CN111787878A

CN111787878A - 影像引导的肺肿瘤计划和消融系统

Info

Publication number: CN111787878A
Application number: CN201980011081.6A
Authority: CN
Inventors: 刘翌勋; 朗纳里特·切西尔普; 余坤璋; 亨盖·维博沃
Original assignee: Kunbo Biotechnology Co
Current assignee: Hangzhou Kunbo Biotechnology Co Ltd
Priority date: 2018-02-05
Filing date: 2019-02-04
Publication date: 2020-10-16
Anticipated expiration: 2039-02-04
Also published as: US20210401502A1; EP3749239A4; WO2019152935A1; US11896312B2; CN111787878B; EP3749239A1

Abstract

一种肺肿瘤消融计划系统，包括处理器，该处理器可运行以计算目标消融区域和一组最佳消融参数，以利用消融导管创建目标病灶。基于训练数据，采用预测算法对消融区域进行建模。对应于各种指标向医生显示各种消融计划，该各种指标包括但不限于最大化肿瘤消融覆盖范围、最短行程、障碍避免和最短消融时间。描述了相关的方法。

Description

影像引导的肺肿瘤计划和消融系统

相关申请的交叉引用

本申请要求2018年2月5日提交的美国临时申请US62/626,533的权益，出于所有目的，该申请的全部内容通过引用整体结合于此。

技术领域

本发明涉及使用微创手术装置的治疗计划的方法，所述微创手术装置可运行以输送足够强度的能量以引起位于人或动物体内的组织的靶向消融。

背景技术

肺癌现在是美国男性和女性癌症死亡的首要原因。在活检证实的癌症患者中，因为合并症、心肺功能或高龄，只有约30％的患者是手术候选者。这些患者通常接受化学疗法或电离放射疗法(例如立体定向体部放疗，SBRT)治疗。

与常规经胸入路相比，使用柔性支气管镜的图像引导肺活检是可以显著降低气胸风险的新兴方法。经皮热消融已成为一种突出的替代治疗选择，与SBRT相比，射频消融(RFA)是最广泛使用的能量形式。RFA具有以下优点：使用非电离辐射，因此适于重复手术；提供改善的肺功能保存；并且可以以相当低的成本输送。最近的一项前瞻性的多中心研究表明，热消融的2年整体生存率与SBRT的整体生存率相似。

当前可购的用于肿瘤消融的装置，例如由Boston Scientific Inc.(马萨诸塞州纳提克)制造的Leveen^TM针电极，仅限于经皮入路。一般而言，使用硬的针穿过皮肤和胸膜会有气胸的高风险，而无法治疗中央型肿瘤。

此外，有限的治疗引导和计划工具给医生比较评估装置插入路径带来了很大的负担。

因此，仍然需要解决上述与消融系统相关的挑战。

发明内容

一种用于辅助医生使用消融施用器计划肿瘤消融的基于支气管镜的方法，该方法包括以下步骤：接收包括待消融的患者的肺的目标组织的图像数据；在处理器上计算消融区域和一组最佳候选消融参数，以最大化肿瘤消融覆盖范围。

在本发明的实施例中，肺肿瘤消融计划系统包括：柔性的射频消融(RFA)施用器，该柔性的射频消融(RFA)施用器可通过支气管镜入路递送到目标；回归建模引擎，该回归建模引擎在给定目标肿瘤的情况下预测肿瘤消融区域和发生器参数；以及路径计划引擎，该路径计划引擎寻找递送RFA施用器的最佳路径。在实施例中，该系统与引导系统集成以帮助医生将RFA设备导航到目标。

在本发明的实施例中，该系统利用支气管镜运行并且提供早期肺部疾病的精确的且局部的消融。

在本发明的实施例中，计划和消融方法与引导支气管镜活检技术集成，以便于在活检阳性之后立即治疗局部结节，同时最小化气胸的风险。

在本发明的实施例中，能量输送装置与个人化治疗计划系统集成，使得医生可以前瞻性地计划和优化针对患者特定的解剖结构的治疗递送。

从下面的详细描述以及附图中，本发明的这些优点以及其它目的和优点将变得清楚明白。

附图说明

图1示出了根据本发明的一个实施例的消融计划和引导系统的框架图；

图2示出了根据本发明的一个实施例的消融计划和引导系统的框图；

图3A示出了单极RFA导管的示意图；

图3B示出了输送鞘管以及插入其中的图3A所示的RFA导管的局部放大图；

图4示出了根据本发明的一个实施例的用于计划消融的方法的流程图；

图5A示出了消融区域的模型的示意图；

图5B示出了肿瘤消融覆盖范围的示意图；

图6A-6F示出了用于将导管引导至目标的方法的步骤的示意图；

图7A示出了测量组织样本的短轴长度的示意图；

图7B示出了离体牛肉RFA消融样本的示意图；

图8示出了时间相对于病灶长轴的曲线图。

图9示出了适合于图8所示数据的回归曲线；

图10示出了时间相对于病灶短轴的曲线图；

图11示出了适合于图10所示的数据的回归曲线；

图12示出了到达目标的不同路线的各种消融计划结果的示意图；以及

图13示出了图12中所示的第一计划路线的示意图，以及肿瘤消融覆盖范围的放大图。

具体实施方式

在详细描述本发明之前，应当理解，本发明不限于本文阐述的特定变型，因为在不脱离本发明的精神和范围的情况下，可以对所描述的本发明进行各种变化或修改，并且可以替换等同物。如本领域技术人员在阅读本公开时将知晓的，本文描述和示出的每个单独的实施例具有分立的部件和特征，在不脱离本发明的范围或精神的情况下，这些部件和特征可以容易地与其他几个实施例中的任意一个的特征分离或组合。此外，可以进行许多修改以使特定情况、材料、物质组成、过程、一个或多个过程动作、或一个或多个步骤适应本发明的目的、精神或范围。所有这些修改都在本文所提出的权利要求的范围内。

本文所述的方法可以按照列举事项的逻辑上可能的任何顺序以及列举的事项顺序来执行。此外，在提供数值范围的情况下，应当理解，在该范围的上限和下限之间的每个中间值以及该范围内的任何其它规定值或中间值都包括在本发明内。还可以预期的是，可以独立地、或者与本文描述的多个特征中的任意一个或多个组合地说明和要求保护所描述的发明变型的任何可选特征。

本文中提及的所有现有主题(例如，出版物、专利、专利申请和硬件)通过引用整体结合于此，除非主题可能与本发明的主题冲突(在此情况下，将以本文中所呈现的为准)。

对单个项目的引用包括存在多个相同项目的可能性。更具体地，如本文和所附权利要求书中所使用的，单数形式的“一”，“一个”，“所述”和“该”包括复数个对象，除非上下文另外明确指出。还应注意，权利要求可能排除任何可选要素。因此，此陈述旨在作为与权利要求要素的引用结合使用诸如“唯一”，“仅”等排他性术语或使用“否定”限制的先行基础。还应理解，除非另有定义，否则本文使用的所有技术和科学术语具有与本发明所属领域的普通技术人员通常理解的相同含义。

本文描述了基于内窥镜的计划和治疗系统，用于消融位于中心的目标，所述目标包括但不限于通过经皮入路难以接近的目标。在示例性应用中，消融施用器通过支气管镜/延伸的工作通道插入以到达目标部位。消融施用器可以在由执行支气管镜检查的医生确定的介入性支气管镜检查手术期间使用。

系统框架

图1示出了根据本发明的一个实施例的系统框架100的概览。系统100辅助医生基于预测建模来计划和执行消融手术。如图1所示，系统100包括三个子系统：建模110、计划120和引导130。

建模子系统110用于学习本文进一步描述的施用器150的候选能量输送参数140与基于实验训练数据的消融区域或目标覆盖范围尺寸之间的关系。学习后的或训练后的模型被用作本文描述的计划子系统120的输入。

计划子系统120用于找到最佳气道路径、通向目标的通道的进入点(POE)、以及最佳的施用器能量发生器参数160，以使施用器如医生所期望的那样到达和消融病灶。

引导子系统130用于辅助医生到达目标或将医生导航到目标。在图1所示的引导子系统130中，示出了支气管镜图像132、虚拟支气管镜图像134和融合的透视引导136，用于辅助医生通过计划的路线和施用器治疗参数将施用器150递送到目标152。

图2是用于计划和消融身体器官中的目标组织的示例性系统210的框图。计算机、服务器或平板电脑212可以包括一个或多个处理器216和存储器214，处理器216可运行或编程为执行本文描述的每个子系统(或有时本文称为引擎或模块)的动作，存储器214用于保存用于执行本发明的信息。可以存储或记录在存储器214上的信息的例子包括但不限于诸如血管、胸膜以及器官或要避开的障碍等解剖约束，诸如外径、总长度和最大弯曲半径等支气管镜参数，以及诸如从气道到目标的最大距离或其他指标的医生输入。

系统210被示出为包括输入222。该输入可以是宽范围的输入，包括但不限于患者的图像数据、如上所述的医生输入、设备或工具输入、以及用于预期的消融手术的装置的规格。用于执行到计算机的输入的设备的例子是诸如触摸屏显示器或键盘的用户接口。

在实施例中，患者的完整的3D图像数据集(例如，预先采集的CT数据)被输送到计算机，并且计算机被编程以分割肺、血管和感兴趣的部位。例如，可以如在美国专利US9,672,631中描述的那样执行分割，US9,672,631通过引用整体结合于此。

系统210被示出为具有与计算机212通信的内窥镜220，例如支气管镜。在实施例中，处理器被编程为从内窥镜接收实时支气管镜图像数据，并且将实时支气管镜图像数据与从CT图像数据生成的虚拟支气管镜图像配准。可以如例如美国专利US7,889,905和US7,756563中所描述的那样进行支气管镜的配准和引导，本文通过引用将US7,889,905和US7,756563的全部内容结合于此。

系统210被示为具有与计算机212通信的透视224，例如C形臂透视单元。在实施例中，处理器被编程为从透视单元接收实时透视图像数据，并且将实时透视图像数据与从CT图像数据生成的虚拟透视图像配准。可以基于该配准来显示融合的或增强的图像。可以如例如美国专利US9,265,4689、US875,544和US9,886,760中所描述的那样进行透视的配准和引导，US9,265,4689、US875,544和US9,886,760皆通过引用整体结合于此。

再次参考图2，来自处理器的输出可以变化。在实施例中，输出被发送到显示器250以供医生考量。在其它实施例中，输出可以是直接传递到控制器230的指令或信号的形式，控制器230用于激活消融装置或消融施用器232并为其供电。系统210还以数据日志240的形式示出输出。

消融施用器

图3A示出了根据本发明的一个实施例的消融装置或施用器300。施用器300被示出为具有近端手柄310、细长柔性轴320和远端部分330。柔性轴320具有的尺寸和柔性使得其可以通过支气管镜的工作通道前进到上气道或气管支气管树内的目标部位。在实施例中，轴包括由绝缘管覆盖的镍钛诺线缆，以防止在弯曲的支气管镜导航期间扭结并促进可推送性。

参照图3B，施用器300被示出为前进到输送鞘管326中，直到施用器的远端部分330从鞘管的端部突出。特别地，电极332被示出为从鞘管的端部突出。当手柄近端处的电连接器312(例如，标准的香蕉插头)连接到控制器(未示出，并且本文有时也称为发生器)，并且如单极射频消融通常做的那样，将合适的接地垫或返回电极施加到患者身体时，可将受控的射频(RF)能量输送到目标部位。电外科发生器的示例是由美国佐治亚州玛丽埃塔的ErbeUSA制造的ERBE VIO 300D。

施用器和电极的尺寸可以变化。在实施例中，施用器电极332的直径D₁小于2mm，在一些实施例中，D₁在1.6-1.9mm之间，并且在一个实施例中，D₁大约为1.8mm。在实施例中，施用器电极332的长度L₁小于20mm，在一些实施例中，L₁在16-20mm之间，并且在一个实施例中，L₁大约为18mm。

在实施例中，轴长度L₂的范围在1400-1500mm之间，并且在一个实施例中L₂在1400-1500mm之间。在实施例中，施用器总长度L₃优选地大于1500mm，并且在一些实施例中L₂在1500-1550mm的范围内，并且在一个实施例中L₂约为1540mm。

计划消融的方法

图4是根据本发明的一个实施例的用于计划肿瘤消融的方法400的概览。

步骤410指示接收肺的图像数据。如本文所述的图像数据可以包括预先采集的患者的CT图像数据。

步骤420指示分割肺和其他关键结构，例如血管和目标。可以按照例如美国专利US9,672,631中所述的那样进行分割，US9,672,631通过引用整体结合在此。

步骤430指示计算到目标的候选路线。如本文所述，该计算基于包括解剖约束、装置参数或规格以及医生偏好的各种信息。在某种意义上，进行可行性测试以确定支气管镜和施用器是否能够安全地接近或到达目标。在美国专利US8,709,034和US9,037,215中也描述了路线计划技术的示例，US8,709,034和US9,037,215皆通过引用整体结合在此。

步骤440指示计算最佳路线及其相关的消融区域或部位和发生器参数。如本文所述的，具体地，在实施例中，基于作为预测模型中的输入的解剖结构、施用器特性、路线和各种指标来计算消融区域。输出是消融区域和包括例如功率、消融时间的消融治疗参数。

计算出的到目标和目标消融区域的路线的示例在图12中示出，其中RFA1、RFA2、RFA3和RFA4分别对应于四个不同的指标：最佳分数、最佳肿瘤覆盖范围、气道壁和目标之间的最小的距离以及最小消融治疗时间。“最佳分数”是指肿瘤覆盖范围、最小距离和治疗时间的加权总和。

计算出的消融区域的放大图如图13所示。具体地，图13可视地示出了评估的球形肿瘤762的最佳路径770、POE和消融区域760。还列出了包括功率极限、时间的消融参数774。

构建/训练建模子系统

如上所述，学习后的模型被输入到计划引擎并用于计算消融区域。在实施例中，使用来自离体实验的消融区域尺寸作为训练数据来训练学习后的模型，以建立基于机器学习的模型，该基于机器学习的模型为医生提供射频能量输送参数选择，以实现期望的肿瘤消融，例如适形肿瘤消融。

在实施例中，在模型训练阶段，采用非线性回归来创建将能量输送参数(例如，施加的功率、效果和消融时间)映射到消融区域尺寸的模型。与基于模拟的方法相比，并且不受理论约束地，实验方法与特定患者的未知的组织生物物理特性无关。另外，为了避免过拟合，可以采用交叉验证以使用k-1折(k-1folds)作为训练数据地训练模型，并且在数据的剩余部分上验证模型。一旦完成训练并且建立了模型，就可以使用给定的能量输送参数来评估消融区域尺寸。建模子系统中的学习后的模型是计划子系统的输入，计划子系统进行优化以找到被识别的目标消融区域的最佳能量输送参数。

用于训练的数据收集

我们在离体牛肝上进行了本文所述的消融实验，以记录多个测量对：(输入，输出)。输入包括施加的功率、效果(用“效果”表示代表消融结果的整数，例如效果1表示最小凝固，效果4表示最大凝固)和消融时间。我们将输出定义为椭圆体500的轴长度，如图5A所示。我们假设短轴502具有与短轴504相同的长度。我们记录了长轴506和短轴504的长度。两名研究人员进行了实验以解决测量差异。

下面描述收集数据的过程的步骤。

从冷却器中取出新鲜肝脏样本，放入液体密封袋中，密封，并将密封的Ziploc袋放入～37℃的温控槽中。

从水(恒温)槽中取出组织样本，从液体密封袋中取出，用热电偶测量温度。如果温度为～35-37℃，进行以下实验。否则，将其放回袋中并继续保温。

将组织样本置于测试夹具中。

插入用于引导温度探头放置的塑料导管。

拆下引导针并插入温度传感器。

记录组织的初始温度。

拆下温度传感器。

插入施用器的电极，使得尖端低于肝脏近端表面6cm。

将电缆从发生器连接到施用器手柄。

打开发生器，然后等待30秒。

开始治疗一段固定的时间。

关闭发生器。

沿着电极切开组织。

拆下电极。

拍摄照片。一张为令标尺平行于施用器，一张为令标尺垂直于施用器。确保标尺远离消融区域边界。

测量消融区域尺寸，并记录a)短轴直径；和(b)长轴直径。测量短轴直径的示意图如图7A所示。

非线性回归模型

如上所述，在实施例中，使用非线性回归(监督学习)建模。所采用的模型是回归系数和预测变量(例如，施加的功率、效果和治疗时间)的组合。对于预测变量，施加的功率和效果是离散变量，但是治疗时间是连续变量。因此，我们对施加的功率和效果的每个组合的治疗时间进行回归。对于响应，我们测量了病灶长轴和短轴长度。

在这个例子中，我们对每个响应进行回归，并用多项式转换预测变量。更高阶的多项式提供更灵活的模型。但是更高阶的多项式倾向于受到过拟合。为了确定或选择合适的多项式阶数，我们迭代了许多可能的(或候选)阶数：0、1、2、3和4。

针对每个阶数：(a)将原始数据划分为k个大小相等的子组，其中k-1个子组用作训练数据，其余子组用作测试数据。(b)对k-1个子组进行岭回归,求回归系数。在这里，我们使用岭回归来使系数估计值对异常值具有鲁棒性。(c)对剩余的子组进行测试，找出预测区域与测量区域之间的误差。(d)将k个子组中的每一个用作测试数据重复k次，并求平均值以得到误差。然后，选择误差最小的模型作为最终模型。在实施例中，一种方法包括从多个可能(或候选)模型中选择具有最小误差的最终消融模型。

k折交叉验证是检验模型的预测精度的一种有价值的方法，其适用于用于训练的数据不充足的情况。如上所述，我们将原始数据划分为k个大小相等的子组，然后重复地使用k-1个子组来进行训练以及使用剩余的子组(训练中未见到的数据)来进行验证。测试子组中所有样本的预测区域和测量区域之间的均方误差表示模型对该子组的预测程度。我们对k次取平均值以产生一个测量值来表示模型预测的性能。

在完成建模之后，可以在给定能量输送参数的情况下预测消融区域。然而，在临床实践中，我们想要知道在给定目标消融区域的情况下的最佳能量输送参数。并不是所有的建模都有解析解，因此我们使用数值方法来寻找具有与目标区域最接近的预测消融区域的能量参数。基于本文所述的离体实验，消融区域的进展呈现出一种模式，即消融区域在开始时快速增加，然后逐渐缓慢增加，然后开始减少。不受理论约束地，给定一个目标区域，可能存在多个与该目标区域对应的时间点。因此，我们使用数值方法来找到时间点，并且我们将搜索限制在第一时间点。

虽然本发明的实施例采用非线性回归曲线拟合或模型，但是本发明可以采用其它类型的模型或算法来预测消融区域。算法的示例包括机器学习和基于人工智能的算法(包括但不限于神经网络和卷积神经网络、回归树和支持向量机)。

例如，在实施例中，消融区域模型是深度学习模型并且被如下地开发：1.)将数据分成训练数据集、验证数据集和测试数据集；2.)输入层包括治疗时间、生物物理参数和能量输送参数，并且输出层是CT上的带注释的消融区域。使用一个隐藏层；3.)使用Relu作为激活函数；4.)使用均方误差作为损失函数；以及5.)使用反向传播来计算梯度。基于上述设置，我们在训练数据集上训练神经网络(“网络”)，并在验证数据集上验证网络，以评估网络权重、偏差和超参数(例如正则化参数)。最后，我们在测试数据集上测试这些网络。虽然仅描述了使用深度学习来开发消融模型的一些技术，但是也可以采用其它技术，并且本发明仅旨在如所列出的权利要求中所阐述的那样进行限制。

消融计划子系统

如本文所讨论的，并且再次参考图1，消融计划引擎或子系统的输出是到目标的最佳路径122和能量输送参数124。在实施例中，计划子系统计算：(1)最佳气道路径122，该最佳气道路径122用于通过支气管镜将施用器递送到通道的POE，(2)通道的POE 126，通道的POE 126用于通过通道将施用器递送到目标，以及(3)能量输送参数124，能量输送参数124适合于目标的适形消融。

计划引擎的输入包括图像数据，例如手术前的高分辨率CT扫描。在分割肿瘤和相邻的关键结构之后，将指定消融目标144(例如，肿瘤边界以及临床医生指定的正常组织的周缘)。基于消融目标，将进行可行性测试127，以验证是否存在一个路径，该路径可以(1)根据预定的路径标准(例如气道直径、支气管镜尖端直径和支气管镜弯曲角度)使支气管镜达到POE，以及(2)从气道接近目标，而无需穿过血管或其他关键结构。

在可行性测试127之后，执行消融测试128。消融测试128接收候选路径、POE和建模作为输入，并且对每个候选路径和POE评估治疗参数124(包括能量输送参数、治疗时间、消融区域和从POE到目标表面的距离)。在实施例中，将向外科医生建议对应于最少时间、最大消融覆盖范围、从气道到目标的最短距离及其组合(最佳分数)的路径、POE和能量输送参数。

在实施例中，计划引擎的输出是对应于最大消融覆盖范围的能量输送参数。在实施例中，参考图5B，消融覆盖范围(COV)被定义为两个比率的乘积，或者说COV＝ATT*ATAR；其中第一比率(ATT)是消融的肿瘤大小530与肿瘤大小510的比值；第二比率(ATAR)是消融的肿瘤大小530与消融的区域大小520的比值。在实施例中，该指标COV用于选择切除尽可能多的肿瘤同时保留尽可能多的正常组织的治疗路径。在实施例中，指标COV的范围从0到1。

在实施例中，如本文所讨论的，计划子系统120基于用离体实验数据训练后的学习后的模型。不受理论约束地，由于离体动物牛肉(没有肿瘤)和具有肿瘤的体内人肺之间的生物物理条件的差异，预期观察到的消融区域尺寸将存在差异。本文描述的计划子系统和模块不是提供预期体内消融区域尺寸的精确评估，而是为医生提供用于能量输送参数和预期消融区域范围的比较评估的工具。

在实施例中，医生可以调整能量输送参数，并且指定发生器临床应用的参数。类似地，在实施例中，计划模块要求医生核准或调整由计划模块建议的用于接近肿瘤的路线。

引导子系统

本文所述的引导子系统130或引擎用于帮助医生安全地创建通道，该通道从支气管气道穿过实质组织到达目标，并且不会横穿脉管系统或刺穿胸膜。

参照图6A，采集的支气管镜图像被增强610，其中利用最佳气道路径612来将施用器引导至POE 614。可选地，罗盘616和气道中心线618被示出以在手术期间提供附加信息辅助医生。在增强的支气管镜视图中显示的图标或符号可以变化。在图6A所示的实施例中，使用提供位置和方向信息两者的3D箭头来指示POE。

接下来，参照图6B，利用刺穿构件624在POE处形成穿过气道壁622的孔。刺穿构件的一个例子是针或线缆。

图6C示出了用扩张构件扩张孔。特别地，在孔中以膨胀状态示出了可膨胀气囊630。

图6D示出器械被移除，留下扩大的孔634。

图6E示出了前进通过扩大的孔的解剖导管640。解剖导管可包括被外部引导鞘同轴包围的探针或闭塞器。在实施例中，医生在透视导航下将解剖导管640推进到目标。一旦定位，就根据计划引擎中建议的一个或多个路线从引导导管撤回探针以创建从气道到目标的开放通道。因此，引导鞘形成通道，以将消融施用器从气道通过实质组织递送到目标部位。

在替代实施例中，内探针或线缆最初从气道导航到目标，并且引导鞘沿着探针在线缆上前进。一旦该鞘根据需要定位，移除探针，留下用于执行该手术的开放通道。

在美国专利US8,709,034和US8,784,400中描述了建立穿过肺组织到目标的通道的精细技术。一组用于创建穿过肺部到目标的通道的器械的示例也是市售的，并以由Broncus Medical Inc.(加利福尼亚州圣何塞)制造的Archimedes Access Kit的品牌出售。商业上可获得的用于计划、导航和隧穿到目标的系统的一个示例是同样由BroncusMedical Inc.制造的Archimedes系统。

图6F描绘了共配准的(虚拟图像与CT图像)透视图像650，透视图像650示出了消融施用器的电极652被引导通过管640到达目标656。一旦电极652被适当地定位，就施加能量，并且根据来自计划模块的建议的或如医生所修改的消融参数开始消融。

示例

在给定功率限制和效果组合的情况下，我们对离体牛肉样本进行了不同消融时间的消融测试。使用如上面结合图3所描述的一个RFA施用器和发生器创建每个病灶。下示表格1显示了该示例的测试矩阵。功率限制为5W，效果为1。

表1

消融后测量短轴和长轴。图7A显示了我们使用电子游标卡尺测量一个病灶的短轴长度的方法。每次测量由两名研究人员进行。

图7B显示了测试后的离体牛肉RFA样本及其相应的治疗时间。包括治疗时间、病灶长轴和短轴长度的实验结果列于表格2中。

表2

图8是治疗时间相对于病灶长轴长度的第一个曲线图。这一曲线图证明了一种非线性模式。特别是，我们观察到：(a)长轴在开始时缓慢增加，然后在消融5分钟时减小。然而，在5分钟时，两个研究人员之间存在显著的测量差异；(b)在从5到5.5分钟的消融时间中观察到长轴的大幅增加(长轴在30秒内增加约3mm)；并且在消融5.5分钟时达到最长的长轴，然后病灶轴长度减小。

我们利用L2正则化(岭回归)对图8所示的数据进行了非线性回归。长轴相对于时间的回归曲线如图9所示。均方误差为0.80，方差为0.68。在此，多项式特征的次数是3，这是通过交叉验证确定的。

图10是第二个曲线图，其为治疗时间相对于病灶短轴长度的曲线图。该曲线图证明了一种非线性模式。特别地，我们观察到：(a)短轴通常随着消融时间的增加而增加，但从第4分钟至第4.5分钟的消融时间以及从第6.5分钟至第7分钟的消融时间略有下降；(b)从第3分钟到第4分钟和从第6分钟到第6.5分钟的消融时间观察到短轴的增量很大；(c)在消融6.5分钟时达到最长短轴，之后轴长度减小。

我们对图10所示的数据进行了岭回归。回归曲线如图11所示。均方误差为0.96，方差为0.87。

与长轴回归曲线相比，短轴回归曲线的均方误差和方差都相对较大。不受理论约束地，短轴回归曲线具有较大方差的原因是短轴长度小于长轴长度，并且短轴长度随时间的变化具有相对较大的波动，这也可以在图7B所示的组织样本中可视地观察到。

替代实施例

在不脱离本发明主题的情况下，可以对所公开的实施例进行其它修改和变化。

例如，本发明的实施例包括除上述之外的消融装置和能量输送形式。能量输送形式包括但不限于使用可冷凝蒸气、微波能和冷冻能。

另外，虽然上面描述的RF施用器一般被描述为具有单极配置，但是本发明不限于此，并且可以包括可替换的电极配置，例如但不限于双极型电极配置。

Claims

1.一种用于预测用于消融患者体内目标组织的消融区域的消融建模方法，包括：

接收第一实验数据，其中，所述第一实验数据通过以下方式产生：

根据第一组消融参数消融第一组织，

在所述消融之后对所述第一组织进行测量以获得第一实验数据；

在处理器上基于所述第一实验数据计算多个候选模型；

从所述多个候选模型中确定第一学习后的消融模型；和

存储所述第一学习后的消融模型。

2.如权利要求1所述的方法，还包括基于第二实验数据计算第二学习后的消融模型，其中所述第二实验数据是通过根据第二组消融参数消融所述第一组织或第二组织而生成的；以及存储所述第二学习后的消融模型。

3.如权利要求2所述的方法，还包括基于施加所述第一学习后的消融模型和所述第二学习后的消融模型中的至少一个以及所述目标组织的至少一个特性来预测用于消融所述患者体内的所述目标组织的所述消融区域。

4.如权利要求1所述的方法，其中所述确定所述第一学习后的消融模型是预测性机器学习算法、线性回归模型、非线性回归模型或支持向量机算法。

5.如权利要求1所述的方法，其中所述测量选自由几何测量、质量、化学测量、温度和密度组成的组。

6.如权利要求3所述的方法，其中所述目标组织的所述至少一个特性选自由所述目标组织的位置、所述目标组织的尺寸和所述目标组织的组织类型组成的组。

7.如权利要求1所述的方法，其中在处理器上计算并确定所述第一学习后的消融模型是基于来自第一组织类型的多个实验数据的多个物理测量。

8.如权利要求7所述的方法，其中所述多个实验数据包括所述第一组织类型的多个消融组织。

9.如权利要求1所述的方法，其中所述第一组消融参数包括选自由功率、效果和治疗时间组成的组中的至少一个。

10.如权利要求3所述的方法，其中施加步骤还基于最大化所述目标组织的消融组织覆盖范围。

11.一种基于支气管镜的用于计划用消融施用器消融包括患者的肺的呼吸系统中的目标组织的方法，所述方法包括以下步骤：

接收包括所述目标组织的所述患者的呼吸系统的图像数据；

基于一组候选消融参数和所述目标组织的至少一个特性，从多个候选模型中选择学习后的消融模型；和

基于所述学习后的消融模型，在处理器上计算第一消融区域，以最大化所述目标组织的消融覆盖范围。

12.如权利要求11所述的方法，其中所述候选消融参数选自由功率、效果和治疗时间组成的组。

13.如权利要求12所述的方法，还包括推进所述消融施用器通过支气管镜的工作腔到达所述目标组织。

14.如权利要求13所述的方法，还包括通过根据所述候选消融参数从所述消融施用器发射能量来消融所述目标组织。

15.如权利要求14所述的方法，其中所述消融所述目标组织将所述目标组织的温度升高至致死温度。

16.如权利要求15所述的方法，其中通过从电极施加射频能量来执行所述消融所述目标组织。

17.如权利要求11所述的方法，还包括确定到所述目标组织的多条路线的候选消融治疗参数和最佳消融区域。

18.如权利要求11所述的方法，其中所述学习后的消融模型是基于来自多个组织消融的几何测量而训练的预测模型。

19.如权利要求18所述的方法，其中所述学习后的消融模型是非线性回归算法。

20.如权利要求11所述的方法，其中最大化肿瘤消融覆盖范围的计算步骤通过最大化定义为ATT和ATAR的乘积的比率(COV)来执行，其中ATT是消融的肿瘤大小与肿瘤大小的比值，ATAR是所述消融的肿瘤大小与消融的区域大小的比值。

21.一种基于支气管镜的用于计划用消融施用器消融患者的肺中的目标组织的系统，包括：

存储器，所述存储器用于接收包括待消融的所述目标组织的所述患者的所述肺的图像数据；

处理器，所述处理器可运行以用于：

基于一组候选消融参数和所述目标组织的至少一个特性从多个候选模型中选择学习后的消融模型；以及

基于所述学习后的消融模型计算第一消融区域以最大化所述目标组织的消融覆盖范围。

22.如权利要求21所述的系统，其中所述候选消融参数选自由功率、频率、治疗时间和效果组成的组。

23.如权利要求21所述的系统，还包括支气管镜。

24.如权利要求21所述的系统，还包括所述消融施用器。

25.如权利要求24所述的系统，其中所述消融施用器适于将所述目标组织的温度升高到致死温度。

26.如权利要求25所述的系统，其中所述消融施用器是射频能量导管。

27.如权利要求22所述的系统，还包括计算到所述目标组织的路线的多个候选消融治疗参数和消融区域。

28.如权利要求21所述的系统，其中所述处理器可运行以计算使肿瘤消融覆盖范围最大化的所述候选消融参数。

29.如权利要求21所述的系统，其中所述处理器可运行以用于通过最大化被定义为ATT和ATAR的乘积的比率(COV)来计算最大肿瘤消融覆盖范围，其中ATT是消融的肿瘤大小与肿瘤大小的比，ATAR是所述消融的肿瘤大小与消融的区域大小的比。

30.如权利要求21所述的系统，其中所述多个候选模型基于多个不同类型的组织。

31.如权利要求21所述的系统，其中所述学习后的消融模型是预测模型。

32.如权利要求31所述的系统，其中所述预测模型基于来自组织的实验性消融测试的测量。

33.如权利要求32所述的系统，其中所述预测模型是非线性回归算法。

34.一种基于支气管镜的用于预测用于通过消融施用器消融患者的肺的目标组织的消融区域的系统，所述系统包括：

存储器，所述存储器用于接收包括待消融的目标组织的所述患者的肺的图像数据，以及第一实验数据，其中所述第一实验数据是通过以下方式生成的：

根据第一组消融参数消融第一组织，

在所述消融之后对所述第一组织进行测量以获得所述第一实验数据；和

处理器，所述处理器可运行以用于：

根据所述第一实验数据计算多个候选模型；和

确定第一学习后的消融模型。

35.如权利要求34所述的方法，其中所述处理器还可运行以基于第二实验数据计算第二学习后的消融模型，其中所述第二实验数据是通过根据第二组消融参数消融所述第一组织或第二组织而生成的；以及存储所述第二学习后的消融模型。

36.如权利要求35所述的方法，其中所述处理器还可运行以基于施加所述第一学习后的消融模型和所述第二学习后的消融模型中的至少一个以及所述目标组织的至少一个特性来预测用于消融所述患者体内的所述目标组织的所述消融区域。

37.如权利要求34所述的系统，其中所述第一学习后的模型是预测算法。

38.如权利要求35所述的系统，其中所述预测算法使所述目标组织的消融覆盖范围最大化。

39.如权利要求34所述的系统，其中所述图像数据包括带注释的肿瘤。

40.如权利要求34-37中任一项所述的系统，其中所述处理器还可运行以基于使预测的消融区域和测量的消融区域之间的误差最小化来确定所述学习后的模型。

41.如权利要求34-37中任一项所述的系统，其中所述处理器还可运行以确定基于所述学习后的模型的交叉验证，并且其中所述交叉验证通过(a)使用所述第一实验数据的多个子集作为训练数据的训练以及(b)对所述第一实验数据的剩余部分进行验证来执行。

42.如权利要求1-20中任一项所述的方法，其中所述确定基于使预测的消融区域和测量的消融区域之间的误差的最小化。

43.如权利要求1-20中任一项所述的方法，其中所述确定步骤包括交叉验证，并且其中通过(a)使用所述第一实验数据的多个子集作为训练数据的训练以及(b)对所述第一实验数据的剩余部分进行验证来执行所述交叉验证。