▶ 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】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-08-23
(45)【発行日】2024-09-02
(54)【発明の名称】ＥＣＧベースの心臓壁厚推定
(51)【国際特許分類】
A61B 5/33 20210101AFI20240826BHJP
【ＦＩ】
A61B5/33 100
【請求項の数】
8
【外国語出願】
(21)【出願番号】P 2020157103
(22)【出願日】2020-09-18
(65)【公開番号】P2021049342
(43)【公開日】2021-04-01
【審査請求日】2023-09-15
(31)【優先権主張番号】62/903,851
(32)【優先日】2019-09-22
(33)【優先権主張国・地域又は機関】US
(31)【優先権主張番号】17/016,611
(32)【優先日】2020-09-10
(33)【優先権主張国・地域又は機関】US
(73)【特許権者】
【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】リアット・ツォレフ
(72)【発明者】
【氏名】シュムエル・アウアーバッハ
(72)【発明者】
【氏名】マティットヤフ・アミット
(72)【発明者】
【氏名】ヤリブ・アブラハム・アモス
(72)【発明者】
【氏名】アビ・シャルギ
【審査官】藤原 伸二
(56)【参考文献】
【文献】国際公開第２０１８／０９２０７１（ＷＯ，Ａ１）
【文献】特表２０１８－５２２６１２（ＪＰ，Ａ）
【文献】米国特許出願公開第２０１８／０１２５５７５（ＵＳ，Ａ１）
【文献】米国特許出願公開第２０１９／０２５４５６４（ＵＳ，Ａ１）
【文献】特開２０１６－１２３８６８（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ６１Ｂ ５／３１８－５／３６７
Ａ６１Ｂ １８／１２－１８／１６
Ｇ０６Ｎ ２０／００
(57)【特許請求の範囲】
【請求項1】
心臓壁組織の特性を推定するためのシステムであって、患者の心臓内で実行された複数の電気生理学的（ＥＰ）測定値を受信するように構成されているインターフェースと、
訓練された機械学習（ＭＬ）モデルを使用して、前記ＥＰ測定値に基づいて、前記心臓の特定の場所における壁厚を推定するように構成されているプロセッサと、を備えており、
前記ＥＰ測定値のうちの１つ又は２つ以上が、心内電位図（ＥＧＭ）を含み、
前記ＥＰ測定値のうちの１つ又は２つ以上が、身体表面心電図（ＥＣＧ）を含み、
前記ＭＬモデルが、前記ＥＧＭ上で動作するように構成された第１のオートエンコーダと、前記ＥＣＧ上で動作するように構成された第２のオートエンコーダと、を備えており、前記第１のオートエンコーダと前記第２のオートエンコーダのそれぞれは、デコーダに結合されたエンコーダを備える、システム。
【請求項2】
前記ＥＰ測定値は、前記ＥＧＭが取得された前記心臓内のそれぞれの場所を更に含む、請求項１に記載のシステム。
【請求項3】
前記プロセッサが、前記心臓の前記特定の場所に適用されたアブレーション処置の結果に基づいて、前記ＭＬモデルを精緻化するように構成されている、請求項１に記載のシステム。
【請求項4】
前記アブレーション処置の結果が、（ｉ）前記アブレーション処置と関連付けられた温度上昇、及び（ｉｉ）前記アブレーション処置と関連付けられた組織インピーダンスにおける変化のうちの１つ又は２つ以上を含む、請求項３に記載のシステム。
【請求項5】
心臓壁組織の特性を推定するための方法であって、患者の心臓内で実行された複数の電気生理学的（ＥＰ）測定値を受信することと、
訓練された機械学習（ＭＬ）モデルを使用して、前記ＥＰ測定値に基づいて、前記心臓の特定の場所における壁厚を推定することと、を含み、
前記ＥＰ測定値のうちの１つ又は２つ以上が、心内電位図（ＥＧＭ）を含み、
前記ＥＰ測定値のうちの１つ又は２つ以上が、身体表面心電図（ＥＣＧ）を含み、
前記ＭＬモデルが、前記ＥＧＭ上で動作するように構成された第１のオートエンコーダと、前記ＥＣＧ上で動作するように構成された第２のオートエンコーダと、を備えており、前記第１のオートエンコーダと前記第２のオートエンコーダのそれぞれは、デコーダに結合されたエンコーダを備える、方法。
【請求項6】
前記ＥＰ測定値は、前記ＥＧＭが取得された前記心臓内のそれぞれの場所を更に含む、請求項５に記載の方法。
【請求項7】
前記壁厚を推定することが、前記心臓の前記特定の場所に適用されたアブレーション処置の結果に基づいて、前記ＭＬモデルを精緻化することと、を含む、請求項５に記載の方法。
【請求項8】
前記アブレーション処置の結果が、（ｉ）前記アブレーション処置と関連付けられた温度上昇、及び（ｉｉ）前記アブレーション処置と関連付けられた組織インピーダンスにおける変化のうちの１つ又は２つ以上を含む、請求項７に記載の方法。
【発明の詳細な説明】
【技術分野】
【0001】
（関連出願の相互参照）
本出願は、２０１９年９月２２日に出願された米国仮特許出願第６２／９０３，８５１号の利益を主張し、その開示は、参照により本明細書に組み込まれる。
本出願は、２０１９年９月２２日に出願された米国仮特許出願第６２／９０３，８５１号の利益を主張し、その開示は、参照により本明細書に組み込まれる。
【0002】
（発明の分野）
本発明は、概して、電気生理学的信号及びアブレーションの処理に関し、具体的には、機械学習（machine learning、ＭＬ）を使用して心臓壁組織の特性を推定することに関する。
本発明は、概して、電気生理学的信号及びアブレーションの処理に関し、具体的には、機械学習（machine learning、ＭＬ）を使用して心臓壁組織の特性を推定することに関する。
【背景技術】
【0003】
超音波、蛍光透視法、及びＭＲＩ撮像などの、多数の方法が、心臓壁の厚みを推定するために使用され得る。推定された壁厚は、心臓壁組織の損傷を推定するために、電気物理信号と更に相関することができる。例えば、Ｔａｋｅｓｈｉ Ｓａｓａｋｉらは、「Ｍｙｏｃａｒｄｉａｌ Ｓｔｒｕｃｔｕｒａｌ Ａｓｓｏｃｉａｔｉｏｎｓ ｗｉｔｈ Ｌｏｃａｌ Ｅｌｅｃｔｒｏｇｒａｍｓ：Ａ Ｓｔｕｄｙ ｏｆ Ｐｏｓｔ－Ｉｎｆａｒｃｔ Ｖｅｎｔｒｉｃｕｌａｒ Ｔａｃｈｙｃａｒｄｉａ Ｐａｔｈｏｐｈｙｓｉｏｌｏｇｙ ａｎｄ Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｂａｓｅｄ Ｎｏｎ－Ｉｎｖａｓｉｖｅ Ｍａｐｐｉｎｇ，」Ｃｉｒｃｕｌａｔｉｏｎ Ａｒｒｈｙｔｈｍｉａ ａｎｄ Ｅｌｅｃｔｒｏｐｈｙｓｉｏｌｏｇｙ，Ｄｅｃｅｍｂｅｒ，２０１２；５（６）：１０８１－１０９０において、左心室壁厚、梗塞後の瘢痕厚と、ＭＲＩで見られる壁内瘢痕場所と、電気解剖学的マッピング上の局所心内膜電位図双極／単極電圧、持続時間、及び偏向との間の有意な関連性を説明する。
【発明の概要】
【課題を解決するための手段】
【0004】
本明細書で説明される本発明の一実施形態は、インターフェース及びプロセッサを含むシステムを提供する。インターフェースは、患者の心臓内で実行される複数の電気生理学的（electrophysiological、ＥＰ）測定値を受信するように構成される。プロセッサは、ＥＰ測定値に基づいて、心臓の特定の場所における壁厚を推定するように構成される。
【0005】
いくつかの実施形態では、ＥＰ測定値のうちの１つ又は２つ以上は、心内電位図（electrogram、ＥＧＭ）を含む。
【0006】
いくつかの実施形態では、ＥＰ測定値は、ＥＧＭが取得された心臓内のそれぞれの場所を更に含む。
【0007】
一実施形態では、ＥＰ測定値のうちの１つ又は２つ以上は、身体表面心電図（electrocardiogram、ＥＣＧ）を含む。
【0008】
いくつかの実施形態では、プロセッサは、ＥＰ測定値上で定義されたモデルを使用して壁厚を推定し、心臓の特定の場所において適用されたアブレーション処置の結果に基づいて、モデルを精緻化するように構成される。
【0009】
別の実施形態では、モデルは、訓練された機械学習（ＭＬ）モデルである。更に別の実施形態では、ＭＬモデルは、デコーダに結合されたエンコーダを備える少なくとも１つのタイプのオートエンコーダを備える。
【0010】
一実施形態では、少なくとも１つのオートエンコーダは、ＥＧＭ上で動作するように構成された第１のオートエンコーダと、ＥＣＧ上で動作するように構成された第２のオートエンコーダと、を含む。
【0011】
いくつかの実施形態において、アブレーション処置の結果は、（ｉ）アブレーション処置と関連付けられた温度上昇、及び（ｉｉ）アブレーション処置と関連付けられた組織インピーダンスにおける変化のうちの１つ又は２つ以上を含む。
【0012】
本発明の別の実施形態により、患者の心臓内で実行された複数の電気生理学的（ＥＰ）測定値を受信することを含む方法が、付加的に提供される。壁厚は、ＥＰ測定値に基づいて、心臓の特定の場所において推定される。
【図面の簡単な説明】
【0013】
本発明は、以下の「発明を実施するための形態」を図面と併せて考慮することで、より完全に理解されよう。
【図1】本発明の例示的な一実施形態による、カテーテルベースの電気生理学的（ＥＰ）感知、信号分析、及びＩＲＥアブレーションシステムの概略的な描写図である。
【図2】本発明の例示的な実施形態による、心臓壁厚を推定するための機械学習モデルの訓練及び推論のための使用のフローチャートである。
【図3】本発明の例示的な実施形態による、オートエンコーダ及び完全に接続された層に基づく、壁厚推定のための深層学習アルゴリズムを示す。
【発明を実施するための形態】
【0014】
概論
心臓アブレーションは、患者の心臓組織内に病変を形成することによって不整脈を治療するために使用される一般的な処置である。このような病変は、不可逆的電気穿孔法（irreversible electroporation、ＩＲＥ）、又は高周波（radiofrequency、ＲＦ）などの他のタイプの切除エネルギーによって形成されてもよく、これらの両方が、カテーテルを使用して適用することができる。ＩＲＥアブレーションでは、カテーテルは、カテーテルの遠位端上に配設された電極が組織と接触するか、又は組織に近接するように操作される。次いで、高電圧双極パルスが、電極間に適用され、組織内で生成された強電界パルスは、細胞死及び病変生成を引き起こす。ＲＦアブレーションでは、交互のＲＦ電流が、１つ又は２つ以上の電極によって組織に適用され、熱によって細胞死を引き起こす。
心臓アブレーションは、患者の心臓組織内に病変を形成することによって不整脈を治療するために使用される一般的な処置である。このような病変は、不可逆的電気穿孔法（irreversible electroporation、ＩＲＥ）、又は高周波（radiofrequency、ＲＦ）などの他のタイプの切除エネルギーによって形成されてもよく、これらの両方が、カテーテルを使用して適用することができる。ＩＲＥアブレーションでは、カテーテルは、カテーテルの遠位端上に配設された電極が組織と接触するか、又は組織に近接するように操作される。次いで、高電圧双極パルスが、電極間に適用され、組織内で生成された強電界パルスは、細胞死及び病変生成を引き起こす。ＲＦアブレーションでは、交互のＲＦ電流が、１つ又は２つ以上の電極によって組織に適用され、熱によって細胞死を引き起こす。
【0015】
効果的であるために、組織アブレーションは、貫壁性、すなわち、組織の深さに浸透しなければならない。しかしながら、「オーバーアブレーション」は、（めったにないが、心臓壁の穿孔を含む）組織への望まない損傷を作り出し、又は心臓組織の後ろにあり得る食道などの隣接する構造体に、害を与える場合がある。したがって、処置中に最適なアブレーションパラメータを使用するために、アブレーションの直前及び／又はアブレーション中に心臓壁厚（例えば、心房若しくは心室壁）を評価することができることが重要である。
【0016】
磁気共鳴映像法（magnetic resonance imaging、ＭＲＩ）、コンピュータ断層撮影（computerized tomography、ＣＴ）、超音波などを含む、心臓壁厚を評価するための異なる撮像様式が、用いられ得る。しかしながら、これらの様式を使用することにより、処置のコスト及び複雑さが増す。更に、これらの様式の空間分解能は、組織厚の順序であってもよく、これは、アブレーション中の実際の壁厚のより正確な推定を得ることができる。
【0017】
以下に記載される本発明の実施形態は、限定された直近の最新情報を有するアブレーションの食前及び／又はアブレーション中の心臓壁の厚み、すなわち、心房壁又は心室壁の厚みを推定するためのシステム並びに方法を提供する。いくつかの実施形態では、人工ニューラルネットワーク（artificial neural network、ＡＮＮ）などの機械学習（ＭＬ）モデルが提供されて、アブレーション処置の直前又は最中に、カテーテルの電極によって取得された、多チャネル（例えば、１２リード）身体表面心電図（ＥＣＧ）、及び心臓内電位図（ＥＧＭ）などのＥＰデータのみを使用するこの推定を可能にする。
【0018】
いくつかの実施形態では、ＭＬモデルは、ＥＰデータ（多チャネルＥＣＧ及びＥＧＭ－心内ＥＣＧ（intra-cardiac ECG、ＩｃＥＣＧ）としても知られる）、患者の医療履歴、及び収集されたデータの３Ｄ場所情報を含む、データを使用して訓練される。このモデルは、訓練を介して、超音波、ＣＴ、ＭＲＩなどの撮像様式、又は類似の撮像様式によって評価される心房／心室壁厚などの、グラウンドトゥルースデータを使用して、壁厚の予測電力を得るように最適化される。
【0019】
訓練データはまた、上記のデータ項目と共に、アブレーションの開始後に収集されたデータ、並びにアブレーション中の温度上昇プロファイル及び／又はインピーダンス変化などの更なる初期アブレーションデータを含む（例えば、組み込む）ことができる。（温度上昇プロファイルは、典型的には４秒～６０秒を要するアブレーションで、非常に迅速に、典型的には１０ｍＳｅｃ又は１００ｍＳｅｃで検出可能である）。
【0020】
新しいアブレーション処置の直前及び／又はその間（すなわち、推論中）に、モデルは、上述のように、特定の患者のＥＣＧ及びＥＧＭ並びに後続のアブレーションデータ（すなわち、アブレーション処置中に取得された任意の後続データ）のみを使用して、患者の壁厚を更に評価する。
【0021】
本明細書では、ＡＮＮモデルが一例として使用されるが、当業者は、決定木学習、サポートベクトル機械（support vector machine、ＳＶＭ）、及びベイジアンネットワークなどの、使用に利用可能な他のＭＬモデルの中から選択することができる。ＡＮＮモデルとしては、例えば、畳み込みＮＮ（convolutional NN、ＣＮＮ）、オートエンコーダ、及び確率ニューラルネットワーク（probabilistic neural network、ＰＮＮ）が挙げられる。典型的には、使用された１つ又は２つ以上のプロセッサ（以下総じて「プロセッサ」と命名される）は、プロセッサが、上記で概略を述べたプロセッサ関連工程及び機能の各々を実行することを可能にする、特定のアルゴリズムを含むソフトウェア内にプログラムされる。典型的には、訓練は、グラフィックス処理ユニット（graphics processing unit、ＧＰＵ）又はテンソル処理ユニット（tensor processing unit、ＴＰＵ）などの複数のプロセッサを備える、コンピューティングシステムを使用して行われる。しかしながら、これらのプロセッサのいずれもまた、中央処理ユニット（central processing unit、ＣＰＵ）であってもよい。
【0022】
アブレーション直前、並びにアブレーション中、すなわち、ＭＬアルゴリズムを使用して上記で参照されるデータの少なくとも一部に基づいて、リアルタイムで心臓壁厚の評価をする能力は、心臓壁圧の簡易評価を可能にし、より正確なアブレーション時間をもたらし、典型的には、アブレーション処置の結果の改善にも同様につながり得る。
【0023】
システムの説明
図１は、本発明の例示的な実施形態による、カテーテルベースの電気生理学的（ＥＰ）感知、信号分析、及びＩＲＥアブレーションシステム２０の概略的な描写図である。システム２０は、例えば、Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒによって生成されたＣＡＲＴＯ（登録商標）３システムであり得る。見られるように、システム２０は、医師３０によって患者２８の心臓２６（挿入図２５）にナビゲートされる、シャフト２２を有するカテーテル２１を備える。描画された例では、医師３０は、カテーテルの近位端の近くのマニピュレータ３２を使用してシャフト２２を操作しながら、シース２３を通してシャフト２２を挿入する。
図１は、本発明の例示的な実施形態による、カテーテルベースの電気生理学的（ＥＰ）感知、信号分析、及びＩＲＥアブレーションシステム２０の概略的な描写図である。システム２０は、例えば、Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒによって生成されたＣＡＲＴＯ（登録商標）３システムであり得る。見られるように、システム２０は、医師３０によって患者２８の心臓２６（挿入図２５）にナビゲートされる、シャフト２２を有するカテーテル２１を備える。描画された例では、医師３０は、カテーテルの近位端の近くのマニピュレータ３２を使用してシャフト２２を操作しながら、シース２３を通してシャフト２２を挿入する。
【0024】
本明細書に記載の実施形態では、カテーテル２１は、それぞれ、心臓２６の電気生理学的マッピング及びＩＲＥアブレーションなど、任意の好適な診断目的及び／又は組織アブレーションのために使用され得る。ＥＣＧ記録器具３５は、プロセス中にシステム２０によって感知された様々なタイプのＥＣＧ信号を受信することができる。
【0025】
挿入図２５に示されるように、カテーテル２１のシャフト２２の遠位端には、多電極バスケットカテーテル４０が装着される。挿入図４５は、バスケットカテーテル４０の複数の電極４８の配置を示す。カテーテル２１の近位端は、制御コンソール２４に接続されて、例えば、電極４８によって取得された電位図を送信する。
【0026】
コンソール２４は、プロセッサ４１を備え、典型的には汎用コンピュータであって、カテーテル２１の電極４８からＥＰ信号（例えば、ＥＣＧ及びＥＧＭ）並びに非ＥＰ信号（位置信号など）を受信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３８を有する。この目的のために、プロセッサ４１は、シャフト２２内に延びるワイヤを介して電極４８に接続される。インターフェース回路３８は、ＥＣＧ記録器具３５であり得る、１２リードＥＣＧ装置からなどのＥＣＧ信号、並びに体表面電極４９からの非ＥＣＧ信号を受信するように更に構成される。典型的には、電極４９は、患者２８の胸部及び脚の周囲の皮膚に取り付けられる。プロセッサ４１は、ケーブル３９を通して延びるワイヤによって電極４９に接続されて、電極４９から信号を受信する。
【0027】
体表面電極４９のうちの４つは、標準的なＥＣＧプロトコル、ＲＡ（右腕）、ＬＡ（左腕）、ＲＬ（右脚）、及びＬＬ（左脚）に従って命名される。ウィルソン中央端末（Wilson Central Terminal、ＷＣＴ）は、４つの命名された体表面電極４９のうちの３つによって形成され得、得られたＥＣＧ信号ＶＷＣＴは、インターフェース回路３８によって受信される。
【0028】
ＥＰマッピング処置中、電極４８の場所は、患者の心臓２６内にありながら追跡される。このような追跡は、開示が参照により本明細書に組み込まれる、米国特許第８，４５６，１８２号で説明される、Ｂｉｏｓｅｎｓｅ－Ｗｅｂｓｔｅｒ社製のＡｃｔｉｖｅ Ｃｕｒｒｅｎｔ Ｌｏｃａｔｉｏｎ（ＡＣＬ）システムを使用して実行されてもよい。
【0029】
こうして、プロセッサは、ＥＧＭなどの、電極４８から受信された任意の所与の信号を、信号が取得された場所と関連付け得る。プロセッサ４１は、これらの信号に含まれる情報を使用して、ディスプレイ上に存在するように局所アクティベーション時間（local activation time、ＬＡＴ）マップなどのＥＰマップを構築する。示される実施形態では、図２及び図３に記載されるように、ＥＰ及び他のデータに適用されるＭＬアルゴリズムを含むアルゴリズムを使用して、プロセッサ４１は、心臓壁厚を推定する。
【0030】
ＩＲＥアブレーションを実行するために、電極４８は、コンソール２４内のプロセッサ制御スイッチング回路（例えば、図示されていない、リレーの配列）を含むＩＲＥパルス発生器４７に接続（例えば、切り替え）される。壁厚情報を使用して、プロセッサ４１又は医師は、どの電極をパルス発生器４７に接続するか選択して、（スイッチング回路を介して）ＩＲＥパルスを適用することができる。
【0031】
ＲＦアブレーション中、初期及び後続のアブレーションデータは、ＩＲＥエネルギープロファイル、温度上昇、及びインピーダンスの変化のうちの少なくとも１つを含む。これらは、図２に記載されるように、患者の壁厚を（例えば、リアルタイムで）更に評価するのに使用されてもよい。
【0032】
プロセッサ４１は、本明細書に述べられる機能を実施するために、通常はソフトウェアでプログラムされる。ソフトウェアは、例えば、ネットワークを介して電子形式でプロセッサにダウンロードされてもよく、又は、ソフトウェアは、代替的に若しくは付加的に、磁気的、光学的、又は電子的メモリなどの非一時的な有形媒体上に提供及び／又は記憶されてもよい。具体的には、プロセッサ４１は、図３に含まれる、本明細書に開示される専用アルゴリズムを実行し、以下で更に説明するように、プロセッサ４１が本開示の工程を行うことを可能にする。
【0033】
ＭＬを使用したＥＣＧベースの心臓壁厚推定
図２は、本発明の例示的な実施形態による、心臓壁厚を推定するための機械学習モデルの訓練及び推論のための使用のフローチャートである。
図２は、本発明の例示的な実施形態による、心臓壁厚を推定するための機械学習モデルの訓練及び推論のための使用のフローチャートである。
【0034】
アルゴリズムは、提示された例示的実施形態により、アルゴリズム準備１０１及びアルゴリズム使用１０２の２つの部分に分割される。
【0035】
アルゴリズム準備は、ＭＬモデリング工程７０で開始して、心臓壁厚を推定するためのＭＬアルゴリズムを生成するプロセスを実行する。
【0036】
次に、ＥＣＧ及びＥＧＭを含むデータベースを使用して、プロセッサは、ＭＬアルゴリズム訓練工程７２において、アルゴリズム（例えば、ＡＮＮ及び前処理部）を訓練する。工程７２では、プロセッサは、グランドトゥルースデータを含む、訓練データを使用して、ＭＬモデルを訓練する。訓練データは、以下から形成される：
１．多チャネル（例えば、１２リード）ＥＣＧデータ
２．心臓組織収集場所の３Ｄ情報を有する電位図
３．ＭＦＡＭを使用した心房の別のＭＬモデル／３Ｄセグメンテーションに基づく、各心内電極の解剖学的場所。
４．診断カテーテルの詳細
５．患者人口統計情報（例えば、性別、年齢、身長、体重）
６．患者の医療履歴
グランドトゥルースデータは、
７．超音波、ＣＴ、ＭＲＩなどの撮像様式、又は類似の撮像様式によって評価される心房／心室壁厚から形成される。
１．多チャネル（例えば、１２リード）ＥＣＧデータ
２．心臓組織収集場所の３Ｄ情報を有する電位図
３．ＭＦＡＭを使用した心房の別のＭＬモデル／３Ｄセグメンテーションに基づく、各心内電極の解剖学的場所。
４．診断カテーテルの詳細
５．患者人口統計情報（例えば、性別、年齢、身長、体重）
６．患者の医療履歴
グランドトゥルースデータは、
７．超音波、ＣＴ、ＭＲＩなどの撮像様式、又は類似の撮像様式によって評価される心房／心室壁厚から形成される。
【0037】
付加的な訓練データはまた、エネルギープロファイルを送信するアブレーション、並びに温度上昇、インピーダンス変化、アブレーション中の弾性変化及び／又は剛性変化などのアブレーション関連パラメータも含み得る。アブレーションが開始された後に収集されているが、上記のデータ項目＃１～＃６、及び／又は付加的な収集訓練データは、本明細書で総称して「アブレーションデータ」と呼ばれる。
【0038】
アルゴリズム準備は、訓練されたモデル記憶工程７４において、訓練されたモデルを、キー上のディスク（メモリスティック）などの、非一時的コンピュータ可読媒体内に記憶することによって終了する。代替的な実施形態では、モデルは、予め送信され、その最適化されたパラメータ（ＡＮＮの重みなど）は、訓練後に別々に送信される。
【0039】
アルゴリズム使用１０２は、アルゴリズムアップロードステップ７６において開始するプロセスを実行し、このプロセス中、ユーザは、全ＭＬモデル又はその最適化されたパラメータ（例えば、重み）のいずれかをプロセッサにアップロードする。次に、プロセッサ２８などのプロセッサは、患者データ受信工程７８において、患者推論データ、例えば、電極４９及び４８から、それぞれ上述のＥＣＧ及びＥＧＭを受信する。
【0040】
次に、訓練されたＭＬモデルを推論のために使用して、プロセッサは、選択された患者から訓練されたモデルにデータを入力し、モデル上でアルゴリズムを実装する、そのためモデルは、心臓壁厚推定工程８０において、上述のＥＰデータなどの利用可能な限られたデータのみから患者の心房又は心室壁厚を出力することができる。プロセッサ上にインストールされた後、訓練されたモデルは、複数の患者と共に使用されてもよい。
【0041】
いくつかの実施形態では、ＮＮモデルは、厚みの統計的分布を出力し、分布のピークは、最も可能性の高い壁厚値を判定するために、後続の工程、すなわち、ＮＮモデルに含まれるものを超えて選択されてもよい。
【0042】
図２に示される例示的なフローチャートは、純粋に概念を明確にする目的で選択される。本実施形態はまた、診断された組織との電極の物理的接触の程度の指標を受信するなど、アルゴリズムの付加的な工程を含んでもよい。この工程及び他の可能性のある工程は、より簡素化されたフローチャートを提供するために、本明細書の開示から意図的に削除される。
【0043】
ＭＬアルゴリズムの説明
図３は、本発明の例示的な実施形態による、オートエンコーダ及び完全に接続された層に基づく壁厚推定のための深層学習アルゴリズム３００を示す。本方法は、推定のために、深層学習管理付きフレームワークを提供することを含み、（上記の訓練データ項目＃１～＃６に対応する）電位図、１２リードＥＣＧ、解剖学的データ、カテーテルの詳細、患者の人口統計データ、及び患者の医療履歴を使用する。本方法はまた、アブレーション中の温度上昇及び／又はインピーダンス変化を使用してもよい。
図３は、本発明の例示的な実施形態による、オートエンコーダ及び完全に接続された層に基づく壁厚推定のための深層学習アルゴリズム３００を示す。本方法は、推定のために、深層学習管理付きフレームワークを提供することを含み、（上記の訓練データ項目＃１～＃６に対応する）電位図、１２リードＥＣＧ、解剖学的データ、カテーテルの詳細、患者の人口統計データ、及び患者の医療履歴を使用する。本方法はまた、アブレーション中の温度上昇及び／又はインピーダンス変化を使用してもよい。
【0044】
本方法では、２つのオートエンコーダ３０２及び３０４（以下により詳細に説明される）が適用されて、１２リードＥＣＧ及び／又は心内ＥＣＧからの一組の特徴への次元縮小法を実行する。本方法は、これらの特徴に基づいて、及び、限定されるものではないが、ＮＹＨＡ（Ｎｅｗ Ｙｏｒｋ Ｈｅａｒｔ Ａｓｓｏｃｉａｔｉｏｎ）スコア、ＣＨＡ２ＤＳ２－ＶＡＳｃスコア、及びＡＦ持続時間、並びに人口統計データ（例えば、年齢、性別、身長、及び体重）を含む、医療履歴情報に基づいて、完全に接続された層を使用する。次いで、心臓壁の厚みを推定するために回帰分析が実行される。
【0045】
上述のように、本方法は、２つのオートエンコーダ３０２及び３０４を使用する。オートエンコーダは、エンコーダ及びデコーダの２つの部品を備える。エンコーダは、非線形変換を介して、入力（図３では、ＥＣＧ信号及び／又はＥＧＭ信号）を隠れ表現（それぞれ、ｈ又はｕ）にマッピングする。次いで、デコーダは、隠れ表現を別の非線形変換を介して再構成されたデータに戻してマッピングする。式１及び式２は、マッピングを表す。
【0046】
【数1】
【0047】
同様のネットワークアーキテクチャが、ＥＣＧ及びＥＧＭ再構成に使用され、そのため非線形関数ｆ及びｇは、実質的に同様である。一組のオートエンコーダ間の最小化Ｌ２正規化関数を使用して、ＥＣＧ信号再構成のための一組のθエンコーダ、θデコーダ重み、及びＥＧＭ再構成のための一組のφエンコーダ、φデコーダ重みを提供する。
【0048】
図４は、本発明の例示的な実施形態による、図３の深層学習アルゴリズムにおいて使用されるオートエンコーダアーキテクチャの概略図である。具体的には、オートエンコーダアーキテクチャは、電位図及び／又は１２リードＥＣＧの特徴空間を圧縮及び学習するために使用される。各オートエンコーダは、図に示されるように、所定の数の層を有するエンコーダ及びデコーダの完全に接続された畳み込みニューラルネットワーク（convolutional neural network、ＦＣＮ）を使用して実装される。エンコーダでは、ＥＧＭ／ＥＣＧ信号のサイズが低減され、信号は、低次元特徴にコード化される。デコーダは、低次元特徴に応じて出力を再構成しようと試みる。本発明の実施形態は、隠れ層の活性化関数として整流線形単位（rectifier linear unit、ＲｅＬＵ）を用いる。ＦＣＮモデルにおける出力層の活性化関数は存在しない。加えて、各隠れ層は、バッチ正規化を受ける。
【0049】
エンコーダは、一連の層を含み、各個々の層は、畳み込み層、バッチ正規化層、及び活性化層から構成される。入力層は、１０２４×Ｎのサイズを有する元の信号によって定義され、ここで、Ｎは、入力されたチャネルの数を表す。このため、１２リードＥＣＧに対するＮ＝１２、及び心内ＥＣＧ信号Ｎは、カテーテル取得信号上の電極の数に対応する。例えば、Ｎ＝２０は、ＰｅｎｔａＲａｙ又はＬａｓｓｏカテーテルに対して使用され、Ｎ＝６４は、図１のバスケットカテーテルに使用される。上で言及されるカテーテルは、例であること、及び本発明の範囲は、任意の心臓カテーテルを含むことが理解されるであろう。
【0050】
サイズ１６×Ｎの４０フィルタ及び２のストライドを有する畳み込みプロセスが、第１の層上に適用される。次の３つの畳み込み層は全て、サイズ１６×Ｎの２０フィルタを有し、ストライドは２である。次いで、次の層は、サイズ１６×Ｎの４０フィルタからなり、ストライドは２である。最後の層は、１のストライドを有するサイズ１６×１の１つのフィルタを有する。ダウンサンプリングプロセスは、２のストライドを使用して達成される。コード化プロセスを通して、３２×Ｎ次元特徴マップが得られる。この特徴マップはまた、圧縮データを表し、元のデータサイズよりも３２倍小さい。
【0051】
オートエンコーダのデコーダ部分は、エンコーダに対して逆対称である。ここで、逆畳み込み層は、構造の詳細を回復するように、特徴マップをアップサンプリングするように処理される。出力層に関して、サイズ１６×Ｎ及びストライドが１の１つのフィルタを有する最終的な逆畳み込み層は、出力信号を生成する。
【0052】
図３に戻ると、隠れ表現ｈ及びｕ、患者の医療履歴情報（ＮＹＨＡスコア、ＣＨＡ２ＤＳ２－ＶＡＳｃスコア、ＡＦ持続時間及び持続性ＡＦ持続時間）、並びに患者人口統計データ（年齢、性別、身長、及び体重）は、４つの隠れ層（暗灰色円）を有する完全に接続されたニューラルネットワークの特徴空間（図３の薄灰色円）として機能する。いくつかの実施形態では、特徴空間はまた、温度上昇及びインピーダンス変化入力のうちの少なくとも１つを含む。
【0053】
隠れ層からの出力は、次いで、心臓の壁厚を推定する出力ニューロンに挿入される。
【0054】
ネットワーク全体は、式３に示される、Ｌ２正則化関数を最小限に抑えようと試みる逆伝播アルゴリズムを使用して訓練される。
【0055】
【数2】
【0056】
逆伝播アルゴリズムは、損失関数Ｊ（φ）を最小限に抑えるために実行される。
【0057】
本発明の例示的な実施形態では、心臓壁厚のための深層学習リグレッサは、一組のパラメータφ、ｈ、ｕ、θエンコーダ、θデコーダ、φエンコーダ、φデコーダの最適値（Ｌ２正則化感知）を学習した後に得られる。
【0058】
開示された実施形態は、単なる例として、フィルタの数などの特定の数を提供する。一般に、このような数は、修正されてもよい。上記の説明は、アブレーション処置、及び処置のための組織壁厚を測定することを指すが、この説明は、アブレーション処置なしに組織壁厚を測定するように、変更すべきところは変更して、適合されてもよいことが理解されるであろう。このため、本発明の範囲は、アブレーション処置を伴う又は伴わない心臓処置を含む。
【0059】
それゆえ、上述のアルゴリズムを操作することにより、プロセッサは心臓壁の厚みの近似値を求めることができることが理解されるであろう。この値は、アブレーションシステムのＧＵＩに組み込まれてもよい。代替的に、又は付加的に、厚み値は、「壁」の描画上の数として提示されてもよく、又は壁厚は、アブレーションシステムディスプレイ上に提示される心臓画像のスケールに従ってグラフで表示されてもよい。
【0060】
上記の実施形態は例として挙げたものであり、本発明は上記に具体的に示し記載したものに限定されない点が理解されよう。本明細書に記載される実施形態は、主に心臓診断用途に関するものであるが、本明細書に記載される方法及びシステムは、心臓壁厚の推定を必要とする他の心臓医療用とにおいて使用することもできる。
【0061】
したがって、上記の実施形態は例として挙げたものであり、本発明は、上記に具体的に示し記載したものに限定されない点が更に理解されよう。むしろ本発明の範囲は、上記の様々な特徴の組み合わせ及びその部分的組み合わせの両方、並びに上述の説明を読むことで当業者に想到されるであろう、先行技術において開示されていないそれらの変形例及び修正例を含むものである。参照により本特許出願に組み込まれる文献は、これらの組み込まれる文献において、いずれかの用語が本明細書において明示的又は暗示的になされた定義と矛盾する様式で定義されている場合には、本明細書における定義のみを考慮するものとする点を除き、本出願の一部とみなすものとする。
【0062】
〔実施の態様〕
（１） 心臓壁組織の特性を推定するためのシステムであって、
患者の心臓内で実行された複数の電気生理学的（ＥＰ）測定値を受信するように構成されているインターフェースと、
前記ＥＰ測定値に基づいて、前記心臓の特定の場所における壁厚を推定するように構成されているプロセッサと、を備える、システム。
（２） 前記ＥＰ測定値のうちの１つ又は２つ以上が、心内電位図（ＥＧＭ）を含む、実施態様１に記載のシステム。
（３） 前記ＥＰ測定値は、前記ＥＧＭが取得された前記心臓内のそれぞれの場所を更に含む、実施態様２に記載のシステム。
（４） 前記ＥＰ測定値のうちの１つ又は２つ以上が、身体表面心電図（ＥＣＧ）を含む、実施態様１に記載のシステム。
（５） 前記プロセッサが、前記ＥＰ測定値上で定義されたモデルを使用して、前記壁厚を推定し、前記心臓の前記特定の場所に適用されたアブレーション処置の結果に基づいて、前記モデルを精緻化するように構成されている、実施態様１に記載のシステム。
（１） 心臓壁組織の特性を推定するためのシステムであって、
患者の心臓内で実行された複数の電気生理学的（ＥＰ）測定値を受信するように構成されているインターフェースと、
前記ＥＰ測定値に基づいて、前記心臓の特定の場所における壁厚を推定するように構成されているプロセッサと、を備える、システム。
（２） 前記ＥＰ測定値のうちの１つ又は２つ以上が、心内電位図（ＥＧＭ）を含む、実施態様１に記載のシステム。
（３） 前記ＥＰ測定値は、前記ＥＧＭが取得された前記心臓内のそれぞれの場所を更に含む、実施態様２に記載のシステム。
（４） 前記ＥＰ測定値のうちの１つ又は２つ以上が、身体表面心電図（ＥＣＧ）を含む、実施態様１に記載のシステム。
（５） 前記プロセッサが、前記ＥＰ測定値上で定義されたモデルを使用して、前記壁厚を推定し、前記心臓の前記特定の場所に適用されたアブレーション処置の結果に基づいて、前記モデルを精緻化するように構成されている、実施態様１に記載のシステム。
【0063】
（６） 前記モデルが、訓練された機械学習（ＭＬ）モデルである、実施態様５に記載のシステム。
（７） 前記ＭＬモデルが、デコーダに結合されたエンコーダを備える、少なくとも１つのタイプのオートエンコーダを備える、実施態様６に記載のシステム。
（８） 前記少なくとも１つのオートエンコーダが、前記ＥＧＭ上で動作するように構成された第１のオートエンコーダと、前記ＥＣＧ上で動作するように構成された第２のオートエンコーダと、を備える、実施態様７に記載のシステム。
（９） 前記アブレーション処置の結果が、（ｉ）前記アブレーション処置と関連付けられた温度上昇、及び（ｉｉ）前記アブレーション処置と関連付けられた組織インピーダンスにおける変化のうちの１つ又は２つ以上を含む、実施態様５に記載のシステム。
（１０） 心臓壁組織の特性を推定するための方法であって、
患者の心臓内で実行された複数の電気生理学的（ＥＰ）測定値を受信することと、
前記ＥＰ測定値に基づいて、前記心臓の特定の場所における壁厚を推定することと、を含む、方法。
（７） 前記ＭＬモデルが、デコーダに結合されたエンコーダを備える、少なくとも１つのタイプのオートエンコーダを備える、実施態様６に記載のシステム。
（８） 前記少なくとも１つのオートエンコーダが、前記ＥＧＭ上で動作するように構成された第１のオートエンコーダと、前記ＥＣＧ上で動作するように構成された第２のオートエンコーダと、を備える、実施態様７に記載のシステム。
（９） 前記アブレーション処置の結果が、（ｉ）前記アブレーション処置と関連付けられた温度上昇、及び（ｉｉ）前記アブレーション処置と関連付けられた組織インピーダンスにおける変化のうちの１つ又は２つ以上を含む、実施態様５に記載のシステム。
（１０） 心臓壁組織の特性を推定するための方法であって、
患者の心臓内で実行された複数の電気生理学的（ＥＰ）測定値を受信することと、
前記ＥＰ測定値に基づいて、前記心臓の特定の場所における壁厚を推定することと、を含む、方法。
【0064】
（１１） 前記ＥＰ測定値のうちの１つ又は２つ以上が、心内電位図（ＥＧＭ）を含む、実施態様１０に記載の方法。
（１２） 前記ＥＰ測定値は、前記ＥＧＭが取得された前記心臓内のそれぞれの場所を更に含む、実施態様１１に記載の方法。
（１３） 前記ＥＰ測定値のうちの１つ又は２つ以上が、身体表面心電図（ＥＣＧ）を含む、実施態様１０に記載の方法。
（１４） 前記壁厚を推定することが、前記ＥＰ測定値上で定義されたモデルを使用することと、前記心臓の前記特定の場所に適用されたアブレーション処置の結果に基づいて、前記モデルを精緻化することと、を含む、実施態様１０に記載の方法。
（１５） 前記モデルが、訓練された機械学習（ＭＬ）モデルである、実施態様１４に記載の方法。
（１２） 前記ＥＰ測定値は、前記ＥＧＭが取得された前記心臓内のそれぞれの場所を更に含む、実施態様１１に記載の方法。
（１３） 前記ＥＰ測定値のうちの１つ又は２つ以上が、身体表面心電図（ＥＣＧ）を含む、実施態様１０に記載の方法。
（１４） 前記壁厚を推定することが、前記ＥＰ測定値上で定義されたモデルを使用することと、前記心臓の前記特定の場所に適用されたアブレーション処置の結果に基づいて、前記モデルを精緻化することと、を含む、実施態様１０に記載の方法。
（１５） 前記モデルが、訓練された機械学習（ＭＬ）モデルである、実施態様１４に記載の方法。
【0065】
（１６） 前記ＭＬモデルが、デコーダに結合されたエンコーダを備える、少なくとも１つのタイプのオートエンコーダを備える、実施態様１５に記載の方法。
（１７） 前記少なくとも１つのオートエンコーダが、前記ＥＧＭ上で動作するように構成された第１のオートエンコーダと、前記ＥＣＧ上で動作するように構成された第２のオートエンコーダと、を備える、実施態様１６に記載の方法。
（１８） 前記アブレーション処置の結果が、（ｉ）前記アブレーション処置と関連付けられた温度上昇、及び（ｉｉ）前記アブレーション処置と関連付けられた組織インピーダンスにおける変化のうちの１つ又は２つ以上を含む、実施態様１４に記載の方法。
（１７） 前記少なくとも１つのオートエンコーダが、前記ＥＧＭ上で動作するように構成された第１のオートエンコーダと、前記ＥＣＧ上で動作するように構成された第２のオートエンコーダと、を備える、実施態様１６に記載の方法。
（１８） 前記アブレーション処置の結果が、（ｉ）前記アブレーション処置と関連付けられた温度上昇、及び（ｉｉ）前記アブレーション処置と関連付けられた組織インピーダンスにおける変化のうちの１つ又は２つ以上を含む、実施態様１４に記載の方法。
【図1】
【図2】
【図3】
【図4】