[发明专利]训练模型用于对医学数据执行任务

权利要求书

1.一种计算机实现的训练模型的方法，用于使用分布式机器学习过程对医学数据执行任务，由此全局模型基于在多个临床站点处对所述模型的本地副本所执行的训练而被更新，其中所述模型是用于在预测针对所述医学数据的分类时使用，或者其中所述医学数据包括医学图像并且所述模型是用于在分割所述医学图像时使用，所述方法包括：

a)向所述多个临床站点发送(302)信息，以使得所述多个临床站点中的每个临床站点能够创建所述模型的本地副本并且根据在相应的所述临床站点处的训练数据训练所述模型的相应的所述本地副本；

b)从所述多个临床站点中的每个临床站点接收(304)：i)对所述模型中的参数的本地更新，所述本地更新是通过根据在相应的所述临床站点处的所述训练数据训练所述模型的所述本地副本而获得的，以及ii)与在相应的所述临床站点处所执行的所述训练的质量相关的元数据；以及

c)基于所接收的对所述参数的所述本地更新和所接收的所述元数据，通过以下来更新(306)所述全局模型中的所述参数：通过根据相应的所述元数据对每个本地更新进行加权来组合对所述参数的所述本地更新以确定对所述全局模型的更新，使得与指示高质量训练结果的元数据相关联的本地更新相比于与指示低质量训练结果的元数据相关联的更新具有更高的加权。

2.根据权利要求1所述的方法，其中组合对所述参数的所述本地更新以确定对所述全局模型的所述更新的步骤包括：

根据下式确定用于所述全局模型的参数：

全局参数＝(α1*W1+α2*W2+α3*W3+…+α_N*W_N)/(α1+α2+α3+…α_N)；

其中W_N包括对由第n个临床站点所确定的所述模型中的所述参数的所述本地更新，并且α_N包括范围在0≤α_N≤1中的实数；以及

其中所述α_N的值是根据与对由所述第n个临床站点所确定的所述模型中的所述参数的所述更新相关联的所述元数据而被确定的。

3.根据前述权利要求中任一项所述的方法，其中针对在相应的所述临床站点处的、具有预期会影响模型误差的共同特性的训练数据的一个或多个子集，所述元数据提供所述模型的相应的所述本地副本在所述训练之后的性能的指示。

4.根据权利要求3所述的方法，其中所述医学数据包括计算机断层摄影CT扫描；以及

其中所述元数据包括当分类不同辐射剂量的CT扫描时所述模型的所述本地副本的所述性能的指示。

5.根据权利要求3所述的方法，其中所述医学数据包括医学图像，并且所述模型是用于在分割所述医学图像时使用以获得所述医学成像数据中的解剖特征的分割；并且其中所述元数据包括当分割所述解剖特征的全图像和/或所述解剖特征的部分图像时所述模型的所述性能的指示。

6.根据前述权利要求中任一项所述的方法，其中所述元数据提供在相应的所述临床站点处的所述训练数据的质量的指示。

7.根据权利要求6所述的方法，其中所述元数据提供在所述临床站点处的所述训练数据在所述模型的不同输出分类之间的分布的指示。

8.根据前述权利要求中任一项所述的方法，其中所述医学数据包括医学图像，所述方法还包括：

在步骤a)、b)和c)之前：

针对测试医学图像，确定由所述全局模型用来对所述测试医学图像执行所述任务的所述测试图像的第一区域；以及在步骤a)、b)和c)之后：

针对所述测试医学图像，确定由所更新的所述全局模型用来对所述测试医学图像执行所述任务的所述测试图像的第二区域；以及

将所述测试图像的所述第一区域与所述测试图像的所述第二区域进行比较以确定模型漂移的度量。