[发明专利]针对机器学习网络的输入的训练的量的表征

说明书

针对机器学习网络的输入的训练的量的表征。基于相对于用于训练模型的训练数据或模型本身的当前输入，通知用户机器学习模型的可靠性。在医学情况下，将针对当前患者的数据与用于训练预测模型的训练数据和/或与预测模型的决策函数进行比较。比较指示相对于当前患者的训练内容，因此向用户提供关于针对当前情况的预测的可靠性的信息。该指示处理当前患者的数据与训练数据或相对于预测模型的变化，允许用户看到预测模型相对于当前患者训练得有多好。该指示是对通过将预测模型应用于当前患者的数据的任何全局置信度输出的补充。

背景技术

本实施例涉及机器学习。机器学习算法已经示出对医学图像的计算机辅助诊断的巨大前途。用于概括、分类和/或区分不同临床发现的算法的能力取决于训练数据的质量和数量。然而，不同的疾病或其他临床指征（indication）以不同的患病率发生，导致针对不同情况的训练数据的不同可用性。对于机器学习模型的应用，其中与针对特定患者的数据相比，训练数据可能是不同的，看起来不切实际的结果可以被呈现给用户。例如，在器官分割的情况下，机器学习分割可能产生看起来不切实际的器官轮廓，其中在训练中使用具有相似器官结构的不足的训练数据。这导致用户和应用之间的信任方面的中断。

为了克服这个问题，可以收集更多的训练数据。然而，对于某些情况，可能无法获得足够的训练数据。另一种方法是应用基于规则或手动编程的应用，但是这样的应用具有用于对某些患者情况进行概括的有限的能力。

发明内容

通过介绍，以下描述的优选的实施例包括用于表征训练的量的方法、系统、指令和计算机可读介质。基于相对于用于训练模型的训练数据或模型本身的当前输入，通知用户机器学习模型的可靠性。在医学情况下，将针对当前患者的数据与用于训练预测模型的训练数据和/或与预测模型的决策函数进行比较。比较指示相对于当前患者的训练内容，因此向用户提供关于针对当前情况的预测的可靠性的信息。该指示处理当前患者的数据与训练数据或相对于预测模型的变化，允许用户看到预测模型相对于当前患者训练得有多好。该指示是对通过将预测模型应用于当前患者的数据的任何全局置信度输出的补充。

在第一方面中，提供了一种用于表征医学系统中的训练的量的方法。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，并且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一个或多个相对位置。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。

在第二方面中，提供了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。提供存储器，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，以及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确定机器学习预测模型的训练的量。显示器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。

在第三方面中，提供了一种表征训练的量的方法。将训练数据映射在特征空间中，其中训练数据的每个样本由地面实情（ground truth）标记。将不在训练数据中的针对当前样本的输入映射在特征空间中。从特征空间中的训练数据确定针对当前样本的输入的距离的度量。将度量显示为针对用训练数据训练的机器学习预测模型的训练的量。

通过以下权利要求来限定本发明，并且在该部分中没有什么应被看作是对那些权利要求的限制。以下结合优选的实施例讨论本发明的另外的方面和优势，并且之后可以独立地或组合地要求保护本发明的另外的方面和优势。

附图说明

部件和图不一定按比例，代之以将重点置于说明本发明的原理。此外，在图中，相同的参考标号贯穿不同的视图表示相应的部分。

图1是用于表征预测模型相对于当前输入的训练的量的方法的一个实施例；