KR20210036278A - 기계 학습(ml)을 이용한 심장 절제의 안내 - Google Patents

기계 학습(ml)을 이용한 심장 절제의 안내 Download PDF

Info

Publication number
KR20210036278A
KR20210036278A KR1020200122393A KR20200122393A KR20210036278A KR 20210036278 A KR20210036278 A KR 20210036278A KR 1020200122393 A KR1020200122393 A KR 1020200122393A KR 20200122393 A KR20200122393 A KR 20200122393A KR 20210036278 A KR20210036278 A KR 20210036278A
Authority
KR
South Korea
Prior art keywords
ablation
lesion
complementary
action
processor
Prior art date
Application number
KR1020200122393A
Other languages
English (en)
Inventor
마티탸후 아미트
리아트 트소레프
야리브 아브라함 아모스
아비 샬지
Original Assignee
바이오센스 웹스터 (이스라엘) 리미티드
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 바이오센스 웹스터 (이스라엘) 리미티드 filed Critical 바이오센스 웹스터 (이스라엘) 리미티드
Publication of KR20210036278A publication Critical patent/KR20210036278A/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
    • A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
    • A61B18/14—Probes or electrodes therefor
    • A61B18/1492—Probes or electrodes therefor having a flexible, catheter-like structure, e.g. for heart ablation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/25—User interfaces for surgical systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00315—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for treatment of particular body parts
    • A61B2018/00345—Vascular system
    • A61B2018/00351—Heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00571—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for achieving a particular surgical effect
    • A61B2018/00577—Ablation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00696—Controlled or regulated parameters
    • A61B2018/00714—Temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00696—Controlled or regulated parameters
    • A61B2018/00738—Depth, e.g. depth of ablation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00696—Controlled or regulated parameters
    • A61B2018/00755—Resistance or impedance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00773—Sensed parameters
    • A61B2018/00791—Temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00773—Sensed parameters
    • A61B2018/00839—Bioelectrical parameters, e.g. ECG, EEG
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00904—Automatic detection of target tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00982—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body combined with or comprising means for visual or photographic inspections inside the body, e.g. endoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00994—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body combining two or more different kinds of non-mechanical energy or combining one or more non-mechanical energies with ultrasound
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/107—Visualisation of planned trajectories or target regions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • A61B2034/2046—Tracking techniques
    • A61B2034/2051—Electromagnetic tracking systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • A61B2034/2046—Tracking techniques
    • A61B2034/2063—Acoustic tracking systems, e.g. using ultrasound
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/25—User interfaces for surgical systems
    • A61B2034/252—User interfaces for surgical systems indicating steps of a surgical procedure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0538—Measuring electrical impedance or conductance of a portion of the body invasively, e.g. using a catheter
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Cardiology (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Otolaryngology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Plasma & Fusion (AREA)
  • Human Computer Interaction (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Epidemiology (AREA)
  • Urology & Nephrology (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Fuzzy Systems (AREA)
  • Surgical Instruments (AREA)

Abstract

시스템은 인터페이스 및 프로세서를 포함한다. 인터페이스는 환자의 심장의 영역에 적용된 초기 절제 동작을 특성화하는 데이터를 수신하도록 구성된다. 프로세서는, 필요한 것으로 확인되는 경우, 수신된 데이터에 기초하여, 영역에 적용될 상호보완적 절제 동작을 자동으로 지정하도록 구성된다.

Description

기계 학습(ML)을 이용한 심장 절제의 안내{GUIDING CARDIAC ABLATION USING MACHINE LEARNING (ML)}
관련 출원의 상호 참조
본 출원은, 그의 개시 내용이 본 명세서에 참고로 포함되는, 2019년 9월 22일자로 출원된 미국 가특허 출원 제62/903,850호의 이익을 주장한다.
기술분야
본 발명은 일반적으로 전기생리학적 신호들의 처리 및 절제에 관한 것이며, 구체적으로는 기계 학습(ML)을 이용하여 심장 절제 파라미터(cardiac ablation parameter)들을 최적화하는 것에 관한 것이다.
환자 데이터에 기초하여, 심장 부정맥을 치료하기 위한 절제 시술을 계획하고 안내하기 위한 방법 및 시스템은 이전에 특허 문헌에서 보고되었다. 예를 들어, 미국 특허 제9,463,072호는 전기생리학적 개입의 환자-고유 계획 및 안내를 위한 방법 및 시스템을 설명한다. 환자-고유 해부학적 심장 모델이 환자의 심장 이미지 데이터로부터 생성된다. 환자-고유 심장 전기생리학 모델이 환자-고유 해부학적 심장 모델 및 환자-고유 전기생리학 측정치에 기초하여 생성된다. 가상 전기생리학적 개입이 환자-고유 심장 전기생리학 모델을 사용하여 수행된다. 시뮬레이션된 심전도(ECG) 신호가 각각의 가상 전기생리학적 개입에 응답하여 계산된다. 본 발명의 실시예는 고급 기계 학습 알고리즘, 심장 전기생리학의 거의 실시간 모델링을 위한 LBM-EP(전기생리학을 위한 래티스-볼츠만 방법(Lattice-Boltzmann Method)) 기술, 및 가상 EP 요법 후에 환자-고유 심전도를 예측하고 표시하기 위한 ECG 신호의 생성 모델을 이용한다.
다른 예로서, 미국 특허 제9,277,970호는 심장 부정맥을 위한 절제 시술의 환자-고유 계획 및 안내를 위한 방법 및 시스템을 설명한다. 환자-고유 해부학적 심장 모델이 수술전 심장 이미지 데이터에 기초하여 생성된다. 환자-고유 해부학적 심장 모델은 절제 시술 중에 획득된 수술내 이미지의 좌표계에 등록된다. 하나 이상의 절제 부위 안내 맵이 등록된 환자-고유 해부학적 심장 모델 및 절제 시술 중에 획득된 수술내 환자-고유 측정치에 기초하여 생성된다. 절제 부위 안내 맵은 심근 확산 및 활동 전위 지속시간 맵을 포함할 수 있다. 절제 부위 안내 맵은 수술내 환자-고유 측정치를 사용하여 심장 전기생리학 모델의 파라미터를 피팅함으로써 개인화된 심장 전기생리학의 계산 모델을 사용하여 생성된다. 절제 부위 안내 맵은 절제 시술 동안 디스플레이 디바이스에 의해 표시된다. 실시예에서, 절제 시술 동안 획득된 수술내 3차원 회전 혈관조영 이미지에 환자-고유 해부학적 심장 모델을 등록하는 것은 기계 학습 알고리즘을 이용하여 3차원 회전 혈관조영 이미지에서 심장 심낭의 확률 맵을 계산하는 것을 포함한다.
이하에 설명되는 본 발명의 실시예는 인터페이스 및 프로세서를 포함하는 시스템을 제공한다. 인터페이스는 환자의 심장의 영역에 적용된 초기 절제 동작을 특성화하는 데이터를 수신하도록 구성된다. 프로세서는, 필요한 것으로 확인되는 경우, 수신된 데이터에 기초하여, 영역에 적용될 상호보완적 절제 동작을 자동으로 지정하도록 구성된다.
몇몇 실시예에서, 프로세서는, 초기 절제 동작의 질(quality)을 평가하고, 초기 절제 동작의 질이 질 기준(quality criterion)을 충족시키지 않음을 발견하는 것에 응답하여 상호보완적 절제 동작을 지정함으로써 상호보완적 절제를 지정하도록 구성된다.
몇몇 실시예에서, 초기 절제 동작을 특성화하는 데이터는 병변 깊이; 병변 반경; 병변 장축; 병변 단축; 병변 3D 위치; 병변 해부학적 위치; 및 병변 표면적 중 적어도 하나를 포함한다.
실시예에서, 상호보완적 절제 동작의 지정 시에, 프로세서는 반복 절제를 위한 위치를 지정하도록 구성된다.
다른 실시예에서, 상호보완적 절제 동작의 지정 시에, 프로세서는 절제 지점들의 세그먼트에 간극(gap)을 표시하도록 구성된다.
또 다른 실시예에서, 상호보완적 절제 동작의 지정 시에, 프로세서는 추가 절제가 절제 지점들의 세그먼트에 근접하여 수행되어야 함을 실시간으로 지정하도록 구성된다.
몇몇 실시예에서, 상호보완적 절제 동작의 지정 시에, 프로세서는 상호보완적 절제에서 사용될 하나 이상의 절제 파라미터들의 값들을 지정하도록 추가로 구성된다.
몇몇 실시예에서, 초기 절제 동작을 특성화하는 데이터는 신체 표면 심전도(ECG) 신호; 신체 표면 ECG 신호에 있어서의 변화; 심장내 ECG 신호; 심장내 ECG 신호에 있어서의 변화; 절제 전극의 임피던스; 절제 전극의 임피던스에 있어서의 변화; 절제된 조직의 온도; 절제된 조직의 온도의 변화; 절제된 조직에 대한 힘; 절제된 조직에 대한 힘의 변화; 절제 카테터(ablation catheter) 유형; 절제 지점의 3D 위치; 절제 지점의 예측된 해부학적 위치; 절제 지점의 절제 지속시간; 세척 속도(rate of irrigation); 및 절제 동안 전달된 전력 중 적어도 하나를 포함한다.
다른 실시예에서, 초기 절제 동작을 특성화하는 데이터는 절제된 조직의 초음파 반사에 있어서의 변화, 및 절제된 조직의 자기 공명 이미지(MRI)에 있어서의 변화 중 하나 또는 둘 모두를 포함한다.
몇몇 실시예에서, 프로세서는 훈련된 기계 학습(ML) 모델을 적용함으로써 상호보완적 절제 동작을 자동으로 지정하도록 구성된다.
실시예에서, ML 모델은 자동 인코더(autoencoder), 변이형 자동 인코더(variational autoencoder), GAN(general adversarial network), 랜덤 포레스트(random forest, RF), 감독형 ML(supervised ML), 및 강화 ML(reinforcement ML) 중 적어도 하나를 포함한다.
본 발명의 다른 실시예에 따르면, 환자의 심장의 영역에 적용된 초기 절제 동작을 특성화하는 데이터를 수신하는 단계를 포함하는 방법이 추가로 제공된다. 필요한 것으로 확인되는 경우, 영역에 적용될 상호보완적 절제 동작이, 프로세서에 의해, 수신된 데이터에 기초하여, 자동으로 지정된다.
본 발명은 도면과 함께 취해진, 본 발명의 실시예의 하기 상세한 설명으로부터 더 완전히 이해될 것이다.
도 1은 본 발명의 예시적인 실시예에 따른, 카테터-기반 전기생리학적(EP) 감지, 신호-분석, 및 IRE 절제 시스템의 개략적인 그림 예시이다.
도 2는 본 발명의 예시적인 실시예에 따른, 자동 인코더 및 랜덤 포레스트(RF)에 기초한 병변 추정을 위한 심층 학습 알고리즘을 예시한다.
도 3은 본 발명의 대안적인 예시적인 실시예에 따른, 절제 결과를 추정하고 수정하기 위한 기계 학습(ML) 모델의, 추론을 위한 훈련 및 사용의 흐름도이다.
도 4는 본 발명의 예시적인 실시예에 따른, 도 3의 ML 모델을 사용하여 계획된 폐정맥 격리(PVI)의 시각화의 스크린 샷이다.
개관
심장 절제는 환자의 심장 조직에 병변을 형성함으로써 부정맥을 치료하는 데 사용되는 일반적인 시술이다. 그러한 병변은 비가역적 전기천공법(IRE)에 의해, 또는 고주파(RF)와 같은 다른 유형의 절제 에너지를 사용하여 형성될 수 있으며, 이들 둘 모두는 카테터를 사용하여 적용될 수 있다. IRE 절제에서, 카테터는 카테터의 원위 단부(distal end) 상에 배치된 전극이 조직과 접촉하도록 조작된다. 이어서, 고전압 바이폴라 펄스가 전극들 사이에 인가되고, 조직에서 생성된 강한 전기장 펄스가 세포사 및 병변 생성을 유발한다. RF 절제에서, 교류 RF 전류가 하나 이상의 전극에 의해 조직에 인가되어, 열에 의한 세포사를 유발한다.
전형적으로, 부정맥을 교정하기 위한 심실에서의 절제 시술에서, 절제에 있어서 근접성 및 경벽성(충분한 병변 깊이) 둘 모두를 달성하는 것이 중요하다. 어느 하나의 부존재는 전형적으로 절제된 조직을 통한 파면의 "누설"로 이어진다. 예를 들어 폐정맥 격리(PVI)를 달성하기 위한 시술에서, 누설을 체크하기 위해, 의사는 심장을 자극하기 위해 절제 라인의 한쪽에서 심장을 페이싱(pacing)(즉, 심장 내로 신호를 주입)하고, 신호가 다른 쪽에서 나타나는지를 확인하기 위해 체크한다. 신호가 나타나지 않으면, 의도한 대로, 전기적 격리가 달성되었다. 그러나, 신호가 나타나면, 의사는 전형적으로 절제 지점을 추가한다.
절제 라인 근접 인덱스(ACLI)와 같은 파라미터가 절제 라인의 근접성 및 경벽성을 스코어링(scoring)하기 위해 정의될 수 있다. 그러나, 그러한 파라미터는 절제 시술이 완료된 후에만 추정될 수 있으며, 따라서 완전한 루프가 수행된 후에만 PVI가 체크될 수 있다.
따라서, 전형적인 현재 작업흐름은 다음의 단계들을 가질 수 있다:
1. PV 격리의 제1 "절제 루프"
2. 자극을 통한 테스트
3. 자극에 기초하여 간극을 좁히기 위해 조직을 절제; 및/또는
2. 부정맥을 일으키는 약물, 예를 들어 아데노신을 통한 테스트
3. 간극을 좁히기 위해 조직을 절제
위의 아데노신-챌린지 단계 2는 그것이 일반적으로 연구 환경에서 사용되기 때문에 일상의 클리닉 작업흐름에서는 구현되지 않을 수 있다는 것이 이해될 것이다.
격리가 시술 중에 달성될지라도, 나중에 부정맥이 재발할 수 있다. 이러한 경우에, 시술의 "재실행"이 필요할 수 있다.
이하에 설명되는 본 발명의 실시예는, 아래에 설명되는 바와 같이, 치료 동안 획득된(예를 들어, 절제 카테터 자체를 사용하여 획득된) 정보에만 기초하여 심장 절제 시술의 성공을 예측하는 시스템 및 기계 학습(ML) 방법을 제공한다. 예측은 (i) 몇몇 실시예에서, 병변이 어느 정도까지 경벽성인지와 같은, 병변 특성, 및 (ii) 다른 실시예에서, 절제에 있어서의 근접성 및 경벽성의 레벨을 추정함으로써 달성된다. 이후의 실시예는, 추가의 절제 지점이 필요한 경우에, 실시간으로, 의사를 안내할 수 있다.
몇몇 실시예에서, 프로세서는 환자의 심장의 영역에 적용된 초기 절제 동작을 특성화하는 데이터를 수신한다. 프로세서는, 필요한 것으로 확인되는 경우, 수신된 데이터에 기초하여, 영역에 적용될 상호보완적 절제 동작을 자동으로 지정한다. 예를 들어, 프로세서는 초기 절제 동작의 질을 평가하고, 초기 절제 동작의 질이 질 기준(예를 들어, 수립된 근접성 및/또는 경벽성)을 충족시키지 않음을 발견하는 것에 응답하여, 상호보완적 절제 동작을 지정한다.
본 발명의 실시예는 초점 소스 및 반복 활성화 패턴(RAP)에 대한 권고를 제공하는 데 사용될 수 있다. 본 발명의 실시예는 또한 절제의 질의 추정 및 지속적 AF 드라이버 및 영속자 RAP, 초점 및 섬유증 조직의 "최적의" 절제 전략을 제공하는 데 사용될 수 있다.
본 발명의 실시예에서, 인공 신경망(ANN)과 같은 기계 학습(ML) 모델이 생성된다. ANN 모델은 표면 심전도(ECG) 신호, 심장내 ECG(IcECG) 신호(전기기록도(EGM)로도 지칭됨), 수집된 데이터의 3D 위치 정보를 포함하는 초기 절제 데이터뿐만 아니라, 절제를 위해 사용된 전력, 절제의 기간, 절제 동안 측정된 온도, 및 절제를 수행하는 카테터 전극의 임피던스를 포함하는 절제 파라미터를 사용하여 훈련된다. 모델을 훈련하는 데 사용되는 다른 파라미터는 사용된 카테터, 카테터에 의해 측정된 힘, 및 온도 및 임피던스와 같은 파라미터에 있어서의 변화를 포함하지만, 이로 제한되지 않는다. 일단 모델이 생성되면, 이러한 파라미터들 중 적어도 일부의 값이 모델에 의해 공식화된 결과에 도달하기 위해 모델에 의해 사용된다.
몇몇 실시예에서, 절제 훈련 데이터의 임상 및 임상전 데이터로부터 도출된 그라운드 트루스(ground truth)가 훈련을 위해 사용된다. 그러한 데이터는 조직 괴사의 표면적 및 깊이와 같은 파라미터를 포함한, 다양한 절제 전력들 하에서 얻어진 실제 병변 파라미터를 포함할 수 있다.
새로운 환자에서 절제를 수행하는 동안, 프로세서는, ML 모델을 사용하여, 절제된 병변, 예를 들어 그의 반경 및 깊이를 추정하며, 이들은 의사에게 제공된다. 값은 전형적으로 절제의 시각화를 또한 제공할 수 있는, 그래픽 사용자 인터페이스(GUI) 상에 제공된다.
본 발명의 다른 실시예에서, 훈련된 ML 모델은, 제1 절제 루프 후에, 절제 "재실행"에 대한 잠재적 후보인 장소를 식별한다.
또한, 새로운 절제 직전에 그리고/또는 그 동안에, 프로세서는, 특정 환자에 대한 절제 데이터(즉, 절제 시술 중에 획득된 임의의 데이터)를 사용하여, 절제에 있어서의 근접성 및 경벽성의 레벨을 예측하기 위해 모델을 사용할 수 있다.
위의 ML 모델을 사용하는 것은, 절제 시술의 결과를 예측함으로써, 전술된 현재 작업흐름에 대한 것과 비교해, 의사가 시술에 소비되는 시간을 줄이는 것을 가능하게 한다. 모델은 의사가 절제 라인, 즉 절제 시술의 제1 라운드에서 높은 근접성 및 경벽성 스코어를 갖는 라인에 의해 효과적인 격리를 생성하는 것을 가능하게 한다. 따라서, 모델을 사용하는 것은 종래 기술의 시스템보다 더 간단하고, 더 빠르고, 더 효과적인 프로세스를 가능하게 한다.
ANN 모델이 여기서 예로서 사용되지만, 당업자는 결정 트리 학습(decision tree learning), 서포트 벡터 머신(SVM) 및 베이지안 네트워크(Bayesian network)와 같은, 사용에 이용가능한 다른 ML 모델들 중에서 선택할 수 있다. ANN 모델은 예를 들어 컨볼루션 NN(CNN), 자동 인코더, 및 확률적 신경망(PNN)을 포함한다. 전형적으로, 사용되는 하나 이상의 프로세서(이하에서 "프로세서"로 집합적으로 지칭됨)는 프로세서가 위에 개괄된 프로세서-관련 단계들 및 기능들 각각을 수행할 수 있게 하는 특정 알고리즘을 포함하는 소프트웨어로 프로그램된다. 전형적으로, 훈련은 그래픽 처리 유닛(GPU) 또는 텐서 처리 유닛(TPU)과 같은, 다수의 프로세서를 포함하는 컴퓨팅 시스템을 사용하여 수행된다. 그러나, 이러한 프로세서들 중 임의의 것은 또한 중앙 처리 유닛(CPU)일 수 있다.
ML 알고리즘 추론에 대해 전술된 제한된 데이터에 기초하여, 병변 파라미터(예를 들어, 직경, 깊이)뿐만 아니라 절제에 있어서의 근접성 및 경벽성을 실시간으로 평가하는 능력은 절제 치료의 질의 간단한 평가를 가능하게 하며, 더 정확한 절제 프로파일로, 그리고 전형적으로 절제 시술의 결과에 있어서의 개선으로 이어질 수 있다.
시스템 설명
도 1은 본 발명의 실시예에 따른, 카테터-기반 전기생리학적(EP) 감지, 신호-분석, 및 IRE 절제 시스템(20)의 개략적인 그림 예시이다. 시스템(20)은 예를 들어 미국 캘리포니아주 어바인 소재의 바이오센스-웹스터(Biosense-Webster)에 의해 제조된 카르토(CARTO)(등록상표) 3 시스템일 수 있다. 보이는 바와 같이, 시스템(20)은 의사(30)에 의해 환자(28)의 심장(26)(삽도(25)) 내로 조종되는 샤프트(22)를 갖는 카테터(21)를 포함한다. 묘사된 예에서, 의사(30)는 카테터의 근위 단부(proximal end) 부근의 조작기(32)를 사용하여 샤프트(22)를 조작하면서, 시스(sheath)(23)를 통해 샤프트(22)를 삽입한다.
본 명세서에 설명된 실시예에서, 카테터(21)는, 각각, 심장(26) 및 IRE 절제의 전기생리학적 매핑과 같은, 임의의 적합한 진단 목적 및/또는 조직 절제를 위해 사용될 수 있다. ECG 기록 기구(35)는 프로세스 동안 시스템(20)에 의해 감지된 다양한 유형의 ECG 신호를 수신할 수 있다.
삽도(25)에 도시된 바와 같이, 카테터(21)의 샤프트(22)의 원위 단부에는 다수-전극 바스켓 카테터(40)가 장착된다. 삽도(45)는 바스켓 카테터(40)의 다수의 전극(48)의 배열을 도시한다. 카테터(21)의 근위 단부는 제어 콘솔(24)에 연결되어, 예를 들어 전극(48)에 의해 획득된 전기기록도를 전송한다.
콘솔(24)은 카테터(21)의 전극(48)으로부터 EP 신호(예를 들어, ECG 신호)뿐만 아니라 비-EP 신호(예를 들어, 위치 신호)를 수신하기 위한 적합한 프런트엔드 및 인터페이스 회로(38)를 갖는, 전형적으로 범용 컴퓨터인, 프로세서(41)를 포함한다. 이러한 목적을 위해, 프로세서(41)는 샤프트(22) 내에서 연장되는 와이어를 통해 전극(48)에 연결된다. 인터페이스 회로(38)는 예를 들어 ECG 기록 기구(35)일 수 있는 다중 채널(예를 들어, 12-리드) ECG 장치로부터 ECG 신호를 수신할 뿐만 아니라, 표면 신체 전극(49)으로부터 비-ECG 신호를 수신하도록 추가로 구성된다. 전형적으로, 전극(49)은 환자(28)의 흉부 및 다리 주위의 피부에 부착된다. 프로세서(41)는 케이블(39)을 통해 연장되는 와이어에 의해 전극(49)에 연결되어 전극(49)으로부터 신호를 수신한다.
표면 신체 전극(49)들 중 4개는 표준 ECG 프로토콜에 따라 다음과 같이 명명된다: MA(우측 팔), LA(좌측 팔), ML(우측 다리), 및 LL(좌측 다리). WCT(Wilson Central Terminal)가 4개의 명명된 신체 표면 전극(49) 중 3개에 의해 형성될 수 있으며, 결과적인 ECG 신호 V WCT가 인터페이스 회로(38)에 의해 수신된다.
EP 매핑 절차 동안, 전극(48)들의 위치는 그들이 환자의 심장(26) 내부에 있는 동안 추적된다. 그 목적을 위해, 전기 신호가 전극(48)과 신체 표면 전극(49) 사이에 통과된다. 신호에 기초하여, 그리고 환자의 신체 상의 전극(22)의 알려진 위치가 주어지면, 프로세서(41)는 환자의 심장 내의 각각의 전극(22)의 추정 위치를 계산한다. 그러한 추적은, 그의 개시 내용이 본 명세서에 참고로 포함되는, 미국 특허 제8,456,182호에 기술된, 바이오센스-웹스터(미국 캘리포니아주 어바인)에 의해 제조된, 활성 전류 위치(ACL) 시스템을 사용하여 수행될 수 있다.
이에 따라 프로세서는 EGM들과 같은 전극들(48)로부터 수신된 임의의 주어진 신호를, 신호가 획득되었던 위치와 연관시킬 수 있다. 프로세서(41)는 이러한 신호에 포함된 정보를 사용하여 국소 활성화 시간(LAT) 맵과 같은 EP 맵을 구성하여 디스플레이 상에 제시한다. 도시된 실시예에서, 도 2 및 3에 설명된 바와 같이, EP 및 다른 데이터(예를 들어, 세척 속도)에 적용된 ML 알고리즘을 포함하는 알고리즘을 사용하여, 프로세서(41)는 시스템이 절제하는 병변의 근접성 및 경벽성을 추정한다.
IRE 절제를 수행하기 위해, 전극(48)은 콘솔(24) 내의 프로세서-제어식 스위칭 회로(예를 들어, 릴레이들의 어레이, 도시되지 않음)를 포함하는 IRE 펄스 생성기(47)에 연결(예를 들어, 스위칭)된다. 절제 근접성의 레벨과 같은, 개시된 기술에 의해 제공된 추정을 사용하여, 프로세서(41) 또는 의사는 (스위칭 회로를 통해) IRE 펄스를 인가하기 위해 어느 전극을 펄스-생성기(37)에 연결할지를 선택할 수 있다.
IRE 절제 동안, 아래에 정의된 초기 절제 데이터는 위의 ML 모델들 중 하나에 의한 추론에 사용되어, 도 2에 설명된 바와 같이, 병변 파라미터, 및 병변들의 그룹의 근접성 및 경벽성을 (예를 들어, 실시간으로) 추가로 평가할 수 있다.
프로세서(41)는 전형적으로 본 명세서에 설명된 기능들을 수행하기 위한 소프트웨어로 프로그램된다. 소프트웨어는, 예를 들어 네트워크를 통해, 프로세서에 전자 형태로 다운로드될 수 있거나, 그것은, 대안적으로 또는 추가적으로, 자기, 광, 또는 전자 메모리와 같은 비일시적 유형 매체(non-transitory tangible media)에 제공되고/되거나 저장될 수 있다. 특히, 프로세서(41)는, 아래에 추가로 설명되는 바와 같이, 프로세서(41)가 개시된 단계들을 수행하는 것을 가능하게 하는, 도 3에 포함된 것과 같은, 본 명세서에 개시된 바와 같은 전용 알고리즘을 실행한다.
ML을 이용한 심장 절제의 안내
도 2는 본 발명의 예시적인 실시예에 따른, 기계-학습(ML) 모델의 동작의 예시이다. 모델은 아래에 설명된 절제 훈련 데이터에 기초하여 랜덤 포레스트 회귀 트리로부터 구축된다. 랜덤 포레스트 분류기(204)가 결정 트리들의 위원회이며, 여기서 각각의 결정 트리는 데이터의 속성들의 서브세트를 공급받았고 그 서브세트에 기초하여 예측한다. 결정 트리의 실제 예측 값의 모드는 궁극적인 랜덤 포레스트 응답(208 및 210)을 제공하기 위해 고려된다. 랜덤 포레스트 분류기는, 일반적으로, 독립형 결정 트리에 존재하는 오버피팅을 완화하며, 이는 훨씬 더 강건하고 정확한 분류기로 이어진다.
모델은 심층 학습 자동 인코더뿐만 아니라 랜덤 포레스트 회귀 트리에 기초한다. 자동 인코더는 나중에 병변 평가를 위한 특징 공간으로서의 역할을 하는 특징들의 세트 u로의 차원 축소를 수행한다.
자동 인코더(202)는 다음의 두 부분을 포함한다: 인코더 및 디코더. 인코더는 입력(여기서 ECG 신호 및/또는 IcECG 신호)을 비선형 변환을 통해 은닉 표현(u)에 매핑한다. 이어서, 디코더는 은닉 표현을 다른 비선형 변환을 통해 재구성 데이터에 다시 매핑한다:
Figure pat00001
본 발명의 실시예는 ECG 및 IcECG 재구성을 위해 동일한 네트워크 아키텍처를 사용한다. L2 정규화 함수는 IcECG(또는 신체 표면 ECG)를 재구성하기 위해
Figure pat00002
가중치들의 세트를 학습하기 위해 최소화된다. 자동 인코더는 미리 정의된 수의 계층을 갖는 인코더 및 디코더의 완전 연결된 컨벌루션 신경망(FCN)을 사용하여 구현된다. 이어서 병변 깊이를 예측하기 위해 인코딩된 표현 u, 환자의 의료 이력(예를 들어, AF 지속시간, NYHA 스코어) 파라미터, 환자의 인구학(예를 들어, 연령, BMI) 및 절제 특징(예를 들어, 전력, 온도 프로파일)에 기초하여 랜덤 포레스트 회귀가 수행된다.
실시예에서, 모델은 입력 계층으로서 절제 특징 공간을, 랜덤 포레스트에 대한 입력으로서 절제 특징 공간을 사용한다. 절제 특징 공간은 절제 특성(예를 들어, 전력, 임피던스, 임피던스 강하, 안정성, 절제 인덱스 및 심장 조직의 각각의 절제 지점의 x, y, z 위치)을 지칭한다. 각각의 절제 지점은 초당 육십(60)번 샘플링되는 시계열로서의 그러한 특징들을 포함하며, 따라서 각각의 절제 지점의 시변 특성이 또한 모델링되고 절제 특징 공간의 일부로서의 역할을 한다.
각각의 절제 지점의 해부학적 구조가 또한 모델의 입력 공간의 일부이다. 예를 들어, 지점이 우측 광역 원주 절제(WACA)의 부분인 것으로 예측되는 경우, WACA에 대한 ML 모델이 다음 중 하나가 되도록 절제 부위를 분류할 것이다
1. 우측 아래
2. 우측 후방
3. 우측 루프(roof)
4. 우측 전방
좌측 WACA의 경우, 각각의 절제 부위는 다음 중 하나와 연관된다:
1. 좌측 아래
2. 좌측 후방
3. 좌측 전방
4. 좌측 루프
5. 리지(ridge)
그런 방식으로 절제 부위를 분류하는 ML 모델이 본 특허 출원의 양수인에게 양도된, 2020년 7월 30일자로 출원된, 발명의 명칭이 "광역 원주 절제 지점의 해부학적 구조의 자동 분할(Automatic Segmentation of Anatomical Structures of Wide Area Circumferential Ablation Points)"인 미국 가특허 출원 제63/059060호에서 제공된다.
개시된 모델은 (반경으로서의) 병변 표면적(210) 및 병변 깊이(208)의 추정치를 출력으로서 제공하고, 컴퓨터 프로세서(206)에 의해 동작된다. 동작 시에, 프로세서는 절제 시술로부터의 데이터를 입력하고, 병변 추정치(208 및 210)를 출력하는 것을 포함하는, 알고리즘을 구축된 모델에 적용한다.
이러한 실시예에서, 사용된 절제 훈련 데이터의 그라운드 트루스는 임상 및 임상전 데이터로부터 도출된다. 몇몇 데이터는 돼지 또는/및 양에 대해 수행된 생체내 개흉 시술로부터 계산된다. 시술에서, 심방 및 심실 둘 모두에서 양 및 돼지에서의 상이한 병변 깊이들을 달성하기 위해, 병변은 다양한 전력으로 생성된다. 조직 괴사의 표면적 및 깊이가 수집된다.
또한, 인간 대상에서 상이한 병변 깊이들을 달성하기 위해 에너지가 다양한 전력으로 전달될 수 있다. 심방 및 심실 둘 모두에 전달되는 에너지와, 괴사의 표면적 및 깊이는 초음파/MRI(자기 공명 이미징)를 사용하여 측정될 수 있다.
동물 및 인간 대상 둘 모두에 대해, 절제 훈련 데이터 수집은 ECG 및 심장내 ECG 신호, 절제 카테터 유형(예를 들어, 초점, 올가미, 바스켓, 벌룬(balloon)), 절제 지점의 3D 위치, 각각의 지점의 절제 지속시간, 세척이 사용되는지 여부(그리고, 사용되는 경우, 세척 속도), 절제 전극의 임피던스, 전달된 전력 및 절제 동안 측정된 온도 프로파일을 포함한다. 추가의 선택적 데이터는 심장내 초음파, 외부 초음파, 실시간 CT, 및 실시간 MRI 이미지를 포함한다.
위에서 언급된 데이터는 랜덤 포레스트 회귀 트리 모델을 위한 입력으로서 사용된다.
도 2에 예시된 바와 같이, 모델은 병변의 평균 깊이 및 병변의 반경으로서의, 병변의 표면적을 포함하는 2개의 출력 노드를 이용하여 조직 괴사의 깊이 및 면적을 추정한다. 대안적인 실시예에서, 3개의 출력 노드를 갖는 모델이 생성되며, 여기서 병변의 표면적은 타원의 장축 및 단축을 사용하여 추정된다.
모든 실시예에서 각각의 절제 후의 괴사의 추정 표면적이 실시간으로 표시된다.
도 3은 본 발명의 대안적인 실시예에 따른, 절제 결과를 추정하고 수정하기 위한 기계 학습(ML) 모델의, 추론을 위한 훈련 및 사용의 흐름도이다. 특히, 도 3에 의해 설명된 실시예는 심실에서 절제 재실행이 필요한지 그리고 어디서 필요한지를 결정하는 데 도움을 준다.
알고리즘의 일 실시예에서, 모델은, 제1 "절제 루프" 후에, 절제 재실행, 즉 반복 절제를 위한 잠재적 위치를 식별하는 데 사용될 수 있다.
본 발명의 개시된 실시예에서, 모델은 입력 계층으로서 절제 특징 공간을 갖는 완전히 연결된 신경망을 사용한다. 네트워크는 정류 선형 유닛(ReLU) 및 절제 성공 또는 재실행을 포함하는 단일 출력 뉴런 - 지원 이진 제1 분류기 - 을 포함하는 2개의 은닉 계층을 갖는다. 네트워크의 가중치는 교차-엔트로피 손실을 최소화하기 위해 경사 하강 최적화기를 사용하여 추정된다.
제1 분류기가 재실행을 예측하는 경우에, 제2 분류기는 "낮은 깊이" "작은 표면" 병변을, 절제를 재실행하기 위한 잠재적인 장소로서 마킹한다.
여러 절제 후에 그러나 PVI의 제1 라운드의 완료 전에 활성화되는 알고리즘의 다른 실시예에서, 알고리즘은 절제 지점들의 세그먼트에서 잠재적 간극을 식별하는데, 예를 들어 서로 가까이에 절제 지점들의 50 mm의 세그먼트가 있고, 절제들 중 하나가 낮은 임피던스 강하를 가졌고, 카테터가 이 세그먼트로부터 20 mm에 있을 때, 시스템은 이러한 잠재적 간극에 대해 의사에게 통지한다.
알고리즘의 또 다른 실시예에서, 시스템은 "실시간"으로, 전형적으로 절제 동안, 이전 절제 내에 잠재적인 간극이 있는지 또는 현재 절제 지점 부근에서 추가 절제가 수행되어야 하는지를 통지한다.
알고리즘의 추가 실시예에서, 시스템은 의사에게 다음 절제 지점이 수행되어야 하는 곳을 표시한다. 시스템은 또한, 절제의 완료 때까지, 사용될 절제 파라미터 및 그의 값을 열거한다. 알고리즘은 전형적으로 완료가 달성되었는지를 결정하고 그에 맞춰 의사에게 통지한다.
하나의 제시된 실시예에 따른 알고리즘은 두 부분, 즉 알고리즘 준비(101) 및 알고리즘 사용(102)으로 나뉜다.
알고리즘 준비는 ML 모델링 단계(70)에서 시작하는 프로세스를 수행하여, 절제 결과를 추정하기 위한 ML 알고리즘을 생성한다. 그러한 모델은 다른 가능한 옵션들 중에서 감독형 ML 모델, 또는 강화 ML 모델, 변이형 자동 인코더, 및 GAN(general adversarial network)일 수 있다. 모델은, 아래에 설명된 다른 입력들 중에서, EP 및 절제 결과를 입력으로서 받아들인다.
다음에, 절제 훈련 데이터 및 그라운드 트루스 결과를 포함하는 데이터베이스를 사용하여, 프로세서는 ML 알고리즘 훈련 단계(72)에서 알고리즘을 훈련한다.
몇몇 실시예에서, 모델에 대한 절제 훈련 데이터는 2개의 범주, 즉 단시간 성공을 달성하는 제1 절제 세션으로부터의 데이터, 및 (예를 들어, 초기 절제 동작의 질이 수립된 근접성과 같은 질 기준을 충족시키지 않음을 발견한 후에) 재실행 시술을 필요로 하는 제1 절제 세션으로부터의 데이터로 나뉜다.
개시된 실시예에서, 절제 훈련 데이터는 예를 들어 다음과 같은, 카르토와 같은 시스템을 이용한 실제 치료로부터 취해진 정보를 포함할 수 있다:
1. 절제 카테터 유형
2. 절제 지점의 3D 위치
3. 절제 지점의 해부학적 위치
4. 절제를 위해 사용된 전력
5. 지점 절제 지속시간
6. 세척
7. 카테터 안정성, 즉 절제 동안 카테터에 가해진 힘
8. 예측된" 조직 폭에 기초하여 경벽성 절제를 검증하기 위한 절제의 영역에 관련된 파라미터
9. 12-리드 ECG, 또는 임의의 유형의 표면 ECG, 및 IcECG
10. 조직 응답, 예를 들어 온도, 초음파 반사 변화, ECG 신호 감소, 임피던스 변화
11. 외부 디바이스 데이터 단독, 예를 들어 MRI 및/또는 초음파 데이터
12. 항목 1 내지 항목 10 중 임의의 것과 조합된 외부 디바이스 데이터.
대안적인 개시된 실시예에서, 절제 훈련 데이터는 카르토(등록상표)(또는 유사한 시스템)로부터 생성된 이미지에 기초한 훈련 데이터를 포함할 수 있다. 그러한 이미지는 다음을 포함한다:
1. 시술 단계(좌측 PV, 및 우측 PV) 각각에 대한, 그리고 절제의 상이한 단계들에 대한, 상이한 카르토 맵 LAT, 전압, 비지태그(예를 들어, 도 4에서 보이는 바와 같은, 이미지 상의 공-형상의 마커. 공 크기 및 컬러는 전송된 전력 및 전송 시간을 나타낸다) 등에 기초한 생성된 이미지 세트.
2. 여러 고정 뷰에서 취해진 이미지.
3. 좌측 PV 격리 및 우측 PV 격리의 이미지들을 포함하는, 훈련의 시작.
섹션(전체 PVI의 일부) 격리의 이미지들을 포함하는, 훈련의 제2 단계.
4. 동일한 뷰를 가진 모든 맵 이미지들, 및 모든 카르토 컬러링 방법을 포함한 훈련을 위한 이미지들: 전압 맵, LAT 맵, 바이폴라 맵들
5. 전형적으로 기계 학습만을 위해 생성된 모든 절제 태그 옵션의 이미지(표준 카르토 비지태그/서포인트/절제 인덱스, 및 예를 들어 절제 동안 카테터 안정성에 기초하여 비지태그 공을 컬러링함으로써, 또는 기계 학습에 기여할 수 있는 임의의 다른 파라미터에 기초하여 비지태그 공을 컬러링함으로써 다른 파라미터를 제시하는 추가적인 맵을 포함함):
Figure pat00003
표준 카르토 절제 지점
Figure pat00004
다음의 파라미터들 중 임의의 것에 따른 컬러 변화도를 갖는 지점:
o 공급 에너지
o 카테터 힘
o 카테터 각도
o 이전 카테터 위치
o 절제 전력
o 절제 시간
o 온도
o ICEG 바이폴라 강하
o 카테터 안정성
o 절제 동안의 호흡
o 세척
개시된 실시예들 중 어느 하나에서, 제1 PVI 루프의 수정이 또한 훈련 데이터의 일부로서 사용될 수 있다. 이러한 수정은 다음을 포함할 수 있다:
a. 절제 카테터 유형, 절제 지점의 3D 위치, 절제를 위해 사용되는 전력, 지점 절제의 지속시간, 세척, 카테터 안정성, 카테터 힘과 같은 추가 절제 지점의 파라미터, 및/또는:
b. 수정으로서 수행된 절제의 이미지. 이미지가 재실행 직후에 취해지는 경우, 이미지는 절제 위치 및 공급 에너지를 포함할 수 있다.
전술된 훈련 데이터에 추가하여, 도면에 예시된 바와 같이, 그라운드 트루스 데이터가 또한 모델을 구축하는 데 사용된다. 그라운드 트루스 데이터는 전형적으로 병원 데이터베이스에 기초하며, 다음의 두 섹션으로 나뉠 수 있다:
a. 페이싱 및/또는 아데노신 챌린지의 적용에 의해 결정되는 단시간 성공, 따라서 단기 후속 조치에 대한 필요성이 없음.
b. 재실행 사례, 및 후속 조치 정보를 가진 그리고 후속 조치를 포함하는 임상 연구에 대한 사례를 검토함으로써 결정되는 12개월 후속 조치 성공.
몇몇 실시예에서, 그라운드 트루스 데이터는 문헌[the PRECEPT study by Mansour M, et al., titled "Persistent atrial fibrillation ablation with contact force sensing catheter: The prospective multicenter PRECEPT Trial," and published at JACC: Clinical Electrophysiology, Volume 6, Issue 8, August 2020]에 정의된 바와 같은 유효성 성공 및 임상 성공 기준을 포함할 수 있다.
몇몇 실시예에서, 그라운드 트루스 데이터는, 알려진 임상적 이익을 갖지 않기 때문에 의사에게 제시되지 않는 획득된 데이터를 포함할 수 있다.
위의 설명은 2개의 별개의 기계 학습 모델을 포함하는 실시예들을 언급하지만, 실시예들이 둘 모두의 실시예의 기능들을 수행하도록 구현된 하나의 모델로 조합될 수 있다는 것이 인식될 것이다.
알고리즘 준비는, 훈련된 모델 저장 단계(74)에서, 디스크 온 키(메모리 스틱)와 같은, 비일시적 컴퓨터 판독가능 매체에 훈련된 모델을 저장하는 것으로 종료된다. 대안적인 실시예에서, 모델은 미리 전송되고, 그의 최적화된 파라미터(예를 들어, ANN의 가중치)는 훈련 후에 별도로 전송된다.
알고리즘 사용(102)은 알고리즘 업로드 단계(76)에서 시작하는 프로세스를 수행하는데, 그 동안에 사용자는 전체 ML 모델 또는 그의 최적화된 파라미터(예를 들어, 가중치)를 프로세서에 업로드한다. 다음에, 프로세서(28)와 같은 프로세서는, 환자 데이터 수신 단계(78)에서 각각, 전극(49 및 48)으로부터 훈련에 사용되는 데이터 유형과 유사한 환자 데이터, 예를 들어 ECG 및 EGM을 수신한다.
다음에, 절제 권고 단계(80)에서, 추론을 위한 훈련된 ML 모델을 사용하여, 프로세서는 선택된 환자로부터의 데이터를 모델에 입력하고, 모델이 예를 들어 더 근접한 절제를 수행하는 데 필요한 상호보완적 절제 동작(예를 들어, 수정 동작)을 출력할 수 있도록 모델에 대한 알고리즘을 구현한다. 프로세서에 설치된 후에, 훈련된 모델을 다수의 환자에 대해 사용될 수 있다.
도 3에 도시된 예시적인 흐름도는 전적으로 개념적 명료함을 위해 선택된다. 본 실시예는 또한 진단된 조직과의 전극의 물리적 접촉의 정도의 표시를 수신하는 것과 같은, 알고리즘의 추가 단계를 포함할 수 있다. 이러한 단계 및 다른 가능한 단계는 더 단순화된 흐름도를 제공하기 위해 의도적으로 본 명세서의 개시로부터 생략된다.
도 4는 본 발명의 실시예에 따른, 도 3의 ML 모델을 사용하여 계획된 폐정맥 격리(PVI)의 시각화의 스크린 샷이다.
도 4는 PVI의 근접성 및 경벽성을 추정하는, "평가 엔진"(예를 들어, 도 3의 ML 알고리즘)의 출력을 묘사한다. 일 실시예에서, 훈련 단계 동안, 평가 엔진은 다음 정보로 훈련된 의사에 의해 태깅된 사례들의 세트를 갖는다:
1. 절제 해부학적 위치(좌측 WACA, 우측 WACA, 루프 라인 등)
2. 절제 유형(효과적인, 효과적이지 못한 절제, 단시간 재연결 절제 지점 또는 재실행 절제 지점)
3. 절제의 폭 및 깊이
전술된 특징 공간에 기초하여, ML 알고리즘은 그의 유효성(예를 들어, 0과 1 사이의 확률), 병변의 폭 및 깊이에 대한 절제별 예측을 제공한다. 엔진은 또한 잠재적인 단시간 재연결 부위 또는 장기(재실행) 재연결 부위의 구역에 대해 권고할 수 있다.
도면에 도시된 디스크(402)들은 절제 지점을 나타내며, 크기(및/또는 디스크의 그레이 스케일)는 PVI의 근접성 또는 경벽성을 묘사하기 위해 평가 엔진에 의해 자동으로 생성된다. 디스크들의 크기는 절제 유효성 확률을 나타낼 수 있으며, 그들은 또한 병변의 폭 및/또는 깊이를 나타낼 수 있다.
몇몇 실시예에서, 엔진은 또한 재실행 사례를 회피하기 위해 영역(404)을 절제하는 권고를 제공할 수 있다.
본 명세서에 설명된 실시예는 주로 심장 절제 응용을 다루지만, 본 명세서에 설명된 방법 및 시스템은 또한, 관련 데이터 입력으로 재훈련하고 관련 성공 기준을 고려한 후에, 신장 신경 제거와 같은 다른 의료 응용에서 사용될 수 있다.
이에 따라 전술된 실시예는 예로서 언급된다는 것, 그리고 본 발명은 위에서 상세히 도시되고 설명된 것으로 제한되지 않는다는 것이 인식될 것이다. 오히려, 본 발명의 범위는 전술된 다양한 특징들의 조합 및 하위-조합 둘 모두뿐만 아니라, 전술한 설명을 읽을 때 당업자에게 떠오를 그리고 종래 기술에서 개시되지 않은 그의 변형 및 수정을 포함한다. 본 특허 출원에 참고로 포함되는 문헌은, 임의의 용어가 이러한 포함되는 문헌에서 본 명세서에 명시적으로 또는 암시적으로 이루어진 정의와 상충되는 방식으로 정의되는 경우에, 본 명세서 내의 정의만이 고려되어야 한다는 점을 제외하고는, 본 출원의 필요불가결한 부분으로 고려되어야 한다.

Claims (22)

  1. 심장 절제(cardiac ablation)를 안내하기 위한 시스템으로서,
    환자의 심장의 영역에 적용된 초기 절제 동작을 특성화하는 데이터를 수신하도록 구성된 인터페이스; 및
    상기 수신된 데이터에 기초하여, 상기 영역에 적용될 상호보완적 절제 동작을 자동으로 지정하도록 구성된 프로세서
    를 포함하는, 심장 절제를 안내하기 위한 시스템.
  2. 제1항에 있어서, 상기 프로세서는, 상기 초기 절제 동작의 질(quality)을 평가하고, 상기 초기 절제 동작의 상기 질이 질 기준(quality criterion)을 충족시키지 않음을 발견하는 것에 응답하여 상기 상호보완적 절제 동작을 지정함으로써 상기 상호보완적 절제를 지정하도록 구성되는, 심장 절제를 안내하기 위한 시스템.
  3. 제1항에 있어서, 상기 초기 절제 동작을 특성화하는 상기 데이터는,
    병변 깊이,
    병변 반경,
    병변 장축,
    병변 단축,
    병변 3D 위치,
    병변 해부학적 위치, 및
    병변 표면적
    중 적어도 하나를 포함하는, 심장 절제를 안내하기 위한 시스템.
  4. 제1항에 있어서, 상기 상호보완적 절제 동작의 지정 시에, 상기 프로세서는 반복 절제를 위한 위치를 지정하도록 구성되는, 심장 절제를 안내하기 위한 시스템.
  5. 제1항에 있어서, 상기 상호보완적 절제 동작의 지정 시에, 상기 프로세서는 절제 지점들의 세그먼트에 간극(gap)을 표시하도록 구성되는, 심장 절제를 안내하기 위한 시스템.
  6. 제1항에 있어서, 상기 상호보완적 절제 동작의 지정 시에, 상기 프로세서는 추가 절제가 절제 지점들의 세그먼트에 근접하여 수행되어야 함을 실시간으로 지정하도록 구성되는, 심장 절제를 안내하기 위한 시스템.
  7. 제1항에 있어서, 상기 상호보완적 절제 동작의 지정 시에, 상기 프로세서는 상기 상호보완적 절제에서 사용될 하나 이상의 절제 파라미터들의 값들을 지정하도록 추가로 구성되는, 심장 절제를 안내하기 위한 시스템.
  8. 제1항에 있어서, 상기 초기 절제 동작을 특성화하는 상기 데이터는,
    신체 표면 심전도(ECG) 신호,
    신체 표면 ECG 신호에 있어서의 변화,
    심장내 ECG 신호,
    심장내 ECG 신호에 있어서의 변화,
    절제 전극의 임피던스,
    절제 전극의 임피던스에 있어서의 변화,
    절제된 조직의 온도,
    절제된 조직의 온도의 변화,
    절제된 조직에 대한 힘,
    절제된 조직에 대한 힘의 변화,
    절제 카테터(ablation catheter) 유형,
    절제 지점의 3D 위치,
    절제 지점의 예측된 해부학적 위치,
    절제 지점의 절제 지속시간,
    세척 속도(rate of irrigation), 및
    절제 동안 전달된 전력
    중 적어도 하나를 포함하는, 심장 절제를 안내하기 위한 시스템.
  9. 제8항에 있어서, 상기 초기 절제 동작을 특성화하는 상기 데이터는,
    절제된 조직의 초음파 반사에 있어서의 변화, 및
    절제된 조직의 자기 공명 이미지(MRI)에 있어서의 변화
    중 하나 또는 둘 모두를 포함하는, 심장 절제를 안내하기 위한 시스템.
  10. 제1항에 있어서, 상기 프로세서는 훈련된 기계 학습(ML) 모델을 적용함으로써 상기 상호보완적 절제 동작을 자동으로 지정하도록 구성되는, 심장 절제를 안내하기 위한 시스템.
  11. 제10항에 있어서, 상기 ML 모델은 자동 인코더(autoencoder), 변이형 자동 인코더(variational autoencoder), GAN(general adversarial network), 랜덤 포레스트(random forest, RF), 감독형 ML(supervised ML), 및 강화 ML(reinforcement ML) 중 적어도 하나를 포함하는, 심장 절제를 안내하기 위한 시스템.
  12. 심장 절제를 안내하기 위한 방법으로서,
    환자의 심장의 영역에 적용된 초기 절제 동작을 특성화하는 데이터를 수신하는 단계; 및
    프로세서에 의해, 상기 수신된 데이터에 기초하여, 상기 영역에 적용될 상호보완적 절제 동작을 자동으로 지정하는 단계
    를 포함하는, 심장 절제를 안내하기 위한 방법.
  13. 제12항에 있어서, 상기 상호보완적 절제를 지정하는 단계는, 상기 초기 절제 동작의 질을 평가하고, 상기 초기 절제 동작의 상기 질이 질 기준을 충족시키지 않음을 발견하는 것에 응답하여 상기 상호보완적 절제 동작을 지정하는 단계를 포함하는, 심장 절제를 안내하기 위한 방법.
  14. 제12항에 있어서, 상기 초기 절제 동작을 특성화하는 상기 데이터는,
    병변 깊이,
    병변 반경,
    병변 장축,
    병변 단축,
    병변 3D 위치,
    병변 해부학적 위치, 및
    병변 표면적
    중 적어도 하나를 포함하는, 심장 절제를 안내하기 위한 방법.
  15. 제12항에 있어서, 상기 상호보완적 절제 동작을 지정하는 단계는 반복 절제를 위한 위치를 지정하는 단계를 포함하는, 심장 절제를 안내하기 위한 방법.
  16. 제12항에 있어서, 상기 상호보완적 절제 동작을 지정하는 단계는 절제 지점들의 세그먼트에 간극을 표시하는 단계를 포함하는, 심장 절제를 안내하기 위한 방법.
  17. 제12항에 있어서, 상기 상호보완적 절제 동작을 지정하는 단계는 절제 지점들의 세그먼트에 근접하여 수행되어야 하는 추가 절제를 실시간으로 지정하는 단계를 포함하는, 심장 절제를 안내하기 위한 방법.
  18. 제12항에 있어서, 상기 상호보완적 절제 동작을 지정하는 단계는 상기 상호보완적 절제 동작에서 사용될 하나 이상의 절제 파라미터들의 값들을 지정하는 단계를 포함하는, 심장 절제를 안내하기 위한 방법.
  19. 제12항에 있어서, 초기 절제 동작을 특성화하는 상기 데이터는,
    신체 표면 심전도(ECG) 신호,
    신체 표면 ECG 신호에 있어서의 변화,
    심장내 ECG 신호,
    심장내 ECG 신호에 있어서의 변화,
    절제 전극의 임피던스,
    절제 전극의 임피던스에 있어서의 변화,
    절제된 조직의 온도,
    절제된 조직의 온도의 변화,
    절제된 조직에 대한 힘,
    절제된 조직에 대한 힘의 변화,
    절제 카테터 유형,
    절제 지점의 3D 위치,
    절제 지점의 예측된 해부학적 위치,
    각각의 지점의 절제 지속시간,
    세척 속도, 및
    절제 동안 전달된 전력
    중 적어도 하나를 포함하는, 심장 절제를 안내하기 위한 방법.
  20. 제19항에 있어서, 상기 초기 절제 동작을 특성화하는 상기 데이터는,
    절제된 조직의 초음파 반사에 있어서의 변화, 및
    절제된 조직의 자기 공명 이미지(MRI)에 있어서의 변화
    중 하나 또는 둘 모두를 포함하는, 심장 절제를 안내하기 위한 방법.
  21. 제12항에 있어서, 상기 상호보완적 절제 동작을 자동으로 지정하는 단계는 훈련된 기계 학습(ML) 모델을 적용하는 단계를 포함하는, 심장 절제를 안내하기 위한 방법.
  22. 제21항에 있어서, 상기 ML 모델은 자동 인코더, 변이형 자동 인코더, GAN(general adversarial network), 랜덤 포레스트(RF), 감독형 ML, 및 강화 ML 중 적어도 하나를 포함하는, 심장 절제를 안내하기 위한 방법.
KR1020200122393A 2019-09-22 2020-09-22 기계 학습(ml)을 이용한 심장 절제의 안내 KR20210036278A (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962903850P 2019-09-22 2019-09-22
US62/903,850 2019-09-22
US17/016,608 US20210085387A1 (en) 2019-09-22 2020-09-10 Guiding cardiac ablation using machine learning (ml)
US17/016,608 2020-09-10

Publications (1)

Publication Number Publication Date
KR20210036278A true KR20210036278A (ko) 2021-04-02

Family

ID=72603414

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200122393A KR20210036278A (ko) 2019-09-22 2020-09-22 기계 학습(ml)을 이용한 심장 절제의 안내

Country Status (6)

Country Link
US (1) US20210085387A1 (ko)
EP (1) EP3795078A1 (ko)
JP (1) JP2021049341A (ko)
KR (1) KR20210036278A (ko)
CN (1) CN112617999A (ko)
IL (1) IL277420A (ko)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190314083A1 (en) 2018-04-11 2019-10-17 Biosense Webster (Israel) Ltd. Flexible Multi-Arm Catheter with Diametrically Opposed Sensing Electrodes
US11045628B2 (en) 2018-12-11 2021-06-29 Biosense Webster (Israel) Ltd. Balloon catheter with high articulation
US11850051B2 (en) 2019-04-30 2023-12-26 Biosense Webster (Israel) Ltd. Mapping grid with high density electrode array
US11950930B2 (en) 2019-12-12 2024-04-09 Biosense Webster (Israel) Ltd. Multi-dimensional acquisition of bipolar signals from a catheter
US11517218B2 (en) 2019-12-20 2022-12-06 Biosense Webster (Israel) Ltd. Selective graphical presentation of electrophysiological parameters
EP4110216A1 (en) * 2020-02-26 2023-01-04 Covidien LP Energy based surgical systems and methods based on an artificial-intelligence learning system
US11987017B2 (en) 2020-06-08 2024-05-21 Biosense Webster (Israel) Ltd. Features to assist in assembly and testing of devices
US20220036560A1 (en) * 2020-07-30 2022-02-03 Biosense Webster (Israel) Ltd. Automatic segmentation of anatomical structures of wide area circumferential ablation points
US11950841B2 (en) 2020-09-22 2024-04-09 Biosense Webster (Israel) Ltd. Basket catheter having insulated ablation electrodes and diagnostic electrodes
US11950840B2 (en) 2020-09-22 2024-04-09 Biosense Webster (Israel) Ltd. Basket catheter having insulated ablation electrodes
US11974803B2 (en) 2020-10-12 2024-05-07 Biosense Webster (Israel) Ltd. Basket catheter with balloon
US11918383B2 (en) 2020-12-21 2024-03-05 Biosense Webster (Israel) Ltd. Visualizing performance of catheter electrodes
CN114145838B (zh) * 2021-05-28 2024-03-15 南京邮电大学 一种心脏射频消融导管系统
WO2023286336A1 (ja) * 2021-07-13 2023-01-19 オリンパス株式会社 システム、プログラム及び判定方法
CN114271927B (zh) * 2021-12-19 2023-10-17 复旦大学 可实时预测心律失常射频消融损伤深度的方法及射频消融仪
US20230404677A1 (en) 2022-06-20 2023-12-21 Biosense Webster (Israel) Ltd. Applying ablation signals to both sides of tissue
US20240138906A1 (en) * 2022-10-28 2024-05-02 Biosense Webster (Israel) Ltd. Alignment Aid for Ablation Procedures

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8456182B2 (en) 2008-09-30 2013-06-04 Biosense Webster, Inc. Current localization tracker
US9277970B2 (en) 2012-07-19 2016-03-08 Siemens Aktiengesellschaft System and method for patient specific planning and guidance of ablative procedures for cardiac arrhythmias
US9463072B2 (en) 2013-08-09 2016-10-11 Siemens Aktiengesellschaft System and method for patient specific planning and guidance of electrophysiology interventions
US10881455B2 (en) * 2015-05-12 2021-01-05 Navix International Limited Lesion assessment by dielectric property analysis
EP3294127A1 (en) * 2015-05-12 2018-03-21 Navix International Limited Systems and methods for tracking an intrabody catheter
WO2018130976A1 (en) * 2017-01-12 2018-07-19 Navix International Limited Estimation of effectiveness of ablation adjacency
US11622713B2 (en) * 2016-11-16 2023-04-11 Navix International Limited Estimators for ablation effectiveness
WO2019111180A1 (en) * 2017-12-05 2019-06-13 Navix International Limited Electrophysiology procedure without ionizing radiation imaging

Also Published As

Publication number Publication date
RU2020130901A (ru) 2022-03-21
JP2021049341A (ja) 2021-04-01
EP3795078A1 (en) 2021-03-24
US20210085387A1 (en) 2021-03-25
CN112617999A (zh) 2021-04-09
RU2020130901A3 (ko) 2022-03-21
IL277420A (en) 2021-03-25

Similar Documents

Publication Publication Date Title
US20210085387A1 (en) Guiding cardiac ablation using machine learning (ml)
US20210085215A1 (en) Ecg-based cardiac wall thickness estimation
US10485438B2 (en) System and method for targeting heart rhythm disorders using shaped ablation
CN104840197B (zh) 用于自动定位生物节律紊乱的源的机器和过程
EP3744282A2 (en) Systems for improving cardiac ablation procedures
JP2022042009A (ja) 心臓マッピングのための不整脈分類
KR20240017356A (ko) 신체 내 에너지 전달 컴포넌트의 이식 안내
US20220039730A1 (en) System and method to detect and identify cardiac pace-mapping sites and pacing maneuvers
RU2779871C2 (ru) Направляемая абляция сердца с использованием машинного обучения (ml)
US20220036555A1 (en) Automatically identifying scar areas within organic tissue using multiple imaging modalities
JP2023015009A (ja) パーソナライズされた治療計画のための生存決定木グラフ
US20220378292A1 (en) Electrical activity-based procedure guidance
JP2022031229A (ja) アブレーションインデックス計算を最適化するために機械学習アルゴリズムを利用する心臓不整脈を治療するための装置
JP2021194543A (ja) 心房細動
AU2018265591B2 (en) Method of segmentation of a three-dimensional image for generating a model of a myocardial wall for the detection of at least one singular zone of electrical circulation
US20230146716A1 (en) Digital twin of atria for atrial fibrillation patients
US20220181024A1 (en) Catheter structure examination and optimization using medical procedure information
US20220238203A1 (en) Adaptive navigation and registration interface for medical imaging
CN114532979A (zh) 基于恒定荧光镜快照的配准几何形状重建

Legal Events

Date Code Title Description
A201 Request for examination