CN111989749A - 经由闭环医师反馈的用于辐射治疗规划增强的快速且个性化的推荐系统 - Google Patents
经由闭环医师反馈的用于辐射治疗规划增强的快速且个性化的推荐系统 Download PDFInfo
- Publication number
- CN111989749A CN111989749A CN201980021521.6A CN201980021521A CN111989749A CN 111989749 A CN111989749 A CN 111989749A CN 201980021521 A CN201980021521 A CN 201980021521A CN 111989749 A CN111989749 A CN 111989749A
- Authority
- CN
- China
- Prior art keywords
- radiation treatment
- patient
- treatment plan
- radiation
- planning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001959 radiotherapy Methods 0.000 title claims description 26
- 238000011282 treatment Methods 0.000 claims abstract description 204
- 230000005855 radiation Effects 0.000 claims abstract description 182
- 238000000034 method Methods 0.000 claims abstract description 81
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000012552 review Methods 0.000 claims abstract description 21
- 230000003044 adaptive effect Effects 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000002787 reinforcement Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 2
- 206010028980 Neoplasm Diseases 0.000 description 20
- 210000000920 organ at risk Anatomy 0.000 description 19
- 238000005457 optimization Methods 0.000 description 17
- 230000008901 benefit Effects 0.000 description 9
- 238000002591 computed tomography Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 230000003111 delayed effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000007792 addition Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 206010061818 Disease progression Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005750 disease progression Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000000451 tissue damage Effects 0.000 description 1
- 231100000827 tissue damage Toxicity 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N5/1038—Treatment planning systems taking into account previously administered plans applied to the same patient, i.e. adaptive radiotherapy
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Urology & Nephrology (AREA)
- Surgery (AREA)
- Databases & Information Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
一种非瞬态计算机可读介质存储偏好数据库(16)；能由至少一个电子处理器(20)读取并运行以执行建议的辐射处置计划审查过程(100)的指令，所述辐射处置计划审查过程包括：经由审查图形用户界面(GUI)(28)将建议的辐射处置计划呈现给审查者；经由所述审查GUI，从所述审查者接收以下中的一项：(i)所述建议的辐射处置计划的接受或(ii)所述建议的辐射处置计划的拒绝与所拒绝的建议的辐射处置计划的注释的组合；以及基于所述建议的辐射处置计划的所述接受或基于所拒绝的建议的辐射处置计划的所述注释来更新被存储在所述偏好数据库中的所述审查者的辐射处置计划偏好；以及能由至少一个电子处理器(32)读取并运行以执行辐射处置规划过程(200)的指令，所述辐射处置规划过程包括：关于剂量目标优化针对患者的辐射处置参数，并且使用患者的至少一幅规划图像来生成针对所述患者的一个或多个候选辐射处置计划；将与所述患者相关联的审查者的辐射处置计划偏好从所述偏好数据库检索到规划GUI(40)；以及在所述规划GUI处显示与所述患者相关联的所述审查者的所述辐射处置计划偏好。
Description
技术领域
以下总体涉及辐射处置领域、放射学领域、辐射规划领域、自适应辐射处置计划领域以及相关的领域。
背景技术
辐射处置在个体患者的基础上考虑特定患者结构、肿瘤、病变或其他恶性组织的形状、尺寸和可能其他特性、以及治疗目的来进行规划，以便设计将靶辐射剂量递送到肿瘤的辐射处置计划。通常需要例如在肿瘤与危及器官(OAR)之间的边界处的权衡，必须平衡对肿瘤组织的有益辐射剂量和对OAR的有害辐射暴露。辐射处置规划工作流是辐射物理师设计辐射递送设备参数和递送序列以实质地实现患者的医师的目的的合作努力。
通常，医师规定针对感兴趣区域的期望剂量。这包括对针对具体区域利用靶剂量的计算机断层摄影(CT)扫描的多个切片进行注释，并且将这些区域分类成2个类别：(1)靶/目标(即，我们想要将关键剂量递送到的患者的区域)；以及(2)危及/约束器官(即，我们想要最小化剂量值和后续的软组织损伤的患者的区域。这种剂量通常是针对每个器官的范围)。辐射物理师接收这种规定，并且必须生成将它递送到患者的治疗计划。该步骤涉及运行基于物理学的优化以最大化到靶区域的剂量同时最小化到周围软组织的剂量。一旦优化完成，许多可行的解决方案(有时能够多于20)将被生成，并且物理师将浏览它们并且将一个计划提交回医师。医师接受或拒绝计划。如果计划被拒绝，则医师将可能提供计划为什么被拒绝的一些亲自或非正式/无正式文件的书写。拒绝的这种根本原因通常不被存储在有组织的档案数据结构中，并且通常不被正式地用于以后的计划生成。如果计划被拒绝，则物理师然后将需要重新启动优化过程，基于医师反馈在合适时调整参数。这些操作被重复，直至医师最终接受针对患者的可行剂量计划。
在辐射处置计划的批准之后，在医师规定新的处置之前，患者在固定的时间段(通常一个月)内接收辐射处置。在分次辐射处置中，总辐射剂量经过计划中规定的一定次数的分次被递送，其中，每个分次是治疗辐射递送过程，并且分次在时间上被间隔开几天或甚至几周。分次辐射处置具有某些益处，诸如便于暴露于辐射的健康组织的分次之间的康复。然而，分次辐射处置的延长时间范围意味着在批准的辐射处置计划中未被准确地考虑的变化能够发生。例如，肿瘤可以由于有效的辐射治疗而在尺寸上收缩，内部器官能够随着患者体重增加或减轻而偏移(体重减轻在辐射治疗期间是常见的)等等。
自适应规划(例如，自适应放射治疗或ART)是一些商用辐射处置规划软件中提供的特征。ART使得处置规定能够被更新以满足处置期间的患者状态的变化。然而，ART在许多临床环境中利用不足。ART的实施需要将患者的当前CT图像发送回到处置规划系统(TPS)，其中，进一步的基于物理学的优化使用存在于当前CT图像中的更新的解剖结构来执行。这种时间密集的且昂贵的程序难以证明正确，除非存在这样做有益的有力证据。此外，一般不进行由于其他因素的对辐射处置方案的调整。尽管医师在处置的过程中监测患者，但是难以将生物统计学结果测量、副作用(诸如流血、对食欲的影响和总体主观感觉(诸如疼痛))、随着时间的肿瘤尺寸/位置变化和其他人口统计学信息(诸如年龄、性别、遗传、医学历史)转变成对辐射处置计划的可行动调整。随着时间规定适合个体患者的需求、状况和疾病进展的处置计划因此是艰巨的任务，并且将重大认知负担强加给医师。
此外，计划生成花费若干迭代并且是非常耗时的，并且不同的医师可能具有不同的偏好，医院通常具有有限的工作人员和时间资源来实施自适应规划。
以下公开了克服这些问题的新的且改进的系统和方法。
发明内容
在一个所公开的方面中，一种非瞬态计算机可读介质存储：偏好数据库；能由至少一个电子处理器读取并运行以执行建议的辐射处置计划审查过程的指令，所述辐射处置计划审查过程包括：经由审查图形用户界面(GUI)，将建议的辐射处置计划呈现给审查者；经由所述审查GUI，从所述审查者接收以下中的至少一项：(i)所述建议的辐射处置计划的接受或(ii)所述建议的辐射处置计划的拒绝与所拒绝的建议的辐射处置计划的注释的组合；以及基于所述建议的辐射处置计划的所述接受或基于所拒绝的建议的辐射处置计划的所述注释来更新被存储在所述偏好数据库中的所述审查者的辐射处置计划偏好；以及能由至少一个电子处理器读取并运行以执行辐射处置规划过程的指令，所述辐射处置规划过程包括：关于剂量目标优化针对患者的辐射处置参数，并且使用患者的至少一幅规划图像来生成针对所述患者的一个或多个候选辐射处置计划；将与所述患者相关联的审查者的辐射处置计划偏好从所述偏好数据库检索到规划GUI；以及在所述规划GUI处显示与所述患者相关联的所述审查者的所述辐射处置计划偏好。
在另一个所公开的方面中，一种非瞬态计算机可读介质存储能由至少一个电子处理器读取并运行以执行辐射处置计划和批准方法。所述方法包括：在第一访问点处接收来自第二访问点的建议的辐射处置计划；经由所述第一访问点处的一个或多个用户输入设备接收指示以下中的至少一项的一个或多个用户输入：所述建议的辐射处置计划的接受或所述建议的辐射处置计划的拒绝与所述建议的辐射处置计划的注释的组合；将所述接受或所述拒绝与所述注释的组合发送到所述第二访问点，并且在所述第二访问点处显示所述接受或所述拒绝与所述注释的组合；以及将所述接受或所述拒绝与所述注释的组合存储在偏好数据库中。
在另一个所公开的方面中，一种用于根据辐射处置计划经过多个辐射处置过程对患者执行分次辐射治疗的自适应辐射规划方法。所述方法包括：在所述分次辐射治疗的相继阶段之间：利用从所述患者的当前医学图像导出的状态变量和从除了所述患者的所述当前医学图像之外的患者信息导出的额外状态变量来构建所述患者的当前状态；由处理器将神经网络应用于所述当前状态以生成自适应放射治疗(ART)推荐；将所述ART推荐显示在工作站上，并且经由所述工作站接收关于是否要执行ART的决策；在所述决策是要执行ART的条件下由所述处理器执行ART以调整所述辐射处置计划；以及由所述处理器基于所述决策来执行强化学习以更新所述神经网络。
一个优点在于减少了医师选择建议的辐射处置计划的时间量和成本。
另一优点在于存储医师拒绝建议的处置计划的原因，并且在为医师生成未来计划中使用这些原因。
另一优点在于减少由医师对建议的处置计划的拒绝率。
另一优点在于更快且有效地生成建议的处置计划的自适应学习。
另一优点在于在计划的实施期间自适应地更新处置计划。
给定的实施例可以提供前述优点中的零个、一个、两个或全部，和/或可以提供在阅读并理解本公开后对于本领域普通技术人员来说将变得显而易见的其他优点。
附图说明
本公开可以采取各种部件和部件的布置，以及各种步骤和步骤的安排的形式。附图仅出于图示优选实施例的目的，并且不得被解释为对本公开的限制。
图1图解性地示出了根据一个方面的辐射处置规划和批准系统；并且
图2-4示出了图1的系统的示范性流程图操作。
具体实施方式
以下公开了用于定制/改善辐射治疗规划过程的方法。在这些过程中，存在至少两个行动者：肿瘤医师(或更一般地，医师)和辐射物理师。肿瘤医师处理医学方面，并且开发用于被递送到肿瘤的辐射剂量和用于最小化被递送到危及器官(OAR)的辐射剂量的目标。辐射物理师然后采用处置规划系统(TPS)来运行模拟，以确定(大部分)实现这些目标的物理可实现辐射剂量分布。这通过逆向规划过程来完成，其中线性加速器(直线加速器；更一般地，辐射递送设备)的参数被调整，并且得到的剂量分布被计算。实际上，识别产生完全实施所有目标的剂量分布的递送参数值往往是不可能的。例如，可能存在肿瘤接触OAR的区域，使得必须在实现规定剂量直到肿瘤的边缘与在OAR中的任何地方都不超过一定最大剂量之间做出一定权衡。对于辐射物理师来说典型的是，生成在不同的程度上实现肿瘤医师的各种目标的若干候选辐射治疗计划，例如其中一些候选计划宁可以对OAR的一定过度辐射暴露为代价对肿瘤充分配分剂量；对比其他候选计划宁可以减少对肿瘤的一些部分的剂量为代价充分保护OAR。
辐射物理师然后选择“最好的”计划(这是主观的)，并且通过电子邮件或其他手段将其建议给肿瘤医师。肿瘤医师可以接受建议的计划，或可以拒绝它。这通常被非正式地完成，例如经由电话呼叫或亲自会面。如果最初建议的计划被拒绝，那么辐射物理师追溯并且对原始建议执行考虑来自肿瘤医师的反馈的进一步优化。这能够导致向肿瘤医师建议辐射计划、接收拒绝/反馈、进一步优化计划等的多次耗时的迭代。
又一问题是不同的肿瘤医师具有不同的偏好，并且辐射物理师通常与许多肿瘤医师一起工作。因此，辐射物理师必须学习每个肿瘤医师的个体偏好，并且当执行辐射计划优化时，记住考虑那些偏好。
在本文中公开的一些实施例中，公开了一种解决这些问题的推荐系统。该系统包括用户接口，肿瘤医师经由所述用户接口接受或拒绝建议的辐射处置计划，并且对于拒绝的计划，添加识别期望改善的注释。这些可以被键入，例如通过使用TPS的区域轮廓能力来识别由计划提供的针对其的剂量分布不令人满意的区域(例如，邻近OAR的肿瘤的剂量不足的边缘)，并且利用新目标对描绘轮廓的区域进行注释。接受和拒绝以及注释被存储在医师偏好数据库中。随着该数据库发展，它能够在TPS处被辐射物理师参考，以当执行新的剂量优化时为辐射物理师提供肿瘤医师特异性推荐。例如，给定肿瘤医师的身份，系统可以识别该肿瘤医师的与当前患者相似的过去患者(例如，相同的癌症类型/分级/等级、人口统计学相似度等等)，并且搜索医师偏好数据库以提取针对那些相似的患者的接受的计划以及针对那些相似的患者的拒绝的计划的任何注释。这种信息可以被显示在肿瘤医师特异性推荐窗口中，以便当选择哪个候选辐射处置计划要建议给肿瘤医师时被辐射物理师考虑。
在更高级的实施例中，系统可以将数据库的接受/拒绝和注释与候选计划进行比较，以直接推荐一个计划用于建议给肿瘤医师，或产生候选计划的肿瘤医师特异性排名。
在又一变型中，推荐系统可以在剂量优化期间被采用，以基于添加这样的区域的过去拒绝的计划上的注释进行推荐，例如，将具有(一个或多个)对应目标的区域添加到优化准则。
在本文中公开的一些实施例中，公开了对放射治疗的改善的自适应。自适应放射治疗(ART)是被提供有允许基于在分次辐射治疗方案的过程中对患者的变化对原始辐射治疗计划的调整的一些TPS的能力。然而，产生如下问题：在许多情况下，在不存在这样做将改善患者结果的证据的情况下没有动机更新原始辐射治疗方案。因此，只有在当前计算机断层摄影(CT)或磁共振(MR)图像示出了使自适应的益处显而易见的患者的实质变化的情况下，自适应放射治疗才被应用。
在所公开的改善的自适应方法中，跟踪患者的状态，其中，状态通过状态变量来定义，所述状态变量可以包括当前CT或MR图像的图像特征，而且还包括其他可能相关的信息，诸如患者人口统计学信息、患者体重变化、在处置的过程中患者状况的其他变化、患者正在经历的其他处置、患者已经被开具的药物、患者的生理状况等等。强化学习(RL)被应用，其中，神经网络被训练为建议针对辐射处置方案的更新。在RL中，理想行为(例如如通过策略函数表示)在特定背景(环境)内通过最大化接收到的回报(即反馈)来学习。在一个范例RL应用中，当代理在当前状态下采取动作时，RL系统接收立即回报并更新预期的长期回报，并且状态被更新。学习过程的目的是随着时间最大化总体回报。这种机器学习方法在搜索空间能够是非常大的情况下很好地工作，并且RL系统能够以小数据尺寸开始顺序地(在线)进行训练。RL的这些性质使其适合于在个性化医学应用中使用。RL系统能够使用深度强化网络(被称为深度Q网络(DQN))或其他合适的神经网络(其被训练为学习针对给定状态的最佳动作)来实施。本文中描述的实施例采用RL结合定义的学习过程和状态数据，以便将它应用于推荐ART或在辐射治疗方案的过程中进行的其他调整。
RL系统的神经网络以持续进行的自适应方式基于正或负反馈(例如，建议的方案更新是被肿瘤医师接受还是拒绝(或，在更高级的实施例中，基于由肿瘤医师分配的更新评级，例如在1和5之间)，或在实施更新的方案之后患者状况是改善还是退化(或改善/退化是否加速/减慢))进行训练。反馈能够是立即的(例如，医师接受或拒绝更新)或延迟的(例如，患者状况在实施建议的改变之后随着时间是改善还是退化)。神经网络应当为使得它能够在立即的反馈和延迟的反馈(例如深度Q网络)上进行训练。
参考图1，示出了说明性辐射处置规划和批准系统10。如图1中示出的，系统10包括可由审查者或医生操作的第一访问点12(例如，肿瘤医师，在本文中也被称为医生的工作站12)、可由辐射物理师操作的第二访问点14、以及与第一工作站和第二工作站操作性地连接的偏好数据库16。第一访问点12包括计算机、工作站、平板电脑或具有典型部件的其他电子数据处理设备18，典型部件诸如至少一个电子处理器20、至少一个用户输入设备(例如，鼠标、键盘、跟踪球等等)22和显示设备24。应当注意，这些部件能够以各种方式分布。例如，电子处理器20可以包括工作站终端的本地处理器和由工作站终端访问的服务器计算机的处理器。在一些实施例中，显示设备24能够是与计算机18分开的部件。医生的工作站12还能够包括一个或多个数据库或非瞬态存储介质26(诸如磁盘、RAID、或其他磁性存储介质；固态驱动器、闪速驱动器、电子可擦除只读存储器(EEROM)或其他电子存储器；光盘或其他光学存储设备；其各种组合；等等)。显示设备24被配置为显示包括一个或多个字段以从用户输入设备22接收用户输入的图形用户界面(GUI)28。一般来说，肿瘤医师登录医生的工作站12，使得已知的是在医生的工作站12处采取的动作是由肿瘤医师(或，更一般地，医生)进行的动作。医生可以使用任何合适的验证过程来登录，例如通过键入用户名/密码组合、或使用生物特征识别登录(例如指纹读取器、视网膜读取器等等)、两步验证登录过程等等。
系统10还包括可由辐射物理师或与患者相关联的另一审查者操作的第二访问点14以生成处置规划系统(TPS)计划。给定这种常见的使用背景，第二访问点14在本文中有时被称为TPS访问点14。TPS访问点14包括计算机、工作站、平板电脑或具有典型部件的其他电子数据处理设备30，典型部件诸如至少一个电子处理器32、至少一个用户输入设备(例如，鼠标、键盘、跟踪球等等)34和显示设备36。在一些实施例中，显示设备36能够是与计算机30分开的部件。工作站14还能够包括一个或多个数据库或非瞬态存储介质38(诸如磁盘、RAID、或其他磁性存储介质；固态驱动器、闪速驱动器、电子可擦除只读存存储器(EEROM)或其他电子存储器；光盘或其他光学存储设备；其各种组合；等等)。显示设备36被配置为显示包括一个或多个字段以从用户输入设备34接收用户输入的图形用户界面(GUI)40。医生的工作站12和TPS工作站14例如经由有线和/或无线的医院电子数据网络、互联网、其特定组合等等被操作性地连接到偏好数据库16。偏好数据库16被配置为存储关于与辐射处置计划相关的个体医师偏好的信息。这种信息能够以各种方式被存储。在一种方法中，被提交给医生以便批准或拒绝的所有候选辐射处置计划连同由医生做出并且与存储的建议的处置计划相关联的注释一起被存储在偏好数据库16中。在另一实施例中，仅这种信息的一些部分被存储在偏好数据库16中，例如仅具有关于与注释相关的建议的辐射处置计划的概要信息的注释。在又一方法中，偏好数据库16可以仅存储注释，并且被链接到被存储在另一数据库(诸如影像归档和通信系统(PACS)数据库(未示出))中的辐射处置计划。
系统10被配置为执行建议的辐射处置计划审查方法或过程100和辐射处置规划过程200。这些过程被链接，因为辐射处置规划过程200生成建议的辐射处置计划，该建议的辐射处置计划然后经由建议的辐射处置计划审查方法或过程100来进行审查。在一些实施例中，医生的工作站12被配置为执行建议的辐射处置计划审查方法100，并且TPS工作站被配置为执行辐射处置规划过程200。非瞬态存储介质存储(i)可由第一工作站12的至少一个电子处理器20读取并运行并且执行所公开的操作的指令，所公开的操作包括执行建议的辐射处置计划审查方法或过程100；以及(ii)可由第二工作站14的至少一个电子处理器32读取并运行并且执行所公开的操作的指令，所公开的操作包括执行建议的辐射处置规划过程200。在一些范例中，方法100和/或200可以通过云处理被至少部分地执行。
参考图2，建议的辐射处置计划审查方法100的说明性实施例被图解性地示为流程图。在102处，至少一个电子处理器20被编程为控制或操作第一工作站12的GUI 28以例如从第二工作站14的GUI 40接收建议的辐射处置计划。例如，医生登录医生的工作站12，并且建议的处置计划被显示在其显示设备24上。
在104处，至少一个电子处理器20被编程为经由GUI 28接收指示以下的一个或多个用户输入：(i)建议的辐射处置计划的接受或(ii)建议的辐射处置计划的拒绝与所拒绝的建议的辐射处置计划的注释的组合。例如，医生能够使用第一工作站12的至少一个用户输入设备22输入用户输入，以接受建议的辐射处置计划，或拒绝建议的辐射处置计划并输入指示医生希望看到建议的计划的改变的一个或多个注释。在一个范例中，注释能够包括选择用于处置的新的感兴趣区域(ROI)、在建议的处置计划中最初建议的ROI的新的尺寸等等。在一些实施例中，ROI的选择可以利用TPS的区域轮廓模块(或医生的工作站12处的模块的复制实例)。
在106处，至少一个电子处理器20被编程为基于建议的辐射处置计划的接受或基于所拒绝的建议的辐射处置计划的注释来存储并更新被存储在偏好数据库16中的审查者的辐射处置计划偏好。这些偏好能够用来生成建议的处置计划的额外迭代。此外，这些偏好能够用来生成初始的未来的建议的辐射处置计划。
在108处，至少一个电子处理器20被编程为将接受或拒绝与注释的组合发送到第二工作站14。接受或拒绝/注释能够被显示在第二工作站14的显示设备36上。操作102-108能够针对被发送给医生以便审查的一个或多个后续的建议的辐射处置计划进行重复，直至医生接受建议的处置计划。
参考图3，辐射处置规划方法200的说明性实施例被图解性地示为流程图。在202处，TPS工作站14的至少一个电子处理器32被编程为经由GUI40生成候选辐射处置计划。这通常需要加载正在开发针对其的辐射处置计划的特定患者的规划图像。TPS工作站14提供了区域轮廓模块，辐射物理师经由区域轮廓模块描绘肿瘤或病变或其他辐射靶以及其辐射暴露要被限制的一个或多个危及器官(OAR)。肿瘤医师通常已经提供了针对靶的规定剂量和针对OAR的限制剂量。这些可以以各种方式被指定，例如作为总剂量、剂量体积直方图(DVH)参数等等。在TPS处，这些被制定为目标或目的的集合。辐射物理师设置初始辐射递送设备配置(例如多叶准直器或MLC设置、直线加速器旋转速率等等)，并且模拟如通过规划图像表示的将使用这种配置被递送到患者内的剂量分布。TPS针对模拟的剂量分布计算目标或目的的度量，调整递送设备配置，并且迭代地重复剂量分布模拟等等，以便相对于目标或目的优化辐射递送设备配置。该过程可以例如使用不同的初始辐射递送设备配置、不同的和/或不同地制定的目的或目标、或其他调整被重复多次，以便开发候选辐射处置计划的集合，例如5个候选处置计划、或10个候选处置计划、或20个候选处置计划等等。在一个非限制说明性范例中，辐射处置计划优化过程202可以由可从皇家飞利浦有限公司获得的Pinnacle3处置规划系统实施。
在操作202中生成的候选处置计划的哪一个的选择是主观的。在大多数情况下，没有一个候选处置计划完美地满足肿瘤医师规定的所有目标或目的。例如，一个候选处置计划可以实现肿瘤中的各个地方的期望的每单位体积的最小剂量，但是以高于规定的剂量被递送到相邻OAR的一部分为代价；然而，另一候选处置计划可以满足OAR中的规定剂量，但是以少于规定的剂量到肿瘤的一部分为代价；而其他候选计划可以以各种方式平衡这两个相互矛盾的目标或目的。不同的肿瘤医师可以具有关于平衡这些相互矛盾的目标或目的的最佳方式的不同偏好。为了帮助辐射物理师做出关于哪个候选辐射处置计划要建议给处置目前患者的肿瘤医师的主观决策，辐射物理师可以咨询医师的偏好数据库16。为了这样做，在操作204中，与患者相关联的审查者的偏好从数据库16被检索到GUI 40，并且在操作206中，这些偏好被显示在GUI处。在操作208中，辐射物理师经由图2的方法100选择候选辐射处置计划中的一个用于建议给肿瘤医师。优选地，辐射物理师在进行这种选择时考虑在206处显示的肿瘤医师的偏好。所选择的候选辐射处置计划然后作为建议的辐射处置计划被发送给医师的工作站12，以便通过建议的辐射处置计划审查方法100的执行而接受或拒绝/注释。
在210处(在建议的辐射处置计划审查方法100的操作被执行之后)，如果建议的辐射处置计划被拒绝，那么拒绝被显示在第二工作站14处结合TPS工作站14处的注释。任选地，如果在方法100(图2)的操作104中，肿瘤医师使用在医生的工作站12处运行的区域轮廓模块(的实例)描绘新的区域作为注释过程的一部分，那么操作210可以包括自动地将该轮廓导入具有如在肿瘤医师的注释中阐述的针对该添加的区域的一个或多个目标或目的的辐射处置计划。到计划的任何(一个或多个)这种添加优选地使用红色或另一颜色或一些其他突出显示机制来突出显示，以确保辐射物理师注意到这些添加。过程流然后返回到剂量优化过程202，但是现在针对描绘的区域和/或根据医师的注释更新的目标或目的执行。
在检索步骤206中，检索到的信息包括与患者相关联的处置肿瘤医师医生的辐射处置计划偏好。操作206优选地针对与其处置正在被规划的目前患者相似的情况检索被存储在数据库16中的偏好。在一些实施例中，包括对处置肿瘤医师或医生的先前患者的辐射处置计划的接受或注释的信息基于与在202处生成的针对患者的一个或多个候选辐射处置计划的相似度从数据库16选择性地检索。例如，从偏好数据库16检索到的信息能够包括(i)由为其准备了建议的处置计划的肿瘤医师做出的先前注释；(ii)由肿瘤医师接受的针对具有用于处置的相似ROI的患者的先前处置计划；和/或(iii)由肿瘤医师拒绝并注释的先前处置计划，针对新的ROI的注释在先前处置计划中。处置计划能够利用这种检索到的信息被更新，并且被发送到第一工作站12以便被医生接受或拒绝。偏好显示操作208能够以各种方式被实施。信息可以被显示在肿瘤医师特异性推荐窗口中，以便当选择208哪个候选辐射处置计划要建议给肿瘤医师时被辐射物理师考虑。在另一方法中，在204处从数据库检索到的接受/拒绝和注释可以与在202处生成的候选计划定量地进行比较，以直接推荐一个候选计划用于建议给肿瘤医师，或产生候选计划的肿瘤医师特异性排名。定量比较可以利用度量(诸如将针对肿瘤的目的被满足的程度与针对OAR的目的被满足的程度进行比较的比率)来提供每个处置计划(候选或来自数据库)的定量评价。这种度量表征关于激进度的医师的偏好，即与牺牲肿瘤目的以更好地保护OAR相比，以OAR为代价满足肿瘤目的是更激进的策略。通过将针对候选计划的这种度量的值与针对检索到的接受的先前计划的这种度量的值进行比较，推荐系统能够推荐其激进度更好地匹配来自数据库16的由医师批准的先前计划的典型激进度的候选计划。
在又一变型中，推荐系统可以在剂量优化步骤202中被采用，以便基于添加这种区域的过去拒绝的计划上的注释进行推荐，例如，将具有(一个或多个)对应目标的区域添加到优化准则。在该变型中，检索操作204必须在剂量202期间被执行，并且针对批准的先前计划定义的区域与由辐射物理师在步骤202处定义的区域进行比较。
显示建议的计划(来自图2的方法100)上的注释的步骤210能够类似地采用各种显示方法。简单的方法是在窗口中将注释显示为文本。如先前提到的，如果注释包括由肿瘤医师新定义的区域，那么注释可以包括为这种区域轮廓添加合适的突出显示。在其他范例中，基于接收到的注释，至少一个电子处理器32被编程为基于候选计划多么好地满足注释变化来生成来自步骤202的候选处置计划的排名列表。(该实施例假设在操作202处生成的所有候选辐射处置计划被存储至少直至在通过方法100生成的注释在TPS工作站14处被接收之后)。
回来参考图1并且继续参考图3，在一些范例中，系统10能够执行自适应操作。例如，第一工作站12的至少一个电子处理器20和/或第二工作站14的至少一个电子处理器32能够被编程为将经训练的神经网络(NN)42应用于推荐的处置选项。在任选操作212中，至少一个电子处理器32被编程为使用经训练的NN 42来推荐处置选项以生成建议的处置计划。至少一个电子处理器32然后被编程为使用指示接受和/或拒绝和注释的组合的用户输入来更新推荐的处置选项。
在任选操作214处，至少一个电子处理器32被编程为使用指示接受和/或拒绝和注释的组合的用户输入来更新经训练的NN 42的一个或多个状态变量。状态变量能够包括例如患者的成像过程的特征、患者人口统计学信息、患者体重变化和患者状况变化。
参考图4，自适应辐射治疗方法300的说明性实施例被图解性地示为流程图。在302处，使用辐射治疗设备(未示出)，根据辐射处置计划经过多个辐射处置过程对患者执行分次辐射治疗。后续的操作304-312能够在分次辐射治疗的相继阶段(即相继分次)之间被执行。在304处，患者的当前状态利用从患者的当前医学图像导出的状态变量和包括或从除了患者的当前医学图像之外的患者信息导出的额外状态变量来构建。在一些范例中，额外状态变量包括或从患者人口统计学信息、患者体重变化和患者状况变化中的至少一个导出。
在306处，利用处理器20或32将神经网络42应用于当前状态以生成自适应放射治疗(ART)推荐。在一些范例中，神经网络42包括Q网络。
在308处，显示设备24或36被配置为将ART推荐显示在工作站12或14上，并且经由工作站接收关于是否要执行ART的决策。在一些范例中，接收到的决策被制定为ART推荐的接收得分，其中，如果得分超过阈值，则决策是要执行ART，并且强化学习基于得分而被执行。
在310处，在决策是要执行ART的条件下，利用处理器20或32执行ART以调整辐射处置计划条件。
在312处，利用处理器20或32基于决策来执行强化学习以更新神经网络42。在一些范例中，强化学习还基于在为了调整辐射处置计划对ART的先前执行之后患者状况是已经改善还是退化而被执行。
范例1
所有先前的计划和对应的注释(不论是接受的还是拒绝的)都被存储在偏好数据库16中以通过系统10快速地查询。偏好数据库16充当能够被用于学习最佳辐射处置计划的随着时间的每个医师的计划历史的库。
注释也可以被存储在偏好数据库16中。注释能够包括例如3D空间中的ROI的边界(例如，x、y、z坐标)、正确的/改善的剂量范围；局部文本反馈、总体文本反馈、计划的质量评级(例如，0-100尺度)等等。这种注释反馈数据然后被存储在偏好数据库16中以添加到针对每个医师的库。
在本文中公开的实施例中，注释用来优化建议的处置计划。在一些范例中，针对在相似度的一定阈值内与当前患者相似的先前患者查询特定医师的计划库。通常，两个患者之间的相似度通过计算表示患者的特征的集合之间的适当距离度量来量化；在计算距离之前使用不同的核变换特征并不少见。然而，在临床背景下估计患者相似度是主观任务；决定用于相似度的特征的相对重要性以及核和距离度量的选择是非常困难的。数据驱动的方法用来量化患者相似度。生成模型(诸如变分自动编码器(VAE))用来创建临床上相似的患者将接近彼此的潜在空间。
患者相似度算法被描述如下：
a.让X＝{x1，x2，…}是可用患者的数据点的集合
b.训练VAE模型来学习将原始患者数据x映射到潜在空间x’中的数据点的映射函数；x’＝T(x)，X’＝{x’1，x’2，…)
c.给定新的患者x0，将它映射到潜在空间x’0＝T(x0)
d.患者xk与患者x0的相似度得分是x’k和x’0之间的欧式距离的倒数；S(xk，x0)＝1/欧式距离(x’k，x’0)；相似度得分能够是其他相似度度量，诸如Jaccard相似度
e.基于相似度得分S来选择最相似的患者
使用“一流”患者相似度算法，物理师对该患者相似度算法和相关性的水平具有控制，相关性的水平诸如能够基于特征的特定集合和由物理师设置的相关性的水平来查询相似患者的Jaccard相似度、K-均值聚类或排名算法。对于这种查询，存在两种可能的情况：(1)对于这种查询，存在一些患者(随后被使用)；或(2)对于这种查询，不存在患者，在此情况下，使用协作方法，包括查询针对与当前患者相似的先前患者的其他医师库或缺省的全局库。
利用相似患者的一些集合，我们从该集合提取两个结构：(1)针对拒绝的患者计划的注释，被过滤以减少维度；以及(2)来自与当前患者最相似的患者的批准的计划。
注释被馈送通过逻辑回归或其他机器学习算法以提取相关的特征。优化算法的目标和约束利用所提取的相关特征来增补。优化过程从通过相似度得分的顺序列出的针对患者的被接受的先前相似最佳计划来初始化，物理师能够从其选择它们中的一个。
优化过程被执行以生成新的计划，新的计划中的一个要被提交以便批准。这里，当第一数量N个计划被生成(N能够由物理师指定)时，物理师能够选择停止该过程。根本原因是对于新的患者，从相同患者学习的计划或相似的计划也应当被接受，并且优化算法应当首先识别那些相似的可行解决方案。
范例2
自适应辐射治疗方法300使用经训练的NN 42来执行。NN 42从患者医学、医师和图像数据库读取患者状态信息。主管医师也被视为为医师生成个性化推荐的状态。一个或多个医师同意结果量度的集合(诸如时间系列疾病进展结果(例如、30天肿瘤尺寸变化、副作用和被评级的总体健康状况))，并且规范化并分配权重以生成回报目的。NN 42(例如，Q-网络)基于状态输入来推荐动作和预测的回报的集合。如果患者已经开始处置，并且回报目的得分比先前的得分高能够被医师确定的高裕量，那么系统向医师推荐具有预期结果量度的自适应规划审查。在新的患者的情况下，用于比较的基准得分是不可获得的，因此Q-网络简单地推荐将最大化预期回报的动作。计划被选择、生成并实施。医师审查患者状况，并且为数据库提供反馈/更新。患者也可以具有图像和其他生理读数。反馈以及患者生成的医学图像和读数变成新的状态，并且来自该动作的结果的概率矩阵被更新。这些操作被重复直至处置计划被生成。
NN 42从两种不同类型的反馈进行学习：1)立即反馈，诸如推荐的自适应规划的接受/拒绝和质量评级反馈，和2)延迟反馈，诸如随着时间的患者状态的变化。在立即学习过程中，输入(诸如计划接受(例如，0/1二元指示符，0＝拒绝，1＝接受；全局质量评级和反馈；等等))被输入到NN 42。NN 42利用标准反向传播来进行训练以最小化当前计划与由医师建议的计划之间的损失；例如，预测剂量值与靶剂量值之间的均方差损失。NN 42然后预测新建议的计划的质量和它被医师接受的可能性。延迟的学习过程发生在最终接受的处置计划递送之后。输入(诸如副作用/总体感觉的患者调查、靶ROI的新CT图像、患者的生命体征和其他患者结果成员)被输入到NN 42。NN 42被训练为更新从当前患者状态到可能的下一状态的条件转变矩阵。NN 42然后更新数据库16用于未来的计划生成。
已经参考优选实施例描述了本公开。他人在阅读和理解以上具体实施方式的情况下可能想到修改和更改。本文旨在将本发明解释为包括所有这样的修改和更改，只要它们落入权利要求书及其等价方案的范围之内。
Claims (20)
1.一种非瞬态计算机可读介质，其存储：
偏好数据库(16)；
能由至少一个电子处理器(20)读取并运行以执行建议的辐射处置计划审查过程(100)的指令，所述辐射处置计划审查过程包括：
经由审查图形用户界面(GUI)(28)将建议的辐射处置计划呈现给审查者；
经由所述审查GUI，从所述审查者接收以下中的一项：(i)所述建议的辐射处置计划的接受或(ii)所述建议的辐射处置计划的拒绝与所拒绝的建议的辐射处置计划的注释的组合；以及
基于所述建议的辐射处置计划的所述接受或基于所拒绝的建议的辐射处置计划的所述注释来更新被存储在所述偏好数据库中的所述审查者的辐射处置计划偏好；以及
能由至少一个电子处理器(32)读取并运行以执行辐射处置规划过程(200)的指令，所述辐射处置规划过程包括：
关于剂量目标优化针对患者的辐射处置参数，并且使用患者的至少一幅规划图像来生成针对所述患者的一个或多个候选辐射处置计划；
将与所述患者相关联的审查者的辐射处置计划偏好从所述偏好数据库检索到规划GUI(40)；以及
在所述规划GUI处显示与所述患者相关联的所述审查者的所述辐射处置计划偏好。
2.根据权利要求1所述的非瞬态计算机可读介质，其中，所述辐射处置规划过程(200)还包括在所述规划GUI(40)处接收通过所述建议的辐射处置计划审查过程对用于建议给的所述审查者的与所述患者相关联的所述一个或多个候选辐射处置计划中的一个的选择。
3.根据权利要求1-2中的任一项所述的非瞬态计算机可读介质，其中，与所述患者相关联的所述审查者的所述辐射处置计划偏好在所述规划GUI(40)处的所述显示包括将所述辐射处置计划偏好显示为对针对所述患者的所述一个或多个候选辐射处置计划的一个或多个推荐的修改。
4.根据权利要求1-3中的任一项所述的非瞬态计算机可读介质，其中，与所述患者相关联的所述审查者的所述辐射处置计划偏好在所述规划GUI(40)处的所述显包括：
将针对所述患者的所述一个或多个候选辐射处置计划和与所述患者相关联的所述审查者的所述辐射处置计划偏好进行比较；以及
基于所述比较，将针对所述患者的所述一个或多个候选辐射处置计划中的一个的推荐显示为最密切匹配与所述患者相关联的所述审查者的所述辐射处置计划偏好。
5.根据权利要求1-4中的任一项所述的非瞬态计算机可读介质，其中，与所述患者相关联的所述审查者的所述辐射处置计划偏好的从所述偏好数据库(16)到所述规划GUI(40)的所述检索包括：基于与针对所述患者的所述一个或多个候选辐射处置计划的相似度来选择对与所述患者相关联的所述审查者的先前患者的辐射处置计划的接受或注释，并且关于所选择的接受或注释检索与所述患者相关联的所述审查者的偏好。
6.根据权利要求1-5中的任一项所述的非瞬态计算机可读介质，其中，所述优化包括：
针对与所述患者相似的先前患者的医师的计划库查询所述偏好数据库(16)；
处理所述计划库以基于特征的特定集合和相关性的水平来查询相似患者；
从与所述患者最相似的先前患者提取针对拒绝的患者计划的注释和批准的计划。
7.一种非瞬态计算机可读介质，存储能由至少一个电子处理器(20)读取并运行以执行辐射处置计划和批准方法(100)的指令，所述方法包括：
在第一访问点(12)处接收来自第二访问点(14)的建议的辐射处置计划；
经由所述第一访问点处的一个或多个用户输入设备(22)接收指示以下中的至少一项的一个或多个用户输入：所述建议的辐射处置计划的接受或所述建议的辐射处置计划的拒绝与所述建议的辐射处置计划的注释的组合；
将所述接受或所述拒绝与所述注释的组合发送到所述第二访问点，并且在所述第二访问点处显示所述接受或所述拒绝与所述注释的组合；以及
将所述接受或所述拒绝与所述注释的组合存储在偏好数据库(16)中。
8.根据权利要求7所述的非瞬态计算机可读介质，其中，所述方法(200)还包括：
在所述第二访问点(14)处生成所述建议的辐射处置计划；
在所述建议的辐射处置计划被拒绝并且在所述第二访问点处显示所述拒绝与所述注释的组合的条件下，基于所述注释来更新所述建议的辐射处置计划，并且重复接收操作、发送操作和存储操作直至在所述第二访问点处接收到指示所述处置计划的接受的用户输入。
9.根据权利要求8所述的非瞬态计算机可读介质，其中，所述方法还包括：
从所述偏好数据库(16)检索由为其准备了所述建议的处置计划的肿瘤医师做出的先前注释；以及
在所述第二访问点(14)处利用所检索的先前注释来更新所述建议的处置计划。
10.根据权利要求9所述的非瞬态计算机可读介质，其中，所述检索包括：
从所述偏好数据库(16)检索由所述肿瘤医师接受的针对具有用于处置的相似感兴趣区域(ROI)的患者的先前处置计划；以及
在所述第二访问点(14)处利用所检索的先前的接受的处置计划来更新所述建议的处置计划。
11.根据权利要求8-10中的任一项所述的非瞬态计算机可读介质，其中，所述方法(200)还包括：
从所述偏好数据库(16)检索由所述肿瘤医师拒绝并注释的先前处置计划，针对新的感兴趣区域(ROI)的注释被添加在所述先前处置计划中；
在所述第二访问点(14)处使用所检索的注释来更新所述建议的处置计划。
12.根据权利要求9-11中的任一项所述的非瞬态计算机可读介质，其中，所述方法(200)还包括：
在所述第二访问点(14)处基于所检索的先前注释和接受的处置计划来生成所述建议的处置计划的排名列表；以及
将建议的处置计划的所述排名列表发送到所述第一访问点(12)。
13.根据权利要求7-12中的任一项所述的非瞬态计算机可读介质，其中，所述方法(200)还包括：
使用经训练的神经网络(NN)(42)来推荐处置选项以生成所述建议的处置计划；以及
使用指示接受、拒绝和注释的所述用户输入来更新所推荐的处置选项。
14.根据权利要求13所述的非瞬态计算机可读介质，其中，所述方法(200)还包括：
使用指示接受、拒绝和注释的所述用户输入来更新所述经训练的NN(42)的一个或多个状态变量。
15.根据权利要求14所述的非瞬态计算机可读介质，其中，所述状态变量包括以下中的至少一个：
来自所述患者的成像过程的特征、患者人口统计学信息、患者体重变化和患者状况变化。
16.一种用于根据辐射处置计划通过多个辐射处置过程对患者执行分次辐射治疗的自适应辐射规划方法(300)，所述方法包括：在所述分次辐射治疗的相继过程之间：
利用从所述患者的当前医学图像导出的状态变量和从除了所述患者的所述当前医学图像之外的患者信息导出的额外状态变量来构建所述患者的当前状态；
由处理器(20、32)将神经网络(42)应用于所述当前状态以生成自适应放射治疗(ART)推荐；
将所述ART推荐显示在工作站(12、14)上，并且经由所述工作站接收关于是否要执行ART的决策；
在所述决策是要执行ART的条件下由所述处理器执行ART以调整所述辐射处置计划；以及
由所述处理器基于所述决策来执行强化学习以更新所述神经网络。
17.根据权利要求16所述的自适应辐射规划方法(300)，其中，所述额外状态变量包括以下中的至少一个或从以下中的至少一个导出：患者人口统计学信息、患者体重变化和患者状况变化。
18.根据权利要求16所述的自适应辐射规划方法(300)，其中，所接收的决策被制定为所述ART推荐的接收得分，其中，如果所述得分超过阈值，所述决策是要执行ART，并且所述强化学习基于所述得分而被执行。
19.根据权利要求16所述的自适应辐射规划方法(300)，其中，所述强化学习还基于在为了调整所述辐射处置计划对ART的先前执行之后患者状况是已经改善还是退化而被执行。
20.根据权利要求16所述的自适应辐射规划方法(300)，其中，所述神经网络(42)包括Q网络。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862646957P | 2018-03-23 | 2018-03-23 | |
| US62/646,957 | 2018-03-23 | ||
| PCT/EP2019/056364 WO2019179857A1 (en) | 2018-03-23 | 2019-03-14 | Fast and personalized recommender system for radiation therapy planning enhancement via closed loop physician feedback |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111989749A true CN111989749A (zh) | 2020-11-24 |
Family
ID=65861265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980021521.6A Pending CN111989749A (zh) | 2018-03-23 | 2019-03-14 | 经由闭环医师反馈的用于辐射治疗规划增强的快速且个性化的推荐系统 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20210027878A1 (zh) |
| EP (1) | EP3769317A1 (zh) |
| JP (1) | JP2021518196A (zh) |
| CN (1) | CN111989749A (zh) |
| WO (1) | WO2019179857A1 (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11410110B2 (en) * | 2019-08-06 | 2022-08-09 | International Business Machines Corporation | Alert generation based on a cognitive state and a physical state |
| US11651848B2 (en) * | 2020-03-27 | 2023-05-16 | Siemens Healthineers International Ag | Methods and apparatus for controlling treatment delivery using reinforcement learning |
| US11545267B2 (en) | 2020-08-04 | 2023-01-03 | Signalpet, Llc | Methods and apparatus for the application of reinforcement learning to animal medical diagnostics |
| US20220415472A1 (en) * | 2021-06-28 | 2022-12-29 | Varian Medical Systems, Inc. | Artificial intelligence modeling to suggest field geometry templates |
| US20230087944A1 (en) * | 2021-09-20 | 2023-03-23 | Varian Medical Systems, Inc. | Machine learning modeling to predict heuristic parameters for radiation therapy treatment planning |
| EP4180088A1 (en) * | 2021-11-16 | 2023-05-17 | Koninklijke Philips N.V. | A machine learning based system for generating objective functions for radiation therapy treatment planning |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050201516A1 (en) * | 2002-03-06 | 2005-09-15 | Ruchala Kenneth J. | Method for modification of radiotherapy treatment delivery |
| CN103380441A (zh) * | 2010-12-20 | 2013-10-30 | 皇家飞利浦电子股份有限公司 | 用于自动生成初始辐射处置规划的系统和方法 |
| WO2014205386A1 (en) * | 2013-06-21 | 2014-12-24 | Siris Medical, Inc. | Multi-objective radiation therapy selection system and method |
| US20150095051A1 (en) * | 2011-11-30 | 2015-04-02 | Koninklijke Philips N.V. | Automated algorithm and framework for multi-patient treatment plan access in radiation therapy |
| US20160129282A1 (en) * | 2013-06-18 | 2016-05-12 | Duke University | Systems and methods for specifying treatment criteria and treatment parameters for patient specific radiation therapy planning |
| US20160140300A1 (en) * | 2013-06-12 | 2016-05-19 | University Health Network | Method and system for automated quality assurance and automated treatment planning in radiation therapy |
| CN105683975A (zh) * | 2013-10-23 | 2016-06-15 | 皇家飞利浦有限公司 | 使得能够有效管理处置计划以及其修正和更新的系统和方法 |
-
2019
- 2019-03-14 EP EP19712542.0A patent/EP3769317A1/en not_active Withdrawn
- 2019-03-14 WO PCT/EP2019/056364 patent/WO2019179857A1/en active Application Filing
- 2019-03-14 CN CN201980021521.6A patent/CN111989749A/zh active Pending
- 2019-03-14 US US17/040,119 patent/US20210027878A1/en not_active Abandoned
- 2019-03-14 JP JP2020550072A patent/JP2021518196A/ja not_active Withdrawn
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050201516A1 (en) * | 2002-03-06 | 2005-09-15 | Ruchala Kenneth J. | Method for modification of radiotherapy treatment delivery |
| CN103380441A (zh) * | 2010-12-20 | 2013-10-30 | 皇家飞利浦电子股份有限公司 | 用于自动生成初始辐射处置规划的系统和方法 |
| US20150095051A1 (en) * | 2011-11-30 | 2015-04-02 | Koninklijke Philips N.V. | Automated algorithm and framework for multi-patient treatment plan access in radiation therapy |
| US20160140300A1 (en) * | 2013-06-12 | 2016-05-19 | University Health Network | Method and system for automated quality assurance and automated treatment planning in radiation therapy |
| US20160129282A1 (en) * | 2013-06-18 | 2016-05-12 | Duke University | Systems and methods for specifying treatment criteria and treatment parameters for patient specific radiation therapy planning |
| WO2014205386A1 (en) * | 2013-06-21 | 2014-12-24 | Siris Medical, Inc. | Multi-objective radiation therapy selection system and method |
| CN105683975A (zh) * | 2013-10-23 | 2016-06-15 | 皇家飞利浦有限公司 | 使得能够有效管理处置计划以及其修正和更新的系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3769317A1 (en) | 2021-01-27 |
| WO2019179857A1 (en) | 2019-09-26 |
| US20210027878A1 (en) | 2021-01-28 |
| JP2021518196A (ja) | 2021-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11748677B2 (en) | Multi-model medical scan analysis system using fine-tuned models | |
| Huynh et al. | Artificial intelligence in radiation oncology | |
| CN111989749A (zh) | 经由闭环医师反馈的用于辐射治疗规划增强的快速且个性化的推荐系统 | |
| US11664114B2 (en) | Medical scan assisted review system | |
| Mak et al. | Use of crowd innovation to develop an artificial intelligence–based solution for radiation therapy targeting | |
| JP2021519120A (ja) | Ｃｔ／ｌｉｎａｃコンソールにおける適応放射線療法のための決定支援ツール | |
| JP5771006B2 (ja) | ケースベースの意思決定支援のための方法及び装置 | |
| Pillai et al. | Using artificial intelligence to improve the quality and safety of radiation therapy | |
| US11679274B2 (en) | Artificial intelligence modeling for radiation therapy dose distribution analysis | |
| US20220296924A1 (en) | Artificial intelligence modeling for radiation therapy dose distribution analysis | |
| CN114175030A (zh) | 具有隐私保证的放射疗法计划参数 | |
| US20240115883A1 (en) | Neural network calibration for radiotherapy | |
| EP3642843A2 (en) | Optimizing a treatment plan based on a score function depending on a quality function | |
| Zheng et al. | Radiotherapy treatment planning in the age of AI: Are we ready yet? | |
| US11612761B2 (en) | Training artificial intelligence models for radiation therapy | |
| US20240161035A1 (en) | Multi-model medical scan analysis system and methods for use therewith | |
| Ersoy et al. | Nursing Strategies for Diabetic Patient Management: Predicting Parameter Values Post-Exenatide Treatment with Machine Learning Algorithm | |
| WO2023278180A2 (en) | Artificial intelligence enabled preference learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |