從審查意見看人工智能+醫(yī)療領(lǐng)域?qū)＠淖珜懖呗?/a>

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

來源：IPRdaily中文網(wǎng)（iprdaily.cn）

作者：史珍珍

原標題：從審查意見看人工智能+醫(yī)療領(lǐng)域?qū)＠淖珜懖呗?/span>

算法與具體應用場景緊密結(jié)合形成的技術(shù)方案才使得人工智能專利符合專利保護客體的要求，否則會因《專利法》第二十五條的“智力活動的規(guī)則和方法”所排除，因為這種結(jié)合必要性的存在，人工智能專利申請涉及的創(chuàng)造性問題主要有兩種情況：

A：算法不變，應用場景變化，即當同一項人工智能算法被應用到另一應用場景時，技術(shù)方案是否具備創(chuàng)造性？

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

一、創(chuàng)造性論證思考

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

在審查中，不應當簡單割裂技術(shù)特征與算法特征或商業(yè)規(guī)則和方法特征等，而應將權(quán)利要求記載的所有內(nèi)容作為一個整體，對其中涉及的技術(shù)手段、解決的技術(shù)問題和獲得的技術(shù)效果進行分析。具體的，是否考慮算法特征對技術(shù)方案的創(chuàng)造性做出貢獻，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)問題的技術(shù)手段，并且能夠獲得相應的技術(shù)效果。

對審查指南的上述規(guī)定進行正向理解，對應B場景下創(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)明人做出改進的僅僅是算法特征，并沒有改進技術(shù)特征，則審查員極有可能認為算法的改進沒有解決技術(shù)問題，這時需要側(cè)重不同算法在技術(shù)問題解決過程中與技術(shù)特征的特定融合對發(fā)揮創(chuàng)造性貢獻的促進作用。

對審查指南的上述規(guī)定進行反向理解，對應A場景下創(chuàng)造性的論證：若申請文件中其他技術(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問題，實現(xiàn)相應的技術(shù)效果，這時應該強調(diào)論證不同應用場景中遇到的技術(shù)困難、克服所述技術(shù)困難的技術(shù)構(gòu)思以及產(chǎn)生的預料不到的技術(shù)效果，更加側(cè)重不同場景對算法的不同需求和不同的結(jié)合過程，側(cè)重不同場景下技術(shù)手段的調(diào)整或改進對算法特征發(fā)揮創(chuàng)造性貢獻的促進作用。

二、案例分析

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

對比文件和本申請均屬于醫(yī)學圖像處理技術(shù)領(lǐng)域，對比文件中XX圖像的識別方法，同樣適應于本申請YY圖像的識別，使用特定的訓練集對神經(jīng)網(wǎng)絡(luò)進行訓練，是本領(lǐng)域常用技術(shù)手段，XX圖像和YY圖像均為本領(lǐng)域常見的圖像病變特征，因此將對比文件的技術(shù)方案應用到本申請中圖像的識別，是易于想到的，不具備創(chuàng)造性。

可以看出審查員用了三個論點來否認本申請的創(chuàng)造性，下面我們針對這三種不同的論證方向逐一破解并尋求可撰寫的方向。

1）對比文件中XX圖像的識別方法，同樣適應于本申請YY圖像的識別

問題：

本申請與對比文件采用了相同的識別方法，都是應用現(xiàn)有技術(shù)的相同或類似的AI模型。

破解：

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

撰寫示例：

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

1.一種神經(jīng)網(wǎng)絡(luò)識別裝置，其特征在于，包括輸入層、與所述輸入層連接的多個共享卷積層、與所述多個共享卷積層連接的多個目標區(qū)域池化層、與所述多個共享卷積層和所述多個目標區(qū)域池化層連接的多個深層特征卷積層以及與所述多個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圖像；

所述多個共享卷積層，用于對所述目標圖像進行特征提取，得到多個目標全局特征圖；對所述多個目標全局特征圖進行特征提取，得到多個基礎(chǔ)屬性，所述基礎(chǔ)屬性為所述目標圖像的屬性中的淺層屬性；

所述多個目標區(qū)域池化層，用于對所述多個目標全局特征圖進行圖像分割，得到多個目標局部特征圖；

所述多個深層特征卷積層，用于根據(jù)所述多個基礎(chǔ)屬性對所述多個目標全局特征圖和所述多個目標局部特征圖進行特征提取，得到多個目標全局屬性和多個目標局部屬性；

所述輸出層，用于根據(jù)所述多個目標全局屬性和所述多個目標局部屬性確定所述目標圖像中的目標車輛的屬性和所述目標車輛的駕駛員的屬性，并輸出所述目標車輛的屬性和所述駕駛員的屬性。

本申請通過局部特征圖和全局特征圖分別提取特征，提高了目標車輛和其駕駛員的識別準確率，與現(xiàn)有技術(shù)相比新增了目標區(qū)域池化層和深層特征卷積層，通過多個目標區(qū)域池化層對多個目標全局特征圖進行圖像分割得到多個目標局部特征圖，在多個基礎(chǔ)屬性的基礎(chǔ)上通過多個深層特征卷積層對多個目標全局特征圖和多個目標局部特征圖進行特征提取得到多個目標全局屬性和多個目標局部屬性，即描述了模型的各個邏輯分層對圖像的處理過程，具備創(chuàng)造性。

2）使用特定的訓練集對神經(jīng)網(wǎng)絡(luò)進行訓練，是本領(lǐng)域常用技術(shù)手段

問題：

本申請與對比文件的模型訓練方式相同，都是通過特定的訓練集對神經(jīng)網(wǎng)絡(luò)進行訓練

破解：

1）通過自定義特征向量進行訓練

撰寫示例：

CN202111147191.0   一種胃早癌模型訓練方法、裝置、計算機設(shè)備及存儲介質(zhì)

獲取胃早癌圖片樣本集；

對所述胃早癌圖片樣本集中的各病灶圖片進行特征識別，得到所述各病灶圖片的特征向量；具體包括：對所述胃早癌圖片樣本集中的各病灶圖片進行特征識別，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設(shè)類別對應關(guān)系確定各預設(shè)特征屬性的特征類別，所述特征類別包含第一特征類別和第二特征類別，所述第一特征類別對應多分類特征屬性，所述第二特征類別對應二分類特征屬性，所述預設(shè)類別對應關(guān)系為各預設(shè)特征屬性的病灶特征信息與特征類別的對應關(guān)系；根據(jù)所述第一特征類別得到多個所述第一特征值，所述第一特征值的數(shù)量與所述多分類特征屬性的特征分類數(shù)量相同；根據(jù)所述第二特征類別得到第二特征值；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預設(shè)初始模型進行訓練，得到胃早癌識別模型。

本申請的訓練輸入除胃早癌圖片樣本集外，還將多個胃早癌病灶特征量化成特征向量，進而對模型進行訓練，得到的模型綜合識別多個胃早癌病灶特征，具備創(chuàng)造性。

2）改進模型訓練中目標函數(shù)的確定方式或樣本的生成方式

撰寫示例：

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

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

“其中，所述強監(jiān)督目標函數(shù)是通過如下方式確定的：

分別針對每個強標簽訓練消化道內(nèi)鏡圖像樣本，根據(jù)強標簽訓練消化道內(nèi)鏡圖像樣本對應的強標簽信息中病變位置，分別確定強標簽訓練消化道內(nèi)鏡圖像樣本的圖像特征信息中每個圖像塊與病變位置的重疊率，若重疊率不小于閾值，則將對應圖像塊標記為1，否則標記為0，獲得強標簽訓練消化道內(nèi)鏡圖像樣本是否屬于對應的強標簽信息中病變類別的標記信息；并獲得強標簽訓練消化道內(nèi)鏡圖像樣本是否屬于除強標簽信息中病變類別的其它預設(shè)病變類別的標記信息為0；分別根據(jù)每個強標簽訓練消化道內(nèi)鏡圖像樣本是否屬于各病變類別的標記信息和圖像特征信息，確定強監(jiān)督目標函數(shù)?！?br/>

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

3）對比文件的XX圖像和本申請的YY圖像均為本領(lǐng)域常見的圖像病變特征

問題：

本申請和對比文件是基于相同的圖像病變特征來識別，即都將AI模型完全當成黑匣子來使用，直接應用AI模型的輸出結(jié)果，沒有后續(xù)的處理。

破解：

在數(shù)據(jù)預處理階段，豐富圖像的處理方式，比如樣本標注、數(shù)據(jù)擴增、特征融合等，或者限定圖像來源的特定場景，總體使得輸入圖像更加適用于本申請選定的模型，獲得更優(yōu)的模型輸出效果。

撰寫示例：

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

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

對結(jié)直腸部位圖像進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模型，對所述結(jié)直腸部位圖像的梯度特征融合圖進行識別；

所述邊緣特征圖融合包括：

對色彩均衡化處理后的圖像進行縮放，得到縮放圖像；

將所述縮放圖像進行邊緣提取，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。

本申請通過對結(jié)直腸部位圖像進行色彩均衡化處理和邊緣特征圖融合處理構(gòu)建識別樣本，可有效的統(tǒng)一及加強圖像特征，并通過ResNest Block進行特征提取，能更準確預測結(jié)直腸息肉分型結(jié)果。

來源：IPRdaily中文網(wǎng)（iprdaily.cn）

作者：史珍珍

編輯：IPRdaily王穎          校對：IPRdaily縱橫君

注：原文鏈接：從審查意見看人工智能+醫(yī)療領(lǐng)域?qū)＠淖珜懖呗?/span>（點擊標題查看原文）

兩天掌握涉外商標代理業(yè)務！涉外商標代理高研班「廣州站」

「關(guān)于IPRdaily」

IPRdaily是全球領(lǐng)先的知識產(chǎn)權(quán)綜合信息服務提供商，致力于連接全球知識產(chǎn)權(quán)與科技創(chuàng)新人才。匯聚了來自于中國、美國、歐洲、俄羅斯、以色列、澳大利亞、新加坡、日本、韓國等15個國家和地區(qū)的高科技公司及成長型科技企業(yè)的管理者及科技研發(fā)或知識產(chǎn)權(quán)負責人，還有來自政府、律師及代理事務所、研發(fā)或服務機構(gòu)的全球近100萬用戶（國內(nèi)70余萬+海外近30萬），2019年全年全網(wǎng)頁面瀏覽量已經(jīng)突破過億次傳播。

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

本文來自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，如若轉(zhuǎn)載，請注明出處：“http://jupyterflow.com