KR20200086316A - 개별 환자 데이터 및 치료적 뇌 네트워크 맵을 사용한 효능 및/또는 치료적 파라미터 추천 - Google Patents

개별 환자 데이터 및 치료적 뇌 네트워크 맵을 사용한 효능 및/또는 치료적 파라미터 추천 Download PDF

Info

Publication number
KR20200086316A
KR20200086316A KR1020207016177A KR20207016177A KR20200086316A KR 20200086316 A KR20200086316 A KR 20200086316A KR 1020207016177 A KR1020207016177 A KR 1020207016177A KR 20207016177 A KR20207016177 A KR 20207016177A KR 20200086316 A KR20200086316 A KR 20200086316A
Authority
KR
South Korea
Prior art keywords
treatment
brain
individual patient
map
therapeutic
Prior art date
Application number
KR1020207016177A
Other languages
English (en)
Inventor
중난 팡
이진형
Original Assignee
엘비스 코포레이션
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 엘비스 코포레이션 filed Critical 엘비스 코포레이션
Publication of KR20200086316A publication Critical patent/KR20200086316A/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0035—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0036—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room including treatment, e.g., using an implantable medical device, ablating, ventilating
    • A61B5/04008—
    • A61B5/0476—
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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
    • A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
    • A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] 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
    • A61B5/369—Electroencephalography [EEG]
    • 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
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/037—Emission tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/3605—Implantable neurostimulators for stimulating central or peripheral nerve system
    • A61N1/3606—Implantable neurostimulators for stimulating central or peripheral nerve system adapted for a particular treatment
    • A61N1/36064—Epilepsy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/3605—Implantable neurostimulators for stimulating central or peripheral nerve system
    • A61N1/3606—Implantable neurostimulators for stimulating central or peripheral nerve system adapted for a particular treatment
    • A61N1/36082—Cognitive or psychiatric applications, e.g. dementia or Alzheimer's disease
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4806—Functional imaging of brain activation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4808—Multimodal MR, e.g. MR combined with positron emission tomography [PET], MR combined with ultrasound or MR combined with computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • 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

Abstract

본 명세서에 설명되는 예는 치료에 대한 개별 환자 상태 데이터 및 뇌 네트워크 응답 맵을 비교하여 치료 효능 및/또는 치료적 파라미터를 예측할 수 있다. 예를 들어, VNS 파라미터는 다양한 파라미터에서 환자 EEG 데이터 및 VNS 치료의 뇌 네트워크 응답 맵을 비교하여 예측될 수 있다.

Description

개별 환자 데이터 및 치료적 뇌 네트워크 맵을 사용한 효능 및/또는 치료적 파라미터 추천
관련 출원(들)에 대한 상호-참조
본 출원은, 임의의 목적을 위해 그 전체가 본 명세서에 참조로서 합체된, 2017년 11월 10에 출원된 미국 임시 출원 번호 제62/584,669호의 우선권을 주장한다.
기술분야
본 명세서에 설명된 예는 일반적으로 신경 치료에 관한 것이고, 신경 자극 치료와 같은, 치료의 효능 및/또는 파라미터를 예측하는 예가 설명되어 있다.
신경 자극은 간질, 우울증, 파킨슨병, 및 알츠하이머병을 비롯한 신경계 질환에 대한 새로운 유망한 치료이다. 그러나, 현재는 이식 전에 치료의 효능을 예측하는 방법이 존재하지 않는다. 또한, 신경계 질환은 개별 환자들 사이에서 다양하기 때문에(예를 들어 발작을 일으키는 비정상적인 뇌 영역은 간질 환자들 사이에서 다양하다), 그의/그녀의 가장 효과적인 자극 설정을 식별하기 위해 각각의 개별 환자에 대한 반복된 신경 자극 파라미터 조정이 필요하다. 이러한 길고 지루한 파라미터 조정 프로세스는 의료 관리 비용을 크게 증가시키고 의사 및 환자 모두를 불만스럽게 한다. 또한 파라미터 조정의 조기 종결이 많은 부정적인 사례들을 초래하기 때문에 이는 신경 자극 치료의 전체적인 효능을 감소시킨다.
방법의 예가 본 명세서에 설명되어 있다. 예시적인 방법은 환자의 신경 상태의 개별 환자 데이터를 획득하는 단계, 치료의 치료적 뇌 네트워크 응답 맵을 획득하는 단계, 및 신경 상태의 데이터와 뇌 네트워크 응답 맵의 비교에 기초하여 환자에 대한 치료의 효능을 예측하는 단계를 포함한다.
몇몇 예에서, 치료의 효능을 예측하는 단계는 치료에 대한 통계적 예측 모델로의 입력으로서 개별 환자 데이터 및 치료적 뇌 네트워크 응답 맵을 제공하는 단계, 및 통계적 예측 모델을 사용하여 치료의 효능을 예측하는 단계를 포함할 수 있다.
몇몇 예에서, 통계적 예측 모델은 신경 상태에 관한 개별 환자 데이터 및 뇌 네트워크 응답 맵으로부터 피처를 추출하도록 구성된 피처 추출 기법을 포함할 수 있다.
몇몇 예에서, 피처는 개별 환자 데이터와 뇌 네트워크 응답 맵 사이의 중첩 영역을 포함할 수 있다.
몇몇 예에서, 통계적 예측 모델은 신경 상태의 개별 환자 데이터 및 치료적 뇌 네트워크 응답 맵으로부터 피처를 추출하도록 구성된 컨볼루션 커널을 포함할 수 있다.
몇몇 예에서, 컨볼루션 커널 내의 값은 치료에 대한 통계적 예측 모델의 훈련 동안 학습된다.
몇몇 예에서, 방법은 각각의 컨볼루션 커널을 개별 환자 데이터 및 치료적 뇌 네트워크 응답 맵에 반복적으로 승산하는 단계, 및 결과를 복수의 피처 맵 내의 픽셀로서 저장하는 단계를 포함할 수 있다.
몇몇 예에서, 통계적 예측 모델은 심층 컨볼루션 신경망을 포함하고, 심층 컨볼루션 신경망은 피처 맵으로부터 추가 피처를 추출하도록 구성되는 적층 컨볼루션, 정류 선형 유닛(rectified linear unit), 및 풀링 계층을 포함할 수 있다.
몇몇 예에서, 방법은 피처 맵으로부터의 추가 피처에 기초하여 효능을 예측하는 단계를 포함할 수 있다.
몇몇 예에서, 방법은 통계적 예측 모델을 사용하여 치료에 대한 파라미터를 예측하는 단계를 포함할 수 있다.
몇몇 예에서, 치료는 미주 신경 자극을 포함하고 신경 상태는 발작일 수 있다.
몇몇 예에서, 신경 상태의 개별 환자 데이터는 발작 발생 및 전파의 뇌 영역들 및 이들 영역 사이에서의 경로를 표시하는 발작 네트워크 영상 또는 간질양 극파의 데이터를 포함한다.
몇몇 예에서, 신경 상태의 개별 환자 데이터를 획득하는 단계는 뇌전도(EEG) 또는 뇌자도(MEG)를 사용하는 것을 포함하고, 치료적 뇌 네트워크 응답 맵을 획득하는 단계는 기능적 자기 공명 영상(fMRI), 양전자 방출 단층촬영법(PET), 및/또는 단일-광자 방출 컴퓨터 단층촬영법(SPECT)을 사용하는 것을 포함한다.
몇몇 예에서, 신경 상태의 개별 환자 데이터를 획득하는 단계는 그룹 평균 극파 및 신호원 국지화를 사용하는 단계, 극파 ICA 분석 및 신호원 국지화를 사용하는 단계, 발작 네트워크 분석을 사용하는 단계, 또는 이들의 조합을 포함한다.
몇몇 예에서, 개별 환자 데이터를 획득하는 단계는 뇌 공간 상에 데이터를 투영하는 단계, 신경 상태에 관여되는 뇌 영역을 식별하는 단계, 발작 뇌 영역 사이의 경로를 계산하는 단계, 또는 이들의 조합을 포함한다.
몇몇 예에서, 치료적 뇌 네트워크 응답 맵은 특정 세트의 파라미터를 사용한 치료에 대한 뇌 응답에 대응한다.
시스템의 예가 본 명세서에 설명되어 있다. 시스템 예은 적어도 하나의 프로세서, 및 적어도 하나의 프로세서에 의해 실행될 때, 시스템으로 하여금 치료에 대한 통계적 예측 모델로의 입력으로서 환자의 신경 상태 및 치료적 뇌 네트워크 응답 맵 영상 데이터를 제공하게 하고, 통계적 예측 모델을 사용하여 치료의 효능을 예측하게 하는 명령어로 인코딩된 컴퓨터 판독가능 매체를 포함할 수 있다.
몇몇 예에서, 통계적 예측 모델은 신경 상태의 개별 환자 데이터 및 치료적 뇌 네트워크 응답 맵으로부터 피처를 추출하도록 구성된 컨볼루션 커널을 포함할 수 있다.
몇몇 예에서, 컨볼루션 커널 내의 값은 치료에 대한 통계적 예측 모델의 훈련 동안 학습된다.
몇몇 예에서, 명령어는 추가로 시스템으로 하여금 각각의 컨볼루션 커널을 개별 환자 데이터 및 치료적 뇌 네트워크 응답 맵에 반복적으로 승산하게 하고, 결과를 복수의 피처 맵 내의 픽셀로서 저장하게 할 수 있다.
몇몇 예에서, 통계적 예측 모델은 적층 컨볼루션, 정류 선형 유닛, 및 풀링 계층을 포함하고 피처 맵으로부터 추가 피처를 추출하도록 구성되는 심층 컨볼루션 신경망을 포함할 수 있다.
몇몇 예에서, 명령어는 추가로 시스템으로 하여금 피처 맵으로부터의 추가 피처에 기초하여 효능을 예측하게 할 수 있다.
몇몇 예에서, 명령어는 추가로 시스템으로 하여금 통계적 예측 모델을 사용하여 치료에 대한 파라미터를 예측하게 할 수 있다.
몇몇 예에서, 치료는 미주 신경 자극을 포함할 수 있고 신경 상태는 발작일 수 있다.
몇몇 예에서, 신경 상태의 데이터는 발작 근원을 표시하는 간질 신호원 영상의 데이터를 포함한다.
몇몇 예에서, 시스템은 적어도 하나의 프로세서에 커플링되는 뇌전도(EEG) 시스템 또는 상기 적어도 하나의 프로세서에 커플링되고 영상 데이터를 제공하도록 구성된 뇌자도(MEG) 시스템, 및 적어도 하나의 프로세서에 커플링되고 치료적 뇌 네트워크 맵을 제공하도록 구성된 기능적 자기 공명 영상(fMRI) 시스템을 포함할 수 있다.
도 1은 본 명세서에 설명된 예에 따라 구성된 시스템의 개략도이다.
도 2는 본 명세서에 설명된 예에 따른 통계적 예측 모델 프로세스(200)를 예시한다.
도 3은 본 명세서에 설명된 예에 따른 통계적 예측 모델 프로세스(300)를 예시한다.
도 4는 본 명세서에 설명된 예에 따른 영상 세트(400)를 예시한다.
도 5는 본 명세서에 설명된 예에 따른 간질양 극파 또는 발작 네트워크 분석의 개략도이다.
도 6은 본 명세서에 설명된 예에 따라 구성된 신경 자극 효능 예측에 대한 픽셀 단위의 피처 추출 모델을 예시한다.
설명된 실시예의 충분한 이해를 제공하기 위해 특정 상세 내용들이 아래에 설명되어 있다. 그러나, 실시예가 이러한 특정 상세 내용 없이 실시될 수 있다는 것이 관련 기술 분야의 통상의 기술자에게 명백할 것이다. 몇몇 경우에, 설명된 실시예를 불필요하게 모호하게 하지 않기 위해 잘 알려진 뇌 영상화 기법들 및 시스템들, 회로들, 제어 신호들, 타이밍 프로토콜들, 및/또는 소프트웨어 작업들은 상세히 도시되지 않았다.
본 명세서에 설명된 시스템 및 방법의 예는 치료(예를 들어, 신경 자극, 약물, 세포 치료, 유전자 치료)의 효능을 예측할 수 있고, 이는 불필요한 치료(예를 들어, 신경 자극 임플란트 수술)를 피하는 데 도움을 줄 수 있다. 본 명세서에 설명된 시스템 및 방법의 예는 길고 지루한 자극 파라미터 조정 프로세스를 피하기 위해 수술 전 또는 후 각각의 개별 환자에 대한 가장 효과적인 치료 파라미터(예를 들어, 자극 파라미터)를 예측할 수 있다.
본 명세서에 설명된 예는 뇌 신호원 영상화 및/또는 뇌 네트워크 분석에 기초할 수 있는, 통계적 예측 모델을 이용할 수 있다. 몇몇 예에서 신호원 국지화된 뇌전도(EEG) 및 뇌자도(MEG)를 사용하는 영상화와 같은 뇌 신호원 영상화는 두피 기록 전위 시계열 대신 이용될 수 있어 기록된 뇌 활동이 두피 상에서 대신 뇌 상에서 또는 내부에서 추정될 수 있도록 한다. 신경계 질환에 관여하는 뇌 영역들 및 이들 영역 사이의 경로가 추정될 수 있도록 뇌 네트워크 분석이 또한 이용될 수 있다. 몇몇 예에서, 신경 자극 메커니즘의 정보를 포함하는, 치료(예를 들어, 신경 자극기)에 의해 유도된 뇌 네트워크 응답 맵이 또한 예측을 위해 획득되어 예측 정확도를 더 개선시킬 수 있다. 치료적 뇌 네트워크 응답 맵은 기능적 자기 공명 영상(fMRI), 양전자 방출 단층촬영법(PET), 및/또는 단일-광자 방출 컴퓨터 단층촬영법(SPECT)과 같은 전체 뇌 영상화 기법과 같은, 그러나 이에 제한되지 않는, 기법에 의해 획득될 수 있다.
본 명세서에 설명된 예는 효능 및/또는 파라미터 예측 서비스를 제공할 수 있다. 하나 이상의 환자의 EEG 기록이 수신될 수 있다. 환자에 대한 간질양 극파(들) 및/또는 발작 네트워크(들)가 분석될 수 있고 통계적 예측 모델은 질환 상태 영상(예를 들어, 간질양 극파(들) 또는 발작 네트워크 영상(들))과 치료에 대한 대표 fMRI 뇌 네트워크 응답 맵을 비교하는 피처에 기초하여 치료 효능을 예측하기 위해 적용될 수 있다. 예측된 효능 및 제안된 파라미터가 제공될 수 있다. 이 서비스에 의해, 치료에 대한 긴 신경 자극 파라미터 조정 프로세스가 제거 및/또는 감소될 수 있고, 치료의 성공률이 개선될 수 있고, 불필요한 이식 또는 다른 개입이 방지될 수 있다.
본 명세서에 설명된 예는 간단히 간질 유형 또는 극파 신호원으로 예측하는 것을 넘어설 수 있고, 오히려, EEG 질환 상태 영상 및 fMRI 뇌 네트워크 응답 맵이 통계적 예측 모델에 의해 이용될 수 있고, 여기서 질환 상태 영상(예를 들어, 극파 및/또는 발작 네트워크 영상(들))은 환자 질환 상태(예를 들어, 발작)의 원인 및/또는 진화를 표시할 수 있으며, fMRI 맵은 치료(예를 들어, 미주 신경 자극(VNS))에 의해 유도된 치료적 활동을 표시할 수 있다. 두 가지를 비교함으로써, VNS가 어떻게 발작 발생 및/또는 전파에 영향을 미치는지가 분석될 수 있고 예측 정확도가 상당히 개선될 수 있다. 몇몇 예에서, 심층 신경망은 질환 상태 영상(예를 들어, EEG 극파(들) 및/또는 발작 네트워크 영상(들)) 및 fMRI 뇌 네트워크 응답 맵으로부터의 최적 피처를 자율적으로 학습하기 위해 적용될 수 있다. EEG와 fMRI 맵 사이의 픽셀-단위 비교와 같은 간단한 피처들이 이용될 수 있지만, 정확한 예측을 위해 EEG 및 fMRI 맵에 뇌 영역의 가중을 달리하는 것 또한 이용될 수 있다. DNN은 자율적으로 피처를 추출할 기회를 제공하며, 이는 수동으로 설계된 피처보다 더 최적일 수 있다. 몇몇 예에서, 임상적 기본 상태 데이터(예를 들어, 간질 EEG 기록)만이 치료(예를 들어, VNS) 효능 예측을 위해 환자로부터 필요할 수 있고, 이는 환자가 추가 검사를 받지 않아도 되게 할 수 있다. 일반적으로, 극적인 뇌 손상이 없는 많은 환자는 치료에 대한 유사한 뇌 네트워크 응답을 공유할 수 있고 치료적 뇌 네트워크 응답 맵은 또한 모델 내에 고정될 수 있다.
본 명세서에 설명된 예는 치료의 효능을 예측하고/예측하거나 신경학적 상태의 치료에 사용하기 위한 파라미터를 예측하기 위해 환자 뇌 상태 데이터 및 치료의 뇌 네트워크 맵을 비교할 수 있다. 몇몇 예에서, 통계적 예측 모델은 비교 및/또는 예측을 수행하는데 사용된다. 본 명세서에 설명된 비교 및 통계적 예측 모델은 하드웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수 있다. 예를 들어, 소프트웨어는 비교 및/또는 통계적 예측 모델을 구현하는 데 사용될 수 있다. 소프트웨어는 하나 이상의 컴퓨팅 시스템 상에 프로그래밍될 수 있다. 예를 들어, 하나 이상의 프로세서는 치료에 대한 하나 이상의 통계적 예측 모델을 위한 실행 가능한 명령어를 인코딩할 수 있는, 컴퓨터 판독가능 매체에 커플링될 수 있다.
도 1은 본 명세서에 설명된 예에 따라 구성된 시스템의 개략도이다. 시스템(100)은 개별 환자 데이터(102), 치료적 뇌 네트워크 맵(104), 컴퓨팅 시스템(106), 프로세서(들)(108), 치료(110)에 대한 통계적 예측 모델을 위한 실행 가능한 명령어, 메모리(112), 디스플레이(114), 네트워크 인터페이스(들)(116), 및 치료 디바이스(들)(118)를 포함한다. 추가적인, 더 적은, 및/또는 다른 구성요소가 다른 예에서 사용될 수 있다.
본 명세서에 설명된 예는 도 1의 개별 환자 데이터(102)와 같은 환자의 신경 상태(예를 들어, 신경계 이벤트와 관련된 영상 데이터)의 데이터를 이용할 수 있다. 임의의 다양한 신경 이벤트에 관한 개별 환자 데이터가 사용될 수 있는데, 이는 발작(예를 들어, 간질성 발작), 파킨슨병, 알츠하이머병, 또는 우울증을 포함하지만, 이에 제한되지 않는다. 예를 들어, 개별 환자 데이터는 발작의 근원을 예시하는 간질양 극파 신호원 영상 및/또는 발작에 관여된 뇌 영역과 이들 영역 사이의 경로(예를 들어, 발작 활동의 시퀀스)를 예시하는 발작 네트워크 영상과 연관될 수 있다. 개별 환자 데이터는, 예를 들어, 신호원 국지화 및/또는 뇌전도(EEG) 및/또는 뇌자도(MEG)의 뇌 네트워크 분석을 이용하여 획득될 수 있다. 일반적으로, EEG는 비-침습성 또는 침습성 전극을 이용하여 뇌 전기 활동들을 감지하는 기능적 신경 영상화 방법을 지칭한다. 일반적으로, MEG는 뇌 주위에서 전자기장 변화를 측정하여 뇌 활동을 맵핑하는 기능적 신경 영상화 방법을 지칭한다. 신호원 국지화 영상은 일반적으로 뇌의 외부에서 측정된 다수의 뇌 전기 신호의 사용을 참고하여 뇌 상에서/내부에서의 전기 활동을 식별한다. 뇌 네트워크 분석은 일반적으로 뇌 전기 활동(예컨대 발작)에 관여된 뇌 영역 및 이들 영역 사이의 경로(예컨대 발작 활동의 시퀀스)를 식별하기 위한 수학적 및 통계적 알고리즘의 사용을 지칭한다.
개별 환자 데이터는 1-차원 시계열, 2차원 또는 3차원 영상에 대응할 수 있다. 몇몇 예에서, 예를 들어, 신경 이벤트를 겪는 뇌의 영상에 대응하는, 하나의 세트의 개별 환자 데이터(102)가 사용될 수 있다. 몇몇 예에서, 예를 들어, 몇몇 신경 이벤트를 겪는 뇌의 다수의 영상에 대응하는, 다수의 세트의 개별 환자 데이터(102)가 사용될 수 있다. 일반적으로, 사용되는 개별 환자 데이터(102)는 치료될 환자로부터의 것일 수 있다.
이제 EEG 간질양 극파를 사용하여 개별 환자 데이터(102)를 생성하는 예가 도 1 및 도 5를 참조하여 설명될 것이다. 도 5는 본 명세서에 설명된 예에 따른 간질양 극파 또는 발작 네트워크 분석의 개략도이다. 도 5에 도시된 프로세스 및 데이터는 몇몇 예에서 도 1의 시스템에 의해 수집 및/또는 다뤄질 수 있다. EEG는 일반적으로 두피로부터 뇌 전기 활동을 기록하는 데 사용되는 방법을 지칭한다. 이는 간질 진단에서, 예를 들어, 간질양 극파 및 발작을 감지하기 위해 사용될 수 있다. 간질 EEG 모니터링 시간 동안, 간질 환자의 뇌 신호는 다수의 전극을 사용하여 연속적으로 모니터링될 수 있다. 도 5는 다중-채널 EEG 기록인, EEG(501)에 대한 전극이 장착된 환자의 개략도를 포함한다. 일반적으로, 임의의 수 또는 배치의 전극이 사용될 수 있다. EEG 기록은 도 5에 도시된 간질양 극파(502) 및/또는 발작 데이터(511)와 같은, 데이터를 생성할 수 있다. 다른 또는 다양한 EEG 데이터 또한 몇몇 예에서 생성될 수 있다. 비정상적인 간질양 극파(502)는, 예를 들어, 전문적인 EEG 판독기에 의해 표시될 수 있다. 이들 간질양 극파(502)는 발작 발생과 관련될 수 있고 이들 극파의 신호원은 비정상적인 뇌 영역을 나타낼 수 있다. 간질 EEG 분석에서, 간질양 극파의 피크(또는 다른 위치)에서의 두피 전위 맵(scalp potential map)을 먼저 계산할 수 있다. 그 다음, 역 전기 뇌 신호 전파 모델에 기초하여, 뇌 상에서 또는 내부에서의 극파의 신호원이 식별될 수 있다. 최소 놈 최소 자승법(minimum norm least squares)(MNLS), 동적 통계적 파라메트릭 맵핑(dSPM), 저-해상도 뇌 전자기적 단층촬영법(LORETA), 표준화된 LORETA(sLORETA), 정확한 LORETA(eLORETA), 등을 포함하는, 선형 분산 알고리즘 및 비-선형 최소 제곱, 빔 형성, 다중 신호 분류(MUSIC), 등과 같은 양극자 신호원 국지화 알고리즘과 같은 다수의 EEG 신호원 국지화 알고리즘이 이용될 수 있다.
일 예에서, 미가공 EEG 기록은 먼저 원치 않는 노이즈를 제거하기 위해 대역통과 필터(예를 들어, 0.1 내지 70 Hz 대역통과 필터) 및 노치 필터(예를 들어, 60 Hz 노치 필터)로 필터링될 수 있다. 동시 EKG 기록은 그 다음 EEG 기록에서 심장 아티팩트를 식별하는 것을 돕기 위해 분석될 수 있다. 심장 아티팩트는 그 다음 신호-공간 투영(SSP) 또는 독립 성분 분석(ICA)과 같은 알고리즘을 사용하여 제거 및/또는 감소될 수 있다. 전처리 후, 간질양 극파는 전문적인 EEG 판독기에 의해 수동으로 또는 EEG 기록으로부터 소프트웨어(예를 들어 Persyst P13, BESA 간질)를 사용하여 자동으로 식별될 수 있다. 몇몇 예에서, 전문적인 EEG 판독기는 그 후에 소프트웨어로 감지된 극파 선택을 검토하고 검증할 수 있다.
2개의 상이한 유형의 극파 신호원 국지화 분석이 각각의 환자에 대해 선택된 극파에 적용될 수 있다. 제1 분석에 대해, 개별 극파는 도 5의 작업(503)에 의해 도시된 바와 같이, 극파 피크에서 가장 큰 진폭을 갖는 EEG 채널에 의해 분류된다. 예를 들어, 특정 극파가 T3 채널에서 가장 높은 진폭을 나타내면, 이는 T3 극파로 표시된다. 다른 분류 방법들이 추가적으로 또는 대신 사용될 수 있다. 각각의 분류기준 내의 극파는 그 다음 평균 극파(504)를 제공하기 위해, 평균화될 수 있다. 신호원 국지화 분석(505)은 평균 극파(504)에 대해 수행될 수 있다. 하나 또는 다수의 평균 극파 신호원(506)은 그 다음 식별될 수 있고 개별 환자 데이터(102)의 전부 또는 일부로서 사용될 수 있다. 극파 신호원은 일반적으로 하나 이상의 발작을 일으키는데 기여할 수 있는 하나 이상의 뇌의 영역 및/또는 뇌 네트워크의 신원을 지칭한다. 도 1의 실행 가능한 명령어(110)는 분류(예를 들어, 도 5의 작업(503)) 및/또는 신호원 국지화(예를 들어, 도 5의 작업(505))를 수행하기 위한 실행 가능한 명령어를 포함할 수 있다.
평균 극파 대신에 또는 그에 부가하여, 제2 분석에서, 독립 성분 분석(ICA)이 독립 극파 신호원을 식별하기 위해 적용될 수 있다. ICA는 도 5에 작업(507)으로서 도시된다. 각각의 대상에 대해 식별된 극파는 먼저 공간 ICA를 사용하여 분석될 수 있다. 다수의 ICA 성분(508)은 식별될 수 있는 공간적 및 시간적 하위-성분을 포함할 수 있으며, 여기서 각각은 가능한 독립 극파 전위 맵을 나타낼 수 있다. 그 다음, 대응하는 ICA 맵이 극파로부터 비롯되는지 또는 노이즈로부터 비롯되는지를 검증하기 위해 시간에 걸친 ICA 가중치가 시각화될 수 있다(예를 들어, 도 1의 디스플레이(114)를 사용하는 것과 같이 디스플레이됨). 예를 들어, ICA 성분 0 및 1은 극파 구간의 대부분에 대해 극파 방출 동안 높은 피크를 나타낼 수 있는 반면, 시간에 걸친 ICA 성분 2의 가중치 변화는 노이지 패턴을 나타낸다. 따라서, ICA 성분 0 및 1만이 독립 극파 신호원이고, 반면에 ICA 성분 2는 노이즈이다. ICA 분석 후에, ICA 공간 맵은 그 다음 대응하는 극파 네트워크(510)를 식별하기 위해, 도 5의 작업(509)으로 도시된, 신호원 국지화 알고리즘으로 공급될 수 있다. 이러한 극파 네트워크(510) 데이터는 도 1의 개별 환자 데이터(102)의 전부 또는 일부로서 사용될 수 있다. 도 1의 실행 가능한 명령어(110)는 ICA 분석(예를 들어, 도 5의 작업(507)) 및/또는 신호원 국지화 및 극파 네트워크 분석(예를 들어, 도 5의 작업(510))을 수행하기 위한 실행 가능한 명령어를 포함할 수 있다.
몇몇 예에서, 대안적으로 또는 추가적으로, 발작 네트워크 분석은 도 1의 개별 환자 데이터(102)와 같은, 개별 환자 데이터를 EEG를 사용하여 생성하기 위해 사용될 수 있다. 다중-채널 EEG 기록(501)으로부터의 EEG 기록은 도 5의 발작 EEG(511)로서 도시되어 있다. 발작 EEG(511)에서의 하나 또는 다수의 발작 에피소드는 수동으로 및/또는 전문적인 EEG 판독기에 의해 또는 소프트웨어에 의해 자동으로(예를 들어, Persyst P13, BESA 간질) 모두 주석화될 수 있다. 긴 발작 EEG 내의 발작의 에피소드(들)는 ICA, 예를 들어, 대역통과 필터링, 노치 필터링, 노이즈 및/또는 아티팩트 억제를 사용할 수 있는 방법과 관련하여 도시되고 설명된 것과 비슷한 추출 및 전처리가 될 수 있다. 전처리된 발작 EEG(511)는 그룹 평균 및/또는 ICA를 사용한 방법과 관련하여 설명된 것과 비슷한 신호원 국지화 방법을 사용하여 뇌 상에 신호원 국지화될 수 있다. 뇌 공간 내의 신호원 국지화된 발작 데이터(512)의 시퀀스가 제공될 수 있다. 신호원 국지화된 발작 데이터는 특정 뇌 영역과 뇌 활동(예를 들어, 발작 활동) 사이의, 경시적인, 연관성을 포함할 수 있다.
발작 네트워크 분석은 하나 또는 다수의 신호원 국지화된 발작 데이터(512)(예를 들어, 특정 시간에 뇌의 전부 또는 부분을 나타내는 데이터의 하나 이상의 집합)로 수행될 수 있다. 분석 동안에, 발작이 시작되고 전파되는 뇌 영역이 식별될 수 있다. 이 식별 알고리즘은 먼저 신호원 국지화된 공간 내의 뇌 복셀들에 대해 경시적 분산을 계산하고, 그 다음 뇌 복셀에 걸쳐 국부 분산 최대들을 검색하여 분산 맵(513)을 제공할 수 있다. 분산 맵(513)은 특정 뇌 위치 및/또는 영역에서 뇌 신호 분산을 제공할 수 있다. 발작 중에 관여된 뇌 영역, 예를 들어, 발작 뇌 영역(514)은 분산 맵(513) 내의 국부 최대인 영역으로서 계산될 수 있다. 예를 들어, 근처 뇌 영역에 걸쳐 가장 큰 분산을 갖는 영역은 발작 뇌 영역의 중심인 것으로 판단될 수 있다.
보다 일반화된 시나리오에서, 신호원 국지화된 발작 에피소드는 먼저 중첩하는 구간(중첩 윈도우 분석)으로 분할될 수 있고, 동일한 분산 국부 최대 계산은 각각의 발작 구간 동안 관여된 뇌 영역을 식별하기 위해 수행될 수 있다. 모든 발작 구간에 걸쳐 일관되게 관여되는 뇌 영역은 분할된 발작 구간으로부터 추정된 모든 뇌 영역에 걸친 평균화 또는 통계적 테스트에 의해 식별될 수 있다.
발작 뇌 영역으로서 식별된 각각의 뇌 영역에 대한 EEG 신호원 국지화된 시계열 데이터가 추출될 수 있다. 예를 들어, 도 5의 발작 뇌 영역(515)의 시계열 데이터는 발작 뇌 영역(514)에 대응하는 신호원 국지화된 발작 데이터(512)로부터 데이터를 추출함으로써 추출될 수 있다. 따라서, 발작 뇌 영역(515)의 시계열 데이터는 발작 동안 뇌의 활동 영역과 연관된 EEG 데이터에 대응할 수 있다. 이들 뇌 영역 사이의 경로는 이들 시계열과 함께 분석될 수 있다. 예를 들어, 연결성 분석이 하나 이상의 발작 경로, 예를 들어, 발작 경로(516)를 식별하는데 사용될 수 있는데, 이는 발작 이벤트를 생성, 지속, 및/또는 종료하는데 관여될 수 있는 뇌 영역 사이의 연결을 나타낼 수 있다. 사용될 수 있는 발작 경로 분석 방법은 상관, 일관성(coherence), 가상 일관성, 위상 고정 값, 오토-어그레이시브 모델링(auto-aggressive modeling), 및/또는 부분 지향 일관성을 포함한다. 다른 분석 방법도 또한 사용될 수 있다. 도 1의 실행 가능한 명령어(110)는 신호원 국지화를 수행하는 것(예를 들어, 도 5의 신호원 국지화된 발작 데이터(512)를 제공하는 것) 및/또는 분산 계산, 최대 검색, 시계열 추출, 및/또는 연결성 분석(예를 들어, 도 5의 분산 맵(513)을 제공하는 것, 도 5의 발작 뇌 영역(514)을 제공하는 것, 도 5의 발작 뇌 영역(515)의 시계열을 제공하는 것, 및/또는 도 5의 발작 경로(516)를 제공하는 것)을 위한 실행 가능한 명령어을 포함할 수 있다. 도 5를 참조하여 도시되거나 설명된 발작 뇌 영역(514), 발작 경로(516), 발작 뇌 영역(515)의 시계열, 및/또는 다른 데이터는 도 1의 개별 환자 데이터(102)의 전부 또는 일부로서 사용될 수 있다.
다른 메트릭은 극파 신호원 국지화 및 발작 네트워크 분석 결과에 추가적으로 또는 대신 사용될 수 있다. 다른 메트릭은 극파 전파 네트워크 맵, ICA-기반 발작 신호원 국지화 맵을 포함하지만, 이에 제한되지 않으며, 이는 또한 또는 대신 개별 환자 데이터(102)의 전부 또는 일부로서 사용될 수 있다.
본 명세서에 설명된 예는 도 1의 치료적 뇌 네트워크 맵(104)과 같은, 하나 이상의 뇌 네트워크 응답 맵을 이용할 수 있고, 본 명세서에 설명된 뇌 네트워크 응답 맵은 특정 세트의 치료 파라미터를 이용하는 치료에 대한 뇌 응답의 영상 데이터를 지칭할 수 있다. 치료적 뇌 네트워크 맵(104)과 같은, 뇌 네트워크 응답 맵은 기능적 자기 공명 영상(fMRI), 양전자 방출 단층촬영법(PET), 및/또는 단일-광자 방출 컴퓨터 단층촬영법(SPECT)을 사용하여 획득될 수 있다. fMRI는 일반적으로 혈액 산소 수준 변화를 이용하여 뇌 활동을 간접적으로 측정하는 방법을 지칭한다. 치료적 뇌 네트워크 응답 맵은 2차원 또는 3차원일 수 있고, 몇몇 예에서 개별 환자 데이터(102)에 정렬될 수 있다(예를 들어, 간질 극파 또는 발작 네트워크 영상에 정렬됨). 임의의 수의 치료적 뇌 네트워크 맵이 사용될 수 있다. 일반적으로, 치료에 대한 파라미터의 다양한 세트에 대응하는 다수의 뇌 네트워크 맵이 사용될 수 있다(예를 들어, 하나의 파라미터 세트가 하나의 뇌 네트워크 맵을 생성하는데 사용될 수 있고, 다른 하나의 파라미터 세트가 다른 뇌 네트워크 맵을 생성하는데 사용될 수 있다). 몇몇 예에서, 치료적 뇌 네트워크 맵(104)과 같은, 뇌 네트워크 맵 중 하나 이상은 환자(예를 들어, 개별 환자 데이터(102)와 연관된 동일한 환자)로부터의 것일 수 있다. 그러나, 몇몇 예에서, 뇌 네트워크 맵 중 하나 이상은 치료받는 환자 이외의(예를 들어, 그 뇌 활동으로부터 개별 환자 데이터(102)가 도출되는 환자 이외의) 다른 환자로부터의 데이터로부터 전체적으로 및/또는 부분적으로 도출될 수 있다. 몇몇 예에서, 하나 이상의 뇌 네트워크 맵은 환자 그룹으로부터의 맵들의 평균 또는 다른 조합 또는 특정 환자에 대해 측정된 맵을 나타낸다. 예를 들어, 뇌 네트워크 맵들 중 하나는 동일한 치료적 파라미터들(예를 들어, 주파수, 진폭, 지속시간)을 사용하여 다양한 환자들로부터의 다수의 뇌 네트워크 맵들의 조합(예를 들어 평균)인 뇌 네트워크 맵일 수 있다. 신경 자극 치료를 이용하는 몇몇 예에서, 환자에게 이식이 이루어지지 않은 경우, 그 다음 다른 환자로부터의 뇌 네트워크 맵 또는 뇌 네트워크 맵의 조합이 사용될 수 있다. 환자에게 이식이 이루어졌다면, 환자와 연관된 뇌 네트워크 맵이 사용될 수 있거나, 또는 다른 뇌 네트워크 맵과 조합하여 사용될 수 있다. 치료적 뇌 네트워크 맵(104)과 같은, 뇌 네트워크 응답 맵은 일반적으로 치료에 의해 영향을 받는 뇌의 영역을 예시한다.
치료적 뇌 네트워크 맵을 획득하는데 사용되는 fMRI의 예를 이제 설명한다. 일반적으로, 기능적 자기 공명 영상은 혈액 산소 수준 변화를 이용하여 전체 뇌 활동 모니터링을 가능하게 하는 방법이다. 본 명세서에서 이용될 수 있는 fMRI는 신경 자극(예를 들어 미주 신경 자극)과 같은, 하나 이상의 치료에 의해 유도된 치료적 뇌 활동을 기록한다. 신경 자극기가 있는 환자에서, 신경 자극기는 조사 중인 파라미터 설정 중 하나로 프로그래밍될 수 있고 환자는 그 다음 MRI 스캐너를 사용하여 스캐닝될 수 있다. 영상 전처리 동안, fMRI는 움직임이 교정되고 표준판 뇌에 정렬된다. 설계된 치료(예를 들어, 신경 자극)와 관련된 뇌 활동은 그 다음 일반 선형 모델(GLM) 또는 다른 등가 fMRI 분석 방법을 사용하여 통계적으로 분석될 것이다. 다수의 대상이 스캐닝될 수 있고 표적 집단 그룹의 평균 응답이 결론지어질 수 있으며 이는 치료적 뇌 네트워크 맵(104)과 같은, 본 명세서에 설명된 하나 이상의 뇌 네트워크 맵으로서 사용될 수 있다.
평균 fMRI 맵에 추가하여 또는 대신, 다른 잠재적 메트릭이 치료(예를 들어, 신경 자극)의 치료적 기능을 정량화하는데 사용될 수 있다. 예를 들어, 이들 메트릭은 각각의 영역이 신경 자극 동안 fMRI에서 얼마나 자주 활성화되는지의 빈도를 정량화하는 것, 그리고 개별 fMRI 맵의 그룹 t-테스트 통계 맵을 포함하지만 이에 제한되지 않는다.
뇌 네트워크 맵은 일반적으로 신경 자극 치료(예를 들어, 미주 신경 자극(VNS), 응답성 신경 자극(RNS), 경두개 자기 자극(TMS), 및 뇌 심부 자극(DBS)), 제약 치료, 및/또는 대화 또는 경험 치료를 포함하지만, 이에 제한되지 않는 다수의 치료 중 임의의 것과 관련하여 제공될 수 있다. 일반적으로, 신경 자극은 신경계 및 정신 질환을 치료하기 위한 치료를 지칭할 수 있다. 전기 자극은 뇌 네트워크를 직접 또는 간접적으로 활성화 또는 억제하기 위해 신경 자극 치료에서 이용될 수 있다. 몇몇 예에서, 뇌 네트워크 맵은 자극의 특정 세트의 파라미터(예를 들어 신경 자극에 대한 특정 자극 주파수 및 진폭, 또는 제약 치료의 특정 투여량 및 빈도에 대한 것)와 연관되어 제공될 수 있다. 미주 신경 자극(VNS)은 일반적으로 하나의 유형의 신경 자극을 지칭한다. VNS에서, 자극기는 피부 아래에 이식되고 좌측 미주 신경을 통해 전기 펄스를 전송한다. VNS는 약물 내성 간질, 우울증, 및 많은 다른 신경계 및 정신 질환에 사용될 수 있다. 몇몇 예들이 VNS를 참조하여 본 명세서에 설명될 수 있지만, 다른 치료들이 추가적으로 또는 대신 사용될 수 있다는 것이 이해된다.
개별 환자 데이터(102) 및/또는 치료적 뇌 네트워크 맵(104)은 컴퓨팅 시스템(106)이 액세스 가능한 메모리에 저장되고/되거나 컴퓨팅 시스템(106)으로 전송(예를 들어, 유선 또는 무선 통신을 사용하여)될 수 있다. 컴퓨팅 시스템(106)은 비교 및/또는 치료에 대한 통계적 예측 모델에 기초하여 치료에 사용하기 위한 치료의 효능 및/또는 파라미터를 예측하도록 구성될 수 있다.
본 명세서에 설명된 예는 비교 및/또는 치료에 대한 통계적 예측 모델을 구현하기 위한 하드웨어 및/또는 소프트웨어를 일반적으로 포함할 수 있는, 컴퓨팅 시스템들을 이용할 수 있다. 예를 들어, 컴퓨팅 시스템(106)은 하나 이상의 프로세서(들)(108)를 포함할 수 있다. 프로세서(들)(108)는, 예를 들어, 하나 이상의 중앙 프로세싱 유닛(CPUs), 그래픽 프로세싱 유닛(GPUs), 주문형 집적 회로(ASICs), 필드 프로그래머블 게이트 어레이(FPGA), 또는 다른 프로세서 회로를 이용하여 구현될 수 있다. 프로세서(들)(108)는 메모리(112)와 통신할 수 있다. 메모리(112)는 일반적으로 임의의 컴퓨터 판독가능 매체(예를 들어, 판독-전용 메모리(ROM), 랜덤 액세스 메모리(RAM), 플래시, 솔리드 스테이트 드라이브, 등)에 의해 구현될 수 있다. 단일 메모리(112)가 도시되어 있지만, 임의의 수가 사용될 수 있고, 이들은 단일 컴퓨팅 시스템(106) 내의 프로세서(들)(108)와 통합될 수 있고/있거나 또 다른 컴퓨팅 시스템 내에 위치하고 프로세서(들)(108)와 통신할 수 있다.
메모리(112)는 개별 환자 데이터(102)와 치료적 뇌 네트워크 맵(104)의 비교를 위한 실행 가능한 명령어로 인코딩될 수 있다. 본 명세서에 설명된 비교의 예는 개별 환자 데이터(102)에 의해 증명된 뇌 활동과 치료적 뇌 네트워크 맵(104)을 생성하는데 사용되는 파라미터에서의 치료에 의해 영향을 받는 뇌의 영역 사이의 중첩을 평가하는 것을 포함한다. 일반적으로, 많은 치료에 대해, 개별 환자 데이터(102)에 도시된 바와 같이 영향을 받는 뇌의 영역과 치료적 뇌 네트워크 맵(104)에 도시된 바와 같이 치료에 의해 액세스되는 뇌의 영역의 중첩은, 치료적 뇌 네트워크 맵(104)에 사용된 파라미터에서의 치료가 개별 환자 데이터(102)를 갖는 환자를 치료하는데 효과적일 수 있다는 것을 나타낼 수 있다.
몇몇 예에서, 비교를 위한 실행 가능한 명령어는 치료(110)에 대한 통계적 예측 모델을 위한 실행 가능한 명령어를 포함할 수 있다. 몇몇 예에서, 치료(110)에 대한 통계적 예측 모델을 위한 실행 가능한 명령어는 신경 상태의 영상 데이터(예를 들어, 개별 환자 데이터(102)) 및 하나 이상의 뇌 네트워크 응답 맵(예를 들어, 치료적 뇌 네트워크 맵(104))으로부터 피처를 추출하도록 구성된 컨볼루션 커널을 갖는 심층 인공 신경망을 구현하기 위한 명령어를 포함한다. 컨볼루션 커널 내의 값은 몇몇 예에서 치료에 대한 통계적 예측 모델의 훈련 동안 학습될 수 있다.
치료(110)에 대한 통계적 예측 모델을 위한 실행 가능한 명령어는 각각의 컨볼루션 커널을 개별 환자 영상 데이터 및 치료적 뇌 네트워크 응답 맵에 반복적으로 승산하고, 결과를 복수의 피처 맵 내의 픽셀로서 저장하기 위한 명령어를 포함할 수 있다. 통계적 예측 모델은 심층 컨볼루션 신경망을 포함할 수 있고, 심층 컨볼루션 신경망은 피처 맵으로부터 추가 피처를 추출하도록 구성되는 적층 컨볼루션, 정류 선형 유닛, 및 풀링 계층을 포함할 수 있다. 치료(110)에 대한 통계적 예측 모델을 위한 실행 가능한 명령어는 피처 맵으로부터의 추가 피처에 기초하여 치료의 효능을 예측하기 위한 명령어를 포함할 수 있다.
몇몇 예에서, 치료(110)에 대한 통계적 예측 모델을 위한 실행 가능한 명령어는 통계적 예측 모델을 사용하여 치료에 대한 파라미터를 예측하기 위한 명령어를 포함할 수 있다. 예를 들어, 컴퓨팅 시스템(106)에 입력된 치료적 뇌 네트워크 맵은 다양한 파라미터에서의 치료의 사용에 관련된 뇌 네트워크 맵을 포함할 수 있다. 통계적 예측 모델은 따라서 치료에 대한 파라미터(예를 들어, 진폭, 주파수, 지속시간, 투여량, 등)를 추천할 수 있다. 치료(110)에 대한 통계적 예측 모델을 위한 실행 가능한 명령어에 따라 동작하는 컴퓨팅 시스템의 출력은 치료 효능 및/또는 추천된 파라미터일 수 있다. 예를 들어, 통계적 예측 모델이 치료가 효과적일 것으로 예측하는 경우, 추천된 파라미터들이 출력될 수 있다. 통계적 예측 모델이 치료가 효과적이지 않을 것으로 예측하는 경우, "효과적이지 않음"이 보고될 수 있다. 다수의 개별 환자가 통계적 예측 모델을 사용하여 평가될 수 있다는 점에 유의한다. 이러한 방식으로, 컴퓨팅 시스템(106)은 이전 시스템을 사용하거나 또는 보조수단을 사용하지 않은, 환자 기록에 대한 의사의 평가를 통해 가능한 것 보다 환자 집단에 걸친 치료 효능 및 파라미터 설정의 보다 빠르고 보다 정확한 예측을 용이하게 할 수 있다.
몇몇 예에서, 시스템(100)은 컴퓨팅 시스템(106)과 통신(예를 들어, 유선 및/또는 무선 연결을 이용하여)할 수 있는 디스플레이(114)를 포함할 수 있거나, 디스플레이(114)는 컴퓨팅 시스템(106)과 통합될 수 있다. 디스플레이(114)는 비교 및/또는 컴퓨팅 시스템(106)에 의해 구현되는 통계적 모델에 기초하여 예측된 치료의 효능 및/또는 치료에 대한 추천된 파라미터를 디스플레이할 수 있다. 하나 이상의 LED, LCD, 플라즈마, 또는 다른 디스플레이 디바이스를 포함하는, 임의의 수 또는 다양한 디스플레이가 존재할 수 있다.
몇몇 예에서, 시스템(100)은 네트워크 인터페이스(들)(116)를 포함할 수 있다. 네트워크 인터페이스(들)(116)는 임의의 네트워크(예를 들어, LAN, WAN, 인터넷)에 통신 인터페이스를 제공할 수 있다. 네트워크 인터페이스(들)(116)는 유선 및/또는 무선 인터페이스(예를 들어, Wi-Fi, 블루투스, HDMI, USB, 등)를 사용하여 구현될 수 있다. 네트워크 인터페이스(들)(116)는 비교 및/또는 컴퓨팅 시스템(106)에 의해 구현되는 통계적 모델에 기초하여 예측된 치료의 효능 및/또는 치료에 대한 추천 파라미터에 관한 데이터를 통신할 수 있다.
몇몇 예에서, 시스템(100)은 하나 이상의 치료 디바이스(들)(118)를 포함할 수 있다. 치료 디바이스(들)(118)는, 예를 들어, 신경 자극이 가능한 시스템(예를 들어, 미주 신경 자극 시스템)을 이용하여 구현될 수 있다. 치료 디바이스(들)(118)는, 예를 들어, 제약 치료를 투여할 수 있는 시스템(예를 들어, 주입 디바이스, 알약 디스펜서, 등)을 이용하여 구현될 수 있다. 치료 디바이스(들)(118)는 치료를 구현하고/하거나 컴퓨팅 시스템(106)에 의해 추천된 치료 파라미터를 이용하도록 프로그래밍되거나 달리 구성될 수 있다. 치료 디바이스(들)(118)는 네트워크 인터페이스(들)(116)를 사용하여 몇몇 예에서 컴퓨팅 시스템(106)과 통신할 수 있다.
도 2는 본 명세서에 설명된 예에 따른 통계적 예측 모델 프로세스(200)를 예시한다. 통계적 예측 모델 프로세스(200)는 개별 환자 데이터(202), 치료적 뇌 네트워크 맵(204), 치료적 뇌 네트워크 맵(206), 치료적 뇌 네트워크 맵(208), 피처 맵(210) 및 컨볼루션, 정류 선형 유닛, 및 풀링 계층(212)을 포함한다. 도 1의 치료(110)에 대한 통계적 예측 모델을 위한 실행 가능한 명령어는 도 2에 도시된 통계적 예측 모델 프로세스(200)를 구현하기 위해 몇몇 예에서 사용될 수 있다.
도시된 바와 같이, 개별 환자 데이터(202)(도 1의 개별 환자 데이터(102)에 의해 구현되고/되거나 이를 구현하는데 사용될 수 있음)가 입력으로서 제공된다. 본 명세서에서 논의된 바와 같이, 개별 환자 데이터는 일반적으로 환자 뇌 상태의 영상과 관련될 수 있다. 개별 환자 데이터는, 예를 들어, 발작이 비롯되는 뇌 영역, 발작이 전파하는 영역 또는 다른 신경 이벤트를 예시할 수 있다. 개별 환자 데이터(202)는 EEG 극파 또는 발작 네트워크 영상에 관한 데이터일 수 있다. 도 2의 치료적 뇌 네트워크 맵(204), 치료적 뇌 네트워크 맵(206), 및 치료적 뇌 네트워크 맵(208)과 같이, 다수의 뇌 네트워크 맵이 또한 입력으로서 제공될 수 있다. 도 2의 뇌 네트워크 맵은 몇몇 예에서 도 1의 치료적 뇌 네트워크 맵(104)을 구현하는 데 사용될 수 있고/있거나 그에 의해 구현될 수 있다. 뇌 네트워크 맵은 각각 상이한 파라미터 값(예를 들어, 주파수, 진폭, 지속기간)에서 특정 치료(예를 들어, 신경 자극)의 효과를 나타낼 수 있다. 개별 환자 데이터(202) 및 치료적 뇌 네트워크 맵이 비교될 수 있다. 예를 들어, 컨볼루션 커널들의 그룹이 개별 환자 데이터(202) 및 치료적 뇌 네트워크 맵을 비교하기 위해 사용되어, 피처 맵(210)을 생성할 수 있다. 통계적 예측 모델의 훈련 동안 커널의 파라미터가 학습될 수 있다. 컨볼루션 커널은 개별 환자 데이터(예를 들어, 간질 신호원 영상)와 치료적 뇌 네트워크 응답 맵 사이의 피처를 자동으로 추출하기 위해 사용된다. 각각의 컨볼루션 커널은 입력 데이터 및/또는 치료적 뇌 네트워크 맵에 반복적으로 승산되어 이 두 가지를 비교할 수 있고 결과는 피처 맵(210)과 같은, 다수의 피처 맵 내의 픽셀로서 저장될 수 있다.
다음으로, 심층 컨볼루션 신경망은 비교를 추가 분석(예를 들어, 피처 맵(210)의 추가 분석)하기 위해 사용될 수 있다. 심층 신경망은 일반적으로 매우 복잡한 인공 지능 문제를 위해 수십 내지 수백개의 계층을 가질 수 있는 인공 신경망 통계적 모델의 유형을 지칭한다. 다른 예에서, 다른 모델이 사용될 수 있다. 심층 컨볼루션 신경망은 다수의 컨볼루션 블록을 이용할 수 있고, 각각의 컨볼루션 블록은 컨볼루션, RLU, 및 풀링 계층(212)으로 도시된 바와 같은, 다중-커널 컨볼루션, 정류 선형 유닛, 및 (최대/평균) 풀링과 같은 다수의 가능한 작업들을 포함한다. 이들 계층의 순서는 반드시 이 순서를 따를 필요는 없다. 이들 계층은 이전에 생성된 피처 맵으로부터 피처를 추가로 추출하도록 설계된다. 다수의 컨볼루션 블록은 최종 컨볼루션 블록 - 도 2의 "컨볼루션 블록 P" -이 획득될 때까지 이용될 수 있다.
도 3은 본 명세서에 설명된 예들에 따른 통계적 예측 모델 프로세스(300)를 예시한다. 도 3은 도 2의 프로세스로부터- 예를 들어, 신경망의 최종 컨볼루션 블록으로부터 -입력을 수신할 수 있다. 도 3은 평탄화된 데이터(302), 완전 연결 계층(304), 정류 선형 유닛(305), 및 예측 점수(들)(306)를 예시한다. 완전 연결 및 정류 선형 유닛 계층(304 및 305)의 다수의 블록이 존재할 수 있다. 치료(110)에 대한 통계적 예측 모델을 위한 실행 가능한 명령어는 도 3의 통계적 예측 모델 프로세스(300)의 전부 또는 부분을 구현하는데 사용될 수 있다.
평탄화된 데이터(302)는 도 2의 최종 컨볼루션 블록의 출력을 평탄화함으로써 생성될 수 있다. 완전 연결 계층(304)은 다수의 피처들을 예측 분류기준의 수로 감소시키는 데 사용될 수 있다. 예를 들어, 각각의 치료는 사용을 위해 여러 가지 가능한 파라미터 값들의 세트를 가질 수 있다. 각각의 파라미터 세트는 하나의 예측 분류기준을 나타낼 수 있고, 뿐만 아니라 치료의 전체적인 효능에 대한 분류기준이 있을 수 있다. 도 3에 도시된 바와 같이, 파라미터 세트 1-K가 평가될 수 있다.
소프트맥스 계층은 완전 연결 계층의 출력을 [0,1]으로 정규화하기 위해 적용될 수 있다. 점수는 각각의 파라미터 세트에 예측 점수(들)(306)를 제공하기 위해 계산될 수 있다. 특정 기준(예를 들어, 가장 높은 것)을 충족시키는 파라미터 세트가 예측의 출력으로서 취해질 수 있다.
도 4는 본 명세서에 설명된 예에 따른 영상 세트(400)를 예시한다. 그래픽적으로, 개별 환자 데이터와 연관된 영상(402)이 도시된다. 영상(402)은, 예를 들어, 발작 근원 및 그의 전파된 뇌 영역을 도시할 수 있는 EEG 극파 또는 발작 네트워크 영상일 수 있다. 치료적 뇌 네트워크 맵(404) 및 치료적 뇌 네트워크 맵(406)은 특정 파라미터 수준에서 특정 치료를 받는 다른 환자(들)로부터의 fMRI 영상일 수 있다. 이들 데이터 세트의 컨볼루션은, 예를 들어, 피처 맵들- 피처 맵(408) 및 피처 맵(410) -이 될 수 있다. 피처 맵은 개별 환자 데이터와 치료적 뇌 네트워크 맵의 비교에 관한 정보를 포함한다.
몇몇 예에서, 다른 기계 학습 기법(예를 들어, 비-심층 신경망 모델)이 치료를 위한 효능 및 최적의 파라미터를 예측하기 위해 통계적 예측 모델을 형성하는 데 또한 또는 대신 사용될 수 있다. 심층 신경망 모델의 예와 상이하게, 몇몇 예에서 피처들이 수동으로 설계될 수 있다. 신경 자극 치료에 대한 효능 및 최적 치료적 파라미터의 예측에 적용될 수 있는 피처 예가 설명될 것이지만, 다른 피처도 또한 사용될 수 있다. 이러한 피처는 또한 fMRI 및 EEG 영상을 비교할 때 심층 신경망 모델에서 학습될 수 있다.
하나의 이러한 피처는 EEG 극파 또는 발작 네트워크 영상과 fMRI 활성화 영상 사이의 중첩 영역이다. 도 6은 본 명세서에 설명된 예에 따라 구성된 뇌 영역의 개략도이다. 발작 네트워크 영상은 영역(601)을 도시한다. 이러한 영역은, 예를 들어, 도 5의 발작 뇌 영역(514) 및/또는 발작 경로(516)일 수 있다. fMRI 활성화 영상은 영역(602)을 도시한다. 영역(602)은 본 명세서에 설명되는 치료적 뇌 네트워크 맵에 활성화되는 것이다(여기서 영역은 본 명세서에서 식별되는 환자의 발작 영역에 관여할 수 있거나 그렇지 않을 수 있다). EEG 극파 또는 발작 네트워크 영상(601)(예를 들어, 개별 환자 데이터(102))과 fMRI 활성화 영상(602)(예를 들어, 치료적 뇌 네트워크 맵(104)) 사이의, 도 6에 영역(603)으로 도시된, 중첩 영역은 자극기가 특정 파라미터(예를 들어, 20 또는 30 Hz 자극)로 더 잘 작동하는지를 판단하기 위해 통계적 예측 모델에서 피처 벡터(604)로서 이용될 수 있다. 예를 들어, 도 6의 상부 좌측 상에 발작 네트워크(601)는 fMRI 활성화 영상(602)의 활성 영역 내에 완전히 포함되는 영역이 존재한다. 따라서, 그 영역은 100%로 나타낼 수 있다. 하부 우측 상에는 발작 네트워크와 fMRI 활성화 영상 사이에 40% 중첩이 있는 영역이 존재한다. 하부 좌측 상에는 발작 네트워크(601)와 fMRI 활성화 영상 사이에 0% 중첩이 있는 추가 영역이 존재한다. 따라서, 피처 벡터(604)는 [100%, 40%, 0%]로서 주어질 수 있다. 일 예에서, EEG 극파 또는 발작 네트워크 영상이 30 Hz보다 20 Hz fMRI 활성화 영상과 더 큰 중첩을 갖는 경우, 이 환자에 대한 20 Hz 신경 자극은 30 Hz 자극보다 바람직한 것으로 예측될 수 있다.
일반적으로, 중첩 영역 피처는 임의의 개별 환자 데이터(102)와 치료적 뇌 네트워크 맵(104) 사이에서 계산될 수 있다.
상기로부터 특정 실시예가 예시의 목적을 위해 본 명세서에 설명되었지만, 다양한 변형이 청구된 기술의 범주를 유지하면서 이루어질 수 있다는 것이 이해될 것이다.

Claims (26)

  1. 방법이며:
    환자의 신경 상태의 개별 환자 데이터를 획득하는 단계;
    치료의 치료적 뇌 네트워크 응답 맵을 획득하는 단계; 및
    상기 신경 상태의 데이터와 상기 뇌 네트워크 응답 맵의 비교에 기초하여 환자에 대한 치료의 효능을 예측하는 단계를 포함하는, 방법.
  2. 제1항에 있어서, 상기 치료의 효능을 예측하는 단계는
    치료에 대한 통계적 예측 모델로의 입력으로서 상기 개별 환자 데이터 및 상기 치료적 뇌 네트워크 응답 맵을 제공하는 단계; 및
    상기 통계적 예측 모델을 사용하여 상기 치료의 효능을 예측하는 단계를 포함하는, 방법.
  3. 제2항에 있어서, 상기 통계적 예측 모델은 상기 신경 상태에 관한 개별 환자 데이터 및 상기 뇌 네트워크 응답 맵으로부터 피처를 추출하도록 구성된 피처 추출 기법을 포함하는, 방법.
  4. 제3항에 있어서, 상기 피처는 상기 개별 환자 데이터와 상기 뇌 네트워크 응답 맵 사이의 중첩 영역을 포함하는, 방법.
  5. 제2항에 있어서, 상기 통계적 예측 모델은:
    상기 신경 상태의 개별 환자 데이터 및 상기 치료적 뇌 네트워크 응답 맵으로부터 피처를 추출하도록 구성된 컨볼루션 커널을 포함하는, 방법.
  6. 제5항에 있어서, 상기 컨볼루션 커널 내의 값은 상기 치료에 대한 통계적 예측 모델의 훈련 동안 학습되는, 방법.
  7. 제5항에 있어서, 상기 개별 환자 데이터 및 상기 치료적 뇌 네트워크 응답 맵에 각각의 컨볼루션 커널을 반복적으로 승산하는 단계, 및 결과를 복수의 피처 맵에 픽셀로서 저장하는 단계를 추가로 포함하는 방법.
  8. 제7항에 있어서, 상기 통계적 예측 모델은 심층 컨볼루션 신경망을 추가로 포함하고, 심층 컨볼루션 신경망은 상기 피처 맵으로부터 추가 피처를 추출하도록 구성되는 적층 컨볼루션, 정류 선형 유닛, 및 풀링 계층을 포함하는, 방법.
  9. 제8항에 있어서, 상기 피처 맵으로부터의 추가 피처에 기초하여 효능을 예측하는 단계를 추가로 포함하는, 방법.
  10. 제2항에 있어서, 상기 통계적 예측 모델을 사용하여 치료에 대한 파라미터를 예측하는 단계를 추가로 포함하는, 방법.
  11. 제1항에 있어서, 상기 치료는 미주 신경 자극을 포함하고 상기 신경 상태는 발작을 포함하는, 방법.
  12. 제11항에 있어서, 상기 신경 상태의 개별 환자 데이터는 발작 발생 및 전파의 뇌 영역들 및 이들 영역 사이에서의 경로를 표시하는 발작 네트워크 영상 또는 간질양 극파의 데이터를 포함하는, 방법.
  13. 제1항에 있어서, 상기 신경 상태의 개별 환자 데이터를 획득하는 단계는 뇌전도(EEG) 또는 뇌자도(MEG)를 사용하는 단계를 포함하고, 상기 치료적 뇌 네트워크 응답 맵을 획득하는 단계는 기능적 자기 공명 영상(fMRI), 양전자 방출 단층촬영법(PET), 및/또는 단일-광자 방출 컴퓨터 단층촬영법(SPECT)을 사용하는 단계를 포함하는, 방법.
  14. 제1항에 있어서, 상기 신경 상태의 개별 환자 데이터를 획득하는 단계는 그룹 평균 극파 및 신호원 국지화를 사용하는 단계, 극파 ICA 분석 및 신호원 국지화를 사용하는 단계, 발작 네트워크 분석을 사용하는 단계, 또는 이들의 조합을 포함하는, 방법.
  15. 제14항에 있어서, 상기 개별 환자 데이터를 획득하는 단계는 뇌 공간에 데이터를 투영하는 단계, 상기 신경 상태에 관여하는 뇌 영역을 식별하는 단계, 발작 뇌 영역 사이의 경로를 계산하는 단계, 또는 이들의 조합을 포함하는, 방법.
  16. 제1항에 있어서, 상기 치료적 뇌 네트워크 응답 맵은 특정 세트의 파라미터를 사용한 치료에 대한 뇌 응답에 대응하는, 방법.
  17. 시스템이며:
    적어도 하나의 프로세서; 및
    명령어로 인코딩된 컴퓨터 판독가능 매체로서, 상기 명령어는 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 시스템으로 하여금:
    치료에 대한 통계적 예측 모델로의 입력으로서 환자의 신경 상태의 영상 데이터 및 치료적 뇌 네트워크 응답 맵을 제공하게 하고; 그리고
    상기 통계적 예측 모델을 사용하여 치료의 효능을 예측하게 하는, 컴퓨터 판독가능 매체를 포함하는, 시스템.
  18. 제17항에 있어서, 상기 통계적 예측 모델은:
    상기 신경 상태의 개별 환자 데이터 및 상기 치료적 뇌 네트워크 응답 맵으로부터 피처를 추출하도록 구성된 컨볼루션 커널을 포함하는, 시스템.
  19. 제18항에 있어서, 상기 컨볼루션 커널 내의 값은 상기 치료에 대한 통계적 예측 모델의 훈련 동안 학습되는, 시스템.
  20. 제18항에 있어서, 상기 명령어는 추가로 상기 시스템으로 하여금 상기 개별 환자 데이터 및 상기 치료적 뇌 네트워크 응답 맵에 각각의 컨볼루션 커널을 반복적으로 승산하게 하고, 결과를 복수의 피처 맵에 픽셀로서 저장하게 하는, 시스템.
  21. 제20항에 있어서, 상기 통계적 예측 모델은 심층 컨볼루션 신경망을 추가로 포함하고, 상기 심층 컨볼루션 신경망은 상기 피처 맵으로부터 추가 피처를 추출하도록 구성되는 적층 컨볼루션, 정류 선형, 및 풀링 계층을 포함하는, 시스템.
  22. 제21항에 있어서, 상기 명령어는 추가로 상기 시스템으로 하여금 상기 피처 맵으로부터의 추가 피처에 기초하여 효능을 예측하게 하는, 시스템.
  23. 제17항에 있어서, 상기 명령어는 추가로 상기 시스템으로 하여금 상기 통계적 예측 모델을 사용하여 치료에 대한 파라미터를 예측하게 하는, 시스템.
  24. 제17항에 있어서, 상기 치료는 미주 신경 자극을 포함하고, 상기 신경 상태는 발작을 포함하는, 시스템.
  25. 제24항에 있어서, 상기 신경 상태의 데이터는 발작 근원을 표시하는 간질 신호원 영상의 데이터를 포함하는, 시스템.
  26. 제17항에 있어서, 상기 적어도 하나의 프로세서에 커플링되는 뇌전도(EEG) 시스템 또는 상기 적어도 하나의 프로세서에 커플링되고 영상 데이터를 제공하도록 구성된 뇌자도(MEG) 시스템, 및 상기 적어도 하나의 프로세서에 커플링되고 상기 치료적 뇌 네트워크 맵을 제공하도록 구성된 기능적 자기 공명 영상(fMRI) 시스템을 추가로 포함하는, 시스템.
KR1020207016177A 2017-11-10 2018-11-09 개별 환자 데이터 및 치료적 뇌 네트워크 맵을 사용한 효능 및/또는 치료적 파라미터 추천 KR20200086316A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762584669P 2017-11-10 2017-11-10
US62/584,669 2017-11-10
PCT/US2018/060186 WO2019094836A1 (en) 2017-11-10 2018-11-09 Efficacy and/or therapeutic parameter recommendation using individual patient data and therapeutic brain network maps

Publications (1)

Publication Number Publication Date
KR20200086316A true KR20200086316A (ko) 2020-07-16

Family

ID=66431188

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207016177A KR20200086316A (ko) 2017-11-10 2018-11-09 개별 환자 데이터 및 치료적 뇌 네트워크 맵을 사용한 효능 및/또는 치료적 파라미터 추천

Country Status (10)

Country Link
US (2) US11612353B2 (ko)
EP (1) EP3706617A4 (ko)
JP (1) JP7428386B2 (ko)
KR (1) KR20200086316A (ko)
CN (1) CN111801046B (ko)
AU (1) AU2018365070A1 (ko)
CA (1) CA3082082A1 (ko)
IL (1) IL274548A (ko)
SG (1) SG11202004256VA (ko)
WO (1) WO2019094836A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200059129A (ko) * 2018-11-20 2020-05-28 고려대학교 산학협력단 딥러닝 기반의 뇌-컴퓨터 인터페이스를 위한 공간-주파수 특징맵을 생성하는 장치 및 방법
KR102339382B1 (ko) * 2021-04-08 2021-12-14 연세대학교 산학협력단 자가 적응형 뇌 모델을 이용한 뇌 기능 조절 방법 및 장치

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2018365070A1 (en) 2017-11-10 2020-05-28 Lvis Corporation Efficacy and/or therapeutic parameter recommendation using individual patient data and therapeutic brain network maps
JP2021518172A (ja) * 2018-03-14 2021-08-02 イエール ユニバーシティ 次元幾何学的埋め込みにおける神経行動関係（ｎ−ｂｒｉｄｇｅ）に関するシステムおよび方法
US10772582B2 (en) * 2018-03-20 2020-09-15 Siemens Medical Solutions Usa, Inc. Multi-modal emission tomography quality based on patient and application
US11037030B1 (en) * 2018-10-29 2021-06-15 Hrl Laboratories, Llc System and method for direct learning from raw tomographic data
US11273310B2 (en) 2019-01-22 2022-03-15 General Electric Company Systems and methods for predicting optimal deep brain stimulation parameters
US10905882B2 (en) * 2019-01-22 2021-02-02 General Electric Company Systems and methods for predicting optimal deep brain stimulation parameters
US11395920B2 (en) 2019-01-22 2022-07-26 General Electric Company Brain connectivity atlas for personalized functional neurosurgery targeting and brain stimulation programming
EP3761231A1 (en) * 2019-07-01 2021-01-06 Koninklijke Philips N.V. Fmri task settings with machine learning
CN110251124B (zh) * 2019-07-19 2022-02-18 太原理工大学 一种有效性脑网络的确定方法及系统
CN110797123B (zh) * 2019-10-28 2023-05-26 大连海事大学 一种动态脑结构的图卷积神经网络演化方法
KR102323818B1 (ko) * 2019-12-30 2021-11-09 제이어스 주식회사 휴먼동특성 정보를 이용한 인공지능 기반의 뇌질환 진단 방법 및 시스템
US11967432B2 (en) 2020-05-29 2024-04-23 Mahana Therapeutics, Inc. Method and system for remotely monitoring the physical and psychological state of an application user using altitude and/or motion data and one or more machine learning models
US20220130513A1 (en) * 2020-10-22 2022-04-28 Mahana Therapeutics, Inc. Method and system for dynamically generating profile-specific therapeutic protocols using machine learning models
CN113951885B (zh) * 2020-12-22 2022-07-05 北京航空航天大学 一种脑磁图源定位方法、存储介质和设备
CN112971808B (zh) * 2021-02-08 2023-10-13 中国人民解放军总医院 一种脑地图构建及其处理方法
CN113180693A (zh) * 2021-03-23 2021-07-30 深圳市人民医院 静息态脑电rTMS疗效预测及干预闭环反馈诊疗方法
US20220335614A1 (en) * 2021-04-14 2022-10-20 The Procter & Gamble Company Digital Imaging and Learning Systems and Methods for Analyzing Pixel Data of a Scalp Region of a Users Scalp to Generate One or More User-Specific Scalp Classifications
CN113517077A (zh) * 2021-06-18 2021-10-19 东莞市人民医院 用于预测臀位外倒转术疗效的控制方法、系统和存储介质
CN113425312B (zh) * 2021-07-30 2023-03-21 清华大学 脑电数据处理方法及装置
CN113786204B (zh) * 2021-09-03 2023-10-03 北京航空航天大学 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法
WO2023163436A1 (ko) * 2022-02-24 2023-08-31 플랜비포유 주식회사 인지 장애 판별 방법 및 장치
CN116250837B (zh) * 2023-02-14 2024-02-13 天津大学 一种基于动态因效性脑网络的抑郁症检测装置
CN116491958B (zh) * 2023-06-28 2023-09-19 南昌大学第一附属医院 靶点确定设备、电子设备及存储介质

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5995868A (en) 1996-01-23 1999-11-30 University Of Kansas System for the prediction, rapid detection, warning, prevention, or control of changes in activity states in the brain of a subject
US6678548B1 (en) 2000-10-20 2004-01-13 The Trustees Of The University Of Pennsylvania Unified probabilistic framework for predicting and detecting seizure onsets in the brain and multitherapeutic device
US20090306534A1 (en) 2006-04-03 2009-12-10 President And Fellows Of Harvard College Systems and methods for predicting effectiveness in the treatment of psychiatric disorders, including depression
WO2009103156A1 (en) 2008-02-20 2009-08-27 Mcmaster University Expert system for determining patient treatment response
US9443141B2 (en) * 2008-06-02 2016-09-13 New York University Method, system, and computer-accessible medium for classification of at least one ICTAL state
US20170246481A1 (en) * 2009-11-11 2017-08-31 David J Mishelevich Devices and methods for optimized neuromodulation and their application
US8533701B2 (en) 2010-03-15 2013-09-10 Microsoft Corporation Virtual machine image update service
US8839228B2 (en) 2010-04-21 2014-09-16 Ca, Inc. System and method for updating an offline virtual machine
WO2012151453A2 (en) * 2011-05-04 2012-11-08 The Regents Of The University Of California Seizure detection and epileptogenic lesion localization
WO2013063111A1 (en) 2011-10-24 2013-05-02 Purdue Research Foundation Method and apparatus for closed-loop control of nerve activation
US9201704B2 (en) 2012-04-05 2015-12-01 Cisco Technology, Inc. System and method for migrating application virtual machines in a network environment
GB201209975D0 (en) 2012-06-06 2012-07-18 Univ Exeter Assessing susceptibility to epilepsy and epileptic seizures
JP6502858B2 (ja) * 2013-01-31 2019-04-17 ザ リージェンツ オブ ザ ユニバーシティ オブ カリフォルニア 正常状態及び罹患状態での脳動態を特徴づけるためのシステムおよび方法
GB2510874B (en) 2013-02-15 2020-09-16 Ncr Corp Server system supporting remotely managed IT services
US9563950B2 (en) 2013-03-20 2017-02-07 Cornell University Methods and tools for analyzing brain images
US9773308B2 (en) 2014-07-15 2017-09-26 The Brigham And Women's Hospital Systems and methods for generating biomarkers based on multivariate classification of functional imaging and associated data
JP5904514B1 (ja) 2014-10-28 2016-04-13 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 仮想マシンのスナップショットに対して更新を自動的に適用する方法、並びに、そのコンピュータ・システム及びコンピュータ・システム用プログラム
US10050862B2 (en) 2015-02-09 2018-08-14 Cisco Technology, Inc. Distributed application framework that uses network and application awareness for placing data
EP3280490B1 (en) 2015-06-29 2021-09-01 Boston Scientific Neuromodulation Corporation Systems for selecting stimulation parameters based on stimulation target region, effects, or side effects
WO2017040538A1 (en) * 2015-08-31 2017-03-09 The Board Of Trustees Of The Leland Stanford Junior University Compressed sensing high resolution functional magnetic resonance imaging
WO2017136285A1 (en) * 2016-02-01 2017-08-10 The Board Of Trustees Of The Leland Stanford Junior University Method and systems for analyzing functional imaging data
US20220211319A1 (en) * 2016-05-11 2022-07-07 The Regents Of The University Of California Non-invasive proprioceptive stimulation for treating epilepsy
US10523592B2 (en) 2016-10-10 2019-12-31 Cisco Technology, Inc. Orchestration system for migrating user data and services based on user information
US10398319B2 (en) 2016-11-22 2019-09-03 Huami Inc. Adverse physiological events detection
US11294777B2 (en) 2016-12-05 2022-04-05 Nutanix, Inc. Disaster recovery for distributed file servers, including metadata fixers
CN106909784B (zh) 2017-02-24 2019-05-10 天津大学 基于二维时频图像深度卷积神经网络的癫痫脑电识别装置
US20190000349A1 (en) * 2017-06-28 2019-01-03 Incyphae Inc. Diagnosis tailoring of health and disease
AU2018365070A1 (en) 2017-11-10 2020-05-28 Lvis Corporation Efficacy and/or therapeutic parameter recommendation using individual patient data and therapeutic brain network maps
WO2019207510A1 (en) 2018-04-26 2019-10-31 Mindmaze Holding Sa Multi-sensor based hmi/ai-based system for diagnosis and therapeutic treatment of patients with neurological disease

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200059129A (ko) * 2018-11-20 2020-05-28 고려대학교 산학협력단 딥러닝 기반의 뇌-컴퓨터 인터페이스를 위한 공간-주파수 특징맵을 생성하는 장치 및 방법
KR102339382B1 (ko) * 2021-04-08 2021-12-14 연세대학교 산학협력단 자가 적응형 뇌 모델을 이용한 뇌 기능 조절 방법 및 장치

Also Published As

Publication number Publication date
US20190142338A1 (en) 2019-05-16
CA3082082A1 (en) 2019-05-16
US11896390B2 (en) 2024-02-13
EP3706617A1 (en) 2020-09-16
CN111801046B (zh) 2023-11-07
SG11202004256VA (en) 2020-06-29
EP3706617A4 (en) 2021-08-18
US11612353B2 (en) 2023-03-28
WO2019094836A1 (en) 2019-05-16
JP7428386B2 (ja) 2024-02-06
AU2018365070A1 (en) 2020-05-28
CN111801046A (zh) 2020-10-20
JP2021502165A (ja) 2021-01-28
IL274548A (en) 2020-06-30
US20210169411A1 (en) 2021-06-10

Similar Documents

Publication Publication Date Title
JP7428386B2 (ja) 個別患者データ及び治療脳ネットワークマップを用いた有効性及び／または治療パラメータ推薦
Stiso et al. White matter network architecture guides direct electrical stimulation through optimal state transitions
US20170296087A1 (en) Method and system for managing pain
EP3217869B1 (en) Scoring method based on improved signals analysis
US9730628B2 (en) System and method for identifying a focal area of abnormal network interactions in the brain
US11612748B2 (en) Systems, methods and media for detecting and facilitating an effortful mental task by providing real-time deep brain stimulation
US20200178875A1 (en) Predictive neuromarkers of alzheimer's disease
Kadipasaoglu et al. Category-selectivity in human visual cortex follows cortical topology: a grouped icEEG study
Chen et al. Functional magnetic resonance imaging for imaging neural activity in the human brain: the annual progress
Pellegrino et al. Cortical gamma-synchrony measured with magnetoencephalography is a marker of clinical status and predicts clinical outcome in stroke survivors
US10905882B2 (en) Systems and methods for predicting optimal deep brain stimulation parameters
US11273310B2 (en) Systems and methods for predicting optimal deep brain stimulation parameters
EP4364646A1 (en) Migraine management using functional brain imaging
WO2024006939A2 (en) Systems and methods to characterize individual response to brain perturbation in patients with alzheimer's disease
WO2023215717A2 (en) Screening, monitoring, and treatment framework for focused ultrasound
Jedynak et al. Intermodal consistency of whole-brain connectivity and signal propagation delays
Sato et al. 11 methods for connectivity analysis in fmri
Erramuzpe Aliaga Development of new methods in biomedical engineering for brain connectivity biomarkers in epilepsy and other pathological conditions
Sato et al. 11 Methods for

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal