疑似患有COVID-19的患者的心血管评估的制作方法

疑似患有covid
‑
19的患者的心血管评估
1.相关申请的交叉引用本技术要求2020年4月14日提交的美国临时申请号63/009,517的权益，该美国临时申请的公开内容通过引用以其整体并入本文。
技术领域
2.本发明总体上涉及心血管评估，并且特别地涉及对被确诊为患有或疑似患有covid
‑
19（冠状病毒疾病2019）的患者进行心血管评估以用于患者管理。


背景技术：

3.covid
‑
19（冠状病毒疾病2019）是由严重急性呼吸道症状冠状病毒2（sars
‑
cov2）引起的传染病。covid
‑
19的常见症状包括发烧、咳嗽和呼吸困难。在大多数情况下，感染covid
‑
19的患者经历不需要住院治疗的轻度至中度症状。然而，在严重情况下，covid
‑
19可能引起肺炎、严重急性呼吸综合征、多器官衰竭和死亡。
4.研究已经示出，感染covid
‑
19、还患有潜在心血管疾病的患者处于经历严重covid
‑
19症状的更高风险。通常，出于针对肺炎和其他肺部疾病评估肺部的目的，疑似感染covid
‑
19的患者接受胸部ct（计算机断层扫描）成像。然而，现有的自动技术不能基于这样的ct成像来评估患者的心血管系统，因为ct成像主要是为了评估患者的肺部而执行的，并且没有针对评估患者的心血管疾病而进行优化。


技术实现要素：

5.根据一个或多个实施例，提供了用于评估患者心血管疾病的系统和方法。接收患者的患者数据。患者数据可以包括患者胸部的一个或多个输入医学图像、基于所述一个或多个输入医学图像执行的肺部疾病评估的结果、患者的人口统计学和临床数据以及患者的心血管成像检查。使用经训练的基于机器学习的网络、基于患者数据为患者计算一个或多个心血管风险评分。可以基于所述一个或多个心血管风险评分来管理患者。
6.在一个实施例中，肺部疾病可以是covid
‑
19（冠状病毒疾病2019）或另一种病毒性肺炎。
7.在一个实施例中，所述一个或多个输入医学图像是在没有造影剂和没有心脏门控的情况下获取的。
8.在一个实施例中，所述一个或多个风险评分是表示心血管疾病评估和肺部疾病评估的度量。
9.在一个实施例中，患者数据包括患者生理测量的传感器数据。可以连续接收传感器数据，并且可以基于连续接收的传感器数据和心血管评估来监视患者。
10.通过参考以下详细描述和附图，本发明的这些和其他优点对于本领域普通技术人员来说将是清楚的。
附图说明
11.图1示出了根据一个或多个实施例的用于对被确诊为患有或疑似患有肺部疾病的患者进行心血管评估的框架；图2示出了根据一个或多个实施例的用于对被确诊为患有或疑似患有肺部疾病的患者进行心血管评估的方法；图3示出了可以用于实现本文描述的一个或多个实施例的示例性人工神经网络；图4示出了可以用于实现本文描述的一个或多个实施例的卷积神经网络；和图5示出了可以用于实现本文描述的一个或多个实施例的计算机的高级框图。
具体实施方式
12.本发明总体上涉及用于对被确诊为患有或疑似患有covid
‑
19（冠状病毒疾病2019）的患者进行心血管评估的方法和系统。本文描述了本发明的实施例，以给出对这样的方法和系统的视觉理解。数字图像通常由一个或多个对象（或形状）的数字表示组成。对象的数字表示在本文通常是依据标识和操控对象来描述的。这样的操控是在计算机系统的存储器或其他电路/硬件中完成的虚拟操控。因此，要理解，本发明的实施例可以使用存储在计算机系统内的数据在计算机系统内执行。
13.covid
‑
19是一种传染病，其通常表现为诸如发热、咳嗽和呼吸困难之类的呼吸道症状。已发现还患有潜在心血管疾病的有covid
‑
19的患者展现出更严重的covid
‑
19症状，并且具有更差的患者预后（包括死亡）。通常，疑似患有covid
‑
19的患者接受胸部ct（计算机断层扫描）成像以便评估肺部。ct成像主要是为了评估肺部的目的而执行的，并且因此，ct成像是在没有造影剂和没有心脏门控的情况下执行的，与通常用于评估心血管疾病的ct成像相比，导致相对较低的心血管结构图像质量。本文描述的实施例提供了用于使用这样的ct成像对患者进行心血管评估的基于机器学习的系统。有利地，根据本文描述的实施例，对被确诊为患有或疑似患有covid
‑
19的患者的心血管评估允许改进的患者管理决策和患者层理（stratification），从而使能实现对临床资源的更好使用和改进的患者预后。
14.应该理解的是，虽然本文描述的实施例是关于被确诊为患有或疑似患有covid
‑
19的患者进行心血管评估来描述的，但是这样的实施例不限于此。实施例可以应用于被确诊为患有或疑似患有任何肺部疾病的患者的心血管评估（例如，其他类型的病毒性肺炎（例如，sars（严重急性呼吸综合征）、mers（中东呼吸综合征）等）、细菌性肺炎、真菌性肺炎、支原体肺炎以及其他类型的肺炎和其他类型的疾病）。
15.图1示出了根据一个或多个实施例的用于对被确诊为患有或疑似患有肺部疾病的患者进行心血管评估的框架100。图2示出了根据一个或多个实施例的用于对被确诊为患有或疑似患有肺部疾病的患者进行心血管评估的方法200。图1和图2将一起描述。方法200的步骤可以由一个或多个计算设备（诸如例如，图5的计算机502）来执行。
16.在步骤202处，接收患者的患者数据。患者可能被确诊为患有或疑似患有肺部疾病。在一个实施例中，肺部疾病是covid
‑
19。然而，肺部疾病可以包括与患者肺部相关联的任何疾病，诸如例如，其他类型的病毒性肺炎（例如，sars（严重急性呼吸综合征）、mers（中东呼吸综合征）等）、细菌性肺炎、真菌性肺炎、支原体肺炎以及其他类型的肺炎和其他类型的疾病。
17.在一个实施例中，患者数据包括患者胸部（包括肺部和心脏）的一个或多个输入医学图像。输入医学图像可以描绘与肺部疾病相关联的异常模式。例如，在肺部疾病是covid
‑
19的情况下，输入医学图像可以示出不透明性，诸如例如ggo（毛玻璃样不透明性）、实变、狂铺型、肺不张、小叶间隔增厚、胸腔积液、支气管扩张等。
18.在一个实施例中，输入医学图像是ct输入医学图像。例如，输入医学图像可以是图1的框架100中的胸部ct图像102。然而，输入医学图像可以具有任何合适的模态，诸如例如，mri（磁共振成像）、us（超声）、x光或任何其他模态或模态组合。输入医学图像可以包括一个或多个2d图像或3d体积。可以在采集输入医学图像时直接从图像采集设备（诸如例如ct扫描仪）接收输入医学图像，或者可以通过从计算机系统的存储装置或存储器加载先前获取的输入医学图像或者从远程计算机系统接收输入医学图像来接收输入医学图像。
19.在一个实施例中，输入医学图像是在用于针对肺部疾病诊断或治疗患者的临床工作流程期间获取的。因此，可以在使用或不使用造影剂、没有心脏门控、与典型的心脏ct成像相比具有相对更低的空间分辨率以及具有低剂量ct成像的情况下获取输入医学图像。虽然这样的图像适合于评估肺部疾病，但是与为了评估心血管疾病的目的而获取的典型医学图像相比，这样的图像是相对更低质量的图像。
20.在一个实施例中，患者数据包括基于输入医学图像执行的肺部疾病评估的结果。例如，肺部疾病评估的结果可以是图1的框架100中肺部疾病评估的结果104。在一个实施例中，肺部疾病的评估是使用基于机器学习的网络在输入医学图像上执行的肺部疾病的定量评估。定量评估的结果可以包括量化肺部疾病的度量。例如，在肺部疾病是covid
‑
19的情况下，定量评估可以量化与covid
‑
19相关联的异常模式。示例性度量包括计算为受疾病影响的肺部的总体积百分比的po（不透明性百分比）度量和计算为跨肺部每个肺叶的疾病中肺牵涉程度的累积度量的lss（肺严重度评分）度量。还设想到其他度量。在一个实施例中，肺部疾病的评估是由临床医生或其他用户执行的肺部疾病的定性评估。
21.在一个实施例中，患者数据包括心血管成像检查的结果。例如，心血管成像检查的结果可以是图1的框架100中的心血管成像检查的结果106。心血管成像检查可以基于任何合适的模态或模态组合。示例性心血管成像检查包括超声心动图、血管超声、心脏mri、心脏ct、心脏pet或任何其他心血管成像检查。
22.在一个实施例中，患者数据包括患者的人口统计学和临床数据。例如，人口统计学和临床数据可以是图1的框架100中的人口统计学和临床数据108。人口统计学和临床数据可以包括与患者相关的任何数据，诸如例如，年龄、性别、临床病史、遗传和家族史、风险因素（例如，高血压、糖尿病等）、实验室值等。
23.在一个实施例中，人口统计学和临床数据包括患者生理测量的传感器数据。传感器数据可以包括，例如，ecg（心电图）数据、eeg（脑电图）数据、血压数据、o2（氧）饱和度、血液ph、血糖水平等。传感器数据可以从传感器和医学装备、包括非医学级传感器设备获取。示例性传感器包括血压计、心率传感器、ecg监视器、脉搏血氧计、o2饱和度传感器、汗液传感器、智能手表和可佩戴传感器等。传感器数据可以连续地获取或以预定间隔周期性地获取。
24.在步骤204处，使用经训练的基于机器学习的网络、基于患者数据为患者计算一个或多个心血管风险评分。心血管风险评分表示对与患者心脏或血管相关的风险或损伤的评
估。在一个示例中，在图1的框架100中，使用基于自动化ai（人工智能）的心血管疾病评估系统110来计算心血管风险评分112。在一个实施例中，经训练的基于机器学习的网络是基于深度学习的网络，然而可以采用任何其他合适的基于机器学习的网络。在一个实施例中，心血管风险评分基于由不同的相应机器学习网络独立确定的多个心血管发现。经训练的基于机器学习的网络被训练成在先前离线或训练阶段期间使用训练数据集来计算该心血管风险评分，并且一旦被训练，就在在线或推理阶段期间在步骤204处应用。
25.在一个实施例中，患者的心血管风险评分表示患者心血管风险的量化。例如，心血管风险评分可以是冠状动脉中钙的量的量化（总钙或每个分支中的钙），主动脉（例如，主动脉根部、胸主动脉或主动脉瓣叶）中钙负荷的量化，或主动脉和肺动脉大小的量化。在另一个示例中，心血管风险评分可以是心外膜脂肪、心旁脂肪或心外膜脂肪组织的量化。在另一个示例中，心血管风险评分可以是心肌脂肪（浸润）的量化。
26.在一个实施例中，还使用经训练的基于机器学习的网络、基于患者数据确定患者的心血管评估。患者的心血管评估可以包括从输入医学图像对各种解剖结构（例如，心血管结构，诸如心包、心腔、主动脉、肺动脉等）的自动提取。在一个实施例中，患者的心血管评估包括在输入医学图像中标识的成像生物标记。
27.在一个实施例中，患者的心血管评估包括由经训练的基于机器学习的网络从输入医学图像提取的心血管特定成像特征。提取的成像特征可以与其他患者数据相组合以用于更全面的评估。例如，提取的成像特征可以与经由超声从其他血管区域（诸如例如，颈动脉、主动脉和回肠
‑
股骨区）获得的心血管疾病成像生物标记相组合。
28.在一个实施例中，患者的心血管评估包括针对临床决策支持的所推荐动作过程。例如，所推荐行动过程可以是对患者进行随访的所建议的持续时间。
29.在一个实施例中，患者的心血管风险评分包括表示患者的心血管疾病以及患者的肺部疾病的评估的组合度量。可以基于输入医学图像中的成像生物标记、与患者的其他患者数据组合地计算组合度量。在一个示例中，组合度量是对总体心肺系统——包括患者的肺部和心脏——的评估，其表示肺部疾病和心血管疾病两者的程度、严重性和风险。在另一个示例中，组合度量可以是在心血管评估的上下文中标准化的肺部评估（例如，心血管风险的量化）。在另一个示例中，组合度量可以表示在肺部疾病评估的上下文中量化的心血管评估（例如，心血管风险的量化）。例如，心血管风险的量化可以相对于肺部中的感染量或肺灌注进行标准化。也可以采用与心血管疾病不直接相关的其他度量。
30.在步骤206处，输出患者的心血管风险评分和/或心血管评估。例如，可以通过在计算机系统的显示设备上显示心血管风险评分和/或心血管评估，将心血管风险评分和/或心血管评估存储在计算机系统的存储器或存储装置上，或者通过将心血管风险评分和/或心血管评估传输到远程计算机系统来输出心血管风险评分和/或心血管评估。
31.在一个实施例中，心血管风险评分和/或心血管评估可以作为突出心脏风险的各种来源（例如，冠状动脉钙化、心外膜脂肪、大血管扩张等）的视觉报告来输出。患者的心血管风险评分和/或心血管评估可以与其他患者的心血管风险评分和/或心血管评估一起显示在视觉报告中，其中患者基于心血管风险在视觉报告内被排序（按需或自动）。在一个实施例中，临床医生（或其他用户）可以接收通知（例如，电子邮件、文本或聊天消息或基于应用的通知），从而指示心血管风险评分和/或心血管评估完成。临床医生可以与通知交互（例
如，选择通知）以查看心血管风险评分和/或心血管评估。
32.在一个实施例中，心血管风险评分和/或心血管评估可以被临床用于患者管理。例如，临床医生可以基于心血管风险评分和/或心血管评估来选订（order）附加的测试、改变疗法、管理临床资源等。
33.在一个实施例中，患者数据（包括患者数据的临床和非临床来源两者）可以在心血管风险评分和/或心血管评估的上下文中使用，以标识心脏不适的迹象。例如，患者数据可以是来自诸如ecg监视器、血压传感器、o2饱和度传感器、智能手表、汗液传感器、实验室测试数据（例如，肌钙蛋白水平、血糖水平、胆固醇等）或任何其他传感器之类的一个或多个传感器的传感器数据。传感器数据与患者数据相组合，可以被连续接收并用于构建患者生理的连续演变模型。基于连续接收的传感器数据和心血管风险评分和/或心血管评估，该模型可以用于针对指示心脏损伤或压力的突然改变而监视患者。在检测到这样的心脏损伤或压力指示的情况下，可以向临床医生传输通知，以便对患者进行进一步的评估。
34.有利地，根据本文描述的实施例的患者的心血管风险评分和/或心血管评估帮助临床医生进行患者管理决策和患者层理。使用在用于诊断或治疗肺部疾病的临床工作流程中获得的患者数据来确定心血管风险评分和/或心血管评估，并且因此需要来自临床医生的最少的时间，这对于治疗有covid
‑
19的患者的临床医生来说特别重要。此外，心血管风险评分和/或心血管评估是基于各种患者数据的组合来确定的，并且因此，特定患者数据的准确性对于确定心血管评估不是关键的。
35.本文描述的实施例是关于要求保护的系统以及关于要求保护的方法来描述的。本文的特征、优点或替代实施例可以被分配给其他要求保护的对象，并且反之亦然。换句话说，系统的权利要求可以利用在方法的上下文中描述或要求保护的特征来改进。在该情况下，该方法的功能特征由提供系统的目标单元体现。
36.此外，关于用于使用经训练的基于机器学习的网络对疑似患有covid
‑
19的患者进行心血管评估的方法和系统，以及关于用于训练基于机器学习的网络以便对疑似患有covid
‑
19的患者进行心血管评估的方法和系统来描述本文描述的实施例。本文的特征、优点或替代实施例可以被分配给其他要求保护的对象，并且反之亦然。换句话说，用于训练基于机器学习的生成器网络的方法和系统的权利要求可以利用在用于利用经训练的基于机器学习的生成器网络的方法和系统的上下文中描述或要求保护的特征来改进，并且反之亦然。
37.特别地，用于对疑似患有covid
‑
19的患者进行心血管评估的方法和系统的经训练的基于机器学习的网络可以由用于训练基于机器学习的网络以便对疑似患有covid
‑
19的患者进行心血管评估的方法和系统所适应。此外，经训练的基于机器学习的网络的输入数据可以包括训练输入数据的有利特征和实施例，并且反之亦然。此外，经训练的基于机器学习的网络的输出数据可以包括输出训练数据的有利特征和实施例，并且反之亦然。
38.一般而言，经训练的基于机器学习的网络模拟了人类与其他人类思维相关联的认知功能。特别地，通过基于训练数据进行训练，经训练的基于机器学习的网络能够适应新的情况并检测和外推模式。
39.一般而言，基于机器学习的网络的参数可以借助于训练来适应。特别地，可以使用监督训练、半监督训练、无监督训练、强化学习和/或主动学习。此外，可以使用表征学习
（representation learning）（替代术语是“特征学习”）。特别地，可以通过若干个训练步骤迭代地适应经训练的基于机器学习的网络的参数。
40.特别地，经训练的基于机器学习的网络可以包括神经网络、支持向量机、决策树和/或贝叶斯网络，和/或经训练的基于机器学习的网络可以基于k均值聚类、q学习、遗传算法和/或关联规则。特别地，神经网络可以是深度神经网络、卷积神经网络或卷积深度神经网络。此外，神经网络可以是对抗网络、深度对抗网络和/或生成对抗网络。
41.图3示出了根据一个或多个实施例的人工神经网络300的实施例。“人工神经网络”的替代术语是“神经网络”、“人工神经网”或“神经网”。本文描述的机器学习网络、诸如例如图1的基于自动化ai的心血管疾病评估系统110和在图2的步骤204处应用的基于机器学习的网络可以使用人工神经网络300来实现。
42.人工神经网络300包括节点302
‑
322和边332，334，
…
，336，其中每个边332，334，
…
，336是从第一节点302
‑
322到第二节点302
‑
322的定向连接。一般而言，第一节点302
‑
322和第二节点302
‑
322是不同的节点302
‑
322，第一节点302
‑
322和第二节点302
‑
322等同也是可能的。例如，在图3中，边332是从节点302到节点306的定向连接，并且边334是从节点304到节点306的定向连接。从第一节点302
‑
322到第二节点302
‑
322的边332，334，
…
，336也被标示为第二节点302
‑
322的“进入边”和第一节点302
‑
322的“外出边”。
43.在该实施例中，人工神经网络300的节点302
‑
322可以被布置在层324
‑
330中，其中这些层可以包括由节点302
‑
322之间的边332，334，
…
，336引入的固有次序。特别地，边332，334，
…
，336仅能存在于近邻节点层之间。在图3中所示的实施例中，存在仅包括没有进入边的节点302和304的输入层324、仅包括没有外出边的节点322的输出层330、以及介于输入层324和输出层330之间的隐藏层326、328。一般而言，隐藏层326、328的数量可以任意选择。输入层324内的节点302和304的数量通常与神经网络300的输入值的数量相关，并且输出层330内的节点322的数量通常与神经网络300的输出值的数量相关。
44.特别地，可以将（实）数作为值分配给神经网络300的每个节点302
‑
322。这里，标示第n层324
‑
330的第i节点302
‑
322的值。输入层324的节点302
‑
322的值等同于神经网络300的输入值，输出层330的节点322的值等同于神经网络300的输出值。此外，每个边332，334，
…
，336可以包括作为实数的权重，特别地，该权重是在区间[
‑
1，1]内或区间[0，1]内的实数。这里，标示第m层324
‑
330的第i节点302
‑
322和第n层324
‑
330的第j节点302
‑
322之间的边的权重。此外，针对权重定义缩写。
[0045]
特别地，为了计算神经网络300的输出值，输入值通过神经网络传播。特别地，第（n 1）层324
‑
330的节点302
‑
322的值可以基于第n层324
‑
330的节点302
‑
322的值通过下式计算。
[0046]
本文中，函数f是传递函数（另一个术语是“激活函数”）。已知的传递函数是阶跃函数、sigmoid函数（例如，逻辑函数、广义逻辑函数、双曲正切、反正切函数、误差函数、平滑阶跃函数）或整流函数。传递函数主要用于标准化目的。
[0047]
特别地，值通过神经网络逐层传播，其中输入层324的值由神经网络300的输入给
出，其中第一隐藏层326的值可以基于神经网络的输入层324的值来计算，其中第二隐藏层328的值可以基于第一隐藏层326的值来计算，等等。
[0048]
为了设置边的值，必须使用训练数据来训练神经网络300。特别地，训练数据包括训练输入数据和训练输出数据（标示为t
i
）。对于训练步骤，神经网络300被应用于训练输入数据以生成计算的输出数据。特别地，训练数据和计算的输出数据包括一数量的值，所述数量等于输出层的节点数量。
[0049]
特别地，在计算的输出数据与训练数据之间的比较被用于递归地适应神经网络300内的权重（反向传播算法）。特别地，根据下式改变权重其中是学习速率，并且如果第（n 1）层不是输出层，则数量可以基于递归地计算为并且如果第（n 1）层是输出层330，则计算为其中是激活函数的一阶导数，并且是输出层330的第j节点的比较训练值。
[0050]
图4示出了根据一个或多个实施例的卷积神经网络400。本文描述的机器学习网络、诸如例如图1的基于自动化ai的心血管疾病评估系统110和在图2的步骤204处应用的基于机器学习的网络可以使用卷积神经网络400来实现。
[0051]
在图4中所示的实施例中，卷积神经网络包括400输入层402、卷积层404、汇集层406、全连层408和输出层410。替代地，卷积神经网络400可以包括若干个卷积层404、若干个汇集层406和若干个全连层408以及其他类型的层。各层的次序可以任意选择，通常全连层408被用作输出层410之前的最后的层。
[0052]
特别地，在卷积神经网络400内，一个层402
‑
410的节点412
‑
420可以被认为被布置成d维矩阵或d维图像。特别地，在二维情况下，第n层402
‑
410中用i和j索引的节点412
‑
420的值可以标示为。然而，一个层402
‑
410的节点412
‑
420的布置对卷积神经网络400内执行的计算本身没有影响，因为这些仅由边的结构和权重给出。
[0053]
特别地，卷积层404由基于一定数量的内核形成卷积操作的进入边的结构和权重表征。特别地，选择进入边的结构和权重，使得卷积层404的节点414的值基于前一层402的节点412的值被计算为卷积，其中卷积*在二维情况下被定义为。
[0054]
这里，第k内核k
k
是d维矩阵（在该实施例中是二维矩阵），其通常与节点412
‑
418的数量相比是小的（例如，3
×
3矩阵或5
×
5矩阵）。特别地，这意味着进入边的权重不是独立
的，而是被选择成使得它们产生所述卷积方程。特别地，对于作为3
×
3矩阵的内核，不管相应层402
‑
410中的节点412
‑
420的数量如何，仅存在9个独立权重（内核矩阵的每个条目对应于一个独立权重）。特别地，对于卷积层404，卷积层中的节点414的数量等于前一层402中的节点412的数量乘以内核的数量。
[0055]
如果前一层402的节点412被布置成d维矩阵，则使用多个内核可以被解释为添加另外的维度（标示为“深度”维度），使得卷积层414的节点414被布置成（d 1）维矩阵。如果前一层402的节点412已经被布置成包括深度维度的（d 1）维矩阵，则使用多个内核可以被解释为沿着深度维度扩展，使得卷积层404的节点414也被布置成（d 1）维矩阵，其中（d 1）维矩阵相对于深度维度的大小是前一层402中的内核数量倍。
[0056]
使用卷积层404的优点在于，可以通过在相邻层的节点之间实施局部连接模式、特别是通过每个节点仅连接到前一层的节点的小区域，来利用输入数据的空间局部相关性。
[0057]
在图4中所示的实施例中，输入层402包括被布置成二维6
×
6矩阵的36个节点412。卷积层404包括被布置成两个二维6
×
6矩阵的72个节点414，两个矩阵中的每一个都是输入层的值与内核的卷积的结果。等效地，卷积层404的节点414可以被解释为布置成三维6
×6×
2矩阵，其中最后一个维度是深度维度。
[0058]
汇集层406可以由进入边的结构和权重以及其节点416的激活函数来表征，从而基于非线性汇集函数f形成汇集操作。例如，在二维情况下，可以基于前一层404的节点414的值将汇集层406的节点416的值计算为。
[0059]
换句话说，通过使用汇集层406，可以通过利用单个节点416替换前一层404中数量的近邻节点414来减少节点414、416的数量，所述单个节点416作为汇集层中所述数量的近邻节点的值的函数来计算。特别地，汇集函数f可以是最大函数、平均值或l2范数。特别地，对于汇集层406，进入边的权重是固定的，并且不通过训练来修改。
[0060]
使用汇集层406的优点是减少了节点414、416的数量和参数的数量。这导致网络中的计算量减少，并导致对过拟合的控制。
[0061]
在图4中所示的实施例中，汇集层406是最大汇集，仅利用一个节点替换四个近邻节点，该值是四个近邻节点值的最大值。最大汇集应用于先前层的每个d维矩阵；在该实施例中，最大汇集应用于两个二维矩阵中的每一个，从而将节点的数量从72减少到18。
[0062]
全连层408由以下事实表征：在先前层406的节点416与全连层408的节点418之间的大多数、特别是所有边都存在，并且其中每个边的权重可以被单独调整。
[0063]
在该实施例中，全连层408的前一层406的节点416被显示为二维矩阵以及附加地被显示为非相关节点（指示为一行节点，其中节点的数量为了更好的呈现性被减少）两者。在该实施例中，全连层408中的节点418的数量等于前一层406中的节点416的数量。替代地，节点416、418的数量可以不同。
[0064]
此外，在该实施例中，输出层410的节点420的值通过将softmax函数应用于前一层408的节点418的值上来确定。通过应用softmax函数，输出层410的所有节点420的值之和是1，并且输出层的所有节点420的所有值都是0和1之间的实数。
[0065]
卷积神经网络400也可以包括relu（整流线性单元）层。特别地，relu层中包含的节
点数量和节点结构等同于前一层中包含的节点数量和节点结构。特别地，通过对前一层的对应节点的值应用整流函数来计算relu层中每个节点的值。整流函数的示例是、正切双曲函数或sigmoid函数。
[0066]
特别地，可以基于反向传播算法来训练卷积神经网络400。为了防止过拟合，可以使用正则化方法，例如，节点412
‑
420的丢弃、随机汇集、人工数据的使用、基于l1或l2范数的权重衰减或最大范数约束。
[0067]
本文描述的系统、装置和方法可以使用数字电路，或者使用一个或多个使用公知的计算机处理器、存储器单元、存储设备、计算机软件和其他组件的计算机来实现。通常，计算机包括用于执行指令的处理器和用于存储指令和数据的一个或多个存储器。计算机还可以包括或耦合到一个或多个大容量存储设备，诸如一个或多个磁盘、内部硬盘和可移动盘、磁光盘、光盘等。
[0068]
本文描述的系统、装置和方法可以使用以客户端
‑
服务器关系操作的计算机来实现。通常，在这样的系统中，客户端计算机远离服务器计算机定位，并经由网络进行交互。客户端
‑
服务器关系可以由在相应的客户端和服务器计算机上运行的计算机程序来定义和控制。
[0069]
本文描述的系统、装置和方法可以在基于网络的云计算系统内实现。在这样的基于网络的云计算系统中，连接到网络的服务器或另一个处理器经由网络与一个或多个客户端计算机通信。例如，客户端计算机可以经由驻留并操作在客户端计算机上的网络浏览器应用与服务器通信。客户端计算机可以将数据存储在服务器上，并经由网络访问数据。客户端计算机可以经由网络向服务器传输针对数据的请求或针对在线服务的请求。服务器可以执行所请求的服务并向（一个或多个）客户端计算机提供数据。服务器还可以传输适于引起客户端计算机执行特定功能的数据，所述特定功能例如执行计算、在屏幕上显示指定的数据等。例如，服务器可以传输适于引起客户端计算机执行本文描述的方法和工作流程的一个或多个步骤或功能——包括图1
‑
2的一个或多个步骤或功能——的请求。本文描述的方法和工作流程的某些步骤或功能——包括图1
‑
2的一个或多个步骤或功能——可以由基于网络的云计算系统中的服务器或由另一个处理器来执行。本文描述的方法和工作流程的某些步骤或功能——包括图1
‑
2的一个或多个步骤——可以由基于网络的云计算系统中的客户端计算机来执行。本文描述的方法和工作流的步骤或功能——包括图1
‑
2的一个或多个步骤——可以由基于网络的云计算系统中的服务器和/或由客户端计算机以任何组合来执行。
[0070]
本文描述的系统、装置和方法可以使用有形地体现在信息载体中（例如在非暂时性机器可读存储设备中）以供可编程处理器执行的计算机程序产品来实现；并且本文描述的方法和工作流程步骤——包括图1
‑
2的一个或多个步骤或功能——可以使用可由这样的处理器执行的一个或多个计算机程序来实现。计算机程序是一组计算机程序指令，其可以直接或间接在计算机中使用，以执行某个活动或导致某个结果。计算机程序可以用包括编译或解释语言的任何形式的编程语言编写，并且它可以以任何形式部署，所述任何形式包括作为独立程序或作为模块、组件、子例程或适合供在计算环境中使用的其他单元。
[0071]
图5中描绘了可以用于实现本文描述的系统、装置和方法的示例计算机502的高级框图。计算机502包括操作性地耦合到数据存储设备512和存储器510的处理器504。处理器
504通过如下方式控制计算机502的总体操作：执行定义这样的操作的计算机程序指令。计算机程序指令可以存储在数据存储设备512或其他计算机可读介质中，并且当期望执行计算机程序指令时加载到存储器510中。因此，图1
‑
2的方法和工作流程步骤或功能可以由存储在存储器510和/或数据存储设备512中的计算机程序指令来定义，并且由执行计算机程序指令的处理器504来控制。例如，计算机程序指令可以被实现为由本领域技术人员编程的计算机可执行代码，以执行图1
‑
2的方法和工作流程步骤或功能。因此，通过执行计算机程序指令，处理器504执行图1
‑
2的方法和工作流程步骤或功能。计算机502还可以包括一个或多个网络接口506，用于经由网络与其他设备通信。计算机502还可以包括使得用户能够与计算机502交互的一个或多个输入/输出设备508（例如，显示器、键盘、鼠标、扬声器、按钮等）。
[0072]
处理器504可以包括通用和专用微处理器二者，并且可以是计算机502的唯一处理器或多个处理器之一。例如，处理器504可以包括一个或多个中央处理单元（cpu）。处理器504、数据存储设备512和/或存储器510可以包括一个或多个专用集成电路（asic）和/或一个或多个现场可编程门阵列（fpga）、由其补充或者并入其中。
[0073]
数据存储设备512和存储器510各自包括有形的非暂时性计算机可读存储介质。数据存储设备512和存储器510可以各自包括高速随机存取存储器，诸如动态随机存取存储器（dram）、静态随机存取存储器（sram）、双倍数据速率同步动态随机存取存储器（ddr ram）或其他随机存取固态存储器设备，并且可以包括非易失性存储器，诸如一个或多个磁盘存储设备，诸如内部硬盘和可移动盘、磁光盘存储设备、光盘存储设备、闪速存储器设备、半导体存储器设备，诸如可擦除可编程只读存储器（eprom）、电可擦除可编程只读存储器（eeprom）、致密盘只读存储器（cd
‑
rom）、数字多功能光盘只读存储器（dvd
‑
rom）盘或其他非易失性固态存储设备。
[0074]
输入/输出设备508可以包括外围设备，诸如打印机、扫描仪、显示屏等。例如，输入/输出设备508可以包括：用于向用户显示信息的显示设备，诸如阴极射线管（crt）或液晶显示器（lcd）监视器；键盘；以及用户可以通过其向计算机502提供输入的定点设备，诸如鼠标或轨迹球。
[0075]
图像采集设备514可以连接到计算机502以将图像数据（例如，医学图像）输入到计算机502。将图像采集设备514和计算机502实现为一个设备是可能的。图像采集设备514和计算机502通过网络无线通信也是可能的。在可能的实施例中，计算机502可以相对于图像采集设备514远程定位。
[0076]
本文讨论的任何或所有系统和装置——包括图1的基于自动化ai的心血管疾病评估系统110、图2的步骤204处应用的基于机器学习的网络、图3的人工神经网络300和图4的卷积神经网络400——可以使用一个或多个计算机（诸如计算机502）来实现。
[0077]
本领域技术人员将认识到，实际计算机或计算机系统的实现可以具有其他结构，并且也可以包含其他组件，并且为了说明的目的，图5是这样的计算机的一些组件的高级表示。
[0078]
前述具体实施方式应被理解为在每个方面中都是说明性和示例性的，而不是限制性的，并且本文公开的本发明的范围将不是由具体实施方式确定的，而是由根据专利法准许的完全宽度解释的权利要求确定的。应理解，本文示出和描述的实施例仅仅是本发明原
理的说明，并且在不脱离本发明的范围和精神的情况下，本领域技术人员可以实现各种修改。本领域技术人员可以在不脱离本发明的范围和精神的情况下实现各种其他特征组合。