Главная страница  |  Описание сайта  |  Контакты
Патент на изобретение №2468432

(19)

RU

(11)

2468432

(13)

C2

(51) МПК G06N7/00 (2006.01)

(12) ОПИСАНИЕ ИЗОБРЕТЕНИЯ К ПАТЕНТУ Статус: по данным на 16.11.2012 - нет данных Пошлина:

(21), (22) Заявка: 2009111227/08, 28.08.2007

(24) Дата начала отсчета срока действия патента:

28.08.2007

Приоритет(ы):

(30) Конвенционный приоритет:

28.08.2006 US 60/823,716

(43) Дата публикации заявки: 10.10.2010

(45) Опубликовано: 27.11.2012

(56) Список документов, цитированных в отчете о

поиске: Vicari R. «A multi-agent intelegent environment for medical knowledge», Artificial Intelligence in Medicine, 15.10.2002. US 20060106530 A1, 18.05.2006. RU 2216270 C1, 20.11.2003.

(85) Дата начала рассмотрения заявки PCT на национальной фазе: 30.03.2009

(86) Заявка PCT:

IB 2007/053460 20070828

(87) Публикация заявки PCT:

WO 2008/026167 20080306

Адрес для переписки:

129090, Москва, ул. Б. Спасская, 25, стр.3, ООО "Юридическая фирма Городисский и Партнеры", пат.пов. Ю.Д. Кузнецову, рег. 595

(72) Автор(ы):

ЧБАТ Николас В. (US),

ВАН ЗОН Кес (US)

(73) Патентообладатель(и):

КОНИНКЛЕЙКЕ ФИЛИПС ЭЛЕКТРОНИКС Н.В. (NL)

(54) СПОСОБ И УСТРОЙСТВО ДЛЯ ВЫВЕДЕНИЯ ВЕРОЯТНОСТНЫХ МОДЕЛЕЙ ИЗ ДЕТЕРМИНИСТИЧЕСКИХ МОДЕЛЕЙ

(57) Реферат:

Изобретение относится к области моделирования динамических систем. Техническим результатом является возможность получения более точных значений с помощью вероятностной модели. Система для выведения вероятностной модели из детерминированной модели содержит: блок для моделирования физиологической системы, посредством подтвержденной детерминированной модели (VDM), причем VDM включает в себя переменные, которые представляют собой состояния физиологической системы; и блок для приема данных от VDM и для формирования вероятностной модели, посредством алгоритма машинного обучения (MLA); блок для предоставления данных пациента, посредством подтвержденной детерминированной модели (VDM), причем VDM моделирует физиологическую систему и включает в себя переменные, которые представляют собой состояния физиологической системы; блок для приема данных пациента от VDM и для формирования вероятностной модели, посредством алгоритма машинного обучения (MLA), при этом входные переменные предоставляются вероятностной модели, чтобы предоставить переменные моделирования. 2 н. и 8 з.п. ф-лы, 4 ил.

Перекрестная ссылка на родственные заявки

Настоящая заявка относится к параллельно поданной патентной заявке США (номер дела поверенного US006844), озаглавленной "DYNAMIC BYASIAN NETWORK FOR EMULATING CARDIOVASCULAR FUNCTION" ("ДИНАМИЧЕСКАЯ БАЙЕСОВА СЕТЬ ДЛЯ МОДЕЛИРОВАНИЯ СЕРДЕЧНО-СОСУДИСТОЙ ФУНКЦИИ"). Все содержание этой заявки включено, в частности, в материалы настоящей заявки посредством ссылки.

Моделирование динамических систем может быть полезно в прогнозировании результатов или последствий. Один из типов моделирования известен как детерминистическое моделирование. В детерминистическом моделировании переменные определяются для динамической системы. Общее использование моделей прогнозирует будущее поведение реальных систем. Параметры могут быть настроены, чтобы сделать исходную модель, которая представляет конкретную систему. После того как ее параметры заданы, детерминистическая модель создаст точные значения интересующих переменных, тогда как вероятностная модель создаст вероятности определенных значений этих переменных.

Другим типом модели является вероятностная модель. Однако по определению вероятностные решения являются менее точными, чем детерминистическое решение. Важным преимуществом вероятностной модели является ее естественная возможность обрабатывать отсутствующие и неизвестные входные переменные. Вероятности вероятностной модели по определению отражают неопределенность в своих переменных, поэтому неточности во входных переменных не влияют сильно на распределения вероятностей выходных переменных. Аналогично, когда входные переменные отсутствуют, распределения их вероятностей все еще известны и могут использоваться для вычисления распределений вероятностей выходных переменных. Существует необходимость в способе и устройстве моделирования, которые преодолеют, по меньшей мере, недостатки, описанные выше.

В типичном варианте осуществления система для выведения вероятностной модели из детерминистической модели включает в себя: подтвержденную детерминистическую модель (VDM); алгоритм машинного обучения (MLA), действующий для приема данных от VDM и для формирования вероятностной модели.

В другом типичном варианте осуществления система для моделирования переменных в пациенте содержит: подтвержденную детерминистическую модель (VDM), действующую для предоставления данных пациента; и алгоритм машинного обучения (MLA), действующий для приема данных пациента от VDM и для формирования вероятностей модели. Входные переменные предоставляются вероятностной модели для предоставления переменных моделирования.

Фиг.1 является схематическим представлением системы для выведения вероятностной модели из детерминистической модели согласно типичному варианту осуществления.

Фиг.2 является блок-схемой последовательности операций способа, представляющей собой создание динамической байесовой сети (DBN) согласно типичному варианту осуществления.

Фиг.3 является блок-схемой последовательности операций способа, представляющей собой использование DBN согласно типичному варианту осуществления.

Фиг.4 является схематическим представлением системы для моделирования данных пациента, используя DBN согласно типичному варианту осуществления.

В последующем подробном описании, для целей пояснения, а не ограничения, иллюстративные варианты осуществления, раскрывающие конкретные детали, изложены, чтобы обеспечить полное понимание идей настоящего изобретения. Кроме того, описания хорошо известных устройств, аппаратного обеспечения, программного обеспечения, встроенного ПО, способы и системы могут быть опущены, так, чтобы избежать затруднения в описании иллюстративных вариантов осуществления. Тем не менее такое аппаратное обеспечение, программное обеспечение, встроенное ПО, устройства, способы и системы, которые находятся в области компетенции специалиста в данной области техники, могут использоваться согласно иллюстративным вариантам осуществления. В конечном счете, практически повсюду одинаковые номера ссылок ссылаются на аналогичные признаки.

Подробное описание, которое следует ниже, представляет способы, которые могут быть реализованы процедурами и символическими представлениями действий битов данных в машиночитаемом носителе, ассоциированных процессорах, микропроцессорах, персональных компьютерах общего назначения, производственном оборудовании, конфигурируемом с помощью карт сбора данных, и тому подобное. В общем, в данном документе представлен способ, который должен быть последовательностью этапов или действий, приводящих к желаемому результату, и как таковые, охватывает такие термины данной области техники как "процедура", "программа", "объекты", "функции", "подпроцедуры" и "процедуры".

Устройства и способы иллюстративных вариантов осуществления описаны в вариантах осуществления тестирования сердечно-сосудистой системы человека. Подчеркивается, что это является в большей степени иллюстративным; и подчеркивается, что устройства и способы могут быть реализованы в других средах моделирования. Например, специалист в данной области техники после обзора идей настоящего изобретения может адаптировать идеи к тестированию других физиологических систем. Более того, устройства и способы могут быть реализованы в ветеринарном тестировании, а также в интересующей области лечения животных.

Фиг.1 является схематическим представлением системы 100 для выведения вероятностной модели из детерминистической модели согласно типичному варианту осуществления. Система 100 включает в себя подтвержденную детерминистическую модель (VDM) 101, которая представляет собой реальную систему(ы) 102. VDM 101 получает параметры 103, как показано. Выход VDM 101 является наборами данных 104, которые предоставляются алгоритму 105 машинного обучения. Алгоритм 105 использует данные 104 и экспертный анализ 106 проблемной области для формирования вероятностной модели 107 через алгоритм машинного обучения (MLA). Вероятностная модель 107 принимает входные переменные 108 и формирует выходные переменные. Таким образом, детерминистическая модель 101 используется для выведения вероятностной модели 107.

В типичном варианте осуществления система 100 используется для моделирования определенных физиологических переменных в теле человека. Например, сердечно-сосудистая система (CV) может быть смоделирована с помощью системы 100 для имитации нормальных инвазивных переменных, например "CardioOutput" ("выходные сердечные данные"). Кроме того, подчеркивается, что это является всего лишь иллюстративным применением системы 100.

VDM 101 является иллюстративно DBN. Подобные сети могут быть выведены из системы обычных дифференциальных уравнений (ODE) и могут существовать, как описано, например, в "Modeling Physiological Processes using Dynamic Bayesian Networks" ("Моделирование физиологических процессов, используя динамические байесовы сети") Дж. Халста (дипломная работа по частичному выполнению требований на степень магистра в университете Питсбурга, 2006 г.), раскрытие которого, в частности, включено в данный документ по обращению. Кроме того, ODE модели могут быть представлены в MatLab или другом коммерчески доступном программном обеспечении.

Реальные системы 102 являются физиологическими системами. Переменные выбираются из множества переменных, которые могут влиять на изучаемую функцию. Например, в иллюстративном варианте осуществления, в котором моделируется сердечно-сосудистая система, и выход фракции сердечного выброса (EF), переменные, которые, главным образом, непосредственно влияют на EF, предоставляются для VDM.

Как отмечено, параметры 103 дополнительно задают переменные. Параметры являются, в основном, управляющими значениями, которые влияют на переменные. Переменные определяются уравнениями модели или правилами, и представляют собой состояния системы, которые могут изменяться со временем. Как пример, в сердечно-сосудистой системе, эластичность сосудов является параметром; тогда как артериальное кровяное давление и кровоток являются переменными.

Эти параметры 103 могут быть, например, коэффициентами дифференциальных уравнений VDM. В целом, параметры 103 относятся к взаимосвязи (например, взвешивание) различных переменных в детерминистической модели, которая используется. В определенных вариантах осуществления эти параметры могут быть, например, основаны на клинических данных от группы пациентов, или быть основанными на весовом коэффициенте конкретной переменной, как это относится к медицинским условиям.

VDM 101 предоставляет данные для использования в MLA 105. Эти данные являются детерминистическими данными, получаемые из модели, и являются полезными в вероятностных вычислениях желаемой переменной. Как будет понятно и как описано более полно в данном документе для того, чтобы в целом или всесторонне определить вероятности переменных или наборов из переменных, чем больше предоставляемый объем данных, тем более точен результат. Кроме того, данные 104 предоставляют более высокую степень надежности, которая может быть получена непосредственно из вероятностной модели.

Экспертный анализ 106 проблемной области включает в себя знания, например, предоставляемые экспертом в области реальной системы, которая моделируется, например врача. В значительной мере, этот экспертный анализ может использоваться для определения узлов и их взаимосвязей в модели, например, описанной в заявке с перекрестными ссылками. Он может также использоваться для создания цифровых значений параметров вероятностной модели. Однако, как известно из литературы, это продолжительно и предполагается, что вносит неточности. Текущее изобретение, следовательно, предполагает изучить эти цифровые параметры из данных, предоставляемых VDM с помощью MLA.

MLA 108 формирует вероятностную модель 107 из данных. MLA 108 может, например, быть, как описано в упоминаемом тезисе Халста и может являться обучающим алгоритмом инструмента GeNIe Университета Питтсбург (Pittsburgh, PA USA).

Фиг.2 является блок-схемой последовательности операций способа, представляющей собой создание динамической байесовой сети (DBN) согласно типичному варианту осуществления. Определенные подробности типичного варианта осуществления как описано в связи с фиг.1, и таким образом, не повторяются. Физиологические знания, например врача, предоставляются на этапе 201. Знания используются для предоставления структуры DBN. Они могут также использоваться для предоставления параметров DBN (A). Однако желательно, чтобы эти параметры могли вместо алгоритма 108 машинного обучения быть выведены из данных пациентов, предоставляемых VDM 101. Следует заметить, что возможно комбинировать последнее (В) с предыдущим (А), это известно для специалистов в данной области техники. Кроме того, параметры А могут быть созданы один раз для всей совокупности пациентов или множество раз для многочисленных групп пациентов. Последнее позволяет DBN адаптироваться к различным типам пациентов, например, пациентам с различными сердечно-сосудистыми патологиями. В конечном счете, DBN предоставляется как (например) файл, представляющий переменные, их вероятностные взаимосвязи, и сила этих взаимосвязей, как определено параметрами.

Фиг.3 является блок-схемой последовательности операций способа, представляющей собой использование DBN согласно типичному варианту осуществления. Так как определенные подробности системы и способа фиг.1 и 2 являются общими для использования, описываемого в настоящее время, эти подробности опущены, чтобы избежать затруднения понимания настоящего изобретения.

В настоящем иллюстративном варианте осуществления измеряемые данные от пациента в ICU (отделение интенсивной терапии) предоставляются вероятностной модели, показанной как 301. Кроме того, могут предоставляться параметры, указывающие тип (или классификацию) текущего пациента, например параметр, указывающий, перенес или нет пациент ранее инфаркт миокарда. Вероятностная модель 109 принимает эти данные, выбирает подходящий тип параметров для модели DBN и через модель имитирует пациента согласно типу пациента. Например, может быть смоделирована фракция выброса или минутный сердечный выброс. Смоделированные данные затем предоставляются для медицинского работника через график или другое представление.

Фиг.4 является системой, которая реализует вышеуказанные идеи так, чтобы предоставлять моделирование пациента для врача или другого медицинского работника. Так как определенные подробности системы и способы фиг.1 и 2 являются общими для использования, описываемого в настоящее время, эти подробности опущены, чтобы избежать затруднения понимания настоящего описания.

Со стороны входа, через графический пользовательский интерфейс (GUI) или иной подходящий механизм интерфейса, параметры предоставляются для конкретного пациента. Эти данные могут включать в себя конкретные данные пациента, например частота сердечных сокращений и кровяное давление, включая данные о группе пациента или другие аналогичные данные. С помощью этих данных и файла DBN, который например, представлен в файле, логический механизм DBN вычисляет желаемые данные.

Вероятности вывода, предоставляемые логическим механизмом DBN, могут быть в последующем обработаны для соответствующего представления пользователю. Это может быть осуществлено через стандартное программное обеспечение, чтобы предоставить графики, таблицы и т.д. В конечном итоге, GUI предоставляет выход в форме, готовой к использованию медицинским работником.

Тогда как типичные варианты осуществления раскрыты в настоящем документе, многие варианты возможны, которые остаются в пределах сущности и объема изобретения. Подобные изменения станут очевидными для специалиста в данной области техники после изучения спецификации, чертежей и формулы изобретения в данном документе. Изобретение, следовательно, не должно быть ограничено, исключая дух и объем прилагаемой формулы изобретения.

Формула изобретения

1. Система для выведения вероятностной модели из детерминированной модели, содержащая:

блок для моделирования физиологической системы посредством подтвержденной детерминированной модели (VDM), причем VDM включает в себя переменные, которые представляют собой состояния физиологической системы; и

блок для приема данных от VDM и для формирования вероятностной модели посредством алгоритма машинного обучения (MLA).

2. Система по п.1, в которой MLA дополнительно принимает другие параметры.

3. Система по п.1, в которой вероятностная модель принимает входные переменные и предоставляет выходные переменные во время использования.

4. Система для моделирования переменных в реальных системах, содержащая:

блок для предоставления данных пациента посредством подтвержденной детерминированной модели (VDM), причем VDM моделирует физиологическую систему и включает в себя переменные, которые представляют собой состояния физиологической системы;

блок для приема данных пациента от VDM и для формирования вероятностной модели посредством алгоритма машинного обучения (MLA), при этом входные переменные предоставляются вероятностной модели, чтобы предоставить переменные моделирования.

5. Система по п.4, в которой MLA дополнительно принимает другие параметры.

6. Система по п.4, в которой входные переменные, предоставляемые вероятностной модели, являются измеряемыми данными пациента.

7. Система по п.4, в которой MLA принимает другие параметры на основе информации от пациента.

8. Система по п.7, в которой информация пациента включает в себя данные, конкретные для группы пациента.

9. Система по п.4, в которой переменные VDM представляют собой физиологические состояния системы, которые изменяются во времени.

10. Система по п.1, в которой переменные VDM представляют собой физиологические состояния системы, которые изменяются во времени.

РИСУНКИ