一种在数据挖掘、计算机辅助检测、计算机辅助诊断和人工智能中提高分类准确性并减少假阳性的方法，使用系统数据缩放方法；从一组训练案例中选择训练集；以及使用分类方法；基于所述训练集来创建分类器；译其中所述系统数据缩放方法和所述分类方法产生所述分类器；从而减少假阳性并提高分类准确性；译。

针对目标专利权利要求1（CN101501712B）与两份对比文件（D1: WO2005078629A2，D2: WO2006054269A2）的侵权/无效比对及创造性分析报告如下：

---

## 一、 目标专利权利要求1的解读与特征拆解

结合目标专利说明书（CN101501712B），权利要求1的技术特征及其准确界定如下：

* **技术特征A：使用系统数据缩放方法**

* **说明书解释**：指对训练案例数据进行有针对性、系统性的数据裁剪或标准化调整。说明书[0011]及[0051]-[0052]明确指出，该“系统数据缩放”具体是通过识别边界临界假阳性案例（如通过Tomek链算法识别与真结节形成Tomek链的假结节），并根据设定的向下缩放因子 $x$（使得保留的假结节数不超过真结节数的 $x$ 倍）有选择性地剔除假阳性数据，而非随机抽样。

* **技术特征B：从一组训练案例中选择训练集**

* **说明书解释**：在数据预处理阶段，从原始收集到的已知地面真实数据（ground truth）学习集中，筛选并划分出用于模型训练的样本集（[0005]、[0008]）。

* **技术特征C：使用分类方法**

* **说明书解释**：指用于构建/产生分类器的机器学习算法，包括但不限于支持向量机（SVM）、神经网络、决策树等（[0009]、[0042]-[0043]）。

* **技术特征D：基于所述训练集来创建分类器**

* **说明书解释**：利用经过筛选/缩放后的训练集数据输入到分类方法中，训练并生成具体的分类器模型（[0008]、[0047]）。

* **技术特征E：其中所述系统数据缩放方法和所述分类方法产生所述分类器**

* **说明书解释**：强调系统数据缩放（数据预处理/降采样）与分类算法协同工作，共同作用于训练集以输出优化后的分类器（[0008]、[0049]-[0050]）。

* **技术特征F：从而减少假阳性并提高分类准确性**

* **说明书解释**：属于功能/效果限定特征。在保留真阳性（高敏感性）的前提下，最大限度剔除假阳性结构（提高特异性），从而降低误诊率（[0006]、[0008]）。

---

## 二、 对比文件特征比对与公开性分析

下表详细罗列了对比文件 **D1（WO2005078629A2）** 与 **D2（WO2006054269A2）** 对权利要求1各技术特征的比对情况：

### 1. 权利要求1特征比对表

---

## 三、 最接近对比文件分析与创造性评估

### 1. 整体解决的技术问题与技术效果对比

* **目标专利**：旨在解决CAD/CADx（如肺结节检测）中**数据不平衡或包含临界噪声干扰导致的假阳性率高**的问题。通过“系统数据缩放（剔除临界假阳性案例/Tomek链）”与“分类器/遗传算法”相结合，实现在维持高敏感度的同时**最大限度减少假阳性（提高特异性）**。

* **D1 (WO2005078629A2)**：主要解决基因组学诊断中“样本量少、测量数据量大（Subject-poor, sample-rich）”导致的**假关联（False correlations）与过拟合问题**。其采用带有可变表达基因数的遗传算法（GA）来优化特征子集。

* **D2 (WO2006054269A2)**：**与目标专利的技术领域及应用场景完全一致**。旨在解决基于HRCT图像的医学CAD（计算机辅助检测）中假阳性高的问题，通过结合CAD分割、遗传算法（GA）特征子集选择和支持向量机（SVM）分类器来实现**假阳性减少（FPR）**。

### 2. 最接近对比文件的确定

**D2 (WO2006054269A2) 最适合作为最接近的对比文件**（基本可作为唯一最接近对比文件，或以D2为主结合D1）。

* **理由**：

1. **技术领域与课题高度重合**：D2与目标专利均针对“计算机辅助检测/诊断（CAD/CADx）中利用SVM和遗传算法减少假阳性（FPR）”这一具体应用场景。

2. **技术特征覆盖度极高**：D2公开了目标专利权利要求1中除“特定样本级系统数据缩放”外的绝大部分技术特征（特征B、C、D、F）。

---

## 四、 区别技术特征、薄弱特征与无效策略建议

### 1. 区别技术特征及其在其他对比文件中的公开情况

目标专利权利要求1相对于最接近对比文件 D2 的核心区别特征为：

* **特征A/E**：**“使用系统数据缩放方法（并与分类方法共同产生分类器）”**。

**检查其他对比文件（D1）：**

* D1 提出了对测量值引入模拟高斯噪声（Simulated noise）和交叉验证（Cross-validation）以防止过拟合（见D1 [p0003]、[p0008]），**但并没有公开对训练集的样本进行系统性降采样/剔除特定假阳性样本（系统数据缩放）**。

* 因此，**特征A/E未被对比文件D1公开**。

### 2. 无效请求中最薄弱的技术特征分析

权利要求1中最薄弱的环节在于 **特征A（系统数据缩放方法）在权利要求1中的撰写极度宽泛**：

* **权利要求未对“系统数据缩放”做出任何实质限定**：权利要求1仅写明了“系统数据缩放方法”这一上位概念，未将说明书中关键的“Tomek链剔除假阳性”、“设定向下缩放因子 $x$”等具体技术手段写入权利要求1。

* **易被公知常识（Prior Art）或现有技术组合击穿**：

1. 如果将D2中的“特征数值缩放/归一化（Scaling to [0,1]）”解释为广义的“数据缩放”，则特征A可能被认定为已被D2公开；

2. 在机器学习和数据挖掘领域，面对不平衡数据集（Imbalanced Datasets）时，使用系统下采样（Systematic Undersampling，如Tomek links、ENN等）属于本领域技术人员的通用技术手段。

### 3. 进一步对比文件检索策略（无效检索建议）

若要彻底无效目标专利的权利要求1及后续从属权利要求，建议采取以下针对性检索策略：

1. **针对“Tomek Link / 临界假阳性剔除 + 机器学习”的交叉检索**：

* **关键词**：`(Tomek link* OR Tomek's link) AND ("false positive" OR "undersampling" OR "data scaling") AND (SVM OR "support vector" OR "genetic algorithm")`

* **重点关注文献**：数据挖掘/不平衡学习（Imbalanced Learning）领域的经典文献，例如 Batista 等人在2004年前后发表的关于不平衡数据处理的论文（目标专利说明书[0051]引用的参考文献：*G.E.A.P.A.Batista, "A Study of the Behavior of Several Methods for Balancing Machine Learning Training Data", 2004*）。

2. **针对“CAD/医学图像 + 样本降采样/数据缩放 + 假阳性减少”的检索**：

* **关键词**：`("computer aided detection" OR CAD) AND ("false positive reduction" OR FPR) AND ("data scaling" OR "downscaling" OR "undersampling" OR "instance selection")`

* **分类号组合**：`G06T7/00`（图像分析）、`G16H50/20`（基于计算机的医疗诊断）、`G06N20/00`（机器学习）。

3. **结合专利族与引文检索**：

* 追溯目标专利 CN101501712B 同族专利（如 US8135198B2 等）在 USPTO 或 EPO 审查过程中的对比文件，重点查找审查员在审查意见通知书中引用的预处理/降采样类对比文献。

针对目标专利（CN101501712B）权利要求1，结合说明书及两份对比文件（D1：US20040122787A1，D2：US20040252870A1）的分析报告如下：

---

## 一、 结合说明书对权利要求1的解释

权利要求1保护一种在数据挖掘、计算机辅助检测（CAD）、计算机辅助诊断（CADx）和人工智能中**提高分类准确性并减少假阳性**的方法。结合说明书[0008]–[0012]、[0042]–[0052]及附图6：

1. **系统数据缩放方法（特征A）**：指非随机的、有规则的数据下采样/下采样处理（Systematic Data Scaling / Downscaling）。说明书明确指出，该方法具体包含**去除临界假阳性案例（如利用Tomek链去除与真结节形成Tomek链的假结节）**，并可结合**向下缩放因子 $x$** 来控制训练集中假案例与真案例的比例（说明书[0011]、[0051]–[0052]）。

2. **产生分类器（特征E）**：说明书指出，“系统数据缩放”是集成在**遗传算法（GA）的特征子集选择过程**中的。在评价候选特征子集的适应性时，先利用系统数据缩放从训练案例中筛选训练集，再用该训练集训练分类器（如SVM、神经网络、决策树）并评估适应性，从而最终产生优化后的分类器（说明书[0049]–[0050]、图6）。

---

## 二、 对比文件特征公开性分析及对比表格

### 1. D1（US20040122787A1）分析

* **公开内容**：D1公开了一种增强的计算机辅助医疗数据处理系统与方法。涉及使用分类算法（如CAD/CADx，支持向量机SVM、神经网络等）处理数据（段落[0073]–[0075]、[0090]、[0281]），通过数据筛选/重采样训练模型，提高检测准确性。

* **未公开特征**：D1未明确公开“**系统数据缩放方法**”（如基于Tomek链或特定缩放因子规则去除临界假阳性案例以优化特征选择/训练集）。

### 2. D2（US20040252870A1）分析

* **公开内容**：D2公开了三维图像渲染与分析系统，用于肺结节的检测与诊断（CAD/CADx）。公开了利用阈值分割、形态学过滤（如开运算/膨胀）、三维重采样（Supersampling/Isotropic Resampling）来提取/缩放数据，并从训练案例中选择训练集训练分类模型（如逻辑回归、SVM等）（段落[0081]–[0091]、[0228]–[0250]、[0538]–[0564]）。

* **未公开特征**：D2中的“重采样/缩放”主要针对图像空间/像素网格（Supersampling/Interpolation），并非机器学习中针对训练案例类别不平衡或去除临界假阳性样本的“**系统数据缩放（Systematic Data Scaling/Downscaling）**”。

---

### 3. 特征比对表格

---

## 三、 最接近对比文件分析与技术问题/效果评估

### 1. 最接近对比文件的选择

* **D1（US20040122787A1）** 与 **D2（US20040252870A1）** 均适合作为最接近的对比文件（两者均属于计算机辅助检测/诊断CADx领域，且均致力于解决利用机器学习分类器减少假阳性、提高分类准确率的技术问题）。

* **首选最接近对比文件：D2（US20040252870A1）**

* **原因**：D2与目标专利同属于**肺结节CT图像CAD诊断**这一具体应用场景，且D2详细阐述了特征提取、训练集构建、分类器训练（如逻辑回归/神经网络）及性能评估的全过程。

### 2. 未被最接近对比文件公开的特征及其他对比文件公开情况

* **未公开特征**：特征A（使用系统数据缩放方法）及特征E中“系统数据缩放与分类方法结合产生分类器”的限定。

* **其他对比文件公开情况**：D1同样**未公开**特征A和特征E（D1仅提到了通用的数据获取与算法修正，未涉及系统数据缩放）。

---

## 四、 无效请求中最薄弱的技术特征分析

如果在无效宣告程序中针对权利要求1发起攻击，**最薄弱的技术特征是：技术特征A（“使用系统数据缩放方法”）及其与分类方法的结合（技术特征E）**。

### 薄弱原因（防守/攻击焦点）：

1. **概念宽泛与说明书支撑的矛盾**：权利要求1中的“系统数据缩放方法”表述极其宽泛。但在说明书中，该特征的具体实施完全依赖于“**去除与真结节形成Tomek链的假结节**”或“**设定向下缩放因子 $x$ 控制样本比例**”（说明书[0011]、[0051]）。

2. **缺乏具体限定**：若仅从字面理解“系统数据缩放”，其在数据挖掘和统计学中可能被指认为常规的数据标准化（Normalization）、归一化或常规下采样（Downsampling）。若被解释为常规数据缩放，则极易被认定为本领域的公知常识；但若结合说明书限定为特定算法（如Tomek links），现有的对比文件D1和D2中又未直接给出该特定算法在CAD诊断特征选择中的结合启示。

---

## 五、 进一步对比文件检索策略

为了针对特征A（系统数据缩放/Tomek links下采样在机器学习CAD/CADx特征选择中的应用）形成强有力的组合突破，建议采取以下检索策略：

### 1. 检索主题词与分类号组合

* **主题词组 1（数据缩放/下采样/类别不平衡）**：

* `Systematic data scaling` / `Downscaling` / `Undersampling` / `Subsampling`

* `Tomek link` / `Tomek links`

* `Class imbalance` / `Imbalanced data` / `Data reduction`

* **主题词组 2（遗传算法/特征选择/分类器）**：

* `Genetic algorithm` / `GA` / `Feature selection` / `Feature subset selection`

* `SVM` / `Support vector machine` / `Classifier`

* **主题词组 3（应用领域）**：

* `CAD` / `CADx` / `Computer aided detection` / `False positive reduction` / `Medical image`

### 2. 核心检索公式设计（以Patentics / Distance / EPO工具为例）

1. **精准算法结合检索**：

`(Tomek OR "data scaling" OR "downscaling" OR undersampling) AND ("genetic algorithm" OR "feature selection") AND (classifier OR SVM)`

2. **CAD/医疗数据降采样检索**：

`("false positive reduction" OR CAD OR CADx) AND (undersampling OR downsampling OR "Tomek link" OR "class imbalance")`

### 3. 重点检索文献/非专利文献（NPL）方向

* **非专利文献（NPL）重点关注**：

* 目标专利说明书[0051]直接引用的参考文献：*G.E.A.P.A.Batista, "A Study of the Behavior of Several Methods for Balancing Machine Learning Training Data", 2004*。

* 2006年（目标专利优先权日）之前的机器学习与数据挖掘顶会及期刊论文（如 *IEEE Transactions on Pattern Analysis and Machine Intelligence*, *SIGKDD*, *Pattern Recognition*），寻找将 **Tomek links / Systematic downscaling** 与 **Genetic Algorithm (GA) 特征选择** 或 **CAD假阳性消除** 结合的现有技术。

作为一名经验丰富的专利代理师，我紧密结合目标专利说明书（授权公告号：CN101501712B）及各对比文件原文（公开号分别为：US5987094A、US6470092B1、US20020165837A1），为您提供全面、严密的法律与技术对比分析。

---

## 一、 结合目标专利说明书解释权利要求1

目标专利名称为《将系统数据缩放集成到基于遗传算法的特征子集选择中的方法和装置》。权利要求1是一项独立权利要求，其 technical features（技术特征）在结合说明书后的具体法律与技术含义解释如下：

* **技术特征A（使用系统数据缩放方法）：**

结合说明书[0001]、[0011]及[0049]-[0052]，这里的“系统数据缩放”（systematic data scaling，即说明书中的系统向下缩放）指**从训练集中去除特定临界假阳性（假结节）案例**的特定数据预处理过程。具体而言，是通过计算真结节与假结节之间的距离，识别出与真结节形成 **Tomek 链（Tomek link）** 的临界假结节并予以去除；且该去除过程受控于**向下缩放因子 $x$**（使得残留假结节数不超过真结节数的 $x$ 倍），以此在保留真阳性（TP）的同时最大化消除假阳性（FP）。

* **技术特征B（从一组训练案例中选择训练集）：**

结合说明书[0049]及[0054]-[0060]，指将已收集的临床/图像数据库（包含已知真结节和假结节案例）划分为学习集和验证集，并从中选取用于训练分类器的样本子集。

* **技术特征C（使用分类方法）：**

结合说明书[0009]、[0042]-[0043]，指生成分类器的手段或机器学习算法。说明书中明确指出包括但不限于支持向量机（SVM）、人工神经网络（ANN）以及决策树（如C4.5/J4.8）等。

* **技术特征D（基于所述训练集来创建分类器）：**

结合说明书[0044]及[0047]，指利用经过特征提取和特征子集选择（如结合遗传算法GA）后的训练集数据，对分类器模型（如SVM）进行参数训练，拟合出能够区分目标（如结节与非结节）的分隔超平面或决策边界。

* **技术特征E（其中所述系统数据缩放方法和所述分类方法产生所述分类器）：**

结合说明书[0026]、[0044]、[0050]及图6，指**系统数据缩放（Tomek链筛选/向下缩放因子控制）被集成到分类器构建与评价的闭环过程中**（例如，作为遗传算法GA在评估候选特征子集适应性时的训练集生成步骤），数据缩放与分类算法协同作用共同生成最终用于假阳性减少（FPR）的分类器。

* **技术特征F（从而减少假阳性并提高分类准确性）：**

结合说明书[0006]、[0008]及[0052]，属于功能/效果限定特征，指在维持接近100%敏感性（保留TP）的前提下，大幅提高特异性（消除FP），从而提高总体分类准确度。

---

## 二、 对比文件技术特征比对与公开情况分析

以下采用对比文件公开号进行指代：

* **D1：** US5987094A

* **D2：** US6470092B1

* **D3：** US20020165837A1

### 1. 各对比文件原文公开内容详细分析

#### **对比文件 D1 (US5987094A)**

* **技术领域：** 用于胸部X射线/CT图像中肺结节检测的计算机辅助诊断（CAD）方法及装置。

* **特征公开分析：**

* **公开特征B/C/D：** D1公开了使用已知案例训练分类器以区分结节与非结节。原文出处：SUMMARY OF THE INVENTION, Box 5 ("Neural networks (NNs) or fuzzy binary decision trees (FBDTs) for classification using features computed..."); Column 12 ("Feature Extraction / Classification and Evaluation... a classifier can be used to reduce the false positive detection of lung nodules... fuzzy binary decision tree (FBDT) or a mixed-feature neural network (MFNN)").

* **公开特征F：** D1明确指出了减少假阳性率（FPR）。原文出处：BACKGROUND OF THE INVENTION ("These classification methods aim at reducing the false positive rate...").

* **未公开特征A/E：** D1未公开“系统数据缩放方法”（即利用Tomek链或特定缩放因子去除临界假阳性案例来重构训练集），其分类器训练直接基于特征提取后的样本。

#### **对比文件 D2 (US6470092B1)**

* **技术领域：** 使用多模板匹配消除医学图像（胸片/CT）中肺结节假阳性的方法与系统。

* **特征公开分析：**

* **公开特征B/C/D：** D2公开了建立结节模板集与非结节模板集，并通过计算互相关值（Cross-correlation）进行模式识别分类。为了扩充模板库，采用了图像反转、缩放（Scaling）和旋转等手段。原文出处：Column 5, lines 30-65 ("creation of the nodule template set... right/left reversed... scaled (minified or magnified)... rotated"); Column 7, lines 35-50 ("Scaling of a template by three different factors of 0.6, 0.8, and 1.2").

* **公开特征A（部分/概念性公开）：** D2公开了**“从非结节模板集中系统性消除与结节相似的假阳性模板（nodule-like non-nodule templates）”**。原文出处：Column 5, lines 50-60 ("Many (1789) non-nodule templates that had a similar appearance as nodules were then systematically removed... from the non-nodule template set"); Column 8, lines 40-65 ("Elimination of Nodule-like Non-nodules in Non-nodule Template Set").

* *区别点：* D2的“缩放（scaling）”指的是**图像尺寸/分辨率的缩放**，且其消除假阳性模板是基于互相关阈值的**排除法**；而目标专利的“系统数据缩放（systematic data scaling）”是指**数据集中样本数量/结构的缩放（向下缩放/Downscaling）**，基于**Tomek链距离算法**去除边界噪声。因此，D2仅在“数据预处理筛选”概念上有重合，未实质公开目标专利的具体“系统数据缩放方法”。

* **公开特征F：** 明确公开了消除44.3%的假阳性。原文出处：SUMMARY OF THE INVENTION ("...a large number of false positives (44.3%) in chest radiographs were removed...").

#### **对比文件 D3 (US20020165837A1)**

* **技术领域：** 利用支持向量机（SVM）和机器学习进行计算机辅助图像分析。

* **特征公开分析：**

* **公开特征B/C/D：** D3全面公开了使用SVM分类器分析医学图像（如乳腺图、医学影像）。原文出处：[0007]-[0008], [0011] ("The support vector machine is trained using the pre-processed training data set..."), [0016].

* **公开特征A/E（部分/概念公开）：** D3重点强调了**在训练SVM前对训练数据集进行“预处理（Pre-processing）”和维度扩张/特征选择**，指出剔除错误/缺失数据点。原文出处：[0011] ("Pre-processing the training data set comprises identifying missing or erroneous data points and taking appropriate steps to correct the flawed data or... remove the observation..."), [0042]-[0043].

* *区别点：* D3的预处理涵盖广泛的数学变换（如傅里叶、小波、分群、降噪），但未具体公开目标专利针对假阳性减少所特有的基于Tomek链距离计算与缩放因子控制的系统数据向下缩放技术。

* **公开特征F：** 公开了通过预处理与SVM结合提高分类精度、减少误判。原文出处：[0066], Table 3.

---

### 2. 特征比对表格

---

## 三、 最接近对比文件的选择与技术问题/效果分析

### 1. 最接近对比文件的筛选与确定

在创造性评估（如三步法）中，**D3 (US20020165837A1)** 和 **D2 (US6470092B1)** 均可作为**最接近的对比文件**：

* **最接近对比文件候选一：D3 (US20020165837A1)**

* **理由：** **技术领域与算法架构高度重合。** D3与目标专利均专注于利用支持向量机（SVM）对医学图像进行数据挖掘与CAD假阳性减少。D3的核心思想是“**通过对训练集进行数据预处理/优化，再输入分类器（SVM）训练，从而显著提高分类精度**”，这与目标专利的技术构思（将数据预处理/缩放集成到分类器构建中）在整体思路、算法框架上最为接近。

* **最接近对比文件候选二：D2 (US6470092B1)**

* **理由：** **应用场景与问题导向高度重合。** D2专门解决“肺结节CAD检测中假阳性率过高”这一具体临床痛点，且D2明确提出了“**在训练/模板构建阶段，系统性剔除干扰性的假阳性样本（nodule-like non-nodules）**”的操作，这与目标专利“去除临界假阳性”的假阳性减少思路最为契合。

### 2. 整体解决的技术问题与技术效果对比分析

* **目标专利整体解决的技术问题：** 如何在医学图像CAD假阳性减少（FPR）系统中，在维持100%敏感性（不漏诊真结节）的前提下，更有效地清洗/筛选训练集，消除临界假阳性噪声，避免过拟合，提高分类器的特异性和分类准确度。

* **技术效果对比：**

* 相比于 **D1**（直接训练）：目标专利消除了临界重叠样本的干扰，分类器鲁棒性显著增强。

* 相比于 **D2**（基于规则/互相关阈值剔除）：目标专利引入了基于空间距离的 **Tomek链** 理论及 **向下缩放因子 $x$** 动态控制，能够精细化量化假阳性与真阳性之间的边界，达到更高的特异性（图7-14显示系统缩放效果优于随机缩放和传统方法）。

* 相比于 **D3**（常规清洗/变换）：目标专利提供了针对不平衡数据集（假阳性数量远多于真阳性）的具体下采样（Downscaling）数学解决方案。

---

## 四、 未被公开特征的结合情况与最薄弱技术特征（无效突破口）

### 1. 未被最接近对比文件公开的技术特征

无论选择 D3 还是 D2 作为最接近对比文件，**“利用基于 Tomek 链机制且受向下缩放因子 $x$ 控制的系统数据缩放（systematic data scaling）方法来重构训练集并产生分类器”**（特征A与特征E的结合）均未被完整公开。

### 2. 无效请求中最薄弱的技术特征（突破口分析）

若针对目标专利权利要求1发起无效宣告请求，**权利要求1目前所撰写的表述方式存在极大的法律漏洞，是全案最薄弱的环节**：

#### **弱点一：权利要求1高度上位化，缺乏实质限定（公知常识/显而易见性突破）**

* **分析：** 权利要求1仅写明了“使用系统数据缩放方法（systematic data scaling method）”，但**未在权利要求1中限定该缩放方法的具体技术细节**（例如：未写明 Tomek 链、未写明向下缩放因子 $x$、未写明真假结节距离计算方式）。

* **无效策略：** 在专利检索与诉讼中，“系统数据缩放”在数据挖掘与统计学领域属于广义概念（包含数据标准化、归一化、下采样 Downsampling、过采样 Oversampling 等）。

* D3 中公开了对数据进行“Pre-processing / Normalizing / Filtering flawed data”；

* D2 中公开了对数据/图像进行“Scaling / Eliminating unsuitable templates”。

* 如果仅凭权利要求1字面上的“系统数据缩放”，本领域技术人员结合机器学习的公知常识（为了解决类别不平衡问题而采用数据缩放/下采样），极易将 D3 的 SVM 框架或 D2 的假阳性剔除逻辑与常规数据缩放技术相结合。因此，**权利要求1在未包含从属权利要求具体限定的情况下，极易因缺乏创造性（甚至公开不充分/范围不明确）而被击牢。**

#### **弱点二：功能性限定的法律风险**

* “译其中所述系统数据缩放方法和所述分类方法产生所述分类器；从而减少假阳性并提高分类准确性；译” 属于典型的**纯功能性/效果性描述**，未限定两者的有机结合步骤（如GA算法迭代过程）。依据审查指南，如果不具备特定算法步骤支撑，该特征无法赋予权利要求实质的区分技术特征贡献。

---

## 五、 进一步的对比文件检索策略（针对从属权利要求的彻底无效）

为了防止专利权人通过将说明书中的具体实施例（Tomek链 + GA + SVM + 缩放因子 $x$）补入权利要求1进行抗辩，建议采取以下进一步的检索策略：

### 1. 核心技术要素分解与组合检索式

* **要素1（数据缩放/采样）：** Tomek link(s), Tomek chain, Data scaling, Downscaling, Undersampling, Borderline noise removal, Class imbalance.

* **要素2（算法结合）：** Genetic Algorithm (GA), Feature selection, Feature subset selection, Support Vector Machine (SVM), CHC algorithm.

* **要素3（应用领域）：** Computer-aided detection (CAD), False positive reduction (FPR), Lung nodule, Medical imaging.

### 2. 针对性检索策略建议

1. **交叉领域文献检索（数据挖掘/统计学领域）：**

* **重点突破方向：** Tomek 链算法本身由 G. Tomek 于 1976 年提出，而将 Tomek 链用于不平衡数据集下采样（Downscaling/Undersampling）在 2000-2005 年间是数据挖掘领域的极热研究方向（例如目标专利背景技术引用的 Batista 等人 2004 年的论文 *"A Study of the Behavior of Several Methods for Balancing Machine Learning Training Data"*）。

* **检索库：** IEEE Xplore, ACM Digital Library, SpringerLink, Google Scholar（重点关注 2006 年之前的非专利文献 NPL）。

* **目标：** 寻找将 **Tomek links** 与 **SVM/GA 特征选择** 结合用于分类预处理的早期文献（即使非医学领域，如金融风控、文本分类领域），用于证明“将Tomek链数据缩放应用于SVM/GA分类器”是机器学习领域的通用技术手段。

2. **专利文献续检索（IPC分类号锁定）：**

* **重点分类号：**

* `G06T7/00`（图像识别/分析）

* `G06N3/12` / `G06N3/08`（遗传算法/神经网络/机器学习）

* `G16H30/20` / `G16H50/20`（医学图像CAD/诊断系统）

* **追溯重点专利族/发明人：**

* 检索芝加哥大学（Univ of Chicago）、GE医疗（General Electric）、西门子医疗（Siemens Healthcare）、飞利浦（Philips）在 2000–2007 年间关于“CAD假阳性减少”和“不平衡训练集重采样”的专利。

---

<ElicitationsGroup message="如需进一步深化本案的无效诉讼或防御准备，您可以选择以下方向：">

<Elicitation label="撰写针对权利要求1的完整无效宣告请求书草案" query="请基于上述对比文件分析，按专利复审指南格式，撰写一份针对目标专利权利要求1的无效宣告请求书理由简图与正文框架。"/>

<Elicitation label="制定针对包含Tomek链从属权利要求的防守与攻击方案" query="如果专利权人将说明书中‘Tomek链结合向下缩放因子x’补充进独立权利要求，我们应如何寻找补充对比文件并展开创造性攻击？"/>

</ElicitationsGroup>

针对目标专利权利要求1（CN101501712B）与两份对比文件（D1: WO2005078629A2，D2: WO2006054269A2）的侵权/无效比对及创造性分析报告如下：

---

## 一、 目标专利权利要求1的解读与特征拆解

结合目标专利说明书（CN101501712B），权利要求1的技术特征及其准确界定如下：

* **技术特征A：使用系统数据缩放方法**

* **说明书解释**：指对训练案例数据进行有针对性、系统性的数据裁剪或标准化调整。说明书[0011]及[0051]-[0052]明确指出，该“系统数据缩放”具体是通过识别边界临界假阳性案例（如通过Tomek链算法识别与真结节形成Tomek链的假结节），并根据设定的向下缩放因子 $x$（使得保留的假结节数不超过真结节数的 $x$ 倍）有选择性地剔除假阳性数据，而非随机抽样。

* **技术特征B：从一组训练案例中选择训练集**

* **说明书解释**：在数据预处理阶段，从原始收集到的已知地面真实数据（ground truth）学习集中，筛选并划分出用于模型训练的样本集（[0005]、[0008]）。

* **技术特征C：使用分类方法**

* **说明书解释**：指用于构建/产生分类器的机器学习算法，包括但不限于支持向量机（SVM）、神经网络、决策树等（[0009]、[0042]-[0043]）。

* **技术特征D：基于所述训练集来创建分类器**

* **说明书解释**：利用经过筛选/缩放后的训练集数据输入到分类方法中，训练并生成具体的分类器模型（[0008]、[0047]）。

* **技术特征E：其中所述系统数据缩放方法和所述分类方法产生所述分类器**

* **说明书解释**：强调系统数据缩放（数据预处理/降采样）与分类算法协同工作，共同作用于训练集以输出优化后的分类器（[0008]、[0049]-[0050]）。

* **技术特征F：从而减少假阳性并提高分类准确性**

* **说明书解释**：属于功能/效果限定特征。在保留真阳性（高敏感性）的前提下，最大限度剔除假阳性结构（提高特异性），从而降低误诊率（[0006]、[0008]）。

---

## 二、 对比文件特征比对与公开性分析

下表详细罗列了对比文件 **D1（WO2005078629A2）** 与 **D2（WO2006054269A2）** 对权利要求1各技术特征的比对情况：

### 1. 权利要求1特征比对表

---

## 三、 最接近对比文件分析与创造性评估

### 1. 整体解决的技术问题与技术效果对比

* **目标专利**：旨在解决CAD/CADx（如肺结节检测）中**数据不平衡或包含临界噪声干扰导致的假阳性率高**的问题。通过“系统数据缩放（剔除临界假阳性案例/Tomek链）”与“分类器/遗传算法”相结合，实现在维持高敏感度的同时**最大限度减少假阳性（提高特异性）**。

* **D1 (WO2005078629A2)**：主要解决基因组学诊断中“样本量少、测量数据量大（Subject-poor, sample-rich）”导致的**假关联（False correlations）与过拟合问题**。其采用带有可变表达基因数的遗传算法（GA）来优化特征子集。

* **D2 (WO2006054269A2)**：**与目标专利的技术领域及应用场景完全一致**。旨在解决基于HRCT图像的医学CAD（计算机辅助检测）中假阳性高的问题，通过结合CAD分割、遗传算法（GA）特征子集选择和支持向量机（SVM）分类器来实现**假阳性减少（FPR）**。

### 2. 最接近对比文件的确定

**D2 (WO2006054269A2) 最适合作为最接近的对比文件**（基本可作为唯一最接近对比文件，或以D2为主结合D1）。

* **理由**：

1. **技术领域与课题高度重合**：D2与目标专利均针对“计算机辅助检测/诊断（CAD/CADx）中利用SVM和遗传算法减少假阳性（FPR）”这一具体应用场景。

2. **技术特征覆盖度极高**：D2公开了目标专利权利要求1中除“特定样本级系统数据缩放”外的绝大部分技术特征（特征B、C、D、F）。

---

## 四、 区别技术特征、薄弱特征与无效策略建议

### 1. 区别技术特征及其在其他对比文件中的公开情况

目标专利权利要求1相对于最接近对比文件 D2 的核心区别特征为：

* **特征A/E**：**“使用系统数据缩放方法（并与分类方法共同产生分类器）”**。

**检查其他对比文件（D1）：**

* D1 提出了对测量值引入模拟高斯噪声（Simulated noise）和交叉验证（Cross-validation）以防止过拟合（见D1 [p0003]、[p0008]），**但并没有公开对训练集的样本进行系统性降采样/剔除特定假阳性样本（系统数据缩放）**。

* 因此，**特征A/E未被对比文件D1公开**。

### 2. 无效请求中最薄弱的技术特征分析

权利要求1中最薄弱的环节在于 **特征A（系统数据缩放方法）在权利要求1中的撰写极度宽泛**：

* **权利要求未对“系统数据缩放”做出任何实质限定**：权利要求1仅写明了“系统数据缩放方法”这一上位概念，未将说明书中关键的“Tomek链剔除假阳性”、“设定向下缩放因子 $x$”等具体技术手段写入权利要求1。

* **易被公知常识（Prior Art）或现有技术组合击穿**：

1. 如果将D2中的“特征数值缩放/归一化（Scaling to [0,1]）”解释为广义的“数据缩放”，则特征A可能被认定为已被D2公开；

2. 在机器学习和数据挖掘领域，面对不平衡数据集（Imbalanced Datasets）时，使用系统下采样（Systematic Undersampling，如Tomek links、ENN等）属于本领域技术人员的通用技术手段。

### 3. 进一步对比文件检索策略（无效检索建议）

若要彻底无效目标专利的权利要求1及后续从属权利要求，建议采取以下针对性检索策略：

1. **针对“Tomek Link / 临界假阳性剔除 + 机器学习”的交叉检索**：

* **关键词**：`(Tomek link* OR Tomek's link) AND ("false positive" OR "undersampling" OR "data scaling") AND (SVM OR "support vector" OR "genetic algorithm")`

* **重点关注文献**：数据挖掘/不平衡学习（Imbalanced Learning）领域的经典文献，例如 Batista 等人在2004年前后发表的关于不平衡数据处理的论文（目标专利说明书[0051]引用的参考文献：*G.E.A.P.A.Batista, "A Study of the Behavior of Several Methods for Balancing Machine Learning Training Data", 2004*）。

2. **针对“CAD/医学图像 + 样本降采样/数据缩放 + 假阳性减少”的检索**：

* **关键词**：`("computer aided detection" OR CAD) AND ("false positive reduction" OR FPR) AND ("data scaling" OR "downscaling" OR "undersampling" OR "instance selection")`

* **分类号组合**：`G06T7/00`（图像分析）、`G16H50/20`（基于计算机的医疗诊断）、`G06N20/00`（机器学习）。

3. **结合专利族与引文检索**：

* 追溯目标专利 CN101501712B 同族专利（如 US8135198B2 等）在 USPTO 或 EPO 审查过程中的对比文件，重点查找审查员在审查意见通知书中引用的预处理/降采样类对比文献。

针对目标专利（CN101501712B）权利要求1，结合说明书及两份对比文件（D1：US20040122787A1，D2：US20040252870A1）的分析报告如下：

---

## 一、 结合说明书对权利要求1的解释

权利要求1保护一种在数据挖掘、计算机辅助检测（CAD）、计算机辅助诊断（CADx）和人工智能中**提高分类准确性并减少假阳性**的方法。结合说明书[0008]–[0012]、[0042]–[0052]及附图6：

1. **系统数据缩放方法（特征A）**：指非随机的、有规则的数据下采样/下采样处理（Systematic Data Scaling / Downscaling）。说明书明确指出，该方法具体包含**去除临界假阳性案例（如利用Tomek链去除与真结节形成Tomek链的假结节）**，并可结合**向下缩放因子 $x$** 来控制训练集中假案例与真案例的比例（说明书[0011]、[0051]–[0052]）。

2. **产生分类器（特征E）**：说明书指出，“系统数据缩放”是集成在**遗传算法（GA）的特征子集选择过程**中的。在评价候选特征子集的适应性时，先利用系统数据缩放从训练案例中筛选训练集，再用该训练集训练分类器（如SVM、神经网络、决策树）并评估适应性，从而最终产生优化后的分类器（说明书[0049]–[0050]、图6）。

---

## 二、 对比文件特征公开性分析及对比表格

### 1. D1（US20040122787A1）分析

* **公开内容**：D1公开了一种增强的计算机辅助医疗数据处理系统与方法。涉及使用分类算法（如CAD/CADx，支持向量机SVM、神经网络等）处理数据（段落[0073]–[0075]、[0090]、[0281]），通过数据筛选/重采样训练模型，提高检测准确性。

* **未公开特征**：D1未明确公开“**系统数据缩放方法**”（如基于Tomek链或特定缩放因子规则去除临界假阳性案例以优化特征选择/训练集）。

### 2. D2（US20040252870A1）分析

* **公开内容**：D2公开了三维图像渲染与分析系统，用于肺结节的检测与诊断（CAD/CADx）。公开了利用阈值分割、形态学过滤（如开运算/膨胀）、三维重采样（Supersampling/Isotropic Resampling）来提取/缩放数据，并从训练案例中选择训练集训练分类模型（如逻辑回归、SVM等）（段落[0081]–[0091]、[0228]–[0250]、[0538]–[0564]）。

* **未公开特征**：D2中的“重采样/缩放”主要针对图像空间/像素网格（Supersampling/Interpolation），并非机器学习中针对训练案例类别不平衡或去除临界假阳性样本的“**系统数据缩放（Systematic Data Scaling/Downscaling）**”。

---

### 3. 特征比对表格

---

## 三、 最接近对比文件分析与技术问题/效果评估

### 1. 最接近对比文件的选择

* **D1（US20040122787A1）** 与 **D2（US20040252870A1）** 均适合作为最接近的对比文件（两者均属于计算机辅助检测/诊断CADx领域，且均致力于解决利用机器学习分类器减少假阳性、提高分类准确率的技术问题）。

* **首选最接近对比文件：D2（US20040252870A1）**

* **原因**：D2与目标专利同属于**肺结节CT图像CAD诊断**这一具体应用场景，且D2详细阐述了特征提取、训练集构建、分类器训练（如逻辑回归/神经网络）及性能评估的全过程。

### 2. 未被最接近对比文件公开的特征及其他对比文件公开情况

* **未公开特征**：特征A（使用系统数据缩放方法）及特征E中“系统数据缩放与分类方法结合产生分类器”的限定。

* **其他对比文件公开情况**：D1同样**未公开**特征A和特征E（D1仅提到了通用的数据获取与算法修正，未涉及系统数据缩放）。

---

## 四、 无效请求中最薄弱的技术特征分析

如果在无效宣告程序中针对权利要求1发起攻击，**最薄弱的技术特征是：技术特征A（“使用系统数据缩放方法”）及其与分类方法的结合（技术特征E）**。

### 薄弱原因（防守/攻击焦点）：

1. **概念宽泛与说明书支撑的矛盾**：权利要求1中的“系统数据缩放方法”表述极其宽泛。但在说明书中，该特征的具体实施完全依赖于“**去除与真结节形成Tomek链的假结节**”或“**设定向下缩放因子 $x$ 控制样本比例**”（说明书[0011]、[0051]）。

2. **缺乏具体限定**：若仅从字面理解“系统数据缩放”，其在数据挖掘和统计学中可能被指认为常规的数据标准化（Normalization）、归一化或常规下采样（Downsampling）。若被解释为常规数据缩放，则极易被认定为本领域的公知常识；但若结合说明书限定为特定算法（如Tomek links），现有的对比文件D1和D2中又未直接给出该特定算法在CAD诊断特征选择中的结合启示。

---

## 五、 进一步对比文件检索策略

为了针对特征A（系统数据缩放/Tomek links下采样在机器学习CAD/CADx特征选择中的应用）形成强有力的组合突破，建议采取以下检索策略：

### 1. 检索主题词与分类号组合

* **主题词组 1（数据缩放/下采样/类别不平衡）**：

* `Systematic data scaling` / `Downscaling` / `Undersampling` / `Subsampling`

* `Tomek link` / `Tomek links`

* `Class imbalance` / `Imbalanced data` / `Data reduction`

* **主题词组 2（遗传算法/特征选择/分类器）**：

* `Genetic algorithm` / `GA` / `Feature selection` / `Feature subset selection`

* `SVM` / `Support vector machine` / `Classifier`

* **主题词组 3（应用领域）**：

* `CAD` / `CADx` / `Computer aided detection` / `False positive reduction` / `Medical image`

### 2. 核心检索公式设计（以Patentics / Distance / EPO工具为例）

1. **精准算法结合检索**：

`(Tomek OR "data scaling" OR "downscaling" OR undersampling) AND ("genetic algorithm" OR "feature selection") AND (classifier OR SVM)`

2. **CAD/医疗数据降采样检索**：

`("false positive reduction" OR CAD OR CADx) AND (undersampling OR downsampling OR "Tomek link" OR "class imbalance")`

### 3. 重点检索文献/非专利文献（NPL）方向

* **非专利文献（NPL）重点关注**：

* 目标专利说明书[0051]直接引用的参考文献：*G.E.A.P.A.Batista, "A Study of the Behavior of Several Methods for Balancing Machine Learning Training Data", 2004*。

* 2006年（目标专利优先权日）之前的机器学习与数据挖掘顶会及期刊论文（如 *IEEE Transactions on Pattern Analysis and Machine Intelligence*, *SIGKDD*, *Pattern Recognition*），寻找将 **Tomek links / Systematic downscaling** 与 **Genetic Algorithm (GA) 特征选择** 或 **CAD假阳性消除** 结合的现有技术。

作为一名经验丰富的专利代理师，我紧密结合目标专利说明书（授权公告号：CN101501712B）及各对比文件原文（公开号分别为：US5987094A、US6470092B1、US20020165837A1），为您提供全面、严密的法律与技术对比分析。

---

## 一、 结合目标专利说明书解释权利要求1

目标专利名称为《将系统数据缩放集成到基于遗传算法的特征子集选择中的方法和装置》。权利要求1是一项独立权利要求，其 technical features（技术特征）在结合说明书后的具体法律与技术含义解释如下：

* **技术特征A（使用系统数据缩放方法）：**

结合说明书[0001]、[0011]及[0049]-[0052]，这里的“系统数据缩放”（systematic data scaling，即说明书中的系统向下缩放）指**从训练集中去除特定临界假阳性（假结节）案例**的特定数据预处理过程。具体而言，是通过计算真结节与假结节之间的距离，识别出与真结节形成 **Tomek 链（Tomek link）** 的临界假结节并予以去除；且该去除过程受控于**向下缩放因子 $x$**（使得残留假结节数不超过真结节数的 $x$ 倍），以此在保留真阳性（TP）的同时最大化消除假阳性（FP）。

* **技术特征B（从一组训练案例中选择训练集）：**

结合说明书[0049]及[0054]-[0060]，指将已收集的临床/图像数据库（包含已知真结节和假结节案例）划分为学习集和验证集，并从中选取用于训练分类器的样本子集。

* **技术特征C（使用分类方法）：**

结合说明书[0009]、[0042]-[0043]，指生成分类器的手段或机器学习算法。说明书中明确指出包括但不限于支持向量机（SVM）、人工神经网络（ANN）以及决策树（如C4.5/J4.8）等。

* **技术特征D（基于所述训练集来创建分类器）：**

结合说明书[0044]及[0047]，指利用经过特征提取和特征子集选择（如结合遗传算法GA）后的训练集数据，对分类器模型（如SVM）进行参数训练，拟合出能够区分目标（如结节与非结节）的分隔超平面或决策边界。

* **技术特征E（其中所述系统数据缩放方法和所述分类方法产生所述分类器）：**

结合说明书[0026]、[0044]、[0050]及图6，指**系统数据缩放（Tomek链筛选/向下缩放因子控制）被集成到分类器构建与评价的闭环过程中**（例如，作为遗传算法GA在评估候选特征子集适应性时的训练集生成步骤），数据缩放与分类算法协同作用共同生成最终用于假阳性减少（FPR）的分类器。

* **技术特征F（从而减少假阳性并提高分类准确性）：**

结合说明书[0006]、[0008]及[0052]，属于功能/效果限定特征，指在维持接近100%敏感性（保留TP）的前提下，大幅提高特异性（消除FP），从而提高总体分类准确度。

---

## 二、 对比文件技术特征比对与公开情况分析

以下采用对比文件公开号进行指代：

* **D1：** US5987094A

* **D2：** US6470092B1

* **D3：** US20020165837A1

### 1. 各对比文件原文公开内容详细分析

#### **对比文件 D1 (US5987094A)**

* **技术领域：** 用于胸部X射线/CT图像中肺结节检测的计算机辅助诊断（CAD）方法及装置。

* **特征公开分析：**

* **公开特征B/C/D：** D1公开了使用已知案例训练分类器以区分结节与非结节。原文出处：SUMMARY OF THE INVENTION, Box 5 ("Neural networks (NNs) or fuzzy binary decision trees (FBDTs) for classification using features computed..."); Column 12 ("Feature Extraction / Classification and Evaluation... a classifier can be used to reduce the false positive detection of lung nodules... fuzzy binary decision tree (FBDT) or a mixed-feature neural network (MFNN)").

* **公开特征F：** D1明确指出了减少假阳性率（FPR）。原文出处：BACKGROUND OF THE INVENTION ("These classification methods aim at reducing the false positive rate...").

* **未公开特征A/E：** D1未公开“系统数据缩放方法”（即利用Tomek链或特定缩放因子去除临界假阳性案例来重构训练集），其分类器训练直接基于特征提取后的样本。

#### **对比文件 D2 (US6470092B1)**

* **技术领域：** 使用多模板匹配消除医学图像（胸片/CT）中肺结节假阳性的方法与系统。

* **特征公开分析：**

* **公开特征B/C/D：** D2公开了建立结节模板集与非结节模板集，并通过计算互相关值（Cross-correlation）进行模式识别分类。为了扩充模板库，采用了图像反转、缩放（Scaling）和旋转等手段。原文出处：Column 5, lines 30-65 ("creation of the nodule template set... right/left reversed... scaled (minified or magnified)... rotated"); Column 7, lines 35-50 ("Scaling of a template by three different factors of 0.6, 0.8, and 1.2").

* **公开特征A（部分/概念性公开）：** D2公开了**“从非结节模板集中系统性消除与结节相似的假阳性模板（nodule-like non-nodule templates）”**。原文出处：Column 5, lines 50-60 ("Many (1789) non-nodule templates that had a similar appearance as nodules were then systematically removed... from the non-nodule template set"); Column 8, lines 40-65 ("Elimination of Nodule-like Non-nodules in Non-nodule Template Set").

* *区别点：* D2的“缩放（scaling）”指的是**图像尺寸/分辨率的缩放**，且其消除假阳性模板是基于互相关阈值的**排除法**；而目标专利的“系统数据缩放（systematic data scaling）”是指**数据集中样本数量/结构的缩放（向下缩放/Downscaling）**，基于**Tomek链距离算法**去除边界噪声。因此，D2仅在“数据预处理筛选”概念上有重合，未实质公开目标专利的具体“系统数据缩放方法”。

* **公开特征F：** 明确公开了消除44.3%的假阳性。原文出处：SUMMARY OF THE INVENTION ("...a large number of false positives (44.3%) in chest radiographs were removed...").

#### **对比文件 D3 (US20020165837A1)**

* **技术领域：** 利用支持向量机（SVM）和机器学习进行计算机辅助图像分析。

* **特征公开分析：**

* **公开特征B/C/D：** D3全面公开了使用SVM分类器分析医学图像（如乳腺图、医学影像）。原文出处：[0007]-[0008], [0011] ("The support vector machine is trained using the pre-processed training data set..."), [0016].

* **公开特征A/E（部分/概念公开）：** D3重点强调了**在训练SVM前对训练数据集进行“预处理（Pre-processing）”和维度扩张/特征选择**，指出剔除错误/缺失数据点。原文出处：[0011] ("Pre-processing the training data set comprises identifying missing or erroneous data points and taking appropriate steps to correct the flawed data or... remove the observation..."), [0042]-[0043].

* *区别点：* D3的预处理涵盖广泛的数学变换（如傅里叶、小波、分群、降噪），但未具体公开目标专利针对假阳性减少所特有的基于Tomek链距离计算与缩放因子控制的系统数据向下缩放技术。

* **公开特征F：** 公开了通过预处理与SVM结合提高分类精度、减少误判。原文出处：[0066], Table 3.

---

### 2. 特征比对表格

---

## 三、 最接近对比文件的选择与技术问题/效果分析

### 1. 最接近对比文件的筛选与确定

在创造性评估（如三步法）中，**D3 (US20020165837A1)** 和 **D2 (US6470092B1)** 均可作为**最接近的对比文件**：

* **最接近对比文件候选一：D3 (US20020165837A1)**

* **理由：** **技术领域与算法架构高度重合。** D3与目标专利均专注于利用支持向量机（SVM）对医学图像进行数据挖掘与CAD假阳性减少。D3的核心思想是“**通过对训练集进行数据预处理/优化，再输入分类器（SVM）训练，从而显著提高分类精度**”，这与目标专利的技术构思（将数据预处理/缩放集成到分类器构建中）在整体思路、算法框架上最为接近。

* **最接近对比文件候选二：D2 (US6470092B1)**

* **理由：** **应用场景与问题导向高度重合。** D2专门解决“肺结节CAD检测中假阳性率过高”这一具体临床痛点，且D2明确提出了“**在训练/模板构建阶段，系统性剔除干扰性的假阳性样本（nodule-like non-nodules）**”的操作，这与目标专利“去除临界假阳性”的假阳性减少思路最为契合。

### 2. 整体解决的技术问题与技术效果对比分析

* **目标专利整体解决的技术问题：** 如何在医学图像CAD假阳性减少（FPR）系统中，在维持100%敏感性（不漏诊真结节）的前提下，更有效地清洗/筛选训练集，消除临界假阳性噪声，避免过拟合，提高分类器的特异性和分类准确度。

* **技术效果对比：**

* 相比于 **D1**（直接训练）：目标专利消除了临界重叠样本的干扰，分类器鲁棒性显著增强。

* 相比于 **D2**（基于规则/互相关阈值剔除）：目标专利引入了基于空间距离的 **Tomek链** 理论及 **向下缩放因子 $x$** 动态控制，能够精细化量化假阳性与真阳性之间的边界，达到更高的特异性（图7-14显示系统缩放效果优于随机缩放和传统方法）。

* 相比于 **D3**（常规清洗/变换）：目标专利提供了针对不平衡数据集（假阳性数量远多于真阳性）的具体下采样（Downscaling）数学解决方案。

---

## 四、 未被公开特征的结合情况与最薄弱技术特征（无效突破口）

### 1. 未被最接近对比文件公开的技术特征

无论选择 D3 还是 D2 作为最接近对比文件，**“利用基于 Tomek 链机制且受向下缩放因子 $x$ 控制的系统数据缩放（systematic data scaling）方法来重构训练集并产生分类器”**（特征A与特征E的结合）均未被完整公开。

### 2. 无效请求中最薄弱的技术特征（突破口分析）

若针对目标专利权利要求1发起无效宣告请求，**权利要求1目前所撰写的表述方式存在极大的法律漏洞，是全案最薄弱的环节**：

#### **弱点一：权利要求1高度上位化，缺乏实质限定（公知常识/显而易见性突破）**

* **分析：** 权利要求1仅写明了“使用系统数据缩放方法（systematic data scaling method）”，但**未在权利要求1中限定该缩放方法的具体技术细节**（例如：未写明 Tomek 链、未写明向下缩放因子 $x$、未写明真假结节距离计算方式）。

* **无效策略：** 在专利检索与诉讼中，“系统数据缩放”在数据挖掘与统计学领域属于广义概念（包含数据标准化、归一化、下采样 Downsampling、过采样 Oversampling 等）。

* D3 中公开了对数据进行“Pre-processing / Normalizing / Filtering flawed data”；

* D2 中公开了对数据/图像进行“Scaling / Eliminating unsuitable templates”。

* 如果仅凭权利要求1字面上的“系统数据缩放”，本领域技术人员结合机器学习的公知常识（为了解决类别不平衡问题而采用数据缩放/下采样），极易将 D3 的 SVM 框架或 D2 的假阳性剔除逻辑与常规数据缩放技术相结合。因此，**权利要求1在未包含从属权利要求具体限定的情况下，极易因缺乏创造性（甚至公开不充分/范围不明确）而被击牢。**

#### **弱点二：功能性限定的法律风险**

* “译其中所述系统数据缩放方法和所述分类方法产生所述分类器；从而减少假阳性并提高分类准确性；译” 属于典型的**纯功能性/效果性描述**，未限定两者的有机结合步骤（如GA算法迭代过程）。依据审查指南，如果不具备特定算法步骤支撑，该特征无法赋予权利要求实质的区分技术特征贡献。

---

## 五、 进一步的对比文件检索策略（针对从属权利要求的彻底无效）

为了防止专利权人通过将说明书中的具体实施例（Tomek链 + GA + SVM + 缩放因子 $x$）补入权利要求1进行抗辩，建议采取以下进一步的检索策略：

### 1. 核心技术要素分解与组合检索式

* **要素1（数据缩放/采样）：** Tomek link(s), Tomek chain, Data scaling, Downscaling, Undersampling, Borderline noise removal, Class imbalance.

* **要素2（算法结合）：** Genetic Algorithm (GA), Feature selection, Feature subset selection, Support Vector Machine (SVM), CHC algorithm.

* **要素3（应用领域）：** Computer-aided detection (CAD), False positive reduction (FPR), Lung nodule, Medical imaging.

### 2. 针对性检索策略建议

1. **交叉领域文献检索（数据挖掘/统计学领域）：**

* **重点突破方向：** Tomek 链算法本身由 G. Tomek 于 1976 年提出，而将 Tomek 链用于不平衡数据集下采样（Downscaling/Undersampling）在 2000-2005 年间是数据挖掘领域的极热研究方向（例如目标专利背景技术引用的 Batista 等人 2004 年的论文 *"A Study of the Behavior of Several Methods for Balancing Machine Learning Training Data"*）。

* **检索库：** IEEE Xplore, ACM Digital Library, SpringerLink, Google Scholar（重点关注 2006 年之前的非专利文献 NPL）。

* **目标：** 寻找将 **Tomek links** 与 **SVM/GA 特征选择** 结合用于分类预处理的早期文献（即使非医学领域，如金融风控、文本分类领域），用于证明“将Tomek链数据缩放应用于SVM/GA分类器”是机器学习领域的通用技术手段。

2. **专利文献续检索（IPC分类号锁定）：**

* **重点分类号：**

* `G06T7/00`（图像识别/分析）

* `G06N3/12` / `G06N3/08`（遗传算法/神经网络/机器学习）

* `G16H30/20` / `G16H50/20`（医学图像CAD/诊断系统）

* **追溯重点专利族/发明人：**

* 检索芝加哥大学（Univ of Chicago）、GE医疗（General Electric）、西门子医疗（Siemens Healthcare）、飞利浦（Philips）在 2000–2007 年间关于“CAD假阳性减少”和“不平衡训练集重采样”的专利。

---

<ElicitationsGroup message="如需进一步深化本案的无效诉讼或防御准备，您可以选择以下方向：">

<Elicitation label="撰写针对权利要求1的完整无效宣告请求书草案" query="请基于上述对比文件分析，按专利复审指南格式，撰写一份针对目标专利权利要求1的无效宣告请求书理由简图与正文框架。"/>

<Elicitation label="制定针对包含Tomek链从属权利要求的防守与攻击方案" query="如果专利权人将说明书中‘Tomek链结合向下缩放因子x’补充进独立权利要求，我们应如何寻找补充对比文件并展开创造性攻击？"/>

</ElicitationsGroup>

根据权利要求1所述的方法，其中所述分类器从由支持向量机、神经网络和决策树组成的组中进行选择；译。

根据权利要求1所述的方法，所述方法进一步包括使用测试集对基于所述训练集由所述分类方法产生的所述分类器进行评价；译。

根据权利要求1所述的方法，其中选择进一步包括从所述训练集中去除与真结节形成Tomek链的假结节；直到满足一个阈值；译。

根据权利要求4所述的方法，其中相对于向下缩放因子x来确定所述阈值；使得在系统数据缩放后留在所述训练集中的假结节的数量不超过所述训练集中的真结节的数量的x倍；译。

根据权利要求1所述的方法，其中所述方法进一步包括利用该组训练案例或其子集来验证所述分类器；译。