#本文仅代表作者观点,不代表IPRdaily立场,未经作者许可,禁止转载#
来源:IPRdaily中文网(iprdaily.cn)
作者:史珍珍
原标题:从审查意见看人工智能+医疗领域专利的撰写策略
算法与具体应用场景紧密结合形成的技术方案才使得人工智能专利符合专利保护客体的要求,否则会因《专利法》第二十五条的“智力活动的规则和方法”所排除,因为这种结合必要性的存在,人工智能专利申请涉及的创造性问题主要有两种情况:
A:算法不变,应用场景变化,即当同一项人工智能算法被应用到另一应用场景时,技术方案是否具备创造性?
B:算法变化,应用场景不变,即当不同的人工智能算法被应用到相同应用场景时,技术方案是否具备创造性?
一、创造性论证思考
对于如何判断A和B两种场景下的创造性,审查指南第二部分第九章第6节给出了一个概括性的指引:
在审查中,不应当简单割裂技术特征与算法特征或商业规则和方法特征等,而应将权利要求记载的所有内容作为一个整体,对其中涉及的技术手段、解决的技术问题和获得的技术效果进行分析。具体的,是否考虑算法特征对技术方案的创造性做出贡献,需要以算法特征与技术特征在功能上彼此相互支持、存在相互作用关系为前提。所谓功能上彼此相互支持、存在相互作用关系是指算法特征与技术特征紧密结合、共同构成了解决某一技术问题的技术手段,并且能够获得相应的技术效果。
对审查指南的上述规定进行正向理解,对应B场景下创造性的论证:若算法特征与技术特征在功能上彼此相互支持、存在相互作用关系,则算法特征的创造性被考虑,但是如果发明人做出改进的仅仅是算法特征,并没有改进技术特征,则审查员极有可能认为算法的改进没有解决技术问题,这时需要侧重不同算法在技术问题解决过程中与技术特征的特定融合对发挥创造性贡献的促进作用。
对审查指南的上述规定进行反向理解,对应A场景下创造性的论证:若申请文件中其他技术特征与算法特征之间存在密不可分的关系,且这种关联关系可以使得二者共同解决某一个问题,实现相应的技术效果,这时应该强调论证不同应用场景中遇到的技术困难、克服所述技术困难的技术构思以及产生的预料不到的技术效果,更加侧重不同场景对算法的不同需求和不同的结合过程,侧重不同场景下技术手段的调整或改进对算法特征发挥创造性贡献的促进作用。
二、案例分析
本文主要探讨人工智能算法+医疗领域专利的撰写策略,首先看下审查员是如何评判此类型专利创造性的:
对比文件和本申请均属于医学图像处理技术领域,对比文件中XX图像的识别方法,同样适应于本申请YY图像的识别,使用特定的训练集对神经网络进行训练,是本领域常用技术手段,XX图像和YY图像均为本领域常见的图像病变特征,因此将对比文件的技术方案应用到本申请中图像的识别,是易于想到的,不具备创造性。
可以看出审查员用了三个论点来否认本申请的创造性,下面我们针对这三种不同的论证方向逐一破解并寻求可撰写的方向。
1)对比文件中XX图像的识别方法,同样适应于本申请YY图像的识别
问题:
本申请与对比文件采用了相同的识别方法,都是应用现有技术的相同或类似的AI模型。
破解:
针对本申请图像的特征对AI模型进行改进,具体的可以改进模型本身结构或结构中涉及的公式、参数。
撰写示例:
CN201711180075.2 神经网络识别模型及识别方法
1.一种神经网络识别装置,其特征在于,包括输入层、与所述输入层连接的多个共享卷积层、与所述多个共享卷积层连接的多个目标区域池化层、与所述多个共享卷积层和所述多个目标区域池化层连接的多个深层特征卷积层以及与所述多个深层特征卷积层连接的输出层,其中:
所述输入层,用于接收输入的目标图像;
所述多个共享卷积层,用于对所述目标图像进行特征提取,得到多个目标全局特征图;对所述多个目标全局特征图进行特征提取,得到多个基础属性,所述基础属性为所述目标图像的属性中的浅层属性;
所述多个目标区域池化层,用于对所述多个目标全局特征图进行图像分割,得到多个目标局部特征图;
所述多个深层特征卷积层,用于根据所述多个基础属性对所述多个目标全局特征图和所述多个目标局部特征图进行特征提取,得到多个目标全局属性和多个目标局部属性;
所述输出层,用于根据所述多个目标全局属性和所述多个目标局部属性确定所述目标图像中的目标车辆的属性和所述目标车辆的驾驶员的属性,并输出所述目标车辆的属性和所述驾驶员的属性。
本申请通过局部特征图和全局特征图分别提取特征,提高了目标车辆和其驾驶员的识别准确率,与现有技术相比新增了目标区域池化层和深层特征卷积层,通过多个目标区域池化层对多个目标全局特征图进行图像分割得到多个目标局部特征图,在多个基础属性的基础上通过多个深层特征卷积层对多个目标全局特征图和多个目标局部特征图进行特征提取得到多个目标全局属性和多个目标局部属性,即描述了模型的各个逻辑分层对图像的处理过程,具备创造性。
2)使用特定的训练集对神经网络进行训练,是本领域常用技术手段
问题:
本申请与对比文件的模型训练方式相同,都是通过特定的训练集对神经网络进行训练
破解:
1)通过自定义特征向量进行训练
撰写示例:
CN202111147191.0 一种胃早癌模型训练方法、装置、计算机设备及存储介质
获取胃早癌图片样本集;
对所述胃早癌图片样本集中的各病灶图片进行特征识别,得到所述各病灶图片的特征向量;具体包括:对所述胃早癌图片样本集中的各病灶图片进行特征识别,得到所述各病灶图片包含的病灶特征信息;根据所述病灶特征信息确定预设特征属性的特征值,所述特征值包含第一特征值和第二特征值;根据所述病灶特征信息和预设类别对应关系确定各预设特征属性的特征类别,所述特征类别包含第一特征类别和第二特征类别,所述第一特征类别对应多分类特征属性,所述第二特征类别对应二分类特征属性,所述预设类别对应关系为各预设特征属性的病灶特征信息与特征类别的对应关系;根据所述第一特征类别得到多个所述第一特征值,所述第一特征值的数量与所述多分类特征属性的特征分类数量相同;根据所述第二特征类别得到第二特征值;根据所述特征值确定所述特征向量;
根据所述胃早癌图片样本集和所述特征向量对预设初始模型进行训练,得到胃早癌识别模型。
本申请的训练输入除胃早癌图片样本集外,还将多个胃早癌病灶特征量化成特征向量,进而对模型进行训练,得到的模型综合识别多个胃早癌病灶特征,具备创造性。
2)改进模型训练中目标函数的确定方式或样本的生成方式
撰写示例:
CN201910739785.7 消化道内镜图像识别模型训练及识别方法、装置及系统
授权文本和公开文本的差别在于,增加了目标函数的确定方式:
“其中,所述强监督目标函数是通过如下方式确定的:
分别针对每个强标签训练消化道内镜图像样本,根据强标签训练消化道内镜图像样本对应的强标签信息中病变位置,分别确定强标签训练消化道内镜图像样本的图像特征信息中每个图像块与病变位置的重叠率,若重叠率不小于阈值,则将对应图像块标记为1,否则标记为0,获得强标签训练消化道内镜图像样本是否属于对应的强标签信息中病变类别的标记信息;并获得强标签训练消化道内镜图像样本是否属于除强标签信息中病变类别的其它预设病变类别的标记信息为0;分别根据每个强标签训练消化道内镜图像样本是否属于各病变类别的标记信息和图像特征信息,确定强监督目标函数。”
本申请中的强监督目标函数为识别出的病变类别与强标签信息中病变类别之间的损失函数。强标签训练图像样本中标注有病变位置和病变类别,这样可以不仅基于病变类别标注信息,还可以利用除病变类别之外的其它标注信息,根据病变位置可以更加准确地定位出某病变类别的图像特征信息,从而可以更准确地区分属于强标签中病变类别的图像特征信息和不属于该病变类别的图像特征信息,减少训练的样本噪声,提高训练可靠性,使得图像识别模型预测更加准确,具备创造性。
3)对比文件的XX图像和本申请的YY图像均为本领域常见的图像病变特征
问题:
本申请和对比文件是基于相同的图像病变特征来识别,即都将AI模型完全当成黑匣子来使用,直接应用AI模型的输出结果,没有后续的处理。
破解:
在数据预处理阶段,丰富图像的处理方式,比如样本标注、数据扩增、特征融合等,或者限定图像来源的特定场景,总体使得输入图像更加适用于本申请选定的模型,获得更优的模型输出效果。
撰写示例:
CN202110833639.8 结直肠息肉图像的识别方法、装置及存储介质。
1.一种结直肠息肉图像的识别方法,其特征在于,所述结直肠息肉图像的识别方法包括:
对结直肠部位图像进行色彩均衡化处理和边缘特征图融合,得到所述结直肠部位图像的梯度特征融合图;
调用预先构建的基于注意力拆分模块ResNest Block的结直肠息肉分型的分类模型,对所述结直肠部位图像的梯度特征融合图进行识别;
所述边缘特征图融合包括:
对色彩均衡化处理后的图像进行缩放,得到缩放图像;
将所述缩放图像进行边缘提取,得到边缘特征图;
将所述缩放图像与所述边缘特征图融合成梯度特征融合图。
本申请通过对结直肠部位图像进行色彩均衡化处理和边缘特征图融合处理构建识别样本,可有效的统一及加强图像特征,并通过ResNest Block进行特征提取,能更准确预测结直肠息肉分型结果。
来源:IPRdaily中文网(iprdaily.cn)
作者:史珍珍
编辑:IPRdaily王颖 校对:IPRdaily纵横君
注:原文链接:从审查意见看人工智能+医疗领域专利的撰写策略(点击标题查看原文)
「关于IPRdaily」
IPRdaily是全球领先的知识产权综合信息服务提供商,致力于连接全球知识产权与科技创新人才。汇聚了来自于中国、美国、欧洲、俄罗斯、以色列、澳大利亚、新加坡、日本、韩国等15个国家和地区的高科技公司及成长型科技企业的管理者及科技研发或知识产权负责人,还有来自政府、律师及代理事务所、研发或服务机构的全球近100万用户(国内70余万+海外近30万),2019年全年全网页面浏览量已经突破过亿次传播。
(英文官网:iprdaily.com 中文官网:iprdaily.cn)
本文来自IPRdaily中文网(iprdaily.cn)并经IPRdaily.cn中文网编辑。转载此文章须经权利人同意,并附上出处与作者信息。文章不代表IPRdaily.cn立场,如若转载,请注明出处:“http://www.iprdaily.cn
文章不错,犒劳下辛苦的作者吧