用于优化对先前研究的使用的设备、系统和方法与流程

医学专业人员可以对患者执行流程并准备流程结果的报告。例如，放射科医师可以对患者进行放射学研究。为了正确地准备报告，放射科医师可能需要成像研究的背景，使得报告包括当前研究的发现。然而，放射科医师也可能需要更广泛的背景来得到当前研究的背景。例如，本领域技术人员将理解需要知道诸如疾病进展、疾病病因和/或一般的患者疾病和健康史之类的背景，以建立当前研究的基础并得出有用的结论。因此，先前研究可以向医学专业人员提供宝贵的信息以准备报告以及用于各种其他原因。

如本领域技术人员将理解的，先前研究可以提供放射科医师可能出于各种原因而使用的信息。在第一示例中，针对特定患者的先前研究可以提供更广泛的背景，以得到要被包括在对患者进行的当前研究或当前流程的报告中的发现。在第二示例中，当前成像研究或图像可能没有足够的信息供医学专业人员正确地调查患者的问题。例如，可能存在较差的图像分辨率或不适当的视场来捕获目标解剖结构或正在调查中发现。因此，为了提取背景，放射科医师参考可获得的针对患者的与关于当前研究的关注内容相关的所有先前研究。在任一示例中，必须确定先前研究的相关性对于放射科医师而言是重要的。放射科医师要仔细阅读以编写关于当前研究的报告的先前研究被称为相关的先前研究(rps)。

然而，识别患者的先前研究以及它们与当前研究的相关性是一个费力的过程，其在放射学工作流程中产生了主要瓶颈。具体而言，医学专业人员必须手动搜索先前研究(有时仅发现与当前研究不具有相关性)或使用自动搜索，该自动搜索使用仅产生具有与当前研究相同的模态和身体部分的结果的语义参数。

识别相关的先前研究的过程取决于多种因素。在示例性因素中，相关的先前研究可以取决于放射科医师感兴趣的分析类型。例如，在观察疾病进展时，放射科医师可以选择具有特定解剖结构、疾病和模态的最近研究的序列。另一方面，在识别疾病病因时，与当前模态或解剖结构互补(并且不相同)的研究可能是有用的(例如，先前的下腹部超声可能与计算机断层摄影(ct)扫描或诸如正电子发射断层摄影(pet)扫描之类的功能性研究是互补的。

由于在识别相关的先前研究时所依赖的各种因素，放射科医师对与患者相关联的所有先前研究进行的手动方法是放射学工作流程中的主要瓶颈，如果需要详尽和完整的搜索，则上述手动方法需要非常多的时间。在实践中，放射科医师审查患者的所有先前研究是不现实或不合理的。相反，放射科医师通过他们自己的标准来近似判断最相关的先前研究，这继而又产生了许多问题。在第一个问题中，放射科医师必须查看患者的所有先前研究的列表并选择一个似乎是最相关的先前研究。这样的过程在时间上是低效的，并且还容易出错。通常，放射科医师打开先前研究并开始审查所选择的先前研究，这仅仅是为了认识到所选择的先前研究是无关紧要的。在第二个问题中，选择先前研究的标准在每个个体放射科医师之间，在不同的工作流程之间是可变的，并且取决于患者的病史。因此，识别相关的先前研究的过程非常具有挑战性，在以自动方式实施该过程的情况下尤其如此。

在与相关的先前研究有关的另一操作中，在典型的放射学阅读时期期间，放射科医师可以在查看(例如由流程设备105捕获的)放射学图像的同时指示当前研究的发现和观察结果。放射科医师还可以浏览先前成像研究以找到相似/相关的病例。例如，当前成像研究可能无法为目标发现的可视化提供足够的分辨率，当前成像研究未涵盖感兴趣的解剖结构/发现(例如，偶然的发现)和/或放射科医师有兴趣比较当前成像研究中的观察结果与先前相关成像研究以收集比较信息和/或补充信息。在特定示例中，放射科医师可能正在阅读胸部ct图像，但也可能想要查看先前胸部ct图像(如果可用的话)以评价肺部结节的生长或者可能想要查看pet图像以评价对处置的功能响应。如果放射科医师不相信当前成像研究或先前成像研究服务于所需目的，则放射科医师可推荐新的成像研究。也就是说，放射科医师可以推荐患者进行另一流程以捕获可能有助于诊断的另外的图像。放射科医师还可以出于其他原因而推荐新的成像研究，以便进行后续研究(例如针对偶然的发现)。这种推荐可能被包括在当前研究的报告中。

本领域技术人员将理解放射科医师将推荐为患者订购另一成像研究的频率。然而，推荐的成像研究可能不是必要的，因为过去可能已经从患者采集了相似的成像研究，这种情况将忽略该推荐。因此，订购的不必要的成像研究会导致医学护理系统的成本提高以及患者、放射科医师等花费的时间成本提高。随着从量标准到价值标准的范式转移，示例性实施例提供了一种用于通过审查放射科医师给出的推荐来解决订购不必要的成像研究的问题的机制。也就是说，当订购不必要的成像研究时，在存在足以满足订购不必要的成像研究的目的的先前成像研究时可以避免所订购的不必要的成像研究。

技术实现要素：

示例性实施例涉及一种方法，包括：在优化服务器上：从由医学专业人员使用的从业者设备接收针对患者的相关的先前研究的请求，所述请求包括针对所述患者的当前研究，所述相关的先前研究与所述当前研究相关；基于个性化模型从所述患者的先前研究中确定所述相关的先前研究，所述个性化模型与所述医学专业人员相关联，所述个性化模型指示所述相关的先前研究与所述当前研究的相关性得分；以及将所述相关的先前研究发送给所述从业者设备。

示例性实施例涉及一种优化服务器，包括：收发器，其经由通信网络进行通信，所述收发器从由医学专业人员使用的从业者设备接收针对患者的相关的先前研究的请求，所述请求包括针对所述患者的当前研究，所述相关的先前研究与所述当前研究相关；以及处理器，其基于个性化模型从所述患者的先前研究中确定所述相关的先前研究，所述个性化模型与所述医学专业人员相关联，所述个性化模型指示所述相关的先前研究与所述当前研究的相关性得分，其中，所述收发器将所述相关的先前研究发送给所述从业者设备。

示例性实施例涉及一种方法，包括：在优化服务器上：从由医学专业人员使用的从业者设备接收针对患者的当前研究的报告，所述报告包括针对要对所述患者执行的另外的流程的推荐；基于模型从所述患者的先前研究中确定相关的先前研究，所述模型指示所述相关的先前研究与所述当前研究的相关性得分；确定所述相关的先前研究是否否定针对所述推荐的需要；以及当否定针对所述推荐的所述需要时更新所述报告以移除所述推荐。

附图说明

图1示出了根据示例性实施例的系统。

图2示出了根据示例性实施例的图1的优化服务器。

图3示出了根据示例性实施例的用于生成基础模型以生成先前研究的结果的方法。

图4示出了根据示例性实施例的用于更新个性化模型以生成先前研究的结果的方法。

图5示出了根据示例性实施例的使用先前研究的结果来分析报告的方法。

具体实施方式

参考以下描述和有关的附图可以进一步理解示例性实施例，其中，相同的元件被提供有相同的附图标记。示例性实施例涉及用于优化对先前研究(特别是成像研究)的使用的设备、系统和方法。先前研究可以提供相关信息以用于分析当前研究和准备当前研究结果的报告。然而，可能存在与当前研究相关的先前研究，而其他先前研究可能与当前研究无关。示例性实施例提供了一种识别相关的先前研究的自动机制。在第一方面中，可以向医学专业人员提供相关的先前研究以供审查以准备当前研究的报告，据此可以向医学专业人员提供个性化的识别相关的先前研究的方式。在第二方面中，相关的先前研究可以用于评价报告中包括的可能是多余的或不必要的推荐。

首先，应当注意，对成像研究的使用以及更一般地对与成像研究相关联的放射学工作流程的使用仅是示例性的。如下面对本领域技术人员来说明显的是，可以修改示例性实施例以用于与可以在处理当前研究或当前分析中利用先前研究或先前文件的任何工作流程一起使用。因此，放射学工作流程和相关联的研究可以表示任何工作流程和任何相关联的文件。

示例性实施例提供了一种自动检测可能与当前研究一起使用的相关的先前研究的机制。因此，示例性实施例被配置为对放射科医师的效率和工作量提供直接的积极影响。此外，示例性实施例对先前研究进行分类并且可以根据先前研究的相关性对其进行排序，以进一步提高放射学工作流程的效率。因此，当放射科医师根据示例性实施例利用例如当前研究和任选的比较标准来查询组成部分时，该组成部分可以提取与当前研究相关联的所有可用的先前研究，对这些可用的先前研究进行排序，并且仅将相关的先前研究返回给放射科医师。为了正确地定义如何识别相关性，示例性实施例可以包括比较标准，该比较标准允许使用大量(例如数千个)相关研究与不相关研究对来识别针对给定背景的相关的先前研究。由于针对这种大量的研究对的任何手动方法都是不可能的，因此根据示例性实施例的机制自动标记研究对并允许开发针对给定机构或放射科医师的定制系统。通过使用学习特征，示例性实施例还可以提供返回先前研究的结果的个性化方式，使得针对放射科医师或机构定制结果。如下面将进一步详细描述的，可以创建基础模型以生成供查询的先前研究的结果，根据存档数据来生成基础事实，并且根据行为数据使基础模型适应个性化模型。

示例性实施例可以用于通过图片存档与通信系统(pacs)或成像系统工作站存储和提供的成像研究和相关联的图像。pacs是工作站，它帮助放射科医师履行职责并使放射科医师能够跟上不断增加的工作量。特别地，pacs采用直观的图形用户接口，该图形用户接口可以访问患者的放射学历史，包括诊断报告、检查记录、临床病史和成像扫描。另外，pacs具有若干简化和加速工作流程的特征。这些特征对于提高放射科医师的生产率至关重要。示例性实施例可以用在任何pacs中，例如，飞利浦的intellispacepacs。示例性实施例还可以用在使用先前研究的其他应用或平台中，例如，飞利浦的uronav(先前的活组织检查和融合工作流程)，dynalync和intellispaceportal。

图1示出了根据示例性实施例的系统100。系统100包括在利用患者的先前研究中涉及的各种部件之间的通信。具体地，系统100包括例如流程设备105、通信网络110、研究储存库115、从业者设备120以及优化服务器125。如下面将进一步详细描述的，根据示例性实施例的系统100包括识别和利用患者的先前研究的整个过程。

过程设备105可以表示被配置为对患者执行流程的任何电子设备。例如，流程设备105可以用于放射学流程，例如，x射线扫描、磁共振成像(mri)扫描、计算机轴向断层摄影(cat)扫描等。因此，流程设备105可以包括用于使用指定模态在患者的身体部分上执行各种流程和/或处置的必要的硬件、软件和/或固件。本领域技术人员将理解，流程设备105可以被配置为自动、手动或其组合来进行操作。例如，该流程可以由流程设备105从放射科医师或技术人员开始该流程时自动执行。在此之后，可以以自动方式执行该流程的其他部分。在另一示例中，该流程可以由其中放射科医师或技术人员必须连续地提供针对流程中要采取的动作的输入的流程设备105来执行。流程设备105还可以包括用于要被传送到另一电子设备的数据的任何连接硬件、软件和/或固件。

流程设备105可以相应地生成流程的结果以供用户阅读。例如，流程设备105可以根据流程设备105的模态针对所选择的身体部分生成组织的图像。也就是说，可以由流程设备105生成成像研究。在特定示例中，当流程设备105执行mri扫描时，可以产生以不同的黑色阴影表示患者的流体和组织的对应的成像研究，反映出在捕获图像时患者的状况。在另一特定示例中，当流程设备105执行ct扫描时，可以产生其中使用以不同角度拍摄的多幅x射线图像来产生被扫描对象的特定区的横截面图像的对应的成像研究，该对应的成像研究反映出捕获图像时患者的状况。因此，取决于类型，流程设备105可以生成患者的对应的成像研究，包括针对该研究捕获的一幅或多幅图像。

由流程设备105捕获的图像可以包括对应于患者的识别信息或者与之相关联。例如，患者可以与用于唯一地识别患者的识别号相关联。当流程设备105用于患者时，所得到的图像可以包括识别号或者与之相关联。因此，当要识别患者的图像时，可以将该识别号用于这种搜索。

还应注意，图示单个流程设备105的系统100仅是示例性的。相反，流程设备105可以表示被配置为与系统100的其他部件交换数据的一个或多个流程设备。例如，流程设备105可以表示执行流程并提供对应的图像的医院的一组流程设备105。

还应注意，虽然已经将示例性实施例描述为与医学成像(例如，mri、x射线等)和对应的模态相关的流程设备105，但是流程设备105也可以是任何类型的设备。流程设备的其他示例包括计算机断层摄影(ct)、正电子发射断层摄影(pet)以及超声。

通信网络110可以被配置为通信性地连接系统100的各个部件以交换数据。通信网络110可以表示由系统100的部件用于彼此通信的任何单个或多个网络。例如，如果流程设备105在医院或私人诊所中使用，则通信网络110可以包括流程设备105可以初始连接的私用网络。私用网络可以连接到互联网服务提供商的网络以连接到互联网。随后，通过互联网，可以建立与其他电子设备的连接。通信网络110和可以包括在其中的所有网络可以是任何类型的网络。例如，通信网络110可以是局域网(lan)、广域网(wan)、虚拟lan(vlan)、wifi网络、热点、蜂窝网络(例如，3g、4g、长期演进技术(lte)等)、云网络、这些网络的有线形式、这些网络的无线形式、这些网络的组合的有线/无线形式等。

研究储存库115可以是存储成像研究以及成像研究的相关联的图像的部件。例如，研究储存库115可以是使用以电子格式维护成像研究的数据库的pacs。因此，捕获图像并生成成像研究的流程设备105可以经由通信网络110发送该数据以用于存储在研究储存库115中。研究储存库115可以以预定布置将接收到的数据存储在数据库中，例如按照患者的识别号和/或按照生成成像研究的日期或者执行捕获图像的流程将接收到的数据存储在数据库中。

研究储存库115可以被配置有搜索功能，该搜索功能允许放射科医师查询研究储存库115以返回基于针对搜索参数输入的输入信息而相关联的任何图像或成像研究。例如，用户可以请求返回特定患者的成像研究。因此，可以将患者的识别号或患者的姓名作为搜索参数而提供给研究储存库115。在另一示例中，用户可以请求返回特定患者的特定成像研究或一组成像研究。因此，可以提供患者的识别物和另外的搜索项(例如，在特定日期特定时间执行的特定流程、在选定的时间段内执行的任何流程等)作为针对研究储存库115的搜索参数。如下面将进一步详细描述的，当结果指示所有数据都匹配输入的输入信息时，优化服务器125还可以利用搜索功能。

从业者设备120可以表示被配置为执行与医学护理提供者(例如，放射科医师)相关联地使用的对应功能的任何电子设备。例如，从业者设备120可以是诸如平板计算机、膝上型计算机等的便携式设备或诸如桌面终端之类的客户端固定设备。从业者设备120可以包括必要的硬件、软件和/或固件以执行与医学处置相关联的各种操作。从业者设备120还可以包括所需的连接硬件、软件和固件(例如，收发器)以建立与通信网络110的连接，从而进一步建立与系统100的其他部件的连接。例如，从业者设备120可以使用日程表应用程序为患者安排预约，并且可以跟踪对患者的处置或流程等。在另一示例中，从业者设备120可以用于生成当前研究的报告。因此，放射科医师可以查询当前成像研究以及用于生成报告的任何先前成像研究。

以与流程设备105基本相似的方式，图示单个从业者设备120的系统100仅是示例性的。相反，从业者设备120可以表示被配置为经由通信网络110与系统100的其他部件交换数据的一个或多个从业者设备。例如，从业者设备120可以表示由医院从业者使用的一组从业者设备。

如上所述，优化服务器125可以是系统100的部件。具体地，优化服务器125可以执行与识别和/或利用先前研究相关联的功能。图2示出了根据示例性实施例的图1的优化服务器125。优化服务器125可以提供与先前研究相关联的各种功能。虽然优化服务器125被描述为网络部件(具体地是服务器)，但是优化服务器125也可以以各种方式来实施，例如，便携式设备(例如，平板计算机、智能电话、膝上型计算机等)、结合到流程设备105和/或医师设备120等中的客户端固定设备(例如，桌面终端)。优化服务器125可以包括处理器205、存储器布置210、显示设备215、输入和输出(i/o)设备220、收发器225以及其他部件230(例如，成像器、音频i/o设备、电池、数据采集设备、将优化服务器125电连接到其他电子设备的端口等)。

处理器205可以被配置为运行优化服务器125的多个应用程序。如下面将进一步详细描述的，处理器205可以利用多个引擎，包括查询引擎235、建模引擎240、个性化引擎245以及推荐引擎250。查询引擎235可以处理来自从业者设备120的请求。如下面将详细描述的，请求可以涉及提供与当前研究具有相关性的先前研究或者分析报告以及报告中包括的任何推荐。建模引擎240可以基于当前研究和/或其他参数来生成用于识别相关的先前研究的模型。个性化引擎245可以利用来自从业者设备120的反馈数据来以个性化方式更新模型。推荐引擎250可以分析报告以用于推荐。

应当注意，上述应用程序和引擎(每个都是由处理器205运行的应用程序(例如，程序))仅是示例性的。与应用程序相关联的功能还可以被表示为一个或多个多功能程序的部件、优化服务器125的单独结合的部件，或者可以是耦合到优化服务器125的模块化部件，例如，具有或不具有固件的集成电路。

存储器210可以是被配置为存储与由优化服务器125执行的操作有关的数据的硬件部件。具体地，存储器210可以存储与接收到的请求有关的数据和用于识别相关的先前研究的研究。存储器210还可以存储与针对推荐进行分析的报告有关的数据。显示设备215可以是被配置为向用户显示数据的硬件部件，而i/o设备220可以是使用户能够对输入信息进行输入的硬件部件。例如，优化服务器125的管理员可以通过在显示设备215上显示的用户接口利用i/o设备220输入的输入信息来维护和更新优化服务器125的功能。应当注意，显示设备215和i/o设备220可以是单独的部件或者被集成在一起，例如，触摸屏。收发器225可以是被配置为经由通信网络110发送和/或接收数据的硬件部件。

根据示例性实施例，优化服务器125可以利用识别相关的先前研究的识别功能并且将相关的先前研究用于各种不同的操作。最初，如上所述，查询引擎235可以处理来自从业者设备120的请求。因此，从业者设备120可以连接到优化服务器125。注意，建立的连接可以是直接连接或间接连接。例如，从业者设备120可以具有被安装在其上的使得能够建立与优化服务器125的连接的应用程序。在另一示例中，从业者设备120可以建立到研究储存库115的连接。然而，系统100可以被配置为使得优化服务器125作为中间设备或在与研究储存库115的任何连接之前执行其功能。再次注意，使用单独的优化服务器125仅是示例性的。例如，优化服务器125可以以被安装在从业者设备120上的应用程序来提供功能。因此，仍然可以与研究储存库115建立直接连接。

来自从业者设备120的请求可以涉及利用相关的先前研究。如上所述，使用相关的先前研究的第一方式是将来自从业者设备120的请求直接用于向从业者设备120提供相关的先前研究。例如，放射科医师可能正在审查当前成像研究并且想要在报告中包括针对检测到的病症的诊断的跟踪。因此，可以审查先前成像研究以在报告中包括跟踪信息。因此，放射科医师可以经由从业者设备120提交针对先前成像研究的请求，特别是那些与提交请求的当前原因相关的请求。还如上所述，利用相关的先前研究的第二方式是针对报告中包含的任何推荐来分析报告。例如，当可能需要来自当前成像研究的更多信息时，放射科医师可能生成具有针对患者的另外的流程的推荐的报告。因此，可以审查先前成像研究以确定是否已经可以获得更多信息来重新评估是否仍然要保证使用该推荐。

为了识别相关的先前研究或者将相关性值分配给针对请求的先前研究，示例性实施例可以利用模型。如上所述，建模引擎240可以基于当前研究和/或其他参数来生成用于识别相关的先前研究的模型。因此，查询引擎235可以与建模引擎240联合操作以生成针对从从业者设备120接收的请求的响应。

最初，建模引擎240可以被配置为生成基础模型。基础模型可以独立于请求和任何其他搜索参数。具体而言，可以针对先前研究建立基本事实。为了构建机器学习模型，建模引擎240可以识别研究对并针对这些对确定相关性。本领域技术人员将理解，可以以更有效的方式对具有更多数量的研究对(例如，数千个研究对)使用该基础模型。因此，建模引擎240提供自动方法对研究进行配对并确定彼此的相关性。

建模引擎240可以通过首先收集现有研究来生成基础模型。例如，可以从研究储存库115中检索研究，研究储存库115可以是例如pacs、放射科信息系统(ris)等。当使用更多数量的研究来生成模型时，可以生成更详尽的基础模型。在收集研究之后，建模引擎240可以对准备用于后续处理的研究进行分类。例如，可以按日期和/或时间对研究进行分类。应当注意，先前研究不以任何方式限于模态或身体部分。也就是说，建模引擎240不需要使用语义方法。相反，可以利用任何先前研究来识别相关性，而不依赖于在研究中使用的模态和/或在研究中成像的身体部分。

在对研究(s)配对并且确定该配对之间的相关性的示例性方式中，建模引擎240可以列出所有可能的研究对。例如，列表l可以被定义为l＝[(s1，s2)，(s3，s4)...(sn-1，sn)。每个研究对(sk，sj)使得研究sk在时间上比研究sj更老。每个研究对(sk，sj)也使得存在与研究sk相关联的用于确定相关性的基础事实(gt)标签rk。当直接提取gt标签时，针对每个研究对(sk，sj)，建模引擎240确定是否存在与研究sk相关联的直接或间接的参考研究sj。建模引擎240可以利用各种不同的机制(例如，自然语言处理(nlp)、机器学习等)来执行该确定。如果确定了参考，则研究对(sk，sj)被标示为相关。然而，如果未确定参考，则研究对(sk，sj)被标示为不相关。

此外，还可以确定相关性得分，使得可以针对被标示为相关的每个研究对确定相对相关性参数。因此，可以基于对应的相关性得分对相关的先前成像研究进行排序。因此，当与查询引擎235联合操作时，可以例如使用基础模型来识别相对于当前研究最相关的先前成像研究。

具体地，建模引擎240可以生成实施统计模型的基础模型，该统计模型将研究对的相关性估计为概率得分。基础模型可以包括特征提取器和统计模型。注意，可以使用估计当前研究与独立或联合用于研究对的整个序列的先前研究对的相关性的概率的任何统计模型。例如，统计模型可以是逻辑回归、随机森林、支持向量机、最大熵马尔可夫模型、隐马尔可夫模型、条件随机场等。

统计模型还可以使用由特征提取器提取的信息，该特征提取器被配置为提取显式特征和隐式特征两者。显式特征可以包括对研究元数据(例如，医学数字成像和通信(dicom)标签)中包含的任何数据的直接编码。隐式特征可以表示从元标签导出的信息的编码。例如，隐式特征可以包括从若干dicom元数据字段推断出的解剖结构、模态、异常、条件、历史等。在另一示例中，隐式特征可以包括单独的或一起的研究对模态、解剖结构、研究原因、流程描述等的叉积。在另外的示例中，隐式特征可以包括使用统计分布模型基于跨模态、解剖结构、研究原因的之间的时间差来估计相关性的可能性或者单独估计相关性的可能性。

使用上述机制，建模引擎240可以生成基础模型，该基础模型用于识别关于当前研究和其他搜索参数的相关的先前研究。由于可用的先前研究(例如，在研究储存库115中的先前研究)可能随着时间而增加，因此建模引擎240可以相应地更新基础模型。例如，针对添加的每个额外的先前研究，建模引擎240可以更新基础模型。在另一示例中，建模引擎240可以在添加预定数量的新的先前研究之后更新基础模型。在另外的示例中，建模引擎240可以在预定时间量之后更新基础模型以结合可能已经添加的任何新的先前研究。

基础模型可以提供识别相关的先前研究的初始方式。然而，如本领域技术人员将理解的，每个放射科医师或每个医学组织/设施(例如，医院)可以使用不同的标准或者在识别先前研究中的相关性方面具有不同的偏好。例如，针对患者的当前研究，第一放射科医师可以认为第一先前研究具有高相关性，而第二先前研究具有较低相关性。第二放射科医师可以使用相反的配置，其中，第一先前研究被认为具有中等相关性，而第二先前研究具有较高相关性。因此，放射科医师的个人偏好可能影响在相关性方面考虑先前研究的方式。因此，基础模型可能针对给定的一组参数(例如，当前研究)生成一组相同的结果，但是接收结果的放射科医师可能以不同的方式利用该结果。

为了适应放射科医师的个人偏好，如上所述，个性化引擎245可以利用来自从业者设备120的反馈数据而以个性化方式更新模型。具体地，可以将基础模型更新为个性化模型，并且可以不断更新个性化模型以反映放射科医师的个人偏好。个性化引擎245使用的反馈数据可以是放射科医师使用先前提供的结果的方式。例如，放射科医师可以发送针对关于当前研究的相关的先前研究的请求。优化服务器125可以利用基础模型(如果不存在针对放射科医师的个性化模型的话)或针对放射科医师的个性化模型。可以将基于可用模型的结果发送回到放射科医师。放射科医师可以在针对当前研究的结果中利用所选择的先前研究。与结果的使用相关联的输入可以被提供给个性化引擎245。以这种方式，个性化引擎245可以分析放射科医师执行放射学工作流程的方式并根据放射科医师的偏好来定制可用模型。个性化引擎245可以定制模型，使得可以更新被标示为相关/不相关的结果和/或可以更新被分配给相关的先前研究的相关性值。

在定制其中识别相关的先前研究的模型的特定实施方式中，放射科医师可以发送包括当前研究和任选的比较标准的查询。假设放射科医师是正在第一次利用优化服务器125的特征的用户并且不存在针对该放射科医师的个性化模型，优化服务器125可以产生使用该基础模型的相关的先前研究的列表。放射科医师可以审查可以基于(由基础模型定义的)相关性值排序的相关的先前研究的列表。放射科医师可以选择将要进一步审查的相关的先前研究。个性化引擎245可以接收放射科医师的输入作为反馈数据。该反馈数据可以用于根据选择和列表来更新基础模型。例如，可以使用懒惰学习或基于案例的学习。

反馈数据可以涉及放射科医师的各种不同输入。例如，反馈数据可以涉及放射科医师在寻求相关性的原因方面的选择。在第一示例中，原因可以是为了比较(例如，ct时间点1相对于ct时间点2)。在第二示例中，原因可以是为了更好的分辨率(例如，ct1.0mm间距相对于ct0.5mm间距)。在第三示例中，原因可以是为了补充信息(例如，ct相对于pet)。根据放射科医师的选择，可以考虑不同的标准来更新基础模型并创建与放射科医师的个人偏好相匹配的个性化模型。例如，放射科医师可以总是忽略在预定最小时间量内过时的先前研究。可以更新个性化模型以降低相关性或者消除超出该预定最小时间量的先前研究。此外，可以允许放射科医师基于放射科医师的偏好(例如，模态、解剖结构、发现、时间等)来分配优先级以确定相关性。以这种方式，优化服务器125可以利用由个性化模型定义的相关的先前研究，该个性化模型将放射科医师的偏好结合到基础模型。

如上所述，建模引擎240可以利用添加的另外的先前研究来继续更新基础模型。还可以以基本相似的方式更新个性化模型。例如，最初可以更新基础模型。使用针对放射科医师收集的反馈数据，可以针对每个更新的基础模型生成个性化模型。

使用上述生成个性化模型的方式，优化服务器125可以被配置为适当地生成针对放射科医师对与当前研究相对应的先前研究和请求中包括的其他标准的请求的结果。如上所述，优化服务器125可以以第一方式利用先前研究，在第一方式中，包括先前研究的结果被提供给放射科医师。因此，提交请求的放射科医师可以对用作识别相关的先前研究的基础的参数进行打包。与放射科医师相关联的基础模型或个性化模型可以用于识别相关的先前研究以创建基于相关性值组织的相关的先前研究的列表。该列表可以被提供回到可以审查列表项目(例如打开先前研究中的图像)的放射科医师。在此之后，放射科医师可以例如针对当前研究创建报告，该报告使用从请求返回的先前研究。该报告可以描述当前研究的发现，其中，该发现与先前研究中的对应发现相关。该报告还可以识别针对患者的诸如另外的流程之类的后续动作过程，特别是在当前研究没有提供足够的信息来阐明进行当前研究的原因的情况下。

如上所述，优化服务器125可以将先前研究用于其他目的。在上述第二方式中，优化服务器125可以利用推荐引擎250来分析针对当前研究创建的报告以用于推荐。应当注意，本文的描述涉及指示成像研究的结果的医学报告。然而，示例性实施例可以用于其他类型的报告。例如，示例性实施例还可以用于其他类型的报告，例如，手术报告、介入心脏病学报告、病理学报告、入院记录、进展记录、出院记录等。

推荐引擎250可以在提供该功能时使用各种模块。在第一模块中，推荐引擎250可以包括检测与推荐有关的短语的推荐检测模块。放射科医师可以利用各种模式来生成报告。例如，放射科医师可能更喜欢打出报告。在另一示例中，放射科医师可以利用语音来指示和记录报告。因此，推荐检测模块可以被配置为适应文本提取和/或语音检测。利用文本提取，推荐检测模块可以包括解析句子并提取术语“推荐”或相似短语(例如，“建议”)的nlp流水线。利用语音检测，推荐检测模块可以从语音中检测术语“推荐”或相似短语。可以实时执行对文本或语音中的术语的检测，使得甚至在报告完成之前可以立即执行另外的操作。然而，实时执行仅是示例性的，并且可以在创建报告之后利用推荐检测模块。

在第二模块中，推荐引擎250可以包括模态和成像部位检测模块。具体地，模态可以涉及用于捕获当前研究的图像的流程的类型。成像部位可以涉及成像目标的身体部分。以与推荐检测模块基本相似的方式，模态和成像部位检测模块可以被配置用于文本和语音。利用文本提取，模态和成像部位检测模块可以再次利用nlp流水线来解析句子以提取模态和身体部分。利用语音检测，模态和成像部位检测模块可以检测描述模态以及身体部分的短语。模态和成像部位检测模块也可以实时操作。

在第三模块中，推荐引擎250可以包括相关的先前成像研究检测模块。相关的先前成像研究检测模块可以等同于建模引擎240和/或个性化引擎245。具体地，相关的先前成像研究检测模块可以生成基础模型或者将基础模型更新为个性化模型，个性化模型用于识别相关的先前研究并且关于当前研究和其他标准来分配相关性值。

在第四模块中，推荐引擎250可以包括反馈接口模块。反馈接口模块可以提供用户接口以在检测到相关的先前研究时向放射科医师提供反馈。使用利用推荐检测模块、模态和成像部位检测模块以及相关的先前成像研究检测模块确定的信息，反馈接口模块可以确定由相关的先前成像研究检测模块识别的任何相关的先前研究是否解决了对分别由推荐检测模块和模态和成像部位检测模块识别的推荐和模态/成像部位的问题。以这种方式，推荐和模态/成像部位可以与在以第一方式利用优化服务器125中使用的当前研究是可比较的。模型和相关的先前研究也可以与第一方式基本相似。因此，在以第二方式利用优化服务器125中的另外的功能需要自动操作来识别相关的先前研究，该相关的先前研究可能与推荐要订购的成像研究的需要相矛盾。反馈接口模块可以相应地创建用户接口，在该用户接口中，将识别出的相关的先前研究提供给放射科医师以考虑推翻推荐(例如审查是否仍然要保证使用推荐)。

注意，推荐引擎250可以包括另外的模块。在第一另外的模块中，推荐引擎250可以包括提取模块，该提取模块被配置为提取患者相关历史(例如，药物、植入物、过敏、诸如hiv、糖尿病等的医学病症)。如果对推荐的成像研究存在顾虑，则可以生成警告消息以通知放射科医师注意订购成像研究的推荐的后果。在第二另外的模块中，可以修改推荐引擎250以用于其他目的，例如，活组织检查或治疗推荐。因此，可以使用先前研究来检测不必要的活组织检查或治疗推荐。如果在相关的先前研究中已经检测到活组织检查或者进行治疗推荐会因患者的病史而导致的潜在危害，则可以生成警报。

图3示出了根据示例性实施例的用于生成基础模型以生成先前研究的结果的方法300。具体地，方法300可以涉及执行的操作，使得可以使用利用相关的先前研究的第一方式和第二方式。因此，将从优化服务器125的角度描述方法300。还将关于图1的系统100和图2的优化服务器125的多个引擎235-245来描述方法300。

在步骤305中，优化服务器125接收先前研究。例如，优化服务器125可以接收被存储在研究储存库115(例如，pacs、ris等)中的先前研究。优化服务器125可以被配置为检索可用于执行本文中的功能的所有先前研究。在步骤310中，优化服务器125可以对先前研究进行分类。如上所述，优化服务器125可以基于日期和时间对先前研究进行分类，使得按时间顺序列出先前研究。

在步骤315中，优化服务器125选择一对研究。如上所述，可以选择两项研究，其中，一项研究的时间晚于另一项研究的时间。研究还可以具有与之相关联的基础事实标签以确定相关性。可以使用上述方法中的任一种来确定相关性。因此，在步骤320中，优化服务器125确定该对是否存在相关性关联。

如果与该对没有相关性(即，该对彼此无关)，则优化服务器125将方法300继续进行到步骤325。在步骤325中，优化服务器125将该对标示为不相关。然后，在步骤330中，优化服务器125根据考虑而移除该对。也就是说，配对被移除，而不在该对中进行个体研究。

如果该对存在相关性，则优化服务器125将方法300继续进行到步骤335。在步骤335中，优化服务器将该对标示为相关。此外，在步骤340中，优化服务器125确定针对该对的相关性得分。例如，相关性得分可以基于概率得分，其中，统计模型使用利用特征提取器提取的信息来确定概率得分。然后，在步骤330中，优化服务器125根据考虑而移除该对。

在步骤345中，优化服务器确定是否存在任何另外的研究对。如果存在至少一个另外的研究对，则优化服务器125将方法300返回到步骤315。然而，如果优化服务器125已经分析了每个研究对，则在步骤350中，优化服务器125生成基础模型。

注意，可以在各个时间生成和/或更新模型。如上所述，当添加额外的先前研究时，可以更新模型。因此，在第一示例中，当确定已经添加了任何先前研究时，可以更新模型。因此，该模型可以包括这一新的先前研究。在第二示例中，可以在确定已经添加了预定数量的新的先前研究之后更新模型。因此，该模型可以包括这些新的先前研究。在第三示例中，可以在预定的时间量之后更新模型。因此，该模型可以包括任何添加的新的先前研究。在第四示例中，当放射科医师经由从业者设备120请求优化服务器125的特征时，可以更新模型。因此，该模型可以包括在接收到请求时所有可用的先前研究。

图4示出了根据示例性实施例的用于更新个性化模型以生成先前研究的结果的方法400。具体地，方法400可以涉及通过使用根据方法300创建的模型以及生成个性化模型来执行的操作。因此，将从优化服务器125的角度描述方法400。还将关于图1的系统100和图2的优化服务器125的多个引擎235-245来描述方法400。

在步骤405中，优化服务器125从使用从业者设备120的放射科医师接收请求。如上所述，该请求可以包括当前研究和其他标准。该请求还可以涉及接收针对请求的输入的或附带的输入信息的相关的先前研究的结果。该请求还可以包括对从其接收请求的放射科医师或从业者设备120的识别。在步骤410中，优化服务器确定请求所源自的放射科医师的身份。

在步骤415中，优化服务器125确定放射科医师是否具有与其相关联的现有的个性化模型。如上所述，相关的先前研究的结果可以利用模型来确定，并且模型可以是结合了放射科医师特有的个人偏好的个性化模型。注意，已经为各种放射科医师创建的个性化模型可以被存储在各种位置中。在第一示例中，个性化模型可以被存储在优化服务器125的存储器布置210中。在第二示例中，个性化模型可以被存储在网络储存库或单独的部件中。在第三示例中，个性化模型可以被单独存储在从业者设备120的存储器布置中。因此，该请求可以包括个性化模型，或者优化服务器125可以请求发送个性化模型(例如，在接收到请求之后作为后台操作)。

如果放射科医师没有与其相关联的个性化模型，则优化服务器125将方法400继续进行到步骤420。在步骤420中，优化服务器125生成与放射科医师相关联的个性化模型。在步骤425中，优化服务器125利用基础模型。例如，可以从关于方法300描述的过程来创建基础模型。由于没有反馈数据可用于放射科医师，因此在该过程的这个阶段，个性化模型可以与基础模型相同。因此，在步骤430中，优化服务器125基于当前创建的与基础模型相同的个性化模型来生成针对请求的先前研究的结果。先前研究还可以具有基于当前创建的个性化模型对请求确定的相关性得分。

返回步骤415，如果放射科医师已经具有与其相关联的个性化模型，则优化服务器125将方法400继续进行到步骤435。在步骤435中，优化服务器125检索并利用个性化模型，该个性化模型是利用与放射科医师已经利用优化服务器125的特征的先前时间有关的反馈数据从基础模型修改而来的。因此，在步骤430中，优化服务器125基于已经存在的个性化模型来生成针对请求的先前研究的结果。先前研究还可以具有基于已经存在的个性化模型对请求确定的相关性得分。

优化服务器125可以将结果已经发送回从业者设备120。可以根据相关性得分对结果进行排序。结果还可以包括基于预定标准的特定数量的先前研究。在第一示例中，优化服务器125可以仅包括满足最小相关性得分阈值的那些先前研究。在第二示例中，优化服务器125可以包括基于相关性得分的最高预定数量的先前研究。因此，提供固定数量的结果(除非找到的结果的数量不满足最高预定数量)。在第三示例中，可以使用第一示例与第二示例的组合。因此，如果针对第一示例的结果的数量不满足针对第二示例的先前研究的最高预定数量，则可以动态地调整最小相关性得分阈值(例如可以降低最小相关性得分阈值以达到最高预定值)。

在接收到请求的结果时，放射科医师可以利用放射科医师认为合适的先前研究。在利用结果的先前研究的过程中，收集放射科医师使用结果的方式的反馈数据。在步骤440中，优化服务器125接收反馈数据。在步骤445中，优化服务器125基于反馈数据来更新个性化模型。因此，在来自放射科医师的任何后续请求中，结合放射科医师的个人偏好的个性化模型可以用于确定识别针对该请求的相关的先前研究的结果。

图5示出了根据示例性实施例的用于使用先前研究的结果来分析报告的方法500。具体地，方法500可以涉及在生成报告的同时使用从方法300创建的模型来执行的操作。因此，将从优化服务器125的角度描述方法500。还将关于图1的系统100和图2的优化服务器125的多个引擎235-250来描述方法500。

在步骤505中，优化服务器125接收由放射科医师生成的报告的结果。如上所述，报告可以由放射科医师以各种不同方式生成。在第一示例中，放射科医师可能更喜欢利用其中写入报告的文本。在第二示例中，放射科医师可能更喜欢指示报告并利用语音记录音频会话。

在步骤510中，优化服务器125确定报告中包括的推荐。如上所述，nlp流水线可以用于解析文本或识别指示推荐的目标词或短语。因此，在步骤515中，优化服务器125确定是否订购或推荐另外的流程。如果没有订购另外的流程，则不需要分析推荐。因此，方法500可以结束。注意，另外的流程仅是示例性的，并且优化服务器125还可以确定报告中是否包括活组织检查或治疗推荐。

如果订购另外的流程，则在步骤520中，优化服务器125确定在报告中识别的模态和身体部分。以与识别报告中的推荐基本相似的方式，模态和身体部分还可以利用nlp流水线来识别在正在针对其创建报告的当前成像研究中使用的模态和在该当前成像研究的图像中捕获的身体部分。

在步骤525中，优化服务器125确定与报告相关的先前研究、报告中的推荐以及针对报告识别出的模态/身体部分。如上所述，优化服务器125可以利用具有提取的信息以识别相关的先前研究的模型。选择在该过程中使用的模型可以是基础模型或个性化模型。例如，基础模型可以提供以一致的方式审查推荐的标准化方法。在另一示例中，个性化模型可以提供结合了放射科医师在利用相关的先前研究中的个人偏好来审查推荐的个人方法。

在步骤530中，优化服务器125确定是否保证在报告中使用检测到的推荐，特别是在已经识别出的相关的先前研究的情况下。由于推荐针对为患者订购的流程(例如，当前成像研究与也被审查的先前研究不足的情况)，优化服务器125可以利用步骤525中的先前研究的识别结果来确定推荐是否是不必要的。如果优化服务器125确定推荐是必要的，则方法500结束。

应当注意，即使相同的模型用于识别用于创建报告的先前研究以及用于识别步骤525中的先前研究，先前研究的结果也可能不同。例如，在两种情景中识别的模态和身体部分可能与其识别过程中使用的不同机制不同。实际上，可以利用基础模型来执行方法500，使得使用不同的模型并且结果更可能与使用个性化模型的结果不同。

返回步骤530，如果先前研究指示不保证使用该推荐，则优化服务器125将方法500继续进行到步骤535。在步骤535中，优化服务器125在用户接口中生成警报。具体地，优化服务器125指示应当特别根据识别出的相关的先前研究再次审查推荐。可以向放射科医师提供审查识别出的相关的先前研究的机会。

在步骤540中，放射科医师提供用户输入，该用户输入指示识别出的相关的先前研究是否确实否定了对该推荐的需要。因此，在步骤545中，如果放射科医师不同意推翻该推荐的分析，则方法500结束。然而，如果放射科医师同意推翻该推荐的分析，则在步骤550中，相应地更新报告以移除推荐。注意，报告的更新可以由放射科医师手动执行或者由优化服务器125自动执行。

应再次注意，对示例性实施例的以上描述是利用具有相关联的成像研究的放射学工作流程来描述的，并且对放射学工作流程的使用仅是示例性的。示例性实施例可以与其中先前研究或先前文件被用于当前研究或报告的准备的任何医学工作流程一起使用。实际上，对医学工作流程的使用仅是示例性的，并且示例性实施例可以用于其中利用先前文件(不一定是图像)的任何工作流程。因此，对放射学工作流程的使用可以表示使用先前文件提高效率的任何情景。

示例性实施例提供了识别相关的先前研究的设备、系统和方法。可以出于各种原因而使用相关的先前研究。示例性实施例可以从放射科医师接收对要针对当前研究进行审查的相关的先前研究的请求。独立于当前研究中的任何模态或身体部分，可以基于包括大量先前研究以确定相关性和相关程度的模型来识别相关的先前研究。示例性实施例还可以被配置为审查报告中的报告中的推荐以确定在给定的相关的先前研究的情况下是否保证使用推荐。

本领域技术人员将理解，上述示例性实施例可以以任何合适的软件或硬件配置或其组合的方式来实施。用于实施示例性实施例的示例性硬件平台可以包括例如具有兼容的操作系统的基于intelx86的平台、windows平台、mac平台和macos、具有诸如ios、android等的操作系统的移动设备。在另外的示例中，上述方法的示例性实施例可以被实施为包含被存储在计算机可读存储介质上的可以在处理器或微处理器上运行的代码行的计算机程序产品。存储介质可以是例如兼容的或格式化的本地或远程数据储存库以供与使用任何存储操作的上述操作系统一起使用。

对于本领域技术人员来说明显的是，在不脱离本公开内容的精神或范围的情况下，可以在本公开内容中进行各种修改。因此，本公开内容旨在涵盖本公开内容的修改和变化，只要这些修改和变化落入权利要求及其等同物的范围内。