1.本发明涉及医学图像处理，并且特别地涉及医学健康相关数据、特别是医学成像数据中不确定性的处理。
背景技术：
2.通常，确实存在用于采集医学图像的几个不同的成像模式，除其他事物之外尤其像射线照相术、计算机断层摄影（ct）、磁共振成像（mri）。成像程序可以特别适于对特定器官或身体部分进行成像，以便发现和/或评估临床异常和/或疾病和/或损伤。例如，为了对肺部恶性肿瘤或肺炎进行分类，通常执行计算机断层摄影（ct）扫描或胸部射线照相（cxr）。
3.采集的医学图像可以受制于用于医学评估的自动化程序，例如用于发起进一步测量和/或采集进一步传感器数据和/或发起临床程序。用于评估医学图像的自动化程序是机器学习。机器学习系统可以例如被配置用于在健康组织和病变（或异常）之间进行分类。通常，机器学习系统可以被配置用于评估所提供的医学图像。
4.然而，医学图像的计算机实现和自动评估受制于不确定性，特别是偶然不确定性。偶然不确定性也称为统计不确定性，并且代表每次运行相同实验时不同的未知量。偶然（aleatoric）源自拉丁语“alea”或“dice”，指代一种碰运气的游戏。偶然不确定性要与认知不确定性进行区分，认知不确定性是一种系统性不确定性，并且是由于系统原则上可以知道或计算但实际上无法知道或计算的事情。这可能是因为测量不准确，或者测量中或测量信号中存在噪声。
5.例如，胸部射线照相术（cxr）图像的评估特别是在门诊环境中是固有的模糊任务。内部研究揭示，评级者间的一致水平对于例如肺结节的检测为60-70%，并且对于实变/气体空间不透明的检测为50-60%。该不一致水平通常可以归因于在决策异常区域是指示异常a（例如，肺结节/肿块）还是异常b（例如，实变）中缺乏清楚性。当前仅基于cxr评估以及评价研究的机器学习系统被设计为强制做出该决策，而在临床实践中，放射科医师将不做出这样的决策，并且将在报告中记录这两个类之间的不确定性（最有可能要求使用另一个cxr或ct扫描进行随访以获得清楚的答案）。此外，用于cxr评估的机器学习系统通常不使用任何辅助非成像信息来引导该决策（在异常a/b之间）。这与放射科医师不同，放射科医师例如将利用所讨论的患者发烧的事实来引导对异常b/实变的决策，该异常b/实变是肺炎/感染的结果，这进而解释了发烧。这导致在这样的模糊情况下表现得糟糕/出乎意料的系统，从而实现有限的性能并直接影响用户的信任。
6.尽管比cxr更准确地获得相关信息（例如，用于随后或稍后的鉴别诊断），但在高分辨率胸部ct中可能存在类似的模糊性。放射科医师通常参考来自电子健康记录（ehr）的附加信息，包括但不限于：安排检查的原因、患者疾病和体检的历史、血清学结果、来自实验室诊断学诊断的生物标志物等，以获得清楚性。当前通常发生的场景是将易患诸如间质性肺病（ild）的呼吸系统疾病的患者中的新冠肺炎（covid-19）与具有潜在肺部恶性肿瘤的患者进行区别。
技术实现要素：
7.基于此，本发明的目的是提供用于基于成像数据改进机器学习系统结果的表达性和/或鲁棒性的手段，和/或使成像数据与非成像数据的组合成为可能，以改进从成像数据推断的陈述。
8.该目的通过所附专利权利要求实现，特别是通过计算机实现的方法和不确定性量化器、医学系统和计算机程序产品实现。
9.在第一方面，本发明涉及一种用于为由机器学习系统发布或提供的对于成像数据的医学评估、特别是自动（计算）医学评估提供不确定性预测的计算机实现的方法。该方法包括以下方法步骤：-接收输入数据集，该输入数据集包括已经被提供给机器学习系统的成像数据和非成像数据，每个非成像数据被表示为具有某种程度的噪声的信号，该噪声被量化为不确定性，特别是偶然不确定性和/或认知不确定性；-在存储装置中提供信息融合算法；-将接收的输入数据集应用于提供的信息融合算法（即，利用接收的输入数据集执行信息融合算法），同时基于提供的输入数据集，通过信息融合算法对不确定性的传播进行建模，以预测由机器学习系统提供的作为结果的医学评估的不确定性。
10.术语“非成像数据”指代数字格式或表示形式的医学或保健数据，其不包括从成像模态采集的图像数据。非成像数据可以反映非成像知识。一些非成像数据需要在进一步处理之前进行结构化。如稍后将更详细解释的，本发明尤其建议使用图神经网络进行数据处理。在这方面，特定的非成像数据需要在传递到图神经网络之前被结构化，例如ehr文本。因此，可以对非成像数据执行预处理。预处理可以包括在存储器中以可处理的格式（例如，标准化和规范化以在图神经网络和/或信息融合模型中被处理）使数据重新结构化。因此，预处理数据的存储不同于原始非成像数据（也称为信号）的存储。
11.在这方面，“噪声”涉及不包括有效载荷信号的信号或数据部分。噪声可以量化为不确定性，特别是偶然或认知不确定性。虽然随机不确定性是最常见的，但是也可以处理分布不确定性和其他类型的不确定性。在优选实施例中，可以使用深度表示学习，例如变分自动编码器vae，并将其应用于例如经由变分自动编码器将信息编码为紧凑表示和/或对一些收集的输入数据进行去噪。关于变分自动编码器的更多细节，参考kingma, d. p., & welling, m. （2013），auto-encoding variational bayes，arxiv preprint arxiv:1312.6114。
12.输入数据是数字数据，或借助于转换器从模拟信号变换为数字信号。输入数据可以包括数字信号或更复杂的数据集，例如信号随时间的发展。输入数据可以包括源自不同成像模态的成像数据和非成像数据，非成像数据例如是像生物标志物、实验室值、电子保健记录（ehr）、测量信号，比如生理信号，像血压、体温、心率等。
13.信息融合算法是一种用于组合以不同格式提供的不同数据集（包括例如成像数据和非成像数据）的算法。信息融合模型不需要是“深度的”，但是可以是“深度的”。信息融合模型可以是通过互信息标准优化的深度融合模型。信息融合算法可以是或者可以使用（应用）信息融合模型和/或图神经网络，其被优化用于最大化非成像数据中的熵。通常，为了改进不确定性预测的质量，使用多于一个的非成像信号。优选地，使用信息融合模型，其中不
确定性的传播通过该模型传播。替代地或附加地，可以使用图神经网络。在仍另一实施例中，可以仅使用图神经网络（没有信息融合模型），其中图神经网络包含成像数据和非成像数据这两者。
14.信息融合的结果是对于医学评估的估计或预测的不确定性。不确定性可以以量化的形式来表示。不确定性可以基于预配置的度量。不确定性可以作为百分比提供。
15.机器学习系统用于通过考虑成像数据来提供自动评估。机器学习系统可以例如基于人工神经网络ann、深度神经网络dnn、卷积神经网络cnn，通过使用不同的学习算法、像强化学习、监督学习或半监督学习或者甚至无监督学习。通常，机器学习模型可以用于检测图像中的结构，对图像中的异常进行分类等。
16.根据本发明的优选实施例，信息融合模型和/或图神经网络的熵、特别是冯诺依曼熵通过贪心算法或另一种优化算法（例如动态编程、网格搜索和/或分治技术）进行优化。
17.根据另一优选实施例，该方法可以进一步包括：-应用选择算法来选择所提供的输入数据的子集，这通过使用强化学习模型来最小化成本函数和/或减少不确定性。
18.根据另一优选实施例，输入源集的输入数据可以存在或不存在。如果事实证明提供输入数据太昂贵（例如，从时间/性能方面，从金钱方面），则可能是后一种情况。此外，该方法可以提供建议结果数据集，对缺少的输入数据源中的哪一个将减少不确定性和/或将最小化成本函数的引导性决策进行编码。由此，输入数据在降低不确定性和/或最小化成本函数方面被优先化。成本函数可以是经由用户界面上的用户输入而可预配置的。
19.根据另一优选实施例，提供输入数据源集的输入数据可以包括从成像模态和/或从医学数据库（例如，电子健康记录、her、实验室值、放射信息系统、ris、图片存档和通信系统、pacs等）测量和/或采集数据。
20.根据另一优选实施例，非成像数据包括（但不限于）生物标志物、临床记录、图像注释、医学报告口述、测量、实验室值、诊断代码、来自ehr数据库的数据和/或患者记忆数据。
21.根据另一优选实施例，强化学习模型基于决策过程，特别是非马尔可夫决策过程，其中s标示状态空间，a标示动作空间，t标示随机转变过程，r标示奖励函数，并且标示折扣因子，其中动作表示提供附加输入数据源。
22.根据另一优选实施例，奖励函数被定义为最小化成本和/或最小化预测不确定性。成本可以由用户在配置阶段中进行配置，例如，成本可以是财务的和/或时间/效率/性能相关的，或者其他减损。
23.根据另一优选实施例，包括贝叶斯深度模型和/或q学习和/或演员评论家（actor critic）学习的不确定性传播模型可以用于强化学习。
24.根据另一优选实施例，在信息融合模型中使用不确定性传播模型，特别是贝叶斯深度模型。
25.根据另一优选实施例，信息融合模型能够处理其中输入数据源的子集不可用或仅通过特定成本可用的情形。
26.根据另一优选实施例，预测的不确定性是特定于患者的。替代地或累积地，预测的不确定性可以是特定于成像数据的。替代地或累积地，预测的不确定性可以是特定于信号
的。
27.根据另一优选实施例，在用户界面上，提供交互按钮集，使得用户可以指示推断期间输入数据源不可用，或者非马尔可夫决策过程的动作空间限于所述数据源，交互按钮集可用使得用户可以选择优化类型，并且特别是他或她如果想要最小化预测不确定性或成本的话。
28.迄今为止，已经关于要求保护的方法描述了本发明。本文的特征、优点或替代实施例可以被分配或转移到其他要求保护的对象（例如，计算机程序或设备，即，不确定性量化器或计算机程序产品），并且反之亦然。换句话说，所述装置或设备可以利用在该方法的上下文中描述或要求保护的特征来改进，并且反之亦然。在这种情况下，该方法的功能特征分别由装置或设备或系统的结构单元来体现，并且反之亦然。通常，在计算机科学中，软件实现和对应的硬件实现（例如，作为嵌入式系统）是等价的。因此，例如，用于“存储”数据的方法步骤可以利用存储单元和将数据写入存储装置的相应指令来执行。为了避免冗余，尽管所述设备也可以用在参考该方法描述的替代实施例中，但是这些实施例不再针对所述设备进行明确描述。
29.在另一方面，本发明涉及一种用于由机器学习系统提供的对于成像数据的医学评估的不确定性量化器，其适于执行如上所述的方法。所述不确定性量化器包括：-输入接口，用于连接到输入数据集源，以接收输入数据集，所述输入数据集包括已经被提供给机器学习系统的成像数据和非成像数据，每个非成像数据都被表示为具有噪声的信号，所述噪声被量化为不确定性，特别是偶然或认知的不确定性；-存储装置，用于存储信息融合算法；-处理单元，其被配置用于将接收的输入数据集应用于提供的信息融合算法，同时基于提供的输入数据集，通过信息融合算法对不确定性的传播进行建模，以预测由机器学习系统提供的医学评估的不确定性；-输出接口，用于提供预测的不确定性作为结果。
30.在另一方面，本发明涉及一种用于对成像数据进行医学评估的医学系统，该医学系统由具有医学数据源集和如上所述的不确定性量化器的机器学习系统提供。
31.在另一方面，本发明涉及一种包括程序元素的计算机程序产品，当所述程序元素加载到所述计算机的存储器中或在计算机上被执行时，所述程序元素引致计算机执行根据前述方法权利要求中任一项所述的用于为对于成像数据的基于机器学习的医学评估提供不确定性预测的方法的步骤。
32.在另一方面，本发明涉及一种计算机程序，所述计算机程序可加载到计算机系统的存储器单元中，包括程序代码区段，当在所述计算机系统中执行所述计算机程序时，使所述计算机系统执行如上所述的用于为对于成像数据的医学评估提供不确定性预测的方法。
33.在另一方面，本发明涉及一种计算机可读介质，其上存储或保存有计算机程序的程序代码区段，所述程序代码区段可加载到计算单元中和/或可在计算单元中执行，当在计算单元中执行所述程序代码区段时，使计算单元执行如上所述的用于为对于成像数据的医学评估提供不确定性预测的方法。计算单元可以包括处理单元。
34.鉴于以下描述和实施例，上面描述的本发明的特性、特征和优点以及实现它们的方式变得更清楚并且更可理解，将在附图的背景下对更详细地描述以下描述和实施例。以
下描述不将本发明限制在所包含的实施例上。在不同的图中，相同的组件或部件可以利用相同的附图标记来标注。一般而言，各图不是按比例的。
35.应当理解，本发明的优选实施例也可以是从属权利要求或上述实施例与相应独立权利要求的任何组合。
36.本发明的这些和其他方面将从下文描述的实施例中清楚并且将关于下文描述的实施例被阐明。
附图说明
37.图1是示出用于现有技术中机器学习模型的典型应用场景的结构化框图；图2是根据本发明优选实施例的不确定性量化器的结构和架构的概述；图3是具有最小熵的图神经网络的示意性表示，并且图4是具有最大熵的图神经网络的另一示意性表示；图5是根据本发明优选实施例的方法的流程图；图6是用于提供结果r的通过不确定性量化器对胸部cxr图像的示例性处理。
具体实施方式
38.用于胸部射线照相术评估的当前解决方案集中于对发现的图像级分类，而没有精确定位，或者提供发现的近似定位，而没有在实例级调查固有的不确定性。术语“实例级”涉及图像中的特定位置。已经提出了用于不确定性量化的几个方法。然而，它们没有明确地处理这种类型的偶然不确定性和/或自然的类重叠。此外，这样的方法不使用任何非成像信息来加强和改进分类的准确性。
39.如可以在图1中看见的，现有技术机器学习系统的典型状态，其被配置为处理成像数据i形式的输入数据，以提供分类结果r
ꢀ’
，而没有关于推断分类的质量和准确度的附加信息。因此，用户不被告知他如何可以信任由机器学习模型m提供的结果。
40.图2示出了具有不确定性量化器q的系统的示意性表示，该不确定性量化器q用于提供如上面提及的现有技术系统中缺少的附加信息。如可以在图2中看见的，不确定性量化器q具有输入接口ii，用于从不同的源集或多种不同的源接收输入数据，所述不同的源包括图像采集源和非图像源。因此，输入数据可以包括成像数据i，例如像胸部射线照相术图像、cxr或计算机断层摄影（ct）图像或任何其他种类的图像采集形式的图像。此外，并且如之前解释的，提供了进一步的非成像数据。非成像数据被称为信号s。例如，生物标志物信号s1、临床报告信号s2、实验室信号集s3、例如温度、心率等生理测量集s4。因此，输入接口ii将不确定性量化器q与像温度传感器、心率传感器、实验室系统等的输入数据集源（图中未示出）连接。替代地，建模或累积数据库、例如电子健康记录（ehr）也可以用作输入数据源db。处理器p被配置为实现和执行图像融合算法。在输出接口oi上提供图像融合算法的结果r。结果r是基于接收的输入数据对医学算法计算的评估的（量化的）不确定性的预测。可以在用户界面ui上提供结果r。用户界面ui还可以用作人机接口，用于接收由用户提供的配置数据，例如用于确定哪个输入数据源当前不可用或者仅以高成本可用。该配置数据将由信息融合算法和/或选择算法来处理。
41.在图2中的示例中，cxr图像用作输入。然而，应当注意，这仅仅是示例集中的一个，
并且本发明当然不限于这种类型的图像模态。因此，mri图像、超声图像和来自其他采集模态的图像也可以用作输入源。
42.本发明提供了一种量化预测偶然不确定性的学习系统，例如在实例级的含混预测。在这一级存在可以被量化的两级模糊性：1.捕获的异常类之间的模糊性：这是需要解决的主要模糊性类型。例如，对于cxr中的结节/实变的近15%的阳性案例，不能基于成像信息来执行关于类的决策。这种高程度的类重叠不是所提及疾病所独有的，例如，它可以在胸腔积液和实变，或实变和肺不张等之间发现。人们可以使用用于不确定性量化的不同方法对这种类型的模糊性进行建模，包括模糊预测、证据学习、主观逻辑等。这导致能够通过对图像中的相同异常情况产生多个标签来准确地识别这15%的案例的系统。如在图6中可以看见的，边界框b形式的高亮区域可以指代两个潜在异常，由感染或肺部肿块引起的实变。结果r被提供有包括指示“实变60%，肿块30%，其他10%”的数据集。
43.2.训练域外模糊性：为了完整起见，第二种类型的模糊性从异常实例是否在训练分布中被完全捕获导出。这意味着，是否存在该实例是训练中未被建模的异常类型的一部分并且因此不能被系统预测的机会。如在图1中可以看见的，系统认识到存在边界框可以指代异常的东西但不是在设备训练中建模的类的一部分的非零机会。
44.根据优选实施例，通过使用来自非成像源s的附加信息来模拟专家放射科医师的行为，以在评估这样的模糊案例时实现更高的清楚性。对于门诊胸部射线照射术评估的情境，存在可以引导放射科医师决策如何评估案例的一系列因素（基于非成像信息）。在图6中的具体示例中，这将意味着变更决策，例如，进一步增加实变的可能性。实际上，这些因素可以指代“患者年龄”、“发烧指示”、“急性症状”或“疼痛指示”。该信息可以与检查订单一起提供，或者可以在患者档案中看见。例如，如果患者呈现出发烧（假设由感染引起，将实变解释为感染过程的一部分），则专家可以增加实变的置信度。此外，如果患者年龄较轻，则肺部肿块的改变进一步减少——假定年轻人群中肺癌的患病率非常低。人们可以对该非成像信息进行建模，并在诸如图6中所描绘的情况下引导系统的置信度。可以使用先验知识（例如，肺部肿块在老年患者中比年轻患者更有可能）。在上面的示例中，利用辅助信息，并且知道患者是28岁并且发烧，实变的机会可以增加到90%。这样的改变可以对临床决策和患者按性质分类具有显著影响（例如，避免不必要的ct）。
45.虽然来自电子健康记录或关于一般患者病史的其他类型信息通常不用于胸部射线照相术评估，但它们对于胸部ct中的鉴别诊断可以是非常宝贵的。例如，像嗜酸性肺炎的状况可能像新冠肺炎一样呈现有发烧和咳嗽。在图像中可以观察到，嗜酸性肺炎在ct上像新冠肺炎一样呈现有周围毛玻璃样和实变，并且具有或不具有碎石路征。这使得单独使用ct难以将嗜酸性肺炎与生物标志物新冠肺炎区分开来。因此，本发明建议使用来自源集s1、s2、s3
……
sn、db的附加信息。
46.为了更好地将其与上述示例中的新冠肺炎区分开来，考虑以下附加信息是有帮助的：症状缓慢发作的临床表现。-与哮喘关联；-支气管肺泡灌洗液和血液样本中的嗜酸性粒细胞增多；-上肺区分布。
47.通过将ehr系统集成到放射工作流程中，可以使用于提供可以用于鉴别诊断的结果数据集的相关非成像和成像信息对放射科医师而言可用。
48.一般而言，假设在训练/推断期间，除了图像i之外，还提供了其他相关信号s，如之前提及的。这些信号s被编码为x1，x2，
…ꢀ
xn，其中n标示用于非成像信号的源的数量。对于任何信号xk，以下特性成立：-对于给定实例/样本，信号可以存在或不存在。-信号/测量中存在固有的不确定性，依据评估任务被量化为（异方差偶然不确定性）。
‑ꢀ
xk与任何其他xj相比可以不同地分布（我们允许分类变量、连续变量和复杂的高维信号等）。
49.在下文中，更详细地解释了使用深度学习模型的鲁棒静态信息融合。
50.在该场景下，假设是非成像信号x1、x2、
…ꢀ
xn的所有源均可使用（请注意，信号仍可能由于任何多个原因而缺失）。多个技术可以用于信息融合，包括但不限于深度融合模型和图神经网络。
51.深度融合模型：交互信息，其中y表示系统预测；照此，目标是使用所有输入信息并利用冗余。假设每个信号周围有噪声，该噪声被量化为不确定性u（i）；u（xk），人们可以使用深度鲁棒信息融合的方法[6]，同时通过深度模型对不确定性的传播进行建模[7]，例如，使用贝叶斯深度学习[8]。信号编码架构（例如，变分自动编码器）可以用于压缩异构高维输入并简化学习过程。
[0052]
图神经模型：正如深度融合模型有助于在选择非成像信号中最大化互信息一样，图神经网络可以在选择信号x1，x2，
…ꢀ
xn之间的关联中促进熵的最大化。非成像信号经由复杂的隐藏底层结构连接，所述复杂的隐藏底层结构不总是可追踪的。在这样的情况下，图神经网络不仅可以学习隐藏结构，而且还可以在结构不可用时执行预测任务[10-11]。通过评估图熵（例如：冯诺依曼熵，香农熵），我们可以标识和保存重要的关联，而不迷失在这些隐藏结构的复杂性中。
[0053]
冯诺伊曼熵：假设所有非成像信号可以表示在相同的潜在空间上，令标示具有顶点集和边集e以及权重矩阵w的图。g的组合图拉普拉斯矩阵定义为：，其中s是对角矩阵以及其对角元素图g的密度矩阵定义为，
其中tr是矩阵的迹。
[0054]
因此，图g的熵由下式给出。
[0055]
图3和图4示出了使用贪心算法用最小和最大熵构造的两个图，以探索它们的特性[12]。在使用相同数量的边或关联的约束下，图3中的图的熵小于图4中的图的熵。由于图3中的最小熵构造，因此从第一层到底层的几乎一半的连接已经被阻塞，并且几个顶点被去激活。相反，具有更高的规律性的“平衡”的图倾向于具有更大的熵。
[0056]
在下文中，描述了用于输入源或由这些源使用深度强化学习提供的（附加）信息的最佳选择的信息蒸馏过程。
[0057]
在第二个场景下（其中非成像信号的整体不可用；它部分可用，或者根本不可用），非成像信号源的子集被隐藏。在不失一般性的情况下，假设k 《 n时仅x1，x2，
…ꢀ
xk可用。除了与每个信号相关联的噪声/不确定性之外，我们还将采集的成本或测量的成本k相关联。人们可以想象在训练数据库的构建阶段期间该成本上升（在从临床位点采集数据的成本的意义上），或者在作为对用户的请求的推断期间，例如，“基于当前的信息，预测是具有高度不确定性的y，如果变量x
k+1
将是可用的，则该不确定性可能显著降低（当然，每次测量/临床测试是有成本的）”。
[0058]
人们可以将问题制定如下：将使采集成本最小化同时最优地降低预测中的不确定性的s个附加信息源的子集（来自集x
k+1
ꢀ…ꢀ
xn）是什么在不考虑成本元素的情况下，潜在的解决方案是使用特征选择策略，相当于信号源的选择，使得使预测y周围的不确定性最小化[9]。
[0059]
人们可以在强化学习的背景下制定该问题。假设决策过程（dp）是（非）马尔可夫的，其中s标示状态空间，a标示动作空间，t标示随机转变过程，r标示奖励函数，并且标示折扣因子。状态由可观察信息定义（最初为i，x1，x2，
…ꢀ
xk）。动作允许从（x
k+1
，
…ꢀ
xn）中选择附加源。在动作不能被执行两次的意义上，dp是非马尔可夫的。奖励函数r可以被设计为最小化成本或最小化y周围的预测不确定性。此外，联合优化是可能的，即最小化预测不确定性，同时不超过用于选择的总成本的阈值。使用深度架构为强化学习模型提供动力将允许对复杂且多样的输入信号进行有效建模。如上所述，在与使用dnn来设计学习架构（即贝叶斯模型、不确定性传播模型等）的鲁棒静态信息融合相关的章节中，可以使用类似的策略。可以应用q-学习或演员评论家策略。
[0060]
不可用的信息源：使用演员评论家架构，人们还可以对其中不可执行的动作子集的情形进行建模。换句话说，在推断期间，用户可以指示是否可以/将不提供源的某个子集（x
k+1
ꢀ…ꢀ
xn）。在这种情况下，优化模型将避免这些动作。
[0061]
图5是为基于机器学习的结果提供不确定性预测的方法的流程图。在该方法开始之后，在步骤1中，从成像和非成像源接收输入数据。在步骤2中，在计算机的存储mem中提供信息融合算法，并且将接收到的输入数据转发给该算法，该算法在步骤3中执行。在执行之后，在步骤4中，向结果r提供机器学习模型m的结果的不确定性预测。可选地，该方法可以分支回到步骤1以要求更多输入数据和/或分支回到步骤2。如果可以提供图像融合算法和/或
模型的更新，并且需要对数据应用和执行更新，则可能是后一种情况。该可选的过程步骤在图5中经由虚线描绘。另一可选的步骤5是应用或执行选择算法，用于选择所提供的输入数据的子集，这通过使用强化学习模型来最小化成本函数和/或减少不确定性。这改进了性能，因为可以指示和选择相关的输入数据以提供给信息融合算法。
[0062]
通常，单个单元或设备可以实现权利要求中列举的几项功能。事实是在相互不同的从属权利要求中列举某些措施并不指示这些措施的组合不能被有利地使用。
[0063]
权利要求中的任何参考符号不应解释为限制范围。
[0064]
在未明确描述的情况下，与附图相关地描述的个体实施例或其个体方面和特征可以彼此组合或交换，而不限制或扩宽所述发明的范围，只要这样的组合或交换有意义并且在本发明的意义上。关于本发明的特定实施例或关于特定图描述的优点在任何适用的情况下也是本发明的其他实施例的优点。
[0065]
参考文献列表：考文献列表：考文献列表：