心脏图像工作流程解读时间预测

技术领域

本发明涉及医学图像解读工作流程领域，并且更具体地涉及预测医学图像解读时间以增强工作流程、生产率和资源规划。

背景技术

由于心脏成像工作流程的增加和全世界医学专家的短缺，超声心动图或超声实验室主管正处于提高效率的压力下。临床管理系统(例如来自荷兰埃因霍温的KoninklijkePhilips N.V.的Intellispace Cardiovascular(ISCV))通过管理图像、信息和工作流程并向多个位置处和多个数据配置中的心脏病专家、实验室主管和其他医学人员提供工作流程可见性来促进心脏成像的工作流程管理。

提高心脏成像工作流程效率的一个集成部分是获得用于图像解读的快速周转时间(TOT)，而不损害健康结果的质量。目前，在大多数医院环境中，由于不同患者的临床情况的变化，心脏病专家不知道对于每次图像解读提前预期什么解读时间。解读时间可以从5分钟到50分钟变化，这取决于疾病类型、临床特征和个体图像解读的复杂水平。解读时间不确定性会降低工作流程效率。

心脏病专家对检查的分配取决于医院的工作流程。例如，医院常常具有按星期几分配的主治心脏病专家。许多心脏病专家按照先进先出原则处理其检查工作列表。随着检查到达图像解读，心脏病专家挑选它们来阅读。如果存在任何紧急性，则超声医师可以呼叫主治心脏病专家以指出需要以更高优先级完成的特定检查。心脏病专家选择不太复杂的检查或心脏病专家感觉更有信心首先阅读的检查也是常见的。考虑到关于每个检查的解读所需的时间的不确定性，这些工作流程或资源规划方法都没有针对生产率或健康结果质量进行优化。在服务水平协议上提供图像解读也是常见的，其中，最终成像报告必须在指定的TOT内完成。当解读时间未知时，管理订下的TOT是困难的。

存在现有的工作流程工具，诸如由Carestream HCIS(作为临床协作平台的体系结构的一部分)提供的工作列表编排器管理解决方案，其提供自适应工作列表优先级排序以平衡放射科医师的工作量并最大化在其服务水平协议内阅读检查的概率。优先级排序特征被专门设计为向放射科医师示出在违反服务水平协议之前剩余的时间。

发明内容

本发明的发明人已经认识到，准确地预测针对医学图像的解读时间并使可用于医学人员的这些预测可以提高效率并增强工作流程管理。因此，本发明提供了一种用于预测针对医学图像的解读时间并通过临床管理系统将这些预测提供给医学人员以在工作流程管理中使用的方法、系统和程序产品。随着检查体积与可用心脏病专家数量的比率增加，阅读效率和心脏病专家用于图像解读以提供最终报告所花费的时间在使得医院能够潜在地接受更多患者中起关键作用。因此，具有关于解读时间的先验知识为心脏病专家给出了更有效地管理他们的时间的灵活性，并且有助于更快的TOT，使得医院能够潜在地接受更多的患者。而且，解读时间的先验知识允许医院和心脏病专家管理工作流程，以在支持健康结果质量的时间范围内完成针对每个检查的解读。

根据本发明的第一方面，提供了一种用于预测针对包括一幅或多幅医学图像的对象的医学图像检查的解读时间的方法。所述方法以获得多个数据输入开始，其中，所述数据输入与所述医学图像检查和/或所述医学图像检查的对象相关联，并且数据点表示影响所述解读时间的参数。将所述多个数据输入输入到经训练的人工智能算法，其中，所述算法基于所述多个数据输入自动地提供预测的解读时间。将所述预测的解读时间输出到临床管理系统。

根据本发明的一个实施例，所述人工智能算法还提供针对所述预测的解读时间的置信度水平。

根据本发明的一个实施例，所述人工智能算法相对于针对其他待决医学图像检查的预测的解读时间对所述预测的解读时间进行排序，并且突出显示最长的预测的解读时间。

根据本发明的一个实施例，所述多个数据输入包括：所述医学图像检查的所述对象的身体质量指数和患者年龄中的至少一项；医学图像研究的类型、可用的先前图像模态、疾病类型、舒张功能障碍的历史、心房颤动的存在和冠状动脉疾病的存在中的至少一项；以及成像模态的类型、存档的图像或循环的数量和检查类型中的至少一项。

根据本发明的一个实施例，所述多个数据输入包括以下各项中的每项：所述医学图像检查的所述对象的身体质量指数、医学图像研究的类型、患者年龄、患者性别、可用的先前图像模态、疾病类型、舒张功能障碍的历史、心房颤动的存在、冠状动脉疾病的存在、成像模态的类型、存档的图像或循环的数量、超声医师的笔记以及检查类型。

根据本发明的一个实施例，所述人工智能算法是基于回归的算法，并且在获得多个数据输入的步骤之前，所述人工智能算法获得针对多个用例的数据输入和实际解读时间，并且使用强化学习方法训练所述基于回归的算法以将由所述数据输入定义的状态映射到预测的解读时间。

根据本发明的一个实施例，所述训练步骤使用最小化回报函数的策略，所述回报函数是针对每个用例的所述预测的解读时间与所述实际解读时间之间的差的绝对值。

根据本发明的一个实施例，使用用于强化学习的贝尔曼方程来更新所述回报函数。

根据本发明的一个实施例，所述人工智能算法获得针对所述医学图像检查的实际解读时间；其中，所述人工智能算法使用所述实际解读时间和所述多个数据输入以进行强化学习。

根据本发明的另一方面，提供了一种被配置为预测针对医学图像研究的解读时间的临床管理系统。所述临床管理系统包括可操作地连接到存储器的处理器，所述存储器在其上编码有机器可读程序代码，所述机器可读程序代码当由所述处理器运行时使所述处理器：获得与所述医学图像研究或所述医学图像研究的对象相关联的多个数据输入；将所述多个数据输入输入到经训练的人工智能算法，其中，所述算法基于所述多个数据输入自动地提供预测的解读时间；并且将所述预测的解读时间提供给临床管理系统。

根据一个实施例，所述预测的解读时间被呈现在等待解读的医学成像检查的表中。

根据一个实施例，所述临床管理系统获得用于图像解读的用户可用时间，选择等待解读的检查的组合，并且将所选择的检查组合的列表呈现给所述用户。

根据本发明的另一方面，提供了一种用于预测针对成像检查的解读时间的计算机程序产品。所述计算机程序产品包括在其上编码有程序代码的机器可读存储介质，所述程序代码包括：用于获得多个数据输入的程序代码，所述数据输入与所述医学图像检查或所述医学图像检查的对象相关联，其中，数据点表示影响所述解读时间的参数；用于将所述多个数据输入输入到经训练的人工智能算法的程序代码，其中，所述算法基于所述多个数据输入自动地提供预测的解读时间；以及用于将所述预测的解读时间提供给临床管理系统的程序代码。

本发明可以通过存储在存储器上并由可操作地连接到存储器的处理器执行的软件来实现。预测的解读时间可以使用任何已知的通信协议通过任何已知的连接方法以各种数据格式呈现在可操作地连接到处理器的显示器上。

当在本文中使用时，术语“处理器”应当意味着单个处理器或可以通过硬连线或无线连接互连或可以通过网络通信的多个处理器。处理器可以是单核或多核处理器。

当在本文中使用时，术语“存储器”应当意味着与处理器集成在一起的机器可读介质，诸如在工作站或通用计算机中，或在处理器外部的机器可读介质，诸如外部硬盘驱动器、云存储设备或可移除存储器设备。介质可以是电子、磁性、光学、电磁、红外或半导体系统(或装置或设备)。计算机可读介质的示例包括半导体或固态存储器、磁带、可移除计算机磁盘、随机存取存储器(RAM)、只读存储器(ROM)、硬磁盘和光盘。光盘的当前示例包括压缩盘-只读存储器(CD-ROM)、压缩盘-读/写(CD-R/W)和DVD。

当在本文中使用时，术语“显示器”应当意味着用于呈现具有或不具有作为静止或移动图片的额外图像或数据的图像数据或流的人类可视计算机接口，所述人类可视计算机接口经由视频图形阵列(VGA)、数字视觉接口(DVI)、高清晰度多媒体接口(HDMI)、低电压差分信令(LVDS)或其他专有连接器和信号连接到处理器。当前使用的显示器的示例包括液晶显示器、发光二极管显示器、等离子体显示器。

当在本文中使用时，术语“和/或”应当意味着仅第一种可能性、仅第二种可能性、仅第三种可能性等等、以及所列出的可能性的任何组合。例如，短语A、B和/或C可以是以下中的任一项：仅A、仅B、仅C、A和B、A和C、B和C、或A、B和C。

当在本文中使用时，术语“图像解读”应当意味着视觉查看、图像操纵、空间测量、时间测量和/或使用任何其他成像工具来从图像数据中识别特征，以用于确定医学相关状况或进行诊断的目的。

当在本文中使用时，术语“临床管理系统”应当意味着用于管理临床过程和数据以提供过程可见性和工作流程效率的基于计算机的系统，诸如IntellispaceCardiovascular(ISCV)。

当在本文中使用时，术语“人工智能算法”应当意味着可以(通常实时地)从多个源获取数据并基于数据和原理(诸如最小化误差)、基于自学习(诸如强化学习)采取动作(诸如进行预测)的计算机代码。

当在本文中使用时，术语“检查变量”和“状态变量”应当意味着检查特异性的值，诸如患者的属性、患者的病史或检查过程的特定属性。

附图说明

当结合附图阅读时，根据优选实施例的以下详细描述，将更清楚地理解本发明的特征和优点。附图中包括以下图：

图1是用于具有图像解读事件的回波实验室的过程流程；

图2是根据本发明的实施例的包含图像解读时间预测的临床管理系统的框图；

图3是根据本发明的实施例的用于预测图像解读时间的过程的过程流程；

图4是根据本发明的实施例的以第一格式示出预测的图像检查解读时间的临床管理系统的显示器的视图；

图5是根据本发明的实施例的以第二格式示出预测的图像检查解读时间的临床管理系统的显示器的视图；

图6是根据本发明的实施例的用于预测图像解读时间的强化学习网络的流程图；

图7是根据本发明的替代实施例的用于预测多个检查的图像检查解读时间并至少部分地基于预测的图像检查解读时间推荐检查计划的过程的流程图；

图8示出了具有用于触发图7的过程的搜索按钮的心脏病专家的显示器。

附图标记列表：

101 订单激活事件

102 图像采集开始事件

103 图像采集结束事件

104 报告测量开始事件

105 报告测量结束事件

106 图像解读开始事件

107 图像解读结束事件

108 报告完成事件

111 患者等待过程步骤

112 图像采集过程步骤

113 等待超声医师过程步骤

114 报告测量过程步骤

115 等待心脏病专家过程步骤

116 图像解读过程步骤

117 完成报告过程步骤

130 数据输入

131 患者年龄

132 患者性别

133 患者身体质量指数

141 先前的成像模态

142 疾病类型

143 舒张功能障碍

144 心房颤动的存在

145 冠状动脉疾病的例史

151 成像模态

152 图像/循环的数量

153 超声医师的笔记

154 成像的复杂性

160 数据输出

161 预测的解读时间

170 实际解读时间

200 临床管理系统

201 临床管理程序

210 处理器

211 心脏病专家的处理器

220 存储器

230 成像系统

240 显示器

241 心脏病专家的显示器

299 网络

300 AI算法

401 示出预测的解读时间的图像

501 示出预测的解读时间的替代图像

601 获得状态变量

602 确定回报函数是否被优化

603 获得实际解读时间

604 估计映射函数

605 使用估计的映射函数来预测解读时间

606 更新回报函数

607 使用优化的映射函数来预测解读时间

608 将预测的解读时间提供给临床管理系统

701 获得心脏病专家的可用时间

702 获得针对每个待决检查的预测的解读时间

703 选择具有小于心脏病专家的可用时间的累积的预测的解读时间的检查的组合

704 将选择的检查的列表提供给心脏病专家

801 搜索按钮

具体实施方式

图1图示了超声心动图(回波)工作流程的事件。如本领域技术人员将理解的，所图示的事件是相互关联的，并且影响回波报告的周转时间(TOT)。TOT是订单激活事件101和报告完成事件108之间经过的时间。在订单激活事件101和报告完成事件108之间，按顺序发生以下事件：图像采集开始事件102、图像采集结束事件103、报告测量开始事件104、报告测量结束事件105、图像解读开始事件106和图像解读结束事件107。

在订单激活事件101和图像采集开始事件102之间，发生过程步骤患者等待过程步骤111。在图像采集开始事件102与图像采集结束事件103之间，过程步骤图像采集112由图像采集技术人员执行。在图像采集结束事件103与报告测量开始事件104之间，发生等待超声医师过程步骤113。在报告测量开始事件104与报告测量结束事件105之间，报告测量过程步骤114由超声医师执行。在报告测量结束事件105与图像解读开始事件106之间，发生等待心脏病专家过程步骤115。在图像解读开始事件106与图像解读结束事件107之间，心脏病专家执行图像解读过程步骤116。在图像解读结束事件107与报告完成事件之间，发生完成报告过程步骤117。

每个事件由临床管理系统200加时间戳，如图2所示。通过临床管理系统200从各种源并且在回波工作流程中的不同事件处提供各种类型的数据输入130。可用的一种类型的数据是临床患者数据，诸如：患者年龄131、患者性别132和患者身体质量指数(BMI)133。可用的另一种类型的数据是患者病史，诸如：可用的先前图像模态141、疾病类型142、舒张功能障碍的历史143、心房颤动(AF)的存在144和冠状动脉疾病(CAD)的存在145。可用的又另一种类型的数据是成像检查数据，诸如：成像模态151的类型、存档的医学数字成像通信(DICOM)图像或循环的数量152、超声医师的笔记153和检查类型(表示检查复杂性和测量结果的数量)154、155。

诸如ISCV的临床管理系统被设计为使医学专业人员容易获得广泛的临床患者数据和患者历史，以帮助有效和准确的回波工作流程。临床患者数据131、132、133和患者病史141、142、143、144、145可以在订单激活事件101处通过临床管理系统200来提供。当各种成像检查数据151、152、153、154、155已经在临床管理系统200中时，可以在订单激活事件101处提供各种成像检查数据151、152、153、154、155，诸如成像模态151的类型，或当各种成像检查数据151、152、153、154、155在报告测量过程步骤114之后变得可用时，可以在报告测量结束事件105处提供各种成像检查数据151、152、153、154、155，诸如超声医师的笔记153。

在本发明中，基于回归的人工智能算法300使用多个数据输入130(即，131、132、133、141、142、143、144、145、151、152、153、154、155)，并应用该算法来确定预测的图像检查解读时间161。虽然在一个实施例中，使用每个数据输入，但是在替代实施例中，可以由算法300使用数据点的各种子集以预测图像检查解读时间。而且，预期了其中可以使用其他数据输入来解读不同疾病类型或不同成像模态的实施例。

BMI是影响超声心动图图像解读复杂性的主要因素之一，因为图像质量和任务复杂性(诸如用于体积测量的分割)受到高BMI的不利影响。因此，患者BMI 133是用于准确预测图像解读时间的重要数据点。

基于美国超声心动图学会指南，已经表明年龄显著影响舒张参数的解读，包括：舒张早期的二尖瓣流入速度(E)、舒张晚期的二尖瓣流入速度(A)、以及舒张早期的二尖瓣流入速度与舒张晚期的二尖瓣流入速度的比率(E/A)。因此，年龄131是显著影响图像解读复杂性并因此影响解读时间的临床患者数据点。

在心脏解剖结构、重塑和对损伤的反应方面已经显示出性别差异，这可能导致不同的图像复杂性和解读时间。

另外，已经表明A和E/A的评价在AF患者中具有挑战性，并且E在具有CAD历史的患者中具有挑战性。因此，AF 144和CAD 145的历史的存在是显著影响图像解读复杂性并因此影响解读时间的患者病史数据点。

可用的先前成像模态141可能影响解读时间，因为先前成像模态图像需要时间来复查。如果要解读的超声图像与先前的成像模态图像之间存在的任何不一致需要时间来分辨，则可用的先前的成像模态将特别影响解读时间。例如，如果在超声和先前的磁共振(MR)成像中存在不同的纵向应变值。

疾病类型142(诸如具有保留的射血分数或降低的射血分数的心力衰竭或瓣膜性心脏病)可以确定所需图像的数量和类型以及解读图像的复杂性，并且因此影响解读时间。

具有舒张功能障碍的历史的患者可能在随访检查中经历完整的舒张研究(具有更多的参数测量结果)，从而导致更多的复杂性和更长的解读时间。

检查类型154(有限的对全面的)确定要进行的测量的数量和复杂性两者。全面的超声心动图需要收集更多的定量测量结果或参数，诸如以下项的舒张参数：血流传播速度(Vp)、E和A、舒张早期的二尖瓣环速度(e')、舒张晚期的二尖瓣环速度(a')、射血分数、体积和全局纵向应变。然而，有限的检查仅收集射血分数和体积数据。定量测量的数量差异显著影响图像解读时间。

超声成像模态151的类型(即B模式、彩色、组织多普勒成像(TDI)、对比度和M模式)也影响解读时间。例如，心脏成像中的彩色模式参数(诸如Vp和谱M模式参数)可能需要比仅B模式更多的解读时间。

超声医师的注释153可以帮助根据复杂性将当前检查分类为不同的类别。例如，左心房容积难以测量，并且因此将不利地影响解读时间。

由于查看存档的图像/循环所需的时间，存档的图像/循环152的数量可以影响解读时间。

表1示出了具有导致非常不同的解读时间的不同解读复杂性的两个现实生活用例。用例1表示疑似淀粉样变性患者(射血分数保留的心力衰竭的病因之一)。用例2表示患有二尖瓣脱垂的患者。与用例2相比，用例1中的高BMI、CMR和U/S中的应变值之间的差异、若干DICOM图像/循环、多个舒张参数以及不同和复杂的超声成像模式的存在导致解读时间的显著差异。

图2示出了根据本发明的实施例的包含图像检查解读时间预测的临床管理系统200。在随后的示例性实施例中，临床管理系统200是在管理心脏超声成像检查中使用的成像工作流程管理系统。该系统包括执行程序代码以提供各种格式和各种位置处的临床管理数据的处理器210。处理器210可操作地连接到存储器220，存储器220包括其上存储有程序代码和数据的机器可读介质。具体地，用于管理和呈现成像工作流程的临床管理程序201被存储在存储器220上。

人工智能算法300也被存储在存储器220上。虽然临床管理程序201和人工智能算法300被示出为被存储在相同的存储器220上，但是存储器220可以备选地是多于一个的存储器介质，并且临床管理系统200和人工智能算法300可以被存储在单独的存储介质上。

人工智能算法的数据输入130和来自人工智能算法300的数据输出160也可以被存储在存储器220中。与临床管理程序201和人工智能程序300一样，数据输入130和数据输出160可以被存储在与临床管理程序201和人工智能程序300以及彼此相同的存储器介质上，或它们可以被存储在不同的存储器介质上，或一些在相同的存储器介质上和一些在单独的存储器介质上的组合。

实际图像解读时间170也可以被存储在存储器220上，或被存储在与其他数据相同的存储器介质上，或被存储在单独的存储器介质上。可以通过测量报告事件(诸如报告屏幕活动多长时间或用户接口(如鼠标)在心脏病专家的工作站上活动多长时间)来获得实际图像解读时间。

处理器210还可操作地连接到显示器240，显示器240提供视觉用户接口以供用户查看成像工作流程数据，诸如针对工作流程过程步骤之一的队列(例如，等待心脏病专家)。

成像系统230可操作地连接到处理器210以向处理器210提供诸如图像和/或图像循环的成像数据，使得它们可以被制作为可供超声医师和心脏病专家用于测量和解读。虽然成像系统230被示出为直接连接到处理器210，但是应当理解，成像系统230还可以通过网络299连接到处理器，或成像数据可以被存储在可移除存储器介质上，并且介质可以通过USB端口等连接到处理器。此外，虽然使用超声成像系统作为成像系统230来描述本发明，但是也可以使用诸如磁共振成像(MRI)系统、计算机断层摄影(CT)成像系统、正电子发射断层摄影(PET)成像系统或任何其他已知的成像系统的其他成像系统来实践本发明。

可以提供一个或多个额外的处理器211和显示器241(例如，以工作站的形式)，并且诸如通过网络299可操作地连接到处理器210，以由超声医师和心脏病专家用于访问用于测量和解读的医学图像。

如图3所示，可以从工作流程管理系统200获得的数据输入130被提供给人工智能算法300。备选地，数据输入130可以从多个医疗保健信息系统中的任何一个获得，诸如电子医学记录、放射学信息系统、心脏病学信息系统或源的任何组合。这些数据输入是高度异构的，具有不同的数据类型、数据模型、格式和语义。AI算法300负责与不同的数据源交互以提取与临床检查相关联的临床和操作信息。与临床、操作和人口统计数据源的接口连接可以利用遵循规范和标准(诸如快速医院互操作性资源(FHIR)、DICOM等)的任何可用的现有技术信息技术通信协议来完成。

如前所述，数据输入130可以包括以下项的组合：患者年龄131、患者性别132、患者BMI 133、可用的先前图像模态141、疾病类型142、舒张功能障碍的历史143、AF的存在144、CAD的历史145、成像模态151的类型、存档的图像或循环的数量152、超声医师的笔记153和检查类型154。

人工智能算法300是基于回归的强化学习(RL)算法。这意味着算法对目标输出和输入特征之间的依赖性和关系进行建模。在示例性实施例中，基于回归的AI算法300开发映射模型。也就是说，它对数据输入130(共同定义状态x的可变属性131、132、133、141、142、143、144、145、151、152、153、154、155)到预测的解读时间161的映射进行建模。然后AI算法提供预测的解读时间161作为数据输出160。除了估计的解读时间之外，可以在数据输出160中向临床管理系统200提供估计的置信度(例如95％CI)，以向用户指示估计有多可能准确。如下文将更详细描述的，AI算法300使用强化学习方法，该强化学习方法使用试错法来找到优化回报函数r(x,a,j)的映射模型，其中，x是初始状态，a是动作或映射，并且j是由动作a产生的状态。

在图6所示的学习阶段期间，AI算法300使用强化学习方法来优化其自身，使得它最小化回报函数r(x,a,j)。强化方法使用数据输入作为状态变量。针对解读时间的状态变量X＝(x

R(x,a,j)＝│实际解读时间-预测的解读时间│*疾病类型评分

对于具有更复杂的图像解读(例如，更多的图像、更难以解读的视图、所需的更多测量结果等)的疾病类型，疾病类型评分对预测的解读时间的准确性给予更多的权重。

在学习阶段期间，将从多个检查收集的数据输入131、132、133、141、142、143、144、145、151、152、153、154、155和实际解读时间171提供给算法300。算法300顺序地预测针对每个检查的解读时间，然后应用最小化回报函数r(x,a,j)的优化策略来调节映射模型，从而改进其随时间的预测。

在训练阶段之后，AI算法300继续将预测时间161作为针对每个新检查的输出160提供给临床管理系统200。临床管理系统200向用户(诸如心脏病专家)呈现预测的解读时间，以帮助用户管理成像工作流程。

根据心脏病专家正在使用的临床管理平台(诸如ISCV、网络接口)，心脏病专家可以在心脏病专家的显示器241上查看待决(或未读)成像检查的队列或列表。用于预测解读时间的AI算法300可以包含如图2所示的工作流程管理系统200中。可以针对以各种方式分类的待决情况的队列呈现预测的解读时间。在图4和5中图示了呈现待决情况的两种方式。在图4中，待决情况按患者进行分类，向心脏病专家示出每个患者的预测的解读时间。在图5中，待决情况按疾病类型进行分类，向心脏病专家示出每个待决情况的预测的解读时间。在本发明的范围内，用于呈现具有预测的解读时间的待决情况的其他格式也是可能的。在一个实施例中，可以突出显示最长的预测的解读时间(例如，一至三个最长的预测的解读时间)和/或最短的预测的解读时间，诸如通过对那些最长和/或最短情况进行颜色编码(即，以不同颜色显示最长和/或最短的情况)。

在一个实施例中，提供搜索按钮801(如图8所示)以允许用户查看和比较特定成像类型(例如，应变成像与彩色多普勒)的预测的解读时间以便于在命令成像检查之前的成像类型决策和规划。

搜索按钮801触发经训练的AI算法300，以使用映射函数和状态变量X来预测针对成像类型中的每种的解读时间。由于检查将尚未被排序并且图像将尚未被拍摄，因此可以估计状态变量中的一些。针对每种选择的成像类型的预测的解读时间161作为输出160被提供给临床管理系统以便呈现给用户(诸如心脏病专家)。

图7是针对本发明的备选实施例的流程图。在该实施例中，心脏病专家向临床管理系统200提供总阅读时间，该总阅读时间指示心脏病专家可用于解读检查图像的时间。临床管理系统还从AI算法300获得针对等待解读的每个检查的预测的解读时间161。基于总阅读时间、针对每个待决检查的预测的解读时间和其他滤波器(诸如在违反服务水平协议之前剩余的时间)，临床管理系统200选择检查的组合以推荐给心脏病专家，其中，针对建议的检查的累积的预测的解读时间不超过心脏病专家的可用阅读时间。然后，临床管理系统200提供可以在提供给心脏病专家的总阅读时间内阅读的建议的检查列表。

如图7所示，工作流程管理系统200获得心脏病专家的可用时间(步骤701)。心脏病专家的可用时间可以通过响应于心脏病专家的显示器241上的查询以及心脏病专家通过键盘或其他用户接口输入响应来获得。

工作流程管理系统200还获得针对正等待解读的每个检查(待决检查)的预测的解读时间(步骤702)。然后，应用滤波器和优先级排序(诸如最旧的待决检查优先或最长的检查优先，或到服务水平协议的最接近的预期TOT(自订单起的时间加上预测的解读时间))，工作流程管理系统200选择具有小于心脏病专家的可用时间的累积的预测的解读时间的待决检查的组合(步骤703)，并向心脏病专家提供选择的检查的列表(步骤704)。选择的检查的列表可以采取在所有待决检查的列表上突出显示的选择的检查的形式，或可以是独立列表，或选择的检查可以是合理地通知心脏病专家适合在心脏病专家的可用解读时间内的推荐检查组的任何其他形式。

返回到图6，针对AI算法300的过程流程开始于获得针对当前检查或用例的状态变量X(步骤601)。如前所述，在AI算法的学习阶段期间，状态变量可以用于多个存档的用例(检查)之一。AI算法确定映射函数是否已经被优化(步骤602)。这可以通过例如指示AI算法处于学习阶段(未优化)或预测阶段(优化)的用户输入来实现。备选地，可以通过AI算法基于预测的解读时间和实际解读时间的收敛来确定优化。

在训练阶段期间，还获得实际解读时间170(步骤603)。然后，AI算法估计从状态变量X到预测的解读时间的映射函数(步骤604)。初始估计可以是随机近似，其中，每个连续估计是基于回报函数反馈的细化。

AI算法使用最新的映射函数估计来提供预测的解读时间161(步骤605)。如本领域技术人员将理解的，映射函数可以在训练阶段期间被分解为更小的映射步骤，并且估计的解读时间161和实际解读时间170然后可以用于使用用于强化学习的贝尔曼方程来更新回报函数r(x,a,j)(步骤606)。然后重复步骤603、604、605和606，直到回报函数r(x,a,j)被最小化。AI算法然后使用优化的映射函数来预测针对当前检查的图像解读时间(步骤607)，从而将预测的解读时间161作为输出数据160提供给临床管理系统200(步骤608)。

在优化回报函数r(x,a,j)之后，可以使用优化的映射函数来基于所获得的状态变量X预测解读时间161，而不使用实际解读时间或回报函数。备选地，AI算法300可以继续获得实际解读时间170并继续细化映射函数以考虑机构内的演变的解读技术和性能。

虽然参考由心脏病专家解读的超声心动图成像描述了本发明，但是本发明不限于该实施例，而是涵盖其他类型的医学成像，诸如磁共振成像(MRI)、计算机断层摄影(CT)、正电子发射断层摄影(PET)或任何其他已知的成像类型。此外，除了心脏病专家之外，医学成像检查可以由放射科医师、肿瘤学家、骨科医生和其他医学专业人员解读。影响解读时间的状态变量对于不同类型的医学成像和疾病类型也可以是不同的。

前面的描述和附图旨在是说明性的而非限制本发明。本发明的范围旨在涵盖对权利要求书所有范围的等效变型和配置。