知財求人 - 知財ポータルサイト「IP Force」
▶ バイオセンス・ウエブスター・（イスラエル）・リミテッドの特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】特開2021-186675(P2021-186675A)
(43)【公開日】2021年12月13日
(54)【発明の名称】心臓マッピングにおける心構造の自動検出
(51)【国際特許分類】
A61B 5/346 20210101AFI20211115BHJP
A61B 5/367 20210101ALI20211115BHJP
A61B 5/287 20210101ALI20211115BHJP
【ＦＩ】
A61B5/346
A61B5/367
A61B5/287
【審査請求】未請求
【請求項の数】20
【出願形態】ＯＬ
【外国語出願】
【全頁数】43
(21)【出願番号】特願2021-88197(P2021-88197)
(22)【出願日】2021年5月26日
(31)【優先権主張番号】63/030,392
(32)【優先日】2020年5月27日
(33)【優先権主張国】US
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＢＬＵＥＴＯＯＴＨ
２．ＺＩＧＢＥＥ
３．ＦＩＲＥＷＩＲＥ
(71)【出願人】
【識別番号】511099630
【氏名又は名称】バイオセンス・ウエブスター・（イスラエル）・リミテッド
【氏名又は名称原語表記】Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒ （Ｉｓｒａｅｌ）， Ｌｔｄ．
(74)【代理人】
【識別番号】100088605
【弁理士】
【氏名又は名称】加藤 公延
(74)【代理人】
【識別番号】100130384
【弁理士】
【氏名又は名称】大島 孝文
(72)【発明者】
【氏名】エリヤフ・ラブナ
(72)【発明者】
【氏名】エラド・ナカル
(72)【発明者】
【氏名】リオール・ボッツァー
(72)【発明者】
【氏名】ジョナサン・ヤーニットスキー
(72)【発明者】
【氏名】イド・レブ
【テーマコード（参考）】
4C127
【Ｆターム（参考）】
4C127BB05
4C127GG01
4C127HH13
4C127LL08
(57)【要約】
【課題】心臓内の特定の構造の位置を自動的に検出するための方法、装置、システム、及びモデルを提供すること。【解決手段】訓練データを受信するニューラルネットワーク訓練モデルを含むプロセッサを含む、関心対象の心構造を自動的に検出するようにニューラルネットワークを訓練するためのシステム及び方法。訓練データは、心臓内に位置付けられた第１のカテーテルの電極によって受信された第１の心構造に関する第１の電気生理学的データを含む第１の入力と、第１の心構造に関する第２のデータを含む第２の入力と、を含む。ニューラルネットワーク訓練モデルは、出力として、訓練データに基づいて、第１の心構造が関心対象の心構造であるか否かの判定を生成する。
【選択図】図１
【特許請求の範囲】
【請求項1】
心構造を自動的に検出するためのシステムであって、
第１の心構造に関する電気生理学的データを受信するように、心臓内に位置付けられた複数の感知デバイスであって、各々が、一次元信号を提供する、複数の感知デバイスと、
ニューラルネットワークを含むプロセッサであって、
前記複数の感知デバイスのうちの少なくとも１つから前記一次元信号を受信し、
一対の前記複数の感知デバイス間の距離に関する距離データを受信し、
受信した前記一次元信号に前記ニューラルネットワークを適用して、出力を判定し、
前記距離に重み及びバイアスを適用し、
重み付けされ、かつバイアスをかけられた前記距離に活性化関数を適用し、
判定された前記出力に前記活性化関数の前記出力を乗算して、前記電気生理学的データ及び前記距離データに基づいて、前記第１の心構造が関心対象の前記心構造であるか否かを判定する、
プロセッサと、
を備える、システム。
第１の心構造に関する電気生理学的データを受信するように、心臓内に位置付けられた複数の感知デバイスであって、各々が、一次元信号を提供する、複数の感知デバイスと、
ニューラルネットワークを含むプロセッサであって、
前記複数の感知デバイスのうちの少なくとも１つから前記一次元信号を受信し、
一対の前記複数の感知デバイス間の距離に関する距離データを受信し、
受信した前記一次元信号に前記ニューラルネットワークを適用して、出力を判定し、
前記距離に重み及びバイアスを適用し、
重み付けされ、かつバイアスをかけられた前記距離に活性化関数を適用し、
判定された前記出力に前記活性化関数の前記出力を乗算して、前記電気生理学的データ及び前記距離データに基づいて、前記第１の心構造が関心対象の前記心構造であるか否かを判定する、
プロセッサと、
を備える、システム。
【請求項2】
関心対象の前記心構造が、ヒス束を含む、請求項１に記載のシステム。
【請求項3】
前記複数の感知デバイスによって受信された前記第１の心構造に関する前記電気生理学的データが、ＥＣＧ信号を含む、請求項１に記載のシステム。
【請求項4】
前記複数の感知デバイスが、複数の異なる電極を含む、請求項１に記載のシステム。
【請求項5】
前記距離データが、マッピング電極の前記距離である、請求項１に記載のシステム。
【請求項6】
前記ニューラルネットワークが、畳み込みニューラルネットワーク又はリカレントニューラルネットワークである、請求項１に記載のシステム。
【請求項7】
前記一次元信号及び前記距離データに対して、前記ニューラルネットワークをモノリシックに訓練することを更に含む、請求項１に記載のシステム。
【請求項8】
心構造を自動的に検出するための方法であって、
心臓内に位置付けられた複数の感知デバイスを介して、複数の一次元信号を含む電気生理学的データを受信することと、
ニューラルネットワークを介して、前記複数の感知デバイスのうちの少なくとも１つから、前記一次元信号を受信し、かつ一対の前記複数の感知デバイス間の距離に関する距離データを受信することと、
受信した前記一次元信号に前記ニューラルネットワークを適用して、出力を判定することと、
前記距離に重み及びバイアスを適用し、重み付けされ、かつバイアスをかけられた前記距離に活性化関数を適用することと、
判定された前記出力に前記活性化関数の前記出力を乗算して、前記電気生理学的データ及び前記距離データに基づいて、前記第１の心構造が関心対象の前記心構造であるか否かを判定することと、
を含む、方法。
心臓内に位置付けられた複数の感知デバイスを介して、複数の一次元信号を含む電気生理学的データを受信することと、
ニューラルネットワークを介して、前記複数の感知デバイスのうちの少なくとも１つから、前記一次元信号を受信し、かつ一対の前記複数の感知デバイス間の距離に関する距離データを受信することと、
受信した前記一次元信号に前記ニューラルネットワークを適用して、出力を判定することと、
前記距離に重み及びバイアスを適用し、重み付けされ、かつバイアスをかけられた前記距離に活性化関数を適用することと、
判定された前記出力に前記活性化関数の前記出力を乗算して、前記電気生理学的データ及び前記距離データに基づいて、前記第１の心構造が関心対象の前記心構造であるか否かを判定することと、
を含む、方法。
【請求項9】
関心対象の前記心構造が、ヒス束を含む、請求項８に記載の方法。
【請求項10】
前記複数の感知デバイスによって受信された前記第１の心構造に関する前記電気生理学的データが、ＥＣＧ信号を含む、請求項８に記載の方法。
【請求項11】
前記複数の感知デバイスが、複数の異なる電極を含む、請求項８に記載の方法。
【請求項12】
前記距離データが、マッピング電極の前記距離である、請求項１に記載のシステム。
【請求項13】
前記ニューラルネットワークが、畳み込みニューラルネットワーク又はリカレントニューラルネットワークである、請求項１に記載のシステム。
【請求項14】
前記一次元信号及び前記距離データに対して、前記ニューラルネットワークをモノリシックに訓練することを更に含む、請求項１に記載のシステム。
【請求項15】
心構造を自動的に検出するためのシステムであって、
第１の心構造に関する電気生理学的データを受信するために心臓内に位置付けられた複数の感知デバイスであって、各々が、一次元信号を提供する、複数の感知デバイスと、
第１のニューラルネットワークを含むプロセッサであって、前記複数の感知デバイスのうちの少なくとも１つから前記一次元信号を受信し、受信した前記一次元信号に前記ニューラルネットワークを適用して、出力を判定する、プロセッサと、を備え、
前記プロセッサが、少なくとも一対の前記複数の感知デバイス間の距離に関する複数のスカラ値を受信し、前記複数のスカラ値に重み及びバイアスを適用し、重み付けされ、かつバイアスをかけられた前記距離に活性化関数を適用する、第２のニューラルネットワークを含み、
前記第１のニューラルネットワークの前記出力及び前記第２のニューラルネットワークを組み合わせて、前記電気生理学的データ及び前記距離データに基づいて、前記第１の心構造が関心対象の前記心構造であるか否かを判定する、システム。
第１の心構造に関する電気生理学的データを受信するために心臓内に位置付けられた複数の感知デバイスであって、各々が、一次元信号を提供する、複数の感知デバイスと、
第１のニューラルネットワークを含むプロセッサであって、前記複数の感知デバイスのうちの少なくとも１つから前記一次元信号を受信し、受信した前記一次元信号に前記ニューラルネットワークを適用して、出力を判定する、プロセッサと、を備え、
前記プロセッサが、少なくとも一対の前記複数の感知デバイス間の距離に関する複数のスカラ値を受信し、前記複数のスカラ値に重み及びバイアスを適用し、重み付けされ、かつバイアスをかけられた前記距離に活性化関数を適用する、第２のニューラルネットワークを含み、
前記第１のニューラルネットワークの前記出力及び前記第２のニューラルネットワークを組み合わせて、前記電気生理学的データ及び前記距離データに基づいて、前記第１の心構造が関心対象の前記心構造であるか否かを判定する、システム。
【請求項16】
関心対象の前記心構造が、ヒス束を含む、請求項１５に記載のシステム。
【請求項17】
前記複数の感知デバイスによって受信された前記第１の心構造に関する前記電気生理学的データが、ＥＣＧ信号を含む、請求項１５に記載のシステム。
【請求項18】
前記複数の感知デバイスが、複数の異なる電極を含む、請求項１５に記載のシステム。
【請求項19】
前記距離データが、マッピング電極の前記距離である、請求項１５に記載のシステム。
【請求項20】
前記一次元信号及び前記距離データに対して、前記第１のニューラルネットワーク及び前記第２のニューラルネットワークをモノリシックに訓練することを更に含む、請求項１に記載のシステム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、心臓内の特定の構造の位置を自動的に検出することに関連する人工知能及び機械学習に関し、より好ましくは、心臓内のヒス束の位置を自動的に検出することに関する。
【背景技術】
【0002】
アブレーションカテーテルを使用して、心組織内に組織壊死を生じさせ、（心房細動、心房粗動、心房頻拍、及び心室頻拍を含むがこれらに限定されない）心不整脈を矯正することは周知である。不整脈は、様々な病気及び更には死につながり得る、不規則的な心拍数、同期的な房室収縮の損失、及び血流の鬱血を含む様々な危険な状態を生じさせることがある。多くの不整脈の主要な原因は、１つ又は２つ以上の心腔内の漂遊電気信号であると考えられる。
【0003】
心臓アブレーションの間、患者の心臓の組織内に、損傷が生成される。損傷を生成するために、カテーテルが組織に接触して、電磁高周波（electromagnetic radiofrequency、ＲＦ）エネルギーがカテーテル電極から組織内に注入されるようにカテーテルを心臓内に挿入し、アブレーション及び損傷の生成を行う。
【0004】
ヒス束は、他にはヒスの束として既知であるが、冠状静脈洞（coronary sinus、ＣＳ）のオリフィス付近に由来する心筋の一部である。ヒス束は、心房と心室との間に位置する房室（atrioventricular、ＡＶ）結節から心臓の心室に電気インパルスを伝達する役割を果たすという点で、心臓の電気伝導系の重要な部分である。
【0005】
ヒス束は、心臓内の脆弱な位置に位置付けられており、誤ってアブレーションされた場合、心臓の電気伝導系に有害かつ望ましくない影響をもたらすことがある。従来のアブレーション処置の間、医師は、多くの場合、アブレーション処置中にヒス束を回避することができるように、心臓内のその位置を識別するためにヒス束を手動でタグ付けする。ヒス束のそのような手動タグ付けは、面倒かつ時間がかかる。加えて、手動タグ付けは、心電図（electrocardiogram、ＥＣＧ）信号がヒス束インパルスのように見えるように出現するが実際にはそうではない、偽陽性読み取りをもたらすことがある。
【発明の概要】
【発明が解決しようとする課題】
【0006】
人工知能及び／又は機械学習を利用して正確にヒス束を自動的に検出する自動かつ信頼性の高いシステム及び方法に対する必要性が存在する。
【課題を解決するための手段】
【0007】
心臓内の特定の構造の位置を自動的に検出するための方法、装置、システム、及びモデルが、本明細書に記載される。
【0008】
一態様によれば、本明細書に開示される主題は、心構造を自動的に検出するためのシステムに関する。このシステムは、好ましくは、第１の心構造に関する電気生理学的データを受信するように心臓内に位置付けられた第１のカテーテルと、心臓内の所定の位置に位置する第２のカテーテルと、ニューラルネットワークを含むプロセッサと、を含む。ニューラルネットワークは、第１のカテーテルから電気生理学的データを受信し、第１のカテーテルと第２のカテーテルとの間の距離に関する距離データを受信し、第１の心構造に関する電気生理学的データが関心対象の心構造の所定の電気生理学的データと一致しているか否かを判定し、第１のカテーテルと第２のカテーテルとの間の距離が所定の閾値未満であるか否かを判定し、電気生理学的データ及び距離データに基づいて、第１の心構造が関心対象の心構造であるか否かを判定する。
【0009】
別の態様によれば、本明細書に開示される主題は、心構造を自動的に検出するようにニューラルネットワークを訓練するためのシステムに関する。システムは、訓練データを受信するニューラルネットワーク訓練モデルを含むプロセッサを備える。訓練データは、以前にマッピングされた関心対象の心構造の位置と、心臓内に位置付けられた第１のカテーテルによって受信された第１の心構造に関する電気生理学的データと、関心対象の心構造の所定の電気生理学的データと、第１のカテーテルと第２のカテーテルとの間の距離に関する距離データと、第１のカテーテル上の点と第２のカテーテル上の点との間の距離に関する所定の閾値と、を含む。ニューラルネットワーク訓練モデルは、電気生理学的データが関心対象の心構造の所定の電気生理学的データと一致しているか否かを判定し、距離データが所定の値未満であるか否かを判定し、かつ訓練データに基づいて、第１の心構造が関心対象の心構造であるか否かを判定するように訓練される。
【0010】
更に別の態様によれば、本明細書に開示される主題は、心構造を自動的に検出するようにニューラルネットワークモデルを訓練する方法に関する。この方法は、ニューラルネットワークモデルを含むプロセッサによって訓練データを受信することを含む。訓練データは、以前にマッピングされた関心対象の心構造の位置と、心臓内に位置付けられた第１のカテーテルによって受信された第１の心構造に関する電気生理学的データと、関心対象の心構造の所定の電気生理学的データと、第１のカテーテルと第２のカテーテルとの間の距離に関する距離データと、第１のカテーテル上の点と第２のカテーテル上の点との間の距離に関する所定の閾値と、を含む。この方法は、訓練データを用いてニューラルネットワークモデルを訓練することを更に含む。訓練は、電気生理学的データが関心対象の心構造の所定の電気生理学的データと一致しているか否かを判定することと、距離データが所定の値未満であるか否かを判定することと、訓練データに基づいて、第１の心構造が関心対象の心構造であるか否かを判定することと、を含む。
【0011】
更に別の態様によれば、関心対象の心構造は、ヒス束である。
【0012】
更に別の態様によれば、第１のカテーテルは、ヒス束マッピングカテーテルを含む。
【0013】
更に別の態様によれば、第１のカテーテルによって受信された第１の心構造に関する電気生理学的データは、電位図、より具体的には、ヒス束電位図を含む。
【0014】
更に別の態様によれば、第２のカテーテルは、冠状静脈洞カテーテル、より具体的には、位置センサを含む。
【0015】
更に別の態様によれば、訓練データは、表面身体電極によって生成された心電図データを更に含む。
【0016】
更に別の態様によれば、ニューラルネットワークは、心電図データが関心対象の心構造の所定の電気生理学的データと一致しているか否かを判定するように訓練される。
【0017】
更に別の態様によれば、ニューラルネットワークは、第１の心構造に関する電気生理学的データが関心対象の心構造の所定の電気生理学的データと一致し、かつ距離データが所定の値未満であるときに、第１の心構造が関心対象の心構造であると判定するように訓練される。
【0018】
更に別の態様によれば、ニューラルネットワークは、第１の心構造に関する電気生理学的データが関心対象の心構造の所定の電気生理学的データと一致しない、又は距離データが所定の値よりも大きいときに、第１の心構造が関心対象の心構造ではないと判定するように訓練される。
【0019】
更に別の態様によれば、関心対象の心構造の所定の電気生理学的データは、ニューラルネットワークと通信するデータベースに記憶される。
【0020】
更に別の態様によれば、ニューラルネットワークは、畳み込みニューラルネットワーク又は長・短期記憶ニューラルネットワークである。
【0021】
更に別の態様によれば、ニューラルネットワーク訓練モデルは、第１の心構造が関心対象の心構造であると判定し、この判定は、判定の精度を検証するために、既知の心構造の位置のデータベースと比較される。判定の精度が所定の精度閾値を上回る場合、ニューラルネットワーク訓練モデルは、心臓マッピングシステムの標準として検証される。
【0022】
更に別の態様によれば、本明細書に開示される主題は、訓練データを受信するニューラルネットワーク訓練モデルを含むプロセッサを含む、関心対象の心構造を自動的に検出するようにニューラルネットワークを訓練するためのシステムに関する。訓練データは、心臓内に位置付けられた第１のカテーテルの電極によって受信された第１の心構造に関する第１の電気生理学的データを含む第１の入力と、第１の心構造に関する第２のデータを含む第２の入力と、を含む。ニューラルネットワーク訓練モデルは、出力として、訓練データに基づいて、第１の心構造が関心対象の心構造であるか否かの判定を生成する。
【図面の簡単な説明】
【0023】
より詳細な理解は、添付の図面と併せて例として示される以下の説明より得ることができ、図中の同様の参照番号は、同様の要素を示す。【図1】本出願の主題による、患者の生体指標を遠隔監視及び通信するための例示的なシステムのブロック図である。
【図2】本出願の主題による、ネットワークと通信するコンピューティング環境の一例のシステム図である。
【図3】本出願の主題による、本開示の１つ又は２つ以上の特徴を実装することができる例示的なデバイスのブロック図である。
【図6】本出願の主題による、単純ベイズ計算の確率の一例を示す。
【図7】本出願の主題による、例示的な決定木を示す。
【図8】本出願の主題による、例示的なランダムフォレスト分類器を示す。
【図9】本出願の主題による、例示的なロジスティック回帰を示す。
【図10】本出願の主題による、例示的なサポート・ベクター・マシンを示す。
【図11】本出願の主題による、例示的な線形回帰モデルを示す。
【図12】本出願の主題による、例示的なＫ平均クラスタリングを示す。
【図13】本出願の主題による、例示的なアンサンブル学習アルゴリズムを示す。
【図14】本出願の主題による、例示的なニューラルネットワークを示す。
【図15】本出願の主題による、ハードウェアベースのニューラルネットワークを示す。
【図16】本出願の主題による、心臓の心房筋及び心室筋の収縮（脱分極）及び弛緩（再分極）によって生成された心電図（ＥＣＧ）信号を示す。
【図17】本出願の主題による、開示される主題の１つ又は２つ以上の特徴を実装することができる例示的な心臓アブレーションシステムを示す。
【図18A】入力データを受信して、ニューラルネットワークを訓練し、アブレーション処置などの処置中に医師による手動識別よりも高い効率及び信頼性で、ヒス束などの関心対象の心構造を自動的に識別する、図１７のニューラルネットワークなどのニューラルネットワークを示す。
【図18B】本出願の主題による、ニューラルネットワークを訓練するためのモジュールの実施形態を示すフロー図である。
【図19A】本出願の主題による、心臓アブレーション処置中に心臓内に位置付けられた様々なカテーテルを示す、蛍光透視法によって得られた心臓画像を示す。
【図19B】本出願の主題による、心臓内に位置付けられた例示的な第１及び第２のカテーテルを示す。
【図20】本出願の主題による、本開示のシステム及び方法に従って使用することができる例示的なＥＣＧ及びヒス束電位図（His bundle electrogram、ＨＢＥ）信号を示す。
【図21】本出願の主題による、例示的な畳み込みニューラルネットワーク（convolutional neural network、ＣＮＮ）を示す。
【図22】本出願の主題による、例示的なリカレントニューラルネットワーク（recurrent neural network、ＲＮＮ）を示す。
【図23】説明されるような本システムの一実装形態を示す。
【図24】説明されるような本システムの一実装形態を示す。
【図25】説明されるような本システムの一実装形態を示す。
【発明を実施するための形態】
【0024】
心臓内の特定の構造の位置を自動的に検出すること、より好ましくは、心臓内のヒス束の位置を自動的に検出すること、及びニューラルネットワークを訓練して、心臓内のそのような特定の構造の位置を自動的に検出することを提供する方法、システム、及びプログラムが提供される。
【0025】
図１は、患者の生体指標（すなわち、患者データ）を遠隔監視及び通信するための例示的なシステム１００のブロック図である。図１に示す例では、システム１００は、患者１０４に関連付けられた患者生体計測監視及び処理装置１０２と、ローカルコンピューティングデバイス１０６と、遠隔コンピューティングシステム１０８と、第１のネットワーク１１０と、第２のネットワーク１２０と、を備える。
【0026】
例示的な一実施形態によれば、監視及び処理装置１０２は、患者の身体の内部にある装置（例えば、皮下移植可能）であってもよい。監視及び処理装置１０２は、経口注射、静脈又は動脈を介した外科的挿入、内視鏡処置、又は腹腔鏡処置を含む任意の適用可能な方法を介して患者に挿入されてもよい。
【0027】
例示的な一実施形態によれば、監視及び処理装置１０２は、患者の外部にある装置であってもよい。例えば、以下により詳細に記載されるように、監視及び処理装置１０２は、取り付け可能なパッチ（例えば、患者の皮膚に取り付けられる）を含んでもよい。監視及び処理装置１０２はまた、１つ又は２つ以上の電極を有するカテーテル、プローブ、血圧カフ、体重計、ブレスレット又はスマートウォッチ生体計測トラッカ、グルコースモニタ、連続正気道圧力（continuous positive airway pressure、ＣＰＡＰ）マシン、又は患者の健康若しくは生体指標に関する入力を提供し得る実質上任意のデバイスを含んでもよい。
【0028】
例示的な一実施形態によれば、監視及び処理装置１０２は、患者の内部にある構成要素及び患者の外部にある構成要素の両方を含むことができる。
【0029】
単一の監視及び処理装置１０２が、図１に示されている。しかしながら、例示的なシステムは、複数の患者生体計測監視及び処理装置を含んでもよい。患者生体計測監視及び処理装置は、１つ又は２つ以上の他の患者生体計測監視及び処理装置と通信してもよい。追加的に又は代替的に、患者生体計測監視及び処理装置は、ネットワーク１１０と通信してもよい。
【0030】
１つ又は２つ以上の監視及び処理装置１０２は、患者生体計測データ（例えば、電気信号、血圧、体温、血糖値又は他の生体計測データ）を取得することができ、かつ取得された患者の生体指標を表す患者生体計測データの少なくとも一部分、並びに１つ又は２つ以上の他の監視及び処理装置１０２から取得された患者の生体指標に関連付けられた追加情報を受信することができる。追加情報は、例えば、ウェアラブルデバイスなどの追加のデバイスから得られる診断情報及び／又は追加情報であってもよい。各監視及び処理装置１０２は、それ自体の取得された患者の生体指標、並びに１つ又は２つ以上の他の監視及び処理装置１０２から受信されたデータを含むデータを処理してもよい。
【0031】
図１では、ネットワーク１１０は、近距離ネットワーク（例えば、ローカルエリアネットワーク（ＬＡＮ）、又はパーソナルエリアネットワーク（ＰＡＮ））の一例である。情報は、Ｂｌｕｅｔｏｏｔｈ、Ｗｉ−Ｆｉ、Ｚｉｇｂｅｅ、Ｚ−Ｗａｖｅ、近接場通信（near field communication、ＮＦＣ）、ウルトラバンド、Ｚｉｇｂｅｅ、又は赤外線（infrared、ＩＲ）などの様々な近距離無線通信プロトコルのうちのいずれか１つを使用して、監視及び処理装置１０２とローカルコンピューティングデバイス１０６との間で、近距離ネットワーク１１０を介して送信されてもよい。
【0032】
例示的な一実施形態では、ネットワーク１２０は、有線ネットワーク、無線ネットワークであってもよく、又は１つ若しくは２つ以上の有線及び無線ネットワークを含んでもよい。例えば、ネットワーク１２０は、長距離ネットワーク（例えば、広域ネットワーク（ＷＡＮ）、インターネット、又はセルラーネットワーク）であってもよい。情報は、様々な長距離無線通信プロトコル（例えば、ＴＣＰ／ＩＰ、ＨＴＴＰ、３Ｇ、４Ｇ／ＬＴＥ、又は５Ｇ／Ｎｅｗ Ｒａｄｉｏ）のいずれか１つを使用して、ネットワーク１２０を介して送信されてもよい。
【0033】
例示的な一実施形態では、患者監視及び処理装置１０２は、患者生体計測センサ１１２、プロセッサ１１４、ユーザ入力（user input、ＵＩ）センサ１１６、メモリ１１８、及び送信受信機（すなわち、送受信機）１２２を含むことができる。患者監視及び処理装置１０２は、ネットワーク１１０を介して、任意の数の様々な患者の生体指標を継続的又は周期的に監視、記憶、処理、及び通信してもよい。患者の生体指標の例としては、電気信号（例えば、ＥＣＧ信号及び脳生体指標）、血圧データ、血糖データ、及び体温データが挙げられる。患者の生体指標は、心臓血管疾患（例えば、不整脈、心筋症、及び冠動脈疾患）及び自己免疫疾患（例えば、Ｉ型及びＩＩ型糖尿病）などの任意の数の様々な疾患にわたって治療するために監視及び通信され得る。
【0034】
一実施形態では、患者生体計測センサ１１２は、例えば、生体計測患者の生体指標の種類を感知するように構成された１つ又は２つ以上のセンサを含んでもよい。例えば、患者生体計測センサ１１２は、電気信号（例えば、心臓信号、脳信号又は他の生体電気信号）を取得するように構成された電極、体温センサ、血圧センサ、血糖センサ、血液酸素センサ、ｐＨセンサ、加速度計、及びマイクロフォン）を含んでもよい。
【0035】
例示的な一実施形態では、以下により詳細に記載されるように、患者生体計測監視及び処理装置１０２は、心臓のＥＣＧ信号を監視するためのＥＣＧモニタであってもよい。ＥＣＧモニタの患者生体計測センサ１１２は、ＥＣＧ信号を取得するための１つ又は２つ以上の電極を含んでもよい。ＥＣＧ信号は、様々な心臓血管疾患の治療に使用され得る。
【0036】
例示的な一実施形態では、送受信機１２２は、別個の送信機及び受信機を含むことができる。代替的に、送受信機１２２は、単一のデバイスに統合された送信機及び受信機を含んでもよい。
【0037】
例示的な一実施形態では、プロセッサ１１４は、患者生体計測センサ１１２によって取得されたメモリ１１８内の患者生体計測データなどの患者データを記憶し、送受信機１２２の送信機を介してネットワーク１１０上で患者データを通信するように構成されてもよい。１つ又は２つ以上の他の監視及び処理装置１０２からのデータはまた、以下により詳細に記載されるように、送受信機１２２の受信機によって受信されてもよい。
【0038】
例示的な一実施形態によれば、監視及び処理装置１０２は、例えば、タップ又はタッチなどのユーザ入力を受信するように構成された圧電センサ又は静電容量センサであってもよいＵＩセンサ１１６を含む。例えば、ＵＩセンサ１１６は、患者１０４が監視及び処理装置１０２の表面をタップ又はタッチすることに応答して、容量性結合を実装するように制御されてもよい。ジェスチャ認識は、抵抗容量性、表面容量性、投影容量性、表面弾性波、圧電及び赤外線タッチなどの、様々な容量型のうちのいずれか１つを介して実装することができる。静電容量センサは、表面のタップ又はタッチが監視デバイスを起動させるように、表面の小さい領域又は長さにわたって配置されてもよい。
【0039】
以下でより詳細に説明するように、プロセッサ１１４は、ＵＩセンサ１１６であり得る静電容量センサの異なるタッピングパターン（例えば、シングルタップ又はダブルタップ）に選択的に応答するように構成されてもよく、その結果、パッチの異なるタスク（例えば、データの取得、記憶、又は送信）が、検出されたパターンに基づいて起動されてもよい。いくつかの実施形態では、ジェスチャが検出されると、可聴フィードバックが処理装置１０２からユーザに与えられてもよい。
【0040】
例示的な一実施形態では、システム１００のローカルコンピューティングデバイス１０６は、患者生体計測監視及び処理装置１０２と通信し、第２のネットワーク１２０を介して遠隔コンピューティングシステム１０８へのゲートウェイとして機能するように構成されてもよい。ローカルコンピューティングデバイス１０６は、例えば、ネットワーク１２０を介して他のデバイスと通信するように構成された、スマートフォン、スマートウォッチ、タブレット、又は他のポータブルスマートデバイスであってもよい。代替的に、ローカルコンピューティングデバイス１０６は、例えば、モデム及び／又はルータ能力を含む固定された基地局、ＰＣの無線モジュールを介して処理装置１０２と遠隔コンピューティングシステム１０８との間で情報を通信するための実行可能プログラムを使用するデスクトップコンピュータ又はラップトップコンピュータ、又はＵＳＢドングルなどの、固定式又はスタンドアローンデバイスであってもよい。患者の生体指標は、ローカルエリアネットワーク（ＬＡＮ）（例えば、パーソナルエリアネットワーク（ＰＡＮ））などの近距離無線ネットワーク１１０を介して、近距離無線技術規格（例えば、Ｂｌｕｅｔｏｏｔｈ、Ｗｉ−Ｆｉ、ＺｉｇＢｅｅ、Ｚ−波、及び他の近距離無線規格）を使用して、ローカルコンピューティングデバイス１０６と患者生体計測監視及び処理装置１０２との間で通信されてもよい。いくつかの実施形態では、ローカルコンピューティングデバイス１０６はまた、以下により詳細に記載されるように、取得された患者電気信号及び取得された患者電気信号に関連する情報を表示するように構成されてもよい。
【0041】
いくつかの例示的な実施形態では、遠隔コンピューティングシステム１０８は、監視された患者の生体指標及び監視された患者に関連付けられた情報のうちの少なくとも一方を、長距離ネットワークであるネットワーク１２０を介して受信するように構成されてもよい。例えば、ローカルコンピューティングデバイス１０６が携帯電話である場合、ネットワーク１２０は、無線セルラーネットワークであってもよく、情報は、上述の無線技術のいずれかなどの無線技術規格を介してローカルコンピューティングデバイス１０６と遠隔コンピューティングシステム１０８との間で通信されてもよい。以下により詳細に記載されるように、遠隔コンピューティングシステム１０８は、患者の生体指標及び関連する情報のうちの少なくとも一方を医療専門家（例えば、医師）に提供する（例えば、視覚的に表示及び／又は聴覚的に提供する）ように構成されてもよい。
【0042】
図２は、ネットワーク１２０と通信するコンピューティング環境２００の一例のシステム図である。いくつかの例では、コンピューティング環境２００は、パブリッククラウドコンピューティングプラットフォーム（Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ又はＭｉｃｒｏｓｏｆｔ Ａｚｕｒｅなど）、ハイブリッドクラウドコンピューティングプラットフォーム（ＨＰ Ｅｎｔｅｒｐｒｉｓｅ ＯｎｅＳｐｈｅｒｅなど）又はプライベートクラウドコンピューティングプラットフォームに組み込まれる。
【0043】
図２に示すように、コンピューティング環境２００は、好ましくは、本明細書に記載される実施形態が実装され得るコンピューティングシステムの一実施例である遠隔コンピューティングシステム１０８（以下、コンピュータシステム）を含む。
【0044】
遠隔コンピューティングシステム１０８は、１つ又は２つ以上のプロセッサを含むことができるプロセッサ２２０を介して、様々な機能を実行することができる。例えば、機能は、監視された患者の生体指標及び関連する情報を分析することと、医師によって判定された又はアルゴリズム駆動された閾値及びパラメータに従って、警告、追加情報又は命令を（例えば、ディスプレイ２６６を介して）提供することとを含んでもよい。以下により詳細に記載されるように、遠隔コンピューティングシステム１０８は、医療従事者が他の患者よりも重大なニーズを有する患者を識別及び優先することを患者情報が可能にし得るように、患者情報ダッシュボードを（例えば、ディスプレイ２６６を介して）医療従事者（例えば、医師）に提供するために使用することができる。
【0045】
図２に示すように、コンピュータシステム２１０は、バス２２１などの通信機構、又はコンピュータシステム２１０内の情報を通信するための他の通信機構を含んでもよい。コンピュータシステム２１０は、情報を処理するためにバス２２１と結合された１つ又は２つ以上のプロセッサ２２０を更に含む。プロセッサ２２０は、１つ又は２つ以上のＣＰＵ、ＧＰＵ、又は当該技術分野において既知の任意の他のプロセッサを含んでもよい。
【0046】
コンピュータシステム２１０はまた、情報及びプロセッサ２２０によって実行される命令を記憶するためにバス２２１に結合されたシステムメモリ２３０を含むことができる。システムメモリ２３０は、読み取り専用システムメモリ（read only system memory、ＲＯＭ）２３１及び／又はランダムアクセスメモリ（ramdom access memory、ＲＡＭ）２３２などの揮発性及び／又は不揮発性メモリの形態のコンピュータ可読記憶媒体を含んでもよい。システムメモリＲＡＭ２３２は、他の動的記憶デバイス（単数又は複数）（例えば、ダイナミックＲＡＭ、スタティックＲＡＭ、及びシンクロナスＤＲＡＭ）を含んでもよい。システムメモリＲＯＭ２３１は、他の静的記憶デバイス（単数又は複数）（例えば、プログラマブルＲＯＭ、消去可能ＰＲＯＭ、及び電気的消去可能なＰＲＯＭ）を含んでもよい。加えて、システムメモリ２３０は、プロセッサ２２０による命令の実行中に一時変数又は他の中間情報を記憶するために使用することができる。基本入力／出力システム２３３（basic input/output system、ＢＩＯＳ）は、システムメモリＲＯＭ２３１に記憶され得る情報を、始動時などに、コンピュータシステム２１０内の要素間で転送するルーチンを含んでもよい。ＲＡＭ２３２は、プロセッサ２２０に即座にアクセス可能である、かつ／又はプロセッサ２２０によって現在操作されているデータ及び／又はプログラムモジュールを含んでもよい。システムメモリ２３０は、例えば、オペレーティングシステム２３４、アプリケーションプログラム２３５、他のプログラムモジュール２３６、及びプログラムデータ２３７を更に含んでもよい。
【0047】
例示的な一実施形態では、コンピュータシステム２１０はまた、磁気ハードディスク２４１及び取り外し可能な媒体ドライブ２４２（例えば、フロッピーディスクドライブ、コンパクトディスクドライブ、テープドライブ、及び／又はソリッドステートドライブ）などの、情報及び命令を記憶するための１つ又は２つ以上の記憶デバイスを制御するためにバス２２１に結合されたディスクコントローラ２４０を含む。記憶デバイスは、適切なデバイスインターフェース（例えば、小型コンピュータシステムインターフェース（small computer system interface、ＳＣＳＩ）、統合デバイス電子機器（integrated device electronics、ＩＤＥ）、ユニバーサルシリアルバス（Universal Serial Bus、ＵＳＢ）、又はＦｉｒｅＷｉｒｅ）を使用して、コンピュータシステム２１０に追加されてもよい。
【0048】
コンピュータシステム２１０はまた、コンピュータユーザに情報を表示するための、陰極線管（cathode ray tube、ＣＲＴ）又は液晶ディスプレイ（liquid crystal display、ＬＣＤ）などのモニタ又はディスプレイ２６６を制御するためにバス２２１に結合されたディスプレイコントローラ２６５を含んでもよい。図示されたコンピュータシステム２１０は、ユーザ入力インターフェース２６０と、コンピュータユーザと対話し、プロセッサ２２０に情報を提供するための、キーボード２６２及びポインティングデバイス２６１などの１つ又は２つ以上の入力デバイスとを含む。ポインティングデバイス２６１は、例えば、プロセッサ２２０に方向情報及びコマンド選択を通信し、ディスプレイ２６６上のカーソル移動を制御するためのマウス、トラックボール、又はポインティングスティックであってもよい。ディスプレイ２６６は、ポインティングデバイス２６１及び／又はキーボード２６２による方向情報及びコマンド選択の通信を補完する、又は置き換える入力を可能にし得るタッチスクリーンインターフェースを提供してもよい。
【0049】
コンピュータシステム２１０は、システムメモリ２３０などのメモリに含まれる１つ又は２つ以上の命令の１つ又は２つ以上のシーケンスを実行するプロセッサ２２０に応答して、本明細書に記載される機能及び方法の一部分又は各々を実行してもよい。そのような命令は、ハードディスク２４１又は取り外し可能な媒体ドライブ２４２などの別のコンピュータ可読媒体からシステムメモリ２３０に読み込むことができる。ハードディスク２４１は、本明細書に記載される実施形態によって使用される１つ又は２つ以上のデータストア及びデータファイルを含んでもよい。データストアコンテンツ及びデータファイルは、セキュリティを改善するために暗号化されてもよい。プロセッサ２２０はまた、システムメモリ２３０に含まれる命令の１つ又は２つ以上のシーケンスを実行するために、マルチ処理構成で採用されてもよい。代替的な実施形態では、ハードワイヤード回路は、ソフトウェア命令の代わりに、又はソフトウェア命令と組み合わせて使用することができる。したがって、実施形態は、ハードウェア回路とソフトウェアとの任意の特定の組み合わせに限定されない。
【0050】
上述のように、コンピュータシステム２１０は、本明細書に記載される実施形態に従ってプログラムされた命令を保持し、本明細書に記載されるデータ構造、テーブル、記録、又は他のデータを含むための、少なくとも１つのコンピュータ可読媒体又はメモリを含んでもよい。本明細書で使用するとき、用語「コンピュータ可読媒体」は、実行のためにプロセッサ２２０に命令を提供することに関与する、任意の非一時的な有形媒体を指す。コンピュータ可読媒体は、不揮発性媒体、揮発性媒体、及び伝送媒体を含むがこれらに限定されない多くの形態を採ることができる。不揮発性媒体の非限定的な例としては、ハードディスク２４１又は取り外し可能な媒体ドライブ２４２などの、光ディスク、ソリッドステートドライブ、磁気ディスク、及び光磁気ディスクが挙げられる。揮発性媒体の非限定的な例としては、システムメモリ２３０などの動的メモリが挙げられる。伝送媒体の非限定的な例としては、バス２２１を構成するワイヤを含む、同軸ケーブル、銅線、及び光ファイバが挙げられる。伝送媒体はまた、電波及び赤外線データ通信の間に生成されるものなどの音響波又は光波の形態を採ることができる。
【0051】
コンピューティング環境２００は、ローカルコンピューティングデバイス１０６への論理接続、及びパーソナルコンピュータ（ラップトップ又はデスクトップ）、モバイルデバイス（例えば、患者モバイルデバイス）、サーバ、ルータ、ネットワークＰＣ、ピアデバイス、又は他の共通ネットワークノードなどの１つ又は２つ以上の他のデバイスへの論理接続を使用してネットワーク化された環境内で動作するコンピュータシステム２１０を更に含むことができ、典型的には、コンピュータシステム２１０に関して上述した要素の多く又は全てを含む。ネットワーク環境で使用される場合、コンピュータシステム２１０は、インターネットなどのネットワーク１２０を介して通信を確立するためのモデム２７２を含んでもよい。モデム２７２は、ネットワークインターフェース２７０を介して、又は別の適切な機構を介してシステムバス２２１に接続されてもよい。
【0052】
図１及び図２に示されるようなネットワーク１２０は、インターネット、イントラネット、ローカルエリアネットワーク（local area network、ＬＡＮ）、広域ネットワーク（wide area network、ＷＡＮ）、メトロポリタンエリアネットワーク（metropolitan area network、ＭＡＮ）、直接接続若しくは一連の接続、セルラー電話ネットワーク、又はコンピュータシステム６１０と他のコンピュータ（例えば、ローカルコンピューティングデバイス１０６）との間の通信を容易にすることができる任意の他のネットワーク若しくは媒体を含む、当該技術分野で一般的に既知である任意のネットワーク又はシステムであり得る。
【0053】
図３は、本開示の１つ又は２つ以上の特徴を実装することができる例示的なデバイス３００のブロック図である。デバイス３００は、例えば、ローカルコンピューティングデバイス１０６であってもよい。デバイス３００は、例えば、コンピュータ、ゲームデバイス、ハンドヘルドデバイス、セットトップボックス、テレビ、携帯電話、又はタブレットコンピュータを含むことができる。デバイス３００は、プロセッサ３０２と、メモリ３０４と、記憶デバイス３０６と、１つ又は２つ以上の入力デバイス３０８と、１つ又は２つ以上の出力デバイス３１０と、を含む。デバイス３００はまた、任意選択的に、入力ドライバ３１２及び出力ドライバ３１４を含むことができる。デバイス３００は、人工知能アクセラレータを含む、図３に示されていない追加の構成要素を含むことができることが理解される。
【0054】
様々な代替例では、プロセッサ３０２は、中央処理装置（central processing unit、ＣＰＵ）、グラフィック処理ユニット（graphics processing unit、ＧＰＵ）、同じダイ上に位置するＣＰＵ及びＧＰＵ、又は１つ若しくは２つ以上のプロセッサコアを含み、各プロセッサコアは、ＣＰＵ又はＧＰＵであり得る。様々な代替例では、メモリ３０４は、プロセッサ３０２と同じダイ上に位置するか、又はプロセッサ３０２とは別個に位置する。メモリ３０４は、揮発性メモリ又は不揮発性メモリ、例えば、ランダムアクセスメモリ（ＲＡＭ）、ダイナミックＲＡＭ、又はキャッシュを含む。
【0055】
記憶デバイス３０６は、固定又は取り外し可能な記憶手段、例えば、ハードディスクドライブ、ソリッドステートドライブ、光ディスク、又はフラッシュドライブを含む。入力デバイス３０８は、限定するものではないが、キーボード、キーパッド、タッチスクリーン、タッチパッド、検出器、マイクロフォン、加速度計、ジャイロスコープ、バイオメトリックスキャナ、又はネットワーク接続（例えば、無線ＩＥＥＥ８０２信号の送信及び／又は受信のための無線ローカルエリアネットワークカード）を含む。出力デバイス３１０は、限定するものではないが、ディスプレイ、スピーカ、プリンタ、触覚フィードバックデバイス、１つ又は２つ以上のライト、アンテナ、又はネットワーク接続（例えば、無線ＩＥＥＥ８０２信号の送信及び／又は受信のための無線ローカルエリアネットワークカード）を含む。
【0056】
入力ドライバ３１２は、プロセッサ３０２及び入力デバイス３０８と通信し、プロセッサ３０２が入力デバイス３０８から入力を受信することを可能にする。出力ドライバ３１４は、プロセッサ３０２及び出力デバイス３１０と通信し、プロセッサ３０２が出力デバイス３１０に出力を送信することを可能にする。入力ドライバ３１２及び出力ドライバ３１４は、任意選択的な構成要素であり、入力ドライバ３１２及び出力ドライバ３１４が存在しない場合、デバイス３００は、同じ方式で動作することに留意されたい。出力ドライバ３１４は、表示デバイス３１８に結合された加速処理デバイス（accelerated processing device、「ＡＰＤ」）３１６を含んでもよい。ＡＰＤは、プロセッサ３０２からの計算コマンド及びグラフィックレンダリングコマンドを受け付け、それらの計算コマンド及びグラフィックレンダリングコマンドを処理し、表示のために表示デバイス３１８に画素出力を提供する。以下に更に詳細に記載されるように、ＡＰＤ３１６は、単一命令複数データ（single-instruction-multiple-data、「ＳＩＭＤ」）パラダイムに従って計算を実行する、１つ又は２つ以上の並列処理ユニットを含む。したがって、様々な機能がＡＰＤ３１６によって、又はＡＰＤ３１６と連携して実行されるものとして本明細書に記載されているが、様々な代替例では、ＡＰＤ３１６によって実行されるものとして記載される機能は、追加的に又は代替的に、ホストプロセッサ（例えば、プロセッサ３０２）によって駆動されず、かつ表示デバイス３１８にグラフィカル出力を提供する類似の能力を有する他のコンピューティングデバイスによって実行される。例えば、ＳＩＭＤパラダイムに従って処理タスクを実行する任意の処理システムは、本明細書に記載される機能を実行することができることが企図される。代替的に、ＳＩＭＤパラダイムに従って処理タスクを実行しないコンピューティングシステムは、本明細書に記載される機能を実行することが企図される。
【0057】
図４は、図３の例示的なデバイスを組み込んだ人工知能システム４００の機能的グラフィック描写を示す。システム４００は、データ４１０、マシン４２０、モデル４３０、複数の予測される転帰４４０、及び基盤となるハードウェア４５０を含む。システム４００は、複数の転帰４４０を予測できるようにするモデル４３０を構築しながら、データ４１０を使用してマシン４２０を訓練することによって動作する。システム４００が、ハードウェア４５０に対して動作してもよい。そのような構成では、データ４１０は、ハードウェア４５０に関連してもよく、例えば、監視及び処理装置１０２に由来してもよい。例えば、データ４１０は、進行中のデータ又はハードウェア４５０に関連する出力データであり得る。マシン４２０は、ハードウェア４５０に関連付けられたコントローラ又はデータ収集として動作してもよく、又はこれに関連付けられていてもよい。モデル４３０は、ハードウェア４５０によって達成される転帰を予測するために、ハードウェア４５０の動作をモデル化すると共に、ハードウェア４５０から収集されたデータ４１０をモデル化するように構成され得る。ハードウェア４５０は、予測される転帰４４０を使用して、ハードウェア４５０からの特定の望ましい転帰４４０を提供するように構成されていてもよい。
【0058】
図５は、図４の人工知能システムにおいて実行される一般的な方法５００を示す。方法５００は、ステップ５１０でハードウェアからデータを収集することを含む。このデータは、ハードウェアからの現在収集されている履歴データ若しくは他のデータ、又はその様々な組み合わせを含んでもよい。例えば、このデータは、外科的処置中の測定を含んでもよく、処置の転帰と関連付けることができる。例えば、心臓の温度を収集し、心臓処置の転帰と相関させることができる。
【0059】
ステップ５２０で、方法５００は、ハードウェア上でマシンを訓練することを含む。訓練は、ステップ５１０で収集されたデータの分析及び相関を含み得る。例えば、心臓の場合、温度及び転帰のデータが、処置中の心臓の温度と転帰との間に相関又は関連が存在するか否かを判定するために訓練されてもよい。
【0060】
方法５００は、ステップ５３０でハードウェアに関連するデータに基づいてモデルを構築することを含む。モデルの構築が、以下に説明するように、物理的ハードウェア又はソフトウェアモデリング、アルゴリズムモデリングなどを含んでもよい。このモデリングが、収集され訓練されたデータを表現することを目指してもよい。
【0061】
方法５００は、ステップ５４０でハードウェアに関連するモデルの転帰を予測することを含む。この転帰の予測が、訓練されたモデルに基づいてもよい。例えば、心臓の場合、処置中の温度が９７．７〜１００．２の時に処置から肯定的な転帰が得られると、所与の処置において、処置中の心臓の温度に基づいて転帰を予測することができる。このモデルは初歩的なものであるが、本開示の理解を深めるために例示的な目的で提供されている。
【0062】
本システム及び方法は、マシンを訓練し、モデルを構築し、アルゴリズムを使用して結果を予測するように動作する。これらのアルゴリズムを使用して、訓練されたモデルを解き、ハードウェアに関連する転帰を予測してもよい。これらのアルゴリズムは、一般に分類アルゴリズム、回帰アルゴリズム及びクラスタリングアルゴリズムに区分することができる。
【0063】
例えば、分類アルゴリズムは、予測される変数である従属変数が複数のクラスに分割され、所与の入力に対して１つのクラス、すなわち従属変数を予測する状況で使用される。したがって、分類アルゴリズムは、転帰を所定数の一定の事前定義された転帰から予測するために使用される。分類アルゴリズムが、単純ベイズアルゴリズム、決定木、ランダムフォレスト分類器、ロジスティック回帰、サポート・ベクター・マシン及びｋ近傍法を含んでもよい。
【0064】
一般的に、単純ベイズアルゴリズムは、ベイズ定理に従い、確率論的アプローチに従う。他の確率論に基づくアルゴリズムも使用可能であり、一般に、例示的な単純ベイズアルゴリズムについて以下に説明するものと同様の確率論の原理を使用して動作することが理解されよう。
【0065】
図６は、単純ベイズ計算の確率の例を示す。ベイズ定理の確率論的アプローチは、本質的には、データに直接ジャンプする代わりに、アルゴリズムがターゲットのクラスごとに事前確率のセットを持っていることを意味する。データが入力された後、単純ベイズアルゴリズムは、事前確率を更新して事後確率を形成してもよい。これは、以下の式：
【0066】
【数1】
【0067】
この単純ベイズアルゴリズム及びベイズアルゴリズムは、一般に、入力がｎ個のクラスの所与のリストに属しているか否かを予測する必要がある場合に有用であり得る。ｎ個全てのクラスの確率は非常に低いため、確率論的アプローチを使用することができる。
【0068】
例えば、図６に示すように、ゴルフをプレーする人は、第１のデータセット６１０に示されている外の天気を含むが、これらに限定されない要因に依存する。第１のデータセット６１０は、第１の列に天気を示し、第２の列にその天気に関連するプレーの結果を示す。頻度テーブル６２０では、特定の事象が発生する頻度が生成される。頻度テーブル６２０では、ある人が各気象条件においてゴルフをプレーするか又はプレーしない頻度が求められる。そこから、尤度テーブルがコンパイルされ、初期確率が生成される。例えば、天気が曇りである確率は０．２９だが、プレーの一般的な確率は０．６４である。
【0069】
事後確率が、尤度テーブル６３０から生成されてもよい。これらの事後確率は、気象条件及びゴルフがそれらの気象条件でプレーされるか否かについての質問に答えるように構成されてもよい。例えば、外が晴れであり、かつゴルフがプレーされる確率は、ベイズ式：Ｐ（はい｜晴れ）＝Ｐ（晴れ｜はい）×Ｐ（はい）／Ｐ（晴れ）
によって表されてもよい。
尤度テーブル６３０によると、
Ｐ（晴れ｜はい）＝３／９＝０．３３、
Ｐ（晴れ）＝５／１４＝０．３６、
Ｐ（はい）＝９／１４＝０．６４
である。
したがって、Ｐ（はい｜晴れ）＝．３３×．６４／．３６又は約０．６０（６０％）である。
【0070】
一般に、決定木はフローチャートに似たツリー構造であり、各外部ノードは属性のテストを示し、各ブランチはそのテストの結果を表す。リーフノードは、実際の予測ラベルを含む。決定木は、ツリーのルートから始まり、リーフノードに到達するまで属性値が比較される。決定木は、高次元のデータを処理する場合、及びデータの準備に費やされた時間がほとんどない場合に、分類器として使用することができる。決定木は、単純決定木、線形決定木、代数決定木、確定的決定木、ランダム化決定木、非確定的決定木及び量子決定木の形態を採ることができる。例示的な決定木を、以下に図７で示す。
【0071】
図７は、ゴルフをプレーするか否かを決定する際の、上記のベイズの例と同じ構造に沿った決定木を示している。決定木において、第１のノード７１０は、決定木を下に進むための選択肢として、天気が晴れ７１２、曇り７１４、及び雨７１６である場合を調べる。天気が晴れである場合、木の枝は、気温を調べる第２のノード７２０に続く。この例では、ノード７２０の気温は、高７２２又は正常７２４であり得る。ノード７２０で気温が高７２２である場合、ゴルフ「いいえ」７２３の予測結果が発生する。ノード７２０で気温が正常７２４である場合、ゴルフ「はい」７２５の予測結果が発生する。
【0072】
更に、第１のノード７１０から、曇り７１４、ゴルフ「はい」７１５の結果が発生する。
【0073】
第１のノードの天気７１０から、雨７１６の結果として、（再び）第３のノード７３０が温度を調べる。第３のノード７３０で気温が正常７３２である場合、ゴルフをプレーする「はい」７３３となる。第３のノード７３０で気温が低７３４である場合、ゴルフをプレーしない「いいえ」７３５となる。
【0074】
この決定木から、あるゴルファーは、曇天７１５の場合、正常の気温の晴天７２５の場合、及び正常の気温の雨天７３３の場合はゴルフをプレーするが、このゴルファーは、晴天の高温７２３又は降雨の低温７３５の場合はプレーしない。
【0075】
ランダムフォレスト分類器は、決定木のコミッティーであり、各決定木は、データの属性のサブセットを与えられ、そのサブセットに基づいて予測する。決定木の実際の予測値のモードが考慮され、最終的なランダムフォレストの回答が提供される。ランダムフォレスト分類器は一般に、スタンドアロンの決定木に存在する過剰適合を軽減することで、より堅牢かつ正確な分類器となっている。
【0076】
図８は、衣服の色を分類するための例示的なランダムフォレスト分類器を示す。図８に示すように、ランダムフォレスト分類器は、５つの決定木８１０１、８１０２、８１０３、８１０４及び８１０５（集合的に又は概略的に決定木８１０と称される）を含む。木の各々は、衣服の色を分類するように設計されている。個々の木は概ね図７の決定木として動作するので、木及び行われる決定の各々の考察は、提供されない。この図では、５つの木のうち３つ（８１０１、８１０２、８１０４）は、衣服が青色であると判定し、１つは、衣服が緑色（８１０３）であると判定し、残りの木は、衣服が赤色（８１０５）であると判定する。ランダムフォレストは、５つの木のこれらの実際の予測値を受け取り、実際の予測値のモードを計算して、衣服が青色であるというランダムフォレストの回答を提供する。
【0077】
ロジスティック回帰は、バイナリ分類タスクのもう１つのアルゴリズムである。ロジスティック回帰は、シグモイド関数とも呼ばれるロジスティック関数に基づいている。このＳ字曲線は、任意の実数値を取り、これを０と１との間でマッピングして、漸近的にこれらの限界に近づくことができる。ロジスティックモデルは、合格／不合格、勝ち／負け、生存／死亡、又は健康／病気など、特定のクラス又は事象が存在する確率をモデル化するために使用できる。これは、画像に猫、犬、ライオンなどが含まれているか否かの判定など、いくつかのクラスの事象をモデル化するように拡張され得る。画像において検出される各オブジェクトには、０と１との間の確率が割り当てられ、これらの確率の合計は、１となる。
【0078】
ロジスティックモデルでは、「１」とラベル付けされた値の対数オッズ（オッズの対数）は、１つ又は２つ以上の独立変数（「予測子」）の線形結合であり、独立変数は各々、バイナリ変数（インジケータ変数でコード化された２つのクラス）又は連続変数（任意の実数値）であり得る。「１」とラベル付けされた値の対応する確率は、０（確実に「０」の値）と１（確実に「１」の値）との間で変化する可能性があることから、このようにラベル付けされ、ロジスティック関数は、対数オッズを確率に変換する関数であることから、このように称される。対数オッズスケールの測定単位は、ロジスティック単位の別名であるロジットと呼ばれる。プロビットモデルなどの、ロジスティック関数の代わりにシグモイド関数が異なる類似のモデルも使用できる。ロジスティックモデルの特徴は、独立変数のうちの１つを増加させると、与えられた結果のオッズが一定の割合で乗法的にスケーリングされ、各独立変数がそれ自体のパラメータを有することである。バイナリ従属変数の場合、これはオッズ比を一般化する。
【0079】
バイナリロジスティック回帰モデルでは、従属変数には２つのレベル（カテゴリ）がある。３つ以上の値を有する出力は、多項ロジスティック回帰によってモデル化され、複数のカテゴリが順序付けられている場合は、順序ロジスティック回帰（例えば、比例オッズ順序ロジスティックモデル）によってモデル化される。ロジスティック回帰モデル自体は、出力の確率を入力に関して単純にモデル化し、統計的分類を実行しない（分類器ではない）が、例えば、カットオフ値を選択し、確率がカットオフよりも大きい入力を１つのクラスとして、確率がカットオフ未満である入力を他のクラスとして分類することにより、分類器の作成に使用できる。これは、バイナリ分類器を作成する一般的な方法である。
【0080】
図９は、例示的なロジスティック回帰を示す。この例示的なロジスティック回帰は、変数のセットに基づいた結果の予測を可能にする。例えば、個人の成績点平均に基づいて、学校に受け入れられる結果を予測することができる。成績点平均の過去の履歴と合格との関係により、予測を行うことができる。図９のロジスティック回帰は、成績点平均変数９２０の分析が、０から１によって定義される結果９１０を予測することを可能にする。Ｓ字曲線の下端９３０では、成績点平均９２０は、受け入れられないという結果９１０を予測する。Ｓ字曲線の上端９４０では、成績点平均９２０は、受け入れられるという結果９１０を予測する。ロジスティック回帰を使用して、住宅価値、保険セクタの顧客生涯価値などを予測することができる。
【0081】
サポート・ベクター・マシン（support vector machine：ＳＶＭ）を使用して、２つのクラス間のマージンを可能な限り離してデータを並べ替えることができる。これは、マージン最大化分離と呼ばれる。ＳＶＭは、その目的のためにデータセット全体を使用する線形回帰とは異なり、超平面をプロットしながらサポートベクターを考慮することが可能である。
【0082】
図１０は、例示的なサポート・ベクター・マシンを示す。例示的なＳＶＭ１０００では、データは、正方形１０１０及び三角形１０２０として表される２つの異なるクラスに分類され得る。ＳＶＭ１０００は、ランダムな超平面１０３０を描画することによって動作する。この超平面１０３０は、超平面１０３０と各クラスからの最も近いデータポイント１０５０との間の距離（線１０４０で示される）を比較することによって監視される。超平面１０３０に最も近いデータポイント１０５０は、サポートベクターとして既知である。超平面１０３０は、これらのサポートベクター１０５０に基づいて描かれ、最適な超平面は、各サポートベクター１０５０からの最大距離を有する。超平面１０３０とサポートベクター１０５０との間の距離は、マージンとして既知である。
【0083】
ＳＶＭ１０００は、超平面１０３０とサポートベクター１０５０との間の距離が最大になるように超平面１０３０を使用することによって、データ分類に使用され得る。このようなＳＶＭ１０００を、例えば心臓疾患を予測するために使用してもよい。
【0084】
ｋ近傍法（k Nearest Neighbors：ＫＮＮ）は、一般に基本的なデータ分散を想定しておらず、合理的に短い訓練フェーズを実行する一連のアルゴリズムを指す。一般に、ＫＮＮは複数のクラスに分割された多数のデータポイントを使用して、新しいサンプルポイントの分類を予測する。運用上、ＫＮＮは新しいサンプルで整数Ｎを指定する。新しいサンプルに最も近いシステムのモデル内のＮ個のエントリが選択される。これらのエントリの最も一般的な分類が判定され、その分類が新しいサンプルに割り当てられる。ＫＮＮは一般に、訓練セットが増加するにつれて記憶空間を増加させる必要がある。これは、推定時間が訓練ポイントの数に比例して増加することも意味する。
【0085】
回帰アルゴリズムでは、出力は連続量であるため、目標変数が連続的な変数である場合に回帰アルゴリズムを使用することができる。線形回帰は、回帰アルゴリズムの一般的な例である。線形回帰は、一貫した変数を考慮して、真の品質（住宅コスト、コール回数、全ての取引など）を測定するために使用可能である。変数と結果との間のつながりが、最適な線を当てはめることによって求められる（このことから線形回帰）。この最適線は回帰線として既知であり、直接条件Ｙ＝ａ×Ｘ＋ｂで表される。線形回帰は、次元数が少ないアプローチで最もよく使用される。
【0086】
図１１は、例示的な線形回帰モデルを示す。このモデルでは、予測変数１１１０が測定変数１１２０に対してモデル化される。予測変数１１１０及び測定変数１１２０のインスタンスのクラスタは、データポイント１１３０としてプロットされている。次に、データポイント１１３０は、最適線１１４０に当てはめられる。次に、後続の予測で最適線１１４０を使用するが、測定変数１１２０が与えられている場合、線１１４０を使用して、そのインスタンスの予測変数１１１０を予測する。線形回帰を使用して、外科的処置における転帰、金融ポートフォリオの性能、給与予測、不動産、及び交通機関における到着予定時刻での到着をモデル化及び予測することができる。
【0087】
クラスタリングアルゴリズムを、データセットのモデル化及び訓練に使用してもよい。クラスタリングでは、入力は、特徴の類似性に基づいて２つ又は３つ以上のクラスタに割り当てられる。クラスタリングアルゴリズムは、通常、ガイダンスなしでデータからパターン及び有用な洞察を学習する。例えば、Ｋ平均クラスタリングなどの教師なし学習アルゴリズムを使用して、視聴者を興味、年齢、地理などに基づいて類似のグループにクラスタリングすることができる。
【0088】
Ｋ平均クラスタリングは、一般に、単純な教師なし学習アプローチとみなされる。Ｋ平均クラスタリングでは、同様のデータポイントを一緒にクラスタリングし、クラスタの形でバインドすることができる。データポイントを一緒にバインドする方法の１つは、データポイント群の重心を計算することによって行われる。Ｋ平均クラスタリングにおいて、効果的なクラスタを判定する際、各ポイントのクラスタの重心からの距離が評価される。データポイントと重心との間の距離に応じて、データは最も近いクラスタに割り当てられる。クラスタリングの目的は、一連のラベルなしデータの固有のグループ化を判定することである。Ｋ平均における「Ｋ」は、形成されたクラスタの数を表す。クラスタの数（基本的には、データの新しいインスタンスが分類され得るクラスの数）は、ユーザによって判定され得る。この判定は、例えば、フィードバックを使用し、訓練中にクラスタのサイズを見ることで行うことができる。
【0089】
Ｋ平均は、データセットが別個かつ良好に分離された点を有する場合に使用され、そうでなければ、クラスタが分離されていない場合、モデリングは、クラスタを不正確にレンダリングすることがある。加えて、データセットに多数の外れ値が含まれている場合、又はデータセットが非線形である場合には、Ｋ平均を回避することができる。
【0090】
図１２は、Ｋ平均クラスタリングを示す。Ｋ平均クラスタリングでは、データポイントがプロットされ、Ｋ値が割り当てられる。例えば、図１２のＫ＝２の場合、データポイントは、描写１２１０に示されるようにプロットされる。次に、ステップ１２２０で、ポイントが同様の中心に割り当てられる。クラスタの重心が、１２３０に示すように識別される。重心が識別されると、１２４０に示すように、データポイントと各クラスタの重心との間の距離が最小となるようにポイントがクラスタに再割り当てされる。次に、クラスタの新しい重心が、描写１２５０に示されるように判定され得る。データポイントがクラスタに再割り当てされて、クラスタの新しい重心が形成されると、反復又は一連の反復が発生して、クラスタのサイズを最小化し、最適な重心を判定することができる。次に、新しいデータポイントが測定されると、その新しいデータポイントが重心及びクラスタと比較され、そのクラスタで識別され得る。
【0091】
アンサンブル学習アルゴリズムを使用してもよい。これらのアルゴリズムは、複数の学習アルゴリズムを使用して、構成要素である学習アルゴリズムのいずれかのみから得られるよりも優れた予測パフォーマンスを実現する。アンサンブル学習アルゴリズムは、仮説空間を検索するタスクを実行して、特定の問題について良好な予測を行う、好適な仮説を見つける。仮説空間に特定の問題に非常に適した仮説が含まれている場合でも、適切な仮説を見つけるのは非常に難しい場合がある。アンサンブルアルゴリズムは、複数の仮説を組み合わせてより良い仮説を形成する。アンサンブルという用語は通常、同じ基本学習器を使用して複数の仮説を生成する方法で用いられる。複数分類器システムのより広い概念は、同じ基本学習器によって誘導されない仮説のハイブリダイゼーション（hybridization of hypotheses）も網羅する。
【0092】
アンサンブルの予測を評価するには、通常、単一のモデルの予測を評価するよりも多くの計算が必要になるため、アンサンブルは、多くの余分な計算を実行することにより、貧弱な学習アルゴリズムを補う方法と考えることができる。決定木などの高速アルゴリズムは、一般にはランダムフォレストなどのアンサンブル法で使用されているが、より低速のアルゴリズムでもアンサンブル法の恩恵を受けることができる。
【0093】
アンサンブルは、訓練後に使用して予測を行うことができるため、それ自体が監視付き学習アルゴリズムである。したがって、訓練されたアンサンブルは、単一の仮説を表す。しかしながら、この仮説は、それが構築されたモデルの仮説空間内に含まれているとは限らない。したがって、アンサンブルは、それらが表すことができる関数において、より多くの柔軟性を有するように示され得る。この柔軟性により、理論的には、単一のモデルよりも訓練データを過剰適合させることができるが、実際には、一部のアンサンブル法（特にバギング）は、訓練データの過剰適合に関連する問題を低減する傾向がある。
【0094】
経験的に、モデル間にかなりの多様性がある場合、アンサンブルアルゴリズムはより良い結果をもたらす傾向がある。したがって、多くのアンサンブル法は、それらが組み合わせるモデル間の多様性を促進することを目指している。直感的ではないが、（エントロピ低減決定木などの）非常に慎重なアルゴリズムよりも強力なアンサンブルを生成するために、（ランダム決定木などの）よりランダムなアルゴリズムを使用することができる。しかしながら、様々な強力な学習アルゴリズムの使用は、多様性を促進するためにモデルを簡略化しようとする手法を使用することよりも効果的であることが示されている。
【0095】
アンサンブルの構成要素分類器の数は、予測の精度に大きな影響を与える。このことは、オンラインのアンサンブル分類器の場合、アンサンブルのサイズとビッグデータストリームの量及び速度とを先験的に判定するために、更に重要となる。理論上のフレームワークは、理想的な数の構成要素分類器がアンサンブルに存在し、分類器がこの数より多いか又は少ないと精度が低下することを示唆している。理論上のフレームワークは、クラスラベルと同じ数の独立した構成要素分類器を使用すると、最も高い精度が得られることを示している。
【0096】
アンサンブルのいくつかの一般的なタイプには、ベイズ最適分類器、ブートストラップ集約（バギング）、ブースティング、ベイズモデル平均化、ベイズモデルの組み合わせ、モデルのバケット及びスタッキングが含まれる。図１３は、バギングが並行して実行されており（１３１０）、ブースティングが順次に実行されている（１３２０）例示的なアンサンブル学習アルゴリズムを示している。
【0097】
ニューラルネットワークは、ニューロンのネットワーク又は回路、あるいは現代的な意味では、人工ニューロン又はノードで構成される人工ニューラルネットワークである。生物学的ニューロンのつながりが、重みとしてモデル化される。正の重みは興奮性のつながりを反映し、負の値は抑制性のつながりを意味する。入力は重みで修正され、線形結合を使用して合計される。活性化関数が、出力の振幅を制御することができる。例えば、出力の許容範囲は通常０〜１であるが、−１〜１の場合もある。
【0098】
これらの人工ネットワークは、予測モデリング、適応制御及びアプリケーションに使用でき、データセットを介して訓練することができる。経験から生じる自己学習がネットワーク内で発生する可能性があり、複雑で一見無関係な一組の情報から結論を導き出すことができる。
【0099】
完全を期すために、生物学的ニューラルネットワークは、化学的に接続されたニューロン又は機能的に関連付けられたニューロンのグループから構成される。１つのニューロンが他の多くのニューロンに接続されていてもよく、ネットワーク内のニューロン及び接続の総数が広範囲にわたってもよい。シナプスと呼ばれる接続は、通常、軸索から樹状突起へと形成されるが、樹状突起間シナプス及び他の接続も可能である。電気的な信号伝達とは別に、神経伝達物質の拡散から生じる他の信号伝達形態がある。
【0100】
人工知能、認知モデリング及びニューラルネットワークは、生物学的神経システムのデータ処理方法に着想を得た情報処理パラダイムである。人工知能及び認知モデリングは、生物学的ニューラルネットワークのいくつかの特性をシミュレートしようとする。人工知能分野では、人工ニューラルネットワークが音声認識、画像分析及び適応制御にうまく適用され、（コンピュータゲーム及びビデオゲームにおける）ソフトウェアエージェント又は自律ロボットが構築されている。
【0101】
ニューラルネットワーク（neural network：ＮＮ）は、人工ニューラルネットワーク（artificial neural network：ＡＮＮ）又はシミュレートニューラルネットワーク（simulated neural network：ＳＮＮ）と呼ばれる人工ニューロンの場合、情報処理に計算への接続論的アプローチに基づいて数学的モデル又は計算モデルを使用する、天然のニューロン又は人工ニューロンの相互接続されたグループである。ほとんどの場合、ＡＮＮは、ネットワークを通って流れる外部情報又は内部情報に基づいてその構造を変更する適応型システムである。より実際的には、ニューラルネットワークは非線形の統計データモデリングツール又は意思決定ツールである。これらを、入力と出力の間の複雑な関係をモデル化するため及びデータのパターンを見つけるために使用することができる。
【0102】
人工ニューラルネットワークは、処理要素と要素パラメータとの間の接続によって判定される複雑でグローバルな挙動を示すことができる単純な処理要素（人工ニューロン）のネットワークを含む。
【0103】
人工ニューラルネットワークの１つの古典的なタイプは、再帰型ホップフィールドネットワークである。人工ニューラルネットワークモデルの有用性は、それらを使用して、観測から関数を推定し、かつそれを使用することができるという事実にある。教師なしニューラルネットワークは、入力分布の顕著な特徴をキャプチャする入力の表現の学習、及び、最近では、観測データの分布関数を暗黙的に学習することができるディープラーニングアルゴリズムにも使用することができる。ニューラルネットワークでの学習は、データ又はタスクの複雑さのためにそのような関数の設計を手作業では行えない用途において特に有用である。
【0104】
ニューラルネットワークは、様々な分野において使用することができる。人工ニューラルネットワークが適用されるタスクは、以下の広いカテゴリにわたる傾向がある：関数近似、又は時系列予測及びモデリングを含む回帰分析、パターン及び配列認識、新規性の検出及び逐次的な意思決定を含む分類、フィルタリング、クラスタリング、ブラインド信号分離、及び圧縮を含むデータ処理。
【0105】
ＡＮＮの適用領域には、非線形システムの識別及び制御（車両制御、プロセス制御）、ゲームのプレー及び意思決定（バックギャモン、チェス、レース）、パターン認識（レーダシステム、顔識別、オブジェクト認識）、シーケンス認識（ジェスチャ、スピーチ、手書きテキスト認識）、医療診断、金融アプリケーション、データマイニング（又はデータベースでの知識発見、すなわち「ＫＤＤ」）、視覚化、並びに電子メールスパムフィルタリングが含まれる。例えば、オブジェクト認識のために訓練された写真から生じるユーザの興味のセマンティックプロファイルを作成することが可能である。
【0106】
図１４は、例示的なニューラルネットワークを示す。ニューラルネットワークには、１４１０１及び１４１０２などの複数の入力で表される入力層がある。入力１４１０１、１４１０２は、ノード１４２０１、１４２０２、１４２０３、１４２０４を含むものとして示されている隠れ層に供給される。これらのノード１４２０１、１４２０２、１４２０３、１４２０４は組み合わされて、出力層において出力１４３０を生成する。ニューラルネットワークは、単純な処理要素であるノード１４２０１、１４２０２、１４２０３、１４２０４の隠れ層を介して単純な処理を実行し、これらのノードは、処理要素と要素パラメータとの間の接続によって判定される複雑でグローバルな挙動を示すことができる。
【0108】
心不整脈及び特に心房細動（atrial fibrillation、ＡＦ）は、特に老年人口では、一般的かつ危険な病状として存続する。正常な洞律動を有する患者では、心房、心室、及び興奮伝導組織からなる心臓は、電気的に興奮して、同期的な、パターン化した形で拍動する。心不整脈を有する患者では、心臓組織の異常領域は、正常な洞調律を有する患者におけるような、通常の伝導組織に関連する同期的な拍動周期には従わない。これに対して、心組織の異常領域では隣接組織への異常な伝導が行われ、これにより心臓周期が乱れて非同期的な心律動となる。そのような異常な伝導は、例えば、洞房（sino-atrial、ＳＡ）結節の領域内、房室（ＡＶ）結節及びヒス束の伝導経路に沿って、又は心室及び心房の壁を形成する心筋組織内などの、心臓の様々な領域で発生することが、以前より既知である。
【0109】
カテーテルアブレーションベースの治療に、心臓組織、特に心内膜及び心臓容積の電気的特性をマッピングすること、並びにエネルギーの印加によって心臓組織を選択的にアブレーションすることが含まれてもよい。心臓マッピング、例えば、心組織に沿った波動伝播の電位マップ（電圧マップ）、又は様々な組織が位置する場所までの到達時間のマップ（局所興奮時間（local time activation、ＬＡＴ）マップ）の生成を用いて、心組織の局所的機能障害を検出することができる。心臓マッピングに基づくものなどのアブレーションにより、不要な電気信号が心臓のある部分から別の部分へと伝播するのを停止させる又は修正することができる。
【0110】
心房細動及び心室頻拍などの困難な疾患を医師が治療する際の心臓アブレーション及び他の心臓電気生理学的処置は、ますます複雑化している。難治性不整脈の治療は現在、関心対象の心腔の解剖学的構造を再構成するために、３次元（３Ｄ）マッピングシステムの使用に依存している。例えば、心臓病専門医は、心臓内ＥＧＭ信号を解析して、非通常型心房粗動及び心室頻拍を含む様々な心臓疾患を治療するためのアブレーションポイントを判定するために、Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒ，Ｉｎｃ．（Ｄｉａｍｏｎｄ Ｂａｒ，Ｃａｌｉｆｏｒｎｉａ）製のＣＡＲＴＯ（登録商標）３ ３Ｄマッピングシステムのコンプレックス細分化心房電位図（ＣＦＡＥ）モジュールなどのソフトウェアに依存する。３Ｄマップは、これらの困難な不整脈の解剖学的及び機能的基質を表す、組織の電気生理学的特性に関する複数の情報を提供することができる。
【0111】
電極カテーテルは、長年にわたり医療現場で一般的に使用されている。電極カテーテルは、心臓内の電気活動を刺激及びマッピングし、異常な電気活動が見られる部位をアブレーションするために使用される。使用時には、電極カテーテルは、主要な静脈又は動脈、例えば大腿動脈に挿入された後、対象の心腔内へと導かれる。典型的なアブレーション処置は、その遠位端に少なくとも１つの電極を有するカテーテルを心腔内に挿入することを伴う。参照電極が、一般的には患者の皮膚にテープで貼り付けられるか、あるいは心臓内又は心臓付近に位置付けられている第２のカテーテルによって、提供される。ＲＦ（高周波）電流をアブレーションカテーテルの先端電極に通電すると、参照電極に向かって先端電極の周囲の媒質（すなわち、血液及び組織）に電流が流れる。電流の分布は、組織より高い導電性を有する血液と比較した場合、組織と接触している電極表面の量に依存する。組織の加熱は、組織の電気抵抗に起因して生じる。組織が十分に加熱されると、心臓組織において細胞破壊が引き起こされ、結果として、非電導性である心臓組織内に損傷部が形成される。このプロセスの間に、加熱された組織から電極自体への伝導によって電極も加熱される。電極の温度が十分に高くなり、場合により６０℃を超えると、脱水された血液タンパク質の薄く透明な皮膜が、電極の表面上に形成され得る。温度が上昇し続けると、この脱水層が徐々に厚くなり得、電極表面上に血液が凝固する。脱水された生物学的材料は、心内膜組織よりも高い電気抵抗を有するため、電気エネルギーの組織内部への流れに対するインピーダンスもまた増大する。インピーダンスが十分に高くなると、インピーダンス上昇が起こり、カテーテルを身体から抜いて先端部電極をきれいにしなければならない。
【0112】
カテーテルアブレーションを成功裏に実行するための必要条件は、心不整脈の原因及び心臓の周囲領域が心腔内で正確に位置特定されることを必要とする。そのような位置特定は、心腔に導入されたマッピングカテーテルによって電位が検出され空間的に分解される電気生理学的調査によって行うことができる。したがって、この電気生理学的調査、いわゆる電気解剖学的マッピングは、モニタ上に表示することができる３Ｄマッピングデータを提供する。多くの場合、マッピング機能及び治療機能（例えば、アブレーション）は、単一のカテーテル又はカテーテル群によって提供され、それにより、マッピングカテーテルはまた、同時に治療（例えば、アブレーション）カテーテルとして動作する。
【0113】
心臓マッピングは、１つ又は２つ以上の技術を使用して実施することができる。第１の技術の一例として、心臓マッピングは、心臓内の正確な位置の関数として、心組織の電気特性、例えば、局所興奮時間を感知することによって実施されてもよい。対応するデータは、遠位先端部に電気及び位置センサを有するカテーテルを使用して、心臓の中へと前進される１つ又は２つ以上のカテーテルで取得されてもよい。一例として、位置及び電気活動は、心臓の内側表面上の約１０〜約２０箇所の点で最初に測定されてもよい。これらのデータ点は、一般に、心臓表面の予備的な再構成又はマップを満足な品質で生成するのに十分なものとすることができる。予備的なマップは、心臓の電気活動の更に包括的なマップを生成するために、追加の点で取られたデータと結合されてもよい。臨床的な状況において、１００以上の部位におけるデータを集積して、心腔の電気活動の詳細な包括的マップを生成することも珍しいことではない。その後、生成された詳細なマップは、心臓の電気活動の伝播を改変させ正常な心調律を回復させるための治療上の行動指針、例えば、組織のアブレーションに関する決定を下すための基準となり得る。
【0114】
位置センサを収容するカテーテルを使用して、心臓表面の各点の軌跡を判定し得る。これらの軌跡を使用して、組織の収縮力などの運動特性を推測することができる。そのような運動特性を示すマップは、軌跡情報が心臓内の十分な数の点でサンプリングされるときに構築されてもよい。
【0115】
心臓内のある点における電気活動は、典型的には、遠位先端に又はその近くに電気センサを収容したカテーテルを、心臓内のその点へと前進させ、組織をセンサと接触させ、その点におけるデータを取得することによって測定することができる。多電極カテーテルは、複数の電極を有する線形カテーテル、バルーンを形成する複数のスパイン上に分散された電極を含むバルーンカテーテル、複数の電極を有するラッソーカテーテル若しくはループカテーテル、又は任意の他の適用可能な形状などの任意の適用可能な形状を使用して実装されてもよい。
【0116】
一例によれば、多電極カテーテルを心腔内に前進させることができる。各電極の位置及び向きを確定するために、前後方向（Anteroposterior、ＡＰ）及び横方向の蛍光図が取得されてもよい。身体表面ＥＣＧから得られる洞調律におけるＰ波の開始などの一時的な基準に対して、心臓表面と接触する各電極から電位図を記録することができる。本明細書で更に開示されるシステムは、電気活動を記録するそれらの電極と、心内膜壁に近接していないことに起因しない電極とを区別することができる。初期電位図が記録された後、カテーテルを再位置付けすることができ、蛍光図及び電位図を再度記録することができる。次いで、電気マップを、上記のプロセスの繰り返しから構築することができる。
【0117】
別の実施例によれば、心腔の電位分布をマッピングするための技術及び装置を実装することができる。心臓内多電極マッピングカテーテルアセンブリは、患者の心臓に挿入されてもよい。このマッピングカテーテルアセンブリは、一体的な基準電極、又は好ましくは、コンパニオン基準カテーテルを有する多電極アレイを含むことができる。電極は、実質的に球状のアレイの形態で展開されてもよい。電極アレイは、基準電極によって、又は心内膜表面と接触される基準カテーテルによって、心内膜表面上のある点を空間的に参照することができる。好ましい電極アレイカテーテルは、多数の個々の電極部位（例えば、少なくとも２４個）を担持してもよい。加えて、この実施例の技術は、アレイ上の各電極部位の位置を知ること、並びに心臓の幾何学的形状を知ることにより実装することができる。これらの位置は、好ましくは、インピーダンスプレチスモグラフィの技術によって判定される。
【0118】
他の実施例によれば、身体パッチ及び／又は身体表面電極は、患者の身体上に又は患者の身体に近接して位置付けられてもよい。１つ又は２つ以上の電極を有するカテーテルは、患者の身体内（例えば、患者の心臓内）に位置付けられてもよく、カテーテルの位置は、カテーテルの１つ又は２つ以上の電極と身体パッチ及び／又は身体表面電極との間で送信及び受信された信号に基づいて、システムによって判定されてもよい。加えて、カテーテル電極は、患者の身体内（例えば、心臓内）から生体データ（例えば、ＬＡＴ値）を感知してもよい。生体データは、患者の身体部分（例えば、心臓）のレンダリングを表示することができ、かつカテーテルの位置によって判定されるように、身体部分の形状に重ね合わされた生体データを示すことができるように、カテーテルの判定された位置に関連付けられてもよい。
【0119】
心電図（ＥＣＧ）信号などの電気信号は、多くの場合、心臓処置前及び／又は心臓処置中に検出される。例えば、ＥＣＧ信号を使用して、不整脈が信号を発生させる心臓の潜在的な位置を識別することができる。一般に、ＥＣＧは、心臓の電気活動を説明する信号である。ＥＣＧ信号はまた、心臓の部分をマッピングするために使用されてもよい。
【0120】
ＥＣＧ信号は、心臓の心房筋及び心室筋の収縮（脱分極）及び弛緩（再分極）によって生成される。図１６の信号１６０２によって示されるように、ＥＣＧ信号は、Ｐ波（心房脱分極に起因する）、ＱＲＳ群（心房再分極及び心室脱分極に起因する）、並びにＴ波（心室再分極に起因する）を含む。ＥＣＧ信号を記録するために、電極を人体上の特定の位置に定置することができ、又はカテーテルを介して人体内に位置付けることができる。アーチファクト（例えば、ノイズ）は、ＥＣＧ信号などの電子信号とマージされて、時に心臓疾患の診断及び／又は治療の障害を生じさせる、望ましくない信号である。電気信号のアーティファクトは、ベースラインワンダー、電力線干渉、筋電図（electromyogram、ＥＭＧ）ノイズ、電力線ノイズなどであり得る。
【0121】
加えて、生体計測（例えば、生体電位）患者モニタは、ＥＣＧ又は脳波（electroencephalogram、ＥＥＧ）などの生体電位の測定を行うために表面電極を使用してもよい。これらの測定の忠実度は、患者への電極の接続の有効性によって制限される。電気インピーダンスとして既知である電流の流れに対する電極システムの抵抗は、接続の有効性を特徴付ける。典型的には、インピーダンスが高いほど、測定の忠実度が低くなる。いくつかの機構は、より低い忠実度をもたらすことがある。
【0122】
図１７は、本開示の主題の１つ又は２つ以上の特徴を実装することができる例示的なシステム１７２０の図である。システム１７２０の全て若しくは一部を使用して、訓練データセットの情報を収集することができ、かつ／又はシステム１７２０の全て若しくは一部を使用して、訓練済みモデルを実装することができる。システム１７２０は、体内器官の組織領域を損傷させるように構成された、カテーテル１７４０などの構成要素を含むことができる。カテーテル１７４０はまた、電子信号を含む生体データを取得するように更に構成されていてもよい。カテーテル１７４０は、ポイントカテーテルであるように示されているが、１つ又は２つ以上の要素（例えば、電極）を含む任意の形状のカテーテルを使用して、本明細書に開示される実施形態を実装することができることが理解されよう。システム１７２０は、テーブル１７２９上に横になっている患者１７２８の心臓１７２６などの身体部分内へと医師１７３０によってナビゲートすることができるシャフトを有するプローブ１７２１を含む。実施形態によれば、複数のプローブが提供されてもよいが、簡潔さのために、この実施例では単一のプローブ１７２１が記載されているが、プローブ１７２１が複数のプローブを表してもよいことが理解されるであろう。図１７に示されるように、医師１７３０は、カテーテル１７４０の近位端部の近くのマニピュレータ及び／又はシース１７２３からの偏向を使用して、シャフト１７２２の遠位端部を操作しながら、シース１７２３を通してシャフト１７２２を挿入することができる。差し込み図１７２５に示されるように、カテーテル１７４０は、シャフト１７２２の遠位端部に取り付けることができる。カテーテル１７４０は、折りたたまれた状態でシース１７２３を通して挿入することができ、次いで、心臓１７２６内で拡張することができる。本明細書で更に説明するように、カテーテル１７４０は、少なくとも１つのアブレーション電極１７４７及びカテーテル針を含むことができる。
【0123】
実施形態によれば、カテーテル１７４０は、心臓１７２６の心室の組織領域をアブレーションするように構成されていてもよい。差し込み図１７４５は、心臓１７２６の心室内部のカテーテル１７４０を拡大して示している。図示するように、カテーテル１７４０は、カテーテルの本体に結合された少なくとも１つのアブレーション電極１７４７を含むことができる。他の実施形態によれば、カテーテル１７４０の形状を形成するスプラインを介して複数の要素が接続されてもよい。１つ又は２つ以上の他の要素（図示せず）を設けることができ、それらは、アブレーションを行うか又は生体データを取得するように構成された任意の要素であってよく、電極、トランスデューサ又は１つ若しくは２つ以上の他の要素であり得る。
【0124】
本明細書に開示する実施形態によれば、電極１７４７などのアブレーション電極は、心臓１７２６などの体内器官の組織領域にエネルギーを供給するように構成されていてもよい。エネルギーは、熱エネルギーであり得、組織領域の表面から始まって組織領域の厚さに延在する組織領域への損傷を引き起こす可能性がある。
【0125】
本明細書に開示される実施形態によれば、生体データは、ＬＡＴ、電気活動、トポロジー、双極マッピング、卓越周波数、インピーダンスなどのうちの１つ又は２つ以上を含んでもよい。局所活性化時間は、正規化された初期開始点に基づいて計算された、局所活性化に対応する閾値活動の時点であり得る。電気活動は、１つ又は２つ以上の閾値に基づいて測定され得る任意の適用可能な電気信号であってよく、信号対ノイズ比及び／又は他のフィルタに基づいて、検知及び／又は拡張され得る。トポロジーは、身体部分又は身体部分の一部の物理的構造に対応し得、身体部分の異なる部分に関する、又は異なる身体部分に関する物理的構造における変化に対応し得る。主要周波数は、身体部分の一部に行き渡る周波数又は周波数の範囲であり得、同じ身体部分の異なる部分において異なり得る。例えば、心臓の肺静脈の主要周波数は、同じ心臓の右心房の主要周波数と異なり得る。インピーダンスは、身体部分の所与の領域における抵抗測定値であり得る。
【0126】
図１７に示すように、プローブ１７２１及びカテーテル１７４０は、コンソール１７２４に接続することができる。コンソール１７２４は、カテーテルに信号を送信及びカテーテルから信号を受信するため、並びにシステム１７２０の他の構成要素を制御するための、好適なフロントエンド及びインターフェース回路１７３８を備える汎用コンピュータなどのプロセッサ１７４１を含むことができる。いくつかの実施形態では、プロセッサ１７４１は、電気活動などの生体データを受信し、所与の組織領域が電気を伝導するか否かを判定するように更に構成されていてもよい。一実施形態によれば、プロセッサは、コンソール１７２４の外部にあってもよく、例えば、カテーテル内、外部デバイス内、モバイルデバイス内、クラウドベースのデバイス内に位置してもよく、又はスタンドアロン型プロセッサであってもよい。
【0127】
上述したように、プロセッサ１７４１は、汎用コンピュータを含んでもよく、このコンピュータは、本明細書に記載されている機能を実行するためにソフトウェアでプログラムされてもよい。ソフトウェアは、例えば、ネットワーク上で、汎用コンピュータに電子形態でダウンロードされてよく、又は代替的に若しくは追加的に、磁気メモリ、光学メモリ、若しくは電子メモリなどの、非一時的有形媒体上で提供及び／若しくは記憶されてもよい。図１７に示す例示的な構成は、本明細書に開示される実施形態を実装するように修正されてもよい。本開示の実施形態は、他のシステム構成要素及び設定を使用して、同様に適用することができる。加えて、システム１７２０は、電気活動を感知するための要素、有線又は無線コネクタ、処理及び表示デバイスなどの、追加の構成要素を含んでもよい。
【0128】
一実施形態によれば、プロセッサ（例えば、プロセッサ１７４１）に接続されたディスプレイ１７２７は、別個の病院などの遠隔位置に、又は別個の医療提供者ネットワーク内に位置してもよい。加えて、システム１７２０は、心臓などの患者の器官の解剖学的測定値及び電気的測定値を取得し、心臓アブレーション処置を実行するように構成された、外科用システムの一部であってもよい。かかる外科用システムの一例は、Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒにより販売されているＣａｒｔｏ（登録商標）システムである。
【0129】
システム１７２０はまた、及び任意選択的に、超音波、コンピュータ断層撮影（computed tomography、ＣＴ）、磁気共鳴映像法（magnetic resonance imaging、ＭＲＩ）、又は当該技術分野において既知の他の医療撮像技術を使用して、患者の心臓の解剖学的測定値などの生体データを取得することができる。システム１７２０は、カテーテル、心電図（electrocardiogram、ＥＫＧ）、又は心臓の電気特性を測定する他のセンサを使用して電気的測定値を取得することができる。次いで、解剖学的測定値及び電気的測定値を含む生体データは、図１７に示されるように、マッピングシステム１７２０のメモリ１７４２内に記憶されてもよい。生体データは、メモリ１７４２からプロセッサ１７４１に送信されてもよい。代替的に、又は加えて、生体データは、ネットワーク１７６２を使用して、ローカル又は遠隔であってもよいサーバ１７６０に送信されてもよい。
【0130】
ネットワーク１７６２は、イントラネット、ローカルエリアネットワーク（ＬＡＮ）、広域ネットワーク（ＷＡＮ）、メトロポリタンエリアネットワーク（ＭＡＮ）、直接接続若しくは一連の接続、セルラー電話ネットワーク、又はマッピングシステム１７２０とサーバ１７６０との間の通信を容易にすることが可能な任意の他のネットワーク若しくは媒体などの、当該技術分野で一般的に既知である任意のネットワーク又はシステムであってもよい。ネットワーク１７６２は、有線、無線、又はこれらの組み合わせであってよい。有線接続は、イーサネット、ユニバーサルシリアルバス（Universal Serial Bus、ＵＳＢ）、ＲＪ−１１、又は当該技術分野において一般的に既知である任意の他の有線接続を使用して実装することができる。無線接続は、Ｗｉ−Ｆｉ、ＷｉＭＡＸ、及びＢｌｕｅｔｏｏｔｈ、赤外線、セルラーネットワーク、衛星、又は当該技術分野において一般的に既知である任意の他の無線接続方法を使用して実装することができる。加えて、いくつかのネットワークは、ネットワーク１７６２内の通信を容易にするために、単独で又は互いに通信して動作することができる。
【0131】
場合によっては、サーバ１７６０は、物理的サーバとして実装されてもよい。他の場合では、サーバ１７６２は、仮想サーバ、パブリッククラウドコンピューティングプロバイダ（例えば、Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ（ＡＷＳ）（登録商標））として実装されてもよい。
【0132】
例示的な一実施形態によれば、サーバ１７６０は、ニューラルネットワーク１７９０などの機械学習アルゴリズムを記憶するプロセッサとして実装することができる、又はそれと通信することができる。別の実施形態では、ニューラルネットワーク１７９０は、コンソール１７２４内に実装することができる。例えば、限定するものではないが、ニューラルネットワーク１７９０は、１つ若しくは複数のＣＰＵプロセッサ上、１つ若しくは複数のＧＰＵプロセッサ上、１つ若しくは複数のＦＰＧＡチップ上、又はＩｎｔｅｌ（登録商標）Ｎｅｒｖａｎａ（商標）Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｐｒｏｃｅｓｓｏｒなどのディープラーニング計算を実行する専用のＡＳＩＣ上に実装されてもよい。例示的な一実施形態によれば、ニューラルネットワーク１７９０は、限定するものではないが、医療処置室内に、病院若しくは医療施設のサーバ若しくはプロセッサ上に、リモートサーバ若しくはプロセッサ上に、又はクラウド内に位置することができる。
【0133】
制御コンソール１７２４は、ケーブル１７３９によって身体表面電極１７４３に接続されてもよく、身体表面電極は、患者１７３０に貼り付けられる接着性皮膚パッチを含むことができる。電流追跡モジュールと連動するプロセッサは、患者の身体部分（例えば、心臓１７２６）内部のカテーテル１７４０の位置座標を判定することができる。位置座標は、身体表面電極１７４３とカテーテル１７４０の電極１７４７又は他の電磁構成要素との間で測定されるインピーダンス又は電磁場に基づいてもよい。追加的に又は代替的に、位置パッドは、ベッド１７２９の表面上に位置してもよく、ベッド１７２９とは別個であってもよい。
【0134】
プロセッサ１７４１は、典型的にはフィールドプログラマブルゲートアレイ（field programmable gate array、ＦＰＧＡ）として構成されているリアルタイムノイズ低減回路と、続いてアナログ−デジタル（analog-to-digital、Ａ／Ｄ）ＥＣＧ（ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈ、心電計）又はＥＭＧ（ｅｌｅｃｔｒｏｍｙｏｇｒａｍ、筋電図）信号変換集積回路と、を含むことができる。プロセッサ１７４１は、Ａ／Ｄ ＥＣＧ又はＥＭＧ回路から別のプロセッサへ信号を伝えることができ、かつ／又は本明細書に開示される１つ又は２つ以上の機能を実行するようにプログラムすることができる。
【0135】
制御コンソール１７２４はまた、制御コンソールが電極１７４７から信号を伝達し、かつ／又はこれに信号を伝達することを可能にする、入力／出力（input/output、Ｉ／Ｏ）通信インターフェースを含むことができる。
【0136】
処置中、プロセッサ１７４１は、ディスプレイ１７２７上での医師１７３０への身体部分レンダリング１７３５の提示を容易にし、身体部分レンダリング１７３５を表すデータをメモリ１７４２内に記憶することができる。メモリ１７４２は、ランダムアクセスメモリ又はハードディスクドライブなどの任意の好適な揮発性メモリ及び／又は不揮発性メモリを備えてもよい。いくつかの実施形態では、医療専門家１７３０は、タッチパッド、マウス、キーボード、ジェスチャ認識装置などの１つ又は２つ以上の入力デバイスを使用して、身体部分レンダリング１７３５を操作することが可能であり得る。例えば、入力デバイスを使用して、レンダリング１７３５が更新されるように、カテーテル１７４０の位置を変更することができる。代替的な実施形態では、ディスプレイ１７２７は、身体部分レンダリング１７３５を提示することに加えて、医療専門家１７３０からの入力を受け取るように構成されていてもよいタッチスクリーンを含んでもよい。
【0137】
一実施形態によれば、ヒス束などの心臓内の特定の構造の位置を自動的に検出及び識別するために、ニューラルネットワーク１７９０が提供されてもよい。ニューラルネットワーク１７９０は、図１４及び図１５に関連して上述した形態であってもよい。
【0138】
ヒス束は、ＣＳのオリフィス付近に由来する心筋の一部である。ヒス束は、心房と心室との間に位置する房室（ＡＶ）結節から心臓の心室に電気インパルスを伝達する役割を果たすという点で、心臓の電気伝導系の重要な部分である。ヒス束は、心臓内の脆弱な位置に位置付けられており、カテーテルアブレーション処置中に誤ってアブレーションされた場合、心臓の電気伝導系に有害かつ望ましくない影響をもたらすことがある。従来のアブレーション処置の間、医師は、アブレーション処置中にヒス束を回避することができるように、心臓内のその位置を識別するためにヒス束を手動でタグ付けすることができる。ヒス束のそのような手動タグ付けは、面倒かつ時間がかかる。手動タグ付けはまた、心電図（ＥＣＧ）信号がヒス束インパルスのように見えるように出現するが、インパルスの位置がヒス束の位置に正確に対応しない、偽陽性読み取りをもたらすことがある。他の従来のアブレーション処置では、医師は、ヒス束をタグ付けしないことがあり、これは、アブレーション処置中の患者のリスクを増加させる。
【0139】
図１８Ａの例示的な実施形態によれば、図１７のニューラルネットワーク１７９０の例示を提供するニューラルネットワーク１８００は、入力データ１８１０を受信して、ニューラルネットワーク１８００を訓練し、アブレーション処置などの処置中に医師による手動識別よりも高い効率及び信頼性で、ヒス束１８２０などの関心対象の心構造を自動的に識別する。入力データ１８１０の非限定的な例としては、マッピングカテーテルなどのカテーテルの電極若しくは双極電極対によって受信された心内電位図（intracardiac electrogram、ＥＧＭ）若しくはＥＣＧ信号１８３０、第１のマッピングカテーテルの電極と第２の基準カテーテル上の点の間の距離１８４０（典型的にはミリメートルで測定される）、又は他の入力１８５０を挙げることができる。他の入力１８５０としては、第１のマッピングカテーテルの電極と第２の基準カテーテル上の点との間の距離が所定の閾値未満であるか否かを示す離散ブール値（すなわち、０又は１）、カテーテル内の力センサによって測定したときのカテーテルによって関心対象の心構造に印加される力（典型的にはグラムで測定される）、カテーテルの電極と関心対象の心構造との間の近接性を示す指標、カテーテルの電極によって測定された関心対象の心構造のインピーダンス値（典型的にはオームで測定される）、身体表面電極（単数又は複数）によって受信された心電図（ＥＣＧ）信号１８３０、関心対象の心構造の手動マッピングデータ、及びカテーテルの電極によって測定された任意の他の電気生理学的データを挙げることができる。
【0140】
一実施形態では、入力データ１８１０のうちの１つ又は２つ以上は、ニューラルネットワーク１８００に供給される。入力データ１８１０は、限定するものではないが、病院若しくは医療施設、リモートサーバの位置、又はクラウド内を含むが、これらに限定されない様々な位置に記憶することができる。訓練データ１８１０は、リアルタイムで、所定の間隔で、又は要求に応じて、ニューラルネットワーク１８００に転送されてもよい。訓練されると、ニューラルネットワーク１８００は、カテーテルアブレーション処置中にリアルタイムでヒス束１８２０を識別することができる。
【0141】
一実施形態では、ニューラルネットワーク１８００の出力１８２０は、限定するものではないが、マッピングカテーテルの電極がヒス束などの関心対象の心構造に十分に近いか否かを示す離散ブール値、及びマッピングカテーテルの電極によって測定された関心対象の心臓の特性と手動マッピングによって取得されたものなどの関心対象の心構造の特性との間の一致を示す一致指標などの連続値を含むことができる。
【0142】
例示的な一実施形態によれば、ニューラルネットワーク１８００は、畳み込みニューラルネットワーク（ＣＮＮ）、又は長・短期記憶（long short-term memory、ＬＳＴＭ）ニューラルネットワークなどのリカレントニューラルネットワーク（ＲＮＮ）を含むことができる。畳み込みニューラルネットワーク（ＣＮＮ）は、コンピュータビジョン及び／又は画像認識の分野で好ましく使用されるディープラーニングアルゴリズムである。ＣＮＮは、一方を他方から区別するために、入力画像内の様々な態様又は特徴に重要性（学習可能な重み）を割り当てる。ＬＳＴＭニューラルネットワークは、ディープラーニングに使用されるフィードバック接続を有するリカレントニューラルネットワークである。
【0143】
例示的な一実施形態では、各訓練の後、その出力を含む訓練モデルは、その精度を検証するために、ゴールドスタンダードデータベースなどの標準データベースに対して実行することができる。非限定的な一実施例では、ゴールドスタンダードデータベースは、問題の心構造（例えば、ヒス束）であることが既知である点、この構造「ではない」ことが既知である点、関連するカテーテル位置、ＥＣＧ信号、及び他の関連パラメータからなる。例示的な一実施形態では、新たに訓練されたモデルの精度が閾値を下回る場合、又は代替的に、新たに訓練されたモデルの精度が以前のモデルの精度未満である場合、モデルを廃棄することができる。同様に、新たに訓練されたモデルの精度が閾値以上である場合、又は代替的に、新たに訓練されたモデルの精度が以前のモデルの精度よりも高い場合、モデルは、現場のマッピングシステムに公開することができる。例示的な一実施形態では、新しいモデルの公開は、例えば、オペレータがウェブアドレスからファイルをダウンロードして、それをマッピングシステム１７２０にアップロードすることによって、手動で実行することができる。代替的に、新しいモデルは、インターネットを介して現場のマッピングシステム１７２０にプッシュされてもよい。
【0144】
図１８Ｂは、ニューラルネットワーク１８００を訓練して、心臓内の特定の構造の位置を自動的に検出及び識別するためのモジュール１８６０の例示的な実施形態を示すフロー図である。図１８Ｂは、図１８Ａと併せて心臓内のヒス束を自動的に識別するモジュールを示しているが、当業者は、他の心構造又は信号をモジュール１８６０に従って識別することができることを認識するであろう。
【0145】
例えば、心臓アブレーション処置中に、複数のカテーテルを利用して、心臓の様々なデータ記録を取得することができる。図１９Ａは、心臓１９１０の電気生理学的データを取得するために使用される複数の心内カテーテル及び身体表面電極を示す。例示的な一実施形態によれば、例えば、カテーテルは、限定するものではないが、アブレーションカテーテル１９２０、ＣＳ基準カテーテル１９３０、及びヒス束マッピングカテーテル１９４０を含むことができる。所望により、右室心尖部（right ventricular apex、ＲＶＡ）カテーテル１９５０などの他のプローブも使用されてもよい。アブレーションカテーテル１９２０は、上で考察されるようにアブレーション処置を実行するために利用される。ＣＳ基準カテーテル１９３０は、心臓１９１０の冠状静脈洞１９３２の内側に定置される。ヒス束マッピングカテーテル１９４０は、ヒス束に接触し、本明細書で考察される、図２０に示されるように、ヒス束電位図（ＨＢＥ）を記録するように構成されている。身体表面電極１９６０は、上述し、かつ図１６及び図２０に示されるように、身体表面身体上に位置付けられて、心臓のＥＣＧ信号を記録する。
【0146】
例示的な一実施形態によれば、カテーテル１９２０、１９３０、１９４０、１９５０、及び電極１９６０から取得された電気生理学的データは、分析及びディスプレイ１７２７に出力するためにプロセッサ１７４１などのプロセッサに供給されてもよく、好ましくは、図１７に示すようにニューラルネットワーク１７９０に送信される。
【0147】
ステップ１８６５で、ニューラルネットワーク１８００は、第１のカテーテルから第１の入力データを受信する。一実施形態では、第１の入力データ１８１０は、好ましくは、電気生理学的データであり、より好ましくは、第１のカテーテルの電極又は双極電極対によって受信された心内電位図（ＥＧＭ）信号１８４０である。一実施形態では、第１のカテーテルは、関心対象の心構造からＥＧＭ信号を受信するマッピングカテーテルである。一実施形態では、第１のカテーテルは、図１９Ａ〜図１９Ｂに示すような、ヒス束電位図（ＨＢＥ）信号を受信するヒス束マッピングカテーテル１９４０である。第１のカテーテルは、複数の電極を含むことができる。図１９Ｂは、４つの電極１９４２ａ、１９４２ｂ、１９４２ｃ、１９４２ｄを有するヒス束マッピングカテーテル１９４０を示す。しかしながら、当業者であれば、ヒス束マッピングカテーテル１９４０は、任意の数の電極を含むことができることを認識するであろう。ヒス束マッピングカテーテル１９４０は、電極１９４２ａ、１９４２ｂ、１９４２ｃ、１９４２ｄのいずれかでＥＧＭ信号を受信することができる。
【0148】
ステップ１８７５で、ニューラルネットワーク１８００は、追加の入力データを受信する。一実施形態では、追加の入力データは、ヒス束マッピングカテーテル１９４０の電極１９４２ｂなどの第２の電極から受信された第２のＥＧＭ信号であってもよい。当業者であれば、追加の入力データは、ヒス束マッピングカテーテル１９４０の異なる電極から受信された複数のＥＧＭ信号を含むことができることを認識するであろう。
【0149】
本開示の態様を例示するのに役立つように、図２０は、本開示の方法に従って使用することができる例示的な身体表面ＥＣＧ及び心内ＨＢＥ記録２０１０及び２０２０それぞれを示す。ＨＢＥ記録２０２０に示すように、Ａ波は、低い右心房興奮を示し、ヒス束活動は、Ｈで示され、Ｖ偏向は、心室興奮を示す。従来、Ａ波の開始と後続のＶ偏向の開始との間の期間は、ＡＶ間隔２０２２として既知である。ヒス束マッピングカテーテル１９４０がヒス束と接触すると、ＨＢＥ信号は、好ましくは、ＨＢＥ記録２０２０に示されるようなパターンを有する。
【0150】
当該技術分野において既知であり、かつ上で考察されるように、身体表面電極１９６０は、基準電極として機能し、図示されるように、Ｐ波、ＱＲＳ群、及びＴ波を含む心周期の身体表面ＥＣＧ記録２０１０を生成する。Ｐ波は、心房室の分極段階を表し、ＱＲＳ群は、心室の再分極を表し、Ｔ波は、心室の脱分極を表す。それに対応して、Ｐ波の開始とＱＲＳ群の開始との間の期間は、ＰＲ間隔２０１２として既知である。線２０３０は、身体表面ＥＣＧ記録２０１０において電気インパルスがヒス束を通過する点を示す。
【0151】
一実施形態では、ニューラルネットワーク１８００は、入力データに基づいて、ヒス束の位置に対応するＨＢＥ信号などの電気生理学的データを識別する。例えば、ニューラルネットワーク１８００は、入力データがヒス束に対応する電気生理学的データを含むか否かを識別する。
【0152】
しかしながら、ＨＢＥ信号がＨＢＥ記録２０２０に示されるようなパターンを有する場合であっても、ヒス束マッピングカテーテル１９４０がヒス束に近接しているが接触していない場合など、ヒス束マッピングカテーテル１９４０が偽陽性読み取り値を示すことがあることがありうる。したがって、ニューラルネットワークはまた、本明細書で考察されるように、ヒス束マッピングカテーテル１９４０の電極とＣＳ基準電極１９３０との間の距離に依拠してもよい。
【0153】
一実施形態では、追加の入力データはまた、ヒス束マッピングカテーテル１９４０上の電極と基準カテーテル上の電極との間の距離を含むことができる。例えば、基準カテーテルは、図１９Ａ〜図１９Ｂに示されるように、心臓の冠状静脈洞内に挿入されるＣＳ基準カテーテル１９３０であってもよい。例えば、ヒス束は、解剖学的にＣＳに近接して位置付けられていることがよく理解されている。例示的な一実施形態によれば、ヒス束マッピングカテーテル１９４０上の電極とＣＳ基準カテーテル１９３０上の電極との間の距離は、ＨＢＥ記録２０２０の信頼性を判定するための近接データとして使用される。
【0154】
一実施形態では、ＣＳ基準カテーテル１９３０は、複数の電極を含むことができる。図１９Ｂは、１０個の電極１９３２ａ、１９３２ｂ、１９３２ｃ、１９３２ｄ、１９３２ｅ、１９３２ｆ、１９３２ｇ、１９３２ｈ、１９３２ｉ、１９３２ｊを有するＣＳ基準カテーテル１９４０を示すが、当業者であれば、ＣＳ基準カテーテル１９４０は、任意の数の電極を含むことができることを認識するであろう。一実施形態では、距離は、ヒス束マッピングカテーテル１９４０の各電極１９４２ａ〜ｄとＣＳ基準カテーテル１９３０上の最も近い点との間で測定することができる。例えば、図１９Ｂに示すように、距離Ｄ３は、ヒス束マッピングカテーテル１９４０の電極１９４２ｃとＣＳ基準カテーテル１９３０上の最も近い点との間の距離である。代替的に、又は加えて、距離は、ヒス束マッピングカテーテル１９４０の各電極１９４２ａ〜ｄとＣＳ基準カテーテル１９３０の最も近い電極１９３２ａ〜ｊとの間で測定することができる。代替的に、又は加えて、距離は、ヒス束マッピングカテーテル１９４０の各電極１９４２ａ〜ｄと、電極１９３２ａ〜ｊのうちの１つのいずれかであり得るＣＳ基準カテーテル１９３０の選択された電極との間で測定することができる。
【0155】
当業者であれば、ステップ１８６５及び１８８５で参照される第１の入力データ及び追加の入力データは、本明細書で考察される入力データ、及びカテーテルの電極によって測定される任意の他の電気生理学的データのいずれかであり得ることを認識するであろう。
【0156】
ステップ１８８５で、ニューラルネットワーク１８００は、ヒス束などの関心対象の心構造の位置を識別するために、各受信された入力データに機械学習アルゴリズムを適用する。例えば、ヒス束マッピングカテーテル１９４０の各電極１９４２ａ〜ｄによって受信されたＥＧＭ、及び各電極１９４２ａ〜ｄとＣＳ基準カテーテル１９３０の最も近い点との間の距離を使用して、電極１９４２ａ〜ｄのいずれかがヒス束上に位置付けられているか否か、かつそうである場合には、どの電極がヒス束上に位置付けられているかを判定することができる。例えば、図１９Ｂに示すように、ヒス束マッピングカテーテル１９４０の電極１９４２ｃによって受信されたＥＧＭ、及び電極１９４２ｃとＣＳ基準カテーテル１９３０との間の距離Ｄ３を、ニューラルネットワーク１８００の入力として使用して、ヒス束マッピングカテーテル１９４０の電極１９４２ｃがヒス束上に位置付けられているか否かを判定することができる。以下により詳細に記載されるように、電極がヒス束上に位置付けられているか否かの判定は、例えば、ＥＣＧ信号、ＣＳカテーテルからの距離、及び力、接触状態を含む他の入力の精査を含んでもよい。
【0157】
別の実施例では、ヒス束マッピングカテーテル１９４０の第１の選択された電極におけるＨＢＥ記録２０２０がヒス束の特性を有するが、図１９Ａの距離Ｄ２を参照して示されるように、第１の選択された電極の空間的位置がＣＳ基準カテーテル１９３０からの所定の閾値又は範囲より大きい距離を有する場合、ニューラルネットワーク１８００は、第１の選択された電極がヒス束の正確な位置ではないと判定する。一方、ＨＢＥ記録２０２０がヒス束の特性を有し、かつ図１９Ａの距離Ｄ１を参照して示されるように、ヒス束マッピングカテーテル１９４０に沿った第２の選択された電極の空間的位置がＣＳ基準カテーテル１９３０からの所定の閾値又は範囲未満の距離を有する場合、ニューラルネットワーク１８００は、第２の選択された電極がヒス束の正確な位置であると判定する。
【0158】
一実施形態では、ニューラルネットワークは、医師によって手動でマークされたヒス束の位置、ＣＳ基準カテーテル１９３０までの手動でマークされたヒス束の距離、及びＨＢＥ記録２０２０又はＥＣＧ記録２０１０などの電気生理学的データに基づいて所定の閾値を学習する。
【0159】
結果として、ニューラルネットワーク１８００は、ヒス束マッピングカテーテル２０４０の電極によって受信されたＥＧＭデータなどの第１のカテーテルから受信された電気生理学的データ、並びに任意選択的に、第１のカテーテルの他の電極から受信されたＥＧＭデータ、ＣＳ基準カテーテルなどの第２のカテーテルから受信された電気生理学的データ、手動マッピングデータ、ＥＣＧデータ、ＥＧＭデータ、距離データ、力データ、近接指標データ、インピーダンスデータ、及びカテーテルの電極によって測定される任意の他の電気生理学的データなどの追加のデータなどの入力データに基づいて、ヒス束などの心臓内の特定の構造の位置を自動的に検出するように学習する。この追加のデータは、ヒス束を検出することに関連してもよく、追加のデータは重要ではなく見える場合があるが、本明細書に記載されるＡＩアルゴリズムは、これらの入力データのうちのデータとの相関及び重要性を見出すことができる。
【0160】
ステップ１８９０で、ニューラルネットワーク１８００は、第１のカテーテルの電極がヒス束などの関心対象の心構造上に位置付けられている、又はそれに十分に近接して位置付けられているか否かの出力を生成する。上で考察されるように、ニューラルネットワークの出力は、限定するものではないが、カテーテルの電極がヒス束などの関心対象の心構造に十分に近いか否かを示す離散ブール値、又はカテーテルの電極によって測定された関心対象の心構造の特性と手動マッピングによって取得されたものなどの関心対象の心構造の特性との間の一致を示す一致指標などの連続値を含むことができる。
【0161】
別の実施形態では、ニューラルネットワーク１８００を使用して、心臓内の局所的異常心室興奮（Local Abnormal Ventricular Activations、ＬＡＶＡ）信号を検出することができる。そのような実施形態では、ＬＡＶＡ信号及び非ＬＡＶＡ信号は、モデル内の訓練データとして使用され、ニューラルネットワークは、臨床環境においてＬＡＶＡ信号を自動的に検出するために、ＬＡＶＡ信号と非ＬＡＶＡ信号とを区別するように学習する。
【0162】
関心対象の心構造を自動的に識別するための畳み込みニューラルネットワーク（ＣＮＮ）２１００の例示的な実施形態を図２１に示す。図２１に示すように、ＣＮＮ２１００は、好ましくは、入力データ２１１０を受信する。入力データは、単一の入力又は複数の入力２１１０−１、２１１０−２、２１１０−３、．．．、２１１０−ｎを含むことができ、「ｎ」は、複数の入力の最後である。例として、限定するものではないが、第１の入力２１１０−１は、マッピングカテーテルの第１の電極によって受信された第１のＥＧＭ信号を含むことができ、第２の入力２１１０−２は、マッピングカテーテルの第２の電極によって受信された第２のＥＧＭ信号を含むことができ、第３の入力２１１０−３は、マッピングカテーテルの第１の電極と基準カテーテルの最も近い電極との間の距離を含むことができ、最後の入力（２１１０−ｎ）は、マッピングカテーテルの第２の電極と基準カテーテルの最も近い電極との間の距離を含むことができる。入力２１１０は、ノード２１２０−１、２１２０−２、２１２０−３、．．．２１２０−ｎを含む第１の隠れ層２１２０、及び任意選択的に、ノード２１３０−１、２１３０−２、２１３０−３、．．．２１３０−ｎを含む第２の又はそれより多くの隠れ層２１３０に提供され、これらは、組み合わされて、ブール値又は一致指標などの出力２１４０を生成する。例えば、ＣＮＮ２１００では、全てのＥＧＭ入力２１１０は、出力２１４０を計算するために一度にニューラルネットワークに供給される。ニューラルネットワークは、以下により具体的に記載されるように、例えば、隠れ層に出力を提供するために、１つ又は２つ以上のプール層及び平坦化層に供給する一連の畳み込み層を含んでもよい。
【0163】
関心対象の心構造を自動的に識別するための、長・短期記憶（ＬＳＴＭ）ニューラルネットワークなどのリカレントニューラルネットワーク（ＲＮＮ）２２００の例示的な実施形態を図２２に示す。図２２に示すように、ＲＮＮ２２００は、好ましくは、入力データ２２１０を受信する。入力データ２２１０は、単一の入力又は複数の入力２２１０−１、２２１０−２、２２１０−３、．．．、２２１０−ｎを含むことができ、「ｎ」は、複数の入力の最後である。例として、限定するものではないが、第１の入力２２１０−１は、マッピングカテーテルの第１の電極によって受信された第１のＥＧＭ信号を含むことができ、第２の入力２２１０−２は、マッピングカテーテルの第１の電極と基準カテーテルの最も近い電極との間の距離を含むことができ、第３の入力２２１０−３は、マッピングカテーテルの電極から受信された力データを含むことができ、最後の入力２２１０−ｎは、マッピングカテーテルの電極から受信されたインピーダンスデータを含むことができる。入力２２１０は、ＲＮＮ２２００に提供され、組み合わされて、ブール値又は一致指標などの出力２２４０を生成する。例えば、ＲＮＮ２２００では、ＥＧＭ入力２２１０−１は、１つずつニューラルネットワークに供給される。より多くのＥＧＭサンプルがＲＮＮ２２００に供給されると、出力２２４０は、より正確になる。
【0164】
図１８Ｂのステップ１８９５では、出力２１４０又は２２４０などのニューラルネットワーク１８００の出力は、ニューラルネットワーク１８００を訓練するために使用される。具体的には、ニューラルネットワーク１８００の出力は、システム出力を提供し、この出力は、改善された出力を達成するためにニューラルネットワーク１８００を再帰的に訓練するために更に提供される。例えば、上で考察されるように、各訓練の後、その出力を含む訓練モデルは、その精度を検証するために、ゴールドスタンダードデータベースなどの標準データベースに対して実行することができる。例えば、出力は、ヒス束がある場所又はない場所を示す正当な出力であってもよく、出力は、アルゴリズムを更に訓練するために使用されてもよい。加えて、図２２の矢印２２３０を参照して示すように、新たに訓練されたモデルの精度が閾値以上である場合、又は代替的に、新たに訓練されたモデルの精度が以前のモデルの精度よりも高い場合、モデルは、ニューラルネットワークの入力として使用することができる。
【0165】
一実施形態では、ニューラルネットワーク１８００の訓練は、病院若しくは医療施設などの心臓処置が行われる施設、又はトレーニングセンタなどの遠隔位置で監督されてもよい。
【0166】
ニューラルネットワーク１８００が訓練されると、ニューラルネットワーク１８００をリアルタイムで利用して、ヒス束などの心臓内の特定の構造の位置を自動的に検出することができる。
【0167】
図２３は、説明されるような本システムの実装形態２３００を示す。実装形態２３００は、ヒス束検出の確率（又は位置）及びヒス束ではない検出の確率）又は位置を含む出力１８２０を生成するための、距離ＥＣＧ入力１８３０、カテーテルからの距離１８４０、及び他の入力１８５０を含む、ネットワーク２１００への一連の入力を含む。上述したように、ＥＣＧ入力１８３０は、第１のＥＣＧ１８３０１、第２のＥＣＧ１８３０２、．．．、最後のＥＣＧ１８３０Ｎを含む任意の数のＥＣＧデータを含むことができる。
【0168】
ネットワーク２１００は、例えば、本明細書に記載されるようなＣＮＮネットワークであってもよい。簡略化のために、ネットワーク２１００は、複数のプール層２３２０と相互接続され、かつ１つ又は２つ以上の再送信及び／又は完全に接続された層を含むことができる複数の平坦化層２３３０と更に相互接続された、複数の畳み込み層２３１０を含んでもよい。理解されるように、Ｓｏｆｔｍａｘ層２３４０は、ネットワーク２１００内の最後の層であってもよい。
【0169】
畳み込み層２３１０は、少なくとも図２１に関してを含めて、本明細書で説明されている。プール層２３２０は、特徴マップの次元を低減するために使用されてもよい。プール層２３２０は、学習するパラメータの数及びネットワーク２１００内で実行される計算の量を低減するために使用されてもよい。プール層２３１０は、畳み込み層２３１０によって生成された特徴マップの領域内に存在する特徴を要約する。平坦化層２３３０は、プールされた特徴マップを完全に接続された層に渡された単一の列に変換し、完全に接続された層をニューラルネットワーク２１００に追加する。
【0170】
Ｓｏｆｔｍａｘ層２３４０は、Ｋ個の実数値のベクトルを合計が１であるＫ個の実数値のベクトルに変える関数を提供する。入力値は、正、負、ゼロ、又は１より大きい値でもよい。Ｓｏｆｔｍａｘ層２３４０は、Ｓｏｆｔｍａｘ層２３４０への入力を０〜１の値に変換して、確率としての解釈を可能にすることができる。入力のうちの１つが小さい又は負である場合、Ｓｏｆｔｍａｘ層２３４０は、入力を小さい確率に変換してもよく、入力が大きい場合、Ｓｏｆｔｍａｘ層２３４０は、入力を大きい確率に変える。
【0171】
Ｓｏｆｔｍａｘ層２３４０は、ｓｏｆｔａｒｇｍａｘ関数、又はマルチクラスロジスティック回帰と称されることがある。Ｓｏｆｔｍａｘ層２３４０は、マルチクラス分類に使用することができるロジスティック回帰の一般化であってもよく、その公式は、ロジスティック回帰に使用されるシグモイド関数と非常に類似している。Ｓｏｆｔｍａｘ層２３４０の機能は、クラスが互いに排他的であるときにのみ分類器に使用することができる。
【0172】
Ｓｏｆｔｍａｘ層２３４０は、スコアを、ユーザに表示することができる又は他のシステムへの入力として使用することができる正規化された確率分布に変換する。Ｓｏｆｔｍａｘ層２３４０は、ニューラルネットワーク２１００の最終層であって、ヒス束の確率及びヒス束ではない確率を含む出力１８２０を生成することができる。
【0173】
距離１８４０をネットワーク２１００への入力として直接供給することによって、訓練は、追加の時間を必要とし得る。
【0174】
図２４は、説明されるような本システムの実装形態２４００を示す。実装形態２４００は、ヒス束の確率及びヒス束ではない確率を含む出力１８２０を生成するための、ＥＣＧ入力１８３０を含む、ネットワーク２１００への一連の入力を含む。上述したように、ＥＣＧ入力１８３０は、第１のＥＣＧ１８３０１、第２のＥＣＧ１８３０２、．．．、最後のＥＣＧ１８３０Ｎを含む任意の数のＥＣＧデータを含むことができる。
【0175】
ネットワーク２１００は、例えば、本明細書に記載されるようなＣＮＮネットワークであってもよい。簡略化のために、ネットワーク２１００は、複数のプール層２３２０と相互接続され、かつ１つ又は２つ以上のｒｅｓｎｅｔ及び／又は完全に接続された層を含むことができる複数の平坦化層２３３０と更に相互接続された、複数の畳み込み層２３１０を含んでもよい。理解されるように、Ｓｏｆｔｍａｘ層２３４０は、ネットワーク２１００内の最後の層であってもよい。
【0176】
ＥＣＧ入力１８３０は、Ｓｏｆｔｍａｘ層２３４０の前に終了するネットワーク２１００内に提供されてもよい。
【0177】
カテーテルからの距離の入力１８４０は、ＥＣＧ入力１８３０とは別個に入力として提供されてもよい。重みを乗じてバイアス２４２０を加えた後に、距離入力１８４０は、活性化関数２４３０に提供されてもよい。ｄが距離であり、ｂがバイアスであり、ｗが重みであり、ｆが活性化関数である場合、活性化関数の出力は、ｆ（ｗｄ＋ｂ）である。当該技術分野において理解されるように、活性化関数２４３０は、入力又は入力のセットを所与として、そのノードの出力を定義する。活性化関数２４３０としては、例えば、シグモイド、双曲線正接、ＥＬＵ、及びＬｅａｋｙＲｅＬＵなどの関数を挙げることができる。ｓｏｆｔｍａｘ層２３４０の入力は、活性化関数２４３０の出力によって乗算されてもよい。Ｓｏｆｔｍａｘ層２３４０は、スコアを、ユーザに表示することができる又は他のシステムへの入力として使用することができる正規化された確率分布に変換する。Ｓｏｆｔｍａｘ層２３４０は、ニューラルネットワーク２１００の最終層であって、ヒス束の確率及びヒス束ではない確率を含む出力１８２０を生成することができる。代替的に、２つの入力を取り、かつ２つの出力を与えるｓｏｆｔｍａｘ層２３４０の代わりに、−∞〜＋∞の単一の出力を、ニューラルネットワーク２３３０によって生成してもよく、この出力を、シグモイドなどの活性化関数によって０〜１の確率に変換してもよい。この構成では、最終の活性化関数の入力は、活性化関数２４３０の出力によって乗算されてもよい。
【0178】
図２５は、説明されるような本システムの実装形態２５００を示す。実装形態２５００は、ヒス束の確率及びヒス束ではない確率を含む出力１８２０を生成するための、ＥＣＧ入力１８３０を含む、ネットワーク２１００への一連の入力を含む。上述したように、ＥＣＧ入力１８３０は、第１のＥＣＧ１８３０１、第２のＥＣＧ１８３０２、．．．、最後のＥＣＧ１８３０Ｎを含む任意の数のＥＣＧデータを含むことができる。ネットワーク２１００は、ヒス束の中間確率２５２０を出力することができる。
【0179】
ネットワーク２１００は、例えば、本明細書に記載されるようなＣＮＮネットワークであってもよい。簡略化のために、ネットワーク２１００は、複数のプール層２３２０と相互接続され、かつ１つ又は２つ以上のｒｅｓｎｅｔ及び／又は完全に接続された層を含むことができる複数の平坦化層２３３０と更に相互接続された、複数の畳み込み層２３１０を含んでもよい。
【0180】
カテーテルからの距離の入力１８４０及び他の入力１８５０は、畳み込みネットワークの畳み込み層２３１０、プール層２３２０、及び平坦化層２３３０の後に提供されてもよい。図示されるように、３つ全ての層２３１０、２３２０、２３３０は、理解されるように、距離１８４０及び他の入力１８５０、又は層２３１０、２３２０、２３３０の一部分のみを飛ばしてもよい。距離入力１８４０及び任意の他の入力１８５０は、ＥＣＧネットワーク２１００の出力に提供され、１つ又は２つ以上の隠れ層２５００を有する非畳み込みニューラルネットワークを使用して組み合わされて、ヒス束の確率及びヒス束ではない確率を含む出力１８２０を生成することができる。このネットワークアーキテクチャでは、入力は、スカラ、例えば、距離及び印加された力であるため、入力は、「単に別の入力」として処理されて、このネットワークの訓練に時間がかかりすぎることになる場合があり、このネットワークの収束が困難となる。図２４及び図２５に記載された構成は、この問題を解決する。
【0181】
２つのネットワーク２１００、２５１０が図示されているが、これらのネットワークは、単一のネットワークとしてモノリシックに訓練される。心臓内の２つの位置が探索され、一方が、所望の位置（ヒス束）であり、他方が、心臓内の何らかの遠隔位置にある単なる任意の点であると仮定する。この例のために、これらの２つの位置から受信したＥＣＧ信号が非常に類似しており、どちらがヒス束であるかを理解する唯一の方法が距離を見ることであると仮定する。第１のニューラルネットワークは、距離が入力ではないので、距離に関する情報を提供されていない。第１のネットワークが単独で訓練される場合、２つの非常に類似した信号は、ヒス束として一度、「ヒス束ではない」として一度、ニューラルネットワークに供給される必要があり、ニューラルネットワーク内に混乱を引き起こす。ニューラルネットワークは、収束しないことになる。
【0182】
この例では、より良好な理解を提供するために、この例は、２つの非常に類似した信号を含んだ。ニューラルネットワークは、ヒス束を判定するために信号の何らかの「属性」を学習することができ、この属性は別の位置にも存在し得るため、異なる信号でさえも、同じ問題が依然として存在するであろう。人間はこの差を理解するであろうが、単一の入力としてＥＣＧを入力するニューラルネットワークは、混乱することがあり、その収束は困難であろう。最良の場合では、訓練は、時間がかかりすぎ、最悪の場合では、ネットワークは、収束しないであろう。
【0183】
２つのネットワークをモノリシックな全体として訓練する際、第１のネットワークは、距離が大きすぎる場合に「ゴミ」出力を与える自由を有し、依然として収束する。図２４では、乗算は、距離が大きすぎる場合、「ゴミ」の影響を低減することができる。図２５では、第２のニューラルネットワークは、距離及び他のパラメータがヒス束の確率が低いことを示す場合、「ゴミ」の影響を低減することができる。また、手作りのアルゴリズムとは異なり、このネットワークは、関連する距離がどのようなものであるかを学習する。このネットワークは、距離が十分に大きい場合、活性化関数２４３０が「ゼロに近い」係数を出力する必要があることを学習することができる。「ゼロに近い」係数は、第１のネットワークの出力にかかわらず、第２のネットワークによってヒス束の確率を低いとして出力させることができる。
【0184】
一般に、カットオフは、結果の助けにならない。例えば、距離が１ｃｍ未満であったＥＣＧ信号が考慮される場合、全ての他の信号は、訓練フェーズ中に除外される。理論的には、そのような構成及びカットオフは、同じ「高速収束」の利点を提供し、これはまた、問題を解決するであろう。距離の影響は、離散関数ではなく、連続関数であるべきである。図２４及び図２５のアーキテクチャの効果は、ニューラルネットワークが距離の影響を表す関数を構築するように学習するかのようなものである。訓練中、ネットワークは、遠く離れた点の入力に次第に重要性を与えなくなる。この解決策は、印加された力、組織近接指標などの任意の追加のスカラ入力に拡張可能である。
【0185】
図２５では、第１のネットワークは、信号の異なる属性を示すためにより多くの出力を出力することができ、第２のネットワークは、属性を距離と組み合わせるように学習することができる。例えば、距離が小さい場合、第２のネットワークは、属性Ａ、Ｂ、及びＣなどの属性により重要性を与えるように学習することができる。距離が大きい場合、第２のネットワークは、属性Ｄ及びＥなどの属性により重要性を与えるように学習することができる。
【0186】
ネットワーク２１００の第１の部分は、ｓｏｆｔｍａｘ若しくはシグモイド層で終了してもよく、又は終了しなくてもよい。ｓｏｆｔｍａｘ又はシグモイド層で終了する場合、ネットワークの第２の部分への入力は、０〜１である。そうでなければ、ネットワークの第２の部分への入力は、−∞〜＋∞である。
【0187】
ヒス束の自動検出は、本明細書に記載されるニューラルネットワークを利用する結果として本明細書に記載されているが、本開示の主題は、ヒス束の自動検出に限定されない。他の心構造及び／又は信号の自動識別は、開示される主題の範囲内である。例えば、心電サイクルは、心房を介してかつ房室（ＡＶ）結節を介してヒス束に電気インパルスを伝達する洞房（ＳＡ）結節から開始する。ヒス束は、ＡＶ結節から左及び右の束枝に電気インパルスを伝達し、次いで、電気信号を心室に提供するプルキンエ線維に伝達する。一実施形態では、本明細書に開示される主題を使用して、ＳＡ結節、左及び右の束枝、プルキンエ繊維などを含むが、これらに限定されない、心電サイクル内の他の心構造を自動的に検出することができる。加えて、別の例として、本明細書に開示される主題を使用して、先で考察されるように、ＬＡＶＡ信号を検出することができる。別の実施形態では、本明細書に開示される主題は、カテーテルの位置を検出するために使用することができ、カテーテルが心房室から心室へと意図せず移動した場合を検出するための医師への警告システムとして機能することができる。
【0188】
特徴及び要素が特定の組み合わせで上に記載されるが、当業者であれば、特徴又は要素の各々を単独で又は他の特徴及び要素と組み合わせて使用することができることを理解するであろう。加えて、プロセスステップは、特定の順序で上述されているが、ステップは、他の望ましい順序で実行することができる。
【0189】
本明細書に記載される方法、プロセス、モジュール、及びシステムは、コンピュータ又はプロセッサで実行するために、コンピュータ可読媒体に組み込まれるコンピュータプログラム、ソフトウェア、又はファームウェアで実装することができる。コンピュータ可読媒体の例には、電子信号（有線又は無線接続を介して送信される）及びコンピュータ可読記憶媒体が挙げられる。コンピュータ可読記憶媒体の例には、読み取り専用メモリ（read only memory、ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、レジスタ、キャッシュメモリ、半導体メモリ装置、磁気媒体、例えば、内蔵ハードディスク及び取り外し可能なディスク、磁気光学媒体、並びに光学媒体、例えば、ＣＤ−ＲＯＭディスク及びデジタル多用途ディスク（ＤＶＤ）が挙げられるが、これらに限定されない。ソフトウェアに関連するプロセッサを使用して、ＷＴＲＵ、ＵＥ、端末、基地局、ＲＮＣ、又は任意のホストコンピュータで使用するための無線周波数送受信機を実装することができる。
【0190】
本明細書の更なる実施形態は、ある実施形態に、本明細書の任意の１つ若しくは２つ以上の他の実施形態に由来する１つ若しくは２つ以上の要素を付加することによって、かつ／又はある実施形態に由来する１つ若しくは２つ以上の要素を、本明細書の１つ若しくは２つ以上の他の実施形態由来の１つ若しくは２つ以上の要素と置換することによって、形成されてもよい。
【0191】
したがって、開示された主題は、開示された特定の実施形態に制限されず、添付の特許請求の範囲、上記の説明によって定義され、かつ／又は添付の図面に示される本開示の趣旨及び範囲内にある全ての修正を包含することを意図するものと理解される。
【0192】
〔実施の態様〕（１） 心構造を自動的に検出するためのシステムであって、
第１の心構造に関する電気生理学的データを受信するように、心臓内に位置付けられた複数の感知デバイスであって、各々が、一次元信号を提供する、複数の感知デバイスと、
ニューラルネットワークを含むプロセッサであって、
前記複数の感知デバイスのうちの少なくとも１つから前記一次元信号を受信し、
一対の前記複数の感知デバイス間の距離に関する距離データを受信し、
受信した前記一次元信号に前記ニューラルネットワークを適用して、出力を判定し、
前記距離に重み及びバイアスを適用し、
重み付けされ、かつバイアスをかけられた前記距離に活性化関数を適用し、
判定された前記出力に前記活性化関数の前記出力を乗算して、前記電気生理学的データ及び前記距離データに基づいて、前記第１の心構造が関心対象の前記心構造であるか否かを判定する、
プロセッサと、
を備える、システム。
（２） 関心対象の前記心構造が、ヒス束を含む、実施態様１に記載のシステム。
（３） 前記複数の感知デバイスによって受信された前記第１の心構造に関する前記電気生理学的データが、ＥＣＧ信号を含む、実施態様１に記載のシステム。
（４） 前記複数の感知デバイスが、複数の異なる電極を含む、実施態様１に記載のシステム。
（５） 前記距離データが、マッピング電極の前記距離である、実施態様１に記載のシステム。
【0193】
（６） 前記ニューラルネットワークが、畳み込みニューラルネットワーク又はリカレントニューラルネットワークである、実施態様１に記載のシステム。（７） 前記一次元信号及び前記距離データに対して、前記ニューラルネットワークをモノリシックに訓練することを更に含む、実施態様１に記載のシステム。
（８） 心構造を自動的に検出するための方法であって、
心臓内に位置付けられた複数の感知デバイスを介して、複数の一次元信号を含む電気生理学的データを受信することと、
ニューラルネットワークを介して、前記複数の感知デバイスのうちの少なくとも１つから、前記一次元信号を受信し、かつ一対の前記複数の感知デバイス間の距離に関する距離データを受信することと、
受信した前記一次元信号に前記ニューラルネットワークを適用して、出力を判定することと、
前記距離に重み及びバイアスを適用し、重み付けされ、かつバイアスをかけられた前記距離に活性化関数を適用することと、
判定された前記出力に前記活性化関数の前記出力を乗算して、前記電気生理学的データ及び前記距離データに基づいて、前記第１の心構造が関心対象の前記心構造であるか否かを判定することと、
を含む、方法。
（９） 関心対象の前記心構造が、ヒス束を含む、実施態様８に記載の方法。
（１０） 前記複数の感知デバイスによって受信された前記第１の心構造に関する前記電気生理学的データが、ＥＣＧ信号を含む、実施態様８に記載の方法。
【0194】
（１１） 前記複数の感知デバイスが、複数の異なる電極を含む、実施態様８に記載の方法。（１２） 前記距離データが、マッピング電極の前記距離である、実施態様１に記載のシステム。
（１３） 前記ニューラルネットワークが、畳み込みニューラルネットワーク又はリカレントニューラルネットワークである、実施態様１に記載のシステム。
（１４） 前記一次元信号及び前記距離データに対して、前記ニューラルネットワークをモノリシックに訓練することを更に含む、実施態様１に記載のシステム。
（１５） 心構造を自動的に検出するためのシステムであって、
第１の心構造に関する電気生理学的データを受信するために心臓内に位置付けられた複数の感知デバイスであって、各々が、一次元信号を提供する、複数の感知デバイスと、
第１のニューラルネットワークを含むプロセッサであって、前記複数の感知デバイスのうちの少なくとも１つから前記一次元信号を受信し、受信した前記一次元信号に前記ニューラルネットワークを適用して、出力を判定する、プロセッサと、を備え、
前記プロセッサが、少なくとも一対の前記複数の感知デバイス間の距離に関する複数のスカラ値を受信し、前記複数のスカラ値に重み及びバイアスを適用し、重み付けされ、かつバイアスをかけられた前記距離に活性化関数を適用する、第２のニューラルネットワークを含み、
前記第１のニューラルネットワークの前記出力及び前記第２のニューラルネットワークを組み合わせて、前記電気生理学的データ及び前記距離データに基づいて、前記第１の心構造が関心対象の前記心構造であるか否かを判定する、システム。
【0195】
（１６） 関心対象の前記心構造が、ヒス束を含む、実施態様１５に記載のシステム。（１７） 前記複数の感知デバイスによって受信された前記第１の心構造に関する前記電気生理学的データが、ＥＣＧ信号を含む、実施態様１５に記載のシステム。
（１８） 前記複数の感知デバイスが、複数の異なる電極を含む、実施態様１５に記載のシステム。
（１９） 前記距離データが、マッピング電極の前記距離である、実施態様１５に記載のシステム。
（２０） 前記一次元信号及び前記距離データに対して、前記第１のニューラルネットワーク及び前記第２のニューラルネットワークをモノリシックに訓練することを更に含む、実施態様１に記載のシステム。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18A】
【図18B】
【図19A】
【図19B】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【外国語明細書】