基于人工智能的疾病輔助診斷方法的可專利性

劉 超

（國家知識產權局專利局專利審查協作北京中心，北京 100083）

人工智能技術是架構在三大底層技術基礎之上的綜合技術：第一個基礎技術是圖像識別技術，識別圖像中不同模式的目標和對象；第二個基礎技術是語音識別和自然語言處理技術，其目的是將人類語音中的詞句內容轉變為計算機可讀的數據；第三個基礎技術是知識圖譜技術，利用可視化技術顯示知識資源及知識載體，分析、挖掘、構建與展示知識及知識間的關聯[1]。人工智能目前處于以深度學習神經網絡算法為核心特征的第三波發展高潮[2]。

癌癥是嚴重威脅人類生存和健康的疾病，“早發現、早診斷、早治療”對提高治療效果、改善生活質量、延長預期壽命十分重要。臨床上癌癥篩查主要依靠影像學檢查和活體組織檢查。癌癥的臨床早期篩查面臨著一些問題，比如醫療資源不均衡、影像成像質量不同、影像數據量大、人工閱片耗時長，醫生經驗和主觀因素的差異可能導致閱片錯誤，存在漏診誤診的風險[3]。

人工智能在醫學影像輔助診斷中的應用在醫學人工智能領域占有舉足輕重的地位[4]。人工智能輔助診斷與醫師診斷相比，具有不受醫師主觀性、經驗差異及疲勞等人為因素影響的自身優越性[5]，可以有效提高醫師診療效率與診斷精度，縮短患者就診等待時間，降低患者就醫成本[6]?；谌斯ぶ悄芗夹g來分析醫學影像、病理圖像、生化數據、基因、其他臨床信息及大數據，并給出輔助診斷結論已成為現代醫療診斷的重要發展趨勢。

專利法第25 條第一款第（三）項（以下簡稱專利法25.1（3））規定了對疾病的診斷和治療方法不授予專利權。隨著人工智能技術特別是神經網絡的發展，以計算機程序為主的創新方案輔助醫生進行疾病的醫學診斷的相關專利越來越多，經常落入“疾病的診斷方法”這一不授予專利權情形。在審查實踐中，對于專利申請個案是否屬于疾病的診斷方法經常存在爭議，部分醫學工作者和工程技術人員由于對專利法25.1（3）不夠理解或理解錯誤，導致創新方案未能獲得適當的專利保護。

為了幫助醫學工作者和工程技術人員了解疾病的診斷方法的相關法律規定，獲得適當的專利保護，本文將從疾病的診斷方法 的法律規定出發，通過典型案例結合審查實踐，對疾病的診斷方法判斷中的爭議點進行分析和探討，研究專利保護策略，促進創新方案獲得適當的專利保護。

一、人工智能輔助診斷技術

人工智能輔助診斷是指以機器人工智能來代替人類醫生進行醫療診斷[7]。人工智能輔助診斷方法一般由機器實施，通常無需醫生的參與或者僅需要醫生少量的參與，其主要處理各種與患者的疾病或健康狀況有密切聯系的醫學數據，包括醫學影像、病理圖像、生化數據、基因、電子病歷、其他臨床數據、大數據等[8]。將人工智能引入醫療診斷和決策，允許其基于我們可能不知道的生理關系進行診斷，能極大地減少誤診和漏診。

人工智能輔助診斷的主要技術有計算機輔助診斷（computer aided diagnosis，CAD）、傳統機器學習（machine learning，ML）和深度學習（deep learning，DL）。計算機輔助診斷利用計算機對醫學圖像進行分析并發現異常，輔助作出診斷與鑒別，其工作流程包括：數據獲取、圖像預處理、圖像分割、病變檢測以及分類等；它還可以輔助醫生作出更科學合理的決策，減少觀察者間及觀察者內部差異，有效管理和整合患者大數據資料等[9]?；趥鹘y機器學習的輔助診斷方法通過計算機的運算能力，對大量的醫療數據在相對短的時間內進行數據分析、建模和訓練，探究各種醫學指標之間的關系，通過訓練后的模型來預測并輔助診斷疾病[10-11]。深度學習是建立在人工神經網絡基礎上的機器學習技術，神經網絡可以分析各種訓練圖像，提取特定的圖像特征，根據累積的特征可對新獲得的圖像進行病灶檢測、分類等。與傳統機器學習相比較，深度學習可直接將圖像本身應用于學習過程中，無需人工特征提取，使得其學習過程更加快捷、智能和精準；而且深度學習還可從既往的錯誤中不斷迭代和學習改進。

隨著人工智能的深度學習功能的不斷增強，人工智能輔助診斷技術已慢慢成熟。例如，基于人工智能的乳腺癌輔助診斷已實現了乳腺癌的檢測，醫學影像中組織的自動分割，良惡性分類、分級，醫學影像增強等。乳腺X 線智能輔助診斷的企業和產品有：深度思維（DeepMind）、英特爾、Hologic、Medipattern、深睿醫療（DeepWise）、依圖醫療（YITU）、騰訊的騰訊覓影、推想科技（Infervision）、醫準智能（Medical AI）、東軟等。肺部CT 智能輔助診斷的企業和產品有：深睿醫療的Dr.Wise、阿里健康的Doctor You、騰訊的騰訊覓影，以及圖瑪深維（12 Sigma）、推想科技、依圖醫療、醫準智能、科大訊飛、平安科技、深度思維、西門子、飛利浦、ARTERYS、GE 等公司[6]49-50。

由此產生了大量人工智能輔助診斷的創新解決方案。人工智能輔助診斷技術的核心是基于算法、模型來求解醫療領域特定的問題、輔助疾病診斷，因而在人工智能輔助診斷專利申請中，請求保護的技術方案經常落入疾病診斷方法這一不受專利法保護的客體的情形。

二、疾病診斷方法的相關規定和難點

出于人道主義的考慮和社會倫理的原因，醫生在診斷和治療過程中應當有選擇各種方法和條件的自由。另外，這類方法直接以有生命的人體或動物體為實施對象，無法在產業上利用，不屬于專利法意義上的發明創造?；谝陨蟽牲c考量，專利法25.1（3）規定了對疾病的診斷方法不授予專利權。

《專利審查指南2010》規定了一項與疾病診斷有關的方法如果同時滿足以下兩個條件，則屬于疾病的診斷方法：1 以有生命的人體或動物體為對象；2 以獲得疾病診斷結果或健康狀況為直接目的。

從上述規定來看，關于疾病診斷方法的判斷只有兩個條件，文字表述也很短，但是在專利審查實踐中，對于人工智能輔助診斷專利申請個案是否屬于疾病診斷方法往往存在著爭議。首先是這些方法所針對的對象是多方面的，除了直接以有生命的人體或動物體為對象之外，更多的人工智能輔助診斷方法并不直接在患者身體上實施，而是對來自患者的醫學數據進行分析或處理，例如對醫學影像進行處理來輔助診斷，有一種觀點認為這些方法的對象是圖像，而非有生命的人體，不滿足條件1。另一個難點是對于方法的直接目的的判斷：方法是基于醫學圖像的疾病診斷方法，還是僅僅是圖像處理方法？方法獲得的結果是診斷結果，還是僅僅是中間結果？如何判斷方法的直接目的和最終目的？

本文從近幾年的專利申請個案中篩選出涉及人工智能輔助診斷的專利申請，選取其中的典型案例，分析對疾病診斷方法的具體判斷方法，以及如何撰寫、修改權利要求，獲得適當的專利保護。

三、疾病診斷方法的案例和分析

（一）涉及圖像處理的方法

醫學圖像處理是圖像處理算法與醫學信息的結合，其可以包含對圖像的通用算法如去噪、增強、配準步驟，也可以包含出于醫療目的的特殊處理步驟，例如分割出感興趣區域（如病變組織）、提取圖像特征，這樣的技術方案并不是單純的對圖像像素進行操作，而是結合了醫學圖像與正?；虍惓Ｉ斫M織的關聯關系，使得是否屬于疾病診斷方法的判斷變復雜。

根據疾病診斷方法的判斷條件(1)和(2)分兩步進行判斷。

醫學圖像數據是通過拍攝有生命的人體或者動物體而獲得的，其圖像內容顯示的是該有生命的人體或者動物體的生理組織信息，拍攝不同的人體或者動物體，所獲得的圖像內容是不同的。雖然醫學圖像處理方法的直接操作對象是醫學圖像數據，但是醫學圖像數據與該有生命的人體或者動物體是直接相關的，如果方法以獲得同一主體疾病診斷結果或健康狀況為直接目的，則屬于專利法25.1（3）規定的疾病診斷方法。

“直接目的”是判斷醫學圖像處理方法是否屬于疾病診斷方法的關鍵點和難點。如果技術方案中明確寫了獲得診斷結果的步驟，這樣的技術方案顯然是以疾病診斷為直接目的；或者雖然不包含獲得具體診斷結果的步驟，但是包含了將圖像處理的結果與正常值進行對照、比較的步驟，那么這樣的技術方案仍然是以疾病診斷為直接目的。在實際審查中遇到的技術方案通常更為復雜，有時候需要結合說明書中的記載，或者結合現有技術中的醫學知識來判斷利用該結果能否直接獲得疾病診斷結果。如果不能直接獲得疾病診斷結果，那么該醫學圖像處理方法獲得的結果屬于中間結果，并不是以疾病診斷為直接目的。

1.案例1

權利要求：一種用于在磁共振MR 腦圖像數據中識別異常的計算機實現的方法，所述方法包括：

由計算機接收對象的腦部的多對比度MR 圖像數據；

在多對比度MR 圖像數據內識別(i)包括一個或多個可疑異常的異常區域和(ii)包括健康組織的健康區域；

由計算機創建健康區域的模型；

由計算機基于異常區域和模型為多對比度MR圖像數據中的每個體素計算新奇得分；以及

由計算機基于為多對比度MR 圖像數據中的每個體素計算的新奇得分創建對象的腦部的異常圖。

案例分析：權利要求的方法中由計算機接收對象的腦部的多對比度MR 圖像數據，并最終對獲得的MR 腦圖像數據進行分析并獲得腦部的異常圖，在MR 腦圖像數據中識別異常，因此顯然與疾病直接相關，獲取的是診斷結果，雖然該方法從表面上看并未以有生命的人體或動物體為直接對象，但由于其所處理的MR 腦圖像數據是來自人體的，與患者直接相關，以獲得MR 腦圖像數據的同一主體的腦部異常診斷結果為直接目的，因此屬于專利法25.1（3）的疾病診斷方法。

2.案例2

權利要求：一種圖像分辨方法，用于分辨乳房X 射線攝影系統采集的投影圖像，其特征在于，包括：

根據投影圖像的最大灰度值，分辨投影圖像是否是低劑量圖像；

根據投影圖像的梯度圖像的最大灰度值或者投影圖像的標準差與其灰度平均值的比值，分辨投影圖像是否是模體圖像；

根據投影圖像胸壁側位置的灰度值，分辨投影圖像是否是病理圖像。

案例分析：權利要求的方法是對乳房X 射線攝影系統所采集到的投影圖像進行處理來判斷圖像的類型，根據投影圖像的一些特征值來分辨投影圖像是低劑量圖像、模體圖像還是病理圖像。雖然說明書中記載了“可以針對采集到的不同類型的投影圖像匹配相應的圖像后處理算法”，但是權利要求并不包括圖像后處理步驟，例如，不包括對病理圖像進一步分析以獲得病變位置、良惡性分類等，也未涉及任何分析、比較等診斷步驟，方法獲得的結果是圖像屬于低劑量圖像、模體圖像、病理圖像的哪一種，而病理圖像必須經過進一步處理才能得出診斷結果，因此，獲得的結果屬于“中間結果”，該方法不屬于疾病的診斷方法。

3.案例3

權利要求：一種基于紋理基元的圖像腫塊良惡性的分類方法，其特征在于，包括：

將訓練用腫塊區域圖像進行歸一化處理，將歸一化處理后的腫塊區域圖像劃分為中心區域和外圍區域，對中心區域和外圍區域分別構建可區分紋理字典，然后分別得到中心區域和外圍區域的特征；

對中心區域和外圍區域的特征進行融合得到歸一化處理后的腫塊區域圖像的特征向量；

將待識別腫塊區域圖像進行歸一化處理，提取歸一化處理后腫塊圖像區域的特征向量Fq，將腫塊區域圖像的特征向量Fq輸入到訓練好的K 近鄰分類器，得到待識別的腫塊區域圖像的良惡性分類結果。

案例分析：權利要求采用了K 近鄰算法，實現了數據分析、建模、訓練、通過訓練后的模型輸出結果這一完整的人工智能輔助診斷流程，其所處理的圖像數據來自人體，并最終獲得了待識別的腫塊區域圖像的良惡性分類結果，因此是典型的專利法25.1（3）的疾病診斷方法。

申請人對權利要求進行了修改。

新的權利要求：基于紋理基元對圖像腫塊分析的方法，其特征在于，包括：

將訓練用腫塊區域圖像進行歸一化處理，將歸一化處理后的腫塊區域圖像劃分為中心區域和外圍區域，對中心區域和外圍區域分別構建可區分紋理字典，然后分別得到中心區域和外圍區域的特征；

對中心區域和外圍區域的特征進行融合得到歸一化處理后的腫塊區域圖像的特征向量；

將歸一化處理后的訓練用腫塊區域圖像的特征向量組合成訓練樣本特征矩陣，訓練K 近鄰分類器；

雖然和鄰居只有一墻之隔，但根本不認識，平時連招呼都沒打過。只知道他們一家三口住，男的經常出差，只有女人帶著一個四五歲正在上幼兒園的小女孩。

將待識別腫塊區域圖像進行歸一化處理，提取歸一化處理后腫塊圖像區域的特征向量Fq，將腫塊區域圖像的特征向量Fq輸入到訓練好的K 近鄰分類器。

案例分析：權利要求中的“腫塊良惡性的分類”“得到待識別的腫塊區域圖像的良惡性分類結果”被刪除，希望通過修改使方法的直接目的不再是獲得疾病診斷結果或健康狀況，而是準確地對K近鄰分類器進行訓練，提高計算機等儀器設備對腫塊圖像分析的準確度。說明書中記載了“將腫塊區域圖像的特征向量Fq輸入到訓練好的K 近鄰分類器，得到待識別的腫塊區域圖像的良惡性分類結果”。結合說明書的記載以及K 近鄰分類器的原理可以確定，只要將待識別腫塊區域圖像的特征向量Fq輸入到訓練好的K 近鄰分類器，就可以得到良惡性分類結果。因此，雖然從文字上刪除了“得到良惡性分類結果”，但是并沒有從實質上克服缺陷，結合說明書可以確定方法獲得的仍然是疾病診斷結果。

（二）以獲得疾病診斷結果或健康狀況為直接目的

如果請求專利保護的方法中包括了診斷步驟或者雖未包括診斷步驟但包括檢測步驟，而根據現有技術中的醫學知識和該專利申請公開的內容，只要知曉所說的診斷或檢測信息，就能夠直接獲得疾病的診斷結果或健康狀況，則該方法滿足上述條件2。

1.案例4

權利要求：一種基于人工神經網絡腫瘤標志聯合檢測輔助診斷肝癌的方法，其特征在于：包括以下步驟：

1）收集病人的血樣標本；

2）采用化學發光免疫檢測試劑盒分別測定血清中甲胎蛋白（AFP）、癌胚抗原（CEA）、糖類抗原125（CA125）含量；運用可見分光度法測定血清中的唾液酸（SA）的水平；偶氮砷Ⅲ終點法測定血清中的鈣Ca 水平；

3）利用統計學對所有數據進行描述性統計分析，實驗數據如果是正態分布，則以平均數±標準偏差表示；如果不是正態分布，則以中位數及測量范圍表示；

4）以診斷靈敏度、特異度、準確度、陽性預測值和陰性預測值作為評價指標；

5）采用反向傳播神經網絡算法，輸入層為5個神經元，隱含層為15 個神經元，輸出層取1 個神經元，訓練集包括有肝癌患者組、肝良性疾病患者組、正常人組，將訓練集放入設定好的反向傳播神經網絡進行網絡訓練，正常人組的期望輸出值為0.1；肝良性疾病患者組的期望輸出值為0.5；肝癌患者組的期望輸出值為0.9，經過迭代后得到訓練好的模型；

6）用步驟5）中訓練好的模型對相應的測試集進行預測。

案例分析：權利要求的主題名稱已經點明了是“輔助診斷肝癌”，即以診斷為目的。該方法包括收集病人的離體樣本、建立模型、訓練、最后利用訓練好的模型進行預測，評價指標為“診斷靈敏度、特異度、準確度、陽性預測值和陰性預測值”，完整地包括了人工智能輔助診斷的全過程，屬于疾病的診斷方法。說明書記載了“人工神經網絡聯合AFP、CEA、CA125、鈣離子、唾液酸等多個腫瘤標志聯合檢測，提高了肝癌診斷的準確率及陽性率，減少了漏診和誤診”。該方法雖然使用離體樣本進行建模，以離體樣本為對象，但是是以獲得同一主體的疾病診斷結果為直接目的，根據獲得的腫瘤標志聯合檢測結果，能夠直接得出疾病的診斷結果。

2.案例5

權利要求：疾病的快速輔助定位方法，其特征在于，包括：

接收患者描述的罹患疾病的所有表型，并采用接收的所有表型構建患者描述表型集；

獲取表型注釋數據庫中具有患者描述的表型的所有疾??；

查找每種疾病所對應的表型，并采用每種疾病所對應的表型分別構建相關疾病表型集；

計算患者描述表型集與每個相關疾病表型集的相似度：

其中，T1為患者描述表型集，T2為相關疾病表型集，sim(T1,T2)為集合T1與集合T2之間的相似度，t1和t2是疾病所對應的兩種不同的表型，sim(t1,t2)為表型t1和t2之間的相似度；

比較患者描述表型集與所有相關疾病表型集的相似度，相似度值越大，則患者罹患當前相似度對應疾病的概率越大。

案例分析：說明書中記載了“在罕見疾病的臨床診斷中，一個常見的問題便是如何根據患者的表型信息快速準確地分析出其罹患的具體的疾病類型。表型注釋數據庫從人類表型本體官方網站獲得的罕見疾病和每種罕見疾病對應的表型構建而成，由于數據集中的所有疾病及每種疾病的相關表型均來自于全球權威機構，因此更助于后面準確定位疾病的準確性和可靠性，獲取表型注釋數據庫中具有患者描述的表型的所有疾病，比較患者描述表型集與所有相關疾病表型集的相似度，相似度值越大，則患者罹患當前相似度對應疾病的概率越大”。由此可見，權利要求的方法計算患者罹患表型注釋數據庫中的疾病的概率，而是否確實罹患該疾病則還需要醫生的進一步判斷，因此該方法實質上是一種信息處理方法，產生的結果僅為醫生更準確地診斷疾病和制定治療方案提供參考，在此基礎上，醫生需要根據患者的具體情況并結合其它檢查數據才能給出確定的診斷結果，因此不屬于專利法25.1（3）規定的疾病診斷方法。

比較案例4 和案例5，案例4 利用人工神經網絡模型診斷肝癌，對肝癌總的敏感度為93.3%，特異性為96.0%，準確度為95.5%，陽性預測值為93.75%，陰性預測值為96.2%，案例5 獲得患者罹患對應疾病的概率，從表述上看兩者有相似性，然而結論卻相反。在判斷方法是否獲得疾病診斷結果時，有時候需要結合說明書中的記載，或者結合現有技術中的醫學知識才能得出正確結論。臨床上疾病的診斷主要依靠影像學檢查和活體組織檢查。案例4 說明書記載了“腫瘤標志的檢測對肝癌的早期診斷有著至關重要的作用，AFP、CEA、CA125、鈣離子、唾液酸等多個腫瘤標志聯合檢測，提高了肝癌診斷的準確率及陽性率，減少了漏診和誤診”。腫瘤標志物是反映腫瘤存在的一類物質，它們的存在或量變可以提示腫瘤的性質，借以了解腫瘤的組織發生、細胞分化、細胞功能，以幫助腫瘤的診斷、分類、預后判斷以及治療指導。案例5 比較患者描述表型集與所有相關疾病表型集的相似度，獲得患者罹患對應疾病的概率，但是根據權利要求的公式計算得到的相似度并不能得出臨床診斷結論，還需要醫生結合患者具體情況和其他檢查數據進行分析及確認。

3.案例6

權利要求：一種基于循環神經網絡的患病風險預測方法，包括以下步驟：

1 利用診斷的疾病作為訓練樣本，進行疾病名稱分布式詞向量訓練，得到詞向量映射矩陣，并進行存儲；

2 再次利用診斷的疾病作為訓練樣本，進行循環神經網絡訓練，得到患病風險預測模型；

3 將病人歷史記錄中每種診斷疾病作為一個測試樣本輸入患病風險預測模型，得到患病風險預測結果。

案例分析：權利要求的主題名稱點明了是“患病風險預測”方法，將樣本輸入經訓練的患病風險預測模型并得到患病風險預測結果。疾病的診斷方法的判斷條件2 是以獲得疾病診斷結果或健康狀況為直接目的，這里的“健康狀況”應當理解為：患病風險度、健康狀況、亞健康狀況以及治療效果等。因此，患病風險度評估方法、健康狀況/亞健康狀況的評估方法都屬于疾病的診斷方法。

修改后的權利要求：一種基于循環神經網絡的患病風險預測模型的構建方法，患病風險預測模型的構建方法包括以下步驟：

1 利用診斷的疾病作為訓練樣本，進行疾病名稱分布式詞向量訓練，得到詞向量映射矩陣，并進行存儲，具體包括以下步驟：

1-1 對疾病診斷數據進行預處理：將每名患者的m 種疾病按照診斷的順序排序，選取前n 種疾病組成第一個疾病序列，選取第2 種疾病～第n+1種疾病組成第二個疾病序列，選取第3 種疾病～第n+2 種疾病組成第三個疾病序列，以此類推，得到m-n+1 個疾病序列，n 的取值為5、7 或9，m 為自然數；

1-2 將每個疾病序列中處于中間位置的疾病作為詞向量訓練模型的真實輸出，剩余的疾病組成的序列作為詞向量訓練模型訓練樣本，將訓練樣本中的每種疾病按照診斷的順序依次輸入到詞向量訓練模型，進行疾病名稱分布式詞向量訓練，得到每個疾病所對應的分布式詞向量，從而組成詞向量映射矩陣，并進行存儲；

2 再次利用診斷的疾病作為訓練樣本，進行循環神經網絡訓練，得到患病風險預測模型。

案例分析：權利要求主題名稱由患病風險預測方法修改為患病風險預測模型的構建方法，并刪除了“得到患病風險預測結果”步驟。修改后的方法的直接目的是通過訓練得到患病風險預測模型。從該模型本身不能直接得出疾病的診斷結果，如果希望得到患病風險預測結果，則還需要將相應的測試樣本輸入患病風險預測模型。因此沒有以獲得疾病的診斷結果為直接目的，不屬于疾病的診斷方法。

（三）保護產品權利要求

根據專利法的規定，疾病的診斷方法不能被授予專利權。但是，用于實施疾病診斷方法的儀器或裝置，以及在疾病診斷方法中使用的物質或材料屬于可被授予專利權的客體。人工智能輔助診斷方法的核心是人工智能算法，創新點全部或者大部分以計算機程序實現，如果能夠將創新方案撰寫為產品權利要求，那么就不會落入專利法25.1（3）“疾病的診斷方法”這一不予專利保護的情形。

為了加強大數據等領域的知識產權保護規則研究，推動完善相關法律法規，2017 年4 月1 日開始施行的《專利審查指南2010》修訂版中，作出了如下幾點修訂：1 允許采用“介質+計算機程序流程”的權利要求的表達方式；2 明確裝置權利要求的組成部分可以包括程序；3 將“功能模塊”修改為“程序模塊”。

1 對于“全部以計算機程序流程為依據”的解決方案，可以寫成“介質+計算機程序流程”的表達形式，例如“一種計算機可讀存儲介質，其上存儲有計算機程序（或計算機指令），其特征在于，該程序（或指令）被處理器執行時實現以下步驟……”，或，“一種計算機可讀存儲介質，其上存儲有計算機程序（或計算機指令），其特征在于，該程序（或指令）被處理器執行時實現權利要求x 所述方法的步驟”。

2 涉及計算機程序的發明專利申請如果寫成裝置權利要求，裝置的組成部分不僅可以包括硬件，還可以包括程序，可以寫成“一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現以下步驟……”，或，“一種醫用裝置，包括：硬件改進特征1；以及控制器，控制器包括存儲器和處理器，其中存儲器存儲有計算機程序，程序被處理器執行時能夠實現以下步驟……”。

3 如果全部以計算機程序流程為依據，按照與該計算機程序流程的各步驟完全對應一致的方式，或者按照與反映該計算機程序流程的方法權利要求完全對應一致的方式，撰寫裝置權利要求，即這種裝置權利要求中的各組成部分與該計算機程序流程的各個步驟或者該方法權利要求中的各個步驟完全對應一致，則這種裝置權利要求中的各組成部分應當理解為實現該程序流程各步驟或該方法各步驟所必須建立的程序模塊，由這樣一組程序模塊限定的裝置權利要求應當理解為主要通過說明書記載的計算機程序實現該解決方案的程序模塊構架。

因此，對于一項全部以計算機程序流程為依據的人工智能輔助診斷解決方案，可以撰寫為三種不同形式的產品權利要求：與方法步驟一一對應的“程序模塊構架”的裝置權利要求、既包括硬件還包括程序的裝置權利要求，或“介質+計算機程序流程”，此時的權利要求是產品權利要求，因此不再屬于專利法25.1（3）規定的不授予專利權的客體。

1.案例7

權利要求：調強放療中危及器官吸收劑量預測數學模型的構建方法，其特征在于，包括以下步驟：

（1）將危及器官劃分成n 個子器官，獲取第n 個子器官的歸一化體積Vn/ VOAR，其中，Vn為第n 個子器官的體積，VOAR為危及器官的體積；

（2）根據調強治療計劃，獲得危及器官的歸一化吸收劑量Dn10 ～n100，其中，Dn10 ～n100為D10 ～100 / Dp的比值，Dp為處方劑量，D10：是指10%的該危及器官體積所得到的吸收劑量；D20：是指20%的該危及器官體積所得到的吸收劑量；以此類推，D10 ～D100 在放療中專門用于評價危及器官吸收劑量；

（3）根據第n 個子器官的歸一化體積Vn/VOAR和危及器官的歸一化吸收劑量Dn10 ～n100，獲得預測數學模型。

案例分析：調強放療是一種治療腫瘤的方法。權利要求的方法以病患因調強放療所危及的生理器官及其生理數據為基礎，與患者密切相關，因而是以有生命的人體為對象；構建預測數學模型的目的在于預測調強放療中危及器官的吸收劑量，說明書記載了通過危及器官吸收劑量預測數學模型，實現制作調強治療計劃前，對危及器官的吸收劑量進行預測；建立預測數學模型，即可在已知危及器官的子器官歸一化體積的前提下對危及器官的歸一化吸收劑量進行預測，因此該方法是對調強放療的治療效果的預測?！敖】禒顩r”包括治療效果，疾病治療效果預測和評估方法屬于專利法25.1（3）的疾病的診斷方法。

申請人對權利要求進行了修改，將主題名稱更改為“一種調強放療中危及器官吸收劑量預測系統”，新的權利要求：一種調強放療中危及器官吸收劑量預測系統，其特征在于，包括子器官生成模塊、調強治療計劃分析模塊、預測模型生成模塊；

所述子器官生成模塊將危及器官劃分成n 個子器官，并獲取第n 個子器官的歸一化體積Vn/VOAR，并將第n 個子器官的體積的歸一化體積Vn/VOAR數據傳輸給預測模型生成模塊，其中，Vn為第n 個子器官的體積，VOAR為危及器官的體積；

所述調強治療計劃分析模塊根據調強治療計劃，獲得危及器官的歸一化吸收劑量Dn10～n100，并將危及器官的歸一化吸收劑量Dn10～n100 的數據傳輸給預測模型生成模塊，其中，Dn10 ～n100 為D10 ～100 / Dp的比值，Dp為處方劑量，D10：是指10%的該危及器官體積所得到的吸收劑量；D20：是指20%的該危及器官體積所得到的吸收劑量，以此類推，D10 ～D100 在放療中專門用于評價危及器官吸收劑量；

所述預測模型生成模塊接收子器官生成模塊傳輸的第n 個子器官的歸一化體積Vn / VOAR數據和調強治療計劃分析模塊傳輸的危及器官的歸一化吸收劑量Dn10 ～n100 數據，對這兩者數據進行轉化分析生成吸收劑量預測模型。

案例分析：如果全部以計算機程序流程為依據，按照與該計算機程序流程的各步驟完全對應一致的方式，或者按照與反映該計算機程序流程的方法權利要求完全對應一致的方式，撰寫為裝置權利要求，那它就不再是方法權利要求。該案例由方法權利要求修改為產品權利要求，如果滿足專利法的其他規定，是可以被授予專利權的。

四、專利保護建議

對專利法25.1（3）疾病診斷方法的判斷標準要準確把握。雖然基于人工智能疾病輔助診斷技術的分析對象基本上是醫學影像、病理圖像、生化數據等，但是如果該方法的直接目的是獲得同一主體的疾病診斷結果或健康狀況，則滿足以有生命的人體或動物體為對象的條件?！耙垣@得疾病診斷結果或健康狀況為直接目的”條件的判斷更為復雜一些，如果方法中包括了診斷全過程，或者，包括與正常值進行對照、比較的步驟，或者，雖然沒有分析、比較等過程，但根據檢測值可以直接得到疾病的診斷結果或健康狀況，那么方法的直接目的是獲得疾病的診斷結果或健康狀況。

用于實施疾病診斷方法的儀器或裝置屬于可被授予專利權的客體。因此，可以選擇產品權利要求的撰寫方式。具體的撰寫方式有三種：與方法步驟一一對應的“程序模塊構架”的裝置權利要求、既包括硬件還包括程序的裝置權利要求，或“介質+計算機程序流程”。

在對疾病診斷方法的方法權利要求進行修改時，可以選擇刪除具體的診斷步驟并適當修改主題名稱，例如案例6 的主題名稱由患病風險預測方法修改為患病風險預測模型的構建方法，并刪除了“得到患病風險預測結果”步驟。對于一個包括了數據分析、建模、訓練和診斷全過程的基于機器學習的輔助診斷方法，可以選擇對其中的數據分析、建模和訓練步驟進行專利保護。

要注意權利要求中的敏感詞，例如疾病、病人、健康狀況、患病風險度、異常、病變、良惡性等等，例如案例1 的主題名稱出現了“識別異?！?，案例3 的主題名稱出現了“腫塊良惡性的分類”，案例4 的主題名稱出現了“輔助診斷肝癌”，此類敏感詞通常與疾病診斷目的緊密關聯。當然，對于“異?！钡让舾性~是否確實與臨床疾病相關聯，需要根據個案具體判斷。

由于個案差異，部分情況下，通過權利要求來判斷方法是否獲得疾病診斷結果存在困難，需要結合說明書的記載，或者結合現有技術中的醫學知識來判斷。另外，專利法第33 條規定了對發明專利申請文件的修改不得超出原說明書和權利要求書記載的范圍，因此要注意申請文件的撰寫質量。如果方法不是以獲得疾病診斷結果為直接目的或者所得的結果僅僅是中間結果，那么要在原始申請文件中有理有據地寫明為什么不能得到疾病的診斷結果。說明書中還可以寫明相應的裝置、設備，便于請求對產品權利要求進行保護或者便于將方法權利要求修改為產品權利要求。提高申請文件的撰寫質量，有利于獲得專利保護，為后續修改權利要求提供依據。

今后，隨著人工智能算法的發展以及人工智能在疾病診斷、術前規劃、治療評估、健康預測等方面的深入參與，以計算機程序為主的人工智能輔助診斷方案將越來越多，對臨床疾病診斷手段的影響也將加深。正確掌握專利法25.1（3）疾病診斷方法的判斷方法，高質量撰寫申請文件，掌握權利要求的撰寫方法和修改方法，有利于人工智能輔助診斷創新方案獲得適當的專利授權，從而保護創新成果，激勵創新主體，促進產業發展。