用于融合临床和图像特征进行计算机辅助诊断的系统和方法

1.一种用于提供医学图像的交互式计算机辅助分析的系统，包括：
图像处理器(910)，其用于处理医学图像数据(940)；
决策引擎(920)，其用于仅基于经处理的医学图像数据产生诊断并基于具有可能的临床数据的经处理的医学图像数据进一步计算可能的诊断结果，并且用于基于所述诊断和所述可能的诊断结果判断是否需要额外的临床数据；
数据库(930)，其包括在先诊断、在先诊断伴随的概率(960)，以及用于在仅给出图像数据、给出具有不完整临床数据的图像数据或给出具有完整临床数据的图像数据时评估疾病概率的分类器算法；
接口引擎(980)，其用于响应于所述判断请求和输入所述额外的临床数据；以及显示终端(970)，其用于显示所述计算机辅助分析的结果，
其中，所述决策引擎(920)被进一步配置成：
基于可获得的图像数据和可获得的临床数据确定疾病的概率；
基于一系列针对不可获得的临床数据的可能值重新确定所述概率；
将可获得的数据得出的所述概率以及可获得的数据加潜在不可获得的数据得出的所述概率进行比较；
基于对所述医学图像数据的评价估计疾病的可能性；
基于所述医学图像数据加上临床数据的不同值估计具体疾病的可能性；以及比较所估计的可能性以确定哪种不可获得的数据会显著影响所估计的可能性。
2.根据权利要求1所述的系统，其中，所述决策引擎(920)在所述显示终端(970)上显示平均诊断并确定(160)做出明确诊断(660)所需要的额外数据。
3.根据权利要求2所述的系统，其中，所述额外数据为临床数据。
4.根据权利要求1和3中的任一项所述的系统，其中，临床数据包括病史、健康史、家族史、物理测量结果和人口统计数据中的至少一种。
5.根据权利要求1所述的系统，其中，使用所述图像数据或所述临床数据中的至少一个，以针对具体疾病(350)将数据分层为高风险或低风险。
6.根据权利要求1所述的系统，其中，将所述数据库(930)用于以下中的至少一个：量化风险因素，产生基于图像的分类器库，以及导出群。

用于融合临床和图像特征进行计算机辅助诊断的系统和方法\n发明领域\n[0001] 本申请涉及医学诊断领域。尤其适用于计算机辅助诊断（CADx）算法和模式分类算法。不过，其还适用于对医学诊断感兴趣的其他领域。\n背景技术\n[0002] 一种类型的CADx系统能够估计在CT扫描上发现的肺结节是恶性的可能性。不过，与仅仅依赖图像信息来定位潜在异常的计算机辅助检测算法不同的是，与恶性评估相关联的决策过程通常包括非成像证物的结合。仅仅分析CT扫描图像很少足以评估孤立的肺结节。批判性研究表明，诊断等级和放射性特征的感知都受到患者历史的影响。具体地说，对于肺结节而言，研究工作已经明确地分析了临床危险因素调节恶性统计概率的程度。开发计算机辅助诊断算法因此包括临床特征以补充图像中的信息。\n[0003] 结合不同数据类型（例如，但不限于临床和成像数据）与用户访问算法的方式以及使用系统时使用的工作流程直接相关。出于性能效率的原因，希望能在用户访问系统之前执行尽可能多的计算机辅助诊断计算。当前诊断系统的一个问题是它们的效率低，因为当前的系统需要输入所有数据，无论该数据是否是作出诊断实际需要的。因此希望通过例如使不会显著改变诊断的无关临床数据的输入最少或消除，使得用户必须输入的信息量最小化。可以从电子健康记录中提取临床信息。不过，数据字段可能缺失或不完整，信息可能是未知的。当前诊断系统的另一个问题是它们缺乏用于处理缺失或不完整临床信息的技术。\n所以，希望开发一种计算，其能够评估并提供可用的临床信息之内的可能结果范围。\n发明内容\n[0004] 本申请提供了一种克服上述问题和其他问题的改进系统和方法。\n[0005] 根据一个方面，提供了一种使用医学图像数据执行计算机辅助诊断的系统。该系统通过将数据库中的医学记录和概率与当前图像数据比较以做出医学诊断，以假设医学诊断并提供诊断正确的概率。如果诊断概率下降到阈值水平以下，系统提示医学用户输入更多临床数据，以便提供更多信息，基于更多信息，系统能够生成正确概率更高的医学诊断。\n[0006] 根据另一方面，提供了一种利用医学图像执行计算机辅助诊断的方法。该方法通过将数据库中的医学记录和概率与当前图像数据比较而执行医学诊断，以假设医学诊断并计算诊断正确的概率。如果诊断概率下降到特定阈值水平以下，则该方法要求医学用户获得更多临床数据，以便提供更多信息依据，基于更多信息，可以执行更精确且更确定的医学诊断。\n[0007] 根据另一方面，提供了一种用于提供医学图像的交互式计算机辅助分析的系统，包括：图像处理器，其用于处理医学图像数据；决策引擎，其用于仅基于经处理的医学图像数据产生诊断并基于可能的临床数据的值进一步计算可能的诊断结果，并且用于基于所述诊断和所述可能的诊断结果判断是否需要额外的临床数据；数据库，其包括在先诊断、在先诊断伴随的概率，以及用于在仅给出图像数据、给出具有不完整临床数据的图像数据或给出具有完整临床数据的图像数据时评估疾病概率的分类器算法；接口引擎，其用于响应于所述判断请求和输入所述额外的临床数据；以及显示终端，其用于显示所述计算机辅助分析的结果。\n[0008] 另一个优点是为了改善工作流程将计算分成更小部分，使得效率得到改善。直到需要数据的这种时间之前不会检索所有数据。在认为患者需要数据之前不检索数据。\n[0009] 提供了另一个优点以处理缺失或不完整的临床信息。\n[0010] 再一个优点是提供了一种基于数据可用性将CADx计算分成两个或更多步骤的接口和系统工作流程。\n[0011] 再一个优点是提供了一种在不同数据流变为可用时用于结合它们的计算方法。\n[0012] 在阅读和理解以下详细描述后，更多优点和益处对于本领域普通技术人员将变得显而易见。\n附图说明\n[0013] 本申请可以具体化成各种部件和部件布置以及各种步骤和步骤安排。附图的作用仅在于对优选实施例进行图示，不应认为其对本申请构成限制。\n[0014] 图1A图示出了CADx诊断方法；\n[0015] 图1B图示出了CADx诊断系统；\n[0016] 图2图示出了用于生成分类算法的方式；\n[0017] 图3图示出了用于分类器的训练方法；\n[0018] 图4图示出了用于生成分类算法的另一种方式；\n[0019] 图5图示出了并入群的另一种分类器；\n[0020] 图6图示出了分类器在新未知病例中工作的方式；\n[0021] 图7图示出了贝叶斯分析执行风险分析的方式；\n[0022] 图8图示出了概念验证的试验结果；以及\n[0023] 图9图示出了系统布局和部件间的交互作用。\n具体实施方式\n[0024] 参考图1A，计算机辅助诊断方法100包括CADx分类器算法，其理想地在两种数据（“数据类型1”和“数据类型2”）上运行。临床数据描述患者健康史、家族史、体形和生活方式各方面，包括例如但不限于抽烟、宿疾等这种要素。图像数据包括x射线、CT扫描和对患者执行的任何其他类型的医学成像。CADx算法将患者（例如肺气肿状态，淋巴结状态）CT图像中的图像数据（在本范例中即数据类型1）与临床参数（在本范例中视为数据类型2）中的临床数据组合。\n[0025] 该方法中的第一步包括从数据仓库110检索一组与患者相关联的数据的步骤。这种数据可以包括一个或多个定量变量。例如，如果数据类型1更容易获得，则检索数据类型1而非数据类型2，在本范例中就是这种情况。优选无需用户交互进行这种检索。例如：从医院PACS（图片归档和通信系统）自动检索胸廓扫描的CT体积（在本范例中即数据类型1）。\n[0026] 下一步包括向数据类型1的数据应用CADx算法120。这种计算的结果尚未表示CADx算法步骤的最后诊断。优选无需用户交互进行这种操作。例如：CADx步骤100运行计算机辅助检测算法以在扫描上定位肺节结，运行分割算法以界定肺节结的边界，处理图像以从图像数据中提取一组描述节结的数值特征。模式分类算法然后仅仅基于成像数据估计这个节结是恶性的可能性。\n[0027] 该方法100尚未接收数据类型2数据来完成诊断。因此方法100测试提出的数据类型2数据的不同可能值（在这种情况下，由三个不同箭头代表三个不同可能值），利用这些测试值，通过操作步骤130、140、150执行的操作完成CADx计算。如果数据类型2可能有N个不同值，那么计算N个CADx结果，数据类型2的每个测试值一个结果。例如：CADx算法基于肺气肿和淋巴结状态的提出的所有不同可能组合调节基于图像的分类输出。由于这些都是二元变量（是/否），所以可能有四种不同组合。结果，现在CADx针对恶性的可能性具有四种潜在的答案。如果可能值的数目非常大或如果一些变量是连续的，则这个步骤变得更加复杂。当被计算机可操作软件模块输出时，合并这些输出并被用作比较器的输入。\n[0028] 计算机可操作软件模块比较器步骤160比较N个不同候选CADx计算结果或针对恶性可能性的潜在方案并判断它们是否在预设公差之内。可以在现场部署产品之前设置公差，或可以由用户设置公差。如果候选CADx结果在预设公差之内（即，知道数据类型2无影响，所以数据类型1足以做出诊断），然后显示步骤190为用户显示以下各项中的一个或多个：CADx计算结果的平均值、中值、范围或方差。可以通过图形方式显示结果。例如：对于一位患者，CADx算法发现肺气肿和淋巴结状态的四种组合在0-1的尺度上产生0.81、0.83、\n0.82和0.82的恶性可能性。由于这些值都非常接近，所以无需向用户征询这些变量或查询第二数据库。在放射科医师加载该病例时，该方法已经完成了所有前面步骤并报告CADx算法估计恶性可能性在0.81-0.83之间。\n[0029] 如果候选CADx计算结果差异很大（即知道数据类型2可能改变诊断，因此收集该信息很重要），那么方法170要求用户提供重要的临床信息。然后使用这一精确信息识别向用户显示（180）N个CADx输出值中的哪个。例如：对于另一位患者，CADx方法发现肺气肿和淋巴结状态的四种组合在0-1的尺度上产生0.45、0.65、0.71和0.53的恶性可能性。四种估计如此不同，因此数据类型2可能改变诊断结果。在放射科医师加载该病例时，该方法已经完成了所有前面步骤，但向放射科医师报告要完成CADx计算需要额外的信息（即，数据类型2）。\n肺气肿和淋巴结状态是由用户人工输入的。基于增加的类型2的数据，CADx选择四种可能性之一（例如0.65）作为其最终估计。向用户显示180这一最终结果。\n[0030] 如果需要额外的数据类型2数据但无法得到，那么可以向用户提供N种可能结果，连同没有足够数据以完成计算的免责声明。例如：对于另一位患者，无法得到淋巴结状态，可能是因为扫描未覆盖必要的解剖结构。因此放射科医师输入正确的肺气肿状态，而报告淋巴结状态为未知的。利用肺气肿数据，计算机能够将可能输出的范围从（0.45，0.65，\n0.71，0.53）缩小到（0.45，0.53），但仍然不能预测该结节更可能（＞0.50）是恶性的还是更可能不是恶性的（＜0.50）。该方法于是向放射科医师报告，对患者可能患癌症的估计为\n0.45-0.53，但需要额外的数据来进一步缩小答案的范围。可以通过层次的方式扩展这个过程，补充额外的数据流，每个数据流都具有额外的测试值和候选答案。\n[0031] 上文所述的CADx方法之内的算法可用于执行隐含的计算。初始的数据类型1数据计算可以提取图像，但不是分类步骤。不过，临床特征的数量很大，潜在值的多样使得对所有可能组合进行穷举测试是不切实际的。因此，使用新型方法以直接类似于上述工作流程的方式融合临床和成像特征。参考肺CADx应用的范例给出该方法的描述，并假设数据类型1是成像数据，数据类型2是临床数据。不过，应当认为该方法对于需要多数据流的任何CADx分类任务都是通用的。\n[0032] 这里提供了将CADx产生的数据分成多个部分的三种不同算法方法：（A）分类器选择方法I；（B）分类器选择方法II；（C）贝叶斯分析。\n[0033] 在一种方法中，将明确的临床数据转换成与图像数据兼容的数值形式。然后在数据选择和分类器训练期间相对于图像数据等价地处理经变换的临床数据。这种变换的范例是1-of-C编码方案。在这种编码之后，从成像数据中导出的数据或编码的明确临床变量之间没有区别。肺CADx应用提供了一种用于执行这种数据融合的新方法。\n[0034] 参考图1B，提供了用于在计算机辅助诊断方法100中融合临床和图像的系统101，其并入了计算机可操作设备，包括，但不限于嵌入到计算机存储器之内的计算机数据库数据存储器、计算机输出显示终端、用于输入数据的键盘、用于导入和提取数据的接口以及实现所提应用功能需要的任何硬件和软件部件。系统执行图1所描述的方法100的步骤。该系统使用软件处理来自数据仓库111的数据。该软件在处理器102上运行，处理器在基于CADx算法121的系统上实施不完整数据。利用处理器102处理数据，处理器102包括执行三种估计\n131、141、151中的至少一个并随后将这一生成的数据移动到比较器146的软件。比较器使用计算机可操作计算模块评估基于不完整数据的诊断是否与利用完整数据生成的估计诊断显著不同。如果不完整数据和完整数据的诊断数据没有显著差异165，那么两个结果是两个结果的平均值，由处理器102提供167平均值并在诸如视频显示器的计算机输出模块103上显示。然而，如果结果是不同的163，那么针对数据类型2的数据进行查询171，由处理器102提供诊断并在计算机可操作输出模块103中显示175。\n[0035] 参考图2，第一分类器选择方法200（方法I）基于为不同的患者子组生成特定（一个或多个）分类器。开发这种算法的方法从步骤210开始，其中找到一组具有多个数据类型的患者以进行训练。在下一步骤220中，在数据类型1的图像数据上归纳出决策树作为第一级分类器，以基于最后结果对患者大致分类。然后在步骤230中使用决策树对训练数据库中的患者分层，也称为产生患者层。图2的示意图200指代的是两组高风险和低风险，但在产品应用中可能有任意数量的组。然后在步骤240中基于数据类型2的临床数据，针对每个患者层独立地开发分类器。在该图中，这是指用于高风险和低风险组的分类器。分类器的构建可能涉及多个步骤以及构建一个或多个子分类器群的分类。在步骤250中，临床决策树和用于两个或更多个子组的独立分类器是存储的输出。\n[0036] 参考图3，用于分类器选择的训练方法目标在于为不同的临床“风险”组产生特定的基于图像的分类器。图3中的图表示出了如何组合临床和图像数据以执行诊断300。临床数据310是从第一病例312开始，进行到给定的N个病例314的病例集合，其中N是表示病例数量的整数，每个个体病例代表特定患者。每个病例包含患者的姓名或标识符316以及关于患者收集的一系列属性318。这些属性包括，但不限于抽烟和锻炼，或例如，但不限于身高和体重的物理属性。这些属性必然还包括与关注中的诊断相关联的事实，例如，但不限于患者是否患有癌症。将这些输入到决策树算法320中，决策树算法包括用于为生成新决策树分支进行训练的模块322、用于检查分支的交叉验证模块324以及用于去除不再相关的分支的修剪模块326。使用决策树算法320产生或输出临床决策树330。\n[0037] 图像340的训练数据包括一系列病例，从第一病例342开始，进行到给定的N个病例\n344，每个个体病例代表特定患者。病例342、344代表与病例312、314相同的患者。每个病例包含患者的姓名或标识符346以及关于患者和患者医学图像收集的一系列属性348。属性必然包括与关注中的诊断相关联的事实，例如，但不限于患者是否患有癌症。属性还包括，但不限于图像及图像区域的描述性特征，例如，但不限于对比度、纹理、形状、亮度和亮度变化的描述信息。结合决策树算法320和临床数据310，使用来自图像340的训练数据的这些病例来产生分层数据350。\n[0038] 产生分层数据350，基于特定健康背景的人可能有或没有给定疾病或病情的概率，即基于临床数据310中包含的信息，确定个体病例是否呈现患有给定疾病或病情的高风险\n352或低风险354。可能性高的人被分类成高风险360成像数据，而患这种疾病可能性低的人被分类成低风险370。高风险360和低风险370人都是由分类器开发模块380分析的。利用380和输入训练数据360开发具体图像分类器390以对高风险患者分类。利用380和输入训练数据370开发具体图像分类器395以对低风险患者分类。\n[0039] 参考图4，基于选出一个或多个被发现针对不同患者子组性能良好的分类器提供第二分类器选择400（方法II）。在第一步410中，找到一组具有多种数据类型的患者用于训练。然后，在步骤420中，在数据类型1（即临床数据）上归纳出决策树作为第一级分类器，以基于最后结果对患者大致分类。在步骤430中使用决策树对训练数据库中的患者分层。在图\n4的方法400中，我们将这两组患者结果称为高风险和低风险，但这个数字可以是任何值。在步骤440中基于数据类型2（即临床数据）开发一大组可能分类器，忽略患者的任何分层。可以通过使训练中使用的数据随机化并且组合一个或多个特征选择或分类器算法来获得这些分类器的多样性。在步骤450中测试每个分类器针对训练数据（数据类型2）的性能。\n[0040] 在步骤460中，将对每个患者层具有高性能的那些分类器保持在独立的组中。针对y患者层的结果462为y，但未必是不相关的分类器组。可以将每一层上的z个最佳分类器464放入对应的分类器组中，或者，所有基于精确度、灵敏度、特异性或其他度量特征具有最低性能的分类器466。在步骤470中，每层中的分类器组形成分类器群。在步骤480中，临床决策树和用于两个或更多个子组的独立分类器群被作为输出存储。\n[0041] 分类器是基于最终结果的患者分类。群是基于预测能力排列的一组分类器。群中的分类器一起能够比个体分类器更好且更精确地预测。\n[0042] 参考图5，开发各式各样的基于图像的分类器，然后使用临床数据决定针对不同的临床“风险”组使用哪个分类器。接下来将这样产生的分类器用于对新的、先前未见过的患者500进行计算机辅助诊断。应用这些分类器的方法非常类似于图3中所示的方法。\n[0043] 临床数据510是从第一病例512开始，进行到给定的第N个病例514的病例集合，每个个体病例代表特定患者。每个病例包含患者的姓名或标识符516以及关于患者收集的一系列属性518。属性包括，但不限于抽烟和锻炼，或例如，但不限于身高和体重的物理属性。\n这些属性必然还包括与关注中的诊断相关联的事实，例如，但不限于患者是否患有癌症。决策树算法520访问这些属性，决策树算法自身包括用于为生成新决策树分支进行训练的模块522、用于检查分支的交叉验证的模块524以及用于去除不再相关的分支的修剪的模块\n526。使用决策树算法520产生临床决策树530。\n[0044] 图像540的训练数据包括一系列病例，从第一病例542开始，进行到第N病例544，每个个体病例代表特定患者。病例542、544与病例512、514表示相同患者。每个病例包含患者的姓名或标识符546以及关于患者和患者的医学图像收集的一系列属性548。属性必然包括与关注中的诊断相关联的事实，例如，但不限于患者是否患有癌症。属性还包括，但不限于图像及图像区域的描述性特征，例如，但不限于对比度、纹理、形状、亮度和亮度变化的描述信息。与决策树算法520组合使用这些病例以生成分层数据550。\n[0045] 分层数据550是一系列至少一个病例552到第N个病例554，产生分层数据以基于特定健康背景的人可能有或没有给定疾病或病情的概率，即基于临床数据510中包含的信息，确定个体病例是否呈现出患有给定疾病或病情的高风险556或低风险558。可能性高的人被分类成高风险552成像数据，而患这种疾病可能性低的人会被分类成低风险554。\n[0046] 图像训练数据540还被发送到包括特征572选择部分和训练574部分的群模块570。\n这种群生成方式产生并存储包括多个分类器582的基于图像的分类器库580，所述分类器能够将病例546及其成像属性548与适当诊断相关联。然后将这些分类器582应用到583自测试数据模块556。高风险552和低风险554的人都将随后通过自我测试556进行分析。\n[0047] 接下来，高风险结果是接收器操作特征曲线（ROC）处理器560。在高风险分类器区域590中记录针对高风险的最佳分类器群。类似地，低风险结果会被发送到低风险结果ROC562。在低风险分类器区域592中记录针对低风险的最佳分类器群。\n[0048] 图6示出了分类器选择系统如何对新的未知病例600操作的示意图。新病例临床数据610模块包括至少一个新病例612，新病例包括病例名称614和一系列要素616。这个病例被发送到类似于图3和5中分别示出的临床决策树330和530的临床决策树620。选择两个备选路径之一。\n[0049] 新病例图像数据630模块包括至少一个新病例632，新病例包括病例名称634和一系列要素636。这至少一个新病例代表与新病例临床数据模块610中表示的相同的人。发送这个病例，由两个备选路径分类。在一条路径中，使用基于图像的用于高风险的分类器群\n640。这个高风险分类器群640类似于前述模块390和590。在第二路径中，使用基于图像的用于低风险的分类器群650。这个低风险分类器群650类似于前述模块392和592。临床决策树的结果是使用路径选择激活哪个路径。活动路径允许在恶性可能性模块660中存储两个基于图像的分类器群结果之一的结果（高风险结果或低风险结果）。\n[0050] 参考图7，通过贝叶斯分析700方法提供了将CADx问题分成部分的第三种方法。在这里，使用贝叶斯分析关键相关方程式的总结来分析风险因素。痛苦（affliction）的似然比710，缩写为LR711，等于（750）灵敏度764除以一减去特异性766的公式760。发生722的几率720等于（750）概率774除以一减去同样概率774的值776的公式770。诸如，但不限于癌症的疾病732的后验可能性730等于（750）癌症先验可能性764乘以通过类似于似然比711的方法计算的一系列似然比766的公式780。疾病的概率740，例如，但不限于癌症概率742，等于（750）可能性792除以可能性792加一794的公式790，其中可能性792是以类似于先前计算的可能性722、732的方法计算的。\n[0051] 在这种实现本申请的方法中，将构造基于图像特征的CADx系统。将使用这种基于图像的系统首先向未知病例分配恶性的可能性。这种基于图像的CADx输出将充当先验概率。将基于临床特征的贝叶斯分析调节这种概率。如前所述，将进行测试，以查看概率的贝叶斯修改是否影响最终计算的结果。将仅在通过比较计算而认为必要时才为用户提供临床信息。\n[0052] 参考图8，提供了肺CADx应用800中两个分类器选择系统300、500的概念验证。接收器操作特征曲线（ROC）包括通过在X轴上绘示1减去特异性，在Y轴上绘示灵敏度形成的针对二元分类器系统的曲线图。这条绘制曲线下方的区域为Az，是精确度的指标。值1.0代表完美精确测试，值.9到1代表极好测试，值.8到.9代表良好测试，值.7到.8代表合理的测试，值.6到.7代表较差测试，低于.6的值代表失败的测试。ROC Az代表给出这些值的ROC曲线下方的面积。\n[0053] 利用肺结节数据集执行概念验证测试。利用线性判别分类器的随机子空间群执行分类。\n[0054] 在X轴上显示平均子集大小，其增大到最大值820，即60。Y轴包含ROC Az值，该值增加到最大值840，大约为0.9。曲线给出了两种方法。在通过方式300导出的第一方法I860中，随着子集大小增大，ROC Az的值稳定增加880，到达峰值882，稳定在884，在886开始显著下降，结束于最低值888上方。在通过方式500导出的第二方法II870中，随着子集大小增加，ROC Az的值稳定增大890，稳定892，到达峰值894，稳定下降896，并结束于其最低值898。通常，随着平均子集大小增加，对于方法I和II两者，ROC Az的值都增大，直到子集大小达到\n30。然后，随着子集大小减小，ROC Az开始减小。方法II870表现为比方法I860更精确。Az与子集大小的关系与前面公开的使用常规分类器群方法的结果一致。因此，我们相信这里描述的方法能够匹配现有技术CADx系统的诊断精确度，同时获得很好地适合于临床应用的改进工作流程和接口的益处。\n[0055] 进一步执行初始测试以证实所提出的方法700的合理性。将没有临床特征的“留一”CADx结果与患者年龄信息组合。使用线性判别分类器的随机子空间群生成基于图像的分类器，获得0.861的Az。利用贝叶斯统计将这与年龄组合获得0.877的Az。这些结果证实了这种贝叶斯方法进行数据融合的可行性和潜力。\n[0056] 参考图9，该系统采用医学图像910，医学图像910被输入到计算机可操作系统920中进行处理。在计算机可操作系统920上执行的决策引擎访问来自计算机辅助诊断数据库\n930的基于计算机的分类器系统。在计算机可操作系统920上执行分类器系统以基于图像数据910计算部分诊断并基于可能的临床数据进一步计算可能的完整诊断。决策引擎基于这些诊断判断是否需要额外的临床数据。如果需要，向具有显示终端970的接口引擎980发送对额外临床数据的请求，其向操作员查询额外信息。如果有的话，然后将这种额外信息发送到决策引擎以计算最后诊断。然后将这个诊断发送到计算机显示终端970。或者，如果操作员不能提供额外信息，或如果决策引擎判定不需要额外数据，那么可以在计算机显示终端\n970上显示决策引擎计算的部分结果或可能诊断。进一步在决策数据库930中存储计算的结果。可以在计算机可操作系统920的决策引擎和接口引擎980之间进行通信。或者，决策引擎和接口引擎980都可以在同一计算机设备中。\n[0057] 保健领域中的关键应用包括基于图像的临床决策支持系统，尤其是用于治疗的计算机辅助诊断系统和临床决策支持（CDS）系统，其可以集成于医学成像系统、成像工作站、患者监测系统和保健信息学之内。具体的基于图像的计算机辅助诊断和治疗CDS系统包括，但不限于基于CT、MRI、超声波、PET或SPECT的用于肺癌、乳腺癌、结肠癌、前列腺癌的那些系统。集成可能涉及在放射医学工作站（例如，PMW，Philips Extended BrillianceTM工作站）或PACS（例如iSiteTM）中使用本申请。\n[0058] 已经参考优选实施例描述了本申请。在阅读并理解了前述详细说明的情况下，其他人可以想到修改和变更。意图将本申请解释为包括所有这样的修改和变更，只要这些修改和变更在所附权利要求或其等价物的范围之内。