背景技術(shù)：

1、例如經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)等人工智能(artificial?intelligence,ai)處理器可用于處理動(dòng)物的放射學(xué)圖像，以確定所成像的動(dòng)物具有某些健康狀況的概率。通常，單獨(dú)的ai處理器被用于評(píng)估各個(gè)身體區(qū)域(例如，胸部、腹部、肩部、前肢、后肢等)和/或每個(gè)這樣的身體區(qū)域的特定定向(例如，腹背(ventral?dorsal,vd)視圖、側(cè)視圖等)。特定的ai處理器針對(duì)于各個(gè)身體區(qū)域和/或定向確定特定健康狀況存在于所討論的身體區(qū)域的概率。每個(gè)這樣的ai處理器都包括大量經(jīng)過訓(xùn)練的模型，以評(píng)估成像區(qū)域內(nèi)相應(yīng)的健康狀況或器官。例如，對(duì)于動(dòng)物胸部的側(cè)視圖，ai處理器采用不同的模型來確定動(dòng)物具有與肺部相關(guān)的某些健康狀況(諸如肺門周圍浸潤、肺炎、支氣管炎、肺結(jié)節(jié)等)的概率。

2、每個(gè)這樣的ai處理器執(zhí)行的處理量以及完成這種處理所需的時(shí)間量是巨大的。該任務(wù)需要以下二者之一：(1)在特定ai處理器評(píng)估圖像之前，手動(dòng)識(shí)別和裁剪每個(gè)圖像，以定義特定的身體區(qū)域和定向，或者(2)將圖像饋送到每個(gè)ai處理器進(jìn)行評(píng)估。與放射學(xué)研究僅限于特定區(qū)域的人類放射學(xué)不同，獸醫(yī)放射學(xué)通常在一項(xiàng)研究中包括多個(gè)未標(biāo)記的圖像，且這些圖像涉及多個(gè)定向未知的身體區(qū)域。

3、在處理動(dòng)物放射學(xué)圖像的傳統(tǒng)工作流程中，系統(tǒng)假設(shè)圖像中包含用戶識(shí)別的身體區(qū)域。然后，用戶識(shí)別的圖像被發(fā)送到特定的ai處理器，例如，這些處理器使用機(jī)器學(xué)習(xí)(machine?learning,ml)模型來評(píng)估特定身體區(qū)域存在醫(yī)療狀況的概率。然而，如果識(shí)別的身體區(qū)域不正確或圖像中包含多個(gè)區(qū)域，則要求用戶識(shí)別身體區(qū)域會(huì)在傳統(tǒng)工作流程中產(chǎn)生摩擦并導(dǎo)致錯(cuò)誤。此外，當(dāng)沒有身體區(qū)域用戶標(biāo)識(shí)的圖像被發(fā)送到系統(tǒng)時(shí)，傳統(tǒng)的工作流程變得低效(或崩潰)。當(dāng)這種情況發(fā)生時(shí)，傳統(tǒng)的工作流程效率低下，因?yàn)槲醋R(shí)別的圖像被發(fā)送到大量不特定于成像身體區(qū)域的ai處理器。此外，傳統(tǒng)的工作流程容易產(chǎn)生錯(cuò)誤的結(jié)果，因?yàn)椴徽_的區(qū)域識(shí)別會(huì)導(dǎo)致圖像被發(fā)送到配置為評(píng)估不同身體區(qū)域的ai處理器。

4、使用ai分析射線照片的診斷特征并基于ai模型診斷準(zhǔn)備報(bào)告的傳統(tǒng)工作流程會(huì)產(chǎn)生指數(shù)級(jí)數(shù)量的可能的輸出報(bào)告。ai模型診斷結(jié)果提供了關(guān)于特定健康狀況的正?；虍惓４_定。在一些ai模型中，還提供了對(duì)特定健康狀況嚴(yán)重性的確定，例如正常、輕微、輕度、中度或重度。ai模型診斷結(jié)果的集合決定了從預(yù)制報(bào)告模板中選定哪個(gè)報(bào)告。從ai模型診斷結(jié)果的集合中創(chuàng)建和選擇單個(gè)報(bào)告模板的過程隨著ai模型的數(shù)量呈指數(shù)級(jí)改變規(guī)模。六個(gè)不同的ai模型正常/異常診斷結(jié)果需要64個(gè)不同的報(bào)告模板(2提高到六次冪)。10個(gè)模型需要1024個(gè)模板，16個(gè)模型需要65536個(gè)模板。檢測(cè)嚴(yán)重性的ai模型規(guī)模改變甚至更糟糕，例如16個(gè)嚴(yán)重性檢測(cè)模型，每個(gè)模型有5個(gè)可能的嚴(yán)重性，需要超過1500億個(gè)模板。因此，為ai模型診斷結(jié)果的每種組合手動(dòng)創(chuàng)建的報(bào)告不能很好地?cái)U(kuò)展為同時(shí)解釋大量的ai模型。

5、因此，需要一種新穎的系統(tǒng)，該系統(tǒng)具有若干完全自動(dòng)化的圖像預(yù)處理和圖像分析階段，包括確定接收到的圖像是否包括特定定向(側(cè)視圖等)的特定身體區(qū)域；適當(dāng)?shù)夭眉魣D像；從包含多于一個(gè)身體區(qū)域或感興趣區(qū)域的原始圖像創(chuàng)建一個(gè)或更多個(gè)子圖像；標(biāo)記原始圖像和創(chuàng)建的任何子圖像；以及根據(jù)目標(biāo)ai模型評(píng)估裁剪后的圖像和子圖像。此外，需要一種新穎的系統(tǒng)，該系統(tǒng)基于大量測(cè)試結(jié)果(包括但不限于ai模型結(jié)果)分析并提供放射診斷醫(yī)師報(bào)告。

6、機(jī)器學(xué)習(xí)中的ai模型或分類器經(jīng)過持續(xù)訓(xùn)練來提高模型性能。ai模型部署的最佳實(shí)踐涉及持續(xù)訓(xùn)練，持續(xù)訓(xùn)練包括對(duì)當(dāng)前部署的ai模型進(jìn)行再訓(xùn)練。再訓(xùn)練是基于這些常見參數(shù)中的一個(gè)或更多個(gè)，如基于ai性能、基于數(shù)據(jù)變化的觸發(fā)器或按需求訓(xùn)練。當(dāng)前ai模型再訓(xùn)練的行業(yè)標(biāo)準(zhǔn)的目標(biāo)是用新的、“改進(jìn)的”ai模型替換當(dāng)前訓(xùn)練的模型。當(dāng)前的ai技術(shù)基于生產(chǎn)環(huán)境中的單一模型結(jié)果，因此發(fā)展了再訓(xùn)練和替換的概念。

7、當(dāng)前方法的問題是，用新訓(xùn)練的ai模型替換當(dāng)前ai模型是根據(jù)如下假設(shè)工作的，即模型性能的提高在于減少不想要的“噪聲”或假陽性數(shù)據(jù)。在當(dāng)前ai模型中檢測(cè)為不想要的“噪聲”的數(shù)據(jù)被刪除，并替換為再訓(xùn)練的ai模型。然而，假設(shè)“噪聲”在整體系統(tǒng)性能中不是有價(jià)值的信息是不正確的。當(dāng)前模型分類器檢測(cè)到的“噪聲”有助于區(qū)分具有相似但不完全相同特征的數(shù)據(jù)點(diǎn)。因此，通過替換當(dāng)前ai模型，數(shù)據(jù)會(huì)丟失。

8、因此，需要一種結(jié)合了新ai模型和舊ai模型二者的新的方法來持續(xù)訓(xùn)練ai模型。

技術(shù)實(shí)現(xiàn)思路

1、本文所述的發(fā)明的一個(gè)方面提供了一種從數(shù)字文件中獲得加性ai結(jié)果的方法，該方法包括：通過第一人工智能(ai)分類器和至少一個(gè)第二ai分類器處理數(shù)字文件，從而分別獲得第一評(píng)估結(jié)果和至少一個(gè)第二評(píng)估結(jié)果；將第一評(píng)估結(jié)果和至少一個(gè)第二評(píng)估結(jié)果引導(dǎo)到至少一個(gè)合成處理器；以及將第一評(píng)估結(jié)果和至少一個(gè)第二評(píng)估結(jié)果與至少一個(gè)數(shù)據(jù)集聚類進(jìn)行比較，從而獲得加性ai結(jié)果。術(shù)語ai模型和ai分類器可以互換使用，并且其被定義為一種用于為數(shù)據(jù)輸入分配類標(biāo)記的機(jī)器學(xué)習(xí)算法。

2、該方法的實(shí)施例還包括測(cè)量從加性ai結(jié)果到來自數(shù)據(jù)集聚類的示例結(jié)果的距離，以獲得加性ai聚類標(biāo)識(shí)。在該方法的實(shí)施例中，數(shù)據(jù)集聚類還包括匹配的書面模板。該方法的實(shí)施例還包括匯編加性ai聚類標(biāo)識(shí)和匹配的書面模板以獲得報(bào)告。該方法的實(shí)施例還包括向用戶顯示報(bào)告。

3、在該方法的實(shí)施例中，第二ai分類器是第一ai分類器的派生。在該方法的實(shí)施例中，使用用于訓(xùn)練第一ai分類器的數(shù)據(jù)的至少一部分來訓(xùn)練第二ai分類器。例如，使用用于訓(xùn)練第一ai分類器的數(shù)據(jù)的至少99％、95％、90％、85％、80％、75％、70％、66％、60％、55％、50％、45％、40％、35％、30％、25％、20％、15％、10％或5％來訓(xùn)練第二分類器。在該方法的實(shí)施例中，第二ai分類器與第一ai分類器相關(guān)。在一些實(shí)施例中，第一ai分類器是綜合分類器。在一些實(shí)施例中，第二ai分類器是特定的分類器。在替代實(shí)施例中，第一ai分類器是特定分類器，而第二ai分類器是綜合分類器。

4、該方法的實(shí)施例還包括對(duì)一系列菊花鏈接的ai分類器重復(fù)引導(dǎo)和比較的步驟。該方法的實(shí)施例還包括將第一評(píng)估結(jié)果與第二評(píng)估結(jié)果進(jìn)行比較，以用于訓(xùn)練第一和第二ai分類器，或者以用于比較ai結(jié)果并測(cè)試預(yù)期性能。

5、該方法的實(shí)施例還包括將第一評(píng)估結(jié)果和第二評(píng)估結(jié)果添加到結(jié)果數(shù)據(jù)庫中。該方法的實(shí)施例還包括在處理之前獲取數(shù)字文件。該方法的實(shí)施例還包括在處理之前將模擬文件轉(zhuǎn)換為數(shù)字文件。該方法的實(shí)施例還包括在處理之前，通過對(duì)數(shù)字文件執(zhí)行標(biāo)記、裁剪、編輯和定向中的至少一個(gè)來對(duì)數(shù)字文件進(jìn)行分類。

6、該方法的實(shí)施例還包括通過將數(shù)學(xué)公式應(yīng)用于ai模型結(jié)果以啟發(fā)式方式調(diào)整ai模型結(jié)果，該數(shù)學(xué)公式包括加、減、乘、除或任何其他標(biāo)準(zhǔn)數(shù)學(xué)公式中的至少一個(gè)。

7、本文所述本發(fā)明的一個(gè)方面提供了一種系統(tǒng)，該系統(tǒng)被編程為通過本文所述的任何方法獲得加性ai結(jié)果，該系統(tǒng)包括：至少一個(gè)第一ai處理器；派生自第一ai處理器的至少一個(gè)派生ai處理器；以及輸出設(shè)備。

8、該系統(tǒng)的實(shí)施例還包括至少一個(gè)數(shù)據(jù)庫。該系統(tǒng)的實(shí)施例還包括用戶界面。在一些實(shí)施例中，ai結(jié)果僅來自一個(gè)第一ai分類器的一個(gè)派生分類器。在一些實(shí)施例中，結(jié)果中僅包括一個(gè)第一ai分類器的多于一個(gè)的派生分類器。在一些實(shí)施例中，結(jié)果中包括多于一個(gè)第一ai分類器的一個(gè)派生分類器。在一些實(shí)施例中，結(jié)果中包括多于一個(gè)第一ai分類器的多于一個(gè)派生分類器。在一些實(shí)施例中，結(jié)果中包括僅用于第一ai分類器中的一些的一個(gè)派生分類器和用于第一ai分類器中的一些的多于一個(gè)派生分類器。