CN119404259A 基于药品特性对药品进行预分类以减少用于验证药品的人工智能模型大小的方法、系统和计算机程序产品 （帕拉塔系统有限责任公司）

2024.11.26PCT/US2023/0687122023.06.20WO2023/250312EN2023.12.28基于药品特性对药品进行预分类以减少用中被识别出的一个人工智能引擎来预测药品的国家药物代码（NDC或者使用多个智能引擎中被识别出的一个人工智能引擎来验证药品是否2基于所述多个特性中的至少一个特性过滤所述信息，以识别多个人使用所述多个人工智能引擎中被识别出的一个人工智能引擎来预测所述药品的国家药物代码NDC，或者使用所述多个智能引擎中被识别出的一个人工智能引擎来验证所述药其中，所述多个特性中未用于过滤所述信息的至少一个特性基于所述多个特性中的全部特性来过滤所述信息，以识别所述个卷积层中的至少一些卷积层经由跳跃连接而基于实体对多个药品中分别具有所述多个值组合中与所述多个人工智能引擎中的一从多个来源接收与药品相关联的训练信息，所述训练信息包括所述药品基于所述训练信息在所述多个来源中的一些来源之间的一致被配置为基于所述多个特性来预测药品的N3存储器，耦接到所述处理器，并且包括体现在所述存储器基于所述多个特性中的至少一个特性过滤所述信息，以识别多个人使用所述多个人工智能引擎中被识别出的一个人工智能引擎来预测所述药品的国家药物代码NDC，或者使用所述多个智能引擎中被识别出的一个人工智能引擎来验证所述药非暂时性计算机可读存储介质，包括体现在所述介质中能够基于所述多个特性中的至少一个特性过滤所述信息，以识别多个人使用所述多个人工智能引擎中被识别出的一个人工智能引擎来预测所述药品的国家药物代码NDC，或者使用所述多个智能引擎中被识别出的一个人工智能引擎来验证所述药存储器，耦接到所述处理器，并且包括体现在所述存储器4从多个来源接收与药品相关联的训练信息，所述训练信息包括所述药品基于所述训练信息在所述多个来源中的一些来源之间的一致被配置为基于所述多个特性来预测药品的N非暂时性计算机可读存储介质，包括体现在所述介质中能够从多个来源接收与药品相关联的训练信息，所述训练信息包括所述药品基于所述训练信息在所述多个来源中的一些来源之间的一致被配置为基于所述多个特性来预测药品的N5[0001]本申请要求于2022年6月21日提交的美国临时申请No.63/366,701的优先权和权品的国家药物代码（NDC或者使用多个智能引擎中被识别出的一个人工智能引擎来验证于过滤信息的至少一个特性分别用作训练多个人工智6练信息包括药品的多个特性和国家药物代码（NDC基于训练信息在多个来源中的一些来[0020]在又一些实施例中，共识人工智能引擎使用K均值聚类来确定是否将训练信息接现在存储器中能够由处理器执行以执行操作的计算机可读程序代码，该操作包括：从多个来源接收与药品相关联的训练信息，该训练信息包括药品的多个特性和国家药物代码7来源接收与药品相关联的训练信息，该训练信息包括药品的多个特性和国家药物代码品和/或计算机程序产品对本领域技术人员来说将是或变得显而易见。旨在使所有此类附[0032]图4是根据本发明构思的一些实施例的图3的卷积神经网络的卷积层之间的跳跃[0034]图6是示出了根据本发明构思的一些实施例的基于特性或特征对药品信息进行预[0035]图7是示出了根据本发明构思的一些实施例的用于执行药品分析的操作的流程[0036]图8是示出了根据本发明构思的一些实施例的用于验证用于训练AI系统的药品训[0037]图9是示出了根据本发明构思的一些实施例的用于验证用于训练AI系统的药品训[0038]图10是根据本发明构思的一些实施例的可以用于实现图1的AI辅助药品分析系统[0039]图11是示出了根据本发明构思的一些实施例的用于图1的AI辅助药品分析系统中8品还指代诸如营养品和/或生物制品之类的药物替代品。包括用于完成包装订单的管理技术在内的示例药品包装系统在美国专利No.10,492,987中进行了描述，其公开内容通过引人工神经元或节点的多层人工神经网络，并且不包括包含真实生物神经元的生物神经网[0047]当使用药品包装系统对药品进行包装以交付给客户时，可以执行验证或审核过括对大量药品进行训练的AI模型在内的AI系统可能在用于验证或审核包装后的药品方面9预过滤而生成的不同药品组相对应的多个AI引擎或模型。为了预测药品的NDC或验证药品以根据其训练基于与药品相关联的信息来预测NDC代码和/或验证药品是否与目标药品匹以用于训练一个或多个AI引擎或模型、将该训练信息列入候补名单作为训练中使用的候剂师或药房技术人员）可以经由有线和/或无线连接使用任何合适的计算设备与包装系统药品包装系统130a和130b时提出的各种建议。用户150还可以启动如上所述的针对药品包[0053]AI辅助药品分析系统可以包括药品分析引擎服务器155，该药品分析引擎服务器以表示分别与通过预过滤或预分类识别的药品类别或组相对应的一个或多个AI引擎或模[0054]将理解，本文中所描述的包装系统服务器120/包装系统接口模块135和药品分析引擎服务器155/药品分析引擎模块160之间的功能的划分仅为示例。根据本发明构思的不同实施例，可以在包装系统服务器120/包装系统接口模块135和药品分析引擎服务器155/120/包装系统接口模块135和药品分析引擎服务器155/药品分析引擎模块160可以合并为出了机器学习架构，但是其他实施例可以使用图2的机器学习系统实施例之外的人工神经例如包装和/或未包装药品的图像中的一种或多种药品。通常可以不对训练数据进行处理[0060]标签化模块230可以被配置为将定义的标签分配给训练数据以及检测和/或识别可以处理包括由标签化模块230提供的标签在内的特征化的训练数据，并且可以被配置为以使用这些影响来调谐和细化特征化和标签化的输入数据与所生成的输出之间的定量关系。输出由机器学习引擎240生成的调谐和细化后的与特征化和标签化的输入数据之间的或验证这些药品是否与一个或多个目标药品匹配的模块包括新数据模块255、特征化模块能相同。AI引擎245可以以特征化和标签化的输入数据与所输出的药品包装内容分析之间确定的定量关系的形式实现由机器学习引擎240所生成的效果。在一些实施例中，AI引擎[0062]AI引擎245可以被配置为基于药品的NDC来识别一种或多种药品、和/或验证药品是否与目标药品匹配。AI引擎245可以根据本发明构思的不同实施例使用各种建模技术以出的带有一种或多种药品的包装和/或未包装的药品图像的NDC代码与一种或多种药品的式实现AI系统的药品分析引擎模块160的框图，该AI系统可以用于补充和/或替代图2的机量，并且降低了对训练时间的影响。最终层可以使用softmax函数作为输出层中的激活函[0065]现在参照图3，图像预处理器305可以接收包装和/或未包装的药品的一个或多个和/或图像分割在内的各种校正。然后，可以将预处理后的药品图像提供给卷积神经网络[0066]在本发明构思的一些实施例中，卷积神经网络310可以是在卷积层320和330之间经网络涉及接收先前卷积层的输出以及先前卷积层的输入两者作为[0067]将理解，虽然为了说明目的在图3的示例卷积神经网络310中示出了两个卷积层用作降低图像中的噪声的方式的非线性过滤器。自动图像阈值化模块515可以对降噪后的[0069]图6是示出了根据本发明构思的一些实施例的基于特性或特征对药品信息进行预根据其训练基于与药品相关联的信息来预测NDC代码和/或验证药品是否与目标药品匹配。许多药品分发实体可能仅分发图6中所示的所有N个AI引擎或模型所覆盖的药品总数的较[0070]图7是示出了根据本发明构思的一些实施例的用于执行药品分析的操作的流程该AI引擎被配置为预测药品的NDC和/或验证药品是否与[0073]在其他实施例中，共识引擎800可以被实现为基于来自各种来源的历史药品信息[0074]共识引擎800还可以使用可以用于确认包括NDC在内的训练信息的可信来源810NDC中使用的AI系统或模型的信息。文中所描述的药品分析引擎服务器155和药品分析引擎模块160的操作的软件和数据的一以被配置为执行上面针对机器学习引擎240、卷积神经网络310和图7的流程图描述的一个或多个操作。共识引擎模块1135可以被配置为执行上面针对图8的共识引擎800和图9的流程图描述的一个或多个操作。通信模块1140可以被配置为支持例如药品分析引擎服务器[0077]尽管图10图11示出了根据本发明构思的一些实施例的可以分别用于数据处理系号处理器或微控制器来实现任何或所有程序当耦接到处理器时包括计算机可读程序代码，当由处理器执行该计算机可读程序代码时，使处理器执行包括本文中针对图1_图9描述的一个或品分析系统可以使用药品的一个或多个特性来将药品预过滤或预分类为对相应AI引擎或于规则的决策树和/或AI技术，以通过确保药品训练信息的多个来源之间存在一致性来验得专利的类别或上下文中的任一种形式来进行示出和描述，包括任何新的和有用的过程、个或多个计算机可读介质上具有计算机可读程序和/或框图中的框的组合可以通过计算机程序指令来实现。可以将这些计算机程序指令提置上执行的指令提供用于实现流程图和/或框图的一个或多个框中术语之类的术语应当被解释为具有与其在本说明书的上下文和相关技术中的含义相一致