基于端到端学习的人工智能医学症状识别系统的制作方法

1.本申请涉及用于识别患者医学症状的人工智能(ai)系统和方法，更具体地，涉及使用端到端学习从患者描述中识别医学症状的ai系统和方法。


背景技术：

2.预诊断通常在医院进行，以便在将患者送到合适的医生之前初步确定患者的疾病。预诊断通常基于患者描述的症状。例如，如果患者说她发烧和流鼻涕，她将被预先诊断为感冒或流感并被送往内科医生。如果患者说她的皮肤上有皮疹，她将被预先诊断为皮肤过敏并被送往皮肤科医生处。
3.预诊断通常由医疗从业者(例如医生或护士)执行。例如，医院通常在登记台提供预诊断人员，以确定患者应该被送往何处。然而，让从业者进行预诊断会浪费宝贵的资源。自动预诊断方法可用于提高效率。例如，正在开发诊断机器人以执行预诊断。这些自动化方法基于患者描述的症状，提供初步诊断，例如，基于疾病与已知症状之间的预编程映射。
4.然而，患者描述是不准确或不清楚的。例如，患者可能受到疾病或药物的影响，并且无法准确地表达自己。此外，患者不是从业者，因此不熟悉描述症状的医学术语。实际上，患者，特别是在口头描述症状时，可能使用非正式语言，而医学术语通常是正式的。因此，现有的自动化方法不能容易地从患者描述中识别出医学症状。
5.本申请的实施例通过提供改进的人工智能系统和方法来解决上述问题，所述系统和方法使用端到端学习从患者的描述中自动识别医学症状。


技术实现要素：

6.本申请的实施例提供了一种用于从患者描述中识别医学症状的人工智能系统。人工智能系统包括患者交互界面，其被配置为接收包括至少一个词段的患者描述。所述系统还包括处理器。所述处理器被配置为确定一个词段内各个词的词向量和与相应的词向量相关的权重。所述处理器进一步被配置为基于所述词向量和相关的所述权重，确定加权词向量。所述处理器也被配置为使用所述加权词向量构建词段表示，并基于所述词段表示确定医学症状。
7.本申请的实施例还提供了一种用于从患者描述中识别医学症状的人工智能方法。所述人工智能方法包括通过患者交互界面接收包括至少一个词段的患者描述。所述方法还包括通过处理器，确定一个词段内各个词的词向量和与相应的词向量相关的权重。所述方法还包括通过处理器，基于所述词向量和相关的所述权重，确定加权词向量。该方法还包括通过处理器，使用所述加权词向量构建词段表示，并且通过处理器，基于所述词段表示，确定医学症状。
8.本申请的实施例还提供了一种在其上存储有指令的非暂时性计算机可读介质，当由处理器执行时，使得所述处理器执行用于从患者描述中识别医学症状的人工智能方法。所述人工智能方法包括接收包括至少一个词段的患者描述。所述方法还包括确定一个词段
内各个词的词向量和与相应的词向量相关的权重。该方法还包括基于所述词向量和相关的所述权重，确定加权词向量。该方法还包括使用所述加权词向量构建词段表示，并基于所述词段表示，确定医学症状。
9.应当理解，前面的一般性描述和下面的详细描述都只是示例性和说明性的，并不是对要求保护的本发明的限制。
附图说明
10.图1是根据本发明的一些实施例所示的用于从患者描述中识别医学症状的示例性ai系统示意图。
11.图2是根据本发明的一些实施例所示的用于基于患者描述来学习指示医学症状的实体的示例性端到端学习模型示意图。
12.图3是根据本发明的一些实施例所示出的用于从患者描述中识别医学症状的示例性方法流程图。
具体实施方式
13.现在将详细参考示例性实施例，其示例在附图中示出。在所有附图中，将尽可能使用相同的附图标记来表示相同或相似的部分。
14.图1是根据本发明的一些实施例所示的用于从患者描述识别医学症状的示例性ai系统100的框图。与本申请一致，ai系统100可以从患者终端120接收患者描述103。例如，患者终端120可以是移动电话、台式计算机、膝上型电脑、pda、机器人、自助服务终端等。患者终端120可以包括患者交互界面，其被配置为接收由患者130提供的患者描述103。在一些实施例中，患者终端120可包括硬键盘或软键盘，以供患者130输入患者描述103。患者终端120可以附加地或替代地包括用于患者130的触摸屏，以手写患者描述103。因此，患者终端120可以将患者描述103记录为文本。如果输入是手写，则患者终端120可以自动识别手写并将其转换为文本信息。在一些其他实施例中，患者终端120可以包括麦克风，用于记录由患者130口述提供的患者描述103。患者终端120可以自动将记录的音频数据转录成文本。在一些备选实施例中，ai系统100可以接收患者终端120捕获的其原始格式的患者描述103，并且可以由ai系统100自动执行手写识别和音频转录。
15.在一些实施例中，如图1所示，ai系统100可以包括通信接口102、处理器104、内存106和存储器108。在一些实施例中，ai系统100可以在单个设备中具有不同的模块，例如集成电路(ic)芯片(例如，实现为专用集成电路(asic)或现场可编程门阵列(fpga))、或具有专用功能的独立设备。在一些实施例中，ai系统100的一个或以上组件可以位于云中、或者可以替代地在单个位置(诸如在移动设备内)或分布式位置中。ai系统100的组件可以在集成设备中、或者分布在不同的位置，但是通过网络(未示出)彼此通信。与本申请一致，ai系统100可被配置为使用端对端学习从患者描述103自动识别医学症状。
16.通信接口102可以通过通信电缆、无线局部区域网络(wlan)、广域网(wan)、诸如无线电波的无线网络、蜂窝网络和/或本地无线网络或短程无线网络(例如，蓝牙
tm
)、或其他通信方法，向诸如患者终端120的组件发送数据和从其接收数据。在一些实施例中，通信接口102可以包括集成服务数字网(isdn)卡、电缆调制解调器、卫星调制解调器或提供数据通信
连接的调制解调器。又例如，通信接口102可以包括局部区域网络(lan)卡，以提供与兼容lan的数据通信连接。无线链路也可以由通信接口102实现。在这样的实现中，通信接口102可以发送和接收携带着表示各种类型信息的数字数据流的电信号、电磁信号或光信号。
17.与一些实施例一致，通信接口102可以从患者终端120接收诸如患者描述103的数据。患者描述103可以作为文本接收或以患者终端120获取的原始格式接收，例如音频或手写。患者描述103可以包括描述患者130的症状和感觉的一个句子或多个句子。例如，患者130可以将她的症状描述为“我的头部反复出现疼痛，也感觉有点头晕，并且我的鼻子似乎也在流鼻涕”。当患者描述103最初由患者130口述时，描述可能另外包含各种口语词，例如，嗯、好吧、行、你知道、好呀，等等。通信接口102还可以将接收的数据提供给内存106和/或存储器108以便于存储，或提供给处理器104以进行处理。
18.处理器104可包括任何适当类型的通用或专用微处理器、数字信号处理器或微控制器。处理器104可以被配置为专用于通过使用端到端学习模型从患者描述103识别医学症状的单独处理器模块。或者，处理器104可以被配置为共享处理器模块，用于执行与医学症状识别无关的其他功能。
19.如图1所示，处理器104可以包括多个模块，例如词嵌入单元140、注意力计算单元142、词段表示构建单元144、诊断单元146等。这些模块(以及任何相应的子模块或子单元)可以是处理器104的硬件单元(例如，集成电路的部分)，其被设计与处理器104通过执行程序的至少一部分而实现的其他组件或软件单元一起使用。程序可以存储在计算机可读介质上，并且当由处理器104执行时，它可以执行一个或以上的功能。尽管图1示出了在一个处理器104内的所有单元140
‑
146，但是可以预期这些单元可以分布在彼此紧密或远程定位的多个处理器之间。
20.在一些实施例中，单元140
‑
146执行计算机程序，以应用端到端学习模型从患者描述103自动识别医学症状。例如，图2是根据本发明的一些实施例所示的用于基于患者描述103来学习指示医学症状的实体的示例性端到端学习模型200的示意图。端到端学习模型200可以包括若干子模型，诸如词嵌入模型210、双向长短期网络(lstm)模型220、词段表示模型230和softmax模型240。图2将与单元140
‑
146一起描述。
21.在一些实施例中，当患者描述103包含多个句子时，分割单元140可以将患者描述103划分为不同的句子。例如，上面的描述可以分为如下三个句子，然后将端到端学习模型200应用于每个句子：我的头部反复出现疼痛。也感觉有点头晕。并且我的鼻子似乎也在流鼻涕。
22.词嵌入单元140被配置为确定句子中每个词的词向量。使用上面的示例性描述中的最后一个句子作为示例，句子中有六个词，“并且”、“我的”、“鼻子”、“似乎”、“流鼻涕”和“也在”。使用词嵌入为六个词中的每一个词确定词向量。如图2所示，六个词w1、w2、w3、w4、w5和w6被输入到相应的词入嵌模型210中。词嵌入模型210将词语映射到实数向量(被称为“词向量”)。例如，词嵌入模型210分别为六个词w1、w2、w3、w4、w5和w6生成词向量v1、v2、v3、v4、v5和v6。通过将一维空间中的词映射到高维向量，每个词嵌入模型210将词的含义和特征编码为向量中的数字。在一些实施例中，词向量可以是几百维。
23.在一些实施例中，词嵌入单元140可以使用诸如神经网络、对词共生矩阵的维数减少、概率模型、可解释的知识库以及根据词出现的上下文的显式表示等方法来执行映射。例如，词嵌入学习模型210可以实现为连续词汇学习模型(cbow)或glove学习模型等。在一些实施例中，可以使用样本词和词向量训练词嵌入学习模型210。可以使用不同的语言数据库训练词嵌入学习模型210，以适应不同的语言，例如英语、中文、西班牙语等。
24.注意力计算单元142可以被配置为基于词向量确定词表示，然后基于词表示计算各个词的注意力。在一些实施例中，双向学习模型，例如双向lstm模型220，可用于生成词表示。双向lstm模型220是一种递归神经网络(rnn)，可以按顺序处理数据并随时间保持其隐藏状态。与包含单个词的含义和特征的词向量不同，词表示另外提供词的上下文信息，即词所在的整个句子的信息。
25.如图2所示，双向lstm模型220可包括两组lstm单元，设计成使数据在两个不同方向上流动。例如，一组lstm单元按v1、v2、v3、v4、v5和v6的顺序处理词向量，使得数据沿“向前”方向流动。另一组lstm单元以v6、v5、v4、v3、v2和v1的顺序处理这些词向量，使得数据沿“向后”方向流动。在每组中，多个lstm单元彼此顺序连接。在一些实施例中，两组lstm单元在内部连接以提供额外的数据流。通过使用双向模型，注意力计算单元142可以获取包含词的丰富的“双向”(前向和后向)上下文信息的词表示。如图2所示，可以确定词表示r1、r2、r3、r4、r5和r6。
26.在一些实施例中，注意力计算单元142还被配置为识别词段。与本申请一致，“词段”是句子的分区，其包含该句子的原始顺序中的至少两个词。在一些实施例中，可以通过选择句子中的起始词和结束词来识别词段，并且两者之间的词便为所识别的词段。例如，如果选择“我的”作为起始词，并选择“流鼻涕”作为结束词，则可以将词段标识为“我的鼻子似乎也在流鼻涕”。以“我的”作为起始词的其他词段包括“我的鼻子”，“我的鼻子似乎”，“我的鼻子似乎也在流鼻涕”。
27.在一些实施例中，注意力计算单元142可以识别两个“实质性”词之间的词段。与本申请一致，“实质性词语”是具有指示或以其他方式与医学症状相关的实质含义的词。“非实质性词语”是任何不是实质性词语的词。例如，ai系统100可以识别实质性词语“反复”和“头部”之间的词段“反复疼痛我的头部”。在一些实施例中，注意力计算单元140可以确定一个词是一个具有实质意义的概念词，还是一个仅表达概念词之间的语法关系以表达意义的关系词。关系词可以被确定为“非实质性的”。然后，对于剩余的概念词，注意力计算单元142可以确定它们是否与医学症状相关。因此，可以进一步过滤掉某些概念词，例如用作主语的名词，例如，“我”、“我们”、“你”、“它”作为非实质性的，以及没有意义地描述症状的动词和形容词，例如“有”、“似乎”、“看”、“感觉”、和“一点点”。
28.在图2所示的实施例中，有两个词段，第一个包括词(w1、w2、w3)，第二个包括词(w3、w4、w5、w6)。例如，使用上面的示例性描述中的第三句，第一词段包括“并且我的鼻子”，第二词段包括“鼻子似乎也在流鼻涕”。
29.在一些实施例中，注意力计算单元142还被配置为基于词表示计算所识别的词段中的每个词的注意力。“注意力”也被称为注意力权重，它表示词段中每个词的相对重要性。使用图2中词段(w3、w4、w5和w6)(例如，“鼻子似乎也在流鼻涕”)作为示例，注意力计算单元142可以基于词表示r3、r4、r5和r6，计算其中的词的注意力a3、a4、a5和a6。因为在这个范围
内的w3(“鼻子”)和w5(“流鼻涕”)是比其他词具有更重要含义的实质性词语，所以a3和a5的值可能大于a4和a6。
30.将词向量和各自的注意力提供给词段表示构建单元144，以构建词段表示。在一些实施例中，如图2所示，词段表示模型230可以应用于组装词段表示。作为第一步，词段的加权词向量可以被确定为通过各自的注意力进行加权的词向量的加权和。使用词段(w3、w4、w5、w6)作为示例，加权词向量被确定为vs＝a3*w3+a4*w4+a5*w5+a6*w6。
31.在一些实施例中，词段表示可以是词段中起始词的词表示、加权词向量、以及词段中结束词的词表示的组合。组合词向量和词表示意味着逐个排列向量。再次使用词段(w3、w4、w5、w6)作为示例，词段表示将是(r3、vs、r6)。也可以考虑其他构造。例如，词段表示可以包含加权词向量本身、与最重要词(例如，具有最高注意力的词)的词表示组合在一起的加权词向量、与两端最重要的两个词的词表示组合在一起的加权词向量等。
32.诊断单元146可以基于患者描述103的词段表示检测一个或以上症状。在一些实施例中，分类学习模型可用于将词段表示分类在与指示医学症状的实体相关的类中。例如，实体可能包括“发烧”、“头痛”、“恶心”、“偏头痛”、“关节疼痛”、“流鼻涕”、“出血”、“肿胀”、“胃部不适”、“呕吐”等等，例如，对应于词段“头部反复出现疼痛”的词段表示可以被分类为与实体“偏头痛”相关。又例如，对应于词段“鼻子似乎也在流鼻涕”的词段表示可以被分类为与实体“流鼻涕”相关。
33.在一些实施例中，分类学习模型可以是前馈神经网络，例如图2中所示的softmax模型240。在一些实施例中，可以使用已知医学症状的样本词段表示和实体来训练前馈神经网络，例如，softmax模型240。可以通过对样本患者提供的患者描述应用词嵌入模型210、双向lstm模型220和词段表示模型230来获得样本词段表示。相关的训练实体可以由医疗专业人员(例如医生或护士)通过诊断样本患者来提供。
34.在一些实施例中，基于识别的症状，诊断单元146可以进行预诊断并提供诊断结果105。例如，单元140
‑
144可以识别由患者描述103检测到的若干实体描述的症状“我的头部反复出现疼痛，也感觉有点晕，我的鼻子似乎也在流鼻涕”，例如“头痛”、“偏头痛”、“虚弱”和“流鼻涕”。根据症状，诊断单元146可以预先诊断患者所患的疾病。例如，诊断单元146可以预测患者可能患有流感。在一些实施例中，诊断单元146可以基于症状，使用学习模型预测疾病。学习模型可以用患者的样本症状和医生对患者的最终诊断进行训练。
35.尽管上述实施例单独训练端到端学习模型200的各种子模型，但是在一些实施例中，端到端学习模型200也可以作为整体进行训练。也就是说，端到端学习模型200的子模型可以联合训练，而不是单独训练。例如，可以使用样本患者描述及其相应症状(例如，由医生确定)训练端到端学习模型200。端到端学习模型200可以使用不同的语言数据库进行训练，以适应不同的语言，例如英语、中文、西班牙语等。
36.内存106和存储器108可以包括任何适当类型的大容量存储器，其被提供以存储处理器104可能需要操作的任何类型的信息。内存106和存储器108可以是易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其他类型的存储设备或有形(即，非暂时性)计算机可读介质，包括但是不限于rom、闪存、动态ram和静态ram。内存106和/或存储器108可以被配置为存储一个或以上计算机程序，其可以由处理器104执行以执行本文披露的功能。例如，内存106和/或存储器108可以被配置为存储程序，其可以由处理器104执行，以使
用端到端学习模型200为患者130生成诊断结果105。
37.内存106和/或存储器108可以进一步被配置为存储处理器104使用的信息和数据。例如，内存106和/或存储器108可以被配置为存储各种类型的数据(例如，与已知症状相关的实体)。例如，实体可能包括“发烧”、“头痛”、“恶心”、“偏头痛”、“关节疼痛”、“流鼻涕”、“出血”、“肿胀”、“胃部不适”、“呕吐”等。
38.在一些实施例中，内存106和/或存储器108还可以存储中间数据，例如词向量、词表示、词段、注意力、加权词向量和词段表示等。内存106和/或存储器108可另外存储各种学习模型，包括其模型参数，例如上文所述的词嵌入模型210、双向lstm模型220、词段表示模型230和softmax模型240。各种类型的数据可以永久存储、定期删除、或在处理数据后立即被忽略。可以通过显示器150向患者130提供诊断结果105。
39.显示器150可以包括诸如液晶显示器(lcd)、发光二极管显示器(led)、等离子显示器或任何其他类型的显示器，并且提供在显示器上呈现的图形用户界面(gui)，用于用户输入和数据描述。显示器可以包括许多不同类型的材料，例如塑料或玻璃，并且可以是触敏的，以接收来自用户的输入。例如，显示器可以包括基本上刚性的触敏材料，例如gorilla glass
tm
，或基本上柔韧的，例如willow glass
tm
。在一些实施例中，显示器150可以是患者终端120的一部分。
40.例如，图3是根据本发明的一些实施例所示的用于从患者描述识别医学症状的示例性方法300的流程图。方法300可以由ai系统100实现，特别是处理器104或图1中未示出的单独处理器。方法300可以包括如下所述的步骤s302
‑
s320。应当理解，一些步骤可以是可选的，以执行本文提供的本申请。此外，一些步骤可以同时执行，或者以与图3中所示不同的顺序执行。
41.在步骤s302中，ai系统100可以接收患者描述，例如患者描述103。患者描述103可以作为文本或以患者终端120获取的原始格式接收，例如音频或手写。如果作为音频接收，则可以将患者描述103转录为文本。如果以手写方式接收，则可以自动识别患者描述103并将其转换为文本。患者描述103可包括描述患者130的症状的一个句子或多个句子。例如，患者130可以将她的症状描述为“我的头部反复出现疼痛，也感觉有点头晕，我的鼻子似乎也在流鼻涕。”42.在一些实施例中，当患者描述103包含多个句子时，ai系统100可以将患者描述103划分为不同的句子。例如，上面的示例性描述可以分为三个句子：“我的头部反复出现疼痛。”“也感觉有点头晕。”和“我的鼻子似乎也在流鼻涕。”43.在步骤s304中，ai系统100可以确定患者描述103的句子中的每个词的词向量。在一些实施例中，使用词嵌入来确定词向量，其将词语映射到实数向量。在一些实施例中，词向量可以是几百维。如图2所示，六个词w1、w2、w3、w4、w5和w6被输入到相应的词嵌入模型210中。词嵌入模型210分别为六个词w1、w2、w3、w4、w5和w6生成词向量v1、v2、v3、v4、v5和v6。在一些实施例中，词嵌入学习模型210可以实现为连续词汇学习模型(cbow)或glove学习模型等。在一些实施例中，可以使用样本词和词向量来训练词嵌入学习模型210。
44.在步骤s306中，ai系统100可以基于词向量，确定每个词的词表示。除了各个词的含义之外，词表示还提供词的上下文信息，即词所在的整个句子的信息。在一些实施例中，双向学习模型，例如图2中所示的双向lstm模型220，可用于生成词表示r1、r2、r3、r4、r5和
r6。
45.双向学习模型可以包括两个层，每个层设计成使数据在不同的方向流动。如图2所示，双向lstm模型220包括两组lstm单元，一组在“向前”方向，另一组在“向后”方向。例如，一组lstm单元按v1、v2、v3、v4、v5和v6的顺序处理词向量，使得数据沿“向前”方向流动。另一组lstm单元以v6、v5、v4、v3、v2和v1的顺序处理这些词向量，使得数据沿“向后”方向流动。在每组中，多个lstm单元彼此顺序连接。在一些实施例中，两组lstm单元在内部连接以提供额外的数据流。
46.在步骤s308中，ai系统100可以从患者描述103中识别词段。例如，图2示出了两个识别的词段，第一个词段包括词(w1、w2、w3)，第二个词段包括词(w3、w4、w5、w6)。在一些实施例中，可以通过起始词和结束词之间的词来识别词段。例如，ai系统100可以选择“我的”作为起始词，并选择“流鼻涕”作为结束词，以识别词段“我的鼻子似乎在流鼻涕”。在一些实施例中，注意力计算单元142可以识别两个“实质性”词之间的词段。与本申请一致，“实质性词语”是具有指示或以其他方式与医学症状相关的实质含义的词。例如，ai系统100可以识别实质性词语“反复”和“头部”之间的词段“反复疼痛我的头部”。
47.在步骤s310中，ai系统100可以基于这些词的词表示，计算所识别的词段内的词的注意力。例如，ai系统100可以基于各个词w3、w4、w5和w6的词表示r3、r4、r5和r6，计算图2中的词段(w3、w4、w5和w6)的注意力a3、a4、a5和a6。如果(w3、w4、w5和w6)是“鼻子似乎也在流鼻涕”，则a3和a5的值可能大于a4和a6，因为在这个词段内w3(“鼻子”)和w5(“流鼻涕”)是比其他词具有更重要含义的实质性词语。
48.在步骤s312中，ai系统100可以计算所识别的词段的加权词向量。在一些实施例中，词段的加权词向量可被确定为通过各自的注意力进行加权的词向量的加权和。再次使用词段(w3、w4、w5、w6)作为示例，加权词向量被确定为vs＝a3*w3+a4*w4+a5*w5+a6*w6。
49.在步骤s314中，ai系统100可以构建词段表示。在一些实施例中，词段表示可以是加权词向量和至少一个词表示的组合。例如，可以将词段的起始词表示、加权词向量和词段的结束词表示进行组合，以形成词段表示。使用图2的词段(w3、w4、w5、w6)作为示例，词段表示将被构建为(r3、vs、r6)，其为词段中第一个词w3的词表示r3、加权词向量vs、以及最后一个词w6的词表示r6的组合。其他结构可以包括加权词向量本身、与最重要词的词表示(例如，具有最高注意力的词)组合的加权词向量、与两端最重要的两个词的词表示组合的加权词向量，等等。
50.在步骤s316中，ai系统100可以在词段表示上应用分类器以确定匹配的实体。在一些实施例中，分类学习模型可用于将词段表示分类在与指示医学症状的实体相关的类中。在一些实施例中，分类学习模型可以是前馈神经网络，例如图2所示的softmax模型240。例如，词段“头部反复出现的疼痛”的词段表示可以与实体“偏头痛”匹配。又例如，对应于词段“鼻子似乎也在流鼻涕”的词段表示可以与实体“流鼻涕”匹配。
51.在步骤s318中，ai系统100可以确定是否已经识别了所有词段并且与实体匹配。如果不是所有词段都被考虑到(s318：否)，则方法300返回到步骤s308，以识别另一个词段。否则，如果考虑了所有词段(s318：是)，则方法300前进到步骤s320，其中ai系统100基于匹配实体描述的症状进行预诊断。例如，从患者描述103检测到的医学症状“我的头部反复出现疼痛，也感觉有点头晕，我的鼻子似乎也在流鼻涕”可能包括“头痛”、“偏头痛”、“晕”和“流
鼻涕”。基于这些症状，ai系统100可以预测患者可能患有流感。在一些实施例中，ai系统100可以基于症状，使用学习模型预测疾病。学习模型可以用患者的样本症状和医生对患者的最终诊断进行训练。
52.本申请的另一方面涉及一种存储指令的非暂时性计算机可读介质，所述指令在被执行时使得一个或以上处理器执行如上所述的方法。所述计算机可读介质包括易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其他类型的计算机可读介质或计算机可读存储设备。例如，如本申请的计算机可读介质可以是其上存储有计算机指令的存储设备或内存模块。在一些实施例中，计算机可读介质可以是其上存储有计算机指令的盘或闪存驱动器。
53.显而易见，本领域普通技术人员可以对本申请的系统和相关方法进行各种修改和变化。考虑到本申请的系统和相关方法的说明书和实践，其他实施例对于本领域普通技术人员是显而易见的。
54.本申请中的说明书和示例的目的仅被认为是示例性的，真正的范围由以下权利要求及其等同物限定。