应用于临床试验数据的原始文件映射、管理方法及其系统与流程

本发明涉及临床实验数据采集领域，特别是应用于临床试验数据的原始文件映射、管理方法及其系统。

背景技术：

临床试验是指任何在人体进行药物的系统性研究，以证实或揭示实验药物的作用、不良反应和/或实验药物的吸收、分布、代谢和排泄，目的是确定试验药物的疗效与安全性。临床试验是新药研究开发中节约时间及成本的重要环节，以往对于临床试验中对实验结构通过以下方式进行处理，对于纸质的临床实验数据、例如化验单结果等，由研究护士手(crc)工抄录入到病例报告表crf中(病例报告表指临床试验方案所规定设计的一种文件，用以记录每一名受试者在试验过程中的数据)，再将病例报告表送到数据管理中心后由数据录入员手工进行录入到数据管理系统中。对于edc模式的临床试验数据管理，由研究者直接录入到电子化临床试验管理系统中。其中，电子化临床数据管理系统(edc)：即无纸化临床数据管理，研究者将临床试验直接填写在电子化临床数据管理系统中。edc的使用提高了数据采集的准确性，缩短数据采集和管理的时间，增强了申办方对研究项目进展的监控。为加快新药的临床研究进展，国外已经基本放弃纸质的临床试验数据管理。目前至少90％的临床试验数据管理采用edc模式。

可见，目前对于临床实验数原始文件采集通常是由研究护士crc手工将数据抄录到病例报告表crf中，再由录入员输入到数据管理系统中。这时，必须确保研究护士crc抄写的病例报告表crf准确和录入员的录入正确，由于临床试验的时间长，当后期发现录入的数据有问题，这时则需要需找当时的试验单据原件进行核对，这时不仅必须保证原始文档的保存完整、清楚，否则会出现查找不到或需花费大量的时间进行查找，在数据采集及数据监察方面会大大影响临床试验的进度。

技术实现要素：

为解决上述问题，本发明的目的在于提供能迅速查阅临床试验原始文件的一种应用于临床试验数据的原始文件映射、管理方法及其系统。

本发明解决其问题所采用的技术方案是：

应用于临床试验数据的原始文件映射、管理方法，包括：

获取结构化试验数据及与其对应的原始文件；

建立所述结构化试验数据与所述原始文件之间的映射关系；

将所述的结构化试验数据、原始文件及结构化试验数据、原始文件其之间的映射关系存储于临床试验数据管理系统中；

从临床试验数据管理系统中获取结构化试验数据；

根据当前结构化试验数据与原始文件之间的映射关系调取对应的原始文件。

进一步，所述结构化试验数据包括多项结构化试验参数，每项结构化试验参数均与结构化试验数据对应的原始文件建立映射关系；

从临床试验数据管理系统中获取结构化试验数据包括：获取结构化试验数据中的其中一项结构化试验参数；

根据当前结构化试验数据与原始文件之间的映射关系调取对应的原始文件包括：根据该结构化试验参数和对应原始文件的映射关系调取对应的原始文件。

进一步，还包括：

根据当前结构化试验参数在所述调取的原始文件上标记出与所述结构化试验参数对应的原始参数位置标记。

具体地，通过人工智能自动学习算法在所述调取的原始文件上标记出与所述结构化试验参数对应的原始参数位置标记。

进一步，还包括：

获取用户的纠正原始参数位置标记信息；

根据所述的纠正原始参数位置标记信息作为人工智能自动学习算法中的自学习参数。

进一步，还包括：

调用试验项目数据收集表格结构模版；

获取所述试验项目数据收集表格结构模版下的结构化患者信息；

将所述结构化试验数据与结构化患者信息关联；

将所述结构化患者信息存储于临床试验数据管理系统中；

根据结构化患者信息获取对应的结构化试验数据，或者，

根据结构化试验数据获取对应的结构化患者信息。

进一步，所述结构化试验数据由原始文件转换得到，包括：

提取原始文件中的结构化信息直接生成结构化试验数据；

或者，

所述原始文件中的结构化信息通过结构化识别形成结构化试验数据；

或者，

根据所述原始文件中的内容输入结构化试验数据。

具体地，所述的结构化识别为图像识别。

进一步，所述原始文件通过手机拍照或上传获得。

进一步，所述原始文件中的结构化信息通过结构化识别形成结构化试验数据包括：

获取原始文件；

通过人工智能自动学习算法智能图像识别出原始文件上中的结构化试验数据。

进一步，还包括：

获取用户输入的纠正结构化试验数据；

将所述的纠正结构化试验数据作为人工智能自动学习算法中的自学习参数。

应用于临床试验数据的原始文件映射、管理系统，包括：

数据获取模块，获取结构化试验数据及与其对应的原始文件；

映射生成模块，建立所述结构化试验数据与所述原始文件之间的映射关系；

数据存储模块，将所述的结构化试验数据、原始文件及结构化试验数据、原始文件其之间的映射关系存储于临床试验数据管理系统中；

数据提取模块，从临床试验数据管理系统中获取结构化试验数据；

数据调用模块，根据当前结构化试验数据与原始文件之间的映射关系调取对应的原始文件。

数据获取模块中，所述结构化试验数据包括多项结构化试验参数，映射生成模块中，每项结构化试验参数均与结构化试验数据对应的原始文件建立映射关系；

数据提取模块中，获取结构化试验数据中的其中一项结构化试验参数；

数据调用模块中，根据该结构化试验参数和对应原始文件的映射关系调取对应的原始文件。

进一步，还包括：

原始参数位置标记模块，根据当前结构化试验参数在所述调取的原始文件上标记出与所述结构化试验参数对应的原始参数位置标记。

具体地，通过人工智能自动学习算法在所述调取的原始文件上标记出与所述结构化试验参数对应的原始参数位置标记。

进一步，还包括：

纠正标记模块，获取用户的纠正原始参数位置标记信息；

标记自学习模块，根据所述的纠正原始参数位置标记信息作为人工智能自动学习算法中的自学习参数。

进一步，还包括：

模版调用模块，调用试验项目数据收集表格结构模版；

患者信息获取模块，获取所述试验项目数据收集表格结构模版下的结构化患者信息；

患者信息关联模块，将所述结构化试验数据与结构化患者信息关联；

患者信息存储模块，将所述结构化患者信息存储于临床试验数据管理系统中；

患者信息提取模块，根据结构化患者信息获取对应的结构化试验数据。

进一步，所述结构化试验数据由原始文件转换得到，包括：

原始文件提取模块，提取原始文件中的结构化信息直接生成结构化试验数据；

或者，

结构化识别模块，所述原始文件中的结构化信息通过结构化识别形成结构化试验数据；

或者，

结构化数据输入模块，根据所述原始文件中的内容输入结构化试验数据。

具体地，所述的结构化识别为图像识别。

优选地，所述原始文件通过手机拍照或上传获得。

进一步，所述结构化识别模块包括：

原始文件获取模块，获取原始文件；

原始文件识别模块，通过人工智能自动学习算法智能图像识别出原始文件上中的结构化试验数据。

进一步，还包括：

纠正结构化试验数据获取模块，获取用户输入的纠正结构化试验数据；

图像识别自学习模块，将所述的纠正结构化试验数据作为人工智能自动学习算法中的自学习参数。

应用于临床试验数据的原始文件映射、管理装置，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述的原始文件映射、管理方法。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述的原始文件映射、管理方法。

本发明的有益效果是：本发明采用的应用于临床试验数据的原始文件映射、管理方法及其系统，通过建立所述结构化试验数据与所述原始文件之间的映射关系，在获取结构化试验数据的时候能自动根据映射关系调取对应的原始文件，当后续发现数据出现问题或者临床监察员对数据进行质疑时，可以自动显示对应的原始文件，从而大大节省了查找原始文件的时间并且能有效降低原始文件丢失的风险，确保临床试验的进度。

附图说明

下面结合附图和实例对本发明作进一步说明。

图1是本发明原始文件映射、管理方法的方法流程图；

图2是本发明临床试验系统的系统原理图；

图3是本发明原始文件映射、管理方法的另一方法流程图；

图4是本发明原始文件映射、管理装置的示意图。

具体实施方式

参照图1所示，本发明应用于临床试验数据的原始文件映射、管理方法，包括：

101、获取结构化试验数据及与其对应的原始文件，所述结构化试验数据指的是表述清楚、统一的字符格式数据，例如化验单的每个测试项目的项目代号、项目名称、及其对应的测试结果数值；

102、建立所述结构化试验数据与所述原始文件之间的映射关系，使当前结构化试验数据对应至少一个的原始文件；

103、将所述的结构化试验数据、原始文件及结构化试验数据、原始文件其之间的映射关系存储于临床试验数据管理系统中；

104、从临床试验数据管理系统中获取结构化试验数据；

105、根据当前结构化试验数据与原始文件之间的映射关系调取对应的原始文件；

即当使用者在临床试验数据管理系统中查阅或统计结构化试验数据时，通过其对应原始文件的映射关系找到对应的原始文件。其中可以是获取结构化试验数据的时候自动调取原始文件，也可以是发出获取原始文件的命令后再通过映射关系找出其原始文件。

进一步，所述结构化试验数据包括多项结构化试验参数，每项结构化试验参数均与结构化试验数据对应的原始文件建立映射关系，

从临床试验数据管理系统中获取结构化试验数据包括：获取结构化试验数据中的其中一项结构化试验参数；

根据当前结构化试验数据与原始文件之间的映射关系调取对应的原始文件包括：根据该结构化试验参数和对应原始文件的映射关系调取对应的原始文件。

以化验单为例，所述化验单包括多个项目及对应各个项目的检验数值结果，所述的化验单即为所述结构化试验数据，而化验单具体的项目及其检验结果，则为一项结构化试验参数，在保存数据的时候，是以每项结构化试验参数作为单位存储的，以便可以对多个患者样本数据进行统计分析，而该化验单的每项结构化试验参数均对应该化验单的原始文件建立映射关系，例如化验单的图片。在研究人员统计数据时，可以单独查看到具体的每项结构化试验参数，也可以在筛选的统计数据列表中选择结构化试验参数，研究人员可以通过每项结构化试验参数调取与其映射的原始文件，例如可以看到具体每个检验结果所对应的化验单原图。

除化验图片单外，所述的原始文件还可以是各种数据格式，例如txt、doc、pdf等常规文档，也可以是专业医疗文档格式。

进一步，根据该结构化试验参数和对应原始文件的映射关系调取对应的原始文件后，还包括以下步骤：

根据当前结构化试验参数在所述调取的原始文件上标记出与所述结构化试验参数对应的原始参数位置标记。通过在原始文件上标记出所述原始参数的位置，能便于研究人员快速对结构化试验参数所对应的原始参数位置进行定位，提高查找的效率。例如，如上所述的化验单图片，研究人员通过结构化试验参数调取与其映射的原始文件后，还会在原始文件上标注出该结构化试验参数对应的原始参数在原始文件上的位置，例如对某项试验参数对应的化验单图片中相应的部分进行高亮、标注或加框显示，则可让试验人员快速对原始文件相关部分进行核对，大大提高了工作效率。

具体地，可以通过人工智能自动学习算法在所述调取的原始文件上标记出与所述结构化试验参数对应的原始参数位置标记。所述人工智能自动学习算法可以采用神经网络算法或随机森林算法，均为现有技术，具体的算法公式不再赘述，以神经网络算法为例，以大量的结构化试验参数和确定好对应标注位置的原始文件构建样本集和测试集，通过神经网络算法进行自学习，并通过测试集进行测试判断自学习后的算法是否能够通过测试，若不能，则继续进行学习，直至能够准确识别出测试集。这时只需要将输入结构化试验参数和对应的原始文件，即可得出结构化试验参数所对应的原始参数在原始文件中的位置，对其进行标记即可。

进一步，为了能在使用的过程中不断对人工智能自动学习算法进行完善，还包括以下步骤：

获取用户的纠正原始参数位置标记信息；

根据所述的纠正原始参数位置标记信息作为人工智能自动学习算法中的自学习参数。

当用户发现始参数位置标记与结构化试验参数不符时，可以立即对其进行纠正，通过获取用户的纠正原始参数位置标记信息作为新的测试集或样本集加入到人工智能自动学习算法中，使其可以提升人工智能自动学习算法的识别能力。例如，当前是通过加框的方式实现标记，当用户发现标记位置不正确时，用户只需要将该标记框拖动到正确的位置，即可生成所述纠正原始参数位置标记信息。

进一步，除了获取结构化试验数据外，本公开还通过如下步骤采集和管理患者信息：

调用试验项目数据收集表格结构模版；所述结构模板根据当前试验任务所需而设定，一般来说与病例报告表crf的项目设置一致，而本公开是通过结构模版的方式体现所需的试验项目，更便于选择对应的项目。

获取所述试验项目数据收集表格结构模版下的结构化患者信息；所述患者信息预先存储在试验项目数据收集表格结构模版中，只需要调用对应项目的试验项目数据收集表格结构模版，就可以选择结构化后的患者信息，而患者信息的结构化是由研究护士crc登记采集后在线脱敏形成的，所述脱敏指的是去掉病人的姓名、地址、电话等信息使其不可辨识，所述的在线脱敏是指研究护士crc登记真实的患者信息，由系统自动将患者信息中的相关敏感信息删除或隐藏，实现脱敏。

这样患者信息在创建试验项目数据收集表格结构模版的时候已经被结构化了，在试验过程中无需重复进行结构化操作。

将所述结构化试验数据与结构化患者信息关联；具体是，选择对应的结构化患者信息后，再输入或导入结构化试验数据，即可实现结构化患者信息与结构化试验数据的关联。

将所述结构化患者信息存储于临床试验数据管理系统中。

根据结构化患者信息获取对应的结构化试验数据，即通过查询结构化患者信息即可获得该患者的所有结构化试验数据，并可查询各个结构化试验数据对应的原始文件，也可以根据结构化试验参数找到对应的原始文件；

同理，通过结构化试验数据，也可以获取对应的结构化患者信息，例如统计某项参数发现异常时，研究人员除了可以获取该参数的原始文件外，还可以获取该参数的患者信息，进而查看并核对该患者的其它结构化试验数据。

进一步，所述结构化试验数据由原始文件转换得到，包括，

提取原始文件中的结构化信息直接生成结构化试验数据，例如该原始文件是一个excel文档，可以直接将该excel内的各项字符数据提取生产结构化试验数据。

另一种方式是，所述原始文件中的结构化信息通过结构化识别形成结构化试验数据；例如该原始文件为图片数据：二维表形式的化验单，这时可通过图像识别的方式用二维表分割图像数据对化验单中的各个检验项目及其对应的检验结果进行识别并自动形成结构化数据，例如某检验项目及其对应的检验结果。

另一种方式是，根据所述原始文件中的内容输入结构化试验数据。对于无法通过结构化识别的原始文件(例如在大病例等大段文字中的部分信息)，可由研究护士crc阅读后提取相关信息输入结构化试验数据，也可以研究护士crc上传该原始文件后，由录入员录入到临床试验数据管理系统中。

进一步，所述原始文件中的结构化信息通过结构化识别形成结构化试验数据包括：

获取原始文件；

通过人工智能自动学习算法智能图像识别出原始文件上中的结构化试验数据。通过自动学习算法智能图像识别能快速准确地对原始文件上中的结构化试验数据进行识别。

所述人工智能自动学习算法可以采用神经网络算法或随机森林算法，均为现有技术，具体的算法公式不再赘述，以神经网络算法为例，以大量的原始文件和确定好对应的结构化试验数据构建样本集和测试集，通过神经网络算法进行自学习，并通过测试集进行测试判断自学习后的算法是否能够通过测试，若不能，则继续进行学习，直至能够准确识别出测试集。这时只需要将输入原始文件即可得出结构化试验数据。

进一步，为了能在使用的过程中不断对人工智能自动学习算法进行完善，还包括以下步骤：

获取用户输入的纠正结构化试验数据；

将所述的纠正结构化试验数据作为人工智能自动学习算法中的自学习参数。

当用户发现图像识别出的结构化试验数据与原始文件不符时，可以立即对其进行纠正，输入正确的结构化试验数据，通过获取用户输入的正确的结构化试验数据作为新的测试集或样本集加入到人工智能自动学习算法中，使其可以提升人工智能自动学习算法的图像识别能力。

具体地，通过移动终端调用试验项目数据收集表格结构模版，并操作获取试验项目数据收集表格结构模版下的结构化患者信息，拍照上传原始文件，转化为结构化试验数据后与结构化患者信息关联。

进一步，所述临床试验数据管理系统还包括edc系统，所述结构化患者信息、结构化试验数据、原始文件及其映射关系存储于edc系统中。

一种与上述临床试验数据的原始文件映射、管理方法对应的临床试验数据的原始文件映射、管理系统，包括：

数据获取模块，获取结构化试验数据及与其对应的原始文件；

映射生成模块，建立所述结构化试验数据与所述原始文件之间的映射关系；

数据存储模块，将所述的结构化试验数据、原始文件及结构化试验数据、原始文件其之间的映射关系存储于临床试验数据管理系统中；

数据提取模块，从临床试验数据管理系统中获取结构化试验数据；

数据调用模块，根据当前结构化试验数据与原始文件之间的映射关系调取对应的原始文件。

进一步，还包括：

原始参数位置标记模块，根据当前结构化试验参数在所述调取的原始文件上标记出与所述结构化试验参数对应的原始参数位置标记。

具体地，通过人工智能自动学习算法在所述调取的原始文件上标记出与所述结构化试验参数对应的原始参数位置标记。

进一步，还包括：

纠正标记模块，获取用户的纠正原始参数位置标记信息；

标记自学习模块，根据所述的纠正原始参数位置标记信息作为人工智能自动学习算法中的自学习参数。

数据获取模块中，所述结构化试验数据包括多项结构化试验参数，映射生成模块中，每项结构化试验参数均与结构化试验数据对应的原始文件建立映射关系；

数据提取模块中，获取结构化试验数据中的其中一项结构化试验参数；

数据调用模块中，根据该结构化试验参数和对应原始文件的映射关系调取对应的原始文件。

进一步，还包括：

模版调用模块，调用试验项目数据收集表格结构模版；

患者信息获取模块，获取所述试验项目数据收集表格结构模版下的结构化患者信息；

患者信息关联模块，将所述结构化试验数据与结构化患者信息关联；

患者信息存储模块，将所述结构化患者信息存储于临床试验数据管理系统中；

患者信息提取模块，根据结构化患者信息获取对应的结构化试验数据。

进一步，所述结构化试验数据由原始文件转换得到，包括：

原始文件提取模块，提取原始文件中的结构化信息直接生成结构化试验数据；

或者，

结构化识别模块，所述原始文件中的结构化信息通过结构化识别形成结构化试验数据；

或者，

结构化数据输入模块，根据所述原始文件中的内容输入结构化试验数据。

具体地，所述的结构化识别为图像识别。

优选地，所述原始文件通过手机拍照或上传获得。

进一步，所述结构化识别模块包括：

原始文件获取模块，获取原始文件；

原始文件识别模块，通过人工智能自动学习算法智能图像识别出原始文件上中的结构化试验数据。

进一步，还包括：

纠正结构化试验数据获取模块，获取用户输入的纠正结构化试验数据；

图像识别自学习模块，将所述的纠正结构化试验数据作为人工智能自动学习算法中的自学习参数。

参照图2所示，为本发明临床试验系统的系统原理图，以下结合上述系统及临床试验的流程进行描述。

临床试验系统包括临床试验数据管理系统和移动终端，所述临床试验数据管理系统包括数据管理模块、数据仓库和edc系统，所述数据管理模块包括供研究护士crc输入数据的数据输入端，所述移动终端通过数据输入端与括数据管理模块连接，所述数据管理模块包括结构化数据输出端，所述结构化数据输出端与数据仓库连接，所述数据仓库将结构化数据对接到edc系统，所述数据管理模块还包括非结构化数据输出端，录入员从非结构化数据输出端获取非结构化数据并识别出对应的结构化数据输出至edc系统中，所述edd系统与数据管理模块连接，研究人员可以通过数据管理模块获取并调用edc系统中的相关信息。

按照临床研究方案包括临床研究项目的项目管理，数据采集，数据管理，数据分析。研究护士crc辅助医生工作协助医生与入组患者签订知情同意书，按照是否符合入排标准进行病人的筛选工作，如果符合则需要研究护士crc按照方案要求采集病人在线脱敏后(去掉病人的姓名，地址，电话等信息或者使其不可辨识)，通过移动终端进行资料的上传和管理，具体包括以下步骤：

201、调用试验项目数据收集表格结构模版；例如crc护士选择一个临床试验项目，如选择项目名称。

202、获取所述试验项目数据收集表格结构模版下的结构化患者信息；例如研究护士crc选择一个临床试验项目后，再选择试验的医院及该医院下的患者编号信息，由于患者信是已经过脱敏后保存到试验项目数据收集表格结构模版中，因此无需研究护士crc重新进行录入，只要选择即可，这是即可选中对应的结构化患者信息。

203、上传原始文件，将原始文件转换为结构化试验数据；例如该原始文件是一个excel文档，可以直接将该excel内的各项字符数据提取生产结构化试验数据；例如该原始文件为图片数据，通过图像识别的方式用二维表分割图像数据对化验单中的各个检验项目及其对应的检验结果进行识别并自动形成结构化数据；如果是不能结构化的数据，则保存，由研究护士crc或录入员录入到临床试验数据管理系统中。

204、将结构化试验数据与结构化患者信息关联，并且建立结构化试验数据与所述原始文件之间的映射关系，使当前结构化试验数据对应至少一个的原始文件；若该结构化试验数据包括多个多项结构化试验参数，则多项结构化试验参数分别与该原始文件建立映射关系。

205、将结构化患者信息、结构化试验数据、原始文件及其结构化试验数据与原始文件的映射关系存储至临床试验数据管理系统中。

206、从临床试验数据管理系统中获取结构化试验数据；研究人员可以从临床试验数据管理系统中获取所需的结构化试验数据进行研究、核查或统计分析。例如研究人员筛选统计所有男性患者的某项结构化试验参数，则从edc系统里面提取相应的结构化数据进行显示。

207、根据当前结构化试验数据与原始文件之间的映射关系调取对应的原始文件；例如研究人员对上述某个患者的结构化试验参数存在疑问时，可以点选该结构化试验参数，然后根据映射关系显示出对应的原始文件(原始化验单)，以便进行核查和研究。

208、利用人工智能自动学习算法，根据当前结构化试验数据中的结构化试验参数在所述调取的原始文件上标记出与所述结构化试验参数对应的原始参数位置标记；例如研究人员通过结构化试验参数调取与其映射的原始文件后，还会在原始文件上标注出该结构化试验参数对应的原始参数在原始文件上的位置，例如对某项试验参数对应的化验单图片中相应的部分进行高亮、标注或加框显示，则可让试验人员快速对原始文件相关部分进行核对，大大提高了工作效率。

209、获取用户的纠正原始参数位置标记信息；例如，当前是通过加框的方式实现标记，当用户发现标记位置不正确时，用户只需要将该标记框拖动到正确的位置，即可生成所述纠正原始参数位置标记信息。

210、根据所述的纠正原始参数位置标记信息作为人工智能自动学习算法中的自学习参数；例如通过获取用户的纠正原始参数位置标记信息作为新的测试集或样本集加入到人工智能自动学习算法中，使其可以提升人工智能自动学习算法的识别能力。

参照图4所示，本发明应用于临床试验数据的原始文件映射、管理装置，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述的原始文件映射、管理方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的原始文件映射、管理方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行立体成像处理装置的各种功能应用以及数据处理，即实现上述任一方法实施例的原始文件映射、管理方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据立体成像处理装置的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该立体投影装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行上述任意方法实施例中的原始文件映射、管理方法，例如，执行以上描述的图1中的方法步骤101至105，图3中的方法步骤201至210。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，被图4中的一个处理器执行，可使得上述一个或多个处理器执行上述任意方法实施例中的原始文件映射、管理方法，例如，执行以上描述的图1中的方法步骤101至105，图3中的方法步骤201至210。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read－onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。