從審查意見(jiàn)看人工智能+醫(yī)療領(lǐng)域?qū)＠淖珜?xiě)策略

#本文僅代表作者觀點(diǎn)，不代表IPRdaily立場(chǎng)，未經(jīng)作者許可，禁止轉(zhuǎn)載#

來(lái)源：IPRdaily中文網(wǎng)（iprdaily.cn）

作者：史珍珍

原標(biāo)題：從審查意見(jiàn)看人工智能+醫(yī)療領(lǐng)域?qū)＠淖珜?xiě)策略

算法與具體應(yīng)用場(chǎng)景緊密結(jié)合形成的技術(shù)方案才使得人工智能專(zhuān)利符合專(zhuān)利保護(hù)客體的要求，否則會(huì)因《專(zhuān)利法》第二十五條的“智力活動(dòng)的規(guī)則和方法”所排除，因?yàn)檫@種結(jié)合必要性的存在，人工智能專(zhuān)利申請(qǐng)涉及的創(chuàng)造性問(wèn)題主要有兩種情況：

A：算法不變，應(yīng)用場(chǎng)景變化，即當(dāng)同一項(xiàng)人工智能算法被應(yīng)用到另一應(yīng)用場(chǎng)景時(shí)，技術(shù)方案是否具備創(chuàng)造性？

B：算法變化，應(yīng)用場(chǎng)景不變，即當(dāng)不同的人工智能算法被應(yīng)用到相同應(yīng)用場(chǎng)景時(shí)，技術(shù)方案是否具備創(chuàng)造性？

一、創(chuàng)造性論證思考

對(duì)于如何判斷A和B兩種場(chǎng)景下的創(chuàng)造性，審查指南第二部分第九章第6節(jié)給出了一個(gè)概括性的指引：

在審查中，不應(yīng)當(dāng)簡(jiǎn)單割裂技術(shù)特征與算法特征或商業(yè)規(guī)則和方法特征等，而應(yīng)將權(quán)利要求記載的所有內(nèi)容作為一個(gè)整體，對(duì)其中涉及的技術(shù)手段、解決的技術(shù)問(wèn)題和獲得的技術(shù)效果進(jìn)行分析。具體的，是否考慮算法特征對(duì)技術(shù)方案的創(chuàng)造性做出貢獻(xiàn)，需要以算法特征與技術(shù)特征在功能上彼此相互支持、存在相互作用關(guān)系為前提。所謂功能上彼此相互支持、存在相互作用關(guān)系是指算法特征與技術(shù)特征緊密結(jié)合、共同構(gòu)成了解決某一技術(shù)問(wèn)題的技術(shù)手段，并且能夠獲得相應(yīng)的技術(shù)效果。

對(duì)審查指南的上述規(guī)定進(jìn)行正向理解，對(duì)應(yīng)B場(chǎng)景下創(chuàng)造性的論證：若算法特征與技術(shù)特征在功能上彼此相互支持、存在相互作用關(guān)系，則算法特征的創(chuàng)造性被考慮，但是如果發(fā)明人做出改進(jìn)的僅僅是算法特征，并沒(méi)有改進(jìn)技術(shù)特征，則審查員極有可能認(rèn)為算法的改進(jìn)沒(méi)有解決技術(shù)問(wèn)題，這時(shí)需要側(cè)重不同算法在技術(shù)問(wèn)題解決過(guò)程中與技術(shù)特征的特定融合對(duì)發(fā)揮創(chuàng)造性貢獻(xiàn)的促進(jìn)作用。

對(duì)審查指南的上述規(guī)定進(jìn)行反向理解，對(duì)應(yīng)A場(chǎng)景下創(chuàng)造性的論證：若申請(qǐng)文件中其他技術(shù)特征與算法特征之間存在密不可分的關(guān)系，且這種關(guān)聯(lián)關(guān)系可以使得二者共同解決某一個(gè)問(wèn)題，實(shí)現(xiàn)相應(yīng)的技術(shù)效果，這時(shí)應(yīng)該強(qiáng)調(diào)論證不同應(yīng)用場(chǎng)景中遇到的技術(shù)困難、克服所述技術(shù)困難的技術(shù)構(gòu)思以及產(chǎn)生的預(yù)料不到的技術(shù)效果，更加側(cè)重不同場(chǎng)景對(duì)算法的不同需求和不同的結(jié)合過(guò)程，側(cè)重不同場(chǎng)景下技術(shù)手段的調(diào)整或改進(jìn)對(duì)算法特征發(fā)揮創(chuàng)造性貢獻(xiàn)的促進(jìn)作用。

二、案例分析

本文主要探討人工智能算法+醫(yī)療領(lǐng)域?qū)＠淖珜?xiě)策略，首先看下審查員是如何評(píng)判此類(lèi)型專(zhuān)利創(chuàng)造性的：

對(duì)比文件和本申請(qǐng)均屬于醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，對(duì)比文件中XX圖像的識(shí)別方法，同樣適應(yīng)于本申請(qǐng)YY圖像的識(shí)別，使用特定的訓(xùn)練集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，是本領(lǐng)域常用技術(shù)手段，XX圖像和YY圖像均為本領(lǐng)域常見(jiàn)的圖像病變特征，因此將對(duì)比文件的技術(shù)方案應(yīng)用到本申請(qǐng)中圖像的識(shí)別，是易于想到的，不具備創(chuàng)造性。

可以看出審查員用了三個(gè)論點(diǎn)來(lái)否認(rèn)本申請(qǐng)的創(chuàng)造性，下面我們針對(duì)這三種不同的論證方向逐一破解并尋求可撰寫(xiě)的方向。

1）對(duì)比文件中XX圖像的識(shí)別方法，同樣適應(yīng)于本申請(qǐng)YY圖像的識(shí)別

問(wèn)題：

本申請(qǐng)與對(duì)比文件采用了相同的識(shí)別方法，都是應(yīng)用現(xiàn)有技術(shù)的相同或類(lèi)似的AI模型。

破解：

針對(duì)本申請(qǐng)圖像的特征對(duì)AI模型進(jìn)行改進(jìn)，具體的可以改進(jìn)模型本身結(jié)構(gòu)或結(jié)構(gòu)中涉及的公式、參數(shù)。

撰寫(xiě)示例：

CN201711180075.2 神經(jīng)網(wǎng)絡(luò)識(shí)別模型及識(shí)別方法

1.一種神經(jīng)網(wǎng)絡(luò)識(shí)別裝置，其特征在于，包括輸入層、與所述輸入層連接的多個(gè)共享卷積層、與所述多個(gè)共享卷積層連接的多個(gè)目標(biāo)區(qū)域池化層、與所述多個(gè)共享卷積層和所述多個(gè)目標(biāo)區(qū)域池化層連接的多個(gè)深層特征卷積層以及與所述多個(gè)深層特征卷積層連接的輸出層，其中：

所述輸入層，用于接收輸入的目標(biāo)圖像；

所述多個(gè)共享卷積層，用于對(duì)所述目標(biāo)圖像進(jìn)行特征提取，得到多個(gè)目標(biāo)全局特征圖；對(duì)所述多個(gè)目標(biāo)全局特征圖進(jìn)行特征提取，得到多個(gè)基礎(chǔ)屬性，所述基礎(chǔ)屬性為所述目標(biāo)圖像的屬性中的淺層屬性；

所述多個(gè)目標(biāo)區(qū)域池化層，用于對(duì)所述多個(gè)目標(biāo)全局特征圖進(jìn)行圖像分割，得到多個(gè)目標(biāo)局部特征圖；

所述多個(gè)深層特征卷積層，用于根據(jù)所述多個(gè)基礎(chǔ)屬性對(duì)所述多個(gè)目標(biāo)全局特征圖和所述多個(gè)目標(biāo)局部特征圖進(jìn)行特征提取，得到多個(gè)目標(biāo)全局屬性和多個(gè)目標(biāo)局部屬性；

所述輸出層，用于根據(jù)所述多個(gè)目標(biāo)全局屬性和所述多個(gè)目標(biāo)局部屬性確定所述目標(biāo)圖像中的目標(biāo)車(chē)輛的屬性和所述目標(biāo)車(chē)輛的駕駛員的屬性，并輸出所述目標(biāo)車(chē)輛的屬性和所述駕駛員的屬性。

本申請(qǐng)通過(guò)局部特征圖和全局特征圖分別提取特征，提高了目標(biāo)車(chē)輛和其駕駛員的識(shí)別準(zhǔn)確率，與現(xiàn)有技術(shù)相比新增了目標(biāo)區(qū)域池化層和深層特征卷積層，通過(guò)多個(gè)目標(biāo)區(qū)域池化層對(duì)多個(gè)目標(biāo)全局特征圖進(jìn)行圖像分割得到多個(gè)目標(biāo)局部特征圖，在多個(gè)基礎(chǔ)屬性的基礎(chǔ)上通過(guò)多個(gè)深層特征卷積層對(duì)多個(gè)目標(biāo)全局特征圖和多個(gè)目標(biāo)局部特征圖進(jìn)行特征提取得到多個(gè)目標(biāo)全局屬性和多個(gè)目標(biāo)局部屬性，即描述了模型的各個(gè)邏輯分層對(duì)圖像的處理過(guò)程，具備創(chuàng)造性。

2）使用特定的訓(xùn)練集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，是本領(lǐng)域常用技術(shù)手段

問(wèn)題：

本申請(qǐng)與對(duì)比文件的模型訓(xùn)練方式相同，都是通過(guò)特定的訓(xùn)練集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練

破解：

1）通過(guò)自定義特征向量進(jìn)行訓(xùn)練

撰寫(xiě)示例：

CN202111147191.0   一種胃早癌模型訓(xùn)練方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)

獲取胃早癌圖片樣本集；

對(duì)所述胃早癌圖片樣本集中的各病灶圖片進(jìn)行特征識(shí)別，得到所述各病灶圖片的特征向量；具體包括：對(duì)所述胃早癌圖片樣本集中的各病灶圖片進(jìn)行特征識(shí)別，得到所述各病灶圖片包含的病灶特征信息；根據(jù)所述病灶特征信息確定預(yù)設(shè)特征屬性的特征值，所述特征值包含第一特征值和第二特征值；根據(jù)所述病灶特征信息和預(yù)設(shè)類(lèi)別對(duì)應(yīng)關(guān)系確定各預(yù)設(shè)特征屬性的特征類(lèi)別，所述特征類(lèi)別包含第一特征類(lèi)別和第二特征類(lèi)別，所述第一特征類(lèi)別對(duì)應(yīng)多分類(lèi)特征屬性，所述第二特征類(lèi)別對(duì)應(yīng)二分類(lèi)特征屬性，所述預(yù)設(shè)類(lèi)別對(duì)應(yīng)關(guān)系為各預(yù)設(shè)特征屬性的病灶特征信息與特征類(lèi)別的對(duì)應(yīng)關(guān)系；根據(jù)所述第一特征類(lèi)別得到多個(gè)所述第一特征值，所述第一特征值的數(shù)量與所述多分類(lèi)特征屬性的特征分類(lèi)數(shù)量相同；根據(jù)所述第二特征類(lèi)別得到第二特征值；根據(jù)所述特征值確定所述特征向量；

根據(jù)所述胃早癌圖片樣本集和所述特征向量對(duì)預(yù)設(shè)初始模型進(jìn)行訓(xùn)練，得到胃早癌識(shí)別模型。

本申請(qǐng)的訓(xùn)練輸入除胃早癌圖片樣本集外，還將多個(gè)胃早癌病灶特征量化成特征向量，進(jìn)而對(duì)模型進(jìn)行訓(xùn)練，得到的模型綜合識(shí)別多個(gè)胃早癌病灶特征，具備創(chuàng)造性。

2）改進(jìn)模型訓(xùn)練中目標(biāo)函數(shù)的確定方式或樣本的生成方式

撰寫(xiě)示例：

CN201910739785.7 消化道內(nèi)鏡圖像識(shí)別模型訓(xùn)練及識(shí)別方法、裝置及系統(tǒng)

授權(quán)文本和公開(kāi)文本的差別在于，增加了目標(biāo)函數(shù)的確定方式：

“其中，所述強(qiáng)監(jiān)督目標(biāo)函數(shù)是通過(guò)如下方式確定的：

分別針對(duì)每個(gè)強(qiáng)標(biāo)簽訓(xùn)練消化道內(nèi)鏡圖像樣本，根據(jù)強(qiáng)標(biāo)簽訓(xùn)練消化道內(nèi)鏡圖像樣本對(duì)應(yīng)的強(qiáng)標(biāo)簽信息中病變位置，分別確定強(qiáng)標(biāo)簽訓(xùn)練消化道內(nèi)鏡圖像樣本的圖像特征信息中每個(gè)圖像塊與病變位置的重疊率，若重疊率不小于閾值，則將對(duì)應(yīng)圖像塊標(biāo)記為1，否則標(biāo)記為0，獲得強(qiáng)標(biāo)簽訓(xùn)練消化道內(nèi)鏡圖像樣本是否屬于對(duì)應(yīng)的強(qiáng)標(biāo)簽信息中病變類(lèi)別的標(biāo)記信息；并獲得強(qiáng)標(biāo)簽訓(xùn)練消化道內(nèi)鏡圖像樣本是否屬于除強(qiáng)標(biāo)簽信息中病變類(lèi)別的其它預(yù)設(shè)病變類(lèi)別的標(biāo)記信息為0；分別根據(jù)每個(gè)強(qiáng)標(biāo)簽訓(xùn)練消化道內(nèi)鏡圖像樣本是否屬于各病變類(lèi)別的標(biāo)記信息和圖像特征信息，確定強(qiáng)監(jiān)督目標(biāo)函數(shù)?！?br/>

本申請(qǐng)中的強(qiáng)監(jiān)督目標(biāo)函數(shù)為識(shí)別出的病變類(lèi)別與強(qiáng)標(biāo)簽信息中病變類(lèi)別之間的損失函數(shù)。強(qiáng)標(biāo)簽訓(xùn)練圖像樣本中標(biāo)注有病變位置和病變類(lèi)別，這樣可以不僅基于病變類(lèi)別標(biāo)注信息，還可以利用除病變類(lèi)別之外的其它標(biāo)注信息，根據(jù)病變位置可以更加準(zhǔn)確地定位出某病變類(lèi)別的圖像特征信息，從而可以更準(zhǔn)確地區(qū)分屬于強(qiáng)標(biāo)簽中病變類(lèi)別的圖像特征信息和不屬于該病變類(lèi)別的圖像特征信息，減少訓(xùn)練的樣本噪聲，提高訓(xùn)練可靠性，使得圖像識(shí)別模型預(yù)測(cè)更加準(zhǔn)確，具備創(chuàng)造性。

3）對(duì)比文件的XX圖像和本申請(qǐng)的YY圖像均為本領(lǐng)域常見(jiàn)的圖像病變特征

問(wèn)題：

本申請(qǐng)和對(duì)比文件是基于相同的圖像病變特征來(lái)識(shí)別，即都將AI模型完全當(dāng)成黑匣子來(lái)使用，直接應(yīng)用AI模型的輸出結(jié)果，沒(méi)有后續(xù)的處理。

破解：

在數(shù)據(jù)預(yù)處理階段，豐富圖像的處理方式，比如樣本標(biāo)注、數(shù)據(jù)擴(kuò)增、特征融合等，或者限定圖像來(lái)源的特定場(chǎng)景，總體使得輸入圖像更加適用于本申請(qǐng)選定的模型，獲得更優(yōu)的模型輸出效果。

撰寫(xiě)示例：

CN202110833639.8 結(jié)直腸息肉圖像的識(shí)別方法、裝置及存儲(chǔ)介質(zhì)。

1.一種結(jié)直腸息肉圖像的識(shí)別方法，其特征在于，所述結(jié)直腸息肉圖像的識(shí)別方法包括：

對(duì)結(jié)直腸部位圖像進(jìn)行色彩均衡化處理和邊緣特征圖融合，得到所述結(jié)直腸部位圖像的梯度特征融合圖；

調(diào)用預(yù)先構(gòu)建的基于注意力拆分模塊ResNest Block的結(jié)直腸息肉分型的分類(lèi)模型，對(duì)所述結(jié)直腸部位圖像的梯度特征融合圖進(jìn)行識(shí)別；

所述邊緣特征圖融合包括：

對(duì)色彩均衡化處理后的圖像進(jìn)行縮放，得到縮放圖像；

將所述縮放圖像進(jìn)行邊緣提取，得到邊緣特征圖；

將所述縮放圖像與所述邊緣特征圖融合成梯度特征融合圖。

本申請(qǐng)通過(guò)對(duì)結(jié)直腸部位圖像進(jìn)行色彩均衡化處理和邊緣特征圖融合處理構(gòu)建識(shí)別樣本，可有效的統(tǒng)一及加強(qiáng)圖像特征，并通過(guò)ResNest Block進(jìn)行特征提取，能更準(zhǔn)確預(yù)測(cè)結(jié)直腸息肉分型結(jié)果。

來(lái)源：IPRdaily中文網(wǎng)（iprdaily.cn）

作者：史珍珍

編輯：IPRdaily王穎          校對(duì)：IPRdaily縱橫君

注：原文鏈接：從審查意見(jiàn)看人工智能+醫(yī)療領(lǐng)域?qū)＠淖珜?xiě)策略（點(diǎn)擊標(biāo)題查看原文）

兩天掌握涉外商標(biāo)代理業(yè)務(wù)！涉外商標(biāo)代理高研班「廣州站」

「關(guān)于IPRdaily」

IPRdaily是全球領(lǐng)先的知識(shí)產(chǎn)權(quán)綜合信息服務(wù)提供商，致力于連接全球知識(shí)產(chǎn)權(quán)與科技創(chuàng)新人才。匯聚了來(lái)自于中國(guó)、美國(guó)、歐洲、俄羅斯、以色列、澳大利亞、新加坡、日本、韓國(guó)等15個(gè)國(guó)家和地區(qū)的高科技公司及成長(zhǎng)型科技企業(yè)的管理者及科技研發(fā)或知識(shí)產(chǎn)權(quán)負(fù)責(zé)人，還有來(lái)自政府、律師及代理事務(wù)所、研發(fā)或服務(wù)機(jī)構(gòu)的全球近100萬(wàn)用戶(hù)（國(guó)內(nèi)70余萬(wàn)+海外近30萬(wàn)），2019年全年全網(wǎng)頁(yè)面瀏覽量已經(jīng)突破過(guò)億次傳播。

（英文官網(wǎng)：iprdaily.com  中文官網(wǎng)：iprdaily.cn） 

本文來(lái)自IPRdaily中文網(wǎng)（iprdaily.cn）并經(jīng)IPRdaily.cn中文網(wǎng)編輯。轉(zhuǎn)載此文章須經(jīng)權(quán)利人同意，并附上出處與作者信息。文章不代表IPRdaily.cn立場(chǎng)，如若轉(zhuǎn)載，請(qǐng)注明出處：“http://m.globalwellnesspartner.com