识别医学成像设备的问题的原因

技术领域

本发明涉及仪器维护领域，并且特别涉及识别医学成像设备的问题的原因或解决方案的领域。

背景技术

医学成像设备经常发生故障或遭受一个或多个需要维护的问题。通常，当在这样的设备中识别出问题时，被称为响应者的个人将(例如通过电话或经由基于文本的服务)联系支持运营商。然后，支持运营商将尝试诊断问题并提出解决问题的方案。该解决方案可以包括更换设备的一个或多个零件、更新软件或任何其他已知的维修设备的方法。

然而，单个提出问题的电话或沟通会话常常不足以识别和沟通手头的问题。个人解释问题的时间通常有限，并且这样的个人可能并不擅长详细解释问题和/或使用正确的技术语言进行解释。例如，个人可能在与医学成像设备相关的技术问题上没有经过训练或缺乏经验。结果，诊断问题或识别问题的解决方案常常需要多次电话或沟通会话和/或一次或多次访问容纳医学成像设备的场所。这会导致延迟解决问题。

在临床环境中，医学成像设备的可用性的延迟会对在临床环境中接受处置/评估的对象的可能健康结果产生显著影响，因为任何处置延迟都会显著降低积极健康结果的可能性。在工业环境中，为了维持生产产品或提供服务，存在避免停工的强烈动机。

因此，期望减少用于识别医学成像设备中的维护问题的原因或解决方案的时间长度。

文献US2007/288572A1公开了一种用于在多个服务运营商之间分配服务的计算机实施的方法，其中，每个运营商都能够提供至少一个服务，并且每个服务运营商都操作各自的计算机，以在支持服务器处接收来自由用户操作的至少一台计算机的服务请求，生成将由操作至少一台计算机的用户回答的问卷，基于回答的问卷来选择至少一个服务运营商，并且在由用户正在操作的至少一台计算机与由至少一个选择的服务运营商正在操作的计算机之间建立服务会话以用于提供所请求的服务。

发明内容

本发明由权利要求来限定。

根据基于本发明的一个方面的示例，提供了一种用于生成针对医学成像设备的故障的故障描述的处理系统。

所述处理系统包括一个或多个处理器，所述一个或多个处理器被配置为：识别响应者的用户概况，其中，所述用户概况指示所述响应者的人员角色和/或所述响应者对所述医学成像设备和/或所述医学成像设备的操作的熟悉度；至少基于所识别的用户概况来调整或生成故障问卷；接收由所述响应者响应于经调整的故障问卷而提供的响应者输入数据；识别所述医学成像设备的故障的一个或多个特征，其中，所述识别包括至少处理对所述响应者输入数据执行的自然语言处理分析的输出；并且输出包括所识别的所述医学成像设备的故障的一个或多个特征的故障描述。

所提出的方法提供了一种用于生成医学成像设备的故障的故障描述或故障报告的机制。个人(响应者)的用户概况指示或表示个人(响应者)对医学图像设备和/或其操作的熟悉度，该用户概况用于调整故障问卷。个人对问卷的回答被分析并被用于生成故障描述。

通过这种方式，故障描述生成调整并响应报告故障的个人的经验水平。更具体地，调整问卷以例如确保对(报告故障的)个人进行最适当的询问，以更准确地预测医学成像设备的可能故障。

所述一个或多个处理器可以被配置为通过以下操作来识别所述响应者的所述用户概况：接收由响应者提供的与所述医学成像设备的所述故障有关的初始响应者输入数据；并且对所述初始响应者输入数据执行第二自然语言处理分析以识别所述响应者的所述用户概况。

所述一个或多个处理器可以被配置为通过至少对所述初始响应者输入数据和所述响应者输入数据执行所述自然语言处理分析来识别所述医学成像设备的故障的所述一个或多个特征。

在一些示例中，所述一个或多个处理器被配置为通过以下操作来调整或生成所述故障问卷：获得多个模板故障问卷；基于所述用户概况来选择所述多个模板故障问卷中的一个模板故障问卷；并且使用所选择的模板故障问卷来生成所述故障问卷。

在至少一个示例中，所述一个或多个处理器被配置为通过以下操作来调整所述故障问卷：接收由响应者提供的与所述医学成像设备的所述故障有关的初始响应者输入数据；通过至少处理所述初始响应者输入数据来识别所述医学成像设备的所述故障的一个或多个预测特征；并且至少基于所识别的用户概况和所述医学成像设备的所述故障的所述一个或多个预测特征来调整所述故障问卷。

所述故障的所述一个或多个预测特征可以包括所述医学成像设备的导致所述故障的一个或多个预测部件。

所述一个或多个处理器还可以被配置为通过至少处理所述初始响应者输入数据和所述用户概况来识别所述一个或多个预测特征。

任选地，处理所述初始响应者输入数据和所述用户概况包括：获得提供关于所述医学成像设备的信息的设备元数据；基于所述初始响应者输入数据和所述用户概况来识别所述设备元数据的子集；并且基于所述设备元数据的所述子集来识别所述医学成像设备的所述故障的一个或多个预测特征。

在一些实施例中，基于所述初始响应者输入数据来识别所述设备元数据的子集包括：将所述设备元数据定义为由多个节点形成的基于树的结构，其中，所述基于树的结构的不同节点表示设备元数据的不同实例，并且节点之间的连接表示设备元数据的所述不同实例之间的关系；并且基于所述初始响应者输入数据和所述用户概况来遍历所述基于树的结构，以将设备元数据的上下文相关实例识别为所述设备元数据的所述子集。

所述一个或多个处理器可以被配置为通过处理所述故障的所述一个或多个预测特征和所述自然语言处理分析的所述输出来识别所述医学成像设备的故障的一个或多个特征。

任选地，所述一个或多个处理器被配置为通过以下操作来识别所述医学成像设备的故障的一个或多个特征：定义包含针对医学成像设备的故障的潜在特征的识别符的数据集；并且使用所述故障的所述一个或多个预测特征和所述自然语言处理分析的所述输出来处理所述数据集，以识别所述医学成像设备的故障的一个或多个特征。

在一些示例中，所述自然语言处理分析的所述输出包括使用所述自然语言处理分析至少从所述响应者输入数据中提取的一个或多个关键词或关键短语。

所述一个或多个处理器还可以被配置为基于所述响应者输入数据并任选地基于所识别的用户概况来识别与所述故障有关的所述医学成像设备的一个或多个日志文件。

还提出了一种用于生成针对医学成像设备的故障的故障描述的计算机实施的方法。所述计算机实施的方法包括：识别响应者的用户概况，其中，所述用户概况指示所述响应者的人员角色和/或所述响应者对所述医学成像设备和/或所述医学成像设备的操作的熟悉度；至少基于所识别的用户概况来调整或生成故障问卷：接收由所述响应者响应于经调整的故障问卷而提供的响应者输入数据；识别所述医学成像设备的故障的一个或多个特征，其中，所述识别包括至少处理对所述响应者输入数据执行的自然语言处理分析的输出；并且输出包括所识别的所述医学成像设备的故障的一个或多个特征的故障描述。

还提出了一种包括计算机程序代码单元的计算机程序产品，所述计算机程序代码单元当在具有处理系统的计算设备上被运行时使所述处理系统执行本文描述的任何方法的所有步骤。

参考下文描述的(一个或多个)实施例，本发明的这些方面和其他方面将变得明显并且得到阐明。

附图说明

为了更好地理解本发明并且更清楚地示出如何将本发明付诸实践，现在将仅通过示例的方式参考附图，在附图中：

图1图示了根据一个实施例的方法；

图2图示了在一种方法中使用的过程；

图3概念性地图示了故障问卷；

图4概念性地图示了知识图；

图5图示了用于生成技术描述的方法；

图6图示了用于生成技术描述的另一种方法；并且

图7图示了根据一个实施例的处理系统。

具体实施方式

将参考附图来描述本发明。

应当理解，详细描述和具体示例虽然指示装置、系统和方法的示例性实施例，但是这仅用于说明的目的而并不旨在限制本发明的范围。根据以下描述、权利要求和附图将更好地理解本发明的装置、系统和方法的这些和其他特征、方面和优点。应当理解，这些附图仅仅是示意性的并且不是按比例绘制的。还应当理解，贯穿整个附图使用相同的附图标记来指示相同或相似的部分。

本发明提供了一种用于生成医学成像设备的故障的技术描述的机制。至少基于响应者的用户概况来定制针对响应者的问卷。使用响应者对问卷的回答来识别故障的特征，继而使用这些特征来生成和输出故障描述。

实施例基于这样的认识：通过基于关于响应者的信息配置问卷，能够提供更合适的针对响应者的问卷。通过以这种方式配置问卷，能够从响应者那里获取更多有用的信息以生成更准确的技术描述。

本文描述的方法能够在任何支持系统中用于处理医学成像设备中的错误。实施例在用于帮助支持运营商诊断和识别((通常不太精通技术的)响应者报告的)医学成像设备中的故障时特别有利。

本领域技术人员将能够容易地开发用于执行本文描述的任何方法的处理系统。因此，任何图示的流程图的步骤中的每个步骤都可以表示由处理系统执行的不同动作，并且可以由处理系统的相应模块来执行。

图1是图示根据实施例的方法100的流程图。方法100被配置用于生成针对(响应者报告的)医学成像设备的故障的故障描述。

方法100包括识别响应者的用户概况的步骤110。用户概况指示响应者的人员角色和/或响应者对医学成像设备和/或医学成像设备的操作的熟悉度。

因此，用户概况提供关于用户的特性的信息，特别地，用户概况提供可能影响用户与之交互的医学成像设备或医学成像设备的零件的特性，或者影响技术专业知识水平和响应者能用于识别和/或描述关于故障的信息的语言的特性。

用户概况还可能包括关于响应者的其他合适特性的额外信息，例如，他们的工作环境(例如，临床环境的名称)等。

可以从用户概况数据库中检索或获得用户概况。在这样的示例中，使用用户识别符(例如，响应者的姓名或响应者使用的通信设备的识别符，例如，蜂窝电话号码)来识别用户概况数据库中的适当用户概况。可以通过对响应者提供的初始文本执行自然语言处理技术来识别响应者的姓名。

可以使用另一种方法来确定或生成用户概况，例如，如果在用户概况数据库中不存在用户概况或者无法识别用户概况的情况下。该方法可以包括为响应者提供一个或多个概况问题的过程，每个概况问题请求关于用户的某些特性的信息。可以使用响应者对概况问题的回答来定义/生成用户概况。概况问题例如可以是一般性质的，以促进识别用户的合适特性(例如，工作描述、研究方向)。

然后，可以将针对响应者生成的用户概况添加到用户概况数据库(如果存在的话)中。

方法100然后执行步骤120：至少基于所识别的用户概况来调整或生成故障问卷。通过这种方式，使用用户概况来定义故障问卷，使得为不同的用户概况和/或响应者提供不同的故障问卷。

图2图示了用于执行方法100的步骤120的一种方法。

在该示例中，步骤120包括获得多个模板故障问卷的子步骤121。每个模板可以定义一个不同序列或一系列关于潜在故障的问题以供响应者回答。不同的模板可以在技术专业知识、医学专业知识、成像设备熟悉度等不同水平上提供不同的问题。

步骤120还包括基于用户概况来选择多个模板故障问卷中的一个模板故障问卷的子步骤122。

通过这种方式，将不同的用户概况或用户概况类型与不同的模板相关联。特别地，如果用户概况识别出响应者的人员角色，则可以基于人员角色来选择特定的模板。

例如，如果用户概况指示响应者是技术人员，那么在子步骤122中将选择与技术人员相关联的模板。针对技术人员的模板能够从工作流程或操作过程开始，例如，请求系统是否对特定类型的扫描响应较慢等。

作为另一个示例，如果响应者是工程师，那么应当在子步骤122中选择对应的工程师问卷模板。针对生物医学或内部服务工程师的模板可以从一个或多个关于技术方面的问题(如“上一次规划维护是什么时候执行的？”)开始，或者请求关于正在讨论的测量仪表的压力读数的信息。

作为另一个示例，如果响应者是临床医生，那么应当选择对应的临床医生问卷模板。针对临床医生的模板可以从临床相关问题(例如关于由医学成像设备提供的图像的图像质量)开始。

通过这种方式，不同的模板能够针对响应者的不同专业或角色。

将意识到，这些内容仅提供了可以基于用户概况中的信息选择的可能模板的一小部分样本。例如，可以将“临床医生”模板细分成不同类型的模板，例如，为放射科医生提供一个模板，为护士提供另一个模板，并且为肿瘤学家提供不同的模板。

以上描述提供了其中用户概况定义用户角色的使用示例。然而，用户概况可以包含关于用户的特性的其他/额外信息，并且不同的模板可以与包括在用户概况中的任何特性的不同组合相关联。

作为另一个示例，如果用户概况定义了经验水平，那么不同的模板可以与不同的经验水平相关联。在一些实施例中，不同的模板可以与相同角色但不同经验水平的响应者相关联(其中，不同的模板仍然与不同角色的响应者相关联)。

在一些示例中，除了用户概况之外，还可以使用其他信息来选择模板问卷。

例如，步骤120可以被配置为还包括接收由响应者提供的与医学成像设备的故障有关的初始响应者输入数据的步骤125。步骤120还可以包括通过至少处理初始响应者输入数据来识别医学成像设备的故障的一个或多个预测特征的步骤126。

在该示例中，子步骤122可以被配置为至少基于所识别的用户概况和医学成像设备的故障的一个或多个预测特征来选择模板问卷。

例如，初始响应者数据可以包含识别医学设备的类型的信息、关于设备问题的初始信息等。因此，该初始响应者数据能够为预测医学设备的故障的特征提供有用的上下文信息。预测特征可能包括例如识别与故障相关联的医学设备(或医学设备的子系统)的识别符的信息、导致或发现故障的事件等。

在本公开内容的后续部分提供了用于通过处理响应者输入数据来识别预测特征的方法。如后文所描述的，这样的方法也可以适于利用用户概况来识别(一个或多个)预测特征。

不同的模板故障问卷可以与故障的不同预测特征(例如，医学设备的不同类型、医学设备的不同子系统或发现故障的不同事件)相关联。模板的设计方式可以详尽地捕获与特定特征(例如，特定子系统)有关的所有问题。

因此，例如，第一模板故障问卷可以用于第一类型的医学成像设备(例如，CT扫描器)，而第二模板故障问卷可以用于第二类型的医学成像设备(例如，MRI扫描器)。通过为特定医学成像设备的不同子系统提供不同的模板故障问卷，可以实现更大的粒度。

用户概况与其他信息(这里：任何预测特征)的组合可以用于选择模板故障问卷。相应地，不同的模板故障问卷可以与用户概况信息与其他信息的不同组合相关联。

步骤120然后移动到子步骤123：使用所选择的模板故障问卷来生成故障问卷。

在一些示例中，所选择的模板故障问卷本身可以定义所生成的故障问卷。换句话说，模板故障问卷可以简单地包括用于建立关于故障的信息的一系列预定义的具体问题。

在其他实施例中，可以使用额外信息来生成所选择的故障问卷。例如，模板问卷可以包括一个或多个问题模板，其中的问题具有可以(例如基于额外信息)完成或填写的槽。示例槽可能包括“设备”(其能够用关于医学设备的信息来填充)、“用户”(其能够用关于设备所涉及的对象的信息来填充)和“特征”(其能够用关于医学成像设备的子系统、模态或预期操作/能力的信息来填充)。

作为一个示例，额外信息可以包括关于医学设备的信息(例如，医学设备的识别符)。可以基于关于医学设备的信息来完成或填写问卷中的槽。例如，数据库可以(针对不同的医学设备)提供不同的数据来填充模板问卷的槽。

因此，针对“设备”的示例槽——例如，在问题模板中，“在发现问题时，该设备是否正在临床使用中？”——可以更换或填充医学设备的名称或识别符(例如，如果医学成像设备是CT扫描器，则能够将“设备”更换为“CT扫描器”)。

作为另一个示例，针对“用户”的示例槽——例如，在问题模板中“有任何用户受到伤害吗？”——可以更换或填充医学设备的预期用户或对象的识别符(例如，如果医学成像设备是用于扫描患者的CT扫描器，则可以将“用户”更换为“患者”)。

先前已经描述了步骤120可以如何被配置为还包括接收由响应者提供的与医学成像设备的故障有关的初始响应者输入数据的步骤125。基于包含在初始响应者输入数据中的信息，可以完成模板问卷中的槽。这可以包括关于协议、零件、图像伪影、扫描类型、用户、特征、参数等的信息。

因此，在一个示例中，所选择的故障问卷包括一个或多个问题模板，问题模板是具有能够完成的槽的问题，并且故障问卷是通过基于包含在初始响应者输入数据中的信息完成模板问卷中的槽来生成的。

在另一个示例中，通过以下操作基于用户概况来生成故障问卷：获得多个模板故障问卷，每个模板故障问卷与医学成像设备的不同故障有关；基于用户概况来选择多个模板故障问卷；并且使用所选择的模板故障问卷来生成故障问卷。所选择的模板故障问卷是通过以下操作来调整的：接收由响应者提供的与医学成像设备的故障有关的初始响应者输入数据；通过至少处理初始响应者输入数据来识别医学成像设备的故障的一个或多个预测特征；并且至少基于所识别的用户概况和医学成像设备的故障的一个或多个预测特征来调整所选择的模板故障问卷。在该示例中，通过从所选择的模板故障问卷中移除一个或多个常见问题或一个或多个常见步骤或一个或多个常见槽来进一步调整所选择的模板故障问卷。

可以基于来自响应者的反馈(例如，基于响应者对问卷的问题的回答)来更新故障问卷。通过这种方式，可以基于响应者的回答来动态地改变问题流程。

因此，可以基于响应者响应于故障问卷而提供的响应者输入数据来迭代地更新故障问卷。

在一些示例中，故障问卷有效地充当流程图，其中，响应者的不同响应会改变通过流程图的路径(例如，引起提问不同的问题)。

图3概念性地图示了这样的故障问卷300的部分，故障问卷300图示了形成故障问卷的部分的5个问题Q1-Q5。对故障问卷中的问题的不同回答(如肯定或否定)将定义针对响应者的下一个问题。

在故障问卷的一些示例中，问题可以处于不同的详细程度。特别地，如果响应者以更一般的详细程度提供了肯定的/适当的/足够的信息，那么下一个问题可以是更详细且更精确的详细程度。因此，如果针对问卷的响应者继续肯定地/适当地/充分地回答问题，那么问卷中的接连问题的流程可能比前面的问题更佳详细和精确。

另一方面，也可以设置故障问卷，使得对于某些问题，如果没有正确回答，那么将会将询问重定向到更高级别的元素。

通过这种方式，使用故障问卷而提供给响应者的问题可以响应于响应者对问题的响应而演化。

回到图1，方法100包括步骤130：接收由响应者响应于经调整的或所生成的故障问卷而提供的响应者输入数据。

因此，(例如自动地或经由与支持运营商的讨论)将故障问卷呈现给响应者，并且获得响应者对故障问卷的答复。向响应者呈现故障问卷可以包括向响应者提供接连的问题，以便(例如从较低的详细程度到较高的详细程度)移动通过故障问卷。响应者对问题的回答可以改变通过故障问卷的流程或移动。

因此，步骤130可以包括以下步骤：基于故障问卷向响应者或支持运营商提供问题(以提问响应者)，并且获得由响应者(例如经由支持运营商)响应于问题而提供的响应者输入数据。提供给响应者的问题可以通过故障问卷的流程来定义，该流程可以响应于对象的回答而改变。当然，可以基于对象在提问期间的回答来更新故障问卷。

方法100还包括识别医学成像设备的故障的一个或多个特征的步骤140，其中，该识别包括至少处理对响应者输入数据执行的自然语言处理分析的输出。

在步骤140中执行的自然语言处理分析由此用于从由响应者提供的输入数据中识别医学成像设备的故障的特征或特性。这种方法可以有效地将响应者输入数据视为故障的一般描述，并且使用这种认识结果来识别故障的更具体或精确的特性。

在一个示例中，自然语言处理分析被配置为从响应者输入数据中提取或识别关键词。所提取的关键词可以充当医学成像设备的故障的一个或多个特征。该实施例认识到关于医学成像设备的故障的信息将出现在响应者输入数据中，使得提取的关键词能够充当医学成像设备的故障的特征。

另一种用于执行步骤140的方法是将响应者输入数据映射到设备的特定部件或子系统的集合，以便识别可能已经发生故障的区。这种方法可以利用知识图，知识图是将系统表示为子系统和部件以及它们之间的关系的集合的数据结构。每个子系统和/或部件可以与关键词的集合相关联。自然语言处理分析可以使用关键词匹配从知识图中的子系统/部件的集合中缩小可能的子系统/部件的范围。能够使用系统的设计和需求文档来创建知识图。该文件可以具有从设备(系统)级别到子系统和个体部件的分层组织。能够使用可追溯性文档来映射和连接该知识图中的节点。

图4提供了知识图400的代表性图示，知识图400指示部件、子系统和关键词之间的关系和联系。将意识到，关键词如何能够与特定的部件和/或子系统相关联，从而能够执行关键词匹配以从响应者输入数据中识别与故障相关联的最可能的子系统和/或关键词。

在一些示例中，能够额外地或备选地使用用户概况来缩小可能的子系统或部件的范围。例如，如果用户概况指示响应者的角色，那么可以使用角色来缩小子系统和/或部件的范围。例如，不同角色的人可能只能使用某些系统或子系统。例如，技术人员可能只被训练使用某个子系统或模态。为此，可以维护基于角色的上下文数据库。

因此，能够使用所识别的用户概况和/或响应者输入数据来识别医学成像设备的一个或多个子系统和/或部件(其被预测为与故障有关)。

然后，步骤140可以使用响应者输入数据并且任选地使用额外数据，以为经缩小范围的子系统/部件内的多个可能问题中的每个可能问题生成所述问题已经发生的概率得分。作为一个示例，可以使用基于AI的分类引擎通过至少处理由自然语言处理分析机制从响应者输入数据中提取的关键词来预测上述概率。因此，能够为每个这样的可能问题诊断生成概率得分。(一个或多个)概率得分能够充当经识别的医学成像设备的故障的一个或多个特征。

基于AI的分类引擎能够是基于规则的，或者能够是基于先前诊断的病历而训练的机器学习模型或深度学习模型。这样的机器学习模型或深度学习模型可以是基于从历史响应者输入数据和(例如从现场访问得到的)对应的故障诊断中提取的关键词的历史数据来训练的。

已经提到了可以如何使用额外数据来生成(一个或多个)概率得分。

该额外数据可以包括例如医学成像数据的元数据和/或日志数据。可以通过使用经缩小范围的子系统/部件来确定元数据和/或日志数据，以识别要(从针对医学成像系统的较大数据集中)获得哪些元数据和/或日志数据。因此，可以基于所识别的用户概况和/或响应者输入数据来确定元数据和/或日志数据。

在一些示例中，可以使用时间信息来定义相关的元数据和/或日志数据。时间信息可以指示问题发生的时间或时间段。例如，可以(例如通过响应者指示错误何时发生)从响应者输入数据中提取时间信息。

作为另一个示例，可以通过以下操作来识别时间信息：识别导致问题的子系统或子部件，并且在医学成像系统的元数据和/或日志数据的较大数据集中识别错误的发生，并且将错误发生的时间识别为该时间信息。

当然，使用时间信息并不是必需的。相反，可以识别和提取经专门识别的子部件的相关的元数据和/或日志数据中的任何错误。

在一些示例中，可以通过以下操作来获得元数据：获得针对设备的元数据的数据集；基于初始响应者输入数据和用户概况来识别设备元数据的子集；并且基于设备元数据的子集来识别医学成像设备的故障的一个或多个预测特征。

特别地，基于初始响应者输入数据和用户概况获得元数据可以包括：将设备元数据定义为由多个节点形成的基于树的结构，其中，基于树的结构的不同节点表示设备元数据的不同实例，并且节点之间的连接表示设备元数据的不同实例之间的关系；并且基于初始响应者输入数据和用户概况来遍历基于树的结构以将设备元数据的上下文相关实例识别为设备元数据的子集。

在一些示例中，额外数据可以包括关于医学成像设备的历史信息(例如，维修历史)。这种方法认识到设备的先前维修或历史会影响医学成像设备可能正在发生的故障。

为了改善步骤120的性能，也可以在故障问卷的生成/调整中使用(一个或多个)概率得分。在特定示例中，可以使用概率得分对最可能的故障进行排名，并且引导问卷的问题以揭示关于最可能的故障的更多信息。

例如，可以基于医学成像设备的(如(一个或多个)概率得分中所指示的)最可能的故障来选择问卷模板。

作为另一个示例，可以基于医学成像设备的最可能的故障来完成或填充问题模板。例如，能够用与最可能的故障相关联的子系统中的适当值来填充针对问题的不同槽类型。

这实际上意味着可以响应于响应者以响应者输入数据的形式对故障问卷的响应而迭代更新故障问卷。方法100因此还可以包括(例如基于响应者输入数据)是否更新问卷的确定步骤145。响应于最可能的故障的概率低于某个预定阈值，可以执行肯定确定(返回到步骤120)。响应于最可能的故障的概率达到或突破某个预定阈值，可以执行否定确定(移动到步骤150)。

方法100还包括步骤150，步骤150包括输出故障描述，该故障描述包括所识别的医学成像设备的故障的一个或多个特征。特别地，步骤150可以包括例如在用户接口处提供故障描述的用户可感知的输出。用户可感知的输出可以针对响应者和/或支持运营商。

步骤150可以包括生成故障的技术描述。这可以通过根据所识别的医学成像设备的故障的一个或多个特征来构建技术描述来执行。然后可以输出生成的技术描述作为故障描述。

一种用于生成技术描述的方法可以是使用自然语言生成系统，该自然语言生成系统将所识别的医学成像设备的故障的一个或多个特征作为输入，并且基于例如预定义的报告模板将这一个或多个特征转换为实际问题的有意义的描述。

图5图示了一种用于生成技术描述的方法500。在这种方法中，自然语言生成引擎510可以获取技术问题描述的标准模板(“描述模板”)521、句法规则和/或语法规则522和所识别的医学成像设备的故障的一个或多个特征523(作为输入)。自然语言生成引擎510能够使用诸如TF-IDF(术语频率-反转文档频率)之类的技术来确定所识别的特征523中的哪些特征最适合于给定的描述模板521。随后，可以根据句法规则和/或语法规则522来组织和结构化所识别的特征以创建技术问题描述530。

图6图示了备选方法600，备选方法600执行句子的动态生成，其中，使用机器学习模型或深度学习模型620(例如，RNN、LSTM、马尔可夫链)来构建自然语言生成系统。在这种场景中，使用数据集来训练机器学习模型或深度学习模型，针对该数据集的输入数据包括所识别的医学成像设备的故障的一个或多个特征610，并且针对该数据集的输出数据是对应的技术问题描述630。

如果获得了任何提取的日志数据，那么它们也可以对支持运营商有用，从而允许支持运营商更具体地评估故障的潜在原因。因此，在一些示例中，将提取的日志数据作为输出而提供给例如支持运营商。步骤150由此可以包括例如在用户接口处提供任何提取的日志数据的用户可感知的输出。

本领域技术人员将能够容易地准备用于执行本文所述任何方法的方法。相应地，可以有用于执行本文描述的任何方法的(计算机实施的)方法。

类似地，本文描述的任何方法都能够通过适当配置的处理系统来执行，这对于本领域技术人员来说是显而易见的。因此，流程图的每个步骤可以表示由处理系统执行的不同动作，并且可以由处理系统的相应模块来执行。

作为示例，图7图示了处理系统700的示例，其中，可以采用实施例的一个或多个部分。上面讨论的各种操作都可以利用处理系统700的功能。例如，用于生成针对医学成像设备的故障的故障描述的系统的一个或多个部分可以并入本文讨论的任何元件、模块、应用程序和/或部件中。在这点上，应当理解，系统功能块能够在单台计算机上运行，也可以分布在几台(例如经由互联网连接的)计算机和位置上。

处理系统700包括但不限于PC、工作站、膝上型电脑、PDA、掌上设备、服务器、存储装置等。通常，就硬件架构而言，处理系统700可以包括经由本地接口(未示出)通信性耦合的一个或多个处理器701、存储器702和一个或多个I/O设备707。如本领域中已知的，本地接口能够是例如但不限于一条或多条总线或其他有线或无线连接。本地接口可以具有额外元件(例如，控制器、缓冲器(高速缓冲存储器)、驱动器、中继器和接收器)以实现通信。另外，本地接口可以包括地址、控件和/或数据连接以实现上述部件之间的适当通信。

处理器701是用于运行能够存储在存储器702中的软件的硬件设备。处理器701实际上能够是与处理系统700相关联的几个处理器中的任何定制的或商用的处理器、中央处理单元(CPU)、数字信号处理器(DSP)或辅助处理器，并且处理器701可以是基于半导体的微处理器(以微芯片的形式)或微处理器。

存储器702能够包括易失性存储器元件(例如，随机存取存储器(RAM)，如动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)等)和非易失性存储元件(例如，ROM、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)、可编程只读存储器(PROM)、磁带、压缩盘只读存储器(CD-ROM)、磁盘、软盘、盒式磁带、卡带等)中的任何一个或组合。此外，存储器702可以结合电学、磁性、光学和/或其他类型的存储介质。注意，存储器702能够具有分布式架构，其中，各种部件彼此远离，但是能够由处理器701访问。

存储器702中的软件可以包括一个或多个单独的程序，其中的每个程序都包括用于实施逻辑功能的可执行指令的有序列表。根据示例性实施例，存储器702中的软件包括合适的操作系统(O/S)705、编译器704、源代码703和一个或多个应用程序706。如图所示，应用程序706包括用于实施示例性实施例的特征和操作的众多功能部件。根据示例性实施例，处理系统700的应用程序706可以表示各种应用程序、计算单元、逻辑单元、功能单元、过程、操作、虚拟实体和/或模块，但是应用程序706并不意味着限制。

操作系统705控制其他计算机程序的运行，并且提供调度、输入-输出控制、文件和数据管理、存储器管理以及通信控制和相关服务。发明人设想到用于实施示例性实施例的应用程序706可以适用于所有商用的操作系统。

应用程序706可以是源程序、可执行程序(目标代码)、脚本或包括一组要执行的指令的任何其他实体。当是源程序时，该程序通常经由编译器(如编译器704)、汇编器、解释器等来翻译，这些程序可以包括在存储器702中，也可以不包括在存储器702中，以便结合O/S705来正确操作。此外，应用程序706能够被编写为具有数据类和方法类的面向对象的编程语言，或者具有例程、子例程和/或函数的过程编程语言，例如但不限于C、C++、C#、Pascal、BASIC、API调用、HTML、XHTML、XML、ASP脚本、JavaScript、FORTRAN、COBOL、Perl、Java、ADA、.NET等。

I/O设备707可以包括输入设备，例如但不限于鼠标、键盘、扫描仪、麦克风、相机等。此外，I/O设备707还可以包括输出设备，例如但不限于打印机、显示器等。最后，I/O设备707还可以包括传送输入和输出的设备，例如但不限于NIC或调制器/解调器(用于访问远程设备、其他文件、设备、系统或网络)、射频(RF)或其他收发器、电话接口、网桥、路由器等。I/O设备707还包括用于通过各种网络(例如，互联网或内联网)进行通信的部件。

如果处理系统700是PC、工作站、智能设备等，那么存储器702中的软件还可以包括基本输入输出系统(BIOS)(为简单起见而省略)。BIOS是一组基本的软件例程，其在启动时初始化和测试硬件，启动O/S 705，并且支持硬件设备之间的数据传输。BIOS被存储在某种类型的只读存储器(例如，ROM、PROM、EPROM、EEPROM等)中，以便当激活处理系统700时能够执行BIOS。

当处理系统700运行时，处理器701被配置为运行存储在存储器702内的软件，向存储器702传送数据和从存储器702传送数据，并且通常根据软件来控制处理系统700的操作。应用程序706和O/S 705由处理器701全部或部分读取，可能被缓存在处理器701内，然后被运行。

当以软件实施应用程序706时，应当注意，实际上可以将应用程序706存储在任何计算机可读介质上，以供任何计算机相关的系统或方法使用或与其结合使用。在本文档的上下文中，计算机可读介质可以是电子、磁性、光学或其他物理设备或单元，其能够包含或存储由计算机相关的系统或方法使用或与其结合使用的计算机程序。

应用程序706能够被体现在任何计算机可读介质中，以供指令执行系统、装置或设备(例如，基于计算机的系统、包含处理器的系统或能够从指令执行系统、装置或设备取回指令并运行指令的其他系统)使用或与其结合使用。在本文档的上下文中，“计算机可读介质”能够是能够存储、通信、传播或传输供指令执行系统、装置或设备使用或与其结合使用的程序的任何单元。计算机可读介质能够是例如但不限于电子、磁性、光学、电磁、红外或半导体系统、装置、设备或传播介质。

应当理解，所公开的方法优选是计算机实施的方法。正因如此，还提出了计算机程序的构思，该计算机程序包括代码单元，该代码单元用于当所述程序在诸如计算机之类的处理系统上运行时实施任何所述方法。因此，根据实施例的计算机程序的不同部分、代码行或代码块可以由处理系统或计算机来运行以执行本文描述的任何方法。在一些备选实施方式中，在(一幅或多幅)框图或(一幅或多幅)流程图中标注的功能可以不按照附图中标注的顺序发生。例如，相继示出的两个块实际上可以基本上同时运行，或者这些块有时可以以相反的顺序运行，这取决于所涉及的功能。

在以下列举的示例中提供了本公开内容的各种示例：

示例1、一种用于生成针对医学成像设备的故障的故障描述的处理系统(700)，所述处理系统包括一个或多个处理器，所述一个或多个处理器被配置为：

识别(110)响应者的用户概况，其中，所述用户概况指示所述响应者的人员角色和/或所述响应者对所述医学成像设备和/或所述医学成像设备的操作的熟悉度；

至少基于所识别的用户概况来调整(120)或生成故障问卷；

接收(130)由所述响应者响应于经调整的故障问卷而提供的响应者输入数据；

识别(140)所述医学成像设备的故障的一个或多个特征，其中，所述识别包括至少处理对所述响应者输入数据执行的自然语言处理分析的输出；并且

输出(145)包括所识别的所述医学成像设备的故障的一个或多个特征的故障描述。

示例2、根据示例1所述的处理系统，其中，所述一个或多个处理器被配置为通过以下操作来识别响应者的所述用户概况：

接收由响应者提供的与所述医学成像设备的所述故障有关的初始响应者输入数据；并且

对所述初始响应者输入数据执行第二自然语言处理分析以识别所述响应者的所述用户概况。示例3、根据示例2所述的处理系统，其中，所述一个或多个处理器被配置为通过至少对所述初始响应者输入数据和所述响应者输入数据执行所述自然语言处理分析来识别所述医学成像设备的故障的所述一个或多个特征。

示例4、根据示例1至3中的任一个所述的处理系统，其中，所述一个或多个处理器被配置为通过以下操作来调整或生成所述故障问卷：

获得多个模板故障问卷；

基于所述用户概况来选择所述多个模板故障问卷中的一个模板故障问卷；并且

使用所选择的模板故障问卷来生成所述故障问卷。

示例5、根据示例1至4中的任一项所述的处理系统，其中，所述一个或多个处理器被配置为通过以下操作来调整所述故障问卷：

接收由响应者提供的与所述医学成像设备的所述故障有关的初始响应者输入数据；

通过至少处理所述初始响应者输入数据来识别所述医学成像设备的所述故障的一个或多个预测特征；并且

至少基于所识别的用户概况和所述医学成像设备的所述故障的所述一个或多个预测特征来调整所述故障问卷。

示例6、根据示例5所述的处理系统，其中，所述故障的所述一个或多个预测特征包括所述医学成像设备的导致所述故障的一个或多个预测部件。

示例7、根据示例5或6所述的处理系统，其中，所述一个或多个处理器还被配置为通过至少处理所述初始响应者输入数据和所述用户概况来识别所述一个或多个预测特征。

示例8、根据示例7所述的处理系统，其中，处理所述初始响应者输入数据和所述用户概况包括：

获得提供关于所述医学成像设备的信息的设备元数据；

基于所述初始响应者输入数据和所述用户概况来识别所述设备元数据的子集；

基于所述设备元数据的所述子集来识别所述医学成像设备的所述故障的一个或多个预测特征。示例9、根据示例7所述的处理系统，其中，基于所述初始响应者输入数据来识别所述设备元数据的子集包括：

将所述设备元数据定义为由多个节点形成的基于树的结构，其中，所述基于树的结构的不同节点表示设备元数据的不同实例，并且节点之间的连接表示设备元数据的所述不同实例之间的关系；并且

基于所述初始响应者输入数据和所述用户概况来遍历所述基于树的结构，以将设备元数据的上下文相关实例识别为所述设备元数据的所述子集。

示例10、根据示例1至9中的任一项所述的处理系统，其中，所述一个或多个处理器被配置为通过处理所述故障的所述一个或多个预测特征和所述自然语言处理分析的所述输出来识别所述医学成像设备的故障的一个或多个特征。

示例11、根据示例10所述的处理系统，其中，所述一个或多个处理器被配置为通过以下操作来识别所述医学成像设备的故障的一个或多个特征：

定义包含针对医学成像设备的故障的潜在特征的识别符的数据集；并且

使用所述故障的所述一个或多个预测特征和所述自然语言处理分析的所述输出来处理所述数据集，以识别所述医学成像设备的故障的一个或多个特征。

示例12、根据示例1至11中的任一个所述的处理系统，其中，所述自然语言处理分析的所述输出包括使用所述自然语言处理分析至少从所述响应者输入数据中提取的一个或多个关键词或关键短语。示例13、根据示例1至12中的任一个所述的处理系统，其中，所述一个或多个处理器还被配置为基于所述响应者输入数据并任选地基于所识别的用户概况来识别与所述故障有关的所述医学成像设备的一个或多个日志文件。

示例14、一种用于生成针对医学成像设备的故障的故障描述的计算机实施的方法(100)，所述计算机实施的方法包括：

识别(110)响应者的用户概况，其中，所述用户概况指示所述响应者的人员角色和/或所述响应者对所述医学成像设备和/或所述医学成像设备的操作的熟悉度；

至少基于所识别的用户概况来调整(120)或生成故障问卷；

接收(130)由所述响应者响应于经调整的故障问卷而提供的响应者输入数据；

识别(140)所述医学成像设备的故障的一个或多个特征，其中，所述识别包括至少处理对所述响应者输入数据执行的自然语言处理分析的输出；并且

输出(150)包括所识别的所述医学成像设备的故障的一个或多个特征的故障描述。

示例15、一种包括计算机程序代码单元的计算机程序产品，所述计算机程序代码单元当在具有处理系统的计算设备上被运行时使所述处理系统执行根据示例14所述的方法的所有步骤。

根据对附图、公开内容和所附权利要求的研究，本领域技术人员在实践所要求保护的发明时能够理解和实现所公开的实施例的变型。在权利要求中，词语“包括”并不排除其他元件或步骤，并且词语“一”或“一个”并不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。在某些措施被记载在互不相同的从属权利要求中这一事实并不指示不能有利地使用这些措施的组合。如果上面讨论了计算机程序，则它可以被存储/分布在合适的介质上，例如，与其他硬件一起供应的或作为其他硬件的部分的光学存储介质或固态介质，但是也可以以其他形式分布，例如经由互联网或者其他有线或无线电信系统进行分布。如果权利要求或说明书中使用了术语“适于”，则应当注意，术语“适于”旨在等同于术语“被配置为”。权利要求中的任何附图标记都不应被解释为限制范围。