CN116617573A - 使用机器学习的治疗电极位置预测可视化 - Google Patents

Abstract

公开了用于对植入式医疗装置进行编程的系统和方法，该植入式医疗装置包括：模拟环境，该模拟环境具有至少一根引线，该至少一根引线具有多个电极；至少一个处理器的计算硬件以及能够操作地联接到该至少一个处理器的存储器；和指令，该指令在该计算硬件上执行时，致使该计算硬件实现训练子系统，该训练子系统被配置成：使用该模拟环境进行脑部感测调查；基于该脑部感测调查开发至少一个机器学习模型；将该至少一个机器学习模型应用于体内患者数据以从该多个电极确定相对于振荡源的至少一个预测电极；可视化该至少一个预测电极；以及基于该至少一个预测电极对医疗装置进行编程。

Description

使用机器学习的治疗电极位置预测可视化

相关申请的交叉引用

本申请要求于2022年2月21日提交的美国临时申请序列号63/268,300的权益，其公开内容据此全文以引用方式并入本文。

技术领域

本技术整体涉及植入式医疗装置，并且更具体地涉及提供电刺激治疗的植入式医疗装置。

背景技术

已提出将诸如电刺激器或治疗剂递送装置的植入式医疗装置用于不同的治疗应用，诸如深部脑部刺激(DBS)、脊髓刺激(SCS)、骨盆刺激、胃刺激、周围神经刺激、功能性电刺激或将药剂、胰岛素、止痛剂或抗炎剂递送到患者体内的目标组织部位。在一些治疗系统中，植入式电刺激器借助于一个或多个电极将电治疗递送到患者体内的目标组织部位，这些电极可通过医疗引线部署和/或部署在电刺激器的外壳上，或两种情况兼有。在一些治疗系统中，可经由引线和/或电刺激器的外壳所携载的电极的特定组合来递送治疗。

在可发生在医疗装置的植入期间、在试验会话期间或在医疗装置植入患者体内之后的诊所内或远程随访会话期间的编程会话期间，临床医生可生成被发现向患者提供有效治疗的一个或多个治疗程序(也称为治疗参数集)，其中每个治疗程序可限定一个治疗参数集的值。医疗装置可根据一个或多个存储的治疗程序向患者递送治疗。就电刺激而言，治疗参数可限定待递送的电刺激波形的特性。例如，在以电脉冲形式递送电刺激的示例中，治疗参数可包括电极配置，该电极配置包括电极组合和电极极性、振幅(可为电流或电压振幅)、脉冲宽度和脉冲频率。

优化用于DBS的治疗可能具有挑战性，并且随着分段引线的引入已变得更加具有挑战性。附加的接触意味着单极审查需要更多的时间，单极审查是一种在临床中用来确定用于治疗的最佳电极的技术。定向刺激还意味着需要更多的探索和编程时间来评估治疗设定是有效且高效的。因此，选择用于DBS治疗的有效刺激参数对于医师(也称为临床医生)和患者而言可为耗时的(例如，更漫长且更频繁的医疗访问)。

因此，需要提高DBS编程的效率。

发明内容

在一个方面，本公开的技术解决了行业的前述需要。实施方案利用模拟环境中的感测数据，以通过应用机器学习算法和可视化结果以供临床医生直接解释来通知编程决策。

在另一方面，机器学习可用于检测离生理振荡源最近(或最远)的电极。在实施方案中，可在具有或不具有诸如成像扫描数据的解剖数据的情况下可视化电极排序。

在另一方面，机器学习可进一步通过视觉瞄准来通知对刺激参数的选择。例如，生理信号可在解剖结构的物理环境内(或者，在不具有解剖结构的情况下)被容易地查看。

在另一方面，机器学习可进一步自动化对最靠近响应组织的刺激接触的选择。在实施方案中，可在具有或不具有解剖成像扫描数据的情况下可视化源的位置。可突出显示与疾病进展和治疗变化相关联的各种纵向变化。此外，可通知源的位置的变化，该变化可指示植入物位置的变化、生理变化或其他临床相关变量。

在一个方面，本公开提供了一种用于对医疗装置进行编程的方法，该方法包括：在模拟环境中使用包括多个电极的至少一根引线来进行脑部感测调查；基于脑部感测调查来开发至少一个机器学习模型；将至少一个机器学习模型应用于体内患者数据以从多个电极确定相对于振荡源的至少一个预测电极；可视化至少一个预测电极；以及基于至少一个预测电极对医疗装置进行编程。

在一个方面，本公开提供了一种系统，该系统包括：模拟环境，该模拟环境具有至少一根引线，该至少一根引线具有多个电极；至少一个处理器的计算硬件以及能够操作地联接到至少一个处理器的存储器；和指令，该指令在计算硬件上执行时，致使计算硬件实现训练子系统，该训练子系统被配置成进行以下操作：使用模拟环境进行脑部感测调查；基于脑部感测调查开发至少一个机器学习模型；将至少一个机器学习模型应用于体内患者数据以从多个电极确定相对于振荡源的至少一个预测电极；可视化至少一个预测电极；以及基于至少一个预测电极对医疗装置进行编程。

因此，可通过自动化编程过程并且进一步通过优化治疗设定来减少DBS编程负担。

本公开的一个或多个方面的细节在以下附图和描述中阐述。根据说明书和附图以及权利要求书，本公开中描述的技术的其他特征、目标和优点将是显而易见的。

附图说明

图1A是示出根据实施方案的被配置成将电刺激治疗递送到患者的脑部内的组织部位的示例性深部脑部刺激(DBS)系统的示意图。

图1B是示出根据实施方案的图1A的系统的部件的框图。

图2是根据实施方案的被配置成将电刺激治疗递送到患者的脑部内的组织部位的系统的框图。

图3是根据实施方案的用于递送电刺激治疗的系统的训练系统的框图。

图4A是根据实施方案的电极和电极的基本方向的注释图。

图4B是根据实施方案的在图3的训练系统中利用的示例性引线的图。

图4C是根据实施方案的图4B的引线的横截面的注释图示。

图5是根据实施方案的用于对医疗装置进行编程的方法的流程图。

图6是根据实施方案的用于对医疗装置进行编程的另一方法的流程图。

图7A至图7C是根据实施方案的用于引线的示例性位置预测可视化。

图8A至图8B是根据实施方案的用于引线的示例性电极预测可视化。

虽然各种实施方案可采用各种修改和替代形式，但其细节已在附图中以举例的方式示出并且将予以详细描述。然而，应理解，意图不在于将所要求保护的发明限于所描述的特定实施方案。相反，意图在于涵盖落入如由权利要求书限定的主题的精神和范围内的所有修改、等效物和替代方案。

具体实施方式

参考图1A，描绘了根据实施方案的被配置成将电刺激治疗递送到患者102的脑部内的组织部位的示例性深部脑部刺激(DBS)系统100。患者102通常将是人类患者。然而，在一些情况下，治疗系统100可应用于其他哺乳动物或非哺乳动物非人类患者。在图1A中所示的示例中，治疗系统100包括医疗装置编程器104、植入式医疗装置(IMD)106、引线延伸部108以及一根或多根引线110，该一根或多根引线具有电极112的相应集合。IMD106包括被配置成生成电刺激治疗并且分别经由一根或多根引线110的一个或多个电极112将电刺激治疗递送到患者102的脑部的一个或多个区域的刺激发生器。

DBS可用于疗治或管理各种患者病症，诸如，但不限于癫病发作(例如，癫痫症)、疼痛、偏头痛、精神障碍(例如，重度抑郁症(MDD)、躁郁症、焦虑症、创伤后压力症、轻郁症和强迫症(OCD))、行为障碍、情绪障碍、记忆障碍、精神活动障碍、运动障碍(例如，特发性震颤或帕金森氏病)、亨廷顿氏病、阿尔茨海默氏病，或者患者102的其他神经或精神障碍和损伤。

根据本文所公开的技术，还可使用被配置用于经由将治疗递送到患者102中的脑部或另一合适的目标治疗递送部位来疗治其他患者病症的治疗系统。例如，在治疗系统100的其他应用中，患者102内的目标治疗递送部位可以是邻近患者102中的脊髓或骶神经(例如，S2、S3或S4骶神经)或患者102中的任何其他合适的神经、器官、肌肉或肌群的位置，这可基于例如患者病症来选择。例如，治疗系统100可用于将电刺激或治疗剂递送到邻近阴部神经、会阴神经或神经系统的其他区的组织，在这种情况下，引线110经植入并且大致上固定成邻近相应神经。作为进一步示例，电刺激系统可被定位成递送刺激以帮助管理周围神经病变或术后疼痛减轻、髂腹股沟神经刺激、肋间神经刺激、用于疗治胃动力障碍和肥胖症的胃刺激、泌尿功能失调、排便功能失调、性功能失调、用于减轻其他周围和局部疼痛(例如，腿部疼痛或背部疼痛)的肌肉刺激。

引线110可经定位以将电刺激治疗递送到脑部内的一个或多个目标组织部位以管理与患者102的疾患相关联的患者症状。引线110可经由任何合适的技术(诸如通过患者102的颅骨中的相应钻孔或通过头盖骨中的共用钻孔)植入以将电极112定位在脑部的期望位置处。引线110可被放置在脑部内的任何位置处，使得电极112能够在疗治期间将电刺激提供到脑部内的目标治疗递送部位。不同的神经、运动神经(motor)或精神障碍可与脑部区域中的一个或多个区域中的活动相关联，这在患者之间可以不同。因此，用于由引线110递送的电刺激治疗的目标治疗递送部位可基于患者病症来选择。例如，用于控制患者102的运动障碍的合适的脑部内的目标治疗递送部位可包括以下各项中的一者或多者：脚桥核(PPN)、丘脑、基底神经节结构(例如，苍白球、黑质或丘脑下核(STN))、未定带、纤维束、豆核束(及其分支)、豆状核袢或福雷耳氏区(丘脑束)。PPN也可以称为脑桥被盖核。

IMD 106可根据一个或多个刺激治疗程序(在本文中也称为“刺激参数值的集合”)将电刺激治疗递送到患者102的脑部。刺激治疗程序可限定由IMD 106的刺激发生器生成并且经由一个或多个电极112从IMD 106递送到患者102内的目标治疗递送部位的治疗的一个或多个电刺激参数值。电刺激参数可限定电刺激治疗的一个方面，并且可包括例如电刺激信号的电压或电流振幅、电刺激的电荷水平、电刺激信号的频率、波形形状、开/关循环状态(例如，如果循环是“关”，则刺激始终接通，并且如果循环是“开”，则刺激循环地打开和关闭)以及在电刺激脉冲的情况下，脉冲频率、脉冲宽度和其他适当的参数(诸如持续时间或占空比)。此外，如果不同的电极可用于递送刺激，则治疗程序的治疗参数可进一步通过电极组合来表征，该电极组合可限定所选择的电极112和它们的相应极性。在一些示例中，刺激可使用连续波形来递送，并且刺激参数可限定该波形。

除了被配置成递送治疗以管理患者102的病患之外，治疗系统100还可被配置成感测患者102的生物电脑部信号或另一生理参数。例如，IMD 106可包括被配置成经由电极112感测脑部的一个或多个区域内的生物电脑部信号的感测引擎。因此，在一些示例中，电极112可用于将电刺激递送到脑部内的目标部位以及感测脑部信号。然而，IMD 106也可使用单独的一组感测电极来感测生物电脑部信号。在一些示例中，IMD 106的感测引擎可经由也用于将电刺激递送到脑部的电极112中的一个或多个电极来感测生物电脑部信号。在其他示例中，电极112中的一个或多个电极可用于感测生物电脑部信号，而一个或多个不同的电极112可用于递送电刺激。

外部医疗装置编程器104被配置成根据需要与IMD 106进行无线通信以提供或检索治疗信息。编程器104是例如临床医生和/或患者102的用户可用来与IMD 106通信的外部计算装置。例如，编程器104可以是临床医生用来与IMD 106通信并且为IMD 106编程一个或多个治疗程序的临床医生编程器。此外或替代地，编程器104可以是允许患者102选择程序和/或查看并修改治疗参数值的患者编程器。临床医生编程器可包括比患者编程器更多的编程特征。换句话讲，仅临床医生编程器可允许更复杂或更敏感的任务，以防止未经训练的患者对IMD 106作出不期望的改变。

编程器104可以是具有可由用户查看的显示器和用于将输入提供到编程器14的界面(即，用户输入机构)的手持式计算装置。例如，编程器104可包括向用户呈现信息的小显示屏(例如，液晶显示器(LCD)或发光二极管(LED)显示器)。此外，编程器104可包括触摸屏显示器、小键盘、按钮、周边指向装置、语音激活，或者允许用户通过编程器104的用户界面导航并提供输入的另一输入机构。如果编程器104包括按钮和小键盘，则按钮可专用于执行特定功能(例如，电源按钮)，按钮和小键盘可以是根据当前由用户查看的用户界面的区段而在功能上改变的软键，或它们的任何组合。

在其他示例中，编程器104可以是另一多功能装置内的较大工作站或单独的应用程序，而不是专用计算装置。例如，多功能装置可以是笔记本计算机、平板计算机、工作站、一个或多个服务器、蜂窝电话、个人数字助理或可运行使得计算装置能够作为安全医疗装置编程器104操作的应用程序的另一计算装置。联接到计算装置的无线适配器可使得能够在计算装置与IMD 106之间进行安全通信。

当编程器104被配置成由临床医生使用时，编程器104可用于将编程信息传输到IMD 106。编程信息可包括例如硬件信息，诸如引线110的类型、电极112在引线110上的布置、引线110在脑部内的位置、限定治疗参数值的一个或多个治疗程序、用于一个或多个电极112的治疗窗口，以及可用于编程到IMD 106中的任何其他信息。编程器104也可以能够完成功能测试(例如，测量引线110的电极112的阻抗)。

临床医生还可借助于编程器104生成治疗程序并将其存储在IMD 106内。编程器104可通过提供用于识别潜在有益的治疗参数值的系统来协助临床医生创建/识别治疗程序。例如，在编程会话期间，编程器104可自动选择用于将治疗递送到患者的电极的组合。

编程器104还可被配置成由患者102使用。当被配置为患者编程器时，编程器104可具有有限功能性(与临床医生编程器相比)以便防止患者102变更IMD 106的关键功能或可能对患者102有害的应用。

无论编程器104是被配置用于临床医生使用还是患者使用，编程器104都可被配置成经由无线通信与IMD 106并且任选地另一计算装置进行通信。例如，编程器104可使用本领域中已知的射频(RF)和/或感应遥测技术(这可包括用于近距离、中间范围或较长范围通信的技术)经由无线通信与IMD 106进行通信。编程器104还可使用多种本地无线通信技术(诸如根据802.11或蓝牙规范集的RF通信、红外(IR)通信或其他标准或专有遥测协议)中的任一者经由有线或无线连接与另一编程器或计算装置进行通信。编程器104还可经由交换诸如磁盘或光盘、存储卡或存储棒的可移除介质与其他编程或计算装置进行通信。此外，编程器104可经由本领域中已知的远程遥测技术与IMD 106和另一编程器进行通信，例如经由个域网(PAN)、局域网(LAN)、广域网(WAN)、公共交换电话网络(PSTN)或蜂窝电话网络进行通信。

参考图1B，描绘了根据实施方案的示出图1A的系统100的部件的框图。在实施方案中，IMD 106通常包括处理器150、存储器152、刺激发生器154、感测引擎156、电源158和遥测引擎160。

处理器150可包括一个或多个数字信号处理器(DSP)、通用微处理器、专用集成电路(ASIC)、现场可编程逻辑阵列(FPGA)或其他等效集成或离散逻辑电路系统或它们的组合。归因于本文描述的处理器的功能可由硬件装置提供并且体现为软件、固件、硬件或它们的任何组合。处理器150被配置成根据由存储器152存储的治疗程序控制刺激发生器154以应用由一个或多个程序指定的特定刺激参数值，诸如振幅、脉冲宽度和脉冲频率。

存储器152可以能够操作地联接到处理器150，并且可包括任何易失性或非易失性介质，诸如随机存取存储器(RAM)、只读存储器(ROM)、非易失性RAM(NVRAM)、电可擦除可编程ROM(EEPROM)、闪存等。存储器152可存储计算机可读指令，该计算机可读指令在由处理器150执行时，致使IMD 106执行本文所述的各种功能。

在实施方案中，存储器152可存储治疗程序、操作指令等。每个存储的治疗程序根据电刺激参数(诸如电极组合、电流或电压振幅)的相应值限定特定治疗程序，并且如果刺激发生器154生成并递送刺激脉冲，则治疗程序可限定刺激信号的脉冲宽度和脉冲频率的值。每个存储的治疗程序也可被称为刺激参数值的集合。在处理器150的控制下，操作指令指导IMD106的一般操作，并且可包括用于经由电极112监测一个或多个脑部区域内的脑部信号并将电刺激治疗递送到患者102的指令。

在处理器150的控制下，刺激发生器154被配置成生成刺激信号，以用于经由所选择的电极112的组合递送到患者102。

在处理器150的控制下，感测引擎156被配置成经由电极112感测患者102的生物电脑部信号。

电源158将操作功率递送到IMD 106的各种部件。电源158可包括小的可再充电或不可再充电电池以及用以产生操作功率的发电电路。再充电可通过外部充电器与IMD 106内的感应充电线圈之间的近距离感应交互来实现。在一些示例中，功率需求可为足够小的以允许IMD 106利用患者运动并且实现动能清除装置，以对可再充电电池进行涓流充电。在其他示例中，传统电池可使用有限的时间段。

在处理器150的控制下，遥测引擎160被配置成支持IMD 106与外部编程器104或另一计算装置之间的无线通信。作为对程序的更新，处理器150可经由遥测引擎160从编程器104接收各种刺激参数(诸如振幅和电极组合)的值。

如所描绘，系统100还可包括引线110的电极112，该电极包括电极112A至112D。处理器150可将由刺激发生器154生成的刺激信号施加到所选择的电极112A至112D的组合。

参考图2，描绘了根据实施方案的被配置成将电刺激治疗递送到患者的脑部内的组织部位的系统200的框图。在实施方案中，系统200可包括联网计算装置202、网络204和医疗装置206。

联网计算装置202通常包括处理电路系统208和存储器210。当然，所属领域的技术人员将了解，联网计算装置202还可包括通信电路系统、用户界面和电源(未示出)。

处理电路系统208可包括一个或多个处理器，该一个或多个处理器被配置成实现用于在联网计算装置202内执行的功能性和/或处理指令。例如，处理电路系统208可以能够处理存储在存储器210中的指令。处理电路系统208可包括例如微处理器、DSP、ASIC、FPGA或等效离散或集成逻辑电路系统，或者前述装置或电路系统中的任一者的组合。因此，处理电路系统208可包括用以执行本文中归于处理电路系统208的功能的任何合适的结构，无论是硬件、软件、固件还是它们的任何组合。

存储器210可被配置成在操作期间将信息存储在联网计算装置202内。存储器210可包括计算机可读存储介质或计算机可读存储装置。在一些示例中，存储器210包括短期存储器或长期存储器中的一种或多种。存储器210可包括例如RAM、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、磁盘、光盘、快闪存储器或各种形式的电可编程存储器(EPROM)或EEPROM。在一些示例中，存储器210用于存储指示用于由处理电路系统208执行的指令的数据。存储器210可由在联网计算装置202上运行的软件或应用程序用来在程序执行期间暂时存储信息。

网络204包括用于将联网计算装置202与医疗装置206连接的通信网络(例如，无线通信网络、有线通信网络、蜂窝通信网络、互联网、短范围无线电网络(例如，经由蓝牙))。

参考联网计算装置202和网络204，配置和操作系统200的实施方案以及对应方法可在云计算、客户端-服务器或其他联网环境或它们的任何组合中执行。系统的部件可位于单个“云”或网络中，或散布在许多云或网络当中。不需要终端用户知晓系统的部件的物理位置和配置。

为了便于解释，医疗装置206与先前描述的IMD 106分开标记，但本领域的普通技术人员将容易理解，医疗装置206可基本上类似于如图1A至图1B中描绘和描述的IMD 106。

在实施方案中，联网计算装置202可被配置成协调台式模拟以创建机器学习算法来预测体内医疗装置206的电极位置。在某些实施方案中，台式数据相对易于采集并且可用于优化机器学习算法和/或机器学习模型，这可随后应用于医疗装置206中的体内模型。因此，联网计算装置202可进一步实现或联接到训练数据系统或子系统，如本文中将进一步描述。

如本文所使用，术语“机器学习算法”可包括用代码实现并在数据上运行的过程。“机器学习模型”由机器学习算法输出并且由模型数据和预测算法构成。

参考图3，示出了根据实施方案的训练系统300的框图。在实施方案中，训练系统300可通常包括联网计算装置202或可以有效地是该联网计算装置。因此，训练系统300包括如关于联网计算装置202描述的处理器302和存储器304。训练系统300还可包括用于与医疗装置206可操作地联接的输入/输出部件(未示出)。

训练系统300还包括槽(tank)306、图像指导引擎308、信号发生器310、马达控制器312、DBS引线314和电极316。

槽306可包括被配置成模拟脑部传导性的盐水槽。

图像指导引擎308被配置用于DBS引线曲率的图像指导校正。

信号发生器310可包括可编程电信号发生器。

马达控制器312可包括用于DBS引线旋转(θ)、微电极水平(z)和微电极距离(r)的控件。例如，参考图4A，描绘了根据实施方案的电极和电极(例如，电极316)的基本方向的注释图。DBS引线旋转(θ)指示微电极的角度。微电极水平(z)指示微电极的深度。微电极距离(r)指示半径，或者微电极离DBS引线有多远或多近。因此，微电极可被配置成物理地移动。这允许源基本上定位在相对于引线的任何地方。在实施方案中，DBS引线314不移动。

DBS引线314可包括被配置成感测诸如模拟脑部信号的电信号的电部件。在实施方案中，DBS引线314可基本上类似于IMD 106的引线110。

电极316可包括被配置成根据目标信号递送电刺激的电极。在实施方案中，电极316可基本上类似于IMD 106的电极112。

在实施方案中，训练系统300还可包括用于振动抑制和记录稳定性的部件，诸如石灰石台面(未示出)。

在另一实施方案中，训练系统作为被配置成测量盐水溶液环境中的电活动的3D电场测试仪来操作。训练系统包括：步进马达，该步进马达被配置成物理地移动微电极；相机，该相机被配置成协助DBS引线曲率的图像指导的3D校正；盐水槽，该盐水槽用以模拟脑部传导性环境；石灰石台面，该石灰石台面被配置成帮助抑制振动和改善记录质量；DBS引线，该DBS引线被配置成进行感测；微电极，该微电极被配置成输入β信号；和可编程信号发生器，该可编程信号发生器被配置成控制到微电极的输入信号。

在实施方案中，训练系统(诸如训练系统300或刚刚描述的训练系统实施方案，并且例如包括联网计算装置202)可以能够操作地实时联接到医疗装置(例如，医疗装置206或IMD 106)以对该装置进行编程。例如，在实施方案中，来自医疗装置206的一个或多个体内测量可应用于训练系统300上的一个或多个主动模拟，使得该一个或多个主动模拟有效地映照患者的当前状况。基于模拟的结果、所应用的机器学习算法以及可视化输出，可对医疗装置206进行编程。

在另一示例中，相对于主动模拟，训练系统300可以异步方式能够操作地联接到医疗装置206以对该装置进行编程。例如，训练系统300可包含先前模拟的数据库(例如，在存储器304中)，其中一个或多个模拟可经选择使得获得患者的表示。基于所选择的模拟的结果(例如，基于患者的当前状况)、所应用的机器学习算法和可视化输出，可对医疗装置206进行编程。

因此，在实施方案中，训练系统300被配置成进行脑部感测调查。例如，参考图4B，描绘了根据实施方案的在图3的训练系统300中利用的示例性引线的图。为了便于解释，引线400在图4B中被重新编号，但可对应于DBS引线314。并且，如将容易地了解，引线400同样可用于IMD 106中，诸如引线110中。引线400可包括分段和/或环形电极，诸如在部分402A至402D中描绘的那些。

此外，参考图4C，描绘了根据实施方案的图4B的引线的横截面的注释图。图4C描述了0°、30°、60°、90°、120°、150°、180°、210°、240°、270°、300°和330°的θ位置。还参考图4B，在该示例中，可能的微电极距离位置包括：1mm、1.25mm、1.5mm、1.75mm、2mm、2.25mm、2.5mm、2.75mm、3mm、3.25mm、3.5mm、3.75mm、4mm、4.5mm、5mm、6mm、7mm、8mm，并且可能的微电极水平位置包括：-5mm、-4mm、-3mm、-2mm、-1mm、0mm、1mm、2mm、3mm、4mm、5mm，从而导致2376个可能的位置。

因此，由训练系统300进行的脑部感测调查可感测来自DBS引线上可用的每个通道的数据。在实施方案中，从所有可能的位置搜集局部场电位(LFP)。这也被称为感测蒙太奇数据。在其他实施方案中，脑部感测调查可感测来自所选择的位置而非所有位置的数据。

在实施方案中，可在多个步骤中进行完整蒙太奇。例如，基于通道记录的限制(例如，一次有限数量的通道)，一旦得到来自所有相关感测对的数据，算法就可被通知对应的完整蒙太奇数据。另外，脑部感测调查可使用双极或单极配置来进行。

再次参考训练系统300，使用脑部感测调查，可利用槽模拟设置来创建机器学习算法。槽模拟设置有利地允许非常容易地生成数据，并且患者不会对体内模型感到疲劳。

槽模拟的实施方案将振荡源确定为点源。与建模专家断言点源将无法充分表示脑部中的电分布电位的已知解决方案相反，本发明人已发现，本文所述的实施方案有效地预测了用于与IMD一起使用的治疗设定。

此外，槽模拟的实施方案能够确定源位置的基准真相(ground truth)。例如，振荡源可根据槽模拟中的x-y-z坐标位置来确定。此类基准真相定位不能在体内或在仅使用患者池数据(pool data)创建的模型中进行。

在某些实施方案中，除DBS之外，槽模拟可用于许多不同装置的集成。例如，实施方案可用于能够进行感测并且治疗决策制定涉及电极/源的定位的任何装置。在另一优点中，来自槽数据的训练并不涉及与患者池源的任何偏差(诸如具有仅由一个表型组成的池中的患者)。

参考图5，描绘了根据实施方案的用于对医疗装置进行编程的方法500的流程图。在以下图5的描述中，进一步参考图1和图3。

方法500通常包括在502处开发机器学习模型。在实施方案中，可使用诸如从训练系统300收集的工作台数据来构建一个或多个模型。

在另一实施方案中，可使用来自患者数据池的数据来构建一个或多个模型。例如，实施方案可利用多个患者数据的数据库。可生成例如通过表型区分的模型。某些患者数据越相似，算法能够越容易地预测。在仍其他实施方案中，可使用患者专用数据来构建单独的每个患者模型。在仍其他实施方案中，可使用其他体内模型来构建一个或多个模型。

在502处，开发机器学习模型还可包括基于训练集数据来优化机器学习模型。例如，机器学习算法可用于特征选择。因此，机器学习算法可经编程以允许算法学习各种模式和结构。在某些实施方案中，特征可基于现有知识从训练集生成。例如，特征可基于频率含量来生成。

在实施方案中，某些特征可用于振荡信号，诸如时间或频率。在另一示例中，特征可扩展到LFPβ。在患者具有特发性震颤的示例中，实施方案可全面利用频率(例如，5Hz窗口，或其他特定频率或频率窗口)。

方法500还包括在504处预测一个或多个振荡位置。例如，优化的机器学习模型可应用于已有的患者的数据(例如，经由IMD 106检索的)。在实施方案中，可报告电极位置或中间连合点(MCP)坐标。

在实施方案中，可预测一个或多个最佳电极。在DBS编程中，刺激目标可为相对小的(例如，与身体的其他部分中的神经刺激相比)，并且进一步地，可以是刺激可能引起副作用的邻近区域。因此，确定最佳位置是重要的。如本文所用，“最佳”可包括症状缓解最强和/或避免副作用区域的电极位置和/或方向。

在一个示例中，降低LFP功率导致更好的患者结果。因此，最佳定位利用要缓解症状的目标区域作为LFPβ功率降低的区域。在实施方案中，最佳定位可包括瞄准最大治疗窗口，其中刺激可在具有要增加的空间的情况下施加，而不碰到副作用区域。更具体地，使用感测数据，可确定高LFP功率的区域。高LFP功率的区域可然后被选择为目标(其中LFP功率的降低将为有益的)。

关于治疗设定是否有益，某些患者病症可比其他人得到更快疗治。例如，在疗治诸如帕金森氏病的某些运动障碍时，患者可在几分钟内表现出改善(相比之下，比如癫痫症的其他患者病症要几个月)。在实施方案中，患者对初始治疗程序或治疗程序参数(诸如电极选择)的响应可被反馈回到机器学习算法中以供将来预测。

方法500还包括在506处显示504的预测的结果。在实施方案中，可在描绘了解剖结构的情况下或在没有描绘解剖结构的情况下可视化振荡源位置。在实施方案中，热图可用于指示一个或多个最佳电极。

方法500还包括在508处将模拟参数应用于医疗装置。在实施方案中，504处的模型预测可通知刺激参数。例如，患者医疗装置可自动填充有对应于所预测的最佳电极的设定。在另一示例中，所预测的最佳电极可作为数字或模拟列表输出，以用于随后由临床医生输入到医疗装置(因此获得实现人在回路中(human-in-the-loop)的进一步安全检查)。因此，临床医生可使用所预测的最佳电极来通知刺激参数选择。

方法500还任选地包括在510处基于对将模拟参数应用于医疗装置的反馈来重新训练机器学习模型。例如，如果临床医生选择某个预测电极来在医疗装置106中进行编程，则机器学习模型可并入此类肯定反馈。在另一示例中，如果临床医生没有选择预测电极，则机器学习模型可并入此类负面反馈。

在实施方案中，可利用各种机器学习算法。在一个实施方案中，四种机器学习算法被组合用于位置预测：最靠近电极、半径、深度和θ。在这些实施方案中，如本文进一步所描述，LFPβ功率是主要参数，尽管当然考虑其他参数。机器学习算法的实施方案可进一步利用多个频率特征。

例如，在预测刺激参数的实施方案中，机器学习算法可应用于临床前数据集。机器学习算法可被应用于为每个脑部目标感测蒙太奇数据。因此，可通过以下操作生成预测电极：使用最靠近电极算法选择具有大多数预测的电极，并且通过组合深度算法与θ算法来选择与大多数预测配准的电极。在另一实施方案中，可组合利用半径、深度和θ算法。在实施方案中，如果适用的话，可将预测与在一个或多个刺激实验期间提供最大抑制量的电极进行比较。

本文所述的实施方案可用于医疗装置的初始编程。在其他实施方案中，可进一步进行后续或正在进行的编程。例如，在初始脑部感测调查之后，后续脑部感测调查可用于进一步对医疗装置进行编程。后续脑部感测调查可整合特定患者数据以反映初始编程之后的疾病进展或其他状态。

参考图6，描绘了根据实施方案的用于对医疗装置进行编程的另一方法600的流程图。

方法600通常包括在602处检测离振荡神经组织源最近或最远的一个或多个电极。例如，使用模拟环境中的脑部感测调查，实施方案可从DBS引线的所有可能通道搜集蒙太奇数据。随后，机器学习算法预测可通知刺激电极检测。

在604处，可基于在602处检测到的电极来任选地可视化电极排序。在实施方案中，电极排序可在具有解剖扫描数据的情况下(“具有解剖结构”)可视化。在另一实施方案中，电极排序可在不具有解剖扫描数据(“不具有解剖结构”)的情况下可视化。

在606处，可通过视觉瞄准来呈现对刺激参数的所预测的选择。例如，实施方案允许在解剖结构的物理环境内容易地查看生理信号。

在608处，可对最靠近响应组织的一个或多个刺激接触的选择进行编程。在某些实施方案中，此类选择通过将数据自动填充到医疗装置或医疗装置的编程器中来自动化。

在实施方案中，并且进一步为了使刺激接触的选择自动化，方法600还任选地包括在610处在具有或不具有解剖成像扫描数据的情况下可视化源的位置。

在实施方案中，并且进一步为了使刺激接触的选择自动化，方法600还任选地包括在612处突出显示与疾病进展和治疗变化相关联的纵向变化。

在实施方案中，并且进一步为了使刺激接触的选择自动化，方法600还任选地包括在614处通知振荡源的位置的变化，该变化可指示植入物位置的变化、生理变化或其他临床相关变量。

例如，在多个LFP源的一个实施方案中，可存在要避免的某些振荡源。对某些电路的刺激可能导致不想要的副作用或以其他方式破坏有益的自然生理动态。因此，实施方案可用于识别要避免的位置，并且可与估计来自刺激的激活程度的算法和/或模型相结合，以协助避免对那些位置的刺激。

机器学习算法的实施方案可与刺激组合使用以寻找由刺激导致的源位置的变化。例如，如果存在多个振荡源，则可利用机器学习算法的实施方案来测试一个方向上的刺激是否破坏了一个或多个其他电极(在相同或不同引线上)上的信号强度，而没有破坏其他电极上的信号强度。

在另一示例中，可利用机器学习算法的实施方案来检查抑制源是否导致新的源突然出现。在某些实施方案中，当主共振频率被抑制时，其他频率经常随着时间而突然出现(例如，对一个频率的抑制允许其他频率出现的机会)。在术后不同时间段感测源可允许洞察其出现并且可允许相应地调整。

各种可视化均被认为指示最佳(或在某些情况下为了比较，为无效或亚最佳)电极。参考图7A至图7C，描绘了根据实施方案的用于引线的示例性位置预测可视化。

具体地，图7A大体上示出了在不具有任何解剖结构描绘的情况下的位置预测的三维可视化。图7B示出了同样在不具有解剖结构描绘的情况下的针对无效刺激参数的位置预测的三维可视化。如图所示，VNA 704被描绘为相对于振荡源706而邻近引线。图7C示出了同样在不具有解剖结构描绘的情况下的针对有效刺激参数的位置预测的三维可视化。如图所示，神经激活体积(VNA)700被描绘为相对于振荡源702而邻近引线。为了比较，在图7B中，VNA 700相对小于图7C中的VNA 704，这指示与有效参数相比无效。

因此，在不需要描绘解剖结构的情况下，可诸如使用相对于引线的点或球体来可视化振荡源。因此，实施方案可与VNA编程设定相集成。在描绘了解剖结构的某些实施方案中，源描绘可帮助验证源是否是STN。

在另一示例性可视化中，参考图8A至图8B，描绘了根据实施方案的用于引线的三维电极预测可视化。例如，图8A示出了用于介于高功率到低功率范围的各种引线分段的热图。电极800(高功率分段)与电极802(低功率分段)和电极804(相对中等功率分段)形成对比。在另一示例中，图8B示出了用于介于高功率到低功率范围的各种引线分段的热图。电极850(高功率水平)与电极852(低功率分段)和电极854(相对中等功率分段)形成对比。因此，可表达电极的相对排序而无需描绘解剖结构。为了便于临床医生应用，此类排序可被描绘在引线本身上。

在另一实施方案中，可视化结果可被分层或与其他数据类型相结合，用于可视化或确认预测或展示与外科手术计划的重叠。

在一个示例中，其他数据类型可包括术中微电极记录和/或宏记录。

在另一示例中，来自机器学习算法的信息可与成像数据相结合以平衡和/或权衡具有电生理现象的成像。在一个特定实施方案中，可利用成像来确认或关联通过机器学习突出显示的电极或由机器学习预测(组合深度、θ和半径)为最靠近源的位置。

在另一实施方案中，即使由机器学习突出显示的电极/位置正在建议或预测对某些接触的刺激，也可添加关于要避免什么的反馈。例如，成像可指示在所预测的方向或位置中的刺激可能导致副作用。具体地，如果机器学习使用特定电极/位置来预测，并且电极/位置由于位于感兴趣区域外部或已知会引起副作用的目标内部而不在适当位置进行刺激，则可向医师提供消息或警告(不刺激那里)作为安全特征。

在另一实施方案中，解剖结构可用于将对电极/位置的报告约束为仅特定感兴趣区域内的那些。

本文所述的实施方案可被并入到可靠性测量中以帮助医师或(经自动化的)系统决定是否使用(或甚至显示)基于机器学习的电极推荐。例如，如果最佳电极位置预测为位于感兴趣解剖结构外部，则系统可不向医师显示该位置的强度(并且跨越剩余接触进行归一化)，可提供警告，或者医师可以能够选择是否看到感兴趣区域内/外的基于机器学习的值。

应当理解，可将本文所公开的各个方面以与说明书和附图中具体给出的组合不同的组合进行组合。还应该理解，取决于示例，本文描述的任何过程或方法的某些动作或事件可以不同的顺序执行，可以完全添加、合并或省略(例如，执行所述技术可能不需要所有描述的动作或事件)。另外，尽管为清楚起见，本公开的某些方面被描述为由单个模块或单元执行，应当理解，本公开的技术可以通过与例如医疗装置相关联的单元或模块的组合来执行。

在一个或多个示例中，描述的技术可在硬件、软件、固件或它们的任何组合中实现。如果在软件中实现，则功能可作为一个或多个指令或代码存储在计算机可读介质上并由基于硬件的处理单元执行。计算机可读介质可以包括非暂态计算机可读介质，其对应于有形介质，诸如数据存储介质(例如，RAM、ROM、EEPROM、闪存存储器，或可以用于存储指令或数据结构形式的期望程序代码并且可以由计算机访问的任何其他介质)。

指令可由一个或多个处理器执行，诸如一个或多个数字信号处理器(DSP)、通用微处理器、专用集成电路(ASIC)、现场可编程逻辑阵列(FPGA)或其他等同的集成或离散逻辑电路系统。因此，如本文所用的术语“处理器”可指前述结构或适于实现所描述的技术的任何其他物理结构中的任一种。另外，本技术可在一个或多个电路或逻辑元件中完全实现。

Claims (20)

1.一种用于对医疗装置进行编程的方法，所述方法包括：

在模拟环境中用包括多个电极的至少一根引线来进行脑部感测调查；

基于所述脑部感测调查来开发至少一个机器学习模型；

将所述至少一个机器学习模型应用于体内患者数据以从所述多个电极确定相对于振荡源的至少一个预测电极；

可视化所述至少一个预测电极；以及

基于所述至少一个预测电极对所述医疗装置进行编程。

2.根据权利要求1所述的方法，其中进行所述脑部感测调查包括从用于所述多个电极的所有可能通道收集数据。

3.根据权利要求1所述的方法，其中可视化所述至少一个预测电极包括显示邻近解剖扫描数据的所述至少一根引线和所述至少一个预测电极。

4.根据权利要求1所述的方法，其中可视化所述至少一个预测电极包括在不具有解剖扫描数据的情况下显示所述至少一根引线和所述至少一个预测电极。

5.根据权利要求1所述的方法，其中可视化所述至少一个预测电极包括显示相对于热图的所述至少一根引线和所述至少一个预测电极。

6.根据权利要求1所述的方法，其中将所述至少一个机器学习模型应用于体内患者数据以确定所述至少一个预测电极包括检测离所述振荡源最远的电极。

7.根据权利要求1所述的方法，其中将所述至少一个机器学习模型应用于体内患者数据以确定所述至少一个预测电极包括检测离所述振荡源最近的电极。

8.根据权利要求1所述的方法，其中可视化所述至少一个预测电极包括显示与疾病进展或治疗变化相关联的至少一个纵向变化。

9.根据权利要求1所述的方法，其中可视化所述至少一个预测电极包括显示所述振荡源的位置的变化。

10.根据权利要求1所述的方法，其中所述模拟环境包括使用信号发生器在盐水槽中生成的信号。

11.一种系统，所述系统包括：

模拟环境，所述模拟环境具有至少一根引线，所述至少一根引线具有多个电极；

至少一个处理器的计算硬件以及能够操作地联接到所述至少一个处理器的存储器；和

指令，所述指令在所述计算硬件上执行时，致使所述计算硬件实现：训练子系统，所述训练子系统被配置成：使用所述模拟环境进行脑部感测调查；基于所述脑部感测调查开发至少一个机器学习模型；将所述至少一个机器学习模型应用于体内患者数据以从所述多个电极确定相对于振荡源的至少一个预测电极；可视化所述至少一个预测电极；以及基于所述至少一个预测电极对医疗装置进行编程。

12.根据权利要求11所述的系统，其中所述训练子系统被配置成通过从用于所述多个电极的所有可能通道收集数据来进行所述脑部感测调查。

13.根据权利要求11所述的系统，其中所述训练子系统被配置成可视化所述至少一个预测电极，包括通过显示邻近解剖扫描数据的所述至少一根引线和所述至少一个预测电极。

14.根据权利要求11所述的系统，其中所述训练子系统被配置成可视化所述至少一个预测电极，包括通过在不具有解剖扫描数据的情况下显示所述至少一根引线和所述至少一个预测电极。

15.根据权利要求11所述的系统，其中所述训练子系统被配置成可视化所述至少一个预测电极，包括通过显示相对于热图的所述至少一根引线和所述至少一个预测电极。

16.根据权利要求11所述的系统，其中所述训练子系统被配置成可视化将所述至少一个机器学习模型应用于体内患者数据以确定所述至少一个预测电极，包括通过检测离所述振荡源最远的电极。

17.根据权利要求11所述的系统，其中所述训练子系统被配置成可视化将所述至少一个机器学习模型应用于体内患者数据以确定所述至少一个预测电极，包括通过检测离所述振荡源最近的电极。

18.根据权利要求11所述的系统，其中所述训练子系统被配置成可视化所述至少一个预测电极，包括通过显示与疾病进展或治疗变化相关联的至少一个纵向变化。

19.根据权利要求11所述的系统，其中所述训练子系统被配置成可视化所述至少一个预测电极，包括通过显示所述振荡源的位置的变化。

20.根据权利要求11所述的系统，所述系统还包括：盐水槽；和信号发生器，所述信号发生器被配置成生成对应于所述盐水槽中的模拟脑部活动的电信号。