[发明专利]用于检测正常图像的基于AI的图像分析

说明书

用于标识异常医学图像的系统和方法。所述系统可以被配置成：接收医学图像；从医学图像中分割解剖结构以定义分割数据集；将分割数据集配准到定义正常解剖结构的基线数据集；由异常分类器对医学图像内的解剖结构是异常还是正常进行分类，其中异常分类器包括机器学习算法，所述机器学习算法被训练成在医学图像中的解剖结构的正常版本与异常版本之间进行区分；以及基于是否可以从医学图像中分割解剖结构、是否可以将分割数据集配准到基线数据集、或异常分类器所输出的与医学图像相关联的分类，将医学图像标记为正常或异常。

对相关申请的交叉引用

本申请要求于2020年6月3日提交的题为“AI-BASED IMAGE ANALYSIS FOR THEDETECTION OF NORMAL IMAGES (ESPECIALLY FOR MULTI-INDICATION EXAMS)”的美国临时专利申请No.63/033,875的优先权，该美国临时专利申请在此通过引用整体地并入本文中。

背景技术

需要处理的医学图像的量保持年年增长，这给负责分析和解释这些图像的放射科医生带来了越来越大的负担。另外，由于常规的医学实践，一些类型的医学图像（诸如，胸部X光或胸部CT图像（例如，用于肺癌筛查））具有高比率的“正常情况（normal）”（即，没有任何放射照相可见异常的病例）。审查正常情况可能会占用放射科医生相当长的时间，该时间可以更好地花在审查和分析实际上具有放射照相可见异常的医学图像上。因此，如果存在一种预过滤正常情况的机制（尤其是针对倾向于具有高比率的正常情况的医学图像的类型），则可以帮助放射科医生腾出时间来审查和分析异常病例，这些异常病例需要更详细的解释，以用于制定治疗决策、提供差异诊断或评估疾病预后的目的。

一些放射学实践使用技术人员来手动对异常和正常候选图像进行预分类（pre-sort）。然而，这仍然是耗时的过程，并且在可以做出不存在异常的最终确定之前，放射科医生通常仍然必须审查技术人员的工作。另外，已经开发了一些机器学习算法来帮助为放射科医生预筛选医学图像。然而，这些算法同样地具有问题。特别地，大多数机器学习算法已经仅被开发为解决仅一种类型的发现（例如，肺结节）。因此，放射科医生仍然需要针对通常被称为“偶然发现”的情况来审查每个医学图像，该偶然发现可能是临床相关的，并且必须予以报告。例如，被配置成标识正常胸部检查的机器学习算法仍然必须意识到任何种类的异常（例如，与纵隔、肺野、心脏、肋骨、脊柱或腹部中的任一个相关联的异常）。然而，迄今为止，大多数算法即使针对指数病变（index lesion）也显示出100％的阴性预测值性能，并且无法处理将需要放射科医生标识的所有“偶然发现”。因此，当前的机器学习算法关于它们是否可以可靠地确定医学图像内不存在任何临床相关发现留下了一些疑问（doubt）。

如先前所指出，已经开发了一些机器学习算法来帮助预筛选医学图像。例如，用于分诊（triage）的机器学习算法使用反例（inverse example）（即，极有可能包含需要立即注意的异常（诸如，颅内出血）的图像）来标识异常图像。作为另一个示例，使用机器学习算法来筛选巴氏涂片（pap smear），以标识没有任何异常的那些巴氏涂片，并且将这种巴氏涂片标明为“不再进一步审查”（NFR）。然而，医学实践必须仍然由病理学家来执行质量控制步骤，以通读（overread）至少一部分NFR，从而监测软件的性能并管理假阴性的风险。因此，尽管这些机器学习算法通常可能是有帮助的，但是它们并不能解决占用放射科医生的时间以及对广泛类型的医学图像和状况的宽泛适用性的固有问题。

因此，对图像进行基于AI的预读取以评估图像是否“正常”（即，是否不存在异常）可以补救这些问题。另外，被附加地配置成标识特定类型的异常发现并且提供特定类型的异常发现的报告的AI系统可以使放射科医生腾出时间以用于真正复杂的病例（例如，介入放射学）。另外，对医学图像的实时筛选可以加快患者从护理机构的出院（release），否则这些患者可能在离开之前被转诊以进行高级成像。

发明内容