WO2024023929A1 - 推定装置、推定方法、推定モデル生成装置、推定モデル生成方法及びプログラム - Google Patents

推定装置、推定方法、推定モデル生成装置、推定モデル生成方法及びプログラム Download PDF

Info

Publication number
WO2024023929A1
WO2024023929A1 PCT/JP2022/028791 JP2022028791W WO2024023929A1 WO 2024023929 A1 WO2024023929 A1 WO 2024023929A1 JP 2022028791 W JP2022028791 W JP 2022028791W WO 2024023929 A1 WO2024023929 A1 WO 2024023929A1
Authority
WO
WIPO (PCT)
Prior art keywords
heart
model
waveform
estimation
function
Prior art date
Application number
PCT/JP2022/028791
Other languages
English (en)
French (fr)
Inventor
亮 錦見
允裕 中野
邦夫 柏野
信吾 塚田
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to PCT/JP2022/028791 priority Critical patent/WO2024023929A1/ja
Publication of WO2024023929A1 publication Critical patent/WO2024023929A1/ja

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms

Definitions

  • the present invention relates to an estimation device, an estimation method, an estimation model generation device, an estimation model generation method, and a program.
  • Biological waveforms typified by electrocardiogram waveforms and heart sound waveforms, are widely used to understand the presence or absence of abnormalities in living organisms and their pathological conditions.
  • abnormality detection and disease classification are performed by analyzing P waves, QRS waves, and T waves, which represent the characteristics of electrocardiographic waveforms, through signal processing.
  • the present invention aims to generate electrocardiographic waveforms from biological parameters with a smaller amount of calculation.
  • One aspect of the present invention is to input a parameter indicating the function or condition of the heart into an estimation model that is trained by machine learning to input a parameter indicating the function or condition of the heart and output a waveform caused by the heart.
  • This is an estimation device that estimates the waveform caused by the heart.
  • FIG. 1 is a diagram showing the configuration of an estimation system 1.
  • FIG. 3 is a diagram showing an example of the configuration of an estimated model generation device 3.
  • FIG. 3 is a flowchart showing the operation of the estimated model generation device 3.
  • FIG. 3 is a flowchart showing the operation of the estimated model generation device 3.
  • FIG. 3 is a diagram showing parameters indicating the function or condition of the heart.
  • FIG. 1 is a diagram showing the configuration of an estimation system 1.
  • the estimation system 1 includes a dataset generation device 2, an estimation model generation device 3, and an estimation device 4.
  • the data set generation device 2 generates a data set that includes a waveform caused by the heart and a parameter indicating the function or condition of the heart.
  • Waveforms caused by the heart include, for example, electrocardiographic waveforms that are the result of observing the electromotive force that occurs due to the electrical activity of cardiac myocardial cells in the heart, and heart sounds that are the result of observing vibrations that occur due to the mechanical activity of myocardial cells of the heart. It is a waveform.
  • Parameters indicating the function or state of the heart include, for example, conduction velocity, calcium handling, potassium channels, left ventricular shape, excitation propagation pattern, cell distribution, heart rate, and blood vessel pattern.
  • the data set generation device 2 generates a data set by calculating a waveform caused by the heart based on parameters indicating the function or condition of the heart.
  • the data set generation device 2 calculates a waveform caused by the heart by inputting parameters indicating the function or state of the heart into a simulator that simulates the behavior of the heart, for example.
  • a simulator that simulates the behavior of the heart is, for example, UT-Heart (trademark).
  • the dataset generation device 2 outputs the generated dataset to the estimation model generation device 3.
  • the estimated model generation device 3 generates an estimated model based on the dataset input from the dataset generation device 2.
  • the estimation model is a model that inputs parameters indicating the function or state of the heart and outputs a waveform caused by the heart.
  • the estimated model generation device 3 generates an estimated model by machine learning using a parameter indicating the function or state of the heart as an explanatory variable and a waveform caused by the heart as an objective variable.
  • the machine learning method is not limited, and includes, for example, neural network, random forest, support vector machine, logistic regression, or ensemble learning.
  • FIG. 2 is a diagram showing an example of the configuration of the estimation model generation device 3.
  • the estimated model generation device 3 includes a latent variable generation model 31, an estimated model 32, a model update section 33, and an estimated model output section 34.
  • the latent variable generation model 31 is a model that receives as input a waveform caused by the heart and a parameter indicating the function or state of the heart, and outputs a latent variable.
  • the latent variable generation model 31 receives the data set input from the data set generation device 2 and outputs latent variables.
  • the estimation model 32 is a model that inputs latent variables and parameters indicating the function or state of the heart and outputs a waveform caused by the heart.
  • the estimation model 32 estimates a waveform caused by the heart using the latent variables input from the latent variable generation model 31 and parameters included in the data set. In other words, the latent variable generation model 31 and the estimation model 32 are autoencoders.
  • the model updating unit 33 updates the latent variable generation model 31 and the estimation model 32 based on the waveform caused by the heart estimated by the estimation model and the waveform caused by the heart included in the data set. For example, a loss function (for example, mean square error (MSE) or Kullback-Leibler (KL) information amount) between vectors representing waveforms is calculated, and the latent variable generation model 31 and the estimation model are The parameters of the fully connected layer constituting 32 are changed.
  • the estimated model output unit 34 outputs the updated estimated model to the estimation device 4.
  • the estimation device 4 stores the estimation model input from the estimation model generation device 3. Parameters indicating the function or condition of the heart are input to the estimation device 4 .
  • the estimation device 4 estimates a waveform caused by the heart by inputting parameters indicating the function or state of the heart into the stored estimation model and outputting a waveform caused by the heart.
  • the estimation device 4 outputs the estimated waveform caused by the heart.
  • the output waveform is displayed on, for example, a display device.
  • FIG. 3 is a flowchart showing the operation of the estimation model generation device 3.
  • the estimated model generation device 3 acquires a dataset from the dataset generation device 2 (step S31). Thereafter, the latent variable generation model 31 generates latent variables by inputting the waveform caused by the heart and the parameter indicating the function or state of the heart included in the data set (step S32).
  • the estimation model 32 estimates a waveform caused by the heart by inputting latent variables and parameters indicating the function or state of the heart included in the data set (step S33).
  • the model updating unit 33 updates the estimated model 32 based on the waveform caused by the heart included in the data set and the waveform caused by the heart estimated by the estimated model 32 (step S34).
  • step S35 When the estimated model 32 is updated with all the waveform and parameter pairs included in the data set (step S35: YES), the estimated model output unit 34 outputs the estimated model 32 (step S36). If the estimation model 32 has not been updated with all the waveform and parameter pairs included in the data set (step S35: NO), the operations from step S32 are repeated again.
  • FIG. 4 is a flowchart showing the operation of the estimation device 4.
  • the estimation device 4 acquires the estimated model from the estimated model generation device 3 (step S41).
  • the estimation device 4 obtains the input parameter indicating the function or state of the heart (step S42).
  • the estimation device 4 estimates a waveform caused by the heart by inputting parameters indicating the function or state of the heart into the stored estimation model and outputting a waveform caused by the heart (step S43).
  • the estimation device 4 outputs the estimated parameters (step S44).
  • the data set generation device 2 uses UT-Heart to generate electrocardiographic waveform data from parameters indicating the function or condition of the heart.
  • the parameters are 10 parameters: G, INa, ICa, NCX, IK, LV, EX, CELL, HR, and CIR. Note that these are examples of typical parameters related to the heart, and the parameters in the present invention are not limited to these.
  • the above ten parameters are parameters governing conduction velocity, calcium handling, potassium channels, left ventricular shape, excitation propagation pattern, cell distribution, heart rate, and blood vessel pattern.
  • G is a parameter representing the degree of fibrosis in the fiber direction and in the fiber orthogonal direction of an average human heart as a two-dimensional vector.
  • the first dimension (Lat) of G indicates the degree of fibrosis in the fiber direction of the heart
  • the second dimension (Con) of G indicates the degree of fibrosis in the direction perpendicular to the fibers of the heart.
  • Lat and Con in a state where collagen is excessively accumulated are each 100%.
  • INa is a parameter expressed as a one-dimensional vector indicating the sodium ion current in the human heart. Two values, 100% and 70%, were used for INa, assuming that the sodium ion current in the average human heart is 100%.
  • ICa is a parameter expressed as a three-dimensional vector indicating the calcium ion current in the human heart.
  • the first dimension (SERCA) of ICa indicates the amount of SERCA (sarco/endoplasmic reticulum Ca2+-ATPase), and the second dimension (ICaL) of ICa indicates the magnitude of ICaL (L-type Ca2+ current).
  • NCX is a parameter that indicates the amount of Na/Ca exchanger in the human heart and is expressed as a one-dimensional vector.
  • IK is a parameter expressed as a four-dimensional vector indicating potassium ion current in the human heart.
  • the first dimension of IK (IKs) indicates the magnitude of the slow activation type of delayed rectification potassium current
  • the second dimension of IK (IKr) indicates the magnitude of the instantaneous activation type of delayed rectification potassium current
  • the third dimension (Ito) of IK indicates the magnitude of the transient outward potassium current
  • the fourth dimension (IK1) of IK indicates the magnitude of the inward rectified potassium current.
  • (IKs, IKr, Ito, IK1) Three sets were used: (100%, 100%, 100%, 100%), (50%, 80%, 80%, 80%), and (30%, 50%, 30%, 50%).
  • LV is a parameter indicating the sphericity of the left ventricular shape. Discrete values of 0 and 1 were used for two patterns with different LVs. EX is a parameter indicating the pattern of excitement propagation. 0, 1, 2, and 3 were used for four different patterns of EX.
  • CELL is a parameter indicating the pattern of cell distribution. 0, 1, 2, 3, and 4 were used for five different patterns of CELL.
  • HR is a parameter indicating heart rate. A heart rate of 60 beats per minute was labeled with a discrete value of 0.
  • CIR (circulation) is a parameter derived from a blood vessel model, and is used to express heart failure and diastolic dysfunction. Parameters that take the value 0 correspond to normal patterns. In this embodiment, HR and CIR take only one discrete value, but are not limited to this. For example, as with other parameters, in HR, two or more heart rate patterns may be labeled with two or more discrete values, and in CIR, two or more parameters may be labeled with two or more blood vessel patterns. It may correspond to a pattern.
  • FIG. 4 shows an example of labeled discrete values.
  • G (100%, 100%) corresponds to 0, (120%, 80%) corresponds to 1, and (100%, 80%) corresponds to 2.
  • INa 100% corresponds to 0 and 70% corresponds to 1.
  • ICa (100%, 100%, 100%) corresponds to 0, and (50%, 70%, 150%) corresponds to 1.
  • NCX 100% corresponds to 0 and 150% corresponds to 1.
  • IK (100%, 100%, 100%, 100%) corresponds to 0, (50%, 80%, 80%, 80%) corresponds to 1, and (30%, 50%, 30% , 50%) corresponds to 2.
  • 0, 1 corresponds to each pattern
  • EX 0, 1, 2, 3 corresponds to each different pattern
  • CELL 0, 1, 2, 3, 4 corresponds to each different pattern.
  • the above correspondence relationship is just an example, and a different correspondence relationship may be used.
  • FIG. 4 shows an example of labeled discrete values.
  • G (100%, 100%) corresponds to 0, (120%, 80%) corresponds to 1, and (100%, 80%) corresponds to 2.
  • INa 100% corresponds to 0 and 70% corresponds to 1.
  • ICa (100%, 100%, 100%) corresponds to 0, and (50%, 70%, 150%) corresponds to 1.
  • NCX 100% corresponds to 0 and 150% corresponds to 1.
  • IK (100%, 100%, 100%, 100%) corresponds to 0, (50%, 80%, 80%, 80%) corresponds to 1, and (30%, 50%, 30% , 50%) corresponds to 2.
  • 0, 1 corresponds to each pattern
  • EX 0, 1, 2, 3 corresponds to each different pattern
  • CELL 0, 1, 2, 3, 4 corresponds to each different pattern.
  • the above correspondence relationship is just an example, and a different correspondence relationship may be used.
  • the data set generation device 2 generates a total of 2880 pieces of electrocardiographic waveform data based on patterns of discrete values of 10 standard parameters.
  • each of the 10 standard parameters is expressed as a one-hot vector, and the combined result is used. Therefore, the parameters are expressed as 25-dimensional vectors.
  • the electrocardiographic waveform data is data with 12 channels and 500 samples in length, representing one cycle of 12-dielectric electrocardiography.
  • Parameters may include continuous values.
  • G is a two-dimensional vector of Lat and Con
  • INa is a one-dimensional vector
  • ICa is a three-dimensional vector of SERCA
  • ICaL is a three-dimensional vector of SERCA
  • ICaL is a three-dimensional vector of SERCA
  • ICaL is a three-dimensional vector of SERCA
  • ICaL is a three-dimensional vector of SERCA
  • ICaL a three-dimensional vector of SERCA
  • ICaL a three-dimensional vector of SERCA
  • ICaL is a three-dimensional vector of SERCA
  • ICaL is a three-dimensional vector of SERCA
  • ICaL is a three-dimensional vector of SERCA
  • ICaL is a three-dimensional vector of SERCA
  • ICaL is a three-dimensional vector of SERCA
  • ICaL is a three-dimensional vector of SERCA
  • ICaL is a three-dimensional vector of SE
  • Parameters that are continuous values may be normalized.
  • the continuous values are normalized to take values from 0 to 1 based on the upper and lower limits of the continuous values. For example, when normalizing with a lower limit of 0% and an upper limit of 200%, 100% is normalized to 0.5 and 80% is normalized to 0.4.
  • a 525-dimensional vector is input to the latent variable generation model 31, which is a combination of a 500-dimensional vector that is a sample of one channel and a 25-dimensional vector that is a parameter.
  • the number of dimensions of the vector input to the latent variable generation model 31 is the sum of the number of dimensions of the vector that is a sample of one channel and the number of dimensions of the parameter vector. For example, if all 10 parameters are expressed as discrete values, the number of dimensions of the vector input to the latent variable generation model 31 is 525, and G, INa, Ca, NCX, and IK are continuous values. In this case, the number of dimensions of the vector input to the latent variable generation model 31 is 524.
  • the latent variable generation model 31 outputs the mean and log variance of the latent variables. The number of dimensions of the mean and logarithmic variance of the latent variables depends on the number of fully connected layers in the latent variable generation model 31.
  • the latent variable generation model 31 is an encoder composed of fully connected layers.
  • the latent variable generation model 31 converts a 525-dimensional vector input for each channel, but it may also be an integrated encoder that is connected between channels in an intermediate layer, or a 525-dimensional vector input for each channel. It may also be an encoder that converts and does not combine channels in intermediate layers.
  • the number of fully connected layers is, for example, from 4 to 10.
  • the number of dimensions of the latent variable is, for example, 128, 64, 32, 16, 8, 4, or 2.
  • the number of fully connected layers and the number of dimensions of latent variables are arbitrarily determined.
  • the number of dimensions of the output of each fully connected layer is determined by linearly interpolating the number of dimensions of the input except for the final layer.
  • the input 525-dimensional vectors are 355, 252, 179, There are 256 dimensions.
  • the nonlinear layer is ReLU. There is no nonlinear layer in the final layer.
  • the estimation model 32 is a decoder composed of fully connected layers.
  • the estimation model 32 receives a vector that is a combination of a latent variable vector and a 25-dimensional vector of parameters. It is desirable that the estimation model 32 is configured with the same number of connected layers as the latent variable generation model 31.
  • the number of dimensions of the coupled layer of the estimation model 32 is the inverse of the number of dimensions of the coupled layer of the latent variable generation model 31. For example, when the number of fully connected layers is 4 and the number of dimensions of the latent variable is 128, as in the latent variable generation model 31, the input 153-dimensional vector has dimensions of 179, 252, 355, and 500.
  • the number of dimensions of the vector input to the estimation model 32 may differ depending on the number of dimensions of the parameters. For example, if G, INa, Ca, NCX, IK In the case of continuous values, the number of dimensions of the vector input to the estimation model 32 is 152 (128+24). ReLU is used as a nonlinear layer after each layer of the estimation model. Also, tanh is used as a nonlinear layer after the final layer.
  • the latent variable generation model 31 and the estimation model 32 were updated by setting the batch size to 1024 and the number of epochs to 2000.
  • the initial values of the filter and bias of the convolutional layer, the weights of the fully connected layer, and the bias were uniformly distributed.
  • the loss was calculated by calculating the mean squared error (MSE) sum of each of the 500-dimensional vectors.
  • MSE mean squared error
  • the estimation device 4 inputs a vector that is a combination of a latent variable vector with all components set to 0 and a 25-dimensional vector of parameters to the estimated model 32 that has undergone the above learning.
  • the data of one channel of electrocardiographic waveform data is data indicating one cycle, but is not limited to this.
  • time-axis data may be frequency-converted.
  • the electrocardiographic waveform data is set to 12 channels based on 12-lead electrocardiography, the electrocardiographic waveform data may have a different number of channels by increasing or decreasing the position where the electrocardiogram is simulated.
  • estimation model does not necessarily need to use all of the parameters described above as input, and may use specific parameters.
  • Part or all of the estimation system 1 in the embodiment described above may be realized by a computer.
  • a program for realizing this function may be recorded on a computer-readable recording medium, and the program recorded on the recording medium may be read into a computer system and executed.
  • the "computer system” herein includes the OS and hardware of peripheral devices.
  • the term "computer-readable recording medium” refers to portable media such as flexible disks, magneto-optical disks, ROMs, and CD-ROMs, and recording devices such as hard disks built into computer systems.
  • a "computer-readable recording medium” refers to a storage medium that dynamically stores a program for a short period of time, such as a communication line when transmitting a program via a network such as the Internet or a communication line such as a telephone line. It may also include a device that retains a program for a certain period of time, such as a volatile memory inside a computer system that is a server or client in that case.
  • the above-mentioned program may be one for realizing a part of the above-mentioned functions, or may be one that can realize the above-mentioned functions in combination with a program already recorded in the computer system. Further, part or all of the estimation system 1 may be realized using a programmable logic device such as an FPGA (Field Programmable Gate Array).

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

心臓の機能又は状態を示すパラメータを入力として心臓に起因する波形を出力するように機械学習により学習された推定モデルに、心臓の機能又は状態を示すパラメータを入力することで心臓に起因する波形を推定する、推定装置。

Description

推定装置、推定方法、推定モデル生成装置、推定モデル生成方法及びプログラム
　本発明は、推定装置、推定方法、推定モデル生成装置、推定モデル生成方法及びプログラムに関する。
　心電波形や心音波形に代表される生体波形は、生体の異常の有無や病態を把握するために広く用いられている。例えば、心電波形の特徴を表すＰ波、ＱＲＳ波及びＴ波を信号処理により解析することで、異常検知や疾病分類などが行われている。また、生体内部のパラメータや心臓の形状のパラメータなどの心臓の物理的な状態を示すパラメータから心電をシミュレーションにより生成する方法がある。
　しかしながら、心臓の物理的な状態を示すパラメータから心電を生成するためには膨大な計算量や計算時間が必要である。
Sugiura, S., Washio, T., Hatano, A., Okada, J., Watanabe, H., Hisada, T., "Multi-scale simulations of cardiac electrophysiology and mechanics using the University of Tokyo heart simulator," Progress in Biophysics and Molecular Biology, vol. 110, no. 2, pp. 380-389, 2012. Golany, T., Freedman, D., and Radinsky, K., "SimGANs: Simulator-Based Generative Adversarial Networks for ECG Synthesis to Improve Deep ECG Classification," Proceedings of the 37th International Conference on Machine Learning (ICML), pp. 3579-3606, 2020.
　本発明は、より少ない計算量で生体パラメータから心電波形を生成することを目的とする。
　本発明の一態様は、心臓の機能又は状態を示すパラメータを入力として心臓に起因する波形を出力するように機械学習により学習された推定モデルに、心臓の機能又は状態を示すパラメータを入力することで心臓に起因する波形を推定する、推定装置である。
　より少ない計算量で生体パラメータから心電波形を生成することができる。
推定システム１の構成を示す図である。 推定モデル生成装置３の構成の一例を示す図である。 推定モデル生成装置３の動作を示すフローチャートである。 推定モデル生成装置３の動作を示すフローチャートである。 心臓の機能又は状態を示すパラメータを示す図である。
　図１は、推定システム１の構成を示す図である。推定システム１は、データセット生成装置２、推定モデル生成装置３、推定装置４を備える。
　データセット生成装置２は、心臓に起因する波形と心臓の機能又は状態を示すパラメータとを含むデータセットを生成する。心臓に起因する波形は、例えば心臓の心筋細胞の電気的活動に伴い生じる起電力を観測した結果である心電波形や心臓の心筋細胞の力学的活動に伴い生じる振動を観測した結果である心音波形である。心臓の機能又は状態を示すパラメータは、例えば伝導速度、カルシウムハンドリング、カリウムチャネル、左室形状、興奮伝播パターン、細胞分布、心拍数、血管パターンなどである。
　データセット生成装置２は、心臓の機能又は状態を示すパラメータに基づいて心臓に起因する波形を算出することでデータセットを生成する。データセット生成装置２は、例えば心臓の挙動をシミュレートするシミュレータに心臓の機能又は状態を示すパラメータを入力することで心臓に起因する波形を算出する。心臓の挙動をシミュレートするシミュレータは、例えばUT-Heart（商標）である。
　データセット生成装置２は、生成したデータセットを推定モデル生成装置３に出力する。
　推定モデル生成装置３は、データセット生成装置２から入力されるデータセットに基づいて推定モデルを生成する。推定モデルは心臓の機能又は状態を示すパラメータを入力として、心臓に起因する波形を出力するモデルである。推定モデル生成装置３は心臓の機能又は状態を示すパラメータを説明変数とし、心臓に起因する波形を目的変数とする機械学習により推定モデルを生成する。機械学習の手法は限定されず、例えばニューラルネットワーク、ランダムフォレスト、サポートベクトルマシン、ロジスティック回帰又はアンサンブル学習である。
　図２は、推定モデル生成装置３の構成の一例を示す図である。推定モデル生成装置３は、潜在変数生成モデル３１、推定モデル３２、モデル更新部３３、推定モデル出力部３４を備える。潜在変数生成モデル３１は、心臓に起因する波形及び心臓の機能又は状態を示すパラメータを入力として潜在変数を出力するモデルである。潜在変数生成モデル３１は、データセット生成装置２から入力されるデータセットを入力として潜在変数を出力する。推定モデル３２は、潜在変数及び心臓の機能又は状態を示すパラメータを入力として心臓に起因する波形を出力するモデルである。推定モデル３２は、潜在変数生成モデル３１から入力される潜在変数及びデータセットに含まれるパラメータを入力として心臓に起因する波形を推定する。つまり、潜在変数生成モデル３１と推定モデル３２とはオートエンコーダである。
　モデル更新部３３は、推定モデルにより推定される心臓に起因する波形と、データセットに含まれる心臓に起因する波形とに基づいて潜在変数生成モデル３１及び推定モデル３２を更新する。例えば、波形を示すベクトルの間の損失関数（例えば、平均二乗誤差（ＭＳＥ）やカルバック・ライブラー（ＫＬ）情報量）を算出し、損失関数が小さくなるように潜在変数生成モデル３１及び推定モデル３２を構成する全結合層のパラメータを変更する。
　推定モデル出力部３４は、更新された推定モデルを推定装置４に出力する。
　推定装置４は、推定モデル生成装置３から入力された推定モデルを記憶する。推定装置４には心臓の機能又は状態を示すパラメータが入力される。推定装置４は、記憶した推定モデルに心臓の機能又は状態を示すパラメータを入力し、心臓に起因する波形を出力させることで心臓に起因する波形を推定する。推定装置４は、推定した心臓に起因する波形を出力する。出力された波形は例えば表示装置により表示される。
　図３は、推定モデル生成装置３の動作を示すフローチャートである。推定モデル生成装置３は、データセット生成装置２からデータセットを取得する（ステップＳ３１）。その後、潜在変数生成モデル３１は、データセットに含まれる心臓に起因する波形及び心臓の機能又は状態を示すパラメータを入力として潜在変数を生成する（ステップＳ３２）。推定モデル３２は、潜在変数とデータセットに含まれる心臓の機能又は状態を示すパラメータを入力として心臓に起因する波形を推定する（ステップＳ３３）。モデル更新部３３は、データセットに含まれる心臓に起因する波形と、推定モデル３２により推定された心臓に起因する波形とに基づいて推定モデル３２を更新する（ステップＳ３４）。データセットに含まれる全ての波形とパラメータとのペアにより推定モデル３２を更新した場合（ステップＳ３５：ＹＥＳ）、推定モデル出力部３４は、推定モデル３２を出力する（ステップＳ３６）。データセットに含まれる全ての波形とパラメータとのペアにより推定モデル３２を更新していない場合（ステップＳ３５：ＮＯ）、再度ステップＳ３２からの動作を繰り返す。
　図４は、推定装置４の動作を示すフローチャートである。推定装置４は、推定モデル生成装置３から推定モデルを取得する（ステップＳ４１）。推定装置４は、入力される心臓の機能又は状態を示すパラメータを取得する（ステップＳ４２）。推定装置４は、記憶した推定モデルに心臓の機能又は状態を示すパラメータを入力し、心臓に起因する波形を出力させることで心臓に起因する波形を推定する（ステップＳ４３）。推定装置４は、推定したパラメータを出力する（ステップＳ４４）。
（具体例）
　以下、データセット、潜在変数生成モデル、推定モデルの具体例を説明する。
　データセット生成装置２は、UT-Heartを使用して心臓の機能又は状態を示すパラメータから心電波形データを生成する。パラメータはＧ、ＩＮａ、ＩＣａ、ＮＣＸ、ＩＫ、ＬＶ、ＥＸ、ＣＥＬＬ、ＨＲ、ＣＩＲの１０個のパラメータである。なお，これらは心臓に関する代表的なパラメータを例示するものであり，本発明においてパラメータはこれらに限られるものではない．
　上記１０個のパラメータは伝導速度、カルシウムハンドリング、カリウムチャネル、左室形状、興奮伝播パターン、細胞分布、心拍数、血管パターンを司るパラメータである。Ｇは平均的な人間の心臓の繊維方向及び繊維直交方向の線維化の度合いを２次元ベクトルで表すパラメータである。Ｇの１次元目(Lat)は心臓の繊維方向の繊維化度合いを示し、Ｇの２次元目(Con)は心臓の繊維直交方向の繊維化度合いを示す。コラーゲンが過剰に蓄積した状態におけるLat及びConをそれぞれ100%とする。（Lat, Con）は（100%,100%）、(120%,80%)、(100%,80%)の３組を用いた。
　ＩＮａは人間の心臓のナトリウムイオン電流を示す１次元ベクトルで表されるパラメータである。平均的な人間の心臓のナトリウムイオン電流を100%として、ＩＮａには100%と70%の２つの値を用いた。
　ＩＣａは人間の心臓のカルシウムイオン電流を示す３次元ベクトルで表されるパラメータである。ＩＣａの１次元目(SERCA)は、ＳＥＲＣＡ（sarco/endoplasmic reticulum Ca2+-ATPase）の量を示し、ＩＣａの２次元目(ICaL)は、ＩＣａＬ（L-type Ca2+ current）の大きさを示し、ＩＣａの３次元目(CaRC)は、リン酸化亢進の度合いを示す。人間の心臓におけるそれぞれの平均値をそれぞれ100%として、(SERCA, ICaL, CaRC)=（100%, 100%, 100%）と（50%, 70%, 150%）の2組を用いた。
　ＮＣＸは人間の心臓のNa/Ca交換体の量を示し１次元ベクトルで表されるパラメータである。平均的な人間の心臓のNa/Ca交換体の量を100%として、ＮＣＸには100%と150%を用いた。
　ＩＫは人間の心臓のカリウムイオン電流を示す４次元ベクトルで表されるパラメータである。ＩＫの１次元目(IKs)は遅延整流カリウム電流の緩徐活性型の電流の大きさを示し、ＩＫの２次元目(IKr)は遅延整流カリウム電流の瞬時活性型の電流の大きさを示し、ＩＫの３次元目(Ito)は一過性外向きのカリウム電流の大きさを示し、ＩＫの４次元目(IK1)は内向き整流のカリウム電流の大きさを示す。人間の心臓におけるそれぞれの平均値をそれぞれ100%として、(IKs, IKr, Ito, IK1)=
(100%, 100%, 100%, 100%), (50%, 80%, 80%, 80%), (30%, 50%, 30%, 50%)の3組を用いた。
　ＬＶは左室形状の球形度を示すパラメータである。ＬＶの異なる２つのパターンに対して０、１の離散値を用いた。
　ＥＸは興奮伝搬のパターンを示すパラメータである。ＥＸの異なる４つのパターンに対して０、１，２，３を用いた。
　ＣＥＬＬは細胞分布のパターンを示すパラメータである。ＣＥＬＬの異なる５つのパターンに対して０、１、２、３、４を用いた。
　ＨＲは心拍数(heart rate)を示すパラメータである。一分間あたり60拍の心拍数に離散値０をラベル付けした。
　ＣＩＲ(circulation)は血管モデルに由来するパラメータであり、心不全や拡張機能不全を表現するために用いられる。値０をとるパラメータは、正常パターンに対応する。
　本実施例においては、ＨＲ及びＣＩＲは１つの離散値のみをとるが、これに限られない。例えば、他のパラメータ同様、ＨＲにおいては２つ以上の心拍数のパターンに２つ以上の離散値がラベル付けされてもよいし、ＣＩＲにおいては、２つ以上のパラメータが２つ以上の血管のパターンに対応してもよい。
　これらのパラメータの表現法については様々な方法が考えられるが、本実施例においては簡単のため全て離散化した整数によってラベル付けを行った。図４にラベル付けを行った離散値の例を示す。Ｇにおいては（100%,100%）が０に対応し、 (120%,80%)が１に対応し、(100%,80%)が２に対応する。ＩＮａにおいては100%が０に対応し、70%が１に対応する。ＩＣａにおいては（100%, 100%, 100%）が０に対応し、（50%, 70%, 150%）が１に対応する。ＮＣＸにおいては100%が０に対応し、150%が１に対応する。ＩＫにおいては(100%, 100%, 100%, 100%)が０に対応し、(50%, 80%, 80%, 80%)が１に対応し、(30%, 50%, 30%, 50%)が２に対応する。ＬＶにおいてはパターンごとに０、１が対応し、ＥＸにおいては異なるパターンごとに０、１、２、３が対応し、ＣＥＬＬにおいては異なるパターンごとに０、１、２、３、４が対応する。なお、以上の対応関係は一例であって、異なる対応関係であってもよい。
　これらのパラメータの表現法については様々な方法が考えられるが、本実施例においては簡単のため全て離散化した整数によってラベル付けを行った。図４にラベル付けを行った離散値の例を示す。Ｇにおいては（100%,100%）が０に対応し、 (120%,80%)が１に対応し、(100%,80%)が２に対応する。ＩＮａにおいては100%が０に対応し、70%が１に対応する。ＩＣａにおいては（100%, 100%, 100%）が０に対応し、（50%, 70%, 150%）が１に対応する。ＮＣＸにおいては100%が０に対応し、150%が１に対応する。ＩＫにおいては(100%, 100%, 100%, 100%)が０に対応し、(50%, 80%, 80%, 80%)が１に対応し、(30%, 50%, 30%, 50%)が２に対応する。ＬＶにおいてはパターンごとに０、１が対応し、ＥＸにおいては異なるパターンごとに０、１、２、３が対応し、ＣＥＬＬにおいては異なるパターンごとに０、１、２、３、４が対応する。なお、以上の対応関係は一例であって、異なる対応関係であってもよい。
　データセット生成装置２は、１０個の標準パラメータの離散値のパターンにより、計２８８０個の心電波形データを生成する。データセットにおいて、１０個の標準パラメータは、それぞれのパラメータがワンホットベクトルで表現され、結合されたものが使用される。よってパラメータは２５次元のベクトルで表現される。心電波形データは、１２誘電心電の１周期を示すチャンネル数１２、長さ５００サンプルのデータである。
　パラメータは連続値を含んでもよい。このとき、ＧはLatとConの２次元ベクトルであり、ＩＮａは１次元ベクトルであり、ＩＣａはSERCA、ICaL、CaRCの３次元ベクトルであり、ＮＣＸは１次元ベクトルであり、ＩＫは４次元ベクトルである。このとき、１０個のパラメータはＧ、ＩＮａ、ＩＣａ、ＮＣＸ、ＩＫは連続値であり、ＬＶ、ＥＸ、ＣＥＬＬ、ＨＲ、ＣＩＲは離散値である。１０個のパラメータは連続値のベクトルとワンホットベクトルで表現された離散値とが結合されたものが使用される。よって、このときパラメータは２４次元のベクトルで表現される。
　なお、例えば、ＧとＩＮａを連続値とし他のパラメータを離散値とするなど、連続値とするパラメータは任意に決定してもよい。
　連続値であるパラメータは正規化されてもよい。例えば連続値の上限値及び下限値に基づき、連続値が０から１までの値をとるように正規化される。一例としては下限値を0%、上限値を200%として正規化する場合、100%は0.5に正規化され、80%は0.4に正規化される。
　潜在変数生成モデル３１には、１チャンネルのサンプルである５００次元のベクトルとパラメータの２５次元のベクトルを結合した５２５次元のベクトルが入力される。潜在変数生成モデル３１に入力されるベクトルの次元数は、１チャンネルのサンプルであるベクトルの次元数とパラメータのベクトルの次元数の和である。例えば、１０個のパラメータが全て離散値で表される場合には、潜在変数生成モデル３１に入力されるベクトルの次元数は５２５であり、Ｇ、ＩＮａ、Ｃａ、ＮＣＸ、ＩＫが連続値である場合には潜在変数生成モデル３１に入力されるベクトルの次元数は５２４である。潜在変数生成モデル３１は、潜在変数の平均と対数分散を出力する。潜在変数の平均と対数分散の次元数は、潜在変数生成モデル３１における全結合層の数に依存する。
　潜在変数生成モデル３１は、全結合層から構成されるエンコーダである。潜在変数生成モデル３１はチャンネルごとに入力される５２５次元のベクトルを変換するが、途中の層においてチャンネル間で結合されるIntegrated encoderであってもよいし、チャンネルごとに入力される５２５次元のベクトルを変換し、途中の層においてチャンネル間で結合しないencoderであってもよい。
　全結合層の数は例えば４から１０である。潜在変数の次元数は、例えば１２８、６４、３２、１６、８、４又は２である。全結合層の数と潜在変数の次元数は任意に決定される。各全結合層の出力の次元数は、最終層を除き入力の次元数を線形補間するように決定される。
　例えば、全結合層の数が４であり、潜在変数の次元数が平均と対数分散で各１２８次元、合計で２５６次元であるとき、入力される５２５次元のベクトルは、３５５、２５２、１７９、２５６次元となる。非線形層はＲｅＬＵである。最終層に非線形層はない。
　推定モデル３２は、全結合層から構成されるデコーダである。推定モデル３２は、潜在変数ベクトルとパラメータの２５次元のベクトルを結合したベクトルが入力される。推定モデル３２は、潜在変数生成モデル３１と同じ数の結合層で構成されることが望ましい。推定モデル３２の結合層の次元数は、潜在変数生成モデル３１の結合層の次元数を反転したものである。例えば、潜在変数生成モデル３１と同じく全結合層の数が４であり、潜在変数の次元数が１２８であるとき、入力される１５３次元のベクトルは、１７９、２５２、３５５、５００次元となる。潜在変数生成モデル３１に入力されるベクトルの次元数と同様に、推定モデル３２に入力されるベクトルの次元数もパラメータの次元数により異なることがあり、例えばＧ、ＩＮａ、Ｃａ、ＮＣＸ、ＩＫが連続値である場合には推定モデル３２に入力されるベクトルの次元数は１５２（１２８＋２４）である。推定モデルの各層の後には非線形層としてＲｅＬＵが使用される。また、最終層の後には非線形層としてtanhが使用される。
　次に、潜在変数生成モデル３１及び推定モデル３２の更新方法を説明する。バッチサイズを１０２４、エポック数を２０００として潜在変数生成モデル３１及び推定モデル３２を更新した。畳み込み層のフィルタ、バイアス及び全結合層の重み、バイアスの初期値は一様分布とした。オプティマイザとしてはAdamを用い、Pytorchのデフォルトのパラメータを用いた。具体的には、学習率(lr)を0.001とし、ベータ(betas)を0.9,0.999とし、epsを1e-8とした。
　オプティマイザにおいては、５００次元のベクトル各々の平均二乗誤差（ＭＳＥ）和を計算することで損失を計算した。
　推定装置４は、上記学習をさせた推定モデル３２に全ての成分を０とした潜在変数ベクトルとパラメータの２５次元のベクトルとを結合させたベクトルを入力する。
〈他の実施形態〉
　以上、図面を参照してこの発明の一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。
　心電波形データの１チャンネルのデータは、１周期を示すデータであるがこれに限られない。例えば、時間軸のデータを周波数変換したものであってもよい。
　また、心電波形データは１２誘導心電に基づき１２チャンネルとしたが、心電をシミュレートする位置を増減させて異なるチャンネル数の心電波形データであってもよい。
　また、推定モデルは必ずしも入力として上記説明した全てのパラメータを使用しなくてもよく、特定のパラメータを使用してもよい。
　上述した実施形態における推定システム１の一部又は全部をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記録装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものを含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。また、推定システム１の一部または全部は、ＦＰＧＡ（Field Programmable Gate Array）等のプログラマブルロジックデバイスを用いて実現されるものであってもよい。
１　推定システム、２　データセット生成装置、３　推定モデル生成装置、３１　潜在変数生成モデル、３２　推定モデル、３３　モデル更新部、３４　推定モデル出力部、４　推定装置

Claims (8)

  1. 　心臓の機能又は状態を示すパラメータを入力として心臓に起因する波形を出力するように機械学習により学習された推定モデルに、心臓の機能又は状態を示すパラメータを入力することで心臓に起因する波形を推定する、
    　推定装置。
  2. 　前記推定モデルは、心臓の機能又は状態を示すパラメータと前記パラメータに基づいて心臓に起因する波形を算出するシミュレータにより算出された心臓に起因する波形を含むデータセットを用いて学習されたものである、
    　請求項１に記載の推定装置。
  3. 　心臓の機能又は状態を示すパラメータを入力として心臓に起因する波形を出力するように機械学習により学習された推定モデルに、心臓の機能又は状態を示すパラメータを入力することで心臓に起因する波形を推定する、
    　推定方法。
  4. 　心臓の機能又は状態を示すパラメータと前記パラメータに基づいて心臓に起因する波形を算出するシミュレータにより算出された心臓に起因する波形を含むデータセットを用いて、心臓の機能又は状態を示すパラメータを入力として心臓に起因する波形を出力する推定モデルを生成する、
    　推定モデル生成装置。
  5. 　前記データセットに含まれる前記パラメータ及び前記波形を入力として潜在変数を出力する潜在変数生成モデルと、
    　前記潜在変数と前記パラメータを入力として前記波形を推定する前記推定モデルと、
    　前記推定された波形と前記データセットに含まれる波形とに基づいて前記潜在変数生成モデルと前記推定モデルとを更新するモデル更新部と、
    　を備える請求項４に記載の推定モデル生成装置。
  6. 　心臓の機能又は状態を示すパラメータと前記パラメータに基づいて心臓に起因する波形を算出するシミュレータにより算出された心臓に起因する波形を含むデータセットを用いて、心臓の機能又は状態を示すパラメータを入力として心臓に起因する波形を出力する推定モデルを生成する、
    　推定モデル生成方法。
  7. 　コンピュータに請求項３に記載の方法を実行させるためのプログラム。
  8. 　コンピュータに請求項６に記載の方法を実行させるためのプログラム。
PCT/JP2022/028791 2022-07-26 2022-07-26 推定装置、推定方法、推定モデル生成装置、推定モデル生成方法及びプログラム WO2024023929A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/028791 WO2024023929A1 (ja) 2022-07-26 2022-07-26 推定装置、推定方法、推定モデル生成装置、推定モデル生成方法及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/028791 WO2024023929A1 (ja) 2022-07-26 2022-07-26 推定装置、推定方法、推定モデル生成装置、推定モデル生成方法及びプログラム

Publications (1)

Publication Number Publication Date
WO2024023929A1 true WO2024023929A1 (ja) 2024-02-01

Family

ID=89705628

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/028791 WO2024023929A1 (ja) 2022-07-26 2022-07-26 推定装置、推定方法、推定モデル生成装置、推定モデル生成方法及びプログラム

Country Status (1)

Country Link
WO (1) WO2024023929A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007222313A (ja) * 2006-02-22 2007-09-06 Kyoto Univ 生体パラメータ決定装置、およびプログラム
US20200196897A1 (en) * 2018-12-20 2020-06-25 Imec Vzw Method for generating a model for generating a synthetic ecg and a method and system for analysis of heart activity
WO2020183857A1 (ja) * 2019-03-08 2020-09-17 国立大学法人 東京医科歯科大学 心房細動解析装置、心房細動解析方法及びプログラム
JP2022523741A (ja) * 2015-10-27 2022-04-26 カーディオログス テクノロジーズ エスアーエス 描写および分類のための心電図処理システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007222313A (ja) * 2006-02-22 2007-09-06 Kyoto Univ 生体パラメータ決定装置、およびプログラム
JP2022523741A (ja) * 2015-10-27 2022-04-26 カーディオログス テクノロジーズ エスアーエス 描写および分類のための心電図処理システム
US20200196897A1 (en) * 2018-12-20 2020-06-25 Imec Vzw Method for generating a model for generating a synthetic ecg and a method and system for analysis of heart activity
WO2020183857A1 (ja) * 2019-03-08 2020-09-17 国立大学法人 東京医科歯科大学 心房細動解析装置、心房細動解析方法及びプログラム

Similar Documents

Publication Publication Date Title
Noble et al. Biological relativity requires circular causality but not symmetry of causation: so, where, what and when are the boundaries?
Pullan et al. Mathematically modelling the electrical activity of the heart: from cell to body surface and back again
Arts et al. Adaptation to mechanical load determines shape and properties of heart and circulation: the CircAdapt model
JP6300244B2 (ja) 生体シミュレーション装置、生体シミュレーション装置の制御方法、および生体シミュレーション装置の制御プログラム
Cueto et al. Real time simulation for computational surgery: a review
Wright et al. Steering and visualization: Enabling technologies for computational science
US20170206686A1 (en) Simulated Cardiac Model
Roy et al. Multimodal cardiovascular model for hemodynamic analysis: Simulation study on mitral valve disorders
WO2024023929A1 (ja) 推定装置、推定方法、推定モデル生成装置、推定モデル生成方法及びプログラム
Azam et al. Cardiac anomaly detection considering an additive noise and convolutional distortion model of heart sound recordings
WO2024023927A1 (ja) 推定装置、推定方法、推定モデル生成装置、推定モデル生成方法及びプログラム
Shahmohammadi et al. Hemodynamics-driven mathematical model of first and second heart sound generation
RU2468432C2 (ru) Способ и устройство для выведения вероятностных моделей из детерминистических моделей
Filipovic et al. In silico clinical trials for cardiovascular disease
Ryzhii et al. Development of simplified model of atrioventricular node with dual pathway
US20220013199A1 (en) Digital twin manager
Thambawita et al. DeepFake electrocardiograms: the key for open science for artificial intelligence in medicine
Sozykin et al. LeVen-a parallel system for simulation of the heart left ventricle
Mascio et al. Hardware in the loop implementation of the oscillator-based heart model: a framework for testing medical devices
Moein Electrocardiogram Signal Classification and Machine Learning: Emerging Research and Opportunities: Emerging Research and Opportunities
Kulishov Modeling of cardiac arrhythmias and blockades as the unity of fractal and anti-fractal antonyms
Kenwright et al. Lightweight Self-Driven Deformable Organ Animations
Yao et al. A computationally efficient approach to simulate heart rate effects using a whole human heart model
Hurmusiadis Virtual heart: Simulation-based cardiac physiolgy for education
CN117993254A (zh) 一种基于非线性大变形力学原理的全心脏模拟仿真方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22953026

Country of ref document: EP

Kind code of ref document: A1