ES3045182A1

ES3045182A1 - Sistemas y métodos para análisis impulsado por datos de imágenes radiológicas

Info

Publication number: ES3045182A1
Application number: ES202430430A
Authority: ES
Inventors: Glen Joel Weiss; Pastor Ana Jimenez; Castro Fabio Garcia
Original assignee: Quibim SL
Current assignee: Quibim SL
Priority date: 2024-05-27
Filing date: 2024-05-27
Publication date: 2025-11-27

Abstract

Se describen sistemas y métodos para aprendizaje de máquina mejorado para acceder y procesar rasgos radiómicos. Un sistema puede recibir datos de una pluralidad de participantes en uno o más primeros ensayos clínicos, y generar, usando los datos de la pluralidad de participantes, un conjunto de datos de entrenamiento que comprende una pluralidad de ejemplos. Cada ejemplo incluye una imagen médica o conjunto de imágenes médicas de un participante respectivo del uno o más primeros ensayos clínicos, y una etiqueta correspondiente a un resultado del participante respectivo del uno o más primeros ensayos clínicos. El sistema puede entrenar un modelo de aprendizaje de máquina usando el conjunto de datos de entrenamiento para recibir una segunda imagen médica de un segundo participante como entrada y generar un resultado pronosticado del segundo participante en un segundo ensayo clínico como salida.

Description

[0001] DESCRIPCIÓN

[0003] Sistemas y métodos para análisis impulsado por datos de imágenes radiológicas

[0004] Antecedentes de la invención

[0006] Los ensayos clínicos se someten a criterios estrictos de inclusión y exclusión. Incluso los pacientes que satisfacen criterios de selección para un ensayo clínico puede tener factores fisiológicos latentes que afectan el resultado de dicho ensayo. Loa planteamientos convencionales para seleccionar pacientes para ensayos clínicos fallan al seleccionar de manera fiable los pacientes óptimos, porque tales planteamientos dependen de criterios de inclusión especificados manualmente y tienden a obviar la variabilidad individual y la heterogeneidad de pacientes, que puede afectar significativamente los resultados de tratamiento.

[0008] Compendio

[0010] Los sistemas y métodos descritos en esta memoria permiten técnicas mejoradas para entrenar y ejecutar modelos de aprendizaje de máquina para generar indicaciones de atributos adicionales de pacientes, que incluyen resultados pronosticados de pacientes en ensayos clínicos. A diferencia de los planteamientos convencionales para identificación de sujetos, las técnicas descritas en esta memoria usan clasificadores basados en imagen con datos de ensayos clínicos y prestaciones de ensayos clínicos anteriores. Tales clasificadores basados en imagen pueden utilizar cualquier imagen adecuada de pacientes, particularmente imágenes radiológicas y/o rasgos radiómicos, para generar resultados pronosticados de ensayos clínicos para pacientes candidatos.

[0012] Como las técnicas descritas en esta memoria usan información de resultado de ensayos clínicos anteriores, los sistemas y métodos de esta divulgación se pueden usar para identificar automáticamente rasgos de pacientes no considerados al comienzo del ensayo que impactan en resultados de pacientes. Estos rasgos adicionales se pueden aprender usando las técnicas de aprendizaje de máquina descritas en esta memoria para generar más eficientemente y con precisión resultados pronosticados para ensayos clínicos. Además, las técnicas descritas en esta memoria usan técnicas mejoradas para entrenar y ejecutar modelos de aprendizaje de máquina para extraer rasgos radiómicos a los que no se accede o no se generan usando tecnología convencional. Estas y otras mejoras se detallan en esta memoria.

[0014] Al menos un aspecto de la presente divulgación se dirige a un sistema. El sistema incluye uno o más procesadores acoplados a memoria no transitoria. El sistema puede recibir datos de una pluralidad de participantes en uno o más primeros ensayos clínicos. El sistema puede generar, usando los datos de la pluralidad de participantes, un conjunto de datos de entrenamiento que comprende una pluralidad de ejemplos. Cada ejemplo puede incluir una imagen médica o conjunto de imágenes médicas de un participante respectivo del uno o más primeros ensayos clínicos, y una etiqueta correspondiente a un resultado del participante respectivo del uno o más primeros ensayos clínicos. El sistema puede entrenar un modelo de aprendizaje de máquina usando el conjunto de datos de entrenamiento para recibir una segunda imagen médica de un segundo participante como entrada y generar un resultado pronosticado del segundo participante en un segundo ensayo clínico como salida.

[0016] En algunas implementaciones, el sistema puede generar el conjunto de datos de entrenamiento para incluir además, para cada ejemplo de la pluralidad de ejemplos, uno o más atributos clínicos del participante respectivo del uno o más primeros ensayos clínicos. En algunas implementaciones, el sistema puede generar, usando una función de armonización de imágenes, un conjunto de imágenes médicas armonizadas en función de los datos de la pluralidad de participantes. En algunas implementaciones, el sistema puede generar el conjunto de datos de entrenamiento para incluir el conjunto de imágenes médicas armonizadas. En algunas implementaciones, la imagen médica de cada ejemplo comprende una imagen de escaneo de tomografía computarizada (CT), imagen de escaneo de tomografía por emisión de positrones (PET), imagen de escaneo óseo, ultrasonido (US), rayos X, o una imagen de escaneo de formación de imágenes por resonancia magnética (IRM).

[0018] En algunas implementaciones, la etiqueta comprende uno o más de una indicación de una respuesta al uno o más primeros ensayos clínicos, una indicación de una lesión adicional durante o después del uno o más primeros ensayos clínicos, una indicación de un tipo de histología, una indicación de un estado de mutación germinal, una indicación de un estado de mutación somática, o una indicación de un cambio en un estadio de tumor resultante del uno o más primeros ensayos clínicos. En algunas implementaciones, cada ejemplo de la pluralidad de ejemplos comprende además una segunda etiqueta que identifica una métrica de tiempo hasta el acontecimiento del participante respectivo del uno o más primeros ensayos clínicos. En algunas implementaciones, el sistema puede entrenar un segundo modelo de aprendizaje de máquina usando el conjunto de datos de entrenamiento para recibir la segunda imagen médica del segundo participante como entrada y generar una métrica de tiempo hasta el acontecimiento pronosticado para el segundo participante durante el segundo ensayo clínico.

[0019] En algunas implementaciones, el sistema puede recibir la imagen médica de un participante candidato de un sistema informático asociado con el segundo ensayo clínico. En algunas implementaciones, el sistema puede proporcionar, como entrada, la imagen médica del participante candidato al modelo de aprendizaje de máquina para generar el resultado pronosticado del participante candidato durante el segundo ensayo clínico. En algunas implementaciones, el sistema puede proporcionar, al sistema informático, una indicación de si el resultado pronosticado del participante candidato satisface un criterio de selección para el segundo ensayo clínico.

[0021] Otro aspecto de la presente divulgación se dirige a un sistema. El sistema puede incluir uno o más procesadores y memoria no transitoria. El sistema puede identificar una imagen médica o un conjunto de imágenes médicas de un participante candidato de uno o más ensayos clínicos. El sistema puede proporcionar, a un modelo de aprendizaje de máquina, como entrada, la imagen médica del participante candidato para generar un resultado pronosticado del participante candidato para un primer ensayo clínico, el modelo de aprendizaje de máquina entrenado usando un conjunto de datos de entrenamiento que comprende una pluralidad de ejemplos. Cada ejemplo comprende una respectiva imagen radiológica de un participante respectivo de uno o más segundos ensayos clínicos, y una etiqueta correspondiente a un resultado del participante respectivo del uno o más segundos ensayos clínicos. El sistema puede determinar, en respuesta a proporcionar la imagen médica como entrada al modelo de aprendizaje de máquina, que el resultado pronosticado del participante candidato para el primer ensayo clínico satisface un criterio de selección del primer ensayo clínico. El sistema puede almacenar, en una o más estructuras de datos, una asociación entre un identificador del participante candidato, el primer ensayo clínico para indicar que el participante candidato satisface el criterio de selección del primer ensayo clínico en respuesta a determinar que el resultado pronosticado del participante candidato para el primer ensayo clínico satisface el criterio de selección del primer ensayo clínico.

[0023] En algunas implementaciones, el modelo de aprendizaje de máquina se entrena para además recibir atributos clínicos como entrada. En algunas implementaciones, el sistema puede identificar uno o más atributos clínicos del participante candidato. En algunas implementaciones, el sistema puede proporcionar, al modelo de aprendizaje de máquina como entrada, el uno o más atributos clínicos con la imagen médica o el conjunto de imágenes médicas del participante candidato para generar el resultado pronosticado para el participante candidato para el primer ensayo clínico. En algunas implementaciones, el sistema puede proporcionar la imagen médica del participante candidato como entrada a un modelo de segmentación para identificar una o más regiones de interés en la imagen médica o el conjunto de imágenes médicas.

[0024] En algunas implementaciones, el modelo de aprendizaje de máquina se entrena para además recibir rasgos de imagen, que incluye rasgos radiómicos como entrada. En algunas implementaciones, el sistema puede extraer, en función de la una o más regiones de interés en la imagen médica, uno o más rasgos radiómicos de la imagen médica del participante candidato. En algunas implementaciones, el sistema puede proporcionar la imagen médica o el conjunto de imágenes médicas del participante candidato como entrada a un segundo modelo de aprendizaje de máquina para generar una métrica de tiempo hasta el acontecimiento pronosticado para el participante candidato durante el primer ensayo clínico.

[0025] En algunas implementaciones, el sistema puede ejecutar una función de armonización de imágenes usando la imagen médica o el conjunto de imágenes médicas del participante candidato antes de proporcionar la imagen médica o el conjunto de imágenes médicas como entrada al modelo de aprendizaje de máquina. En algunas implementaciones, el sistema puede generar un informe que indica un conjunto de participantes candidatos adecuado para el primer ensayo clínico, el conjunto de participantes candidatos comprende el participante candidato.

[0027] Incluso otro aspecto de la presente divulgación se dirige a un método. El método se puede realizar, por ejemplo, por uno o más procesadores acoplados a memoria no transitoria. El método puede incluir recibir datos de una pluralidad de participantes en uno o más primeros ensayos clínicos. El método puede incluir generar, usando los datos de la pluralidad de participantes, un conjunto de datos de entrenamiento que comprende una pluralidad de ejemplos. Cada ejemplo puede incluir una imagen médica o conjunto de imágenes médicas de un participante respectivo del uno o más primeros ensayos clínicos, y una etiqueta correspondiente a un resultado del participante respectivo del uno o más primeros ensayos clínicos. El método puede incluir entrenar un modelo de aprendizaje de máquina usando el conjunto de datos de entrenamiento para recibir una segunda imagen médica de un segundo participante como entrada y generar un resultado pronosticado del segundo participante en un segundo ensayo clínico como salida.

[0029] En algunas implementaciones, el método puede incluir generar el conjunto de datos de entrenamiento para incluir además, para cada ejemplo de la pluralidad de ejemplos, uno o más atributos clínicos del participante respectivo del uno o más primeros ensayos clínicos. El método puede incluir generar, usando una función de armonización de imágenes, un conjunto de imágenes médicas armonizadas en función de los datos de la pluralidad de participantes. El método puede incluir generar el conjunto de datos de entrenamiento para incluir el conjunto de imágenes médicas armonizadas.

[0030] Incluso otro aspecto de la presente divulgación se dirige a un método. El método puede incluir identificar una imagen médica o conjunto de imágenes médicas de un participante candidato de uno o más ensayos clínicos. El método puede incluir proporcionar, a un modelo de aprendizaje de máquina, como entrada, la imagen médica o el conjunto de imágenes médicas del participante candidato para generar un resultado pronosticado del participante candidato para un primer ensayo clínico, el modelo de aprendizaje de máquina entrenado usando un conjunto de datos de entrenamiento que comprende una pluralidad de ejemplos. Cada ejemplo puede incluir una respectiva imagen médica o respectivo conjunto de imágenes médicas de un participante respectivo de uno o más segundos ensayos clínicos, y una etiqueta correspondiente a un resultado del participante respectivo del uno o más segundos ensayos clínicos. El método puede incluir determinar, en respuesta a proporcionar la imagen médica o el conjunto de imágenes médicas como entrada al modelo de aprendizaje de máquina, que el resultado pronosticado del participante candidato para el primer ensayo clínico satisface un criterio de selección del primer ensayo clínico. El método puede incluir almacenar, en una o más estructuras de datos, una asociación entre un identificador del participante candidato, el primer ensayo clínico para indicar que el participante candidato satisface el criterio de selección del primer ensayo clínico en respuesta a determinar que el resultado pronosticado del participante candidato para el primer ensayo clínico satisface el criterio de selección del primer ensayo clínico.

[0032] En algunas implementaciones, el método puede incluir identificar uno o más atributos clínicos del participante candidato. En algunas implementaciones, el método puede incluir proporcionar, al modelo de aprendizaje de máquina como entrada, el uno o más atributos clínicos con la imagen médica o el conjunto de imágenes médicas del participante candidato para generar el resultado pronosticado para el participante candidato para el primer ensayo clínico. En algunas implementaciones, el método puede incluir generar un informe que indica un conjunto de participantes candidatos adecuado para el primer ensayo clínico, el conjunto de participantes candidatos comprende el participante candidato.

[0034] Estos y otros aspectos e implementaciones se discuten en detalle más adelante. La información anterior y la siguiente descripción detallada incluyen ejemplos ilustrativos de diversos aspectos e implementaciones y proporcionan una descripción general o marco de trabajo para entender la naturaleza y el carácter de los aspectos reivindicados y las implementaciones. Los dibujos proporcionan ilustración y un entendimiento adicional de los diversos aspectos e implementaciones y se incorporan y constituyen una parte de esta memoria descriptiva. Se pueden combinar aspectos, y se apreciará fácilmente que rasgos descritos en el contexto de un aspecto de la presente divulgación se pueden combinar con otros aspectos. Se pueden implementar aspectos en cualquier forma conveniente. Por ejemplo, mediante programas informáticos apropiados, que pueden llevarse en medios portadores apropiados (medios legibles por ordenador), que pueden ser medios portadores tangibles (p. ej., discos) o medios portadores intangibles (p. ej., señales de comunicaciones). También pueden implementarse aspectos usando aparatos adecuados, que pueden adoptar la forma de ordenadores programables que ejecutan programas informáticos dispuestos para implementar el aspecto. Tal como se emplea en la memoria descriptiva y en las reivindicaciones, la forma singular de “un”, “una” y “el”, “la” incluye referentes plurales a menos que el contexto lo dictamine claramente de otro modo.

[0036] Breve descripción de las dibujos

[0038] Los dibujos adjuntos no pretenden estar dibujados a escala. En los diversos dibujos, los números de referencia y denominaciones semejantes indican elementos semejantes. A efectos de claridad, no todo componente puede estar etiquetado en todos los dibujos. En los dibujos:

[0040] la FIG. 1 ilustra un sistema de ejemplo para generar rasgos radiómicos de participantes usando técnicas de aprendizaje de máquina, según una o más implementaciones;

[0042] la FIG. 2 ilustra un ejemplo de diagrama de flujo de datos de un proceso para entrenar y actualizar modelos de aprendizaje de máquina que se pueden usar en relación con las técnicas descritas en la FIG. 1, según una o más implementaciones;

[0044] la FIG. 3 ilustra un diagrama de flujo de un método de ejemplo para entrenar modelos de aprendizaje de máquina usando rasgos radiómicos de participantes, según una o más implementaciones;

[0046] la FIG. 4 ilustra un diagrama de flujo de un método de ejemplo para ejecutar modelos de aprendizaje de máquina para pronosticar resultados de participantes usando técnicas de aprendizaje de máquina, según una o más implementaciones; y

[0048] la FIG. 5 ilustra un diagrama de bloques de un sistema informático de ejemplo adecuado para usar en las diversas disposiciones descritas en esta memoria, según una o más implementaciones.

[0049] Descripción detallada

[0051] A continuación hay descripciones detalladas de diversos conceptos relacionados con técnicas, planteamientos, métodos, aparatos y sistemas, e implementaciones de estos, para generar rasgos radiómicos de participantes usando técnicas de aprendizaje de máquina. Los diversos conceptos introducidos anteriormente y discutidos en detalle más adelante pueden implementarse en cualquier de numerosas maneras, ya que los conceptos descritos no se limitan a ninguna manera de implementación particular. Ejemplos de implementaciones y aplicaciones específicas se proporcionan principalmente para fines ilustrativos.

[0053] La selección precisa y eficiente de participantes en ensayos clínicos es crítica para resultados terapéuticos óptimos de los participantes. Las metodologías tradicionales de selección de pacientes a menudo dependen de procesos manuales o criterios simplistas, que pueden no capturar totalmente las complejidades de características de pacientes individuales y los matices de las manifestaciones de enfermedades. Los sistemas y métodos mejoran en estas deficiencias al usar técnicas de aprendizaje de máquina para procesar datos radiómicos derivados de imágenes médicas e información de otros participante de ensayos clínicos anteriores, permitiendo un proceso de selección de participantes más preciso y eficaz para ensayos clínicos.

[0055] Para hacer esto, los sistemas y métodos descritos en esta memoria proporcionan técnicas para entrenar modelos de aprendizaje de máquina usando datos de ensayos clínicos anteriores. Los modelos de aprendizaje de máquina pueden generarse y entrenarse para diferentes clases de tratamientos, incluidos fármacos u otras terapias, o tipos de ensayos clínicos, para resultados de ensayos futuros que implementan procesos de tratamiento similares. Datos anteriores usados para entrenar los modelos de aprendizaje de máquina descritos en esta memoria pueden incluir el uso de rasgos radiómicos de participantes anteriores.

[0057] Rasgos radiómicos pueden incluir cualquier tipo de rasgo extraído de datos de formación de imágenes radiológicas, que pueden generarse de técnicas de formación de imágenes de diagnóstico tales como IRM, CT, rayos X, PET, escaneos óseos o ultrasonido. Rasgos radiómicos pueden extraerse o identificarse usando cualquier técnica adecuada, incluido el uso de modelos de segmentación u otros modelos de aprendizaje de máquina. La segmentación, por ejemplo, se puede usar para delinear regiones de interés dentro de imágenes radiológicas, que pueden incluir diversas estructuras anatómicas o hallazgos patológicos como imágenes radiológicas identificadas. Al extraer un conjunto completo de rasgos cuantitativos, los modelos de aprendizaje de máquina descritos en esta memoria se entrenan para pronosticar características que puede ser indicativas del progreso de enfermedades, la respuesta a tratamientos, o pronóstico de pacientes que no son posibles usando técnicas convencionales. Además, rasgos radiómicos generados según las técnicas descritas en esta memoria incluyen los que no son discernibles por humanos.

[0059] Las entradas a los modelos de aprendizaje de máquina pueden incluir los rasgos radiómicos, imágenes, así como información médica adicional relacionada con el participante. Estas técnicas mejoran las precisión global y permiten al modelo de aprendizaje de máquina derivar automáticamente correlaciones adicionales entre características de participantes y resultados de ensayos clínicos que no son posibles usando planteamientos convencionales. A diferencia de los planteamientos convencionales, que dependen solamente en técnicas basadas en reglas para comparar automáticamente información existente del paciente con criterios de inclusión para ensayos, y no consideran o usan rasgos radiómicos, los sistemas y métodos descritos en esta memoria implementan modelos de aprendizaje de máquina entrenados usando rasgos radiómicos que no pueden discernirse prácticamente usando el ojo humano o planteamientos convencionales para procesar imágenes radiológicas. El uso de modelos de aprendizaje de máquina mejorados en selección de participantes mejora la precisión y la eficiencia de la inscripción a ensayos. Además, los modelos de aprendizaje de máquina descritos en esta memoria mejoran la eficiencia y las prestaciones de tecnología informática, al proporcionar técnicas para procesar de manera segura y pronosticar eficientemente resultados para ensayos clínicos, y al proporcionar un planteamiento más eficaz para selección de participantes en ensayos clínicos.

[0061] Haciendo referencia a la FIG. 1, se ilustra un diagrama de bloques de un sistema de ejemplo 100 para generar rasgos radiómicos de participantes usando técnicas de aprendizaje de máquina, según una o más implementaciones. El sistema 100 puede incluir al menos un sistema de procesamiento de datos 105, al menos una red 110, y uno o más sistemas informáticos remotos 160A-160N (a veces generalmente denominados “sistemas informáticos remotos 160”). El sistema de procesamiento de datos 105 puede incluir un gestor de datos de ensayo 130, un generador de conjuntos de datos 135, un actualizador de modelo 140, uno o más modelos de aprendizaje de máquina 150, y almacenamiento 115. El almacenamiento 115 puede incluir datos de participante 170 y conjuntos de datos de entrenamiento 175. El conjunto de datos de entrenamiento 175 puede incluir uno o más ejemplos de entrenamiento que tiene imágenes radiológicas 180 y etiquetas 185. Aunque aquí se muestra como interno al sistema de procesamiento de datos 105, el almacenamiento 115 puede ser externo al sistema de procesamiento de datos 105, por ejemplo, como parte de un repositorio de almacenamiento local.

[0063] Cada uno de los componentes (p. ej., el sistema de procesamiento de datos 105, la red 110, los sistemas informáticos remotos 160, el gestor de datos de ensayo 130, el generador de conjuntos de datos 135, el actualizador de modelo 140, el uno o más modelos de aprendizaje de máquina 150, el almacenamiento 115, etc.) del sistema 100 se puede implementar usando los componentes de hardware o una combinación de software con los componentes de hardware de un sistema informático, tal como el sistema informático 500 descrito en relación con la FIG. 5, o cualquier otro sistema informático descrito en esta memoria. Cada uno de los componentes del sistema de procesamiento de datos 105 puede realizar las funcionalidades detalladas en esta memoria.

[0065] El sistema de procesamiento de datos 105 pueden incluir al menos un procesador y una memoria (p. ej., un circuito de procesamiento). La memoria puede almacenar instrucciones ejecutables por procesador que, cuando son ejecutadas por un procesador, provocan que el procesador para realice una o más de las operaciones descritas en esta memoria. El procesador puede incluir un microprocesador, un circuito integrado de aplicación específica (ASIC), una matriz de puertas programables en campo (FPGA), una unidad de procesamiento de gráficos (GPU), etc., o combinaciones de los mismos. La memoria (que puede ser o incluir el almacenamiento 115) puede incluir, pero sin limitación a esto, almacenamiento electrónico o dispositivo de transmisión óptico, magnético o cualquier otro capaz de proporcionar instrucciones de programa al procesador. La memoria puede incluir además un disco flexible, CD-ROM, DVD, disco magnético, chip de memoria, ASIC, FPGA, memoria de solo lectura (ROM), memoria de acceso aleatorio (RAM), ROM programable eléctricamente borrable (EEPROM), ROM programable borrable (EPROM), memoria flash, medios ópticos, o cualquier otra memoria adecuada de la que el procesador puede leer instrucciones. Las instrucciones pueden incluir código de cualquier lenguaje de programación informático adecuado. El sistema de procesamiento de datos 105 puede incluir uno o más dispositivos o servidores informáticos que pueden realizar diversas funciones como se describe en la presente memoria. El sistema de procesamiento de datos 105 puede incluir cualquiera o todos los componentes y realizar cualquiera o todas las funciones del sistema informático 500 descrito en relación con la FIG. 5.

[0067] En algunas implementaciones, el sistema de procesamiento de datos 105 puede comunicarse con uno o más sistemas informáticos remotos 160, por ejemplo, para recuperar o recibir información relacionada con participantes para ensayos clínicos identificados, o para proporcionar resultados de diversas técnicas de aprendizaje de máquina descritas en esta memoria. En un ejemplo, el sistema de procesamiento de datos 105 (o los componentes de los mismos) pueden transmitir datos indicativos de resultados pronosticados para participantes candidatos para un ensayo particular, que puede generarse usando uno o más de los modelos de aprendizaje de máquina 150, como se describe en la presente memoria. En un ejemplo, el sistema de procesamiento de datos 105 puede ser o puede incluir un servidor o servidor web de aplicaciones, que puede incluir módulos de software para acceder o transmitir almacenado por el sistema de procesamiento de datos 105 (p. ej., en el almacenamiento 115). Por ejemplo, el sistema de procesamiento de datos 105 puede incluir un servidor web que permite al sistema informático remoto 160 pedir o recibir información de ensayo clínico, datos de participante 170 (que incluye imágenes radiológicas 180, resultados de ensayos clínicos, o cualquier otra información de participante), o cualquier otra información que pueda ser procesada por el sistema de procesamiento de datos 105 (o los componentes del mismo), entre otros. En respuesta a una petición correspondiente, el sistema de procesamiento de datos 105 puede realizar las técnicas descritas en esta memoria para entrenar o ejecutar uno o más modelos de aprendizaje de máquina 150. En algunas implementaciones, el sistema de procesamiento de datos 105 puede transmitir datos a uno o más sistemas informáticos remotos 160 en respuesta a entrada de usuario por un operario del sistema de procesamiento de datos 105.

[0069] La red 110 puede incluir redes informáticas tales como internet, redes de área local, ancha u otra, intranets, y redes satelitales, otras redes informáticas tales como móvil redes de comunicación de telefonía de datos móviles o de voz, o combinaciones de los mismos. El sistema de procesamiento de datos 105 del sistema 100 puede comunicarse por medio de la red 110 con uno o más dispositivos informáticos, tales como uno o más sistemas informáticos remotos 160. La red 110 puede ser cualquier forma de red de ordenadores que puede reenviar información entre el sistema de procesamiento de datos 105 y el sistema informático remoto 160. En algunas implementaciones, la red 110 puede incluir internet y/u otros tipos de redes de datos, tales como una red de área local (LAN), una red de área amplia (WAN), una red celular, una red satelital, u otros tipos de redes de datos. La red 110 también puede incluir cualquier número de dispositivos informáticos (p. ej., ordenadores, servidores, rúters, conmutadores de red, etc.) que se configuran para recibir o transmitir datos dentro de la red 110.

[0071] La red 110 puede incluir además cualquier número de conexiones cableadas o inalámbricas. Cualquiera o todos los dispositivos informáticos descritos en esta memoria (p. ej., el sistema de procesamiento de datos 105, uno o más sistemas informáticos remotos 160, el sistema informático 500, etc.) pueden comunicarse inalámbricamente (p. ej., por medio de wifi, comunicación celular, radio, etc.) con un transceptor que se cablea (p. ej., por medio de un cable de fibra óptica, un cable CAT5, etc.) a otros dispositivos informáticos en la red 110. Cualquiera o todos los dispositivos informáticos descritos en esta memoria (p. ej., el sistema de procesamiento de datos 105, uno o más sistemas informáticos remotos 160, el sistema informático 500, etc.) también pueden comunicarse inalámbricamente con los dispositivos informáticos de la red 110 por medio de un dispositivo proxy (p. ej., un rúter, conmutador de red, o pasarela).

[0073] Cada sistema informático remoto 160 puede incluir al menos un procesador y una memoria (p. ej., un circuito de procesamiento). La memoria puede almacenar instrucciones ejecutables por procesador que, cuando son ejecutadas por el procesador, provocan que el procesador realice una o más de las operaciones descritas en esta memoria. El procesador puede incluir un microprocesador, un ASIC, un FPGA, un GPU, etc., o combinaciones de los mismos. La memoria puede incluir, pero sin limitación a esto, almacenamiento electrónico o dispositivo de transmisión óptico, magnético o cualquier otro capaz de proporcionar instrucciones de programa al procesador. La memoria puede incluir además un disco flexible, CD-ROM, DVD, disco magnético, chip de memoria, ASIC, FPGA, ROM, RAM, EEPROM, EPROM, memoria flash, medios ópticos, o cualquier otro memoria adecuada de la que el procesador puede leer instrucciones. Las instrucciones pueden incluir código de cualquier lenguaje de programación informático adecuado. Cada sistema informático remoto 160 puede incluir uno o más dispositivos informáticos, servidores, dispositivos informáticos personales, o repositorios de datos. El sistema informático remoto 160 puede incluir cualquiera o todos los componentes y realizar cualquiera o todas las funciones del sistema informático 500 descrito en relación con la FIG. 5.

[0075] El almacenamiento 115 puede ser una memoria legible por ordenador que puede almacenar o mantener cualquiera de la información descrita en esta memoria. El almacenamiento 115 puede almacenar o mantener una o más estructuras de datos, que pueden contener, indexar o almacenar de otro modo cada uno de los valores, pluralidades, conjuntos, variables, vectores, números o umbrales descritos en esta memoria. Al almacenamiento 115 se puede acceder usando una o más direcciones de memoria, valores de índice o identificadores de cualquier artículo, estructura o región mantenidos en el almacenamiento 115. En implementaciones donde el almacenamiento 115 es externo al sistema de procesamiento de datos 105, al almacenamiento 115 pueden acceder los componentes del sistema de procesamiento de datos 105 por medio de la red 110 o por medio de una interfaz de comunicaciones local. El almacenamiento 115 se puede distribuir por muchos diferentes sistemas o elementos de almacenamiento informáticos. El sistema de procesamiento de datos 105 puede almacenar, en una o más regiones de la memoria del sistema de procesamiento de datos 105, o en el almacenamiento 115, los resultados de cualquiera o todas las computaciones, determinaciones, selecciones, identificaciones, generaciones, construcciones, o cálculos en una o más estructuras de datos indexadas o identificadas con valores apropiados.

[0077] Cualquiera o todos los valores almacenados en el almacenamiento 115 puede ser accedidos por los componentes del sistema de procesamiento de datos 105 para realizar cualquiera de las funcionalidades o funciones descritas en esta memoria. En algunas implementaciones, el sistema de procesamiento de datos 105 puede utilizar información de autenticación (p. ej., nombre de usuario, contraseña, correo electrónico, etc.) para indicar que un operario del sistema de procesamiento de datos 105 está autorizado para acceder a información solicitada en el almacenamiento 115. El almacenamiento 115 puede incluir ajustes de permisos que indicar qué usuarios, dispositivos o perfiles están autorizados para acceder a cierta información almacenada en el almacenamiento 115. En algunas implementaciones, uno o más sistemas informáticos remotos 160 pueden acceder a la funcionalidad del sistema de procesamiento de datos 105 usando correspondiente información de autenticación, que se puede proporcionar por medio de una o más interfaces basadas en web.

[0079] El almacenamiento 115 puede almacenar diversos datos de participante 170, por ejemplo, en una o más estructuras de datos. Los datos de participante 170 pueden ser un conjunto de datos que puede incluir información clínica o no clínica de participante de cualquier número de participantes en cualquier número de ensayos clínicos en marcha o históricos. Los datos de participante 170 pueden ser usados por el sistema de procesamiento de datos 105 para generar uno o más conjuntos de datos de entrenamiento 175 para uno o más de los modelos de aprendizaje de máquina 150 usando las técnicas descritas en esta memoria. Los datos de participante 170 pueden almacenarse o indexarse de otro modo usando identificadores de uno o más ensayos clínicos. Los datos de participante 170 pueden incluir información demográfica, que incluye pero sin limitación a esto, edad de participante, género, etnia, peso, altura, y otras estadísticas demográficas relevantes que pueden influir en la presentación de enfermedades y la respuesta a tratamientos. Los datos de participante 170 pueden incluir información genética, marcadores biomoleculares u otros datos biológicos que pueden influir en el progreso de enfermedades y la eficacia de tratamientos. Los datos demográficos pueden incluir historial de pacientes, que incluye afecciones médicas anteriores, cirugías, tratamientos y uso de medicación.

[0081] Los datos de participante 170 pueden incluir registros clínicos detallados de cada participante en tales como síntomas, diagnosis, comorbilidades, medicaciones simultáneas, resultados de pruebas de laboratorio (p. ej., recuentos sanguíneos, niveles de biomarcadores), y signos vitales (p. ej., presión sanguínea, ritmo cardiaco). Esta información de registro clínico puede indexarse por tiempo, fase de tratamiento o progreso, o por cualquier otra métrica asociada con un ensayo clínico correspondiente en marcha o histórico. Los datos de participante 170 pueden incluir una o más imágenes radiológicas 180, que pueden identificarse usadas para generar uno o más conjuntos de datos de entrenamiento 175 según las técnicas descritas en esta memoria. Las imágenes radiológicas 180 pueden incluir cualquier tipo de imagen, que incluye pero sin limitación a esto, imágenes de TC, imágenes de RM, imágenes de PET, imágenes de escaneo óseo, imágenes de rayos X o imágenes de ultrasonidos, entre otras.

[0082] Los datos de participante 170 pueden incluir información relacionada con los protocolos de tratamiento usados durante al menos un ensayo clínico en marcha o histórico que se administra a participantes, que incluye dosis, ruta de administración, frecuencia y duración de la terapia. Los datos de participante 170 pueden incluir diversa información relacionada con resultados de ensayos clínicos para uno o más participantes, que se pueden usar para generar etiquetas correspondientes 185 para uno o más conjuntos de datos de entrenamiento 175 según las técnicas descritas en esta memoria. Los datos de resultados pueden incluir respuestas de participantes a tratamiento, que pueden incluir eficacia (p. ej., reducción de tamaño de tumor, mejora de síntomas), acontecimientos adversos o cualquier otra aparición durante los ensayos clínicos.

[0084] El almacenamiento 115 puede almacenar uno o más conjuntos de datos de entrenamiento 175, cada uno de los cuales puede generarse usando los datos de participante 170 según las técnicas descritas en esta memoria. Los conjuntos de datos de entrenamiento 175 se pueden usar para entrenar o actualizar uno o más de los modelos de aprendizaje de máquina 150, por ejemplo, para generar resultados pronosticados de pacientes candidatos para un ensayo clínico dado. Cada conjunto de datos de entrenamiento 175 puede incluir uno o más ejemplos de entrenamiento. Cada ejemplo de entrenamiento puede corresponder a un participante respectivo y puede incluir cualquiera de los datos de participante 170 para dicho participante. Cada ejemplo de entrenamiento en el conjunto de datos de entrenamiento 175 puede incluir un conjunto de datos que se va a proporcionar como entrada a uno o más modelos de aprendizaje de máquina 150, y correspondientes datos de verdad fundamental que se va a pronosticar para la entrada dada.

[0086] En un ejemplo, los datos de entrada de un ejemplo de entrenamiento pueden incluir los datos de participante 170, así como cualquier información adicional derivada de los datos de participante 170. Por ejemplo, los datos de entrada pueden incluir una o más imágenes radiológicas 180 del participante, así como información de segmentación, rasgos radiómicos y/u otra información derivada de dichas imágenes radiológicas 180 generadas según las técnicas descritas en esta memoria. Detalles adicionales relacionados con diversos rasgos que pueden generarse a partir de datos de participante 170 e imágenes radiológicas 180 se describen en relación con la FIG. 2. En algunas implementaciones, un conjunto de datos de entrenamiento 175 se puede generar para un ensayo clínico particular o conjunto de ensayos clínicos correspondientes a un fármaco, tratamiento o serie de tratamientos particulares.

[0087] Las imágenes radiológicas 180 pueden ser cualquier tipo de imagen radiológica, que incluye pero sin limitación a esto, imágenes de TC, imágenes de RM, imágenes de rayos X o imágenes de ultrasonidos, entre otras. Como se describe en además detalle en esta memoria, las imágenes radiológicas 180 pueden preprocesarse usando diversas técnicas de preprocesamiento, tales como un proceso de armonización de imágenes. La armonización de imágenes se puede implementar para alinear y estandarizar la apariencia de imágenes radiológicas 180 adquiridas en diferentes escáneres, protocolos y poblaciones de pacientes, permitiendo de ese modo comparaciones y análisis más precisos. En algunas implementaciones, cada uno de los sistemas informáticos remotos 160 puede corresponder a un sistema informático de una respectiva ubicación de tratamiento y puede recibir y proporcionar imágenes radiológicas 180 de diferentes equipos radiológicos para diferente participantes de ensayos clínicos.

[0089] Las etiquetas 185 de un conjunto de datos de entrenamiento 175 pueden ser cualesquiera datos de verdad fundamental para una salida dada que va a ser pronosticada usando un modelo de aprendizaje de máquina 150. Cada ejemplo de entrenamiento puede incluir una o más etiquetas 185 correspondientes a un resultado real para un participante correspondiente. Por ejemplo, las etiquetas 185 pueden incluir indicaciones de respuesta global, si una nueva lesión o tumor se ha detectado durante el ensayo, un tipo de histología del participante, un estado de mutación de un tumor, un pronóstico de expresión de proteínas, un pronóstico de un firma de expresión genética, o un cambio en el estadio de tumor del participante. Las etiquetas 185 pueden incluir diversos resultados de tiempo hasta el acontecimiento, que incluye pero sin limitación a esto, una indicación de si el participante ha sobrevivido, indicaciones de tiempo a acontecimientos adversos, o indicaciones de tiempos correspondiente a progresos de enfermedad, indicaciones de recaídas tras un tratamiento de la correspondientes ensayos clínicos, entre otros. Ejemplos de entrenamiento adicionales para un conjunto de datos de entrenamiento 175 pueden generarse para incluir información de participantes adicionales ya que dicha información es proporcionada o recibido de otro modo de uno o más sistemas informáticos remotos 160.

[0091] El sistema de procesamiento de datos 105 puede generar y/o almacenar uno o más modelos de aprendizaje de máquina 150, por ejemplo, en una o más estructuras de datos. Aunque se muestran externos al almacenamiento 115, debe entenderse que modelos de aprendizaje de máquina 150 pueden mantenerse en el almacenamiento 115 y ejecutarse por uno o más procesadores del sistema de procesamiento de datos 105 para generar pronósticos para participantes candidatos de ensayos clínicos, como se describe en la presente memoria. Cada modelo de aprendizaje de máquina 150 se puede entrenar o actualizar para generar cualquier tipo de resultado pronosticado de ensayos clínicos descritos en esta memoria usando uno o más conjuntos de datos de entrenamiento 175.

[0093] Cada modelo de aprendizaje de máquina 150 puede generarse para un tipo particular de ensayo clínico y/o plan de tratamiento y entrenarse para generar uno o más resultados pronosticados correspondientes para ese tipo de ensayo clínico y/o plan de tratamiento. Por ejemplo, un modelo de aprendizaje de máquina 150 puede generarse y entrenarse para generar resultados pronosticados para un fármaco particular, clase de fármacos, combinación de fármacos, u otro proceso de tratamiento para un enfermedad o afección particular. Los modelos de aprendizaje de máquina 150 se pueden almacenar o indexar de otro modo con un identificador del correspondiente ensayo clínico o proceso de tratamiento para el que se entrenan.

[0095] Los modelos de aprendizaje de máquina 150 pueden incluir cualquier tipo de modelo de aprendizaje de máquina 150 capaz de entrenarse y/o actualizado para generar resultados pronosticados de ensayos clínicos. Ejemplos no limitativos de modelos de aprendizaje de máquina incluyen redes neuronales profundas (DNN), que pueden incluir redes totalmente conectadas, redes neuronales circunvolucionales (CNN), redes neuronales recurrentes (RNN), o redes neuronales de transformador. Los modelos de aprendizaje de máquina 150 pueden incluir aunque sin quedar limitado a esto modelos de árbol de decisión, modelos de regresión, máquinas de vectores de soporte (SVM), modelos de bosque aleatorio, ensamblajes de modelos de máquinas potenciadora de gradiente o modelos híbridos. Los modelos de aprendizaje de máquina 150 pueden entrenarse usando cualquier técnica de entrenamiento adecuada, que incluye pero sin limitación a esto, aprendizaje supervisado, aprendizaje semisupervisado, aprendizaje autosupervisado, aprendizaje no supervisado o combinaciones de los mismos.

[0097] En implementaciones donde un modelo de aprendizaje de máquina 150 es una variante de una red neuronal, el modelo de aprendizaje de máquina 150 puede incluir cualquier número o tipo de capa de red neuronal. Ejemplos no limitativos de capas de red neuronal incluyen capas totalmente conectadas, capas circunvolucionales, capas de activación, capas de acumulación, capas softmax, capas recurrentes, capas de normalización, capas de incrustación, capas de transformador, capas de adaptador y capas de abandono, entre otras. El número y tipo de capas en el modelo de aprendizaje de máquina 150 puede proporcionar por medio de hiperparámetros del modelo de aprendizaje de máquina 150, que puede especificarse en una petición para generar o entrenar un modelo de aprendizaje de máquina 150. En algunas implementaciones, el sistema de procesamiento de datos 105 puede inicializar un modelo de aprendizaje de máquina al generar una o más estructuras de datos que representa cada capa del modelo de aprendizaje de máquina 150, que puede ser inicializada con valores aleatorios o valores predeterminados. En algunas implementaciones, uno o más de los modelos de aprendizaje de máquina 150 pueden ser modelos preentrenados que se ajustan finamente o se refinan usando las técnicas de entrenamiento descritas en esta memoria.

[0099] Haciendo referencia ahora a las operaciones de los componentes del sistema de procesamiento de datos 105, el gestor de datos de ensayo 130 puede recibir datos de participante 170 de uno o más participantes de cualquier número de ensayos clínicos. El gestor de datos de ensayo 130 puede recibir los datos de participante de uno o más sistemas informáticos remotos 160, cada uno de los cuales puede corresponder a uno o más sitios de ensayo, hospitales o centros de tratamiento que mantienen datos de participante 170 para uno o más ensayos clínicos. La información se puede proporcionar por medio de una o más API basadas en web, que pueden ser API seguras a las que se accede usando claves de encriptación correspondientes u otras técnicas seguras de transmisión de información.

[0101] En algunas implementaciones, el gestor de datos de ensayo 130 puede proporcionar una interfaz basada en web por medio de la que los sitios de tratamiento pueden gestionar o mantener de otro modo datos de participante 170 para uno o más ensayos clínicos en el almacenamiento 115. En tales implementaciones, el gestor de datos de ensayo 130 puede implementar autenticación y autorización para gestionar acceso y modificaciones a correspondientes conjuntos de datos de participante 170, proporcionar elementos de interfaz gráfica de usuario para anotación y validación de datos, habilitar navegación, recuperación, modificación y actualización de datos de participante 170 correspondientes a sitios de tratamiento dados, entre otras funcionalidades. En algunas implementaciones, el gestor de datos de ensayo 130 puede recibir datos de participante actualizados 170 para ensayos clínicos en marcha o históricos, y almacenar dicha información actualizada en el almacenamiento 115.

[0103] El generador de conjuntos de datos 135 puede generar un conjunto de datos de entrenamiento 175 para pronosticar resultados para un fármaco particular, clase/combinación de fármacos, o plan de tratamiento usando los datos de participante 170 para uno o más ensayos clínicos en marcha o históricos. El generador de conjuntos de datos 135 puede recibir una indicación para comenzar a generar un conjunto de datos de entrenamiento 175 para ensayos clínicos correspondientes en respuesta a un mensaje de un sistema informático remoto 160, o por medio de entrada de usuario a un dispositivo de entrada del sistema de procesamiento de datos 105 en algunas implementaciones. La indicación puede proporcionar una indicación de uno o más ensayos clínicos históricos o en marcha a los que se va a acceder cuando se genera el conjunto de datos de entrenamiento 175.

[0105] En algunas implementaciones, el generador de conjuntos de datos 135 puede recibir una indicación de uno o más fármacos, planes de tratamiento o protocolos de tratamiento para enfermedades o afecciones particulares, e identificar automáticamente ensayos clínicos históricos y/o en marcha para dichos fármacos, planes de tratamiento o protocolos de tratamiento para la enfermedades o afecciones particulares. El generador de conjuntos de datos 135 puede acceder a datos de participante 170 de participantes de los ensayos clínicos identificados o indicados para generar el conjunto de datos de entrenamiento 175. En algunas implementaciones, el conjunto de datos de entrenamiento 175 puede incluir datos para entrenar múltiples modelos de aprendizaje de máquina 150. Generar el conjunto de datos de entrenamiento 175 puede incluir generar múltiples ejemplos de entrenamiento, cada uno de los cuales puede corresponder a un participante respectivo. Cada ejemplo de entrenamiento puede incluir un conjunto de datos de entrada para al menos un modelo de aprendizaje de máquina 150 y datos de verdad fundamental correspondientes (p. ej., una o más etiquetas 185) que representan diferentes resultados para el participante correspondiente en el ensayo clínico relevante.

[0107] Ejemplos de entrenamiento del conjunto de datos de entrenamiento 175 se pueden generar para una imagen radiológica 180 o conjunto de imágenes radiológicas de un participante respectivo de uno o más ensayos clínicos. En algunas implementaciones, las imágenes radiológicas 180 pueden ser una secuencia de imágenes radiológicas capturadas en diferentes momentos durante los ensayos clínicos. En algunas implementaciones, ejemplos de entrenamiento pueden incluir diversos rasgos radiómicos, que pueden extraerse de las imágenes radiológicas 180 del participante usando uno o más modelos de segmentación u otras técnicas de extracción de rasgos, como se describe en detalle adicional en relación con la FIG. 2. Por ejemplo, el generador de conjuntos de datos 135 puede usar una técnica de armonización de imágenes para generar imágenes radiológicas armonizadas 180 de las imágenes almacenadas en los datos de participante 170. Las imágenes radiológicas almacenadas en el conjunto de datos de entrenamiento 175 pueden incluir las imágenes radiológicas armonizadas 180.

[0109] Los datos de entrada incluidos en cada ejemplo de entrenamiento del conjunto de datos de entrenamiento 175 generado también pueden incluir uno o más atributos clínicos del participante respectivo, que puede incluir cualquiera de la información de los datos de participante 170. Los atributos clínicos pueden incluir, aunque sin quedar limitado a esto, información demográfica del participante, plan de tratamiento o información de progreso, resultados de laboratorio de diferentes pruebas realizadas durante los ensayos clínicos o información molecular del fármaco o plan de tratamiento usado para tratar al participante durante el ensayo, entre cualesquiera otros atributos clínicos descritos en esta memoria.

[0110] El generador de conjuntos de datos 135 puede generar el conjunto de datos de entrenamiento de manera que cada ejemplo de entrenamiento incluye al menos una etiqueta 185 correspondiente a un resultado del participante respectivo del uno o más ensayos clínicos. Como se describe en la presente memoria, las etiquetas 185 pueden incluir resultados correspondientes que van a ser pronosticados por uno o más modelos de aprendizaje de máquina 150, una vez entrenados. Por ejemplo, las etiquetas 185 pueden incluir una o más de una indicación de una respuesta a ensayos clínicos correspondientes, una indicación de una lesión adicional durante o después de ensayos clínicos correspondientes, una indicación de un tipo de histología, una indicación de un estado de mutación germinal, una indicación de un estado de mutación somática, o una indicación de un cambio en un estadio de tumor resultante de ensayos clínicos correspondientes. Las etiquetas 185 pueden incluir una métrica de tiempo hasta el acontecimiento del participante respectivo, que puede ser un tiempo de supervivencia, un tiempo de progreso de enfermedad, o un tiempo de recaída, entre otros.

[0111] El generador de conjuntos de datos 135 puede generar múltiples conjuntos de datos de entrenamiento 175 para múltiples modelos de aprendizaje de máquina 150. Por ejemplo, el generador de conjuntos de datos 135 puede generar un primer conjunto de datos de entrenamiento 175 con datos de entrada y etiquetas 185 para entrenar un modelo de clasificación y generar un segundo conjunto de datos de entrenamiento 175 con datos de entrada y etiquetas 185 para entrenar un modelo de aprendizaje de máquina para pronosticar métricas de tiempo hasta el acontecimiento. Cada conjunto de datos de entrenamiento 175 puede generarse del mismo conjunto de datos de participante 170, pero incluir diferentes datos de entrada (p. ej., imágenes radiológicas 180, rasgos radiómicos, datos clínicos, etc.) para el modelo de aprendizaje de máquina 150 y diferentes etiquetas 185 correspondientes al objetivo de pronóstico para el correspondiente modelo de aprendizaje de máquina 150. Cada conjunto de datos de entrenamiento 175 se puede almacenar en asociación con respectivos identificadores del modelo de aprendizaje de máquina 150 al que corresponde, así como identificadores de los ensayos clínicos que tienen los datos de participante 170 usados para generar el conjunto de datos de entrenamiento 175.

[0113] Una vez se han generado los conjuntos de datos de entrenamiento 175, el actualizador de modelo 140 puede entrenar al menos un modelo de aprendizaje de máquina 150 usando los conjuntos de datos de entrenamiento 175. En un ejemplo, un modelo de aprendizaje de máquina 150 puede entrenarse para recibir al menos una imagen radiológica 180 de un participante candidato como entrada y generar un resultado pronosticado del participante candidato en ensayo clínico que tiene atributos similares a los correspondientes al conjunto de datos de entrenamiento 175. El actualizador de modelo 140 puede entrenar los modelos de aprendizaje de máquina 150 usando cualquier técnica de entrenamiento adecuada, que incluye aprendizaje supervisado.

[0115] En un ejemplo no limitativo de usar aprendizaje supervisado para entrenar un modelo de aprendizaje de máquina 150, el actualizador de modelo 140 puede enumerar primero un primer subconjunto de los ejemplos de entrenamiento en el conjunto de datos de entrenamiento 175 para el modelo de aprendizaje de máquina y enumerar un segundo subconjunto de los ejemplos de entrenamiento en el conjunto de datos de entrenamiento 175 como conjunto de evaluación. El ejemplo de entrenamiento del primer subconjunto puede ser usado por el actualizador de modelo 140 para entrenar el modelo de aprendizaje de máquina 150 al proporcionar los datos de entrada del ejemplo de entrenamiento (p. ej., imágenes radiológicas 180, extraído rasgos, datos clínicos) en el modelo a un resultado pronosticado. El actualizador de modelo 140 puede comparar las salidas pronosticadas del modelo de aprendizaje de máquina 150 contra los resultados reales indicados en las etiquetas 185.

[0116] El actualizador de modelo 140 puede usar una función de pérdida para cuantificar el error entre los valores pronosticados generados por el modelo de aprendizaje de máquina 150 y el valor de verdad fundamental real almacenado en las etiquetas correspondientes 185 del ejemplo de entrenamiento. En algunas implementaciones, el actualizador de modelo 140 puede calcular un error para uno o más lotes de ejemplos de entrenamiento, por ejemplo, cuando se implementa un planteamiento de entrenamiento/actualización por lotes. La función de pérdida usada para calcular el error puede ser cualquier función de pérdida adecuada, que incluye pero sin limitación a esto, pérdida de error cuadrático medio, pérdida entropía cruzada, pérdida de bisagra, pérdida L1 o pérdida L2, entre otras.

[0118] El actualizador de modelo 140 puede usar la pérdida para optimizar los parámetros entrenables del modelo de aprendizaje de máquina 150. Por ejemplo, el actualizador de modelo 140 puede implementar un algoritmo de propagación hacia atrás para propagar hacia atrás la pérdida a través de cada capa del modelo de aprendizaje de máquina, modificar los parámetros para optimizar la pérdida según una función de optimización adecuada, tal como descenso en gradiente o un proceso de optimización de Adam, en algunas implementaciones. El actualizador de modelo 140 puede modificar los parámetros entrenables del modelo de aprendizaje de máquina 150 hasta alcanzar una condición de finalización de entrenamiento. La cantidad por la que los parámetros entrenables se modifican para entrenar el modelo de aprendizaje de máquina 150 puede ser una función de una tasa de aprendizaje, que puede ser una tasa de aprendizaje dinámico o programado, en algunas implementaciones.

[0120] Un ejemplo de condición de entrenamiento puede incluir un umbral de precisión predeterminado, que puede compararse con una precisión del modelo de aprendizaje de máquina 150 determinado usando un conjunto de validación (p. ej., el segundo subconjunto del conjunto de datos de entrenamiento 175 para el modelo de aprendizaje de máquina 150). Otras condiciones de finalización de entrenamiento pueden incluir un número predeterminado de épocas de entrenamiento o indicaciones que el modelo de aprendizaje de máquina 150 comienza a sobreajustar para el conjunto de datos de entrenamiento 175. Los parámetros del modelo de aprendizaje de máquina 150 pueden almacenarse en memoria del sistema de procesamiento de datos 105 y/o el almacenamiento 115 una vez ha terminado el entrenamiento. En algunas implementaciones, múltiples instantáneas del modelo de aprendizaje de máquina 150 se pueden capturar y almacenar durante el proceso de entrenamiento.

[0122] En algunas implementaciones, el actualizador de modelo 140 puede multiplicar modelos de aprendizaje de máquina 150 que cada uno pronostica correspondientes resultados de pronóstico del correspondiente ensayo clínico o datos de entrada correspondientes dados de plan de tratamiento. Por ejemplo, un primer conjunto de modelos de aprendizaje de máquina 150 puede entrenarse como modelos de clasificación, mientras un segundo conjunto de modelos de aprendizaje de máquina 150 puede entrenarse como modelos de tiempo hasta el acontecimiento. Múltiples conjuntos de datos de entrenamiento 175 pueden generarse según las técnicas descritas en esta memoria para acomodar el entrenamiento de múltiples modelos de aprendizaje de máquina, en algunas implementaciones. Detalles adicionales del proceso de entrenamiento para los modelos de aprendizaje de máquina 150 se describen en relación con la FIG. 2.

[0124] Haciendo referencia a la FIG. 2 en el contexto de los componentes descritos en relación con la FIG. 1, se ilustra un ejemplo de diagrama de flujo de datos 200 de un proceso para entrenar y actualizar modelos de aprendizaje de máquina (p. ej., los modelos de aprendizaje de máquina 150) que se pueden usar en relación con las técnicas descritas en la FIG. 1, según una o más implementaciones. Cualquiera de las técnicas descritas en relación con la FIG. 2 puede ser realizada por el sistema de procesamiento de datos 105 o los componentes del mismo, o cualquier otro sistema informático descrito en esta memoria.

[0126] Como se muestra, datos de entrada para un conjunto de datos de entrenamiento (p. ej., un conjunto de datos de entrenamiento 175) pueden generarse usando un proceso de armonización de imágenes 206. El proceso de armonización de imágenes 206 alinea y estandariza imágenes de entrada 202 adquiridas de diferentes fuentes, tales como escáneres, sitios o equipamiento. El proceso de armonización de imágenes 206 puede implicar ajustar los valores de intensidad, distribuciones de píxeles, relaciones espaciales y otras características dentro de múltiples imágenes de entrada 202 (p. ej., las imágenes radiológicas 180) para asegurar con congruentes por todas las imágenes en el conjunto de datos. Se puede implementar armonización de imágenes porque las imágenes radiológicas de entrada 292 de diferentes fuentes pueden exhibir niveles variables de brillo, contraste, resolución o ruido debido a diferencias en protocolos de formación de imágenes, ajustes de escáner, poblaciones de pacientes o técnicas de adquisición.

[0128] El proceso de armonización de imágenes 206 puede recibir un conjunto de imágenes de entrada 202 como entrada y generar un correspondiente conjunto de imágenes armonizadas 204 como salida. Las imágenes de entrada 202 seleccionadas para una iteración del proceso de armonización de imágenes 206 puede corresponder a un tipo de imagen, similar, orientación de captura u otro atributo de imagen común. Ejemplos de procesos de armonización de imágenes 206 pueden incluir, aunque sin quedar limitado a esto, realizar un proceso de estandarización de intensidad, en el que técnicas tales como coincidencia de histograma, corrección gamma, o procesamiento basado en ondículas, para normalizar la intensidad de píxeles en cada conjunto de imágenes de entrada 202. Las imágenes corregidas se almacenan como las imágenes armonizadas 204, que se pueden usar para generar un conjunto de datos de entrenamiento o para técnicas de extracción de rasgos.

[0130] Como se muestra, los datos de entrada para ejemplos de entrenamiento de un conjunto de datos de entrenamiento 175 pueden generarse usando variables de entrada adicionales 208, en algunas implementaciones. Las variables de entrada 208 pueden incluir cualesquiera atributos de participantes (p. ej., recuperados de datos de participante 170), que incluyen pero sin limitación a esto, datos clínicos de los participantes, resultados de laboratorio de pruebas realizadas en el participante, información acerca de dosis de tratamiento u otros atributos de tratamiento, o cualquier otra información descrita en esta memoria. Las variables de entrada 208 para un participante pueden almacenarse en asociación con una o más imágenes de entrada 202 y/o una o más imágenes armonizadas 204 de dicho participante. Esta información se puede usar como entrada para el proceso de modelado de aprendizaje profundo 216, como se muestra.

[0132] Los conjuntos de imágenes armonizadas 204 también pueden proporcionarse como entrada a uno o más modelos de segmentación 210. Los modelos de segmentación 210 pueden ser modelos de aprendizaje de máquina basados en imágenes que se entrenan/actualizan para procesar imágenes radiológicas de entrada (p. ej., imágenes de entrada 202 o imágenes armonizadas 204) para identificar, localizar o cuantificar de otro modo estructuras anatómicas o anomalías. Tal modelo de segmentación 210 puede incluir modelos de segmentación de tumores 210, que pueden entrenarse para identificar píxeles en una imagen armonizada de entrada 204 o imagen de entrada 202 que corresponden a un tumor u otro tejido canceroso. Los modelos de segmentación 210 se pueden entrenar en un conjunto de datos que comprende que tiene imágenes radiológicas anotadas, donde cada imagen se ha etiquetado con regiones o rasgos de interés específicos (p. ej., regiones correspondientes a órganos, tumores u otras estructuras anatómicas, etc.).

[0134] En algunas implementaciones, los modelos de segmentación pueden implementar clasificación por píxeles de imágenes radiológicas de entrada, en la que cada píxel dentro de una imagen de entrada 202 o una imagen armonizada 204 se asigna una etiqueta que indica una clasificación de una estructura anatómica o rasgo correspondiente. La salida de tales modelos de segmentación puede ser máscaras de segmentación, que en algunas implementaciones se puede usar como datos de entrada para entrenar los diversos modelos de aprendizaje de máquina descritos en esta memoria (p. ej., los modelos de aprendizaje de máquina 150, etc.). En algunas implementaciones, y como se muestra, imágenes de entrada 202, imágenes armonizadas 204 y/o máscaras de segmentación correspondientes para diversas regiones de interés se pueden proporcionar como entrada a un proceso de extracción de rasgos 212.

[0136] El proceso de extracción de rasgos 212 puede incluir cualquier proceso adecuado para identificar y extraer rasgos de las imágenes de entrada 202 y/o imágenes armonizadas 204 de participantes en uno o más ensayos clínicos. Rasgos radiómicos extraídos usando el proceso de extracción de rasgos 212 pueden incluir cualquier atributo que pueda ser derivado de las imágenes de entrada 202, imágenes armonizadas 204 y/o las máscaras de segmentación correspondientes a las mismas. En un ejemplo, tales rasgos pueden incluir tamaño de tumor, ubicación de tumor, tipo de tumor, número de tumores detectados, cambios en el tamaño de tumor a lo largo del tiempo, cambios en la estructura anatómica de diferentes órganos, huesos u otros tejidos, homogeneidad de tumor, morfología de lesión y patrones de crecimiento, densidad ósea o forma ósea, entre otros rasgos radiómicos.

[0138] Ejemplos adicionales de rasgos radiómicos pueden incluir métricas específicas de imagen, tales como estadísticas de primer orden, que se relacionan con la distribución de intensidades de píxel o vóxel dentro de una imagen armonizada 204. Ejemplos de tales rasgos de primer orden incluyen aunque sin quedar limitado a esto energía, energía total, entropía, intervalo intercuartílico, desviación absoluta de media, media cuadrática, asimetría, curtosis, varianza o uniformidad, entre otros. Otros rasgos radiómicos pueden incluir rasgos basados en forma, que pueden incluir aunque sin quedar limitado a esto volumen de malla o área de imagen, volumen de vóxel, área de superficie de una imagen 3D, relación de área de superficie a volumen, esfericidad, diámetro 3D máximo, diámetro 2D máximo (p. ej., de una imagen 2D o un parte de imagen 3D), longitud de eje mayor, longitud de eje menor, elongación, o planitud, entre otros. En algunas implementaciones, los rasgos radiómicos pueden incluir rasgos derivados de una matriz de coocurrencia de niveles de grises (GLCM), una matriz de dependencia de niveles de grises (GLDM), una matriz de longitud niveles de grises (GLRLM), una matriz de zona de tamaño de niveles de grises (GLSZM), o una matriz de diferencia de tono de grises vecinos (NGTDM).

[0140] En algunas implementaciones, los rasgos radiómicos extraídos usando el proceso de extracción de rasgos 212 pueden incluir rasgos profundos o biomarcadores de formación de imágenes. Rasgos profundos pueden incluir rasgos de imágenes de entrada 202 y/o imágenes armonizadas 204 que se extraen de una o más capas intermedias/ocultas de una red neuronal circunvolucional profunda, que puede generarse al proporcionar las imágenes de entrada 202 y/o imágenes armonizadas 204 como entrada a una red neuronal circunvolucional entrenada para procesar imágenes radiológicas. Biomarcadores de formación de imágenes extraídos usando el proceso de extracción de rasgos 212 pueden incluir cualquier tipo de indicador de procesos biológicos/patógenos o respuestas a tratamientos presentes en una imagen radiológica, o estándares de medición relacionados con la misma.

[0142] En algunas implementaciones, los rasgos extraídos usando el proceso de extracción de rasgos 212 se pueden determinar en función del tipo de tratamiento o condición relacionados con los ensayos clínicos de los que se recuperan las imágenes de entrada 202. Por ejemplo, los rasgos a extraer se pueden determinar en función de la modalidad de formación de imágenes, enfermedad o condición diagnosticada, tipo de tratamiento, u otros atributos específicos de ensayo clínico. Rasgos radiómicos pueden extraerse usando cualquier técnica de análisis adecuada y puede implicar el uso de modelos de aprendizaje de máquina entrenados particularmente, en algunas implementaciones. Rasgos radiómicos extraídos por el proceso de extracción de rasgos 212 se pueden usar en un proceso de ingeniería de rasgos 214 y/o usarse en relación con el proceso de modelado de aprendizaje profundo 216, como se muestra. En algunas implementaciones, los rasgos radiómicos extraídos usando el proceso de extracción de rasgos 212 pueden almacenarse como parte de datos de entrada en ejemplos de entrenamiento de un conjunto de datos de entrenamiento 175, como se describe en la presente memoria.

[0144] El proceso de ingeniería de rasgos 214 y el proceso de modelado de aprendizaje profundo 216 se pueden ejecutar para entrenar y/o evaluar uno o más modelos de aprendizaje de máquina (p. ej., modelos de aprendizaje de máquina 150, etc.). Los modelos de aprendizaje de máquina entrenados usando el proceso de modelado de aprendizaje profundo 216 se pueden actualizar según las técnicas descritas en relación con la FIG. 1, en algunas implementaciones. El proceso de ingeniería de rasgos 214 se puede usar para generar o seleccionar rasgos óptimos para entrenar modelos de aprendizaje de máquina para pronosticar con la mayor precisión un resultado particular para un participante candidato del ensayo clínico. El proceso de ingeniería de rasgos 214 puede incluir seleccionar un subconjunto de rasgos relevantes de un conjunto de rasgos radiómicos generado usando el proceso de extracción de rasgos 212. El subconjunto puede seleccionarse, en algunas implementaciones, en función de una determinada correlación con un objetivo variable dado o resultado, o en función de otros criterios para pronosticar un resultado (p. ej., un resultado de clasificación, un resultado de tiempo hasta el acontecimiento, etc.) de un participante en un ensayo clínico.

[0145] El proceso de ingeniería de rasgos 214 puede incluir procesamiento de rasgos, por ejemplo, para normalizar o combinar rasgos para mejorar las prestaciones o la precisión de los modelos de aprendizaje de máquina descritos en esta memoria. Tales técnicas de procesamiento pueden incluir, pero sin limitación a esto, seleccionar rasgos específicos, reducir la dimensionalidad de los rasgos, estandarizar rasgos, detección de valores atípicos o derivar datos adicionales de rasgos relacionados (p. ej., calcular relaciones de diferentes entradas, etc.). El proceso de ingeniería de rasgos 214 puede realizarse para generar datos de entrada para uno o más conjuntos de datos de entrenamiento 175, en algunas implementaciones. Como se muestra, la salida del proceso de ingeniería de rasgos 214 se puede proporcionar como entrada al proceso de modelado de aprendizaje profundo 216.

[0147] El proceso de modelado de aprendizaje profundo 216 puede incluir entrenar uno o más modelos de aprendizaje de máquina 218 para pronosticar resultados de participantes candidatos para ensayos clínicos o planes de tratamiento particulares. Como se muestra, y como se describe en la presente memoria, los modelos de aprendizaje de máquina 218 pueden incluir uno o más modelos de clasificación 220 y uno o más modelos de tiempo hasta el acontecimiento 222. El proceso de modelado de aprendizaje profundo 216 puede incluir realizar diversas técnicas para actualizar los parámetros de los modelos de aprendizaje de máquina 218, que incluye aprendizaje supervisado usando los conjuntos de datos de entrenamiento generados usando las imágenes de entrada 202 y/o las imágenes armonizadas 204, las variables de entrada 208, las máscaras de segmentación, y rasgos extraídos/ingenieriles, en algunas implementaciones. Como se muestra, los modelos de aprendizaje de máquina pueden entrenar uno o más modelos de clasificación 220 y/o uno o más modelos de tiempo hasta el acontecimiento 222.

[0149] Debe entenderse que, aunque se muestran múltiples entradas como proporcionadas al proceso de modelado de aprendizaje profundo 216, que esto es meramente una representación de ejemplo. En algunas implementaciones, el proceso de modelado de aprendizaje profundo 216 puede tener menos entradas, por ejemplo, entrenar únicamente en imágenes de entrada 202 y/o las imágenes armonizadas 204 como entrada, o cualquiera de las variables adicionales 208, máscaras de segmentación generadas por medio de los modelos de segmentación 210, rasgos generados por medio del proceso de extracción de rasgos 212 y/o el proceso de ingeniería de rasgos 214, ya sea en aislamiento o en cualquier combinación. Además, debe entenderse que en algunas implementaciones, diferentes modelos de aprendizaje de máquina 218 pueden entrenarse/actualizarse usando diferentes conjuntos de datos de entrada para pronosticar diferentes resultados para participantes candidatos, como se describe en la presente memoria.

[0151] Los modelos de clasificación 220 se pueden entrenar para clasificar participantes para determinar mejor respuesta global, si se pronostican que ocurren nuevas lesiones durante un ensayo clínico, un pronóstico de un tipo de histología, un pronóstico de un estado de mutación, un pronóstico de un grado de expresión de proteínas o falta de lo mismo, un pronóstico de un grado de firma de expresión genética o falta de lo mismo, o un pronóstico de un estadio de tumor o progreso de estadio de tumor durante un ensayo clínico, entre otros. Se pueden entrenar modelos de tiempo hasta el acontecimiento 222 para pronosticar un tiempo de supervivencia global, un periodo de tiempo de supervivencia sin acontecimientos, un periodo de tiempo para supervivencia sin progreso, un periodo de tiempo para supervivencia sin recaídas, o un periodo de tiempo para supervivencia sin enfermedad, entre otros. Los modelos de aprendizaje de máquina 218 entrenados se pueden usar para pronosticar resultados para pacientes candidatos de ensayos clínicos, como se describe en la presente memoria.

[0153] Haciendo referencia otra vez a la FIG. 1, una vez el sistema de procesamiento de datos 105 ha entrenado uno o más modelos de aprendizaje de máquina 150, el sistema de procesamiento de datos 105 puede pronosticar resultados de participantes candidatos de ensayos clínicos, para seleccionar participantes candidatos para potencial inclusión en ensayos clínicos. Para hacer esto, el gestor de datos de ensayo 130 puede identificar una imagen radiológica 180 de un participante candidato para un primer ensayo clínico. La imagen radiológica 180 puede recibirse de un sistema informático remoto, por ejemplo, como parte de datos de participante 170 del participante candidato. En algunas implementaciones, uno o más sistemas informáticos remotos 160 pueden transmitir datos de participante 170 (que pueden incluir una o más imágenes radiológicas 180) de un conjunto de participantes candidatos al sistema de procesamiento de datos 105 para pronosticar resultados para un ensayo clínico venidero o potencial. El conjunto de participantes candidatos se puede incluir o identificar en una petición correspondiente del sistema informático remoto 160, o en una petición correspondiente identificada por medio de entrada al sistema de procesamiento de datos 105, en algunas implementaciones.

[0155] La petición puede identificar una o más características del ensayo clínico venidero o potencial, que incluye tipos de tratamiento (p. ej., fármacos, protocolo de tratamiento, etc.), o enfermedad tratada por el ensayo clínico venidero o potencial, entre otras características. Dichas características pueden ser usadas por el gestor de datos de ensayo 130 para seleccionar un modelo de aprendizaje de máquina entrenado 150 que corresponde a la petición respectiva.

[0156] Por ejemplo, cada modelo de aprendizaje de máquina 150 puede almacenarse en asociación con identificadores de tratamientos, enfermedades/condiciones, o ensayos clínicos anteriores para los que se entrenó el modelo de aprendizaje de máquina 150. Para pronosticar con precisión resultados para participantes candidatos, el gestor de datos de ensayo 130 puede seleccionar uno o más modelos de aprendizaje de máquina entrenados 150 adecuados para pronosticar resultados para el ensayo clínico venidero o potencial. En algunas implementaciones, los modelos de aprendizaje de máquina 150 pueden identificarse en una petición, mensaje o entrada recibidos por el sistema de procesamiento de datos 105.

[0158] Una vez se han identificado los modelos de aprendizaje de máquina entrenados 150, el gestor de datos de ensayo 130 puede proporcionar al menos las imágenes radiológicas 180 de los participantes candidatos como entrada a los modelos de aprendizaje de máquina 150 para generar resultados pronosticados de los participantes candidatos en el ensayo clínico venidero o potencial. Además o como alternativa a proporcionar las imágenes radiológicas 180 de los participantes candidatos como entrada a los modelos de aprendizaje de máquina 150, el gestor de datos de ensayo 130 puede proporcionar atributos clínicos de los participantes candidatos como entrada a los modelos de aprendizaje de máquina 150. Los atributos clínicos pueden identificarse de los datos de participante 170 de los participantes candidatos, en un ejemplo, o recibirse en respuesta a una petición transmitida a uno o más de los sistemas informáticos remotos 160.

[0160] Datos de entrada adicionales proporcionados a los modelos de aprendizaje de máquina 150 pueden incluir máscaras de segmentación generadas por al menos un modelo de segmentación (p. ej., un modelo de segmentación 210), así como cualesquiera rasgos radiómicos extraídos según las técnicas descritas en esta memoria. El gestor de datos de ensayo 130 puede generar datos de entrada para cada modelo de aprendizaje de máquina 150 entrenado para producir resultados pronosticados para un ensayo particular. En algunas implementaciones, puede realizarse preprocesamiento, tal como armonización de imágenes, en las imágenes radiológicas de entrada 180 antes de proporcionar las imágenes radiológicas 180 como entrada al modelo de aprendizaje de máquina 150.

[0162] En algunas implementaciones, y como se describe en la presente memoria, pueden entrenarse diferentes modelos de aprendizaje de máquina 150 para recibir diferentes datos de entrada, cada uno de los cuales puede generarse y proporcionarse por el gestor de datos de ensayo 130 usando datos de participante 170 correspondientes de los participantes candidatos. Por ejemplo, el gestor de datos de ensayo 130 puede proporcionar un primer conjunto de datos de entrada para uno o más participantes candidatos como entrada a un primer modelo de aprendizaje de máquina (p. ej., un modelo de clasificación 220), y puede proporcionar un segundo conjunto de datos de entrada para el uno o más participantes candidatos como entrada a un segundo modelo de aprendizaje de máquina (p. ej., un tiempo hasta el acontecimiento modelo 222).

[0164] El gestor de datos de ensayo 130 puede generar los resultados pronosticados al ejecutar los modelos de aprendizaje de máquina 150 usando los datos de entrada proporcionados (que puede incluir una o más imágenes radiológicas 180, rasgos radiómicos, datos clínicos de los participantes candidatos, etc.). En un ejemplo donde un modelo de aprendizaje de máquina es un modelo de red neuronal, el gestor de datos de ensayo 130 puede ejecutar el modelo de aprendizaje de máquina 150 al proporcionar los datos de entrada a través de cada capa de la red neuronal hasta que el modelo de aprendizaje de máquina 150 genera un valor de resultado pronosticado. En algunas implementaciones, por ejemplo, donde el modelo de aprendizaje de máquina 150 es un modelo de clasificación, la salida puede generarse por medio de un capa softmax del modelo de aprendizaje de máquina.

[0166] Los resultados pronosticados incluyen pronósticos de cómo responderán los participantes candidatos al ensayos clínicos en marcha o potenciales, como se describe en la presente memoria. Por ejemplo, los modelos de aprendizaje de máquina 150 pueden generar pronósticos de si la enfermedad o afección relacionada con los ensayos clínicos progresará en el transcurso del ensayo clínico, o cambios específicos en el estadio de tumor sobre el transcurso del ensayo clínico, entre otros.

[0168] Usando los pronósticos de salida de los modelos de aprendizaje de máquina 150, el gestor de datos de ensayo 130 puede determinar si cualquiera del conjunto de participantes candidatos corresponde a resultados pronosticados que satisfacen uno o más criterios de selección del ensayo clínico en marcha o potencial. En algunas implementaciones, los criterios de selección para el ensayo clínico se pueden especificar en la petición para procesar los participantes candidatos, puede recibirse o recuperarse de uno o más de los sistemas informáticos remotos 160, o se pueden proporcionar por medio de entrada al sistema de procesamiento de datos 105. En algunas implementaciones, los criterios de selección pueden incluir umbrales o condiciones para los resultados pronosticados generados para los participantes candidatos.

[0170] Identificadores de participantes candidatos que satisfacen (p. ej., caen dentro de intervalos, umbrales, o valores predeterminados) los criterios de selección del ensayo clínico en marcha o potencial puede almacenarse en asociación con el ensayo clínico. Múltiples participantes candidatos se pueden asociar con el ensayo clínico al modificar una o más bases de datos, archivos, u otras estructuras de datos asociadas con el ensayo clínico en marcha o potencial. En algunas implementaciones, la asociación puede indicar diversos datos de participante 170 del correspondiente participante candidato seleccionado para potencial inclusión en el ensayo clínico, que incluye cualesquiera atributos, rasgos o cualidades que indican que el participante candidato es adecuado para el ensayo clínico.

[0172] En algunas implementaciones, el gestor de datos de ensayo 130 puede generar un informe que indica un conjunto de participantes candidatos que se identificaron como adecuados para el ensayo clínico en marcha o potencial. El informe puede indicar diversos datos de participante 170, información relacionada con el ensayo clínico, y los diversos atributos, rasgos o cualidades que indican por qué el conjunto de participantes candidatos es adecuado para el ensayo clínico. En algunas implementaciones, el conjunto de participantes candidatos se puede categorizar en el informe según una probabilidad de éxito en el ensayo clínico.

[0173] En algunas implementaciones, la probabilidad de éxito global de un participante candidato indicado en el informe puede generarse como salida de uno o más de los modelos de aprendizaje de máquina 150. En algunas implementaciones, la probabilidad de éxito en el ensayo clínico se puede calcular como suma ponderada de las diversas salidas pronosticadas de múltiples modelos de aprendizaje de máquina 150. Los valores de peso pueden ser específicos para el ensayo clínico en marcha o potencial para el que se genera el informe. En algunas implementaciones, los valores de peso se pueden proporcionar por uno o más sistemas informáticos remotos 160 o por medio de entrada al sistema de procesamiento de datos 105. Las indicaciones de qué participantes candidatos son adecuadas para el ensayo clínico (e informes generados, si los hay) se pueden proporcionar para exponer en el sistema de procesamiento de datos 105 o transmitirse a uno o más sistemas informáticos remotos 160. En algunas implementaciones, los participantes candidatos o informes se puede proporcionar por medio de una interfaz basada en web.

[0175] Haciendo referencia a la FIG. 3, se ilustra un diagrama de flujo de un método de ejemplo 300 para entrenar modelos de aprendizaje de máquina usando rasgos radiómicos de participantes, según una o más implementaciones. El método 300 se puede realizar, por ejemplo, por un sistema de procesamiento de datos (p. ej., el sistema de procesamiento de datos 105), o cualesquiera dispositivos informáticos descritos en esta memoria (p. ej., uno o más sistemas informáticos remotos 160, el sistema informático 500 de la FIG. 5). Debe entenderse que el método 300 mostrado en la FIG. 3 es un ejemplo, y que pueden realizarse etapas adicionales, pueden omitirse etapas o pueden realizarse etapas en un orden diferente al mostrado, para lograr resultados deseados.

[0177] En el acto 305, un sistema de procesamiento de datos (p. ej., el sistema de procesamiento de datos 105) puede recibir datos de uno o más participantes (p. ej., datos de participante 170) de uno o más ensayos clínicos históricos o en marcha. El sistema de procesamiento de datos puede recibir los datos de participante de uno o más sistemas informáticos remotos (p. ej., los sistemas informáticos remotos 160), o por medio de entrada a una interfaz basada en web proporcionada por el sistema de procesamiento de datos 105. Los datos de participante pueden recibirse en una petición para generar, entrenar o actualizar uno o más modelos de aprendizaje de máquina (p. ej., modelos de aprendizaje de máquina 150) para pronosticar resultados para uno o más ensayos clínicos o tratamientos. Recibir los datos de participante puede incluir realizar cualquiera de las operaciones descritas en esta memoria en relación con el gestor de datos de ensayo 130 de la FIG. 1, en algunas implementaciones.

[0179] En el acto 310, el sistema de procesamiento de datos puede generar uno o más conjuntos de datos de entrenamiento (p. ej., uno o más conjuntos de datos de entrenamiento 175) usando los datos de participante. El conjunto de datos de entrenamiento puede incluir múltiples ejemplos de entrenamiento. Cada ejemplo de entrenamiento puede incluir una imagen radiológica 180 o conjunto de imágenes radiológicas 180 de un participante respectivo, y una o más etiquetas 185 correspondientes a un resultado de dicho participante, como se describe en la presente memoria. Generar el conjunto de datos de entrenamiento puede incluir generar datos de entrada para los modelos de aprendizaje de máquina, que puede incluir una o más imágenes radiológicas de un participante correspondiente, atributos clínicos de un participante correspondiente, o rasgos radiómicos del participante correspondiente. En algunas implementaciones, imágenes radiológicas recibidas por el sistema de procesamiento de datos se pueden preprocesar usando una función o técnica de armonización de imágenes, como se describe en la presente memoria, con las imágenes radiológicas armonizadas se incluyen en el conjunto de datos de entrenamiento. En algunas implementaciones, el sistema de procesamiento de datos puede realizar cualquiera de la funcionalidad del generador de conjuntos de datos 135 o el proceso mostrado en la FIG. 2.

[0181] En el acto 315, el sistema de procesamiento de datos puede entrenar uno o más modelos de aprendizaje de máquina (p. ej., los modelos de aprendizaje de máquina 150) usando el conjunto de datos de entrenamiento para recibir una o más imágenes radiológicas de un participante candidato como entrada para generar uno o más resultados pronosticados del participante candidato para un ensayo clínico en marcha o potencial como salida. Cualquier número de modelos de aprendizaje de máquina puede entrenarse según las técnicas descritas en esta memoria, que incluye pero sin limitación a esto, modelos de clasificación (p. ej., modelos de clasificación 220), modelos de tiempo hasta el acontecimiento (p. ej., los modelos de tiempo hasta el acontecimiento 222), o modelos de aprendizaje de máquina que pronostican cualquier otro atributo o característica de un participante candidato con respecto a un tratamiento, fármaco o proceso de un ensayo clínico. Los modelos de aprendizaje de máquina pueden entrenarse o actualizarse usando cualquier técnica de entrenamiento adecuada, que incluye el uso de aprendizaje supervisado en relación con el conjunto de datos de entrenamiento generado en el acto 310.

[0183] Los modelos de aprendizaje de máquina pueden entrenarse hasta alcanzarse una condición finalización de entrenamiento. La condición de finalización de entrenamiento puede ser un umbral de precisión predeterminado, un número predeterminado de épocas de entrenamiento o ejemplos de entrenamiento proporcionados a los modelos para entrenar o detectar que los modelos de aprendizaje de máquina están empezando a sobreajustar al conjunto de datos de entrenamiento. Una vez entrenados, los modelos de aprendizaje de máquina pueden almacenarse en asociación con un identificador de respeto del ensayo clínico en marcha o potencial, tratamiento o proceso para los que se entrenaron los modelos de aprendizaje de máquina. A los modelos de aprendizaje de máquina entrenados puede acceder el sistema de procesamiento de datos para identificar uno o más participantes candidatos que son adecuados para el ensayo clínico, por ejemplo, usando el proceso descrito en relación con la FIG. 4.

[0185] Haciendo referencia a la FIG. 4, se ilustra un diagrama de flujo de un método de ejemplo 400 para ejecutar modelos de aprendizaje de máquina para pronosticar resultados de participantes usando técnicas de aprendizaje de máquina, según una o más implementaciones. El método 400 se puede realizar, por ejemplo, por un sistema de procesamiento de datos (p. ej., el sistema de procesamiento de datos 105), o cualesquiera dispositivos informáticos descritos en esta memoria (p. ej., uno o más sistemas informáticos remotos 160, el sistema informático 500 de la FIG. 5). Debe entenderse que el método 400 mostrado en la FIG. 4 es un ejemplo, y que pueden realizarse etapas adicionales, pueden omitirse etapas o pueden realizarse etapas en un orden diferente al mostrado, para lograr resultados deseados.

[0187] En el acto 405, un sistema de procesamiento de datos (p. ej., el sistema de procesamiento de datos 105) puede identificar una imagen radiológica de un participante candidato para un ensayo clínico potencial o en marcha. La imagen radiológica puede identificarse en una petición para identificar participantes candidatos adecuados para el ensayo clínico potencial o en marcha usando los modelos de aprendizaje de máquina (p. ej., los modelos de aprendizaje de máquina 150) descritos en esta memoria. La petición puede identificar un conjunto de participantes candidatos, cada uno de los cuales va a ser evaluado usando los modelos de aprendizaje de máquina descritos en esta memoria. La petición puede identificar uno o más criterios de selección para el ensayo clínico potencial o en marcha, contra los que se van a evaluar los resultados pronosticados de los participantes candidatos.

[0189] En algunas implementaciones, imágenes radiológicas recibidas (p. ej., de uno o más sistemas informáticos remotos 160) o identificadas de otro modo por el sistema de procesamiento de datos pueden ser preprocesadas por el sistema de procesamiento de datos. Por ejemplo, el sistema de procesamiento de datos puede ejecutar una función de armonización de imágenes/técnica usando las imágenes radiológicas recibidas de los participantes candidatos, que puede incluir armonizar las imágenes radiológicas con otras imágenes radiológicas de ensayos clínicos históricos u otros en marcha. Las imágenes radiológicas pueden incluir imágenes de TC, imágenes de PET, imágenes de RM, imágenes de rayos X o imágenes de ultrasonidos, entre otras. En algunas implementaciones, el sistema de procesamiento de datos puede recibir o identificar de otro modo atributos clínicos de los participantes candidatos que van a ser evaluados, como se describe en la presente memoria.

[0191] En el acto 410, el sistema de procesamiento de datos puede proporcionar las imágenes radiológicas del conjunto de participantes candidatos a uno o más modelos de aprendizaje de máquina (p. ej., los modelos de aprendizaje de máquina 150) como entrada. Como se describe en la presente memoria, los modelos de aprendizaje de máquina pueden entrenarse cada uno para generar uno o más resultados pronosticados de los participantes candidatos en función de sus respectivas imágenes radiológicas. En algunas implementaciones, los modelos de aprendizaje de máquina pueden entrenarse para recibir uno o más de atributos clínicos de los participantes candidatos, rasgos radiómicos de los participantes candidatos o atributos relacionado con el ensayo clínico en marcha o potencial (o la fármacos/tratamientos del mismo). El sistema de procesamiento de datos puede proporcionar dicha información como entrada a los modelos de aprendizaje de máquina para generar los resultados pronosticados de los participantes, como se describe en la presente memoria en relación con las FIGS. 1 y 2.

[0193] En un ejemplo, rasgos radiómicos de los participantes candidatos pueden generarse al proporcionar las imágenes radiológicas de los participantes candidatos como entrada a uno o más modelos de segmentación, que pueden entrenarse para identificar una o más regiones de interés en la imagen radiológica. Datos de las regiones de interés, que incluyen indicaciones de forma, tamaño u otras características, pueden extraerse como parte de los rasgos radiómicos para los participantes candidatos. Dicho rasgos radiómicos se pueden proporcionar como parte de los datos de entrada a los modelos de aprendizaje de máquina descritos en esta memoria. En algunas implementaciones, en vez de recibir la imagen radiológica de la paciente, los modelos de aprendizaje de máquina descritos en esta memoria pueden entrenarse para recibir rasgos radiómicos como entrada para generar resultados pronosticados para los participantes candidatos.

[0195] Los resultados pronosticados pueden incluir clasificaciones, que incluyen clasificaciones de respuesta global, si se pronostica que ocurra una nueva lesión o tumor, un tipo de histología pronosticado del participante candidato, un estado de mutación pronosticado de un tumor del participante candidato, un pronóstico de un grado de expresión de proteínas o falta del mismo, un pronóstico de un grado de una firma de expresión genética o falta de lo mismo, o un cambio pronosticado en el estadio de tumor del participante candidato. En algunas implementaciones, uno o más modelos de aprendizaje de máquina pueden entrenarse/actualizarse para generar uno o más resultados pronosticados de tiempo hasta el acontecimiento. Los resultados pronosticados de tiempo hasta el acontecimiento pueden incluir, pero sin limitación a esto, un tiempo de supervivencia pronosticado del participante candidato, tiempo pronosticado a cualesquiera acontecimientos adversos, tiempos pronosticado a progreso o remisión de enfermedad, incidentes pronosticados de recaída tras los correspondientes ensayos clínicos en marcha o potenciales entre otros.

[0197] En el acto 415, el sistema de procesamiento de datos puede determinar si los resultados pronosticados de cada participante candidato para el ensayo clínico en marcha o potencial satisfacen uno o más criterios de selección para el ensayo clínico. Los criterios de selección pueden incluir umbrales o condiciones para los resultados pronosticados generados para los participantes candidatos. El sistema de procesamiento de datos puede comparar los resultados pronosticados de cada participante candidato con los umbrales, condiciones o valores en los criterios de selección para identificar un subconjunto de los participantes candidatos que satisfacen (p. ej., caen dentro de intervalos, umbrales o valores predeterminados) los criterios de selección de los del ensayo clínico en marcha o potencial.

[0198] En algunas implementaciones, el sistema de procesamiento de datos puede calcular una puntuación para cada participante candidato en el subconjunto que indica la probabilidad de éxito global del participante candidato. La puntuación que indica la probabilidad de éxito global en el ensayo clínico se puede calcular como suma ponderada de las diversas salidas pronosticadas de múltiples modelos de aprendizaje de máquina o puede pronosticarse directamente de una salida de un modelo de aprendizaje de máquina entrenado para generar dicho valor. En una implementación donde se calcula una suma ponderada, los valores de peso pueden ser específicos para el ensayo clínico en marcha o potencial y pueden corresponder cada uno a un respectivo resultado pronosticado o atributo pronosticado para el ensayo clínico en marcha o potencial.

[0200] En el acto 420, el sistema de procesamiento de datos puede almacenar una asociación entre el ensayo clínico en marcha o potencial y un identificador de cada participante candidato identificado como que satisface el uno o más criterios de inclusión. La asociación puede indicar que cada participante candidato satisface un criterio de selección del primer ensayo clínico en respuesta a determinar que el resultado pronosticado del participante candidato para el primer ensayo clínico satisface un criterio de selección del primer ensayo clínico. En algunas implementaciones, el sistema de procesamiento de datos puede generar un informe que indica el subconjunto de los participantes candidatos identificados como adecuados para el ensayo clínico en marcha o potencial.

[0202] El informe o indicaciones de si los participantes candidatos son adecuados para el ensayo clínico se pueden proporcionar como salida por medio del sistema de procesamiento de datos. En algunas implementaciones, el informe/indicaciones se pueden proporcionar por medio de una pantalla del sistema de procesamiento de datos. En algunas implementaciones, el informe/indicaciones se pueden proporcionar por medio de una interfaz basada en web alojada o asociada de otro modo con el sistema de procesamiento de datos. En algunas implementaciones, el informe/indicaciones se pueden transmitir a uno o más sistemas informáticos remotos. En algunas implementaciones, el subconjunto de participantes candidatos se puede categorizar según una probabilidad de éxito global pronosticada en el ensayo clínico en marcha o potencial.

[0204] La FIG. 5 es un diagrama de componente de un sistema informático de ejemplo adecuado para usar en las diversas implementaciones descritas en esta memoria, según un ejemplo implementación. Por ejemplo, el sistema informático 500 puede implementar el sistema de procesamiento de datos 105 o el sistema informático remoto 160 de la FIG. 1, u otros diversos sistemas y dispositivos de ejemplo descritos en la presente divulgación.

[0206] El sistema informático 500 incluye un bus 502 u otro componente de comunicación para comunicar información y un procesador 504 acoplado al bus 502 para procesar información. El sistema informático 500 también incluye memoria principal 506, tal como un RAM u otro dispositivo de almacenamiento dinámico, acoplado al bus 502 para almacenar información, e instrucciones a ejecutar por el procesador 504. La memoria principal 506 también se puede usar para almacenar información de posición, variables temporales, u otra información intermedia durante la ejecución de instrucciones por el procesador 504. El sistema informático 500 puede incluir además una ROM 508 u otro dispositivo de almacenamiento estático acoplado al bus 502 para almacenar información e instrucciones estáticas para el procesador 504. Un dispositivo de almacenamiento 510, tal como un dispositivo de estado sólido, disco magnético o disco óptico, se acopla al bus 502 para almacenar persistentemente información e instrucciones.

[0208] El sistema informático 500 puede acoplarse por medio del bus 502 a una pantalla 514, tal como una pantalla de cristal líquido o pantalla de matriz activa, para exponer información a un usuario. Un dispositivo de entrada 512, tal como un teclado que incluye teclas alfanuméricas y otras, puede acoplarse al bus 502 para comunicar información, y selecciones de comandos al procesador 504. En otra implementación, el dispositivo de entrada 512 tiene una pantalla táctil. El dispositivo de entrada 512 puede incluir cualquier tipo de sensor biométrico, o un control de cursor, tal como un ratón, una bola de seguimiento, o teclas de dirección de cursor, para comunicar información de dirección y selecciones de comandos el procesador 504 y para controlar el movimiento del cursor en la pantalla 514.

[0210] En algunas implementaciones, el sistema informático 500 puede incluir un adaptador de comunicaciones 516, tal como un adaptador de red. El adaptador de comunicaciones 516 puede acoplarse al bus 502 y se puede configurar para permitir comunicaciones con una red informática o de comunicaciones u otros sistemas informáticos. En diversas implementaciones ilustrativas, cualquier tipo de configuración de red puede lograrse usando el adaptador de comunicaciones 516, tal como cableado (p. ej., por medio de Ethernet), inalámbrico (p. ej., por medio de wifi, Bluetooth), satélite (p. ej., por medio de GPS) preconfigurado, ad-hoc, LAN, WAN y similares.

[0212] Según diversas implementaciones, los procesos de las implementaciones ilustrativas que se describen en esta memoria se pueden lograr por el sistema informático 500 en respuesta al procesador 504 que ejecuta una implementación de instrucciones contenidas en memoria principal 506. Tales instrucciones pueden leerse en la memoria principal 506 de otro medio legible por ordenador, tal como el dispositivo de almacenamiento 510. La ejecución de la implementación de instrucciones contenidas en la memoria principal 506 provoca que el sistema informático 500 realizar los procesos ilustrativos descritos en esta memoria. Uno o más procesadores en una implementación multiprocesamiento también pueden emplearse para ejecutar las instrucciones contenidas en la memoria principal 506. En implementaciones alternativas, para implementar las implementaciones ilustrativas se puede usar circuitería cableada en lugar o en combinación con instrucciones de software. Así, implementaciones no se limitan a ninguna combinación específica de circuitería en hardware y software.

[0214] Las implementaciones descritas en esta memoria se han descrito con referencia a dibujos. Los dibujos ilustran ciertos detalles de implementaciones específicas que implementan los sistemas, métodos y programas descritos en esta memoria. Sin embargo, describir las implementaciones con dibujos no debe interpretarse como imponer en la divulgación cualesquiera limitaciones que pueden estar presentes en los dibujos.

[0216] Debe entenderse que ningún elemento de reivindicación en esta memoria se ha de interpretar bajo las estipulaciones de 35 U.S.C. § 112(f), a menos que el elemento se mencione expresamente usando la frase “medios para”.

[0218] Como se emplea en esta memoria, el término “circuito” puede incluir hardware estructurado para ejecutar las funciones descritas en esta memoria. En algunas implementaciones, cada “circuito” respectivo puede incluir medios legibles por máquina para configurar el hardware para ejecutar las funciones descritas en esta memoria. El circuito puede materializarse como uno o más componentes de circuitería que incluye, pero sin limitación a esto, circuitería de procesamiento, interfaces de red, dispositivos periféricos, dispositivos de entrada, dispositivo de salidas, sensores, etc. En algunas implementaciones, un circuito puede adoptar la forma de uno o más circuitos analógicos, circuitos electrónicos (p. ej., circuitos integrados (IC), circuitos discretos, circuitos de sistema en un chip (SOC)), circuitos de telecomunicación, circuitos híbridos y cualquier otro tipo de “circuito”. A este respecto, el “circuito” puede incluir cualquier tipo de componente para conseguir o facilitar el logro de las operaciones descritas en esta memoria. Por ejemplo, un circuito como se describe en la presente memoria puede incluir uno o más transistores, puertas lógicas (p. ej., NAND, Y, NOR, O, XOR, NOT, XNOR), resistores, multiplexores, registros, condensadores, inductores, diodos, cableado, etc..

[0220] El “circuito” también puede incluir uno o más procesadores acoplados comunicativamente a una o más memorias o dispositivos de memoria. A este respecto, el uno o más procesadores puede ejecutar instrucciones almacenadas en la memoria o puede ejecutar instrucciones de otro modo accesible al uno o más procesadores. En algunas implementaciones, el uno o más procesadores puede materializarse de diversas maneras. El uno o más procesadores se pueden construir de una manera suficiente para realizar al menos las operaciones descritas en esta memoria. En algunas implementaciones, el uno o más procesadores puede ser compartido por múltiples circuitos (p. ej., circuito A y circuito B puede comprender o de otro modo compartir el mismo procesador, que, en algunas ejemplo implementaciones, puede ejecutar instrucciones almacenadas, o que se accede de otro modo, por medio de diferentes áreas de memoria). Como alternativa o adicionalmente, el uno o más procesadores se pueden estructurar para realizar o ejecutar de otro modo ciertas operaciones independientes de uno o más coprocesadores.

[0222] En otras implementaciones de ejemplo, dos o más procesadores pueden acoplarse por medio de un bus para permitir ejecución de instrucciones independientes, paralelas, en desarrollo o multihilo. Cada procesador puede implementarse como uno o más procesadores de finalidad general, ASIC, FPGA, GPU, TPU, procesadores de señales digitales (DSP), u otro componentes electrónicos adecuados de procesamiento de datos estructurados para ejecutar instrucciones proporcionadas por memoria. El uno o más procesadores pueden adoptar la forma de un procesador de único núcleo, procesador multinúcleo (p. ej., un procesador de doble núcleo, procesador de triple núcleo, o procesador de cuatro núcleos), microprocesador, etc. En algunas implementaciones, el uno o más procesadores pueden ser externos al aparato, por ejemplo, el uno o más procesadores pueden ser un procesador remoto (p. ej., un procesador basado en la nube). Como alternativa o adicionalmente, el uno o más procesadores pueden ser internos o locales al aparato. A este respecto, un circuito o componentes dados del mismo se pueden disponer localmente (p. ej., como parte de un servidor local, un sistema informático local) o a distancia (p. ej., como parte de un servidor remoto tal como un servidor basado en la nube). Con este fin, un “circuito” como se describe en la presente memoria puede incluir componentes que se distribuyen por una o más ubicaciones.

[0224] Un sistema ejemplar para implementar el sistema global o partes de las implementaciones podría incluir un dispositivo informático de finalidad general en forma de ordenadores, que incluye una unidad de procesamiento, una memoria de sistema, y un bus de sistema que acopla los diversos componentes de sistema que incluye el memoria de sistema a la unidad de procesamiento. Cada dispositivo de memoria puede incluir soportes de almacenamiento volátil no transitorio, medios de almacenamiento no volátil, soportes de almacenamiento no transitorio (p. ej., uno o más memorias volátiles o no volátiles), etc. En algunas implementaciones, la medios no volátiles pueden adoptar la forma de ROM, memoria flash (p. ej., memoria flash tal como NAND, 3D NAND, NOR, 3D NOR), EEPROM, MRAM, almacenamiento magnético, discos duros, discos ópticos, etc. En otras implementaciones, los soportes de almacenamiento volátiles pueden adoptar la forma de RAM, TRAM, ZRAM, etc. Las combinaciones de lo anterior también se incluyen dentro del alcance de los medios legibles por máquina. A este respecto, instrucciones ejecutables por máquina comprenden, por ejemplo, instrucciones y datos, que provocan que un ordenador de finalidad general, ordenador de finalidad especial o máquinas de procesamiento de finalidad especial realicen cierta función o grupo de funciones. Cada respectivo dispositivo de memoria puede hacerse funcionar para mantener o almacenar de otro modo información relacionada con las operaciones realizadas por uno o más circuitos asociados, incluidas instrucciones de procesador y datos relacionados (p. ej., componentes de base de datos, componentes de código de objetos, componentes de guion), según los ejemplos de implementaciones descritos en esta memoria.

[0226] También cabe señalar que el término “dispositivos de entrada”, como se describe en la presente memoria, puede incluir cualquier tipo de dispositivo de entrada que incluye, pero sin limitación a esto, un teclado, un teclado, un ratón, palanca de mando, u otro dispositivos de entrada que realizan una función similar. Comparativamente, el término “dispositivo de salida”, como se describe en la presente memoria, puede incluir cualquier tipo de dispositivo de salida que incluye, pero sin limitación a esto, un monitor de ordenador, impresora, fax, u otros dispositivos de salida que realicen una función similar.

[0228] Se debe observar que aunque los diagramas en esta memoria pueden mostrar un orden y composición específicos de etapas de método, se entiende que el orden de estas etapas puede diferir del que se representa. Por ejemplo, dos o más etapas se pueden realizar concurrentemente o con concurrencia parcial. También, algunas etapas de método que se realizan como etapas discretas pueden combinarse, etapas que se realizan como etapa combinada pueden separarse en etapas discretas, la secuencia de ciertos procesos puede invertirse o variarse de otro modo, y la naturaleza o el número de procesos discretos puede alterarse o variarse. El orden o secuencia de cualquier elemento o aparato se pueden variar o sustituirse según implementaciones alternativas. Por consiguiente, todas dichas modificaciones están pensadas para incluirse dentro del alcance de la presente divulgación como se define en las reivindicaciones adjuntas. Tales variaciones dependerán de los sistemas de medios legibles por máquina y sistemas de hardware elegidos y de la opción del diseñador. Se entiende que todas estas variaciones están dentro del alcance de la divulgación. De manera semejante, se podrían conseguir implementaciones de software y web de la presente divulgación con técnicas de programación estándar con lógica basada en reglas y otra lógica para conseguir las diversas etapas de búsqueda en base de datos, etapas de correlación, etapas de comparación y etapas de decisión.

[0229] Si bien esta memoria descriptiva contiene muchos detalles específicos de implementación, estos no se deben interpretar como limitaciones sobre el alcance de las invenciones o de lo que se puede reivindicar, sino en cambio como descripciones de rasgos específicos para implementaciones particulares de los sistemas y métodos descritos en esta memoria. Ciertas características que se describen en esta memoria descriptiva en el contexto de implementaciones separadas también se pueden implementar en combinación en una única implementación. Por el contrario, diversas características que se describen en el contexto de una única implementación también se pueden implementar en múltiples implementaciones por separado o en cualquier subcombinación adecuada. Además, aunque anteriormente se puede haber descrito rasgos que actúan en ciertas combinaciones e incluso inicialmente reivindicados como tal, uno o más rasgos de una combinación reivindicada en algunos casos se pueden escindir de la combinación, y la combinación reivindicada se puede dirigir a una subcombinación o variación de una subcombinación.

[0231] En determinadas circunstancias, la multitarea y el procesamiento paralelo pueden resultar ventajosos. Además, no debe entenderse que la separación de diversos componentes de sistema en las implementaciones descritas anteriormente requiere tal separación en todas las implementaciones, y debe entenderse que los componentes y sistemas del programa descritos generalmente pueden integrarse juntos en un único producto de software o empaquetado en múltiples productos de software.

[0233] Habiendo descrito algunas implementaciones ilustrativas e implementaciones, es evidente lo anterior es ilustrativo y no limitante, que se ha presentado a modo de ejemplo. En particular, aunque muchos de los ejemplos presentados en esta memoria implican combinaciones específicas de actos de método o elementos de sistema, esos actos y esos elementos pueden combinarse de otras maneras para conseguir los mismos objetivos. Actos, elementos y rasgos discutidos únicamente en relación con una implementación no pretenden ser excluidos de un rol similar en otras implementaciones.

[0235] La fraseología y la terminología usadas en esta memoria son con el propósito de descripción y no se deben considerar limitativas. Se entiende que el uso de "que incluye", "que comprende", "que tiene", "que contiene", "que implica", "caracterizado por", "caracterizado por que" y variaciones de las mismas en esta memoria, abarca los elementos enumerados después de ellos, equivalentes de los mismos, y elementos adicionales, así como implementaciones alternativas que consisten en los elementos enumerados exclusivamente después de los mismos. En una implementación, los sistemas y métodos descritos en esta memoria consisten en uno, cada combinación de más de uno, o todos los elementos, actos o componentes descritos.

[0237] Referencias a implementaciones o elementos o actos de los sistemas y métodos en esta memoria denominados en singular también pueden abarcan implementaciones que incluyen una pluralidad de estos elementos, y referencias en plural a cualquier implementación o elemento o acto en esta memoria también pueden abarcar implementaciones que incluyen únicamente un único elemento. Referencias en formas singular o plural no pretenden limitar los sistemas o métodos descritos actualmente, sus componentes, actos o elementos a una única o plurales configuraciones. Referencias a cualquier acto o elemento que se basan en cualquier información, acto o elemento pueden incluir implementaciones donde la acto o elemento se basa al menos en parte en cualquier información, acto o elemento.

[0239] Cualquier implementación descrita en esta memoria puede combinarse con cualquier otra implementación, y referencias a “una implementación”, “algunas implementaciones”, “una implementación alternativa”, “diversas implementaciones”, “una implementación”, o algo semejante no son necesariamente mutuamente exclusivas y se pretende indicar que un rasgo, estructura o característica particular descrito en relación con la implementación se puede incluir en al menos una implementación. Tales términos como se emplean en esta memoria no hacen todos referencia necesariamente a la misma implementación. Cualquier implementación puede combinarse con cualquier otra implementación, inclusiva o exclusivamente, de cualquier manera en consonancia con los aspectos e implementaciones descritos en esta memoria.

[0241] Referencias a “o” pueden interpretarse como inclusivas de modo que los términos descritos usando “o” pueden indicar cualquiera de un único, más de uno y todos los términos descritos.

[0242] Donde rasgos técnicos en los dibujos, la descripción detallada o cualquier reivindicación se siguen por signos de referencia, los signos de referencia se han incluido para la sola finalidad de aumentar la inteligibilidad de los dibujos, la descripción detallada y las reivindicaciones. Por consiguiente, ninguno de los signos de referencia ni su ausencia tienen efecto limitante en el alcance de los elementos de reivindicación.

[0244] La descripción anterior de las implementaciones se ha presentado con finalidades de ilustración y descripción. No se pretende que sea exhaustiva o que limite la divulgación a la forma precisa descrita, y son posibles modificaciones y variaciones a la luz de las enseñanzas anteriores o puede adquirirse de esta divulgación. Las implementaciones se han elegido y descrito a fin de explicar los principios de la divulgación y su aplicación práctica, para permitir a un experto en la técnica utilizar las diversas implementaciones y con diversas modificaciones como idóneas para el uso particular contemplado. Otras sustituciones, modificaciones, cambios y omisiones se pueden hacer en el diseño, las condiciones de funcionamiento y la implementación de las implementaciones sin salir del alcance de la presente divulgación como se expresa en las reivindicaciones adjuntas.

Claims

1. REIVINDICACIONES

1. Un sistema que comprende:

uno o más procesadores acoplados a memoria no transitoria, el uno o más procesadores configurado para:

recibir datos de una pluralidad de participantes en uno o más primeros ensayos clínicos;

generar, usando los datos de la pluralidad de participantes, un conjunto de datos de entrenamiento que comprende una pluralidad de ejemplos, cada ejemplo comprende:

una imagen médica o conjunto de imágenes médicas de un participante respectivo del uno o más primeros ensayos clínicos, y

una etiqueta correspondiente a un resultado del participante respectivo del uno o más primeros ensayos clínicos; y

entrenar un modelo de aprendizaje de máquina usando el conjunto de datos de entrenamiento para recibir una segunda imagen médica de un segundo participante como entrada y generar un resultado pronosticado del segundo participante en un segundo ensayo clínico como salida.

2. El sistema de la reivindicación 1, en donde el uno o más procesadores se configuran además para:

generar el conjunto de datos de entrenamiento para incluir además, para cada ejemplo de la pluralidad de ejemplos, uno o más atributos clínicos del participante respectivo del uno o más primeros ensayos clínicos.

3. El sistema de la reivindicación 1, en donde el uno o más procesadores se configuran además para:

generar, usando una función de armonización de imágenes, un conjunto de imágenes médicas armonizadas en función de los datos de la pluralidad de participantes; y

generar el conjunto de datos de entrenamiento para incluir el conjunto de imágenes médicas armonizadas.

4. El sistema de la reivindicación 1, en donde la imagen médica de cada ejemplo comprende una imagen de escaneo de tomografía computarizada (CT), imagen de escaneo

de tomografía de emisión de positrones (PET), imagen de escaneo óseo, ultrasonido (US), rayos X, o una imagen de escaneo de formación de imágenes de resonancia magnética (IRM).

5. El sistema de la reivindicación 1, en donde la etiqueta comprende uno o más de una indicación de una respuesta al uno o más primeros ensayos clínicos, una indicación de una lesión adicional durante o después del uno o más primeros ensayos clínicos, una indicación de un tipo de histología, una indicación de un estado de mutación germinal, una indicación de un estado de mutación somática, una indicación de cierto grado de expresión de proteínas o falta del mismo, una indicación de un cierto grado de una firma de expresión genética o falta de lo mismo, o una indicación de un cambio en un estadio de tumor resultante del uno o más primeros ensayos clínicos.

6. El sistema de la reivindicación 1, en donde cada ejemplo de la pluralidad de ejemplos comprende además una segunda etiqueta que identifica una métrica de tiempo hasta el acontecimiento del participante respectivo del uno o más primeros ensayos clínicos, en donde el uno o más procesadores se configuran además para:

entrenar un segundo modelo de aprendizaje de máquina usando el conjunto de datos de entrenamiento para recibir la segunda imagen médica del segundo participante como entrada y generar una métrica de tiempo hasta el acontecimiento pronosticado para el segundo participante durante el segundo ensayo clínico.

7. El sistema de la reivindicación 1, en donde el uno o más procesadores se configuran además para:

recibir la imagen médica de un participante candidato de un sistema informático asociado con el segundo ensayo clínico;

proporcionar, como entrada, la imagen médica del participante candidato al modelo de aprendizaje de máquina para generar el resultado pronosticado del participante candidato durante el segundo ensayo clínico; y

proporcionar, al sistema informático, una indicación de si el resultado pronosticado del participante candidato satisface un criterio de selección para el segundo ensayo clínico.

8. Un sistema que comprende:

uno o más procesadores y memoria no transitoria, el uno o más procesadores configurado para:

identificar una imagen médica o un conjunto de imágenes médicas de un participante candidato de uno o más ensayos clínicos;

proporcionar, a un modelo de aprendizaje de máquina, como entrada, la imagen médica del participante candidato para generar un resultado pronosticado del participante candidato para un primer ensayo clínico, el modelo de aprendizaje de máquina entrenado usando un conjunto de datos de entrenamiento que comprende una pluralidad de ejemplos, cada ejemplo comprende una respectiva imagen radiológica de un participante respectivo de uno o más segundos ensayos clínicos, y una etiqueta correspondiente a un resultado del participante respectivo del uno o más segundos ensayos clínicos;

determinar, en respuesta a proporcionar la imagen médica como entrada al modelo de aprendizaje de máquina, que el resultado pronosticado del participante candidato para el primer ensayo clínico satisface un criterio de selección del primer ensayo clínico; y

almacenar, en una o más estructuras de datos, una asociación entre un identificador del participante candidato, el primer ensayo clínico para indicar que el participante candidato satisface el criterio de selección del primer ensayo clínico en respuesta a determinar que el resultado pronosticado del participante candidato para el primer ensayo clínico satisface el criterio de selección del primer ensayo clínico.

9. El sistema de la reivindicación 8, en donde el modelo de aprendizaje de máquina se entrena para además recibir atributos clínicos como entrada, y en donde el uno o más procesadores se configuran además para:

identificar uno o más atributos clínicos del participante candidato; y

proporcionar, al modelo de aprendizaje de máquina como entrada, el uno o más atributos clínicos con la imagen médica o el conjunto de imágenes médicas del participante candidato para generar el resultado pronosticado para el participante candidato para el primer ensayo clínico.

10. El sistema de la reivindicación 8, en donde el uno o más procesadores se configuran además para:

proporcionar la imagen médica del participante candidato como entrada a un modelo de segmentación para identificar una o más regiones de interés en la imagen médica o el conjunto de imágenes médicas.

11. El sistema de la reivindicación 10, en donde el modelo de aprendizaje de máquina se entrena para además recibir rasgos de imagen, que incluyen rasgos radiómicos como entrada, y en donde el uno o más procesadores se configuran además para:

extraer, en función de la una o más regiones de interés en la imagen médica, uno o más rasgos radiómicos de la imagen médica del participante candidato.

12. El sistema de la reivindicación 8, en donde el uno o más procesadores se configuran además para:

proporcionar la imagen médica o el conjunto de imágenes médicas del participante candidato como entrada a un segundo modelo de aprendizaje de máquina para generar una métrica de tiempo hasta el acontecimiento pronosticado para el participante candidato durante el primer ensayo clínico.

13. El sistema de la reivindicación 8, en donde el uno o más procesadores se configuran además para:

ejecutar una función de armonización de imágenes usando la imagen médica o el conjunto de imágenes médicas del participante candidato antes de proporcionar la imagen médica o el conjunto de imágenes médicas como entrada al modelo de aprendizaje de máquina.

14. El sistema de la reivindicación 8, en donde el uno o más procesadores se configuran además para:

generar un informe que indica un conjunto de participantes candidatos adecuados para el primer ensayo clínico, el conjunto de participantes candidatos comprende el participante candidato.

15. Un método, que comprende:

recibir, por parte de uno o más procesadores acoplados a memoria no transitoria, datos de una pluralidad de participantes en uno o más primeros ensayos clínicos;

generar, por parte del uno o más procesadores, usando los datos de la pluralidad de participantes, un conjunto de datos de entrenamiento que comprende una pluralidad de ejemplos, cada ejemplo comprende:

entrenar, por parte del uno o más procesadores, un modelo de aprendizaje de máquina usando el conjunto de datos de entrenamiento para recibir una segunda imagen médica de un segundo participante como entrada y generar un resultado pronosticado del segundo participante en un segundo ensayo clínico como salida.

16. El método de la reivindicación 15, que comprende además:

generar, por parte del uno o más procesadores, el conjunto de datos de entrenamiento para incluir además, para cada ejemplo de la pluralidad de ejemplos, uno o más atributos clínicos del participante respectivo del uno o más primeros ensayos clínicos.

17. El método de la reivindicación 15, que comprende además:

generar, por parte del uno o más procesadores, usando una función de armonización de imágenes, un conjunto de imágenes médicas armonizadas en función de los datos de la pluralidad de participantes; y

generar, por parte del uno o más procesadores, el conjunto de datos de entrenamiento para incluir el conjunto de imágenes médicas armonizadas.

18. Un método, que comprende:

identificar, por parte de uno o más procesadores acoplados a memoria no transitoria, una imagen médica o conjunto de imágenes médicas de un participante candidato de uno o más ensayos clínicos;

proporcionar, por parte del uno o más procesadores, a un modelo de aprendizaje de máquina, como entrada, la imagen médica o el conjunto de imágenes médicas del participante candidato para generar un resultado pronosticado del participante candidato para un primer ensayo clínico, el modelo de aprendizaje de máquina entrenado usando un conjunto de datos de entrenamiento que comprende una pluralidad de ejemplos, cada ejemplo comprende una respectiva imagen médica o respectivo conjunto de imágenes médicas de un participante respectivo de uno o más segundos ensayos clínicos, y una etiqueta correspondiente a un resultado del participante respectivo del uno o más segundos ensayos clínicos;

determinar, por parte del uno o más procesadores, en respuesta a proporcionar la imagen médica o el conjunto de imágenes médicas como entrada al modelo de aprendizaje de

máquina, que el resultado pronosticado del participante candidato para el primer ensayo clínico satisface un criterio de selección del primer ensayo clínico; y

almacenar, por parte del uno o más procesadores, en una o más estructuras de datos, una asociación entre un identificador del participante candidato, el primer ensayo clínico para indicar que el participante candidato satisface el criterio de selección del primer ensayo clínico en respuesta a determinar que el resultado pronosticado del participante candidato para el primer ensayo clínico satisface el criterio de selección del primer ensayo clínico.

19. El método de la reivindicación 18, que comprende además:

identificar, por parte del uno o más procesadores, uno o más atributos clínicos del participante candidato; y

proporcionar, por parte del uno o más procesadores, al modelo de aprendizaje de máquina como entrada, el uno o más atributos clínicos con la imagen médica o el conjunto de imágenes médicas del participante candidato para generar el resultado pronosticado para el participante candidato para el primer ensayo clínico.

20. El método de la reivindicación 18, que comprende además:

generar, por parte del uno o más procesadores, un informe que indica un conjunto de participantes candidatos adecuado para el primer ensayo clínico, el conjunto de participantes candidatos comprende el participante candidato.