CN113747827A - 骨和软组织的智能组织分类器 - Google Patents

Abstract

一种用于关节组织的术中状态分析和分类的方法，所述方法包括以下步骤：经由位于所述关节组织附近的多个传感器感测所述关节组织的数据以检测对刺激的响应；通过经验证的工具确定状态分析和分类信息；将感测到的数据处理成适合参照比较值进行评估的形式；利用经处理信息的历史数据集生成用于预测所述状态分析和分类的工具；以及使用基于处理术中获得的刺激反应而生成的工具来执行所述状态分析和分类。

Description

骨和软组织的智能组织分类器

技术领域

本发明总体上涉及骨和软组织的分析。更具体地，本发明涉及在术中环境中所述组织的生物状态分析和分类。

本发明主要开发用于矫形外科手术的方法和***中，并且特别是用于矫形外科手术应用中骨和软组织的生物状态分析和分类的***和方法，这些矫形外科手术应用包括矫形外科手术程序的术后护理和评估并且将在下文参考合本申请进行描述。然而，应了解的是，本发明不限于此特定使用领域。

背景技术

整个说明书中对背景技术的任何讨论绝不应被视为承认此类背景技术是现有技术，也绝不承认此类背景技术是众所周知的或者形成澳大利亚或全世界该领域的公知常识的一部分。

本说明书中引用的所有参考文件(包括任何专利或专利申请在内)均通过援引并入本文。不承认任何参考文件构成现有技术。对参考文件的讨论陈述了其作者的主张，而申请人保留质疑所引用文件的准确性和相关性的权利。应清楚理解的是，尽管本文引用了许多现有技术出版物，但是这种引用并不意味着承认这些文件中的任何文件构成了澳大利亚或任何其他国家的本领域公知常识的一部分。

了解组织的状态和分类允许在手术期间采取各种改变和预防措施，从而可以提高患者的成功率和康复率。

这在涉及肌肉骨骼***的手术中尤其明显，在这些手术中，不良的组织状态可能会对身体运动和范围产生物理影响，很可能伴随着某种程度的疼痛。诸如软骨、肌肉和骨等关节组织构成了该***内的关节，使得该***起作用，但其性能自然地随着其工作而退化。

全膝关节成形术是矫形外科手术的一种重要形式，其中必须使用截骨术从参与膝关节的骨中去除预定量的硬组织。然后将假体植入物固定在其余的骨上，以替换被去除的硬组织。当股骨、胫骨和膝盖骨周围的软骨开始消散时，通常需要进行这种手术。这致使它们在正常运动期间相互摩擦，并承受更多水平的压力，而这些压力通常应被软骨吸收。通过将假体植入物(其旨在代替软骨吸收压力)***这些骨中，可以显著减少这些影响。

可以使用以下两种不同方法之一将假体植入物固定到关节硬组织。第一种方法是通过将假体植入物直接附接到硬组织上并且依靠骨整合，该骨整合是指硬组织自然地生长到假体植入物中并使其稳定。这是更自然的方法，通常会产生更强的连接界面。第二种方法是通过骨接合剂，该骨接合剂是在假体植入物与硬组织之间形成牢固的结合的固定剂。这种方法依赖于接合剂的强度和可维护性，它不如天然骨可靠，并且取决于其生产情况，可能具有毒性。这也导致了在定位截骨术和***假体植入物时的难度增加，因为必须考虑到所施加的接合剂的大小及其在施加压力前后的分布。一般根据下层组织的健康状况选择植入物的固定方法。如果是健康的，则可以直接植入，否则必须依靠骨接合剂。

根据国家健康统计中心的数据，仅在美国，每年就进行了超过700,000例全膝关节成形术手术，预计到2030年将上升到348万例。这些手术中的绝大多数手术最初都是成功的，患者的平均年龄为66.2岁，他们报告了疼痛明显减轻并且活动能力增强。然而，在术后经过一段持续时间后，可能出现需要额外修复手术的问题。所有膝关节置换手术中约有8％是这种情况，这一数字在2030年将同样增加601％。

这些问题与假体植入物与硬组织之间的界面质量有关。它们通常是由不完美的植入操作引起的，但持续或突然的创伤也可能导致或至少加剧它们。这些原因包括无菌性松动、感染、聚乙烯磨损、不稳定、疼痛、骨溶解和位置不正，分别占所有修复手术的23.1％、18.4％、18.1％、17.7％、9.3％、4.5％和2.9％。每个原因通常都是相互依赖的，一个原因的出现可能是由另一个原因的开始所触发或影响。

无菌性松动是修复手术的最大原因，是指植入物和关节组织界面处的固定失败，导致患者疼痛水平增大和不稳定。无菌性松动的病因包括四个主要原因。首先是对假体植入物的磨损颗粒的生物反应。假如施加了足够的应力，则在0.3到10微米的临界范围内的小颗粒有可能从植入物脱离。取决于关节组织的健康状况和患者的遗传学，这于是可能导致基于巨噬细胞的炎症反应，从而导致骨溶解。

第二个原因是关节内流体压力的积聚。这是由于关节周围裸露的硬组织或磨损颗粒导致滑液过量产生的结果。这种过量的滑液产生额外的压力，其可能导致骨灌注异常或局部缺血，从而导致坏死和骨溶解。

第三个原因是植入物的物理设计，其中，表面的图案和轮廓影响骨整合的速率和潜力。如果这种影响是负面的，则向内生长的量可能不足以使假体稳定和固定。

第四个原因是患者的生物学特性，包括特定于患者的特性，比如其年龄和习惯、可能影响关节的任何先前存在的感染或疾病、以及患者的遗传。如果患者参加常规体育锻炼(如跑步)或天生关节虚弱，则患者的风险将增加。

这种因果关系可以至少部分归因于下层关节组织和相应患者的状态或替代性地健康状况。尽管存在各种能够分析组织状态和结构的程序，但无法在术中确定组织状态之前得出最终结论。

术中组织状态分析和分类的常用方法通常依赖于实施手术的外科医生的视觉分析。这意味着独立于术前知识的任何基于组织状态的调整或变化通常都依赖于外科医生的经验。这种依赖性导致患者满意度和手术寿命的差异，据报道，其中20％的全膝关节成形术患者对其结果不满意。通过在术中获得更多关于受体组织的知识，可以提高外科手术操作的质量和外科医生对未知情况做出反应的能力。

获得有关组织状态和分类的一定程度知识的术前方式通常是基于侵入性的程序，这些程序需要将组织或细胞的部分去除以进行后续分析。取决于分析技术，可以辨别出任何特定组织样本的成分、拓扑结构、矿物质和水含量等信息。

这些收集的组织样本所需的准备工作可能很长，并且包括许多保存和固定技术，以试图保持组织的原始、自然状态，防止明显的退化。尽管如此，组织的成分将通常会因这种准备过程而与原始成分有不同程度的差异。这种差异必须在任何后续分析中得到适当考虑，以确保结果的可移植性和可比性。

尽管在这些侵入性程序期间，患者通常处于麻醉状态的影响，但有些手术仍会被证明是痛苦的，这取决于提取点周围的组织是否可以容易被麻痹。取决于程序的不同，还需要恢复时间，这可能意味着患者会有轻微的不适。对于他们的身体来说，这将意味着被提取组织的再生，从而导致暂时的脆弱性，包括感染的风险。这些情况的发生(或者说更多的是后果)限制了取得组织的可能性，因为担心患者的痛苦，只能提取微量的组织。

因此，被去除的少量组织或细胞负责代表其周围的群体，这不一定在所有情况下都是如此。如果情况并非如此，则可能会观察到不正确的结论，这将导致比潜在的重新测试更大的问题。

不需要侵入性程序或直接提取组织的方式确实存在，但侧重于组织的结构分析，而不是其成分。这可以辅助分类，因为位置对定义关节组织的类型很有用，但它对确定状态的作用相对较小。

非侵入性程序通常是通过向受体输出某种形式的能量并在能量反射回来或穿过时监测该能量来工作。虽然这通常被认为是安全的，但更流行的程序往往围绕着X射线的使用，这是一种形式的辐射。与此相关联的风险通过对其输出中涉及的机器进行严格控制而减少，但仍然存在。

在这些术前方式中，分析主要由人类进行，这意味着无法确定性地证明结果和结论的准确性。这是因为个人的技能在很大程度上取决于他们的经验和教育，这意味着有时需要附加的意见。

随着人工智能和数据科学的进步，现在可以将大量数据处理成有意义的信息，否则这些数据很难辨别。这使得新技术(如光学和声学分析)能够提供与组织的状态和分类有关的进一步信息，同时消除了当前技术所经历的许多缺点。

本文公开的发明提供了一种在术中环境中执行关节组织的状态分析和分类的方法。

发明内容

本发明提供了可以在手术中执行的用于关节组织状态分析和分类的***和方法。特别地，本发明提供了用于从不同传感器收集数据、处理该数据并将其包含在机器学习、数据科学和数学算法和技术的准备阶段和执行阶段中的方法。

一方面，本发明提供了用于基于数据生成方法收集不同类型数据的***，这些数据可以描述与关节组织相关的各种属性。优选***在典型的外科手术环境中包括多个不同的传感器和可能的捕获工具，其中，传感器以自动化方式共同操作以便以透明方式辅助外科医生。

所选择的传感器可以包括可以独立存在或作为传感器***或传感器组的一部分存在的至少一个传感器。各个传感器可以能够从与其受体共存、在其受体内或针对其受体的不同角度、位置、附近区域、布局或布置，基于各种属性、特性、事件或测量来监测、感测和收集数据，该受体可以是关节组织、周围环境、动作或相互作用的结果、单个的***或装置或者***或装置的集合、以及任何其他有利的源或源系列。传感器可以是完全自足式的，或者可以需要附加的装置、服务、平台、或条件才能被适当地接口连接、配置或操作。

所选的传感器可以包括基于拉曼光谱、光谱成像、高光谱成像、光学成像、热成像、荧光光谱、显微镜、声学、3D计量学、光学相干断层扫描、运动、平衡、激光功率、以及可以在术中贡献数据的任何其他单个的、组合的或序列的感测形式的传感器。

所感测的属性可以包括组织的成分、水合、密度、坏死、着色、反射系数、热一致性以及可用于描述状态或分类的任何其他单个的、组合的或序列的属性。

在一个实施例中，当外科医生在执行工作中的至少一个动作时，感测可以在手术中透明地发生。在出现导致可行的感测条件发生变化的任何妨碍的场景中，此感测过程可以暂停、省去、或以其他方式忽略所感测的数据，这些妨碍可以包括人员遮挡传感器、光或噪声过多、受体的不利运动、以及任何其他单个的、组合的或序列的不利感测条件。

在另一个实施例中，感测可以在预定的或术中计算的持续时间内中断外科手术的自然进程，以提供有利于感测程序的环境。这种中断可以包括外科手术环境的改变，这种改变可以包括人员的临时撤离、照明的修改或变暗、大气的更改、受体的重新定位、以及任何其他单个的、组合的或序列的环境改变。

在一个实施例中，所感测的数据可以基于提供该数据的单个传感器来解释，而与可能在周围或与该传感器相关地操作的其他传感器无关。

在另一个实施例中，所感测的数据可以基于传感器***、一个或多个传感器组来解释，其中的内含物可以是一致的或者由属性、相似性、条件、状态、以及任何其他单个的、组合的或序列的分组因子限定。

在另一个实施例中，可以对基于传感器的集合而解释的所感测的数据进行总结，以提供越来越准确的信息，作为用于确定工作效率的容错措施，或者以任何其他单个的、组合的或序列的方式使用，其中所涉及的传感器的联合可能是有益的。

在进一步的实施例中，对源自单个传感器***、单个传感器组、或多个传感器组的所感测的数据的解释可以与环境条件或内部条件以及物理传感器布置无关或有关，该物理传感器布置可以包括温度、湿度、压力、变化的照明量以及它们的方向、不同位置、角度、附近区域、或布局、以及任何其他单个的、组合的或序列的影响因素。

在另一个方面，本发明提供了用于将所感测的数据预处理成可以增加其可用性的至少一种不同的顺序形式的方法。优选方法包括清理数据以删除噪声和冗余、改变数据的格式或排列、以及对数据进行采样以分离可能被认为有益的部分或区域。

将由选择的传感器提供的所感测的数据的形式将取决于这些传感器，并且可以包括波长、信号、任意数量、方程、坐标、模型、以及任何其他单个的、组合的或序列的可直接或间接解释的数据形式。

所感测的数据的预处理可以涉及以相同或交替顺序的各种不同、相似或相同的方法，以产生单个或多个顺序形式，从而形成最终形式。一些算法或方法可能并不适合于所有形式的数据或传感器类型，然而这可能会改变，只要进行适当的修改即可。每个单独的形式可能会产生好处，顺序变换的目的不一定是为了单独产生最终形式。

在一个实施例中，可以删除其附加值可能对从其余数据推导出的结论没有重大影响或不正确或错误的较大数据区段或数据集合。这可能包括其中没有出现感兴趣事件或可能支持感兴趣事件的方面的数据，该数据由不稳定的值以及其中效用的提取不切实际或可忽略的任何其他单个的、组合的或序列的状态组成。例如，可以修剪声学样本以删除无声部分。

在另一个实施例中，与具有结构相似性的相同、相似或不同事件相对应的数据集或系列可以被求平均值或以其他方式组合以概括可能存在包括噪声或错误数据在内的变化的部分或区域，然后可以将其从单个或组合的数据集或系列中删除。

在进一步的实施例中，可以将单独不具有价值的相似数据总结或组合成单个或多个代表性数据集，以减少纯粹的数据量，而并不明显影响任何推导出的结论。

在一个实施例中，数据的格式、形式或结构可以通过以下方法来重新排列、更改或改变，以产生附加的或替代性的效用，这些方法可以包括将数据展平并改变特定值或有序值之间的位置或关系。

在一个实施例中，可以对数据进行采样以提取被认为更有利的区域或部分，或者创建可以被分开地处理或操纵以用于比如交叉验证和测试等目的的数据样本系列或数据样本集。

在另一方面，本发明提供了用于将经预处理的数据操纵成可以增加其可评估性的至少一种不同的顺序形式的方法。优选方法包括将经预处理的数据规范化以将其限制在可比较的范围内、分解数据以限定其组成要素、对这些要素执行分数丰度估计、以及将它们聚合成具有显著效用的实体。

经预处理的数据的操纵可以涉及以相同或交替顺序的各种不同、相似或相同的方法，以产生单个或多个顺序形式，从而形成最终形式。一些算法或方法可能并不适合于所有形式的数据或传感器类型，然而这可能会改变，只要进行适当的修改即可。每个单独的形式可能会产生好处，顺序变换的目的不一定是为了单独产生最终形式。

组成要素表示原始数据中存在的独立分量或总结分量。所产生的组成要素的数量和类型取决于数据形式、任何先前执行的处理方法、发生感测的情形或环境、以及可能导致数据中存在多个分量的任何其他单个的、组合的或序列的条件。关节组织的组成要素典型地包括松质骨、皮质骨、软骨、脂肪、韧带、肌肉、或半月板。可以存在作为这些组成要素的专业化属性的附加组成要素，其可以包括成分、水合、密度、坏死、反射系数、温度、或可能描述关节组织状态的任何其他单个的、组合的或序列的要素。

分数丰度表示数据中特定的单一组成要素或组成要素的组合的存在。这种丰度或相对量取决于方法、情形、环境和导致或影响其相关联的组成要素提取的任何其他单个的、组合的或序列的条件。

在一个实施例中，可以通过以下算法和方法对数据进行规范化，诸如恒定移位、平滑、缩放、标准正态变量、基线校正、包络线去除法、或能够改善数据一致性的任何其他单个的、组合的或序列的算法或方法。

在一个实施例中，可以将数据分解或反卷积成其组成要素或特征，这可以通过以下算法和方法来实现，包括自动目标生成过程、像素纯度指数、N-FINDR、匹配滤波、独立分量分析、非线性最小二乘、模糊k均值、以及能够实现分解的任何其他单个的、组合的或序列的算法和方法。取决于所提供的数据的形式及其目的，如果不进行潜在的修改，这些算法和方法中的某些算法和方法可能是不可能的。

在另一个实施例中，可以在开始提取组成要素之前对组成要素进行识别，以确定数据中可能存在的组成要素以及可以辅助其提取的任何指示。

在另一个实施例中，可以以有益的方式对组成要素序列或组成要素集进行求平均值或组合，只要它们共享或不共享任何相似的模式或其他可以用作分组工具的要素即可。当组成要素的数量大于预期的数量时，可能会发生这种情况。

在进一步的实施例中，分解可以包括数据降维以降低复杂性和计算负荷，这可以通过以下算法和方法来执行，包括决策树、随机森林、高相关滤波器、后向特征消除、因子分析、主成分分析、线性判别分析、广义判别分析、以及能够去除维度或以其他方式辅助该过程的任何其他单个的、组合的或序列的算法和方法。

在一个实施例中，分数丰度估计可以通过以下算法和方法来计算，诸如无约束最小二乘法、非负约束最小二乘法、完全约束最小二乘法、模糊k均值、以及能够估计分数丰度或以其他方式辅助该过程的任何其他单个的、组合的或序列的算法和方法。

在另一个实施例中，可以分离有利的、有益的或提供替代效用的分数丰度估计的部分或区域。

在进一步的实施例中，该分离可以集中在其中分数丰度的系列或集合相差很大或有意义的程度的区域，这可以为随后的机器学习、数据科学和数学算法或方法提供益处或附加效用。

在一个实施例中，可以将代表性的、组成的或其他单个的数据、要素或特征的集合聚合在一起，成为单个实体或更少的实体，这些实体可以更容易地处理，而同时保持相似或增加的效用。

在另一方面，本发明提供用于机器学习、数据科学和数学算法和方法的准备和执行阶段的方法。优选方法包括使用经过验证的经处理数据以监督方式训练多个机器学习、数据科学和数学算法或方法，然后可以向其提供原始处理数据以基于该训练生成相应的输出。

可以对所使用的数据进行处理，以确保其在与机器学习、数据科学或数学算法或方法结合使用时，其形式能够促进提高效用。这种形式可能取决于所感测的数据的初始状态、打算使用的算法或方法、以及其使用背后的意图。其可以被定义为规范化、经过清理的数据，仅包含原始数据集的经处理或代表性部分，这些部分将有利于如先前方面内定义的特定机器学习、数据科学或数学算法或方法。

一些经处理的数据可以被验证，使得其取决于机器学习、数据科学或数学算法或方法的预期输出已经通过外部工具确定和确认。

机器学习、数据科学、以及数学算法或方法可以基于监督方式。这些算法或方法可以包括线性和多项式回归、逻辑回归、朴素贝叶斯网络、贝叶斯网络、支持向量机、决策树、随机森林、k近邻分类器、神经网络、以及任何其他单个的、组合的或序列的监督方式。

在一个实施例中，经验证的经处理数据池将被拆分成不同目的的至少两个分部，其中这些划分不一定是均匀的或成比例的。

在另一个实施例中，可以以顺序的、同时的、或周期性的方式将单个拆分的经验证的经处理数据或拆分的经验证的经处理数据集提供到单个或多个机器学习、数据科学、或数学算法或方法中。

在一个实施例中，可以将其余拆分的经验证的经处理数据中的全部或部分数据的单个数据或数据集提供给先前训练的单个或多个机器学习、数据科学、或数学算法或方法，以测定其相应输出相对于外部确认输出的准确性。

在另一个实施例中，特定训练的机器学习、数据科学、或数学算法和方法的准确性可以取决于其统计显著性而被认为足够的，该统计显著性可以通过其预测或估计的应用来确定或影响。

在进一步的实施例中，如果证明准确性不够，则所选的经验证数据、其输入程序、单个或多个机器学习、数据科学、或数学算法或方法、或任何其他单个的、组合的或序列的原因可以被修改、删除、重新排列、或添加，以便可能提高准确性。

在一个实施例中，可以将经处理的原始数据提供给单个训练的机器学习、数据科学、或数学算法或方法或其集合，以产生相应的输出。

在另一个实施例中，可以对来自至少两个机器学***均值、组合或比较，以便可能得出越来越明确的结论。

根据本发明的一个方面，提供了一种用于关节组织的术中状态分析和分类的方法，该方法包括以下步骤：

经由位于关节组织附近的多个传感器感测关节组织的数据；

通过经验证的工具确定状态分析和分类信息；

将感测到的数据处理成适合参照比较值进行评估的形式；

利用经处理信息的历史数据集生成用于预测状态分析和分类的工具；以及

使用基于术中提供的经处理的刺激生成的工具来执行状态分析和分类。

这些传感器可以包括可以独立存在或作为传感器***或传感器组的一部分存在的至少一个传感器。这些传感器可以包括完全自足式的，或可能需要附加的装置、服务、条件、平台、或任何其他单个的、组合的或序列的需求才能被适当地接口连接、配置或操作。各个传感器可以能够基于各种性质、特性、事件、测量或任何其他单个的、组合的或序列的特征来监测、感测和收集数据。这可以从与其受体共存、在其受体内或针对其受体的不同角度、位置、接近度、附近区域、运动、速度、布局、布置或任何其他单个的、组合的或序列的设置而进行。

受体可以是关节组织、周围环境、动作或相互作用的结果、单个的***或装置或者***或装置的集合、以及任何其他有利的源或源系列。出于保存、识别、统一、固定的目的、以及任何其他单个的、组合的或序列的状态争论，可以通过任何可能的方法对该受体进行处理以影响其原始、初始或当前状态。受体可以在结构上、化学上或通过任何其他单个的、组合的或序列的方式被修改，该方式能够作为任何术中程序、手术、或任何其他单个的、组合的或序列的医疗操作的一部分或独立于其而改变该受体的形式。

这些传感器可以操作以基于每个单个的传感器或传感器类型、传感器或传感器类型的分组、传感器或传感器类型的定位、传感器或传感器类型的角度、传感器或传感器类型的附近区域、或能够提供可独立或共同分析的有利的数据组合的任何其他单个的、组合的或序列的配置或布置。传感器可以以自动化方式、通过人工触发、或这两者的任意组合或序列来工作。每个传感器不一定具有相同的控制方案，任何数量的控制方案都适合于任何数量的传感器。

人工触发涉及任何形式的非自动触发，这可以包括按钮、语音命令、手势控制、所有形式的物理致动、以及任何其他单个的、组合的或序列的人工控制。

传感器可以无限期地、周期性地、单次地、或以任何其他单个的、组合的或序列的感测方式进行感测，可能受到情形、环境、用户控制、传感器配置、以及能够具有直接或间接效果的任何其他单个的、组合的或序列的变量的影响。

感测可以实时地、近实时地、通过某种形式的延迟处理、或以任何其他单个的、组合的或序列的处理方式而工作，可能受到情形、环境、用户控制、传感器配置、以及能够具有直接或间接效果的任何其他单个的、组合的或序列的变量的影响。

传感器可能需要外部介入才能正确地操作，该外部介入可以包括该传感器的位置、角度、附近区域、接近度、配置、照明、定时的改变、以及任何其他单个的、组合的或序列的传感器、情形或环境的改变。

数据或其他信息可以由经验证的人员、数据库、***或任何其他单个的、组合的或序列的内部或外部数据源提供，这些内部或外部数据源可能已经经过验证和确认。

状态分析是指关节组织的状态，包括成分、水合、密度、坏死、着色、反射系数、热一致性以及可以用于描述状态的任何其他性质或特性。

分类是指可能类型中的关节组织类型，其可以包括松质骨、皮质骨、软骨、脂肪、韧带、肌肉、半月板以及任何其他的关节组织类型。

经验证的工具可以包括专家手术声明、单个或多个术后验证技术、以及可以被认为具有适当准确度水平的任何其他单个的、组合的或序列的验证形式。验证可以由医疗记录和历史、家族血统、遗传因素、受体的典型生活方式和环境、以及可能不能直接推导出结论但可用于支持可直接推导出的结论的任何其他单个的、组合的或序列的因素来支持。

适合于任何特定验证的准确度水平可能取决于所使用的技术、该技术被用于的受体、应用该技术的人员、该技术发生的环境或情形、从该技术推导出的信息、该技术重复的次数、支持该技术的信息或数据的数量、联合使用的类似或不同技术的数量、以及任何其他单个的、组合的或序列的有影响的要素。

所感测的数据的处理涉及与将所述所感测的数据变换成可评估形式相关的工作中的至少一个动作。数据的变换可以包括涉及单个的、多个的、组合的或序列的预处理步骤的工作中的至少一个动作。

预处理步骤可以包括清理数据，包括删除或修复任何有噪、错误或冗余的数据、以及可以删除过失数据或提高其余数据的整体效用的任何其他单个的、组合的或序列的过程。预处理步骤可以包括将数据格式化，包括将数据重新排列成更适当的结构或形式、将数据展平、或从其当前存储装置中提取、以及可以提高数据的可用性的任何其他单个的、组合的或序列的格式化。预处理步骤可以包括对数据进行采样，包括所述数据的部分的选择或划分、或可能产生更具有代表性或更有利的数据的任何其他单个的、组合的或序列的过程。

数据的变换可以包括涉及单个的、多个的、组合的或序列的原始或经预处理的数据的操纵的工作中的至少一个动作。原始或经预处理的数据的操纵可以包括所述数据的规范化、缩放或对齐，使得其可以在可比较的范围内或达到某一附加水平的可比较性。原始或经预处理的数据的操纵可以包括所述数据的分解或反卷积，以便能够将数据的代表性或其他特定特征或部分拆分为组成要素或单独提供更多效用的要素。所述原始或经预处理的数据的操纵可以包括基于在反卷积数据内识别的组成要素来估计分数丰度。所述原始或经预处理的数据的操纵可以包括所述数据的聚合，使得数据的各个特征、组成要素、区段或部分可以组合成单个实体。

数据的变换可以包括与可以更好地准备所述数据以供使用的任何其他单个的、组合的或序列的过程、操纵、生成、更改以及任何其他功能、技术或方式相关的工作中的至少一个动作。

如果诸如传感器控制器或桥接装置等附加实体已单独地或独立地执行了此处理，则所感测的数据的处理可能不需要执行或可能部分地执行。

数据预处理和操纵过程的排序或存在可能不反映它们在此处的排序。

比较值是呈相似形式或者呈其他可比较形式的数据集，该数据集属于单个的、组合的或序列的关节组织。

用于执行组织状态分析和分类的工具的生成可以包括涉及机器学习、数据科学、数学或计算实体、概念、模型、方程或任何其他单个的、组合的或序列的实施例的训练或构建的工作中的至少一个动作。

训练是指向机器学习、数据科学、数学或计算实体、概念、模型、方程或任何其他单个的、组合的或序列的实施例提供数据，其中，所述数据可以创建、填充、改变、增加、计算或以其他方式参与建立该实施例的功能性所需的任何初步或准备阶段。

经处理的数据的历史数据集可以包括先前在之前的任何时间点已经由与预测工具的生成兼容并可用于生成预测工具的任何单个的、组合的或序列的工具处理的数据。

历史数据集中存在的数据可以源自所使用的单个传感器、多个传感器、传感器集合或序列，可以通过具有可验证专业知识、先前医疗记录和历史、家族血统、专利生活方式和预期环境的人员外部提供，可以从准确且经过良好测试的数据源、之前发现的连接中取得，以及来自可以提供可用或支持数据的任何时间段的任何其他单个的、组合的或序列的来源。

构建是指涉及开发可以用于预测、生成、计算、验证、确认或与机器学习、数据科学、数学或计算实体、概念、模型、方程或任何其他单个的、组合的或序列的实施例相关的任何其他单个的、组合的或序列的使用中的模拟或其他实体的工作中的至少一个动作。

经训练的机器学习、数据科学、数学或计算实体、概念、模型、方程或任何其他单个的、组合的或序列的实施例可以预测组织状态、组织分类或两者，以独立地、与其他实施例协作、作为集合的一部分或通过分组或协作设置的任何其他形式来单独地改变准确度。

用于术中关节组织状态分析和分类的方法包括光谱或高光谱分析。

光谱或高光谱传感器可以包括整个电磁谱内可用的任何单个波段或可能波段的组合。

可能涉及附加光源以增强或调整光谱或高光谱分析，这些光源可以包括UV、可见光、红外线、以及任何其他单个的、组合的或序列的光源。

预处理步骤可以包括删除任何有噪、冗余或错误的数据，将数据重新排列或格式化为更适当的结构或形式，数据的调整或规范化，对数据进行采样以提取更具代表性或更有益的部分或区段，以及可以提供有益或替代效用的任何其他单个的、组合的或序列的步骤。

原始或经预处理的光谱数据的操纵可以包括与所述光谱数据的分解相关的工作中的至少一个动作。

光谱数据的分解可以包括降维，其可以涉及诸如主成分分析、线性判别分析、二次判别分析、以及可以降维的任何其他单个的、组合的或序列的技术。

光谱数据的分解可以包括与将所述光谱数据中的各种光谱反卷积、端元确定或解体为若干光谱特征或属于组成原始光谱数据的单个或一组端元的其他形式的可识别数据相关的工作中的至少一个动作。

光谱数据的分解可以包括与反卷积的光谱特征及其原始光谱的反演以估计光谱或光谱数据内每个端元的丰度分数相关的工作中的至少一个动作。

原始或经预处理的光谱数据的操纵可以包括与概括光谱数据或衍生物的区段、区域或部分相关的工作中的至少一个动作，其中，各种波长、测量值或其他信息彼此有被认为有利程度的差异。

用于术中关节组织状态分析和分类的方法包括声学分析。声学传感器可以具有任何可能的采样率，包括人类可以想象的采样率、超声波和任何其他单个的、组合的或序列的范围。声学信号可以由能够独立地产生声音的物体或致动器产生，通过与另一实体接触而产生，或通过任何其他单个的、组合的或序列的动作或功能而产生。

预处理步骤可以包括删除任何有噪、冗余或错误的数据，将数据重新排列或格式化为更适当的结构或形式，数据的调整或规范化，对数据进行采样以提取更具代表性或更有益的部分或区段，以及可以提供有益或替代效用的任何其他单个的、组合的或序列的步骤。

原始或经预处理的声学数据的操纵可以包括与所述声学数据的分解相关的工作中的至少一个动作。

声学数据的分解可以包括降维，其可以涉及诸如主成分分析、线性判别分析、二次判别分析、以及可以降维的任何其他单个的、组合的或序列的技术。

声学数据的分解可以包括与将声学信号或数据反卷积、端元确定或解体为若干组频率、振幅、或属于组成原始声学数据的单个或一组声源的任何其他单个的、组合的或序列的可识别方面相关的工作中的至少一个动作。

声学数据的分解可以包括与所述解体的声学信号及其原始信号的反演以估计声学信号或数据内每个端元的丰度分数相关的工作中的至少一个动作。

原始或经预处理的声学数据的操纵可以包括与概括所述声学数据或衍生物的区段、区域或部分相关的工作中的至少一个动作，其中，各种频率、振幅、测量值或其他信息彼此有被认为有利程度的差异。

执行状态分析和分类可以涉及执行先前生成或构建的预测工具，并且可以涉及与其准备或初始化相关的工作中的至少一个动作。

先前生成的工具可以包括机器学习、数据科学、数学或计算实体、概念、模型、方程或任何其他单个的、组合的或序列的实施例。

执行状态分析和分类可以涉及执行与至少一个模拟或其他实体的使用相关的工作中的至少一个动作，该模拟或其他实体可以用于预测、生成、计算、验证、确认或与机器学习、数据科学、数学或计算实体、概念、模型、方程或任何其他单个的、组合的或序列的实施例相关或作为其辅助的任何其他单个的、组合的或序列的使用。

所感测的、原始的、经预处理的、操纵的、解释的、经处理的、可用的、可评估的、或任何其他单个的、组合的或序列的生成的、导出的或接收的数据可以以电子方式进行存储，这可以离线、在线、或通过这两者的某种组合进行，以供稍后取得、处理、或任何其他单个的、组合的或序列的使用形式。

所需的任何处理或存储可以在定制或通用***中内部发生，在集中式、分散式或其他在线实体上外部发生，或以任何其他单个的、组合的或序列的计算方式发生。

在术中环境中可以发生工作中的至少一个动作。工作中的至少一个动作可以以相同的、不同的或交替的顺序发生，并且可以产生相同的、相似的、或不同的最终结果。工作中的至少一个动作可以实时地、近实时地、通过某种形式的延迟处理、或任何其他单个的、组合的或序列的处理方式而发生。

附图说明

尽管存在可能落入本发明范围内的任何其他形式，现在将参照附图仅通过举例的方式描述本方面的优选实施例，在附图中：

图1是抽象的示意流程图，描绘了包括完整实施优选实施例所需的步骤的术中组织类型和成分分析过程；

图2是详细的示意流程图，描绘了如在图1的示例性数据收集步骤中引入的在收集和获取数据时涉及的数据源和相关程序；

图3是详细的示意流程图，描绘了如在图1的示例性数据收集步骤中引入的将数据变换成更可评估的形式以便在预测算法和方法中进一步使用所需的预处理和操纵；

图4是详细的示意流程图，描绘了如在图1的示例性数据解释步骤中引入的能够基于现有处理的数据产生与组织类型和成分有关的信息和性质的预测算法或方法的类型；

图5总体上展示了基本感测***和可以使用该基本感测***的示例术中环境；

图5A总体上展示了图5中***的高光谱感测***，其基于受体收集光谱数据；

图5B总体上展示了图5中***的声学感测***，其基于受体收集声学数据；以及

图6示出了根据本发明的实施例的可以在其上实施本文所描述的各种实施例的计算装置。

定义

以下定义是作为一般定义提供的，并且绝不应将本发明的范围限制为仅这些术语，而是为了更好地理解以下描述而提出的。

除非另外定义，本文所使用的全部技术术语和科学术语具有与本发明所属领域的普通技术人员通常所理解的相同意义。应进一步理解的是，除非本文明确地定义，否则本文所使用的术语应被解释为具有与本说明书的上下文和相关领域中的含义一致的含义，并且将不以理想化或过于正式的意义来解释。出于本发明的目的，下面定义了其他术语。此外，应理解如本文所定义和使用的所有定义均覆盖词典定义、通过援引并入的文件中的定义、和/或所定义的术语的普通含义，除非对特定术语的含义有疑问，在这种情况下，以该术语的通用词典定义和/或通用用法为准。

为了本发明的目的，下面定义了以下术语。

冠词“一”和“一个”在本文中用于指代该冠词的语法对象为一个或多于一个(即，至少一个)。举例而言，“一个要素”是指一个要素或多于一个要素。

术语“约”在本文中用于指相对于参考量变化多达30％、优选地多达20％、更优选地多达10％的量。使用语‘约’来限定数字仅是该数字不应被解释为精确值的明确指示。

在整个说明书中，除非上下文另外要求，否则词语“包括(comprise,comprises，comprising)”将被理解为暗示包含所陈述的步骤或要素或步骤组或要素组，但并不排除任何其他步骤或要素或步骤组或要素组。

如本文所使用的术语“包含”或“其包含”或“该……包含”中的任何一个也是开放术语，其还意味着至少包含该术语之后的要素/特征，但并不排除其他要素/特征。因此，“包含”意指“包括”并与其同义。

在权利要求书以及上面的发明内容部分和下面的具体实施方式部分中，比如例如“包括”、“包含”、“承载”、“具有”、“含有”、“涉及”、“持有”、“由……构成”等所有过渡性短语应理解为开放式的，即是指“包括但不限于”。仅过渡短语“由……组成”和“基本上由……组成”应分别是封闭的或半封闭的过渡短语。

术语“实时”，例如“显示实时数据”，是指在给定***的处理限制和准确测量数据所需的时间的情况下无有意延迟地显示数据。

术语“近实时”，例如“获得实时或近实时数据”是指无有意延迟(“实时”)或尽可能接近实时地(即，有少量但最小的延迟)获得数据，无论是否在获得和记录或传输数据的***的约束和处理限制内有意为之。

描述了优选方法和材料，然而在本发明的实践或测试中可以使用与本文所描述的方法和材料类似或等同的任何方法和材料。应了解的是，本文所描述的方法、设备和***可以以各种方式和出于各种目的来实施。这里的描述仅是通过举例的方式。

如本文所使用的，术语“示例性”是在提供示例的意义上使用的，而不是在指示质量。即，“示例性实施例”是作为示例提供的实施例，而不一定是示例性质量并且用作期望的模型或代表同类最佳的实施例。

本文所概述的各种方法或过程可以被编码为可在采用多种操作***或平台中的任何一种的一个或多个处理器上执行的软件。另外，可以使用多种合适的编程语言和/或编程或脚本工具中的任何一种来编写这种软件，并且还可以将其编译为可执行的机器语言代码或在框架或虚拟机上执行的中间代码。

在这方面，各种发明构思可以体现为一个或多个计算机可读存储介质，其可以包括计算机存储器、一个或多个软盘、压缩盘、光盘、磁带、闪速存储器、现场可编程门阵列或其他半导体器件中的电路配置、以及任何其他非暂态或有形的存储介质。这些介质可以用一个或多个程序编码，该一个或多个程序当在一个或多个计算机或其他处理器上执行时将执行实施本文所讨论的本发明的各个实施例的方法。一个或多个计算机可读介质可以是可转移的，从而可以将存储在其上的一个或多个程序加载到一个或多个不同的计算机或其他处理器上，以实施如上文所讨论的本发明的各个方面。

本文在一般意义上使用术语“程序”或“软件”来指代可以用来对计算机或其他处理器进行编程以实施如上文所讨论的实施例的各个方面的任何类型的计算机代码或计算机可执行指令集。另外，应了解的是，根据一个方面，当被执行时执行本发明的方法的一个或多个计算机程序不需要驻留在单个计算机或处理器上，而是可以以模块化的方式分布在多个不同的计算机或处理器之间以实施本发明的各个方面。

计算机可执行指令可以以多种形式存在，如程序模块，并且可以由协作水平可能有不同程度的差异的单个的、组合的或序列的计算机或其他装置来执行。程序模块通常包括例程、程序、对象、组件、数据结构以及执行特定任务、实施特定抽象数据类型或协调不同过程的任何其他单个的、组合的或序列的组件、结构或可执行实体。典型地，在各个实施例中，程序模块的功能性可以根据需要组合或分布。

数据结构可以以任何合适的形式存储在计算机可读介质中。为了说明简单起见，数据结构可以被示出为具有通过数据结构中的位置而相关的字段。这样的关系同样可以通过在计算机可读介质为字段存储指派位置来实现，这些位置传达这些字段之间的关系。然而，可以使用任何合适的机制来建立数据结构的字段中的信息之间的关系，包括通过使用指针、标签或在数据要素之间建立关系的其他机制。

各种发明构思可以体现为一种或多种方法，已经提供了该一种或多种方法的示例。作为方法的一部分被执行的动作可以按任何适合的方式来排序。因此，可以构建以下实施例，其中动作以不同于所示顺序来执行，这可以包括同时执行一些动作，尽管在说明性实施例中被示出为依序动作。

如本文在说明书中使用的，短语“和/或”应当理解为是指这样联合的要素中的“任一个或两个”，使得要素在一些情况下共同存在而在其他情况下分开存在。用“和/或”列出的多个要素应以相同的方式解释，即如此联合的要素中的“一个或多个”。除了用“和/或”短语具体标识的要素，其他要素可以可选地存在，无论是与具体标识的那些要素相关还是不相关。因此，作为非限制性示例，当结合开放式语言如“包括”使用时，对“A和/或B”的提及可以在一个实施例中仅指A(可选地包括除了B的要素)；在另一个实施例中，仅指B(可选地包括除了A的要素)；在又另一个实施例中，指A和B(可选地包括其他要素)；以及可以包括相关联要素的并集、交集或其他组合的任何其他实施例。

如本文中在本说明书和权利要求中所使用的，“或”应被理解为具有与如上所定义的“和/或”相同的含义。例如，当分隔列表中的各项时，“或”或“和/或”应被解释为包容性的，即包括多个要素或要素列表中的至少一个要素，而且还包括多于一个要素以及可选的其他未列出的项。只有明确地指示相反的术语(比如“仅其中一个”或“恰好其中一个”)或者当在权利要求中使用时，“由……组成”将指包含多个要素或要素列表中的恰好一个要素。一般而言，当之前有排他性术语、比如“任一个”、“……之一”、“……中的仅一个”、或“……中的确切一个”时，本文中使用的用语“或”应当仅被解释为指示排他性替代品(即，“一个或另一个、而不是两个”)。当在权利要求中使用时，“基本上由……组成”应具有其在专利法领域中使用的普通含义。

如在本说明书和权利要求中所使用的，关于一个或多个要素的清单的短语“至少一个”应被理解为是指选自要素清单中的任一个或多个要素的至少一个要素、但不一定包括要素清单内具体列出的每一个要素的至少一个、并且不排除要素清单中要素的任何组合。这个定义还允许可以可选地存在除了在短语“至少一个”所指的要素清单内具体标识的要素之外的要素，而无论是否与具体标识的那些要素相关还是不相关。因此，作为非限制性示例，“A和B中的至少一个”(或等效地，“A或B中的至少一个”，或等效地“A和/或B中的至少一个”)在一个实施例中可以是指至少一个、可选地包括多于一个A，而不存在B(并且可选地包括除了B的要素)；在另一个实施例中，可以是指至少一个、可选地包括多于一个B，而不存在A(并且可选地包括除了A的要素)；在又另一个实施例中，可以是指至少一个、可选地包括多于一个A，以及至少一个、可选地包括多于一个B(并且可选地包括其他要素)；以及可以包括包含和排除A、B和任何其他相关联要素的不同组合的任何其他实施例。

出于本说明书的目的，在方法步骤按顺序描述的情况下，该顺序不一定意味着步骤在时间上按那个顺序执行。这些步骤可以完全交替的顺序执行，这可能意味着一些同时发生或完全省略。

另外，在以马库西(Markush)群组形式描述本发明的特征或方面的情况下，本领域技术人员将认识到，也由此以马库西群组的任何单个成员或成员子组的形式描述了本发明。

具体实施方式

以下详细描述是本发明的示例，并且不应被所描绘的实施例限制范围内，也不应以任何方式将其理解为对上文所陈述的本发明的广泛描述的限制。对这些实施例进行了足够详细的描述，以允许本领域技术人员实践或实施本发明。除非另外说明，否则所描述或展示的组件的精确形状、尺寸和外观不是本发明所期望或要求的。应理解的是，可以对所提及的或其他相关的实施例中的任何实施例进行任何利用、组合、或者结构、逻辑、电气和机械上的改变、变化、增加或修改，而不脱离本发明的范围。类似地，任何功能上等效的产品、合成物和方法以及在本说明书中单独或共同提及或指出的所有单个的、组合的和序列的步骤、特征、结构、序列、过程、组合物和化合物也将落入该范围内。

除非另有说明，否则本文所引用的所有文件(包括专利，专利申请、期刊文章、实验室手册、书籍、图表、存储库、以及任何其他形式的文件或其他供参考的资源)的全部公开内容绝不意味着承认现有技术、本领域技术人员所需要的现有知识或常识权利或对本发明的任何其他联系或假设。

在整个描述中，除非另有说明，否则词语‘包括(comprise)’、‘包含(include)’以及可能由‘包括(comprising，comprises)’、‘包含(including)’或‘包含(includes)’组成的任何变体将被理解为暗示包括规定的整数或一组整数，但不排除任何其他整数或整数组。除非另有说明或指定，诸如‘约’或‘大约’等相关语言将被理解为在其主题的正负方向上应用10％的可变性。所选术语的其他定义可以在本文中找到，除非另外重新定义，否则将适合于该节的其余部分。所有其他定义将反映本发明领域的普通技术人员或主题领域所声明的普通技术人员的共同理解。

通过附图所呈现的特征是使用本发明阶段的数字排序来提及的，这些特征与附图本身内的逻辑排序一起属于本发明阶段，除了用作初始概览的第一张附图之外。

相似或相同的附图标记可用于表示相同或相似的特征。

将以涉及在矫形外科手术期间分析关节组织的特定部分以确定该组织的状态和分类的实施例来描述本发明。然而，本发明在术中组织分析领域具有更普遍的适用性。

基于本文背景技术的讨论，很明显，用于分析组织状态和分类的当前方法是次优的并且仅在有限的场景中可用。本发明的实施例旨在通过提供允许在术中环境中进行分析、提高从该分析推导出的信息的准确性并在相关程序期间为涉及的人员提供支持的替代方案来改进这一点。

这是通过利用一种替代方式来实现的，这种方式围绕着使用各种传感器，结合在众多受体分析中取得和存储的数据。不同类型的传感器基于单个受体或受体组合产生数据，可以对该数据进行处理和解释以提取无法人工获得的信息。这是由从历史上生成的数据和相关联信息中训练而来的算法和方法所支持的，这些算法和方法可以在给出与受体相关的相同输入时预测与受体相关的状态和分类信息。

应当理解，本发明不限于矫形外科手术，也不限于任何形式或类型的组织。

生物组织是异质结构，可以吸收、反射、散射和重新发射光。可以通过称为漫反射光谱法的过程来检测和测量从组织反射的光。可以通过称为荧光激发光谱法的过程来检测和测量所发射的自发荧光。大多数组织(包括关节组织)由于其生化和形态状态而在紫外线、可见光和近可见光范围内表现出独特的光谱特性。通过感测和处理这些独特的光谱，可以对组织的状态进行分类和确定。

该过程通常涉及光源和捕获方法。光源(其类型取决于被捕获的光的形式)必须照亮组织。捕获方法(如反射探头和光谱仪)将基于该光的曝光从组织中捕获结果。其可以在术前用于组织样本，也可以在术中用于患者，而不会导致组织状态发生任何变化。其在机械上是非侵入性的，因为取决于所使用的光源，它可以能够到达皮肤下方一定程度，但由此获得的结果不太可能与裸露的等效物相当。

生物组织的机械振动取决于其成分和类型而不同。当组织通过这种振动充当声源时，组织周围的介质(如空气和其他组织)因此开始振动。当声波从声源处传播开来时，这将继续下去。这些声波可以通过声学传感器(如麦克风)检测和捕获。通过监听不同的声音，可以区分不同的组织类型并确定其成分的各个方面，如含水量或密度。

该过程需要初始冲击以触发组织或声源中的振动。例如，这种初始冲击可能是由来自致动器、激光脉冲或空气喷射的严格控制的冲击产生的。这将产生可以使用声学传感器捕获的声波，该声学传感器必须在事件的范围内并且具有足够高的采样率以从中提取足够的细节。该过程可以在术前和术中使用，但必须小心确保初始触发冲击不会对下层组织造成损害。取决于冲击触发，它可以能够到达皮肤下方一定程度并基于产生的声音提供信息，同时考虑到作为缓冲的上皮组织。这将限制可以获得的信息量，但诸如骨密度等性质仍然很容易获得。

从这些不同类型的传感器中取得到的数据通常需要经过解析、处理和变换，然后才能用于各种机器学习、数据科学和数学技术。这可能涉及多个步骤，具体取决于所涉及的传感器和预期技术。首先处理数据，这通常分为两个不同的部分，预处理和操纵。预处理由以下组成：数据的清理、重新排列、格式化和采样，以获得更加可用的形式。操纵由以下组成：对经预处理的数据进行缩放或对齐，将其分解成其组成或代表性要素，然后在必要时将结果聚合。

训练阶段在此处开始，其建立特定的机器学习、数据科学或数学技术，并使其能够识别其主题。训练由以下组成：将一组经处理的数据与其组织状态或分类基础真值相匹配，并确定它们的哪些值或值的组合会导致哪个事实。一旦在训练阶段获得了足够数量的数据，就可以执行该技术。

使用经训练的特定机器学习、数据科学或数学技术通常涉及将不具有匹配的组织状态或分类基础真值的经处理数据传递给它。使该数据所包含的值通过该技术运行，并与通过先前训练获得的预先存在的基础真值相匹配。这个预先存在的真值将是属于该数据的组织的预测的匹配组织状态或分类。可以使用确实具有匹配的基础真值的数据重复此过程，以确定技术的准确性，具体取决于给定真值与其实际真值的匹配程度。

图1是描绘术中组织状态和分类分析方法10的示意流程图，被分割成包括该方法的各个步骤。以概述形式说明了这些步骤之间的信息流以及它们可能包含的各个处理。数据收集100利用可能交替布置的一系列不同传感器以基于受体(其可以是组织)产生不同数量和类型的数据。数据处理200预处理并操纵该数据以产生具有提高的可用性和可评估性的形式。数据解释300将该经处理的数据传递到能够预测状态和分类信息的各种模型和算法中。这些模型和算法最初是基于历史分析信息与实际对应结果之间的映射进行训练的，并且可以包括人工神经网络(ANN)等，如技术人员将理解的。一旦填充完毕，就可以传递新的经处理数据，其中，识别的指标将被映射到对应的值、预测状态和分类信息。

图2是描绘了图1中描绘的类型的示例性数据收集和取得步骤100的详细示意图。在众多可能的实施例中，数据可以通过在类型、数量和布置方面可能不同的一系列传感器收集，或者可以通过与受体或围绕受体的程序相关的外部源取得。

传感器可以独立地起作用，或者作为传感器***或传感器集合的一部分协作地起作用，其中每个传感器将以某种方式协作以提高所感测的数据的质量或数量。每个传感器可以是完全自足式的，或者可能需要附加装置或***来处置所需处理的全部或部分。

传感器的物理布置应使其围绕着受体(例如，正在进行或先前已经进行矫形外科手术程序的患者的关节，例如膝、肘、髋、肩等)，其方式为使得多个传感器的感测潜力最大化，同时对周围环境的干扰最小。如果传感器在协作设置中作为***的一部分存在，则这些传感器的布置应反映出这一点，例如从不同角度感测该受体，然后将不同视角拼接在一起。

取决于实施例，传感器可以是自动化的、人工触发的或通过这两者的某种组合来控制的。在必须创建适当的感测环境的情况下，当存在这种环境时，人工控制传感器会更加合适。可以通过可能包括语音控制、手势控制和不同形式的物理致动的方式来实现人工控制，后者由于其精确控制而存在于优选实施例中。否则，让他们在无介入的情况下自主工作以提供信息会更有利。这些方式也可能存在变化，比如传感器一旦感知到所需条件就会自动触发。

传感器通常将以周期性的方式进行感测，因为所感知的变化可能不太可能持续发生，并且传感器的感测速率可能受到限制。在一些实施例中，感测可能仅需要发生一次或可能持续地提供尽可能接近实时的信息馈送。在感测到快照或特定状态的情况下，可以执行以延迟时间形式提供所感测的数据，因为可能需要多个状态来产生有益的数据。

所选择的传感器及其配置将取决于其所感测的受体。对组织进行感测通常包括至少一个二维扫描仪、三维扫描仪和高光谱或光谱传感器。这些应当定位在组织周围，特别关注感兴趣的区域，可能与正在执行的程序有关。

这些传感器中的一些传感器实时操作并周期性地进行感测。其他传感器可能会在感测发生后恢复环境之前被排除在直接操作之外，直到达到人员为手术室环境准备了理想的感测条件的点。在这两种情况下，都可以为可信人员提供除其自主操作之外的人工触发传感器的机会。人工触发应当包括物理按钮或触摸屏，以实现高效的二元交互。

现在转向图2，更详细地描述了图1的数据收集和取得步骤100。应当取决于所使用的传感器针对可能发生的任何感测程序准备101周围环境和相关人员。这可能涉及环境的隐式准备，以确保或提高最佳条件发生的可能性，或者如果所涉及的传感器在典型条件期间无法进行高效感测，则涉及环境的临时显式修改。这些修改可以包括让人员移动任何妨碍设备并且调整任何环境条件，如照明。优选实施例将需要隐式准备、以及显式准备的一些要素。由于从金钱和医学角度来看，矫形外科手术通常都受时间限制，因此依赖于在手术周围工作的周期性传感器比需要不断更改设置的传感器更合理，但设置配置更改在程序期间发生的次数很少可以是可接受的。

应当针对可能发生的任何感测程序准备102传感器的配置，只要使得其环境允许感测成为可能或是至少高效的即可。这可能涉及既独立地又彼此相关地改变传感器的位置、对齐和取向。对于这些改变，可能需要附加设备，比如支架或平台。在优选实施例中，传感器将已经具有作为预先构建的***或平台的一部分的所需配置。当机会出现时，该整个***可以在相对较小的时间范围内移动就位，从而减少了环境影响和干扰。在准备101和102完成之后，感测程序103可以开始。

感测将基于设置的持续时间发生，该持续时间基于特定设置布置中存在的传感器的特定类型和数量来确定可能重复次数。在需要针对感测而调整环境和传感器配置的实施例中，这些参数可能受到其设置的约束。在矫形外科手术期间，该持续时间可能只有几分钟，因为时间对手术程序的成功至关重要，因此感测的重复次数同样受到限制。在允许被动式传感器的实施例中，该持续时间可以取决于正被感测的受体的总使用期限或相对于该受体执行的动作，从而允许相对较多的重复次数，而这些重复次数与所涉及传感器的能力有关。在感测发生之后，如果需要的话，可以恢复先前实施的准备措施101、102。

还可以通过从经验证的人员或***104(其可以包括文件、记录和数据库)提供来直接收集数据。在特定实施例中，这将包括可以提供关于患者或其正在经历的操作的附加信息的任何资源，比如患者记录、医疗记录和历史操作或外科手术数据。

将收集所感测和提供的所有数据，并按照图3中详细描绘的必要处理步骤200的要求以易于访问的方式105进行呈现。收集可以涉及以认为是最有用的格式来提取数据，该格式一般由数据所源自的传感器确定。所感测的数据最初可能以原始形式出现，必须将其转换为可以从中提取含义的数据，通常通过外部控制单元来执行。类似地，所提供的数据可以以比如纸等不易访问的形式出现，这需要输入到数字***中以进行改正。在特定实施例中，所有数据将以相同方式存储，使得可以以相同方式访问它们。这种存储方法理想地是中央***的随机存取存储器(RAM)，然而可以使用固态驱动器或硬盘来代替，这取决于原始数据量和遍历所需的处理速度。在其他实施例中，可以使用数据库来存储和访问该数据。其可以使用SQL规定的严格存储和访问准则，或者使用比如NoSQL等技术而是更灵活且可扩展的。

图3是描绘了图1中描绘的类型的示例性数据预处理和操纵步骤200的详细示意图。数据将被处理以变换为一般就其可用性和可评估性两者而言具有更大效用的形式。

数据源201包括所涉及的收集的数据，其中收集的数据至少包括原始感测的数据和/或从可信人员或***提供的数据，这些数据是从位于受体周围的多个传感器生成的和/或是外部提供的。该数据应包含足够的信息以确定其相关联组织的状态和分类。

处理数据背后的意图是在预测算法和方法(包括例如机器学习或人工神经网络***)中为训练和执行做好最佳准备，如技术人员将理解的。这可以涉及不同类型的预处理和操纵，以将数据变换成就此用途产生最大益处的形式。

预处理数据涉及将其变换成具有优越可用性的形式202，以为后续数据操纵做准备并从中产生最大效用。该数据初始地可能采用某种原始形式，其可能包含噪声、错误或冗余。如果在正常处理期间使用了包含这些缺陷的数据，则可能导致多余的计算、不一致或错误的结果。因此，取决于缺陷的类型和严重性，必须将其修复或删除203。

有噪数据可以定义为部分正确但包含其他损坏或错误部分的数据。正确数据与错误数据之间的比例是关于可以响应于其而采取的动作类型的指标。如果只有少量错误，则可以基于正确数据来修复此量，或者可以将其删除，只要其余数据以其缩减形式提供足够的益处即可。然而，如果不正确数据的量很大，则将数据整体删除可能是唯一的选项。

错误数据可以被定义为是错误的且包含无法通过创建它的介质或与周围数据相关的介质而存在的值的数据。在大多数场景中，无法修复错误数据，因为其一般与应有的值无关，并且因此通常将被删除。

冗余数据可以定义为这样的数据：虽然没有错误但不会为数据集整体增加任何附加的价值或益处，而只会增加其量并带来不一致。冗余数据无法修复，因为它在技术上是正确的，并且因此通常将其删除或忽略。

删除或修复数据在很大程度上取决于数据的来源和格式以及所讨论的部分的严重性。取决于格式，删除是相对简单的，但这将使其余数据保留为缩减状态。在一些情况下，数据将保持有效，但在其他情况下可能需要进行额外修改才能实现此目的。这可能需要将其余数据与其他缩减后的数据集组合以创建完整集，或将数据替换为不会影响最终结果的虚拟数据。相比之下，数据的修复更加困难，并且需要关于预期结构的知识来确定缺失或错误的内容，以便可以将其改正。实现此目的的技术高度依赖于数据本身，甚至可能无法实现。在优选实施例中，所有冗余和错误将被直接删除，而如果可以辨别出额外的益处，则任何噪声都将被修复。

典型地，收集的数据201将需要进行重新排列和格式化，以提高访问效率并且在处理204方面使其存储更具逻辑性。这是因为其初始形式可能将基于其来源的排序和格式，比如特定的传感器、***或人员组，这对于操纵而言是次优的。

在优选实施例中，并且具体地对于预期的预测方式，重新排列将由以下组成：将可能已经建立相似性或其他关系的数据分组在一起。这使得访问或搜索相关数据或干净地表示特定方面或方面序列的数据变得更容易和更高效。格式化将由以下组成：以允许同时和随后对不同的数据集进行操纵和分析的方式将这些不同的分组结构化。这将使从一个数据集到另一个相关数据集的遍历相对简单且计算上不昂贵。其他实施例将具有不同的格式化和排列方式，这取决于旨在用于数据的操纵类型和后续预测方式。

作为预处理的一部分，可以对收集的数据201进行采样205以创建不同部分，与基于数据整体进行操作相比，这些不同部分可以提供附加效用。采样由以下组成：将数据池缩减成对特定类型的用途更有利的数据池，比如将数据整体缩减成仅可以认为代表性的部分。

在优选实施例中，并且具体地对于预期的预测方式，首先对数据进行采样以创建比数据整体更具代表性的单个数据池。即，由该代表性数据池提供的效用应等于或优于原始效用。然后，该代表性池将被分成三个不同的区段。最大的第一区段，称为训练集，将用于训练预测算法和方法。较小的第二区段，称为测试集，将用于测试经训练的预测方式。更小的第三区段，称为验证集，将用于确认经训练的预测方式的结果，这些结果相对于测试集产生了有利的准确度。

其他实施例将可能使用与预测方式一致的类似采样方式，但可以根据具体情况作出附加定制。

操纵数据208涉及将其变换成具有优越可评估性的形式，以为后续预测算法或方法做准备并从中产生最大效用。该数据最初可以呈其中每个值基于其原始如何表达而存在的形式。由于每一种表达在整个数据上可能有所不同，因此在不同集合之间实现适当水平的可比性可能是不可行的，或者可能以次优的程度实现。通过将这些值缩放或对齐到公共点209，不同集合之间的可比性增大。

在优选实施例中，并且具体地对于预期的预测方式，存在于数据集中的可以被认为是可比较的并且具有直接或类似的等效初始表达的所有值都应当进行缩放。这是因为当所有数据都在存在于某个已知范围内时，一些类型的预测分析一般更好地奏效。这还使处置数据和区分数据更加容易，特别是在需要时呈现数据时。其他实施例将可能使用类似的缩放技术，这些缩放技术将再次基于其预期的预测算法或方法。

收集的数据201可以被缩减、拆分或分解成其组成要素210，作为数据操纵的一部分。这些单独要素构成了数据，并且可以用于识别哪些现有特征可以比其他特征更有益或更具代表性。这对于预测分析非常重要，因为这些类型的特征一般可以提供良好的指标，这可以大大提高其效用。

在优选实施例中，并且具体地对于预期的预测方式，如果可以看出这些单独要素或其他特征在确定数据整体的全面描述方面做出了相当大的贡献，则数据将被分解成组成要素。

作为数据操纵的一部分，可以将收集的数据201和从其推导出的组成要素聚合在一起成为单个实体211。与用于创建聚合实体的单独要素或数据相比，聚合实体应当提供更多的效用，然而如果从存储或计算的角度做出决策，则情况可能并非如此。

聚合方式很大程度上取决于数据的应用、类型和表达以及将使用的处理其结果的形式。简化方式可以涉及将所涉及的数据一起求平均值，而更复杂的方式可以涉及为每个单独要素提供权重、并且基于这些权重执行对这些单独要素进行处理和组合的程序。随着与数据和应用的上下文有关的信息量的增加，由这些聚合方式所赋予的复杂性和效用也会随之增加。

在优选实施例中，并且具体地对于预期的预测方式，如果将产生附加效用，则应当将要素聚合在一起。这意味着，如果与单独要素相比，聚合实体更好地指示数据集的性质，则应保持聚合。聚合可以对所有数据源执行，但是由于不同的聚合算法可能需要一定量的相似性才能产生效果，因此可能会限于相似来源的数据。其他实施例将可能以类似的方式聚合数据，并且它们的依赖性决定了聚合将如何发生以及发生到何种程度。

在收集的数据201已经被预处理和操纵之后将产生最终处理的数据214。技术人员将容易理解，除了上述那些方式之外，还可以存在其他预处理方式206和操纵方式212。这些预处理方式207和操纵方式213的排序和存在可能不一定反映本文的方式的排序和存在。

图4是描绘了图1中描绘的类型的示例性数据解释和信息生成步骤300的详细示意图。这涉及在一系列不同的预测方式中使用两个不同的数据源来生成信息和值，这些信息和值可以提供对特定组织的状态和分类的见解。

第一数据源214是最近处理的数据(参见图3)以在如图3中详述的预测分析期间产生附加效用。第二数据源除了其包含先前已经生成和取得104的历史经处理数据301之外是相同的。这些源将用作可推导出的数据，可以在该数据中找到指标和其他映射机制。

包含与第二数据源内的每个值相对应的特定值集合的第三数据源302是实际组织状态和分类信息的历史数据。这被用作基础真值，并且是可以预测的。

可以通过训练和执行不同形式的机器学习、数据科学以及数学算法或方法303，基于第一数据源214来生成预测结果。在优选实施例中，这将主要由不同的监督方式组成。这些类型的方式一般在包括训练阶段和执行阶段的两个不同阶段中操作。

现在转向图4，更详细地描述了图1的数据解释和信息生成步骤300。过程300包括在机器学习或ANN框架中训练用于数据解释和输出的算法。训练阶段涉及第二数据源和第三数据源(包括由位于受体周围的多个传感器生成的经处理数据214)以及取得的历史数据104，其中，第二数据源301中的每个数据集映射到第三数据源302中的一组特定值。该训练阶段由以下组成：识别每个数据集中的指标，这些指标部分地或大部分负责此映射，使得如果另一个数据集包含这些相同的指标，则很可能该数据集也将具有相同或相似的对应值。这将继续进行，直到开发出将经解析的指标映射到它们最常引用的值的映射结构为止。

训练阶段通常使用数据的不同区段而不是数据整体来执行，这些区段可以包括训练区段、测试区段和确认区段，其中对于每个区段而言数据和对应的值都是已知的。该训练阶段首先将通过生成仅与训练区段相对应的映射结构开始。然后，将通过此结构运行测试区段中的数据，其中返回的值与该区段的实际已知值进行比较。这将根据返回值与实际值的接近程度来提供准确度的度量。如果此准确度令人满意(基于优选实施例，在95-100％之间)，则使用确认区段再次进行测试。这是为了模拟其在真实世界数据上的性能，尽管之前已经看到过训练区段和测试区段，但确认区段仍然是未知的。这可以确保映射结构对所有数据都执行良好，而不仅仅是测试区段，这种现象被称为过度拟合。

执行阶段仅涉及没有已知对应值的第一数据源214。该执行阶段最初由以下组成：识别在训练阶段期间在此源中的每个数据集内找到的相同指标。然后将这些指标提供给先前创建的映射结构，以识别它们对应的值。

监督式算法或方法在其复杂性和其预测能力方面差异很大，并且除比较点之外，同时使用各种类型的监督式算法或方法还可以产生有益的结果。这些算法或方法可以包括线性和多项式回归、逻辑回归、朴素贝叶斯网络、贝叶斯网络、支持向量机、决策树、随机森林、k近邻分类器以及神经网络。

其他实施例可以使用不同的预测方式，包括无监督、半监督和强化方式。向无监督和半监督的算法或方法提供数据集，并且使它们从该数据集中提取含义，而关于它们正在寻找的内容没有任何指示或几乎没有指示。这允许找到数据中存在的未知信息或连接，该未知信息或连接可以提供附加效用，这取决于它们是什么以及它们在其他数据集中的一致性。

强化算法或方法可以尝试运行一系列计算，目的是产生特定值。这些强化算法或方法提供正向或负向刺激，这取决于该值与其本来的值相比的准确性。当提供正向刺激时，这些强化算法或方法将继续执行与它们已经完成的计算相同的计算，并且可以执行与这些计算相似的其他计算。当提供负向刺激时，这些强化算法或方法可以停止执行当前计算，并且尝试一些不同程度的计算。典型地，向这些算法添加一定程度的随机性，以给它们提供起点，这意味着与先前的预测分析方式相比，这些强化算法或方式可能需要更多的执行循环才能达到令人满意的结果。

可以通过运行涉及可能影响组织状态的不同类型的场景和条件的模拟304来基于经处理数据214生成预测结果。这些类型的实例将很可能在数学上进行模拟，其中，添加了概率度量以考虑当前不确定的情形。

在优选实施例中，将关于可能在手术中发生的不同程序或技术及其对组织的相关联影响来设计模拟。将提供两个主要数据源。

第一数据源将是包含与组织的状态和分类有关的各种信息的经处理数据214。这将用作供模拟开始其处理的基础平台。

第二数据源301将是与第一数据源相似的信息，但是在特定事件或程序之后发生，其中任何相关联的变量是已知的。该信息将指示这些变量可能参与创建的效果。

当前，模拟已经以单数形式提及，但如果通过具有多个不同的模拟或通过将单个模拟分成各自具有自己目的或预测目标的多个单独模拟而获得附加益处，则可能并非如此。考虑到通常涉及到的复杂性，至少从开发和生产的角度来看，划分可能是有利的。

其他实施例可以利用不同的模拟，这取决于它们的上下文和应用。这可能取决于其受体和模拟的预期结果。

所生成的预测结果将用于提供对与组织的状态和分类307有关的信息的见解。这两组识别信息包括各种性质和特性，它们作为整体生成其值。它们可以单独或一起使用，以确定和告知关于特定组织的各种程序或事件的结果。

组织状态包括提供与组织健康有关的信息的一系列描述符。这些描述符通常围绕着组织的特定方面，并可能随着时间或在重大事件之后改变。成分是描述了可以构成组织的矿物质类型的一种这样的描述符。不同的矿物质及其丰度一般可以作为关于特定组织的健康状况和年龄的可靠指标，并且当这些性质出现变化时明显不同。这在测定组织密度时尤其有用，该组织密度由这些矿物质或至少特定矿物质相对于彼此紧密填塞的程度限定。热一致性是描述组织的温度及温度在组织上如何分布的另一种这样的描述符。在执行诸如截骨术等操作时，测量热一致性通常是监测组织如何受到影响的良好方式。其他状态描述符可以包括：水合，其可以描述组织内存在的水含量，可以用于测量任何先前截骨术的影响；坏死，其描述组织细胞的死亡，这可能是由截骨术方法或体内的内部问题引起的；着色，其描述组织表现出的特定颜色，其中如果没有先进的视觉传感器，通常无法辨别任何变化；以及反射系数，其描述组织可以主动反射多少颜色以及什么颜色。组织状态信息或描述符可以单独使用、在选择的集合内使用、或作为整体使用，以确定或预测特定程序或变量集对组织的结果。

组织分类包括定义特定组织的类型以及可在此基础上衍生的任何专业化属性。这可以包括骨骼、软骨、脂肪、韧带、肌肉和半月板。其可用于单独或作为所选区域或区的一部分来限定组织类型，并且可以加强或进一步告知结合状态信息得出的结论。

其他预测方式和结果信息可以存在于本文明确概述的预测方式和结果信息之外305。预测方式可能不一定仅单独地执行，如果有理由的话，它们也可以同时和顺序执行306。

图5总体上展示了组织状态和分类分析的基本实施例以及使用它的术中环境。其包括围绕患者的受体关节501(在所示情况下，患者的左膝)布置的多个传感器502。该多个传感器502可以包括不同类型和型号并且不一定具有一致性。这些传感器的数量和布置503可以取决于受体501和分析特定受体的应用的特殊性而有所不同。

一些传感器可能不能独立工作，而是可能需要附加传感器或辅助装置504，如例如光源。这些装置可以包括不同的类型和型号，并且其数量和布置505也可以根据要求而不同。

传感器502可能不直接生成数据，而是可以依赖于单独的捕获装置506来在不同程度上处置或支持该生成过程。这些捕获装置506可以包括不同的类型和型号，并且其数量和布置507也可以根据要求而不同，这些细节可能取决于其相关联的传感器502。

在特定实施例中，这些传感器和任何附加设备的受体将是在矫形外科手术期间源自膝盖501的关节组织，例如在其上执行矫形外科手术的患者的不同关节(髋、肘、肩等)。然而，该受体可以是存在于任何其他形式的手术中的任何其他形式的组织。图示的布置提供了关于在本实施例中可以如何相对于受体501定位传感器和相关联的设备的示例。通过以许多不同的角度围绕受体501定位传感器，可以假设可以获得高水平的可见度。

在相关联的医疗程序或手术期间对术中环境的临时或永久调整或修改可能是必要的，以实现合理的感测条件或提高的感测准确度。这可以包括对诸如照明513等即时环境条件的调整、对受体的位置或布置的改变(例如，通过手术床/手术台514相对于传感器502的移动)、以及人员515在环境内的去除或重新定位。

可能需要对传感器502及其相关联的设备进行类似的调整或修改，如例如计算机509和监视器510、控制器508等。取决于医疗程序或手术的类型，该相关联的设备可能需要完全脱离操作环境，并在认为必要或对患者而言安全时在特定时间间隔重新引入。在特定实施例中，相关联的设备将安全地定位在受体周围，以免干扰或妨碍相关外科手术或支持人员的视野。一旦达到手术中的某个点或相关联的设备的参与被认为是必要的，则相关联的设备可能会移近或移动到更合适的位置，然后被移回。其他实施例可能不需要任何重新定位，传感器只是作为被动式装置存在，或者它们可以优先考虑，使得在优先考虑了传感器的情况下，人员将在***确定的点移动到位置。

由传感器502提供的所有数据和信息有利地由***控制器508接收。该控制器508可以执行将数据编译成可以传递给***509的其余部分并由该其余部分解释的形式所需的任何处理量。

收集的数据将在负责执行分析过程的***509内进行处理。正如通过图1到图4中描绘的过程所定义的，该处理将包括预处理和操纵数据、基于该数据生成预测分析的工具、以及执行该分析以推导出有意义的结果。

所有生成的信息都将通过预期人员可以解释的交流媒介的形式显示。在优选实施例中，该交流媒介将是LCD屏幕，如由计算机监视器510提供的LCD屏幕。在其他实施例中，该交流媒介可以包括录音、代表性照明或打印材料。

基于用户提供的动作，与所选交流媒介的交互是可能的。在优选实施例中，这将包括键盘和鼠标511，其将使LCD屏幕510能够以自然和熟悉的方式进行交互。其还可以允许可能的交互形式更加复杂，具有更大范围的选项。在其他实施例中，这可以包括语音命令、手势命令和触摸屏界面。

***组件可以一起布置在单个***或容器512内，使得与各个组件的所有交互将包括与该容器的交互。在优选实施例中，将开发容纳所有这些组件的结构，使得它们可以以清晰和简单的方式移动、调整和相互关联。在其他实施例中，这些组件可以单独定位和布置，使得每个组件独立存在并且可以在不必影响其余组件的状态的情况下进行调整。

图5A总体上展示了图5的基本实施例的实施方式，其利用光谱或高光谱传感器进行术中组织状态和分类的分析。其包括光谱或高光谱传感器531的阵列，该阵列可以包括不同的类型和型号并且不一定具有一致性。它们可以具有电磁谱内可用的任何单个的或组合的波段，这可能是由唤起其受体的最大反应的波段决定的。这些光谱传感器的数量和布置可以取决于其受体和应用而不同532。在优选实施例中，每个受体将具有单个对应的光谱传感器，除非具有多个光谱传感器会存在益处，比如在需要多个波段但不能包含在单个传感器内的情况下。

光谱或高光谱传感器通常需要特定类型或水平的光来产生有用的信息。虽然这种光可以从自然光或手术环境引入的光中获得，但可能需要可以进行控制或表现出特定形式的光的专用光源。这些光源533通常由发生器536、传输介质(其通常是一种光纤)、以及发射器装置(比如LED或某种其他形式的导向器)组成。其可以包括可变亮度和强度的UV光、可见光和红外光，并且可以在类型、型号、数量和布置534方面不同。它们可以独立存在或耦合在其他硬件中，比如光谱或高光谱传感器。在优选实施例中，每个光谱或高光谱传感器将具有照亮其受体并提高其准确度所需的尽可能多的光源。

可能需要对环境进行临时调整，以允许光谱或高光谱传感器按预期执行。由于它们是基于光来操作的，因此这通常包括对照明的调整，这可能涉及调暗外部光以提高专用光的效果、去除其视野中的任何障碍物或可能导致阴影的障碍物、以及减少它们与受体之间的距离促进光渗透。

光谱或高光谱传感器感测到的光可能需要穿过光谱仪535才能使用。光谱仪是一种接收光并将其分成由可能的可用波段确定的单独颜色阵列的装置。每个光谱仪将与至少一个光谱或高光谱传感器匹配，这种对应的性质取决于所有涉及的组件的类型和型号。

取决于应用和传感器布置，光源和光谱仪将由单个或多个***控制器508控制并与其通信。在将接收到的数据传递到***509的其余部分之前，该控制器可能会执行某种形式的初步处理以将接收到的数据变换成更可用的形式。

优选实施例可能拥有某种形式的光谱或高光谱感测，以便区分不同类型的组织，因为每个组织可以反射和吸收不同数量和频率的光。这些量也可能受到与状态(比如也可以通过这些传感器辨别的水合和坏死)有关的变量的影响。

图5B总体上展示了图5的基本实施例的实施方式，其利用声学传感器进行术中组织状态和分类的分析。其包括声学传感器564的阵列，该阵列可以包括不同的类型和型号并且不一定具有一致性。这些声学传感器可以具有任何可能的采样率，这可能是由物理冲击其受体所引起的声音决定的。这些声学传感器的数量和布置可以取决于其受体和应用而不同565。在优选实施例中，每个受体将被多个声学传感器包围以对从许多不同角度产生的声音进行采样。

声学传感器只有在静态组织受到某种事物563的冲击时才能感知到来自静态组织的声音。因此，该冲击的致动器561必须以恒定且经过测量的方式产生声音，因为如果力的大小或任何其他变量不同，将产生不同的声音。虽然这种声音的特征很可能是相同的，但拥有一个能够减少任何不一致的致动器将是有利的。这些致动器的数量和布置可以取决于应用而不同562，因为如果致动器适当地同步，则从多个不同角度产生声音可能是有益的。在优选实施例中，如图所示，致动器将包括单个激光***，该***将向组织发射经过测量的且一致的单脉冲的光以产生声音。通过使用高度受控的致动器，所产生的声音频率将更加一致。当所处理受体的潜在不同状态可能产生微妙相似的声音，使得即使相对少量的致动器变化也可能影响最终结果时，这一点很重要。

可能需要对环境进行临时调整，以允许声学传感器按预期执行。由于它们是基于声音来操作的，因此将传感器移近声音源通常会使特定音频频率比环境中产生的其他声音更普遍。然而，这也意味着从这些传感器返回的数据将很可能基于其布置而变化，但仍会保持相同或相似的特征。这使得与静态放置传感器相比，传感器的大量移动可能几乎没有什么好处。在优选实施例中，传感器将在医疗程序或手术开始时静态放置并保持在那里直到不再需要它们。因此，其发展可能会侧重于识别特征而不是原始声学信号。

所使用的一个或多个致动器561将需要单个或多个装置来控制其输出和触发。图示的激光***将需要两种不同的装置，其配置和选择取决于激光的强度和类型。其中第一种装置是激光电流源566，其在内部产生所需电流，然后将所需电流发送到激光器。第二种装置是激光冷却器567，其将在脉冲之间冷却激光器，以确保它不会过热并损坏自身或其周围环境。优选实施例将需要这两种组件。

由传感器监测的声学信号将需要被接收并变换成可解释的形式，该形式通常由音频接口或接收器568处置。可以通过该***控制不同传感器的配置，包括其速率和灵敏度。优选实施例将使用单个接收器，所有涉及的声学传感器都附接到该接收器，使得这些声学传感器的信号可以作为整体而不是单独被解释，因为它们可能会从不同的角度和位置感知相同的受体。

取决于应用和传感器布置，所有组件可以附接到单个或多个***控制器508。在将接收到的数据传递到***509的其余部分之前，该控制器可能会执行某种形式的初步处理以将接收到的数据变换成更可用的形式。

优选实施例将可能拥有某种形式的声学感测，以便确定特定类型的组织状态信息，比如密度和水合。然后可以从中推导出组织的类型或用作通过其他感测方法得出的结论的强化。

本文呈现的特征可以通过任何有能力的***或机器以电子方式执行，该***或机器可以在其特定应用施加的任何限制内完成这些特征。这可以在线、离线或以依赖于两者的某种组合的能力来执行。

由于本文呈现的特征而提取或生成的数据可以电子方式存储，这可以离线、在线或通过两者的某种组合来完成。可以立即或在延迟的时间范围内访问该数据，以进行取得、处理和任何其他形式的使用。所有类型的数据都可以被存储，并且可以单个地、间歇地、常规地或通过任何其他计时范例来维护。

图1中描绘的矫形外科应用中骨和软组织的生物状态分析和分类方法10以及相关联的子方法(例如图2至图4中所描绘的方法100、200和300)可以使用如图6中所示的计算装置/计算机***600来实施，其中，图1至图4的过程可以被实施为软件，比如可在计算装置600内执行的一个或多个应用程序。特别地，图1至图4中描绘的方法10、100、200和300的步骤受到软件中在计算机***600内执行的指令的影响。这些指令可以形成为一个或多个代码模块，每个代码模块用于执行一个或多个特定任务。该软件还可以分为两个单独的部分，其中第一部分和相应的代码模块执行所描述的方法，而第二部分和相应的代码模块管理第一部分与用户之间的用户界面。例如，该软件可以被存储在包括以下描述的存储装置在内的计算机可读介质中。该软件从计算机可读介质加载到计算机***600中，然后由计算机***600执行。其上记录有这种软件或计算机程序的计算机可读介质是计算机程序产品。计算机***600中的计算机程序产品的使用优选地实现了用于在矫形外科手术应用(包括矫形外科手术程序的术后护理和评估)中骨和软组织的生物状态分析和分类的有利设备。

参照图6，展示了示例性计算装置600。示例性计算装置600可以包括但不限于包括一个或多个处理器602的一个或多个中央处理单元(CPU)601、***存储器603、以及***总线604，该***总线将包括***存储器603在内的各个***组件联接至处理单元601。***总线604可以是几种类型的总线结构中的任何一种，包括使用各种总线架构中的任何一种的存储器总线或存储器控制器、***总线和局部总线。

典型地，计算装置600还包括计算机可读介质，该计算机可读介质可以包括计算装置600可以访问的任何可用介质、并且包括易失性和非易失性介质以及可移除和不可移除介质。通过举例而非限制的方式，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以任何用于存储信息的方法或技术(比如计算机可读指令、数据结构、程序模块、或其他数据)实施的介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪速存储器或其他存储器技术、CD-ROM、数字通用盘(DVD)或其他光盘存储装置、磁带盒、磁带、磁盘存储或其他磁性存储装置、或可以用于存储期望信息并且可以被计算装置600访问的任何其他介质。典型地，通信介质在调制数据信号(比如载波或其他传输机制)中实施计算机可读指令、数据结构、程序模块或其他数据，并且包括任何信息传递介质。通过举例而非限制的方式，通信介质包括有线介质(如有线网络或直连式连接)和无线介质(如声学介质、RF介质、红外介质和其他无线介质)。以上任何项的组合也应当包括在计算机可读介质的范围内。

***存储器603包括呈易失性和/或非易失性存储器形式的计算机存储介质，比如只读存储器(ROM)605和随机存取存储器(RAM)606。基本输入/输出***607(BIOS)，包含有助于比如在启动期间在计算装置600内的元件之间传送信息的基本例程，典型地被存储在ROM 605中。RAM 606典型地包含可立即访问的和/或当前正在由处理单元601操作的数据和/或程序模块。通过举例而非限制的方式，图6展示了操作***608、其他程序模块609、以及程序数据610。

计算装置600还可以包括其他可移除/不可移除、易失性/非易失性计算机存储介质。仅通过举例的方式，图6展示了硬盘驱动器611，该硬盘驱动器从不可移除的非易失性磁介质读取或向其写入。可以与示例性计算装置一起使用的其他可移除/不可移除、易失性/非易失性计算机存储介质包括但不限于磁带盒、闪存卡、数字多功能盘、数字录像带、固态RAM、固态ROM等。硬盘驱动器611典型地通过比如接口612等不可移除存储器接口而连接到***总线604。

上文所讨论的且在图6中展示的驱动器及其相关联的计算机存储介质为计算装置600提供了对计算机可读指令、数据结构、程序模块和其他数据的存储。在图6中，例如，硬盘驱动器611被展示为存储操作***613、其他程序模块614、以及程序数据615。应注意，这些组件可以与操作***608、其他程序模块609和程序数据610相同或不同。操作***613、其他程序模块614和程序数据615在此使用不同的数字，以说明至少它们是不同的副本。

计算装置还包括连接至***总线604的一个或多个输入/输出(I/O)接口630，包括音频-视频接口，该音频-视频接口联接至包括视频显示器634和扬声器635中的一个或多个在内的输出装置。(多个)输入/输出接口630还联接至一个或多个输入装置，包括例如鼠标631、键盘632或触敏装置633，如例如智能电话或平板装置。

与以下描述有关，计算装置600可以使用与一个或多个远程计算机的逻辑连接在联网环境中操作。为了简化说明，图6中示出了计算装置600连接到网络620，该网络不限于任何特定的网络或联网协议，而是可以包括例如以太网、蓝牙或IEEE 802.X无线协议。图6中描绘的逻辑连接是通用网络连接621，该通用网络连接可以是局域网(LAN)、广域网(WAN)或其他网络，例如因特网。计算装置600通过网络接口或适配器622连接到通用网络连接621，该网络接口或适配器又连接到***总线604。在联网环境中，相对于计算装置600描绘的程序模块、或其部分或***装置可以存储在一个或多个其他计算装置的存储器中，该一个或多个其他计算装置通过通用网络连接621而通信地联接到计算装置600。应了解的是，所示网络连接是示例性的，并且可以使用在计算装置之间建立通信链路的其他器件。

应当理解，本文呈现的特征和它们包含的不同过程不一定必须以所描述的顺序执行，而且它们也不需要特定的环境或情形。这些特征和过程的排序、性质、准备和执行可能取决于多种情况，典型地，医学上适用的发明或方法就是这种情况。

本领域技术人员应了解的是，对本文所描述的本发明的变化和修改将是清楚的，而不背离本发明的精神和范围。本领域技术人员清楚的变化和修改被认为落入本文所阐述的本发明的广泛范围和领域内。

未来的专利申请可以基于本申请或要求本申请的优先权而在澳大利亚或海外提出。应理解的是，以下临时权利要求仅通过举例的方式提供，并且并不旨在限制任何此类未来申请中可能要求保护的范围。可以在以后的权利要求中添加或从临时权利要求中删除特征，以便进一步定义或重新定义一个或多个发明。

Claims (67)

1.一种用于关节组织的术中状态分析和分类的方法，所述方法包括以下步骤：

经由位于所述关节组织附近的多个传感器感测所述关节组织的数据；

通过经验证的工具确定状态分析和分类信息；

将感测到的数据处理成适合参照比较值进行评估的形式；

利用经处理信息的历史数据集生成用于预测状态分析和分类的工具；以及

使用基于术中提供的经处理的刺激生成的工具来执行状态分析和分类。

2.如权利要求1所述的方法，其中，所述传感器包括独立存在或作为传感器***或传感器组的一部分存在的至少一个传感器。

3.如权利要求1或权利要求2所述的方法，其中，所述传感器是完全自足式的，或者需要附加的装置、服务、条件、平台。

4.如权利要求2或权利要求3所述的方法，其中，各个传感器被配置为基于各种性质、特性、事件、测量或其组合来监测、感测和收集数据。

5.如权利要求4所述的方法，其中，数据的所述监测、感测和收集是从与受体共存、在受体内或针对受体的不同角度、位置、接近度、附近区域、运动、速度、布局、布置或其组合进行的。

6.如权利要求4所述的方法，其中，所述受体包括关节组织、周围环境、动作或相互作用的结果、单个的***或装置或者***或装置的集合。

7.如权利要求6所述的方法，其中，所述受体适合于通过预定的手术方法进行处理以影响其原始、初始或当前状态以用于保存、识别、统一、固定或其组合。

8.如权利要求6所述的方法，其中，所述受体适合于在结构上、化学上或其配置上进行修改以改变其形式，作为术中程序、手术或医疗操作的组合或序列的一部分，或独立于其。

9.如权利要求2至8中任一项所述的方法，其中，所述多个传感器被配置为进行操作以基于每个单个的传感器或传感器类型、传感器或传感器类型的分组、传感器或传感器类型的定位、传感器或传感器类型的角度、传感器或传感器类型的附近区域、或其组合来提供数据，以提供可独立或共同分析的有利数据组合。

10.如权利要求8所述的方法，其中，所述多个传感器中的每一个被配置成以自动化方式、通过人工触发、或这两者的组合或序列来工作。

11.如权利要求10所述的方法，其中，所述多个传感器中的每一个包括控制方案，其中，所选的控制方案适用于所选的传感器。

12.如权利要求11所述的方法，其中，人工触发包括非自动的触发，所述触发包括按钮、语音命令、手势控制、或人工控制的组合或序列。

13.如权利要求10所述的方法，其中，所述多个传感器被配置为无限地、周期性地、单独地或其组合地进行感测，所述感测适合于情形、环境、用户控制、传感器配置、能够具有直接或间接影响的变量的组合或序列。

14.如权利要求13所述的方法，其中，所述感测被配置成实时地、近实时地、通过某种形式的延迟处理、或以处理方式的其他组合或序列进行感测，所述处理方式适合于情形、环境、用户控制、传感器配置、以及能够具有直接或间接影响的任何其他单个的、组合的或序列的变量。

15.如权利要求9所述的方法，其中，所述多个传感器被配置为接收外部介入才能正确地操作，所述外部介入包括所述传感器的位置、角度、附近区域、接近度、配置、照明、定时的改变、或任何其他单个的、组合的或序列的传感器、情形或环境的改变。

16.如前述权利要求中任一项所述的方法，其中，数据或其他信息由经验证的人员、数据库、***或其他单个的、组合的或序列的内部或外部数据源提供，这些内部或外部数据源已经经过验证和确认。

17.如前述权利要求中任一项所述的方法，其中，状态分析包括关节组织的状态，包括成分、水合、密度、坏死、着色、反射系数、热一致性以及适合于描述状态的任何其他性质或特性。

18.如前述权利要求中任一项所述的方法，其中，分类包括可能的类型中的关节组织类型，包括以下一种或多种：

松质骨；

皮质骨；

软骨；

脂肪；

韧带；

肌肉；

半月板；或者

其他关节组织类型。

19.如前述权利要求中任一项所述的方法，其中，已验证包括以下一项或多项：

专家手术声明；

一种或多种术后验证技术；或者

被认为具有适当准确度的单个的、组合的或序列的形式的验证。

20.如权利要求19所述的方法，其中，验证适合于由医疗记录和历史、家族血统、遗传因素、受体的典型生活方式和环境、以及不能直接推导出结论但适用于支持可直接推导出的结论的因素的组合或序列来支持。

21.如权利要求19所述的方法，其中，适合于任何特定验证的准确度水平取决于以下一项或多项；所使用的技术、所述技术被用于的受体、应用所述技术的人员、所述技术发生的环境或情形、从所述技术推导出的信息、所述技术重复的次数、支持所述技术的信息或数据的数量、联合使用的类似或不同技术的数量、和/或其他单个的、组合的或序列的有影响的要素。

22.如前述权利要求中任一项所述的方法，其中，所感测的数据的处理包括与将所述所感测的数据变换成可评估形式相关的工作中的至少一个动作。

23.如权利要求22所述的方法，其中，所述数据的变换包括涉及单个的、多个的、组合的或序列的预处理步骤的工作中的至少一个动作。

24.如权利要求23所述的方法，其中，预处理步骤包括清理所述数据，包括删除或修复有噪、错误或冗余的数据、以及其他单个的、组合的或序列的过程、或删除过失数据或提高其余数据的整体效用。

25.如权利要求23所述的方法，其中，预处理步骤包括将所述数据格式化，包括将所述数据重新排列成更适当的结构或形式、将所述数据展平、或从其当前存储装置中提取、以及用于提高所述数据的可用性的任何其他单个的、组合的或序列的格式化。

26.如权利要求23所述的方法，其中，预处理步骤包括对所述数据进行采样，包括所述数据的部分的选择或划分、或产生更具有代表性或更有利的数据的任何其他单个的、组合的或序列的过程。

27.如权利要求22所述的方法，其中，所述数据的变换包括涉及单个的、多个的、组合的或序列的原始或经预处理的数据的操纵的工作中的至少一个动作。

28.如权利要求23所述的方法，其中，所述原始或经预处理的数据的操纵包括所述数据的规范化、缩放或对齐，以将所述数据置于可比较的范围内或达到附加水平的可比较性。

29.如权利要求27所述的方法，其中，原始或经预处理的数据的操纵包括所述数据的分解或反卷积，使得所述数据的代表性或其他特定特征或部分适合于拆分为组成要素或单独提供更多效用的要素。

30.如权利要求27和29所述的方法，其中，所述原始或经预处理的数据的操纵包括基于在反卷积数据内识别的组成要素来估计分数丰度。

31.如权利要求25所述的方法，其中，所述原始或经预处理的数据的操纵包括所述数据的聚合，使得数据的各个特征、组成要素、区段或部分适合于组合成单个实体。

32.如权利要求22所述的方法，其中，所述数据的变换包括与适合于准备所述数据以供使用的过程、操纵、生成、更改或其他功能、技术或方式的组合或序列相关的工作中的至少一个动作。

33.如权利要求22所述的方法，其中，如果诸如传感器控制器或桥接装置等附加实体已单独地或独立地执行了此处理，则所感测的数据的处理不需要执行或部分地执行。

34.如权利要求22至33中任一项所述的方法，其中，数据预处理和操纵过程的排序或存在并不反映它们在此处的排序。

35.如前述权利要求中任一项所述的方法，其中，所述比较值包括呈相似形式或者呈其他可比较形式的数据集，所述数据集属于单个的、组合的或序列的关节组织。

36.如前述权利要求中任一项所述的方法，其中，用于执行组织状态分析和分类的工具的生成包括涉及机器学习、数据科学、数学或计算实体、概念、模型、方程或其组合或序列的训练或构建的工作中的至少一个动作。

37.如权利要求36所述的方法，其中，训练包括向机器学习、数据科学、数学或计算实体、概念、模型、方程或其他单个的、组合的或序列的实施例提供数据，其中，所述数据适合于创建、填充、改变、增加、计算或以其他方式参与初步或准备阶段。

38.如前述权利要求中任一项所述的方法，其中，经处理的数据的历史数据集包括先前已经由与预测工具的生成兼容并适合于生成预测工具的单个的、组合的或序列的工具处理的数据。

39.如权利要求38所述的方法，其中，所述历史数据集中存在的数据至少源自以下一项或多项：

所使用的单个传感器、多个传感器、传感器集合或序列；

通过具有可验证专业知识、先前医疗记录和历史、家族血统、专利生活方式和预期环境的人员外部提供；

从准确且经过良好测试的数据源、之前发现的连接中取得；以及

来自适合于提供可用或支持数据的时间段的其他单个的、组合的或序列的来源。

40.如权利要求36所述的方法，其中，构建包括涉及开发用于预测、生成、计算、验证、确认或与机器学习、数据科学、数学或计算实体、概念、模型、方程或其他单个的、组合的或序列的实施例相关的其他单个的、组合的或序列的使用中的模拟或其他实体的工作中的至少一个动作。

41.如权利要求36所述的方法，其中，经训练的机器学习、数据科学、数学或计算实体、概念、模型、方程或其他单个的、组合的或序列的实施例被配置为预测组织状态、组织分类或两者，以独立地、与其他实施例协作、作为集合的一部分或通过分组或协作设置的形式来单独地改变准确度。

42.如权利要求22至41中任一项所述的方法，其中，所述用于术中关节组织状态分析和分类的方法包括光谱或高光谱分析。

43.如权利要求42所述的方法，其中，光谱或高光谱传感器包括电磁谱内可用的单个波段或可能波段的组合。

44.如权利要求40所述的方法，进一步包括提供附加光源以增强或调整所述光谱或高光谱分析，所述高光谱分析，所述光源包括UV、可见光、红外线或其组合或序列中的至少一种或多种。

45.如前述权利要求中任一项所述的方法，其中，预处理步骤包括以下至少一项或多项：

删除有噪、冗余或错误的数据；

将数据重新排列或格式化为更适当的结构或形式；

数据的调整或规范化；

对数据进行采样以提取更具代表性或更有益的部分或区段；以及

适合提供有益或替代效用的其他单个的、组合的或序列的步骤。

46.如前述权利要求中任一项所述的方法，其中，原始或经预处理的光谱数据的操纵包括与所述光谱数据的分解相关的工作中的至少一个动作。

47.如权利要求46所述的方法，其中，光谱数据的分解包括降维，包括从以下一项或多项中选择的技术：

主成分分析；

线性判别分析；

二次判别分析；或者

适合于数据降维的其他单个的、组合的或序列的技术。

48.如权利要求46或权利要求47所述的方法，其中，光谱数据的分解包括与将所述光谱数据中的各种光谱反卷积、端元确定或解体为若干光谱特征或属于组成所述原始光谱数据的单个或一组端元的其他形式的可识别数据相关的工作中的至少一个动作。

49.如权利要求46或48所述的方法，其中，光谱数据的分解包括与反卷积的光谱特征及其原始光谱的反演以估计所述光谱或光谱数据内每个端元的丰度分数相关的工作中的至少一个动作。

50.如前述权利要求中任一项所述的方法，其中，原始或经预处理的光谱数据的操纵包括与概括所述光谱数据或衍生物的区段、区域或部分相关的工作中的至少一个动作，其中，各种波长、测量值或其他信息彼此有预定程度的差异。

51.如前述权利要求中任一项所述的方法，其中，所述用于术中关节组织状态分析和分类的方法包括声学分析。

52.如权利要求51所述的方法，其中，声学传感器包括采样率。

53.如权利要求51所述的方法，其中，声学信号由能够独立地产生声音的物体或致动器产生、通过与另一实体接触而产生。

54.如前述权利要求中任一项所述的方法，其中，预处理步骤包括：

删除有噪、冗余或错误的数据；

将数据重新排列或格式化为更适当的结构或形式；

数据的调整或规范化；以及

对数据进行采样以提取更具代表性或更有益的部分或区段。

55.如前述权利要求中任一项所述的方法，其中，原始或经预处理的声学数据的操纵包括与所述声学数据的分解相关的工作中的至少一个动作。

56.如权利要求55所述的方法，其中，声学数据的分解包括降维，包括包含以下各项的一种或多种技术：

主成分分析；

线性判别分析；或者

二次判别分析。

57.如权利要求55或权利要求56所述的方法，其中，声学数据的分解包括与将声学信号或数据反卷积、端元确定或解体为若干组频率、振幅、或属于组成所述原始声学数据的单个或一组声源的可识别方面的组合或序列相关的工作中的至少一个动作。

58.如权利要求55至57中任一项所述的方法，其中，声学数据的分解包括与所述解体的声学信号及其原始信号的反演以估计所述声学信号或数据内每个端元的丰度分数相关的工作中的至少一个动作。

59.如前述权利要求中任一项所述的方法，其中，原始或经预处理的声学数据的操纵包括与概括所述声学数据或衍生物的区段、区域或部分相关的工作中的至少一个动作，其中，各种频率、振幅、测量值或其他信息彼此有预定程度的差异。

60.如前述权利要求中任一项所述的方法，其中，执行状态分析和分类包括执行先前生成或构建的预测工具，并且包括与其准备或初始化相关的工作中的至少一个动作。

61.如权利要求60所述的方法，其中，先前生成的工具包括机器学习、数据科学、数学或计算实体、概念、模型、方程或其他单个的、组合的或序列的实施例。

62.如前述权利要求中任一项所述的方法，其中，执行状态分析和分类包括执行与至少一个模拟或其他实体的使用相关的工作中的至少一个动作，该模拟或其他实体适合于预测、生成、计算、验证、确认或与机器学习、数据科学、数学或计算实体、概念、模型、方程或其组合相关或作为其辅助的其他单个的、组合的或序列的使用。

63.如前述权利要求中任一项所述的方法，其中，所感测的、原始的、经预处理的、操纵的、解释的、经处理的、可用的、可评估的、或其他单个的、组合的或序列的生成的、导出的或接收的数据适合于以电子方式进行存储，其中，所述电子存储装置是离线的、在线的或其组合以供稍后取得、处理、或一系列使用形式的组合。

64.如前述权利要求中任一项所述的方法，其中，所需的处理或存储被配置为在定制或通用***中内部发生、在集中式、分散式或其他在线实体上外部发生、或一系列计算方式的组合。

65.如前述权利要求中任一项所述的方法，包括在术中环境中发生工作中的至少一个动作。

66.如前述权利要求中任一项所述的方法，包括工作中的至少一个动作以相同的、不同的或交替的顺序发生，并且适合于产生相同的、相似的、或不同的最终结果。

67.如前述权利要求中任一项所述的方法，包括工作中的至少一个动作实时地、近实时地、通过延迟处理、或处理方式的组合或序列而发生。

Images