特許 7428386 個別患者データ及び治療脳ネットワークマップを用いた有効性及び／または治療パラメータ推薦

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-01-29

(45)【発行日】2024-02-06

(54)【発明の名称】個別患者データ及び治療脳ネットワークマップを用いた有効性及び／または治療パラメータ推薦

(51)【国際特許分類】

   A61B 5/372 20210101AFI20240130BHJP

   A61B 5/055 20060101ALI20240130BHJP

   A61B 5/05 20210101ALI20240130BHJP

   G01T 1/161 20060101ALI20240130BHJP

【ＦＩ】

A61B5/372

A61B5/055 390

A61B5/055 380

A61B5/05

G01T1/161 A

G01T1/161 B

【請求項の数】 19

(21)【出願番号】P 2020525846

(86)(22)【出願日】2018-11-09

(65)【公表番号】

(43)【公表日】2021-01-28

(86)【国際出願番号】 US2018060186

(87)【国際公開番号】W WO2019094836

(87)【国際公開日】2019-05-16

【審査請求日】2021-11-09

(31)【優先権主張番号】62/584,669

(32)【優先日】2017-11-10

(33)【優先権主張国・地域又は機関】US

【前置審査】

(73)【特許権者】

【識別番号】519211513

【氏名又は名称】エルビス・コーポレイション

【氏名又は名称原語表記】ＬＶＩＳ Ｃｏｒｐｏｒａｔｉｏｎ

【住所又は居所原語表記】２６００ Ｅ Ｂａｙｓｈｏｒｅ Ｒｏａｄ， Ｐａｌｏ Ａｌｔｏ， ＣＡ ９４３０３， Ｕｎｉｔｅｄ Ｓｔａｔｅｓ ｏｆ Ａｍｅｒｉｃａ

(74)【代理人】

【識別番号】100114890

【弁理士】

【氏名又は名称】アインゼル・フェリックス＝ラインハルト

(74)【代理人】

【識別番号】100098501

【弁理士】

【氏名又は名称】森田 拓

(74)【代理人】

【識別番号】100116403

【弁理士】

【氏名又は名称】前川 純一

(74)【代理人】

【識別番号】100134315

【弁理士】

【氏名又は名称】永島 秀郎

(74)【代理人】

【識別番号】100162880

【弁理士】

【氏名又は名称】上島 類

(72)【発明者】

【氏名】ジョンナン・ファン

(72)【発明者】

【氏名】ジンヒョン・リー

【審査官】北島 拓馬

(56)【参考文献】

【文献】米国特許出願公開第２０１１／０１１９２１２（ＵＳ，Ａ１）

【文献】特表２００２－５０２２７０（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１６／００１９６９３（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１６／０３７５２４８（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１４／０２４３７１４（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１４／０１２８７６２（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１１／０２１８９５０（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ５／０５ － ５／０５３８

Ａ６１Ｂ ５／０５５

Ａ６１Ｂ ５／２４ － ５／３９８

Ａ６１Ｂ ９／００ －１０／０６

Ｇ０１Ｔ １／１６１－ １／１６６

Ｇ０６Ｑ ５０／２２

Ｇ１６Ｈ １０／００ －８０／００

(57)【特許請求の範囲】

【請求項1】

プロセッサで、患者の脳に関する個別患者データを受け取るステップであって、前記個別患者データは、神経学的事象によって影響を受ける脳の領域を示す、ステップと、
前記プロセッサで、機能的磁気共鳴画像法（ｆＭＲＩ）、陽電子放出断層撮影法（ＰＥＴ）、単一光子放出断層撮影法（ＳＰＥＣＴ）、またはそれらの組み合わせから、データを受け取るステップと、
前記プロセッサにより、治療に関する治療脳ネットワーク反応マップを生成するステップであって、前記治療脳ネットワーク反応マップは前記治療に対する脳反応を示し、前記データをテンプレートの脳に対応付けるステップを含むステップと、
前記プロセッサが、前記個別患者データと前記治療脳ネットワーク反応マップとの、畳み込みカーネルを用いた比較に基づいて、前記患者に対する前記治療の有効性を予測するステップと、
を備え、
前記治療の有効性を予測するステップは、
統計的予測モデルにより、前記個別患者データ及び前記治療脳ネットワーク反応マップから特徴量を抽出するステップと、
前記統計的予測モデルにより、前記個別患者データから抽出した特徴量と、前記治療脳ネットワーク反応マップから抽出した特徴量とを比較するステップと、
前記統計的予測モデルを用いて前記治療の有効性を予測するステップと、
を含む、
方法。

【請求項2】

前記特徴量は、前記個別患者データの前記領域と前記治療脳ネットワーク反応マップとの重なり領域を含み、
前記重なり領域がより大きいときに、予測される前記有効性がより大きい、
請求項１に記載の方法。

【請求項3】

前記統計的予測モデルにより前記特徴量を抽出するステップは、前記個別患者データ及び前記治療脳ネットワーク反応マップから特徴量を抽出するために畳み込みカーネルを用いるステップを含む、請求項１に記載の方法。

【請求項4】

前記畳み込みカーネルの値は、前記治療のための前記統計的予測モデルの訓練中に学習される、請求項３に記載の方法。

【請求項5】

前記個別患者データ及び前記治療脳ネットワーク反応マップに各畳み込みカーネルを繰り返し乗算するステップと、
結果を複数の特徴マップにおけるピクセルとして保持するステップと、
をさらに備える、請求項３に記載の方法。

【請求項6】

前記統計的予測モデルにより前記特徴量を抽出するステップは、前記特徴マップに、積層畳み込み、正規化線形関数、及びプーリング層を含む深層畳み込みニューラルネットワークを適用するステップをさらに備える、請求項５に記載の方法。

【請求項7】

前記プロセッサが、前記統計的予測モデルおよび各々が前記治療のためのパラメータの異なるセットに対応する複数の治療脳ネットワーク反応マップを用いて前記治療のためのパラメータを予測するステップ、をさらに含む、請求項１から６までのいずれか１項に記載の方法。

【請求項8】

前記個別患者データは、てんかん性スパイク、または発作の発生及び伝搬における脳領域と前記脳領域の間の経路とを示す発作ネットワーク画像のデータを含む、請求項１から７までのいずれか１項に記載の方法。

【請求項9】

前記個別患者データを、脳波図（ＥＥＧ）または脳磁図（ＭＥＧ）から受け取り、
前記治療脳ネットワーク反応マップを、機能的磁気共鳴画像法（ｆＭＲＩ）システム、陽電子放出断層撮影法（ＰＥＴ）システム、及び／または単一光子放出断層撮影法（ＳＰＥＣＴ）システムから受け取る、
請求項１から８までのいずれか１項に記載の方法。

【請求項10】

前記個別患者データは、グループ平均化スパイク及び信号源推定、スパイクＩＣＡ分析及び信号源推定、発作ネットワーク分析、脳領域上へ投影されたデータ、神経状態に関与する特定された脳領域、発作脳領域間の計算された経路、またはそれらの組み合わせ、を含む、請求項１から９までのいずれか１項に記載の方法。

【請求項11】

前記プロセッサが、前記比較するステップにより予測された前記治療の前記有効性を示す予測スコアを提供するステップをさらに備える、請求項１から１０までのいずれか１項に記載の方法。

【請求項12】

少なくとも１つのプロセッサと、
命令がエンコードされたコンピュータ可読媒体と、
を備えるシステムであって、
前記命令が前記少なくとも１つのプロセッサによって実行されることにより、
患者の脳に関する個別患者データ及び治療脳ネットワーク反応マップを提供し、及び
前記個別患者データと前記治療脳ネットワーク反応マップとの、畳み込みカーネルを用いた比較に基づいて、前記患者に対する治療の有効性を予測し、
前記個別患者データは、神経学的事象によって影響を受ける１つ以上の脳の領域を示し、
前記治療脳ネットワーク反応マップは前記治療に対する脳反応を示し、
前記治療脳ネットワーク反応マップは、前記治療によって影響を受ける脳の領域の活性化の頻度、前記治療によって影響を受ける前記脳の領域の平均信号値、またはそれらの組み合わせを示し、
前記治療の有効性を予測するために、前記システムは、
統計的予測モデルにより、前記個別患者データ及び前記治療脳ネットワーク反応マップから特徴量を抽出し、
前記統計的予測モデルにより、前記個別患者データから抽出した特徴量と、前記治療脳ネットワーク反応マップから抽出した特徴量とを比較し、
前記統計的予測モデルを用いて前記治療の有効性を予測する、
システム。

【請求項13】

前記統計的予測モデルは、前記個別患者データ及び前記治療脳ネットワーク反応マップから特徴量を抽出するように構成された畳み込みカーネルを備える、請求項１２に記載のシステム。

【請求項14】

前記畳み込みカーネルの値は、前記治療のための前記統計的予測モデルの訓練中に学習される、請求項１３に記載のシステム。

【請求項15】

前記命令により、さらに、
前記個別患者データ及び前記治療脳ネットワーク反応マップに各畳み込みカーネルを繰り返し乗算し、及び
結果を複数の特徴マップにおけるピクセルとして保持する、
請求項１３または１４に記載のシステム。

【請求項16】

前記システムはさらに前記複数の特徴マップからさらなる特徴量を抽出するように構成された、積層畳み込み、正規化線形関数、及びプーリング層を含む深層畳み込みニューラルネットワークが実装されている、請求項１５に記載のシステム。

【請求項17】

前記命令により、さらに、前記統計的予測モデルおよび各々が前記治療のためのパラメータの異なるセットに対応する複数の治療脳ネットワーク反応マップを用いて前記治療のためのパラメータを予測する、請求項１２から１６までのいずれか１項に記載のシステム。

【請求項18】

前記個別患者データは、発作の発生源を示すてんかん信号源画像のデータを含む、請求項１２から１７までのいずれか１項に記載のシステム。

【請求項19】

前記個別患者データを提供するように構成された、前記少なくとも１つのプロセッサに接続された脳波図（ＥＥＧ）システム、または前記少なくとも１つのプロセッサに接続された脳磁図（ＭＥＧ）システムと、
前記少なくとも１つのプロセッサに接続され、前記治療脳ネットワーク反応マップを提供するように構成された、機能的磁気共鳴画像法（ｆＭＲＩ）システムと、
をさらに備える、請求項１２から１８までのいずれか１項に記載のシステム。

【発明の詳細な説明】

【関連出願の相互参照】

【0001】

本願は、２０１７年１１月１０日に出願された米国仮出願第６２／５８４，６６９号に基づく優先権を主張しており、目的に応じて、その全体が参照されることにより本明細書に援用される。

【技術分野】

【0002】

本明細書に記載される例は、一般に神経治療に関し、神経刺激療法といった治療の有効性及び／またはパラメータを予測する例が記載される。

【背景技術】

【0003】

神経刺激は、てんかん、うつ病、パーキンソン病、アルツハイマー病を含む神経疾患に対する有望な治療法として期待されている。しかし、現在のところ、インプラント前に治療の有効性を予測する方法はない。その上、神経疾患は個人差があるため（例えば、てんかん患者間では発作を引き起こす脳の異常部位が異なる）、個々の患者に最も効果的な刺激設定を特定するために、神経刺激パラメータの調整を繰り返す必要がある。この長く単調なパラメータ調整作業は、医療コストを大幅に増加させ、医師と患者の双方にフラストレーションを与えている。また、多くの否定的な事例はパラメータ調整を早期に終了した結果であるため、パラメータ調整作業は神経刺激療法の全体的な有効性を低下させている。

【発明の概要】

【0004】

本明細書には種々の方法の例が記載される。例示的な方法は、患者の神経状態に関する個別患者データを取得すること、治療に関する治療脳ネットワーク反応マップを取得すること、及び神経状態のデータと脳ネットワーク反応マップとの比較に基づいて、患者に対する治療の有効性を予測することを含み得る。

【0005】

いくつかの例において、治療の有効性を予測することは、治療のための統計的予測モデルへの入力として、個別患者データ及び治療脳ネットワーク反応マップを提供すること、及び統計的予測モデルを用いて治療の有効性を予測することを含み得る。

【0006】

いくつかの例において、統計的予測モデルは、神経状態に関する個別患者データ及び脳ネットワーク反応マップから特徴量を抽出するように構成された特徴量抽出技術を含み得る。

【0007】

いくつかの例において、特徴量は、個別患者データと脳ネットワーク反応マップとの重なり領域を含み得る。

【0008】

いくつかの例において、統計的予測モデルは、神経状態の個別患者データ及び治療脳ネットワーク反応マップから特徴量を抽出するように構成された畳み込みカーネルを備え得る。

【0009】

いくつかの例において、畳み込みカーネルにおける値は、治療のための統計的予測モデルの訓練中に学習される。

【0010】

いくつかの例において、方法は、個別患者データ及び治療脳ネットワーク反応マップに各畳み込みカーネルを繰り返し乗算すること、及び結果を複数の特徴マップにおけるピクセルとして保持することを含み得る。

【0011】

いくつかの例において、統計的予測モデルは、特徴マップからさらなる特徴量を抽出するように構成された、積層畳み込み、正規化線形関数、及びプーリング層を含む深層畳み込みニューラルネットワークを備え得る。

【0012】

いくつかの例において、方法は、特徴マップからのさらなる特徴量に基づいて有効性を予測することを含み得る。

【0013】

いくつかの例において、方法は、統計的予測モデルを用いて治療のためのパラメータを予測することを含み得る。

【0014】

いくつかの例において、治療は迷走神経刺激を含み、神経状態は発作を含み得る。

【0015】

いくつかの例において、神経状態の個別患者データは、てんかん性スパイク、または発作の発生及び伝搬における脳領域と当該脳領域の間の経路とを示す発作ネットワーク画像のデータを含む。

【0016】

いくつかの例において、神経状態の個別患者データを取得することは、脳波図（ＥＥＧ）または脳磁図（ＭＥＧ）を使用することを含み、治療脳ネットワーク反応マップを取得することは、機能的磁気共鳴画像法（ｆＭＲＩ）、陽電子放出断層撮影法（ＰＥＴ）、及び／または単一光子放出断層撮影法（ＳＰＥＣＴ）を使用することを含む。

【0017】

いくつかの例において、神経状態の個別患者データを取得することは、グループ平均化スパイク及び信号源推定を使用すること、スパイクＩＣＡ分析及び信号源推定を使用すること、発作ネットワーク分析を使用すること、またはそれらの組み合わせを含む。

【0018】

いくつかの例において、個別患者データを取得することは、脳領域上にデータを投影すること、神経状態に関与する脳領域を特定すること、発作脳領域間の経路を計算すること、またはそれらの組み合わせを含む。

【0019】

いくつかの例において、治療脳ネットワーク反応マップは、特定のパラメータのセットを使用する治療に対する脳の反応に対応する。

【0020】

本明細書に種々のシステムの例が記載される。例示的なシステムは、少なくとも１つのプロセッサと、命令がエンコードされたコンピュータ可読媒体とを備え得る。当該命令が少なくとも１つのプロセッサによって実行されることにより、治療のための統計的予測モデルへの入力として、患者の神経状態の画像データ及び治療脳ネットワーク反応マップを提供し、統計的予測モデルを用いて治療の有効性を予測する。

【0021】

いくつかの例において、統計的予測モデルは、神経状態の個別患者データ及び治療脳ネットワーク反応マップから特徴量を抽出するように構成された畳み込みカーネルを備え得る。

【0022】

いくつかの例において、畳み込みカーネルにおける値は、治療のための統計的予測モデルの訓練中に学習される。

【0023】

いくつかの例において、システムはさらに、命令により、個別患者データ及び治療脳ネットワーク反応マップに各畳み込みカーネルを繰り返し乗算し、結果を複数の特徴マップにおけるピクセルとして保持し得る。

【0024】

いくつかの例において、統計的予測モデルは、特徴マップからさらなる特徴量を抽出するように構成された、積層畳み込み、正規化線形関数、及びプーリング層を含む深層畳み込みニューラルネットワークを備え得る。

【0025】

いくつかの例において、システムはさらに、命令により、特徴マップからのさらなる特徴量に基づいて有効性を予測し得る。

【0026】

いくつかの例において、システムはさらに、命令により、統計的予測モデルを用いて治療のためのパラメータを予測し得る。

【0027】

いくつかの例において、治療は迷走神経刺激を含み得、神経状態は発作を含み得る。

【0028】

いくつかの例において、神経状態のデータは、発作の発生源を示すてんかん信号源画像のデータを含む。

【0029】

いくつかの例において、システムは、画像データを提供するように構成された、少なくとも１つのプロセッサに接続された脳波図（ＥＥＧ）システムまたは少なくとも１つのプロセッサに接続された脳磁図（ＭＥＧ）システムと、少なくとも１つのプロセッサに接続されて治療脳ネットワーク反応マップを提供するように構成された機能的磁気共鳴画像法（ｆＭＲＩ）システムとをさらに備え得る。

【図面の簡単な説明】

【0030】

【図1】本明細書に記載の例に従って構成されたシステムの概略図

【図2】本明細書に記載の例による統計的予測モデルプロセス２００を説明する図

【図3】本明細書に記載の例による統計的予測モデルプロセス３００を説明する図

【図4】本明細書に記載の例による画像セット４００を説明する図

【図5】本明細書に記載の例によるてんかん性スパイクまたは発作ネットワーク分析の概略図

【図6】本明細書に記載の例に従って構成された、神経刺激有効性予測のための画素単位で特徴量を抽出するモデルを説明する図

【発明を実施するための形態】

【0031】

記載された実施形態の十分な理解を提供するために、特定の詳細が以下に説明される。しかしながら、実施形態がこれらの特定の詳細なしに実施可能であることは、当業者には明らかであろう。いくつかの例では、記載された実施形態を不必要に不明瞭にすることを避けるために、周知の脳イメージング技術及びシステム、回路、制御信号、タイミングプロトコル、及び／またはソフトウェアの動作は、詳細に示されていない。

【0032】

本明細書に記載されるシステム及び方法の例は、治療（例えば、神経刺激、薬物、細胞治療、遺伝子治療）の有効性を予測し得る。このことは、不必要な治療（例えば、神経刺激インプラント手術）を避けることに役立ち得る。本明細書に記載されたシステム及び方法の例は、手術前または手術後に、個々の患者に対して最も効果的な治療パラメータ（例えば、刺激パラメータ）を予測することで、長い単調な刺激パラメータ調整プロセスを回避することができる。

【0033】

本明細書に記載される例は、脳信号源イメージング（brain source imaging）及び／または脳ネットワーク解析に基づく統計的予測モデルを利用し得る。頭皮で記録された電位時系列の代わりに、信号源が推定された脳波図（ＥＥＧ）及び脳磁図（ＭＥＧ）を用いたイメージングのような脳信号源イメージングが利用され得る。これにより、いくつかの例では、記録された脳活動の、頭皮上ではなく脳上または脳内部での評価が可能になる。脳ネットワーク解析は、神経疾患に関与する複数の脳領域及びこれらの領域間の経路が推定可能であるように利用されてもよい。いくつかの例では、治療（例えば、神経刺激装置）によって誘発させた脳ネットワーク反応マップもまた、予測のために取得される。脳ネットワーク反応マップは、神経刺激メカニズムの情報を含み、予測精度をさらに向上させることができる。治療脳ネットワーク反応マップは、機能的磁気共鳴画像法（ｆＭＲＩ）、陽電子放出断層撮影法（ＰＥＴ）、及び／または単一光子放出断層撮影法（ＳＰＥＣＴ）といった全脳イメージング技術などの技術によって取得することができるが、これらに限定されない。

【0034】

本明細書に記載される例は、有効性及び／またはパラメータ予測サービスを提供する。１つまたは複数の患者の脳波記録が受信されてもよい。患者のてんかん性スパイク及び／または発作ネットワークが分析され、病態画像（例えば、てんかん性スパイクまたは発作ネットワーク画像）と、代表的な治療ｆＭＲＩ脳ネットワーク反応マップとを比較する特徴量に基づいて、統計的予測モデルを適用して治療効果を予測してもよい。その後、予測された有効性および提案されたパラメータが提供されてもよい。このサービスにより、治療のための長い神経刺激パラメータ調整プロセスを排除及び／または低減することができ、治療の成功率を改善することができ、不必要なインプランテーションまたは他の侵襲（interventions）を回避することができる。

【0035】

本明細書に記載される例は、単にてんかんのタイプまたはスパイク信号源（spike sources）を用いて予測することに止まらず、むしろ、脳波病態画像およびｆＭＲＩ脳ネットワーク反応マップの両方が統計的予測モデルで利用されてもよい。ここで、病態画像（例えばスパイク及び／または発作ネットワーク画像）は、患者の病態（例えば発作）の原因及び／または進展を示してもよく、ｆＭＲＩマップは、治療（例えば迷走神経刺激（ＶＮＳ））によって誘発される治癒活動（therapeutic activity）を示してもよい。両者を比較することにより、ＶＮＳが発作の発生及び／または伝播にどのように影響を与えるかを分析して、予測精度を大幅に改善することができる。いくつかの例では、病態画像（例えば、脳波スパイク及び／または発作ネットワーク画像）とｆＭＲＩ脳ネットワーク反応マップとから最適な特徴量を自動的に学習するために、ディープニューラルネットワークが適用されてもよい。脳波とｆＭＲＩマップの画素ごとの比較などの単純な特徴量を利用することもできるが、脳波とｆＭＲＩマップで異なる脳領域の重み付けを行うことで、正確な予測を行うことができる。ＤＮＮは、自動的に特徴量を抽出する機会を提供する。これは、手動で設計された特徴量よりもさらに適切であり得る。いくつかの例では、治療（例えばＶＮＳ）の効果予測のために患者から臨床ルーチン状態データ（例えば、てんかん脳波記録）のみが必要とされてもよい。これにより、患者は追加の検査を受けなくてよい場合がある。一般に、劇的な脳損傷を伴わない多くの患者には、治療に対する類似の脳ネットワーク反応を利用することができ、治療脳ネットワーク反応マップは本モデルにおいて固定化され得る。

【0036】

本明細書に記載される例は、患者の脳状態データと治療の脳ネットワークマップとの比較を利用して、治療の有効性を予測する、及び／または神経学的疾患の治療で使用するパラメータを予測することができる。いくつかの例では、統計的予測モデルを用いて比較及び／または予測が行われる。本明細書に記載される比較及び統計的予測モデルは、ハードウェア、ソフトウェア、またはそれらの組み合わせで実装されてもよい。例えば、比較及び／または統計的予測モデルの実装にソフトウェアが使用されてもよい。ソフトウェアは、１つまたは複数のコンピューティングシステム上でプログラムされてもよい。例えば、１つまたは複数のプロセッサは、治療のための１つまたは複数の統計的予測モデル用の実行可能な命令をエンコードし得るコンピュータ可読媒体に接続されてもよい。

【0037】

図１は、本明細書に記載される例に従って構成されたシステムの概略図である。システム１００は、個別患者データ１０２、治療脳ネットワークマップ１０４、コンピューティングシステム１０６、プロセッサ１０８、治療のための統計的予測モデル用の実行可能な命令１１０、メモリ１１２、ディスプレイ１１４、ネットワークインタフェース１１６、及び治療デバイス１１８を含む。他の例では、追加の、より少ない、及び／または他の構成要素が使用されてもよい。

【0038】

本明細書に記載される例は、図１の個別患者データ１０２のような患者の神経状態のデータ（例えば、神経学的事象に関連する画像データ）を利用することができる。様々な神経学的事象のいずれかに関連する個別患者データが利用されてもよく、神経学的事象は発作（例えば、てんかん発作）、パーキンソン病、アルツハイマー病、またはうつ病を含むが、これらに限定されない。例えば、個別患者データは、発作の発生源を例示するてんかん性スパイク信号源画像、及び／または、発作に関与する複数の脳領域及びこれらの領域間の経路（例えば、発作活動のシーケンス）を例示する発作ネットワーク画像に関連付けられてもよい。個別患者データは、例えば、脳波図（ＥＥＧ）及び／または脳磁図（ＭＥＧ）の信号源推定（source localization）及び／または脳ネットワーク解析を用いて得ることができる。一般に、ＥＥＧは、非侵襲的または侵襲的な電極を用いて脳の電気的活動を検出する機能的神経イメージング方法を指す。一般に、ＭＥＧは、脳の周りの電磁場の変化を測定して脳活動をマッピングする機能的神経イメージング方法を指す。信号源推定画像は、一般に、脳の外側で測定された複数の脳電気信号を用いて、脳上及び／または脳内の電気的活動を特定することを指す。脳ネットワーク解析は、一般に、数学的及び統計的アルゴリズムを使用して、脳の電気的活動（発作など）に関与する複数の脳領域およびこれらの領域間の経路（発作活動のシーケンスなど）を特定することを指す。

【0039】

個別患者データは、１次元の時系列、２次元または３次元の画像に対応していてもよい。いくつかの例では、ある１組の個別患者データ１０２が、例えば、神経学的事象が起きている脳の画像に対応して使用されてもよい。いくつかの例では、複数の組の個別患者データ１０２が、例えば、神経学的事象が起きている脳の複数の画像に対応して使用されてもよい。一般に、使用される個別患者データ１０２は、治療される患者由来であってもよい。

【0040】

図１及び図５を参照して、脳波てんかん性スパイクを用いて個別患者データ１０２を生成する例を説明する。図５は、本明細書に記載される例によるてんかん性スパイクまたは発作ネットワーク解析の概略図である。図５に示されたプロセス及びデータは、いくつかの例では、図１のシステムによって収集及び／または操作されてもよい。ＥＥＧは、一般に、頭皮から脳の電気的活動を記録するために使用される方法を意味する。当該方法は、てんかんの診断において、例えば、てんかん性スパイク及び発作を検出するために使用可能である。てんかん脳波モニタリングセッションの間、複数の電極を使用して、てんかん患者の脳信号を継続的にモニタリングしてもよい。図５は、多チャネル脳波記録、ＥＥＧ５０１のための電極を装着した患者の概略図を含む。一般に、電極に関して任意の数または配置を用いることができる。脳波記録により、図５に示すてんかん性スパイク５０２及び／または発作データ５１１のようなデータが生成されてもよい。また、いくつかの例では、他のまたは異なる脳波データが生成されてもよい。異常なてんかん性スパイク５０２は、例えば、専門のＥＥＧ判読者によってマークされてもよい。これらのてんかん性スパイク５０２は、発作の発生に関連する場合があり、これらのスパイクの発生源は、異常な脳領域を示している場合がある。てんかん脳波分析では、まず、てんかん性スパイクのピーク（または他の位置）における頭皮電位マップが計算され得る。次に、電気的脳信号逆伝播モデルに基づいて、脳上または脳内のスパイクの発生源を特定することができる。複数の脳波信号源推定アルゴリズムが使用可能であり、例えば、最小ノルム最小二乗法（ＭＮＬＳ）、動的統計パラメトリックマッピング（ｄＳＰＭ）、低解像度脳電磁断層撮影（ＬＯＲＥＴＡ）、標準化ＬＯＲＥＴＡ（ｓＬＯＲＥＴＡ）、ｅｘａｃｔ ＬＯＲＥＴＡ（ｅＬＯＲＥＴＡ）などの線形分散アルゴリズム、及び非線形最小二乗、ビームフォーミング、多重信号分類（ＭＵＳＩＣ）法といった双極子信号源推定アルゴリズムが用いられる。

【0041】

一例では、未加工の脳波記録は、まず、帯域通過フィルタ（例えば、０．１～７０Ｈｚの帯域通過フィルタ）及びノッチフィルタ（例えば、６０Ｈｚのノッチフィルタ）でフィルタリングされ、不要なノイズが除去されてもよい。次に、心電図の同時記録を分析して、脳波記録における心臓アーチファクトの同定を助けてもよい。心臓アーチファクトは、信号空間投影（ＳＳＰ）または独立成分分析（ＩＣＡ）のようなアルゴリズムを使用して除去及び／または低減されてもよい。前処理の後、てんかん性スパイクは、脳波記録から専門のＥＥＧ判読者によって手動で、またはソフトウェア（例えば、Ｐｅｒｓｙｓｔ Ｐ１３、ＢＥＳＡ ｅｐｉｌｅｐｓｙ）を使用して自動的に識別されてもよい。いくつかの例では、専門のＥＥＧ判読者は、ソフトウェアで検出されたスパイクの選択を評価及び検証してもよい。

【0042】

２つの異なるタイプのスパイク信号源推定分析を、各患者に対して選択されたスパイクに適用してもよい。第１の分析では、図５の操作５０３に示すように、個々のスパイクは、スパイクのピークで最大の振幅を有するＥＥＧチャネルによって分類される。例えば、特定のスパイクがＴ３チャネルで最大の振幅を示す場合、それはＴ３スパイクとしてマークされる。他の分類方法が、追加的に、または代わりに使用されてもよい。その後、各カテゴリ内のスパイクは、平均化スパイク５０４を提供するために平均化されてもよい。信号源推定分析５０５は、平均化スパイク５０４に対して実行されてもよい。次に、１つまたは複数の平均化スパイク信号源５０６が特定され、個別患者データ１０２の全部または一部として使用されてもよい。スパイク信号源は、一般に、１つまたは複数の発作の原因に寄与する可能性のある脳及び／または脳ネットワークの１つまたは複数の領域の特定を示す。図１の実行可能命令１１０は、分類（例えば、図５の操作５０３）及び／または信号源推定（例えば、図５の操作５０５）を実行するための実行可能命令を含んでもよい。

【0043】

スパイクを平均化することに代えて、または加えて、第２の分析では、独立成分分析（ＩＣＡ）が適用されて、独立したスパイク信号源が推定され得る。ＩＣＡは、図５の操作５０７として示されている。各被験者について識別されたスパイクは、まず、空間的ＩＣＡを用いて分析される。複数のＩＣＡ成分５０８は、識別可能な空間的及び時間的な副成分（subcomponents)を有し、各副成分は、独立したスパイク電位マップを表す。次に、対応するＩＣＡマップがスパイクに起因するのか、またはノイズに起因するのかを検証するため、時間にわたるＩＣＡ重みが可視化される（例えば、図１のディスプレイ１１４などを用いて表示される）。例えば、ＩＣＡ成分０及び１は、ほとんどのスパイクエポックについてスパイク放電中に高いピークを示すことがあり、一方、時間にわたって変化するＩＣＡ成分２の重みは、ノイズがあるパターンを示す。したがって、ＩＣＡ成分０及び１のみが独立したスパイク信号源であり、ＩＣＡ成分２はノイズである。ＩＣＡ分析の後、ＩＣＡ空間マップは、対応するスパイクネットワーク５１０を特定するように、図５の操作５０９として示される信号源推定アルゴリズムに供給されてもよい。このようなスパイクネットワーク５１０のデータは、図１の個別患者データ１０２の全部又は一部として使用されてもよい。図１の実行可能命令１１０は、ＩＣＡ分析（例えば、図５の操作５０７）及び／または信号源推定及びスパイクネットワーク分析（例えば、図５の操作５１０）を実行するための実行可能命令を含んでもよい。

【0044】

いくつかの例では、代替的にまたは追加的に、発作ネットワーク分析が、脳波を用いて図１の個別患者データ１０２のような個別患者データを生成するように使用されてもよい。多チャネルの脳波記録５０１からの脳波記録は、図５の発作脳波５１１として示されている。発作脳波５１１の１つまたは複数の発作は、手動及び／または専門のＥＥＧ判読者によって、またはソフトウェア（例えば、Ｐｅｒｓｙｓｔ Ｐ１３、ＢＥＳＡ ｅｐｉｌｅｐｓｙ）によって自動的にアノテーションされてもよい。長い発作脳波において発作が出現すると、ＩＣＡを使用する方法に関して示され説明された方法と類似の方法で抽出及び前処理されてもよい。例えば、帯域通過フィルタリング、ノッチフィルタリング、ノイズ及び／またはアーチファクト抑制が使用されてもよい。前処理された発作脳波５１１は、グループ平均化及び／またはＩＣＡを使用する方法に関して説明された方法と類似の信号源推定方法を使用して、脳上で信号源推定されてもよい。脳空間における信号源推定された発作データ５１２の系列が得られる。信号源推定された発作データは、特定の脳領域と脳活動（例えば発作活動）との時間的な関連付けを含んでもよい。

【0045】

発作ネットワーク分析は、１つまたは複数の、信号源推定された発作データ５１２（例えば、特定の時間における脳の全部または一部を表す、１つまたは複数の収集データ）を用いて実行されてもよい。分析中に、発作が開始して伝搬した脳領域が特定されてもよい。この特定アルゴリズムは、まず、信号源推定された空間における脳ボクセルについて、時間にわたる分散を計算し、次に、分散マップ５１３を提供するように、脳ボクセルにわたる局所的な分散の最大を探索してもよい。分散マップ５１３は、特定の脳の位置及び／または領域における脳信号の分散を提供してもよい。発作中に関与する脳領域、例えば発作脳領域５１４は、分散マップ５１３において局所的な最大である領域として計算可能である。例えば、隣接する脳領域にわたって最大の分散を有する領域が、発作脳領域の中心であると判断されてもよい。

【0046】

より一般化されたシナリオでは、信号源推定された発作の出現は、まず、重複するエポックに分割されてもよく（重複窓分析）、発作の各エポック中に関与する脳領域を特定するように、同様に分散の局所的最大の計算が実行されてもよい。次に、全ての発作エポックにわたって一貫して関与する脳領域が、分割された発作エポックから推定される全ての脳領域にわたって平均するか、または統計検定を行うことによって特定可能である。

【0047】

発作脳領域として特定される各脳領域に対して、脳波信号源が推定された時系列データが抽出されてもよい。例えば、図５の発作脳領域の時系列データ５１５は、発作脳領域５１４に対応する信号源推定された発作データ５１２から抽出されてもよい。従って、発作脳領域の時系列データ５１５は、発作中に活動する脳の領域に関連付けられる脳波データに対応していてもよい。これらの脳領域間の経路が、当該時系列データとともに分析されてもよい。例えば、結合性解析が１つまたは複数の発作経路、例えば発作経路５１６を特定するために使用されてもよい。発作経路は、発作事象を生成、持続、及び／または終了することに関与する複数の脳領域間の結合を示してもよい。使用され得る発作経路の分析方法は、相関、コヒーレンス、虚部コヒーレンス、位相ロッキング値、自己侵襲（auto-aggressive）モデリング、及び／または部分有向コヒーレンスを含む。また、他の分析方法が使用されてもよい。図１の実行可能命令１１０は、信号源推定（例えば、図５の信号源推定された発作データ５１２を提供する）及び／または分散計算、最大探索、時系列抽出、及び／または結合性解析（例えば、図５の分散マップ５１３、発作脳領域５１４、発作脳領域の時系列データ５１５、及び／または発作経路５１６を提供する）を実行するための実行可能命令を含んでもよい。図５の発作脳領域５１４、発作経路５１６、発作脳領域の時系列５１５、及び／または図５を参照して示された、または説明された他のデータは、図１の個別患者データ１０２の全部または一部として使用されてもよい。

【0048】

スパイク信号源推定及び発作ネットワーク分析の結果が含む指標（metrics）に加えて、または代えて、他の指標が使用されてもよい。他の指標には、スパイク伝搬ネットワークマップ、ＩＣＡベースのスパイク信号源推定マップが含まれるが、これらに限定されない。当該他の指標は、個別患者データ１０２の全部または一部として、または代わりに使用されてもよい。

【0049】

本明細書に記載される例は、図１の治療脳ネットワークマップ１０４のような１つまたは複数の脳ネットワーク反応マップを利用してもよい。本明細書に記載される脳ネットワーク反応マップは、治療パラメータの特定のセットを利用する治療に対する脳反応の画像データを示してもよい。治療脳ネットワークマップ１０４のような脳ネットワーク反応マップは、機能的磁気共鳴画像法（ｆＭＲＩ）、陽電子放出断層撮影法（ＰＥＴ）、及び／または単一光子放出断層撮影法（ＳＰＥＣＴ）を用いて得られてもよい。ｆＭＲＩは、一般に、血中酸素濃度の変化を用いて脳活動を間接的に測定する方法を言う。治療脳ネットワーク反応マップは、２次元または３次元であってもよく、いくつかの例では、個別患者データ１０２に対応付けられてもよい（例えば、てんかん性スパイクまたは発作ネットワーク画像に対応付けられてもよい）。任意の数の治療脳ネットワークマップが使用可能である。一般に、治療のためのパラメータの異なるセットに対応する複数の脳ネットワークマップが使用されてもよい（例えば、パラメータの１つのセットが１つの脳ネットワークマップを生成するために使用されてもよく、パラメータの別のセットが別の脳ネットワークマップを生成するために使用されてもよい）。いくつかの例では、治療脳ネットワークマップ１０４などの１つまたは複数の脳ネットワークマップは、患者（例えば、個別患者データ１０２に関連付けられた患者と同じ患者）由来であってもよい。しかしながら、いくつかの例では、１つまたは複数の脳ネットワークマップは、治療対象の患者以外の他の患者（例えば、個別患者データ１０２が、その脳活動に由来する患者以外の患者）からのデータに、全体的に及び／または部分的に由来してもよい。いくつかの例では、１つまたは複数の脳ネットワークマップは、患者のグループからのマップまたは特定の患者について測定されたマップの、平均または他の組み合わせを意味する。例えば、１つの脳ネットワークマップは、同じ治療パラメータ（例えば、周波数、振幅、持続時間）を使用する異なる患者からの複数の脳ネットワークマップの組み合わせ（例えば平均）である脳ネットワークマップであってもよい。神経刺激療法を利用するいくつかの例では、患者がインプラントされていない場合、他の患者からの脳ネットワークマップまたはその組み合わせが使用されてもよい。患者がインプラントされている場合、当該患者に関連付けられた脳ネットワークマップが使用されるか、または他の脳ネットワークマップと組み合わせて使用されてもよい。治療脳ネットワークマップ１０４などの脳ネットワーク反応マップは、一般に、治療によって影響を受ける脳の領域を示す。

【0050】

治療脳ネットワークマップを得るために使用されるｆＭＲＩの例について、以下に説明する。一般に、機能的磁気共鳴画像法（ｆＭＲＩ）は、血中酸素レベルの変化を利用して全脳活動のモニタリングを可能にする方法である。本明細書では、ｆＭＲＩを利用して、神経刺激（例えば迷走神経刺激）のような１つまたは複数の治療法によって誘発される治癒脳活動を記録してもよい。神経刺激装置を有する患者において、神経刺激装置は、調査中のパラメータ設定のうちの１つにプログラムされてもよく、その後、当該患者がＭＲＩスキャナを用いてスキャンされてもよい。画像の前処理中に、ｆＭＲＩは、体動補正され、標準的なテンプレートの脳に対応させられる。設計される治療（例えば神経刺激）に関連する脳活動は、一般化線形モデル（ＧＬＭ）または他の同等のｆＭＲＩ分析方法を用いて、統計的に分析される。複数の被験者がスキャンされ、標的集団グループの平均的な反応が決定されて、治療脳ネットワークマップ１０４のような本明細書に記載された脳ネットワークマップの１つまたは複数として使用されてもよい。

【0051】

平均化されたｆＭＲＩマップに加えて、またはその代わりに、他の潜在的な指標が、治療（例えば、神経刺激）の治療機能を定量化するために使用されてもよい。例えば、これらの指標には、神経刺激中のｆＭＲＩにおいて各領域が活性化する頻度を定量化すること、及び個々のｆＭＲＩマップのグループｔ検定統計マップが含まれるが、これらに限定されない。

【0052】

脳ネットワークマップは、一般に、多数の治療法のいずれかに関連して提供されてもよい。治療法は、神経刺激療法（例えば、迷走神経刺激（ＶＮＳ）、反応性神経刺激（ＲＮＳ）、経頭蓋磁気刺激（ＴＭＳ）、及び深部脳刺激（ＤＢＳ））、薬物療法、及び／または会話または体験的療法を含むが、これらに限定されない、一般に、神経刺激は、神経疾患及び精神疾患を治療するための療法を意味する場合がある。神経刺激療法において、直接的または間接的に脳ネットワークを活性化または抑制するために、電気刺激が利用されてもよい。いくつかの例では、脳ネットワークマップは、刺激の特定のパラメータのセットに関連して（例えば、神経刺激の特定の刺激周波数および振幅について、または薬物療法の特定の用量および頻度について）提供されてもよい。迷走神経刺激（ＶＮＳ）は、一般に、神経刺激の一種を意味する。ＶＮＳでは、刺激装置を皮膚の下に埋め込み、左迷走神経を通して電気パルスを送る。ＶＮＳは、薬剤耐性てんかん、うつ病、及び他の多くの神経疾患及び精神疾患に使用可能である。いくつかの例は、ＶＮＳに関連して本明細書に記載されている場合があるが、他の治療法が追加的にまたは代替的に使用されてもよいことが理解されるべきである。

【0053】

個別患者データ１０２及び／または治療脳ネットワークマップ１０４は、コンピューティングシステム１０６にアクセス可能なメモリに格納されてもよく、及び／または（例えば、有線または無線通信を使用して）コンピューティングシステム１０６に送信されてもよい。コンピューティングシステム１０６は、比較及び／または治療のための統計的予測モデルに基づいて、治療の有効性及び／または治療で使用するためのパラメータを予測するように構成されてもよい。

【0054】

本明細書に記載された例は、コンピューティングシステムを利用可能であり、当該コンピューティングシステムは、一般に、比較及び／または治療のための統計的予測モデルを実施するためのハードウェア及び／またはソフトウェアを含んでもよい。例えば、コンピューティングシステム１０６は、１つまたは複数のプロセッサ１０８を含んでもよい。プロセッサ１０８は、例えば、１つまたは複数の中央処理装置（ＣＰＵ）、グラフィカル処理装置（ＧＰＵ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、または他のプロセッサ回路を使用して実施されてもよい。プロセッサ１０８は、メモリ１１２と通信可能である。メモリ１１２は、一般に、任意のコンピュータ可読媒体（例えば、読み出し専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、フラッシュ、ソリッドステートドライブなど）によって実施されてもよい。単一のメモリ１１２が示されているが、任意の数のメモリが使用可能であり、それらは単一のコンピューティングシステム１０６内でプロセッサ１０８と統合されてもよく、及び／または別のコンピューティングシステム内に配置されてプロセッサ１０８と通信してもよい。

【0055】

メモリ１１２には、個別患者データ１０２と治療脳ネットワークマップ１０４との比較のための実行可能な命令がエンコードされてもよい。本明細書に記載された比較の例は、個別患者データ１０２が示す脳活動と、治療脳ネットワークマップ１０４を生成するために使用されるパラメータでの治療によって影響を受ける脳領域と、の間の重なりを評価することを含む。一般に、多くの治療において、個別患者データ１０２に示されるような影響を受けた脳の領域と、治療脳ネットワークマップ１０４に示されるような治療によってアクセスされた脳の領域との重なりは、治療脳ネットワークマップ１０４に使用されるパラメータでの治療が、個別患者データ１０２を有する患者を治療する上で有効な場合があることを示す。

【0056】

いくつかの例では、比較のための実行可能な命令は、治療のための統計的予測モデル用の実行可能な命令１１０を含んでもよい。いくつかの例では、治療のための統計的予測モデル用の実行可能な命令１１０は、深層人工ニューラルネットワークを実施するための命令を含む。当該ニューラルネットワークは、神経状態の画像データ（例えば、個別患者データ１０２）及び１つまたは複数の脳ネットワーク反応マップ（例えば、治療脳ネットワークマップ１０４）から特徴量を抽出するように構成された畳み込みカーネルを有する。畳み込みカーネルの値は、いくつかの例では、治療のための統計的予測モデルの訓練中に学習されてもよい。

【0057】

治療のための統計的予測モデル用の実行可能な命令１１０は、各畳み込みカーネルを個別患者画像データ及び治療脳ネットワーク反応マップに繰り返し乗算して、結果を複数の特徴マップにおけるピクセルとして保持する命令を含んでもよい。統計的予測モデルは、特徴マップからさらに特徴量を抽出するように構成される積層された畳み込み層、正規化線形関数、及びプーリング層からなる深層畳み込みニューラルネットワークを含んでもよい。治療のための統計的予測モデル用の実行可能な命令１１０は、特徴マップからのさらなる特徴量に基づいて治療の有効性を予測するための命令を含んでもよい。

【0058】

いくつかの例では、治療のための統計的予測モデル用の実行可能な命令１１０は、統計的予測モデルを用いて治療のためのパラメータを予測するための命令を含んでもよい。例えば、コンピューティングシステム１０６に入力された治療脳ネットワークマップは、異なるパラメータでの治療の使用に関連する脳ネットワークマップを含んでもよい。統計的予測モデルは、それに応じて、治療のためのパラメータ（例えば、振幅、周波数、持続時間、投与量など）を推奨してもよい。治療のための統計的予測モデル用の実行可能な命令１１０に従って動作するコンピューティングシステムの出力は、治療の有効性及び／または推奨されるパラメータであってもよい。例えば、統計的予測モデルが治療は有効であると予測する場合、推奨パラメータが出力されてもよい。統計的予測モデルが治療は有効ではないと予測する場合には、「非有効」と出力されてもよい。統計的予測モデルを用いて、複数の個別患者が評価されてもよい。このようにして、コンピューティングシステム１０６は、従来のシステムを用いて可能な場合または医師による患者記録の無支援での評価によって可能な場合よりも、患者集団全体にわたる治療の有効性及びパラメータ設定のより迅速かつ正確な予測を容易にすることができる。

【0059】

いくつかの例では、システム１００は、ディスプレイ１１４を含んでもよい。ディスプレイ１１４は、コンピューティングシステム１０６と（例えば、有線及び／または無線接続を使用して）通信してもよく、またはコンピューティングシステム１０６と一体化されてもよい。ディスプレイ１１４は、コンピューティングシステム１０６によって実施される比較及び／または統計モデルに基づいて、治療の予測された有効性及び／または治療のための推奨されたパラメータを表示してもよい。任意の数または種類のディスプレイがあってもよく、１つまたは複数のＬＥＤ、ＬＣＤ、プラズマ、または他のディスプレイ装置を含む。

【0060】

いくつかの例では、システム１００は、ネットワークインタフェース１１６を含んでもよい。ネットワークインタフェース１１６は、任意のネットワーク（例えば、ＬＡＮ、ＷＡＮ、インターネット）への通信インタフェースを提供してもよい。ネットワークインタフェース１１６は、有線及び／または無線インタフェース（例えば、Ｗｉ-Ｆｉ（登録商標）、ＢｌｕｅＴｏｏｔｈ、ＨＤＭＩ（登録商標）、ＵＳＢなど）を用いて実施されてもよい。ネットワークインタフェース１１６は、コンピューティングシステム１０６によって実施される比較及び／または統計モデルに基づいて、治療の予測された有効性及び／または治療のための推奨パラメータに関するデータを通信してもよい。

【0061】

いくつかの例では、システム１００は、1つまたは複数の治療デバイス１１８を含んでもよい。治療デバイス１１８は、例えば、神経刺激が可能なシステム（例えば、迷走神経刺激システム）を使用して実施されてもよい。治療デバイス１１８は、例えば、薬物療法の投与を行うことが可能なシステム（例えば、注射装置、ピルディスペンサーなど）を用いて実施されてもよい。治療デバイス１１８は、治療を実施し、及び／またはコンピューティングシステム１０６によって推奨される治療パラメータを利用するように、プログラムまたは構成されてもよい。治療デバイス１１８は、いくつかの例では、ネットワークインタフェース１１６を用いてコンピューティングシステム１０６と通信してもよい。

【0062】

図２は、本明細書に記載される例による統計的予測モデルプロセス２００を示す。統計的予測モデルプロセス２００は、個別患者データ２０２、治療脳ネットワークマップ２０４，２０６，２０８、特徴マップ２１０、並びに畳み込み、正規化線形関数及びプーリング層２１２を含む。図１の治療のための統計的予測モデル用の実行可能命令１１０は、図２に示す統計的予測モデル処理２００を実施するために、いくつかの例で使用されてもよい。

【0063】

図示のように、個別患者データ２０２（個別患者データ２０２は、図１の個別患者データ１０２によって実施されてもよく、及び/または個別患者データ１０２を実施するように使用されてもよい）が入力として提供される。本明細書で議論されるように、個別患者データは、一般に、患者の脳の状態の画像に関連していてもよい。個別患者データは、例えば、発作が発生する脳領域、発作が伝播する領域、または他の神経学的事象を示してもよい。個別患者データ２０２は、脳波スパイクまたは発作ネットワーク画像に関連するデータであってもよい。また、図２の治療脳ネットワークマップ２０４，２０６，２０８といった、多数の脳ネットワークマップが入力として提供されてもよい。図２の脳ネットワークマップは、いくつかの例では、図１の治療脳ネットワークマップ１０４を実施するために使用されてもよく、及び／または治療脳ネットワークマップ１０４によって実施されてもよい。脳ネットワークマップの各々は、異なるパラメータ値（例えば、周波数、振幅、持続時間）における特定の治療（例えば、神経刺激）の効果を表してもよい。個別患者データ２０２と治療脳ネットワークマップが比較されてもよい。例えば、畳み込みカーネルの一群が、個別患者データ２０２と治療脳ネットワークマップを比較するために使用されてもよく、その結果、特徴マップ２１０が得られる。カーネルのパラメータは、統計的予測モデルの訓練中に学習されてもよい。畳み込みカーネルは、個別患者データ（例えば、てんかん信号源画像）と治療脳ネットワーク反応マップとの間で特徴量を自動的に抽出するために使用される。各畳み込みカーネルが入力データ及び／または治療脳ネットワークマップと繰り返し乗算されることで２つが比較されてもよく、その結果は、特徴マップ２１０のような複数の特徴マップのピクセルとして保持されてもよい。

【0064】

次に、深層畳み込みニューラルネットワークを使用して、当該比較をさらに分析することができる（例えば、特徴マップ２１０をさらに分析することができる）。深層ニューラルネットワークは、一般に、高度に複雑な人工知能タスクのために１０から数百の層を有する場合がある一種の人工ニューラルネットワーク統計モデルを意味する。他の例では、他のモデルが使用されてもよい。深層畳み込みニューラルネットワークは、複数の畳み込みブロックを利用してもよく、各畳み込みブロックは、畳み込み、ＲＬＵ、及びプーリング層２１２によって示されるように、マルチカーネル畳み込み、正規化線形関数、及び（最大／平均）プーリングなどの複数の演算を含む。これらの層の順序は、必ずしもこの順序に従う必要はない。これらの層は、前もって生成された特徴マップからさらに特徴量を抽出するように設計される。最終畳み込みブロック、すなわち図２の「畳み込みブロックＰ」、が得られるまで、複数の畳み込みブロックが利用されてもよい。

【0065】

図３は、本明細書に記載される例による統計的予測モデルプロセス３００を例示する。図３は、図２のプロセスからの入力、例えばニューラルネットワークの最終畳み込みブロックからの入力を受け取ってもよい。図３は、フラット化されたデータ３０２、全結合層３０４、正規化線形関数３０５、及び予測スコア３０６を図示している。全結合層３０４及び正規化線形関数３０５の複数のブロックが存在してもよい。治療のための統計的予測モデル用の実行可能な命令１１０は、図３の統計的予測モデルプロセス３００の全部または一部を実施するために使用されてもよい。

【0066】

フラット化されたデータ３０２は、図２の最終畳み込みブロックの出力をフラット化することによって生成されてもよい。全結合層３０４は、特徴量の数を予測カテゴリの数に縮小するために使用されてもよい。例えば、各治療は、使用する異なるパラメータ値のセットを有してもよい。各パラメータセットは、１つの予測カテゴリを表してもよく、加えて、治療の全体的な有効性のためのカテゴリがあってもよい。図３に示すように、パラメータセット１～Ｋが評価されてもよい。

【0067】

全結合層の出力を［０，１］に正規化するためにソフトマックス層が適用されてもよい。予測スコア３０６を提供するために、各パラメータセットについてスコアが計算されてもよい。特定の基準（例えば最高）を満たすパラメータセットが、予測の出力として見なされてもよい。

【0068】

図４は、本明細書に記載される例による画像セット４００を示す。視覚的に、個別患者データに関連付けられた画像４０２が示されている。画像４０２は、例えば、脳波スパイクまたは発作ネットワーク画像であってもよい。発作ネットワーク画像は、発作の発生源及びその伝播する脳領域を描写してもよい。治療脳ネットワークマップ４０４及び治療脳ネットワークマップ４０６は、特定のパラメータレベルで特定の治療を受けている他の患者からのｆＭＲＩ画像であってもよい。これらのデータセットの畳み込みによって、例えば特徴マップ４０８及び特徴マップ４１０のような特徴マップが生成されてもよい。特徴マップは、個別患者データと治療脳ネットワークマップとの比較に関する情報を含む。

【0069】

いくつかの例では、他の機械学習技術（例えば、非深層ニューラルネットワークモデル）もまた、または代わりに、治療の有効性及び最適なパラメータを予測するための統計的予測モデルを形成するために使用されてもよい。深層ニューラルネットワークモデルの例とは異なり、特徴量は、いくつかの例では手動で設計されてもよい。神経刺激療法の有効性及び最適な治療パラメータを予測するために適用できる例示的な特徴量を以下に説明するが、他の特徴量が使用されてもよい。また、これらの特徴量は、深層ニューラルネットワークモデルがｆＭＲＩ画像と脳波画像を比較する際に学習されてもよい。

【0070】

そのような特徴量の一つは、脳波スパイクまたは発作ネットワーク画像と、ｆＭＲＩ活性化画像と、の間の重なり領域である。図６は、本明細書に記載される例に従って構成された脳領域の概略図である。発作ネットワーク画像は、領域６０１として図示されている。これらの領域は、例えば、図５の発作脳領域５１４及び／または発作経路５１６であってもよい。ｆＭＲＩ活性化画像は、領域６０２として図示されている。領域６０２は、本明細書に記載される治療脳ネットワークマップにおいて活性化される領域である（当該領域は、本明細書において特定された患者の発作領域に関していても、関していなくてもよい）。脳波スパイクまたは発作ネットワーク画像６０１（例えば、個別患者データ１０２）とｆＭＲＩ活性化画像６０２（例えば、治療脳ネットワークマップ１０４）との間の、図６の領域６０３で示される重なり領域は、特定のパラメータ（例えば、２０Ｈｚまたは３０Ｈｚの刺激）で刺激装置がより良く機能するかどうかを決定するための統計的予測モデルにおける特徴ベクトル６０４として利用することができる。例えば、図６の左上に、発作ネットワーク６０１がｆＭＲＩ活性化画像６０２の活性領域内に完全に含まれている領域がある。従って、その領域は１００％と表示されてもよい。右下には、発作ネットワークとｆＭＲＩ活性化画像との間に４０％の重なりがある領域がある。また、左下には、発作ネットワーク６０１とｆＭＲＩ活性化画像との間に０％の重なりがある領域がさらに存在する。従って、特徴ベクトル６０４は、［１００％、４０％、０％］として与えられてもよい。一例では、脳波スパイクまたは発作ネットワーク画像が、３０Ｈｚと比較して２０ＨｚのｆＭＲＩ活性化画像と大きな重なりを有する場合、この患者に対しては、２０Ｈｚの神経刺激が、３０Ｈｚの刺激よりも好ましいとして予測されてもよい。

【0071】

一般に、重なり領域特徴量は、任意の個別患者データ１０２と治療脳ネットワークマップ１０４との間で計算することができる。

【0072】

以上より、特定の実施形態が例示の目的で本明細書に記載されているが、特許請求の範囲に記載された技術の範囲を維持しつつ、様々な修正が可能であることが理解されるであろう。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】