JP2023524871A - 機械学習モデルへの適用のための時系列データの変換 - Google Patents
機械学習モデルへの適用のための時系列データの変換 Download PDFInfo
- Publication number
- JP2023524871A JP2023524871A JP2022568529A JP2022568529A JP2023524871A JP 2023524871 A JP2023524871 A JP 2023524871A JP 2022568529 A JP2022568529 A JP 2022568529A JP 2022568529 A JP2022568529 A JP 2022568529A JP 2023524871 A JP2023524871 A JP 2023524871A
- Authority
- JP
- Japan
- Prior art keywords
- vcg
- data
- ecg
- beats
- machine learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 37
- 230000009466 transformation Effects 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 58
- 239000013598 vector Substances 0.000 claims abstract description 12
- 230000003862 health status Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims 2
- 230000001131 transforming effect Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 24
- 230000002159 abnormal effect Effects 0.000 description 17
- 230000036541 health Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013526 transfer learning Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 206010003671 Atrioventricular Block Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 208000006029 Cardiomegaly Diseases 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 208000035211 Heart Murmurs Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 208000007177 Left Ventricular Hypertrophy Diseases 0.000 description 1
- 206010067286 Left atrial dilatation Diseases 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 208000000924 Right ventricular hypertrophy Diseases 0.000 description 1
- 206010049761 Ventricular pre-excitation Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 230000036543 hypotension Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000010854 vegetative compatibility group Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/339—Displays specially adapted therefor
- A61B5/341—Vectorcardiography [VCG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
- A61B5/0006—ECG or EEG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Cardiology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
心電図(ECG)データなどの時系列データを機械学習モデルへの適用に適した形式に変換し、変換したデータを機械学習モデルへの入力として適用して、被検体の健康状態を決定する手法が説明される。様々な実施形態では、ベクトル心電図(VCG)データに基づいて2次元画像が生成される(601)。VCGデータは、直接測定されるか又は被検体から測定された心電図(ECG)データに基づいている。2次元画像が機械学習モデルへの入力として適用されて出力が生成される(612)。機械学習モデルは2次元画像の処理における使用のために構成されている。出力に基づいて被検体の健康状態が決定される(614)。
Description
[0001] 本明細書に説明する様々な実施形態は概して医療及び/又は人工知能を対象とする。より具体的には、ただし、排他的ではないが、本明細書に開示する様々な方法及び装置は、心電図(ECG)波形などの時系列データを、機械学習モデルへの適用に適した異なる形式に変換することに関連する。
[0002] 深層学習などの最新の人工知能手法には多くの応用がある。画像処理は最も開発されたものの1つである。セグメンテーション、オブジェクト認識、手書き認識、顔認識などのタスクを実行するために、デジタル画像に画像処理を実行する機械学習モデル(畳み込みニューラルネットワークなど)が既に多く存在している。これらのモデルの多くは、最も基本的及び/又は一般的な形式では、時系列データ、即ち、ある時点に各々対応する入力のシーケンスを処理対象としない。そのため、これらは様々な分野間での使用に適応性がある。
[0003] 臨床的意思決定、診断、解釈、医療ミスの低減、患者ケアの工程促進などのタスクを実行するために、心電図(ECG)波形などの時系列データを処理する手法はある。しかしながら、リカレント型ニューラルネットワークなどの時系列データを処理対象とする人工知能モデルは、フィードフォワード型ニューラルネットワークなどの単発データを処理対象とするモデルよりも複雑である。このように複雑さが増すと、トレーニングが難しくなり、分野間での適応性が低くなる。
[0004] 本開示は、心電図(ECG)データなどの時系列データを、機械学習モデルへの適用に適した形式に変換する方法及び装置を対象とする。
例えば様々な実施形態では、ECGデータは、様々な数のリード(12リード又は別の数のリード)を使用して被検体から取得される。このECGデータは、本明細書に説明する手法を使用して、畳み込みニューラルネットワーク(「CNN」)などの機械学習モデルへの応用に適した形式に変換される。この形式では、ECGデータに含まれる時間的情報と空間的情報との両方が保持される。つまり、変換後の形式ではECG波形の調律と形態との両方が保持される。
[0005] 例えばECGデータ(波形など)を使用して、ECGデータの調律と形態との両方を保持する2次元デジタル画像が生成される。場合によっては、この2次元画像に、例えば異なる色に対応する複数の層又はチャネルが含まれることがある。例えば1種類のデジタル画像には、ピクセルごとに赤のチャンネル、緑のチャンネル、青のチャンネル(RGB)が含まれている。チャネルの他の組み合わせも企図されている。本明細書でより詳細に説明するように、ECGデータの様々な空間的及び/又は時間的な側面を、2次元データのこれらの異なるチャネルにエンコードできる。その後、2次元デジタル画像を、適切にトレーニングされた機械学習モデル(CNNなど)への入力として適用して、ECGデータの取得元となった被検体の健康状態を示す出力を生成できる。さらに、機械学習モデルがトレーニングされる前に、医療従事者によってラベル付けされた同様の2次元データを使用して、機械学習モデルをトレーニングできる。
[0006] いくつかの実装形態では、転移学習を使用して、既存の、事前にトレーニングされた機械学習モデルの少なくとも一部を活用することによって機械学習モデルのトレーニングプロセスを促進する。画像及び/又はオブジェクトの分類などのタスクのために、様々な事前トレーニングされた機械学習モデルが幅広く利用可能である。例えば既存のモデルの中には、動物、家具、工具、車両などの様々なタイプのオブジェクトを識別及び/又は分類するようにトレーニングされているものもあれば、手書き認識などのタスクを実行するようにトレーニングされているものもある。いくつかの実施形態では、これらの既存のモデル、特に比較的抽象的な視覚的特徴を識別/分類する、それらの「上流」の隠れ層を活用して、本明細書に説明する手法を使用して、時系列データから生成された2次元デジタル画像の側面を識別する追加の下流の隠れ層をトレーニングできる。
[0007] 様々な手法を使用して、ECGデータなどの時系列データを2次元画像データに変換できる。例えばいくつかの実施形態では、ECGデータは、12リードECGデータの各々に対応する12波形の形式になる。ベクトル心電図(VCG)データは、これらのECGデータから又はこれらのデータの中間形式から生成できる。標準ECGリードシステムからVCGリードを計算すること以外に、VCGリードを直接記録することもできる。標準の12リードECGでは、4波形が他の8波形から得られる場合があるため、いくつかの実施形態では、VCGリードは8波形のみを使用して得られる。また、8リードよりも少ない又は多い他のECGリードシステムからVCGを得ることもできる。いくつかの実施形態では、12波形の各々は、まず、それぞれの単一の代表拍動(例えばアベレージ又は平均)に変換される。12の代表拍動は、次に3つのVCG拍動に変換され、各VCG拍動は、3次元(3D)空間の1次元における心臓ベクトルに対応する。その後、3つのVCG投影が決定され、各VCG投影は空間面上の3つのVCG拍動のうちの対応する1つを表している。これらの投影は、2次元画像に合成される。例えば各VCG投影は、2次元画像の対応するチャネル(RGBなど)に保存される。
[0008] 概して、一態様では、1つ以上のプロセッサを使用して実施される方法は、VCGデータに基づいて2次元画像を生成するステップであって、VCGデータは直接記録されるか、又は被検体から測定されたECGデータに基づいている、生成するステップと、出力を生成するために、2次元画像を機械学習モデルへの入力として適用するステップであって、機械学習モデルは2次元画像の処理における使用のために構成されている、適用するステップと、出力に基づいて、被検体の健康状態を決定するステップとを含む。
[0009] 様々な実施形態では、ECGデータは、複数のECGリードに対応する複数の波形を含む。様々な実施形態では、上記の方法はさらに、複数の波形の各々を対応する1つの代表拍動に変換するステップを含む。様々な実施形態では、上記の方法はさらに、複数の代表拍動を3つのVCG拍動に変換するステップを含み、各VCG拍動は3D空間の1次元における心臓ベクトルに対応している。様々な実施形態では、上記の方法はさらに、3つのVCG拍動をアップサンプリングするステップを含む。
[0010] 様々な実施形態では、上記の方法はさらに、3つのVCG投影を決定するステップを含み、各VCG投影は、3D空間の対応する次元に対応する空間平面上の3つのVCG拍動のうちの対応する1つを表している。様々な実施形態では、上記の方法はさらに、3つのVCG投影を2次元画像の3つの対応する層にエンコードするステップを含む。様々な実施形態では、3つの対応する層は、赤、緑、及び青を含む。様々な実施形態では、ECGデータは、被検体によって着用されるウェアラブルデバイスから得られるシングルリードデータを含む。
[0011] さらに、いくつかの実装形態は、1つ以上のコンピューティングデバイスの1つ以上のプロセッサを含み、1つ以上のプロセッサは、関連のメモリに格納された命令を実行するように動作可能であり、命令は、上記の方法のいずれかを実行させる。いくつかの実装形態はまた、上記の方法のいずれかを実行するように1つ以上のプロセッサによって実行可能であるコンピュータ命令を格納した1つ以上の非一時的コンピュータ可読記憶媒体を含む。
[0012] 前述の概念と、後述する追加の概念とのすべての組み合わせ(これらの概念が相互に矛盾していない場合)は、本明細書に開示されている発明の主題の一部と考えられることを理解しておく必要がある。特に、本開示の最後に記載されている背特許請求に係る主題のすべての組み合わせは、本明細書に開示されている発明の主題の一部であると考えられる。また、本明細書で明示的に使用されている用語のうち、参照によって組み込まれた開示にも含まれている用語は、本明細書に開示されている特定の概念と最も一致する意味を持つことを理解しておく必要がある。
[0013] 図面では、同様の参照文字は、概して、異なる図全体を通して同じ部分を指す。また、図面は必ずしも縮尺通りではなく、概して、本明細書に説明する実施形態の様々な原理を示すことに重点が置かれている。
[0022] 深層学習などの最新の人工知能(AI)手法には多数の応用があり、画像処理は最も開発されたものの1つである。これらの深層学習モデルは、分野間で比較的適応性があるが、心電図(ECG)波形などの時系列データは処理しない場合がある。さらに、時系列データを処理するAIモデルは、より複雑で、すぐに利用可能ではなく、また、利用可能な場合でも、新しい分野には容易に適応できない。上記の観点から、本開示の様々な実施形態及び実装形態は、ECG波形などの時系列データを、非時系列機械学習モデルへの適用に適した形式に変換することを対象としている。
[0023] 図1は、様々な実施形態による、本開示の選択した態様を実施できる環境の例を示している。図1に示すコンピューティングデバイスには、例えばデスクトップコンピューティングデバイス、ラップトップコンピューティングデバイス、タブレットコンピューティングデバイス、携帯電話コンピューティングデバイス、ユーザの車両のコンピューティングデバイス(車載通信システム、車載エンターテインメントシステム、車載ナビゲーションシステムなど)、スタンドアロンのインタラクティブスピーカ(場合によっては、ビジョンセンサを含む場合もある)、スマートテレビ(又は自動アシスタント機能を備えたネットワークドングルを装備した標準テレビ)などのスマートアプライアンス、及び/又はコンピューティングデバイスを含むユーザのウェアラブル機器(コンピューティングデバイスを持つユーザの腕時計、コンピューティングデバイスを持つユーザの眼鏡、仮想現実又は拡張現実コンピューティングデバイスなど)のうちの1つ以上が含まれる。追加及び/又は代替のコンピューティングデバイスが提供されてもよい。
[0024] 図1では、第1の被検体1001が、例えば病院などのECGデバイス102でモニタリングされ、ECGデータの形の時系列データが取得されている。例えばこのECGデータには、図1に示すように12リードECGデータが含まれている。このECGデータは、例えば第1の被検体1001の電子カルテ(EHR)の一部として、病院情報システム(HIS)104又は別の同様の医療システムに提供及び/又は保存される。図1では、ECGデータはHIS140に直接提供されているが、これは限定を意図したものではない。様々な実施形態では、ECGデータは、1つ以上のネットワーク108を介してHIS104に提供されてもよい。このネットワーク108には、1つ以上のローカルエリアネットワーク、及び/又はインターネットなどの1つ以上のワイドエリアネットワークが含まれ得る。
[0025] 本明細書に説明する手法は、12リードECGデータ(又はその点に関してはECGデータ)に限定されない。例えば第2の被検体1002は、スマートウォッチ114の形のウェアラブルECGデバイスによってモニタリングされている。このスマートウォッチ114は、1リードなどの少ない数のリードのECGデータを、第2のユーザ1002が操作するラップトップ型コンピュータ115などの中間コンピューティングデバイスに提供する。ラップトップ型コンピュータ115は、このECGデータをネットワーク108経由でHIS104に提供する(又は場合によってはスマートウォッチ114がECGデータをネットワーク108経由でHIS104に直接提供してもよい)。
[0026] 機械学習(「ML」)モデルデータベース122に保存されている機械学習モデルを作成、管理、及び/又は適用するために、トレーニングシステム120及び推論システム124が、ハードウェアとソフトウェアとの任意の組み合わせを使用して実装される。トレーニングシステム120は、本明細書における手法を使用して生成された2次元画像などのトレーニングデータを、データベース122内のモデルのうちの1つ以上のモデルへの入力として適用して、出力を生成する。モデルに関連付けられたエラーを判別するために、トレーニングデータを使用して生成された出力は、トレーニングデータに関連付けられたラベルと比較される。トレーニング例のラベルは、トレーニング例が生成された被検体の健康状態の有無及び/又は確率などを示す。例えばトレーニングシステム120はこれらの誤差を使用して、誤差逆伝搬及び勾配降下(確率的又はその他)などの手法を使用してモデルをトレーニングする。
[0027] 推論システム124は、データベース122内のトレーニングされた機械学習モデルを使用して、本明細書に説明する手法を使用して生成された2次元画像に基づいて被検体の健康状態を推論する。いくつかの実施形態では、トレーニングシステム120及び/又は推論システム124は、「クラウド」と呼ばれることもある分散型コンピューティングシステムの一部として実装され得るが、これは必須ではない。
[0028] 図1はまた、本明細書に説明するように、被検体(例えば1001、1002)の健康状態を推論するために、コンピューティングデバイス110を操作する医師112などの医療従事者も示している。特に、コンピューティングデバイス110はネットワーク108に接続され、本明細書に説明するように健康状態を推論するために、推論システム124と対話する。例えば医師112は、第1の被検体1001から得た12リードECGデータに基づいて、第1の被検体1001の健康状態を推論できる。同様に、医師112は、スマートウォッチ114で得たシングルリードECGデータに基づいて、第2の被検体1002について同様の推論を行える。
[0029] いくつかの実施形態では、これらの推論を行う機能は、臨床意思決定支援(CDS)アプリケーションなど、医師112の診断を支援するソフトウェアアプリケーションの一部として提供される。このような実施形態のいくつかでは、医師112はこの推論を「セカンドオピニオン」として頼りにして、自身の医学的所見を強化したり、疑ったりすることができる。或いは、推論は、例えば健康であると推定される母集団(例えば学生、アスリート、兵士)において異常ECG信号から正常ECG信号を分けるECGスクリーニングテストとして使用することもでき、これにより、異常ECGデータ信号を有する被検体にさらなる調査を実行できる。さらに又は或いは、本明細書に説明する手法は、運動負荷テストマシン、除細動器、心電計、ベッドサイドモニタなど、ECG信号を組み込んだ医療機器に組み込むこともできる。
[0030] いくつかの実施形態では、被検体1001、1002自身が、開示した手法を利用して、健康状態を有する尤度、例えば心臓の拍動が正常か異常かを決定できる。例えば第2の被検体1002は、推論システム124とインターフェースで連結し、かつ推論システム124から変更状態推論を受信するために、ラップトップ型コンピュータ115を操作する。いくつかの実施形態では、例えばプライバシー保護やプライバシーに関する法律や規制を守るために、1つ以上のトレーニングされた機械学習モデルをデータベース122からリモートコンピューティングデバイス(ラップトップ型コンピュータ115など)に分散させる。これにより、リモートコンピューティングデバイスは、ローカルで取得した時系列データ(ECGデータなど)に、該ECGデータを「クラウド」などに転送することなく、本開示の選択した態様を実行できる。
[0031] 図2~図4は、ECGデータ(例えば図1のECGデバイス102により生成)をどのようにCNNといった画像処理機械学習モデルとの使用に適した形式、つまり、3チャネル(赤、緑、及び青など)を有する2次元デジタル画像に変換できるかの一例を示している。この例では、ECGデータは12リードECGデータの形式であるが、これは限定を意図したものではない。スマートウォッチ114によって生成されたシングルリードECGデータなど、リード数が少ないECGもまたVCGに変換され、その後に2次元画像に変換できる。
[0032] 図2では、12リードECGデータ240が左側に示され、かつI、II、III、aVR、aVL、aVF、及びV1~V6を含んでいる。この例では、10秒間のECG波形が収集されるが、他の時間間隔も可能である。図2の右側の242では、各リード波形が1リードごとの1つの「代表」拍動に変換されている。代表拍動とは、例えばそのリードの波形の全拍動の平均である。このプロセスでは、ECG信号のすべての詳細を保持しながら、筋音などによって発生するランダムな変動を緩和しようとする。
[0033] 図3では、12の代表拍動242がいくつかのVCG拍動244に変換されている。図3では、3つのVCG拍動244、即ち、3D空間の次元ごとに1つずつ生成されているが、これは限定を意図したものではない。いくつかの実施形態では、行列の乗算を使用して12リードECG242から3次元VCGが合成される。直感的には、VCG拍動244に変換するには、図3の右側の246に示すように、3次元空間の中心の周りに曲線を形成する連続した一連のベクトルを使用して、心臓の電気力の方向及び大きさを記録することが伴う。したがって、各VCG拍動は、3つの次元のうちの1つにおける心臓のベクトルを表している。いくつかの実施形態では、VCGリードは直接記録される。いくつかの実施形態では、空間分解能を向上させるために、VCG拍動は、例えば1000サンプル/秒までアップサンプリングできるが、これは必須ではない。
[0034] 図4は、3次元空間246内のVCGベクトルをどのように3チャネルを有する2次元デジタル画像250に変換できるかを示している。一例として、RGB画像は、各ピクセルの赤、緑、及び青の色成分を定義するm×n×3データ配列として保存される。各ピクセルの色は、各色平面においてそのピクセルの場所に保存されている赤、緑、及び青の強度の組み合わせによって決定される。いくつかの実施形態では、3つの次元のVCG信号を3つの空間平面に投影して、これにより、各投影をRGB画像の1つの層として使用できる。例えば、XY平面上の投影248Rを赤のチャネルとして使用し、XZ平面上の投影248Gを緑のチャネルとして使用し、ZY平面上の投影248Bを青のチャネルとして使用する。これらの投影をRGB層にエンコードする際に、いくつかの実施形態では、投影を回転させてデジタル画像250での重なりが低減される。異なる記録間での整合性を保つために、システムで解析されるすべての記録の回転角度が固定される。
[0035] さらに、いくつかの実施形態では、各投影248R~248Bの一部として示す矢印(2次元画像250において見て取れる)に示されるように、個々のVCG投影の方向が保持される。これらの方向は、被検体の医学的状況を推論するためにCNNへの入力として提供される追加の特徴として利用される。
[0036] 図2~図4に示す変換を実施することで、ECG信号のデータセット全体をVCG画像のデータセットに変換できる。この新しいデータセットを使用して、CNNなどの事前にトレーニングされたニューラルネットワークを微調整して、「転移学習」と呼ばれるプロセスで新しい画像の分類を実行できる。転移学習は、例えばランダムに初期化された重みを用いて機械学習モデルをゼロからトレーニングするよりも高速で簡単であることが多い。また、転移学習は、特に、ゼロからモデルをトレーニングするのに必要なトレーニングデータ量と比べて、モデルを許容可能な程度までトレーニングするのに必要なトレーニングデータが少なくて済む。
[0037] 例えば機械学習モデルの中には、例えば何百万枚もの画像で既にトレーニングされていて、画像を数千ものオブジェクトカテゴリ(キーボード、コーヒーマグ、鉛筆、様々な動物など)に分類できる。このようなネットワークでは、幅広い画像の豊富な特徴表現が学習されている。したがって、このようなネットワークを利用して、例えばECG信号を「正常」又は「異常」に分類するように微調整できる。
[0038] この例を図5に示す。図5の上部では、トレーニングされたネットワーク560が、上流部分562Aと下流部分562Bとの2つの部分に分割されている。上流部分562Aには、比較的抽象的な視覚的特徴(曲線、線、パターンなど)を識別及び/又は分類するために事前にトレーニングされた、任意の数の隠れ層又は他の機械学習モデルコンポーネントが含まれている。下流部分562Bには、あまり抽象的ではない特徴及び/又は人間がすぐに理解する特徴(猫、犬、椅子、キーボード、手書きの文字(手書き認識のシナリオにおいて)など)を識別及び/又は分類する隠れ層又は他のコンポーネントが含まれている。
[0039] 図5の中央に示すように、下流層562Bは、新しい層564に置き換えられる場合がある。新しい層564は、最初は網掛けなしにされて、本明細書に説明する手法を使用して作成された2次元画像(ECGデータを表す)を分類するためにトレーニングされる予定であることを示している。様々な実施形態では、この時点で、被検体の母集団のECG信号から作成されたトレーニングデータセットが作成及び/又は取得される。具体的には、本明細書に説明する手法を使用して、異常及び正常であることがわかっているECG信号を、前述のように2次元画像に変換できる。これらの2次元画像には、例えば元のECG信号の医療従事者による診断に基づいて、正常又は異常のラベルが付けられる。これらの2次元画像を使用して、トレーニングデータセットを使用して新しいネットワーク560(562A+564)をトレーニングして、画像を例えば正常又は異常として分類できる。図5の下部に示すように、新しい層564’は網掛されて、ECGトレーニングデータセットを使用してトレーニングされたことを示している。
[0040] 以下に、転移学習をどのように適用して既存のモデルを活用して、ECGデータ(本明細書に説明するように2次元画像に変換されている)を、例えば正常又は異常として分類するか、又は他の健康状態を推論できるかについて、1つの非限定的な例を示す。これらの他の健康状態には、例えば心房細動、心雑音、肥大などがある。
[0041] まず、事前にトレーニングされたニューラルネットワーク560が得られる。図5に示すように、この事前にトレーニングされたネットワーク560には、1000種類の異なるオブジェクトクラスを識別するためにトレーニングされた最後の3つの層562Bが含まれている。この3つの層は、新たな分類問題(12リード、10秒間のECG記録を「正常」又は「異常」の形態を有するものとして分類するなど)のために微調整及び/又は置き換えられる。最後の3つを除くすべての層は、事前にトレーニングされたネットワークから抽出される。これらの抽出された層は、図5の564に示すように、3つの新しい最後の層と組み合わされる。これらの新しい層564には、全結合層、ソフトマックス層、並びに正常及び異常に対応する2つのノードを持つ分類出力層が含まれる場合がある。
[0042] いくつかの実施形態では、新しい層564が、転移された層562Aよりもはるかに高速に学習できるように、トレーニングオプション及び/又はパラメータが設定される。これは、例えば転移された層562Aの初期学習レートを、新しく追加された最後の3つの層564と比較して小さい値に設定することによって実現できる。転移学習を実行する場合、同数のエポック(エポックは、トレーニングデータセット全体のフルトレーニングサイクルである)をトレーニングする必要はない。これは、ネットワークのほとんど(抽出された層562A)が、はるかに大きなトレーニングデータセットを使用して既にトレーニングされているためである。
[0043] 図6は、本開示の選択した態様を実践する方法600の例のフローチャートを示す。図6の操作は、本明細書に説明する様々なコンピューティングデバイス/システムの1つ以上のプロセッサなど、1つ以上のプロセッサによって実行される。便宜上、方法600の操作は、本開示の選択した態様で構成されたシステムによって実行されているものとして説明する。他の実装形態では、図6に示す操作以外の追加の操作が含まれていても、図6のステップを異なる順序で及び/又は並行して実行しても、及び/又は図6の操作のうちの1つ以上を省略してもよい。
[0044] 601(ステップ602~610を含む)において、システムは、被検体から測定したECGデータに基づいて2次元画像を生成する。いくつかの実施形態では、ステップ601の操作は、状況に応じて推論システム124又はトレーニングシステム120によって実行される。他の実施形態では、変換システムなど、図1に図示していない別のコンポーネントによって実行されてもよい。
[0045] ステップ602において、システムは、図2に示すように、マルチリードECGデータのいくつかの波形の各々を、対応する1つの代表拍動に変換する。前述のように、この変換は、各リードについて10秒の時間間隔の拍動の平均化など、様々なやり方で実行できる。ステップ604において、システムは、ステップ602において変換された(例えば12の)代表拍動を、いくつか(例えば3つ)のVCG拍動に変換する。様々な実施形態では、各VCG拍動は、図3に示すように、3D空間の1次元の心臓ベクトルに対応している。
[0046] いくつかの実施形態では、ステップ606において、システムは、例えば空間分解能を向上させるために、ステップ604において変換された(例えば3つの)VCG拍動をアップサンプリングする。他の実施形態では、このアップサンプリングは省略されてもよい。ステップ608において、システムは、VCG拍動に基づいていくつか(例えば3つの)VCG投影を決定する。各VCG投影は、3D空間の対応する次元に対応する空間平面上のVCG拍動のうちの対応する1つを表している。これは、図4で例示した。
[0047] ステップ610において、システムは、3つのVCG投影を、2次元画像の対応する3つの層又はチャネルにエンコードする。例えば1つの空間平面における1つのVCG投影がRGBデジタル画像の赤のチャネルにエンコードされ、別のVCG投影がRGB画像の緑のチャネルにエンコードされ、別のVCG投影がRGB画像の青のチャネルにエンコードされる。
[0048] ステップ602~610の後、システムは、生成された多層2次元画像を使用して推論を行うか(モデルが既にトレーニングされている場合)、モデルをトレーニングする準備ができている。例えばステップ612において、システムは、例えば推論システム124又はトレーニングシステム120を使用して、多層2次元画像を機械学習モデルへの入力として適用して、出力を生成する。図6のステップ614において、システムは、出力に基づいて、被検体の健康状態を決定する。例えば健康状態とは、例えばシステムが健康であると推定される母集団に対してスクリーニングを実行する場合に「正常」又は「異常」な心拍である。
[0049] 或いは、機械学習は、バイナリ出力よりも多くの出力を提供する場合がある。例えばいくつかの実施形態では、機械学習モデルは、出力として、各々異なる健康状態に関連付けられた複数の確率を生成する。このような実施形態のいくつかでは、最も高い確率を有するn(n>1)の健康状態が医療関係者に、例えばグラフィカルユーザインターフェースの一部として、スピーカを介して出力される自然言語として、被検体に関するレポートの一部として、提示される。
[0050] 機械学習モデルがトレーニングされる他の実施形態では、ステップ612において生成された出力は、入力データに関連付けられたラベルと比較される。例えば入力データは、例えば「正常」、「異常」、又は1つ以上の健康状態を示すものとして医療従事者によって事前にラベル付けされたECGデータである。機械学習モデルを使用して生成された出力とラベルとの相違点、即ち、誤差が、例えばトレーニングシステム120によって機械学習モデルをトレーニングするために使用される。
[0051] 図7は、本明細書に説明する手法の1つ以上の態様を実行するように任意選択で使用されるコンピューティングデバイス710の例のブロック図である。コンピューティングデバイス710は、通常、バスサブシステム712を介していくつかの周辺デバイスと通信する少なくとも1つのプロセッサ714を含む。これらの周辺デバイスには、メモリサブシステム725及びファイルストレージサブシステム726を含むストレージサブシステム724、ユーザインターフェース出力デバイス720、ユーザインターフェース入力デバイス722、及びネットワークインターフェースサブシステム716が含まれ得る。入力デバイス及び出力デバイスによって、ユーザはコンピューティングデバイス710と対話できる。ネットワークインターフェースサブシステム716は、外部ネットワークへのインターフェースを提供し、他のコンピューティングデバイスの対応するインターフェースデバイスに結合される。
[0052] ユーザインターフェース入力デバイス722には、キーボード、ポインティングデバイス(マウス、トラックボール、タッチパッド、又はグラフィックタブレットなど)、スキャナ、ディスプレイに組み込まれたタッチスクリーン、音声認識システム、マイクなどのオーディオ入力デバイス、及び/又は他のタイプの入力デバイスが含まれ得る。一般的に、「入力デバイス」という用語の使用は、すべての可能なタイプのデバイスと、コンピューティングデバイス710又は通信ネットワークに情報を入力するやり方とを含めることを意図している。
[0053] ユーザインターフェース出力デバイス720には、ディスプレイサブシステム、プリンタ、ファックス機、又はオーディオ出力デバイスなどの非視覚的なディスプレイが含まれ得る。ディスプレイサブシステムには、陰極線管(CRT)、液晶ディスプレイ(LCD)などのフラットパネルデバイス、プロジェクションデバイス、又は可視画像を作成する他のメカニズムが含まれ得る。ディスプレイサブシステムはまた、オーディオ出力デバイスなど、非視覚的なディスプレイも提供する。一般的に、「出力デバイス」という用語の使用は、すべての可能なタイプのデバイスと、コンピューティングデバイス710からの情報をユーザ又は別のマシン若しくはコンピューティングデバイスに出力するやり方とを含めることを意図している。
[0054] ストレージサブシステム724には、本明細書に説明するモジュールの一部又はすべての機能を提供するプログラミング及びデータ構造が格納されている。例えばストレージサブシステム724には、図6の方法の選択した態様を実行したり、図1に示す様々なコンポーネントを実施したりするためのロジックが含まれている。
[0055] これらのソフトウェアモジュールは通常、プロセッサ714単独で実行されるか、又は他のプロセッサと組み合わせて実行される。ストレージサブシステム724内で使用されるメモリ725には、プログラム実行中の命令及びデータの保存に使用されるメインランダムアクセスメモリ(RAM)730や、固定命令が保存される読み取り専用メモリ(ROM)732を含む多数のメモリが含まれ得る。ファイルストレージサブシステム726は、プログラム及びデータファイル用の永続的なストレージを提供し、また、ハードディスクドライブ、関連するリムーバブルメディアを伴うフロッピー(登録商標)ディスクドライブ、CD-ROMドライブ、光学式ドライブ、又はリムーバブルメディアカートリッジが含まれ得る。特定の実装形態の機能を実施するモジュールは、ファイルストレージサブシステム726によってストレージサブシステム724に保存されるか、プロセッサ714からアクセス可能な他のマシンに保存され得る。
[0056] バスサブシステム712は、コンピューティングデバイス710の様々なコンポーネント及びサブシステムが意図したとおりに相互に通信できるようにするメカニズムを提供する。バスサブシステム712は、1つのバスとして概略的に示されているが、バスサブシステムの代替実装形態では、複数のバスを使用してもよい。
[0057] コンピューティングデバイス710は、ワークステーション、サーバ、コンピューティングクラスタ、ブレードサーバ、サーバファーム、又は任意の他のデータ処理システム若しくはコンピューティングデバイスなど、様々なタイプであり得る。コンピュータ及びネットワークの性質が常に変化するため、図7に示すコンピューティングデバイス710の説明は、いくつかの実装形態を説明するための具体例に過ぎないことを意図している。図7に示すコンピューティングデバイスよりも多く又は少ないコンポーネントを有するコンピューティングデバイス710の多くの他の構成も可能である。
[0058] 図8は、本明細書に説明する手法を使用してトレーニングされた「正常」対「異常」分類子の混同行列を示している。この行列では、行は予測されるクラスに対応し、列は真のクラス(グランドトゥルースラベルなど)に対応している。対角セルは正しく分類された観察に対応している。非対角セルは正しく分類されていない観察に対応している。各セルには観察数と観察総数の割合との両方が示されている。
[0059] 行列の右端の列には、各クラスに属すると予測されたすべての例のうち、正しく分類されたものの割合(太字)と、正しく分類されていないものの割合(斜体)とが示されている。これらの評価指標は、しばしば適合率(又は陽性予測値)及び偽発見率と呼ばれる。プロットの下部の行には、各クラスに属するすべての例のうち、正しく分類されたものの割合と、正しく分類されなかったものの割合とが示されている。これらの評価指標は、しばしば再現率(又は真の陽性率若しくは感度)及び偽陰性率と呼ばれる。プロットの右下のセルには、全体正解率が示されている。
[0060] 図8の混同行列は、本明細書に説明する手法を実環境データに適用すると、正常なECGを検出するために82.4%の感度と93.7%の陽性予測値とが達成されたことを明らかにしている。このデータセットの異常なケースには、ECGの形態における様々な異常が含まれている。即ち、異常T波、脚ブロック、PR間隔の短縮又は延長、左室肥大又は右室肥大、軸偏位、ST低下又は上昇、低電圧、異常P波又はP波消失、梗塞、左房拡大、房室ブロック、伝導遅延、QT間隔の短縮又は延長、R波増高不良、心室早期興奮、及び他の異常形態が含まれている。この正解率は、信号処理、又は臨床ルールの実施を使用せずに達成された。
[0061] 本明細書では、いくつかの発明実施形態について説明し、示しているが、当業者であれば、本明細書に説明する機能を行ったり、結果や1つ以上の利点を得たりするための様々な他の手段や構造を容易に想像できよう。また、これらの変形や変更の各々は、本明細書に説明する発明実施形態の範囲内であるとみなされる。より一般的には、当業者であれば、本明細書に説明するすべてのパラメータ、寸法、材料、及び構成が模範的であること、また、実際のパラメータ、寸法、材料、及び/又は構成は、本発明の教示内容が使用されている特定の用途に依存することを容易に理解できよう。当業者であれば、本明細書に説明する特定の発明実施形態に相当する多くの均等物を、日常の実験以上のものを使用することなく認識するか、又は確認することができよう。したがって、前述の実施形態は、例としてのみ提示され、添付の特許請求の範囲及び均等物の範囲内で、発明実施形態を、特に説明され請求されているものとは別の方法で実践し得ることを理解されるべきである。本開示の発明実施形態は、本明細書で説明される個々の特徴、システム、品物、材料、キット、及び/又は方法の各々を対象としている。さらに、2つ以上のそのような特徴、システム、品物、材料、キット、及び/又は方法の任意の組み合わせは、そのような特徴、システム、品物、材料、キット、及び/又は方法は、相互に矛盾していなければ、本開示の発明範囲に含まれる。
[0062] 本明細書で定義及び使用されるすべての定義は、辞書の定義、参照によって組み込まれる文書内の定義、及び/又は定義された用語の通常の意味に優先されることを理解されるべきである。単数形の表記は、本明細書及び特許請求の範囲で使用される場合、「少なくとも1つ」を意味するものとして理解されるべきである。
[0063] 本明細書及び特許請求の範囲で使用される語句「及び/又は」は、そのように等位接続されている要素(つまり、接続的に存在する場合もあれば、離接的に存在する場合もある要素)の「いずれか又は両方」を意味するものとして理解されるべきである。「及び/又は」を用いてリストされた複数の要素は、同じように、つまり、そのように等位接続されている要素のうちの「1つ以上」と解釈されるべきである。「及び/又は」句によって特に特定された要素以外の他の要素も、特に特定された要素に関連するかどうかにかかわらず、任意選択で存在していてもよい。したがって、非限定的な例として、「含む」などのオープンエンド言語と組み合わせて使用する場合、「A及び/又はB」への参照は、1つの実施形態ではAのみ(任意選択でB以外の要素を含む)を指し、別の実施形態ではBのみ(任意選択でA以外の要素を含む)を指し、さらに別の実施形態ではA及びBの両方(任意選択で他の要素を含む)を指すことなどが可能である。
[0064] 本明細書及び特許請求の範囲で使用される場合、「又は」は、上記で定義されている「及び/又は」と同じ意味を有するとして理解されるべきである。例えば、リスト内のアイテムを分離するとき、「又は」又は「及び/又は」は、包含的であると解釈される。つまり、いくつかの要素又は要素のリストのうちの少なくとも1つの包含であるが、2つ以上の要素、また、任意選択で、追加のリストされていないアイテムも含まれている。その反対を明確に示す用語のみ(例えば、「~のうちの1つのみ」若しくは「~のうちのちょうど1つ」、又は、特許請求の範囲で使用されたときに、「~からなる」)が、いくつかの要素又は要素のリストのうちの厳密に1つの要素を含むことを意味する。一般に、本明細書で使用される場合、用語「又は」は、排他性の用語(例えば、「どちらか一方」、「~のうちの1つ」、「~のうちの1つのみ」、又は「~のうちのちょうど1つ」)が先行するときに、排他的な代替手段(即ち、「~のどれか一方であるが両方ではない」)を示すものとしてのみ解釈されるべきである。「本質的に~からなる」は、特許請求の範囲で使用される場合、特許法の分野で使用される通常の意味を有する。
[0065] 本明細書及び特許請求の範囲で使用される場合、1つ又は複数の要素のリストを参照しての語句「少なくとも1つ」は、要素リスト内の要素のいずれか1つ又は複数から選択された少なくとも1つの要素を意味するものとして理解されるべきである。ただし、要素のリスト内に具体的にリストされている各要素の少なくとも1つを含める必要はなく、また、要素のリスト内の要素の任意の組み合わせを除外しない。この定義では、語句「少なくとも1つ」が参照する要素のリスト内で特定された要素以外の要素が、特定された要素に関連するかどうかに関係なく、任意選択で存在していてもよい。したがって、非限定的な例として、「A及びBのうちの少なくとも1つ」(又は同等に「A又はBのうちの少なくとも1つ」、又は同等に「A及び/又はBのうちの少なくとも1つ」)は、1つの実施形態では、Bがない状態で、少なくとも1つのA(任意選択で2以上のAを含む)(任意選択でB以外の要素を含む)を指し、別の実施形態では、Aがない状態で、少なくとも1つのB(任意選択で2以上のBを含む)(任意選択でA以外の要素を含む)を指し、さらに別の実施形態では、少なくとも1つのA(任意選択で2つ以上のAを含む)、及び少なくとも1つのB(任意選択で2つ以上のBを含む)(任意選択で他の要素を含む)を指すことなどが可能である。
[0066] また、特に明記のない限り、2つ以上のステップ又は行為を含む、本明細書で請求されている任意の方法では、方法のステップ又は行為の順序は、方法のステップ又は行為が記載された順序に必ずしも限定されるわけではないことも理解されるべきである。
[0067] 特許請求の範囲だけでなく、上記の明細書においても、「有する」、「含む」、「担持する」、「持つ」、「収容する」、「伴う」、「保持する」、「~で構成される」などのすべての移行句は、オープンエンドであることを理解されるべきである。つまり、含むが限定されないことを意味する。米国特許局の特許審査手続便覧のセクション2111.03に記載されているように、移行句「~からなる」及び「本質的に~からなる」のみが、閉鎖型又は半閉鎖型の移行句である。特許協力条約(「PCT」)の規則6.2(b)に従って特許請求の範囲に使用される特定の表現及び参照符号は、範囲を限定しないことが理解されるべきである。
Claims (15)
- 1つ以上のプロセッサを使用して実施される方法であって、前記方法は、
ベクトル心電図(VCG)データに基づいて2次元画像を生成するステップであって、前記VCGデータは直接記録されるか、又は被検体から測定された心電図(ECG)データに基づいている、生成するステップと、
出力を生成するために、前記2次元画像を機械学習モデルへの入力として適用するステップであって、前記機械学習モデルは2次元画像の処理における使用のために構成されている、適用するステップと、
前記出力に基づいて、前記被検体の健康状態を決定するステップと、
を含む、方法。 - 前記ECGデータは、複数のECGリードに対応する複数の波形を含む、請求項1に記載の方法。
- 前記複数の波形の各々を対応する1つの代表拍動に変換するステップをさらに含む、請求項2に記載の方法。
- 前記複数の代表拍動を3つのVCG拍動に変換するステップであって、各VCG拍動は3次元(3D)空間の1次元における心臓ベクトルに対応している、変換するステップをさらに含む、請求項3に記載の方法。
- 前記3つのVCG拍動をアップサンプリングするステップをさらに含む、請求項4に記載の方法。
- 3つのVCG投影を決定するステップであって、各VCG投影は、前記3D空間の対応する次元に対応する空間平面上の前記3つのVCG拍動のうちの対応する1つを表している、決定するステップをさらに含む、請求項4に記載の方法。
- 前記3つのVCG投影を前記2次元画像の3つの対応する層にエンコードするステップをさらに含む、請求項6に記載の方法。
- 前記3つの対応する層は、赤、緑、及び青を含む、請求項7に記載の方法。
- 前記ECGデータは、前記被検体によって着用されるウェアラブルデバイスから得られるシングルリードデータを含む、請求項1に記載の方法。
- プロセッサとメモリとを含むデバイスであって、前記メモリは命令を格納し、前記プロセッサによる前記命令の実行に応じて、前記命令は、前記デバイスに、
ベクトル心電図(VCG)データに基づいて2次元画像を生成することであって、前記VCGデータは直接測定されるか、又は被検体から測定された心電図(ECG)データに基づいている、生成することと、
出力を生成するために、前記多層2次元画像を機械学習モデルへの入力として適用することであって、前記機械学習モデルは2次元画像の処理における使用のために構成されている、適用することと、
前記出力に基づいて、前記被検体の健康状態を決定することと、
を実行させる、デバイス。 - 前記被検体によって着用されるウェアラブルデバイスを含む、請求項10に記載のデバイス。
- 前記ECGデータは、複数のECGリードに対応する複数の波形を含む、請求項10に記載のデバイス。
- 前記複数の波形の各々を対応する1つの代表拍動に変換することと、
前記複数の代表拍動を複数のVCG拍動に変換することであって、各VCG拍動は多次元空間の1次元における心臓ベクトルに対応している、変換することと、
複数のVCG投影を決定することであって、各VCG投影は、前記多次元空間の対応する次元に対応する空間平面上の前記複数のVCG拍動のうちの対応する1つを表している、決定することと、
を実行する命令をさらに含む、請求項12に記載のデバイス。 - 前記複数のVCG拍動をアップサンプリングする命令をさらに含む、請求項13に記載のデバイス。
- 命令を含む少なくとも1つの非一時的コンピュータ可読媒体であって、1つ以上のプロセッサによる前記命令の実行に応じて、前記1つ以上のプロセッサが請求項1に記載の方法を実行する、非一時的コンピュータ可読媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063022752P | 2020-05-11 | 2020-05-11 | |
US63/022,752 | 2020-05-11 | ||
PCT/EP2021/061962 WO2021228672A1 (en) | 2020-05-11 | 2021-05-06 | Time series data conversion for machine learning model application |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023524871A true JP2023524871A (ja) | 2023-06-13 |
JPWO2021228672A5 JPWO2021228672A5 (ja) | 2024-05-17 |
Family
ID=75888025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022568529A Pending JP2023524871A (ja) | 2020-05-11 | 2021-05-06 | 機械学習モデルへの適用のための時系列データの変換 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230165505A1 (ja) |
EP (1) | EP4150632A1 (ja) |
JP (1) | JP2023524871A (ja) |
CN (1) | CN115552543A (ja) |
WO (1) | WO2021228672A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024072849A1 (en) * | 2022-09-27 | 2024-04-04 | The General Hospital Corporation | Artificial intelligence enabled discrimination of disease and disease etiology |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3379998A4 (en) * | 2015-11-23 | 2019-07-31 | Mayo Foundation for Medical Education and Research | PROCESSING PHYSIOLOGICAL ELECTRICAL DATA FOR ANALYTICAL ASSESSMENTS |
-
2020
- 2020-05-06 US US17/924,027 patent/US20230165505A1/en active Pending
-
2021
- 2021-05-06 JP JP2022568529A patent/JP2023524871A/ja active Pending
- 2021-05-06 EP EP21724621.4A patent/EP4150632A1/en active Pending
- 2021-05-06 WO PCT/EP2021/061962 patent/WO2021228672A1/en unknown
- 2021-05-06 CN CN202180034731.6A patent/CN115552543A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2021228672A1 (en) | 2021-11-18 |
CN115552543A (zh) | 2022-12-30 |
US20230165505A1 (en) | 2023-06-01 |
EP4150632A1 (en) | 2023-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al’Aref et al. | Clinical applications of machine learning in cardiovascular disease and its relevance to cardiac imaging | |
US11957507B2 (en) | Systems and methods for a deep neural network to enhance prediction of patient endpoints using videos of the heart | |
CN106725426A (zh) | 一种心电信号分类的方法及系统 | |
EP4272645A1 (en) | Method and apparatus for converting electrical biosignal data into numerical vectors, and method and apparatus for analyzing disease by using same | |
CN111523502A (zh) | 一种心电图图像处理方法、设备、介质和心电图仪 | |
JP7299636B2 (ja) | 心電図信号の分類データを提供する方法及びその電子装置 | |
Schuuring et al. | Routine echocardiography and artificial intelligence solutions | |
Ullah et al. | An End‐to‐End Cardiac Arrhythmia Recognition Method with an Effective DenseNet Model on Imbalanced Datasets Using ECG Signal | |
WO2021071646A1 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
Loncaric et al. | Integration of artificial intelligence into clinical patient management: focus on cardiac imaging | |
Wessler et al. | Automated detection of aortic stenosis using machine learning | |
JP2023524871A (ja) | 機械学習モデルへの適用のための時系列データの変換 | |
Vázquez et al. | Label noise and self-learning label correction in cardiac abnormalities classification | |
Das et al. | Interpretation of EKG with image recognition and convolutional neural networks | |
JP2019517839A (ja) | Ecgトレーニング及びスキル向上 | |
Liu et al. | Accurate detection of arrhythmias on raw electrocardiogram images: An aggregation attention multi-label model for diagnostic assistance | |
Rudnicka et al. | Advancements in artificial intelligence-driven techniques for interventional cardiology | |
Yang et al. | Sensing, Modeling and Optimization of Cardiac Systems: A New Generation of Digital Twin for Heart Health Informatics | |
EP3788638A1 (en) | Method and apparatus for classifying subjects based on time series phenotypic data | |
Heinen | Using lightweight image classifiers for electrocardiogram classification on embedded devices | |
Liu et al. | Analysis of patient outcome using ECG and extreme learning machine ensemble | |
EP4384077A1 (en) | Machine-learning for processing lead-invariant electrocardiogram inputs | |
US20210106248A1 (en) | ECG Analysis System | |
Khudair | Detection of Heart Attack (Myocardial Infarction) Based on the LSTM Recursive Deep Learning and Clinical Features | |
Cheng et al. | Multi-label classification of arrhythmia using dynamic graph convolutional network based on encoder-decoder framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240502 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240502 |