[发明专利]改进用于自动量化冠状动脉疾病的机器学习模型的性能

说明书

提供了用于对经训练的机器学习模型进行再训练的系统和方法。接收一个或多个输入医学图像。使用经训练的机器学习模型，根据所述一个或多个输入医学图像预测针对主要任务和次要任务的感兴趣度量。输出针对主要任务和次要任务的预测的感兴趣度量。接收关于针对次要任务的预测的感兴趣度量的用户反馈。基于关于针对次要任务的输出的用户反馈，对经训练的机器学习模型进行再训练，以用于预测针对主要任务和次要任务的感兴趣度量。

技术领域

本发明一般地涉及改进机器学习模型的性能，并且更具体地涉及基于用户反馈改进用于自动量化冠状动脉疾病的机器学习模型的性能。

背景技术

机器学习模型已经被应用于执行针对越来越多的应用的各种任务。在一个示例中，机器学习模型已经被应用于通过预测冠状动脉病变的功能严重性来表征冠状动脉疾病。可以使用经标记的训练图像将一组输入特征映射到预测的输出值来训练这样的机器学习模型以执行任务。在监督学习中，在训练阶段期间，通过相对于训练图像的标记对从训练图像预测的输出进行评估，来对机器学习模型进行优化以最大化预测准确性。机器学习模型通常针对特定任务进行训练。

与这样的机器学习模型相关联的挑战很多。挑战之一是泛化——经训练的机器学习模型可能无法针对未见过的数据进行正确泛化。在如下情况下也是这样：经训练的机器学习模型对于训练图像或对于其被训练用于的任务来说过于特定。另一挑战是控制——用户可能没有直接的方式来验证经训练的机器学习模型的正确行为，诸如在经训练的机器学习模型预测分数血流储备（FFR）值的情况下。另一个挑战是反馈——用户可能无法容易地提供反馈来改进经训练的机器学习模型的性能，因为用户可能无法容易地识别或容易地评估输入特征。

发明内容

根据一个或多个实施例，提供了用于对经训练的机器学习模型进行在线再训练的系统和方法。接收一个或多个输入医学图像。使用经训练的机器学习模型，根据所述一个或多个输入医学图像预测针对主要任务和次要任务的感兴趣度量。输出针对主要任务和次要任务的预测的感兴趣度量。接收关于针对次要任务的预测的感兴趣度量的用户反馈。基于关于针对次要任务的输出的用户反馈，对经训练的机器学习模型进行再训练，以用于预测针对主要任务和次要任务的感兴趣度量。

在一个实施例中，用户不能根据所述一个或多个输入医学图像直接验证针对主要任务的感兴趣度量，并且用户可以根据所述一个或多个输入医学图像直接验证针对次要任务的感兴趣度量。针对主要任务的感兴趣度量可以包括血液动力学指标，诸如例如虚拟分数血流储备。针对次要任务的感兴趣度量可以包括以下各项中的至少一项：测量点的位置、公共图像点的位置、狭窄的位置和血管的分割。

在一个实施例中，用户反馈可以包括对针对次要任务的预测的感兴趣度量的接受或拒绝、或对针对次要任务的预测的感兴趣度量的修改。

在一个实施例中，也可以确定置信度的度量。可以通过如下方式来确定置信度的度量：使用经再训练的机器学习模型根据所述一个或多个输入医学图像来预测针对主要任务和次要任务的附加感兴趣度量，以及基于使用经训练的机器学习模型预测的感兴趣度量与使用经再训练的机器学习模型预测的附加感兴趣度量之间的差异来确定针对主要任务和次要任务的预测的附加感兴趣度量中的置信度的度量。还可以通过如下方式来确定置信度的度量：使用经训练的机器学习模型，根据来自第一图像序列的单个输入医学图像和来自第二图像序列的单个输入医学图像，预测针对主要任务和次要任务的感兴趣度量；使用经训练的机器学习模型，根据来自第一图像序列的两个输入医学图像和来自第二图像序列的两个输入医学图像，预测针对主要任务和次要任务的附加感兴趣度量；以及基于以下两项之间的差异来确定针对主要任务和次要任务的预测的感兴趣度量和/或预测的附加感兴趣度量中置信度的度量：1）使用经训练的机器学习模型根据来自第一图像序列的单个输入医学图像和来自第二图像序列的单个输入医学图像预测的所述感兴趣度量，和2）使用经训练的机器学习模型根据来自第一图像序列的两个输入医学图像和来自第二图像序列的两个输入医学图像预测的附加感兴趣度量。