Автоматизированная система распределенной когнитивной поддержки принятия диагностических решений в медицине



Автоматизированная система распределенной когнитивной поддержки принятия диагностических решений в медицине
Автоматизированная система распределенной когнитивной поддержки принятия диагностических решений в медицине
Автоматизированная система распределенной когнитивной поддержки принятия диагностических решений в медицине

 


Владельцы патента RU 2609737:

Общество с ограниченной ответственностью "СИАМС" (RU)

Изобретение относится к области медицины. Для поддержки принятия диагностических решений используют автоматизированную систему, которая содержит модуль хранения результатов обследования, модуль поддержки принятия решений, модуль анализа изображений, модуль распределенного хранения результатов обследования, модуль управления знаниями, а также систему управления базами данных, при этом модуль хранения результатов обследования и модуль распределенного хранения результатов обследования содержат подсистему управления данными, подсистему анализа данных и подсистему удаленного доступа, модуль поддержки принятия решений содержит подсистему управления расчетами, подсистему визуализации, подсистему классификации, модуль анализа изображений содержит подсистему анализа изображений, модуль управления знаниями содержит подсистему машинного обучения, система управления базами данных содержит базу анкет, базу изображений и базу дескрипторов, а также блок управления анкетами и блок управления изображениями. Система оптимизирует процесс диагностики в режиме реального времени за счет автоматического анализа данных. 1 пр., 2 ил.

 

Изобретение относится к медицинской компьютерной диагностике, в частности к системам поддержки принятия диагностических решений в медицине, и может быть использовано, например, в эндоскопической диагностике слизистой оболочки желудка и толстой кишки в режиме реального времени с целью обнаружения потенциально опасных участков и необходимости взятия с них биопсии на начальных стадиях заболевания.

Системы поддержки принятия клинических решений помогают медицинскому специалисту в постановке диагноза тем, что предлагают ему изображения из базы данных, включающей их анкеты, подобные диагностируемому случаю, которые уже прошли диагностику у других специалистов.

Для оптимизации процесса диагностики изображения и анкеты, подобные диагностируемому случаю, извлекаются из ранее созданных баз данных посредством компьютерных систем.

Так, известна управляемая клиническим врачом система компьютерной диагностики, основанная на примере [1]. Устройство из данной системы содержит базу данных, включая базу анкет и базу изображений, блок управления анкетами и блок управления изображениями, блок извлечения, выполненный с возможностью выполнения вычисления отдаленности от подобия между введенным случаем запроса и набором случаев для извлечения подобных случаев, используя набор типовых признаков и их значимости для оценки подобия, блок представления, выполненный с возможностью представления пользователю подобных случаев и набора типовых признаков, а также их значимости.

Система предназначена для оптимизации диагностики, которая достигается кластеризацией изображений и анкет, подобных диагностируемому случаю, имеющихся в базе данных, которые уже прошли диагностику у других специалистов. Из созданного кластера система выбирает оптимальный набор признаков, подобных признакам диагностируемого случая, и отображает на мониторе подходящие примеры рядом с диагностируемым случаем. Клинический врач сравнивает отображаемые на мониторе, извлеченные из базы данных подходящие примеры с диагностируемым случаем изображения и принимает решение. Известную систему можно отнести к экспертным базисным системам, возможности которой ограничены оптимизацией компьютерной диагностики. Система не является когнитивной, то есть обучаемой системой поддержки принятия клинических решений, не является она и распределенной, то есть учитывающей опыт, накопленный всеми учреждениями, в которых поставлена и функционирует система.

К обучаемым системам поддержки принятия клинических решений относится система [2], которая вначале обучается на вводных данных от нескольких специалистов для того, чтобы установить экспертную базисную систему, известную из источника [1], а затем адаптируется для пользователя на основе ввода в систему конкретного диагностируемого случая.

Обучение базисной экспертной системы может произойти либо во время разработки системы [2], либо во время установки в больнице модуля обучения, встроенного, например, в систему, описанную в источнике [1]. Как только система обучена для "общего" заполнения, определяется набор типовых признаков и их значимости, используемый для вычисления отдаленности от подобия. Эти признаки и их значимость используются для объективной оценки подобия между диагностируемыми, то есть запрошенными случаями, и случаями, находящимися в базе данных.

Когда пользователь, который может быть радиологом, клиническим врачом или домашним доктором, впервые входит в систему, он может по желанию персонализировать истинное значение и функцию подобия для собственного использования с процессом улучшения, обеспеченным этой системой. Улучшение истинного значения подобия и функции подобия основано на вводах этого специалиста, которые могут непосредственно изменить значимость признаков или обеспечить новые кластеры истинного значения подобия или комбинацию того и другого. Когда специалист удовлетворен результатами извлечения на основе скорректированного истинного значения и функции подобия после нескольких итераций, процесс улучшения останавливается и система является персонализированной для конкретного специалиста, который будет извлекать релевантные подобные случаи, как они им понимаются.

Устройство из системы [2] является наиболее близким к заявляемому изобретению. Это устройство содержит блок извлечения, выполненный с возможностью выполнения вычисления отдаленности от подобия между введенным случаем запроса и набором случаев для извлечения подобных случаев, используя набор типовых признаков и их значимости для оценки подобия, блок представления, выполненный с возможностью представления пользователю подобных случаев и набора типовых признаков и их значимости, блок приема, выполненный с возможностью приема от пользователя ввода, включающего в себя измененную значимость для, по меньшей мере, одного из набора типовых признаков или, по меньшей мере, одного нового признака в дополнение к набору типовых признаков, и блок изменения, выполненный с возможностью изменения вычисления отдаленности от подобия с новым набором признаков и их значимости путем представления нового истинного значения подобия для извлечения случаев, подобных с точки зрения пользователя. При этом блок приема выполнен с возможностью приема вводных оценок, заданных пользователем множеству случаев для кластеризации по подобию, блок изменения выполнен с возможностью генерирования нового набора признаков и их значимости на основе кластеризации по подобию для изменения вычисления отдаленности от подобия путем запуска генетического алгоритма обучения.

Каждый диагностируемый случай ассоциативно связывают с набором признаков, которые этот случай характеризуют. К признакам изображений относятся такие характеристики, как эффективный диаметр, степень округлости, контраст, среднее значение яркости, угловатость поля, плотность, стандартное отклонение пикселей, коэффициент радиального градиента и т.д. К признакам анкет относятся клинические анкетные данные, конкретные для пациента, такие как возраст, история рака и т.д. Под "набором типовых признаков" подразумевается список типов признаков, определенных заранее, но для каждого случая существуют ясно различные значения, ассоциированные с каждым признаком. Для объективной оценки подобия между случаем в запросе и случаями, соответствующие выбору пользователя, которые сохранены в базе данных, типовые признаки и соответствующая им значимость используются для вычисления отдаленности от подобия. Когда признаки или их значимость изменяются, то есть изменяются вычисления отдаленности от подобия, рабочие параметры системы, то есть извлеченные результаты, соответственно изменяются.

Таким образом, данная система поддержки принятия клинических решений относится к обучающимся системам, которые не являются интерактивными. Она не содержит системы удаленного доступа, то есть не может обеспечивать возможность пользователю удаленно, то есть из любого места, где есть подключение к сети Интернет, либо из локальной сетиЮ получить доступ к наблюдению либо управлению системой. При работе с известной системой поддержки принятия решений обновленный набор признаков генерирует пользователь, причем делает это вручную, т.к. данная система не содержит элементов, позволяющих автоматически рассчитывать новые признаки диагностируемого случая. Известная система не содержит также элементов, позволяющих автоматически анализировать данные и выводить их на экран монитора.

Задача настоящего изобретения заключается в создании системы принятия клинических решений, совмещающей функции экспертной системы и интерактивной когнитивной автоматизированной системы поддержки принятия диагностических решений в медицине, обеспечивающей пользователям возможность использовать имеющиеся данные для идентификации и решения задач и принятия решений в режиме реального времени.

Для решения поставленной задачи предложена система, которая, как и система по прототипу, содержит базы данных, включая базу анкет и базу изображений, а также элементы, выполняющие вычисление отдаленности набора признаков диагностируемого случая от подобных случаев из базы данных, извлечение этих случаев и представление их пользователю, прием от пользователя новых признаков диагностируемого случая в дополнение к набору признаков случаев из базы данных и изменение этого набора для вычисления отдаленности от него набора признаков последующих диагностируемых случаев.

Новая система отличается от прототипа тем, что содержит модуль хранения результатов обследования, модуль поддержки принятия решений, модуль анализа изображений, модуль распределенного хранения результатов обследования, модуль управления знаниями, а также систему управления базами данных, при этом модуль хранения результатов обследования и модуль распределенного хранения результатов обследования содержат подсистему управления данными, подсистему анализа данных и подсистему удаленного доступа, модуль поддержки принятия решений содержит подсистему управления расчетами, подсистему визуализации, подсистему классификации, модуль анализа изображений содержит подсистему анализа изображений, модуль управления знаниями содержит подсистему машинного обучения, система управления базами данных содержит базу анкет, базу изображений и базу дескрипторов, а также блок управления анкетами и блок управления изображениями, подсистема управления данными содержит загрузчик изображений и видео, блок импорта и экспорта данных, блок поиска по значению, блок фильтрации данных, подсистему интеллектуального поиска, блок формирования обучающей выборки, подсистема анализа данных содержит блок оценки, подсистема классификации содержит блок прогноза морфологического строения, блок оценки глубины инвазии, классификатор ямочного и сосудистого рисунка, подсистема машинного обучения содержит блок изменения и блок оценки, подсистема визуализации содержит визуализатор аннотированных изображений, а также визуализатор подсказки и блок обоснования подсказки, подсистема анализа изображений содержит оперативный анализатор, блок настройки анализатора под тип изображения, анализатор реального времени, при этом подсистема управления данными связана с подсистемой удаленного доступа, вход подсистемы машинного обучения связан с выходом подсистемы управления данными через блок формирования обучающей выборки, а выходы подсистемы анализа изображений и подсистемы машинного обучения являются входами подсистемы классификации, которая связана с подсистемой управления расчетами, притом, что система управления базами данных имеет двусторонний канал связи с подсистемой управления данными, подсистемой классификации и подсистемой анализа данных.

Функции модуля хранения результатов обследования, модуля поддержки принятия решений, модуля анализа изображений обеспечивают многорежимность системы, а функции модуля распределенного хранения результатов обследования и модуля управления знаниями обеспечивают распределенность системы и возможность использования обновленного решающего правила в цикле работы системы.

Заявленная система поддержки принятия решений содержит также систему управления базами данных (СУБД), представляющую собой совокупность программных и лингвистических средств общего или специального назначения, обеспечивающих управление созданием и использованием баз данных. В заявленной системе СУБД управляет базами данных, включающих базу анкет, базу изображений и базу дескрипторов, предназначенную для описания изображений. Подсистема управления данными принимает видео, обрабатывает его, создает анкету изображения, похожее изображение, обучающую выборку и заносит эти данные в СУБД. Подсистема управления расчетами осуществляет вычисление отдаленности набора признаков диагностируемого случая от подобных случаев из базы данных. С помощью загрузчика изображений и видео, а также блока импорта и экспорта данных система направляет видеопоток с камеры эндоскопа в анализатор реального времени для когнитивной интерпретации. С помощью оперативного анализатора система выделяет и рассчитывает дескрипторы на изображении, соотносит их со словарем «визуальных слов» и с помощью классификатора ямочного и сосудистого рисунка классифицирует карту слов, образованную наборами «визуальных слов».

Для получения морфологического строения и оценки глубины инвазии система использует блок оценки глубины инвазии и блок прогноза морфологического строения. Система обращается к блоку поиска по значению, блоку фильтрации данных и подсистеме интеллектуального поиска, посредством получения от них управляющего воздействия блок управления анкетами и блок управления изображениями формируют анкету изображения и похожее изображение, используя дескрипторы или «визуальные слова». При помощи визуализатора подсказки система накладывает маски на изображение, после чего визуализирует изолинию, выделяет зоны поражений, с помощью классификатора ямочного и сосудистого рисунка рассчитывает точность классификации. С помощью блока обоснования подсказки и визуализатора аннотированных изображений система генерирует комплексную подсказку на основе изолиний, классов, морфологического строения, оценки глубины инвазии и похожего изображения и выводит ее на ситуационный монитор.

На основании карты слов, изображения с видеопотока, класса рисунка, набора дескрипторов и зоны поражения система создает кейс, пригодный для ручного исправления. Используя гистологические заключения, имеющиеся в базе анкет, система при помощи блока формирования обучающей выборки валидирует кейс, после чего подсистема машинного обучения генерирует решающие правила, которые система заносит в базу данных и в словарь «визуальных слов». Данные из этих баз система использует при наложении масок на изображения, повторяя подобным образом последовательность действий для дальнейшего дообучения системы. Система исключает непригодные кейсы, пригодные кейсы собирает на локальных серверах, из которых кейсы направляются в Центральную базу данных (ЦБД), позволяющую учитывать опыт, накопленный всеми учреждениями, в которых поставлена и функционирует система. ЦБД представляет собой глобальный сервер, который формирует обновленные решающие правила. Обновленные решающие правила рассылаются обратно на все локальные сервера и используются в цикле работы системы.

Таким образом, при использовании заявленной системы, оснащенной системой управления базами данных и подсистемой удаленного доступа, пользователь имеет возможность загрузить изображение на локальный сервер медучреждения удаленно, что способствует генерации решающих правил на основе более полной обучающей выборки, а также задать запрос на поиск нужного изображения в атласе. С помощью оперативного анализатора, анализатора реального времени и блока настройки анализатора под тип изображения специалист в режиме реального времени получает комплексную подсказку, включающую ее обоснование и аннотацию случая, подобного диагностируемому.

Преимуществом заявленной системы поддержки принятия решений является также то, что она может работать в отложенном режиме, позволяя загрузить на сервер полученные стоп-кадры или видеоролики, заполнить дополнительную информацию по ним, подгружать слайды, вводить результаты исследования, а также осуществлять импорт и экспорт базы данных. Система также может работать в режиме атласа, позволяя специалисту просматривать отмеченные изображения с аннотациями в формате атласа.

Кроме того, заявленная система является распределенной, то есть выполненной с возможностью использования ЦБД, позволяющей учитывать опыт, накопленный всеми учреждениями, в которых поставлена и функционирует система, притом, что она способна к глобальному обучению с использованием данных ЦБД. Заявленная когнитивная система может обучаться не только в режиме реального времени, но также и в пассивном режиме, когда пользователь через веб-интерфейс загружает на сервер медучреждения изображения и анкеты, что способствует дальнейшему дообучению системы. Система может работать также и в режиме атласа, в котором специалист помечает результаты того или иного обследования как "полезные для обучения".

При этом обновленный набор признаков в заявленной системе поддержки принятия решений генерирует не пользователь, как в системе-прототипе, а подсистема машинного обучения. Посредством подсистемы управления расчетами система автоматически рассчитывает и выделяет признаки на изображениях. Подсистема анализа данных выдает результаты анализа, пригодные для визуализации. Благодаря распределенности системы решающее правило становится более точным.

Технический результат от использования настоящего изобретения состоит в автоматизации процесса компьютерной диагностики в медицине и повышении ее точности.

Изобретение иллюстрируется фигурами, где на фиг. 1 представлена блок-схема заявленной системы; на фиг. 2 - схема работы системы.

Для осуществления изобретения необходимы локальные и глобальный серверы, каждый из которых оснащен сервером хранения, системным программным обеспечением и программными инструкциями, позволяющими пользователю правильно эксплуатировать систему. Локальные серверы связаны с глобальным сервером через глобальную сеть. На локальных серверах реализуются модуль хранения результатов обследования, модуль поддержки принятия решений и модуль анализа изображений. На глобальном сервере реализуются модуль распределенного хранения результатов обследования и модуль управления знаниями, а также сервис высокопроизводительного кластера. Система предусматривает наличие рабочих мест, оснащенных системным программным обеспечением, вычислительными станциями и программными инструкциями, позволяющими специалистам правильно эксплуатировать систему. Рабочие места специалистов связаны с локальными серверами через локальные сети. Также система предусматривает наличие удаленного рабочего места, оснащенного рабочей станцией и системным программным обеспечением. Пользуясь удаленным рабочим местом, можно получить доступ как в локальную, так и в глобальную сеть.

В автоматизированную систему распределенной когнитивной поддержки принятия диагностических решений в медицине (МО) входят модуль хранения результатов обследования (M1), модуль поддержки принятия решений (М2), модуль анализа изображений (М3), модуль распределенного хранения результатов обследования (М4), модуль управления знаниями (М5), а также система управления базами данных (С1). Модуль хранения результатов обследования и модуль распределенного хранения результатов обследования содержат подсистему управления данными (Ф1), подсистему анализа данных (Ф2) и подсистему удаленного доступа (Ф4). Модуль поддержки принятия решений содержит подсистему управления расчетами (Ф3), подсистему визуализации (Ф5), подсистему классификации (Ф6). Модуль анализа изображений содержит подсистему анализа изображений (Ф7). Модуль управления знаниями содержит подсистему машинного обучения (Ф8). Система управления базами данных (С1) содержит базу анкет (С1.1), базу изображений (С1.2) и базу дескрипторов (С1.3), а также блок управления анкетами (С1.4) и блок управления изображениями (С1.5).

Подсистема управления данными (Ф1) включает загрузчик изображений и видео (Ф1.1), блок импорта и экспорта данных (Ф1.2), блок поиска по значению (Ф1.3), блок фильтрации данных (Ф1.4), подсистему интеллектуального поиска (Ф1.5), блок формирования обучающей выборки (Ф1.6). Подсистемы анализа данных, управления расчетами и подсистема удаленного доступа являются типовыми системами своего класса, в связи с чем их декомпозиция на фиг.1 не приведена. Подсистема визуализации (Ф5) включает визуализатор аннотированных изображений (Ф5.1), визуализатор подсказки (Ф5.2), блок обоснования подсказки (Ф5.3). Подсистема анализа изображений (Ф6) включает оперативный анализатор (Ф6.1), блок настройки анализатора под тип изображения (Ф6.2), анализатор реального времени (Ф6.3). Подсистема классификации (Ф7) включает блок прогноза морфологического строения (Ф7.1), блок оценки глубины инвазии (Ф7.2), классификатор ямочного и сосудистого рисунка (Ф7.3).

В настоящем изобретении для описания изображений используются дескрипторы. Использование дескрипторов для изображений структур биологических объектов подробно описано в работе [3]. Для представления дескрипторов в векторной форме использовались SIFT дескрипторы, которые были предложены в работе [4]. SIFT-дескриптор заключается в построении гистограммы распределения градиентов вокруг ключевой точки, является инвариантным к масштабу, сдвигу, повороту и освещению изображения. Для выделения ключевых точек на изображении использовали выделение по сетке, называемое gridSIFT, описанное в работах [5]. Данные преобразования реализованы в блоке Ф6.1.

Набор дескрипторов с использованием подсистемы машинного обучения (Ф8), выделенных из тренировочной коллекции изображений, кластеризуется методом k-means и из получившихся центров кластеров строится словарь «визуальных слов». Далее дескрипторы каждого изображения распределяются по созданному словарю «визуальных слов» и создается вектор дескрипторов для каждого изображения в целом.

Для поиска похожих изображений с использованием подсистемы интеллектуального поиска (Ф1.5) дескрипторы входного изображения распределяются по существующему словарю «визуальных слов» и строится вектор дескрипторов изображения в целом. Классификация выполняется методом поиска ближайшего соседа среди тренировочных изображений.

Перед началом работы система была обучена на некоторой обучающей выборке, то есть имеет сгенерированное с помощью подсистемы машинного обучения (Ф8) решающее правило.

При работе системы в режиме реального времени видеопоток с эндоскопа (Д1) поступает в анализатор реального времени (Ф6.3), который является частью подсистемы анализа изображений (Ф6). Она рассчитывает дескрипторы (Д2) изображений, определяет дополнительные критерии (Д3) и выделенные объекты (Д4). Эти данные вместе с решающим правилом (Д5) направляются в классификатор ямочного и сосудистого рисунка (Ф7.3), блок прогноза морфологического строения (Ф7.1) и блок оценки глубины инвазии (Ф7.2), образующие вместе подсистему классификации (Ф7). Результатом работы подсистемы классификации (Ф7) являются класс рисунка (Д6), морфологическое строение (Д7) и оценка глубины инвазии (Д8). Эти данные направляются в визуализатор подсказки (Ф5.2) и блок обоснования подсказки (Ф5.3), которые являются составными блоками подсистемы визуализации (Ф5), на выходе которой данные для визуализации подсказки (Д9) и данные для визуализации обоснования подсказки (Д10).

Набор дескрипторов (Д2) параллельно описанному выше алгоритму направляется в подсистему интеллектуального поиска (Ф1.5), которая посылает управляющее воздействие системе управления базами данных СУБД. В результате получают похожее изображение (Д11) и его анкету (Д12). Эти данные также направляются в подсистему визуализации (Ф5), а именно в визуализатор аннотированных изображений (Ф5.1). Таким образом на выходе имеем данные для комплексной подсказки специалисту, а именно данные для визуализации подсказки в реальном времени (Д13), данные для визуализации аннотированных изображений (Д14).

На основании работы в режиме реального времени существует возможность работы системы поддержки в отложенном режиме. Посредством подсистемы удаленного доступа (Ф4) http-запрос (Д15) и база для импорта (Д16), сформированные пользователем, вместе с метаданными (Д17), стоп-кадрами с эндоскопа (Д18) и видеофайлом (19) загружаются в СУБД, обрабатываются ею и направляются в блок формирования обучающей выборки (Ф1.6). Обучающая выборка (Д20) является частью подсистемы управления данными (Ф1), которая формирует базу для экспорта (Д21), обучающую выборку (Д20), пригодную для обработки подсистемой машинного обучения (Ф8) и генерации обновленного решающего правила (Д5). Решающее правило (Д5) поступает в подсистему управления расчетами (Ф3), которая связана с подсистемой удаленного доступа (Ф4) и с СУБД, причем с СУБД она связана двусторонним каналом связи. Параметры анализа (Д22), введенные пользователем, и данные из СУБД загружаются в подсистему анализа данных (Ф2), которая формирует результаты анализа (Д23), пригодные для визуализации. В ответ на html-запрос (Д15) пользователя система выдает html-страницу (Д24) и данные для визуализации. С помощью блока импорта и экспорта данных формируется база для экспорта. Это дает возможность пользователю скачать нужную выборку.

На основании работы в отложенном режиме существует возможность работы системы в режиме атласа. Как только поступает http-запрос (Д15) пользователя, система удаленного доступа (Ф4) активирует подсистему интеллектуального поиска (Ф1.5), блок поиска по значению (Ф1.3) и блок фильтрации данных (Ф1.4), являющиеся составными блоками подсистемы управления данными (Ф1) и взаимодействующими с СУБД, и вызывает визуализатор аннотированных изображений (Ф5.1). На выходе имеем данные для визуализации аннотированных изображений (Д14) и html-страницу (Д24).

Пример.

Специалист проводит эндоскопическое обследование пациента, записывая информативные стоп-кадры. Если изменений слизистой несколько (в разных участках), то стоп-кадры по каждому участку записываются последовательно. Специальной кнопкой группы стоп-кадров разделяются по различным образованиям. Стоп-кадры обрабатываются на сервере по мере накопления. То есть каждый новый стоп-кадр делает свой вклад в расчеты по определенному изменению слизистой оболочки, а также влияет на суммарную статистику. Видеопоток обрабатывается в режиме реального времени параллельно обработке стоп-кадров. Результатами расчетов является комплексная подсказка, отображаемая на дополнительных мониторах, в целом представляющая собой ситуационный монитор. Ситуационный монитор в режиме реального времени предоставляет следующую информацию: главный экран (подсказка об исследуемом в данный момент изменении слизистой, по которому собираются стоп-кадры): прогноз вариантов гистологического строения с указанными вероятностями, фрагменты изображений, содержащие характерные ямочные рисунки, с подписанным типом (согласно принятым классификациям), оценка глубины инвазии, геометрические характеристики ямочных рисунков; экран динамического анализа изображений (вывод результатов обработки видеопотока): текущее изображение с камеры эндоскопа с выделенными ямками, сосудами, границами и подозрительными участками, результаты измерений выделенных объектов (в динамическом режиме без накопления статистики, только по текущему кадру), рекомендация к записи стоп-кадра, в случае детектирования подозрительных участков, экран похожих изображений, наиболее похожее изображение из предыдущих обследований, по которым выполнена валидация, гистологическое заключение по образованию, ситуационный экран, на котором представлены краткие результаты всего обследования. Когда обследование закончено, специалист нажимает кнопку "Сохранить результаты", если, например, ситуационный экран сенсорный. Вся выводимая на экран информация сохраняется в базу данных. На ситуационный экран выводится сгенерированный системой номер обследования. Специалист записывает его в журнал. Прежде чем сохранять результаты в базу специалист может просмотреть полученные стоп-кадры и удалить неудачные.

После проведения исследования с целью обучения системы специалист может внести в базу данных результаты исследования, содержащие: заключение, ссылку на виртуальный слайд (опционально). Для этого он находит в базе данных результаты обследования по присвоенному номеру, добавляет результаты исследования к обследованию (из выпадающего списка, так как все варианты должны быть заранее предусмотрены), вводит ссылку на виртуальный слайд (опционально), открывает по очереди изображения (записанные стоп-кадры), на которых уже выделены и подписаны области с характерными рисунками, и модифицирует (изменяет, добавляет, удаляет) эти выделения и подписи. Далее нажимает кнопку "Обучить" в веб-интерфейсе базы данных. Система уточняет решающее правило на основании соответствия результатов анализа изображений и результатов исследования. После обучения новые решающие правила помечаются следующей версией. При следующем запуске вычислительной станции произойдет проверка соответствия версий решающих правил (через сеть). В случае наличия более свежей версии на сервере новое решающее правило устанавливается на вычислительной станции.

Следует отметить, что при работе с базой данных системы в поиске случая, подобного диагностируемому, специалист уточняет выборку с помощью фильтров по датам, полям и др. Все изображения, относящиеся к обследованию, в том числе с выделенными масками объектов, специалист смотрит через веб-браузер. Специалист устанавливает маркеры на изображения, пишет к ним комментарии. Все результаты расчетов, выполненные системой, специалист смотрит через веб-браузер. Специалист скачивает необходимые данные в формате электронных таблиц, заполняет дополнительные поля (пол, возраст и проч.) Для обнаруженного случая, подобного диагностируемому, специалист запускает генерацию подсказки (из веб-интерфейса базы данных, опционально). Новая подсказка сохраняется отдельно, "рядом" с предыдущей подсказкой, чтобы старые данные не удалились. Специалист сравнивает точности подсказок и оценивает динамику обучения системы распределенной когнитивной поддержки принятия решений.

При необходимости через веб-интерфейс ЦБД специалист в пассивном режиме обращается к базам данных, располагающимся на локальном сервере медучреждения, где он работает. Для этого он нажимает кнопку "Подсказка", в этом случае на сервере производится обработка изображений и генерируется подсказка. Результаты расчетов отображаются в веб-браузере.

Для обучения системы в режиме атласа при работе с ЦБД специалист помечает результаты того или иного обследования как "полезные для обучения". У ЦБД есть альтернативный веб-интерфейс, не требующий учетной записи в системе - Атлас. Данные, помеченные как "полезные для обучения", становятся учебным кейсом и могут быть просмотрены через атлас как специалистом, так и студентом вуза. Студент открывает атлас через веб-браузер из дома или из компьютерного класса вуза, если есть подключение к Интернету. С помощью рубрикаторов и фильтров студент находит интересующий кейс и открывает его. В кейс входят: изображения структур биологических объектов с маркерами и аннотациями; гистологический слайд (опционально, с маркерами и аннотациями); гистологическое заключение; эндоскопическое заключение; дополнительные поля (пол, возраст и проч.).

При пассивном обучении системы через веб-интерфейс ЦБД специалист загружает на сервер изображения. Чтобы обучение было корректным, все одновременно загруженные изображения должны относиться к одному образованию. Специалист указывает заключение по загруженным изображениям из выпадающего списка. На каждом изображении специалист выделяет и подписывает области с характерными ямочными рисунками, нажимает кнопку "Обучить". На сервере производится обработка изображений, производятся статистические расчеты с учетом ранее загруженных изображений и генерируется решающее правило. Система уведомляет специалиста, что система обучена в соответствии с новыми данными.

Таким образом, создана автоматизированная система распределенной когнитивной поддержки принятия диагностических решений в медицине, совмещающая функции экспертной системы и интерактивной когнитивной автоматизированной системы поддержки принятия диагностических решений, обеспечивающая пользователям возможность использовать имеющиеся данные для идентификации и решения задач и принятия клинических решений в режиме реального времени.

Источники информации

1. US 2009138432, опубл. 28.05.2009, заявитель Конинклейне Филипс Электронике Н.В. (NL.

2. RU 2494458, опубл. 27.09.2013, заявитель Конинклейне Филипс Электронике Н.В.

3. Т. Tamaki, J. Yoshimuta, М. Kawakami, В. Raytchev, K. Kaneda, S. Yoshida, Y. Takemura, K. Onji, R. Miyaki and S. Tanaka, "Computer-aided colorectal tumor classification in NBI endoscopy using local features," Medical Image Analysis.

4. D. Lowe "Object Recognition from Local Scale-Invariant Features".

5. N. Herve, N. Boujemaa and M.E. Houle, "Document description: what works for images" и L. Fei-Fei and P. Perona, "A Bayesian Hierarchical Model for Learning Natural Scene Categories".

Автоматизированная система распределенной когнитивной поддержки принятия диагностических решений в медицине, содержащая базы данных, включая базу анкет и базу изображений, а также элементы, выполняющие вычисление отдаленности набора признаков диагностируемого случая от подобных случаев из базы данных, извлечение этих случаев и представление их пользователю, прием от пользователя новых признаков диагностируемого случая в дополнение к набору признаков случаев из базы данных и изменение этого набора для вычисления отдаленности от него набора признаков последующих диагностируемых случаев, отличающаяся тем, что система содержит модуль хранения результатов обследования, модуль поддержки принятия решений, модуль анализа изображений, модуль распределенного хранения результатов обследования, модуль управления знаниями, а также систему управления базами данных, при этом модуль хранения результатов обследования и модуль распределенного хранения результатов обследования содержат подсистему управления данными, подсистему анализа данных и подсистему удаленного доступа, модуль поддержки принятия решений содержит подсистему управления расчетами, подсистему визуализации, подсистему классификации, модуль анализа изображений содержит подсистему анализа изображений, модуль управления знаниями содержит подсистему машинного обучения, система управления базами данных содержит базу анкет, базу изображений и базу дескрипторов, а также блок управления анкетами и блок управления изображениями, подсистема управления данными содержит загрузчик изображений и видео, блок импорта и экспорта данных, блок поиска по значению, блок фильтрации данных, подсистему интеллектуального поиска, блок формирования обучающей выборки, подсистема анализа данных содержит блок оценки, подсистема классификации содержит блок прогноза морфологического строения, блок оценки глубины инвазии, классификатор ямочного и сосудистого рисунка, подсистема машинного обучения содержит блок изменения и блок оценки, подсистема визуализации содержит визуализатор аннотированных изображений, а также визуализатор подсказки и блок обоснования подсказки, подсистема анализа изображений содержит оперативный анализатор, блок настройки анализатора под тип изображения, анализатор реального времени, при этом подсистема управления данными связана с подсистемой удаленного доступа, вход подсистемы машинного обучения связан с выходом подсистемы управления данными через блок формирования обучающей выборки, а выходы подсистемы анализа изображений и подсистемы машинного обучения являются входами подсистемы классификации, которая связана с подсистемой управления расчетами, притом, что система управления базами данных имеет двусторонний канал связи с подсистемой управления данными, подсистемой классификации и подсистемой анализа данных.



 

Похожие патенты:

Изобретение относится к области спортивной медицины. Для управления данными, отражающими состояние здоровья и активность пользователя, осуществляют следующие этапы:захват изображения, содержащего набор пикселей дисплея тренажера; получение от запоминающего устройства данных изображения от указанного изображения; сравнение данных изображения, по меньшей мере, с одним другим изображением для определения изготовителя и модели тренажера; автоматический выбор области параметров физической активности пользователя; идентификация последовательности символов в конкретной области пикселей; определение пространственных соотношений между последовательностями только в конкретной области пикселей; получение одной или более единицы измерения данных; определение меры израсходованных калорий; генерирование данных; обновление сохраненного профиля, связанного с пользователем; получение и сохранение множества первичных медицинских параметров пользователя; применение весового коэффициента, расчет по меньшей мере одного взвешенного первичного параметра; преобразование калорий в значение метаболического эквивалента; назначение значения метаболического эквивалента между пулом здоровья и бонусным пулом; расчет взвешенного значения пула здоровья; преобразование медицинских параметров в зашифрованное составное числовое значение; публикация указанного значения для пользователя посредством портала, выполненного с возможностью доступа к нему через интернет; обеспечение для пользователя наблюдения указанного числового значения.

Группа изобретений относится к области предсказания биомолекулярного связывания. Предложен способ и устройство предсказания взаимодействия между соединением и протеином, и энергонезависимый материальный считываемый компьютером носитель данных.

Настоящее изобретение относится к области генетики. Предложен способ оценки риска возникновения у индивида тромбоэмболического эпизода или диагностики возникновения или наличия такой болезни или эпизода на основании присутствия серпина А10 (ингибитор протеина Z) Arg67Stop (rs2232698), серпина С1 (антитромбин) Ala384Ser (Cambridge II), фактора XII С46Т (rs1801020), фактора XIII Val34Leu (rs5985), фактора II (протромбин) G20210A (rs1799963), фактора V Leiden Arg506Gln (rs6025), фактора V Cambridge Arg306Thr, фактора V Hong Kong Arg306Gly, группы крови ABO rs8176719, группы крови ABO rs7853989, rs8176743 и rs8176750.

Изобретение относится к проверке содержания медицинских документов. Техническим результатом является улучшение обнаружения нарушений в медицинской карте пациента.

Группа изобретений относится к медицинской технике. Устройство для пополнения имплантируемого насоса, содержащего емкость для лекарства, содержит множество независимых каналов для текучих сред, включающих в себя первый, второй и третий независимые каналы для текучих сред.

Изобретение относится к способу и устройству для беспроводного управления медицинским устройством с использованием пульта дистанционного управления. Согласно способу через первый блок ввода, предоставленный посредством сенсорного экрана (24) пульта (10, 60, 70, 80) дистанционного управления, вводят управляющую информацию для активирования и/или деактивирования функции управления для управления устройством (30).

Изобретение относится к автоматизации процессов, связанных с информационной поддержкой, а также повседневным и боевым управлением целевой военной техникой и средствами, обеспечивающими функционирование корабля (судна) по целевому признаку авианесущей и транспортной платформы.

Изобретение относится к области геофизики и может быть использовано для отслеживания трещин в процессе гидроразрыва пласта. Предложены система, способ и носитель данных, используемые для анализа микросейсмических данных, собранных при гидравлическом разрыве пласта в подземной зоне.

Группа изобретений относится к медицине, а именно к системам для наблюдения за состоянием здоровья множества пациентов, и может быть использована для прогнозирования в режиме реального времени внезапных происшествий.

Изобретение относится к системе и способу управления двигателем при одновременном воздействии водителя на педаль тормоза и педаль акселератора. Предложен двигатель с тормозной системой с вакуумным усилителем привода и быстрым восстановлением.

Изобретение относится к методикам вскрытия пласта и, в частности, к оптимизации расположения интервалов разрыва на основании минералогического анализа пласта. Техническим результатом является повышение эффективности создания трещин в пласте и увеличение продуктивности скважины. Способ содержит: (a) анализ образцов породы, взятых вдоль ствола скважины, (b) определение общего содержания глины, повышенного коэффициента окислительно-восстановительного металла и коэффициента относительной хрупкости образцов породы, (c) выдача каротажной диаграммы оптимизации разрыва, показывающей общее содержание глины, повышенный коэффициент окислительно-восстановительного металла и коэффициент относительной хрупкости вдоль ствола скважины, (d) определение местоположения точек начала разрыва вдоль ствола скважины на основании каротажной диаграммы оптимизации разрыва, причем указанные точки начала разрыва размещают вдоль ствола скважины в одном или нескольких интервалах, содержащих высокий коэффициент относительной хрупкости, высокий повышенный коэффициент окислительно-восстановительного металла и низкое общее содержание глины. 4 н. и 15 з.п. ф-лы, 4 ил.

Предложены способы и система для измерения расхода входного воздушного потока газовой турбины с использованием инертного газа. Способ измерения массового расхода воздушного потока включает: ввод инертного газа в воздушный поток, при этом ввод инертного газа осуществляют перед фильтром на входе турбины; смешивание газа с воздухом; измерение концентрации упомянутого газа, смешанного с воздухом, в местоположении перед компрессором газовой турбины; запись количества упомянутого газа, введенного в упомянутый воздушный поток, и вычисление массового расхода воздушного потока на основе упомянутой измеренной концентрации газа и записанного количества введенного газа. Система для измерения массового расхода воздушного потока включает: газовую турбину, имеющую вход газовой турбины, фильтр на входе газовой турбины и компрессор, расположенный ниже по потоку относительно фильтра, источник инертного газа для ввода газа перед фильтром на входе турбины, при этом инертный газ вводится в воздушный поток и смешивается с воздухом, прибор для определения концентрации газа, смешанного с воздухом, выполненный с возможностью всасывания смеси инертного газа и воздуха и измерения уровня концентрации инертного газа; и процессор, который принимает результат измерения концентрации газа от упомянутого прибора для определения концентрации газа в местоположении перед компрессором газовой турбины и вычисляет массовый расход воздушного потока на основе упомянутой измеренной концентрации. Технический результат – повышение точности измерения расхода входного воздушного потока газовой турбины. 2 н. и 6 з.п. ф-лы, 3 ил.
Наверх