從確定性模型中導出概率模型的方法和裝置的製作方法

2023-09-18 15:49:30

專利名稱：從確定性模型中導出概率模型的方法和裝置的製作方法
從確定性模型中導出概率模型的方法和裝置 相關申請的交叉參考
本申請涉及同時提交的標題為"DYNMAMIC BYASIAN NETWORK FOR EMULATING CARDIOVASCULAR FUNCTION"的美國專利申請(代 理案巻號US006844)。在此以引用的方式將所述申請的公開具體合併入本 發明。
動態系統的建模可以用於預測結果或效果。 一種類型的建模已知為確 定性建模。在確定性建模中，確定針對動態系統的變量。模型的普遍用途 為預測實際系統的未來行為。可以對參數進行調諧以建立表示具體系統的 通用模型。 一旦設定模型的參數，確定性模型將生成感興趣變量的準確值， 而概率模型將生成這些具有某些值的變量的概率。
另一種類型的模型為概率模型。然而根據定義，概率解不如確定性解 精確。概率模型的一個重要優勢在於其處理丟失的和不確定的輸入變量的 固有能力。概率模型的概率內在地反映其變量的不確定性，因此輸入變量 的不準確性並不會在很大程度上影響輸出變量的概率分布。同樣，當輸入 變量丟失時，其概率分布仍然是己知的，並可以利用所述概率分布計算輸 p變量的概率分布。
" 現在所需要的是一種克服至少上述缺點的建模的方法和裝置。
在典型實施例中，用於從確定性模型導出概率模型的系統包括有效
的確定性模型(VDM);以及用於接收來自VDM的數據並生成概率模型的
機器學習算法(MLA)。
在另一典型實施例中， 一種用於對人體內的變量進行仿真的系統，包
括用於提供患者數據的有效的確定性模型(VDM);以及用於接收來自
VDM的患者數據並生成概率模型的機器學習算法(MLA)。為概率模型提
供輸入變量以提供仿真變量。示；
圖2為表示根據典型實施例建立動態貝葉斯網絡(DBN)的流程圖3為表示根據典型實施例的DBN配置的流程圖4為根據典型實施例利用DBN對患者數據進行仿真的系統的概念表
在下面的詳細描述中，用於描述而不是限制，提出公開具體細節的示 例性實施例，以提供對本教導的深入理解。另外，為了防止混淆對於示例 性實施例的描述，省略了對公知的設備、硬體、軟體、固件、方法和系統 的描述。雖然如此，根據示例性實施例，可以利用屬於本領域普通技術人 員的範圍之內的這樣的硬體、軟體、固件、設備、方法和系統。此外，無 論用於何處，相同的附圖標記表示相同的特徵。
下述詳細描述提出了一種方法，將所述方法實現為在配置有數據採集 卡等的計算機可讀介質、相關處理器、微處理器、通用個人計算機、製造 裝備中的數據位運算的例程和符號表示。通常，認為此處的方法為引起期 望結果的一系列步驟或動作，並且同樣地，其包括本領域中諸如"例程"、 "程序"、"對象"、"函數"、"子程序"和"步驟"的這樣的術語。
在人體心血管系統的測試的實現中對示例性實施例的裝置和方法進行 描述。應該強調的是這一描述僅為示例性的；並且強調該裝置和方法可以 在其他建模環境中實現。例如，本領域的普通技術人員在閱讀了本教導之 後，可以利用該教導測試其他生理系統。此外，為了治療動物，還可以將 該裝置和方法用於獸醫試驗中。


圖1為根據典型實施例從確定性模型中導出概率模型的系統100的概 念表示。系統100包括有效的確定性模型(VDM) 101，其表示(一個或多 個)實際系統102。如所示出的，VDM 101儲存參數103。 VDM 101的輸 出為數據集104，將所述數據集104提供給機器學習算法105。算法105利 用數據104和領域專業知識106經由機器學習算法(MLA)生成概率模型 107。概率模型107接收輸入變量108，並生成輸出變量。由此，利用確定 性模型101導出概率模型107。
4在典型實施例中，利用系統100對人體內的某些生理變量進行仿真。 例如，由系統100對心血管系統(cv)進行建模以對諸如心輸出量的通常
介入變量進行仿真。再次強調這僅僅是系統ioo示例性的應用。
VDM101為示例性的DBN。可以從常微分方程(ODE)組中導出這樣 的網絡，也可以例如在J.Hulst的"Modeling Physiological Processes using Dynamic Bayesian Networks " ( Thesis in Partial Fulfillment for the Requirements of Master of Science Degree at the University of Pittsburgh (2006))中所描述的，將所述公開以具體引用的方式合併入本發明。此外， 可以用MatLab或其他商用軟體來表示該模型的ODEs。
實際系統102為生理系統。從能夠影響受檢功能的若干變量中選擇變 量。例如，在對心血管系統進行建模的示例性實施例中，輸出為心臟的射 血分數(EF)，將最直接影響EF的變量提供給VDM。
如所提到的，參數103進一步定義了變量。參數通常為影響變量的控 制值。變量由模型方程或規則進行求解，並且表示可以隨時間變化的系統 狀態。作為示例，在心血管系統中，血管順應性為參數；而主動脈血壓和 流量為變量。
這些參數103可以為例如VDM的微分方程的係數。通常，參數103 涉及所使用的確定性模型中的不同變量的相互關係(例如，權重)。在某些 實施例中，這些參數可以例如基於來自一類患者的臨床數據，或者基於特 定變量(由於該特定變量與醫學狀況相關)的嚴重性。
VDM 101提供數據用於MLA 105中。這些數據為從模型獲取的確定性 數據，用於預期變量的概率計算。正如此處可以理解的和更充分描述的， 為了更一般或更全面地確定變量或變量集的概率，所提供的數據的量越大， 結果越準確。此外，與能夠直接從概率模型獲取相比，數據104提供更高 ^J可靠程度。
領域專業知識106包括諸如由所模擬的實際系統領域的例如醫生的專 家所提供的知識。特別地，可以利用這些專業知識定義諸如在交叉參考申 請中所描述的模型的節點及其相互關係。還可以利用這些專業知識建立概 率模型的參數的數值。但是如從文獻中可以知道的，這樣既花費時間又容 易引起誤差。因此，本發明提出藉助於MLA從由VDM提供的數據中得到這些數值參數。
MIA108由數據生成概率模型107。例如，MLA108可以為如在Hulst 的參考論文中所描述的，也可以為美國賓夕法尼亞州匹茲堡大學的GeNIe 工具的學習算法。
圖2為表示根據典型實施例建立動態貝葉斯網絡(DBN)的流程圖。 典型實施例的某些細節如連同圖1 一起描述的，因此不再重複。在步驟201 中提供從例如醫生那裡得到的生理知識。利用該知識提供DBN結構。還可 以利用該知識提供DBN參數(A)。然而有益地，這些參數可以經由機器學 習算法108導出，而不是從由VDM 101提供的患者數據中導出。注意到可 以將後者(B)與前者(A)結合，這對本領域技術人員來說是已知的。此 外，可以為全體患者一次性建立參數A，或者為多個分類的患者多次建立 參數A。後者允許將DBN用於不同類型的患者，例如，具有各種心血管病 變的患者。最終，將DBN提供為(例如)表示變量的文件，並由參數定義 它們的概率關係以及這些關係的強度。
圖3為表示根據典型實施例的DBN配置的流程圖。由於圖1和2的系 統和方法的某些細節與當前所述的配置相同，為了防止混淆當前描述，省 略了這些細節。
.如301所示，在當前的示例性實施例中，將從ICU中的患者測得的數 據提供給概率模型。此外，可以提供表示當前患者類型(或分類)的參數， 例如，表示該患者以前是否患過心肌梗塞的參數。概率模型109接收這些 數據，選擇針對DBN模型的適當參數分類，並且經由該模型根據患者分類 對患者進行仿真。例如，可以對射血分數或心輸出量進行仿真。之後經由 圖表或其它形式將所仿真的數據提供給醫護人員。
圖4為實現上述概念從而為醫生或其他醫護人員提供患者仿真的系統。 由於圖1和2的系統和方法的某些細節與當前所述的配置相同，為了防止 混淆當前描述，省略了這些細節。
在輸入側，經由圖形用戶界面(GUI)或其^1適合的界面機制，提供針 對特定患者的參數。這些數據可以包括諸如心率和血壓的患者具體數據， 以及患者分類數據和其他類似數據。利用這些數據和例如在文件中表示的 DBN文件，DBN推理機(inference engine)計算期望數據。可以對由DBN推理機提供的輸出概率進行後處理以適於提供給用戶。 這可以經由提供圖表、表格等的標準軟體實現。最後，另一個GUI以醫護 人員預備使用的形式提供輸出。
雖然在此公開了典型實施例，還可能存在許多位於本發明的構思和範 圍內的變形。本領域普通技術人員在閱讀說明書、附圖和權利要求以後， 這些變形將變得明顯。因此本發明僅局限於權利要求的精神和範圍。
權利要求
1、一種用於從確定性模型導出概率模型的系統，包括有效的確定性模型(VDM)；以及機器學習算法(MLA)，其用於接收來自所述VDM的數據，並生成所述概率模型。
2、 如權利要求l所述的系統，其中，所述VDM包括參數和變量，並 且所述MLA還接收其他參數。
3、 如權利要求l所述的系統，其中，所述概率模型接收輸入變量，並 且在配置過程中提供輸出變量。
4、 一種用於對人體內的變量進行仿真的系統，包括-有效的確定性模型(VDM)，其用於提供患者數據； 機器學習算法(MLA)，其用於接收來自所述VDM的患者數據，並生成所述概率模型，其中，將輸入變量提供給所述概率模型以提供所述仿真 變量。
5、 如權利要求4所述的系統，其中，所述VDM包括參數和變量，並 且所述MLA還接收其他參數。
6、 如權利要求4所述的系統，其中，提供給所述概率模型的所述輸入 變量為所測的患者數據。
7、 如權利要求4所述的系統，其中，所述MLA接收基於患者信息的 參數。
8、 如權利要求7所述的系統，其中，所述患者信息包括患者分類專用 數據。
全文摘要
一種動態貝葉斯網絡，提供用於提供患者數據的仿真的模型。
文檔編號G06N7/00GK101512567SQ200780031940
公開日2009年8月19日 申請日期2007年8月28日 優先權日2006年8月28日
發明者K·范佐恩, N·W·什巴特 申請人:皇家飛利浦電子股份有限公司