本发明的主题涉及检测并测定病灶尺寸，更具体地，涉及实时检测并测定病灶尺寸的人工智能平台。
背景技术
结肠息肉生长于结肠的内衬上并且很常见。结肠息肉因它们可能是或者可能变为恶性(癌症)而变得很重要。它们还很重要是因为基于它们的尺寸、数量以及显微解剖(组织结构)，临床医生可以预测哪些患者更有可能发展出更多的息肉以及结肠癌。
息肉可能呈各种形状。例如，有蒂息肉看起来像蘑菇、通过薄的茎秆附接至结肠的衬里并在肠内部翻转。无蒂息肉没有茎，并且通过宽的基部附接至衬里。扁平结肠息肉是扁平的甚至微凹。这些可能难以识别，这是因为它们不像在常用的息肉诊断方法的情况下的息肉或无蒂息肉那么突出。
最常见类型的息肉是腺瘤或腺瘤息肉。这是一种要识别的重要的息肉类型，不仅是因为它是最常见的，而且因为它是结肠癌最常见的危险因素。腺瘤将发展成(或者已经发展到)癌症的可能性部分依赖于其类型、形状以及尺寸；息肉越大，它更有可能是或将变成恶性的(例如，关于潜在恶性肿瘤的担忧随息肉尺寸大于1厘米而增加)。
如果存在单发性息肉或多发性息肉那么它也很要紧。具有多发性息肉(即使在显微镜下检查时这些息肉不是恶性的)的患者更有可能发展出在未来可能变成恶性的额外的息肉。有关这种增加恶性肿瘤可能性的担忧是在有三个或更多个息肉时开始的。
由于息肉尺寸与随后的恶性肿瘤发展之间存在强联系，因此，必须准确地检测并测定息肉尺寸。测定息肉尺寸的最常用方法涉及内窥镜师(endoscopist)在手术(procedure)期间观看高清晰度画面并且视觉上估计该息肉的尺寸。在手术期间例如使用手术钳或勒除器去除的息肉可以此后由病理医师进一步加以测量。然而，NIH最近的研究发现，内窥镜师的估计与病理医师对结肠息肉尺寸的测量结果之间有着显著的差异(例如，0.3cm的平均差异)。
该研究的结果暗示息肉尺寸文件记载方面的广泛不一致。临床医生估计和病理医师测量结果都未准确地反映结肠息肉尺寸。息肉尺寸的不准确确定可以对涉及晚期腺瘤检测的患者预后产生不利的影响。
技术实现要素：
本公开的各方面提供了一种在手术期间实时检测并测定病灶(例如，息肉)和其它病变组织尺寸的人工智能(AI)平台。因此，使用所描述的平台和方法，临床医生例如可以在对患者进行手术的同时实时检测并测定扁平或无蒂锯齿状息肉尺寸，从而促进更好的患者护理。在临床医生正在实时进行手术的同时，AI平台使用两步法，其中首先检测病灶，然后使用像手术钳或在手术期间用于介入的任何其它装置的参考对象来测定尺寸。深度学习算法预测在临床手术期间收集的针对介入的视频流的上下文，其中该上下文例如标识结肠息肉(病灶)以及手术钳(参考对象)。
第一方面公开了一种在临床手术期间实时检测并测定病灶尺寸的人工智能(AI)平台，该AI平台包括：经训练的分类器，该经训练的分类器包括被训练以检测图像数据中的病灶和参考对象的深度学习模型；实时视频分析系统，该实时视频分析系统接收临床手术期间的视频馈给(video feed)、使用经训练的分类器确定来自视频馈给的视频帧是否具有病灶和参考对象两者、基于病灶和参考对象两者的像素尺寸来计算病灶的实际尺寸、以及输出检测到病灶的指示以及病灶的实际尺寸。
第二方面公开了一种使用人工智能(AI)在临床手术期间实时检测并测定病灶尺寸的方法，该方法包括以下步骤：提供经训练的分类器，该经训练的分类器包括被训练以检测图像数据中的病灶和参考对象的深度学习模型；处理临床手术期间的视频馈给；使用经训练的分类器确定来自视频馈给的视频帧是否具有病灶和参考对象；基于病灶和参考对象两者的像素尺寸来计算病灶的实际尺寸；以及输出检测到病灶的指示以及病灶的实际尺寸。
第三方面公开了一种在计算机可读存储介质上存储的计算机程序产品，该计算机程序产品在由计算系统执行时，使用人工智能(AI)在临床手术期间实时检测并测定病灶尺寸，该程序产品包括：处理临床手术期间的视频馈给的程序代码；使用经训练的分类器确定来自视频馈给的视频帧是否具有病灶和参考对象的程序代码；基于病灶和参考对象两者的像素尺寸来计算病灶的实际尺寸的程序代码；以及输出检测到病灶的指示以及病灶的实际尺寸的程序代码。
第四方面公开了一种使用人工智能(AI)在保存的视频(例如，从视频胶囊内窥镜(Video Capsule Endoscopy(VCE))手术收集的视频)中检测病灶的方法，该方法包括以下步骤：提供经训练的分类器，该经训练的分类器包括被训练以检测病灶的深度学习模型；在已经使用从记录器传递的图像创建了视频之后，对该视频进行处理；以及使用经训练的分类器确定来自该视频的视频帧是否具有病灶。
附图说明
根据下面结合附图对本发明各方面的详细描述，将更容易理解本发明的这些和其它特征，其中：
图1示出了根据实施方式的人工智能平台。
图2示出了根据实施方式的对分类器进行训练的界面。
图3示出了根据实施方式的对分类器进行训练的另一界面。
图4示出了根据实施方式的使用经训练的分类器分析的图像的XML输出。
图5描绘了根据实施方式的捕获息肉和手术钳的图像数据的处理。
图6描绘了根据实施方式的来自图5的息肉图像的裁出矩形。
图7描绘了根据实施方式的计算息肉的像素尺寸的处理的流程图。
图8描绘了根据实施方式的息肉的一对轮廓图像。
图9描绘了根据实施方式的计算手术钳的像素尺寸的处理的流程图。
图10至图13描绘了根据实施方式的用于计算手术钳的像素尺寸的线图像数据。
图14描绘了根据实施方式的处理的客户端-服务流程图。
附图不必按比例绘制。附图仅仅是示意性表示，并非旨在描写本发明的特定参数。附图仅旨在描绘本发明的典型实施方式，因此不应被认为是限制本发明的范围。在附图中，相似编号表示相似要素。
具体实施方式
参照图1，提供了一种在手术期间实时检测并且测定病灶尺寸的人工智能(AI)平台10。注意，虽然参照检测并测定息肉尺寸来对实施方式进行一般描述，但是应理解可以将该方法应用于任何病变组织(即，病灶)。AI平台10大体包括：(1)训练系统12，该训练系统基于一组训练图像16以及标签18来对检测分类器20进行训练；以及(2)实时视频分析系统14，该实时视频分析系统利用检测分类器20来实时分析视频馈给22，以提供息肉检测24和息肉尺寸测定28。AI平台10例如可以采用神经网络或其它机器学习系统。
在该例示性实施方式中，利用深层学习系统训练检测分类器20，以检测同一图像中的病灶和参考对象(诸如手术钳)两者。(另选地，可以训练两个检测分类器20；一个检测分类器检测病灶，一个检测分类器检测参考对象。)如本文所描述的，将参考对象用于帮助测定病灶尺寸。
例如可以从所捕获的视频中的帧获得训练图像16。被用于训练的图像包括随机对象以及期望的对象(在这种情况下，息肉)，并且具有多种背景和照明条件。另外，在一些训练图像16中，期望的对象被部分遮挡住、与别的东西重叠、只有一半在图片中，等等。
一旦已经收集了一组训练图像16，就将它们标记上标签18，以引用每张图片中的期望对象。期望的对象可以是息肉或任何其它病灶，或者是可以显现在视频馈给22中的某一其它对象，诸如手指、噪声、阴影等。可以采用任何标记系统，诸如在GitHub上作为开源可获得的LabelImg。图2描绘了一种例示性标记工具40，其中用户围绕所显示的训练图像16中的病灶放置边界框42，并且为所示的病灶类型选择标签，例如，有蒂息肉、无蒂息肉、扁平息肉等。图3描绘了另一训练图像16，其中围绕病灶放置第一边界框44，并且围绕参考对象放置第二边界框46。在例示性实施方式中，使用大约3000个训练图像16，其中各个训练图像的分辨率皆为1280×1024像素。
一旦将所有训练图像16加上标签，就可以采用训练系统12来训练检测分类器20。检测分类器20例如可以包括对来自各个训练图像的像素数据进行处理的神经网络模型。在一个例示性方法中，可以将TensorFlowTM的应用编程接口(API)用于构造表示包括节点和边的图形的神经网络模型。在这种情况下，将该模型映射到基础机器硬件。图形中的节点表示运算(例如，机器学习函数、数学运算等)，边表示也被称为在节点之间传送的张量的多维数据阵列。被称为控制依赖(control dependencies)的独特的边可以存在于图形中，并且表示源节点必须在目标节点开始执行之前完成执行。(Tensorflow提供了一个平台，其中将设计者的设计算法流和计算架构进行了自动优化。)节点被指派给计算装置并且异步地执行，而一旦所有张量在进入节点的边上变得可用就并行地执行。
在CPU功率方面，AI平台10所需的视频处理可能代价很大。因此，将某些计算机视觉子任务分配给专用硬件架构，诸如GPU 23(图形处理单元)，而将其它子任务分配给CPU 21。例如，GPU 23是不仅可以在台式计算机上可用而且在诸如智能手机和平板电脑的移动装置上可用的加速器。因此，本文所使用的模型具有用于配置GPU使用率以及CPU使用率以最高效地利用机器资源的内置能力。
AI平台10例如可以利用NVIDIA深度神经网络库(cuDNN)，它是用于深度神经网络的GPU加速的图元库。cuDNN提供经高度调谐的标准例程实现，诸如前向和反向卷积、池化标准化以及激活层。cuDNN提供高性能GPU加速，它使低级GPU性能调谐自动化。AI平台10例如还可以利用NVIDIA Quadro P5000 16GB-2560 CUDA CORES图形卡用于进行开发和测试。同样，任何高于NVIDIA GeForce GTX 1080-2560CUDA CORES的都可以使用。
在当前情况下，对模型进行训练，直到所计算的“损失”始终低于阈值(例如，在Tensorflow的情况下为0.005)。一旦完成了训练，就生成表示分类模型的推理图，然后可以将该推理图部署到实时视频分析系统14(图1)中。
一旦进行了部署，就可以通过实时视频分析系统14对来自视频馈给22(例如，在手术期间生成)的图像进行分析，以提供息肉检测24和参考对象检测26(以确定息肉尺寸测定28)。图4描绘了视频馈给22中的图像的例示性.xml文件，该图像包括识别出的手术钳和息肉。
在这个两步法中，在临床医生正在进行手术的同时首先实时检测病灶。接下来，利用参考对象计算病灶的尺寸，然后随视频馈给输出病灶的指示以及尺寸。在涉及息肉的典型手术中，在临床手术期间使用手术钳用于介入。手术钳包括细长的柔性工具，具有可移动的杯形钳口，用于获得活组织检查标本。实际的息肉尺寸是基于以下项来确定的：(1)以像素为单位的息肉尺寸的测量结果、(2)以像素为单位的手术钳尺寸的测量结果以及(3)基于手术钳的已知尺寸将实际息肉尺寸重新计算成长度单位(例如，毫米)。
如图5所示，当系统在同一视频帧中识别出息肉和手术钳时，定义了围绕息肉的外接矩形50和围绕手术钳的外接矩形52，并且记录了矩形的角的坐标。将由围绕息肉的外接矩形50限定的区域从该帧中裁出成为图6所示的单独图像54。为参考对象创建类似的单独裁出图像(未示出)。
图7描述了用于处理息肉图像数据的例示性方法。首先，在S1，获得包含息肉的矩形裁出图像54(图6)(例如，作为RGB图像)。接下来，在S2，将RGB图像分成三个单色频道：红色、绿色以及蓝色，并且转换成灰度图像。在S3，通过应用高斯函数来减少图像细节和亮度变化使图像变得平滑，从而增强图像结构。在S4，例如使用Canny多级边缘检测算法来识别息肉边缘或轮廓，以及在S5，使用OpenCV函数识别出多个息肉轮廓。将低于阈值(例如，包含少于50个像素)的轮廓滤除。图8示出了该处理的示例，其中右侧的图像描绘了经过滤的轮廓图像，左侧的图像描绘了未经过滤的轮廓图像。
在S6，对于所有剩余的轮廓，确定最小和最大的x和y坐标(即，Xmin；Xmax；Ymin；Ymax)。在S7，重新计算息肉的矩形尺寸50。新坐标被定义为：
Xnew＝X Xmin；Ynew＝Y Ymin。
矩形尺寸被重新计算为：
高度H＝Ymax-Ymin；
宽度W＝Xmax-Xmin。
两个尺寸中的较大尺寸等于息肉尺寸(以像素为单位)(Dpx)，例如，220×280像素。
在S8，围绕息肉绘制圆圈。圆形中心的坐标被表示为：
Xc＝Xnew W/2；Yc＝Ynew H/2；
其中，圆形的直径Dc＝Dpx。
图9描绘了计算手术钳的像素尺寸的例示性处理。在S10，将由围绕手术钳的外接矩形限定的区域从该帧中裁出成为单独的图像，并且在S11，将彩色图像转换成灰度单色图像。在S12，通过例如应用高斯函数来减少图像细节和亮度变化使图像变得平滑，从而增强图像结构，以及在S13，例如使用Canny多级边缘检测算法来识别手术钳边缘。在S14，使用Hough变换技术，沿着手术钳边缘绘制直线，例如，图10中所示的例示性结果。
在S15，将边缘进行如下过滤和处理。通过滤除短线(例如，少于10个像素)来减少线的数量。直线可以由下式表示：
y＝mx b。
对于剩下的线，计算系数m和b以及这些线相对于x轴的倾角。去除具有例如小于21°和大于150°倾角的线。使图像上剩余的线扩展至图像边界。计算这些线与图像的水平边界的交点(中点)的坐标。
将具有以下差异的线的组替换成较少数量的中线：这些线的系数m之间的差异<0.307或者这些线的倾角之间的差异<2°，以及这些线与图像的上水平边界的交点的x坐标之间的差异<20个像素。各个组的中线的系数m计算如下：
m＝(m1 m2 … mn)/n；
中线的系数b计算如下：
b＝(b1 b2 … bn)/n
对于图像上剩余的几条线，将与图像的下水平边界的交点的x坐标处于距左侧或右侧垂直图像边界的距离为30个像素或更多处的那些线去除。
进一步的线过滤仅在图像上留下了两条线：“左线”，与上水平图像边界的交点具有最小x坐标(“x-左”)；以及“右线”，与上水平图像边界的交点具有最大x坐标(“x-右”)，如图11所示。如果左线与右线的交点位于图像边界内，则该帧被认为不适合手术钳尺寸计算。必需采用具有不同的手术钳位置的另一帧。如果左线与右线的交点位于图像边界外，那么将评估所述线相对于x轴的倾角。
如图12所示，如果两条线的倾角都小于或等于90°，那么从右线与上图像边界的交点起朝着左线绘制右线的垂线，直到该垂线与左线相交(左图)。如果两条线的倾角都大于或等于90°，那么从左线与上图像边界的交点起朝着右线绘制左线的垂线，直到该垂线与右线相交(右图)。以像素为单位的手术钳尺寸(Fpx)是左线与右线之间的垂线的长度和x左点与x右点之间的距离的均值。
如果左线的倾角>90°且右线的倾角<90°，那么以像素为单位的手术钳尺寸(Fpx)被认为等于x-左点与x右点之间的距离(图13)。
一旦如上计算出息肉和手术钳两者的像素尺寸，息肉的实际尺寸(例如，以毫米(mm)为单位)就被如下确定。手术钳的尺寸(以mm为单位)(Fmm)是可获得的，例如，基于装置型号或实际测量结果。然后，息肉尺寸(以mm为单位)(Dmm)被如下计算，并且可以被舍入到整毫米：
Dmm＝(Dpx*Fmm)/Fpx
一旦医疗手术期间检测到息肉，就例如随视频馈给实时地在计算机屏幕上输出息肉尺寸(以mm为单位)。
如上所述，将AI平台10用来检测并测定病灶尺寸。另外，所描述的平台10在早期检测其它疾病方面同样也可以非常有用。可以对分类器进行训练以检测诸如炎性肠病(IBD)的疾病。炎性肠病是被用于描述涉及消化道的慢性炎症的病症(disorder)的总称。IBD的类型包括溃疡性结肠炎，其导致大肠(结肠)和直肠的最内侧衬里的持久的炎症和痛处(溃疡)。IBD的另一种类型是克罗恩氏病(Crohn's disease)，其以消化道衬里的炎症为特征，它往往会深扩展到受影响的组织。IBD可以使衰弱，有时会导致威胁生命的并发症，并增加患结肠癌的风险。
还可以将AI平台10用于比较治疗消化道衬里炎症之前和之后的尺寸(面积)，其可能在克罗恩氏病中以斑块(patch)出现或者在溃疡性结肠炎中以连续图案出现，以及用于患有克罗恩氏病和溃疡性结肠炎的患者的癌前病变的早期检测中。
另外，自动检测疾病的位置的机器学习模型是另一种方式，其中该AI平台10可以是有用的。一旦执行临床手术之后，病症位置的准确检测对于执行疾病的外科手术治疗的外科医生可以是有益的。
此外，确定胃肠病学(GI)质量指标是AI平台10的另一种应用。这将允许自动测量很可能反映GI临床手术的质量的多个指标。
此外，可以将该处理用于分析在结肠镜检查手术期间捕获的数字化图像帧。可以利用所描述的方法来自动测量例如插入时间、撤回时间、在最大插管时的图像、盲肠插管时间以及识别出的特征点的信息、肠道准备的质量。由于可以自动获得这些指标，因此，它将帮助量化医护过程，并且有助于提供高质量的医护。
主要的结肠镜检查质量指标是腺瘤检出率(ADR)，其被定义为已经检测到一个或更多个腺瘤的、内窥镜师的筛查结肠镜检查的比例。为了最大化腺瘤检出，需要充分的粘膜检查来确保完全检查。串联结肠镜检查的研究已经揭露，医师可能会错过大于1厘米的腺瘤。为了确保充分的腺瘤检出，研究暗示，医师的撤回时间(不包括息肉切除)应当平均至少6min至9min。2006年由ASGE/ACG Taskforce在Quality in Endoscopy上发布的论文建议：鉴于诸如突出的结肠折叠的解剖学变化，撤回时间应被测量为医师实践的汇总，而不是基于个体患者。
影响腺瘤检出的另一质量度量是肠道准备的质量。充分的结肠准备对于确保完全粘膜检查至关重要。据报道，只有四分之三的结肠镜检查具有充分的结肠准备。在次优的结肠准备的患者中，已观察到高比率的漏过的腺瘤和晚期肿瘤。
医师应当如何确保在他们的实践中进行CRC筛查的高质量结肠镜检查？尽管有一些局限性，但是各个内窥镜师皆应基于来自筛查的数据计算ADR。如果医师的ADR低于20％的基准，则需要努力提高质量来增加该比率。医师应当旨在在筛查结肠镜检查中实现95％或更高的盲肠插管率。应当以平均撤回时间为重点来评估粘膜检查的技术。还应当确定和优化内窥镜检查实践中的肠道准备的质量。最后，在充分准备和仔细检查的结肠中，强烈建议遵守未来检查的筛查和监视指南。这些步骤将确保结肠镜检查在防止CRC方面最大程度地有效。
图14描绘了使用图1的实时视频分析系统14来实现客户端-服务模型的例示性处理的概览。在客户端60 10上(例如，正在进行手术的地方)，捕获视频帧(图像)并将该视频帧转发至服务62(例如，远程服务器)。服务62接收请求，并使用经训练的分类器搜索对象。生成XML结果字符串，并实时将该字符串发送回客户端60。
客户端60接收响应并分析XML字符串以确定是否找到了息肉。如果未找到息肉，则将下一图像发送给服务62。如果找到了息肉，则随视频馈给指示检测到息肉(即，在计算机屏幕上)。接下来，确定该图像中是否也找到了手术钳。如果未找到手术钳，则将下一图像发送给服务62。如果找到了手术钳，则计算息肉的尺寸并随视频馈给输出。
在另一实施方式中，可以将AI平台用于视频胶囊内窥镜(VCE)，这是一种使用微小无线摄像机拍摄消化道图片的手术。胶囊内窥镜摄像机位于患者吞下的胶囊内部。随着胶囊穿过消化道，摄像机拍摄数千张图片，这些图片被发送至患者佩戴的记录器，例如，在围绕患者腰部的带子上。
VCE帮助医生查看小肠内部的利用更传统的内窥镜检查手术难以到达的区域。传统的内窥镜检查涉及将配备有视频摄像头的长的柔性管向下通过喉咙或者通过直肠。
在胶囊内窥镜检查中使用的摄像机在穿过消化道时拍摄数千张彩色照片。然后，将保存在记录器上的图像传递给将具有专用软件的计算机，该专用软件将图像串在一起以创建视频。
一旦创建了视频，医生观看该视频以寻找消化道内的异常。观看小肠的整个VCE的过程大约需要45分钟到1小时。除了在实时临床手术中使用之外，还可以将人工智能(AI)平台用于分析这些视频，以便检测病灶，然后可以由临床医生进行评估。
一种使用人工智能(AI)检测所保存的视频(例如，来自VCE手术)中的病灶的方法例如可以包括以下步骤：提供经训练的分类器，该经训练的分类器包括被训练以检测病灶的深度学习模型；在已经使用从记录器传递的图像创建了视频之后，对该视频进行处理；以及使用经训练的分类器确定来自该视频的视频帧是否具有病灶。
应理解，本文所描述的AI平台10、客户端60以及服务62可以被实现为存储在计算机可读存储介质上的计算机程序产品。该计算机可读存储介质可以是可以保持和存储供指令执行装置使用的指令的有形装置。该计算机可读存储介质例如可以是但不限于，电子存储装置、磁存储装置；光学存储装置、电磁存储装置、半导体存储装置或者前述的任何合适组合。计算机可读存储介质的更具体示例的非详尽列表包括以下项：便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字通用盘(DVD)、记忆棒以及前述的任何合适组合。如本文所使用的，计算机可读存储介质不应被解释为暂时性信号本身，诸如无线电波或其它自由传播的电磁波、通过波导或其它传输介质传播的电磁波(例如，通过光缆的光脉冲)或者通过导线传输的电信号。
本文所描述的计算机可读程序指令可以从计算机可读存储介质下载至相应的计算/处理装置，或者经由网络(例如，因特网、局域网、广域网、和/或无线网络)下载至外部计算机或外部存储装置。网络可以包括铜传输线缆、光学传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。各个计算/处理装置中的网络适配器卡或网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令以在相应的计算/处理装置内的计算机可读存储介质中进行存储。
用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设定数据或者以一种或更多种编程语言(包括：面向对象的编程语言(诸如Java、Python、SmallTalk、C 等)，和常规的过程化编程语言(诸如“C”编程语言或类似的编程语言))的任何组合编写的源代码或目标代码。计算机可读程序指令可以全部在用户的计算机上执行、部分地在用户的计算机上执行、作为独立的软件包执行、部分地在用户的计算机上且部分地在远程计算机上执行、或者全部在远程计算机或服务器上执行。在后一种场景中，可以将远程计算机通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接至用户的计算机，或者可以与外部计算机建立连接(例如，通过使用因特网服务提供商的因特网)。在一些实施方式中，电子电路(例如包括：可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA))可以通过利用计算机可读程序指令的状态信息对电子电路进行个性化来执行计算机可读程序指令，以便执行本发明的各方面。
本文参照根据本发明的实施方式的方法、设备(系统)以及计算机程序产品的流程图例示和/或框图描述了本发明的各方面。应理解，可以通过计算机可读程序指令来实现流程图例示和/或框图中的各个框以及该流程图例示和/或框图中的框的组合。
可以将这些计算机可读程序指令提供给通用计算机的处理器、专用计算机或者用于生成机器的其它可编程数据处理设备，使得经由该计算机的处理器或其它可编程数据处理设备执行的这些指令创建了实现流程图和/或框图框中指定的功能/行为的手段。这些计算机可读程序指令还可以被存储在计算机可读储存介质中，该计算机可读程序指令可以指导计算机、可编程数据处理设备和/或其它装置以特定方式起作用，使得存储有指令的计算机可读存储介质包括制品，该制品包括实现流程图和/或框图框中指定的功能/行为的各方面的指令。
该计算机可读程序指令还可以被加载到计算机、其它可编程数据处理设备或者其它装置上，以使在该计算机、其它可编程设备或者其它装置上执行一系列可操作步骤，来生成计算机实现处理，使得在该计算机、其它可编程设备或者其它装置上执行的这些指令实现流程图和/或框图框中指定的功能/行为。
附图中的流程图和框图例示了根据本发明的各种实施方式的系统、方法以及计算机程序产品的可能实现的架构、功能以及操作。在这点上，所述流程图或框图中的各个框皆可以表示包括用于实现所指定的逻辑功能的一个或更多个可执行指令的模块、程序段或指令的部分。在一些另选实现中，框中提到的功能可以按图中所提到的之外的顺序发生。例如，根据所涉及功能，接连示出的两个框事实上可以大致同时执行，或者这些框有时可以按逆序执行。还应注意，框图和/或流程图例示中的各个框，以及框图和/或流程图例示中的框的组合可以通过执行指定功能或行为或者实行专用硬件与计算机指令的组合的基于专用硬件的系统来实现。
计算系统可以包括任何类型的计算装置，并且例如包括至少一个处理器、存储器、输入/输出(I/O)(例如，一个或更多个I/O接口和/或装置)以及通信路径。通常，处理器执行被至少部分地固定在存储器中的程序代码。在执行程序代码时，处理器可以处理数据，这可以导致从存储器和/或I/O读取所变换的数据和/或将所变换的数据写入存储器和/或I/O以供进一步处理。该路径提供了计算系统中的组件中的各个组件之间的通信链路。I/O可以包括一个或更多个人I/O装置，其使得用户能够与计算系统交互。计算系统也可以以分布式方式实现，使得不同的组件驻留在不同的物理位置。
而且，应理解，AI平台10或其相关组件(诸如API组件、代理等)也可以通过将组件发送给中央服务器或一组中央服务器，而自动或半自动地部署到计算机系统中。然后，组件被下载到将执行该组件的目标计算机中。然后，将该组件分派至目录或者加载到执行将该组件分派到目录中的程序的目录中。另一替代方案是将组件直接发送至客户端计算机硬盘上的目录。当有代理服务器时，该处理将选择代理服务器代码、确定在哪些计算机上放置代理服务器的代码、发送代理服务器代码、然后在该代理计算机上安装代理服务器代码。组件将被发送至代理服务器然后其将被存储在代理服务器上。
呈现本发明的各方面的前述描述是为了例示和描述。并非旨在排它或将本发明限制成所公开的精确形式，显然，可以有许多修改例和变型例。对于本领域人员显见的此类修改例和变型例被包括在所附权利要求限定的本发明的范围内。
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
