[发明专利]基于关键发现的医学图像的基于不确定性的重新优先排序

说明书

一种用于使用机器学习模型对待评估的一组医学图像进行优先排序的系统和方法，包括：使用训练数据集训练机器学习模型，其中机器学习模型接收输入医学图像并且输出在输入医学图像中显示的医学状况；在待评估的一组医学图像上运行经训练的机器学习模型以产生针对一组医学图像中的每个医学图像的医学状况输出；基于针对机器学习模型的不同的输出所确定的统计参数来计算针对每个医学状况输出的似然分数；以及基于经计算的似然分数和医学状况输出的严重性来确定待评估的一组输入图像的顺序。

技术领域

本文公开的各种示例性实施例总体上涉及基于关键发现的医学图像的基于不确定性的重新优先排序。

背景技术

危及生命的状况(例如气胸)需要立即就医，以防止对患者造成严重伤害，包括死亡。因此，指示严重状况的发现的快速通信由各种医疗当局授权。

历史上，医学图像检查的优先排序已经手动地或借助于基于规则的方式来被执行。然而，由于不明确的标记方案，以及缺少一组独立的标签来使用，因此用于放射科医师以审查的最重要的医学图像的选择是不是有效的。机器学习X射线系统已经被开发，其允许临界状态的自动的检测。

发明内容

下面给出各种示例性实施例的概述。在以下概述中可以进行一些简化和省略，其旨在突出和介绍各种示例性实施例的某些方面，而不是限制本发明的范围。足以允许本领域普通技术人员制造和使用本发明概念的示例性实施例的详细描述将在后面的部分中进行。

各种实施例涉及一种用于使用机器学习模型对待评估的一组医学图像进行优先排序的方法，包括：使用训练数据集训练机器学习模型，其中机器学习模型接收输入医学图像并且输出在输入医学图像中显示的医学状况；在待评估的一组医学图像上运行经训练的机器学习模型以针对一组医学图像中的每个医学图像产生医学状况输出；基于针对机器学习模型的不同的输出所确定的统计参数来计算针对每个医学状况输出的似然分数；以及基于经计算的似然分数和医学状况输出的严重性来确定待评估的一组输入图像的顺序。

其他不同实施例涉及一种用于使用机器学习模型对待评估的一组医学图像进行优先排序的系统，系统包括：存储器；被连接至存储器的处理器，处理器被配置为：使用训练数据集训练机器学习模型，其中机器学习模型接收输入医学图像并且输出在输入医学图像中显示的医学状况；在待评估的一组医学图像上运行经训练的机器学习模型，以针对一组医学图像中的每个医学图像产生医学状况输出；基于针对机器学习模型的不同的输出所确定的统计参数来计算针对每个医学状况输出的似然分数；以及基于经计算的似然分数和医学状况输出的严重性来确定待评估的一组输入图像的顺序。

各种实施例被描述，进一步包括在显示器上显示一组输入图像的顺序以用于评估。

各种实施例被描述，其中统计参数包括输出的预测值、输出的不确定性和噪声的标准偏差。

各种实施例被描述，其中似然分数被计算为

其中s_y是针对特定输出y的似然分数，μ_y是特定输出y的平均值，σ_y是特定输出y的标准偏差，以及σ_n是噪声的标准偏差。

各种实施例被描述，其中基于经计算的似然分数和医学状况输出的严重性来确定待评估的一组输入图像的顺序包括：根据经计算的似然分数来标识一组输入图像中的、高似然性具有严重医学状况的图像；以及基于所标识的图像的似然分数从最高排序到最低对所标识的图像进行排序，并且将经排序的所标识的图像放置于顺序的顶部。

各种实施例被描述，其中基于经计算的似然分数和医学状况输出的严重性来确定待评估的一组输入图像的顺序进一步包括基于没有高似然具有严重医学状况的图像的经计算的似然分数从最低到最高对没有高似然具有严重医学状况的图像进行排序，并且将经排序的图像按顺序放置于经排序的所标识的图像之后。