在心律失常的标测和治疗期间使用机器学习来改进工作流
1.交叉引用
2.本技术要求2020年8月6日提交的美国临时专利申请号63/062,063的权益，该申请如同完整阐述般以引用方式并入。


背景技术：

3.用于心脏标测和消融的常规系统包括许多不同的选项和能力，其中大多数在心律失常的标测和治疗期间不使用。例如，常规心脏标测和消融系统提供多种不同的可视化方法，其中每个医师和/或临床项目专家(“cas”)相对于要在心律失常治疗期间使用的某些图形用户界面(“gui”)或弹出窗口具有优选的可视化。例如，常规心脏标测和消融系统的gui可能非常繁忙和复杂，因为gui向每个医师和/或cas呈现许多不同的选项，包括不同的屏幕、弹出窗口、可视化、模板、呈现、菜单和工具。通常，这多个选项没有以对于医师和/或cas直观并且使医师和/或cas易于定位的方式来呈现或组织。由于个人偏好或出于其他原因，在心律失常的标测和治疗期间，特定医师和/或cas可能永远不会使用这些选项中的许多选项。
4.另外，每个医师和/或cas具有关于如何可视化数据以及在心律失常治疗的不同阶段期间使用哪个心脏标测图的偏好或风格。例如，每个医师和/或cas可具有关于要在屏幕上保持哪些弹出窗口和/或可视化数据的方式的偏好。此外，每个患者具有他或她的独特心律失常和其他独特的健康人口统计资料。在心律失常治疗之前或甚至在心律失常治疗期间，医师和/或cas可能花费相当多的时间来基于要执行的标测和治疗、患者的独特健康人口统计资料和用于进行规程的优选方法定位他或她的优选选项。
5.然而，常规心脏标测和消融系统不能够被定制为向医师和cas提供特定于其需求和直观的gui。


技术实现要素：

6.根据一个实施方案，提供了一种系统。所述系统包括存储器，所述存储器被配置为存储标测引擎的处理器可执行程序指令。所述系统还包括被配置为执行所述标测引擎的所述程序指令的至少一个处理器。所述程序指令在被执行时致使所述系统接收相对于针对患者发起医学规程的信息；通过采用所述标测引擎的模型根据所述信息来预测执行所述医学规程的一个或多个用户的工作流偏好；以及使用所述工作流偏好来向所述一个或多个用户生成图像显示选项以供所述系统呈现。所述信息包括所述患者的健康人口统计资料和生物计量数据。
7.根据一个或多个实施方案，上述方法实施方案可被实现为设备、系统和/或计算机程序产品。
附图说明
8.通过以举例的方式结合附图提供的以下具体实施方式可得到更详细的理解，其中
附图中类似的附图标号指示类似的元件，并且其中：
9.图1为可以实施本公开主题的一个或多个特征的示例性系统的图示。
10.图2示出了根据一个或多个实施方案的用于监测和传送患者生物计量的示例性系统的框图；
11.图3示出了根据一个或多个实施方案的方法的框图；
12.图4示出了根据一个或多个实施方案的人工智能系统的图形描绘；
13.图5示出了根据一个或多个实施方案的神经网络和在神经网络中执行的方法的框图的示例；
14.图6示出了根据一个或多个实施方案的其中利用示例性系统的环境的图；
15.图7示出了根据一个或多个实施方案的方法的框图；并且
16.图8示出了根据一个或多个实施方案的递归神经网络(rnn)的结构。
具体实施方式
17.本文公开了一种机器学习和人工智能(ml/ai)方法和系统。更具体地讲，本教导内容涉及在标测和治疗患者期间改进工作流的ml/ai算法。
18.ml/ai方法和系统可以是处理器可执行代码或软件，该处理器可执行代码或软件必要地存在于由医疗设备装备进行的处理操作中以及医疗设备装备的处理硬件中，以在心脏病症的标测和治疗期间在图形用户界面上向一个或多个用户生成和呈现图像显示。医疗设备装备的示例包括但不限于心脏电生理系统、心脏标测系统、心律失常治疗系统、消融系统、心脏标测和消融系统、类似的系统以及它们的组合。
19.根据一个或多个实施方案，标测引擎是本文所述的ml/ai方法和系统的具体实施。标测引擎可以是医疗设备装备的一部分，并且可为自动患者标测和病症治疗(例如，心脏组织的消融)提供生物计量数据、用户偏好和健康人口统计资料的特定多步数据操纵，以及通过定制患者标测和病症治疗来改进工作流。例如，在患者标测和病症治疗期间，标测引擎通常呈现个性化图形用户界面和智能工具栏作为基于生物计量数据、用户偏好和健康人口统计资料定制的医疗设备装备的一部分。
20.例如，标测引擎可接收和监测关于先前由对多个患者进行心脏电生理规程的一个或多个用户表现出的医学规程工作流偏好的历史数据；接收并监测由经历心脏电生理规程的多个患者呈现的心律失常的独特生理特性；接收并监测多个患者的个人健康人口统计资料；实现机器学习(ml)模型以学习多个患者的医学规程工作流偏好、独特生理特性和个人健康人口统计资料；以及在当前心脏电生理规程期间向一个或多个用户呈现图像显示选项。
21.根据一个或多个优点、技术效果和/或益处，标测引擎可实现生物计量数据、用户偏好和健康人口统计资料的ml和数据压缩，以及标测图、可视化和界面，以减小在心脏病症的标测和治疗期间获得的心电图信息的存储和共享所需的资源。另外，根据一个或多个优点、技术效果和/或益处，标测引擎可以更受教育的方式向医师呈现gui中的屏幕、模板、功能和工具，该方式针对该医师的偏好和当前患者的心律失常的独特特性和个人健康人口统计资料来进行个性化。此外，标测引擎可基于相关的心律失常类型、相关的医师偏好和患者的人口统计资料来调整gui。这样，标测引擎改进工作流效率，从而导致更平稳、更快且更成
功的标测和消融规程。更具体地，通过标测引擎的ml，基于由那些不同医师进行的先前标测和消融规程来识别和选择不同医师的行为和偏好。标测引擎基于医师的过去行为和偏好在gui中布置图像显示选项，从而减小医师在标测和消融步骤期间定位这些特定选项所需的时间。
22.根据一个或多个优点、技术效果和/或益处，一旦标测引擎确定特定工作流比另一个工作流更平稳且更有效，则标测引擎可向可能正在纠结于涉及某些类型的心律失常或其他挑战的治疗的其他医师教导或建议工作流。另外，标测引擎可在工作流或规程期间通过打开和关闭窗口、设置、透明度、改变标测图等来调整gui。基于在心脏消融过程期间生成的活动和信号，标测引擎可向医师建议在患者体内发生何种类型的心律失常。作为响应，医师可确认或拒绝诊断的准确性。在医师确认标测引擎正确的情况下，则标测引擎可利用从由该医师或其他医师进行的先前规程获得的其先前学习来建议在工作流继续时使用不同工具。例如，如果医师正在标测已经由标测引擎诊断并由医师确认的颤动类型的心律失常，则标测引擎可向医师询问他们是否想要打开专门旨在用于治疗该特定颤动类型的工具或特征。然后，标测引擎可向医师建议用于置信度标测的不同设置。
23.根据一个或多个优点、技术效果和/或益处，标测引擎可改进医学规程，诸如肺静脉(pv)隔离规程(例如，旨在停止心脏中引起心律问题的电信号的类型的心脏消融规程)。在pv隔离规程的过程期间，医师可基于个人风格或在pv隔离程序期间出现意外情形的情况下，以逐步方式遵循“处方”或从其偏离。通过ml，标测引擎可识别大多数医师所执行的pv隔离程序共同的步骤，以及识别其中医师偏离共同规程步骤或完全不相关的步骤。如本文所述，使用该信息，标测引擎可学习特定医师的风格并建议pv隔离规程中与该医师的特定风格匹配的接下来步骤。另外，使用该信息，标测引擎可向医师建议不同于该医师风格，然而已经示出在过去关于其他医师成功的方法。另外，使用该信息，标测引擎可比较由不同医师执行的pv隔离的不同方法以确定从使工作流平稳或增加成功患者结果的角度来看，一种方法是否优于另一种方法。通过识别过去具有成功结果的pv隔离规程，这些规程可被教导或建议给可能纠结于获得成功结果的其他医师。另外，当医师隔离pv时，标测引擎可识别医师何时已完成消融线并且可建议规程中的下一个步骤，诸如插入套索导管或另一个标测导管，这两个步骤不是菜单特定的。
24.根据一个或多个实施方案，提供了一种系统。所述系统包括存储器，所述存储器被配置为存储标测引擎的处理器可执行程序指令。所述系统还包括至少一个处理器，所述至少一个处理器被配置为执行所述标测引擎的所述程序指令以致使所述系统：接收相对于针对患者发起医学规程的信息，通过采用所述标测引擎的模型根据所述信息来预测执行所述医学规程的一个或多个用户的工作流偏好；以及使用所述工作流偏好来向所述一个或多个用户生成图像显示选项以供所述系统呈现。所述信息包括所述患者的健康人口统计资料和生物计量数据。
25.根据本文的一个或多个实施方案或任何系统实施方案，所述图像显示选项可在所述医学规程期间经由一个或多个显示器呈现给所述一个或多个用户，并且所述图像显示选项中的至少一者可包括智能工具栏。
26.根据本文的一个或多个实施方案或任何系统实施方案，所述系统可包括由所述一个或多个用户中的第一用户在进行所述医学规程时穿戴的眼睛跟踪装置。所述眼睛跟踪装
置可监测并获得所述第一用户的当前工作流偏好。
27.根据本文的一个或多个实施方案或任何系统实施方案，所述至少一个处理器可被进一步配置为执行所述标测引擎的所述程序指令以致使所述系统在所述医学规程的完成的预测时间之前，发起将与所述医学规程相关的所述信息存储到存储设备。
28.根据本文的一个或多个实施方案或任何系统实施方案，所述生物计量数据可包括所述患者的一个或多个心律失常的独特生理特性。
29.根据本文的一个或多个实施方案或任何系统实施方案，所述标测引擎的所述模型可包括使用递归神经网络的经训练的深度学习架构。
30.根据本文的一个或多个实施方案或任何系统实施方案，可基于对多个先前心脏电生理病例的分析来训练所述标测引擎的所述模型。
31.根据本文的一个或多个实施方案或任何系统实施方案，所述至少一个处理器可被进一步配置为执行所述标测引擎的所述程序指令以致使所述系统接收关于对多个患者的过去医学规程的历史数据，所述历史数据包括执行所述过去医学规程的多个用户的工作流偏好、所述多个患者的生物计量数据，以及所述多个患者的健康人口统计资料；以及由所述模型使用所述历史数据来生成和训练。
32.根据本文的一个或多个实施方案或任何系统实施方案，所述至少一个处理器可被进一步配置为执行所述标测引擎的所述程序指令以致使所述系统预测将由对所述患者进行所述医学规程的所述一个或多个用户执行的接下来事件。
33.根据本文的一个或多个实施方案或任何系统实施方案，所述至少一个处理器可被进一步配置为执行所述标测引擎的所述程序指令以致使所述系统预测所述接下来事件的概率，以及基于所述概率，在所述图像显示选项内生成所述接下来事件的输入/输出元件以供所述用户选择。
34.根据一个或多个实施方案，提供了一种方法。所述方法包括由至少一个处理器所执行的标测引擎接收相对于针对患者发起医学规程的信息，所述信息包括所述患者的健康人口统计资料和生物计量数据；由所述标测引擎通过采用所述标测引擎的模型根据所述信息来预测执行所述医学规程的一个或多个用户的工作流偏好；以及由所述标测引擎使用所述工作流偏好来向所述一个或多个用户生成图像显示选项以供所述系统呈现。
35.根据本文的一个或多个实施方案或任何方法实施方案，所述图像显示选项可在所述医学规程期间经由一个或多个显示器呈现给所述一个或多个用户，并且所述图像显示选项中的至少一者可包括智能工具栏。
36.根据本文的一个或多个实施方案或任何方法实施方案，眼睛跟踪装置可监测并获得所述一个或多个用户中的第一用户的当前工作流偏好。所述第一用户可在进行医学规程时穿戴所述眼睛跟踪装置。
37.根据本文的一个或多个实施方案或任何方法实施方案，所述方法可包括在所述医学规程的完成的预测时间之前，发起将与所述医学规程相关的所述信息存储到存储设备。
38.根据本文的一个或多个实施方案或任何方法实施方案，所述生物计量数据可包括所述患者的一个或多个心律失常的独特生理特性。
39.根据本文的一个或多个实施方案或任何方法实施方案，所述标测引擎的所述模型可包括使用递归神经网络的经训练的深度学习架构。
40.根据本文的一个或多个实施方案或任何方法实施方案，可基于对多个先前心脏电生理病例的分析来训练所述标测引擎的所述模型。
41.根据本文的一个或多个实施方案或任何方法实施方案，所述方法可包括接收关于对多个患者的过去医学规程的历史数据，所述历史数据包括执行所述过去医学规程的多个用户的工作流偏好、所述多个患者的生物计量数据，以及所述多个患者的健康人口统计资料；以及由所述模型使用所述历史数据来生成和训练。
42.根据本文的一个或多个实施方案或任何方法实施方案，所述方法可包括预测将由对所述患者进行所述医学规程的所述一个或多个用户执行的接下来事件。
43.根据本文的一个或多个实施方案或任何方法实施方案，所述方法可包括预测所述接下来事件的概率，以及基于所述概率，在所述图像显示选项内生成所述接下来事件的输入/输出元件以供所述用户选择。
44.图1是被示为系统100的示例性系统(例如，医疗装置设备)的图，其中可根据一个或多个实施方案来实现本文主题的一个或多个特征。作为医疗设备装备的示例，系统100可以是心脏电生理系统、心脏标测系统、心律失常治疗系统、消融系统、心脏标测和消融系统、或它们的组合。
45.系统100的全部或部分可用于收集信息(例如，生物计量数据和/或训练数据集)和/或用于实现标测引擎101(例如，ml/ai算法)，如本文所述。标测引擎101可被认为是如本文所述的ml/ai算法。
46.如图所示，系统100包括探头105，其具有导管110(包括至少一个电极111)、轴112、护套113和操纵器114。如图所示，系统100还包括医师115(或医疗专业人员或临床医生、cas、或一般的用户)、心脏120、患者125和床130(或桌子)。需注意，插图140和150更详细地示出了心脏120和导管110。如图所示，系统100还包括控制台160(包括一个或多个处理器161和存储器162)和显示器165。还需注意，系统100的每个元素和/或项目表示该元素和/或该项目中的一者或多者。图1所示的系统100的示例可被修改成实现本文所公开的实施方案。本发明所公开的实施方案可类似地使用其他系统部件和设置来应用。另外，系统100可包括附加部件，诸如用于感测电活动的元件、有线或无线连接器、处理和显示设备等。虽然心脏120被用作主要示例，但心脏120只是代表性的，因为系统100可检查、标测和/或诊断任何身体部分、解剖结构和/或体内器官。因此，探头105具有可由医师115导航到躺在床130上的患者125的身体部分或体内器官(诸如心脏120)中的轴(例如，轴112)。根据实施方案，可提供多个探头。然而，为简明起见，本文描述了单个探头105。但是，应当理解，探头105可表示多个探头。
47.系统100可用于检测、诊断和/或治疗心脏病症(例如，使用标测引擎101)。心脏病症诸如心律失常一直为常见和危险的医学病症，在老年人中尤为如此。另外，系统100可为外科系统(例如，由biosense webster销售的系统)的一部分，该外科系统被配置为获得生物计量数据(例如，患者器官(诸如心脏120)的解剖测量结果和电测量结果)并且执行心脏消融规程。更具体地，诸如心律失常的心脏病症的治疗通常需要获得心脏组织、腔室、静脉、动脉和/或电通路的详细标测。例如，成功执行导管消融(如本文所述)的先决条件是心律失常的原因准确地位于心脏120的腔室中。此类定位可经由电生理研究来完成，在该电生理研究期间，用引入到心脏120的腔室中的标测导管(例如，导管110)来空间分辨地检
测电势。该电生理研究(所谓的电解剖标测)因此提供可在显示器165上显示的3d标测数据。在许多情况下，标测功能和治疗功能(例如，消融)由单个导管或一组导管提供，使得标测导管也同时作为治疗(例如，消融)导管操作。在这种情况下，标测引擎101可由导管110直接存储和执行。
48.在具有正常窦性节律(nsr)的患者(例如，患者125)中，包括心房、心室和兴奋性传导组织的心脏(例如，心脏120)被电激励而以同步的模式化方式跳动。需注意，该电激励可被检测为心内心电图(ic ecg)数据等。
49.在患有心律失常(例如，心房纤颤或afib)的患者(例如，患者125)中，心脏组织的异常区域不遵循与正常传导组织相关联的同步跳动周期，这与患有nsr的患者形成对比。相反，心脏组织的异常区域不正常地向邻近组织传导，从而将心动周期打乱为非同步心律。需注意，该异步心律也可被检测为ic ecg数据。之前已知这种异常传导发生于心脏120的各个区域，例如窦房(sa)结区域中、沿房室(av)结的传导通路，或形成心室和心房心脏腔室的壁的心肌组织中。存在其他状况(诸如颤动)，其中异常传导组织的模式导致折返路径，使得腔室以规则模式跳动，该规则模式可为窦性节律的多倍。
50.为了支持系统100检测、诊断和/或治疗心脏病症，探头105可由医师115导航到躺在床130上的患者125的心脏120中。例如，医师115可穿过护套113插入轴112，同时使用导管110的近侧端部附近的操纵器114和/或从护套113偏转来操纵轴112的远侧端部。如插图140所示，篮形导管110可装配在轴112的远侧端部处。篮形导管110可在塌缩状态下穿过护套113插入并且然后可在心脏120内展开。
51.通常，可将在其远侧尖端处或附近包含电传感器(例如，至少一个电极111)的导管110推进到心脏120中的某点处，用传感器接触组织并获取该点处的数据，通过这种方式来测量心脏120中该点处的电活动。使用仅包含单个远侧尖端电极的导管来标测心脏腔室的一个缺点是在对于腔室总体的详细图所需的必要数量的点上逐点采集数据需要的时间较长。因此，已开发出多电极导管(例如，导管110)以同时在心脏腔室中的多个点处测量电活动。
52.可包括至少一个电极111和联接到其身体上的导管针的导管110可被配置为获得生物计量数据，诸如体内器官(例如，心脏120)的电信号，和/或消融其组织区域(例如，心脏120的心脏腔室)。需注意，电极111表示任何类似的元件，诸如跟踪线圈、压电换能器、电极、或被配置为消融组织区域或获得生物计量数据的元件的组合。根据一个或多个实施方案，导管110可包括用于确定轨线信息的一个或多个位置传感器。轨线信息可用于推断运动特性，诸如组织的收缩性。
53.生物计量数据(例如，患者生物计量、患者数据或患者生物计量数据)可包括患者心律失常类型局部激活时间(lat)、电活动、拓扑、双极性标测、参考活动、心室活动、主频率、阻抗、ecg信息、多个点处的数据等中的一者或多者。lat可以是基于归一化初始起点来计算的对应于局部激活的阈值活动的时间点。电活动可以是可以基于一个或多个阈值来测量并且可以基于信噪比和/或其他滤波器来感测和/或增强的任何适用的电信号。拓扑结构可以对应于身体部位或身体部位的一部分的物理结构，并且可以对应于物理结构相对于身体部位的不同部分或相对于不同身体部位的变化。主频可以是在身体部位的一部分处普遍存在的频率或频率范围，并且在相同身体部位的不同部分中可以不同。例如，心脏的pv的主
频可以不同于同一心脏的右心房的主频。阻抗可以是在身体部位的给定区域处的电阻测量结果。ecg信息可在心律失常治疗规程期间获得，并且通常需要大量的存储空间和其他资源来存储和共享该数据以用于研究。显著减小对用于存储和共享生物计量数据的此类资源的需要将是有益的。另外，保存在心脏电生理规程期间获得的生物计量数据可能花费相当长的时间，例如数小时，这可能是可用资源上的负担。
54.生物计量数据的示例包括但不限于患者识别数据、ic ecg数据、双极性心内参考信号、解剖和电测量、轨线信息、体表(bs)ecg数据、历史数据、脑生物计量、血压数据、超声信号、无线电信号、音频信号、二维或三维图像数据、血糖数据和温度数据。通常可使用生物计量数据以便对任何数量的各种疾病进行监测、诊断和治疗，疾病诸如心血管疾病(例如，心律失常、心肌病和冠状动脉疾病)和自身免疫疾病(例如，i型和ii型糖尿病)。需注意，bs ecg数据可包括从患者表面上的电极收集的数据和信号，ic ecg数据可包括从患者体内的电极收集的数据和信号，并且消融数据可包括从已被消融的组织收集的数据和信号。另外，bs ecg数据、ic ecg数据和消融数据连同导管电极位置数据可从一个或多个规程记录导出。
55.例如，导管110可使用电极111来实现血管内超声和/或mri导管插入以对心脏120进行成像(例如，获得和处理生物计量数据)。插图150以放大视图示出了在心脏120的心脏腔室内的导管110。虽然导管110示出为尖导管，但是应当理解，包括一个或多个元件(例如，电极111、跟踪线圈、压电换能器等)的任何形状可用于实现本文公开的示例性实施方案。
56.导管110的示例包括但不限于具有多个电极的线性导管、包括分散在使球囊成形的多个脊上的电极的球囊导管、具有多个电极的套索或环导管、接触力感测导管、或任何其他适用的形状或类型。线性导管可为完全或部分弹性的，使得其可基于所接收的信号和/或基于在线性导管上施加外力(例如，心脏组织)来扭曲、弯曲和/或以其他方式改变其形状。球囊导管可被设计成使得当部署到患者体内时，其电极可保持抵靠心内膜表面紧密接触。例如，球囊导管可插入内腔，诸如pv。球囊导管可以收缩状态插入pv中，使得球囊导管在插入pv中时不占据其最大体积。球囊导管可在pv内部膨胀，使得球囊导管上的那些电极与pv的整个圆形节段接触。与pv的整个圆形节段或任何其他内腔的此类接触可实现有效的成像和/或消融。
57.根据其他示例，身体贴片和/或体表电极也可定位在患者125的身体上或患者的身体附近。具有一个或多个电极111的导管110可定位在身体内(例如，心脏120内)，并且导管110的位置可由系统100基于在导管110的一个或多个电极111与身体贴片和/或体表电极之间传输和接收的信号来确定。另外，电极111可感测来自患者125体内的生物计量数据，诸如在心脏120内(例如，电极111实时感测组织的电势)。生物计量数据可与所确定的导管110的位置相关联，使得可显示患者的身体部位(例如，心脏120)的渲染，并且可显示覆盖在身体部位形状上的生物计量数据(即标测)。
58.探头105和系统100的其他物品可连接到控制台160。控制台160可包括采用ml/ai算法(表示为标测引擎101)的任何计算设备。根据示例性实施方案，控制台160包括一个或多个处理器161(任何计算硬件)和存储器162(任何合适的非暂态有形、易失性和/或非易失性介质，诸如随机存取存储器或硬盘驱动器)，其中一个或多个处理器161执行相对于标测引擎101的计算机指令，并且存储器162存储这些指令以供一个或多个处理器161执行。例
如，控制台160可被配置为接收和处理生物计量数据并且确定给定组织区域是否导电。根据一个或多个实施方案，与标测引擎协作的存储器162在预测的完成时间之前发起存储与发起的医学规程相关的细节/数据/信息，使得细节/数据/信息的存储在预测时间之后完成。
59.在一些实施方案中，控制台160还可由标测引擎101(在软件中)编程以执行所述的功能。例如，标测引擎101可包括算法(本文相对于图3所述)，该算法在导管110在解剖结构内被操纵时接收由该导管采集的生物计量数据并且提供标测图。一旦生成标测图，标测引擎101就可接收表示标测图的用户修改的输入，诸如通过标测引擎101的现有用户界面和/或专用用户界面，以及用户偏好和患者的健康人口统计资料。一般来讲，标测引擎101可提供基于生物计量数据、用户偏好和健康人口统计资料定制的一个或多个用户界面和智能工具栏，诸如代表操作系统或其他应用程序提供和/或直接提供。用户界面和智能工具栏包括但不限于互联网浏览器、图形用户界面(gui)、窗口界面、工具栏、功能区、按钮、图标、图像显示器和屏幕、弹出窗口、可视化、模板、呈现、标测图、工具、菜单和/或用于应用程序、操作系统、文件夹等的其他视觉界面或图形控制元素输入。如本文所述，智能工具栏基于在先前心脏消融治疗期间通过ml获得的医师个人偏好来提供按钮和选项。
60.根据一个或多个实施方案，标测引擎101可位于控制台160的外部，并且可位于例如导管110中、外部设备中、移动设备中、基于云的设备中，或者可以是独立的处理器。就这一点而言，标测引擎101可以电子形式通过网络传输/下载。应当理解，标测引擎101可被实现为通用计算机、处理器、处理器内核、或固定功能的电路；被实现为存储在非暂态计算机可读介质中或存储在另一介质中的可由通用计算机、处理器执行的程序、软件、或固件；或被实现为处理器或固定功能的电路上执行的软件的组合。
61.在一个示例中，控制台160可以是包括软件(例如，标测引擎101)和/或硬件(例如，处理器161和存储器162)的如本文所述的任何计算设备(诸如通用计算机)，其具有合适的前端和接口电路，以用于向探头105传输信号和从探头接收信号，以及用于控制系统100的其他部件。例如，前端和接口电路包括输入/输出(i/o)通信接口，该输入/输出(i/o)通信接口使得控制台160能够从至少一个电极111接收信号和/或将信号传输到至少一个电极。控制台160可包括通常被配置为现场可编程门阵列(fpga)的实时降噪电路系统，之后是模数(a/d)ecg或心电图描记器或肌电图(emg)信号转换集成电路。控制台160可将信号从a/d ecg或emg电路传递到另一个处理器并且/或者可被编程以执行本文所公开的一个或多个功能。
62.显示器165连接到控制台160，该显示器可以是用于生物计量数据、用户偏好和健康人口统计资料的视觉呈现(例如，经由用户界面和智能工具栏)的任何电子设备。根据示例性实施方案，在规程期间，控制台160可有利于在显示器165上向医师115呈现身体部位渲染，并且将表示身体部位渲染的数据存储在存储器162中。例如，描绘运动特性的标测图可基于在心脏120中的足够数量的点处采样的轨线信息来渲染/构建。作为示例，显示器165可包括触摸屏，该触摸屏可被配置为除了呈现身体部位渲染之外，还接受来自医疗专业人员115的输入。
63.在一些实施方案中，医师115可使用一个或多个输入设备(诸如触摸板、鼠标、键盘、手势识别装置等)来操纵系统100的用户界面、智能工具栏和/或其他元件。例如，输入设备可用于改变导管110的位置，使得渲染被更新。需注意，显示器165可位于相同的位置或远
程位置，诸如单独的医院或单独的医疗保健提供者网络中。
64.根据一个或多个实施方案，系统100还可使用超声、计算机断层扫描(ct)、mri或利用导管110或其他医疗装备的其他医疗成像技术来获得生物计量数据。例如，系统100可使用一个或多个导管110或其他传感器来获得心脏120的ecg数据和/或解剖和电测量结果(例如，生物计量数据)。更具体地，控制台160可通过电缆连接到bs电极，该bs电极包括附连到患者125的粘合剂皮肤贴片。bs电极可以bs ecg数据的形式获得/生成生物计量数据。例如，处理器161可确定导管110在患者125的身体部位(例如，心脏120)内的位置坐标。位置坐标可基于在体表电极与导管110的电极111或其他电磁部件之间测量的阻抗或电磁场。附加地或另选地，生成用于导航的磁场的定位垫可位于床130的表面上并且可与床130分离。生物计量数据可传输到控制台160并存储在存储器162中。另选地或除此之外，可使用如本文另外所述的网络将生物计量数据(以及用户偏好和健康人口统计资料)传输到服务器，该服务器可以是本地的或远程的。
65.根据一个或多个示例性实施方案，导管110可被配置为消融心脏120的心脏腔室的组织区域。插图150以放大视图示出了在心脏120的心脏腔室内的导管110。例如，消融电极诸如至少一个电极111可被配置为向体内器官(例如，心脏120)的组织区域提供能量。能量可以是热能并且可从组织区域的表面开始并延伸到组织区域的厚度中对组织区域造成损伤。相对于消融规程(例如，消融组织、消融位置等)的生物计量数据可被认为是消融数据。
66.根据一个示例，相对于获得生物计量数据，可将多电极导管(例如，导管110)推进到心脏120的腔室中。可获得前后荧光图(ap)和侧向荧光图以建立每个电极的位置和取向。ecg可相对于时间基准(诸如来自bs ecg的窦性节律中的p波和/或来自放置在冠状窦中的导管110的电极111的信号的开始)从与心脏表面接触的电极111中的每一者记录。如本文进一步公开的，该系统可区分记录电活动的那些电极和由于不紧密接近心内膜壁而不记录电活动的那些电极。在记录初始ecg之后，可重新定位导管，并且可再次记录荧光图和ecg。然后可根据上述过程的迭代构建电标测图(例如，经由心脏标测)。
67.心脏标测可使用一种或多种技术来实现。一般来讲，心脏区域诸如心脏120的心脏区、组织、静脉、动脉和/或电通路的标测可导致识别问题区域诸如疤痕组织、心律失常源(例如，电转子)、健康区域等。心脏区域可被标测，使得使用显示器提供标测心脏区域的视觉渲染，如本文进一步公开的。另外，心脏标测(其为心脏成像的示例)可包括基于一种或多种模态的标测，诸如但不限于lat、局部激活速度、电活动、拓扑结构、双极性标测图、主频或阻抗。可使用插入患者体内的导管(例如，导管110)来捕获对应于多种模态的数据(例如，生物计量数据)，并且可基于医师115的对应设置和/或偏好来同时或在不同时间提供该数据以用于渲染。
68.作为第一技术的示例，心脏标测可通过根据心脏120内的精确位置感测心脏组织的电特性(例如，lat)来实现。对应的数据(例如，生物计量数据)可通过一个或多个导管(例如，导管110)获取，该导管推进到心脏1120中并且在其远侧尖端中具有电传感器和位置传感器(例如，电极111)。作为具体示例，最初可在心脏120的内表面上的约10个至约20个点上测量位置和电活动。这些数据点通常可足以生成心脏表面的质量令人满意的初步重构或标测图。初步图可与取自附加点处的数据结合，以便产生心脏电活动的更全面的标测图。在临床环境中，积累100个或更多个位点(例如，几千个)处的数据以生成心脏腔室电活动的详细
且全面的标测图并不少见。所生成的详细的图可接着作为基础以用于决定例如如本文所述的组织消融的治疗行动过程，以改变心脏电活动的传播和恢复正常心律。
69.另外，可基于心内电势场(例如，其为ic ecg数据和/或双极性心内参考信号的示例)的检测来生成心脏标测。可实施同时获取大量心脏电信息的非接触技术。例如，具有远侧端部部分的导管类型可设置有分布在其表面上并且连接到绝缘电导体以用于连接到信号感测和处理装置的一系列传感器电极。端部部分的尺寸和形状可使得电极与心腔的壁基本上间隔开。可在单次心跳期间检测心内电势场。根据一个示例，传感器电极可分布在位于彼此间隔开的平面中的一系列圆周上。这些平面可垂直于导管的端部部分的长轴。可在端部的长轴的端部处相邻地提供至少两个附加电极。作为更具体的示例，导管可包括四个圆周，其中在每个圆周上等角地间隔开八个电极。因此，在该具体实施中，导管可包括至少34个电极(32个周向电极和2个端部电极)。作为另一个更具体的示例，导管可包括其他多花键导管，诸如五个软柔性分支、八个径向花键、或平行花键锅铲型(例如，其中任一个可具有总共42个电极)。
70.作为电标测或心脏标测的示例，可实现基于非接触式和非膨胀多电极导管(例如，导管110)的电生理心脏标测系统和技术。可用具有多个电极(例如，诸如介于42至122个电极之间)的一个或多个导管110来获得ecg。根据该具体实施，对探头和心内膜的相对几何形状的了解可通过独立的成像模态诸如经食道超声心动图来获得。在独立成像之后，非接触电极可用于测量心脏表面电势并由其构造标测图(例如，在一些情况下，使用双极性心内参考信号)。该技术可包括以下步骤(在独立成像步骤之后)：(a)利用设置在定位在心脏120中的探头上的多个电极来测量电势；(b)确定探头表面和心内膜表面和/或其他参考的几何关系；(c)产生表示所述探头表面和心内膜表面的几何关系的系数矩阵；以及(d)基于电极电势和系数矩阵来确定心内膜电势。
71.根据电标测或心脏标测的另一个示例，可实现用于标测心脏腔室的电势分布的技术和装置。心内多电极标测导管组件可插入心脏120中。标测导管(例如，导管110)组件可包括具有一个或多个整体参考电极(例如，一个或多个电极111)的多电极阵列或配套参考导管。
72.根据一个或多个示例性实施方案，电极可以基本上球形阵列的形式部署，其可通过参考电极或通过与心内膜表面接触的参考导管在空间上以心内膜表面上的点为参考。优选的电极阵列导管可承载多个单独的电极位点(例如，至少24个)。另外，该示例性技术可通过了解阵列上电极位点中的每个电极位点的位置以及了解心脏几何形状来实现。这些位置优选地通过阻抗容积描记术的技术来确定。
73.鉴于电标测或心脏标测并且根据另一个示例，导管110可为心脏标测导管组件，该心脏标测导管组件可包括限定多个电极位点的电极阵列。心脏标测导管组件还可包括内腔以接纳具有远侧尖端电极组件的参考导管，该远侧尖端电极组件可用于探测心脏壁。心脏标测导管组件可包括绝缘线的编织物(例如，在编织物中具有24至64根线)，并且每根线可用于形成电极位点。心脏标测导管组件可易于定位在心脏120中以用于从第一组非接触电极位点和/或第二组接触电极位点采集电活动信息。
74.此外，根据另一个示例，可在心脏内实现标测电生理活动的导管110可包括适于递送用于对心脏起搏的刺激脉冲的远侧尖端或用于消融与尖端接触的组织的消融电极。该导
管110还可包括至少一对正交电极以生成指示邻近正交电极的局部心脏电活动的差值信号。
75.如本文所述，系统100可用于检测、诊断和/或治疗心脏病症。在示例性操作中，用于测量心脏腔室中的电生理数据的过程可由系统100实现。过程可部分地包括将一组有源电极和无源电极定位到心脏120中，向有源电极供应电流，由此在心脏腔室中生成电场，以及测量无源电极位点处的电场。无源电极包含在定位在球囊导管的可充胀球囊上的阵列中。在优选的实施例中，该阵列据称具有60至64个电极。
76.作为另一个示例性操作，心脏标测可由系统100使用一个或多个超声换能器来实现。超声换能器可插入患者的心脏120中，并且可在心脏120内的各种位置和取向处收集多个超声切片(例如，二维或三维切片)。给定超声换能器的位置和取向可以是已知的，并且可以存储所收集的超声切片，使得它们可以在稍后的时间显示。可显示与探头105(例如，被示为导管110的治疗导管)在稍后的时间的位置对应的一个或多个超声切片，并且探头105可覆盖在一个或多个超声切片上。
77.鉴于系统100，需注意包括房性心律失常在内的心律失常可为多子波折返型，其特征在于分散在心房腔室周围并通常自传播的电脉冲的多个异步环(例如，ic ecg数据的另一个示例)。另选地，或除多子波折返型外，诸如当心房内孤立的组织区域以快速重复的方式自主搏动时，心律失常还可具有病灶源(例如，ic ecg数据的另一个示例)。室性心动过速(v-tach或vt)是一种源于某一个心室的心动过速或快速心律。这是一种可能危及生命的心律失常，因为它可以导致心室纤颤和猝死。
78.例如，当窦房结所生成的正常电脉冲(例如，ic ecg数据的另一个示例)被起源于心房静脉和pv的致使不规则脉冲传输至心室的紊乱电脉冲淹没时，会发生afib。不规则心跳产生并且可能持续数分钟至数周，或甚至数年。afib通常是通常由于中风而导致死亡风险的小幅增加的慢性病症。afib的线治疗是减慢心率或使心律恢复正常的药物治疗。另外，患有afib的人通常会被给予抗凝剂，以防止他们有中风的风险。使用此类抗凝血剂会伴随其自身带有的内出血风险。对于一些患者，药物治疗是不够的，并且他们的afib被视为药物难治性的，即用标准药物干预是无法医治的。也可使用同步电复律来使afib转变至正常心律。另选地，通过导管消融治疗afib患者。
79.基于导管消融的治疗可包括标测心脏组织的电特性(尤其是心内膜和心脏容量)，以及通过施加能量来对心脏组织进行选择性地消融。电标测或心脏标测(例如，由本文所述的任何电生理学心脏标测系统和技术实现)包括创建沿着心脏组织的波传播的电势的标测图(例如，电压标测图)或到各种组织定位点的到达时间的标测图(例如，lat标测图)。电标测或心脏标测(例如，心脏标测图)可用于检测局部心脏组织功能障碍。消融，诸如基于心脏标测的消融，可停止或改变不需要的电信号从心脏120的一个部分传播到另一部分。
80.消融过程通过形成非导电消融灶来损坏不需要的电通路。已经公开了多种用于形成消融灶的能量递送形式，并且包括使用微波、激光和更常见的rf能量来沿心脏组织壁形成传导阻滞。能量递送技术的另一个示例包括不可逆电穿孔(ire)，其提供损坏细胞膜的高电场。在两步规程(例如，标测然后消融)中，通常通过将包含一个或多个电传感器(或电极111)的导管110推进到心脏120中并且获得/获取多个点处的数据(例如，一般如生物计量数据)来感应并测量心脏120内的各个点处的电活动。然后利用该生物计量数据来选择将要执
行消融的心内膜目标区域。需注意，由于使用示例性系统100(例如，医疗设备装备)所采用的标测引擎101，将多个点处的数据操纵成心脏组织的改进的图像数据。
81.随着临床医生治疗越来越具挑战性的病症诸如心房颤动和室性心动过速，心脏消融和其他心脏电生理规程变得日益复杂。复杂性心律失常的治疗可仅依赖于使用三维(3d)标测系统以便重构感兴趣心脏腔室的解剖结构。就这一点而言，本文的系统100所采用的标测引擎101一般地操纵和评估生物计量数据以产生改进的组织数据，该改进的组织数据实现更准确的诊断、图像、扫描和/或标测图以用于治疗异常心跳或心律失常。例如，心脏病专家依赖于软件，诸如由biosense webster,inc.(加利福尼亚州钻石吧)生产的3 3d标测系统的复杂碎裂心房电图(cfae)模块，以生成并分析ecg数据。系统100的标测引擎101增强该软件以生成和分析改进的生物计量数据，这进一步提供了关于心脏120(包括疤痕组织)的电生理特性的多条信息，这些信息表示afib的心脏基质(解剖和功能)。
82.因此，系统100可实现3d标测系统诸如3 3d标测系统，以便在异常egm检测方面定位心肌症的潜在致心律失常基质。与这些心脏病症相关的基质与心室腔室(右和左)的心内膜层和/或心外膜层中的碎裂和延长ecg的存在相关。例如，低电压或中电压的区域可表现出ecg碎裂和延长的活动。此外，在窦性节律期间，低电压或中电压的区域可对应于在持续和组织的室性心律失常期间识别的关键峡部(例如，适用于非耐受室性心动过速，以及心房中)。一般来讲，异常组织的特征在于低电压ecg。然而，心内-心外膜标测中的初始临床经验指示低电压区域并不总是作为唯一的致心律失常机制存在于此类患者中。事实上，低电压或中电压的区域可在窦性节律期间表现出egm碎裂和延长的活动，窦性节律对应于在持续和组织室性心律失常期间识别的关键峡部，例如，仅适用于非耐受室性心动过速。此外，在许多情况下，在显示正常或接近正常电压振幅(》1-1.5mv)的区域中观察到egm碎裂和延长的活动。虽然后一区域可根据电压振幅来评估，但根据心内信号不能将它们视为正常的，因此表示真实的致心律失常的基质。3d标测能够将致心律失常基质定位在右/左心室的心内膜层和/或心外膜层上，这可根据主要疾病的扩展而在分布上变化。
83.作为另一个示例性操作，心脏标测可由系统100使用一个或多个多电极导管(例如，导管110)来实现。多电极导管用于刺激和标测心脏120中的电活动并且用于消融异常电活动的位点。使用时，将多电极导管插入到主静脉或动脉例如股静脉中，并且随后引导到所关注的心脏120的腔室中。典型消融规程涉及将在其远侧端部处具有至少一个电极111的导管110插入到心脏腔室中。提供胶粘到患者的皮肤的参考电极，或通过定位在心脏中或心脏附近或选自导管110的一个或其他电极111的第二导管来提供参考电极。射频(rf)电流被施加至消融导管110的尖端电极111，并且电流通过围绕其的介质(例如，血液和组织)流向该参考电极。电流的分布取决于与血液相比电极表面与组织接触的量，血液具有比组织更高的导电率。由于组织的电阻，发生组织的加热。组织被充分加热而致使心脏组织中的细胞破坏，从而导致在心脏组织内形成不导电的消融灶。在这个过程中，由于从加热组织至电极本身的传导，还发生对尖端电极111的加热。如果电极温度变得足够高，可能高于60℃，则可在电极111的表面上形成脱水血蛋白的薄透明涂层。如果温度继续升高，则该脱水层可变得越来越厚，导致在电极表面上的血液凝结。因为脱水生物材料具有比心内膜组织更高的电阻，所以对于进入组织的电能量流的阻抗也增大。如果阻抗充分地增加，则出现阻抗上升，并且必须将导管110从体内移除并清理尖端电极111。
84.现在转到图2，示出了根据一个或多个示例性实施方案的其中可实现本公开主题的一个或多个特征的系统200的图。相对于患者202(例如，图1的患者125的示例)，系统200包括装置204、本地计算设备206、远程计算系统208、第一网络210和第二网络211。另外，装置204可包括生物计量传感器221(例如，图1的导管110的示例)、处理器222、用户输入(ui)传感器223、存储器224和收发器225。需注意，为了便于解释和简洁，图1的标测引擎101在图2中被重复使用。
85.根据一个实施方案，装置204可以是图1的系统100的示例，其中装置204可包括患者内部的部件和患者外部的部件两者。装置204还可包括具有一个或多个电极的导管(图1的导管110和电极111)、探头(例如，图1的探头105)、血压袖带、体重秤、手镯或智能手表生物计量跟踪器、葡萄糖监测器、持续气道正压通气(cpap)机或可提供与患者202(例如，图1的患者125)的健康或生物计量有关的输入的几乎任何设备。根据另一个实施方案，装置204可以是包括可附接贴片(例如，附接到患者皮肤)的患者202外部的装置。根据另一个实施方案，装置204可在患者202的身体内部(例如，皮下植入)，其中装置204可经由任何适用的方式插入患者202中，包括口服注射、经由静脉或动脉的外科插入、内窥镜规程或腹腔镜规程。根据一个实施方案，虽然在图2中示出了单个装置204，但示例性系统可包括多个装置。
86.因此，装置204、本地计算设备206和/或远程计算系统208可被编程为执行相对于标测引擎101的计算机指令。例如，存储器223存储这些指令以供处理器222执行，使得装置204可经由生物计量传感器201接收和处理生物计量数据。这样，处理器222和存储器223表示本地计算设备206和/或远程计算系统208的处理器和存储器。
87.装置204、本地计算设备206和/或远程计算系统208可以是单独或共同存储、执行和实现标测引擎101及其功能的软件和/或硬件的任何组合。另外，装置204、本地计算设备206和/或远程计算系统208可为电子计算机框架，包括和/或采用利用各种通信技术的任何数量和组合的计算设备和网络，如本文所述。装置204、本地计算设备206和/或远程计算系统208可易于缩放、扩展和模块化，具有改变为不同服务或独立于其他特征重新配置一些特征的能力。
88.网络210和211可以是有线网络、无线网络或包括一个或多个有线和无线网络。根据一个实施方案，网络210是近程网络(例如，局域网(lan)或个人局域网(pan))的示例。可使用各种近程无线通信协议(诸如蓝牙、wi-fi、zigbee、z-wave、近场通信(nfc)、ultra-band、zigbee或红外(ir))中的任何一种经由网络210在装置204与本地计算设备206之间发送信息。另外，网络211是以下中的一者或多者的示例：内联网、局域网(lan)、广域网(wan)、城域网(man)、直接连接或一系列连接、蜂窝电话网络，或者能够促进本地计算设备206和远程计算系统208之间的通信的任何其他网络或介质。可使用各种远程无线通信协议(例如，tcp/ip、http、3g、4g/lte、或5g/新无线电)中的任何一种经由网络211发送信息。需注意，对于网络210和211中的任一者，有线连接可使用以太网、通用串行总线(usb)、rj-11来实现，或者任何其他有线连接和无线连接可使用wi-fi、wimax、以及蓝牙、红外、蜂窝网络、卫星或任何其他无线连接方法来实现。
89.在操作中，装置204可连续地或周期性地获得、监测、存储、处理与患者202相关联的生物计量数据，并且经由网络210传送该生物计量数据。另外，装置204、本地计算设备206和/或远程计算系统208通过网络210和211进行通信(例如，本地计算设备206可被配置为装
置204和远程计算系统208之间的网关)。例如，装置204可以是图1的系统100的示例，其被配置为经由网络210与本地计算设备206通信。本地计算设备206可以是例如固定/独立设备、基站、台式计算机/膝上型计算机、智能电话、智能手表、平板电脑、或被配置为经由网络211和210与其他设备进行通信的其他设备。被实现为网络211上或连接到网络的物理服务器或网络211的公共云计算提供商(例如，amazon web services)中的虚拟服务器的远程计算系统208可被配置为经由网络211与本地计算设备206通信。因此，与患者202相关联的生物计量数据可在整个系统200中传送。
90.现在描述装置204的元件。生物计量传感器221可包括例如一个或多个换能器，该一个或多个换能器被配置为将一个或多个环境条件转换成电信号，使得观察/获得/采集不同类型的生物计量数据。例如，生物计量传感器221可包括以下中的一者或多者：电极(例如，图1的电极111)、温度传感器(例如，热电偶)、血压传感器、血糖传感器、血氧传感器、ph传感器、加速度计和麦克风。
91.在执行标测引擎101时，处理器222可被配置为接收、处理和管理由生物计量传感器221获取的生物计量数据，并且经由收发器225将生物计量数据、用户偏好和健康人口统计资料传送到存储器224以用于存储和/或跨网络210。如本文更详细地描述，标测引擎101产生心脏组织的改进的图像数据，使得可生成用于治疗心脏病症的改进的图像、扫描图和/或标测图连同预测。
92.来自一个或多个其他装置204的生物计量数据、用户偏好和健康人口统计资料也可由处理器222通过收发器225接收。如下面更详细描述的，处理器222可被配置为选择性地响应从ui传感器223接收的不同轻击模式(例如，单击或双击)，使得可基于检测的模式激活贴片的不同任务(例如，数据的获取、存储或传输)。在一些实施方案中，处理器222可相对于检测手势生成可听反馈。
93.ui传感器223包括例如被配置为接收用户输入诸如轻击或触摸的压电传感器或电容传感器。例如，响应于患者202轻击或接触装置204的表面，可控制ui传感器223以实现电容联接。手势识别可经由各种电容类型中的任何一种来实现，诸如电阻电容、表面电容、投射电容、表面声波、压电和红外触摸。电容传感器可设置在小区域处或表面的长度上，使得表面的轻击或触摸激活监测装置。
94.存储器224是任何非临时性有形介质，诸如磁性存储器、光学存储器或电子存储器(例如，任何合适的易失性存储器和/或非易失性存储器，诸如随机存取存储器或硬盘驱动器)。存储器224存储供处理器222执行的计算机指令和/或生物计量数据、用户偏好和健康人口统计资料。用户偏好的示例包括但不限于电压选择、阈值选择、字体大小、界面位置、按钮配置和色彩方案。健康人口统计资料的示例包括但不限于年龄、性别、人种、体重、种族和身高。
95.收发器225可包括单独的发射器和单独的接收器。另选地，收发器225可包括集成到单个设备中的发射器和接收器。
96.在操作中，利用标测引擎101，装置204经由生物计量传感器221观察/获得患者202的生物计量数据；观察/获得用户偏好和健康人口统计资料；将生物计量数据、用户偏好和健康人口统计资料存储在存储器224中，并且经由收发器225跨系统200共享该生物计量数据。然后，标测引擎101可利用模型、算法、神经网络、ml和/或人工智能(ai)来生成标测并向
医师提供标测，以减少系统100的处理负载，并且变换系统100的操作以提供更准确的标测。
97.现在转到图3，示出了根据一个或多个示例性实施方案的(例如，由图1和/或图2的标测引擎101进行的)方法300。软件和/或硬件(例如，本地计算设备206和远程计算系统208连同装置204)的任何组合可单独地或共同地存储、执行和实现标测引擎101及其功能。方法300解决了常规心脏标测和消融系统的缺点。
98.一般来讲，医师115使用系统100对患者125进行当前的心脏电生理规程。心脏电生理规程诸如心律失常治疗规程可以是对患者的任何医疗和/或外科规程或治疗。标测引擎101接收由医师115表现的过去工作流偏好，以及独特的生理心律失常特性(例如，生物计量数据)和健康人口统计资料。工作流偏好包括步骤中的选择(例如，步骤a而不是b)、步骤顺序(例如，步骤b而不是a)、装备中的选择、用户界面中的选择、用户界面的设置等。标测引擎101然后通过独特的生理心律失常特性和健康人口统计资料来学习这些过去的工作流偏好，以预测要在当前的心脏电生理规程期间呈现给医师115的图像显示。预测图像显示(例如，一个或多个用户界面和智能工具栏)的一个或多个技术效果和益处包括减小取得时间并简化工作流。
99.处理流程300在框305处开始，其中标测引擎101接收病例。病例可包括过去的医学规程和/或治疗(例如，过去的心脏电生理规程)。就这一点而言，标测引擎101可接收病例的源数据、原子数据或原始数据。在一个或多个实施方案中，源数据、原子数据或原始数据可被限定和量化为多个患者的过去医学规程和/或治疗的历史数据。
100.历史数据可包括执行这些过去的医学规程和/或治疗的一个或多个用户(例如，医师115和/或技术人员)的工作流偏好，以及多个患者的生物计量数据和/或健康人口统计资料。生物计量数据可包括患者的一个或多个心律失常的独特生理特性。
101.根据一个或多个实施方案，历史数据可以包括关于从先前心脏电生理规程获得的用户事件的第一信息集、关于从先前心脏电生理规程获得的传感器事件的第二信息集、包括从先前心脏电生理规程获得的混合事件的第三信息集、与患者设置相关的细节、与在规程结束时从患者移除导管相关的细节、医师感兴趣的细节以及与心脏电生理规程本身相关的其他细节。
102.在框310处，标测引擎101生成数据集。该数据集可由标测引擎101通过收集和操纵一个或多个数据结构(例如，能够有效访问和修改的数据组织、管理和存储格式)中的原始数据(例如，来自框305的源数据、原子数据或原始数据)来生成和/或构建，无论是组织有序的还是组织无序的。数据集可作为用于训练的训练数据和ml/ai被创建、使用和保持。
103.根据一个或多个实施方案，标测引擎101构建训练数据以容易地组织和分析历史数据以及与其相关联的其他数据(例如，过去的医学规程和/或治疗的类型/损伤和/或疾病诊断、多个患者的健康人口统计信息、医师信息、技术人员信息、规程和/或治疗位置信息、心脏组织信息的带注释解剖结构等)。
104.相对于图3的各个框处的由系统100和标测引擎101进行的ml/ai，提供图4和图5以限定其示例。为了在适当的情况下便于理解，参考图1至图3进行图4至图5的描述。图4示出了根据一个或多个实施方案的人工智能系统400的图形描绘。人工智能系统400包括数据410(例如，框310的生物计量数据、历史数据等)、机器420、模型430、结果440和(底层)硬件450。例如，机器410、模型430和硬件450可表示图1至图2的标测引擎101(例如，其中的ml/ai
算法)的各方面，而硬件450也可表示图1的导管110、图1的控制台160和/或图2的装置204。一般来讲，人工智能系统400的ml/ai算法(例如，如图1至图2的标测引擎101所实现的)使用(例如，框310的)数据410相对于硬件450操作以训练机器420、构建模型430和预测结果440。另外，应当理解，标测引擎101可被实现为数据410、机器420、模型430、结果440和任何(底层)硬件450或相对于这些组件来实现。
105.例如，相对于框310，机器420作为与硬件450相关联的控制器或数据收集操作或与其相关联。数据410(例如，框310的生物计量数据、历史数据等)可以是与硬件450相关联的正在进行的数据或输出数据。数据410还可包括当前收集的数据、训练数据和/或从硬件450接收的病例(例如，框305)的其他信息；可包括外科规程期间的测量结果，并且可与外科规程的结果相关联；可包括所收集的并与心脏规程的结果相关联的图1的心脏140的温度；可包括过去的工作流偏好；可包括消融信息和对是否需要二次消融规程的确定；并且可与硬件450相关。数据410可由机器420划分成一个或多个子集。
106.更具体地讲，相对于图3，根据一个或多个实施方案，训练数据可包括用户特定偏好、工作流、注释、历史数据的各方面等。就这一点而言，标测引擎101(跨框305和310)收集和组织表示用户决定和修改以及标测引擎101在过去的医学规程和/或治疗期间作出的自动决定和建议的信息，以及响应于这些自动决定(例如，医师115手动改变默认偏好设置)和建议(例如，医师115手动改变标测图建议)的用户输入以提供基线。继而，如果/当方法300重复或循环时，训练数据集可随时间推移(例如，平均每3-6个月)增加和/或改进，并且可用于训练/重新训练标测引擎101(例如，以改进其性能)。
107.在框315处，标测引擎101生成标测引擎101的模型(例如，图4的430)。模型430可为ml/ai算法。模型430可包括使用递归神经网络(rnn)的经训练的深度学习架构。基于对多个先前心脏电生理病例的分析来构建和训练模型340，诸如由框310的数据集(或更具体地，训练数据)描述的。
108.在图4的示例中，模型430构建在与硬件450相关联的数据410上。然后，模型430和机器420可相对于硬件450训练。构建模型430可包括试图表示已被收集和训练的数据410(或其子集)的物理硬件或软件建模、算法建模(框315)等。在一些方面，模型430的构建(框315)是由机器420进行的自训练操作的一部分。该训练可包括分析和关联所收集的数据410。例如，可训练机器420以确定生物计量数据、用户偏好和/或健康人口统计资料之间是否存在相关性或链接。根据另一个实施方案，训练机器420可包括由图1的标测引擎101利用一个或多个子集进行自训练。就这一点而言，图1的标测引擎101学习工作流、医学规程工作流偏好、独特的生理特性、和/或个人健康人口统计资料。从而，模型430可被配置为复制硬件450的操作并复制从硬件450收集的数据410(框305)以预测由硬件450实现的结果440。
109.返回图3，在框320处，标测引擎101学习一个或多个工作流。标测引擎101可基于执行规程和治疗的医师的特定偏好、待治疗的心律失常的类型和患者人口统计资料利用模型(框315)来学习过去的医学规程和/或治疗(例如，心律失常治疗)期间的工作流。与图4相关，相对于图1的标测引擎101，模型430可接收数据410(框305)，估计中间数据集(框310)，生成模型430(框315)，并且提供结果(例如，在框320处学习的工作流)以支持心脏组织、病症和问题的治疗。预测(与硬件450相关联的模型430的)结果440的操作可利用经训练的模型。因此，使用预测的结果440，可相应地配置机器420、模型430和硬件450。
110.根据一个或多个实施方案，当标测引擎101使用(框305和310的)历史数据来生成并训练(框315)模型时/在此之后，标测引擎101的ml仅选择、识别并保存(框320)医师115(例如，cas、用户等)感兴趣的那些细节。在一个示例中，医师的个人偏好可由标测引擎101在先前的心脏消融治疗期间获得和识别。也就是说，在心律失常治疗期间，每当医师115点击按钮(例如，“切换到双极性标测图”、“点采集”、“过滤设置”等)时，按钮点击和相关信息被保存为数据。另外，保存上下文事件，诸如“消融开始”、“消融结束”、“模拟开始”、“刺激结束”、心动周期长度的变化、心律失常的变化。标测引擎101可利用模型(框315)来学习，跟踪点击并相应地将项目添加到智能工具栏，并且/或者在周期长度的变化之后，医师115按压“新标测图”按钮的概率为高。
111.一般来讲，标测引擎101的模型(或模型430)可被结构化为包括输入层、隐藏层和输出层的自动编码器，其中输入层和隐藏层形成用于对输入(例如，接收病历)进行编码的编码器，并且隐藏层和输出层形成用于对编码器的结果进行解码的解码器。因此，隐藏层设置在输入层和输出层之间，而输入可至少包括从导管110获得并由系统100压缩以减小存储资源需求的信号。如本文所讨论，编码器可被布置成在输入层处接收输入。隐藏层可利用第一神经网络来压缩输入以按预定压缩比创建其表示，可利用第二神经网络来解压缩输入的表示以重建输入，并且可将重建发送到解码器的输出层。第一神经网络和/或第二神经网络可以是卷积神经网络和去卷积神经网络，或本文所述的任何其他神经网络。
112.通常，神经网络是神经元的网络或电路，或者在现代意义上，是由人工神经元或节点或单元组成的人工神经网络(ann)。根据一个或多个实施方案，神经网络是自动完成ml技术，诸如rnn，其中rnn的子类型是长短期记忆(lstm)神经网络。如本文进一步所述，标测引擎101和/或机器420可包括如本文所述的rnn ai转换器。例如，相对于图4，人工智能系统400的ml/ai算法可包括相对于硬件450操作、使用数据410、训练机器420、构建模型430以及预测结果440的神经网络。
113.例如，ann涉及处理元件(人工神经元)的网络，该网络可表现出由处理元件和元件参数之间的连接确定的复杂全局行为。神经元的网络或电路的这些连接被建模为权重。正权重反映兴奋性连接，而负值表示抑制性连接。通过权重修改输入并使用线性组合求和。激活函数可控制输出的振幅。例如，可接受的输出范围通常介于0和1之间，或者该范围可为-1和1之间。在大多数情况下，ann是基于流动通过网络的外部或内部信息来改变其结构的自适应系统。
114.在更实际的术语中，神经网络是非线性统计数据建模或决策工具，其可用于对输入和输出之间的复杂关系进行建模或在数据中找到模式。因此，ann或rnn可用于预测建模和自适应控制应用，同时经由数据集进行训练。需注意由经验产生的自学可发生在ann或rnn内，这可从复杂且看似不相关的信息组中得出结论。人工神经网络模型的实用性在于它们可用于从观察推断函数并且还可用于使用该函数。未受监督的神经网络还可用于学习捕获输入分布的显著特征的输入的表示，以及最近的深度学习算法可以隐含地学习观察到的数据的分布函数。在神经网络中的学习在数据(例如，生物计量数据)或任务(例如，监测、诊断和治疗任何数量的各种疾病)的复杂性使得手动设计此类功能不切实际的应用中特别有用。
115.神经网络可用于不同领域。因此，对于人工智能系统400，其中的ml/ai算法可包括
神经网络，该神经网络通常根据其所应用于的任务来划分。这些划分倾向于属于以下类别：回归分析(例如，函数近似)，包括时间序列预测和建模；分类，包括模式和序列识别；新颖性检测和顺序决策；数据处理，包括过滤；聚类；盲信号分离和压缩。例如，ann或rnn的应用领域包括非线性系统识别和控制(车辆控制、过程控制)、游戏播放和决策制定(西洋双陆棋、聊天、比赛)、模式识别(雷达系统、面部识别、对象识别)、序列识别(手势、语音、手写文本识别)、医疗诊断和治疗、金融应用程序、数据挖掘(或数据库中的知识发现，“kdd”)、可视化和电子邮件垃圾过滤。例如，可以创建从医学规程出现的患者生物计量数据的语义特征。
116.根据一个或多个实施方案，神经网络可实现lstm神经网络架构、卷积神经网络架构(cnn)或其他类似架构。神经网络可相对于多个层、多个连接(例如，编码器/解码器连接)、正则化技术(例如，压差)进行配置；以及优化特征。
117.stm神经网络架构包括反馈连接并且可处理单个数据点(例如，诸如图像)以及整个数据序列(例如，诸如语音或视频)。lstm神经网络架构的单元可由单元、输入门、输出门和忘记门组成，其中单元在任意时间间隔内记住值，并且门调节进出单元的信息流。
118.cnn架构是具有平移不变性特征的共享权重架构，其中一层中的每个神经元连接到下一层中的所有神经元。cnn架构的正则化技术可利用数据中的层级模式，并使用更小且更简单的模式来组装更复杂的模式。如果神经网络实现cnn架构，则该架构的其他可配置方面可包括每个级处的滤波器的数量、内核大小和每层内核的数量。
119.现在转到图5，示出了根据一个或多个实施方案的神经网络500的示例和在神经网络500中执行的方法501的框图。神经网络500操作以支持本文所述的ml/ai算法的实现(例如，如由图1至图2的标测引擎101所实现)。神经网络500可在硬件(诸如图4的机器420和/或硬件450)中实现。需注意，根据一个或多个实施方案，神经网络500可在硬件和/或软件中实现。根据一个或多个实施方案，神经网络600可以是提取用于分类的基于心内的特征的标测引擎101的自动编码器。如本文所指示的，为了在适当的情况下便于理解，参考图1至图3进行图4至图5的描述。
120.在示例性操作中，图1的标测引擎101包括从硬件450收集数据410。在神经网络500中，输入层510由多个输入(例如，图5的输入512和514)表示。相对于方法501的框520，输入层510接收输入512和514。输入512和514可包括生物计量数据(例如，心律失常类型)、用户偏好和健康人口统计资料。例如，数据410的收集可为将来自硬件450的一个或多个规程记录或病历的生物计量数据(例如，bs ecg数据、ic ecg数据和消融数据，连同导管电极位置数据)聚合到数据集(如数据410所表示)中。所述多个输入可以是超声信号、无线电信号、音频信号或二维或三维图像。更具体地，所述多个输入可表示为输入数据(x)，其为例如从心脏标测阶段记录的原始数据。
121.在方法501的框525处，神经网络500利用数据410的任何部分(例如，由人工智能系统400产生的数据集和预测)对输入512和514进行编码以产生潜在表示或数据编码。潜在表示包括从多个输入导出的一个或多个中间数据表示。根据一个或多个实施方案，该潜在表示由标测引擎101的自动编码器的元素级激活函数(例如，s形函数或整流线性单元)生成，该元素级激活函数将权重矩阵应用于输入心内信号并将偏置向量添加到结果。需注意，权重矩阵和偏置向量的权重和偏置可随机初始化，然后在训练期间迭代地更新。一般来讲，自动编码器是一种用于以无监督方式学习有效数据编码(例如，学习将其输入复制到其输出)
的人工神经网络。自动编码器的目的是通过训练网络忽略信号“噪声”来学习数据集的表示(编码)，通常用于降维。连同简化侧一起，学习重建侧，其中自动编码器试图从简化编码生成尽可能接近其原始输入的表示，因此生成其名称。完美地执行复制任务将简单地复制信号，这就是自动编码器通常以迫使它们大致重建输入的方式受到限制的原因，从而仅在副本中保留数据的最相关方面。
122.如图5所示，输入512和514被提供给被描绘为包括节点532、534、536和538的隐藏层530。神经网络500经由节点532、534、536和538的隐藏层530执行处理以表现出由处理元件和元件参数之间的连接确定的复杂全局行为。因此，层510和530之间的过渡可被认为是编码器阶段，该编码器阶段获取输入512和514并将其传输到深度神经网络(在层530内)以学习输入的某种较小表示(例如，所得的潜在表示)。
123.深度神经网络可以是cnn、非cnn、lstm神经网络、完全连接的神经网络或它们的组合。输入512和514可以是ic ecg、体表ecg、或ic ecg和体表ecg。该编码提供了输入512和514的维度减小。维度减小是通过获得一组主要变量来减小所考虑的(输入512和514的)随机变量的数量的过程。例如，维度减小可以是将数据(例如，输入512和514)从高维空间(例如，多于10个维度)转换到低维空间(例如，2-3个维度)的特征提取。减小维度的技术效果和益处包括减小数据410的时间和存储空间需求，改进数据410的可视化，以及改进用于ml的参数解释。该数据转换可为线性的或非线性的。接收(框520)和编码(框525)的操作可被认为是由标测引擎101(的自动编码器)进行的多步骤数据操纵的数据准备部分。
124.在方法510的框545处，神经网络500对潜在表示进行解码。解码级采用编码器输出(例如，所得的潜在表示)并尝试使用另一个深度神经网络来重建输入512和514的某种形式。就这一点而言，组合节点532、534、536和538以在输出层550中产生输出552，如方法510的框560所示。也就是说，输出层590在减小的维度上重建输入512和514，但没有信号干扰、信号伪影和信号噪声。输出552的示例包括经清洁的生物计量数据(例如，ic ecg数据等的清洁/降噪版本)。例如，ic ecg的降噪版本可不含以下中的一者或多者：远场衰减、电源线噪声、接触噪声、偏转噪声、基线漂移、呼吸噪声和fluro噪声。经清洁的生物计量数据的技术效果和益处包括能够更准确地监测、诊断和治疗任何数量的各种疾病。
125.例如，输出层550的目标数据包括目标数据类型一心室活动(y1)，并且包括远场衰减(y2)后的目标数据类型二输入数据。根据一个实施方案，标测引擎101的自动编码器可以是降噪自动编码器以查找标测函数(f,g)，使得f(x)＝y1并且g(x)＝y2。软件和/或硬件(例如，本地计算设备206和远程计算系统208连同装置204)的任何组合可单独地或共同地存储、执行和实现降噪自动编码器及其功能。降噪自动编码器训练自动编码器以重建来自其自身损坏版本的输入，以强制隐藏层(例如，图5的隐藏层530)发现更稳健的特征(即，将构成输入的更好更高级别表示的有用特征)并防止其学习特定同一性(即，总是返回到相同的值)。就此而言，降噪自动编码器对输入进行编码(例如，以保留关于输入的信息)并反转随机应用于自动编码器的输入的损坏过程的效果。根据一个或多个实施方案，ic ecg数据压缩可使用标测引擎101的自动编码器来执行。例如，在电生理规程期间记录的ic ecg数据需要大量的数据存储和其他资源来存储和共享该数据以用于研究目的。标测引擎101减小ic ecg数据的存储和共享所需的资源。
126.返回图3，在框330处，标测引擎101发起规程。标测引擎可针对患者125发起医学规
程。医学规程可以是如本文所述的任何规程、治疗和/或它们的组合。在一个示例中，医学规程可以是用于检查/标测心脏120并治疗心律失常类型的心脏电生理规程。
127.在框335处，标测引擎101接收信息。标测引擎可接收相对于针对患者发起医学规程(在框330处)的信息，诸如患者设置细节、导管信息、感兴趣区域，以及与医学规程相关的其他细节。该信息还可包括患者125的健康人口统计资料和生物计量数据。在一些情况下，系统100包括由一个或多个用户在发起(和进行)医学规程时穿戴的眼睛跟踪装置，该眼睛跟踪装置监测并获得信息。
128.在框360处，标测引擎101预测一个或多个工作流。标测引擎101可通过采用标测引擎101的模型根据信息来预测执行医学规程的医师115(例如，cas、用户等)的工作流偏好。在一些情况下，标测引擎1010预测将由医师115执行的接下来事件。
129.在框365处，标测引擎101输出图像数据(例如，医师115特有的设置和设定)。根据一个或多个实施方案，标测引擎101可使用工作流偏好(在框360处)来生成图像显示选项作为给医师115的图像数据以供系统100呈现。一般来讲，图像显示选项在医学规程期间经由一个或多个显示器165呈现给医师115(例如，cas、用户等)。图像显示选项可以是其中具有输入/输出元件的图形控制元件，诸如工具栏、选项卡或智能工具栏。输入/输出元件可包括按钮和/或图标。图像显示选项还可包括一个或多个屏幕、一个或多个弹出窗口、一个或多个可视化、一个或多个模板、一个或多个呈现、一个或多个菜单、一个或多个标测图、或一个或多个工具。
130.在一个示例中，标测引擎101可基于相关的心律失常类型、相关的医师偏好(框360)以及患者的人口统计资料和潜在其他参数来调整(框365)系统100的gui。另外，通过gui，标测引擎101(框365)可支持工作流，并且可通过以直观且医师115所优选的方式通过打开和关闭窗口、设置透明度、改变标测图等来帮助医师115。标测引擎101还可用于向系统100提供智能工具栏，该智能工具栏基于先前获得的医师个人偏好来提供按钮和选项。
131.根据一个或多个实施方案，医师的个人偏好(在框320处获得和识别)可被提供作为预测。例如，在心律失常治疗期间，每当医师115(例如，cas、用户等)准备点击按钮(例如，“切换到双极性标测图”、“点采集”、“过滤设置”等)时，标测引擎101可预测该动作并且预先突出显示和/或点击按钮。另外，当信息被保存/馈送到标测引擎101的rnn ai转换器时，可相对于预测应用上下文检测。需注意，rnn ai转换器可包括采用注意机制的深度学习模型，从而对输入数据部分的显著性进行差分加权。就这一点而言，可由标测引擎101预期和预测上下文事件，诸如“消融开始”、“消融结束”、“模拟开始”、“刺激结束”、心动周期长度的变化、心律失常的变化。例如，在所发起的医学规程期间，标测引擎的rnn ai转换器跟随按钮的点击并将项目添加到gui的智能工具栏。例如，标测引擎101可学习到在周期长度的变化之后，医师将按压“新标测图”按钮的概率为高，并且因此可突出显示/呈现/添加该按钮。
132.根据一个或多个实施方案，标测引擎101可基于供医师115选择的概率在图像显示选项内生成接下来事件的输入/输出元件。输入/输出元件可与接下来用户事件的预定数量或接下来混合事件的预定数量相关联，这些事件具有最高的发生概率或高于预定阈值的发生概率。
133.另选地或除了在例如心律失常治疗期间跟踪医师115点击按钮之外，眼睛跟踪技术可跟踪医师115在系统100的gui的各种窗口、标测图、屏幕等上的注视。眼睛跟踪技术可
用于使得系统100能够理解在特定心脏标测图上重要的内容。一旦系统100已经观察并学习，标测引擎101就可自动建议/预测下一个步骤并相应地调整gui。例如，如果医师115推断左pv的消融，则系统100可将gui的标测图查看器调整为更好地优化到右pv的视图。所有预测和后续的用户动作都可上载/存储在系统100内以供其他用户使用。
134.需注意，方法300可结束和/或重复。
135.图6示出了根据一个或多个实施方案的其中利用示例性系统(例如，图1的系统100)的环境600的图。需注意，为了便于解释和简洁，图1的一些元件和项目在图6中示出和重复使用。
136.环境600示出了手术室601和控制室602。手术室601包括医师115，其对桌子130上的患者125执行医学规程。显示器165呈现图像显示651和智能工具栏652。医师115可穿戴设备653，诸如如本文所述的眼睛跟踪装置。控制室602包括技术人员660，其正在操作具有与显示器165的连接665的控制台160，该控制台包括标测引擎101。在一些情况下，显示器165可为包含智能工具栏652的简化触摸屏。
137.一般来讲，环境600可包括通过其中描绘的系统100的部分实现的3 3d标测系统。此类标测系统合并先进成像技术，其利用电磁技术来创建患者心脏结构的实时三维(3d)标测图(例如，图像显示651)。此类系统被设计成通过以下方式帮助电生理学家(例如，医师115)导航心脏120：生成准确的3d标测图，以及在对患有心律病症(心律失常)的患者125进行的诊断和治疗规程期间找准导管110在心脏120中的准确位置和取向。在治疗导管消融规程期间，医师115通过腹股沟中的小切口插入图1的导管110，然后在那里使其通过腿部中的血管向上迂回行进到心脏120。一旦其到达心脏120，rf能量就被递送到心脏壁的特定区域以产生小的消融灶或疤痕，从而阻挡可导致心律紊乱的错误电脉冲。
138.根据一个或多个实施方案，医师115可能无法访问控制台160的键盘、鼠标或其他输入设备，因为手术室601和控制室602可分别被分成无菌侧和半无菌侧，在该无菌侧中进行医学规程(例如，心脏标测和消融规程)。技术人员660(例如，cas或其他用户)经由控制台160控制系统100，而只有智能工具栏652的预测按钮被提供给医师115。这部分地是因为医师115具有手套，握持探头105，忙于医学规程，并且不能使用控制台160。需注意，透明窗口可位于手术室601和控制室602之间。
139.由系统100生成的图像显示651有助于医师115将图1的导管110引导到心脏120中需要施用rf能量的区域。根据一个或多个优点、技术效果和/或益处，环境600的图像显示651和智能工具栏652容易地基于待解决的心律失常的类型、患者独特的健康人口统计资料和独特的偏好向医师115和技术人员660呈现gui中的预测和/或优选选项。
140.图7示出了根据一个或多个实施方案的方法700的框图。方法700描述了相对于标测引擎101的环境600的示例性操作。更具体地讲，方法700的示例性操作基于个性化工作流为智能工具栏652和控制台160提供个性化gui。
141.方法700包括训练阶段701和推断阶段702。训练阶段701是指创建标测引擎101的ml方面的过程。推断阶段702是指应用(经由ai)ml方面以进行预测的过程。
142.处理流程700的训练阶段701开始于框705、710和715，其中标测引擎101接收病例，生成数据集，并生成模型，如本文所述。框705、710和715的操作的部分可包括个性化工作流和触发的病例信息存档。
143.在常规心脏标测和消融系统中，心脏消融规程的所有细节记录在与常规心脏标测和消融系统一起提供的硬盘驱动器上。例如，硬盘驱动器连接到外部存储设备，该外部存储设备在整个规程的过程期间(包括设置时间以及医师已经完成消融之后)将心脏消融规程细节下载到外部存储设备。该方法的缺点是，无论寻求改进患者结果的医师对细节的兴趣如何，所有细节都被记录。例如，寻求改进患者结果的医师可能不对与心脏消融规程结束时的患者设置或导管移除相关的细节感兴趣。该方法的另一个缺点是，因为下载过程正在进行并且涉及大量数据，所以在心脏消融规程的进展期间进行下载过程可能对常规心脏标测和消融系统的资源施加过度的负担，从而导致心脏消融规程期间的延迟。
144.在训练阶段701的框718处，系统100将病例、数据集和模型存档在存储器(例如，图1的存储器162、可通过外部存储服务访问的基于云的设备等)中，诸如在医学规程之后。例如，将每个完成的心脏标测和消融病历(例如，完成的医学规程)的细节存档使得医师和电生理学实验室管理员能够查看、分析和共享病历和病历数据，目的是帮助改进规程效率、实验室效率和患者结果。例如，心脏消融规程通常可能需要三至六小时来完成，而复杂的规程可能需要更长的时间。通常，难以在规程开始时或在规程的过程期间预测心脏规程达到其结束将花费的时间。需注意，医学规程通常包括设置时间，在该设置时间期间，技术人员600(和其他医务人员，如护士)使患者125做好准备，同时医师115甚至可能不在手术室601中。同样，在医师115已经完成心脏消融规程之后，技术人员600(和其他医务人员，如护士)花费时间将图1的导管110从患者125移除。
145.在训练阶段701的框720处，标测引擎101学习一个或多个工作流。例如，标测引擎，通过ml，心脏标测系统可基于先前的知识学习医学规程的工作流，该先前的知识包括(1)不同医师在进行心脏标测和消融时的特定偏好，(2)患者心律失常的独特特性，以及(3)患者的个人健康人口统计资料。这样，标测引擎101可确定在医学规程的过程期间是否发生设置和/或做出关于在设置步骤期间是否存档数据的决定。例如，如果技术人员600(和其他医务人员，如护士)正在设置患者，则这可能不是感兴趣的，并且标测引擎101可确定不存档与设置相关的数据，从而减小存档中存储的数据量。也就是说，通过了解规程的哪个步骤是感兴趣的，并且哪些步骤不是感兴趣的，可减小存档的数据量。
146.作为框720的另一个示例，标测引擎101可准确地确定何时接近医疗规程的结束，使得存档过程可在接近规程结束时开始。这样，系统100的资源在已经发生的医疗规程的大部分期间是空闲的，并且在规程结束之后显著的系统资源不会花费在存档上。
147.根据一个或多个实施方案，在框720处学习一个或多个工作流可由标测引擎101的rnn执行。图8示出了根据一个或多个实施方案的rnn 810的结构800。
148.一般来讲，rnn是特定类型的神经网络，其是特定类型的ml。lstm神经网络是rnn网络的子类型。与学习针对每个输入给出输出的神经网络的一个区别是rnn学习告知无限长度的序列中的下一个元素。例如，在学习阶段期间，rnn采用如下输入-输出对：
149.·
该
→
总统
150.·
总统
→
是
151.·
是
→
处于
152.·
处于
→
该
153.·
该
→
白
154.·
白
→
宫
155.rnn具有存储器，并且因此也考虑了所有先前输入。为了更精确，rnn采用如下所示的输入-输出对：
156.·
存储器+该
→
总统
157.·
存储器+总统
→
是
158.·
存储器+是
→
处于
159.·
存储器+处于
→
该
160.·
存储器+该
→
白
161.·
存储器+白
→
宫
162.另外，rnn网络记住历史在无限长度的序列中的影响。换句话讲，rnn的存储器受到序列中的所有先前元素的影响。如果rnn仅学习上述句子，则每当它看到字词“该”时，它将建议添加字词“总统”或“宫”。然而，在句子自动完成的上下文中，rnn可从报纸、书籍、维基百科、期刊等中学习数百万个句子。一旦rnn学习得足够多，它就能够相当准确地预测下一个字词。
163.另外，rnn能够建议多个“接下来移动”，每个移动具有置信度水平。例如，在句子“该公告是在白中做出的”之后，rnn可建议：
164.·
宫：97％
165.·
衬衫：2％
166.·
面包：1％
167.标测引擎101可示出具有最高置信度水平(例如，前3个)和/或高于某个置信度阈值(例如，高于50％)的若干预测。具体地讲，标测引擎101可诸如通过智能工具栏652在gui中提供该自动完成能力。
168.更具体地讲，如结构800所示，各种事件(例如，用户事件、传感器事件和混合事件)用作rnn 810的输入820。输入820还可包括特定规程类型和心动过速状态。
169.用户事件的示例包括但不限于：(1)用户点击采集按钮；(2)用户点击新标测图按钮；(3)用户隐藏附加标测图窗口；(4)用户将点列表向左移动；(5)用户将ref导管的颜色改变为“橙色”；等等。
170.传感器事件的示例包括但不限于：(1)检测到消融开始事件；(2)检测到起搏开始事件；(3)检测到介于100和149之间的每分钟心跳次数(bpm)值；(4)检测到介于150和199之间的bpm值；(5)检测到介于200至249之间的bpm值；(6)检测到bpm在最后60秒内增加至少25％；(7)检测到bpm在最后60秒内减少至少25％；(8)眼睛跟踪器检测到用户(医师)正在查看附加标测图窗口；(9)眼睛跟踪器检测到用户正在查看点列表窗口；等。另选地，一些传感器事件可以是：(1)消融开启；以及(2)起搏开启。重要的是要提及了与仅触发一次的“消融开始”和“消融结束”事件不同，“消融开启”事件在消融接通期间一直被连续触发。
171.混合事件的示例包括但不限于从传感器检测到事件。然而，与医师没有控制(例如，检测到血压增加)的传感器事件不同，混合事件可由医师再现。因此，混合事件包括但不限于：(1)检测到与导管的连接；(2)检测到与picasso导管的连接；等。混合事件可与消息或动作相关联，诸如(1)“检测到导管的连接
→
您想要连接
导管吗？”或(2)“检测到picasso导管的连接
→
您想要连接picasso导管吗？”172.每个用户事件、传感器事件和混合事件可由rnn 810的二进制输入820表示(当检测到事件时为“1”，在任何其他时间为“0”)。每个用户事件和混合事件(但不是传感器事件)可以是rnn 810的输出830。
173.更具体地讲，如结构800所示，rnn网络的输出830为任意振幅的正实数或负实数。为了获得每个输出的概率，输出830可经由softmax函数来归一化。在应用softmax函数之后，所有输出的总和将总是等于100％。softmax函数给出了作为0％和100％之间的数字的每个输出的概率。softmax函数定义为等式1：
[0174][0175]
其中x值为输出，j为在每个输出上迭代的指数，i为计算其概率的输出的索引，并且exp(xi)为被定义为e(2.71828
…
)到x的幂的自然指数函数。
[0176]
因此，在训练阶段701期间，将所有事件馈送到rnn 801中。rnn801学习事件的序列。另外，标测引擎101分析许多心脏标测和消融案例(来自框705)，使得输入-输出对可作为事件序列馈送到rnn 810。学习可在全球范围内、对于每个医院、对于每个医师115(例如，在现场、区域中、国家中、对于每个装备等的医师)和/或对于每个手术室601执行。如果要在全球范围内执行学习，则学习可在云中或在系统100的制造商的楼宇处执行。如果对于每个医院、每个医师115和/或每个手术室601要执行学习，则可在位于楼宇(环境600内)的服务器上执行学习。可提供预先训练的网络作为默认rnn。预先训练的网络可通过本地病例来进一步训练。需注意，提供预先训练的网络是本文的系统100的优点。也就是说，可能的是，系统100的制造商可收集足够的病历以从零训练rnn。并且，虽然单个医院可能没有足够的病例以从零训练rnn，但医院可从系统100的制造商预先训练的默认rnn开始，并且用本地病例进一步定制该网络。
[0177]
处理流程700的推断阶段702包括在框730和735处，其中标测引擎101发起规程(例如，医学规程)并且接收信息(例如，生物计量数据、健康数据、用户偏好数据)，如本文所述。另外，处理流程700的推断阶段702包括在框745和760处，其中标测引擎101检测活动并预测工作流。
[0178]
一般来讲，在推断阶段702中，将规程的所有事件(框730)连续馈送到rnn 810。也就是说，一旦rnn 810已在训练阶段701中充分学习，其就可预测用户事件或混合事件。因此，使用信息(框735)和检测的活动(745)，可向rnn 810馈送医师115执行的或传感器检测到的所有事件。rnn 810然后推断医师115的“可能的接下来移动”。“可能的接下来移动”可填充在智能工具栏652中。rnn还可计算每个接下来事件或移动的概率。标测引擎101和/或系统100可显示(例如，在框765处输出图像数据)具有最高概率的预定数量的可能接下来事件和/或具有高于预定阈值的概率的可能接下来事件。在框770处，标测引擎101和/或系统100可检测用户反馈，该用户反馈可被提供以用于进一步训练，眼睛跟踪相关。
[0179]
在一个示例中，根据一个或多个实施方案，系统100的自动化可利用图6的设备653以用于在图7的框745处检测事件。也就是说，设备653的眼睛跟踪是一种传感器技术，该传
感器技术使得系统100可以知道医师115正在查看何处(例如，跟踪一只眼睛或两只眼睛的注视行为)。另外，设备653的眼睛跟踪可检测医师115的存在、注意力和焦点，诸如“固定”的特殊兴趣或点，其中注视停止移动并且持续足够长的时间以使医师115处理所看到的内容。在一个示例中，设备653的眼睛跟踪可被布置用于附接到眼睛，诸如具有嵌入式反射镜或磁场传感器的特殊接触镜片，并且附接的移动是在假设其在眼睛旋转时不显著滑动的情况下测量。在另一个示例中，设备653的眼睛跟踪可合并到可穿戴眼镜中。因此，设备653的眼睛跟踪可由医师115穿戴并且用于捕获医师信息查找行为，从而提供先前不可用于常规心脏标测和消融系统的附加信息层。医师115可配备有用于跟踪医师在显示器165上的注视的眼睛跟踪眼镜。例如，结合本文所讨论的pv隔离规程，通过提供眼睛跟踪能力，系统100可跟踪进行医疗程序的医师115的注视行为。例如，如果医师115正在执行心脏标测并且决定用于消融的位置，则眼睛跟踪可向系统100提供关于医师在到达用于消融的该目标位置时的思考过程的一些见解，诸如医师115是否考虑心脏120内的用于消融的其他目标位置、那些另选目标所位于的位置，以及为什么在决定用于消融的该位置之前考虑和拒绝那些位置。
[0180]
作为另一个示例，肺静脉(pv)隔离是用于停止心脏120中引起心律问题的异常电信号的规程。在医学规程下，可在心脏120的两侧上的肺静脉的周长上创建多个消融灶。当医师115完成左肺室的消融时，系统100可将标测图查看器调整为针对右肺室更好地优化的视图。
[0181]
在另一个示例下，医师115可查看若干消融灶以确定哪个是不完整的。通过利用眼睛跟踪技术，系统100可确定医师115正考虑多个消融灶，并且在此基础上可向医师115提供以其他医师在过去创建的消融灶的示例形式的指导，以供医师用于确定哪个消融灶是不完整的。这样，医师115可获得在心脏120内的该特定位置处形成完整消融灶时面对类似问题的其他医师的思考过程的益处。
[0182]
根据一个或多个实施方案，图6的智能工具栏652(或在类似gui结构中)通过各种按钮、图标等提供对系统100的各方面的快速访问。在一些情况下，智能工具栏652可为空的。另外，每当医师115点击按钮(例如，“切换到双极性标测图”、“点采集”、“过滤设置”等)时，该信息被馈送到rnn 810。另外，将上下文事件诸如“消融开始”、“消融结束”、“刺激开始”、“刺激结束”、心动周期长度的变化、心律失常的变化馈送到rnn 810。另选地，可回向地收集该信息。在运行时，rnn 810跟踪对按钮的点击并相应地将项目添加到智能工具栏652。例如，rnn 810可学习到在周期长度的改变之后，医师将按压“新标测图”按钮的可能性为高。
[0183]
根据一个或多个实施方案，图6的智能工具栏652(或在类似gui结构中)提供自动完成和/或字词完成特征，其中标测引擎101预测医师115正在键入的内容。医师115通常可指示建议的接受。当自动完成在仅几个字符已被键入到文本输入字段中之后正确地预测用户打算输入的字词时，自动完成会加速人机交互。
[0184]
根据一个或多个实施方案，图6的智能工具栏652(或在类似gui结构中)可显示按钮、消息或建议。
[0185]
例如，图6的智能工具栏652(或在类似gui结构中)可显示前n个“可能的接下来移动”，诸如前三个移动。并且/或者，可基于特定置信度阈值诸如50％置信度来填充“可能的接下来移动”。需注意，训练阶段701可提供用于计算概率的基础值，使得当事件发生时，该
事件接收1，并且当事件不发生时，该事件接收0。因此，在推断阶段702中，可基于通过置信度的训练来生成预测作为这些预测的值。需注意，每个新病例是训练的一组新输入。
[0186]
另外，如果可能的接下来移动是用户事件，则用户事件可被显示为智能工具栏652中的按钮(例如，按钮被放置在更可见的地方，具有轮廓或另一个标记等)。例如，“用户已隐藏附加标测图窗口”事件可触发在智能工具栏652中显示“隐藏附加标测图窗口”按钮。“用户将ref导管的颜色改变为橙色”可触发在智能工具栏652中显示“使ref导管为橙色”按钮。
[0187]
此外，如果可能的接下来移动是混合事件，则可向医师115显示对应的消息。例如，“检测到连接”事件可触发“您现在想要连接导管吗？”消息。
[0188]
根据一个或多个示例性具体实施，图6的环境600可包括至少以下事件：
[0189]
e1＝眼睛跟踪器检测到用户正在查看附加标测图窗口；
[0190]
e2＝用户按压采集按钮；
[0191]
e3＝患者的氧饱和度(spo2)介于90％和95％之间；
[0192]
e4＝用户已隐藏了点列表；
[0193]
e5＝用户将来自导管的ecg的颜色改变为绿色；
[0194]
e6＝用户按压新标测图按钮；
[0195]
e7＝医师开始消融；以及
[0196]
e8＝患者的血压下降到100mm hg以下。
[0197]
因此，图8的rnn 810学习预测下一个事件，而不管该事件是用户事件、传感器事件还是混合事件。例如，如果序列是e1、e6、e3、e4、e4、e1、e6，则rnn 810可预测“下一个事件将可能是e2”。在一些情况下，rnn 810可区分用户事件、传感器事件和混合事件。对于用户事件，如果rnn 810认为下一个事件是“用户将可能按压特定按钮”，则作为设计决定，标测引擎101可被编程为将该按钮添加到智能工具栏652以使用户更容易找到该按钮。
[0198]
对于传感器事件，如果rnn认为下一个事件是“医师将可能开始消融”，则可由标测引擎101做出设计决定以不对该预测起作用。在标测引擎101感测到医师115已开始消融的情况下，这是可被馈送到rnn 810中作为输入820的信息，因为其是事件序列的一部分。作为算法的一部分，rnn 810不能忽略所执行的事件序列中的步骤。然而，如果rnn 810预测“医师将可能开始消融”，则不需要动作。在一些情况下，无需向智能工具栏652添加按钮、消息和/或问题。如果rnn 810将下一个事件预测为“医师将可能开始消融”，则在原始态实施方案中，可忽略该预测。然而，在更复杂的实施方案中，标测引擎101甚至可首先防止rnn 810预测该事件。rnn 810可以该事件影响序列，作为输入820的一部分，但不是输出830的一部分(如图8所示)的方式构建。在原始态实施方案中，rnn 810可预测标测引擎101可忽略的传感器事件(不对该预测起作用)。在另一个实施方案中，rnn 810可以传感器事件根本不是输出830引脚的一部分的方式构建。
[0199]
对于混合事件，如果rnn 810预测下一个事件最有可能是“眼睛跟踪器将检测到医师将查看附加标测图窗口”，则标测引擎101可向智能工具栏652添加按钮以使附加标测图窗口最大化。如果rnn 810预测下一个事件是最有可能是“医师将连接导管”，则标测引擎101可被编程为发出陈述“请考虑连接pentaray导管”的消息。如果rnn 810
预测下一个事件最有可能是“血压将下降至100mm hg以下”，则标测引擎101可被编程为发出陈述“请密切监测患者的血压”的消息。需注意，如果事件如“血压已下降”和“血压将下降”是相同的事件，但一者在过去意义上被表述为输入820并且一者在未来意义上被表述为预测(输出830)。换句话讲，同一事件(上面的e8)在其被rnn 810感测为输入820时在过去意义上表述，并且在被rnn 810预测或输出830时在未来意义上表述。
[0200]
另外，如果事件e8被定义为传感器事件，则当rnn 810预测到“下一个事件将可能是e8”时，标测引擎101可忽略该预测(通过定义
…
因为这是对传感器事件所做的)。然而，与传感器事件不同，不忽略混合事件。标测引擎101显示消息，或将特定按钮添加到智能工具栏652，或突出显示按钮，或询问问题等。
[0201]
附图中的流程图和框图示出了根据本发明的各种实施方案的系统、方法和计算机程序产品的可能具体实施的架构、功能和操作。就这一点而言，流程图或框图中的每个框可表示指令的模块、区段或部分，该指令包括用于实现指定逻辑功能的一个或多个可执行指令。在一些替代具体实施中，框中指出的功能可不按附图中指出的顺序发生。例如，取决于所涉及的功能，连续示出的两个框实际上可基本上同时执行，或者框有时可以以相反的顺序执行。还应当注意，框图和/或流程图图示中的每个框以及框图和/或流程图图示中的框的组合可通过执行指定功能或动作的基于专用硬件的系统或者通过专用硬件和计算机指令的组合来实现。
[0202]
虽然上文具体地描述了特征和元件，但本领域的普通技术人员将会知道，每个特征或元件均可以单独使用或以与其它特征和元件的任何组合使用。此外，本文所述的方法可在被结合在计算机可读介质中的计算机程序、软件或固件中实现，以供计算机或处理器执行。如本文所用，计算机可读介质不应理解为暂态信号本身，诸如无线电波或其他自由传播电磁波、传播通过波导或其他传输介质的电磁波(例如，穿过光纤电缆的光脉冲)或通过电线传输的电信号。
[0203]
计算机可读介质的示例包括电子信号(通过有线或无线连接传输)和计算机可读存储介质。计算机可读存储介质的示例包括但不限于寄存器、高速缓存存储器、半导体存储器设备、磁介质诸如内部硬盘和可移动磁盘、磁光介质、光学介质，诸如光盘(cd)和数字通用盘(dvd)、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或闪存存储器)、静态随机存取存储器(sram)和记忆棒。与软件相关联的处理器可用于实现在终端、基站、或任何主计算机中使用的rf收发器。
[0204]
应当了解，本文所用的术语只是为了描述具体实施方案的目的，并非旨在进行限制。如本文所用，除非上下文另有明确说明，否则单数形式“一个”、“一种”和“该/所述”包括复数指代。还应当理解，术语“包括”和/或“包含”在用于本说明书中时指定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或多个其他特征、整数、步骤、操作、元件部件和/或其组的存在或添加。
[0205]
本文对各种实施方案的描述是出于说明的目的而呈现的，但并非旨在穷举或限于所公开的实施方案。在不脱离所述实施方案的范围和实质的情况下，许多修改和变型对于本领域的普通技术人员而言将是显而易见的。选择本文所用的术语是为了最好地解释实施方案的原理、相对于市场上存在的技术的实际应用或技术改进，或者使得本领域的其他普通技术人员能够理解本文所公开的实施方案。