TW202128247A - 將介電性質與患者模型相關聯的方法，系統和設備 - Google Patents

Abstract

本發明描述用於使介電性質與一患者模型相關聯之方法、系統及設備。

Description

將介電性質與患者模型相關聯的方法，系統和設備

本申請案與用於將介電性質與患者模型相關聯的方法，系統和設備相關。相關專利申請案之交互參考

本申請案主張2019年12月31日申請之美國臨時申請案第62/955,752號的優先權，該臨時申請案以全文引用之方式併入本文中。

腫瘤治療電場或TTFields為中頻範圍（100至300 kHz）內之低強度（例如，1至3 V/cm）交流電場。此非侵入性治療之目標為實體腫瘤且描述於美國專利第7,565,205號中，該專利以全文引用之方式併入本文中。TTFields經由在有絲分裂期間與關鍵分子之物理相互作用以破壞細胞分裂。TTFields療法為用於復發性神經膠母細胞瘤（recurrent glioblastoma）之經批准單一治療，及用於新診斷患者之經批准的與化學療法之組合療法。此等電場藉由直接置放於患者頭皮上之傳感器陣列（亦即，電極陣列）而非侵入性地誘發。TTFields亦看起來有益於治療身體其他部分中之腫瘤。當計劃治療以瞭解電場是否被遞送至患者內之目標區而使得TTFields劑量（電場強度及功率）為有效的時，模擬電場為重要的。模擬需要具有指派給每一不同組織類型之介電性質的複雜三維（three-dimensional；3D）模型。將介電性質映射至3D模型係經由涉及分段及組織類型標示之程序（諸如，擴散張量成像MRI資料（Diffusion Tensor Imaging MRI data；DTI）及/或水電性質斷層攝影術（Water Electric Property Tomography；wEPT））執行。此類分段及標示程序基於由3D模型所表示之試樣內的各種組織類型而產生具有變化之準確度的結果。

描述包含以下步驟之方法：判定與複數個患者相關聯之複數個影像資料集，其中每一患者與自對患者之一部分進行成像所導出的影像資料集相關聯，其中每一影像資料集包含複數個體素（voxel），其中運用介電性質資訊來標示複數個體素中之每一體素；基於複數個影像資料集之第一部分及與複數個體素中對應於複數個影像資料集之第一部分之每一體素相關聯的介電性質資訊而判定用於預測模型之複數個特徵；基於複數個特徵以及複數個影像資料集之第一部分而訓練預測模型，其中該預測模型經組態以針對與影像相關聯之複數個體素中的每一體素而判定介電性質資訊；基於複數個影像資料集之第二部分而測試預測模型；及基於測試而輸出預測模型。

亦描述包含以下步驟之方法：針對患者而判定影像資料集，其中該影像資料集包含複數個體素；呈現予經訓練以針對與影像相關聯之複數個體素中之每一體素而判定介電性質資訊的預測模型；及藉由預測模型針對與影像資料集相關聯之複數個體素中之每一體素而判定介電性質資訊。

額外優點將部分地闡述於以下描述中或可藉由實踐來習得。該等優點將藉助於在所附申請專利範圍中特別指出之要素及組合來實現及獲得。應理解，前述一般描述及以下詳細描述僅為例示性及解釋性的且並非限制性的。

在記載及描述本發明方法及系統之前，應理解，該等方法及系統不限於特定方法、特定組件或特定實施方案。亦應理解，本文中所使用之術語僅出於描述特定具體實例之目的且不意欲為限制性的。

除非上下文另外清楚地指示，否則如本說明書及隨附申請專利範圍中所使用，單數形式「一（a/an）」及「該（the）」包括複數個指示物。範圍可在本文中表達為「約」一個特定值及/或至「約」另一特定值。當表達此範圍時，另一具體實例包括自一個特定值及/或至另一特定值。類似地，當藉由使用前綴「約」將值表達為近似值時，應理解，特定值形成另一具體實例。將進一步理解，範圍中之每一者的端點相對於另一端點及獨立於另一端點均為重要的。

術語「可選」或「視情況」意謂隨後所描述之事件或情形可能發生或可能不發生，且該描述包括該事件或情形發生之情況及該事件或情形不發生之情況。

貫穿本說明書之描述及申請專利範圍，詞「包含（comprise）」及該詞之變體（諸如，「包含（comprising）」及「包含（comprises）」）意謂「包括但不限於」，且並不意欲排除例如其他組件、整體或步驟。「例示性」意謂「實例」且不意欲傳達較佳或理想具體實例之指示。「諸如」不在限制性意義上使用但用於解釋性目的。

茲記載可用以執行所記載之方法及系統的組件。本文中記載此等及其他組件，且應理解，當記載此等組件之組合、子集、相互作用、群組等時，雖然可能未明確地記載此等組件之每種個別及集體組合以及排列的特定參考，但對於所有方法及系統，每一者均特定地涵蓋且描述於本文中。此適用於本申請案之所有態樣，包括但不限於所記載方法中之步驟。因此，若存在可執行的多個額外步驟，則應理解，此等額外步驟中的每一者可運用所記載方法的任何特定具體實例或具體實例組合來執行。

可參考較佳具體實例及包括於其中之實例的以下詳細描述以及圖式及其先前及以下描述而更容易地理解本發明方法及系統。

如所屬技術領域中具有通常知識者將瞭解，方法及系統可採取完全硬體具體實例、完全軟體具體實例或組合軟體態樣與硬體態樣之具體實例的形式。此外，方法及系統可採取電腦可讀取儲存媒體上之電腦程式產品的形式，該儲存媒體具有體現於其中之電腦可讀取程式指令（例如，電腦軟體）。更特定而言，本發明方法及系統可採取網頁實施電腦軟體之形式。可利用任何合適的電腦可讀取儲存媒體，包括硬碟、CD-ROM、光學儲存裝置或磁性儲存裝置。

方法及系統之具體實例在下文參看方法、系統、設備及電腦程式產品之方塊圖及流程圖說明來描述。應理解，方塊圖及流程圖說明之每一區塊以及方塊圖及流程圖說明中之區塊的組合可藉由電腦程式指令分別地實施。可將此等電腦程式指令載入至通用電腦、專用電腦或其他可程式化資料處理設備上以產生機器，使得在電腦或其他可程式化資料處理設備上執行之指令建立用於實施一或多個流程圖區塊中所指定之功能的部件。

亦可將此等電腦程式指令儲存於電腦可讀取記憶體中，該電腦可讀取記憶體可指導電腦或其他可程式化資料處理設備以特定方式起作用，使得儲存於電腦可讀取記憶體中之該等指令產生製品，該製品包括用於實施一或多個流程圖區塊中所指定之功能的電腦可讀取指令。該等電腦程式指令亦可載入至電腦或其他可程式化資料處理設備上以使一系列操作步驟在該電腦或其他可程式化設備上執行從而產生電腦實施處理程序，使得在該電腦或其他可程式化設備上執行之指令提供用於實施一或多個流程圖區塊中所指定之功能的步驟。

因此，方塊圖及流程圖說明之區塊支援用於執行所指定功能之部件的組合、用於執行所指定功能之步驟的組合及用於執行所指定功能之程式指令部件。亦應理解，方塊圖及流程圖說明中之每一區塊以及方塊圖及流程圖說明中之區塊之組合可藉由執行指定功能或步驟的基於專用硬體之電腦系統或專用硬體與電腦指令之組合來實施。

TTFields（在本文中亦被稱作交流電場）經建立為抗有絲分裂癌症治療模態，此係因為其在中期期間干擾適當微管結合且在分裂末期及細胞質分裂期間最終破壞細胞。功效隨著電場強度增加而增加，且最佳頻率取決於癌細胞株，其中200 kHz為由TTFields所引起以抑制神經膠質瘤細胞生長之最高的頻率。對於癌症治療，開發具有電容耦合式傳感器之非侵入性裝置，例如對於具有多形性膠質母細胞瘤（GBM）（其為人類最常見的原發性惡性腦腫瘤）之患者，該等傳感器直接置放於接近腫瘤的皮膚區處。

因為TTFields之效應係定向的，其中平行於電場之細胞分裂受影響多於在其他方向上之細胞分裂，且因為細胞在所有方向上分裂，因此TTFields典型地經由在受治療腫瘤內產生垂直電場之兩對傳感器陣列來遞送。更具體而言，一對傳感器陣列可位於腫瘤之左側及右側（LR），且另一對傳感器陣列可位於腫瘤之前部及後部（AP）。在此等兩個方向（亦即，LR及AP）之間循環電場以確保最大細胞定向範圍係標靶性的。預期傳感器陣列之其他位置超出垂直電場。在一具體實例中，預期三個傳感器陣列之不對稱定位，其中三個傳感器陣列之一對可遞送交流電場，且接著三個傳感器陣列之另一對可遞送交流電場，且三個傳感器陣列之其餘配對可遞送交流電場。

活體內及活體外研究展示TTFields療法之功效隨電場強度增加而增加。因此，最佳化患者頭皮上之陣列置放以增加腦患病區的強度係用於Optune系統之標準實踐。陣列置放最佳化可藉由「經驗法則」（例如，儘可能接近腫瘤將陣列置放於頭皮上）、描述患者頭部之幾何結構的量測值、腫瘤尺寸及/或腫瘤部位來執行。用作輸入之量測值可自成像資料導出。成像資料意欲包括任何類型的視覺資料，例如單光子發射電腦斷層攝影術（single-photon emission computed tomography；SPECT）影像資料、x射線電腦斷層攝影術（x射線CT）資料、磁共振成像（magnetic resonance imaging；MRI）資料、正電子發射斷層攝影術（positron emission tomography；PET）資料、可由光學儀器（例如，照相攝影機、電荷耦合裝置（charge-coupled device；CCD）攝影機、紅外線攝影機等）俘獲的資料及其類似者。在某些實施方案中，影像資料可包括自3D掃描器獲得或藉由3D掃描器產生的3D資料（例如，點雲資料）。最佳化可依賴於電場如何依據陣列之位置而在頭部內分佈的理解，且在一些態樣中，考慮在不同患者之頭部內的電性質分佈之變化。

圖 1 展示用於電療式治療之實例設備100 。一般而言，設備100 可為透過非侵入性表面傳感器陣列以在體內產生交流電場的攜帶型電池或電源供應操作式裝置。設備100 可包含電場產生器102 及一或多個傳感器陣列104 。設備100 可經組態以經由電場產生器102 產生腫瘤治療電場（TTFields）（例如在150 kHz下）且經由一或多個傳感器陣列104 將TTFields提供至身體區域。電場產生器102 可為電池及/或電源供應操作式裝置。在一具體實例中，一或多個傳感器陣列104 均勻地塑形。在一具體實例中，一或多個傳感器陣列104 未均勻地塑形。

電場產生器102 可包含與信號產生器108 通信的處理器106 。電場產生器102 可包含經組態以用於控制處理器106 及信號產生器108 之效能的控制軟體110 。

信號產生器108 可產生呈波形或脈衝列之形狀的一或多個電信號。信號產生器108 可經組態以產生介於約50 kHz至約500 kHz（較佳約100 kHz至約300 kHz）之範圍內的頻率下的交流電壓波形（例如TTFields）。電壓使得待治療之組織中的電場強度介於約0.1 V/cm至約10 V/cm之範圍內。

電場產生器102 之一或多個輸出端114 可耦接至一或多根導電引線112 ，該一或多根導電引線在其一個末端附接至信號產生器108 。導電引線112 之相對末端連接至藉由電信號（例如，波形）啟動的一或多個傳感器陣列104 。導電引線112 可包含具有可撓性金屬屏蔽罩之標準隔離導體，且可經接地以防止藉由導電引線112 產生的電場之散佈。一或多個輸出端114 可依序操作。信號產生器108 之輸出參數可包含例如電場之強度、波之頻率（例如，治療頻率），及一或多個傳感器陣列104 之最高容許溫度。輸出參數可藉由控制軟體110 結合處理器106 來設定及/或判定。在判定所要（例如，最佳）治療頻率之後，控制軟體110 可使處理器106 將控制信號發送至信號產生器108 ，該控制信號使信號產生器108 將所要治療頻率輸出至一或多個傳感器陣列104 。

一或多個傳感器陣列104 可以多種形狀及位置進行組態，以在目標體積處產生所要組態、方向及強度的電場，從而聚焦治療。一或多個傳感器陣列104 可經組態以遞送穿過所關注體積之兩個垂直電場方向。

一或多個傳感器陣列104 陣列可包含一或多個電極116 。一或多個電極116 可由具有高介電常數之任何材料製成。一或多個電極116 可包含例如一或多個絕緣陶瓷盤。電極116 可為生物相容的且耦接至可撓性電路板118 。電極116 可經組態以不與皮膚直接接觸，此係因為電極116 藉由一層導電水凝膠（圖中未示）（類似於心電圖墊上所見的水凝膠）與皮膚分開。

電極116 、水凝膠及可撓性電路板118 可附接至低過敏性醫療黏著劑繃帶120 以將一或多個傳感器陣列104 保持在身體上之適當位置且與皮膚連續直接接觸。每一傳感器陣列104 可包含用以量測在傳感器陣列104 下方之皮膚溫度的一或多個熱敏電阻（圖中未示），例如8個熱敏電阻（準確度±1℃）。熱敏電阻可經組態以週期性地（例如，每秒）量測皮膚溫度。熱敏電阻可藉由控制軟體110 來讀取，而TTFields並不被遞送以避免對溫度量測之任何干擾。

若所量測之溫度低於在兩個後續量測之間的預設最高溫度（Tmax）（例如，38.5至40.0℃±0.3℃），則控制軟體110 可增加電流直至電流到達最大治療電流（例如，峰值間為4安培）。若溫度到達Tmax+0.3℃且持續上升，則控制軟體110 可降低電流。若溫度上升至41℃，則控制軟體110 可關閉TTFields療法且過熱警報可被觸發。

一或多個傳感器陣列104 之大小可變化且可基於患者身體大小及/或不同療法治療而包含不同數目個電極116 。舉例而言，在患者胸部之情形中，小傳感器陣列可各自包含13個電極，且大傳感器陣列可各自包含20個電極，其中該等電極在每一陣列中串聯地互連。舉例而言，如圖 2 中所展示，在患者頭部之情形中，每一傳感器陣列可各自包含9個電極，其中電極在每一陣列中串聯地互連。

涵蓋且亦可使用一或多個傳感器陣列104 之替代構造，包括例如使用並非圓盤形之陶瓷元件的傳感器陣列，及使用定位於複數個扁平導體上方之非陶瓷介電材料的傳感器陣列。後者之實例包括安置於印刷電路板上之襯墊上方或扁平金屬片上方的聚合物膜。亦可使用其中所用電極元件並非電容耦合式的傳感器陣列。在此情形下，將使用導電材料之區來實施傳感器陣列之每一元件，該區經組態以緊靠受試者/患者身體置放，其中在導電元件與身體之間不安置絕緣介電層。亦可使用用於實施傳感器陣列之其他替代構造。任何傳感器陣列（或類似裝置/組件）組態、配置、類型及/或其類似者可用於本文中所描述之方法及系統，只要傳感器陣列（或類似裝置/組件）組態、配置、類型及/或其類似者（a）能夠將TTFields遞送至受試者/患者身體及（b）且可定位、配置及/或置放於患者/受試者身體的一部分上，如本文中所描述。

設備100 之狀態及所監測參數可儲存於記憶體（圖中未示）中且可經由有線或無線連接來傳送至運算裝置。設備100 可包含用於顯示視覺指示器（諸如，通電、治療、警報及低電池）的顯示器（圖中未示）。

圖 3A 及圖 3B 說明設備100 之實例應用。展示傳感器陣列104a 及傳感器陣列104b ，其各自分別併入至低過敏性醫療黏著劑繃帶120a 及120b 中。低過敏性醫療黏著劑繃帶120a 及120b 經施加至皮膚表面302 。腫瘤304 位於皮膚表面302 及骨組織306 下方且位於腦組織308 內。電場產生器102 使傳感器陣列104a 及傳感器陣列104b 在腦組織308 內產生交流電場310 ，該交流電場中斷由腫瘤304 之癌細胞所展現的快速細胞分裂。交流電場310 已展示於非臨床實驗中以抑制腫瘤細胞增殖及/或破壞腫瘤細胞。交流電場310 之使用利用分裂癌細胞之特殊特性、幾何形狀及速率，此使得其容易受到交流電場310 之影響。交流電場310 在中頻（約100至300 kHz）下更改其極性。用於特殊治療之頻率可特定於被治療的細胞類型（例如，用於MPM之150 kHz）。交流電場310 已展示為將有絲分裂紡錘體微管結合中斷且在細胞質分裂期間導致細胞內大分子及胞器的介電泳錯位。此等過程導致細胞膜之物理破裂且導致計劃性細胞死亡（細胞凋亡）。

因為交流電場310 之效應係定向的，其中平行於電場之細胞分裂受影響多於在其他方向上之細胞分裂，且因為細胞在所有方向上分裂，因此交流電場310 可經由在受治療腫瘤內產生垂直電場之兩對傳感器陣列104 來遞送。更具體而言，一對傳感器陣列104 可位於腫瘤之左側及右側（LR），且另一對傳感器陣列104 可位於腫瘤之前部及後部（AP）。在此等兩個方向（亦即，LR及AP）之間循環交流電場310 以確保最大細胞定向範圍係標靶性的。在一具體實例中，交流電場310 可根據傳感器陣列104 之對稱設置（例如，總計四個傳感器陣列104 ，兩個匹配配對）而遞送。在另一具體實例中，交流電場310 可根據傳感器陣列104 之不對稱設置（例如，總計三個傳感器陣列104 ）而遞送。傳感器陣列104 之不對稱設置可嚙合三個傳感器陣列104 中之兩個以遞送交流電場310 ，且接著切換至三個傳感器陣列104 中之另外兩個以遞送交流電場310 ，及其類似者。

活體內及活體外研究展示TTFields療法之功效隨電場強度增加而增加。所描述的方法、系統及設備經組態以用於最佳化患者頭皮上之陣列置放以增加腦患病區中的強度。

如圖 4A 中所展示，傳感器陣列104 可置放於患者頭部上。如圖 4B 中所展示，傳感器陣列104 可置放於患者腹部上。如圖 5A 中所展示，傳感器陣列104 可置放於患者軀幹上。如圖 5B 中所展示，傳感器陣列104 可置放於患者骨盆上。特定地涵蓋傳感器陣列104 在患者身體的其他部分（例如，臂、腿等）上的置放。

圖 6 為描繪包含患者支援系統602 之系統600 之非限制性實例的方塊圖。患者支援系統602 可包含經組態以操作及/或儲存電場產生器（electric field generator；EFG）組態應用程式606 、患者模型化應用程式608 及/或成像資料610 的一個或多個電腦。患者支援系統602 可包含例如運算裝置。患者支援系統602 可包含例如膝上型電腦、桌上型電腦、行動電話（例如，智慧型手機）、平板電腦及其類似者。

患者模型化應用程式608 可經組態以根據成像資料610 來產生患者身體之一部分的三維模型（例如，患者模型）。成像資料610 可包含任何類型的視覺資料，例如單光子發射電腦斷層攝影術（SPECT）影像資料、x射線電腦斷層攝影術（x射線CT）資料、磁共振成像（MRI）資料、正電子發射斷層攝影術（PET）資料、可由光學儀器（例如，照相攝影機、電荷耦合裝置（CCD）攝影機、紅外線攝影機等）俘獲的資料及其類似者。在某些實施方案中，影像資料可包括自3D掃描器獲得或藉由3D掃描器產生的3D資料（例如，點雲資料）。患者模型化應用程式608 亦可經組態以基於患者模型及一或多個電場模擬來產生三維陣列佈局圖。

為了適當地最佳化在患者身體之一部分上的陣列置放，成像資料610 （諸如，MRI成像資料）可藉由患者模型化應用程式608 分析以識別包含腫瘤的所關注區。在患者頭部之情形中，為界定電場如何在人頭部內表現及分散的特徵，可使用基於使用有限元素方法（FEM）模擬之解剖頭部模型的模型化構架。此等模擬基於磁共振成像（MRI）量測得到逼真的頭部模型且區劃組織類型，諸如頭部內的顱骨、白質、灰質及腦脊髓液（cerebrospinal fluid；CSF）。每一組織類型可經指派用於相對電導率及電容率之介電性質，且模擬可經運行，由此將不同傳感器陣列組態應用於模型之表面以理解預設頻率之經外部施加電場將在患者身體之任何部分（例如，腦）中如何分散。此等模擬（使用配對陣列組態、恆定電流及200 kHz之預設頻率）之結果已表明電場分佈在整個腦中為相對不均勻且超過1 V/cm之電場強度係在CSF除外的多數組織隔室中產生。假定在傳感器陣列-頭皮界面處具有1800毫安（mA）之峰值間值的總電流，則獲得此等結果。電場強度之此臨限值足以抑制神經膠母細胞瘤細胞株之細胞增殖。

另外，藉由操縱配對傳感器陣列之組態，有可能達成至如圖 7 中所展示的腦之特定區的幾乎三倍之電場強度。圖 7 說明根據有限元素方法模擬模型以冠狀面視圖展示之電場量值及分佈（以V/cm計）。此模擬使用左-右配對傳感器陣列組態。

在一態樣中，患者模型化應用程式608 可經組態以基於腫瘤之部位及範圍來判定用於患者之所要（例如，最佳）傳感器陣列佈局。舉例而言，初始形態測定頭部大小量測可使用軸向及冠狀面視圖自腦部MRI之T1序列來判定。對比後軸向及冠狀面MRI圖塊可經選擇以表明增強病灶之最大直徑。使用頭部大小及自預定基準標記至腫瘤邊界之距離的量測，可評估配對陣列佈局之不同排列及組合以產生將最大電場強度遞送至腫瘤位點的組態。如圖 8A 中所展示，輸出可為三維陣列佈局圖800 。三維陣列佈局圖800 可由患者及/或照護者用於在TTFields療法之正常過程期間在頭皮上配置陣列，如圖 8B 中所展示。

在一態樣中，患者模型化應用程式608 可經組態以判定用於患者之三維陣列佈局圖。可判定將接收傳感器陣列的患者之部分的MRI量測。作為實例，MRI量測可經由標準醫學數位成像及通信（Digital Imaging and Communications in Medicine；DICOM）查看器來接收。MRI量測判定可例如藉助於人工智慧技術而自動地執行，或可例如藉助於醫師而手動地執行。

手動MRI量測判定可包含經由DICOM查看器來接收及/或提供MRI資料。MRI資料可包含含有腫瘤之患者之部分的掃描。作為實例，在患者頭部之情形中，MRI資料可包含頭部之掃描，其包含以下各者中之一或多者：右額顳葉型腫瘤、右頂顳腫瘤、左額顳葉型腫瘤、左頂枕腫瘤及/或多灶中線腫瘤。圖 9A 、圖 9B 、圖 9C 及圖 9D 展示實例MRI資料，其展示患者頭部之掃描。圖 9A 展示含有最頂部影像之軸向T1序列圖塊，包括用以量測頭部大小之軌道。圖 9B 展示選擇在耳道層級處之影像的冠狀面T1序列圖塊，其用以量測頭部大小。圖 9C 展示對比後T1軸向影像，其展示用以量測腫瘤部位之最大增強腫瘤直徑。圖 9D 展示對比後T1冠狀面影像，其展示用以量測腫瘤部位之最大增強腫瘤直徑。MRI量測可自頭皮之外部邊界處之基準標記開始且沿切線方向自右方-前部-上方原點延伸。可自選擇仍包括軌道之最頂部影像（或在軌道之上方邊緣正上方的影像）的軸向T1 MRI序列來估計形態測定頭部大小。

在一態樣中，MRI量測可包含例如頭部大小量測及/或腫瘤量測中之一或多者。在一態樣中，一或多個MRI量測可經捨入至最接近的毫米且可經提供至傳感器陣列置放模組（例如，軟體）以用於分析。MRI量測可接著用以產生三維陣列佈局圖（例如，三維陣列佈局圖800 ）。

MRI量測可包含一或多個頭部大小量測，諸如：最大前後（A-P）頭部大小，自頭皮之外部邊界開始量測；垂直於A-P量測的頭部之最大寬度：右至左側向距離；及/或自頭皮之最右邊界至解剖中線的距離。

MRI量測可包含一或多個頭部大小量測，諸如冠狀面視圖頭部大小量測。冠狀面視圖頭部大小量測可在T1 MRI序列上獲得，其選擇在耳道之層級處的影像（圖 9B ）。冠狀面視圖頭部大小量測可包含以下各者中的一或多者：自頭皮之頂點至正交線的垂直量測，該正交線描繪顳葉之下方邊界；最大右至左側向頭部寬度；及/或自頭皮之最右邊界至解剖中線的距離。

MRI量測可包含一或多個腫瘤量測，諸如腫瘤部位量測。可使用T1對比後MRI序列而首先在展示最大增強腫瘤直徑之軸向影像上進行腫瘤部位量測（圖 9C ）。腫瘤部位量測可包含以下各者中的一或多者：最大A-P頭部大小，排除鼻子；垂直於A-P距離而量測的最大右至左側向直徑；自頭皮之右邊界至解剖中線的距離；平行於右至左側向距離且垂直於A-P量測而量測的自頭皮之右邊界至最近腫瘤邊界的距離；平行於右至左側向距離，垂直於A-P量測而量測的自頭皮之右邊界至最遠腫瘤邊界的距離；平行於A-P量測而量測的自頭部之前方至最近腫瘤邊界的距離；及/或平行於A-P量測而量測的自頭部之前方至最遠腫瘤邊界的距離。

一或多個腫瘤量測可包含冠狀面視圖腫瘤量測。冠狀面視圖腫瘤量測可包含識別特徵化腫瘤增強之最大直徑的對比後T1 MRI圖塊（圖9D）。冠狀面視圖腫瘤量測可包含以下各者中的一或多者：自頭皮之頂點至大腦之下方邊界的最大距離。在前部圖塊中，此將藉由在前額或顳葉之下方邊界處繪製的水平線來分界，且其次地，將延伸至可見幕之最低位準；最大右至左側向頭部寬度；自頭皮之右邊界至解剖中線的距離；自頭皮之右邊界至最近腫瘤邊界的距離，其平行於左右側向距離而量測；自頭皮之右邊界至最遠腫瘤邊界的距離，其平行於左右側向距離而量測；自頭部之頂點至最近腫瘤邊界之距離，其平行於上方頂點至下方大腦線而量測；及/或自頭部之頂點至最遠腫瘤邊界之距離，其平行於上方頂點至下方大腦線而量測。

特定而言，當腫瘤存在於患者身體之另一部分中時，可使用其他MRI來量測。

MRI量測可由患者模型化應用程式608 使用以產生患者模型。患者模型可接著用以判定三維陣列佈局圖（例如，三維陣列佈局圖800 ）。當建立患者模型時，腫瘤可根據患者MRI資料（例如，一或多個MRI量測）來分段。MRI資料之分段識別出每一體素中之組織類型，且電性質可基於經驗資料來指派給每一組織類型。表 1 展示可用於模擬中的組織之標準電性質。

表 1
組織類型	電導率 （S/m ）	相對電容率
頭皮	0.3	5000
顱骨	0.08	200
腦脊髓液	1.79	110
灰質	0.25	3000
白質	0.12	2000
增強腫瘤	0.24	2000
增強非腫瘤	0.36	1170
切除空腔	1.79	110
壞死腫瘤	1	110
血腫	0.3	2000
缺血	0.18	2500
萎縮	1	110
空氣	0	0

在一些情況下，患者模型化應用程式608 可使用人工智慧及/或機器學習以使介電性質與患者模型相關聯及/或判定可用於模擬（至患者之TTFields遞送的數值模擬）中之組織的介電性質（例如，標準電性質等）。舉例而言，來自複數個患者之醫學影像可用以訓練患者模型化應用程式608 （或任何其他預測模型），從而將一或多個介電性質（例如，電導率、相對電容率等）映射至組織類型（例如，組合皮膚及肌肉組織、顱骨/骨骼、腦脊髓液、灰質、白質、腫瘤/癌組織等）。醫學影像可包括自以下各者導出的影像：磁共振成像（MRI）、放射照相術、超音波、彈性成像、光聲成像、正電子發射斷層攝影術、超音波心動描記術、磁性粒子成像、功能性近紅外線光譜分析及/或任何其他成像技術。醫學影像可各自包括介電性質資訊，諸如在一組點（例如，不同組織部位等）處之電導率值。在一些情況下，可藉由自與影像相關聯之患者切除組織樣本及量測組織樣本之介電性質來針對每一影像而判定介電性質資訊（將介電性質資訊映射至每一影像）。其中有組織樣本被切除/收集之患者身體的每一部位、區域及/或區可與在影像中所表示之患者身體的同一部位、區域及/或區相關、相對應及/或相關聯。任何技術可用以追蹤、相關、對應及/或相關聯其中有組織樣本被切除/收集之患者身體的每一部位、區域及/或區與在影像中所表示之患者身體的同一部位、區域及/或區，諸如手術導航方法及/或其類似者。諸如所連接分量標示及/或其類似者的方法可用以將介電性質映射至在醫學影像中所表示之不同結構（例如，腫瘤等）及/或組織類型。舉例而言，諸如體素、像素及/或其類似者之影像中的標記可與其中有組織樣本被切除之患者之解剖結構中的切點相關。組織樣本之所量測/所判定之介電/電性質可形成與影像中之標記體素/像素相關聯的資料/資訊。舉例而言，標記體素/像素之對比度等級可用以判定與標記體素/像素相關聯之影像中的其他體素/像素。其他體素/像素可表示由標記體素/像素所表示之相同組織類型，諸如灰質、腦脊髓液及/或其類似者。與標記體素/像素相關聯之所量測/所判定之介電/電性質亦可與影像中之其他體素/像素相關聯及/或用以標示其他體素/像素。標記體素/像素及其他體素/像素之相關聯的對比度等級可用以識別在影像中所表示之各種組織結構及/或類型。醫學影像、針對每一影像而判定的相關聯之介電性質以及自每一影像提取之特徵可形成資料集，該資料集可訓練機器學習模型（例如，預測模型、患者模型化應用程式608 等）以將一或多個介電性質（例如，電導率、相對電容率等）映射至在影像中所表示之組織類型（例如，組合皮膚及肌肉組織、顱骨/骨骼、腦脊髓液、灰質、白質、腫瘤/癌組織等）。舉例而言，特徵可包括與影像之每一體素（或像素）相關聯的強度/色彩/照明及/或任何其他分量相關特徵、紋理圖/資訊及/或在影像中所表示之幾何特徵（例如，體積、圓度、偏斜度等）（例如，描述如腫瘤等）。在一些情況下，自每一影像提取之特徵可指示患者身體之特定區域，諸如頭部或軀幹，其中體素經標示以指示腫瘤之分段及不同組織類型，諸如：組合皮膚及肌肉組織、顱骨/骨骼、腦脊髓液、灰質及白質。影像之未標示體素可被視為空氣。應注意，資料集（或大資料集）可改變、修改及/或進行類似操作以包括與運算用於傳感器陣列佈局之電場相關的任何資料。該等特徵可包括自醫學影像提取之任何特徵、資料及/或資訊。可根據以來自廣泛多種患者之醫學影像之介電性質資訊及特徵所建立的多個資料集（或大資料集）而訓練機器學習模型。機器學習模型可使介電性質與患者模型相關聯。

如圖10 中所展示，系統1000 可使用機器學習技術以基於訓練模組1020 對一或多個訓練資料集1010A 至100N 進行之分析來訓練至少一個基於機器學習（ML）之分類器1030 ，此基於機器學習之分類器經組態以對自諸如三維（3D）影像之影像（例如，醫學影像等）提取之特徵進行分類，該等影像包含複數個體素。該等影像可包括自以下各者導出的影像：磁共振成像（MRI）、放射照相術、超音波、彈性成像、光聲成像、正電子發射斷層攝影術、超音波心動描記術、磁性粒子成像、功能性近紅外線光譜分析及/或任何其他成像技術。基於機器學習之分類器1030 可對自3D MRI影像提取之特徵進行分類，以使得能夠基於預測模型而快速地近似電場分佈。

一或多個訓練資料集1010A 至1010N 可包含所標示基線資料，諸如與影像之每一體素（或像素）相關聯的介電性質資訊、強度/色彩/照明及/或任何其他分量相關特徵、紋理圖/資訊，及/或在影像中所表示之幾何特徵（例如，體積、圓度、偏斜度等）（例如，描述如腫瘤等），及/或來自大量患者影像之類似資料。在一些情況下，所標示基線資料可包括所標示電場分佈、誘發療法性腫瘤治療電場之傳感器陣列位置及/或其類似者。標示資料可包括自患者身體之任何部分之影像提取的特徵。所標示基線資料可包括任何數目個特徵集（識別所提取特徵之所標示資料）。舉例而言，可運用諸如電導率值之介電性質資訊來標示3D影像之一組點（例如，不同組織部位等）處的體素。在一些情況下，可藉由在一組點處自與影像相關聯之患者切除組織樣本，及在諸如10 Hz至20 GHz之頻率範圍的不同頻率下量測組織樣本之介電性質，來判定介電性質資訊。其中有組織樣本被切除/收集之患者身體的每一部位、區域及/或區可與在影像中所表示之患者身體的同一部位、區域及/或區相關、相對應及/或相關聯。任何技術可用以追蹤、相關、對應及/或相關聯其中有組織樣本被切除/收集之患者身體的每一部位、區域及/或區與在影像中所表示之患者身體的同一部位、區域及/或區，諸如手術導航方法及/或其類似者。諸如所連接分量標示及/或其類似者的方法可用以將介電性質映射至在醫學影像中所表示之不同結構（例如，腫瘤等）及/或組織類型。舉例而言，諸如體素、像素及/或其類似者之影像中的標記可與其中有組織樣本被切除之患者之解剖結構中的切點相關。組織樣本之所量測/所判定之介電/電性質可形成與影像中之標記體素/像素相關聯的資料/資訊。舉例而言，標記體素/像素之對比度等級可用以判定與標記體素/像素相關聯之影像中的其他體素/像素。其他體素/像素可表示由標記體素/像素表示之相同組織類型，諸如灰質、腦脊髓液及/或其類似者。與標記體素/像素相關聯之所量測/所判定之介電/電性質亦可與影像中之其他體素/像素相關聯及/或用以標示其他體素/像素。標記體素/像素及其他體素/像素之相關聯的對比度等級可用以識別在影像中所表示之各種組織結構及/或類型。

所標示基線資料可儲存於一或多個資料庫中。可將每一患者之資料隨機地指派給訓練資料集或測試資料集。在一些實施方案中，資料至訓練資料集或測試資料集之指派可能並非完全隨機的。在此狀況下，可在指派期間使用一或多個準則，諸如確保可在訓練及測試資料集中之每一者中使用在諸如自10 Hz至20 GHz及/或其類似者之給定頻率範圍下有組織樣本經切除且針對介電性質來量測之類似數目個患者。一般而言，可使用任何合適的方法將資料指派至訓練或測試資料集。

訓練模組1020 可藉由根據一或多種特徵選擇技術而自所標示基線資料提取特徵集來訓練基於機器學習之分類器1030 。在一些情況下，訓練模組1020 可藉由將一或多種特徵選擇技術應用於一或多個訓練資料集1010A 至1010N 中之所標示基線資料來進一步定義自所標示基線資料獲得之特徵集。訓練模組1020 可用多種方式而自訓練資料集1010A 至1110N 提取特徵集。訓練模組1020 可多次執行特徵提取，每一次使用不同的特徵提取技術。在一些情況下，使用不同技術產生之特徵集可各自用以產生不同的基於機器學習之分類模型1040 。在一具體實例中，可選擇具有最高品質量度之特徵集以供用於訓練中。訓練模組1020 可使用特徵集以建置一或多個基於機器學習之分類模型1040A 至1040N ，該一或多個基於機器學習之分類模型經組態以判定組織類型及/或將介電性質資訊映射至在影像中所表示之組織類型。

在一些情況下，可分析訓練資料集1010A 至100N 及/或所標示基線資料以判定訓練資料集1010A 至1010N 及/或所標示基線資料中之介電性質、組織類型及頻率範圍之間的任何相依性、關聯及/或相關。如本文中所使用之術語「特徵」可指可用以判定資料項是否落入一或多個特定類別內之資料項的任何特性。作為實例，本文中所描述之特徵可包含與影像之每一體素（或像素）相關聯的介電性質、組織類型（經判定自患者身體之不同點處的樣本等）、頻率範圍、強度/色彩/照明及/或任何其他分量相關特徵、溫度資訊、紋理圖/資訊，及/或在影像中表示之幾何特徵（例如，體積、圓度、偏斜度等）（例如，描述如腫瘤等），及/或其類似者。

在一些情況下，特徵選擇技術可包含一或多個特徵選擇規則。一或多個特徵選擇規則可包含介電性質及組織類型相關/估計規則。介電性質及組織類型相關/估計規則可包含判定所標示基線資料中之哪些特徵在所標示基線資料中出現超過臨限數目次及將滿足臨限值之彼等特徵識別為候選特徵。舉例而言，在所標示基線資料中出現多於或等於2次之任何特徵可被視為候選特徵。出現少於2次之任何特徵可不被視為特徵。在一些情況下，可應用單個特徵選擇規則以選擇特徵，或可應用多個特徵選擇規則以選擇特徵。在一些情況下，可用級聯方式應用特徵選擇規則，其中以特定次序應用特徵選擇規則且將特徵選擇規則應用於先前規則之結果。舉例而言，可將介電性質及組織類型相關/估計規則應用於所標示基線資料以產生在影像中表示之各種組織類型的電導率圖。可根據額外特徵來分析候選介電性質及組織類型之相關、估計及/或識別的最終清單。

在一些情況下，組織類型之自動判定及/或介電性質資訊至影像中所表示之組織類型的映射可基於包裝方法（wrapper method）。包裝方法可經組態以使用特徵子集且使用特徵子集來訓練機器學習模型。基於自先前模型得出的推斷，可添加特徵及/或自子集刪除特徵。包裝方法包括例如前向特徵選擇、後向特徵消除、遞歸特徵消除、其組合及其類似者。在一些情況下，前向特徵選擇可用以識別一或多個候選介電性質及組織類型之相關、估計及/或識別。前向特徵選擇為在機器學習模型中無特徵之情況下開始的反覆方法。在每次反覆中，添加最佳地改善模型之特徵，直至新變數之添加不會改善機器學習模型之效能。在一具體實例中，後向消除可用以識別一或多個候選介電性質及組織類型之相關、估計及/或識別。後向消除為在機器學習模型中具有所有特徵之情況下開始的反覆方法。在每次反覆中，移除最不重要的特徵直至在移除特徵時未觀測到改善。在一具體實例中，遞歸特徵消除可用以識別一或多個候選介電性質及組織類型之相關、估計及/或識別。遞歸特徵消除為旨在找到效能最佳之特徵子集的貪婪最佳化演算法。遞歸特徵消除重複地建立模型且在每次反覆時將效能最佳或最差的特徵排除在外。遞歸特徵消除運用其餘特徵以建構下一模型，直至所有特徵皆用盡。遞歸特徵消除接著基於特徵消除之次序對特徵進行排名。

在一些情況下，可根據嵌入式方法選擇一或多個候選介電性質及組織類型之相關、估計及/或識別。嵌入式方法組合篩選方法及包裝方法之品質。嵌入式方法包括例如最小絕對收縮及選擇運算子（Least Absolute Shrinkage and Selection Operator；LASSO）及脊回歸，其實施懲罰函數以減少過度擬合。舉例而言，LASSO回歸執行將添加等效於係數量值之絕對值之懲罰的L1正則化，及將添加等效於係數量值之平方之懲罰的L2正則化。

在訓練模組1020 已產生特徵集之後，訓練模組1020 可基於特徵集來產生基於機器學習之預測模型1040 。基於機器學習之預測模型可指使用機器學習技術產生之用於資料分類的複雜數學模型。在一個實例中，此基於機器學習之分類器可包括表示邊界特徵之支援向量的映射。作為實例，邊界特徵可選自特徵集及/或表示特徵集中之最高排名特徵。

在一具體實例中，訓練模組1020 可使用自訓練資料集1010A 至1010N 及/或所標示基線資料提取之特徵集以建置基於機器學習之分類模型1040A 至1040N ，從而判定介電性質及組織類型之相關、估計及/或識別。在一些實例中，基於機器學習之分類模型1040A 至1040N 可組合成單個基於機器學習之分類模型1040 。類似地，基於機器學習之分類器1030 可表示含有單個或複數個基於機器學習之分類模型1040 的單個分類器及/或含有單個或複數個基於機器學習之分類模型1040 的多個分類器。又，在一些具體實例中，基於機器學習之分類器1030 可包括訓練資料集1010A 至1010N 中之每一者及/或自訓練資料集1010A 至810N 提取及/或自所標示基線資料提取之每一特徵集。

可在使用諸如以下各者之機器學習方法訓練的分類模型中組合來自影像之所提取特徵及介電性質資訊：判別分析；決策樹；最近鄰（nearest neighbor；NN）演算法（例如，k-NN模型、複製器NN模型等）；統計演算法（例如，貝葉斯網路等）；叢集演算法（例如，k均值、平均移位等）；神經網路（例如，儲備池網路、人工神經網路（ANN）等）；支援向量機（support vector machine；SVM）；邏輯回歸演算法；線性回歸演算法；馬爾可夫模型或鏈；主成份分析（principal component analysis；PCA）（例如，用於線性模型）；多層感知器（multi-layer perceptron；MLP）ANN（例如，用於非線性模型）；複製儲備池網路（例如，用於非線性模型，典型地用於時間數列）；隨機森林分類；其組合；及/或其類似者。所得基於機器學習之分類器1030 可包含將傳感器陣列佈局用於候選介電性質及組織類型之相關、估計及/或識別之決策規則或映射。

介電性質資訊及基於機器學習之分類器1030 可用以判定/映射測試資料集中之測試樣本的介電性質及組織類型之相關、估計及/或識別分佈。在一個實例中，每一測試樣本之結果包括對應於其中對應測試樣本屬於所判定/映射之介電性質及組織類型之相關、估計及/或識別之可能性或機率的信賴等級。信賴等級可為介於零與一之間的值，其表示所判定/映射之介電性質及組織類型之相關、估計及/或識別與所運算值一致的可能性。可針對每一測試樣本以及每一候選（近似）介電性質及組織類型之相關、估計及/或識別而提供多個信賴等級。可藉由將針對每一測試樣本而獲得之結果與針對每一測試樣本而運算之介電性質及組織類型之相關、估計及/或識別比較，來判定效能最佳的候選介電性質及組織類型之相關、估計及/或識別。一般而言，效能最佳的候選介電性質及組織類型之相關、估計及/或識別將具有緊密地匹配所運算之介電性質及組織類型之相關、估計及/或識別的結果。效能最佳的候選介電性質及組織類型之相關、估計及/或識別可用於使介電性質與患者模型相關聯。

圖 11 為說明用於使用訓練模組1120 使介電性質與患者模型相關聯之實例訓練方法1100 的流程圖。訓練模組1120 可實施受監督、無監督及/或半監督（例如，基於加強之）的基於機器學習之分類模型1140 。圖 11 中所說明之方法1100 為受監督學習方法之實例；下文論述訓練方法之此實例的變化，然而，其他訓練方法可類似地實施以訓練無監督及/或半監督的機器學習（預測）模型。

訓練方法1100 可在1110 處判定（例如，存取、接收、擷取等）一或多個患者群體之3D影像資料。3D影像資料可自諸如以下各者之任何成像技術/技藝導出：磁共振成像（MRI）、放射照相術、超音波、彈性成像、光聲成像、正電子發射斷層攝影術、超音波心動描記術、磁性粒子成像、功能性近紅外線光譜分析及/或其類似者。該資料可含有一或多個資料集，每一資料集與以下各者相關聯：自來自複數個患者之身體的各種部位之各種組織樣本所判定的組織（例如，組合皮膚及肌肉組織、顱骨/骨骼、腦脊髓液、灰質及白質等）在不同頻率下之介電/電性質、像素/體素對比度及相關分量資訊，或相關於使介電性質與患者模型相關聯之任何其他特徵。每一資料集可包括所標示基線資料。每一資料集可進一步包括基於與體素/像素相關聯之對比度、座標及/或任何其他分量的不同體素/像素之所標示介電性質資訊。每一資料集可進一步包括所標示紋理圖/資訊及/或在影像中所表示之幾何特徵（例如，體積、圓度、偏斜度等）（例如，描述如腫瘤等）。

訓練方法1100 可在1120 處產生訓練資料集及測試資料集。可藉由將自不同組織樣本判定之介電/電性質資訊映射、相關聯及/或相關至在影像中所表示之患者之不同位置/區域來產生訓練資料集及測試資料集，該等影像對應於其中有組織樣本被獲取/切除之不同位置/區域。在一些情況下，可藉由將介電/電性質及體素/像素相關資料隨機地指派至訓練資料集或測試資料集來產生訓練資料集或測試資料集。在一些情況下，將介電/電性質及體素/像素相關資料指派為訓練或測試樣本可能並非完全隨機的。在一些情況下，僅用於自影像（例如，3D影像等）提取之特定特徵的所標示基線資料可用以產生訓練資料集及測試資料集。在一些情況下，自影像提取之大部分所標示基線資料可用以產生訓練資料集。舉例而言，自影像提取之所標示基線資料的75%可用以產生訓練資料集，且25%可用以產生測試資料集。任何方法或技術可用以建立訓練及測試資料集。

訓練方法1100 可在1130 處判定（例如，提取、選擇等）一或多個特徵，該一或多個特徵可由例如自多種影像提取之分類器標示特徵來使用。一或多個特徵可為基於以下各者之用於不同體素/像素的所標示介電性質資訊：與體素/像素相關聯之對比度、座標及/或任何其他分量、所標示紋理圖/資訊、在影像中所表示之幾何特徵（例如，體積、圓度、偏斜度等）（例如，描述如腫瘤等），及/或相關於使介電性質與患者模型相關聯之任何其他資料。在一具體實例中，訓練方法1100 可自訓練資料集判定訓練基線特徵之集合。影像之特徵可藉由任何方法來判定。

訓練方法1100 可在1140 處使用一或多個特徵來訓練一或多個機器學習模型。在一些情況下，可使用受監督學習來訓練機器學習模型。在另一具體實例中，可使用其他機器學習技術，包括無監督學習及半監督學習。可基於訓練資料集中可用之不同準則及/或資料而選擇在1140 處訓練的機器學習模型。舉例而言，機器學習分類器可能會遭受不同程度的偏差。因此，多於一個機器學習模型可在1140 處進行訓練，在1150 處進行最佳化、改善及交叉驗證。

訓練方法1100 可在1160 處選擇一或多個機器學習模型以建置預測模型（例如，機器學習分類器、預測模型等）。可使用測試資料集來評估預測引擎。預測引擎可在1170 處分析測試資料集且產生分類值及/或預測值。可在1180 處評估分類及/或預測值以判定此等值是否已達到所要準確度等級。可基於由預測引擎指示之複數個資料點的數個正確肯定、錯誤肯定、正確否定及/或錯誤否定分類而以數種方式評估預測引擎之效能。舉例而言，預測引擎之錯誤肯定可指預測引擎將介電性質不正確地相關聯至患者模型之次數。相反，預測引擎之錯誤否定可指當與患者模型相關聯之介電性質實際上匹配由模型所表示之患者的實際介電性質時機器學習模型將介電性質不正確地相關聯至患者模型的次數。舉例而言，正確否定及正確肯定可指預測引擎將介電性質正確地相關聯至患者模型之次數。查準率（recall）及精確率之概念與此等量測相關。通常，查準率係指正確肯定對正確肯定及錯誤否定之總和的比率，其量化預測引擎之敏感性。類似地，精確率係指正確肯定對正確肯定及錯誤肯定之總和的比率。

當達到此所要準確度等級時，訓練階段結束且預測引擎可在1190 處輸出；然而，當未達到所要準確度等級時，則可執行訓練方法1100 之後續反覆，其在1110 處以諸如考慮來自較大患者群體之組織樣本之較大集合的變化開始。

繼續患者頭部內之腫瘤的實例，可產生充當可變形範本的健康頭部模型，患者模型可自該可變形範本建立。可遮蔽患者MRI資料中之腫瘤區，且可使用非剛性對齊演算法以將患者頭部之其餘區對齊至表示健康頭部模型之可變形範本的3D離散影像上。此過程得到將患者頭部之健康部分映射至範本空間中的非剛性變換，以及將範本映射至患者空間中的反變換。將反變換應用於3D可變形範本以得到在無腫瘤情況下的患者頭部之近似。最終，將腫瘤（被稱作感興趣區（region-of-interest；ROI））植入回至變形範本中以得到完整患者模型。患者模型可為患者身體之部分（包括內部結構，諸如組織、器官、腫瘤等）的三維空間中之數位表示。

一旦已針對患者判定三維陣列佈局圖，便可接著藉由患者模型化應用程式608 使用患者模型來模擬TTFields之遞送。模擬電場分佈、劑量測定法及基於模擬之分析描述於美國專利公開案第20190117956 A1號中及Ballo等人之公開案「Correlation of Tumor treating Fields Dosimetry to Survival Outcomes in Newly Diagnosed Glioblastoma: A Large-Scale Numerical Simulation-based Analysis of Data from the Phase 3 EF-14 randomized Trial」（2019年）中，該等公開案以全文引用之方式併入本文中。

為確保傳感器陣列相對於腫瘤部位的系統性定位，可定義參考座標系統。舉例而言，橫向平面最初可由傳感器陣列之習知LR及AP定位來定義。左右方向可定義為x軸，AP方向可定義為y軸，且正交於XY平面之頭尾方向可定義為Z軸。

在定義座標系統之後，傳感器陣列可虛擬地置放於患者模型上，其中傳感器陣列之中心及縱向軸線在XY平面中。一對傳感器陣列可圍繞頭部模型之z軸（亦即，在XY平面中）自0度至180度系統地旋轉，藉此覆蓋頭部之整個圓周（藉由對稱性）。旋轉間隔可為例如15度，對應於大約2 cm平移，從而給出在180度範圍內的總計十二個不同位置。涵蓋其他旋轉間隔。可針對相對於腫瘤座標在每一傳感器陣列位置而執行電場分佈計算。

患者模型中之電場分佈可由患者模型化應用程式608 使用電位之有限元素（finite element；FE）近似來判定。一般而言，定義時變電磁場之量係藉由複雜馬克士威方程式來給定。然而，在生物組織中及在TTFields之低至中頻（f=200 kHz）下，電磁波長比頭部大小大得多且相較於實數值電導率σ，電容率s係可忽略的，亦即，其中ω = 2πf為角頻率。此暗示組織中之電磁傳播效應及電容效應係可忽略的，因此純量電位可藉由靜態拉普拉斯方程式

∙ (σV

) = 0良好地近似，其中在電極及皮膚處具有適當邊界條件。因此，複阻抗被視為電阻性（亦即，電抗係可忽略的）且在體積導體內流動的電流因此主要係自由（歐姆）電流。拉普拉斯方程式之FE近似係使用SimNIBS軟體（simnibs.org）來計算。運算係基於伽遼金（Galerkin）法且需要共軛梯度解算器之殘差 ＜ lE-9。使用狄瑞西雷（Dirichlet）邊界條件，其中在每一組電極陣列處將電位設定為（任意地選擇為）固定值。電（向量）場經計算為電位之數值梯度且電流密度（向量場）係使用歐姆定律而自該電場來運算。電場值的電位差以及電流密度經線性地重新按比例調整以確保用於每一陣列對之1.8 A的總峰值間振幅，經計算為法向電流密度分量在主動電極盤上之所有三角形表面元素上的（數值）表面積分。此對應於由Optune®裝置用於臨床TTFields療法之電流位準。TTFields之「劑量」經計算為場向量之強度（L2範數）。假定藉由各自連接至一對3×3傳感器陣列之兩個分開且依序的主動源來提供模型化電流。分別地，在模擬中，左側及後部陣列可定義源，而右側及前部陣列係對應接收器。然而，當TTFields使用交流場時，此選擇係任意的且不影響結果。

可藉由患者模型化應用程式608 針對一或多個組織類型而判定由置放於患者上之多個部位處之傳感器陣列所產生的平均電場強度。在一態樣中，對應於腫瘤組織類型中之最高平均電場強度的傳感器陣列位置可經選擇為用於患者之所要（例如，最佳）傳感器陣列位置。在另一態樣中，可能由於患者之身體條件而排除用於傳感器陣列之一或多個候選位置。舉例而言，可基於皮膚刺激、疤痕、外科位點、不適等之區域而排除一或多個候選位置。因此，在排除一或多個候選位置之後，對應於腫瘤組織類型中之最高平均電場強度的傳感器陣列位置可經選擇為用於患者之所要（例如，最佳）傳感器陣列位置。因此，可選擇產生小於最大可能平均電場強度的傳感器陣列位置。

患者模型可經修改以包括所要傳感器陣列位置的指示。所得患者模型（包含所要傳感器陣列位置之指示）可被稱作三維陣列佈局圖（例如，三維陣列佈局圖600 ）。因此，三維陣列佈局圖可包含患者身體之部分在三維空間中的數位表示、腫瘤部位之指示、用於置放一或多個傳感器陣列之位置的指示、其組合及其類似者。

可將三維陣列佈局圖以數位形式及/或實體形式提供至患者。患者及/或患者照護者可使用三維陣列佈局圖以將一或多個傳感器陣列貼附至患者身體之相關聯部分（例如，頭部）。

圖 12 為描繪包含患者支援系統1202 之非限制性實例的環境1200 的方塊圖。在一態樣中，任何所描述方法之一些或所有步驟可在如本文中所描述之運算裝置上執行。患者支援系統1202 可包含經組態以儲存EFG組態應用程式606 、患者模型化應用程式608 、成像資料610 及其類似者中之一或多者的一或多個電腦。

患者支援系統1202 可為數位電腦，該數位電腦就硬體架構而言通常包括處理器1209 、記憶體系統1220 、輸入/輸出（input/output；I/O）介面1212 及網路介面1214 。此等組件（608 、610 、1212 及1214 ）經由本地介面1216 通信耦接。本地介面1216 可為例如但不限於一或多個匯流排或其他有線或無線連接，如此項技術中所已知。本地介面1216 可具有為簡單起見而被省略的使得能夠進行通信之額外元件，諸如控制器、緩衝器（快取記憶體）、驅動器、中繼器及接收器。另外，本地介面可包括位址、控制及/或資料連接，以使得能夠在前述組件當中進行適當通信。

處理器1209 可為用於執行軟體（特定而言，儲存於記憶體系統1220 中之軟體）之硬體裝置。處理器1209 可為任何定製或市售之處理器、中央處理單元（CPU）、與患者支援系統1202 相關聯之若干處理器當中的輔助處理器、基於半導體之微處理器（呈微晶片或晶片組之形式）或用於執行軟體指令之大體上任何裝置。當患者支撐系統1202 在操作中時，處理器1209 可經組態以執行儲存於記憶體系統1220 內之軟體，將資料傳達至記憶體系統1220 及自記憶體系統傳達資料，且通常依照軟體來控制患者支撐系統1202 之操作。

I/O介面1212 可用以自一或多個裝置或組件接收使用者輸入及/或用於將系統輸出提供至一或多個裝置或組件。可經由例如鍵盤及/或滑鼠來提供使用者輸入。可經由顯示裝置及印表機（圖中未示）來提供系統輸出。I/O介面1212 可包括例如串列埠、並列埠、小型電腦系統介面（Small Computer System Interface；SCSI）、IR介面、RF介面及/或通用串列匯流排（USB）介面。

網路介面1214 可用以自患者支援系統1202 進行傳輸及接收。網路介面1214 可包括例如10BaseT乙太網路配接器、100BaseT乙太網路配接器、LAN PHY乙太網路配接器、符記環配接器、無線網路配接器（例如，WiFi）或任何其他合適的網路介面裝置。網路介面1214 可包括位址、控制及/或資料連接以使得能夠進行適當通信。

記憶體系統1220 可包括揮發性記憶體元件（例如，隨機存取記憶體（RAM，諸如DRAM、SRAM、SDRAM等））及非揮發性記憶體元件（例如，ROM、硬碟機、磁帶、CDROM、DVDROM等）中之任一者或其組合。此外，記憶體系統1220 可併有電子、磁性、光學及/或其他類型之儲存媒體。應注意，記憶體系統1220 可具有分布式架構，其中各種組件彼此遠離而定位，但可由處理器1209 來存取。

記憶體系統1220 中之軟體可包括一或多個軟體程式，其中之每一者包含用於實施邏輯功能的可執行指令之定序清單。在圖 12 之實例中，患者支援系統1202 之記憶體系統1220 中的軟體可包含EFG組態應用程式1206 、患者模型化應用程式608 、成像資料1210 及合適的作業系統（operating system；O/S）1218 。作業系統1218 基本上控制其他電腦程式之執行且提供排程、輸入-輸出控制、檔案及資料管理、記憶體管理及通信控制以及相關服務。

出於說明的目的，應用程式及其他可執行程式組件（諸如，作業系統1218 ）在本文中說明為離散區塊，但應認識到，此類程式及組件可在各種時間駐存於患者支援系統1202 之不同儲存組件中。EFG組態應用程式606 、患者模型化應用程式608 、成像資料610 及/或控制軟體1220 之實施方案可儲存於某一形式之電腦可讀取媒體上或跨越某一形式之電腦可讀取媒體來傳輸。所記載方法中之任一者可藉由體現於電腦可讀取媒體上之電腦可讀取指令來執行。電腦可讀取媒體可為可由電腦存取之任何可用媒體。作為實例且並不意謂限制，電腦可讀取媒體可包含「電腦儲存媒體」及「通信媒體」。「電腦儲存媒體」可包含在任何方法或技藝中實施的用於儲存資訊（諸如，電腦可讀取指令、資料結構、程式模組或其他資料）的揮發性及非揮發性媒體、抽取式及非抽取式媒體。例示性電腦儲存媒體可包含RAM、ROM、EEPROM、快閃記憶體或其他記憶體技藝、CD-ROM、數位多功能光碟（digital versatile disk；DVD）或其他光學儲存器、匣式磁帶、磁帶、磁碟儲存器或其他磁性儲存裝置，或可用以儲存所要資訊且可藉由電腦存取的任何其他媒體。

在圖 13 中所說明之具體實例中，設備100 、患者支援系統602 、患者模型化應用程式608 、患者支援系統1202 及/本文中所描述之任何其他裝置/組件中之一或多者可經組態以執行方法1300 ，該方法包含在1310 處，判定與複數個患者相關聯之複數個影像資料集，其中每一患者與自對患者之一部分進行成像所導出的影像資料集相關聯，其中每一影像資料集包含複數個體素，其中運用介電性質資訊來標示複數個體素中之每一體素。介電性質資訊可包括電導率資訊、相對電容率及/或其類似者。與複數個患者相關聯之複數個影像資料集可包含與以下各者中之一或多者相關聯的影像資料：磁共振成像（MRI）、放射照相術、超音波、彈性成像、光聲成像、正電子發射斷層攝影術、超音波心動描記術、磁性粒子成像或功能性近紅外線光譜分析。

在一些情況下，判定介電性質資訊（及/或電性質資訊）可包括自複數個患者中之每一患者接收複數個組織樣本，其中複數個組織樣本中之每一組織樣本來自患者之部分的不同部位，其中每一部位與患者之部分的不同區相關聯，其中每一部位對應於與患者相關聯之影像資料集的複數個體素中之一體素。針對來自每一患者之複數個組織樣本中的每一組織樣本而基於樣本組織之一或多個所量測性質來判定介電性質。基於針對來自每一患者之複數個組織樣本中的每一組織樣本而判定介電性質，運用介電性質資訊來標示各別影像資料集之對應體素；及針對運用介電性質資訊所標示之各別影像資料集的每一體素，基於所連接分量標示而標示在與體素相關聯的區內之一或多個體素，其介電性質資訊（及/或電性質資訊）匹配體素之所標示介電性質資訊（及/或電性質資訊）。

在1320 處，基於複數個影像資料集之第一部分及與複數個體素中對應於複數個影像資料集之第一部分之每一體素相關聯的介電性質資訊，判定用於預測模型之複數個特徵。在一些情況下，判定用於預測模型之複數個特徵可包括基於特徵選擇技術而判定用於預測模型之複數個特徵，該特徵選擇技術包含篩選方法、包裝方法或嵌入式方法中之一或多者。

在1330 處，基於複數個特徵以及複數個影像資料集之第一部分而訓練預測模型，其中該預測模型經組態以針對與影像相關聯之複數個體素中的每一體素而判定介電性質資訊。舉例而言，基於複數個特徵以及複數個影像資料集之第一部分而訓練預測模型可包含機器學習技術，該機器學習技術包含以下各者中之一或多者：判別分析；決策樹；最近鄰（NN）演算法（例如，k-NN模型、複製器NN模型等）；統計演算法（例如，貝葉斯（Bayesian）網路等）；叢集演算法（例如，k均值、平均移位等）；神經網路（例如，儲備池網路、人工神經網路等）；支援向量機（SVM）；邏輯回歸演算法；線性回歸演算法；馬爾可夫模型或鏈；主成份分析（PCA）（例如，用於線性模型）；多層感知器（MLP）ANN（例如，用於非線性模型）；複製儲備池網路（例如，用於非線性模型，典型地用於時間數列）；隨機森林分類；其組合；及/或其類似者。

在1340 處，基於複數個影像資料集之第二部分，測試預測模型。

在1350 處，基於測試而輸出預測模型。舉例而言，預測模型可用以使介電性質與患者模型相關聯。在一些情況下，方法1300 可包括使用預測模型以使介電性質與患者模型相關聯。

在圖 14 中所說明之具體實例中，設備100 、患者支援系統602 、患者模型化應用程式608 、患者支援系統1202 及/本文中所描述之任何其他裝置/組件中之一或多者可經組態以執行方法1400 ，該方法包含在1410 處，針對患者來判定影像資料集，其中該影像資料集包含複數個體素。該影像資料集可包括與以下各者中之一或多者相關聯的影像資料：磁共振成像（MRI）、放射照相術、超音波、彈性成像、光聲成像、正電子發射斷層攝影術、超音波心動描記術、磁性粒子成像、功能性近紅外線光譜分析及/或任何其他成像技術/技藝。

在1420 處，向經訓練以針對與影像相關聯之複數個體素中之每一體素而判定介電性質資訊的預測模型呈現影像資料集。

在1430 處，藉由預測模型以針對與影像資料集相關聯之複數個體素中的每一體素而判定介電性質資訊。

鑒於所描述之設備、系統及方法以及其變化，下文描述本發明之某些更特別描述的具體實例。然而，此等特別敍述之具體實例不應解譯為對含有本文中所描述之不同或更一般教示內容的任何不同技術方案具有任何限制效應，或「特殊」具體實例以某一方式在某種程度上進行限制，而非其中在字面上使用之語言的固有含義。

具體實例1：一種方法，其包含：判定與複數個患者相關聯之複數個影像資料集，其中每一患者與自對患者之一部分進行成像所導出的影像資料集相關聯，其中每一影像資料集包含複數個體素，其中運用介電性質資訊來標示複數個體素中之每一體素；基於複數個影像資料集之第一部分及與複數個體素中對應於複數個影像資料集之第一部分之每一體素相關聯的介電性質資訊而判定用於預測模型之複數個特徵；基於複數個特徵以及複數個影像資料集之第一部分而訓練預測模型，其中該預測模型經組態以針對複數個體素中與影像相關聯之每一體素而判定介電性質資訊；基於複數個影像資料集之第二部分而測試預測模型；及基於測試而輸出預測模型。

具體實例2：如前述具體實例中任一者中之具體實例進一步包含：自複數個患者中之每一患者接收複數個組織樣本，其中複數個組織樣本中之每一組織樣本來自患者之部分的不同部位，其中每一部位與患者之部分的不同區相關聯，其中每一部位對應於與患者相關聯之影像資料集的複數個體素中之一體素；針對來自每一患者之複數個組織樣本中的每一組織樣本而基於樣本組織之一或多個所量測性質而判定介電性質；基於針對來自每一患者之複數個組織樣本中的每一組織樣本而判定介電性質，運用介電性質資訊來標示各別影像資料集之對應體素；及針對運用介電性質資訊所標示之各別影像資料集的每一體素，基於所連接分量標示而標示在與此體素相關聯的區內之一或多個體素，其介電性質資訊匹配此體素之所標示介電性質資訊。

具體實例3：如前述具體實例中任一者中之具體實例，其中該介電性質資訊包含電導率資訊或相對電容率資訊中之一或多者。

具體實例4：如前述具體實例中任一者中之具體實例，其中與複數個患者相關聯之複數個影像資料集包含與以下各者中之一或多者相關聯的影像資料：磁共振成像（MRI）、放射照相術、超音波、彈性成像、光聲成像、正電子發射斷層攝影術、超音波心動描記術、磁性粒子成像或功能性近紅外線光譜分析。

具體實例5：如前述具體實例中任一者中之具體實例，其進一步包含針對新的患者而判定新的影像資料集，其中該新的影像資料集包含複數個體素；向預測模型呈現新的影像資料集；及藉由預測模型以針對新的影像資料集之複數個體素中的每一體素而判定介電性質資訊。

具體實例6：如前述具體實例中任一者中之具體實例，其中判定用於預測模型之複數個特徵包含基於特徵選擇技術而判定用於預測模型之複數個特徵，該特徵選擇技術包含篩選方法、包裝方法或嵌入式方法中之一或多者。

具體實例7：如前述具體實例中任一者中之具體實例，其中訓練預測模型包含機器學習技術，該機器學習技術包含以下各者中之一或多者：判別分析；決策樹；最近鄰（NN）演算法（例如，k-NN模型、複製器NN模型等）；統計演算法（例如，貝葉斯網路等）；叢集演算法（例如，k均值、平均移位等）；神經網路（例如，儲備池網路、人工神經網路等）；支援向量機（SVM）；邏輯回歸演算法；線性回歸演算法；馬爾可夫模型或鏈；主成份分析（PCA）（例如，用於線性模型）；多層感知器（MLP）ANN（例如，用於非線性模型）；複製儲備池網路（例如，用於非線性模型，典型地用於時間數列）或隨機森林分類。

具體實例8：如前述具體實例中任一者中之具體實例，其進一步包含針對新影像資料集之複數個體素中的每一體素而判定組織類型；及針對新影像資料集之複數個體素中的每一體素而判定電導率值、電容率值、至最近傳感器陣列之距離、及至最近導電材料之距離。

具體實例9：如前述具體實例中任一者中之具體實例，其進一步包含使用預測模型。

具體實例10：一種方法，其包含：針對患者而判定影像資料集，其中該影像資料集包含複數個體素；向經訓練以針對與影像相關聯之複數個體素中之每一體素而判定介電性質資訊的預測模型來呈現影像資料集；及藉由預測模型以針對與影像資料集相關聯之複數個體素中之每一體素而判定介電性質資訊。

具體實例11：如具體實例10中之具體實例，其中該預測模型利用決策樹、統計演算法或神經網路中之一或多者。

除非另外明確陳述，否則決不希望本文中所闡述之任何方法理解為必需依特定次序來執行其步驟。因此，在方法技術方案實際上未列舉其步驟將遵循之次序或未在申請專利範圍或描述中另外特定地陳述該等步驟限於特定次序的情況下，絕不希望在任何方面來推斷次序。此適用於解譯之任何可能的非表達基礎，包括：關於步驟或操作流程之配置的邏輯事項；源自文法組織或標點符號之普通含義；及說明書中所描述之具體實例的數目或類型。

雖然已結合較佳具體實例及特定實例描述方法及系統，但並不希望範圍限於所闡述之特定具體實例，此係因為本文中之具體實例在所有方面意欲為說明性的而非限制性的。

所屬技術領域中具有通常知識者將顯而易見，可在不脫離範圍或精神之情況下進行各種修改及變化。其他具體實例將自說明書之考量及本文中所記載之實踐而對所屬技術領域中具有通常知識者為顯而易見。希望僅將本說明書及實例視為例示性的，其中實際範圍及精神由以下申請專利範圍所指示。

100:設備 102:電場產生器 104:傳感器陣列 104a:傳感器陣列 104b:傳感器陣列 106:處理器 108:信號產生器 110:控制軟體 112:導電引線 114:輸出端 116:電極 118:可撓性電路板 120:低過敏性醫療黏著劑繃帶 120a:低過敏性醫療黏著劑繃帶 120b:低過敏性醫療黏著劑繃帶 302:皮膚表面 304:腫瘤 306:骨組織 308:腦組織 310:交流電場 600:系統 602:患者支援系統 606:電場產生器（EFG）組態應用程式 608:患者模型化應用程式 610:成像資料 800:三維陣列佈局圖 1000:系統 1010A:訓練資料集 1010N:訓練資料集 1020:訓練模組 1030:基於機器學習之分類器 1040:基於機器學習之分類模型 1040A:基於機器學習之分類模型 1040N:基於機器學習之分類模 1100:用於使用訓練模組使介電性質與患者模型相關聯之實例訓練方法 1110:步驟 1120:步驟 1130:步驟 1140:步驟 1150:步驟 1160:步驟 1170:步驟 1180:步驟 1190:步驟 1200:環境 1202:患者支援系統 1206:EFG組態應用程式 1208:患者模型化應用程式 1209:處理器 1210:成像資料 1212:輸入/輸出（I/O）介面 1214:網路介面 1216:本地介面 1218:作業系統 1220:記憶體系統 1222:控制軟體 1300:方法 1310:步驟 1320:步驟 1330:步驟 1340:步驟 1350:步驟 1400:方法 1410:步驟 1420:步驟 1430:步驟

為易於識別對任何特定元件或動作之論述，元件符號中之一或多個最高有效數位係指首先引入彼元件之圖號。

[圖1]展示用於電療式治療之實例設備。

[圖2]展示實例傳感器陣列。

[圖3A及圖3B]說明用於電療式治療之設備的實例應用。

[圖4A]展示置放於患者頭部上之傳感器陣列。

[圖4B]展示置放於患者腹部上之傳感器陣列。

[圖5A]展示置放於患者軀幹上的傳感器陣列。

[圖5B]展示置放於患者骨盆上之傳感器陣列。

[圖6]為描繪電場產生器及患者支援系統之方塊圖。

[圖7]說明根據有限元素方法模擬模型以冠狀面視圖展示之電場量值及分佈（以V/cm計）。

[圖8A]展示三維陣列佈局圖800。

[圖8B]展示傳感器陣列在患者頭皮上之置放。

[圖9A]展示含有最頂部影像之軸向T1序列圖塊，包括用以量測頭部大小之軌道。

[圖9B]展示選擇在耳道層級處之影像的冠狀面T1序列圖塊，其用以量測頭部大小。

[圖9C]展示對比後T1軸向影像，其展示用以量測腫瘤部位之最大增強腫瘤直徑。

[圖9D]展示對比後T1冠狀面影像，其展示用以量測腫瘤部位之最大增強腫瘤直徑。

[圖10]展示實例機器學習系統；

[圖11]展示實例機器學習方法；

[圖12]為描繪實例操作環境之方塊圖。

[圖13]展示實例方法。

[圖14]展示實例方法。

102:電場產生器

104:傳感器陣列

106:處理器

108:信號產生器

110:控制軟體

112:導電引線

114:輸出端

116:電極

118:可撓性電路板

120:低過敏性醫療黏著劑繃帶

Claims (15)

1. 一種方法，其包含： 判定與複數個患者相關聯之複數個影像資料集，其中每一患者與自對該患者之一部分進行成像所導出的一影像資料集相關聯，其中每一影像資料集包含複數個體素（voxel），其中運用介電性質資訊來標示該複數個體素中之每一體素； 基於該複數個影像資料集之第一部分及與該複數個體素中對應於該複數個影像資料集之該第一部分的每一體素相關聯的該介電性質資訊，而判定用於預測模型之複數個特徵； 基於該複數個特徵以及該複數個影像資料集之該第一部分而訓練該預測模型，其中該預測模型經組態以針對與影像相關聯之複數個體素中的每一體素而判定介電性質資訊； 基於該複數個影像資料集之第二部分而測試該預測模型；及 基於該測試而輸出該預測模型。
2. 如請求項1之方法，其進一步包含： 自該複數個患者中之每一患者接收複數個組織樣本，其中該複數個組織樣本中之每一組織樣本來自該患者之該部分的不同部位，其中每一部位與該患者之該部分的不同區相關聯，其中每一部位對應於與該患者相關聯之該影像資料集的該複數個體素中之體素； 針對來自每一患者之該複數個組織樣本中的每一組織樣本而基於樣本組織之一或多個所量測性質而判定介電性質； 基於針對來自每一患者之該複數個組織樣本中的每一組織樣本而判定該介電性質，運用該介電性質資訊來標示各別影像資料集之對應的體素；及 針對運用該介電性質資訊所標示之該各別影像資料集的每一體素，基於所連接分量標示而標示在與該體素相關聯的區內之一或多個體素，其介電性質資訊匹配該體素之所標示的該介電性質資訊。
3. 如請求項1之方法，其中該介電性質資訊包含電導率資訊或相對電容率資訊中之一或多者。
4. 如請求項1之方法，其中與該複數個患者相關聯之該複數個影像資料集包含與以下各者中之一或多者相關聯的影像資料：磁共振成像（MRI）、放射照相術、超音波、彈性成像、光聲成像、正電子發射斷層攝影術、超音波心動描記術、磁性粒子成像或功能性近紅外線光譜分析。
5. 如請求項1之方法，其進一步包含： 針對新的患者而判定新的影像資料集，其中該新的影像資料集包含複數個體素； 向該預測模型呈現該新的影像資料集；及 藉由該預測模型以針對該新的影像資料集之該複數個體素中的每一體素而判定介電性質資訊。
6. 如請求項1之方法，其中判定用於該預測模型之該複數個特徵包含基於特徵選擇技術而判定用於該預測模型之該複數個特徵，該特徵選擇技術包含篩選方法、包裝方法或嵌入式方法中之一或多者。
7. 如請求項1之方法，其中訓練該預測模型包含判別分析、決策樹、統計演算法或神經網路中之一或多者。
8. 一種使用如請求項1之預測模型的方法。
9. 一種設備，其包含： 一或多個處理器；及 記憶體，其儲存處理器可執行指令，該處理器可執行指令在由該一或多個處理器執行時使該設備執行如請求項1至7中任一項之方法。
10. 一種方法，其包含： 針對患者而判定影像資料集，其中該影像資料集包含複數個體素； 向預測模型呈現該影像資料集，該預測模型經訓練以針對與影像相關聯之複數個體素中之每一體素而判定介電性質資訊一；及 藉由該預測模型以針對與該影像資料集相關聯之複數個體素中的每一體素而判定介電性質資訊。
11. 如請求項10之方法，其中該影像資料集包含與以下各者中之一或多者相關聯的影像資料：磁共振成像（MRI）、放射照相術、超音波、彈性成像、光聲成像、正電子發射斷層攝影術、超音波心動描記術、磁性粒子成像或功能性近紅外線光譜分析。
12. 如請求項10之方法，其中該預測模型包含判別分析、決策樹、統計演算法或神經網路中之一或多者。
13. 如請求項10之方法，其進一步包含基於來自複數個影像資料集之複數個特徵而訓練該預測模型。
14. 如請求項13之方法，其進一步包含基於特徵選擇技術而判定該複數個特徵，該特徵選擇技術包含篩選方法、包裝方法或嵌入式方法中之一或多者。
15. 一種設備，其包含： 一或多個處理器；及 記憶體，其儲存處理器可執行指令，該處理器可執行指令在由該一或多個處理器執行時使該設備執行如請求項10至14中任一項之方法。

Images