专利名称：临床决策支持系统和方法
技术领域：
下文涉及医疗领域、医疗诊断领域、医疗病例管理领域、专家系统领域和相关领域。
背景技术：
临床决策支持(CDS)系统是被构造为在做出医疗决策时，例如疾病诊断、治疗选择、治疗方案各方面的实施等，向医师或其他医务人员提供自动化辅助的专家系统。例如， 在Alsafadi，美国公开申请No. 2007/0175980A1中描述了一些说明性CDS系统。在常规或“人工”临床诊断中，来自医师自己经验的病例结果指导着医师对新临床状况的决策。基于病例的CDS系统试图通过促进对超过了任何单个医师所拥有的历史经验的大量过去病例集合的自动化访问来模拟这种方式。例如，基于病例的CDS系统能够通过从过去患者病例(对患者数据适当地进行匿名化，以遵守患者隐私规则或标准)检索测试结果和其他关联信息来为诊断乳腺癌研究中发现的异常提供决策支持。这样的基于病例的 CDS系统模拟医疗领域公认为合适的临床决策思维过程。实际上，CDS系统作为信息检索系统工作，所述信息检索系统检索类似的过去医疗病例，并且还可以检索或特别是识别关联医疗测试结果或很可能是作为对当前诊断或其他当前医疗决策的证明的其他病例信息。已知用于自动化决策制定的基于病例的CDS系统采用多种技术来识别相似病例。 在图像检索中，例如，有时使用图像特征的成对比较来识别类似的图像。然而，这样的方式不容易区分在量化图像的相似性或不相似性时置于各图像特征上的“权重”或显著性。此外，如果人工进行这样的成对比较，由于两个被比较项的小而有限的“采样集”，可能引入实验上或个体的偏差。在信息检索系统中还使用了多种机器学习方法以便基于对象特征的自动分析来自动对类似对象进行分组。然而，再次，机器学习不能容易地提供关于评估相似性或不相似性的依据的信息。机器学习的算法是一个可适合诸如图像检索的应用的“黑盒子”，但是，医师或其他医务人员不太可能对基于经验而在不了解基础决策制定原理的情况下做出医疗诊断或其他医疗决策感到满意。关联性反馈技术也是已知的。在这些技术中，将人执行的或其他权威分析应用于信息检索结果，以评估所检索信息的实际关联性。使用这些权威评估完善信息检索算法，以图改进后续检索操作。CDS背景中关联性反馈的困难是，随着时间的反馈很可能来自不同医师，潜在地导致不同的或矛盾的关联性反馈。此外，关联性反馈需要时间来评估检索的结果并提供反馈，这是忙碌的医师可能不愿意做的。再者，关联性反馈仅对现有信息检索系统进行完善，并不为从头开始构造CDS系统提供依据。
发明内容
下文提供了克服了上面提到的问题和其他问题的新的且改进的设备和方法。根据一个公开的方面，一种临床决策支持(⑶S)系统包括包括图形用户界面的病例分组子系统，所述图形用户界面用于同时显示表示多个患者病例的数据，并且还被配置成使用户能够将选定的由同时显示的数据表示的患者病例分到由用户选定的临床关联组中；证明性特征确定子系统，其用于确定与所述临床关联组相关的证明性特征；以及CDS 用户接口，其用于接收与当前患者病例关联的当前患者数据并基于从所接收的当前患者数据确定的证明性特征的值来输出临床决策支持信息。根据另一公开的方面，公开了一种由CDS系统实施的临床决策支持(CDS)方法，该 ⑶S方法包括提供图形用户界面，用户通过所述图形用户界面将患者病例分到临床关联组中，所述图形用户界面通过包括患者图像或从患者图像生成的缩略图像的患者病例图标以图形方式表示患者病例；确定所述患者病例的证明性特征，所述证明性特征具有与所述临床关联组相关的值；以及基于从所接收的当前患者数据确定的证明性特征的值来自动地提供基于所接收的与当前患者病例关联的当前患者数据的临床支持决策信息。根据另一公开的方面，公开了一种存储介质，该存储介质存储可以由数字处理器执行的指令，以执行前一段提出的临床决策支持(CDQ方法。一个优点在于，提供了由医师或其他熟练医务人员全盘确定的患者病例分组，以便建立用于CDS操作的相似性基础事实信息。另一个优点在于提供了用于对类似患者病例进行人工分组的用户接口，其中通过包括患者图像或从患者图像生成的缩略图像的患者图标来表示患者病例。另一个优点在于自动确定与相似性基础事实信息相关的图像以及可选的非图像特征。在阅读并理解以下详细描述之后，对于本领域普通技术人员而言，更多优点将是显而易见的。
图1图解示出了临床决策支持(CDS)系统；图2-4图解示出了图1的⑶S系统的病例分组子系统的图形用户界面(⑶I)的显示屏幕截图；图5图解示出了由图1的CDS系统的证明性特征确定子系统执行的适当的方法；图6图解示出了由图1的⑶S系统的⑶S用户界面子系统执行的适当的方法。
具体实施例方式本公开认识到CDS系统操作可以被分成两个部分(i)对类似的患者病例分群以便识别相似性“基础事实”(下文中在下一段结尾处定义)；以及(ii)识别用于临床决策支持的证明性特征。本公开认识到，部分(i)，即类似患者病例的分群，不容易以医师可接受的方式进行自动化。自动化机器学习技术通常过于经验性，具有太大的可能性产生错误集群， 且不提供原则性决策制定依据。机器学习方法也可能无法俘获医师在评估病例和做出复杂医疗诊断时例行使用的主观或难以量化的因素。因此，本申请公开了一种图形用户界面(⑶I)，其使用基于全盘可见的⑶I支持对患者病例进行人工分组，该GUI同时显示超过两个患者病例，优选显示大量的患者病例，以避免因有限的成对比较可能引入的偏差。人工分群的输出是相似性基础事实信息。该信息为“基础事实”，因为由于分组决策是由熟练医师基于大量的被同时考虑的患者病例做出的，已知或假设集群是正确分组的。另一方面，本公开认识到，可以使用机器学习有利地实现部分(ii)，即证明性特征的识别自动化。证明性特征的自动识别能够有利地使用精确的相似性基础事实信息作为输入。因为多个组中患者病例之间的相关性是自动识别的，所以CDS系统的自动化部分(ii) 提高了效率，还提供了信息发现。这样的相关性更可能被每次至多考虑几个病例的医师所忽视。有利地，机器学习的证明性特征可以包括非图像特征，例如患者年龄、患者性别、患者种族、家族医疗史、基因易感性等。参考图1，临床决策支持(⑶S)系统包括患者病例分组子系统10和证明性特征确定子系统12，该子系统10和12用于产生⑶S数据库14，由⑶S用户接口子系统16访问该数据库14以提供临床支持决策信息。患者病例分组子系统10对患者病例的数据库20的内容进行操作。优选通过清除识别信息，例如固有名字、地址等使患者病例匿名化，以便遵守可适用的隐私法律和标准。可以从医院信息网络(未示出)的内容得到患者病例的数据库20，患者病例的数据包括通过一个或多个医学成像模态采集的患者图像，所述医学成像模态例如如下一种或多种计算机断层摄影(CT)成像、磁共振(MR)成像、正电子发射断层摄影(PET)成像、单光子发射计算机断层摄影(SPECT)成像、荧光镜检查成像、超声波成像、X射线成像等。作为示例，患者图像可选地存储在专用的图片存档及通信系统(PACS) 22 中，其存储医学患者图像连同元数据，例如关于医学成像模态的信息、分辨率或其他图像采集参数、采集时间戳等。一开始由病例分组子系统10的病例分组图形用户界面(⑶I) 30处理患者病例，所述病例分组图形用户界面用于同时显示关于超过两个不同患者病例的数据，患者病例例如由包括患者图像或从患者图像生成的缩略图像的患者图标表示。术语“缩略图像”表示通过对更高分辨率图像进行下采样产生的分辨率降低的图像。作为示例，缩略图像可选地具有标准化尺寸和/或标准化纵横比(例如，全部是U8X256像素的图像)。与源图像相比， 缩略图像还可选地以其他方式被“简化”，例如通过将彩色图像转换成灰度级缩略图像来简化。作为另一示例性选择，可以用非图像信息替代或增强缩略图像，例如文本摘要框或临床数据的图形表示(例如，如血压随时间变化的线状图表或分析MRI扫描中使用的运动曲线的图表，或例如针对每个患者的一系列不同测量(如年龄、身高、体重等)的柱状图的不同类型的描记图)。通过同时显示对于大量患者病例的信息，⑶I 30避免了迫使用户在患者病例对之间进行成对比较，其可能不利地导致有偏差的分组。不过，预期GUI 30使用户能够选择个体患者病例进行更彻底的检查，例如通过在经由GUI 30进行特定患者病例的适当选择后显示非图像患者病例信息。⑶130还被配置为使用户能够将由同时显示的数据表示的不同患者病例分到由用户确定的临床关联组中。优选的是，用户为生成临床关联组的医师或其他熟练的医疗诊断者，或生成临床关联组的多位医师或其他熟练的医疗诊断者。例如，将患者病例分到临床关联组中可以由单个用户(例如，单个权威的医师)执行，或依据权威医师的委员会或其他组织中医师或其他权威医疗全体人员之间的一致意见来建立。生成组的医师认为在临床关联组中的患者病例具有医学上的关系，从而预期可以将相同或类似的医疗方案用于该组中的患者病例。例如，一个临床关联组可包括一组患者病例，在该组中所有患者遭受相同或类似类型的癌症、或者其他相同或类似类型的医疗状况。在CDS数据库14中适当地存储所得的病例分组32。可选地，病例分组子系统10还包括生成病例分组的人可读报告的病例分组报告生成器34，以提供临床关联组的书面记录，或用于由其他医师或其他熟练医疗诊断者进行可选的检查，或用于其他目的。假设，临床关联组32是正确的，即对表现出医疗显著性关系、需要相同或类似医疗方案的患者病例进行正确分组。这种假设很可能是有效的，因为临床关联组32是由医师或其他熟练医疗诊断者，或由多个医师或其他熟练医疗诊断者，基于由GUI 30以全盘方式显示的大量患者病例生成的。基于这一假设，因此，临床关联组32被理解为表示对于数据库20中病例的相似性基础事实。因为分组是人工执行的，所以病例分组子系统10未提供用于患者病例分组的依据或原理的确切信息。实际上，医师或其他熟练医疗诊断者或多位医师或其他熟练医疗诊断者在生成患者病例分组时可能已采用了多种客观和主观的考虑。尽管诊断者在分组以形成各种临床关联组32时使用的依据可能不容易得到，有理由预期临床关联组32具有一些可客观定义的相似性或相关性，且这些客观相似性或相关性是临床关联组32中包含的潜在信息。因此，证明性特征确定子系统12分析临床关联组32以识别与各个组相关的证明性特征。为此目的，图像特征提取部件40提取定量图像特征，该定量图像特征具有合理可能性与患者病例的临床显著性方面相关。适当的定量图像特征的一些说明性示例包括肿瘤尺寸、肿瘤纵横比、由肿瘤区域中图像强度反映的肿瘤组织密度等。可选地，图像特征提取部件40可以是用户交互性的，例如，图像特征提取部件40可以显示医疗患者图像并请求用户利用鼠标指针或其他用户输入机构标识或描画图像中的肿瘤。附加地或替代地，图像特征提取部件40可以采用自动化的肿瘤识别或者其他自动化或半自动化的医疗图像分析。 除了图像特征之外，证明性特征确定子系统12可以考虑非图像特征，例如患者年龄、患者性别、患者种族、家族医疗史、基因易感性等，这样的信息是在患者病例数据库20中提供的或从该患者病例数据库20导出的。可用的特征可能是证明性的或可能不是证明性的。即，可用特征可以与一个或多个患者病例组32相关，在这种情况下，该特征是证明性特征；或者该特征可以与任何患者病例组32具有很小的相关性或没有相关性，在这种情况下，它是非证明性的。特征也可以组合起来成为证明性的，例如，肿瘤尺寸和肿瘤纵横比的特征，每个孤立地可能与任何患者病例组32几乎没有相关性；而将肿瘤尺寸和肿瘤纵横比组合在一起可能与一个或多个患者病例组32相关。机器学习部件42处理可用特征以识别与一个或多个患者病例组32相关的证明性特征或特征组合44，且这些证明性特征或特征组合44也存储在⑶S数据库14中。机器学习部件42可以采用任何机器学习技术用于识别这样的相关性。在这里阐述的一些说明性示例中，机器学习部件42采用了遗传算法。可选地，机器学习部件42还识别证明性特征与患者病例组32的相关性的强度并分配反映相关性强度的特征权重46。可选地，机器学习部件42还识别与患者病例组32相关的证明性特征的组合或加权组合，并存储这些组合或加权组合作为距离或相似性度量48。可选地，向用户呈现所识别(例如通过病例分组报告生成器34或通过另一种报告工具)的证明性特征信息44、46、48用于检查。可选地，用户能够基于用户的医疗诊断专门知识修改、删除或以其它方式调节证明性特征信息44、46、48。
在病例分组子系统10的辅助下生成患者病例分组32以及可选地检查证明性特征信息44、46、48的用户优选是在医疗诊断领域中特别熟练的医师或其他熟练医疗诊断者或者多个医师或其他熟练医疗诊断者。例如，这一用户或这些用户可以包括在(一个或多个)关联医疗领域中具有广博知识和技能的一个或多个高级医师或医疗专家。这些用户可以是专家，从而例如由一个或多个高级心脏病专家对心脏病患者病例进行分组，且由一个或多个肿瘤学专家对癌症患者病例分组，等等。虽然如这里公开的，也预期了对⑶S数据库 14不定期进行随进展的更新，但是通常在使用CDS系统进行临床决策支持操作之前执行对 CDS数据库14的填充。一旦⑶S数据库14被填充，就由⑶S用户接口子系统16使用⑶S数据库14的内容以生成临床决策支持信息用于呈现给用户。即，由CDS用户接口子系统16在参考CDS数据库14的情况下执行临床决策支持操作。人类用户或多位人类用户与CDS用户接口子系统16交互以给当前患者病例请求临床决策支持信息。CDS用户接口子系统16的用户通常是医师或其他医务人员或多个医务人员。不过，CDS用户接口子系统16的用户未必是高级医师、专家或其他高度熟练的医疗诊断者。相反，CDS用户接口子系统16的用户可以是使用CDS用户接口子系统16以在做出临床决策时获得辅助的具有普通技能的普通医师。通常，CDS用户接口子系统16的用户可以是实质上任何技能水平的医师或其他医务人员。⑶S用户接口子系统16包括当前患者病例数据输入接口 50，用户经由该当前患者病例数据输入接口 50输入用户为其寻求临床决策支持的当前患者病例的关联信息。所提供的当前患者病例信息可以包括诸如患者图像的图像数据，可选地还可以包括非图像信息，例如患者年龄、患者性别、患者种族、家族医疗史、基因易感性等。图像特征提取部件 52 (其可选地与证明性特征确定子系统12的图像特征提取部件40 —体实现)处理患者图像以提取证明性图像特征。证明性图像特征，连同经由当前患者病例数据输入接口 50提供的任何证明性非图像特征一起，充当临床决策支持推理机M的输入，该临床决策支持推理机M考虑当前患者病例的证明性特征的值和各患者病例分组32的病例的证明性特征的值之间的相关性。通过识别共同的相关性，推理机M将当前患者病例与患者病例分组32之一相关联。当前患者病例CDS输出和用户确认接口 56基于推理机M的结果为用户提供临床决策支持信息。例如，临床决策支持信息可以包括与当前患者病例关联最强的患者病例组的标识；提出当前患者也可能具有这一医疗状况的该组的医疗状况的标识；从与当前患者病例关联最强的患者病例组提取的一个或多个相似病例的呈现；与在与当前患者病例关联最强的患者病例组的患者病例中应用的医疗方案对应的所提出的医疗方案的呈现；等寸。可选地，当前患者病例⑶S输出和用户确认接口 56还提供用户确认功能，在该功能中用户接受、拒绝或可选地修改所呈现的临床决策支持信息。在这种情况下，可选地由 CDS更新子系统60使用用户确认信息以评估和可选地更新CDS数据库14。例如，在一种方式中，将当前患者病例连同用户(其可同意或不同意由CDS用户接口子系统16提供的临床决策支持信息)的医疗诊断，与其他“当前”患者病例的类似结果一起存储，从而提供对原始患者病例数据库20的更新或增加。不定期地，由⑶S数据库内容生成部件10、12再次处理所更新的或增加的患者病例集合或数据库，以更新或增加CDS数据库14。在替代的(计算量较少的)方式中，如果用户同意当前患者病例确实属于该患者病例组，则将当前患者病例增加到病例分组32的患者病例组。例如，这可以通过为用户提供询问“是否向<<<>>> 组增加当前患者病例？ ”GUI对话框来实现，其中“<<<>>>”是CDS系统指出与当前患者病例匹配的患者病例组的标识。可以通过各种方式实施图1的⑶S系统。在图示的实施例中，计算机70包括显示器72，用于显示部件30、56的可视或图形输出，用于显示用户输入部件50的对话框、窗口或类似物，等等。计算机70还包括图示的键盘74、鼠标76和/或用于接收用户输入的其他(一个或多个)用户输入装置，还进一步包括数字处理器(未示出)和一个或多个存储介质(未示出，但例如由磁性硬盘驱动器、光盘驱动器、随机存取存储器(RAM)、只读存储器 (ROM)等来适当实现)。数字处理器执行由一个或多个存储介质存储的计算机程序或计算机代码的指令，以便实施⑶S系统的处理部件10、12、16，且在计算机70的一个或多个存储介质上或经由医院数字网络访问的远程存储介质上适当地存储⑶S数据库14。在其他预期的实施例中，实现处理部件10、12、16的处理器可以与逻辑上设置于医院数字网络上的远程服务器一起设置或作为所述远程服务器的一部分，图示的计算机70提供了接口硬件72、 74、76。在其他预期的实施例中，可以由医师的个人数据助理(PDA)、蜂窝电话或具有数字处理器的其他便携式电子装置实现接口硬件。已经提供了在此作为说明性示例的图1的说明性CDS系统的概要，接下来阐述一些附加的或替代的方面和其他公开。在这里阐述的一些说明性实施例中，在基于动态磁共振成像(MRI)和附加的非图像临床信息的说明性乳腺癌诊断应用的背景中描述了 CDS系统和对应的CDS方法。应当理解的是，这仅仅是说明性应用和说明性成像模态，且所公开的CDS系统和CDS方法基本上适用于采用对于CDS系统或方法所涉及的医疗应用有证明性的基本上任何成像模态的基本上任何医疗诊断应用。数据库中的每个患者病例可以包括来自相同模态或不同模态的多个、不同成像研究。此外，对于每个病例，可以存储，或可以通过图像处理导出这些研究的不同视图。再者， 在一些情况下，给定的患者病例可以是从两个或更多类似患者采集的图像或其他数据的混合物或组合。数据库中针对每个患者病例存储的成像研究通常是通过一个或多个单独的成像模态采集的，例如X射线、超声波、MR、CT等，或通过用于单个患者的多个成像模态采集的，例如乳房X线照相术、超声波、MR乳腺研究。成像研究可选地包括时间序列。例如，对于乳腺癌病例，可以采集不同动态造影增强的MR图像系列。因而，对于每位患者，数据库可以存储造影前(在为患者施予造影剂之前)和多个造影后的研究，该造影后的研究是在已经施予造影剂之后的不同时刻采集的。数据库还可以包括导出的序列，例如多个减影系列， 它们是从不同造影后系列减去造影前研究的结果。数据库可选地还包括表示异常区域和周围区域的导出的图像序列，例如，针对这种变化的感兴趣体积(VOI)。除了成像研究之外，数据库20可选地还包括基于非图像的临床信息。例如，非图像数据可以包括，人口统计学信息，例如性别、年龄、种族、患者的个人医疗史、家族史、主要病痛诉说、基因易感性(例如在乳腺癌BRCAl和/或BRCA2阳性)和其他风险因素。数据库20适当地通过利用SQL技术或另一种适当的数据库配置来采用分级数据库模型、关系模型。参考图2，交互式病例分组图形用户界面(⑶I) 30在显示器80上显示表示多个患者病例的数据。左手的窗口 82显示表示未分组患者病例的数据，而右手的窗口 84显示表示分组的患者病例的数据。在图2中右手的窗口 84是空白的，表示尚未向组中分入任何患者病例。应当理解的是，显示器80可以包括两个或更多显示装置，例如两个或更多计算机监视器，且“左”或“右”的命名是任意的。例如，在一些实施例中，提供了两个计算机监视器，一个监视器显示示出了未分组的患者病例的窗口 82，而另一个监视器显示示出了分组的患者病例的窗口 84。在说明性实施例中，所显示的代表性数据包括患者图像或从患者图像生成的缩略图像，以表示每个患者病例。换言之，患者图像或对应的缩略图像充当用于图形分类过程的患者图标。优选地，所显示的图形表示包含感兴趣的临床异常的感兴趣体积 (VOI) 0在图2的说明性示例中，代表性图形是V0I，所述VOI是作为减影系列(S卩，第2造影后-造影前Tl-加权的MRI研究)导出的并示出了出乳房病变。可选地，非图像数据也是可显示的。例如，图2示出了响应于悬停在代表性患者图标上方的鼠标或其他指针而显示针对患者病例的非图像数据(例如“年龄47”)的“弹出窗口”86。弹出窗口可以是一旦移开鼠标指针就消失的临时性窗口，或可以是在关闭其之前保持打开的永久性窗口。在一些实施例中，悬停鼠标产生具有有限非图像信息的临时性窗口，而明确的用户动作，例如使用鼠标76在患者图标上点击，产生包含更多信息的永久性窗口。除了示出非图像数据之外，可以附加地或替代地使用这些方法显示图像元数据，例如采集时间戳或分辨率等。参考图3，明确的用户动作，例如用鼠标76在患者图标上点击也可以可选地带来更完整的信息。在图3中，这样的动作导致关于选定患者病例更完整的信息被显示，从而全部占据左手的窗口 82。可选地，可以将两个窗口 82、84都用于这一目的，或可以显示独立的 (即第三)窗口以包含这种信息。这种可选的显示模式使得用户能够更精确地评价选定的患者病例。在图3所示的示例中，这种模式为乳腺癌病例显示了关联动态造影增强的MR成像研究。在本示例中，左手的窗口 82显示了乳房的双侧视图以及指向异常的箭头以易于识别。基于PACS 22中存储的识别异常的元数据适当生成该箭头。可选地，⑶I 30被配置成使用户能够选择性地在临床病例的不同成像研究间改变视图。对于乳房MR成像研究来说， 例如，用户能够可选地在造影前、不同造影后系列、不同采集系列(例如T2加权的序列)或导出的序列(例如减影系列)之间切换。对于每种系列，用户可选地能够改变窗口或水平设置，以针对特定系列和针对不同用户具有最佳视图。可以显示运动曲线，表示异常区域随时间对造影剂的摄取，例如，如图3中窗口 82左下角中所示。这个视图的左上角还示出了待分类的八个相邻病例，它们是由VOI表示的。中间的VOI是整个乳房视图被显示在右侧的病例。在乳房的双侧视图下，显示临床信息。可选地，附加的窗口、监视器的部分或附加的监视器可以具有相同功能，以显示其他临床病例。例如，在一些实施例中，可以由用户选择两个窗口 82、84，以更详细地显示两个患者病例，以进行方便的视觉比较。参考图4，示出了病例分组⑶I 30的屏幕截图，病例分组⑶I 30用于生成由用户选择的临床关联组。用户采用拖放机制，其中将患者病例图标从左手窗口 82拖到表示该组的右手窗口 84的区域中。为了生成组，将患者病例图标从左手窗口 82拖到定义新组创建区域的右手窗口 84的未指定区域中。在将患者病例图标放入新组创建区域中时，创建了包括该患者病例的相似组。可选地，可以由用户对组进行标记或以其他方式注释，以指出组中患者病例的临床关系的依据或提供其他有用信息。可选地，用于组的子窗口可以包括滚动条，以容纳比可以同时显示的患者病例更多的患者病例，和/或可以通过键盘、鼠标或其他交互装置的使用来并入诸如缩放或扫视的特征。可选地，可以根据由用户做出的患者病例再分配决策将患者病例从一组移动到另一组。可选地，可以将患者病例从任何现有组去除，且并放回到尚未分组的病例集合(即，左手窗口 82)中。可以使用鼠标76，或使用键盘 74(例如，在多个窗口和子窗口中选中)或通过其他用户接口操作来实施拖放操作。再者， 可以使用诸如套索等GUI操控实施分组操作。在图4所示的布置中，将每个患者病例唯一地分配到单组临床关联病例。鉴于此， 在将患者病例图标拖放到右手窗口 84中的一个组中时从左手窗口 82去除该患者病例图标，这就是图4的左手窗口 82中所示的患者病例图标网格具有很多缺口的原因。在替代的实施例中，可以可选地将每个患者病例分配到两组或更多组临床关联病例中。例如，可以将单个患者病例分配到以特定肿瘤特性作为其临床关系的组，还可以将其分配到以特定水平的转移(metastasis)的图像证据作为其临床关系的组。在这一替代实施例中，患者病例图标在被移动到右手窗口 84上的组中之后，可以保留在左手窗口 82中，从而继续可以包含在其他组的临床关联病例中。一旦用户完成了患者病例到临床关联组中的分配，例如参考图2-4所述，可选地调用病例分组报告生成器34以产生描述相似性组的人可读报告。该报告例如可以是自由文本报告或结构化的基于电子数据表的报告。临床关联组的报告中的描述可以包括，例如 组名；由对象ID (优选匿名的)、研究ID等对组中包含的病例的标识；由用户输入的组的文本描述；等等。在数据的内部表示中，将相似性组标识符分配给每个病例。在一些实施例中，一旦将患者病例图标放到相似性组中，就将患者病例的组标识符设置为该组的标识符。因而，一旦生成报告，就直截了当地确定了相似性组的数量。一旦已经确定了组的总数，报告生成器34就循环通过每个组，找到该组中的患者病例并向报告中写入关联的信息。可选地，报告生成器34还能够生成中间报告，无需将所有患者病例分入相似性组中。参考图5，处理由临床关联组32量化的相似性基础事实以识别能够将组彼此间进行区分的关联的(即，证明性)感性和临床特征。在说明性实施例中，通过适当地通过应用图像处理和机器学习技术来执行的对病例分组32的证明性特征的选择的优化，来获得证明性特征。这样将定义相似性基础事实的分组32所俘获的医师的相似性感觉转化成最佳的计算机识别的证明性特征。然后可以使用这些证明性特征来表示CDS系统中的患者病例。可选地，使用相似性基础事实作为培训数据，由机器学习技术确定最佳距离或相似性度量。如图5所示，由图像特征提取部件40处理病例分组32的图像以识别图像特征。可选地，增加非图像特征90以产生一组可用特征92。给定的可用特征可以是或可以不是证明性的，因为它对于在组32的患者病例间进行区分可以是有用或没有用的。然后，使用机器学习技术，应用特征选择以找到证明性特征组，并可选地进一步采用证明性特征找到距离或相似性度量。在图5的说明性实施例中，机器学习采用与k-平均分群相结合的遗传算法，并使用所建立的相似性集群作为基础事实。遗传算法(GA)对于在高维空间中优化问题是有用的，且已经被发现在诸如特征选择的组合问题中是有用的。在基于GA的特征选择中，在一系列“染色体”上对不同特征子集编码。不同染色体的群体通过匹配(交换特征)、再现和突变过程演化而来。练习选择压力，使得最适应的染色体(如由适当的适应标准所度量的)具有最大的机会传递其遗传信息。于是群体向相对于目标函数最佳的特征子集演化，目标函数被称为适应函数或适应标准。在用于找到最佳特征子集和距离度量的一些实施例中，遗传算法与k_最近邻域分类相结合并使用所建立的相似性集群作为基础事实。遗传算法迭代地识别候选特征子集，该子集是经由适应函数评估的。可选地将基于非图像的临床信息添加到特征池，例如， 使用“Ι-of-C”的缩放方法，以便随着图像特征缩放。构造94染色体，以表示可用特征。例如，可以由染色体的二元基因表示每个可用特征，其中二元值“1”表示特征为证明性特征，二元值“0”表示特征不是证明性的。在典型的遗传算法中，染色体的大集合(即，“群体”)与不同基因一起生成，所述不同基因随机地或伪随机地“打开”(即，具有值“1”，表示特征是证明性的)或“关闭”(即，具有值“0”，表示特征不是证明性的)。然后使用与病例组32的相关性迭代地应用遗传算法96作为选择算法并结合随机或伪随机基因突变算法，以便优化或“演化”与患者病例分组32的相关性对应的染色体群体。然后，演化群体的染色体的“打开”基因或“打开”基因组合定义了证明性特征或特征组合44。可选地，基因可以具有表示对应特征与病例分组32的相关性的强度的连续值，而不是具有二元基因值。在这些实施例中，遗传算法演化染色体群体的基因的权重，使得演化的群体的基因提供用于证明性特征的相关性权重。在一些这样的实施例中，也可以使用与患者病例分组96最相关的权重组合(如由存活的演化的染色体中的基因组合表示的)来定义距离或相似性度量。例如，作为遗传算法96的一次迭代的第一步，可以剩余一个患者病例并使用染色体中表示的特征计算该患者病例和所有其他病例之间的距离。可以根据这些距离以及这些患者病例所属的相似性组(例如，通过对距离从最短到最长进行排序，多少距离不属于剩余这个患者病例所属相似性组)确定遗传算法96的适应函数。可以针对组32中的每个患者病例这样做，并导出累积的适应度值。然后，根据选定遗传算法96的每个原理以随机或伪随机方式修改或“突变(mutated)”染色体。在另一实施例中，将遗传算法约束为始终将特定组的特征一起打开或关闭，例如可以由知道这些特征是相关的医师或其他医疗诊断者指定遗传算法。在这些实施例中，可以通过以下说明性方式进行在操作94中的染色体的构建将表示可用特征的基因和试图度量同一概念性特征类别的基因分组到一起。通过这种方式，约束遗传算法96，使得遗传算法绝不会全部丢弃表示所计算的对于诸如毛刺征(spiculation)方面的度量的所有基因。 即，约束遗传算法，使得至少一个毛刺征特征或基因始终存在于染色体中，因为人类医师知道毛刺征是乳腺癌诊断的证明性特征。在其他实施例中，可以由遗传算法96，通过包括表示不同距离函数的基因，来选择距离度量的类型(例如，欧几里得距离或马哈拉诺比斯或城市街区(city block)等)。尽管图5的说明性示例采用了针对机器学习部件42的遗传算法，但这仅仅是说明性示例。通常，机器学习部件42能够采用基本上任何机器学习方法或方法组合，作为一些其他说明性示例，包括模拟退火法；穷举搜索法；浮动搜索法；主成分分析(PCA)或其他特征减少方法；等等。此外，可以预期的是，省略机器学习部件42并配置证明性特征确定子系统12以提供图形用户界面，使得医师或其他医疗诊断者，或多个这样的医师或其他医疗诊断者能够基于对患者病例组32可用特征的观察人工选择证明性特征。例如，可以可选地使用认知方法从医师人工地获得证明性的感性和临床特征的列表。作为具体示例，在基于动态造影增强的MR成像的乳腺癌应用中，可以通过图像处理技术以各种方式，计算异常区域和周围区域的形态特征，例如形状、边缘、纹理、运动曲线等，并由医师检查其证明力。例如，医师知道，毛刺征是乳腺癌诊断的证明性特征，因此医师很可能考虑将不同的毛刺征测量作为候选证明性特征。通过检查患者病例组32的患者病例间不同毛刺征测量的值，医师能够人工选择与分组32最强相关的那些毛刺征测量作为证明性特征。也可以将人工认知分析技术有利地与机器学习方法组合。例如，可以使用认知分析来产生一组“候选”证明性特征，继之以PCA或另一种特征减少方法，以减少证明性特征的数量。参考图6，描述了 CDS用户接口子系统16的说明性操作。用户访问当前患者病例数据输入接口 50以输入针对当前患者100的数据。输入的当前患者数据100通常包括一个或多个患者图像，例如通过如下一种或多种方式采集的患者图像CT成像、MR成像、PET 成像、SPECT成像、荧光镜检查成像、超声波成像和X射线成像。图像特征提取部件52处理这些当前患者图像以提取证明性图像特征，可选地，将证明性非图像特征102与证明性图像特征组合以定义一组针对当前患者病例104的证明性特征或特征组合。如前所述，可以可选地由实现证明性特征确定子系统12的图像特征提取部件40的同一部件实现图像特征提取部件52。由⑶S推理机M执行推理操作110，以便产生经由当前患者病例⑶S输出接口 56 呈现给用户的临床决策支持信息112。可以通过各种方式实现⑶S接口引擎M。在一些实施例中，使用距离或相似性度量48量化当前患者病例相对于分组32的每组临床关联病例中的每个病例的距离(或者类似地，量化相似性)。对于距离度量，推理采用了以下关系 G匹配=I^inW(Cj))，其中d{c，g丨表示标记为c的当前患者病例与包括标记为g的组的病例
的距离度量d的平均值，算子 14··}表示分组32的所有组g中的最小值，Grae表示最小距离处的组(并因此是最类似于当前患者病例c的组)。对于相似性度量s，相似的表达为 GES=minKc^)}。也可以使用其他推理算法，例如训练好的分类器，其接收当前患者病例
的证明性特征作为输入并输出最紧密匹配的组。例如，可以使用如在分组32中那样利用组标识预先注释的患者病例训练集来培训这样的训练好的分类器。在一些实施例中，使用 k-最近邻(k-NN)分类器，其提供了查询病例属于患者病例分组的后验概率估计值。基于k 个最类似的检索病例(对于距离度量而言，是最短距离)，通过k个最类似病例中患者病例分组的病例数目除以k来估计这个后验概率。这仅仅是说明性示例，可以使用其他分类器。下文描述了针对诊断乳腺癌所提出的实施例的其他方面。当前，乳腺癌是最常见的癌症，是美国女性中癌症死亡的第二大常见原因。如这里所公开的，以基于内容的图像检索(CBIR)为基础的CDS系统和方法通过检索类似于先前检查和诊断的患者病例的相似病例来模仿自然的医师推理。这些方法依赖于收集的过去经验并提供额外的知识，例如对相关证明性特征的自动识别，以支持医师的决策制定。因此，公开的用于乳腺癌诊断的基于内容的CDS系统帮助医师判断所询问的病例很可能是恶性的还是良性的，从而避免误解并防止不必要的活检。尽管动态造影增强的MRI (DCE-MRI)已出现，由于其优异的灵敏度而成为乳房病变特征鉴定的主要诊断工具，但其常常会导致有负面作用的活检大量发生。如这里公开的，包括机器学习部件42的证明性特征确定子系统12将如病例分组32中反映的医师 (或多位医师)对患者病例相似性的主观感觉转换成证明性特征44，该证明性特征可选地包括可自动计算的度量46、48。如这里公开的，预计基于CB^的⑶S系统(其在临床相似性方面针对乳腺癌 DCE-MRI研究进行优化)会显著改善医师的诊断精确度，并预计会减少不必要的活检以及治疗延迟。以从DCE-MRI乳房研究提取的形态学和运动学特征为基础的基于内容的检索， 能够检索具有与查询病例相同的诊断以及类似的成像特性的先前病例。公开的CDS系统和方法使得能够利用专家医师的专门知识基于乳腺癌病例的临床相似性进行分组。基于用于将特征与病例分组相关的认知分析或其他技术识别证明性图像特征和非图像特征。通过集成高级计算机视觉、图像处理和机器学习技术，针对乳腺癌诊断的应用开发并优化了基于 CBIR的CDS系统，以便实质上复现由人类医师专家做出的相似性判断。尽管使用乳腺癌诊断作为说明性应用，应该理解，可以将基本方法论推广并适应到其他实体性肿瘤，其他实体性肿瘤例如是结肠、肺、肝脏、脑癌，并用于肿瘤学之内或之外其他类型的医学疾病的诊断。本申请描述了一个或多个优选实施例。在阅读并理解了前述详细说明的情况下， 其他人可以进行修改和变化。本申请旨在包括所有这样的修改和变化，只要它们在权利要求或其等同的范围之内。
权利要求
1.一种临床决策支持(CDS)系统，其包括包括图形用户界面(30)的病例分组子系统(10)，所述图形用户界面(30)用于同时显示表示多个患者病例的数据并且还被配置成使用户能够将选定的由所同时显示的数据表示的患者病例分到由所述用户选定的临床关联组(32)中；证明性特征确定子系统(12)，其用于确定与所述临床关联组相关的证明性特征04)；以及CDS用户接口(16)，其用于接收与当前患者病例关联的当前患者数据并基于从所接收的当前患者数据确定的所述证明性特征的值来输出临床决策支持信息。
2.根据权利要求1所述的⑶S系统，其中，包括图形用户界面(30)的所述病例分组子系统(10)用于提供拖放病例分组，其中，用户将所显示的表示患者病例的数据从源视觉显示区域(82)拖到表示临床关联组的区域(84)。
3.根据权利要求2所述的⑶S系统，其中，包括图形用户界面(30)的所述病例分组子系统(10)用于提供拖放分组，其中，用户将所显示的表示患者病例的数据从源视觉显示区域(8 拖到新组创建区域(84)以创建临床关联组。
4.根据权利要求1-3中的任一项所述的CDS系统，其中，所显示的表示患者病例的数据包括患者图像或从患者图像生成的缩略图像。
5.根据权利要求4所述的⑶S系统，其中，所述患者图像包括如下中的一种或多种计算机断层摄影(CT)图像、磁共振(MR)图像、正电子发射断层摄影(PET)图像、单光子发射计算机断层摄影(SPECT)图像、荧光镜检查图像、超声波图像和X射线图像。
6.根据权利要求1所述的⑶S系统，其中，包括图形用户界面(30)的所述病例分组子系统(10)用于同时显示包括患者图像或从患者图像生成的缩略图像的患者病例图标，并用于使用户能够以图形方式将选定的患者病例图标分到由所述用户选定的临床关联组中。
7.根据权利要求6所述的CDS系统，其中，所述患者图像是如下中的一种或多种计算机断层摄影(CT)图像、磁共振(MR)图像、正电子发射断层摄影(PET)图像、单光子发射计算机断层摄影(SPECT)图像、荧光镜检查图像、超声波图像和X射线图像。
8.根据权利要求1-7中的任一项所述的CDS系统，其中，所述证明性特征确定子系统 (12)包括机器学习部件(42)，其用于自动确定具有针对与所述临床关联组(3 相关的不同患者病例的值的证明性特征G4)。
9.根据权利要求8所述的CDS系统，其中，所述机器学习部件02)实施由以下算法构成的组中选择的算法或算法组合遗传算法(96)、k-最近邻算法、k-平均集群算法、模拟退火算法、穷举搜索算法和浮动搜索算法。
10.根据权利要求8-9中的任一项所述的CDS系统，其中，包括机器学习部件0 的所述证明性特征确定子系统(1 还用于自动地确定证明性特征权重G6)。
11.根据权利要求8-10中的任一项所述的CDS系统，其中，包括机器学习部件02)的所述证明性特征确定子系统(1 还用于自动确定组合所述证明性特征G4)的距离或相似性函数(48)。
12.根据权利要求1-11中的任一项所述的CDS系统，其中，所述证明性特征确定子系统 (12)还包括用于从患者图像提取图像特征的图像特征提取部件(40)，所述机器学习部件02)至少对所述图像特征进行操作。
13.根据权利要求1-12中的任一项所述的CDS系统，其中，所述CDS用户接口(16)包括基于从所接收的当前患者数据确定的所述证明性特征的值生成所述临床决策支持信息的推理机(54)。
14.一种由⑶S系统实施的临床决策支持(⑶S)方法，所述⑶S方法包括提供图形用户界面(30)，用户通过所述图形用户界面(30)将患者病例分到临床关联组(3 中，所述图形用户界面通过包括患者图像或从患者图像生成的缩略图像的患者病例图标以图形方式表示患者病例；确定所述患者病例的证明性特征(44)，所述证明性特征具有与所述临床关联组相关的值；以及基于从所接收的与当前患者病例关联的当前患者数据确定的所述证明性特征的值自动提供基于所接收的当前患者数据的临床支持决策信息。
15.根据权利要求14所述的CDS方法，其中，所述图形用户界面(30)提供所述患者病例图标的拖放操控，用户通过所述拖放操控将患者病例分到临床关联组(3 中。
16.根据权利要求14-15中的任一项所述的CDS方法，其中，所述图形用户界面(30)响应于用户经由所述图形用户界面对患者病例图标的选择而显示非图像患者病例信息(86)。
17.根据权利要求14-16中的任一项所述的CDS方法，其中，所述确定包括使用机器学习部件0 自动确定具有与所述临床关联组(3 相关的值的、所述患者病例的证明性特征G2)。
18.根据权利要求17所述的CDS方法，其中，所述自动确定还包括从患者图像提取图像特征，通过所述机器学习部件0 处理所述图像特征。
19.根据权利要求17-18中的任一项所述的CDS方法，其中，所述机器学习部件02)还处理至少一些非图像特征。
20.一种存储介质，其存储可以由数字处理器执行以实施根据权利要求14-19中的任一项所述的临床决策支持(CDQ方法的指令。
全文摘要
一种临床决策支持(CDS)系统包括包括图形用户界面(30)的病例分组子系统(10)，所述图形用户界面(30)用于同时显示表示多个患者病例的数据，且还被配置成使用户能够将选定的由同时显示的数据表示的患者病例分成由用户选定的临床关联组(32)；证明性特征确定子系统(12)，其用于确定与临床关联组相关的证明性特征(44)；以及CDS用户接口(16)，其用于接收与当前患者病例关联的当前患者数据并基于从所接收的当前患者数据确定的证明性特征的值输出临床决策支持信息。
文档编号G06F19/00GK102395975SQ201080016586
公开日2012年3月28日 申请日期2010年3月9日 优先权日2009年4月15日
发明者J·德莱斯代尔, L·博罗茨基, L·阿尔巴什迈内尔, M·C·李, T·比洛, Y·徐 申请人:皇家飞利浦电子股份有限公司