JP7814852B2 - 持続性心房細動のための最適化されたアブレーション - Google Patents

Description

（関連出願の相互参照）
本出願は、２０２０年７月７日出願の米国仮特許出願第６３／０４８，８３０号の利益を主張するものであり、当該特許文献は、完全に記載されているかのように参照により組み込まれる。

（発明の分野）
本発明は、持続性心房細動（atrial fibrillation、ＡＦＩＢ）のアブレーションを最適化することに関連付けられた人工知能及び機械学習に関する。

心房性不整脈は、心臓共存症、特に脳卒中、心不全、及び再発性入院の有意な寄与因子である。一部の不整脈（例えば、典型的な心房粗動）については、処置（アブレーション）のワークフローは、ＥＰコミュニティ内で確立されている。他の不整脈（例えば、持続性心房細動）については、（解剖学ベースの肺ｖａｉｎ隔離（pulmonary vain isolation、ＰＶＩ）以外の）ワークフロー処置（アブレーション）は、この種の不整脈の複雑性のために必ずしも確立されていない。心房細動（ＡＦＩＢ）を有する患者に対してアブレーションを実行する場所に医師を案内するように示す様々な特徴が存在するが、現在、特徴単独でアブレーションの最適な位置を確実に予測することはできない。

心房細動（ＡＦＩＢ）を有する患者に対してアブレーションを実行する領域の位置を特定する際に医師を支援する方法及び装置は、少なくとも１つのデバイスから、マシンでデータを受信することであって、データが、アブレーションを実行するための所望の位置に関する情報を含む、ことと、マシンによって、データ及び入力に基づいてアブレーションを実行するための最適な位置を生成することと、モデルによって出力された位置で、又は医師によって指定された位置で、アブレーションを実行するためのアブレーションパラメータの最適なセットを提供することと、を含む。

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。
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。 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。 本開示の１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３の例示的なデバイスを組み込んだ人工知能システムのグラフィック描写を示す。 図４の人工知能システムにおいて実行される方法を示す。 単純ベイズ計算の確率の例を示す。 例示的な決定木を示す。 例示的なランダムフォレスト分類器を示す。 例示的なロジスティック回帰を示す。 例示的なサポート・ベクター・マシンを示す。 例示的な線形回帰モデルを示す。 例示的なＫ平均クラスタリングを示す。 例示的なアンサンブル学習アルゴリズムを示す。 例示的なニューラルネットワークを示す。 ハードウェアベースのニューラルネットワークを示す。 本開示の主題の１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の図である。 医師がアブレーションを実行した位置を有する例示的な遡及的検査の心臓マップの図である。 アブレーションを実行するための例示的なワークフローの概略図である。 機械学習を使用して心房細動（ＡＦＩＢ）を有する患者に対してアブレーションを実行する領域の位置を特定する際に医師を支援する例示的な概略図の例示的な図である。 機械学習を使用してＡＦＩＢを有する患者に対してアブレーションを実行する領域の位置を特定する際に医師を支援する例示的な方法の例示的な図である。 本システムのデータ準備及び訓練を示す。 本システムの例示的な複合アーキテクチャを示す。 本システムの例示的な複合アーキテクチャを示す。

本明細書では、本出願の詳細を説明するが、簡潔には、機械学習（machine learning、ＭＬ）を利用して、心房細動（ＡＦＩＢ）を有する患者に対してアブレーションを実行する領域の位置を特定する際に医師を支援する。

ＡＦＩＢを有する患者に対してアブレーションを実行する領域の位置を特定する際に医師を支援する方法及び装置は、少なくとも１つのデバイスから、マシンでデータを受信することであって、データが、アブレーションを実行するための所望の位置に関する情報を含む、ことと、マシンによって、データ及び入力に基づいてアブレーションを実行するための最適な位置を生成することと、モデルによって出力された位置で、又は医師によって指定された位置で、アブレーションを実行するためのアブレーションパラメータの最適なセットを提供することと、を含む。

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。

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。

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。

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。

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。

１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。

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。

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。

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（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、保存、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。

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。

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。

別の例では、患者生体計測装置１０２は、Ｉ型及びＩＩ型糖尿病などの様々な疾患を治療するために、患者の血糖値を継続ベースで連続的に監視するための連続的グルコースモニタ（continuous glucose monitor、ＣＧＭ）であってもよい。ＣＧＭは、患者の間質液から血糖値を監視することができる、皮下に配置された電極を含んでもよい。ＣＧＭは、例えば、ユーザの介入のないインスリンの計算された送達のために、血糖データがインスリンポンプに送られる閉ループシステムの構成要素であってもよい。

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。

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保存し、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。

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を含み得る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。

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、保存、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。

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。

いくつかの実施形態では、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。

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。

図２に示すように、コンピューティング環境２００は、本明細書に記載される実施形態が実装されてもよい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。

遠隔コンピューティングシステム１０８は、１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。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、医師によって決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。

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つ以上のプロセッサ２２０を更に含む。プロセッサ２２０は、１つ以上のＣＰＵ、ＧＰＵ、ＴＰＵ、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。

コンピュータシステム２１０はまた、プロセッサ２２０によって実行される情報及び命令を保存するためにバス２２１に結合されたシステムメモリ２３０を含む。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（random 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保存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に保存され得る情報を、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。

図示の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、情報及び命令を保存するための１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。

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。

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つ以上の命令の１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。

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。

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。

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。

図３は、本開示の１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つ以上の入力デバイス３０８と、１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。

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。

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。

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３１６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を含む。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。

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２００の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からの所定の望ましい転帰４４０を提供するように構成され得る。

図５は、図４の人工知能システム５００において実行される方法を示す。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又は他のデータを含んでもよい。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。

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。

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。

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、本発明の理解を深めるために例示的な目的で提供されている。

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。

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。

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。

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：

で表される。

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。

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。

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）＝０．３３×０．６４／０．３６又は約０．６０（６０％）である。

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。

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。

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。

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。

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。

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。

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８１０_１、８１０_２、８１０_３、８１０_４及び８１０_５（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（８１０_１、８１０_２、８１０_４）は、衣服が青色であると判定し、１つは、衣服が緑色（８１０_３）であると判定し、残りの木は、衣服が赤色（８１０_５）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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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を使用して予測変数１１１０を予測する。線形回帰を使用して、金融ポートフォリオ、給与予測、不動産及び交通機関の到着予定時刻をモデル化及び予測することができる。

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。

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。効果的なクラスタの決定では、Ｋ平均クラスタ化で、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。

Ｋ平均は、主に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。また、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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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、１４１０_１及び１４１０_２などの複数の入力で表される入力層がある。入力１４１０_１、１４１０_２は、ノード１４２０_１、１４２０_２、１４２０_３、１４２０_４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１４２０_１、１４２０_２、１４２０_３、１４２０_４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１４２０_１、１４２０_２、１４２０_３、１４２０_４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。

図１４のニューラルネットワークがハードウェアで実装されてもよい。図１５を参照すると、ハードウェアベースのニューラルネットワークが示されている。

心不整脈及び特に心房細動は、特に老年人口では、一般的かつ危険な病状として根強く残っている。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。こうした異常伝導は、例えば、房室（ＡＶ）結節及びヒス束の伝導経路に沿った洞房（ＳＡ）結節の領域、又は心室及び心房の壁を形成する心筋組織など、心臓の様々な領域で生じることがこれまでに知られている。

心房性不整脈を含めた心不整脈は、心房の周りで散乱して、しばしば自己伝播する電気インパルスの複数の非同期的ループを特徴とする、マルチウェーブレットリエントラント型となる場合がある。マルチウェーブレットリエントラント型に代わって、又はそれに加えて、心不整脈はまた、心房の組織の孤立領域が、急速で反復的な様式で自律的に興奮する場合などの、局所的な起源を有する場合もある。

不整脈の１つのタイプ、心房細動は、洞房結節によって生成される通常の電気インパルスが、心房及び肺静脈内で生じる無秩序な電気インパルスによって圧倒され、不規則なインパルスが心室に伝導する場合に発生する。結果的に不規則な心拍が生じ、これは、数分から数週間、又は更に数年間、持続する場合がある。心房細動（ＡＦ）は、多くの場合、脳卒中による場合が多い死亡のリスクの僅かな増加を招く、慢性的な症状である。リスクは年齢と共に増加する。８０歳を超える人々の約８％が、ある程度のＡＦを有している。心房細動は、無症候性である場合が多く、それ自体は概ね致死性ではないが、動悸、脱力感、失神、胸痛及び鬱血性心不全をもたらす恐れがある。脳卒中のリスクはＡＦの間に増大するが、これは、収縮が不十分な心房及び左心耳内に血液が溜まって血栓を形成する可能性があるためである。ＡＦに関する第一選択の治療法は、心拍数を減らすか、又は心律動を通常に戻す、投薬治療である。更には、ＡＦを有する患者は、脳卒中のリスクから守るために、抗凝血剤を与えられる場合が多い。そのような抗凝血剤の使用は、それ自体のリスクである内出血を伴う。一部の患者では、投薬治療は十分ではなく、ＡＦは、薬剤不応、すなわち、標準的な薬理学的介入では治療不可能であると判断される。同期電気的除細動もまた、ＡＦを通常の心律動に変換するために使用することができる。一部のＡＦの患者は、カテーテルアブレーションによって治療される。

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。例えば、心臓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）の生成などの心臓マッピングを用いて、心臓組織の局所的機能障害を検出してもよい。心臓マッピングに基づくものなどのアブレーションは、心臓のある部分から別の部分への不要な電気信号の伝播を停止又は修正することができる。

アブレーション法は、非伝導性の損傷部を形成することによって望ましくない電気経路を破壊するものである。様々なエネルギー送達の様式が、損傷部を形成する目的でこれまでに開示されており、心臓組織壁に沿って伝導ブロックを形成するためのマイクロ波、レーザー、パルス化フィールドアブレーションによる非可逆的エレクトロポレーション、及びより一般的には無線周波数エネルギーの使用が挙げられる。マッピングに続いてアブレーションを行う２段階の処置においては、通常、１つ以上の電気センサ（又は電極）を収納したカテーテルを心臓の内部に前進させ、多数の点におけるデータを取得することによって、心臓内の各点における電気活動が感知及び測定される。次いでこれらのデータを利用して、アブレーションが実施される心内膜の標的領域が選択される。

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。

ＡＦＩＢをマップするために一般的に使用されるマッピングアルゴリズムが存在し、ＶＴをマップするために使用されるマッピングアルゴリズムが存在する。ＡＦＩＢに関して、異なるマッピングアルゴリズムとしては、ＣＦＡＥ、リップル周波数、サイクル長マッピング、ＣＡＲＴＯＦＩＮＤＥＲフォーカルポイント、ＣＡＲＴＯＦＩＮＤＥＲロータ、低電圧ゾーンを挙げることができるが、これらに限定されない。他のマップとしては、図１８に関して更に詳細に説明するように、サイクル長マップ、Ｃａｒｔｏ－Ｆｉｎｄｅｒ（登録商標）フォーカルマップ、Ｃａｒｔｏ－Ｆｉｎｄｅｒ（登録商標）回転、リップルマップ４、ＣＦＡＥ、及びＥＣＧ分別を挙げることができる。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。

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。

図１６は、本開示の主題の１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１６２０の図である。システム１６２０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１６２０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１６２０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１６４０などの構成要素を含むことができる。カテーテル１６４０はまた、生体データを取得するように更に構成することができる。カテーテル１６４０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１６２０は、テーブル１６２９上に横になっている患者１６２８の心臓１６２６などの身体部分内へと医師１６３０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１６２１を含む。複数の実施形態では複数のプローブが提供されてもよく、本明細書には簡潔さのために単一のプローブ１６２１が記載されているが、プローブ１６２１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１６で示されるように、医師１６３０は、カテーテル１６４０の近位端部の近くの遠隔操作機１６３２及び／又はシース１６２３からの偏向部を使用して、シャフト１６２２の遠位端部を操作しながら、シース１６２３を通してシャフト１６２２を挿入することができる。差し込み図１６２５に示されるように、カテーテル１６４０は、シャフト１６２２の遠位端部に取り付けることができる。カテーテル１６４０は、折りたたまれた状態でシース１６２３を通して挿入することができ、次いで、心臓１６２６内で拡張することができる。本明細書で更に開示されるように、カテーテル１６４０は、少なくとも１つのアブレーション電極１６４７及びカテーテル針１６４８を含み得る。

例示的な複数の実施形態によれば、カテーテル１６４０は、心臓１６２６の心腔の組織領域をアブレーションするように構成されてもよい。差し込み図１６４５は、心臓１６２６の心室内部のカテーテル１６４０を拡大して示している。図示するように、カテーテル１６４０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１６４７を含むことができる。他の例示的な実施形態によれば、カテーテル１６４０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つ以上の他の要素であり得る。

本明細書に開示する実施形態によれば、電極１６４７などのアブレーション電極は、心臓１６２６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。

本明細書に開示される例示的な実施形態によれば、生体データは、ＬＡＴ、電気活動、トポロジー、双極マッピング、主要周波数、インピーダンスなどのうちの１つ以上を含み得る。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／又はその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。

図１６に示すように、プローブ１６２１及びカテーテル１６４０は、コンソール１６２４に接続することができる。コンソール１６２４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１６２０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１６３８を備える汎用コンピュータなどのプロセッサ１６４１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１６４１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１６２４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。

上記のとおり、プロセッサ１６４１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にプログラムすることができる。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／若しくは保存されてもよい。図１６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１６２０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。

一実施形態によれば、プロセッサ（例えば、プロセッサ１６４１）に接続されたディスプレイは、別個の病院又は別個の医療提供者ネットワークなどの遠隔位置に位置してもよい。加えて、システム１６２０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。

システム１６２０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１６２０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１６に示されるように、マッピングシステム１６２０のメモリ１６４２内に保存されてもよい。生体データは、メモリ１６４２からプロセッサ１６４１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１６６２を使用して、ローカル又は遠隔であってもよいサーバ１６６０に送信されてもよい。

ネットワーク１６６２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１６２０とサーバ１６６０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１６６２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知られている任意のそ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知られている任意のそ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１６６２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。

場合によっては、サーバ１６６２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１６６２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。

制御コンソール１６２４は、ケーブル１６３９によって身体表面電極１６４３に接続されてよく、身体表面電極は、患者１６３０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１６２６）内部のカテーテル１６４０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１６４３とカテーテル１６４０の電極１６４８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。付加的に、又は代替的に、位置パッドは、ベッド１６２９の表面上に配置されてもよく、ベッド１６２９とは別個であってもよい。

プロセッサ１６４１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１６４１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。

制御コンソール１６２４はまた、制御コンソールが電極１６４７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。

処置中、プロセッサ１６４１は、ディスプレイ１６２７上での医師１６３０への身体部分レンダリング１６３５の提示を容易にし、身体部分レンダリング１６３５を表すデータをメモリ１６４２内に保存することができる。メモリ１６４２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１６３０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つ以上の入力デバイスを使用して、身体部分レンダリング１６３５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１６３５が更新されるように、カテーテル１６４０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１６２７は、身体部分レンダリング１６３５を提示することに加えて、医療専門家１６３０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。

本明細書に記載されるのは、ＡＦＩＢを有する患者にアブレーション処置を実行する領域の位置を特定する際に医師を支援することに関する。

医師がアブレーション処置を開始するとき、他よりもアブレーションを実施するのにより最適である特定のエリア又は領域が存在する。モデルは、医師がアブレーションを実行するための最適な位置を出力する入力を使用して訓練することができる。例えば、マスクが効果的に生成されるが、どのマスクがアブレーションを実行するために医師に最良の情報を提供するかは知られていない。したがって、マップは、最適なアブレーションポイントを生成するために、マスクからＭＬのモデルを訓練するための実際のアブレーションポイントの入力として取得することができる。

機械学習モデルは、心臓マップ、ＥＧＭデータ、接触力データ、呼吸データ、組織近接データ、アブレーション位置、アブレーションパラメータ、及び遡及的処置の処置結果のより多くのうちの１つを利用することによって訓練することができる。訓練されると、機械学習モデルは、心臓マップ及びＥＧＭデータなどの入力を所与として、最適なアブレーション位置及びパラメータを予測することができる。場合によっては、位置が重要であり得、他の場合では、パラメータが重要であり得る。すなわち、医師は、所望のアブレーションの位置を提供し、心臓マップ及び所望のアブレーション位置を所与として、システムは、最適なアブレーションパラメータを推測することができる。加えて、システムは、様々なアブレーション位置での成功率（例えば、６０パーセント、７０パーセントなど）を予測することができる。

システムを訓練するために、遡及的症例の急性結果を機械学習モデルに供給することができる。数日のブランキング期間の後の結果を使用することができる。結果はまた、長期的な結果のために追跡することができ、遡及的症例の長期的な結果を機械学習モデルに供給して、モデルを訓練し続けることができる。

図１７は、医師がアブレーションを実行した位置１７１０を有する例示的な遡及的検査の心臓マップ１７００の図である。図１７に示すように、複数のアブレーションポイント１７１０が、異なるパラメータを使用して、かつそれぞれ様々な戦略を利用して、実行されていてもよい。これらのアブレーションポイント１７１０に関連付けられた以下で論じるデータから得られた情報を、モデルに提供して、学習してデータを各結果と関連付ける際にモデルを支援することができ、現在又は今後のアブレーションの位置並びにアブレーションで使用するための特定の位置及びパラメータでの期待される成功の予測及び提案を可能にすることができる。

図１８は、アブレーションを実行するための例示的なワークフロー１８００の概略図である。ワークフロー１８００は、サイクル長マップ１８１０．１、Ｃａｒｔｏ－Ｆｉｎｄｅｒ（登録商標）フォーカルマップ１８１０．２、Ｃａｒｔｏ－Ｆｉｎｄｅｒ（登録商標）回転１８１０．３、リップルマップ１８１０．４、ＣＦＡＥ１８１０．５、及びＥＣＧ分別１８１０．６などの多数の入力１８１０を含む。他の入力１８１０もまた、図１８の入力１８１０．７として表されるように含まれてもよい。また図１８で見ることができるように、情報１８２０は、ＡＩベースのモデル１８３０に提供されてもよい（例えば、解剖学的構造メッシュ１８２０．１、メッシュカラーリング／タグ１８２０．２、アブレーションデータ１８２０．３、臨床転帰及びフォローアップ１８２０．４）。各情報１８２０は、３Ｄメッシュ上の各位置点について値（実数）を含んでもよく、かつカテーテルがその点に位置していた期間の開始時点及び終了時点を更に含んでもよい、マッピングである。したがって、このタイミング情報１８２０は、異なる時間に行われた測定値に基づいて３Ｄマッピングにおける異なる点が計算されたという情報を含んでもよい。更に、特定の点の値が、その点でのカテーテルの巡回から得られたのではなく、アルゴリズムによって三角測量されていた場合、関連する時点の三角測量を使用することができる。

入力１８１０は、年齢、性別、（身体及び／又は心臓及び心房の）物理的寸法、薬剤使用を含む医療履歴、並びに心房細動のタイプ（複数のクラス：発作性、持続性、又は長期のうちの１つ）などの、患者に関するパラメータを含んでもよい。

例えば、入力１８１０及び情報１８２０を提供されているモデル１８３０は、アブレーション位置１８４０並びにパラメータを出力することができる。アブレーション位置１８４０を含む出力は、メッシュの３Ｄマッピングであり、各点は、０～１のスコアを有し、点がアブレーションのための良好な候補であるか否かの推奨強度を示す。

図１９は、ＡＦＩＢを有する患者に対してアブレーションを実行する領域の位置を特定する際に医師を支援することを示す概略図１９００の例示的な図である。概略図１９００は、機械学習（概して１９１０）を使用し、医師がアブレーション位置を提供すること１９２０．２と、アブレーション位置を提供しないこと１９２０．１と、を含む。心臓マップ及びＥＧＭ信号１９２０．１、１９２０．２は、マシンに提供されてもよく、マシンに、最適なアブレーション位置及びパラメータ１９３０．１、１９３０．２について問い合わせることができる。またマシンに、潜在的又は所望のアブレーション位置１９２０．２を提供してもよく、マシンは、この提供された位置のアブレーションパラメータ１９３０．２を提供してもよい。マシンはまた、アブレーション１９３０．１、１９３０．２の期待される成功を計算することができる。

以下は、例示的な実施形態に関する更なる詳細を提供する。高密度バスケットカテーテルを利用して、特定の時間の間（例えば、１分間）に全てのＬＡから心内ＥＧＭを収集することができる。システムは、ＡＦＩＢがその症例の直後又は数日後に終了する場合、情報をニューラルネットワークに提供することができ、医師が関与する他のアブレーションもまたニューラルネットワークに提供することができるように、構成することができる。そのような報告の遅延により、ＡＦＩＢが直ちに終了せずに、不整脈が完全に消失するために複数日の回復期間を必要とするものを含む、ＡＦＩＢの状況を捕捉することができる。そのような処置では、どのアブレーションが重要な部位であったかを識別することは困難であり得るが、それらのアブレーション部位のうちの１つが重要な部位であったことが知られている。ニューラルネットワークは、重要なアブレーション部位を検出するように学習することができる。例えば、同様の心臓活動を有する２人の患者を仮定すると、第１の患者の医師は、位置Ａ及びＢでアブレーションを行っており、第２の患者の医師は、位置Ｂ及びＣでアブレーションを行っており、ニューラルネットワークは、この活動がＢ（かつＡ及びＣではない）と強い相関を有することを学習することができる。

アブレーション戦略を推奨するためのデータクラスタとしては、例えば、リップル周波数マップ（リップル百分率及びピーク）、断片化指数、サイクル長マップ、ＣＦＡＥ、Ｆｉｎｄｅｒ、分別マップ、複雑性マップ、電圧マップ、臨床アブレーションパラメータ（部位、指数など）、及び臨床転帰（急性及び／又は数日のブランキング期間の後及び／又は長期フォローアップ後）を挙げることができる。

モデルは、成功した症例について検証するために、検査及び臨床転帰について訓練することができる。マシンのためのモデルを訓練する際の入力のためのデータは、特定の医師のアブレーション処置中に生成されたマップ、処置中に収集されたアブレーションデータ、アブレーションカテーテルタイプ、アブレーションポイントの３Ｄ位置、アブレーションに使用される電力、ポイントアブレーション持続時間、灌注、カテーテルの安定性、「予測された」組織幅に基づいて経壁アブレーションを検証するためのアブレーションの領域に関するパラメータ、いくつかの固定されたビューで取られた、異なるＣＡＲＴＯ Ｍａｐｓ ＬＡＴ、電圧、Ｖｉｓｉｔａｇなどに基づいてアブレーション中に生成された画像、及び処置の結果を含む。呼吸、呼吸予測及びインジケータ、ＡＣＬ電流、及びＴＰＩは、入力である。一般に、データは、心内ＥＧＭ信号、身体表面ＥＣＧ信号、カテーテルの印加力、ＣＴ又はＭＲＩを介して測定された組織厚、リップルマップ内で計算されたリップル百分率及びピーク、断片化／分別／ＥＣＧ複雑性指数、サイクル長マップ、ＣＦＡＥ位置、電気ロータ及びＣａｒｔｏ－Ｆｉｎｄｅｒ（登録商標）によって計算されたフォーカル活動、アブレーションポイントの３Ｄ位置、アブレーション時間、電力／温度、アブレーションのタグ指数値、アルゴリズムによって予測されるようなアブレーションの半径及び／又は深さ、アブレーションカテーテルのタイプ、アブレーション中の灌注レベル、アブレーション中のカテーテル安定性レベル、「予測された」組織幅に基づいて経壁アブレーションを検証するためのアブレーションの領域に関するパラメータ、いくつかの固定されたビューで取られた、異なるＣＡＲＴＯ Ｍａｐｓ ＬＡＴ、電圧、Ｖｉｓｉｔａｇなどに基づいてアブレーション中に生成された画像、電圧振幅、パルス幅、位相間遅延、パルス間遅延、パルスサイクル長などのパルス化フィールドアブレーションの特性、及び臨床転帰（急性、又はブランキング期間の約２日後、又はより長いフォローアップ期間後、例えば１２ヶ月後）を使用して得ることができる。

データは、リアルタイムで（症例中に）クラウド内の記憶デバイスに転送されてもよい。データは、自動的に、又はユーザによって要求されたときにのいずれかで、症例後にクラウド内の記憶デバイスに転送されてもよい。システムは、コンピュータがアイドル状態であるときに、クラウド内の記憶デバイスにデータを転送することができる。ユーザは、データを訓練センターに手動で転送してもよく、モデルは、例えば、ワークステーションマシンに保存された全ての過去の症例で訓練される。

ＡＩモデルは、教師ありＭＬであってもよく、強化学習を使用してもよく、かつ／又は画像が分析される場合、畳み込みニューラルネットワークを使用してもよい。モデルは、様々な方法で構築することができる。例えば、症例が所望の結果を有した場合、アブレーションパラメータを出力として、かつ全ての他のパラメータを入力として、訓練する。アブレーションパラメータを出力として、かつ全ての他のパラメータを入力としてモデルに与え、実際の結果を用いて強化学習を実行する。モデルに全てのパラメータを入力として、かつ結果を出力として与え、結果を予測するようにモデルに学習をさせる。所望の結果を有する症例の全てのパラメータ及びアブレーション位置を入力として使用してもよく、アブレーションパラメータは、出力であってもよい。

更に、アブレーション指数とも呼ばれるタグ指数が計算されてもよい。例示的な式は、以下であり、式中、Ｋ、ａ、ｂ、及びｃは、定数であり、ＣＦは、アブレーションカテーテルの印加された接触力であり、Ｐは、アブレーション中に印加される一定の電力であり、ｔは、アブレーションの持続時間である。

再び、モデルは、システムに供給された臨床転帰を有することによって訓練することができる。急性の結果を使用してもよく、及び／又は数日のブランキング期間、例えば、２日後の結果を使用してもよく、又はより長いフォローアップ期間後（例えば、１２ヶ月後）の結果を使用してもよい、のいずれかである。システムは、アブレーション位置及びパラメータを提案することができる。又は、代わりに、医師は、システムに計画されたアブレーション位置を提供することができ、システムは、このアブレーションの期待される成功パーセントと併せて、アブレーションパラメータのみを提案してもよい。医師は、アブレーション位置及びまた使用されるアブレーションパラメータの両方をシステムに提供することができ、システムは、期待される結果を予測することができる（アブレーションパラメータは、ワット単位のアブレーション電力、摂氏でのアブレーションの目標温度、秒単位のアブレーション持続時間、又は上述のタグ指数の式などのなんらかの式を使用して全てのアブレーションパラメータを要約した単一の値を含んでもよい）。

モデルは、どの入力が最も重要であり、かつどの入力があまり重要ではないかを学習する。モデルは、組織上のアブレーション位置、又はアブレーション戦略（推奨温度、電力、アブレーション指数／タグ指数、アブレーション持続時間など）を提案することができる。位置は、心臓のマップの上にコンピュータスクリーン上でマーキングされてもよい。

訓練は、１つ以上のＣＰＵ、ＧＰＵ、若しくはＴＰＵプロセッサ、ＦＰＧＡチップ、又は深層学習計算を実行する専用のＡＳＩＣ上で実行されてもよい。また、アブレーションの成功は、アブレーションが実行されるまで未知であり得ることに留意することができる。例えば、カテーテルは、アブレーション中に移動することがあり、また、いくつかのアブレーションパラメータは、アブレーションが行われるまで未知であり得る。提案されるアルゴリズムは、以前の情報と、達成されたアブレーションのセットとを統合して、情報が既知になると、次のアブレーションステップを提案することができる。

計算は、例えば、ＣＡＲＴＯワークステーションマシン内で、病院内のサーバ上で、サーバ上で、及びクラウド内で、病院によって所有される領域内で実行されてもよい。

上記によれば、図２０は、機械学習を使用してＡＦＩＢを有する患者に対してアブレーションを実行する領域の位置を特定する際に医師を支援する、例示的な方法２０００の例示的な図である。ステップ２０１０では、医師は、上述のように、アブレーションに関する情報をマシンに提供する。ステップ２０２０において医師が位置をマシンに提供しない場合、方法は、ステップ２０３０に進み、ここで、マシンは、上述した図１９の医師からの入力を利用して、以前のアブレーションに基づいて分析し、アブレーションの位置、並びにアブレーションの実行中に利用するパラメータを判定する。

ステップ２０２０において医師が位置情報を提供する場合、方法は、ステップ２０４０に進み、ここで、マシンは、上述した図１９の医師からの入力を利用して、以前のアブレーションに基づいて分析し、アブレーションの実行中に利用するパラメータを判定する。

ステップ２０５０では、マシンは、実行されるアブレーションに関する情報を医師に提供する。すなわち、医師が位置を提供しなかった場合、マシンは、位置情報及びパラメータの両方を提供する。医師がアブレーション位置を提供した場合、マシンは、位置を提供することなく、パラメータを提供する。いずれの場合も、マシンはまた、入力、及び上記に提供されたデータに従ってアブレーションで以前に使用された戦略との比較に基づいて、好ましい戦略を医師に提供することができる。

図２１は、本システムのデータ準備及び訓練を示す。以前の患者症例からのデータ２１１０は、そのような各症例について、システムを訓練するために使用される。このデータは、（本明細書で詳細に上述した）３Ｄマッピング２１１０．１と、本明細書で上述したシステムへの入力として使用される年齢、性別、医療履歴などの（本明細書で詳細に後述する）患者パラメータ２１１０．２データと、所望の出力の計算に使用されるデータとを含んでもよい。このデータは、アブレーションデータ２１１０．３及び臨床転帰２１１０．４を含むことができる。アブレーションデータ２１１０．３は、実行されたアブレーションの位置、及び、例えば、アブレーション中の安定性、電力、力、インピーダンス、インピーダンス変化を含む各アブレーションポイントの処置品質に関するインジケーションなどの情報を含んでもよい。アブレーションデータ２１１０．３は、低い処置許容性を有するアブレーションポイントを割り引くことを含むことができる。そのような割り引きとしては、例えば、そのようなポイントの重みを除去すること（１００％の割り引き）、又は、１０、２０、２５、５０、６６％だけ割り引くことなど、最小化することを挙げることができる。割り引き％は、上記の段落［００５４］に定義されるアブレーション指数に従って、又は処置品質に関する１つ若しくはいくつかのパラメータに基づく類似の指数に従って、判定することができる。

臨床転帰２１１０．４は、処置の結果の残存期間に従って以前のデータを重み付けすることを含んでもよい。例えば、処置後３ヶ月のＡＦＩＢ再発を伴う症例は、例えば、処置の１２ヶ月後に再発したＡＦＩＢを有する症例よりも低い重みを割り当てられてもよい。

前処理２１３０は、所望の出力形態、すなわち、メッシュの３Ｄマッピングに適合するように行なわれてもよく、各点は、０～１のスコアを有し、点がアブレーションのための良好な候補であるか否かの推奨強度を示す。このスコアを計算することは、ＣＡＲＴＯ（Ｒ）によって計算される「アブレーション指数」、例えば、低い処置品質（例えば、点の不安定性、十分に深くない又は十分な電力を使用しないアブレーション）を有するアブレーションポイントを割り引くことに依存し得る。特定の患者のデータセットは、処置の結果の残存期間に従って重み付けされてもよい。例えば、処置後３ヶ月のＡＦＩＢ再発を伴う症例は、処置後１２ヶ月後にのみ再発したＡＦＩＢを有する症例よりも低い重みを有する。前処理２１３０の後、所望の出力２１４０が含まれ、ステップ２１５０でニューラルネットワークを訓練するために提供されてもよい。加えて、入力２１１０は、システム入力２１２０を使用して訓練セットとして訓練に直接供給され、ステップ２１５０でニューラルネットワークを訓練するために提供されてもよい。訓練２１５０が行なわれると、ニューラルネットワークは、訓練される（２１６０）。データセットは、訓練セット、検証セット、及び試験セットに分割されてもよい。訓練セット及び検証セットは、システム開発中に使用されてもよく、試験セットは、システムの精度を評価するために使用される。また、交差検証を使用して、性能を改善してもよい。

図２２及び図２３は、本システムの例示的な複合アーキテクチャを示す。マッピングは、本明細書に記載されるように、ステップ２３１０でシステムに入力されてもよい。平坦化は、ステップ２３２０で行われてもよい。平坦化は、心臓メッシュの３Ｄマッピングを「平坦化」すること、すなわち、例えば、ステレオ投影、又は正投影、メルカトル投影などの他のタイプの投影などによる、左心房表面上のデータ点の２Ｄマッピングへの変換（地球の３Ｄ表面を２Ｄマップに投影することができるのと同様の方法での）を含む。

平坦化により、アブレーションの潜在的候補としてメッシュ上の点をシステムに提供し、決定は、マッピング全体ではなく、候補点の周囲領域における入力マッピング値に依存する。計算は、ＣＮＮを使用する。上述のＣＮＮは、特徴が２Ｄ画像内に現れる特定の位置に関係なく、直ぐ周囲の領域に基づいて特定の種類の幾何学的「特徴」（例えば、傾斜した線、円）を識別するように、成功裏に訓練及び最適化することができる。

所望の出力を計算するために使用されてもよい、上述したような多くの可能性のあるニューラルアーキテクチャが存在する。データの性質に応じて、より複雑なアーキテクチャが望ましい場合がある。

例として、ＮＮアーキテクチャは、３Ｄ入力マッピングを２Ｄマッピングに平坦化する（２３２０）前処理段階の出力である。したがって、平坦化段階２３２０からマップマージ２２００への入力は、Ｎ個のマッピングを含み、それぞれは、１つの実値を提供するサイズＨｘＷの２Ｄ「画像」である。

マップマージ２２００は、線形組み合わせを使用することによって入力マッピングを組み合わせる。例えば、ニューロン（ｉ，ｊ）にＮ個の画像のそれぞれの位置（ｉ，ｊ）の値が供給される、サイズＨｘＷの１つのニューラル層を使用する。各入力マップ内の各点が、それ自体が良好なアブレーションのためのある程度信頼性の高いインジケーションを提供する場合、及び入力マップの単純な線形組み合わせ／平均化が集積に十分である場合、この構成は、十分であり得る。利点は、より複雑なモデルと比較して、より少ないデータで訓練が容易であることである。しかしながら、以下に説明するように、結果は、正確でない場合があり、より複雑なモデルが必要とされる場合がある。

追加の層（より深いネットワーク）を利用することができ、より複雑な関数を表すことができる。また、より大きな層を利用することができ、データ内のより多くのニュアンスを捕捉することができる。また、情報を組み合わせる前に、各入力マップ上に別個の処理が存在してもよい。例えば、完全に接続された、ＣＮＮ、最大プーリングなどの他の種類の層アーキテクチャを利用することもできる。

平坦化段階２３２０からマップマージ２２００への入力に戻ると、例示的なネットワークにおいて、入力は、例えば、Ｎ＝８の２Ｄマッピングを含む（それぞれ、ＣＦＡＥ、サイクル長マップなどの異なるアルゴリズム２３２０の出力を平坦化することによって得られる）。そのようなマッピングのそれぞれは、異なるＣＮＮグリッドによって層１ ２２１０内で別々に処理される。入力のＮ個の画像のそれぞれは、個別化した畳み込みモデルを使用して処理されてもよく、すなわち、各入力画像は、別個のＣＮＮに提供されてもよい。各ＣＮＮの出力は、ただ１つの入力マップに基づいて予備出力推奨マップを与える画像である。更なる層が、画像処理のための深層学習の標準技術、すなわちＣＮＮ、最大プーリング、及び他のパラダイムに従って、それぞれのマップ「トラック」に別々に適用されてもよい。

実施例では、層１ ２２１０の出力は、層２ ２２２０に供給されるＮ＝８の回旋状のマッピングを含んでもよい。これらのマッピングは、非線形組み合わせを可能にするために、深さｋ＝５を有する組み合わせ層３ ２２３０に提供されてもよい。組み合わせ層２２３０は、前の別個の処理層の入力マップ及び／又は出力を受け取り、それらを単一の表現に組み合わせる。組み合わせは、単純な線形組み合わせを使用して、又はより複雑な組み合わせ、すなわち非線形組み合わせ、並びに／若しくはＣＮＮ、最大プーリング、及び他の標準的な画像処理層を使用して行われてもよい。

例えば、システムは、サイズＨｘＷｘｋの層３の第１の層（図示せず）（すなわち、「厚さ」ｋ＞１の２Ｄ層ＨｘＷ）、及びサイズＨｘＷの層３の第２の層（図示せず）の２つの層を使用することによって強化されてもよい。第１の層内の位置（ｉ，ｊ）のｋ個のニューロンのそれぞれは、Ｎ個の入力マップのそれぞれからの位置（ｉ，ｊ）からのＮ個の信号を供給され、その出力は、第２の層内のニューロン（ｉ，ｊ）に与えられる。したがって、各点におけるＮ個の値の非線形組み合わせを表すことができる。

最後に、ｋ個の組み合わせ層が、層４ ２２４０によって出力マップにマージされる。ここで、Ｎ＝８及びｋ＝５の値は、単に例示的な値である。また、データの性質及び出力の必要な精度に応じて、図示されているよりも更なる（又は場合によってはより少ない）層が使用されてもよい。

年齢、性別、投薬治療、医療履歴、及び心房細動のタイプなどの患者パラメータは、結果に影響を及ぼし得る。別個のモデルを、入力患者パラメータの一部に基づいて訓練することができる。あるいは、患者入力は、これらのパラメータに基づいて差を学習するのを助けるために、ＮＮアーキテクチャ内の層に提供されてもよい。

異なる患者の心臓は、異なる場合があり、記録されたデータにばらつきが生じる場合がある。一実施形態によれば、システムは、バッチで訓練される必要があり得、バッチのそれぞれは、単一の患者のデータに限定される。データは、システムの訓練を堅固にするために、少なくとも特定の数の患者から収集される必要がある。

システムが準備され、病院に配備された後であっても、追加のデータが蓄積されてもよい。それは、訓練データセットに追加されるべきであり、システムは、その精度を継続的に改善するために再訓練されるべきである。具体的には、追加の手術からのデータにより、システムの推奨に従って実行されたアブレーションの成功評価を考慮することによって、フィードバックを提供することができる。

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、本明細書に記載される方法は、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において実装され得る。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（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、半導体メモリデバイス、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（digital versatile disks、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。

〔実施の態様〕
（１） 心房細動（ＡＦＩＢ）を有する患者に対してアブレーションを実行する領域の位置を特定する際に医師を支援する方法であって、
少なくとも１つのデバイスから、マシンでデータを受信することであって、前記データが、アブレーションを実行するための所望の位置に関する情報を含む、ことと、
前記マシンによって、前記データ及び入力に基づいて前記アブレーションを実行するための最適な位置を生成することと、
前記モデルによって出力された前記アブレーションを実行するための最適な位置を提供することと、
を含む、
方法。
（２） 前記受信することが、心臓マップを含み、前記提供することが、前記最適なアブレーション位置及びパラメータを含む、実施態様１に記載の方法。
（３） 前記受信することが、心臓マップ及びＥＧＭ信号を含み、前記提供することが、前記最適なアブレーション位置及びパラメータを含む、実施態様１に記載の方法。
（４） 前記受信することが、心臓マップ及びＥＧＭ信号及び好ましいアブレーション位置を含み、前記提供することが、前記好ましいアブレーション位置でアブレーションするための前記パラメータを含む、実施態様１に記載の方法。
（５） 前記受信することが、心臓マップ及びＥＧＭ信号及び好ましいアブレーション位置及び前記アブレーションパラメータを含み、前記提供することが、前記好ましいアブレーション位置でアブレーションするための前記パラメータを含む、実施態様１に記載の方法。

（６） 前記システムが、前記機械学習モデルに供給された遡及的症例の急性結果で訓練される、実施態様１に記載の方法。
（７） 訓練データが、前記特定の医師の前記アブレーション処置中に生成された前記マップ、前記処置中に収集された前記アブレーションデータ、アブレーションカテーテルタイプ、アブレーションポイントの３Ｄ位置、アブレーションに使用される電力、ポイントアブレーション持続時間、灌注、カテーテルの安定性、前記「予測された」組織幅に基づいて経壁アブレーションを検証するための前記アブレーションの前記領域に関するパラメータ、及び／又は前記処置の前記結果のうちのいずれかを含む、実施態様１に記載の方法。
（８） アブレーション戦略を推奨するためのデータクラスタが、リップル百分率及びピークを有するリップル周波数マップ、断片化指数、サイクル長マップ、ＣＦＡＥ、Ｆｉｎｄｅｒ、分別マップ、複雑性マップ、部位及び指数を含む臨床アブレーションパラメータ、急性、数日のブランキング期間の後、及び長期フォローアップ後を含む臨床転帰のうちのいずれかを含む、実施態様１に記載の方法。
（９） アブレーション戦略を推奨するためのデータクラスタが、年齢、性別、投薬治療、医療履歴のうちの少なくとも１つを含む患者パラメータを含む、実施態様１に記載の方法。
（１０） アブレーション戦略を推奨するためのデータクラスタが、リップル百分率及びピークを有するリップル周波数マップ、断片化指数、サイクル長マップ、ＣＦＡＥ、Ｆｉｎｄｅｒ、分別マップ、複雑性マップ、前記心臓のＣＴ、ＭＲＩ、超音波検査を含む解剖学的マッピング、部位及び指数を含む臨床アブレーションパラメータ、並びに急性、数日のブランキング期間の後、及び長期フォローアップ後を含む臨床転帰のうちの少なくとも１つを含む心臓マッピングを含む、実施態様１に記載の方法。

（１１） 心房細動（ＡＦＩＢ）を有する患者に対してアブレーションを実行する領域の位置を特定する際に医師を支援するシステムであって、
少なくとも１つのデバイスからデータを受信する第１の段階であって、前記データが、アブレーションを実行するための所望の位置に関する情報を含む、第１の段階と、
前記データ及び入力に基づいて前記アブレーションを実行するための最適な位置を生成する第２の段階と、
を備え、
前記システムが、前記アブレーションを実行するための最適な位置を出力する、
システム。
（１２） 前記第１の段階が、心臓マップを受信し、前記システムが、前記最適なアブレーション位置及びパラメータを出力する、実施態様１１に記載のシステム。
（１３） 前記第１の段階が、心臓マップ及びＥＧＭ信号を受信し、前記システムが、前記最適なアブレーション位置及びパラメータを出力する、実施態様１１に記載の方法。
（１４） 前記第１の段階が、心臓マップ及びＥＧＭ信号及び好ましいアブレーション位置を受信し、前記システムが、前記好ましいアブレーション位置でアブレーションするための前記パラメータを出力する、実施態様１１に記載の方法。
（１５） 前記第１の段階が、心臓マップ及びＥＧＭ信号及び好ましいアブレーション位置及び前記アブレーションパラメータを受信し、前記システムが、前記好ましいアブレーション位置でアブレーションするための前記パラメータを出力する、実施態様１１に記載の方法。

（１６） 前記システムが、前記機械学習モデルに供給された遡及的症例の急性結果で訓練される、実施態様１１に記載の方法。
（１７） 訓練データが、前記特定の医師の前記アブレーション処置中に生成された前記マップ、前記処置中に収集された前記アブレーションデータ、アブレーションカテーテルタイプ、アブレーションポイントの３Ｄ位置、アブレーションに使用される電力、ポイントアブレーション持続時間、灌注、カテーテルの安定性、前記「予測された」組織幅に基づいて経壁アブレーションを検証するための前記アブレーションの前記領域に関するパラメータ、及び／又は前記処置の前記結果のうちのいずれかを含む、実施態様１１に記載の方法。
（１８） アブレーション戦略を推奨するためのデータクラスタが、リップル百分率及びピークを有するリップル周波数マップ、断片化指数、サイクル長マップ、ＣＦＡＥ、Ｆｉｎｄｅｒ、分別マップ、複雑性マップ、部位及び指数を含む臨床アブレーションパラメータ、急性、数日のブランキング期間の後、及び長期フォローアップ後を含む臨床転帰のうちのいずれかを含む、実施態様１１に記載の方法。
（１９） アブレーション戦略を推奨するためのデータクラスタが、年齢、性別、投薬治療、医療履歴のうちの少なくとも１つを含む患者パラメータを含む、実施態様１１に記載の方法。
（２０） アブレーション戦略を推奨するためのデータクラスタが、リップル百分率及びピークを有するリップル周波数マップ、断片化指数、サイクル長マップ、ＣＦＡＥ、Ｆｉｎｄｅｒ、分別マップ、複雑性マップ、前記心臓のＣＴ、ＭＲＩ、超音波検査を含む解剖学的マッピング、部位及び指数を含む臨床アブレーションパラメータ、並びに急性、数日のブランキング期間の後、及び長期フォローアップ後を含む臨床転帰のうちの少なくとも１つを含む心臓マッピングを含む、実施態様１１に記載の方法。

Claims (8)

1. 心房細動（ＡＦＩＢ）を有する患者に対してアブレーションを実行する領域の位置を特定する際に医師を支援するシステムであって、
   少なくとも１つのデバイスからデータを受信する受信手段であって、前記データが、前記医師が所望するアブレーション位置に関する情報を含み、前記データは心臓マップを含む、受信手段と、
   機械学習モデルを用いて、前記データに基づいて推奨アブレーション位置及び推奨アブレーションパラメータを生成する生成手段と、
   前記推奨アブレーション位置及び前記推奨アブレーションパラメータを前記医師に提供する提供手段と、
   を備え、
   前記機械学習モデルは、過去の症例の（ｉ）三次元（３Ｄ）マッピング、（ｉｉ）アブレーションデータ、（ｉｉｉ）患者パラメータ、及び、（ｉｖ）臨床転帰、から構成される訓練データで訓練され、
   前記推奨アブレーションパラメータは、アブレーション電力、アブレーションの目標温度、アブレーション持続時間、および、組織との接触力のうち少なくとも１つを含む、
   システム。
2. 前記データが、ＥＧＭ信号を含む、請求項１に記載のシステム。
3. 前記訓練データが、アブレーションカテーテルタイプ、アブレーションポイントの３Ｄ位置、アブレーションに使用される電力、ポイントアブレーション持続時間、及び／又は灌注レベルのうちのいずれかを含む、請求項１に記載のシステム。
4. 前記患者パラメータが、年齢、性別、医療履歴のうちの少なくとも１つを含む、請求項１に記載のシステム。
5. 心房細動（ＡＦＩＢ）を有する患者に対してアブレーションを実行する領域の位置を特定する際に医師を支援する方法であって、
   少なくとも１つのデバイスから、機械学習モデルを実施するためのマシンでデータを受信することであって、前記データが、前記医師が所望するアブレーション位置に関する情報を含み、前記データは心臓マップを含む、ことと、
   前記機械学習モデルによって、前記データに基づいて推奨アブレーション位置及び推奨アブレーションパラメータを生成することと、
   前記推奨アブレーション位置及び前記推奨アブレーションパラメータを前記医師に提供することと、
   を含み、
   前記機械学習モデルは、過去の症例の（ｉ）三次元（３Ｄ）マッピング、（ｉｉ）アブレーションデータ、（ｉｉｉ）患者パラメータ、及び、（ｉｖ）臨床転帰、から構成される訓練データで訓練され、
   前記推奨アブレーションパラメータは、アブレーション電力、アブレーションの目標温度、アブレーション持続時間、および、組織との接触力のうち少なくとも１つを含む、
   方法。
6. 前記データが、ＥＧＭ信号を含む、請求項５に記載の方法。
7. 前記訓練データが、アブレーションカテーテルタイプ、アブレーションポイントの３Ｄ位置、アブレーションに使用される電力、ポイントアブレーション持続時間、及び／又は灌注レベルのうちのいずれかを含む、請求項５に記載の方法。
8. 前記患者パラメータが、年齢、性別、医療履歴のうちの少なくとも１つを含む、請求項５に記載の方法。