2026年算法专利申请实务习题(含答案与解析)

2026年算法专利申请实务习题(含答案与解析)案例1：基于多模态注意力机制的肺结节良恶性分类算法专利申请实务分析2025年12月，某医疗科技公司向国家知识产权局提交了一件名称为“一种基于多模态注意力机制的肺结节良恶性分类方法及系统”的发明专利申请（申请号：202511234567.X）。说明书披露内容如下：背景技术：早期肺结节良恶性分类对肺癌治疗至关重要。现有技术主要采用单一CT影像的卷积神经网络（CNN）模型，但存在以下缺陷：（1）未融合患者临床指标（如年龄、吸烟史、肿瘤标志物水平），导致特征维度不足；（2）传统注意力机制仅关注影像局部区域，忽略影像全局与临床指标的关联，分类准确率约82%。权利要求1：一种基于多模态注意力机制的肺结节良恶性分类方法，包括以下步骤：S1：获取患者胸部CT影像数据及临床指标数据（年龄、吸烟史、肿瘤标志物水平）；S2：对CT影像数据进行预处理（包括去噪、归一化），得到预处理后影像特征图；S3：将临床指标数据编码为一维向量；S4：将预处理后影像特征图输入CNN模块，提取影像局部特征；S5：将影像局部特征输入全局-局部注意力模块，提供影像全局特征；S6：将影像全局特征与临床指标编码向量输入门控融合模块，得到多模态融合特征；S7：将多模态融合特征输入全连接层，输出肺结节为恶性的概率值；S8：根据概率值（阈值设为0.7）判断肺结节良恶性。现有技术检索结果：对比文件1（CN113035421A，2021年6月公开）公开了“一种基于CT影像的肺结节分类方法”，其技术方案包括：获取CT影像→预处理→CNN提取局部特征→自注意力机制提供全局特征→全连接层输出分类结果，分类准确率83%。对比文件2（CN114549876B，2023年9月授权）公开了“一种多模态医疗数据融合方法”，具体披露了将CT影像特征与临床指标（年龄、肿瘤标志物）编码后通过门控融合模块进行融合的技术手段，但未涉及肺结节分类场景。问题1：判断权利要求1是否符合《专利法》第2条第2款关于“发明”的定义，并说明理由。问题2：评述权利要求1的新颖性（需结合对比文件1、对比文件2）。问题3：评述权利要求1的创造性（需采用“三步法”分析，结合对比文件1、对比文件2及本领域常规技术）。答案与解析问题1答案：权利要求1符合《专利法》第2条第2款关于“发明”的定义。解析：根据《专利法》第2条第2款，发明是指对产品、方法或者其改进所提出的新的技术方案。技术方案是指对要解决的技术问题所采取的利用了自然规律的技术手段的集合。本申请权利要求1的技术方案涉及肺结节良恶性分类方法：（1）解决的技术问题是现有单一影像模型因未融合临床指标、注意力机制局限导致的分类准确率低（技术问题具有技术性，属于医疗技术领域的具体问题）；（2）采用的技术手段包括多模态数据获取（CT影像+临床指标）、预处理、CNN特征提取、全局-局部注意力机制、门控融合模块及全连接层分类（上述手段均利用了神经网络的数学运算规律、数据处理的自然规律，属于技术手段）；（3）技术效果是提升肺结节分类准确率（说明书未明确具体数值，但根据背景技术现有准确率82%，结合多模态融合及改进的注意力机制，可合理推定效果具有技术性）。因此，该方案属于利用自然规律解决技术问题的技术方案，符合发明的定义。问题2答案：权利要求1相对于对比文件1、对比文件2均具备新颖性。解析：新颖性的判断标准是权利要求的技术方案是否被现有技术“单独”公开。（1）对比文件1仅公开了基于单一CT影像的分类方法，未涉及临床指标数据的获取、编码及与影像特征的融合（权利要求1的S1中临床指标数据获取、S3编码、S6融合均未被对比文件1披露）；（2）对比文件2虽公开了多模态数据融合（CT影像+临床指标）及门控融合模块，但应用场景是通用医疗数据融合，未涉及肺结节良恶性分类的具体步骤（如S4的CNN提取影像局部特征、S5的全局-局部注意力模块、S7的概率值输出及S8的判断），且未限定“肺结节”这一特定应用对象。因此，对比文件1、对比文件2均未单独公开权利要求1的全部技术特征，权利要求1具备新颖性。问题3答案：权利要求1具备创造性。解析：根据《专利审查指南》，创造性判断采用“三步法”：确定最接近的现有技术→确定区别特征及实际解决的技术问题→判断现有技术是否存在技术启示。第一步：确定最接近的现有技术对比文件1与本申请属于同一技术领域（肺结节分类）、解决的技术问题（提升分类准确率）最相关，且公开了最接近的技术特征（CT影像预处理、CNN提取局部特征、注意力机制、全连接层分类），因此对比文件1为最接近的现有技术。第二步：确定区别特征及实际解决的技术问题权利要求1与对比文件1的区别特征为：（1）S1获取临床指标数据（年龄、吸烟史、肿瘤标志物水平）；（2）S3将临床指标编码为一维向量；（3）S6将影像全局特征与临床指标编码向量通过门控融合模块融合；（4）S5采用全局-局部注意力模块提供影像全局特征（对比文件1仅披露自注意力机制）。基于上述区别特征，本申请实际解决的技术问题是：通过融合临床指标数据并改进注意力机制，提升肺结节良恶性分类的准确率。第三步：判断现有技术是否存在技术启示（1）关于“融合临床指标数据”：对比文件1未涉及临床指标，对比文件2虽公开多模态融合（CT+临床指标），但应用场景是通用医疗数据融合，未具体指向肺结节分类。本领域技术人员在解决肺结节分类问题时，通常关注影像特征改进（如对比文件1的自注意力机制），而临床指标（如吸烟史）与肺结节恶性程度的关联属于医学领域的专业知识，并非本领域（计算机视觉+医疗影像）技术人员的常规认知。因此，对比文件2未给出将临床指标融合至肺结节分类模型的明确启示。（2）关于“全局-局部注意力模块”：对比文件1仅使用自注意力机制关注影像局部区域，本申请的全局-局部注意力模块同时捕捉影像全局与局部特征的关联，属于对注意力机制的具体改进。现有技术中，注意力机制的改进（如引入全局上下文）是计算机视觉领域的常见优化方向，但将其具体应用于肺结节影像的特征提取，需结合医学影像的特性（如结节位置与周围组织的关系），并非本领域技术人员无需创造性劳动即可想到。（3）技术效果的验证：说明书虽未提供具体实验数据，但根据背景技术，现有单一影像模型准确率82%，对比文件1准确率83%（仅改进注意力机制），而本申请通过多模态融合+改进注意力机制，可合理预期准确率进一步提升（如达到87%以上），属于显著的技术效果。综上，现有技术未给出结合对比文件1与对比文件2或其他常规技术得到权利要求1的技术启示，权利要求1具备创造性。案例2：基于强化学习的城市交通信号优化算法专利申请缺陷分析某科技公司提交了一件名称为“一种城市交通信号优化方法”的发明专利申请，权利要求1如下：“1.一种城市交通信号优化方法，包括：（1）获取路口实时车流量数据；（2）将车流量数据输入强化学习模型，所述模型以最大化路口通行效率为目标，输出各方向信号灯配时方案；（3）根据配时方案控制信号灯切换。”说明书仅描述了强化学习模型的基本框架（状态为车流量、动作是配时方案、奖励函数为通行效率），未具体说明模型的网络结构（如是否为深度Q网络、策略梯度算法）、状态特征的具体维度（如是否包含行人流量、公交车占比）、奖励函数的数学表达式（如通行效率的计算方式是平均等待时间还是车均延误）。问题4：指出该申请在专利审查中可能因何种原因被驳回，并说明理由及修改建议。答案与解析问题4答案：该申请可能因“说明书公开不充分”或“权利要求不清楚、缺少必要技术特征”被驳回。解析：（1）根据《专利法》第26条第3款，说明书应当对发明作出清楚、完整的说明，以所属技术领域的技术人员能够实现为准。本申请说明书仅笼统描述强化学习模型的“基本框架”，未具体公开模型的网络结构（如采用的算法类型）、状态特征的具体维度（如是否包含行人数据）、奖励函数的数学表达式（如通行效率的量化方式）。所属技术领域的技术人员（交通工程或人工智能领域技术人员）无法根据说明书内容确定如何具体构建强化学习模型，也无法重复实现该方法，因此说明书公开不充分。（2）根据《专利法》第26条第4款，权利要求书应当清楚、简要地限定要求专利保护的范围。权利要求1中“强化学习模型”“最大化路口通行效率”“车流量数据”等表述过于笼统：“强化学习模型”未限定具体类型（如深度强化学习、多智能体强化学习），导致保护范围不清楚；“车流量数据”未明确是否包含其他影响通行效率的因素（如行人、非机动车流量），可能遗漏必要技术特征；“最大化路口通行效率”未明确量化标准（如基于平均等待时间还是车均延误），导致权利要求无法清楚限定保护范围。修改建议：（1）在说明书中补充强化学习模型的具体实现细节，例如：“所述强化学习模型采用深度Q网络（DQN），状态空间包括各方向车道的实时车流量（单位：辆/分钟）、行人流量（单位：人/分钟）及公交车占比（百分比）；动作空间为各方向绿灯时长（范围60-180秒）；奖励函数定义为R=-（平均等待时间×0.7+车均延误×0.3），其中平均等待时间通过各车道检测器实时采集，车均延误根据历史数据拟合得到。”（2）在权利要求1中限定关键技术特征，例如：“所述强化学习模型为深度Q网络（DQN），状态数据包括各方向车道的实时车流量、行人流量及公交车占比；奖励函数基于平均等待时间和车均延误的加权和计算。”案例3：基于联邦学习的金融风控模型更新方法创造性判断某金融科技公司申请了“一种基于联邦学习的金融风控模型更新方法”，权利要求1为：“1.一种基于联邦学习的金融风控模型更新方法，包括：（1）中心服务器向各参与银行（客户端）发送初始风控模型；（2）客户端利用本地风控数据（包含用户交易记录、征信评分）训练模型，提供模型梯度；（3）客户端对模型梯度添加拉普拉斯噪声进行隐私保护；（4）中心服务器聚合各客户端的带噪梯度，更新全局模型；（5）重复步骤（2）-（4）直至模型收敛。”现有技术显示：对比文件3（US11003456B2，2021年5月公开）公开了基于联邦学习的医疗数据模型训练方法，包括“中心服务器发送初始模型→客户端本地训练提供梯度→客户端对梯度添加高斯噪声→中心服务器聚合梯度更新模型”；对比文件4（CN112884632A，2021年6月公开）公开了金融风控中使用用户交易记录、征信评分作为训练数据的方法，但未涉及联邦学习。问题5：评述权利要求1的创造性（需结合对比文件3、对比文件4）。答案与解析问题5答案：权利要求1不具备创造性。解析：（1）最接近的现有技术：对比文件3与本申请均涉及联邦学习的模型训练方法，技术领域（分布式机器学习）、技术手段（中心服务器-客户端架构、梯度提供与聚合）最接近，因此为最接近的现有技术。（2）区别特征：权利要求1与对比文件3的区别在于：①应用场景为金融风控（对比文件3为医疗数据训练）；②客户端本地数据为用户交易记录、征信评分（对比文件3为医疗数据）；③隐私保护采用拉普拉斯噪声（对比文件3采用高斯噪声）。（3）实际解决的技术问题：将联邦学习应用于金融风控场景，利用金融数据训练模型，并采用拉普拉斯噪声进行隐私保护。（4）技术启示分析：①应用场景的转换：对比文件4已公开金融风控中使用用户交易记录、征信评分作为训练数据，本领域技术人员为解决金融机构间数据隐私保护问题（金融数据敏感性高于医疗数据），容易想到将对比文件3的联邦学习方法应用于金融风控场景（属于技术领域的合理拓展）。②数据类型的调整：对比文件4明确披露了金融风控的具体数据类型（交易记录、征信评分），本领域技术人员在将联邦学习应用