[发明专利]针对机器学习网络的输入的训练的量的表征

权利要求书

1.一种用于表征医学系统中的训练的量的方法，所述方法包括：

通过医学成像扫描仪扫描患者；

将机器学习网络的输入特征的值应用于机器学习网络，所述值是针对患者的，所述值中的至少一个来自扫描，所述应用导致机器学习网络的输出；

确定患者的输入特征的值与（a）针对用于训练机器学习网络的训练数据的输入特征的值和/或（b）机器学习网络的决策函数的相对位置；以及

显示由机器学习网络输出的图像和相对于针对患者的值的训练的量，训练的量是相对位置的函数。

2.如权利要求1所述的方法，其中确定相对位置包括确定距离。

3.如权利要求1所述的方法，其中确定相对位置包括确定密度。

4.如权利要求1所述的方法，其中确定包括确定与针对训练数据的输入特征的值的相对位置。

5.如权利要求1所述的方法，其中确定包括确定与决策函数的相对位置。

6.如权利要求1所述的方法，进一步包括：确定由于相对于患者的输入特征的值的决策函数而导致的训练数据的错误分类的训练数据的量。

7.如权利要求1所述的方法，其中显示包括将训练的量显示为第一置信度，并将由机器学习网络提供的全局置信度与输出一起显示或将由机器学习网络提供的全局置信度显示为输出。

8.如权利要求1所述的方法，其中显示包括在置信度条上显示训练的量、作为交通灯、作为接受的二元指示或字母数字地显示。

9.如权利要求1所述的方法，进一步包括对相对位置进行阈值化，其中显示包括在相对位置高于阈值的情况下将所述量显示为警告。

10.如权利要求1所述的方法，其中机器学习网络是支持矢量机或神经网络，其中确定包括将相对位置确定为到支持矢量机或神经网络的决策函数的距离，所述决策函数是线或表面。

11.如权利要求1所述的方法，其中机器学习网络是k均值聚类，其中确定包括将相对位置确定为到训练数据的多个最靠近值的距离。

12.如权利要求1所述的方法，其中机器学习网络是决策树，其中确定包括将相对位置确定为到决策树的决策函数的距离，决策树的决策函数是分段式直线段。

13.如权利要求1所述的方法，其中机器学习网络是贝叶斯模型，其中确定包括将相对位置确定为到贝叶斯模型的决策函数的距离，决策函数包括概率分布。

14.如权利要求1所述的方法，其中确定包括针对患者的输入特征的子集和训练数据进行确定。

15.一种用于表征机器学习预测模型相对于输入样本的训练的量的系统，所述系统包括：

存储器，用于存储参数的值的训练数据、参数的值的输入样本和机器学习预测模型；

处理器，其被配置成响应于参数的值的输入样本的输入，从机器学习预测模型输出，以从针对输入样本的参数的值与训练数据的参数的值和/或与机器学习预测模型的决策函数的比较来确定机器学习预测模型的训练的量；以及

显示器，其被配置成输出机器学习预测模型相对于输入样本的训练的量的图像。

16.如权利要求15所述的系统，其中处理器被配置成将训练的量确定为距离。

17.如权利要求15所述的系统，其中显示器被配置成显示具有来自机器学习预测模型的量和输出的图像。