根据医学数据针对围手术期心肌梗塞或并发症的基于机器的风险预测

背景技术

本实施例涉及经皮冠状动脉介入（PCI）中的基于机器的辅助。PCI中的导管插入术（catheterization）的一个常见并发症是围手术期心肌梗塞（peri-proceduralmyocardial infarction）（PMI），其取决于评价标准具有5%至30%的患病率。患有PMI的患者比未患有PMI的那些患者具有更高的致死性风险。

可以根据临床症状、ECG异常和血液生物标志物（例如，CK-MB或肌钙蛋白（troponin））来预测PMI。针对心肌坏死的优选生物标志物是心脏肌钙蛋白（I或T），其具有高心肌组织特异性以及高临床灵敏度。这些方法的缺点是：只有在血液生物标志物或ECG中明确指明时，才能够诊断出PMI。现有方法可能不如早期风险评估那样表现良好。

发明内容

提供了用于针对围手术期心肌梗塞的基于机器的风险预测或辅助的系统、方法和具有指令的计算机可读介质。机器学习模型用于预测PMI的风险和/或推荐动作方针（course of action）以避免PCI中的PMI。在预测中，使用信息的类型或模式的各种组合，诸如成像和非成像数据两者。可以在PCI之前、期间和/或之后使用机器学习模型来进行预测，以更快地减少PMI的机会。用于PCI前、PCI期间和/或PCI后的工作流程并入了风险预测和/或基于风险的推荐，以减少患者的PMI。

在第一方面，提供了一种用于针对围手术期心肌梗塞的基于机器的风险预测的方法。医学诊断成像系统对患者进行成像。该成像提供了表示患者的内部心脏区域的第一图像数据。第一图像数据来自数据获取的第一模式。获取患者的第二数据。第二数据针对数据获取的第二模式，第二模式不同于第一模式。处理器通过将响应于第一图像数据的第一数据以及第二数据输入到机器学习模型来确定围手术期心肌梗塞的风险。显示基于该风险的信息。

在一个实施例中，该成像包括计算机断层摄影成像、磁共振成像或血管内成像。第一数据是解剖学、心脏疾病和/或心脏功能测量结果，并且至少部分地基于第一图像数据中的检测。第二数据可以是血液测试测量结果、ECG测量结果、遗传数据、人口统计学数据、临床数据、或经皮冠状动脉介入特性。例如，第二数据是血液测试测量结果。可以使用数据获取的其他模式，诸如获取成像数据、血液测试数据以及针对第三模式的第三数据。例如，第三数据是ECG测量结果、遗传数据、人口统计学数据、临床数据、或经皮冠状动脉介入特性之一。

在另一个实施例中，风险被确定为针对未来时间的预测，诸如PCI之后30天的PMI风险。该风险可以被确定为再入院（readmission）、血运重建（revascularization）、住院时间长度、死亡和/或主要不良心脏事件（MACE）的可能性。

在又一个实施例中，标识针对患者治疗的推荐。该推荐与风险相对应。

可以使用各种机器学习模型来确定风险。例如，机器学习模型是神经网络。

在相对于PCI的任何一个或多个不同时间处执行该确定和/或显示。例如，在针对患者进行经皮冠状动脉介入之前执行该确定和显示。作为另一个示例，在针对患者进行经皮冠状动脉介入期间多次执行对风险的确定，诸如在介入期间获取另一个图像的情况下执行。在来自其中一次的风险高于阈值水平的情况下执行该显示。在另一个示例中，在针对患者进行经皮冠状动脉介入之后多次执行该确定，诸如在每次有附加数据变得可用时执行该确定。在风险高于阈值水平的情况下，显示所建议的动作方针。

在第二方面，一种方法用于针对围手术期心肌梗塞的基于机器的辅助。针对经皮冠状动脉介入来访问患者的第一数据。由人工智能响应于第一数据向人工智能的输入来指示动作方针。该动作方针限制了围手术期心肌梗塞的风险。显示该动作方针。

在一个实施例中，访问第一数据包括：访问患者的心脏区域的医学成像；根据该成像来计算解剖学、心脏疾病和/或心脏功能测量结果作为第一数据的第一部分；以及获取血液测试测量结果、ECG测量结果、以及人口统计学数据作为第一数据的第二部分。

在另一个实施例中，人工智能是机器学习神经网络。

可以在相对于PCI的不同时间处提供各种指示。例如，在经皮冠状动脉介入之前指示在经皮冠状动脉介入中使用的支架（stent）、药物和/或设备的类型。作为另一个示例，在经皮冠状动脉介入期间指示校正。在另一个示例中，在经皮冠状动脉介入之后指示药物改变或外科介入。

在第三方面，提供了一种用于针对围手术期并发症的基于机器的辅助的方法。访问针对经皮冠状动脉介入的患者的第一数据。机器学习模型响应于第一数据的输入来确定围手术期并发症的风险。向参与经皮冠状动脉介入的医学人员通知该风险。

在一个实施例中，在风险高于阈值的情况下，向医学人员通知该风险和所推荐的动作方针。

在另一个实施例中，该确定和通知作为在经皮冠状动脉介入之前、期间或之后的工作流程的一部分而发生。

上面描述的任何一个或多个方面或概念可以单独使用或组合使用。针对一个实施例而描述的方面或概念可以用于其他实施例或方面中。针对方法或系统而描述的方面或概念可以用于其他的系统、方法或非暂时性计算机可读存储介质中。

从将结合附图来阅读的优选实施例的以下详细描述中，这些和其他方面、特征和优点将变得明显。本发明由以下权利要求所限定，并且本部分中的任何内容都不应当被视为对那些权利要求的限制。下面结合优选实施例讨论了本发明的进一步方面和优点，并且可以在稍后独立地或组合地要求保护这些方面和优点。

附图说明

组件和附图不一定按比例绘制，而是重点在于说明实施例的原理。此外，在附图中，相似的附图标记遍及不同的视图表示对应的部分。

图1图示了在相对于PCI的不同时间处对机器学习模型的使用以辅助降低PMI风险；

图2是用于针对围手术期并发症的基于机器的风险预测的方法的一个实施例的流程图；

图3示出了用于风险预测的示例机器学习架构；以及

图4是用于PMI风险预测或PMI避免辅助的系统的一个实施例的框图。

具体实施方式

针对PMI或PCI的另外的并发症提供了自动化风险预测。对PMI的早期风险评估或预防可以减少手术后主要不良心血管事件（MACE）发生率、住院时间长度、和/或关联费用。数据驱动的方法从常规医学检查（例如，冠状动脉血管造影术检查）中自动提取和量化并发症相关特征，并且将这些特征与其他临床生物标志物组合，从而简化了风险评估和并发症预防。PMI将在本文中用作并发症的示例。

PMI风险评分使用依赖于多模态特征的AI模型。基于AI的指南（companion）指示了用于预防或限制PMI的动作方针。用于PCI前、PCI期间和PCI后的有利工作流程整合了基于AI的PMI评估。

在图1中所示的一个实施例中，提供了一种基于人工智能（AI）的综合系统和方法，以用于对PMI进行连续或定期评估。收集一个或多个（诸如，多个（multiple））模式的数据获取和对应数据10，以用于输入到机器学习模型作为PMI评估12的一部分。在各种临床阶段的一个或多个处执行PMI评估12，这些临床阶段是：PCI前、PCI手术（procedure）、PCI后。连续地、周期性地或在获取数据时执行评估12。评估12输出13风险水平，例如将针对给定患者的诊断输出为自发性MI、围手术期MI或无MI之一。自发性MI（急性CAD）与围手术期MI之间的区别可能基于各种考虑因素，诸如任何给定的CK-MB或肌钙蛋白水平。来自自发性MI的绝对风险可能高于来自围手术期MI的绝对风险。输出13可以是在任何给定时间点处（PCI前、PCI后、PCI期间）的PMI风险评分，其指示患者遭受PMI的风险。用于降低PMI风险的一个或多个指示（例如，优选或所建议的动作方针）可以在相对于PCI的任何给定时间点处被输出13。

在大约20%的PMI病例中，可能无法找到PMI的机械原因。血栓或动脉粥样硬化物质的微栓塞可能是该原因，但是在冠状动脉血管造影中可能无法检测到。考虑到多个模式的数据获取，基于AI的系统可以更有可能能够检测到其中可能无法标识PMI的明确机械原因的20%的PMI病例中的至少子集。用于预防的措施可以在无法以其他方式触发这种措施的情况下被提供。基于AI的系统进行的PMI评估和预防可以减少手术后MACE发生率、住院时间长度、关联费用、和/或标识PMI风险的失败。现有方法的缺点是：只有在血液生物标志物或ECG中明确指明时，才能够诊断出PMI。基于AI的系统可以执行早期风险评估，或者在其他情况下指示用于预防的措施。

为了辅助PCI患者中的PMI预防，AI自动检测与PMI相关联的成像和/或非成像特性和特征，针对PMI风险的细粒度评估来提供风险评分，在PCI手术期间（例如，在PMI的高风险的情况下）提供指示，和/或随着数据的积累而及时自我改进。可以诸如在cathlab介入期间提供改进的CAD患者护理和结果。可以自动检测PMI的升高的风险或高风险。由于检测到增加的风险，可以提出对策，并且可以避免PMI。

针对训练，使用历史训练数据14。训练数据14包括输入数据集的许多样本（例如，数百或数千），例如，图像、从图像导出的信息、其他测量结果（例如，实验室、血液和/或遗传测量结果）、患者信息（例如，人口统计学或临床信息）、和/或来自不同获取模式的其他数据。获取模式表示不同类型的信息和/或测量结果，诸如不同类型的成像（血管造影术、计算机断层摄影、磁共振、超声和/或光学模式）。训练数据还包括基本事实，诸如诊断（例如，自发性MI、PMI、无MI）、PMI风险、以及专家针对每个数据集建立的动作方针。对于多任务机器学习模型而言，基本事实可以包括基本事实分割或特征位置。基本事实可以是来自专家的注释、或从患者记录中挖掘的数据。在一个实施例中，肌钙蛋白水平被用作针对PMI的风险或可能性的基本事实。

定义待训练的模型的架构。在一个实施例中，该架构被定义为多任务架构。网络架构包括针对每个任务的输出层，诸如针对图像特征（例如，与PMI相关联的病变和/或其他解剖学特征）的分割或估计的一个输出层、以及针对风险、诊断、和/或所推荐的动作方针的另外一个或多个输出层。图3示出了具有网络架构的示例实施例，该网络架构包括用于针对分割或图像特征估计进行训练的编码器32、瓶颈34和解码器36（例如，一起形成U-Net或图像到图像神经网络的自动编码器）。针对应用，可以不使用解码器36。针对风险、诊断和/或动作方针预测，该网络架构包括卷积神经网络38，卷积神经网络38被连接以接收编码器32或瓶颈34的输出作为输入。卷积神经网络38输出风险的分类。编码器32接收输入数据30，编码器32对该输入数据30进行编码。编码器32在瓶颈34处输出的所得抽象或特征是将基于优化而学习的指纹，该优化将解码器36的输出的基本事实用作一个任务，并且将结果预测网络38的一个或多个输出用于另外一个或多个任务。

可以使用其他网络架构。在其他实施例中，使用生成性、图像到图像或生成性对抗网络（GAN）网络架构，诸如在具有或不具有跳跃连接（skip connection）的情况下的具有下采样和上采样块或层的U-net类型布置。针对GAN中的多任务，GAN包括两个或更多个判别器网络或层布置。针对每个任务来提供判别器网络。在其他方法中，使用用以在强化学习中学习动作决策的策略的网络。可以使用卷积神经网络、递归神经网络或全连接神经网络。在机器学习模型将被连续地应用或在相对于PCI的不同时间点处应用的情况下，使用长期短期记忆或其他时间布置的递归神经网络可以将来自不同时间的信息用于当前输出。

为了对该模型进行机器训练，定义了机器学习架构布置。该定义是通过对学习的编程或配置来进行的。层或单元的数量、学习的类型、层的次序、连接、以及网络的其他特性由程序员或用户来控制。在其他实施例中，该架构的一个或多个方面（例如，节点的数量、层或单元的数量、或连接）由机器在学习期间来定义和选择。

机器使用训练数据来实现所定义架构的训练。可以手动定义输入特征。可以从原始数据输入中学习一些或全部特征，诸如用于深度学习。机器（例如，处理器、计算机、工作站或服务器）对所定义的网络（例如，所定义的多任务生成器）进行机器训练。该网络被训练成生成一个或多个任务（诸如，多个任务）的输出。

为了训练这些网络中的任一个，可以使用各种优化器，诸如Adadelta、SGD、RMSprop或Adam。网络的权重、连接、过滤器核、和/或其他可学习变量是被随机初始化的，但是可以使用另一种初始化。执行端到端训练，但是可以设置一个或多个特征。针对一个任务的网络最初可以被单独地训练，并且然后用于进一步训练该针对一个任务的网络和针对另一个任务的另外的网络。可以针对每个任务提供分离的损失。可以使用联合训练。可以执行任何多任务训练。不使用批标准化（batch normalization）、丢弃（dropout）和/或数据扩充，但是可以使用它们（例如，使用批标准化和丢弃）。在优化期间，不同的区分特征被学习。提供了结果的指示和/或另一个任务的指示的特征被学习。

优化器将误差或损失（诸如，均方误差（MSE）、胡贝尔（Huber）损失、L1损失或L2损失）最小化。可以针对每个任务使用相同或不同的损失。在一个实施例中，机器训练使用来自不同任务的损失的组合。

存储经训练的模型。存储网络参数，诸如连接、卷积核、权重、或用于网络的其他所学习的值。该网络被存储在存储器中以用于应用或测试。一旦被训练，机器学习模型就可以被应用于估计结果（例如，诊断、PMI风险、和/或要采取的动作的指示或推荐）。使用训练数据中的许多样本，以学习在给定针对未来或给定患者的输入数据的未见过的样本的情况下进行输出。

图1示出了基于AI的系统，该系统用于持续学习框架中嵌入的对PMI的连续或更新的评估。尽管最初是基于具有特定于患者的记录的现有大型数据库，但是可以更新该系统，诸如以从新数据中连续地学习或重新训练15。重新训练的机器学习模型16被重新部署以便在其他患者的情况下使用。因为诸如由于对机器学习模型的应用和对来自PCI的并发症的观察而提供了针对不同患者的进一步示例或样本，所以这些进一步示例被用于更新该训练和对应的机器学习模型。

图2是用于针对并发症（诸如，PMI）的基于机器的风险预测的方法的一个实施例的流程图。使用AI来提供针对PMI的辅助，诸如提供诊断、风险和/或动作方针。提供了数据获取的多个（诸如，五个或更多个）模式，以实现更见多识广、或更全面的AI辅助。用于PCI的工作流程被更改成包括该辅助，尤其是当AI可能在与PCI相匹配的时间帧上快速操作时，其中人员不可能提供对大量信息的这种快速分析。

以所示的次序（例如，从上到下或按数字）来执行该方法，但是可以使用其他次序。例如，以任何次序来执行动作21和22。作为另一个示例，在动作23之前执行动作24。

可以提供附加的、不同的或更少的动作。例如，不执行动作21、22、23、24、25、26和/或27。可以提供动作23或24/25中的一个而不提供另一个。诸如在所估计的风险较低的情况下，可以不提供动作26/27。

该方法由医学诊断扫描仪、工作站、服务器或计算机来执行。可以使用AI的远程（诸如基于云的）应用或本地应用。例如，扫描仪和/或存储器用于获取或访问患者的数据。处理器（诸如，扫描仪的图像处理器或分离的计算机）预测风险、诊断和/或动作方针。图像处理器使用显示屏或打印机以用于显示或通知。医师可以使用输出信息来辅助针对患者做出治疗决策。该信息可以为患者带来更好的治疗和/或诊断。

在动作20中，访问患者的数据。处理器访问存储器。使用挖掘、搜索或查找，来访问医学记录数据库、计算机化的患者或健康记录、实验室数据库和/或其他存储器中所存储的数据。可以通过接收传输、诸如响应于查询或推送来提供访问。可以通过信息的手动输入来提供访问。可以通过来自患者的扫描、感测或测量来提供访问。可以从相同或不同的方式、位置或设备来访问不同的数据，例如来自不同获取模式的数据。

该数据针对PCI或相关联的并发症。访问与PCI相关的任何数据，诸如在PCI之前、期间和/或之后收集的数据。访问指示PMI风险的任何数据。

该数据可以是动作21的成像数据和/或动作22的非图像数据。对于动作21，一个或多个医学诊断成像系统对患者进行成像。该成像提供了表示患者的内部心脏区域的图像数据，诸如患者的点、线、面积或体积。

可以使用计算机断层摄影成像、磁共振成像、x射线血管造影术、荧光透视、光学、超声、光学相干断层摄影、和/或血管内成像以及对应的扫描仪。每种类型的扫描提供数据获取的一个或多个模式。可以提供任何数量的模式。

可以访问图像数据本身以用于输入到机器学习模型。可以访问（例如，创建或计算）从图像处理导出的数据以用于输入到机器学习模型。图像数据用于确定解剖学、心脏疾病和/或心脏功能测量结果。至少部分地从图像数据中检测到这些测量结果。可以自动提取这些特征中的任一个（例如，对可用的侵入性或非侵入性获取的图像执行图像处理）。

在一个实施例中，使用在PCI前执行的非侵入性成像。可以确定利用CCTA测量的高冠状动脉钙化评分（CACS）以用于输入。可以根据CCTA来检测餐巾环征（napkin-ring sign）的存在和/或病变长度。可以检测如利用CCTA评估的斑块（plaque）成分，诸如富含脂质的病变。

可以使用在PCI前或PCI后执行的其他非侵入性成像。例如，可以使用心脏磁共振成像（MRI）对PCI之后的PMI进行可视化和量化。心脏MRI用于确定心室梗塞的大小。对比增强（CE）MRI可以用于量化< 1 g的梗塞的心肌。

可以使用在PCI手术期间获取的血管内或非侵入性成像（例如，x光血管造影术）。例如，可以使用血管内超声（IVUS）、或光学相干断层摄影（OCT）、和/或从血管内图像中提取的度量（例如，内腔和/或斑块相关特征）。

在PCI前（从非侵入性图像）和PCI手术期间评估的解剖学特征可以包括血管迂曲度（tortuosity）、病变数量、特定血管（LAD、LM）中的病变、分叉病变和/或Medina分类、分叉角度（例如，宽分叉角度与较高的侧支闭塞风险相关联，并且因此具有较高的PMI风险）、主支与侧支之间的直径比、长病变、总体疾病负担和/或血栓。功能性评估（例如，血流储备分数（fractional flow reserve）、较高的PCI前微血管阻力指数（IMR）、或其他流动或压力测量结果）可以包括侵入性测量结果和/或从非侵入性成像中确定的测量结果。

在动作22中，访问非图像数据。获取患者的来自其他获取模式的数据。该数据是自动和/或手动提取的。非图像数据来自传感器、计算机化的患者医学记录、手动输入、病理学数据库、实验室数据库和/或其他来源。非图像数据表示患者的一个或多个特性，诸如家族史、服用的药物、温度、身体质量指数和/或其他信息。例如，从存储器、变换、数据挖掘和/或手动输入中获取患者的基因组（遗传）、ECG、血液测试（例如，肌钙蛋白水平）、人口统计学、临床、测量、分子、和/或家族史数据。在另一个示例中，获取患者的PCI手术的特性，诸如包括疗法事件序列的PCI过程、所使用的设备、和/或针对每个事件的应用的区域。获取一个或多个这些不同获取模式的数据，诸如获取患者的血液测试、ECG测量结果、遗传数据、人口统计学数据、临床数据或PCI特性中的两个、多个或全部。

示例性特定于PCI手术的特征包括：总手术时间（也可以使用AI模型在PCI前阶段期间来预测）、支架的数量和类型、治疗的血管的数量、支架过度扩张、侧支闭塞、剥离（dissection）、（远端）栓塞、痉挛、无回流或小回流（如通过TIMI流动分级所评估的）、和/或侧支流动中断。示例血液测试测量结果包括：CK-MB和（hS）肌钙蛋白、血糖可变性、高密度脂蛋白胆固醇（HDL-C）和/或HDL-C亚组分（subfraction），诸如HDL2胆固醇（HDL2-C）、或HDL3胆固醇（HDL3-C）。由于PMI会更改ECG波形，因此可以使用诸如针对自发性MI（急性CAD）的ECG测量结果。通过测序来获得遗传信息作为直接或间接的指示符。人口统计学和临床风险特征包括：年龄、性别、高血压和/或肾功能障碍。对蛋白尿的诊断（其中蛋白质白蛋白异常地存在于尿液中的病理状况）可以用作非图像数据。可以访问导管介入的类型（例如，CTO与非CTO治疗）。可以计算通用心血管疾病相关风险评分（例如，Framingham）或特定于PMI的风险评分（例如，针对侧支闭塞的风险评分）。可以从放射学报告中提取数据，诸如通过使用自然语言处理（NLP）。可以使用来自非侵入性压力测试的测量结果。可以使用患者状况，诸如稳定的、ACS（STEMI / NSTEMI、UA）或CTO。可以使用患者的临床和/或药物历史。除正在治疗的疾病外，还可以使用其他共病（comorbidity）。

在动作23中，处理器确定PMI的风险和/或诊断。将患者的所访问的数据（例如，来自不同获取模式的数据，诸如图像和非图像数据）输入到机器学习模型。响应于该输入，机器学习模型输出结果（例如，PMI的风险和/或诊断）。对结果的预测或估计使用AI。机器学习模型（诸如，机器学习神经网络）基于输入进行预测。输入扫描数据和/或非图像数据以用于由AI执行的预测。

可以使用从机器训练中产生的任何机器学习模型。例如，提供了支持向量机、聚类或其他生成器，以用于基于输入来生成对结果的估计。可以使用机器学习分类器。在一个实施例中，神经网络被训练为生成器，诸如经训练的卷积神经网络（CNN）。可以使用强化模型、递归神经网络模型、卷积神经网络、全连接神经网络、U-Net、densenet或其他模型。可以使用任何前向模型，诸如图3的多任务网络。针对基于强化学习的方法，机器学习或AI代理在任何给定时间点处提出动作。示例动作包括：基于如并入所学习的策略中的风险水平，什么都不做或者植入SES支架。针对机器学习的递归神经网络，针对不同的时间（例如，离散的或连续的）来获取数据或特征。递归神经网络基于过程时间中的演化来进行分析和预测。

输出可以是患者的PMI风险、诊断（无PMI、PMI或自发性MI）和/或PMI水平。PMI的范围可以从心脏酶轻微升高到大面积梗塞。因此，AI可以估计可能发生的PMI的类型以及可能性（例如，通过评估处于闭塞风险下的侧支对着的心肌的大小和/或体积以及其他输入数据）。

风险是PMI发生的可能性。可以针对任何时间（诸如，当前时间或未来时间）来预测风险。例如，风险输出可以指代在各种时间点中的一个或多个处的风险，这些时间点是：1天、3天、30天、6个月、12个月、3年、5年和/或10年。

风险是PMI发生的风险。其他PMI风险可能是再入院、血运重建、住院时间长度、主要不良心脏事件（MACE）、死亡、或至少部分地由于PMI引起的其他事件的风险。

在动作24中，处理器标识针对患者治疗的推荐。生成该推荐作为机器学习模型的输出。替代地，由机器学习模型输出的诊断和/或风险在具有或不具有患者的其他信息的情况下被用于生成推荐。使用编码程序来进行推荐，诸如使用在给定PMI的风险水平的情况下的指引（guideline）。

可以由基于AI的系统提供各种类型的指示（例如，推荐）。可以推荐要植入的支架的类型（例如，生物可再吸收支架（BRS）与第一代西罗莫司洗脱支架（SES））。BRS已经与更高的PMI发生率相关联，这主要是由于更高的近腔支柱表面积（abluminal strut surfacearea）。如果PMI的风险低于阈值，则推荐BRS来预防急性反冲或闭塞，从而允许对急性气压伤之后的手术后剥离的密封，并且通过有效的药物洗脱来提供对节段内再狭窄（in-segment restenosis）的抑制。在PMI的高风险的情况下，BRS可能表示次优的解决方案，因此推荐SES。在患有稳定型心绞痛的患者中，与DES（药物洗脱支架）的部署相比，使用PCB（紫杉醇涂层球囊）与PMI风险中的显著降低相关联。在PMI的风险高于阈值的情况下，推荐PCB。对于更高的PMI风险，则可以推荐高剂量他汀类药物预治疗。基于PMI风险水平，可以推荐抗血栓和抗血小板（诸如，氯吡格雷、普拉格雷）药剂（agent）。针对较高的PMI风险，可以推荐使用防止远端栓塞的设备。

在动作25中，处理器指示一个或多个动作方针。AI响应于数据的输入而输出一个或多个动作方针。替代地，PMI的风险和/或诊断被输出，并且用于选择一个或多个动作方针，诸如从查找表中进行选择。选择动作方针以限制患者的PMI风险。

在动作25中指示了动作方针的推荐，诸如通过动作26的显示或动作27的通知。在PCI之前指示PCI中使用的支架、药物和/或设备的类型。在PCI期间指示校正（例如，重新定位支架、更换支架、消融、去除闭塞、剥离、栓塞、固定痉挛、更改回流、或更改心脏流动）或药物。在PCI之后指示药物改变或外科介入。

在动作26中，显示屏或报告（例如，打印页面）显示基于风险的信息。该信息是诊断、风险和/或动作方针。显示器是视觉输出。图像处理器生成图像。图像可以被输出到显示器、输出到患者医学记录中、和/或输出到报告。

风险、诊断和/或动作可以是注释、字母数字文本、图形或图表。例如，将PMI的风险显示为作为时间函数的概率图。作为另一个示例，显示分层（stratification）结果。为医师将输出投影到显示器。

可以输出输入数据，诸如如机器学习模型所估计的最重要的或反映风险的数据。例如，示出了指示较高风险的解剖结构的图像与PMI风险值的注释一起被输出。其他信息可以与所预测的风险一起被显示。可以输出多于一个预测，诸如针对不同疗法和/或时间的结果预测。可以输出采取不同动作方针所产生的风险，诸如输出在表格中。

诊断、风险和/或动作可以与患者的图像一起呈现、或者呈现在患者的图像上（例如，覆盖或注释）。例如，显示穿过心脏区域的切片的图像。将结果与感兴趣的解剖结构（诸如，心脏、血管或瓣膜）的图像一起提供在显示屏上。在提供了3D扫描数据的情况下，将3D扫描数据渲染到2D平面。可以使用任何渲染，诸如投影渲染。该显示可以包括来自一个或多个类似患者的信息。

在动作27中，处理器向参与PCI的医学人员通知该风险。在视觉上和/或听觉上来通知该人员。例如，在显示屏上显示PMI风险的警告作为动作26的一部分，和/或通过扬声器的音频输出来显示。响应于多模态患者数据的输入，来自机器学习模型的所确定的PMI风险、诊断和/或动作方针被输出到医学专业人员，诸如参与PCI或患者治疗的医生或护士。

响应于风险高于阈值水平，提供诸如具有或不具有该风险的所推荐的动作方针之类的信息。可以提供多个阈值，其中PMI风险的每个范围映射到不同的推荐动作方针。在风险可以被缓解的情况下，提供阈值用以向负责PCI或患者护理的那些人通知该缓解。替代地，所推荐的动作方针（其可能是不做出任何改变）是基于风险来提供的，即使针对低PMI风险的情况也是如此。针对任何PMI风险水平来提供该信息以辅助治疗。还是在其他替代方案中，机器学习模型输出所推荐的动作方针，而不设定阈值（thresholding），该动作方针被输出到医学专业人员以向他们通知该推荐。

动作23的确定以及动作27的通知作为在PCI之前、期间和/或之后的PCI工作流程的一部分而发生。例如，机器学习模型的应用以及输出结果的显示是作为PCI前评估（诸如，针对PMI的评估）的一部分而执行的。工作流程包括四个步骤。第一，检查患有疑似冠状动脉疾病（CAD）（例如胸痛）的患者。由医师来评价人口统计学、临床、遗传和/或其他风险特征。第二，执行CCTA成像检查并且运行血液测试。第三，如果患者被诊断患有CAD，则采用上述基于AI的系统来评价PMI的风险。基于AI的系统可以被采用一次，或者随着收集到附加数据被重复地采用。第四，安排患者进行侵入性冠状动脉血管造影术，并且在手术之前向介入性心脏病学小组通知PMI风险、PMI诊断、和/或所推荐的动作方针。在一个实施例中，仅在PMI风险增强（高于阈值、或增强为确诊）时执行该风险通知。

在另一个示例中，在PCI期间多次执行风险确定，诸如在每次执行图像扫描时执行风险确定。每当风险高于阈值时或响应于每个风险确定，向医学专业人员显示该风险、诊断和/或推荐。在PCI期间，执行PMI评估。首先，安排患有急性CAD的患者进行紧急侵入性冠状动脉血管造影术检查。可选地，将患者过去的医学图像（例如，过去的CCTA检查）输入到基于AI的PMI评估系统中。在PCI开始时提供PMI风险、诊断和/或推荐。其次，执行侵入性冠状动脉血管造影术，并且向罪魁祸首病变植入支架。在介入期间，连续地、周期性地、和/或多次自动评估PMI风险。由基于AI的系统响应于新数据来评估PMI风险。较高的风险可能反映支架过度扩张、侧支闭塞、剥离、（远端）栓塞、痉挛、无回流或小回流、或侧支流动中断。如果PMI的风险超过某个阈值（先验的或动态定义的），则在手术期间通知介入性心脏病学小组。由于基于AI的风险确定速度，心脏病学小组有机会介入以降低该风险。PMI风险的一个或多个可能原因可以被缓解。

作为另一个示例，在针对患者进行PCI之后一次或多次（例如，多次地）执行风险确定。每当风险高于阈值时或响应于每个风险确定，向医学专业人员显示该风险、诊断和/或推荐。针对PCI后，执行PMI评估。在针对患有急性或稳定型CAD的患者执行侵入性冠状动脉血管造影术手术之后，使用基于AI的评估系统、针对PMI风险在PCI后连续地监测该患者。在新数据变得可用时或周期性地确定PMI风险，诸如当新的血液测试结果可用时和/或响应于图像扫描来确定PMI风险。在一个实施例中，患者佩戴可佩戴的传感器，诸如压力、心率或ECG传感器。随着获取新的传感器数据来定期地确定PMI风险。在重复的血液测试之后，可能发现CK-MB和（hS）肌钙蛋白升高。可能存在指示PMI风险的其他问题。基于AI的系统确定PMI风险超过阈值，因此向医学专业人员呈现所建议的动作方针，例如修改药物、使患者立即到cathlab、增加监测和/或其他动作。

在其他实施例中，机器学习模型被训练成并且用于评估其他围手术期并发症。可以评估血栓症、中风、大出血或死亡。可以通过不同的机器学习模型来评估多个不同并发症的组合，每个并发症针对一个机器学习模型，和/或通过被训练成输出针对多个并发症的风险、诊断和/或动作方针的一个机器学习模型来评估多个不同并发症的组合。

医师部分地基于机器学习模型输出来治疗患者。医师使用关于患者和输出风险、诊断和/或推荐的信息来选择疗法或不选择疗法。医师使用该输出来辅助进行治疗决策。

图4示出了用于PMI或围手术期并发症风险评估的医学系统。该系统诸如在PCI之前、期间或之后生成风险预测、诊断和/或所推荐的动作方针。

该医学系统包括显示器40、存储器44和图像处理器42。显示器40、图像处理器42和存储器44可以是医学成像器48、计算机、服务器、工作站、或用于对来自患者扫描的医学图像进行图像处理的其他系统的一部分。不具有医学成像器48和/或计算机化医学记录数据库49的工作站或计算机可以用作该医学系统。

可以提供附加的、不同的或更少的组件。例如，计算机网络被包括以用于基于本地捕获的扫描和/或其他数据来进行远程估计。作为另一个示例，针对用于估计风险的数据的用户输入来提供用户输入设备（例如，键盘、按钮、滑块、拨盘、轨迹球、鼠标或其他设备）。

医学成像器48是计算机断层摄影、磁共振、超声、正电子发射断层摄影、光学相干断层摄影、心内成像、或单光子发射计算机断层摄影扫描仪。例如，医学成像器48是计算机断层摄影系统，其具有连接到病床的相对侧上的可移动台架的x射线源和检测器。

通过设置来配置医学成像器48以扫描患者。医学成像器48被设置成针对给定的临床问题执行扫描，诸如心脏扫描。该扫描产生了扫描或图像数据，该扫描或图像数据可以被处理以在显示器40上生成患者内部的图像。该扫描或图像数据可以表示患者的体积中的位置（例如，体素）的三维分布，并且可以用于检测解剖结构和/或导出指示PMI风险的信息。

图像处理器42是控制处理器、通用处理器、数字信号处理器、三维数据处理器、图形处理单元、专用集成电路、现场可编程门阵列、人工智能处理器或加速器、数字电路、模拟电路、它们的组合、或其他现在已知或以后开发的用于处理医学图像数据的设备。图像处理器42是单个设备、多个设备或网络。对于多于一个设备而言，可以使用并行或顺序的处理划分。构成图像处理器42的不同设备可以执行不同的功能。在一个实施例中，图像处理器42是医学诊断成像系统（诸如，医学成像器48）的控制处理器或其他处理器。图像处理器42根据所存储的指令、硬件和/或固件进行操作，以执行本文中描述的各种动作。

在一个实施例中，图像处理器42被配置成训练一个或多个机器学习网络。基于用户提供的或其他来源的网络架构和训练数据（例如，来自数据库49和/或成像器48的数据），图像处理器42学习编码器、解码器或其他网络部分的特征以训练该网络。

替代地或附加地，图像处理器42被配置成应用一个或多个机器学习模型45。例如，图像处理器42将来自成像器48的扫描数据和来自针对患者的数据库49的数据应用于机器学习模型45。该网络估计PMI风险、诊断和/或治疗。

使用机器学习模型45的图像处理器42响应于来自不同获取模式的数据的输入来估计风险。从成像器48、数据库49和/或另一个来源（例如，用户输入或网络接口）来访问输入数据。

图像处理器42被配置成生成图像。生成示出了PMI的风险、诊断和/或推荐的图像。可以将结果与患者内部的图像（诸如，计算机断层摄影图像）一起显示。

显示器40是CRT、LCD、投影仪、等离子体、打印机、平板电脑、智能电话、或其他现在已知或以后开发的用于显示输出（诸如，具有风险和推荐的图像）的显示设备。

训练数据、网络定义、特征、机器学习模型45、图像数据、非图像数据、检测到的解剖结构、风险、诊断、所推荐的动作方针、和/或其他信息被存储在诸如存储器44之类的非暂时性计算机可读存储器中。存储器44是外部存储设备、RAM、ROM、数据库和/或本地存储器（例如，固态驱动器或硬盘驱动器）。相同或不同的非暂时性计算机可读介质可以用于指令和其他数据。存储器44可以使用数据库管理系统（DBMS）来实现，并且驻留在诸如硬盘、RAM或可移除介质之类的存储器上。替代地，存储器44在处理器42的内部（例如，高速缓存）。

用于通过由处理器42执行来实现本文中讨论的训练或应用过程、方法和/或技术的指令被提供在非暂时性计算机可读存储介质或存储器上，诸如高速缓存、缓冲器、RAM、可移除介质、硬盘驱动器、或其他计算机可读存储介质（例如，存储器44）。计算机可读存储介质包括各种类型的易失性和非易失性存储介质。响应于存储在计算机可读存储介质中或其上的一个或多个指令集，执行在附图中图示或本文中描述的功能、动作或任务。这些功能、动作或任务独立于特定类型的指令集、存储介质、处理器或处理策略，并且可以由单独或组合操作的软件、硬件、集成电路、固件、微代码等来执行。

在一个实施例中，指令被存储在可移除介质设备上，以供本地或远程系统读取。在其他实施例中，指令被存储在远程位置中，以用于通过计算机网络来传输。还是在其他实施例中，指令被存储在给定的计算机、CPU、GPU或系统中。因为附图中描绘的一些组成系统组件和方法步骤可以用软件来实现，所以系统组件（或过程步骤）之间的实际连接可以取决于用来对本实施例进行编程的方式而不同。

本文中描述的各种改进可以一起使用或分离地使用。尽管本文中已经参考附图描述了本发明的说明性实施例，但是应当理解的是，本发明不限于这些精确的实施例，并且在不脱离本发明的范围或精神的情况下，本领域技术人员可以在其中进行各种其他改变和修改。