用于量化醫學圖像評估的不確定性的方法、系統和裝置制造方法及圖紙

用于量化醫學圖像評估的不確定性的方法、系統和不確定性量化器。一方面，本發明專利技術涉及一種用于為由機器學習系統（M）提供的對于成像數據（I）的醫學評估提供不確定性預測的計算機實現的方法。該方法包括接收（1）輸入數據集，該輸入數據集包括已經被提供給機器學習系統（M）的成像數據（I）和非成像數據，每個非成像數據被表示為具有某種程度的噪聲的信號（S），所述噪聲被量化為不確定性，特別是偶然不確定性；提供（2）信息融合算法；以及將接收的輸入數據集應用（3）于提供的信息融合算法，同時基于提供的輸入數據集，通過信息融合算法對不確定性的傳播進行建模，以預測由機器學習系統（M）提供的作為結果（r）的醫學評估的不確定性。的作為結果（r）的醫學評估的不確定性。的作為結果（r）的醫學評估的不確定性。

【技術實現步驟摘要】
用于量化醫學圖像評估的不確定性的方法、系統和裝置


[0001]本專利技術涉及醫學圖像處理，并且特別地涉及醫學健康相關數據、特別是醫學成像數據中不確定性的處理。

技術介紹

[0002]通常，確實存在用于采集醫學圖像的幾個不同的成像模式，除其他事物之外尤其像射線照相術、計算機斷層攝影（CT）、磁共振成像（MRI）。成像程序可以特別適于對特定器官或身體部分進行成像，以便發現和/或評估臨床異常和/或疾病和/或損傷。例如，為了對肺部惡性腫瘤或肺炎進行分類，通常執行計算機斷層攝影（CT）掃描或胸部射線照相（CXR）。
[0003]采集的醫學圖像可以受制于用于醫學評估的自動化程序，例如用于發起進一步測量和/或采集進一步傳感器數據和/或發起臨床程序。用于評估醫學圖像的自動化程序是機器學習。機器學習系統可以例如被配置用于在健康組織和病變（或異常）之間進行分類。通常，機器學習系統可以被配置用于評估所提供的醫學圖像。
[0004]然而，醫學圖像的計算機實現和自動評估受制于不確定性，特別是偶然不確定性。偶然不確定性也稱為統計不確定性，并且代表每次運行相同實驗時不同的未知量。偶然（Aleatoric）源自拉丁語“alea”或“dice”，指代一種碰運氣的游戲。偶然不確定性要與認知不確定性進行區分，認知不確定性是一種系統性不確定性，并且是由于系統原則上可以知道或計算但實際上無法知道或計算的事情。這可能是因為測量不準確，或者測量中或測量信號中存在噪聲。
[0005]例如，胸部射線照相術（CXR）圖像的評估特別是在門診環境中是固有的模糊任務。內部研究揭示，評級者間的一致水平對于例如肺結節的檢測為60
?
70%，并且對于實變/氣體空間不透明的檢測為50
?
60%。該不一致水平通常可以歸因于在決策異常區域是指示異常A（例如，肺結節/腫塊）還是異常B（例如，實變）中缺乏清楚性。當前僅基于CXR評估以及評價研究的機器學習系統被設計為強制做出該決策，而在臨床實踐中，放射科醫師將不做出這樣的決策，并且將在報告中記錄這兩個類之間的不確定性（最有可能要求使用另一個CXR或CT掃描進行隨訪以獲得清楚的答案）。此外，用于CXR評估的機器學習系統通常不使用任何輔助非成像信息來引導該決策（在異常A/B之間）。這與放射科醫師不同，放射科醫師例如將利用所討論的患者發燒的事實來引導對異常B/實變的決策，該異常B/實變是肺炎/感染的結果，這進而解釋了發燒。這導致在這樣的模糊情況下表現得糟糕/出乎意料的系統，從而實現有限的性能并直接影響用戶的信任。
[0006]盡管比CXR更準確地獲得相關信息（例如，用于隨后或稍后的鑒別診斷），但在高分辨率胸部CT中可能存在類似的模糊性。放射科醫師通常參考來自電子健康記錄（EHR）的附加信息，包括但不限于：安排檢查的原因、患者疾病和體檢的歷史、血清學結果、來自實驗室診斷學診斷的生物標志物等，以獲得清楚性。當前通常發生的場景是將易患諸如間質性肺病（ILD）的呼吸系統疾病的患者中的新冠肺炎（CoVID
?
19）與具有潛在肺部惡性腫瘤的患者進行區別。

技術實現思路

[0007]基于此，本專利技術的目的是提供用于基于成像數據改進機器學習系統結果的表達性和/或魯棒性的手段，和/或使成像數據與非成像數據的組合成為可能，以改進從成像數據推斷的陳述。
[0008]該目的通過所附專利權利要求實現，特別是通過計算機實現的方法和不確定性量化器、醫學系統和計算機程序產品實現。
[0009]在第一方面，本專利技術涉及一種用于為由機器學習系統發布或提供的對于成像數據的醫學評估、特別是自動（計算）醫學評估提供不確定性預測的計算機實現的方法。該方法包括以下方法步驟：
?
接收輸入數據集，該輸入數據集包括已經被提供給機器學習系統的成像數據和非成像數據，每個非成像數據被表示為具有某種程度的噪聲的信號，該噪聲被量化為不確定性，特別是偶然不確定性和/或認知不確定性；
?
在存儲裝置中提供信息融合算法；
?
將接收的輸入數據集應用于提供的信息融合算法（即，利用接收的輸入數據集執行信息融合算法），同時基于提供的輸入數據集，通過信息融合算法對不確定性的傳播進行建模，以預測由機器學習系統提供的作為結果的醫學評估的不確定性。
[0010]術語“非成像數據”指代數字格式或表示形式的醫學或保健數據，其不包括從成像模態采集的圖像數據。非成像數據可以反映非成像知識。一些非成像數據需要在進一步處理之前進行結構化。如稍后將更詳細解釋的，本專利技術尤其建議使用圖神經網絡進行數據處理。在這方面，特定的非成像數據需要在傳遞到圖神經網絡之前被結構化，例如EHR文本。因此，可以對非成像數據執行預處理。預處理可以包括在存儲器中以可處理的格式（例如，標準化和規范化以在圖神經網絡和/或信息融合模型中被處理）使數據重新結構化。因此，預處理數據的存儲不同于原始非成像數據（也稱為信號）的存儲。
[0011]在這方面，“噪聲”涉及不包括有效載荷信號的信號或數據部分。噪聲可以量化為不確定性，特別是偶然或認知不確定性。雖然隨機不確定性是最常見的，但是也可以處理分布不確定性和其他類型的不確定性。在優選實施例中，可以使用深度表示學習，例如變分自動編碼器VAE，并將其應用于例如經由變分自動編碼器將信息編碼為緊湊表示和/或對一些收集的輸入數據進行去噪。關于變分自動編碼器的更多細節，參考Kingma, D. P., & Welling, M. （2013），Auto
?
encoding variational bayes，arXiv preprint arXiv:1312.6114。
[0012]輸入數據是數字數據，或借助于轉換器從模擬信號變換為數字信號。輸入數據可以包括數字信號或更復雜的數據集，例如信號隨時間的發展。輸入數據可以包括源自不同成像模態的成像數據和非成像數據，非成像數據例如是像生物標志物、實驗室值、電子保健記錄（EHR）、測量信號，比如生理信號，像血壓、體溫、心率等。
[0013]信息融合算法是一種用于組合以不同格式提供的不同數據集（包括例如成像數據和非成像數據）的算法。信息融合模型不需要是“深度的”，但是可以是“深度的”。信息融合模型可以是通過互信息標準優化的深度融合模型。信息融合算法可以是或者可以使用（應用）信息融合模型和/或圖神經網絡，其被優化用于最大化非成像數據中的熵。通常，為了改進不確定性預測的質量，使用多于一個的非成像信號。優選地，使用信息融合模型，其中不
確定性的傳播通過該模型傳播。替代地或附加地，可以使用圖神經網絡。在仍另一實施例中，可以僅使用圖神經網絡（沒有信息融合模型），其中圖神經網絡包含成像數據和非成像數據這兩者。
[0014]信息融合的結果是對于醫學評估的估計或預測的不確定性。不確定性可以以量化的形式來表示。不確定性可以基于預配置的度量。不確定性可以作為百分比提供。
[0015]機器學習系統用于通過考慮成本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種用于為由機器學習系統（M）提供的對于成像數據（I）的醫學評估提供不確定性預測的計算機實現的方法，包括以下方法步驟：
?
接收（1）輸入數據集，所述輸入數據集包括已經被提供給機器學習系統（M）的成像數據（I）和非成像數據，每個非成像數據被表示為具有某種程度的噪聲的信號（S），所述噪聲被量化為不確定性，特別是偶然不確定性；
?
提供了（2）信息融合算法；
?
將接收的輸入數據集應用（3）于提供的信息融合算法，同時基于提供的輸入數據集，通過信息融合算法對不確定性的傳播進行建模，以預測由機器學習系統（M）提供的作為結果（r）的醫學評估的不確定性。2.根據權利要求1所述的方法，其中，所述信息融合算法使用信息融合模型和/或圖神經網絡，它們被優化用于使非成像數據中的熵最大化。3.根據前一權利要求所述的方法，其中，通過貪心算法來優化信息融合模型和/或圖神經網絡的熵，特別是馮諾依曼熵。4.根據前述權利要求中任一項所述的方法，其中，所述方法進一步包括：
?
應用（5）選擇算法來選擇所提供的輸入數據的子集，這通過使用強化學習模型來最小化成本函數和/或減少不確定性。5.根據前述權利要求中任一項所述的方法，其中，輸入數據源（S，DB）集的輸入數據可以存在或不存在，并且其中，所述方法提供了不存在的輸入數據源（S，DB）中的哪一個將降低不確定性和/或最小化成本函數的引導決策。6.根據前述權利要求中任一項所述的方法，其中提供輸入數據源（S，DB）集的輸入數據可以包括從成像模態和/或從醫學數據庫（DB）測量和/或采集數據。7.根據權利要求4至6所述的方法，其中，強化學習模型基于決策過程，特別是非馬爾可夫決策過程，其中S標示狀態空間，A標示動作空間，T標示隨機轉變過程，R標示獎勵函數，并且標示折扣因子，其中動作表示提供附加輸入數據源（S，DB）。8.根據前一權利要求所述的方法，其中，所述獎勵函數被定義為最小化成本和/或最小化預測的不確定性。9.根據前述權利要求中任一項所述的方法，其中，所述非成像數據包括生物標志物、臨床記錄、圖像注釋、醫學報告口述、測量、實驗室值、診斷代碼、來自EHR數據庫的數據和/或患者記憶數據。10.根據權利要求4至9中任一項所述的方法，其中，包...

【專利技術屬性】
技術研發人員：FC，
申請(專利權)人：西門子醫療有限公司，
類型：發明
國別省市：