[发明专利]模拟患者以开发基于人工智能的医学方案

说明书

提供了用于实现用于模拟患者以开发基于人工智能的医学方案的认知人工智能训练机制的机制。认知人工智能训练机制干扰来自真实患者数据集的真实患者的基于非图像的信息，形成被干扰的基于非图像的信息。认知人工智能训练机制使用被干扰的基于非图像的信息和真实患者的非被干扰的医学图像来生成人工患者数据集中的人工患者数据。认知人工智能训练机制随后使用真实患者数据集中的真实患者数据和人工患者数据集中的人工患者数据来训练由认知数据处理系统利用的学习算法的操作。

技术领域

本申请总体上涉及改进的数据处理装置和方法，并且更具体地涉及用于模拟患者以开发基于人工智能的医学方案的机制。

背景技术

决策支持系统存在于许多不同行业中，其中人类专家在检索和分析信息中需要帮助。将在整个本申请中使用的一个实例是在医学保健行业中采用的诊断系统。诊断系统可以被分类为使用结构化知识的系统、使用非结构化知识的系统以及使用临床决策公式、规则、树或算法的系统。最早的诊断系统使用结构化知识或经典的手工构建的知识库。在1970年代开发的Internist-I系统使用疾病-发现关系和疾病-疾病关系。同样在1970年代开发的用于诊断感染性疾病的MYCIN系统使用呈生产规则形式的结构化知识，陈述如果某些事实为真，则可以以给定的确定性因素推断某些其他事实。在1980年代开始开发的DXplain使用类似于Internist-I的结构化知识，但是添加发现的分层词典。

从1990年代开始开发的Iliad增加了更复杂的概率推理，其中每种疾病具有疾病的相关先验概率(在设计Iliad所针对的群体中)，以及一系列发现以及具有该发现(敏感性)的疾病患者的部分，和具有发现(1-特异性)的无疾病患者的部分。

在2000年，开始出现使用非结构化知识的诊断系统。这些系统使用知识的一些结构化，诸如例如实体，诸如文档中标记的发现和失调，以促进检索。例如，ISABEL使用自主信息检索软件和医学教科书的数据库来检索给定输入发现的适当诊断。Autonomy Auminence使用自主技术来检索给定发现的诊断并且通过身体系统组织诊断。First CONSULT允许人们通过主诉和年龄组来搜索医学书籍、期刊和指南的大集合，以获得可能的诊断。PEPIDDDX是基于PEPID的独立临床内容的诊断生成器。

已经针对许多医学失调开发了临床决策规则，并且已经开发了计算机系统以帮助执业医师和患者应用这些规则。急性心脏缺血时间不敏感预测仪器(ACI-TIPI)采用临床和ECG特征作为输入并且产生急性心脏缺血的概率作为输出，以辅助患有胸痛或暗示急性心脏缺血的其他症状的患者的分诊。ACI-TIPI被结合到许多商业心脏监测器/去颤器中。CaseWalker系统使用四项问卷来诊断严重抑郁障碍。PKC Advisor提供98个患者问题(例如腹痛和呕吐)的指导。

用于医学应用的基于机器学习的算法，尤其是深度学习算法，需要具有特定状况的大量患者的数据集以确保模型将维持其对未见患者群体的性能。对于监督学习，建立基础事实(例如，患者是否具有特定状况或疾病、病变是圆形还是具有不规则的形状等)也是必要的。对于无监督学习，虽然不需要基础事实，但是通常实现期望的性能所需的患者数量甚至更高。对于基于医学图像的解决方案，由不同供应商获取成像研究也是必要的。为了确保基于机器学习的解决方案的通用性，除了基础事实之外，训练数据集中的患者应当覆盖各种患者特征的可变性，例如种族、性别、年龄、病史、家族史、临床风险因素、共病、特定状况的不同水平等。