WO2022055394A1 - Цифровая компьютерно-реализуемая платформа для создания медицинских приложений с использованием искусственного интеллекта и способ её работы - Google Patents
Цифровая компьютерно-реализуемая платформа для создания медицинских приложений с использованием искусственного интеллекта и способ её работы Download PDFInfo
- Publication number
- WO2022055394A1 WO2022055394A1 PCT/RU2021/050225 RU2021050225W WO2022055394A1 WO 2022055394 A1 WO2022055394 A1 WO 2022055394A1 RU 2021050225 W RU2021050225 W RU 2021050225W WO 2022055394 A1 WO2022055394 A1 WO 2022055394A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- application
- applications
- data
- execution
- studies
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/20—Software design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
-
- 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
- G16H50/70—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
Definitions
- the present technical solution relates to the field of computer technology, in particular, to a digital computer-implemented platform for creating medical applications using artificial intelligence and how it works.
- the prior art solution chosen as the closest analogue, RU 2203679 C2.
- This solution relates to the field of computer technology, namely, decision support systems in medicine.
- the data contained in the medical history of patients selected from a pre-formed training sample is processed; converting this data into a sequence of medical facts for each patient using medical ontologies; perform automatic markup of the received sequence of medical facts for each patient, using the diagnoses or other interesting facts extracted from the patient's medical history; produce training of primary representations independently for each of the modalities; carry out training of joint representations; train the final models and aggregation parameters; receive a patient's medical history that is not included in the training sample, and pre-process data from it; transforming the processed data into a sequence of medical facts using medical ontologies; the resulting set of facts is sent to the input of the trained final models; determine the diagnosis, analyze and predict the development of the patient's diseases with the highest probability, corresponding to the presented set of facts
- the above technical solution is aimed at solving the problem of creating a mathematical model of the patient, with the help of which it becomes possible to improve the accuracy of diagnosis and to analyze and predict the development of diseases for a particular patient.
- the prior art does not disclose information about the centralized collection of medical information on feedback for subsequent refinement of models.
- the proposed solution is aimed at eliminating the shortcomings of the state of the art and differs from the known solutions in that the proposed platform provides a centralized collection of medical information on application feedback for subsequent refinement of models.
- the technical result consists in expanding the arsenal of technical means of the platform.
- a digital computer-implemented platform for creating medical applications using artificial intelligence contains: a data storage subsystem configured to receive medical research data from information systems of medical institutions (HCI) for their processing and transmission of research processing results to the application development environment, to the study viewing and markup tools, and to the application execution subsystem; tools for viewing and marking studies, made with the ability to store and manage the original and marked studies; markup organization; integration of research into the information systems of healthcare facilities; an application development environment configured to store and manage application source codes, access to marked studies in the data storage subsystem, automate computational experiments using the application launch environment, integrate with research viewing tools to view intermediate results of applications; an application launch environment configured to launch intermediate versions of applications for testing and debugging, use the computing resources of the clusters to train models; an application execution subsystem configured to receive developed applications and ensure their execution upon external requests via API and integration into health care facility information systems, and also configured to create predictive models; an application showcase, wherein the application showcase is implemented as an external interface, providing the ability to quickly familiarize yourself
- viewing and marking studies is carried out using a DICOM viewer.
- the application development environment contains a directory of algorithms.
- the application mart receives the initial data for applications centrally from the repository.
- the algorithms are launched in asynchronous tasks that are queued for execution, and after the execution of the asynchronous task, the result of the execution is stored in the database, a new entity is created, the dataset is the result of the algorithm, consisting of files received during processing of the initial dataset.
- the claimed result is also achieved due to the method of operation of a digital computer-implemented platform for creating medical applications using artificial intelligence, which, in turn, contains the steps at which: through the data storage subsystem, medical research data is obtained from information systems of medical and preventive institutions (LPU), their further processing and transfer of the obtained results to the application development environment, to the tools for viewing and marking studies, as well as to the application execution subsystem; through the tools for viewing and labeling studies, the organization of data labeling and integration of data into the information systems of healthcare facilities, as well as further storage and management of initial and labeled studies, is carried out; through the application development environment, the source code of algorithms is stored and modified, and the application development environment has access to marked studies; launching intermediate versions of applications for testing and debugging them through the application launch environment, and the application launch environment can use the computing resources of the clusters to train models; the developed applications are accepted, they are executed by external requests through the API, integrated into the information systems of healthcare facilities and the creation of predictive models through the application execution subsystem; displays the results of the application
- viewing and markup of studies is carried out using a DICOM viewer.
- the application development environment contains a directory of algorithms.
- the application mart receives the initial data for applications centrally from the repository.
- the algorithms are launched in asynchronous tasks that are queued for execution, and after the execution of the asynchronous task, the result of the execution is saved to the database, a new entity is created, the dataset is the result of the algorithm, consisting of files received during processing of the initial dataset.
- Fig.1 illustrates the scheme of operation of the proposed platform.
- FIG. 2 illustrates a diagram of a computing device.
- the data storage subsystem provides the ability to communicate with the data provider - medical organizations. Through the storage subsystem data, requirements are formed for the request and transfer of initial medical research data from health facilities for their further processing.
- Data viewing and marking tools provide the ability to store source data and work with datasets (create, classify, set access rights, etc.). Data browsing and markup tools also provide communication between data providers, algorithm developers, and markups.
- the subsystem provides the ability to create formalized markup requirements, as well as select a markup tool for the specified output data format.
- Backassist is a web application written using python 3.7 and django 2.2.
- PostgreSQL 10 was used as a database.
- the algorithms are launched in asynchronous tasks that are queued for execution, after the execution of the asynchronous task, the result of the execution is saved to the database, a new entity is also created, a dataset is the result of the algorithm, consisting of files obtained during the processing of the initial dataset.
- the main entity is a project, each project can have users, datasets, and algorithms. To get into the project, you must send a request (ProjectInvitationRequest) to join the project, and after its approval, the user has a role in the project (UserProjectRole).
- Datasets consist of files, for a dataset there can be several dataset markups that combine file markups from this dataset.
- Algorithms the base of machine learning algorithms that can be run on datasets from the project.
- the result will be a dataset consisting of data obtained after processing the source dataset file by the algorithm.
- the EEG marker is intended for viewing and marking EEG records.
- the system provides the ability to view EEG recordings in the EDF and EDF+ formats in the web interface.
- the system is a convenient tool for working with EEG records.
- the web interface facilitates access and requires an Internet connection and an Internet browser on the doctor's computer to work in the system.
- DICOM Digital Imaging and Communications in Medicine markup is a medical industry standard for creating, storing, transmitting and visualizing digital medical images and documents of examined patients.
- the DICOM Viewer is designed to view and mark up DICOM/NIFTI/PNG/JPG/BMP/TIF/RAR/ZIP files.
- the system is a convenient tool for working with MRI, CT images, etc.
- the web interface facilitates access and requires an Internet connection and an Internet browser on the doctor's computer to work in the system.
- the system provides the ability to view images in the web interface DICOM/NIFTI/PNG/JPG/BMP/TIF/RAR/ZIP.
- the system also provides marking anomalies on images and saving markup.
- the application development environment provides storage and modification of the source code of algorithms, commenting and joint work of a group of users on modification of programs. Its work is presented in the form of shared access to the git repository, through the user interfaces of development programs and IDEs, such as GitLab, JupiterHub, etc.
- the application development IDE consists of JupiterHub and a client application that allows you to allocate computing resources for resource-intensive tasks within development (for example, training models and setting up experiments to test hypotheses).
- Computing resources are allocated in the form of Docker containers, the configuration of which is configured upon creation (both automatic rules and manual settings).
- the tight integration of JupyterHub and the client application with a Kubernetes-based container management system allows you to optimally allocate available computing resources.
- Running and testing algorithms for debugging is done through the application launch environment through a container-based virtualization subsystem and allows you to simultaneously debug many programs in independent and isolated spaces.
- the implementation of this functionality is based on Docker and Kubernetes technologies.
- the interaction between the development system and the launch system is provided through internal system calls to the systems API.
- Kanban board-based task management system An agile approach, often used in algorithm development teams, is implemented in the communication system through a Kanban board-based task management system. This allows you to track the process of developing an algorithm, interactions on requests, monitoring and commenting on the status of task execution.
- the application execution subsystem is designed to work with initial and labeled medical research data, create predictive models and develop applications for implementation on the platform. Also, the subsystem communicates between end users (customers), algorithm developers, experts and investors (if necessary). Allows you to streamline the process of reviewing and final testing applications before automatically publishing to the application showcase. Doctors and data scientists can exchange data, the results of applications, and this happens in a uniform way, using the same EEG and DICOM viewing and marking tools, in the same tools, users have the ability to adjust the markup to give feedback, which simplifies the process.
- the application showcase is the external (client) side of services and applications hosted on the platform with prescribed API access and connectivity.
- the purpose of hosting applications is to develop applications by providing potential consumers with a single interface for review and testing.
- the showcase displays algorithms developed in the platform subsystem for their development and publication in order to further promote among potential consumers.
- image series markers DICOM and EEG are used.
- the work of each of the viewers is unique and provides a set of tools appropriate for each study.
- the proposed solution also contains and interacts with the following elements.
- a subsystem for querying and collecting data from information systems of medical institutions which has the ability to integrate data from healthcare facilities to download a dataset, and also has the ability to request data from partner clinics.
- Subsystem for storing and marking data and project cabinets In the project office, simultaneous testing of machine learning algorithms, markup and preprocessing of datasets, commenting on the results by medical experts and their further publication as a notebook report or on the application showcase can be carried out.
- the platform allows you to get the result, quickly and efficiently analyze it.
- the types of rooms are divided into different areas of medical research.
- the interface allows users to seamlessly connect and work on the platform alongside scientists.
- each element in the proposed platform can act as an independent element, the structure and behavior of which is subject to certain rules.
- each element of the platform can also be implemented as a functionally programmed element.
- the process of developing a digital computer-implemented platform for creating medical applications using artificial intelligence includes the following steps:
- raw data that is suitable for markup and subsequent development of the model is in the medical institution for which this application is being developed. If they are not available, then the process of collecting data in other medical institutions is initiated. When the raw data in the required amount is found, the process of their preparation begins in accordance with the requirements established in advance. Markup results are usually files of specialized formats.
- the development of a predictive model is a knowledge-intensive iterative process that consists of generating hypotheses and testing them in computational experiments.
- the technical support of the process includes computing power integrated with tools for prototyping and automation of computational experiments.
- FIG. one The operation of a digital computer-implemented platform for creating medical applications using artificial intelligence is shown in FIG. one.
- the data storage subsystem receives information about the user's rights (medical worker, data analyst) and implements the differentiation of access rights to data.
- each user has his own set of data, which is available only to him. The user can share data through the "project spaces" directories and provide access to them to all participants at the discretion of the user.
- the user (medical worker, data analyst) goes through the registration procedure on the platform, can then authenticate in the subsystems and manage his personal data.
- the user uploads data to the cloud storage for subsequent use in other subsystems or downloads data (medical research, medical data markup results, application performance results) from the storage.
- the user uses the visualization and data marking tools available on the platform, for example, EEG (Electroencephalogram), MRI (Magnetic Resonance Imaging), ECG (Electrocardiography), CT (Computed Tomography) and other types of studies medical research.
- EEG Electroencephalogram
- MRI Magnetic Resonance Imaging
- ECG Electrocardiography
- CT Computer Purted Tomography
- visualization and data markup tools receive previously downloaded data centrally from the storage, data markup is carried out and the markup results are stored in the data warehouse.
- the user develops applications using platform tools built on top of Gitlab and Jupyterhub.
- the development environment provides the user (data scientist) with access to centrally stored data.
- the development environment provides the user (data scientist) with the ability to use computing resources to train models and run intermediate versions of applications for execution.
- the development environment receives information about the rights of the user (data scientist) and implements the differentiation of access rights to data and computing resources.
- the user medical worker launches the completed applications through the graphical interface and views the results in it.
- the application showcase uses data visualization tools (EEG and DICOM) to display the results of the applications in a familiar way for the user (medical worker).
- EEG and DICOM data visualization tools
- the application showcase receives information about the rights of the user (medical worker) and implements the differentiation of access rights to applications.
- the system administrator has the ability to provide registered users with access to certain applications through the control panel.
- the application mart receives the initial data for the applications centrally from the repository.
- the application mart uses computing resources to launch applications.
- the application launcher places the results of the applications centrally in the repository.
- the user (medical worker, data analyst) exchanges messages with other users of the platform.
- the system has a user interface (text and the ability to attach files), the ability to reply to messages. All messages go centrally to the database and then become available to recipients.
- the messaging subsystem receives information about the user and implements the differentiation of access rights to messages.
- the differentiation of rights consists in the ability to view messages only intended for him, and this check takes place in the database.
- the task is set to determine the focal neoplasms of the liver.
- computed tomography (CT) data are collected from liver studies in the DICOM (Digital Imaging and Communications in Medicine) format and focal neoplasms are marked using the DICOM marker and viewer.
- a predictive model is being developed using the markup of the collected data and the construction of a model based on neural networks, which is made with the ability to distinguish focal liver tumors by CT research.
- tests of test data are carried out, by directly testing the model and comparing the results with reference ones, as well as joint tests with doctors.
- the model is placed in the application launch subsystem with its subsequent display on the application showcase, thereby implementing the user interface. Implementation into operation is carried out by providing a user interface and integrating the model into the LPU. Support and improvement of the system is carried out by forming feedback with doctors through e-mail requests.
- FIG. 2 is a general diagram of a computing device (200) that is configured to provide the data processing needed to implement the claimed solution.
- the device (200) contains such components as: one or more processors (201), at least one memory (202), a data storage medium (203), input/output interfaces (204), an I/O means ( 205), networking tools (206).
- processors 201
- memory 202
- data storage medium 203
- input/output interfaces 204
- I/O means 205
- networking tools 206
- the processor (201) of the device performs the basic computing operations necessary for the operation of the device (200) or the functionality of one or more of its components.
- the processor (201) executes the necessary machine-readable instructions contained in the main memory (202).
- the memory (202) is typically in the form of RAM and contains the necessary software logic to provide the desired functionality.
- the data storage means (203) can be in the form of HDD, SSD disks, raid array, network storage, flash memory, optical information storage devices (CD, DVD, MD, Blue-Ray disks), etc.
- the means (203) allows long-term storage of various types of information, for example, the above-mentioned files with user data sets, a database containing records of time intervals measured for each user, user identifiers, etc.
- Interfaces (204) are standard means for connecting and working with the server part, for example, USB, RS232, RJ45, LPT, COM, HDMI, PS/2, Lightning, FireWire, etc.
- interfaces (204) depends on the specific implementation of the device (200), which can be a personal computer, mainframe, server cluster, thin client, smartphone, laptop, and the like.
- the keyboard hardware can be any known: it can be either a built-in keyboard used on a laptop or netbook, or a separate device connected to a desktop computer, server, or other computer device. Connection in this case, it can be either wired, in which the keyboard connection cable is connected to the PS / 2 or USB port located on the system unit of the desktop computer, or wireless, in which the keyboard exchanges data via a wireless communication channel, for example, a radio channel, with the base station, which, in turn, is directly connected to the system unit, for example, to one of the USB ports.
- I/O devices can also use: joystick, display (touchscreen), projector, touchpad, mouse, trackball, light pen, speakers, microphone, etc.
- Means of networking (206) are selected from a device that provides network reception and transmission of data, for example, an Ethernet card, WLAN/Wi-Fi module, Bluetooth module, BLE module, NFC module, IrDa, RFID module, GSM modem, etc.
- a device that provides network reception and transmission of data for example, an Ethernet card, WLAN/Wi-Fi module, Bluetooth module, BLE module, NFC module, IrDa, RFID module, GSM modem, etc.
- the organization of data exchange over a wired or wireless data transmission channel for example, WAN, PAN, LAN (LAN), Intranet, Internet, WLAN, WMAN or GSM.
- the components of the device (200) are coupled via a common data bus (710).
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Заявленная цифровая компьютерно-реализуемая платформа для создания медицинских приложений с использованием искусственного интеллекта содержит: подсистему хранения данных, выполненную с возможностью получения данных медицинских исследований из информационных систем лечебно-профилактических учреждений (ЛПУ); инструменты просмотра и разметки исследований, выполненные с возможностью хранения и управления исходными и размеченными исследованиями, организации разметки, интеграции исследований в информационные системы ЛПУ; среду разработки приложений, выполненную с возможностью хранения и управления исходными кодами приложений; среду запуска приложений, выполненную с возможностью запуска промежуточных версий приложений для тестирования и отладки; подсистему выполнения приложений, выполненную с возможностью приема разработанных приложений и обеспечения их выполнения по внешним запросам, а также выполненную с возможностью создания предсказательных моделей; витрину приложений, реализованную в виде внешнего интерфейса, предоставляющую возможность быстрого ознакомления с существующими приложениями, выполнения тестовых запусков приложений, ведения истории запусков приложений с возможностью просмотра результатов работы приложений; подсистему аутентификации пользователей; подсистему обмена сообщениями.
Description
ЦИФРОВАЯ КОМПЬЮТЕРНО-РЕАЛИЗУЕМАЯ ПЛАТФОРМА ДЛЯ СОЗДАНИЯ МЕДИЦИНСКИХ ПРИЛОЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И СПОСОБ ЕЁ РАБОТЫ
ОБЛАСТЬ ТЕХНИКИ
Настоящее техническое решение относится к области вычислительной техники, в частности, к цифровой компьютерно-реализуемой платформе для создания медицинских приложений с использованием искусственного интеллекта и способу её работы.
УРОВЕНЬ ТЕХНИКИ
Из уровня техники известно решение, выбранное в качестве наиболее близкого аналога, RU 2203679 С2. Данное решение относится к области вычислительной техники, а именно к системам поддержки принятия решений в медицине. В указанном решении обрабатывают данные, содержащиеся в истории болезней пациентов, выбранных из предварительно сформированной обучающей выборки; преобразовывают эти данные в последовательность медицинских фактов по каждому пациенту с использованием медицинских онтологий; производят автоматическую разметку полученной последовательности медицинских фактов по каждому пациенту, используя извлеченные из истории болезни пациента диагнозы или другие интересующие факты; производят обучение первичных репрезентаций независимо для каждой из модальностей; осуществляют обучение совместных репрезентаций; производят обучение финальных моделей и параметров агрегации; получают историю болезни пациента, не входящую в обучающую выборку, и производят предварительную обработку данных из неё; преобразовывают обработанные данные в последовательность медицинских фактов с использованием медицинских онтологий; полученный набор фактов отправляют на вход обученным финальным моделям; определяют диагноз, проводят анализ и прогноз развития заболеваний пациента с наибольшей вероятностью, соответствующий предъявленному набору фактов
Вышеуказанное техническое решение направлено на решение проблемы создания математической модели пациента при помощи которой появляется возможность повысить точность диагностирования и осуществлять анализ и прогноз развития заболеваний для конкретного пациента. Однако стоит отметить, что в известном уровне техники, не раскрыта информация о централизованном сборе медицинской информации по обратной связи для последующей доработки моделей.
Предлагаемое решение направлено на устранение недостатков современного уровня техники и отличается от известных решений тем, что предложенная платформа, обеспечивает централизованный сбор медицинской информации по обратной связи по приложениям для последующей доработки моделей.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
Технической проблемой, на решение которой направлено заявленное решение, является создание цифровой компьютерно-реализуемой платформы для создания медицинских приложений с использованием искусственного интеллекта и способ её работы. Дополнительные варианты реализации настоящего изобретения представлены в зависимых пунктах изобретения.
Технический результат заключается в расширении арсенала технических средств платформы.
Заявленный результат достигается за счет осуществления цифровой компьютернореализуемой платформы для создания медицинских приложений с использованием искусственного интеллекта, которая содержит: подсистему хранения данных, выполненную с возможностью получения данных медицинских исследований из информационных систем лечебно-профилактических учреждений (ЛПУ) для их обработки и передачи результатов обработки исследований в среду разработки приложений, в инструменты просмотра и разметки исследований, а также в подсистему выполнения приложений; инструменты просмотра и разметки исследований, выполненные с возможностью хранения и управления исходными и размеченными исследованиями; организации разметки; интеграции исследований в информационные системы ЛПУ; среду разработки приложений, выполненную с возможностью хранения и управления исходными кодами приложений, доступа к размеченным исследованиям в подсистеме хранения данных, автоматизации вычислительных экспериментов с использованием среды запуска приложений, интеграции с инструментами просмотра исследований для просмотра промежуточных результатов работы приложений; среду запуска приложений, выполненную с возможностью запуска промежуточных версий приложений для тестирования и отладки, использовать вычислительные ресурсы кластеров для обучения моделей; подсистему выполнения приложений, выполненную с возможностью приема разработанных приложений и обеспечения их выполнения по внешним запросам через API и интеграции в информационные системы ЛПУ, а также выполненную с возможностью создания предсказательных моделей; витрину приложений, причем витрина приложений реализована в виде внешнего интерфейса, предоставляющую возможность быстрого ознакомления с существующими приложениями, выполнения тестовых запусков приложений, ведения истории запусков приложений с возможностью просмотра результатов работы приложений; подсистему аутентификации пользователей; подсистему обмена сообщениями, выполненную с возможностью получения информации о пользователе платформы и обеспечении разграничения прав доступа к сообщениям между пользователями.
В частном варианте реализации описываемой платформы, инструменты просмотра и разметки исследований выполнены с возможностью управления датасетами, а именно с возможностью создания, классификации и настройки прав доступа.
В другом частном варианте реализации описываемой платформы, просмотр и разметка исследований осуществляется посредством просмоторщика DICOM.
В другом частном варианте реализации описываемой платформы, среда разработки приложений содержит каталог алгоритмов.
В другом частном варианте реализации описываемой платформы, витрина приложений получает исходные данные для приложений централизованно из хранилища.
В другом частном варианте реализации описываемой платформы, запуск алгоритмов происходит в асинхронных задачах, которые ставятся в очередь на выполнение, причем, после выполнения асинхронной задачи результат выполнения сохраняется в базу данных, создается новая сущность, датасет - результат работы алгоритма, состоящий из файлов, полученных в ходе обработки первоначального датасета.
Заявленный результат также достигается за счет способа работы цифровой компьютерно-реализуемой платформы для создания медицинских приложений с использованием искусственного интеллекта, который, в свою очередь, содержит этапы, на которых: посредством подсистемы хранения данных, осуществляется получение данных медицинских исследований из информационных систем лечебно-профилактических учреждений (ЛПУ), дальнейшая их обработка и передача полученных результатов в среду разработки приложений, в инструменты просмотра и разметки исследований, а также в подсистему выполнения приложений; посредством инструментов просмотра и разметки исследований, осуществляется организация разметки данных и интеграция данных в информационные системы ЛПУ, а также дальнейшее хранение и управление исходными и размеченными исследованиями; посредством среды разработки приложений осуществляется хранение и изменение исходного кода алгоритмов, причем среда разработки приложений имеет доступ к размеченным исследованиям; осуществляется запуск промежуточных версий приложений для их тестирования и отладки посредством среды запуска приложений, причем среда запуска приложений может использовать вычислительные ресурсы кластеров для обучения моделей; осуществляется прием разработанных приложений, их выполнение по внешним запросам через API, интеграция в информационные системы ЛПУ и создание предсказательных моделей посредством подсистемы выполнения приложений; осуществляется отображение результатов работы приложений посредством витрины приложений.
В частном варианте реализации описываемого способа, инструменты просмотра и разметки исследований выполнены с возможностью управления датасетами, а именно с возможностью создания, классификации и настройки прав доступа.
В другом частном варианте реализации описываемого способа, просмотр и разметка исследований осуществляется посредством просмоторщика DICOM.
В другом частном варианте реализации описываемого способа, среда разработки приложений содержит каталог алгоритмов.
В другом частном варианте реализации описываемого способа, витрина приложений получает исходные данные для приложений централизованно из хранилища.
В другом частном варианте реализации описываемого способа, запуск алгоритмов происходит в асинхронных задачах, которые ставятся в очередь на выполнение, причем, после выполнения асинхронной задачи результат выполнения сохраняется в базу данных, создается новая сущность, датасет - результат работы алгоритма, состоящий из файлов, полученных в ходе обработки первоначального датасета.
ОПИСАНИЕ ЧЕРТЕЖЕЙ
Реализация изобретения будет описана в дальнейшем в соответствии с прилагаемыми чертежами, которые представлены для пояснения сути изобретения и никоим образом не ограничивают область изобретения. К заявке прилагаются следующие чертежи:
Фиг.1 , иллюстрирует схему работы предлагаемой платформы.
Фиг.2, иллюстрирует схему вычислительного устройства.
ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ
В приведенном ниже подробном описании реализации изобретения приведены многочисленные детали реализации, призванные обеспечить отчетливое понимание настоящего изобретения. Однако, квалифицированному в предметной области специалисту, будет очевидно каким образом можно использовать настоящее изобретение, как с данными деталями реализации, так и без них. В других случаях хорошо известные методы, процедуры и компоненты не были описаны подробно, чтобы не затруднять излишне понимание особенностей настоящего изобретения.
Кроме того, из приведенного изложения будет ясно, что изобретение не ограничивается приведенной реализацией. Многочисленные возможные модификации, изменения, вариации и замены, сохраняющие суть и форму настоящего изобретения, будут очевидными для квалифицированных в предметной области специалистов.
Подробное описание элементов платформы.
Подсистема хранения данных предоставляет возможность коммуникации с поставщиком данных - медицинскими организациями. Посредством подсистемы хранения
данных формируются требования по запросу и передаче исходных данных медицинских исследований из ЛПУ для их дальнейшей обработки.
Инструменты просмотра и разметки данных предоставляют возможность хранить исходные данные и работать с датасетами (создавать, классифицировать, настраивать права доступа и т.п.). Инструменты просмотра и разметки данных, также обеспечивают коммуникацию между поставщиками данных, разработчиками алгоритмов и разметчиками. Подсистема предоставляет возможность создания формализованных требований к разметке, а также выбора инструмента разметки под указанный формат выходных данных.
Backassist - веб приложение, написанное с использованием python 3.7 и django 2.2. В качестве базы данных использован postgreSQL 10. Так же есть celery для асинхронных задач по взаимодействию с внешними системами, например с Коброй. Запуск алгоритмов происходит в асинхронных задачах, которые ставятся в очередь на выполнение, после выполнения асинхронной задачи результат выполнения сохраняется в базу данных, также создается новая сущность, датасет - результат работы алгоритма, состоящий из файлов, полученных в ходе обработки изначального датасета.
Общая схема базы данных выглядит следующим образом:
• Основная сущность - проект, в каждом проекте могут быть пользователи, датасеты, и алгоритмы. Чтобы попасть в проект необходимо направить запрос (ProjectlnvitationRequest) на вступление в проект и после его одобрения у пользователя появляется роль в проекте (UserProjectRole).
• Датасеты состоят из файлов, для датасета может существовать несколько разметок датасета, объединяющих в себя разметки файлов из этого датасета.
• Алгоритмы - база алгоритмов машинного обучения, которые можно запускать на датасетах из проекта. В результате получится датасет, состоящий из данных, полученных после обработкой алгоритмом файла исходного датасета.
Разметчик ЭЭГ предназначен для просмотра и разметки записей ЭЭГ. Система предоставляет возможность просматривать в веб интерфейсе записи ЭЭГ формата EDF и EDF+. Система является удобным инструментом для работы с записями ЭЭГ. Веб интерфейс облегчает доступ и требует для работы в системе подключения к сети интернет и наличия интернет браузера на компьютере врача.
Разметчик DICOM (Digital Imaging and Communications in Medicine) — медицинский отраслевой стандарт создания, хранения, передачи и визуализации цифровых медицинских изображений и документов обследованных пациентов.
Просмотрщик DICOM предназначен для просмотра и разметки файлов с форматами DICOM/NIFTI/PNG/JPG/BMP/TIF/RAR/ZIP. Система является удобным инструментом для работы со снимками МРТ, КТ и т.п. Веб интерфейс облегчает доступ и требует для работы в системе подключения к сети интернет и наличия интернет браузера на компьютере врача. Система предоставляет возможность просматривать в веб интерфейсе снимки
DICOM/NIFTI/PNG/JPG/BMP/TIF/RAR/ZIP. Также система предоставляет размечать аномалии на снимках и сохранять разметку.
Среда разработки приложений обеспечивает хранение и изменение исходного кода алгоритмов, комментирование и совместную работу группы пользователей над модификацией программ. Ее работа представлена в виде разделяемого доступа к git- репозитарии, через пользовательские интерфейсы программ разработки и IDE, такие как GitLab, JupiterHub и др. IDE для разработки приложений состоит из JupiterHub и клиентского приложения, которое позволяет выделять вычислительные ресурсы под ресурсоёмкие задачи в рамках разработки (например, обучения моделей и постановки экспериментов для проверки гипотез). Вычислительные ресурсы выделяются в виде Docker-контейнеров, конфигурация которых настраивается при создании (как автоматические правила, так и ручные настройки). Тесная интеграция JupyterHub и клиентского приложения с системой управления контейнерами на базе Kubernetes позволяет оптимально распределять доступные вычислительные ресурсы.
Запуск и тестирование алгоритмов с целью отладки осуществляется через среду запуска приложений посредством подсистемы виртуализации на основе контейнеров и позволяет одновременно отлаживать множество программ в независимых и изолированных пространствах. В основе реализации данного функционала лежат технологии Docker и Kubernetes. Взаимодействие между системой разработки и системой запуска обеспечивается за счет внутренних системных вызовов к API систем.
Непосредственная разработка алгоритмов не привязана к конкретному языку программирования или реализации и может использоваться любой из современных языков программирования. Это качество платформы возможно благодаря расширяемому языку шаблонов, который связан с подсистемой запуска алгоритмов.
Гибкий (agile) подход, часто применяемый в командах разработчиков алгоритмов, реализован в системе коммуникации через систему управления задачами на базе Kanban- доски. Это позволяет отслеживать процесс разработки алгоритма, взаимодействия по запросам, контроль и комментирование статусов выполнения задач.
Подсистема выполнения приложений предназначена для работы с исходными и размеченными данными медицинских исследований, создания предсказательных моделей и разработки приложений для внедрения на платформу. Также, подсистема осуществляет коммуникацию между конечными потребителями (заказчиками), разработчиками алгоритмов, экспертами и инвесторами (при необходимости). Позволяет оптимизировать процесс проверки и финального тестирования приложений перед автоматической публикацией в витрину приложений. Врачи и датасаентисты могут обмениваться данными, результатами работы приложений, причем это происходит в единообразной форме, используя одни и те же инструменты просмотра и разметки ЭЭГ и DICOM, в этих же
инструментах пользователи имеют возможность корректировать разметку давать обратную связь, что упрощает процесс.
Витрина приложений является внешней (клиентской) стороной размещенных на платформе сервисов и приложений с прописанным доступом по API и возможностью подключения. Целью размещения приложений является разработка приложений путем предоставления потенциальным потребителям единого интерфейса для ознакомления и тестирования. На витрине отображаются алгоритмы, разработанные в подсистеме платформы по их разработке и публикации с целью дальнейшего продвижения среди потенциальных потребителей.
Для просмотра результатов работы алгоритма используются разметчики серий изображений, DICOM и ЭЭГ. Работа каждого из просмотрщиков уникальна и предоставляет соответствующий каждому исследованию набор инструментов.
Предлагаемое решение также содержит и взаимодействует со следующими элементами.
Хранилище медицинских датасетов и алгоритмов, которое обладает удобной архитектурой хранения и работы с данным (во встроенном разметчике - вьювере).
Среда разработки и запуска алгоритмов, содержащая каталог алгоритмов.
Подсистема запросов и сбора данных из информационных систем лечебнопрофилактических учреждений, обладающая возможностью интегрировать данные из ЛПУ для загрузки датасета, а также имеющая возможность запрашивать данных из клиник партнеров.
Сервис просмотра и разметки, содержащий персональный, под каждую задачу, разметчик, выполненный с возможностью импортировать или скачивать разметку.
Подсистема хранения и разметки данных и проектных кабинетов. В проектном кабинете может осуществляться одновременное тестирование алгоритмов машинного обучения, разметка и предобработка датасетов, комментирование результатов медицинскими экспертами и дальнейшая публикация их в качестве отчета-ноутбука или на витрину приложений.
Платформа позволяет получить результат, быстро и эффективно его анализировать. Виды кабинетов разделены под различные области медицинских исследований. Интерфейс позволяет пользователям беспроблемно подключиться и работать на платформе вместе с учеными.
Необходимо учесть, что каждый элемент в предлагаемой платформе может выступать в виде независимого элемента, структура и поведение которого подчиняются определённым правилам. При этом, каждый элемент платформы, также может быть реализован в качестве функционально-запрограммированного элемента.
Процесс разработки цифровой компьютерно-реализуемой платформы для создания медицинских приложений с использованием искусственного интеллекта включает в себя следующие этапы:
• Постановка задачи на разработку системы поддержки принятия врачебных решений
• Сбор (разметка) данных для разработки предсказательной модели
• Разработка предсказательной модели
• Испытания разработанной предсказательной модели
• Разработка пользовательского интерфейса
• Внедрение в эксплуатацию
• Поддержка и совершенствование системы
Формирование задачи на разработку системы и определение требований к этой системе обычно происходит в диалоге между медиками и учеными по данным. В процессе общения осуществляется обмен данными об актуальных проблемах, описываются бизнес- процессы и указываются те задачи, которые можно решить с помощью вычислительного устройства. Ученые выбирают те задачи, которые выполнимы на текущем уровне развития техники и демонстрируют наработки. После того, как определены задачи, учёные формируют требования к данным, на базе которых будет разрабатываться система.
Чаще всего сырые данные, которые пригодны для разметки и последующей разработки модели, есть в медицинском учреждении, для которого это приложение разрабатывается. Если их нет, то инициируется процесс сбора данных в других медицинских учреждений. Когда сырые данные в нужном количестве найдены, начинается процесс их подготовки в соответствии с установленными заранее требованиями. Результатами разметки обычно являются файлы специализированных форматов.
Разработка предсказательной модели — это наукоемкий итеративный процесс, который состоит из формирования гипотез и их проверки в рамках вычислительных экспериментов. Техническое обеспечение процесса включает в себя вычислительные мощности, интегрированные с инструментами прототипирования и автоматизации вычислительных экспериментов.
После того, как предсказательная модель приемлемого качества разработана, к её испытаниям подключаются медики, которые оценивают качество работы модели на своих данных. Редко получается так, что модель не требует дальнейших доработок. Доработка модели подразумевает сбор дополнительных наборов размеченных данных и корректировку модели с их учетом. Процесс доработки также является итеративным и подразумевает тесное общение медиков и ученых.
После того, как делается вывод о том, что модель готова к практическому применению, осуществляется сбор требований и прототипирование пользовательского
интерфейса для её дальнейшего, более широкого использования в практике и распространения в медицинском сообществе.
Работа цифровой компьютерно-реализуемой платформы для создания медицинских приложений с использованием искусственного интеллекта представлена на Фиг. 1.
На первом этапе (1) подсистема хранения данных получает информацию о правах пользователя (медицинский работник, специалист по анализу данных) и реализует разграничение прав доступа к данным. При этом, в подсистеме хранения данных у каждого пользователя есть свой набор данных, который доступен только ему. Пользователь может размещать данные в общий доступ через директории «проектные пространства» и предоставлять доступ к ним всем участникам на усмотрение пользователя.
На втором этапе (2) пользователь (медицинский работник, специалист по анализу данных) проходит процедуру регистрации на платформе, может после этого аутентифицироваться в подсистемах и управлять своими персональными данными.
На третьем этапе (3) пользователь загружает данные в облачное хранилище для последующего использования в других подсистемах или скачивает данные (медицинские исследования, результаты разметки медицинских данных, результаты работы приложений) из хранилища.
На четвертом этапе (4) пользователь (медицинский работник) использует доступные на платформе инструменты визуализации и разметки данных, например, исследований ЭЭГ (Электроэнцефалограмма), МРТ (Магнитно-резонансная томография), ЭКГ (Электрокардиография), КТ (Компьютерная томография) и других видов медицинских исследований.
На пятом этапе (5) инструменты визуализации и разметки данных получают ранее загруженные данные централизованно из хранилища, осуществляются разметку данных и сохраняют результаты разметки в хранилище данных.
На шестом этапе (6) пользователь (специалист по анализу данных) разрабатывает приложения с помощью инструментов платформы, построенных на базе Gitlab и Jupyterhub.
На седьмом этапе (7) среда разработки предоставляет пользователю (учёному по данным) доступ к централизованно хранящимся данным.
На восьмом этапе (8) среда разработки предоставляет пользователю (учёному по данным) возможности использования вычислительных ресурсов для обучения моделей и запускать промежуточные версии приложений на выполнение.
На девятом этапе (9) среда разработки получает информацию о правах пользователя (учёного по данным) и реализует разграничение прав доступа к данным и вычислительным ресурсам.
На десятом этапе (10) пользователь (медицинский работник) запускает завершенные приложения через графический интерфейс и просматривает в нём результаты.
На одиннадцатом этапе (11) витрина приложений использует инструменты визуализации данных (ЭЭГ и DICOM) для отображения результатов работы приложений в привычном для пользователя (медицинский работника) виде.
На двенадцатом этапе (12) витрина приложений получает информацию о правах пользователя (медицинского работника) и реализует разграничение прав доступа к приложениям. При этом, администратор системы имеет возможность через панель управления предоставлять доступ зарегистрированным пользователям к тем или иным приложениям.
На тринадцатом этапе (13) витрина приложений получает исходные данные для приложений централизованно из хранилища.
На четырнадцатом этапе (14) витрина приложений использует вычислительные ресурсы для запуска приложений.
На пятнадцатом этапе (15) подсистема запуска приложений размещает результаты работы приложений централизованно в хранилище.
На шестнадцатом этапе (16) пользователь (медицинский работник, специалист по анализу данных) обменивается сообщениями с другими пользователями платформы. В системе реализован пользовательский интерфейс (текст и возможность прикрепления файлов), реализована возможность ответа на сообщения. Все сообщения централизованно уходят в базу данных и после этого становятся доступны получателям.
На семнадцатом этапе (17) подсистема обмена сообщениями получает информацию о пользователе и реализует разграничение прав доступа к сообщениям. Разграничение прав заключается в возможности просмотра сообщений, только предназначенных для него, и эта проверка происходит по базе данных. Есть группа пользователей, имеющих возможность рассылать сообщения группе других пользователей. Пользователи объединяются по группам
Далее, в качестве примера, будет приведен процесс разработки системы поддержки принятия решений по определению новообразований печени, однако стоит отметить, что данное решение может использоваться для определения любых патологий и болезней.
На первом этапе осуществляется постановка задачи по определению очаговых новообразований печени. Далее осуществляется сбор данных компьютерной томографии (КТ) исследований печени в формате DICOM (Digital Imaging and Communications in Medicine) и разметка очаговых новообразований с помощью разметчика и просмоторщика исследований DICOM. Осуществляется разработка предсказательной модели используя разметку собранных данных и построение модели на основе нейронных сетей, которая выполнена с возможностью отличать очаговые новообразования печени по КТ
исследованиям. Далее осуществляются испытания тестовых данных, путем прямого тестирования модели и сравнения результатов с референсными, а также совместными испытаниями с врачами. Модель размещается в подсистеме запуска приложений с последующим выводом ее на витрину приложений, тем самым реализуя пользовательский интерфейс. Внедрение в эксплуатацию осуществляется путем предоставления пользовательского интерфейса и интеграции модели в Л ПУ. Поддержка и совершенствование системы осуществляется путем формирования обратной связи с врачами через запросы по электронной почте.
На Фиг. 2 представлена общая схема вычислительного устройства (200), которое выполнено с возможностью обеспечивать обработку данных, необходимую для реализации заявленного решения.
В общем случае устройство (200) содержит такие компоненты, как: один или более процессоров (201), по меньшей мере одну память (202), средство хранения данных (203), интерфейсы ввода/вывода (204), средство В/В (205), средства сетевого взаимодействия (206).
Процессор (201 ) устройства выполняет основные вычислительные операции, необходимые для функционирования устройства (200) или функциональности одного или более его компонентов. Процессор (201) исполняет необходимые машиночитаемые команды, содержащиеся в оперативной памяти (202).
Память (202), как правило, выполнена в виде ОЗУ и содержит необходимую программную логику, обеспечивающую требуемый функционал.
Средство хранения данных (203) может выполняться в виде HDD, SSD дисков, рейд массива, сетевого хранилища, флэш-памяти, оптических накопителей информации (CD, DVD, MD, Blue-Ray дисков) и т.п. Средство (203) позволяет выполнять долгосрочное хранение различного вида информации, например, вышеупомянутых файлов с наборами данных пользователей, базы данных, содержащих записи измеренных для каждого пользователя временных интервалов, идентификаторов пользователей и т.п.
Интерфейсы (204) представляют собой стандартные средства для подключения и работы с серверной частью, например, USB, RS232, RJ45, LPT, COM, HDMI, PS/2, Lightning, FireWire и т.п.
Выбор интерфейсов (204) зависит от конкретного исполнения устройства (200), которое может представлять собой персональный компьютер, мейнфрейм, серверный кластер, тонкий клиент, смартфон, ноутбук и т.п.
В качестве средств В/В данных (205) в любом воплощении системы, реализующей описываемый способ, должна использоваться клавиатура. Аппаратное исполнение клавиатуры может быть любым известным: это может быть, как встроенная клавиатура, используемая на ноутбуке или нетбуке, так и обособленное устройство, подключенное к настольному компьютеру, серверу или иному компьютерному устройству. Подключение
при этом может быть, как проводным, при котором соединительный кабель клавиатуры подключен к порту PS/2 или USB, расположенному на системном блоке настольного компьютера, так и беспроводным, при котором клавиатура осуществляет обмен данными по каналу беспроводной связи, например, радиоканалу, с базовой станцией, которая, в свою очередь, непосредственно подключена к системному блоку, например, к одному из USB-портов. Помимо клавиатуры, в составе средств В/В данных также может использоваться: джойстик, дисплей (сенсорный дисплей), проектор, тачпад, манипулятор мышь, трекбол, световое перо, динамики, микрофон и т.п.
Средства сетевого взаимодействия (206) выбираются из устройства, обеспечивающий сетевой прием и передачу данных, например, Ethernet карту, WLAN/Wi- Fi модуль, Bluetooth модуль, BLE модуль, NFC модуль, IrDa, RFID модуль, GSM модем и т.п. С помощью средств (205) обеспечивается организация обмена данными по проводному или беспроводному каналу передачи данных, например, WAN, PAN, ЛВС (LAN), Интранет, Интернет, WLAN, WMAN или GSM.
Компоненты устройства (200) сопряжены посредством общей шины передачи данных (710).
В настоящих материалах заявки было представлено предпочтительное раскрытие осуществление заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники.
Claims
1. Цифровая компьютерно-реализуемая платформа для создания медицинских приложений с использованием искусственного интеллекта, содержащая:
• подсистему хранения данных, выполненную с возможностью получения данных медицинских исследований из информационных систем лечебнопрофилактических учреждений (Л ПУ) для их обработки и передачи результатов обработки исследований в среду разработки приложений, в инструменты просмотра и разметки исследований, а также в подсистему выполнения приложений;
• инструменты просмотра и разметки исследований, выполненные с возможностью хранения и управления исходными и размеченными исследованиями; организации разметки; интеграции исследований в информационные системы ЛПУ;
• среду разработки приложений, выполненную с возможностью хранения и управления исходными кодами приложений, доступа к размеченным исследованиям в подсистеме хранения данных, автоматизации вычислительных экспериментов с использованием среды запуска приложений, интеграции с инструментами просмотра исследований для просмотра промежуточных результатов работы приложений;
• среду запуска приложений, выполненную с возможностью запуска промежуточных версий приложений для тестирования и отладки, использовать вычислительные ресурсы кластеров для обучения моделей;
• подсистему выполнения приложений, выполненную с возможностью приема разработанных приложений и обеспечения их выполнения по внешним запросам через API и интеграции в информационные системы ЛПУ, а также выполненную с возможностью создания предсказательных моделей;
• витрину приложений, причем витрина приложений реализована в виде внешнего интерфейса, предоставляющую возможность быстрого ознакомления с существующими приложениями, выполнения тестовых запусков приложений, ведения истории запусков приложений с возможностью просмотра результатов работы приложений;
• подсистему аутентификации пользователей;
• подсистему обмена сообщениями, выполненную с возможностью получения информации о пользователе платформы и обеспечении разграничения прав доступа к сообщениям между пользователями.
2. Цифровая компьютерно-реализуемая платформа по п.1 , в которой инструменты просмотра и разметки исследований выполнены с возможностью управления датасетами, а именно с возможностью создания, классификации и настройки прав доступа.
3. Цифровая компьютерно-реализуемая платформа по п.1 , в которой просмотр и разметка исследований осуществляется посредством просмоторщика DICOM.
4. Цифровая компьютерно-реализуемая платформа по п.1, в которой среда разработки приложений содержит каталог алгоритмов.
5. Цифровая компьютерно-реализуемая платформа по п.1 , в которой витрина приложений получает исходные данные для приложений централизованно из хранилища.
6. Цифровая компьютерно-реализуемая платформа по п.1, в которой запуск алгоритмов происходит в асинхронных задачах, которые ставятся в очередь на выполнение, причем, после выполнения асинхронной задачи результат выполнения сохраняется в базу данных, создается новая сущность, датасет - результат работы алгоритма, состоящий из файлов, полученных в ходе обработки первоначального датасета.
7. Способ работы цифровой компьютерно-реализуемой платформы для создания медицинских приложений с использованием искусственного интеллекта, содержащий этапы, на которых:
• посредством подсистемы хранения данных, осуществляется получение данных медицинских исследований из информационных систем лечебнопрофилактических учреждений (ЛПУ), дальнейшая их обработка и передача полученных результатов в среду разработки приложений, в инструменты просмотра и разметки исследований, а также в подсистему выполнения приложений;
• посредством инструментов просмотра и разметки исследований, осуществляется организация разметки данных и интеграция данных в информационные системы ЛПУ, а также дальнейшее хранение и управление исходными и размеченными исследованиями;
• посредством среды разработки приложений осуществляется хранение и изменение исходного кода алгоритмов, причем среда разработки приложений имеет доступ к размеченным исследованиям;
• осуществляется запуск промежуточных версий приложений для их тестирования и отладки посредством среды запуска приложений, причем среда запуска приложений может использовать вычислительные ресурсы кластеров для обучения моделей;
• осуществляется прием разработанных приложений, их выполнение по внешним запросам через API, интеграция в информационные системы ЛПУ и создание предсказательных моделей посредством подсистемы выполнения приложений;
• осуществляется отображение результатов работы приложений посредством витрины приложений.
8. Способ по п.1, в котором инструменты просмотра и разметки исследований выполнены с возможностью управления датасетами, а именно с возможностью создания, классификации и настройки прав доступа.
9. Способ по п.1 , в котором просмотр и разметка исследований осуществляется посредством просмоторщика DICOM.
10. Способ по п.1 , в котором среда разработки приложений содержит каталог алгоритмов.
11. Способ по п.1 , в котором витрина приложений получает исходные данные для приложений централизованно из хранилища.
12. Способ по п.1 , в котором запуск алгоритмов происходит в асинхронных задачах, которые ставятся в очередь на выполнение, причем, после выполнения асинхронной задачи результат выполнения сохраняется в базу данных, создается новая сущность, датасет - результат работы алгоритма, состоящий из файлов, полученных в ходе обработки первоначального датасета.
15
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2020130011 | 2020-09-11 | ||
RU2020130011A RU2742261C1 (ru) | 2020-09-11 | 2020-09-11 | Цифровая компьютерно-реализуемая платформа для создания медицинских приложений с использованием искусственного интеллекта и способ её работы |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022055394A1 true WO2022055394A1 (ru) | 2022-03-17 |
Family
ID=74554864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/RU2021/050225 WO2022055394A1 (ru) | 2020-09-11 | 2021-07-19 | Цифровая компьютерно-реализуемая платформа для создания медицинских приложений с использованием искусственного интеллекта и способ её работы |
Country Status (2)
Country | Link |
---|---|
RU (1) | RU2742261C1 (ru) |
WO (1) | WO2022055394A1 (ru) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115033207A (zh) * | 2022-06-13 | 2022-09-09 | 四川数愈医疗科技有限公司 | 一种医疗认知智能科研平台的算法管理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050203771A1 (en) * | 2004-03-11 | 2005-09-15 | Achan Pradeep P. | System and method to develop health-care information systems |
US20140088988A1 (en) * | 2012-09-05 | 2014-03-27 | Dorsata, Inc. | Methods and systems for the collaborative development and discovery of web-based clinical pathways |
WO2016208901A1 (ko) * | 2015-06-22 | 2016-12-29 | 경북대학교 산학협력단 | 스마트 헬스 앱 개발을 위한 의료 정보 제공 방법, 이를 수행하기 위한 기록 매체 및 장치 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140282398A1 (en) * | 2013-03-15 | 2014-09-18 | Wolters Kluwer U.S. Corporation | Platform for developing and distributing mobile applications |
EP3047453A1 (en) * | 2013-09-16 | 2016-07-27 | VII Network Inc. | A web and mobile-based platform that unites workflow management and asynchronous video collaboration for healthcare |
US20200303072A1 (en) * | 2017-12-29 | 2020-09-24 | Obshchestvo S Ogranichennoj Otvetstvennostyu "Intellodzhik" | Method and system for supporting medical decision making |
-
2020
- 2020-09-11 RU RU2020130011A patent/RU2742261C1/ru active
-
2021
- 2021-07-19 WO PCT/RU2021/050225 patent/WO2022055394A1/ru active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050203771A1 (en) * | 2004-03-11 | 2005-09-15 | Achan Pradeep P. | System and method to develop health-care information systems |
US20140088988A1 (en) * | 2012-09-05 | 2014-03-27 | Dorsata, Inc. | Methods and systems for the collaborative development and discovery of web-based clinical pathways |
WO2016208901A1 (ko) * | 2015-06-22 | 2016-12-29 | 경북대학교 산학협력단 | 스마트 헬스 앱 개발을 위한 의료 정보 제공 방법, 이를 수행하기 위한 기록 매체 및 장치 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115033207A (zh) * | 2022-06-13 | 2022-09-09 | 四川数愈医疗科技有限公司 | 一种医疗认知智能科研平台的算法管理方法 |
CN115033207B (zh) * | 2022-06-13 | 2024-05-07 | 四川数愈医疗科技有限公司 | 一种医疗认知智能科研平台的算法管理方法 |
Also Published As
Publication number | Publication date |
---|---|
RU2742261C1 (ru) | 2021-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110121290B (zh) | 成像协议管理器 | |
US20200410400A1 (en) | Extracting facts from unstructured data | |
Brink et al. | Bits and bytes: the future of radiology lies in informatics and information technology | |
US8856169B2 (en) | Multi-modality, multi-resource, information integration environment | |
Suryantara et al. | Development of Medical Record With Extreme Programming SDLC | |
CN107978362A (zh) | 在医院网络中利用数据分布的查询 | |
US12347550B2 (en) | Imaging discovery utility for augmenting clinical image management | |
Redolfi et al. | Grid infrastructures for computational neuroscience: the neuGRID example | |
US12299166B2 (en) | Methods, systems and computer program products for handling data records using an application programming interface (API) and directory management system | |
RU2761518C1 (ru) | Цифровая платформа для постановки медицинских диагнозов на основе искусственного интеллекта с возможностью верификации врачом | |
EP3659150B1 (en) | Device, system, and method for optimizing image acquisition workflows | |
RU2742261C1 (ru) | Цифровая компьютерно-реализуемая платформа для создания медицинских приложений с использованием искусственного интеллекта и способ её работы | |
Zhang et al. | Anesthesia decision analysis using a cloud-based big data platform | |
US20200160941A1 (en) | Clinical case creation and routing automation | |
JP7216660B2 (ja) | 下流のニーズを総合することにより読み取り環境を決定するためのデバイス、システム、及び方法 | |
Mildenberger | IT innovation and big data | |
Epelde et al. | Quality of data measurements in the big data era: Lessons learned from MIDAS project | |
Teslenko et al. | Role and evolution of computer vision in medicine | |
Li et al. | Implementation of enterprise imaging strategy at a Chinese Tertiary Hospital | |
Arshad et al. | Integrating an AI platform into clinical IT: BPMN processes for clinical AI model development | |
Junquero et al. | Transforming experimental radiology: Design and implementation of an innovative ePACS image storage system for AI imaging research environments | |
Gramatiuk et al. | Long-Term Digital Storage and Usage of Research Data: Data Pooling | |
Garaguly et al. | Platform independent telepathology system for pathologists | |
Kalokyri et al. | AI Model Passport: Data and System Traceability Framework for Transparent AI in Health | |
Cadavid et al. | MyDigiTwin: A Privacy-Preserving Framework for Personalized Cardiovascular Risk Prediction and Scenario Exploration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21867224 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 21867224 Country of ref document: EP Kind code of ref document: A1 |