[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

说明书

使用患者、患者器官或患者器官系统的数字孪生体模型以用于临床决策支持，可以从该模型中导出生物标志物。个体化过程还包括预测性考虑（16），以改进数字孪生体导出的生物标志物的灵敏度和特异性。特别地，在训练期间，要针对其使用个体化模型的预测性生物标志物被考虑在内（16），然后在应用中计及该生物标志物。针对特定患者的模型的拟合（15）计及（16）预测或模型使用，从而导致估计出（14）针对最终用途更优化的生物标志物，而不是仅仅拟合到患者的当前基线。

相关申请

本专利文档要求于2018年8月22日提交的序列号为62/721,076的美国临时专利申请的35U.S.C.§119（e）下的申请日的权益，该美国临时专利申请在此通过引用而并入。

背景技术

本实施例涉及器官功能的特定于患者的计算模型，也叫做数字孪生体（twin）。数字孪生体模型被用来计算先进的多模态测试或得分，以用于临床决策支持，如非侵入性生理测量（例如，血流储备分数（FFR）、组织硬度或应力）、疾病进展和预后的标志物、或疗法后果（therapy outcome）预测。例如，已经开发了个体化（individualize）的心脏模型来计算用于经皮冠状动脉介入、心脏再同步化疗法后果预测或用于ICD植入的生物标志物。已经创建了肝、肺、其他器官或生理系统的数字孪生体。

估计特定于患者的计算模型相当于实行多模态数据同化（也称为反向建模（inverse modeling）），从而最终在模型与所测量的患者数据之间产生良好的拟合。例如，在心脏建模中，患者的医学图像、12导联ECG和压力数据被用来估计针对心脏形状和基质、心肌电导率、硬度和应力、和/或多尺度计算模型的其他参数的值。已经开发了基于深度学习或深度强化学习的人工智能方法，以用于增加来自有噪声的数据的模型参数的精度和鲁棒性。在模型个体化期间，仅基线处的临床数据已经被用来估计模型的参数。

这种个体化模型然后被用来实行“假设分析（what-if）”实验（例如，应用虚拟起搏）以及估计对心脏功能或其他生物标志物的影响。可以对所估计的参数的不确定性进行估计，以将拟合的计算模型与置信度得分相关联，并且指导模型预测的解释。将模型拟合到患者基线数据仅提供了当时的器官或器官系统的数字孪生体，但是可能不是稍后时间处（诸如，在由于疗法或疾病进展、由于建模假设、数据质量、完整性或其他限制因素所致的任何改变之后）的器官或器官系统的良好预测因子。特别地，假设该模型的预测能力唯一地存在于该模型的本构方程（其是根据实验来设计的或者从数据中学习到的）中。在模型个体化期间，任何预测性方面都被忽略，从而在预测来自特定于患者的模型的后果时产生次优结果。

发明内容

提供了计算机可读介质上的系统、方法和指令，以用于估计患者、患者器官或患者器官系统的个体化数字孪生体模型，从该模型中可以导出生物标志物以用于临床决策支持。个体化过程还包括预测性考虑，以改进数字孪生体导出的生物标志物的灵敏度和特异性。特别地，在训练期间，要针对其使用个体化模型的预测性生物标志物被考虑在内。针对特定患者的模型的拟合计及了预测或模型使用，从而导致估计出针对最终用途更优化的生物标志物，而不是仅仅拟合到患者的当前基线。

在第一方面，提供了一种用于在医学系统中进行数字孪生体建模的方法。获取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来确定生物标志物（诸如，临床后果）的估计。器官功能模型是基于针对临床后果的优化而构建的。显示临床后果的估计的图像。可以导出用以支持临床决策支持的一个或若干个定量或定性的生物标志物。

在一个实施例中，针对患者获取医学图像数据和非医学图像数据。