一种基于医学影像和临床需求的人工智能辅助诊断平台的制作方法

本发明涉及医学影像辅助诊断及人工智能领域，具体涉及一种基于医学影像和临床需求的人工智能辅助诊断平台。

背景技术：

从现在起到本世纪中叶，是我国人口老龄化高速发展时期，慢性疾病患者的增多和相关医疗条件的改善也伴随着医疗费用的提升，导致全民医疗福利的降低和生产发展压力的转移，对健康劳动力的需求日益增长，如果不能得到解决，很可能会导致劳动的短缺，这是人口老龄化带来的对我国的重大挑战。

医学影像作为一种对人体组织非侵袭性的成像诊疗技术，是现代医学的重要组成部分，优良的影像设备和技术能够帮助临床获取更准确的影像信息，提高筛查和诊断精度，能更好地预防和管理疾病，同时提供预后数据和健康相关结果的风险分层。医学影像技术人工观测判定结果具有很大的主观性，对放射科医生提出了更高的要求，目前我国放射科医学人才仍具有较大缺口，同时人工判断本身也容易出现失误。

人工智能被广泛定位为放射学中最重要和最具颠覆性的新技术，它为医学影像工作带来的革命性影响使放射科医生很快就接受了这项技术，人工智能影像平台目的是为临床医学提供提供辅助诊断依据，以及为患者提供护理参考方案，但人工智能应用于医学影像还不太成熟。

技术实现要素：

为了解决现有技术问题，本发明提供一种基于医学影像和临床需求的人工智能辅助诊断平台，可集成到院内系统，与现有的临床放射学工作流程和医院系统相互操作，用于方便提高放射学报告对转诊医生的价值，并最终改善临床结果的目的。

为了实现上述技术目的，本发明的技术方案如下：

一种基于医学影像和临床需求的人工智能辅助诊断平台，包括：数据采集模块、数据处理模块、影像平台、计算模块、安全识别模块、结果集合模块、浏览器、反馈模块；所述数据采集模块用于采集影像数据和基本信息并传输至所述数据处理模块，所述数据处理模块将所述影像数据和所述基本信息进行处理生成数据集并将所述数据集传输至所述影像平台，所述影像平台将所述数据集传输至所述计算模块，所述计算模块对所述数据集就行处理并传输至所述安全识别模块；所述安全识别模块与结果集合模块相连接；所述结果集合模块将所得的临床诊断结果传输至所述浏览器中；所述浏览器与所述反馈模块相连接。

优选地，所述影像数据来自x射线、ct、核磁共振成像系统、超声、眼底照相、光学相干断层扫描；所述基本信息是通过标准接口方法从医学影像存档与通讯系统、放射信息管理系统、电子病历中获取的。

优选地，所述数据处理模块将所述数据采集模块中采集到的所述影像数据和所述基本信息通过安全服务器进行检测后合成为所述数据集。

进一步说明，所述影像平台为ai医学影像平台，所述ai医学影像平台通过医疗标准进行摄取和整合所述影像数据和所述基本信息，并传输至所述计算模块。

优选地，所述计算模块采用ai计算平台，其中，所述ai计算平台包括：聚合器、云部署模型、内部部署模型、ai模型、模型存储库、ai模型市场；所述聚合器采用工作流引擎，当所述ai模型与所述内部部署模型不一致情况下，所述工作流引擎从所述ai模型市场获取相应的所述ai模型，并存储在所述云部署模型、所述模型存储库中；当所述ai模型与所述内部部署模型一致情况下，所述工作流引擎启动所述云部署模型选取出对应的所述ai模型进行匹配。

进一步说明，当所述数据集通过所述ai计算平台进行处理后，传输至安全识别模块，其中，所述安全识别模块采用ai安全识别层，所述ai安全识别层与所述ai模型市场相连接。

进一步说明，所述ai安全识别层将所述数据集传输至所述结果集合模块；所述结果集合模块采用结果集合平台，所述结果集合平台收集不同的ai模型结果并将其转化为通用数据。

进一步说明，所述结果集合平台将所述通用数据传输至所述浏览器，所述浏览器采用ai平台浏览器，所述ai平台浏览器用于展示和比较各种ai模型与原始图像的性能，其中，所述ai平台浏览器需要授权才能登录，所述ai平台浏览器可编辑、注释和检查ai图像。

进一步说明，所述ai图像将通过所述ai平台浏览器传输至临床医生工作界面，临床医生能够查询注释和审查结果；所述ai计算平台能够将所述临床医生的工作流程进行集成并存储。

进一步说明，所述反馈模块用于对所述ai模型进行反馈及模型优化。

与现有技术相比较，本发明的有益效果如下：

1.本发明可集成到院内系统，与现有的临床放射学工作流程和医院系统相互操作，用于方便提高放射学报告对转诊医生的价值，并最终改善临床结果的目的。

2.本发明采用影像平台、计算模块、安全识别模块相结合的方式，一方面能够有队列选择风险评估功能，可对匿名化的数据评估重新识别风险，另一方面，安全识别模块能够安全地解除掉在平台外发送的任何数据，并在需要时重新识别平台接收的数据，保障了数据的安全性。

附图说明

图1为本发明一种基于医学影像和临床需求的人工智能辅助诊断平台的流程示意图；

图2为本发明一种基于医学影像和临床需求的人工智能辅助诊断平台的操作框架图

图3为本发明一种基于医学影像和临床需求的人工智能辅助诊断平台的急性传染性肺炎的ai辅助诊断预测平台的流程图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特征细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。

在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

在本申请所提供的实施例中，应理解，“与a相应的b”表示b与a相关联，根据a可以确定b。但还应理解，根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其它信息确定b。

结合附图1-2本发明提供一种基于医学影像和临床需求的人工智能辅助诊断平台，包括：数据采集模块、数据处理模块、影像平台、计算模块、安全识别模块、结果集合模块、浏览器、反馈模块；数据采集模块用于采集影像数据和基本信息并传输至数据处理模块，数据处理模块将影像数据和基本信息进行处理生成数据集并将数据集传输至影像平台，影像平台将数据集传输至计算模块，计算模块对数据集就行处理并传输至安全识别模块；安全识别模块对经过计算模块进行处理的数据进行安全识别，并传输至结果集合模块相连接；结果集合模块将所得的临床诊断结果传输至浏览器中；浏览器与反馈模块相连接。

数据采集模块采集的数据包括：影像数据和基本信息，其中，影像数据直接从设备上获取，包括：x射线，ct，核磁共振成像系统(mri)，超声，眼底照相，光学相干断层扫描(oct)；基本信息是通过标准接口方法与现有系统集成，可以兼容多种医院内部系统，包括医学影像存档与通讯系统(pacs)和放射信息管理系统(ris)的图像数据，电子病历(emr)数据源以及其他合成数据。

数据处理模块是将扫描设备和医院信息系统获取的影像数据和基本信息通过安全服务器进行处理，可结合生产和合成数据集，并协调数据，为匿名化和队列选择做好准备，然后将所得的数据集传输至影像平台。

影像平台采用ai医学影像平台，ai医学影像平台通过现有的医疗标准进行摄取和整合数据集，并传输至计算模块，其中，现有的医疗标准可采用hl7、dicom等。ai医学影像平台能够安全的托管数据集，供人工智能模型处理。

计算模块采用ai计算平台，其中，ai计算平台包括：聚合器、云部署模型、内部部署模型、ai模型、模型存储库、ai模型市场，聚合器采用工作流引擎，根据需要启用云部署模型或内部部署模型，用于契合运行不同供应商的ai模型；当ai模型与内部部署模型不一致情况下，工作流引擎从ai模型市场获取相应的ai模型，并存储在云部署模型、模型存储库中；当ai模型与内部部署模型一致情况下，工作流引擎启动云部署模型选取出对应的ai模型进行匹配。

进一步说明，ai计算平台具有队列选择风险评估功能，可对匿名化的数据评估重新识别风险。

安全识别模块采用采用ai安全识别层，当需要将数据集传输出去，ai安全识别层能够进行安全识别，避免数据被篡改的风险，其中，ai安全识别层与ai模型市场相连接，，ai安全识别层能够托管或连接到ai模型市场，以便访问、公开、上传或下载市场中的ai模型。ai模型市场将实现集中管理，并为每个模型提供版本控制功能。

进一步说明，ai安全识别层将数据集传输至结果集合模块；结果集合模块采用结果集合平台，结果集合平台收集不同的ai模型结果并将其转化为通用数据，结果集合平台将通用数据传输至浏览器，浏览器采用ai平台浏览器，ai平台浏览器用于用于向授权用户展示和比较各种ai模型与原始图像的性能，其中，ai平台浏览器需要授权才能登录，ai平台浏览器可编辑、注释和检查ai图像，最后，ai图像将通过ai平台浏览器传输至临床医生工作界面，临床医生能够查询注释和审查结果；ai计算平台能够将临床医生的工作流程进行集成并存储。

进一步说明，反馈模块用于对ai模型进行反馈及模型优化，允许在安全的开发环境中增强现有ai模型。

实施例1：

结合附图3一种急性传染性肺炎的ai辅助诊断预测平台的流程图，包括：

dicom加载模块：用于授权用户从本地文件系统中选择和加载dicom图像。

病人属性模块：从dicom元数据和emr系统的数据中，包括人口资料和入院史，显示选定的病人属性。

预测模块：以百分比形式显示每个结果的预测风险分数。如果风险评分超过用户可配置的阈值，将被警告显示为“高风险”标识。默认阈值是根据roc曲线设置的，但是临床医生可以自主调整，以适应更高的敏感性或特异性。

胸部x射线与级别鉴定热图模块：显示从标准dicom文件加载的胸部x光图像。提供缩放、平移和图像导出功能。为了提供预测模型的可解释性，放射科医生可以选择覆盖一个“类区分”热图，突出显示对预测贡献最大的图像区域，每个覆盖层的不透明度可以独立控制。

文本报告模块：显示可配置的报告，该报告将预测模型的结果汇总为文本段。临床医生可将报告复制到其他报告工具或放射报告中。

作为独立的瘦客户机应用程序安装在放射科医生工作站上。利用胸部x射线影像数据，作用包括解读影像信息，产生风险评分，进行工作列表优先化，为放射科医生提供决策支持工具。放射科医生可在结构化报告中附加模型结果及其评估，该报告将通过emr或ris-pacs系统传递给下游临床医生。

解读影像信息可对所有胸片进行诊断分类，包括正常的和异常的，异常种类包括但不限于：(1)肺不张、(2)心脏肥大、(3)渗出、(4)浸润、(5)肿块、(6)结节、(7)肺炎、(8)气胸、(9)固化、(10)水肿、(11)肺气肿、(12)纤维化、(13)胸膜增厚、(14)疝、(15)新冠肺炎。

风险评分包括：

(1)病人在住院入院2天内出院；

(2)病人有死亡风险；

(3)icu患者风险。

最后应该说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前叙述实施对本发明进行了详细的说明，本领域的技术人员应当理解，其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行同等替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神与范围。