DE112021000583T5

DE112021000583T5 - Verfahren zur diagnose des schlafapnoe-syndroms unter verwendung von maschinellem lernen

Info

Publication number: DE112021000583T5
Application number: DE112021000583.9T
Authority: DE
Inventors: Joon Sang LEE; Hyung Ju Cho; Yoon Jeong CHOI; Hwi Dong JUNG; Susie RYU
Original assignee: Industry Academic Cooperation Foundation of Yonsei University
Current assignee: Industry Academic Cooperation Foundation of Yonsei University
Priority date: 2020-01-17
Filing date: 2021-01-15
Publication date: 2023-02-16
Also published as: US20210219908A1; WO2021145721A2; KR102447862B1; WO2021145721A3; KR20210093029A

Abstract

Es ist ein Verfahren zur Diagnose eines obstruktiven Schlafapnoe-Syndroms unter Verwendung von maschinellem Lernen vorgesehen. Eine Aufgabe der vorliegenden Erfindung ist, ein Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms unter Verwendung von maschinellem Lernen bereitzustellen, welches das obstruktive Schlafapnoe-Syndrom diagnostiziert, indem Parameter, die mit dem obstruktiven Schlafapnoe-Syndrom zusammenhängen, aus einer geometrischen Form eines Atemwegs extrahiert werden und maschinelles Lernen unter Verwendung von durch Simulation berechneten Daten durchgeführt wird. Eine andere Aufgabe der vorliegenden Erfindung ist, ein Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms unter Verwendung von maschinellem Lernen bereitzustellen, welches die Genauigkeit der Diagnose des obstruktiven Schlafapnoe-Syndroms verbessert und einen quantitativen Standard wie vorstehend beschrieben durch Diagnose des obstruktiven Schlafapnoe-Syndroms aus der geometrischen Form des Atemwegs vorschlägt.

Description

[Technisches Gebiet]
Die vorliegende Erfindung betrifft ein Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms und insbesondere ein Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms unter Verwendung von maschinellem Lernen, welches eine genaue Diagnose und einen quantitativen Standard für das obstruktive Schlafapnoe-Syndrom unter Verwendung von maschinellem Lernen liefert.
[Hintergrund der Erfindung]
Das obstruktive Schlafapnoe-Syndrom (OSAS), eine allgemeine obstruktive Schlafapnoe-Syndrom-Störung, bezieht sich auf ein Apnoe- oder Hypopnoe-Syndrom, das auftritt, wenn ein Bereich eines oberen Atemwegs (von der Nasenhöhle bis zum Rachen, im Folgenden als „Atemweg“ bezeichnet) während des Schlafs verschlossen oder verengt ist. Die meisten OSAS-Patienten leiden unter übermäßigem Schnarchen während des Schlafs, und zudem ist OSAS recht verbreitet, denn Statistiken zufolge leidet einer von sechs Erwachsenen an OSAS. Bei Patienten mit OSAS treten häufig Krankheiten wie Herz-Kreislauf-Erkrankungen auf, so dass die Zahl der Patienten, die untersucht oder behandelt werden müssen, gestiegen ist.
Im Allgemeinen wird Polysomnographie zur Diagnose des aktuellen obstruktiven Schlafapnoe-Syndroms durchgeführt. Bei der Polysomnographie werden Gehirnströme, Sauerstoffsättigung, Atmung, Schlafhaltung, Puls und Thoraxbewegungen eines Patienten gleichzeitig gemessen, und es handelt sich dabei um den wichtigsten diagnostischen Test zur Diagnose des obstruktiven Schlafapnoe-Syndroms. Zur Durchführung der Polysomnographie muss jedoch eine große Anzahl von an der Haut befestigten Sensoren (z. B. koreanische Patentveröffentlichung Nr. 2019-0114386 („Biometric Information Detecting Sensor“, 10.10.2019)) am Gesicht, Kopf und dergleichen angebracht werden, und bei der Brust und dem Bauch müssen die Sensoren um die Brust und den Bauch herum getragen und dort befestigt werden. Ein Zustand, in dem die große Anzahl von Sensoren am Patienten angebracht sind und um ihn herum getragen werden, verursacht als solcher erhebliche Unannehmlichkeiten für den Patienten. Mit anderen Worten, da der Patient in eine völlig andere Umgebung als eine normale Schlafumgebung versetzt wird, sind die Testergebnisse in vielen Fällen fehlerhaft. Da Polysomnographie außerdem durchgeführt werden sollte, wenn der Patient nachts mindestens 6 Stunden oder mehr schläft, ist die Anzahl der Tests, die pro Tag durchgeführt werden können, ebenfalls begrenzt.
Zur Lösung dieses Problems wurde verschiedene Versuche unternommen, das obstruktive Schlafapnoe-Syndrom durch einen einfacheren Test zu diagnostizieren. Beispielsweise offenbart die koreanische Patentanmeldung Nr. 1958561 („Obstructive Sleep Apnea Syndrome Diagnosis Device and Operation Method Thereof“ 08.03.2019, die im Folgenden als „Dokument der Stand der Technik“ bezeichnet wird) eine Technik zur Berechnung des obstruktives Schlafapnoe-Syndroms basierend auf Schädelstrukturinformationen eines Patienten. Genauer gesagt handelt es sich um eine Technik zur Ermittlung einer Wahrscheinlichkeit eines obstruktiven Schlafapnoe-Syndroms unter Verwendung von statistischen Formeln, die aus dem entsprechenden Dokument des Standes der Technik entnommen werden und sich auf die Stärke des Schnarchgeräuschs, den Taillenumfang, den Abstand zwischen subnasal und stomion, die Dicke des Gaumenzäpfchens und das Alter beziehen. Wie oben beschrieben, ist in Wirklichkeit jedoch ein Organ, in dem ein Hauptsyndrom beim Auftreten des obstruktiven Schlafapnoe-Syndroms auftritt, der Atemweg, jedoch wird in dem Dokument des Standes der Technik nur die statistische Wahrscheinlichkeit durch die Form oder Struktur der Peripherie erhalten, im Wesentlichen ohne überhaupt die Form oder Struktur des Atemwegs zu berücksichtigen, so dass es schwierig ist, quantitativ genaue Diagnoseergebnisse zu erwarten.
[Dokument des Standes der Technik]
[Patentschrift]

(Patentschrift 1) 1. Koreanische Patentoffenlegungsveröffentlichung Nr. 2019-0114386 („Biometric Information Detecting Sensor“, 10.10.2019)
(Patentschrift 2) 2. Koreanische Patentanmeldung Nr. 1958561 („Obstructive Sleep Apnea Syndrome Diagnosis Device and Operation Method Thereof“, 08.03.2019.)

[Offenbarung]
[Technisches Problem]
Eine Aufgabe der vorliegenden Erfindung ist, ein Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms unter Verwendung von maschinellem Lernen bereitzustellen, welches das obstruktive Schlafapnoe-Syndrom diagnostiziert, indem Parameter, die mit dem obstruktiven Schlafapnoe-Syndrom zusammenhängen, aus einer geometrischen Form eines Atemwegs extrahiert werden und maschinelles Lernen unter Verwendung von durch Simulation berechneten Daten durchgeführt wird. Eine andere Aufgabe der vorliegenden Erfindung ist, ein Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms unter Verwendung von maschinellem Lernen bereitzustellen, welches die Genauigkeit der Diagnose des obstruktiven Schlafapnoe-Syndroms verbessert und einen quantitativen Standard wie vorstehend beschrieben durch Diagnose des obstruktiven Schlafapnoe-Syndroms aus der geometrischen Form des Atemwegs vorschlägt.
[Technische Lösung]
Nach einem allgemeinen Aspekt umfasst ein Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms unter Verwendung von maschinellem Lernen: einen Informationserhebungsvorgang zur Erhebung von Strömungsmerkmalsinformationen unter Verwendung eines Informationserhebungs-Maschinenlernmodells aus Atemwegsforminformationen eines Atemwegs eines Probanden; und einen Symptomdiagnosevorgang zur Erhebung von Symptomstatusinformationen, die angeben, ob der Proband ein Symptom des obstruktiven Schlafapnoe-Syndroms (OSAS) aufweist, unter Verwendung eines Symptomdiagnose-Maschinenlernmodells aus den in dem Informationserhebungsvorgang erhobenen Strömungsmerkmalsinformationen und Informationen zu den biologischen Merkmalen des Probanden.
Der Informationserhebungsvorgang kann umfassen: einen Informationserhebungs-Vorbereitungsvorgang zur Konstruktion des Informationserhebungs-Maschinenlernmodells unter Verwendung der Atemwegsforminformationen des Atemwegs und Strömungsmerkmalsinformationen, die durch numerische Strömungsmechanik (CFD) erhoben werden, für eine Vielzahl von zuvor für das Training ausgewählten Atemwegen; und einen Informationserhebungs-Managementvorgang zur Erhebung von Strömungsmerkmalsinformationen unter Verwendung des Informationserhebungs-Maschinenlernmodells, das in dem Informationserhebungs-Vorbereitungsvorgang aus den Atemwegsforminformationen des Atemwegs für zumindest einen zur Analyse neu ausgewählten Atemweg konstruiert wird, wobei nur der Informationserhebungs-Vorbereitungsvorgang durchgeführt wird, bis das Informationserhebungs-Maschinenlernmodell konstruiert ist, und nur der Informationserhebungs-Managementvorgang durchgeführt werden kann, nachdem das Informationserhebungs-Maschinenlernmodell konstruiert ist.
Der Informationserhebungs-Vorbereitungsvorgang kann umfassen: einen Trainings-Atemwegsform-Informationserhebungsvorgang zur Erhebung von Atemwegsforminformationen des Atemwegs, der aus einem Tomogramm des Atemwegs 3D-modelliert ist, für die Vielzahl von zuvor für das Training ausgewählten Atemwegen; einen Trainings-Strömungsmerkmals-Informationserhebungvorgang zur Erhebung von Strömungsmerkmalsinformationen durch CFD, indem eine Randbedingung auf das 3D-Modell des Atemwegs angewandt wird; und einen Informationserhebungs-Maschinenlernmodell-Konstruktionsvorgang zur Konstruktion des Informationserhebungs-Maschinenlernmodells, indem maschinelles Lernen unter Verwendung einer Vielzahl von Atemwegsforminformationen und Strömungsmerkmalsinformationen durchgeführt wird.
In dem Informationserhebungs-Maschinenlernmodell-Konstruktionsvorgang kann das Informationserhebungs-Maschinenlernmodell konstruiert werden, indem maschinelles Lernen durch einen Gaußschen Prozessregressions-(GPR)-Algorithmus oder einen multivariaten Gaußschen Prozessregressions-(MV-GP)-Algorithmus durchgeführt wird.
Die Atemwegsforminformationen können zumindest eines sein, ausgewählt aus einer Länge des Atemwegs, einer Position jedes einzelnen der Vielzahl von Punkten, die in Längsrichtung des Atemwegs voneinander beabstandet sind, einem Durchmesser einer längeren Achse an jedem Punkt, einem Durchmesser einer kürzeren Achse an jedem Punkt, einer Querschnittsfläche an jedem Punkt, und einer Mindestquerschnittsfläche.
Die Randbedingung kann zumindest eine sein, ausgewählt aus einem Druck an einer Einlass- oder Auslassposition des Atemwegs, einer Durchflussrate an der Einlass- oder Auslassposition des Atemwegs, und einem Haftzustand einer Innenwand des Atemwegs.
Die Strömungsmerkmalsinformationen können zumindest eines sein, ausgewählt aus Geschwindigkeit, Druckgradient, Wirbelstärke, Druck, Atemwegswiderstand, Verformung, Vortizität, Helizität, Oberflächenwirbelstärke, Oberflächendruckgradient, Wandschubspannung, und Oberflächendruck.
Der Informationserhebungs-Managementvorgang kann umfassen: einen Atemwegsform-Informationserhebungsvorgang zur Erhebung von Atemwegsforminformationen des Luftwegs, der aus einem Tomogramm des Luftwegs 3D-modelliert ist, für zumindest einen zu Analysezwecken neu ausgewählten Atemweg; und Strömungsmerkmals-Informationserhebungsvorgang zur Ausgabe von Strömungsmerkmalsinformationen durch Eingabe der Atemwegsforminformationen in das Informationserhebungs-Maschinenlernmodell.
Der Symptomdiagnosevorgang kann umfassen: einen Symptomdiagnose-Vorbereitungsvorgang zur Konstruktion eines Symptomdiagnose-Maschinenlernmodells, indem maschinelles Lernen durchgeführt wird unter Verwendung der Strömungsmerkmalsinformationen des Atemwegs, die in dem Informationserhebungsvorgang erhoben werden, Informationen zu den biologischen Merkmalen des Probanden mit dem Atemweg, und Symptomstatusinformationen des Probanden, für eine Vielzahl von zuvor für das Training ausgewählten Atemwegen unter den in dem Informationserhebungsvorgang verwendeten Atemwegen; und einen Symptomdiagnose-Managementvorgang zur Ausgabe der Symptomstatusinformationen des Probanden durch Eingabe der Strömungsmerkmalsinformationen des Atemwegs und der Informationen zu den biologischen Merkmalen des Probanden mit dem Atemweg in das Symptomdiagnose-Maschinenlernmodell, das in dem Symptomdiagnose-Vorbereitungsvorgang konstruiert wird, für zumindest einen zu Analysezwecken neu ausgewählten Atemweg, wobei nur der Symptomdiagnose-Vorbereitungsvorgang durchgeführt wird, bis das Symptomdiagnose-Maschinenlernmodell konstruiert ist, und nur der Symptomdiagnose-Managementvorgang durchgeführt wird, nachdem das Symptomdiagnose-Maschinenlernmodell konstruiert ist.
In dem Symptomdiagnose-Vorbereitungsvorgang kann das Symptomdiagnose-Maschinenlernmodell konstruiert werden, indem maschinelles Lernen durch einen Support-Vector-Machine-(SVM)-Algorithmus durchgeführt wird.
Die Informationen zu den biologischen Merkmalen können zumindest eines sein, ausgewählt aus einem Alter, einem BMI-Index und einem BluthochdruckIndex.
[Vorteilhafte Effekte]
Gemäß der vorliegenden Erfindung kann die Verwendung der geometrischen Form des Atemwegs bei der Diagnose von Symptomen des obstruktiven Schlafapnoe-Syndroms (OSAS) verschiedenen Probleme lösen, wie z. B. die Unannehmlichkeiten für den Patienten, die geringere Genauigkeit der Diagnoseergebnisse, die eingeschränkte Diagnoseleistung und dergleichen, die sich aus der Polysomnographie ergeben, die gemäß dem Stand der Technik durchgeführt wird, während ein Proband tatsächlich schläft und zahlreiche Sensoren angebracht sind und getragen werden. Genauer gesagt, gemäß der vorliegen Erfindung, wird OSAS diagnostiziert, indem Parameter, die mit dem obstruktiven Schlafapnoe-Syndrom zusammenhängen, aus der geometrischen Form des Atemwegs extrahiert werden und maschinelles Lernen unter Verwendung von durch Simulation berechneten Daten durchgeführt wird. Das heißt, dass gemäß der vorliegenden Erfindung die direktesten Diagnoseergebnisse erzielt werden, indem die Diagnose unter Verwendung der Form und Struktur des Atemwegs, in dem Symptome des obstruktive Schlafapnoe-Syndroms tatsächlich vorherrschen, und einer Beziehung der hydrodynamischen Eigenschaften in dem Atemweg durchgeführt wird, wodurch letztlich die Genauigkeit der Diagnose, ob der Proband an OSAS leidet, erheblich verbessert wird.
Darüber hinaus kann gemäß der vorliegenden Erfindung durch maschinelles Lernen mittels des GPR-Algorithmus unter Verwendung von Simulationsdaten bei der Vorhersage der Strömungsmerkmale des Atemwegs eine Berechnungszeit im Vergleich zur Verwendung der numerischen Strömungsmechanik (CFD) um das Zehntausendfache oder mehr erheblich verkürzt werden. Darüber hinaus kann gemäß der vorliegenden Erfindung durch die Diagnose des obstruktiven Schlafapnoe-Syndroms unter Verwendung des SVM-Algorithmus ein quantitativer Standard zur Patientenklassifikation bereitgestellt werden, und Klassifikationsergebnisse können schnell geliefert werden.
Figurenliste

1 zeigt ein Blockdiagramm eines Verfahrens zur Diagnose des obstruktiven Schlafapnoe-Syndroms gemäß der vorliegenden Erfindung.
2 zeigt ein Beispiel eines Prozesses zur Erhebung von Strömungsmerkmalsinformationen aus Atemwegsforminformationen eines Atemwegs.
3 und 4 zeigen ein Beispiel von Ergebnissen der Strömungsmerkmalsinformationen, die mittels numerischer Strömungsmechanik (CFD) berechnet werden.
5 zeigt verschiedene Ausführungsformen eines dreidimensionalen (3D) Modells eines Atemwegs.
6 zeigt Beispiele eines 3D-Modells eines Atemwegs eines normalen Probanden, CFD-Interpretationsergebnisse, und Vorhersageergebnisse des maschinellen Lernens.
7 zeigt Beispiele eines 3D-Modells eines Atemwegs eines Probanden, der ein Patient mit einem schwachen Symptom des obstruktiven Schlafapnoe-Syndroms ist, CFD-Interpretationsergebnisse, und Vorhersageergebnisse des maschinellen Lernens.
8 zeigt ein Ergebnis eines Verfahrens zur Diagnose des obstruktiven Schlafapnoe-Syndroms gemäß der vorliegenden Erfindung.

[Beste Ausführungsform]
Nachfolgend wird das Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms unter Verwendung von maschinellem Lernen gemäß der vorliegenden Erfindung mit der oben beschriebenen Ausgestaltung detailliert unter Bezugnahme auf die beigefügten Zeichnungen beschrieben.
1 zeigt eine Ansicht mit Darstellung einer Konfiguration eines Verfahrens zur Diagnose des obstruktiven Schlafapnoe-Syndroms gemäß der vorliegenden Erfindung. Wie in 1 gezeigt, umfasst das Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms gemäß der vorliegenden Erfindung zwei Vorgänge: einen Informationserhebungsvorgang und einen Symptomdiagnosevorgang. In dem Informationserhebungsvorgang werden Strömungsmerkmalsinformationen aus Atemwegsforminformationen eines Atemwegs eines Probanden unter Verwendung eines Informationserhebungs-Maschinenlernmodells erhoben, und in dem Symptomdiagnosevorgang werden Symptomstatusinformationen, die angeben, ob der Proband an OSAS leidet, unter Verwendung eines Symptomdiagnose-Maschinenlernmodells aus den in dem Informationserhebungsvorgang erhobenen Strömungsmerkmalsinformationen und Informationen zu den biologischen Merkmalen des Probanden erhoben.
Polysomnographie, die herkömmlich zur Diagnose des obstruktiven Schlafapnoe-Syndroms durchgeführt wurde, ist umständlich, ungenau und in ihrer Leistung begrenzt gewesen, da ein grundlegendes Problem darin bestand, dass ein Proband schlafen musste, nachdem zahlreiche Sensoren an dem Probanden angebracht worden waren. Zur Lösung dieses Problems wurden verschiedene Verfahren wie z. B. das Messen von Schnarchgeräuschen oder das Messen der Bewegung von Gesichtsmuskeln während des Schlafs ausprobiert, jedoch stellen diese Verfahren keine grundlegende Lösung dar, da die Voraussetzung gleich bleibt, dass Messungen in einem Zustand durchgeführt werden, in dem der Proband schläft.
In der vorliegenden Erfindung, wie vorstehend beschrieben, wird das obstruktive Schlafapnoe-Syndrom jedoch basierend auf einer Form eines Atemwegs des Probanden diagnostiziert, bei dem das obstruktive Schlafapnoe-Syndrom diagnostiziert werden soll. Das heißt, wenn der Proband durch das Diagnoseverfahren der vorliegenden Erfindung diagnostiziert wird, ist nur eine CT-Bildgebung erforderlich und es besteht keine Notwendigkeit zu schlafen. Wie oben beschrieben, hat die Diagnoseverfahren der vorliegenden Erfindung eine bemerkenswerte Wirkung, die das grundlegendste Problem der Diagnoseverfahren des Standes der Technik beseitigt, nämlich das Problem, dass der „Zustand, in dem der Proband schläft“, wesentlich ist. Gemäß der vorliegenden Erfindung werden daher zahlreiche Probleme grundlegend gelöst, wie z. B. Unbehagen des Patienten, Verschlechterung der Genauigkeit aufgrund einer Veränderung der Schlafumgebung, lange Inspektionszeit, und Verschwendung von Personal und dergleichen, die sich daraus ergeben, dass die Diagnoseverfahren gemäß dem Stand der Technik einen Schlafzustand erfordern.
Wie oben kurz beschrieben, kommt in der vorliegenden Erfindung sowohl in dem Informationserhebungsvorgang als auch in dem Symptomdiagnosevorgang unterschiedliches maschinelles Lernen zum Einsatz. Nachfolgend wird jeder Vorgang des Verfahrens zur Diagnose des obstruktive Schlafapnoe-Syndroms der vorliegenden Erfindung detaillierter beschrieben.
[1] Informationserhebungsvorgang
Bei dem Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms gemäß der vorliegenden Erfindung werden in einem ersten Vorgang Atemwegsforminformationen eines Probanden gewonnen und daraus werden Informationen zur Diagnose extrahiert, und in einem zweite Vorgang wird mittels der in dem ersten Vorgang extrahierten Informationen diagnostiziert, ob der Proband an OSAS leidet. Der Informationserhebungsvorgang ist der oben beschriebene erste Vorgang, das heißt der Prozess der Extraktion von Informationen zur Diagnose aus den Atemwegsforminformationen des Probanden.
Wie vorstehend beschrieben, werden bei dem Informationserhebungsvorgang Strömungsmerkmalsinformationen aus den Atemwegsforminformationen des Atemwegs des Probanden unter Verwendung eines Informationserhebungs-Maschinenlernmodells erhoben. Der Informationserhebungsvorgang umfasst bestimmte Vorgänge eines Informationserhebungs-Vorbereitungsvorgangs und eines Informationserhebungs-Managementvorgangs, wie in 1 dargestellt. Bis das Informationserhebungs-Maschinenlernmodell konstruiert ist, wird nur der Informationserhebungs-Vorbereitungsvorgang durchgeführt, und nachdem das Informationserhebungs-Maschinenlernmodell konstruiert ist, wird nur der Informationserhebungs-Managementvorgang durchgeführt. Jeder Vorgang wird nachfolgend im Einzelnen beschrieben.
Kurz gesagt, ist der Informationserhebungs-Vorbereitungsvorgang ein Prozess, in dem das Informationserhebungs-Maschinenlernmodell konstruiert wird. Zur Konstruktion des Informationserhebungs-Maschinenlernmodells ist maschinelles Lernen unter Verwendung von Atemwegsforminformationen und Strömungsmerkmalsinformationen erforderlich, und die Strömungsmerkmalsinformationen für das Training werden durch numerische Strömungsmechanik (CFD) gewonnen. In Bezug auf die Vorgänge kann der Informationserhebungs-Vorbereitungsvorgang einen Vorgang zur Erhebung von Forminformationen eines Atemwegs für das Training (oder einen Trainings-Atemwegsform-Informationserhebungsvorgang), einen Vorgang zur Erhebung von Strömungsmerkmalsinformationen für das Training (oder einen Trainings-Strömungsmerkmals-Informationserhebungsvorgang), und einen Vorgang zur Konstruktion eines Informationserhebungs-Maschinenlernmodells (oder eines Informationserhebungs-Maschinenlernmodell-Konstruktionsvorgangs) umfassen.
Bei dem Vorgang zur Erhebung von Forminformationen des Atemwegs für das Training werden Atemwegsforminformationen des Atemwegs, der aus einem Tomogramm des Atemwegs 3D-modelliert ist, für eine Vielzahl von zuvor für das Training ausgewählten Atemwegen erhoben. 2 zeigt ein Beispiel eines Prozesses der Erhebung von Strömungsmerkmalsinformationen aus den Atemwegsforminformationen des Atemwegs. Auf der oberen Seite von 2 ist ein Beispiel für die Ableitung eines 3D-Modells durch 3D-Modellierung eines Atemwegs mit CT-Daten des Atemwegs dargestellt. Die Atemwegsforminformationen des Atemwegs können aus dem 3D-Modell des Atemwegs, das wie oben beschrieben erzeugt wurde, gewonnen werden, und hierbei können die Atemwegsforminformationen eine Länge des Atemwegs, eine Position jedes einzelnen einer Vielzahl von Punkten, die in Längsrichtung des Atemwegs voneinander beabstandet sind, einen Durchmesser einer längeren Achse an jedem Punkt, einen Durchmesser einer kürzeren Achse an jedem Punkt, eine Querschnittsfläche an jedem Punkt, eine Mindestquerschnittsfläche und dergleichen umfassen.
Bei dem Vorgang zur Erhebung von Strömungsmerkmalsinformationen für das Training, werden Strömungsmerkmalsinformationen durch CFD erhoben, indem dem 3D-Modell des Atemwegs Randbedingungen vorgegeben werden. Ein Beispiel für das Vorgeben von Randbedingungen ist auf einer unteren Seite von 2 dargestellt. Hierbei kann die Randbedingung einen Druck an einer Einlass- oder Auslassposition des Atemwegs, eine Durchflussrate an der Einlass- oder Auslassposition des Atemwegs, und einen Haftzustand einer Innenwand des Atemwegs umfassen. Verschiedene Strömungsmerkmalsinformationen können durch eine Simulation mittels CFD unter Vorgabe der Randbedingungen gewonnen werden. Das heißt, dass Strömungsmerkmale der durch den Atemweg verlaufenden Luft bekannt sein können. Hierbei können die Strömungsmerkmalsinformationen Geschwindigkeit, Druckgradient, Wirbelstärke, Druck, Atemwegswiderstand, Verformung, Vortizität, Helizität, Oberflächenwirbelstärke, Oberflächendruckgradient, Wandschubspannung, Oberflächendruck und dergleichen sein. 3 und 4 zeigen ein Beispiel von Ergebnissen der Strömungsmerkmalsinformationen, die mittels CFD berechnet werden.
Bei dem Vorgang zur Konstruktion eines Informationserhebungs-Maschinenlernmodells wird das Informationserhebungs-Maschinenlernmodell konstruiert, indem maschinelles Lernen unter Verwendung einer Vielzahl von Atemwegsforminformationen und Strömungsmerkmalsinformationen durchgeführt wird. Das Informationserhebungs-Maschinenlernmodell ist grundsätzlich so konzipiert, dass es Strömungsmerkmalsinformationen ausgibt, wenn Informationen über die Atemwegsform eingegeben werden. Ohne Training ist die Genauigkeit hierbei gering, da es keine ausreichende Grundlage gibt, um aus einem Eingabewert einen Ausgabewert abzuleiten, jedoch nimmt die Genauigkeit zu, wenn maschinelles Lernen durch den Abgleich von Atemwegsforminformationen und Strömungsmerkmalsinformationen (die tatsächlich mittels CFD genau ermittelt wurden) durch die beiden oben beschriebenen Vorgänge zur Erhebung von Informationen für das Training und die Eingabe der abgeglichenen Informationen durchgeführt wird. Selbstverständlich kann die Genauigkeit weiter zunehmen, wenn der abgeglichene Satz von Atemwegsforminformationen und Strömungsmerkmalsinformationen zunehmend eingegeben wird.
In der vorliegenden Erfindung kann bei dem Vorgang zur Konstruktion des Informationserhebungs-Maschinenlernmodells maschinelles Lernen durch einen Gaußschen Prozessregressions-(GPR)-Algorithmus oder einen multivariaten Gaußschen Prozessregressions-(MV-GP)-Algorithmus durchgeführt werden. Wie oben beschrieben, ist der Atemweg in der vorliegenden Erfindung in eine Vielzahl von Abschnitten eingeteilt, und Informationen wie z. B. ein Abstand zwischen jedem Punkt, eine Querschnittsfläche jedes Punkts und dergleichen werden als Atemwegsforminformationen des 3D-Modells des Atemwegs gewonnen, und Information wie z. B. eine Durchflussrate, Druck und dergleichen an jedem Punkt können als Strömungsmerkmalsinformationen erhoben werden.
Der GPR- oder MV-GP-Algorithmus selbst ist ein Algorithmus, der auf dem Gebiet des maschinellen Lernens sehr bekannt ist, so dass auf eine detaillierte Beschreibung davon verzichtet wird, jedoch sieht ein Unterschied zwischen den beiden Algorithmen wie folgt aus. In der vorliegenden Erfindung, wie vorstehend beschrieben, kann maschinelles Lernen entweder mittels des GPR- oder des MV-GP-Algorithmus in dem Prozess des maschinellen Lernens durchgeführt werden, jedoch wird der MV-GP-Algorithmus vorzugsweise verwendet, um die Geschwindigkeit und Genauigkeit der Berechnung weiter zu verbessern.
5 zeigt verschiedene Ausführungsformen eines 3D-Modells des Atemwegs. In der in 5 gezeigten Ausführungsform sind acht Punkte entlang einer Längsrichtung des Atemwegs gekennzeichnet. Bei der GPR werden mehrere Antwortvariablen unabhängig voneinander betrachtet, ohne dass eine Korrelation zwischen den Variablen berücksichtigt wird, wie dies bei einem Algorithmus der Fall ist, der beim Training einer einzelnen Antwortvariablen verwendet wird. Daher wird das maschinelle Lernen für jeden der in 5 dargestellten Punkte P1, P2, ..., P8 durchgeführt, und eine Korrelation zwischen den Positionen der einzelnen Punkte oder eine Korrelation zwischen den Strömungsmerkmalen (Antwortvariable) der einzelnen Punkte wird nicht berücksichtigt. Im Gegensatz dazu wird bei der MV-GP das maschinelle Lernen für alle Punkte P1, P2, ..., P8 durchgeführt, und somit erfolgt das Training unter Berücksichtigung der Korrelation zwischen den Positionen der einzelnen Punkte und einer Korrelation zwischen den Strömungsmerkmalen.
Da bei der GPR für jede Position des Atemwegs ein Vorhersagealgorithmus für jeden der Strömungsmerkmalsfaktoren erzeugt werden muss, müssen beispielsweise 12 Algorithmen erzeugt werden, um 12 Strömungsmerkmalswerte vorherzusagen, und um einen Strömungsmerkmalswert für 8 Punkte zu erhalten, sind insgesamt 12×8=96 Vorgänge erforderlich. Im Gegensatz dazu können bei der MV-GP, wenn Atemwegsforminformationen durch einen Algorithmus gegeben sind, 12 Strömungsmerkmalswerte für jeden Punkt auf einmal erhalten werden. Im Hinblick auf künftige Automatisierung und Datenverarbeitung ist der MV-GP-Algorithmus daher wesentlich vorteilhafter.
Es gibt noch weitere Gründe, warum die MV-GP vorteilhafter ist. Die tatsächliche menschliche Atmung umfasst Ausatmung und Einatmung und weist Strömungsverhältnisse auf, die sich mit der Zeit ändern. Es liegt daher auf der Hand, dass ein Algorithmus, der in der Lage ist, Zeitreihendaten vorherzusagen, geeignet ist, die tatsächlichen Atmungsbedingungen zu ersetzen. Hierbei muss in dem Fall von GPR, da nur eine einzige Antwortvariable vorhergesagt werden kann, die Vorhersage durch Festlegung einer Durchflussrate erfolgen, und Zeitreihendaten können nicht vorhergesagt werden. Daher ist es wichtig, MV-GP zu verwenden, das in der Lage sein kann, Zeitreihendaten vorherzusagen, um einen Strömungsmerkmalswert unter tatsächlichen Atmungsbedingungen vorherzusagen.
Schließlich ist es im Gegensatz zur GPR sehr schwierig, den MV-GP-Algorithmus zu realisieren. Um den MV-GP-Algorithmus in einer hochdimensionalen Vektorform zu erstellen, muss Kovarianz in einer komplexen nichtlinearen Form, die sich von der GPR unterscheidet, erhalten und auf eine Kernel-Funktion gesetzt werden. Daher kann im Falle der bestehenden GPR ein Algorithmus leicht mit einer Toolbox eines kommerziellen Programms erstellt werden, aber die MV-GP benötigt selbst einen Code von mehr als 500 Zeilen und einen Code für 9 Funktionen, um einen Algorithmus zu erstellen.
Die MV-GP hat also eine sehr hohe Unverwechselbarkeit und Überlegenheit gegenüber der GPR, und es liegt auf der Hand, die MV-GP zu bevorzugen, wenn man eine Korrelation zwischen Positionen an jedem Punkt und eine Korrelation zwischen Strömungsmerkmalen berücksichtigt, um einen Verlauf des obstruktiven Schlafapnoe-Syndroms vorherzusagen.
Kurz gesagt, ist der Informationserhebungs-Managementvorgang ein Prozess, bei dem Informationen direkt unter Verwendung des Informationserhebungs-Maschinenlernmodells erhoben werden. Etappenweise kann der Informationserhebungs-Managementvorgang einen Atemwegs-Informationserhebungsvorgang und einen Strömungsmerkmals-Informationserhebungsvorgang umfassen.
Bei dem Atemwegsform-Informationserhebungsvorgang werden für zumindest einen zu Analysezwecken neu ausgewählten Atemweg Atemwegsforminformationen des Atemwegs erhoben, der aus einem Tomogramm des Atemwegs 3D-modelliert ist. In der Praxis ist der eigentliche Vorgang derselbe wie der vorhergehende Vorgang, bei dem Atemwegsforminformationen für das Training erhoben werden, und die Atemwegsforminformationen, die beim Vorgang der Erhebung von Atemwegsforminformationen für das Training gewonnen wurden, können in dieser Phase wieder verwendet werden, um Zeit zu sparen und die Genauigkeit zu testen.
Bei dem Vorgang zur Erhebung von Strömungsmerkmalsinformationen werden die Atemwegsforminformationen in das Informationserhebungs-Maschinenlernmodell eingegeben und die Strömungsmerkmalsinformationen werden ausgegeben. Bei dem Vorgang zur Erhebung von Strömungsmerkmalsinformationen für das Training werden Strömungsmerkmalsinformationen durch CFD mit den Atemwegsforminformationen erhoben, und dies dauert mit etwa 4 bis 5 Stunden pro Atemweg tatsächlich lange. Sobald das Informationserhebungs-Maschinenlernmodell jedoch durch Durchführung des Informationserhebung-Vorbereitungsvorgangs konstruiert ist, werden die Atemwegsforminformationen in das Informationserhebungs-Maschinenlernmodell eingegeben, so dass die Zeit für die Ausgabe der Strömungsmerkmalsinformationen auf etwa 0,5 Sekunden deutlich reduziert wird.
6 zeigt Beispiele eines 3D-Modells eines Atemwegs eines normalen Probanden, CFD-Interpretationsergebnisse, und Vorhersageergebnisse des maschinellen Lernens, und 7 zeigt Beispiele eines 3D-Modells eines Atemwegs eines Probanden, der ein Patient mit einem schwachen Symptom des obstruktiven Schlafapnoe-Syndroms ist, CFD-Interpretationsergebnisse, und Vorhersageergebnisse des maschinellen Lernens. In den Beispielen von 6 und 7 ist ein 3D-Modell eines Atemwegs in 8 Teile unterteilt und Analyse und Vorhersage werden wie links dargestellt durchgeführt. Auf der rechten Seite der 6 und 7 sind Interpretationsergebnisse und Vorhersageergebnisse der Geschwindigkeit und des statischen Drucks der durch den Atemweg strömenden Luft als Graphen als Strömungsmerkmalsinformationen jedes der 8 Teile gezeigt. Da es sich bei den Interpretationsergebnissen unter Verwendung von CFD an sich um exakte Werte handelt, kann die Genauigkeit der Vorhersagergebnisse basierend darauf bestimmt werden, wie nahe die Vorhersageergebnisse unter Verwendung von maschinellem Lernen (ML) an den Interpretationsergebnissen liegen. Hier ist zu sehen, dass, wie in den Graphen auf der rechten Seite der 6 und 7 gut gezeigt ist, im Falle der Verwendung von GPR oder MV-GP die Vorhersageergebnisse recht nahe an den Interpretationsergebnissen liegen, und somit ist die Genauigkeit der Vorhersageergebnisse unter Verwendung des Maschinenlernmodells recht hoch. Beim Vergleich der linken und rechten Seite des Graphen ist außerdem zu sehen, dass MV-GP genauer ist als GPR. In einem von der Anmelderin durchgeführten Experiment wurde eine durchschnittliche Genauigkeit von etwa 72 % bestätigt.
[2] Symptomdiagnosevorgang
Bei dem Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms gemäß der vorliegenden Erfindung werden in einem ersten Vorgang die Atemwegsforminformationen des Probanden gewonnen und aus den gewonnen Atemwegsforminformationen werden Informationen zur Diagnose extrahiert, und in einem zweite Vorhang wird mittels der in dem ersten Vorgang extrahierten Informationen diagnostiziert, ob der Proband an OSAS leidet. Der Symptomdiagnosevorgang ist ein Prozess der Diagnose des obstruktiven Schlafapnoe-Syndroms aus Ergebnissen des zweiten Vorgangs wie der oben beschriebene vorhergehende Vorgang.
Wie vorstehend beschrieben, werden bei dem Symptomdiagnosevorgang Symptomstatusinformationen, die angeben, ob der Proband an OSAS leidet, unter Verwendung eines Symptomdiagnose-Maschinenlernmodells aus den in dem Informationserhebungsvorgang erhobenen Strömungsmerkmalsinformationen und Informationen zu den biologischen Merkmalen des Probanden erhoben. Der Symptomdiagnosevorgang umfasst bestimmte Vorgänge eines Symptomdiagnose-Vorbereitungsvorgangs und eines Symptomdiagnose-Managementvorgangs, wie in 1 gezeigt. Bis das Symptomdiagnose-Maschinenlernmodell konstruiert ist, wird nur der Symptomdiagnose-Vorbereitungsvorgang durchgeführt, und nachdem das Symptomdiagnose-Maschinenlernmodell konstruiert ist, wird nur der Symptomdiagnose-Managementvorgang durchgeführt. Jeder Vorgang wird nachfolgend im Einzelnen beschrieben.
Kurz gesagt, ist der Symptomdiagnose-Vorbereitungsvorgang ein Prozess der Konstruktion des Symptomdiagnose-Maschinenlernmodells. Das heißt, dass das Symptomdiagnose-Maschinenlernmodell in dem Symptomdiagnose-Vorbereitungsvorgang konstruiert wird, indem maschinelles Lernen unter Verwendung der Strömungsmerkmalsinformationen des Atemwegs, die in dem Informationserhebungsvorhang erhoben werden, Informationen zu den biologischen Merkmalen des Probanden mit dem Atemweg, und Symptomstatusinformationen des Probanden für eine Vielzahl von Atemwegen durchgeführt wird, die zuvor aus in dem Informationserhebungsvorgang verwendeten Atemwegen für das Training ausgewählt wurden. Hierbei können die Informationen zu den biologischen Merkmalen ein Alter, ein BMI-Index, ein Bluthochdruckindex oder dergleichen sein. Im Allgemeinen werden bei einer medizinischen Untersuchung in einem Krankenhaus eine Basisuntersuchung zur Messung von Alter, Größe, Gewicht, Blutdruck usw. sowie eine Urintest, Bluttest usw. durchgeführt, und die Informationen zu den biologischen Merkmalen können leicht aus den Testergebnissen gewonnen werden.
Das Symptomdiagnose-Maschinenlernmodell soll letztlich dazu führen, dass Symptomstatusinformationen ausgegeben werden, wenn die Strömungsmerkmalsinformationen und die Informationen zu den biologischen Merkmalen eingegeben werden. Ähnlich wie bei dem Prozess der Konstruktion des oben beschriebenen Informationserhebungs-Maschinenlernmodells, sollte zunächst ein geeigneter abgeglichener Satz aus Eingabewert/Ausgabewert gestellt werden, um für das maschinelle Lernen gelernt zu werden, und hierbei ist offensichtlich, dass eine höhere Genauigkeit gewährleistet werden kann, wenn der genaue Eingabewert/Ausgabewert verwendet wird, der bei dem vorherigen Informationserhebungsvorgang gesichert wurde. Aus diesem Grund wird in dem Symptomdiagnose-Vorbereitungsvorgang ein Maschinenlernmodell unter Verwendung der Daten konstruiert, die zuvor für das Training in dem Informationserhebungsvorgang verwendet wurden.
In der vorliegenden Erfindung kann in dem Symptomdiagnose-Vorbereitungsvorgang maschinelles Lernen mittels eines Support-Vector-Machine-(SVM)-Algorithmus durchgeführt werden. Da der SVM-Algorithmus selbst ein sehr bekannter Algorithmus auf dem Gebiet des maschinellen Lernens ist, wird auf eine detaillierte Beschreibung davon verzichtet.
Kurz gesagt, ist der Symptomdiagnose-Managementvorgang ein Prozess der direkten Diagnose eines Symptoms unter Verwendung des Symptomdiagnose-Maschinenlernmodells. Das heißt, bei dem Symptomdiagnose-Managementvorgang werden für zumindest einen zur Analyse neu ausgewählten Atemweg die Strömungsmerkmalsinformationen des Atemwegs und Informationen zu den biologischen Merkmalen des Probanden mit dem Atemweg in das Symptomdiagnose-Maschinenlernmodell eingegeben, das in dem Symptomdiagnose-Vorbereitungsvorgang konstruiert wurde, und es werden Symptomstatusinformationen des Probanden ausgegeben.
In der vorliegenden Erfindung liefert der Proband, der diagnostiziert werden soll, die Informationen zu den biologischen Merkmalen durch die Basisuntersuchung, und darüber hinaus wird ferner nur eine CT-Bildgebung des Atemwegs durchgeführt. Anschließend werden zuerst Atemwegsforminformationen aus einem CT-Foto gewonnen und Strömungsmerkmalsinformationen werden unter Verwendung des Informationserhebungs-Maschinenlernmodells erhoben. Wenn die gewonnen Strömungsmerkmalsinformationen und die Informationen zu den biologischen Merkmalen, die zuvor von dem Probanden bereitgestellt wurden, kombiniert und in das Symptomdiagnose-Maschinenlernmodell eingegeben werden, werden Symptomstatusinformationen ausgegeben und gewonnen. Wie in dem vorherigen Informationserhebungsvorgang hat das Vorhersagergebnis unter Verwendung des Maschinenlernmodells eine sehr kurze Berechnungszeit. Mit anderen Worten, sobald das Maschinenlernmodell konstruiert ist und das konstruierte Maschinenlernmodell eine ausreichende Zuverlässigkeit aufweist, kann unter Verwendung des Maschinenlernmodells schnell und einfach und mit hoher Genauigkeit diagnostiziert werden, ob der Proband an OSAS leidet.
Insbesondere ist es gemäß der vorliegenden Erfindung möglich, quantitative Klassifikationskriterien zu erstellen, wenn Symptome diagnostiziert werden. Der in dem Symptomdiagnose-Maschinenlernmodell verwendete SVM-Algorithmus wird zur Klassifikation von Informationen verwendet, und Klassifikationskriterien werden natürlich im Prozess der Konstruktion des Symptomdiagnose-Maschinenlernmodells erstellt. Anschließend, wenn die Symptomdiagnose tatsächlich durch Betätigung des Symptomdiagnose-Maschinenlernmodells durchgeführt wird, wird ein Ausgabewert (Symptomstatusinformation) unter Verwendung der quantitativen Klassifikationskriterien erhoben, die bei Konstruktion des Modells erstellt werden. Das heißt, dass gemäß der vorliegenden Erfindung das obstruktive Schlafapnoe-Syndrom nicht basierend auf qualitativen Kriterien wie Erfahrung, Wissen, Meinung usw. des Arztes diagnostiziert wird, sondern basierend auf den im Maschinenlernmodell quantitativ festgelegten Klassifikationskriterien.
8 zeigt Genauigkeitsergebnisse eines Verfahrens zur Diagnose des obstruktiven Schlafapnoe-Syndroms gemäß der vorliegenden Erfindung, die sich ergeben, wenn die MV-GP bei der Konstruktion des Informationserhebungs-Maschinenlernmodells verwendet wird. Wie in 8 gezeigt, zeigen beide Fälle, obwohl sie sich leicht unterscheiden, je nachdem, ob das Verfahren zur Diagnose des obstruktive Schlafapnoe-Syndroms der vorliegenden Erfindung verwendet wird oder nicht, sehr gute Ergebnisse, bei denen die Genauigkeit etwa 85 %, die Sensitivität etwa 78 % und die Spezifität etwa 89 % beträgt. Im Allgemeinen liegt die Genauigkeit der Ergebnisse der Diagnose des obstruktiven Schlafapnoe-Syndroms durch einen Arzt im klinischen Bereich bei etwa 80 %. Die Genauigkeit der Ergebnisse, die unter Verwendung des Maschinenlernmodells in dem von der Anmelderin durchgeführten Experiment ermittelt wurden, liegt im Durchschnitt bei 80 % oder mehr. Das heißt, dass bestätigt werden kann, dass die Diagnose durch das Maschinenlernmodell mit den quantitativen Klassifikationskriterien gemäß der vorliegenden Erfindung im Vergleich zur qualitativen Bestimmung des Arztes im tatsächlichen klinischen Bereich die gleiche oder eine bessere Genauigkeit aufweist.
Die vorliegende Erfindung ist nicht auf die oben beschriebenen Ausführungsformen beschränkt, der Anwendungsbereich variiert, und Fachleute auf dem Gebiet, zu dem die vorliegende Erfindung gehört, können verschiedene Modifikationen durchführen, ohne vom Wesen der in den Ansprüchen beanspruchten Erfindung abzuweichen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

KR 20190114386 [0003]
KR 1958561 [0004]

Claims

Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms unter Verwendung von maschinellem Lernen, wobei das Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms umfasst: einen Informationserhebungsvorgang zur Erhebung von Strömungsmerkmalsinformationen unter Verwendung eines Informationserhebungs-Maschinenlernmodells aus Atemwegsforminformationen eines Atemwegs eines Probanden; und einen Symptomdiagnosevorgang zur Erhebung von Symptomstatusinformationen, die angeben, ob der Proband ein Symptom des obstruktiven Schlafapnoe-Syndroms (OSAS) aufweist, unter Verwendung eines Symptomdiagnose-Maschinenlernmodells aus den in dem Informationserhebungsvorgang erhobenen Strömungsmerkmalsinformationen und Informationen zu den biologischen Merkmalen des Probanden.
Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms nach Anspruch 1, wobei der Informationserhebungsvorgang umfasst: einen Informationserhebungs-Vorbereitungsvorgang zur Konstruktion des Informationserhebungs-Maschinenlernmodells unter Verwendung der Atemwegsforminformationen des Atemwegs und Strömungsmerkmalsinformationen, die durch numerische Strömungsmechanik (CFD) erhoben werden, für eine Vielzahl von zuvor für das Training ausgewählten Atemwegen; und einen Informationserhebungs-Managementvorgang zur Erhebung von Strömungsmerkmalsinformationen unter Verwendung des Informationserhebungs-Maschinenlernmodells, das in dem Informationserhebungs-Vorbereitungsvorgang aus den Atemwegsforminformationen konstruiert wird, für zumindest einen zur Analyse neu ausgewählten Atemweg, wobei nur der Informationserhebungs-Vorbereitungsvorgang durchgeführt wird, bis das Informationserhebungs-Maschinenlernmodell konstruiert ist, und nur der Informationserhebungs-Managementvorgang durchgeführt wird, nachdem das Informationserhebungs-Maschinenlernmodell konstruiert ist.
Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms nach Anspruch 2, wobei der Informationserhebungs-Vorbereitungsvorgang umfasst: einen Trainings-Atemwegsform-Informationserhebungsvorgang zur Erhebung von Atemwegsforminformationen des Atemwegs, der aus einem Tomogramm des Atemwegs 3D-modelliert ist, für die Vielzahl von zuvor für das Training ausgewählten Atemwegen; einen Trainings-Strömungsmerkmals-Informationserhebungsvorgang zur Erhebung von Strömungsmerkmalsinformationen durch CFD, indem eine Randbedingung auf ein 3D-Modell des Atemwegs angewandt wird; und einen Informationserhebungs-Maschinenlernmodell-Konstruktionsvorgang zur Konstruktion des Informationserhebungs-Maschinenlernmodells, indem maschinelles Lernen unter Verwendung einer Vielzahl von Atemwegsforminformationen und Strömungsmerkmalsinformationen durchgeführt wird.
Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms nach Anspruch 3, wobei in dem Informationserhebungs-Maschinenlernmodell-Konstruktionsvorgang das Informationserhebungs-Maschinenlernmodell konstruiert wird, indem maschinelles Lernen durch einen Gaußschen Prozessregressions-(GPR)-Algorithmus oder einen multivariaten Gaußschen Prozessregressions-(MV-GP)-Algorithmus durchgeführt wird.
Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms nach Anspruch 3, wobei die Atemwegsforminformationen eines sind, ausgewählt aus einer Länge des Atemwegs, einer Position jedes einzelnen der Vielzahl von Punkten, die in Längsrichtung des Atemwegs voneinander beabstandet sind, einem Durchmesser einer längeren Achse an jedem Punkt, einem Durchmesser einer kürzeren Achse an jedem Punkt, einer Querschnittsfläche an jedem Punkt, und einer Mindestquerschnittsfläche.
Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms nach Anspruch 3, wobei die Randbedingung zumindest eines ist, ausgewählt aus einem Druck an einer Einlass- oder Auslassposition des Atemwegs, einer Durchflussrate an der Einlass- oder Auslassposition des Atemwegs, und einem Haftzustand einer Innenwand des Atemwegs.
Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms nach Anspruch 3, wobei die Strömungsmerkmalsinformationen zumindest eines sind, ausgewählt aus Geschwindigkeit, Druckgradient, Wirbelstärke, Druck, Atemwegswiderstand, Verformung, Vortizität, Helizität, Oberflächenwirbelstärke, Oberflächendruckgradient, Wandschubspannung, und Oberflächendruck.
Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms nach Anspruch 2, wobei der Informationserhebungs-Managementvorgang umfasst: einen Atemwegsform-Informationserhebungsvorgang zur Erhebung von Atemwegsforminformationen des Atemwegs, der aus einem Tomogramm des Atemwegs 3D-modelliert ist, für zumindest einen zu Analysezwecken neu ausgewählten Atemweg; und einen Strömungsmerkmals-Informationserhebungsvorgang zur Ausgabe von Strömungsmerkmalsinformationen durch Eingabe der Atemwegsforminformationen in das Informationserhebungs-Maschinenlernmodell.
Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms nach Anspruch 1, wobei der Symptomdiagnosevorgang umfasst: einen Symptomdiagnose-Vorbereitungsvorgang zur Konstruktion eines Symptomdiagnose-Maschinenlernmodells, indem maschinelles Lernen unter Verwendung der Strömungsmerkmalsinformationen des Atemwegs, die in dem Informationserhebungsvorhang erhoben werden, Informationen zu den biologischen Merkmalen des Probanden mit dem Atemweg, und Symptomstatusinformationen des Probanden für eine Vielzahl von Atemwegen durchgeführt wird, die zuvor aus in dem Informationserhebungsvorgang verwendeten Atemwegen für das Training ausgewählt wurden; und einen Symptomdiagnose-Managementvorgang zur Ausgabe der Symptomstatusinformationen des Probanden durch Eingabe der Strömungsmerkmalsinformationen des Atemwegs und der Informationen zu den biologischen Merkmalen des Probanden mit dem Atemweg in das Symptomdiagnose-Maschinenlernmodell, das in dem Symptomdiagnose-Vorbereitungsvorgang konstruiert wird, für zumindest einen zu Analysezwecken neu ausgewählten Atemweg, wobei nur der Symptomdiagnose-Vorbereitungsvorgang durchgeführt wird, bis das Symptomdiagnose-Maschinenlernmodell konstruiert ist, und nur der Symptomdiagnose-Managementvorgang durchgeführt wird, nachdem das Symptomdiagnose-Maschinenlernmodell konstruiert ist.
Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms nach Anspruch 9, wobei in dem Symptomdiagnose-Vorbereitungsvorgang das Symptomdiagnose-Maschinenlernmodell konstruiert wird, indem maschinelles Lernen durch einen Support-Vector-Machine-(SVM)-Algorithmus durchgeführt wird.
Verfahren zur Diagnose des obstruktiven Schlafapnoe-Syndroms nach Anspruch 9, wobei die Informationen zu den biologischen Merkmalen zumindest eines sind, ausgewählt aus einem Alter, einem BMI-Index und einem Bluthochdruck-Index.