СПОСОБ И УСТРОЙСТВО ДЛЯ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЯ НА БАЗЕ СЛУЧАЕВ Российский патент 2013 года по МПК G06K9/00 G06F19/00 

Область изобретения

Настоящее изобретение относится к поддержке принятия решения на базе случаев, и более конкретно к способу и устройству для использования в индивидуализированной поддержке на базе случаев, например, в медицинских приложениях, таких как компьютерная диагностика (CADx).

Уровень техники

Радиологи вынуждены считывать много изображений сканов, произведенных компьютерной томографией (CT), рентгеном, отображением магнитного резонанса (MRI), ультразвуком, позитронной эмиссионной томографией (PET), и т.д. Это может привести "к информационной перегрузке" радиологов. С другой стороны, радиологи могут ошибочно истолковывать сканы, что может привести к задержкам лечения или ненужным биопсиям. Информационная перегрузка потенциально ухудшает эту проблему. В таких ситуациях, как следствие, все чаще используются системы поддержки принятия решений, такие как схемы компьютерной диагностики, для усовершенствования как рабочего процесса, так и результата лечения пациента.

Уровень техники систем компьютерной диагностики заключается в том, что клинические врачи получают знания из опыта обращения к случаям, с которыми они сталкивались ранее. Один способ, с помощью которого система поддержки принятия решений может помочь клиническому врачу в постановлении диагноза по, например CT скану рака легкого, состоит в том, чтобы предложить предыдущие изображения, которые были диагностированы и подобны новому. Скан может быть создан тем же самым или любыми другими методиками, такими как рентген, отображение магнитного резонанса (MRI), ультразвук, позитронная эмиссионная томография (PET), и т.д. Парадигма, основанная на примере (то есть основанная на случае), заключается в том, что узелки с известным диагнозом извлекают из базы данных предшествующих случаев и представляют радиологу. Это является основной предпосылкой системы CADx, основанной на примере.

Заявка на патент WO, озаглавленная как "Управляемая клиническим врачом основанная на примере компьютерная диагностика", поданная Koninklijke Philips Electronics N.V с номером заявки IB2007/052307 и еще не опубликованная, описывает способ и устройство для оптимизации управляемой клиническим врачом основанной на примере системы компьютерной диагностики. Согласно заявке на патент WO, оптимизация диагностики, основанной на примере (то есть основанной на случае), достигается кластеризацией представляющих интерес объемов (VOI) в базе данных в соответствующие кластеры согласно субъективной оценке подобия. Оптимальный набор признаков представляющего интерес объема затем выбирают для подходящих примеров таким образом, чтобы объективная оценка подобия, основанная на выбранных признаках, объединяла в кластеры VOI базы данных в месте признака так, чтобы соответствовать кластеризации на субъективной основе. Подходящие примеры отображаются рядом с диагностируемым VOI для сравнения клиническим врачом.

Сущность изобретения

До настоящего времени для большинства существующих систем поддержки принятия решений на базе случаев, таких как системы CADx, предполагается, что то, что подобно для одного радиолога, также будет подобно для другого радиолога. Однако, так как подобие очень субъективно, вероятно, что оно будет отличаться у различных врачей даже с тем же самым уровнем квалификации. Поэтому существует потребность в развитии надежных метрик подобия для извлечения, которые являются персонифицированными для каждого пользователя. Проблема обнаружения подобия относится к проблеме установления истинного значения подобия. Для поддержки принятия решения термин "истинное значение" обычно подразумевает "правильный ответ", который дала бы идеальная система. Например, в системе компьютерной диагностики, которая оценивает, является ли узелок легкого доброкачественным или злокачественным, истинным значением для набора данных является клинически проверенный диагноз для каждого узелка легкого: он является либо доброкачественным, либо злокачественным, что часто доказывается образцом биопсии и анализом гистопатологии. В отличие от истинного значения для злокачественного или доброкачественного истинное значение подобия является нечетким и не черно-белым, и отличается для каждого пользователя. Разные радиологи могут иметь различные мнения относительно подобия. Таким образом, цель состоит в том, чтобы все же создать компьютерную систему, которая сможет согласовывать с истинным значением; однако, само по себе истинное значение является гораздо менее четким. Подобие является очень субъективным и изменяется от пользователя к пользователю. Например, для одного пользователя авторучка и шариковая ручка подобны, так как они обе пишут. Однако для другого пользователя они являются двумя абсолютно различными объектами с полностью различными свойствами.

Как предлагается здесь, система поддержки принятия решений на базе случаев обучается на вводных данных от нескольких радиологов, чтобы установить базисную систему, и затем система обеспечивает возможность радиологу усовершенствовать базисную систему, основанную на его/ее вводных данных. Эти вводные данные используются, чтобы либо уточнить вес признаков для вычисления отдаленности от подобия непосредственно, либо обеспечить новые кластеры истинного значения подобия, чтобы приспособить вычисление отдаленности от подобия к различным пользователям с различным опытом и/или различными мнениями.

Поэтому в соответствии с одним аспектом настоящего изобретения предоставляется способ, содержащий этапы, на которых:

выполняют вычисление отдаленности от подобия между введенным случаем запроса и набором случаев в базе данных для извлечения подобных случаев, используя набор типовых признаков и их весов для оценки подобия;

представляют пользователю подобные случаи и набор типовых признаков и весов;

принимают от пользователя ввод, включающий в себя измененный вес для, по меньшей мере, одного из набора типовых признаков и/или, по меньшей мере, одного нового признака в дополнение к набору типовых признаков; и

изменяют вычисление отдаленности от подобия с новым набором признаков и весов для извлечения случаев, подобных с точки зрения пользователя.

При изменении весов для признаков или включении новых признаков для вычисления отдаленности от подобия, предложенный способ непосредственно изменяет рабочие параметры системы, и таким образом приспосабливает извлечение подобного случая для различных пользователей с другим опытом и/или другим мнением.

В варианте осуществления способ дополнительно включает в себя этапы, на которых: принимают вводные оценки, заданные пользователем множеству случаев для кластеризации по подобию; и генерируют новый набор признаков и весов на основе кластеризации по подобию для изменения вычисления отдаленности от подобия путем запуска алгоритма обучения.

При объединении измененного истинного значения, определенного пользователем и генерировании нового набора признаков и весов для изменения вычисления отдаленности от подобия, предложенный способ опосредованно изменяет рабочие параметры системы, и таким образом также, приспосабливает истинное значение подобия к другим пользователям с другим опытом и/или другим мнением.

В варианте осуществления способ дополнительно включает в себя этап, на котором генерируют новый набор признаков и весов в качестве нового базиса для вычисления отдаленности от подобия на основе множества персональных настроек признаков и весов, собранных от группы пользователей.

Таким образом, новый базис определен как конкретный для группы пользователей, например как конкретный для больницы. Дополнительно, разница между персональными настройками каждого пользователя и новым базисным истинным значением оценивается так, чтобы идентифицировать отклонения. В случае, когда неопытные пользователи захотят обучаться у опытных пользователей, они могут использовать параметры настройки, заданные опытными пользователями.

В соответствии с другим аспектом настоящего изобретения, предоставлено устройство, содержащее:

блок извлечения, выполненный с возможностью выполнения вычисления отдаленности от подобия между введенным случаем запроса и набором случаев для извлечения подобных случаев, используя набор типовых признаков и весов для оценки подобия;

блок представления, выполненный с возможностью представления пользователю подобных случаев и набора типовых признаков и весов;

блок приема, выполненный с возможностью приема от пользователя ввода, включающего в себя измененный вес для, по меньшей мере, одного из набора типовых признаков или, по меньшей мере, одного нового признака в дополнение к набору типовых признаков; и

блок изменения, выполненный с возможностью изменения вычисления отдаленности от подобия с новым набором признаков и/или весов для извлечения случаев, подобных с точки зрения пользователя.

В варианте осуществления, блок приема дополнительно выполнен с возможностью приема вводных оценок, заданных пользователем множеству случаев для кластеризации по подобию, и блок изменения дополнительно выполнен с возможностью генерирования нового набора признаков и весов на основе кластеризации по подобию для изменения вычисления отдаленности от подобия путем запуска алгоритма обучения.

Модификации и изменения изобретений, определенных в независимых пунктах, которые соответствуют описанным модификациям способа и его изменениям, могут быть осуществлены специалистом данной области техники на основе настоящего описания.

ОПИСАНИЕ ЧЕРТЕЖЕЙ

Вышеуказанные и другие объекты и признаки настоящего изобретения будут более понятны из последующего подробного описания, рассмотренного вместе с приложенными чертежами, на которых:

Фиг.1 является блок-схемой последовательности операций, обеспечивающей обзор примерного варианта осуществления способа в соответствии с изобретением.

Фиг.2 является блок-схемой последовательности операций, показывающей примерный вариант осуществления процесса усовершенствования в способе в соответствии с изобретением.

Фиг.3 является блок-схемой, показывающей примерный вариант осуществления устройства 300 в соответствии с изобретением.

Одинаковые ссылочные позиции используются для указания схожих деталей на фигурах.

ПОДРОБНОЕ ОПИСАНИЕ

Фиг.1 является блок-схемой последовательности операций, обеспечивающей обзор примерного варианта осуществления способа в соответствии с изобретением. В соответствии с этим способом, система поддержки принятия решения на базе случаев сначала обучается на вводных данных от нескольких радиологов для того, чтобы установить базисную систему (этап 100). Система затем адаптируется для конкретного радиолога процессом усовершенствования на основе ввода радиолога (этап 101).

Обучение базису может произойти либо во время разработки продукта, либо во время установки в больнице модулем обучения, встроенным в систему, например, с использованием способа, описанного в патентной заявке WO IB2007/052307. Как только система обучена для "общего" заполнения, определяется набор типовых признаков и весов, используемый для вычисления отдаленности от подобия. Эти признаки и веса используются для объективной оценки подобия между диагностируемыми случаями (то есть, запрошенными случаями) и случаями в базе данных.

Когда радиолог впервые входит в систему, он/она могут по желанию персонализировать истинное значение и функцию подобия для собственного использования с процессом улучшения, обеспеченным изобретением. Улучшение истинного значения подобия и функции подобия основано на вводах радиолога, которые могут непосредственно изменить вес признаков или обеспечить новые кластеры истинного значения подобия или комбинацию того и другого. Когда радиолог удовлетворен результатами извлечения на основе скорректированного истинного значения и функции подобия после нескольких итераций, процесс улучшения останавливается и система является теперь персонализированной для конкретного радиолога, который будет извлекать релевантные подобные случаи, как они понимаются радиологом.

Фиг.2 является блок-схемой последовательности операций, показывающей примерный вариант осуществления, развивающий процесс усовершенствования, например этап 101 на фиг.1. Предполагается, что система поддержки принятия решений на базе случаев была разработана и обучалась как описано выше. Согласно Фиг. 2, способ включает в себя этап 210 приема случая запроса от пользователя, который может быть радиологом, врачом или новым домашним доктором.

Затем способ дополнительно включает в себя этап 220 выполнения вычисления отдаленности от подобия между введенным случаем и набором случаев в базе данных. Подобные случаи извлекают с использованием набора типовых признаков и весов для оценки подобия.

Каждый случай, то есть изображения и информация, ассоциативно связанные с медицинским объектом, ассоциативно связывают с набором признаков, которые характеризуют этот случай. Эти признаки могут включать в себя такие характеристики как эффективный диаметр, степень округлости, контраст, среднее значение яркости, угловатость, поля, плотность, стандартное отклонение пикселей, коэффициент радиального градиента, и т.д. Клинические данные, конкретные для пациента, такие как возраст, история рака, и т.д., могут также составить признак. Под "набором типовых признаков" мы подразумеваем список типов признаков, определенных заранее, но для каждого случая существуют ясно различные значения, ассоциированные с каждым признаком. Типовые признаки и их соответствующие веса используются для вычисления отдаленности от подобия для объективной оценки подобия между случаем в запросе и случаями, которые сохранены в базе данных в соответствии с выбором пользователя. Когда изменяются признаки или вес, то есть изменяются вычисления отдаленности от подобия, рабочие параметры системы, то есть извлеченные результаты, соответственно изменяются.

Подобные случаи могут извлекаться из собственных баз данных больницы, включая случаи, которые были ранее оценены, диагностированы, или вылечены в этой больнице, из собственных отчетов пользователя, включая случаи, которые отмечены как диагностированные этим конкретным пользователем, или из предварительно выбранного учебного набора, включающего случаи, упакованные базисной системой. Случай, запрашиваемый пользователем, и случаи, извлеченные из базы данных, могут включать в себя изображения и/или текст. Например, случай, запрашиваемый пользователем, может быть диагностическим изображением (или набором изображений) медицинского объекта, такого как узелок легкого, и извлеченные случаи могут быть узелками легкого, которые были диагностированы как злокачественные или доброкачественные. Случай запроса и извлеченные результаты могут быть дополнительно снабжены текстами, такими как информация из Электронного Отчета о Здоровье либо случая запроса или извлеченных случаев.

Способ дополнительно включает в себя этап 230 представления пользователю для его/ее субъективной оценки подобных случаев и набора типовых признаков и весов, которые используются в вычислении отдаленности от подобия для объективной оценки подобия между запрашиваемым случаем и случаями в базе данных, выбранными пользователем.

Способ дополнительно включает в себя этап 235 приема ввода от пользователя, указывающего, требуется ли дальнейшая адаптация. Пользователь рассматривает и оценивает извлеченные подобные случаи и определяет, хочет ли он/она усовершенствовать базисную систему. Если пользователь удовлетворен извлеченными результатами (то есть истинное значение подобия или вычисление отдаленности от подобия адекватно адаптировано к пользователю), то система не нуждается в дальнейшей адаптации. Иначе, пользователь имеет возможность адаптировать систему к его/ее потребностям.

Способ дополнительно включает в себя этап 240 приема от пользователя ввода, включающего в себя измененный вес для, по меньшей мере, одного из набора типовых признаков или, по меньшей мере, одного нового признака в дополнение к набору типовых признаков. Пользовательский ввод отражает персональное мнение пользователя или предпочтение в подобии между случаями. В варианте осуществления пользователь может явно изменить типовые признаки и/или их вес. Например, пользователь вводит информацию, которая изменит вес для существующего признака в базисной системе, или добавляет новый признак, например изменение размера опухоли из-за лечения, который был исключен из базисной системы.

В альтернативном варианте осуществления изменение признаков может быть выполнено неявно сеансом обучения. Например, система может принимать ввод при условии измененного истинного значения: различный набор случаев, например набор изображений узелков легкого, отличных от тех, которые первоначально использовались в базисной системе, которые должны быть классифицированы пользователем, как являющиеся подобными или нет, с данным случаем запроса. Альтернативно, пользователю может быть представлен набор узелков легкого, и он/она оценит, какие из них являются подобными, а какие нет. Пользователь может также указать, какие признаки, выведенные из случаев, используются для кластеризации. Таким образом, пользователь создает новое истинное значение подобия, которое он или она предпочитает.

Способ дополнительно включает в себя этап 250 изменения вычисления отдаленности от подобия с новым набором признаков и весов для извлечения случаев, подобных с точки зрения пользователя. Когда вес для признаков непосредственно изменен, или новые признаки непосредственно добавлены пользовательским вводом, вычисление отдаленности от подобия изменится с использованием нового набора признаков и весов, непосредственно приводящих к изменениям рабочих характеристик системы.

Когда истинное значение будет изменено, новый набор признаков и весов будет сгенерирован на основе ввода пользователя, то есть кластеризации подобия, чтобы изменить функцию подобия, выполняя алгоритм обучения. С новым набором признаков и весов, вычисление отдаленности от подобия изменится, косвенно приводя к изменениям рабочих характеристик системы.

Подробности того, как генерировать или выбирать набор новых признаков и весов можно найти в описании заявки на патент WO IB2007/052307, в которой генетический алгоритм (GA) используется, чтобы найти оптимальное пространство признака, и, предпочтительно, оптимальный поточечный критерий подобия для использования в оптимальном пространстве признака. Оптимальное пространство признака должно быть выведено из совокупности признаков, в которой признаки-участники могут быть выведены из субъективного ранжирования признаков на этапе кластеризации. Совокупность признаков может более включительно содержать любые извлекаемые признаки изображения, или соответствующие клинические данные, имеющие отношение к VOI в базе данных. Кандидаты-критерии подобия могут отличаться друг от друга только относительно используемого поточечного показателя отдаленности.

Каждый раз, когда новая хромосома создается воспроизводством в GA, оценивается здоровье хромосомы. Так как каждая хромосома представляет соответствующий набор признаков и предпочтительно соответствующий показатель отдаленности, и так как самая пригодная хромосома выбирается во время удовлетворения критерия остановки, каждую оценку здоровья хромосомы можно считать итерацией итерационного процесса. Итерационно, затем, выбирается набор признаков и, предпочтительно, показатель отдаленности.

Как только набор признаков и весов для функции подобия изменяется, пользователь дополнительно может сделать запрос системы с использованием случая запроса. Случай запроса может быть тем самым, который использовался в предыдущем запросе или новым, введенным пользователем. В такой ситуации вычисление отдаленности от подобия будет выполнено с использованием нового набора признаков и весов, которые отражают персональное истинное значение подобия пользователя, то есть мнение пользователя относительно подобия между случаями. В этой ситуации процесс усовершенствования возвращается к этапу S110 для дальнейшего запроса.

Согласно принятому случаю запроса и обновленному набору признаков и весов, вычисление отдаленности от подобия выполняется снова для оценки подобия между запрошенным случаем и случаями в базе данных, чтобы извлечь случаи, подобные для пользователя. Извлеченные случаи представляются пользователю с новыми признаками и весами, используемыми для вычисления отдаленности от подобия. Пользователь может просмотреть и оценить извлеченные подобные случаи снова и определить, необходимо ли дальнейшее усовершенствование. Если пользователь все еще не удовлетворен извлеченным результатом, он/она может заставить систему снова выполнить процесс усовершенствования. После многих итераций процесса усовершенствования пользователь мог бы быть удовлетворен извлекаемыми случаями, и система теперь усовершенствована или персонализирована для пользователя.

Как только истинное значение подобия адаптируется к пользователю, процесс переходит к этапу S255, на котором пользователь сохраняет настройки, то есть обновленные признаки и веса для дальнейшего использования. Пользователю можно разрешить иметь более одного набора параметров настройки персонализации для использования в различной прикладной области, для установки флажков, чтобы разрешать или ограничивать доступ к его/ее собственным параметрам настройки для использования другими пользователями и загружать свои персональные параметры настройки на его/ее компьютер как необходимо.

Преимущество состоит в том, что вариант осуществления способа позволяет всем извлеченным случаям изменяться в реальном времени так, чтобы пользователь мог легко подстроить извлечения, и позволяет пользователю просматривать два или более наборов запросов и извлеченных результатов при корректировании веса. Далее, процесс усовершенствования может предоставлять дополнительное управление опытному пользователю, например, изменение веса признаков вручную или полуавтоматически.

Также преимущество вышеупомянутых вариантов осуществления состоит в том, что способ включает в себя этап персонализации пользователем числа извлеченных случаев и данных или изображений, которые он хотел бы видеть для каждого извлеченного случая, то есть какую клиническую информацию он хотел бы иметь представленной. На любом этапе во время процесса усовершенствования или во время использования системы, пользователь может далее персонализировать систему, указывая, что конкретный случай никогда не должен быть извлечен, когда он или она использует систему, потому что, например пользователь заключил, что это является "нетипичным" случаем.

Процесс усовершенствования может быть выполнен в первый раз, когда пользователь вошел в систему или в любое время в будущем на его/ее усмотрение. Например, может быть желательно изменить параметры настройки персонализации, то есть признаки и вес, используемые для вычисления отдаленности от подобия, поскольку пользователь получает больше опыта.

В другом варианте осуществления способ дополнительно включает в себя этап 260 генерирования нового набора признаков и веса в качестве нового базиса для вычисления отдаленности от подобия. Этап генерации нового набора признаков и весов основан на множестве персональных параметров настройки признаков и весов, собранных у группы пользователей, например врача группы, использующего систему в больнице. Персональная настройка признаков и весов могла бы быть установлена явно прямым изменением признаков/весов или неявно через сеанс обучения, и новый базис может быть определен как конкретный для больницы.

На этапе 265 оценки вычисляется различие между новым базисом и персональными параметрами настройки каждого пользователя, чтобы идентифицировать отклонения. В случае, когда неопытные пользователи захотят обучаться у опытных пользователей, и они могут использовать параметры настройки, заданные опытными пользователями.

Вышеупомянутый способ, как продемонстрировано на Фиг. 1 и 2, может быть осуществлен программным обеспечением или аппаратным обеспечением, или в комбинации обоих.

Фиг. 3 является блок-схемой, показывающей примерный вариант осуществления персонализированного устройства 300 поддержки принятия решения на базе случаев согласно изобретению. Устройство 300 включает в себя:

блок 310 извлечения, выполненный с возможностью выполнения вычисления отдаленности от подобия между введенным случаем запроса и набором случаев из базы данных для извлечения подобных случаев, используя набор типовых признаков и весов для оценки подобия, то есть для выполнения функции этапа 220 извлечения;

блок 320 представления, выполненный с возможностью представления подобных случаев и набора типовых признаков и весов пользователю, то есть для выполнения функции этапа 230 представления;

блок 330 приема, выполненный с возможностью приема от пользователя ввода, включающего в себя измененный вес для, по меньшей мере, одного из набора типовых признаков или, по меньшей мере, одного нового признака в дополнение к набору типовых признаков, то есть для выполнения функции этапа 240 приема; и

блок 340 изменения, выполненный с возможностью изменения вычисления отдаленности от подобия с новым набором признаков и весов для извлечения случаев, подобных с точки зрения пользователя, то есть для выполнения функции этапа 250 изменения.

Устройство 300 может также содержать базу 303 данных, включающую в себя случаи для извлечения и внутреннюю шину 305 для сбора блоков в устройстве 300.

В варианте осуществления блок 330 приема дополнительно выполнен с возможностью приема вводных оценок, заданных пользователем множеству случаев для кластеризации по подобию и дополнительно с возможностью приема ввода признаков, которые пользователь использовал для кластеризации по подобию.

В другом варианте осуществления блок 340 изменения выполнен с возможностью генерирования нового набора признаков и весов на основе кластеризации по подобию для изменения вычисления отдаленности от подобия путем запуска алгоритма обучения.

В другом варианте осуществления устройство 300 дополнительно содержит блок 345 управления, выполненный с возможностью управления итеративным этапом, на котором выполняют вычисление отдаленности от подобия, используя обновленный набор признаков и весов для извлечения случаев, подобных с точки зрения пользователя.

В еще одном варианте осуществления устройство 300 дополнительно содержит блок 350 оценки, выполненный с возможностью генерирования нового набора признаков и весов в качестве нового базиса для вычисления отдаленности от подобия на основе множества персональных настроек признаков и весов, собранных от группы пользователей. Блок 350 оценки дополнительно выполнен с возможностью оценки разницы между новым базисом и каждой персональной настройкой пользователя для признаков и весов, так чтобы идентифицировать отклонения.

Специалист в данной области техники поймет, что изобретение может быть улучшено другими функциями, такими как гибкий пользовательский интерфейс и аутентификационное управление. Изобретение может быть интегрировано в информатику радиологии или продукты информатики здравоохранения как признак или как отдельный добавочный модуль. Изобретение может также быть осуществлено как автономный продукт рабочей станции CADx на базе случаев.

Изобретение может использоваться для системы компьютерной диагностики вместе с любыми методами формирования изображений. В частности изобретение может использоваться для помощи в диагностировании различных заболеваний или для того, чтобы подтвердить подозреваемые диагнозы во время процесса диагностирования, выполненного радиологами. Другие приложения включают в себя обучение, диагностирование в чрезвычайных ситуациях и компьютерное управление терапией на базе случаев.

Нужно отметить, что вышеупомянутые варианты осуществления иллюстрируют, но не ограничивают изобретение, и что специалисты в данной области техники смогут разработать альтернативные варианты осуществления, не отступая от объема приложенной формулы изобретения. В формуле изобретения любые знаки ссылочных позиций, помещенные в круглые скобки, не должны рассматриваться как ограничение формулы изобретения. Слово "содержащий" не исключает присутствие элементов или этапов, не перечисленных в пункте формулы изобретения или в описании. Использование единственного числа не исключает наличие множества таких элементов. Изобретение может быть осуществлено модулем аппаратного обеспечения, включающего несколько отличных элементов и модулем запрограммированного компьютера. В пунктах формулы изобретения, относящихся к устройству, перечисляющих несколько блоков, несколько из этих модулей могут быть воплощены одним и тем же элементом аппаратного обеспечения или программного обеспечения. Использование слов «первый», «второй» и «третий» и так далее не означает какое-либо упорядочивание. Эти слова должны быть интерпретированы как названия.

Изобретение относится к системам компьютерной диагностики заболеваний. Техническим результатом является создание базисной системы вводных оценок подобия для адаптации истинного значения подобия к различным пользователям с другим опытом и/или другим мнением. Способ поддержки принятия решений на базе случаев включает в себя этап вычисления отдаленности от подобия между введенным случаем запроса и набором случаев для извлечения подобных случаев, используя набор типовых признаков и их весов для оценки подобия. Далее, согласно способу представляют пользователю подобные случаи и набор типовых признаков и весов, а также принимают от пользователя ввод, включающий в себя измененный вес для одного из набора типовых признаков и/или одного нового признака в дополнение к набору типовых признаков. Кроме того, изменяют вычисление отдаленности от подобия с новым набором признаков и весов для извлечения случаев, подобных с точки зрения пользователя. При этом генерируют новый набор признаков и весов на основе кластеризации по подобию для изменения вычисления отдаленности от подобия путем запуска генетического алгоритма обучения. 2 н. и 9 з.п. ф-лы, 3 ил.

1. Способ поддержки принятия решений на базе случаев, содержащий этапы, на которых:
выполняют (220) вычисление отдаленности от подобия между введенным случаем запроса и набором случаев для извлечения подобных случаев, используя набор типовых признаков и их весов для оценки подобия;
представляют (230) пользователю подобные случаи и набор типовых признаков и весов;
принимают (240) от пользователя ввод, включающий в себя измененный вес для, по меньшей мере, одного из набора типовых признаков и/или, по меньшей мере, одного нового признака в дополнение к набору типовых признаков;
изменяют (250) вычисление отдаленности от подобия с новым набором
признаков и весов для извлечения случаев, подобных с точки зрения пользователя, при этом
на этапе (240) принимают вводные оценки, заданные пользователем
множеству случаев для кластеризации по подобию, и
на этапе (250) генерируют новый набор признаков и весов на основе кластеризации по подобию для изменения вычисления отдаленности от подобия путем запуска генетического алгоритма обучения.

2. Способ по п.1, в котором этап генерирования дополнительно заключается в том, что принимают ввод признаков, которые пользователь использовал для кластеризации по подобию.

3. Способ по п.1, дополнительно содержащий этап, на котором принимают ввод от пользователя для исключения случая из извлеченных случаев, подобных с точки зрения пользователя.

4. Способ по любому из пп.1-3, дополнительно содержащий итеративный этап, на котором выполняют вычисление отдаленности от подобия, используя обновленный набор признаков и весов для извлечения случаев, подобных с точки зрения пользователя.

5. Способ по п.4, дополнительно содержащий этап, на котором генерируют (260) новый набор признаков и весов в качестве нового базиса для вычисления отдаленности от подобия на основе множества персональных настроек признаков и весов, собранных для группы пользователей.

6. Способ по п.5, дополнительно содержащий этап (265), на котором оценивают разницу между новым базисом и персональными настройками каждого пользователя для признаков и весов так, чтобы идентифицировать отклонения.

7. Способ по п.1, содержащий этап, на котором выбирают случаи из базы данных или из предварительно выбранного учебного набора, включающего в себя случаи, упакованные базисной системой.

8. Устройство поддержки принятия решений на базе случаев, содержащее:
блок (310) извлечения, выполненный с возможностью выполнения вычисления отдаленности от подобия между введенным случаем запроса и набором случаев для извлечения подобных случаев, используя набор типовых признаков и весов для оценки подобия;
блок (320) представления, выполненный с возможностью представления пользователю подобных случаев и набора типовых признаков и весов;
блок (330) приема, выполненный с возможностью приема от пользователя ввода, включающего в себя измененный вес для, по меньшей мере, одного из набора типовых признаков или, по меньшей мере, одного нового признака в дополнение к набору типовых признаков; и
блок (340) изменения, выполненный с возможностью изменения вычисления отдаленности от подобия с новым набором признаков и весов путем представления нового истинного значения подобия для извлечения случаев, подобных с точки зрения пользователя, при этом
блок (330) приема выполнен с возможностью приема вводных оценок, заданных пользователем множеству случаев для кластеризации по подобию, и
блок (340) изменения выполнен с возможностью генерирования нового набора признаков и весов на основе кластеризации по подобию для изменения вычисления отдаленности от подобия путем запуска генетического алгоритма обучения.

9. Устройство по п.8, в котором блок (330) приема дополнительно выполнен с возможностью приема ввода признаков, которые пользователь использовал для кластеризации по подобию.

10. Устройство по п.8 или 9, дополнительно содержащее блок (345) управления, выполненный с возможностью управления итеративным этапом, на котором выполняют вычисление отдаленности от подобия, используя обновленный набор признаков и весов для извлечения случаев, подобных с точки зрения пользователя.

11. Устройство по п.10, дополнительно содержащее блок (350) оценки, выполненный с возможностью генерирования нового набора признаков и весов в качестве нового базиса для вычисления отдаленности от подобия на основе множества персональных настроек признаков и весов, собранных от группы пользователей.