用于连续存储以及联合分析图像和非图像医学数据的诊断技术

以下涉及医学领域、医学诊断领域、肿瘤学领域和相关领域。

在诸如癌症、心脏病等的医学状况的治疗中，通常安排大量不同的成 像和非成像诊断以提供互补的患者信息，从而做出复杂和困难的医学决策。 作为说明性的范例，前列腺癌症治疗是复杂的并涉及临床效果、平均寿命 和与治疗相关的副作用的最小化之间的一种微妙的平衡。在一些患者中， 指示了辐射疗法治疗。前列腺癌症的辐射治疗在若干部分中给出，通常在 几周的时间内每日进行，诸如为期8周的总剂量为76Gy的38个部分。辐 射疗法的治疗选择包括体外照射治疗（ERT），即，尝试在不伤害周围的组 织的同时将辐射传送到患病区域的适形辐射疗法。适形辐射疗法包括3D适 形辐射疗法和强度调制辐射治疗（IMRT）。能够提供的最大辐射剂量受辐 射场内的正常组织的耐受性限制。辐射反应随个体显著变化并且最敏感的 受检者的耐受性限制了能够提供给作为整体的群体的剂量，其可能限制了 肿瘤治愈的可能性。电离辐射在细胞和组织层面诱发了配合的级联反应。 该反应涉及若干细胞因子级联的差异调节，其一起影响造成的正常组织损 害。辐射诱发的正常组织的损害涉及各种不同的细胞类型并且长期组织组 成可能因辐射而改变。例如，在辐照后，炎性细胞的数量和纤维化组织的 量会增加。

在对前列腺癌症辐射治疗开始之前，通常利用各种技术对患者成像。 可以在经直肠超声（TRUS）的引导下来采用穿刺活检。但是，TRUS图像 分辨率在检测早期前列腺癌症上是不够高的。用于更晚期的前列腺癌症的 分期，可以利用如X射线计算机断层摄影（CT）和磁共振（MR）成像的 解剖学成像模态，例如，来检测囊外肿瘤扩散、精囊介入和淋巴结尺寸异 常。还可以采用功能成像模态，例如利用胆碱示踪的正电子发射断层摄影 （PET）、单光子发射计算机断层摄影（SPECT）、以及特殊MR方案（MR 谱测量，用于淋巴结分期的）。为了规划和模拟辐射疗法，记录 规划的CT扫描，在轴向切片上作出肿瘤和敏感器官的轮廓，并且计算肿 瘤体积的几何中心。随着施予的辐射剂量增强了对前列腺肿瘤的局部控制。 但是，通过增加辐射剂量，由膀胱、尿道、直肠的损伤引起的并发症的风 险同样会增加。并发症的发生还与辐照体积的尺寸相关。有这种并发症的 若干预测物，所谓的辐射毒性或辐射疗法副作用。例如，在前列腺癌症的 3D适形辐射治疗中，平均直肠剂量与急性直肠和肠毒性相关，而认为荷尔 蒙治疗和抗凝剂的使用是保护性的。更确切地，较大的平均直肠剂量与较 大的出血风险相关，较大的辐照体积与大便频繁、里急后重、失禁、和出 血相关。荷尔蒙疗法对便频和里急后重有保护性，痔疮与较高的里急后重 和出血风险相关，并且尿频与腹泻相关。可以利用来自3D辐射疗法治疗规 划系统的剂量-体积直方图（DVH）来详细分析直肠壁的剂量。用这种方式， 接收最高剂量的直肠壁的体积（例如，接收>70Gy的壁体积）、辐照直肠 区域、靶和直肠尺寸在一些情况下可能比平均直肠剂量更能预示后期直肠 毒性。也示出了靶体积和高度、直肠表面积和平均截面积与辐射毒性相关。 膀胱体积和膀胱体积中接收10-90%处方剂量的百分比与泌尿功能和患者 问卷烦扰评分相关。此外，满膀胱改善了前列腺的位置一致性并降低了膀 胱和直肠剂量。

上文的前列腺癌症的范例仅为在各种成像和非成像医学数据之间的复 杂相互关系的种类的说明，可以协同地利用所述数据来识别和明确治疗选 择。对前列腺癌症的辐射治疗的监测能够将由成像方法提供的信息和来自 非成像方法的信息有用地组合，所述非成像方法的信息诸如体外诊断 （IVD）提供的分子信息、和/或来自质谱分析的质谱蛋白质类型，能够用 于多种疾病状态的早期诊断和用于诸如对来自患者血清的辐射暴露的检测 的其他目的。

上文的前列腺癌症范例仅为相互关联的成像和非成像诊断的一个范 例。作为另一个范例，考虑动脉中的高风险斑块，其为诸如中风和急性心 肌梗塞的疾病的主要根源。这些疾病经常在没有先前的症状的情况下发生， 因为根源是斑块破裂，其与血流动力学是不相关的。因此，在临床研究中 投入了巨大的努力以通过诸如分子标记和成像的诊断来表征斑块的易损 性。已知若干风险因素：生活方式（吸烟或其他高风险行为）、胆固醇水平 和进一步的分子标记。此外，评价从图像数据导出的斑块特征，具体而言， 结构要素（例如，内-中膜厚度）和代谢参数（例如，FDG摄取）。这种成 像和非成像诊断的组合是有用的，但是，没有单个诊断模态足以评估斑块 破裂的风险。

更通常地，单独诊断测试或单个诊断参数的灵敏度和特异性是有限的。 当临床医师单独地评价诊断图像或诸如生物标记参数的非成像诊断患者数 据时，可能不会立即检测到或者可能根本不会检测到某些疾病状况，诸如 副作用的开始。相反，单独测试可能对实际上不存在的疾病状况显示阳性。

总之，将各种图像和非图像医学数据组合可能比分析单个诊断测试更 具证明性。这就是为什么患者通常在诊断阶段经历多种不同的测试以评估 治疗阶段的进展。诊断方法将成像研究和诸如IVD测试、组织病理学数据 等其他诊断测试进行组合。

但是，现存的方法未促进图像和非图像医学数据的协同分析。这种协 同分析可以具有高维度并且使得必须识别相关参数以及在所得参数空间中 确定最佳地辨别疾病状况的子体积（subvolume）。问题是，成像和非成像 数据在不同时间点、不同部门、甚至不同的医学设施处采集和收集。采集 以及，在一些情况下，分析不同部门、不同实验室、或者甚至在不同医学 设施处的不同的数据使得所述分析不能从其他互补的医学数据中受益。此 外，数据采集基于各种图像和非图像医学实验室和设施的可利用性来安排， 这使得数据采集顺序针对不同的患者有明显的变化。因此，来自互补图像 或非图像诊断模态的完整的医学数据集在分析的时刻可能不能获得。在一 些情况下，这可能导致在没有重要数据项时进行医学分析或诊断。

以下提供了克服上述和其他问题的新的改进的装置和方法。

根据一个公开的方面，一种装置包括：数据库，其存储医学数据，所 述医学数据包括针对多个患者的图像医学数据医学数据；数字处理器，其 被配置成用于生成特征矢量，所述特征矢量包括从在数据库中存储的患者 医学数据中导出的指示患者的特征。

根据另一个公开的方面，一种诊断方法包括：维护存储医学数据的数 据库，所述医学数据包括针对多个患者的图像医学数据和非图像医学数据； 生成对应于数据库的患者的特征矢量，对应于患者的特征矢量包括从在数 据库中存储的针对对应患者的医学数据中导出的指示对应患者的特征，所 述数据库包括图像医学数据和非图像医学数据两者；其中至少生成操作由 数字处理器执行。

根据另一个公开的方面，数字处理器被配置成用于执行如上一段中所 述的诊断方法。根据另一个公开的方面，存储介质存储能够在数字处理器 上执行以执行如在上一段中所述的诊断方法的指令。

一个优点在于便于联合数据分析以从图像和非图像的医学数据的协同 组合来获得信息。

另一个优点在于确保在生成医学诊断时相关的数据是可获得的。

在本领域普通技术人员阅读和理解下文的详细说明时，进一步的优点 对他们来说将是显而易见的。

图1图解地图示了一种包括各种医学诊断模态和用于协同地分析由这 些各种医学诊断模态采集的图像和非图像数据的装置的医学诊断装置；

图2图解地图示了一种由图1的装置执行以生成组合患者的图像和非 图像数据的特征矢量的方法；

图3列表显示了一些特征填补，其适用于填补特征矢量中对于其数据 库数据是不能获得的或不完整的特征；

图4图解地图示了由图1的装置执行的方法，所述方法用于执行由感 兴趣患者的特征矢量表示的医学数据的多变量分析（MVA）。

参考图1，多个代表性医学诊断装置、实验室、或其他设施被作为说明 性的范例示出。图1包括：伽马相机10，其在所图示的实施例中为Skylight^TM伽马相机（可由荷兰埃因霍温，皇家飞利浦电子有限公司提供）；混合 PET/CT成像系统12，其在所图示的实施例中为GEMINI^TMPET/CT成像系 统（可由荷兰埃因霍温，皇家飞利浦电子有限公司提供）；以及磁共振（MR） 成像系统14，其在所图示的实施例中为Achieva^TM MR系统（可由荷兰埃 因霍温，皇家飞利浦电子有限公司提供）。伽马相机10被配置成用于采集 单光子发射计算机断层摄影（SPECT）图像。混合PET/CT成像系统12被 配置成用于采集PET图像和CT图像。MR系统14被配置成用于采集MR 图像。成像系统10、12、14是说明性的范例，并且一般可以利用各种类型 的成像系统来实践文中所公开的诊断技术，所述成像系统诸如各种SPECT 成像系统、各种PET成像系统、各种CT成像系统、各种MR成像系统、 各种超声成像系统、各种荧光透视成像系统、各种光学成像系统等、以及 这样的成像系统的各种混合。

在所图示的实施例中，任选的图片存档和通信系统（PACS）16提供了 一种中央数据库，其用于将通过各种成像模态采集的图像医学数据存档并 用于访问所存档的图像医学数据。如在文中所使用地，术语“图像医学数 据”包括：所采集的图像（包括CINE序列）；诸如通过PET或CT成像器 采集的列表模式图像数据或者通过MR成像器采集的k空间样本的源数据； 诸如所采集的心电图（ECG）数据以提供图像的心脏门控的相关联数据； 以及从图像导出的作为成像会话一部分的医学图像数据，诸如器官的尺度、 剂量-体积直方图（DVH）、诸如心博量或标准化摄取值（SUV）的由图像 导出的功能参数，等等。从图像导出的医学图像数据可以在成像设施处生 成并在PACS 16中存储，或者而后基于存储在PACS 16中的图像生成。

继续参考图1，还表示了多个非图像医学诊断装置、实验室、或其他设 施，即：质谱仪20，其被配置成用于采集蛋白质组数据或其他质谱分析数 据或从质谱中导出的数据；以及体外诊断设施22，其被配置成用于采集诸 如来自所抽取的血或其他（流体）样本的蛋白质组或基因组分子信息的体 外诊断（IVD）数据，包括组织学数据等。非图像医学设施20、22是说明 性的范例，并且一般可以利用各种类型的非图像诊断设施来实践文中所公 开的诊断技术，诸如各种质谱分析装置或设施、各种IVD装置或设施、各 种组织病理诊断装置或设施等、以及这样的装置和设施的各种混合。非图 像医学数据的其他源包括患者问卷、患者用药数据、所记录的生理参数诸 如心率、血压等。

数据库30被配置成用于存储多个患者的医学数据。所存储的医学数据 包括通过医学成像器10、12、14（或通过不同的、额外的、或其他的医学 成像器）采集的图像医学数据和通过非图像诊断装置或设施20、22（或通 过不同的、额外的、或其他的非图像诊断装置或设施）采集的非图像医学 数据。所存储的数据用元数据合适地标记，所述元数据识别数据类型、数 据源、采集日期、实验室标识、和其他相关的信息。当医学数据被采集时， 数据被存储在数据库30中，因此在任何给定的时间点，关于特定的患者的 所存储的医学数据可能是“不完整的”，其意味着医学人员所定制的某些测 试可能还没有被执行，或某些测试可能还没有被定制。此外，应该认识到 数据库30中的数据的存储可以被宽泛地理解为包括指向数据的指针或其他 链接的存储，所述数据可以物理上位于其他地方。例如，可以将医学图像 存储在PACS 16中并且将指向医学图像的指针或链接存储在数据库30中， 在这种情况下，在本文中认为医学图像“存储”在数据库30中。

数字处理器40被配置成用于执行对在数据库30中存储的医学数据和 非图像医学数据的分析以便生成针对感兴趣患者的建议的诊断。如在文中 所使用地，术语“数字处理器”应被宽泛地理解为包括微处理器、微控制 器或类似物以及包含这种微处理器或微控制器的数字设备诸如计算机、网 络服务器、基于互联网的服务器等。数字处理器40还可以任选地控制数据 库30中的医学数据的存储，或者替代地，另一数字处理器（未示出）可以 控制数据库30中的医学数据的存储。建议的诊断例如可以包括如下的一个 或多个诊断：（1）医学状况；（2）医学状况的阶段；（3）治疗副作用；（4） 治疗反应；等。此外，建议的诊断任选地包括（一个或多个诊断和）指示 一个或多个诊断中每个的可能性的对应的概率。

用户接口42使得用户能够与数字处理器40交互以请求针对感兴趣患 者的诊断，并且使得用户能够查看建议的诊断或来自数据库30的其他信息。 为此目的，所图示的用户接口包括至少一个显示器44和至少一个用户输入 设备46，所述用户输入设备诸如是所图示的键盘、或鼠标或其他定位设备、 或触摸屏等。用户接口42通常还包括用于控制用户接口42的操作的数字 处理器，该数字处理器可以与数字处理器40相同，所述数字处理器40被 配置成用于执行对在数据库30中存储的医学数据和非图像医学数据的分析 以便生成针对感兴趣患者的建议的诊断，或者该处理器为不同的数字处理 器（未示出）。

数据库30持续地执行对多个患者（诸如在医院或其他医学设施处被治 疗的所有患者、或通过医院网络进行治疗的所有患者等）的图像医学数据 和非图像医学数据的联合数据收集。数据库30中的医学数据的持续收集提 供大的、不断增大的数据集，其能够用于以学习模式构建多变量分析 （MVA），可以将所述分析用于感兴趣患者以便生成建议的诊断。在MVA 中，可以分析由从各种诊断程序导出的医学诊断测试结果和参数所定义的 多维空间，以识别相关的辨别参数和各自的多维子体积，所述参数和多维 子体积描述特定的疾病状况。如文中所使用的术语“多变量分析（MVA）” 意图包括任何多参数或多变量的分析，例如包括（但不限于）多项式模型、 各种统计分析、蒙特卡洛模拟等。

为此目的，患者的医学数据与元数据一起存储在数据库30中，所述元 数据提供相关的参考值、校准和归一化值、误差估计、样本收集和分析的 日期等。MVA对从医学数据提取的特征进行操作。可以通过医学图像来提 供相关的特征，诸如感兴趣区域内的器官之间的距离（例如，直肠、膀胱、 或前列腺之间的距离），或诸如肠壁厚度、前列腺直径、前列腺体积等的器 官特异性尺度。还可以通过诸如质谱或IVD测试结果的非图像医学数据来 提供相关的特征。可以以人可感知的格式（例如，在用户接口42的显示器 44上显示）来输出多种特征，或可以由数字处理器40通过MVA联合分析 以达到个体副作用、健康风险、治疗建议、或其他建议的诊断。

在MVA中使用的不同种类的特征，例如，可包括质谱和来自患者体液 的IVD数据的说明性的范例，以及来自感兴趣患者的医学成像数据。可以 从数据库30生成除感兴趣患者以外具有相同的医学状况的大量患者中取平 均得到的数据，所述数据用于与针对感兴趣患者所获得的数据进行比较以 达到诊断或监测疾病进展或治疗效果。来自质谱的特征，例如，可定义为 具有高于一定阈值的强度和指定的质量间隔内的质量的峰值。从这样的质 谱特征，任选地计算真实质量或真实分子结构和它们的对应的总强度并分 配到蛋白质/肽，并且峰值高度用于估计患者样本中的蛋白质/肽的浓度。这 种情况下，实际的蛋白质/肽浓度可以被用作MVA的特征。

数据库30在当针对其存储数据的患者的数量足够大以提供统计上可靠 的MVA时可以用于构建MVA。由于额外的患者被持续地加到数据库30 中，可以重新构建MVA，或者，替代地，基于新的患者数据调整MVA。 因此，由数据库30定义的参考状态随着数据量的增长持续地改进，并提供 高维度空间内的数据，该空间定义“正常”、“患病”、“无异常”、“非病理 性”、疾病的各种阶段或治疗效果、或其他可能的诊断。将被加到数据库30 的每个患者的特征合适地与数据库中可获得的参考数据比较，例如，由构 建的MVA所具体化的，以便生成建议的诊断。建议的诊断可以是疾病状态、 治疗的副作用的分级、特定治疗的改进等。

继续参考图1，处理器40被配置成用于如下地执行MVA。感兴趣患者 （在给定的时间点上如目前存储在医学数据库30中的患者数据所反映的） 的患者数据50用作输入。通过患者特征矢量生成器52将患者数据50转化 到多维空间中，所述生成器生成包括从患者医学数据50中导出的指示感兴 趣患者的特征的特征矢量，所述患者医学数据存储在数据库30中并包括患 者图像医学数据和患者非图像医学数据两者。可以将感兴趣患者的特征矢 量看作是多维空间中的感兴趣患者的表示，MVA在所述多维空间中操作。

由于在感兴趣患者经历了各种诊断成像和非图像诊断测试时，持续更 新数据库30，因此在一些情况下患者数据50可能是不完整的，从而不能从 可获得的患者数据50中确定特征矢量的某些要素。为了提供缺失的数据， 特征填补部件54用默认值填补特征矢量中不能从患者医学数据50中导出 的任何特征。部件52、54的输出是包括指示感兴趣患者的特征的特征矢量 56。

任选地，将针对每个患者生成的特征矢量56堆积到特征矢量数据库60 中。用这种方式，可避免对特征矢量的重新计算。如果感兴趣患者经历了 额外的测试，那么可以从特征矢量数据库60中检索特征矢量56，通过部件 52、54更新由额外测试的结果影响的任何矢量要素，并且将所更新的特征 矢量存储回特征矢量数据库60。

存储在特征矢量数据库60中的特征矢量被合适地用于构建多变量分析 （MVA）以生成建议的诊断。在一些实施例中，MVA由分类器具体化，所 述分类器接收特征矢量和对特征矢量分类-在这样的实施例中，MVA构建 部件被合适地具体化为MVA训练器62，其利用针对已诊断的患者的特征 矢量的训练集来训练分类器，所述已诊断的患者中的一些具有相关的诊断 （阳性范例）并且所述已诊断的患者中的一些不具有相关的诊断（阴性范 例）。然后所得的训练后的分类器使MVA专家64具体化。

如果特征矢量56表示希望进行建议的诊断的感兴趣患者，那么在分支 点66，将特征矢量输入到MVA专家64，其输出针对感兴趣患者的建议的 诊断。建议的诊断可以显示在用户接口显示器44上或以人可感知的输出格 式来呈现。感兴趣患者通常不是用于训练MVA专家64的训练集的成员， 因为感兴趣患者不具有先验已知的诊断并因此不是阳性训练范例或阴性训 练范例。但是，在一些实施例中，由医师或其他医疗人员经由用户接口42 接受或拒绝建议的诊断，并且此后，MVA训练器62使用感兴趣患者的特 征矢量56作为精化MVA专家64的进一步的训练数据，所述特征矢量（现 在）包括确认的诊断。

总之，图1中的系统从图像医学数据和诸如IVD数据或质谱数据的非 图像医学数据中提取了特征，并且创建了具有正常和疾病状态多维体积的 定义的数据集。创建新患者的特征集并将其与数据库的IVD和成像特征相 比较。我们建议将每个患者的IVD特征与正交图像特征组合。在一个实施 例中，结果被共同显示在屏幕上以辅助医生的诊断。在另一个实施例中， 特征被联合分析，产生了作为诊断的反应值或矢量。

参考图2，描述了特征矢量生成部件52的说明性实施例的操作。如果 MVA操作的多维空间具有N维，那么特征矢量包括对应于N维的N个要 素。循环操作器70依次选择用于处理的每个矢量要素。在操作72中，识 别用于计算所选择的矢量要素的患者数据，在操作74中从所识别的患者数 据计算特征并且在操作76中将所述特征存储为矢量要素值。针对每个矢量 要素（或者，等价地，对多维空间的每个维度）重复78该处理以构建特征 矢量56。

继续参考图2并进一步参考图3，描述了特征填补部件54的说明性实 施例的操作。在相关患者数据识别操作72之后，对是否缺失任何相关患者 数据进行检查74。如果没有缺失相关患者数据，那么特征矢量生成部件52 执行操作74、76，如前所述。但是如果缺少任何相关患者数据，那么代替 地应用填补操作82以针对该特征分配默认值，其然后在操作76中被存储 为矢量要素值。基于特征的类型和待执行的特定的MVA，合适地选择默认 矢量要素值。图3列表显示了在特征是诊断测试结果的情况下设想的一些 默认值。在这种情况下缺失的数据是诊断测试数据，没有所述数据，不能 确定测试结果。如果假定不能获得的测试结果为阴性是有利的，则合适地 使用“阴性”默认值填补特征。这可能是合适的，例如，在诊断测试具有 高假阳性率从而阳性结果可能最后通过MVA而“被忽略”的情况。如果假 定不能获得的测试结果为阳性是有利的，则合适地使用“阳性”默认值填 补特征。这可能是合适的，例如，在诊断测试具有高假阴性率从而阴性结 果可能最后通过MVA而“被忽略”的情况。

如果不能获得的测试结果对诊断是重要的那么合适地使用“重要”默 认值填补该特征，从而在没有这个重要的诊断测试的情况下，根本不能呈 现建议的诊断。例如，在MVA被构建成用于估计肿瘤为恶性的可能性的情 况下，可以认为对肿瘤的活组织检查测试是足够重要的以至于如果活组织 检查测试结果是不能获得时，那么就不能呈现“恶性”或“良性”的建议 的诊断。

可以任选地提供“TBD”默认值以将建议的诊断并入特征矢量中。在 一些实施例中，建议的诊断与特征矢量相关联但是没有被并入到特征矢量 中。但是，在所图示的实施例中，建议的诊断被看作是特征矢量的矢量要 素。这个方案的优点是在医师或其他适当医疗人员在没有求助于MVA就作 出诊断的情况下，可以将这个诊断直接并入到特征矢量中。在这样的实施 例中，仅在诊断是不能获得的情况下将MVA应用到特征矢量，其由针对与 建议的诊断对应的矢量要素的填补值“TBD”指示。

参考图4，描述了决策点66的说明性实施例的操作。在第一决策块90， 检查特征矢量56中对应于诊断的矢量要素。如果这个矢量要素已经包含诊 断值，那么假定诊断是已知的并且在操作92中将特征矢量56任选地标记 为训练范例。换句话说，在这种情况下，不需要应用MVA专家64以建议 诊断，而是可以任选地将具有先验已知诊断的特征矢量56用于MVA专家 64的进一步训练。

另一方面，如果在第一决策块90，发现特征矢量56中对应于诊断的矢 量要素包含默认填补“TBD”，那么认为现在没有可获得的诊断。因此，在 第二决策块94，检查特征矢量56的剩余的矢量要素以确定任何这些矢量要 素是否包含“重要”默认填补值。如果任何矢量要素包含“重要”默认填 补值，那么可以在通信操作96中经由用户接口42来提出采集重要特征的 请求。例如，在MVA被构建成用于估计肿瘤为恶性的可能性的之前的示例 中，如果对应于活组织检查测试结果的特征包含默认填补“重要”，那么操 作96建议应该进行活组织检查测试，在没有这个重要活组织检查测试的情 况下，不提供建议的诊断。

继续参考图4，如果决策块90、94都通过了，那么认为希望进行诊断 并且可获得足够的患者数据，然后相应地将特征矢量56输入到MVA专家 64以生成建议的诊断。在图4的实施例中，在输出操作98中，经由用户接 口42将建议的诊断呈现给用户，并且用户可以确认（即，接受）建议的诊 断或校正（或，更一般地，拒绝）建议的诊断。任选地，操作98还将所确 认的诊断载入到对应于诊断的矢量要素中（即，利用所确认的诊断代替默 认填补值“TBD”）并且将特征矢量56标记为训练范例，以任选地用于MVA 专家64的进一步训练中。

可以根据待进行的诊断的类型和其他的考虑来使MVA专家64不同地 具体化。在一些实施例中，诊断是二元决策——例如，识别肿瘤为“恶性” 还是“良性”的诊断是二元决策。对于二元决策，可以将MVA专家64具 体化为二元分类器。在其他的实施例中，诊断具有多个可能值。例如，针 对遭受腹部疼痛的患者的诊断可以包括多种可能的诊断，诸如“阑尾炎”、 “食物中毒”、“腹部胀气”、“疝气”等。用于构建MVA专家64以执行具 有两个以上的可能诊断的诊断的一个方法是采用多类分类器，其中每个可 能诊断对应于多类分类器的一个可能的输出。用于构建MVA专家64以执 行具有两个以上的可能诊断的诊断的另一个方法是采用多个二元分类器， 每个二元分类器对应于特定的可能的诊断并提供该诊断的概率。如果诊断 是相互排斥并包括所有可能的诊断，那么可以将二元分类器输出的概率归 一化以生成与多类分类器的输出等价的输出。

此外，除了分类器，可以将MVA专家64具体化为算法。例如，在另 一个设想的实施例中，访问特征矢量数据库60以确定针对给定诊断的平均 或典型特征。例如，这可以通过在具有给定诊断的所有特征矢量上对每个 矢量分量的值取平均来完成。然后MVA专家64能够计算指示感兴趣患者 的特征矢量56和给定诊断的平均或典型特征矢量之间的距离的距离度量 （例如，利用欧几里得距离度量），以便提供感兴趣患者的特征与具有给定 诊断的“平均”患者的对应的特征有多相近的定量度量。任选地，这个分 析还可以包括感兴趣患者的特征和具有给定诊断的“平均”患者的对应特 征的逐个要素的比较。更一般地，可以在患有共同医学状况的大量的患者 上对具有数据库60的特征矢量的特征形式的数据取平均并且所述数据用于 与针对感兴趣患者获得的数据（同样，具有感兴趣患者的特征矢量形式） 进行比较以达到诊断或监测疾病进展或治疗效果。

由MVA专家64任选执行的另一个有用的分析是通过在特征矢量数据 库60中搜索如通过欧几里得距离度量或其他所选择的距离度量公式所测量 的与多维空间中的特征矢量56最近的特征矢量（或几个特征矢量）来在数 据库30中定位最近的患者（或几个最近的患者）。

应该认识到，尽管在图解的图1中图示了单个MVA专家64，但在实 践中可能有多个MVA专家，每个被训练或被构建成执行针对特定诊断的选 择的多变量分析。各种MVA专家能够利用相同的特征矢量或能够利用不同 的特征矢量。在一些实施例中，所有MVA专家使用相同的特征矢量，但是 执行合适的特征选择处理以选择由每个MVA专家使用的特征的子集。合适 的特征选择处理可以包括过滤以识别鉴别性特征、过滤以去除冗余特征等。 例如，主成分分析（PCA）是用于特征选择的已知的方法。

可以使用各种识别方案在数据库30、60中识别患者。在一个方案中， 每个患者分配有唯一的患者识别号。这有利于患者的匿名，例如当基于与 特征矢量56的距离来识别“最近的患者”时。任选地，数据库30、60还 包括患者名字或其他识别患者的信息。在这个后者的情况下，用户接口42 优选地包括合适的安全流程，诸如注册流程和任选的生物特征识别（例如， 指纹读取器）以确保仅允许经授权的人员访问患者识别信息。

下文中，提出了利用辐射疗法治疗作为说明性医学状况的前列腺癌症 的更详细的说明性范例。这里，图像特征可以包括：诸如直肠、膀胱或前 列腺的重要的器官之间的距离；诸如肠壁厚度、前列腺直径、前列腺体积 的器官特异性尺度；等。可以从质谱分析测量20或IVD测试22来提取相 关的非图像特征。预期与对辐射疗法的肿瘤的反应相关的基于图像的特征 包括：病变体积；通过FDG-PET或其他功能成像所评估的病变代谢和增殖； 细胞完整性，例如通过扩散加权MR所评估的；等。同样预期这些特征中 的很多与重要器官中的健康组织的炎症和辐射毒性相关。肿瘤反应的预测 性图像导出特征包括：尺寸/体积；剂量-体积直方图（DVH）；形态特征如 纹理；表面结构正常或不正常；等。针对前列腺癌症疗法感兴趣的分子特 征包括如通过FMISO-PET所评估的组织缺氧的程度。为了确定这样的特 征，可以应用图像处理算法，诸如体积描绘技术和频率分析。造影剂的动 态成像提供了斜率和在药代动力学建模的情况下的示踪生物分布的速率常 数。

通过连续的临时数据存储，实现了多维空间数据。多维空间的第一和 第二维（或，等价地，特征矢量的第一和第二要素）可以，例如，表示从 规划CT中导出的体积和剂量。第三和第四维可以表示患者血清和尿液样 本中的IVD标记的浓度并且第五到第十维可以表示质谱分析的蛋白质类型 或它的特征中的一个或多个（在某些峰值位置的峰值强度）。利用数学算法 来分析多维空间，产生患者样本中的真实分子量和/或个体治疗风险。

通过MVA专家64联合地分析在诊断医学数据库30中存储的并由数据 库60的特征矢量基于每个患者表示的数据。为此目的，通过部件52、54 从来源于一个患者的数据中自动地提取特征以生成患者的特征矢量56。将 所提取的特征矢量存储在数据库60中。用于前列腺癌症应用的典型的成像 特征可能是定量的或定性的并且包括来自辐射疗法规划CT、计划体积、前 列腺体积、膀胱体积、直肠体积、总剂量、分剂量、SUV等的DVH。质谱 特征是具有超过一定阈值的强度和在指定的质量间隔内的质量的峰值。从 这些质谱特征，可以计算真实质量或真实分子结构和它们对应的总强度并 将其分配到患者样本中的蛋白质/肽和它们的浓度。典型的IVD特征包括生 物相关液体中的分子浓度，例如利用相应的参考值校正后的C反应蛋白 （CRP）浓度、血细胞计数和血红蛋白浓度（Hb）。但是，特征也可以是复 合的，来源于成像以及分子诊断数据。在所有患者中均相似的（成像以及 分子的）特征能被用作内部参考。多个患者中相似的特征的数学组合能被 用于定义用于比较的标准。另一方面，多个患者中相似的特征可以在构建 MVA专家64之前通过合适的特征选择处理而被移除。

针对特征之间的相关性来分析来自感兴趣患者的特征。此外，从不同 来源的特征的一般或联合评价，可以计算患者特异性治疗并发症风险并且 可以做出风险分级。当来自新患者或新时间点的数据被存储在数据库中并 且被随后分析时，自动地识别与已经存储的数据的最佳配合，并且计算副 作用风险、治疗建议、或其他诊断。

还将认识到可以将文中所公开的诊断技术具体化为存储指令的存储介 质，所述指令能够在数字处理器40上执行以执行所公开的诊断技术。这种 存储介质可以包括，例如：硬盘或其他磁性存储介质；光盘或其他光学存 储介质；随机存取存储器（RAM）、只读存储器（ROM）、闪存存储器、或 其他静电存储介质等。

本申请描述了一个或多个优选的实施例。他人在阅读和理解本文的说 明之后，可以做出修改和变型。旨在将本发明解释为包括所有这样的修改 和变型，只要它们在权利要求书或与其等价物的范围内。