医学数据的训练方法、装置及存储介质

技术领域

本公开涉及医学数据智能处理技术领域，具体涉及一种医学数据的训练方法、用于医学数据训练的处理装置及计算机可读存储介质。

背景技术

现有技术中针对医学数据的训练，在深度学习算法中，提升性能的一个主要手段是增加训练数据量，但存在两个问题：1)增加随机数据，但数量少，仍不足以改善算法性能；2)大量增加数据量，但训练耗时和标注资源也大量增加。

发明内容

本公开意图提供一种医学数据的训练方法、用于医学数据训练的处理装置及计算机可读存储介质，能够兼顾节省标注资源和提升性能，提升训练数据的利用率。

根据本公开的方案之一，提供一种医学数据的训练方法，包括：

将原始医学数据与标准信息组合；

输入分类算法模型，得到推论结果；

基于推论结果，通过筛选选取待选训练数据；

结合对所述待选训练数据的标注结果，生成用于重新训练的医学数据。

在一些实施例中，其中，所述将原始医学数据与标准信息组合，包括：

对照标准信息表，将原始医学数据与每个标准信息两两组合；

基于相似度匹配，确定用于输入分类算法模型的组合。

在一些实施例中，其中，所述输入分类算法模型，得到推论结果，包括：基于所述算法分类模型，通过分类算法得到量化推论结果的infer分数值；

所述基于推论结果，通过筛选选取待选训练数据，包括：

在所述infer分数值处于预设数值区间的情况下，将该infer分数值对应的组合作为所述待选训练数据。

在一些实施例中，其中，所述结合对所述待选训练数据的标注结果，生成用于重新训练的医学数据，包括：

获取待选训练数据的标注结果；

保留标注结果与infer分数值不一致的待选训练数据，作为重新训练的医学数据。

在一些实施例中，其中，所述预设数值区间的取值范围配置为0.01至0.8任一数值。

根据本公开的方案之一，提供一种医学数据的训练方法，包括：

将标注医学数据输入分类算法模型，得到推论结果，所述标注医学数据包含原始信息，以及对照于标准信息表的原始标注结果；

基于推论结果，通过筛选选取待选训练数据；

结合对所述待选训练数据的标注结果，生成用于重新训练的医学数据

在一些实施例中，其中，所述输入分类算法模型，得到推论结果，包括：基于所述分类法模型，通过分类算法得到量化推论结果的infer分数值；

所述基于推论结果，通过筛选选取待选训练数据，包括：

在所述infer分数值处于预设数值区间的情况下，将该infer分数值对应的标注医学数据作为所述待选训练数据。

在一些实施例中，所述结合对所述待选训练数据的标注结果，生成用于重新训练的医学数据，包括：

获取待选训练数据的标注结果；

保留标注结果与infer分数值不一致的待选训练数据，作为重新训练的医学数据。

根据本公开的方案之一，提供用于医学数据训练的处理装置，包括：

推论模块，其配置为用于根据原始医学数据与标准信息的组合得到推论结果，或者根据标注医学数据得到推论结果，所述标注医学数据包含原始信息，以及对照于标准信息表的原始标注结果；

生成模块，其配置为用于结合对待选训练数据的标注结果，生成用于重新训练的医学数据，所述待选训练数据由基于推论结果通过筛选选取。

根据本公开的方案之一，提供计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现：

根据上述的医学数据的训练方法。

本公开的各种实施例的医学数据的训练方法、用于医学数据训练的处理装置及计算机可读存储介质，至少将原始医学数据与标准信息组合；输入分类算法模型，得到推论结果；基于推论结果，通过筛选选取待选训练数据；结合对所述待选训练数据的标注结果，生成用于重新训练的医学数据，或者至少将标注医学数据输入分类算法模型，得到推论结果，所述标注医学数据包含原始信息，以及对照于标准信息表的原始标注结果；基于推论结果，通过筛选选取待选训练数据；结合对所述待选训练数据的标注结果，生成用于重新训练的医学数据，从而能够针对原始医学数据或者已经标注的医学数据，基于利用模型infer结果对照标注结果的构思，对infer结果在一定条件下的数据结合标注结果，构建优化后的标注数据集，根据infer分数重新构建训练数据集，通过重新训练等方式优化算法模型。本公开可以利用ICD标准表的编码关系，用算法模型筛选出对性能提升更有潜力的原始数据，减少需要标注的数据量或者减少训练使用的数据量，更有效地增加训练数据，更精确地发现算法模型的缺陷并提升性能，仅需要现有技术中20％不到的数据达到相同的性能提升效果，从而提升医学研究、医疗诊治的精确性和效率。

应当理解，前面的大体描述以及后续的详细描述只是示例性的和说明性的，并非对所要求保护的本公开的限制。

附图说明

在未必按照比例绘制的附图中，不同视图中相似的附图标记可以表示相似的构件。具有字母后缀的相似附图标记或具有不同字母后缀的相似附图标记可以表示相似构件的不同实例。附图通常作为示例而非限制地图示各种实施例，并且与说明书和权利要求书一起用于解释所公开的实施例。

图1示出本公开实施例涉及的医学数据的训练方法的一种流程图；

图2示出本公开实施例涉及的医学数据的训练方法的又一种流程图

图3示出本公开实施例涉及的用于医学数据训练的处理装置的一种架构图。

具体实施方式

为了使得本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。

为了保持本公开实施例的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明。

本公开涉及关于医学数据深度学习模型下的训练以及处理，用于医学信息以及医学术语概念的精准表征。数据有频次之分，以医院的各项检查为例，技术成熟、价格便宜的超声检查普及度高，相应的超声检查的数据量就多；相反，如核磁共振的检查，受器材数量和高昂的检查费用所限，相关的检查数据量就会比超声检查少很多。如果希望把算法性能提升到99％，意味着在99％的数据场景中算法模型都能做对，这99％必然是包含一些频次较低的数据场景，如核磁共振、CT扫描等。所以要想把模型性能提升到很高的水平，比如95％以上，甚至99％，是需要解决低频数据或疑难数据场景的。现有技术中针对医学数据的训练，在深度学习算法中，提升性能的一个主要手段是增加训练数据量，但盲目增加数据量存在两个问题：1)增加随机数据，并不会改变高频数据和低频数据的占比，比如新增100条新的数据，可能其中90％都是之前性能较好的高频数据，继续增加这类数据对整体性能提升并没有太大的帮助，只有10％是真正想要用来提升性能的低频数据，但由于数据中占比低，实际数量少，仍不足以改善算法的性能，即增加数据的有效比例低；2)大量增加数据量，可以不仅仅加100条，而是加100w条，即使低频数据只有10％的比例，乘上100w也将得到10w的训练数据，由于数据基数大，这个量也足以满足提升性能的需求。与此同时，模型训练要看的数据量大大增加，训练耗时也会相应增加，且耗费大量的标注资源去获得大量的训练数据。算法模型已经达到80、90％的性能，但目标是95％甚至99％，且提升性能需要继续增加大量训练数据，需要考虑通过优化医学数据训练方法来兼顾节省标注资源和提升性能，提升训练数据的利用率。

作为方案之一，如图1所示，本公开的实施例提供了一种医学数据的训练方法，包括：

S101：将原始医学数据与标准信息组合；

S102：输入分类算法模型，得到推论结果；

S103：基于推论结果，通过筛选选取待选训练数据；

S104：结合对所述待选训练数据的标注结果，生成用于重新训练的医学数据。

本公开的发明构思之一，旨在能够针对原始医学数据，基于利用模型infer结果来对照标注结果的构思，对infer结果在一定条件下的数据结合标注结果，构建优化后的标注数据集，根据infer分数重新构建训练数据集，通过重新训练等方式优化算法模型，从而减少需要标注的数据量。

本公开各实施例中的医学数据，其所属的数据源并不需要特别加以限定，可以是历史数据，也可以是当前实时的数据。从数据格式上，可以是病历文本数据、视频数据、音频数据等等，只要能够通过识别手段，例如文本识别(例如，NLP识别，OCR识别等方式)识别其中能够包含的医学信息，语音识别、视频图像识别等方式识别其中记载的诊断内容、手术内容等一些医学信息，抑或是通过字符拆分、词句拆分等方式识别的医学信息内容等。具体应用场景中，本公开的原始医学数据也可以是包含于病历、诊断书，其中包含有多个或者多种诊断信息、手术信息，可以用于人工、机器等通过标注或者解析方式进行相关医学信息的判读。

在一些实施例中，本公开的所述将原始医学数据与标准信息组合，包括：

对照标准信息表，将原始医学数据与每个标准信息两两组合；

基于相似度匹配，确定用于输入分类算法模型的组合。

具体的，将原始医学数据结合ICD标准信息表中的每个概念两两组合，构建组合的标准词包括编码信息和名称信息等，都可以生成本公开实施例的原始医学数据与标准信息的组合。基于相似度匹配，选取出相似度符合一定阈值的组合，保留原始医学数据中原始信息与标准词比较相似的二元组，这种情况下可以认为原文中可能包含该标准词。

在一些实施例中，本公开的所述输入分类算法模型，得到推论结果，包括：基于所述算法分类模型，通过分类算法得到量化推论结果的infer分数值；

所述基于推论结果，通过筛选选取待选训练数据，包括：

在所述infer分数值处于预设数值区间的情况下，将该infer分数值对应的组合作为所述待选训练数据。

本实施例中基于利用模型infer结果对照标注结果的构思，通过算法模型对原始医学数据与标准信息的组合进行处理，得到相应的infer分数来量化处理结果。

具体的，本实施例可以将infer分数极低(例如infer分数小于0.01)和极高(例如infer分数接近1，比如大于0.8)的二元组剔除，原因是模型已经对这些二元组的分类结果给出极高置信度的判断，说明模型已经见过足够多相关的二元组数据，即这些二元组属于高频数据。

而infer分数在中等区间的二元组需要保留，原因是算法模型在处理这些数据时无法给出明确的判断，大概率是见过一些类似的表达，但相关表达的数据量并不多，即这些二元组大概率属于低频数据。具体的，中等区间的划分可以根据精度要求调整，例如本实施例可以划分infer分数在小于等于0.8、大于等于0.01之间的中等区间。

在一些实施例中，本公开的所述结合对所述待选训练数据的标注结果，生成用于重新训练的医学数据，包括：

获取待选训练数据的标注结果；

保留标注结果与infer分数值不一致的待选训练数据，作为重新训练的医学数据。

可以将本公开对训练数据的处理过程比拟为两次层级筛选过程，通过上述初次筛选，得到infer分数值位于中等区间的二元组。据此，通过二次筛选选取待选训练数据。

具体的，在使用模型的时候，一般认为infer分数高于0.5的代表二元组中的原文是包含对应标准词的，infer分数低于0.5的代表二元组中原文不包含标准词。具体的，以预设数值区间中阈值取值0.5为例：

1)针对infer分数低于0.5的二元组，本公开的实施例中，可以通过专家标注的方式对这些待选训练数据进行标注，得到标注结果。将infer结果与专家标注结果对照原则是专家标注结果和算法infer结果一致的要舍弃，不一致的要保留，因为前者说明算法模型在这些数据上大概率还是能给出正确的分类结果，而后者对应的数据是模型目前做错的，更有训练的价值。据此，通过得到专家标注后的标注结果，就可以针对infer分数低于0.5的代表二元组进行相应的取舍。例如，Infer值小于0.5，专家批注为正例，作为重新训练模型的优化训练数据；Infer值小于0.5，专家批注为负例，则舍弃。

2)针对infer分数不低于0.5的二元组，本公开的实施例中，可以通过专家标注的方式对这些待选训练数据进行标注，得到标注结果。将infer结果与专家标注结果对照原则是专家标注结果和算法infer结果一致的要舍弃，不一致的要保留，因为前者说明算法模型在这些数据上大概率还是能给出正确的分类结果，而后者对应的数据是模型目前做错的，更有训练的价值。据此，通过得到专家标注后的标注结果，就可以针对infer分数不低于0.5的代表二元组进行相应的取舍。例如，Infer值大于等于0.5，专家批注为正例，则舍弃；Infer值大于等于0.5，专家批注为负例，作为重新训练模型的优化训练数据。

在一些实施例中，本公开的方法，还可以包括：基于所述用于重新训练的医学数据，进行迭代训练。本公开的方法整个流程可以进行多次循环迭代，进一步提高标注结果的一致性，同时提高算法模型的性能。

作为方案之一，如图2所示，本公开的实施例提供了一种医学数据的训练方法，包括：

S201：将标注医学数据输入分类算法模型，得到推论结果，所述标注医学数据包含原始信息，以及对照于标准信息表的原始标注结果；

S202：基于推论结果，通过筛选选取待选训练数据；

S203：结合对所述待选训练数据的标注结果，生成用于重新训练的医学数据。

本公开的发明构思之一，旨在能够针对已经标注的医学数据，基于利用模型infer结果来对照标注结果的构思，对infer结果在一定条件下的数据结合标注结果，构建优化后的标注数据集，根据infer分数重新构建训练数据集，通过重新训练等方式优化算法模型，从而减少训练使用的数据量。

在一些实施例中，本公开可以通过人工对医学数据标注实现，也可以通过具备相应判读能力的机器识别进行标注实现。本实施例中，所述判读为负例的原始医学数据，可以被定义为：通过对原始医学数据的标注，标注结果不包含该原始医学数据所包含的医学信息。具体的，可以由专业人工、医学专家进行标注。每条数据可以参照“原文，ICD编码|ICD标准名称”这样的格式处理为二元组，例如专家针对原始数据包含记录内容“胸腔镜辅助小切口右肺上叶癌根治术”，标注为“胸腔镜辅助小切口右肺上叶癌根治术，32.4100|胸腔镜下肺叶切除术”这样格式的二元组。

在一些实施例中，本公开的所述输入分类算法模型，得到推论结果，包括：基于所述分类法模型，通过分类算法得到量化推论结果的infer分数值；

所述基于推论结果，通过筛选选取待选训练数据，包括：

在所述infer分数值处于预设数值区间的情况下，将该infer分数值对应的标注医学数据作为所述待选训练数据。

本实施例中基于利用模型infer结果对照标注结果的构思，通过算法模型对标注医学数据，例如“原文，ICD编码|ICD标准名称”这样格式的二元组进行处理，得到相应的infer分数来量化处理结果。

具体的，本实施例可以将infer分数极低(例如infer分数小于0.01)和极高(例如infer分数接近1，比如大于0.8)的二元组剔除，原因是模型已经对这些二元组的分类结果给出极高置信度的判断，说明模型已经见过足够多相关的二元组数据，即这些二元组属于高频数据。

而infer分数在中等区间的二元组需要保留，原因是算法模型在处理这些数据时无法给出明确的判断，大概率是见过一些类似的表达，但相关表达的数据量并不多，即这些二元组大概率属于低频数据。具体的，中等区间的划分可以根据精度要求调整，例如本实施例可以划分infer分数在小于等于0.8、大于等于0.01之间的中等区间。

在一些实施例中，本公开的所述结合对所述待选训练数据的标注结果，生成用于重新训练的医学数据，包括：

获取待选训练数据的标注结果；

保留标注结果与infer分数值不一致的待选训练数据，作为重新训练的医学数据。

可以将本公开对训练数据的处理过程比拟为两次层级筛选过程，通过上述初次筛选，得到infer分数值位于中等区间的二元组。据此，通过二次筛选选取待选训练数据。

具体的，在使用模型的时候，一般认为infer分数高于0.5的代表二元组中的原文是包含对应标准词的，infer分数低于0.5的代表二元组中原文不包含标准词。具体的，以预设数值区间中阈值取值0.5为例：

1)针对infer分数低于0.5的二元组，本公开的实施例中，可以通过专家标注的方式对这些待选训练数据进行标注，得到标注结果。将infer结果与专家标注结果对照原则是专家标注结果和算法infer结果一致的要舍弃，不一致的要保留，因为前者说明算法模型在这些数据上大概率还是能给出正确的分类结果，而后者对应的数据是模型目前做错的，更有训练的价值。据此，通过得到专家标注后的标注结果，就可以针对infer分数低于0.5的代表二元组进行相应的取舍。例如，Infer值小于0.5，专家批注为正例，作为重新训练模型的优化训练数据；Infer值小于0.5，专家批注为负例，则舍弃。

2)针对infer分数不低于0.5的二元组，本公开的实施例中，可以通过专家标注的方式对这些待选训练数据进行标注，得到标注结果。将infer结果与专家标注结果对照原则是专家标注结果和算法infer结果一致的要舍弃，不一致的要保留，因为前者说明算法模型在这些数据上大概率还是能给出正确的分类结果，而后者对应的数据是模型目前做错的，更有训练的价值。据此，通过得到专家标注后的标注结果，就可以针对infer分数不低于0.5的代表二元组进行相应的取舍。例如，Infer值大于等于0.5，专家批注为正例，则舍弃；Infer值大于等于0.5，专家批注为负例，作为重新训练模型的优化训练数据。

在一些实施例中，本公开的方法，还可以包括：基于所述用于重新训练的医学数据，进行迭代训练。本公开的方法整个流程可以进行多次循环迭代，进一步提高标注结果的一致性，同时提高算法模型的性能。

作为本公开的方案之一，如图3所示，本公开还提供了一种用于医学数据训练的处理装置，包括：

推论模块，其配置为用于根据原始医学数据与标准信息的组合得到推论结果；

生成模块，其配置为用于结合对待选训练数据的标注结果，生成用于重新训练的医学数据，所述待选训练数据由基于推论结果通过筛选选取。

结合前述示例，在一些实施中，本公开的推论模块，可以进一步配置为用于：通过分类算法得到量化推论结果的infer分数值。

结合前述示例，在一些实施中，本公开的生成模块，可以进一步配置为用于：在所述infer分数值处于预设数值区间的情况下，将该infer分数值对应的组合作为所述待选训练数据。

结合前述示例，在一些实施中，本公开的生成模块，可以进一步配置为用于：获取待选训练数据的标注结果；

保留标注结果与infer分数值不一致的待选训练数据，作为重新训练的医学数据。

作为本公开的方案之一，如图3所示，本公开还提供了一种用于医学数据训练的处理装置，包括：

推论模块，其配置为用于根据标注医学数据得到推论结果，所述标注医学数据包含原始信息，以及对照于标准信息表的原始标注结果；

生成模块，其配置为用于结合对待选训练数据的标注结果，生成用于重新训练的医学数据，所述待选训练数据由基于推论结果通过筛选选取。

结合前述示例，本公开还可以包括标注模块，用于得到标注医学数据，标注医学数据包含原始信息，以及对照于标准信息表的原始标注结果。

在一些实施例中，本公开的推论模块，进一步配置为用于：基于所述分类法模型，通过分类算法得到量化推论结果的infer分数值。

结合前述示例，在一些实施中，本公开的生成模块，可以进一步配置为用于：在所述infer分数值处于预设数值区间的情况下，将该infer分数值对应的标注医学数据作为所述待选训练数据。

结合前述示例，在一些实施中，本公开的生成模块，可以进一步配置为用于：

获取待选训练数据的标注结果；

保留标注结果与infer分数值不一致的待选训练数据，作为重新训练的医学数据。

具体来说，本公开的发明构思之一，旨在至少将原始医学数据与标准信息组合；输入分类算法模型，得到推论结果；基于推论结果，通过筛选选取待选训练数据；结合对所述待选训练数据的标注结果，生成用于重新训练的医学数据，或者至少将标注医学数据输入分类算法模型，得到推论结果，所述标注医学数据包含原始信息，以及对照于标准信息表的原始标注结果；基于推论结果，通过筛选选取待选训练数据；结合对所述待选训练数据的标注结果，生成用于重新训练的医学数据，从而能够针对原始医学数据或者已经标注的医学数据，基于利用模型infer结果对照标注结果的构思，对infer结果在一定条件下的数据结合标注结果，构建优化后的标注数据集，根据infer分数重新构建训练数据集，通过重新训练等方式优化算法模型。本公开可以利用ICD标准表的编码关系，用算法模型筛选出对性能提升更有潜力的原始数据，减少需要标注的数据量或者减少训练使用的数据量，更有效地增加训练数据，更精确地发现算法模型的缺陷并提升性能，仅需要现有技术中20％不到的数据达到相同的性能提升效果，从而提升医学研究、医疗诊治的精确性和效率。

作为本公开的方案之一，本公开还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，主要实现根据上述的医学数据的训练方法，至少包括：

将原始医学数据与标准信息组合；

输入分类算法模型，得到推论结果；

基于推论结果，通过筛选选取待选训练数据；

结合对所述待选训练数据的标注结果，生成用于重新训练的医学数据。

作为本公开的方案之一，本公开还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，主要实现根据上述的医学数据的训练方法，至少包括：

将标注医学数据输入分类算法模型，得到推论结果，所述标注医学数据包含原始信息，以及对照于标准信息表的原始标注结果；

基于推论结果，通过筛选选取待选训练数据；

结合对所述待选训练数据的标注结果，生成用于重新训练的医学数据。

在一些实施例中，执行算机可执行指令处理器可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地，该处理器可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理器还可以是一个以上专用处理设备，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。

在一些实施例中，计算机可读存储介质可以为存储器，诸如只读存储器(ROM)、随机存取存储器(RAM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦除可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAM)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器(CD-ROM)、数字通用光盘(DVD)或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。

在一些实施例中，计算机可执行指令可以实现为多个程序模块，多个程序模块共同实现根据本公开中任何一项所述的医学影像的显示方法。

本公开描述了各种操作或功能，其可以实现为软件代码或指令或者定义为软件代码或指令。显示单元可以实现为在存储器上存储的软件代码或指令模块，其由处理器执行时可以实现相应的步骤和方法。

这样的内容可以是可以直接执行(“对象”或“可执行”形式)的源代码或差分代码(“delta”或“patch”代码)。这里描述的实施例的软件实现可以通过其上存储有代码或指令的制品提供，或者通过操作通信接口以通过通信接口发送数据的方法提供。机器或计算机可读存储介质可以使机器执行所描述的功能或操作，并且包括以可由机器(例如，计算显示设备、电子系统等)访问的形式存储信息的任何机制，例如可记录/不可记录介质(例如，只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质、闪存显示设备等)。通信接口包括与硬连线、无线、光学等介质中的任何一种接口以与其他显示设备通信的任何机制，例如存储器总线接口、处理器总线接口、因特网连接、磁盘控制器等。通信接口可以通过提供配置参数和/或发送信号来配置以准备通信接口，以提供描述软件内容的数据信号。可以通过向通信接口发送一个或多个命令或信号来访问通信接口。

本公开的实施例的计算机可执行指令可以组织成一个或多个计算机可执行组件或模块。可以用这类组件或模块的任何数量和组合来实现本公开的各方面。例如，本公开的各方面不限于附图中示出的和本文描述的特定的计算机可执行指令或特定组件或模块。其他实施例可以包括具有比本文所示出和描述的更多或更少功能的不同的计算机可执行指令或组件。

以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本公开的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本公开的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。

以上实施例仅为本公开的示例性实施例，不用于限制本公开，本公开的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内，对本公开做出各种修改或等同替换，这种修改或等同替换也应视为落在本公开的保护范围内。