JP2022027630A - 広域周方向アブレーション点の解剖学的構造の自動セグメンテーション - Google Patents

Abstract

【課題】潜在的な間隙を予測し、解剖学セグメンテーションを提供し、かつＷＡＣＡアブレーション点の連続性推定を提供するための改善された方法を提供すること。【解決手段】メモリに結合されたプロセッサを使用して実装される評価エンジンを実装するための方法及び装置。評価エンジンは、患者の心組織に対する有効点を受信する。評価エンジンは、心組織の構造セグメンテーションに基づいて、有効点のそれぞれに対して解剖学的構造分類を決定し、心組織の治療をサポートするために、複数の有効点のそれぞれを有する解剖学的構造分類を提供する。【選択図】図１

Description

（関連出願の相互参照）
本出願は、２０２０年７月３０日出願の、米国仮特許出願第６３／０５９，０６０号の利益を主張するものであり、当該特許文献は、完全に記載されているかのように参照により組み込まれる。

（発明の分野）
本発明は、人工知能及び機械学習の方法及びシステムに関する。より具体的には、本発明は、広域周方向アブレーション（wide area circumferential ablation、ＷＡＣＡ）点の解剖学的構造の自動セグメンテーションを実行する機械学習アルゴリズムを利用するシステム及び方法に関する。

心臓状態の治療は、多くの場合、心臓撮像（すなわち、心スキャン又は心撮像としても知られる、心臓の組織、室、静脈、動脈、及び／又は経路の撮像）及びその後のアブレーション（すなわち、撮像された心臓の組織、室、静脈、動脈、及び／又は経路の除去又は破壊）を必要とする。一実施例では、心房細動の心臓状態は、心房細動アブレーションを使用して撮像及び治療することができる。特定のタイプの心房細動アブレーションは、広域周方向アブレーション（ＷＡＣＡ）である。

従来、心臓マッピング段階中に、ＷＡＣＡは、左肺静脈及び右肺静脈の周囲に環状リングを作製するため、点（例えば、ＷＡＣＡアブレーション点）ごとの右肺静脈及び左肺静脈の隔離を成し遂げる（例えば、症例によっては、ＷＡＣＡは心房のルーフまで及び右心房内に達し得る）。更に、ＷＡＣＡは、ＷＡＣＡアブレーション点間の潜在的な間隙の存在、得られるアブレーションライン内の潜在的な間隙の存在、及び解剖学的構造に対するＷＡＣＡの依存性によって制限される。例えば、これらの間隙は、アブレーション段階中に未処理のまま残された場合、肺静脈の再接続及び再発性不整脈につながり得る。これらの制限を克服するために、従来の方法は、医療専門家の手動によるアブレーション部位の解剖学的セグメンテーション及び手動によるＷＡＣＡアブレーション点連続性推定に依存する。

これらの制限により、かつ従来の手動によるレビュー方法を考慮すると、潜在的な間隙を予測し、解剖学セグメンテーションを提供し、かつＷＡＣＡアブレーション点の連続性推定を提供するための改善された方法を提供する必要がある。

メモリに結合されたプロセッサを使用して実装される評価エンジンを実装するための方法及び装置が提供される。評価エンジンは、患者の心組織に対する有効点を受信する。評価エンジンは、心組織の構造セグメンテーションに基づいて、有効点のそれぞれに対して解剖学的構造分類を決定し、心組織の治療をサポートするために、複数の有効点のそれぞれを有する解剖学的構造分類を提供する。

より詳細な理解は、添付の図面と併せて例として示される以下の説明より得ることができ、図中の同様の参照番号は、同様の要素を示す。
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の図を示す。 患者の生体情報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を示す。 人工知能システムのグラフィック描写を示す。 図３の人工知能システムにおいて実行される方法のブロック図を示す。 １つ以上の実施形態による、方法のブロック図を示す。 オートエンコーダ構造の一例を示す。 図６Ａのオートエンコーダにおいて実行される方法のブロック図を示す。 １つ以上の実施形態による、方法のブロック図を示す。 別個の２つの環状リングを有するＰＶの画像を提供するグラフィカルユーザインターフェースの一例のグラフィック画像を示す。 データセットを示すユーザインターフェースのグラフィック画像を示す。 データセットを示すユーザインターフェースのグラフィック画像を示す。 左及び右のＷＡＣＡを解剖学的構造に分類するグラフィック描写を示す。 右解剖学的構造の図を示す。 左解剖学的構造の図を示す。 急性再接続分類子のランダムフォレストの例示的な動作の分類方法のブロック図を示す。 ランダムフォレスト分類、全結合高密度層、及びＣＮＮアーキテクチャを活用する分類方法のブロック図を示す。 例示的なランダムフォレスト分類子を示す。 急性再接続分類子のランダムフォレストの例示的な動作の分類方法のブロック図を示す。 やり直し／急性再接続分類子の深層学習方法の例示的な動作の分類方法のブロック図を示す。 急性再接続点を示すグラフィック画像を示す。

広域周方向アブレーション（ＷＡＣＡ）点の解剖学的構造の自動セグメンテーションのためのシステム及び方法が本明細書に開示される。システム及び方法は、人工知能及び機械学習を含む。より具体的には、本開示は、心臓マッピング段階中の有効ＷＡＣＡアブレーション点及び有効アブレーション点（例えば、有効点）の解剖学的構造の自動セグメンテーションを実行する機械学習アルゴリズムを含む、ＷＡＣＡ点の解剖学的構造の自動セグメンテーションのためのシステム及び方法に関する。例えば、システム及び方法は、ランダムフォレスト回帰、全結合高密度層、及び畳み込みニューラルネットワーク（convolutional neural network、ＣＮＮ）アーキテクチャを使用して、有効点の解剖学的構造の自動セグメンテーションを実行するために、医療デバイス機器によるプロセス動作に、及び医療デバイス機器の処理ハードウェアにある、プロセッサ実行可能コード又はソフトウェアを含む。

一実施形態によれば、システム及び方法は、自動解剖学的セグメンテーション、連続性推定、及び間隙予測のための有効点の特定の多段データ操作を提供する評価エンジンを含む。例えば、心臓マッピング段階中に、評価エンジンは、アブレーション点が右ＷＡＣＡ又は左ＷＡＣＡの一部であるか否か（例えば、それぞれのＷＡＣＡ点が左肺静脈（pulmonary vein、ＰＶ）の周囲の左環状リング内にあるか、又は右ＰＶの周囲の右環状リング内にあるか否か）を決定し、左ＷＡＣＡ点及び右ＷＡＣＡ点をＰＶの９つなどの多数の解剖学的構造に分類する（例えば、それぞれのアブレーション点を解剖学的構造のうちの１つに関連付ける）ことができる。心臓マッピング段階中、評価エンジンは、医療専門家がＰＶを隔離するのに点が役立つように、有効点のそれぞれが良好又は正確かどうかを決定することができる。良好な又は正確な有効点を決定する際に、評価エンジンは、右ＷＡＣＡ及び左ＷＡＣＡの情報及び解剖学的構造分類を使用して、急性再接続及びやり直しの位置を予測することができる。

例えば、肺静脈隔離（pulmonary vein isolation、ＰＶＩ）は、アブレーションカテーテルを使用して、点ごとのＷＡＣＡパターン（例えば、ＷＡＣＡ処置）で高周波エネルギーを用いて実行され、ＷＡＣＡ処置の終点は完全な肺静脈隔離である。最後のアブレーションＷＡＣＡ点の後、医師は、マッピングカテーテルをＰＶのそれぞれに順次配置して、自発的なＰＶ再接続が生じたかどうかを判定する。肺静脈再接続が生じなかった場合、休眠伝導の任意の部位をマスク除去するために、静脈内アデノシンのボーラスが投与される。アブレーションは、ＰＶＩを達成するために再接続の任意の部位で実行されてもよい。評価エンジンは、潜在的な再接続部位のＷＡＣＡ処置を実行した後に医師に事前に通知することを試みてもよく、それにより、それらの部位をアブレーションすることによって、ＰＶＩが生じ得る。評価エンジンは、第２及び第３の段階（例えば、アデノシン投与後）における追加のアブレーションの必要性を低減する。たとえ、ＰＶの隔離が存在しても、１回目のＷＡＣＡセッションから患者が解放された後に、引き続いてのアブレーションセッションにより、心房細動が繰り返される場合がある。評価エンジンは、１回目のＷＡＣＡセッション中に特定の領域を再アブレーションする（すなわち、やり直しの位置を予測する）ことを医師に提供することができる。

評価エンジンの技術的効果及び利益としては、心組織の改善された画像データを提供するための、アブレーション点に対する自動解剖学的セグメンテーション、連続性推定、及び潜在的な長期（やり直し）再接続部位推定が挙げられる。改善された画像データは、ＷＡＣＡアブレーション点と得られるアブレーションラインとの間の間隙の潜在的な存在、及び解剖学的構造に対するＷＡＣＡの依存性を低減及び／又は排除する。このように、改善された画像データは、これらの間隙がＰＶの再接続及び再発性不整脈につながる可能性を低減又は排除することによって、様々な心血管疾患を効果的に治療するために使用することができる。評価エンジンは、限定するものではないが、アブレーション超音波技術（例えば、心房細動アブレーション及びＷＡＣＡ）、プランニング及び病変の診断、並びに磁気共鳴の評価及び診断に実践的に適用されて、心房細動、心房粗動、一般的な電気生理学、不整脈、心室細動、及び心室性頻拍などの１つ又は２つ以上の疾患状態に対処することができる。

図１は、本開示の主題の１つ又は２つ以上の特徴が実施され得る例示的なシステム１００（例えば、医療デバイス機器）の略図である。システム１００の全て又は一部を使用して、撮像データセット（例えば、訓練データセット）の情報を収集することができ、かつ／あるいはシステム１００の全て又は一部を使用して、本明細書に記載される機械学習アルゴリズム及び評価エンジンを実装することができる。

システム１００は、体内器官の画像に血管内超音波及び／又はＭＲＩカテーテル法を使用するように構成された、カテーテル１０５などの構成要素を含むことができる。カテーテル１０５はまた、心臓の電気信号を含む生体データ（例えば、ＷＡＣＡアブレーション点などの多数の点におけるデータ）を取得するように更に構成することができる。カテーテル１０５は、点カテーテルであるように示されているが、１つ又は２つ以上の要素（例えば、電極、追跡コイル、圧電トランスデューサなど）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施することができることが理解されるであろう。

システム１００は、プローブ１１０を含み、そのプローブは、医師又は医療専門家１１５がベッド（又はテーブル）１３０上に横たわっている患者１２５の心臓１２０などの身体部分中にナビゲートすることができる、シャフトを有する。実施形態によれば、複数のプローブが提供されてもよいが、簡潔にするため、本明細書には単一のプローブ１１０が記載されている。しかしながら、プローブ１１０は、複数のプローブを表し得ることが理解される。

例示的なシステム１００を利用して、（例えば、評価エンジンを使用して）心臓疾患を検出、診断、及び治療することができる。心不整脈（特に、心房細動）などの心臓疾患は、現在においても、特に老年人口において一般的かつ危険な医療疾患である。正常な洞調律を有する患者（例えば、患者１２５）において、心臓（例えば、心臓１２０）は、心房、心室、及び興奮伝導組織を含み、電気的に刺激されて、同期的にパターン化された様式で脈動する（この電気的な興奮が、心内信号などとして検出され得ることに留意されたい）。

心不整脈を有する患者（例えば、患者１２５）において、心組織の異常領域は、正常な洞調律を有する患者内におけるような、正常な導電性組織に関連した同期鼓動周期には従わない。逆に、心組織の異常領域は、隣接組織に異常に伝わり、それによって、心サイクルを非同期心臓リズムへと混乱させる（この非同期心臓リズムもまた、心内信号として検出され得ることに留意せよ）。このような異常な伝導は、心臓（例えば、心臓１２０）の様々な領域において、例えば、房室（atrioventricular、ＡＶ）結節の伝導路に沿った、洞房（sino-atrial、ＳＡ）結節の領域内において、又は心室及び心房の心腔の壁を形成する心筋組織内において発生することが、以前から知られている。

更に、心房不整脈を含む心不整脈は、多重小波リエントラント型である場合があり、心房の周りで散乱され、また多くの場合、自己伝播する電気的パルスの複数の非同期ループによって特徴付けられる（例えば、心内信号の別の例）。あるいは、又は多重小波リエントラント型に加えて、心不整脈はまた、心房内の組織の孤立領域が急速な反復の様式で自律的に興奮するときなどの、局所的な起源を有する可能性もある（例えば、心内信号の別の例）。心室性頻脈症（Ｖ－ｔａｃｈ又はＶＴ）は、心室のうちの１つにおいて起こる頻脈症又は高速な心律動である。これは、心室細動及び突然死につながり得るため、潜在的に致死性の不整脈である。

不整脈の１つのタイプである心房細動は、洞房結節によって生成される正常な電気インパルス（例えば、心内信号の別の例）が、心房及び肺静脈内で生じる無秩序な電気インパルスによって圧倒され、不規則なインパルスを心室に伝導させるときに発生する。結果的に不規則な心拍が生じ、これは、数分から数週間、又は更に数年間、持続する場合がある。心房細動（ＡＦ）は、多くの場合、脳卒中による場合が多い死亡のリスクの僅かな増加を招く、慢性的な症状である。ＡＦに関する第一選択の治療法は、心拍数を減らすか、又は心拍リズムを正常に戻す投薬治療である。更には、ＡＦを有する患者は、脳卒中のリスクから守るために、抗凝血剤を与えられる場合が多い。そのような抗凝血剤の使用は、それ自体のリスクである内出血を伴う。一部の患者では、投薬治療は十分ではなく、それら患者のＡＦは、薬剤不応、すなわち、標準的な薬理学的介入では治療不可能であると判断される。同期電気的除細動もまた、ＡＦを通常の心律動に変換するために使用することができる。あるいは、ＡＦの患者は、カテーテルアブレーションによって治療される。

カテーテルアブレーションベースの治療に、心臓組織、特に心内膜及び心臓容積の電気的特性をマッピングすること、並びにエネルギーの印加によって心臓組織を選択的にアブレーションすることが含まれてもよい。心臓マッピング（心臓撮像の一例である）は、心組織に沿った波動伝播の電位マップ（例えば、電圧マップ）、又は様々な組織の配置点までの到達時間のマップ（例えば、局所活性化時間（local time activation、ＬＡＴ）マップ）を作成することを含む。局所的な心組織の機能不全を検出するために、心臓マッピング（例えば、心臓マップ）を使用することができる。アブレーション、例えば心臓マッピングに基づくアブレーションは、心臓の一部分から別の部分への望ましくない電気信号の伝播を停止又は修正することができる。

アブレーション法は、非伝導性の損傷部を形成することによって望ましくない電気経路を破壊するものである。様々なエネルギー送達の様式が、損傷部を形成する目的でこれまでに開示されており、心臓組織壁に沿って伝導ブロックを作成するためのマイクロ波、レーザ、及びより一般的には無線周波エネルギーの使用が挙げられる。マッピングに続いてアブレーションを行う２段階の処置において、心臓内の各点における電気活動は、通常、１つ又は２つ以上の電気センサ（例えば、カテーテル１０５の少なくとも１つのアブレーション電極１３４）を含むカテーテル（例えば、カテーテル１０５）を心臓（例えば、心臓１２０）内部に前進させること、及び多数の点におけるデータを取得することによって、検知及び測定される。次いで、このデータ（例えば、ＷＡＣＡアブレーション点）は、アブレーションを行うべき心内膜の標的領域を選択するために利用される。例示的なシステム１００（例えば、医療デバイス機器）に採用される評価エンジンの使用により、多数の点（すなわち、ＷＡＣＡアブレーション点）におけるデータが操作されて、右ＷＡＣＡ又は左ＷＡＣＡ内の位置、９つの解剖学的構造への分類、良好（good）又は正確（correct）の判定、並びに急性再接続及びやり直し位置の予測を含む、心組織の改善された画像データとなることに留意されたい。改善された画像データはまた、安定性測定値（例えば、アブレーション中のｘ、ｙ、ｚ位置から抽出される）及び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、安定性など）を含み得る。

心房細動及び心室頻拍などの困難な疾患を医師が治療する際の心臓アブレーション及び他の心臓電気生理学的処置は、ますます複雑化している。難治性不整脈の治療は現在、関心対象の心腔の解剖学的構造を再構成するために、３次元（３Ｄ）マッピングシステムの使用に依存している。この点に関して、本明細書の例示的なシステム１００（例えば、医療デバイス機器）に採用される評価エンジンは、多数の点（例えば、ＷＡＣＡアブレーション点）におけるデータを操作及び評価して、心組織の改善された画像データを生成し、それにより、心臓疾患を治療するための改善された画像、スキャン、及び／又はマップを予測と共に生成することができる。

例えば、心臓内科医は、心内電気記録図（electrogram、ＥＧＭ）を生成及び分析するために、Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒ社（Ｄｉａｍｏｎｄ Ｂａｒ、Ｃａｌｉｆ．）製ＣＡＲＴＯ（登録商標）３ ３ＤマッピングシステムのＣｏｍｐｌｅｘ Ｆｒａｃｔｉｏｎａｔｅｄ Ａｔｒｉａｌ Ｅｌｅｃｔｒｏｇｒａｍｓ（ＣＦＡＥ）モジュールなどのソフトウェアに依存する。例示的なシステム１００（例えば、医療デバイス機器）の評価エンジンは、このソフトウェアを強化して、改善された心内画像、スキャン、及び／又はマップを生成及び分析し、その結果、心房細動を含む心臓疾患の広い範囲の治療のために、アブレーション点を決定することができる。評価エンジンによってサポートされる改善された画像、スキャン、及び／又はマップは、これらの困難な不整脈の心臓基質（解剖学的及び機能的）を表す体内器官（例えば、瘢痕組織を含む心臓及び／又は有機組織）の電気生理学的特性に関する複数の情報を提供することができる。

病因の異なる心筋症（虚血性、拡張型心筋症（dilated cardiomyopathy、ＤＣＭ）、肥大型心筋症（hypertrophic cardiomyopathy、ＨＣＭ）、不整脈原右室異形成症（arrhythmogenic right ventricular dysplasia、ＡＲＶＤ）、左心室緻密化障害（left ventricular non-compaction、ＬＶＮＣ）等）は、識別可能な基質を有し、正常に機能している心筋細胞領域で囲まれている不健康な組織領域を特徴とする。

異常組織は、一般に、低電圧のＥＧＭを特徴とする。しかしながら、心内膜－心外膜マッピングにおける初期の臨床経験によって、低電圧の領域は、こうした患者における唯一の不整脈発生機序として常に存在するとは限らないことが示されている。実際に、低又は中間電圧の領域は、洞調律中にＥＧＭ細分化及び遅延活動を示す場合があり、これは、持続性及びまとまりのある心室不整脈時に特定される重大な狭窄部に対応し、例えば、不耐用心室頻脈のみに当てはまる。更に、多くの場合、ＥＧＭ細分化及び遅延活動は、正常な又はほぼ正常な電圧振幅（＞１～１．５ｍＶ）を示す領域で観察される。後者の領域は、電圧振幅に従って評価することができるが、心内信号によれば正常とはみなされることができず、したがって真の不整脈原性基質を表している。３Ｄマッピングは、主要疾患の進展によって分布にばらつきがあり得る、右／左心室の心内膜及び／又は心外膜層上の不整脈原性基質の位置を特定することができる。

これらの心臓疾患に関係している基質を、心室腔（右及び左）の心内膜及び／又は心外膜層の細分化及び遅延ＥＧＭの存在と関連付ける。ＣＡＲＴＯ（登録商標）３などの３Ｄマッピングシステムは、異常ＥＧＭ検出に関して、心筋症の潜在的な不整脈惹起性基質の位置を特定することができる。

電極カテーテル（例えば、カテーテル１０５）は、医療行為中に使用される。電極カテーテルを使用して、心臓内の電気活動を刺激及びマッピングし、異常な電気活動の部位をアブレーションする。使用時には、電極カテーテルは、主要な静脈又は動脈、例えば、大腿動脈に挿入された後、対象の心腔内へと導かれる。典型的なアブレーション処置は、その遠位端に少なくとも１つの電極を有するカテーテルを心腔内に挿入することを伴う。参照電極が、一般的には患者の皮膚にテープで貼り付けられるか、あるいは心臓内又は心臓付近に位置付けられている第２のカテーテルによって、提供される。高周波（Radio frequency、ＲＦ）電流がアブレーションカテーテルの先端電極に印加され、基準電極に向かって先端電極の周囲の媒質、すなわち、血液及び組織に電流が流れる。電流の分布は、組織より高い導電性を有する血液と比較した場合、組織と接触している電極表面の量に依存する。組織の加熱は、組織の電気抵抗に起因して生じる。組織が十分に加熱されると、心臓組織において細胞破壊が引き起こされ、結果として、非電導性である心臓組織内に損傷部が形成される。このプロセスの間に、加熱された組織から電極自体への伝導によって電極も加熱される。電極温度が十分に高くなる、場合によっては、摂氏６０度を上回る場合、脱水した血液たんぱく質の薄い透明被膜が、電極の表面上に形成され得る。温度が上昇し続けると、この脱水層が徐々に厚くなり得、電極表面上に血液が凝固する。脱水された生物学的材料は、心内膜組織よりも高い電気抵抗を有するため、電気エネルギーの組織内部への流れに対するインピーダンスもまた増大する。インピーダンスが十分に高くなる場合、インピーダンス上昇が起こり、カテーテルを身体から抜き取り、先端電極を洗浄しなければならない。

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取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支障なく実施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位置特定することである。そのような位置特定は、電気生理学的調査によって行われ得、その調査の間に、電位は、心腔内に導入されるマッピングカテーテルによって空間的に分解されて検出される。この電気生理学的検査、いわゆる電気解剖学的マッピングは３Ｄマッピングデータを提供し、これをモニタ上に表示することができる。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一群のカテーテルによって提供され、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。この場合、評価エンジンは、カテーテル１０５によって直接記憶され、実行されてもよい。

心臓（例えば、１２０）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特定することができる。心臓領域は、本明細書で更に開示されるように、マッピングされた心臓領域の視覚的レンダリング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（心臓撮像の一例である）は、限定されないが、局所活性化時間（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つ又は２つ以上のモダリティに基づくマッピングを含むことができる。複数のモダリティに対応するデータは、患者の身体内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／又は医療専門家の選好に基づいて、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つ又は２つ以上の技術を使用して実施することができる。第１の技術の一例として、心臓マッピングは、心組織、例えば、ＬＡＴの電気的特性を、心臓内の正確な場所の関数として検知することによって、実施することができる。その対応するデータは、遠位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、心臓内に前進される１つ又は２つ以上のカテーテルを用いて取得することができる。具体的な例として、場所及び電気活動は、心臓の内側表面上の約１０～約２０箇所の点で最初に測定することができる。これらのデータ点は一般的に、心臓表面の予備復元又はマップを満足な品質で生成するのに十分であり得る。この予備マップは、心臓の電気活動のより包括的なマップを生成するために、追加点において取得されたデータと結合され得る。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。

図１に戻ると、注目の心臓撮像を実施するために、医療専門家１１５は、カテーテル１０５の近位端付近のマニピュレータ１３８、及び／又はシース１３６からの偏向を使用してシャフト１３７の遠位端を操作しながら、シース１３６を通してシャフト１３７を挿入することができる。挿入図１４０に示すように、カテーテル１０５は、シャフト１３７の遠位端において装着することができる。カテーテル１０５は、折り畳まれた状態でシース１３６を通して挿入され得、次いで、心臓１２０内で拡張され得る。本明細書に更に記載されるように、カテーテル１０５は、少なくとも１つのアブレーション電極１３４及びカテーテル針を含むことができる。

複数の実施形態によれば、カテーテル１０５は、心臓１２０の心腔の組織領域をアブレーションするように構成することができる。差し込み図１５０は、心臓１２０の心腔内部のカテーテル１０５の拡大図を示している。図に示すように、カテーテル１０５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１３４を含むことができる。他の実施形態によれば、複数の要素は、カテーテル１０５の形状を形成するスプラインを介して接続することができる。１つ又は２つ以上の他の要素（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つ又は２つ以上の他の要素であり得る。

本明細書に開示される実施形態によれば、少なくとも１つのアブレーション電極１３４などのアブレーション電極は、エネルギーを心臓１２０などの体内器官の組織領域に供給するように構成することができる。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、生体データは、ＬＡＴ、電気活動、トポロジ、双極マッピング、卓越周波数、インピーダンスなどのうちの１つ又は２つ以上を含んでもよい。このＬＡＴ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つ又は２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、検知及び／又は拡張され得る。トポロジは、身体部分又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ＰＶの優位周波数は、同じ心臓の右心房の優位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１に示すように、プローブ１１０及びカテーテル１０５は、コンソール１６０に接続することができる。コンソール１６０は、本明細書に記載される機械学習アルゴリズム及び評価エンジンを用いるコンピューティングデバイス１６１を含んでもよい。一実施形態によれば、コンソール１６０及び／又はコンピューティングデバイス１６１は、少なくともプロセッサ及びメモリを含み、プロセッサは、本明細書に記載される機械学習アルゴリズム及び評価エンジンに関するコンピュータ命令を実行し、メモリは、プロセッサによる実行のための命令を記憶する。

コンピューティングデバイス１６１は、汎用コンピュータなどの、ソフトウェア及び／又はハードウェアを含む任意のコンピューティングデバイスとすることができ、カテーテル１０５間で信号を送信及び受信し、並びにシステム１００の他の構成要素を制御するための適切な前端部及びインターフェース回路１６２を備える。コンピューティングデバイス１６１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）として構成されるリアルタイムノイズ削減回路を含むことができ、その後に、アナログデジタル（analog-to-digital、Ａ／Ｄ）心電図（electrocardiogram、ＥＣＧ）又は心電計若しくは筋電図（electromyogram、ＥＭＧ）信号変換集積回路が続く。コンピューティングデバイス１６１は、Ａ／Ｄ ＥＣＧ又はＥＭＧ回路から別のプロセッサに信号を通過させることができ、かつ／あるいは本明細書に開示される１つ又は２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。例えば、１つ又は２つ以上の機能は、患者の心組織に対する有効点を受信することと、心組織の構造セグメンテーションに基づいて、有効点のそれぞれに対して解剖学的構造分類を決定することと、心組織の治療をサポートするために、複数の有効点のそれぞれを有する解剖学的構造分類を提供することと、を含む。フロントエンド及びインターフェース回路１６２は、コンソール１６０が少なくとも１つのアブレーション電極１３４から信号を受信し、かつ／又はそのアブレーション電極に信号を伝送するのを可能にする入力／出力（input/output、Ｉ／Ｏ）通信インターフェースを含む。

いくつかの実施形態では、コンピューティングデバイス１６１は、電気活動などの生体データを受信し、所与の組織領域が電気を伝導するかどうかを判定するように更に構成することができる。ある実施形態によれば、コンピューティングデバイス１６１は、コンソール１６０の外部にあってもよく、例えば、カテーテル内、外部デバイス内、モバイルデバイス内、クラウドベースデバイス内に配置されてもよく、又は独立型プロセッサであってもよい。

上述したように、コンピューティングデバイス１６１は、汎用コンピュータを含んでもよく、その汎用コンピュータは、ソフトウェアでプログラムされて、本明細書に記載される機械学習アルゴリズム及び評価エンジンの機能を実行することができる。ソフトウェアは、例えば、ネットワーク上で、電子形式で汎用コンピュータにダウンロードされてもよく、あるいは代替的に又は追加的に、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（例えば、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適切な揮発性及び／又は不揮発性メモリ）上に提供及び／又は格納されてもよい。図１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。加えて、システム１００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、処理及び表示デバイスなどの、追加の構成要素を含んでもよい。

ある実施形態によれば、ディスプレイ１６５が、コンピューティングデバイス１６１に接続される。処置中、コンピューティングデバイス１６１は、ディスプレイ１６５上での医療専門家１１５に対する身体部分レンダリングの提示を容易にし、身体部分レンダリングを表すデータをメモリ内に格納することができる。いくつかの実施形態では、医療専門家１１５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つ又は２つ以上の入力デバイスを使用して身体部分レンダリングを操作することが可能であり得る。例えば、入力デバイスを使用して、カテーテル１０５の位置を変更することができ、その結果、レンダリングが更新される。代替的な実施形態では、ディスプレイ１６５は、身体部分レンダリングを提示することに加えて、医療専門家１１５からの入力を受け取るように構成され得るタッチスクリーンを含むことができる。ディスプレイ１６５は、同じ場所、若しくは別個の病院などの遠隔地、又は別個の健康管理提供業者ネットワーク内に設置されてもよいことに留意すべきである。更に、システム１００は、外科手術システムの一部であってもよく、その外科手術システムは、心臓１２０などの患者の器官の解剖学的及び電気的測定値を取得し、心臓のアブレーション処置を実行するように構成される。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。

コンソール１６０は、ケーブルによって、身体表面電極に接続することができ、その身体表面電極は、患者１２５に貼り付けられる粘着性皮膚パッチを含むことができる。プロセッサは、電流追跡モジュールと連動して、患者１２５の身体部分（例えば、心臓１２０）の内側のカテーテル１０５の位置座標を決定することができる。位置座標は、身体表面電極と、カテーテル１０５の電極又は他の電磁部品（例えば、少なくとも１つのアブレーション電極１３４）との間で測定されるインピーダンス又は電磁場に基づくことができる。追加的に、又は代替的に、位置パッドが、ベッド１３０の表面上に配置されてもよく、またベッド１３０から分離されてもよい。

システム１００はまた、及び任意選択的に、超音波、コンピュータ断層撮影法（computed tomography、ＣＴ）、ＭＲＩ、又は当技術分野において既知の他の医療撮像技術を使用して、心臓１２０の解剖学的測定値などの生体データを取得することができる。システム１００は、カテーテル、又は心臓１２０の電気的特性を測定する他のセンサを使用して、ＥＣＧ又は電気的測定値を取得することができる。次いで、解剖学的及び電気的測定値を含む生体データは、コンソール１６０の非一時的有形媒体内に格納することができる。生体データは、非一時的有形媒体からコンピューティングデバイス１６１に送信することができる。上記に代えて又は上記に加えて、生体測定データは、本明細書で更に記載するようなネットワークを使用して、ローカル又はリモートであってよいサーバに送信されてもよい。

１つ又は２つ以上の実施形態によれば、位置センサを含むカテーテルを使用して、心臓表面上の点の軌跡を決定することができる。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。このような運動特性を示すマップは、軌跡情報が心臓１２０内の十分な数の点においてサンプリングされるときに構築することができる。

心臓１２０内のある点における電気活動は、通常、遠位先端（例えば、少なくとも１つのアブレーション電極１３４）に又はその近くに電気的センサを収容するカテーテル１０５を、心臓１２０内のその点に前進させることによって測定することができ、組織をセンサに接触させて、その点でのデータを取得する。単一の遠位先端電極のみを収容するカテーテル１０５を使用して、心腔をマッピングするのに伴う１つの欠点は、全体としての心腔の詳細マップのために必要とされる必須の点の数にわたって、点ごとにデータを蓄積するのに必要とされる期間が長いことである。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、バルーンを形作る複数の骨材上に分散配置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（例えば、Ｔｈｅｒｍｏｃｏｏｌ ＳｍａｒｔＴｏｕｃｈ灌注先端ＣＦ感知アブレーションカテーテル）などの任意の適用可能な形状を使用して実装することができる。線形カテーテルは、受信した信号に基づいて及び／又は線形カテーテルへの外力（例えば、心組織）の印加に基づいてねじれる、屈曲する、又は別様にその形状を変化させることができるように、全体的に又は部分的に弾性であってもよい。バルーンカテーテルは、患者の身体内に展開されたときに、その電極が心内膜表面に対して密着して保持され得るように設計されてもよい。一例として、バルーンカテーテルは、ＰＶなどの管腔に挿入することができる。バルーンカテーテルは、収縮した状態でＰＶ内に挿入されることができ、その結果、バルーンカテーテルは、ＰＶ内に挿入されている間、ＰＶの最大容量を占有しない。バルーンカテーテルは、ＰＶの内側でバルーンカテーテル上のそのようなそれらの電極がＰＶの円形領域全体と接触している状態で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し得る。

ある例によれば、多電極カテーテルを心臓１２０の心腔内に前進させることができる。背腹方向（anteroposterior、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向きを確立することができる。ＥＧＭは、身体表面ＥＣＧからの洞調律におけるＰ波の発生などの一時的な基準に対して、心臓表面と接触している電極の各々から記録することができる。本明細書で更に開示されるシステムは、電気的活動を記録する電極と、心内膜壁に近接していないことにより電気的活動を記録しない電極とを区別することができる。最初のＥＧＭが記録された後、カテーテルを再配置することができ、蛍光図及びＥＧＭ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。

ある例によれば、心臓のマッピングは、心内電位場の検出に基づいて生成され得る。大量の心臓電気的情報を同時に取得するために非接触的な方法を実施することができる。例えば、遠位端部分を有するカテーテルが、その表面全体にわたって分布し、かつ信号感知及び処理手段に接続するための絶縁導電体に接続された一連のセンサ電極を備え得る。端部のサイズ及び形状は、電極が心腔の壁から大きな間隔を隔てて配置されるようなものとすることができる。心内電位場は、１回の心拍の間に検出することができる。一例によれば、センサ電極は、互いに間隔を置いた平面内に位置する一連の円周上に分布させることができる。これらの平面は、カテーテルの端部の長軸に対して垂直であってよい。少なくとも２個の更なる電極を、端部の長軸の両端に隣接して配設することができる。より具体的な例として、カテーテルは、各円周上に等角で間隔を置いて配置された８個の電極を有する４つの円周を含んでもよい。したがって、この特定の実装形態では、カテーテルは、少なくとも３４個の電極（３２個の周方向電極と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施することができる。ＥＧＭ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得ることができる。この実現形態によれば、プローブ及び心内膜の相対的な幾何学的形状の知識を、経食道心エコー法などの独立した撮影法などによって得ることができる。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１２０内に配置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ステップ、（ｂ）プローブ表面と心内膜表面との幾何学的関係を決定するステップ、（ｃ）プローブ表面と心内膜表面との幾何学的関係を表す係数の行列を生成するステップ、及び（ｄ）電極電位及び係数の行列に基づいて心内膜電位を決定するステップ、を含んでもよい。

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施することができる。心臓内多電極マッピングカテーテルアセンブリが、患者の心臓１２０内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、一体型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展開することができる。この電極アレイは、基準電極によって、又は心内膜表面に接触する基準カテーテルによって、心内膜表面上のある点に対して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）を有することができる。加えて、この例の方法では、アレイ上の各電極部位の位置を知ること、及び心臓の幾何学的形状を知ることで実施することができる。これらの位置は好ましくは、インピーダンスプレチスモグラフィ法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。マッピングカテーテルは、絶縁ワイヤの編組（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、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、非接触電極部位の第１のセット及び／又は接触電極部位の第２のセットから電気活動情報を取得するために使用されるように、心臓１２０で容易に配置可能であり得る。

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、心臓のペーシングするための刺激パルスを供給するように適合される遠位先端、又はその先端と接触する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データを測定するためのプロセスを実施することができる。この方法は、部分的に、能動電極と受動電極のセットを心臓１２０内に配置すること、電流を能動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、及び受動電極部位において電場を測定すること、を含むことができる。受動電極は、バルーンカテーテルの膨張可能なバルーン上に配置されたアレイに含まれる。好ましい実施形態では、アレイは６０～６４個の電極を有すると言われる。

別の実施例によれば、心臓マッピングは、１つ又は２つ以上の超音波トランスデューサを使用して実施することができる。超音波トランスデューサは、患者の心臓１２０に挿入することができ、心臓１２０内の様々な位置及び向きの複数の超音波スライス（例えば、２次元又は３次元スライス）を収集することができる。特定の超音波トランスデューサの位置及び向きが分かる場合もあり、収集された超音波スライスは、後で表示することができるように記憶させることができる。プローブ（例えば、治療カテーテル）の位置に対応する１つ又は２つ以上の超音波スライスを後で表示することができ、プローブは、１つ又は２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、患者の身体上に、又は身体に近接して配置することもできる。１つ又は２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１２０内）に配置することができ、カテーテルの位置は、カテーテルの１つ又は２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／又は受信される信号に基づいて、システムによって判定することができる。更に、カテーテル電極は、患者の身体内（例えば、心臓１２０内）から生体データ（例えば、ＬＡＴ値）を感知することができる。生体データは、判定されたカテーテルの位置に関連付けることができ、その結果、患者の身体部分（例えば、心臓１２０）のレンダリングを表示することができ、身体の形状の上に重ね合わされた生体データを示すことができる。

図２は、生体データ（すなわち、患者生体情報、患者データ、又は患者生体データ）をリモートで監視及び通信するための例示的なシステム２００のブロック図が示されていることを示す。図２に示された例において、システム２００は、患者２０４に関連付けられた監視及び処理装置２０２（すなわち、患者データ監視及び処理装置）、ローカルコンピューティングデバイス２０６、リモートコンピューティングシステム２０８、第１のネットワーク２１０、及び第２のネットワーク２１１を含む。１つ又は２つ以上の実施形態によれば、監視及び処理装置２０２は、図１のカテーテル１０５の例とすることができ、患者２０４は、図１の患者１２５の例とすることができ、ローカルコンピューティングデバイス２０６は、図１のコンソール１６０の例とすることができる。

監視及び処理装置２０２は、患者生体センサ２１２、プロセッサ２１４、ユーザ入力（user input、ＵＩ）センサ２１６、メモリ２１８、及び送信機－受信機（すなわち、送受信機）２２２を含む。手術中、監視及び処理装置２０２は、患者２０４の生体データ（例えば、電気信号、血圧、温度、血糖値、又は他の生体データ）を取得し、かつ／又は任意の取得された患者生体情報、並びに１つ又は２つ以上の他の患者生体情報監視及び処理装置からの任意の取得された患者生体情報に関連付けられた追加情報、を表す生体データの少なくとも一部分を受信する。追加情報は、例えば、ウェアラブルデバイスなどの追加のデバイス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。監視及び処理装置２０２は、本明細書に記載される機械学習アルゴリズム及び評価エンジンを使用して、取得された生体データ、並びに１つ又は２つ以上の他の患者生体情報監視及び処理装置から受信した任意の生体データ、を含むデータを処理することができる。

監視及び処理装置２０２は、ネットワーク２１０を介して、任意の数の様々な患者生体情報（例えば、取得された生体データ）を継続的又は定期的に監視、格納、処理、及び伝達することができる。本明細書に記載されるように、患者生体情報の例には、電気信号（例えば、ＥＣＧ信号及び脳生体情報）、血圧データ、血糖データ、及び温度データが含まれる。患者の生体情報は、心臓血管疾患（例えば、不整脈、心筋症、及び冠動脈疾患）及び自己免疫疾患（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って治療するために監視及び通信され得る。

患者生体センサ２１２は、例えば、１つ又は２つ以上の環境条件を電気信号に変換するように構成された１つ又は２つ以上のトランスデューサを含み、その結果、異なるタイプの生体データが取得される。例えば、患者生体センサ２１２には、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１つ又は２つ以上の電極、温度センサ（例えば、熱電対）、血圧センサ、血糖センサ、血中酸素センサ、ｐＨセンサ、加速度計、及びマイクロフォンが含まれ得る。

本明細書でより詳細に記載されるように、監視及び処理装置２０２は、機械学習アルゴリズム及び評価エンジンを実装して、患者の心組織に対する有効点を受信し、心組織の構造セグメンテーションに基づいて、有効点のそれぞれに対して解剖学的構造分類を決定し、心組織の治療をサポートするために、複数の有効点のそれぞれを有する解剖学的構造分類を提供することができる。監視及び処理装置２０２は、機械学習アルゴリズム及び評価エンジンを実装して、心組織の改善された画像データを生成することができ、それにより、心臓疾患を治療するための改善された画像、スキャン、及び／又はマップを予測と共に生成することができる。

別の実施例では、監視及び処理装置２０２は、心臓（例えば、図１の心臓１２０）のＥＣＧ信号を監視するためのＥＣＧモニタであってもよい。これに関して、ＥＣＧモニタの患者生体センサ２１２は、ＥＣＧ信号を取得するための１つ又は２つ以上の電極（例えば、図１のカテーテル１０５の電極）を含むことができる。ＥＣＧ信号は、様々な心臓血管疾患の治療に使用され得る。

別の例では、監視及び処理装置２０２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グルコースモニタ（continuous glucose monitor、ＣＧＭ）であってもよい。この点に関して、ＣＧＭの患者生体センサ２１２は、皮下に配設された電極（例えば、図１のカテーテル１０５の電極）を含むことができ、これは、患者の間質液から血糖値を監視することができる。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。

プロセッサ２１４は、患者生体センサ２１２によって取得された生体データを受信、処理、及び管理し、かつその生体データを、格納するためにメモリ２１８に、及び／又は送受信機２２２を介してネットワーク２１０全体に通信するように構成することができる。本明細書に更に詳細に説明されるように、１つ又は２つ以上の他の監視及び処理装置２０２からのデータはまた、送受信機２２２を通じてプロセッサ２１４によって受信することもできる。また、本明細書に更に詳細に説明されるように、プロセッサ２１４は、ＵＩセンサ２１６（例えば、内部の容量センサ）から受信した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することができ、その結果、パッチの異なるタスク（例えば、データの取得、格納、又は送信）が、検出されたパターンに基づいて起動され得る。いくつかの実施形態では、プロセッサ２１４は、ジェスチャを検出することに関する可聴フィードバックを生成することができる。

ＵＩセンサ２１６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を含む。例えば、ＵＩセンサ２１６は、患者２０４が監視及び処理装置２０２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、表面弾性波、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デバイス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。

メモリ２１８は、磁気、光学、又は電子メモリ（例えば、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及び／又は不揮発性メモリ）などの任意の非一時的有形媒体である。

送受信機２２２は、別個の送信機と別個の受信機を含むことができる。あるいは、送受信機２２２は、単一のデバイスに統合された送信機と受信機を含んでもよい。

ある実施形態によれば、監視及び処理装置２０２は、患者２０４の身体の内部にある（例えば、皮下に埋め込み可能である）装置であってもよい。監視及び処理装置２０２は、経口注入、静脈若しくは動脈を介した外科手術挿入、内視鏡手技、又は腹腔鏡手技を含む任意の適用可能な方法を介して、患者２０４に挿入することができる。

ある実施形態によれば、監視及び処理装置２０２は、患者２０４の外部にある装置であってもよい。例えば、本明細書に更に詳細に説明されるように、監視及び処理装置２０２は、取り付け可能なパッチ（例えば、患者の皮膚に取り付ける）を含んでもよい。監視及び処理装置２０２はまた、１つ又は２つ以上の電極を有するカテーテル、プローブ、血圧カフ、体重計、ブレスレット若しくはスマートウォッチ生体計測トラッカ、グルコースモニタ、連続正気道圧力（continuous positive airway pressure、ＣＰＡＰ）マシン、又は患者の健康若しくは生体情報に関する入力を提供し得る実質上あらゆるデバイスを含んでもよい。

一実施形態によれば、監視及び処理装置２０２は、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を含むことができる。

単一の監視及び処理装置２０２が図２に示されるが、例示的なシステムは、複数の患者生体情報監視及び処理装置を含むことができる。例えば、監視及び処理装置２０２は、１つ又は２つ以上の他の患者生体情報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、１つ又は２つ以上の他の患者生体情報監視及び処理装置は、システム２００のネットワーク２１０及び他の構成要素と通信することができる。

ローカルコンピューティングデバイス２０６及び／又はリモートコンピューティングシステム２０８は、監視及び処理装置２０２と共に、機械学習アルゴリズム及び評価エンジン、並びにそれらの機能を別々に若しくは集合的に記憶、実行、及び実装するソフトウェア及び／又はハードウェアの任意の組み合わせであり得る。更に、本明細書に記載されるように、ローカルコンピューティングデバイス２０６及び／又はリモートコンピューティングシステム２０８は、監視及び処理装置２０２と共に、様々な通信技術を利用するコンピューティングデバイス及びネットワークの任意の数及び組み合わせを包含かつ／又は使用する電子的なコンピュータの枠組みであり得る。ローカルコンピューティングデバイス２０６及び／又はリモートコンピューティングシステム２０８は、監視及び処理装置２０２と共に、容易に、拡大縮小可能、拡張可能、またモジュール式であり得、異なるサービスに変更し、又は他の特徴とは独立に一部の特徴を再構成する能力を有する。

一実施形態によれば、ローカルコンピューティングデバイス２０６及びリモートコンピューティングシステム２０８は、監視及び処理装置２０２と共に、少なくともプロセッサ及びメモリを含み、プロセッサは、機械学習アルゴリズム及び評価エンジンに関するコンピュータ命令を実行し、メモリは、プロセッサによる実行のための命令を記憶する。

システム２００のローカルコンピューティングデバイス２０６は、監視及び処理装置２０２と通信し、第２のネットワーク２１１を通じてリモートコンピューティングシステム２０８へのゲートウエイとしての役割を果たすように構成することができる。ローカルコンピューティングデバイス２０６は、例えば、ネットワーク２１１を介して他のデバイスと通信するように構成された、スマートフォン、スマートウォッチ、タブレット、又は他のポータブルスマートデバイスであってもよい。代替的に、ローカルコンピューティングデバイス２０６は、例えば、モデム及び／若しくはルータ能力を含む固定された基地局、ＰＣの無線モジュールを介して処理装置２０２とリモートコンピューティングシステム２０８との間で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コンピュータ若しくはラップトップコンピュータ、又はＵＳＢドングルなどの、固定式又はスタンドアローンデバイスであってもよい。生体データは、ローカルエリアネットワーク（local area network、ＬＡＮ）（例えば、パーソナルエリアネットワーク（personal area network、ＰＡＮ））などの短距離無線ネットワーク２１０を介する短距離無線技術標準規格（例えば、ブルートゥース、Ｗｉ－Ｆｉ、ＺｉｇＢｅｅ、Ｚ－ｗａｖｅ、及び他の短距離無線標準規格）を使用して、ローカルコンピューティングデバイス２０６と監視及び処理装置２０２との間で通信され得る。いくつかの実施形態では、本明細書に更に詳細に説明されるように、ローカルコンピューティングデバイス２０６はまた、取得された患者電気信号、及び取獲得された患者電気信号に関連付けられた情報を表示するように構成することもできる。

いくつかの実施形態では、リモートコンピューティングシステム２０８は、監視された患者生体情報、及び長距離ネットワークであるネットワーク２１１を介して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受信するように構成することができる。例えば、ローカルコンピューティングデバイス２０６が携帯電話である場合、ネットワーク２１１は、無線セルラーネットワークであってもよく、情報は、上述の無線技術のいずれかなどの無線技術規格を介してローカルコンピューティングデバイス２０６とリモートコンピューティングシステム２０８との間で通信されてもよい。本明細書に更に詳細に説明されるように、リモートコンピューティングシステム２０８は、患者生体情報及びその関連する情報のうちの少なくとも一方を、医療専門家、医師、健康管理専門家などに提供する（例えば、視覚的に表示し、かつ／又は音声で提供する）ように構成することができる。

図２において、ネットワーク２１０は、短距離ネットワーク（例えば、ローカル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、短距離ネットワーク２１０を介して、ブルートゥース、Ｗｉ－Ｆｉ、ＺｉｇＢｅｅ、Ｚ－ｗａｖｅ、近距離無線通信（near field communication、ＮＦＣ）、超広帯域無線、Ｚｉｇｂｅｅ、又は赤外線（infrared、ＩＲ）などの様々な短距離無線通信プロトコルのいずれか１つを使用して、監視及び処理装置２０２とローカルコンピューティングデバイス２０６との間で送信され得る。

ネットワーク２１１は、有線ネットワーク、無線ネットワークであってもよく、又はイントラネット、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（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、携帯電話ネットワーク、又はローカルコンピューティングデバイス２０６とリモートコンピューティングシステム２０８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１つ又は２つ以上の有線及び無線ネットワークを含むことができる。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つを使用するネットワーク２１１を介して送信され得る。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、及びブルートゥース、赤外線、セルラー式ネットワーク、衛星、又は任意の他の無線接続方式を使用して、実装することができる。加えて、いくつかのネットワークは、ネットワーク２１１内の通信を容易にするために、単独で又は互いに通信して動作することができる。いくつかの事例では、リモートコンピューティングシステム２０８は、ネットワーク２１１上の物理的なサーバとして、実装することができる。他の事例では、リモートコンピューティングシステム２０８は、ネットワーク２１１の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））の仮想サーバとして実装することができる。

図３は、１つ以上の実施形態による、人工知能システム３００のグラフィック描写を示す。この人工知能システム３００は、データ３１０、マシン３２０、モデル３３０、複数の成果３４０、及び基礎的なハードウェア３５０を含む。図４は、図３の人工知能システムにおいて実行される方法４００のブロック図を示す。図３～図４の説明は、理解を容易にするために、図２を参照して行われる。

概して、人工知能システム３００は、（予測される）複数の成果３４０を可能にするためのモデル３３０を構築しながら、マシン３２０（例えば、図２のローカルコンピューティングデバイス２０６）を訓練するためのデータ３１０を使用することによって、方法４００を動作させる。そのような構成では、人工知能システム３００は、ハードウェア３５０（例えば、図２の監視及び処理装置２０２）に対して動作させて、マシン３２０を訓練し、モデル３３０を構築し、アルゴリズムを使用して成果を予測することができる。これらのアルゴリズムを使用して、訓練されたモデル３３０を解き、ハードウェア３５０に関連付けられた成果３４０を予測することができる。これらのアルゴリズムは、通常、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。

ブロック４１０において、この方法４００は、データ３１０をハードウェア３５０から収集することを含む。マシン３２０は、ハードウェア３５０に関連付けられたコントローラ若しくはデータ収集として動作し、かつ／又はそのハードウェアに関連付けられている。データ３１０（例えば、図２の監視及び処理装置２０２に由来し得る生体データ）は、ハードウェア３５０に関連し得る。例えば、データ３１０は、進行中のデータ、又はハードウェア３５０に関連付けられた出力データであってもよい。データ３１０はまた、現在収集されたデータ、履歴データ、又はハードウェア３５０からの他のデータを含むこともできる。例えば、データ３１０は、外科処置中の測定値を含んでもよく、外科処置の成果に関連付けられてもよい。例えば、心臓の温度（例えば、患者２０４の）が収集され、心臓処置の成果と相関される場合がある。

ブロック４２０において、この方法４００は、ハードウェア３５０に関するなどのマシン３２０を訓練することを含む。この訓練には、ブロック４１０において収集されたデータ３１０の分析及び相関が含まれ得る。例えば、心臓の場合、温度及び成果のデータ３１０を訓練して、心臓処置中の心臓（例えば、患者２０４の）の温度とその成果との間に相関又は関連が存在するかどうかを判定することができる。

ブロック４３０において、この方法４００は、モデル３３０を、ハードウェア３５０に関連付けられたデータ３１０上に構築することを含む。モデル３３０を構築することは、物理的なハードウェア若しくはソフトウェアのモデル化、アルゴリズムのモデル化、及び／又はその同様のものを含むことができる。このモデル化は、収集され、訓練されたデータ３１０を表すことを目指してもよい。ある実施形態によれば、モデル３３０は、ハードウェア３５０の動作をモデル化し、ハードウェア３５０から収集されたデータ３１０をモデル化して、ハードウェア３５０によって達成される成果を予測するように構成することができる。１つ以上の実施形態によれば、モデル３３０は、評価エンジンに関して、患者の心組織に対する有効点を受信し、心組織の構造セグメンテーションに基づいて、有効点のそれぞれに対して解剖学的構造分類を決定し、心組織の治療をサポートするために、複数の有効点のそれぞれを有する解剖学的構造分類を提供する。

ブロック４４０において、この方法４００は、ハードウェア３５０に関連付けられたモデル３３０の複数の成果３４０を予測することを含む。複数の成果３４０についてのこの予測は、訓練されたモデル３３０に基づくことができる。例えば、本開示の理解を高めるために、心臓の場合、処置中の温度が３６．５℃～３７．８９℃（すなわち、９７．７°Ｆ～１００．２°Ｆ）である場合に心臓処置からより肯定的な結果を生じさせる場合、その成果は、心臓処置中のその心臓の温度に基づいて、所与の処置において予測することができる。したがって、予測される成果３４０を使用して、ハードウェア３５０は、ハードウェア３５０からの特定の所望の成果３４０を提供するように構成することができる。

図５は、１つ以上の実施形態による、方法５００のブロック図が示されていることを示す。一実施形態によれば、方法５００は、評価エンジンによって実施されてもよい。ソフトウェア及び／又はハードウェアの任意の組み合わせ（例えば、監視及び処理装置２０２と協働する、ローカルコンピューティングデバイス２０６及びリモートコンピューティングシステム２０８）は、別々に又は集合的に、評価エンジン及びその機能を記憶、実行、及び実装することができる。

一般に、評価エンジンは、心組織の改善された画像データを提供するために、有効点の自動解剖学的セグメンテーション、連続性推定、及び間隙予測を提供する。評価エンジンは、アブレーション処置の全体的な有効性に関して医師をサポートし、案内し、医師に推奨するために、心組織の改善された画像データを提供する。解剖学的セグメンテーションは、左肺静脈及び右肺静脈のどのセグメントに各有効点が存在するか（例えば、左及び右のＷＡＣＡ検出、及びＷＡＣＡ点の９つの解剖学的構造への分類／セグメンテーション）を決定する評価エンジンによる能力である。１つ以上の実施形態によれば、９つの解剖学的構造に対して又はその代わりに、左ＷＡＣＡ、右ＷＡＣＡ、入口ＰＶＩ、ルーフライン、左竜骨、右竜骨、後方ライン、下方ライン、僧帽弁峡部ライン、前方ライン、前方ライン、及び大静脈三尖弁峡部、上大静脈隔離のうちの少なくとも１つなどの、他の構造の組み合わせが想到される。連続性推定は、左ＰＶ及び右ＰＶの周囲の別個の２つの環状リングの間、並びに別個の２つの環状リングと左肺静脈及び右肺静脈の外側の構造要素との間の間接的接触を決定する評価エンジンによる能力である。例えば、医師は、２つのアブレーション点間の中心間距離が≦６ｍｍである連続した損傷部を送達することを望む。評価エンジンは、各損傷部の有効性を調査し、損傷部が十分であるかどうかを決定するために各損傷部のサイズ及び深さを推定する。したがって、連続性は、局所的な意味で、すなわち、２つのアブレーション点間の損傷部が有効であるという意味で、評価エンジンによって評価することができる。評価エンジンはまた、グローバルな意味で動作し、すなわち、左（又は右）ＷＡＣＡにおける全てのアブレーション点を試験し、潜在的な再接続を認識する可能性を推定する。間隙予測は、評価エンジンによる、ＰＶの再接続が起こり得る有効点間の空間を判定する能力である。１つ以上の実施形態によれば、評価エンジンは、左及び右峡部又は竜骨アブレーションラインが自動的に検出されるように、全てのアブレーション点を自動的に分類／セグメント化することができる。

方法５００は、ブロック５１０で開始し、評価エンジンは、心組織（例えば、ヒトの心臓）の注釈付き解剖学的構造、それらの特性（例えば、力、経時的な力、インピーダンス、インピーダンス低下、持続時間、ｘ、ｙ、ｚ位置）を有する全てのアブレーション点、及び心内ＥＣＧ（全てのアルゴリズムへの任意選択の入力）を含むデータセットを構築する。注釈付き解剖学的構造は、ヒトの心臓及び検証された有効点を描写することができる３次元データファイルを含むことができる（例えば、解剖学的構造を分類するためのデータは、アブレーション点のｘ、ｙ、ｚ位置、心房のメッシュファイル及び３次元可視化などの実際の解剖学的構造、及び存在する場合にアブレーション点の周囲の心内ＥＣＧ特性を活用することができる、アブレーション特性を含む）。１つ以上の実施形態によれば、各アブレーションタイプは、注釈、すなわち、潜在的なやり直し位置、潜在的な急性再接続位置、及びそれが有効アブレーション点であるかどうか（例えば、各点に対するはい又はいいえの決定）によって説明することができる。

１つ以上の実施形態によれば、注釈付き解剖学的構造は、最初に、心臓マッピング段階によって生成された有効点を検証する手動の連続性推定及び注釈によって構築された訓練データである。手動の連続性推定は、心臓マッピング段階の後に加えられたアブレーション点であり得る。手動注釈は、医療専門家によって行なわれたマーキングであり得る。１つ以上の実施形態によれば、医療専門家は、位置及び／又はアブレーションタイプをマークすることができる。アブレーションタイプは、急性再接続点（例えば、ペーシング後、医師は、再接続位置を特定し、静脈を隔離するためのアブレーション点を追加する）、長期再接続（やり直し）アブレーション点（例えば、症例が終了したずっと後に、患者が心房細動を有し、医師が別のアブレーション処置を実行することを決定する）、及び効率的なアブレーションを含むことができることに留意されたい。

ブロック５２０で、評価エンジンは、症例を受信する。この症例は、ＷＡＣＡセッションの心臓マッピング段階中にリアルタイムで（又は遡及的に）受信されてもよい。症例は、心組織をマッピングする有効点を含み、有効点は、左ＰＶ及び右ＰＶの周囲に別個の２つの環状リングを作製する。この症例は、評価エンジンによって評価される。例えば、医師の同僚の仕事を改善するために、医師の決定の遡及的分析に対する支援ツールを、評価エンジンに提供することができることに留意されたい。

ブロック５３０で、評価エンジンは、受信した症例の各有効点に対して右及び左のＷＡＣＡ位置を決定する。例えば、評価エンジンのサブアルゴリズムは、有効点の位置情報と軸に沿った寸法情報とを（例えば、左位置の第１の範囲及び右位置の第２の範囲を有するＸ軸を使用して）自動的に比較するために使用される。次に、有効点は、比較に基づいて分割される。

ブロック５４０において、評価エンジンは、受信した症例の各有効点に対して解剖学的構造分類を決定する（例えば、ブロック５１０からのデータセット、同じ解剖学的コードを有し、それらを同じ解剖学的構造に関連付けるアブレーション点と同様のセグメント／グループを使用して、訓練データの手動注釈に基づいて）。本明細書に更に記載されるように、ＷＡＣＡ解剖学的構造コードに留意されたい。

ブロック５５０で、評価エンジンは、左ＰＶ及び右ＰＶの周囲の別個の２つの環状リングの連続性を推定する。この推定の出力は、有効点ごとの連続性の確率を含むことができる。１つ以上の実施形態によれば、各有効点は、０又は１で示され、０は、「不良（bad）」アブレーション点を表し、１は、「良好な（good）」アブレーション点を表す。更に、それぞれの有効点とリング内の次のアブレーション及び前のアブレーションとの距離が、「不良（bad）／良好（good）」の判定に寄与し得る。

ブロック５６０で、評価エンジンは、（例えば、ブロック５５０の推定並びにブロック５３０及び５４０の決定をマージすることによって）マッピングされる心組織の改善された画像データを生成する。次に、改善された画像データは、急性再接続及びやり直しの位置を予測するために使用することができ、それにより、アブレーション段階中にリアルタイムで（医師又は医療専門家が）適切な措置を取ることができる。

１つ以上の実施形態によれば、訓練データセットは、機械学習したデータが作成され、データセットに追加されるように、注釈付き解剖学的構造上に連続性推定及び注釈を自動的に生成するために、評価エンジンによって利用される。機械学習したデータは、訓練データに対してデータセットの大部分となり得、医療専門家からのフィードバックに基づいてタグ付けされたデータ（例えば、タグ付けされたアブレーションタイプ及び／又は解剖学的構造タイプ）をデータセットに追加することができる。

図６Ａは、オートエンコーダアーキテクチャ６００の一例を示し、図６Ｂは、オートエンコーダアーキテクチャ６００で実行される方法６０１のブロック図を示す。オートエンコーダアーキテクチャ６００は、本明細書に記載される機械学習アルゴリズム及び評価エンジンの実装をサポートするように動作する。オートエンコーダアーキテクチャ６００は、マシン３２０（例えば、図２のローカルコンピューティングデバイス２０６）及び／又はハードウェア３５０（例えば、図２の監視及び処理装置２０２）などのハードウェア内に実装することができる。オートエンコーダ６００のモジュール６１０、６３０、６５０は、オートエンコーダ６００の符号化部分を実行するニューラルネットワークとして集合的に動作する。オートエンコーダ６００のモジュール７５０、６７０、６１０は、オートエンコーダ６００の復号化部分を実行するニューラルネットワークとして集合的に動作する。一般に、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であり、あるいは現代的な意味では、人工ニューロン又はノード又はセルで構成される人工ニューラルネットワーク（ＡＮＮ）である。

例えば、ＡＮＮ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なグローバル挙動を示すことができる処理要素（人工ニューロン）のネットワークを含む。ニューロンのネットワーク又は回路のこれらの接続は、重みとしてモデル化される。正の重みは興奮性のつながりを反映し、負の値は抑制性のつながりを意味する。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。

多くの場合、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。より実用的な言葉で言えば、ニューラルネットワークは、入力と出力との間の複雑な関係をモデル化するために、又は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非線形統計データモデリング又は意思決定ツールである。したがって、ＡＮＮは、データセットを介して訓練される間に、予測モデリング及び適応制御アプリケーションに使用することができる。経験から生じる自己学習がＡＮＮ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点に留意されたい。人工ニューラルネットワークモデルの有用性は、それらを使用して、観測から関数を推定し、かつそれを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キャプチャする入力の表現の学習、及び、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ディープラーニング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、データ又は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、様々な分野において使用することができる。ＡＮＮが適用されるタスクは、大きく次のカテゴリーに分けられる傾向がある：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を含む分類、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。

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（knowledge discovery in database）、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。

１つ以上の実施形態によれば、ニューラルネットワーク６００は、長・短期記憶ニューラルネットワークアーキテクチャ、ＣＮＮアーキテクチャ、又は他の同様のものを実装する。ニューラルネットワーク６００は、多数の層、多数の接続（例えば、エンコーダ／デコーダ接続）、規則化技術（例えば、ドロップアウト）、及び最適化特徴に関して構成可能であり得る。

長・短期記憶ニューラルネットワークアーキテクチャは、フィードバック接続を含み、単一のデータポイント（例えば、画像など）をデータのシーケンス全体（例えば、スピーチ又は動画）と共に処理することができる。長・短期メモリニューラルネットワークアーキテクチャの単位は、セル、入力ゲート、出力ゲート、及び忘却ゲートで構成することができ、セルは任意の時間間隔にわたって値を記憶し、ゲートは、セルへの及びセルからの情報の流れを調節する。

ＣＮＮアーキテクチャは、１つの層内の各ニューロンが次の層内の全てのニューロンに接続される並進不変特性を有する共有重みアーキテクチャである。ＣＮＮアーキテクチャの正則化技術は、データ内の階層パターンを利用し、より小さくより単純なパターンを使用してより複雑なパターンを編成することができる。ニューラルネットワーク６００がＣＮＮアーキテクチャを実装する場合、アーキテクチャの他の構成可能な態様は、それぞれのステージにおける多数のフィルタ、カーネルサイズ、層ごとの多数のカーネルを含み得る。

図６Ｂに示すように、方法６０１は、ニューラルネットワーク６００（例えば、評価エンジンのオートエンコーダ）の動作を示す。このニューラルネットワーク６００では、入力層６１０が、６１２及び６１４などの複数の入力によって表される。この方法６０１のブロック６２０に関して、入力層６１０は、初期動作として複数の入力（例えば、ＷＡＣＡ点などの多数の点におけるデータ）を受信する。複数の入力は、超音波信号、無線信号、音響信号、又は二次元若しくは三次元画像／モデルであり得る。より具体的には、複数の入力は、ＷＡＣＡセッションの心臓マッピング段階から記録された生データである入力データ（Ｘ）として表され得る。

この方法６０１のブロック６２５において、ニューラルネットワーク６００は、心内データセット（例えば、図５のブロック５１０で評価エンジンによって生成されたデータセット）を利用して複数の入力を符号化して、潜在的な表現を生成する。潜在的な表現は、複数の入力から導出される１つ又は２つ以上の中間画像を含む。１つ以上の実施形態によれば、潜在的な表現は、入力心内信号に重み行列を適用し、その結果にバイアスベクトルを付加する、評価エンジンのオートエンコーダの要素ごとの活性化関数（例えば、シグモイド関数又は正規化線形ユニット）によって生成される。重みマトリクスの重み及びバイアス、並びにバイアスベクトルは、ランダムに初期化され、次いで訓練中に繰り返し更新され得ることに留意せよ。

図６Ａに示すように、入力６１２及び６１４は、ノード６３２、６３４、６３６、及び６３８を含むように示された隠れ層６３０に与えられる。したがって、層６１０、６３０、及び６５０は、エンコーダ段階と見なすことができ、そのエンコーダ段階は、複数の入力６１２及び６１４を取得し、それを６３０内に図示してある深層ニューラルネットワークに転送して、その入力のいくらかのより小さい表現（例えば、結果として得られた潜在的な表現又はデータ符号化６５２）を学習する。ディープニューラルネットワークは、ＣＮＮ、長・短期記憶ニューラルネットワーク、全結合ニューラルネットワーク、又はそれらの組み合わせとすることができる。入力６１２及び６１４は、心内ＥＣＧ、ＥＣＧ、又は心内ＥＣＧ及びＥＣＧとすることができる。この符号化により、入力心内信号の次元数削減が与えられる。次元数削減とは、一組の主要変数を取得することによって、考慮下にある（複数の入力の）ランダム変数の数を削減するプロセスである。例えば、次元数削減は、高次元空間（例えば、１０次元を上回る）から低次元空間（例えば、２～３次元）にデータ（例えば、複数の入力）を変換する特徴抽出であり得る。次元数削減の技術的効果及び利点には、データに要求される時間及び記憶空間を削減すること、データの可視化を改善すること、及び機械学習のためのパラメータ解釈を改善することが含まれる。このデータ変換は、線形又は非線形であり得る。受信（ブロック６２０）及び符号化（ブロック６２５）の動作は、評価エンジンのオートエンコーダによる多段データ操作のデータ準備部分と見なすことができる。

方法６１０のブロック６６０において、ニューラルネットワーク６００は、潜在的な表現を復号化して、出力心内信号を生成する。復号化段階は、エンコーダ出力（例えば、結果として得られた潜在的な表現又はデータ符号化６５２）を取得し、別の深層ニューラルネットワーク６６０を使用して、入力６１２及び６１４のいくつかの形式を復元しようと試みる。これに関して、ノード６７２、６７４、６７６、及び６７８は、結合されて、ブロック６９９に示されるように、出力層６９０において出力６９２及び６９４を生成する。すなわち、出力層６９０は、削減された次元で、但し、信号干渉、信号アーチファクト、及び信号ノイズなしで、入力６１２及び６１４を復元する。出力６９２及び６９４の例としては、心内ＥＣＧ、クリーンなバージョンの心内ＥＣＧ（ノイズ除去されたバージョン）、ＥＣＧ、及びノイズ除去されたＥＣＧが挙げられる。ノイズ除去されたバージョンの心内ＥＣＧは、遠視野削減、電力線ノイズ、接触ノイズ、偏向ノイズ、基線変動、呼吸ノイズ、及びＦｌｕｒｏノイズのうちの１つ又は２つ以上を含まない場合がある。

ニューラルネットワーク６００は、ノード６３２、６３４、６３６、及び６３８の隠れ層６３０を介して処理を実行して、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、複雑なグローバル挙動を示す。出力層６５０の目標データは、目標データタイプ１の心室活動（Ｙ１）を含み、また遠視野削減後の目標データタイプ２の入力データ（Ｙ２）を含む。

一実施形態によれば、評価エンジンのオートエンコーダは、ｆ（Ｘ）＝Ｙ１かつｇ（Ｘ）＝Ｙ２であるようなマッピング関数（ｆ、ｇ）を見つけ出すための、ノイズ除去オートエンコーダであり得る。ソフトウェア及び／又はハードウェアの任意の組み合わせ（例えば、監視及び処理装置２０２と協働するローカルコンピューティングデバイス２０６及びリモートコンピューティングシステム２０８）は、別々に又は集合的に、ノイズ除去オートエンコーダ及びその機能を格納、実行、及び実装することができる。ノイズ除去オートエンコーダは、隠れ層（例えば、図６の隠れ層６３０）に、より堅牢な特徴（すなわち、入力のより良好で高レベルの表現を構成する有用な特徴）を発見させ、特定のアイデンティティを学習する（すなわち、常に同じ値に戻る）ことを防止するために、それ自体の破損したバージョンから入力を再構築するようにオートエンコーダを訓練する。この点に関して、ノイズ除去オートエンコーダは、入力を符号化し（例えば、入力に関する情報を保存するため）、オートエンコーダの入力に確率的に適用される破損プロセスの効果を逆転させる。

図７は、１つ以上の実施形態による、方法７００のブロック図を示す。ソフトウェア及び／又はハードウェアの任意の組み合わせ（例えば、監視及び処理装置２０２と協働する、ローカルコンピューティングデバイス２０６及びリモートコンピューティングシステム２０８）は、別々に又は集合的に、評価エンジン及びその機能のコンテキスト内の方法７００を記憶、実行、及び実装することができる。一般に、方法７００は、ＷＡＣＡ点マッピング及びＷＡＣＡ段階を含むＷＡＣＡ治療に関して実装され得る。すなわち、ＷＡＣＡ治療に関する方法７００を実装することにより、医師及び／又は医療専門家が、様々な心臓血管疾患をアブレーション自体でより効果的に治療することを可能にする。

例えば、方法７００を利用するカテーテルに基づくＷＡＣＡ治療は、左ＰＶ及び右ＰＶの電気特性をマッピングし、医師及び／又は医療専門家に直接情報を提供する。この点に関して、マッピング及び直接情報としては、ＷＡＣＡ点の自動解剖学的セグメンテーション、連続性推定、及び間隙予測が挙げられる。

プロセスフロー７００は、評価エンジンが症例を受信するブロック７２０から始まる。症例は、ＷＡＣＡ治療のＷＡＣＡ点マッピング段階中にリアルタイムで受信され得る。症例は、左ＰＶ及び右ＰＶをマッピングするＷＡＣＡ点を含み、ＷＡＣＡ点自体が左ＰＶ及び右ＰＶの周囲に２つの別個の環状リングを作製する。

ブロック７３０で、評価エンジンは、受信した症例の各ＷＡＣＡ点、又は左ＷＡＣＡ、右ＷＡＣＡ、入口ＰＶＩ、ルーフライン、左竜骨、右竜骨、後方ライン、下方ライン、僧帽弁峡部ライン、前方ライン、前方ライン、及び大静脈三尖弁峡部、並びに上大静脈隔離ラインのうちの少なくとも１つに対する右及び左のＷＡＣＡ位置を決定する。例えば、評価エンジンのサブアルゴリズムは、ＷＡＣＡ点を評価して、左ＷＡＣＡリング及び右ＷＡＣＡリングを推定する。この推定は、形態的なリングの特徴を決定するための特徴抽出と見なすことができる。いくつかの症例では、評価エンジンは、ＷＡＣＡ点の位置情報を、軸に沿った寸法情報と（例えば、左位置の第１の範囲及び右位置の第２の範囲を有するＸ軸を使用して）自動的に比較することができる。また図８を参照すると、グラフィック画像８０１を示すことが１つ以上の実施形態に従って示されている。グラフィック画像８０１は、別個の２つの環状リングを有するＰＶの画像を提供するグラフィカルユーザインターフェースの一例である。それぞれのリングは、ブロック７２０で生成されたものなどのＷＡＣＡ点を含む。

ブロック７３５において、評価エンジンは、データセットを利用する。一実施例では、データセットは、３７０件を超える症例を含み、それらのそれぞれは、手動注釈及び／又はアブレーション特徴（例えば、無線周波数指数（ＲＦ指数）、力時間積分（ｆｏｒｃｅ ｔｉｍｅ ｉｎｔｅｇｒａｌ、ＦＴＩ、アブレーション点の間にどのくらいの力が誘発されるか）など）を含む。

ここで図９Ａ及び図９Ｂを参照すると、１つ以上の実施形態によるデータセットを示すユーザインターフェースのグラフィック画像９０２及び９０７をそれぞれ示す。グラフィック画像９０２は、９つの解剖学的構造の手動注釈の一例である。グラフィック画像９０７は、アブレーションタイプの手動注釈の一例である。

ブロック７４０において、評価エンジンは、（例えば、訓練データの手動注釈に基づいて）受信した症例のそれぞれのＷＡＣＡ点に対して解剖学的構造分類を決定する。解剖学的構造分類（例えば、セグメンテーション）は、評価エンジンによる、左肺静脈及び右肺静脈のどのセグメントにそれぞれのＷＡＣＡ点が存在するかを決定する能力である。ブロック７４５で、評価エンジンは、解剖学的構造分類の結果を表示する。この点に関して、医師又は医療関係者は、様々な心臓血管疾患のより効果的な治療のために、表示された結果を使用する。

１つ以上の実施形態によれば、解剖学的構造分類は、９つの構造にわたって画定され得る。表１は、右後方、右下方、右ルーフ、右前方、左後方、左下方、左ルーフ、左隆起部、及び左前方の９つの構造又はセグメントを示す。

それぞれの構造又はセグメントは、表１の名前列で及び／又は１組の数字（例えば、１～９）によって示されるように、固有のコードによって表わされてもよい。９つの構造若しくはセグメントに対して又はその代わりに、左ＷＡＣＡ、右ＷＡＣＡ、入口ＰＶＩ、ルーフライン、左竜骨、右竜骨、後方ライン、下方ライン、僧帽弁峡部ライン、前方ライン、前方ライン、及び大静脈三尖弁峡部、上大静脈隔離のうちの少なくとも１つなどの、他の構造の組み合わせが利用されてもよい。

図１０は、手動注釈によって左及び右のＷＡＣＡ点を解剖学的構造に分類するグラフィック描写１００８を示す。グラフィック描写１００８は、アブレーション点を有する左心房を示し、テキストは、評価エンジンの決定を表す（テキストが緑色などの第１の色である場合、評価エンジンは正確であり、テキストが赤色などの第２の色である場合、評価エンジンは不正確である）。

図１１Ａは、右ＷＡＣＡ １１００として識別された右解剖学的構造の図を示す。右ＷＡＣＡ １１００は、右の後方領域１１１０、下の下方領域１１２０、上のルーフ領域１１３０、及び左の前方領域１１４０を含む。

図１１Ｂは、左ＷＡＣＡ １１０１として識別された左解剖学的構造の図を示す。左ＷＡＣＡ １１０１は、左の後方領域１１５０、下の下方領域１１６０、上のルーフ領域１１７０、右上の隆起部領域１１８０、及び右下の前方領域１１９０を含む。

表１の要素と図１１Ａ及び図１１Ｂの図１１００、１１０１との比較は、右ＰＶ及び左ＰＶの周囲に配置された９つの構造又はセグメントを示す。

ブロック７４０の例示的な動作では、図１２Ａは、分類方法１２１２のブロック図を示し、図１２Ｂは、分類方法１２１１のブロック図を示す。方法１２１１は、急性再接続分類子のランダムフォレスト（例えば、ランダムフォレスト分類子）の例示的な動作である。本明細書に記載されるように、図１２の方法１２１２は、解剖学的構造分類への入力としては、アブレーション点ごとの１組の特性／特徴、心房／ＣＴスキャン／超音波／高速解剖学的マッピングなどの３Ｄ表現（例えば、ＶＴＫファイル）、及びＩＣ ＥＣＧ又は身体表面ＥＣＧを挙げることができる。解剖学的構造分類子の出力１２４９は、解剖学的構造コードｋ（ｋ＝１．．．Ｋ）である。１つ以上の実施形態によれば、心房の３Ｄ表現は、ディープＣＮＮネットワークを使用して処理して、ｍ個の（ｍ＝１、．．．、Ｍ）アブレーション点の各１つがｋ個の解剖学的構造（ｋ＝１、．．、Ｋ）の各１つに関連付けられる尤度を示すＫｘＭの確率行列の初期推定値を得ることができる。ＩＣ ＥＣＧは、ディープオートエンコーダを使用して処理して、１組の特徴を得ることができる。全ての特徴（及び特性）は、１組の高密度ニューラルネットワークによって、解剖学的構造予測に処理することができる。

より具体的には、方法１２１２は、ランダムフォレスト分類、全結合高密度層、及びＣＮＮアーキテクチャを活用することを含む。このようにして、５層のＣＮＮは、ＶＴＫファイルから左心房の解剖学的構造を受信し（ブロック１２４０）、全結合層は、アブレーションの特徴を受信し（ブロック１２４１）、全結合層は、アブレーションの特徴と共に形態的特徴を受信する（ブロック１２４２）。例えば、本明細書に記載されるように、アブレーション地点（ｘ、ｙ、ｚ）の位置、及びアブレーションの特性は、１組の特徴を得るために、ディープＣＮＮネットワークを使用してＶＴＫファイルで処理される。特徴をいくつかの高密度層に渡して、解剖学的構造コードを生成することができる。５層のＣＮＮ及び２つの全結合層の出力は、次いで、別の２つの全結合ネットワークに渡されて（例えば、ブロック１２４５及び１２４７に関して処理されて）、最終の解剖学的コードの決定（例えば、ブロック１２４９に関する出力）が提供される。

方法１２１１は、ランダムフォレスト分類子に形態的特徴を提供すること（ブロック１２２３）と、ランダムフォレスト分類子を実行して（ブロック１２２５）、解剖学的構造コードを出力すること（ブロック１２２７）と、を含む。形態的特徴は、サブアルゴリズムによる推定及び特徴抽出から導出することができる。この点に関して、形態的特徴は、左ＷＡＣＡリング及び右ＷＡＣＡリングに従って、評価エンジンによって編成することができる。例えば、解剖学的構造を分類するための主な「情報」は、アブレーション点のｘ、ｙ、ｚ位置に基づくため、評価エンジンは、アブレーション点の近接に基づいてリングを形成するサブアルゴリズムを実行する。評価エンジンは、それらのリングの形態的特徴から、例えば、リングの総表面積、リング内の点の数、及び各点の角度（リングが「時計」のような場合）を抽出する。形態的特徴は、一実施形態では、２５などの１０～５０の範囲に沿った数であり得る。

１つ以上の実施形態によれば、形態的特徴は、アルゴリズム特徴空間内に画定された９つの解剖学的構造に対するものであり得る。例えば、アルゴリズム特徴空間としては、全ての点の平均値が左リング及び右リングに関連付けられる（ｘ＿ｌｅｆｔ，ｙ＿ｌｅｆｔ，ｚ＿ｌｅｆｔ）と、（ｘ＿ｒｉｇｈｔ，ｙ＿ｒｉｇｈｔ，ｚ＿ｒｉｇｈｔ）と、ｘ、ｙ、及びｚが範囲によって正規化される（ｘ＿ｎｏｒｍ，ｙ＿ｎｏｒｍ，ｚ＿ｎｏｒｍ）と、正規化された点がリングの範囲（左又は右）に基づく（ｘ＿ｎｏｒｍ＿ｒｉｎｇ，ｙ＿ｎｏｒｍ＿ｒｉｎｇ，ｚ＿ｎｏｒｍ＿ｒｉｎｇ）と、を挙げることができる。アルゴリズム特徴空間は、ＶＴＫファイルなどの任意選択の特徴、解剖学的構造に対するアブレーション点の最小距離、及び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、安定性など）を更に含んでもよい。方法１２１１の出力は、解剖学的構造コード及び／又は１～９の１組の数字内の数字であり得る。

ランダムフォレスト分類子は、一般に、訓練時に多数の決定木を構築し、個々の木の分類又は平均予測のモードであるクラスを出力することによって動作する、分類、回帰、及び他のタスクのためのアンサンブル学習方法を含む。

図１３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子が示されていることを示す。図１３に示すように、ランダムフォレスト分類子は、５つの決定木１３１０_１、１３１０_２、１３１０_３、１３１０_４、及び１３１０_５（集合的に又は概略的に決定木１３１０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。この図では、５つの木のうち３つ（１３１０_１、１３１０_２、１３１０_４）は、衣服が青色であると判定し、１つは、衣服が緑色（１３１０_３）であると判定し、残りの木は、衣服が赤色（１３１０_５）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受け取り、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。

図１２に戻ると、方法１２１２は、ランダムフォレスト回帰、全結合高密度層、及びＣＮＮアーキテクチャを活用することを含む。このようにして、５層のＣＮＮは、ＶＴＫ解剖学的構造を受信し（ブロック１２４０）、全結合層は、アブレーション特徴を受信し（ブロック１２４１）、全結合層は、形態的特徴を受信する（ブロック１２４２）。ＶＴＫ解剖学的構造は、ＶＴＫファイルに保存された左心房の解剖学的構造であってもよい。１つ以上の実施形態によれば、ＶＴＫファイルを有するアブレーション地点、位置、特性は、ディープＣＮＮネットワークを使用して処理されて、いくつかの高密度層に渡されて解剖学的構造コードを生成する１組の特徴が得られる。５層のＣＮＮ及び２つの全結合層の出力は、次いで、別の２つの全結合ネットワークに渡されて（例えば、ブロック１２４５及び１２４７）、解剖学的構造コードの最終出力が提供される（例えば、ブロック１２４９）。

図７に戻ると、ブロック７５０において、評価エンジンは、左ＰＶ及び右ＰＶの周囲の別個の２つの環状リングの連続性を推定する（例えば、急性再接続連続性推定）。連続性推定は、左ＰＶ及び右ＰＶの周囲の別個の２つの環状リングの間、並びに別個の２つの環状リングと左肺静脈及び右肺静脈の外側の構造要素との間の間接的接触を決定する評価エンジンによる能力である。この推定の出力は、アブレーション点ごとの連続性の確率を含み得る。ブロック７５５で、評価エンジンは、連続性を推定する結果を表示する。この点に関して、医師又は医療関係者は、様々な心臓血管疾患のより効果的な治療のために、表示された結果を使用する。

ブロック７５０の例示的な動作では、図１４Ａは、分類方法１４１２のブロック図を示し、図１４Ｂは、分類方法１４１１のブロック図を示し、図１４Ｃは、グラフィック画像１４１６を示す。方法１４１１は、急性再接続分類子のランダムフォレスト（例えば、本明細書に記載されるようなランダムフォレスト分類子）の例示的な動作である。方法１４１２は、やり直し／急性再接続分類子の深層学習方法の例示的な動作である。グラフィック画像１４１６は、急性再接続点（紫色で示される）を示す。

方法１４１１は、ランダムフォレスト分類子にアブレーション特徴及び形態的特徴を提供すること（ブロック１４２３）と、ランダムフォレスト分類子を実行して（ブロック１４２５）、連続性確率を出力すること（ブロック１４２７）と、を含む。連続性推定（やり直し又は急性再接続）のためのアブレーション特徴及び形態的特徴としては、アルゴリズム特徴空間内に画定された９つの解剖学的構造に基づいて更新された位置ベースの特徴、すなわち、全ての点の平均値が左リング及び右リングに関連付けられる（ｘ＿ｌｅｆｔ，ｙ＿ｌｅｆｔ，ｚ＿ｌｅｆｔ）と、（ｘ＿ｒｉｇｈｔ，ｙ＿ｒｉｇｈｔ，ｚ＿ｒｉｇｈｔ）と、ｘ、ｙ、及びｚが範囲によって正規化される（ｘ＿ｎｏｒｍ，ｙ＿ｎｏｒｍ，ｚ＿ｎｏｒｍ）と、正規化された点がリングの範囲（左又は右）に基づく（ｘ＿ｎｏｒｍ＿ｒｉｎｇ，ｙ＿ｎｏｒｍ＿ｒｉｎｇ，ｚ＿ｎｏｒｍ＿ｒｉｎｇ）と、を挙げることができる。

アルゴリズム特徴空間としては、メッシュベースの特徴、心房の解剖学的構造のＶＴＫファイル（例えば、特徴位相のＣＮＮ）、アブレーション点から解剖学的構造への最小距離、及びアブレーションの特性（例えば、電力、インピーダンス、インピーダンス低下、安定性、温度、ＲＦ指数、ＦＴＩ、特徴、時間ベースの特徴など）などの、任意選択の特徴を挙げることができる。方法１２１１の出力は、解剖学的構造コード及び／又は１～９の１組の数字内の数字であり得る。

本明細書に記載されるように、図１４Ａの方法１４１２に戻ると、やり直し／急性再接続分類子への入力としては、アブレーション点ごとの１組の特性／特徴、心房／ＣＴスキャン／超音波／高速解剖学的マッピングなどの３Ｄ表現（例えば、ＶＴＫファイル）、及びＩＣ ＥＣＧ又は身体表面ＥＣＧを挙げることができる。

やり直し／急性再接続分類子の出力は、対象のボクセルごとの１又は０を含み得、１は急性／長期再接続部位を表す。ボクセルは、グラフィック情報の単位（例えば、２ｍｍ×２ｍｍ×２ｍｍの立方体）などの三次元空間の点であり得る。例えば、画素は、ｘ座標及びｙ座標を有する２次元空間内の点を定義し、ボクセルは、第３のｚ座標を必要とする。１つ以上の実施形態によれば、３Ｄ空間において、それぞれのボクセルは、位置、色、及び密度に関して更に定義され得る。出力に基づいて、急性／長期再接続部位が表示され得る。

１つ以上の実施形態によれば、心房の３Ｄ表現は、１組の特徴を得るために、ディープＣＮＮネットワークを使用して処理され得、ＩＣ ＥＣＧは、１組の特徴を得るために、ディープオートエンコーダを使用して処理され得る。更に、ＩＣ ＥＣＧは、バイポーラ電圧、伝導速度、サイクル長（ミリ秒）、時空間分散レベル、焦点源からの距離、及び対象のボクセルごとの分画レベルなどの追加の特徴を得るために処理され得る。全ての特徴（及び特性）は、連続性予測を生成するために、１組の高密度ニューラルネットワークによって処理され得る。

より具体的には、方法１４１２は、ランダムフォレスト分類、全結合高密度層、及びＣＮＮアーキテクチャを活用することを含む。１つ以上の実施形態によれば、方法１４１２は、急性／やり直し分類のためにランダムフォレスト分類、及び連続性推定のためにＣＮＮ＋高密度層を活用することを含む。このようにして、５層のＣＮＮは、ＶＴＫファイルから左心房の解剖学的構造を受信し（ブロック１４４０）、全結合層は、アブレーションの特徴を受信し（ブロック１４４１）、いくつかの症例では、全結合層は、アブレーションの特徴と共に形態的特徴を受信する（ブロック１４４２）。例えば、本明細書に記載されるように、アブレーション地点（ｘ、ｙ、ｚ）の位置、及びアブレーションの特性は、１組の特徴を得るために、ディープＣＮＮネットワークを使用してＶＴＫファイルで処理される。次いで、全ての特徴をいくつかの高密度層に渡して、解剖学的構造コードを生成する。５層のＣＮＮ及び２つの全結合層の出力は、次いで、別の２つの全結合ネットワークに渡されて（例えば、ブロック１４４５及び１４４７に関して処理されて）、最終の連続性確率（例えば、ブロック１４４９に関する出力）が提供される。

ブロック７６０において、評価エンジンは、やり直し予測を生成する（例えば、やり直しとして注釈されるアブレーション点を予測する）。ブロック７６５で、評価エンジンは、やり直し予測結果を表示する。この点に関して、医師又は医療関係者は、様々な心臓血管疾患のより効果的な治療のために、表示された結果を使用する。

図中のフロー図及びブロック図は、本発明の様々な実施形態に基づくシステム、方法、及びコンピュータプログラム製品の可能な実施態様のアーキテクチャ、機能性、及び動作を示す。これに関して、フロー図又はブロック図中の各ブロックは、モジュール、セグメント、又は命令の部分を表し得、その命令の部分には、特定の論理機能（複数可）を実施するための１つ又は２つ以上の実行可能命令を含む。いくつかの代替的実施態様では、ブロック内に記述された機能は、図に記述された順序以外でも起こり得る。例えば、連続して示す２つのブロックは、実際に、実質的に同時に実行されてもよく、あるいはそれらのブロックは、時には、関連する機能性に応じて、逆の順序で実行されてもよい。また留意されたい点として、ブロック図及び／又は流れ図の各ブロック、並びにブロック図及び／又は流れ図のブロックの組み合わせは、特定の機能又は動作を実行する専用のハードウェアベースシステムによって実施されてもよく、あるいは、専用のハードウェアとコンピュータ命令との組み合わせを実行することができる。

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。本明細書で使用するコンピュータ可読媒体とは、電波又は他の自由に伝搬する電磁波、導波管若しくは他の伝送媒体を通って伝搬する電磁波（例えば、光ファイバーケーブルを通過する光パルス）、又はワイヤを通じて伝送される電気信号などの、それ自体が一過性の信号であるものとしてと解釈されるべきではない。

コンピュータ可読媒体の例としては、電気信号（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例としては、これらに限定されるものではないが、レジスタ、キャッシュメモリ、半導体メモリデバイス、内部ハードディスク及びリムーバブルディスクなどの磁気媒体、光磁気媒体、コンパクトディスク（ＣＤ）及びデジタル多用途ディスク（ＤＶＤ）などの光学媒体、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、消去可能プログラマブル読み出し専用メモリ（ＥＰＲＯＭ又はフラッシュメモリ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、及びメモリスティックなどが挙げられる。プロセッサをソフトウェアと共に使用して、端末、基地局、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施することができる。

本明細書で使用される用語は、あくまで特定の実施形態を説明する目的のものに過ぎず、限定を目的としたものではない。本明細書で使用するとき、文脈上特に明記されない限り、単数形「ａ」、「ａｎ」及び「ｔｈｅ」は複数の形態をも含むものとする。用語「（comprise）」（備える）及び／又は「ｃｏｍｐｒｉｓｉｎｇ」（備えている）は、本明細書で用いられる場合、記載された特徴、整数、工程、動作、要素、及び／又は構成部品の存在を示すものであるが、１つ又は２つ以上の他の特徴、整数、工程、動作、要素、構成要素及び／又はそれらの群の存在を除外するものではない点を理解されたい。

本明細書の異なる実施形態の説明は例示の目的で示されたものであるが、網羅的であることも開示される実施形態に限定されることも意図していない。多くの改変及び変形が、記載される実施形態の範囲及び趣旨から逸脱することなく、当業者には明らかとなろう。本明細書で使用される用語は、実施形態の原理、実用的な用途、又は市場に見られる技術と比較した技術的改良点を最も良く説明するため、又は当業者による本明細書に開示される実施形態の理解を可能とするために選択されたものである。

〔実施の態様〕
（１） 方法であって、
プロセッサによって実行される評価エンジンによって、患者の心組織に対する複数の有効点を受信することと、
前記評価エンジンによって、前記心組織の構造セグメンテーションに基づいて、前記複数の有効点のそれぞれに対して解剖学的構造分類を決定することと、
前記評価エンジンによって、前記心組織の治療をサポートするために、前記複数の有効点の前記それぞれを有する前記解剖学的構造分類を提供することと、
を含む、
方法。
（２） 前記評価エンジンが、前記複数の有効点に対して、前記心組織の左肺静脈及び右肺静脈に対する右広域周方向アブレーション位置及び左広域周方向アブレーション位置を決定する、実施態様１に記載の方法。
（３） 前記評価エンジンが、訓練データの手動注釈を利用して、前記解剖学的構造分類を決定する、実施態様１に記載の方法。
（４） 前記心組織の前記構造セグメンテーションが、左肺静脈及び右肺静脈の右後方、右下方、右ルーフ、右前方、左後方、右下方、右ルーフ、左隆起部、及び左前方のうちの少なくとも１つを含む、実施態様１に記載の方法。
（５） 前記心組織の前記構造セグメンテーションが、左ＷＡＣＡ、右ＷＡＣＡ、入口ＰＶＩ、ルーフライン、左竜骨、右竜骨、後方ライン、下方ライン、僧帽弁峡部ライン、前方ライン、前方ライン、及び大静脈三尖弁峡部、上大静脈隔離のうちの少なくとも１つを含む、実施態様１に記載の方法。

（６） 前記評価エンジンが、前記構造セグメンテーションに従って、前記複数の有効点から形態的特徴を抽出する、実施態様１に記載の方法。
（７） 前記形態的特徴のアルゴリズム特徴空間が、（ｘ＿ｌｅｆｔ，ｙ＿ｌｅｆｔ，ｚ＿ｌｅｆｔ）と、（ｘ＿ｒｉｇｈｔ，ｙ＿ｒｉｇｈｔ，ｚ＿ｒｉｇｈｔ）と、（ｘ＿ｎｏｒｍ，ｙ＿ｎｏｒｍ，ｚ＿ｎｏｒｍ）と、（ｘ＿ｎｏｒｍ＿ｒｉｎｇ，ｙ＿ｎｏｒｍ＿ｒｉｎｇ，ｚ＿ｎｏｒｍ＿ｒｉｎｇ）と、を含む、実施態様６に記載の方法。
（８） 前記解剖学的構造分類が、１～９の１組の数字に基づく解剖学的構造コードを含む、実施態様１に記載の方法。
（９） 評価エンジンが、入力として前記有効点及び心房の３次元モデルに基づいて解剖学的構造分類を決定する、実施態様１に記載の方法。
（１０） 評価エンジンが、心内心電図、ＶＴＫ解剖学的構造ファイル、及び身体表面ＥＣＧのうちの少なくとも１つに基づいて解剖学的構造分類を決定する、実施態様９に記載の方法。

（１１） 前記ＶＴＫ解剖学的構造ファイルが、前記心房の３Ｄシェルを提供する、実施態様１０に記載の方法。
（１２） システムであって、
評価エンジンのプロセッサ実行可能プログラム命令を記憶するように構成されたメモリと、
プロセッサであって、前記評価エンジンの前記プログラム命令を実行して、前記装置に、
患者の心組織に対する複数の有効点を受信させ、
前記心組織の構造セグメンテーションに基づいて、前記複数の有効点のそれぞれに対して解剖学的構造分類を決定させ、
前記心組織の治療をサポートするために、前記複数の有効点の前記それぞれを有する前記解剖学的構造分類を提供させる、
ように構成された、プロセッサと、
を備える、
システム。
（１３） 前記評価エンジンが、前記複数の有効点に対して、前記心組織の左肺静脈及び右肺静脈に対する右広域周方向アブレーション位置及び左広域周方向アブレーション位置を決定する、実施態様１２に記載のシステム。
（１４） 前記評価エンジンが、訓練データの手動注釈を利用して、前記解剖学的構造分類を決定する、実施態様１２に記載のシステム。
（１５） 前記心組織の前記構造セグメンテーションが、左肺静脈及び右肺静脈の右後方、右下方、右ルーフ、右前方、左後方、右下方、右ルーフ、左隆起部、及び左前方のうちの少なくとも１つを含む、実施態様１２に記載のシステム。

（１６） 前記心組織の前記構造セグメンテーションが、左ＷＡＣＡ、右ＷＡＣＡ、入口ＰＶＩ、ルーフライン、左竜骨、右竜骨、後方ライン、下方ライン、僧帽弁峡部ライン、前方ライン、前方ライン、及び大静脈三尖弁峡部、上大静脈隔離のうちの少なくとも１つを含む、実施態様１２に記載のシステム。
（１７） 前記評価エンジンが、前記構造セグメンテーションに従って、前記複数の有効点から形態的特徴を抽出する、実施態様１２に記載のシステム。
（１８） 前記形態的特徴のアルゴリズム特徴空間が、（ｘ＿ｌｅｆｔ，ｙ＿ｌｅｆｔ，ｚ＿ｌｅｆｔ）と、（ｘ＿ｒｉｇｈｔ，ｙ＿ｒｉｇｈｔ，ｚ＿ｒｉｇｈｔ）と、（ｘ＿ｎｏｒｍ，ｙ＿ｎｏｒｍ，ｚ＿ｎｏｒｍ）と、（ｘ＿ｎｏｒｍ＿ｒｉｎｇ，ｙ＿ｎｏｒｍ＿ｒｉｎｇ，ｚ＿ｎｏｒｍ＿ｒｉｎｇ）と、を含む、実施態様１７に記載のシステム。
（１９） 前記解剖学的構造分類が、１～９の１組の数字に基づく解剖学的構造コードを含む、実施態様１２に記載のシステム。
（２０） 評価エンジンが、入力として前記有効点及び心房の３次元モデルに基づいて解剖学的構造分類を決定する、実施態様１２に記載のシステム。

Claims (20)

1. システムであって、
   評価エンジンのプロセッサ実行可能プログラム命令を記憶するように構成されたメモリと、
   プロセッサであって、前記評価エンジンの前記プログラム命令を実行して、前記装置に、
   患者の心組織に対する複数の有効点を受信させ、
   前記心組織の構造セグメンテーションに基づいて、前記複数の有効点のそれぞれに対して解剖学的構造分類を決定させ、
   前記心組織の治療をサポートするために、前記複数の有効点の前記それぞれを有する前記解剖学的構造分類を提供させる、
   ように構成された、プロセッサと、
   を備える、
   システム。
2. 前記評価エンジンが、前記複数の有効点に対して、前記心組織の左肺静脈及び右肺静脈に対する右広域周方向アブレーション位置及び左広域周方向アブレーション位置を決定する、請求項１に記載のシステム。
3. 前記評価エンジンが、訓練データの手動注釈を利用して、前記解剖学的構造分類を決定する、請求項１に記載のシステム。
4. 前記心組織の前記構造セグメンテーションが、左肺静脈及び右肺静脈の右後方、右下方、右ルーフ、右前方、左後方、右下方、右ルーフ、左隆起部、及び左前方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。
5. 前記心組織の前記構造セグメンテーションが、左ＷＡＣＡ、右ＷＡＣＡ、入口ＰＶＩ、ルーフライン、左竜骨、右竜骨、後方ライン、下方ライン、僧帽弁峡部ライン、前方ライン、前方ライン、及び大静脈三尖弁峡部、上大静脈隔離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。
6. 前記評価エンジンが、前記構造セグメンテーションに従って、前記複数の有効点から形態的特徴を抽出する、請求項１に記載のシステム。
7. 前記形態的特徴のアルゴリズム特徴空間が、（ｘ＿ｌｅｆｔ，ｙ＿ｌｅｆｔ，ｚ＿ｌｅｆｔ）と、（ｘ＿ｒｉｇｈｔ，ｙ＿ｒｉｇｈｔ，ｚ＿ｒｉｇｈｔ）と、（ｘ＿ｎｏｒｍ，ｙ＿ｎｏｒｍ，ｚ＿ｎｏｒｍ）と、（ｘ＿ｎｏｒｍ＿ｒｉｎｇ，ｙ＿ｎｏｒｍ＿ｒｉｎｇ，ｚ＿ｎｏｒｍ＿ｒｉｎｇ）と、を含む、請求項６に記載のシステム。
8. 前記解剖学的構造分類が、１～９の１組の数字に基づく解剖学的構造コードを含む、請求項１に記載のシステム。
9. 評価エンジンが、入力として前記有効点及び心房の３次元モデルに基づいて解剖学的構造分類を決定する、請求項１に記載のシステム。
10. 方法であって、
    プロセッサによって実行される評価エンジンによって、患者の心組織に対する複数の有効点を受信することと、
    前記評価エンジンによって、前記心組織の構造セグメンテーションに基づいて、前記複数の有効点のそれぞれに対して解剖学的構造分類を決定することと、
    前記評価エンジンによって、前記心組織の治療をサポートするために、前記複数の有効点の前記それぞれを有する前記解剖学的構造分類を提供することと、
    を含む、
    方法。
11. 前記評価エンジンが、前記複数の有効点に対して、前記心組織の左肺静脈及び右肺静脈に対する右広域周方向アブレーション位置及び左広域周方向アブレーション位置を決定する、請求項１０に記載の方法。
12. 前記評価エンジンが、訓練データの手動注釈を利用して、前記解剖学的構造分類を決定する、請求項１０に記載の方法。
13. 前記心組織の前記構造セグメンテーションが、左肺静脈及び右肺静脈の右後方、右下方、右ルーフ、右前方、左後方、右下方、右ルーフ、左隆起部、及び左前方のうちの少なくとも１つを含む、請求項１０に記載の方法。
14. 前記心組織の前記構造セグメンテーションが、左ＷＡＣＡ、右ＷＡＣＡ、入口ＰＶＩ、ルーフライン、左竜骨、右竜骨、後方ライン、下方ライン、僧帽弁峡部ライン、前方ライン、前方ライン、及び大静脈三尖弁峡部、上大静脈隔離のうちの少なくとも１つを含む、請求項１０に記載の方法。
15. 前記評価エンジンが、前記構造セグメンテーションに従って、前記複数の有効点から形態的特徴を抽出する、請求項１０に記載の方法。
16. 前記形態的特徴のアルゴリズム特徴空間が、（ｘ＿ｌｅｆｔ，ｙ＿ｌｅｆｔ，ｚ＿ｌｅｆｔ）と、（ｘ＿ｒｉｇｈｔ，ｙ＿ｒｉｇｈｔ，ｚ＿ｒｉｇｈｔ）と、（ｘ＿ｎｏｒｍ，ｙ＿ｎｏｒｍ，ｚ＿ｎｏｒｍ）と、（ｘ＿ｎｏｒｍ＿ｒｉｎｇ，ｙ＿ｎｏｒｍ＿ｒｉｎｇ，ｚ＿ｎｏｒｍ＿ｒｉｎｇ）と、を含む、請求項１５に記載の方法。
17. 前記解剖学的構造分類が、１～９の１組の数字に基づく解剖学的構造コードを含む、請求項１０に記載の方法。
18. 評価エンジンが、入力として前記有効点及び心房の３次元モデルに基づいて解剖学的構造分類を決定する、請求項１０に記載の方法。
19. 評価エンジンが、心内心電図、ＶＴＫ解剖学的構造ファイル、及び身体表面ＥＣＧのうちの少なくとも１つに基づいて解剖学的構造分類を決定する、請求項１８に記載の方法。
20. 前記ＶＴＫ解剖学的構造ファイルが、前記心房の３Ｄシェルを提供する、請求項１９に記載の方法。

Images