使用人工智能的直接医疗治疗方案预测的制作方法

本申请要求享有2021年12月3日提交的美国实用专利申请17/541936的权益，该申请以引用的方式整体并入本文。

背景技术：

1、本发明一般涉及使用人工智能(ai)直接确定对患者有益的特定于患者的疾病治疗或管理方案，而不是基于诊断进行手动选择。目前，自主ai系统使用机器学习或其他优化技术来确定患者的诊断，然后临床医生使用该ai诊断以及其他相关患者和人群信息，来主观地确定特定于患者的管理方案或开出特定于患者的治疗方案(本文也称为“干预”)。因此，自主ai诊断虽然能够在没有人工监督的情况下确定诊断，但仍然需要临床医生根据患者的整个病例来解读诊断，然后决定干预措施。然而，这个中间的、主观的决定步骤容易受到临床医生之间和临床医生自身的高度可变性、暂时事件和其他偏差的影响。此外，人工智能和临床医生之间的交互是可变的，往往存在意想不到的风险，而且众所周知，这种交互会使得到的结果变得更糟而不是改善。此外，获得最高质量的参考标准(“基本事实”)来训练自主ai模型以产生诊断在伦理上存在问题，而且成本高昂。如果参考标准依赖于临床医生的专业知识，例如主观查阅图像，那么参考标准可能会很嘈杂。相反，当临床结果(结合了诊断过程的准确性以及治疗或管理选择过程的精确度的作用)而不是临时诊断可以作为训练ai的参考标准时，这个主观的、嘈杂的步骤就被消除了，有可能获得更高的性能。

技术实现思路

1、本文公开了使用机器学习来输出患者是否会受益于特定干预措施(例如，就临床结果而言)的指标的系统和方法，而无需首先预测患者的诊断。有利的是，所公开的系统和方法不再需要临床医生对诊断输出进行主观和嘈杂的解读，因为所公开的机器学习模型直接输出特定患者是否会受益于特定干预措施，其可能是二元建议或处方、或可能性或其他概率输出。此外，验证干预措施所需的资源更少，并且患者受到伤害的风险更低，因为验证来自人工智能的诊断通常涉及昂贵的专家、辐射或其他可能对病例和正常情况有害的过程、以及结合这些专家们的决定的努力，而确定患者受益的程度是一项低成本调查。此外，获得患者是否受益的真实数据可能比对诊断如此做更准确，因为临床结果通常比准确诊断病情更容易观察。

2、在实施例中，设备从监测患者的电子设备接收传感器数据。该设备访问使用训练数据训练的机器学习模型，该训练数据将关于患者的信息与描述特定治疗方案是否会产生积极结果的标签配对。该设备将传感器数据应用于机器学习模型，并且接收作为机器学习模型的输出的、表示患者是否会受益于一个或多个治疗方案的可能性的数据。

3、在实施例中，设备接收与患者的解剖结构对应的图像数据。该设备将图像数据应用于使用训练数据训练的特征提取模型，该训练数据将解剖学图像与解剖学特征标签配对，并且接收作为特征提取模型的输出的、与图像数据对应的多个解剖学特征中的每个解剖学特征的得分。该设备将得分作为治疗方案模型的输入，该治疗方案模型被训练以基于如数据结构中描述的患者的解剖结构的特征来输出对特定治疗方案的疗效的可能性的预测。该设备然后从治疗方案模型接收表示特定治疗方案的预测疗效可能性的数据。有利的是，治疗方案模型无法访问图像数据，从而确保治疗方案模型不使用图像中可能会影响决策的信息(例如肤色、性别信息等)。

技术特征：

1.一种用于自主预测针对患者的治疗方案的疗效的方法，包括：

2.根据权利要求1所述的方法，还包括：

3.根据权利要求1所述的方法，其中将所述标识作为输入应用到所述治疗方案模型包括：生成特征向量，所述特征向量针对所述多个解剖学特征中的每个解剖学特征存储其各自的标识，并且将所述特征向量作为输入应用到所述治疗方案模型。

4.根据权利要求1所述的方法，还包括：

5.根据权利要求1所述的方法，其中接收表示所述特定治疗方案的疗效的所述预测度量的数据作为所述治疗方案模型的输出包括：接收作为所述治疗方案模型的输出的数据，所述数据表示针对多个候选治疗方案中的每个候选治疗方案各自的疗效的度量。

6.一种非暂时性计算机可读介质，包括经编码的用于自主确定针对患者的治疗方案的指令，所述指令在被执行时使一个或多个处理器执行操作，所述指令包括用于以下操作的指令：

7.根据权利要求6所述的非暂时性计算机可读介质，所述指令还包括用于以下操作的指令：

8.根据权利要求6所述的非暂时性计算机可读介质，其中将所述得分作为输入应用到所述治疗方案模型包括：生成特征向量，所述特征向量针对所述多个解剖学特征中的每个解剖学特征存储其各自的得分，并且将所述特征向量作为输入应用到所述治疗方案模型。

9.根据权利要求6所述的非暂时性计算机可读介质，所述指令还包括用于以下操作的指令：

10.根据权利要求6所述的非暂时性计算机可读介质，其中接收表示所述特定治疗方案的疗效的所述预测度量的数据作为所述治疗方案模型的输出包括：接收作为所述治疗方案模型的输出的数据，所述数据表示针对多个候选治疗方案中的每个候选治疗方案各自的疗效的度量。

11.一种用于自主确定针对患者的治疗方案的方法，包括：

12.权利要求11所述的方法，其中表示所述一个或多个治疗方案的所述数据包括所述一个或多个治疗方案中的每个治疗方案会使所述患者受益的概率，并且其中所述方法还包括：

13.根据权利要求11所述的方法，其中所述机器学习模型是卷积神经网络。

14.根据权利要求11所述的方法，其中所述机器学习模型是包括共享层和分支的多任务模型，所述共享层被训练以基于所述传感器数据来确定一个或多个候选诊断，每个分支对应于不同的治疗方案，每个分支被训练以输出所述分支对应的所述不同治疗方案将会有效的可能性。

15.根据权利要求14所述的方法，其中针对给定治疗方案所对应的分支的训练数据量低于阈值，并且其中所述多任务模型通过将所述训练数据与来自不同分支的信息一起反向传播来丰富所述训练数据量。

16.一种非暂时性计算机可读介质，包括经编码的用于自主确定针对患者的治疗方案的指令，所述指令在被执行时使一个或多个处理器执行操作，所述指令包括用于以下操作的指令：

17.权利要求16所述的非暂时性计算机可读介质，其中表示所述一个或多个治疗方案的所述数据包括所述一个或多个治疗方案中的每个治疗方案会使所述患者受益的概率，并且其中所述指令还包括用于以下操作的指令：

18.根据权利要求16所述的非暂时性计算机可读介质，其中所述机器学习模型是卷积神经网络。

19.根据权利要求16所述的非暂时性计算机可读介质，其中所述机器学习模型是包括共享层和分支的多任务模型，所述共享层被训练以基于所述传感器数据来确定一个或多个候选诊断，每个分支对应于不同的治疗方案，每个分支被训练以输出所述分支对应的所述不同治疗方案将会有效的可能性。

20.根据权利要求19所述的非暂时性计算机可读介质，其中针对给定治疗方案所对应的分支的训练数据量低于阈值，并且其中所述多任务模型通过将所述训练数据与来自不同分支的信息一起反向传播来丰富所述训练数据量。

技术总结本文公开了一种接收与患者的解剖结构对应的图像数据的设备。该设备将图像数据应用于使用训练数据训练的一个或多个特征模型，该训练数据将解剖学图像与解剖学特征标签配对；以及接收与图像数据对应的多个解剖学特征中的每个解剖学特征的得分，作为一个或多个特征模型的输出。该设备将得分作为治疗方案模型的输入，该治疗方案模型被训练以基于患者的解剖结构的特征来输出对特定治疗方案的疗效度量的预测。该设备接收作为治疗方案模型的输出的、表示特定治疗方案的预测疗效度量的数据。技术研发人员：M·D·阿布拉莫夫受保护的技术使用者：数字诊断公司技术研发日：技术公布日：2024/8/1