CN117098578A - 用于放射疗法剂量分布分析的人工智能建模 - Google Patents
用于放射疗法剂量分布分析的人工智能建模 Download PDFInfo
- Publication number
- CN117098578A CN117098578A CN202280023349.XA CN202280023349A CN117098578A CN 117098578 A CN117098578 A CN 117098578A CN 202280023349 A CN202280023349 A CN 202280023349A CN 117098578 A CN117098578 A CN 117098578A
- Authority
- CN
- China
- Prior art keywords
- patient
- dose distribution
- radiation therapy
- plan
- model
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 184
- 238000009826 distribution Methods 0.000 title claims abstract description 146
- 238000001959 radiotherapy Methods 0.000 title claims abstract description 76
- 238000004458 analytical method Methods 0.000 title description 189
- 238000011282 treatment Methods 0.000 claims abstract description 188
- 238000000034 method Methods 0.000 claims abstract description 94
- 238000012549 training Methods 0.000 claims abstract description 65
- 210000000056 organ Anatomy 0.000 claims abstract description 31
- 210000003484 anatomy Anatomy 0.000 claims description 47
- 238000013439 planning Methods 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 230000005855 radiation Effects 0.000 description 60
- 206010028980 Neoplasm Diseases 0.000 description 36
- 210000000920 organ at risk Anatomy 0.000 description 35
- 238000010801 machine learning Methods 0.000 description 32
- 230000008569 process Effects 0.000 description 32
- 238000012545 processing Methods 0.000 description 20
- 238000003860 storage Methods 0.000 description 12
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 5
- 238000012552 review Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000004040 coloring Methods 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000002560 therapeutic procedure Methods 0.000 description 3
- 206010060862 Prostate cancer Diseases 0.000 description 2
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002721 intensity-modulated radiation therapy Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000031940 Disease Attributes Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910017052 cobalt Inorganic materials 0.000 description 1
- 239000010941 cobalt Substances 0.000 description 1
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004980 dosimetry Methods 0.000 description 1
- 238000002710 external beam radiation therapy Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Classifications
-
- 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
- A61N5/1031—Treatment planning systems using a specific method of dose optimization
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- A61N2005/1041—Treatment planning systems using a library of previously administered radiation treatment applied to other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本文公开了使用经由训练的人工智能模型预测的剂量分布值来优化放射疗法处理计划的方法和系统。服务器使用训练数据集来训练AI模型,该训练数据集包括与先前对多个先前患者实施的多个放射疗法处理相关联的数据以及与每个先前患者的一个或多个器官相关联的剂量分布。然后,服务器执行(210)经训练的AI模型以预测针对患者的剂量分布。然后,服务器显示(220)图示了预测值的热图,向计划优化器发送预测值以生成针对患者的优化处理计划,和/或当由计划优化器生成的处理计划偏离在患者的计划目标内指示的阈值和规则时,发送警报。
Description
技术领域
本申请总体上涉及使用人工智能建模来预测、可视化和优化针对患者的剂量分布和处理计划。
背景技术
放射疗法(基于辐射的疗法)作为癌症处理被用于发出可以杀死细胞或缩小肿瘤的高剂量辐射。患者身体上打算接收辐射的靶标区域(例如,肿瘤)被称为计划靶标体积(PTV)。目标是在放射疗法(本文也被称为处理计划或放射疗法处理)期间向PTV递送足够的辐射以杀死癌细胞。然而,邻近PTV或PTV周围的其他器官或解剖区域可能位于辐射束的路径中,并且可能接收足够的辐射而损坏或伤害这些器官或解剖区域。这些器官或解剖区域被称为处于危险中的器官(OAR)。通常,医生或放射科医生在放射疗法之前使用例如计算机断层扫描(CT)图像、磁共振成像(MRI)图像、正电子发射断层扫描(PET)图像、经由一些其他成像模式获得的图像、或其组合来标识PTV和OAR。例如,医师或放射科医生可以在患者的医学图像上手动标记PTV和/或OAR。
使用患者的医学图像以及所标识的PTV和OAR,医疗专业人员团队(例如,内科医生、放射科医生、肿瘤学家、辐射技术人员、其他医务人员、或其组合)确定在放射疗法期间使用的辐射参数。例如,这些辐射参数包括每个辐射束的类型、角度、辐射强度和/或形状。在确定这些参数时,医疗专业人员尝试实现满足预定义标准(本文也被称为计划目标)的辐射剂量分布以递送给患者。这种标准通常包括针对PTV和OAR预定义的辐射剂量阈值或范围。
为了以满足预定义标准的方式来优化辐射参数,处理计划者通常用各种辐射参数来运行多个模拟,并且基于模拟结果来选择要使用的最终辐射参数集。然而,这个过程效率极低且不理想。该过程通常涉及在每次模拟后修改辐射参数。无论辐射参数是使用手动还是基于计算机的解决方案来计算的,这样的方法都是耗时、乏味的,并且可能不会提供最佳结果。此外,这种传统方法严重依赖于医疗专业人员的主观知识和理解。
发明内容
在一个方面中,本发明提供一种如权利要求1中定义的方法。在另一方面中,本发明提供一种如权利要求10中定义的计算机系统。在又一个方面中,本发明提供一种如权利要求19中定义的计算机系统。可选特征在从属权利要求中被指定。
由于前述原因,期望一种自动化的端到端系统,其能够采用计算机模型(例如,人工智能模型)来自动模拟患者的处理计划和剂量分布,并且以一种不取决于医疗专业人员的主观技能和理解的方式来优化患者的处理计划。期望生成剂量分布的准确预测,该预测可以被用于指导临床计划优化并节省计算时间。
在一个实施例中,一种方法,包括:由处理器来执行人工智能模型以标识针对患者的解剖区域的剂量分布值,该人工智能模型是使用训练数据集来训练的,该训练数据集包括与先前对多个先前患者实施的多个放射疗法处理相关联的数据以及与每个先前患者的一个或多个器官相关联的剂量分布;由处理器来显示具有分段集的热图,其中每个分段与患者的解剖区域的第一坐标和第二坐标相对应,其中每个分段的视觉属性与计算的剂量分布值相对应,其中与超过第一阈值的第一区域或低于第二阈值的第二区域相对应的至少一个分段在视觉上与热图中的其他分段明显不同。
在另一个实施例中,一种计算机系统包括服务器,该服务器包括处理器和包含指令的非暂态计算机可读介质,当该指令被处理器执行时使处理器执行包括以下步骤的操作:执行人工智能模型以标识针对患者的解剖区域的剂量分布值,人工智能模型是使用训练数据集来训练的,该训练数据集包括与先前对多个先前患者实施的多个放射疗法处理相关联的数据以及与每个先前患者的一个或多个器官相关联的剂量分布;以及显示具有分段集的热图,其中每个分段与患者的解剖区域的第一坐标和第二坐标相对应,其中每个分段的视觉属性与所计算的剂量分布值相对应,其中与超过第一阈值的第一区域或低于第二阈值的第二区域相对应的至少一个分段在视觉上与热图中的其他分段明显不同。
在另一个实施例中,计算机系统包括与人工智能模型和电子设备通信的处理器,该处理器被配置为:执行人工智能模型以标识针对患者的解剖区域的剂量分布值,人工智能模型是使用训练数据集来训练的,该训练数据集包括与先前对多个先前患者实施的多个放射疗法处理相关联的数据以及与每个先前患者的一个或多个器官相关联的剂量分布;以及显示具有分段集的热图,其中每个分段与患者的解剖区域的第一坐标和第二坐标相对应,其中每个分段的视觉属性与所计算的剂量分布值相对应,其中与超过第一阈值的第一区域或低于第二阈值的第二区域相对应的至少一个分段在视觉上与热图中的其他分段明显不同。
在另一个实施例中,一种方法包括由处理器检索针对患者的放射疗法处理计划,该计划包括与患者相关联的计划剂量分布值;由处理器使用放射疗法处理计划来执行人工智能模型,以至少部分地基于计划剂量分布来预测针对患者的解剖区域的预测剂量分布值,该人工智能模型是使用训练数据集来训练的,该训练数据集包括与先前对多个先前患者实施的多个放射疗法处理相关联的数据以及与每个先前患者的一个或多个器官相关联的剂量分布;当所预测的剂量分布值超过阈值时,由处理器发送通知。
在另一个实施例中,一种计算机系统包括服务器,该服务器包括处理器和包含指令的非暂态计算机可读介质,当该指令由处理器执行时,使处理器执行包括以下步骤的操作:检索针对患者的辐射处理计划,该计划包括与患者相关联的计划剂量分布值;使用放射疗法处理计划来执行人工智能模型,以至少部分地基于计划剂量分布值来预测针对患者的解剖区域的预测剂量分布值,该人工智能模型是使用训练数据集来训练的,该训练数据集包括与先前对多个先前患者实施的多个放射疗法相关联的数据以及与每个先前患者的一个或多个器官相关联的剂量分布;当预测的剂量分布值超过阈值时发送通知。
在另一个实施例中,计算机系统包括与人工智能模型和电子设备通信的处理器,该处理器被配置为:检索针对患者的辐射处理计划,该计划包括与患者相关联的计划剂量分布值;使用放射疗法处理计划来执行人工智能模型,以至少部分地基于计划剂量分布值来预测针对患者的解剖区域的预测剂量分布值,该人工智能模型是使用训练数据集来训练的,训练数据集包括与先前对多个先前患者实施的多个放射疗法相关联的数据以及与每个先前患者的一个或多个器官相关联的剂量分布;当预测的剂量分布值超过阈值时,向电子设备发送通知。
附图说明
参考附图通过示例的方式描述了本公开的非限制性实施例,附图是示意性的并且不旨在按比例绘制。除非被指示为表示背景技术,否则附图表示本公开的各方面。
图1图示了根据一个实施例的自动剂量分布分析系统的部件。
图2图示了根据一个实施例的在自动剂量分布分析系统中执行的过程的流程图。
图3图示了根据一个实施例的在自动剂量分布分析系统中执行的过程的流程图。
图4图示了根据一个实施例的在自动剂量分布分析系统中执行的过程的流程图。
图5-图6图示了根据一个实施例的在自动剂量分布分析系统中生成和显示的图形用户界面。
图7图示了根据一个实施例的在自动剂量分布分析系统中执行的过程的流程图。
具体实施方式
现在将参考附图中描绘的说明性实施例,并且在此将使用具体的语言来描述这些说明性实施例。然而,应当理解,并不旨在限制权利要求或本公开的范围。相关领域且拥有本公开内容的技术人员会想到的对在本文中说明的发明特征的更改和更多修改,以及在本文中说明的主题的原理的附加应用,应被视为在本文公开的主题的范围内。在不脱离本公开的精神或范围的情况下,可以使用其他实施例和/或可以做出其他改变。详细描述中描述的说明性实施例并不意味着限制所呈现的主题。
诊所可以利用软件解决方案,以用于放射疗法处理计划(RTTP)并优化用于患者的处理计划。这些软件解决方案(本文中被称为计划优化器或计划优化器应用)可以分析患者数据、临床目标和多个其他因素,以生成针对患者的自定义处理计划。计划优化器可以是存储在非暂态计算机介质上并被配置为由处理器执行以实现该功能性的一组计算机可读指令。自定义的处理计划还可以考虑如何在患者的器官之间分布剂量,以确保在不损害OAR的情况下适当地对PTV应用辐射。
通过实施本文描述的系统和方法,诊所可以通过利用人工智能(AI)模型来增强上述过程,人工智能模型能够预测患者器官之间或针对患者的特定解剖区域的剂量分布。AI模型可以被用于自动器官和肿瘤分割。例如,通过建议处理计划(由计划优化器生成)可能会导致不适当的剂量分布,AI模型还可以提供决策支持。如下文将描述的,诊所可以结合现有的计划优化器使用本文描述的方法和系统来改进患者的处理计划。AI模型可以基于历史数据进行训练和/或使用精细数据(例如,基于特定患者)进行训练,使得AI模型的预测是特定于特定患者的。因此,当与计划优化器结合使用时,AI模型可以提高处理计划的准确性。
另外或备选地,本文描述的方法和系统可以被用于提供由计划优化器生成的处理计划的独立审核/评估。例如,可以执行AI模型来确定处理计划是否会导致不适当的剂量分布。另外或备选地,本文描述的方法和系统可以被用于基于建议的处理计划来模拟和可视化针对患者的剂量分布。使用本文描述的方法和系统,服务器(例如,中央服务器或与具体诊所相关联的计算机)可以使用专门训练的AI模型来校准处理计划。
通过实施本文描述的系统和方法,诊所可以避免生成处理计划通常所需的成本和处理资源。此外,该解决方案可以允许对计划优化器和模型在可靠性方面的性能进行跨临床比较。
如下文将描述的,服务器(本文中被称为分析服务器)可以使用历史处理数据和/或来自患者的先前处理的患者数据来训练AI模型(例如,神经网络或其他机器学习模型)。在非限制性示例中,分析服务器可以将经训练的AI模型传输给与诊所相关联的处理器,或者诊所的处理器可以以其他方式访问经训练的AI模型,以用于处理计划的校准和/或评估。图1是分析服务器在其中操作的系统部件的一个示例。可以包括更多或更少特征的各种其他系统架构可以利用本文描述的方法来实现本文描述的结果和输出。因此,图1中描绘的系统是非限制性示例。
图1图示了自动剂量分布分析系统100的部件。系统100可以包括分析服务器110a、系统数据库110b、AI模型111、电子数据源120a-d(统称为电子数据源120)、终端用户设备140a-e(统称为终端用户设备140)和管理员计算设备150。图1中描绘的各种特征可以属于这样的放射疗法诊所,即,在一些情况下患者可以在该处经由位于诊所内的一个或多个放射疗法机(例如,放射疗法机140d)接收放射疗法处理。
上面提及的组件可以通过网络130彼此连接。网络130的示例可以包括但不限于专用或公共LAN、WLAN、MAN、WAN和互联网。网络130可以包括根据一种或多种标准和/或经由一种或多种传送介质的有线和/或无线通信。网络130上的通信可以根据各种通信协议来执行,诸如传输控制协议和互联网协议(TCP/IP)、用户数据报协议(UDP)和IEEE通信协议。在一个示例中,网络130可以包括根据蓝牙规范集或另一标准或专有无线通信协议的无线通信。在另一示例中,网络130还可以包括通过蜂窝网络的通信,例如包括GSM(全球移动通信系统)、CDMA(码分多址)、EDGE(全球演进增强型数据)网络。
系统100不限于本文描述的部件,并且可以包括附加或其他的部件(为简洁起见未示出),这些部件被认为是在本文描述的实施例的范围内。
分析服务器110a可以生成并显示电子平台,该电子平台被配置为使用各种计算机模型111(包括人工智能和/或机器学习模型)来标识和显示处理属性(例如,包括不同辐射参数的RTTP)。更具体地,该平台可以显示剂量分布数据。该电子平台可以包括在每个电子数据源120、终端用户设备140和/或管理员计算设备150上显示的图形用户界面(GUI)。由分析服务器110a生成和托管的电子平台的一个示例可以是基于网络的应用或被配置为在不同的电子设备(诸如移动设备、平板电脑、个人计算机等等)上显示的网站。在非限制性示例中,操作医师设备120b的医师可以访问该平台、输入患者属性或特性以及其他数据,并且进一步指示分析服务器110a优化患者的处理计划(例如,患者器官之间的剂量分布)。分析服务器110a可以利用本文描述的方法和系统来优化剂量分布并且在最终用户设备上显示结果或调整终端用户设备140之一(例如,放射疗法机140d)的配置。分析服务器110a也可以在医师设备120b本身上显示预测剂量分布和/或辐射参数。
如本文所述,辐射参数可以是或包括与在放射疗法诊所和/或使用放射疗法机来处理患者有关的任何属性。辐射参数可以包括但不限于不同的处理模式、用于外束放射疗法的场几何设置、副作用预测、器官和/或肿瘤分割、机器疗法属性、剂量管理属性(例如,剂量的量)、处理频率、处理定时等。分析服务器110a可以提供对患者的剂量分布的校准预测。如图5-图6中所描绘的,预测值可以被用于评估辐射参数和/或使剂量分布可视化。另外或备选地,计划优化器可以获取预测的剂量分布值,以迭代地改进患者的处理计划。
分析服务器110a可以托管操作本文描述的任何电子设备的用户(例如,终端用户)可访问的网站,其中可以基于每个特定用户的角色或查看权限来控制经由各种网页呈现的内容。分析服务器110a可以是包括能够执行本文描述的各种任务和过程的处理器和非暂态机器可读存储装置的任何计算设备。这种计算设备的非限制性示例可以包括工作站计算机、膝上型计算机、服务器计算机等等。虽然系统100包括单个分析服务器110a,但是分析服务器110a可以包括在诸如云环境之类的分布式计算环境中操作的任何数目的计算设备。
分析服务器110a可以执行被配置为显示电子平台(例如,托管网站)的软件应用,该软件应用可以生成各种网页并将其提供给每个电子数据源120和/或终端用户设备140。不同的用户可以使用网站来查看预测结果和/或与预测结果交互。
分析服务器110a可以被配置为要求基于一组用户认证凭证(例如,用户名、密码、生物特征、加密证书等等)进行用户认证。分析服务器110a可以访问被配置为存储用户凭证的系统数据库110b,分析服务器110a可以被配置为参考用户凭证以便确定一组输入的凭证(据称正在对用户进行认证)是否与标识和认证用户的一组适当的凭证相匹配。
分析服务器110a还可以存储与操作一个或多个电子数据源120和/或终端用户设备140的每个用户相关联的数据。分析服务器110a可以使用该数据来权衡交互,同时相应地训练各种AI模型111。例如,分析服务器110a可以指示用户是医疗专业人员,其输入可以被监视并被用于训练本文描述的机器学习或其他计算机模型111。
分析服务器110a可以生成用户界面(例如,托管或呈现网页),该用户界面基于系统100内的特定用户的角色来呈现信息。在这种实现中,用户的角色可以由在系统数据库110b中存储的用户记录中的数据字段和输入字段来定义。分析服务器110a可以认证用户,并且可以通过执行访问目录协议(例如,LDAP)来标识用户的角色。分析服务器110a可以生成根据由系统数据库110b中的用户记录定义的用户角色而自定义的网页内容。
分析服务器110a可以从用户(医疗专业人员)接收RTTP数据(例如,针对先前实施的处理的患者和处理数据)或者从数据存储库检索这种数据、分析该数据,并在电子平台上显示结果。例如,在非限制性示例中,分析服务器110a可以从数据库120d查询和检索医学图像,并且将医学图像与从操作医师设备120b的医师接收的处理数据进行组合。然后,分析服务器110a可以执行各种模型111(存储在分析服务器110a或系统数据库110b内)以分析检索的数据。然后,分析服务器110a经由管理员计算设备150、电子医师设备120b和/或终端用户设备140上的电子平台来显示结果。
电子数据源120可以表示包含、检索和/或输入与患者及其处理相关联的数据(例如,患者数据、处理计划和辐射参数)的各种电子数据源。例如,分析服务器110a可以使用诊所计算机120a、医师设备120b、服务器120c(与医师和/或诊所相关联)和数据库120d(与医师和/或诊所相关联)来检索/接收与特定患者的处理计划相关联的数据。
最终用户设备140可以是包括能够执行本文描述的各种任务和过程的处理器和非暂态机器可读存储介质的任何计算设备。终端用户设备140的非限制性示例可以是工作站计算机、膝上型计算机、平板计算机和服务器计算机。在操作中,各种用户可以使用终端用户设备140来访问由分析服务器110a操作地管理的GUI。具体地,终端用户设备140可以包括诊所计算机140a、诊所数据库140b、诊所服务器140c、医疗设备(诸如CT扫描机、放射疗法机(例如,线性加速器或钴机)等等(140d))、以及临床设备140e。
管理员计算设备150可以表示由系统管理员操作的计算设备。管理员计算设备150可以被配置为显示由分析服务器110a生成的辐射参数和/或检索的数据(例如,各种分析度量和/或场几何),其中系统管理员可以监视由分析服务器110a、电子数据源120和/或终端用户设备140使用的各种模型111;审查反馈;和/或促进由分析服务器110a维护的神经网络的训练或校准。
在操作中,医师可以访问在医师设备120b上执行的应用并输入患者数据和患者的处理数据(例如,患者信息、患者诊断、放射疗法辐射要求和阈值、热点和冷点阈值等)。然后,分析服务器110a可以使用患者标识符以从电子数据源120查询患者数据(例如,患者解剖结构和/或医学图像)。然后,分析服务器110a可以利用本文描述的系统和方法为患者生成优化的处理计划和/或剂量分布,并且将结果显示到医师设备120b、临床计算机140a和/或医疗设备140d上(例如,显示到放射疗法机的显示屏上)。
分析服务器110a可以与医疗设备140d通信(实时或近实时),使得托管医疗设备140d的服务器/计算机可以基于由分析服务器110a生成的辐射参数来调整医疗设备140d。例如,放射疗法机可以基于由分析服务器110a确定的角度和其他属性/参数来调整台架和诊察台。分析服务器110a可以向放射疗法机发送指示任何数目或类型的辐射参数(例如,场几何设置)指令,以促进这种调整。
分析服务器110a可以存储AI模型111(例如,神经网络、随机森林、支持向量机等),AI模型111被训练以预测剂量分布属性以在放射疗法诊所对患者进行处理。分析服务器110a可以使用患者数据和与先前被处理的患者相关联的处理数据来训练AI模型111。例如,分析服务器110a可以从任何数据源120接收患者数据(例如,身体属性和诊断)和处理数据(例如,与如何执行处理相对应的数据,包括实际和预测的剂量分布以及在患者的处理期间使用的其他辐射参数)。
然后,分析服务器110a可以生成一组或多组标记的(或者有时未标记的)训练数据集,其指示用于处理患者的辐射参数(以及它们是否是可接受的)。分析服务器110a可以将标记的训练数据集的集合输入到所存储的AI模型111中用于训练(例如,监督的、无监督的和/或半监督的训练),以训练AI模型111预测针对未来处理的剂量分布。分析服务器110a可以继续将训练数据馈送到AI模型111中,直到AI模型111精确到期望的阈值,然后将AI模型111存储在数据库(例如,数据库110b)中。在图1的图示中,AI模型111被示出为由分析服务器110a执行,但是也可以被存储在分析服务器110a或系统数据库110b上。
存储在数据库110b中的AI模型可以与单独的放射疗法诊所或另外不同的放射疗法机组(例如,位于单独的放射疗法诊所、位于不同的地理区域、处理具体类型的疾病(例如,不同类型的癌症)、处理特定的性别等)相对应。例如,每个AI模型111可以与指示放射疗法诊所、放射疗法机组或特定疾病(该模型被配置为针对该特定疾病预测剂量分布数据)的标识符相关联。
放射疗法诊所的操作员可以访问位于诊所的终端用户设备140或访问与诊所相关联的账户。操作员可以在用户界面处提供输入,使终端用户设备140发送对与诊所和/或位于诊所内的放射疗法机相关联的特定AI模型111的访问请求。该请求可以包括与AI模型111、诊所和/或放射疗法机组相关联的标识符,分析服务器110a可以将该标识符用作查找表中的关键字以标识期望的AI模型111。服务器110a可以接收请求(并且在一些情况下,在认证用户之后)经由该标识符来标识AI模型111。分析服务器110a可以将所标识的AI模型111发送给终端用户设备140,或者发送指示终端用户设备被授权访问所标识的AI模型111的警报。在接收或访问AI模型111时,终端用户设备140可以执行本文描述的系统和方法来校准AI模型111,以预测针对患者的剂量分布数据。
图2图示了根据一个实施例的在自动剂量分布分析系统中执行的过程的流程图。方法200包括步骤210-220。然而,其他实施例可以包括附加或备选的步骤,或者完全可以省略一个或多个步骤。方法200被描述为由诸如图1中描述的分析服务器110a之类的分析服务器来执行。然而,方法200的一个或多个步骤可以由在图1中描述的分布式计算系统中操作的任意数目的计算设备来执行。例如,一个或多个计算设备可以本地执行图2中描述的部分或全部步骤,或者云设备可以执行这种步骤。
在步骤210处,分析服务器可以执行人工智能模型以标识针对患者的解剖区域的剂量分布值,该人工智能模型使用训练数据集来训练,该训练数据集包括与多个先前对多个先前患者实施的放射疗法处理相关联的数据以及与每个先前患者的一个或多个解剖区域相关联的剂量分布。
分析服务器可以访问基于与先前处理过的患者相对应的训练数据集来训练的AI模型(例如,神经网络、卷积神经网络或诸如随机森林或支持向量机之类的任何其他机器学习模型)。分析服务器可以将患者的信息(例如,患者的身体属性、包括肿瘤数据的患者的处理属性,和由处理医师产生的其他数据)应用到经训练的AI模型。因此,经训练的AI模型可以预测新的剂量分布值,或标识(评估)针对患者的解剖区域的现有剂量分布值。如本文中所使用的,患者的解剖区域可以指包括PTV和/或OAR中的至少一者的患者的任何区域。
在访问或执行AI模型之前,分析服务器可以使用与先前处理过的患者相关联的数据来训练AI模型以预测针对患者的剂量分布。AI可以由分析服务器或外部数据处理系统来训练。如本文中所使用的,先前处理过的患者可以与由特定诊所或一组诊所处理的患者相对应。分析服务器可以生成训练数据集,该训练数据集包括与对先前处理过的患者以及其处理计划相关联的数据(例如,计划目的、辐射参数、或与如何实施处理相关联的任何其他数据)。附加地或备选地,分析服务器可以使用与其他诊所相关联的患者数据来扩充训练数据集。
分析服务器可以包括与先前处理过的患者相关联的各种属性,诸如训练数据集中患者的身体属性(例如,身高和体重)和疾病属性(例如,肿瘤位置)。分析服务器还可以收集与患者的处理相关联的处理数据。与先前处理过的患者相关联的处理数据的一个示例可以包括患者的剂量体积直方图(DVH)。如本文中所使用的,DVH可以指将辐射剂量与放射疗法计划中的组织体积相关的直方图。目前,DVH最常被用作计划评估工具,并且被用于比较来自不同计划的剂量或者将其与结构进行比较。DVH基于特定处理计划来总结(例如,可以以二维或三维图表直观地表示)患者处理的剂量分布。因此,AI模型可以确定针对已被执行的处理的剂量分布。与患者的处理相关联的数据的另一示例可以包括与患者的处理相对应的临床目标。如本文所讨论的,临床目标可以与DVH结合使用,使得训练数据集包括每个患者的处理的全貌观。
分析服务器可以使用(针对先前的患者的)DVH来标识临床目标并相应地训练AI模型。一般来说,DVH表示一条曲线(例如,2D曲线),其标识每个结构(例如,患者的不同器官)内从体积=0%到100%的所有剂量体积点。然而,最初的临床目标(通常被转化为针对计划生成的优化目标)可以由DVH曲线上的单个点来表示。在一些配置中,这些单个点在评估阶段中可能比DVH内的其他点具有更高的相关性。临床目标可以特定于特定处理部位、针对患者的剂量处方方案、和/或针对患者的特定重要性顺序。分析服务器可以使用临床目标来基于患者的临床目标而确定实现了哪些剂量分布值。使用该信息,分析服务器可以训练AI模型。
附加地或备选地,分析服务器可以使用不同的方法检索临床目标。例如,由分析服务器定义的临床目标也可以是平均剂量值。因此,分析服务器可以(使用DVH或其他方法)计算平均剂量值并且使用平均剂量值作为临床目标。在其他示例中,临床目标可以是其他生物学相关的计算,如广义等效剂量。
除了使用DVH之外或作为其备选,分析服务器可以利用与先前患者相关联的任何剂量分布指示器来训练AI模型。因此,训练不限于DVH。分析服务器可以从数据存储库检索任何剂量分布,其中剂量分布指示如何在患者的特定解剖区域内分配剂量。使用该剂量分布并按照计划目的和临床目标,分析服务器可以使用各种训练技术来训练AI模型。对于监督训练方法,分析服务器可以使用由临床专家提供的标签信息来训练AI模型。
当分析DVH时,分析服务器还可以考虑它们对应的临床目标和计划目的。这些附加信息可以提供有关用于患者解剖区域(例如,结构)的剂量分布的附加背景。例如,两名不同的患者可能接受过处理并且可能具有非常相似的DVH。然而,由于每位患者可能有不同的临床目标和计划目的(因为每位患者的疾病需要不同的分布并且可能需要不同的阈值),一名患者的DVH可能会违反该患者独特的临床计划。因此,分析服务器可以使用关于每个DVH的背景数据来训练AI模型。
如本文所述,AI模型可以被训练以预测针对患者的剂量,包括热点和冷点。附加地或备选地,分析服务器可以训练AI模型以基于训练数据来识别来自给定剂量分布的剂量模式。例如,分析服务器可以标识使用常规方法(例如,手动方法或基于计算机的方法)无法识别的隐藏模式。然后,分析服务器可以通过分析各种其他属性(诸如患者属性和/或临床目标和计划目的)来增强这种识别。
分析服务器还可以包括训练数据集内先前被处理的患者的任何医学图像。例如,分析服务器可以检索在患者处理之前、期间或之后产生的医学图像(例如,计算机断层扫描(CT)图像)。训练数据集还可以包括与先前处理过的患者相关联的处理目标(本文中也被称为计划目标)。放射疗法处理计划的处理目标可以指由医师或临床医生实施的各种预定规则和阈值。遵循处理目标可能必需在向PTV递送高剂量处理与向介入组织(例如,OAR)递送低剂量处理之间获得最佳平衡。因此,该目标提供了可以指导患者处理的阈值和规则。目标中包括的阈值的示例可以是剂量阈值。例如,处理医师可以指示必须由PTV和/或OAR接收的最大或最小剂量。
该目标还可以包括各种规则和阈值以标识和避免热点和/或冷点。如本文中所使用的,热点是指接收高于由目标指示的边界的辐射剂量的患者的解剖区域或结构的分段或部分(例如,区域、点、体素、或任何其他体积)。例如,该目标可以指示PTV应接收50Gy的剂量。该目标还可以指示接收超过110%剂量的结构部分的任何结构是热点。因此,该目标提供了10%的阈值,并且指示PTV不应接收超过预定阈值的辐射剂量。如果PTV接收超过55Gy,则PTV(或接收55Gy的PTV的分段)被视为热点。
相反,如本文中所使用的,冷点是指接收少于规定量的患者解剖区域的一部分。例如,该目的可以指示PTV必须接收50Gy辐射。该目的还可以将冷点定义为接收少于规定剂量的90%。因此,如果PTV接收小于45Gy,则PTV(或接收45Gy的PTV的分段)被视为冷点。
在一些配置中,AI模型还可以被训练以标识(或预测)本文讨论的各种规则和阈值。具体而言,用于标识热点或冷点(不需要的剂量区域)的规则/阈值可以是执行AI模型的结果。例如,在一般处理目标不包括有关健康组织剂量的规则/阈值的情况下,可以训练AI模型以识别热点和/或冷点。AI模型可以考虑由医疗专业人员执行的手动微调以进一步完善其训练,以标识需要手动微调的规则和阈值。医疗专业人员通常会进行手动微调,以确保剂量分布在许可的公差和界限内。因此,即使AI模型可能不接收定义热点或冷点的明确阈值,该AI模型也可以基于医疗专业人员如何调整患者处理计划的一个或多个属性来插值和推断阈值。
训练数据集可以包括与位于不同放射疗法诊所、位于不同地理区域(例如,不同的城市、县、州等)、处理具有不同特性(例如,具有不同的性别、体重、身高、体型等)的患者、和/或处理患有不同疾病的患者(例如,患有不同类型的癌症的患者)的放射疗法机相关联的处理数据。因此,这组患者可能包括具有一组多样化特性的患者,这些特性可以被用于训练AI模型以预测针对广泛人群的辐射参数。
分析服务器可以使用各种过滤协议来生成训练数据集以控制AI模型的训练。例如,训练数据集可以被过滤,使得训练数据集与先前在特定诊所处理过的患者和/或具有具体属性(例如,疾病类型或处理模式)的先前处理过的患者相对应。附加地或备选地,分析服务器可以生成特定于特定患者的训练数据集。例如,处理医师可以为特定患者开出一系列放射疗法处理的处方。当患者接收他/她的放射疗法时,分析服务器可以收集与每次处理相关联的数据。然后,分析服务器可以生成特定于患者并包括与该特定患者的处理相关联的数据的训练数据集。
分析服务器可以标记训练数据集,使得AI模型可以区分期望的结果和不期望的结果。可以自动和/或使用人工干预来执行对训练数据集的标记。例如,分析服务器可以分析处理计划、DVH和/或针对先前处理过的患者的临床目标的实现值,并且可以标识各种热点或冷点(例如,通过将接收的剂量与计划目标阈值进行比较)。然而,在一些情况下,热点或冷点的数学计算和标识可能无法为机器学习目的指示正确的标签。例如,接收大于或小于预定阈值的处理剂量的患者器官的任何部分可以分别被指定为热点或冷点。然而,在一些情况下,热点和/或冷点可能并不指示计划错误。例如,OAR内的冷点可能是可接受的,因为冷点指示OAR正在接收比预期少的剂量。在放射疗法处理的背景下,接收较少剂量的OAR可以指示良好的计划(例如,靠近患者肿瘤的患者器官接收的有害辐射较少)。在另一示例中,位于肿瘤中心内的热点可能是可接受的。因为PTV内的热点可能指示肿瘤正在接收比预期更多的有害剂量,而这可能是可接受的。因此,热点或冷点的存在并不一定指示计划不好。
在另一示例中,冷点或热点是否可接受可以取决于患者的属性,诸如特定疾病或患者肿瘤的位置。例如,位于患者头部和/或颈部区域内的肿瘤内的热点可能是可接受的。然而,如果肿瘤位于其他地方(例如,前列腺癌),则具有相同属性的热点可能是不可接受的。在另一示例中,冷点或热点是否可接受可以取决于位于PTV周围的OAR(例如,某些器官被视为比其他器官更重要)。
为了纠正上述的标记挑战,分析服务器可以在电子平台上显示与患者先前的处理相关联的各种数据属性,其中医学专家可以审查该数据并确定热点或冷点是否是可接受的。使用自动和/或手动标记,分析服务器可以标记训练数据集,使得在训练时,训练AI模型可以区期望和不期望的热点和冷点。
生成处理计划(并且更具体地是确定针对患者的理想剂量分布)可以包括评估成本函数。虽然目标是将所有剂量施加到患者的PTV而不将任何剂量施加到患者的OAR,但是这个目标可能不太现实,因为当剂量被施加给PTV时,某些OAR总是会接收残留剂量。因此,处理计划者(无论是人类计划者、算法计划、或者使用AI建模技术进行计划)必须平衡由OAR接收的剂量的量与施加给PTV的剂量的重要性。在一些情况下,计划者可能会牺牲OAR,使得PTV接收适量的剂量。计划者可以最小化由患者的OAR接收的剂量(本文也被称为成本)并且权衡所接收的剂量的量与由患者的PTV所接收的剂量。因此,在一些情况下,分析服务器还可以允许人工审核者标识先前的患者处理是否是可接受的,即使先前的患者处理包括了在数学上指示不可接受或低于期望的处理计划的热点或冷点。
在完成训练数据集之后,分析服务器可以使用各种机器学习方法来训练AI模型。分析服务器可以使用监督、半监督和/或无监督训练或使用强化学习方法来训练AI模型。例如,可以训练AI模型来预测用于患者的剂量分布。为此,AI模型可以获取训练数据集内单个患者的特性值,其中标签指示对患者的正确预测(例如,可接受和不可接受的剂量分布的示例)。AI模型可以基于单个患者的相应特性来输出剂量分布值,并且可以将输出与标签进行比较。使用反向传播技术,AI模型可以基于预期输出(例如,训练数据集中的基本事实)和实际输出(例如,由AI模型预测的输出)之间的差异来更新其权重和/或参数,以更好地预测未来的病例(例如,新的患者)。
分析服务器可以继续该训练过程,直到AI模型被充分训练(例如,精确到预定阈值以上)。在一些情况下,在确定AI模型已被充分训练时,计算机可以将AI模型存储在存储器中。
附加地或备选地,分析服务器可以训练AI模型从PTV和OAR的患者图像轮廓来预测剂量分布值。因此,经训练的AI模型能够基于患者的医学图像(和其他数据)准确预测针对不同处理模式(例如,强度调制放射疗法(IMRT)或体积调制弧形疗法(VMAT))的剂量分布值。分析服务器可以继续训练AI模型,直到达到预定阈值为止。例如,分析服务器可以继续训练AI模型,并且根据处方剂量的真实等剂量体积(例如,基本事实)来判定经训练的模型预测的输出。分析服务器可以在将预测结果与基本事实进行比较时生成Dice系数,并且可以继续训练AI模型,直到Dice系数达到预定水平为止。
AI模型可以是以分层方式布置的多层系列神经网络。当被训练时,AI模型可以执行轮廓到剂量映射协议来预测剂量分布值。AI模型可以获取医学图像并分析所述图像,以将训练数据集中所有患者的肿瘤中心与身体边缘连接起来。AI模型可以在分析医学图像之前执行各种预处理协议以对医学图像去噪。例如,AI模型可以使用器官分割和轮廓修整来检测医学图像中可能会阻碍训练过程的各种异常物。这些异常物的非限制性示例可以包括牙齿填充物、人造髋关节、起搏器、基准标记、以及其他物体。
在一些配置中,计划者可以绘制不与患者的任何解剖结构相对应的人造结构。在计划者尝试手动指导和微调优化器行为的情况下,绘制人工结构是常见的做法。这种人工结构的手动绘制可能会导致自动优化工作流程中的计划质量下降,其中用户对优化流程几乎没有控制(如果有的话)。当面对计划者手动调整结构的用例时,分析服务器可以从优化器的输入(或训练数据集)检测并修改/移除非解剖结构。此外,以类似的方式,如果解剖结构相对于某个预定阈值偏离预期结构位置(例如,形状或尺寸)太多。
如本文中所使用的,基准标记是指一种成像引导方法,其中技术人员在准备放射疗法时将称为基准标记的小金属物体放置在肿瘤中或附近。因此,基准标记有助于准确指出肿瘤的位置,并且允许处理团队向肿瘤递送最大的辐射剂量而不伤害健康组织。虽然基准标记有助于医疗专业人员对肿瘤进行标识,但它们的图像可能会阻碍训练过程,因为金属物体可能会不适当地干扰AI模型对医学图像的分析。结果,分析服务器可以从训练数据集中修改/移除这些图像。备选地,分析服务器可以标识这些异常物,并且作为预处理训练数据集的一部分,可以裁剪医学图像中包括这些异常物的分段。
AI模型可以获取训练数据集中的所有数据以标识数据点之间的隐藏模式和连接。为了防止AI模型过度拟合,分析服务器可以使用各种丢弃正则化协议。在一个示例中,丢弃正则化可以由下式来表示:
可以使用经验数据迭代地计算对丢弃参数的选择,直到验证损失和训练损失之间的差距在训练期间不会趋于增加为止。为了评估AI模型的整体性能,分析服务器可以选择一组患者(例如,测试集)。然后,分析服务器可以对剩余患者执行交叉验证过程。分析服务器可以将预测值与训练数据集内的真实值和实际值(例如,一个或多个患者的先前处理)进行比较。例如,分析服务器可以生成表示针对测试患者病例的PTV和OAR的(实际与预测)差异的值。使用该值,分析服务器可以判定AI模型的训练情况。
分析服务器可以训练AI模型,使得AI模型被自定义以预测与对应的训练数据集相关联的值。例如,如果分析服务器使用特定于患者的训练数据集来训练AI模型,则可以为该患者定制预测结果。在另一示例中,分析服务器可以训练AI模型,使得针对具体类型的疾病(例如,前列腺癌)来训练AI模型。
完成训练后,AI模型就准备好预测针对患者的剂量数据。分析服务器可以经由云或通过从本地数据存储库检索或接收AI模型来访问经训练的AI模型。例如,分析服务器可以将密码或令牌传输给在云中存储AI模型的设备以访问该AI模型。在另一示例中,响应于被充分训练的AI模型或者响应于来自分析服务器的GET请求,分析服务器可以自动地接收或检索AI模型。
分析服务器可以使用包括接收处理的患者的特性值的新数据集来执行经训练的AI模型以生成预测的剂量分布。分析服务器可以通过顺序地馈送与患者相关联的数据来执行AI模型。分析服务器(或AI模型本身)可以生成包括患者特性值(例如,身高、体重、性别、肿瘤大小、肿瘤位置、年龄、处方剂量、体重指数、靶标和器官的图像数据等)的向量并将该向量输入到AI模型中。AI模型可以获取该向量,分析底层数据,并且基于AI模型在训练期间已获取的权重和参数来输出各种预测。
分析服务器可以经由用户界面从用户(例如,临床医生、医生、或患者本身)接收患者的特性值和/或辐射参数,并且生成包括这些值的特征向量。附加地或备选地,响应于接收到患者的标识符,分析服务器可以从存储中检索患者的特性值以将其包括在特征向量中。分析服务器可以将特征向量输入到AI模型中,并且从AI模型获得输出。
分析服务器可以基于经由电子平台的用户界面提供的患者标识符来接收患者的特性。例如,临床医生可以经由终端用户设备将患者的名字输入到用户界面中,并且终端用户设备可以将该名字传发送到分析服务器。分析服务器可以使用患者的名字来查询包括患者信息的数据库,并且检索关于该患者的信息,诸如患者的电子健康数据记录。例如,分析服务器可以在数据库中查询与患者的解剖结构相关联的数据,诸如身体数据(例如,身高、体重和/或体重指数)和/或其他健康相关数据(例如,血压或与接收放射疗法处理的患者相关的其他数据)和/或几何数据。分析服务器还可以检索与由患者接收的当前和/或先前的医疗处理相关联的数据(例如,与患者先前的手术相关联的数据)。
如果有必要,分析服务器还可以分析患者的医疗数据记录以标识所需的患者特性。例如,分析服务器可以查询数据库以标识患者的体重指数(BMI)。然而,由于许多医疗记录没有被数字化,所以数据处理系统不能使用简单的查询技术来接收患者的BMI值。因此,分析服务器可以检索患者的电子健康数据,并且可以执行一个或多个分析协议(例如,自然语言处理)来标识患者的身体质量指数。在另一示例中,如果分析服务器没有接收肿瘤数据(例如,端点),则数据分析服务器可以执行各种图像识别协议并标识肿瘤数据。分析服务器在准备或预处理训练数据集时也可以使用这些方法。
分析服务器可以从一个或多个医疗专业人员接收附加的数据。例如,处理肿瘤学家可以访问由分析服务器生成/托管的平台,并且可以添加、移除或修改与特定患者相关联的数据,诸如患者属性、辐射参数、肿瘤属性、主要处理部位、肿瘤阶段、端点、原发肿瘤是否已扩散等。由于肿瘤分期和最终水平属性是影响患者处理的敏感信息,因此该信息通常由处理肿瘤学家输入。
由分析服务器接收的数据(例如,患者/处理数据)可以属于三个类别:数字、分类和视觉。数值的非限制性示例可以包括患者年龄、身体属性、以及描述患者的其他属性。分类值的非限制性示例可以包括与患者相关联的处理或疾病的不同阶段。视觉数据可以包括表示患者及其处理区域的医学图像,诸如CT扫描或图示患者肿瘤的其他扫描。
患者特性的另一示例可以包括具体的肿瘤位置。更具体地说,该数据可以指示原发肿瘤相对于患者中心线的位置。该数据可以由处理肿瘤学家输入,或者可以使用对患者的医学图像执行的各种图像标识或分割方法进行分析。如果该信息不是由处理肿瘤学家输入(或由数据处理系统以其他方式接收),则也可以使用机器学习模型来预测该信息。另一患者属性可以指示肿瘤与其他非患病器官(也被称为处于危险中的器官或OAR)是否接近以及有多接近。例如,要根除的肿瘤可能距离另一器官几毫米远。该信息可以改变视野几何形状,因为必须避开其他器官。
分析服务器还可以接收与患者的处理相关联的计划目标。例如,分析服务器可以接收需要给予PTV的剂量。处理数据还可以包括各种公差和阈值。阈值可以包括指示热点和冷点的剂量阈值。如本文中所使用的,热点被定义为PTV外部接收大于指定PTV剂量的100%(或任何其他阈值)的剂量的体积。相反,冷点是指其中接收剂量小于阈值(例如,小于70%)的区域(例如,患者PTV或OAR的分段)。
分析服务器可以将患者的数据和计划目标应用到经训练的AI模型。使用患者的医学图像以及所标识的PTV和OAR,AI模型可以预测指示由PTV和/或OAR(例如,PTV或OAR的不同分段或体素)接收的剂量的值。例如,AI模型可以预测由患者解剖区域内的分段(例如,患者的OAR或PTV的不同分段)接收的剂量值。例如,AI模型可以预测包括PTV在内的患者解剖区域的Gy值。
如本文将描述的,由AI模型生成的预测值可以以各种方式用于进一步的分析、评估和/或优化患者的处理计划。在一个示例中,由AI模型输出的值可以被显示在图形用户界面上。在另一示例中,AI模型的输出可以被另一软件应用(例如,计划优化器)获取。在又一示例中,AI模型可以被用于评估由另一软件解决方案(例如,计划优化器)生成的处理计划。尽管这些示例在本文中是单独呈现的,但是本领域技术人员将理解,分析服务器可以执行上述示例的任意组合。例如,分析服务器可以可视化AI模型的预测,并且将该预测发送给另一软件解决方案以优化患者的处理计划。
除了预测本文讨论的剂量的量之外,经训练的AI模型还可以预测与剂量分布值和/或处理计划相关联的置信度得分。置信度得分可以与由AI模型预测的剂量分布的鲁棒性值相对应。例如,分析服务器可以使用本文描述的方法来分析预先存在的处理计划(例如,通过允许经训练的AI模型获取该计划并确定该计划是否符合各种临床目标和计划目的)。AI模型可以确定剂量分布满足计划者所有的目的和目标。然而,AI模型也可以确定患者位置的变化(例如,患者定位或内部器官移动)可能导致处理计划偏离临床目标和计划目的。因此,AI模型可以确定处理计划虽然是可以接受的,但不是一个鲁棒的计划。因此,鲁棒性值表示当属性(例如,患者定位)发生变化时处理计划偏离临床目标和计划目的的可能性。
在非限制性示例中,AI模型分析两个处理计划。AI模型指示两个处理计划都符合本文讨论的各种规则和阈值(例如,该计划不会产生热点和/或冷点)。然而,AI模型生成对于第一处理计划来说明显较低的置信度值。这指示,当一个或多个因素(例如,患者在接收处理时的位置)改变时,第一处理计划更有可能违反本文讨论的一个或多个规则和阈值(例如,产生热点或冷点)。
在步骤220处,分析服务器可以显示具有分段集的热图,其中每个分段与患者的解剖区域的第一坐标和第二坐标相对应,其中每个分段的视觉属性与所计算的剂量分布值相对应,其中与超过第一阈值的热点或低于第二阈值的冷点相对应的至少一个分段在视觉上与热图内的其他分段明显不同。
现在参考图5和图6,图示了由AI模型预测的可视化剂量分布的非限制性示例。具体地,图5图示了由AI模型预测的剂量分布可视化的四个不同示例(例如,图表510-540)。每个图表表示患者解剖区域内的剂量分布的热图,其被显示在诸如网页之类的用户界面500、600上,用户界面可以示出具有热图分布的一个或多个图表。在一种配置中,分析服务器的处理器呈现这些图表以用于在用户界面上显示。
图表510图示了患者解剖区域内的不同分段。具体地,图表510-540内的X轴和Y轴表示患者的解剖区域内的距离。这些距离可以被用于标识患者解剖区域的分段内的剂量分布。例如,分段514视觉地指示所预测的将在患者解剖区域的区域内被接收的剂量值,该区域与由分段514的X轴和Y轴坐标(X轴上的9-10和23-24上的23-24)指示的距离相对应。
分析服务器可以向每个图表内的每个分段分配颜色,其中颜色指示由AI模型预测的剂量值。分析服务器可以基于着色方案来确定颜色,其中每种颜色和/或阴影表示由AI模型预测的剂量值。在一些实施例中,如图5中所描绘,颜色越亮表示剂量越高。因此,如所描绘的,AI模型预测分段516比分段514接收更高的剂量。此外,AI模型预测分段514比分段518接收更高的剂量。尽管所图示的热图使用不同的颜色(不同的阴影)以区分不同的预测剂量值,然而分析服务器可以使用任何视觉方案(例如,着色方案)来区分不同的预测值,诸如通过修改任何视觉属性(例如,填充图案)。
使用所描绘的热图,用户可以快速且容易地标识大浓度的预测剂量值。例如,分段520可以指示接收最高剂量的PTV的一部分(或全部)。这可以指示分段520对应于位于患者器官内的肿瘤。分析服务器还可以指示在所图示的热图中存在热点。例如,分析服务器可以显示指示热点的位置的热点512。图表520-540是类似的热图,其直观地传达了由AI模型预测的剂量分布值。图表520-540还可以在视觉上指示标识热点(例如,热点522、532和542)。
使用图5中描绘和描述的热图,用户可以容易地确定热点是否是可接受的。例如,如上所述,热点512被预测为在与PTV相对应的分段520内。因此,在某些处理中,在PTV内存在热点可能是可接受的。因此,即使AI模型预测到热点,查看图表510的人工审核者也可以审查热点512并将其指定为可接受的。相反,热点522和532被预测为在PTV的524或534之外。因此,人工审核者可以快速标识这些热点可能违反一个或多个计划目标。此外,热点542被预测为位于非常靠近PTV 534的位置。结果,查看图表540的人工审核者可以确定进一步分析与图表540相对应的针对患者的剂量分布。
现在参考图6,图表610-640描绘由AI模型针对患者解剖区域预测的剂量分布值的非限制性示例。图表610-640遵循如图5中所描述的类似格式(坐标)和着色方案。虽然图5中描绘的图表图示了热点,但是图表610-640标识了冷点。具体地,分析服务器图示了冷点612、622、632和642。查看图表610-640的人工审核者可以容易且快速地标识这些冷点并确定所预测的冷点是否是可接受的。具体地,冷点612、622和632被预测为出现在每个患者的PTV内。当冷点出现在PTV内时,通常这些冷点是不可接受的。因此,人工审核者可以确定冷点612、622和632是不可接受的。相反,预测冷点642出现在PTV的边缘上。这可以指示冷点被预测出现在患者的OAR内,这通常是可接受的。
如本文所描述的,分析服务器可以显示图5-图6中描绘的图表以视觉地图示由AI模型预测的值。图5-图6中图示的图表可以被自定义,使得它们各自显示针对患者的某个解剖区域的预测值。终端用户可以自定义X轴和Y轴,使得分析服务器可以图示患者的不同解剖区域和/或改变分段的粒度。此外,每个终端用户都可以自定义热图的着色方案。
分析服务器还可以显示输入字段,其中人工审核者(查看图5-图6中描述的GUI)可以接受、拒绝或修改处理计划。例如,人工审核者(医疗专业人员)可以将热点或冷点指定为可接受的。相反,人工审核者可以使用输入字段来指示患者的处理计划是不可接受的,并且指示计划优化器生成新的计划。
附加地或备选地,由AI模型生成的输出可以由不同的软件解决方案(例如,计划优化器)获取。计划优化器可以使用由AI模型预测的数据以针对患者生成最佳处理计划。处理计划可以包括在放射疗法处理期间要使用的各种辐射参数。例如,这些辐射参数可以包括每个辐射束的类型、角度、辐射强度和/或形状。在确定这些参数时,计划优化器尝试实现要递送给患者的辐射剂量分布,该分布满足例如由计划目标设置的预定义标准。这种标准通常包括PTV和OAR要满足的预定义辐射剂量阈值或范围。
为了以满足计划目标的预定义标准的方式来优化辐射参数,处理计划者通常用各种辐射参数来运行多个模拟,并且基于模拟结果来选择要使用的最终辐射参数集。该过程通常涉及在每次模拟后迭代地修改辐射参数。这种方法可能耗时、乏味,并且可能无法提供最佳结果。辐射处理轨迹或路径的优化使处理计划的剂量测定质量得以提高。具体地,优化的目标是最小化(或保持低于对应的预定义上限值)针对OAR的辐射剂量的量,同时最大化(或保持高于对应的预定义下限值)针对PTV的辐射剂量的量。在这种情况下,根据优化的辐射处理轨迹设计的放射疗法可以导致杀死癌细胞,而不会损害或损伤关键器官或OAR。基于手动选择和关键器官优先次序的轨迹优化方法使处理计划者的任务对于用户来说变得困难且耗时,需要其中结果通常取决于处理计划者的经验和技能的试错过程。
为了改进计划优化过程,分析服务器可以将由AI模型预测的值发送给计划优化器。结果,计划优化器可以生成建议的处理计划,然后使用预测剂量来迭代地修改所建议的处理计划,直到处理计划被优化为止。
现在参考图3,图示了使用本文描述的方法和系统的工作流程的非限制性视觉示例。在非限制性示例300中,分析服务器向计划优化器330提供预测数据,以生成针对患者进行优化的建议的处理计划。分析服务器可以首先收集患者数据310。患者数据可以包括患者解剖数据310a、用户输入310b(经由用户界面从处理肿瘤学家接收,诸如肿瘤数据、PTV标识等等)、以及用于患者的处理的规则310c(例如,热点和冷点阈值以及其他计划目标)。分析服务器可以使用先前执行的辐射处理和对应的患者数据来训练机器学习模型320。然后,经训练的机器学习模型320可以标识各种权重/参数以预测针对患者的剂量分布。
分析服务器可以接收患者的RTTP文件并提取所需要的患者数据310。然后,分析服务器使用患者数据310来执行机器学习模型320,使得机器学习模型320获取患者数据310并预测针对包括患者的一个或多个器官的患者解剖区域的剂量分布。例如,机器学习模型320可以确定针对患者的PTV和(多个)OAR的不同体素的预测剂量分布。如上所述,使用先前执行的处理及其对应的患者数据、RTTP文件、用户输入、以及与患者的处理相关联的其他数据(例如,从处理医师接收的临床规则或特殊指令)来训练机器学习模型320。
经由机器学习模型320生成的结果可以被计划优化器330获取。计划优化器330可以是处理计划和/或监测软件解决方案。计划优化器330可以分析与患者和患者的处理相关联的各种因素,以生成并优化针对患者的处理计划(例如,处理患者所需要的场几何、处理模式、以及辐射参数)。由计划优化器330考虑的因素之一可以是机器学习模型320所预测的剂量分布。虽然计划优化器330可以将剂量分布考虑为因素,但是计划优化器330可以与所考虑的其他因素不同地权衡剂量分布以生成患者的处理计划。例如,由计划优化器330生成的处理计划可能不是由机器学习模型320预测的剂量分布决定的。计划优化器330可以使用各种成本函数分析协议,其中按照其他(有时更重要的)因素来评估剂量分布。在一些情况下,其他因素可能优先于剂量分布。
计划优化器330可以迭代地修改患者的处理计划,其中计划优化器330迭代地修改患者的处理计划的不同属性(例如,场几何)。对于每次迭代,计划优化器330可以将新的处理计划数据传输回机器学习模型330,由此机器学习模型330可以基于由计划优化器生成的修改处理数据来重新计算/重新预测新的剂量分布数据(迭代322)。计划优化器330和机器学习模型320可以重复迭代322,直到患者的处理计划被优化为止。当计划优化器完成患者的处理计划时,计划优化器330可以将建议的处理计划340发送给一个或多个电子设备,其中用户(例如,临床医生)可以审查所建议的计划。例如,所建议的处理计划340可以被显示在诊所的计算机上,其中放射疗法技术人员或处理肿瘤学家可以审查该处理计划。
如本文所描述的,计划优化器330可以使用各种成本函数来确定减少热点和/或冷点是否合适。在一些实施例中,计划优化器可以确定由机器学习模型320标识的热点和/或冷点的存在不能被矫正。因此,并非所有热点或冷点都可以被消除。例如,计划优化器330可以确定患者OAR内的冷点或患者PTV内的热点是可接受的。在另一示例中,计划优化器330可以确定患者OAR内的热点在患者的整体处理中是可接受的(即使不理想)。
除了上述实施例之外,分析服务器可以使用经训练的AI模型来独立地评估由计划优化器生成的计划。现在参考4,方法400图示了根据一个实施例的在自动剂量分布分析系统中执行的过程的流程图。方法400包括步骤410-430。然而,其他实施例可以包括附加或备选的步骤,或者可以完全省略一个或多个步骤。方法400被描述为由诸如图1中描述的分析服务器110a之类的分析服务器执行。然而,方法400的一个或多个步骤可以由在图1中描述的分布式计算系统中操作的任意数目的计算设备来执行。例如,一个或多个计算设备可以本地执行在图4中描述的部分或全部步骤,或者云设备可以执行这些步骤。
在步骤410处,分析服务器可以检索患者的放射疗法处理计划,其包括与患者相关联的计划剂量分布值。分析服务器可以与被配置为生成针对患者的处理计划的软件解决方案(诸如本文讨论的计划优化器)通信。计划优化器可以执行各种分析协议以标识和优化患者的处理计划。例如,计划优化器可以检索患者数据(例如,身体数据、疾病数据等等)。计划优化器还可以检索与患者的处理相关联的计划目标。使用上面提及的数据,计划优化器可以为患者生成处理计划,该处理计划包括各种处理和辐射参数,诸如处理模式的标识、场几何等等。然后,分析服务器可以从计划优化器检索所建议的处理。由计划优化器生成的计划可以包括各种剂量分布值。如下文将描述的,分析服务器可以执行AI模型来评估由计划优化器生成的计划。
在步骤420处,分析服务器可以使用放射疗法处理计划来执行人工智能模型,以至少部分地基于计划剂量分布值来预测患者解剖区域的剂量分布值,该人工智能模型是使用训练数据集训练的,该训练数据集包括与先前对多个先前患者实施的多个放射疗法处理相关联的数据以及与每个先前患者的一个或多个器官相关联的剂量分布。
分析服务器可以使用从计划优化器接收的数据(例如,从计划优化器接收的患者的处理计划和剂量分布值)来执行经训练的AI模型。附加地或备选地,AI模型还可以应用由分析服务器检索的患者数据(例如,计划目标和患者的属性)。结果,AI模型可以生成一组预测的剂量分布值。因为AI模型使用由计划优化器生成的处理数据,所以AI模型可以预测剂量分布,就好像根据由计划优化器生成的处理计划来处理患者一样。因此,AI模型根据由计划优化器生成的数据来模拟患者的处理。分析服务器可以根据本文描述的方法来标识热点和冷点。
在步骤430处,如果预测的剂量分布值超过预定阈值,则分析服务器可以发送警报。分析服务器可以评估由AI模型预测的热点和冷点。具体地,分析服务器可以将预测的剂量分布值与经由计划目标接收的阈值进行比较,以标识任何热点和/或冷点的存在。如果是这样,则分析服务器还可以计算热点或冷点的位置和强度。如果由计划优化器生成的处理计划被模拟以生成违反计划目标的一个或多个热点或冷点,则分析服务器可以将电子通知发送给与患者的处理相关联的一个或多个电子设备,诸如放射疗法机(例如,在放射疗法机上显示警报)和/或临床医生的计算机。
该通知可以提醒参与患者处理的医疗专业人员由计划优化器生成的处理计划被模拟为产生违反计划目标的(多个)热点和/或(多个)冷点。该通知还可以包括所预测的(多个)热点和/或(多个)冷点的可视化,如图5-图6中所描绘的。医疗专业人员可以审查由AI模型预测的异常,以接收或拒绝处理计划。
除了如上所讨论的训练AI模型之外,分析服务器还可以使用用户交互以进一步训练和重新校准AI模型。当终端用户在显示经由AI模型预测的结果的电子平台上执行活动时,分析服务器可以跟踪并记录用户活动的详细信息。例如,当预测结果被显示在用户的电子设备上时,分析服务器可以监视用户的电子设备以标识该用户是否通过编辑、移除、接受或修改结果而已经与预测结果进行了交互。分析服务器还可以标识每次交互的时间戳,使得分析服务器记录修改的频率、修改/纠正的持续时间。
分析服务器可以使用应用编程接口(API)来监视用户的活动。分析服务器可以使用可执行文件来监视用户的电子设备。分析服务器还可以经由在电子设备上执行的浏览器扩展来监视在电子设备上显示的电子平台。分析服务器可以监视多个电子设备和在电子设备上执行的各种应用。分析服务器可以与各种电子设备通信并且监视电子设备与在电子设备上执行应用的各种服务器之间的通信。
使用本文描述的系统和方法,分析服务器可以具有形式化方法,以基于取决于患者和/或患者处理的各种变量、参数和设置在单个自动化框架中生成、优化和/或评估剂量分布。本文描述的系统和方法使与诊所相关联(例如,位于诊所中)的服务器或处理器能够生成针对单个患者优化的辐射参数,从而取代了依赖技术人员或医生的主观技能和理解的需要。
现在参考图7,图示了使用本文描述的方法和系统的工作流程的另一非限制性视觉示例。在非限制性示例700中,分析服务器使用本文讨论的方法来评估由计划优化器730生成的计划。在所描绘的实施例中,计划优化器730和机器学习模型720可以独立地工作(与图4中所描绘的一起工作相反)。
分析服务器可以首先收集患者数据710。如上所述,患者数据710可以包括患者解剖数据710a、用户输入710b(从处理肿瘤学家接收的)、以及710c(计划目标)。分析服务器可以使用先前执行的放射疗法处理和对应的患者数据来训练机器学习模型720。然后,分析服务器可以将患者数据传输到计划优化器730,其中计划优化器730使用各种分析协议和成本函数,以使用患者数据710生成患者的处理计划(建议的处理计划740)。
然后,分析服务器可以将患者数据和/或所建议的处理计划740传输到经训练的机器学习模型720。然后,经训练的机器学习模型720可以使用本文描述的方法来计算针对患者的不同解剖区域(例如,PTV或OAR)的剂量分布值。具体地,经训练的机器学习模型720可以标识各种权重/参数,以基于患者数据710和/或所建议的处理计划740来预测剂量分布。因此,经训练的机器学习模型720基于所建议的处理计划740来模拟针对患者的剂量分布。结果,分析服务器可以在实施计划本身之前评估所建议的处理计划740的准确度和精度(例如,在患者的处理开始之前模拟剂量分布)。
然后,分析服务器可以将模拟的剂量分布值(由机器学习模型720生成的)与各种阈值进行比较,以确定所建议的处理计划740是否产生任何热点或冷点。如果分析服务器确定所建议的处理计划740产生超出预定可容忍量的剂量分布,则分析服务器可以生成通知并将该通知发送给与患者处理相关联的电子设备。例如,分析服务器可以发送通知并呈现要在放射疗法机和/或与诊所相关联的计算机(例如,临床医生的设备)上显示的警报。该警报可以通知临床医生或放射疗法技术人员所建议的处理计划740创建了超出可容忍量的剂量分布。
附加地或备选地,经训练的机器学习模式720(或分析服务器)可以将模拟的剂量分布值传输回计划优化器730(步骤750)。然后,计划优化器730可以使用模拟值来重新计算患者的处理计划并相应地生成新建议的处理计划。当计划优化器730生成新建议的处理计划时,经训练的机器学习模型720可以使用本文描述的方法来重新评估新建议的处理计划。计划优化器730和经训练的机器学习模型720可以迭代地重复该过程,其中,对于每次迭代,计划优化器730修改所建议的处理计划740并且经训练的机器学习模型720重新评估所修改的处理计划。该迭代过程可以继续,直到经训练的机器学习模型720确定所建议的处理计划740产生在可容忍阈值(例如,计划目的)内的剂量分布为止。
结合本文公开的实施例来描述的各种说明性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,上文已大体上按照其功能性来描述各种说明性部件、块、模块、电路和步骤。这种功能性是否被实现为硬件或软件取决于特定应用和对整个系统施加的设计约束。技术人员可以针对每个特定应用以变化的方式实现所描述的功能性,但是这种实现决策不应被解释为导致偏离于本公开或权利要求的范围。
以计算机软件实现的实施例可以以软件、固件、中间件、微代码、硬件描述语言、或其任意组合来实现。代码段或机器可执行指令可以表示过程、函数、子程序、程序、例程、子例程、模块、软件包、类,或指令、数据结构或程序语句的任意组合。代码段可以通过传递和/或接收信息、数据、变量、参数或存储器内容而耦合到另一代码段或硬件电路。信息、变量、参数、数据等可以经由任何合适的方式来传递、转发或传输,包括存储器共享、消息传递、令牌传递、网络传输等。
用于实现这些系统和方法的实际软件代码或专用控制硬件不限制所要求保护的特征或本公开。因此,在不参考具体软件代码的情况下描述了系统和方法的操作和行为,应当理解,软件和控制硬件可以被设计成基于本文描述来实现系统和方法。
当以软件实现时,功能可以作为一个或多个指令或代码被存储在非暂态计算机可读或处理器可读的存储介质上。本文公开的方法或算法的步骤可以体现在处理器可执行软件模块中,该处理器可执行软件模块可以驻留在计算机可读或处理器可读的存储介质上。非暂态计算机可读或处理器可读的介质包括计算机存储介质和便于将计算机程序从一处传输到另一处的有形存储介质。非暂态处理器可读存储介质可以是可由计算机访问的任何可用介质。作为示例而非限制,这种非暂态处理器可读介质可包括RAM、ROM、EEPROM、CD-ROM、或其他光盘存储、磁盘存储或其他磁存储设备、或任何其他有形存储介质,它们可以被用于以指令或数据结构的形式存储期望的程序代码并且可以被计算机或处理器访问。如本文中所使用的,磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘和蓝光盘,其中磁盘通常以磁性方式再现数据,而光盘则用激光以光学方式再现数据。上述各项的组合也应当被包括在计算机可读介质的范围内。另外,方法或算法的操作可以作为代码和/或指令的一个或任意组合或集合而驻留在非暂态处理器可读介质和/或计算机可读介质上,这可以被并入计算机程序产品中。
提供了公开实施例的前述描述以使本领域的任何技术人员能够做出或使用本文所描述的实施例及其变型。对这些实施例的各种修改对于本领域技术人员来说将是显而易见的,并且本文定义的原理可以被应用于其他实施例而不脱离本文公开的主题的精神或范围。因此,本公开并不旨在限于本文所示的实施例,而是应符合与所附权利要求以及本文公开的原理和新颖特征相一致的最宽范围。
虽然已经公开了各个方面和实施例,但是可以设想其他方面和实施例。所公开的各个方面和实施例是为了说明的目的而不旨在进行限制,真正的范围和精神由所附权利要求指示。
Claims (20)
1.一种方法,包括:
由处理器检索针对患者的放射疗法处理计划,所述放射疗法处理计划包括与所述患者相关联的计划剂量分布值;
由所述处理器使用所述放射疗法处理计划来执行人工智能模型,以至少部分地基于所述计划剂量分布值来预测针对所述患者的解剖区域的预测剂量分布值,所述人工智能模型使用训练数据集被训练,所述训练数据集包括与先前对多个先前患者实施的多个放射疗法处理相关联的数据以及与每个先前患者的一个或多个器官相关联的剂量分布;以及
当所述预测剂量分布值超过阈值时,由所述处理器发送通知。
2.根据权利要求1所述的方法,其中所述阈值是从与所述患者相关联的计划目标中检索的。
3.根据权利要求1或2所述的方法,其中所述阈值与标识指示热点的第一区域或指示冷点的第二区域的标准相对应。
4.根据权利要求1、2或3所述的方法,其中所述阈值与由计划优化器软件解决方案生成的现有处理计划内的至少一个剂量分布值相对应。
5.根据权利要求1至4中任一项所述的方法,其中所述放射疗法处理计划是由计划优化器应用生成的,并且所述方法还包括:
由所述处理器将与由所述人工智能模型预测的所述至少一个剂量分布值相关联的数据发送给所述计划优化器应用。
6.根据权利要求1至5中任一项所述的方法,其中所述人工智能模型使用先前患者的剂量-体积直方图以及其对应的第一阈值和第二阈值被训练。
7.根据权利要求1至6中任一项所述的方法,其中所述人工智能模型使用与先前患者相关联的医学图像集被训练。
8.根据权利要求7所述的方法,其中所述处理器修改来自所述医学图像集的至少一个医学图像,所述至少一个医学图像包括特定对象。
9.根据权利要求1至8中任一项所述的方法,其中所述通知包括具有分段集的热图,其中每个分段与所述患者的所述解剖区域的第一坐标和第二坐标相对应,其中每个分段的视觉属性与所计算的剂量分布值相对应。
10.一种计算机系统,包括:
包括处理器和非暂态计算机可读介质的服务器,所述非暂态计算机可读介质包含指令,当所述指令被所述处理器执行时,使所述处理器执行包括以下步骤的操作:
检索针对患者的放射疗法处理计划,所述放射疗法处理计划包括与所述患者相关联的计划剂量分布值;
使用所述放射疗法处理计划来执行人工智能模型,以至少部分地基于所述计划剂量分布值来预测针对所述患者的解剖学区域的预测剂量分布值,所述人工智能模型使用训练数据集被训练,所述训练数据集包括与先前对多个先前患者实施的多个放射疗法处理相关联的数据以及与每个先前患者的一个或多个器官相关联的剂量分布;以及
当所述预测剂量分布值超过阈值时,发送通知。
11.根据权利要求10所述的计算机系统,其中所述阈值是从与所述患者相关联的计划目标中检索的。
12.根据权利要求10或11所述的计算机系统,其中所述阈值与标识指示热点的第一区域或指示冷点的第二区域的标准相对应。
13.根据权利要求10、11或12所述的计算机系统,其中所述阈值与由计划优化器软件解决方案生成的现有处理计划内的至少一个剂量分布值相对应。
14.根据权利要求10至13中任一项所述的计算机系统,其中所述放射疗法处理计划是由计划优化器应用生成的,并且所述指令还使所述处理器:
将由所述人工智能模型预测的所述至少一个剂量分布值发送给所述计划优化器应用。
15.根据权利要求10至14中任一项所述的计算机系统,其中所述人工智能模型使用先前患者的剂量-体积直方图以及其对应的第一阈值和第二阈值被训练。
16.根据权利要求10至15中任一项所述的计算机系统,其中所述人工智能模型使用与先前患者相关联的医学图像集被训练。
17.根据权利要求16所述的计算机系统,其中所述指令被配置为还使所述处理器修改来自所述医学图像集的至少一个医学图像,所述至少一个医学图像包括特定对象。
18.根据权利要求10至17中任一项所述的计算机系统,其中所述通知包括具有分段集的热图,其中每个分段与所述患者的所述解剖学区域的第一坐标和第二坐标相对应,其中每个分段的视觉属性与所计算的剂量分布值相对应。
19.一种计算机系统,包括:
与人工智能模型和电子设备通信的处理器,所述处理器被配置为:
检索针对患者的放射疗法处理计划,所述放射疗法处理计划包括与所述患者相关联的计划剂量分布值;
使用所述放射疗法处理计划来执行人工智能模型,以至少部分地基于所述计划剂量分布值来预测针对所述患者的解剖区域的预测剂量分布值,所述人工智能模型使用训练数据集被训练,所述训练数据集包括与先前对多个先前患者实施的多个放射疗法处理相关联的数据以及与每个先前患者的一个或多个器官相关联的剂量分布;以及
当所述预测剂量分布值超过阈值时,向所述电子设备发送通知。
20.根据权利要求19所述的计算机系统,其中所述阈值是从与所述患者相关联的计划目标中检索的。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/208,781 | 2021-03-22 | ||
US17/208,781 US20220296924A1 (en) | 2021-03-22 | 2021-03-22 | Artificial intelligence modeling for radiation therapy dose distribution analysis |
PCT/EP2022/057059 WO2022200181A1 (en) | 2021-03-22 | 2022-03-17 | Artificial intelligence modeling for radiation therapy dose distribution analysis |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117098578A true CN117098578A (zh) | 2023-11-21 |
Family
ID=81325363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280023349.XA Pending CN117098578A (zh) | 2021-03-22 | 2022-03-17 | 用于放射疗法剂量分布分析的人工智能建模 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220296924A1 (zh) |
EP (1) | EP4313286A1 (zh) |
CN (1) | CN117098578A (zh) |
WO (1) | WO2022200181A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11901204B2 (en) * | 2020-05-22 | 2024-02-13 | Applied Materials, Inc. | Predictive wafer scheduling for multi-chamber semiconductor equipment |
US11612761B2 (en) * | 2020-12-16 | 2023-03-28 | Varian Medical Systems International Ag | Training artificial intelligence models for radiation therapy |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014197994A1 (en) * | 2013-06-12 | 2014-12-18 | University Health Network | Method and system for automated quality assurance and automated treatment planning in radiation therapy |
JP6688536B2 (ja) * | 2016-09-07 | 2020-04-28 | エレクタ、インク.Elekta, Inc. | 放射線療法治療計画のモデルを学習して放射線療法の線量分布を予測するためのシステムおよび方法 |
US11557390B2 (en) * | 2018-04-30 | 2023-01-17 | Elekta, Inc. | Radiotherapy treatment plan modeling using generative adversarial networks |
-
2021
- 2021-03-22 US US17/208,781 patent/US20220296924A1/en active Pending
-
2022
- 2022-03-17 WO PCT/EP2022/057059 patent/WO2022200181A1/en active Application Filing
- 2022-03-17 EP EP22716864.8A patent/EP4313286A1/en active Pending
- 2022-03-17 CN CN202280023349.XA patent/CN117098578A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4313286A1 (en) | 2024-02-07 |
WO2022200181A1 (en) | 2022-09-29 |
US20220296924A1 (en) | 2022-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11679274B2 (en) | Artificial intelligence modeling for radiation therapy dose distribution analysis | |
CN117098578A (zh) | 用于放射疗法剂量分布分析的人工智能建模 | |
US20240115883A1 (en) | Neural network calibration for radiotherapy | |
CN117561577A (zh) | 人工智能建模以建议场几何模板 | |
US20220414525A1 (en) | Machine learning approach for solving beam angle optimization | |
US20240112783A1 (en) | Radiation therapy plan generation using automated treatable sectors | |
US11710558B2 (en) | Computer modeling for field geometry selection | |
US20220414402A1 (en) | Automatic localized evaluation of contours with visual feedback | |
US20230087944A1 (en) | Machine learning modeling to predict heuristic parameters for radiation therapy treatment planning | |
US20220309673A1 (en) | Using radiation dose information for automatic organ segmentation model training | |
US11612761B2 (en) | Training artificial intelligence models for radiation therapy | |
US20230405356A1 (en) | Plan analysis and guidance using voice commands and human language processing | |
WO2023088897A1 (en) | Machine-learning modeling to generate virtual bolus attributes | |
CN118057449A (zh) | 在线自适应放射疗法中的患者特异性自动分割 |
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 |