临床诊断支持网络、系统及方法技术方案

个体计算机诊断支持(CDS)系统被耦合到“全局”CDS系统，所述CDS系统中的每个使用相同的学习系统或相同的学习系统技术。来自所述个体CDS系统中的每个的训练和测试案例被提供给所述全局CDS系统，并且所述全局CDS系统使用这些训练案例以产生基于所述训练案例的学习系统参数。具有比所述个体CDS系统中的任何更多的训练案例，由所述全局CDS系统提供的参数提供比所述个体CDS系统中的任何更高质量的诊断输出。所述全局CDS系统处的所述学习系统参数可以被提供给所述个体CDS系统中的每个，以更新所述个体CDS系统的学习系统的参数。所述全局CDS也可以改善和/或调节所实现的学习系统的结构。

【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及医学诊断的领域，并且尤其涉及包括以分层方式被布置的多个诊断系统的基于计算机的自学习系统。
技术介绍
临床诊断支持(CDS)系统常用于在诊断过程中辅助医学从业人员。CDS系统可以被部署在医生的办公室、诊所、健康中心等处。系统的用户向CDS提供关于患者的输入数据，诸如患者的生命体征、实验室测试的结果、观察结果、背景、家庭历史等；并且CDS试图确定该数据是否与特定的医学状况或医学状况的集合相一致。该确定可以作为二元值、是/否确定、可能性值的集合等被呈现到医学从业人员。多数CDS系统被实施为自学习或“机器学习”系统，所述自学习或“机器学习”系统通过接收关于每个诊断的准确性的反馈或通过使用范例案例的集合而被“训练”来改进它们的诊断的准确性。亦即，除了输入数据以外还提供了‘正确’诊断，并且系统依据该正确诊断来处理数据以当针对另一患者提供输入数据的类似集合时增加提供正确诊断的可能性。具有‘正确’诊断还允许对学习系统进行测试以评估其性能和/或确定系统对于实际临床应用中的使用是否足够鲁棒。可以使用各种机器学习技术中的任一种来实现所述学习系统，所述各种机器学习技术包括神经网络、直推式和贝叶斯推理、决策树学习等。在这些技术中的每个中，学习系统包括用于调节与在训练或反馈阶段期间的学习过程相关联的参数的集合的过程，以及将这些参数应用于输入数据以产生诊断结果的过程。例如，神经网络包括多个内部节点，所述多个内部节点被耦合到每个输入部，到彼此，到(一个或多个)输出部。参数与每个节点和在节点之间的每个连接相关联，所述节点和所述连接定义输入值的给定集合如何被传播通过网络以在(一个或多个)输出部处提供输出值。在训练阶段期间，基于所确定的输出值与已知‘正确’输出值之间的差异来调节参数以减少差异，从而增加当被应用于输入数据的随后集合时产生(一个或多个)已知‘正确’输出的可能性。训练学习系统所需要的范例案例的数量取决于所使用的技术、输入数据与输出之间的内在相关性、训练案例之间的变化等。在鲁棒可训练系统中，当训练案例的数量增加时学习系统的诊断的准确性将增加。然而，任何特定医生、诊所或医学中心能够提供的案例的数量通常将是相对低的，尤其是要被用于训练和测试具有已知‘正确’诊断的案例。额外地，对‘正确’诊断的确定可以随CDS的(一个或多个)用户的(一种或多种)诊断技术而变化，并且在一些实施例中，特定的CDS可以被训练为仅仅加强用户的错误诊断。
技术实现思路
提供较少地依赖于CDS的特定用户/训练者的计算机诊断系统(CDS)将是有利的。为了更好地解决该关心问题，在本专利技术的一实施例中，个体计算机诊断支持(CDS)系统被耦合到“全局”CDS系统，该CDS系统中的每个使用相同的学习系统或相同的学习系统技术。来自个体CDS系统中的每个的训练和测试案例被周期性地或不定期地提供给全局CDS系统，并且全局CDS系统使用来自各个个体CDS系统的训练案以产生基于训练案例的学习系统参数。具有比个体CDS系统中的任一个更多的训练案例，由全局CDS系统提供的参数提供了比个体CDS系统中的任一个更高质量的诊断输出。当测试揭示全局CDS系统的准确性或鲁棒性的改进时，全局CDS系统处的学习系统参数可以被提供给个体CDS系统中的每个，以更新个体CDS系统的学习系统的参数。全局CDS也可以细化和/或调节所实施的学习系统的结构，以进一步提高这些学习系统的准确性、鲁棒性和/或有效性。附图说明参考附图，通过范例更详细地解释本专利技术，其中：图1A-1D图示了与现有技术临床诊断支持系统相关联的范例操作。图2图示了具有与局部CDS系统通信的全局CDS系统的临床诊断支持系统的范例网络。图3A-3B分别图示了范例全局临床诊断支持系统和范例局部临床诊断支持系统。图4图示了用于在临床诊断支持系统的网络之中进行通信的范例流程图。在附图上，相同的附图标记指示相似或对应的特征或功能。附图出于图示性目的被包括，并且不旨在限制本专利技术的范围。具体实施方式在以下说明中，出于解释而非限制的目的，阐述了诸如特定架构、接口、技术等的具体细节，以便提供对本专利技术的原理的全面理解。然而，对本领域技术人员而言将显而易见的，本专利技术可以被实践在脱离这些具体细节的其他实施例中。以相似的方式，该描述的文字指向在附图中所图示的范例实施例，并非旨在将请求保护的专利技术超限制超过明确地包括在权利要求中的限制。出于简明和清楚的目的，省略了对公知的设备、电路以及方法的详细描述，以不使本专利技术的描述因不必要的细节而难以理解。图1A-1D图示了与现有技术临床诊断支持(CDS)系统150相关联的范例操作。图1A图示了对CDS系统150内的学习系统的范例训练。多个训练数据110被提供给CDS系统150。该训练数据110包括与(实际的或假设的)患者相关联的多个输入数据，并且可以包括例如患者的生命体征、实验室测试的结果、观察结果、症状等，以及诸如性别、年龄、种族背景、家庭历史等的背景信息。在一些实施例中，所提供的输入数据的集合特异于为诊断的目标的特定病症或疾病。例如，家庭历史可以被提供用于已知为遗传的疾病，而不用于其他疾病。输入数据110可以不直接对应于被收集的“原始数据”，但是可以是对这样的原始数据的预处理的结果。例如，常常已知原始数据中的两个元素之间的比率可以比元素中的值中的每个具有更好的诊断值，并且该比率可以被提供为输入数据。CDS系统150可以被配置为解决特定病症或疾病或者病症和/或疾病的集合，以提供对与输入数据一致的一种或多种病症或疾病的识别和/或对与输入数据不一致的一种或多种病症或疾病的识别。CDS系统150包括被配置为接收输入数据和提供诊断输出的学习系统。基于所提供的诊断输出是否正确和/或输出正确的程度来评估CDS系统150的质量或准确性。通过将诊断输出与已知或假定的‘正确’诊断进行比较来确定诊断输出的“正确性”。‘正确’诊断可以是由医学从业人员在对相同的输入数据的查看后提供的诊断或由患者的状况的随后发展提供的诊断。例如，如果诊断输出是患者可能经历特定疾病的初始阶段，并且患者最终经历了该疾病的较后阶段，则诊断输出被确定为是正确的，如果患者没有呈现该疾病的较后阶段，则诊断输出被确定为是不正确的。为了改进CDS系统150的准确性，在图1A中图示的‘学习模式’中时，针对其可获得‘正确’诊断的输入数据的集合被提供给CDS系统150内的学习系统。输入数据和‘正确’诊断两者都被提供给学习系统，并且学习系统处理该输入数据和‘正确’诊断，以增加来自CDS系统150的诊断输出与该‘正确’诊断一致的可能性。如以上所指出的，学习系统的特征在于确定诊断输出如何被输入数据的每个元素或输入数据的元素的的集合影响的参数120。为了容易地表示和理解，使用了学习系统的范例样式，所述学习系统的范例样式使用神经网络，所述神经网络包括单输出节点的多个层与每个相邻层的节点之间的连接。输入数据被连接到第一层，并且诊断输出被产生在最末层处。每个节点具有“偏置”或“阈值”参数，并且节点之间的每个连接具有“权重”参数。通过将节点的输出乘以到下一层处的每个节点的每个连接的权重来将每个节点的输出传播到下一层的节点。每个节点包括传递函数，所述传递函数将输入组合到节点和节点的偏本文档来自技高网...

【技术保护点】
一种临床诊断支持(CDS)网络，包括：多个局部CDS系统，每个局部CDS系统包括局部学习系统，所述局部学习系统接收患者数据并且基于所述学习系统的局部参数来提供对应的诊断输出；以及全局CDS系统，其包括全局学习系统，所述全局学习系统：接收来自所述多个局部CDS系统的训练数据，所述训练数据包括患者数据和对应的‘正确’诊断；将所述训练数据应用于所述全局学习系统，以基于全局学习的所述诊断输出与所述对应的‘正确’诊断的比较来产生全局学习系统参数，并且将所述全局学习系统参数提供给所述多个局部CDS系统；其中，所述多个局部CDS系统中的一个或多个基于所述全局学习系统参数来更新所述多个局部CDS系统中的一个或多个的局部学习系统参数，并且基于这些经更新的局部参数来提供随后的诊断输出。

【技术特征摘要】
【国外来华专利技术】2013.11.13 US 61/903,4751.一种临床诊断支持(CDS)网络，包括：多个局部CDS系统，每个局部CDS系统包括局部学习系统，所述局部学习系统接收患者数据并且基于所述学习系统的局部参数来提供对应的诊断输出；以及全局CDS系统，其包括全局学习系统，所述全局学习系统：接收来自所述多个局部CDS系统的训练数据，所述训练数据包括患者数据和对应的‘正确’诊断；将所述训练数据应用于所述全局学习系统，以基于全局学习的所述诊断输出与所述对应的‘正确’诊断的比较来产生全局学习系统参数，并且将所述全局学习系统参数提供给所述多个局部CDS系统；其中，所述多个局部CDS系统中的一个或多个基于所述全局学习系统参数来更新所述多个局部CDS系统中的一个或多个的局部学习系统参数，并且基于这些经更新的局部参数来提供随后的诊断输出。2.根据权利要求1所述的网络，其中，所述局部学习系统和所述全局学习系统包括神经网络，并且所述参数包括与所述神经网络的每个节点相关联的偏置以及与所述节点之间的每个连接相关联的权重。3.根据权利要求1所述的网络，其中，所述局部CDS系统中的至少一个基于被应用到使用所述全局学习系统参数的所述局部学习系统的测试数据，来确定是否要更新所述局部学习系统参数，所述测试数据包括患者数据的多个集合和对应的‘正确’诊断，并且对是否要更新所述学习系统参数的所述确定是基于所述局部学习系统的每个诊断输出与所述对应的‘正确’诊断的比较的。4.根据权利要求1所述的网络，其中，所述全局CDS系统基于从所述局部CDS系统接收到并且被应用于使用所述全局学习系统参数的所述全局学习系统的测试数据，来确定是否要将所述全局学习系统参数提供给所述多个局部CDS系统，所述测试数据包括患者数据的多个集合和对应的‘正确’诊断，并且对是否要提供所述学习系统参数的所述确定是基于所述全局学习系统的每个诊断输出与所述对应的‘正确’诊断的比较的。5.根据权利要求1所述的网络，其中，所述全局学习系统和所述局部学习系统包括用于处理所述患者数据的特定结构，并且所述全局CDS系统也处理所述训练数据以基于具有备选结构的学习系统的所述诊断输出与同所述训练数据相关联的所述‘正确’诊断的比较来识别优于所述特定结构的该备选结构，并且将该备选结构提供给所述多个局部CDS系统。6.一种全局临床诊断支持(CDS)系统，包括：网络接口，其接收来自多个局部CDS系统的局部训练数据，所述训练数据包括患者数据的多个集合和对应的‘正确’诊断，学习系统，其处理来自所述多个局部CDS系统的所述训练数据中的一些或全部，以基于所述学习系统的每个诊断输出与所述对应的‘正确’诊断的比较来提供学习系统参数，以及处理器，其控制所述学习系统和所述网络接口，并且所述处理器被配置为经由所述网络接口将所述学习系统参数提供给所述多个局部CDS系统。7.根据权利要求6所述的系统，其中，所述学习系统包括神经网络，并且所述参数包括与所述神经网络的每个节点相关联的偏置以及与所述节点之间的每个连接相关联的权重。8.根据权利要求6所述的系统，其中，所述处理器被配置为基于从所述局部CDS系统接收到并且被应用于使用所述学习系统参数的所述学习系统的测试数据，来确定是否要将所述学习系统参数提供给所述多个局部CDS系统，所述测试数据包括患者数据的多个集合和对应的‘正确’诊断，并且对是否要提供所述学习系统参数的所述确定是基于所述学习系统的每个诊断输出与所述对应的‘正确’诊断的比较的。9.根...

【专利技术属性】
技术研发人员：邓寅晖，X·李，X·顾，V·T·沙姆达莎尼，Y·吴，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：荷兰;NL