JP2022016356A - カテーテルの位置を決定するためのシステム及び方法 - Google Patents

Abstract

【課題】ＣＰＭ行列を自動的に生成するためのシステム、装置、及び技術を提供すること。
【解決手段】システムは、電気信号を感知するように構成された複数の身体表面電極と、ニューラルネットワークを含むプロセッサと、を含む。プロセッサは、複数の履歴ＣＰＭ行列、患者特性、及び対応するカテーテル位置を受信し、複数のＣＰＭ行列、患者特性、及び対応するカテーテル位置に基づいて学習システムを訓練し、学習システムに基づいてモデルを生成し、複数の身体表面電極から少なくとも部分的に新しい患者特性を受信し、少なくとも部分的に複数の身体表面電極から新しい患者特性に基づいて新しいＣＰＭ行列を生成するように構成されている。
【選択図】図１

Description

（関連出願の相互参照）
本出願は、参照によりその全体が記載されているかのように組み込まれる、２０２０年７月８日出願の米国仮特許出願第６３／０４９，１９１号の利益を主張する。

（発明の分野）
本発明は、カテーテルの位置を決定するシステム及び方法を含む心臓マッピングの最適化に関連する人工知能及び機械学習に関する。

心不整脈（例えば、心房細動（atrial fibrillation、ＡＦ））などの医学的状態は、体内処置を介して診断及び治療されることが多い。例えば、左心房（left atrial、ＬＡ）体からの電気肺静脈隔離（pulmonary vein isolation、ＰＶＩ）は、ＡＦを治療するためのアブレーションを使用して行われる。ＰＶＩ、及び多くの他の低侵襲性カテーテル法は、体内表面のリアルタイムでの可視化及びマッピングを必要とする。

体内身体部分の可視化及びマッピングは、活性化波のマッピング伝搬、蛍光透視法、コンピュータ断層撮影（computerized tomography、ＣＴ）、及び磁気共鳴撮像（magnetic resonance imaging、ＭＲＩ）、並びに可視化及びマッピングを提供するために望ましい時間又はリソースを超える必要があり得る他の技術によって実行することができる。

ＣＰＭ行列を自動的に生成するためのシステム、装置、及び技術が開示される。システムは、電気信号を感知するように構成された複数の身体表面電極と、ニューラルネットワークを含むプロセッサと、を含む。プロセッサは、複数の履歴ＣＰＭ行列、患者特性、及び対応するカテーテル位置を受信し、複数のＣＰＭ行列、患者特性、及び対応するカテーテル位置に基づいて学習システムを訓練し、学習システムに基づいてモデルを生成し、複数の身体表面電極から少なくとも部分的に新しい患者特性を受信し、少なくとも部分的に複数の身体表面電極から新しい患者特性に基づいて新しいＣＰＭ行列を生成するように構成されている。

添付図面と併せて例として与えられる以下の説明から、より詳細に理解することができ、図中の同様の参照数字は、同様の要素を示す。
患者の生体認証を遠隔監視及び通信するための例示的なシステムのブロック図である。 ネットワークと通信するコンピューティング環境の一例のシステム図である。 本開示の１つ以上の特徴を実装することができる例示的な装置のブロック図である。 図３の例示的な装置を組み込んだ人工知能システムのグラフィック描写を示す。 図４の人工知能システムにおいて実行される方法を示す。 単純ベイズ計算の確率の実施例を示す。 例示的な決定木を示す。 例示的なランダムフォレスト分類器を示す。 例示的なロジスティック回帰を示す。 例示的なサポート・ベクトル・マシンを示す。 例示的な線形回帰モデルを示す。 例示的なＫ平均クラスタリングを示す。 例示的なアンサンブル学習アルゴリズムを示す。 例示的なニューラルネットワークを示す。 ハードウェアベースのニューラルネットワークを示す。 体内カテーテルの実施例を示す。 体内カテーテルの実施例を示す。 体内カテーテルの実施例を示す。 本開示の主題の１つ以上の特徴が実装され得る例示的なシステムの図である。 カテーテル位置を決定し、複数の位置のマッピング（ＣＰＭｓ）を位置合わせするために電流を生成するフローチャートである。 身体表面パッチを使用したＣＰＭｓの例示的な生成を示す。 履歴ＣＰＭｓを判定するためのフローチャートを示す。 ＣＰＭｓ及び心臓位置を予測するための例示的なロジスティック回帰図である。 電極位置を予測するためのシステム構成を示す。 ＮＮとして機能し得るＮＮの構成を示す。

開示される主題の例示的な実施形態によれば、位置マッピング（ＣＰＭ）行列への新しい電流は、履歴ＣＰＭと対応する既知のカテーテル位置との間の相関に基づいて生成され得る。本明細書で更に開示されるように、ＣＰＭは、カテーテル電極によって送信され、患者の身体の表面上の複数の身体パッチで受信される電気信号に基づいて生成される。電気信号は、（例えば、磁気カテーテルセンサ、位置特定パッド、身体パッチなどによって受信及び／又は放出される）磁場を使用して独立して決定される、カテーテルの既知の位置に基づいて相関される。

新しいＣＰＭ行列は、複数の心臓位置に対応する既知の電気信号のサブセットのみに基づいて、複数の心臓位置に対する新しいＣＰＭデータが生成されるように生成されてもよい。代替的に、又は追加的に、新しいＣＰＭデータは、複数のカテーテル位置に対応する任意の既知のカテーテル位置なしに、複数の心臓位置に関する新しいＣＰＭデータが生成されるように生成されてもよい。

図１は、患者の生体認証（すなわち、患者データ）を遠隔監視及び通信するための例示的なシステム１００のブロック図である。図１に示す例では、システム１００は、患者１０４に関連付けられた患者生体計測監視及び処理装置１０２と、局所コンピューティング装置１０６と、遠隔コンピューティングシステム１０８と、第１のネットワーク１１０と、第２のネットワーク１２０と、を備える。

一実施形態によれば、監視及び処理装置１０２は、患者の身体の内部にある装置（例えば、皮下移植可能）であってもよい。監視及び処理装置１０２は、経口注射、静脈又は動脈を介した外科的挿入、内視鏡処置、又は腹腔鏡処置を含む任意の適用可能な方法を介して患者に挿入されてもよい。

一実施形態によれば、監視及び処理装置１０２は、患者の外部にある装置であってもよい。例えば、以下により詳細に記載されるように、監視及び処理装置１０２は、取り付け可能なパッチ（例えば、患者の皮膚に取り付けられる）を含んでもよい。監視及び処理装置１０２はまた、１つ以上の電極を有するカテーテル、プローブ、血圧カフ、腕輪若しくはスマートウォッチ生体認証追跡機、グルコースモニタ、持続的気道陽圧（ＣＰＡＰ）マシン、又は患者の健康若しくは生体認証に関する入力を提供することができる、事実上任意の装置も含むことができる。

一実施形態によれば、監視及び処理装置１０２が、患者の内部にある構成要素、及び患者の外部にある構成要素の両方の構成要素を含むことができる。

単一の監視及び処理装置１０２が、図１に示されている。しかしながら、例示的なシステムは、複数の患者生体計測監視及び処理装置を含んでもよい。患者生体計測監視及び処理装置は、１つ以上の他の患者生体計測監視及び処理装置と通信してもよい。追加的に又は代替的に、患者生体計測監視及び処理装置は、ネットワーク１１０と通信してもよい。

１つ以上の監視及び処理装置１０２は、患者生体計測データ（例えば、電気信号、血圧、体温、血糖値又は他の生体計測データ）を取得することができ、かつ取得された患者の生体認証を表す患者生体計測データの少なくとも一部分、並びに１つ以上の他の監視及び処理装置１０２から取得された患者の生体認証に関連付けられた追加情報を受信することができる。追加情報は、例えば、ウェアラブル装置などの追加の装置から得られる診断情報及び／又は追加情報であってもよい。各監視及び処理装置１０２は、それ自体の取得された患者の生体認証、並びに１つ以上の他の監視及び処理装置１０２から受信されたデータを含むデータを処理してもよい。

図１では、ネットワーク１１０は、近距離ネットワーク（例えば、局所エリアネットワーク（ＬＡＮ）、又はパーソナルエリアネットワーク（ＰＡＮ））の一例である。情報は、Ｂｌｕｅｔｏｏｔｈ、Ｗｉ－Ｆｉ、Ｚｉｇｂｅｅ、Ｚ－Ｗａｖｅ、近接場通信（near field communication、ＮＦＣ）、ウルトラバンド、Ｚｉｇｂｅｅ、又は赤外線（infrared、ＩＲ）などの様々な近距離無線通信プロトコルのうちのいずれか１つを使用して、監視及び処理装置１０２と局所コンピューティング装置１０６との間で、近距離ネットワーク１１０を介して送信されてもよい。

ネットワーク１２０は、有線ネットワーク、無線ネットワークであってもよく、又は１つ以上の有線及び無線ネットワークを含んでもよい。例えば、ネットワーク１２０は、長距離ネットワーク（例えば、広域ネットワーク（ＷＡＮ）、インターネット、又はセルラネットワーク）であってもよい。情報は、様々な長距離無線通信プロトコル（例えば、ＴＣＰ／ＩＰ、ＨＴＴＰ、３Ｇ、４Ｇ／ＬＴＥ、又は５Ｇ／Ｎｅｗ Ｒａｄｉｏ）のいずれか１つを使用して、ネットワーク１２０を介して送信されてもよい。

患者監視及び処理装置１０２は、患者生体計測センサ１１２、プロセッサ１１４、ユーザ入力（ＵＩ）センサ１１６、メモリ１１８、及び送信受信機（すなわち、送受信機）１２２を含むことができる。患者監視及び処理装置１０２は、ネットワーク１１０を介して、任意の数の様々な患者生体認証を、継続的又は定期的に監視、格納、処理、及び通信することができる。患者の生体認証の実施例としては、電気信号（例えば、ＥＣＧ信号及び脳生体認証）、血圧データ、血糖データ、及び体温データが挙げられる。それらの患者生体認証は、心臓血管疾患（例えば、不整脈、心筋症、及び冠動脈疾患）並びに自己免疫疾患（例えば、Ｉ型及びＩＩ型糖尿病）などの任意の数の様々な疾患にわたる治療のために監視及び通信され得る。

患者生体計測センサ１１２は、例えば、生体計測患者の生体認証の種類を感知するように構成された１つ以上のセンサを含んでもよい。例えば、患者生体計測センサ１１２は、電気信号（例えば、心臓信号、脳信号又は他の生体電気信号）を取得するように構成された電極、体温センサ、血圧センサ、血糖センサ、血液酸素センサ、ｐＨセンサ、加速度計、及びマイクロフォンを含んでもよい。

以下により詳細に記載されるように、患者生体計測監視及び処理装置１０２は、心臓のＥＣＧ信号を監視するためのＥＣＧモニタであってもよい。ＥＣＧモニタの患者生体計測センサ１１２は、ＥＣＧ信号を取得するための１つ以上の電極を含んでもよい。ＥＣＧ信号は、様々な心臓血管疾患の治療に使用され得る。

別の実施例では、患者生体計測監視及び処理装置１０２は、Ｉ型及びＩＩ型糖尿病などの様々な疾患を治療するために、患者の血糖値を継続ベースで連続的に監視するための連続的グルコースモニタ（continuous glucose monitor、ＣＧＭ）であってもよい。ＣＧＭは、患者の間質液から血糖値を監視することができる、皮下に配置された電極を含んでもよい。ＣＧＭは、例えば、ユーザの介入のないインスリンの計算された送達のために、血糖データがインスリンポンプに送られる閉ループシステムの構成要素であってもよい。

送受信機１２２は、別個の送信機及び受信機を含むことができる。代替的に、送受信機１２２は、単一の装置に統合された送信機及び受信機を含んでもよい。

プロセッサ１１４は、患者生体計測センサ１１２によって取得されたメモリ１１８内の患者生体計測データなどの患者データを記憶し、送受信機１２２の送信機を介してネットワーク１１０上で患者データを通信するように構成されてもよい。１つ以上の他の監視及び処理装置１０２からのデータはまた、以下により詳細に記載されるように、送受信機１２２の受信機によって受信されてもよい。

一実施形態によれば、監視及び処理装置１０２は、例えば、タップ又はタッチなどのユーザ入力を受信するように構成された圧電センサ又は静電容量センサであり得るＵＩセンサ１１６を含む。例えば、ＵＩセンサ１１６は、患者１０４が監視及び処理装置１０２の表面をタップ又はタッチすることに応答して、容量性結合を実装するように制御されてもよい。ジェスチャ認識は、抵抗容量性、表面容量性、投影容量性、表面音響波、圧電及び赤外線タッチなどの様々な容量型のうちのいずれか１つを介して実装することができる。静電容量センサは、表面のタップ又はタッチが監視装置を起動させるように、表面の小さい領域又は長さにわたって配置されてもよい。

以下でより詳細に説明するように、プロセッサ１１４は、ＵＩセンサ１１６であり得る静電容量センサの異なるタッピングパターン（例えば、シングルタップ又はダブルタップ）に選択的に応答するように構成されてもよく、その結果、パッチの異なるタスク（例えば、データの取得、記憶、又は送信）が、検出されたパターンに基づいて起動されてもよい。いくつかの実施形態では、ジェスチャが検出されると、可聴フィードバックが処理装置１０２からユーザに与えられてもよい。

システム１００の局所コンピューティング装置１０６は、患者生体計測監視及び処理装置１０２と通信し、第２のネットワーク１２０を介して遠隔コンピューティングシステム１０８へのゲートウェイとして機能するように構成されてもよい。局所コンピューティング装置１０６は、例えば、スマートフォン、スマートウォッチ、タブレット、又はネットワーク１２０を介して他の装置と通信するように構成された他のポータブルスマート装置であってもよい。あるいは、局所コンピューティング装置１０６は、例えば、モデム及び／若しくはルータ機能、ＰＣの無線モジュールを介して処理装置１０２と遠隔コンピューティングシステム１０８との間の情報を通信するための実行可能プログラムを使用するデスクトップ若しくはラップトップコンピュータ、又はＵＳＢドングルを含む固定した基地局などの固定型又は独立型の装置であってもよい。患者の生体認証は、局所エリアネットワーク（ＬＡＮ）（例えば、パーソナルエリアネットワーク（ＰＡＮ））などの近距離無線ネットワーク１１０を介して、近距離無線技術規格（例えば、Ｂｌｕｅｔｏｏｔｈ、Ｗｉ－Ｆｉ、ＺｉｇＢｅｅ、Ｚ－波、及び他の近距離無線規格）を使用して、局所コンピューティング装置１０６と患者生体計測監視及び処理装置１０２との間で通信されてもよい。いくつかの実施形態では、局所コンピューティング装置１０６はまた、以下により詳細に記載されるように、取得された患者電気信号及び取得された患者電気信号に関連する情報を表示するように構成されてもよい。

いくつかの実施形態では、遠隔コンピューティングシステム１０８は、監視された患者の生体認証及び監視された患者に関連付けられた情報のうちの少なくとも一方を、長距離ネットワークであるネットワーク１２０を介して受信するように構成されてもよい。例えば、局所コンピューティング装置１０６がモバイルフォンである場合、ネットワーク１２０は、無線セルラ式ネットワークであってもよく、情報は、上述したいずれかの無線技術などの無線技術規格を介して、局所コンピューティング装置１０６と遠隔コンピューティングシステム１０８との間で通信することができる。以下により詳細に記載されるように、遠隔コンピューティングシステム１０８は、患者の生体認証及び関連する情報のうちの少なくとも一方を医療専門家（例えば、医師）に提供する（例えば、視覚的に表示及び／又は聴覚的に提供する）ように構成されてもよい。

図２は、ネットワーク１２０と通信するコンピューティング環境２００の一例のシステム図である。いくつかの実施例では、コンピューティング環境２００は、パブリッククラウドコンピューティングプラットフォーム（Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ又はＭｉｃｒｏｓｏｆｔ Ａｚｕｒｅなど）、ハイブリッドクラウドコンピューティングプラットフォーム（ＨＰ Ｅｎｔｅｒｐｒｉｓｅ ＯｎｅＳｐｈｅｒｅなど）又はプライベートクラウドコンピューティングプラットフォームに組み込まれる。

図２に示すように、コンピューティング環境２００は、本明細書に記載される実施形態が実装され得るコンピューティングシステムの一実施例である遠隔コンピューティングシステム１０８（以下、コンピュータシステム）を含む。

遠隔コンピューティングシステム１０８は、１つ以上のプロセッサを含むことができるプロセッサ２２０を介して、様々な機能を実行することができる。機能は、監視された患者の生体認証及び関連する情報を分析することと、医師によって決定された又はアルゴリズム駆動された閾値及びパラメータに従って、警告、追加情報又は命令を（例えば、ディスプレイ２６６を介して）提供することを含んでもよい。以下により詳細に記載されるように、遠隔コンピューティングシステム１０８は、医療従事者が他の患者よりも重大なニーズを有する患者を識別及び優先することを患者情報が可能にし得るように、患者情報ダッシュボードを（例えば、ディスプレイ２６６を介して）医療従事者（例えば、医師）に提供するために使用することができる。

図２に示すように、コンピュータシステム２１０は、バス２２１などの通信機構、又はコンピュータシステム２１０内の情報を通信するための他の通信機構を含んでもよい。コンピュータシステム２１０は、情報を処理するためにバス２２１と結合された１つ以上のプロセッサ２２０を更に含む。プロセッサ２２０は、１つ以上のＣＰＵ、ＧＰＵ、又は当該技術分野において既知の任意の他のプロセッサを含んでもよい。

コンピュータシステム２１０はまた、プロセッサ２２０によって実行される情報及び命令を記憶するためにバス２２１に結合されたシステムメモリ２３０を含む。システムメモリ２３０は、読み取り専用システムメモリ（read only system memory、ＲＯＭ）２３１及び／又はランダムアクセスメモリ（ramdom access memory、ＲＡＭ）２３２などの揮発性及び／又は不揮発性メモリの形態のコンピュータ可読記憶媒体を含んでもよい。システムメモリＲＡＭ２３２は、他の動的記憶装置（単数又は複数）（例えば、動的ＲＡＭ、静的ＲＡＭ、及びシンクロナスＤＲＡＭ）を含んでもよい。システムメモリＲＯＭ２３１は、他の静的記憶装置（単数又は複数）（例えば、プログラマブルＲＯＭ、消去可能ＰＲＯＭ、及び電気的消去可能なＰＲＯＭ）を含んでもよい。加えて、システムメモリ２３０は、プロセッサ２２０による命令の実行中に一時変数又は他の中間情報を記憶するために使用することができる。基本入力／出力システム２３３（basic input/output system、ＢＩＯＳ）は、システムメモリＲＯＭ２３１に記憶され得る情報を、始動時などに、コンピュータシステム２１０内の要素間で転送するルーチンを含んでもよい。ＲＡＭ２３２は、プロセッサ２２０に即座にアクセス可能である、かつ／又はプロセッサ２２０によって現在操作されているデータ及び／又はプログラムモジュールを含んでもよい。システムメモリ２３０は、例えば、オペレーティングシステム２３４、アプリケーションプログラム２３５、他のプログラムモジュール２３６、及びプログラムデータ２３７を更に含んでもよい。

図示のコンピュータシステム２１０はまた、磁気ハードディスク２４１及び取り外し可能な媒体ドライブ２４２（例えば、フロッピーディスクドライブ、コンパクトディスクドライブ、テープドライブ、及び／又はソリッドステートドライブ）などの情報及び命令を記憶するための１つ以上の記憶装置を制御するためにバス２２１に結合されたディスクコントローラ２４０を含む。記憶装置は、適切な装置インターフェース（例えば、小型コンピュータシステムインターフェース（small computer system interface、ＳＣＳＩ）、統合装置電子機器（integrated device electronics、ＩＤＥ）、ユニバーサルシリアルバス（Universal Serial Bus、ＵＳＢ）、又はＦｉｒｅＷｉｒｅ）を使用して、コンピュータシステム２１０に追加されてもよい。

コンピュータシステム２１０はまた、コンピュータユーザに情報を表示するための陰極線管（cathode ray tube、ＣＲＴ）又は液晶ディスプレイ（liquid crystal display、ＬＣＤ）などのモニタ又はディスプレイ２６６を制御するためにバス２２１に結合されたディスプレイコントローラ２６５を含んでもよい。図示されたコンピュータシステム２１０は、ユーザ入力インターフェース２６０と、コンピュータユーザと対話し、プロセッサ２２０に情報を提供するための、キーボード２６２及びポインティング装置２６１などの１つ以上の入力装置とを含む。ポインティング装置２６１は、例えば、プロセッサ２２０に方向情報及びコマンド選択を通信し、ディスプレイ２６６上のカーソル移動を制御するためのマウス、トラックボール、又はポインティングスティックであってもよい。ディスプレイ２６６は、ポインティング装置２６１及び／又はキーボード２６２による方向情報及びコマンド選択の通信を補完する、又は置き換える入力を可能にし得るタッチスクリーンインターフェースを提供してもよい。

コンピュータシステム２１０は、システムメモリ２３０などのメモリに含まれる１つ以上の命令の１つ以上のシーケンスを実行するプロセッサ２２０に応答して、本明細書に記載される機能及び方法の一部分又は各々を実行してもよい。そのような命令は、ハードディスク２４１又は取り外し可能な媒体ドライブ２４２などの別のコンピュータ可読媒体からシステムメモリ２３０に読み込むことができる。ハードディスク２４１は、本明細書に記載される実施形態によって使用される１つ以上のデータストア及びデータファイルを含んでもよい。データストアコンテンツ及びデータファイルは、セキュリティを改善するために暗号化されてもよい。プロセッサ２２０はまた、システムメモリ２３０に含まれる命令の１つ以上のシーケンスを実行するために、マルチ処理構成で採用されてもよい。代替的な実施形態では、ハードワイヤード回路は、ソフトウェア命令の代わりに、又はソフトウェア命令と組み合わせて使用することができる。したがって、実施形態は、ハードウェア回路とソフトウェアとの任意の特定の組み合わせに限定されない。

上述のように、コンピュータシステム２１０は、本明細書に記載される実施形態に従ってプログラムされた命令を保持し、本明細書に記載されるデータ構造、テーブル、記録、又は他のデータを含むための、少なくとも１つのコンピュータ可読媒体又はメモリを含んでもよい。本明細書で使用するとき、用語「コンピュータ可読媒体」は、実行のためにプロセッサ２２０に命令を提供することに関与する、任意の非一時的な有形媒体を指す。コンピュータ可読媒体は、不揮発性媒体、揮発性媒体、及び伝送媒体を含むがこれらに限定されない多くの形態を採ることができる。不揮発性媒体の非限定的な例としては、ハードディスク２４１又は取り外し可能な媒体ドライブ２４２などの光ディスク、ソリッドステートドライブ、磁気ディスク、及び光磁気ディスクが挙げられる。揮発性媒体の非限定的な例としては、システムメモリ２３０などの動的メモリが挙げられる。伝送媒体の非限定的な例としては、バス２２１を構成するワイヤを含む、同軸ケーブル、銅線、及び光ファイバが挙げられる。伝送媒体はまた、電波及び赤外線データ通信の間に生成されるものなどの音響波又は光波の形態を採ることができる。

コンピューティング環境２００は、局所コンピューティング装置１０６への論理接続、及びパーソナルコンピュータ（ラップトップ又はデスクトップ）、モバイル装置（例えば、患者モバイル装置）、サーバ、ルータ、ネットワークＰＣ、ピア装置、又は他の共通ネットワークノードなどの１つ以上の他の装置への論理接続を使用してネットワーク化された環境内で動作するコンピュータシステム２１０を更に含むことができ、典型的には、コンピュータシステム２１０に関して上述した要素の多く又は全てを含む。ネットワーク環境で使用される場合、コンピュータシステム２１０は、インターネットなどのネットワーク１２０を介して通信を確立するためのモデム２７２を含んでもよい。モデム２７２は、ネットワークインターフェース２７０を介して、又は別の適切な機構を介してシステムバス２２１に接続されてもよい。

図１及び図２に示されるようなネットワーク１２０は、インターネット、イントラネット、局所エリアネットワーク（local area network、ＬＡＮ）、広域ネットワーク（wide area network、ＷＡＮ）、メトロポリタンエリアネットワーク（metropolitan area network、ＭＡＮ）、直接接続若しくは一連の接続、セルラ電話ネットワーク、又はコンピュータシステム６１０と他のコンピュータ（例えば、局所コンピューティング装置１０６）との間の通信を容易にすることができる任意の他のネットワーク若しくは媒体を含む、当該技術分野で一般的に既知である任意のネットワーク又はシステムであり得る。

図３は、本開示の１つ以上の特徴を実装することができる例示的な装置３００のブロック図である。装置３００は、例えば、局所コンピューティング装置１０６であってもよい。装置３００は、例えば、コンピュータ、ゲーム装置、ハンドヘルド装置、セットトップボックス、テレビ、携帯電話、又はタブレットコンピュータを含むことができる。装置３００は、プロセッサ３０２と、メモリ３０４と、記憶装置３０６と、１つ以上の入力装置３０８と、１つ以上の出力装置３１０と、を含む。装置３００はまた、任意選択的に、入力ドライバ３１２及び出力ドライバ３１４を含むことができる。装置３００は、人工知能アクセラレータを含む、図３に示されていない追加の構成要素を含むことができることが理解される。

様々な代替例では、プロセッサ３０２は、中央処理装置（central processing unit、ＣＰＵ）、グラフィック処理ユニット（graphics processing unit、ＧＰＵ）、同じダイ上に位置するＣＰＵ及びＧＰＵ、又は１つ以上のプロセッサコアを含み、各プロセッサコアは、ＣＰＵ又はＧＰＵであり得る。様々な代替例では、メモリ３０４は、プロセッサ３０２と同じダイ上に位置するか、又はプロセッサ３０２とは別個に位置する。メモリ３０４は、揮発性メモリ又は不揮発性メモリ、例えば、ランダムアクセスメモリ（ＲＡＭ）、動的ＲＡＭ、又はキャッシュを含む。

記憶装置３０６は、固定又は取り外し可能な記憶手段、例えば、ハードディスクドライブ、ソリッドステートドライブ、光ディスク、又はフラッシュドライブを含む。入力装置３０８は、限定するものではないが、キーボード、キーパッド、タッチスクリーン、タッチパッド、検出器、マイクロフォン、加速度計、ジャイロスコープ、生体認証スキャナ、又はネットワーク接続（例えば、無線ＩＥＥＥ８０２信号の送信及び／又は受信のための無線局所エリアネットワークカード）を含む。出力装置３１０は、限定するものではないが、ディスプレイ、スピーカ、プリンタ、触覚フィードバック装置、１つ以上のライト、アンテナ、又はネットワーク接続（例えば、無線ＩＥＥＥ８０２信号の送信及び／又は受信のための無線局所エリアネットワークカード）を含む。

入力ドライバ３１２は、プロセッサ３０２及び入力装置３０８と通信し、プロセッサ３０２が入力装置３０８から入力を受信することを可能にする。出力ドライバ３１４は、プロセッサ３０２及び出力装置３１０と通信し、プロセッサ３０２が出力装置３１０に出力を送信することを可能にする。入力ドライバ３１２及び出力ドライバ３１４は、任意選択的な構成要素であり、入力ドライバ３１２及び出力ドライバ３１４が存在しない場合、装置３００は、同じ方式で動作することに留意されたい。出力ドライバ３１６は、表示装置３１８に結合された加速処理装置（accelerated processing device、「ＡＰＤ」）３１６を含む。ＡＰＤは、プロセッサ３０２からの計算コマンド及びグラフィックレンダリングコマンドを受け付け、それらの計算コマンド及びグラフィックレンダリングコマンドを処理し、表示のために表示装置３１８に画素出力を提供する。以下に更に詳細に記載されるように、ＡＰＤ３１６は、単一命令複数データ（single-instruction-multiple-data、「ＳＩＭＤ」）パラダイムに従って計算を実行する、１つ以上の並列処理ユニットを含む。したがって、様々な機能がＡＰＤ３１６によって、又はＡＰＤ３１６と連携して実行されるものとして本明細書に記載されているが、様々な代替例では、ＡＰＤ３１６によって実行されるものとして記載される機能は、追加的に又は代替的に、ホストプロセッサ（例えば、プロセッサ３０２）によって駆動されない類似の能力を有する他のコンピューティング装置によって実行され、かつ表示装置３１８にグラフィカル出力を提供する。例えば、ＳＩＭＤパラダイムに従って処理タスクを実行する任意の処理システムは、本明細書に記載される機能を実行することができることが企図される。代替的に、ＳＩＭＤパラダイムに従って処理タスクを実行しないコンピューティングシステムは、本明細書に記載される機能を実行することが企図される。

図４は、図３の例示的な装置を組み込んだ人工知能システム２００のグラフィック描写を示す。システム４００は、データ４１０、マシン４２０、モデル４３０、複数の転帰４４０及び基盤となるハードウェア４５０を含む。システム４００は、複数の転帰４４０を予測できるようにするモデル４３０を構築しながら、データ４１０を使用してマシン４２０を訓練することによって動作する。システム４００が、ハードウェア４５０に対して動作してもよい。そのような構成では、データ４１０がハードウェア４５０に関連してもよく、例えば装置１０２に由来してもよい。例えば、データ４１０は、進行中のデータ又はハードウェア４５０に関連する出力データであり得る。マシン４２０は、ハードウェア４５０に関連付けられたコントローラ又はデータ収集として動作してもよく、又はこれに関連付けられていてもよい。モデル４３０は、ハードウェア４５０によって達成される転帰を予測するために、ハードウェア４５０の動作をモデル化すると共に、ハードウェア４５０から収集されたデータ４１０をモデル化するように構成され得る。ハードウェア４５０は、予測される転帰４４０を使用して、ハードウェア４５０からの所定の望ましい転帰４４０を提供するように構成され得る。

図５は、図４の人工知能システムにおいて実行される方法５００を示す。方法５００は、ステップ５１０でハードウェアからデータを収集することを含む。このデータは、ハードウェアからの現在収集されている履歴データ又は他のデータを含んでもよい。例えば、このデータは、外科的処置中の測定値を含んでもよく、処置の転帰と関連付けることができる。例えば、心臓の温度を収集し、心臓処置の転帰と相関させることができる。

ステップ５２０で、方法５００は、ハードウェア上でマシンを訓練することを含む。訓練は、ステップ５１０で収集されたデータの分析及び相関を含み得る。例えば、心臓の場合、温度及び転帰のデータが、処置中の心臓の温度と転帰との間に相関又は関連が存在するか否かを判定するために訓練されてもよい。

方法５００は、ステップ５３０でハードウェアに関連するデータに基づいてモデルを構築することを含む。モデルの構築が、以下に説明するように、物理的ハードウェア又はソフトウェアモデル化、アルゴリズムモデル化などを含んでもよい。このモデル化が、収集され訓練されたデータを表現することを目指してもよい。

方法５００は、ステップ５４０でハードウェアに関連するモデルの転帰を予測することを含む。この転帰の予測が、訓練されたモデルに基づいてもよい。例えば、心臓の場合、処置中の温度が９７．７～１００．２の時に処置から肯定的な結果が得られると、所与の処置において、処置中の心臓の温度に基づいて転帰を予測することができる。このモデルは初歩的なものであるが、本発明の理解を深めるために例示的な目的で提供されている。

本システム及び方法は、マシンを訓練し、モデルを構築し、アルゴリズムを使用して転帰を予測するように動作する。これらのアルゴリズムを使用して、訓練されたモデルを解き、ハードウェアに関連する転帰を予測してもよい。これらのアルゴリズムは、一般に分類アルゴリズム、回帰アルゴリズム及びクラスタリングアルゴリズムに区分することができる。

例えば、分類アルゴリズムは、予測される変数である従属変数が複数のクラスに分割され、所与の入力に対して１つのクラス、すなわち従属変数を予測する状況で使用される。したがって、分類アルゴリズムは、転帰を所定数の一定の事前定義された転帰から予測するために使用される。分類アルゴリズムが、単純ベイズアルゴリズム、決定木、ランダムフォレスト分類器、ロジスティック回帰、サポート・ベクトル・マシン及びｋ近傍法を含んでもよい。

一般的に、単純ベイズアルゴリズムは、ベイズ定理に従い、確率論的アプローチに従う。他の確率論に基づくアルゴリズムも使用可能であり、一般に、例示的な単純ベイズアルゴリズムについて以下に説明するものと同様の確率論の原理を使用して動作することが理解されよう。

図６は、単純ベイズ計算の確率の実施例を示す。ベイズ定理の確率論的アプローチは、本質的には、データに直接ジャンプする代わりに、アルゴリズムがターゲットのクラスごとに事前確率の一組を持っていることを意味する。データが入力された後、単純ベイズアルゴリズムは、事前確率を更新して事後確率を形成してもよい。これは、以下の式：

で表される。

この単純ベイズアルゴリズム及びベイズアルゴリズムは、一般に、入力がｎ個のクラスの所与のリストに属しているか否かを予測する必要がある場合に有用であり得る。ｎ個全てのクラスの確率は非常に低いため、確率論的アプローチを使用することができる。

例えば、図６に示すように、ゴルフをプレーする人は、第１のデータセット６１０に示されている外の天気を含む要因に依存する。第１のデータセット６１０は、第１の列に天気を示し、第２の列にその天気に関連するプレーの転帰を示す。頻度テーブル６２０では、特定の事象が発生する頻度が生成される。頻度テーブル６２０では、ある人が各気象条件においてゴルフをプレーするか又はプレーしない頻度が求められる。そこから、尤度テーブルがコンパイルされ、初期確率が生成される。例えば、天気が曇りである確率は０．２９だが、プレーの一般的な確率は０．６４である。

事後確率が、尤度テーブル６３０から生成されてもよい。これらの事後確率は、気象条件及びゴルフがそれらの気象条件でプレーされるか否かについての質問に答えるように構成されてもよい。例えば、外が晴れであり、かつゴルフがプレーされる確率は、ベイズ式：
Ｐ（はい｜晴れ）＝Ｐ（晴れ｜はい）×Ｐ（はい）／Ｐ（晴れ）
によって表されてもよい。

尤度テーブル６３０によると、
Ｐ（晴れ｜はい）＝３／９＝０．３３、
Ｐ（晴れ）＝５／１４＝０．３６、
Ｐ（はい）＝９／１４＝０．６４
である。

したがって、Ｐ（はい｜晴れ）＝．３３×．６４／．３６又は約０．６０（６０％）である。

一般に、決定木はフローチャートに似た木構造であり、各外部ノードは属性のテストを示し、各ブランチはそのテストの転帰を表す。リーフノードは、実際の予測ラベルを含む。決定木は、木のルートから始まり、リーフノードに到達するまで属性値が比較される。決定木は、高次元のデータを処理する場合、及びデータの準備に費やされた時間がほとんどない場合に、分類器として使用することができる。決定木は、単純決定木、線形決定木、代数決定木、確定的決定木、ランダム化決定木、非確定的決定木及び量子決定木の形態を採ることができる。例示的な決定木を、以下に図７で示す。

図７は、ゴルフをプレーするか否かを決定する際の、上記のベイズの実施例と同じ構造に沿った決定木を示している。決定木において、第１のノード７１０は、決定木を下に進むための選択肢として、天気が晴れ７１２、曇り７１４、及び雨７１６である場合を調べる。天気が晴れである場合、木の枝は、気温を調べる第２のノード７２０に続く。この実施例では、ノード７２０の気温は、高７２２又は正常７２４であり得る。ノード７２０で気温が高７２２である場合、ゴルフ「いいえ」７２３の予測転帰が発生する。ノード７２０で気温が正常７２４である場合、ゴルフ「はい」７２５の予測転帰が発生する。

更に、第１のノード７１０から、曇り７１４、ゴルフ「はい」７１５の転帰が発生する。

第１のノードの天気７１０から、雨７１６の転帰が結果として、（再び）第３のノード７３０が温度を調べる。第３のノード７３０で気温が正常７３２である場合、ゴルフをプレーする「はい」７３３となる。第３のノード７３０で気温が低７３４である場合、ゴルフをプレーしない「いいえ」７３５となる。

この決定木から、あるゴルファーは、天気が曇り７１５の場合、正常の気温の晴天７２５の場合、及び正常の気温の雨天７３３の場合はゴルフをプレーするが、このゴルファーは、晴天の高温７２３又は降雨の低温７３５の場合はプレーしない。

ランダムフォレスト分類器は、決定木のコミッティーであり、各決定木は、データの属性のサブセットを与えられ、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、最終的なランダムフォレストの回答が提供される。ランダムフォレスト分類器は一般に、独立型の決定木に存在する過剰適合を軽減することで、より堅牢かつ正確な分類器となっている。

図８は、衣服の色を分類するための例示的なランダムフォレスト分類器を示す。図８に示すように、ランダムフォレスト分類器は、５つの決定木８１０１、８１０２、８１０３、８１０４及び８１０５（集合的に又は概略的に決定木８１０と称される）を含む。木の各々は、衣服の色を分類するように設計されている。個々の木は概ね図７の決定木として動作するので、木及び行われる決定の各々の考察は、提供されない。この図では、５つの木のうち３つ（８１０１、８１０２、８１０４）は、衣服が青色であると判定し、１つは、衣服が緑色（８１０３）であると判定し、残りの木は、衣服が赤色（８１０５）であると判定する。ランダムフォレストは、５つの木のこれらの実際の予測値を採り、実際の予測値のモードを計算して、衣服が青色であるというランダムフォレストの回答を提供する。

ロジスティック回帰は、バイナリ分類タスクのもう１つのアルゴリズムである。ロジスティック回帰は、シグモイド関数とも呼ばれるロジスティック関数に基づいている。このＳ字曲線は、任意の実数値を取り、これを０と１との間でマッピングして、漸近的にこれらの限界に近づくことができる。ロジスティックモデルは、合格／不合格、勝ち／負け、生存／死亡、又は健康／病気など、特定のクラス又は事象が存在する確率をモデル化するために使用できる。これは、画像に猫、犬、ライオンなどが含まれているか否かの判定など、いくつかのクラスの事象をモデル化するように拡張され得る。画像において検出される各オブジェクトには、０と１との間の確率が割り当てられ、これらの確率の合計は１に加算される。

ロジスティックモデルでは、「１」とラベル付けされた値の対数オッズ（オッズの対数）は、１つ以上の独立変数（「予測子」）の線形結合であり、独立変数は各々、バイナリ変数（インジケータ変数でコード化された２つのクラス）又は連続変数（任意の実数値）であり得る。「１」とラベル付けされた値の対応する確率は、０（確実に「０」の値）と１（確実に「１」の値）との間で変化する可能性があることから、このようにラベル付けされ、ロジスティック関数は、対数オッズを確率に変換する関数であることから、このように称される。対数オッズスケールの測定単位は、ロジスティック単位の別名であるロジットと呼ばれる。プロビットモデルなどのロジスティック関数の代わりにシグモイド関数が異なる類似のモデルも使用できる。ロジスティックモデルの特徴の定義は、独立変数のうちの１つを増加させると、与えられた転帰のオッズが一定の比で乗法的にスケーリングされ、各独立変数がそれ自体のパラメータを有することである。バイナリ従属変数の場合、これはオッズ比を一般化する。

バイナリロジスティック回帰モデルでは、従属変数には２つのレベル（カテゴリ）がある。３つ以上の値を有する出力は、多項ロジスティック回帰によってモデル化され、複数のカテゴリが順序付けられている場合は、順序ロジスティック回帰（例えば、比例オッズ順序ロジスティックモデル）によってモデル化される。ロジスティック回帰モデル自体は、出力の確率を入力に関して単純にモデル化し、統計的分類を実行しない（分類器ではない）が、例えば、カットオフ値を選択し、確率がカットオフよりも大きい入力を１つのクラスとして、確率がカットオフ未満である入力を他のクラスとして分類することにより、分類器の作成に使用できる。これは、バイナリ分類器を作成する一般的な方法である。

図９は、例示的なロジスティック回帰を示す。この例示的なロジスティック回帰は、変数の一組に基づいた転帰の予測を可能にする。例えば、個人の成績点平均に基づいて、学校に受け入れられる転帰を予測することができる。成績点平均の過去の履歴と合格との関係により、予測を行うことができる。図９のロジスティック回帰は、成績点平均変数９２０の分析が、０から１によって定義される転帰９１０を予測することを可能にする。Ｓ字曲線の下端９３０では、成績点平均９２０は、受け入れられないという転帰９１０を予測する。Ｓ字曲線の上端９４０では、成績点平均９２０は、受け入れられるという転帰９１０を予測する。ロジスティック回帰を使用して、住宅価値、保険セクタの顧客生涯価値などを予測することができる。

サポート・ベクトル・マシン（support vector machine、ＳＶＭ）を使用して、２つのクラス間のマージンを可能な限り離してデータを並べ替えることができる。これは、マージン最大化分離と呼ばれる。ＳＶＭは、その目的のためにデータセット全体を使用する線形回帰とは異なり、超平面をプロットしながらサポートベクトルを考慮することが可能である。

図１０は、例示的なサポート・ベクトル・マシンを示す。例示的なＳＶＭ１０００では、データは、正方形１０１０及び三角形１０２０として表される２つの異なるクラスに分類され得る。ＳＶＭ１０００は、ランダムな超平面１０３０を描画することによって動作する。この超平面１０３０は、超平面１０３０と各クラスからの最も近いデータ点１０５０との間の距離（線１０４０で示される）を比較することによって監視される。超平面１０３０に最も近いデータ点１０５０は、サポートベクトルとして既知である。超平面１０３０は、これらのサポートベクトル１０５０に基づいて描かれ、最適な超平面は、各サポートベクトル１０５０からの最大距離を有する。超平面１０３０とサポートベクトル１０５０との間の距離は、マージンとして既知である。

ＳＶＭ１０００は、超平面１０３０とサポートベクトル１０５０との間の距離が最大になるように超平面１０３０を使用することによって、データ分類に使用され得る。このようなＳＶＭ１０００を、例えば心臓疾患を予測するために使用してもよい。

ｋ近傍法（k Nearest Neighbors、ＫＮＮ）は、一般に基本的なデータ分散を想定しておらず、合理的に短い訓練フェーズを実行する一連のアルゴリズムを指す。一般に、ＫＮＮは複数のクラスに分割された多数のデータ点を使用して、新しいサンプル点の分類を予測する。運用上、ＫＮＮは新しいサンプルで整数Ｎを指定する。新しいサンプルに最も近いシステムのモデル内のＮ個のエントリが選択される。これらのエントリの最も一般的な分類が判定され、その分類が新しいサンプルに割り当てられる。ＫＮＮは一般に、訓練セットが増加するにつれて記憶空間を増加させる必要がある。これは、推定時間が訓練点の数に比例して増加することも意味する。

回帰アルゴリズムでは、出力は連続量であるため、目標変数が連続的な変数である場合に回帰アルゴリズムを使用することができる。線形回帰は、回帰アルゴリズムの一般的な例である。線形回帰は、一貫した変数を考慮して、真の品質（住宅コスト、コール回数、全ての取引など）を測定するために使用可能である。変数と転帰との間の接続が、最適な線を当てはめることによって求められる（このことから線形回帰）。この最適線は回帰線として既知であり、直接条件Ｙ＝ａ×Ｘ＋ｂで表される。線形回帰は、次元数が少ないアプローチで最もよく使用される。

図１１は、例示的な線形回帰モデルを示す。このモデルでは、予測変数１１１０が測定変数１１２０に対してモデル化される。予測変数１１１０及び測定変数１１２０のインスタンスのクラスタは、データ点１１３０としてプロットされている。次に、データ点１１３０は、最適線１１４０に当てはめられる。次に、後続の予測で最適線１１４０を使用するが、測定変数１１２０が与えられている場合、線１１４０を使用してそのインスタンスのために予測変数１１１０を予測する。線形回帰を使用して、金融ポートフォリオ、給与予測、不動産及び交通機関の到着予定時刻をモデル化及び予測することができる。

クラスタリングアルゴリズムもデータセットのモデル化及び訓練に使用してもよい。クラスタリングでは、入力は、特徴の類似性に基づいて２つ以上のクラスタに割り当てられる。クラスタリングアルゴリズムは、通常、ガイダンスなしでデータからパターン及び有用な洞察を学習する。例えば、Ｋ平均クラスタリングなどの教師なし学習アルゴリズムを使用して、視聴者を興味、年齢、地理などに基づいて類似のグループにクラスタリングすることができる。

Ｋ平均クラスタリングは、一般に、単純な教師なし学習アプローチとみなされる。Ｋ平均クラスタリングでは、同様のデータ点を一緒にクラスタリングし、クラスタの形でバインドすることができる。データ点を一緒にバインドする方法の１つは、データ点群の重心を計算することによって行われる。効果的なクラスタの決定では、Ｋ平均クラスタ化で、各点のクラスタの重心からの距離が評価される。データ点と重心との間の距離に応じて、データは最も近いクラスタに割り当てられる。クラスタリングの目的は、一連のラベルなしデータの固有のグループ化を決定することである。Ｋ平均における「Ｋ」は、形成されたクラスタの数を表す。クラスタの数（基本的には、データの新しいインスタンスが分類され得るクラスの数）は、ユーザによって決定され得る。この決定は、例えば、フィードバックを使用し、訓練中にクラスタのサイズを見ることで行うことができる。

Ｋ平均は、データセットが別個かつ良好に分離された点を有する場合に使用され、そうでなければ、クラスタが分離されていない場合、モデル化は、クラスタを不正確にレンダリングすることがある。加えて、データセットに多数の外れ値が含まれている場合、又はデータセットが非線形である場合には、Ｋ平均を回避することができる。

図１２は、Ｋ平均クラスタリングを示す。Ｋ平均クラスタリングでは、データ点がプロットされ、Ｋ値が割り当てられる。例えば、図１２のＫ＝２の場合、データ点は、描写１２１０に示されるようにプロットされる。次に、ステップ１２２０で、点が同様の中心に割り当てられる。クラスタの重心が、１２３０に示すように識別される。重心が識別されると、１２４０に示すように、データ点と各クラスタの重心との間の距離が最小となるように点がクラスタに再割り当てされる。次に、クラスタの新しい重心が、描写１２５０に示されるように決定され得る。データ点がクラスタに再割り当てされると、クラスタの新しい重心が形成され、反復又は一連の反復が発生してクラスタのサイズを最小化し、最適な重心を決定することができる。次に、新しいデータ点が測定されると、その新しいデータ点が重心及びクラスタと比較され、そのクラスタで識別され得る。

アンサンブル学習アルゴリズムを使用してもよい。これらのアルゴリズムは、複数の学習アルゴリズムを使用して、構成要素である学習アルゴリズムのいずれかのみから得られるよりも優れた予測パフォーマンスを実現する。アンサンブル学習アルゴリズムは、仮説空間を検索するタスクを実行して、特定の問題について良好な予測を行う、好適な仮説を見つける。仮説空間に特定の問題に非常に適した仮説が含まれている場合でも、適切な仮説を見つけるのは非常に難しい場合がある。アンサンブルアルゴリズムは、複数の仮説を組み合わせてより良い仮説を形成する。アンサンブルという用語は通常、同じ基本学習器を使用して複数の仮説を生成する方法で用いられる。複数分類器システムのより広い概念は、同じ基本学習器によって誘導されない仮説のハイブリダイゼーション（hybridization of hypotheses）も網羅する。

アンサンブルの予測を評価するには、通常、単一のモデルの予測を評価するよりも多くの計算が必要になるため、アンサンブルは、多くの余分な計算を実行することにより、貧弱な学習アルゴリズムを補う方法と考えることができる。決定木などの高速アルゴリズムは、一般にはランダムフォレストなどのアンサンブル法で使用されているが、より低速のアルゴリズムでもアンサンブル法の恩恵を受けることができる。

アンサンブルは、訓練後に使用して予測を行うことができるため、それ自体が監視付き学習アルゴリズムである。したがって、訓練されたアンサンブルは、単一の仮説を表す。しかしながら、この仮説は、それが構築されたモデルの仮説空間内に含まれているとは限らない。したがって、アンサンブルは、それらが表すことができる関数において、より多くの柔軟性を有するように示され得る。この柔軟性により、理論的には、単一のモデルよりも訓練データを過剰適合させることができるが、実際には、一部のアンサンブル法（特にバギング）は、訓練データの過剰適合に関連する問題を低減する傾向がある。

経験的に、モデル間にかなりの多様性がある場合、アンサンブルアルゴリズムはより良い結果をもたらす傾向がある。したがって、多くのアンサンブル法は、それらが組み合わせるモデル間の多様性を促進することを目指している。直感的ではないが、（エントロピ低減決定木などの）非常に慎重なアルゴリズムよりも強力なアンサンブルを生成するために、（ランダム決定木などの）よりランダムなアルゴリズムを使用することができる。しかしながら、様々な強力な学習アルゴリズムの使用は、多様性を促進するためにモデルを簡略化しようとする手法を使用することよりも効果的であることが示されている。

アンサンブルの構成要素分類器の数は、予測の精度に大きな影響を与える。このことは、オンラインのアンサンブル分類器の場合、アンサンブルのサイズとビッグデータストリームの量及び速度とを先験的に決定するために、更に重要となる。理論上のフレームワークは、理想的な数の構成要素分類器がアンサンブルに存在し、その結果、分類器がこの数より多いか又は少ないと精度が低下することを示唆している。理論上のフレームワークは、クラスラベルと同じ数の独立した構成要素分類器を使用すると、最も高い精度が得られることを示している。

アンサンブルのいくつかの一般的なタイプには、ベイズ最適分類器、ブートストラップ集約（バギング）、ブースティング、ベイズモデル平均化、ベイズモデルの組み合わせ、モデルのバケット及びスタッキングが含まれる。図１３は、バギングが並行して実行されており（１３１０）、ブースティングが順次に実行されている（１３２０）例示的なアンサンブル学習アルゴリズムを示している。

ニューラルネットワークは、ニューロンのネットワーク又は回路、あるいは現代的な意味では、人工ニューロン又はノードで構成される人工ニューラルネットワークである。生物学的ニューロンの接続が、重みとしてモデル化される。正の重みは興奮性の接続を反映し、負の値は抑制性の接続を意味する。入力は重みで修正され、線形結合を使用して合計される。活性化関数が、出力の振幅を制御することができる。例えば、出力の許容範囲は通常０～１であるが、－１～１の場合もある。

これらの人工ネットワークは、予測モデル化、適応制御及びアプリケーションに使用でき、データセットを介して訓練することができる。経験から生じる自己学習がネットワーク内で発生する可能性があり、複雑で一見無関係な一組の情報から結論を導き出すことができる。

完全を期すために、生物学的ニューラルネットワークは、化学的に接続されたニューロン又は機能的に関連付けられたニューロンのグループから構成される。１つのニューロンが他の多くのニューロンに接続されていてもよく、ネットワーク内のニューロン及び接続の総数が広範囲にわたってもよい。シナプスと呼ばれる接続は、通常、軸索から樹状突起へと形成されるが、樹状突起間シナプス及び他の接続も可能である。電気的な信号伝達とは別に、神経伝達物質の拡散から生じる他の信号伝達形態がある。

人工知能、認知モデル化及びニューラルネットワークは、生物学的神経システムのデータ処理方法に着想を得た情報処理パラダイムである。人工知能及び認知モデル化は、生物学的ニューラルネットワークのいくつかの特性をシミュレートしようとする。人工知能分野では、人工ニューラルネットワークが音声認識、画像分析及び適応制御にうまく適用され、（コンピュータゲーム及びビデオゲームにおける）ソフトウェアエージェント又は自律ロボットが構築されている。

ニューラルネットワーク（neural network、ＮＮ）は、人工ニューラルネットワーク（artificial neural network、ＡＮＮ）又はシミュレートニューラルネットワーク（simulated neural network、ＳＮＮ）と呼ばれる人工ニューロンの場合、情報処理に計算への接続論的アプローチに基づいて数学的モデル又は計算モデルを使用する、天然のニューロン又は人工ニューロンの相互接続されたグループである。ほとんどの場合、ＡＮＮは、ネットワークを通って流れる外部情報又は内部情報に基づいてその構造を変更する適応型システムである。より実際的には、ニューラルネットワークは非線形の統計データモデル化ツール又は意思決定ツールである。これらを、入力と出力の間の複雑な関係をモデル化するため及びデータのパターンを見つけるために使用することができる。

人工ニューラルネットワークは、処理要素と要素パラメータとの間の接続によって決定される複雑でグローバルな挙動を示すことができる単純な処理要素（人工ニューロン）のネットワークを含む。

人工ニューラルネットワークの１つの古典的なタイプは、再帰型ホップフィールドネットワークである。人工ニューラルネットワークモデルの有用性は、観測から関数を推定し、それも使用するために使用することができるという事実にある。教師なしニューラルネットワークは、入力分布の顕著な特徴を捕捉する入力の表現の学習や、最近では、観測データの分布関数を暗黙的に学習することができる深層学習アルゴリズムにも使用することができる。ニューラルネットワークでの学習は、データやタスクの複雑さのためにそのような関数の設計を手作業では行えない用途において特に有用である。

ニューラルネットワークは、様々な分野で使用可能である。人工ニューラルネットワークが適用されるタスクは、以下の広いカテゴリにわたる傾向がある：関数近似、又は時系列予測及びモデル化を含む回帰分析、パターン及び配列認識、新規性の検出及び逐次的な意思決定、フィルタリング、クラスタリング、ブラインド信号分離及び圧縮を含むデータ処理を含む分類である。

ＡＮＮの適用領域には、非線形システムの識別及び制御（車両制御、プロセス制御）、ゲームのプレー及び意思決定（バックギャモン、チェス、レース）、パターン認識（レーダーシステム、顔識別、オブジェクト認識）、シーケンス認識（ジェスチャ、スピーチ、手書きテキスト認識）、医療診断、金融アプリケーション、データマイニング（又はデータベースでの知識発見、すなわち「ＫＤＤ」）、視覚化並びに電子メールスパムフィルタリングが含まれる。例えば、オブジェクト認識のために訓練された写真から生じるユーザの興味のセマンティックプロファイルを作成することが可能である。

図１４は、例示的なニューラルネットワークを示す。ニューラルネットワークには、１４１０_１及び１４１０_２などの複数の入力で表される入力層がある。入力１４１０_１、１４１０_２は、ノード１４２０_１、１４２０_２、１４２０_３、１４２０_４を含むものとして示されている隠れ層に供給される。これらのノード１４２０_１、１４２０_２、１４２０_３、１４２０_４は組み合わされて、出力層において出力１４３０を生成する。ニューラルネットワークは、単純な処理要素であるノード１４２０_１、１４２０_２、１４２０_３、１４２０_４の隠れ層を介して単純な処理を実行し、これらのノードは、処理要素と要素パラメータとの間の接続によって決定される複雑でグローバルな挙動を示すことができる。

図１４のニューラルネットワークがハードウェアで実装されてもよい。図１５に示されるように、ハードウェアベースのニューラルネットワークが示されている。

心不整脈などの心臓疾患の治療は、多くの場合、心組織、心腔、静脈、動脈、及び／又は電気的経路の詳細なマッピングを獲得することを必要とする。例えば、カテーテルアブレーションを正常に実行するための前提条件は、心不整脈の原因を心腔内で正確に突き止めることである。そのような突き止めは、電気生理学的調査を介して行われ得、その調査の間に、心腔中に導入されるマッピングカテーテルを用いて、空間的に分解された電位を検出する。この電気生理学的調査は、いわゆる、電気解剖学上のマッピングであり、したがってモニタ上に表示することができる３Ｄマッピングデータを提供する。多くの場合、マッピング機能及び治療機能（例えば、アブレーション）は、単一のカテーテル、又はカテーテル群によって提供され、その結果、マッピングカテーテルはまた、同時に治療（例えば、アブレーション）カテーテルとしても動作する。

心臓の心臓領域、組織、静脈、動脈、及び／又は電気的経路などの心臓領域のマッピングにより、結果として、傷跡組織、不整脈源（例えば、電気ロータ）、健康領域などの問題領域を識別することができる。本明細書に更に開示されるように、心臓領域は、マッピングされた心臓領域の視覚的表現がディスプレイを使用して提供されるように、マッピングすることができる。更に、心臓マッピングは、以下に限定されないが、局所興奮時間（ＬＡＴ）、電気活動、トポロジ、双極マッピング、優位周波数、又はインピーダンスなどの１つ以上の形式に基づいて、マッピングを含むことができる。複数の形式に対応するデータは、患者の身体中に挿入されたカテーテルを使用して捕捉することができ、対応する設定値、及び／又は医療専門家の好みに基づいて、同時に又は異なる時点でレンダリングするために提供することができる。

心臓マッピングは、１つ以上の技術を使用して実装することができる。第１の技術の一例として、心臓マッピングは、心臓内の正確な位置の関数として、心組織の電気特性、例えば、局所興奮時間を感知することによって実装されてもよい。その対応するデータは、遠位の先端に電気及び位置センサを有するカテーテルを使用して、心臓中に前進される１つ以上のカテーテルを用いて獲得することができる。具体的な例として、初めに、位置及び電気活動が、心臓の内側表面上の約１０～約２０箇所で測定され得る。これらのデータ点は、通常、心臓表面の予備復元又はマップを満足な品質に生成するには十分であり得る。この予備マップは、追加点において取得されたデータと結合されて、心臓の電気活動のより包括的なマップを生成することができる。臨床的な状況において、１００以上の部位におけるデータを集積して、心腔の電気活動の詳細な包括的マップを生成することも珍しいことではない。その後、生成された詳細なマップは、心臓の電気活動の伝播を改変させ正常な心調律を回復させるための治療上の行動指針、例えば、組織のアブレーションに関する決定を下すための基準となり得る。

位置センサを収容するカテーテルを使用して、心臓表面の各点の軌跡を決定し得る。これらの軌跡を使用して、組織の収縮力などの運動特性を推測することができる。そのような運動特性を示すマップは、軌跡情報が心臓内の十分な数の点でサンプリングされるときに構築されてもよい。

心臓内のある点における電気活動は、典型的には、遠位先端に又はその近くに電気センサを収容したカテーテルを、心臓内のその点へと前進させ、組織をセンサと接触させ、その点におけるデータを取得することによって測定することができる。単一の遠位先端電極のみを収容したカテーテルを使用して心室をマッピングすることに伴う１つの欠点は、全体としての心腔の詳細なマップに要求される必要な数の点に対して、点ごとにデータを集積するために長い時間が要求されることである。したがって、心腔内の複数の点における電気活動を同時に測定するために、多電極カテーテルが開発されてきた。

多電極カテーテルは、複数の電極を有する線形カテーテル、バルーンを形成する複数のスパイン上に分散された電極を含むバルーンカテーテル、複数の電極を有するラッソーカテーテル若しくはループカテーテル、又は任意の他の適用可能な形状などの任意の適用可能な形状を使用して実装されてもよい。図１６Ａは、心臓領域をマッピングするために使用され得る複数の電極１６０４、１６０５及び１６０６を含む線形カテーテル１６０２の一実施例を示す。線形カテーテル１６０２は、全体的に又は部分的に弾力性があり得、その結果、それは、受信した信号に基づいて、かつ／又は線形カテーテル１６０２への外力（例えば、心組織）の印加に基づいて、ねじること、屈曲させること、又はその形状を変化させることができる。

図１６Ｂは、図示のように電極１６２１、１６２２、１６２３、１６２４、１６２５及び１６２６を含む各スプライン上にスプライン１６１４、１６１６、１６１７及び複数の電極を含む複数のスプライン（例えば、図１６ Ｂの特定の実施例における１２スプライン）を含むバルーンカテーテル１６１２の一実施例を示す。バルーンカテーテル１６１２は、患者の身体中に展開されたときに、その電極が心内膜の表面に対して密接に接触して保持され得るように、設計することができる。例として、バルーンカテーテルが、肺静脈（ＰＶ）などの管腔中に挿入され得る。バルーンカテーテルは、収縮した状態でＰＶ中に挿入され得、その結果、バルーンカテーテルは、ＰＶ中に挿入されている間、その最大容量を占有しない。バルーンカテーテル上の電極がＰＶの円形領域全体と接触するように、バルーンカテーテルは、ＰＶの内側にある間に膨張することができる。ＰＶの円形部分全体、又は任意の他の管腔とのこのような接触は、効率的なマッピング及び／又はアブレーションを可能にすることができる。

図１６Ｃは、心臓領域をマッピングするために使用され得る複数の電極１６３２、１６３４及び１６３６を含むループカテーテル１６３０（ラッソーカテーテルとも呼ばれる）の一実施例を示す。ループカテーテル１６３０は、全体的に又は部分的に弾力性があり得、その結果、それは、受信した信号に基づいて、かつ／又はループカテーテル１６３０への外力（例えば、心組織）の印加に基づいて、ねじること、屈曲させること、又はその形状を変化させることができる。

一例によれば、多電極カテーテルを心腔内に前進させることができる。背腹方向（ＡＰ）及び横方向の蛍光図を取得して、電極の各々の位置及び配向を確立することができる。身体表面ＥＣＧから得られる洞調律におけるＰ波の開始などの一時的な基準に対して、心臓表面と接触する各電極から電位図を記録することができる。本明細書に更に開示されるように、このシステムは、電気活動を登録するそれらの電極と、心内膜壁への接近がないことが原因ではない電極との間を区別することができる。初期電位図が記録された後、カテーテルを再位置決めすることができ、蛍光図及び電位図を再度記録することができる。次いで、電気マップが、上記のプロセスの繰り返しから構築され得る。

一実施例によれば、心臓のマッピングが、心内電位場の検出に基づいて、生成され得る。膨大な量の心臓電気的情報を同時に獲得するための非接触技術を実装することができる。例えば、遠位端部分を有するカテーテルが、一連のセンサ電極を提供され得、それらのセンサ電極は、そのカテーテルの表面上にわたって分布し、かつ信号感知及び処理手段に接続するための絶縁された導体に接続され得る。端部分のサイズ及び形状は、電極が心腔の壁から実質的に離間されるようにすることができる。心内電位場が、単一の心拍の間に検出され得る。一実施例によれば、センサ電極は、互いに離間した平面内にある一連の周縁部上に分散させることができる。これらの平面は、カテーテルの端部分の長軸に対して垂直であってもよい。少なくとも２つの追加の電極が、端部分の長軸の端部分に隣接して設けることができる。より具体的な例として、カテーテルは、各周縁部上に等角度に離間した８つの電極を有する４つの周縁部を含むことができる。したがって、この特定の実装態様では、カテーテルは、少なくとも３４個の電極（３２個の円周方向電極と２個の端部電極）を含むことができる。

別の実施例によれば、非接触及び非拡張多電極カテーテルに基づく電気生理学的心臓マッピングシステム及び技術を実装することができる。電位図は、複数の電極（例えば、４２～１２２個の電極）を有するカテーテルを用いて取得することができる。この実装態様によれば、プローブ及び心内膜の相対的な幾何学的形状の知識は、経食道心エコー検査などの独立した撮像法などによって取得することができる。独立した撮像の後、非接触電極を使用して、心臓の表面電位を測定し、そこからマップを構築することができる。この技術は、以下のステップ（独立した撮像ステップの後）、すなわち、（ａ）心臓内に位置決めされたプローブ上に配設された複数の電極を用いて電位を測定すること、（ｂ）プローブ表面及び心内膜表面の幾何学的関係を決定すること、（ｃ）プローブ表面及び心内膜表面の幾何学的関係を表す係数の行列を生成すること、並びに（ｄ）電極電位及び係数行列に基づいて、心内膜電位を決定すること、を含むことができる。

別の実施例によれば、心腔の電位分布をマッピングするための技術及び装置を実装することができる。心臓内多電極マッピングカテーテルアセンブリは、患者の心臓に挿入されてもよい。このマッピングカテーテルアセンブリは、一体化した基準電極を有する多電極アレイ、又は好ましくは、コンパニオン基準カテーテルを含むことができる。これらの電極は、実質的に球状のアレイの形態で配置することができる。この電極アレイは、心内膜表面に接触するようになる、基準電極又は基準カテーテルによって、心内膜表面上のある点に空間的に参照され得る。好ましい電極アレイカテーテルは、多数の個々の電極部位（例えば、少なくとも２４個）を担持することができる。加えて、この実施例の技術は、アレイ上の各電極部位の位置を知ること、並びに心臓の幾何学的形状を知ることにより実装することができる。これらの位置は、好ましくは、インピーダンスプレスチモグラフィの技術によって決定される。

別の実施例によれば、心臓マッピングカテーテルアセンブリは、多数の電極部位を画定する電極アレイを含むことができる。このマッピングカテーテルアセンブリはまた、心臓壁を精査するために使用され得る遠位先端電極アセンブリを有する基準カテーテルを受け入れるための管腔を含むこともできる。このマッピングカテーテルは、絶縁されたワイヤの編組（例えば、編組内に２４～６４個のワイヤを有する）を含むことができ、それらのワイヤの各々を使用して電極部位を形成することができる。このカテーテルは、第１の組の非接触電極部位、及び／又は第２の組の接触電極部位から電気活動情報を獲得するために使用されるように、心臓内で容易に位置決め可能とすることができる。

別の実施例によれば、心臓内の電気生理学的活動をマッピングするための別のカテーテルを実装することができる。このカテーテル本体は、心臓のペースを調整するための刺激パルスの送達に適合される遠位先端、又はその先端と接触して組織をアブレーションするためのアブレーション電極を含むことができる。このカテーテルは、少なくとも一対の直交電極を更に含み、その直交電極は、その直交電極に隣接する局所的な心臓電気活動を示す差信号を生成することができる。

別の実施例によれば、心腔内の電気生理学的データを測定するためのプロセスを実装することができる。この方法は、一組の活性電極及び不活性電極を心臓中に位置決めすること、電流を活性電極に供給することによって心腔内に電場を発生させること、及び不活性電極部位において電場を測定すること、を部分的に含むことができる。不活性電極は、バルーンカテーテルの膨張可能なバルーン上に位置決めされたアレイ内に収容される。好ましい実施形態では、そのアレイは、６０～６４個の電極を有すると言われている。

別の実施例によれば、心臓マッピングは、１つ以上の超音波トランスデューサを使用して実装することができる。この超音波トランスデューサは、患者の心臓中に挿入することができ、心臓内の様々な位置及び配向において複数の超音波スライス（例えば、二次元又は三次元スライス）を収集することができる。所与の超音波トランスデューサの位置及び配向は、既知であり得、その収集された超音波スライスは、格納され得、その結果、それらは、後になって表示され得る。後になって、プローブ（例えば、治療カテーテル）の位置に対応する１つ以上の超音波スライスが、表示され得、そのプローブは、その１つ以上の超音波スライス上に重ね合わせることができる。

他の実施例によれば、身体パッチ及び／又は身体表面電極は、患者の身体の上に、又はそれに隣接して位置決めすることができる。１つ以上の電極を有するカテーテルは、患者の身体内（例えば、患者の心臓内）に位置決めされてもよく、カテーテルの位置は、カテーテルの１つ以上の電極と身体パッチ及び／又は身体表面電極との間で送信及び受信された信号に基づいて、システムによって決定されてもよい。加えて、カテーテル電極は、患者の身体内（例えば、心臓内）から生体計測データ（例えば、ＬＡＴ値）を感知してもよい。生体計測データは、患者の身体部分（例えば、心臓）のレンダリングを表示することができ、かつカテーテルの位置によって決定されるように、身体部分の形状に重ね合わされた生体計測データを示すことができるように、カテーテルの決定された位置に関連付けられてもよい。

図１７は、本開示の主題の１つ以上の特徴を実装することができる例示的なシステム１７２０の図である。システム１７２０の全て若しくは一部を使用して、訓練データセットの情報を収集することができ、かつ／又はシステム１７２０の全て若しくは一部を使用して、訓練済みモデルを実装することができる。システム１７２０は、心臓マッピングのための生体計測データを取得するように構成され、かつ／又は体内臓器の組織領域を損傷するように構成された、カテーテル１７４０などの構成要素を含み得る。したがって、カテーテル１７４０は、マッピングカテーテル、処置（例えば、アブレーション）カテーテル、又はその両方であり得ることが理解されるであろう。本明細書の開示は、マッピングカテーテル、治療カテーテル、又はその両方として動作するカテーテル１７４０を指し得るが、本明細書に開示される主題を実装するために１つ以上のカテーテルが使用されてもよいことが理解されるであろう。カテーテル１７４０は、ポイントカテーテルであるように示されているが、１つ以上の要素（例えば、電極）を含む任意の形状のカテーテルを使用して、本明細書に開示される実施形態を実装することができることが理解されよう。システム１７２０は、プローブ１７２１を含み、そのプローブは、テーブル１７２９上に横たわる患者１７２８の心臓１７２６などの身体部分中に医師１７３０がナビゲートすることができるシャフトを有する。複数の実施形態によれば、複数のプローブが提供されてもよく、本明細書には簡潔さのために単一のプローブ１７２１が記載されているが、プローブ１７２１が複数のプローブを表してもよいことが理解されるであろう。図１７で示されるように、医師１７３０は、カテーテル１７４０の近位端部の近くのマニピュレータ１７３２及び／又はシース１７２３からの偏向部を使用して、シャフト１７２２の遠位端部を操作しながら、シース１７２３を通してシャフト１７２２を挿入することができる。挿入図１７２５に示すように、カテーテル１７４０は、シャフト１７２２の遠位端において取り付けることができる。カテーテル１７４０は、折り畳まれた状態でシース１７２３を通して挿入され得、次いで、心臓１７２６内で拡張され得る。本明細書で更に開示されるように、カテーテル１７４０は、少なくとも１つのアブレーション電極１７４７及びカテーテル針１７４８を含み得る。

実施形態によれば、カテーテル１７４０は、心臓１７２６の心室の組織領域をアブレーションするように構成されていてもよい。挿入図１７４５は、心臓１７２６の心室内部のカテーテル１７４０を拡大して示している。図示するように、カテーテル１７４０は、カテーテルの本体に結合された少なくとも１つのアブレーション電極１７４７を含むことができる。他の実施形態によれば、複数の要素が、カテーテル１７４０の形状を形成するスプラインを介して接続され得る。１つ以上のその他の要素（図示せず）を設けることができ、それらは、アブレーションを行うか又は生体計測データを取得するように構成された任意の要素であってよく、電極、トランスデューサ又は１つ以上のその他の要素であり得る。

本明細書に開示する実施形態によれば、電極１７４７などのアブレーション電極は、心臓１７２６などの体内器官の組織領域にエネルギーを供給するように構成されていてもよい。エネルギーは、熱エネルギーであり得、組織領域の表面から始まって組織領域の厚さに延在する組織領域への損傷を引き起こす可能性がある。

本明細書に開示される複数の実施形態によれば、生体計測データは、ＬＡＴ、電気活動、トポロジ、双極マッピング、主要周波数、インピーダンスなどのうちの１つ以上を含んでもよい。局所活性化時間は、正規化された初期開始点に基づいて計算された、局所活性化に対応する閾値活動の時点であり得る。電気活動は、１つ以上の閾値に基づいて測定され得る任意の適用可能な電気信号であってよく、信号対ノイズ比及び／又はその他のフィルタに基づいて、感知及び／又は拡張され得る。トポロジは、身体部分若しくは身体部分の一部の物理的構造に対応し得、身体部分の異なる部分に関する、又は異なる身体部分に関する物理的構造における変化に対応し得る。主要周波数は、身体部分の一部に行き渡る周波数又は周波数の範囲であり得、同じ身体部分の異なる部分において異なり得る。例えば、心臓の肺静脈の主要周波数は、同じ心臓の右心房の主要周波数と異なり得る。インピーダンスは、身体部分の所与の領域における抵抗測定値であり得る。

図１７に示すように、プローブ１７２１及びカテーテル１７４０は、コンソール１７２４に接続することができる。コンソール１７２４は、カテーテルに信号を送信及びカテーテルから信号を受信するため、並びにシステム１７２０の他の構成要素を制御するための、好適なフロントエンド及びインターフェース回路１７３８を備える汎用コンピュータなどのプロセッサ１７４１を含むことができる。いくつかの実施形態では、プロセッサ１７４１は、電気活動などの生体計測データを受信し、所与の組織領域が電気を伝導するか否かを判定するように更に構成されていてもよい。一実施形態によれば、プロセッサは、コンソール１７２４の外部にあってもよく、例えば、カテーテル内、外部装置内、モバイル装置内、クラウドベースの装置内に位置してもよく、又は独立型プロセッサであってもよい。

上記のとおり、プロセッサ１７４１は、汎用コンピュータを含んでよく、このコンピュータは、本明細書に記載されている機能を実行するためにソフトウェア内でプログラムされ得る。ソフトウェアは、例えば、ネットワーク上で、汎用コンピュータに電子形態でダウンロードされてよく、又は代替的に若しくは追加的に、磁気メモリ、光学メモリ、若しくは電子メモリなどの非一時的有形媒体上で提供及び／若しくは記憶されてもよい。図１７に示す例示的な構成は、本明細書に開示される実施形態を実装するように修正されてもよい。本開示の実施形態は、他のシステム構成要素及び設定を使用して、同様に適用することができる。更に、システム１７２０は、電気活動を感知するための要素、有線又は無線コネクタ、処理及びディスプレイ装置などの追加の構成要素を含んでもよい。

一実施形態によれば、プロセッサ（例えばプロセッサ１７４１）に接続されたディスプレイは、別個の病院又は別個の医療提供者ネットワークなどの遠隔位置に位置してもよい。加えて、システム１７２０は、心臓などの患者の器官の解剖学的測定値及び電気的測定値を取得し、心臓アブレーション処置を実行するように構成された、外科用システムの一部であってもよい。かかる外科用システムの一例は、Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒにより販売されているＣａｒｔｏ（登録商標）システムである。

システム１７２０はまた、及び任意選択的に、超音波、コンピュータ断層撮影（computed tomography、ＣＴ）、磁気共鳴撮像法（magnetic resonance imaging、ＭＲＩ）、又は当該技術分野において既知の他の医療撮像技術を使用して、患者の心臓の解剖学的測定値などの生体計測データを取得することができる。システム１７２０は、カテーテル、心電図（electrocardiogram、ＥＫＧ）、又は心臓の電気特性を測定する他のセンサを使用して電気的測定値を取得することができる。次いで、解剖学的測定値及び電気的測定値を含む生体計測データは、図１７に示されるように、マッピングシステム１７２０のメモリ１７４２内に記憶されてもよい。生体計測データは、メモリ１７４２からプロセッサ１７４１に送信されてもよい。代替的に、又は加えて、生体計測データは、ネットワーク１７６２を使用して、局所又は遠隔であってもよいサーバ１７６０に送信されてもよい。

ネットワーク１７６２は、イントラネット、局所エリアネットワーク（ＬＡＮ）、広域ネットワーク（ＷＡＮ）、メトロポリタンエリアネットワーク（ＭＡＮ）、直接接続若しくは一連の接続、セルラ電話ネットワーク、又はマッピングシステム１７２０とサーバ１７６０との間の通信を容易にすることが可能な任意の他のネットワーク若しくは媒体などの当該技術分野で一般的に既知である任意のネットワーク又はシステムであってもよい。ネットワーク１７６２は、有線、無線、又はこれらの組み合わせであってよい。有線接続は、イーサネット、ユニバーサルシリアルバス（Universal Serial Bus、ＵＳＢ）、ＲＪ－１１、又は当該技術分野において一般的に知られている任意のその他の有線接続を使用して実装することができる。無線接続は、Ｗｉ－Ｆｉ、ＷｉＭＡＸ、及びＢｌｕｅｔｏｏｔｈ、赤外線、セルラネットワーク、衛星、又は当該技術分野において一般的に知られている任意のその他の無線接続方法を使用して実装することができる。更に、いくつかのネットワークは、単独で機能し、又は互いに通信し合って、ネットワーク１７６２内の通信を容易にすることができる。

場合によっては、サーバ１７６２は、物理的サーバとして実装されてもよい。他の場合では、サーバ１７６２は、仮想サーバ、パブリッククラウドコンピューティングプロバイダ（例えば、Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ（ＡＷＳ）（登録商標））として実装されてもよい。

制御コンソール１７２４は、ケーブル１７３９によって身体表面電極１７４３に接続されてよく、身体表面電極は、患者１７３０に貼り付けられる接着性皮膚パッチを含み得る。電流追跡モジュールと連動するプロセッサは、患者の身体部分（例えば、心臓１７２６）内部のカテーテル１７４０の位置座標を決定することができる。位置座標は、身体表面電極１７４３と電極１７４８又はカテーテル１７４０の他の電磁構成要素との間で測定されるインピーダンス又は電磁場に基づいてもよい。付加的に、又は代替的に、位置パッドは、ベッド１７２９の表面上に位置決めされてもよく、かつベッド１７２９とは別個であってもよい。

プロセッサ１７４１は、典型的にはフィールドプログラマブルゲートアレイ（field programmable gate array、ＦＰＧＡ）として構成されているリアルタイムノイズ低減回路と、続いてアナログ－デジタル（analog-to-digital、Ａ／Ｄ）ＥＣＧ（ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈ、心電計）又はＥＭＧ（ｅｌｅｃｔｒｏｍｙｏｇｒａｍ、筋電図）信号変換集積回路と、を含むことができる。プロセッサ１７４１は、Ａ／Ｄ ＥＣＧ又はＥＭＧ回路から別のプロセッサへ信号を伝えることができ、かつ／又は本明細書に開示される１つ以上の機能を実行するようにプログラムすることができる。

制御コンソール１７２４はまた、制御コンソールが電極１７４７から信号を伝達し、かつ／又はこれに信号を伝達することを可能にする、入力／出力（input/output、Ｉ／Ｏ）通信インターフェースを含むことができる。

処置中、プロセッサ１７４１は、ディスプレイ１７２７上での医師１７３０への身体部分レンダリング１７３５の提示を容易にし、身体部分レンダリング１７３５を表すデータをメモリ１７４２内に記憶することができる。メモリ１７４２は、ランダムアクセスメモリ又はハードディスクドライブなどの任意の好適な揮発性メモリ及び／又は不揮発性メモリを備えてもよい。いくつかの実施形態では、医療専門家１７３０は、タッチパッド、マウス、キーボード、ジェスチャ認識装置などの１つ以上の入力装置を使用して、身体部分レンダリング１７３５を操作することが可能であり得る。例えば、入力装置を使用して、レンダリング１７３５が更新されるように、カテーテル１７４０の位置を変更することができる。代替的な実施形態では、ディスプレイ１７２７は、身体部分レンダリング１７３５を提示することに加えて、医療専門家１７３０からの入力を受信するように構成されていてもよいタッチスクリーンを含んでもよい。

開示される主題の例示的な実施形態によれば、新しいＣＰＭ行列は、対応するカテーテル位置情報をほとんど又は全く伴わずに、履歴ＣＰＭ行列に基づいて生成されてもよい。特に、本明細書に開示される技術は、体内カテーテルを使用せずにＣＰＭ行列の生成を可能にして、心腔全体を物理的に被覆して、各位置に対する比を決定することを可能にし得る。

履歴ＣＰＭ行列は、体内カテーテル電極から送信され、患者の身体上の複数の身体表面（ＢＳ）パッチによって受信される信号からの電流分布に基づいて、（例えば、対応するクラスタに基づいて）所与のカテーテル位置ごとに生成され得る。図１８は、新しい電気信号に基づいてカテーテル位置を決定し、新しい電気信号に対応する新しいカテーテル位置情報を伴わずにＣＰＭ行列を生成するためのプロセス１８００を示す。明確にするために、対応する患者特性（例えば、電気信号、カテーテル配向及び／又は位置、心臓解剖学的構造など）及びカテーテル位置を有する履歴ＣＰＭ行列の多くの事例を訓練データとして使用して、本明細書で提供される図４～図１５に従ってモデルを生成することができる。モデルは、カテーテルの電極によって送信される新しい電気信号が、例えば、ＢＳパッチによって捕捉されてもよく、患者特性と共にモデルに供給され得るように訓練されてもよい。代替的に、又は加えて、モデルは、新しい電気信号がＢＳパッチによって送信され、カテーテルの電極によって受信されるように訓練されてもよく、患者特性と共にモデルに供給されてもよい。モデルの訓練された構成要素に基づいて、カテーテル位置を予測することができ、ＣＰＭ行列を識別することができる。この実装は、位置情報及び各カテーテル位置に対する対応する比率を捕捉する必要性を低減するため、ＣＰＭ行列の生成を促進するであろう。

図１８のフローチャート１８００に示すように、工程１８０２では、履歴ＣＰＭ行列、特定の患者特性（例えば、電気信号、カテーテル配向及び／又は位置、心臓解剖学的構造など）、及び対応するカテーテル位置を収集することができる。対応するＣＰＭ行列の電気信号が生成されるとき、対応するカテーテル位置は、（例えば、磁気マッピング電極を介して）識別されるカテーテル位置であってもよい。図１８のプロセス１８００のステップ１８０４において、履歴ＣＰＭ、患者特性、及び工程１８０２で収集された対応する位置は、学習システムの訓練データとして使用されてもよい。ステップ１８０４において、訓練データは、所与のアルゴリズムに基づいて学習システムを訓練するために使用されてもよい。１８００のプロセスのステップ１８０６において、訓練された学習システムを使用してモデルを生成することができる。モデルは、所与の新しい患者特性（例えば、電気信号、カテーテル配向及び／又は位置、心臓解剖学的構造など）を与えるように生成されてもよく、モデルは、最小カテーテル位置を有する出力として、又はカテーテル位置を有さない出力として新しいＣＰＭ行列を提供するように構成されている。

図１８のプロセス１８００の工程１８０８において、患者のための新しい患者特性（例えば、電気信号、カテーテル配向及び／又は位置、心臓解剖学的構造など）は、工程１８０６で生成されたモデルによって受信されるか、又は入力として提供されてもよい。工程１８１０において、モデルは、予測されたカテーテル位置を出力してもよく、及び／又は入力電気信号に基づいて新しいＣＰＭ行列を生成することができる。

図１９は、電気信号を収集するための例示的な実装を示す。図示のように、カテーテル１９１０は、心腔（例えば、クラスタ）１９００に挿入されてもよく、電気信号を放出するように構成された電極を備えてもよい。電気信号は、カテーテル１９１０によって放出された受信された電気信号に基づいてＣＰＭ行列を生成することができるように、１つ以上のＢＳパッチ１９２０によって受信され得る。代替的な実装によれば、図１９に示すように、カテーテル１９１０は、心腔（例えば、クラスタ）１９００に挿入されてもよく、電気信号を受信するように構成された電極を備えてもよい。電気信号は、１つ以上のＢＳパッチ１９２０によって送信されてもよく、これにより、ＣＰＭ行列は、ＢＳパッチ１９２０によって送信されるカテーテル１９１０で受信された電気信号に基づいて生成され得る。

図１８のフローチャート１８００に示すように、工程１８０２において、履歴ＣＰＭ行列及び対応するカテーテル位置を受信することができる。履歴ＣＰＭ行列は、適応ＣＰＭ推定プロセス及びＣＰＭアプリケーションプロセスに基づいて生成され得る。ＣＰＭアプリケーションプロセスは、クラスタ選択モジュール及びＣＰＭアプリケーションモジュールを更に含んでもよい。

適応ＣＰＭ推定プロセスは、カテーテルなど、ＥＭセンサとそれに関連付けられる電極とを有する任意のハイブリッド型カテーテルから得られる、ベクトル

に含まれている測定値を用いて、ＣＰＭ行列を算出する。本発明の例示的な実施形態において、調査されている領域の、本明細書ではクラスタボリューム又はクラスタとも呼ばれる各副ボリュームごとに、それぞれの行列が算出される。調査されている領域は、特定のクラスタレベルに合わせて設定された分解能に従って、種々のサイズのクラスタに分割される。したがって、低い分解能レベルでは、領域は、例えば、１６個のクラスタに分割されてもよく、各クラスタは１つの行列を有する。より高い分解能では、領域は、例えば、千及び２４個に分割されてもよく、それぞれの行列を有するクラスタに分割されてもよい。

履歴ＣＰＭ推定プロセスで構築される行列は、時間をかけて構成され、したがって、アクティブな現在の位置（ＡＣＬ）工程には初期化期間が存在し、この期間にプロセッサが分解工程から初期データを受信する。特定のクラスタに対し、プロセッサがそのクラスタに関する十分なデータを蓄積すると、プロセッサはクラスタの行列を生成することができる。

履歴ＣＰＭアプリケーションでは、生成された行列を陰極電極の電流測定値と共に使用して、各電極の位置をリアルタイムで算出する。この算出は、以下の式に従って実施される。

式中、

は、時間的に分解された電流測定値から構築されるＣＰＭベクトルであり、Ａは、特定のクラスタの行列であり、

は、電極の位置ベクトルである。

ＣＰＭベクトル

は、典型的には次の４セットの要素、（ｉ）マッピングカテーテルの値に対応する複数の（例えば、５つの）電流要素と、（ｉｉ）ＲＩｉ値に対応する複数（例えば、６つの）パッチ呼吸指標

を有する。上記の要素に加えて、使用されるような参照カテーテル、ベクトル

が、（ｉｉｉ）複数（例えば、５個）の参照カテーテル電流要素、及び（ｉｖ）複数（例えば、３つ）の参照カテーテル位置要素も含んでもよい。セット（ｉｉ）、（ｉｉｉ）、及び（ｉｖ）の要素は、上記の時間的分解の後に導出される値であってもよく、すなわち、セット（ｉｉ）のドリフト成分を減算し、呼吸成分をセット（ｉｉｉ）及び（ｉｖ）に差し引いた値であってもよい。

プロセッサは、呼吸指標

を使用して呼吸記述子を生成することができ、呼吸記述子は、測定が呼吸サイクルのどの時点にあるかを示す値である。呼吸記述子は、典型的には、患者が位置決めされた後、パッチｉが取り付けられた後に最初に生成される。典型的には約３０秒のオーダーの呼吸訓練期間中、プロセッサは呼吸指標

の値を蓄積する。

呼吸指標が蓄積されると、プロセッサは、指標上で主要構成要素分析（ＰＣＡ）を実行して、以下のような最大固有値を有する要素間の方向を見つける。

上記の式によって与えられる方向は、以下のように呼吸記述子値を計算するために使用される。

式中、ＲＤｉは、ｉ^番目のパッチの呼吸記述子である。

ＲＤｉ値の平均及び範囲は、以下のように計算される。

平均値及び範囲は、０～最大値ＣｌＮｏの範囲であるＲＤｉの正規化された値ＲＤｎｉを計算するために使用される。ＣＬＮｏは、以下に記載される更新ホルダーの分解能を定義する数であり、典型的には約５である。

ＲＤｎｉの値は、メモリに記憶される。

図２０は、本発明の実施形態による、ＣＰＭ行列を生成するためにプロセッサが行う工程を示すプロセス２０００である。このプロセス２０００の工程は、各測定値がカテーテルで生成されるときに、適応ＣＰＭ推定プロセスで実施される。

最初の工程２００２において、上述のように、測定値が任意のハイブリッド型カテーテルから受け取られ、プロセッサはそれらの測定値をＣＰＭベクトル

に加工する。

最初の更新ホルダー工程２００４において、測定値の更新ホルダーインデックスが、算出される。第１の条件２００６において、プロセッサは、更新ホルダーインデックスがメモリに保存されているか否かを確認することによって、そのインデックスが既に存在するか否かを確認する。インデックスが既に存在する場合、測定値は破棄され、プロセスは終了する。

インデックスが存在しない場合、保存工程２００８において、そのインデックス及び測定値がメモリバッファー内に保存され得る。測定値はベクトル

として保存される。

クラスタ関連付け工程２０１０において、測定値は対応するクラスタに関連付けられる。この関連付けは、対応するクラスタインデックスを測定値から算出することによって実施される。測定値は、このクラスタインデックスと関連付けられる。

次いで、クラスタ起源の

が計算される。この時点から、存在する全ての最近傍の隣接クラスタのクラスタ原点、そのうち合計で最大２６個が見出される。

の値から、全ての最近傍の隣接クラスタのクラスタインデックスが式によって算出される。この工程における算出は、ＲＬの全ての値に対して適用される。

第２の更新ホルダー工程２０１２において、隣接クラスタの更新ホルダーインデックスが、工程２００２で受け取られた測定値を用いて算出される。更新インデックスがまだ占有されていない場合、測定値がバッファーに置かれ、そのインデックスが保存される。インデックスがすでに占有されている場合、処理は行われない。

第２の条件２０１４において、各クラスタＣｌｘにおける更新インデックスの個数Ｍが評価される。Ｍが、通常は約４０のオーダーである予め定められた数よりも大きい場合、クラスタ行列工程２０１６において、クラスタのＣＰＭ行列Ａが式を用いて算出される。

式中、

はハイブリッドカテーテルの測定位置であり、

は、更新インデックスｎについて本明細書に記載されるＣＰＭベクトルであり、ｎ＝１，２．．．Ｍである。

２つのＣＰＭ行列Ａは、それぞれのクラスタについて計算されてもよく、１つは参照カテーテルを用いた測定値を使用し、１つは参照カテーテル測定値を有さず、次いで、プロセス２０００は終了する。

条件２０１４において、Ｍが予め定められた数以下である場合、プロセス２０００は終了する。

通常、算出された転帰が自己矛盾しないことを確かめるために、プロセス２０００における計算は、様々な段階で確認される。例えば、クラスタ関連付け工程２０１０において、既存の隣接クラスタの数が、予め定められた数、例えば４よりも少ない場合、誤差が想定され、工程２００２の測定値は認められない。プロセスの動作に関する他の自己一致性の確認は、当業者には明らかとなろう。

したがって、対応するカテーテル位置に基づく履歴ＣＰＭ行列は、図２０のプロセス２０００に従って生成され得る。図１８のプロセス１８００のステップ１８０２では、履歴ＣＰＭ行列は、それぞれの所与の履歴ＣＰＭ行列の対応する患者特性（例えば、電気信号、カテーテル配向及び／又は位置、心臓解剖学的構造など）と共に受信されてもよい。本明細書で更に開示されるように、履歴ＣＰＭ行列は、大多数の患者に対して提供されてもよい。大多数の患者は、例えば、１００人を超える患者、１０００人を超える患者、１０，０００人を超える患者などであってもよい。ＣＰＭ履歴データが使用される患者の数は、ケースごとに決定され得るＣＰＭデータ及び対応するカテーテル位置の品質のうちの１つ以上に依存し得る。

一実装形態によれば、大多数の患者のために提供されるＣＰＭ行列は、患者特性（例えば、電気信号、カテーテル配向及び／又は位置、心臓解剖学的構造など）及び対応するカテーテル位置に基づいて正確な行列が生成された手順に対応し得る。例えば、本明細書で更に開示されるように、ＣＰＭデータの１００人の患者のセットの一組がシステムを訓練するために利用可能であり得る。ＣＰＭデータの１００個の利用可能なセットから、７０セットのみが、品質閾値が満たされる手順に対応し得る。７０セットは、本明細書に開示される実施形態の訓練データとして使用されてもよい。対照的に、品質閾値を満たさない３０セットは、訓練データとして含まれなくてもよい。

図１８のプロセス１８００のステップ１８０４では、履歴ＣＰＭ行列及び対応するカテーテル位置を使用して、学習システムを訓練することができる。訓練は、ハードウェア、ソフトウェア、及び／又はファームウェアを使用して行われてもよい。訓練は、ＣＰＭ行列、患者特性（例えば、電気信号、カテーテル配向及び／又は位置、心臓解剖学的構造など）、及び工程１８０２で受信した対応するカテーテル位置の分析及び相関を含んでもよい。特に、所与のカテーテル位置におけるＣＰＭ行列値を使用して、所与の値又は値の一組と対応するカテーテル位置との間に相関又はリンクが存在するかどうかを判定することができる（例えば、所与の行列値の一組が所与のカテーテル位置に相関する場合）。

工程１８０２で収集されたＣＰＭ行列、患者特性、及びカテーテル位置の特徴は、抽出されてもよく、パターン、関係、相関、電気信号、カテーテル配向及び／又は位置、心臓解剖学的構造などを含んでもよい。特徴行列は、抽出された特徴に基づいて生成されてもよく、学習システムはステップ１８０４で訓練されてもよい。一実装形態によれば、学習システムは、機械学習アルゴリズムに基づいて訓練されてもよい。

学習システムは、工程１８０６でモデルを生成するためのアルゴリズムを使用して訓練されてもよい。アルゴリズムは、例えば、分類アルゴリズム、回帰アルゴリズム、クラスタリングアルゴリズム、又はＥＣＧデータを使用して不整脈の位置を予測するモデルを生成することができる任意の適用可能なアルゴリズムであってもよい。

一例として、図２１は、特定の患者特性（例えば、電気信号、カテーテル配向及び／又は位置、心臓解剖学的構造など）が心臓内の所与のカテーテル位置に対応する可能性があるかどうかを予測するロジスティック回帰図を示す。このロジスティック回帰は、続いて、モデルへの患者特性入力に基づいて、心臓位置及び対応するＣＰＭ行列比の予測を可能にする。例えば、所与の心臓解剖学的構造及び第１の時間に放出された電気信号などの複数の患者特性に基づいて、対応する心臓位置の転帰をロジスティック回帰モデルによって提供することができる。所与の患者特性と特定の心臓位置との関係の組み合わせの過去の履歴は、予測が発生することを可能にする。図２１のロジスティック回帰により、変数２１２０によって表される所与の患者特性（例えば、心臓の解剖学的構造及び受信された電気信号）の組み合わせを分析して、所与の心臓位置、例えば、左心房内のクラスタにマッピングすることを可能にし、ここで確率２１１０は０～１で定義される。Ｓ字状曲線の低端２１３０において、所与の患者特性２１２０の組み合わせは、左心房内にない転帰２１１０に対応し得る。Ｓ字曲線の上端２１４０では、組み合わせ２１２０は、左心房にいることの転帰２１１０を予測する。

上述のように、複数のロジスティック回帰ベースの転帰を生成するために、このような特徴（例えば、患者特性）の大多数の様々な組み合わせを使用することができ、それぞれが心臓の位置とそれぞれのＣＰＭ行列の可能性を予測する。全てのこのようなロジスティック回帰ベースの転帰の組み合わせを使用して、工程１９０４で学習システムの訓練に基づいて生成される工程１９０６で、ロジスティック回帰モデルを生成するために使用されてもよい。

ロジスティック回帰ベースのモデルが一例として提供されているが、任意の適用可能なアルゴリズム（例えば、分類、回帰クラスタリングなど）を使用して、工程１９０６でそれぞれのモデルを生成してもよいことが理解されるであろう。

学習システムを訓練し、適用可能なモデルを生成するために十分な訓練データ（例えば、特徴）が使用されると、モデルは新しいデータと共に使用されてもよい。工程１９０８において、新しい患者特性（例えば、電気信号、カテーテル配向及び／又は位置、心臓解剖学的構造など）をモデルに適用してもよく、モデルは、新しい患者特性から特徴を抽出してもよい。特徴ベクトルを生成し、１９０６で生成されたモデルに入力することができる。モデルは、入力として（例えば、図１５に示すように）特徴ベクトルを使用することができ、患者特性に基づいてＣＰＭ行列及び／又は心臓位置を予測することができる。一実装形態によれば、生成されたＣＰＭ行列及び対応する既知の心臓位置のサブセットは、モデルが未知の心臓位置に対応するＣＰＭ行列の残りを出力するように、モデルに提供され得る。

胸部パッチによる電流の測定値に基づいて、カテーテルの各電極の位置推定を生成するためのシステム及び方法が開示される。システム及び方法は、患者の胸部に配置されたパッチ（例えば、６）によって記録された電流の測定値を与えられたカテーテルの電極の位置を推定する。カテーテルは、電極２２（例えば、主ステム上に２つ、図１６ Ｂに示されるような５つのアームのそれぞれの上に４つを備える）を含む。カテーテル上の各電極は、異なる周波数で電流を放出する。電流は、パッチ上のセンサに到達するまで、身体を通って移動し、センサは電流の読み取り値を生成する。電極が特定の位置に位置する場合、パッチは、電流分布及び呼吸指標を説明する１つ以上のベクトル測定値を生成する。このベクトルは、ＶＥＣと呼ばれることがある。システム及び方法は、ＶＥＣを考慮して電極の位置（３Ｄ空間内）の推定を生成することができる。

電極の位置を推定するための１つの方法は、カテーテルの主ステム上に位置する電気磁気（ＥＭ）センサを利用する。３Ｄ空間内のＥＭセンサの位置は、既知であり得る。マッピング電極と呼ばれるカテーテル上の電極のうちの１つは、ＥＭセンサのすぐ隣に、非可撓性カテーテルステム上の所与の距離に配置される電極であり、したがって、３Ｄ空間内のその位置は、ＥＭセンサに基づいた位置を考慮する精度で既知であり得る。

医師がカテーテルを心臓の周囲に移動させると、システムは、マッピング電極の既知の位置（ＥＭセンサに基づく）の測定値を各点でマッピング電極のＶＥＣと共に収集する。システム及び方法は、現在の位置マッピング（ＣＰＭ）を構築することができる。ＣＰＭは、ＶＥＣ値からボクセルへのマッピングを含み、ここで、マッピング電極はアクセスし、その位置でＶＥＣ値につながる。

ＣＰＭは、マッピング電極がまだアクセスしていない他の近くのボクセルの推定を含んでもよい。特定のボクセルにおける推定は、ＶＥＣ値と位置値の両方が確実に既知である近くのボクセルからのＶＥＣ値の線形補間によって現在生成されている。

システム及び方法は、ＣＰＭを利用して、電極の３Ｄ位置を推定することができる。すなわち、電極のＶＥＣ値を考慮すると、ＣＰＭは、どのボクセルがこのＶＥＣ値を含むかを特定するために利用される。このボクセルは、電極の３Ｄ位置を示す。

最初に、ＣＰＭが非常に小さいため、ＣＰＭにおいて電極の全てのＶＥＣ値が見つかることはなく、したがって電極の位置を推定することができない。カテーテルが心臓内でより明確な位置をアクセスすると、ＣＰＭはより包括的になり得、電極の位置推定は、より多くの位置で利用可能になる。位置推定は、より多くの測定値が収集されるにつれて、より正確になり得る。

図２２は、電極位置を予測するためのシステム２２００の構成を示す。図２２では、「Ｍ．Ｅ．」はマッピング電極を示す。システム２２００は、この電極のＶＥＣ値２２３０．３を与えられた電極の位置２２８０の推定を出力することができるニューラルネットワーク（ＮＮ）２２６０を含む。ＮＮ ２２６０は、ＥＭセンサ及びＭＥ ２２５０．３からの測定値を使用して、新しい患者２２７５の「オンザフライ」２２００．３に訓練され、次いで、それらの位置を推定するために、他の電極のＶＥＣ測定値２２３０．３に適用することができる。所与の患者では、所与の患者のデータに十分な測定値がないため、ＮＮは「白紙状態」から訓練されない。代わりに、ＮＮ ２２６０は、前の患者２２０５．１から収集されたデータ、並びにシミュレーションモデルから収集されたデータにＮＮ ２２６０．１を訓練することによって、オフライン２２００．１で初期化される。次いで、新しい患者において、転送学習２２６０．２は、特定の患者２２０５．２からの測定値に基づいてＮＮモデル２２６０を更新するために利用される。異なる心臓の構造は様々であるため、ＮＮ ２２６０の訓練は、前の患者２２０５．１から収集された生測定値で行うことができない。登録（整列）が必要とされる、すなわち、生データをユニバーサル座標系２２４０．１に変換する。

ここで図２３を参照すると、ＮＮ ２２６０として機能し得るＮＮ ２３００のコアの構成を示す。図２３は、図１４も参照して説明される。ＮＮ ２２６０として機能するＮＮ ２３００は、いくつかの層を含んでもよい。入力層２３１０（５つのノード、２３１０．１、２３１０．２、２３１０．３、２３１０．４、２３１０．５として表される）は、ＶＥＣ測定値を表すベクトルを含む。出力層２３４０（３つのノード、２３４０．１、２３４０．２、２３４０．３として表される）は、３Ｄ空間内の位置を表す３つの値のベクトルを含む。中間層２３２０、２３３０及びそれらのアーキテクチャの数及びサイズは、変更されてもよい。図２３に示すように、中間層１ ２３２０（９つのノード２３２０．１、２３２０．２、２３２０．３、２３２０．４、２３２０．５、２３２０．６、２３２０．７、２３２０．８、２３２０．９として表される）及び中間層２ ２３３０（７つのノード２３３０．１、２３３０．２、２３３０．３、２３３０．４、２３３０．５、２３３０．６、２３３０．７として表される）が存在する。

様々な入力信号は、左の入力層２３１０に供給される。更なる隠れ層は、入力の様々な特徴、並びに入力の非線形の組み合わせを表すために使用される。出力層２３４０は、３Ｄ空間内の位置を表すベクトルに信号を組み合わせている。データの性質及び出力の必要な精度に応じて、より多く（又はより少ない）中間層２３２０、２３３０、並びに異なる数のノードを有する中間層、又は異なる接続のトポロジを用いてもよい。

この種のトポロジは、入力を出力にマッピングする任意の機能（Ｕｎｉｖｅｒｓａｌ Ａｐｐｒｏｘｉｍａｔｉｏｎ Ｔｈｅｏｒｅｍｓ）を表すことができるが、実際には、データの性質に応じて、そのバリエーションや他のトポロジが必要になる場合がある。例えば、入力を特定のクラスに分類する別のＮＮ構成要素を追加してもよく、この分類値は他の層に供給される。

理解されるように、層内の任意の数の層及びノードが利用されてもよく、図２３の描写は例示及び理解のためだけである。

入力層２３１０にＶＥＣ測定値を表すベクトルを提供するために、前の患者２２０５．１からのデータがシステム２２００．１及びＮＮ ２２６０．１を訓練するために使用される。各患者について、データは、ＭＥの位置（ＥＭセンサ位置に基づく）２２２０．１及びこの電極２２３０．１のＶＥＣからなる対からなる測定値を含む。更に、前の患者２２０５．１からのデータは、心臓組織のＣａｒｔｏ ３Ｄモデル２２１０．１を含んでもよい。

このタイプのデータ２２０５．２もまた、オンライン転送学習ステージ２２００．２に必要とされる。入力層２３１０にＶＥＣ測定値を表すベクトルを提供するために、現在のケース２２０５．２からのデータは、システム２２００．２及び訓練ＮＮ ２２６０．２を微調整するために使用される。各患者について、データは、ＭＥの位置（ＥＭセンサ位置に基づく）２２２０．２及びこの電極２２３０．２のＶＥＣからなる対からなる測定値を含む。更に、前の患者２２０５．２からのデータは、心臓組織のＣａｒｔｏ ３Ｄモデル２２１０．２を含んでもよい。

異なる心臓の構造は様々であり、パッチが患者に配置される位置も変化するため、ＮＮ ２２６０の訓練は、前の患者２２０５．１から収集された生測定値で行うことができない。登録（整列）が必要とされる、すなわち、生データをユニバーサル座標系（ＵＣＳ）（前の患者の２２４０．１及び現在の患者からの２２４０．２）に変換することが必要とされる。心臓組織のＣａｒｔｏ ３Ｄモデル２２１０．１、２２１０．２を所与として、ＵＣＳを構築することができる。例えば、各心腔において、ＵＣＳの原点は、正確にチャンバの重心に配置されてもよい。ｘ軸は、特に関連する心臓構造と整列されてもよい。利用可能なデータ内の３Ｄ位置は、このＵＣＳに変換されるように、シフトされ、回転され、延伸され得る。

変換された位置２２４０．１、２２４０．２は、ＮＮ ２２６０．１、２２６０．２の所望の出力値として、ＵＣＳ ２２５０．１、２２５０．２内のＭＥ位置と共に使用される。したがって、生データ２２０５．１、２２０５．２は、まずＵＣＳ ２２４０．１、２２４０．２に変換され、２２６０．１をシステム２２００に訓練し、２２６０．２をシステム２２００に微調整し、ＵＣＳ２２５０．３のＭＥ位置を含むシステム２２００の出力は、新しい患者の推測段階２２００．３の間に、必要に応じて元の座標系に２２４０．３に変換されて戻され得る。

オフラインステージ２２００．１では、ＮＮ ２２６０は、前の事例２２０５．１からのデータについて訓練される（２２６０．１）。上述のように、このデータは、マッピング電極の既知の３Ｄ位置（ＵＣＳへの変換後）２２５０．１及びＶＥＣ値２２３０．１の対からなるデータを含んでもよい。ＵＣＳ ２２５０．１におけるＭＥ位置は、ＵＣＳ ２２４０．１に変換されるＣａｒｔｏ ３Ｄモデル２２１０．１及びＭＥ位置２２２０．１から達成され得る。ＶＥＣ値２２３０．１は、ＮＮ ２２６０への入力として機能し、３Ｄ位置は、ＮＮ ２２６０の所望の出力として機能する。

過去のデータ２２０５．１のデータセットは、訓練セット、妥当性検査セット、及び試験セットに分割されてもよい。第１の２つのセットは、システム開発中に使用されるものであり、試験セットは、システムの精度を評価するためにのみ使用される。また、性能を改善するために、交差検証を使用してもよい。これは、過去の患者２２０５．１からＮＮ ２２６０への知識を組み込む。

システム２２００が配備された後、追加のデータが蓄積され、訓練データセットに追加されて、システム２２００が再訓練され、その精度を継続的に改善することができる。

過去のデータ２２０５．１は、訓練２２６０．１のＮＮ ２２６０の所望の結果を達成するのに不十分であり得る。機械学習における標準的な技術は、シミュレーションによって生成された人工データを用いてリアルデータを増強することである。リアルデータ２２０５．１とシミュレートされたデータとの組み合わせで訓練されるシステムは、より良好に学習することができ、実際のデータにのみ訓練されるシステムよりも堅牢になる（シミュレーションが現実に十分に近い場合）。

電流及びこれらのシステムは、心臓組織及び液体を通って移動する際に、それらが拡散及び変化する方法を含む心臓解剖学的構造の高品質シミュレーションを生成する既存のシステムが存在する。これらのシステムは、心臓を通って移動するときのカテーテルからの読み取り値をシミュレートするために使用することができる。得られたシミュレートデータセットは、リアルデータ２２０５．１に追加され得る。

訓練２２６０．１の後、ＮＮ ２２６０、訓練されたＮＮ ２２７０は、オンライン微調整２２００．２に供されてもよい。訓練されたＮＮ ２２７０は、現在のケース２２０５．２からのデータを使用して微調整された２２６０．２である。上述のように、このデータは、マッピング電極の既知の３Ｄ位置（ＵＣＳへの変換後）２２５０．２及びＶＥＣ値２２３０．２からなるデータを含んでもよい。ＵＣＳ ２２５０．２におけるＭＥ位置は、ＵＣＳ ２２４０．２に変換されるＣａｒｔｏ ３Ｄモデル２２１０．２及びＭＥ位置２２２０．２から達成され得る。ＶＥＣ値２２３０．２は、ＮＮ ２２６０への入力として機能し、３Ｄ位置は、ＮＮ ２２６０の所望の出力として機能する。

過去のデータ２２０５．１で訓練されるＮＮ ２２７０は、新しい患者２２０５．２上のオンライン推論のために「ａｓ ｉｓ」として使用されてもよい。精度を向上させるために、微調整２２６０．２を利用することができる。転送学習としても知られる微調整２２６０．２は、以前に学習されたタスクからの知識が新しいタスクを学習するために再利用されることを可能にし、したがって、結果の精度を改善することができる。これは、カテーテルが患者の心臓の新しい位置にアクセスしている間に利用可能になると、新しい患者２２０５．２から収集されたデータに対して、ＮＮ ２２６０が継続的に訓練され、更新もされることを意味する。時間制約により、ＮＮの２２６０層２３２０、２３３０は全て再訓練されていないが、最後の１つ又は２つの層のみが訓練される。これにより、特定の患者の心臓構造及び測定値に対するＮＮ ２２６０の「微調整」２２６０．２が提供される。このモデルがＵＣＳ ２２４０．２への生入力を変換するために必要とされるように、医師が心臓内でカテーテルを移動させて、現在の患者の心臓のＣａｒｔｏモデル２２１０．２の少なくとも一部を生成するために必要とされる特定の時間の後に微調整２２６０．２が実行されてもよい。Ｃａｒｔｏモデル２２１０．２を生成するためのより多くの測定値が収集されると、ＵＣＳ ２２４０．２への変換がより正確になり、したがって、ＮＮの２２６０出力が改善され得る。

いったんＮＮ ２２６０が患者データ２２０５．２上の微調整された２２６０．２になると、推測段階２２００．３は、訓練されたＮＮ ２２７５を使用して入力され得る。ＮＮ ２２６０は、電極２２３０．３のＶＥＣ値を提供して、ＵＣＳ ２２５０．３内の電極の位置を得ることができる。次いで、この位置は、予測された電極位置２２８０の実際の位置を得るために、ＵＣＳ ２２４０．３から変換することによって患者の特定座標系に変換する必要がある。並行して、現在の患者２２０５．２に対してより多くのデータが収集され続け、ＮＮ ２２６０を微調整２２６０．２に保つために使用される。

心臓内の様々なチャンバは別個であり（左／右心房、左／右心室など）、異なる構造を有するので、別個のＮＮ ２２６０を各このようなチャンバに利用することができる。

過去のデータセット２２０５．１内の各アイテムは、そのアイテムが記録されたチャンバの表示を含む。また、オンライン使用中、この指示は、医師からの手動指示として、又は別個のシステムを使用したカテーテルの読み取りの分類に基づいて自動的に行われてもよい。

プロセス全体は、各チャンバ上で別々に行われる。しかしながら、転送学習２２６０．２は、ＮＮ ２２６０の精度及び性能の両方を改善するために、チャンバ全体のデータに対して実行されてもよい。ＮＮの訓練２２６０．１、２２６０．２の間、下の層が、基本的な特徴を検出することを自動的に学習し、これらが全てのチャンバに関連するため、多チャンバアプローチを利用することができる。

特徴及び要素が特定の組み合わせで上に記載されるが、当業者であれば、特徴又は要素の各々を単独で又は他の特徴及び要素と組み合わせて使用することができることを理解するであろう。加えて、本明細書に記載される方法は、コンピュータ又はプロセッサで実行するために、コンピュータ可読媒体に組み込まれるコンピュータプログラム、ソフトウェア、又はファームウェアにおいて実装され得る。コンピュータ可読媒体の実施例には、電子信号（有線又は無線接続を介して送信される）及びコンピュータ可読記憶媒体が挙げられる。コンピュータ可読記憶媒体の実施例には、読み取り専用メモリ（read only memory、ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、レジスタ、キャッシュメモリ、半導体メモリ装置、磁気媒体、例えば、内蔵ハードディスク及び取り外し可能なディスク、磁気光学媒体、並びに光学媒体、例えば、ＣＤ－ＲＯＭディスク及びデジタル多用途ディスク（ＤＶＤ）が挙げられるが、これらに限定されない。ソフトウェアに関連するプロセッサを使用して、ＷＴＲＵ、ＵＥ、端末、基地局、ＲＮＣ、又は任意のホストコンピュータで使用するための無線周波数送受信機を実装することができる。

〔実施の態様〕
（１） ＣＰＭ行列を自動的に生成するためのシステムであって、
電気信号を感知するように構成された複数の身体表面電極と、
ニューラルネットワークを備えるプロセッサであって、
複数の履歴ＣＰＭ行列、患者特性、及び対応するカテーテル位置を受信し、
前記複数のＣＰＭ行列、前記患者特性、及び前記対応するカテーテル位置に基づいて学習システムを訓練し、
前記学習システムに基づいてモデルを生成し、
前記複数の身体表面電極から少なくとも部分的に新しい患者特性を受信し、
前記複数の身体表面電極から少なくとも部分的に新しい患者特性に基づいて新しいＣＰＭ行列を生成するように構成されている、プロセッサと、を含む、システム。
（２） 受信された前記複数の履歴ＣＰＭ行列が、前記既知の対応するカテーテル位置に基づく、実施態様１に記載のシステム。
（３） 前記プロセッサは、
既知のカテーテル位置を有する患者特性のサブセットを受信し、
前記既知のカテーテル位置を有する患者特性のサブセットにも基づいて、新しいＣＰＭ行列を生成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。
（４） 前記患者特性が、電気信号、カテーテル位置、カテーテル配向、及び心臓解剖学的構造のうちの１つ以上から選択される、実施態様１に記載のシステム。
（５） 前記患者特性が、前の患者からのデータを含む、実施態様４に記載のシステム。

（６） 前記前の患者からのデータが、Ｃａｒｔｏ ３Ｄモデル、ＭＥ位置、及びＶＥＣのうちの少なくとも１つを含む、実施態様５に記載のシステム。
（７） 前記プロセッサが、前記Ｃａｒｔｏ ３Ｄモデル及び前記ＭＥ位置をＵＣＳに更に変換する、実施態様５に記載のシステム。
（８） 前記学習システムが、分類、回帰、及びクラスタリングアルゴリズムのうちの少なくとも１つを使用して訓練される、実施態様１に記載のシステム。
（９） 前記プロセッサが、ＵＣＳ内のＭＥ位置を予測電極位置に変換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。
（１０） 前記プロセッサが、前記訓練及び前記電極の前記ＶＥＣに基づいて、ＵＣＳにおけるＭＥ位置を提供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。

（１１） 不整脈予測モデルを生成する方法であって、
複数の履歴ＣＰＭ行列、患者特性、及び対応するカテーテル位置を受信することと、
第１の組の複数の履歴ＣＰＭ行列、患者特性、及び対応するカテーテル位置に基づいて学習システムを訓練することであって、前記履歴ＣＰＭ行列及び前記患者特性からの属性の組み合わせが、第１の組の前記対応するカテーテル位置と相関するように、学習システムを訓練することと、
第２の組の複数の履歴ＣＰＭ行列、患者特性、及び対応するカテーテル位置に基づいて前記学習システムを更新することであって、前記履歴ＣＰＭ行列及び前記患者特性からの前記属性の組み合わせが、第２の組の対応するカテーテル位置と相関するように、前記学習システムを更新することと、
前記第１の組の前記対応するカテーテル位置及び前記第２の組の対応するカテーテル位置に基づいてモデルを生成することと、を含む、方法。
（１２） 前記第２の組の対応するカテーテル位置が、前記第１の組の対応する不整脈部位に基づいて改善される、実施態様１１に記載の方法。
（１３） 受信された前記複数の履歴ＣＰＭ行列が、前記既知の対応するカテーテル位置に基づく、実施態様１１に記載の方法。
（１４） 既知のカテーテル位置を有する患者特性のサブセットを受信することと、
前記既知のカテーテル位置を有する患者特性のサブセットにも基づいて、新しいＣＰＭ行列を生成することと、を更に含む、実施態様１１に記載の方法。
（１５） 前記患者特性が、電気信号、カテーテル位置、カテーテル配向、及び心臓解剖学的構造のうちの１つ以上から選択される、実施態様１１に記載の方法。

（１６） 前記患者特性が、前の患者からのデータを含む、実施態様１５に記載の方法。
（１７） 前記前の患者からのデータが、Ｃａｒｔｏ ３Ｄモデル、ＭＥ位置、及びＶＥＣのうちの少なくとも１つを含む、実施態様１６に記載の方法。
（１８） 前記Ｃａｒｔｏ ３Ｄモデル及び前記ＭＥ位置をＵＣＳに変換することを更に含む、実施態様１７に記載の方法。
（１９） 前記学習システムが、分類、回帰、及びクラスタリングアルゴリズムのうちの少なくとも１つを使用して訓練される、実施態様１１に記載の方法。
（２０） ＵＣＳにおけるＭＥ位置を予測電極位置に変換することと、
前記訓練及び前記電極の前記ＶＥＣに基づいて、ＵＣＳにおけるＭＥ位置を提供することと、を更に含む、実施態様１１に記載の方法。

Claims (20)

1. ＣＰＭ行列を自動的に生成するためのシステムであって、
   電気信号を感知するように構成された複数の身体表面電極と、
   ニューラルネットワークを備えるプロセッサであって、
   複数の履歴ＣＰＭ行列、患者特性、及び対応するカテーテル位置を受信し、
   前記複数のＣＰＭ行列、前記患者特性、及び前記対応するカテーテル位置に基づいて学習システムを訓練し、
   前記学習システムに基づいてモデルを生成し、
   前記複数の身体表面電極から少なくとも部分的に新しい患者特性を受信し、
   前記複数の身体表面電極から少なくとも部分的に新しい患者特性に基づいて新しいＣＰＭ行列を生成するように構成されている、プロセッサと、を含む、システム。
2. 受信された前記複数の履歴ＣＰＭ行列が、前記既知の対応するカテーテル位置に基づく、請求項１に記載のシステム。
3. 前記プロセッサは、
   既知のカテーテル位置を有する患者特性のサブセットを受信し、
   前記既知のカテーテル位置を有する患者特性のサブセットにも基づいて、新しいＣＰＭ行列を生成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。
4. 前記患者特性が、電気信号、カテーテル位置、カテーテル配向、及び心臓解剖学的構造のうちの１つ以上から選択される、請求項１に記載のシステム。
5. 前記患者特性が、前の患者からのデータを含む、請求項４に記載のシステム。
6. 前記前の患者からのデータが、Ｃａｒｔｏ ３Ｄモデル、ＭＥ位置、及びＶＥＣのうちの少なくとも１つを含む、請求項５に記載のシステム。
7. 前記プロセッサが、前記Ｃａｒｔｏ ３Ｄモデル及び前記ＭＥ位置をＵＣＳに更に変換する、請求項５に記載のシステム。
8. 前記学習システムが、分類、回帰、及びクラスタリングアルゴリズムのうちの少なくとも１つを使用して訓練される、請求項１に記載のシステム。
9. 前記プロセッサが、ＵＣＳ内のＭＥ位置を予測電極位置に変換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。
10. 前記プロセッサが、前記訓練及び前記電極の前記ＶＥＣに基づいて、ＵＣＳにおけるＭＥ位置を提供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。
11. 不整脈予測モデルを生成する方法であって、
    複数の履歴ＣＰＭ行列、患者特性、及び対応するカテーテル位置を受信することと、
    第１の組の複数の履歴ＣＰＭ行列、患者特性、及び対応するカテーテル位置に基づいて学習システムを訓練することであって、前記履歴ＣＰＭ行列及び前記患者特性からの属性の組み合わせが、第１の組の前記対応するカテーテル位置と相関するように、学習システムを訓練することと、
    第２の組の複数の履歴ＣＰＭ行列、患者特性、及び対応するカテーテル位置に基づいて前記学習システムを更新することであって、前記履歴ＣＰＭ行列及び前記患者特性からの前記属性の組み合わせが、第２の組の対応するカテーテル位置と相関するように、前記学習システムを更新することと、
    前記第１の組の前記対応するカテーテル位置及び前記第２の組の対応するカテーテル位置に基づいてモデルを生成することと、を含む、方法。
12. 前記第２の組の対応するカテーテル位置が、前記第１の組の対応する不整脈部位に基づいて改善される、請求項１１に記載の方法。
13. 受信された前記複数の履歴ＣＰＭ行列が、前記既知の対応するカテーテル位置に基づく、請求項１１に記載の方法。
14. 既知のカテーテル位置を有する患者特性のサブセットを受信することと、
    前記既知のカテーテル位置を有する患者特性のサブセットにも基づいて、新しいＣＰＭ行列を生成することと、を更に含む、請求項１１に記載の方法。
15. 前記患者特性が、電気信号、カテーテル位置、カテーテル配向、及び心臓解剖学的構造のうちの１つ以上から選択される、請求項１１に記載の方法。
16. 前記患者特性が、前の患者からのデータを含む、請求項１５に記載の方法。
17. 前記前の患者からのデータが、Ｃａｒｔｏ ３Ｄモデル、ＭＥ位置、及びＶＥＣのうちの少なくとも１つを含む、請求項１６に記載の方法。
18. 前記Ｃａｒｔｏ ３Ｄモデル及び前記ＭＥ位置をＵＣＳに変換することを更に含む、請求項１７に記載の方法。
19. 前記学習システムが、分類、回帰、及びクラスタリングアルゴリズムのうちの少なくとも１つを使用して訓練される、請求項１１に記載の方法。
20. ＵＣＳにおけるＭＥ位置を予測電極位置に変換することと、
    前記訓練及び前記電極の前記ＶＥＣに基づいて、ＵＣＳにおけるＭＥ位置を提供することと、を更に含む、請求項１１に記載の方法。

Images