从确定性模型中导出概率模型的方法和装置

相关申请的交叉参考

本申请涉及同时提交的标题为“DYNMAMIC BYASIAN NETWORK FOR EMULATING CARDIOVASCULAR FUNCTION”的美国专利申请(代 理案卷号US006844)。在此以引用的方式将所述申请的公开具体合并入本 发明。

动态系统的建模可以用于预测结果或效果。一种类型的建模已知为确 定性建模。在确定性建模中，确定针对动态系统的变量。模型的普遍用途 为预测实际系统的未来行为。可以对参数进行调谐以建立表示具体系统的 通用模型。一旦设定模型的参数，确定性模型将生成感兴趣变量的准确值， 而概率模型将生成这些具有某些值的变量的概率。

另一种类型的模型为概率模型。然而根据定义，概率解不如确定性解 精确。概率模型的一个重要优势在于其处理丢失的和不确定的输入变量的 固有能力。概率模型的概率内在地反映其变量的不确定性，因此输入变量 的不准确性并不会在很大程度上影响输出变量的概率分布。同样，当输入 变量丢失时，其概率分布仍然是已知的，并可以利用所述概率分布计算输 出变量的概率分布。

现在所需要的是一种克服至少上述缺点的建模的方法和装置。

在典型实施例中，用于从确定性模型导出概率模型的系统包括：有效 的确定性模型(VDM)；以及用于接收来自VDM的数据并生成概率模型的 机器学习算法(MLA)。

在另一典型实施例中，一种用于对人体内的变量进行仿真的系统，包 括：用于提供患者数据的有效的确定性模型(VDM)；以及用于接收来自 VDM的患者数据并生成概率模型的机器学习算法(MLA)。为概率模型提 供输入变量以提供仿真变量。

图1为根据典型实施例从确定性模型中导出概率模型的系统的概念表 示；

图2为表示根据典型实施例建立动态贝叶斯网络(DBN)的流程图；

图3为表示根据典型实施例的DBN配置的流程图；

图4为根据典型实施例利用DBN对患者数据进行仿真的系统的概念表 示。

在下面的详细描述中，用于描述而不是限制，提出公开具体细节的示 例性实施例，以提供对本教导的深入理解。另外，为了防止混淆对于示例 性实施例的描述，省略了对公知的设备、硬件、软件、固件、方法和系统 的描述。虽然如此，根据示例性实施例，可以利用属于本领域普通技术人 员的范围之内的这样的硬件、软件、固件、设备、方法和系统。此外，无 论用于何处，相同的附图标记表示相同的特征。

下述详细描述提出了一种方法，将所述方法实现为在配置有数据采集 卡等的计算机可读介质、相关处理器、微处理器、通用个人计算机、制造 装备中的数据位运算的例程和符号表示。通常，认为此处的方法为引起期 望结果的一系列步骤或动作，并且同样地，其包括本领域中诸如“例程”、 “程序”、“对象”、“函数”、“子程序”和“步骤”的这样的术语。

在人体心血管系统的测试的实现中对示例性实施例的装置和方法进行 描述。应该强调的是这一描述仅为示例性的；并且强调该装置和方法可以 在其他建模环境中实现。例如，本领域的普通技术人员在阅读了本教导之 后，可以利用该教导测试其他生理系统。此外，为了治疗动物，还可以将 该装置和方法用于兽医试验中。

图1为根据典型实施例从确定性模型中导出概率模型的系统100的概 念表示。系统100包括有效的确定性模型(VDM)101，其表示(一个或多 个)实际系统102。如所示出的，VDM 101储存参数103。VDM 101的输 出为数据集104，将所述数据集104提供给机器学习算法105。算法105利 用数据104和领域专业知识106经由机器学习算法(MLA)生成概率模型 107。概率模型107接收输入变量108，并生成输出变量。由此，利用确定 性模型101导出概率模型107。

在典型实施例中，利用系统100对人体内的某些生理变量进行仿真。 例如，由系统100对心血管系统(CV)进行建模以对诸如心输出量的通常 介入变量进行仿真。再次强调这仅仅是系统100示例性的应用。

VDM 101为示例性的DBN。可以从常微分方程(ODE)组中导出这样 的网络，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，将所述公开以具体引用的方式合并入本发明。此外， 可以用MatLab或其他商用软件来表示该模型的ODEs。

实际系统102为生理系统。从能够影响受检功能的若干变量中选择变 量。例如，在对心血管系统进行建模的示例性实施例中，输出为心脏的射 血分数(EF)，将最直接影响EF的变量提供给VDM。

如所提到的，参数103进一步定义了变量。参数通常为影响变量的控 制值。变量由模型方程或规则进行求解，并且表示可以随时间变化的系统 状态。作为示例，在心血管系统中，血管顺应性为参数；而主动脉血压和 流量为变量。

这些参数103可以为例如VDM的微分方程的系数。通常，参数103 涉及所使用的确定性模型中的不同变量的相互关系(例如，权重)。在某些 实施例中，这些参数可以例如基于来自一类患者的临床数据，或者基于特 定变量(由于该特定变量与医学状况相关)的严重性。

VDM 101提供数据用于MLA 105中。这些数据为从模型获取的确定性 数据，用于预期变量的概率计算。正如此处可以理解的和更充分描述的， 为了更一般或更全面地确定变量或变量集的概率，所提供的数据的量越大， 结果越准确。此外，与能够直接从概率模型获取相比，数据104提供更高 的可靠程度。

领域专业知识106包括诸如由所模拟的实际系统领域的例如医生的专 家所提供的知识。特别地，可以利用这些专业知识定义诸如在交叉参考申 请中所描述的模型的节点及其相互关系。还可以利用这些专业知识建立概 率模型的参数的数值。但是如从文献中可以知道的，这样既花费时间又容 易引起误差。因此，本发明提出借助于MLA从由VDM提供的数据中得到 这些数值参数。

MLA 108由数据生成概率模型107。例如，MLA 108可以为如在Hulst 的参考论文中所描述的，也可以为美国宾夕法尼亚州匹兹堡大学的GeNIe 工具的学习算法。

图2为表示根据典型实施例建立动态贝叶斯网络(DBN)的流程图。 典型实施例的某些细节如连同图1一起描述的，因此不再重复。在步骤201 中提供从例如医生那里得到的生理知识。利用该知识提供DBN结构。还可 以利用该知识提供DBN参数(A)。然而有益地，这些参数可以经由机器学 习算法108导出，而不是从由VDM 101提供的患者数据中导出。注意到可 以将后者(B)与前者(A)结合，这对本领域技术人员来说是已知的。此 外，可以为全体患者一次性建立参数A，或者为多个分类的患者多次建立 参数A。后者允许将DBN用于不同类型的患者，例如，具有各种心血管病 变的患者。最终，将DBN提供为(例如)表示变量的文件，并由参数定义 它们的概率关系以及这些关系的强度。

图3为表示根据典型实施例的DBN配置的流程图。由于图1和2的系 统和方法的某些细节与当前所述的配置相同，为了防止混淆当前描述，省 略了这些细节。

如301所示，在当前的示例性实施例中，将从ICU中的患者测得的数 据提供给概率模型。此外，可以提供表示当前患者类型(或分类)的参数， 例如，表示该患者以前是否患过心肌梗塞的参数。概率模型109接收这些 数据，选择针对DBN模型的适当参数分类，并且经由该模型根据患者分类 对患者进行仿真。例如，可以对射血分数或心输出量进行仿真。之后经由 图表或其它形式将所仿真的数据提供给医护人员。

图4为实现上述概念从而为医生或其他医护人员提供患者仿真的系统。 由于图1和2的系统和方法的某些细节与当前所述的配置相同，为了防止 混淆当前描述，省略了这些细节。

在输入侧，经由图形用户界面(GUI)或其他适合的界面机制，提供针 对特定患者的参数。这些数据可以包括诸如心率和血压的患者具体数据， 以及患者分类数据和其他类似数据。利用这些数据和例如在文件中表示的 DBN文件，DBN推理机(inference engine)计算期望数据。

可以对由DBN推理机提供的输出概率进行后处理以适于提供给用户。 这可以经由提供图表、表格等的标准软件实现。最后，另一个GUI以医护 人员预备使用的形式提供输出。

虽然在此公开了典型实施例，还可能存在许多位于本发明的构思和范 围内的变形。本领域普通技术人员在阅读说明书、附图和权利要求以后， 这些变形将变得明显。因此本发明仅局限于权利要求的精神和范围。