用于連續存儲以及聯合分析圖像和非圖像醫學數據的診斷技術的制作方法

專利名稱：用于連續存儲以及聯合分析圖像和非圖像醫學數據的診斷技術的制作方法
用于連續存儲以及聯合分析圖像和非圖像醫學數據的診斷技術以下涉及醫學領域、醫學診斷領域、腫瘤學領域和相關領域。在諸如癌癥、心臟病等的醫學狀況的治療中，通常安排大量不同的成像和非成像診斷以提供互補的患者信息，從而做出復雜和困難的醫學決策。作為說明性的范例，前列腺癌癥治療是復雜的并涉及臨床效果、平均壽命和與治療相關的副作用的最小化之間的ー種微妙的平衡。在ー些患者中，指示了輻射療法治療。前列腺癌癥的輻射治療在若干部分中給出，通常在幾周的時間內每日進行，諸如為期8周的總劑量為76Gy的38個部分。輻射療法的治療選擇包括體外照射治療(ERT)，即，嘗試在不傷害周圍的組織的同時將輻射傳送到患病區域的適形輻射療法。適形輻射療法包括3D適形輻射療法和強度調制輻射治療(IMRT)ο能夠提供的最大輻射劑量受輻射場內的正常組織的耐受性限制。輻射反應隨個體顯著變化并且最敏感的受檢者的耐受性限制了能夠提供給作為整體的群體的劑量，其可能限制了腫 瘤治愈的可能性。電離輻射在細胞和組織層面誘發了配合的級聯反應。該反應涉及若干細胞因子級聯的差異調節，其一起影響造成的正常組織損害。輻射誘發的正常組織的損害涉及各種不同的細胞類型并且長期組織組成可能因輻射而改變。例如，在輻照后，炎性細胞的數量和纖維化組織的量會増加。在對前列腺癌癥輻射治療開始之前，通常利用各種技術對患者成像。可以在經直腸超聲(TRUS)的引導下來采用穿刺活檢。但是，TRUS圖像分辨率在檢測早期前列腺癌癥上是不夠高的。用于更晚期的前列腺癌癥的分期，可以利用如X射線計算機斷層攝影(CT)和磁共振(MR)成像的解剖學成像模態，例如，來檢測囊外腫瘤擴散、精囊介入和淋巴結尺寸異常。還可以采用功能成像模態，例如利用膽堿示蹤的正電子發射斷層攝影(PET)、單光子發射計算機斷層攝影(SPECT)、以及特殊MR方案(MR譜測量，用于淋巴結分期的Combidex )。為了規劃和模擬輻射療法，記錄規劃的CT掃描，在軸向切片上作出腫瘤和敏感器官的輪廓，并且計算腫瘤體積的幾何中心。隨著施予的輻射劑量增強了對前列腺腫瘤的局部控制。但是，通過增加輻射劑量，由膀胱、尿道、直腸的損傷引起的并發癥的風險同樣會增加。并發癥的發生還與輻照體積的尺寸相關。有這種并發癥的若干預測物，所謂的輻射毒性或輻射療法副作用。例如，在前列腺癌癥的3D適形輻射治療中，平均直腸劑量與急性直腸和腸毒性相關，而認為荷爾蒙治療和抗凝劑的使用是保護性的。更確切地，較大的平均直腸劑量與較大的出血風險相關，較大的輻照體積與大便頻繁、里急后重、失禁、和出血相關。荷爾蒙療法對便頻和里急后重有保護性，痔瘡與較高的里急后重和出血風險相關，并且尿頻與腹瀉相關。可以利用來自3D輻射療法治療規劃系統的劑量-體積直方圖(DVH)來詳細分析直腸壁的劑量。用這種方式，接收最高劑量的直腸壁的體積(例如，接收>70Gy的壁體積)、輻照直腸區域、靶和直腸尺寸在一些情況下可能比平均直腸劑量更能預示后期直腸毒性。也示出了靶體積和高度、直腸表面積和平均截面積與輻射毒性相關。膀胱體積和膀胱體積中接收10-90%處方劑量的百分比與泌尿功能和患者問卷煩擾評分相關。此外，滿膀胱改善了前列腺的位置一致性并降低了膀胱和直腸劑量。上文的前列腺癌癥的范例僅為在各種成像和非成像醫學數據之間的復雜相互關系的種類的說明，可以協同地利用所述數據來識別和明確治療選擇。對前列腺癌癥的輻射治療的監測能夠將由成像方法提供的信息和來自非成像方法的信息有用地組合，所述非成像方法的信息諸如體外診斷(IVD)提供的分子信息、和/或來自質譜分析的質譜蛋白質類型，能夠用于多種疾病狀態的早期診斷和用于諸如對來自患者血清的輻射暴露的檢測的其他目的。上文的前列腺癌癥范例僅為相互關聯的成像和非成像診斷的ー個范例。作為另ー個范例，考慮動脈中的高風險斑塊，其為諸如中風和急性心肌梗塞的疾病的主要根源。這些疾病經常在沒有先前的癥狀的情況下發生，因為根源是斑塊破裂，其與血流動力學是不相關的。因此，在臨床研究中投入了巨大的努力以通過諸如分子標記和成像的診斷來表征斑塊的易損性。已知若干風險因素生活方式(吸煙或其他高風險行為)、膽固醇水平和進ー步的分子標記。此外，評價從圖像數據導出的斑塊特征，具體而言，結構要素(例如，內-中膜厚度)和代謝參數(例如，FDG攝取)。這種成像和非成像診斷的組合是有用的，但是，沒有單個診斷模態足以評估斑塊破裂的風險。更通常地，單獨診斷測試或單個診斷參數的靈敏度和特異性是有限的。當臨床醫師單獨地評價診斷圖像或諸如生物標記參數的非成像診斷患者數據時，可能不會立即檢測到或者可能根本不會檢測到某些疾病狀況，諸如副作用的開始。相反，単獨測試可能對實際上不存在的疾病狀況顯示陽性。總之，將各種圖像和非圖像醫學數據組合可能比分析單個診斷測試更具證明性。這就是為什么患者通常在診斷階段經歷多種不同的測試以評估治療階段的進展。診斷方法將成像研究和諸如IVD測試、組織病理學數據等其他診斷測試進行組合。但是，現存的方法未促進圖像和非圖像醫學數據的協同分析。這種協同分析可以具有高維度并且使得必須識別相關參數以及在所得參數空間中確定最佳地辨別疾病狀況的子體積(subvolume)。問題是，成像和非成像數據在不同時間點、不同部門、甚至不同的醫學設施處采集和收集。采集以及，在一些情況下，分析不同部門、不同實驗室、或者甚至在不同醫學設施處的不同的數據使得所述分析不能從其他互補的醫學數據中受益。此外，數據采集基于各種圖像和非圖像醫學實驗室和設施的可利用性來安排，這使得數據采集順序針對不同的患者有明顯的變化。因此，來自互補圖像或非圖像診斷模態的完整的醫學數據集在分析的時刻可能不能獲得。在一些情況下，這可能導致在沒有重要數據項時進行醫學分析或診斷。以下提供了克服上述和其他問題的新的改進的裝置和方法。根據ー個公開的方面，ー種裝置包括數據庫，其存儲醫學數據，所述醫學數據包括針對多個患者的圖像醫學數據醫學數據；數字處理器，其被配置成用于生成特征矢量，所述特征矢量包括從在數據庫中存儲的患者醫學數據中導出的指示患者的特征。根據另ー個公開的方面，一種診斷方法包括維護存儲醫學數據的數據庫，所述醫學數據包括針對多個患者的圖像醫學數據和非圖像醫學數據；生成對應于數據庫的患者的特征矢量，對應于患者的特征矢量包括從在數據庫中存儲的針對對應患者的醫學數據中導出的指示對應患者的特征，所述數據庫包括圖像醫學數據和非圖像醫學數據兩者；其中至少生成操作由數字處理器執行。 根據另ー個公開的方面，數字處理器被配置成用于執行如上一段中所述的診斷方法。根據另ー個公開的方面，存儲介質存儲能夠在數字處理器上執行以執行如在上一段中所述的診斷方法的指令。ー個優點在于便于聯合數據分析以從圖像和非圖像的醫學數據的協同組合來獲得ィ目息。另ー個優點在于確保在生成醫學診斷時相關的數據是可獲得的。在本領域普通技術人員閱讀和理解下文的詳細說明吋，進ー步的優點對他們來說將是顯而易見的。圖I圖解地圖示了ー種包括各種醫學診斷模態和用于協同地分析由這些各種醫學診斷模態采集的圖像和非圖像數據的裝置的醫學診斷裝置；圖2圖解地圖示了一種由圖I的裝置執行以生成組合患者的圖像和非圖像數據的特征矢量的方法；圖3列表顯示了ー些特征填補，其適用于填補特征矢量中對于其數據庫數據是不能獲得的或不完整的特征；圖4圖解地圖示了由圖I的裝置執行的方法，所述方法用于執行由感興趣患者的特征矢量表示的醫學數據的多變量分析(MVA)。參考

圖1，多個代表性醫學診斷裝置、實驗室、或其他設施被作為說明性的范例示出。圖I包括伽馬相機10，其在所圖示的實施例中為Skylight 伽馬相機(可由荷蘭埃因霍溫，皇家飛利浦電子有限公司提供)；混合PET/CT成像系統12，其在所圖示的實施例中為GEMINI PET/CT成像系統(可由荷蘭埃因霍溫，皇家飛利浦電子有限公司提供)；以及磁共振(MR)成像系統14，其在所圖示的實施例中為Achieva MR系統(可由荷蘭埃因霍溫，皇家飛利浦電子有限公司提供)。伽馬相機10被配置成用于采集單光子發射計算機斷層攝影(SPECT)圖像。混合PET/CT成像系統12被配置成用于采集PET圖像和CT圖像。MR系統14被配置成用于采集MR圖像。成像系統10、12、14是說明性的范例，并且一般可以利用各種類型的成像系統來實踐文中所公開的診斷技術，所述成像系統諸如各種SPECT成像系統、各種PET成像系統、各種CT成像系統、各種MR成像系統、各種超聲成像系統、各種熒光透視成像系統、各種光學成像系統等、以及這樣的成像系統的各種混合。在所圖示的實施例中，任選的圖片存檔和通信系統(PACS) 16提供了ー種中央數據庫，其用于將通過各種成像模態采集的圖像醫學數據存檔并用于訪問所存檔的圖像醫學數據。如在文中所使用地，術語“圖像醫學數據”包括所采集的圖像(包括CINE序列);諸如通過PET或CT成像器采集的列表模式圖像數據或者通過MR成像器采集的k空間樣本的源數據；諸如所采集的心電圖(ECG)數據以提供圖像的心臟門控的相關聯數據；以及從圖像導出的作為成像會話一部分的醫學圖像數據，諸如器官的尺度、劑量-體積直方圖(DVH)、諸如心博量或標準化攝取值(SUV)的由圖像導出的功能參數，等等。從圖像導出的醫學圖像數據可以在成像設施處生成并在PACS 16中存儲，或者而后基于存儲在PACS 16中的圖 像生成。繼續參考圖1，還表示了多個非圖像醫學診斷裝置、實驗室、或其他設施，即質譜儀20，其被配置成用于采集蛋白質組數據或其他質譜分析數據或從質譜中導出的數據；以及體外診斷設施22，其被配置成用于采集諸如來自所抽取的血或其他(流體)樣本的蛋白質組或基因組分子信息的體外診斷(IVD)數據，包括組織學數據等。非圖像醫學設施20、22是說明性的范例，并且一般可以利用各種類型的非圖像診斷設施來實踐文中所公開的診斷技術，諸如各種質譜分析裝置或設施、各種IVD裝置或設施、各種組織病理診斷裝置或設施等、以及這樣的裝置和設施的各種混合。非圖像醫學數據的其他源包括患者問卷、患者用藥數據、所記錄的生理參數諸如心率、血壓等。數據庫30被配置成用于存儲多個患者的醫學數據。所存儲的醫學數據包括通過醫學成像器10、12、14 (或通過不同的、額外的、或其他的醫學成像器)采集的圖像醫學數據和通過非圖像診斷裝置或設施20、22 (或通過不同的、額外的、或其他的非圖像診斷裝置或設施)采集的非圖像醫學數據。所存儲的數據用元數據合適地標記，所述元數據識別數據類型、數據源、采集日期、實驗室標識、和其他相關的信息。當醫學數據被采集時，數據被存儲在數據庫30中，因此在任何給定的時間點，關于特定的患者的所存儲的醫學數據可能是“不完整的”，其意味著醫學人員所定制的某些測試可能還沒有被執行，或某些測試可能還沒有被定制。此外，應該認識到數據庫30中的數據的存儲可以被寬泛地理解為包括指向數據的指針或其他鏈接的存儲，所述數據可以物理上位于其他地方。例如，可以將醫學圖像存儲在PACS 16中并且將指向醫學圖像的指針或鏈接存儲在數據庫30中，在這種情況下，在本文中認為醫學圖像“存儲”在數據庫30中。 數字處理器40被配置成用于執行對在數據庫30中存儲的醫學數據和非圖像醫學數據的分析以便生成針對感興趣患者的建議的診斷。如在文中所使用地，術語“數字處理器”應被寬泛地理解為包括微處理器、微控制器或類似物以及包含這種微處理器或微控制器的數字設備諸如計算機、網絡服務器、基于互聯網的服務器等。數字處理器40還可以任選地控制數據庫30中的醫學數據的存儲，或者替代地，另ー數字處理器(未示出)可以控制數據庫30中的醫學數據的存儲。建議的診斷例如可以包括如下的ー個或多個診斷(I)醫學狀況；(2)醫學狀況的階段；(3)治療副作用；(4)治療反應；等。此外，建議的診斷任選地包括(一個或多個診斷和)指示一個或多個診斷中每個的可能性的對應的概率。用戶接ロ 42使得用戶能夠與數字處理器40交互以請求針對感興趣患者的診斷，并且使得用戶能夠查看建議的診斷或來自數據庫30的其他信息。為此目的，所圖示的用戶接ロ包括至少ー個顯示器44和至少ー個用戶輸入設備46，所述用戶輸入設備諸如是所圖示的鍵盤、或鼠標或其他定位設備、或觸摸屏等。用戶接ロ 42通常還包括用于控制用戶接ロ 42的操作的數字處理器，該數字處理器可以與數字處理器40相同，所述數字處理器40被配置成用于執行對在數據庫30中存儲的醫學數據和非圖像醫學數據的分析以便生成針對感興趣患者的建議的診斷，或者該處理器為不同的數字處理器(未示出)。數據庫30持續地執行對多個患者(諸如在醫院或其他醫學設施處被治療的所有患者、或通過醫院網絡進行治療的所有患者等)的圖像醫學數據和非圖像醫學數據的聯合數據收集。數據庫30中的醫學數據的持續收集提供大的、不斷増大的數據集，其能夠用于以學習模式構建多變量分析(MVA)，可以將所述分析用于感興趣患者以便生成建議的診斷。在MVA中，可以分析由從各種診斷程序導出的醫學診斷測試結果和參數所定義的多維空間，以識別相關的辨別參數和各自的多維子體積，所述參數和多維子體積描述特定的疾病狀況。如文中所使用的術語“多變量分析(MVA)”意圖包括任何多參數或多變量的分析，例如包括(但不限干)多項式模型、各種統計分析、蒙特卡洛模擬等。為此目的，患者的醫學數據與元數據一起存儲在數據庫30中，所述元數據提供相關的參考值、校準和歸ー化值、誤差估計、樣本收集和分析的日期等。MVA對從醫學數據提取的特征進行操作。可以通過醫學圖像來提供相關的特征，諸如感興趣區域內的器官之間的距離(例如，直腸、膀胱、或前列腺之間的距離)，或諸如腸壁厚度、前列腺直徑、前列腺體積等的器官特異性尺度。還可以通 過諸如質譜或IVD測試結果的非圖像醫學數據來提供相關的特征。可以以人可感知的格式(例如，在用戶接ロ 42的顯示器44上顯示)來輸出多種特征，或可以由數字處理器40通過MVA聯合分析以達到個體副作用、健康風險、治療建議、或其他建議的診斷。在MVA中使用的不同種類的特征，例如，可包括質譜和來自患者體液的IVD數據的說明性的范例，以及來自感興趣患者的醫學成像數據。可以從數據庫30生成除感興趣患者以外具有相同的醫學狀況的大量患者中取平均得到的數據，所述數據用于與針對感興趣患者所獲得的數據進行比較以達到診斷或監測疾病進展或治療效果。來自質譜的特征，例如，可定義為具有高于一定閾值的強度和指定的質量間隔內的質量的峰值。從這樣的質譜特征，任選地計算真實質量或真實分子結構和它們的對應的總強度并分配到蛋白質/肽，并且峰值高度用于估計患者樣本中的蛋白質/肽的濃度。這種情況下，實際的蛋白質/肽濃度可以被用作MVA的特征。數據庫30在當針對其存儲數據的患者的數量足夠大以提供統計上可靠的MVA時可以用于構建MVA。由于額外的患者被持續地加到數據庫30中，可以重新構建MVA，或者，替代地，基于新的患者數據調整MVA。因此，由數據庫30定義的參考狀態隨著數據量的增長持續地改進，并提供高維度空間內的數據，該空間定義“正常”、“患病”、“無異常”、“非病理性”、疾病的各種階段或治療效果、或其他可能的診斷。將被加到數據庫30的每個患者的特征合適地與數據庫中可獲得的參考數據比較，例如，由構建的MVA所具體化的，以便生成建議的診斷。建議的診斷可以是疾病狀態、治療的副作用的分級、特定治療的改進等。繼續參考圖1，處理器40被配置成用于如下地執行MVA。感興趣患者(在給定的時間點上如目前存儲在醫學數據庫30中的患者數據所反映的)的患者數據50用作輸入。通過患者特征矢量生成器52將患者數據50轉化到多維空間中，所述生成器生成包括從患者醫學數據50中導出的指示感興趣患者的特征的特征矢量，所述患者醫學數據存儲在數據庫30中并包括患者圖像醫學數據和患者非圖像醫學數據兩者。可以將感興趣患者的特征矢量看作是多維空間中的感興趣患者的表示，MVA在所述多維空間中操作。由于在感興趣患者經歷了各種診斷成像和非圖像診斷測試時，持續更新數據庫30，因此在ー些情況下患者數據50可能是不完整的，從而不能從可獲得的患者數據50中確定特征矢量的某些要素。為了提供缺失的數據，特征填補部件54用默認值填補特征矢量中不能從患者醫學數據50中導出的任何特征。部件52、54的輸出是包括指示感興趣患者的特征的特征矢量56。任選地，將針對每個患者生成的特征矢量56堆積到特征矢量數據庫60中。用這種方式，可避免對特征矢量的重新計算。如果感興趣患者經歷了額外的測試，那么可以從特征矢量數據庫60中檢索特征矢量56，通過部件52、54更新由額外測試的結果影響的任何矢量要素，并且將所更新的特征矢量存儲回特征矢量數據庫60。存儲在特征矢量數據庫60中的特征矢量被合適地用于構建多變量分析(MVA)以生成建議的診斷。在一些實施例中，MVA由分類器具體化，所述分類器接收特征矢量和對特征矢量分類-在這樣的實施例中，MVA構建部件被合適地具體化為MVA訓練器62，其利用針對已診斷的患者的特征矢量的訓練集來訓練分類器，所述已診斷的患者中的ー些具有相關的診斷(陽性范例)并且所述已診斷的患者中的ー些不具有相關的診斷(陰性范例)。然后所得的訓練后的分類器使MVA專家64具體化。如果特征矢量56表示希望進行建議的診斷的感興趣患者，那么在分支點66，將特征矢量輸入到MVA專家64，其輸出針對感興趣患者的建議的診斷。建議的診斷可以顯示在用戶接ロ顯示器44上或以人可感知的輸出格式來呈現。感興趣患者通常不是用于訓練MVA專家64的訓練集的成員，因為感興趣患者不具有先驗已知的診斷并因此不是陽性訓練范例或陰性訓練范例。但是，在一些實施例中，由醫師或其他醫療人員經由用戶接ロ 42接受或拒絕建議的診斷，并且此后，MVA訓練器 62使用感興趣患者的特征矢量56作為精化MVA專家64的進ー步的訓練數據，所述特征矢量(現在)包括確認的診斷。總之，圖I中的系統從圖像醫學數據和諸如IVD數據或質譜數據的非圖像醫學數據中提取了特征，并且創建了具有正常和疾病狀態多維體積的定義的數據集。創建新患者的特征集并將其與數據庫的IVD和成像特征相比較。我們建議將每個患者的IVD特征與正交圖像特征組合。在一個實施例中，結果被共同顯示在屏幕上以輔助醫生的診斷。在另ー個實施例中，特征被聯合分析，產生了作為診斷的反應值或矢量。參考圖2，描述了特征矢量生成部件52的說明性實施例的操作。如果MVA操作的多維空間具有N維，那么特征矢量包括對應于N維的N個要素。循環操作器70依次選擇用于處理的每個矢量要素。在操作72中，識別用于計算所選擇的矢量要素的患者數據，在操作74中從所識別的患者數據計算特征并且在操作76中將所述特征存儲為矢量要素值。針對每個矢量要素(或者，等價地，對多維空間的每個維度)重復78該處理以構建特征矢量56。繼續參考圖2并進一歩參考圖3，描述了特征填補部件54的說明性實施例的操作。在相關患者數據識別操作72之后，對是否缺失任何相關患者數據進行檢查74。如果沒有缺失相關患者數據，那么特征矢量生成部件52執行操作74、76，如前所述。但是如果缺少任何相關患者數據，那么代替地應用填補操作82以針對該特征分配默認值，其然后在操作76中被存儲為矢量要素值。基于特征的類型和待執行的特定的MVA，合適地選擇默認矢量要素值。圖3列表顯示了在特征是診斷測試結果的情況下設想的ー些默認值。在這種情況下缺失的數據是診斷測試數據，沒有所述數據，不能確定測試結果。如果假定不能獲得的測試結果為陰性是有利的，則合適地使用“陰性”默認值填補特征。這可能是合適的，例如，在診斷測試具有高假陽性率從而陽性結果可能最后通過MVA而“被忽略”的情況。如果假定不能獲得的測試結果為陽性是有利的，則合適地使用“陽性”默認值填補特征。這可能是合適的，例如，在診斷測試具有高假陰性率從而陰性結果可能最后通過MVA而“被忽略”的情況。如果不能獲得的測試結果對診斷是重要的那么合適地使用“重要”默認值填補該特征，從而在沒有這個重要的診斷測試的情況下，根本不能呈現建議的診斷。例如，在MVA被構建成用于估計腫瘤為惡性的可能性的情況下，可以認為對腫瘤的活組織檢查測試是足夠重要的以至于如果活組織檢查測試結果是不能獲得時，那么就不能呈現“惡性”或“良性”的建議的診斷。可以任選地提供“TBD”默認值以將建議的診斷并入特征矢量中。在一些實施例中，建議的診斷與特征矢量相關聯但是沒有被并入到特征矢量中。但是，在所圖示的實施例中，建議的診斷被看作是特征矢量的矢量要素。這個方案的優點是在醫師或其他適當醫療人員在沒有求助于MVA就作出診斷的情況下，可以將這個診斷直接并入到特征矢量中。在這樣的實施例中，僅在診斷是不能獲得的情況下將MVA應用到特征矢量，其由針對與建議的診斷對應的矢量要素的填補值“TBD”指示。參考圖4，描述了決策點66的說明性實施例的操作。在第一決策塊90，檢查特征矢量56中對應于診斷的矢量要素。如果這個矢量要素已經包含診斷值，那么假定診斷是已知的并且在操作92中將特征矢量56任選地標記為訓練范例。換句話說,在這種情況下,不需要應用MVA專家64以建議診斷，而是可以任選地將具有先驗已知診斷的特征矢量56用于MVA專家64的進ー步訓練。 另ー方面，如果在第一決策塊90，發現特征矢量56中對應于診斷的矢量要素包含默認填補“TBD”，那么認為現在沒有可獲得的診斷。因此，在第二決策塊94，檢查特征矢量56的剰余的矢量要素以確定任何這些矢量要素是否包含“重要”默認填補值。如果任何矢量要素包含“重要”默認填補值，那么可以在通信操作96中經由用戶接ロ 42來提出采集重要特征的請求。例如，在MVA被構建成用于估計腫瘤為惡性的可能性的之前的示例中，如果對應于活組織檢查測試結果的特征包含默認填補“重要”，那么操作96建議應該進行活組織檢查測試，在沒有這個重要活組織檢查測試的情況下，不提供建議的診斷。繼續參考圖4，如果決策塊90、94都通過了，那么認為希望進行診斷并且可獲得足夠的患者數據，然后相應地將特征矢量56輸入到MVA專家64以生成建議的診斷。在圖4的實施例中，在輸出操作98中，經由用戶接ロ 42將建議的診斷呈現給用戶，并且用戶可以確認(即，接受)建議的診斷或校正(或，更一般地，拒絕)建議的診斷。任選地，操作98還將所確認的診斷載入到對應于診斷的矢量要素中(即，利用所確認的診斷代替默認填補值“TBD”)并且將特征矢量56標記為訓練范例，以任選地用于MVA專家64的進ー步訓練中。可以根據待進行的診斷的類型和其他的考慮來使MVA專家64不同地具體化。在一些實施例中，診斷是ニ元決策——例如，識別腫瘤為“惡性”還是“良性”的診斷是ニ元決策。對于ニ元決策，可以將MVA專家64具體化為ニ元分類器。在其他的實施例中，診斷具有多個可能值。例如，針對遭受腹部疼痛的患者的診斷可以包括多種可能的診斷，諸如“闌尾炎”、“食物中毒”、“腹部脹氣”、“疝氣”等。用于構建MVA專家64以執行具有兩個以上的可能診斷的診斷的ー個方法是采用多類分類器，其中每個可能診斷對應于多類分類器的ー個可能的輸出。用于構建MVA專家64以執行具有兩個以上的可能診斷的診斷的另ー個方法是采用多個ニ元分類器，每個ニ元分類器對應于特定的可能的診斷并提供該診斷的概率。如果診斷是相互排斥并包括所有可能的診斷，那么可以將ニ元分類器輸出的概率歸一化以生成與多類分類器的輸出等價的輸出。此外，除了分類器，可以將MVA專家64具體化為算法。例如，在另ー個設想的實施例中，訪問特征矢量數據庫60以確定針對給定診斷的平均或典型特征。例如，這可以通過在具有給定診斷的所有特征矢量上對每個矢量分量的值取平均來完成。然后MVA專家64能夠計算指示感興趣患者的特征矢量56和給定診斷的平均或典型特征矢量之間的距離的距離度量(例如，利用歐幾里得距離度量)，以便提供感興趣患者的特征與具有給定診斷的“平均”患者的對應的特征有多相近的定量度量。任選地，這個分析還可以包括感興趣患者的特征和具有給定診斷的“平均”患者的對應特征的逐個要素的比較。更一般地，可以在患有共同醫學狀況的大量的患者上對具有數據庫60的特征矢量的特征形式的數據取平均并且所述數據用于與針對感興趣患者獲得的數據(同樣，具有感興趣患者的特征矢量形式)進行比較以達到診斷或監測疾病進展或治療效果。由MVA專家64任選執行的另ー個有用的分析是通過在特征矢量數據庫60中搜索如通過歐幾里得距離度量或其他所選擇的距離度量公式所測量的與多維空間中的特征矢量56最近的特征矢量(或幾個特征矢量)來在數據庫30中定位最近的患者(或幾個最近的患者)。應該認識到，盡管在圖解的圖I中圖示了單個MVA專家64，但在實踐中可能有多個MVA專家，每個被訓練或被構 建成執行針對特定診斷的選擇的多變量分析。各種MVA專家能夠利用相同的特征矢量或能夠利用不同的特征矢量。在一些實施例中，所有MVA專家使用相同的特征矢量，但是執行合適的特征選擇處理以選擇由每個MVA專家使用的特征的子集。合適的特征選擇處理可以包括過濾以識別鑒別性特征、過濾以去除冗余特征等。例如，主成分分析(PCA)是用于特征選擇的已知的方法。可以使用各種識別方案在數據庫30、60中識別患者。在一個方案中，每個患者分配有唯一的患者識別號。這有利于患者的匿名，例如當基于與特征矢量56的距離來識別“最近的患者”吋。任選地，數據庫30、60還包括患者名字或其他識別患者的信息。在這個后者的情況下，用戶接ロ 42優選地包括合適的安全流程，諸如注冊流程和任選的生物特征識別(例如，指紋讀取器)以確保僅允許經授權的人員訪問患者識別信息。下文中，提出了利用輻射療法治療作為說明性醫學狀況的前列腺癌癥的更詳細的說明性范例。這里，圖像特征可以包括諸如直腸、膀胱或前列腺的重要的器官之間的距離；諸如腸壁厚度、前列腺直徑、前列腺體積的器官特異性尺度；等。可以從質譜分析測量20或IVD測試22來提取相關的非圖像特征。預期與對輻射療法的腫瘤的反應相關的基于圖像的特征包括病變體積；通過FDG-PET或其他功能成像所評估的病變代謝和増殖；細胞完整性，例如通過擴散加權MR所評估的；等。同樣預期這些特征中的很多與重要器官中的健康組織的炎癥和輻射毒性相關。腫瘤反應的預測性圖像導出特征包括尺寸/體積；劑量-體積直方圖(DVH);形態特征如紋理；表面結構正常或不正常；等。針對前列腺癌癥療法感興趣的分子特征包括如通過FMIS0-PET所評估的組織缺氧的程度。為了確定這樣的特征，可以應用圖像處理算法，諸如體積描繪技術和頻率分析。造影剤的動態成像提供了斜率和在藥代動力學建模的情況下的示蹤生物分布的速率常數。通過連續的臨時數據存儲，實現了多維空間數據。多維空間的第一和第二維(或，等價地，特征矢量的第一和第二要素)可以，例如，表示從規劃CT中導出的體積和劑量。第三和第四維可以表示患者血清和尿液樣本中的IVD標記的濃度并且第五到第十維可以表示質譜分析的蛋白質類型或它的特征中的ー個或多個(在某些峰值位置的峰值強度)。利用數學算法來分析多維空間，產生患者樣本中的真實分子量和/或個體治療風險。通過MVA專家64聯合地分析在診斷醫學數據庫30中存儲的并由數據庫60的特征矢量基于每個患者表示的數據。為此目的，通過部件52、54從來源于ー個患者的數據中自動地提取特征以生成患者的特征矢量56。將所提取的特征矢量存儲在數據庫60中。用于前列腺癌癥應用的典型的成像特征可能是定量的或定性的并且包括來自輻射療法規劃CT、計劃體積、前列腺體積、膀胱體積、直腸體積、總劑量、分劑量、SUV等的DVH。質譜特征是具有超過一定閾值的強度和在指定的質量間隔內的質量的峰值。從這些質譜特征，可以計算真實質量或真實分子結構和它們對應的總強度并將其分配到患者樣本中的蛋白質/肽和它們的濃度。典型的IVD特征包括生物相關液體中的分子濃度，例如利用相應的參考值校正后的C反應蛋白(CRP)濃度、血細胞計數和血紅蛋白濃度(Hb)。但是，特征也可以是復合的，來源于成像以及分子診斷數據。在所有患者中均相似的(成像以及分子的)特征能被用作內部參考。多個患者中相似的特征的數學組合能被用于定義用于比較的標準。另ー方面，多個患者中相似的特征可以在構建MVA專家64之前通過合適的特征選擇處理而被移除。針對特征之間的相關性來分析來自感興趣患者的特征。此外，從不同來源的特征的一般或聯合評價，可以計算患者特異性治療并發癥風險并且可以做出風險分級。當來自新患者或新時間點的數據被存儲在數據庫中并且被隨后分析吋，自動地識別與已經存儲的數據的最佳配合，并且計算副作用風險、治療建議、或其他診斷。還將認識到可以將文中所公開的診斷技術具體化為存儲指令的存儲介質，所述指 令能夠在數字處理器40上執行以執行所公開的診斷技木。這種存儲介質可以包括，例如硬盤或其他磁性存儲介質；光盤或其他光學存儲介質；隨機存取存儲器(RAM)、只讀存儲器(ROM),閃存存儲器、或其他靜電存儲介質等。本申請描述了一個或多個優選的實施例。他人在閱讀和理解本文的說明之后，可以做出修改和變型。g在將本發明解釋為包括所有這樣的修改和變型，只要它們在權利要求書或與其等價物的范圍內。
權利要求
1.ー種裝置，包括 數據庫(30)，其存儲至少包括針對多個患者的圖像醫學數據的醫學數據；以及 數字處理器(40)，其被配置成用于生成包括從在所述數據庫中存儲的患者醫學數據中導出的指示患者的特征的特征矢量(5 6 )。
2.根據權利要求I所述的裝置，其中，所述數據庫(30)存儲包括針對多個患者的圖像醫學數據和非圖像醫學數據兩者的醫學數據。
3.根據權利要求2所述的裝置，其中，在所述數據庫(30)中存儲的所述非圖像醫學數據包括質譜分析醫學數據、體外診斷醫學數據、患者病史數據、患者用藥數據、患者電生理學數據、和患者問卷反饋數據中的至少ー個。
4.根據權利要求I到3中的任一項所述的裝置，其中，所述數字處理器(40)還被配置成用于在針對感興趣患者生成的特征矢量上執行多變量分析(64)以確定針對所述感興趣患者的建議的診斷，并且所述裝置還包括 用戶接ロ(42)，其被配置成用于輸出針對所述感興趣患者的所述建議的診斷的人可感知的表不。
5.根據權利要求4所述的裝置，其中，所述建議的診斷包括從包括以下的組中選擇的一個或多個診斷(I)醫學狀況、(2)醫學狀況的階段、(3)治療副作用、以及(4)治療反應。
6.根據權利要求4到5中的任一項所述的裝置，其中，所述數字處理器(40)還被配置成用于基于針對除所述感興趣患者以外的多個患者生成的特征矢量來構建所述多變量分析(64)。
7.根據權利要求6所述的裝置，其中，所述數字處理器(40)利用至少ー個分類器來實施所述多變量分析(64)并且所述數字處理器被配置成用于通過利用針對除所述感興趣患者以外的多個患者生成的特征矢量的訓練集訓練所述至少一個分類器來構建所述多變量分析，所述特征矢量的訓練集是，其中，所述訓練集的所述特征矢量包括診斷、治療副作用或治療反應，或與這些相關聯。
8.根據權利要求6到7中的任一項所述的裝置，其中，所述數字處理器(40)利用ー個或多個ニ元分類器來實施所述多變量分析(64)，其中，每個ニ元分類器輸出對應診斷的概率。
9.根據權利要求6到8中的任一項所述的裝置，其中，所述數字處理器(40)還被配置成用于基于ー個或多個額外的特征矢量來更新所述多變量分析(64)，所述額外的特征矢量是針對ー個或多個額外的患者生成的并在構建所述多變量分析之后被加到所述數據庫(30)中。
10.根據權利要求4到9中的任一項所述的裝置，其中，存儲所述建議的診斷作為針對所述感興趣患者生成的所述特征矢量的特征。
11.根據權利要求I到10中的任一項所述的裝置，其中，所述數字處理器(40)還被配置成用于用默認值填補所述特征矢量中不能從在所述數據庫(30)中存儲的患者醫學數據中導出的特征。
12.根據權利要求I到11中的任一項所述的裝置，其中，所述數字處理器(40)被配置成用于響應于針對所述感興趣患者生成的所述特征矢量不包括從在所述數據庫(30)中存儲的患者醫學數據導出的針對重要特征的值請求額外的患者數據。
13.—種診斷方法，包括 維護存儲包括針對多個患者的圖像醫學數據和非圖像醫學數據的醫學數據的數據庫(30)； 生成對應于所述數據庫中的患者的特征矢量(56),對應于患者的特征矢量包括從在所述數據庫中存儲的針對對應患者的醫學數據中導出的指示對應患者的特征，所述數據庫包括圖像醫學數據和非圖像醫學數據兩者； 其中，至少所述生成的操作由數字處理器(40)執行。
14.根據權利要求13所述的診斷方法，還包括 對對應于感興趣患者的特征矢量執行多變量分析(64)以確定針對所述感興趣患者的建議的診斷；以及 輸出針對所述感興趣患者的所述建議的診斷的人可感知的表示。
15.根據權利要求13所述的診斷方法，還包括 基于所述數據庫中除所述感興趣患者以外的患者的特征矢量來構建所述多變量分析(64)。
16.根據權利要求15所述的診斷方法，其中，所述構建包括 利用所述數據庫中除所述感興趣患者以外的患者的特征矢量的訓練集訓練使多變量分析(64)具體化的一個或多個分類器，其中，所述訓練集的特征矢量包括診斷。
17.根據權利要求15到16中的任一項所述的診斷方法，其中，所述構建包括 在所述維護將額外患者的醫學數據加到所述數據庫(30)時，更新所述構建。
18.根據權利要求13到17中的任一項所述的診斷方法，還包括 同時顯示對應于感興趣患者的特征矢量的特征的人可感知表示。
19.根據權利要求13到18中的任一項所述的診斷方法，其中，所述維護包括 將圖像醫學數據存儲在所述數據庫(30)中，其中，所述圖像醫學數據是通過圖片存檔和通信服務(PACS) (16)采集的。
20.根據權利要求13到19中的任一項所述的診斷方法，其中，所述維護包括 將從多個不同醫學設施中采集的醫學數據存儲到所述數據庫(30)中。
21.ー種數字處理器(40)，其被配置成用于執行根據權利要求13到20中的任ー項所述的診斷方法。
22.—種存儲介質，其存儲能夠在數字處理器(64)上執行以執行根據權利要求13到20中的任一項所述的診斷方法的指令。
全文摘要
一種裝置包括數據庫(30)，其存儲醫學數據，所述醫學數據包括針對多個患者的圖像醫學數據和非圖像醫學數據；數字處理器(40)，其被配置成用于(i)生成包括從存儲在所述數據庫中的患者醫學數據中導出的指示患者的特征的特征矢量(56)，所述數據庫包括患者圖像醫學數據和患者非圖像醫學數據兩者，以及(ii)對針對感興趣患者生成的特征矢量執行多變量分析(64)以確定針對感興趣患者的建議的診斷；以及用戶接口(42)，其被配置成用于輸出針對所述感興趣患者的建議的診斷的人可感知的表示。
文檔編號G06F19/00GK102652317SQ201080055487
公開日2012年8月29日 申請日期2010年11月17日 優先權日2009年12月10日
發明者C·里賓, M·韋布瑞切, P·K·巴赫曼 申請人:皇家飛利浦電子股份有限公司