[发明专利]根据医学数据对预测性数字孪生体模型的数据驱动的估计

权利要求书

1.一种用于在医学系统中估计数字孪生体模型以用于决策支持的方法，所述方法包括：

获取（10、11）来自患者的测量结果；

通过测量结果的输入，根据针对患者而被个体化的器官功能模型（15）来确定（14）临床生物标志物的估计，已经针对临床生物标志物训练了器官功能模型（15）；以及

显示（18）临床生物标志物的估计的图像。

2.根据权利要求1所述的方法，其中所述获取（10、11）包括：获取（10、11）患者的医学图像数据和非医学图像数据。

3.根据权利要求1所述的方法，其中所述确定（14）包括：确定（14）器官功能模型（15）的参数值，并且然后利用参数值、使用器官功能模型（15）来确定（14）所述估计。

4.根据权利要求3所述的方法，其中器官功能模型（15）被训练（16）成：通过基于临床后果预测准确度从多个模型的集合中选择器官功能模型（15）来针对临床生物标志物进行优化。

5.根据权利要求3所述的方法，其中器官功能模型（15）基于针对临床生物标志物的优化，所述优化通过将测量结果与参数值进行相关的机器学习模型来进行，已经利用损失函数训练了机器学习模型，所述损失函数包括针对训练量度与模型输出的差异的第一项、以及针对从训练生物标志物到模型生物标志物的差异的第二项。

6.根据权利要求5所述的方法，其中机器学习模型包括神经网络。

7.根据权利要求6所述的方法，其中机器学习模型包括编码器、解码器、以及接收编码器与解码器之间的瓶颈特征值的估计网络。

8.根据权利要求1所述的方法，其中所述确定（14）包括：根据去往机器学习模型的测量结果的输入来确定（14）临床生物标志物的估计，机器学习模型输出所述估计，已经基于针对临床生物标志物的优化训练了机器学习模型。

9.根据权利要求8所述的方法，其中机器学习模型是利用损失函数来训练（16）的，所述损失函数具有针对机器学习模型的模型输出与本构模型之间的距离的第一项、以及针对生物标志物之间的距离的第二项。

10.根据权利要求8所述的方法，其中机器学习模型被训练（16）为正向模型。

11.根据权利要求10所述的方法，其中机器学习模型是基于来自生成性计算模型的输出而被预训练的。

12.一种用于估计数字孪生体模型的医学系统，所述医学系统包括：

医学成像器（56），其被配置成扫描患者；

图像处理器（52），其被配置成利用患者的生理系统的数字孪生体模型来预测临床生物标志物，所述数字孪生体模型基于生物标志物预测和来自扫描的数据针对患者而被个体化；以及

显示器（50），其被配置成显示临床后果。

13.根据权利要求12所述的医学系统，其中通过从一组模型中进行选择、基于生物标志物预测来对所述数字孪生体模型进行个体化，其中所述选择基于使用扫描数据和生物标志物的值的多个样本进行的比较。

14.根据权利要求12所述的医学系统，其中响应于来自扫描的数据的输入，通过由机器学习模型输出所述数字孪生体模型的参数值、基于生物标志物预测来对所述数字孪生体模型进行个体化，已经使用损失函数训练了机器学习模型，所述损失函数包括所预测的生物标志物中的距离。

15.根据权利要求12所述的医学系统，其中通过由所述数字孪生体模型输出临床生物标志物、基于生物标志物预测来对所述数字孪生体模型进行个体化，所述数字孪生体模型包括使用扫描数据和生物标志物的值的样本来训练的机器学习模型。