特許 7465342 ２Ｄ／３Ｄ乳房画像を精査するための読み取り時間および読み取り複雑性を予測するためのＡＩシステム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-04-02

(45)【発行日】2024-04-10

(54)【発明の名称】２Ｄ／３Ｄ乳房画像を精査するための読み取り時間および読み取り複雑性を予測するためのＡＩシステム

(51)【国際特許分類】

   A61B 6/00 20240101AFI20240403BHJP

   G16H 40/20 20180101ALI20240403BHJP

【ＦＩ】

A61B6/00 530Z

G16H40/20

A61B6/00 520Z

【請求項の数】 20

(21)【出願番号】P 2022516327

(86)(22)【出願日】2020-09-25

(65)【公表番号】

(43)【公表日】2022-11-29

(86)【国際出願番号】 US2020052895

(87)【国際公開番号】W WO2021062284

(87)【国際公開日】2021-04-01

【審査請求日】2023-09-25

(31)【優先権主張番号】62/907,257

(32)【優先日】2019-09-27

(33)【優先権主張国・地域又は機関】US

【早期審査対象出願】

(73)【特許権者】

【識別番号】501214292

【氏名又は名称】ホロジック， インコーポレイテッド

【氏名又は名称原語表記】Ｈｏｌｏｇｉｃ， Ｉｎｃ．

【住所又は居所原語表記】２５０ Ｃａｍｐｕｓ Ｄｒｉｖｅ， ０１７５２ Ｍａｒｌｂｏｒｏｕｇｈ， ＭＡ，Ｕｎｉｔｅｄ Ｓｔａｔｅｓ ｏｆ Ａｍｅｒｉｃａ

(74)【代理人】

【識別番号】100078282

【弁理士】

【氏名又は名称】山本 秀策

(74)【代理人】

【識別番号】100113413

【弁理士】

【氏名又は名称】森下 夏樹

(72)【発明者】

【氏名】クシルサガール， アシュウィニ

(72)【発明者】

【氏名】チュイ， ハイリ

(72)【発明者】

【氏名】カナトシオス， ニコラオス

(72)【発明者】

【氏名】デソウザ， アドラ

(72)【発明者】

【氏名】ジャン， シャンウェイ

【審査官】蔵田 真彦

(56)【参考文献】

【文献】米国特許出願公開第２０１５／０３４７６９３（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１８／０２８６５０４（ＵＳ，Ａ１）

【文献】国際公開第２０１９／１０２９１７（ＷＯ，Ａ１）

【文献】特開２０１６－０３５７３９（ＪＰ，Ａ）

【文献】特開２００９－１５７５２７（ＪＰ，Ａ）

【文献】国際公開第２０１８／２２１６８９（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ５／００－６／５８

Ｇ１６Ｈ ３０／００－５０／８０

(57)【特許請求の範囲】

【請求項1】

システムであって、前記システムは、
プロセッサと、
前記プロセッサに結合されたメモリと
を備え、
前記メモリは、コンピュータ実行可能命令を備え、前記命令は、前記プロセッサによって実行されると、方法を実施し、
前記方法は、
データの第１の組を収集することであって、前記データの第１の組は、
１人以上の患者に関する第１のマンモグラフィ検査データと、
前記第１のマンモグラフィ検査データの１以上のマンモグラフィ検査読み取り者に関するユーザプロファイルデータと、
前記１以上のマンモグラフィ検査読み取り者に関する評価データと
を備えている、ことと、
前記データの第１の組を予測モデルに提供することであって、前記データの第１の組は、前記第１のマンモグラフィ検査データに関する読み取り時間を決定するように前記予測モデルを訓練するために使用される、ことと、
データの第２の組を収集することであって、前記データの第２の組は、患者に関する第２のマンモグラフィ検査データを備え、前記第２のマンモグラフィ検査データは、乳房画像データと、前記乳房画像データの処理に従って決定される１つ以上の因子とを含む、ことと、
前記データの第２の組を前記訓練された予測モデルに適用することと、
前記訓練された予測モデルから、前記乳房画像データの処理に従って決定される前記１つ以上の因子に基づいて、前記第２のマンモグラフィ検査データに関する推定される読み取り時間を受信することと、
前記推定される読み取り時間を表示することと
を含む、システム。

【請求項2】

前記方法は、前記推定される読み取り時間を使用し、複数のマンモグラフィ検査読み取り者に関する作業量分配を最適化することをさらに含む、請求項１に記載のシステム。

【請求項3】

前記第１のマンモグラフィ検査データは、ピクセル画像データおよび画像ヘッダデータのうちの少なくとも１つを備えている、請求項１に記載のシステム。

【請求項4】

前記ピクセル画像データは、乳房組織パターン、乳房密度、乳房複雑性、または乳房厚のうちの少なくとも１つを決定するために使用される、請求項３に記載のシステム。

【請求項5】

前記画像ヘッダデータは、前記マンモグラフィ検査データを収集するために使用された研究のタイプ、前記マンモグラフィ検査データの画像分解能、または、前記マンモグラフィ検査データを作成するために使用された処理のタイプのうちの少なくとも１つを示す、請求項３に記載のシステム。

【請求項6】

前記ユーザプロファイルデータは、前記読み取り者の経験の量、前記読み取り者の年齢、または前記読み取り者の専門知識のうちの少なくとも１つを備えている、請求項３に記載のシステム。

【請求項7】

前記評価データは、前記評価データが収集された時刻、前記評価データを収集するために使用されたツールのタイプ、前記評価データを収集するために使用された前記ツールに関する使用データ、および前記評価データを発生させるために使用されたハンギングプロトコルのうちの少なくとも１つを備えている、請求項３に記載のシステム。

【請求項8】

前記予測モデルは、
ニューラルネットワーク、または、
サポートベクターマシン
のうちの少なくとも１つである、請求項１に記載のシステム。

【請求項9】

前記予測モデルは、複雑性スコアを出力するようにさらに訓練され、前記複雑性スコアは、前記第２のマンモグラフィ検査データを読み取るための推定される複雑性を表す、請求項１に記載のシステム。

【請求項10】

前記データの第１の組は、前記１以上のマンモグラフィ検査読み取り者によって提供された読み取り時間推定値をさらに備えている、請求項１に記載のシステム。

【請求項11】

マンモグラフィ検査の読み取り時間を予測する方法であって、前記方法は、
データの第１の組を収集することであって、前記データの第１の組は、
１人以上の患者に関する第１のマンモグラフィ検査データと、
前記第１のマンモグラフィ検査データの１以上のマンモグラフィ検査読み取り者に関するユーザプロファイルデータと、
前記１以上のマンモグラフィ検査読み取り者に関する評価データと
を備えている、ことと、
前記データの第１の組を予測モデルに提供することであって、前記データの第１の組は、前記第１のマンモグラフィ検査データに関する読み取り時間を決定するように前記予測モデルを訓練するために使用される、ことと、
データの第２の組を収集することであって、前記データの第２の組は、患者に関する第２のマンモグラフィ検査データを備え、前記第２のマンモグラフィ検査データは、乳房画像データと、前記乳房画像データの処理に従って決定される１つ以上の因子とを含む、ことと、
前記データの第２の組を前記訓練された予測モデルに適用することと、
前記訓練された予測モデルから、前記乳房画像データの処理に従って決定される前記１つ以上の因子に基づいて、前記第２のマンモグラフィ検査データに関する推定される読み取り時間を受信することと、
前記推定される読み取り時間を表示することと
を含む、方法。

【請求項12】

前記第１のマンモグラフィ検査データは、ピクセル画像データおよび画像ヘッダデータのうちの少なくとも１つを備え、前記画像ヘッダデータは、
実施された研究のタイプ、
画像分解能、
前記第１のマンモグラフィ検査データを収集するために使用されたハードウェアシステムのタイプ、または、
前記第１のマンモグラフィ検査データを収集するために使用された画像処理方法
のうちの少なくとも１つを示す、請求項１１に記載の方法。

【請求項13】

前記予測モデルは、複雑性スコアを出力するようにさらに訓練され、前記複雑性スコアは、前記第２のマンモグラフィ検査データを読み取るための推定される複雑性を表す、請求項１１に記載の方法。

【請求項14】

前記複雑性スコアは、
乳房形状、
乳房密度、または、
検出された病変の数
のうちの少なくとも１つに基づく、請求項１３に記載の方法。

【請求項15】

前記予測モデルは、
推奨されるマンモグラフィ検査読み取り者の識別、または、
前記第２のマンモグラフィ検査データを読み取るための利用可能なタイムスロット
のうちの少なくとも１つを出力するようにさらに訓練される、請求項１１に記載の方法。

【請求項16】

前記推定される読み取り時間は、マンモグラフィ検査読み取り者に関する作業量分配を自動的に決定するために使用される、請求項１１に記載の方法。

【請求項17】

前記推定される読み取り時間は、前記第２のマンモグラフィ検査データをマンモグラフィ検査読み取り者に自動的に割り当てるために使用される、請求項１１に記載の方法。

【請求項18】

前記第２のマンモグラフィ検査データを読み取るために前記マンモグラフィ検査読み取り者によって要求される実際の読み取り時間を決定することと、
前記実際の読み取り時間を前記訓練された予測モデルに提供することと、
前記実際の読み取り時間に基づいて、前記訓練された予測モデルを更新することと
をさらに含む、請求項１７に記載の方法。

【請求項19】

コンピューティングデバイスであって、前記コンピューティングデバイスは、
ユーザインターフェースと、
プロセッサと、
実行可能命令を備えているメモリと
を備え、
前記命令は、
前記ユーザインターフェースを介して、第１のマンモグラフィ検査データに関する読み取り時間推定値をユーザから受信することと、
データの第１の組を収集することであって、前記データの第１の組は、
第１のマンモグラフィ検査データと、
前記第１のマンモグラフィ検査データの１以上のマンモグラフィ検査読み取り者に関するユーザプロファイルデータと、
前記１以上のマンモグラフィ検査読み取り者に関する評価データと、
マンモグラフィ検査データに関する読み取り時間推定値と
を備えている、ことと、
前記データの第１の組を予測モデルに提供することであって、前記データの第１の組は、第１の乳房画像データに関する読み取り時間を決定するように前記予測モデルを訓練するために使用される、ことと、
データの第２の組を収集することであって、前記データの第２の組は、第２のマンモグラフィ検査データを備え、前記第２のマンモグラフィ検査データは、乳房画像データと、前記乳房画像データの処理に従って決定される１つ以上の因子とを含む、ことと、
前記乳房画像データの処理に従って決定される前記１つ以上の因子に基づいて、前記データの第２の組を前記訓練された予測モデルに適用することと、
前記訓練された予測モデルから、前記第２のマンモグラフィ検査データに関する推定される読み取り時間を受信することと、
前記推定される読み取り時間を表示することと
を前記プロセッサが行うことを可能にする、コンピューティングデバイス。

【請求項20】

前記乳房画像データの処理に従って決定される前記１つ以上の因子は、前記乳房画像データ内で検出される病変の数、前記乳房画像データにおいて識別される異常のタイプ、前記乳房画像データ内の評価の場所、前記患者の乳房の間の対称性の決定、発生させられた画像スライスの数、乳房密度、乳房厚、乳房面積、乳房組織組成構造、乳房組織パターン、およびコンピュータ支援検出マーカの数のうちの１つ以上を含む、請求項１に記載のシステム。

【発明の詳細な説明】

【技術分野】

【0001】

（関連出願の相互参照）
本願は、その出願が参照することによってその全体として本明細書に組み込まれる２０１９年９月２７日に出願され、「ＡＩ ＳＹＳＴＥＭ ＦＯＲ ＰＲＥＤＩＣＴＩＮＧ ＲＥＡＤＩＮＧ ＴＩＭＥ ＡＮＤ ＲＥＡＤＩＮＧ ＣＯＭＰＬＥＸＩＴＹ ＦＯＲ ＲＥＶＩＥＷＩＮＧ ２Ｄ／３Ｄ ＢＲＥＡＳＴ ＩＭＡＧＥＳ」と題された米国仮特許出願第６２／９０７，２５７号の優先権を主張する。

【背景技術】

【0002】

現代の乳房処置は、放射線画像の広範な分析を伴う。放射線撮像の最近の進歩を所与として、放射線科医が解析および評価することを要求されるデータの量は、指数関数的に増加している。データのこの指数関数的増加は、多くの場合、放射線画像を読み取るための時間における大きな変動を引き起こす。時間におけるこの変動性は、放射線科医の個々の状況（例えば、経験年数、専門知識の分野、利用可能な画像読み取りツール等）のみならず、精査されるべきデータの具体的内容によってもさらに増幅させられる。結果として、スクリーニングセンターにおいて利用可能な放射線科医に最適に作業量（例えば、放射線画像）を分配することは、困難であると証明されている。

【0003】

本明細書に開示される側面は、これらおよび他の一般的な考慮事項に関して行われた。比較的に具体的な問題が議論され得るが、例が背景または本開示の別の場所に識別される具体的問題を解決することに限定されるべきではないことも理解されたい。

【発明の概要】

【課題を解決するための手段】

【0004】

本開示の例は、マンモグラフィ検査の読み取り時間および／または複雑性を予測するためのシステムおよび方法を説明する。いくつかの側面では、マンモグラフィ検査の読み取り時間に関連するデータの第１の組が、画像入手ワークステーション、画像精査ワークステーション、保健医療専門家プロファイルデータ、および既存の患者データ等の保健医療専門家に関連付けられた１つ以上のデータソースから収集され得る。データの第１の組は、種々の乳房画像に関する予期される読み取り時間を予測／推定するように予測モデルを訓練するために使用され得る。その後、少なくとも１つの乳房画像を備えているデータの第２の組が、訓練された予測モデルへの入力として提供され得る。訓練された予測モデルは、乳房画像に関する推定される読み取り時間および／または読み取り複雑性を出力し得る。推定された読み取り時間は、マンモグラフィ検査を優先順位付けするために、または臨床専門家に関する利用可能な時間の利用を最適化するために使用され得る。

【0005】

本開示の側面は、少なくとも１つのプロセッサと、少なくとも１つのプロセッサに結合されたコンピュータ実行可能命令を備えているメモリとを備えているシステムを提供し、命令は、方法を実施し、方法は、少なくとも１つのプロセッサによって実行されると、データの第１の組を収集することであって、データの第１の組は、乳房画像データと、乳房画像データの読み取り者に関するユーザプロファイルデータと、乳房画像データに関する評価データとを備えている、ことと、データの第１の組を使用し、予測モデルを訓練し、乳房画像データに関する予期される読み取り時間を予測することと、データの第２の組を収集することであって、データの第２の組は、少なくとも乳房画像を備えている、ことと、データの第２の組を訓練された予測モデルに適用することと、訓練された予測モデルから、乳房画像に関する推定される読み取り時間を受信することとを含む。

【0006】

本開示の側面は、方法をさらに提供し、方法は、データの第１の組を収集することであって、データの第１の組は、乳房画像データと、乳房画像データの読み取り者に関するユーザプロファイルデータと、乳房画像データに関する評価データとを備えている、ことと、データの第１の組を使用し、予測モデルを訓練し、乳房画像データに関する予期される読み取り時間を予測することと、データの第２の組を収集することであって、データの第２の組は、少なくとも乳房画像を備えている、ことと、データの第２の組を訓練された予測モデルに適用することと、訓練された予測モデルから、乳房画像に関する推定される読み取り時間を受信することとを含む。

【0007】

本開示の側面は、コンピュータ実行可能命令を記憶しているコンピュータ読み取り可能な媒体をさらに提供し、命令は、実行されると、コンピューティングシステムに方法を実施させ、方法は、データの第１の組を収集することであって、データの第１の組は、乳房画像データと、乳房画像データの読み取り者に関するユーザプロファイルデータと、乳房画像データに関する評価データとを備えている、ことと、データの第１の組を使用し、予測モデルを訓練し、乳房画像データに関する予期される読み取り時間を予測することと、データの第２の組を収集することであって、データの第２の組は、少なくとも乳房画像を備えている、ことと、データの第２の組を訓練された予測モデルに適用することと、訓練された予測モデルから、乳房画像に関する推定される読み取り時間を受信することとを含む。

【0008】

本開示の側面は、少なくとも１つのプロセッサと、少なくとも１つのプロセッサに結合されたコンピュータ実行可能命令を備えているメモリとを備えているシステムを提供し、命令は、少なくとも１つのプロセッサによって実行されると、方法を実施し、方法は、データの組を収集することであって、データの組は、少なくともマンモグラフィ検査データを備えている、ことと、データの組をマンモグラフィ検査データに関する予期される読み取り時間を予測するために訓練された予測モデルに適用することと、予測モデルから、マンモグラフィ検査データに関する推定される読み取り時間を受信することとを含む。

【0009】

本開示の側面は、少なくとも１つのプロセッサと、少なくとも１つのプロセッサに結合されたコンピュータ実行可能命令を備えているメモリとを備えているシステムを提供し、命令は、少なくとも１つのプロセッサによって実行されると、方法を実施し、方法は、データの第１の組を収集することであって、データの第１の組は、１人以上の患者に関する第１のマンモグラフィ検査データと、第１のマンモグラフィ検査データの１人以上のマンモグラフィ検査読み取り者に関するユーザプロファイルデータと、１人以上のマンモグラフィ検査読み取り者に関する評価データとを備えている、ことと、データの第１の組に基づいて、症例複雑性インデックスを更新することであって、症例複雑性インデックスは、複雑性値と、第２のマンモグラフィ検査データを解釈するために要求される時間の量に影響を及ぼす因子との間のマッピングを備えている、ことと、データの第２の組を収集することであって、データの第２の組は、第２のマンモグラフィ検査データを備えている、ことと、症例複雑性インデックスおよびデータの第２の組を予測モデルに提供することであって、予測モデルは、症例複雑性インデックスに基づいて、第２のマンモグラフィ検査データに関する複雑性を決定するように構成される、ことと、訓練された予測モデルから、第２のマンモグラフィ検査データを読み取るための推定される複雑性を受信することと、推定される複雑性を表示することとを含む。

【0010】

本概要は、詳細な説明においてでさらに説明される簡略化形態における一連の概念を導入するために提供される。本概要は、請求される主題の重要な特徴または不可欠な特徴を識別することを意図しておらず、請求される主題の範囲を限定するために使用されることを意図していない。例の追加の側面、特徴、および／または利点が、続く説明に部分的に記載され、部分的に説明から明白となるであろう、または本開示の実践によって学習され得る。
本願明細書は、例えば、以下の項目も提供する。
（項目１）
システムであって、前記システムは、
プロセッサと、
前記プロセッサに結合されたメモリと
を備え、
前記メモリは、コンピュータ実行可能命令を備え、前記命令は、前記プロセッサによって実行されると、方法を実施し、
前記方法は、
データの第１の組を収集することであって、前記データの第１の組は、
１人以上の患者に関する第１のマンモグラフィ検査データと、
前記第１のマンモグラフィ検査データの１人以上のマンモグラフィ検査読み取り者に関するユーザプロファイルデータと、
前記１人以上のマンモグラフィ検査読み取り者に関する評価データと
を備えている、ことと、
前記データの第１の組を予測モデルに提供することであって、前記データの第１の組は、前記第１のマンモグラフィ検査データに関する読み取り時間を決定するように前記予測モデルを訓練するために使用される、ことと、
データの第２の組を収集することであって、前記データの第２の組は、患者に関する少なくとも第２のマンモグラフィ検査データを備えている、ことと、
前記データの第２の組を前記訓練された予測モデルに適用することと、
前記訓練された予測モデルから、前記第２のマンモグラフィ検査データに関する推定される読み取り時間を受信することと、
前記推定される読み取り時間を表示することと
を含む、システム。
（項目２）
前記方法は、前記推定される読み取り時間を使用し、複数のマンモグラフィ検査読み取り者に関する作業量分配を最適化することをさらに含む、項目１に記載のシステム。
（項目３）
前記第１のマンモグラフィ検査データは、ピクセル画像データおよび画像ヘッダデータのうちの少なくとも１つを備えている、項目１に記載のシステム。
（項目４）
前記ピクセル画像データは、乳房組織パターン、乳房密度、乳房複雑性、または乳房厚のうちの少なくとも１つを決定するために使用される、項目３に記載のシステム。
（項目５）
前記画像ヘッダデータは、前記マンモグラフィ検査データを収集するために使用された研究のタイプ、前記マンモグラフィ検査データの画像分解能、または、前記マンモグラフィ検査データを作成するために使用された処理のタイプのうちの少なくとも１つを示す、項目３に記載のシステム。
（項目６）
前記ユーザプロファイルデータは、前記読み取り者の経験の量、前記読み取り者の年齢、または前記読み取り者の専門知識のうちの少なくとも１つを備えている、項目３に記載のシステム。
（項目７）
前記評価データは、前記評価データが収集された時刻、前記評価データを収集するために使用されたツールのタイプ、前記評価データを収集するために使用された前記ツールに関する使用データ、および前記評価データを発生させるために使用されたハンギングプロトコルのうちの少なくとも１つを備えている、項目３に記載のシステム。
（項目８）
前記予測モデルは、
ニューラルネットワーク、
サポートベクターマシン、または、
回帰モデル
のうちの少なくとも１つである、項目１に記載のシステム。
（項目９）
前記予測モデルは、複雑性スコアを出力するようにさらに訓練され、前記複雑性スコアは、前記第２のマンモグラフィ検査データを読み取る推定される複雑性を表す、項目１に記載のシステム。
（項目１０）
前記データの第１の組は、前記１人以上のマンモグラフィ検査読み取り者によって提供された読み取り時間推定値をさらに備えている、項目１に記載のシステム。
（項目１１）
マンモグラフィ検査の読み取り時間を予測する方法であって、前記方法は、
データの第１の組を収集することであって、前記データの第１の組は、
１人以上の患者に関する第１のマンモグラフィ検査データと、
前記第１のマンモグラフィ検査データの１人以上のマンモグラフィ検査読み取り者に関するユーザプロファイルデータと、
前記１人以上のマンモグラフィ検査読み取り者に関する評価データと
を備えている、ことと、
前記データの第１の組を予測モデルに提供することであって、前記データの第１の組は、前記第１のマンモグラフィ検査データに関する読み取り時間を決定するように前記予測モデルを訓練するために使用される、ことと、
データの第２の組を収集することであって、前記データの第２の組は、患者に関する少なくとも第２のマンモグラフィ検査データを備えている、ことと、
前記データの第２の組を前記訓練された予測モデルに適用することと、
前記訓練された予測モデルから、前記第２のマンモグラフィ検査データに関する推定される読み取り時間を受信することと、
前記推定される読み取り時間を表示することと
を含む、方法。
（項目１２）
前記第１のマンモグラフィ検査データは、ピクセル画像データおよび画像ヘッダデータのうちの少なくとも１つを備え、前記画像ヘッダデータは、
実施された研究のタイプ、
画像分解能、
前記第１のマンモグラフィ検査データを収集するために使用されたハードウェアシステムのタイプ、または、
前記第１のマンモグラフィ検査データを収集するために使用された画像処理方法
のうちの少なくとも１つを示す、項目１１に記載の方法。
（項目１３）
前記予測モデルは、複雑性スコアを出力するようにさらに訓練され、前記複雑性スコアは、前記第２のマンモグラフィ検査データを読み取る推定される複雑性を表す、項目１１に記載の方法。
（項目１４）
前記複雑性スコアは、
乳房形状、
乳房密度、または、
検出された病変の数
のうちの少なくとも１つに基づく、項目１３に記載の方法。
（項目１５）
前記予測モデルは、
推奨されるマンモグラフィ検査読み取り者の識別、または、
前記第２の第１のマンモグラフィ検査データを読み取るための利用可能なタイムスロット
のうちの少なくとも１つを出力するようにさらに訓練される、項目１１に記載の方法。
（項目１６）
前記データの第２の組を前記訓練された予測モデルに適用すると、前記訓練された予測モデルは、前記データの第１の組と前記データの第２の組との間の１つ以上の相関を識別する、項目１１に記載の方法。
（項目１７）
前記推定される読み取り時間は、マンモグラフィ検査読み取り者に関する作業量分配を自動的に決定するために使用される、項目１１に記載の方法。
（項目１８）
前記推定される読み取り時間は、前記第２のマンモグラフィ検査データをマンモグラフィ検査読み取り者に自動的に割り当てるために使用される、項目１１に記載の方法。
（項目１９）
前記第２のマンモグラフィ検査データを読み取るために前記マンモグラフィ検査読み取り者によって要求される実際の読み取り時間を決定することと、
前記実際の読み取り時間を前記訓練された予測モデルに提供することと、
前記実際の読み取り時間に基づいて、前記訓練された予測モデルを更新することと
をさらに含む、項目１８に記載の方法。
（項目２０）
コンピューティングデバイスであって、前記コンピューティングデバイスは、
ユーザインターフェースと、
プロセッサと、
実行可能命令を備えているメモリと
を備え、
前記命令は、
前記ユーザインターフェースを介して、第１のマンモグラフィ検査データに関する読み取り時間推定値をユーザから受信することと、
データの第１の組を収集することであって、前記データの第１の組は、
第１のマンモグラフィ検査データと、
前記第１のマンモグラフィ検査データの１人以上のマンモグラフィ検査読み取り者に関するユーザプロファイルデータと、
前記１人以上のマンモグラフィ検査読み取り者に関する評価データと、
前記マンモグラフィ検査データに関する読み取り時間推定値と
を備えている、ことと、
前記データの第１の組を予測モデルに提供することであって、前記データの第１の組は、前記第１の乳房画像データに関する読み取り時間を決定するように前記予測モデルを訓練するために使用される、ことと、
データの第２の組を収集することであって、前記データの第２の組は、少なくとも第２のマンモグラフィ検査データを備えている、ことと、
前記データの第２の組を前記訓練された予測モデルに適用することと、
前記訓練された予測モデルから、前記第２のマンモグラフィ検査データに関する推定される読み取り時間を受信することと、
前記推定される読み取り時間を表示することと
を前記プロセッサが行うことを可能にする、コンピューティングデバイス。

【図面の簡単な説明】

【0011】

非限定的および非網羅的例が、以下の図を参照して説明される。

【0012】

【図1】図１は、本明細書に説明されるようなマンモグラフィ検査の読み取り時間および／または読み取り複雑性を予測するための例示的システムの概観を図示する。

【0013】

【図2】図２は、本明細書に説明されるようなマンモグラフィ検査の読み取り時間および／または読み取り複雑性を予測するための例示的入力処理システムの概観を図示する。

【0014】

【図3】図３は、本明細書に説明されるようなマンモグラフィ検査の読み取り時間を予測するための例示的方法を図示する。

【0015】

【図4】図４は、本明細書に説明されるようなマンモグラフィ検査の読み取り複雑性および／または読み取り時間を予測するための例示的方法を図示する。

【0016】

【図5A】図５Ａは、本明細書に説明される自動化臨床ワークフロー決定に関連付けられた例示的ユーザインターフェースを図示する。

【0017】

【図5B】図５Ｂは、図５Ａの例示的ユーザインターフェースに関連付けられた分析ダイアログインターフェースを図示する。

【0018】

【図6】図６は、本実施形態のうちの１つ以上のものが実装され得る好適な動作環境の一例を図示する。

【発明を実施するための形態】

【0019】

医療撮像は、人体内の癌または他の条件等の異常を識別および診断するための広く使用されるツールになっている。マンモグラフィおよびトモシンセシス等の医療撮像プロセスは、乳房に関する癌または他の病変をスクリーニングまたは診断するために乳房を撮像するための特に有用なツールである。トモシンセシスシステムは、限定された角度のトモシンセシスに基づく高分解能乳房撮像を可能にするマンモグラフィシステムである。トモシンセシスは、概して、その全体的厚さを通して、乳房の別々の層またはスライスの各々である複数のＸ線画像を生成する。従来の２次元（２Ｄ）マンモグラフィシステムと対照的に、トモシンセシスシステムは、一連のＸ線投影画像を入手し、各投影画像は、Ｘ線源が乳房の上を円弧等の経路に沿って移動するとき、異なる角度変位において取得される。従来のコンピュータトモグラフィ（ＣＴ）と対照的に、トモシンセシスは、典型的に、乳房の周囲のＸ線源の限定された角度変位において取得される投影画像に基づく。トモシンセシスは、２Ｄマンモグラフィ撮像において存在する組織重複および構造雑音によって引き起こされる問題を低減させ、または排除する。

【0020】

現代の乳房処置センターでは、医療撮像を使用して生成された画像は、患者に関する最適な乳房処置経路を決定するために、保健医療専門家によって評価される。医療撮像（特に、放射線撮像）の進歩に起因して、生成された画像における情報の正確度および粒度は、向上し続けている。例えば、画像特徴を識別する多数のコンピュータ支援検出（ＣＡＤ）マークが、画像に追加され得る。分析正確度のために有用であるが、識別される画像特徴の数の増加は、画像を読み取る難しさを増加させ得、これは、画像を読み取るために必要な時間を増加させる。加えて、医療撮像の進歩は、保健医療専門家が精査しなければならないデータの量の指数関数的増加をもたらしている。増加させられた画像読み取り複雑性と利用可能なデータの指数関数的増加との組み合わせは、医療画像読み取り時間の大きな変動を引き起こし、これは、乳房タイプ、疾患および異常の存在、乳房密度、画像読み取り者の経験、実施されたマンモグラフィ検査のタイプ等に依存する。医療画像読み取り時間の大きな変動に起因して、多くの場合、スクリーニングセンターが作業量を利用可能な放射線科医に最適に分配することは、困難である。結果として、多くのスクリーニングセンターは、生産性の減少および費用の増加を経験している。

【0021】

準最適な作業量分配を伴うそのような問題に対処するために、本開示は、マンモグラフィ検査の読み取り時間および／または読み取り複雑性を予測するためのシステムおよび方法を説明する。いくつかの側面では、１つ以上の２Ｄおよび／または３Ｄ乳房画像に関連するマンモグラフィ検査データの第１の組および乳房画像の読み取り者（人間または電子）に関連する情報が、種々のデータソースから収集され得る。本明細書において使用される場合、マンモグラフィ検査データは、乳房画像データ（例えば、ピクセル画像データおよび画像ヘッダデータ）、乳房画像データに関する評価データ（例えば、研究開始および終了時間、読み取り者作業量、および使用された読み取りツール）、乳房画像データの読み取り者／評価者に関するユーザプロファイル関連データ（例えば、読み取り者の経験、読み取り者の専門知識等）、既存の患者データ（例えば、患者病歴記録／報告および以前に収集された患者画像データ）、乳房画像データに関する読み取り者意見データ（例えば、読み取り時間または読み取り複雑性の読み取り者の推定）、生検データ、注釈および／または標識化データ等に関連する情報を指し得る。本明細書に使用されるような読み取り者は、マンモグラフィ検査を精査するように訓練される医療または臨床専門家を指し得る。データソースの例は、限定ではないが、画像入手ワークステーション、画像精査ワークステーション、病院情報システム（ＨＩＳ）、患者記録システム、読み取り者プロファイルシステム、訓練データリポジトリ、および試験／訓練システムを含む。標識化および／または非標識化訓練データを含み得るマンモグラフィ検査データの第１の組は、１つ以上の人工知能（ＡＩ）モデルを訓練するための入力として使用され得る。本明細書に使用される場合、モデルは、１つ以上の文字列、クラス、オブジェクト、結果の組、またはイベントにわたる確率分布を決定するために、および／または１つ以上の予測子からの応答値を予測するために使用され得る予測または統計ユーティリティまたはプログラムを指し得る。モデルは、１つ以上のルール組、機械学習（ＭＬ）、ニューラルネットワーク等に基づくか、または、それらを組み込み得る。

【0022】

いくつかの側面では、マンモグラフィ検査データの第２の組が、上で説明される種々のデータソースのうちの１つ以上のものから収集され、訓練されたＡＩモデルに提供され得る。マンモグラフィ検査データの第２の組は、マンモグラフィ検査データの第１の組に類似するか、またはそれと同じであるデータを備え得る。しかしながら、いくつかの例では、マンモグラフィ検査データの第２の組は、訓練データを含まないこともある。マンモグラフィ検査データの第２の組に基づいて、訓練されたＡＩモデルは、１つ以上の出力を生成し得る。例示的出力は、限定ではないが、マンモグラフィ検査データの第２の組における１つ以上の画像に関する予測／推定される読み取り時間、マンモグラフィ検査データの第２の組における画像を読み取るための複雑性評定、および１人以上の放射線科医に関するタイムスロット利用可能性および／または割り当てを含む。複雑性評定は、マンモグラフィ検査またはその画像を読み取る難しさまたは複雑性を示し得る。マンモグラフィ検査を読み取る難しさまたは複雑性は、乳房タイプ、乳房密度、ＣＡＤマークの数等の因子に基づき得る。複雑性評定は、マンモグラフィ検査を読み取るための時間を推量するか、またはそれと互いに関係付けられ得る。例えば、マンモグラフィ検査に関する複雑性評定と読み取り時間とは、関連し得、複雑性評定が増加するにつれて、読み取り時間が、増加する。いくつかの側面では、訓練されたＡＩモデルの１つ以上の出力は、１人以上の保健医療専門家に提供され、利用可能な放射線科医の作業量の平衡を保つために、または、それを最適化するために使用され得る。作業量の平衡化／最適化は、保健医療専門家によって手動で、または訓練されたＡＩモデルによって自動的に実施され得る。

【0023】

故に、本開示は、限定ではないが、以下を含む複数の技術的利益を提供する：マンモグラフィ検査を読み取るために要求される時間の自動化推定値を発生させること、マンモグラフィ検査複雑性の自動化分類を発生させること、医療画像読み取り時間を推定するために画像読み取り者情報（例えば、統計、経験、および資格）を活用すること、最適化された作業量分配を自動化すること、マンモグラフィ検査の読み取りの自動化スケジューリング、主観的読み取り者プロファイル因子および／または読み取り者統計に基づいて予測モデルを訓練すること、および、既存の患者データに基づいて予測モデルを訓練すること。

【0024】

図１は、本明細書に使用されるようなマンモグラフィ検査の読み取り時間および／または読み取り複雑性を予測するための例示的システムの概観を図示する。提示されるような例示的システム１００は、マンモグラフィ検査の読み取り時間および／または複雑性を予測するための統合システムを形成するために相互作用する独立したコンポーネントの組み合わせである。システムのコンポーネントは、ハードウェアコンポーネントまたはシステムのハードウェアコンポーネント上に実装される、および／または、それによって実行されるソフトウェアコンポーネント（例えば、アプリケーション、アプリケーションプログラミングインターフェース（ＡＰＩ）、モジュール、仮想マシン、またはランタイムライブラリ）であり得る。システム１００は、システム１００の動作制約、リソース、および設備に従って、ソフトウェアコンポーネントが実行されるための動作環境を提供し得る。一例では、動作環境および／またはソフトウェアコンポーネントは、図５に描写されるように、単一の処理デバイスによって提供され得る。他の例では、本明細書に開示されるシステムの動作環境およびソフトウェアコンポーネントは、複数のデバイスにわたって分散させられ得る。例えば、入力が、クライアントデバイス上に入力され得、情報が、１つ以上のサーバデバイス等のネットワーク内の他のデバイスを使用して処理またはアクセスされ得る。

【0025】

一例として、システム１００は、コンピューティングデバイス１０２Ａ、１０２Ｂ、および１０２Ｃ（集合的に、「コンピューティングデバイス１０２」）と、処理システム１０８と、ネットワーク１０６とを備え得る。当業者は、システム１００等のシステムのスケールが、変動し得、図１に説明されるものより多いまたは少ないコンポーネントを含み得ることを理解するであろう。例えば、いくつかの例では、コンピューティングデバイス１０２によって提供される機能性および／またはデータは、単一のコンピューティングデバイスまたはシステムに統合され得る。代替として、処理システム１０６および／または１０８の機能性および／またはデータは、複数のシステムおよびデバイスにわたって分散させられ得る。

【0026】

コンピューティングデバイス１０２は、保健医療患者および／または保健医療専門家に関連するマンモグラフィ検査データを受信するように構成され得る。マンモグラフィ検査データは、コンピューティングデバイス１０２の１つ以上のユーザインターフェース（例えば、グラフィカルユーザインターフェース（「ＧＵＩ」）、コマンドライン、メニュー駆動インターフェース、またはデータフィード）またはセンサ（例えば、マイクロホン、タッチベースのセンサ、キーボード、ポインティング／選択ツール、光学／磁気走査装置、または加速度計）を使用して受信され得る。コンピューティングデバイス１０２の例は、限定ではないが、画像入手システム（例えば、Ｘ線、超音波、および磁気共鳴撮像（ＭＲＩ）システム）、画像精査ワークステーション、ＨＩＳデバイス、患者記録デバイス、モバイル保健医療デバイス（例えば、ウェアラブルデバイス、モバイル電話、およびタブレット）、および保健医療専門家情報を記憶するデバイスを含む。コンピューティングデバイス１０２は、コンピューティングデバイス１０２上にローカルで、および／または、ネットワーク１０６を介してデータストア１０４Ａおよび１０４Ｂ（集合的に、「データストア１０４」）等の１つ以上のデータ記憶場所内に遠隔でマンモグラフィ検査データを記憶し得る。コンピューティングデバイス１０２およびデータストア１０４は、１つ以上の保健医療施設内、保健医療施設に関連付けられた施設内、または保健医療専門家の所有物内に位置し得る。いくつかの例では、マンモグラフィ検査データは、手動プロセス、自動的プロセス、またはそれらのある組み合わせを使用して、コンピューティングデバイス１０２に提供され得る。例えば、保健医療施設に位置する保健医療専門家が、マンモグラフィ検査データを１つ以上のコンピューティングデバイスに手動で入力し得る。代替として、保健医療施設から遠隔に位置するデバイスが、マンモグラフィ検査データを保健医療施設の１つ以上のコンピューティングデバイスに自動的にアップロードし得る。具体的例として、保健医療専門家の自宅に位置するコンピューティングデバイスが、毎日の同期プロセスの一部として、マンモグラフィ検査データを保健医療施設デバイスに自動的にアップロードし得る。

【0027】

処理システム１０８は、ＭＬモデルを訓練および／または提供するように構成され得る。いくつかの側面では、処理システム１０８は、ネットワーク１０６を介して、コンピューティングデバイス１０２および／またはデータソース１０４等のマンモグラフィ検査データの１つ以上のソースへのアクセスを有し得る。マンモグラフィ検査データの第１の組が、処理システム１０８への入力として提供され得る。処理システム１０８は、マンモグラフィ検査データの第１の組を使用し、１つ以上のＡＩ処理コンポーネントを訓練し得る。例えば、処理システム１０８は、人工ニューラルネットワーク、サポートベクターマシン（ＳＶＭ）、線形強化モデル、ランダム決定フォレスト、または類似するＭＬ技法を訓練し得る。ＡＩ処理コンポーネントが訓練された後、マンモグラフィ検査データの第２の組が、処理システム１０８への入力として提供され得る。マンモグラフィ検査データの第２の組に基づいて、処理システム１０８は、マンモグラフィ検査データの第２の組における画像に関する推定される読み取り時間、マンモグラフィ検査データの第２の組における画像を読み取るための複雑性評定または標識、１つ以上の読み取り者特有の推定される読み取り時間、読み取り複雑性、または読み取り標識、１人以上の放射線科医に関するタイムスロット利用可能性および／または割り当て等の１つ以上の出力を発生させ得る。出力は、コンピューティングデバイス１０２等のシステム１００の他のコンポーネントに提供され得る（またはアクセス可能にされる）。いくつかの例では、出力は、研究優先順位付けおよび／または作業量分配の最適化を決定するために、１人以上の保健医療専門家によって評価され得る。

【0028】

図２は、本明細書に説明されるようなマンモグラフィ検査の読み取り時間および／または読み取り複雑性を予測するための例示的入力処理システム２００の概観を図示する。入力処理システム２００によって実装される読み取り予測技法は、図１のシステムに説明される読み取り予測技法およびデータを備え得る。いくつかの例では、入力処理システム２００の１つ以上のコンポーネント（またはその機能性）は、複数のデバイスおよび／またはシステムにわたって分散させられ得る。他の例では、単一のデバイスが、入力処理システム２００のコンポーネントを備え得る。

【0029】

図２に関して、入力処理システム２００は、データ収集エンジン２０２と、処理エンジン２０４と、出力エンジン２０６とを備え得る。データ収集エンジン２０２は、データの組にアクセスするように、および／またはそれを収集するように構成され得る。いくつかの側面では、データ収集エンジン２０２は、１つ以上の２Ｄ／３Ｄ乳房画像に関連する情報、および／またはマンモグラフィ検査の読み取り者／評価者に関連する情報へのアクセスを有し得る。情報は、テキストデータ、音声データ、画像データ、ビデオデータ、ジェスチャデータ等の種々のタイプのデータを備え、または表し得る。情報の少なくとも一部は、標識化データ、画像、および既知のマンモグラフィ検査読み取り時間を含む試験データまたは訓練データであり得る。いくつかの例では、情報は、保健医療施設または保健医療専門家に位置する、またはそれらにアクセス可能な１つ以上のコンピューティングデバイス内に記憶され、および／またはそれから収集され得る。情報は、乳房画像データ、乳房画像データに関する評価データ、乳房画像データの読み取り者／評価者に関するユーザプロファイル関連データ等を含み得る。

【0030】

他の例では、情報は、ユーザインターフェース２０３等のインターフェースを介してユーザから収集され得る。ユーザインターフェース２０３は、１人以上の保健医療専門家から、またはそれらに関連するユーザ入力を収集するように構成され得る。ユーザ入力の例は、識別情報、性能統計、現在および／または過去の作業量情報、画像または画像タイプに関する読み取り時間または読み取り複雑性のユーザ推定、および他のユーザプロファイル関連情報を含む。ユーザインターフェース２０３は、ユーザ入力を収集すること、および／またはユーザインターフェース２０３によって提供される結果をナビゲートすること、または、それらと相互作用することを行うための種々のユーザインターフェース要素を備え得る。一例として、ユーザインターフェース２０３は、少なくとも、画像データリストコンポーネント、画像データ精査コンポーネント、および自己評価コンポーネントを備え得る。画像データリストコンポーネントは、１つ以上の画像データファイル名または識別子のリストを表示するように構成され得る。画像データ精査コンポーネントは、画像データリストコンポーネントによって提供される画像データファイルのプレビューまたはビューを提供するように構成され得る。自己評価コンポーネントは、ユーザが、画像データリストコンポーネントによって提供される画像データファイルに関する推定される読み取り時間または読み取り複雑性を提供することを可能にするオプションの組を提示するように構成され得る。推定される読み取り時間は、選択されたマンモグラフィ検査を読み取るために読み取り者によって要求される時間の量の読み取り者の意見を表し得る。推定される読み取り複雑性は、選択されたマンモグラフィ検査の読み取り複雑性の読み取り者の意見を表し得る。推定される読み取り複雑性は、標識（例えば、容易、中程度、困難）または数値（例えば、０～１００のスケールで）として提供され得る。同様に、推定される読み取り時間は、読み取り者が標識（例えば、速い、中程度、遅い）として選択するために提供され得る。読み取りの読み取り者の知覚等のそのような主観的情報は、下記に説明されるようなＡＩ処理アルゴリズムまたはモデルを訓練するために使用され得る。同様に、主観的情報は、読み取り時間および／または複雑性を決定することにおいてスコアまたは重みとして使用され得る。例えば、懸念のある所見を伴わない（ストレスの少ない）低密度の脂肪質の乳房に関して、読み取り時間の知覚は、「速い」であり得るが、実際に、読み取り者は、マンモグラフィ検査をスクロールおよび査定するために、追加の時間を要したこともある。

【0031】

処理エンジン２０４は、受信された情報を処理するように構成され得る。いくつかの側面では、受信された情報は、処理エンジン２０４に提供され得る。処理エンジン２０４は、１つ以上のＡＩ処理アルゴリズムまたはモデルを受信された情報に適用し得る。例えば、処理エンジン２０４は、受信された情報の分類および回帰分析のために、教師あり学習モデルを適用し得る。いくつかの側面では、受信された情報は、ＡＩ処理アルゴリズムまたはモデルを訓練するために、処理エンジン２０４（または入力処理システム２００の代替コンポーネント）によって使用され得る。訓練されたＡＩ処理アルゴリズムまたはモデルは、次いで、受信された情報とＡＩ処理アルゴリズムまたはモデルを訓練するために使用された訓練データとの間の相関を決定するために、受信された情報を評価するために使用され得る。評価は、画像の読み取り時間に影響を及ぼし得る種々の因子の分析を含み得る。そのような因子は、限定ではないが、画像内で検出される病変（または異常／懸念のある所見）の数、画像によって識別される異常／所見のタイプ、乳房内の評価の場所（例えば、上方、内側下方、または側方）、患者の乳房の間の対称性、発生させられた画像スライスの数、乳房密度、乳房厚、乳房面積、乳房組織組成構造、乳房組織パターン、コンピュータ支援検出（ＣＡＤ）マーカの数、使用された画像処理のタイプ（例えば、アーチファクト低減、雑音除去等）、撮像された乳房の乳房位置付けパラメータ、雑音およびコントラストパラメータ、実施された研究のタイプ（例えば、スクリーニング、診断等）、暴露の回数、使用された圧縮パドルのタイプ、読み取りの時刻、読み取りのために使用されたワークステーションおよびツールのタイプ（例えば、パン／ズームの容易さ、「スマート」ハンギングプロトコルの利用可能性、容易な注釈ツールの利用可能性、追跡、自動マッピング、および「スマート」スクロールツールの利用可能性等）、読み取りツール使用（例えば、クリックイベント、スクロールイベント、およびズームイン／アウトイベントの回数）、ユーザ焦点データ（例えば、思案時間、眼注視、およびマウスオーバーイベント）、読み取り者の経験、読み取り者の専門性および訓練、読み取り者の年齢、読み取り者の読み取り時間／複雑性意見または推定値、および読み取り者の熟練度を含む。

【0032】

いくつかの側面では、処理エンジン２０４によって分析される種々の因子は、ユーザ選好等の１つ以上の基準に従って手動で選択または重み付けされ得る。例えば、ユーザインターフェース２０３は、ユーザが、受信された情報を分析するときに考慮されるべき因子の組を選択することを可能にし得る。ユーザインターフェースは、ユーザが、重要度スコアまたは重みを因子の組に割り当てること、または、因子の組に以前に割り当てられた重要度スコアまたは重みを修正することも可能にし得る。例えば、上で説明される自己評価コンポーネントは、ユーザが、スコアまたは重みを因子の組に割り当てる、または修正することを可能にし得る。さらに、自己評価コンポーネントは、ユーザが、因子の組をナビゲートすること、または別様にそれと相互作用することを可能にし得る。スコアまたは重みは、他の因子に対するある因子の知覚／決定された重要度を示し得る。他の側面では、処理エンジン２０４によって分析される種々の因子は、１つ以上のＡＩまたはＭＬ技法を使用して、自動的に選択または重み付けされ得る。一具体的例として、１人以上の読み取り者に関する読み取り者情報が、処理エンジン２０４に提供され得る。読み取り者情報は、少なくとも、読み取り者の経験、読み取り者に関する以前の評価データ（例えば、以前の読み取り時間）、および１つ以上の画像または画像タイプに関する読み取り時間および／または読み取り複雑性の読み取り者意見または推定値を含み得る。提供された読み取り者情報および／または以前の評価結果に基づいて、処理エンジン２０４は、悪性の所見を検出することにおいて多くの経験およびより高度な感度および特異度を有する臨床専門家に関する以前の読み取り時間および／または読み取り時間の読み取り者推定値が、より少ない経験を有する臨床専門家に関する同じの情報（例えば、以前の読み取り時間および／または読み取り時間の読み取り者推定値）より多くの重みを与えられるべきであると決定し得る。結果として、処理エンジン２０４は、より高い重み／スコアをより多くの経験を有する臨床専門家に関連付けられた分析された因子に割り当て得る。種々の因子の評価に基づいて、処理エンジン２０４は、１つ以上の出力または出力カテゴリを識別し得る。

【0033】

出力エンジン２０６は、受信された情報に関する１つ以上の出力を作成するように構成され得る。いくつかの側面では、出力エンジン２０６は、処理エンジン２０４によって識別された出力または出力カテゴリにアクセスし得る。識別された出力または出力カテゴリに基づいて、出力エンジン２０６は、１つ以上の出力を作成し得る。一例として、出力エンジン２０６は、処理エンジン２０４による分析に基づいて、受信された情報におけるマンモグラフィ検査に関する予測される読み取り時間を発生させ得る。予測される読み取り時間は、読み取り時間の量、読み取り時間の範囲（例えば、１５～分）、または「平均」読み取り者がマンモグラフィ検査を読み取るために要求する読み取り時間カテゴリ（例えば、低、中、高）を表し得る。「平均」読み取り者は、規定された属性範囲内の１つ以上の属性を有する読み取り者として分類され得る。代替として、予測される読み取り時間は、平均読み取り者がマンモグラフィ検査を読み取るために要求する読み取り時間の量を示すカテゴリまたは分類（例えば、速い、中程度、または遅い）を表し得る。例えば、「速い」カテゴリは、１０分未満の読み取り時間に対応し得、「中程度」カテゴリは、１０分～２０分の読み取り時間に対応し得、「遅い」カテゴリは、２０分を上回る読み取り時間に対応し得る。

【0034】

別の例として、出力エンジン２０６は、マンモグラフィ検査に関する予測される読み取り時間を発生させ得、その予測される読み取り時間は、読み取り時間の量、読み取り時間の範囲、または具体的読み取り者がマンモグラフィ検査を読み取るために要求する読み取り時間カテゴリを表す。具体的ユーザは、入力処理システム２００に現在ログインしているユーザ、入力処理システム２００に以前にログインしたユーザ、入力処理システム２００に現在ログインしているユーザによって選択されたユーザ、入力処理システム２００によって選択されたユーザ等のユーザであり得る。例えば、出力エンジン２０６は、入力処理システム２００に現在ログインしているユーザに個人化された予測される読み取り時間を発生させ得る。ユーザに関する予測される読み取り時間は、ユーザが比較的に速い読み取り者であることを示し得るユーザプロファイルデータおよび／またはユーザの以前の読み取り時間データに基づき得る。結果として、ユーザに関する予測される読み取り時間は、平均読み取り者または遅い読み取り者に関する予測される読み取り時間より少なくあり得る。

【0035】

代替として、出力エンジン２０６は、複数の予測される読み取り時間を発生させ得る。複数の予測される読み取り時間は、個々の読み取り者または読み取り者のカテゴリに対応し得る。例えば、第１の読み取り時間は、５年を下回る経験を有する読み取り者に対応し得、第２の読み取り時間は、５～１０年の経験を有する読み取り者に対応し得、第３の読み取り時間は、１０年を上回る経験を有する読み取り者に対応し得る。

【0036】

また別の例として、出力エンジン２０６は、因子の組または複雑性インデックスに基づいて、受信された情報における画像に関する複雑性評定を発生させ得る。複雑性評定は、１人以上の読み取り者に関するマンモグラフィ検査またはその画像を読み取る難しさまたは複雑性を表し得る。マンモグラフィ検査を読み取る難しさまたは複雑性は、客観的および／または主観的因子に基づき得る。客観的因子の例は、限定ではないが、画像内で検出される所見またはＣＡＤマークの数および／またはタイプ、乳房評価場所、および乳房密度および組織組成を含む。主観的因子の例は、限定ではないが、読み取り者の経験、読み取り者の知識、読み取り者の評価技法、および読み取り者の能力を含む。いくつかの例では、マンモグラフィ検査を読み取る難しさまたは複雑性は、考慮される因子の数量に基づいて増加し得る。例えば、３～５個の因子の分析は、１０～１５個の因子の分析より複雑ではないこともある。マンモグラフィ検査を読み取る難しさまたは複雑性は、考慮される因子の値にも基づいて増加し得る。例えば、マンモグラフィ検査を読み取る複雑性は、ＣＡＤマークの数が増加するにつれて、乳房の具体的部分において検出されるＣＡＤマークの数が増加するにつれて、または、評価される高密度乳房組織の量が増加するにつれて、増加し得る。マンモグラフィ検査を読み取る複雑性は、経験の浅い読み取り者または能力の低い読み取り者にも関して、事実上、増加し得る。

【0037】

代替として、出力エンジン２０６は、複数の複雑性評定を発生させ得る。複数の複雑性評定は、個々の読み取り者または読み取り者のカテゴリに対応し得る。例えば、「困難」の複雑性評定が、５年を下回る経験を有する読み取り者に割り当てられ得、「中程度」の複雑性評定が、５年を上回る経験を有する読み取り者に割り当てられ得る。

【0038】

いくつかの側面では、予測される読み取り時間および／または複雑性値は、記憶され、患者に関連付けられたマンモグラフィ検査に関連付けられ得る。マンモグラフィ検査（またはその要素）は、デバイス、アプリケーション、またはサービス等の１つ以上の宛先に提供され得る。宛先は、保健医療専門家が、例えば、上で説明されるユーザインターフェースを介して、マンモグラフィ検査（予測される読み取り時間および／または複雑性値を含む）を閲覧し、それと相互作用することを可能にし得る。具体的例として、具体的マンモグラフィ検査に関連付けられた読み取り時間および／または複雑性値が、ユーザに関する患者ワークリストにおいて読み取り者に表示され得る。代替として、読み取り時間および／または複雑性値は、患者に対してスクリーニングまたは診断走査を実施する技師に表示され得る。少なくとも一側面では、出力エンジン２０６は、１つ以上の追加のアクションが実施されることも引き起こし得る。例えば、予測される読み取り時間および／または複雑性値に基づいて、出力エンジン２０６は、マンモグラフィ検査を読み取るための専門知識および利用可能な時間を有する１人以上の臨床専門家を識別し得る。本明細書に使用される場合、マンモグラフィ検査を読み取ることは、画像および患者情報を精査および解釈するための種々の方法およびアプローチを指し得る。例えば、１つの読み取り方法は、読み取り者が、画像が満足の行く品質（例えば、動きまたはぼけが全くまたは殆どない）であることを検証することを含み得る。画像（または少なくともその一部）が、満足の行く品質である場合、読み取り者は、乳房のサイズおよび対称性を評価し得る。読み取り者は、現在の画像を以前に収集された画像と比較することも行い、画像の間の変化を識別し得る。比較は、中外斜位方向、中外方向、頭尾方向等の乳房の異なる画像ビューを閲覧することを含み得る。画像ビューの閲覧は、種々の順序および閲覧組み合わせにおいて実施され得る。読み取り者は、２つ以上のトモグラフィ画像から合成された２Ｄ画像を閲覧し、トモグラフィ画像によって示されるＣＡＤマークを調査し得る。読み取り者は、石灰化、皮膚肥厚のエリア、癌のタイプに関連付けられた特徴、推測される腫瘤等の画像内の種々の特徴を閲覧し得る。読み取り者は、具体的な着目面積に基づいて、１つ以上の画像に注釈を付け、所見または結果を決定し得る。所見または結果は、次いで、ＢＩ－ＲＡＤＳ等の標準化された方法論またはカテゴリを使用して、報告において記録され得る。

【0039】

いくつかの側面では、１人以上の臨床専門家の識別は、出力エンジン２０６によって、読み取り統計、読み取り者利用可能性、教育／専門知識、経験等の読み取り者情報に関して１つ以上のＨＩＳデバイスにクエリを行うことによって遂行され得る。いくつかの側面では、出力エンジン２０６の出力を受信する保健医療専門家は、出力を使用し、利用可能な臨床専門家の作業量の平衡を保たせ、またはそれを最適化し得る。例えば、臨床専門家が、一日の早い時間に複雑なマンモグラフィ検査を読み取ることを好み得、これは、臨床専門家が、一日の終わりにより複雑ではない、および／または、より時間のかからないマンモグラフィ検査読み取りを残すことを可能にする。したがって、臨床専門家は、出力エンジン２０６の出力を使用し、それに応じて、自身の作業量を配列し得る。別の例として、臨床専門家は、特定の日に利用可能なわずかなタイムスロットのみを有し得る。したがって、臨床専門家は、出力エンジン２０６の出力を使用し、自身の作業量を配列し、臨床専門家がタイムスロットにおいて実施し得るマンモグラフィ検査読み取りの回数を最大化し得る。

【0040】

代替として、出力は、利用可能な臨床専門家の作業量の平衡化または最適化を自動化するために使用され得る。例えば、出力エンジン２０６の出力は、臨床専門家作業量を動的に作成／更新するように構成された作業量管理システム／サービスに提供され得る。作業量管理システム／サービスは、第１の医療専門家が、１日あたり１０回のマンモグラフィ検査読み取り（各々は、「速い」読み取り時間を有するものとしてカテゴリ化される）を割り当てられ、第２の臨床専門家が、１日あたり５回のマンモグラフィ検査読み取り（各々は、遅い」読み取り時間を有するものとしてカテゴリ化される）を割り当てられるように、２人の臨床専門家の作業量を平衡化し得る。異なる回数のマンモグラフィ検査読み取りが、第１および第２の臨床専門家に割り当てられるにもかかわらず、それらのそれぞれの作業量は、完了するためにほぼ同じの量の時間を要求し得る。代替として、作業量管理システム／サービスは、各臨床専門家が、複雑なマンモグラフィ検査読み取りの同じの回数および混合物を割り当てられるように、または最も経験を有する臨床専門家が複雑および／または「遅い」読み取り時間のマンモグラフィ検査読み取りの比例的により多い回数を割り当てられるように、２人の臨床専門家の作業量を平衡化し得る。

【0041】

本明細書に開示される側面によって採用され得る種々のシステムを説明したが、本開示は、ここで、本開示の種々の側面によって実施され得る１つ以上の方法を説明するであろう。いくつかの側面では、方法３００および４００が、図１のシステム１００または図２の入力処理システム２００等の例示的システムによって実行され得る。いくつかの例では、方法３００および４００は、動作、プログラム、または命令を記憶および実行するように構成される少なくとも１つのプロセッサを備えているデバイス上で実行され得る。しかしながら、方法３００および４００は、そのような例に限定されない。他の例では、方法３００および４００は、臨床ワークフロー決定を自動化するためのアプリケーションまたはサービス上で実施され得る。少なくとも一例では、方法３００および４００は、ウェブサービス／分散ネットワークサービス（例えば、クラウドサービス）等の分散ネットワークの１つ以上のコンポーネントによって実行され得る（例えば、コンピュータ実装動作）。

【0042】

図３は、本明細書に説明されるようなマンモグラフィ検査の読み取り時間を予測するための例示的方法３００を図示する。例示的方法３００は、動作３０２において開始され、データの第１の組が、収集される。いくつかの側面では、データ収集エンジン２０２等のデータ収集コンポーネントが、１つ以上のデータソースからデータの第１の組を収集または受信し得る。データの第１の組は、２Ｄおよび／または３Ｄ乳房画像データ、画像評価データ、および／または画像読み取り者情報を備えているか、または、それらに関連し得る。少なくとも一側面では、データの第１の組は、標識化および／または非標識化訓練データを備え得る。乳房画像データの例は、限定ではないが、ピクセル画像データおよび画像ヘッダデータを含み得る。ピクセル画像データは、組織パターン、テクスチャ、密度、複雑性、厚さ、体積、および異常等の患者の乳房の種々の属性を導出するために使用され得る。画像ヘッダデータは、実施された研究のタイプ（例えば、スクリーニング、診断等）、画像分解能、画像を収集するために使用されたハードウェアシステムのタイプ、使用された画像処理方法等の情報を提供し得る。画像評価データの例は、限定ではないが、研究（例えば、マンモグラフィ検査読み取りセッション）開始および終了時間、使用された読み取りツールのタイプ（例えば、拡大鏡、表記ツール、測定ツール等）、読み取りツール使用データ（処理エンジン２０４に関して上で説明されるような）、ハンギングプロトコル、ワークステーションハードウェア／ソフトウェア構成、研究読み取り時間、実施された研究の回数および／またはタイプ、以前の患者報告データ等を含み得る。画像読み取り者情報の例は、限定ではないが、読み取り者の経験、専門知識、資格、肩書／分類、作業量／ステータス、熟練度評定、読み取り時間／複雑性意見、および年齢を含み得る。

【0043】

動作３０４において、データの第１の組は、予測モデルに提供される。いくつかの側面では、データの第１の組の１つ以上の部分は、処理エンジン２０４等の評価コンポーネントに提供され得る。評価コンポーネントは、１つ以上の予測モデルであるか、それを備えているか、または、それへのアクセスを有し得る。データの第１の組は、予測モデルを訓練し、１つ以上の出力を発生させるために、予測モデルへの入力として提供され得る。例示的出力は、乳房画像に関する推定される読み取り時間、乳房画像を読み取るための複雑性評定、推奨される画像読み取り者の識別、および推奨される画像読み取り者のタイムスロット利用可能性を含む。少なくとも一側面では、データの第１の組は、症例複雑性インデックスを発生させるために、または更新するために、評価コンポーネントによって使用され得る。例えば、評価コンポーネントは、インデックス作成モデルまたはアルゴリズムを使用し、症例複雑性インデックスを発生させ、または更新し得る。症例複雑性インデックスは、１つ以上の画像または画像タイプを読み取ることに関連付けられた複雑性の範囲を備え得る。症例複雑性インデックスは、画像を読み取るために要求される時間に影響を及ぼし得る因子の組に基づいて、画像に関する１つ以上の複雑性評定を提供するように構成され得る。いくつかの例では、症例複雑性インデックスを発生させること、または更新することは、ＭＬを使用し、複雑性評定を１つ以上の因子、因子値、または因子値の範囲の肯定的な識別にマッピングすることを含み得る。例えば、「容易」の評定が、乳房密度が低く、画像内で識別される病変の数が２つ以上である特徴の組にマッピングされ得る。他の例では、症例複雑性インデックスを発生させること、または更新することは、種々の因子または因子値に関連付けられたスコアに基づいて、複雑性評定カテゴリを作成することを含み得る。例えば、マンモグラフィ検査読み取りに関連付けられた種々の因子／属性は、スコアリングモデルまたはアルゴリズムを使用してスコアリングされ得る。各因子／属性に関するスコアは、集約され、１つ以上の評定カテゴリを示す値の範囲を確立するために使用され得る。いくつかの側面では、訓練された予測モデルおよび／または症例複雑性インデックスが、１つ以上のシステムまたはデバイスに提供され、および／または、それによって実装され得る。

【0044】

動作３０６において、データの第２の組が、収集される。いくつかの側面では、データ収集エンジン２０２等のデータ収集コンポーネントが、１つ以上のデータソースからデータの第２の組を収集または受信し得る。データの第２の組は、データの第１の組とタイプ、カテゴリ、および／または値において類似するデータの少なくとも一部を備え得る。例えば、データの第２の組は、乳房画像データ、画像評価データ、および／または画像読み取り者情報を備えているか、または、それに関連し得る。しかしながら、いくつかの例では、データの第２の組は、標識化または非標識化訓練データを含まないこともある。

【0045】

動作３０８において、データの第２の組は、訓練された予測モデルに提供される。いくつかの側面では、データの第２の組の１つ以上の部分が、処理エンジン２０４等の評価コンポーネントに提供され得る。評価コンポーネントは、データの第２の組を動作３０４中に訓練された予測モデル等の予測モデルに提供し得る。訓練された予測モデルは、データの第２の組を評価し、データの第２の組と予測モデルを訓練するために使用された訓練データとの間の相関を決定し得る。例えば、予測モデルを訓練するために使用された訓練データに基づいて、予測モデルは、乳房属性（例えば、形状、密度、病変等）の特定の組を有する乳房画像の読み取り時間が、画像読み取り者の属性およびその下でマンモグラフィ検査読み取りが実施される条件に基づいて、変動すると決定し得る。例えば、予測モデルは、タイプ１のＡＣＲ乳房撮像報告およびデータシステム（ＢＩ－ＲＡＤＳ）マンモグラフィ密度（ＭＤ）および０～２個の病変を有する乳房の画像が、概して、５年以上の経験を有する画像読み取り者が朝に（読み取り者が比較的に疲労していないときに）１０分で読み取ることを要求し、夕方に（読み取り者が比較的に疲労しているときに）１５分で読み取ることを要求することを識別し得る。予測モデルは、上記の属性（例えば、ＭＤタイプ１、検出される０～２個の病変）を有する乳房の画像が、概して、５年を下回る経験を有する画像読み取り者が朝に２５分で読み取りし、夕方に３０分で読み取ることを要求することをさらに識別し得る。

【0046】

いくつかの側面では、評価コンポーネントは、上で説明される症例複雑性インデックスを使用して、データの第２の組を評価し得る。評価は、データの第２の組の１つ以上の特徴または属性を識別すること、体系化すること、および／または分類することを含み得る。識別された特徴／属性は、ＭＬアルゴリズムまたは評価ルールの組等の決定論理を使用して、症例複雑性インデックスと比較される、またはそれに対して評価され得る。一例として、予測モデルは、特定のタイプの乳房画像、または属性の特定の組を有する乳房画像に関する予測される読み取り時間が、読み取り時間持続時間にわたって８５パーセンタイル以内である（例えば、他の乳房画像または画像タイプと比較して増加させられた読み取り持続時間を示す）と決定し得る。決定されたパーセンタイルランクに基づいて、症例複雑性インデックスは、そのような画像に関する決定／予測される複雑性の指示を提供し得る。例えば、症例複雑性インデックスは、少なくとも８０パーセンタイル以内であると決定された任意の乳房画像に関して「困難」の指定を提供し得る。別の例として、予測される読み取り時間を決定するために使用されたデータ（例えば、乳房画像データ、画像評価データ、および／または画像読み取り者情報）の少なくとも一部が、症例複雑性インデックスを使用して評価され得る。評価は、値またはスコアをデータ内の特徴に割り当てることを含み得る。スコアリングエンジンまたはアルゴリズムが、集約されたマンモグラフィ検査読み取りスコアを発生させるために、割り当てられた値／スコアに適用され得る。例えば、データの第２の組内のデータは、特徴付けられ、１つ以上の特徴ベクトルを構築するために使用され得る。本明細書に使用されるような特徴ベクトルは、１つ以上のオブジェクトを表す数値特徴のｎ次元ベクトルを指し得る。特徴ベクトルは、症例複雑性インデックスに適用されるか、または、それに対して評価され得る。特徴ベクトル値／スコアに基づいて、症例複雑性インデックスは、特定の乳房画像または乳房画像のタイプを読み取る複雑性を示す対応するスコアまたは指定を提供し得る。

【0047】

動作３１０において、推定されるマンモグラフィ検査読み取り時間が、受信される。いくつかの側面では、訓練された予測モデルおよび／または症例複雑性インデックスは、データの第２の組に関する１つ以上の出力を提供し得る。動作３０４に議論されるように、出力は、推定されるマンモグラフィ検査読み取り時間、読み取りされるべき画像に関する推定される複雑性評定、画像読み取り者の推奨または割り当て、業務／タスクスケジューリング日付／時間等を含み得る。出力は、１つ以上のＨＩＳデバイスおよび／または保健医療専門家デバイスに提供され得る。出力に基づいて、読み取り者および／または読み取りセッション時間が、データの第２の組内の画像に関して手動で、または自動的に割り当てられ得る。いくつかの側面では、予測モデル出力、症例複雑性インデックス出力、および／または結果として生じるマンモグラフィ検査読み取り／研究の統計およびパラメータは、予測モデル（動作３０４および３０８に説明される予測モデル等）および／または症例複雑性インデックスを実装または維持するコンポーネントへの入力として提供され得る。入力は、予測モデルおよび／または症例複雑性インデックスをさらに訓練するために使用され得る。一例として、予測モデルの出力に基づいて、１５分の推定読み取り時間を要求する画像が、１０年の経験を有する放射線科医に割り当てられ得る。マンモグラフィ検査読み取り／研究は、実際に、放射線科医によって２５分かかり得る。推定読み取り時間、実際の読み取り時間、およびマンモグラフィ検査読み取り／研究のパラメータ／条件（例えば、使用された読み取りツール、時刻、放射線科医情報等）は、予測モデルに提供され得る。予測モデルは、放射線科医に関する将来の読み取り時間推定値を調節するために、またはマンモグラフィ検査読み取り／研究における画像と類似する属性を有する画像に関する読み取り時間を再評価するために情報を使用し得る。

【0048】

図４は、本明細書に説明されるようなマンモグラフィ検査の読み取り複雑性および／または読み取り時間を予測するための例示的方法４００を図示する。例示的方法４００は、動作４０２において開始され、データの第１の組が、収集される。いくつかの側面では、データ収集エンジン２０２等のデータ収集コンポーネントが、１つ以上のデータソースからデータの第１の組を収集または受信し得る。データの第１の組は、２Ｄおよび／または３Ｄ乳房画像データ、画像評価データ、および／または画像読み取り者情報を備えているか、または、それに関連し得る。少なくとも一側面では、データの第１の組は、標識化および／または非標識化訓練データを備え得る。乳房画像データの例は、限定ではないが、ピクセル画像データおよび画像ヘッダデータを含み得る。ピクセル画像データは、組織パターン、密度、複雑性、厚さ、体積、および異常等の患者の乳房の種々の属性を導出するために使用され得る。画像ヘッダデータは、実施された研究のタイプ（例えば、スクリーニング、診断等）、画像分解能、画像を収集するために使用されたハードウェアシステムのタイプ、使用された画像処理方法等の情報を提供し得る。画像評価データの例は、限定ではないが、研究（例えば、マンモグラフィ検査読み取りセッション）開始および終了時間、使用された読み取りツールのタイプ（例えば、拡大鏡、表記ツール、測定ツール等）、ハンギングプロトコル、ワークステーションハードウェア／ソフトウェア構成、研究読み取り時間、実施された研究の回数および／またはタイプ、以前の患者報告データ等を含み得る。画像読み取り者情報の例は、限定ではないが、読み取り者の経験、専門知識、資格、肩書／分類、作業量／ステータス、熟練度評定、および年齢を含み得る。

【0049】

動作４０４において、予測モデルが、データの第１の組を使用して訓練される。いくつかの側面では、データの第１の組は、処理エンジン２０４等の評価コンポーネントに提供され得る。評価コンポーネントは、１つ以上の予測モデルであるか、それを備えているか、または、それらへのアクセスを有し得る。データの第１の組は、予測モデルを訓練し、１つ以上の出力を発生させるために、予測モデルへの入力として提供され得る。例示的出力は、マンモグラフィ検査データを読み取りまたは解釈するための推定される複雑性評定または複雑性システム／コンポーネントを含み得る。特定の例として、データの第１の組は、標識化または注釈付き乳房画像、画像を読み取るための報告された時間の量、画像を読み取るための報告または提案された複雑性評定、および画像の読み取り者に関するプロファイル情報を備え得る。データの第１の組は、予測モデルに提供され得る。予測モデルは、１つ以上のデータ相関技法を使用し、報告／提案された複雑性評定とデータの第１の組における他の因子／データ点との間の相関を決定し得る。

【0050】

動作４０６において、症例複雑性インデックスが、推定され得る。いくつかの側面では、予測モデルが、データの第１の組を使用し、症例複雑性インデックスを推定または更新し得る。本明細書に使用されるような症例複雑性インデックスは、マンモグラフィ検査を読み取りまたは解釈するために要求される時間の量に影響を及ぼし得るデータ／因子への複雑性値または標識のマッピングを備えているデータ構造またはコンポーネントを指し得る。症例複雑性インデックスを推定または更新することは、インデックス作成アルゴリズム、データマッピングユーティリティ、またはデータ相関アルゴリズムを使用することを含み得る。症例複雑性インデックスは、収集されたマンモグラフィ検査データに関連付けられた因子またはデータ点の組に基づいて、収集されたマンモグラフィ検査データに関する１つ以上の複雑性評定または標識を提供するように構成され得る。いくつかの例では、因子またはデータ点の組は、収集された乳房画像を読み取るために要求される時間に影響を及ぼし得る。例えば、１～５のスケール（「１」は、非常に容易であり、「２」は、容易であり、「３」は、中程度であり、「４」は、困難であり、「５」は、非常に困難である）での「２」の評定が、以下の因子のうちの少なくとも２つが満たされる特徴の組にマッピングされ得る：乳房密度が、低い；画像内で識別される病変の数が１つまたはそれより少ない；および、読み取り者が１０年を上回る経験を有する。

【0051】

動作４０８において、症例複雑性インデックスが、出力され得る。いくつかの側面では、推定／更新された症例複雑性インデックスは、予測モデルまたは評価コンポーネントによって出力され得る。出力される症例複雑性インデックスは、スタンドアロン実行可能ファイルまたはユーティリティであり得る。代替として、出力される症例複雑性インデックスは、サービス、アプリケーション、またはシステムに統合され得る。一例として、症例複雑性インデックス（またはそのインスタンス）は、１つ以上のワークステーション（例えば、画像入手ワークステーション、画像精査ワークステーション、他のＨＩＳコンピューティングデバイス等）のユーザインターフェースに分配され、それに統合され得る。ユーザインターフェースは、保健医療専門家が、症例複雑性インデックスのマッピング、マッピング論理、分類、および／またはカテゴリ値を評価および／または修正することを可能にし得る。ユーザインターフェースは、加えて、保健医療専門家が、重み付けされた値または重要度を症例複雑性インデックスによって評価される種々の因子に割り当てることを可能にし得る。例えば、乳房密度より乳房画像内で識別される病変の数に着目する保健医療専門家は、より高い重要度を識別された病変の数に割り当て得る。より高い重要度を割り当てるステップは、乗数（×１．２５等）を識別された病変の数に関連する因子に適用することまたは特定の値範囲に関する指定を設定すること（例えば、「０」個の病変を「非常に容易」にマッピングし、「１～２」個の病変を「容易」にマッピングする等）を含み得る。

【0052】

動作４１０において、データの第２の組が、収集される。いくつかの側面では、データ収集エンジン２０２等のデータ収集コンポーネントが、１つ以上のデータソースからデータの第２の組を収集または受信し得る。データの第２の組は、データの第１の組とタイプ、カテゴリ、および／または値において類似するデータの少なくとも一部を備え得る。例えば、データの第２の組は、乳房画像データ、画像評価データ、および／または画像読み取り者情報を備えているか、または、それに関連し得る。しかしながら、いくつかの例では、データの第２の組は、標識化または非標識化訓練データを含まないこともある。

【0053】

動作４１２において、予測モデルが、データの第２の組を使用して訓練される。いくつかの側面では、データの第２の組および／または症例複雑性インデックスに関連するデータは、処理エンジン２０４等の評価コンポーネントに提供され得る。評価コンポーネントは、提供された情報を使用し、予測モデルを訓練し得る。いくつかの例では、予測モデルは、動作４０４において訓練された予測モデルであり得る。他の例では、新しいまたは代替予測モデルが、訓練され得る。予測モデルは、１つ以上の出力を発生させるために訓練され得る。例示的出力は、推定されるマンモグラフィ検査読み取り時間、読み取りされるべき画像に関する推定される複雑性評定、画像読み取り者の推奨または割り当て、業務／タスクスケジューリング日付／時間等を含む。例えば、予測モデルは、乳房属性（例えば、形状、密度、病変等）の特定の組を有する乳房画像の読み取り時間が、画像読み取り者の属性およびその下でマンモグラフィ検査読み取りが実施される条件に基づいて、変動すると決定し得る。決定に基づいて、予測モデルは、１つ以上のデータ相関技法を使用し、画像に関する既知の読み取り時間と既知の読み取り時間に対応する因子／データ点との間の相関を決定し得る。

【0054】

動作４１４において、読み取り時間が、推定され得る。いくつかの側面では、訓練された予測モデルは、データの第２の組を使用し、１つ以上の出力を発生させ得る。例えば、予測モデルは、データの第２の組を評価し、予測モデルを訓練するために使用されたデータとデータの第２の組との間の相関を決定し得る。決定された相関に基づいて、データの第２の組に関連付けられた乳房画像に関する１つ以上の読み取り時間が、推定され得る。例えば、撮像された乳房が、タイプ２のＢＩ－ＲＡＤＳマンモグラフィ密度を有し、いかなる病変も、乳房画像内で識別されなかったと識別することに基づいて、予測モデルは、５年を下回る経験を有する画像読み取り者に関して２０分のマンモグラフィ検査読み取り時間を推定し、５年以上の経験を有する画像読み取り者に関して１０分のマンモグラフィ検査読み取り時間を推定し得る。別の例では、予測モデルによって決定された相関に基づいて、複雑性評定／システムが、代替として、または加えて、推定／発生させられ得る。例えば、ＢＩ－ＲＡＤＳマンモグラフィ密度分類、病変カウント、および／または推定される読み取り時間に基づいて、予測モデルは、マンモグラフィ検査に関する読み取り複雑性を推定し得る。代替として、予測モデルは、動作４０６において発生または更新された症例複雑性インデックスを使用し、読み取り複雑性を推定し得る。例えば、予測モデルは、データの第２の組の少なくとも一部を症例複雑性インデックスに提供し得る。応答して、症例複雑性インデックスは、マンモグラフィ検査を読み取るための複雑性評定を予測モデルに提供し得る。

【0055】

動作４１６において、推定される読み取り時間が、出力され得る。いくつかの側面では、１つ以上の推定されるマンモグラフィ検査読み取り時間が、予測モデルによって出力され得る。推定される読み取り時間は、個々の画像読み取り者、複数の画像読み取り者、または読み取り者の１つ以上のカテゴリに対応し得る。例えば、推定される読み取り時間は、「平均」画像読み取り者がマンモグラフィ検査を読み取るために要求する時間の量を表し得る。代替として、各推定される読み取り時間は、画像読み取り者の特定のカテゴリにおける「平均」画像読み取り者がマンモグラフィ検査を読み取るために要求する時間の量を表し得る。いくつかの側面では、予測される読み取り時間は、例えば、上で説明されるユーザインターフェースを介して、保健医療専門家に提供され得る。予測される読み取り時間を提供することは、１つ以上の追加のアクションが実施されることを引き起こし得る。例えば、予測される読み取り時間に基づいて、マンモグラフィ検査を読み取るための専門知識および利用可能な時間を有する１人以上の放射線科医が、識別および／または通知され得る。識別／通知は、読み取り統計、利用可能性、教育／専門知識、経験等の放射線科医情報に関して１つ以上のＨＩＳデバイスにクエリを行うことによって遂行され得る。

【0056】

図５Ａは、本明細書に説明される自動化臨床ワークフロー決定に関連付けられた例示的ユーザインターフェース５００を図示する。いくつかの例では、ユーザインターフェース５００は、マンモグラフィ入手ワークステーション上で技師が使用するソフトウェアを表す。ソフトウェアは、Ｘ線撮像システム２０４等のＸ線撮像システムから乳房スクリーニング検査中に画像を収集するために、および／または、乳房スクリーニング検査中に収集された画像を精査するために使用され得る。ユーザインターフェース５００は、選択されると、「分析」ダイアログをアクティブにする、ボタン５０２を備えている。

【0057】

図５Ｂは、図５Ａのボタン５０２が選択されると表示される分析ダイアログ５１０を図示する。分析ダイアログ５１０は、ボタン５１２と、分析結果区分５１４と、読み取り時間インジケータ５１６および読み取り複雑性インジケータ５１８とを備えている。いくつかの側面では、ボタン５１２が、選択されると、画像評価ソフトウェアが、開始され、１つ以上の収集された画像が、図３および図４に説明される技法を使用して分析される。分析の結果として、分析結果区分５１４は、少なくとも部分的に、読み取り時間インジケータ５１６および読み取り複雑性インジケータ５１８等のデータを投入される。図５Ｂでは、読み取り時間インジケータ５１６は、分析されたマンモグラフィ検査に関する読み取り時間が、「中」であることを示し、読み取り複雑性インジケータ５１８は、分析されたマンモグラフィ検査に関する読み取り複雑性が、「高」であることを示す。「中」読み取り時間は、平均（または具体的）読み取り者が、マンモグラフィ検査を読み取るために中程度または平均的な時間の量を要求し得ることを示し得る。「高」複雑性は、マンモグラフィ検査の１つ以上の側面を正確に解釈および／または識別することが困難であることを示し得る。

【0058】

図６は、図１に説明されるＸ線管出力ロールオフを検出するための例示的な好適な動作環境を図示する。その最も基本的な構成では、動作環境６００は、典型的に、少なくとも１つの処理ユニット６０２と、メモリ６０４とを含む。コンピューティングデバイスの厳密な構成およびタイプに応じて、メモリ６０４（本明細書に開示されるＸ線管ロールオフ検出技法を実施するための命令を記憶する）は、揮発性（ＲＡＭ等）、不揮発性（ＲＯＭ、フラッシュメモリ等）、または２つのある組み合わせであり得る。この最も基本的な構成は、図６に破線６０６によって図示される。さらに、環境６００は、限定ではないが、磁気または光学ディスクまたはテープを含む記憶デバイス（リムーバブル６０８および／または非リムーバブル６１０）も含み得る。同様に、環境６００は、キーボード、マウス、ペン、音声入力等の入力デバイス６１４および／またはディスプレイ、スピーカ、プリンタ等の出力デバイス６１６も有し得る。ＬＡＮ、ＷＡＮ、ポイントツーポイント等の１つ以上の通信接続６１２も、環境内に含まれ得る。実施形態では、接続は、ポイントツーポイント通信、接続指向通信、無接続通信等を促進するように動作可能であり得る。

【0059】

動作環境６００は、典型的に、少なくともある形態のコンピュータ読み取り可能な媒体を含む。コンピュータ読み取り可能な媒体は、処理ユニット６０２または動作環境を構成する他のデバイスによってアクセスされ得る任意の利用可能な媒体であり得る。例として、限定ではないが、コンピュータ読み取り可能な媒体は、コンピュータ記憶媒体と、通信媒体とを備え得る。コンピュータ記憶媒体は、コンピュータ読み取り可能な命令、データ構造、プログラムモジュール、または他のデータ等の情報の記憶のための任意の方法または技術において実装される揮発性および不揮発性、リムーバブルおよび非リムーバブル媒体を含む。コンピュータ記憶媒体は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ、または他のメモリ技術、ＣＤ－ＲＯＭ、デジタル多用途ディスク（ＤＶＤ）、または他の光学記憶装置、磁気カセット、磁気テープ、磁気ディスク記憶装置、または他の磁気記憶デバイス、または所望の情報を記憶するために使用され得る任意の他の非一過性媒体を含む。コンピュータ記憶媒体は、通信媒体を含まない。

【0060】

通信媒体は、搬送波または他のトランスポート機構等の変調されたデータ信号においてコンピュータ読み取り可能な命令、データ構造、プログラムモジュール、または他のデータを具現化し、任意の情報配信媒体を含む。用語「変調されたデータ信号」は、その特性のうちの１つ以上のものを信号内の情報をエンコードするような様式で設定または変化させる信号を意味する。例として、限定ではないが、通信媒体は、有線ネットワークまたは直接有線接続等の有線媒体と、音響、ＲＦ、赤外線、マイクロ波、および他の無線媒体等の無線媒体とを含む。上記のうちのいずれかの組み合わせも、コンピュータ読み取り可能な媒体の範囲内に含まれるべきである。

【0061】

動作環境６００は、１つ以上の遠隔コンピュータへの論理接続を使用して、ネットワーク化環境内で動作する単一のコンピュータであり得る。遠隔コンピュータは、パーソナルコンピュータ、サーバ、ルータ、ネットワークＰＣ、ピアデバイス、または他の一般的なネットワークノードであり得、典型的に、上で説明される要素のうちの多く、または全て、およびそのように言及されないその他を含む。論理接続は、利用可能な通信媒体によってサポートされる任意の方法を含み得る。そのようなネットワーキング環境は、オフィス、企業全体のコンピュータネットワーク、イントラネット、およびインターネットにおいて一般的である。

【0062】

本明細書に説明される実施形態は、本明細書に開示されるシステムおよび方法を実装および実施するために、ソフトウェア、ハードウェア、またはソフトウェアおよびハードウェアの組み合わせを使用して採用され得る。具体的デバイスが、具体的機能を実施するものとして本開示全体を通して列挙されたが、当業者は、これらのデバイスが、例証目的のために提供され、他のデバイスが、本開示の範囲から逸脱することなく、本明細書に開示される機能性を実施するために採用され得ることを理解するであろう。

【0063】

本開示は、可能な実施形態のうちのいくつかのみが示された付随の図面を参照して本技術のいくつかの実施形態を説明する。しかしながら、他の側面も、多くの異なる形態において具現化され得、本明細書に記載される実施形態に限定されるように解釈されるべきではない。むしろ、これらの実施形態は、本開示が、徹底的かつ完全であり、可能性として考えられる実施形態の範囲を当業者に完全に伝えるように提供された。

【0064】

具体的実施形態が、本明細書に説明されるが、技術の範囲は、それらの具体的実施形態に限定されない。当業者は、技術の範囲および精神内である他の実施形態または改良を認識するであろう。したがって、具体的構造、行為、または媒体は、例証的実施形態としてのみ開示される。技術の範囲は、以下の請求項およびそれにおける任意の均等物によって定義される。

【図1】

【図2】

【図3】

【図4】

【図5A】

【図5B】

【図6】