放射诱发毒性与机器学习制造技术

描述了用于预测与患者目标区域的放射疗法治疗相关联的放射诱发毒性的风险的方法和设备。该方法包括接收与包括目标区域的感兴趣区域相关联的数据。接收到的数据包括感兴趣区域的放射疗法治疗的预定义剂量图和放射疗法治疗前成像数据。该方法进一步包括将训练的机器学习算法应用于接收到的数据，并且由训练的机器学习算法基于接收到的数据生成至少一个毒性指标。所述至少一个毒性指标指示放射诱发毒性的风险。毒性的风险。毒性的风险。

【技术实现步骤摘要】
放射诱发毒性与机器学习


[0001]本公开的各种实施例涉及通过利用机器学习算法来预测与放射疗法治疗相关联的放射诱发毒性的方法和设备。

技术介绍

[0002]放射疗法治疗使用例如电子或离子的带电粒子来治疗癌症。也可能的是使用光子。粒子将能量沉积在肿瘤上，以物理方式摧毁肿瘤。
[0003]放射疗法已经成为许多类型的癌症的有用治疗。尽管如此，已经观察到一些患者随后经历了放射诱发的毒性。这将在下文中进一步详细解释。
[0004]一个示例采用放射疗法治疗非小细胞肺癌（NSCLC）。立体定向体部放射治疗（SBRT）是不能手术的早期NSCLC患者的护理标准。然而，肺是对放射敏感的器官，并且放射性肺炎——作为放射诱发的毒性的示例——可能在暴露于大于5格雷的放射之后的仅几个月内出现。肺部肺炎表现为上皮细胞丧失、水肿、炎症、纤维化以及气道、血管和气囊阻塞。患者对放射性肺炎的易感性与任何先前存在的基础肺部疾病直接相关。附加地，对于人群展现出疗效的放射疗法的标准方法（诸如SBRT）对于个体患者可能并不实现最佳结果。
[0005]因此，难以基于个体患者的解剖和生理特征对当前的标准放射疗法治疗（诸如用于治疗NSCLC的SBRT）进行个体化；因此，难以选择最有可能适合个体患者的放射疗法治疗，以最大化治疗反应的可能性，同时最小化不利影响的风险，诸如放射诱发的毒性。

技术实现思路

[0006]因此，需要计划放射疗法治疗的先进技术。特别是，需要先进的技术来预测——在放射疗法治疗之前——患者对放射诱发的毒性的易感性。独立权利要求的特征满足了该需要。从属权利要求的特征限定了实施例。
[0007]公开了一种用于预测与患者目标区域的放射疗法治疗相关联的放射诱发毒性的风险的方法。该方法包括接收与包括目标区域的感兴趣区域相关联的数据。接收到的数据包括感兴趣区域的放射疗法治疗的预定义剂量图和放射疗法治疗前成像数据。该方法进一步包括将训练的机器学习算法应用于接收到的数据，并且由训练的机器学习算法基于接收到的数据生成至少一个毒性指标。所述至少一个毒性指标指示放射诱发毒性的风险。
[0008]公开了一种执行机器学习算法的训练的方法，所述机器学习算法用于预测与患者目标区域的放射疗法治疗相关联的放射诱发毒性的风险。该方法包括接收与包括目标区域的感兴趣区域相关联的训练数据的多个实例和参考数据的多个实例。参考数据的多个实例中的每一个对应于训练数据的相应实例。训练数据的多个实例中的每一个包括感兴趣区域的放射疗法治疗的剂量图和放射疗法治疗前成像数据。参考数据的多个实例中的每个实例包括至少一个诊断毒性指标，其指示放射诱发的毒性的诊断风险。该方法进一步包括通过机器学习算法处理训练数据的多个实例，以及通过机器学习算法并且为训练数据的多个实例中的每一个生成至少一个相应的估计毒性指标，所述至少一个相应的估计毒性指标指示
估计的放射诱发毒性风险。该方法进一步包括通过基于诊断毒性指标和对应的估计毒性指标之间的比较更新机器学习算法的参数值来执行机器学习算法的训练。
[0009]一种设备包括处理单元、存储器单元和输入/输出接口。处理单元被配置为执行存储在存储器单元中的程序，以执行用于预测与患者目标区域的放射疗法治疗相关联的放射诱发毒性的风险的方法。该方法包括接收与包括目标区域的感兴趣区域相关联的数据。接收到的数据包括感兴趣区域的放射疗法治疗的预定义剂量图和放射疗法治疗前成像数据。该方法进一步包括将训练的机器学习算法应用于接收到的数据，并且由训练的机器学习算法基于接收到的数据生成至少一个毒性指标。所述至少一个毒性指标指示放射诱发毒性的风险。
[0010]一种设备包括处理单元、存储器单元和输入/输出接口。处理单元被配置为执行存储在存储器单元中的程序，以执行用于执行机器学习算法的训练的方法，所述机器学习算法用于预测与患者目标区域的放射疗法治疗相关联的放射诱发毒性的风险。该方法包括接收与包括目标区域的感兴趣区域相关联的训练数据的多个实例和参考数据的多个实例。参考数据的多个实例中的每一个对应于训练数据的相应实例。训练数据的多个实例中的每一个包括感兴趣区域的放射疗法治疗的剂量图和放射疗法治疗前成像数据。参考数据的多个实例中的每个实例包括至少一个诊断毒性指标，所述至少一个诊断毒性指标指示放射诱发的毒性的诊断风险。该方法进一步包括通过机器学习算法处理训练数据的多个实例，以及通过机器学习算法并且为训练数据的多个实例中的每一个生成至少一个相应的估计毒性指标，所述至少一个相应的估计毒性指标指示估计的放射诱发毒性的风险。该方法附加地包括通过基于诊断毒性指标和对应的估计毒性指标之间的比较更新机器学习算法的参数值来执行机器学习算法的训练。
[0011]计算机程序产品或计算机程序或计算机可读存储介质包括程序代码。所述程序代码可以由至少一个处理器执行。执行所述程序代码使得所述至少一个处理器执行用于预测与患者目标区域的放射疗法治疗相关联的放射诱发毒性的风险的方法。该方法包括接收与包括目标区域的感兴趣区域相关联的数据。接收到的数据包括感兴趣区域的放射疗法治疗的预定义剂量图和放射疗法治疗前成像数据。该方法进一步包括将训练的机器学习算法应用于接收到的数据，并且由训练的机器学习算法基于接收到的数据生成至少一个毒性指标。所述至少一个毒性指标指示放射诱发毒性的风险。
[0012]计算机程序产品或计算机程序或计算机可读存储介质包括程序代码。所述程序代码可以由至少一个处理器执行。执行所述程序代码使得所述至少一个处理器执行一种方法，该方法执行机器学习算法的训练，用于预测与患者目标区域的放射疗法治疗相关联的放射诱发毒性的风险。该方法包括接收与感兴趣区域相关联的训练数据的多个实例，该感兴趣区域包括目标区域和参考数据的多个实例。参考数据的多个实例中的每一个对应于训练数据的相应实例。训练数据的多个实例中的每一个包括感兴趣区域的放射疗法治疗的剂量图和放射疗法治疗前成像数据。参考数据的多个实例中的每个实例包括至少一个诊断毒性指标，所述至少一个诊断毒性指标指示放射诱发的毒性的诊断风险。该方法进一步包括通过机器学习算法处理训练数据的多个实例，以及通过机器学习算法并且为训练数据的多个实例中的每一个生成至少一个相应的估计毒性指标，所述至少一个相应的估计毒性指标指示估计的放射诱发毒性的风险。该方法附加地包括通过基于诊断毒性指标和对应的估计
毒性指标之间的比较更新机器学习算法的参数值来执行机器学习算法的训练。
[0013]应该理解的是，在不脱离本专利技术的范围的情况下，上面提到的特征和下面将要解释的特征不仅可以用在所指示的相应组合中，而且还可以用在其他组合中或独立使用。
附图说明
[0014]图1是根据各种示例的用于放射疗法治疗的高能弯曲束（bent
‑
beam）医用直线加速器的示意图示；图2示意性地图示了根据各种示例的放射疗法治疗的目标区域；图3是根据各种示例的方法的流程图；图4示意性地图示了根据各种示例的机器学习算法的示例性实现；图5是根据各种示例的另一方法的流程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于预测与患者目标区域（2030）的放射疗法治疗相关联的放射诱发毒性的风险的计算机实现的方法，所述方法包括：
‑
接收（3010）与包括目标区域（2030）的感兴趣区域（2020）相关联的数据（4040），其中接收到的数据（4040）包括感兴趣区域（2020）的放射疗法治疗的预定义剂量图和放射疗法治疗前成像数据（2010）；
‑
将训练的机器学习算法应用于（3020）接收到的数据；和
‑
由训练的机器学习算法基于接收到的数据生成（3030）至少一个毒性指标（4050），其中所述至少一个毒性指标（4050）指示放射诱发毒性的风险。2.根据权利要求1所述的方法，其中接收到的数据（4040）进一步包括以下各项中的至少一个：放射疗法治疗的剂量水平，位于目标区域中的肿瘤的临床分期，患者的并存病，和/或患者的人口统计数据。3.根据前述权利要求中任一项所述的方法，进一步包括，
‑
对接收到的数据进行插补；和/或
‑
对接收到的数据进行归一化。4.根据前述权利要求中任一项所述的方法，其中所述至少一个毒性指标（4050）包括聚合风险评分、用于表征由预定义剂量图指示的剂量对放射诱发毒性的影响的剂量敏感性或者感兴趣区域的毒性区域图中的至少一个。5.根据前述权利要求中任一项所述的方法，进一步包括：
‑
基于所述至少一个毒性指标（4050）调整（3060）预定义剂量图。6.根据前述权利要求中任一项所述的方法，其中训练的机器学习算法包括编码器（4010）和分类器（4020），所述编码器（4010）用于基于接收到的数据提取感兴趣区域的相关特征（4030），所述分类器（4020）用于基于提取的感兴趣区域的相关特征生成所述至少一个毒性指标（4050）。7.一种执行机器学习算法的训练的计算机实现的方法，所述机器学习算法用于预测与患者的目标区域的放射疗法治疗相关联的放射诱发毒性的风险，所述方法包括：
‑
接收与感兴趣区域相关联的训练数据的多个实例，所述感兴趣区域包括目标区域和参考数据的多个实例，所述参考数据的多个实例中的每一个对应于所述训练数据的相应实例，其中所述训练数据的多个实例中的每一个包括感兴趣区域的放射疗法治疗的剂量图和放射疗法治疗前成像数据，其中所述参考数据的多个实例中的每一个包括至少一个诊断毒性指标（4050），所述至少一个诊断毒性指标（4050）指示诊断的放射诱发毒性的风险；
‑
通过机器学习算法处理训练数据的多个实例；
‑
...

【专利技术属性】
技术研发人员：A，
申请(专利权)人：西门子医疗有限公司，
类型：发明
国别省市：