TWI823277B - 醫療系統、控制方法以及非暫態電腦可讀取儲存媒體 - Google Patents
醫療系統、控制方法以及非暫態電腦可讀取儲存媒體 Download PDFInfo
- Publication number
- TWI823277B TWI823277B TW111107521A TW111107521A TWI823277B TW I823277 B TWI823277 B TW I823277B TW 111107521 A TW111107521 A TW 111107521A TW 111107521 A TW111107521 A TW 111107521A TW I823277 B TWI823277 B TW I823277B
- Authority
- TW
- Taiwan
- Prior art keywords
- symptom
- query
- diagnostic
- hypothesis
- tree
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 22
- 208000024891 symptom Diseases 0.000 claims abstract description 258
- 201000010099 disease Diseases 0.000 claims abstract description 90
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 90
- 230000009471 action Effects 0.000 claims abstract description 60
- 238000003745 diagnosis Methods 0.000 claims abstract description 36
- 230000004044 response Effects 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims description 50
- 238000003062 neural network model Methods 0.000 claims description 33
- 238000013105 post hoc analysis Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 101150099000 EXPA1 gene Proteins 0.000 description 15
- 102100029095 Exportin-1 Human genes 0.000 description 15
- 101100119348 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) EXP1 gene Proteins 0.000 description 15
- 101100269618 Streptococcus pneumoniae serotype 4 (strain ATCC BAA-334 / TIGR4) aliA gene Proteins 0.000 description 15
- 108700002148 exportin 1 Proteins 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 102100029091 Exportin-2 Human genes 0.000 description 8
- 101710147878 Exportin-2 Proteins 0.000 description 8
- 230000003993 interaction Effects 0.000 description 5
- 101100119167 Drosophila mojavensis Est-4 gene Proteins 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 206010014020 Ear pain Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 206010000087 Abdominal pain upper Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004596 appetite loss Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 208000022760 infectious otitis media Diseases 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 235000021266 loss of appetite Nutrition 0.000 description 1
- 208000019017 loss of appetite Diseases 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- External Artificial Organs (AREA)
- Electrotherapy Devices (AREA)
Abstract
一種能夠提供症狀詢問解釋及/或疾病診斷解釋的醫療系統,醫療系統包含介面及處理器。介面用以接收輸入狀態。處理器耦接至該介面,處理器用以基於神經網路模型執行症狀檢查器,藉以根據輸入狀態從多個候選症狀詢問以及多個候選疾病預測當中選擇當前行動。若當前行動為第一症狀詢問時,處理器執行與症狀檢查器互動的解釋性模組以產生診斷樹以模擬多個潛在診斷路徑,並根據診斷樹產生有關第一症狀詢問的症狀詢問解釋。
Description
本揭示有關於一種在電腦輔助診斷過程中能夠產生症狀詢問的醫療系統,且特別是有關於人工智慧為基礎的醫療系統其能夠提供關於症狀詢問與疾病預測的解釋性說明。
隨著技術的發展,開發出電腦輔助醫療系統的概念其能夠協助醫療機構對病患進行診斷。電腦輔助醫療系統可能會請求病患提供一些相關資訊,然後電腦輔助醫療系統可以透過與病患互動的過程中提出一些症狀詢問並收集病患對症狀詢問的答覆。當電腦輔助診斷程序完成時,電腦輔助醫療系統將根據與患者的互動歷程給出潛在疾病的診斷或建議(或相關醫療科別的掛號建議)。電腦輔助醫療系統也可以幫助醫生進行診斷,或者提供病患相關的諮詢服務或協助病患進行自我診斷。
多數電腦輔助醫療系統利用人工智慧技術(包括機器學習和/或神經網路模型)來預測潛在疾病或給出相關建議。然而,基於人工智慧技術通常在提供症狀詢問和最終預測結果(診斷或建議)時,並未能給出任何解釋。因此,病患或醫生很難理解診斷過程中會提出這些症狀詢問。若未能提供適當的解釋,病患或醫生可能會對基於人工智慧產生的診斷結果感到疑惑或不信任。
本揭示的一態樣揭露一種醫療系統,其包含介面及處理器。介面用以接收輸入狀態。處理器耦接至該介面,處理器用以:基於一神經網路模型執行一症狀檢查器,藉以根據該輸入狀態從複數個候選症狀詢問以及複數個候選疾病預測當中選擇一當前行動;回應於該當前行動為一第一症狀詢問時,執行與該症狀檢查器互動的一解釋性模組以產生一診斷樹,藉以模擬複數個潛在診斷路徑,該些潛在診斷路徑各自通過該第一症狀詢問並分別終止於其中一種疾病預測,該些潛在診斷路徑涵蓋對該第一症狀詢問的一肯定假設以及對該第一症狀詢問的一否定假設;以及根據該診斷樹產生有關該第一症狀詢問的一症狀詢問解釋。
本揭示的另一態樣揭露一種控制方法,包含:接收一輸入狀態;利用一神經網路模型,根據該輸入狀態,從複數個候選症狀詢問以及複數個候選疾病預測當中選擇一當前行動;回應於該當前行動為一第一症狀詢問時,產生一診斷樹以模擬複數個潛在診斷路徑,該些潛在診斷路徑各自通過該第一症狀詢問並分別終止於其中一種疾病預測,該些潛在診斷路徑涵蓋對該第一症狀詢問的一肯定假設以及對該第一症狀詢問的一否定假設;以及根據該診斷樹產生有關該第一症狀詢問的一症狀詢問解釋。
本揭示的另一態樣揭露一種非暫態電腦可讀取媒體包含至少一指令程序,由一處理器執行該至少一指令程序以實行上述控制方法。
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,在圖式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。
請參閱第1圖,其繪示根據本揭示文件的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以及儲存單元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用以透過介面120與使用者Ul互動。例如,在與使用者Ul互動的過程中,介面120可以收集來自使用者U1的初始症狀(作為輸入狀態INst的一部分)、並且向使用者U1提出一些症狀詢問QRY、以及從使用者U1收集相應的症狀答覆(作為輸入狀態INst的一部分)。 基於上述互動歷程,醫療系統100能夠藉此分析、診斷或預測使用者U1可能遭遇的疾病,從而產生疾病預測DP並回饋給使用者U1。
在一些實施例中,使用者U1可以是患者、患者的家屬、患者的朋友或有醫生陪同的患者。需注意的是,醫療系統100能夠產生有關症狀詢問QRY的症狀詢問解釋EXP1。症狀詢問解釋EXP1可以與症狀詢問QRY同時顯示在介面120上。例如,當介面120顯示症狀詢問QRY時,例如「你耳朵痛嗎?」,介面120也可以顯示相應的症狀詢問解釋EXP1,例如「此症狀詢問有助於區分/排除急性中耳炎和流感」。
在一些實施例中,使用者Ul所輸入的初始症狀和症狀答覆,經由介面120收集並成為輸入狀態INst當中的輸入症狀狀態INsym。
在一些實施例中,介面120可進一步收集有關使用者U1的其他醫療資訊INinfo(例如性別、體重、年齡、種族、血壓、職業、DNA報告、檢查結果等)作為輸入狀態INst的另一部分。這些醫療資訊INinfo同樣有助於產生適當的症狀詢問QRY以及得出正確的疾病預測DP。舉例來說,若使用者U1為生理男性,則有關於懷孕的詢問與預測可以被忽略。
請一併參閱第2圖,第2圖繪示根據本揭示文件的一些實施例中第1圖中的介面120與處理器140的功能方塊示意圖。如第2圖所示,處理器140用以執行症狀檢查器142以及解釋性模組144。症狀檢查器142基於神經網路模型142運作,用以根據輸入狀態INst由複數個候選症狀詢問Csym以及複數個候選疾病預測Cdp當中選擇一個當前行動ACT。
在一些實施例中,症狀檢查器142和神經網路模型142a是利用機器學習演算法或強化學習演算法進行訓練,藉此症狀檢查器142能夠基於有限的病患資訊提出詢問(生成適當的症狀詢問QRY)以及進行診斷(生成正確的疾病預測 DP)。在一些實施例中,醫療系統100採用強化學習(reinforcement learning, RL)框架來制定詢問與診斷的策略(例如採用馬爾可夫決策過程,Markov decision processes)。在一些實施例中,症狀檢查器142和神經網路模型142a是由處理器140根據一些訓練數據(例如,已知的醫療記錄)基於機器學習演算法或強化學習演算法進行訓練,其中有關於神經網路模型142a的訓練後參數可以儲存在儲存單元160中。
在一些實施例中,神經網路模型142a是根據一些訓練數據(例如,已知的病歷)事先訓練的。處理器140利用神經網路模型142a來產生狀態值Cst並相應地從候選行動集合當中選擇一系列的多個序列行動。在一些實施例中,這些序列行動包括多個症狀詢問行動、一或多個醫療檢查行動(適合用來提供額外信息以利進行後續疾病預測或診斷)以及一個疾病預測行動。
當症狀檢查器142選出適當的行動時(例如,適當的一些症狀詢問、適當的一些醫療檢查或者正確的疾病預測,其與訓練資料當中的已知病歷比對相符)時,會產生相對應的獎勵並提供給神經網路模型142a。在一些實施例中,神經網路模型142a的訓練目標是使上述序列行動所得到的累積獎勵能夠最大化。在一些實施例中,累積獎勵的計算方式,可以是症狀異常獎勵及、或疾病預測正確/錯誤獎勵的總和。換言之,神經網路模型142a的訓練是盡可能地讓以神經網路模型142a能產生適當的症狀詢問並且盡可能地能做出正確的疾病預測。
在一些實施例中,醫療系統100可由電腦、伺服器或資料處理中心建立。 處理器140可以由中央處理單元(central processing unit, CPU)、圖形處理單元(graphic processing unit, GPU)、張量處理單元(tensor processing unit, TPU)、特殊應用積體電路(application-specific integrated circuit, ASIC)或任何等效的計算單元來實現。介面120可以包含輸出介面(例如,用於顯示信息的顯示面板)和輸入設備(例如,觸控面板、鍵盤、麥克風、掃描器或快閃記憶體讀取器),以供使用者輸入文字指令、發送語音命令或上傳一些相關數據(例如,圖像、醫療記錄或個人檢查報告)。如圖1所示,儲存單元160與處理器140耦接。在一些實施例中,儲存單元160可以由記憶體、快閃記憶體、唯讀記憶體、硬碟或任何等效的儲存元件來實現。
如第1圖及第2圖所示,使用者U1可以通過介面120進行操作。使用者U1可以看到介面120上顯示的資訊,並且使用者U1可以在介面120上輸入他/她的指令或資料。在一個實施例中,介面120將顯示通知以詢問使用者U1所遭遇到的症狀。介面120用於收集使用者U1回覆的輸入症狀狀態INsym。介面120還可以收集關於使用者U1的其他醫療資訊INinfo。介面120將收集到的輸入狀態INst(包括輸入症狀狀態INsym和醫療資訊INinfo)傳送到處理器140的症狀檢查器142。
請進一步參閱第3圖,第3圖繪示根據本揭示文件的一些實施例中一種控制方法200的方法流程圖。控制方法200用以控制第1圖的醫療系統100。
如第1圖、第2圖及第3圖所示,於步驟S210中,介面120用以收集輸入狀態INst(包括輸入症狀狀態INsym和醫療資訊INinfo)以及傳送輸入狀態INst至處理器140。
在步驟S220中,處理器140接收輸入狀態INst,並且處理器140的症狀檢查器142利用神經網路模型142a根據輸入狀態 INst產生關於每個候選症狀詢問Csym與每個候選疾病預測Cdp的當前狀態值Cst。
在一些實施例中,神經網路模型142a可以預先根據訓練數據用機器學習演算法或強化學習演算法進行訓練。 在一些實施例中,訓練數據包括已知的醫療記錄。醫療系統100利用訓練數據中的已知醫療記錄來訓練神經網路模型142a。 在一個例子中,訓練數據可以從疾病控制和預防中心 (www.cdc.gov/datastatistics/index.html) 的數據和統計信息中獲得。
在訓練之後,神經網路模型142a能夠基於輸入狀態INst的內容(包括輸入症狀狀態INsym和醫療資訊INinfo)產生狀態值Cst。
神經網路模型142a根據輸入狀態INst評估與計算狀態值Cst。基於神經網路模型142a的功能,如果輸入狀態INst當中包含資訊量不足以預測疾病(例如,僅包含兩個症狀詢問的答覆,且沒有足夠的證據用以進行疾病預測),則對應候選症狀詢問Csym較有可能具有較高的狀態值,而候選疾病預測 Cdp則往往具有較低的狀態值。 另一方面,如果輸入狀態 INst已包含足夠的資訊量以進行疾病預測,則此時候選症狀詢問 Csym往往具有相對較低的狀態值,而候選疾病預測 Cdp則傾向具有較高的狀態值。
在步驟S230中,症狀檢查器142根據候選症狀詢問Csym與候選疾病預測Cdp兩者所有的當前狀態值Cst中挑選具有最大值的一者,作為當前行動ACT。
例如,若其中一個候選症狀詢問Csym具有最大的狀態值,則對應的症狀詢問QRY將被選為當前行動ACT。另一方面,若是其中一個候選疾病預測Cdp具有最大的狀態值,則相應的疾病預測DP將被選為當前行動ACT。
在步驟S240中,處理器140確定當前行動ACT是症狀詢問QRY或疾病預測DP。 若當前行動ACT為症狀詢問QRY(即輸入狀態INst的輸入症狀狀態INsym的資訊尚不足以在目前階段給出可靠的疾病預測DP),則執行步驟S250和S260產生關於症狀詢問 QRY的症狀詢問解釋 EXP1。
進一步參考第4圖,第4圖繪示根據一些實施例中的一個示意性範例根據輸入狀態INst選擇症狀詢問QRYs6作為當前行動ACT的示意圖。在第4圖所示的示意性範例中,假設輸入症狀狀態INsym包括九個數據位元s1~s9,對應九個不同的症狀詢問。 數據位元s1到s9中的每一個位元表示使用者U1是否有一種對應的症狀。 例如,數據位元s2設置為「1」,表示用戶U1有「咳嗽」的症狀;數據位元s4設置為「-1」,表示用戶U1沒有另一症狀「頭痛」。 其他數據位s1、s3和s5到s9設置為「0」,表示目前尚未確定使用者U1是否具有相應的症狀(如「胃痛」、 「沒胃口」、「發燒」、「耳朵疼痛」 、「呼吸急促」等)。
目前,輸入狀態INst中的輸入症狀狀態INsym在所有症狀數據位元s1~s9中僅包括兩個已確認的答案,數據位元s2和s4。在這種情況下,症狀檢查器142選擇了症狀詢問QRYs6作為當前行動ACT。例如,症狀詢問QRYs6 可以是「你是否感覺到耳朵疼痛?」。在一些實施例中,症狀詢問QRYs6將顯示在介面120上。
於此同時,症狀詢問QRYs6和輸入狀態INst將傳送到解釋性模組144。在步驟S250中,解釋性模組144能夠與症狀檢查器142互動,並且解釋性模組144用以產生診斷樹 DT,診斷樹 DT用於模擬從輸入狀態 INst與和症狀詢問 QRYs6 起始的多個潛在診斷路徑。
請一併參閱第5圖,其繪示在一些實施例中解釋性模組144所產生的診斷樹DT的示意圖,診斷樹DT用於模擬從輸入狀態 INst與和症狀詢問 QRYs6 起始的所有潛在診斷路徑。 關於第5圖所示的步驟S250當中如何產生診斷樹DT的更多細節將在下列段落中進一步討論。
如第4圖所示,解釋性模組144產生對於症狀詢問QRYs6的肯定假設PH,並將肯定假設PH填充到第一模擬狀態Est1中有關輸入症狀狀態INsym當中數據位元s6。換言之,第一模擬狀態Est1包括肯定假設PH「1」,這個肯定假設PH「1」替換了原本輸入狀態INst中輸入症狀狀態INsym的原始數據位元s6「0」,而第一模擬狀態Est1中的其他數據位元(數據位元s1- s5 和 s7-s9) 則從輸入狀態 INst 複製而來。藉此,第一模擬狀態Est1能夠模擬使用者U1輸入的正向答覆,即回答他/她確實遭遇症狀詢問QRYs6所述之症狀的情況。
如第4圖所示,解釋性模組144產生對於症狀詢問QRYs6的否定假設NH,並將否定假設NH填充到第二模擬狀態Est2中有關輸入症狀狀態INsym當中數據位元s6。換言之,第二模擬狀態Est2包括否定假設NH「-1」,這個否定假設NH「-1」替換了原本輸入狀態INst中輸入症狀狀態INsym的原始數據位元s6「0」,而第二模擬狀態Est2中的其他數據位元(數據位元s1- s5 和 s7-s9) 則從輸入狀態 INst 複製而來。藉此,第二模擬狀態Est2能夠模擬使用者U1輸入的否定答覆,即回答他/她並未遭遇症狀詢問QRYs6所述之症狀的情況。
如第5圖所示,診斷樹DT分叉成至少兩個潛在診斷路徑,分別對應於症狀詢問QRYs6的肯定假設PH和症狀詢問QRYs6的否定假設NH。如第5圖所示,潛在診斷路徑至少包括第一潛在診斷路徑PATH1和第二潛在診斷路徑PATH2。 第一個潛在診斷路徑 PATH1 涵蓋症狀詢問QRYs6的肯定假設 PH。第二潛在診斷路徑 PATH2涵蓋症狀詢問QRYs6的否定假設NH。
值得注意的是,第4圖中的輸入狀態INst(以及第一模擬狀態Estl)可以進一步包含第2圖當中的醫療信息INinfo。為了說明上的簡潔,第2圖所示的醫療信息INinfo並未繪示於第4圖當中。
如第2圖及第5圖所示,解釋性模組144將第一模擬狀態Est1輸入到症狀檢查器142。基於神經網絡模型142a的症狀檢查器142能夠挑選出在當前行動ACT(即症狀詢問QRYs6)之後的第一模擬行動ACTp1。
若根據第一模擬狀態Est1所選出的第一模擬行動ACTp1是其中一個候選疾病預測(例如疾病預測DPd1~DPd6其中一者),這一條潛在診斷路徑便在此結束。
於此例子中,如第5圖所示,根據第一模擬狀態Est1選出的第一模擬行動ACTp1並非疾病預測DP,此時選出的第一模擬行動ACTp1是關於數據位元s9的另一個症狀詢問QRYs9。請一併參閱第6圖,第6圖繪示根據一些實施例中的一個示意性範例根據第一模擬狀態Est1選擇症狀詢問QRYs9作為當前行動ACT之後的第一模擬行動ACTp1的示意圖。
如第6圖所示,解釋性模組144產生症狀詢問QRYs9的肯定假設PH,並將肯定假設PH填充到第三模擬狀態Est3的數據位元s9中。 換言之,第三模擬狀態Est3包含肯定假設PH「1」取代第一模擬狀態Est1中的原始數據位元s9「0」。
如第6圖所示,解釋性模組144產生症狀詢問QRYs9的否定假設NH,並將否定假設NH填充到第四模擬狀態Est4中的數據位元s9中。 換言之,第四模擬狀態Est4包含否定假設NH「-1」取代第一模擬狀態Est1中的原始數據位元s9「0」。
如第5圖所示,診斷樹DT在症狀詢問QRYs9處再次分叉成至少兩個潛在診斷路徑,分別對應於症狀詢問QRYs9的肯定假設PH和症狀詢問QRYs9的否定假設NH。 如第5圖所示,潛在診斷路徑至少包括第一潛在診斷路徑PATH1和第三潛在診斷路徑PATH3。第一潛在的診斷路徑 PATH1 涵蓋症狀詢問QRYs9 的肯定假設 PH。第三潛在診斷路徑 PATH3涵蓋症狀詢問QRYs9 的否定假設 NH。
相似地,解釋性模塊144可以再次將第三模擬狀態Est3輸入到症狀檢查器142。 基於神經網絡模型142a的症狀檢查器142能夠選擇接在症狀詢問QRYs9之後的另一個模擬行動。假設症狀檢查器142在症狀詢問QRYs9之後選擇了疾病預測DPd1。在這種情況下,潛在診斷路徑PATH1便在疾病預測DPd1處結束。如第5圖所示,潛在診斷路徑PATH1從輸入狀態INst開始,經過症狀詢問QRYs6(模擬具有肯定假設)和症狀詢問QRYs9(模擬具有肯定假設),並停止在疾病預測DPd1。
如第5圖所示,解釋性模塊144可以另將第四模擬狀態Est4輸入到症狀檢查器142,並重複上述過程,直到每個潛在診斷路徑均抵達各自的一個疾病預測。如第5圖所示,潛在診斷路徑PATH3從輸入狀態INst開始,經過症狀詢問QRYs6(模擬具有肯定假設)、症狀詢問QRYs9(模擬具有否定假設)和症狀詢問QRYs3(模擬具有否定假設)並停止於疾病預測DPd2。
相似地,解釋性模塊144可以另將第二模擬狀態Est2輸入到症狀檢查器142,產生第二模擬行動ACTp2,進而產生在第二模擬狀態Est2下的所有潛在診斷路徑。如第5圖所示,潛在診斷路徑PATH2從輸入狀態INst開始,通過症狀詢問QRYs6(模擬具有否定假設)、症狀詢問QRYs7(模擬具有否定假設)和症狀詢問QRYs8(模擬具有否定假設)並停止於疾病預測DPd4。
基於上述實施例,解釋性模塊144可以與症狀檢查器142互動,已產生如第5圖所示的完整診斷樹DT。在一些實施例中,診斷樹DT包含在每個分支點(即每個症狀詢問QRY)分岔出的所有潛在診斷路徑。
當如第5圖所示的診斷樹DT產生之後,在步驟S260中,解釋性模塊144根據診斷樹DT產生關於症狀詢問QRYs6(即當前行動ACT)的症狀詢問解釋EXP1。 在一些實施例中,症狀詢問解釋EXP1用以指出症狀詢問QRYs6能夠排除或分辨兩個疾病集合。
在一些實施例中,可以通過將針對症狀詢問QRYs6採肯定假設下的所有疾病預測的集合
與針對症狀詢問QRYs6採否定假設下的所有疾病預測的集合
進行比較,進而產生上述症狀詢問解釋EXP1中的兩個疾病集合。 如第5圖所示的實施例中,集合
包含疾病預測DPd1、DPd2和DPd3;而集合
則包含疾病預測 DPd1、DPd3、DPd4、DPd5 和 DPd6。
於此例子中,症狀詢問QRYs6能夠用來分辨或排除的疾病包含集合
(其代表屬於集合
但不屬於集合
的疾病預測)以及集合
(其代表屬於集合
但不屬於集合
的疾病預測)。
在這個示意性範例中,集合
包含疾病預測DPd2;集合
則包含疾病預測DPd5、疾病預測DPd5以及疾病預測DPd6。在此情況下,關於症狀詢問QRYs6的症狀詢問解釋EXP1便可以指出兩個疾病集合,其包含了集合
也就是{DPd2}以及集合
也就是{DPd4, DPd5, DPd6}。根據症狀詢問解釋 EXP1,使用者U1 可以了解到症狀詢問QRYs6 有助於排除疾病預測 DPd4、PDd5和DPd6 的可能性(如果對症狀詢問 QRYs6 的回答為「是」)或者排除一個疾病預測 DPd2的可能性(如果對症狀詢問 QRYs6 的回答為「否」)。
在這種情況下,當在介面120上顯示症狀詢問QRYs6時,有關於症狀詢問QRYs6的症狀詢問解釋EXP1可以與症狀詢問QRYs6一併顯示在界面120上。
下列的表1為用以顯示在介面120上的症狀詢問QRYs6以及症狀詢問解釋EXP1的一個例子。
表1
你是否感受到耳朵疼痛? (QRYs6) | 有助於分辨/排除 下列疾病: {DPd2}或 {DPd4, DPd5, DPd6} (EXP1) | |
是 | 否 | |
如前述實施例所示,解釋性模組144能夠產生有關當前行動ACT(即症狀詢問QRYs6)的症狀詢問解釋EXPl,使得使用者Ul可以得知或理解到系統為何提出這個症狀詢問QRYs6 以及為什麼這個詢問很重要。在這種情況下,使用者Ul在與醫療系統 100 的互動中可能會容易接受醫療系統 100的建議,並對醫療系統 100建立更多的信任感。
請再次參閱第3圖,若選出的當前行動ACT已經是一個完整診斷過程中的疾病預測DP(這意味著輸入狀態INst的輸入症狀狀態INsym當下已足以做出疾病預測DP)時,則執行步驟S270和S280 執行以產生事後分析解釋(post hoc interpretation)EXP2。
若當前行動ACT是疾病預測DP時,這種情況下的輸入狀態INst可能包含過往診斷路徑中與所有過往症狀詢問有關的症狀回覆。事後分析解釋EXP2 能夠用來解釋並支持為何要選擇目前的疾病預測 DP,並且還能夠描述關於每個過往症狀詢問各自的重要性評分。請進一步參考第7圖,第7圖繪示根據一些實施例的示意性範例中輸入狀態INst所包含的過往診斷路徑pPATH及其中過往症狀詢問的示意圖。
在這個示意性範例中,根據輸入狀態INst,疾病預測DPdl被選為當前行動ACT。如第7圖所示,在抵達目前輸入狀態INst和當前行動ACT(即疾病預測DPd1)以前,過往診斷路徑pPATH是從過往狀態pst0開始,並經過多個過往症狀詢問pQRYs4、pQRYs6、pQRYs7、pQRYs3和pQRYs1。
在步驟S270中,解釋性模組144(通過與症狀檢查器142互動)用以根據過往診斷路徑pPATH產生事後分析診斷樹。請一併請參閱第8圖,其繪示解釋性模組144從過往診斷路徑pPATH產生的事後分析診斷樹DTp的示意圖。事後分析診斷樹DTp是通過模擬過往診斷路徑pPATH中所有分岔點分岔出的所有潛在診斷路徑所產生,上述分岔點是指過往診斷路徑pPATH中存在的各個過往症狀詢問pQRYs4、pQRYs6、pQRYs7、pQRYs3 和 pQRYs1。
關於如何產生第8圖所示的事後分析診斷樹DTp中由各個過往症狀詢問pQRYs4、pQRYs6、pQRYs7、pQRYs3 和 pQRYs1分岔出的所有潛在診斷路徑的詳細作法,相似於先前實施例模擬產生第5圖所示的診斷樹DT中所有潛在診斷路徑。舉例來說,產生過往症狀詢問pQRYs4的肯定假設並將其反饋給症狀檢查器142以模擬/計算事後分析診斷樹DTp的局部部分SIMs4+。相似地,產生過往症狀詢問pQRYs6的另一個肯定假設並將其反饋給症狀檢查器142以模擬/計算事後分析診斷樹DTp的局部部分SIMs6+。事後分析診斷樹 DTp 的其他部分可以依照相同的方式模擬和產生。
當產生如第8圖所示的事後分析診斷樹DTp之後,在步驟S280中,解釋性模組144便可用以根據上述事後分析診斷樹DTp產生有關於過往症狀詢問pQRYs4、pQRYs6、pQRYs7、pQRYs3和pQRYs1以及疾病預測DPd1的事後分析解釋EXP2。
在一些實施例中,事後分析解釋EXP2是根據有關過往症狀詢問詢問pQRYs4、pQRYs6、pQRYs7、pQRYs3和pQRYs1的重要性評分而產生。
解釋性模組144是根據該事後分析診斷樹DTp,進而計算在過往症狀詢問pQRYs4、pQRYs6、pQRYs7、pQRYs3和pQRYs1每一者詢問前與詢問後神經網路模型142a所考慮的疾病假設數量多寡的數量變化。
請一併參閱第9圖,其繪示根據事後分析診斷樹DTp所得知神經網路模型142a在每個過往症狀詢問pQRYs4、pQRYs6、pQRYs7、pQRYs3和pQRYs1之前和之後所考慮的疾病假設其數量變化VAR的折線圖。
接著,解釋性模組144根據數量變化VAR分別計算關於過往症狀詢問pQRYs4、pQRYs6、pQRYs7、pQRYs3和pQRYs1各自的重要性評分。
上述過往症狀詢問pQRYs4、pQRYs6、pQRYs7、pQRYs3和pQRYs1各自的重要性評分可以透過下列方式計算:
上述重要性評分可以提供哪一個過往症狀詢問對於最終給出疾病預測DPd1佔有較大的重要性的資訊。換句話說,使用者U1能夠透過重要性評分而得知上述過往症狀詢問pQRYs4、pQRYs6、pQRYs7、pQRYs3和pQRYs1的答覆為何能夠支持最終的疾病預測DPd1。
在上述公式中,
代表神經網路模型142a在個別過往症狀詢問之前和之後所考慮的疾病假設變化;
代表神經網路模型142a在整個診斷過程中過往診斷路徑pPATH上所有疾病假設的變化量。
舉例來說,過往症狀詢問pQRYs4的重要性評分可以計算如下:
舉例來說,過往症狀詢問pQRYs6的重要性評分可以計算如下:
在計算完過往症狀詢問pQRYs4、pQRYs6、pQRYs7、pQRYs3和pQRYs1各自的重要性評分後,可以根據上述過往症狀詢問各自的重要性評分進行排序將上述過往症狀詢問展示於事後分析解釋EXP2當中。舉例來說,過往症狀詢問pQRYs4可以被標示為最高重要性;過往症狀詢問pQRYs6與過往症狀詢問pQRYs3可以標示為具有次高重要性(低於過往症狀詢問pQRYs4的重要性)。
使用者U1基於事後分析解釋EXP2當中展示的過往症狀詢問pQRYs4、pQRYs6、pQRYs7、pQRYs3和pQRYs1各自的重要性評分,可能進一步了解到為何這些過往症狀詢問pQRYs4、pQRYs6、pQRYs7、pQRYs3和pQRYs1被選擇並提出,並且了解到這些過往症狀詢問pQRYs4、pQRYs6、pQRYs7、pQRYs3和pQRYs1在決定疾病預測DP有多大的重要性。在此情況下,使用者U1能夠對疾病預測DP具有更大的信心。
雖然本揭示文件已經揭露有關上述實施例的具體內容,上述這些實施例並非用以限制本揭示文件。在不背離本揭示文件的原理及精神的情況下,相關領域中的一般技術人員可以採用各種替代及改良方式。因此,本揭示文件的保護範圍由所附申請專利範圍而定。
100:醫療系統
120:介面
140:處理器
142:症狀檢查器
142a:神經網路模型
144:解釋性模組
160:儲存單元
200:控制方法
S210~S280:步驟
U1:使用者
INst:輸入狀態
INinfo:醫療資訊
INsym:輸入症狀狀態
Cst:狀態值
Csym:候選症狀詢問
Cdp:候選疾病預測
ACT:當前行動
QRY:症狀詢問
DP:疾病預測
EXP1:症狀詢問解釋
EXP2:事後分析解釋
Est1:第一模擬狀態
Est2:第二模擬狀態
Est3:第三模擬狀態
Est4:第四模擬狀態
ACTp1:第一模擬行動
ACTp2:第二模擬行動
s1~s9:數據位元
PATH1:第一診斷路徑
PATH2:第二診斷路徑
PATH3:第三診斷路徑
QRYs1~QRYs9:症狀詢問
DT:診斷樹
DTp:事後分析診斷樹
pPATH:過往診斷路徑
pQRYs1~pQRYs9:過往症狀詢問
pst0~pst4:過往狀態
SIMs4+:事後分析診斷樹的局部部分
SIMs6+:事後分析診斷樹的局部部分
VAR:數量變化
通過閱讀以下實施例的詳細描述,並結合附圖,可以更完全地了解本揭示文件:
第1圖繪示繪示根據本揭示文件的一些實施例中一種醫療系統的示意圖;
第2圖繪示根據本揭示文件的一些實施例中第1圖中的介面與處理器的功能方塊示意圖;
第3圖繪示根據本揭示文件的一些實施例中一種控制方法的方法流程圖;
第4圖繪示根據一些實施例中的一個示意性範例根據輸入狀態選擇症狀詢問作為當前行動的示意圖;
第5圖繪示根據一些實施例中解釋性模組所產生的診斷樹的示意圖;
第6圖繪示根據一些實施例中的一個示意性範例根據第一模擬狀態選擇症狀詢問作為當前行動之後的第一模擬行動的示意圖;
第7圖繪示根據一些實施例的示意性範例中輸入狀態所包含的過往診斷路徑及其中過往症狀詢問的示意圖;
第8圖繪示解釋性模組從過往診斷路徑產生的事後分析診斷樹的示意圖;以及
第9圖繪示根據事後分析診斷樹所得知神經網路模型在每個過往症狀詢問之前和之後所考慮的疾病假設其數量變化的折線圖。
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
120:介面
140:處理器
142:症狀檢查器
142a:神經網路模型
144:解釋性模組
INst:輸入狀態
INinfo:醫療資訊
INsym:輸入症狀狀態
Cst:狀態值
Csym:候選症狀詢問
Cdp:候選疾病預測
ACT:當前行動
QRY:症狀詢問
DP:疾病預測
EXP1:症狀詢問解釋
EXP2:事後分析解釋
Est1:第一模擬狀態
Est2:第二模擬狀態
ACTp1:第一模擬行動
ACTp2:第二模擬行動
DT:診斷樹
Claims (11)
- 一種醫療系統,包含:一介面,用以接收一輸入狀態;以及一處理器,耦接至該介面,其中該處理器用以:基於一神經網路模型執行一症狀檢查器,藉以根據該輸入狀態從複數個候選症狀詢問以及複數個候選疾病預測當中選擇一當前行動;回應於該當前行動為一第一症狀詢問時,執行與該症狀檢查器互動的一解釋性模組以產生一診斷樹,藉以模擬複數個潛在診斷路徑,該些潛在診斷路徑各自通過該第一症狀詢問並分別終止於其中一種疾病預測,該些潛在診斷路徑涵蓋對該第一症狀詢問的一肯定假設以及對該第一症狀詢問的一否定假設;以及根據該診斷樹產生有關該第一症狀詢問的一症狀詢問解釋。
- 如請求項1所述之醫療系統,其中基於該神經網路模型的該症狀檢查器用以根據該輸入狀態產生該些候選症狀詢問與該些候選疾病預測的複數個當前狀態值,該症狀檢查器用以根據該些當前狀態值的一最大值選擇該當前行動。
- 如請求項1所述之醫療系統,其中該解釋性模組產生該診斷樹是透過: 產生一第一模擬狀態包含對該第一症狀詢問的該肯定假設以及該輸入狀態;將該第一模擬狀態輸入至該症狀檢查器以選擇在該當前行動之後的一第一模擬行動;以及回應於該第一模擬行動為其中一種疾病預測時,完成一條潛在診斷路徑。
- 如請求項3所述之醫療系統,其中該解釋性模組產生該診斷樹進一步透過:回應於該第一模擬行動為一第二症狀詢問時,產生對該第二症狀詢問的一肯定假設以及對該第二症狀詢問的一否定假設;以及對應該對該第二症狀詢問的該肯定假設以及對該第二症狀詢問的該否定假設分岔為至少兩條潛在診斷路徑。
- 如請求項1所述之醫療系統,其中該解釋性模組產生該診斷樹進一步透過:產生一第二模擬狀態包含對該第一症狀詢問的該否定假設以及該輸入狀態;將該第二模擬狀態輸入至該症狀檢查器以選擇在該當前行動之後的一第二模擬行動;以及回應於該第二模擬行動為其中一種疾病預測時,完成一條潛在診斷路徑。
- 如請求項5所述之醫療系統,其中該解釋性模組產生該診斷樹進一步透過:回應於該第二模擬行動為一第三症狀詢問時,產生對該第三症狀詢問的一肯定假設以及對該第三症狀詢問的一否定假設;以及對應該對該第三症狀詢問的該肯定假設以及對該第三症狀詢問的該否定假設分岔為至少兩條潛在診斷路徑。
- 如請求項1所述之醫療系統,其中有關該第一症狀詢問的該症狀詢問解釋用以指出該第一症狀詢問能夠排除或分辨兩個疾病集合。
- 如請求項1所述之醫療系統,其中該輸入狀態包含在一過往診斷路徑上相應於複數個過往症狀詢問的複數個症狀答覆,該處理器更用以:回應於該當前行動為一完整診斷流程中的一疾病預測時,執行與該症狀檢查器互動的該解釋性模組以根據該過往診斷路徑產生一事後分析診斷樹,其中該事後分析診斷樹包含在該些過往症狀詢問所分岔出的全部潛在診斷路徑;以及根據該事後分析診斷樹產生有關該些過往症狀詢問以及該疾病預測的一事後分析解釋。
- 如請求項8所述之醫療系統,其中該解釋性 模組產生該事後分析診斷樹是透過:根據該事後分析診斷樹,計算在該些過往症狀詢問每一者詢問前與詢問後該神經網路模型考慮的複數個疾病假設數量多寡的一數量變化;以及根據該數量變化分別計算關於該些過往症狀詢問的複數個重要性分數。
- 一種控制方法,包含:接收一輸入狀態;利用一神經網路模型,根據該輸入狀態,從複數個候選症狀詢問以及複數個候選疾病預測當中選擇一當前行動;回應於該當前行動為一第一症狀詢問時,產生一診斷樹以模擬複數個潛在診斷路徑,該些潛在診斷路徑各自通過該第一症狀詢問並分別終止於其中一種疾病預測,該些潛在診斷路徑涵蓋對該第一症狀詢問的一肯定假設以及對該第一症狀詢問的一否定假設;以及根據該診斷樹產生有關該第一症狀詢問的一症狀詢問解釋。
- 一種非暫態電腦可讀取儲存媒體,儲存至少一指令程序由一處理器執行以實行一控制方法,該控制方法包含:接收一輸入狀態;利用一神經網路模型,根據該輸入狀態,從複數個候選 症狀詢問以及複數個候選疾病預測當中選擇一當前行動;回應於該當前行動為一第一症狀詢問時,產生一診斷樹以模擬複數個潛在診斷路徑,該些潛在診斷路徑各自通過該第一症狀詢問並分別終止於其中一種疾病預測,該些潛在診斷路徑涵蓋對該第一症狀詢問的一肯定假設以及對該第一症狀詢問的一否定假設;以及根據該診斷樹產生有關該第一症狀詢問的一症狀詢問解釋。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163155311P | 2021-03-02 | 2021-03-02 | |
US63/155,311 | 2021-03-02 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202236301A TW202236301A (zh) | 2022-09-16 |
TWI823277B true TWI823277B (zh) | 2023-11-21 |
Family
ID=83024271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111107521A TWI823277B (zh) | 2021-03-02 | 2022-03-02 | 醫療系統、控制方法以及非暫態電腦可讀取儲存媒體 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220285025A1 (zh) |
CN (1) | CN114999626A (zh) |
TW (1) | TWI823277B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117936114B (zh) * | 2024-03-13 | 2024-06-25 | 湖北福鑫科创信息技术有限公司 | 基于大语言模型的电子病历智能化分析与优化系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9504420B2 (en) * | 2013-04-18 | 2016-11-29 | Digimarc Corporation | Methods and arrangements for identifying dermatological diagnoses with clinically negligible probabilities |
TWI686819B (zh) * | 2017-06-16 | 2020-03-01 | 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 |
TW202016948A (zh) * | 2018-08-16 | 2020-05-01 | 宏達國際電子股份有限公司 | 控制方法以及醫學系統 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180046773A1 (en) * | 2016-08-11 | 2018-02-15 | Htc Corporation | Medical system and method for providing medical prediction |
EP3580700A4 (en) * | 2017-02-09 | 2020-11-18 | Cognoa, Inc. | PLATFORM AND SYSTEM FOR DIGITAL PERSONALIZED MEDICINE |
US11651858B2 (en) * | 2018-08-07 | 2023-05-16 | International Business Machines Corporation | Providing medical treatment using optimized symptom-centric decision trees based on disease-centric knowledge graphs |
US20200118691A1 (en) * | 2018-10-10 | 2020-04-16 | Lukasz R. Kiljanek | Generation of Simulated Patient Data for Training Predicted Medical Outcome Analysis Engine |
JP2023509786A (ja) * | 2020-01-10 | 2023-03-09 | プレノシス,インコーポレイテッド | 適合率診断において関連する特徴を選択するためのツール |
US11847411B2 (en) * | 2020-07-29 | 2023-12-19 | Oracle International Corporation | Obtaining supported decision trees from text for medical health applications |
-
2022
- 2022-03-02 CN CN202210197096.XA patent/CN114999626A/zh active Pending
- 2022-03-02 TW TW111107521A patent/TWI823277B/zh active
- 2022-03-02 US US17/653,133 patent/US20220285025A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9504420B2 (en) * | 2013-04-18 | 2016-11-29 | Digimarc Corporation | Methods and arrangements for identifying dermatological diagnoses with clinically negligible probabilities |
TWI686819B (zh) * | 2017-06-16 | 2020-03-01 | 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 |
TW202016948A (zh) * | 2018-08-16 | 2020-05-01 | 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 |
---|---|
US20220285025A1 (en) | 2022-09-08 |
CN114999626A (zh) | 2022-09-02 |
TW202236301A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11488718B2 (en) | Computer aided medical method and medical system for medical prediction | |
Sobrinho et al. | Computer-aided diagnosis of chronic kidney disease in developing countries: A comparative analysis of machine learning techniques | |
EP3618080B1 (en) | Reinforcement learning for medical system | |
US11355249B2 (en) | Pet evaluation and triage system | |
EP3796226A1 (en) | Data conversion/symptom scoring | |
TWI823277B (zh) | 醫療系統、控制方法以及非暫態電腦可讀取儲存媒體 | |
CN113611433A (zh) | 一种问诊辅助系统及方法 | |
Schmidgall et al. | AgentClinic: a multimodal agent benchmark to evaluate AI in simulated clinical environments | |
Aina et al. | Perception and acceptance of medical chatbot among undergraduates in Ekiti State University, Nigeria | |
CN110444286A (zh) | 在对象异常状态的决策支持中利用自然语言处理的方法 | |
Moens et al. | Computer-assisted diagnosis of rheumatic disorders | |
Arunkumar et al. | Application using machine learning to promote women’s personal health | |
US20210104307A1 (en) | Personalized Patient Engagement in Care Management Using Explainable Behavioral Phenotypes | |
TWI823067B (zh) | 控制方法以及醫療系統 | |
WO2023188800A1 (ja) | 運動機能改善支援装置、運動機能改善支援方法及び非一時的なコンピュータ可読媒体 | |
Yang et al. | Understanding Natural Language: Potential Application of Large Language Models to Ophthalmology | |
Valls et al. | Information flow in graph neural networks: A clinical triage use case | |
WO2023095071A1 (en) | System and method for providing enhanced medical symptom checker | |
Shitaw | Hybrid Knowledge Based System for Pregnancy Related Disease Diagnosis | |
US20210110914A1 (en) | Illustrative Medical Imaging for Functional Prognosis Estimation | |
Anderson et al. | Library evidence report: Clinical decision support tools for diagnostic accuracy. | |
Lee | Statistical Reasoning in Network Data | |
WO2023095069A1 (en) | An adaptive disease prediction system in an ai symptom-checker | |
Negasa et al. | Developing a Self-Learning Knowledge-Based System for Follow-up and Treatment of Pregnancy Induced Hypertension | |
Khumrin | The use of clinical decision support systems for the development of medical students' diagnostic reasoning skills. |