CN119343726A - 经皮冠状动脉介入治疗计划 - Google Patents

Abstract

示例医疗系统包括被配置为存储机器学习算法或人工智能算法中的至少一种的存储器以及与存储器通信耦合的处理电路系统。处理电路系统被配置为：接收术前数据，所述术前数据包括与一个或多个患者的相应脉管系统的至少相应部分相关的数据；接收术中数据，所述术中数据是在对所述一个或多个患者执行的相应治疗性医疗手术期间收集的；接收术后数据，所述术后数据是在对所述一个或多个患者执行的相应治疗性医疗手术之后收集的。处理电路系统被配置为根据所述术前数据、所述术中数据和所述术后数据训练所述机器学习算法或所述人工智能算法中的至少一种。

Description

经皮冠状动脉介入治疗计划

本申请要求于2022年6月6日提交的标题为“PERCUTANEOUS CORONARYINTERVENTION PLANNING[经皮冠状动脉介入治疗计划]”的美国临时申请号63/365,935的权益。

技术领域

本公开涉及医疗手术的规划和协助。

背景技术

经皮冠状动脉介入治疗(PCI)是一种用于解决冠状动脉问题(比如患者脉管系统内的病变)的医疗手术。这种手术可以在导管实验室(导管室)中执行，并且可以包括将导管插入患者的脉管系统中以植入支架、给球囊充气、去除钙化物等。导管室是一种包括心脏成像仪器的专门设施，其可以位于医院内。临床医生可以使用心脏成像仪器来诊断患者的心脏问题和/或协助临床医生在治疗性医疗手术(比如用于治疗患者心脏问题的PCI)期间使患者的脉管系统可视化。这种成像系统可以显示解剖结构、医疗器械等，并且可以用于诊断患者病症或协助指导临床医生将医疗器械移动到患者体内的预期位置。成像系统可以使用传感器来捕获视频图像，这些视频图像可以在医疗手术期间显示。成像系统包括血管造影系统、超声成像系统、计算机断层扫描(CT)扫描系统、磁共振成像(MRI)系统、等中心C形臂荧光透视系统、正电子发射断层扫描(PET)系统、血管内超声(IVUS)、光学相干断层扫描(OCT)以及其他成像系统。

发明内容

总的来说，本公开内容涉及用于规划医疗手术和在手术期间更新医疗计划的各种技术和医疗系统。本公开还涉及用于训练可以用于规划这种医疗手术和/或更新这种医疗手术的计划的机器学习算法和/或人工智能算法的各种技术。

目前，非侵入性冠状动脉成像数据主要用于诊断(多种)冠状动脉问题，而不是用于如PCI等医疗手术。虽然有一些规划工具旨在促进临床医生使用非侵入性图像并规划如PCI等医疗手术，但这些规划目前可能无法与可以执行PCI的导管室集成。

基于本公开的技术，医疗系统可以使用经训练的机器学习算法和/或人工智能算法，基于在医疗手术之前收集的数据来规划医疗手术，比如PCI手术。这些数据可以包括非侵入性成像数据、侵入性成像数据和/或传感器数据。例如，医疗系统可以生成手术计划，该计划可以在医疗手术之前和医疗手术期间显示或以其他方式呈现给临床医生，以协助临床医生执行手术。在医疗手术期间，可以收集额外的数据，并且执行经训练的机器学习算法和/或经训练的人工智能算法的处理电路系统可以使用这些数据来确定与原始手术计划中的治疗相比，不同的或额外的治疗可能更有可能为患者带来更好的结果。在这种情况下，处理电路系统可以更新手术计划以包括不同的或额外的治疗。机器学习算法和/或人工智能算法可以根据术前数据、术中数据和术后数据的组合进行训练。

通过使用经训练的机器学习算法和/或经训练的人工智能算法生成手术计划和/或在医疗手术期间更新手术计划，可以改善患者结果，从而使患者在术后获得更好的健康。

本公开的各方面至少适用于导管室手术。示例导管室手术包括但不限于冠状动脉手术、肾去神经支配术(RDN)手术、结构性心脏和主动脉(SH&A)手术(例如，经导管主动脉瓣置换术(TAVR)、经导管二尖瓣置换术(TMVR)等)、设备植入手术(例如，心脏监护仪、起搏器、除颤器等)等。

在一个示例中，本公开描述了一种医疗系统，其包括被配置为存储机器学习算法或人工智能算法中的至少一种的存储器；以及与所述存储器通信耦合的处理电路系统，所述处理电路系统被配置为：接收术前数据，所述术前数据包括与一个或多个患者的相应脉管系统的至少相应部分相关的数据；接收术中数据，所述术中数据是在对所述一个或多个患者执行的相应治疗性医疗手术期间收集的；接收术后数据，所述术后数据是在对所述一个或多个患者执行的相应治疗性医疗手术之后收集的；以及根据所述术前数据、所述术中数据和所述术后数据训练所述机器学习算法或所述人工智能算法中的至少一种，以生成经训练的机器学习算法或经训练的人工智能算法中的至少一种。

在另一个示例中，本公开描述了一种方法，所述方法包括：由处理电路系统接收术前数据，所述术前数据包括与一个或多个患者的相应脉管系统的至少相应部分相关的数据；由所述处理电路系统接收术中数据，所述术中数据是在对所述一个或多个患者执行的相应治疗性医疗手术期间收集的；由所述处理电路系统接收术后数据，所述术后数据是在对所述一个或多个患者执行的相应治疗性医疗手术之后收集的；以及由所述处理电路系统根据所述术前数据、所述术中数据和所述术后数据训练机器学习算法或人工智能算法中的至少一种，以生成经训练的机器学习算法或经训练的人工智能算法中的至少一种。

在又一个示例中，本公开描述了一种非暂态计算机可读介质，其包括指令，所述指令当被执行时使处理电路系统：接收术前数据，所述术前数据包括与一个或多个患者的相应脉管系统的至少相应部分相关的数据；接收术中数据，所述术中数据是在对所述一个或多个患者执行的相应治疗性医疗手术期间收集的；接收术后数据，所述术后数据是在执行所述一个或多个患者的相应治疗性医疗手术之后收集的；以及根据所述术前数据、所述术中数据和所述术后数据训练机器学习算法或人工智能算法中的至少一种，以生成经训练的机器学习算法或经训练的人工智能算法中的至少一种。

根据以下详细说明，本公开的这些和其他方面将变得明显。然而，以上发明内容决不应当被解释为是对所要求主题的限制，所述主题仅由所附权利要求限定。

本发明内容旨在提供对本公开中所描述的主题的概述。本发明内容并不旨在提供对以下附图和说明书内详细描述的装置和方法的排他性或详尽解释。在以下附图和说明书中阐述了一个或多个示例的进一步细节。

附图说明

图1是用于引导医疗器械穿过患者的某个区域的系统的一个示例的示意性立体图。

图2是图1的系统的计算系统的一个示例的示意性视图。

图3是展示了包括经由网络连接的远程计算设备(如服务器以及一个或多个其他计算设备)的示例系统的功能框图。

图4是根据本公开的一个或多个方面的示例手术计划生成技术的流程图。

图5是根据本公开的一个或多个方面的示例机器学习算法或人工智能算法的训练技术的流程图。

图6是根据本公开的一个或多个方面的展示了示例机器学习模型的概念图。

图7是根据本公开的一个或多个方面的展示了机器学习模型的示例训练过程的概念图。

具体实施方式

成像系统可以用于协助临床医生在医疗手术(比如经皮冠状动脉介入治疗(PCI)手术)期间或两者中诊断医疗病症(比如冠状动脉问题)。例如，成像系统可以用于确定患者脉管系统中是否存在可能会限制或阻碍患者脉管系统中的血流的病变。例如，这种成像系统可以用于识别可能的冠状动脉问题，包括比如分叉病变、钙化病变、慢性完全闭塞(CTO)、支架内再狭窄(ISR)、左主干疾病等病变。在执行PCI(比如血管成形手术)或其他旨在治疗患者脉管系统内的病变的医疗手术时，也可以使用成像系统。虽然本文主要针对患者的脉管系统进行描述，但本文描述的成像系统可以用于其他医疗目的，而不仅限于冠状动脉目的。成像系统可以经由传感器生成静态图像数据或视频数据。该数据可以被记录以供日后使用。该数据可以包括患者脉管系统的一部分的表示，其中包括可能限制血流流过脉管系统的这一部分的一个或多个病变、这种病变的几何形状和在血管内的位置、和/或可能位于成像系统的一个或多个传感器的视野内的任何医疗器械。

如本文所提及的，医疗手术可以是诊断性医疗手术或治疗性医疗手术。诊断性医疗手术是使用成像或其他技术来诊断疾病的医疗手术。治疗性医疗手术是提供治疗和/或执行干预的医疗手术，例如PCI。单次导管室阶段可以包括1)仅诊断性医疗手术，例如未识别到需要治疗的病变、或者治疗对于给定临床医生而言过于困难、或者导管室所在的医院没有治疗病变所需的仪器；2)仅治疗性医疗手术，例如先前已诊断出病变；或者3)先进行诊断性医疗手术，然后进行治疗性医疗手术。如本文所公开的，医疗系统可以使用在如PCI等治疗性医疗手术之前获取的治疗前成像数据来确定手术计划。医疗系统可以通过使用经训练的机器学习算法和/或经训练的人工智能算法，将术前数据(比如治疗前成像数据)输入到经训练的机器学习算法和/或经训练的人工智能算法中来确定手术计划。例如，经训练的机器学习算法和/或经训练的人工智能算法可以根据术前数据(例如，治疗前成像数据)、术中数据(例如，附加成像数据，其可能是或可能不是侵入性的)和术后数据进行训练。术前数据与术后数据之间的差异可以指示治疗性医疗手术的结果。用于训练机器学习算法和/或人工智能算法的数据可以包括来自已接受这种治疗性医疗手术的多个患者的数据。

临床医生可以在治疗性医疗手术期间使用手术计划来协助临床医生进行治疗性医疗手术。在治疗性医疗手术期间收集的数据(例如，术中数据)也可以输入到经训练的机器学习算法和/或经训练的人工智能算法中，以确定是否应更新手术计划以包括手术计划中未包含的不同治疗。例如，如果执行经训练的机器学习算法和/或经训练的人工智能算法的医疗系统确定如果进行不同的或额外的治疗，获得更成功结果的可能性会更高，则医疗系统可以更新手术计划以包括该不同的或额外的治疗。通过生成手术计划，本公开的技术可以协助临床医生执行手术。通过更新手术计划，本公开的技术可以增加患者获得成功结果的可能性。通过训练本文所讨论的机器学习算法和/或人工智能算法，可以改进手术计划和手术计划的更新，这可以随着时间的推移进一步增加患者获得成功结果的可能性。

因此，本公开的技术将治疗前成像带入规划阶段，并且还通过向临床医生提供实时指导和/或反馈以及治疗性医疗手术的记录，将手术计划与导管室以及导管室中使用的医疗器械或设备整合在一起。总体手术计划、治疗性医疗手术的记录、所使用的治疗以及(例如，由术前数据与术后数据之间的差异确定的)结果可以用作机器学习算法和/或人工智能算法的输入，以训练机器学习算法和/或人工智能算法，以便可以用于未来的手术规划。这种经训练的机器学习算法和/或人工智能算法可能对复杂的PCI特别有用，分叉病变、钙化病变、CTO和ISR都是这种PCI的子集。

本公开的技术将术前数据带入导管室，并且可以利用实验室中获取的实时数据来增强该术前数据。这些技术还允许将手术计划作为地图，可以将已完成的治疗叠加在其上。所有这些数据都可以通过执行机器学习或人工智能算法的处理电路系统进行处理，这些算法可以通过建立冠状动脉介入的计划、治疗和结果的数据库并根据这些数据训练机器学习或人工智能算法来开始预测结果。

随着更多治疗性医疗手术的执行，本公开的技术可以得到真实世界数据的支持，从而改善治疗建议。此外，由于机器学习算法或人工智能算法可以在更多最新的PCI手术上进行进一步的训练，这些建议可以与不断发展的或新的技术以及新的和现有的医疗设备保持同步。

并非所有临床医生都愿意执行复杂的PCI，比如对分叉病例、钙化病变病例、CTO病例、ISR病例、左主干疾病病例等执行PCI。然而，通过本公开的技术生成的手术计划可以有助于临床医生规划这种复杂的病例，为他们的手术策略提供起点。

图1是用于引导医疗器械穿过患者的某个区域的系统的一个示例的示意性立体图。系统10的至少一部分可以位于导管室100中，其包括引导工作站50、显示设备110、桌子120、医疗器械130、成像仪140和计算设备150。在导管室100中进行如PCI等治疗性医疗手术之前，临床医生可以对患者执行治疗前成像以诊断冠状动脉疾病。临床医生还可以从可穿戴设备(比如智能手表、健身手表等)、植入式设备或其他传感器(比如听诊器，其可能位于临床医生的办公室内)获取或接收传感器数据。传感器数据可能指示冠状动脉问题。临床医生还可以利用一个或多个生理指标(比如血流储备分数(FFR)、冠状动脉血流储备(CFR)、瞬时无波形比率(iFR)或其他血流储备测量)来识别冠状动脉问题，比如重大病变，包括分叉病变、钙化病变、CTO、ISR、左主干疾病等。一旦发现冠状动脉问题，临床医生就可以决定执行治疗性医疗手术(例如在导管室100中)来解决冠状动脉问题。

引导工作站50可以包括例如现成的设备，比如笔记本计算机、台式计算机、平板计算机、智能手机或其他类似设备。在一些示例中，引导工作站可以是特定用途的设备。引导工作站50可以被配置为控制电外科发生器、蠕动泵、电源或与系统10相关或形成其一部分的任何其他附件和外围设备。计算设备150可以包括例如现成的设备，比如笔记本计算机、台式计算机、平板计算机、智能手机或其他类似设备，或者可以包括特定用途的设备。

显示设备110可以被配置为输出与医疗器械130的性能、位置、取向或轨迹、冠状动脉解剖结构、患者参数等中的至少一个相关的指令、图像和消息。显示设备110还可以被配置为显示手术计划。在一些示例中，显示设备110可以同时显示手术计划和在治疗性医疗手术期间收集的成像数据。例如，显示设备110可以将计划中的图像或在术前拍摄的图像(例如，治疗前成像数据)与在治疗性医疗手术期间拍摄的实时图像(例如，荧光透视图像、IVUS、OCT等)融合，并提供患者解剖结构和(多个)设备相对于计划的三维(3D)图像或并排视角。例如，处理电路系统(例如，计算设备150的处理电路系统)可以将(在导管室阶段之前收集的)冠状动脉计算机断层扫描血管造影(CCTA)图像与在导管室阶段期间收集的血管造影图像叠加或整合。例如，计划可以包括以图形或视频形式表示的策略、医疗器械和/或设备，以便于临床医生进行治疗性医疗手术。在一些示例中，处理电路系统可以通过使用(多个)传感器或自动图像分割来跟踪设备。可以将这种设备的放置与计划进行比较。将PCI前图像与实时成像(荧光透视、超声、IVUS、OCT等)融合可提供解剖结构和(多个)设备相对于计划的3D或并排视角。

在一些示例中，处理电路系统可以被配置为与同事共享实况病例数据，以便协作制定治疗策略。例如，处理电路系统可以被配置为控制遥测电路系统将实况病例数据(比如图像、治疗计划等)传输给一个或多个同事以显示在移动设备、平板计算机、笔记本计算机、台式计算机、工作站等上。

进一步地，显示设备110可以被配置为输出关于医疗器械130的信息，例如算法编号、类型、尺寸等。桌子120可以是例如手术台或者适合在医疗手术期间使用的其他桌子，其可以可选地包括电磁(EM)场发生器121。EM场发生器121可以可选地被包括在内并且用于在医疗手术期间生成EM场，并且当被包括时，可以形成用于跟踪患者体内一个或多个医疗器械的位置的EM跟踪系统的一部分。EM场发生器121可以包括各种部件，比如放置在手术台或病床下方或集成到手术台或病床中的专门设计的垫子。

还可以通过使用成像(比如，血管造影术(例如，造影剂增强型冠状动脉血管造影术)、OCT或血管内超声(IVUS)成像)来使医疗器械130可视化。在图1的示例中，成像仪140(比如血管造影设备)可以用于在医疗手术期间对患者的脉管系统进行成像，以可视化患者的脉管系统、医疗器械(比如外科手术器械、设备输送或放置设备、以及植入物)在患者体内的位置。虽然主要描述为血管造影成像仪，但成像仪140可以是包括一个或多个传感器的任何类型的成像设备。

成像仪140可以对患者身体内的关注区域进行成像。特定关注区域可以取决于解剖结构、诊断性手术和/或预期治疗。例如，在执行PCI时，脉管系统的一部分可能是关注区域。

如本文进一步描述的，成像仪140可以相对于医疗器械130定位，使得医疗器械与图像平面成一定角度，从而使临床医生能够可视化医疗器械130与超声图像平面以及被成像物体之间的空间关系。在一些示例中，如果提供的话，EM跟踪系统还可以跟踪成像仪140的位置。在一个或多个示例中，成像仪140可以被放置在患者体内，比如脉管系统内。然后，EM跟踪系统可以跟踪该成像仪140和医疗器械130在患者体内的位置。在一些示例中，计算设备150的功能可以由引导工作站50执行，而计算设备150可能不存在。

在外科手术期间可以跟踪医疗器械在患者体内的位置。跟踪医疗器械的位置的示例性技术包括使用成像仪140。跟踪医疗器械的位置的另一种示例性技术包括使用EM跟踪系统，该系统通过跟踪附接到或包含在医疗器械130中的传感器来跟踪医疗器械130的位置。在开始医疗手术之前，临床医生可以使用一种或多种任何合适的技术来验证跟踪系统的准确性。任何合适的医疗器械130均可以与系统10一起使用。医疗器械或设备的示例包括支架、导管(包括引导导管、引导延伸导管、球囊导管等)、血管成形术设备、动脉粥样硬化切除术设备等。

计算设备150可以通过例如有线、光学或无线通信以通信方式耦合到成像仪140、工作站50、显示设备110和/或服务器160。服务器160可以是医院服务器、基于云的服务器等。服务器160可以被配置为存储经训练的机器学习算法、经训练的人工智能算法、患者成像数据、电子医疗保健或病历、冠状动脉问题的类型、冠状动脉问题的严重程度、冠状动脉问题的复杂性、冠状动脉问题的位置、病变的分类、冠状动脉问题区域的解剖结构、其他解剖结构等。在一些示例中，服务器160可以进一步存储患者元数据，比如性别、年龄、体重、身高、身体质量指数、体脂率、合并症、胆固醇水平、血压、血氧、体育锻炼水平、心率等。在一些示例中，计算设备150可以是工作站50的示例。

计算设备150可以被配置为从成像仪140接收成像数据。计算设备150可以被配置为与服务器160共享成像数据，使得服务器160可以执行经训练的机器学习算法和/或经训练的人工智能算法来确定是否更新可以在显示设备110上显示的手术计划。在其他示例中，计算设备150可以在本地执行经训练的机器学习算法和/或经训练的人工智能算法来确定是否更新手术计划。在治疗性医疗手术期间收集的数据(比如血管造影图像、OCT或血管内超声等)可能比术前获取的治疗前成像数据提供更详细的解剖和/或生理数据(例如FFR或其他血流储备测量、易损斑块识别等)。该数据可以添加到整体治疗性医疗手术的任何记录中，并可以用于更新治疗策略。

计算设备150还可以被配置为在显示器(比如计算设备150的显示器或显示设备110)上呈现用户界面。这样的用户界面可以被配置为显示手术计划和由成像仪140收集的术中成像数据，以便指导临床医生执行治疗性医疗手术。

计算设备150还可以被配置为从多于一种类型的成像系统接收成像数据。例如，成像仪140可以是血管造影成像仪，而成像仪180可以是荧光透视成像仪。因此，计算设备150可以接收多个不同的成像数据。在一些示例中，计算设备150可以将多个不同的成像数据进行配准，并叠加多个成像数据。在一些示例中，计算设备150可以将在治疗性医疗手术期间收集的任何成像数据与手术计划叠加。

计算设备150可以被配置为接收由一个或多个摄像机170捕获的视频数据。尽管仅示出了单个摄像机，但应当理解，一个或多个摄像机170可以包括可能位于导管室100内不同位置的多个摄像机。一个或多个摄像机170可以捕获视频数据，该视频数据包括例如手部运动(比如执行治疗性医疗手术的临床医生的手部运动)、机器人运动(比如参与或执行治疗性医疗手术的机器人102的运动)、所使用的医疗器械或设备(例如，植入式设备)、使用医疗器械或设备的时间、和/或使用医疗器械或设备的地点。在一些示例中，这样的视频数据可以用于训练机器学习算法和/或人工智能算法，和/或在确定是否更新手术计划时用作机器学习算法和/或人工智能算法的输入。

在一些示例中，机器学习应用程序或人工智能应用程序可以与机器人或机器人辅助PCI手术一起使用。例如，可以对机器人102进行编程以遵循由机器学习应用程序或人工智能应用程序确定或更新的手术计划。虽然被描绘成人形机器人，但应当理解，可能位于手术台120附近的机械臂也可以执行这种机器人或机器人辅助PCI手术。可以基于术中使用的成像技术和/或由一个或多个摄像机捕获的视频，使用机器视觉来促进机器人102遵循计划。使用机器人技术(比如机器人102)可以降低患者和临床医生的辐射暴露，因为可以减少手术时间，和/或对于机器人辅助手术，临床医生可以远离患者。在机器人辅助场景中，计算设备可以包括供临床医生提供输入来控制治疗性医疗手术或选择选项的能力。例如，临床医生可以通过用户界面(如操纵杆、触摸屏、鼠标等)进行交互，并控制机器人将导丝移动到所需位置。在另一个示例中，临床医生可以选择成像上的位置，比如通过触摸或单击该位置，然后机器人可以将设备输送到该位置。在一些示例中，当机器人将设备输送到该位置时，机器人可以提供反馈，比如成像反馈。

计算设备150可以被配置为将在治疗性医疗手术期间收集的任何数据上传至服务器160。计算设备150还可以被配置为向临床医生或患者生成包括在治疗性医疗手术期间收集的数据的报告。在一些示例中，计算设备150可以将报告上传到服务器160。计算设备150和/或服务器160可以被配置为基于与患者相关的术后数据更新报告以生成更新的报告。例如，这样的术后数据可以包括与患者相关的术后传感器数据、与患者相关的用户输入数据、患者的术后成像数据、或患者的生理数据。术后传感器数据可以包括来自可穿戴设备(比如智能手表或健身手表)的数据，比如心率数据、血氧数据、步数等。术后数据与术前数据之间的差异可以指示治疗性医疗手术的结果。用户输入数据可以包括由临床医生或患者输入的数据，比如患者的感觉如何、患者的运动量、(例如，在术后门诊期间感测到的)其他传感器数据等。术后成像数据可以包括在术后门诊期间获取的治疗前成像数据。生理数据可以包括例如FFR或其他血流储备分析等。

图2是图1的系统10的计算设备的一个示例的示意性视图。计算设备200可以是图1的计算设备150或服务器160的示例。计算设备200还可以是用于在导管室100之外创建手术计划的计算设备的示例。计算设备200可以包括工作站、台式计算机、笔记本计算机、智能手机、平板计算机、服务器、专用计算设备、或能够执行本公开技术的任何其他计算设备。

在计算设备200用于创建手术计划并且不位于导管室100中的示例中，处理电路系统204可以控制网络接口208以将手术计划228推送或以其他方式传输到导管室100中，以供临床医生在治疗性医疗手术期间使用。例如，计算设备200可以将手术计划228推送到导管室100中的引导工作站50和/或计算设备150。导管室100中的计算设备可以将手术计划228显示在显示设备(例如，显示设备110和/或显示器206(其可以是用户界面的一部分))上，比如监视器、增强现实(AR)或虚拟现实(VR)头戴式设备、全息图和/或导管室100中的(多个)其他显示设备。

计算设备200可以被配置为执行与引导工作站50、成像仪140和可选的EM跟踪系统相关联的处理、控制和其他功能。计算设备200可以表示计算设备的多个实例，其中每个实例可以与引导工作站50、成像仪140、成像仪180、一个或多个相机170或EM跟踪系统中的一个或多个相关联。计算设备200可以包括例如存储器202、处理电路系统204、显示器206、网络接口208、输入设备210或输出设备212，为了便于描述，其中每个设备可以表示计算系统内的这种设备的多个实例中的任何一个。

虽然处理电路系统204出现在图2中的计算设备200中，但在一些示例中，归属于处理电路系统204的特征可以由计算设备150、服务器160、引导工作站50、成像仪140、成像仪180、EM跟踪系统、其他计算设备、或其组合中的任一者的处理电路系统来执行。在一些示例中，与计算系统中的处理电路系统204相关联的一个或多个处理器可以在计算设备150、服务器160、引导工作站50、成像仪140、成像仪180和EM跟踪系统的任意组合之间分布并共享。另外，在一些示例中，由处理电路系统204执行的处理操作或其他操作可以由一个或多个远程驻留的处理器执行，比如一个或多个云服务器或处理器，其中每个处理器都可以被视为计算设备200的一部分。计算设备200可以用于执行本公开中描述的任何方法，并且可以单独或与其他部件(比如计算设备150、服务器160、引导工作站50、成像仪140、成像仪180、EM跟踪系统、或包括任何或所有这种系统的系统的部件)组合形成被配置为执行这种方法的设备或系统的全部或部分。

计算设备200的存储器202包括用于存储数据或软件的任何非暂态计算机可读存储介质，这些数据或软件可由处理电路系统204执行并控制计算设备150、服务器160、引导工作站50、成像仪140、成像仪180或EM跟踪系统(如适用)的操作。在一个或多个示例中，存储器202可以包括一个或多个固态存储设备，比如闪速存储器芯片。在一个或多个示例中，存储器202可以包括通过大容量存储控制器(未示出)和通信总线(未示出)连接到处理电路系统204的一个或多个大容量存储设备。

尽管对本文的计算机可读介质的描述是指固态存储，但本领域的技术人员应理解，计算机可读存储介质可以是处理电路系统204可以访问的任何可用介质。也就是说，计算机可读存储介质包括在任何方法或技术中实施以存储比如计算机可读指令、数据结构、程序模块或其他数据等信息的非暂态、易失性和非易失性、可移除和不可移除介质。例如，计算机可读存储介质包括RAM、ROM、EPROM、EEPROM、闪速存储器或其他固态存储器技术、CD-ROM、DVD、蓝光或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备、或可以用于存储期望的信息并且可以由计算设备200访问的任何其他介质。在一个或多个示例中，计算机可读存储介质可以存储在云或远程存储装置中，并且通过有线或无线连接中的至少一种使用一种或多种任何合适的技术进行访问。

存储器202可以存储术前数据232、术中数据234和术后数据236。术前数据232可以包括治疗前成像数据、传感器数据(例如来自可穿戴设备、植入式设备、听诊器等)和/或患者元数据(例如性别、年龄、体重、身高、身体质量指数、体脂率、合并症、胆固醇水平、血压、血氧、体育锻炼水平、心率等)。术中数据234可以包括在治疗性医疗手术期间收集的数据，比如接受治疗性医疗手术的患者的血管造影数据、接受治疗性医疗手术的患者的血管内成像数据、接受治疗性医疗手术的患者的其他成像数据、接受治疗性医疗手术的患者的超声心动图数据、与接受治疗性医疗手术的患者相关的传感器数据等。术后数据236可以包括在治疗性医疗手术之后收集的数据，比如与患者相关的传感器数据、与患者相关的用户输入数据、患者的术后成像数据(例如，在治疗性医疗手术之后生成的成像数据)、患者的生理数据(例如，FFR或其他血流储备测量)等。在一些示例中，术前数据232、术中数据234和术后数据236包括与多个患者相关的数据，并且可以被处理电路系统204用于训练(多种)机器学习/人工智能算法222中的一种或多种。在一些示例中，术前数据232、术中数据234和术后数据236包括与当前患者相关的数据。处理电路系统204可以执行(多种)机器学习/人工智能算法222中的经训练的机器学习算法和/或经训练的人工智能算法，以基于当前患者的术前数据232生成手术计划228。

手术计划228可以包括针对当前患者的一种或多种潜在治疗。一般来说，手术计划228可以包括以下一种或多种：使用诊断导管、普通球囊血管成形术(POBA)、机械动脉粥样硬化切除术、血管内碎石术(IVL)、药物涂层球囊血管成形术、支架输送(包括裸金属支架、药物洗脱支架(DES)、生物可吸收支架等)、支架植入后优化、基于导丝FFR或其他血流储备测量、基于图像的FFR或其他血流储备测量、OCT、IVUS等。作为具体示例，对于分叉病例，潜在的治疗可以包括临时支架术、T型和小突出术(TAP)、倒置临时支架术、双吻合(DK)裤型支架术、DK挤压术等。对于钙化病变病例，潜在的治疗可以包括病变穿过、成像和钙化修饰等。对于CTO病例，潜在的治疗可以包括导丝升级、顺行、逆行、解剖和再入、受控顺行和逆行内膜下追踪(CART)、反向CART等。对于ISR病例，潜在的治疗可以包括病变穿过、成像和病变治疗等。左主干疾病病例通常包括分叉，并且分叉可能位于向心脏左侧供血的最后一条可行血管中，并且治疗可以包括对分叉的治疗。手术计划228还可以让临床医生了解他们可能需要哪些医疗器械或设备(例如，动脉粥样硬化切除术、球囊、药物涂层球囊、高压球囊、切割或刻痕球囊、血管内碎石术(IVL)、专用导丝、专用微导管、血管内成像、钙化修饰工具、支架、药物洗脱支架、机械循环支持等)来执行手术计划中规定的(多种)治疗。

在一些示例中，临床医生或计算设备可以经由从显示器206和/或输入设备210实时选择来自导管室100的任何或所有数据来增强手术计划228。这种数据可以包括侵入性血管造影、血管内冠状动脉成像(例如血管内超声(IVUS)、光学相干断层扫描(OCT)等)、超声心动图(ECG)等。在一些示例中，由于钙化病变中的钙质可能导致三维(3D)图像中的开花伪影，处理电路系统204可以执行(多种)机器学习/人工智能算法222中的机器学习算法或人工智能算法(比如神经网络)，以减少3D图像中因钙化而引起的开花伪影。例如，可以训练机器学习算法或人工智能算法将血管的钙质与原生血管解剖结构分离，从而生成仅解剖结构的图像。例如，机器学习算法或人工智能算法可以根据已知的真实数据进行训练。可以根据基于先前解剖结构的模拟库和针对特定病例提供的特定血管内图像来创建真实数据。

在一些示例中，临床医生可以经由输入设备210编辑手术计划228，比如通过选择或替换一个或多个建议的治疗、通过选择或替换一个或多个优选的医疗器械等。

为了确定手术计划228，处理电路系统204可以分析在术前数据232中识别的冠状动脉问题(例如分叉病变、钙化病变、CTO、ISR、左主干疾病等)，并表征解剖学、生理学、形态学、病理学等。例如，处理电路系统204可以执行机器视觉算法218来对冠状动脉问题进行分类，或者临床医生可以通过输入设备210或经由网络接口208从另一个计算设备对冠状动脉问题进行分类。

例如，对于分叉，处理电路系统204可以分析分叉周围的脉管系统的解剖结构，以协助识别可以用于治疗这种情况的具体策略。处理电路系统204可以识别分叉疾病并对其进行分类。例如，处理电路系统204可以根据已知的分类系统(比如Medina分类)对分叉疾病进行分类，并包括脉管系统的至少一部分的3D图像，以将疾病的严重程度或病症传达给临床医生。例如，一些分类的分叉疾病对某些治疗的反应可能与其他分类的分叉疾病不同。处理电路系统204可以分析分叉病变以识别用于治疗分叉病变的策略(例如通过执行多个模拟)。例如，处理电路系统204可以使用不同的干预措施执行多个模拟，并为PCI选择具有(多个)最佳模拟患者结果的一个或多个治疗。处理电路系统204可以将这样的一种或多种治疗包括在手术计划228中。处理电路系统204可以分析患者血管的解剖结构以估计医疗器械或设备(比如导丝、微导管、球囊、支架等)的位置。

在钙化病变的示例中，处理电路系统204可以分析钙化病变周围的脉管系统的解剖结构，以协助识别在这种情况下可能有用的具体手术策略。处理电路系统204可以分析血管的解剖结构以估计医疗器械(比如微导管和导丝)的位置，以估计是否存在足够的支撑来穿透钙化病变。处理电路系统204可以分析血管壁的特性，以预测在治疗性医疗手术期间要使用的合适的钙化修饰工具或医疗器械升级。

对于CTO，处理电路系统204可以分析CTO的远端帽和近端帽。处理电路系统204可以对CTO进行分析，以识别病变沿线的任何裂缝，从而可以有助于导丝的跟踪。处理电路系统204可以分析血管的解剖结构以估计医疗器械(比如微导管和导丝)的位置，以估计是否存在足够的支撑来穿透患者特定的帽。处理电路系统204可以分析血管壁的特性来预测解剖和再入策略的适用性。处理电路系统204可以分析血管以识别脉管系统的真正管腔。如果仅凭血管造影无法确定导丝位置(例如，不确定导丝是在真正管腔内还是在血管壁内)，则这在PCI手术期间可能很有用。处理电路系统204可以分析患者的脉管系统以确定使用侧支或其他血管的逆行方法，从而允许医疗器械行进到病变远端。

对于ISR，处理电路系统204可以分析血管的解剖结构以估计医疗器械(比如微导管和导丝)的位置，以估计是否存在足够的支撑来穿透病变。处理电路系统204可以分析血管壁的特性以预测合适的ISR治疗策略，包括使用哪种(哪些)医疗器械。处理电路系统204可以分析血管壁以确认支架已植入。在一些示例中，支架已被植入的确认可以经由输入设备210手动输入或者从患者电子病历(未示出)拉入手术计划228。支架设计可以用于减少开花伪影，因为一些支架比其他支架出现更多的开花伪影。支架设计可以用于确保在处理电路系统204进行的任何后续计划或模拟中考虑到支架的机械特性。处理电路系统204可以分析植入的支架设计，比如对植入的支架设计的性能运行模拟。处理电路系统204可以对其他支架设计的性能运行模拟，并将植入的支架设计的性能与其他支架设计的性能执行比较。

对于左主干疾病，处理电路系统204可以分析患者的解剖结构并运行模拟以确定治疗性医疗手术的风险级别。处理电路系统204可以基于模拟和/或基于左主干疾病诊断推荐诸如机械循环支持等设备。处理电路系统204还可以推荐备用支持选项，比如混合实验室心脏团队，以防在治疗性医疗手术期间出现并发症。处理电路系统204可以分析血管的解剖结构以在治疗性医疗手术期间估计医疗器械(比如导丝、微导管、球囊、支架等)的位置。处理电路系统204可以使用具有最佳结果的模拟来确定要包括在手术计划228中的一种或多种治疗。处理电路系统204可以分析治疗性医疗手术的风险级别，然后将风险降低策略纳入手术计划228中。这种风险降低策略的示例可以包括用导丝连接血管的侧支，以确保在血管发生痉挛或其他反应时能够进入血管。在一些示例中，处理电路系统204或临床医生可以请求附加信息，比如肾功能、射血分数、LV功能等，这可能会影响患者是否应当受到机械循环支持的保护。处理电路系统204可以使用这种信息来确定患者是否应当受到机械循环支持的保护，并且可以将患者是否应当受到机械循环支持的保护纳入计划中。在一些示例中，处理电路系统204可以在需要时将临床医生与制造机械循环支持设备的公司的销售团队或代表建立链接或联系，以确保在治疗性医疗手术中有监督人员可用。例如，如果没有公司的监督人员，临床医生可能不愿意使用机械循环支持。处理电路系统204可以指示是否建议使用配备混合实验室的心脏团队作为后备支持。

在一些示例中，处理电路系统204可以请求附加信息，比如要完成的血管内成像，以提高对任何模拟的成功程度的任何预测的准确性。

处理电路系统204可以例如基于所执行的一个或多个分析(比如基于模拟)来确定用于PCI的手术计划228。在一些示例中，处理电路系统在执行这种模拟时可以执行(多种)机器学习/人工智能算法或机器视觉算法218中的一种或多种。在一些示例中，处理电路系统204可以经由显示器206向临床医生呈现手术计划228的多个选项，临床医生可以经由输入设备210从这些选项中进行选择。在其他示例中，处理电路系统204可以在不提供多个选项的情况下确定手术计划228。

在一些示例中，手术计划228可以包括可以用于治疗性医疗手术的医疗器械或设备，比如动脉粥样硬化切除术、球囊、药物涂层球囊、高压球囊、切割或刻痕球囊、血管内碎石术(IVL)、专用导丝、专用微导管、血管内成像、钙化修饰工具、支架、药物洗脱支架、机械循环支持等。

处理电路系统204可以执行(例如，(多种)机器学习/人工智能算法222中的)机器学习算法或人工智能算法中的至少一种来确定手术计划228。例如，可以使用用于冠状动脉介入的手术计划、治疗和结果(包括在术前、术中和术后收集的数据)来训练机器学习算法或人工智能算法中的至少一种。因此，机器学习算法或人工智能算法可以根据过去PCI的实际治疗和实际结果进行训练，并且可以基于成功的结果将治疗纳入手术计划228中。

例如，可以使用k均值聚类模型，其具有多个聚类：每个聚类对应使用一个或多个特定医疗器械和/或设备进行的每种治疗。每个识别的冠状动脉问题可能与包括针对例如术前数据、术中数据和术后数据的变量的向量相关联，这些数据比如冠状动脉问题的类型、冠状动脉问题的严重程度、冠状动脉问题的复杂性、冠状动脉问题的位置、病变的分类、冠状动脉问题区域的解剖结构、其他解剖结构、患者元数据(例如性别、年龄、体重、身高、身体质量指数、体脂率、合并症、胆固醇水平、血压、血氧、体育锻炼水平、心率等)、治疗性医疗手术的结果等。向量在给定聚类中的位置可以指示使用一种或多种特定医疗器械和/或设备进行的特定治疗。例如，如果向量属于使用特定医疗器械进行的TAP聚类，则机器学习算法或人工智能算法可以将TAP作为治疗包括在手术计划228中，并且可以将特定医疗器械包括在手术计划228中。其他可能使用的机器学习或人工智能技术包括朴素贝叶斯、k-最近邻、随机森林、支持向量机、神经网络、线性回归、逻辑回归等。

处理电路系统204可以确定针对患者的特定手术计划，其中包括一种或多种治疗。例如，对于分叉，手术计划228可以包括临时支架术、TAP、倒置临时支架术、DK裤型支架术、DK挤压术等中的任何一种。对于钙化病变，手术计划228可以包括病变穿过、成像和钙化修饰等中的任何一种。在CTO的示例中，手术计划228可以包括导丝升级、顺行、逆行、解剖和再入、CART、反向CART等中的任一种。对于ISR，手术计划228可以包括病变穿过、成像和病变治疗等。对于左主干疾病，手术计划228可以包括上述针对分叉的任何治疗和/或其他治疗。

如上所述，手术计划228可以包括在治疗性医疗手术期间可以使用哪些医疗器械和/或设备。在一些示例中，手术计划228可以将可以在治疗性医疗手术期间使用的医疗器械和/或设备与可以执行治疗性医疗手术的设施(例如医院)处可用的库存执行交叉参考。手术计划228还可以包括哪些医疗器械和/或设备可以被批准在导管室100所在的区域中使用的交叉参考。手术计划228可以包括治疗性医疗手术的逐步方法，并指示何时何地以及如何使用医疗器械和/或设备。在一些示例中，手术计划228可以包括针对以标签外方式使用特定医疗器械和/或设备的警告。例如，处理电路系统204可以将手术计划228中的设备的使用情况与设备指征、禁忌症、警告等进行交叉参考。

在治疗性医疗手术期间，计算设备200可以接收术中数据234，其可以包括接受治疗性医疗手术的患者的血管造影数据、接受治疗性医疗手术的患者的血管内成像数据、接受治疗性医疗手术的患者的其他成像数据、接受治疗性医疗手术的患者的超声心动图数据、与接受治疗性医疗手术的患者相关的传感器数据等。如果术中数据表明不同的治疗计划将提供更好的预测结果，则处理电路系统204可以实时改变计划。这在复杂的PCI手术中可能是可取的，因为它可以增加成功的可能性或改善患者的结果。例如，处理电路系统204可以进一步执行(多种)机器学习/人工智能算法222中的经训练的机器学习算法和/或经训练的人工智能算法，以确定是否基于手术计划228的至少一部分或术中数据234(例如，基于成像数据)的至少一部分中的至少一项来更新手术计划228。例如，处理电路系统204可以基于手术计划228的至少一部分和术中数据234的至少一部分中的至少一项来确定与手术计划228中包含的治疗相比，不同的治疗可以增加成功结果的可能性。这样，处理电路系统204可以更新手术计划228以生成更新的手术计划230，处理电路系统204可以将更新的手术计划存储在存储器202中、经由显示器206显示、和/或经由网络接口208或输出设备212输出。在一些示例中，处理电路系统204可以用更新的手术计划230覆盖手术计划228。

处理电路系统204可以进一步使用当前患者的术前数据232、术中数据234和术后数据236来训练(多种)机器学习/人工智能算法222中的经训练的机器学习算法和/或经训练的人工智能算法。例如，在使用k均值聚类模型的示例中，k均值聚类模型可以将当前手术添加到聚类中，并将向量与术前数据232、术中数据234和术后数据236相关联。

术后数据236可以包括与患者相关的传感器数据、与患者相关的用户输入数据、患者的术后成像数据、患者的生理数据(FFR)等。术前数据232与术后数据236之间的差异可以指示治疗性医疗手术的结果。例如，处理电路系统204可以确定术前数据232与术后数据236之间的差异，以确定每个手术的成功程度。例如，如果术后成像数据表明术前数据中示出的病变不再存在，则可能表明手术成功。如果FFR分析表明术后血流量为95％，但术前FFR数据表明血流量为20％，则可能表明手术成功。如果传感器数据表明与治疗之后相比，患者在治疗性医疗手术之前走的步数少很多并且心率更高，则可能表明治疗性医疗手术取得了某种程度的成功，因为这些数据可能表明患者的身体健康水平有所提高。使用特定医疗器械治疗特定冠状动脉问题的特定治疗性医疗手术的累积结果可以提供成功结果可能性的度量。

处理电路系统204可以由一个或多个处理器实施，其可以包括任意数量的固定功能电路、可编程电路或其组合。如上所述，引导工作站50可以执行关于成像仪140的各种控制功能，并且可以与计算设备200进行广泛的交互。引导工作站50可以通信耦合到计算设备200，使引导工作站50能够控制成像仪140的操作并接收成像仪140的输出。在一些示例中，计算设备200可以控制成像仪140的各种操作。

在各种示例中，处理电路系统204对任何功能的控制可以直接实施或者与适合于指定功能的任何合适的电子电路系统结合实施。固定功能电路是指提供特定功能且预设了可以执行的操作的电路。可编程电路是指可以被编程以执行各种任务并且在可以执行的操作中提供灵活功能的电路。例如，可编程电路可以执行软件或固件，该软件或固件使可编程电路以软件或固件的指令所定义的方式操作。固定功能电路可以执行软件指令(例如，以接收参数或输出参数)，但是固定功能电路执行的操作类型通常是不可变的。在一些示例中，单元中的一个或多个单元可以是不同的电路块(固定功能或可编程的)，并且在一些示例中，一个或多个单元可以是集成电路。

指令可以由一个或多个处理器执行，比如一个或多个数字信号处理器(DSP)、通用微处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、图形处理单元(GPU)、或其他等效集成或离散逻辑电路系统。因此，如本文中所使用的，术语处理电路系统204可以指具有上述处理器或处理结构或适合于实施本文中所描述的技术的任何其他结构中的任何结构中的一个或多个处理器。另外，在一些方面，本文描述的功能可以在被配置用于编码和解码的专用硬件或软件模块中提供，或者并入组合的编解码器中。此外，这些技术可以在一个或多个电路或逻辑元件中完全实施。

显示器206可以包括可能触敏或语音激活的显示器206，从而使显示器能够充当输入和输出设备。可替代地，可以利用键盘(未示出)、鼠标(未示出)或其他数据输入设备(例如，输入设备210)。

网络接口208可以适于连接到网络，比如包括有线网络或无线网络的局域网(LAN)、广域网(WAN)、无线移动网络、蓝牙网络或互联网。例如，引导工作站50、计算设备150和/或服务器160可以在医疗手术期间经由网络接口208从成像仪140和/或成像仪180接收成像数据。引导工作站50、计算设备150和/或服务器160可以经由网络接口208接收其软件(例如应用程序216)的更新。引导工作站50、计算设备150和/或服务器160还可以在显示器206上显示软件更新可用的通知。

输入设备210可以是使用户能够与引导工作站50和/或计算设备150交互的任何设备，比如鼠标、键盘、脚踏板、触摸屏、接收手势或身体移动等输入的增强现实输入设备、或语音接口。

输出设备212可以包括任何连接端口或总线，例如并行端口、串行端口、通用串行总线(USB)或本领域技术人员已知的任何其他类似的连接端口。

(多个)应用程序216可以是存储在存储器202中并由计算设备150的处理电路系统204执行的一个或多个软件程序。处理电路系统204可以例如在治疗性医疗手术期间在显示器206和/或显示设备110上显示手术计划228、更新的手术计划230和/或术中数据234。

图3是展示了包括经由网络连接的外部计算设备(如服务器以及一个或多个其他计算设备)的示例系统的功能框图。在图3的示例中，患者计算设备300、接入点302、服务器306和计算设备312A-312N是互联的，并且能够通过网络304彼此通信。

接入点302可以包括经由各种连接中的任何一种连接到网络304的设备，如电话拨号、数字用户线路(DSL)、电缆调制解调器或光纤连接。在其他示例中，接入点302可以通过不同形式的连接(包括有线连接或无线连接)耦合到网络304。在一些示例中，接入点302可以是与患者共同定位的。服务器306可以是图1的服务器160的示例。在一些示例中，存储器308可以存储(多种)机器学习/人工智能算法222和/或机器视觉算法218(图2)，并且处理电路系统310可以执行(多种)机器学习/人工智能算法222和/或机器视觉算法218。

患者计算设备和/或计算设备312A-312N(其可以是临床医生计算设备)可以包括笔记本计算机、台式计算机、平板计算机、智能手机或其他类似设备，或者可以包括特定用途的设备。尽管未示出，但在一些示例中，计算设备312A-312N中的任意一个或全部都可以经由一个或多个接入点连接到网络304。

在一些示例中，服务器306可以被配置为提供用于术前数据232、术中数据234、术后数据236、手术计划228、更新的手术计划230、报告240、更新的报告242(图2中的全部)、已收集的与(多个)患者和/或医疗手术相关的任何其他数据的安全存储站点。图3所展示的系统可以在一些方面以一般的网络技术和功能实施，类似于由爱尔兰都柏林的Medtronicplc公司开发的Medtronic 网络提供的。

在一些示例中，服务器306或计算设备312中的一个或多个可以被配置为执行本文(例如，关于计算设备200(图2)的处理电路系统204)描述的一些或全部技术，例如可以包括被配置为执行这些技术的处理电路系统。

在一些示例中，服务器306可以用作患者门户，患者可以经由患者计算设备300和接入点302从该门户访问他们的医疗信息，包括外行人可以理解的水平的有关医疗手术的信息。例如，患者门户可能专注于教育和与患者的接触。

在一些示例中，计算设备312中的一个或多个可以是临床医生计算设备，其可以位于包括导管室100(图1)的设施处或者位于其他地方。在一些示例中，服务器306可以充当临床医生门户，其可以存储关于治疗性医疗手术的所有收集的信息，包括整个数据历史、所有术前数据232、所有术中数据234和所有术后数据。在一些示例中，机器学习算法或人工智能算法可以根据临床医生门户中的收集的数据、由参与数据收集的每个设备收集的数据、或这两者的组合进行训练。在一些示例中，临床医生门户可能特定于冠状动脉疾病(CAD)的识别和治疗策略。例如，临床医生可以经由计算设备312之一访问临床医生门户。在一些示例中，临床医生门户和/或患者门户可以包括加密以防止未经授权的访问。临床医生门户可以包括可以采用本文公开的技术的手术规划器。

例如，术后数据236可以包括传感器生成的数据，这些数据例如来自(多个)可穿戴设备(比如智能手表、贴片等)和/或(多个)植入设备。在一些示例中，术后数据236可以包括由(多个)这种传感器生成的三十天或更长时间的数据。这些数据可以被发送到患者计算设备300，并由患者计算设备300经由接入点302和网络304传输到患者门户(例如，服务器306)。在一些示例中，与特定患者相关的术前数据232、术中数据234和术后数据236的全部或部分可以包括在服务器306上的患者电子病历中，以便展示完整的患者旅程价值，作为患者门户或临床医生门户的一部分。

图4是根据本公开的一个或多个方面的示例手术计划生成技术的流程图。处理电路系统204可以接收治疗前成像数据，该成像数据指示患者脉管系统的至少一部分中的冠状动脉问题(400)。例如，处理电路系统204可以接收术前数据232，其可以包括患者的治疗前成像数据。这种治疗前成像数据可能已经在诊断性成像程序期间获取，以协助诊断冠状动脉问题(例如，在PCI之前)。治疗前成像数据可能表明冠状动脉问题，比如分叉病变、钙化病变、CTO、ISR、左主干疾病；等等。

处理电路系统204可以至少部分地基于治疗前成像数据自动确定在导管室中的治疗性医疗手术期间使用的手术计划(402)。例如，处理电路系统204可以将((多种)机器学习/人工智能算法222中的)机器学习算法或人工智能算法中的至少一种应用于治疗前成像数据。另外或可替代地，处理电路系统204可以执行多个手术模拟以确定包括手术计划的至少一种治疗。

处理电路系统204可以输出手术计划(404)。例如，处理电路系统204可以将手术计划228输出到计算设备(例如，计算设备150、服务器160、计算设备312A等)、用户界面(例如，显示器206或显示设备110)或机器人102中的至少一个。例如，临床医生可以经由显示器206查看手术计划228，并且可以使用手术计划228来协助执行治疗性医疗手术。患者或护理人员可以查看手术计划228或手术计划228的简化版本。机器人102可以使用手术计划228来执行治疗性医疗手术。在一些示例中，比如在机器人辅助医疗手术中，临床医生可以查看手术计划228，同时机器人102可以使用手术计划228来协助临床医生执行治疗性医疗手术。

在一些示例中，处理电路系统204可以接收患者元数据(其可以是术前数据232的一部分)，包括性别、年龄、体重、身高、身体质量指数、体脂率、合并症、胆固醇水平、血压、血氧、体育锻炼水平或心率中的至少一项，并且处理电路系统204可以进一步基于患者元数据自动确定手术计划。例如，患者元数据可以从患者电子病历中导入、可以由临床医生输入、和/或提供一个或多个传感器(比如可穿戴设备(如智能手表或健身手表)、听诊器等)收集。在一些示例中，手术计划包括以下各项中的至少一项：指示一种或多种治疗的数据、用于执行一种或多种治疗的医疗器械、在一种或多种治疗期间要使用的设备、如何执行一种或多种治疗的逐步指示、何时何地以及如何使用至少一种医疗器械或设备的指示、或关于未经批准使用至少一种医疗器械或设备的警告。在一些示例中，冠状动脉问题包括分叉病变、钙化病变、CTO、ISR或左主干疾病中的至少一种。

在一些示例中，处理电路系统204可以在治疗性医疗手术期间接收第二成像数据(例如，术中数据234)并且控制显示设备(例如，显示器206或显示设备110的显示器)在治疗性医疗手术期间将手术计划228和第二成像数据一起显示。在一些示例中，处理电路系统204可以基于第二成像数据的至少一部分或手术计划288的至少一部分中的至少一项来确定更新手术计划288。处理电路系统204可以更新手术计划288以生成更新的手术计划230，更新的手术计划230包括手术计划中未包括的至少一种治疗。处理电路系统204可以控制显示设备显示更新的手术计划230。例如，处理电路系统204可以将更新的手术计划输出到计算设备(例如，计算设备150、服务器160、计算设备312A等)、显示设备(例如，显示器206或显示器110的显示器)和/或机器人102。

在一些示例中，作为确定更新手术计划或更新手术计划中的至少一项的一部分，处理电路系统204可以将(例如，(多种)机器学习/人工智能算法222中的)机器学习应用程序或人工智能应用程序中的至少一种应用于第二成像数据的至少一部分或手术计划228的至少一部分中的至少一种。

在一些示例中，处理电路系统204可以生成报告240，其中包括在治疗性医疗手术期间收集的数据。在一些示例中，处理电路系统204可以更新报告240以基于与患者相关的术后数据236生成更新的报告242。例如，处理电路系统204可以使来自治疗性医疗手术的所有收集的数据(所有术中数据234)可经由显示器206提供给临床医生。在一些示例中，处理电路系统204可以为临床医生准备汇总报告(比如报告240)，或者可以促进临床医生经由显示器206准备这样的报告。在一些示例中，显示器206可以被配置为让临床医生输入PCI的结果，例如，包括血管造影和/或血管内冠状动脉成像的最终图片。在一些示例中，临床医生可以经由显示器206增强记录的结果(例如，报告240中的结果)，例如在30天甚至更长时间之后，以创建更新的报告242。在一些示例中，患者可以经由患者门户或经由可穿戴或植入的传感器增强其PCI手术的记录结果。处理电路系统可以包括PCI手术的捕获数据、计划、实际治疗、记录的结果、和/或患者病历中的增强结果。处理电路系统可以控制遥测电路系统将数据推送或以其他方式传输到可以执行要使用的机器学习算法或人工智能算法的一个或多个设备，以用于进一步训练机器学习算法或人工智能算法。例如，一个或多个设备可能位于设施中或基于云的计算网络中。以这种方式，机器学习算法或人工智能算法可以得到改进，以使用治疗前成像制定用于治疗性医疗手术的手术计划。

图5是根据本公开的一个或多个方面的示例机器学习算法或人工智能算法的训练技术的流程图。处理电路系统204可以接收术前数据232(500)。例如，处理电路系统204可以从(多个)诊断成像系统(未示出)、未示出的(多个)可穿戴设备、服务器160、患者电子病历、临床医生输入等接收术前数据232。术前数据232可以包括与一个或多个患者的相应脉管系统的至少相应部分相关的数据。在一些示例中，术前数据232包括以下各项中的至少一项：一个或多个患者的相应脉管系统的至少相应部分的治疗前成像数据；或与一个或多个患者相关的传感器数据，比如由可穿戴设备(如智能手表或健身手表、听诊器等)收集的传感器数据。在一些示例中，术前数据232可以包括患者元数据，比如性别、年龄、体重、身高、身体质量指数、体脂率、合并症、胆固醇水平、血压、血氧、体育锻炼水平或心率。

处理电路系统204可以接收术中数据234，术中数据234是在对一个或多个患者执行的相应治疗性医疗手术期间收集的(502)。例如，处理电路系统204可以在进行治疗性医疗手术时实时从成像仪140、成像仪180、一个或多个摄像机190等接收术中数据234。在一些示例中，术中数据234包括以下各项中的至少一项：一个或多个患者的血管造影数据、一个或多个患者的血管内成像数据、一个或多个患者的超声心动图数据、一个或多个患者的传感器数据、或视频数据。在一些示例中，视频数据包括以下各项中的至少一项的指示：手部运动、机器人运动、所使用的医疗器械或设备、使用医疗器械或设备的时间、或使用医疗器械或设备的地点。

处理电路系统204可以接收术后数据236，术后数据236是在执行一个或多个患者的相应治疗性医疗手术之后收集的(504)。例如，处理电路系统204可以在相应的治疗性医疗手术完成后从例如可穿戴设备、诊断成像系统、用户界面、FFR设备、服务器160等接收术后数据236。在一些示例中，术后数据包括以下各项中的至少一项：与一个或多个患者相关的术后传感器数据、与一个或多个患者相关的用户输入数据、一个或多个患者的术后成像数据、或一个或多个患者的生理数据。

处理电路系统204可以根据术前数据232、术中数据234和术后数据236来训练(例如，(多种)机器学习/人工智能算法222中的)机器学习算法或人工智能算法中的至少一种，以生成(例如，(多种)机器学习/人工智能算法222中的)经训练的机器学习算法或经训练的人工智能算法中的至少一种(506)。例如，处理电路系统204可以将术前数据232、术中数据234和术后数据236输入到机器学习算法和/或人工智能算法中，以训练机器学习算法和/或人工智能算法。

在一些示例中，系统10的至少一部分基于云计算环境。在一些示例中，一个或多个患者包括当前患者。在一些示例中，处理电路系统204可以接收当前患者的当前术前数据(例如，术前数据232)。处理电路系统204可以将(例如，(多种)机器学习/人工智能算法222中的)经训练的机器学习算法或经训练的人工智能算法中的至少一种应用于当前患者的当前术前数据。处理电路系统204可以基于经训练的机器学习算法或经训练的人工智能算法对当前患者的当前术前数据的应用，自动确定当前患者的手术计划228，并输出当前患者的手术计划228以供在治疗性医疗手术期间使用。

在一些示例中，处理电路系统204可以接收当前患者的当前术中数据(例如，术中数据234)。处理电路系统204可以将经训练的机器学习算法或经训练的人工智能算法中的至少一种应用于当前术中数据的至少一部分或当前患者的手术计划228的至少一部分中的至少一项。处理电路系统204可以基于经训练的机器学习算法或经训练的人工智能算法对当前患者的当前术中数据的至少一部分或当前患者的手术计划228的至少一部分中的至少一项的应用来确定更新手术计划228。处理电路系统204可以更新手术计划228以生成更新的手术计划230，并输出当前患者的更新的手术计划230以供在治疗性医疗手术期间使用。

在一些示例中，作为确定更新手术计划230的一部分，处理电路系统204可以确定未包括在手术计划228中的第二种治疗比包括在手术计划228中的第一种治疗具有更高的成功患者结果可能性，并且其中，更新的手术计划230包括第二种治疗。在一些示例中，处理电路系统204可以将手术计划228输出到计算设备、显示器206或机器人102中的至少一个。

图6是根据本公开的一个或多个方面的展示了示例机器学习模型的概念图。机器学习模型600可以是(多种)机器学习/人工智能算法222的示例。在一些示例中，机器学习模型600可以是上文关于图2讨论的机器视觉算法218的一部分。机器学习模型600可以是深度学习模型或深度学习算法的示例，其被训练以确定患者病症和/或医疗手术的类型。计算设备150和/或服务器160中的一个或多个可以训练、存储和/或利用机器学习模型600，但在一些示例中，系统10的其他设备可以将输入应用于机器学习模型600。在一些示例中，可以在其他示例中利用其他类型的机器学习和深度学习模型或算法。例如，可以使用ResNet-18的卷积神经网络模型。可以用于迁移学习的模型的一些非限制性示例包括AlexNet、VGGNet、GoogleNet、ResNet50或DenseNet等。机器学习技术的一些非限制性示例包括支持向量机、K最近邻算法和多层感知器。

如图6的示例所示，机器学习模型600可以包括三种类型的层。这三种类型的层包括输入层602、隐藏层604和输出层606。输出层606包括来自输出层606的传递函数605的输出。输入层602表示提供给机器学习模型600的每个输入值X1到X4。在一些示例中，输入值可以包括输入到机器学习模型中的任何值，如上所述。例如，输入值可以包括如上所述的术前数据232、术中数据234和/或术后数据236。另外，在一些示例中，机器学习模型600的输入值可以包括附加数据，例如可以由系统10收集或存储在其中的其他数据。

输入层602中的每个节点的每个输入值被提供给第一层隐藏层604的每个节点。在图6的示例中，隐藏层604包括两层，一层具有四个节点，另一层具有三个节点，但在其他示例中可以使用更少或更多数量的节点。来自输入层602的每个输入都乘以权重，然后在隐藏层604的每个节点处求和。在机器学习模型600的训练期间，调整每个输入的权重以建立术前数据232、术中数据234和/或术后数据236与手术计划(例如，手术计划228和/或更新的手术计划230)之间的关系。在一些示例中，可以将一个隐藏层并入机器学习模型600中，或者可以将三个或更多个隐藏层并入机器学习模型600中，其中每层包括相同或不同数量的节点。

隐藏层604内的每个节点的结果被应用于输出层606的传递函数。传递函数可以是线性的或非线性的，这取决于机器学习模型600内的层数。示例非线性传递函数可以是S型函数或整流函数。传递函数的输出607可以是这样的分类：术前数据232、术中数据234和/或术后数据236指示特定的手术计划(例如，手术计划228和/或更新的手术计划230)。

如上例所示，通过将机器学习模型600应用于输入数据(例如术前数据232、术中数据234和/或术后数据236)，处理电路系统204能够生成和/或更新手术计划。这可以改善患者的结果。

图7是根据本公开的一个或多个方面的展示了机器学习模型的示例训练过程的概念图。过程700可以用于训练(多种)机器学习/人工智能算法222和/或机器视觉算法218。机器学习模型774(其可以是机器学习模型600和/或(多种)机器学习/人工智能算法222的示例)可以使用任意数量的监督和/或强化学习模型来实施，比如但不限于人工神经网络、决策树、朴素贝叶斯网络、支持向量机、k-最近邻模型、CNN、RNN、LSTM、集成网络，仅举几个示例。在一些示例中，计算设备150和/或服务器160中的一个或多个最初基于训练数据772的语料库来训练机器学习模型774。训练数据772可以包括例如术前数据232、术中数据234和/或术后数据236、本文中可能提及的其他训练数据等。

在训练机器学习模型774时，系统2的处理电路系统可以将预测或分类与目标输出778进行比较776。处理电路系统204可以利用从比较中得到的误差信号来训练(学习/训练780)机器学习模型774。处理电路系统204可以生成机器学习模型权重或其他修改，处理电路系统204可以使用这些修改来修改机器学习模型774。例如，处理电路系统204可以基于学习/训练480来修改机器学习模型600的权重。例如，对于训练数据772中的每个训练实例，计算设备150和/或服务器160中的一个或多个可以基于训练数据772对生成和/或更新手术计划的方式进行修改。

本公开所述的这些技术可以至少部分地在硬件、软件、固件或其任意组合中实施。例如，所描述的技术的各方面可以在一个或多个处理器或处理电路系统中实施，包括一个或多个微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程序门阵列(FPGA)或任何其他等效的集成或分立逻辑电路系统以及这类部件的任何组合。术语“控制器”、“处理器”或“处理电路系统”一般可以指代前述逻辑电路系统中的任何(单独的或与其他逻辑电路系统组合的)电路系统、或任何其他等效电路系统。包括硬件的控制单元也可以执行本公开的一个或多个技术。这种硬件、软件、和固件可以在同一设备或不同设备内实施，以支持本公开所述的各种操作和功能。另外，所描述的单元、电路或部件中的任何一种可以一起实施或者作为分立但可互相操作的逻辑器件而分开地实施。将不同特征描绘为电路或单元旨在突出不同的功能方面并且不一定暗示此类电路或单元必须由不同的硬件或软件部件实现。相反，与一个或多个电路或单元相关联的功能可以由不同的硬件或软件部件执行，或者被集成在共同的或不同的硬件或软件部件之内。

在本公开所述的这些技术也可以嵌入或编码至计算机可读介质中，如包含多项指令的计算机可读存储介质。嵌入或编码至计算机可读存储介质中的多项指令可以使可编程处理器、或其他处理器执行该方法，例如，当执行这些指令时。计算机可读存储介质可以包括随机存取存储器(RAM)、只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、或电可擦除可编程只读存储器(EEPROM)、或其他计算机可读介质。

本公开包括以下非限制性示例。

示例1.一种医疗系统，包括：存储器，其被配置为存储机器学习算法或人工智能算法中的至少一种；以及与所述存储器通信耦合的处理电路系统，所述处理电路系统被配置为：接收术前数据，所述术前数据包括与一个或多个患者的相应脉管系统的至少相应部分相关的数据；接收术中数据，所述术中数据是在对所述一个或多个患者执行的相应治疗性医疗手术期间收集的；接收术后数据，所述术后数据是在对所述一个或多个患者执行的相应治疗性医疗手术之后收集的；以及根据所述术前数据、所述术中数据和所述术后数据训练所述机器学习算法或所述人工智能算法中的至少一种，以生成经训练的机器学习算法或经训练的人工智能算法中的至少一种。

示例2.如示例1所述的医疗系统，其中，所述系统的至少一部分基于云计算环境。

示例3.如示例1或示例2所述的医疗系统，其中，所述术前数据包括以下各项中的至少一项：所述一个或多个患者的相应脉管系统的至少相应部分的治疗前成像数据；或与所述一个或多个患者相关的传感器数据。

示例4.如示例1-3中任一项所述的医疗系统，其中，所述术中数据包括以下各项中的至少一项：所述一个或多个患者的血管造影数据、所述一个或多个患者的血管内成像数据、所述一个或多个患者的超声心动图数据、所述一个或多个患者的传感器数据、或视频数据。

示例5.如示例4所述的医疗系统，其中，所述视频数据包括以下各项中的至少一项的指示：手部运动、机器人运动、所使用的医疗器械或设备、使用医疗器械或设备的时间、或使用医疗器械或设备的地点。

示例6.如示例1-5中任一项所述的医疗系统，其中，所述术后数据包括以下各项中的至少一项：与所述一个或多个患者相关的术后传感器数据、与所述一个或多个患者相关的用户输入数据、所述一个或多个患者的术后成像数据、或所述一个或多个患者的生理数据。

示例7.如示例1-6中任一项所述的医疗系统，其中，所述一个或多个患者包括当前患者，并且其中，所述处理电路系统进一步被配置为：接收所述当前患者的当前术前数据；将所述经训练的机器学习算法或所述经训练的人工智能算法中的至少一种应用于所述当前患者的所述当前术前数据；基于所述经训练的机器学习算法或所述经训练的人工智能算法对所述当前患者的所述当前术前数据的应用，自动确定所述当前患者的手术计划；以及输出所述当前患者的所述手术计划以供在治疗性医疗手术期间使用。

示例8.如示例7所述的医疗系统，其中，所述处理电路系统进一步被配置为：接收所述当前患者的当前术中数据；将所述经训练的机器学习算法或所述经训练的人工智能算法中的至少一种应用于所述当前术中数据的至少一部分或所述当前患者的所述手术计划的至少一部分中的至少一项；基于所述经训练的机器学习算法或所述经训练的人工智能算法对所述当前患者的所述当前术中数据的至少一部分或所述当前患者的所述手术计划的至少一部分中的至少一项的应用，确定对所述手术计划的更新；更新所述手术计划以生成更新的手术计划；以及输出所述当前患者的所述更新的手术计划以供在所述治疗性医疗手术期间使用。

示例9.如示例8所述的医疗系统，其中，作为确定更新所述手术计划的一部分，所述处理电路系统被配置为确定未包括在所述手术计划中的第二种治疗比包括在所述手术计划中的第一种治疗具有更高的成功患者结果可能性，并且其中，所述更新的手术计划包括所述第二种治疗。

示例10.如示例7-9中任一项所述的医疗系统，其中，所述处理电路系统被配置为将所述手术计划输出到计算设备、用户界面或机器人中的至少一个。

示例11.一种方法，包括：由处理电路系统接收术前数据，所述术前数据包括与一个或多个患者的相应脉管系统的至少相应部分相关的数据；由所述处理电路系统接收术中数据，所述术中数据是在对所述一个或多个患者执行的相应治疗性医疗手术期间收集的；由所述处理电路系统接收术后数据，所述术后数据是在对所述一个或多个患者执行的相应治疗性医疗手术之后收集的；以及由所述处理电路系统根据所述术前数据、所述术中数据和所述术后数据训练机器学习算法或人工智能算法中的至少一种，以生成经训练的机器学习算法或经训练的人工智能算法中的至少一种。

示例12.如示例11所述的方法，其中，所述处理电路系统的至少一部分基于云计算环境。

示例13.如示例11或示例12所述的方法，其中，所述术前数据包括以下各项中的至少一项：所述一个或多个患者的相应脉管系统的至少相应部分的治疗前成像数据；或与所述一个或多个患者相关的传感器数据。

示例14.如示例11-13中任一项所述的方法，其中，所述术中数据包括以下各项中的至少一项：所述一个或多个患者的血管造影数据、所述一个或多个患者的血管内成像数据、所述一个或多个患者的超声心动图数据、所述一个或多个患者的传感器数据、或视频数据。

示例15.如示例14所述的方法，其中，所述视频数据包括以下各项中的至少一项的指示：手部运动、机器人运动、所使用的医疗器械或设备、使用医疗器械或设备的时间、或使用医疗器械或设备的地点。

示例16.如示例11-15中任一项所述的方法，其中，所述术后数据包括以下各项中的至少一项：与所述一个或多个患者相关的术后传感器数据、与所述一个或多个患者相关的用户输入数据、所述一个或多个患者的术后成像数据、或所述一个或多个患者的生理数据。

示例17.如示例11-16中任一项所述的方法，其中，所述一个或多个患者包括当前患者，并且其中，所述方法进一步包括：由所述处理电路系统接收所述当前患者的当前术前数据；由所述处理电路系统将所述经训练的机器学习算法或所述经训练的人工智能算法中的至少一种应用于所述当前患者的所述当前术前数据；由所述处理电路系统基于所述经训练的机器学习算法或所述经训练的人工智能算法对所述当前患者的所述当前术前数据的应用，自动确定所述当前患者的手术计划；以及由所述处理电路系统输出所述当前患者的所述手术计划以供在治疗性医疗手术期间使用。

示例18.如示例17所述的方法，进一步包括：由所述处理电路系统接收所述当前患者的当前术中数据；由所述处理电路系统将所述经训练的机器学习算法或所述经训练的人工智能算法中的至少一种应用于所述当前术中数据的至少一部分或所述当前患者的所述手术计划的至少一部分中的至少一项；由所述处理电路系统基于所述经训练的机器学习算法或所述经训练的人工智能算法对所述当前患者的所述当前术中数据的至少一部分或所述当前患者的所述手术计划的至少一部分中的至少一项的应用，确定对所述手术计划的更新；以及由所述处理电路系统更新所述手术计划以生成更新的手术计划；以及由所述处理电路系统输出所述当前患者的所述更新的手术计划以供在所述治疗性医疗手术期间使用。

示例19.如示例18所述的医疗系统，其中，确定更新所述手术计划包括确定未包括在所述手术计划中的第二种治疗比包括在所述手术计划中的第一种治疗具有更高的成功患者结果可能性，并且其中，所述更新的手术计划包括所述第二种治疗。

示例20.如示例17-19中任一项所述的方法，其中，输出所述手术计划包括将所述手术计划输出到计算设备、用户界面或机器人中的至少一个。

示例21.一种非暂态计算机可读存储介质，存储有指令，所述指令当被执行时使处理电路系统：接收术前数据，所述术前数据包括与一个或多个患者的相应脉管系统的至少相应部分相关的数据；接收术中数据，所述术中数据是在对所述一个或多个患者执行的相应治疗性医疗手术期间收集的；接收术后数据，所述术后数据是在执行所述一个或多个患者的相应治疗性医疗手术之后收集的；以及根据所述术前数据、所述术中数据和所述术后数据训练机器学习算法或人工智能算法中的至少一种，以生成经训练的机器学习算法或经训练的人工智能算法中的至少一种。

已经对各种不同的示例进行了描述。这些和其他示例落入以下权利要求的范围内。

Claims (15)

1.一种医疗系统，包括：

存储器，其被配置为存储机器学习算法或人工智能算法中的至少一种；以及

与所述存储器通信耦合的处理电路系统，所述处理电路系统被配置为：

接收术前数据，所述术前数据包括与一个或多个患者的相应脉管系统的至少相应部分相关的数据；

接收术中数据，所述术中数据是在对所述一个或多个患者执行的相应治疗性医疗手术期间收集的；

接收术后数据，所述术后数据是在对所述一个或多个患者执行的相应治疗性医疗手术之后收集的；以及

根据所述术前数据、所述术中数据和所述术后数据训练所述机器学习算法或所述人工智能算法中的至少一种，以生成经训练的机器学习算法或经训练的人工智能算法中的至少一种。

2.如权利要求1所述的医疗系统，其中，所述系统的至少一部分基于云计算环境。

3.如权利要求1或权利要求2所述的医疗系统，其中，所述术前数据包括以下各项中的至少一项：所述一个或多个患者的相应脉管系统的至少相应部分的治疗前成像数据；或与所述一个或多个患者相关的传感器数据。

4.如权利要求1-3中任一项所述的医疗系统，其中，所述术中数据包括以下各项中的至少一项：所述一个或多个患者的血管造影数据、所述一个或多个患者的血管内成像数据、所述一个或多个患者的超声心动图数据、所述一个或多个患者的传感器数据、或视频数据。

5.如权利要求4所述的医疗系统，其中，所述视频数据包括以下各项中的至少一项的指示：手部运动、机器人运动、所使用的医疗器械或设备、使用医疗器械或设备的时间、或使用医疗器械或设备的地点。

6.如权利要求1-5中任一项所述的医疗系统，其中，所述术后数据包括以下各项中的至少一项：与所述一个或多个患者相关的术后传感器数据、与所述一个或多个患者相关的用户输入数据、所述一个或多个患者的术后成像数据、或所述一个或多个患者的生理数据。

7.如权利要求1-6中任一项所述的医疗系统，其中，所述一个或多个患者包括当前患者，并且其中，所述处理电路系统进一步被配置为：

接收所述当前患者的当前术前数据；

将所述经训练的机器学习算法或所述经训练的人工智能算法中的至少一种应用于所述当前患者的所述当前术前数据；

基于所述经训练的机器学习算法或所述经训练的人工智能算法对所述当前患者的所述当前术前数据的应用，自动确定所述当前患者的手术计划；以及

输出所述当前患者的所述手术计划以供在治疗性医疗手术期间使用。

8.如权利要求7所述的医疗系统，其中，所述处理电路系统进一步被配置为：

接收所述当前患者的当前术中数据；

将所述经训练的机器学习算法或所述经训练的人工智能算法中的至少一种应用于所述当前术中数据的至少一部分或所述当前患者的所述手术计划的至少一部分中的至少一项；

基于所述经训练的机器学习算法或所述经训练的人工智能算法对所述当前患者的所述当前术中数据的至少一部分或所述当前患者的所述手术计划的至少一部分中的至少一项的应用，确定对所述手术计划的更新；

更新所述手术计划以生成更新的手术计划；以及

输出所述当前患者的所述更新的手术计划以供在所述治疗性医疗手术期间使用。

9.如权利要求8所述的医疗系统，其中，作为确定更新所述手术计划的一部分，所述处理电路系统被配置为确定未包括在所述手术计划中的第二种治疗比包括在所述手术计划中的第一种治疗具有更高的成功患者结果可能性，并且其中，所述更新的手术计划包括所述第二种治疗。

10.如权利要求7-9中任一项所述的医疗系统，其中，所述处理电路系统被配置为将所述手术计划输出到计算设备、用户界面或机器人中的至少一个。

11.一种方法，包括：

由处理电路系统接收术前数据，所述术前数据包括与一个或多个患者的相应脉管系统的至少相应部分相关的数据；

由所述处理电路系统接收术中数据，所述术中数据是在对所述一个或多个患者执行的相应治疗性医疗手术期间收集的；

由所述处理电路系统接收术后数据，所述术后数据是在对所述一个或多个患者执行的相应治疗性医疗手术之后收集的；以及

由所述处理电路系统根据所述术前数据、所述术中数据和所述术后数据训练机器学习算法或人工智能算法中的至少一种，以生成经训练的机器学习算法或经训练的人工智能算法中的至少一种。

12.如权利要求11所述的方法，其中，所述处理电路系统的至少一部分基于云计算环境。

13.如权利要求11或权利要求12所述的方法，其中，所述术前数据包括以下各项中的至少一项：所述一个或多个患者的相应脉管系统的至少相应部分的治疗前成像数据；或与所述一个或多个患者相关的传感器数据。

14.如权利要求11至13中任一项所述的方法，其中，所述术中数据包括以下各项中的至少一项：所述一个或多个患者的血管造影数据、所述一个或多个患者的血管内成像数据、所述一个或多个患者的超声心动图数据、所述一个或多个患者的传感器数据、或视频数据。

15.一种非暂态计算机可读存储介质，存储有指令，所述指令当被执行时使处理电路系统执行如权利要求11-14中任一项所述的方法。