基于人工智能的疾病輔助診斷方法的可專利性

劉 超

（國(guó)家知識(shí)產(chǎn)權(quán)局專利局專利審查協(xié)作北京中心，北京 100083）

人工智能技術(shù)是架構(gòu)在三大底層技術(shù)基礎(chǔ)之上的綜合技術(shù)：第一個(gè)基礎(chǔ)技術(shù)是圖像識(shí)別技術(shù)，識(shí)別圖像中不同模式的目標(biāo)和對(duì)象；第二個(gè)基礎(chǔ)技術(shù)是語(yǔ)音識(shí)別和自然語(yǔ)言處理技術(shù)，其目的是將人類語(yǔ)音中的詞句內(nèi)容轉(zhuǎn)變?yōu)橛?jì)算機(jī)可讀的數(shù)據(jù)；第三個(gè)基礎(chǔ)技術(shù)是知識(shí)圖譜技術(shù)，利用可視化技術(shù)顯示知識(shí)資源及知識(shí)載體，分析、挖掘、構(gòu)建與展示知識(shí)及知識(shí)間的關(guān)聯(lián)[1]。人工智能目前處于以深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法為核心特征的第三波發(fā)展高潮[2]。

癌癥是嚴(yán)重威脅人類生存和健康的疾病，“早發(fā)現(xiàn)、早診斷、早治療”對(duì)提高治療效果、改善生活質(zhì)量、延長(zhǎng)預(yù)期壽命十分重要。臨床上癌癥篩查主要依靠影像學(xué)檢查和活體組織檢查。癌癥的臨床早期篩查面臨著一些問(wèn)題，比如醫(yī)療資源不均衡、影像成像質(zhì)量不同、影像數(shù)據(jù)量大、人工閱片耗時(shí)長(zhǎng)，醫(yī)生經(jīng)驗(yàn)和主觀因素的差異可能導(dǎo)致閱片錯(cuò)誤，存在漏診誤診的風(fēng)險(xiǎn)[3]。

人工智能在醫(yī)學(xué)影像輔助診斷中的應(yīng)用在醫(yī)學(xué)人工智能領(lǐng)域占有舉足輕重的地位[4]。人工智能輔助診斷與醫(yī)師診斷相比，具有不受醫(yī)師主觀性、經(jīng)驗(yàn)差異及疲勞等人為因素影響的自身優(yōu)越性[5]，可以有效提高醫(yī)師診療效率與診斷精度，縮短患者就診等待時(shí)間，降低患者就醫(yī)成本[6]。基于人工智能技術(shù)來(lái)分析醫(yī)學(xué)影像、病理圖像、生化數(shù)據(jù)、基因、其他臨床信息及大數(shù)據(jù)，并給出輔助診斷結(jié)論已成為現(xiàn)代醫(yī)療診斷的重要發(fā)展趨勢(shì)。

專利法第25 條第一款第（三）項(xiàng)（以下簡(jiǎn)稱專利法25.1（3））規(guī)定了對(duì)疾病的診斷和治療方法不授予專利權(quán)。隨著人工智能技術(shù)特別是神經(jīng)網(wǎng)絡(luò)的發(fā)展，以計(jì)算機(jī)程序?yàn)橹鞯膭?chuàng)新方案輔助醫(yī)生進(jìn)行疾病的醫(yī)學(xué)診斷的相關(guān)專利越來(lái)越多，經(jīng)常落入“疾病的診斷方法”這一不授予專利權(quán)情形。在審查實(shí)踐中，對(duì)于專利申請(qǐng)個(gè)案是否屬于疾病的診斷方法經(jīng)常存在爭(zhēng)議，部分醫(yī)學(xué)工作者和工程技術(shù)人員由于對(duì)專利法25.1（3）不夠理解或理解錯(cuò)誤，導(dǎo)致創(chuàng)新方案未能獲得適當(dāng)?shù)膶＠Ｗo(hù)。

為了幫助醫(yī)學(xué)工作者和工程技術(shù)人員了解疾病的診斷方法的相關(guān)法律規(guī)定，獲得適當(dāng)?shù)膶＠Ｗo(hù)，本文將從疾病的診斷方法 的法律規(guī)定出發(fā)，通過(guò)典型案例結(jié)合審查實(shí)踐，對(duì)疾病的診斷方法判斷中的爭(zhēng)議點(diǎn)進(jìn)行分析和探討，研究專利保護(hù)策略，促進(jìn)創(chuàng)新方案獲得適當(dāng)?shù)膶＠Ｗo(hù)。

一、人工智能輔助診斷技術(shù)

人工智能輔助診斷是指以機(jī)器人工智能來(lái)代替人類醫(yī)生進(jìn)行醫(yī)療診斷[7]。人工智能輔助診斷方法一般由機(jī)器實(shí)施，通常無(wú)需醫(yī)生的參與或者僅需要醫(yī)生少量的參與，其主要處理各種與患者的疾病或健康狀況有密切聯(lián)系的醫(yī)學(xué)數(shù)據(jù)，包括醫(yī)學(xué)影像、病理圖像、生化數(shù)據(jù)、基因、電子病歷、其他臨床數(shù)據(jù)、大數(shù)據(jù)等[8]。將人工智能引入醫(yī)療診斷和決策，允許其基于我們可能不知道的生理關(guān)系進(jìn)行診斷，能極大地減少誤診和漏診。

人工智能輔助診斷的主要技術(shù)有計(jì)算機(jī)輔助診斷（computer aided diagnosis，CAD）、傳統(tǒng)機(jī)器學(xué)習(xí)（machine learning，ML）和深度學(xué)習(xí)（deep learning，DL）。計(jì)算機(jī)輔助診斷利用計(jì)算機(jī)對(duì)醫(yī)學(xué)圖像進(jìn)行分析并發(fā)現(xiàn)異常，輔助作出診斷與鑒別，其工作流程包括：數(shù)據(jù)獲取、圖像預(yù)處理、圖像分割、病變檢測(cè)以及分類等；它還可以輔助醫(yī)生作出更科學(xué)合理的決策，減少觀察者間及觀察者內(nèi)部差異，有效管理和整合患者大數(shù)據(jù)資料等[9]。基于傳統(tǒng)機(jī)器學(xué)習(xí)的輔助診斷方法通過(guò)計(jì)算機(jī)的運(yùn)算能力，對(duì)大量的醫(yī)療數(shù)據(jù)在相對(duì)短的時(shí)間內(nèi)進(jìn)行數(shù)據(jù)分析、建模和訓(xùn)練，探究各種醫(yī)學(xué)指標(biāo)之間的關(guān)系，通過(guò)訓(xùn)練后的模型來(lái)預(yù)測(cè)并輔助診斷疾病[10-11]。深度學(xué)習(xí)是建立在人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的機(jī)器學(xué)習(xí)技術(shù)，神經(jīng)網(wǎng)絡(luò)可以分析各種訓(xùn)練圖像，提取特定的圖像特征，根據(jù)累積的特征可對(duì)新獲得的圖像進(jìn)行病灶檢測(cè)、分類等。與傳統(tǒng)機(jī)器學(xué)習(xí)相比較，深度學(xué)習(xí)可直接將圖像本身應(yīng)用于學(xué)習(xí)過(guò)程中，無(wú)需人工特征提取，使得其學(xué)習(xí)過(guò)程更加快捷、智能和精準(zhǔn)；而且深度學(xué)習(xí)還可從既往的錯(cuò)誤中不斷迭代和學(xué)習(xí)改進(jìn)。

隨著人工智能的深度學(xué)習(xí)功能的不斷增強(qiáng)，人工智能輔助診斷技術(shù)已慢慢成熟。例如，基于人工智能的乳腺癌輔助診斷已實(shí)現(xiàn)了乳腺癌的檢測(cè)，醫(yī)學(xué)影像中組織的自動(dòng)分割，良惡性分類、分級(jí)，醫(yī)學(xué)影像增強(qiáng)等。乳腺X 線智能輔助診斷的企業(yè)和產(chǎn)品有：深度思維（DeepMind）、英特爾、Hologic、Medipattern、深睿醫(yī)療（DeepWise）、依圖醫(yī)療（YITU）、騰訊的騰訊覓影、推想科技（Infervision）、醫(yī)準(zhǔn)智能（Medical AI）、東軟等。肺部CT 智能輔助診斷的企業(yè)和產(chǎn)品有：深睿醫(yī)療的Dr.Wise、阿里健康的Doctor You、騰訊的騰訊覓影，以及圖瑪深維（12 Sigma）、推想科技、依圖醫(yī)療、醫(yī)準(zhǔn)智能、科大訊飛、平安科技、深度思維、西門子、飛利浦、ARTERYS、GE 等公司[6]49-50。

由此產(chǎn)生了大量人工智能輔助診斷的創(chuàng)新解決方案。人工智能輔助診斷技術(shù)的核心是基于算法、模型來(lái)求解醫(yī)療領(lǐng)域特定的問(wèn)題、輔助疾病診斷，因而在人工智能輔助診斷專利申請(qǐng)中，請(qǐng)求保護(hù)的技術(shù)方案經(jīng)常落入疾病診斷方法這一不受專利法保護(hù)的客體的情形。

二、疾病診斷方法的相關(guān)規(guī)定和難點(diǎn)

出于人道主義的考慮和社會(huì)倫理的原因，醫(yī)生在診斷和治療過(guò)程中應(yīng)當(dāng)有選擇各種方法和條件的自由。另外，這類方法直接以有生命的人體或動(dòng)物體為實(shí)施對(duì)象，無(wú)法在產(chǎn)業(yè)上利用，不屬于專利法意義上的發(fā)明創(chuàng)造。基于以上兩點(diǎn)考量，專利法25.1（3）規(guī)定了對(duì)疾病的診斷方法不授予專利權(quán)。

《專利審查指南2010》規(guī)定了一項(xiàng)與疾病診斷有關(guān)的方法如果同時(shí)滿足以下兩個(gè)條件，則屬于疾病的診斷方法：1 以有生命的人體或動(dòng)物體為對(duì)象；2 以獲得疾病診斷結(jié)果或健康狀況為直接目的。

從上述規(guī)定來(lái)看，關(guān)于疾病診斷方法的判斷只有兩個(gè)條件，文字表述也很短，但是在專利審查實(shí)踐中，對(duì)于人工智能輔助診斷專利申請(qǐng)個(gè)案是否屬于疾病診斷方法往往存在著爭(zhēng)議。首先是這些方法所針對(duì)的對(duì)象是多方面的，除了直接以有生命的人體或動(dòng)物體為對(duì)象之外，更多的人工智能輔助診斷方法并不直接在患者身體上實(shí)施，而是對(duì)來(lái)自患者的醫(yī)學(xué)數(shù)據(jù)進(jìn)行分析或處理，例如對(duì)醫(yī)學(xué)影像進(jìn)行處理來(lái)輔助診斷，有一種觀點(diǎn)認(rèn)為這些方法的對(duì)象是圖像，而非有生命的人體，不滿足條件1。另一個(gè)難點(diǎn)是對(duì)于方法的直接目的的判斷：方法是基于醫(yī)學(xué)圖像的疾病診斷方法，還是僅僅是圖像處理方法？方法獲得的結(jié)果是診斷結(jié)果，還是僅僅是中間結(jié)果？如何判斷方法的直接目的和最終目的？

本文從近幾年的專利申請(qǐng)個(gè)案中篩選出涉及人工智能輔助診斷的專利申請(qǐng)，選取其中的典型案例，分析對(duì)疾病診斷方法的具體判斷方法，以及如何撰寫、修改權(quán)利要求，獲得適當(dāng)?shù)膶＠Ｗo(hù)。

三、疾病診斷方法的案例和分析

（一）涉及圖像處理的方法

醫(yī)學(xué)圖像處理是圖像處理算法與醫(yī)學(xué)信息的結(jié)合，其可以包含對(duì)圖像的通用算法如去噪、增強(qiáng)、配準(zhǔn)步驟，也可以包含出于醫(yī)療目的的特殊處理步驟，例如分割出感興趣區(qū)域（如病變組織）、提取圖像特征，這樣的技術(shù)方案并不是單純的對(duì)圖像像素進(jìn)行操作，而是結(jié)合了醫(yī)學(xué)圖像與正常或異常生理組織的關(guān)聯(lián)關(guān)系，使得是否屬于疾病診斷方法的判斷變復(fù)雜。

根據(jù)疾病診斷方法的判斷條件(1)和(2)分兩步進(jìn)行判斷。

醫(yī)學(xué)圖像數(shù)據(jù)是通過(guò)拍攝有生命的人體或者動(dòng)物體而獲得的，其圖像內(nèi)容顯示的是該有生命的人體或者動(dòng)物體的生理組織信息，拍攝不同的人體或者動(dòng)物體，所獲得的圖像內(nèi)容是不同的。雖然醫(yī)學(xué)圖像處理方法的直接操作對(duì)象是醫(yī)學(xué)圖像數(shù)據(jù)，但是醫(yī)學(xué)圖像數(shù)據(jù)與該有生命的人體或者動(dòng)物體是直接相關(guān)的，如果方法以獲得同一主體疾病診斷結(jié)果或健康狀況為直接目的，則屬于專利法25.1（3）規(guī)定的疾病診斷方法。

“直接目的”是判斷醫(yī)學(xué)圖像處理方法是否屬于疾病診斷方法的關(guān)鍵點(diǎn)和難點(diǎn)。如果技術(shù)方案中明確寫了獲得診斷結(jié)果的步驟，這樣的技術(shù)方案顯然是以疾病診斷為直接目的；或者雖然不包含獲得具體診斷結(jié)果的步驟，但是包含了將圖像處理的結(jié)果與正常值進(jìn)行對(duì)照、比較的步驟，那么這樣的技術(shù)方案仍然是以疾病診斷為直接目的。在實(shí)際審查中遇到的技術(shù)方案通常更為復(fù)雜，有時(shí)候需要結(jié)合說(shuō)明書中的記載，或者結(jié)合現(xiàn)有技術(shù)中的醫(yī)學(xué)知識(shí)來(lái)判斷利用該結(jié)果能否直接獲得疾病診斷結(jié)果。如果不能直接獲得疾病診斷結(jié)果，那么該醫(yī)學(xué)圖像處理方法獲得的結(jié)果屬于中間結(jié)果，并不是以疾病診斷為直接目的。

1.案例1

權(quán)利要求：一種用于在磁共振MR 腦圖像數(shù)據(jù)中識(shí)別異常的計(jì)算機(jī)實(shí)現(xiàn)的方法，所述方法包括：

由計(jì)算機(jī)接收對(duì)象的腦部的多對(duì)比度MR 圖像數(shù)據(jù)；

在多對(duì)比度MR 圖像數(shù)據(jù)內(nèi)識(shí)別(i)包括一個(gè)或多個(gè)可疑異常的異常區(qū)域和(ii)包括健康組織的健康區(qū)域；

由計(jì)算機(jī)創(chuàng)建健康區(qū)域的模型；

由計(jì)算機(jī)基于異常區(qū)域和模型為多對(duì)比度MR圖像數(shù)據(jù)中的每個(gè)體素計(jì)算新奇得分；以及

由計(jì)算機(jī)基于為多對(duì)比度MR 圖像數(shù)據(jù)中的每個(gè)體素計(jì)算的新奇得分創(chuàng)建對(duì)象的腦部的異常圖。

案例分析：權(quán)利要求的方法中由計(jì)算機(jī)接收對(duì)象的腦部的多對(duì)比度MR 圖像數(shù)據(jù)，并最終對(duì)獲得的MR 腦圖像數(shù)據(jù)進(jìn)行分析并獲得腦部的異常圖，在MR 腦圖像數(shù)據(jù)中識(shí)別異常，因此顯然與疾病直接相關(guān)，獲取的是診斷結(jié)果，雖然該方法從表面上看并未以有生命的人體或動(dòng)物體為直接對(duì)象，但由于其所處理的MR 腦圖像數(shù)據(jù)是來(lái)自人體的，與患者直接相關(guān)，以獲得MR 腦圖像數(shù)據(jù)的同一主體的腦部異常診斷結(jié)果為直接目的，因此屬于專利法25.1（3）的疾病診斷方法。

2.案例2

權(quán)利要求：一種圖像分辨方法，用于分辨乳房X 射線攝影系統(tǒng)采集的投影圖像，其特征在于，包括：

根據(jù)投影圖像的最大灰度值，分辨投影圖像是否是低劑量圖像；

根據(jù)投影圖像的梯度圖像的最大灰度值或者投影圖像的標(biāo)準(zhǔn)差與其灰度平均值的比值，分辨投影圖像是否是模體圖像；

根據(jù)投影圖像胸壁側(cè)位置的灰度值，分辨投影圖像是否是病理圖像。

案例分析：權(quán)利要求的方法是對(duì)乳房X 射線攝影系統(tǒng)所采集到的投影圖像進(jìn)行處理來(lái)判斷圖像的類型，根據(jù)投影圖像的一些特征值來(lái)分辨投影圖像是低劑量圖像、模體圖像還是病理圖像。雖然說(shuō)明書中記載了“可以針對(duì)采集到的不同類型的投影圖像匹配相應(yīng)的圖像后處理算法”，但是權(quán)利要求并不包括圖像后處理步驟，例如，不包括對(duì)病理圖像進(jìn)一步分析以獲得病變位置、良惡性分類等，也未涉及任何分析、比較等診斷步驟，方法獲得的結(jié)果是圖像屬于低劑量圖像、模體圖像、病理圖像的哪一種，而病理圖像必須經(jīng)過(guò)進(jìn)一步處理才能得出診斷結(jié)果，因此，獲得的結(jié)果屬于“中間結(jié)果”，該方法不屬于疾病的診斷方法。

3.案例3

權(quán)利要求：一種基于紋理基元的圖像腫塊良惡性的分類方法，其特征在于，包括：

將訓(xùn)練用腫塊區(qū)域圖像進(jìn)行歸一化處理，將歸一化處理后的腫塊區(qū)域圖像劃分為中心區(qū)域和外圍區(qū)域，對(duì)中心區(qū)域和外圍區(qū)域分別構(gòu)建可區(qū)分紋理字典，然后分別得到中心區(qū)域和外圍區(qū)域的特征；

對(duì)中心區(qū)域和外圍區(qū)域的特征進(jìn)行融合得到歸一化處理后的腫塊區(qū)域圖像的特征向量；

將待識(shí)別腫塊區(qū)域圖像進(jìn)行歸一化處理，提取歸一化處理后腫塊圖像區(qū)域的特征向量Fq，將腫塊區(qū)域圖像的特征向量Fq輸入到訓(xùn)練好的K 近鄰分類器，得到待識(shí)別的腫塊區(qū)域圖像的良惡性分類結(jié)果。

案例分析：權(quán)利要求采用了K 近鄰算法，實(shí)現(xiàn)了數(shù)據(jù)分析、建模、訓(xùn)練、通過(guò)訓(xùn)練后的模型輸出結(jié)果這一完整的人工智能輔助診斷流程，其所處理的圖像數(shù)據(jù)來(lái)自人體，并最終獲得了待識(shí)別的腫塊區(qū)域圖像的良惡性分類結(jié)果，因此是典型的專利法25.1（3）的疾病診斷方法。

申請(qǐng)人對(duì)權(quán)利要求進(jìn)行了修改。

新的權(quán)利要求：基于紋理基元對(duì)圖像腫塊分析的方法，其特征在于，包括：

將訓(xùn)練用腫塊區(qū)域圖像進(jìn)行歸一化處理，將歸一化處理后的腫塊區(qū)域圖像劃分為中心區(qū)域和外圍區(qū)域，對(duì)中心區(qū)域和外圍區(qū)域分別構(gòu)建可區(qū)分紋理字典，然后分別得到中心區(qū)域和外圍區(qū)域的特征；

對(duì)中心區(qū)域和外圍區(qū)域的特征進(jìn)行融合得到歸一化處理后的腫塊區(qū)域圖像的特征向量；

將歸一化處理后的訓(xùn)練用腫塊區(qū)域圖像的特征向量組合成訓(xùn)練樣本特征矩陣，訓(xùn)練K 近鄰分類器；

雖然和鄰居只有一墻之隔，但根本不認(rèn)識(shí)，平時(shí)連招呼都沒打過(guò)。只知道他們一家三口住，男的經(jīng)常出差，只有女人帶著一個(gè)四五歲正在上幼兒園的小女孩。

將待識(shí)別腫塊區(qū)域圖像進(jìn)行歸一化處理，提取歸一化處理后腫塊圖像區(qū)域的特征向量Fq，將腫塊區(qū)域圖像的特征向量Fq輸入到訓(xùn)練好的K 近鄰分類器。

案例分析：權(quán)利要求中的“腫塊良惡性的分類”“得到待識(shí)別的腫塊區(qū)域圖像的良惡性分類結(jié)果”被刪除，希望通過(guò)修改使方法的直接目的不再是獲得疾病診斷結(jié)果或健康狀況，而是準(zhǔn)確地對(duì)K近鄰分類器進(jìn)行訓(xùn)練，提高計(jì)算機(jī)等儀器設(shè)備對(duì)腫塊圖像分析的準(zhǔn)確度。說(shuō)明書中記載了“將腫塊區(qū)域圖像的特征向量Fq輸入到訓(xùn)練好的K 近鄰分類器，得到待識(shí)別的腫塊區(qū)域圖像的良惡性分類結(jié)果”。結(jié)合說(shuō)明書的記載以及K 近鄰分類器的原理可以確定，只要將待識(shí)別腫塊區(qū)域圖像的特征向量Fq輸入到訓(xùn)練好的K 近鄰分類器，就可以得到良惡性分類結(jié)果。因此，雖然從文字上刪除了“得到良惡性分類結(jié)果”，但是并沒有從實(shí)質(zhì)上克服缺陷，結(jié)合說(shuō)明書可以確定方法獲得的仍然是疾病診斷結(jié)果。

（二）以獲得疾病診斷結(jié)果或健康狀況為直接目的

如果請(qǐng)求專利保護(hù)的方法中包括了診斷步驟或者雖未包括診斷步驟但包括檢測(cè)步驟，而根據(jù)現(xiàn)有技術(shù)中的醫(yī)學(xué)知識(shí)和該專利申請(qǐng)公開的內(nèi)容，只要知曉所說(shuō)的診斷或檢測(cè)信息，就能夠直接獲得疾病的診斷結(jié)果或健康狀況，則該方法滿足上述條件2。

1.案例4

權(quán)利要求：一種基于人工神經(jīng)網(wǎng)絡(luò)腫瘤標(biāo)志聯(lián)合檢測(cè)輔助診斷肝癌的方法，其特征在于：包括以下步驟：

1）收集病人的血樣標(biāo)本；

2）采用化學(xué)發(fā)光免疫檢測(cè)試劑盒分別測(cè)定血清中甲胎蛋白（AFP）、癌胚抗原（CEA）、糖類抗原125（CA125）含量；運(yùn)用可見分光度法測(cè)定血清中的唾液酸（SA）的水平；偶氮砷Ⅲ終點(diǎn)法測(cè)定血清中的鈣Ca 水平；

3）利用統(tǒng)計(jì)學(xué)對(duì)所有數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)分析，實(shí)驗(yàn)數(shù)據(jù)如果是正態(tài)分布，則以平均數(shù)±標(biāo)準(zhǔn)偏差表示；如果不是正態(tài)分布，則以中位數(shù)及測(cè)量范圍表示；

4）以診斷靈敏度、特異度、準(zhǔn)確度、陽(yáng)性預(yù)測(cè)值和陰性預(yù)測(cè)值作為評(píng)價(jià)指標(biāo)；

5）采用反向傳播神經(jīng)網(wǎng)絡(luò)算法，輸入層為5個(gè)神經(jīng)元，隱含層為15 個(gè)神經(jīng)元，輸出層取1 個(gè)神經(jīng)元，訓(xùn)練集包括有肝癌患者組、肝良性疾病患者組、正常人組，將訓(xùn)練集放入設(shè)定好的反向傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，正常人組的期望輸出值為0.1；肝良性疾病患者組的期望輸出值為0.5；肝癌患者組的期望輸出值為0.9，經(jīng)過(guò)迭代后得到訓(xùn)練好的模型；

6）用步驟5）中訓(xùn)練好的模型對(duì)相應(yīng)的測(cè)試集進(jìn)行預(yù)測(cè)。

案例分析：權(quán)利要求的主題名稱已經(jīng)點(diǎn)明了是“輔助診斷肝癌”，即以診斷為目的。該方法包括收集病人的離體樣本、建立模型、訓(xùn)練、最后利用訓(xùn)練好的模型進(jìn)行預(yù)測(cè)，評(píng)價(jià)指標(biāo)為“診斷靈敏度、特異度、準(zhǔn)確度、陽(yáng)性預(yù)測(cè)值和陰性預(yù)測(cè)值”，完整地包括了人工智能輔助診斷的全過(guò)程，屬于疾病的診斷方法。說(shuō)明書記載了“人工神經(jīng)網(wǎng)絡(luò)聯(lián)合AFP、CEA、CA125、鈣離子、唾液酸等多個(gè)腫瘤標(biāo)志聯(lián)合檢測(cè)，提高了肝癌診斷的準(zhǔn)確率及陽(yáng)性率，減少了漏診和誤診”。該方法雖然使用離體樣本進(jìn)行建模，以離體樣本為對(duì)象，但是是以獲得同一主體的疾病診斷結(jié)果為直接目的，根據(jù)獲得的腫瘤標(biāo)志聯(lián)合檢測(cè)結(jié)果，能夠直接得出疾病的診斷結(jié)果。

2.案例5

權(quán)利要求：疾病的快速輔助定位方法，其特征在于，包括：

接收患者描述的罹患疾病的所有表型，并采用接收的所有表型構(gòu)建患者描述表型集；

獲取表型注釋數(shù)據(jù)庫(kù)中具有患者描述的表型的所有疾病；

查找每種疾病所對(duì)應(yīng)的表型，并采用每種疾病所對(duì)應(yīng)的表型分別構(gòu)建相關(guān)疾病表型集；

計(jì)算患者描述表型集與每個(gè)相關(guān)疾病表型集的相似度：

其中，T1為患者描述表型集，T2為相關(guān)疾病表型集，sim(T1,T2)為集合T1與集合T2之間的相似度，t1和t2是疾病所對(duì)應(yīng)的兩種不同的表型，sim(t1,t2)為表型t1和t2之間的相似度；

比較患者描述表型集與所有相關(guān)疾病表型集的相似度，相似度值越大，則患者罹患當(dāng)前相似度對(duì)應(yīng)疾病的概率越大。

案例分析：說(shuō)明書中記載了“在罕見疾病的臨床診斷中，一個(gè)常見的問(wèn)題便是如何根據(jù)患者的表型信息快速準(zhǔn)確地分析出其罹患的具體的疾病類型。表型注釋數(shù)據(jù)庫(kù)從人類表型本體官方網(wǎng)站獲得的罕見疾病和每種罕見疾病對(duì)應(yīng)的表型構(gòu)建而成，由于數(shù)據(jù)集中的所有疾病及每種疾病的相關(guān)表型均來(lái)自于全球權(quán)威機(jī)構(gòu)，因此更助于后面準(zhǔn)確定位疾病的準(zhǔn)確性和可靠性，獲取表型注釋數(shù)據(jù)庫(kù)中具有患者描述的表型的所有疾病，比較患者描述表型集與所有相關(guān)疾病表型集的相似度，相似度值越大，則患者罹患當(dāng)前相似度對(duì)應(yīng)疾病的概率越大”。由此可見，權(quán)利要求的方法計(jì)算患者罹患表型注釋數(shù)據(jù)庫(kù)中的疾病的概率，而是否確實(shí)罹患該疾病則還需要醫(yī)生的進(jìn)一步判斷，因此該方法實(shí)質(zhì)上是一種信息處理方法，產(chǎn)生的結(jié)果僅為醫(yī)生更準(zhǔn)確地診斷疾病和制定治療方案提供參考，在此基礎(chǔ)上，醫(yī)生需要根據(jù)患者的具體情況并結(jié)合其它檢查數(shù)據(jù)才能給出確定的診斷結(jié)果，因此不屬于專利法25.1（3）規(guī)定的疾病診斷方法。

比較案例4 和案例5，案例4 利用人工神經(jīng)網(wǎng)絡(luò)模型診斷肝癌，對(duì)肝癌總的敏感度為93.3%，特異性為96.0%，準(zhǔn)確度為95.5%，陽(yáng)性預(yù)測(cè)值為93.75%，陰性預(yù)測(cè)值為96.2%，案例5 獲得患者罹患對(duì)應(yīng)疾病的概率，從表述上看兩者有相似性，然而結(jié)論卻相反。在判斷方法是否獲得疾病診斷結(jié)果時(shí)，有時(shí)候需要結(jié)合說(shuō)明書中的記載，或者結(jié)合現(xiàn)有技術(shù)中的醫(yī)學(xué)知識(shí)才能得出正確結(jié)論。臨床上疾病的診斷主要依靠影像學(xué)檢查和活體組織檢查。案例4 說(shuō)明書記載了“腫瘤標(biāo)志的檢測(cè)對(duì)肝癌的早期診斷有著至關(guān)重要的作用，AFP、CEA、CA125、鈣離子、唾液酸等多個(gè)腫瘤標(biāo)志聯(lián)合檢測(cè)，提高了肝癌診斷的準(zhǔn)確率及陽(yáng)性率，減少了漏診和誤診”。腫瘤標(biāo)志物是反映腫瘤存在的一類物質(zhì)，它們的存在或量變可以提示腫瘤的性質(zhì)，借以了解腫瘤的組織發(fā)生、細(xì)胞分化、細(xì)胞功能，以幫助腫瘤的診斷、分類、預(yù)后判斷以及治療指導(dǎo)。案例5 比較患者描述表型集與所有相關(guān)疾病表型集的相似度，獲得患者罹患對(duì)應(yīng)疾病的概率，但是根據(jù)權(quán)利要求的公式計(jì)算得到的相似度并不能得出臨床診斷結(jié)論，還需要醫(yī)生結(jié)合患者具體情況和其他檢查數(shù)據(jù)進(jìn)行分析及確認(rèn)。

3.案例6

權(quán)利要求：一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的患病風(fēng)險(xiǎn)預(yù)測(cè)方法，包括以下步驟：

1 利用診斷的疾病作為訓(xùn)練樣本，進(jìn)行疾病名稱分布式詞向量訓(xùn)練，得到詞向量映射矩陣，并進(jìn)行存儲(chǔ)；

2 再次利用診斷的疾病作為訓(xùn)練樣本，進(jìn)行循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到患病風(fēng)險(xiǎn)預(yù)測(cè)模型；

3 將病人歷史記錄中每種診斷疾病作為一個(gè)測(cè)試樣本輸入患病風(fēng)險(xiǎn)預(yù)測(cè)模型，得到患病風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果。

案例分析：權(quán)利要求的主題名稱點(diǎn)明了是“患病風(fēng)險(xiǎn)預(yù)測(cè)”方法，將樣本輸入經(jīng)訓(xùn)練的患病風(fēng)險(xiǎn)預(yù)測(cè)模型并得到患病風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果。疾病的診斷方法的判斷條件2 是以獲得疾病診斷結(jié)果或健康狀況為直接目的，這里的“健康狀況”應(yīng)當(dāng)理解為：患病風(fēng)險(xiǎn)度、健康狀況、亞健康狀況以及治療效果等。因此，患病風(fēng)險(xiǎn)度評(píng)估方法、健康狀況/亞健康狀況的評(píng)估方法都屬于疾病的診斷方法。

修改后的權(quán)利要求：一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的患病風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建方法，患病風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建方法包括以下步驟：

1 利用診斷的疾病作為訓(xùn)練樣本，進(jìn)行疾病名稱分布式詞向量訓(xùn)練，得到詞向量映射矩陣，并進(jìn)行存儲(chǔ)，具體包括以下步驟：

1-1 對(duì)疾病診斷數(shù)據(jù)進(jìn)行預(yù)處理：將每名患者的m 種疾病按照診斷的順序排序，選取前n 種疾病組成第一個(gè)疾病序列，選取第2 種疾病～第n+1種疾病組成第二個(gè)疾病序列，選取第3 種疾病～第n+2 種疾病組成第三個(gè)疾病序列，以此類推，得到m-n+1 個(gè)疾病序列，n 的取值為5、7 或9，m 為自然數(shù)；

1-2 將每個(gè)疾病序列中處于中間位置的疾病作為詞向量訓(xùn)練模型的真實(shí)輸出，剩余的疾病組成的序列作為詞向量訓(xùn)練模型訓(xùn)練樣本，將訓(xùn)練樣本中的每種疾病按照診斷的順序依次輸入到詞向量訓(xùn)練模型，進(jìn)行疾病名稱分布式詞向量訓(xùn)練，得到每個(gè)疾病所對(duì)應(yīng)的分布式詞向量，從而組成詞向量映射矩陣，并進(jìn)行存儲(chǔ)；

2 再次利用診斷的疾病作為訓(xùn)練樣本，進(jìn)行循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到患病風(fēng)險(xiǎn)預(yù)測(cè)模型。

案例分析：權(quán)利要求主題名稱由患病風(fēng)險(xiǎn)預(yù)測(cè)方法修改為患病風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建方法，并刪除了“得到患病風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果”步驟。修改后的方法的直接目的是通過(guò)訓(xùn)練得到患病風(fēng)險(xiǎn)預(yù)測(cè)模型。從該模型本身不能直接得出疾病的診斷結(jié)果，如果希望得到患病風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果，則還需要將相應(yīng)的測(cè)試樣本輸入患病風(fēng)險(xiǎn)預(yù)測(cè)模型。因此沒有以獲得疾病的診斷結(jié)果為直接目的，不屬于疾病的診斷方法。

（三）保護(hù)產(chǎn)品權(quán)利要求

根據(jù)專利法的規(guī)定，疾病的診斷方法不能被授予專利權(quán)。但是，用于實(shí)施疾病診斷方法的儀器或裝置，以及在疾病診斷方法中使用的物質(zhì)或材料屬于可被授予專利權(quán)的客體。人工智能輔助診斷方法的核心是人工智能算法，創(chuàng)新點(diǎn)全部或者大部分以計(jì)算機(jī)程序?qū)崿F(xiàn)，如果能夠?qū)?chuàng)新方案撰寫為產(chǎn)品權(quán)利要求，那么就不會(huì)落入專利法25.1（3）“疾病的診斷方法”這一不予專利保護(hù)的情形。

為了加強(qiáng)大數(shù)據(jù)等領(lǐng)域的知識(shí)產(chǎn)權(quán)保護(hù)規(guī)則研究，推動(dòng)完善相關(guān)法律法規(guī)，2017 年4 月1 日開始施行的《專利審查指南2010》修訂版中，作出了如下幾點(diǎn)修訂：1 允許采用“介質(zhì)+計(jì)算機(jī)程序流程”的權(quán)利要求的表達(dá)方式；2 明確裝置權(quán)利要求的組成部分可以包括程序；3 將“功能模塊”修改為“程序模塊”。

1 對(duì)于“全部以計(jì)算機(jī)程序流程為依據(jù)”的解決方案，可以寫成“介質(zhì)+計(jì)算機(jī)程序流程”的表達(dá)形式，例如“一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序（或計(jì)算機(jī)指令），其特征在于，該程序（或指令）被處理器執(zhí)行時(shí)實(shí)現(xiàn)以下步驟……”，或，“一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序（或計(jì)算機(jī)指令），其特征在于，該程序（或指令）被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求x 所述方法的步驟”。

2 涉及計(jì)算機(jī)程序的發(fā)明專利申請(qǐng)如果寫成裝置權(quán)利要求，裝置的組成部分不僅可以包括硬件，還可以包括程序，可以寫成“一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)以下步驟……”，或，“一種醫(yī)用裝置，包括：硬件改進(jìn)特征1；以及控制器，控制器包括存儲(chǔ)器和處理器，其中存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，程序被處理器執(zhí)行時(shí)能夠?qū)崿F(xiàn)以下步驟……”。

3 如果全部以計(jì)算機(jī)程序流程為依據(jù)，按照與該計(jì)算機(jī)程序流程的各步驟完全對(duì)應(yīng)一致的方式，或者按照與反映該計(jì)算機(jī)程序流程的方法權(quán)利要求完全對(duì)應(yīng)一致的方式，撰寫裝置權(quán)利要求，即這種裝置權(quán)利要求中的各組成部分與該計(jì)算機(jī)程序流程的各個(gè)步驟或者該方法權(quán)利要求中的各個(gè)步驟完全對(duì)應(yīng)一致，則這種裝置權(quán)利要求中的各組成部分應(yīng)當(dāng)理解為實(shí)現(xiàn)該程序流程各步驟或該方法各步驟所必須建立的程序模塊，由這樣一組程序模塊限定的裝置權(quán)利要求應(yīng)當(dāng)理解為主要通過(guò)說(shuō)明書記載的計(jì)算機(jī)程序?qū)崿F(xiàn)該解決方案的程序模塊構(gòu)架。

因此，對(duì)于一項(xiàng)全部以計(jì)算機(jī)程序流程為依據(jù)的人工智能輔助診斷解決方案，可以撰寫為三種不同形式的產(chǎn)品權(quán)利要求：與方法步驟一一對(duì)應(yīng)的“程序模塊構(gòu)架”的裝置權(quán)利要求、既包括硬件還包括程序的裝置權(quán)利要求，或“介質(zhì)+計(jì)算機(jī)程序流程”，此時(shí)的權(quán)利要求是產(chǎn)品權(quán)利要求，因此不再屬于專利法25.1（3）規(guī)定的不授予專利權(quán)的客體。

1.案例7

權(quán)利要求：調(diào)強(qiáng)放療中危及器官吸收劑量預(yù)測(cè)數(shù)學(xué)模型的構(gòu)建方法，其特征在于，包括以下步驟：

（1）將危及器官劃分成n 個(gè)子器官，獲取第n 個(gè)子器官的歸一化體積Vn/ VOAR，其中，Vn為第n 個(gè)子器官的體積，VOAR為危及器官的體積；

（2）根據(jù)調(diào)強(qiáng)治療計(jì)劃，獲得危及器官的歸一化吸收劑量Dn10 ～n100，其中，Dn10 ～n100為D10 ～100 / Dp的比值，Dp為處方劑量，D10：是指10%的該危及器官體積所得到的吸收劑量；D20：是指20%的該危及器官體積所得到的吸收劑量；以此類推，D10 ～D100 在放療中專門用于評(píng)價(jià)危及器官吸收劑量；

（3）根據(jù)第n 個(gè)子器官的歸一化體積Vn/VOAR和危及器官的歸一化吸收劑量Dn10 ～n100，獲得預(yù)測(cè)數(shù)學(xué)模型。

案例分析：調(diào)強(qiáng)放療是一種治療腫瘤的方法。權(quán)利要求的方法以病患因調(diào)強(qiáng)放療所危及的生理器官及其生理數(shù)據(jù)為基礎(chǔ)，與患者密切相關(guān)，因而是以有生命的人體為對(duì)象；構(gòu)建預(yù)測(cè)數(shù)學(xué)模型的目的在于預(yù)測(cè)調(diào)強(qiáng)放療中危及器官的吸收劑量，說(shuō)明書記載了通過(guò)危及器官吸收劑量預(yù)測(cè)數(shù)學(xué)模型，實(shí)現(xiàn)制作調(diào)強(qiáng)治療計(jì)劃前，對(duì)危及器官的吸收劑量進(jìn)行預(yù)測(cè)；建立預(yù)測(cè)數(shù)學(xué)模型，即可在已知危及器官的子器官歸一化體積的前提下對(duì)危及器官的歸一化吸收劑量進(jìn)行預(yù)測(cè)，因此該方法是對(duì)調(diào)強(qiáng)放療的治療效果的預(yù)測(cè)。“健康狀況”包括治療效果，疾病治療效果預(yù)測(cè)和評(píng)估方法屬于專利法25.1（3）的疾病的診斷方法。

申請(qǐng)人對(duì)權(quán)利要求進(jìn)行了修改，將主題名稱更改為“一種調(diào)強(qiáng)放療中危及器官吸收劑量預(yù)測(cè)系統(tǒng)”，新的權(quán)利要求：一種調(diào)強(qiáng)放療中危及器官吸收劑量預(yù)測(cè)系統(tǒng)，其特征在于，包括子器官生成模塊、調(diào)強(qiáng)治療計(jì)劃分析模塊、預(yù)測(cè)模型生成模塊；

所述子器官生成模塊將危及器官劃分成n 個(gè)子器官，并獲取第n 個(gè)子器官的歸一化體積Vn/VOAR，并將第n 個(gè)子器官的體積的歸一化體積Vn/VOAR數(shù)據(jù)傳輸給預(yù)測(cè)模型生成模塊，其中，Vn為第n 個(gè)子器官的體積，VOAR為危及器官的體積；

所述調(diào)強(qiáng)治療計(jì)劃分析模塊根據(jù)調(diào)強(qiáng)治療計(jì)劃，獲得危及器官的歸一化吸收劑量Dn10～n100，并將危及器官的歸一化吸收劑量Dn10～n100 的數(shù)據(jù)傳輸給預(yù)測(cè)模型生成模塊，其中，Dn10 ～n100 為D10 ～100 / Dp的比值，Dp為處方劑量，D10：是指10%的該危及器官體積所得到的吸收劑量；D20：是指20%的該危及器官體積所得到的吸收劑量，以此類推，D10 ～D100 在放療中專門用于評(píng)價(jià)危及器官吸收劑量；

所述預(yù)測(cè)模型生成模塊接收子器官生成模塊傳輸?shù)牡趎 個(gè)子器官的歸一化體積Vn / VOAR數(shù)據(jù)和調(diào)強(qiáng)治療計(jì)劃分析模塊傳輸?shù)奈＜捌鞴俚臍w一化吸收劑量Dn10 ～n100 數(shù)據(jù)，對(duì)這兩者數(shù)據(jù)進(jìn)行轉(zhuǎn)化分析生成吸收劑量預(yù)測(cè)模型。

案例分析：如果全部以計(jì)算機(jī)程序流程為依據(jù)，按照與該計(jì)算機(jī)程序流程的各步驟完全對(duì)應(yīng)一致的方式，或者按照與反映該計(jì)算機(jī)程序流程的方法權(quán)利要求完全對(duì)應(yīng)一致的方式，撰寫為裝置權(quán)利要求，那它就不再是方法權(quán)利要求。該案例由方法權(quán)利要求修改為產(chǎn)品權(quán)利要求，如果滿足專利法的其他規(guī)定，是可以被授予專利權(quán)的。

四、專利保護(hù)建議

對(duì)專利法25.1（3）疾病診斷方法的判斷標(biāo)準(zhǔn)要準(zhǔn)確把握。雖然基于人工智能疾病輔助診斷技術(shù)的分析對(duì)象基本上是醫(yī)學(xué)影像、病理圖像、生化數(shù)據(jù)等，但是如果該方法的直接目的是獲得同一主體的疾病診斷結(jié)果或健康狀況，則滿足以有生命的人體或動(dòng)物體為對(duì)象的條件。“以獲得疾病診斷結(jié)果或健康狀況為直接目的”條件的判斷更為復(fù)雜一些，如果方法中包括了診斷全過(guò)程，或者，包括與正常值進(jìn)行對(duì)照、比較的步驟，或者，雖然沒有分析、比較等過(guò)程，但根據(jù)檢測(cè)值可以直接得到疾病的診斷結(jié)果或健康狀況，那么方法的直接目的是獲得疾病的診斷結(jié)果或健康狀況。

用于實(shí)施疾病診斷方法的儀器或裝置屬于可被授予專利權(quán)的客體。因此，可以選擇產(chǎn)品權(quán)利要求的撰寫方式。具體的撰寫方式有三種：與方法步驟一一對(duì)應(yīng)的“程序模塊構(gòu)架”的裝置權(quán)利要求、既包括硬件還包括程序的裝置權(quán)利要求，或“介質(zhì)+計(jì)算機(jī)程序流程”。

在對(duì)疾病診斷方法的方法權(quán)利要求進(jìn)行修改時(shí)，可以選擇刪除具體的診斷步驟并適當(dāng)修改主題名稱，例如案例6 的主題名稱由患病風(fēng)險(xiǎn)預(yù)測(cè)方法修改為患病風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建方法，并刪除了“得到患病風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果”步驟。對(duì)于一個(gè)包括了數(shù)據(jù)分析、建模、訓(xùn)練和診斷全過(guò)程的基于機(jī)器學(xué)習(xí)的輔助診斷方法，可以選擇對(duì)其中的數(shù)據(jù)分析、建模和訓(xùn)練步驟進(jìn)行專利保護(hù)。

要注意權(quán)利要求中的敏感詞，例如疾病、病人、健康狀況、患病風(fēng)險(xiǎn)度、異常、病變、良惡性等等，例如案例1 的主題名稱出現(xiàn)了“識(shí)別異常”，案例3 的主題名稱出現(xiàn)了“腫塊良惡性的分類”，案例4 的主題名稱出現(xiàn)了“輔助診斷肝癌”，此類敏感詞通常與疾病診斷目的緊密關(guān)聯(lián)。當(dāng)然，對(duì)于“異常”等敏感詞是否確實(shí)與臨床疾病相關(guān)聯(lián)，需要根據(jù)個(gè)案具體判斷。

由于個(gè)案差異，部分情況下，通過(guò)權(quán)利要求來(lái)判斷方法是否獲得疾病診斷結(jié)果存在困難，需要結(jié)合說(shuō)明書的記載，或者結(jié)合現(xiàn)有技術(shù)中的醫(yī)學(xué)知識(shí)來(lái)判斷。另外，專利法第33 條規(guī)定了對(duì)發(fā)明專利申請(qǐng)文件的修改不得超出原說(shuō)明書和權(quán)利要求書記載的范圍，因此要注意申請(qǐng)文件的撰寫質(zhì)量。如果方法不是以獲得疾病診斷結(jié)果為直接目的或者所得的結(jié)果僅僅是中間結(jié)果，那么要在原始申請(qǐng)文件中有理有據(jù)地寫明為什么不能得到疾病的診斷結(jié)果。說(shuō)明書中還可以寫明相應(yīng)的裝置、設(shè)備，便于請(qǐng)求對(duì)產(chǎn)品權(quán)利要求進(jìn)行保護(hù)或者便于將方法權(quán)利要求修改為產(chǎn)品權(quán)利要求。提高申請(qǐng)文件的撰寫質(zhì)量，有利于獲得專利保護(hù)，為后續(xù)修改權(quán)利要求提供依據(jù)。

今后，隨著人工智能算法的發(fā)展以及人工智能在疾病診斷、術(shù)前規(guī)劃、治療評(píng)估、健康預(yù)測(cè)等方面的深入?yún)⑴c，以計(jì)算機(jī)程序?yàn)橹鞯娜斯ぶ悄茌o助診斷方案將越來(lái)越多，對(duì)臨床疾病診斷手段的影響也將加深。正確掌握專利法25.1（3）疾病診斷方法的判斷方法，高質(zhì)量撰寫申請(qǐng)文件，掌握權(quán)利要求的撰寫方法和修改方法，有利于人工智能輔助診斷創(chuàng)新方案獲得適當(dāng)?shù)膶＠跈?quán)，從而保護(hù)創(chuàng)新成果，激勵(lì)創(chuàng)新主體，促進(jìn)產(chǎn)業(yè)發(fā)展。