用于对医学图像推理模型进行管理的方法及相关产品技术

本申请涉及一种用于对医学图像推理模型进行管理的方法及相关产品。该用于对医学图像推理模型进行管理的方法包括：通过推理模型选择接口接收用户选择指令；根据所述用户选择指令配置相关推理模型组合；确定后续对医学图像进行推理的模型推理结构。本申请的技术方案通过对医学图像推理模型进行系统化管理，实现了用户对已有推理模型的浏览、选择、配置，可以针对不同专业背景的用户实现一键式或者自定义配置，并将相关推理模型自动确定为适用于医学图像推理活动的可行结构，能够通过对模型选择、配置、确定过程的优化进一步实现推理结果的展示和模型效能的评估，同时还能降低推理模型低效或无效使用概率。型低效或无效使用概率。型低效或无效使用概率。

【技术实现步骤摘要】
用于对医学图像推理模型进行管理的方法及相关产品


[0001]本申请涉及图像数据处理领域，尤其涉及用于对医学图像推理模型进行管理的方法、执行该方法的电子设备和计算机可读存储介质。

技术介绍

[0002]人工智能（Artificial Intelligence，AI）是计算机科学的一个分支，旨在通过智能系统仿真人类智能，比如图像分析及语音识别。机器学习是人工智能的一个分支，专注于构建应用，使机器在无须明确编程的情况下即可从数据或经验中学习。机器学习使用算法从大量数据中提取知识，使用大量结构化及半结构化数据生成准确的预测。
[0003]深度学习（被广泛视为可扩展的机器学习）是机器学习的一个分支，指为模仿人类大脑的神经元连接而开发的算法，以实现智能执行任务，包括就慢病的早期检测进行医学影像分析等复杂任务。深度学习与机器学习的区别在于算法学习的方式及其使用的数据量。机器学习算法依靠人为干预来厘定特征的层次结构，从而了解数据输入值之间的差异，且其通常从大量结构化数据中学习。深度学习使特征提取过程自动化，消除大部分人为干预，并允许使用大量数据提高其准确性。
[0004]视网膜是位于眼球后壁部的感光层，能触发神经冲动及通过视神经传递该等冲动至大脑。这是人体中唯一一个能以无创方式直接观察血管和神经细胞的部位。血管及神经细胞的变化可以作为多种慢病的指标。人工智能技术具有高速、高成本效益、高准确性和可扩展性等优点，人工智能视网膜影像识别的深度学习算法已经应用于医疗器械领域，能够提供人工智能视网膜影像识别的早期检测及健康风险评估。视网膜影像、多模态数据分析以及人工智能深度学习算法有别于传统的慢病早期检测方式，可以实现对慢病的无创、准确、快速、有效且可扩展的检测。系统研发主要分为两个阶段，开发初期进行数据收集、数据标记及模型训练过程，开发后期进行数据补充、算法训练迭代及算法验证过程。
[0005]人工智能视网膜影像识别可以应用于糖尿病视网膜病变、高血压性视网膜病变、视网膜静脉阻塞、年龄相关性黄斑变性、病理性近视、视网膜脱离、青光眼检测、白内障检测、缺血性脑血管病、动脉粥样硬化性心血管病、妊娠期糖尿病视网膜病变、妊娠期高血压性视网膜病变、颅内高压相关视乳头水肿视网膜病变、贫血症等早期检测。
[0006]具有检测健康风险指标能力的健康风险评估解决方案可以对视网膜异常、视网膜血管异常、玻璃体异常、视网膜肿瘤、视神经病变、黄斑病变、先天性视网膜异常、心血管异常、贫血症、甲状腺机能亢进、格雷夫斯眼病、视网膜静脉阻塞、痴呆症、帕金森病、房颤、动脉硬化等进行风险评估。
[0007]深度学习是一种用于实现智能任务的算法，人工智能视网膜影像识别的深度学习算法是通过模仿人脑的神经元连接实现对慢病的早期检测。人类依赖他们的神经系统从经验中学习、感知他们周围的环境并做出适宜反应。神经系统包括其他支持细胞中的互连神经元。神经元是神经系统的基本单位，并产生称为动作电位的电信号，使得神经元能够于整个大脑中迅速传递信息。当神经元收到输入信号时，将对该输入信号进行处理以确定是否
将其传递出去。人脑由600至800亿个神经元组成，这些神经元共同处理复杂的感官输入进而产生智能反应。
[0008]深度学习算法通过建立一个具有可训练行为的人工神经元网络模仿神经元的活动机制。依据他们的参数，人工神经元通过对输入信号进行放大、抑制或融合并产生输出信号的计算单位来处理输入信号。
[0009]精心开发的连接及计算计划使该等人工神经元网络能够学习进行高度复杂的计算，如从视网膜影像输入数据中生成高度精确的检测和检查结果。简而言之，深度学习的人工神经元网络乃一种非常复杂的计算网络或方程式，其处理影像等输入数据，产生计算结果，而结果可用作分类决策，包括影像是否显示某种慢病（如糖尿病视网膜病变）。
[0010]深度学习算法的开发包括两个主要阶段：设计及训练。设计即建立计算网络的架构，包括层数、层结数及结间的连接性。然而，设计架构并不决定计算网络的内部参数，如算法对网络中的信号放大、抑制或融合的程度。训练即通过学习人类卷标训练数据决定该等参数的价值。
[0011]在训练阶段，训练数据（如视网膜影像）首次被人类专家标记为不同类别（如健康或存在糖尿病视网膜病变），作为金标准标签。然后，计算网络对数据进行向前传递，预测训练数据的卷标。随后此预测与数据中的金标准卷标进行比较，并通过损失函数得出误差信号。然后网络反向传播此误差，并使用选定的优化算法调整参数，以减少未来的相同误差。训练过程必须重复多次，直至发现一组良好或足够好的参数。训练阶段后的参数是固定的，且具有固定参数值的计算网络成为最终深度学习模型，并被用于深度学习推理。
[0012]深度学习推理中使用经训练深度学习模型处理视网膜影像等输入数据、借助计算网络进行计算及对输入图像是否显示糖尿病视网膜病变等做出预测及决策。与训练不同，推理阶段不包括反向传播及参数调整。在此阶段，深度学习模型经过部署以基于真实世界数据做出预测或决策。经过训练的深度学习模型将使用计算网络从输入数据中推断出结论。
[0013]深度学习在视网膜影像分析中的应用包括疾病分类、病灶检测、病灶分割及健康风险评估。训练过程涉及在算法中输入由医学专家标记的视网膜影像、使用计算网络计算预测结果、将预测结果与人工标记进行比较以及调整参数以尽量减少预测误差。在接触大量经标记的视网膜影像后，算法利用指代输入数据与预测结果之间数学关系的计算网络进行归纳并学习精确预测若干慢病。
[0014]在医学图像尤其是视网膜影像的人工智能处理中，对推理模型的管理、图像数据的管理、以及进一步拓展到对推理模型的评估和训练，尚处于工业模块阶段，缺乏面向用户的应用体系。

技术实现思路

[0015]为了至少部分地解决
技术介绍
中提到的一个或多个技术问题，本申请提供了一种用于对医学图像推理模型进行管理的技术方案。通过对医学图像推理模型进行系统化管理，实现了用户对已有推理模型的浏览、选择、配置，可以针对不同专业背景的用户实现一键式或者自定义配置，并将相关推理模型自动确定为适用于医学图像推理活动的可行结构。
[0016]在第一方面中，本申请提供一种用于对医学图像推理模型进行管理的方法，包括：通过推理模型选择接口接收用户选择指令；根据用户选择指令配置相关推理模型组合；确定后续对医学图像进行推理的模型推理结构。
[0017]在一些实施例中，通过推理模型选择接口接收的用户选择指令为选择预置选项；根据用户选择指令配置相关推理模型组合包括根据预置选项配置预置推理模型组合；确定后续对医学图像进行推理的模型推理结构包括将对应于预置推理模型组合的预置模型推理结构确定为模型推理结构。
[0018]在一些实施例中，在根据用户选择指令配置相关推理模型组合后，还包括：通过推理模型选择接口接收用户二次选择指令，用于在相关推理模型组合中选择一个或多个推理模型；确定后续对医学图像进行推理的模型推理结构包括基于用户二次选择指令选择的推理模型确定模型推理结构。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于对医学图像推理模型进行管理的方法，其特征在于，包括：通过推理模型选择接口接收用户选择指令；根据所述用户选择指令配置相关推理模型组合；确定后续对医学图像进行推理的模型推理结构。2.根据权利要求1所述的方法，其特征在于，通过所述推理模型选择接口接收的所述用户选择指令为选择预置选项；所述根据所述用户选择指令配置相关推理模型组合包括根据所述预置选项配置预置推理模型组合；所述确定后续对医学图像进行推理的模型推理结构包括将对应于所述预置推理模型组合的预置模型推理结构确定为所述模型推理结构。3.根据权利要求1所述的方法，其特征在于，在根据所述用户选择指令配置相关推理模型组合后，还包括：通过所述推理模型选择接口接收用户二次选择指令，用于在所述相关推理模型组合中选择一个或多个推理模型；确定后续对医学图像进行推理的模型推理结构包括基于所述用户二次选择指令选择的推理模型确定所述模型推理结构。4.根据权利要求1所述的方法，其特征在于，还包括：响应于通过所述推理模型选择接口接收的所述用户选择指令选择一个或多个推理模型，将与所选择的推理模型互斥的推理模型设置为不可选择。5.根据权利要求1或3所述的方法，其特征在于，所述确定后续对医学图像进行推理的模型推理结构包括：分析所述相关推理模型组合中的多个推理模型的先后顺序关系；以及按所述先后顺序关系组织所述多个推理模型以构建所述模型推理结构。6.根据权利要求1或3所述的方法，其特征在于，所述确定后续对医学图像进行推理的模型推理结构包括：分析所述相关推理模型组合中的多个推理模型之间的并行处理...

【专利技术属性】
技术研发人员：闫钊，张兵，赵昕，张建华，
申请(专利权)人：北京鹰瞳科技发展股份有限公司，
类型：发明
国别省市：