具体实施方式

概述

心脏消融是用于通过在患者的心脏组织中形成消融灶来治疗心律失常的常见规程。此类病灶可通过不可逆电穿孔(IRE)或其他类型的消融能量诸如射频(RF)形成，这两者均可使用导管施加。在IRE消融中，操纵导管，使得设置在导管的远侧端部上的电极与组织接触或紧邻组织。然后在电极之间施加高电压双极脉冲，并且在组织中产生的强电场脉冲导致细胞死亡和病灶产生。在RF消融中，通过一个或多个电极将交变RF电流施加到组织，从而通过热导致细胞死亡。

为了有效，组织消融必须为透壁的，即，穿透到组织的深度中。然而，“过度消融”可对组织产生不期望的损坏(包括很少的心壁穿孔)或对可能在心脏组织后面的相邻结构诸如食道造成伤害。因此，重要的是能够就在消融之前和/或期间评估心壁厚度(例如，心房或心室壁)，以便在规程期间使用最佳消融参数。

可采用不同的成像模态来评估心壁厚度，包括磁共振成像(MRI)、计算机断层扫描(CT)、超声等。然而，使用这些模态增加了该规程的成本和复杂性。此外，这些模态的空间分辨率可大约为组织厚度，这可在消融期间产生对实际壁厚的不太准确的估计。

下文所述的本发明的实施方案提供了就在消融之前和/或期间利用目前有限的信息估计心壁(即心房壁或心室壁)的厚度的系统和方法。在一些实施方案中，提供了机器学习(ML)模型诸如人工神经网络(ANN)，以允许仅使用EP数据(诸如就在消融规程之前或期间由导管的电极获取的多通道(例如，12导联)体表心电图(ECG)和心内电描记图(EGM))进行该估计。

在一些实施方案中，使用包括EP数据(多通道ECG和EGM，后者也称为心内ECG(IcECG))、患者病史和所收集数据的3D位置信息的数据训练ML模型。该模型被优化以使用基础实况数据经由训练获得壁厚的预测能力，诸如通过成像模态诸如超声、CT、MRI或类似成像模态评估的心房/心室壁厚。

训练数据还可包括(例如，结合)上述数据项、在消融开始之后收集的数据以及另外的初始消融数据，诸如温度上升曲线和/或消融期间的阻抗变化。(在通常需要四(4)秒至六十(60)秒之间的消融中，温度上升曲线能够非常快速地检测到，通常为10毫秒或100毫秒)。

就在新消融规程之前和/或期间(即，在推断期间)，模型如上所述仅使用特定患者的EP数据，包括ECG和EGMS以及后续消融数据(即，在消融规程期间获取的任何后续数据)，以进一步评估患者的壁厚。

虽然这里使用ANN模型作为示例，但本领域技术人员可以从可用的其他ML模型中进行选择，诸如决策树学习、支持向量机(SVM)和贝叶斯网络。ANN模型包括例如卷积NN(CNN)、自动编码器和概率神经网络(PNN)。通常，所使用的一个或多个处理器(以下统称为“处理器”)被编程在包含特定算法的软件中，该特定算法使得处理器能够执行上文列出的处理器相关步骤和功能中的每一者。通常，使用包括多个处理器(诸如图形处理单元(GPU)或张量处理单元(TPU))的计算系统来进行训练。然而，这些处理器中的任一个处理器也可以为中央处理单元(CPU)。

基于上文使用ML算法提及的数据的至少一部分数据就在消融之前以及在消融期间(即，实时)评估心壁厚度的能力允许简单评估心壁厚度，并且可导致更准确的消融时间，并且通常也导致消融规程的结果改善。

系统描述

图1为根据本发明示例性实施方案的基于导管的电生理(EP)感测、信号分析和IRE消融系统20的示意性图解。系统20可为例如由Biosense-Webster公司生产的3系统。如图所示，系统20包括具有轴22的导管21，该轴被医师30导航到患者28的心脏26(插图25)中。在图示的示例中，医师30将轴22插入穿过护套23，同时利用导管的近侧端部附近的操纵器32操纵轴22。

在本文所述的实施方案中，导管21可用于任何合适的诊断目的和/或组织消融，诸如分别为心脏26的电生理标测和IRE消融。ECG记录仪35可在该过程期间接收由系统20感测的各种类型的ECG信号。

如插图25所示，导管21的轴22的远侧端部配有多电极篮形导管40。插图45示出了篮形导管40的多个电极48的布置。导管21的近侧端部连接到控制台24，以传输例如由电极48获取的电描记图。

控制台24包括处理器41(通常为通用计算机)，该处理器具有合适的前端和接口电路38以用于接收来自导管21的电极48的EP信号(例如，ECG和EGM)以及非EP信号(诸如位置信号)。为此，处理器41经由在轴22内延伸的导线连接到电极48。接口电路38还被配置为接收诸如来自可为ECG记录仪35的12导联ECG设备的ECG信号以及来自体表电极49的非ECG信号。通常，电极49附接到患者28的胸部和腿部周围的皮肤。处理器41通过延伸穿过电缆39的导线连接到电极49以接收来自电极49的信号。

体表电极49中的四个根据标准ECG协议进行命名：RA(右臂)、LA(左臂)、RL(右腿)和LL(左腿)。Wilson中心端(WCT)可由四个命名体表电极49中的三个形成，并且所得ECG信号V_WCT由接口电路38接收。

在EP标测规程期间，当电极48在患者的心脏26内时，跟踪电极的位置。可使用由Biosense-Webster公司制造的有功电流位置(ACL)系统执行此类跟踪，该有功电流位置(ACL)系统在美国专利号8,456,182中进行了描述，其公开内容通过引用方式并入本文。

因此，处理器可将从电极48接收的任何给定信号(诸如EGM)与采集信号的位置相关联。处理器41使用包含在这些信号中的信息来构建EP标测图，诸如局部激活时间(LAT)标测图，以呈现在显示器上。在所示的实施方案中，使用包括应用于EP和其他数据的ML算法的算法，如图2和图3所述，处理器41估计心壁厚度。

为了执行IRE消融，将电极48连接(例如，切换)到控制台24中的包括处理器控制的开关电路(例如，继电器阵列，未示出)的IRE脉冲发生器47。使用壁厚信息，处理器41或医师可选择连接到脉冲发生器47的电极以施加IRE脉冲(经由切换电路)。

在RF消融期间，初始消融数据和后续消融数据包括以下中的至少一者：IRE能量曲线、温度上升和阻抗变化。它们可用于进一步评估(例如，实时)患者的壁厚，如图2所述。

处理器41通常在软件中编程以执行本文所述的功能。例如，软件可通过网络以电子形式被下载到处理器，或者另选地或除此之外，软件可被提供和/或存储在非临时性有形介质诸如磁性、光学或电子存储器上。具体地，处理器41运行如本文所公开的包括在图3中的专用算法，该专用算法使得处理器41能够执行本发明所公开的步骤，如下文进一步所述。

使用ML的基于ECG的心壁厚度估计

图2为根据本发明的示例性实施方案的用于估计心壁厚度的机器学习模型的推断的训练和使用的流程图。

根据所呈现的示例性实施方案，算法被分成两部分：算法准备101和算法使用102。

算法准备执行从ML建模步骤70开始的过程，以生成用于估计心壁厚度的ML算法。

接下来，在ML算法训练步骤72处，处理器使用包括ECG和EGM的数据库训练算法(例如，ANN和预处理部分)。在步骤72中，处理器使用训练数据(包括基础实况数据)来训练ML模型。训练数据由以下各项形成：

1.多信道(例如，12导联)ECG数据

2.具有心脏组织收集位置的3D信息的电描记图

3.每个心内电极的解剖位置—基于使用MFAM的心房的另一个ML模型/3D分割。

4.诊断导管细节

5.患者人口统计信息(例如，性别、年龄、身高、体重)

6.患者病史

基础实况数据由以下各项形成：

7.通过成像模态诸如超声、CT、MRI或类似成像模态评估的心房/心室壁厚。

另外的训练数据还可包括消融传输能量曲线以及消融相关参数，诸如消融期间的温度上升和/或阻抗变化和/或弹性变化和/或刚度变化。在当消融开始之后收集的上文的数据项#1至#6以及/或者另外收集的训练数据在本文中统称为“消融数据”。

在受过训练的模型存储步骤74处，算法准备通过将经训练模型存储在非暂态计算机可读介质诸如按键盘(记忆棒)中结束。在另选的实施方案中，预先发送模型，并且在训练之后单独发送其优化参数(诸如ANN的权重)。

算法使用102执行在算法上传步骤76处开始的过程，在此期间用户将整个ML模型或其优化参数(例如，权重)上传至处理器。接下来，在患者数据接收步骤78处，处理器诸如处理器28分别从电极49和48接收患者推断数据，例如前述ECG和EGM。

接下来，使用受过训练的ML模型进行推断，处理器将数据从所选患者输入到受过训练的模型，并且在该模型上实施算法，使得在心壁厚度估计步骤80处，该模型能够仅从可用的有限数据(诸如前述EP数据)输出患者的心房壁厚或心室壁厚。在安装在处理器上之后，受过训练的模型可用于多个患者。

在一些实施方案中，NN模型输出厚度的统计分布，并且可在后续步骤中选择该分布的峰值，即，超过NN模型中包括的那些，以确定最可能的壁厚值。

图2中所示的示例性流程图完全是为了概念清晰而选择的。本实施方案还可包括算法的附加步骤，诸如接收电极与被诊断组织的物理接触的程度的指示。为了提供更简化的流程图，故意从本文的公开中省略了此步骤和其他可能步骤。

ML算法描述

图3示出了根据本发明的示例性实施方案的基于自动编码器和全连接层的壁厚估计的深度学习算法300。该方法包括提供用于估计的深度学习监督框架，并且使用电描记图、12导联ECG、解剖数据、导管细节、患者的人口统计数据和患者的病史(对应于上述训练数据项#1至#6)。该方法还可在消融期间使用温度上升和/或阻抗变化。

在该方法中，应用两个自动编码器302和304(下文更详细地描述)对来自12导联ECG和/或来自心内ECG的一组特征执行降维。该方法使用全连接层，该全连接层基于那些特征并且基于病史信息，包括但不限于NYHA(纽约心脏协会)评分、CHA2DS2-VASc评分和AF持续时间，以及人口统计数据(例如，年龄、性别、身高和体重)。然后执行回归分析以便估计心壁的厚度。

如上所述，该方法使用两个自动编码器302和304。自动编码器包括两个部件：编码器和解码器。编码器经由非线性变换将输入(在图3中为ECG信号和/或EGM信号)映射到隐藏表示(分别为h或u)。解码器然后经由另一个非线性变换将隐藏表示映射回重建数据。公式1和公式2表示映射：

公式1 h＝f(ECG，θ_编码器)，ECG'＝g(h，θ_解码器)，

公式2

其中θ_编码器、θ_解码器为用于ECG信号重建的权重，为用于EGM信号重建的权重。

相同的网络架构用于ECG和EGM重建，使得非线性函数f和g基本上相同。使用一组自动编码器之间的最小化L2归一化函数可提供用于ECG信号重建的一组θ_编码器、θ_解码器权重和用于EGM重建的一组 权重。

图4为根据本发明的示例性实施方案的在图3的深度学习算法中使用的自动编码器架构的示意图。具体地，自动编码器架构用于压缩和学习电描记图和/或12导联ECG的特征空间。每个自动编码器使用编码器和解码器的全连接卷积神经网络(FCN)来实现，并且具有预定义的层数，如图所示。在编码器中，降低了EGM/ECG信号的尺寸，并且将这些信号编码为低维特征。解码器试图根据低维度特征来重建输出。本发明的实施方案采用整流器线性单元(ReLU)作为用于隐藏层的激励函数。在FCN模型中，不存在用于输出层的激励函数。另外，每个隐藏层经历分批归一化。

编码器包括一系列层，其中每个单独的层由卷积层、分批归一化层和激励层构成。输入层由尺寸为1024×N的原始信号限定，其中N表示输入通道的数量。因此，对于12导联ECG和对于心内ECG信号，N＝12对应于导管获取信号上的电极数量。例如，N＝20用于PentaRay或Lasso导管，并且N＝64用于图1的篮状导管。应当理解，上文提及的导管为示例，并且本发明的范围包括任何心脏导管。

在第一层上应用具有40个尺寸为16×N且步长为2的滤波器的卷积过程。接下来的三个卷积层都具有20个尺寸为16×N且步长为2的滤波器。然后，下一个层由40个尺寸为16×N且步长为2的滤波器组成。最后一层具有一个尺寸为16×1且步长为1的滤波器。下采样过程使用步长2来实现。通过编码过程，获得32×N维度特征图。该特征图还表示压缩数据，并且为原始数据尺寸的1/32。

自动编码器的解码器部件与编码器反向对称。此处，去卷积层继续对特征图进行上采样，以便恢复结构细节。至于输出层，具有一个尺寸为16×N且步长为1的滤波器的最终去卷积层产生输出信号。

返回图3，隐藏表示h和u、患者病史信息(NYHA评分、CHA2DS2-VASc评分、AF持续时间和持续AF持续时间)和患者人口统计数据(年龄、性别、身高和体重)用作具有四个隐藏层(深灰色圆)的全连接神经网络的特征空间(图3中的浅灰色圆)。在一些实施方案中，特征空间还包括温度上升和阻抗变化输入中的至少一者。

然后将来自隐藏层的输出插入到输出神经元中，该输出神经元估计心脏的壁厚。

使用试图使L2正则化函数最小化的反向传播算法来训练整个网络，如公式3所示。

公式3

其中为损失函数，_iTW表示从受试者i的超声或CT、MRI或类似成像模态获取的心房壁厚/心室壁厚度，_iTW’为基于建议的方法估计的心壁厚度，为全连接层的权重，β为正则化参数。在本发明所公开的实施方案中，将β设定为0.01。

执行反向传播算法以使损失函数J最小化。

在本发明的示例性实施方案中，在学习了一组参数h、u、θ_编码器、θ_解码器、的最佳值(在L2正则化意义上)之后，获得了用于心壁厚度的深度学习回归量。

所公开的实施方案仅以举例的方式提供特定数量，诸如滤波器的数量。一般来讲，可修改此类数量。虽然以上描述是指消融规程，并且是指测量规程的组织壁厚，但应当理解，该描述可以必要的变更适用于在不存在消融规程的情况下测量组织壁厚。因此，本发明的范围包括具有或不具有消融过程的心脏手术。

因此，应当理解，操作上述算法使得处理器能够近似心壁的厚度。该值可结合到消融系统的GUI中。另选地或另外地，可以“壁”图上的数字呈现厚度值，或者可根据呈现在消融系统显示器上的心脏图像的标度以图形方式显示壁厚。

因此应当理解，以举例的方式引用上述实施方案，并且本发明不限于上文特定示出和描述的内容。虽然本文所述的实施方案主要针对心脏诊断应用，但是本文所述的方法和系统也可用于需要估计心壁厚度的其他心脏医学应用中。

因此，还应当理解，以举例的方式引用上述实施方案，并且本发明不限于上文特定示出和描述的内容。相反，本发明的范围包括上文描述的各种特征的组合和子组合以及它们的变型和修改，本领域的技术人员在阅读上述描述时将会想到该变型和修改，并且该变型和修改并未在现有技术中公开。以引用方式并入本专利申请的文献被视为本申请的整体部分，不同的是如果这些并入的文献中限定的任何术语与本说明书中明确或隐含地给出的定义相冲突，则应仅考虑本说明书中的定义。