以及控制方法200收集到足夠的症狀資訊。
於一些實施例中,當醫療系統100以及控制方法200收集到足夠的症狀資訊,如第3圖所示,醫療系統100以及控制方法200將會進入檢查建議階段P2。根據一些實施例中,執行步驟S251根據所有檢查建議狀態值Otest產生檢查建議TS。檢查建議TS可以包含在所有檢查建議狀態值Otest當中具有最大狀態值的一個或多個醫療檢查。在後續的表1展示了檢查建議TS其內容的一個例子,在表1所示的例子中,檢查建議TS包含了三個不同的醫療檢查作為舉例說明,但本揭示文件並不以此為限。
表1
檢查建議(TS) |
流感快速篩檢(CT1) 咽喉理學檢查(CT2) 胸腔理學檢查(CT3) |
在一些實施例中,檢查建議TS包含至少一個候選檢查。如表1的實施例所示,檢查建議TS包含了三個候選檢查CT1~CT3,其中包含流感快速篩檢(候選檢查CT1)、咽喉理學檢查(候選檢查CT2)以及胸腔理學檢查(候選檢查CT3)。這些候選檢查CT1~CT3是根據所有檢查建議狀態值Otest當中前三大狀態值而定的。如表1的實施例,檢查建議TS包含了三個不同的候選檢查CT1~CT3作為舉例說明,而醫療系統100以及控制方法200並不限定於提供特定數量的候選檢查。舉例來說,一些實施例中,醫療系統100以及控制方法200產生的檢查建議TS當中可以包含1至10個候選檢查。在一些人工智慧系統中可以提供類似於上述表1的檢查建議TS給使用者U1但並未提供任何解釋。對使用者U1來說難以了解、驗證或者信任沒有解釋的檢查建議TS。有些時候,即便是醫療專業人員也難以解釋或說明人工智慧系統所產生的檢查建議TS。在後續段落的一些實施例中,醫療系統100以及控制方法200能夠提供用以解釋檢查建議TS的第一解釋性描述ED1。
在步驟S252中,處理器140中的解釋模組146用以根據預測檢查結果分布Otrd以及預測疾病分布Odd估算每個候選檢查相對於複數個不同的疾病的複數個資訊增益(information gains)。舉例來說,若醫療系統100總共考慮70種不同的疾病(D1~D70),解釋模組146會估算候選檢查CT1與疾病D1之間的一組資訊增益、候選檢查CT1與疾病D2之間的另一組資訊增益…以及候選檢查CT1與疾病D70之間的另一組資訊增益。相似地,解釋模組146會估算候選檢查CT2與疾病D1之間的一組資訊增益、候選檢查CT2與疾病D2之間的另一組資訊增益…以及候選檢查CT2與疾病D70之間的另一組資訊增益。於一些實施例中,解釋模組146可以透過由處理器140執行的軟體指令加以實現。
為了說明上的簡便,後續實施例將討論如何計算一個候選檢查CT與一個目標疾病之間的一組資訊增益。對一個目前輸入裝態為IN的病人進行候選檢查CT1相對於一個目標疾病的資訊增益可以估算如下:…(1)
對目前輸入裝態為IN的病人進行候選檢查CT相對於目標疾病的資訊增益的估算是參照第一吉尼指數、在候選檢查CT取得目標結果的機率以及第二吉尼指數。第一吉尼指數是執行候選檢查CT前的一群組中有關目標疾病的吉尼指數。第二吉尼指數是執行候選檢查CT後且具有目標結果的一群組中有關目標疾病的吉尼指數。目標結果是執行候選檢查CT的可能結果中的一個檢查結果。
在上述方程式(1)當中,在候選檢查CT取得目標結果的機率可以根據神經網路142產生的預測檢查結果分布Otrd而得知。
在上述方程式(1)當中,第一吉尼指數可以估算如下:…(2)
在上述方程式(2)中,機率是具有當前輸入狀態IN的病患被診斷為具有目標疾病的估算機率。機率可以根據神經網路142產生的預測疾病分布Odd而得知。
在上述方程式(1)當中,第二吉尼指數可以估算如下:…(3)
在上述方程式(3)中,機率是一假設病患(具有當前輸入狀態IN且預期中將會在候選檢查CT得到目標結果的假設病患)被診斷為具有目標疾病的估算機率。機率可以透過更新輸入狀態IN至另一個輸入狀態(將目標結果填入候選檢查CT的結果欄位中)並用神經網路142基於更新後的輸入狀態重新計算預測疾病分布Odd而得知。
當候選檢查CT的資訊增益愈大時,代表候選檢查CT對於分辨具有當前輸入狀態IN的病患是否具有目標疾病的判斷中具有更重要的關鍵性。當候選檢查CT的資訊增益愈小時,代表候選檢查CT對於分辨具有當前輸入狀態IN的病患是否具有目標疾病的判斷中並沒有太大的幫助。透過計算候選檢查CT相對不同的候選疾病各自的資訊增益大小,醫療系統100以及控制方法200能夠得知候選檢查CT在所有候選疾病的診斷當中特別是針對於分辨哪一部分疾病具有其重要性。
在步驟S253中,解釋模組146用以根據各個候選檢查的多個資訊增益產生有關檢查建議TS的第一解釋性描述ED1。
下列表2展示了第一解釋性描述ED1其內容的一個例子,第一解釋性描述ED1是由醫療系統100以及控制方法200產生用以說明表1中的檢查建議TS。
表2
人工智慧解釋性描述 (ED1) | |
疑似疾病 | 信心水平 |
A型流感 B型流感 上呼吸道感染 支氣管炎 | 26% 25% 22% 13% |
候選檢查 | 目標分辨疾病 |
流感快速篩檢 | A型流感 B型流感 上呼吸道感染 |
咽喉理學檢查 | 上呼吸道感染 支氣管炎 |
胸腔理學檢查 | B型流感 上呼吸道感染 支氣管炎 |
如表2所示,第一解釋性描述ED1有助於使用者理解為何醫療系統100以及控制方法200給出檢查建議TS。於一些實施例中,第一解釋性描述ED1當中疑似疾病的信心水平可以根據目前輸入狀態IN下所產生的預測疾病分布Odd所決定。在一些實施例中,第一解釋性描述ED1當中各個候選檢查所對應的目標分辨疾病是由各個候選檢查對應各種疾病所算出的資訊增益所得知。
當使用者U1完成建議的檢查之後,在步驟S254可以透過介面120收集上述被推薦之檢查的檢查結果。在步驟S255當中,處理器140可以基於收集到的檢查結果更新輸入狀態IN當中的檢查結果狀態Str。控制方法200回到步驟S220,以神經網路142根據更新後的輸入狀態IN重新產生輸出狀態OUT。在這樣的情況下,輸出狀態OUT當中的預測疾病分布Odd便可將這些被推薦之醫療檢查的結果納入考慮之中。
在完成症狀詢問階段P1以及檢查建議階段P2之後,醫療系統100以及控制方法200可收集到足夠的資訊(有關症狀答覆以及檢查結果)來預測使用者的疾病。控制方法200將進入疾病預測階段P3,在步驟S261當中,根據神經網路142基於輸入狀態IN產生的預測疾病分布Odd,由處理器140產生預測疾病清單DP(及/或與預測疾病清單DP相對應的醫療部門建議)。如第1圖所示,可以透過介面120將預測疾病清單DP顯示給使用者U1查閱。
下列表3展示了預測疾病清單DP其內容的一個例子,在表3所示的例子中,預測疾病清單DP包含了三個不同的疾病作為舉例說明,但本揭示文件並不以此為限。
表3
預測疾病 | 信心水平 |
急性腸胃炎 諾羅病毒感染 霍亂 | 81% 12% 2% |
在一些實施例中,預測疾病清單DP包含至少一個預測疾病。如表3的實施例所示,預測疾病清單DP包含了三個預測疾病,其中包含急性腸胃炎、諾羅病毒感染以及霍亂。這些預測疾病是根據所有預測疾病分布Odd當中具有狀態值(或信心水平)前三高的預測疾病而定的。如表3的實施例,預測疾病清單DP包含了上述數個預測疾病作為舉例說明,而醫療系統100以及控制方法200並不限定於提供特定數量的候選檢查。舉例來說,一些實施例中,醫療系統100以及控制方法200產生的預測疾病清單DP當中可以包含1至10個預測疾病。
在一些其他實施例中,在步驟S261,處理器140可以根據預測疾病清單DP產生醫療部門建議,而醫療系統100以及控制方法200可用醫療部門建議取代預測疾病清單DP提供給使用者U1。舉例來說,醫療部門建議可以包含對應「急性腸胃炎」的「急診部門」。
在一些人工智慧系統中可以提供類似於上述表3的預測疾病清單DP給使用者U1但並未提供任何解釋。對使用者U1來說難以了解、驗證或者信任沒有解釋的預測疾病清單DP。有些時候,即便是醫療專業人員也難以解釋或說明人工智慧系統所產生的預測疾病清單DP。在後續段落的一些實施例中,醫療系統100以及控制方法200能夠提供用以解釋預測疾病清單DP的第二解釋性描述ED2。
在一個例示性的舉例中,對應表3所示的預測疾病清單DP其相應的輸入狀態IN(包含症狀輸入狀態Ssym以及檢查結果狀態Str)當中的資訊可能包含了:
(特徵一) 有發燒症狀;
(特徵二) 沒有外傷;
(特徵三) 有咳嗽症狀;
(特徵四) 沒有流鼻水症狀;
(特徵五) 有嘔吐症狀;
(特徵六) 有腹瀉症狀;
(特徵七) 沒有全身肌肉痠痛症狀;以及
(特徵八) 霍亂弧菌培養試驗:陰性。
參照第2圖及第3圖,在步驟S262中,由關注模組144根據輸入狀態IN(包含症狀輸入狀態Ssym以及檢查結果狀態Str)產生關注遮罩MSK。關注遮罩MSK用以過濾輸入狀態IN,透過遮蔽一部份的輸入特徵並允許另一部分的輸入特徵通過,其中通過關注遮罩MSK的該部分輸入特徵將被視為關注輸入INm。隨著輸入狀態IN當中具有不同的數值,關注模組144將隨之產生不同的關注遮罩MSK。於一些實施例中,關注模組144可由處理器140所執行的軟體指令所實現。
在步驟S263中,將關注遮罩MSK套用至輸入狀態IN以取得關注輸入INm。舉例來說,關注遮罩MSK可以允許特徵一、特徵六以及特徵七通過,如此一來,關注輸入INm則包含(特徵一)有發燒症狀;(特徵六) 有腹瀉症狀;以及(特徵七) 沒有全身肌肉痠痛症狀。
在步驟S264,解釋模組146用以根據關注輸入INm產生有關預測疾病清單DP的第二解釋性描述ED2。
下列表4展示了第二解釋性描述ED2其內容的一個例子,第二解釋性描述ED2是由醫療系統100以及控制方法200產生用以說明表3中的預測疾病清單DP。
表4
人工智慧解釋性描述 (ED2) | |
預測根據 | 重要性 |
有腹瀉症狀 | ●●● |
有發燒症狀 | ●●● |
沒有全身肌肉痠痛症狀 | ●● |
如表4所示,第二解釋性描述ED2有助於使用者U1理解醫療系統100以及控制方法200給出的預測疾病清單DP的根據。
於一些實施例中,關注模組144是根據一些訓練資料在訓練階段中進行訓練學習(有關如何根據輸入狀態IN產生相應的關注遮罩MSK)。關注模組144可以由數個全連階層(fully-connected layer)加以實現,其用以基於輸入狀態IN(可以根據訓練資料中的病歷內容餵入訓練演算法)產生關注遮罩,藉此選擇性地阻擋一部份的輸入特徵,如此一來後續的神經網路142將只根據通過關注遮罩的這一部分特徵進行運算。在訓練完成後,神經網路142可以根據輸入的內容決定哪一部分的特徵是比較重要的,關注模組144產生相應的關注遮罩以保留輸入狀態中重要的特徵並阻擋不重要的特徵,如此一來整個模組仍然可以根據過濾後的輸入狀態產生正確的特徵結果。透過採用關注遮罩MSK,當產生預測疾病清單DP時,醫療系統100可以根據關注模組144產生的關注遮罩,辨識出哪一些輸入特徵是目前的預測疾病清單DP的主要依據。
於一些實施例中,神經網路142是事先根據訓練資料(例如多筆已知病歷)進行訓練。處理器140利用神經網路142產生輸出狀態OUT並據以從多個候選行動的群組逐次選擇一系列的序列行動。在一些實施例中,這一系列的序列行動包含了多個症狀詢問行動、一或多個醫療檢查建議行動(用以提供額外的資訊以進行疾病診斷或疾病預測)以及一疾病預測行動。
當處理器140選擇了適當的行動(例如,提出適當症狀詢問、給出適當的檢查建議、做出正確的疾病預測行動,其符合了訓練資料當中的已知病歷紀錄),則會提供相對應的獎勵給神經網路142。於一些實施例中,神經網路142被訓練以最大化在序列行動所能得到的累積報酬。於一些實施例中,累積報酬包含了症狀異常報酬、檢查異常報酬、檢查成本懲罰及/或正確疾病預測報酬與錯誤疾病預測懲罰等。換句話說,神經網路142被訓練用來盡可能地提出適當的症狀詢問、建議適當的醫療檢查以及做出正確的疾病預測。
基於上述實施例,本揭示文件可以在自動診斷系統的檢查建議階段以及疾病預測階段提出相應的決策解釋。在檢查建議階段,神經網路其預測的檢查結果分布可以用來計算每一個檢查對於不同疾病的資訊增益,藉此可以解釋被推薦的檢查與此檢查用來分辨的目標疾病之間的關聯性。在疾病預測階段,關注遮罩用以找出對於疾病預測來說具有重要性的關鍵症狀以及關鍵檢查結果。
雖然本揭示的特定實施例已經揭露有關上述實施例,此些實施例不意欲限制本揭示。各種替代及改良可藉由相關領域中的一般技術人員在本揭示中執行而沒有從本揭示的原理及精神背離。因此,本揭示的保護範圍由所附申請專利範圍確定。
100:醫療系統
120:介面
140:處理器
142:神經網路
144:關注模組
146:解釋模組
160:儲存元件
200:控制方法
S210~S264:步驟
P1:症狀詢問階段
P2:檢查建議階段
P3:疾病預測階段
Ssym:症狀輸入狀態
Ssym_1~Ssym_m:資料位元
Str:檢查結果狀態
Str_1~Str_n:資料位元
IN:輸入狀態
Osq:症狀詢問狀態值
Otest:檢查建議狀態值
Odd:預測疾病分布
Otrd:預測檢查結果分布
OUT:輸出狀態
Sqry:症狀提問
Sqry_1~ Sqry_m:症狀提問
Sans:症狀答覆
TS:檢查建議
CT_1~CT_n:候選檢查
CD_1~CD_x:候選疾病
ED1:第一解釋性描述
MSK:關注遮罩
INm:關注輸入
ED2:第二解釋性描述
第1圖繪示根據本揭示文件一些實施例中一種醫療系統的示意圖;
第2圖繪示本揭示文件一些實施例當中第1圖的處理器內部的功能方塊示意圖;
第3圖繪示本揭示文件一些實施例用以控制第1圖中醫療系統的控制方法的方法流程圖;
第4圖繪示根據一些實施例中輸入狀態中的症狀輸入狀態以及檢查結果狀態的示意圖;以及
第5圖繪示根據一些實施例中輸出狀態中的症狀詢問狀態值、檢查建議狀態值、預測疾病分布以及預測檢查結果分布的示意圖。
國內寄存資訊(請依寄存機構、日期、號碼順序註記)
無
國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記)
無
200:控制方法
S210~S264:步驟
P1:症狀詢問階段
P2:檢查建議階段
P3:疾病預測階段
Ssym:症狀輸入狀態
Str:檢查結果狀態
OUT:輸出狀態
Sqry:症狀提問
Sans:症狀答覆
TS:檢查建議
ED1:第一解釋性描述
MSK:關注遮罩
INm:關注輸入
ED2:第二解釋性描述
Claims (20)
- 一種控制方法,包含:透過一介面收集一症狀輸入狀態以及一檢查結果狀態;透過一處理器利用一神經網路在進入一疾病預測階段之前根據該症狀輸入狀態以及該檢查結果狀態產生一檢查建議,其中該檢查建議包含一候選檢查,該候選檢查為不同於一症狀提問的一醫療檢查;在進入該疾病預測階段之前由該處理器估算該候選檢查相對於複數個疾病的複數個資訊增益;根據該候選檢查的該些資訊增益在進入該疾病預測階段之前由該處理器產生有關該檢查建議的一解釋性描述;透過該介面收集對應該檢查建議之結果用以更新該檢查結果狀態;以及在該疾病預測階段中,透過該處理器利用該神經網路根據該症狀輸入狀態以及更新後的該檢查結果狀態產生一預測疾病清單以及相應於該預測疾病清單的一醫療部門建議。
- 如請求項1所述之控制方法,其中該解釋性描述是根據該些資訊增益得知並對應至由該候選檢查所能分辨的一疾病清單。
- 如請求項1所述之控制方法,其中該候選檢查對應至一目標疾病的一資訊增益是根據一第一吉尼指數、 在該候選檢查具有一目標結果的一機率以及一第二吉尼指數由該處理器估算的,其中該第一吉尼指數是執行該候選檢查前的一群組中有關該目標疾病的吉尼指數,該第二吉尼指數是執行該候選檢查後且具有該目標結果的一群組中有關該目標疾病的吉尼指數。
- 如請求項3所述之控制方法,其中該第一吉尼指數的取得是基於當該候選檢查的結果為未知的狀態下該神經網路所產生的一預測疾病分布。
- 如請求項3所述之控制方法,其中在該候選檢查取得該目標結果的該機率的取得是基於一預測檢查結果分布。
- 如請求項3所述之控制方法,其中該第二吉尼指數的取得是基於當該候選檢查的結果為該目標結果的狀態下該神經網路所產生的一預測疾病分布。
- 如請求項1所述之控制方法,其中該神經網路在進入該疾病預測階段之前根據該症狀輸入狀態以及該檢查結果狀態進一步產生一預測檢查結果分布以及一預測疾病分布,該神經網路是參照複數個已知病歷進行訓練以產生該檢查建議、該預測檢查結果分布以及該預測疾病分布。
- 如請求項1所述之控制方法,更包含:利用該神經網路產生該症狀提問;收集對應該症狀提問的一症狀答覆;以及根據該症狀答覆更新該症狀輸入狀態。
- 如請求項1所述之控制方法,其中該症狀輸入狀態包含複數個症狀答覆,該檢查結果狀態包含複數個檢查結果,該控制方法更包含:根據該預測疾病分布產生一預測疾病清單;套用一關注遮罩藉以過濾該些症狀答覆以及該些檢查結果,以取得一關注輸入;以及根據該關注輸入產生有關該預測疾病清單的另一解釋性描述。
- 一種控制方法,包含:透過一介面收集一症狀輸入狀態以及一檢查結果狀態,該症狀輸入狀態包含複數個症狀答覆,該檢查結果狀態包含複數個檢查結果:透過一處理器利用一神經網路在進入一疾病預測階段之前根據該症狀輸入狀態以及該檢查結果狀態產生一檢查建議;透過該介面收集對應該檢查建議之結果用以更新該檢查結果狀態; 透過該處理器利用該神經網路根據該症狀輸入狀態以及更新後的該檢查結果狀態產生一預測疾病分布;根據該預測疾病分布由該處理器產生一預測疾病清單;由該處理器套用一關注遮罩藉以過濾該些症狀答覆以及該些檢查結果,以取得一關注輸入;以及根據該關注輸入由該處理器產生有關該預測疾病清單的一解釋性描述。
- 如請求項10所述之控制方法,其中該解釋性描述相對應於該些症狀答覆當中通過該關注遮罩的至少一者,或者該些檢查結果當中通過該關注遮罩的至少一者。
- 如請求項10所述之控制方法,其中該關注遮罩是由一關注模組根據該症狀輸入狀態以及該檢查結果狀態而產生。
- 如請求項12所述之控制方法,其中該關注模組是參照複數個已知病歷進行訓練以產生該關注遮罩。
- 一種醫療系統,包含:一介面,用以接收一症狀輸入狀態以及一檢查結果狀態,該症狀輸入狀態包含複數個症狀答覆,該檢查結果狀態包含複數個檢查結果;以及 一處理器,與該介面耦接;其中在一檢查建議階段且在進入一疾病預測階段之前,該處理器利用利用一神經網路根據該症狀輸入狀態以及該檢查結果狀態產生一檢查建議,其中該檢查建議包含一候選檢查,該候選檢查為不同於一症狀提問的一醫療檢查,該處理器在進入該疾病預測階段之前估算該候選檢查相對於複數個疾病的複數個資訊增益,以及該處理器在進入該疾病預測階段之前根據該候選檢查的該些資訊增益產生有關該檢查建議的一第一解釋性描述,其中該介面收集對應該檢查建議之結果用以更新該檢查結果狀態,在該疾病預測階段中,透過該處理器利用該神經網路根據該症狀輸入狀態以及更新後的該檢查結果狀態產生一預測疾病清單以及相應於該預測疾病清單的一醫療部門建議。
- 如請求項14所述之醫療系統,其中該第一解釋性描述是根據該些資訊增益得知並對應至由該候選檢查所能分辨的一疾病清單,該神經網路在進入該疾病預測階段之前根據該症狀輸入狀態以及該檢查結果狀態進一步產生一預測檢查結果分布以及一預測疾病分布,該神經網路是參照複數個已知病歷進行訓練以產生該檢查建議、該預測檢查結果分布以及該預測疾病分布。
- 如請求項14所述之醫療系統,其中該處理器更用以:利用該神經網路產生該症狀提問;收集對應該症狀提問的一症狀答覆;以及根據該症狀答覆更新該症狀輸入狀態。
- 如請求項14所述之醫療系統,其中在一疾病預測階段,該處理器根據一預測疾病分布產生一預測疾病清單,該處理器套用一關注遮罩藉以過濾該些症狀答覆以及該些檢查結果進而取得一關注輸入,該處理器根據該關注輸入產生有關該預測疾病清單的一第二解釋性描述。
- 如請求項17所述之醫療系統,其中該第二解釋性描述相對應於該些症狀答覆當中通過該關注遮罩的至少一者,或者該些檢查結果當中通過該關注遮罩的至少一者。
- 如請求項17所述之醫療系統,更包含:一關注模組,由該處理器所執行,該關注模組用以根據該症狀輸入狀態以及該檢查結果狀態產生該關注遮罩。
- 如請求項19所述之醫療系統,其中該關注模組是參照複數個已知病歷進行訓練以產生該關注遮罩。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202062987881P | 2020-03-11 | 2020-03-11 | |
US62/987,881 | 2020-03-11 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202135093A TW202135093A (zh) | 2021-09-16 |
TWI823067B true TWI823067B (zh) | 2023-11-21 |
Family
ID=77617465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110108658A TWI823067B (zh) | 2020-03-11 | 2021-03-11 | 控制方法以及醫療系統 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210287793A1 (zh) |
CN (1) | CN113393940B (zh) |
TW (1) | TWI823067B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201923779A (zh) * | 2017-06-16 | 2019-06-16 | 宏達國際電子股份有限公司 | 電腦輔助醫療方法以及用於醫學預測的醫療系統 |
TW201936114A (zh) * | 2018-02-27 | 2019-09-16 | 美商蝴蝶網路公司 | 用於遠距醫療的方法和設備 |
US20190355471A1 (en) * | 2018-05-18 | 2019-11-21 | Htc Corporation | Control method and reinforcement learning for medical system |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100794516B1 (ko) * | 2007-12-03 | 2008-01-14 | 한국정보통신대학교 산학협력단 | 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목선정 시스템 및 방법 |
US8655817B2 (en) * | 2008-02-20 | 2014-02-18 | Digital Medical Experts Inc. | Expert system for determining patient treatment response |
US8706528B2 (en) * | 2008-07-09 | 2014-04-22 | Alexander Laurence Johnson | Pricing and distribution of medical diagnostics |
US20140122109A1 (en) * | 2012-10-29 | 2014-05-01 | Consuli, Inc. | Clinical diagnosis objects interaction |
WO2016094330A2 (en) * | 2014-12-08 | 2016-06-16 | 20/20 Genesystems, Inc | Methods and machine learning systems for predicting the liklihood or risk of having cancer |
JP2019504402A (ja) * | 2015-12-18 | 2019-02-14 | コグノア, インコーポレイテッド | デジタル個別化医療のためのプラットフォームおよびシステム |
CN107729710B (zh) * | 2016-08-11 | 2021-04-13 | 宏达国际电子股份有限公司 | 医学系统及非暂态计算机可读取媒体 |
WO2018169838A1 (en) * | 2017-03-13 | 2018-09-20 | Ohio State Innovation Foundation | Systems and methods for measuring behavior changes of processes |
CN109147930A (zh) * | 2017-06-28 | 2019-01-04 | 京东方科技集团股份有限公司 | 分诊对话方法、分诊对话设备及系统 |
CN108242266A (zh) * | 2018-01-22 | 2018-07-03 | 北京颐圣智能科技有限公司 | 辅助诊断装置和方法 |
US10973468B2 (en) * | 2018-07-12 | 2021-04-13 | The Chinese University Of Hong Kong | Deep learning approach for long term, cuffless, and continuous arterial blood pressure estimation |
CN113272912A (zh) * | 2018-10-22 | 2021-08-17 | 杰克逊实验室 | 使用似然比范式的用于表型驱动临床基因组的方法和装置 |
WO2020123723A1 (en) * | 2018-12-11 | 2020-06-18 | K Health Inc. | System and method for providing health information |
WO2020182710A1 (en) * | 2019-03-12 | 2020-09-17 | F. Hoffmann-La Roche Ag | Multiple instance learner for prognostic tissue pattern identification |
CN110473615B (zh) * | 2019-08-16 | 2022-06-03 | 北京声智科技有限公司 | 一种信息处理方法及装置 |
-
2021
- 2021-03-11 CN CN202110263519.9A patent/CN113393940B/zh active Active
- 2021-03-11 US US17/198,274 patent/US20210287793A1/en active Pending
- 2021-03-11 TW TW110108658A patent/TWI823067B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201923779A (zh) * | 2017-06-16 | 2019-06-16 | 宏達國際電子股份有限公司 | 電腦輔助醫療方法以及用於醫學預測的醫療系統 |
TW201936114A (zh) * | 2018-02-27 | 2019-09-16 | 美商蝴蝶網路公司 | 用於遠距醫療的方法和設備 |
US20190355471A1 (en) * | 2018-05-18 | 2019-11-21 | Htc Corporation | Control method and reinforcement learning for medical system |
TW202004771A (zh) * | 2018-05-18 | 2020-01-16 | 宏達國際電子股份有限公司 | 控制方法以及醫學系統 |
Also Published As
Publication number | Publication date |
---|---|
CN113393940B (zh) | 2024-05-24 |
US20210287793A1 (en) | 2021-09-16 |
CN113393940A (zh) | 2021-09-14 |
TW202135093A (zh) | 2021-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11488718B2 (en) | Computer aided medical method and medical system for medical prediction | |
TWI778289B (zh) | 控制方法以及醫學系統 | |
US20180211008A1 (en) | Assist Selection of Provider/Facility for Surgical Procedures Based on Frequency of Procedure, History of Complications, and Cost | |
Hatt et al. | Sequential deconfounding for causal inference with unobserved confounders | |
CN112951414A (zh) | 基层医疗临床辅助决策系统 | |
CN113611433A (zh) | 一种问诊辅助系统及方法 | |
CN116130072A (zh) | 科室推荐方法、装置、设备及存储介质 | |
Lin et al. | AI-driven decision making for auxiliary diagnosis of epidemic diseases | |
TWI823067B (zh) | 控制方法以及醫療系統 | |
TWI823277B (zh) | 醫療系統、控制方法以及非暫態電腦可讀取儲存媒體 | |
JP2024061599A (ja) | 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム | |
Do et al. | Predicting lung healthiness risk scores to identify probability of an asthma attack | |
Rodríguez-González et al. | Using experts feedback in clinical case resolution and arbitration as accuracy diagnosis methodology | |
US20190326016A1 (en) | Method of Capturing and Evaluation Uncertainty in Computerized Intelligent Systems for Medical Diagnosis | |
Tiwari et al. | Toward Symptom Assessment Guided Symptom Investigation and Disease Diagnosis | |
Tseng et al. | al-BERT: a semi-supervised denoising technique for disease prediction | |
US20230124321A1 (en) | Predicting performance of clinical trial facilitators using patient claims and historical data | |
Tiwari et al. | Learning from Failure: Towards Developing a Disease Diagnosis Assistant That Also Learns from Unsuccessful Diagnoses | |
CN114882993B (zh) | 问题的解释要素生成方法、装置、介质及电子设备 | |
Nel et al. | A novel screening tool to predict severe acute malnutrition through automated monitoring of weight‐for‐age growth curves | |
Eteng et al. | The development of a rule-based system for the diagnosis of Candidiasis | |
Nahimana | Detection of pneumonia by chest x-ray using machine learning techniques. | |
Zhang et al. | Combining Reverse Temporal Attention Mechanism and Dynamic Similarity Analysis for Disease Prediction | |
Kshatri et al. | Prediction of Stroke Risk with LSTM Networks and Patient Health Records | |
Gill et al. | Establishing a Machine Learning-Based Random Forest Classifier to Estimate Autism Risk |