CN111127389A 用于医疗保健的可扩展人工智能模型生成系统和方法 （通 用电气公司）

用于医疗保健的可扩展人工智能模型生成性系统包括深度神经网络(DNN)生成器以使用第一真实数据来生成第一DNN模型。该示例性系统包括合成数据生成器以由该第一真实数据生成第一合成数据，该第一合成数据将由该DNN生成器用来生成第二DNN模型。该示例性系统包括评估器以评估该第一DNN模型和该第二DNN模型的例性系统包括合成数据聚合器以聚合来自多个2深度神经网络(DNN)生成器(1310)，所述DNN生成器用于使用第一真实数据生成第一合成数据生成器(1320)，所述合成数据生成器用评估器(1325)，所述评估器用于基于所述第一DNN模型和所估所述第一DNN模型和所述第二DNN模型的性能，所述评估器用于基于所述第一DNN模型的第一输出和所述第二DNN模型的第二输出的比较来确定是否生成第二合成数据，所述合成数据生成器用于在所述比较指示所述第一DNN模型的性能与所述第二DNN模型的性能一致合成数据聚合器(1355)，所述合成数据聚合器用于人工智能模型生成器(1080)，所述人工智能模2.根据权利要求1所述的系统，还包括生成式对抗数据生成器用于使用从真实数据存储区获得的第二真实数据来生4.根据权利要求1所述的系统，其中所述合成数据聚合器用于跨多个站点来聚合所述第三合成数据和所述第四合成数据以形成将向所述多个站点中的每个站点部署的所述合5.根据权利要求4所述的系统，其中所述人工智能模型生成器用于向所述多个站点中6.根据权利要求1所述的系统，其中所述DNN生7.根据权利要求1所述的系统，其中所述评估第二输出相比于所述第一DNN模型的所述第一输出的准确性来比较所述第一输出和所述第8.根据权利要求1所述的系统，其中所述第一合成数据在内容和格式方面类似于所述使用至少一个处理器利用第一真实数据来生成第一DNN模型(1402)；使用所述至少一个处理器从所述第一真实数据生成第一合成数据(1404)；使用所述至少一个处理器利用所述第一合成数据来生成第二DNN模型(1406)；使用所述至少一个处理器基于所述第一DNN模型和所述第二DNN模型的输出来评估所述第一DNN模型和所述第二DNN模型的性能，所述评估用于基于所述第一DNN模型的第一输出与所述第二DNN模型的第二输出的比较来确定是否生成第二合成数据(1408)；在所述比较指示所述第一DNN模型的性能与所述第二D至少一个处理器从第一站点生成第三合成数据(1404)；3使用所述至少一个处理器聚合来自所述第一站点的所述第三合成数据和来自第二站使用所述至少一个处理器来部署使用所述合成数据集训练和测试的人工智能模型10.一种包括指令的计算机可读存储介质，所述指令在被执行时使至少一个处理器实4[0004]某些示例提供了人工智能模型生成系统。示例性系统包括深度神经网络(DNN)生成器以使用第一真实数据生成第一DNN模型。示例性系统包括合成数据生成器以从第一真性系统包括评估器以基于第一DNN模型和第二DNN模型的输出来评估第一DNN模型和第二DNN模型的性能，该评估器用于基于第一DNN模型的第一输出与第二DNN模型的第二输出的比较来确定是否生成第二合成数据。该示例性合成数据生成器用于在该比较指示第一DNN模型的性能与第二DNN模型的性能一致时从第一站点生成第三合成数据。示例性系统包括合成数据聚合器以聚合来自第一站点的第三合成数据和来自第二站点的第四合成数据以评估第一DNN模型和第二DNN模型的性能，该评估器将基于第一DNN模型的第一输出和第二DNN模型的第二输出的比较来确定是否生成第二合成数据，该合成数据生成器将在该比较5该示例性方法包括使用该至少一个处理器以第一合成数据生成第二DNN模型。该示例性方法包括使用该至少一个处理器基于第一DNN模型和第二DNN模型的输出来评估第一DNN模型和第二DNN模型的性能，该评估将基于第一DNN模型的第一输出与第二DNN模型的第二输出的比较来确定是否生成第二合成数据。示例性方法包括在该比较指示第一DNN模型的性能性方法包括使用该至少一个处理器聚合来自第一站点的第三合成数据和来自第二站点的[0018]图13A至图13B示出了使用真实和合成数据的组合来生成和部署人工智能模型的[0019]图14示出了在医疗保健供应商的站点处使用真实数据训练与合成数据训练之间可实践的具体示例。足够详细地描述了这些示例以使得本领域技术人员能够实践本主题，6计算机及相关联的软件和数据构建体可被实现为将不同的医疗度学习是机器学习的子集，该机器学习使用一套算法以使用具有多个处理层(包括线性和非线性变换)的深度图对数据中的高层抽象化进行建模。虽然许多机器学习系统都是先植[0030]在本说明书和权利要求书中，以下术语自始至终都采取与本文明确相关联的含称为深度神经网络(DNN))可以是基于多个输入和输出来学习模式的训练网络(例如，训练7点权重)的反向传播算法来确定数据集中的结构。深度学习机器可利用多种多层架构和算[0039]利用卷积神经网络的深度学习使用卷积过滤器来分割数据以定位并且识别数据中学习到的可观测特征。CNN架构的每个过滤器或层变换输入数据以增加数据的选择性和[0040]深度学习的操作建立在许多数据集包括高级特征而高级特征又包括低级特征这置有有效分类的数据的大集合的机器更有条件区分并且提取与新数据的成功分类相关的[0042]利用迁移学习的深度学习机器可将数据特征正确地连接到由人类专家确认的某8[0044]一旦已实现所需神经网络行为(例如，机器经过训练以根据指共振成像(MRI)等一种或多种成像模式来采集高质量医学图像数据。医学图像质量通常不[0050]深度学习机器可在与医师交互时利用迁移学习来抵消监督训练中可用的小数据的每个节点122至126具有到隐藏层140的每个节点142至148的连接130。隐藏层140的每个9至168具有到输出层180的连接170。输出层180具有输出部190以提供来自示例性神经网络140和160中处理的数据之后激活输出层180的节点182。当激活输出层180的输出节点182征映射218变为分类层222，从而形成例如具有到卷积层222的连接226的N个类别的输出层[0057]图3是图像分析卷积神经网络300的示例性实施方式的表示。卷积神经网络300接以分离包括感兴趣特征310至322在内的图像340至348的部分350至354。卷积神经网络300[0058]图4A示出了应用深度学习网络来处理和/或以其他方式评估图像的示例性配置学习网络420处理数据410以将原始图像数据420关联和/或以其他方式合并到所得图像430 [0060]如果检查分配给DLN420中的节点的权重，则可能存在许多具有极低权重的连接步改善对输入的响应和/或将网络420至42始数据中的视图数量和通道数量联系起来。由于可减少与这些参数相对应的网络423中的获得与减少的参数相对应的原始数据新集合并且通过DLN421运行该原始数据新集合。可独系统，两个模块可能都不知晓用于选择感兴趣/重要的输入参数的更大的输入特征评估[0068]一旦在510处网络输出508与已知输出512的比较根据一定标准或阈值相匹配(例在网络721中建立连接并提供输出以便由输出评估器731进行评估。然后输出评估器731向就可由网络721生成经训练的网络723。部署的设备703接收系统输入713并且经由网络723[0075]在医疗保健领域中，每名患者及其一种或多种医疗状况不同于该群体的其余患输入数据映射到输出数据。例如，可使用所收集且被批准用于研究目的的去识别(de-[0079]可扩展的解决方案的一种方法是按照如图9所示的序列在每个站点处为每种医疗该网络的数据的一个或多个站点重复基于站点的重新训练的这一过程，和/或直到该过程续或重新训练A.I.GAN算法以产生更稳健的GAN数据将会看到以合成方式生成的训练图像内的所[0083]一旦训练了全球A.I.模型，就可在已去识别且全球获批的真实数据上评估该模数据可用于训练深度神经网络，该深度神经网络可被部署和应用于多种医学成像和/或其使用更多的真实数据1004来创建附加的合成数据1014。如果要创建更多的合成数据1014，建附加的合成数据1044，则将DNN1050和GAN1052连同合成数据1044一起提供给全球集1030。可跨多个站点重复此类合成数据生成，并且将其提供给全球集1030以形成数据集器网络从隐码(例如，将图像映射到对应代码的GAN的编码器的输出等)产生样本(诸如图[0090]图11所示的示例性GAN架构1100包括生成器1110和鉴别器1120。示例性生成器第二图像等)，并且鉴别器1120处理真实数据样本1142和生成器样本1132以在1150处确定样本1132之间的差异(例如，虚假)，则可确定整个生成器1110中的合成数据质量的损失从生成器1110和鉴别器1120两者中的单个层1202,1204开始，并且随着训练继续，可[0092]诸如图10所示的某些示例生成了稳健且经过验证的合成数据以避免无效相关性型可实现通过在医疗设备上部署来获得患者的精准医[0095]图13A示出了使用真实和合成数据的组合来生成和部署A.I.模型的示例性A.I模[0096]示例性真实数据存储区1305从一个或多个站点收集真实数据以训练一个或多个[0098]GAN1315还使用来自真实数据存储区1305的真实数据来建立和训出是合成数据，该合成数据可由合成数据生成器1320用来向DNN生成器1310提供进一步的使用合成数据生成器1320来生成合成数据，以便使DNN生成器1310能够使用由真实和合成数据形成的比一个站点和/或一组站点原本可用的更大、更稳健的数据集来训练DNN模型。其他DNN模型进行比较和/或以其他方式进行分析，以确定DNN生成器1310何时在设定误差生成用于全球集1030的数据。图13B示出了示例性合成数据聚合系统1350以生成全球数据[0103]图14示出了在医疗保健供应商的站点处使用真实数据训练与合成数据训练之间[0106]在方框1408处，比较第一经训练的网络和第二经训练的网络以评估它们的真实数据上训练的第一网络是否与合成数据上训练的第二网络不能区分和/或相当(例如，可编程逻辑设备(FPLD)来实现。当读到本专利中的任一项覆盖纯粹的软件和/或固件实现的装置或系统权利要求时，这些部件中的至少一者在此明确地被定义为包括存储软件和/[0114]代表用于实现本文所公开和描述的部件的示例机器可读指令的流程图至少结合理器平台1500中所示的处理器1512)执行的程序。该程序可体现在有形计算机可读存储介性过程可使用存储在非暂态计算机和/或机器可读介质上的编码指令(例如，计算机和/或定义为包括任何类型的计算机可读存储设备和/或存储盘，并且排除传播信号且排除传输少图14的指令以实现本文所公开和描述的示例性部件。处理器平台1500可为例如服务器、示例性处理器1512执行至少图14的指令以实现示例性A.I.模型生成系统1300(图处理器平台1500可用于在一个或多个站点处实现示例性A.I.模型生成系统1300的单独部设备来实现。非易失性存储器1516可由闪速存储器和/或任何其他所需类型的存储器设备[0123]所示示例的处理器平台1500还包括用于存储软件和/或数据的一个或多个大容量[0124]表示可对图14的方法执行的指令的编码指令1532可存储在大容量存储设备1528理少量真实数据以产生类似于真实数据并充当真实数据但不包括真实数据的大量合成数