CN113876419A - 通过建议标测点的位置提高标测效率 - Google Patents

通过建议标测点的位置提高标测效率 Download PDF

Info

Publication number
CN113876419A
CN113876419A CN202110747726.1A CN202110747726A CN113876419A CN 113876419 A CN113876419 A CN 113876419A CN 202110747726 A CN202110747726 A CN 202110747726A CN 113876419 A CN113876419 A CN 113876419A
Authority
CN
China
Prior art keywords
data
network
points
point
patient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110747726.1A
Other languages
English (en)
Inventor
A·巴拉姆
G·哈亚姆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Biosense Webster Israel Ltd
Original Assignee
Biosense Webster Israel Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Biosense Webster Israel Ltd filed Critical Biosense Webster Israel Ltd
Publication of CN113876419A publication Critical patent/CN113876419A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/363—Detecting tachycardia or bradycardia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/367—Electrophysiological study [EPS], e.g. electrical activation mapping or electro-anatomical mapping
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/339—Displays specially adapted therefor
    • A61B5/343—Potential distribution indication
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6847—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive mounted on an invasive device
    • A61B5/6852—Catheters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6867—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive specially adapted to be attached or implanted in a specific body part
    • A61B5/6869—Heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Cardiology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Psychiatry (AREA)
  • Pulmonology (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Robotics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明题为“通过建议标测点的位置提高标测效率”。通过建议标测点位置来改善标测效率的一种方法和设备，该方法包括：在机器处接收数据，该数据包括在执行三角测量以定位局灶性心动过速期间接收的多个信号；由该机器生成关于局灶性心动过速的位置的预测模型；以及由该机器基于由该机器接收的附加数据来修改该预测模型。

Description

通过建议标测点的位置提高标测效率
相关申请的交叉引用
本申请要求2020年7月1日提交的美国临时申请63/046,948的权益，该申请的内容以引用方式并入本文中。
技术领域
本发明涉及人工智能和与通过建议标测点位置提高标测效率相关联的机器学习。
背景技术
在尝试使用三角测量方法定位激活源点时，需要多个采集点并且不存在关于这些点需要如何进行空间分布的数据。
发明内容
通过建议标测点位置来改善标测效率的一种方法和设备，该方法包括：在机器处接收数据，该数据包括在执行三角测量以定位局灶性心动过速期间接收的多个信号；由该机器生成关于局灶性心动过速的位置的预测模型；以及由该机器基于由该机器接收的附加数据来修改该预测模型。
附图说明
通过以举例的方式结合附图提供的以下具体实施方式可得到更详细的理解，其中附图中类似的附图标号指示类似的元件，并且其中：
图1是用于远程监测和传送患者生物计量的示例性系统的框图；
图2是与网络通信的计算环境的示例的系统图示；
图3是可以实施本公开的一个或多个特征的示例性装置的框图；
图4示出了结合图3的示例性装置的人工智能系统的图形描绘；
图5示出了在图4的人工智能系统中执行的方法；
图6示出了朴素贝叶斯计算的概率的示例；
图7示出了示例性决策树；
图8示出了示例性随机森林分类器；
图9示出了示例性逻辑回归；
图10示出了示例性支持向量机；
图11示出了示例性线性回归模型；
图12示出了示例性K均值聚类；
图13示出了示例性集成学习算法；
图14示出了示例性神经网络；
图15示出了基于硬件的神经网络；
图16A至图16D示出了具有不同病因的心肌症的示例；
图17是可以实施本公开主题的一个或多个特征的示例性系统的图示；并且
图18是根据实施方案的三角测量的示例性图示；
图19是根据实施方案的通过建议标测点位置来改善标测效率的示例性方法的示例性流程图；
图20示出了单个查询点的系统和信息流的图形描绘；
图21示出了使用图20的系统来推断下一个感兴趣区域的描绘；
图22示出了用于图20的系统中的变压器网络的架构；
图23示出了Vnet网络架构示例；并且
图24示出了用作图20中的NN的集成网络架构。
具体实施方式
虽然本文将描述应用的细节，但是简单的机器学习(ML)用于通过引导用户采集信息性位置中的点来训练系统以提高标测效率。
一种通过建议标测点位置来改善标测效率的方法和设备，该方法包括：在机器处接收数据，该数据包括在执行三角测量以定位局灶性心动过速期间接收的多个信号；由该机器生成关于该局灶性心动过速的该位置的预测模型；以及由该机器基于由该机器接收的附加数据来修改该预测模型。
图1是用于远程监测和传送患者生物计量(即，患者数据)的示例性系统100的框图。在图1所示的示例中，系统100包括与患者104相关联的患者生物计量监测和处理设备102、本地计算装置106、远程计算系统108、第一网络110和第二网络120。
根据实施方案，监测和处理设备102可以是处于患者体内的(例如，可皮下植入的)设备。监测和处理设备102可经由任何适用的方式插入患者体内，包括口腔注射、经由静脉或动脉的外科手术插入、内窥镜规程或腹腔镜规程。
根据实施方案，监测和处理设备102可以是处于患者外部的设备。例如，如下面更详细描述的，监测和处理设备102可包括可附接贴片(例如，其附接到患者的皮肤)。监测和处理设备102还可包括具有一个或多个电极的导管、探头、血压袖带、体重秤、手镯或智能手表生物识别跟踪器、葡萄糖监测器、持续气道正压通气(CPAP)机或可提供与患者的健康或生物识别有关的输入的几乎任何装置。
根据一个实施方案，监测和处理设备102可以包括患者内部的部件和患者外部的部件。
在图1中示出了单个监测和处理设备102。然而，示例性系统可包括多个患者生物计量监测和处理设备。患者生物计量监测和处理设备可与一个或多个其他患者生物计量监测和处理设备通信。附加地或另选地，患者生物计量监测和处理设备可与网络110通信。
一个或多个监测和处理设备102可获取患者生物计量数据(例如，电信号、血压、温度、血糖水平或其他生物计量数据)，并且从一个或多个其他监测和处理设备102接收表示所获取的患者生物计量和与所获取的患者生物计量相关联的附加信息的患者生物计量数据的至少一部分。附加信息可以是例如诊断信息和/或从诸如可穿戴装置的附加装置获得的附加信息。每个监测和处理设备102可处理数据，包括其自身获取的患者生物计量以及从一个或多个其他监测和处理设备102接收的数据。
在图1中，网络110是近程网络(例如，局域网(LAN)或个人局域网(PAN))的示例。可使用各种近程无线通信协议(诸如蓝牙、Wi-Fi、Zigbee、Z-Wave、近场通信(NFC)、ultraband、Zigbee或红外(IR))中的任何一种经由近程网络110在监测和处理设备102与本地计算装置106之间发送信息。
网络120可以是有线网络、无线网络或包括一个或多个有线和无线网络。例如，网络120可以是远程网络(例如，广域网(WAN)、互联网或蜂窝网络)。可使用各种远程无线通信协议(例如，TCP/IP、HTTP、3G、4G/LTE或5G/新无线电)中的任何一种经由网络120发送信息。
患者监测和处理设备102可包括患者生物计量传感器112、处理器114、用户输入(UI)传感器116、存储器118和发射器-接收器(即，收发器)122。患者监测和处理设备102可经由网络110连续地或周期性地监测、存储、处理和传送任何数量的各种患者生物识别。患者生物计量的示例包括电信号(例如，ECG信号和脑生物计量)、血压数据、血糖数据和温度数据。可监测和传送患者生物计量以便对任何数量的各种疾病进行治疗，疾病诸如心血管疾病(例如，心律失常、心肌病和冠状动脉疾病)和自身免疫疾病(例如，I型和II型糖尿病)。
患者生物计量传感器112可包括例如被配置成感测生物计量性患者生物计量的类型的一个或多个传感器。例如，患者生物计量传感器112可包括被配置成获取电信号(例如，心脏信号、脑信号或其他生物电信号)的电极、温度传感器、血压传感器、血糖传感器、血氧传感器、pH传感器、加速度计和麦克风。
如下面更详细描述的，患者生物计量监测和处理设备102可以是用于监测心脏的ECG信号的ECG监测器。ECG监测器的患者生物计量传感器112可包括用于获取ECG信号的一个或多个电极。ECG信号可用于治疗各种心血管疾病。
在另一个示例中，患者生物特征监测和处理设备102可以是连续葡萄糖监测器(CGM)，以用于连续监测患者的血糖水平以治疗各种疾病，诸如I型和II型糖尿病。CGM可包括皮下设置的电极，该电极可监测来自患者间质液的血糖水平。CGM可以是例如闭环系统的部件，其中血糖数据被发送到胰岛素泵，用于在没有用户干预的情况下计算胰岛素的递送。
收发器122可包括单独的发射器和接收器。另选地，收发器122可包括集成到单个设备中的发射器和接收器。
处理器114可被配置成在存储器118中存储患者数据，诸如由患者生物计量传感器112获取的患者生物计量数据，并且经由收发器122的发射器跨网络110传送患者数据。来自一个或多个其他监测和处理设备102的数据也可由收发器122的接收器接收，如下面更详细描述的。
根据实施方案，监测和处理设备102包括UI传感器116，例如，其可以是被配置成接收用户输入(诸如轻击或触摸)的压电传感器或电容传感器。例如，响应于患者104轻击或接触监测和处理设备102的表面，可控制UI传感器116以实现电容耦接。手势识别可经由各种电容类型中的任何一种来实现，诸如电阻电容、表面电容、投射电容、表面声波、压电和红外触摸。电容传感器可设置在小区域处或表面的长度上，使得表面的轻击或触摸激活监测装置。
如下面更详细描述的，处理器114可被配置成选择性地响应电容传感器(其可以是UI传感器116)的不同轻击模式(例如，单击或双击)，使得可以基于检测的模式激活贴片的不同任务(例如，数据的获取、存储或传输)。在一些实施方案中，当检测到手势时，可从处理设备102向用户给予可听反馈。
系统100的本地计算装置106与患者生物计量监测和处理设备102通信，并且可被配置成通过第二网络120充当到远程计算系统108的网关。例如，本地计算装置106可以是智能电话、智能手表、平板电脑、或被配置成经由网络120与其他装置通信的其他便携式智能装置。另选地，本地计算装置106可以是固定或独立装置，诸如包括例如调制解调器和/或路由器能力的固定基站，使用可执行程序以经由PC的无线电模块在处理设备102与远程计算系统108之间传送信息的台式计算机或膝上型计算机，或USB加密狗。可使用近程无线技术标准(例如，蓝牙、Wi-Fi、ZigBee、Z波和其他近程无线标准)，经由近程无线网络110，诸如局域网(LAN)(例如，个人局域网络(PAN))在本地计算装置106与患者生物计量监测和处理设备102之间传送患者生物计量。在一些实施方案中，本地计算装置106还可被配置成显示所获取的患者电信号和与所获取的患者电信号相关联的信息，如下面更详细描述的。
在一些实施方案中，远程计算系统108可被配置成经由作为远程网络的网络120接收所监测的患者生物计量和与被监测患者相关联的信息中的至少一者。例如，如果本地计算装置106是移动电话，则网络120可以是无线蜂窝网络，并且可经由诸如上述任何无线技术的无线技术标准在本地计算装置106与远程计算系统108之间传送信息。如下面更详细描述的，远程计算系统108可被配置成向医护专业人员(例如，医师)提供(例如，可视地显示和/或听觉地提供)患者生物计量和相关信息中的至少一者。
图2是与网络120通信的计算环境200的示例的系统图。在一些情况下，计算环境200被合并到公共云计算平台(诸如Amazon Web Services或Microsoft Azure)、混合云计算平台(诸如HP Enterprise OneSphere)或私有云计算平台。
如图2所示，计算环境200包括远程计算系统108(下文称为计算机系统)，该远程计算系统是可在其上实现本文所述的实施方案的计算系统的一个示例。
远程计算系统108可经由可包括一个或多个处理器的处理器220执行各种功能。功能可包括分析监测的患者生物计量和相关联的信息，并且根据医师确定的或算法驱动的阈值和参数提供(例如，经由显示器266)警报、附加信息或指令。如下面更详细描述的，远程计算系统108可用于向医疗保健人员(例如，医师)提供患者信息仪表板(例如，经由显示器266)，使得这种信息可以使医疗保健人员能够识别具有比其他人更多关键需求的患者并对其优先考虑。
如图2所示，计算机系统210可包括通信机制(诸如总线221)或用于在计算机系统210内传送信息的其他通信机制。计算机系统210还包括与总线221耦接的一个或多个处理器220，以用于处理信息。处理器220可包括一个或多个CPU、GPU或本领域中已知的任何其他处理器。
计算机系统210还包括耦接到总线221的系统存储器230，以用于存储将由处理器220执行的信息和指令。系统存储器230可包括易失性和/或非易失性存储器形式的计算机可读存储介质，诸如只读系统存储器(ROM)231和/或随机存取存储器(RAM)232。系统存储器RAM 232可包括其他动态存储装置(例如，动态RAM、静态RAM和同步DRAM)。系统存储器ROM231可包括其他静态存储装置(例如，可编程ROM、可擦除PROM和电可擦除PROM)。此外，系统存储器230可用于在处理器220执行指令期间存储临时变量或其他中间信息。基本输入/输出系统233(BIOS)可包含在计算机系统210内的元件之间，诸如在启动过程中传输信息的例程，该例程可被存储在系统存储器ROM 231中。RAM 232可包含数据和/或程序模块，该数据和/或程序模块可由处理器220立即访问和/或当前由该处理器操作。系统存储器230可另外包括例如操作系统234、应用程序235、其他程序模块236和程序数据237。
所示出的计算机系统210还包括磁盘控制器240，该磁盘控制器耦接到总线221以控制用于存储信息和指令的一个或多个存储装置，诸如硬磁盘241和可移动介质驱动器242(例如，软盘驱动器、光盘驱动器、磁带驱动器和/或固态驱动器)。可使用适当的装置接口(例如，小型计算机系统接口(SCSI)、集成装置电子器件(IDE)、通用串行总线(USB)或火线)将存储装置添加到计算机系统210。
计算机系统210还可包括耦接到总线221的显示控制器265，以控制监视器或显示器266，诸如阴极射线管(CRT)或液晶显示器(LCD)，以向计算机用户显示信息。所示出的计算机系统210包括用户输入接口260和一个或多个输入装置，诸如键盘262和指向装置261，以用于与计算机用户交互并将信息提供给处理器220。指向装置261例如可以是鼠标、轨迹球或指向杆，以用于向处理器220传送方向信息和命令选择并用于控制显示器266上的光标移动。显示器266可提供触摸屏界面，该触摸屏界面可允许输入以补充或替换指向装置261和/或键盘262对方向信息和命令选择的通信。
响应于处理器220执行包含在存储器诸如系统存储器230中的一个或多个指令的一个或多个序列，计算机系统210可执行本文所述的功能和方法的一部分或每一者。可从另一个计算机可读介质诸如硬盘241或可移动介质驱动器242将此类指令读入系统存储器230。硬盘241可包含由本文所述的实施方案使用的一个或多个数据存储库和数据文件。数据存储库内容和数据文件可以被加密以提高安全性。处理器220还可在多处理布置中采用以执行系统存储器230中包含的指令的一个或多个序列。在另选的实施方案中，可以使用硬连线电路系统取代软件指令或与软件指令结合使用。因此，实施方案不限于硬件电路系统和软件的任何特定组合。
如上所述，计算机系统210可包括至少一个计算机可读介质或存储器，以用于保存根据本文所述的实施方案编程的指令并且用于包含本文所述的数据结构、表格、记录或其他数据。如本文所用的术语计算机可读介质是指参与向处理器220提供指令以供执行的任何非临时性有形介质。计算机可读介质可以采用许多形式，包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质的非限制性示例包括光盘、固态驱动器、磁盘和磁光盘，诸如硬盘241或可移动介质驱动器242。易失性介质的非限制性示例包括动态存储器，诸如系统存储器230。传输介质的非限制性示例包括同轴缆线、铜线和光纤，包括构成总线221的导线。传输介质也可以采用声波或光波的形式，诸如在无线电波和红外数据通信期间生成的声波或光波。
计算环境200还可包括计算机系统210，该计算机系统使用到本地计算装置106和一个或多个其他装置的逻辑连接在联网环境中操作，所述一个或多个其他装置诸如为个人计算机(膝上型计算机或台式计算机)、移动装置(例如，患者移动装置)、服务器、路由器、网络PC、对等装置或其他公共网络节点，并且通常包括上面相对于计算机系统210所述的许多或所有元件。当在联网环境中使用时，计算机系统210可包括调制解调器272，该调制解调器用于在网络120诸如互联网上建立通信。调制解调器272可经由网络接口270或经由另一个适当的机构连接至系统总线221。
如图1和图2所示，网络120可以是本领域中公知的任何网络或系统，包括互联网、内联网、局域网(LAN)、广域网(WAN)、城域网(MAN)、直接连接或一系列连接、蜂窝电话网络或能够促进计算机系统610与其他计算机(例如，本地计算装置106)之间的通信的任何其他网络或介质。
图3是可以实施本公开的一个或多个特征的示例性装置300的框图。例如，装置300可以是本地计算装置106。装置300可包括，例如计算机、游戏装置、手持装置、机顶盒、电视机、移动电话或平板电脑。装置300包括处理器302、存储器304、存储装置306、一个或多个输入装置308和一个或多个输出装置310。装置300还可任选地包括输入驱动器312和输出驱动器314。应当理解，装置300可包括图3中未示出的附加部件，包括人工智能加速器。
在各种另选方案中，处理器302包括中央处理单元(CPU)、图形处理单元(GPU)、位于同一管芯上的CPU和GPU，或一个或多个处理器内核，其中每个处理器内核可以是CPU或GPU。在各种另选方案中，存储器304与处理器302位于同一管芯上，或者与处理器302分开定位。存储器304包括易失性或非易失性存储器，例如，随机存取存储器(RAM)、动态RAM或高速缓存。
存储装置306包括固定或可移动存储装置，例如硬盘驱动器、固态驱动器、光盘或闪存驱动器。输入装置308包括但不限于键盘、小键盘、触摸屏、触摸板、检测器、麦克风、加速计、陀螺仪、生物识别扫描器或网络连接器(例如，用于传输和/或接收无线IEEE 802信号的无线局域网卡)。输出装置310包括但不限于显示器、扬声器、打印机、触觉反馈装置、一个或多个灯、天线或网络连接(例如，用于传输和/或接收无线IEEE802信号的无线局域网卡)。
输入驱动器312与处理器302和输入装置308通信，并且允许处理器302从输入装置308接收输入。输出驱动器314与处理器302和输出装置310通信，并且允许处理器302向输出装置310发送输出。需注意，输入驱动器312和输出驱动器314是可选部件，并且如果不存在输入驱动器312和输出驱动器314，则装置300将以相同的方式操作。输出驱动器316包括耦接到显示装置318的加速处理装置(“APD”)316。APD接受来自处理器302的计算命令和图形渲染命令，处理那些计算和图形渲染命令，并且向显示装置318提供像素输出以供显示。如下面进一步详细描述的，APD316包括一个或多个并行处理单元，以根据单指令多数据(“SIMD”)范式来执行计算。因此，尽管各种功能在本文中被描述为由APD 316执行或结合APD 316执行，但在各种另选方案中，被描述为由APD 316执行的功能附加地或另选地由具有类似能力的其他计算装置执行，这些计算装置不由主机处理器(例如，处理器302)驱动，并且向显示装置318提供图形输出。例如，预期根据SIMD范式执行处理任务的任何处理系统可执行本文所述的功能。另选地，预期不根据SIMD范式执行处理任务的计算系统执行本文所述的功能。
图4示出了结合图3的示例性装置的人工智能系统200的图形描绘。系统400包括数据410、机器420、模型430、多个结果440和底层硬件450。系统400按以下方式工作：使用数据410来训练机器420，同时构建模型430以使得能够预测多个结果440。系统400可相对于硬件450工作。在此类配置中，数据410可与硬件450相关并且可始自于例如设备102。例如，数据410可以是正在生成的数据，或者是与硬件450相关联的输出数据。机器420可作为与硬件450相关联的控制器或数据收集工作或与其相关联。模型430可被配置成对硬件450的操作建模并对从硬件450收集的数据410建模，以便预测由硬件450实现的结果。使用预测的结果440，硬件450可被配置成从硬件450提供某个期望的结果440。
图5示出了在图4的人工智能系统中执行的方法500。方法500包括在步骤510处从硬件收集数据。该数据可包括当前从硬件收集的数据、来自硬件的历史数据或其他数据。例如，该数据可包括外科规程期间的测量结果，并且可与规程的结果相关联。例如，可收集心脏的温度并将其与心脏规程的结果相关联。
在步骤520处，方法500包括在硬件上训练机器。该训练可包括在步骤510中收集的数据的分析和相关性。例如，就心脏而言，可训练温度和结果的数据以确定在规程期间心脏的温度与结果之间是否存在相关性或联系。
在步骤530处，方法500包括在与硬件相关联的数据上构建模型。构建模型可包括物理硬件或软件建模、算法建模等，如将在下文描述的。该建模可试图表示已收集和训练的数据。
在步骤540处，方法500包括预测与硬件相关联的模型的结果。对结果的这种预测可基于已训练的模型。例如，就心脏而言，如果规程期间介于97.7-100.2之间的温度由规程产生正面结果，则可在给定规程中基于规程期间心脏的温度来预测结果。虽然该模型是基本的，但它被提供用于示例性目的并增加对本发明的理解。
本发明的系统和方法用以训练机器、构建模型并使用算法预测结果。这些算法可用于求解已训练的模型并预测与硬件相关联的结果。这些算法通常可分成分类、回归和聚类算法。
例如，分类算法用于将因变量(其为被预测的变量)分成多个类别的情况并预测给定输入下的类别(因变量)的情况。因此，分类算法用于从一组数量的固定的预定义结果中预测结果。分类算法可包括朴素贝叶斯算法、决策树、随机森林分类器、逻辑回归、支持向量机和k个最近相邻点。
一般来讲，朴素贝叶斯算法遵循贝叶斯定理，并且遵循概率方法。应当理解，也可以使用其他基于概率的算法，并且这些算法通常使用与下文针对示例性朴素贝叶斯算法所述的那些类似的概率原理来操作。
图6示出了朴素贝叶斯计算的概率的示例。贝叶斯定理的概率方法实质上意味着该算法对于目标的每个类别具有一组先验概率，而不是直接跳跃到数据中。在输入数据之后，朴素贝叶斯算法可更新先验概率以形成后验概率。这由以下公式给出：
Figure BDA0003143535920000111
当需要预测您的输入是否属于给定列表的n个类别时，这种朴素贝叶斯算法以及贝叶斯算法通常可能是有用的。可使用概率方法，因为所有n个类别的概率将相当低。
例如，如图6所示，一个人打高尔夫球，这取决于包括第一数据集610中所示的外部天气在内的因素。第一数据集610在第一列中示出了天气并且在第二列中示出了与该天气相关联的打球结果。在频率表620中，生成发生某些事件的频率。在频率表620中，确定一个人在每个天气状况下打高尔夫球或不打高尔夫球的频率。由此，编译了用于生成初始概率的似然表。例如，天气为阴天的概率为0.29，而打球的一般概率为0.64。
可以根据似然表630生成后验概率。这些后验概率可被配置为回答有关天气状况以及是否在那些天气状况下打高尔夫球的问题。例如，可以通过贝叶斯公式来阐述室外晴朗并且打高尔夫球的概率：
P(是|晴朗)＝P(晴朗|是)*P(是)/P(晴朗)
根据似然表630：
P(晴朗|是)＝3/9＝0.33，
P(晴朗)＝5/14＝0.36，
P(是)＝9/14＝0.64。
因此，P(是|晴朗)＝0.33*0.64/0.36或大约0.60(60％)。
一般来讲，决策树是类似于流程图的树结构，其中每个外部节点代表对属性的测试并且每个分支表示该测试的结果。叶节点含有实际预测标签。决策树从树根开始，其中属性值被比较，直到到达叶节点。当处理高维数据时以及当已在数据准备之后花费很少时间时，决策树可以用作分类器。决策树可以采取简单决策树、线性决策树、代数决策树、确定性决策树、随机决策树、非确定性决策树和量子决策树的形式。下面在图7中提供了示例性决策树。
图7示出了决定是否打高尔夫球的决策树，该决策树遵循与上述贝叶斯示例相同的结构。在决策树中，第一节点710检查天气，从而将晴朗712、阴天714和雨天716作为选择以沿决策树向下进展。如果天气晴朗，则跟随树的支腿到检查温度的第二节点720。在该示例中，节点720处的温度可以为高722或正常724。如果节点720处的温度为高722，则出现“否”(不打)723高尔夫球的预测结果。如果节点720处的温度为正常724，则出现“是”(打)725高尔夫球的预测结果。
此外，从第一节点710开始，出现结果阴天714，则“是”(打)715高尔夫球。
从第一节点天气710开始，雨天716的结果导致(再次)检查温度的第三节点730。如果第三节点730处的温度为正常732，则“是”(打)733高尔夫球。如果第三节点730处的温度为低734，则“否”(不打)735高尔夫球。
根据该决策树，如果天气为阴天715、在正常温度晴朗天气725下和在正常温度下雨天气733下，则高尔夫球手打高尔夫球，而如果是晴朗高温723下或下雨低温735下，则高尔夫球手不打高尔夫球。
随机森林分类器是决策树的委员会，其中每个决策树已被馈送数据的属性的子集并且基于该子集进行预测。考虑决策树的实际预测值的众数以提供最终的随机森林答案。随机森林分类器通常减轻了存在于独立决策树中的过度拟合，从而得到更稳健和准确的分类器。
图8示出了用于对服装的颜色进行分类的示例性随机森林分类器。如图8所示，随机森林分类器包括五个决策树8101、8102、8103、8104和8105(统称或一般称为决策树810)。每个树被设计用于对服装的颜色进行分类。不提供对每个树和所做决策的讨论，因为每个单独的树通常作为图7的决策树来操作。在该例证中，这五个树中的三个(8101、8102、8104)确定服装为蓝色，而一个树确定服装为绿色(8103)，并且剩余的树确定服装为红色(8105)。随机森林采用五个树的这些实际预测值，并计算这些实际预测值的众数以提供服装为蓝色的随机森林答案。
逻辑回归是用于二分分类任务的另一种算法。逻辑回归基于逻辑函数(也称为S形函数)。该S形曲线可采用任何实值数，并且将其映射在0和1之间，渐近地接近那些限值。逻辑模型可用于对存在的某个类别或事件诸如通过/失败、赢/输、存活/死亡或健康/患病的概率进行建模。这可扩展到对几类事件进行建模，例如确定图像中是否包含猫、狗、狮子等。图像中检测到的每个对象将被分配一个介于0和1之间的概率，概率之和为1。
在逻辑模型中，标记为“1”的值的对数几率(几率的对数)是一个或多个自变量(“预测器”)的线性组合；这些自变量可各自为二元变量(两个类别，由指示器变量编码)或连续变量(任何实值)。标记为“1”的值的对应概率可以在0(肯定为值“0”)和1(肯定为值“1”)之间变化，因此进行标记；将对数几率转换为概率的函数是逻辑函数，因此使用此名称。对数几率标度的测量单位称为分对数，来自逻辑单位，因此使用此另选名称。也可以使用具有不同S形函数而不是逻辑函数的类似模型，诸如概率模型；逻辑模型的定义特性为增加自变量中的一个以恒定速率乘法地缩放给定结果的几率，其中每个自变量具有其自身的参数；对于二元因变量，这概括了几率比。
在二元逻辑回归模型中，因变量具有两个水平(类别上)。通过多项逻辑回归对具有超过两个值的输出进行建模，并且如果这多个类别是有序的，则通过顺序逻辑回归(例如比例优势顺序逻辑模型)进行建模。逻辑回归模型本身简单地根据输入对输出的概率进行建模，并且不执行统计分类(其不是分类器)，但其可用于例如通过选择截止值并将概率大于截止值的输入分类为一个类别、将概率低于截止值的输入分类为另一个类比来充当分类器；这是制作二元分类器的通用方式。
图9示出了示例性逻辑回归。该示例性逻辑回归使得能够基于一组变量来预测结果。例如，基于个人的平均学分绩点，可预测被学校接受的结果。平均学分绩点的过去历史以及与接受的关系使得预测能够发生。图9的逻辑回归使得能够分析平均学分绩点变量920以预测由0至1限定的结果910。在S形曲线的低端930处，平均学分绩点920预测不被接受的结果910。而在S形曲线的高端940处，平均学分绩点920预测被接受的结果910。逻辑回归可用于预测房屋价值、保险行业中的客户寿命值等。
支持向量机(SVM)可用于以尽可能远地间隔开的两个类别之间的裕度对数据进行分类。这被称为最大裕度间隔。SVM可在绘制超平面时考虑支持向量，这与线性回归不同，线性回归将整个数据集用于该目的。
图10示出了示例性支持向量机。在示例性SVM 1000中，数据可被分类为表示为正方形1010和三角形1020的两个不同类别。SVM 1000通过绘制随机超平面1030来操作。通过比较超平面1030与来自每个类别的最近数据点1050之间的距离(用线1040示出)来监测该超平面1030。距超平面1030最近的数据点1050被称为支持向量。基于这些支持向量1050来绘制超平面1030，并且最佳超平面具有距这些支持向量1050中的每一个的最大距离。超平面1030和支持向量1050之间的距离被称为裕度。
SVM 1000可用于通过使用超平面1030对数据进行分类，使得超平面1030与支持向量1050之间的距离最大。例如，此类SVM 1000可用于预测心脏病。
K个最近相邻点(KNN)是指通常不对基础数据分布做出假设并且执行相当短的训练阶段的一组算法。一般来讲，KNN使用被分成若干类别的许多数据点来预测新采样点的分类。操作地，KNN指定具有新样本的整数N。选择系统的模型中最靠近该新样本的N个条目。确定这些条目的最常见分类，并将该分类分配给该新样本。KNN通常要求存储空间随着训练集增大而增大。这也意味着估计时间与训练点的数量成比例地增加。
在回归算法中，输出为连续量，因此可在目标变量为连续变量的情况下使用回归算法。线性回归是回归算法的一般示例。线性回归可用于根据一个或多个一致变量来估计真实质量(房屋成本、叫拍次数、所有买断交易等)。通过拟合最佳线(从而拟合线性回归)来创建变量与结果之间的连接。该最佳拟合线被称为回归线并且通过直接条件Y＝a*X+b来表达。线性回归最好用于涉及低维度数的方法中。
图11示出了示例性线性回归模型。在该模型中，相对于测量变量1120来对预测变量1110进行建模。预测变量1110和测量变量1120的实例的集群被绘制为数据点1130。然后用最佳拟合线1140拟合数据点1130。然后在给定测量变量1120的情况下，将最佳拟合线1140用于后续预测，该线1140用于预测该实例的预测变量1110。线性回归可用于在金融组合、收入预报、房地产和在到达估计到达时间时的交通方面进行建模和预测。
聚类算法也可用于对数据集进行建模和训练。在聚类中，基于特征相似性将输入分配到两个或更多个集群中。聚类算法通常在没有任何指导的情况下从数据中学习模式和有用的见解。例如，可使用无监督学习算法如K均值聚类来执行基于观看者的兴趣、年龄、地理等将他们聚类成类似的组。
K均值聚类通常被认为是简单的无监督学习方法。在K均值聚类中，可以将类似的数据点聚集在一起并以集群的形式绑定。用于将数据点绑定在一起的一种方法是通过计算该组数据点的质心。在确定有效集群时，在K均值聚类中，评估每个点与集群的质心之间的距离。根据数据点与质心之间的距离，将数据分配给最近的集群。聚类的目标是确定一组未标记数据中的本征分组。K均值中的“K”代表形成的集群的数量。集群的数量(基本上是可对新的数据实例进行分类的类别的数量)可由用户确定。例如，可在训练期间使用反馈并查看集群的尺寸来执行该确定。
在数据集具有不同且良好间隔的点的情况下主要使用K均值，否则，如果集群未间隔，则建模可能会使集群不准确。另外，在数据集含有大量异常值或数据集为非线性的情况下，可以避免K均值。
图12示出了K均值聚类。在K均值聚类中，绘制数据点并分配K值。例如，对于图12中的K＝2，绘制数据点，如描绘1210所示。然后在步骤1220处将这些点分配给类似的中心。集群质心被识别，如1230所示。一旦质心被识别，就将这些点重新分配到集群以提供数据点到相应集群质心之间的最小距离，如1240所示。然后可确定集群的新质心，如描绘1250所示。当将数据点重新分配到集群时，可发生新的集群质心形成、迭代或一系列迭代，以使集群的尺寸最小化并且确定最佳质心的质心。然后，当测量新的数据点时，可将新的数据点与质心和集群进行比较以与该集群一起识别。
可使用集成学习算法。与可单独从任何组成学习算法获得的性能相比，这些算法使用多个学习算法来获得更好的预测性能。集成学习算法执行通过假设空间进行搜索以找到将对特定问题进行良好预测的合适假设的任务。即使该假设空间含有非常适合特定问题的假设，找到良好的假设也可能是非常困难的。集成算法组合了多个假设以形成更好的假设。术语集成通常被保留用于使用相同的基础学习器来生成多个假设的方法。多个分类器系统的更广泛的术语还涵盖不由相同基础学习器诱导的假设的混合。
与评估单个模型的预测相比，评估集成的预测通常需要更多的计算，因此集成可被认为是通过执行大量额外计算来补偿不良学习算法的方式。快速算法诸如决策树通常用在集成方法中，例如随机森林，尽管较慢算法也可受益于集成技术。
集成本身是受监督的学习算法，因为该集成可以被训练，然后用于进行预测。因此，受过训练的集成代表单个假设。然而，该假设不一定被容纳在构建该假设的模型的假设空间内。因此，可示出集成在其可表示的功能上具有更大的灵活性。理论上，这种灵活性可使得这些集成能够比单个模型更适合训练数据，但在实践中，一些集成技术(尤其是装袋)趋于减少与过度适合训练数据相关的问题。
根据经验，当模型之间存在显著多样性时，集成算法趋于产生更好的结果。因此，许多集成方法试图促进它们组合的模型之间的多样性。虽然是非直观的，但可使用更随机的算法(如随机决策树)来产生比非常有意的算法(如熵降低决策树)更强的集成。然而，使用多种强力学习算法已显示出比使用尝试丢弃模型以促进多样性的技术更有效。
集成的分量分类器的数量对预测的准确度具有很大影响。预先确定大数据流的集成尺寸和体积以及速度使得这对于在线集成分类器甚至更重要。理论框架表明，存在用于集成的理想数量的分量分类器，使得具有多于或少于该数量的分类器将降低准确度。理论框架表明，使用与类标签相同数量的独立分量分类器给出了最高准确度。
一些常见类型的集成包括贝叶斯最佳分类器、自举聚合(装袋)、提升、贝叶斯模型平均、贝叶斯模型组合、模型存储和堆叠。图13示出了示例性集成学习算法，其中装袋被并行执行1310，并且提升被顺序地执行1320。
神经网络是神经元的网络或电路，或者在现代意义上，是由人工神经元或节点组成的人工神经网络。生物神经元的连接被建模为权重。正权重反映兴奋性连接，而负值表示抑制性连接。通过权重修改输入并使用线性组合求和。激活函数可控制输出的振幅。例如，可接受的输出范围通常介于0和1之间，或者该范围可为-1和1之间。
这些人工网络可用于预测建模、自适应控制和应用，并且可经由数据集被训练。由经验产生的自学可发生在网络内，这可从复杂且看似不相关的信息组中得出结论。
为了完整起见，生物神经网络由一组或多组化学连接的或功能相关的神经元组成。单个神经元可被连接到许多其他神经元，并且网络中的神经元和连接的总数可以是广泛的。连接(称为突触)通常由轴突至枝状体形成，但树枝状突触和其他连接也是可能的。除了电信号之外，还存在由神经递质扩散引起的其他形式的信号。
人工智能、认知建模和神经网络是由生物神经系统处理数据的方式诱发的信息处理范式。人工智能和认知建模试图模拟生物神经网络的一些特性。在人工智能领域，人工神经网络已被成功地应用于语音识别、图像分析和自适应控制，以便(在计算机和视频游戏中)构建软件代理或自主机器人。
就被称为人工神经网络(ANN)或模拟神经网络(SNN)的人工神经元而言，神经网络(NN)是一组互连的天然或人工神经元，该神经网络基于计算的连接方法使用数学或计算模型进行信息处理。在大多数情况下，ANN是基于流动通过网络的外部或内部信息来改变其结构的自适应系统。更实际的术语神经网络是非线性统计数据建模或决策制定工具。这些术语神经网络可用于对输入和输出之间的复杂关系进行建模或在数据中找到模式。
人工神经网络涉及简单处理元件(人工神经元)的网络，该网络可表现出由处理元件和元件参数之间的连接确定的复杂全局行为。
一种经典类型的人工神经网络是复发式霍普菲尔德网络。人工神经网络模型的实用性在于它们可用于从观察推断函数并且还可用于使用该函数。未受监督的神经网络还可用于学习捕获输入分布的显著特征的输入的表示，以及最近的深度学习算法可以隐含地学习观察到的数据的分布函数。在神经网络中的学习在数据或任务的复杂性使得手动设计此类功能不切实际的应用中特别有用。
神经网络可用于不同领域。人工神经网络所应用的任务往往落在以下广泛类别内：函数近似或回归分析，包括时间序列预测和建模；分类，包括模式和序列识别、新颖性检测和顺序决策；以及数据处理，包括过滤、集群、盲信号分离和压缩。
ANN的应用程序区域包括非线性系统识别和控制(车辆控制、过程控制)、游戏播放和决策制定(西洋双陆棋、聊天、比赛)、模式识别(雷达系统、面部识别、对象识别)、序列识别(手势、语音、手写文本识别)、医疗诊断、金融应用程序、数据挖掘(或数据库中的知识发现，“KDD”)、可视化和电子邮件垃圾筛选。例如，可以从训练用于对象识别的图片创建用户兴趣的语义特征图。
图14示出了示例性神经网络。在该神经网络中，存在由多个输入诸如14101和14102表示的输入层。输入14101、14102被提供给被描绘为包括节点14201、14202、14203、14204的隐藏层。这些节点14201、14202、14203、14204被组合以在输出层中产生输出1430。神经网络经由简单处理元件的隐藏层(节点14201、14202、14203、14204)执行简单处理，该神经网络可表现出由处理元件和元件参数之间的连接确定的复杂全局行为。
图14的神经网络可在硬件中实现。如图15所示，示出了基于硬件的神经网络。
心律失常，具体地心房纤颤，一直是常见且危险的医疗疾病，在老年群体中尤为如此。对于具有正常窦性节律的患者，由心房、心室和兴奋传导组织构成的心脏在电刺激的作用下以同步、模式化方式搏动。对于具有心律失常的患者，心脏组织的异常区域不会像具有正常窦性节律的患者那样遵循与正常传导组织相关联的同步搏动周期。相反，心脏组织的异常区域不正常地向邻近组织传导，从而将心动周期打乱为非同步心律。之前已知这种异常传导发生于心脏的各个区域处，例如窦房(SA)结区域中、沿房室(AV)结和希氏束的传导通路或形成心室和心房心腔的壁的心肌组织中。
包括房性心律失常在内的心律失常可为多子波折返型，其特征在于分散在心房腔室周围并通常自传播的电脉冲的多个异步环。另选地，或除多子波折返型外，诸如当心房内孤立的组织区域以快速重复的方式自主搏动时，心律失常还可具有病灶源。室性心动过速(V-tach或VT)是一种源于某一个心室的心动过速或快速心律。这是一种可能危及生命的心律失常，因为它可以导致心室纤颤和猝死。
当窦房结产生的正常电脉冲被起源于心房和肺静脉、会导致不规则脉冲被传输至心室的紊乱电脉冲淹没时，会发生一种类型的心律失常，即心房纤颤。从而产生不规则心跳，并且可持续几分钟至几周，或甚至几年。心房纤颤(AF)通常是慢性病症，它会使通常由中风导致的死亡风险稍有增加。风险随年龄而增加。大约8％的80岁以上人群患有一定程度的AF。心房纤颤通常是无症状的，而且其自身一般不会危及生命，但它可引起心悸、虚弱、昏晕、胸痛和充血性心力衰竭。中风的风险在AF期间增加，因为血液可在收缩不良的心房和左心耳中郁积并形成血块。AF的第一线治疗是可减慢心率或使心律恢复正常的药物治疗。另外，患有AF的人通常会被给予抗凝剂，以防止他们有中风的风险。使用此类抗凝血剂会伴随其自身带有的内出血风险。对于一些患者，药物治疗是不够的，他们的AF被视为药物难治性的，即用标准药物干预是无法医治的。也可以采用同步电复律使AF恢复至正常心律。另选地，通过导管消融治疗AF患者。
基于导管消融的治疗可包括标测心脏组织的电特性(尤其是心内膜和心脏容量)，以及通过施加能量来对心脏组织进行选择性地消融。例如创建沿着心脏组织的波传播的电势的标测图(电压标测图)或到各种组织定位点的抵达时间的标测图(局部时间激活(LAT)标测图)的心脏标测可用于检测局部心脏组织功能障碍消融，诸如基于心脏标测的那些，可停止或修改不需要的电信号从心脏的一部分传播到另一部分。
消融过程通过形成非导电消融灶来损坏不需要的电通路。已经公开了多种用于形成消融灶的能量递送形式，并且包括使用微波、激光和更常见的射频能量来沿心脏组织壁形成传导阻滞。在标测然后消融的两步规程中，通常通过向心脏中插入含有一个或多个电传感器(或电极)的导管并获取多个点处的数据来感应并测量心脏中各个点的电活动。然后利用这些数据来选择将要进行消融的心内膜目标区域。
随着临床医生治疗越来越具挑战性的病症诸如心房颤动和室性心动过速，心脏消融和其他心脏电生理规程变得日益复杂。复杂性心律失常的治疗目前依赖于使用三维(3D)标测系统以便重构感兴趣心脏腔室的解剖结构。
例如，心脏病专家依赖于软件，诸如Biosense Webster,Inc.(Diamond Bar,Calif.)生产的
Figure BDA0003143535920000201
33D标测系统的复杂碎裂心房电描记图(CFAE)模块来分析心内EGM信号并确定消融点以用于治疗广泛的心脏病症，包括非典型性心房扑动和室性心动过速。
3D标测图可提供有关组织的电生理特性的多条信息，它们表示这些具有挑战性的心律失常的解剖和功能基质。
具有不同病因(缺氧、扩张型(DCM)、肥大型心肌症(HCM)、致心律失常性右心室发育异常(ARVD)、左心室致密化不全(LVNC)等)的心肌症具有可识别基质，其特征在于由功能正常的心肌细胞包围的不健康组织的区域。
图16A至图16D示出了具有不同病因的心肌症的示例。作为第一示例，图16A和图16B示出了具有缺血后室性心动过速(VT)的心脏1600的示例性渲染，其特征在于其中信号传导减慢的心内-心外膜低电压或中间电压区域1602。这示出了测量密集疤痕区域内部或周围的任何延长的电势可有助于识别维持VT的潜在峡部。图16A所示的缺血后VT的特征在于信号传导减慢的心内-心外膜低电压或中间电压区域。这示出了测量密集疤痕区域内部或周围的任何延长的电势可有助于识别维持VT的潜在峡部。图16A示出了心脏1600的各个扇区中的双极性信号振幅(Bi)变化。图16A示出了范围为0.5mV至1.5mV的Bi。图16B示出了心脏的各个扇区中的Shortex复合间隔(SCI)变化。例如，SCI在15.0毫秒至171.00毫秒的范围内，其中感兴趣的SCI范围介于80毫秒和170毫秒之间。
图16C和图16D示出了经历左心室致密化不全心肌症的心脏1610的示例性渲染。更具体地，图16C示出了心外膜电压标测图，并且图16D示出了电势持续时间标测图(PDM)。在图16C和图16D中，1612中的三个黑色圆圈被标记为异常延长的电势，例如高于200毫秒的电势。
异常组织通常通过低压EGM来表征。然而，心内-心外膜标测中的初始临床经验指示低电压区域并不总是作为唯一的致心律失常机制存在于此类患者中。事实上，低电压或中电压的区域可在窦性节律期间表现出EGM碎裂和延长的活动，窦性节律对应于在持续和组织室性心律失常期间识别的关键峡部，例如，仅适用于非耐受室性心动过速。此外，在许多情况下，在显示正常或接近正常的电压振幅(>1-1.5mV)的区域中观察到EGM碎裂和延长的活动。虽然后一区域可根据电压振幅来评估，但根据心内信号不能将它们视为正常的，因此表示真实的致心律失常的基质。3D标测能够将致心律失常基质定位在右/左心室的心内膜层和/或心外膜层上，这可根据主要疾病的扩展而在分布上变化。
与这些心脏病症相关的基质与心室腔室(右和左)的心内膜层和/或心外膜层中的碎裂和延长的EGM的存在相关。3D标测系统，诸如
Figure BDA0003143535920000211
3，能够在异常EGM检测方面定位心肌症的潜在致心律失常基质。
电极导管已经普遍用于医疗实践多年。它们被用来刺激和标测心脏中的电活动，以及用来消融异常电活动的位点。使用时，将电极导管插入到主静脉或动脉例如股动脉中，并且随后引导到所关注的心脏腔室中。典型的消融规程涉及将在其远侧端部具有至少一个电极的导管插入到心脏腔室中。提供通常用胶带粘贴在患者的皮肤上的参考电极，或者可使用设置在心脏中或附近的第二导管来提供参考电极。RF(射频)电流被施加到消融导管的尖端电极，并且电流通过周围介质(即血液和组织)流向参考电极。电流的分布取决于与血液相比电极表面与组织接触的量，血液具有比组织更高的导电率。由于组织的电阻，发生组织的加热。组织被充分加热而致使心脏组织中的细胞破坏，从而导致在心脏组织内形成不导电的消融灶。在这个过程中，由于从被加热组织至电极本身的传导，还发生对电极的加热。如果电极温度变得足够高，可能高于60℃，则可在电极的表面上形成脱水血蛋白的薄透明涂层。如果温度继续升高，则该脱水层可变得越来越厚，导致在电极表面上的血液凝结。因为脱水生物材料具有比心内膜组织更高的电阻，所以对于进入组织的电能量流的阻抗也增大。如果阻抗充分地增加，则出现阻抗上升，并且必须将导管从体内移除并清理尖端电极。
图17是可实现本公开主题的一个或多个特征的示例性系统1720的图示。系统1720的全部或部分可用于为训练数据集收集信息，并且/或者系统1720的全部或部分可用于实现已训练模型。系统1720可包括被配置成损坏体内器官的组织区域的部件，诸如导管1740。导管1740也可被进一步配置成获得生物计量数据。虽然导管1740示为尖导管，但是应当理解，包括一个或多个元件(例如电极)的任何形状的导管均可用于实施本文公开的实施方案。系统1720包括探头1721，该探头具有可由医师1730导航到躺在台1729上的患者1728的身体部位诸如心脏1726中的轴。根据实施方案，可提供多个探头，然而，为了简洁起见，本文描述了单个探头1721，但是应当理解，探头1721可以代表多个探头。如图17所示，医师1730可穿过护套1723插入轴1722，同时使用导管1740的近侧端部附近的操纵器1732和/或从护套1723偏转来操纵轴1722的远侧端部。如插图1725所示，导管1740可装配在轴1722的远侧端部。导管1740可在塌缩状态下穿过护套1723插入，并且然后可在心脏1726内展开。如本文进一步公开的，导管1740可包括至少一个消融电极1747和导管针1748。
根据示例性实施方案，导管1740可被配置成消融心脏1726的心腔的组织区域。插图1745以放大视图示出了在心脏1726的心腔内的导管1740。如图所示，导管1740可包括耦接到导管的主体上的至少一个消融电极1747。根据其他示例性实施方案，多个元件可经由形成导管1740的形状的长条连接。可以提供一个或多个其他元件(未示出)，该一个或多个其他元件可以是被配置成消融或获得生物计量数据的任何元件，并且可以是电极、换能器或一个或多个其他元件。
根据本文所公开的实施方案，消融电极诸如电极1747可被配置成向体内器官诸如心脏1726的组织区域提供能量。能量可以是热能并且可从组织区域的表面开始并延伸到组织区域的厚度中对组织区域造成损伤。
根据本文公开的示例性实施方案，生物计量数据可包括LAT、电活动、拓扑结构、双极标测图、主频、阻抗等中的一项或多项。局部激动时间可以是基于归一化初始起点来计算的对应于局部激动的阈值活动的时间点。电活动可以是可以基于一个或多个阈值来测量并且可以基于信噪比和/或其他滤波器来感测和/或增强的任何适用的电信号。拓扑结构可以对应于身体部位或身体部位的一部分的物理结构，并且可以对应于物理结构相对于身体部位的不同部分或相对于不同身体部位的变化。主频可以是在身体部位的一部分处普遍存在的频率或频率范围，并且在相同身体部位的不同部分中可以不同。例如，心脏的肺静脉的主频可以不同于同一心脏的右心房的主频。阻抗可以是在身体部位的给定区域处的电阻测量值。
如图17所示，探头1721和导管1740可连接到控制台1724。控制台1724可包括处理器1741(诸如通用计算机)，该处理器具有合适的前端和接口电路1738，用于向导管传输信号和从导管接收信号，以及用于控制系统1720的其他部件。在一些实施方案中，处理器1741可进一步被配置成接收生物计量数据，诸如电活动，并确定给定的组织区域是否导电。根据一个实施方案，处理器可位于控制台1724的外部，并且可位于例如导管中、外部装置中、移动装置中、基于云的装置中，或者可以是独立的处理器。
如上所指出，处理器1741可包括通用计算机，该通用计算机可用软件编程以执行本文所述的功能。软件可以例如通过网络以电子形式下载到通用计算机，或者可另选地或另外地设置和/或存储在非临时性有形介质(诸如磁存储器、光存储器或电子存储器)上。图17所示的示例性配置可被修改为实施本文所公开的实施方案。本发明所公开的实施方案可以类似地使用其他系统部件和设置来应用。另外，系统1620可以包括附加部件，诸如用于感测电活动的元件、有线或无线连接器、处理和显示装置等。
根据一个实施方案，连接到处理器(例如，处理器1741)的显示器可以位于远程位置诸如单独的医院处或位于单独的医疗保健提供者网络中。另外，系统1720可为外科系统的一部分，该外科系统被配置成获得患者器官(诸如心脏)的解剖测量结果和电测量结果，并执行心脏消融规程。此类外科系统的示例是由Biosense Webster销售的
Figure BDA0003143535920000231
系统。
系统1720还可以并且任选地使用超声、计算机断层摄影(CT)、磁共振成像(MRI)或本领域已知的其他医疗成像技术来获得生物计量数据，诸如患者心脏的解剖测量结果。系统1720可使用导管、心电图(EKG)或测量心脏的电特性的其他传感器来获得电测量结果。如图17所示，然后可将包括解剖测量结果和电测量结果的生物计量数据存储在标测系统1720的存储器1742中。生物计量数据可从存储器1742传输到处理器1741。另选地或除此之外，可使用网络1662将生物计量数据传输到可以是本地的或远程的服务器1760。
网络1762可以是本领域公知的任何网络或系统，诸如内联网、局域网(LAN)、广域网(WAN)、城域网(MAN)、直接连接或一系列连接、蜂窝电话网络，或者能够促进标测系统1720和服务器1760之间的通信的任何其他网络或介质。网络1662可以是有线的、无线的或它们的组合。可以使用以太网、通用串行总线(USB)、RJ-11或本领域公知的任何其他有线连接来实现有线连接。可以使用Wi-Fi、WiMAX和蓝牙、红外、蜂窝网络、卫星或本领域公知的任何其他无线连接方法来实现无线连接。另外，几个网络可单独工作或彼此通信以促进网络1762中的通信。
在一些情况下，服务器1762可被实现为物理服务器。在其他情况下，服务器1762可被实现为公共云计算提供商(例如，Amazon Web Services
Figure BDA0003143535920000241
)的虚拟服务器。
控制台1724可通过缆线1739连接到体表电极1743，该体表电极可包括附连到患者1730的粘合剂皮肤贴片。处理器与电流跟踪模块相结合可确定导管1740在患者的身体部位(例如心脏1726)内的方位坐标。方位坐标可基于在体表电极1743和电极1748或导管1740的其他电磁部件之间测得的阻抗或电磁场。附加地或另选地，定位垫可位于床1729的表面上并且可与床1729分离。
处理器1741可包括通常被配置为现场可编程门阵列(FPGA)的实时降噪电路系统，之后是模数(A/D)ECG(心电图)或EMG(肌电图)信号转换集成电路。处理器1741可将信号从A/D ECG或EMG电路传递到另一处理器并且/或者可被编程以执行本文所公开的一个或多个功能。
控制台1724还可包括输入/输出(I/O)通信接口，该输入/输出(I/O)通信接口使得控制台能够传递来自电极1747的信号，并且/或者将信号传递到该电极。
在规程期间，处理器1741可促进在显示器1727上向医师1730呈现身体部位渲染1735，并且将表示身体部位渲染1735的数据存储在存储器1742中。存储器1742可包括任何合适的易失性和/或非易失性存储器，诸如随机存取存储器或硬盘驱动器。在一些实施方案中，医疗专业人员1730可能能够使用一个或多个输入装置(诸如触摸板、鼠标、键盘、手势识别设备等)来操纵身体部位渲染1735。例如，输入装置可用于改变导管1740的位置，使得渲染1735被更新。在另选的实施方案中，显示器1727可包括触摸屏，该触摸屏可被配置成除了呈现身体部位渲染1735之外，还接受来自医疗专业人员1730的输入。
如本文所述，在三角测量过程期间，采集的数据指示局灶性心动过速位置的激活源点可能在何处，以及哪些点是验证和发现最有效数据中的源点最具信息性的。该算法从先前的标测图、解剖结构和标测序列中学习，以便推荐每个点处的最佳动作过程。
图18是根据实施方案的三角测量1800的示例性图示。计算LV预测曲线的预测。LV预测曲线包括曲线1810、1820、1830。曲线1810、1820、1830的交点1840(带圆圈)预测波前源点1850。波前传播由从最早预测到最新预测的进展以图形方式表示。成功消融的位点被认为是真实的波前源点1850。如图所示，波前源点1850位于交点圆1840内。
在医师假设为局灶性的情况下(单个源不是纤颤性心率失常)，三角测量1800使用几个标测点(在该图示中，曲线1810、1820、1830)定位局灶性心律失常源(波前源点1850)。该标测导致缩短此类情况的规程时间。算法接收FAM网格和几个LAT点。通过猜测LAT在FAM上的传播，一些传播曲线(在该图示中为曲线1810、1820、1830)的交点1840以便估计传播的源(波前源点1850)。三角测量1800的缺点包括医师对在何处获取信息性LAT知之甚少，并且没有考虑几何/电噪声或组织传导速度差异。
图19是根据实施方案的通过建议标测点位置来改善标测效率的示例性方法1900的示例性流程图。在步骤1910中，在机器/系统处接收数据以用于机器学习(ML)。数据包括在执行三角测量以定位局灶性心动过速期间接收的多个信号。该接收到的数据用于生成关于局灶性心动过速位置的预测模型(步骤1920)。预测模型基于由机器接收的附加数据(步骤1930)。
当试图确定局灶性传播以确定用于消融的病灶时，心肌中的一些效应是稳定的，并且一些效应是不稳定的。因此，局部激活点(LAT)用于估计三角中病灶点的位置。数据例如是由例如Carto机器或经由CartoNet采集的解剖结构(FAM/CT)数据和LAT点。另外，可利用由医师或相干标测图进行的病灶/终止指示的消融位置。
对于网格表示，可以使用网格CNN或密集体积网络(3DCNN)。这些点可作为列表给出，或作为RNN给出，或作为体积样本(其中每个体素表示一个或多个同样是3D卷积的LAT的体积)给出。使用密集编码层来组合这两种模式，以便提供下一个样本点的回归输出和病灶点的估计。在每个阶段通过将单个LAT点(位置和激活)添加到输入来描述输入数据，系统/网络输出是在解剖结构上采样的下一个最佳点的位置，该位置可表示为空间坐标和病灶点的电流估计。系统模型将逐点接收输入LAT，并且将使包含具有最小数量的输入点和对病灶点的良好估计(通过自估计和通过使用原始三角测量算法或相干或医生消融点两者)的项的成本最小化。此外，卷积滤波器权重、完全连接的层、GRU层都是可训练的。模型的输出表示对下一个点的建议以采集LAT并估计病灶点。由于患者之间可能存在统计相似性，因此可以学习相似性并用于为医师进一步提供更准确的预测。另外，基于特定疾病，心律失常可存在差异，这也可用于预测。
尽管EP技术取得了进展，但是定位心室或心房中的局灶性心律失常(例如：VT、局灶性心房心动过速)的源点可能是耗时的，并且激活标测继续具有固有的局限性。基于图19的算法，下面的系统和架构使用两对采样点中的位置和激活定时信息来预测局灶性波前的源点。该系统可结合到电解剖标测(EAM)系统中，以评估其在三维临床环境中的准确性。下述系统包括基于ML的算法，该算法整合获得的预先记录的病例的知识，以实时向医师提供指导。该系统可克服所述缺点，并且提供更快且更稳健的解决方案。该系统利用标测图密集并且病灶点易于估计的情况，使得系统能够在输入的一部分上操作，并且使用该数据来估计哪个未访问区域是用于找到病灶源的最可能的区域。可以通过访问完整数据来获知病灶源。
三角网格在空间中限定3D表面。正式地讲，是由空间v€R3中的一组顶点V和面F组成的表面，其中每个面是顶点的三元组(f:(v1、v2、v3)。网格上的标测图是将值(实值、复值、向量)分配给面或顶点的函数。
解剖激活标测图可以均匀的方式表示。假设输入空间包含在采样到体素中的103(cm3)网格中；每个包含23(mm3)的体积。每个体素可包含描述在该体积内部测量的电激活信号的特征向量。特征向量可以学习表示参考注释和LAT注释。解剖结构表面(血池和组织之间的边界)由符号欧几里得距离(也称为距离变换)表示。对于每个体素中心，这测量到解剖结构表面上的最近点的距离。如果体素在解剖结构外部，则其为正，并且如果在解剖结构内部，则其为负。可学习汇总解剖结构的特征向量。
图20示出了单个查询点的系统和信息流2000的图形描绘。系统2000提供解剖结构和信号表示，学习这些表示之间的标测图和假设单个焦点的焦点激活传播。
系统2000的输入2010可包括记录的ECG信号和位置2010.1、Carto注释2010.2a和解剖结构表面(例如，FAM、mFAM、CT)2010.3。输入2010可包括FAM网格2010.3、采集的LAT点(空间中的位置(mm)2010.2和ECG(下文所述的信号矩阵)2010.1、REF和LAT值(毫秒)、来自算法的估计病灶点、终止心律失常的一系列消融点。这用于验证“真”病灶点。LAT/相干标测图(包括LAT标测图)用于为每个顶点指定激活时间值的所有腔室，而相干标测图也指示传导速度向量和不传导区域(每个顶点)。可在标测足够密集的LAT/相干标测图上估计病灶点。所采集的点可全部在FAM上。如果在终止心律失常的病灶附近存在消融点，则验证是可能的。ECG信号2010.1，心脏内表面和体表均可使用。ECG信号2010.1可针对空间中的每个点x提供信号
Figure BDA0003143535920000271
的矩阵，针对所有记录的信道c在时间t(ECG采样率)中采样。输入2010可包括关于患者的参数，诸如年龄、性别、(身体和/或心脏和心房的)身体维度、包括药物使用的病史以及心律失常的类型。
为了使系统2000对患者体内解剖和激活传播种类有用，系统2000可学习提取关于解剖结构和ECG信号的均匀、紧凑和有意义的信息。根据实施方案，可以无监督方式执行该操作的两个网络。该信息可以潜在空间Rk(其中K是固定的并且相对较小)来表示，该空间将输入从其原始大向量维度标测成更紧凑的向量维度，并且仅使用潜在表示来重建输入。潜在空间可通过自身捕集重要特征或通过附加的任务和约束进行调谐。去噪/变分自动编码器、深度信念网络和生成对抗网络(GAN)是可执行该任务的网络的示例。
所记录的ECG信号和位置2010.1以及Carto注释可在第一NN 2020中组合。该输入还可包括其他输入2010。变压器网络2020可用于将ECG信号编码成特征向量。变压器是序列到序列网络的现有技术。在空间中的一些位置处采集每个ECG信号集2010.1并持续固定的时间间隔。这产生每个采集点的信号矩阵。变压器采用输入序列并尝试预测给定序列的下一个(或若干个)时间步长。这通过仅查看训练ECG信号集2010.1以无监督方式进行，该训练ECG信号集可取自同一腔室的任何情况。注释参考注释和LAT的任务可作为附加训练选项来执行，以便微调潜在空间。可用编码器-解码器网络执行可解释的转换。也可使用用于零次学习的语义自动编码器。变压器本身由编码器和解码器构建，因此将潜在向量定义为编码器的输入。
图22示出了用于系统2000中的变压器网络2200的架构。网络2200的左侧是编码器，并且网络2200的右侧是解码器。
变压器2200的输入2220可以是令牌序列，其中令牌是选择离散集的成员的向量。为了使ECG信号2230令牌化，可使用一个或多个离散量来表示或估计(数量或系列)所测量的信号。例如，ECG信号中的测量电压可在间隔[0,VMAX]内测量，并且这些信号可由离散值集表示。在一个实施方案中，使用768个离散值。在离散地表示信号时，对于每个ECG信号，选择来自离散空间的最近值。在另一个实施方案中，离散空间可在对数标度上划分。
现在已将每个输入转换成向量，在正确的“令牌”中有一个令牌，否则为零(“一个热编码”)。可使用多个这些向量2240，诸如n＝基于估计的心动过速时间覆盖约300ms至400ms的量，以教导网络预测下一次采样的值。根据一个实施方案，可以进行向量的时间重采样以提高效率。可通过在768维度输出概率向量上使用softmax 2210来预测该值。解码器接收移位的编码器输出2250，从而允许将回归应用于多个样本2260，学习以预测整个序列。网络内部表示是经由编码器的注意层和投影层嵌入、转换和操作的输入。最终表示尺寸可通过具体实施来选择。可以执行n个块(具有或不具有重叠)中的整个序列的转换，以通过块向量的级联产生该信号2270的最终表示向量。
第二NN 2030可对解剖结构表面信息2010.3和其他输入2010进行操作。解剖结构表面可使用Vnet网络来表示。该网络可以是具有残余连接的全卷积网络。该网络接受预定义尺寸的输入体积(对于我们的情况为50×50×50)并返回相同尺寸的输出体积。第一部分在每层中执行3D卷积，然后执行非线性(RELU)和下采样(最大池化)。每个3D卷积具有尺寸为50×50×50×C的滤波器，其中C是信道的数量。前三个维度的权重表示空间位置并被共享，而C是输入或特征数据的当前维度。内部部分(图中网络的尺寸512的向量)表示添加(经由级联)每个残余链接的潜在空间。级联的潜在向量为An€Rd，其中d是新的潜在空间的维度(512加上每个残余连接)。左侧部分经由转置卷积执行上采样，然后对于每个层级执行附加卷积和RELU，直到达到初始体积尺寸。输入体素和输出体素两者表示到解剖结构表面的距离变换(最小距离)。通过使用随机失活(Dropout)、权重正则化以及任选地掩蔽输入的不同连接区域来防止网络学习恒等函数。另外，残余连接的较高层可能掉线以用于进一步正则化。数据可从具有CT或高分辨率FAM标测图的情况下收集。
图23示出了Vnet网络架构示例2300。如图所示，Vnet架构2300可以包括323，但可以适用于其他分辨率。Vnet架构2300示出了Vnet网络的示例，每层中的实际数目诸如初始体积尺寸和滤波器数目都要进行优化。由于我们可以在同一个体素中具有若干采集点，我们只取平均潜在向量来表示该体素。
返回图20，第一NN 2020的输出包括如所述的空间ECG特征变化2040。第二NN 2030的输出包括如所述的空间形状表示2050。
空间ECG特征变化2040和空间形状表示2050可与查询点2070一起组合在第三NN2060中以产生输出。输出可包括到源的向量2080和置信水平2090。
到源的向量2080是指向源方向(在表面几何形状上)的向量，并且置信水平2090表示对于当前采集点的到源的向量2080的置信度。系统2000还可输出可由医师采样的一个或多个点，以便使用经典三角测量算法和网络两者来提高病灶点估计和病灶点的估计。
到源的向量方向2080(接近局部逆梯度)。通过信号表示的局部一致性和有意义的数据的量测量的置信水平2090。通过使用网络对解剖结构表面上的点进行采样，输出可包括指示要采样的下一个最具信息性的区域的空间中的点。这些点可以来自具有高置信度值2090的区域和使用向量与源的交点或使用经典三角测量算法表示近似新源点的空间中的点。
系统2000可结合如下数据流。当前已知的信号和解剖结构可以是输入2010。输入2010可经由一个或多个NN(示出为NN 2020、2030)转换成特征结构2040、2050。系统2000可以在包含解剖结构表面并且没有相邻ECG信号的所有体素上的NN 2060中操作，并且查询每个体素的估计置信水平。区域是相邻体素的限定区域。可选择具有最高平均置信度2090的区域2080作为查询2070的建议的下一个地点。系统2000还可使用经典三角测量算法输出病灶点的电流估计。
图24示出了用作NN 2060的集成网络架构2400。网络2400可接收ECG 2040和解剖结构2050的编码表示以及查询点2070，并且返回源向量2080和置信水平2090。图23中所述的网络将每个体素中的ECG信号编码成向量。附加网络可用于将该向量集转换成汇总所有空间信息的单个向量表示。这可以使用Vnet2410的左侧部分来执行，而不使用将体积50×50×50×K(其中前3个维度是空间的，并且K是潜在表示)转换为潜在向量E€Ru的残差。Vnet半部2410的输出可与解剖结构表示网络2420组合，并且查询点位置2070(其可处于空间坐标或体素索引中)被输入到完全连接的多层感知器2430。多层感知器2430可以是在输入上执行若干矩阵乘法之后执行非线性的网络。网络2430的输出是R3中的源向量，其指向病灶源2080和置信水平c€[0,1]2090。
另外，系统2000可使用加权多数表决针对所有当前已知的点使用源向量的交点来提供估计。如图21所示，存在使用系统2000推断下一个感兴趣区域的描绘2100。类似于图20，记录的ECG信号和位置2010.1以及解剖表面2010.3可作为输入提供到系统2000中。系统2000可查询不具有被描绘为心脏2110的信息的解剖结构表面的每个顶点。系统2000可输出下一个区域以获取数据2120和到源的向量2080。
无监督编码网络2020、2030、2060可在大量病例上训练。可创建用于每个腔室的网络，因为每个腔室在解剖结构和ECG信号现象上有所不同。训练集成网络的第二步是考虑LAT/相干/三角测量情况，其中每次仅腔室的一部分的激活被用作系统的输入。然后，计算解剖结构上的其余点中的每个点的源向量2080和置信度2090。这可在每种情况下发生多次，每次都需要不同的初始点集。
置信度2090作为以下考虑因素的函数来计算：该点与实际源的接近程度，到源的向量在该点的邻域中的多样性程度—越低越好，ECG在该点的邻域中的潜在表示的多样性程度—只要存在足够的测量值，越低越好，以及(通过使用当前输入点)以及通过添加该点，病灶点估计提高的程度—主要考虑因素。
组合这一点的精确函数可变化。评分介于0(点未提高)和1(极好的采取点)之间的结果可能是有益的。
如上简述，来自先前患者病例的数据用于训练系统2000。对于每种此类情况，可用数据可包括患者id、用作系统输入的数据、用于计算所需输出的数据。“金标准”，即用于计算所需输出的数据，可包括来自FAM或其他模型的表面网格以及LAT/相干标测图。具有足够采集点(通过实验确定)的LAT/相干标测图可被选择作为训练输入。最早激活点可被指示为输入病灶点。其中病灶点可由消融数据验证的情况可在对训练过程具有较高影响(经由加权)的情况下被识别。
为数不多的点
Figure BDA0003143535920000311
(至少3个)集可被采样为起始点。每个点与在该点的一些半径邻域中的一系列ECG信号相关联。然后可选择新的点，并且可针对该附加点计算到源的向量、置信度和新病灶估计。对于所有点重复该过程，以便确定最佳提高病灶估计的点P*。该过程可产生包含对(S,p*)的训练数据。可识别新S集，并且对于每个给定情况重复该过程多次。可使用传导速度向量(相干)为输入点提供附加线索，该传导速度向量不应偏离到源的逆向量太远。
可基于例如由CARTO(R)计算的“消融指数”来对每个病例进行加权训练排序。对于具有低规程质量(例如，点的不稳定性、消融深度不够或没有使用足够的功率)、大面积消融、多个消融位点的消融点，可对点进行折中。可根据过程的结果的生存持续时间对特定患者的数据集进行加权。例如，与仅在过程后12个月后复发的心律失常病例相比，过程后3个月心律失常复发的病例可具有较低的权重，而没有消融验证的病例接收最低权重。还可包括来自不同点集的估计病灶点的质量和标测图密度。
该过程的目标是允许算法针对病灶被清楚且临床地验证并且标测图质量高的情况进行更多训练。
通常，数据集应被分成训练集、验证集和测试集。前两组将在系统开发期间使用，而测试组仅用于评估系统的准确性。另外，交叉验证可用于提高性能。
患者参数，诸如年龄、性别和心律失常的类型，可影响结果。可基于这些参数中的一些参数来训练单独的模型，并且可将这些参数引入到NN架构中的层的一些层中以有助于基于这些参数来学习差异。
所提出的方法以无监督方式组合信息，信号和解剖结构的编码是完全无监督的，而对于激活标测图，可利用预先存在的标测图。
虽然网络相对简单，但是相同的知识表示方法可能对其他查询和更复杂的心率失常有用。该集成框架组合了我们在包括ECG、标测图和激活标测图的标准Carto病例中可用的信息。
在一些实施方案中，在病例开始时不存在完整的CT/MRI。NN可能能够在遍历期间使用获取的导管位置来估计解剖结构形状。例如，Vnet可通过替换输入来实现该估计。
即使在系统准备就绪并被部署在医院中之后，也可累积附加数据。可以将该附加数据添加到训练数据集中，并且可以重新训练系统，以不断提高系统的准确性。具体地，来自附加操作的数据可通过考虑根据系统的建议执行的消融的成功评级来提供反馈。
虽然上文具体地描述了特征和元件，但本领域的普通技术人员将会知道，每个特征或元件均可以单独使用或以与其他特征和元件的任何组合使用。此外，本文所述的方法可在被结合在计算机可读介质中的计算机程序、软件或固件中实现，以供计算机或处理器执行。计算机可读介质的示例包括电子信号(通过有线或无线连接传输)和计算机可读存储介质。计算机可读存储介质的示例包括但不限于只读存储器(ROM)、随机存取存储器(RAM)、寄存器、高速缓存存储器、半导体存储器装置、磁介质(诸如内部硬盘和可移动盘)、磁光介质以及光学介质(诸如CD-ROM盘和数字通用盘(DVD))。与软件相关联的处理器可用于实现在WTRU、UE、终端、基站、RNC或任何主计算机中使用的射频收发器。

Claims (20)

1.一种通过建议标测点位置来改善标测效率的方法，包括：
在机器处接收数据，所述数据包括在执行三角测量以定位局灶性心动过速期间接收的多个信号；
由所述机器生成关于所述局灶性心动过速的位置的预测模型；以及
由所述机器基于由所述机器接收的附加数据来修改所述预测模型。
2.根据权利要求1所述的方法，其中局部激活点(LAT)用于估计三角中的病灶点。
3.根据权利要求1所述的方法，其中所述数据是由Carto机器采集的解剖结构(FAM/CT)数据和LAT点。
4.根据权利要求1所述的方法，其中所述数据包括由医师或相干标测图进行的病灶/终止指示的消融位置。
5.根据权利要求1所述的方法，其中所述数据在每个阶段由单个LAT点(位置和激活)描述。
6.根据权利要求1所述的方法，其中在解剖结构上采样的下一最佳点的位置被表示为空间坐标。
7.根据权利要求1所述的方法，还包括学习和使用患者的相似性以进一步为医师提供更准确的预测。
8.根据权利要求1所述的方法，其中所述数据包括基于特定疾病的信息。
9.根据权利要求1所述的方法，其中将输入空间中的所述数据划分成网格采样的体素，其中每个体素包括在所述体素内部测量的电激活信号。
10.一种用于病灶点定位的系统，所述系统包括：
多个输入；
第一转换器，所述第一转换器将所述多个输入的至少第一部分转换成空间ECG特征向量；
第二转换器，所述第二转换器将所述多个输入的至少第二部分转换成空间形状表示；
神经网络，所述神经网络对所述空间ECG特征向量和所述空间形状表示进行操作以产生多个输出。
11.根据权利要求10所述的系统，其中所述输入包括以下中的至少一者或多者：FAM网格、LAT点、ECG信号、估计的病灶点和一系列消融点。
12.根据权利要求10所述的系统，其中所述输出包括到源的向量和置信水平。
13.根据权利要求10所述的系统，其中所述输出包括下一感兴趣区域。
14.根据权利要求10所述的系统，其中所述第一转换器是第一神经网络。
15.根据权利要求14所述的系统，其中所述第一神经网络是变压器网络。
16.根据权利要求10所述的系统，其中所述第二转换器是第二神经网络。
17.根据权利要求16所述的系统，其中所述第二神经网络是Vnet网络。
18.根据权利要求10所述的系统，其中所述神经网络输入查询点。
19.根据权利要求10所述的系统，其中所述多个输出中的至少一个输出是置信水平c€[0,1]。
20.根据权利要求10所述的系统，其中所述多个输出中的至少一个输出是R3中指向所述病灶源的源向量。
CN202110747726.1A 2020-07-01 2021-07-01 通过建议标测点的位置提高标测效率 Pending CN113876419A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202063046948P 2020-07-01 2020-07-01
US63/046948 2020-07-01
US17/361,707 US20220000410A1 (en) 2020-07-01 2021-06-29 Mapping efficiency by suggesting map point's location
US17/361707 2021-06-29

Publications (1)

Publication Number Publication Date
CN113876419A true CN113876419A (zh) 2022-01-04

Family

ID=76744650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110747726.1A Pending CN113876419A (zh) 2020-07-01 2021-07-01 通过建议标测点的位置提高标测效率

Country Status (5)

Country Link
US (1) US20220000410A1 (zh)
EP (1) EP3933852A1 (zh)
JP (1) JP2022023006A (zh)
CN (1) CN113876419A (zh)
IL (1) IL284521A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11445935B2 (en) * 2018-11-26 2022-09-20 Biosense Webster (Israel) Ltd. Finding the origin of an arrythmia
US20220068483A1 (en) * 2020-09-01 2022-03-03 Biosense Webster (Israel) Ltd. Arrhythmia classification for cardiac mapping
US20230196469A1 (en) * 2021-12-17 2023-06-22 Get Heal, Inc. System and Method for Processing Insurance Cards

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11690551B2 (en) * 2018-07-30 2023-07-04 Biosense Webster (Israel) Ltd. Left atrium shape reconstruction from sparse location measurements using neural networks
US20200352652A1 (en) * 2019-05-06 2020-11-12 Biosense Webster (Israel) Ltd. Systems and methods for improving cardiac ablation procedures

Also Published As

Publication number Publication date
JP2022023006A (ja) 2022-02-07
IL284521A (en) 2022-01-01
EP3933852A1 (en) 2022-01-05
US20220000410A1 (en) 2022-01-06

Similar Documents

Publication Publication Date Title
EP3922177A1 (en) System and method to detect stable arrhythmia heartbeat and to calculate and detect cardiac mapping annotations
US20210378579A1 (en) Local noise identification using coherent algorithm
US20220000410A1 (en) Mapping efficiency by suggesting map point's location
CN111887975A (zh) 用于改进心脏消融规程的系统和方法
US20220008126A1 (en) Optimized ablation for persistent atrial fibrillation
US20210369174A1 (en) Automatic detection of cardiac structures in cardiac mapping
CN114078574A (zh) 在心律失常的标测和治疗期间使用机器学习来改进工作流
EP4113528A1 (en) System and method to determine the location of a catheter
US20220007989A1 (en) System and method to determine the location of a catheter
CN113729728A (zh) 心脏标测中心脏结构的自动检测
CN113796867A (zh) 心房纤颤
CN113893026A (zh) 大面积环状消融点的自动连续性估计
CN114052891A (zh) 大面积环状消融点的解剖结构的自动分割
US20220338939A1 (en) System and method to determine the location of a catheter
US20220061733A1 (en) Automatically identifying scar areas within organic tissue using multiple imaging modalities
CN116348960A (zh) 个性化心律失常治疗计划
WO2024009220A1 (en) System and method to determine the location of a catheter
WO2022079621A1 (en) Intracardiac ecg noise detection and reduction
CN114068010A (zh) 利用机器学习算法来优化消融指数计算的用于治疗心律失常的装置
CN114098758A (zh) 将异常心脏活动分为不同类别

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination