JP6522161B2 - ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー - Google Patents

ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー Download PDF

Info

Publication number
JP6522161B2
JP6522161B2 JP2017559611A JP2017559611A JP6522161B2 JP 6522161 B2 JP6522161 B2 JP 6522161B2 JP 2017559611 A JP2017559611 A JP 2017559611A JP 2017559611 A JP2017559611 A JP 2017559611A JP 6522161 B2 JP6522161 B2 JP 6522161B2
Authority
JP
Japan
Prior art keywords
data
medical
layer
model
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2017559611A
Other languages
English (en)
Other versions
JP2018529134A (ja
Inventor
寛 陳
寛 陳
Original Assignee
寛 陳
寛 陳
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 寛 陳, 寛 陳 filed Critical 寛 陳
Publication of JP2018529134A publication Critical patent/JP2018529134A/ja
Application granted granted Critical
Publication of JP6522161B2 publication Critical patent/JP6522161B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/088Non-supervised learning, e.g. competitive learning
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00ICT specially adapted for the handling or processing of medical images
    • G16H30/40ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16ZINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00Subject matter not provided for in other main groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Image Analysis (AREA)

Description

本発明は、医療又は医学のデータを分析するインテリジェント設備に関し、特に、総合病院或いは医学研究機構が得た大量の医療又は医学のデータを自動集約すると共にそのマッチングする分析結果を与えるインテリジェントアナライザーに関する。
通常、総合病院又は医学研究機構の医師或いは研究員は、毎日大量の作業を完了させなければならない。例えば病院の臨床科の医師は、毎日収集した医療データについて研究、分析及び意思決定を行う必要があり、以下が北京のレベル3甲種総合病院からランダムで抽出した1日に発生した医療データである:
CTスキャンが1162部、X線が1461部、MRIが325で、X線の1部につき2枚の二次元画像が含まれ、CTスキャンの1部につき50枚の二次元画像が含まれ、MRIの1部につき100枚の二次元画像が含まれる。これら検査データは、全て放射線科医がレポートを作成し、また該レベル3甲種総合病院には20人余りの放射線科医しかいなく、その中に入力が遅い年配の医師及び経験不足の若い医師も含まれる。よって、毎日継続して大量の作業を処理すると、関係の医師或いは研究員の仕事におけるストレスが大きく、体力の低下が速く、仕事能率も低く、更には分析結果の誤り率が高い等の問題が起きやすかった。
中国特許第CN201110376737.X号
論文Bengio−2009、引用:Yoshua Bengio,"Learning Deep Architectures for AI",Foundations and trends(R)in Machine Learning 2(1),1−127)
本発明が解決しようとする技術的課題は、病院の医師又は医学研究員の仕事におけるストレスを効果的に軽減でき、かつ大量の医療或いは医学のデータについて科学的な分析を行うことと共にそのマッチングする分析結果が得られるディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザーを提供することである。
上記技術的課題を解決するため、本発明が用いる技術的解決策:
本発明のディープラーニングに基づく医療データ分析方法は、
医療訓練データとして届け出た膨大な同種の医療材料データ及び該医療材料データにマッチングする診療データを収集し、入力装置を通じてコンピュータ内に保存するステップ1)と、
前記医療訓練データ内の二次元以上の画像データをテキストデータ内の時間及び空間に伴う変化値と対応のデータと関連付けるステップ2)と、
収集した膨大な医療訓練データ内において、各個体に対応する医療訓練データと前記変化値を1つのデータユニットに集約するステップ3)と、
前記医療訓練データを分割、関連付け又はテキストデータマイニング方法でコンピュータが理解できる構造化データマトリックスとして統合或いはフォーマットし、各データユニット内からデータ特徴を抽出するステップ4)と、
構造化データマトリックスを形成した医療訓練データをコンピュータ内に設けられ、ディープラーニングモデルに対応するストレージモジュール内に導入するステップ5)と、
コンピュータを通じて前記ディープラーニングモデルに対し、a.ディープラーニングの基本ワークフレームを設定し、前記医療訓練データをデータ特徴によって入力層と少なくとも1層の隠れ層と出力層とを含むデータモデルを作成し、入力層がデータ特徴を持つ若干のノードを含み、出力層が診療データ特徴を持つ若干のノードを含み、各隠れ層が上位層の出力値とマッピングする対応関係を持つ若干のノードを含むことと、b.各ノードは数学的方程式で該ノードのデータモデルを作成し、人工又はランダム方法で前記数学的方程式内の関連パラメータ値を予め設定し、入力層内の各ノードの入力値が前記データ特徴であり、各隠れ層及び出力層内の各ノードの入力値が上位層の出力値であり、各層内の各ノードの出力値が本ノードの前記数学的方程式の演算を経た後で得られる値であることと、c.前記パラメータ値Aを初期化し、前記出力層内の各ノードの出力値を対応するノードの診療データ特徴と比較し、各ノードの前記パラメータ値Aを繰り返し修正し、順次繰り返しし、最終的に前記出力層内の各ノードの出力値で生成し、前記診療データ特徴の類似度が局部最大時の出力値と対応する各ノード内のパラメータ値Aを得たことという最適化法により、最適化演算を行うステップ6)と、
得られた構造化データマトリックスを形成した医学分析対象データを該ディープラーニングモデル内に導入してそのマッチングする病理学的分析を行うステップ7)と、
ディープラーニングモデルから出力装置を通じて前記医学分析対象データにマッチングする病理学的分析結果を出力するステップ8)と、
を含む。
前記パラメータ値Aを最適化する方法は、教師なしの学習方法である。
前記教師なし学習方法は、雑音除去自己符号化器或いは制限付きボルツマンマシンを用いて自主学習を行う。
前記パラメータ値Aを最適化する方法は、教師ありの学習方法である。
前記数学的方程式は、パラメータ数学的方程式或いは非パラメータ数学的方程式であり、パラメータ数学的方程式が線形モデル、ニューロンモデル或いは畳み込み演算とすることができ、非パラメータ数学的方程式が極値計算方程式とすることができる。数学モデルの設定方式は下式で表される。
Figure 0006522161
式中、yは、前記出力層内の診療データ特徴であり、次元がMであり、Xが訓練材料データであり、次元がMであり、f〜fが設定した各層の演算方程式であり、各層方程式fの次元はM−1→Mであり、第1層fの場合、次元がMのXを次元がMの出力Zに変換し、Zは第2層方程式fの入力となり、以後も同様にし、各層モデルfはマッチングのパラメータ組Aを有する。
前記医療材料データは、臨床及び医療技術の段階における医師が患者の診断、検査及び治療過程に対して行った関連情報の記録を含み;前記診断データは、臨床及び医療技術の段階における医師が患者の初診判断、退院結果、疾病治療効果に対して行った関連情報の記録及び医師が作成したテキスト診察データと追跡調査データを含む。
前記データ特徴は、医療訓練データの時空間における変化値とデータ自体の各種数理統計値とを含む。例えば時間に伴って変化し、データのアップ或いはダウン傾向である。
前記医学分析対象データ及びそのマッチングする分析結果が関わる構造化データを前記ディープラーニングモデル内にフィードバックして新しい訓練データが形成される。
本発明のディープラーニングに基づいて医療データに対し分析を行うインテリジェントアナライザーは、医療訓練データ及び医学分析対象データをコンピュータ内に導入する入力装置と、前記医療訓練データ及び医学分析対象データを分けて保存又は集中保存するストレージモジュールと、ストレージモジュール内の医療訓練データを呼び出して自主学習を行うディープラーニングモデルモジュールと、前記医学分析対象データとマッチングする病理学的分析結果をエクスポートする出力装置とCPU及び/或いはGPUのプロセッサとを包括し、
前記医療訓練データは、医療材料データとそのマッチングする診療データとを含み;
前記医療訓練データ及び医学分析対象データは、コンピュータが理解できる構造化データマトリックスであり;
前記自主学習は、線形モデルとニューロンモデルと畳み込み演算及び/或いは最大値を求める演算を含むパラメータ数学的方程式を用い;
前記入力装置は、病院、医学機構に設置されるコンピュータと、該コンピュータとリンクする各種医療検査装置及び病理分析装置とを含み;
前記出力装置は、病院、医学機構内に設置されると共に前記入力装置とリンクする定置型コンピュータの出力ターミナル及びモバイルスマートターミナルを含む。
本発明のインテリジェントアナライザーは、インターネット、イーサネット(登録商標)と接続でき、光ファイバー接続、WIFI接続或いはGPRSモジュール接続を含むネットワーク接続モジュールを更に設ける。
本発明に係る方法及びそのインテリジェントアナライザーのコアコンテンツは、ディープラーニング内の深層畳み込みニューラルネットワーク(英名:Deep Convolution Neural Network、以下、「DCNN」という)を運用してコンピュータ内にモデルを作成する。該モデルは、膨大な医療データを利用してモデルパラメータを選択及び最適化し、「訓練」モデルの自主学習する医師又は医学研究員の病理分析過程を通じて、大量の医療又は医学のデータの処理に力添え、最終的に医師に大量の医療データの正確な判断及び有効な意思決定を支援する。本発明は、医師又は医学研究員の仕事におけるストレスを大幅に低減し、その仕事能率を高めることができる。本発明は、医師又は医学研究員の医療或いは医学データに対する大変な分析の仕事量から解放させることができ、従ってより多い精力をその他のより重要な仕事内に傾ける。
本発明に係るインテリジェントアナライザーの動作ブロック図 脳のMRIで生成した画像データ 画像データ内のターゲットを削除した後の画像データ 図形データをベースにしたDNN基本数学的構造を示す模式図 畳み込みブロック演算を示す模式図 多層パーセプトロンの論理演算を示す模式図 雑音除去自己符号化器の動作フローを示す模式図
図1に示すように、本発明のディープラーニングに基づく医療データ分析方法は膨大な医療データを利用してモデルパラメータを選択及び最適化し、「訓練」モデルの自主学習する医師又は医学研究員の病理分析過程を通じて、大量の医療又は医学のデータの処理に力添え、最終的に医師に大量の医療データの正確な判断及び有効な意思決定を支援する。
通常医療データのインテリジェントな分析システムは、医療技術の非常に重要な分野である。例えば医療画像データ面において、大部分の研究分野は肺部CT肺結節の分析で、主に画像分割(segmentation)及び検出(detection)という2大技術モジュール分ける。画像分割の主な目的は、肺部の重要部位、例えば気管、肺葉、血管等のインテリジェントな分割を行い、3D画像方式を通じてモデリングして展示することで、臨床医及び画像診断医がもっとよく肺部構造を分析すると共に術前準備を行うことに力を添える。画像分割は、現在すでに非常に成熟な技術及びアルゴリズムがあるが、主に例えば伝統的なcascadeモデルアルゴリズムに使用され、インテリジェントアナライザーの用途を十分に発揮できない。次に、図形分割向け分析システムは、医療データ処理中の非常に小さい部に向けるだけで、医師への価値も限度がある。
Deep Learningディープラーニングは、現在人工知能分野で公認された革命的な技術であり、画像認識、音声認識等の分野において従来のアプリケーション方法を覆し、非常に多くの技術革新のアプリケーションをもたらし、例えばグーグルの画像内容分析、グーグルのセルフドライビングカー、Google Book、Google Brain等である。
ただし、現在医療データ分析分野において、大部分の方法はやはり非常に伝統的なSupport Vector Machine等の分類方法を使用し、現在人工知能分野の最先端技術を代表できない。例えば同種の機能の特許文献1内に使用するのは、Gradient Boosting方法で、機械学習分野の以前1995〜2005年に最も幅広く応用された方法で、現在すでに人工知能分野の最先端方法を代表できない。
2D及び3Dの画像認識アルゴリズムにおいて、現在最先端は、Deep Neural Network(DNN)ディープニューラルネットワークアルゴリズム(非特許文献1参照)と公認され、膨大な訓練データを有する分野、例えば手書き文字認識、交通信号認識において、更に人為的認識の精度を超えた。
本発明は、最先端のディープラーニングアルゴリズムを医療データ分析内に応用し、膨大なデータに合わせてモデリングを行い、医療データ分析システムを構築する。医師の仕事におけるストレスを大幅に低減し、医師の仕事能率をアップする。
主にプレトレーニング(pre−training)とファインチューニング(fine−tuning)とを含む。
プレトレーニングは、主に医療訓練データを使用して最も医療分析過程を表す数式を探し出す。モデル応用モジュールは、インテリジェントアナライザーシステム中の主な応用モジュールであり、医学分析対象データをプレトレーニング中に入力して該モジュールから前記医学分析対象データとマッチングする病理学的分析結果を自動出力する。
以下、本発明について詳細な説明を行う。
本発明の方法としては、次のステップを含む。
一、医療訓練データとして届け出た膨大な同種の医療材料データ及び該医療材料データにマッチングする診療データを収集し、入力装置を通じてコンピュータ内に保存する。
医療訓練の目的は、コンピュータに医療材料データ内から対応する診療分析データを自動計算させることである。
前記医療材料データは、 臨床及び医療技術の段階における医師が患者の診断、検査及び治療過程に対して行った関連情報の記録を含み;前記診断データは、臨床及び医療技術の段階における医師が患者の初診判断、退院結果、疾病治療効果に対して行った関連情報の記録及び医師が作成したテキスト診察データと追跡調査データを含む。
例えば、臨床面(外科、内科等):
前記医療材料データは、医師から記入・入力された例えば現病歴、既往歴、身体検査、実験室及び機器検査、入院後の治療過程等の記録といった患者情報を含む。
前記診療データ(別名目標データ)は、医師が患者の入院初診及び出院結果、疾病治療効果等を行う記録を含む。
臨床の例:
患者を診察し、患者の年齢、性別、体重、現病歴、既往歴、身体検査等の関連情報を入力し、分析データを統合して該患者に疾病種類の分析、受診助言及び治療予定プランを提供する。例えば、65歳の男性患者、咳、胸の圧迫感、最近体重減少、長期喫煙歴、過去検査を受けていないこと等といった1名の患者の関連情報を入力する。
医療技術面(病理科、検査科、放射線科、核医学科等)
前記医療材料データは、オリジナル画像データ、病理種類、疾病に関する検査データ、病変部位、転移の有無又は多発等を含む。
前記診療データは、医師から記入されたテキスト診察データ、追跡調査データを含む。
医療技術の例:
放射線科:異なる身体部位、異なる画像検査手段のオリジナル画像データに対する分析訓練を通じて、インテリジェントアナライザーに病変について認識、分析機能を持たせ、また次の診療助言を出す。例えば肺部の単発肺結節のCT知能化診断は、インテリジェントアナライザーが極め短い時間内に全てのオリジナル画像を検索して病変部位、大きさ、内部密度、辺縁状態、画像内その他の部位の正常の有無等のデータを判断できる。
二、前記医療訓練データ内の二次元以上の画像データをテキストデータ内の時間及び空間に伴う変化値と対応のデータと関連付ける。或いは同一事例の医療材料データと診療データを相互に関連付ける。
三、収集した膨大な医療訓練データ内において、各個体に対応する医療訓練データと前記変化値を1つのデータユニットに集約する。
すなわち、ある人又はあるシリーズの症例と関連する医療訓練データ及び前記変化値を1つのデータユニットに集約する。
四、前記医療訓練データを分割、関連付け又はテキストデータマイニング方法でコンピュータが理解できる構造化データマトリックスとして統合或いはフォーマットし、各データユニット内からデータ特徴を抽出する。
前記データ特徴は、医療訓練データの時空間における変化値とデータ自体の各種数理統計値とを含む。
データ特徴は、医療訓練データが時間の変化に伴い、例えばデータのアップ或いはダウン傾向であり;空間の変化、例えば画像データの中の1つの画素から次の画素までの関係であることが挙げられる。データ特徴は、データ自体の各種数理統計値を更に含み、例えば個体データと他の個体データの比較値である。これらデータ特徴は、ベクター、マトリックス或いはシーケンスの形式でコンピュータが理解する構造にフォーマットする。データ特徴の的収集も、画像処理或いは初期データ統計処理を含む。画像処理において、医療診療データに関連する画像内容を分割するのは、画像データ特徴を見つけ出す第一歩である。文書処理において、TF−IDF(term frequency−inverse document frequency)は、定量的情報の検索及びテキストマイニングの方式であり、応用されることもよい。以上の初期画像テキスト処理は、コンピュータのデータ特徴に対する収集が非常に楽になる。
五、構造化データマトリックスを形成した医療訓練データをコンピュータ内に設けられ、ディープラーニングモデルに対応するストレージモジュール内に導入する。
六、コンピュータを通じて前記ディープラーニングモデルに対し、最適化演算を行、その最適化法は次の通りとする。
1、ディープラーニングの基本ワークフレームを設定し、前記医療訓練データをデータ特徴によって入力層と少なくとも1層の隠れ層と出力層とを含むデータモデルを作成し、入力層がデータ特徴を持つ若干のノードを含み、出力層が診療データ特徴を持つ若干のノードを含み、各隠れ層が上位層の出力値とマッピングする対応関係を持つ若干のノードを含み;
2、ノードは数学的方程式で該ノードのデータモデルを作成し、人工又はランダム方法で前記数学的方程式内の関連パラメータ値を予め設定し、入力層内の各ノードの入力値が前記データ特徴であり、各隠れ層及び出力層内の各ノードの入力値が上位層の出力値であり、各層内の各ノードの出力値が本ノードの前記数学的方程式の演算を経た後で得られる値であり;
3、前記パラメータ値Aを初期化し、前記出力層内の各ノードの出力値を対応するノードの診療データ特徴と比較し、各ノードの前記パラメータ値Aを繰り返し修正し、順次繰り返しし、最終的に前記出力層内の各ノードの出力値で生成し、前記診療データ特徴の類似度が局部最大時の出力値と対応する各ノード内のパラメータ値Aを得;
前記パラメータ値Aを最適化する方法は、教師なしの学習方法及び教師あり学習方法である。
前記教師なし学習方法は、雑音除去自己符号化器或いは制限付きボルツマンマシンを用いて自主学習を行う。
前記数学的方程式は、パラメータ数学的方程式或いは非パラメータ数学的方程式であり、パラメータ数学的方程式が線形モデル、ニューロンモデル或いは畳み込み演算とすることができ、非パラメータ数学的方程式が極値計算方程式とすることができる。数学モデルの設定方式は下式で表される。
Figure 0006522161
式中、yは、前記出力層内の診療データ特徴であり、次元がMであり、Xが訓練材料データであり、次元がMであり、f〜fが設定した各層の演算方程式であり、各層方程式fの次元はM−1→Mであり、第1層fの場合、次元がMのXを次元がMの出力Zに変換し、Zは第2層方程式fの入力となり、以後も同様にし、各層モデルfはマッチングのパラメータ組Aを有する。
例えば、論理方程式の表現形式は、下式で表される。
Figure 0006522161
例えば、線形方程の表現形式は、下式で表される。
Figure 0006522161
式中、xは、方程式の入力値であり、yが方程式の出力値であり、aが方程式の基本パラメータである。
ディープラーニングモデルのパラメータA〜Aを初期化し、随時にモデルパラメータ、モデルの深さ等を設定でき、何らかの方法で初期化パラメータモデルを選択してもよい。
<演算方法の解釈>
演算の中核は、教師あり学習アルゴリズムのディープラーニングであり、これが過去5〜10年人工知能及び機械学習分野の革命的な技術である。本発明のDNNアルゴリズムの基礎上において病変スキャン時の時空間的な変化を独創的に加入し、病変組織の三次元空間における結像法則を十分考慮し、認識確率を高め;同時にモデルは、医師の人為的な判断要因を導入でき、単純な知能の判断要因と医師の専門的な判断を結合して総合的なモデリングを行って病変確率を計算する。
本発明が人工知能技術に属し、データ演算の最終目的は、モデルが医療画像において病変を認識し、確率を出すと共にラベリングし、医師の診療作業をサポートできるよう「訓練」することである。よって、モデル構築の過程中、膨大なデータは教材に相当し、モデルワークフレームはアルゴリズムが具体的な情報に対し抽象的な要約を行う具体的な流れであるため、インテリジェント演算過程中、膨大なデータ及びインテリジェントアルゴリズムは必要不可欠である。
各々次に紹介する:
<1.医療訓練データ>
a)客観的に存在する自然データ:すなわち、病院が実際の業務中で形成した自然診療データであり、訓練データは実際の運用シナリオで生成した診療データに近ければ近いほど、訓練効果が益々良くなる。データを教材とするのも対応の要求がある。2種のデータソース(すなわち、医療材料データ及び診療データ)は、本発明の実現にとって必要不可欠であり、まずオリジナル医療データを必要とされ、一般的に医療機器から結像した後のデータ形式は非常に多く、例えば.nii.gz,.dcm等の形式であり、全ての形式が訓練モデルに入る前に多次元マトリックスデータ情報として表されることができる。例えばMRI(英名:Magnetic Resonance Imaging、和名:核磁気共鳴画像)の図形は、三次元マトリックス(グレースケール)、すなわち、二次元グレースケールインデックスと一次元横断面とすることができ;或いは者四次元マトリックス(rgb)とし、すなわち、二次元インデックスカラーに3種インデックスカラーをプラスし、最後に一次元横断面をプラスする。いかなる医療データは、均しく抽象的にそのようなマトリックスに簡略化できる。そのようなマトリックスは、モデル読み取りのオリジナルデータソースを構成する。図2、図3に示すのは、脳のMRIで生成した画像データであり、仮にシステムは1枚のMRIスライスを画素512×512の図として生成し、一回の脳走査が200枚のスライス面である場合、一回グレースケールの脳走査データソースは512×512×200=52,428,800次元のデータ行に集約できる。モデルとって、52,428,800個の数字中に該脳走査の全ての理解及び概括された情報をカバーする。
教師なし学習部分にとってそのような医療オリジナルマトリックスは、モデリングの基本データである。教師あり学習部分にとって、図形とマッチングする分析目標を必要とする。最も簡単な二元分析情報は、例えば病変組織の測定である(少し複雑な情報は、病変の確率である)。その後より複雑な医学情報、例えば病変種類、治療効果、病変部位等の情報を取り入れることができる。更なる複雑な病変発展予測システムにとって、患者の身体検査の過去時系列データデータにマッチングしてアルゴリズムに医学現象の発展法則を学習させる。
b)形成したアナログデータをシミュレートする:そのようなデータは、コンピュータを通じて自ら加工又はシミュレートして成り、アナログデータをモデリングの訓練データとする。
そのようなモデルの最も典型的な例は、マイクロソフトのXbox Kinectシステムであり、開発段階において手の姿勢認識モデルの基本データは、全て3Dモデリングが完了された。
本発明において、アナログデータはオリジナル医療データに基づいて変形、歪み及びノイズ重畳を通じて構築した新しいデータとして理解されることができる。アナログデータを使用する原因は2層があり、つまり第一、変形後データを加入すると、医療データ中の中核変化法則をより一層安定的に認識することをアルゴリズムに教えることに有利となり;第二、一般的にDNNモデルは、数百万以上のパラメータを求め、データ量が有限な状態において非常に過剰適合の現象が生じやすく、すなわち、モデルが病歴データを過学習したことで、適切に中核変化法則について帰納及び抽象的な集約を行うことができない。アナログの変形データを加入すると、訓練過程中へのノイズ加入に相当し、アルゴリズムにもっとよくノイズと有効な情報を区分するよう強制し、過剰適合問題の解決に役に立つ。
<2.機械学習アルゴリズムモデル>
機械学習アルゴリズムモデルが本発明の帰納及び情報に対して抽象的な要約を行う基本数学的ワークフレームであり、主な目的は、パターン識別過程をコンピュータに理解されることができる数学的構造で表現することである。訓練の過程は、モデル中のパラメータを見積もり、パラメータ見積もりが完了した後モデルは本発明に係る方法の中核部分となる。目的の異なる機械学習アルゴリズムに基づいて、教師あり学習及び教師なし学習という2種類に帰納できる。本発明は2種類のアルゴリズムをカバーする。
a)教師あり学習:教師あり学習アルゴリズムは、人為的に設立したモデルがターゲットを見つける法則である。前に述べたように、オリジナル図形マトリックスデータ以外に、教師あり学習アルゴリズムはマッチングする分析結果データ(例えば前記診療データ)を必要とする。
本発明は、主に以下の教師あり学習アルゴリズムを含む。
<i.ディープニューラルネットワーク(Deep Neural Network)>
このアルゴリズムの基本的な原理は、人間の脳の認識過程を真似する。DNNアルゴリズムの入力は、オリジナル医療データ及び医師の歴史的な分析結果であり、最終的に分析過程を自動完成できる。DNNの抽象的な概括は、下式で表される。
Figure 0006522161
式中、xは、オリジナル医療マトリックスデータであり、yがインテリジェントシステムの分析結果であり、DNNが方程式fのx〜yの数学マッピング表現形式である。
異なる教師あり学習は、fに対して異なる仮定があり、DNNアルゴリズムは人間の脳のニューロン構造を真似してモデリングを行い、図形データをベースとするDNN基本数学的構造は、図4に示す通りとする。
(注:これは、我々の上記DNNモデルのうちの1つのアプローチのみであり、第1層が畳み込み層で、第2層が最大プール層であり、このようなサイクルする)DNNの構造は、左側の図形オリジナルデータから最も右側の分析結果まで多層に分けることができ、各層で異なる数学演算を完了する。モデルは計多層ニューロン構造がある。第1層は、医療データについて複数のパラレル内積演算を完成する。第1層において最も常用するアルゴリズムは、畳み込みであり、畳み込みアルゴリズムが入力した1シリーズの値上において1つの新しい方程式を移動し、従ってこの新しい方程式と原シリーズデータの内積を出力する。例えば、3D医療図形において、アルゴリズムは複数の畳み込みブロックを構築し、各畳み込みブロックが1つの三次元マトリックスである。畳み込みブロックのx及びy軸は、1つの画像の空間変化における方程式をカバーし、畳み込みブロックのz軸が画像の空間変化における方程式をカバーする。各畳み込みブロックマトリックスは、データ次元自体の移動によって3D図形の各次元の値と畳み込みブロックの内積を計算し、内積演算で得られた数値がデータ次元と畳み込みブロックと間の類似度であることが理解されることができ、データ中の各部分から出力した内積値は、次の層のニューロンの入力値となる。直観的形象の角度から言うと、パラレルの畳み込みマトリックスは特定形状に相当し、畳み込みマトリックス外内計算がデータにおいて異なる領域が特定形状と相似するかどうかを判断する。
図5を参照すると、DNNモデルの二つ目の常用層は、プーリング演算(英名:Max Pooling、以下、「MP演算」という)の層とする。MP演算過程は、次元情報をより大きい範囲のブロックとして合成し、各ブロック内でMax(最大値を求める)演算を行う。MP演算は、主に網膜視神経のネットワーク中のニューロン活性化の特性を真似する。一定の範囲内の情報ワークフレームにおいて、最も活性化した情報ユニットのみを保留して次の層に入る。図形の角度から言うと、MP演算は、演算結果がデータ自体の旋回により変更させることはない。演算の角度から言うと、MP演算は次元削減処理に相当し、第1層のニューロン演算と結合して、MP演算が第1層の畳み込みブロック類似度が比較的低い領域情報を除去し、各領域内の無効情報の含有量を低下する。
DNNの構造は、往々にして畳み込み層とプーリング層により結合して繰り返して診療に関連するデータ特徴を抽出する。直観的に言うと、例えば図4において中間層アルゴリズムは、第1層と第2層で構成された非線形要素を使用し、以後も同様にする。これをもってより一層抽象化されるワークフレーム要素を構築する。本発の方法を通じて無数層のニューロンを構築できる。
理論から言うと、モデルは大量のデータを得て訓練を行うことができる前提下で、畳み込み層とプーリング層の組み合わせの繰り返しは多ければ多いほど良くなる。人間の脳の働きメカニズムは、また完全に理解されていないが、すでに人間の脳は階層が非常に深いニューロン構造に属することを知っている。よって、階層が深ければ深いほどニューロンモデルの電力が強くなる。階層が深ければ深いほどニューロン構造のパラメータは多くなり、訓練及びパラメータの見積もりが益々困難になり、容易に導関数の消滅及び過剰適合の問題が起きる。
DNNは、数回の畳み込み演算及びMP層演算後、残った情報が最後の多層パーセプトロン(Multi−Layer−Perceptron、MLP)内に入る。該パーセプトロンの基本構造は、2層の論理回帰演算で、異なる抽象的なグラフィック要素が最終評価結果の貢献に対し行った付け値に相当し、MLP演算の最終的な出力値がモデルの医療分析結果である。図6に示すように、パーセプトロンは、一般的に1つ隠れ感覚層で、各ユニットの変数が上位層の全ての変数と完全に相互接続し、各層が論理演算を行うことで、次の層の数値を導出・求める。
b)教師なし学習:ニューラルネットワークの概念は、何年も前にすでに存在しているが、使用可能なデータ量、プロセッサの演算能力に限られ、導関数の消滅問題が非常に著しくなり、実際の問題の解決に用いられることができない。完全なモデル訓練過程において、モデルの出力予測値と実績値の間の誤差は、モデルパラメータ最適化の基礎を構成し、階層が深すぎるニューラルネットワーク構造がパラメータ最適化情報を最下層のネットワーク内に逆推定できず、すなわち、表層情報を階層ごとにディープネットワーク構造内に伝達できず、モデル訓練に非常に大きな困難をもたらした。特に、医療データ分析分野において、医療データ量は、往々にして非常に大きく、完全な最適化サーチの実施が非現実的なことで、演算難易度が高い問題は別の分野に比べると更に著しくなる。本発明は、教師なし学習を通じてモデル内のパラメータに対して初期最適化を行い、モデル最適化過程中パラメータの初期条件を非常に有利になり、モデル最適化過程をより速やかに局所極小値を見つけ出させることができる。
効果が最も良好な2種の教師なし学習方法は、雑音除去自己符号化器(Denoising Autoencoders、dAE)以及び制限付きボルツマンマシン(Restricted Boltzmann Machine、RBM)である。
<i.雑音除去自己符号化器(以下、「dAE」という)>
雑音除去自己符号化器の原理は、あるデータ変数の有効な隠れた変数を見つけることである。図7に示すように、完全に雑音除去自己符号化器の動作原理を呈露し、オリジナル医療データに基づいてxを入力し、雑音除去自己符号化器が隠れた要素を表すy及びパラメータWを見つけて新しいデータzをマッピングする。雑音除去自己符号化器の最終目的は、パラメータWを見つけ出してzとxの間の差別を最小化させ、言い換えると、限られる情報内における最も完全にデータ変数情報を表すことができるパラメータを見つけ出すことである。これらパラメータは、モデル範囲内最大量のオリジナルデータをカバーする情報と見なすことができる。雑音除去自己符号化器は、簡単な符号化器の動作原理上において人為的に大量雑音を導入し、直観的に言うと、大量雑音を通じてモデルにより価値のある潜在的な法則を見つけるよう強制し、雑音中の無効法則の影響を受けない。最終的に訓練したパラメータは、教師あり学習の最初パラメータ初期値となり、モデルの第一歩のために良好な起点を見つけ出すことに相当し、訓練を受けるモデルパラメータ最適化の速度を大幅に加速する。
<ii.制限付きボルツマンマシン(以下、「RBM」という)>
制限付きボルツマンマシンが果たす役割は、dAEと非常に類似し、均しく教師なし学習中のパラメータ最適化ステップのために準備する。dAEと非常に類似し、RBMも最も既存データ変数の要因方向性を見つけて後期教師あり学習の初期パラメータとすることである。ただし、dAEと異なり、RBMはエネルギー確率生成式モデルを使用し、dAEのように決定性数式を使用することはない。演算による求解の視点から見ると、dAEが少し複雑である。ただし、その確率生成モデルの本質は、イベント確率性に重点を置くモデリングシナリオにとって、より適用される。我々のモデリング過程について、更に過剰適合現象の発生を低下するため、RBM及びdAEの2種教師なし学習は、統合した学習過程中に使用される。
データ最適化の更なる改善は、損失方程式又は目標方程式を確立し、損失方程式により教師あり学習のデータモデルパラメータ最適化を行う。損失方程式は、訓練データ中のディープラーニングモデルから出力される分析結果と実際の目標変数との間の差に設定できれば、演算中、損失方程の変化に応じて最適化法によりモデル内のパラメータ値を調整する。例えば、医療画像の心血管断面積測定という応用例において、損失方程はモデルから生成される測定値と実績値との間の差(例えば分散)に設定されることでき、勾配降下(gradient descent)のパラメータ最適化法を通じて各サイクル中にパラメータ値を移動し、パラメータ最適化サイクルが特定条件に適合した後パラメータ最適化過程(設定サイクルとサイクル前の損失方程の値が特定閾値より小さくか、或いはサイクル数がある数を超えると、最適化演算を停止)を停止して最適値を保留する。
目標方程式の最適化過程は、下式を通じて表現できる。
Figure 0006522161
式中、g(x、A)は、基本ディープラーニングの分析出力であり、Yが分析目標の実績値であり、L[Y;g(X;A)]が主にディープラーニングの分析出力と実績値との間の差により生じるコストを計算するために用いられる。
よく見られるのは、下式である。
Figure 0006522161
R(A)は、主に正則化表現式であり、主な働きがモデルの過剰適合を避けることに用いられる。
最もよく見られる正則化表現式は、下式であるが、ユーザーは随意に選択された正則化表現式も使用できる。
Figure 0006522161
パラメータ最適化の方法は、随意に選択でき、最もよく見られるのが勾配降下法で、ステップ数式が下式で表される。
Figure 0006522161
jラウンドにおいてパラメータを目標方程式の微分反対方向へ移動する。繰り返し数ラウンド移動した後、特定停止条件を満たす状態下で移動を停止する。
データ最適化の更なる改善は、データ雑音増加方法であり、人為的にモデル及びデータのために雑音を増加してモデルを安定すると共にデータモデルの過剰適合と戦うことができ、例えば医療画像インテリジェントアナライザーにおいて、オリジナルデータに対し変形及び歪みを行うことで、モデルに雑音以外の有効な情報を認識するよう強制できる。
データ最適化の更なる改善は、テストサンプルの分割であり、訓練データを更にてテストサンプルに分割し、残余の訓練データを利用してモデルを確立し、テストサンプルを通じてモデルの有効性をテストすると、結果に基づいて自動又は手動にディープラーニングモデルのコアワークフレームを調整できる。
七、得られた構造化データマトリックスを形成した医学分析対象データを該ディープラーニングモデル内に導入してそのマッチングする病理学的分析を行う。
八、ディープラーニングモデルから出力装置を通じて前記医学分析対象データにマッチングする病理学的分析結果を出力する。
九、前記医学分析対象データ及びそのマッチングする分析結果が関わる構造化データを前記ディープラーニングモデル内にフィードバックして新しい訓練データを形成し、該ディープラーニングモデルを更に最適化する。
本発明のディープラーニングに基づいて医療データに対し分析を行うインテリジェントアナライザーは、医療訓練データ及び医学分析対象データをコンピュータ内に導入する入力装置と、前記医療訓練データ及び医学分析対象データを分けて保存又は集中保存するストレージモジュールと、ストレージモジュール内の医療訓練データを呼び出して自主学習を行うディープラーニングモデルモジュールと、前記医学分析対象データとマッチングする病理学的分析結果をエクスポートする出力装置とCPU及び/或いはGPUのプロセッサとを包括し、
前記医療訓練データは、医療材料データとそのマッチングする診療データとを含み;
前記医療訓練データ及び医学分析対象データは、コンピュータが理解できる構造化データマトリックスであり;
前記自主学習は、線形モデルとニューロンモデルと畳み込み演算及び/或いは最大値を求める演算を含むパラメータ数学的方程式を用い;
前記入力装置は、病院、医学機構に設置されるコンピュータと、該コンピュータとリンクする各種医療検査装置及び病理分析装置とを含み;例えばコンピュータ、超音波装置、X射線、同期心電計、生化学分析装置、免疫分析装置、ファイバースコープ、MRI、CTドップラ診断装置、血圧計、体重計等である。
前記出力装置は、病院、医学機構内に設置されると共に前記入力装置とリンクする定置型コンピュータの出力ターミナル及びモバイルスマートターミナルを含む。例えばコンピュータ、医療機器ターミナル、携帯電話ターミナル等である。
病院又は医学機構の共用資源を実現するため、本発明に係るインテリジェントアナライザー上にインターネット、イーサネット(登録商標)と接続する光ファイバー接続、WIFI接続或いはGPRSモジュール接続を含むネットワーク接続モジュールを取り付けることができる。
本発明に係るインテリジェントアナライザーは、訓練で得られたディープラーニングモデルを実際の中に応用すると、完全な統合システムとなる。新しい医療データ(すなわち、前記分析対象医療データ)生成後モデルパラメータと結合すると、分析予測値を得る。実際の応用過程中、インテリジェントアナライザーは、分析プロセスにおいて1つの追加のプラグインとなる。応用シナリオの違いによって医療機器中の追加のプラグインとなることができ、常用PACS(和名:画像保存通信システム)システム或いは者HIS(和名:病院情報)システム中の挿入したインターフェースとなることもよく、インターネットインターフェースを通じて生成した分析レポートをその他のシステム内に導入してもよい。

Claims (7)

  1. ディープラーニングに基づく医療データ分析方法であって、
    入力装置によって、医療訓練データとして届け出た膨大な同種の医療材料データ及び該医療材料データにマッチングする診療データ収集され、コンピュータ内に保存されるステップ1)と、
    前記コンピュータによって、前記医療訓練データ内の二次元以上の画像データをテキストデータ内の時間及び空間に伴う変化値と対応のデータ関連付けられるステップ2)と、
    前記コンピュータによって、前記収集した膨大な医療訓練データ内において、各個体に対応する医療訓練データと前記変化値1つのデータユニットに集約されるステップ3)と、
    前記コンピュータによって、前記医療訓練データ分割、関連付け又はテキストデータマイニング方法で前記コンピュータが理解できる構造化データマトリックスとして統合或いはフォーマットされ、各データユニット内からデータ特徴抽出されるステップ4)と、
    前記コンピュータによって、構造化データマトリックスを形成した医療訓練データ、ディープラーニングモデルに対応するストレージモジュール内に導入されるステップ5)と、
    前記コンピュータによって、前記ディープラーニングモデルに対し、a.ディープラーニングの基本ワークフレーム設定され、前記医療訓練データからデータ特徴によって入力層と少なくとも1層の隠れ層と出力層とを含むデータモデル作成され、入力層がデータ特徴を持つ若干のノードを含み、出力層が診療データ特徴を持つ若干のノードを含み、各隠れ層が上位層の出力値とマッピングする対応関係を持つ若干のノードを含むことと、b.各ノードは数学的方程式で該ノードのデータモデルを作成し、人工又はランダム方法で前記数学的方程式内の関連パラメータ値を予め設定し、入力層内の各ノードの入力値が前記データ特徴であり、各隠れ層及び出力層内の各ノードの入力値が上位層の出力値であり、各層内の各ノードの出力値が本ノードの前記数学的方程式の演算を経た後で得られる値であることと、c.前記パラメータ値A 初期化され、前記出力層内の各ノードの出力値が対応するノードの診療データ特徴と比較され、各ノードの前記パラメータ値A 繰り返し修正され、順次繰り返され、最終的に前記出力層内の各ノードの出力値で生成され、前記診療データ特徴の類似度が局部最大時の出力値と対応する各ノード内のパラメータ値Aを得ことという最適化法により、最適化演算われるステップ6)と、
    前記コンピュータによって、得られた構造化データマトリックスを形成した医学分析対象データ該ディープラーニングモデル内に導入されそのマッチングする病理学的分析われるステップ7)と、
    出力装置によって、ディープラーニングモデルか前記医学分析対象データにマッチングする病理学的分析結果出力されるステップ8)と、を含む
    ことを特徴とする方法。
  2. 前記パラメータ値Aを最適化する方法は、教師なしの学習方法である
    請求項1に記載の方法。
  3. 前記教師なし学習方法は、雑音除去自己符号化器或いは制限付きボルツマンマシンを用いて自主学習を行う
    請求項2に記載の方法。
  4. 前記パラメータ値Aを最適化する方法は、教師ありの学習方法である
    請求項1に記載の方法。
  5. 前記医療材料データは、臨床及び医療技術の段階における医師が患者の診断、検査及び治療過程に対して行った関連情報の記録を含み;前記診データは、臨床及び医療技術の段階における医師が患者の初診判断、退院結果、疾病治療効果に対して行った関連情報の記録及び医師が作成したテキスト診察データと追跡調査データを含む
    請求項1に記載の方法。
  6. 前記データ特徴は、医療訓練データの時空間における変化値とデータ自体の各種数理統計値とを含み、例えば時間に伴って変化し、データのアップ或いはダウン傾向である
    請求項1に記載の方法。
  7. 前記医学分析対象データ及びそのマッチングする分析結果が関わる構造化データを前記ディープラーニングモデル内にフィードバックして新しい訓練データが形成される
    請求項1に記載の方法。
JP2017559611A 2015-06-02 2016-05-31 ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー Active JP6522161B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201510294286.3 2015-06-02
CN201510294286.3A CN104866727A (zh) 2015-06-02 2015-06-02 基于深度学习对医疗数据进行分析的方法及其智能分析仪
PCT/CN2016/084000 WO2016192612A1 (zh) 2015-06-02 2016-05-31 基于深度学习对医疗数据进行分析的方法及其智能分析仪

Publications (2)

Publication Number Publication Date
JP2018529134A JP2018529134A (ja) 2018-10-04
JP6522161B2 true JP6522161B2 (ja) 2019-05-29

Family

ID=53912551

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017559611A Active JP6522161B2 (ja) 2015-06-02 2016-05-31 ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー

Country Status (6)

Country Link
US (2) US11200982B2 (ja)
EP (1) EP3306500A4 (ja)
JP (1) JP6522161B2 (ja)
CN (2) CN104866727A (ja)
IL (1) IL255856B (ja)
WO (1) WO2016192612A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210054846A (ko) 2019-11-06 2021-05-14 주식회사 하나금융티아이 컨벌루션 신경망의 입력 데이터 생성 장치 및 방법 그리고 이를 이용한 인공지능 기반 펀드가격 예측 장치 및 방법

Families Citing this family (107)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866727A (zh) 2015-06-02 2015-08-26 陈宽 基于深度学习对医疗数据进行分析的方法及其智能分析仪
US10387464B2 (en) * 2015-08-25 2019-08-20 Facebook, Inc. Predicting labels using a deep-learning model
CN105117611B (zh) * 2015-09-23 2018-06-12 北京科技大学 基于卷积神经元网络的中医舌诊模型的确定方法及***
JP2019513315A (ja) * 2016-02-29 2019-05-23 ウルグス ソシエダード アノニマ 惑星規模解析のためのシステム
CN105808712A (zh) * 2016-03-07 2016-07-27 陈宽 将文本类医疗报告转换为结构化数据的智能***及方法
US20170262583A1 (en) 2016-03-11 2017-09-14 International Business Machines Corporation Image processing and text analysis to determine medical condition
CN106264460B (zh) * 2016-07-29 2019-11-19 北京医拍智能科技有限公司 基于自学习的脑活动多维时间序列信号的解码方法及装置
CN106156530A (zh) * 2016-08-03 2016-11-23 北京好运到信息科技有限公司 基于栈式自编码器的体检数据分析方法及装置
CN107025369B (zh) 2016-08-03 2020-03-10 北京推想科技有限公司 一种对医疗图像进行转换学习的方法和装置
CN106326640A (zh) * 2016-08-12 2017-01-11 上海交通大学医学院附属瑞金医院卢湾分院 一种医疗语音控制***及其控制方法
CN106599530B (zh) * 2016-10-31 2019-08-02 北京千安哲信息技术有限公司 一种检测数据的处理方法和装置
CN107358014B (zh) * 2016-11-02 2021-01-26 华南师范大学 一种生理数据的临床前处理方法及***
CN108198625B (zh) * 2016-12-08 2021-07-20 推想医疗科技股份有限公司 一种分析高维医疗数据的深度学习方法和装置
CN106777953A (zh) * 2016-12-09 2017-05-31 江西中科九峰智慧医疗科技有限公司 医学影像数据的分析方法及***
CN106934216B (zh) * 2017-02-16 2021-09-14 山东大学齐鲁医院 基于多目标的医疗器械临床评价方法
CN106934235B (zh) * 2017-03-09 2019-06-11 中国科学院软件研究所 一种基于迁移学习的疾病领域间病人相似性度量迁移***
CN107833605A (zh) * 2017-03-14 2018-03-23 北京大瑞集思技术有限公司 一种医院病历信息的编码方法、装置、服务器及***
US10261903B2 (en) 2017-04-17 2019-04-16 Intel Corporation Extend GPU/CPU coherency to multi-GPU cores
CN108367161B (zh) * 2017-06-05 2022-04-22 西安大医集团股份有限公司 放疗***、数据处理方法及存储介质
CN107239767A (zh) * 2017-06-08 2017-10-10 北京纽伦智能科技有限公司 小鼠行为识别方法及其***
EP3270308B9 (en) * 2017-06-14 2022-05-18 Siemens Healthcare GmbH Method for providing a secondary parameter, decision support system, computer-readable medium and computer program product
CN109300167B (zh) * 2017-07-25 2023-10-10 清华大学 重建ct图像的方法和设备以及存储介质
EP3634204A4 (en) * 2017-07-28 2021-01-20 Google LLC SYSTEM AND METHOD FOR PREDICTING AND RECAPITULATING MEDICAL EVENTS FROM ELECTRONIC HEALTH RECORDS
CN107616796B (zh) * 2017-08-31 2020-09-11 北京医拍智能科技有限公司 基于深度神经网络的肺结节良恶性检测方法及装置
CA3070482A1 (en) * 2017-09-07 2019-03-14 Butterfly Network, Inc. Wrist bound ultrasound-on-a-chip device
CN107767935A (zh) * 2017-09-15 2018-03-06 深圳市前海安测信息技术有限公司 基于人工智能的医学影像分类处理***及方法
CN108053841A (zh) * 2017-10-23 2018-05-18 平安科技(深圳)有限公司 利用语音进行疾病预测的方法及应用服务器
CN109947782A (zh) * 2017-11-03 2019-06-28 ***通信有限公司研究院 一种大数据实时应用***的更新方法、装置及***
TWI649698B (zh) * 2017-12-21 2019-02-01 財團法人工業技術研究院 物件偵測裝置、物件偵測方法及電腦可讀取媒體
JP7006296B2 (ja) * 2018-01-19 2022-01-24 富士通株式会社 学習プログラム、学習方法および学習装置
CN108538390A (zh) * 2018-04-28 2018-09-14 中南大学 一种面向医学数据的增量式处理方法
WO2019211089A1 (en) * 2018-04-30 2019-11-07 Koninklijke Philips N.V. Adapting a machine learning model based on a second set of training data
US20190370956A1 (en) 2018-05-30 2019-12-05 General Electric Company Contrast imaging system and method
WO2019235335A1 (ja) * 2018-06-05 2019-12-12 住友化学株式会社 診断支援システム、診断支援方法及び診断支援プログラム
KR102095959B1 (ko) * 2018-07-11 2020-04-01 주식회사 아이센스 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법
TW202006738A (zh) * 2018-07-12 2020-02-01 國立臺灣科技大學 應用機器學習的醫學影像分析方法及其系統
CN108986913A (zh) * 2018-07-13 2018-12-11 希蓝科技(北京)有限公司 一种优化人工智能心电诊断方法及***
US11756691B2 (en) 2018-08-01 2023-09-12 Martin Reimann Brain health comparison system
WO2020033898A1 (en) * 2018-08-09 2020-02-13 Board Of Trustees Of Michigan State University Systems and methods for providing flexible, multi-capacity models for use of deep neural networks in mobile devices
CN110827988B (zh) * 2018-08-14 2022-10-21 上海明品医学数据科技有限公司 一种基于移动终端进行医学数据研究的控制方法
EP3614337A1 (en) * 2018-08-19 2020-02-26 Chang Gung Memorial Hospital, Linkou Method and system of analyzing medical images
CN109191446B (zh) * 2018-08-30 2020-12-29 杭州深睿博联科技有限公司 用于肺结节分割的图像处理方法及装置
US20210272659A1 (en) * 2018-09-07 2021-09-02 Minas Chrysopoulo System to provide shared decision making for patient treatment options
KR102150673B1 (ko) * 2018-10-02 2020-09-01 (주)지엘테크 외관불량 검사방법 및 외관불량 검사 시스템
US11468998B2 (en) * 2018-10-09 2022-10-11 Radect Inc. Methods and systems for software clinical guidance
KR102180135B1 (ko) * 2018-10-12 2020-11-17 계명대학교 산학협력단 심혈관 질환 종류에 따른 심전도 패턴 시뮬레이션 생체신호 구현 시스템 및 방법
CN109671499B (zh) * 2018-10-22 2023-06-13 南方医科大学 一种直肠毒性预测***构建方法
CN111091914B (zh) * 2018-10-23 2023-11-21 百度在线网络技术(北京)有限公司 基于病历的癌症分型分期方法及其装置
CN109378064B (zh) * 2018-10-29 2021-02-02 南京医基云医疗数据研究院有限公司 医疗数据处理方法、装置电子设备及计算机可读介质
US11507822B2 (en) * 2018-10-31 2022-11-22 General Electric Company Scalable artificial intelligence model generation systems and methods for healthcare
CN111180076B (zh) * 2018-11-13 2023-09-05 零氪科技(北京)有限公司 一种基于多层语义分析的医疗信息提取方法
CN109247923B (zh) * 2018-11-15 2020-12-15 中国科学院自动化研究所 基于视频的非接触式脉搏实时估计方法及设备
CN109583358A (zh) * 2018-11-26 2019-04-05 广东智源信息技术有限公司 一种医疗卫生监督快速精准执法方法
CN111261278A (zh) * 2018-11-30 2020-06-09 上海图灵医疗科技有限公司 一种基于三维图像的深度学习模型的心脏疾病检测方法
CN109816140A (zh) * 2018-12-12 2019-05-28 哈尔滨工业大学(深圳) 基于跨市场影响的股价预测方法、装置、设备及存储介质
US10957442B2 (en) * 2018-12-31 2021-03-23 GE Precision Healthcare, LLC Facilitating artificial intelligence integration into systems using a distributed learning platform
KR102190756B1 (ko) * 2018-12-31 2020-12-14 월드버텍 주식회사 딥러닝 기반의 식물 인식 시스템
US11687691B2 (en) * 2019-01-03 2023-06-27 International Business Machines Corporation Forward and reverse transformations of a model of functional units of a biological system trained by a global model of the systems
CN109800294B (zh) * 2019-01-08 2020-10-13 中国科学院自动化研究所 基于物理环境博弈的自主进化智能对话方法、***、装置
CN110119432B (zh) * 2019-03-29 2023-05-05 中国人民解放军总医院 一种用于医疗平台的数据处理方法
CN110121056B (zh) * 2019-04-03 2022-01-14 视联动力信息技术股份有限公司 跨区域视联网监控视频获取方法及装置
CN110085314A (zh) * 2019-04-11 2019-08-02 上海翼依信息技术有限公司 医学检验数据的智能分析方法、***以及设备
CN110033863B (zh) * 2019-04-23 2021-06-04 科大讯飞股份有限公司 应用于临床决策支持***的不合理疾病诊断检测方法、装置
US20200342968A1 (en) 2019-04-24 2020-10-29 GE Precision Healthcare LLC Visualization of medical device event processing
CN110164524A (zh) * 2019-04-29 2019-08-23 北京国润健康医学投资有限公司 一种偏瘫患者康复训练任务自适应匹配方法及其***
US11416653B2 (en) * 2019-05-15 2022-08-16 The Mitre Corporation Numerical model of the human head
CN110322959B (zh) * 2019-05-24 2021-09-28 山东大学 一种基于知识的深度医疗问题路由方法及***
CN111341435B (zh) * 2019-07-01 2022-11-08 郑州大学第一附属医院 一种用于疾病诊断的用户IoT设备
US11449793B2 (en) * 2019-07-03 2022-09-20 Kpn Innovations, Llc. Methods and systems for medical record searching with transmittable machine learning
US11443137B2 (en) 2019-07-31 2022-09-13 Rohde & Schwarz Gmbh & Co. Kg Method and apparatus for detecting signal features
CN110706803B (zh) * 2019-08-20 2023-06-27 南京医基云医疗数据研究院有限公司 一种确定心肌纤维化的方法、装置、可读介质及电子设备
US11783189B2 (en) * 2019-08-29 2023-10-10 Nec Corporation Adversarial cooperative imitation learning for dynamic treatment
JP7158355B2 (ja) * 2019-08-30 2022-10-21 株式会社豊田中央研究所 ノイズ除去装置および距離測定装置
CN110808095B (zh) * 2019-09-18 2023-08-04 平安科技(深圳)有限公司 诊断结果识别、模型训练的方法、计算机设备及存储介质
US10936962B1 (en) 2019-11-01 2021-03-02 Kenneth Neumann Methods and systems for confirming an advisory interaction with an artificial intelligence platform
CN110879980B (zh) * 2019-11-13 2023-09-05 厦门大学 基于神经网络算法的核磁共振波谱去噪方法
CN110890157A (zh) * 2019-11-18 2020-03-17 京东方科技集团股份有限公司 一种分析模型建立方法、辅助诊断装置及设备、介质
US10734105B1 (en) 2019-11-30 2020-08-04 Kpn Innovations, Llc Methods and systems for informed selection of prescriptive therapies
US11901056B2 (en) 2019-11-30 2024-02-13 Kpn Innovations, Llc Methods and systems for informed selection of prescriptive therapies
CN111192680B (zh) * 2019-12-25 2021-06-01 山东众阳健康科技集团有限公司 一种基于深度学习和集成分类的智能辅助诊断方法
CN110767312A (zh) * 2019-12-26 2020-02-07 杭州迪英加科技有限公司 人工智能辅助病理诊断***及方法
WO2021146748A1 (en) * 2020-01-17 2021-07-22 Acucela Inc. Database of retinal physiology derived from ophthalmic measurements performed by patients
CN113223693B (zh) * 2020-01-20 2023-11-10 深圳市理邦精密仪器股份有限公司 心电图机在线交互方法、心电图机、存储介质
KR102322616B1 (ko) * 2020-02-18 2021-11-05 서울대학교 산학협력단 Mri 스캐너 고유의 장치특성정보를 이용하는 변환 네트워크부를 포함하는 mri 데이터 변환장치 및 이를 이용한 mri 데이터 변환방법
JP6885517B1 (ja) * 2020-03-17 2021-06-16 株式会社村田製作所 診断支援装置及びモデル生成装置
KR102321157B1 (ko) * 2020-04-10 2021-11-04 (주)휴톰 수술 후 수술과정 분석 방법 및 시스템
CN111582493B (zh) * 2020-04-15 2023-07-28 马鞍山师范高等专科学校 一种深度学习模型训练的管理***
CN111370098A (zh) * 2020-04-27 2020-07-03 北京贝叶科技有限公司 一种基于边缘侧计算和服务装置的病理诊断***及方法
CN111696660B (zh) * 2020-05-13 2023-07-25 平安科技(深圳)有限公司 基于人工智能的患者分群方法、装置、设备及存储介质
CN111696674B (zh) * 2020-06-12 2023-09-08 电子科技大学 一种电子病历的深度学习方法及***
CN111789675B (zh) * 2020-06-29 2022-02-22 首都医科大学附属北京天坛医院 颅内血肿手术定位辅助方法及装置
CN111883247B (zh) * 2020-07-29 2022-03-15 复旦大学 一种行为数据与医疗结局相关性的分析***
US20220059200A1 (en) * 2020-08-21 2022-02-24 Washington University Deep-learning systems and methods for medical report generation and anomaly detection
CN112231306B (zh) * 2020-08-23 2021-05-28 山东翰林科技有限公司 基于大数据的能源数据分析***及方法
CN112070731B (zh) * 2020-08-27 2021-05-11 佛山读图科技有限公司 应用人工智能引导人体模型图集与病例ct图像配准的方法
CN112053785A (zh) * 2020-09-02 2020-12-08 北京小白世纪网络科技有限公司 基于冠心病诊断神经网络模型冠心病诊断方法及***
CN112022124A (zh) * 2020-09-14 2020-12-04 山东省创新设计研究院有限公司 生理监测方法、装置、计算机设备和存储介质
CN112164448B (zh) * 2020-09-25 2021-06-22 上海市胸科医院 免疫治疗疗效预测模型训练方法、预测***及方法和介质
CN112164446B (zh) * 2020-10-13 2022-04-22 电子科技大学 一种基于多网络融合的医疗影像报告生成方法
CN112786190B (zh) * 2021-01-14 2024-02-13 金陵科技学院 一种多维数据融合的医疗健康诊疗方法
CN112869691B (zh) * 2021-02-03 2021-11-02 清华大学 双波长增强型拉曼内窥式无创病理检测装置及检测方法
US11275903B1 (en) * 2021-05-13 2022-03-15 Retain Health, Inc System and method for text-based conversation with a user, using machine learning
CN114582494B (zh) * 2022-03-03 2022-11-15 数坤(北京)网络科技股份有限公司 诊断结果分析方法、装置、存储介质及电子设备
CN114373511B (zh) * 2022-03-15 2022-08-30 南方医科大学南方医院 基于5hmC分子标志物检测的肠癌模型及肠癌模型构建方法
TWI839761B (zh) * 2022-06-23 2024-04-21 吳福興 基於模型整合之健康醫療事件預測系統及其方法
CN115115620B (zh) * 2022-08-23 2022-12-13 安徽中医药大学 一种基于深度学习的肺炎病变模拟方法及***
KR20240041722A (ko) * 2022-09-23 2024-04-01 삼성전자주식회사 시뮬레이션된 생체 신호를 출력하는 디바이스 및 그 동작 방법

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1194045A (zh) * 1995-07-25 1998-09-23 好乐思治疗公司 计算机辅助疾病诊断方法
US5687716A (en) * 1995-11-15 1997-11-18 Kaufmann; Peter Selective differentiating diagnostic process based on broad data bases
CA2244913A1 (en) * 1996-02-09 1997-08-14 Adeza Biomedical Corporation Method for selecting medical and biochemical diagnostic tests using neural network-related applications
US6587114B1 (en) * 1999-12-15 2003-07-01 Microsoft Corporation Method, system, and computer program product for generating spatially varying effects in a digital image
US7313550B2 (en) * 2002-03-27 2007-12-25 Council Of Scientific & Industrial Research Performance of artificial neural network models in the presence of instrumental noise and measurement errors
AU2004251359B2 (en) * 2003-06-25 2009-01-22 Siemens Medical Solutions Usa, Inc. Systems and methods for automated diagnosis and decision support for breast imaging
US20070027368A1 (en) * 2005-07-14 2007-02-01 Collins John P 3D anatomical visualization of physiological signals for online monitoring
JP4985480B2 (ja) 2008-03-05 2012-07-25 国立大学法人山口大学 がん細胞を分類する方法、がん細胞を分類するための装置及びがん細胞を分類するためのプログラム
JP4236123B1 (ja) * 2008-04-21 2009-03-11 株式会社林創研 三次元画像取得装置
US8990132B2 (en) * 2010-01-19 2015-03-24 James Ting-Ho Lo Artificial neural networks based on a low-order model of biological neural networks
US8345984B2 (en) * 2010-01-28 2013-01-01 Nec Laboratories America, Inc. 3D convolutional neural networks for automatic human action recognition
CN102542562A (zh) 2011-11-23 2012-07-04 首都医科大学 一种基于肺结节三正交位ct图像纹理的提取方法和预测肺癌方法
CN203122364U (zh) * 2012-11-14 2013-08-14 华北电力大学 一种基于神经网络技术的病情自诊断设备
JP2016519807A (ja) 2013-03-15 2016-07-07 ザ クリーブランド クリニック ファウンデーションThe Cleveland ClinicFoundation 自己進化型予測モデル
US20170124269A1 (en) * 2013-08-12 2017-05-04 Cerner Innovation, Inc. Determining new knowledge for clinical decision support
US9700219B2 (en) * 2013-10-17 2017-07-11 Siemens Healthcare Gmbh Method and system for machine learning based assessment of fractional flow reserve
CN103544392B (zh) * 2013-10-23 2016-08-24 电子科技大学 基于深度学习的医学气体识别方法
WO2015069827A2 (en) * 2013-11-06 2015-05-14 H. Lee Moffitt Cancer Center And Research Institute, Inc. Pathology case review, analysis and prediction
CN103914841B (zh) * 2014-04-03 2018-03-09 深圳大学 基于超像素和深度学习的***细菌分割与分类***
CN104298651B (zh) * 2014-09-09 2017-02-22 大连理工大学 一种基于深度学习的生物医学命名实体识别和蛋白质交互关系抽取在线方法
US9687199B2 (en) * 2014-09-15 2017-06-27 Wisconsin Alumni Research Foundation Medical imaging system providing disease prognosis
CN104523266B (zh) * 2015-01-07 2017-04-05 河北大学 一种心电信号自动分类方法
CN104866727A (zh) 2015-06-02 2015-08-26 陈宽 基于深度学习对医疗数据进行分析的方法及其智能分析仪

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210054846A (ko) 2019-11-06 2021-05-14 주식회사 하나금융티아이 컨벌루션 신경망의 입력 데이터 생성 장치 및 방법 그리고 이를 이용한 인공지능 기반 펀드가격 예측 장치 및 방법

Also Published As

Publication number Publication date
US20220059229A1 (en) 2022-02-24
IL255856A (en) 2018-01-31
CN113421652B (zh) 2024-06-28
IL255856B (en) 2022-01-01
US20180137941A1 (en) 2018-05-17
US11200982B2 (en) 2021-12-14
JP2018529134A (ja) 2018-10-04
EP3306500A4 (en) 2019-01-23
CN113421652A (zh) 2021-09-21
WO2016192612A1 (zh) 2016-12-08
EP3306500A1 (en) 2018-04-11
CN104866727A (zh) 2015-08-26

Similar Documents

Publication Publication Date Title
JP6522161B2 (ja) ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー
Suganyadevi et al. A review on deep learning in medical image analysis
US10706333B2 (en) Medical image analysis method, medical image analysis system and storage medium
Cui et al. RNN-based longitudinal analysis for diagnosis of Alzheimer’s disease
Sahu et al. FINE_DENSEIGANET: Automatic medical image classification in chest CT scan using Hybrid Deep Learning Framework
Khan et al. Deep neural architectures for medical image semantic segmentation
Mijwil et al. From Pixels to Diagnoses: Deep Learning's Impact on Medical Image Processing-A Survey
CN113040715B (zh) 一种基于卷积神经网络的人脑功能网络分类方法
Akay et al. Deep learning classification of systemic sclerosis skin using the MobileNetV2 model
Sun et al. Intelligent analysis of medical big data based on deep learning
Dai et al. A deep inference learning framework for healthcare
CN112489769A (zh) 基于深度神经网络的慢性病智慧中医诊断与药物推荐***
CN112508884A (zh) 一种癌变区域综合检测装置及方法
Mohammadi et al. Diagnosis/prognosis of covid-19 chest images via machine learning and hypersignal processing: Challenges, opportunities, and applications
Khazaal et al. Predicting Coronary Artery Disease Utilizing Support Vector Machines: Optimizing Predictive Model
Sharma et al. Classification of heart disease from MRI images using convolutional neural network
Arowolo et al. Detection of COVID-19 from Chest X-Ray Images using CNN and ANN Approach
Mareeswari et al. A narrative review of medical image processing by deep learning models: origin to COVID-19
Nazlı et al. Classification of Coronary Artery Disease Using Different Machine Learning Algorithms
Tlaisun et al. Efficient deep learning approach for modern skin cancer detection
Srirangam Artificial Intelligence Based Hyper-parameter Adjustment on Deep Neural Networks: An Application of Detection and Classification of COVID-19 Diseases
Madhavi et al. Efficient explainable deep learning technique for COVID-19 diagnosis based on computed Tomography scan images of lungs
Jaganathan et al. Modelling an effectual feature selection approach for predicting down syndrome using machine learning approaches
Chandrasekar et al. ANALYSIS FOR HEART DISEASE PREDICTION USING DEEP NEURAL NETWORK AND VGG_19 CONVOLUTION NEURAL NETWORK.
Thamizhvani et al. Deep learning interpretation of biomedical data

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20171222

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190128

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190212

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190412

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20190423

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190423

R150 Certificate of patent or registration of utility model

Ref document number: 6522161

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313113

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

S533 Written request for registration of change of name

Free format text: JAPANESE INTERMEDIATE CODE: R313533

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250