CN105120955A - 使用集成模型的放射治疗计划 - Google Patents

Abstract

用于使用具有扩展适用区域的集成模型的自动生成治疗计划参数的系统和方法。集成模型集成了多个预测模型，从其可以自动选择合适的预测模型以执行新病例的预测。该集成模型可以操作以评估由每个预测模型生成的预测结果和相关联的预测可靠性，并选择地输出满意的预测。替代地，集成模型可以通过决策层级选择合适的预测模型，其中每个级别对应于患者数据特征集合的划分并且下级层级的划分嵌入上级层级的划分。

Description

使用集成模型的放射治疗计划

交叉参考

本申请要求于2013年3月15日提交的名称为“PROTECTINGACHIEVABLEDOSEUSINGHIERARCHIALKNOWLEDGEBASEDMODELS”美国临时专利申请第61/793,655号的优先权，前述专利申请在此通过整体引用并入用于所有目的。

技术领域

本公开的实施方案一般涉及医疗设备，更具体地，涉及放射治疗设备。

背景技术

在基于知识的医疗治疗计划中，现有计划的信息可以被用来为新的患者制定治疗计划，例如，通过估计可实现的剂量分布。可以通过将患者的几何体和多个先前的临床计划的剂量信息提取(distill)到预测模型中来作出预测，该预测模型可用于剂量预测，而不存储来自原始计划集合的所有信息。

这种基于知识的模型可能有各种实现方式。例如，它可能是关联几何参数与剂量学参数的回归模型。通常，源自训练集的某一模型仅具有有限的区域，例如关于肿瘤的几何参数，其中其预测是有效的。如果新病例的几何参数与训练集所跨越的几何参数存在极大不同，则剂量预测不幸地可能变得不可靠。

诊所通常有若干个预测模型，它们共同可以覆盖大量各种不同的区域。按照惯例，治疗专家(例如肿瘤科医生)必须手动探索可用的模型，从而基于个人判断确定用于预测计算的一个模型。此手动选择过程可能是耗时的并且可能不可靠，特别是当可用模型的数量是较大时，并且每个模型对应于复杂的几何参数集。

发明内容

因此，有利的是提供一种以自动化和系统的方式可在扩展的区域上作出有效预测的治疗计划机制。

因此，本公开的实施方案采用组合多个预测模型的集成模型，从其中可以自动地选择所得的预测模型以对新的病例执行预测。从现有的临床数据训练多个预测模型，并且关于涉及放射治疗的患者数据该多个预测模型覆盖了各种有效或起作用的区域。该集成模型包括模型选择模块和单独的预测模型模块。该模型选择模块可以操作以评估由每个预测模型生成的预测结果和相关联的预测可靠性，从而选择性输出一个或多个满意的预测。备选地，模型选择模块可包括决策层级(hierarchy)，其中每个级别(level)对应于患者数据特征集的划分。下级(subordinate)层级的划分嵌入(nest)上级(superordinate)级别的划分。可以自动生成集成模型，例如通过按照分级聚类算法从单个训练数据集配置多个模型。因此，集成模型有利地可以覆盖用于治疗预测的扩展的有效区域，而无需手动选择合适的模型。

在本公开的一个实施方案中，为患者自动生成放射治疗计划的计算机实现的方法包括：(1)访问涉及患者的放射治疗的患者信息；(2)按照包括布置在层级中的多个预测模型的层级模型基于患者信息自动选择一个或多个预测模型，其中每个预测模型基于训练数据建立并且可操作以生成放射治疗预测；(3)根据一个或多个预测模型处理患者信息；和(4)输出一个或多个放射治疗预测。

以上是概述，因此必然包含细节的简化、概括和省略；因此，本领域技术人员将理解该概述仅是说明性的并且并不旨在以任何方式进行限制。本发明的其它方面、发明特征和优点，如仅由权利要求限定的，将在以下阐述的非限制性详细描述中变得明显。

附图说明

结合附图阅读下面的详细描述将更好地理解本发明的实施方案，附图中类似的标号表示相同的元件，其中：

图1是功能方框图，示出根据本公开的实施方案的包括预测子模型的收集和模型选择模块的自动治疗计划系统的示例性配置；

图2是图示根据本公开的实施方案的自动治疗计划的示例性方法的流程图；

图3A是图示根据本公开的实施方案通过借助于评价被配置为确定适当的预测模型的集成模型的示例性配置的框图；

图3B是描绘通过采用集成模型的自动治疗计划的示例性方法的流程图，其中根据本公开的实施方案通过借助于评价可以确定适当的预测模型；

图4A是图示根据本公开的实施方案包括用于预测模型选择的决策级别的层级的集成模型的示例性配置的框图；

图4B是描绘根据本公开的实施方案在层级模型中选择适当的预测模型的示例性方法的流程图；

图5是图示根据本公开的实施方案的自动化集成模型生成系统的功能框图；

图6是描绘根据本公开的实施方案的自动生成用于治疗计划的集成模型的示例性方法的流程图；

图7是图示根据本公开的实施方案包括自动集成模型生成器和自动治疗计划生成器的示例性计算系统的框图。

具体实施方式

现将详细地参考本发明的优选实施方案，其实例示出在附图中。虽然结合优选实施方案描述了本发明，但应当理解，它们并不意图将本发明限制于这些实施方案。相反，本发明旨在覆盖替换、修改和等同，其可包括在所附权利要求所限定的本发明的精神和范围内。此外，在本发明的实施方案的以下详细描述中，阐述了许多具体细节以便提供对本发明的彻底理解。然而，本领域技术人员将认识到，可以在没有这些具体细节的情况下实施本发明。在其它情况下，公知的方法、过程、部件和电路并未详细描述以免不必要地模糊本发明的实施方案的方面。虽然为了清楚可以将方法描述为编号的步骤顺序，但编号不必规定步骤的顺序。应当理解，一些步骤可以被跳过、并行执行或无需保持严格顺序而执行。示出本发明的实施方案的附图是半示意性的，不按比例绘制，特别是，一些尺寸是为了显示清楚并且在附图中夸大示出。同样，尽管在附图中为便于描述的通常示出类似的取向，但附图中的这个描述大部分是任意的。通常，本发明可以任何取向进行操作。

符号和命名：

然而，应牢记所有这些和类似的术语都将与适当的物理量相关并且仅仅是应用于这些量的方便的标记。除非特别声明，否则如从以下讨论中显而易见的，应当理解在整个本发明中，使用术语如“处理”或“访问”或“执行”或“存储”或“渲染”等的讨论指的是计算机系统或类似电子计算设备的动作和处理，其操纵并将计算机系统的寄存器和存储器和其它计算机可读介质内表示为物理(电子)量的数据转换为计算机系统存储器或寄存器或其它这种信息存储、传输或显示设备内同样表示为物理量的其它数据。当一个部件出现在若干实施方案中时，使用相同的附图标号表示该部件与原始实施方案中示出的部件相同。

使用集成模型的放射治疗计划

图1是功能方框图，图示根据本公开的实施方案的包括预测模型的收集121和模型选择模块122的自动治疗计划系统100的示例性配置。该系统100包括：输入接口110以接收患者数据；数据处理部件120，其实现集成模型并包括预测子模型的收集121、模型选择模块122和预测生成模块125；以及输出接口130。系统100整体或部分可被实现为软件程序、硬件逻辑或者它们的组合。

收集121中的每个预测子模型可以仅适用于关于该患者数据特征的有限区域，例如包含在患者数据101中的几何参数。例如，根据训练数据涵盖的适用区域，子模型可被确定为有效预测具有一定范围内的肿瘤大小的高风险前列腺癌；而另一子模型可被确定为有效预测具有另一范围内的肿瘤大小的低风险前列腺癌。将个体预测模型组合到能够自动地选择对特定患者数据集适用的子模型的集成模型中，如将在下面更详细地描述。

在操作过程中，基于通过输入接口110提供的患者数据101，模型选择模块122可以从子模型121的收集中自动选择合适的子模型。选定的子模型被用来在预测生成模块123处生成预测并通过输出接口130输出结果。借助于对用户(例如治疗计划者)可能是透明的自动子模型选择过程，该集成模型有利地可覆盖用于治疗预测的扩展的有效区域，而无需手动选择合适的子模型。在一些实施方案中，该系统可以包括用户界面，其允许用户通过用户定义的限制来缩小子模型的搜索范围。患者数据的集合通常包括多个数据点。如本领域技术人员理解的，本公开不限于基于患者数据确定匹配子模型的任何机制或准则。例如，子模型可被选择，因为预定数量的患者数据点落入子模型的有效区域中。在一些实施方案中，每个子模型都有自己的训练集，例如预先治疗的病例的集合，对新病例的匹配准则可以是新的单个病例和训练集之间的某些相似性量度。例如，新病例的参数和训练集中相同参数的平均值之间的比较可以用作相似性量度。该选择可基于最大相似性，例如，当仅选择一个子模型时，在所选择的相似性量度中具有最高得分的那个。子模型选择也可以基于某些可接受的相似性级别，例如，当具有足够高的相似性量度的所有子模型被选择时，选择的子模型的数目可能有所不同。

输入患者数据可以包含以本领域公知方式实际上可以影响治疗的参数的任意组合。例如，患者数据可以被组织为矢量或数据结构，包括目标大小的特征元素、危及器官的大小、器官形态说明、与一个器官重叠的部分目标体积、与多个器官重叠的部分目标体积、与目标重叠的部分器官体积、与其它器官重叠的部分器官体积等。

如本领域技术人员可以理解的，本公开不限于生成各子模型或子模型的任何特定收集的任何特定机制。例如，根据本公开的集成模型包含的子模型可以由本领域公知的任何曲线拟合技术得到。具体而言，曲线拟合可基于回归分析(诸如线性回归)、内插或非线性回归，例如，长轴、简化的长轴、多项式、指数、对数功率等。

各个子模型可来源于具有若干模型以覆盖不同区域的诊所，或通过放射设备提供者开发，或与若干诊所共享。该模型可以来自公开的文献数据或临床实践者提交的临床数据。如本领域的技术人员所理解的，可以共享该模型而无需提供与用于训练模型的训练集有关的实际患者数据。可使用该模型而无需访问用于训练的原始患者数据。在一些实施方案中，某些诊所或其它模型提供者可以同时创建一起使用的所有子模型，或通过将若干先前的训练子模型组合在一起来产生集成模型。在后一种情况下，一些或所有子模型可能已经从其它方获得。在一些实施方案中，子模型训练可以基于在云计算中的训练集来完成。在一些实施例中，若干子模型在云(cloud)中是可获得的，并且软件部件可用于从云中搜索合适的子模型。

本公开可以与任何类型的放射治疗结合任何类型的放射治疗设备相关联地应用，诸如强度调制放射治疗(IMRT)、光子治疗、带电粒子治疗等。如本领域技术人员可以理解的，本公开不限于可从集成模型和各子模型中导出的任何特定类型的结果。计划系统也可以产生例如对肿瘤和正常组织的剂量预测，其通过放射治疗系统或特定放射治疗装备对应的操作参数来实现。例如，在用于IMRT的放射治疗计划中，目标通常是估计参数的集合来控制用于递送放射至患者的放射治疗设备。这样的系统还可以预测生存的机会，或并发症的机会。使用之前根据本领域公知的任何优化技术可以将输出供应到下游的优化系统。

图2是示出根据本公开的实施方案的自动治疗计划的示例性方法200的流程图。方法200可以在图1所示的系统中实现。在201，一组新患者数据被接收到系统，该系统采用集成的子模型。在202，基于接收的患者数据通过集成模型可以自动选择一个或多个合适的子模型。所选的子模型可用于在203处理新患者数据并在204输出一组治疗计划参数。

图3A是示出根据本公开的实施方案通过借助于评价可操作以确定适合的子模型的集成模型的示例性配置的框图。在本示例中，集成模型包括两级层级结构。第一级是模型选择部件。第二级是子模型320(例如M1-M8)的收集，具有关于患者数据中所含的参数的有限应用区域。患者数据301被提供到预测模型320，并由此进行处理。在一些实施方案中，不管相应的可适用区域，每个子模型可以产生预测结果，例如可实现的剂量分布预测，伴随有指示预测质量的参数，诸如结果的可靠性，例如受训练集的内部一致性的影响，预测计划的复杂性，和结果的概率。在一些其它实施方案中，基于由子模型所作的预测和通过使用其预测的实际治疗结果之间的比较，表示子模型可靠性的数据可包括在评价量度中。

预测模型M1-M8的输出被提供至预测评价部件330，其被配置为根据预定义的准则或排名机制全面评价对应的预测结果和质量指标。由此，模型选择模块310可以输出由预测模型生成的满足预定义准则的结果。本领域技术人员应理解的是，本公开不限于任何特定的评价度量。

图3B是描绘通过采用集成模型的自动治疗计划的示例性方法350的流程图，其中根据本公开的实施方案通过借助于评价可以确定适合的预测子模型。包含在集成模型中的相应的预测模型在351处理输入患者数据，并在352生成预测结果。在353，子模型还可以生成代表与患者数据有关的预测结果可靠性的参数。重复351-353中描述的过程用于集成模型中的所有子模型或模型的子集，其可以同时或相继进行。如果在一次执行一个，则可能对所有子模型或它们的一些子集进行评估。然后在354按照预定的准则对结果相对于输入患者数据进行全面评价。自动化评估过程可包括确定预测的质量(例如，准确性和可靠性)。其也可以基于根据对计划优化者(例如，自动生成的优化目标)自动生成的指令来尝试自动计划，和评价自动创建的计划的临床质量。在355，所得的预测计划可以基于评价而选择，并且可以被用于进一步的评价。如上所述，指示预测质量的参数(诸如基于由子模型所作的预测和通过使用其预测的实际治疗结果之间的比较的结果的可靠性、预测计划的复杂性和结果的概率)都可以并入用于评价过程。评价准则例如可以由放射治疗专家来确定。

图4A是图示根据本公开的实施方案包括用于预测模型选择的决策级别的层级的集成模型400的示例性配置的图示。在所示实施方案中，集成模型包括在底部级别的模型420的收集和多个决策级别，例如A、B、C，每个对应于患者数据中相应的特征集，并且每个特征集对应于患者数据中的一个或多个特征。每个决策级别包括相应特征集的多个预定义的划分或类别。例如，级别A可对应于特征F1，例如待治疗的器官类型，其中Al表示前列腺且A2表示头颈部。B级别可对应于F2，例如目标的大小，其中B1和B3表示小于3毫米的范围，并且B2和B4表示等于或大于3毫米的范围。如图所示，下级决策层级的划分嵌入上级决策层级的划分，例如，B1和B2嵌入Al中，C1和C2嵌入B1中。

提供有患者数据401，例如具有特征集F1、F2和F3，模型选择部件410可以基于每个对应的特征集的患者数据来标识来自每个级别的一个或多个可适用的划分，从顶部级别开始。然后可以基于所标识的可适用划分选择一个或多个预测模型。

图4B是描绘根据本公开的实施方案在层级模型中选择适合的预测模型的示例性方法450的流程图。层级模型可以被实现为如图4B所示。在451，基于对应于顶部级别的第一特征的患者数据，在顶部级别上标识第一类别。在452，基于对应于第二级别的第二特征的患者数据，在第二级别上标识第二类别。第二类别嵌入第一类别。在453，基于对应于第三级别的第二特征的患者数据，在第三级别上标识第三类别。第三类别嵌入第三类别。在454，可以标识适用于所有所标识的类别的适合的预测模型。

在一些实施方案中，以参考图4B所述的类似方法，可以标识多于一个的合适的预测模型。如参考图3B所述，可以评价所得的多个预测。

根据本公开的层级模型可以是手动构造的或自动组合现有构造的预测模型，或自动从单个训练集配置子模型的集合。例如，大的训练集首先可以被分成使用聚类算法的子集，然后每个子集将被用作回归模型的训练集。

图5是示出根据本公开的实施方案的自动化集成模型生成系统500的功能框图。集成模型生成系统500包括：输入接口503，训练数据分类模块510，子模型生成模块520，集成模块530，输入接口生成模块541，输出接口生成模块541，和输出接口504。在操作期间，系统500可处理在输入接口503接收的训练数据501，生成集成模型，和通过输出接口504输出集成模型502。集成模型集成了多个预测模型，并且可操作以基于患者数据的特定集合(例如新患者数据)来选择一个或多个预测子模型并且输出治疗预测。集成模型中的子模型可以具有或可以不具有关于该子模型之间的相关性的内部层级。例如，所有子模型可以彼此串联，并且因此内部没有非平凡(non-trival)层级存在。

训练数据分类模块510能够按照聚类算法(例如分级聚类算法)，将训练数据501分类为训练数据的子集。训练数据的每个子集然后被提供至子模型生成模块520以根据本领域公知的任何合适的手段自动生成子模型。然后根据本公开的实施方案，预测模型被提供至集成模块530并且组合到集成或层级模型中。接口生成模块541和542可分别生成输入接口和输出接口。

在一些实施方案中，集成模型可以通过配置新的预测模型到有点不同的区域中而被递增地扩大。它也可以用来创建用于减小区域的预测方案。

图6是描绘根据本公开的实施方案的自动生成用于治疗计划的集成模型的示例性方法600的流程图。在601，接收训练数据的集合。在602，根据分级聚类算法或本领域公知的任何其它合适的算法，基于训练数据中的特征，训练数据被分类为多个数据子集。在一些实施方案中，训练集的一种病例可以是仅一个子集的一部分，例如在层级集成模型中。在603，预测子模型可以基于训练数据的每个子集训练，并且可操作以生成放射治疗预测，诸如按照回归分析技术，或按照本领域公知的任何其它数据拟合技术。在604，经训练的预测模型被集成到层级模型中，每个级别对应于一个特征集。在604，输出集成模型。如本领域技术人员所理解的，训练过程通常可用于校准某些理论和一般模型，以在预测和实际剂量测定结果之间的训练集中提供尽可能好的匹配。在训练过程中，一组选定的病例(分离的患者数据)、训练集可以被用来限定模型的自由参数的值，或可以从先前已知的病例创建模型。一旦模型被训练，其就会成为可以用于对例如剂量测定结果未知的新病例给出可靠的预测的特定的模型。

图7是图示根据本公开的实施方案包括自动集成模型生成器710和自动治疗计划生成器720的示例性计算系统700的框图。计算系统700包括：处理器701，系统存储器702，GPU703，I/O接口704和网络电路705，操作系统706，和应用软件707，其包括存储在存储器702中的自动集成模型生成器710和自动治疗计划生成器720。在一些其它实施方案中，自动集成模型生成器和自动治疗计划生成器可以在两个分离的系统中实现。

当结合输入和配置输入，例如训练数据，并且由CPU701执行时，自动集成模型生成器710可以自动生成集成模型，其包含根据本公开的实施方案由训练数据训练的多个预测模型。自动集成模型生成器710可以执行各种其它功能，如参考图5和图6详细讨论的。

当结合输入和配置输入，例如患者数据的集合，并且由CPU701执行时，自动治疗计划生成器720可以通过根据本公开的实施方案自动选择的预测模型来自动生成治疗计划参数。自动治疗计划生成器720可以执行各种其它功能，如参考图1、图2、图3A、图3B、图4A和图4B详细讨论的。

如本领域普通技术人员所理解的，自动集成模型生成器710和自动治疗计划生成器720可以以本领域技术人员已知的任何一种或多种合适的编程语言实现的软件，诸如C、C++、Java、Python、Perl、C#、SQL等。

尽管本文已经公开了某些优选的实施方案和方法，但从前面的公开内容，对本领域技术人员显而易见的是，在不背离本发明的精神和范围的情况下可以对这些实施方案和方法作出各种变化和修改。意图在于本发明应仅限于由所附权利要求和适用法律的规则和原则所要求的程度。

Claims (20)

1.一种为患者自动生成放射治疗计划的计算机实现的方法，所述方法包括：

访问涉及患者的放射治疗的患者信息；

按照包括布置在层级中的多个预测模型的层级模型基于所述患者信息自动选择一个或多个预测模型，其中所述预测模型基于训练数据被建立并且能够操作以生成放射治疗预测；

根据所述一个或多个预测模型处理所述患者信息；以及

输出一个或多个放射治疗预测。

2.根据权利要求1所述的计算机实现的方法，其中所述自动选择和所述处理包括：

基于所述患者信息使用所述多个预测模型生成放射治疗预测；

评价所述放射治疗预测；以及

基于所述评价选择所述一个或多个预测模型。

3.根据权利要求2所述的计算机实现的方法，其中所述评价包括评价代表关于所述放射治疗预测的可靠性、复杂性和概率的参数。

4.根据权利要求1所述的计算机实现的方法，

其中所述患者信息包括多个特征集合的数据，其中每个集合包括一个或多个特征，并且

其中所述层级包括多个中间级别和包含所述多个预测模型的最低级别，其中每个中间级别对应于与相应的特征集合有关的划分，并且其中对应于下级中间级别的划分嵌入对应于上级中间级别的划分。

5.根据权利要求4所述的计算机实现的方法，

其中所述多个预测模型中的每个预测模型与关于每个特征集合的相应划分关联，并且

其中所述自动选择包括：

基于对应于所述多个中间级别的第一级别的特征集合的数据，识别所述第一中间级别上的第一划分；

基于对应于所述多个中间级别的第二级别的特征集合的数据，识别所述第二中间级别上的嵌入所述第一划分的第二划分；以及

基于对应于紧接在所述最低级别上方的中间级别的特征集合，选择所述一个或多个预测模型。

6.根据权利要求4所述的计算机实现的方法，其中按照分级聚类算法基于先前的临床数据通过自动对所述多个预测模型分类来生成所述层级模型。

7.根据权利要求4所述的计算机实现的方法，其中所述多个特征集合选自由以下各项组成的组：器官类型、器官尺寸描述、目标位置、目标大小、接近目标体积的一个或多个危险器官的几何表征。

8.根据权利要求1所述的计算机实现的方法，其中基于先前的临床数据根据回归方法建立所述多个预测模型中的每个预测模型。

9.根据权利要求1所述的计算机实现的方法，其中所述一个或多个放射治疗预测中的每个放射治疗预测包括预测的可实现的剂量分布。

10.一种体现指令的非暂态计算机可读存储介质，所述指令当由处理设备执行时使得所述处理设备执行自动生成用于计划治疗的集成模型的方法，所述方法包括：

配置输入接口，所述输入接口能够操作以接收多个特征的患者数据；

访问多个预测模型，其中每个预测模型能够操作以基于所述患者数据生成治疗预测；

针对每个预测模型，关联关于所述多个特征中的每个特征的适用类别；

将所述多个预测模型集成到层级中，所述层级包括底部级别和一个或多个决策级别，其中所述底部级别包括所述多个预测模型，并且其中所述一个或多个决策级别能够操作以基于与预测模型关联的适用类别从所述底部级别自动选择一个或多个预测模型；以及

配置输出接口，所述输出接口能够操作以输出由预测模型响应于所述患者数据生成的治疗预测。

11.根据权利要求10所述的非暂态计算机可读存储介质，其中所述方法还包括：

访问训练数据；以及

基于训练数据的所述多个集合生成所述多个预测模型。

12.根据权利要求11所述的非暂态计算机可读存储介质，其中根据选自以下各项组成的组的算法生成相应的预测模型：线性回归算法、分类算法、决策树算法、分段算法、关联算法、序列聚类算法、以及它们的组合。

13.根据权利要求11所述的非暂态计算机可读存储介质，其中所述方法还包括根据聚类算法将所述训练数据分类为训练数据的子集，并且其中所述生成所述多个预测模型包括基于训练数据的子集配置预测模型。

14.根据权利要求11所述的非暂态计算机可读存储介质，其中所述集成模型被配置为：

基于对应于所述多个决策级别的第一级别的特征集合的数据，识别所述第一级别上的第一类别；

基于对应于所述多个决策级别的第二级别的特征集合的数据，识别所述第二级别上的嵌入所述第一划分的第二划分；以及

基于对应于紧接在所述最低级别上方的中间级别的特征集合，选择所述一个或多个预测模型。

15.根据权利要求11所述的非暂态计算机可读存储介质，其中所述多个特征选自以下各项组成的组：器官识别、器官尺寸描述、目标位置、目标大小和接近目标体积的一个或多个危险器官的几何表征。

16.一种系统，包括：

处理器；

耦合到所述处理器并包括指令的存储器，所述指令当由所述处理器执行时使得所述处理器执行自动生成放射治疗计划的方法，所述方法包括：

访问涉及患者的放射治疗的患者信息；

按照包括布置在层级中的多个预测模型的层级模型基于所述患者信息自动选择一个或多个预测模型，其中所述预测模型中的每个预测模型基于训练数据被建立并且能够操作以生成放射治疗预测；

根据所述一个或多个预测模型处理所述患者信息；以及

输出一个或多个放射治疗预测。

17.根据权利要求16所述的系统，其中所述自动选择和所述处理包括：

基于所述患者信息使用所述多个预测模型生成放射治疗预测；

评价所述放射治疗预测，其中所述评价包括评价代表关于所述放射治疗预测的可靠性、复杂性和概率的参数；以及

基于所述评价选择所述一个或多个预测模型。

18.根据权利要求16所述的系统，

其中所述患者信息包括多个特征集合的数据，其中每个集合包括一个或多个特征，以及

其中所述层级包括多个中间级别和包含所述多个预测模型的最低级别，其中每个中间级别对应于与相应的特征集合有关的划分，并且其中对应于下级中间级别的划分嵌入对应于上级中间级别的划分。

19.根据权利要求16所述的系统，

其中所述多个预测模型中的每个预测模型与关于每个特征集合的相应划分关联，以及

其中所述自动选择包括：

基于对应于所述多个中间级别的第一级别的特征集合的数据，识别所述第一中间级别上的第一划分；

基于对应于所述多个中间级别的第二级别的特征集合的数据，识别所述第二中间级别上的嵌入所述第一划分的第二划分；以及

基于对应于紧接在所述最低级别上方的中间级别的特征集合，选择所述一个或多个预测模型。

20.根据权利要求19所述的系统，

其中按照分级聚类算法基于先前的临床数据通过自动对所述多个预测模型分类来生成所述层级模型。