针对医疗患者的快速评估和后果分析制造技术

使用（26）机器学习（46）来评估针对处于紧急情况的患者的数据，基于大量信息来提供（28）快速诊断。可以提供分诊（30）上的辅助。考虑到可能出现的各种各样的患者和状况，机器学习（46）可以依赖于合成生成（42）的图像以用于更精确的预测。机器学习（46）甚至可以利用缺失信息进行精确预测（28），以及可以被用来确定（34）对于给定患者而言什么缺失信息是更重要或不那么重要来获得的。

【技术实现步骤摘要】
针对医疗患者的快速评估和后果分析
技术介绍
当前的实施例涉及在患者的紧急评估中的医疗诊断和/或预后。每年，几百万具有各种各样病理状况的患者在急诊部进行检查。对于这样的患者而言，通常收集大量数据，包括血压测量结果、ECG、既往病史、症状概要以及诸如计算机断层扫描（CT）、超声或磁共振成像（MRI）图像之类的成像数据。然后基于这种收集中的信息来决定患者治疗。该信息需要被尽可能快地处理，特别是用以识别需要紧急医疗干预的患者。这一过程在当前是手动处置的，从而对急诊部施加了很大的压力。对这种大量的数据收集进行的分析可能甚至在紧急情形中延缓分诊（triage）或治疗。在医师的分析之后可能指定了其他测试，从而引起进一步的延缓并且使在多个患者间分配治疗顺序变得复杂。
技术实现思路
作为介绍，下文描述的优选实施例包括用于在医疗系统中进行评估和/或后果确定的方法、计算机可读介质和系统。机器学习被用来评估处于紧急情况的患者的数据，从而基于大量信息提供快速诊断。可以提供分诊上的辅助。考虑到可能出现的各种各样的患者和状况，机器学习可以依赖于同步生成的图像以用于更精确的预测。机器学习甚至可以利用缺失信息精确地预测，以及可以被用来确定对于给定患者而言什么样的缺失信息是更重要或不那么重要来获得的。在第一方面，提供了一种用于在医疗系统中进行评估和/或后果确定的方法。获取医学扫描数据，该医学扫描数据表示在医院的急诊部中被分诊的患者的解剖结构。获得针对该患者的其他数据。从该医学扫描数据和其他数据提取特征的集合。处理器将该特征输入到机器训练分类器。机器训练分类器至少部分地根据不特定于针对现有患者实例的训练数据而合成生成的图像进行训练。处理器利用将机器训练分类器应用于该特征来确定患者的状况和针对该状况的风险。基于该风险提供针对患者分诊的顺序。基于对于患者中的第一患者可用的特征和针对第一患者的状况来输出缺失的信息源。在第二方面，提供了一种用于在医疗系统中进行评估和/或后果确定的方法。获取医学扫描数据，该医学扫描数据表示处于紧急情况的患者的解剖结构。获得针对该患者的其他数据。从该医学扫描数据和其他数据提取特征的集合。处理器利用将机器训练分类器应用于该特征来确定该患者的状况、针对该患者的风险、针对该患者的后果、类似的患者或其组合。输出缺失的信息源。该缺失源是基于针对该患者的缺失特征。在第三方面，提供了一种用于机器训练以针对患者进行评估或后果确定的方法。改变解剖模型的参数。该改变提供合成生成的解剖模型的集合。根据该集合的合成生成的解剖模型来仿真医学图像。机器使用仿真医学图像来训练机器学习分类器。本专利技术由所附权利要求限定，并且本部分中的内容不应当被理解为对那些权利要求的限制。下文结合优选实施例讨论了本专利技术另外的方面和优点，以及该另外的方面和优点可以随后独立地或以组合方式来要求保护。附图说明部件和附图不一定是按比例的，而是要将重点置于说明本专利技术的原理。此外，在附图中，遍及不同视图，相同的附图标记标明对应的部分。图1是表示用在紧急情况中的机器学习分类器的训练和应用两者的医疗系统。图2是用于在医疗系统中进行评估和/或后果分析的方法的一个实施例的流程图。图3图示了通过对根据解剖模型中的变化进行成像的模拟而对训练数据的创建。图4是用于对根据合成生成的图像进行训练的方法的一个实施例的流程图示图。图5图示了利用随机采样填充输入特征值来确定缺失信息的关联性；以及图6是用于评估和/或后果确定的医疗系统的一个实施例的框图。具体实施方式来自患者图像和测量结果的数据的收集呈现了关于患者的非常复杂的信息网络。可以通过现代机器学习算法对该复杂的信息网络进行有效的整顿。机器学习分类器提供快速的患者评估和后果分析。现代机器学习和人工智能算法非常适于管理大量的异构数据。以自动化方式来提供一致预测。机器学习算法在复杂任务中具有优秀的预测能力，从而示出了专家级性能。综合性患者评估模型将来自患者的所有可用信息进行组合，以呈现对患者状态的完整理解以及使临床医生能够引导治疗。使用异构数据源，机器学习分类器自动地将患者人群进行分类并且突出附加的信息源，其如果被收集的话则可以添加最多的附加信息来更好地诊断或治疗患者。特别地，系统评估现有的数据源以做出对不同病理状况的存在风险的模型预测。此外，该模型计算这些不同状况的似然概率，以及自动地标记需要来自临床提供方的优先评估的高风险患者。一个示例应用是在紧急场景中，诸如在患者在急诊室中呈现胸痛的情况下。在这样的状况下，基于患者病史，可能给予患者一些类型的成像检查，诸如CT、MRI、超声或应激测试。存在多种可能的胸痛源，包括冠状动脉阻塞、主动脉夹层或肺动脉的问题。在这样的状况下，重要的是识别具有危及生命状况的患者的子集，这些患者可能由于任何延缓而遭受不利的后果。机器学习模型使用成像测试、患者血液生物指标、非侵入式测量结果（例如，血压和心率）和/或其他可用信息来快速地实行三排除（triplerule-out），以识别胸痛的可能源以及与该状况相关联的风险。在由于缺失信息而可用信息导致不确定预测的场景中，模型可以考虑另外的信息源（诸如包括应激测试和灌注成像的其他种类的成像、或者针对附加生物指标的血液测试），以按所获得的最高信息的顺序建议或排列缺失信息的源。对于不同状况中的每个而言，该模型还评估了对状况的严重程度进行估计的定量指标。例如，当确定冠状动脉具有严重阻塞时，该模型可以自动地计算诸如血流储备分数（FractionalFlowReserve）和相关的血液动力学指数之类的指标。机器学习具有两个主要阶段：训练阶段和应用或测试阶段。在训练阶段期间，使用异构数据训练该模型。在测试或应用阶段期间，然后将该模型应用于患者数据来做出预测。图1示出了模型训练和测试阶段的示例示意性描述。顶框表示训练阶段使用多个数据源来产生经训练的模型。在底框的测试阶段中，将该模型应用于患者数据上以做出预测。在两个阶段中，从数据提取特征。特征然后被用来训练和/或应用经训练的分类器。本文中的各种示例可以被用于训练阶段或测试阶段。相同的示例可以被用在所述阶段中的另一个中。图2是用于在医疗系统中进行评估和/或后果确定的方法的一个实施例的流程图示图。该方法涉及机器训练分类器的应用以获得快速结果。将机器训练分类器训练成针对处于紧急情形的一个或多个患者进行诊断和/或做出预后。在典型的紧急情形中可用的数据被用来将分类器训练成以快速方式进行自动评估、辅助医师进行诊断或预后。图6的医疗系统或其他医疗系统实现动作。系统可以是医学成像系统、医院工作站、患者医疗记录计算机、医疗服务器或其他安全医疗数据处理系统。医疗系统可以包括或可以不包括存储器或数据库，诸如患者医疗记录数据库和/或图片存档和通信系统（PACS）。图2的动作以示出的顺序（数字顺序或从上到下的顺序）或其他顺序来实行。例如，动作20和22同时发生或以任意顺序发生。作为另一示例，动作30-36可以以任意顺序实行。可以提供附加的、不同的或更少的动作。例如，动作30-36中的任意动作可以实行或者可以不实行。作为另一示例，动作20或22之一可以不实行。示例附加动作包括对其他机器学习分类器的特征输入和/或机器学习分类的其他使用。在动作20中，医疗系统获取医学扫描数据本文档来自技高网...

【技术保护点】
1.一种用于在医疗系统中进行评估和/或后果确定的方法，所述方法包括：获取（20）医学扫描数据，所述医学扫描数据表示在医院的急诊部中被分诊的患者的解剖结构；获得（22）针对所述患者的其他数据；从所述医学扫描数据和所述其他数据提取（24）特征的集合；由处理器将所述特征输入（26）到机器训练分类器，所述机器训练分类器至少部分地根据不特定于针对现有患者实例的训练数据而合成生成的图像进行训练；由所述处理器利用将所述机器训练分类器应用于所述特征来确定（28）所述患者的状况和针对所述状况的风险；基于所述风险提供（30）针对患者分诊的顺序；以及基于对于所述患者中的第一患者可用的特征和针对所述第一患者的状况来输出（32）缺失的信息源。

【技术特征摘要】
2017.04.28 EP 17464005.2;2017.04.28 US 15/4999341.一种用于在医疗系统中进行评估和/或后果确定的方法，所述方法包括：获取（20）医学扫描数据，所述医学扫描数据表示在医院的急诊部中被分诊的患者的解剖结构；获得（22）针对所述患者的其他数据；从所述医学扫描数据和所述其他数据提取（24）特征的集合；由处理器将所述特征输入（26）到机器训练分类器，所述机器训练分类器至少部分地根据不特定于针对现有患者实例的训练数据而合成生成的图像进行训练；由所述处理器利用将所述机器训练分类器应用于所述特征来确定（28）所述患者的状况和针对所述状况的风险；基于所述风险提供（30）针对患者分诊的顺序；以及基于对于所述患者中的第一患者可用的特征和针对所述第一患者的状况来输出（32）缺失的信息源。2.根据权利要求1所述的方法，其中获取（20）包括获取（20）所述患者的心脏区域的计算机断层扫描数据。3.根据权利要求1所述的方法，其中获得（22）其他数据包括获得（22）症状、患者人口统计学信息、血液生物指标、患者病史、非侵入式测量结果、来自临床报告的提取信息或其组合。4.根据权利要求1所述的方法，其中从所述医学扫描数据提取（24）所述特征包括将机器学习分类器应用于所述医学扫描数据，所述机器学习分类器和机器训练分类器包括级联。5.根据权利要求1所述的方法，其中确定（28）包括利用所述机器训练分类器的应用进行确定（28），其中所述机器训练分类器根据由解剖模型中的变化产生所述合成生成的图像的正向模型进行训练。6.根据权利要求5所述的方法，其中通过对所述训练数据的状况进行采样来引导所述合成生成的图像的产生。7.根据权利要求1所述的方法，其中确定（28）包括利用所述机器训练分类器的应用进行确定（28），其中所述机器训练分类器根据具有所添加的不同程度的统计噪声的合成生成的图像进行训练。8.根据权利要求1所述的方法，其中获取（20）包括从所述第一患者的过往扫描进行获取（20），以及其中获得（22）包括获得（22）当前症状。9.根据权利要求1所述的方法，其中确定（28）针对所述第一患者的风险包括利用具有对应后果的患者数据字典进行确定（28）。10.根据权利要求1所述的方法，其中输入（26）包括输入（26）针对所述第一患者的特征以及针对所述第一患者的缺失特...

【专利技术属性】
技术研发人员：S拉帕卡，LM伊图，T帕塞里尼，P沙尔马，D科马尼丘，
申请(专利权)人：西门子保健有限责任公司，
类型：发明
国别省市：德国,DE