JP2021049341A - 機械学習(ml)を使用する心臓アブレーションの案内 - Google Patents
機械学習(ml)を使用する心臓アブレーションの案内 Download PDFInfo
- Publication number
- JP2021049341A JP2021049341A JP2020157089A JP2020157089A JP2021049341A JP 2021049341 A JP2021049341 A JP 2021049341A JP 2020157089 A JP2020157089 A JP 2020157089A JP 2020157089 A JP2020157089 A JP 2020157089A JP 2021049341 A JP2021049341 A JP 2021049341A
- Authority
- JP
- Japan
- Prior art keywords
- ablation
- complementary
- identifying
- data
- processor
- 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
Links
- 238000013153 catheter ablation Methods 0.000 title claims abstract description 11
- 238000010801 machine learning Methods 0.000 title claims description 65
- 238000002679 ablation Methods 0.000 claims abstract description 293
- 230000000295 complement effect Effects 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims description 61
- 238000007637 random forest analysis Methods 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 6
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 5
- 230000008520 organization Effects 0.000 claims description 4
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 238000005406 washing Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims 1
- 210000001519 tissue Anatomy 0.000 description 30
- 238000004422 calculation algorithm Methods 0.000 description 29
- 238000012549 training Methods 0.000 description 21
- 238000002955 isolation Methods 0.000 description 9
- 230000000747 cardiac effect Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000010412 perfusion Effects 0.000 description 7
- OIRDTQYFTABQOQ-KQYNXXCUSA-N adenosine Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O OIRDTQYFTABQOQ-KQYNXXCUSA-N 0.000 description 6
- 206010003119 arrhythmia Diseases 0.000 description 6
- 101100484977 Danio rerio waca gene Proteins 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 230000007831 electrophysiology Effects 0.000 description 5
- 238000002001 electrophysiology Methods 0.000 description 5
- 230000017074 necrotic cell death Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006793 arrhythmia Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000149 penetrating effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000002126 C01EB10 - Adenosine Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 229960005305 adenosine Drugs 0.000 description 3
- 206010061592 cardiac fibrillation Diseases 0.000 description 3
- 238000004040 coloring Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000002600 fibrillogenic effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 210000003492 pulmonary vein Anatomy 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 241001494479 Pecora Species 0.000 description 2
- 241000282887 Suidae Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000030833 cell death Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000002837 heart atrium Anatomy 0.000 description 2
- 210000005003 heart tissue Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 229930186657 Lat Natural products 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000005242 cardiac chamber Anatomy 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 238000004520 electroporation Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000007674 radiofrequency ablation Methods 0.000 description 1
- 230000008660 renal denervation Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013530 stochastic neural network Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
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
- A61B5/48—Other medical applications
- A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
- A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
- A61B18/14—Probes or electrodes therefor
- A61B18/1492—Probes or electrodes therefor having a flexible, catheter-like structure, e.g. for heart ablation
-
- 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
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
-
- 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
- A61B34/25—User interfaces for surgical systems
-
- 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]
-
- 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
- G06N20/00—Machine learning
-
- 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
- G06N3/08—Learning methods
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00315—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for treatment of particular body parts
- A61B2018/00345—Vascular system
- A61B2018/00351—Heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00571—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for achieving a particular surgical effect
- A61B2018/00577—Ablation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00636—Sensing and controlling the application of energy
- A61B2018/00696—Controlled or regulated parameters
- A61B2018/00714—Temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00636—Sensing and controlling the application of energy
- A61B2018/00696—Controlled or regulated parameters
- A61B2018/00738—Depth, e.g. depth of ablation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00636—Sensing and controlling the application of energy
- A61B2018/00696—Controlled or regulated parameters
- A61B2018/00755—Resistance or impedance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00636—Sensing and controlling the application of energy
- A61B2018/00773—Sensed parameters
- A61B2018/00791—Temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00636—Sensing and controlling the application of energy
- A61B2018/00773—Sensed parameters
- A61B2018/00839—Bioelectrical parameters, e.g. ECG, EEG
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00636—Sensing and controlling the application of energy
- A61B2018/00904—Automatic detection of target tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00982—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body combined with or comprising means for visual or photographic inspections inside the body, e.g. endoscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00994—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body combining two or more different kinds of non-mechanical energy or combining one or more non-mechanical energies with ultrasound
-
- 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
- A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
-
- 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
- A61B2034/107—Visualisation of planned trajectories or target regions
-
- 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
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
- A61B2034/2046—Tracking techniques
- A61B2034/2051—Electromagnetic tracking systems
-
- 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
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
- A61B2034/2046—Tracking techniques
- A61B2034/2063—Acoustic tracking systems, e.g. using ultrasound
-
- 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
- A61B34/25—User interfaces for surgical systems
- A61B2034/252—User interfaces for surgical systems indicating steps of a surgical procedure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
- A61B5/0538—Measuring electrical impedance or conductance of a portion of the body invasively, e.g. using a catheter
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Pathology (AREA)
- Robotics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Otolaryngology (AREA)
- Plasma & Fusion (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Urology & Nephrology (AREA)
- Human Computer Interaction (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Surgical Instruments (AREA)
Abstract
【課題】心臓アブレーションを案内するシステムを提供する。【解決手段】システム20はインターフェース及びプロセッサ41を含み、インターフェースは患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信し、プロセッサは必要とされることが見出される場合には、受信されるデータに基づいて領域に適用される相補的アブレーション操作を自動的に特定するように構成される。【選択図】図1
Description
(関連出願の相互参照)
本出願は、2019年9月22日に出願された米国仮特許出願第62/903,850号の利益を主張し、その開示は、参照により本明細書に組み込まれる。
本出願は、2019年9月22日に出願された米国仮特許出願第62/903,850号の利益を主張し、その開示は、参照により本明細書に組み込まれる。
(発明の分野)
本発明は、概して、電気生理学的信号及びアブレーションの処理に関し、具体的には、機械学習(machine learning、ML)を使用して心臓アブレーションパラメータを最適化することに関する。
本発明は、概して、電気生理学的信号及びアブレーションの処理に関し、具体的には、機械学習(machine learning、ML)を使用して心臓アブレーションパラメータを最適化することに関する。
患者データに基づいて、心臓不整脈を治療するためのアブレーション処置を計画及び案内するための方法及びシステムについて、特許文献に既に報告されている。例えば、米国特許第9,463,072号には、患者固有の電気生理学的介入の計画及び案内のための方法及びシステムについて記載されている。患者固有の解剖学的心臓モデルは、患者の心臓画像データから生成される。患者固有の心臓電気生理学的モデルは、患者固有の解剖学的心臓モデル及び患者固有の電気生理学的測定値に基づいて生成される。仮想電気生理学的介入は、患者固有の心臓電気生理学的モデルを使用して実行される。シミュレートされた心電図(electrocardiogram、ECG)信号は、各仮想電気生理学的介入に応じて計算される。本発明の実施形態は、心臓電気生理学のほぼリアルタイムモデリングのための高度な機械学習アルゴリズム、LBM−EP(Lattice-Boltzmann Method for Electrophysiology、電気生理学のためのLattice−Boltzmann法)技術、及び仮想EP療法後の患者固有の心電図を予測及び表示するためのECG信号の生成モデルを利用する。
別の例として、米国特許第9,277,970号には、心臓不整脈のためのアブレーション処置の患者固有の計画及び案内のための方法及びシステムについて記載されている。患者固有の解剖学的心臓モデルは、手術前の心臓画像データに基づいて生成される。患者固有の解剖学的心臓モデルは、アブレーション処置中に取得される手術中画像の座標系に対して位置合わせされる。1つ以上のアブレーション部位案内マップは、アブレーション処置中に取得される、位置合わせされた患者固有の解剖学的心臓モデル及び患者固有の手術中測定値に基づいて生成される。アブレーション部位案内マップは、心筋拡散及び活動電位持続時間マップを含んでもよい。アブレーション部位案内マップは、患者固有の手術中測定値を使用して心臓電気生理学的モデルのパラメータを適合させることによってパーソナライズされた心臓電気生理学の計算モデルを使用して生成される。アブレーション部位案内マップは、アブレーション処置中に表示装置によって表示される。実施形態では、患者固有の解剖学的心臓モデルを、アブレーション処置中に取得される手術中3次元回転血管造影画像に対して位置合わせすることは、機械学習アルゴリズムを使用して三次元回転血管造影画像内の心臓心膜の確率マップを計算することを含む。
以下で説明する本発明の実施形態は、インターフェース及びプロセッサを含むシステムを提供する。インターフェースは、患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信するように構成される。プロセッサは、必要とされることが見出される場合には、受信されるデータに基づいて、領域に適用される相補的アブレーション操作を自動的に特定するように構成される。
いくつかの実施形態では、プロセッサは、初期アブレーション操作の品質を評価し、初期アブレーション操作の品質が品質基準を満たさないことを見出すことに応じて、相補的アブレーション操作を特定することによって、相補的アブレーションを特定するように構成される。
いくつかの実施形態では、初期アブレーション操作を特徴付けるデータは、障害深さ、障害半径、障害長軸、障害短軸、障害3D位置、障害解剖学的位置、及び障害表面積、のうちの少なくとも1つを含む。
実施形態では、相補的アブレーション操作を特定する際に、プロセッサは、反復アブレーションのための位置を特定するように構成される。
別の実施形態では、相補的アブレーション操作を特定する際に、プロセッサは、アブレーション点のセグメント内の間隙を示すように構成される。
更に別の実施形態では、相補的アブレーション操作を特定する際に、プロセッサは、追加的アブレーションがアブレーション点のセグメントに近接して実行されることをリアルタイムで特定するように構成される。
いくつかの実施形態では、相補的アブレーション操作を特定する際に、プロセッサは、相補的アブレーションで使用される1つ以上のアブレーションパラメータの値を特定するように更に構成される。
いくつかの実施形態では、初期アブレーション操作を特徴付けるデータは、体表面心電図(ECG)信号、体表面ECG信号の変化、心臓内ECG信号、心臓内ECG信号の変化、アブレーション電極のインピーダンス、アブレーション電極のインピーダンスの変化、アブレーションされる組織の温度、アブレーションされる組織の温度の変化、アブレーションされる組織に対する力、アブレーションされる組織に対する力の変化、アブレーションカテーテルの種類、アブレーション点の3D位置、アブレーション点の予測される解剖学的位置、アブレーション点のアブレーション持続時間、灌流速度、及びアブレーション中に送達される電力、のうちの少なくとも1つを含む。
他の実施形態では、初期アブレーション操作を特徴付けるデータは、アブレーションされる組織の超音波反射の変化、及びアブレーションされる組織の磁気共鳴画像(magnetic resonance image、MRI)の変化の、一方又は両方を含む。
いくつかの実施形態では、プロセッサは、トレーニングされる機械学習(ML)モデルを適用することによって、相補的アブレーション操作を自動的に特定するように構成される。
実施形態では、MLモデルは、オートエンコーダ、変分オートエンコーダ、敵対的生成ネットワーク(general adversarial network、GAN)、ランダムフォレスト(random forest、RF)、教師付きML、及び強化MLのうちの少なくとも1つを含む。
本発明の別の実施形態によれば、患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信することを含む方法が更に提供される。必要とされることが見出される場合には、領域に適用される相補的アブレーション操作が、受信されるデータに基づいて、プロセッサによって自動的に特定される。
本発明は、以下の「発明を実施するための形態」を図面と併せて考慮することで、より完全に理解されよう。
本発明の例示的な実施形態による、カテーテルベースの電気生理学的(electrophysiological、EP)検知、信号解析、及びIREアブレーションシステムの概略的な描写図である。
本発明の例示的な実施形態による、オートエンコーダ及びランダムフォレスト(RF)に基づく障害推定のためのディープラーニングアルゴリズムを示す。
本発明の代替的な例示的実施形態による、アブレーション結果を推定及び修正するための機械学習(ML)モデルの、推論用トレーニング及び使用のフローチャートである。
本発明の例示的な実施形態による、図3のMLモデルを使用して計画される肺静脈隔離術(pulmonary veins isolation、PVI)の可視化のスクリーンショットである。
概論
心臓アブレーションは、患者の心臓組織において障害を形成することによって不整脈を治療するために使用される一般的な処置である。このような障害は、不可逆的電気穿孔法(irreversible electroporation、IRE)によって、又は無線周波数(RF)などの他の種類のアブレーションエネルギーを使用することによって形成されてもよく、これらの両方はカテーテルを使用して適用され得る。IREアブレーションでは、カテーテルの遠位端上に配設される電極が組織と接触するように、カテーテルが操作される。次いで、高電圧双極性パルスが電極間に印加され、組織内で生成される強電界パルスが細胞死及び障害生成を引き起こす。RFアブレーションでは、交流RF電流が1つ以上の電極によって組織に印加されて、熱によって細胞死を引き起こす。
心臓アブレーションは、患者の心臓組織において障害を形成することによって不整脈を治療するために使用される一般的な処置である。このような障害は、不可逆的電気穿孔法(irreversible electroporation、IRE)によって、又は無線周波数(RF)などの他の種類のアブレーションエネルギーを使用することによって形成されてもよく、これらの両方はカテーテルを使用して適用され得る。IREアブレーションでは、カテーテルの遠位端上に配設される電極が組織と接触するように、カテーテルが操作される。次いで、高電圧双極性パルスが電極間に印加され、組織内で生成される強電界パルスが細胞死及び障害生成を引き起こす。RFアブレーションでは、交流RF電流が1つ以上の電極によって組織に印加されて、熱によって細胞死を引き起こす。
通常は、不整脈を矯正するための心腔内のアブレーション処置において、アブレーションにおける隣接性及び貫壁性(十分な障害深さ)の両方を達成することが重要である。いずれかの欠如は通常、アブレーションされる組織を通る波面の「漏れ」につながる。漏れを確認するために、例えば、肺静脈隔離(pulmonary vein isolation、PVI)を達成する処置において、医師は、心臓を刺激するようにアブレーションラインの一方側で心臓をペーシングし(すなわち、心臓内に信号を注入し)、信号が他方側に現れるかどうかを認識するために確認する。信号が現れない場合には、意図されるように電気的絶縁が達成されている。しかしながら、信号が現れる場合、医師は通常、アブレーション点を追加する。
アブレーションライン隣接性指数(ablation line contiguity index、ACLI)などのパラメータは、アブレーションラインの隣接性及び貫壁性をスコアリングするために定義されてもよい。しかしながら、このようなパラメータは、完全なループが実行された後にのみPVIを確認することができるように、アブレーション処置が完了した後にのみ推定され得る。
したがって、典型的な現在のワークフローは、以下の工程を有してもよい。
1.PV隔離の第1の「アブレーションループ」
2.刺激による試験
3.刺激に基づいて隙間を閉鎖するように組織をアブレーションすること、及び/又は
2.不整脈を開始する医薬品、例えば、アデノシンにより試験すること
3.組織をアブレーションして隙間を閉じること
1.PV隔離の第1の「アブレーションループ」
2.刺激による試験
3.刺激に基づいて隙間を閉鎖するように組織をアブレーションすること、及び/又は
2.不整脈を開始する医薬品、例えば、アデノシンにより試験すること
3.組織をアブレーションして隙間を閉じること
上記のアデノシン曝露工程2は、研究環境で一般的に使用されるために、毎日の診療ワークフローで実施されなくてもよいことが理解されるであろう。
処置中に隔離が達成される場合であっても、不整脈は、いつか後日に再発する場合がある。この場合、処置の「再実行」が必要になる場合がある。
以下で説明している本発明の実施形態は、治療中に取得される情報(例えば、アブレーションカテーテル自体を使用して取得される)にのみ基づいて心臓アブレーション処置の成功を予測するためのシステム及び機械学習(ML)方法を、以下で説明しているように、提供する。予測は、(i)いくつかの実施形態では、障害がどの程度の貫壁性であるか、及び(ii)他の実施形態では、アブレーションにおける隣接性及び貫壁性のレベルを推定することによって達成される。後の実施形態は、追加のアブレーション点が必要である場合に、医師をリアルタイムに案内してもよい。
いくつかの実施形態では、プロセッサは、患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信する。プロセッサは、必要とされることが見出される場合には、受信されたデータに基づいて、領域に適用される相補的アブレーション操作を自動的に特定する。例えば、プロセッサは、初期アブレーション操作の品質を評価し、初期アブレーション操作の品質が品質基準(例えば、達成される隣接性及び/又は貫壁性)を満たさないことを見出すことに応じて、相補的アブレーション操作を特定する。
本発明の実施形態は、フォーカルソース(focal source)及び反復アクティベーションパターン(repetitive activation pattern、RAP)の推奨を提供するために使用されてもよい。本発明の実施形態はまた、アブレーションの品質の推定、並びに、持続的AFドライバ及びperpetuator RAP、病巣、及び線維性組織の「最適」アブレーション戦略を提供するために使用されてもよい。
本発明の実施形態では、人工ニューラルネットワーク(artificial neural network、ANN)などの機械学習(ML)モデルが生成される。ANNモデルは、表面心電図(ECG)信号、心臓内ECG(intra-cardiac ECG、IcECG)信号(電位図(electrogram、EGM)とも呼ばれる)信号、収集されたデータの3D位置情報を含む初期アブレーションデータ、並びに、アブレーションに使用される電力、アブレーションの期間、アブレーション中に測定される温度、及びアブレーションを実行するカテーテル電極のインピーダンスを含むアブレーションパラメータを使用してトレーニングされる。モデルをトレーニングするために使用される他のパラメータとしては、使用されるカテーテル、カテーテルによって測定される力、並びに温度及びインピーダンスなどのパラメータの変化が挙げられるが、これらに限定されない。モデルが生成されると、これらのパラメータの少なくとも一部の値は、モデルによって定式化された結果に到達するようにモデルによって使用される。
いくつかの実施形態では、アブレーショントレーニングデータの臨床データ及び前臨床データから導出されるグランドトゥルース(ground truth)が、トレーニングのために使用される。このようなデータは、組織壊死の表面積及び深さなどのパラメータを含む、アブレーション電力の範囲で得られる実際の障害パラメータを含んでもよい。
新しい患者においてアブレーションを実行している間に、プロセッサは、MLモデルを使用して、アブレーションされた障害、例えば、医師に提供されるその半径及び深さを推定する。これらの値は通常、アブレーションの可視化も提供することができる、グラフィックユーザインターフェース(graphic user interface、GUI)上に提供される。
本発明の他の実施形態では、トレーニングされたMLモデルは、第1のアブレーションループ後に、アブレーション「再実行」のための潜在的候補である場所を識別する。
更に、新しいアブレーションの直前及び/又はその間に、プロセッサは、アブレーションデータ(すなわち、アブレーション処置中に取得される任意のデータ)を使用して、アブレーションにおける隣接性及び貫壁性のレベルを予測してもよい。
上記のMLモデルを使用することにより、医師は、アブレーション処置の結果を予測することによって、上記の現在のワークフローについてのそれと比較して、処置に費やされる時間を短縮することが可能になる。このモデルにより、医師は、アブレーション処置の第1のラウンドにおいて、アブレーションライン、すなわち、高い隣接性スコア及び貫壁性スコアを有するラインによって、有効な隔離を生成することが可能になる。したがって、このモデルを使用することにより、先行技術のシステムよりも単純で迅速なかつより効果的なプロセスが可能になる。
本明細書ではANNモデルを例として使用しているが、当業者は、決定木学習、サポートベクトルマシン(support vector machine、SVM)、及びベイジアンネットワークなどの使用に利用可能な他のMLモデルの中から選択してもよい。ANNモデルとしては、例えば、畳み込みNN(convolutional NN、CNN)、オートエンコーダ、及び確率的ニューラルネットワーク(probabilistic neural network、PNN)が挙げられる。通常、使用される1つ以上のプロセッサ(以下「プロセッサ」と総称する)は、プロセッサが上記で概略を述べたプロセッサ関連工程及び機能の各々を実行することが可能になる、特定のアルゴリズムを含むソフトウェアにプログラムされる。通常、トレーニングは、グラフィックス処理ユニット(graphics processing unit、GPU)又はテンソル処理ユニット(tensor processing unit、TPU)などの複数のプロセッサを含むコンピューティングシステムを使用して行われる。しかしながら、これらのプロセッサのいずれもまた、中央処理装置(central processing unit、CPU)であってもよい。
アブレーションにおける障害パラメータ(例えば、直径、深さ)並びに隣接性及び貫壁性を、MLアルゴリズム推論のために上記の制限データに基づいて、評価する能力は、アブレーション処置の品質の単純な評価を可能にし、より正確なアブレーションプロファイル、通常はアブレーション処置の結果の改善につながり得る。
システムの説明
図1は、本発明の実施形態による、カテーテルベースの電気生理学的(EP)検知、信号解析、及びIREアブレーションシステム20の概略的な描写図である。システム20は、例えば、Biosense Webster(Irvine,California)によって生成されたCARTO(登録商標)3システムであり得る。このように、システム20は、医師30によって患者28の心臓26(インセット25)内にナビゲートされる、シャフト22を有するカテーテル21を含む。描画された例では、医師30は、カテーテルの近位端の近くのマニピュレータ32を使用してシャフト22を操作しながら、シース23を通してシャフト22を挿入する。
図1は、本発明の実施形態による、カテーテルベースの電気生理学的(EP)検知、信号解析、及びIREアブレーションシステム20の概略的な描写図である。システム20は、例えば、Biosense Webster(Irvine,California)によって生成されたCARTO(登録商標)3システムであり得る。このように、システム20は、医師30によって患者28の心臓26(インセット25)内にナビゲートされる、シャフト22を有するカテーテル21を含む。描画された例では、医師30は、カテーテルの近位端の近くのマニピュレータ32を使用してシャフト22を操作しながら、シース23を通してシャフト22を挿入する。
本明細書で説明している実施形態では、カテーテル21は、心臓26の電気生理学的マッピング及びIREアブレーションなど、それぞれ任意の好適な診断目的及び/又は組織アブレーションのために使用されてもよい。ECG記録計器35は、プロセス中にシステム20によって検知される様々な種類のECG信号を受信してもよい。
挿入図25に示されるように、カテーテル21のシャフト22の遠位端には、多電極バスケットカテーテル40が装着される。インセット45は、バスケットカテーテル40の複数の電極48の配置を示す。カテーテル21の近位端は制御コンソール24に接続されて、例えば、電極48によって取得される電位図を送信する。
コンソール24は、カテーテル21の電極48からEP信号(例えば、ECG信号)並びに非EP信号(位置信号など)を受信するための好適なフロントエンド及びインターフェース回路38を有するプロセッサ41、通常は汎用コンピュータを含む。この目的のために、プロセッサ41は、シャフト22内に延びるワイヤを介して電極48に接続される。インターフェース回路38は、ECG記録計器35であり得るマルチチャネル(例えば、12端子)ECG装置などからのECG信号、並びに表面体電極49からの非ECG信号を受信するように更に構成されている。典型的には、電極49は、患者28の胸部及び脚の周囲の皮膚に取り付けられる。プロセッサ41は、ケーブル39を通して延びるワイヤによって電極49に接続されて、電極49から信号を受信する。
体表面電極49のうちの4つは、標準的なECGプロトコル:MA(右腕)、LA(左腕)、ML(右脚)、及びLL(左脚)に従って命名されている。ウィルソン結合電極(Wilson Central Terminal(WCT))は、4つの命名された体表面電極49のうちの3つによって形成されてもよく、得られたECG信号VWCTは、インターフェース回路38によって受信される。
EPマッピング処置中、電極48の位置は、それらが患者の心臓26内にある間に追跡される。そのために、電気信号が、電極48と体表面電極49との間を通される。この信号に基づいて、及び患者の身体上の電極22の既知の位置を考慮して、プロセッサ41は、患者の心臓内の各電極22の推定される位置を計算する。このような追跡は、例えば、米国特許第8,456,182号に記載され、その開示が参照により本明細書に組み込まれるBiosense−Webster(Irvine California)製のActive Current Location(ACL)システムを使用して実行されてもよい。
したがって、プロセッサは、EGMなどの電極48から受信される任意の所与の信号を、信号が取得された位置と関連付けてもよい。プロセッサ41は、これらの信号に含まれる情報を使用して、ディスプレイ上に提示されるローカルアクティベーション時間(local activation time、LAT)マップなどのEPマップを構築する。図示の実施形態では、図2及び図3に示すように、EP及び他のデータ(例えば、灌流速度)に適用されるMLアルゴリズムを含むアルゴリズムを使用して、プロセッサ41は、システムがアブレーションする障害の隣接性及び貫壁性を推定する。
IREアブレーションを実行するために、電極48は、コンソール24においてプロセッサ制御スイッチング回路(例えば、図示されていないリレーのアレイ)を含むIREパルス発生器47に接続される(例えば、切り替えられる)。アブレーション隣接性のレベルなどの、開示している技術によって提供される推定を使用して、プロセッサ41、又は医師は、IREパルスを印加する(スイッチング回路を介して)ためにパルス発生器37にどの電極を接続すべきか選択してもよい。
IREアブレーション中、以下に定義していうる初期アブレーションデータが、上記MLモデルのうちの1つによって推論で使用されて、図2に示すように、障害パラメータ、並びに障害の群の隣接性及び貫壁性を更に評価してもよい。
プロセッサ41は、本明細書に述べられる機能を実施するために、通常はソフトウェアでプログラムされる。ソフトウェアは、例えば、ネットワークを介して電子形式でプロセッサにダウンロードされてもよく、又は、ソフトウェアは、代替的に若しくは付加的に、磁気的、光学的、又は電子的メモリなどの非一時的な有形媒体上に提供及び/又は記憶されてもよい。特に、プロセッサ41は、例えば、以下で更に説明する開示の工程をプロセッサ41が実行することが可能になる、図3などに含まれている本明細書に開示している専用アルゴリズムを実行する。
MLを使用する心臓アブレーションの案内
図2は、本発明の例示的な実施形態による、機械学習(ML)モデルの操作についての図である。このモデルは、以下に説明しているアブレーショントレーニングデータに基づいて、ランダムフォレスト回帰木から構築される。ランダムフォレスト分類器204は、決定木のコミッティであり、各決定木は、データの属性のサブセットが与えられ、そのサブセットに基づいて予測する。決定木の実際の予測値のモードが考慮されて、最終的なランダムフォレスト回答208及び210が提供される。ランダムフォレスト分類器は一般に、スタンドアロンの決定木に存在する過剰適合を軽減することで、より堅牢で正確な分類器となっている。
図2は、本発明の例示的な実施形態による、機械学習(ML)モデルの操作についての図である。このモデルは、以下に説明しているアブレーショントレーニングデータに基づいて、ランダムフォレスト回帰木から構築される。ランダムフォレスト分類器204は、決定木のコミッティであり、各決定木は、データの属性のサブセットが与えられ、そのサブセットに基づいて予測する。決定木の実際の予測値のモードが考慮されて、最終的なランダムフォレスト回答208及び210が提供される。ランダムフォレスト分類器は一般に、スタンドアロンの決定木に存在する過剰適合を軽減することで、より堅牢で正確な分類器となっている。
このモデルは、ディープラーニングオートエンコーダ、並びにランダムフォレスト回帰木に基づく。オートエンコーダは、障害評価のための特徴空間としての役割を後に果たす特徴の集合uへの次元削減を実行する。
オートエンコーダ202は、2つの部分、すなわち、エンコーダ及びデコーダを含む。エンコーダは、非線形変換を介して入力(本明細書では、ECG信号及び/又はIcECG信号)を非表示表現(u)にマッピングする。次に、デコーダは、下記の別の非線形変換を介して非表示表現を再構築データに戻すようにマッピングする。
u=f(IcECG,θencoder),IcECG=g(u,φdecoder)
u=f(IcECG,θencoder),IcECG=g(u,φdecoder)
本発明の実施形態は、ECG及びIcECG再構築のための同じネットワークアーキテクチャを使用する。L2正規化機能は、θencoder、φdecoderの重みの集合を学習するために最小化されて、IcECG(又は体表面ECG)を再構築する。オートエンコーダは、所定数の層を有するエンコーダ及びデコーダの完全に接続された畳み込みニューラルネットワーク(convolutional neural network、FCN)を使用して実施される。次いで、障害深さを予測するために、符号化された表現u、患者の病歴(例えば、AF持続時間、NYHAスコア)パラメータ、患者の人口統計(例えば、年齢、BMI)及びアブレーション特徴(例えば、電力、温度プロファイル)に基づいて、ランダムフォレスト回帰が実行される。
実施形態では、モデルは、ランダムフォレストへの入力としての入力層アブレーション特徴空間としてアブレーション特徴空間を使用する。アブレーション特徴空間は、心臓組織の各アブレーション点のアブレーション特性(例えば、電力、インピーダンス、インピーダンス低下、安定性、アブレーションインデックス、及びx、y、z位置)を指す。各アブレーション点は、1秒当たり60回時系列サンプリングされるそれらの特徴を含み、したがって、各アブレーション点の時間的に変化する性質はまた、モデル化され、アブレーション特徴空間の一部としての役割を果たす。
各アブレーション点の解剖学的構造はまた、モデルの入力空間の一部である。例えば、ある点が幅領域周方向アブレーション(wide area circumferential ablation、WACA)についての右側WACAの一部であると予測される場合、WACAについてのMLモデルは、アブレーション部位を以下のうちの1つであると分類するであろう。
1.右下
2.右後
3.右ルーフ
4.右前
1.右下
2.右後
3.右ルーフ
4.右前
左側WACAについては、各アブレーション部位は、以下のうちの1つに関連付けられる。
1.左下
2.左後
3.左前
4.左ルーフ
5.リッジ
1.左下
2.左後
3.左前
4.左ルーフ
5.リッジ
そのようにアブレーション部位を分類するMLモデルが、本特許出願の譲受人に譲渡された、2020年7月30日に出願された「Automatic Segmentation of Anatomical Structures of Wide Area Circumferential Ablation Points」と題された米国仮特許出願第63/059060号に提供されている。
開示されているモデルは、障害表面積(半径として)210及び障害深さ208の出力推定値として提供され、コンピュータプロセッサ206によって操作される。操作中、プロセッサは、アブレーション処置からのデータを入力することと、障害推定値208及び210を出力することとを含むアルゴリズムを構築モデルに適用する。
この実施形態では、使用されるアブレーショントレーニングデータのグランドトゥルースが、臨床データ及び前臨床データから導出される。一部のデータは、ブタ又は/及びヒツジに関して実行されるインビボ開胸処置から計算される。この処置では、心房及び心室の両方において、ヒツジ及びブタにおける異なる障害深さを達成する電力の範囲で障害が形成される。組織壊死の表面積及び深さが収集される。
加えて、エネルギーは、ヒト被験者において異なる障害深さを達成するために、ある電力の範囲で送達されてもよい。心房及び心室の両方に送達されるエネルギー、並びに壊死の表面積及び深さは、超音波/磁気共鳴撮像(magnetic resonance imaging、MRI)を使用して測定されてもよい。
動物対象及びヒト被験者の両方について、アブレーショントレーニングデータ収集は、ECG及び心臓内ECG信号、アブレーションカテーテルの種類(例えば、フォーカル、ラッソ、バスケット、バルーン)、アブレーション点の3D位置、各点のアブレーション持続時間、灌流が使用されるかどうか(及び、使用される場合には、灌流速度)、アブレーション電極のインピーダンス、送達される電力、及びアブレーション中に測定される温度プロファイルを含む。追加の任意のデータとしては、心臓内超音波、外部超音波、リアルタイムCT、及びリアルタイムMRI画像が挙げられる。
上記のデータは、ランダムフォレスト回帰木モデルについての入力として使用される。
図2に示すように、このモデルは、障害の半径として、障害の平均深さ及び障害の表面積を含む2つの出力ノードによる組織壊死の深さ及び面積を推定する。代替的な実施形態では、3つの出力ノードを有するモデルが生成され、障害の表面積は楕円の長軸及び短軸を使用して推定される。
全ての実施形態で、各アブレーション後の壊死の推定された表面積がリアルタイムで表示される。
図3は、本発明の代替的な実施形態による、アブレーション結果を推定及び修正するための機械学習(ML)モデルの、推論用トレーニング及び使用のフローチャートである。具体的には、図3に示す実施形態は、心腔内でアブレーション再処理が必要であるかどうか、及びそれがどこで必要とされるかを決定する助けとなる。
アルゴリズムの一実施形態では、モデルを使用して、第1の「アブレーションループ」後に、アブレーション再実行、すなわち反復アブレーションのための可能性のある位置を識別することができる。
本発明の開示している実施形態では、モデルは、完全に接続されたニューラルネットワークを、入力層としてのアブレーション特徴空間と共に使用する。ネットワークは、整流された線形単位(rectified linear unit、ReLU)を含む2つの隠れ層と、アブレーション成功又は再実行を含む単一の出力ニューロン、すなわち、支持バイナリ第1の分類子とを有する。ネットワークの重みは、クロスエントロピー損失を最小限に抑えるために、勾配降下最オプティマイザを使用して推定される。
第1の分類子が再実行を予測する場合、第2の分類子は、アブレーションを再実行する可能性のある場所として、「低深度」「小表面」障害をマーキングする。
いくつかのアブレーションの後であるがPVIの第1のラウンドの完了前にアクティブ化されるアルゴリズムの別の実施形態では、アルゴリズムは、アブレーション点のセグメントにおける可能性のある隙間を特定し、例えば、互いの近傍に50mmのアブレーション点のセグメントが存在し、アブレーションのうちの1つが低いインピーダンス低下を有し、カテーテルがこのセグメントから20mmであるとき、システムは、これらの可能性のある間隙について医師に通知する。
アルゴリズムの更に別の実施形態では、システムは通常、アブレーション中に、前のアブレーション内に可能性のある隙間が存在するかどうか、又は更なるアブレーションが現在のアブレーション点近傍で実行されるべきかどうかについて、「リアルタイム」で通知する。
アルゴリズムの更なる実施形態では、システムは、次のアブレーション点をどこで実行すべきかを、医師に示す。システムはまた、アブレーションの完了まで、使用されるべきアブレーションパラメータ及びそれらの値を列挙する。アルゴリズムは通常、完了が達成されたかどうかを判定し、それに応じて医師に通知する。
アルゴリズムは、提示されている一実施形態により、2つの部分、すなわち、アルゴリズム準備101及びアルゴリズム使用102に分割される。
アルゴリズム準備は、MLモデリング工程70で開始して、アブレーション結果を推定するためのMLアルゴリズムを生成するプロセスを実行する。このようなモデルは、他の可能な選択肢の中でも、教師付きMLモデル、又は強化MLモデル、変分オートエンコーダ、及び敵対的生成ネットワーク(general adversarial network、GAN)であり得る。モデルは、以下に記載している他の入力の中で、EP及びアブレーション結果を入力として受け付ける。
次に、アブレーショントレーニングデータ及びグランドトゥルース結果を含むデータベースを使用して、プロセッサは、MLアルゴリズムトレーニング工程72でアルゴリズムをトレーニングする。
いくつかの実施形態では、モデルについてのアブレーショントレーニングデータは、2つのカテゴリー、すなわち、先鋭的な成功を達成する第1のアブレーションセッションからのデータ、及び再実行処置を必要とする第1のアブレーションセッションからのデータ(例えば、初期アブレーション操作の品質が、達成される隣接性などの品質基準を満たさないことが見出された後)に分割される。
開示されている実施形態では、アブレーショントレーニングデータは、CARTOなどのシステムによる実際の治療から得られた情報、例えば、以下の項目を含んでもよい。
1.アブレーションカテーテルの種類
2.アブレーション点の3D位置
3.アブレーション点の解剖学的位置
4.アブレーションに使用される電力
5.ポイントアブレーション持続時間
6.灌流
7.カテーテルの安定性、すなわち、アブレーション中にカテーテルに加えられる力
8.「予測される」組織幅に基づいて経壁アブレーションを検証するためのアブレーションの面積に関連するパラメータ
9.12端子ECG、又は任意の種類の表面ECG、及びIcECG
10.組織応答、例えば、温度、超音波反射変化、ECG信号低減、インピーダンス変化
11.外部装置データのみ、例えば、MRI及び/又は超音波データ
12.項目1〜10のいずれかと組み合わされた外部装置データ
1.アブレーションカテーテルの種類
2.アブレーション点の3D位置
3.アブレーション点の解剖学的位置
4.アブレーションに使用される電力
5.ポイントアブレーション持続時間
6.灌流
7.カテーテルの安定性、すなわち、アブレーション中にカテーテルに加えられる力
8.「予測される」組織幅に基づいて経壁アブレーションを検証するためのアブレーションの面積に関連するパラメータ
9.12端子ECG、又は任意の種類の表面ECG、及びIcECG
10.組織応答、例えば、温度、超音波反射変化、ECG信号低減、インピーダンス変化
11.外部装置データのみ、例えば、MRI及び/又は超音波データ
12.項目1〜10のいずれかと組み合わされた外部装置データ
代替の開示している実施形態では、アブレーショントレーニングデータは、CARTO(登録商標)(又は同様のシステム)から生成される画像に基づくトレーニングデータを含んでもよい。このような画像は、
1.図4に見られるような、異なるCARTOマップLAT、電圧、Visitag(例えば、画像上のボール形状マーカー)に基づく生成された画像の集合。ボールのサイズ及び色は、処置フェーズ(左側PV、及び右側PV)の各々について、及びアブレーションの異なる段階について、送信される電力及び送信時間などを示す。
2.いくつかの固定ビューで撮像された画像。
3.左側PV隔離及び右側PV隔離の画像を含むトレーニングの開始。
セクション(完全PVIの一部)隔離の画像を含む、トレーニングの第2の段階。
4.同じビューでの全てのマップ画像、及び全てのCARTO着色方法を含むトレーニングのための画像、すなわち、電圧マップ、LATマップ、双極性マップ。
5.機械学習用にのみ通常生成される全てのアブレーションタグオプションの画像(標準CARTO Visitag/SurPoints/Ablationインデックス、及びアブレーション中のカテーテル安定性に基づいてVisitagボールを着色すること、又は機械学習に寄与し得る任意の他のパラメータに基づいてVisitagボールを着色することなどによって、他のパラメータを提示する追加のマップを含む)。
●標準的なCARTOアブレーション点
●以下のパラメータのいずれかによる色勾配を有する点:
○供給エネルギー
○カテーテル力
○カテーテル角度
○前のカテーテル位置
○アブレーション電力
○アブレーション時間
○温度
○ICEG双極性低下
○カテーテルの安定性
○アブレーション中の呼吸
○灌流
1.図4に見られるような、異なるCARTOマップLAT、電圧、Visitag(例えば、画像上のボール形状マーカー)に基づく生成された画像の集合。ボールのサイズ及び色は、処置フェーズ(左側PV、及び右側PV)の各々について、及びアブレーションの異なる段階について、送信される電力及び送信時間などを示す。
2.いくつかの固定ビューで撮像された画像。
3.左側PV隔離及び右側PV隔離の画像を含むトレーニングの開始。
セクション(完全PVIの一部)隔離の画像を含む、トレーニングの第2の段階。
4.同じビューでの全てのマップ画像、及び全てのCARTO着色方法を含むトレーニングのための画像、すなわち、電圧マップ、LATマップ、双極性マップ。
5.機械学習用にのみ通常生成される全てのアブレーションタグオプションの画像(標準CARTO Visitag/SurPoints/Ablationインデックス、及びアブレーション中のカテーテル安定性に基づいてVisitagボールを着色すること、又は機械学習に寄与し得る任意の他のパラメータに基づいてVisitagボールを着色することなどによって、他のパラメータを提示する追加のマップを含む)。
●標準的なCARTOアブレーション点
●以下のパラメータのいずれかによる色勾配を有する点:
○供給エネルギー
○カテーテル力
○カテーテル角度
○前のカテーテル位置
○アブレーション電力
○アブレーション時間
○温度
○ICEG双極性低下
○カテーテルの安定性
○アブレーション中の呼吸
○灌流
開示している実施形態のいずれかでは、第1のPVIループの補正もまた、トレーニングデータの一部として使用されてもよい。これらの補正は、以下を含んでもよい。
a.アブレーションカテーテルの種類、アブレーション点の3D位置、アブレーションに使用される電力、ポイントアブレーションの持続時間、灌流、カテーテルの安定性、カテーテル力などの追加のアブレーション点のパラメータ、及び/又は、
b.補正として実行されるアブレーションの画像。画像は、画像が再実行の直後に撮像される場合、アブレーション位置及び供給エネルギーを含んでもよい。
a.アブレーションカテーテルの種類、アブレーション点の3D位置、アブレーションに使用される電力、ポイントアブレーションの持続時間、灌流、カテーテルの安定性、カテーテル力などの追加のアブレーション点のパラメータ、及び/又は、
b.補正として実行されるアブレーションの画像。画像は、画像が再実行の直後に撮像される場合、アブレーション位置及び供給エネルギーを含んでもよい。
上述のトレーニングデータに加えて、図に示すように、グランドトゥルースデータもまた、モデルを構築するために使用される。グランドトゥルースデータは通常、病院のデータベースに基づき、次の2つのセクションに分割されてもよい。
a.アデノシン負荷をペーシング及び/又は適用することによって決定され、それにより、短期間のフォローアップを必要としない先鋭的な成功。
b.再実行のケース並びにフォローアップ情報を用いかつフォローアップを含む臨床研究におけるケースによって決定される、12ヶ月フォローアップ成功。
a.アデノシン負荷をペーシング及び/又は適用することによって決定され、それにより、短期間のフォローアップを必要としない先鋭的な成功。
b.再実行のケース並びにフォローアップ情報を用いかつフォローアップを含む臨床研究におけるケースによって決定される、12ヶ月フォローアップ成功。
いくつかの実施形態では、グランドトゥルースデータは、JACC:Clinical Electrophysiology,Volume 6,Issue 8,August 2020に発表され、「Persistent atrial fibrillation ablation with contact force sensing catheter:The prospective multicenter PRECEPT Trial」と題されたMansour Mらによるプリセプト(PRECEPT)研究において定義された有効性の成功及び臨床的成功基準を含んでもよい。
いくつかの実施形態では、グランドトゥルースデータは、既知の臨床的利益を有しないために、医師に提示されない取得データを含んでもよい。
上記の説明は、2つの別個の機械学習モデルを含む実施形態を指すが、これらの実施形態は、両方の実施形態の機能を実行するように実装される1つのモデルに組み合わされてもよいことが理解されるであろう。
アルゴリズム準備は、トレーニングされるモデルの記憶工程74において、トレーニングされるモデルをディスクオンキー(メモリスティック)などの非一時的なコンピュータ可読媒体に記憶することによって終了する。代替的な実施形態では、モデルは予め送信され、その最適化されたパラメータ(ANNの重みなど)は、トレーにイング後に別々に送信される。
アルゴリズム使用102は、アルゴリズムアップロード工程76で開始するプロセスを実行し、その間、ユーザは、全MLモデル又はその最適化されたパラメータ(例えば、重み)のいずれかをプロセッサにアップロードする。次に、プロセッサ28などのプロセッサは、トレーニングにおいて使用されるデータの種類と同様の患者データ、例えば、患者のデータを受信する工程78においてそれぞれ電極49及び48からのECG及びEGMを受信する。
次に、トレーニングされるMLモデルを推論のために使用して、プロセッサは、選択された患者からモデルにデータを入力し、例えば、アブレーション推奨工程80において、例えば、より隣接的なアブレーションを行うために必要な相補的アブレーション操作(例えば、矯正処置)を出力することができるように、モデル上でアルゴリズムを実施する。プロセッサにインストールされた後、トレーニングされるモデルは、複数の患者で使用されてもよい。
図3に示されている例示のフローチャートは、単に概念を分かり易くする目的で選択されている。本実施形態はまた、電極の診断される組織との物理的接触の程度の指標を受信するなどの、アルゴリズムの追加の工程を含んでもよい。この工程及び他の可能な工程は、より単純化されたフローチャートを提供するために、本明細書における開示内容から意図的に省略されている。
図4は、本発明の実施形態による、図3のMLモデルを使用して計画された肺静脈隔離(PVI)の可視化のスクリーンショットである。
図4は、PVIの隣接性及び貫壁性を推定する「評価エンジン」(例えば、図3のMLアルゴリズム)の出力を示す。一実施形態では、トレーニングフェーズの間、評価エンジンは、以下の情報を用いてトレーニングされる医師によってタグ付けされた一組のケースを有する。
1.アブレーション解剖学的位置(左側WACA、右側WACA、ルーフラインなど)
2.アブレーションの種類(有効、無効アブレーション、先鋭的なアブレーション点再接続、又はアブレーション点再実行)
3.アブレーションの幅及び深さ
1.アブレーション解剖学的位置(左側WACA、右側WACA、ルーフラインなど)
2.アブレーションの種類(有効、無効アブレーション、先鋭的なアブレーション点再接続、又はアブレーション点再実行)
3.アブレーションの幅及び深さ
上記の特徴空間に基づいて、MLアルゴリズムは、その有効性(例えば、0と1との間の確率)、障害の幅及び深さについてのアブレーション毎の予測を提供する。エンジンは、可能性のある先鋭的な再接続部位又は長期(再実行)再接続部位の領域を推奨することもできる。
図に示すディスク402はアブレーション点を表し、寸法(及び/又はディスクのグレースケール)は、評価エンジンによって自動的に作成されて、PVIの隣接性又は貫壁性を表す。ディスクの寸法は、アブレーション有効性確率を表すことができ、それらは、障害の幅及び/又は深さを表すこともできる。
いくつかの実施形態では、エンジンは、領域404をアブレーションするための推奨を与えて、再実行ケースを回避することもできる。
本明細書に記載している実施形態は、主に心臓アブレーション用途に対処するが、本明細書に記載している方法及びシステムはまた、関連するデータ入力を伴って再トレーニングし、かつ関連する成功基準を考慮した後に、腎臓神経除去などの他の医療用途に使用することもできる。
したがって、上記の実施形態は例として挙げたものであり、本発明は上述に具体的に示し説明したものに限定されない点が理解されよう。むしろ本発明の範囲は、上記の様々な特徴の組み合わせ及びその部分的組み合わせの両方、並びに上述の説明を読むことで当業者に想到されるであろう、先行技術において開示されていないそれらの変形例及び修正例を含むものである。参照により本特許出願に組み込まれる文献は、これらの組み込まれる文献において、いずれかの用語が本明細書において明示的又は暗示的になされた定義と矛盾する様式で定義されている場合には、本明細書における定義のみを考慮するものとする点を除き、本出願の一部とみなすものとする。
〔実施の態様〕
(1) 心臓アブレーションを案内するシステムであって、
患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信するように構成されたインターフェースと、
受信された前記データに基づいて、前記領域に適用される相補的アブレーション操作を自動的に特定するように構成されたプロセッサと、を備える、システム。
(2) 前記プロセッサは、前記初期アブレーション操作の品質を評価し、前記初期アブレーション操作の前記品質が品質基準を満たさないことを見出すことに応じて、前記相補的アブレーション操作を特定することによって、前記相補的アブレーションを特定するように構成されている、実施態様1に記載のシステム。
(3) 前記初期アブレーション操作を特徴付ける前記データが、
障害深さ、
障害半径、
障害長軸、
障害短軸、
障害3D位置、
障害解剖学的位置、及び
障害表面積、のうちの少なくとも1つを含む、実施態様1に記載のシステム。
(4) 前記相補的アブレーション操作を特定する際に、前記プロセッサが、反復アブレーションのための位置を特定するように構成されている、実施態様1に記載のシステム。
(5) 前記相補的アブレーション操作を特定する際に、前記プロセッサが、アブレーション点のセグメント内の隙間を示すように構成されている、実施態様1に記載のシステム。
(1) 心臓アブレーションを案内するシステムであって、
患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信するように構成されたインターフェースと、
受信された前記データに基づいて、前記領域に適用される相補的アブレーション操作を自動的に特定するように構成されたプロセッサと、を備える、システム。
(2) 前記プロセッサは、前記初期アブレーション操作の品質を評価し、前記初期アブレーション操作の前記品質が品質基準を満たさないことを見出すことに応じて、前記相補的アブレーション操作を特定することによって、前記相補的アブレーションを特定するように構成されている、実施態様1に記載のシステム。
(3) 前記初期アブレーション操作を特徴付ける前記データが、
障害深さ、
障害半径、
障害長軸、
障害短軸、
障害3D位置、
障害解剖学的位置、及び
障害表面積、のうちの少なくとも1つを含む、実施態様1に記載のシステム。
(4) 前記相補的アブレーション操作を特定する際に、前記プロセッサが、反復アブレーションのための位置を特定するように構成されている、実施態様1に記載のシステム。
(5) 前記相補的アブレーション操作を特定する際に、前記プロセッサが、アブレーション点のセグメント内の隙間を示すように構成されている、実施態様1に記載のシステム。
(6) 前記相補的アブレーション操作を特定する際に、前記プロセッサは、追加的アブレーションがアブレーション点のセグメントに近接して実行されることをリアルタイムで特定するように構成されている、実施態様1に記載のシステム。
(7) 前記相補的アブレーション操作を特定する際に、前記プロセッサが、前記相補的アブレーションで使用される1つ以上のアブレーションパラメータの値を特定するように更に構成されている、実施態様1に記載のシステム。
(8) 前記初期アブレーション操作を特徴付ける前記データが、
体表面心電図(ECG)信号、
体表面ECG信号の変化、
心臓内ECG信号、
心臓内ECG信号の変化、
アブレーション電極のインピーダンス、
アブレーション電極のインピーダンスの変化、
アブレーションされる組織の温度、
アブレーションされる組織の温度の変化、
アブレーションされる組織に対する力、
アブレーションされる組織に対する力の変化、
アブレーションカテーテルの種類、
アブレーション点の3D位置、
アブレーション点の予測される解剖学的位置、
アブレーション点のアブレーション持続時間、
洗浄の速度、及び
アブレーション中に送達される電力、のうちの少なくとも1つを含む、実施態様1に記載のシステム。
(9) 前記初期アブレーション操作を特徴付ける前記データが、
アブレーションされる組織の超音波反射の変化、及び
アブレーションされる組織の磁気共鳴画像(MRI)の変化、の一方又は両方を含む、実施態様8に記載のシステム。
(10) 前記プロセッサが、トレーニングされる機械学習(ML)モデルを適用することによって前記相補的アブレーション操作を自動的に特定するように構成されている、実施態様1に記載のシステム。
(7) 前記相補的アブレーション操作を特定する際に、前記プロセッサが、前記相補的アブレーションで使用される1つ以上のアブレーションパラメータの値を特定するように更に構成されている、実施態様1に記載のシステム。
(8) 前記初期アブレーション操作を特徴付ける前記データが、
体表面心電図(ECG)信号、
体表面ECG信号の変化、
心臓内ECG信号、
心臓内ECG信号の変化、
アブレーション電極のインピーダンス、
アブレーション電極のインピーダンスの変化、
アブレーションされる組織の温度、
アブレーションされる組織の温度の変化、
アブレーションされる組織に対する力、
アブレーションされる組織に対する力の変化、
アブレーションカテーテルの種類、
アブレーション点の3D位置、
アブレーション点の予測される解剖学的位置、
アブレーション点のアブレーション持続時間、
洗浄の速度、及び
アブレーション中に送達される電力、のうちの少なくとも1つを含む、実施態様1に記載のシステム。
(9) 前記初期アブレーション操作を特徴付ける前記データが、
アブレーションされる組織の超音波反射の変化、及び
アブレーションされる組織の磁気共鳴画像(MRI)の変化、の一方又は両方を含む、実施態様8に記載のシステム。
(10) 前記プロセッサが、トレーニングされる機械学習(ML)モデルを適用することによって前記相補的アブレーション操作を自動的に特定するように構成されている、実施態様1に記載のシステム。
(11) 前記MLモデルが、オートエンコーダ、変分オートエンコーダ、敵対的生成ネットワーク(general adversarial network)(GAN)、ランダムフォレスト(RF)、教師付きML、及び強化MLのうちの少なくとも1つを含む、実施態様10に記載のシステム。
(12) 心臓アブレーションを案内する方法であって、
患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信することと、
受信された前記データに基づいて、前記領域に適用される相補的アブレーション操作をプロセッサによって自動的に特定することと、を含む、方法。
(13) 前記相補的アブレーションを特定することは、前記初期アブレーション操作の品質を評価することと、前記初期アブレーション操作の前記品質が品質基準を満たさないことを見出すことに応じて、前記相補的アブレーション操作を特定することと、を含む、実施態様12に記載の方法。
(14) 前記初期アブレーション操作を特徴付ける前記データが、
障害深さ、
障害半径、
障害長軸、
障害短軸、
障害3D位置、
障害解剖学的位置、及び
障害表面積、のうちの少なくとも1つを含む、実施態様12に記載の方法。
(15) 前記相補的アブレーション操作を特定することが、反復アブレーションのための位置を特定することを含む、実施態様12に記載の方法。
(12) 心臓アブレーションを案内する方法であって、
患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信することと、
受信された前記データに基づいて、前記領域に適用される相補的アブレーション操作をプロセッサによって自動的に特定することと、を含む、方法。
(13) 前記相補的アブレーションを特定することは、前記初期アブレーション操作の品質を評価することと、前記初期アブレーション操作の前記品質が品質基準を満たさないことを見出すことに応じて、前記相補的アブレーション操作を特定することと、を含む、実施態様12に記載の方法。
(14) 前記初期アブレーション操作を特徴付ける前記データが、
障害深さ、
障害半径、
障害長軸、
障害短軸、
障害3D位置、
障害解剖学的位置、及び
障害表面積、のうちの少なくとも1つを含む、実施態様12に記載の方法。
(15) 前記相補的アブレーション操作を特定することが、反復アブレーションのための位置を特定することを含む、実施態様12に記載の方法。
(16) 前記相補的アブレーション操作を特定することが、アブレーション点のセグメント内の隙間を示すことを含む、実施態様12に記載の方法。
(17) 前記相補的アブレーション操作を特定することが、アブレーション点のセグメントに近接して実行される追加的アブレーションをリアルタイムで特定することを含む、実施態様12に記載の方法。
(18) 前記相補的アブレーション操作を特定することが、前記相補的アブレーション操作で使用される1つ以上のアブレーションパラメータの値を特定することを含む、実施態様12に記載の方法。
(19) 初期アブレーション操作を特徴付ける前記データが、
体表面心電図(ECG)信号、
体表面ECG信号の変化、
心臓内ECG信号、
心臓内ECG信号の変化、
アブレーション電極のインピーダンス、
アブレーション電極のインピーダンスの変化、
アブレーションされる組織の温度、
アブレーションされる組織の温度の変化、
アブレーションされる組織に対する力、
アブレーションされる組織に対する力の変化、
アブレーションカテーテルの種類、
アブレーション点の3D位置、
アブレーション点の予測される解剖学的位置、
各点のアブレーション持続時間、
洗浄の速度、及び
アブレーション中に送達される電力、のうちの少なくとも1つを含む、実施態様12に記載の方法。
(20) 前記初期アブレーション操作を特徴付ける前記データが、
アブレーションされる組織の超音波反射の変化、及び
アブレーションされる組織の磁気共鳴画像(MRI)の変化、の一方又は両方を含む、実施態様19に記載の方法。
(17) 前記相補的アブレーション操作を特定することが、アブレーション点のセグメントに近接して実行される追加的アブレーションをリアルタイムで特定することを含む、実施態様12に記載の方法。
(18) 前記相補的アブレーション操作を特定することが、前記相補的アブレーション操作で使用される1つ以上のアブレーションパラメータの値を特定することを含む、実施態様12に記載の方法。
(19) 初期アブレーション操作を特徴付ける前記データが、
体表面心電図(ECG)信号、
体表面ECG信号の変化、
心臓内ECG信号、
心臓内ECG信号の変化、
アブレーション電極のインピーダンス、
アブレーション電極のインピーダンスの変化、
アブレーションされる組織の温度、
アブレーションされる組織の温度の変化、
アブレーションされる組織に対する力、
アブレーションされる組織に対する力の変化、
アブレーションカテーテルの種類、
アブレーション点の3D位置、
アブレーション点の予測される解剖学的位置、
各点のアブレーション持続時間、
洗浄の速度、及び
アブレーション中に送達される電力、のうちの少なくとも1つを含む、実施態様12に記載の方法。
(20) 前記初期アブレーション操作を特徴付ける前記データが、
アブレーションされる組織の超音波反射の変化、及び
アブレーションされる組織の磁気共鳴画像(MRI)の変化、の一方又は両方を含む、実施態様19に記載の方法。
(21) 前記相補的アブレーション操作を自動的に特定することが、トレーニングされる機械学習(ML)モデルを適用することを含む、実施態様12に記載の方法。
(22) 前記MLモデルが、オートエンコーダ、変分オートエンコーダ、敵対的生成ネットワーク(GAN)、ランダムフォレスト(RF)、教師付きML、及び強化MLのうちの少なくとも1つを含む、実施態様21に記載の方法。
(22) 前記MLモデルが、オートエンコーダ、変分オートエンコーダ、敵対的生成ネットワーク(GAN)、ランダムフォレスト(RF)、教師付きML、及び強化MLのうちの少なくとも1つを含む、実施態様21に記載の方法。
Claims (22)
- 心臓アブレーションを案内するシステムであって、
患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信するように構成されたインターフェースと、
受信された前記データに基づいて、前記領域に適用される相補的アブレーション操作を自動的に特定するように構成されたプロセッサと、を備える、システム。 - 前記プロセッサは、前記初期アブレーション操作の品質を評価し、前記初期アブレーション操作の前記品質が品質基準を満たさないことを見出すことに応じて、前記相補的アブレーション操作を特定することによって、前記相補的アブレーションを特定するように構成されている、請求項1に記載のシステム。
- 前記初期アブレーション操作を特徴付ける前記データが、
障害深さ、
障害半径、
障害長軸、
障害短軸、
障害3D位置、
障害解剖学的位置、及び
障害表面積、のうちの少なくとも1つを含む、請求項1に記載のシステム。 - 前記相補的アブレーション操作を特定する際に、前記プロセッサが、反復アブレーションのための位置を特定するように構成されている、請求項1に記載のシステム。
- 前記相補的アブレーション操作を特定する際に、前記プロセッサが、アブレーション点のセグメント内の隙間を示すように構成されている、請求項1に記載のシステム。
- 前記相補的アブレーション操作を特定する際に、前記プロセッサは、追加的アブレーションがアブレーション点のセグメントに近接して実行されることをリアルタイムで特定するように構成されている、請求項1に記載のシステム。
- 前記相補的アブレーション操作を特定する際に、前記プロセッサが、前記相補的アブレーションで使用される1つ以上のアブレーションパラメータの値を特定するように更に構成されている、請求項1に記載のシステム。
- 前記初期アブレーション操作を特徴付ける前記データが、
体表面心電図(ECG)信号、
体表面ECG信号の変化、
心臓内ECG信号、
心臓内ECG信号の変化、
アブレーション電極のインピーダンス、
アブレーション電極のインピーダンスの変化、
アブレーションされる組織の温度、
アブレーションされる組織の温度の変化、
アブレーションされる組織に対する力、
アブレーションされる組織に対する力の変化、
アブレーションカテーテルの種類、
アブレーション点の3D位置、
アブレーション点の予測される解剖学的位置、
アブレーション点のアブレーション持続時間、
洗浄の速度、及び
アブレーション中に送達される電力、のうちの少なくとも1つを含む、請求項1に記載のシステム。 - 前記初期アブレーション操作を特徴付ける前記データが、
アブレーションされる組織の超音波反射の変化、及び
アブレーションされる組織の磁気共鳴画像(MRI)の変化、の一方又は両方を含む、請求項8に記載のシステム。 - 前記プロセッサが、トレーニングされる機械学習(ML)モデルを適用することによって前記相補的アブレーション操作を自動的に特定するように構成されている、請求項1に記載のシステム。
- 前記MLモデルが、オートエンコーダ、変分オートエンコーダ、敵対的生成ネットワーク(GAN)、ランダムフォレスト(RF)、教師付きML、及び強化MLのうちの少なくとも1つを含む、請求項10に記載のシステム。
- 心臓アブレーションを案内する方法であって、
患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信することと、
受信された前記データに基づいて、前記領域に適用される相補的アブレーション操作をプロセッサによって自動的に特定することと、を含む、方法。 - 前記相補的アブレーションを特定することは、前記初期アブレーション操作の品質を評価することと、前記初期アブレーション操作の前記品質が品質基準を満たさないことを見出すことに応じて、前記相補的アブレーション操作を特定することと、を含む、請求項12に記載の方法。
- 前記初期アブレーション操作を特徴付ける前記データが、
障害深さ、
障害半径、
障害長軸、
障害短軸、
障害3D位置、
障害解剖学的位置、及び
障害表面積、のうちの少なくとも1つを含む、請求項12に記載の方法。 - 前記相補的アブレーション操作を特定することが、反復アブレーションのための位置を特定することを含む、請求項12に記載の方法。
- 前記相補的アブレーション操作を特定することが、アブレーション点のセグメント内の隙間を示すことを含む、請求項12に記載の方法。
- 前記相補的アブレーション操作を特定することが、アブレーション点のセグメントに近接して実行される追加的アブレーションをリアルタイムで特定することを含む、請求項12に記載の方法。
- 前記相補的アブレーション操作を特定することが、前記相補的アブレーション操作で使用される1つ以上のアブレーションパラメータの値を特定することを含む、請求項12に記載の方法。
- 初期アブレーション操作を特徴付ける前記データが、
体表面心電図(ECG)信号、
体表面ECG信号の変化、
心臓内ECG信号、
心臓内ECG信号の変化、
アブレーション電極のインピーダンス、
アブレーション電極のインピーダンスの変化、
アブレーションされる組織の温度、
アブレーションされる組織の温度の変化、
アブレーションされる組織に対する力、
アブレーションされる組織に対する力の変化、
アブレーションカテーテルの種類、
アブレーション点の3D位置、
アブレーション点の予測される解剖学的位置、
各点のアブレーション持続時間、
洗浄の速度、及び
アブレーション中に送達される電力、のうちの少なくとも1つを含む、請求項12に記載の方法。 - 前記初期アブレーション操作を特徴付ける前記データが、
アブレーションされる組織の超音波反射の変化、及び
アブレーションされる組織の磁気共鳴画像(MRI)の変化、の一方又は両方を含む、請求項19に記載の方法。 - 前記相補的アブレーション操作を自動的に特定することが、トレーニングされる機械学習(ML)モデルを適用することを含む、請求項12に記載の方法。
- 前記MLモデルが、オートエンコーダ、変分オートエンコーダ、敵対的生成ネットワーク(GAN)、ランダムフォレスト(RF)、教師付きML、及び強化MLのうちの少なくとも1つを含む、請求項21に記載の方法。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962903850P | 2019-09-22 | 2019-09-22 | |
US62/903,850 | 2019-09-22 | ||
US17/016,608 | 2020-09-10 | ||
US17/016,608 US20210085387A1 (en) | 2019-09-22 | 2020-09-10 | Guiding cardiac ablation using machine learning (ml) |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021049341A true JP2021049341A (ja) | 2021-04-01 |
Family
ID=72603414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020157089A Pending JP2021049341A (ja) | 2019-09-22 | 2020-09-18 | 機械学習(ml)を使用する心臓アブレーションの案内 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210085387A1 (ja) |
EP (1) | EP3795078A1 (ja) |
JP (1) | JP2021049341A (ja) |
KR (1) | KR20210036278A (ja) |
CN (1) | CN112617999A (ja) |
IL (1) | IL277420A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023286336A1 (ja) * | 2021-07-13 | 2023-01-19 | オリンパス株式会社 | システム、プログラム及び判定方法 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190314083A1 (en) | 2018-04-11 | 2019-10-17 | Biosense Webster (Israel) Ltd. | Flexible Multi-Arm Catheter with Diametrically Opposed Sensing Electrodes |
US11045628B2 (en) | 2018-12-11 | 2021-06-29 | Biosense Webster (Israel) Ltd. | Balloon catheter with high articulation |
US11850051B2 (en) | 2019-04-30 | 2023-12-26 | Biosense Webster (Israel) Ltd. | Mapping grid with high density electrode array |
US11950930B2 (en) | 2019-12-12 | 2024-04-09 | Biosense Webster (Israel) Ltd. | Multi-dimensional acquisition of bipolar signals from a catheter |
US11517218B2 (en) | 2019-12-20 | 2022-12-06 | Biosense Webster (Israel) Ltd. | Selective graphical presentation of electrophysiological parameters |
EP4110216A1 (en) * | 2020-02-26 | 2023-01-04 | Covidien LP | Energy based surgical systems and methods based on an artificial-intelligence learning system |
US11987017B2 (en) | 2020-06-08 | 2024-05-21 | Biosense Webster (Israel) Ltd. | Features to assist in assembly and testing of devices |
US20220036560A1 (en) * | 2020-07-30 | 2022-02-03 | Biosense Webster (Israel) Ltd. | Automatic segmentation of anatomical structures of wide area circumferential ablation points |
US11950841B2 (en) | 2020-09-22 | 2024-04-09 | Biosense Webster (Israel) Ltd. | Basket catheter having insulated ablation electrodes and diagnostic electrodes |
US11950840B2 (en) | 2020-09-22 | 2024-04-09 | Biosense Webster (Israel) Ltd. | Basket catheter having insulated ablation electrodes |
US11974803B2 (en) | 2020-10-12 | 2024-05-07 | Biosense Webster (Israel) Ltd. | Basket catheter with balloon |
US11918383B2 (en) | 2020-12-21 | 2024-03-05 | Biosense Webster (Israel) Ltd. | Visualizing performance of catheter electrodes |
CN114145838B (zh) * | 2021-05-28 | 2024-03-15 | 南京邮电大学 | 一种心脏射频消融导管系统 |
US12004804B2 (en) | 2021-09-09 | 2024-06-11 | Biosense Webster (Israel) Ltd. | Basket catheter with mushroom shape distal tip |
CN114271927B (zh) * | 2021-12-19 | 2023-10-17 | 复旦大学 | 可实时预测心律失常射频消融损伤深度的方法及射频消融仪 |
US20230404677A1 (en) | 2022-06-20 | 2023-12-21 | Biosense Webster (Israel) Ltd. | Applying ablation signals to both sides of tissue |
US20240138906A1 (en) * | 2022-10-28 | 2024-05-02 | Biosense Webster (Israel) Ltd. | Alignment Aid for Ablation Procedures |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8456182B2 (en) | 2008-09-30 | 2013-06-04 | Biosense Webster, Inc. | Current localization tracker |
US9277970B2 (en) | 2012-07-19 | 2016-03-08 | Siemens Aktiengesellschaft | System and method for patient specific planning and guidance of ablative procedures for cardiac arrhythmias |
US9463072B2 (en) | 2013-08-09 | 2016-10-11 | Siemens Aktiengesellschaft | System and method for patient specific planning and guidance of electrophysiology interventions |
CN107635503B (zh) * | 2015-05-12 | 2021-09-07 | 纳维斯国际有限公司 | 通过介电性质分析进行损伤估计 |
EP3294127A1 (en) * | 2015-05-12 | 2018-03-21 | Navix International Limited | Systems and methods for tracking an intrabody catheter |
WO2018130976A1 (en) * | 2017-01-12 | 2018-07-19 | Navix International Limited | Estimation of effectiveness of ablation adjacency |
WO2018092071A1 (en) * | 2016-11-16 | 2018-05-24 | Navix International Limited | Estimators for ablation effectiveness |
WO2019111180A1 (en) * | 2017-12-05 | 2019-06-13 | Navix International Limited | Electrophysiology procedure without ionizing radiation imaging |
-
2020
- 2020-09-10 US US17/016,608 patent/US20210085387A1/en active Pending
- 2020-09-16 IL IL277420A patent/IL277420A/en unknown
- 2020-09-18 JP JP2020157089A patent/JP2021049341A/ja active Pending
- 2020-09-21 EP EP20197183.5A patent/EP3795078A1/en not_active Withdrawn
- 2020-09-22 KR KR1020200122393A patent/KR20210036278A/ko active Search and Examination
- 2020-09-22 CN CN202011001118.8A patent/CN112617999A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023286336A1 (ja) * | 2021-07-13 | 2023-01-19 | オリンパス株式会社 | システム、プログラム及び判定方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210085387A1 (en) | 2021-03-25 |
CN112617999A (zh) | 2021-04-09 |
IL277420A (en) | 2021-03-25 |
RU2020130901A3 (ja) | 2022-03-21 |
KR20210036278A (ko) | 2021-04-02 |
RU2020130901A (ru) | 2022-03-21 |
EP3795078A1 (en) | 2021-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021049341A (ja) | 機械学習(ml)を使用する心臓アブレーションの案内 | |
US20210085215A1 (en) | Ecg-based cardiac wall thickness estimation | |
US10485438B2 (en) | System and method for targeting heart rhythm disorders using shaped ablation | |
US11806126B2 (en) | Property- and position-based catheter probe target identification | |
US11364073B2 (en) | Cardiac map segmentation | |
US11185273B2 (en) | Device, system and use of a catheter system to record and map cardiac rhythm | |
JP2022048135A (ja) | アブレーション間隙の識別 | |
JP2022031229A (ja) | アブレーションインデックス計算を最適化するために機械学習アルゴリズムを利用する心臓不整脈を治療するための装置 | |
CN114067987A (zh) | 用于检测和识别心脏起搏标测位点和起搏操纵的系统和方法 | |
JP2022023017A (ja) | 広域周方向アブレーション点の自動連続性推定 | |
RU2779871C2 (ru) | Направляемая абляция сердца с использованием машинного обучения (ml) | |
JP2021194543A (ja) | 心房細動 | |
JP2022089794A (ja) | ビッグデータ分析に基づいて信号拒否基準の自動設定を使用した電気物理データ点の自動取得 | |
JP2022027588A (ja) | 複数の画像化モダリティを使用する有機組織内の瘢痕領域の自動識別 | |
US20240156530A1 (en) | Method and system for analysis and presentation of distances between ablation points | |
US20230146716A1 (en) | Digital twin of atria for atrial fibrillation patients | |
US20220238203A1 (en) | Adaptive navigation and registration interface for medical imaging | |
EP3544536B9 (en) | Determining ablation location using probabilistic decision-making | |
US20240189032A1 (en) | Gap finder index for high power short duration (hpsd) rf lesions | |
US20220181024A1 (en) | Catheter structure examination and optimization using medical procedure information | |
CN114532979A (zh) | 基于恒定荧光镜快照的配准几何形状重建 | |
JP2020182846A (ja) | 心房細動を有する患者に対する肺静脈隔離の使用 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230915 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240312 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240315 |