-
GEBIET
-
Die vorliegende Erfindung betrifft im Allgemeinen die Gebiete maschinelles Lernen, Computermodellierung und -simulation sowie rechnerunterstützte Konstruktion. Spezieller betrifft die Offenlegung maschinelle, lernfähige Systeme und Verfahren auf Computerbasis zum Konstruieren und Ausführen von Modellen der Herzanatomie und -physiologie. Diese Modelle können für therapeutische, behandelnde und/oder diagnostische Zwecke verwendet werden.
-
HINTERGRUND
-
Eine Herz-Kreislauf-Erkrankung ist die maßgebliche Todesursache in den Vereinigten Staaten, die jedes Jahr das Leben von mehr als 600.000 Amerikanern fordert. Laut American Heart Association (AHA) wird jedes Jahr mehr als 5 Millionen Amerikanern die Diagnose einer Herzklappenerkrankung gestellt, wobei Krankheiten der Aorten- und Mitralklappen am weitesten verbreitet sind. Zusammengenommen sind mehr als fünf Prozent der US-Bevölkerung von Erkrankungen der Aorten- und Mitralklappen in Mitleidenschaft gezogen.
-
Die zweckmäßige Bewertung und Diagnose einer Herzklappenoperation und des Zustands der umgebenden kardiovaskulären Bahnen sind entscheidend zur Gewährleistung einer hochqualitativen Patientenfürsorge. Zu diesem Zweck können mehrere Ausführungsarten von Bildgebung genutzt werden, um Zustand und Funktion von Herzklappen und der umgebenden Blutgefäßverteilung zu untersuchen. Zum Beispiel wird Ultraschalltechnik bei einer transthorakalen und transoesophagealen Ultraschalluntersuchung des Herzens genutzt, um zwei- und/oder dreidimensionale Bilder von Herzklappen und der umgebenden Einfluss-/Ausflussbahnen (z. B. linke ventrikuläre Ausflussbahn, aufsteigende Aorta) zu erzeugen. Ferner können auch Computertomographie (CT) und Kernspintomographie (MRI) verwendet werden.
-
Alle Ausführungsarten der Bildgebung weisen Stärken und Schwächen auf, die ihre Fähigkeit beschränken können, eine vollständige und umfassende Bewertung eines anatomischen und/oder physiologischen Zustands zur Verfügung zu stellen. Die räumliche Auflösung von echokardiographischen Bildern kann zum Beispiel eine ausführliche Analyse einer funktionellen Operation speziell für hoch verkalkte Herzklappen verzögern. Computertomographie kann Bilder mit höherer Auflösung als Ultraschallkardiographie zur Verfügung stellen, jedoch sind bildgebende Untersuchungen der Computertomographie kostspieliger und setzen Patienten einer Strahlung aus, die potenziell schädlich ist. Außerdem werden bei CT-Untersuchungen oft Kontrastmittel verwendet, die äußerst nierenschädigend sind und mit krankhaften Veränderungen der Nierenfunktion verbunden sein können. Daher sind neue und neuartige Verfahren wünschenswert, die eine genaue anatomische und physiologische Bewertung von Herzklappen und der umgebenden Blutgefäßanordnung ermöglichen, während Patienten keinen übermäßigen Risiken oder untragbaren Kosten ausgesetzt werden.
-
Patienten mit diagnostizierten symptomatischen und klinisch signifikanten Unregelmäßigkeiten der Herzklappen können Kandidaten für Wiederherstellung oder Ersatz der Herzklappe sein. Wenn Wiederherstellung oder Ersatz angezeigt sind, wird ein genaues und komplettes Verständnis der Herzklappenanatomie wichtig, um einen positiven Ausgang zu garantieren. Außerdem müssen die anatomischen und physiologischen Charakteristiken der Einfluss- und Ausflussbahn, die die Herzklappe(n) umgeben, ebenfalls verständlich werden.
-
Neue Verfahren zur Bewertung des anatomischen und/oder physiologischen Zustands von natürlichen und prothetischen Herzklappen und der umgebenden Einfluss-/Ausflussbahnen sollten eine genauere und präzisere Behandlungsplanung ermöglichen. Diese neuen Verfahren können bestehende Verfahren ergänzen und/oder in Verbindung damit arbeiten, oder sie können für sich stehen. Dennoch müssen solche Technologien deutliche und vorzeigbare Vorteile für den Arzt (Ärzte) schaffen, die Patienten mit Erkrankung der Herzklappen und/oder Erkrankungen der umgebenden Herzbahnen behandeln. Außerdem dürfen Patienten bei neuen Technologien, die kostengünstig sein sollten, keinen übermäßigen medizinischen Risiken ausgesetzt werden.
-
Zur Verbesserung diagnostischer und Behandlungsfähigkeiten ist es deshalb wünschenswert, ein System zu besitzen, um schnell und genau die physiologische Funktion, Zustand und Morphologie von Herzklappen und der umgebenden Einfluss-/Ausflussbahnen zu bewerten, wodurch die genaue zweckmäßige Diagnose einer Herzklappenerkrankung ermöglicht wird und falls es gewährleistet ist, eine Behandlungsplanung zu erleichtern.
-
Beschreibung des Standes der Technik
-
Es gibt viele akademische und industrielle Forschungsgruppen, die Computermodellierung und -simulation nutzen, um einen Durchfluss durch Herzklappen zu analysieren. Historisch gesehen, konzentrierten sich valvuläre Blutströmungsanalysen auf die Aortenklappe und setzten Verfahren der rechnerischen Dynamik flüssiger Körper (CSD) ein, um einen ausführlichen Einblick in den die Aortenklappe umgebenden Blutstrom bereitzustellen. Diese Einblicke wurden anschließend genutzt, um Entwurf und Konstruktion von Herzklappen mit wünschenswerten hämodynamischen Charakteristiken zu erleichtern, die Funktionsfähigkeit und Haltbarkeit zu maximieren, während die eventuell tödlichen Risiken einer Klappenfehlfunktion und einer ungünstigen physiologischen Reaktion minimiert werden.
-
In den letzten Jahren schloss die Modellierung einer Blutströmung von Herzklappen sowohl chirurgisch implantierte Prothesen als auch solche durch einen Katheter ein, wobei im Mittelpunkt der meisten Untersuchungen jedoch die Aortenklappe bleibt. Mit der schnellen Entfaltung des klinischen Einsatzes von Aortenklappen durch einen Katheter haben Modellierungs- und Simulationsergebnisse Verständnis und Charakterisierung der einzigartigen hämodynamischen Anforderungen von Ausführungen durch einen Katheter im Vergleich zur herkömmlichen chirurgischen Implantation von Herzklappen gefördert. Insbesondere kann Computermodellierung genutzt werden, um stromabwärts gerichtete Strömungswirkungen im Aortenbogen und Klappensegelüberlastungen zu quantifizieren, welche die Wirksamkeit, Robustheit, Haltbarkeit und Langlebigkeit von Prothesen beeinflussen.
-
Alle Untersuchungen der Computermodellierung und -simulation von Herzklappen sind bis heute auf die Bewertung und Verbesserung der Konstruktion und Funktion prothetischer Herzklappen gerichtet gewesen.
-
KURZE ZUSAMMENFASSUNG DER VORLIEGENDEN ERFINDUNG
-
Das maschinelle Lernsystem und -verfahren, das in dieser Offenlegung beschrieben ist, erleichtert die Diagnose und Behandlung einer Herzklappenerkrankung und von Erkrankungen der umgebenden Einfluss-/Ausflussbahnen. Des Weiteren erleichtern System und Verfahren die Beurteilung und Bewertung einer Wiederherstellung von Herzklappen und/oder prothetischer Funktionsfähigkeit bei Patienten, die sich einer Herzklappenbehandlung unterzogen haben. In Ergänzung zur Nutzung routinemäßiger physiologischer und geometrischer Daten, die durch zwei- und/oder dreidimensionale Bildgebungsuntersuchungen gewonnen werden, kann das maschinelle Lernsystem außerdem Blutströmungsdaten in die Konstruktion und zur Nutzung für ein genaues geometrisches und funktionelles Verständnis einbeziehen, von denen aus Zustand und Funktion der Herzklappen bewertet werden.
-
In einem Ausführungsbeispiel kann ein maschinelles Lernsystem zur Beurteilung von mindestens einer Charakteristik einer Herzklappe, einer Einflussbahn und/oder einer Ausflussbahn einen Trainingsmodus und einen Produktionsmodus beinhalten. Der Trainingsmodus kann so gestaltet sein, dass ein Computer trainiert wird und eine Transformationsfunktion konstruiert wird, um eine unbekannte anatomische Charakteristik und/oder eine unbekannte physiologische Charakteristik einer Herzklappe, einer Einflussbahn und/oder einer Ausflussbahn unter Verwendung einer bekannten anatomischen Charakteristik und/oder einer bekannten physiologischen Charakteristik von Herzklappe, Einflussbahn und/oder Ausflussbahn vorauszusagen. Der Produktionsmodus kann so gestaltet sein, dass die Transformationsfunktion zum Voraussagen der unbekannten anatomischen Charakteristik und/oder der unbekannten physiologischen Charakteristik von Herzklappe, Einflussbahn und/oder Ausflussbahn basierend auf der bekannten anatomischen Charakteristik und/oder der bekannten physiologischen Charakteristik von Herzklappe, Einflussbahn und/oder Ausflussbahn genutzt wird.
-
In einigen Ausführungsformen ist der Trainingsmodus so gestaltet, dass die bekannte anatomische Charakteristik und/oder bekannte physiologische Charakteristik von Herzklappe, Einflussbahn und/oder Ausflussbahn berechnet und in einem Merkmalsvektor gespeichert werden. In einigen Ausführungsformen ist der Trainingsmodus so gestaltet, dass eine angenäherte Blutströmung durch Herzklappe, Einflussbahn und/oder Ausflussbahn berechnet wird. In einigen Ausführungsformen ist der Trainingsmodus des Weiteren gestaltet, um mit der angenäherten Blutströmung durch Herzklappe, Einflussbahn und/oder Ausflussbahn verbundene Größen zu speichern. Optional kann der Trainingsmodus außerdem gestaltet sein, um die in dem Merkmalsvektor gespeicherte, mindestens eine bekannte anatomische Charakteristik oder bekannte physiologische Charakteristik von Herzklappe, Einflussbahn und/oder Ausflussbahn zu stören. In einigen Ausführungsformen kann der Trainingsmodus ferner so gestaltet sein, um eine neue angenäherte Blutströmung durch Herzklappe, Einflussbahn und/oder Ausflussbahn mit der gestörten, bekannten anatomischen Charakteristik und/oder bekannten physiologischen Charakteristik zu berechnen. In einigen Ausführungsformen kann der Trainingsmodus des Weiteren so gestaltet sein, dass Größen, die der neuen angenäherten Blutströmung durch die gestörte Herzklappe, Einflussbahn und/oder Ausflussbahn zugeordnet sind, gespeichert werden. In einigen Ausführungsformen kann der Trainingsmodus außerdem so gestaltet sein, dass die Schritte des Störens, Berechnens und Speicherns wiederholt werden, um eine Menge von Merkmalsvektoren und Größenvektoren zu erzeugen und die Transformationsfunktion zu generieren.
-
In einer Ausführungsform kann der Trainingsmodus außerdem gestaltet sein, um ein Verfahren durchzuführen, das umfasst: Aufnehmen von patientenspezifischen Daten einschließlich anatomischer Daten, physiologischer Daten und/oder hämodynamischer Daten; Erzeugen eines digitalen Modells von Herzklappe, Einflussbahn und/oder Ausflussbahn basierend auf den aufgenommenen Daten; Diskretisieren eines digitalen Modells; Anwenden von Randbedingungen auf zumindest einen Einflussteil und zumindest einen Ausflussteil des digitalen Modells; und Initialisieren und Lösen von mathematischen Gleichungen der Blutströmung durch das digitale Modell. In einigen Ausführungsformen kann das Verfahren ferner das Speichern von Größen und Parametern einschließen, die einen anatomischen Zustand und/oder einen physiologischen Zustand des digitalen Modells und der Blutströmung kennzeichnen. In einigen Ausführungsformen kann das Verfahren ferner das Stören eines anatomischen Parameters und/oder eines physiologischen Parameters, der das digitale Modell kennzeichnet, einschließen. In einer weiteren Ausführungsform kann das Verfahren ferner das erneute Diskretisieren und/oder erneute Lösen der mathematischen Gleichungen mit dem anatomischen Parameter und/oder physiologischen Parameter umfassen. In einer weiteren Ausführungsform kann das Verfahren außerdem das Speichern von Größen und Parametern umfassen, die den anatomischen Zustand und/oder den physiologischen Zustand von gestörtem Modell und Blutströmung kennzeichnen.
-
In einigen Ausführungsformen kann der Produktionsmodus so gestaltet sein, dass ein oder mehrere Merkmalsvektoren aufgenommen werden. In einigen Ausführungsformen kann der Produktionsmodus gestaltet sein, um die Transformationsfunktion auf die Merkmalsvektoren anzuwenden. In einigen Ausführungsformen kann der Produktionsmodus so gestaltet sein, dass eine oder mehrere interessierende Größen erzeugt werden. In einigen Ausführungsformen kann der Produktionsmodus so gestaltet sein, dass die interessierenden Größen gespeichert werden. In einigen Ausführungsformen kann der Produktionsmodus so gestaltet sein, dass die interessierenden Größen verarbeitet werden, um Daten zur Nutzung bei einer Bewertung, Diagnose, Prognose, Behandlung und/oder Behandlungsplanung, die sich auf ein Herz bezieht, in welchem die Herzklappe liegt, bereitzustellen.
-
In einem weiteren Ausführungsbeispiel kann ein mit computerausgeführtes maschinelles Lernverfahren zur Bewertung von mindestens einer Charakteristik einer Herzklappe, einer Einflussbahn und/oder eine Ausflussbahn das Trainieren eines Computers einschließen, indem ein Trainingsmodus eines maschinellen Lernsystems genutzt wird, um eine Transformationsfunktion zur Voraussage einer unbekannten anatomischen Charakteristik und/oder einer unbekannten physiologischen Charakteristik einer Herzklappe, einer Einflussbahn und/oder einer Ausflussbahn zu konstruieren, indem eine bekannte anatomische Charakteristik und/oder eine bekannte physiologische Charakteristik von Herzklappe, Einflussbahn und/oder Ausflussbahn genutzt werden. Das Verfahren kann außerdem die Verwendung eines Produktionsmodus des maschinellen Lernsystems einschließen, um die Transformationsfunktion auf das Voraussagen der unbekannten anatomischen Charakteristik und/oder der unbekannten physiologischen Charakteristik von Herzklappe, Einflussbahn und/oder Ausflussbahn basierend auf der bekannten anatomischen Charakteristik und/oder der bekannten physiologischen Charakteristik von Herzklappe, Einflussbahn und/oder Ausflussbahn zu richten.
-
In einigen Ausführungsformen kann das Verfahren außerdem das Verwenden des Trainingsmodus einschließen, um die bekannte anatomische Charakteristik und/oder bekannte physiologische Charakteristik von Herzklappe, Einflussbahn und/oder Ausflussbahn zu berechnen und in einem Merkmalsvektor zu speichern. In einigen Ausführungsformen kann das Verfahren ferner das Verwenden des Trainingsmodus einschließen, um eine angenäherte Blutströmung durch Herzklappe, Einflussbahn und/oder Ausflussbahn zu berechnen. In einigen Ausführungsformen kann das Verfahren des Weiteren die Verwendung des Trainingsmodus einschließen, um Größen zu speichern, die der angenäherten Blutströmung durch Herzklappe, Einflussbahn und/oder Ausflussbahn zugeordnet sind. In einigen Ausführungsformen kann das Verfahren außerdem das Verwenden des Trainingsmodus einschließen, um die in dem Merkmalsvektor gespeicherte, bekannte anatomische Charakteristik und/oder bekannte physiologische Charakteristik von Herzklappe, Einflussbahn und/oder Ausflussbahn zu stören. In einigen Ausführungsformen kann das Verfahren ferner das Verwenden des Trainingsmodus einschließen, um eine neue angenäherte Blutströmung durch Herzklappe, Einflussbahn und/oder Ausflussbahn mit der gestörten, bekannten anatomischen Charakteristik und/oder bekannten physiologischen Charakteristik zu berechnen. In einigen Ausführungsformen kann das Verfahren des Weiteren das Verwenden des Trainingsmodus einschließen, um Größen zu speichern, die der neuen angenäherten Blutströmung durch gestörte Herzklappe, Einflussbahn und/oder Ausflussbahn zugeordnet sind. In einigen Ausführungsformen kann das Verfahren außerdem das Verwenden des Trainingsmodus zum Wiederholen der Schritte des Störens, Berechnens und Speicherns einschließen, um eine Menge von Merkmalsvektoren und Größenvektoren zu erzeugen und die Transformationsfunktion zu generieren.
-
In einigen Ausführungsformen kann das Verfahren außerdem das Verwenden des Trainingsmodus einschließen, um die folgenden Schritte durchzuführen: Aufnehmen von patientenspezifischen Daten, ausgewählt aus der von anatomischen Daten, physiologischen Daten und blutdynamischen Daten bestehenden Gruppe, Erzeugen eines digitalen Modells von Herzklappe, Einflussbahn und/oder Ausflussbahn, basierend auf den aufgenommenen Daten; Diskretisieren des digitalen Modells; Anwenden von Randbedingungen auf mindestens einen Einflussteil und mindestens einen Ausflussteil des digitalen Modells; und Initialisieren und Lösen von mathematischen Gleichungen einer Blutströmung durch das digitale Modell. In einigen Ausführungsformen kann das Verfahren ferner das Speichern von Größen und Parametern einschließen, die einen anatomischen Zustand und/oder einen physiologischen Zustand des digitalen Modells und der Blutströmung kennzeichnen. In einigen Ausführungsformen kann das Verfahren außerdem die Störung eines anatomischen Parameters und/oder eines physiologischen Parameters, der das digitale Modell kennzeichnet, einschließen. In einigen Ausführungsformen kann das Verfahren ferner das erneute Diskretisieren oder erneute Lösen der mathematischen Gleichungen mit dem mindestens einen anatomischen Parameter oder physiologischen Parameter einschließen. In einigen Ausführungsformen kann das Verfahren außerdem das Speichern von Größen und Parametern einschließen, die den anatomischen Zustand und/oder den physiologischen Zustand von gestörtem Modells und Blutströmung kennzeichnen.
-
In einigen Ausführungsformen kann das Verfahren des Weiteren das Aufnehmen eines oder mehrerer Merkmalsvektoren mit dem Produktionsmodus einschließen. In einigen Ausführungsformen kann das Verfahren außerdem das Verwenden des Produktionsmodus einschließen, um die Transformationsfunktion auf die Merkmalsvektoren anzuwenden. In einigen Ausführungsformen kann das Verfahren ferner das Verwenden des Produktionsmodus einschließen, um eine oder mehrere interessierende Größen zu erzeugen. In einigen Ausführungsformen kann das Verfahren des Weiteren das Verwenden des Produktionsmodus einschließen, um die interessierenden Größen zu speichern. In einigen Ausführungsformen kann das Verfahren außerdem das Verwenden des Produktionsmodus einschließen, um die interessierenden Größen zu verarbeiten und Daten zur Verwendung bei einer Bewertung, Diagnose, Prognose, Behandlung und/oder Behandlungsplanung, die ein Herz betreffen, in welchem die Herzklappe, Einflussbahn und/oder Ausflussbahn liegen, bereitzustellen.
-
In einem weiteren Ausführungsbeispiel kann ein nichtflüchtiges, computerlesbares Medium zur Verwendung in einem Computersystem computerlesbare Programmieranweisungen enthalten, um ein Verfahren zur Bewertung von mindestens einer Charakteristik einer Herzklappe, einer Einflussbahn, einer Ausflussbahn oder einer Kombination davon durchzuführen. Das Verfahren kann ein beliebiges der oben beschriebenen Merkmale und/oder Ausführungsbeispiele umfassen.
-
In verschiedenen anderen Ausführungsbeispielen beschreibt diese Offenlegung verschiedene Ausführungsformen des Verfahrens. Beispiele solcher Ausführungen des Verfahrens umfassen: ein Verfahren zur Verwendung einer Datenanalyse und/oder von maschinellem Lernen zur Konstruktion einer Transformationsfunktion, um den anatomischen und/oder physiologischen Zustand mindestens einer Herzklappe und/oder der entsprechenden Einfluss-/Ausflussbahnen zu berechnen; ein Verfahren zur Nutzung von Computermodellierung und -simulation und/oder von klinischen Daten zur Erzeugung einer Menge von Merkmalsvektoren, die als Eingabe in einen Maschinelles-Lernen-Algorithmus genutzt werden; ein Verfahren zur Verwendung von maschinellem Lernen, um Anatomie und/oder Physiologie von mindestens einer Herzklappe und/oder den entsprechenden Einfluss-/Ausflussbahnen zu bewerten, umfassend die Nutzung patientenspezifischer Daten, abgeleitet aus einem oder mehreren eingreifenden oder nicht eingreifenden Verfahren und/oder Ergebnissen, die durch Computermodellierung und -simulation erzeugt werden; ein Verfahren zur Verwendung von maschinellem Lernen, um die Anatomie und/oder Physiologie von mindestens einer Herzklappe und/oder der entsprechenden Einfluss-/Ausflussbahnen zu bewerten, umfassend die Nutzung patientenspezifischer Daten, die aus einem oder mehreren eingreifenden oder nicht eingreifenden Verfahren abgeleitet sind, um Empfindlichkeits- und Unsicherheitsanalysen durchzuführen; ein Verfahren zur Verwendung von maschinellem Lernen, um die Anatomie und/oder Physiologie von mindestens einer Herzklappe und/oder der entsprechenden Einfluss-/Ausflussbahnen zu bewerten, umfassend die Nutzung patientenspezifischer Daten, die aus einem oder mehreren eingreifenden oder nicht eingreifenden Verfahren abgeleitet sind, um die Diagnose, Bewertung und/oder Prognose eines Erkrankungszustandes zu unterstützen; und ein Verfahren zur Verwendung von maschinellem Lernen, um die Anatomie und/oder Physiologie von mindestens einer Herzklappe und/oder der entsprechenden Einfluss-/Ausflussbahnen zu bewerten, umfassend die Nutzung patientenspezifischer Daten, die aus einem oder mehreren eingreifenden oder nicht eingreifenden Verfahren abgeleitet sind, um eine Planung der Implementierung einer Herzklappenprothese zu unterstützen.
-
Diese und andere Ausführungsbeispiele und Ausführungsformen werden nachstehend mit Bezug auf die angefügten Zeichnungsfiguren ausführlicher beschrieben.
-
KURZBESCHREIBUNG DER ZEICHNUNGEN
-
1 ist ein Blockdiagramm eines maschinellen Lernsystems gemäß einer Ausführungsform;
-
2 ist ein Ablaufdiagramm, das ein Modellierungs- und Simulationsverfahren für einen Trainingsteil eines maschinellen Lernsystems gemäß einer Ausführungsform skizziert;
-
3 ist ein Ablaufdiagramm, das die Ausführung eines Trainingsteils eines maschinellen Lernsystems gemäß einer Ausführungsform skizziert;
-
4 ist ein Ablaufdiagramm, das die Ausführung eines Produktionsteils eines maschinellen Lernsystems gemäß einer Ausführungsform skizziert;
-
5 ist eine perspektivische Darstellung eines vereinfachten, geometrischen Modells basierend auf patientenspezifischen, anatomischen Parametern einer Aortenklappe und umgebenden kardialen Einfluss- und Ausflussgefäßen gemäß einer Ausführungsform;
-
6 ist eine perspektivische Darstellung eines vereinfachten, geometrischen Modells mit dem rechnerischen Oberflächennetz, basierend auf patientenspezifischen anatomischen Parametern der Aortenklappe und der umgebenden kardialen Einfluss- und Ausflussgefäße gemäß einer Ausführungsform; und
-
7A–7D sind perspektivische Darstellungen verschiedener repräsentativer Polyeder, die zur Diskretisierung des Innenvolumens des geometrischen Modells gemäß verschiedener Ausführungsformen verwendet werden.
-
AUSFÜHRLICHE BESCHREIBUNG
-
Diese Offenlegung beschreibt maschinelle, lernfähige Systeme und Verfahren, die qualitativ und quantitativ die anatomische Geometrie und/oder Physiologie einer Herzklappe, einer oder mehrerer Einflussbahnen einer Herzklappe und/oder einer oder mehrerer Ausflussbahnen einer Herzklappe charakterisieren. In dieser Offenlegung kann durchgehend Bezug auf die Charakterisierung oder Beurteilung einer Herzklappe genommen werden. In allen Ausführungsformen kann eine solche Charakterisierung, Beurteilung, usw. an einer Herzklappe, einer oder mehrerer Einflussbahnen einer Herzklappe und/oder einer oder mehrerer Ausflussbahnen einer Herzklappe durchgeführt werden. Zur verbesserten Lesbarkeit der Beschreibung kann einfach der Ausdruck „Herzklappe“ verwendet werden, anstatt in jedem Fall „eine Herzklappe, eine oder mehrere Einflussbahnen einer Herzklappe und/oder eine oder mehrere Ausflussbahnen einer Herzklappe“ zu wiederholen. Jede zur Verwendung bei der Beurteilung einer Herzklappe beschriebene Ausführungsform kann zusätzlich oder alternativ dazu verwendet werden, um eine oder mehrere Einflussbahnen einer Herzklappe und/oder eine oder mehrere Ausflussbahnen einer Herzklappe zu beurteilen. Die hier beschriebenen, verschiedenen Ausführungsformen können auf eine einzelne Herzklappe, eine Kombination von mehreren Herzklappen und/oder Kombinationen von einer oder mehreren Herzklappen und ein oder mehrere Herzkranzgefäße angewandt werden. Obwohl vereinzelte Verweise auf eine spezielle Herzklappe, Einflussbahn oder Ausflussbahn vorgenommen sein können, sollen diese speziellen Verweise nicht als den Umfang dieser Offenlegung einschränkend interpretiert werden. Zum Beispiel wird durchgehend in dieser Offenlegung die Aortenklappe als ein spezielles Beispiel des Prototyps einer Herzklappe verwendet. Eine Darstellung der Systeme und Verfahren durch das Beispiel der Aortenklappe soll jedoch nicht den Umfang der hier offengelegten Systeme und Verfahren der Computermodellierung und -simulation einschränken.
-
Mit Bezug auf 1 und nach einer Ausführungsform kann ein maschinelles Lernsystem 30 zwei Betriebsarten umfassen: einen Trainingsmodus 32 und einen Produktionsmodus 34. Die zwei Betriebsarten 32, 34 können in einem Computersystem und/oder einem computerlesbaren Medium dargestellt werden. Das System 30 kann die zwei Betriebsarten der Reihe nach ausführen, wobei der Trainingsmodus 32 zuerst ausgeführt wird und der Produktionsmodus 34 als zweites ausgeführt wird. Der Trainingsmodus 32 kann so gestaltet sein, dass analytische Fähigkeiten in einem Computersystem entwickelt werden, die es dem Computersystem ermöglichen, unbekannte anatomische und/oder physiologische Charakteristiken einer oder mehrerer Herzklappen und/oder den umgebenden Einfluss-/Ausflussbahnen vorauszusagen. Diese voraussagbaren Fähigkeiten können durch Analyse und/oder Beurteilung bekannter anatomischer und/oder physiologischer Charakteristiken einer oder mehrerer Herzklappen und/oder der umgebenden Einfluss-/Ausflussbahnen entwickelt werden. Unter Verwendung einer Sammlung bekannter anatomischer und/oder physiologischer Charakteristiken kann ein Computer „trainiert“ werden, um verschiedene unbekannte, anatomische und/oder physiologische Charakteristiken vorauszusagen. Die abstrakte Abbildung, die eine Menge bekannter Charakteristiken in eine oder mehrere Voraussagen unbekannter Charakteristiken transformiert, kann als „Transformationsfunktion“ bezeichnet werden. In einigen Ausführungsformen kann der Trainingsmodus 32 so ausgeführt sein, um die Transformationsfunktion zu konstruieren.
-
Der Produktionsmodus 34 des maschinellen Lernsystems 30 kann die Transformationsfunktion nutzen, um anatomische und/oder physiologische Charakteristiken, die unbekannt sind, aus einer Sammlung anatomischer und/oder physiologischer Charakteristiken, die bekannt sind, vorauszusagen. Folglich kann während einer Ausführung des Produktionsmodus 34 eine Eingabe in die Transformationsfunktion eine Menge bekannter anatomischer und/oder physiologischer Charakteristiken sein (z. B. die gleichen anatomischen und/oder physiologischen Charakteristiken, die während des Trainingsmodus 32 verwendet werden). Die Ausgabe der Transformationsfunktion kann eine oder mehrere anatomische und/oder physiologische Charakteristiken sein, die zuvor unbekannt waren.
-
Trainingsmodus 32 und Produktionsmodus 34 können auf zahlreichen unterschiedlichen Wegen in verschiedenen alternativen Ausführungsformen durchgeführt werden. Eine Ausführungsform des Verfahrens zum Durchführen von Trainingsmodus 32 und Produktionsmodus 34 eines maschinellen Lernsystems wird unmittelbar nachstehend ausführlicher beschrieben. Dies ist jedoch nur eine beispielhafte Ausführungsform und soll nicht als den Umfang des maschinellen Lernsystems 30 einschränkend, wie oben beschrieben, interpretiert werden.
-
Trainingsmodus:
-
Während des Trainingsmodus 32 des maschinellen Lernsystems 30 können anatomische und/oder physiologische Daten gewonnen werden, die Zustand und Operation einer Herzklappe und ihrer entsprechenden Einfluss-/Ausflussbahnen charakterisieren. Diese Daten können durch eine oder mehrere Erfassungsmethoden, die zum Beispiel Analyse von Röntgenbildern, Analyse von Echokardiographiebildern, Dopplersignalen und/oder elektrophysiologischen Signalen, klinische Instrumente (z.B. Blutdruckmesser, Stethoskop) und Computermodellierung/ -simulation einschließen, gesammelt werden. Bezüglich der Aortenklappe als ein Beispiel, können anatomische und/oder physiologische Kennzeichnungsparameter zum Beispiel umfassen:
- – Strömungscharakteristiken (z. B. Geschwindigkeiten, Geschwindigkeitsgradienten, Drücke, Druckgradienten, Turbulenzstärke, Scherspannung) an einer einzelnen Stelle oder mehreren Stellen in der linken ventrikulären Ausflussbahn (LVAB), der Sinusse Valsalva (SV), dem sinotubulären Übergang (SÜ), der aufsteigenden Aorta (AA) oder einer Gefäßanordnung, die eine oder mehrere Herzklappen umgibt;
- – Näherungen an Strömung, Strömungseigenarten oder Strömungscharakteristiken durch vereinfachte und/oder analytische Modelle (z. B. Rohrströmung, Ausfluss);
- – Größe und/oder Formeigenschaften an einer einzelnen Stelle oder mehreren Stellen in der LVAB, SV, SÜ, AA oder umgebenden Gefäßanordnung, z. B. Durchmesser, Exzentrizität, Querschnittsfläche, axiale Länge, Hauptachsenlänge, Nebenachsenlänge, geometrischer Gradient (geometrische Gradienten);
- – Höhe, Form, Seitenprofil, Dicke, Grad der Verkalkung, Verkalkungsstelle, Winkelgröße, Winkeltrennung, radiale Länge, Spitzenschärfe, Unnachgiebigkeit, Flexibilität, Bewegung, Gewebemerkmale, Überlappung und/oder Ansatzwinkel eines Klappensegels oder mehrerer Klappensegel;
- – Position, Ansatzwinkel und/oder Größen einer oder mehrerer Koronararterien;
- – geometrische Öffnungsfläche und/oder geschätzte Öffnungsfläche der Klappe;
- – Größe, Form, Position, Dichte, Zusammensetzung und/oder Ausmaß von Gefäßverkalkung;
- – Schlagvolumen und/oder Herzminutenvolumen;
- – Blutdruck, Herzfrequenz und/oder Hämatokritwert des Patienten; und
- – Alter, Körpergröße, Gewicht, Körper-Gewichts-Index, Rassenzugehörigkeit und/oder Geschlecht des Patienten.
-
Mit Bezug auf 2 ist eine Ausführungsform eines Verfahrens zum Durchführen des Trainingsmodus 32 des maschinellen Lernsystems 30 dargestellt. In dieser Ausführungsform ist der Trainingsmodus 32 des maschinellen Lernsystems 30 mit einem Modellierungs- und Simulationssystem (nicht gezeigt) verbunden, welches Eingabedaten für das maschinelle Lernsystem 30 bereitstellen kann. Folglich kann das Modellierungs- und Simulationssystem in Verbindung mit dem maschinellen Lernystem 30 dadurch arbeiten, dass es anatomische und/oder physiologische Daten für das maschinelle Lernsystem 30 zur Verfügung stellen kann. Diese Daten können als Grundlage dienen, von der aus das maschinelle Lernsystem 30 lernt, die gewünschte Aufgabe (Aufgaben) auszuführen.
-
Ein erster Schritt der in 2 beschriebenen Ausführungsform kann das Importieren patientenspezifischer, geometrischer, anatomischer, physiologischer und/oder hämodynamischer Daten in das Computersystem 100 umfassen. Ein zweiter Schritt kann das Konstruieren eines (möglichst durch Parameter bestimmten) geometrischen Modells unter Verwendung der importierten Daten 200 einschließen. Eine Ausführungsform eines geometrischen Modells 10 ist in 5 dargestellt.
-
Wie in 5 dargestellt ist, kann in einer Ausführungsform das geometrische Modell 10 eine mehrdimensionale, digitale Darstellung der relevanten Anatomie des Patienten sein, die mindestens eine Herzklappe 12 (in einer Ausführungsform die Aortenklappe), mindestens einen Teil eines Einflussgefäßes 14 (oder „Einflussbahn“) und mindestens einen Teil eines Ausflussgefäßes 16 (oder „Ausflussbahn“) der Klappe 12 umfassen kann. Das Modell kann außerdem einen oder mehrere Ventrikel und/oder Herzvorhöfe oder einen Teil davon und/oder einen oder mehrere Herzkranzgefäße oder ein Teil davon umfassen. Das geometrische Modell wird aus patientenspezifischen anatomischen, geometrischen, physiologischen und/oder hämodynamischen Daten erzeugt. In einigen Ausführungsformen kann das Modell unter ausschließlicher Verwendung von bildgebenden Daten erzeugt werden. Alternativ dazu kann das Modell unter Verwendung von bildgebenden Daten und mindestens einem klinisch gemessenen Flussparameter erzeugt werden. Bildgebende Daten können aus jeder geeigneten diagnostischen Bildgebungsprüfung(en) wie die oben angegebenen erzielt werden. Klinisch gemessene Flussparameter können aus jedem geeigneten Test (Tests), wie etwa den oben angegebenen, erzielt werden.
-
Das Modell 10 kann außerdem mindestens eine Einflussbegrenzung und mindestens eine Ausflussgrenze enthalten, durch welche Blut jeweils in das mehrdimensionale Modell 10 ein- und ausströmt. Diese Einfluss- und Ausflussgrenzen bezeichnen endliche Begrenzungen des digitalen Modells 10 und sind in einem Patienten physikalisch nicht vorhanden. Das digitale geometrische Modell 10 kann erzeugt werden unter Verwendung von Verfahren der angewandten Mathematik und Bildanalyse wie Bildsegmentierung, maschinelles Lernen, computergestützter Entwurf, parametrische Kurvenanpassung und Polynomialapproximation, sind aber nicht darauf beschränkt. In einigen Ausführungsformen kann auch eine Mischmethode genutzt werden, die eine Anhäufung geometrischer Modellierverfahren kombiniert. Das endgültige mehrdimensionale Modell 10 stellt einen digitalen Ersatz zur Verfügung, der die zu berücksichtigenden, relevanten physischen Merkmale der anatomischen Topologie gewinnt, und kann eine oder mehrere morphologische Vereinfachungen (z. B. Symmetrie, Glättung) enthalten, die die zugrundeliegenden geometrischen Merkmale des betrachteten patientenspezifischen valvulären und vaskulären Systems ausnutzt.
-
Mit Bezug wieder auf 1 kann anschließend an die Konstruktion des digitalen Modells 200 der Modellier- und Simulationsabschnitt des maschinellen Lernsystems Oberfläche und Volumen des Modells in eine endliche Anzahl von Unterteilungen 300 diskretisieren. Diese einzelnen und nicht überlappenden Unterteilungen, „Elemente“ genannt, können die Anwendung und Lösung der physikalischen Bewegungsgesetze, die eine Blutströmung durch das geometrische Modell steuern, erleichtern. Die zum Diskretisieren des Modells verwendete Menge von Oberflächen- und Volumenelementen, insgesamt als das “Netz“ bezeichnet, transformieren das stetige geometrische Modell in einer Menge von Netzpunkten und Kanten, wobei jeder Elementpunkt in dem Netz diskrete, räumliche X-, Y- und Z-Koordinaten aufweist, und jede Elementkante durch zwei Netzpunkte verbunden ist und eine endliche Länge besitzt.
-
Eine Darstellung eines repräsentativen Netzes 21, das die Oberfläche eines geometrischen Modells 20 diskretisiert, ist in 6 gezeigt. Das geometrische Modell umfasst in dieser Ausführungsform Aortenklappe 22, Einflussbahn 24 und Ausflussbahn 26. Diese Darstellung des Modells 20 wird genutzt, um das Netz 21 zu zeigen und ist nur für beispielhafte Zwecke beabsichtigt.
-
Die Gestalt der Oberflächenelemente, die durch den Modellier- und Simulationsabschnitt des maschinellen Lernsystems erzeugt wird, kann die Form eines beliebigen geschlossenen Polygons annehmen, jedoch enthält das Oberflächennetz typischerweise eine Sammlung von Dreiecken, nach außen gewölbten Vierecken oder eine Kombination davon. Mit Bezug auf 7A–7D können Volumenelemente durch das Modellier- und Simulationssystem erzeugt werden und werden genutzt, um den Innenraum des Modells vollständig zu füllen. Jedes Volumenelement kann die Form eines beliebigen geschlossenen Polyeders annehmen, jedoch enthält das Volumennetz (d.h. die Menge von Volumenelementen) typischerweise eine Sammlung von Tetraedern (7A), Hexaedern (7B), Pyramiden (7C), schräge Keile (7D) oder eine Kombination davon. Die Dichten des Oberflächen- und Volumennetzes, welche die räumliche Auflösung des diskreten Modells bestimmen, können räumlich und zeitlich variieren. Die lokalen Dichten der Oberflächen- und Volumennetze können abhängig sein von der Komplexität der lokalen Topologie des zugrundeliegenden geometrischen Modells: komplexere lokale Topologie kann höhere räumliche Auflösung erfordern und deshalb zum Auflösen eine höhere Netzdichte als lokale Bereiche von weniger komplexer Topologie erfordern.
-
Der Modellier- und Simulationsabschnitt des maschinellen Lernverfahrens kann CFD nutzen, um eine Blutströmung durch das diskretisierte, geometrische Modell zu simulieren. Blut kann als newtonsche oder nicht-newtonsche Flüssigkeit dargestellt werden, wobei eine Blutströmung physikalisch durch die Erhaltung von Masse, Moment und Energie (oder einer Kombination davon) und mathematisch durch die Strömungsgleichungen (z. B. Kontinuität, Navier-Stokes-Gleichungen) mit geeigneten Anfangs- und Randbedingungen dargestellt werden kann. Die Randbedingungen können eine Funktion von Zeit und/oder Raum sein. Anfangs- und Randbedingungen können aus empirischen oder heuristischen Beziehungen, klinischen Daten, mathematischen Formeln oder einer Kombination davon festgelegt werden, wobei die Modellgrenzen unbeweglich oder nachgiebig oder eine Kombination davon sein können. Die mathematischen Gleichungen und entsprechenden Anfangs- und Randbedingungen können unter Verwendung herkömmlicher mathematischer Methoden gelöst werden, die analytische oder spezielle Funktionen, numerische Verfahren (z. B. der finiten Differenzen, finiten Volumen, finiten Elemente, Spektralverfahren), Verfahren maschinellen Lernens oder eine Mischmethode, die verschiedene Aspekte der angegebenen Verfahren kombiniert, einschließen.
-
Als nächster Schritt im Modellier- und Simulationsabschnitt des maschinellen Lernverfahrens und mit Bezug wieder auf 2 können Randbedingungen auf ein diskretes Patientenmodell 400 angewandt werden. Die Randbedingungen der Strömung können aus patientenspezifischen, klinischen Messungen (z. B. Doppler-Pulswellen-Sonographie des Herzens, Doppler-Dauerstrich-Sonographie des Herzens, MRI) erhalten werden, wobei sie in diesem Fall dem Modell in einer Weise vorgeschrieben sind, die mit klinischen Beobachtungen und Messungen im Einklang steht. Außerdem können Randbedingungen von Einfluss und Ausfluss vorgeschrieben werden, um zugrundeliegende psychologische oder medizinische Zustände wie Schmerz, Beklemmung, Angst, Blutarmut, Schilddrüsenüberfunktion, linksventrikuläre systolische Funktionsstörung, linksventrikuläre Hypertrophie, Bluthochdruck oder arteriell-venöse Fistel zu kompensieren, die klinisch irreführende Ergebnisse erzeugen können, denen medizinische Beurteilungen, Diagnosen, Behandlungsplanung oder Behandlung(en) zugrunde gelegt sein können.
-
Mit fortgesetztem Bezug auf 2 werden im Anschluss an die Initialisierung der Blutströmungsgleichungen die Gleichungen gelöst und interessierende hämodynamische Größen durch das Modellier- und Simulationssystem ausgerechnet 500, was eine Komponente des Trainingsmodus 32 des maschinellen Lernsystems 30 sein kann. Die interessierenden, hämodynamischen Größen, die durch das Modellier- und Simulationssystem ausgerechnet wurden, können zum Beispiel die Fließgeschwindigkeit an einem oder mehreren Punkten im rechnerischen Bereich, Geschwindigkeitsgradienten, Druck, Druckgradienten, Beanspruchung auf Abscheren, die Wandscherspannung in einer Position (Positionen) an der Herzklappe, usw. einschließen.
-
Im Anschluss an die Lösung der mathematischen Gleichungen und Berechnung der interessierenden Größen können anatomische und physiologische Parameter, die Eingaben in das Modellier- und Simulationssystem sind, gemeinsam als „Merkmale“ bezeichnet, zu einem Vektor 600 zusammengesetzt werden. Dieser Vektor anatomischer und physiologischer Merkmale wird als „Merkmalsvektor“ bezeichnet. Als ein veranschaulichendes Beispiel können in einem Merkmalsvektor enthaltene numerische Größen einige oder alle der Parameter (oder Merkmale) einschließen, die oben skizziert wurden, z. B. LVAB-Durchmesser, LVAB-Geschwindigkeit, LVAB-Querschnittsfläche, Höhe jedes valvulären Klappensegels, Dicke jedes valvulären Klappensegels, Durchmesser der aufsteigenden Aorta, usw. Die entsprechenden interessierenden, hämodynamischen Größen, die aus der CFD-Simulation von einem anatomischen Modell ausgerechnet werden können, das durch Merkmale in dem Merkmalsvektor gekennzeichnet sein kann, können ebenfalls zu einem Vektor zusammengesetzt werden, welcher als interessierender Größenvektor bezeichnet werden kann. Der interessierende Größenvektor kann zum Beispiel Scherspannung an Wänden, Druck, Druckgradienten, Geschwindigkeit, Geschwindigkeitsgradienten und/oder Scherung an verschiedenen Positionen im gesamten Modell, usw. einschließen. Sowohl das Merkmal als auch die interessierenden Größenvektoren können anschließend zur Verwendung während anderer Schritte des maschinellen, lernfähigen Prozesses abgespeichert werden. Es ist anzumerken, dass ein Merkmalsvektor und der entsprechende interessierende Größenvektor unterschiedliche Längen besitzen. Außerdem können Einträge in Merkmals- und interessierenden Größenvektor aus unterschiedlichen Mechanismen (z. B. klinischen Daten, numerischen Simulationen, geschätzter Approximierung) erzielt werden. Dennoch kann jeder Merkmalsvektor einem interessierenden Größenvektor zugeordnet sein, und umgekehrt.
-
Mit Bezug auf 2 kann ein nächster Schritt im Verfahren das Modifizieren (oder „Stören“) des digitalen Modells und/oder Strömungszustands einschließen, um gestörte anatomische und/oder physiologische Zustände 700 darzustellen. Als ein Beispiel einer anatomischen Störung, kann ein Klappensegel zurückgezogen sein, das die geometrische Öffnungsfläche der Klappe erhöht. Als ein Beispiel einer physiologischen Störung kann die Einflussgeschwindigkeit durch das LVAB erhöht oder gesenkt sein.
-
Wie in 2 dargestellt ist, können im Anschluss an die Modifizierung(en) an anatomische und/oder physiologische Bedingungen 700 die Schritte 300–700 des Modellier- und Simulationsabschnitts des maschinellen Lernsystems wiederholt werden 800, bis eine gewünschte Anzahl von Merkmalsvektoren und die Vektoren interessierender Größen erzielt werden. Anzumerken ist, dass jede Iteration von Schritten 300–700 einen neuen Merkmalsvektor und einen neuen Vektor interessierender Größen erzeugt. Obwohl sich mit jeder Iteration der Schritte 300–700 ein oder mehrere Einträge in dem Merkmalsvektor und/oder Vektor interessierender Größen ändern können, bleiben Darstellung und Länge jedes Vektors gleich. Das heißt, jedes digitale Modell wird repräsentiert durch die gleichen Charakteristiken und die gleiche Anzahl von Charakteristiken, wobei diese Sammlung von Charakteristiken in dem Merkmalsvektor enthalten ist. Außerdem sind die entsprechenden interessierenden Größen für jedes digitale Modell gleich. Die Menge von Merkmalsvektoren und Vektoren interessierender Größen kann dann in digitalen Medien gespeichert werden.
-
In einigen Ausführungsformen und mit Bezug jetzt auf 3 kann ein Verfahren des maschinellen Lernens das Anwenden von Algorithmen des maschinellen Lernens auf eine Sammlung von Merkmalsvektoren und Vektoren interessierender Größen aus dem oben beschriebenen und in 2 dargestellten Verfahren einschließen. Die Sammlung von Merkmalsvektoren und Vektoren interessierender Größen kann zuerst in Software 900 maschinellen Lernens importiert werden. Die maschinelle Lernsoftware kann dann eine oder mehrere Analysen oder maschinelle Lernalgorithmen (z. B. Entscheidungsbäume, Stützvektormaschinen, Regression, Bayes-Netzwerk, Random-Forests) auf die Menge von Merkmalsvektoren und Vektoren interessierender Größen 1000 anwenden. Im Anschluss an die Anwendung eines maschinellen Lernalgorithmus (maschineller Lernalgorithmen) wird eine Transformationsfunktion konstruiert 1100. Diese Transformationsfunktion kann als eine Projektion dienen zwischen dem einen oder mehreren, in einem Merkmalsvektor enthaltenen Merkmalen und der einen oder mehreren interessierenden Größen, die aus dem Modellier- und Simulationsabschnitt des maschinellen Lernsystems ausgerechnet wurden. Damit ist die Eingabe in die Transformationsfunktion ein Merkmalsvektor, und die Ausgabe der Transformationsfunktion ist ein Vektor interessierender Größen. Um die Genauigkeit der durch den maschinellen Lernalgorithmus erzeugten Transformationsfunktion zu prüfen, kann einer der zum Erzeugen der Transformationsfunktion verwendeten Merkmalsvektoren als Eingabe in die Transformationsfunktion verwendet werden. Die erwartete Ausgabe von der Transformationsfunktion ist der entsprechende Vektor interessierender Größen, obwohl dieser Vektor interessierender Größen durch die Transformationsfunktion nicht genau reproduziert werden kann. Die Transformationsfunktion kann in digitalen Medien zur Verwendung zum Beispiel während des Produktionsmodus des maschinellen Lernsystems 1200 gespeichert werden.
-
Im Anschluss an die Konstruktion der Transformationsfunktion durch Analyse und maschinellen Lernalgorithmus (Lernalgorithmen) kann der Lauf des Trainingsmodus 32 des maschinellen Lernsystems 30, wie in der vorliegenden Ausführungsform beschrieben, vollständig sein. Anschließend kann die Transformationsfunktion im Produktionsmodus 34 des maschinellen Lernsystems 30 verwendet werden.
-
Produktionsmodus:
-
Der Produktionsmodus 34 des maschinellen Lernsystems 30 kann nach dem Trainingsmodus 32 verwendet werden. Der Produktionsmodus 34 kann gestaltet sein, um Vektoren interessierender Größen schnell und genau auszurechnen, indem die Transformationsfunktion auf eine Reihe von Merkmalsvektoren angewandt wird. In einigen, jedoch nicht allen Fällen, könnten diese Merkmalsvektoren verwendet worden sein, um die Transformationsfunktion zu konstruieren.
-
Mit Bezug jetzt auf 4 kann in einer Ausführungsform der Produktionsmodus 34 des maschinellen Lernsystems 30 zuerst genutzt werden, um die Transformationsfunktion und einen oder mehrere Merkmalsvektoren 1300, welche die gleiche Menge von während des Trainingsmodus 32 verwendeten Merkmalen enthalten, zu importieren. Die während des Produktionsmodus 34 verwendeten Merkmalsvektoren können während des Trainingsmodus verwendet oder nicht verwendet worden sein, um die Transformationsfunktion zu konstruieren, wobei deshalb die Transformationsfunktion nicht mit Daten konstruiert worden sein darf, die in diesen Merkmalsvektoren enthalten sind. Die Anzahl von Merkmalen in jedem Merkmalsvektor und die Größen, die durch jedes Merkmal innerhalb jedes Merkmalsvektors dargestellt werden, sind jedoch die gleichen wie die zum Konstruieren der Transformationsfunktion verwendeten.
-
Die Transformationsfunktion kann anschließend auf den einen oder mehrere Merkmalsvektoren 1400 angewandt werden. Damit können die Eingaben in die Transformationsfunktion während des Produktionsmodus 34 des maschinellen Lernsystems 30 ein oder mehrere Merkmalsvektoren sein; und die Ausgabe von der Transformationsfunktion kann ein Vektor sein, der die interessierenden Größen enthält. Der von der Transformationsfunktion ausgegebene Vektor interessierender Größen kann anschließend z. B. in digitalen Medien gespeichert 1500 werden.
-
Die interessierenden Größen, die im Vektor interessierender Größen enthalten sind, können qualitative und/oder quantitative, geometrische und hämodynamische Informationen einschließen. Diese Daten können weiter analysiert und durch verschiedene Mechanismen einer Nachverarbeitung bewertet werden, um patientenspezifische anatomische und/oder physiologische und/oder hämodynamische Informationen zu zeigen, die bei der Diagnose, Behandlung und/oder Behandlungsplanung eines Patienten behilflich sein können. Diese qualitativen und quantitativen Daten können außerdem verwendet werden, um eine klinische Entscheidungsfindung zu führen und/oder Voraussageinformationen über das Fortschreiten einer Krankheit oder einer Risikoklassifizierung zur Verfügung zu stellen.
-
Interessierende Größen und/oder Daten, die aus dem maschinellen Lernsystem 30 abgeleitet sind, können an Ärzte geliefert werden, die diese Daten zur klinischen Entscheidungsfindung nutzen können. Eine Lieferung patientenspezifischer Informationen an Ärzte kann über integrierte oder betriebssystemunabhängige Softwaresysteme, Zahlenangaben, Kurvenblätter, grafische Darstellungen, Aufzeichnungen, verbale Diskussionen, schriftliche Korrespondenz, elektronische Medien, usw. oder eine Kombination davon erfolgen. Diese Daten können anschließend von einem einzelnen Arzt oder von einem Ärzteteam verwendet werden, um ein vollständiges, umfassendes und genaues Verständnis einer Herzerkrankung eines Patienten zu entwickeln und festzulegen, ob eine medizinische Behandlung garantiert ist oder nicht. Wenn eine medizinische Behandlung garantiert ist, können Ergebnisse aus dem maschinellen Lernsystem 30 genutzt werden, um eine klinische Entscheidungsfindung zu führen. Beispielhaft können spezielle Methoden, in denen eine Ausgabe vom maschinellen Lernsystem 30 in das klinische Management von Herzpatienten einbezogen sein kann, umfassen:
- • Analyse einer Herzklappenoperation einschließlich Diagnostizieren der Schwere, funktionellen Bedeutung und klinischen Reaktion auf die Operation einer abnormen Herzklappe;
- • patientenspezifische Auswahl, Dimensionierung und Anordnung von künstlichen Herzklappen einschließlich chirurgischer Behandlung, Behandlung durch Katheter und Klappe-in-der-Klappe-Behandlung; und
- • Beobachtung und/oder Weiterverfolgung des Patienten.
-
Die oben skizzierte Anwendungsliste steht nur für beispielhafte Zwecke, wobei die Liste nicht ganzheitlich sein soll.
-
Das maschinelle Lernsystem 30 kann ein schnelles und genaues virtuelles Gerüst bereitstellen, um patientenspezifische Empfindlichkeitsanalysen durchzuführen. Solche Analysen können die relativen Auswirkungen geometrischer und/oder hämodynamischer Veränderungen am anatomischen, physiologischen und/oder hämodynamischen Zustand eines Patienten bewerten; wobei diese Zustandsänderungen anschließend auf funktionelle und klinische Bedeutsamkeit bewertet werden können, wodurch eine Reaktion des Patienten auf die Therapie (oder Fehlen derselben), Fortschreiten der Krankheit und/oder patientenspezifische Risikoklassifizierung abgeschätzt werden können. Empfindlichkeitsanalysen können zum Beispiel durchgeführt werden, indem die Transformationsfunktion, die während des Trainingsmodus 32 des maschinellen Lernsystems 30 ausgerechnet wird, auf zahlreiche Merkmalsvektoren angewendet wird, die Veränderungen von spezifischen anatomischen und/oder physiologischen Merkmalen des Patienten beschreiben. Obwohl eine Konstruktion der Transformationsfunktion während des Trainingsmodus wahrscheinlich das Beste ist, um Merkmalsvektoren, die denen während einer Empfindlichkeitsanalyse verwendeten ähnlich sind, einzubeziehen, ist es wichtig anzumerken, dass die Transformationsfunktion keine erneute Berechnung während einer Analysenuntersuchung zur Empfindlichkeit erforderlich machen darf. Daher kann das maschinelle Lernsystem 30 eine schnelle Beurteilung zahlreicher anatomischer, physiologischer und/oder hämodynamischer Szenarien ermöglichen, die in einer virtuellen Umgebung ablaufen, ohne Patienten irgendwelchen medizinischen Risiken auszusetzen. Ergebnisse aus der Überfülle von Beurteilungen der Transformationsfunktion, die während einer Empfindlichkeitsanalyse geführt wurden, können vereinigt werden und Ärzten zur klinischen Entscheidungsfindung unterbreitet werden. Außerdem können Ergebnisse aus Empfindlichkeitsanalysen auch in Verbindung mit Unsicherheitsanalysen verwendet werden, um zum Beispiel umfassende und/oder lokale Unsicherheiten anatomischer, physiologischer, und/oder hämodynamischer Ergebnisse, die durch das maschinelle Lernsystem 30 erzeugt wurden, zu bewerten.
-
Das maschinelle Lernsystem 30 ermöglicht das Planen einer Herzklappenersatztherapie und die Auswahl eines optimalen Klappeneinsatzes. Zum Beispiel stellt das Abarbeiten des hier beschriebenen maschinellen Lernsystems 30 die genaue Bewertung einer anatomischen, physiologischen und/oder hämodynamischen Überlegung zu Einsatz und Funktion einer Herzklappe, z. B. Größe, Einsatzmechanismus, Einsatzwinkel, zur Verfügung. Daher stellen maschinelles Lernsystem 30 und Verfahren zu seiner Verwendung ein vollständiges Gerüst zu Verfügung, welches die genaue Bewertung einer anatomischen Struktur im Verhältnis zu natürlichen und prothetischen Herzklappen und ihrer entsprechenden Einfluss-/Ausflussbahnen ermöglicht. Diese Informationen können von Ärzten genutzt werden, um klinische Entscheidungen zu treffen, die eine Behandlung des Patienten einer Herzklappenerkrankung betreffen, um die Vorteile für jeden Patienten zu maximieren.
-
Obwohl die oben angegebene Beschreibung eine Anzahl von Ausführungsformen und Beispielen hervorhebt, reicht die vorliegende Erfindung über die speziell offen gelegten Ausführungsformen hin zu anderen alternativen Ausführungsformen/oder Verwendungen der Erfindung sowie deren Modifizierungen und Äquivalente. Folglich soll der Umfang der vorliegenden Erfindung nicht durch die oben beschriebenen speziellen, offen gelegten Ausführungsformen beschränkt sein, sondern soll nur durch offenes Lesen der Patentansprüche bestimmt sein, die sich anschließen.