DE102007020334A1

DE102007020334A1 - Probabilistic system i.e. Bayesian system, learning method for determining clinical therapy procedure of patient, involves changing probability distributions depending on quality criteria such that probabilities of edges are increased

Info

Publication number: DE102007020334A1
Application number: DE102007020334A
Authority: DE
Inventors: Mathäus Dr. Dejori; Pedro Pinto; Thomas Dr. Runkler; Martin Dr. Stetter
Original assignee: Siemens Corp
Current assignee: Siemens Corp
Priority date: 2007-04-30
Filing date: 2007-04-30
Publication date: 2008-11-13

Abstract

The method involves representing a probabilistic system i.e. Bayesian system, by a graph (AG), and assigning variables to nodes in the graph based on a data record (D) of a patient. Graphs (G1-G4) with edges (K1-K6) between the nodes are generated with edge probability distributions (PD, PD'). A parameter e.g. therapy parameter, is learned for a part of the graphs, and quality criteria (SC) are determined for the learned graphs. The edge probability distributions are changed depending on the determined quality criteria such that probabilities of the edges in the graphs are increased. An independent claim is also included for a computer program product comprising a program code for executing a method for learning a probabilistic system.

Description

Die Erfindung betrifft ein Verfahren zum rechnergestützten Lernen eines probabilistischen Netzes aus einem Datensatz umfassend diagnostische und/oder therapeutische Daten von medizinisch behandelten Patienten sowie ein Verfahren zur rechnergestützten Ermittlung eines Therapieablaufs eines Patienten mit Hilfe eines gelernten probabilistischen Netzes.The The invention relates to a method for computer-aided learning of a probabilistic Network from a data set comprising diagnostic and / or therapeutic Data from medically treated patients as well as a procedure to the computer-aided Determining a therapy procedure of a patient with the help of a learned probabilistic network.

Probabilistische bzw. kausale Netze werden heutzutage dazu eingesetzt, um aus unsicherem Wissen in der Form von ermittelten Daten mögliche Schlussfolgerungen ableiten zu können. Solche Netze umfassen eine Vielzahl von Knoten, welche Zufallsvariablen darstellen und die ermittelten Daten repräsentieren. Zwischen den Knoten existieren Kanten, welche die bedingten Abhängigkeiten zwischen den Variablen in der Form von bedingten Wahrscheinlichkeitsverteilungen beschreiben.probabilistic or causal networks are being used today for insecure knowledge deriving possible conclusions in the form of data obtained to be able to. Such networks include a plurality of nodes, which are random variables represent and represent the data obtained. Between the nodes There are edges, which are the conditional dependencies between the variables describe in the form of conditional probability distributions.

In der vorliegenden Erfindung werden die probabilistischen Netze aus einem Datensatz umfassend diagnostische und/oder therapeutische Daten von medizinisch behandelten Patienten gelernt. Somit repräsentieren die Knoten in dem probablistischen Netz der vorliegenden Erfindung Zufallsvariablen, welche solche diagnostischen und/oder therapeutischen Daten darstellen. Um solche probabilistischen Netze zum Ermitteln von Schlussfolgerugen einsetzen zu können, müssen diese Netze zunächst mit den vorhandenen diagnostischen und/oder therapeutischen Daten gelernt werden. Hierzu werden Graphstrukturen und entsprechende Parameter der Strukturen auf der Basis der Daten generiert, wobei aus den generierten Graphstrukturen diejenige Struktur ausgewählt wird, welche die diagnostischen und/oder therapeutischen Daten am besten widerspiegelt. Zum Auffinden solcher Graphstrukturen werden bekannte heuristi sche Suchstrategien, wie z. B. das hinlänglich bekannte Greedy-Suchverfahren oder das Simulated-Annealing-Suchverfahren verwendet.In In the present invention, the probabilistic networks are made a data set comprising diagnostic and / or therapeutic Data learned from medically treated patients. Thus represent the nodes in the probablistic network of the present invention Random variables which include such diagnostic and / or therapeutic Represent data. To identify such probabilistic networks to be able to use conclusions, these networks must first with learned the existing diagnostic and / or therapeutic data become. These are graph structures and corresponding parameters of the structures generated on the basis of the data, taking from the generated graph structures that structure is selected which the diagnostic and / or therapeutic data best reflects. For finding such graph structures, known heuristic search strategies such. B. the well-known greedy search method or uses the simulated annealing search method.

Aufgrund der stetig steigenden Anzahl von Patienten und der immer mächtiger werdenden diagnostischen und therapeutischen Möglichkeiten in neuen Kliniken besteht das Bedürfnis, computergestützt geeignete Therapien für Patienten vorherzusagen. Insbesondere ist es dabei wünschenswert, dass große Mengen von diagnostischen und/oder therapeutischen Daten mit möglichst wenig Rechenzeit gelernt werden können, um anschließend auf der Basis von Krankheitsverläufen von bereits behandelten Patienten neue Patienten effizienter diagnostizieren und therapieren zu können.by virtue of the ever increasing number of patients and the ever more powerful expectant diagnostic and therapeutic options in new clinics there is a need computerized suitable therapies for To predict patients. In particular, it is desirable that big Quantities of diagnostic and / or therapeutic data as possible little computing time can be learned to subsequently on the basis of disease progression to diagnose new patients more efficiently and to treat patients already treated to be able to treat.

Aufgabe der Erfindung ist es deshalb, ein Verfahren zum rechnergestützten Lernen eines probabilistischen Netzes aus einem Datensatz umfassend diagnostische und/oder therapeutische Daten von medizinisch behandelten Patienten zu schaffen, welches effizienter und schneller als bisher gelernt werden kann.task The invention therefore provides a method for computer-aided learning a probabilistic network from a data set comprising diagnostic and / or therapeutic data from medically treated patients which are learned more efficiently and faster than before can.

Diese Aufgabe wird durch die unabhängigen Patentansprüche gelöst. Weiterbildungen der Erfindung sind in den abhängigen Ansprüchen definiert.These Task is solved by the independent claims. further developments of the invention are in the dependent claims Are defined.

In dem erfindungsgemäßen Verfahren wird ein probabilistisches Netz aus einem Datensatz umfassend diagnostische und/oder therapeutische Daten von medizinisch behandelten Patienten gelernt, wobei das zu lernende probabilistische Netz durch einen Graphen repräsentiert wird und Variablen auf der Basis des Datensatzes Knoten in dem Graphen zugeordnet sind.In the method according to the invention is a probabilistic network from a data set comprising diagnostic and / or therapeutic data from medically treated patients learned, with the probabilistic network to be learned by a Represents graphs is and variables based on the record node in the graph assigned.

In dem erfindungsgemäßen Verfahren werden mehrere Iterationen durchgeführt, wobei in jeder Iteration folgende Schritte ablaufen:
In einem Schritt i) wird eine Mehrzahl von Graphen mit Kanten zwischen den Knoten mit einer Kanten-Wahrscheinlichkeitsverteilung generiert. Dabei wird durch die Kanten-Wahrscheinlichkeitsverteilung jeder Kante zwischen einem Paar von Knoten eine Wahrscheinlichkeit für das Auftreten der Kante zugewiesen. Anschließend werden in einem Schritt ii) für wenigstens einen Teil der Graphen Parameter gelernt, woraus für die gelernten Graphen jeweils ein Gütemaß bestimmt wird. Der Schritt des Parameterlernens ist hinlänglich aus dem Stand der Technik bekannt. Hierbei wird eine Gesamtwahrscheinlichkeitsverteilung der Variablen in der betrachteten Graphstruktur ermittelt. Schließlich wird im Schritt iii) in Abhängigkeit von den ermittelten Gütemaßen der Graphen die Kanten-Wahrscheinlichkeitsverteilung derart verändert, dass die Wahrscheinlichkeiten von Kanten, welche zumindest in dem Graphen mit dem höchsten Gütemaß enthalten sind, erhöht werden, wobei die veränderte Kanten-Wahrscheinlichkeitsverteilung in Schritt i) der nächsten Iteration verwendet wird.In the method according to the invention, a plurality of iterations are carried out, wherein the following steps take place in each iteration:
In a step i), a plurality of graphs with edges are generated between the nodes with an edge probability distribution. In this case, the edge probability distribution of each edge between a pair of nodes assigns a probability of occurrence of the edge. Subsequently, in a step ii), parameters are learned for at least part of the graphs, from which a quality measure is determined for each of the learned graphs. The step of parameter learning is well known in the art. In this case, an overall probability distribution of the variables in the considered graph structure is determined. Finally, in step iii), depending on the determined quality measures of the graphs, the edge probability distribution is changed such that the probabilities of edges included in at least the highest-quality graph are increased, the changed edge-probability distribution in step i) the next iteration is used.

Das erfindungsgemäße Verfahren beruht auf einem schwarmbasierten Lernverfahren zur Suche nach der optimalen Graphstruktur. Schwarmbasierte Lernverfahren, wie z. B. Ameisen- oder Wespenalgorithmen, sind vom Schwarmverhalten der entsprechenden biologischen Spezies motiviert. Ameisenalgorithmen sind hierbei vom Verhalten biologischer Ameisen bei der Suche nach dem kürzesten Pfad vom Nest zur Futterstelle motiviert. Jede Ameise hinterlässt auf ihrem Weg Pheromone, die mit der Zeit evaporieren und bis zur vollständigen Evaporation von den übrigen Ameisen als Wegmarke verwendet werden. Die Pheromone auf dem kürzesten Weg werden statistisch häufiger erneuert als Pheromone auf längeren Wegen, so dass nach einiger Zeit die Pheromonkonzentration auf dem kürzesten Weg dominiert und somit die meisten Ameisen den kürzesten Weg wählen. In dem erfindungsgemäßen Verfahren entsprechen die Pheromone im Wesentlichen den Wahrscheinlichkeiten der Kanten in der Kanten-Wahrscheinlichkeitsverteilung, wobei das Optimierungsziel das Finden der Graphstruktur mit dem höchsten Gütemaß ist. Dieses Optimierungsziel wird durch eine entsprechen de Erhöhung der Wahrscheinlichkeiten der Kanten von Graphen mit hohen Gütemaßen erreicht.The method according to the invention is based on a swarm-based learning method for the search for the optimal graph structure. Swarm-based learning methods, such as B. ant or wasp algorithms are motivated by the swarm behavior of the corresponding biological species. Ant algorithms are motivated by the behavior of biological ants in their search for the shortest path from the nest to the feeding site. Each ant leaves pheromones on their way, which evaporate over time and are used as a waypoint by the remaining ants until complete evaporation. The pheromones on the shortest path are statistically more frequently renewed than pheromones on longer distances, so that after some time the Pheromone concentration is dominated by the shortest route and most ants choose the shortest route. In the method according to the invention, the pheromones essentially correspond to the probabilities of the edges in the edge probability distribution, the optimization target being finding the graph structure with the highest quality measure. This optimization goal is achieved by correspondingly increasing the probabilities of the edges of high-quality graphs.

In einer besonders bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens umfassen die Daten des Datensatzes für eine Mehrzahl von medizinisch behandelten Patienten jeweils folgende Daten:

– Befundparameter des Patienten bezüglich einer oder mehrerer am Patienten festgestellter Befunde, insbesondere Genotyp des Patienten und/oder Krankheitsgeschichte des Patienten und/oder Verlaufsdaten einer Krankheit des Patienten und/oder Laborwerte und/oder klinische Werte und/oder Biochip-Messwerte des Patienten.

In a particularly preferred embodiment of the method according to the invention, the data of the data record for a plurality of medically treated patients each comprise the following data:

The patient's findings concerning one or more findings found on the patient, in particular the genotype of the patient and / or the patient's disease history and / or history of a patient's disease and / or laboratory values and / or clinical values and / or biochip measurements of the patient.

Diese Parameter eignen sich besonders gut, um hieraus Schlussfolgerungen bezüglich der Diagnose von neuen Patienten mit dem gelernten Verfahren ziehen zu können.These Parameters are particularly well suited to this conclusion in terms of to draw the diagnosis of new patients with the learned procedure to be able to.

Darüber hinaus umfassen die Daten des Datensatzes für eine Mehrzahl von medizinisch behandelten Patienten vorzugsweise ferner jeweils folgende Daten:

– Therapieparameter einer oder mehrerer am Patienten durchgeführter Therapien, insbesondere Parameter bezüglich verabreichter Medikamente und/oder durchgeführter Bestrahlungen.

In addition, the data of the data set for a plurality of medically treated patients preferably further includes the following data:

Therapy parameters of one or more therapies carried out on the patient, in particular parameters with regard to administered medicaments and / or carried out irradiations.

Durch Einbeziehung dieser Therapieparameter im rechnergestützten Lernverfahren können in geeigneter Weise entsprechende Therapien auf der Basis der Daten von neuen zu behandelnden Patienten mit dem gelernten Verfahren vorhergesagt werden. Vorzugsweise umfassen die Therapieparameter hierbei eine Bewertung des Erfolgs der jeweiligen durchgeführten Therapie, so dass mit dem gelernten Verfahren für neue zu behandelnde Patienten in geeigneter Weise die am Besten geeignete Therapie ermittelt werden kann.By Inclusion of these therapy parameters in the computer-aided learning procedure can appropriately appropriate therapies based on the data of new patients to be treated using the learned procedure be predicted. Preferably, the therapy parameters include this an assessment of the success of each therapy performed, so with the learned procedure for new patients to be treated in a suitable manner, the most suitable therapy can be determined can.

In einer weiteren Ausgestaltung des erfindungsgemäßen Verfahrens werden in dem Datensatz umfassend diagnostische und/oder therapeutische Daten ferner für eine Mehrzahl von medizinisch behandelten Patienten jeweils folgende Daten berücksichtigt:

– biologische Parameter des Patienten, insbesondere Größe des Patienten und/oder Alter des Patienten und/oder Geschlecht des Patienten.

In a further refinement of the method according to the invention, in the data set comprising diagnostic and / or therapeutic data, the following data are also taken into account in each case for a plurality of medically treated patients:

- biological parameters of the patient, in particular size of the patient and / or age of the patient and / or sex of the patient.

In einer weiteren Ausführungsform des erfindungsgemäßen Verfahrens wird ein Bayesianisches Netz gelernt, welches sich sehr gut zum Ableiten von Schlussfolgerungen aus unsicherem Wissen bewährt hat. Ein Bayesianisches Netz zeichnet sich durch eine Graphstruktur in der Form eines gerichteten azyklischen DAG-Graphen (DAG = Directed Acyclic Graph) aus. Die Kanten dieses Graphen sind gerichtet, und es treten keine Zyklen von gerichteten Kanten in diesem Graphen auf. Zwischen einem Paar von Knoten können somit zwei Kanten für jede Richtung existieren. Vorzugsweise wird hierbei die Azyklizität eines Graphen nach der Generierung jedes Graphen oder aller Graphen in Schritt i) der jeweiligen Iteration überprüft, wobei Graphen, welche nicht azyklisch sind, verworfen werden. Gegebenenfalls ist es auch möglich, dass die Graphen in Schritt i) schrittweise durch Einfügen von Kanten generiert werden, wobei nach dem Einfügen einer Kante überprüft wird, ob der Graph mit der eingefügten Kante azyklisch ist und wobei die eingefügte Kante verworfen wird, wenn die Überprüfung ergibt, dass der Graph mit der eingefügten Kante nicht mehr azyklisch ist.In a further embodiment the method according to the invention is learned a Bayesian network, which is very good for Derive conclusions from uncertain knowledge has proven. A Bayesian network is characterized by a graph structure in the form of a directed acyclic DAG graph (DAG = Directed Acyclic graph). The edges of this graph are directed, and there are no cycles of directed edges in this graph on. Thus, between a pair of nodes, there may be two edges for each direction exist. Preferably, the acyclicity of a Graphs after the generation of each graph or all graphs in Step i) of the respective iteration checked, with graphs which are not are acyclic, discarded. If necessary, it is also possible that the graphs in step i) stepwise by inserting Edges are generated, which is checked after inserting an edge, whether the graph with the inserted one Edge is acyclic and where the inserted edge is discarded when the check results that the graph is inserted with the Edge is no longer acyclic.

In einer weiteren Ausgestaltung der Erfindung, bei der ein Bayesianisches Netz als probabilistisches Netz verwendet wird, wird im Schritt i) der jeweiligen Iteration eine vorgegebene Anzahl von Graphen generiert und anschließend werden aus der vorgegebenen Anzahl von Graphen diejenigen Graphen verworfen, welche azyklisch sind. In dieser Variante wird somit die Gesamtanzahl der zu generierenden Graphen ohne Berücksichtigung der Azyklizität festgelegt. Alternativ ist es auch möglich, dass in Schritt i) der jeweiligen Iteration so lange Graphen generiert werden, bis eine vorgegebene Anzahl von azyklischen Graphen vorliegt.In a further embodiment of the invention, in which a Bayesian Network is used as probabilistic network is in step i) the given iteration a given number of graphs generated and then become from the given number of graphs those graphs discarded, which are acyclic. In this variant is thus the total number of graphs to be generated without consideration the acyclicality established. Alternatively, it is also possible that in step i) the respective iteration as long as graphs are generated until one given number of acyclic graphs.

Die Erhöhung der Wahrscheinlichkeiten von Kanten in Schritt iii) der jeweiligen Iteration kann auf verschiedene Art und Weise erfolgen. Eine einfache und effiziente Art der Erhöhung der Kantenwahrscheinlichkeit wird in einer Ausführungsform dadurch erreicht, dass die Wahrscheinlichkeiten der betreffenden Kanten um einen konstanten Wert erhöht werden. Eine Variante der Erfindung, welche noch besser die Abhängigkeit der Kanten-Wahrscheinlichkeitsverteilung von den Gütemaßen der Graphen repräsentiert, erhöht die Wahrscheinlichkeiten der betreffenden Kanten jeweils in Abhängigkeit von der Höhe des Gütemaßes des Graphen, in dem die jeweilige Kante enthalten ist. Die Erhöhung der Wahrscheinlichkeit einer jeweiligen Kante ist hierbei insbesondere um so höher, je höher das Gütemaß des die jeweilige Kante enthaltenen Graphen ist. Vorzugsweise wird die Erhöhung der Wahrscheinlichkeit einer jeweiligen Kante dabei proportional zu dem Gütemaß des die jeweilige Kante enthaltenen Graphen gewählt, insbesondere proportional zur Differenz zwischen dem Gütemaß und dem Mittelwert der Gütemaße der Mehrzahl von in Schritt ii) gelernten Graphen.The increase of the probabilities of edges in step iii) of the respective iteration can take place in various ways. A simple and efficient way of increasing the edge probability is achieved in one embodiment by increasing the probabilities of the respective edges by a constant value. A variant of the invention, which even better represents the dependence of the edge probability distribution on the quality measures of the graphs, increases the probabilities of the respective edges depending on the level of the quality measure of the graph in which the respective edge is contained. The increase in the probability of a respective edge is in this case in particular the higher, the higher the quality measure of the graph contained in the respective edge. Preferably, the increase in the probability of a respective edge is proportional to the quality measure of the respective edge contained graph chosen, in particular proportional to the difference between the quality measure and the average of the quality measures of the plurality of graphs learned in step ii).

In einer weiteren Ausgestaltung des erfindungsgemäßen Verfahrens werden im Schritt iii) der jeweiligen Iteration nach Erhöhen der Wahrscheinlichkeiten der betreffenden Kanten, alle Wahrscheinlichkeiten der Kanten um einen vorgegebenen Wert herabgesetzt. Diese Ausführungsform ist an den Ameisenalgorithmus angelehnt, bei dem die Pheromonwerte aufgrund von Evaporation wieder abnehmen.In a further embodiment of the method according to the invention are in step iii) the respective iteration after increasing the probabilities the relevant edges, all the probabilities of the edges around lowered a predetermined value. This embodiment is related to the ant algorithm ajar, in which the pheromone levels due to evaporation again lose weight.

In einer weiteren Ausgestaltung des erfindungsgemäßen Verfahrens wird die Kanten-Wahrscheinlichkeitsverteilung derart normiert, dass eine vorgegebene mittlere Anzahl an Kanten in den generierten Graphen auftritt. Bei dieser Ausführungsform können insbesondere auch ausgedünnte Netzstrukturen generiert werden, indem die mittlere Anzahl an Kanten auf einen niedrigen Wert gesetzt wird.In Another embodiment of the method according to the invention is the edge probability distribution normalized such that a predetermined average number of edges occurs in the generated graph. In this embodiment, in particular also thinned Mesh structures are generated by the mean number of edges is set to a low value.

Das in dem erfindungsgemäße Verfahren verwendete Gütemaß wird üblicherweise auch als Score bezeichnet und ist insbesondere ein Maß dafür, wie wahrscheinlich der gelernte Graph den Datensatz aus experimentell ermittelten bzw. gemessenen Größen erzeugt. Die Verwendung von Scores ist hinlänglich aus dem Stand der Technik bekannt, und in einer Ausführungsform der Erfindung wird der bekannte BDe-Score eingesetzt.The used in the process of the invention Quality measure is usually Also referred to as score and is in particular a measure of how likely the learned graph the record from experimentally determined or generated measured quantities. The use of scores is well known in the art known, and in one embodiment The invention uses the known BDe score.

In einer Ausführungsform des erfindungsgemäßen Verfahrens wird zu Beginn der Iterationen als Kanten-Wahrscheinlichkeitsverteilung eine Gleichverteilung vorgegeben. Alternativ kann zu Beginn der Iterationen als Kanten-Wahrscheinlichkeitsverteilung auch eine Wahrscheinlichkeitsverteilung verwendet werden, welche Expertenwissen über die diagnostischen und/oder therapeutischen Daten berücksichtigt. In diesem Fall wird das Netz in kürzerer Zeit gelernt.In an embodiment the method according to the invention becomes the edge probability distribution at the beginning of the iterations an equal distribution predetermined. Alternatively, at the beginning of the iterations as edge probability distribution also a probability distribution which expert knowledge about the diagnostic and / or considered therapeutic data. In this case, the network is learned in less time.

Das erfindungsgemäße Verfahren wird eine beliebige Anzahl von Iterationen wiederholt, wobei jedoch vorzugsweise ein Abbruchkriterium vorgegeben wird, bei dessen Eintreten das Verfahren beendet wird. Dieses Abbruchkriterium kann beispielsweise ein erreichtes Gütemaß der in der jeweiligen Iteration gelernten Graphen sein.The inventive method Any number of iterations are repeated, but with preferably an abort criterion is specified when it occurs the procedure is terminated. This termination criterion can, for example, a achieved quality measure of in be the learned iteration of the respective iteration.

Neben dem oben beschriebenen Verfahren umfasst die Erfindung ferner ein Verfahren zur rechnergestützten Ermittlung eines klinischen Therapieablaufs eines Patienten mit Hilfe eines probabilistischen Netzes, welches mit dem im Vorangegangenen beschriebenen Lernverfahren gelernt wurde. Unter Therapieablauf ist hierbei der Ablauf der medizinischen Behandlung des Patienten im Hinblick auf die anzuwendenden Behandlungsarten (Medikamente, Bestrahlungen und dergleichen) zu verstehen. Hierbei werden die von dem Patienten verfügbaren diagnostischen und/oder therapeutischen Daten als Eingabewerte der Knoten des Graphens des probabilistischen Netzes verwendet, und hieraus werden ein oder mehrere nächste Therapieschritte bestimmt.Next In the method described above, the invention further comprises Method for computer-aided Determination of a clinical course of therapy of a patient with Help a probabilistic network, which with the previous learned learning method has been learned. Under therapy procedure Here is the process of medical treatment of the patient with regard to the types of treatment to be used (medicines, radiation and the like). Here are the patients available diagnostic and / or therapeutic data as input values of the Knot of graphene of the probabilistic network used, and From this, one or more next therapy steps are determined.

Sofern das Verfahren, mit dem das probabilistische Netz gelernt wurde, als Therapieparameter eine Bewertung des Erfolgs der jeweiligen durchgeführten Therapie umfasst, wird in dem Verfahren zur rechnergestützten Ermittlung eines klinischen Therapieablaufs die Wahrscheinlichkeitsverteilung bezüglich des Erfolgs des oder der nächsten Therapieschritte, insbesondere mittels Bayesianischer Inferenz, ermittelt. Auf diese Weise kann das Verfahren sehr gut im Bereich der Theranostik eingesetzt werden, bei dem aus den Krankheitsverläufen von bereits behandelten Patienten neue Patienten geeignet diagnostiziert und behandelt werden. Hierbei wird vorzugsweise der Therapieschritt mit der höchsten Wahrscheinlichkeit des Erfolgs als nächster Therapieschritt bestimmt.Provided the process by which the probabilistic network was learned, as a therapeutic parameter an evaluation of the success of the respective conducted Therapy is included in the method of computer-aided determination a clinical course of treatment the probability distribution in terms of the success of or the next Therapy steps, in particular by means of Bayesian inference, determined. In this way, the procedure can be very good in the field Theranostik be used in the case of the disease progression of already treated patients newly diagnosed suitable patients and treated. In this case, preferably the therapy step with the highest probability success next Therapy step determined.

In einer besonders bevorzugten Variante des Verfahrens zur rechnergestützten Ermittlung eines klinischen Therapieablaufs wird nach der Durchführung einer oder mehrerer Therapieschritte der Therapieablauf neu erstellt, wobei bei der Ermittlung des neuen Therapieverlaufs die Daten des oder der durchgeführten Therapieschritte als Eingabewerte der Knoten des Graphens des probabilistischen Netzes einfließen. Auf diese Weise wird durch Berücksichtigung der bereits durchgeführten Therapieschritte eine genauere Bestimmung des klinischen Behandlungsablaufs erreicht.In a particularly preferred variant of the method for computer-aided determination a clinical course of therapy will be performed after a or several therapy steps of the course of therapy newly created, whereby in the determination of the new course of therapy the data of the or the performed Therapy steps as input values of nodes of graphene of probabilistic Net inflow. This is done by considering the one already carried out Therapy steps a more accurate determination of the clinical course of treatment reached.

Neben dem oben beschriebenen Verfahren betrifft die Erfindung ferner ein Computerprogrammprodukt mit einem auf einem maschinenlesbaren Träger gespeicherten Programmcode zur Durchführung des erfindungsgemäßen Verfahrens, wenn das Programm auf einem Rechner abläuft.Next In the method described above, the invention further relates to Computer program product with a stored on a machine-readable carrier Program code for performing the inventive method, if the program runs on a computer.

Ein Ausführungsbeispiel der Erfindung wird nachfolgend anhand der beigefügten Figur detailliert beschrieben.One embodiment The invention will be described in detail below with reference to the accompanying figure.

Es zeigt:It shows:

1 eine schematische Darstellung, welche die in einer Ausführungsform des erfindungsgemäßen Verfahrens durchgeführten Schritte wiedergibt. 1 a schematic representation showing the steps performed in one embodiment of the method according to the invention.

Das nachfolgend beschriebene Verfahren wird zum rechnergestützten Lernen eines Bayesianischen Netzes verwendet, welches auf einer Graphstruktur in der Form eines gerichteten azyklischen Graphen beruht. Solche Graphen werden auch als DAG-Graphen bezeichnet (DAG = Directed Acyclic Graph). Ein Bayesianisches Netz ist eine Ausführungsform eines probabilistischen Netzes, wobei in einem Bayesianischen Netz die Kanten zwischen den Knoten des Graphen des Netzes gerichtet sind und keine zusammenhängenden gerichteten Zyklen von Kanten auftreten dürfen. Das Bayesianische Netz dient zur Simulation von beliebigen Experimenten bzw. Systemen. Ausgangspunkt eines Bayesianischen Netzes ist hierbei ein Datensatz aus diagnostischen und/oder therapeutischen Daten von behandelten Patienten. Auf der Basis dieses Datensatzes wird dann das Bayesianische Netz mit dem Ziel generiert, dass mit der erzeugten Netzstruktur sehr gut der Datensatz wiedergegeben werden kann. Im Folgenden wird das erfindungsgemäße Lernen eines solchen Bayesianischen Netzes beschrieben, wobei das gelernte Netz anschließend zur rechnergestützten Ermittlung eines klinischen Therapieablaufs eines Patienten eingesetzt werden kann.The method described below is used for the computer-aided learning of a Bayesian network, which is based on a graph structure in the form of a directed acyclic graph. Such graphs are also called DAG graphs (DAG = Directed Acyclic Graph). A Bayesian network is one embodiment of a probabilistic network, where in a Bayesian network the edges are directed between the nodes of the graph of the network and no contiguous directed cycles of edges are allowed to occur. The Bayesian network serves to simulate any experiments or systems. The starting point of a Bayesian network is a data set from diagnostic and / or therapeutic data of treated patients. On the basis of this data set, the Bayesian network is then generated with the goal that the data set generated can be reproduced very well with the generated network structure. In the following, the learning according to the invention of such a Bayesian network is described, wherein the learned network can subsequently be used for the computer-assisted determination of a clinical course of therapy of a patient.

Das erfindungsgemäße Verfahren ist ein iteratives Verfahren, wobei zu Beginn der Iterationen allgemein von einem Graphen ausgegangen wird, der eine Anzahl von Knoten umfasst, wobei den diagnostischen und/oder therapeutischen Daten Knoten zugeordnet sind, die jeweils für eine Zufallsvariable der entsprechenden Größe stehen. In der Ausführungsform gemäß 1 wird von der allgemeinen Graphstruktur AG ausgegangen, welche die drei Knoten A, B und C enthält. Da ein Bayesianisches Netz gelernt werden soll, liegen zwischen den einzelnen Knoten gerichtete Kanten, welche mit K1, K2, ..., K6 bezeichnet sind. K1 ist hierbei die Kante von Knoten A nach B, K2 ist die Kante von Knoten B nach A, K3 ist die Kante von Knoten A nach C, K4 ist die Kante von Knoten C nach A, K5 ist die Kante von Knoten B nach C und K6 ist die Kante von Knoten C nach B. Zu Beginn der ersten Iteration des Verfahrens wird eine Wahrscheinlichkeitsverteilung PD für die einzelnen Kanten K1 bis K6 vorgegeben. Diese Wahrscheinlichkeitsverteilung gibt für jede Kante an, mit welcher Wahrscheinlichkeit die jeweilige Kante in einem Graphen auftritt. In der hier beschriebenen Ausführungsform wird von einer initialen Gleichverteilung ausgegangen, bei der die einzelnen Wahrscheinlichkeiten p_i (i = 1, ..., 6) der einzelnen Kanten identisch sind, wie in 1 anschaulich wiedergegeben ist.The method according to the invention is an iterative method, wherein the beginning of the iterations is generally based on a graph comprising a number of nodes, wherein the diagnostic and / or therapeutic data are assigned to nodes each representing a random variable of the corresponding size. In the embodiment according to 1 is based on the general graph structure AG, which contains the three nodes A, B and C. Since a Bayesian network is to be learned, there are directed edges between the individual nodes, which are designated K1, K2,..., K6. K1 is the edge of node A to B, K2 is the edge of node B to A, K3 is the edge of node A to C, K4 is the edge of node C to A, K5 is the edge of node B to C and K6 is the edge from node C to B. At the beginning of the first iteration of the method, a probability distribution PD is given for the individual edges K1 to K6. This probability distribution indicates for each edge the probability with which the respective edge occurs in a graph. In the embodiment described here, an initial uniform distribution is assumed, in which the individual probabilities p _i (i = 1,..., 6) of the individual edges are identical, as in FIG 1 is clearly shown.

In dem Verfahren der 1 wird nunmehr in einem Schritt S1 eine Mehrzahl von Graphen durch entsprechende Stichprobenentnahme aus dem allgemeinen Graphen AG mit Hilfe der Wahrscheinlichkeitsverteilung PD generiert. In dem Beispiel der 1 werden vier Graphen erzeugt, wobei jedoch die Anzahl der erzeugten Graphstrukturen in Abhängigkeit von den zur Verfügung stehenden Rechenressourcen und der erwünschten Genauigkeit des Verfahrens beliebig gewählt werden kann. Schließlich werden in einem nächsten Schritt S2 die erzeugten vier Graphstrukturen dahingehend überprüft, ob sie das Kriterium der Azyklizität erfüllen, welches ein notwendiges Kriterium für DAG-Graphen in Bayesianischen Netzen ist. Es wird hierbei festgestellt, dass die Graphen G3 und G4 dieses Kriterium nicht erfüllen. Dies liegt daran, dass in dem Graphen G3 ein Zyklus zwischen den Knoten B und A durch die gerichteten Kanten K1 und K2 gebildet wird und dass in dem Graphen G4 ein Zyklus zwischen den Knoten B, A und C durch die entsprechenden Kanten K2, K3 und K6 gebildet wird. Diese Graphen G3 und G4 werden dann als mögliche Graphen des Bayesianischen Netzes verworfen, wie durch entsprechende gestrichelte Linien L1 und L2 angedeutet ist.In the process of 1 Now, in a step S1, a plurality of graphs are generated by appropriate sampling from the general graph AG with the aid of the probability distribution PD. In the example of 1 For example, four graphs are generated, however, the number of graph structures generated may be arbitrarily selected depending on the available computational resources and the desired accuracy of the method. Finally, in a next step S2, the generated four graph structures are checked as to whether they satisfy the criterion of acyclicity, which is a necessary criterion for DAG graphs in Bayesian networks. It is found that graphs G3 and G4 do not satisfy this criterion. This is because in the graph G3, a cycle between the nodes B and A is formed by the directed edges K1 and K2, and in the graph G4, a cycle between the nodes B, A and C is represented by the corresponding edges K2, K3 and K6 is formed. These graphs G3 and G4 are then discarded as possible graphs of the Bayesian network, as indicated by corresponding dashed lines L1 and L2.

Anstatt die Azyklizität nach der Erzeugung einer vorgegebenen Anzahl von Graphen zu ermitteln, kann die Azyklizität auch nach jeder Ermittlung eines Graphen bestimmt werden, so dass ein Graph, der nicht dieses Kriterium erfüllt, sofort nach dessen Erzeugung wieder verworfen wird. Ebenso kann die Azyklizität bei der Erzeugung eines Graphen jeweils beim Einfügen jeder einzelnen Kante bestimmt werden, so dass im Falle eines auftretenden Zyklus nicht der ganze Graph, sondern lediglich die gerade eingefügte Kante verworfen wird.Instead of the acyclicity after generating a given number of graphs, can the acyclicity also be determined after each determination of a graph, so that a graph that does not meet this criterion immediately after its generation is discarded again. Similarly, the acyclicity in the generation of a graph each time you insert each individual edge can be determined so that in case of occurring Cycle not the whole graph, but just the just inserted edge is discarded.

Nach der Durchführung des Schrittes S2 erfolgt schließlich für die beiden übrig gebliebenen Graphen G1 und G2 der Schritt des sog. Parameterlernens. Dieser Schritt ist beim Lernen von probabilistischen Netzen hinlänglich bekannt. Als Parameter werden hierbei die bedingten Wahrscheinlichkeiten zwischen den über Kanten verbundenen Knoten in dem jeweiligen Graphen gelernt. Die bedingten Wahrscheinlichkeiten werden beispielsweise als Einträge in bedingten Wahrscheinlichkeitstabellen angegeben. Das Lernen erfolgt hierbei unter Verwendung des Datensatzes D der diagnostischen und/oder therapeutischen Daten. Das soeben beschriebene Parameterlernen ist in 1 durch Schritt S3 angedeutet. In diesem Schritt wird ferner für jeden gelernten Graphen ein sog. Score berechnet, der ein Gütemaß dafür ist, wie hoch die Wahrscheinlichkeit des gelernten Graphen dahingehend ist, dass der Graph den zum Lernen verwendeten Datensatz D erzeugt. Die Bestimmung von Scores ist ebenfalls hinlänglich aus dem Stand der Technik bekannt, wobei in der hier beschriebenen Ausführungsform der bekannte BDe-Score verwendet wird, der in 1 als SC bezeichnet ist.After the implementation of step S2, the step of the so-called parameter learning finally takes place for the two remaining graphs G1 and G2. This step is well-known in the study of probabilistic networks. In this case, the conditional probabilities between the nodes connected via edges in the respective graph are learned as parameters. For example, the conditional probabilities are given as entries in conditional probability tables. The learning takes place here using the data set D of the diagnostic and / or therapeutic data. The just described parameter learning is in 1 indicated by step S3. In this step, a so-called score is also calculated for each learned graph, which is a measure of the quality of what the probability of the learned graph is that the graph generates the data set D used for learning. The determination of scores is also sufficiently well known in the art, in the embodiment described here the known BDe score is used, which in 1 designated as SC.

In der in 1 gezeigten Ausführungsform ergibt sich, dass der Score SC des Graphen G1 deutlich höher ist als der Score des Graphen G2. Der Graph G1 wird somit als „Gewinner" aus den generierten Graphstrukturen G1 und G2 ausgewählt. In Anlehnung an einen Ameisenalgorithmus werden nunmehr die Kanten-Wahrscheinlichkeiten p₂, p₃ und p₅ der Kanten K2, K3 und K5 des Graphen G1 heraufgesetzt, was in Analogie zum Ameisenalgorithmus einem Heraufsetzen von Pheromonwerten entspricht. Die Erhöhung der Kanten-Wahrscheinlichkeiten erfolgt in 1 im Schritt S4, dessen Ergebnis eine neue Wahrscheinlich keitsverteilung PD' ist, bei der die Wahrscheinlichkeiten der Kanten K2, K3 und K5 gegenüber den anderen Kanten erhöht ist.In the in 1 As shown, the score SC of the graph G1 is significantly higher than the score of the graph G2. The graph G1 is thus selected as the "winner" from the generated graph structures G1 and G2 now the edge probabilities p ₂ , p ₃ and p _{5 of} the edges K2, K3 and K5 of the graph G1 increased, which corresponds to an increase of pheromone values in analogy to the ant algorithm. The increase of edge probabilities occurs in 1 in step S4, the result of which is a new probability distribution PD 'in which the probabilities of the edges K2, K3 and K5 are increased relative to the other edges.

In der hier beschriebenen Ausführungsform wurden als Kanten, deren Wahrscheinlichkeiten erhöht werden, nur diejenigen Kanten des Graphen mit dem höchsten Score herangezogen. In einer Abwandlung ist es gegebenenfalls auch möglich, dass mehrere Graphen mit den größten Scores bei der Erhöhung der Wahrscheinlichkeit berücksichtigt werden. In diesem Fall erfolgt die Erhöhung der Wahrscheinlichkeit einer Kante vorzugsweise in Abhängigkeit von der Höhe des Scores des Graphen, in dem die Kante enthalten ist. Beispielsweise kann die Erhöhung der Wahrscheinlichkeiten der Kanten in einem Graphen proportional zu dem der Differenz zwischen dem Score des entsprechenden Graphen und dem mittleren Score aller generierter Graphen erfolgen.In of the embodiment described herein as edges whose probabilities are increased, only those edges of the graph with the highest Score used. In a modification, it may also be possible, that several graphs with the largest scores at the raise the probability considered become. In this case, the probability increases an edge preferably in dependence from the height the score of the graph containing the edge. For example can the increase proportional to the probabilities of the edges in a graph to the difference between the score of the corresponding graph and the mean score of all generated graphs.

Im Schritt S5 der 1 wird dann die Wahrscheinlichkeitsverteilung PD durch die neu erzeugte Wahrscheinlichkeitsdichte PD' ersetzt. Eine Iteration ist dann abgeschlossen und eine neue Iteration kann mit der neu erzeugten Wahrscheinlichkeitsdichte beginnen. Optional ist es ferner möglich, dass alle Wahrscheinlichkeiten der neu erzeugten Wahrscheinlichkeitsverteilung PD' um einen vorgegebenen Wert herabgesetzt werden. Dies entspricht in Analogie zum Ameisenalgorithmus der Herabsetzung der Pheromonwerte aufgrund von Evaporation.In step S5 of 1 then the probability distribution PD is replaced by the newly generated probability density PD '. One iteration is then completed and a new iteration can begin with the newly created probability density. Optionally, it is also possible that all the probabilities of the newly generated probability distribution PD 'are reduced by a predetermined value. In analogy to the ant algorithm, this corresponds to the reduction of the pheromone values due to evaporation.

In dem vorangegangenen Ausführungsbeispiel wurde als initiale Wahrscheinlichkeitsverteilung eine Gleichverteilung verwendet. Es ist jedoch auch möglich, unter Einbeziehung von Expertenwissen über die diagnostischen und/oder therapeutischen Daten eine andere Wahrscheinlichkeitsverteilung zu verwenden, welche bereits Vorwissen in Bezug auf bestimmte Abhängigkeiten zwischen den Größen berücksichtigt. Darüber hinaus kann die Kantenverteilung PD so normiert werden, dass eine gewünschte mittlere Kantenanzahl erreicht wird. Dies ist insbesondere von Vorteil bei Graphen mit ausgedünnten Netzstrukturen. Da die Summe über alle Kanten-Wahrscheinlichkeiten die mittlere Anzahl von Kanten in den Graphen darstellt, kann man auf diese Weise a priori einen Ausdünnungsgrad vorgeben.In the previous embodiment became an equal distribution as an initial probability distribution used. However, it is also possible involving expert knowledge of the diagnostic and / or therapeutic data another probability distribution to use, which already has prior knowledge regarding certain dependencies considered between sizes. About that In addition, the edge distribution PD can be normalized such that a desired middle Number of edges is reached. This is especially beneficial Graphene with thinned network structures. Since the sum over all edge probabilities the mean number of edges represented in the graphs, one can in this way a priori one thinning rate pretend.

Das gemäß 1 beschriebene Verfahren wird für eine Mehrzahl von Iterationsschritten wiederholt, wobei ein beliebiges Abbruchkriterium vorgegeben werden kann. Das Abbruchkriterium kann beispielsweise eine vorgegebene Anzahl an Iterationsschritten sein, oder es kann dann abgebrochen werden, wenn immer nur die gleichen Graphen aufgrund der Wahrscheinlichkeitsverteilung generiert werden bzw. die generierten Graphen ein vorbestimmtes Gütemaß erreichen.The according to 1 described method is repeated for a plurality of iteration steps, wherein any termination criterion can be specified. The abort criterion may be, for example, a predetermined number of iteration steps, or it may then be aborted if only the same graphs are always generated on the basis of the probability distribution or the generated graphs reach a predetermined quality measure.

Das soeben beschriebene Verfahren weist alle Vorteile von lernenden Netzwerkverfahren auf, bietet jedoch den Vorteil, dass effizienter und schneller als bisher gelernt werden kann. Es kann zwar der Fall auftreten, dass die Kantenverteilung zu einem Zustand konvergiert, in dem einige Kanten die Wahrscheinlichkeit 1 besitzen und alle anderen die Wahrscheinlichkeit 0 aufweisen. In diesem Fall wurde ein einziges optimales Bayes-Netz gefunden. Im allgemeinen repräsentiert jedoch die Kantenverteilung gerade die aus der Bayesianischen Theorie bekannten a posteriori Verteilung der Graphstrukturen. In dem Bayes-Ansatz werden Vorhersagen unter Berücksichtigung aller im Lichte der Daten wahrscheinlichen Modelle, also durch ein Modellkomitee, getroffen. Das oben beschriebene Verfahren unterstützt diesen Ansatz in natürlicher Weise, da hierfür nur DAG-Graphen gemäß der Kantenverteilung durch Stichproben gezogen werden und ihre Parameter gelernt werden müssen.The The method just described has all the advantages of learning Network method, however, offers the advantage of being more efficient and can be learned faster than before. It may be the case occur that the edge distribution converges to a state where some edges have probability 1 and all others have the probability 0. In this case was found a single optimal Bayesian network. Generally represented However, the edge distribution just from the Bayesian theory known a posteriori distribution of graph structures. In the Bayesian approach predictions are taken into account all in the light of the data probable models, so by a Model committee, hit. The method described above supports this approach in natural Way, because of this only DAG graphs according to the edge distribution be sampled and their parameters learned.

Ein mit dem im Vorangegangenen beschriebenen Verfahren gelerntes probabilistisches Netz kann beispielsweise in einer Bestrahlungsklinik zur Krebstherapie eingesetzt werden. Seit einiger Zeit werden hierbei in der Klinik die erhobenen diagnostischen Daten jedes Patienten (Tumorart, Größe, Position im Körper, molekulares Profil), die gewählten Bestrahlungsparameter (verwendetes Gerät, Dosis, Bestrahlungsprotokoll, Zahl und Abstand der Wiederholungen und dergleichen) sowie Erfolgsparameter (Tumor-Control, Probability/Normal Tissue Complication Probability, Rezidive und dergleichen) festgehalten. Diese Parameter dienen erfindungsgemäß als Knotenvariablen eines Bayesianischen Netzwerkmodells.One learned probabilistic with the method described above For example, the network can be used in cancer clinics in an irradiation clinic be used. For some time now in the clinic the collected diagnostic data of each patient (tumor type, size, position in the body, molecular profile), the selected irradiation parameters (used device, Dose, irradiation protocol, number and interval of repetitions and the like) as well as success parameters (Tumor Control, Probability / Normal Tissue Complication Probability, Recurrences and the like). These parameters serve according to the invention as node variables of a Bayesian network model.

Mit dem anhand von 1 beschriebenen Verfahren wird nunmehr anhand der diagnostischen und/oder therapeutischen Daten einer Vielzahl von behandelten Patienten das Bayesianische Netz gelernt, wodurch kausale bzw. statistische Zusammenhänge zwischen den molekularen und klinischen Parametern von Tumor und Patient, den gewählten Behandlungsparametern und dem Behandlungserfolg gelernt werden. Dieses gelernte Netz wird nunmehr bei neuen Patienten in der Klinik eingesetzt, indem anhand der bekannten diagnostischen Parameter (z. B. Tumorart und Größe) des Patienten ein Behandlungsplan in der Form eines Therapieablaufs auf der Basis des gelernten Netzes erstellt wird. Dazu schlägt das Netz anhand der bekannten Daten vor, ob und ggf. welche weiteren Befunde notwendig sind bzw. wichtige Informationen liefern können (Genotyp-Messung, Hypoxie-Messung, etc.).With the help of 1 The Bayesian network is now learned based on the diagnostic and / or therapeutic data of a large number of patients treated, whereby causal or statistical relationships between the molecular and clinical parameters of tumor and patient, the selected treatment parameters and the treatment success are learned. This learned network is now used in new patients in the clinic by using the known diagnostic parameters (eg tumor type and size) of the patient, a treatment plan in the form of a course of therapy on the basis of the learned network is created. For this purpose, the network proposes, based on the known data, whether and, if so, which other findings are necessary important information (genotype measurement, hypoxia measurement, etc.).

Nach der Erhebung von weiteren Befunden kann dann mit Hilfe des gelernten Netzes eine Bewertung hinsichtlich der Heilungschancen des Patienten erstellt werden. Es resultiert somit ein Entscheidungs-Unterstützungs-System für die Bestrahlungsplanung. Wird mit der Bestrahlung begonnen, so können während des Verlaufs weitere Parameter ermittelt werden und dem System zur wiederholten verbesserten Behandlungsplanung dienen.To The collection of further findings can then be with the help of the learned Net an assessment of the patient's chances of recovery to be created. This results in a decision support system for the Treatment planning. If the irradiation is started, it can be during the Gradually further parameters are determined and the system repeatedly improved Serve treatment planning.

Claims

Method for computer-aided learning of a probabilistic network from a data set (D) comprising diagnostic and / or therapeutic data of medically treated patients, in which: - the probabilistic network is represented by a graph (AG), variables based on the data set (D ) Nodes in the graph (A, B, C) are assigned; The following steps are carried out in several iterations: i) a plurality of graphs (G1, G2, G3, G4) with edges (K1, K2,..., K6) between the nodes (A, B, C) are identified by a Edge probability distribution (PD, PD ') is generated, wherein the edge probability distribution (PD, PD') of each edge (K1, K2, ..., K6) a probability (p _i ) for the occurrence of the edge (K1, K2, ..., K6); ii) for at least part of the graphs (G1, G2, G3, G4), parameters are learned and from this a quality measure (SC) is determined for each of the learned graphs (G1, G2, G3, G4); iii) as a function of the determined quality measures (SC) of the graphs (G1, G2, G3, G4), the edge probability distribution (PD, PD ') is modified such that the probabilities (p _i ) of edges (K1, K2, ..., K6), which are contained in at least the graph (G1, G2, G3, G4) with the highest quality measure (SC), wherein the changed edge probability distribution (PD, PD ') in step i) the next iteration is used.

Method according to Claim 1, in which the data of the Record (D) for a plurality of medically treated patients each following Data includes: - Findings parameter of the patient one or more findings found on the patient, in particular Ge notyp of the patient and / or disease history of the patient and / or historical data of a disease of the patient and / or laboratory values and / or clinical values and / or biochip measurements of the patient.

Method according to Claim 1 or 2, in which the data of the data record (D) for a plurality of medically treated patients each have the following data include: - Therapy parameters one or more therapies performed on the patient, in particular Parameters regarding administered medication and / or performed radiation.

The method of claim 3, wherein the therapy parameters an assessment of the success of each therapy performed include.

Method according to one of the preceding claims, in the data of the data set (D) for a plurality of medical treated patients include the following data: - biological Parameters of the patient, in particular size of the patient and / or age of the patient and / or sex of the patient.

Method according to one of the preceding claims, in the probabilistic network is a Bayesian network whose Graph structure is a directed acyclic graph.

The method of claim 6, wherein the acyclicity of a Graphs (G1, G2, G3, G4) after the generation of each graph (G1, G2, G3, G4) or all graphs (G1, G2, G3, G4) in step i) of respective iteration is checked, where graphene (G1, G2, G3, G4), which are not acyclic, are discarded become.

Method according to Claim 6, in which the graphs (G1, G2, G3, G4) in step i) of the respective iteration step by step by inserting of edges (K1, K2, ..., K6) are generated, wherein after inserting a Edge (K1, K2, ..., K6) is checked, whether the graph (G1, G2, G3, G4) with the inserted edge is acyclic, and being the inserted Edge (K1, K2, ..., K6) is discarded when the check shows that the graph (G1, G2, G3, G4) with the inserted edge is no longer acyclic is.

Method according to one of claims 6 to 8, wherein in step i) the given iteration a given number of graphs (G1, G2, G3, G4) is generated and then from the predetermined number of graphs those graphs (G1, G2, G3, G4) are discarded, which are acyclic.

Method according to one of claims 6 to 8, wherein in step i) the respective iteration generates graphs (G1, G2, G3, G4) until a predetermined number of acyclic graphs (G1, G2, G3, G4) is present.

Method according to one of the preceding claims, wherein in step iii) of the respective iteration the probabilities (p _i ) of the relevant one Edges (K1, K2, ..., K6) are increased by a constant value.

Method according to one of Claims 1 to 10, in which, in step iii) of the respective iteration, the probabilities (p _i ) of the relevant edges (K1, K2, ..., K6) are respectively dependent on the level of the quality measure (SC) of the respective Graph (G1, G2, G3, G4) is increased, in which the relevant edge (K1, K2, ..., K6) is included.

The method of claim 12, wherein increasing the probability (p _i ) of a respective edge (K1, K2, ..., K6) is proportional to the quality measure (SC) of the respective edge (K1, K2, ..., K6 ), in particular the difference between this quality measure (SC) and the average of the quality measures (SC) of the plurality of graphs learned in step ii) (G1, G2, G3, G4).

Method according to one of the preceding claims, in which in step iii) of the respective iteration after increasing the probabilities (p _i ) of the respective edges (K1, K2, K6) all the probabilities of the edges (K1, K2, ..., K6) be reduced to a predetermined value.

Method according to one of the preceding claims, in which normalizes the edge probability distribution (PD, PD ') is that a given average number of edges (K1, K2, ..., K6) occurs in the generated graph (G1, G2, G3, G4).

Method according to one of the preceding claims, in the quality measure (SC) The measure is how probably the learned graph (G1, G2, G3, G4) the record (D) generated from diagnostic and / or therapeutic data.

Method according to claim 16, wherein the quality measure (SC) of the BDe score is.

Method according to one of the preceding claims, in at the beginning of the iterations as edge probability distribution (PD, PD ') an equal distribution is given.

Method according to one of the preceding claims, in at the beginning of the iterations as edge probability distribution (PD, PD ') a probability distribution is given which expert knowledge about the diagnostic and / or considered therapeutic data.

Method according to one of the preceding claims, in the process after a number of iterations depending is terminated by an abort criterion, the abort criterion preferably an achieved quality measure of in the respective iteration learned graph (G1, G2, G3, G4).

Method for computer-aided determination of a clinical Therapy of a patient using one with a procedure according to one of the preceding claims learned probabilistic network, in which: - the available from the patient diagnostic and / or therapeutic data as input values of the Node (A, B, C) of the graph (G1, G2, G3, G4) of the probabilistic Netzes are determined and determined from this one or more next therapeutic steps become.

The method of claim 21 in combination with a according to claim 4 learned probabilistic network, where the probability distribution in terms of the success of the next therapy steps, in particular by means of Bayesian inference.

The method of claim 22, wherein the therapy step with the highest Probability of success as the next therapy step is determined.

A method according to claim 22 or 23, wherein the Therapy procedure after the procedure one or more therapeutic steps is recreated, with at the determination of the new course of therapy the data of the conducted Therapy steps as input values of the nodes of the graph (AG) of the probabilistic Net inflow.

Computer program product with one on a machine-readable carrier stored program code for performing a method after a of the preceding claims, if the program runs on a computer.