用于放射疗法的神经网络校准制造技术

本文公开了用于识别患者的放射疗法治疗数据的系统和方法。处理器访问(210)基于第一组数据训练的神经网络，该第一组数据从在一个或多个第一放射治疗机处接受治疗的第一组患者的特征值中生成。处理器使用第二组数据执行(220)神经网络，该第二组数据包括在一个或多个第二放射治疗机处接受治疗的第二组患者的特征值。处理器基于第二组数据使用神经网络的输出来执行(230)校准模型，以输出校准值。处理器使用第一患者的一组特征来执行(240)神经网络，以输出与第一治疗属性相关联的第一置信度分数。然后，处理器根据校准值调整(250)第一置信度分数，以预测第一治疗属性。以预测第一治疗属性。以预测第一治疗属性。

【技术实现步骤摘要】
【国外来华专利技术】用于放射疗法的神经网络校准


[0001]本申请总体上涉及将外部训练的神经网络模型校准为在一组放射治疗机处接受治疗的患者的数据分布。

技术介绍

[0002]放射疗法治疗规划(RTTP)是一个复杂的过程，其包含如临床医生、医疗设备制造商、治疗医生等不同医疗专业人员所采用的特定指南、协议和说明。由于放射治疗机所发出的辐射的极端性质，必须严格遵守所有说明。如在RTTP的范畴中所使用的场几何形状是指当患者接受处方规定的放射疗法剂量时放射治疗机的各种属性或设置。例如，开处方的医生可以识别来源位置(例如待治疗的患者器官或待根除的肿瘤)和相应的剂量。此外，其他方(例如临床医生或机器制造商)可以确定机架和卧榻上的患者的定位属性(例如角度)，以提供最佳治疗。
[0003]按照惯例，识别和应用实施放射疗法的指南由临床医生/技术人员执行。例如，为患者选择最合适的场几何形状是RTTP的一个方面，该方面已委托给临床医生，其利用自己的主观理解和技能结合各种外部和内部指南来识别每个患者的最佳场几何形状。然而，这种传统的方法可能是低效的。
[0004]例如，作为场几何形状选择的第一步，治疗医生可以识别治疗模式(例如在容积调强放射治疗(VMAT)或调强放射疗法(IMRT)之间进行选择)。然后，治疗医生可以决定优选的是共面治疗还是非共面治疗。然后，治疗医生可以确定用于治疗的射束限制装置角度。在IMRT的情况下，射束传输方向和射束数量是必须确定的特定相关变量，而对于VMAT，技术人员可能需要选择弧的数量及其相应的起始角和结束角。对于这些决定，每个提供者诊所和/或技术人员可能有其自己的偏好和实践。例如，技术人员可能更倾向于将放射等中心点直接置于受试物区域(例如肿瘤)上并且在受试物区域周围有全弧形的机架运动。另一技术人员可通过具有一些固定的场方向来接近相同的RTTP，并试图避开其他器官。因此，相同的RTTP可能以不同的方式被解读，这产生了不希望的结果。

技术实现思路

[0005]由于上述原因，期望有一种系统能够调整计算机模型(例如机器学习模型)，以预测在个体的一组放射治疗机中接受治疗的患者(例如在个体的放射治疗诊所接受治疗的病人或在特定地理区域接受治疗的病人)的治疗。这样的一组放射治疗机可用于治疗不同的人群分布和/或被具有不同治疗观点的临床医生使用。考虑到通常可以从在个体的一组放射治疗机(例如在个体的放射治疗诊所)处接受治疗的患者获得的训练数据的缺乏，可能很难生成解释这些差异的模型。
[0006]为了解决这些问题，希望使用来自在不同组的放射治疗机处接受治疗的患者的患者数据来训练机器学习模型(例如使用来自多个放射治疗诊所的训练数据，在这些诊所可获得更多的训练数据)。一旦机器学习模型被充分训练，实现本文所述系统和方法的一组特
定放射治疗机的提供者(例如一个诊所或一组诊所)可以使用处理器来访问和校准机器学习模型，以对在该组放射治疗机处接受治疗的患者做出治疗预测。因此，提供者可以使用部分训练的机器学习模型来准确地预测RTTP预测，使得计算场几何形状(或其他放射疗法治疗属性)可以被调整到由提供者管理的放射治疗机正在治疗的患者。提供者可以在不使用从在提供者的放射治疗机处治疗的患者生成的训练数据来训练模型的情况下这样做，其通常不可用或创建成本太高。
[0007]在一个方面，本专利技术提供了一种如权利要求1所述的方法。在另一方面，本专利技术提供了一种如权利要求13所述的系统。在从属权利要求中指定了可选特征。
[0008]在一个实施例中，方法包括：通过一个或多个处理器访问基于第一组数据训练的神经网络，该第一组数据从在一组一个或多个放射治疗机处接受治疗的第一组患者的特征值中生成；由一个或多个处理器使用第二组数据执行神经网络以输出一组治疗属性预测，该第二组数据包括在一组一个或多个第二放射治疗机处接受治疗的第二组患者的特征值，第二组数据具有指示预期治疗属性预测的对应的标签；由一个或多个处理器使用该组治疗属性预测和指示预期治疗属性预测的标签来执行校准模型，以输出校准值；由一个或多个处理器使用在该组一个或多个第二放射治疗机处接受治疗的第二组患者中的第一患者的一组特征来执行神经网络，以输出与第一治疗属性相关联的第一置信度分数；并且由一个或多个处理器根据校准值调整第一置信度分数，以预测第一治疗属性。
[0009]在另一实施例中，系统包括与放射治疗机通信的处理器，该处理器被配置为执行指令以用于：访问基于第一组数据训练的神经网络，该第一组数据从在一组一个或多个第一放射治疗机处接受治疗的第一组患者的特征值中生成；使用第二组数据执行神经网络以输出一组治疗属性预测，该第二组数据包括在一组一个或多个第二放射治疗机处接受治疗的第二组患者的特征值，第二组数据具有指示预期治疗属性预测的对应的标签；使用该组治疗属性预测和指示预期治疗属性预测的标签来执行校准模型，以输出校准值；使用在一组一个或多个第二放射治疗机处接受治疗的第二组患者中的第一患者的一组特征来执行神经网络，以输出与第一治疗属性相关联的第一置信度分数；并且根据校准值调整第一置信度分数，以预测第一治疗属性。
附图说明
[0010]参考附图以示例的方式说明了本公开的非限制性实施例，附图是示意性的，并非按比例绘制。除非指明为代表
技术介绍
，否则附图代表本公开的各方面。
[0011]图1根据一个实施例示出了治疗属性识别系统的组件。
[0012]图2根据一个实施例示出了在治疗属性识别系统中执行的过程的流程图。
[0013]图3根据一个实施例示出了示例性的校准数据组。
[0014]图4根据一个实施例示出了在治疗属性识别系统中执行的过程的示例性流程图。
具体实施方式
[0015]现在将参考附图中所示的说明性实施例，在此将使用特定语言来说明这些实施例。然而，应当理解的是，权利要求或本公开的范围在此不受限制。本文所示专利技术特征的更改和进一步修改，以及本文所示主题的原理的附加应用，对于相关领域的技术人员和拥有
本公开的技术人员而言将被视为在本文所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，可使用其他实施例和/或可进行其他改变。在详细说明中所述的说明性实施例并不旨在限制所呈现的主题。
[0016]放射疗法治疗规划(RTTP)可以利用神经网络模型(或其他机器学习模型)。例如，神经网络可以用于器官和肿瘤的自动分割。神经网络还可以通过例如建议治疗模式或选择治疗的更详细方面来提供决策支持，例如确定外部射束放射疗法中的场几何设置。通常，神经网络分类器的主要结果是用于给定的看不见的情况的预测标签。然而，在临床设置中，除了预测准确性(例如正确预测标签的总体期望)之外，对于用户可能重要的是访问单个预测的置信度水平，从而用户可确定是使用预测还是探索其他选项。此外，重要的是避免使用过度自信或不准确的预测来调整放射治疗机提供治疗的方式。因此，置信度水平的准确性很重要。
[0017]此外，在一个非限制性示例中，当神经网络模型从一个临床或非临床环境转用到另一个时，预测的准确本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，包括：通过一个或多个处理器访问基于第一组数据训练的神经网络，所述第一组数据从在一组一个或多个第一放射治疗机处接受治疗的第一组患者的多个特征值中生成；由所述一个或多个处理器使用第二组数据执行所述神经网络以输出一组治疗属性预测，所述第二组数据包括在一组一个或多个第二放射治疗机处接受治疗的第二组患者的多个特征值，所述第二组数据具有指示预期治疗属性预测的对应的多个标签；由所述一个或多个处理器使用所述一组治疗属性预测和指示预期治疗属性预测的所述多个标签来执行校准模型，以输出校准值；由所述一个或多个处理器使用在所述一组一个或多个第二放射治疗机处接受治疗的所述第二组患者中的第一患者的一组特征来执行所述神经网络，以输出与第一治疗属性相关联的第一置信度分数；并且由所述一个或多个处理器根据所述校准值调整所述第一置信度分数，以预测所述第一治疗属性。2.根据权利要求1所述的方法，进一步包括：由所述一个或多个处理器使用在所述一组一个或多个第二放射治疗机处接受治疗的所述第二组患者中的第二患者的一组特征来执行所述神经网络，以输出与第二治疗属性相关联的第二置信度分数，并且根据所述校准值调整所述第二置信度分数，以预测所述第二治疗属性。3.根据权利要求1或2所述的方法，其中预测所述第一治疗属性包括：将调整后的所述第一置信度分数与阈值进行比较，并且响应于确定调整后的所述第一置信度分数超过所述阈值，预测所述第一治疗属性。4.根据权利要求1、2或3所述的方法，进一步包括：由所述一个或多个处理器根据所述第一治疗属性来调整所述一组一个或多个第二放射治疗机中的第二放射治疗机的配置。5.根据权利要求1至4中任一项所述的方法，进一步包括：由所述一个或多个处理器在显示器上呈现调整后的所述第一置信度分数和所述第一治疗属性；由所述一个或多个处理器接收选择所述第一治疗属性的用户输入；并且响应于接收到所述用户输入，由所述一个或多个处理器基于所述第一治疗属性来调整所述一组一个或多个第二放射治疗机中的第二放射治疗机的配置。6.根据权利要求1至5中任一项所述的方法，其中所述神经网络是第一神经网络，并且所述校准值是第一校准值，所述方法进一步包括：由所述一个或多个处理器使用所述第一患者的所述一组特征来执行第二神经网络，以输出第二治疗属性的第二置信度分数；并且由所述一个或多个处理器根据对应于所述第二神经网络的第二校准值来调整与所述第二治疗属性相关联的所述第二置信度分数，所述第二校准值是基于所述第二组数据生成的；其中响应于所述第一置信度分数超过所述第二置信度分数，执行对所述第一治疗属性的预测。
7.根据权利要求1至6中任一项所述的方法，其中所述第一治疗属性是与放射治疗机的卧榻或机架相关联的角度。8.根据权利要求1至7中任一项所述的方法，其中预测所述第一治疗属性包括：由所述一个或多个处理器使用所述第一患者的所述一组特征来执行多个神经网络，以输出多个治疗属性的置信度分数，每个神经网络与不同的校准值相关联；由所述一个或多个处理器根据与相应神经网络相关联的校准值来调整所述多个神经网络中的每个神经网络的所输出的置信度分数；并且由所述一个或多个处理器通过聚合对应于个体治疗属性的调整后的所述置信度分数来预测所述第一治疗属性。9.根据权利要求1至8中任一项所述的方法，进一步包括：由所述一个或多个处理器响应于根据监督学习算法从根据放射治疗机是否基于所预测的治疗属性调整了该放射治疗机的配置而标记的值的训练集中训练所述神经网络，调整所述校准值。10.根据权利要求1至9中任一项所述的方法，其中所述校准模型是机器学习模型或数学优化算法。11.根据权利要求1至10中任一项所述的方法，进一步包括：由所述一个或多个处理器通过使用在所述第二放...

【专利技术属性】
技术研发人员：M，
申请(专利权)人：西门子医疗国际股份有限公司，
类型：发明
国别省市：